مثال‌های برنامه‌نویسی جالبی رو توی زبان‌های برنامه‌نویسی زیادی نوشته و واقعاً جالبه:

rosettacode.org/wiki/Category:Solutions_by_Programming_Task


@Linuxor ~ ghasem_ccore

ویدیوی تست نسخه بتای یوتیوب دانلودر
1404/11/01
🆔 @Hiradsajde

ما قراره یک پلتفرمی برای معرفی ai‌های مختلف در قالب یک وبسایت داشته باشیم.

سورس کد وبسایت به صورت عمومی روی گیتهاب قرار میگیره.

دیتای جمع‌آوری شده یک ریپوی خصوصی خواهد بود و دسترسی به اطلاعات از طریق وبسایت ممکن میشه.

فعلا تا آخر فروردین فقط افراد رو دور هم جمع و بعدش جمع‌آوری دیتارو شروع می‌کنیم.

پروژه تماما رایگان خواهد بود و قرار نیست منبع درآمدی برای ما یا مشارکت‌کنندگان پروژه باشه، مسلما نام تک تک افراد توی لیست میاد.

اگر دوست دارید توی جمع‌آوری اطلاعات، ترجمه به فارسی/انگلیسی، برنامه‌نویسی بخش وبسایت یا حتی با به اشتراک گذاشتن اطلاعات فنیتون کمکمون کنید، به من پیام بدید.

@dvtwi

🔸timer

اگر میخواید ببینید تو وب و مرورگرتون چند ساعت کدوم وبسایتا چرخیدید و مدیریت زمان و ... این پروژه و extension برای شماست

https://github.com/sheepzh/timer

@TheRaymondDev

اقا ولی واقعا سینتکس Rust حداقل تا اینجایی که من کار کردم از Go جذاب تر و قابل فهم تره. حداقل من اینطور فکر میکنم. درسته که پیچیده‌تره از حیث جزئیات ولی فهمیدنش و در ادامه به‌خاطر سپردنش آسون تره. دیشب داشتم یکی از لایو‌های Alexey Kutepov تو کانال Tsoding Daily میدیدم (کامل هم ندیدم) که داشت یک برنامه رو که با گو نوشته بود رو با راست دوباره می‌نوشت. این دو تا رو کنار هم میذاشت و تو این رو میتونستی به وضوح ببینی و خودش هم هی بهش اشاره میکرد.
خلاصه که تو این نقطه واقعا راست یاد گرفتن و باهاش نوشتن واسم جذاب تره از وقت‌هایی که با Go می‌نویسم.

پی‌نوشت: احتمالا باید بالای این بنویسم unpopular opinion :))

#Roadmap deep learning (zero to production)

یک دوره دیگه هم به این مجموعه اضافه شد.
مخصوص اونهایی که میخوان وارد صنعت بشوند و اینبار از MIT

تجربه من نشون داده ۸۰٪ این مفاهیم و کانسپت‌ها و البته پیاده‌سازی‌هارو ۹۹٪ درصد افرادی که توی این فیلد کار می‌کنند نمی‌دونند.

پس با این تفاصیر برای کسی که میخواد جزو بهترین‌های هوش مصنوعی باشه در سال‌های آینده لیست دروسی که حتما باید با دقت بالا ببینه می‌شه :

1) NYU (new york university): Yann LeCun & Alfered canziani. Deep learning course

2) Standford university: Prof. Manning, deep learning for nlp

3) Standord university: Deep Generative Models

4) Stanford University: Transformers United

5) EfficientML.ai Lecture, Fall 2023, MIT 6.5940

ترتیب دوره‌ها رو درست کردم؛ اما توجه کنید برای این دوره‌ها باید یک سری پیشنیاز رو داشته باشید :

1- Python

بدون تعارف باید پایتون رو خورده باشید می‌تونید سطح پایتون خودتون رو با @pyhints بسنجید.

2- Pytorch 

می‌تونید همزمان با دوره‌ها یاد بگیرید؛ نیازی نداریم مفاهیم هوش مصنوعی رو برید بخونید موقع یادگیری این ابزار ولی چیزی که واجب هست اینه که خود فریمورک رو به خوبی هرچه تمام یادبگیرید.

3- Math / Algebra and ...

برای این مورد پیشنهاد سریع من توی تست اینکه آیا بیس قضیه رو دارید یا خیر کتاب Mastering NLP from Foundation to LLMs نیازی ندارید همه کتاب رو بخونید فصل ۲ کتاب راجب ریاضیاتی هست که باید بدونید؛ پیشنهادم این هست که بصورت موردی جستجو کنید یادبگیرید.
باقی موارد رو دوره NYU براتون توضیح میده و می‌تونید هر مورد رو که متوجه نشدید همونجا جستجو کنید و کامل درک کنید.
مخالفم که ابتدای کار یک تازه‌کار بره با کتاب‌های سنگین ریاضیاتی شروع کنه.


