انجمن علمی هوش مصنوعی و رباتیک

🔴 با توجه به افزایش پیام‌ها و لینک‌های ناشناس در فضای مجازی، خواهشمند است نسبت به لینک‌هایی که از طریق گروه‌ها، کانال‌ها، دانشجویان یا افراد مختلف برای شما ارسال می‌شود، دقت و حساسیت لازم را داشته باشید. 🔺لطفاً به هیچ عنوان وارد لینک‌های ناشناس یا مشکوک نشوید و پیش از باز کردن هرگونه لینک، از معتبر بودن منبع آن اطمینان حاصل کنید. 🔺همچنین توصیه می‌شود تأیید دومرحله‌ای (Two-Step Verification) حساب کاربری تلگرام خود را حتماً فعال کنید تا امنیت حساب شما در برابر دسترسی‌های غیرمجاز افزایش یابد. 🔰 شورای صنفی دانشگاه فناوری‌های نوین آمل

🟢 گیمر هوشمند و یادگیرنده: DQN تصور کنید یک ربات را بدون هیچ نقشه، راهنما یا برنامه‌نویسی قبلی درون یک بازی ویدیویی یا یک هزارتو رها می‌کنید. ربات در ابتدا کاملاً سردرگم است و بارها شکست می‌خورد، اما با هر شکست درس می‌گیرد و آن‌قدر تمرین می‌کند تا در نهایت مانند یک گیمر حرفه‌ای تمام مراحل را بدون نقص پشت سر بگذارد. الگوریتم DQN در دنیای یادگیری ماشین دقیقاً نقش همین گیمر بااراده و هوشمند را ایفا می‌کند. 📌 DQN چیست؟ DQN مخفف عبارت Deep Q-Networks به معنای «شبکه‌های عمیق کیو» است که نخستین بار توسط شرکت DeepMind با آموزش روی بازی‌های کلاسیک آتاری به جهان معرفی شد. این الگوریتم ترکیبی قدرتمند از دو حوزه است: یادگیری تقویتی (که بر اساس پاداش و تنبیه عمل می‌کند) و شبکه‌های عصبی عمیق (که توان تحلیل تصاویر را به ماشین می‌دهد). نتیجه این ترکیب، توانایی یادگیری انتخاب حرکتی است که در هر لحظه بیشترین پاداش را به همراه دارد 💠 مراحل عملکرد الگوریتم ۱. مشاهده محیط (State): مدل در هر لحظه تصویری از وضعیت فعلی (صفحه بازی یا داده‌های حسگرهای ربات) را دریافت می‌کند. ۲. تخمین ارزش حرکات (Q-Value): شبکه عصبی ارزش هر حرکت ممکن (مانند حرکت به چپ، راست یا پرش) را از نظر احتمال موفقیت محاسبه می‌کند. ۳. انجام حرکت و دریافت پاداش (Action & Reward): مدل بهترین حرکت را انتخاب می‌کند. حرکت صحیح پاداش مثبت و حرکت نادرست تنبیه (امتیاز منفی) به همراه دارد و مدل بر اساس آن خود را اصلاح می‌نماید. 💠 ویژگی‌های کلیدی DQN • حافظه بازپخش تجربیات (Experience Replay): الگوریتم دارای بانکی از تجربیات گذشته است که تمام موفقیت‌ها و اشتباهات را ذخیره کرده و در زمان‌های مناسب مجدداً مرور می‌کند تا از تکرار خطاها جلوگیری شود. • عدم نیاز به مدل ریاضی محیط: مدل نیازی به دانستن قوانین پیچیده فیزیک یا قواعد بازی ندارد و تنها از طریق تکرار، آزمایش و خطا، قوانین محیط را کشف می‌کند. 💠 کاربردهای اصلی • رباتیک و مسیریابی: آموزش ربات‌های خانگی یا صنعتی برای حرکت در محیط بدون برخورد با موانع • هوش مصنوعی بازی‌ها: ساخت بازیکنان کامپیوتری قدرتمند که قادر به شکست دادن قهرمانان انسانی هستند • مدیریت مصرف انرژی: بهینه‌سازی هوشمند سیستم‌های سرمایشی و گرمایشی در مراکز داده بزرگ 💠 جمع‌بندی الگوریتم DQN ترکیبی هوشمندانه از یادگیری مبتنی بر پاداش و شبکه‌های عصبی عمیق است. این روش به ماشین امکان می‌دهد با اشتباه کردن و درس گرفتن از تجربیات گذشته، مهارت‌های پیچیده حرکتی و تصمیم‌گیری را از صفر بیاموزد و به عاملی توانمند تبدیل شود. 🤖 Ai Association of Ausmt

