یکسری از زیر مجموعه های 802 که نتوانستند در بازار رقابت کنند درنتیجه منحل شدند.
آقا دو روزه دارم یاد میگیرم چجوری با پایتون کد RL بزنم تا بتونم الگوریتم شبیه سازیم رو بنویسم. جاتون خالی رسما گسسته شدم.
توی این مدت خیلی گشتم و ویدئوها و بلاگ های زیادی دیدم ولی خدایی هیچی اندازه ویدئو دیدن توی این زمینه خوب نیست. من خودم دوست دارم با کتاب خوندن یاد بگیرم چون کتاب دارای چهارچوب و نکته های که توی فهموندم قضیه کمک میکنه.
به هرحال خواستم بگم که اغلب ویدئو ها اومدن با استفاده از کتاب خونه gym محیط یا environment رو تعریف کردن. کم آموزشی دیدم تا بخواهد یاد بده چجوری محیط و agent رو از صفر یعنی از Scratch بنویسی. بعد جالبیش اینکه خیلی از ویدئوها یا زیادی تخصصی نگاه کردن یا اینکه طرف صرفا یک برنامه نویسه که بلد کد بزنه. حالا بعضی از ویئو ها یک کد از قبل آمده رو دارن و از روش توضیح میدن. اینجور ویدئو ها کلا به درد کار های پژوهشی غیر مرتبط نمیخوره حقیقت. وقتتون رو هدر ندید.
حالا توی سرچ هام به یک کانالی رسیدم به نام Machine Learning with Phil این آقا مثل اینکه فیزیک الکترونیک خونده اما بلده چجوری کد بزنه و مطلب رو برسونه. از طرفی دیگه ویدئوهاش رو ببینید متوجه میشید دانشش توی این قضیه اوکی و background یادگیری ماشینش قویه. خلاصه بنظرم خیلی خوبه و کار راه بنداز. مثلا بدون کتابخونه یادمیده چجوری مدلتون رو بسازید.
شاید ویدئوهاش برای 6 و 7 سال پیش باشه اما از قدیم گفتن old but gold.
یک بنده خدای کچل هم هست به اسم Nicholas Renotte که بد نیست. آموزش به درد نوشتن الگوریتم نمیخوره ولی باید بگم که شاید طرف کچل باشه ولی ویدئوهاش کامله.
(این پست احتمالا بعدا آپدیت نمیشه)
توی این مدت خیلی گشتم و ویدئوها و بلاگ های زیادی دیدم ولی خدایی هیچی اندازه ویدئو دیدن توی این زمینه خوب نیست. من خودم دوست دارم با کتاب خوندن یاد بگیرم چون کتاب دارای چهارچوب و نکته های که توی فهموندم قضیه کمک میکنه.
به هرحال خواستم بگم که اغلب ویدئو ها اومدن با استفاده از کتاب خونه gym محیط یا environment رو تعریف کردن. کم آموزشی دیدم تا بخواهد یاد بده چجوری محیط و agent رو از صفر یعنی از Scratch بنویسی. بعد جالبیش اینکه خیلی از ویدئوها یا زیادی تخصصی نگاه کردن یا اینکه طرف صرفا یک برنامه نویسه که بلد کد بزنه. حالا بعضی از ویئو ها یک کد از قبل آمده رو دارن و از روش توضیح میدن. اینجور ویدئو ها کلا به درد کار های پژوهشی غیر مرتبط نمیخوره حقیقت. وقتتون رو هدر ندید.
حالا توی سرچ هام به یک کانالی رسیدم به نام Machine Learning with Phil این آقا مثل اینکه فیزیک الکترونیک خونده اما بلده چجوری کد بزنه و مطلب رو برسونه. از طرفی دیگه ویدئوهاش رو ببینید متوجه میشید دانشش توی این قضیه اوکی و background یادگیری ماشینش قویه. خلاصه بنظرم خیلی خوبه و کار راه بنداز. مثلا بدون کتابخونه یادمیده چجوری مدلتون رو بسازید.
