تمایل دارید موقعیت های شغلی برنامه نویسی بزارم 🤔 ؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟؟ #موقعیت_شغلی https://eitaa.com/science_ai

دولت آمریکا پلتفرم Freedom را برای مقابله با فیلترینگ در ایران و چین راه‌اندازی می‌کند 🔹 وزارت امور خارجه آمریکا پلتفرم جدیدی به‌نام Freedom راه‌اندازی کرده که هدف آن، دسترسی کاربران سراسر جهان، به‌ویژه ساکنین کشورهایی مانند ایران و چین، به اینترنت بدون فیلترینگ است. 🔹 طبق ادعای مقامات آمریکایی، این پلتفرم به‌صورت متن‌باز طراحی شده و داده‌های کاربر را ذخیره نمی‌کند، ضمن این‌که روی موبایل و دسکتاپ هم در دسترس خواهد بود. 🔹 به‌گفته دولت آمریکا، ابزار Freedom پاسخی تکنولوژیک به افزایش کنترل دولت‌ها بر فضای آنلاین است Freedom.gov الکیه :) https://eitaa.com/science_ai

⭐️عملکرد مدل Sonnet ۴.۶ کلاود رو ببینید خیلی خوب شده از جمنای ۳ پرو و GPT5.2 هم عملکرد بهتری داشته ! همینطور مدل Opus 4.6 که به تازگی معرفی شد . ◀️لینک معرفی : https://www.anthropic.com/news/claude-sonnet-4-6 https://eitaa.com/science_ai

سم آلتمن: «احتمالاً تا پایان سال ۲۰۲۸ به ابرهوش (Superintelligence) می‌رسیم. یعنی تقریباً حدود دو سال زمان باقی مانده. تا وقتی شغلتان را دارید از آن لذت ببرید… زمان به‌سرعت در حال گذر است.» https://eitaa.com/science_ai

هوش مصنوعی پتانسیل جایگزینی کار فکری روتین دارد هوش مصنوعی به سراغ ذهن شما نمی‌آید و اینگونه است که... جفری هینتون، پدرخوانده هوش مصنوعی، توضیح می‌دهد که امواج قبلی فناوری اغلب مشاغل را تغییر می‌دادند نه اینکه آنها را از بین ببرند. وقتی دستگاه‌های خودپرداز معرفی شدند، کارمندان بانک به جای ناپدید شدن، به نقش‌های پیچیده‌تری روی آوردند. اما او پیشنهاد می‌کند که هوش مصنوعی ممکن است متفاوت باشد. در حالی که انقلاب صنعتی جایگزین کار فیزیکی شد، هوش مصنوعی پتانسیل جایگزینی کار فکری روتین را دارد، به این معنی که افرادی که وظایف شناختی تکراری انجام می‌دهند، بیشتر در معرض خطر قرار می‌گیرند. آیا فکر می‌کنید مشاغل با هوش مصنوعی جایگزین خواهند شد؟ https://eitaa.com/science_ai

سورپرایز جدید ایران #نظامی https://eitaa.com/science_ai

🎯 تابع هزینه (Loss Function) یعنی چی؟ ما شبکه عصبی رو ساختیم… فعالش هم کردیم… اما یه سؤال مهم: شبکه از کجا می‌فهمه کارش درست بوده یا نه؟ 🤔 از کجا می‌فهمه چقدر پرت جواب داده؟ اینجاست که «تابع هزینه» وارد میشه 👇 📌 داستان ساده‌ش فرض کن داری تیراندازی تمرین می‌کنی: 1️⃣ تیر رو پرت می‌کنی (پیش‌بینی شبکه) 2️⃣ تیر می‌خوره کنار هدف (واقعیت) 3️⃣ یکی با متر میاد میگه: «۵ متر خطا داشتی!» اون کسی که فاصله رو اندازه می‌گیره = Loss Function 🧠 کارش چیه؟ یه عدد به شبکه نشون میده: 🔴 عدد بزرگ = خیلی پرت زدی! 🟢 عدد کوچک = آفرین! زدی تو خال 🎯 کل هدف آموزش شبکه فقط یک چیزه: کم کردن این عدد تا حد ممکن (نزدیک صفر) 📏 مدل‌های مختلف اندازه‌گیری 1️⃣ وقتی با عدد سروکار داریم (رگرسیون) مثلاً پیش‌بینی قیمت خونه اینجا معمولاً از Mean Squared Error (MSE) استفاده میشه. اشتباه‌ها رو به توان ۲ می‌رسونه 😈 یعنی اگه زیاد اشتباه کنی، جریمه‌ت خیلی سنگین‌تر میشه! 2️⃣ وقتی دسته‌بندی می‌کنیم مثلاً: سگ یا گربه؟ اینجا معمولاً از Cross-Entropy استفاده میشه. با «احتمال» کار داره. اگه شبکه با اطمینان کامل بگه «سگه!» ولی در واقع گربه باشه؟ 💥 جریمه سنگین می‌خوره تا دیگه با اعتمادبه‌نفس اشتباه نکنه! 🏁 جمع‌بندی تابع هزینه مثل یه استاد سخت‌گیره 👨‍🏫 به شبکه نمره میده و میگه چقدر خوب یا بد بوده. بدون Loss، شبکه مثل دانش‌آموزیه که نمی‌دونه جوابش درست بوده یا نه. و خبر مهم: بهینه‌ساز (Optimizer) هم دقیقاً با نگاه کردن به همین عدد تصمیم می‌گیره کدوم پیچ‌ومهره‌های شبکه رو تنظیم کنه تا دفعه بعد خطا کمتر بشه 🚀