مفاهیم قدیمی‌تر ماشین لرنینگ رو هم در نهایت نیاز خواهید داشت؛ که پیشنهاد من اینه که یک دوره آنلاین و سریع ببینید راجبش تا بدونید چه تکنیک‌های ساده‌تری برای مسائل ساده وجود داره و آشنا باشید با این موضوع بعد از دوره‌ها و اگر این حوزه مورد علاقه شما بود برید سراغ بخش اول کتاب

Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow

واقعا نیازی برای هیچ دوره دیگری الان نمی‌بینم؛ تمامی این دوره‌ها رایگان هستند و مزیت بسیار زیادی دارند :
۱- اصطلاحات و مطالب تخصصی رو با اسم درست و انگلیسی یاد میگیرید.
۲- ترس از خوندن مطلب انگلیسی میریزه و یاد میگیرید که چطور خودتون رو آپدیت نگهدارید (بدون نیاز به کسی)
۳- تکنیک خوندنی که قبل‌ها گفتم رو دنبال کنید؛ مفاهیم رو یادخواهید گرفت نه فقط راه حل یک مسئله خاص رو
۴- دوره‌ها رایگان هست و با سرعت خوندن خودتون می‌تونید تنظیم کنید.
۵- هزینه‌ای که برای یادگیری تمام مطالب بالا اونم بصورت نصف و نیمه به دوره‌های مختلف قرار بوده بدید رو ذخیره کنید که بعد این دوره‌ها به سخت‌افزار نیاز دارید.

با توجه به قیمت‌هایی که می‌بینم برای دوره‌ها؛ قطعا با این سیو می‌تونید سیستم کاربردی رو بخرید.


پ.ن : برای لینک دوره‌ها، فقط کافیه اسم‌ها رو توی یوتیوب جستجو کنید.

🔰ابزار fwupd یک ابزار لینوکسی برای مدیریت به‌روزرسانی‌های فریم‌ور (Firmware) در سیستم است. این ابزار به شما امکان می‌دهد فریم‌ور دستگاه‌های سخت‌افزاری مانند BIOS، درایورها، و سایر قطعات را به‌روز کنید. در ادامه، گزینه‌های مهم دستور fwupdmgr همراه با مثال توضیح داده شده‌اند:

نمایش لیست دستگاه‌های پشتیبانی‌شده
fwupdmgr get-devices

نصب یک دستگاه خاص
fwupdmgr update --device DEVICE_ID

بررسی و نصب به‌روزرسانی‌های موجود
fwupdmgr refresh && fwupdmgr updates

نصب فایل فریم‌ور به صورت دستی
fwupdmgr install /path/to/firmware.cab
=========================
📌نویسنده: حسین سیلانی
📌منبع :  آکادمی کندوی دانش
https://learninghive.ir

چاقوی سوئيسی ابزارهای قدرتمند در وب، برای همه‌چیز

بدون تبلیغات و ترکینگ!


👉🔗 OmniTools

#معرفی

انجمن کامپیوتر ساینس 12

یه انجمن بگینر فرندلی ساختیم که قراره توش به یادگیری مباحث پایه ای علوم کامپیوتر بپردازیم و بعدش با هم کلی پروژه و مقاله و ... رو اوکی کنیم.

برای این که دقیق بفهمید داستان چی به چیه ؟

این مقاله رو بخونید : بزن اینجا بخون

#Roadmap detail

یک بحثی توی گروه شد راجب دوره و ...
بعد یک نفر به من پیام داد که تازه وارد دانشگاه شده و رشته کامپیوتر، سوالش این بود اگر خودت ۱۸ سالت باشه و قرار باشه AI یاد بگیری چطوری پیش میری ؟


حاشیه نمیرم ولی اگر من ۱۸ سالم می‌شد، اینکارو می‌کردم :

۱- بدون تعارف اول از همه اونقدر انگلیسی می‌خوندم که مقالات و کتابها رو درک کنم.

۲- لینوکس رو یاد میگرفتم؛ RHCSA, RHCE حداقلش بود

۳- مطمئن می‌شدم Network+ رو حداقل می‌فهمم.

۴- میرفتم سراغ دوره‌های Computer Science دانشگاهای برتر.
مثلاً دوره parallel computing دانشگاه stanford که مطمئنم ۹۰٪ شما ۱ ویدئوش رو هم ندیدید.

۵- دوره‌های سیستم‌ عامل و ... رو هم احتمالاً می‌خوندم.

۶- شروع میکردم یادگیری یک زبان برنامه‌نویسی اگر سختش نکنم، پایتون (یادگیری بطور کامل)

۶- ساختمان داده و الگوریتم رو برای پایتون یاد میگرفتم.

۷- الگوریتم‌های مهم رو سعی می‌کردم پیاده‌سازی کنم و درک کنم چه اتفاقی داره میوفته

۸- پایتون رو پیشرفته تر می‌خوندم، fluent python خیلی کتاب خوبی هست برای شروع این موضوع و باه fluent python تازه شروع ماجرا هست.

