- 105
- 76 301
Reza Shokrzad
Netherlands
Приєднався 24 гру 2012
هدف این کانال آموزش زمینههای زیر در حوزه علم داده است.
۱. یادگیری ماشین
۲. یادگیری عمیق
۳. تحلیل آماری دادهها
۴. مهارتهای یک مهندس ماشین لرنینگ
۵. مهارتهای یک دیتا ساینتیست
۱. یادگیری ماشین
۲. یادگیری عمیق
۳. تحلیل آماری دادهها
۴. مهارتهای یک مهندس ماشین لرنینگ
۵. مهارتهای یک دیتا ساینتیست
چطور هوش مصنوعی و ماشین لرنینگ رو وارد پایاننامه ارشد و دکتری همه رشتهها کنیم؟
یه سوالی که برای دانشجوهای ارشد و دکتری همه رشتهها هست اینه که آیا باید هوش مصنوعی رو وارد موضوع مورد تحقیق دانشگاهی خودمون کنیم؟ اگر آره چطور میتونیم این کار رو انجام بدیم؟ به خصوص اگر رشته غیر مرتبط با دیتاساینس و علوم کامپیوتر میخونیم تا چه سطحی باید ماشین لرنینگ بلد باشیم.
تو این ویدیو، اول متوجه میشیم چرا وارد کردن هوض مصنوعی در پایان نامه فرصتی خوب برای ورود به این حوزه است. بعد اینکه چه نکاتی رو باید برای ریسرچ در نظر بگیریم. و در نهایت تا چه سطحی و چطور ماشین لرنینگ رو یاد بگیرم.
00:00 مقدمه و رفع مسئولیت disclaimer
01:34 محتوای وبینار
02:55 چرا هوش مصنوعی و ماشین لرنینگ باید در پایان نامه ها بیاد
14:15 پایههای اساسی ریسرچ
20:39 نیازمندیهای دانشگاه و استاد راهنما
28:25 انتخاب موضوع پایاننامه
34:05 استراتژی وارد کردن هوش مصنوعی به پایان نامه
41:35 ارزیابی تاپیکهای با پتانسیل
47:17 نحوه آماده کردن پروپوزال و ارائه
54:22 ۷ مرحله انتخاب موضوع شامل هوش مصنوعی
56:09 ماشین لرنینگ مورد نیاز پایان نامه ها در سطوح مختلف
آدرس کانالهای ارتباطی:
بلاگ مقالات به روز حوزه: ctdrs.ir/ds1111
وبسایت دپارتمان علم داده: cafetadris.com/datascience
کانال تلگرام تخصصی علم داده: @dslanders
id تلگرام من: @rezashokrzad
تو این ویدیو، اول متوجه میشیم چرا وارد کردن هوض مصنوعی در پایان نامه فرصتی خوب برای ورود به این حوزه است. بعد اینکه چه نکاتی رو باید برای ریسرچ در نظر بگیریم. و در نهایت تا چه سطحی و چطور ماشین لرنینگ رو یاد بگیرم.
00:00 مقدمه و رفع مسئولیت disclaimer
01:34 محتوای وبینار
02:55 چرا هوش مصنوعی و ماشین لرنینگ باید در پایان نامه ها بیاد
14:15 پایههای اساسی ریسرچ
20:39 نیازمندیهای دانشگاه و استاد راهنما
28:25 انتخاب موضوع پایاننامه
34:05 استراتژی وارد کردن هوش مصنوعی به پایان نامه
41:35 ارزیابی تاپیکهای با پتانسیل
47:17 نحوه آماده کردن پروپوزال و ارائه
54:22 ۷ مرحله انتخاب موضوع شامل هوش مصنوعی
56:09 ماشین لرنینگ مورد نیاز پایان نامه ها در سطوح مختلف
آدرس کانالهای ارتباطی:
بلاگ مقالات به روز حوزه: ctdrs.ir/ds1111
وبسایت دپارتمان علم داده: cafetadris.com/datascience
کانال تلگرام تخصصی علم داده: @dslanders
id تلگرام من: @rezashokrzad
Переглядів: 603
Відео
جاب سرچ (کاریابی) در لینکدین
Переглядів 5284 місяці тому
برای لیسانسه و کارشناسی ارشدها، یکی از بهترین روشهای بیرون زدن، اپلای مستقیم برای موقعیتهای شغلی اینترنشنال هست که توی این ویدیو راجع بهش صحبت شده. این ویدیو مربوط به وبینار شماره ۳۱ هست که در تیر ماه ۱۴۰۳ برگزار شد که نکات کلیدی کاریابی رو پوشش میده. چون من تخصصم دیتا هست با تمرکز روی دیتا مطالب ارائه شده ولی میشه یه برداشت کلی برای رشتههای غیرمرتبط به این تخصص هم از این وبینار داشت. لیست وب...
