جدیدا کار با داده های سنگین خیلی ترند شده و مسلما بازار کار خوبی هم براش ایجاد شده، ولی مسیر ورود بهش و یادگیریش یکم گنگه
اینجا یه دوره رایگان 9 هفته ای همراه با تمرین داره برگزار کنندش یه سری افراد رندوم توی کشور های مختلفه که بسیار مناسب برای مهندسای نرم افزاره (فقط چیزای ابتدایی مثل پایتون و SQL و... رو باید یکم بدونید) هم ویدیو توی یوتیوب میزارن هم آموزش عملی می‌دن.

آینده در دست بیگ دیتاس اگه نمی‌دونید چی یاد بگیرید حتما برید دربارش تحقیق کنید و این دوره هم دنبال کنید چیزای خوبی یاد می‌گیرید


github.com/DataTalksClub/data-engineering-zoomcamp

@Linuxor

گیت‌هاب نسخه سه بعدی و قابل چاپ رابرداک رو برای چاپ توی پرینتر سه بعدی به صورت متن باز و رایگان گذاشته:
https://github.com/martinwoodward/octoprints

@DevTwitter | <Mohsen Shabanian/>

می‌دونستین بنیاد لینوکس یه پلتفرم داره به اسم Hyperledger Fabric؟ این پلتفرم به سازمان‌ها امکان می‌ده که شبکه‌های بلاک‌چین خصوصی و مجاز بسازن که امن، مقیاس‌پذیر و قابل سفارشی‌سازی باشه.

برای مثال، Walmart باهاش تونست زنجیره تأمین مواد غذایی‌شو شفاف کنه. با این سیستم، هر محصول از مزرعه تا فروشگاه قابل ردیابی شد و اگر مشکلی مثل آلودگی یا فساد وجود داشت، محل دقیق منبع محصول در عرض چند ثانیه شناسایی می‌شد. قبل از استفاده از بلاک‌چین، این فرآیند ممکن بود روزها طول بکشه و هزینه و ریسک زیادی داشت، اما با Fabric، هم سرعت بالا رفت و هم اعتماد به اطلاعات تامین‌کنندگان و محصولات زیاد شد.

برای شروع یادگیری و استفاده از Hyperledger Fabric، می‌تونید از منابع رسمی و نمونه‌های آماده این پلتفرم استفاده کنید. اول راه مستندات رسمی Fabric رو بخونید تا با معماری، اجزا و مفاهیم پایه‌ای مثل Peer، Orderer، Chaincode و Channel آشنا بشید. بعدش می‌تونید با نمونه‌های کد های زیر تمرین کنید و یه شبکه بلاک‌چین ساده بسازید، قرارداد هوشمند بنویسید و تراکنش‌ها رو اجرا کنید.

github.com/hyperledger/fabric-samples

@Linuxor

تست نوشتن یکی از مهم‌ترین بخش‌های توسعه وب‌سایت و نرم‌افزاره و یکی از معروف‌ترین ابزارها برای وب Playwright هستش که باهاش تست های خودکار برای مرورگر می‌تونید بنویسید زبان‌های برنامه‌نویسی مختلف مثل JavaScript، Python و C#، ساپورت می‌کنه باهاش می‌تونید تست‌های end-to-end بنویسید تست‌های چندصفحه‌ای و حتی سناریوهای همزمان رو به راحتی اجرا کرد. اگه آشنایی با تست نوشتن ندارید این ویدیوی معرفیش رو ببینید و ببینید چطوری به سادگی تست ها نوشته می‌شن و اجرا می‌شن هوش مصنوعی هم داره و خطا هاتون رو فیکس می‌کنه چیز معروفیه اکثرا ازش استفاده می‌کنن و حتی امکان ریکورد کردن زنده هم داره و به صورت زنده هرجایی از صفحه وب کلیک کنید کدش رو براتون می‌نویسه. (ویدیو رو کامل ببینید)

@Linuxor

تاحالا به این فکر کردین که چرا هکرا نمی‌آن و یه چیزی برای شبیه سازی حمملاتشون به صورت داکری بسازن که بقیه بتونن با یه کامند اجراش کنن ؟

این کارو کردن و اسمش vulhub هستش اینجارو کلون کنید روی سیستمتون و هر فولدرش یه آسیب پذیری معروف (با فلان CVE) وجود داره فقط کافیه مثل عکس بالا برید توش و بعدش با داکر کامپوز با یه کامند بالا بیارینش و روی دامین و سایت آسیب پذیر یا لوکالتون تستش کنید

