💻 تفاوت بین ویندوز های 32 و 64 بیتی

بسته به نوع پردازنده ی (CPU) مورد استفاده در رایانه، سیستم میتونه 32 یا 64 بیتی باشه.
معمولا پردازنده های 64 بیتی قوی تر از مدل های 32 بیتی مشابه هستن چون توانایی ذخیره و پردازش اطلاعات بیشتری رو دارن. پردازنده های 64 بیتی میتونن 2 به توان 64 آدرس ممکن رو داشته باشن در حالی که مدل های 32 بیتی میتونن 2 به توان 32 آدرس مختلف رو پوشش بدن.

اگر سیستم شما دارای پردازنده ی 32 بیتی هستش فقط میتونید ویندوز 32 بیتی نصب کنید؛ اما اگر سیستم شما 64 بیتی هست میتونید هم ویندوز 32 بیتی و هم 64 بیتی رو بدون هیچ مشکلی نصب کنید. توجه کنید که اگه روی سیستم 64 بیتی ویندوز 32 بیتی نصب کنید، سیستم شما نمیتونه از تمام قدرت CPU استفاده کنه.

برای نصب برنامه های مختلف روی سیستمتون هم باید توجه کنید که ویندوز 64 بیتی میتونه هم برنامه های 64 بیتی و هم 32 بیتی رو اجرا کنه؛ ولی ویندوز 32 بیتی فقط میتونه برنامه های 32 بیتی رو اجرا کنه.

#کامپیوتر #ویندوز
🙋🏻‍♂@meteorjournal

💻 چرا توی عناصر ذخیره سازی اطلاعات (فلش، هارد و...) حافظه ی اسمی (حافظه ای که درج شده) با حافظه ی واقعی (حافظه ای که در اختیارمونه) متفاوته؟

چون بر اساس معماری اون حافظه، یک بخشی برای تسریع خونده شدن حافظه و آدرس دهی اختصاص پیدا میکنه. این مقدار از مقدار کل کم میشه و حافظه ی باقی مونده در دسترسه.

البته یکی دیگه از دلایل این مسئله هم اینه که مبنای اندازه گیری انسان با کامپیوتر متفاوته. انسان ها اعداد رو در مبنای 10؛ و کامپیوتر ها در مبنای 2 محاسبه میکنن. این به این معنیه که وقتی کامپیوتر میگه یک مگابایت منظورش 1024 بایته ولی وقتی انسان میگه یک مگابایت یعنی 1000 بایت. پس در هر مگابایت 24 بایت تفاوت وجود داره که توی مقیاس های بزرگ مشهود تره.

#کامپیوتر #حافظه
🙋🏻‍♂@meteorjournal

🌌 شفق قطبی

شفق قطبی (در قطب شمال aurora borealis و در قطب جنوب aurora australis) به صورت نورهای رنگی در آسمان نمود پیدا میکنه که میتونه شکل های متفاوتی داشته باشه؛ روشنایی به شکل بادبزن، روشنایی کلی، روشنایی هایی به صورت پرده هایی که از آسمان آویخته شده و روشنایی سنبله ای شکل که سر به آسمان کشیده.

منشاء این پدیده بادهای خورشیدی (Solar winds) هستن. باد های خورشیدی جریانی از ذرات یونی (پلاسما) انرژی داری هستن که از طرف خورشید در تمام جهات به فضا ساطع میشن.

ذرات موجود در بادهای خورشیدی با میدان مغناطیسی زمین برهم کنش دارن و تعدادی از این ذرات در امتداد خطوط میدان مغناطسی زمین به سمت قطب های شمال و جنوب شتاب میگیرن (طبق قانون دست راست در الکترومغناطیس) . وقتی این ذرات به لایه ی یونوسفر (Ionosphere) برخورد میکنن، ذرات تشکیل دهنده ی اونو برانگیخته میکنن. این برانگیختگی باعث انتقال الکترون ها به لایه های بالاتر و برگشت اون ها به شرایط پایدار شده، و این فرایند نورهایی با طول موج معیّن گسیل میکنه.
به طور مثال مولکول اکسیژن (O2) متمایل به تولید نور سرخ و یا زرد، تک اتم اکسیژن (O) متمایل به تولید نور سبز و اتم های نیتروژن (N) متمایل به تولید نور بنفش هستن.