چت بات کلاد ۳.۵ (سونت) و رقابتش با چت جی پی تی
Переглядів 3885 місяців тому
تو دهه آینده هوش مصنوعی جایگزین انسان توی مشاغل نمیشه، ولی آدم هایی که از ابزار هوش مصنوعی استفاده کنن جای کسانی که این مهارت رو ندارن رو میگیرند. یکی از این مهارت ها استفاده از چت بات هاست که امکان افزایش سرعت و بهره وری انجام کارها رو ایجاد میکنند. تو این ویدیو میخواستم به بهونه اینکه کلاد ۳.۵ رو معرفی کنم، چند تا از کارهایی که میشه باهاشون انجام داد رو با هم بررسی کنیم. پلتفرم کلاد (شماره ...
رزومه کاری | ۱۲ نکته کاربردی و تمپلیت پیشنهادی
Переглядів 4226 місяців тому
اگه فرایند جاب سرچ یا کاریابی رو یه پروژه در نظر بگیریم، کار کردن روی رزومه و بهینه کردنش از تسک های اصلی این فرایند حساب میشه. رزومه اولین نقطه ارتباطی با کمپانی هست که داریم براش اپلای میکنیم و مهمه که روی قسمتهای مختلف اش درست و اصولی کار بشه. لینک دسترسی به فایل word رزومه: docs.google.com/document/d/1yQlHoS1G9iIN8y_zHNqTw1fmtV7dKWDg/edit?usp=sharing&ouid=116800374511688730775&rtpof=true&s...
اولین مدل زبانی بزرگ گوگل | BERT
Переглядів 8556 місяців тому
قطعا یکی از مهمترین و شاید اولین کاربرد جدی معماری ترانسفورمرها مدل زبانی گوگل (برت) هست. ایده هایی که توی معماری برت استفاده شده خیلی توی درک درست این مدل از کانتکست کمک کرده از جمله پیش بینی جمله بعد یا ماسک کردن کلمات یا حتی مدل تعبیه توکن ها. مقاله bert: arxiv.org/abs/1810.04805 00:00 what is bert 01:00 موزیک در ستایش bert 01:55 بررسی کلیات مقاله 02:43 یادآوری ترانسفورمرز 06:15 دوطرفه بودن ...
داشبورد ترک کردن اپلیکیشنهای کاری
Переглядів 4256 місяців тому
این داشبورد رو من خودم زمانی که داشتم جاب سرچ میزدم ساختم و باهاش کار میکردم. خیلی جای بهبود داره و اگر پیشنهاد دارید برای بهتر شدنش حتما بگید که درستش کنیم برای آیندگان! کلا جاب سرچ خیلی فرایند سختیه و امیدوارم هر کسی داره تجربه اش میکنه بهش آسون تر از متوسط بگذره. یادمون نره که تو هیچی تنها نیستیم و حسی که ما تجربه میکنیم رو همه به یه نحوی داشتن و دارن. لینک دسترسی به داشبورد: docs.google.com...
ترانسفورمر و مکانیزم توجه | Transformer and Attention
Переглядів 1,8 тис.7 місяців тому
شاید بشه گفت ایده transformer ها که تو مقاله Attention is all you need اومده، از جذابترین و پرکاربردترین معماریهای شبکه عصبی بودن تا جایی که اکثر مدلهای زبانی بزرگی که امروز میشناسیم از جمله ChatGPT و حتی بخش عمده ای از کاربردهای پردازش تصویر و ویدیو از این معماری استفاده میکنن. تو این ویدیو بیشتر میخواستم با ساختار و جزییات این مدل آشنا بشیم و اگر دیدم که این بحث میتونه جذاب باشه براتون توی ...