برای نصبش صفحه اصلی ریپو رو بخونید :
github.com/vulhub/vulhub

@Linuxor

Qwen dropped smaller (competitive) VLM - competitive to GPT-5 Mini

> 30B A3B MoE
> Reasoning and non-reasoning
> 256K context (can go up to 1M)
> Multilingual (32 languages)

https://huggingface.co/Qwen/Qwen3-VL-30B-A3B-Instruct

@DevTwitter | <Vaibhav (VB) Srivastav/>

مبحث جذاب و پر کاربرد Accessor در لاراول

فرض کنید، قصد دارید یکسری از دیتا هارو قبل از اینکه به دست کاربر برسه، شامل تغییراتی بشه به عنوان مثال میخوایید عکس هارو لینک دار کنید، به راحتی میتونید اینکارو با accessor ها در مدل مربوطه انجام بدین

به شدت شبیه cast ها هستن ولی یک تفاوت جزئی اما مهم دارن، اونم اینه که از cast ها معمولا برای تغییر دیتا تایپ مورد نظر استفاده میشه

حالا چه مزیت هایی برای شما داره؟؟! اینکه دیگه نیاز نیست در بیزینیس لاجیک خودتون دیتا رو map و یا حتی transform کنید که باعث میشه کد بیس اصلی مرتب و تمیز تر باشه

نکته : accessor ها تا حدودی سنگین هستن، پس عملیات های پیچیده رو به هیچ عنوان در این متد ها قرار ندین


@DevTwitter | <Mojtaba Zaferani/>

چرا کافکا سریعه؟

یکی از حقه‌های اصلیش بهش می‌گن zero copy. معمولا وقتی یه برنامه بخواد داده‌ای رو از دیسک بفرسته رو شبکه، چند بار بی‌خود کپی می‌شه بین بافرهای مختلف: یه بار از دیسک به حافظه، یه بار از حافظه به فضای کاربر، یه بار از اون‌جا به بافر سوکت، بعد تازه می‌ره بیرون. یعنی انگار یه بسته رو هی از یه دست به یه دست دیگه می‌دی تا آخر برسه دست پستچی.
کافکا میگه نه، این همه کار برای چیه؟ از یه ترفند کرنل لینوکس به اسم sendfile استفاده کرد. اون باعث می‌شه داده مستقیم از دیسک بره توی سوکت شبکه، بدون اینکه وسط راه تو حافظه‌ی برنامه کپی بشه. اینجوری CPU کمتر درگیر می‌شه، حافظه کمتر مصرف می‌شه، و کل جریان سریع‌تر تموم می‌شه.

و اینکه برعکس بیشتر سیستم‌ها که داده‌ها رو این‌ور و اون‌ور دیسک پخش می‌کنن، کافکا فقط پشت‌سر‌هم می‌نویسه، مثل ضبط‌صوتی که رو یه نوار داره جلو می‌ره. این خیلی مهمه چون دیسک وقتی قراره بپره از یه نقطه به نقطه‌ی دیگه، کلی زمان تلف می‌کنه. اما وقتی فقط داره پشت‌سر‌هم می‌نویسه، سرعتش می‌ره بالا، حتی نزدیک سرعت رم.

از طرفی کافکا درخواست هارو دونه دونه نمیزنه میزاره batch میزنه

کافکا پیاماش رو بصورت json یا text نمیفزستهروی پروتکل خودش میفرسته

یه زمانی Kafka برای کارای مدیریتی خودش یه قیم داشت به اسم ZooKeeper
یعنی هر وقت می‌خواست بدونه کدوم broker الان زنده‌ست، leader کدوم پارتیشنه، یا کِی باید failover کنه، باید می‌رفت سراغ اون. یعنی قدرت تصمیم گیری با زوکیپر بود

باید دو تا سیستم جدا بالا می‌آوردی، هماهنگی بینشون زمان می‌بردتا اینکه Kafka گفت:
«اگه قراره distributed باشم، پس بذار مغزم هم مال خودم باشه 😅.»
و اینجوری KRaft اومد — یعنی Kafka Raft.


اKafka خودش یه گروه از نودها داره که با الگوریتم Raft بین خودشون تصمیم می‌گیرن.
مثلاً کی leader باشه، متادیتا کجا ذخیره شه، یا اگه یکی مرد، کِی جاش پر بشه.
همه‌ی این تصمیم‌ها تو خود Kafka گرفته می‌شن، سریع‌تر و با یه منطق یکپارچه.

