Forwarded from Linuxor ?
یکی سوال داشت که اگه روز Q برسه بیت کوین هامون چه بلایی سرش میآد؟
روز Q به روز فرضی توی آینده میگن که کامپیوتر کوانتومی به قدری قوی بشه که بتونه رمزنگاری فعلی که داریم استفاده میکنیم رو بشکنه، مسلما اگه اون روز برسه اتکر ها میتونن از روی کلید عمومی هاتون به کلید خصوصی هاتون برسن و مثل آب خوردن بیت کوین هاتون رو بردارن و حتی زنجیره رو تغییر بدن.
ولی نگران بیت کوین هاتون نباشید چون قبلش حساب های بانکیتون خالی میشه و اینترنت به طور کلی بخاطر استفاده از رمزنگاری گسترده RSA منحل میشه که داشتن بیتکوین دیگه بی معنیه... البته این روز فرضی هستش چون آزمایش هایی سال 2024 برای ساخت الگوریتم های رمزنگاری پست کوانتومی شرکت های بزرگ مثل گوگل و کلادفلر انجام دادن به موفقیت هایی رسیدن، دارن جوری جلو میبرنش که زود تر از کامپیوتر کوانتومی رمزنگاری پست کوانتومی داشته باشیم.
@Linuxor
روز Q به روز فرضی توی آینده میگن که کامپیوتر کوانتومی به قدری قوی بشه که بتونه رمزنگاری فعلی که داریم استفاده میکنیم رو بشکنه، مسلما اگه اون روز برسه اتکر ها میتونن از روی کلید عمومی هاتون به کلید خصوصی هاتون برسن و مثل آب خوردن بیت کوین هاتون رو بردارن و حتی زنجیره رو تغییر بدن.
ولی نگران بیت کوین هاتون نباشید چون قبلش حساب های بانکیتون خالی میشه و اینترنت به طور کلی بخاطر استفاده از رمزنگاری گسترده RSA منحل میشه که داشتن بیتکوین دیگه بی معنیه... البته این روز فرضی هستش چون آزمایش هایی سال 2024 برای ساخت الگوریتم های رمزنگاری پست کوانتومی شرکت های بزرگ مثل گوگل و کلادفلر انجام دادن به موفقیت هایی رسیدن، دارن جوری جلو میبرنش که زود تر از کامپیوتر کوانتومی رمزنگاری پست کوانتومی داشته باشیم.
@Linuxor
Forwarded from Reza Jafari
باهوش بودن خوبه، مفید بودن بهتره
خیلی وقتا تو حوزه دیتا ساینس و هوش مصنوعی، اونقدر غرق تو جزئیات فنی و مدلهای پیچیده میشیم که یادمون میره اصل ماجرا چیه. یه کسبوکار معمولاً نیاز نداره مدل دیپلرنینگ فوقالعاده دقیق یا موتور پیشنهاددهنده عجیب با embeddingهای خاص داشته باشه. نیازی هم نیست یه ترنسفورمر از صفر بسازیم یا سراغ شبکههای گرافی خیلی پیچیده بریم. چیزی که یه بیزنس واقعاً میخواد، اثر و رشد قابل لمسه. مهم اینه که اون رشد رو چطور به وجود بیاری، نه اینکه چقدر کد یا مدلت پیشرفتهست.
یکی از درسهای مهمی که اوایل کار یاد گرفتم این بود که هدف این نیست باهوشترین آدم اتاق باشی، بلکه مفیدترینش باشی. گاهی یه داشبورد ساده و سریع، میتونه تأثیرگذارتر از یه مدل سنگین و کامل باشه که سه ماه بعد آماده میشه. مدیرها و تصمیمگیرها معمولاً دنبال بینش عملیان، نه الگوریتم پیچیده.
الان دیگه تو خیلی از سازمانها، تمرکز از «ساخت مدل» رفته به سمت «خلق ارزش از داده». چیزی که بهش میگن هوش تصمیماتی (Decision Intelligence). یعنی سیستمها و ابزارهایی که بهجای فقط نشون دادن دیتا، کمک میکنن تصمیم بهتر گرفته بشه. واقعیت اینه که داده تا وقتی به عمل تبدیل نشه، هیچ ارزشی نداره.