🟢 دوربین جادویی سه‌بعدی: 3D Gaussian Splatting تصور کنید با گوشی موبایل خود تنها چند عکس معمولی از یک اتاق یا یک مجسمه می‌گیرید و سپس یک نرم‌افزار هوشمند این تصاویر را ترکیب کرده و یک مدل سه‌بعدی فوق‌العاده باکیفیت و واقع‌گرایانه در اختیار شما قرار می‌دهد که امکان حرکت درون آن وجود دارد. تکنیک نوین 3D Gaussian Splatting دقیقاً همین قابلیت را با سرعتی چشمگیر فراهم می‌کند. 📌 3D Gaussian Splatting چیست؟ پیش از ظهور این تکنیک، ساخت فضاهای سه‌بعدی از روی تصاویر یا نیازمند محاسبات سنگین ریاضی مانند NeRF بود یا منجر به تولید مدل‌های مش‌بندی سخت می‌شد که رندر آن‌ها ساعات زیادی به طول می‌انجامید. اما روش جدید به جای ساخت خطوط پیچیده، فضا را با میلیون‌ها نقطه یا حباب رنگی بیضی‌شکل به نام گاوسی یا Gaussian پر می‌کند. ترکیب این حباب‌های ریز در کنار یکدیگر، تصویری سه‌بعدی روان و بی‌نقص ایجاد می‌نماید. 💠 مراحل عملکرد تکنیک ۱. دریافت تصاویر: چند عکس از زوایای مختلف یک محیط یا شیء به مدل ارائه می‌شود. ۲. تولید ابر نقاط: مدل موقعیت تقریبی نقاط را در فضا مشخص می‌کند. ۳. پاشش حباب‌های رنگی (Splatting): میلیاردها حباب رنگی شفاف روی این نقاط قرار گرفته و اندازه و زاویه آن‌ها به‌گونه‌ای تنظیم می‌شود که دقیقاً مشابه تصاویر واقعی به نظر برسند. 💠 ویژگی‌های کلیدی این تکنیک • سرعت رندر آنی (Real-Time): مهم‌ترین مزیت این روش، سرعت بالای آن است. امکان چرخش روان با نرخ ۶۰ فریم بر ثانیه در فضای سه‌بعدی بدون افت عملکرد سیستم فراهم شده است. • کیفیت و جزئیات بالا: جزئیاتی همچون انعکاس نور روی سطوح شیشه‌ای، سایه‌ها و بافت‌های ظریف که در مدل‌های سه‌بعدی سنتی با ضعف همراه بود، در این روش با دقت قابل توجهی بازسازی می‌شوند. 💠 کاربردهای اصلی • واقعیت مجازی و بازی‌سازی: ساخت سریع محیط‌های واقعی بازی از مکان‌های فیزیکی در مدت‌زمان کوتاه • نقشه‌برداری و رباتیک: کمک به ربات‌ها برای ایجاد نقشه سه‌بعدی باکیفیت از محیط اطراف و ناوبری دقیق در آن • متاورس و تورهای مجازی: تولید تورهای مجازی با کیفیت سینمایی از موزه‌ها یا املاک 💠 جمع‌بندی تکنیک 3D Gaussian Splatting مانند پاشیدن میلیون‌ها رنگ‌پاش هوشمند در فضاست. این روش تصاویر دوبعدی را دریافت کرده و در مدت‌زمان کوتاه به دنیایی سه‌بعدی روان و واقع‌گرایانه تبدیل می‌کند و تحولی مهم در حوزه‌های بازی‌سازی و رباتیک رقم زده است. 🤖 Ai Association of Ausmt

