ماریمو marimo :
یک نوت‌بوک ری‌اکتیو (واکنش‌گرا) متن‌باز برای پایتون است که به طور خاص برای کار با داده‌ها طراحی شده است.
نوت‌بوک‌های marimo ، به صورت فایل پایتونی ذخیره می‌شوند و SQL داخلی دارد و همچنین اتصال به پایگاه‌های داده و دیتالیک‌ها را آسان می‌کنند و در نهایت قابل اشتراک‌گذاری هستند.
ماریمو هیچ وابستگی به Jupyter یا IPython ندارد و کاملاً از ابتدا ساخته شده است.

molab is a cloud-hosted marimo notebook workspace that lets you rapidly experiment on data using Python and SQL. We’re giving molab (mo for marimo) to you, our community, for free.

https://molab.marimo.io/

من و یکسری از دوستان دیگه، در روزهای اخیر موقع باز کردن کولب بدون vpn باخطای 404 مواجه میشیم. vpn که روشن میشه، مشکل حل میشه. دلیلش برای ما مشخص نیست؛ شاید تحریم؟!

البته، بقیه ابزارهامون هم تحریم و فیلترن. فعلا با همون vpn حلش می‌کنیم...

یکی از درخشان‌ترین چهره‌های جامعه پایتون و Release Manager نسخه های ۳.۱۶ و ۳.۱۷ پایتون، فصل جدید کاری خود را به عنوان مهندس نرم‌افزار در FastAPI Labs آغاز خواهد کرد.
سوانا اوستروفسکی که سابقه رهبری تجربه توسعه‌دهندگان پایتون در شرکت‌های بزرگی چون مایکروسافت، داکر و Snowflake را داشت، تصمیم گرفت پس از پنج سال مدیریت محصول، به کدنویسی بازگردد.

انگیزه اصلی او حل یک چالش بزرگ است:
حذف پیچیدگی‌های استقرار برنامه‌های پایتون در محیط ابری. او معتقد است که با توجه به محبوبیت بی‌نظیر FastAPI، این فریم‌ورک بهترین بستر برای از بین بردن مشکلات زیرساختی است که توسعه‌دهندگان را خسته می‌کند.

این نقش جدید، نه تنها روی حل مشکلات مقیاس‌پذیر در FastAPI Labs تمرکز دارد، بلکه شامل زمان اختصاصی برای توسعه منبع‌باز است. او فرصت خواهد داشت تا عمیق‌تر روی CPython کار کند، نقش خود به عنوان Core Developer را تقویت کند و عملکرد JIT کامپایلر را بهبود بخشد.

سوانا 🤝🏻 FastAPI Labs : آینده استقرار برنامه‌های پایتون در راه است.

سایت runpod که GPU اجاره میده، این پیغام رو بهم نشون داد که میگه:

ثبت‌نام کن و 10 دلار اکانتت رو شارژ کن تا بین 5 تا 500 دلار کردیت رایگان دریافت کنی.

نسخه پایتون هم به π رسید.
Python 3.14.0

شاید بزرگترین و مهم‌ترین خبر در نسخه 3.14
پشتیبانی رسمی از پایتون Free-threaded Python باشد.
این تغییر انقلابی که از طریق PEP 779 معرفی شده، هدف دارد تا محدودیت‌های قدیمی GIL (Global Interpreter Lock) را کاهش دهد.

تغییرات زیرساختی و عملکرد :
- بهبود عملکرد کدهای Multi-Threaded در محیط‌های چند هسته‌ای
- همزمانی Concurrency مؤثرتر و استفاده‌ی بهینه از سخت‌افزارهای مدرن
- لیترال‌های رشته‌ای الگو t-strings
- پشتیبانی از چندین مفسر Multiple-Interpreters
- ماژول جدید به‌نام compression.zstd برای پشتیبانی از الگوریتم فشرده‌سازی

امنیت با Sigstore: پایتون 3.14 دیگر امضاهای PGP را برای مصنوعات انتشار ارائه نمی‌دهد.
در عوض، Sigstore برای تأیید امنیت و اصالت بسته‌های دانلود شده توصیه می‌شود.

امیررضا این کتاب رو بهم معرفی کرد. نخوندمش، ولی بررسیش کردم. به نظرم، کتاب شسته و رفته‌ای هست. جبرخطی، حساب و احتمال رو پوشش داده. فرض رو بر دانش ریاضی بسیار کم خواننده گذاشته و این خیلی خوبه. مثلا، حتی درباره تابع در ریاضی هم توضیح داده.