برای همین، بهعنوان یه متخصص دیتا، گاهی باید بهجای غرق شدن تو دقت مدل، به این فکر کنیم که چطور میتونیم سریعتر، سادهتر و مؤثرتر به بیزنس کمک کنیم. آخرش همون راهحل کاربردیه که تفاوت واقعی رو رقم میزنه، نه پیچیدگی فنی.
🔤 🔤 🔤 🔤 🔤 🔤 🔤
🥇 اهورا اولین اپراتور هوش مصنوعی راهبردی ایران در حوزه ارائه خدمات و سرویسهای زیرساخت هوش مصنوعی
🌐 لینک ارتباط با اهورا
@reza_jafari_ai
خیلی وقتا تو حوزه دیتا ساینس و هوش مصنوعی، اونقدر غرق تو جزئیات فنی و مدلهای پیچیده میشیم که یادمون میره اصل ماجرا چیه. یه کسبوکار معمولاً نیاز نداره مدل دیپلرنینگ فوقالعاده دقیق یا موتور پیشنهاددهنده عجیب با embeddingهای خاص داشته باشه. نیازی هم نیست یه ترنسفورمر از صفر بسازیم یا سراغ شبکههای گرافی خیلی پیچیده بریم. چیزی که یه بیزنس واقعاً میخواد، اثر و رشد قابل لمسه. مهم اینه که اون رشد رو چطور به وجود بیاری، نه اینکه چقدر کد یا مدلت پیشرفتهست.
یکی از درسهای مهمی که اوایل کار یاد گرفتم این بود که هدف این نیست باهوشترین آدم اتاق باشی، بلکه مفیدترینش باشی. گاهی یه داشبورد ساده و سریع، میتونه تأثیرگذارتر از یه مدل سنگین و کامل باشه که سه ماه بعد آماده میشه. مدیرها و تصمیمگیرها معمولاً دنبال بینش عملیان، نه الگوریتم پیچیده.
الان دیگه تو خیلی از سازمانها، تمرکز از «ساخت مدل» رفته به سمت «خلق ارزش از داده». چیزی که بهش میگن هوش تصمیماتی (Decision Intelligence). یعنی سیستمها و ابزارهایی که بهجای فقط نشون دادن دیتا، کمک میکنن تصمیم بهتر گرفته بشه. واقعیت اینه که داده تا وقتی به عمل تبدیل نشه، هیچ ارزشی نداره.
برای همین، بهعنوان یه متخصص دیتا، گاهی باید بهجای غرق شدن تو دقت مدل، به این فکر کنیم که چطور میتونیم سریعتر، سادهتر و مؤثرتر به بیزنس کمک کنیم. آخرش همون راهحل کاربردیه که تفاوت واقعی رو رقم میزنه، نه پیچیدگی فنی.
@reza_jafari_ai
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from محتوای آزاد سهراب (Sohrab)
چون صحبت از winboat بود، یک ویدئو گرفتم و توش ازش استفاده کردم. ویندوز ۱۰ رو نصب کردم و برنامه طاقچه رو که یکی از مشکلترین برنامهها برای اجرا روی wine هستش رو روی این ماشین مجازی اجرا کردم.
تماشا از پیرتوب
تماشا از یوتوب
تماشا از آپارات
@SohrabContents
تماشا از پیرتوب
تماشا از یوتوب
تماشا از آپارات
@SohrabContents
Forwarded from Ninja Learn | نینجا لرن (Mohammad)
یکی از چالشهای رایج بین فعالان حوزهی هوش مصنوعی اینه که نمیدونن برای آموزش مدلشون باید از چه الگوریتمی استفاده کنن
آیا باید سراغ Classification برن؟ یا Regression؟ یا شاید Clustering؟ 🤔
خوشبختانه، کتابخونهی قدرتمند Scikit-learn (sklearn) توی مستندات رسمیش یه فلوچارت خیلی کاربردی ارائه داده که با دنبال کردنش میتونید دقیقاً بفهمید کدوم الگوریتم مناسب نوع داده و هدف پروژهتونه.
لینک
➖➖➖➖➖➖➖➖➖➖
آیا باید سراغ Classification برن؟ یا Regression؟ یا شاید Clustering؟ 🤔
خوشبختانه، کتابخونهی قدرتمند Scikit-learn (sklearn) توی مستندات رسمیش یه فلوچارت خیلی کاربردی ارائه داده که با دنبال کردنش میتونید دقیقاً بفهمید کدوم الگوریتم مناسب نوع داده و هدف پروژهتونه.
