Channels

Top 100 Trending New

Categories

Crypto Gaming News Entertainment Music Sports Tech Gambling Bots and mini apps Finance Business Education Lifestyle Health Travel Auto Fashion Jobs Dating Deals and shopping

Stickers

Stickers Emoji Themes Wallpapers

Bots Gifts Tools

Currency

$ USD ₽ RUB € EUR ₴ UAH ₸ KZT ₺ TRY zł PLN ₪ ILS AED AED R$ BRL Rp IDR RM MYR ¥ JPY ₩ KRW CN¥ CNY

Theme

Português (Brasil)

Bahasa Indonesia

Беларуская

Українська

Channels Categories Stickers Bots Gifts Tools

Premium Wiki Glossary Legal

Notifications Settings Log in

Data elites: post #236 — TG.ME

Data elites@dataelites · 1.3K subscribers Open in TelegramOpen

[media without text]

t.me/dataelites/236

August 19, 2026

More from this channel

🧪 دوشنبه‌های Data Elites | وقتی AI وارد آزمایشگاه می‌شود! 🤖 تا امروز، هوش مصنوعی بیشتر برای پاسخ‌دادن، تولید محتوا و کمک به برنامه‌نویسی استفاده می‌شد. اما سؤال بزرگ‌تر این است: آیا یک Agent هوش مصنوعی می‌تواند بخشی از فرآیند یک پژوهش علمی را خودش انجام دهد؟ اینجاست که پروژه Safe Lab Agents وارد می‌شود؛ یک چارچوب جدید برای بررسی نقش Agentهای هوش مصنوعی در محیط‌های علمی و آزمایشگاهی. این پروژه تلاش می‌کند Agentهایی بسازد که بتوانند: 🧠 مسئله علمی را تحلیل کنند 🧪 workflow آزمایش را طراحی کنند 💻 کد و شبیه‌سازی اجرا کنند 📊 داده‌ها و نتایج را بررسی کنند 📝 گزارش و مستندات پژوهشی تولید کنند اما تفاوت مهم اینجاست: Agentها در یک محیط کنترل‌شده و ایمن (Sandbox) فعالیت می‌کنند تا فرآیندهای علمی قابل بررسی، تکرار و مدیریت باشند. یعنی مسیر آینده می‌تواند از: 👩‍🔬 پژوهشگر + ابزارهای محاسباتی به سمت: 👩‍🔬 پژوهشگر + تیمی از Agentهای هوشمند حرکت کند. این نقطه اتصال چند حوزه مهم است: 🔹 Artificial Intelligence 🔹 AI Agents 🔹 Scientific Computing 🔹 Data Science 🔹 Automated Research شاید در آینده نزدیک، AI فقط دستیار پژوهشگر نباشد؛ بلکه عضوی از تیم تحقیقاتی باشد. 🚀 🔗 Safe Lab Agents: https://safe-lab-agents.org/ 97·Aug 23 💻 قبل از ساخت مدل‌های هوش مصنوعی، الگوریتم فکر کردن را یاد بگیر! در یکشنبه‌های Data Elites تا اینجا مسیر پایه‌های علمی Data و AI را با هم جلو آمدیم: 📐 جبر خطی برای فهم ساختار داده‌ها، بردارها و ماتریس‌ها ⬇️ 🎲 احتمال برای مدل‌کردن عدم‌قطعیت و رفتار داده‌ها ⬇️ ⚙️ بهینه‌سازی برای پیدا کردن بهترین پارامترها و آموزش مدل‌ها و حالا قدم بعدی: 🧠 Algorithms & Data Structures چون قبل از اینکه مدل‌های پیچیده بسازیم، باید یاد بگیریم چطور مسئله‌ها را تحلیل کنیم، راه‌حل طراحی کنیم و آن‌ها را به شکل بهینه پیاده‌سازی کنیم. الگوریتم‌ها به ما یاد می‌دهند چطور مسئله‌ها را منطقی، بهینه و مقیاس‌پذیر حل کنیم؛ و ساختمان داده‌ها کمک می‌کنند اطلاعات را به بهترین شکل مدیریت کنیم. از موتورهای جستجو و پایگاه‌های داده تا سیستم‌های هوش مصنوعی، همه به این مفاهیم وابسته‌اند. 