توسعه مهارتهای فردی | شبیه سازی زندگی و شغل با بازی و سریال
Переглядів 4297 місяців тому
این ویدیو بخشی از وبینار توسعه مهارتهای فردی برای علم داده و ماشین لرنینگ هست. 01:05 افسردگی در اثر تمرکز بیش از حد روی هدف 03:00 اهمیت رشد پایدار 04:38 بازی شخصی 06:32 اهمیت استراتژی داشتن برای مدیریت زمان 11:18 اهمیت ساختن پشتوانه قوی 14:40 نقش تصمیمات امروز تو سرنوشت آدرس کانالهای ارتباطی: وبسایت دپارتمان علم داده: cafetadris.com/datascience بلاگ مقالات به روز حوزه: ctdrs.ir/ds1111 کانال ت...
مقاله شبکه عصبی یونت | U-Net 2015
Переглядів 4837 місяців тому
شبکههای عصبی کانولوشنی و بازگشتی خیلی ساختار متفاوتی دارند و تقریبا ربطی به هم ندارن. از یه جا با هم یک چیزی رو مشترک وارد ساختارهاشون کردن اون هم مفهوم autoencoders هست. CNNs ها با U-net این و RNNs ها با Transformers از ساختار AutoEncoders بهره بردن. درک ساختار U-Net به درک مفهوم AutoEncodrs خیلی کمک میکنه و توی این ویدیو به بهونه بررسی مقاله یونت میخواهیم با فرایند down/up sampling که توی سا...
دیپ لرنینگ | EfficientNet یادگیری انتقالی و پیاده سازی با Keras
Переглядів 4248 місяців тому
به خاطر ساختار نتورک و سرعت بالاتر در فازهای train و test از بین نتورکهای عمیق برنده ILSVRC نتورک EfficientNet یکی از محبوبهاست. تو این ویدیو روی مقاله efficientNet صحبت میشه و از روی داکیومنت کراس از مدل pre-trained اش هم برای کلاسبندی دیتاست Food101 استفاده میکنیم. ۴ تا مبحث جدید زیر رو هم یاد میگیریم: Inverted bottleneck MBConv Squeeze-and-excitation optimization Stochastic Depth تابع فعالس...
دیپ لرنینگ | VGGNet یادگیری انتقالی و پیاده سازی با کراس
Переглядів 3718 місяців тому
هم با تاریخچه، ساختار و معماری VGG آشنا بشیم و هم با کمک Keras در پایتون یک پردازش تصویر ساده انجام بدیم تا با مفهوم Pre-trained Models و یادگیری انتقالی (Transfer Learnign) آشناتر بشیم. لینک سایر نتورکها: الکس نت AlexNet ua-cam.com/video/psZBKNPN9ZU/v-deo.html گوگل نت GoogleNet ua-cam.com/video/FqGihHxORtI/v-deo.html رزنت ResNet ua-cam.com/video/PYUVw87YNMQ/v-deo.html EfficientNet ua-cam.com/...
دیپ لرنینگ | گوگل نت و کانولوشن ۱ در ۱
Переглядів 4948 місяців тому
اگر بخواهیم گوگل نت رو توی سه تا لغت خلاصه کنیم میشه Deep, Modular, Efficient. چند تا ایده مهم توی این نتورک هست از جمله اینکه Conv1*1 معرفی شده که اجازه میده به تعداد قابل توجهی فیلتر با سایز مختلف بزنیم. از طرفی ایده هایی مثل چند خروجی گرفتن برای جلوگیری از محو گرادیان و پولینگ میانگین (Average Pooling) رو تو این مقاله هم میبینیم. مقاله Going deeper with convolutions: arxiv.org/pdf/1409.4842....
مقاله شبکه عصبی رزنت | ResNet 2015
Переглядів 5378 місяців тому
به نظر میاد دومین انتخاب منطقی برای پلی لیست بررسی مقاله های ماشین لرنینگ، مقاله نتورک رزنت باشه که هم از نظر نگارش خیلی مقاله جالبیه و هم از نظر محتوا و ایده خیلی مهمه تا اونجا که کلی از ایده های مطرح شده تو این مقاله در مدلهای امروزی خیلی استفاده میشه. لینک دانلود مقاله رزنت ResNet: arxiv.org/pdf/1512.03385.pdf دسترسی به ویدیوهای سایر نتورکها: Alex Net ua-cam.com/video/psZBKNPN9ZU/v-deo.html ...