لینک
#️⃣ #ai #programming
➖➖➖➖➖➖➖➖➖➖
🥷🏻 CHANNEL | GROUP
scikit-learn
13. Choosing the right estimator
Often the hardest part of solving a machine learning problem can be finding the right estimator for the job. Different estimators are better suited for different types of data and different problem...
Forwarded from Pink Orca ✌️ پینک اورکا
💥 گروههای تلگرامی قدیمی شما رو به نرخ خوب و با تعداد نامحدودی خریدارم 💥
✅ با پرداخت فوری ✅
🗣 شرایط لازم:
- گروه ساختهُ ۲۰۲۳ به قبل باشه
- حداقل چند پیام قابل مشاهده مربوط به همون تاریخ داشته باشه
- توانایی انتقال مالکیت داشته باشید
همین! تعداد ممبر هم مهم نیست...
مثال:
از چندسال پیشا یه گروه برای کلاس داشتین و دیگه کاربردی نداره. من ازتون میخرمش!
🔫 سوالات رایج:
🎈 پیوی در خدمتم: @Pink0rca ➡️
✅ با پرداخت فوری ✅
🗣 شرایط لازم:
- گروه ساختهُ ۲۰۲۳ به قبل باشه
- حداقل چند پیام قابل مشاهده مربوط به همون تاریخ داشته باشه
- توانایی انتقال مالکیت داشته باشید
همین! تعداد ممبر هم مهم نیست...
مثال:
از چندسال پیشا یه گروه برای کلاس داشتین و دیگه کاربردی نداره. من ازتون میخرمش!
🔫 سوالات رایج:
- چند میخری؟
+ پیوی لینک گروه مورد نظر رو بفرست تا بگم (هیستوری گروه visible باشه)
- چرا میخرن این گروهها رو؟
+ چون قدیمیتر هستن تلگرام حساسیت کمتری روشون داره و میشه بهتر رشدشون داد، همچنین تو سرچ بهتر ایندکس میشن
- من اینطور گروهها رو ندارم... بیخیال بشم؟
+ خیر! به دوستان و آشنایان بگید شاید اونا داشته باشن، اینطوری به عنوان واسطه پورسانت خوبی دریافت میکنین
- چطور بهت اعتماد کنم؟ تازه عضو کانالت شدم و تورو نمیشناسم!
+ من هویت مشخصی دارم و همینطور طی سالهای گذشته در کنار فعالیتهام همیشه معاملاتی در زمینههای مختلف با افرادی که احتمالا شما هم میشناسین داشتم، هیچکس ناراضی نبوده و میتونید از خودشون بپرسید
- چقدر سود تو این کار هست؟
+ اگه زرنگ باشید میتونه چند میلیون در روز هم باشه، نمونش یکی از دوستان که دیشب ۷ تومن گیرش اومد
🎈 پیوی در خدمتم: @Pink0rca ➡️
Forwarded from محتوای آزاد سهراب (Sohrab)
Forwarded from Agora (Alireza)
Swiss Table
______________________________
روشهای مرسوم رفع تصادم (collision) توی hashmap رو تو درس ساختمان داده خوندیم:
1- open addressing
2- chaining
3- hybrid
خیلی خلاصه بخوام هرکدوم رو مرور کنم اینطور میشه:
در open addressing اینطور عمل میکنیم که وقتی تصادم رخ داد، اینقدر توی آرایهی wrap شده جلو میریم تا به اولین خونهی خالی برسیم و item رو اونجا بذاریم.
در روش chaining هر خونهی آرایهی ما یک عنصر نگه میداره و یک پوینتره به یک ساختماندادهی دیگه که میتونه یک linked list باشه یا یک درخت متوازن مثل red-black یا AVL. در صورتی که توی اون خونهی آرایه از قبل دادهای وجود داشته باشه، آیتم جدید رو push میکنیم توی اون ساختماندادهای که اون خونه بهش اشاره میکنه.
