بهتازگی OpenAI آکادمی خود را با مجموعهای از دورههای جدید بهروزرسانی کرده است.حالا میتوانید یاد بگیرید چطور از chatgpt در محیط کار استفاده کنید از سلامت و تولید محتوا گرفته تا تحلیل داده و دهها حوزه دیگر
https://openai.com/academy/chatgpt-for-work/
مرکز هوش مصنوعی | پیوند علم، داده و هوش مصنوعی.
مرکزهوش مصنوعی دانشگاه صنعتی اصفهان
ble.ir/AIC_IUT ai.iut.ac.ir
فراخوان جذب کارآموزمرکز هوش مصنوعی دانشگاه صنعتی اصفهان در راستای توسعه فعالیتهای پژوهشی و اجرایی خود، از دانشجویان مستعد برای همکاری بهصورت کارآموز دعوت به عمل میآورد.رشتههای مورد نیاز مهندسی کامپیوتر (۲ نفر) مهندسی صنایع (۲ نفر)شرایط همکاریهمکاری بهصورت نیمهحضوریعلاقهمند به یادگیری و فعالیت در حوزه هوش مصنوعیمسئولیتپذیر و دارای روحیه کار تیمینحوه ارسال درخواستخواهشمند است رزومه خود را با عنوان «درخواست کارآموزی - نام و نام خانوادگی» به آدرس ایمیل زیر ارسال نمایید:aic@iut.ac.irیاجهت کسب اطلاعات بیشتر شنبه تا چهارشنبه ساعت 8 تا 13 با کارشناس مرکز تماس حاصل فرمایید: 09961347596 ble.ir/AIC_IUT ai.iut.ac.ir یه ترفند عالی برای استفاده بهتر از هوش مصنوعی با فایلهااگر فایلهای PDF، Word یا Excel را مستقیماً برای هوش مصنوعی ارسال میکنید، احتمالاً بهترین نتیجه را نمیگیرید.
دلیلش این است که این فایلها فقط متن نیستند؛ اطلاعاتی مثل فونت، استایل، فاصلهها، جدولها و سایر قالببندیها هم همراهشان است. در نتیجه بخشی از توان مدل صرف پردازش ساختار فایل میشود، نه محتوای آن.
یک راهکار ساده این است که قبل از ارسال، فایل را به Markdown (.md) تبدیل کنید. این فرمت، متن را به شکلی ساده و ساختاریافته در اختیار مدل قرار میدهد و معمولاً باعث میشود:
پاسخها دقیقتر باشند تحلیل فایلهای طولانی بهتر انجام شود مصرف توکن کاهش پیدا کند پردازش سریعتر انجام شود ابزارهای رایگان برای تبدیل فایلهاMarkItDown.online ابزار آنلاین برای تبدیل فایل به Markdown
Markitdow ------ linkابزار متنباز برای تبدیل فایلها به فرمت Markdown
مرکز هوش مصنوعی | پیوند علم، داده و هوش مصنوعی.
مرکزهوش مصنوعی دانشگاه صنعتی اصفهان
ble.ir/AIC_IUT ai.iut.ac.ir
دست بیونیک جدید BrainCo تقریباً شبیه دست واقعی است! 🦾شرکت BrainCo در نمایشگاه WAIC 2026 از جدیدترین دست بیونیک خود رونمایی کرد.
این دست با استفاده از سیگنالهای عضلانی (Myoelectric Control) کنترل میشود و حتی زمانی که از بازو جدا باشد نیز عملکرد خود را حفظ میکند؛ قابلیتی که البته پیش از این هم وجود داشت.
اما چیزی که این مدل را متمایز کرده، پوشش نرم و شبیه پوست انسان است که ظاهر آن را بسیار واقعیتر از نسلهای قبل نشان میدهد.
Kimi K3 معرفی شد؛ بزرگترین هوش مصنوعی چین با ۳ تریلیون پارامتر!استارتاپ چینی Moonshot AI از جدیدترین مدل هوش مصنوعی خود با نام Kimi K3 رونمایی کرد؛ مدلی که گفته میشود با حداکثر ۳ تریلیون پارامتر، یکی از بزرگترین مدلهای زبانی توسعهیافته در چین است.
از مهمترین قابلیتهای Kimi K3 میتوان به موارد زیر اشاره کرد:
پشتیبانی از پنجره متنی ۱ تا ۲ میلیون توکن برای تحلیل همزمان حجم بالایی از اسناد، کتابها و پروژههای نرمافزاری. بهرهمندی از قابلیت Agent Swarm؛ امکانی که چندین عامل هوشمند را بهصورت همزمان برای حل مسائل پیچیده یا توسعه نرمافزار به کار میگیرد. توانایی تولید بازیهای سهبعدی، طراحی ارائههای حرفهای و انجام وظایف پیچیده با کمک عاملهای هوشمند.همزمان با افزایش هزینه استفاده از مدلهای آمریکایی، شرکتهای چینی مانند Moonshot و DeepSeek با ارائه مدلهای قدرتمند و مقرونبهصرفه، رقابت در بازار هوش مصنوعی را وارد مرحله جدیدی کردهاند.