🤖 سایت Arena.ai؛ جایی که مدل‌های هوش مصنوعی به مصاف هم می‌روند! تا حالا شده وسط این‌همه مدل هوش مصنوعی (GPT، Gemini، Claude، Grok و...) گیج بشید که واقعاً کدومشون بهتره؟ 🤔 یک پلتفرم هست که دقیقاً برای همین سؤال ساخته شده: Arena.ai 🥊 ماجرا از چه قراره؟ پلتفرم Arena یک پلتفرم عمومی و وب‌محور است که مدل‌های زبانی بزرگ (LLM) را ارزیابی می‌کند. کاربران پرامپت خود را وارد می‌کنند تا دو مدل ناشناس به آن پاسخ دهند و سپس رأی می‌دهند کدام پاسخ بهتر بوده، بعد از آن هویت مدل‌ها فاش می‌شود. یعنی شما نمی‌دونید دارید با چه مدلی چت می‌کنید تا نظرتون کاملاً بی‌طرفانه باشه! این رأی‌ها کنار هم جمع میشن و یک لیدربورد (جدول رتبه‌بندی) واقعی و بدون سانسور از بهترین مدل‌های دنیا می‌سازن. 📖 یک کم پیشینه این پروژه در سال ۲۰۲۳ با نام Chatbot Arena توسط پژوهشگرانی از دانشگاه برکلی راه‌اندازی شد. پلتفرم Arena یک پلتفرم مبتنی بر مشارکت جامعه است که به‌منظور درک عملکرد واقعی هوش مصنوعی ساخته شده و ده‌ها میلیون سازنده، پژوهشگر و متخصص از آن برای استفاده از مدل‌های پیشرفته و ارائه بازخورد استفاده می‌کنند. در ژانویه ۲۰۲۶ هم این پلتفرم رسماً از نام LMArena به Arena تغییر نام داد. 💰 چرا جدی گرفته میشه؟ این پلتفرم در سپتامبر ۲۰۲۴ به دامنه اختصاصی خودش منتقل شد، در آوریل ۲۰۲۵ به‌عنوان یک شرکت مستقل ثبت شد و در ژانویه ۲۰۲۶ یک دور تأمین مالی سری A به ارزش ۱۵۰ میلیون دلار و ارزش‌گذاری ۱.۷ میلیارد دلاری را تکمیل کرد. حتی شرکت‌های بزرگی مثل OpenAI و Google DeepMind هم مدل‌های خودشون رو برای پیش‌نمایش و آزمایش وارد این پلتفرم می‌کنن؛ این وب‌سایت برای انتشار پیش‌نمایش مدل‌های آینده استفاده شده و شرکت چینی DeepSeek ماه‌ها قبل از جلب توجه رسانه‌های غربی، مدل‌های اولیه‌اش را در Arena آزمایش کرد. ✅ چرا به کارتون میاد؟ این پلتفرم برای توسعه‌دهنده‌هایی که می‌خوان بهترین مدل رو برای پروژه‌شون انتخاب کنن، پژوهشگرانی که وضعیت روز دنیای مدل‌های زبانی رو دنبال می‌کنن، و هر کسی که می‌خواد بدون تست تک‌تک مدل‌های جدید، از فضای هوش مصنوعی به‌روز بمونه، مفید است. 🎯 جمع‌بندی: اگه می‌خواید بدونید کدوم مدل هوش مصنوعی الان واقعاً بهترینه (نه بر اساس تبلیغات شرکت‌ها، بلکه بر اساس رأی هزاران کاربر واقعی)، سری به arena.ai بزنید و خودتون هم وارد میدون بشید! 🚀 🤖 Ai Association of Ausmt