شاید ویدئوهاش برای 6 و 7 سال پیش باشه اما از قدیم گفتن old but gold.
یک بنده خدای کچل هم هست به اسم Nicholas Renotte که بد نیست. آموزش به درد نوشتن الگوریتم نمیخوره ولی باید بگم که شاید طرف کچل باشه ولی ویدئوهاش کامله.
(این پست احتمالا بعدا آپدیت نمیشه)
YouTube
Machine Learning with Phil
Howdy! At Neuralnet.ai we cover artificial intelligence and deep learning tutorials in a variety of topics, ranging from reinforcement learning to natural language processing. The bulk of my content is in deep reinforcement learning, where I present lectures…
❤4
Forwarded from coffee Time
how to implement RL with python (Env Free)
———— channels ————
1. Machine Learning with Phil
2. Nicholas Renotte
3. Luke Ditria
4. Johnny Code
———— my order ————
1. Reinforcement Learning in 3 Hours
2. create custom environment, part 2
3. How to create a reinforcement learning environment
4. create custom Env with gym
5. DQN with gym
6. complicated DRL code
7. neural networks
8. Q-learning with e-greedy
———— channels ————
1. Machine Learning with Phil
2. Nicholas Renotte
3. Luke Ditria
4. Johnny Code
———— my order ————
1. Reinforcement Learning in 3 Hours
2. create custom environment, part 2
3. How to create a reinforcement learning environment
4. create custom Env with gym
5. DQN with gym
6. complicated DRL code
7. neural networks
8. Q-learning with e-greedy
YouTube
Machine Learning with Phil
Howdy! At Neuralnet.ai we cover artificial intelligence and deep learning tutorials in a variety of topics, ranging from reinforcement learning to natural language processing. The bulk of my content is in deep reinforcement learning, where I present lectures…
👍2
coffee Time
how to implement RL with python (Env Free) ———— channels ———— 1. Machine Learning with Phil 2. Nicholas Renotte 3. Luke Ditria 4. Johnny Code ———— my order ———— 1. Reinforcement Learning in 3 Hours 2. create custom environment, part 2 3. How to create a…
اون پست قبلیه رو آبدیت نکردم همون دو کانال بنظرم از همشون شاخ تر بودن. اما این پسته که کلی لینک داره از کانال شخصی ام گذاشتم برای همین یکسری کانال های اضافه که بنظرم از بقیه بهتر بودن رو هم توی لیست به ترتیب گذاشتم.
coffee Time
how to implement RL with python (Env Free) ———— channels ———— 1. Machine Learning with Phil 2. Nicholas Renotte 3. Luke Ditria 4. Johnny Code ———— my order ———— 1. Reinforcement Learning in 3 Hours 2. create custom environment, part 2 3. How to create a…
در ادامش هم یک بخشی هست به اسم my order توی این قسمت ترتیب دیدن ویدئو ها رو برای خودم نوشته بودم
حقیقت چند وقتیه که دارم تابع هدف پایان نامه رو مینویسم اما یک چیزی که برام شده فتح قله کوه اورست پیدا کردن تاخیر صفه. شاید خیلی ها از این قضیه سر در نیارن که مشکل چی می تونه باشه.
ببینید شما میتوانید به دو روش برای سیستم تون تاخیر صف بدست بیارید. مثلا اگر سیستم صفتون M/M/1 باشه یا هر مدل شناخته شده دیگه ای باشه خب خیلی راحته تنها باید از روش های ارزیابی کارایی استفاده کنید. این روش ها فرمول های شناخته شده داره که قابل استفاده است. از طرفی این مدل ها برای سیستم های زمان پیوسته پیشنهاد شده. هرچند با تعمیم دادن اون ها میشه زمان گسسته رو هم نوشت.
مثلا فرمول زیر برای تاخیر صف در مدل صف سیستم های M\G\1 است.