اگر عملکرد Kimi K3 مطابق انتظار باشد، میتواند به یکی از جدیترین رقبای مدلهای پیشرفته آمریکایی در نسل جدید هوش مصنوعی تبدیل شود. مرکز هوش مصنوعی | پیوند علم، داده و هوش مصنوعی.
مرکزهوش مصنوعی دانشگاه صنعتی اصفهان
ble.ir/AIC_IUT ai.iut.ac.ir
رویداد رقابتی هوش مصنوعی در حوزه پردازش زبان فارسیاگر در حوزه پردازش زبان فارسی و فناوریهای تبدیل گفتار به متن (STT)، متن به گفتار (TTS) یا نویسهخوان نوری (OCR) محصول اولیه یا نیمهآماده دارید، این فرصت میتواند مسیر شما را به سمت ارزیابی تخصصی، جذب، عقد قرارداد، سرمایه بذری و استقرار در مرکز رشد هموار کند.
ارزیابی فنی و تجاری اجرای الگوریتمها روی دیتاستهای مرجع انتخاب تیمهای برتر و حمایت از توسعه محصول اگر تیمی در این حوزه میشناسید، این فراخوان را با آنها به اشتراک بگذارید. جزئیات کامل فراخوان و نحوه ثبتنام:https://irandoc.ac.ir/form/ai-competitionمرکز هوش مصنوعی | پیوند علم، داده و هوش مصنوعی.
مرکزهوش مصنوعی دانشگاه صنعتی اصفهان
ble.ir/AIC_IUT ai.iut.ac.ir *یک AI Agency کامل، در دسترس شما!این پروژه مجموعهای از AI Agents تخصصی را در اختیار شما قرار میدهد که هرکدام برای یک Role مشخص طراحی شدهاند؛ از Frontend Development و تولید محتوا گرفته تا Research، Analysis و بررسی ایدهها.
هر Agent دارای Personality، Process و تخصص مشخص خود است و میتواند مانند یک عضو تخصصی از یک AI Team در پروژههای مختلف به شما کمک کند.
یک Open Source Project محبوب با بیش از 135K Stars در GitHub مشاهده پروژه و اطلاعات بیشتر:*https://github.com/msitarzewski/agency-agentsمرکز هوش مصنوعی | پیوند علم، داده و هوش مصنوعی.
مرکزهوش مصنوعی دانشگاه صنعتی اصفهان
ble.ir/AIC_IUT ai.iut.ac.irمهارتهای مورد نیاز برای موفقیت در مصاحبههای دیتا ساینس چیه؟
با ورود به عصر هوش مصنوعی و مدلهای زبانی بزرگ، سطح انتظار مصاحبهها بالا رفته مصاحبهگران اکنون بر مهارتهای زیر تأکید دارند:
مهارتهای مهندسی نرمافزار: تجربه کار با FastAPI، پیادهسازی سرویسهای async، و درک معماری RESTful
؛MLOps و دیپلوی: توانایی طراحی و پیادهسازی سیستمهای MLOps، دیپلوی مدلها، و مدیریت لایههای تولید
؛RAG و سیستمهای Retrieval-Augmented: توانایی ساخت سیستمهای RAG کامل، طراحی پایپلاینهای فاینتنون، و مدیریت دادههای متنی
مدیریت LLMها: استراتژیهای کشینگ، کنترل هزینه، و بهینهسازی پرفورمنس مدلهای زبانی بزرگ
؛AI Agents: طراحی و پیادهسازی سیستمهای هوش مصنوعی مبتنی بر عامل، مدیریت context، و همکاری بین عاملها
تمرکز بر سیستمهای واقعی و مهندسی نرمافزار است. فقط ساختن مدل کافی نیست؛ باید سیستم را طراحی کنید، دیپلوی کنید، مانیتور کنید و هزینه/پرفورمنس را مدیریت کنید.