اینم آموزش کاملش تابع هزینه (Loss Function) توی پست‌های قبلی مغز مصنوعی رو ساختیم و فعالش کردیم. اما یه سوال مهم: شبکه عصبی از کجا می‌فهمه کاری که کرده درسته یا غلط؟ از کجا می‌فهمه چقدر "پرت" جواب داده؟ اینجاست که سر و کله‌ی یکی از حیاتی‌ترین اجزای دیپ لرنینگ پیدا میشه: تابع هزینه. ---- داستان چیه؟ فرض کن داری تیراندازی با کمان تمرین می‌کنی. ۱. تیر رو پرت می‌کنی (پیش‌بینی شبکه). ۲. تیر می‌خوره به درخت بغل سیبل (واقعیت). ۳. حالا یکی باید بیاد با متر اندازه بگیره و بهت بگه: "داری اشتباه می‌زنی! ۵ متر فاصله داری." توی دیپ لرنینگ، اون کسی که متر دستش گرفته و داره فاصله "پیش‌بینی تو" تا "واقعیت" رو اندازه می‌گیره، همین Loss Function هست. کارش دقیقاً چیه؟ این تابع میاد یقه شبکه عصبی رو می‌گیره و یه عدد بهش نشون میده. - اگه عدد Loss بالا باشه (مثلاً ۱۰۰۰): یعنی شبکه خیلی پرته و داره چرت و پرت میگه! - اگه عدد Loss پایین باشه (مثلاً ۰.۰۱): یعنی دمت گرم، زدی تو خال! 🎯 هدف کل فرآیند آموزش (Training) فقط و فقط یک چیزه: رسوندن این عدد Loss به نزدیک صفر. ---- انواع مترهای اندازه‌گیری: ما برای کارهای مختلف، مترهای مختلف داریم: 1️⃣ وقتی با اعداد سروکار داریم (رگرسیون): مثلاً می‌خوایم قیمت خونه پیش‌بینی کنیم. اینجا معمولاً از MSE (Mean Squared Error) استفاده می‌کنیم. این تابع میاد اختلاف قیمت واقعی و قیمتی که شبکه حدس زده رو به توان ۲ می‌رسونه. یعنی اگه اشتباهت زیاد باشه، جریمه‌ات خیلی خیلی سنگین‌تر میشه تا ادب بشی! 2️⃣ وقتی دسته‌بندی می‌کنیم (Classifiction): مثلاً سگ یا گربه؟ اینجا از Cross-Entropy استفاده می‌کنیم. این تابع کاری به متر و سانتیمتر نداره. به "احتمالات" کار داره. اگه شبکه با اطمینان ۱۰۰٪ بگه "این سگه" ولی عکس "گربه" باشه، این تابع یه جریمه وحشتناک براش می‌بره تا دیگه انقدر با اطمینان اشتباه نکنه. ---- خلاصه کلام: تابع هزینه مثل اون استاد سخت‌گیریه که نمره میده. بدون اون، شبکه عصبی مثل یه دانش‌آموز سرگردونه که نمی‌دونه درسش رو یاد گرفته یا نه. این تابع به "بهینه‌ساز" (Optimizer) جهت میده که کدوم پیچ و مهره‌ها رو سفت کنه تا دفعه بعد خطا کمتر بشه. #آموزش_هوش https://eitaa.com/science_ai