D_i (t) = Q(t) + X_n (t) - X_i (t)
تاخیر صف میشه جمع تاخیر وظایفی که در صف هستند + تاخیر وظیفه ای که در حال پردازش است منهای زمان ورودی وظیفه به صف.
یا مثلا در مدل صفی همچون M/M/1 اگر متوسط تعداد وظایف در صف را بخواهیم به دست بیارییم با استفاده از نظریه Little میشد به دست آورد.
اما مشکل زمانی شروع میشه که سیستم مدل صف نداره مثلا نمیدونی نرخ ورود وظایف به صف چجوریه. الان منم دقیقا اینجا به مشکل خوردم. توی مدل سیستمی من نرخ ورود وظایف به سیستم یا دقیق تر بگم صف را ندارم. حالا چون نرخ ورود رو ندارم نمیتونم از فرمول های صف پیشنهادی استفاده کنم. باید دنبال یک راه حل جدید یا دیگه ای باشم.
برای همین چندتا از paper ها رو گشتم دیدم این مسئله ها رو به طور معمول با استفاده از نظریه کنترل حل میکنند نه روش های ارزیابی. در ادامه میخوام خیلی خلاصه در این باره صحبت کنم.
از نظر control theory سیستم ها به چند تا تقسیم میشوند. سیستم های خطی و سیستم های غیر خطی از همه معروف تر است. حالا این سیستم ها با گذر زمان و در طول اجرا شون از حالت های مختلفی عبور میکنند. ما میاییم حالاتی که سیستم از آن عبور میکنه رو بدست میاریم تا بتونیم تحلیل رفتار کنیم. شما سیستم را میتونید از چند منظر تحلیل رفتار کنید. به طور کلی یا قطعیت میخواهید یا عدم قطعیت میخواهید یا رفتارها را محدود میکنید و از نظر پایداری تحلیل میکنید.
تحلیل سیستم های غیر خطی مشکل تر از سیستم های خطی است. در سیستم های خطی ما میگوییم سیستم پایدار است اما در سیستم های غیر خطی میگوییم سیستم در فلان نقطه پایدار است. این نقطه رو نقطه تعادل یا equalibrium point میگویند.
نظریه کنترل از کلی نظریه های دیگر درست شده است. یکی از این نظریه ها که من جدیدا با اون آشنا شدم نظریه lyapunov است.
این نظریه هم برای سیستم های خطی کاربرد داره و هم غیر خطی. در واقع ایده این نظریه از فیزیک میاد. این نظریه خیلی تیریویال است و قابل درک.
این نظریه دو تا چالش اساسی داره. اول اینکه باید یک تابع لیاپونوو رو ما بدست بیاریم. این تابع تابع هدف مون هست. مثلا مصرف انرژی و... . پیدا کردن این تابع سخته چون تعداد این توابع خیلی زیاد هست. دومین مشکل هم چیزی هست به نام asymptatic stability. نظریه لیاپونوو شرط کافی برای پایداری را بیان میکنه نه لازم. بنابراین این نوع از پایداری باعث شده که چندین نظریه دیگه بیاد و نظریه لیاپونوو را تکمیل کنه. نظریه همچون stellar.
خوب فکر کنم توضیح درباره این تا همین جا کافیه. بنظرم این پروپوزال خیلی چیز جالبی داره سمتم میاره. برخی نظریه هایی که توی حل مسائل زمانبندی پیدا میکنم داره جالب تر میکنه کار رو :) چند وقت پیش هم با استاد خرسندی یکسری صحبت ها داشتم و ایشون نسبت به پایان نامه امیدوار بود که پتانسیل چاپ و مقاله کردن داره. همین اتفاق هم خواهد افتاد.
