DLeX: AI Python

🤩 مجموعه‌داده‌ی فرش ایرانی در کگل منتشر شد!


خبر ویژه برای علاقه‌مندان پردازش تصویر و هنر اصیل ایرانی ✨

مجموعه‌داده‌ی جدید "Iranian Carpet Dataset: Lechak-Toranj & Afshan" به همت سیامک سربازی و مهدی سربازی آماده و منتشر شد.

🥋 تصاویر باکیفیت از دو طرح ماندگار «لچک‌ترنج» و «افشان»

🥋 مناسب برای پژوهش‌های طبقه‌بندی، تولید، و بازشناسی الگو

🥋 دسترسی آزاد در کگل با

⬇️ DOI: https://doi.org/10.34740/kaggle/dsv/12702937 ⬇️


👈 صفحه گیت‌هاب :
github.com/mahdisarbazi/Iranian-Carpet-Dataset-Lechak-Toranj-Afshan-Patterns

#فرش_ایرانی #کگل #داده_باز #پردازش_تصویر

🎯 المپیک فناوری | ۱۴۰۴

📣 دومین دوره رقابت‌های«المپیک فناوری» شروع شد!

🎁 توی حوزه‌های هوش‌مصنوعی مسابقه بده و جوایز نقدی به ارزش مجموعاً ۳۰۰ میلیون ببر!

🖼 پردازش تصویر
📊 پردازش داده
📝 پردازش متن

🚀 تیم‌هاتون دوتایی‌ان، پس با یه رفیق همراه بیا یا توی گروه تیم‌سازی، هم‌تیمی پیدا کن!

ثبت‌نام رایگان:
🔗 https://quera.org/r/xajoi

پلی لیست رایگان دوره احتمالات (گرایش علوم کامپیوتر) از استفورد در یوتیوب :


@ai_python

https://www.youtube.com/playlist?list=PLoROMvodv4rOpr_A7B9SriE_iZmkanvUg

@ai_python

پادکست فارسی مصنوعی در خصوص پست دیروز در باره قابلیت Data Science Agent (DSA) در کولب که ممکنه خیلیا حوصله نداشتن که بلاگ رو بخونن و ترجیح می دن گوش کنن. 👻

مصاحبه با Prof. Dr. Christian Rauda که در حوزه حقوق آی تی فعالیت می کند، در خصوص دفاع از خود در آلمان در برابر Deepfakes :

@ai_python

https://youtu.be/jM6C0YZjVHM?si=PLk3vOl9QaAMIdgH

قابلیت Data Science Agent یا همون DSA که به نظر من گام بسیار قدرتمندی رو به جلو برای Google Colab Enterprise هست :

@ai_python

https://cloud.google.com/blog/products/ai-machine-learning/ai-first-colab-notebooks-in-bigquery-and-vertex-ai

@ai_python

اندر احوالات استفاده از AI در محیط کار 👀

©

@ai_python

مدل Qwen-Image یک مدل قدرتمند ۲۰ میلیارد پارامتری از نوع MMDiT برای تولید تصویر از متن است که توسط تیم Qwen معرفی شده و اکنون به صورت متن‌باز در دسترس قرار گرفته است.

این مدل از تصاویر فوتورئالیستی تا سبک‌های انیمه، امپرسیونیستی و مینیمالیستی را پشتیبانی می‌کند.

@ai_python

دمو : https://wavespeed.ai/models/wavespeed-ai/qwen-image/text-to-image

@ai_python

هاگینگ فیس : https://huggingface.co/Qwen/Qwen-Image

@ai_python

پادکست مصنوعی به زبان فارسی، در خصوص قوانینی که از همین چند روز پیش (2 آگوست) برای شرکت های فعال در حوزه های هوش مصنوعی در اروپا ، لازم الاجرا شد.

@ai_python

سم التمن ادعا کرده که مدل تازه gpt-oss که متن باز هم هست، در حد o4-mini عمل می کنه و حتی بر روی یک لپ تاپ قدرتمند هم قابل اجراست. 👀

در دو ادیشن 120b و 20b :

https://openai.com/de-DE/open-models/

@ai_python

کتابخانه raglight یک کتابخانه پایتون هست که با استفاده ازش واقعن با ویرایش های بسیار جزئی کد، می تونیم از چندین سناریو مختلف RAG بهره ببریم.

@ai_python

برای مثال کافیه با

pip install raglight

نصبش کنید و بعد با دستور

raglight chat

مطابق اون چه که در تصویر می برید ویزارد رو جلو برید.


البته باید توجه کنید که همون طور که گفتم یک تنظیمات جزئی نیاز داره. برای مثال اگر قصد استفاده از مدل های لوکال دارید، باید ollama از قبل نصب و مدل مورد نظر فعال شده باشه و ...