بیشتر ببینید

شفق قطبی از ایستگاه فضایی

#نجوم #شفق_قطبی #بادخورشیدی
🙋🏻‍♂@meteorjournal

☀️ صدای باد خورشیدی

ویدئو از دید کاوشگر خورشیدی پارکر ناسا

اگر چه صدا توی فضا مخابره نمیشه (بخاطر خلاء)، این کاوشگر اطلاعاتی رو از برخورد ذرات متحرک موجود در بادهای خورشیدی بدست آورده که قابل تبدیل به امواج صوتی هستن.
توی صدایی که روی این ویدئو وجود داره میتونین یک سری از این بازخوردها رو بشنوین.
در آغاز ویدئو صداهای شبه وار امواج لانگمور؛ بعد از اون صدای سوت های طوفان مانند امواج ویسلر و در آخر صداهای جیرجیر مانندی که بعه سختی قابل توصیف هستن.

درخشش هایی که در ویدئو مشاهده میشن ناشی از برخورد پرتوهای پر انرژی کیهانی با دوربین این کاوشگر هستن.

#نجوم #بادخورشیدی #کاوشگر_پارکر #ناسا
🙋🏻‍♂@meteorjournal

💻 مهندسي ويژگي (Feature Enginnering) چيست؟

مهندسي ويژگي راهي براي استخراج ويژگي از داده ها و تبديل آنها به فرمتي است كه مناسب الگوريتم هاي يادگيري باشد. مهندسي ويژگي به سه دسته اصلي تقسيم مي شود:

١-انتخاب ويژگي (Feature Selection): انتخاب زير مجموعه كوچكي از همه ويژگي هاي موجود، انتخاب ويژگي به شمول يا عدم شمول يك ويژگي در فرایند یادگیری ماشین اشاره دارد. روش هاي انتخاب ويژگي عبارتند از:
Chi- Squared test
Correlation Coefficient
LASSO
Ridge regression

٢-تبديل ويژگي (Feature Transformation):
تبديل ويژگي اصلي به توابعي از اين ويژگي ها را تبدیل ویژگی می نامند .مانند مقياس پذيري يا Scaling، گسسته سازي، پر كردن مقادير مفقودي.

٣- استخراج ويژگي ( Feature Extraction): وقتي داده هايي كه توسط يك الگوريتم پردازش مي شوند، خيلي بزرگ باشند، بايد ابعاد اين ويژگي ها كاهش يابند و مي توان تركيبي از متغيرها بسازيم. براي داده هاي جدولي از روش PCA استفاده مي كنيم و براي داده هاي عكس از تشخيص خط يا لبه استفاده مي كنيم.

⁉ انتخاب ويژگي چه تفاوتي با استخراج ويژگي دارد؟ انتخاب ويژگي، برگزيدن زير مجموعه ايي از ويژگي اوليه است در حاليكه استخراج ويژگي، ايجاد ويژگي هاي جديد از ويژگي هاي موجود است.

برگرفته از سايت 👇🏼
towardsdatascience.com

https://t.iss.one/meteorjournal/61

#مهندسی_ویژگی #یادگیری_ماشین #کامپیوتر
🙋🏻‍♀@meteorjournal

#مهندسی_ویژگی #یادگیری_ماشین #کامپیوتر
🙋🏻‍♀@meteorjournal

🎙 قسمت چهارم همایش «بازتاب»

دانشکده ی پزشکی دانشگاه علوم پزشکی تهران

🗓 تاریخ برگزاری: دوشنبه 29 بهمن‌ماه 97

در این قسمت، دکتر آذرخش مکری از «عادت؛ تلاشی برای تغییر» برامون میگه.

نسخه باکیفیت (83 مگابایت)

تهیه شده توسط 👇🏼👇🏼👇🏼
@BAZTABeducation

#روانشناسی #آذرخش_مکری
🙋🏻‍♂@meteorjournal

🌌 سیاهچاله ها

سیاهچاله ناحیه ای از فضا-زمانه که بسیار پر جرمه و میدان گرانشی شدیدی رو اطراف خودش ایجاد کرده؛ به طوریکه هیچ چیز، حتی نور، نمیتونه از گرانش اون فرار کنه. وقتی ناحیه ای از فضا و زمان انقدر خمیده میشه، حالت «نقطه ای» پیدا میکنه.
برای واضح تر شدن مساله تصور کنید شما انگشت خودتون رو روی یک تشک فشار میدین. هرچقدر نیروی بیشتری رو در سطح کمتری (فشار بیشتری) وارد کنید، تشک بیشتر فرو میره. حالا فرض کنید یک سوزن رو روی تشک فشار بدید، فرو رفتگی تشک یک نقطه میشه و در نهایت اگر فشار رو باز هم بیشتر کنید تشک سوراخ میشه. توی این مثال فشار حکم چگالی جرم و تشک حکم فضا-زمان رو داره.