۹- مباحثی مثل : async, concurrent, parallel computing رو با جزئیات می‌خوندم. طوریکه خودم بتونم ی green thread پیاده‌سازی کنم (اینکار رو کردم)

۱۰- بعد از همه اینا میرفتم سراغ جبر و آمار و احتمال

۱۱- با مفاهیم ساده Machine learning شروع می‌کردم مفاهمی مثل KNN, ... اینکه چی پشتش هست و چطوری کار می‌کنه و ....

۱۲- پکیج‌های مربوطش رو یاد می‌گرفتم مثل:
Numpy, Scikit-learn, ...

۱۳- با دوره‌های پست
https://t.iss.one/pytens/1486
شروع میکردم یادگیری رو

۱۴- هر دوره و بعد از هر درس، اگر می‌دیدم اون مبحث مهم هست بدون استفاده از کتابخونه سعی می‌کردم یا روی کاغذ بنویسم چطوری محاسباتش انجام می‌شه یا (خودم کاغذ دوست نیستم) سری می‌شستم یک پیاده‌سازی ازش میکردم توی پایتون و با numpy, ... که مطمئن بشم درست فهمیدم چی درس داده شده.

۱۵- همین کار رو برای تمام دوره‌های پایه‌ای میکردم (۳تا دوره هست هر کدوم شاید نهایتاً ۱۰ تا پیاده‌سازی بخواد)

۱۶- کار با فریمورک‌ها رو یاد می‌گرفتم، پایتورچ درحال حاضر منابع بیشتری داره

۱۷- مقالاتی که پیاده‌سازی داره ولی خیلی مهم هست (انقلابی بوده)
رو شروع می‌کردم خوندن و پیاده‌سازی بعد با سورس کد منتشر شده مقایسه میکردم.

۱۸- همین روند رو برای مقالات و ایده‌های جدیدی که منتشر میشه دنبال میکردم.


اگر کسی این رو جدی بگیره، ۴ سال دوره لیسانس هست وقتی فارغ‌التحصیل میشه تمام این ۱۸ مورد رو تموم کرده.
چیزایی که قراره توی ارشد و دکتری بخونه رو پیاده‌سازی کرده و البته سواد برنامه‌نویسی‌اش هم حداقل از ۹۰٪ هم سن و سال ‌های خودش بالاتر خواهد بود.

من اگر به ۱۸ سالگی برگردم، این ۱۸ تا کار رو جوری انجام میدم که قبل از پایان دوره لیسانس همش رو تموم کرده باشم (من خیلی‌هاش رو بعد از دوره لیسانس شروع کردم، مثلاً AI رو سال آخر دوره لیسانس شروع کردم که دیگه دیر بود، دوره‌های stanford, ... رو بعد‌ها شروع کردم و ...)

🔵 عنوان مقاله
Nil Channels in Go

🟢 خلاصه مقاله:
مقاله‌ای که مورد بررسی قرار گرفته، موضوعی تخصصی را در زمینه برنامه‌نویسی با زبان Go پوشش می‌دهد. نویسنده، Vishnu، به بررسی مشکلات ناشی از کانال‌های Nil در زبان برنامه‌نویسی Go پرداخته است که برای بسیاری از برنامه‌نویسان Go (معروف به Gophers) چالش‌برانگیز است. او در جستجوی علت‌های این مسئله بوده و به منظور حل آن یک ضرب‌المثل جدید در زبان Go ابداع کرده است: “Init when you split; Nil when you merge.” این ضرب‌المثل به این معنی است که هنگام تقسیم کارها یا منابع، می‌بایست ابتدا آن‌ها را مقداردهی کرد و هنگام ادغام یا ترکیب آنها، استفاده از مقدار Nil باید در نظر گرفته شود. این رویکرد کمک خواهد کرد تا برنامه‌نویسان به شکل بهینه از کانال‌ها استفاده نموده و از بروز اشکالات جلوگیری کنند.

🟣لینک مقاله:
https://golangweekly.com/link/166488/web

➖➖➖➖➖➖➖➖
👑 @gopher_academy

🔶 چیت شیت پرمیژن‌های فایل در لینوکس

@TheRaymondDev

قسمت ۲.۵ قراره یک ساعت دیگه منتشر بشه 😁😁

✔️ نصب افزونه های vs code برای پایتون - قسمت ۲.۵ پایتون

🔗 https://youtu.be/xUDGiIzndGo 🔗

خب توی این قسمت در ادامه ی قسمت قبلی برای داشتن یک محیط خوب برای یادگیری تلاش می‌کنیم.

🔗 https://youtu.be/xUDGiIzndGo 🔗

پ.ن: پانویس خاصی ندارم حقیقتا 😁😂🤦🏻‍♂️


#آموزش_پایتون #Python
#ویدیو
#یوتیوب

💙💙 @PhiloLearn💙💙