در روش سوم، یکی از روشهای اول و دوم رو با مکانیزم هشچندباره ترکیب میکنیم. به این صورت که چند الگوریتم هش متفاوت رو در نظر میگیریم. در صورتی که با هش آیتم مدنظرمون تصادم رخ داد، یک الگوریتم هش جدید رو انتخاب میکنیم. مکانیزم انتخاب الگوریتم هش هم میتونه هرچی باشه. ما ساده و round robin در نظر میگیریم. این کار رو تا زمانی ادامه میدیم که تمام الگوریتمهای هشمون رو تست کرده باشیم و همشون منجر به تصادم شده باشن. بعد با استفاده از یکی از روشهای ۱ یا ۲ اقدام به ذخیره کردن آیتم میکنیم.
تمام این قصهها چیزهایی هست که تا اینجا میدونیم و مرسومه. ولی واقعاً چقدر از این روشها استفاده میشه؟ آیا میشه پا رو فراتر گذاشت و عملکرد رو از این هم بهتر کرد؟
توی جاهایی مثل Cloudflare که عملکرد در حد میکروثانیه مهمه، گاهی باید پا رو فراتر گذاشت. گاهی سادهترین جزئیات میتونن تفاوت چندبرابری در سرعت ایجاد کنن. انگار یه نوع amplification رخ میده؛ بهینهسازی کوچیک که باعث میشه کل سیستم خیلی سریعتر بهنظر بیاد.
یکی از ایدههایی که دقیقاً با همین ذهنیت طراحی شده، ساختار Swiss Tableه. گوگل با در نظر گرفتن چالش کش سرورها دست به طراحی این ساختار زده. زبانهایی مثل Rust هم از همین ساختار برای پیادهسازی پیشفرض HashMap خودشون استفاده میکنن.
گوگل تو کنفرانس CppCon 2017 هم دربارهی طراحی و بهینهسازی این ساختار ارائهای داشت که دیدنش خالی از لطف نیست:
CppCon 2017: Matt Kulukundis – Designing a Fast, Efficient Hash Table
Swiss Table در اصل هنوز از ایدهی open addressing استفاده میکنه؛ یعنی دادهها مستقیماً در یک آرایه ذخیره میشن و وقتی تصادم رخ بده، دنبال خونهی بعدی میگردیم تا جایی برای درج پیدا کنیم. ولی تفاوت اصلیش اینه که چطور این آرایه
bucket
بندی میشه و چطور CPU ازش استفاده میکنه.
در Swiss Table، آرایهی اصلی به چند bucket تقسیم میشه. هر bucket معمولاً چند تا slot داره (مثلاً 8 تا)، یعنی هر bucket خودش میتونه تا 8 تا عنصر نگه داره.
در کنارش یه آرایهی کوچیکتر از metadata داریم که برای هر slot فقط یه بایت اطلاعات ذخیره میکنه. توی این بایت، یه تیکه از هش کلید (مثلاً 7 بیت از اون) نگه داشته میشه تا CPU بتونه سریعتر بفهمه کدوم slot احتمالاً مربوط به کلید مورد نظره.
وقتی میخوایم دنبال یه کلید بگردیم یا کلید جدیدی وارد کنیم، Swiss Table با استفاده از
SIMD (Single Instruction, Multiple Data)
چند بایت metadata رو با هم میخونه (مثلاً 16 تا در یک لحظه) و در عرض یک دستور CPU بررسی میکنه که آیا هش کوچیک ذخیرهشده توی اونها با هش کلید ما یکیه یا نه.
بعد اگه یکی از اونها match کرد، تازه میره سراغ دادهی واقعی و بررسی دقیقتر انجام میده.
Swiss Table تنها نمونهی چنین طراحیای نیست. بعد از گوگل، پروژههای بزرگ دیگه مثل
Facebook’s F14
ایدههای مشابه استفاده کردن.
زبانهایی مثل Rust و Go هم با الهام از همین طراحی، نسخههای خودشون رو ساختن.
در پیادهسازی Go، تیم توسعه با یه چالش جدی روبهرو شد که بهطور مفصل توی این پست توضیح داده شده:
The Go Blog – Swiss Table
مشکل از اینجا شروع شد که وقتی آرایهی اصلی هشمپ به حد آستانهی ظرفیتش میرسه، باید سایزش دو برابر بشه و کل دادههای قبلی داخل آرایهی جدید کپی بشن.