مقاله شبکه عصبی الکس نت | AlexNet 2012
Переглядів 7378 місяців тому
شاید منطقیترین مقاله برای شروع ریسرچ توی ماشین لرنینگ همین مقاله AlexNet با عنوان کامل ImageNet Classification with Deep Convolutional Neural Networks باشه. چون این مقاله هم نقش به سزایی توی رشد مدلهای شبکه عصبی امروزی داشته هم اینکه نکات ریزی داره که کلی میشه ازش یاد گرفت. مقاله رو با هم بخونیم و در آخر حتما باهام نظرتون رو شر کنید که آیا ویدیوهای این فرمی میتونه کمک کننده باشه که در غیر این...
وبینار ماشین لرنینگ در مدیریت کسب و کار | ML in MBA
Переглядів 5688 місяців тому
وبینار ۲۷ به کوشش انجمن علمی دانشگاه شریف برگزار شد. امسال ۱۴۰۲ سه گانه دانشگاه های تهران، پلی تکنیک و شریف با این وبینار تکمیل شد. چون وبینار از انجمن علمی دانشکده اقتصاد و مدیریت برگزار شد موضوع حوالی رشته مدیریت کسب و کار MBA گذشت. دانلود فایل ارائه در این جلسه: drive.google.com/file/d/1I7sWgJ00OyDnOEsu-JKvSwr9AZJT7qIQ/view?usp=sharing 00:00 فهرست محتوای وبینار 02:00 گذار از شیوه های مدیریت ...
ماشین لرنینگ و دیتا آنالیز با پرامپت درست در چت جی پی تی
Переглядів 8359 місяців тому
ماشین لرنینگ و دیتا آنالیز با پرامپت درست در چت جی پی تی
وبینار ماشین لرنینگ و هوش مصنوعی (پاییز ۲۰۲۳)
Переглядів 50710 місяців тому
وبینار ماشین لرنینگ و هوش مصنوعی (پاییز ۲۰۲۳)
09. پکیج پایتونی پانداز | تمرین پانداز در Leetcode با مثالهای واقعی | Pandas
Переглядів 23510 місяців тому
09. پکیج پایتونی پانداز | تمرین پانداز در Leetcode با مثالهای واقعی | Pandas
08. پکیج پایتونی پانداز | تمرین پانداز در stratascratch با مثالهای واقعی | Pandas
Переглядів 20310 місяців тому
08. پکیج پایتونی پانداز | تمرین پانداز در stratascratch با مثالهای واقعی | Pandas
07. پکیج پایتونی پانداز | مصورسازی در پانداز | Pandas
Переглядів 24510 місяців тому
07. پکیج پایتونی پانداز | مصورسازی در پانداز | Pandas
06. پکیج پایتونی پانداز | جوین و استک دو دیتافریم در پانداز | Pandas
Переглядів 20611 місяців тому
06. پکیج پایتونی پانداز | جوین و استک دو دیتافریم در پانداز | Pandas
05. پکیج پایتونی پانداز | تابع های تجمیعی و کوئری زدن در پانداز | Pandas
Переглядів 24011 місяців тому
05. پکیج پایتونی پانداز | تابع های تجمیعی و کوئری زدن در پانداز | Pandas
شروع یادگیری ماشین لرنینگ برای مبتدی ها (پیش نیازها و نحوه مطالعه)
Переглядів 66811 місяців тому
شروع یادگیری ماشین لرنینگ برای مبتدی ها (پیش نیازها و نحوه مطالعه)
04. پکیج پایتونی پانداز | دسترسی به سطرها، فیلتر داده و رفع داده نال در پانداز | Pandas
Переглядів 29111 місяців тому
04. پکیج پایتونی پانداز | دسترسی به سطرها، فیلتر داده و رفع داده نال در پانداز | Pandas
03. پکیج پایتونی پانداز | دستکاری ستونها در پانداز | Pandas
Переглядів 30511 місяців тому
03. پکیج پایتونی پانداز | دستکاری ستونها در پانداز | Pandas
02. پکیج پایتونی پانداز | توصیف جداول در پانداز | Pandas
Переглядів 42711 місяців тому
02. پکیج پایتونی پانداز | توصیف جداول در پانداز | Pandas
01. پکیج پایتونی پانداز | ساخت دیتافریم با پانداز | Pandas
Переглядів 79111 місяців тому
01. پکیج پایتونی پانداز | ساخت دیتافریم با پانداز | Pandas
یادگیری ماشین لرنینگ (مزیت یا ضرورت؟) | تاریخچه هوش مصنوعی
Переглядів 798Рік тому
یادگیری ماشین لرنینگ (مزیت یا ضرورت؟) | تاریخچه هوش مصنوعی