ببینید شما میتوانید به دو روش برای سیستم تون تاخیر صف بدست بیارید. مثلا اگر سیستم صفتون M/M/1 باشه یا هر مدل شناخته شده دیگه ای باشه خب خیلی راحته تنها باید از روش های ارزیابی کارایی استفاده کنید. این روش ها فرمول های شناخته شده داره که قابل استفاده است. از طرفی این مدل ها برای سیستم های زمان پیوسته پیشنهاد شده. هرچند با تعمیم دادن اون ها میشه زمان گسسته رو هم نوشت.
مثلا فرمول زیر برای تاخیر صف در مدل صف سیستم های M\G\1 است.
D_i (t) = Q(t) + X_n (t) - X_i (t)
تاخیر صف میشه جمع تاخیر وظایفی که در صف هستند + تاخیر وظیفه ای که در حال پردازش است منهای زمان ورودی وظیفه به صف.
یا مثلا در مدل صفی همچون M/M/1 اگر متوسط تعداد وظایف در صف را بخواهیم به دست بیارییم با استفاده از نظریه Little میشد به دست آورد.
اما مشکل زمانی شروع میشه که سیستم مدل صف نداره مثلا نمیدونی نرخ ورود وظایف به صف چجوریه. الان منم دقیقا اینجا به مشکل خوردم. توی مدل سیستمی من نرخ ورود وظایف به سیستم یا دقیق تر بگم صف را ندارم. حالا چون نرخ ورود رو ندارم نمیتونم از فرمول های صف پیشنهادی استفاده کنم. باید دنبال یک راه حل جدید یا دیگه ای باشم.
برای همین چندتا از paper ها رو گشتم دیدم این مسئله ها رو به طور معمول با استفاده از نظریه کنترل حل میکنند نه روش های ارزیابی. در ادامه میخوام خیلی خلاصه در این باره صحبت کنم.
از نظر control theory سیستم ها به چند تا تقسیم میشوند. سیستم های خطی و سیستم های غیر خطی از همه معروف تر است. حالا این سیستم ها با گذر زمان و در طول اجرا شون از حالت های مختلفی عبور میکنند. ما میاییم حالاتی که سیستم از آن عبور میکنه رو بدست میاریم تا بتونیم تحلیل رفتار کنیم. شما سیستم را میتونید از چند منظر تحلیل رفتار کنید. به طور کلی یا قطعیت میخواهید یا عدم قطعیت میخواهید یا رفتارها را محدود میکنید و از نظر پایداری تحلیل میکنید.
تحلیل سیستم های غیر خطی مشکل تر از سیستم های خطی است. در سیستم های خطی ما میگوییم سیستم پایدار است اما در سیستم های غیر خطی میگوییم سیستم در فلان نقطه پایدار است. این نقطه رو نقطه تعادل یا equalibrium point میگویند.
نظریه کنترل از کلی نظریه های دیگر درست شده است. یکی از این نظریه ها که من جدیدا با اون آشنا شدم نظریه lyapunov است.
این نظریه هم برای سیستم های خطی کاربرد داره و هم غیر خطی. در واقع ایده این نظریه از فیزیک میاد. این نظریه خیلی تیریویال است و قابل درک.
این نظریه دو تا چالش اساسی داره. اول اینکه باید یک تابع لیاپونوو رو ما بدست بیاریم. این تابع تابع هدف مون هست. مثلا مصرف انرژی و... . پیدا کردن این تابع سخته چون تعداد این توابع خیلی زیاد هست. دومین مشکل هم چیزی هست به نام asymptatic stability. نظریه لیاپونوو شرط کافی برای پایداری را بیان میکنه نه لازم. بنابراین این نوع از پایداری باعث شده که چندین نظریه دیگه بیاد و نظریه لیاپونوو را تکمیل کنه. نظریه همچون stellar.
خوب فکر کنم توضیح درباره این تا همین جا کافیه. بنظرم این پروپوزال خیلی چیز جالبی داره سمتم میاره. برخی نظریه هایی که توی حل مسائل زمانبندی پیدا میکنم داره جالب تر میکنه کار رو :) چند وقت پیش هم با استاد خرسندی یکسری صحبت ها داشتم و ایشون نسبت به پایان نامه امیدوار بود که پتانسیل چاپ و مقاله کردن داره. همین اتفاق هم خواهد افتاد.