این فرایند در سیستمهای عادی چندان مشکلی ایجاد نمیکنه، ولی در سرورهای کش که چند ترابایت دیتا داخل مموری دارن، این resize میتونه به شدت زمانبر و کند باشه.
راهحلی که گولنگ برای این موضوع ارائه داد، استفاده از hashmapهای چندلایه (multi-level) بود. بهجای resize کامل، دادههای جدید در یک لایهی بالاتر ذخیره میشن و بهصورت تدریجی دادههای قدیمی جابهجا میشن. اینطوری عملیات resize به بخشهای کوچیک تقسیم میشه و فشار ناگهانی از روی سیستم برداشته میشه.
این پست رو هم از دست ندین:
A new fast hash table in response to Google’s new fast hash table
______________________________
روشهای مرسوم رفع تصادم (collision) توی hashmap رو تو درس ساختمان داده خوندیم:
1- open addressing
2- chaining
3- hybrid
خیلی خلاصه بخوام هرکدوم رو مرور کنم اینطور میشه:
در open addressing اینطور عمل میکنیم که وقتی تصادم رخ داد، اینقدر توی آرایهی wrap شده جلو میریم تا به اولین خونهی خالی برسیم و item رو اونجا بذاریم.
در روش chaining هر خونهی آرایهی ما یک عنصر نگه میداره و یک پوینتره به یک ساختماندادهی دیگه که میتونه یک linked list باشه یا یک درخت متوازن مثل red-black یا AVL. در صورتی که توی اون خونهی آرایه از قبل دادهای وجود داشته باشه، آیتم جدید رو push میکنیم توی اون ساختماندادهای که اون خونه بهش اشاره میکنه.
در روش سوم، یکی از روشهای اول و دوم رو با مکانیزم هشچندباره ترکیب میکنیم. به این صورت که چند الگوریتم هش متفاوت رو در نظر میگیریم. در صورتی که با هش آیتم مدنظرمون تصادم رخ داد، یک الگوریتم هش جدید رو انتخاب میکنیم. مکانیزم انتخاب الگوریتم هش هم میتونه هرچی باشه. ما ساده و round robin در نظر میگیریم. این کار رو تا زمانی ادامه میدیم که تمام الگوریتمهای هشمون رو تست کرده باشیم و همشون منجر به تصادم شده باشن. بعد با استفاده از یکی از روشهای ۱ یا ۲ اقدام به ذخیره کردن آیتم میکنیم.
تمام این قصهها چیزهایی هست که تا اینجا میدونیم و مرسومه. ولی واقعاً چقدر از این روشها استفاده میشه؟ آیا میشه پا رو فراتر گذاشت و عملکرد رو از این هم بهتر کرد؟
توی جاهایی مثل Cloudflare که عملکرد در حد میکروثانیه مهمه، گاهی باید پا رو فراتر گذاشت. گاهی سادهترین جزئیات میتونن تفاوت چندبرابری در سرعت ایجاد کنن. انگار یه نوع amplification رخ میده؛ بهینهسازی کوچیک که باعث میشه کل سیستم خیلی سریعتر بهنظر بیاد.
یکی از ایدههایی که دقیقاً با همین ذهنیت طراحی شده، ساختار Swiss Tableه. گوگل با در نظر گرفتن چالش کش سرورها دست به طراحی این ساختار زده. زبانهایی مثل Rust هم از همین ساختار برای پیادهسازی پیشفرض HashMap خودشون استفاده میکنن.
گوگل تو کنفرانس CppCon 2017 هم دربارهی طراحی و بهینهسازی این ساختار ارائهای داشت که دیدنش خالی از لطف نیست:
CppCon 2017: Matt Kulukundis – Designing a Fast, Efficient Hash Table
Swiss Table در اصل هنوز از ایدهی open addressing استفاده میکنه؛ یعنی دادهها مستقیماً در یک آرایه ذخیره میشن و وقتی تصادم رخ بده، دنبال خونهی بعدی میگردیم تا جایی برای درج پیدا کنیم. ولی تفاوت اصلیش اینه که چطور این آرایه
bucket
بندی میشه و چطور CPU ازش استفاده میکنه.
در Swiss Table، آرایهی اصلی به چند bucket تقسیم میشه. هر bucket معمولاً چند تا slot داره (مثلاً 8 تا)، یعنی هر bucket خودش میتونه تا 8 تا عنصر نگه داره.