🟢 نقاش دیجیتال محیط‌های سه‌بعدی: NeRF تصور کنید از زوایای مختلف یک اتاق یا یک مجسمه چند عکس معمولی می‌گیرید و سپس یک هوش مصنوعی، مانند یک نقاش حرفه‌ای، فضاهای خالی میان عکس‌ها را با محاسبات ریاضی بازسازی کرده و یک ماکت سه‌بعدی دیجیتال و کامل در اختیار شما قرار می‌دهد. مدل NeRF در دنیای یادگیری ماشین دقیقاً نقش همین نقاش دیجیتال را ایفا می‌کند. 📌 NeRF چیست؟ NeRF مخفف عبارت Neural Radiance Fields به معنای «میدان‌های تابش عصبی» است برخلاف روش‌های سنتی گرافیک کامپیوتری که فضا را با خطوط و مکعب‌های سخت مدل‌سازی می‌کنند، NeRF کل یک محیط سه‌بعدی را درون لایه‌های یک شبکه عصبی فشرده ذخیره می‌نماید. این مدل می‌آموزد که نور در هر نقطه از فضا چه رنگی دارد و از چه زاویه‌ای می‌تابد؛ به همین دلیل به آن «میدان تابش» گفته می‌شود 💠 مراحل عملکرد مدل ۱. دریافت تصاویر دوبعدی: تعدادی عکس معمولی از زوایای مختلف یک شیء یا محیط به مدل ارائه می‌شود. ۲. تابش پرتوهای فرضی: مدل از موقعیت دوربین فرضی خود پرتوهای نور را به درون فضا ارسال می‌کند. ۳. تخمین رنگ و چگالی: شبکه عصبی برای هر نقطه در فضا، رنگ و میزان شفافیت (چگالی) را محاسبه کرده و تصویر سه‌بعدی نهایی را به‌تدریج شکل می‌دهد. 💠 ویژگی‌های کلیدی NeRF • درک دقیق نور و سایه: مهم‌ترین توانمندی این مدل، بازسازی جزئیاتی مانند انعکاس نور روی سطوح فلزی، شفافیت شیشه و سایه‌های نرم است که در روش‌های سنتی به‌سختی قابل دستیابی بود. • حجم بسیار کم داده خروجی: از آنجا که کل فضا به‌صورت فرمول‌های ریاضی درون شبکه عصبی ذخیره می‌شود، فایل نهایی حجم بسیار پایینی دارد. 💠 کاربردهای اصلی • رباتیک و نقشه‌برداری: کمک به ربات‌ها و پهپادها برای درک عمیق فضاهای ناشناخته و ساخت ماکت سه‌بعدی از محیط حرکت • صنعت سینما و جلوه‌های ویژه: ایجاد محیط‌های مجازی واقع‌گرایانه برای فیلم‌ها تنها با استفاده از چند عکس از لوکیشن واقعی • باستان‌شناسی و حفظ آثار تاریخی: ثبت و بازسازی سه‌بعدی دقیق آثار باستانی در حال تخریب با کیفیت بالا 💠 جمع‌بندی تکنیک NeRF یک شبکه عصبی هوشمند است که با دریافت چند عکس معمولی، رفتار نور در فضا را به‌صورت ریاضی فرامی‌گیرد و دنیایی سه‌بعدی پیوسته و واقع‌گرایانه خلق می‌کند. این روش ابزاری حیاتی برای ناوبری ربات‌ها و تولید جلوه‌های ویژه در سینمای مدرن به‌شمار می‌رود. 🤖 Ai Association of Ausmt