❤3
شبکه های deterministic یا DetNet
چند روز پیش وقتی نتایج ارشد اومد من رفتم یک نگاه به گذشته ام انداختم و اون مسیری که طی کردم رو یکبار دیگه مرور کردم.
یادمه قبل از انتخاب رشته ارشدم رفتم یکسری مباحث cutting edge توی حوزه شبکه های کامپیوتری دیدم و بشدت مجذوب اونها شده بودم. از اونجا بود که تصمیم قطعی گرفته بودم که برم شبکه بخونم. علاوه بر شبکه های نسل 6 و 5 من با یک نوع شبکه دیگه آشنا شده بودم که اساس و بنیان شبکه های نسل 5 و 6 است. اسم این شبکه DetNet یا Deterministic Networks بود. شاید اسمش غلط انداز باشه ولی تا آخر همراهیم کنید متوجه این شبکه ها چی هستند و چگونه به نسل 5 و 6 مربوط هستند.
سازمان IETF یا internet Engineering Task Force به همراه کار گروه IEEE 802.1 TSN یا گروه شبکه های حساس به تاخیر یک پروژه ای رو استارت زدن به نام DetNet. هدف از این پروژه اینکه بتونه تاخیر، تلفات بسته و jitter را نه در شبکه بلکه در مسیرهای موجود محدود کند. تازه این محدود کردن برای جریان های best-effort هستند که بنظرم یکی از شاهکار های این پروژه است. قبلا پستی درباره سرویس های مختلف توی شبکه گذاشته بودم اگر نمیدونید best-effort چیه اون پست رو بخونید. این پروژه بر روی شبکه هایی که تنها یک واحد مدیریت مسئول آن شبکه است (مثل شبکه های دانشگاهی) قابل اجرا است و تست شده.
جالبی قضیه اینجاست این شبکه ها تا سال 2025 نمی توانستند که از شبکه های بی سیم پشیتبانی کنند. چون شبکه های بیسیم رسانه انتقال غیرقابل پیش بینی داشتند. این یعنی اینکه اگر شبکه سیمی دانشگاه یک زیر شبکه بیسیم داشت اون زیر شبکه نمیتونست از سرویس DetNet پشتیبانی کنه. برای همین سال 2024-2025 سازمان IETF یک سندی منتشر کرد که توی اون معماری RAW رو برای شبکه های بیسیم این سرویس پیشنهاد داد. توی این سند بدون اینکه پروتکل جدیدی معرفی کنند سعی دارد تا شکست در reliability و Availability توی شبکه های بیسیم را نیز محدود کنند. یعنی مثلا میگه توی این شبکه های شما بیشتر از 20 بسته تلفات نداری. بنظرم خیلی جالبه چون شبکه های بیسیم کلی بلا میتونه سر بسته و فرکانس بیاد مثلا loss-path و shadowing و... . اما مسئله اینجاست که این روش تنها روی تعداد محدودی از روش های مدیریت رسانه قابل پیاده سازیه که یکی از اونها OFDMA. این یعنی شبکه های نسل 4 به بعد از DetNet پشتیبانی میکنند. بر همین اساس سرویس URLLC برای شبکه های نسل 5 به بعد معرفی شده است.