در کنارش یه آرایهی کوچیکتر از metadata داریم که برای هر slot فقط یه بایت اطلاعات ذخیره میکنه. توی این بایت، یه تیکه از هش کلید (مثلاً 7 بیت از اون) نگه داشته میشه تا CPU بتونه سریعتر بفهمه کدوم slot احتمالاً مربوط به کلید مورد نظره.
وقتی میخوایم دنبال یه کلید بگردیم یا کلید جدیدی وارد کنیم، Swiss Table با استفاده از
SIMD (Single Instruction, Multiple Data)
چند بایت metadata رو با هم میخونه (مثلاً 16 تا در یک لحظه) و در عرض یک دستور CPU بررسی میکنه که آیا هش کوچیک ذخیرهشده توی اونها با هش کلید ما یکیه یا نه.
بعد اگه یکی از اونها match کرد، تازه میره سراغ دادهی واقعی و بررسی دقیقتر انجام میده.
Swiss Table تنها نمونهی چنین طراحیای نیست. بعد از گوگل، پروژههای بزرگ دیگه مثل
Facebook’s F14
ایدههای مشابه استفاده کردن.
زبانهایی مثل Rust و Go هم با الهام از همین طراحی، نسخههای خودشون رو ساختن.
در پیادهسازی Go، تیم توسعه با یه چالش جدی روبهرو شد که بهطور مفصل توی این پست توضیح داده شده:
The Go Blog – Swiss Table
مشکل از اینجا شروع شد که وقتی آرایهی اصلی هشمپ به حد آستانهی ظرفیتش میرسه، باید سایزش دو برابر بشه و کل دادههای قبلی داخل آرایهی جدید کپی بشن.
این فرایند در سیستمهای عادی چندان مشکلی ایجاد نمیکنه، ولی در سرورهای کش که چند ترابایت دیتا داخل مموری دارن، این resize میتونه به شدت زمانبر و کند باشه.
راهحلی که گولنگ برای این موضوع ارائه داد، استفاده از hashmapهای چندلایه (multi-level) بود. بهجای resize کامل، دادههای جدید در یک لایهی بالاتر ذخیره میشن و بهصورت تدریجی دادههای قدیمی جابهجا میشن. اینطوری عملیات resize به بخشهای کوچیک تقسیم میشه و فشار ناگهانی از روی سیستم برداشته میشه.
این پست رو هم از دست ندین:
A new fast hash table in response to Google’s new fast hash table
YouTube
CppCon 2017: Matt Kulukundis “Designing a Fast, Efficient, Cache-friendly Hash Table, Step by Step”
https://CppCon.org
—
Presentation Slides, PDFs, Source Code and other presenter materials are available at: https://github.com/CppCon/CppCon2017
—
Hash tables consume a large volume of both compute resources and memory across Google's production system. The…
—
Presentation Slides, PDFs, Source Code and other presenter materials are available at: https://github.com/CppCon/CppCon2017
—
Hash tables consume a large volume of both compute resources and memory across Google's production system. The…
Forwarded from 🎄 یک برنامه نویس تنبل ( MΞ)
This media is not supported in your browser
VIEW IN TELEGRAM
Forwarded from Ninja Learn | نینجا لرن (Mohammad)
YouTube
I built ChatGPT with Minecraft redstone!
I built a small language model in Minecraft using no command blocks or datapacks!
The model has 5,087,280 parameters, trained in Python on the TinyChat dataset of basic English conversations. It has an embedding dimension of 240, vocabulary of 1920 tokens…
The model has 5,087,280 parameters, trained in Python on the TinyChat dataset of basic English conversations. It has an embedding dimension of 240, vocabulary of 1920 tokens…
Forwarded from محتوای آزاد سهراب (Sohrab)
Forwarded from محتوای آزاد سهراب (Sohrab)
فروم رو یک سری تغییرات دادم و زدم ایمیج کانتینرش از اول بیلد بشه پس اگر ارور 5xx دیدید نترسید.
@SohrabContents
@SohrabContents
Forwarded from کانال اطلاعرسانی توزیع پارچ
مشکل ورود با گوگل، دیسکورد و گیتهاب در فروم پارچ برطرف شد.