عملا الان فقط یه cluster داری، نه دو تا.
راه‌اندازیش راحت‌تر شده، failoverها سریع‌ترن، و consistency‌اش هم تمیزتره.

‏ZLUDA 5 با کامپایلر آفلاین برای کارت‌گرافیک‌های غیر NVIDIA منتشر شد.

‏"zoc،" به عنوان کامپایلر آفلاین، فایل NVIDIA PTX را به‌عنوان ورودی دریافت می‌کند و بازنمایی متوسط LLVM (IR) و RDNA Assembly را خروجی می‌دهد. RDNA Assembly توسط کامپایلر ROCm تولید می‌شود. ZLUDA در یادگیری‌ماشین درحال پیشرفت است و در LLama.cpp عملکرد مناسبی را ارائه می‌دهد. علاوه بر این، توسعه دهندگان روی kernel caching و بهبودهای متعدد عملکرد نیز کار کرده‌اند.

منبع خبر
به ما بپیوندید :
@LinNews | @LinAcademy

نکته جالب اینجاست خودمم یه مدتی فرانت میزدم

mp_friendlyfire 1

کلادفلر قراره نقش پلیس محافظ تولید کنندگان محتوا رو بازی کنه، هفته پیش یه ارز دیجیتالی به اسم NET Dollar معرفی کرد که قراره ارزشش یه دلار باشه و وقتی هوش مصنوعی از محتوای سایت شما محتوا تغذیه می‌کنه با سرعت خیلی بالایی بتونه این پولو پرداخت کنه و این پول به حساب شما بیاد

هنوز چیز زیادی ازش در دست نیست ولی تنها نجات دهنده تولید کننده های محتوا که سایت دارن کلادفلره خیلی راحت میتونه ربات های هوش مصنوعی که از اطلاعات تغذیه میکنن رو وادار کنه که پول بابت محتوا ها پول بدن.

همه کمپانی های بزرگ قطعا مخالفشن ولی تصمیم گیرنده نهایی کلادفلره بخواد مثل آب خوردن همه ربات ها حتی جلوی ربات های گوگل از تغدیه مفتی رو می‌گیره.

@Linuxor

با بالا رفتن دلار امیدوارم هرچه زود تر این پروژه لانچ بشه، تولید محتوا با ارزش دلاری، یه درامد قوی برای کشور های با ارزش پول پایین مثل ایران می‌شه


@Linuxor

خب مثکه نتایج ارشد اومده، چه خبرا؟ :)

🔶 آیا خرید اقساطی با برنامه‌های BNPL نشانه بحران اقتصادی است؟

این روزها نرم‌افزار های «امروز بخر، بعداً پرداخت کن» (BNPL) به سرعت در جهان محبوب شده‌اند. بیش از ۳۶۵ میلیون نفر در سال ۲۰۲۴ از این سرویس‌ها استفاده کرده‌اند

اما چرا مردم تا این حد به این ابزارها وابسته شده‌اند؟ دلیل اصلی ساده است: کمبود نقدینگی. بسیاری از خانواده‌ها پول نقد خود را برای اجاره و اقساط کنار می‌گذارند و برای خرید کالاهای روزمره یا حتی مواد غذایی سراغ BNPL می‌روند.

درآمد این صنعت در سال ۲۰۲۴ به ۱۲.۵ میلیارد دلار رسید و بازیگرانی مانند Klarna، Affirm و Afterpay و در ایران Tara 360 بخش عمده‌ای از این بازار را در اختیار دارند. اما این رشد ظاهری، پیامدهای عمیقی دارد:

رشد ظاهری مصرف: فروشگاه ‌ها سود می‌برند اما خریدها بر پایه بدهی است، نه درآمد واقعی.
انباشت بدهی خرد: اقساط کوچک وقتی جمع شوند، به بحران بزرگ تبدیل می‌شوند.
فرهنگ بدهی روزمره: نسل جوان یاد می‌گیرد که بدون وام نمی‌توان زندگی کرد.

ایده BNPL تنها یک نوآوری مالی نیست؛ بلکه آینه ‌ای از واقعیت امروز است: اقتصاد بدهی ‌محور و نقدینگی کمیاب.

#خبر

@TheRaymondDev