با تمام اینها شاید بگید که سرویس URLLC قبل از 2025 هم بوده پس چطور ممکنه 2025 تازه از بیسیم پشتیبانی میکنه؟ باید بگم که این سرویس خودش دو نوع داره یکی bounded و دیگری قطعی. نوع قطعی که استفاده میشه با استفاده از تخصیص منابع کار میکنه. نکته دیگر سرویس DetNet برای جریان های best-effort در نظر گرفته شده یعنی جریان هایی که فاقد اولویت هستند. نکته بعدی اینکه توی DetNet ما پروتکل جدیدی نداریم یا سرویس جدیدی نداریم. اما URLLC یک سرویس است که توسط شرکت 3GPP تعریف شده این شرکت میتونه استانداری داشته باشه که اصلا مبتنی بر DetNet نباشه. اینجوری flow charactrization که استفاده میکنه محدود و محیطی که فعالیت میکنه معلوم تر است. این یعنی IETF روی سرویس های IP و MPLS متمرکز است.
نکته منفی این سرویس اینکه خیلی گرونه و اینکه درحال حاضر روی شبکه های بزرگ به خاطر مشکل در مقیاس پذیری هنوز قابل استفاده نیست. در حال حاضر مسائلی که برای مقیاس پذیر مطرح شده مربوط به همزمان نبودن دو شبکه یا جریان ها، وجود انحراف معیار زیاد در تاخیر بین چندین گره میانی.
برای چه App هایی قابل استفاده است این سرویس؟ برای هر سرویس که حساس به تاخیر و زمان باشه یا synchronization توی آنها بسیار حیاتی است. شبکه های خودرویی، ویدئو و صدا، صنایع و...
چند روز پیش وقتی نتایج ارشد اومد من رفتم یک نگاه به گذشته ام انداختم و اون مسیری که طی کردم رو یکبار دیگه مرور کردم.
یادمه قبل از انتخاب رشته ارشدم رفتم یکسری مباحث cutting edge توی حوزه شبکه های کامپیوتری دیدم و بشدت مجذوب اونها شده بودم. از اونجا بود که تصمیم قطعی گرفته بودم که برم شبکه بخونم. علاوه بر شبکه های نسل 6 و 5 من با یک نوع شبکه دیگه آشنا شده بودم که اساس و بنیان شبکه های نسل 5 و 6 است. اسم این شبکه DetNet یا Deterministic Networks بود. شاید اسمش غلط انداز باشه ولی تا آخر همراهیم کنید متوجه این شبکه ها چی هستند و چگونه به نسل 5 و 6 مربوط هستند.
سازمان IETF یا internet Engineering Task Force به همراه کار گروه IEEE 802.1 TSN یا گروه شبکه های حساس به تاخیر یک پروژه ای رو استارت زدن به نام DetNet. هدف از این پروژه اینکه بتونه تاخیر، تلفات بسته و jitter را نه در شبکه بلکه در مسیرهای موجود محدود کند. تازه این محدود کردن برای جریان های best-effort هستند که بنظرم یکی از شاهکار های این پروژه است. قبلا پستی درباره سرویس های مختلف توی شبکه گذاشته بودم اگر نمیدونید best-effort چیه اون پست رو بخونید. این پروژه بر روی شبکه هایی که تنها یک واحد مدیریت مسئول آن شبکه است (مثل شبکه های دانشگاهی) قابل اجرا است و تست شده.
جالبی قضیه اینجاست این شبکه ها تا سال 2025 نمی توانستند که از شبکه های بی سیم پشیتبانی کنند. چون شبکه های بیسیم رسانه انتقال غیرقابل پیش بینی داشتند. این یعنی اینکه اگر شبکه سیمی دانشگاه یک زیر شبکه بیسیم داشت اون زیر شبکه نمیتونست از سرویس DetNet پشتیبانی کنه. برای همین سال 2024-2025 سازمان IETF یک سندی منتشر کرد که توی اون معماری RAW رو برای شبکه های بیسیم این سرویس پیشنهاد داد. توی این سند بدون اینکه پروتکل جدیدی معرفی کنند سعی دارد تا شکست در reliability و Availability توی شبکه های بیسیم را نیز محدود کنند. یعنی مثلا میگه توی این شبکه های شما بیشتر از 20 بسته تلفات نداری. بنظرم خیلی جالبه چون شبکه های بیسیم کلی بلا میتونه سر بسته و فرکانس بیاد مثلا loss-path و shadowing و... . اما مسئله اینجاست که این روش تنها روی تعداد محدودی از روش های مدیریت رسانه قابل پیاده سازیه که یکی از اونها OFDMA. این یعنی شبکه های نسل 4 به بعد از DetNet پشتیبانی میکنند. بر همین اساس سرویس URLLC برای شبکه های نسل 5 به بعد معرفی شده است.