تعداد سابسکرایبرهای کانال یوتوب هوسم در آستانه 1k هست.

به مناسبت این اتفاق، بد نیست ویدئوهای خوب کانال رو معرفی کنم؛ ویدئوهای کورس 13 ساعته پایتورچ، معرفی کگل و معرفی هاگینگ‌فیس ارزش دیدن دارن.

دیدن کورس پایتورچ برای بسیاری از افراد خوب و ضروریه. حتی دانش‌آموزها هم میتونن ببینن.

ما ویدئوهای کمی منتشر کردیم. دوست داشتم، ویدئوهای بیشتری منتشر کنم، ولی امان از فرصت کم و وسواس زیاد غیرضروری!


لینک کانال یوتوب هوسم:
https://youtube.com/@howsam_org?si=B4fglejwMihsFSaF

زمان : 18 دقیقه
توی این مصاحبه، مدیرعامل ElevenLabs، آینده‌ی هیجان‌انگیز هوش مصنوعی صوتی را معرفی می‌کند.
از خلق عوامل صوتی فروش و پشتیبانی که با صدای شما و به هر زبانی صحبت می‌کنند، تا ساخت یک بازار صدای میلیون دلاری.
او به فرصت‌های درآمدزایی ماهانه ۱۰ هزار دلاری برای کارآفرینان انفرادی اشاره می‌کند.
در عین حال، نیاز به اقدامات حفاظتی سخت‌گیرانه را با شروع مکالمات هوش مصنوعی با یکدیگر، گوشزد می‌کند.
این گفتگو پر از راهکار، هزینه‌های واقعی و ابزارهایی است که مرزهای صنعت صدا را جابه‌جا خواهند کرد.

آقایون Jay Alammar و Maarten Grootendost، کتاب جدیدی با موضوع AI Agents در دست تالیف دارن.

اینها عشق تصویرسازی هستن و اینجا هم مشخص هست که کتاب پر تصویرسازی خواهد بود.

قبلا، کتاب Hands-on LLMs رو با هم نوشته بودن. پست مربوط به معرفی این کتاب رو ریپلای کردم. کتاب خوبیه، خودم خوندمش...

شیطونا، دارید ریلیز میدید، خبر ندادید 👀

گوگل در سکوت و بدون اعلام رسمی، عرضه Gemini 3.0 Pro، مدل هوش مصنوعی نسل بعدی خود را آغاز کرده است.

شما فعلا در صفحه ی پلتفرم، پیامی دریافت نمیکنید.
شواهد این ارتقا چند ساعتی هست که در source code ظاهر شد،
بعضی از کاربران هم، در پلتفرم AI Studio با اعلان‌های ارتقا مواجه شدند:
«ما شما را از مدل قبلی به 3.0 Pro، هوشمندترین مدل ما تا به امروز، ارتقا داده‌ایم».

این استراتژی عرضه پنهانی به گوگل اجازه می‌دهد تا داده‌های عملکردی حیاتی در دنیای واقعی را پیش از عرضه گسترده‌تر جمع‌آوری کند.

این عرضه اولیه به دنبال یک دوره آزمایش کنترل‌شده A/B است که حدود 7 اکتبر آغاز شد و در آن به توسعه‌دهندگان منتخب دسترسی زودهنگام داده شد.

قدرت‌بخشی به جاه‌طلبی‌های سازمانی گوگل عرضه Gemini 3.0 Pro فقط مربوط به یک مدل نیست؛ بلکه سنگ بنای استراتژی سازمانی گسترده‌تر گوگل است.

چیراگ دکاته، تحلیلگر گارتنر، اشاره کرد:
«اینکه گوگل چگونه بتواند از این پیام‌رسانی یکپارچه در روند عرضه Gemini 3.0 بهره‌برداری کند، یک آزمون حیاتی نیز خواهد بود.»

گمانه‌زنی‌ها برای معرفی: حدود 22 اکتبر.

کم‌وبیش درخواست‌هایی میاد که چنین آگهی‌هایی رو در کانال بذاریم. ولی ما به دلیل عدم شناخت اون گروه یا مجموعه، در کانال منتشر نمی‌کنیم. اما، دوست من با این گروه چند سالی کار کرده و خروجی مقاله هم داشته.