🟢 قیچی هوشمند بینایی ماشین: SAM 2 تصور کنید قیچی جادویی در اختیار دارید که با حرکت دادن آن روی یک تصویر یا ویدیو، بدون نیاز به برش دقیق اطراف شیء، تنها با یک کلیک آن را کاملاً از پس‌زمینه جدا می‌کند. مدل مدرن SAM 2 در حوزه هوش مصنوعی دقیقاً همین قابلیت را ارائه می‌دهد. 📌 SAM 2 چیست؟ SAM 2 مخفف عبارت Segment Anything Model 2 به معنای «مدل بخش‌بندی هر چیزی – نسخه ۲» است که توسط شرکت Meta معرفی شده است. برخلاف مدل‌های قدیمی که تنها اشیاء خاصی (مانند انسان یا خودرو) را شناسایی می‌کردند، SAM 2 مفهوم کلی «شیء» را درک می‌کند. فرقی نمی‌کند تصویر یک سلول آزمایشگاهی باشد یا یک قطعه مکانیکی پیچیده؛ با یک اشاره ساده قادر به بخش‌بندی دقیق آن است 💠 مراحل عملکرد مدل ۱. دریافت اشاره (Prompt): با یک کلیک، رسم یک باکس یا حتی وارد کردن متن، شیء مورد نظر مشخص می‌شود. ۲. تشخیص مرزها: مدل در کسری از ثانیه لبه‌ها و مرزهای دقیق شیء را شناسایی می‌کند. ۳. ردیابی در زمان: در صورتی که شیء در ویدیو حرکت کند یا شکل آن تغییر یابد، مدل آن را در تمام فریم‌های بعدی نیز ردیابی و تفکیک می‌نماید. 💠 ویژگی‌های کلیدی SAM 2 • عملکرد آنی روی ویدیو: مهم‌ترین تفاوت نسخه جدید با نسخه قبلی، توانایی کار با سرعت بالا روی ویدیو است. حتی اگر شیء موقتاً پشت مانعی پنهان شود و دوباره ظاهر گردد، ردیابی آن قطع نمی‌شود. • بدون نیاز به آموزش مجدد (Zero-Shot): ساختار قدرتمند مدل باعث می‌شود اشیاء کاملاً جدید و ناشناخته را نیز بدون نیاز به آموزش مجدد به‌خوبی تشخیص دهد. 💠 کاربردهای اصلی • جراحی و پزشکی: تفکیک دقیق بافت‌های سالم از تومورها در تصاویر پزشکی و اسکن‌ها • ویرایش ویدیو و جلوه‌های ویژه: حذف یا تغییر پس‌زمینه با چند کلیک ساده • رباتیک و بازوهای صنعتی: کمک به ربات‌ها برای تشخیص دقیق مرز اشیاء جهت برداشتن و جابه‌جایی آن‌ها 💠 جمع‌بندی مدل SAM 2 مانند یک متخصص برش تصویر و ویدیو عمل می‌کند. صرف‌نظر از پیچیدگی صحنه، با یک اشاره ساده مرزهای شیء را درک کرده و آن را جدا می‌سازد. این قابلیت، تحولی مهم در حوزه‌های رباتیک و ویرایش ویدیو ایجاد کرده است. 🤖 Ai Association of Ausmt