با تمام اینها شاید بگید که سرویس URLLC قبل از 2025 هم بوده پس چطور ممکنه 2025 تازه از بیسیم پشتیبانی میکنه؟ باید بگم که این سرویس خودش دو نوع داره یکی bounded و دیگری قطعی. نوع قطعی که استفاده میشه با استفاده از تخصیص منابع کار میکنه. نکته دیگر سرویس DetNet برای جریان های best-effort در نظر گرفته شده یعنی جریان هایی که فاقد اولویت هستند. نکته بعدی اینکه توی DetNet ما پروتکل جدیدی نداریم یا سرویس جدیدی نداریم. اما URLLC یک سرویس است که توسط شرکت 3GPP تعریف شده این شرکت میتونه استانداری داشته باشه که اصلا مبتنی بر DetNet نباشه. اینجوری flow charactrization که استفاده میکنه محدود و محیطی که فعالیت میکنه معلوم تر است. این یعنی IETF روی سرویس های IP و MPLS متمرکز است.
نکته منفی این سرویس اینکه خیلی گرونه و اینکه درحال حاضر روی شبکه های بزرگ به خاطر مشکل در مقیاس پذیری هنوز قابل استفاده نیست. در حال حاضر مسائلی که برای مقیاس پذیر مطرح شده مربوط به همزمان نبودن دو شبکه یا جریان ها، وجود انحراف معیار زیاد در تاخیر بین چندین گره میانی.
برای چه App هایی قابل استفاده است این سرویس؟ برای هر سرویس که حساس به تاخیر و زمان باشه یا synchronization توی آنها بسیار حیاتی است. شبکه های خودرویی، ویدئو و صدا، صنایع و...
Telegram
De.coder
فیلد شبکه ها کامپیوتری تاریخچه ای پر از چالش و پر بحثی داشتند تا شکل فعلی و پیرشرفته پیدا کنند. یک دوره ای بود که اصلا پژوهشگران سر این که چه پروتکلی مقاوم و چه پروتکلی نسبت به بقیه برتر هست دعوا میکردند که آن زمان معروف شد به دوره protocol wars.
بعد ها…
بعد ها…
پیشنهادی که دارم اینکه اگر علاقه مند شدید که درباره این شبکه ها مطالعه کنید بهترین مرجع اسنادی هستد که این کار گروه ها منتشر میکنند. حواستون باشه که چه نسخه ای رو مطالعه میکنید. من برای DetNet کتابی ندیدم چون نگشتم :))
کتاب روی این موضوع به درد نمیخوره چون این شبکه ها همچنان دارن بروز رسانی میشن و روشون کار میشه. چیزی نیست که بگیم تموم شده.
نکته از همه مهم تر اینکه باید یادبگیری چگونه اسناد یک کارگروه رو مطالعه کنید و بدونید هر نشانه یا علامت یا چهارچوب سند چجوریه. چون هر کار گروه یا سازمانی فرمت نوشتن سندش با بقیه متفاوت هست. البته هر کدومشون یک سند برای نحوه مطالعه دارن :))
ولی لازم نیست با خیلی ریز بشید که ببینید چی به چیه خیلی چیزا باید توی مسیر بهش برسید و لازم نیست از قبل دربارش بدونید.
کتاب روی این موضوع به درد نمیخوره چون این شبکه ها همچنان دارن بروز رسانی میشن و روشون کار میشه. چیزی نیست که بگیم تموم شده.