🚀 دوره فارسی 💻 ساختمان داده و طراحی الگوریتم دکتر علی شریفی زارچی یک دوره ارزشمند برای یادگیری پایه‌های الگوریتم و ساختمان داده. در این دوره با مفاهیمی مثل: 🔹 Array و Linked List 🔹 Stack و Queue 🔹 Tree و Graph 🔹 Sorting Algorithms 🔹 Dynamic Programming 🔹 طراحی و تحلیل الگوریتم‌ها آشنا می شوید 🎥 Playlist دوره: https://youtube.com/playlist?list=PLb9zxAaQXcchjJRdm476gz5rXduAMvgkQ 💻 GitHub دوره (کدها و منابع): https://github.com/SharifiZarchi/Data_Structures_Algorithms 📚 کتاب‌های پیشنهادی 📘 The Algorithm Design Manual — Steven Skiena یک کتاب کاربردی برای تقویت مهارت حل مسئله و طراحی الگوریتم. 📗 Introduction to Algorithms (CLRS) یکی از معتبرترین منابع دنیا برای یادگیری عمیق الگوریتم‌ها و تحلیل آن‌ها. 🇬🇧 دوره‌های انگلیسی 🎓 Algorithms and Data Structures — University of Oxford | 2026 یک دوره دانشگاهی جدید برای یادگیری اصول الگوریتم و ساختمان داده. موضوعات: 🔹 Algorithm Analysis 🔹 Data Structures 🔹 Sorting & Searching 🔹 Graph Algorithms 🔹 Dynamic Programming 🔹 Complexity Analysis 🎥 YouTube Playlist: https://youtube.com/playlist?list=PLzZlJT-UOiwDCw7TDmww4hk5waSTkjhDh 🎓 CS50x 2026 — Harvard University یک مسیر کاربردی و پروژه‌محور برای تقویت مهارت حل مسئله و برنامه‌نویسی. مباحث مرتبط: 🔹 Algorithms 🔹 Data Structures 🔹 Searching 🔹 Sorting 🔹 Memory 🔹 Problem Solving 🎥 YouTube Playlist: https://youtube.com/playlist?list=PLhQjrBD2T3839iqxqUdw7NWOCboh00vsV 🧭 مسیر پیشنهادی DE 📐 Linear Algebra ⬇️ 🎲 Probability ⬇️ ⚙️ Optimization ⬇️ 💻 Algorithms & Data Structures ⬇️ 🤖 AI / Data Systems 🚨 قبل از اینکه به ماشین یاد بدهیم، باید خودمان یاد بگیریم چطور مسئله حل کنیم. 🧠 الگوریتم‌ها فقط برای برنامه‌نویسی نیستند؛ آن‌ها پایه‌ی تفکر مهندسی، طراحی سیستم‌ها و ساخت فناوری‌های هوشمند هستند. 📚 یکشنبه‌های Data Elites؛ معرفی منابعی که واقعاً ارزش یادگیری دارند. 🚀 144·Aug 22 🚀 خبر ویژه برای علاقه‌مندان Data Science و AI 📢 DataCamp Free Access Week برگشته! از ۲۴ تا ۳۰ آگوست، دسترسی رایگان به بیش از ۷۰۰ دوره آموزشی، Career Track و Certification در DataCamp فعال می‌شود. 🎯 اگر دنبال تقویت مهارت‌های خودت در مسیر دیتا هستی، این فرصت می‌تواند زمان خوبی باشد برای شروع یا ادامه یادگیری در حوزه‌های: 🐍 Python 📊 R & Statistics 🗄 SQL 🤖 AI & Machine Learning ☁️ Cloud & Data Engineering 📈 Tableau و Visualization یکی از ویژگی‌های جذاب DataCamp این است که آموزش‌ها کاملاً Hands-on هستند؛ یعنی از همان ابتدا با تمرین و پروژه واقعی یاد می‌گیری، نه فقط تئوری. 