منتظر حضور شما در فروم پارچ بخصوص کافه پارچ هستیم :)
@ParchLinux
منتظر حضور شما در فروم پارچ بخصوص کافه پارچ هستیم :)
@ParchLinux
Forwarded from linuxtnt(linux tips and tricks) (hosein seilany https://seilany.ir/)
🔰ایجاد و اضافه کردن کاربر به گروه sudo
اگر زمانی با خطای زیر رو برو شدید User is not in the sudoers file از دستور زیر استفاده کنید.فایل sudoers: این فایل لیستی از کاربران و گروههایی را که مجاز به استفاده از sudo هستند، حفظ میکند. اگر نام کاربری شما در این فایل نباشد، سیستم به شما اجازه اجرای دستورات با امتیازات root را نخواهد داد.
ابتدا
su -
را وارد کنید. سپس رمز را وارد کنید و سپس دستور زیر را وارد کنید
به عنوان مثال، اگر بخواهید یک کاربر جدید با نام ali ایجاد کنید و به او اجازه دهید از دستور sudo استفاده کند، دستورات زیر را اجرا میکنید:
اگر زمانی با خطای زیر رو برو شدید User is not in the sudoers file از دستور زیر استفاده کنید.فایل sudoers: این فایل لیستی از کاربران و گروههایی را که مجاز به استفاده از sudo هستند، حفظ میکند. اگر نام کاربری شما در این فایل نباشد، سیستم به شما اجازه اجرای دستورات با امتیازات root را نخواهد داد.
ابتدا
su -
را وارد کنید. سپس رمز را وارد کنید و سپس دستور زیر را وارد کنید
sudo usermod -aG sudo username
به عنوان مثال، اگر بخواهید یک کاربر جدید با نام ali ایجاد کنید و به او اجازه دهید از دستور sudo استفاده کند، دستورات زیر را اجرا میکنید:
sudo usermod -aG sudo ali
Forwarded from Ninja Learn | نینجا لرن (Mohammad)
دارم Cursor میریزم ببینم چیه که حتی توی اگهی شغلی گفته بودن باید بلد باشید
Forwarded from محتوای آزاد سهراب (Sohrab)
یکی از شاهکار های بشریت سایت رزرو غذای دانشگاه ملی مهارت یا همون سماد هستش.
همونطور که میبینید داره ارور CORS میخوره، چون این سایت سماد یک فرانته روی اون سایت قدیم سبا :))
نام اثر: شاهکار مهندسی
@SohrabContents
همونطور که میبینید داره ارور CORS میخوره، چون این سایت سماد یک فرانته روی اون سایت قدیم سبا :))
نام اثر: شاهکار مهندسی
@SohrabContents
Forwarded from محتوای آزاد سهراب (Sohrab)
اگر سرورهای آموزش و پرورش روی ویندوز سرور ۲۰۰۳ باشن، سرورهای دانشگاههای ملی مهارت از گنو/هرد استفاده میکنن که روی Proxmox نصب شده.
@SohrabContents
@SohrabContents
Forwarded from جامعهٔ فارسی زبان کیدیای
چطور در میزکار کیدیای میتونیم تصاویر روز رو به عنوان تصویر زمینه انتخاب کنیم؟ 🤔
برای این کار نیازی به نصب برنامه اضافهای نیست، صرفاً باید از افزونههای داخلی میزکار استفاده کنید.
طبق تصویر وارد تنظیمات تصویرزمینه بشید و نوع رو بر روی تصاویر روز قرار بدید.
همچنین با استفاده از دکمه get new میتوانید افزونههای بیشتری نظیر تصویر زمینه متحرک را نیز بارگیری و نصب کنید.
#چیزهای_کیدیای
کیدیای برای شما
@KDE_fa
برای این کار نیازی به نصب برنامه اضافهای نیست، صرفاً باید از افزونههای داخلی میزکار استفاده کنید.
طبق تصویر وارد تنظیمات تصویرزمینه بشید و نوع رو بر روی تصاویر روز قرار بدید.
همچنین با استفاده از دکمه get new میتوانید افزونههای بیشتری نظیر تصویر زمینه متحرک را نیز بارگیری و نصب کنید.
#چیزهای_کیدیای
کیدیای برای شما
@KDE_fa