نکته از همه مهم تر اینکه باید یادبگیری چگونه اسناد یک کارگروه رو مطالعه کنید و بدونید هر نشانه یا علامت یا چهارچوب سند چجوریه. چون هر کار گروه یا سازمانی فرمت نوشتن سندش با بقیه متفاوت هست. البته هر کدومشون یک سند برای نحوه مطالعه دارن :))
ولی لازم نیست با خیلی ریز بشید که ببینید چی به چیه خیلی چیزا باید توی مسیر بهش برسید و لازم نیست از قبل دربارش بدونید.
De.coder
Photo
This media is not supported in your browser
VIEW IN TELEGRAM
نظرم درباره این 5 بازیکن
مصاحبه Michael Blackson
مصاحبه Michael Blackson
آقا این AI واقعا داره از کنترل خارج میشه.
همین الان استیون هاکینگ رو تو مسابقات فرمول یک دیدم😂😂
همین الان استیون هاکینگ رو تو مسابقات فرمول یک دیدم😂😂
😁3
من قبلا توی این پست یکسری از فیلم های اموزشی و کانال یوتیوبی معرفی کردم برای هوش مصنوعی ولی امروز با یکی دیگه آشنا شدم که خدایی جاش خالیه توی اون پست.
آقای Geoff Hulten که یک کانال یوتیوبی داره پست هایی دربراه یادگیری ماشین کاربردی میزاره که توی اون بهتون یاد میده چجوری کد بزنید با پایتون. هر چند مطالبش برای 4 و 5 سال پیشه ولی بدرد میخوره. توضیحات و سبک آموزشی هم داره خیلی خوبه.
بنظرم مدرس خیلی خوبیه.
خودش یک سایت داره که بهرته بهش یک سری بزنید. این آقا تنها خودش مدرس هست بلکه یک کتاب هم نوشته و توی انتشاراتی Apress چاپ شده. نکته آخر هم اینکه تسلط به مطلبش هم خوبه.
آقای Geoff Hulten که یک کانال یوتیوبی داره پست هایی دربراه یادگیری ماشین کاربردی میزاره که توی اون بهتون یاد میده چجوری کد بزنید با پایتون. هر چند مطالبش برای 4 و 5 سال پیشه ولی بدرد میخوره. توضیحات و سبک آموزشی هم داره خیلی خوبه.
بنظرم مدرس خیلی خوبیه.
خودش یک سایت داره که بهرته بهش یک سری بزنید. این آقا تنها خودش مدرس هست بلکه یک کتاب هم نوشته و توی انتشاراتی Apress چاپ شده. نکته آخر هم اینکه تسلط به مطلبش هم خوبه.
Telegram
De.coder
آقا دو روزه دارم یاد میگیرم چجوری با پایتون کد RL بزنم تا بتونم الگوریتم شبیه سازیم رو بنویسم. جاتون خالی رسما گسسته شدم.
توی این مدت خیلی گشتم و ویدئوها و بلاگ های زیادی دیدم ولی خدایی هیچی اندازه ویدئو دیدن توی این زمینه خوب نیست. من خودم دوست دارم با کتاب…
توی این مدت خیلی گشتم و ویدئوها و بلاگ های زیادی دیدم ولی خدایی هیچی اندازه ویدئو دیدن توی این زمینه خوب نیست. من خودم دوست دارم با کتاب…
این چند وقته با اینکه خیلی دوست دارم بنویسم و چیزای جدید بگم ولی خیلی درگیر پیاده سازی شبیه سازی و مقاله هستم برای همین وقت کافی ندارم که به دو تاش برسم.
ولی قراره یک پست بزارم که بچهایی که تازه واردن به دنیای کامیوتر یا حتی پیشکسوت هستند هم خیلی بهشون کمک میکنه.
ولی قراره یک پست بزارم که بچهایی که تازه واردن به دنیای کامیوتر یا حتی پیشکسوت هستند هم خیلی بهشون کمک میکنه.
❤3