🟢 ردیاب فوق‌سریع اشیاء: YOLOv10 و YOLO11 تصور کنید در خیابانی شلوغ ایستاده‌اید و در کسری از ثانیه قادر به شناسایی تمام خودروها، عابران پیاده، چراغ‌های راهنمایی و سایر اشیاء موجود در صحنه هستید. الگوریتم‌های خانواده YOLO در حوزه بینایی ماشین، دقیقاً همین قابلیت را برای سیستم‌های کامپیوتری فراهم می‌کنند. 📌 YOLO چیست؟ YOLO مخفف عبارت You Only Look Once به معنای «تنها یک‌بار نگاه کردن» است. برخلاف روش‌های سنتی تشخیص اشیاء که تصویر را به‌صورت مکرر و تکه‌تکه پردازش می‌کردند، مدل YOLO کل تصویر را تنها یک‌بار از شبکه عصبی عبور می‌دهد و به‌طور هم‌زمان تمام اشیاء را شناسایی و مکان‌یابی می‌نماید نسخه‌های YOLOv10 و YOLO11 آخرین و پیشرفته‌ترین نسل این الگوریتم محسوب می‌شوند. 💠 مراحل عملکرد مدل ۱. دریافت تصویر یا فریم ویدیو ۲. تقسیم تصویر به شبکه‌ای از سلول‌ها (Grid) ۳. پیش‌بینی هم‌زمان نوع شیء و رسم جعبه محدودکننده (Bounding Box) برای هر بخش 💠 ویژگی‌های برجسته نسخه‌های مدرن (v10 و v11) • حذف مرحله NMS: در نسخه‌های پیشین، مدل چندین جعبه پیشنهادی تولید می‌کرد و سپس با الگوریتم NMS یکی را انتخاب می‌نمود. نسخه‌های جدید به‌صورت مستقیم یک جعبه دقیق ارائه می‌دهند که منجر به افزایش چشمگیر سرعت شده است. • بهینه‌سازی برای سخت‌افزارهای محدود: این مدل‌ها به‌گونه‌ای طراحی شده‌اند که امکان اجرای آن‌ها بر روی پردازنده‌های ضعیف و دستگاه‌های لبه (Edge Devices) بدون نیاز به کارت گرافیک قدرتمند فراهم باشد. 💠 کاربردهای اصلی • رباتیک و خودروهای خودران: شناسایی موانع، خطوط جاده و عابران پیاده در زمان واقعی • سامانه‌های نظارتی و امنیتی: ردیابی پلاک خودروها و تشخیص ورود افراد غیرمجاز • تحلیل ویدیوهای ورزشی: ردیابی توپ و حرکات بازیکنان به‌صورت آنی 💠 جمع‌بندی الگوریتم YOLO به‌عنوان یکی از کارآمدترین روش‌های تشخیص اشیاء در زمان واقعی شناخته می‌شود و گزینه‌ای ایده‌آل برای کاربردهای رباتیک و سیستم‌های آنی به شمار می‌رود. 🤖 Ai Association of Ausmt

🟢 برای اینکه راحت‌تر به مطالب و الگوریتم‌های هوش مصنوعی و رباتیک دسترسی داشته باشید، اینجا یه لیست مرتب براتون آماده کردم: هوش مصنوعی / Machine Learning: • Regression • KMeans • Decision Tree • Random Forest • Gradient Boosting • SVM • KNN • Naive…

#خبر 🟢 درخشش تیم های رباتیک دانشگاه تخصصی فناوری های نوین آمل در سیزدهمین دوره مسابقات بین‌المللی هوش مصنوعی و رباتیک فیراکاپ (Fira 2026) با افتخار موفقیت تیم های رباتیک دانشگاه تخصصی فناوری‌های نوین آمل را در لیگ خودروهای خودران سیزدهمین دوره مسابقات بین‌المللی هوش مصنوعی و رباتیک فیراکاپ و کسب مقام های اول و سوم در بین دانشگاه های شرکت کننده و مقام چهارم و نهم در رتبه‌بندی این لیگ را تبریک می‌گوییم. این موفقیت گواهی بر این حقیقت است که با دانش، تلاش، همدلی و حمایت از دانشجویان می‌توان رویاها را به واقعیت تبدیل کرد. به امید موفقیت‌های بزرگ‌تر و درخشش هرچه بیشتر دانشجویان دانشگاه در عرصه‌های علمی و فناوری. 🤖 Ai Association of Ausmt

از تلاش‌ها و زحمات دوست خوبم، جناب آقای سینا صاحبدادی، صمیمانه تشکر و قدردانی می‌کنیم و برای ایشان سلامتی و موفقیت‌های روزافزون آرزومندیم ❤️

پس از گذراندن روزها و ماه‌هایی سراسر اندوه و سوگ در فقدان عزیزانمان، و در حالی که تنمان با زخم و غبار جنگ پوشیده شده است، با کسب اجازه از شما نخبگان و دانشجویان عزیز، فعالیت انجمن هوش مصنوعی و رباتیک را از سر می‌گیریم.