منابع پیشنهادی جهت آمادهسازی برای مصاحبه شغلی دیتا ساینس
۱ . مبانی علم داده
کتاب Introduction to Statistical Learning — linkکتاب مرجع برای یادگیری آمار و ماشینآموزیپوشش کامل مفاهیم پایه R و Pythonمثالهای عملی و تمرینهای مفید
کتاب Practical Statistics for Data Science — linkتمرکز بر آمار کاربردی در دیتا ساینسپوشش کامل توابع و تکنیکهای آماری
کتاب Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow — link
کتاب مرجع برای یادگیری ماشینآموزی عملیپوشش کامل Scikit-Learn، Keras و TensorFlowمثالهای عملی و پروژههای واقعی
۲. یادگیری MLOps و End-to-end Systems
کتاب Designing Machine Learning Systems — linkکتاب مرجع برای یادگیری MLOpsپوشش کامل طراحی سیستمهای MLاستراتژیهای دیپلوی و مدیریت
دوره AWS Cloud Practitioner — linkدوره پایه برای درک مفاهیم AWSپوشش کامل خدمات ابری و مدیریت هزینهگواهینامه معتبر
دوره AWS Machine Learning Specialty — linkدوره پیشرفته برای مهارتهای ML روی AWSپوشش کامل خدمات ML ابریتمرکز بر MLOps و دیپلوی
۳. مدلهای زبانی بزرگ + AI Agent + RAG
کتاب Hands-On LLMs — linkکتاب مرجع برای یادگیری LLMهاپوشش کامل RAG، AI Agents و سیستمهای مبتنی بر LLMمثالهای عملی با Hugging Face و LangChain
ریپو Awesome Generative AI Guide — linkمجموعه منابع جامع برای یادگیری Generative AIپوشش کامل مدلها، ابزارها و پروژههامنابع بهروز و کاربردی
ریپو RAG Techniques — linkمجموعه تکنیکهای پیشرفته RAGپوشش کامل استراتژیهای Retrievalمثالهای عملی و مقایسهای
ریپو GenAI Agents — linkمجموعه منابع برای یادگیری AI Agentsپوشش کامل طراحی و پیادهسازی عاملهامثالهای عملی با LangChain و AutoGen
۴. هوش مصنوعی
کتاب AI Engineering — linkکتاب مرجع برای یادگیری مهندسی هوش مصنوعیپوشش کامل سیستمهای ML، MLOps و AI Engineeringاستراتژیهای طراحی و پیادهسازی
منابع مهندسی نرمافزار — linkمنابع جامع برای یادگیری مهندسی نرمافزارپوشش کامل معماری، دیپلوی و مدیریت سیستمهامثالهای عملی و بهترین شیوهها
#علم_داده #DataScience
مرکز هوش مصنوعی | پیوند علم، داده و هوش مصنوعی.
مرکزهوش مصنوعی دانشگاه صنعتی اصفهان ble.ir/AIC_IUT ai.iut.ac.ir
با ورود به عصر هوش مصنوعی و مدلهای زبانی بزرگ، سطح انتظار مصاحبهها بالا رفته مصاحبهگران اکنون بر مهارتهای زیر تأکید دارند:
مهارتهای مهندسی نرمافزار: تجربه کار با FastAPI، پیادهسازی سرویسهای async، و درک معماری RESTful؛MLOps و دیپلوی: توانایی طراحی و پیادهسازی سیستمهای MLOps، دیپلوی مدلها، و مدیریت لایههای تولید؛RAG و سیستمهای Retrieval-Augmented: توانایی ساخت سیستمهای RAG کامل، طراحی پایپلاینهای فاینتنون، و مدیریت دادههای متنیمدیریت LLMها: استراتژیهای کشینگ، کنترل هزینه، و بهینهسازی پرفورمنس مدلهای زبانی بزرگ؛AI Agents: طراحی و پیادهسازی سیستمهای هوش مصنوعی مبتنی بر عامل، مدیریت context، و همکاری بین عاملها تمرکز بر سیستمهای واقعی و مهندسی نرمافزار است. فقط ساختن مدل کافی نیست؛ باید سیستم را طراحی کنید، دیپلوی کنید، مانیتور کنید و هزینه/پرفورمنس را مدیریت کنید. منابع پیشنهادی جهت آمادهسازی برای مصاحبه شغلی دیتا ساینس ۱ . مبانی علم داده
کتاب Introduction to Statistical Learning — linkکتاب مرجع برای یادگیری آمار و ماشینآموزیپوشش کامل مفاهیم پایه R و Pythonمثالهای عملی و تمرینهای مفیدکتاب Practical Statistics for Data Science — linkتمرکز بر آمار کاربردی در دیتا ساینسپوشش کامل توابع و تکنیکهای آماریکتاب Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow — linkکتاب مرجع برای یادگیری ماشینآموزی عملیپوشش کامل Scikit-Learn، Keras و TensorFlowمثالهای عملی و پروژههای واقعی
۲. یادگیری MLOps و End-to-end Systems
