آنتروپیک، رهبر جدید بازار Enterprise LLMبازار مدلهای زبانی بزرگ در سال ۲۰۲۵ وارد فاز تازهای شد. Anthropic با تصاحب ۴۰٪ سهم بازار Enterprise، جایگاه نخست را از OpenAI گرفت.
در همین حال، سهم OpenAI از ۵۰٪ به ۲۷٪ کاهش یافت و Google با رشدی چشمگیر از ۷٪ به ۲۱٪ رسید. اکنون این سه بازیگر، ۸۸٪ بازار Enterprise را در اختیار دارند.
برتری Anthropic در حوزه Coding چشمگیر است: ۵۴٪ سهم بازار و تبدیل شدن Claude Code به یک Game Changer واقعی؛ مدلی که ۱۸ ماه متوالی صدرنشین LLM Leaderboards بوده است.
در واقع تمرکز استراتژیک بر Code Generation، عامل کلیدی موفقیت Anthropic در بازار Enterprise بوده است.
Menlo Ventures, 2025 برای آموزش علم داده به جمع ما بپیوندید: @DataPlusScience | @DataScienceeep_Dive_to_Legendary_Self_Attention_Mechanism.pdf
۱۶.۹۵ مگابایت
مکانیزم Self-Attention در مدلهای زبانی بزرگدر این ارائه ابتدا محدودیتهای معماریهای بازگشتی (RNN و LSTM) و چالش وابستگیهای بلندمدت تحلیل میشود.سپس گذار مفهومی به Transformer و منطق حذف محاسبات ترتیبی تشریح میگردد.در ادامه بردارهای Query، Key و Value و نقش آنها در محاسبه توجه بررسی میشوند.همچنین فرآیند ریاضی Scaled Dot-Product و Softmax بهصورت گامبهگام توضیح داده شده است.در نهایت مفاهیم Multi-Head Attention، Positional Encoding و جریان تولید متن مرور میشوند.
این فایل برای دانشجویان و متخصصان علوم داده و یادگیری عمیق که به دنبال درک دقیق سازوکار توجه هستند، مناسب است.
Lhuqita Fazry @DataPlusScience | @DataScience@DataPlusScience -Statistics Notes.pdf
۴.۷۱ مگابایت
یادداشتهای آمار: راهنمای جامع مباحث آماری این فایل شامل مفاهیم پایه و پیشرفته آماری است که به صورت ساده و کاربردی توضیح داده شدهاند. مباحث شامل انواع دادهها، آزمونهای آماری و تکنیکهای تحلیل داده است که برای دانشجویان و محققین مفید است. مفاهیم پایه: شامل آمار توصیفی (Descriptive Statistics) و استنباطی (Inferential Statistics). اندازهگیری گرایش مرکزی: میانگین (Mean)، میانه (Median) و مد (Mode). اندازهگیری پراکندگی: واریانس (Variance) و انحراف معیار (Standard Deviation). انواع دادهها و مقیاسها: دادههای اسمی (Nominal)، ترتیبی (Ordinal)، فاصلهای (Interval) و نسبتی (Ratio).🧪 آزمونهای آماری: آزمون Z، آزمون T، آزمون خی دو (Chi-Square)، و تحلیل واریانس (ANOVA). توزیعهای احتمالی: توزیع نرمال (Normal Distribution)، دوجملهای (Binomial) و پواسون (Poisson).🧮 قضیه حد مرکزی (Central Limit Theorem): تحلیل توزیع نمونهها با اندازههای بزرگ. تحلیل دادههای پراکنده: کوواریانس (Covariance) و همبستگی (Correlation). @DataPlusScience | @DataScience۱
پنج سطح بلوغ هوش مصنوعی ایجنتیک | چارچوبی کاربردی برای درک و پیادهسازی سیستمهای خودمختار سطح ۱ | ربات وظیفهای قطعیاجرای اقدامات از پیش تعریفشده و محدودمثال: بازنشانی رمز عبور، فرمهای ساده سطح ۲ | عامل آمادهساز پیشنویس و اجرای جزئی وظایف چندمرحلهاینیاز: بازبینی اجباری انسانیمثال: پیشنویس قرارداد، گزارشهای هفتگی سطح ۳ | اپراتور تخصصیمدیریت کامل گردشکاری روتیننظارت: بررسی نمونهایمثال: پاسخ تیکتها، گزارشگیری خودکار سطح ۴ | متخصص نیمهخودمختارعملکرد صحیح در ~۹۸٪ مواردنظارت: تأیید فقط در مواقع استثنامثال: مدیریت قیمت، سفارشگذاری با بودجه سطح ۵ | حلکننده مستقل مسئلهتجزیه مسائل نوین و تولید دانشوضعیت: فعلاً غیرقابل دسترسی برای تولید Cal Al-Dhubaib & Ivan Lee | ODSC @DataPlusScience | @DataScience
کیفیت، امنیت و حکمرانی؛ مقدم بر نوآوریهای داده و هوش مصنوعی
نتایج گزارش BARC Data, BI & Analytics Trend Monitor 2026 نشان میدهد که در افق ۲۰۲۶، « زیرساخت اعتماد » یعنی کیفیت داده، امنیت/حریم خصوصی و حکمرانی داده ، همچنان بر موجهای نوظهور فناوری تقدم دارد. این گزارش که با حمایت MicroStrategy و بهصورت پایش روند تکرارشونده منتشر شده، بر پایه ۱,۵۷۹ پاسخ معتبر تهیه شده است.