روز مهندس را درحالی گرامی می‌داریم که دل‌هایمان از اندوه این سرزمین سنگین است. امروز، بیش از هر زمان دیگری، یاد و خاطره مهندسینی را پاس می‌داریم که با دانش، تعهد و عشق به این سرزمین زیستند و اکنون دیگر بین ما نیستند. باشد که یاد عزیزان از دست‌رفته، چراغ راه آینده‌سازان ایران باشد و اراده مهندسان این سرزمین، استوارتر از همیشه در مسیر آبادانی و سربلندی ایران گام بردارد.🖤 پنجم اسفندماه، روز بزرگداشت خواجه نصیرالدین طوسی و روز مهندس را به تمام مهندسین این بوم و بر تبریک عرض می‌کنیم. 🤖 Ai Robotic Ausmt

درد مشترک ما، با همکاری تمام نشریاتی که نامشان خواهد آمد، به‌عنوان بخشی از جامعهٔ دانشگاهی، مسئولیت اجتماعی خود می‌دانیم در برابر حجم خشونت و کشتار عامدانهٔ مردم سکوت نکنیم. نشریات همکار (بر حسب حروف الفبا) ▪️نشریهٔ آرمان‌شهر (انجمن اسلامی آرمان دانشجویان دانشگاه علم‌وصنعت) ▪️نشریهٔ افق (انجمن علمی هوافضا شهیدبهشتی) ▪️نشریهٔ اکسیر (دانشکدهٔ شیمی، دانشگاه صنعتی شریف) ▪️نشریهٔ بارقه (دانشکدهٔ برق، دانشگاه صنعتی شریف) ▪️نشریهٔ بامداد (کانون شعر و ادب شریف) ▪️نشریهٔ پردازه (دانشگاه صنعتی شاهرود) ▪️نشریهٔ پرواز اندیشه (تشکل آزاداندیش علوم پزشکی همدان) ▪️نشریهٔ جوانهٔ امید (دانشکدهٔ جغرافیای دانشگاه تهران) ▪️نشریهٔ چکاد (انجمن اسلامی دانشجویان دانشگاه علوم پزشکی گیلان) ▪️نشریهٔ حیات نو (انجمن اسلامی علوم پزشکی دانشگاه اصفهان) ▪️نشریهٔ خبرنامه (انجمن اسلامی دانشگاه صنعتی شریف) ▪️نشریهٔ دردانشکده (دانشکدهٔ مهندسی شیمی و نفت، دانشگاه صنعتی شریف) ▪️نشریهٔ درنگ (انجمن فلسفه دانشگاه خوارزمی) ▪️نشریهٔ دیالکتیک (انجمن علمی جامعه‌شناسی دانشگاه خوارزمی) ▪️نشریهٔ رسته (نشریۀ مستقل دانشگاه خوارزمی) ▪️نشریهٔ سحر (انجمن اسلامی دانشگاه تهران و علوم پزشکی) ▪️نشریهٔ شورا (شورای صنفی دانشجویان دانشگاه صنعتی شریف) ▪️نشریهٔ عقل نهفته (دانشکدهٔ دندان‌پزشکی، دانشگاه علوم پزشکی تهران) ▪️نشریهٔ فردا (خیریهٔ فردای سبز دانشگاه صنعتی شریف) ▪️نشریهٔ قلم (انجمن اسلامی رویش دانشجویان دانشگاه علم‌وصنعت) ▪️نشریهٔ لا اسپانیولیداد (انجمن علمی زبان اسپانیایی دانشگاه تهران) ▪️نشریهٔ نفوذ (دانشکدهٔ مهندسی و علم مواد، دانشگاه صنعتی شریف) ▪️نشریهٔ نورولوگ (انجمن علمی مغز و شناخت دانشگاه خوارزمی) ▪️نشریهٔ وریتالیا (انجمن علمی زبان و ادبیات ایتالیایی دانشگاه تهران) ▪️نشریهٔ ویرا (انجمن علمی زبان و ادبیات فارسی دانشگاه تهران) سایر نشریات درصورت تمایل می‌توانند با فورواردکردن این فایل و پیام‌دادن به اکانت زیر، به لیست اضافه شوند. 🆔 @Moshtarak_admin