🚨 Open Position: AI Researcher

We are looking for passionate and motivated collaborators to join our AI Research Team!
Our work focuses on cutting-edge areas of Artificial Intelligence and Computer Vision, including: Multimodal AI, Large Vision-Language Models, Large Language Models, 3D Vision, Test-Time Domain Adaptation, Continual Learning, and Generative AI.
(Further details will be discussed during the collaboration phase.)

Our ultimate goal is to submit high-quality research papers to top-tier AI and Computer Vision conferences such as CVPR, ICCV, and NeurIPS.

🔍 Requirements

▪️Strong foundation in Machine Learning, Deep Learning, and Mathematics
▪️Hands-on experience with PyTorch
▪️Ability to dedicate sufficient time and commitment to the project

🎯 Benefits

▪️Collaborate with top international researchers
▪️Excellent opportunity to deepen your expertise and gain experience in paper preparation for top venues
▪️Access to powerful computational resources for experiments
▪️Potential opportunity to co-author papers accepted at top-tier conferences

📅 Application Deadline: November 10, 2025

📄 If you’re interested, please send your CV and fill out the following form:
👉 Application Form (https://docs.google.com/forms/d/e/1FAIpQLSea4tsAT-Hi8dUvqr2SI509Ou8__KMvyShxZXF2OMTYQ6Oa6A/viewform?usp=header).

📧 For any questions, feel free to contact me via email at [email protected] or on Telegram.

بخشی از مقدمه کتاب Machine Learning System Design:

نه مسیر کاری آرسنی (در بازاریابی آنلاین) و نه مسیر اولیهٔ والری (در کمومتریکس یا شیمی‌سنجی) در آغاز ارتباط چندانی با یادگیری ماشین (ML) نداشت. با این حال، ابزارهای ریاضی مورد استفاده در حرفهٔ ما ــ مانند مدل‌های رگرسیون و تحلیل مؤلفه‌های اصلی ــ همان چیزهایی بودند که علاقهٔ ما را به استخراج بیشترین ارزش از داده‌ها برانگیخت. هر یک از ما سفر خود را در اوایل دههٔ ۲۰۱۰ آغاز کردیم؛ والری در نهایت مسئولیت‌های رهبری در حوزهٔ علم داده در شرکت‌هایی چون فیس‌بوک، علی‌بابا، Blockchain.com و BP را بر عهده گرفت، و آرسنی مهارت‌های مهندسی خود را در استارتاپ‌های فناورانهٔ عمیق در مراحل مختلف رشد صیقل داد.

پیش از همکاری برای نگارش این کتاب، تنها نقطهٔ اشتراک حرفه‌ای ما شرکت در مسابقات یادگیری ماشین بود؛ جایی که مهارت‌هایمان را در پلتفرم Kaggle تقویت کردیم. والری به مقام Grandmaster رسید و پیش‌تر در میان ۳۰ نفر برتر جهان قرار داشت. آرسنی نیز Kaggle Master است و در یادگیری ماشین رقابتی تجربهٔ گسترده‌ای دارد. هر دو نویسنده همواره تلاش می‌کنیم دانش و تجربه‌مان را از طریق سخنرانی‌های عمومی در حوزهٔ ML با دیگران به اشتراک بگذاریم.

مسیری که طی کردن، کارهایی که انجام دادن و فعالیت جدی در کگل برام جالب بود.

در حال حاضر، در بخش مسابقه کگل، 380 گرندمستر، 2210 مستر و 10998 اکسپرت وجود داره!

https://www.kaggle.com/rankings/competitions

فایل زیر یک ارائه با موضوع Hands-on LLMs هست. توی سرچ‌های امروزم درباره LLM-ها اتفاقی این رو دیدم. نگاهی سریع بهش انداختم و به نظرم جالب اومد. چرا جالبه؟ چون سعی کردن صفر تا صدی هرچیزی که درباره LLM-ها مطرح هست رو در یک ارائه بیارن. 100 اسلاید هست. بعدا، دقیق‌تر بهش نگاه میندازم...

https://xcfeng.net/res/presentation/Hands-on%20Large%20Language%20Models.pdf

یک کانالی توی یوتوب هست که سناریوهای بازی میسازه و بعد هوش مصنوعی توی اون سناریو آموزش میده. تصویر بالا مربوط به بازی فوتبال هست. جالب بود.