در صدر اولویتها، کیفیت داده و امنیت با امتیاز ۷.۹ قرار دارند که بیانگر تمرکز سازمانها بر اتکاپذیری، کاهش ریسک و انطباق است. پس از آن، فرهنگ دادهمحور ، حکمرانی داده و هوش مصنوعی و سواد داده اهمیت بالایی یافتهاند. در مقابل، GenAI و Agentic AI عمدتاً پس از تثبیت این بنیانها دنبال میشوند.
توضیحات بیشتر:https://zaya.io/4972p
@DataPlusScience | @DataScience
نتایج گزارش BARC Data, BI & Analytics Trend Monitor 2026 نشان میدهد که در افق ۲۰۲۶، « زیرساخت اعتماد » یعنی کیفیت داده، امنیت/حریم خصوصی و حکمرانی داده ، همچنان بر موجهای نوظهور فناوری تقدم دارد. این گزارش که با حمایت MicroStrategy و بهصورت پایش روند تکرارشونده منتشر شده، بر پایه ۱,۵۷۹ پاسخ معتبر تهیه شده است.
در صدر اولویتها، کیفیت داده و امنیت با امتیاز ۷.۹ قرار دارند که بیانگر تمرکز سازمانها بر اتکاپذیری، کاهش ریسک و انطباق است. پس از آن، فرهنگ دادهمحور ، حکمرانی داده و هوش مصنوعی و سواد داده اهمیت بالایی یافتهاند. در مقابل، GenAI و Agentic AI عمدتاً پس از تثبیت این بنیانها دنبال میشوند.
توضیحات بیشتر:https://zaya.io/4972p
@DataPlusScience | @DataScience
مجموعه دروس تخصصی دانشگاه Stanford برای تسلط بر LLMs بخش اول: مبانی و معماری ـ جلسه ۱: مفهوم Transformer ـ جلسه ۲: مدلها و متدهای بهینهسازی ـ جلسه ۳: گذار به مدلهای زبانی بزرگ بخش دوم: توسعه و آموزش ـ جلسه ۴: استراتژیهای Training ـ جلسه ۵: تکنیکهای Fine-tuning بخش سوم: استدلال و عاملیت ـ جلسه ۶: مکانیسمهای Reasoning ـ جلسه ۷: بررسی Agentic LLMs بخش چهارم: ارزیابی و ترندها ـ جلسه ۸: متدولوژی Evaluation ـ جلسه ۹: تحلیل Current Trends برای آموزش علم داده به جمع ما بپیوندید: @DataPlusScience | @DataScience
تحلیل ۱۰۰ تریلیون توکن؛ واقعیت استفاده از مدلهای بزرگ زبانیدر این اینفوگرافی، مهمترین نتایج گزارش «State of AI» را میبینید؛ گزارشی که توسط OpenRouter منتشر شده و بر پایهی تحلیل بیش از ۱۰۰ تریلیون توکن واقعی از تعامل کاربران با مدلهای زبانی بزرگ در دنیای واقعی تهیه شده است.