خبر ناگوار و دردناکِ فقدان جمعی از عزیزانمان، اندوهی عمیق و سنگین بر فضای جامعه‌ی دانشگاهی سایه افکند؛ اندوهی که گستره و عمق آن، فراتر از توان واژه‌ها برای توصیف است. این رخداد تلخ، ضایعه‌ای جبران‌ناپذیر و زخمی ماندگار بر پیکره‌ی دانشگاه بر جای گذاشت.💔 انجمن علمی رباتیک و هوش مصنوعی دانشگاه فناوری های نوین آمل، با نهایت تأسف و تأثر، این مصیبت جان‌سوز را به خانواده‌های داغدار، دانشجویان گرامی و تمامی بازماندگان و سوگواران تسلیت عرض می‌نماید و خود را در این اندوه سنگین، همدل و همراه آنان می‌داند.🖤🥀 یاد و خاطره‌ی این عزیزان از دست‌رفته، همواره در ذهن و حافظه‌ی جمعی جامعه‌ی دانشگاهی باقی خواهد ماند و فقدانشان، سکوتی تلخ و اندوهی پایدار را به همراه خواهد داشت🖤

Channel photo updated

🔥 استنفورد یک مدرک ۲۰۰ هزار دلاری هوش مصنوعی را رایگان کرد! ❌ بدون اپلای ❌ بدون شهریه ❌ بدون دسترسی ویژه یا انحصاری دانشگاه Stanford برنامه‌ی واقعی و رسمی AI / Machine Learning خودش را کامل روی YouTube منتشر کرده. نه یک دوره‌ی تبلیغاتی. نه «هوش مصنوعی برای عموم». 📌 این همان محتوایی است که افرادی را تربیت می‌کند که امروز روی مدل‌های مرزی (Frontier Models) کار می‌کنند. 📚 چه چیزهایی عمومی شده؟ Deep Learning (CS230) Transformers & LLMs (CME295) Language Models from Scratch (CS336) ML from Human Feedback (CS329H) Computer Vision (CS231N) LLM Evaluation & Scaling ⚠️ مدرک دانشگاهی دیگر دارایی کمیاب نیست. 🚀 سرعت اجرا و توان عملی‌سازی مهم‌ترین مزیت رقابتی است. دانشگاه‌های برتر این را فهمیده‌اند؛ برای همین نقشه‌ی بازی (Playbook) را عمومی کرده‌اند. 📌 حالا برتری با کسی است که: یاد می‌گیرد⬅️ تمرین می‌کند⬅️اجرا می‌کند. 🤖 Ai Association of Ausmt

ترم‌هات بدون مشروطی، کد‌هات بدون ارور، دیباگ‌هات سریع، ماگ قهوه‌ات همیشه پر، معدل زندگیت همیشه ۲۰، سایه‌ی حذف واحد و ریجکت پروژه از زندگیت دور، و مسیرت پر از موفقیت، الگوریتم‌های بی‌نقص و آینده‌ای شگفت‌انگیز :)) و البته امیدواریم همیشه اون لحظه‌ی طلایی که کد موفقیت ها بالاخره ران میشه رو با لبخندِ از تهِ دل جشن بگیری!🙂‍↕️ ددلاین‌ها مهربون باشن و لاگ‌هات بهت دروغ نگن روز دانشجو مبارک! 🤖 Ai Association of Ausmt