پیش بینی ارقام دست نوشت با ماشین لرنینگ - تعبیه مدل در وب پیج با فلسک
Переглядів 548Рік тому
پیش بینی ارقام دست نوشت با ماشین لرنینگ - تعبیه مدل در وب پیج با فلسک
aali kash end to end real world project baramoon video besazid
سلام. وقتتون بخیر. ببخشید کلاس آنلاین یک نفره هم برگزار میکنین؟
Very nice
سلام استاد وقتتون بخیر، من دوره دیتاساینس کافه تدریس رو ثبت نام کردم و دارم میبینم فعلا علم داده 1 هستم و دارم میرم جلو، این پلی لیست رو کامل ببینم؟ یا این دو قسمت آخر که این داشبورد رو پیاده سازی کردید نیازی نیست ببینم؟ باتشکر
عالی. این عشق شما به تدریس به آدم انرژی میده
سلام استاد شما دوتا سایت رو معرفی کرده بودین که میتونیم از توش سمپل های واقعی پروژه یا سوالات شرکت ها رو ببینیم و انجام بدیم جهت تست میشه لینک ش رو بدین لطفا
خیلی خوب بود ❤ سپاسگزارم
Bh
شما فوق العاده هستید وبی نهایت ممنونم این توضیحات عالی و اصلی بود بدون حاشیه شما خیلی به بنده کمک کرد برای پروژم به امید آموزشهای بیشتر
Perfect 👍
سلام استاد واقعا واضح و کامل توضیح میدین.واقعا ممنونیم ازتون استاد من جلسه بعدی گرادیان کاهشی رو میخواستم تهیه کنم. لطف میکنید راهنماییم کنید.؟
سلام. ببین این ویدیو بخشی از دوره جامع دیتاساینس بود. ادامهاش همینجاست: cafetadris.com/courses/datascience/%D8%AF%D9%88%D8%B1%D9%87-%D8%AC%D8%A7%D9%85%D8%B9-%D8%AF%DB%8C%D8%AA%D8%A7-%D8%B3%D8%A7%DB%8C%D9%86%D8%B3-%D9%88-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D9%84%D8%B1%D9%86%DB%8C%D9%86%DA%AF
واقعا ویدئو تخصصی و پر محتوایی بود معلوم بود وقت گذاشتید بسیار بسیار تشکر
Thank you for this informative video! I have a question: I completed my master’s degree eight years ago but haven’t accumulated any job experience since. Is it still realistic for me to apply for a job or a PhD program? Additionally, how can I best explain this gap, and where in my application should I address it?
Don’t worry; in the worst case, you might not receive any offers for admission (whether for a job or PhD). But at least you’ll have done your best, and I believe you shouldn’t give up. As for explaining any gaps, I don’t know enough about your background to advise specifically, but you could consider something like “volunteer activities” such as giving lectures. Remember, the application process itself offers a lot of learning, so it’s worth trying, even if it doesn’t lead to the exact result you’re hoping for.
دمت گرم خیلی ردیف بود
سلام جناب شکرزاد ممنون از اموزش خوبتون یسوال دارم اگر لینک گیت هاب یک مقاله رو داشته باشیم چطوری میتونیم روی سیستم خودمون اون موضوع رو پیاده سازی کنیم؟
سلام. ببین معمولا مدلهایی که توی مقالات معرفی میشه داکر شده میذارن روی ریپو و تو با چند تا دستور (کامند پرامپت) میتونی رانشون کنی. حتی برای فاین تیون کردن هم خودشون دستوراتش رو پیشنهاد میدن. باید readme اشون رو با حوصله بخونی و قدم به قدم اجرا کنی. اصلا کار سختی نیست.
سلام و ارادت استاد امیدوارم سلامت باشید. امکانش هست سوالات مصاحبه و استخدامی دیتاساینس رو بررسی کنید یا یک ماک اینترویو با یکی از بچه های دوره ی دیتاساینس برید ؟ باتشکر🌹🌹❤❤
سلام ایده جالبیه. باید ببینم بچهها کی آماده است این کار رو بکنیم. البته توی یوتیوب باید باشه مشابه این ویدیوها، به خصوص انگلیسی اگه بخوای که حتما هست.