این نتایج نشان میدهند که:
اکوسیستم LLMها چندمدلی شده برنامهنویسی به کاربرد غالب تبدیل شده استنتاج عاملمحور (Agentic) به حالت پیشفرض رسیده مدلهای متنباز و بهویژه مدلهای چینی نقش کلیدی دارند کیفیت و حل مسئله مهمتر از قیمت هستنداین اینفوگرافی، خلاصهای دقیق از الگوهای واقعی استفاده از هوش مصنوعی در سال ۲۰۲۵ است؛ نه بر اساس دمو یا بنچمارک ، بلکه بر اساس دادههای واقعی.
دسترسی به نسخه کامل گزارش
@DataPlusScience | @DataScience@DataPlusScience -AI Agent Trends.pdf
۱۳.۲۱ مگابایت
ترندهای کلیدی AI Agent در افق ۲۰۲۶ | Google Cloud
گزارش AI Agent Trends 2026 گوگل کلاد نشان میدهد سازمانها از استفاده ابزاری از AI به سمت سیستمهای عامل هوشمند (Agentic Systems) در حال حرکتاند. این گزارش بر پایه تحلیل دادههای سازمانی، مصاحبه با رهبران AI و نتایج کمی ROI of AI 2025 تدوین شده است.
۵ ترند اصلی گزارش:
Agents for every employeeایجنتها به دستیار دائمی کارکنان تبدیل میشوند و نقش انسان به تعریف هدف، تصمیمگیری و نظارت راهبردی ارتقا مییابد.
Agents for every workflowفرآیندهای سازمانی به گردشکارهای چندایجنتی end-to-end و پیوسته تبدیل میشوند.
Agents for customersتجربه مشتری از پاسخهای قاعدهمحور به تعاملات شخصیسازیشده و مبتنی بر دادههای واقعی ارتقا مییابد.
Agents for securityامنیت از مدیریت هشدارها به تحلیل، اولویتبندی و اقدام نیمهخودکار منتقل میشود.
Agents for scaleایجاد ارزش در مقیاس بیش از فناوری، به توسعه مهارتهای انسانی برای مدیریت ایجنتها وابسته است.
@DataPlusScience
گزارش AI Agent Trends 2026 گوگل کلاد نشان میدهد سازمانها از استفاده ابزاری از AI به سمت سیستمهای عامل هوشمند (Agentic Systems) در حال حرکتاند. این گزارش بر پایه تحلیل دادههای سازمانی، مصاحبه با رهبران AI و نتایج کمی ROI of AI 2025 تدوین شده است.
۵ ترند اصلی گزارش:
Agents for every employeeایجنتها به دستیار دائمی کارکنان تبدیل میشوند و نقش انسان به تعریف هدف، تصمیمگیری و نظارت راهبردی ارتقا مییابد. Agents for every workflowفرآیندهای سازمانی به گردشکارهای چندایجنتی end-to-end و پیوسته تبدیل میشوند. Agents for customersتجربه مشتری از پاسخهای قاعدهمحور به تعاملات شخصیسازیشده و مبتنی بر دادههای واقعی ارتقا مییابد. Agents for securityامنیت از مدیریت هشدارها به تحلیل، اولویتبندی و اقدام نیمهخودکار منتقل میشود. Agents for scaleایجاد ارزش در مقیاس بیش از فناوری، به توسعه مهارتهای انسانی برای مدیریت ایجنتها وابسته است. @DataPlusScience
میلاد با سعادت امیرالمؤمنین علی علیهالسلام و روز مرد را تبریک و تهنیت عرض مینماییم.
@DataPlusScience | @DataScience
@DataPlusScience | @DataScience۴
گزارش فعالیت کانال در سال ۲۰۲۵ در سال ۲۰۲۵، تعداد ۱۰۳ پست در کانال منتشر شد. این مطالب در مجموع بیش از ۱۶۵٬۳۰۳ بازدید داشته و بیش از ۶٬۳۱۰ بار بازنشر شدهاند. در این بازه، ۱٬۰۰۹ نفر به اعضای کانال اضافه شدند که نشاندهنده رشد تدریجی و اعتماد مخاطبان به محتوای کانال است. امیدواریم در سال جدید با افزایش تعداد پستها و تداوم فعالیت، حضور پررنگتری در کانال داشته باشیم. در صورت داشتن هرگونه پیشنهاد یا انتقاد، میتوانید پیام خود را به این آیدی ارسال کنید: @Contact2Mebot سپاس از همراهی شما @DataPlusScience | @DataScience