💻 😎پیشنهاد DE: قبل از شروع هفته رایگان، مسیر یادگیری خودت را مشخص کن؛ چون بین صدها دوره، انتخاب درست مهم‌تر از تعداد دوره‌هایی است که می‌بینی🚀 DataCamp Link 524·Aug 22 📄 شنبه‌های Data Elites را با یک مقاله جذاب از دنیای LLMها شروع می‌کنیم! 🚨 آیا ChatGPT می‌داند چه زمانی اشتباه می‌کند؟ مدل‌های زبانی بزرگ مثل ChatGPT، Claude و Gemini امروز می‌توانند پاسخ‌هایی شگفت‌انگیز تولید کنند؛ اما یک سؤال مهم هنوز باقی مانده: چقدر می‌توان به پاسخ یک هوش مصنوعی اعتماد کرد؟ اینجاست که یک علم قدیمی اما حیاتی وارد میدان می‌شود: 📊 آمار و احتمال در مقاله جدید: 📄 The Origins of Stochasticity: Comprehensive Investigations on Uncertainty Quantification for Large Language Models پژوهشگران بررسی می‌کنند که چگونه می‌توان عدم‌قطعیت (Uncertainty) در LLMها را اندازه‌گیری کرد. زیرا یک مدل هوش مصنوعی فقط نباید پاسخ بدهد؛ باید بتواند بگوید: ✅ چقدر به این پاسخ اطمینان دارم؟ ⚠️ چه زمانی احتمال اشتباه من بالاست؟ برای رسیدن به این هدف، مفاهیمی مثل: 🎲 توزیع‌های احتمالی 📈 کالیبراسیون مدل‌ها (Model Calibration) 📊 اندازه‌گیری عدم‌قطعیت 🔬 تحلیل آماری رفتار مدل به قلب LLMها وارد می‌شوند. این مقاله نشان می‌دهد پشت بسیاری از پیشرفت‌های جدید هوش مصنوعی، هنوز همان مفاهیم بنیادی آمار و احتمال قرار دارند. شاید آینده AI فقط ساخت مدل‌های بزرگ‌تر نباشد؛ بلکه ساخت مدل‌هایی باشد که هم باهوش‌تر هستند و هم میزان ناآگاهی خودشان را می‌دانند. 🤖 📄 Paper of the Week 🔗 https://arxiv.org/abs/2606.22792 به‌نظر شما، آیا یک هوش مصنوعی قابل اعتماد باید فقط جواب بدهد یا باید میزان اطمینان خودش را هم اعلام کند؟ 194·Aug 21 🗞 جمعه‌های DE | این هفته در دنیای Data & AI چه گذشت؟ 🚀 یک هفته دیگر، چند اتفاق مهم در دنیای هوش مصنوعی، داده و یادگیری ماشین رقم خورد. اما بین صدها خبر، کدام‌ها واقعاً ارزش دنبال کردن داشتند؟ 👇 🚨 1) AI Agentها؛ قدرت بیشتر، مسئولیت بیشتر این هفته دوباره موضوع امنیت و کنترل Agentهای هوش مصنوعی به یکی از بحث‌های اصلی AI تبدیل شد. هرچه Agentها از یک chatbot ساده فاصله می‌گیرند و توانایی: 🔹 اجرای کد 🔹 استفاده از ابزارها 🔹 دسترسی به داده‌ها 🔹 تصمیم‌گیری چندمرحله‌ای را پیدا می‌کنند، یک سؤال مهم‌تر می‌شود: چطور می‌توانیم به سیستم‌هایی اعتماد کنیم که خودشان تصمیم می‌گیرند؟ آینده AI فقط ساخت مدل‌های قوی‌تر نیست؛ ساخت سیستم‌هایی است که بتوانیم رفتارشان را ارزیابی، کنترل و پایش کنیم. 🔗 Reference: https://www.axios.com/2026/08/19/openai-astra-safety-altman-anthropic 🧪 2) آیا AI می‌تواند یک پژوهشگر باشد؟ یکی از جذاب‌ترین پژوهش‌های اخیر: 📄 Training AI Scientists to Replicate Research این مقاله بررسی می‌کند که آیا Agentهای هوش مصنوعی می‌توانند چرخه‌ای از کارهای پژوهشی را انجام دهند: 📚 خواندن مقاله 💻 اجرای کد 📊 بازتولید نتایج 🧠 تحلیل خروجی‌ها این مسیر می‌تواند آینده همکاری انسان و AI در پژوهش را تغییر دهد. اما چالش اصلی همچنان باقی است: آیا AI فقط می‌تواند اجرا کند یا واقعاً می‌تواند «استدلال علمی» داشته باشد؟ 