سلام و درود استاد من کارشناسی ارشد هوش مصنوعی میخونم، برا پایان نامه و مقاله با یکی از اساتیدم که صحبت کردم گفت به هوش مصنوعی به عنوان راه حل برای مسائل نگاه کن و اینکه نوآوری تو این حوزه و حرف جدید و تازه زدن خیلی سخته، نظر شما هم همینه ؟ نمیشه مثلا روی بهینه سازی بعضی از الگوریتم ها کار کرد؟
سلام. منم موافقم. برای نوآوری به هر حال اجرای ایده هم مهمه. اگر ایران هستی احتمالا زیاد زیرساخت سخت افزار لازم برای ساپورت ایده ات رو نداشته باشی و توی ساپورتش به مشکل میخوری جلوتر. به نظرم خیلی شانسش کمه جایی رو پیدا کنی که کسی تا حالا بهینه نکرده و بخوای الگوریتمی رو بهبود بدی. تو سطح ارشد که حدود ۶ ماه تا ۱ سال هم بیشتر وقت نمیذاری برای پایان نامه و توی این زمان شانسش کمتر هم میشه بتونی کار موثری بکنی. منم با استادت موافقم.
سپاسگزارم دوست عزیز واقعا عالی بود توضیحات😊
میشه طرز استفاده ازشون را بزارید
روی پلتفرم هاگینگ فیس میتونید خیلی ساده پیاده اش کنید. ولی توی آینده نزدیک برنامه آموزشی رایگان روی یوتیوب دارم که همونجا حتما پیاده سازی این مدلها رو میذارم.
خیلی عالی بود
عالی ... ممنون که به اشتراک میزارید
تدریستون عالیه. ممنونم واقعا
be jorat mitonam begam man baliyii 100 video maghale didam be in khobi tozih nadan ke shom a tozih daddin😍
awliii bood
خیلی عالی بود استاد محترم اگر کدام کورس درقسمت هوش مصنوعی ماشین لرنیننک دارید ویا در نظردارید لطفا به اشتراک بگذارید.
سلام. تمام دوره هایی که برگزار کردم رو میتونید تو لینک زیر پیدا کنید. cafetadris.com/datascience
سلام. ممنون از توضیحات خیلی خوبتون. یک موردی که در باره skip connection ها به نظر من میرسه اینه که در واقع تابع مورد استفاده اسکیپ کانکشنها بر خلاف بدنه شبکه عصبی خطی هستند. یعنی شبکه در هر لایه با مقادیری که از یک تابع غیر خطی (بدنه شبکه عصبی) و یک تابع خطی (اسکیپ کانکشن) تغذیه میشود. اگر در واقعیت سیستمی که ما سعی میکنیم مدل کنیم در بعضی از مفاهیم یا لایه ها واقعا یک سیستم غیر خطی پیچیده نباشند در فرآیند یادگیری یاد میگیرد که ضرایب تابع خطی (اسکیپ کاتکشن) را تقویت و وزنهای تابع غیر خطی(بدنه شبکه عصبی) را کاهش دهد. بنابراین اگر ما در طراحی شبکه از تعداد لایه های بیشتر از نیاز شبکه عصبی استفاده کنیم سیستم یاد میگیرد که لایه های شبکه عصبی اضافی را خاموش کند و داده ها را از توابع خطی عبور دهد و چون ترکیب هر چند تابع خطی باز هم یک تابع خطی میشود. بنابراین انگار از یک لایه به بعد با یک تابع خطی به خروجی مدل میانبر میزنیم. دوست دارم نظر شما را در اینباره بدانم.
خوب توضیح می دید واقعا ممنونم از شما
سلام و درود استاد، ممنون از شما واقعا عالی هستید. لطفا این پلی لیست رو ادامه بدید. ❤❤🌹🌹
great & helpful
fdjkfgm
tedyjdtx
1️⃣0️⃣0️⃣
❤❤❤
Thanks teacher❤❤❤
👌👌👌
❤❤❤
mashti v aali ❤❤❤
sepas ❤
👌👌👌
Like❤
tnx ❤❤❤
Great ❤❤❤
Perfect 👌
عالی بود استاد❤❤❤
خیلی عالی بود. آفرین بر شما.
به به! چقدر ویدئوی تخصصی و با جزئیات خوبی بود. مرسی که اینقدر با جزئیات توضیح میدهید. اکثر ویدئو ها معمولا اینقدر ریز نمیشوند توی جزئیات و بصورت کلی بررسی میکنند.
Thank you ❤❤❤
Excellent❤
❤👌
واقعا عالی بود ممنون