کتاب Designing Machine Learning Systems — linkکتاب مرجع برای یادگیری MLOpsپوشش کامل طراحی سیستمهای MLاستراتژیهای دیپلوی و مدیریتدوره AWS Cloud Practitioner — linkدوره پایه برای درک مفاهیم AWSپوشش کامل خدمات ابری و مدیریت هزینهگواهینامه معتبردوره AWS Machine Learning Specialty — linkدوره پیشرفته برای مهارتهای ML روی AWSپوشش کامل خدمات ML ابریتمرکز بر MLOps و دیپلوی۳. مدلهای زبانی بزرگ + AI Agent + RAG
کتاب Hands-On LLMs — linkکتاب مرجع برای یادگیری LLMهاپوشش کامل RAG، AI Agents و سیستمهای مبتنی بر LLMمثالهای عملی با Hugging Face و LangChainریپو Awesome Generative AI Guide — linkمجموعه منابع جامع برای یادگیری Generative AIپوشش کامل مدلها، ابزارها و پروژههامنابع بهروز و کاربردیریپو RAG Techniques — linkمجموعه تکنیکهای پیشرفته RAGپوشش کامل استراتژیهای Retrievalمثالهای عملی و مقایسهایریپو GenAI Agents — linkمجموعه منابع برای یادگیری AI Agentsپوشش کامل طراحی و پیادهسازی عاملهامثالهای عملی با LangChain و AutoGen۴. هوش مصنوعی
کتاب AI Engineering — linkکتاب مرجع برای یادگیری مهندسی هوش مصنوعیپوشش کامل سیستمهای ML، MLOps و AI Engineeringاستراتژیهای طراحی و پیادهسازی منابع مهندسی نرمافزار — linkمنابع جامع برای یادگیری مهندسی نرمافزارپوشش کامل معماری، دیپلوی و مدیریت سیستمهامثالهای عملی و بهترین شیوهها#علم_داده #DataScience
مرکز هوش مصنوعی | پیوند علم، داده و هوش مصنوعی.
مرکزهوش مصنوعی دانشگاه صنعتی اصفهان
ble.ir/AIC_IUT ai.iut.ac.ir *OpenKnowledge.ai؛ مدیریت دانش، با نگاه به آینده هوش مصنوعیاگر حجم زیادی از اطلاعات، اسناد و دانش در سازمان یا تیم شما پراکنده است، OpenKnowledge.ai میتواند رویکرد متفاوتی برای مدیریت و استفاده از این دانش ارائه دهد.
این پلتفرم یک ویرایشگر مدرن Markdown است که با رویکردی AI-native طراحی شده؛ یعنی دانش و اطلاعات شما را در بستری قرار میدهد که میتواند برای استفاده در کنار عاملهای هوش مصنوعی (AI Agents) آماده باشد.
A canvas for your knowledgeبستری برای سازماندهی و مدیریت دانش شما
Made for agentsطراحیشده برای تعامل با ایجنتها و جریانهای کاری هوشمند
Put it to workدانش را از حالت اطلاعات خام خارج کنید و در فرایندهای واقعی به کار بگیرید
Collaborate with your teamدانش را با اعضای تیم به اشتراک بگذارید و روی آن همکاری کنید
Own your knowledgeدانش سازمانی خود را در اختیار داشته باشید و مدیریت کنید
چرا مدیریت دانش در عصر AI اهمیت بیشتری پیدا کرده است؟در سازمانهای امروزی، مسئله فقط «داشتن اطلاعات» نیست؛ بلکه مهم این است که دانش سازمانی قابل دسترسی، قابل استفاده و قابل بهرهبرداری توسط انسان و هوش مصنوعی باشد.
OpenKnowledge.ai با همین نگاه، مدیریت دانش را به دنیای AI و Agentها* نزدیک میکند.
#هوش_مصنوعی#مدیریت_دانش#AI#AIAgents#KnowledgeManagement#OpenKnowledge
مرکز هوش مصنوعی | پیوند علم، داده و هوش مصنوعی.
مرکزهوش مصنوعی دانشگاه صنعتی اصفهان
ble.ir/AIC_IUT ai.iut.ac.ir اگر به دنبال منابع معتبر و رایگان برای یادگیری هوش مصنوعی هستید، این لیست میتواند شروع خوبی برای شما باشد.بسیاری از شرکتهای بزرگ فناوری، دورههای آموزشی ارزشمندی را بهصورت رایگان در اختیار علاقهمندان قرار دادهاند؛ از مباحث مقدماتی تا موضوعات تخصصیتر در حوزه هوش مصنوعی.
Anthropic: http://anthropic.skilljar.com
Google: http://grow.google/ai
Meta: http://ai.meta.com/resources
NVIDIA: http://developer.nvidia.com/training
Microsoft: http://learn.microsoft.com/training
OpenAI: http://academy.openai.com
IBM: http://skillsbuild.org
AWS: http://skillbuilder.aws
DeepLearningAI: http://deeplearning.ai
Hugging Face: http://huggingface.co/learn
مرکز هوش مصنوعی | پیوند علم، داده و هوش مصنوعی.
مرکزهوش مصنوعی دانشگاه صنعتی اصفهان
ble.ir/AIC_IUT ai.iut.ac.ir