🔗 Paper: https://arxiv.org/abs/2608.13331 📄 3) مشکل جدید AI: چگونه پیشرفت را اندازه بگیریم؟ مدل‌های جدید هر روز بهتر می‌شوند، اما یک سؤال مهم‌تر مطرح شده: آیا Benchmarkهای فعلی واقعاً توانایی مدل‌ها را اندازه می‌گیرند؟ مقاله: Frontier AI Forecasting Has a Measurement Problem نشان می‌دهد ارزیابی مدل‌های مرزی به دلیل تغییر داده‌ها، معیارها و روش‌های تست، روزبه‌روز پیچیده‌تر می‌شود. یعنی در آینده فقط ساخت مدل مهم نیست؛ ✅ طراحی معیارهای ارزیابی درست هم یک مسئله تحقیقاتی بزرگ خواهد بود. 🔗 Paper: https://arxiv.org/abs/2608.14903 🛠 4) Tool Highlight | SmolDocling یکی از ابزارهای جذاب این هفته: 🤗 SmolDocling یک مدل کوچک Vision-Language برای درک اسناد پیچیده. کاربردها: 📄 PDFهای علمی 📊 استخراج جدول‌ها 🖼 تحلیل اسناد تصویری 📝 تبدیل Document به ساختار قابل استفاده چرا مهم است؟ چون بخش بزرگی از داده‌های واقعی هنوز داخل فایل‌ها و اسناد قرار دارد، نه دیتابیس‌های تمیز. 🔗 Model: https://huggingface.co/ibm-granite/granite-docling-258M ⭐️ 5) روند هفته | حرکت از مدل به سیستم یکی از واضح‌ترین روندهای این هفته: AI دیگر فقط یک مدل نیست. مسیر جدید: Model ⬇️ Agent ⬇️ Multi-Agent System ⬇️ Trusted AI Workflow و برای Data Scientistهای نسل جدید، ترکیب این مهارت‌ها مهم‌تر از همیشه است: 📊 Statistics 🤖 Machine Learning 💻 Engineering 🔍 Evaluation 🚀 جمع‌بندی هفته آینده AI فقط در ساخت مدل‌های بزرگ‌تر نیست؛ در ساخت سیستم‌هایی است که: ✔️ تصمیم می‌گیرند ✔️ ابزار استفاده می‌کنند ✔️ قابل ارزیابی هستند ✔️ قابل اعتماد باقی می‌مانند 🗞 جمعه‌های Data Elites مرور مهم‌ترین اتفاقات Data و AI در یک نگاه 331·Aug 20

An open web layer over public Telegram — search, stats and channel reading right in your browser, no account, no install.

Not affiliated with Telegram FZ-LLC; all data comes from public sources.

Catalog

Top channels Categories Countries Search

Content

Stickers Emoji Gifts Themes Wallpapers

Help

Tools Wiki Glossary Blockchain Safety Premium Advertisers Advertising

© 2026 TG.ME · G.Media network· Updated 08/23/2026 · v0.2.0 · ba12f6a

Privacy Terms DMCA & complaints Report a violation

Similar channels

آمارکده | علم داده | هوش مصنوعی| پژوهش15.3K subscribers

ابزارها و کاربردهای هوش مصنوعی4.5K subscribers

مدرسه دقیقه4.5K subscribers

Data world with Mina4.1K subscribers

مهندسی داده و اِم‌اِل(سِک)‌آپس 🚀3.2K subscribers

رویدادهای هوش مصنوعی10.5K subscribers

RecommenderSystems1.5K subscribers

Data Science | علم داده49.6K subscribers