https://www.youtube.com/@aiwarehouse

امروز، توی ویرگول، یک بلاگ پست جالب با موضوع زیر رو خوندم:

با هم سرعت‌گیرها را پیدا کردیم. اپلیکیشن نشان

دیدید دیگه؛ توی اپ نشان، توی مسیر سرعت‌گیرها رو با خطای کمی اعلام میکنه. بلافاصله بعد دیدن عنوان این پست، بهش فکر کردم که چطوری حلش کردن. یک راه حلی به ذهنم رسید و بعد رفتم بلاگ رو خوندم. حالا، شما هم اگه از نشان استفاده کردید و قابلیت سرعت‌گیر رو دیدید، بهش فکر کنید که چطوری برای اولین بار موقعیت سرعت‌گیرها رو پیدا کردن و بعدش برید وبلاگشون رو بخونید.

لینک وبلاگ (کلیک کنید!)

البته، این پست قدیمی هست. مربوط به 6 سال پیشه، ولی ارزش خوندن داره. مطالب توی ویرگول رو هم از دست ندید. مطالب خوب و آموزنده داره.

از طرف وحید:

مدت زیادی با چطور یاد گرفتن درگیر بودم و روش های زیادی از کتاب های مختلف و حتی ابداعی برای بهبود یادگیری انجام میدادم
تا بتونم به ازای زمانم در روز حداکثر بازده رو داشته باشم


دوره " یادگیری چگونگی یادگیری" از کورسرا یادگیری رو شرح میده، و روش های اثبات شده علمی رو برای بهبود یادگیری هم آموزش میده.
لینک دانلود دوره در دانلودلی موجوده با زیرنویس فارسی..

مدل زبان بینایی LightOnOCR-1B

هدف، تبدیل اسناد و اطلاعات کسب و کار به فرمتی است که ماشین‌ها بتوانند آن را درک و استفاده کنند، نه صرفاً تشخیص متن.
این مدل با سرعت بی‌سابقه‌ای (حدود ۶.۴۹ برابر سریع‌تر از مدل‌های مشابه) کار می‌کند و عملکردی در سطح یا بهتر از مدل‌های بسیار بزرگتر عمومی دارد.

Introducing LightOnOCR-1B

از طرف سارا:

یه نوشته‌ی جالب دیدم امروز:

I graduated in Computer Science in the early 2000s.
When I took a Databases class, NoSQL didn't exist.
When I took a Computer Graphics class, OpenGL didn't support shaders.
When I took a Computer Security class, no one knew about botnets yet.
When I took an Artificial Intelligence class, deep learning didn't exist.
When I took a Programming Languages class, reactive programming wasn't a «thing».
When I took a Distributed Systems class, there was no Big Data or cloud computing.
When I took an Operating Systems class, hypervisors didn't exist (in PCs at least).
When I took a Networking class, there was no wifi in my laptop or internet in my phone.

Learn the fundamentals. The rest will change anyway.

ترجمه:

من اوایل دهه‌ی ۲۰۰۰ در رشته‌ی علوم کامپیوتر فارغ‌التحصیل شدم.
وقتی درس پایگاه داده می‌خوندم، چیزی به نام NoSQL وجود نداشت.
وقتی درس گرافیک کامپیوتری داشتم، OpenGL هنوز از شیدرها پشتیبانی نمی‌کرد.
وقتی درس امنیت کامپیوتر می‌گذروندم، هیچ‌کس چیزی درباره‌ی بات‌نت‌ها نمی‌دونست.
وقتی درس هوش مصنوعی داشتم، یادگیری عمیق هنوز به وجود نیومده بود.
وقتی درس زبان‌های برنامه‌نویسی می‌خوندم، برنامه‌نویسی واکنشی اصلاً «چیزِ معروفی» نبود.
وقتی درس سیستم‌های توزیع‌شده می‌گذروندم، نه داده‌های عظیم (Big Data) وجود داشت، نه رایانش ابری.
وقتی درس سیستم‌عامل داشتم، هایپروایزرها (hypervisors) هنوز وجود نداشتن (حداقل توی کامپیوترهای شخصی).
و وقتی درس شبکه می‌خوندم، نه لپ‌تاپم وای‌فای داشت، نه گوشیم اینترنت.
پایه‌ها رو یاد بگیر. بقیه‌اش بالاخره عوض می‌شن.