@ai_python

جهت اطلاعات بیش تر به گیت هاب این پروژه مراجعه کنید : https://github.com/Bessouat40/RAGLight?tab=readme-ov-file

@ai_python

🗺 نقشه‌راه IBM برای رایانش کوانتومی

سال 2025 : معرفی پردازنده کوانتومی IBM Quantum Nighthawk که 120 کیوبیتی هستند و توانایی اجرای مدارهایی تا 5000 گیت را دارند!

سال 2028 : افزایش توان پردازنده Nighthawk به اجرای مدارهایی با ۱۵٬۰۰۰ گیت!

@ai_python

سال 2029 : عرضه IBM Quantum Starling با ۲۰۰ کیوبیت منطقی و توان اجرای مدارهایی با ۱۰۰ میلیون گیت. 😮

سال 2033 : عرضه IBM Quantum Blue Jay با ۲٬۰۰۰ کیوبیت منطقی و بیش از یک میلیارد گیت.

@ai_python

آی بی ام تأکید می‌کند که سخت‌افزار تنها نیمی از داستان است. نقشه‌راه نرم‌افزاری آن‌ها شامل:

🖥 استفاده از الگوریتم‌ها در کاربردهای واقعی

🖥 کشف الگوریتم‌های جدید برای دستیابی به برتری کوانتومی

🖥 هماهنگ‌سازی بارهای کاری بین رایانش کوانتومی و رایانش با عملکرد بالا (HPC)

🖥 اجرای دقیق و کارآمد الگوریتم‌ها

X

@ai_python

پادکست مصنوعی فارسی در خصوص شبیه سازی سیستم های عظیم با Regression Language Models

@ai_python

برگرفته از این نوشتار در Google Research :

https://research.google/blog/simulating-large-systems-with-regression

پیپر مرتبط در آرشیو : https://arxiv.org/abs/2506.21718

@ai_python

در این ویدئو، مدل هوش مصنوعی جدید گوگل، Alpha Earth Foundations، معرفی شده است. این مدل سطح کره زمین 🌎 را بر اساس شباهت شرایط سطحی نقشه برداری می کند و به سرعت الگوهای منحصر به فرد اکوسیستم ها را شناسایی می کند.

@ai_python

در نتیجه، نقشه برداری جهانی که قبلاً ماه‌ها تا سال‌ها طول می‌کشید، اکنون در عرض چند دقیقه انجام می‌شود. این فناوری از طریق Google Earth Engine برای سال‌های ۲۰۱۷ تا ۲۰۲۴ در دسترس است و به دانشمندان و محققان کمک می‌کند تا به سوالاتی درباره پراکندگی حیوانات و ردپای 🐾 توسعه انسانی پاسخ دهند.

@ai_python


این پیشرفت می‌تواند ابزارهای بهتری برای مقابله با چالش‌های بزرگی مانند پیش‌بینی آتش‌سوزی، مدیریت منابع آب و حفاظت از اکوسیستم‌های در معرض خطر فراهم کند و همه اینها را بسیار سریع‌تر و ارزان‌تر انجام دهد.

X

چند روز قبل یک پادکست مصنوعی فارسی درباره برنامه اقدام ملی هوش مصنوعی آمریکا درست کردیم و در کانال قرار دادیم.

@ai_python

امروز هم اندرو ان جی درباره رقابت هوش مصنوعیِ آمریکا در برابر چین یک توییت بلند بالا نوشته : X

@ai_python


آندرو ان‌جی، متخصص برجسته هوش مصنوعی، در تحلیل اخیر خود توضیح می‌دهد که چگونه چین در حال حاضر مسیری روشن برای پیشی گرفتن از ایالات متحده در هوش مصنوعی دارد. با وجود پیشتازی فعلی آمریکا، شتاب فزاینده چین ناشی از اکوسیستم پر جنب و جوش مدل‌های با وزن باز و اقدامات جسورانه در طراحی و ساخت نیمه‌هادی‌ها است. ان‌جی خاطرنشان می‌کند که رقابت شدید کسب‌وکارها در چین و انتشار سریع دانش، پویایی فوق‌العاده‌ای به این کشور بخشیده است.

با این حال، او تاکید می‌کند که هوش مصنوعی یک فناوری یکپارچه نیست و کشورها در حوزه‌های مختلف آن برتری دارند، و این برتری‌ها به مزایای متفاوتی در رشد اقتصادی و قدرت ملی منجر می‌شوند. در نهایت، ان‌جی اظهار امیدواری می‌کند که همه کشورها، به ویژه دموکراسی‌ها، موانع پیشرفت هوش مصنوعی را بردارند و در علم و فناوری آزاد سرمایه‌گذاری کنند تا اطمینان حاصل شود که این فناوری به نفع بشریت و دموکراسی خواهد بود.


@ai_python

گزارش کامل را در این جا بخوانید :

https://www.deeplearning.ai/the-batch/issue-312/

در پست بالا گفتیم که مدل gemini embedding 001 به صورت پایدار عرضه عمومی شد.

@ai_python

در این رشته توییت بعضی از use case های دنیای واقعی را می بینید :

https://x.com/googleaidevs/status/1950632489967395236