ایده ی وجود این جسم به قرن ها پیش برمیگرده ولی برای اولین بار «نسبیت عام» انیشتین پیش بینی کرد که وقتی ستاره ی سنگینی میمیره (سوختش تموم میشه) ، اگر جرم باقی مونده ی اون بیشتر از سه برابر جرم خورشید باشه، نیروی گرانش رو به داخل مواد تشکیل دهنده ی این ستاره به نیروهای رو به بیرون غلبه میکنه و جرم اون ستاره رو بسیار متمرکز میکنه. این متمرکز شدن جرم اونقدر ادامه پیدا میکنه تا سیاهچاله تشکیل بشه.
نهایتا جرمی که در مرکز سیاهچاله قرار داره اونقدر جمع میشه تا به معنای واقعی ریاضی به یک «تکینگی» (نقطه) تبدیل میشه.

جاذبه ی اطراف این تکینگی یک محفظه ی تاریک به نام «افق رویداد» ایجاد میکنه که مثل یک دستگاه مکنده ی قوی همه چیز رو به درون خودش میکشه. اما بیرون افق رویداد این مکش وجود نداره و نیروی گرانش فقط به صورت یک جاذبه متناسب با جرم و فاصله از سیاهچاله هستش.
به طور مثال فرض کنید ما بجای خورشید یک سیاهچاله با همون جرم قرار بدیم و زمین بیرون افق رویداد اون باشه. در این صورت ما به عنوان ناظری از زمین هیچ تفاوتی از نظر نیروی گرانش احساس نمیکنم و بلعیده نمیشیم. البته دما بخاطر نبود تابش به شدت افت میکنه.

اگر به عکس های موجود از سیاهچاله ها دقت کرده باشین، یک ناحیه ی تخم مرغی شکل از فضا به اسم «ergosphere» رو مشاهده میکنین که دور افق رویداد رو فرا گرفته. در این ناحیه فضا به داخل کشیده میشه اما هنوز (تا وقتی از افق رویداد رد نشده) چیزی به داخل سیاهچاله هدایت نشده و میتونه با صرف انرژی از سیاهچاله دور بشه.
به مرز ارگوسفر و فضای حقیقی هم «حد استاتیک» گفته میشه.

از اونجاییکه سیاهچاله ها به سختی قابل مشاهدن و هیچ چیز نمیتونه از گرانش اونها فرار کنه، یکی از راه های شناسایی (و محاسبه ی جرم) اونها توسط الگوی حرکت اجرام اطرافشونه. مثلا گاهی بر اساس حرکت اجرامی در نقطه ای از آسمان میبینیم جرمی (بر اساس محاسبات) که روی حرکت اونها اثر میذاره بسیار بیشتر از جرمیه که ما مشاهده میکنیم.

یکی از راه های دیگه برای مشاهده ی سیاهچاله ها پدیده ی «همگرایی گرانشی» یا «عدسی گرانشی» هستش. وقتی در یک نقطه از فضا چگالی جرم زیادی باشه، نوری که از اطراف اون جرم رد میشه در اثر جاذبه ی اون جرم دچار انحراف مسیر میشه و انگار بجای جسم پر جرم یک عدسی قرار داره که تصویر اجسام پشت خودش رو دچار بزرگ نمایی میکنه.

یک راه دیگه هم برای شناسایی سیاهچاله ها «تشعشعات» هستن. وقتی یک جرم داخل سیاهچاله میافته، به شدت گرم میشه و شتاب میگیره. این ماده ی به شدت داغ از خودش اشعه ی X ساطع میکنه که قابل اندازه گیریه.


دانش خودتون رو آزمایش کنید



#سیاهچاله #عدسی_گرانشی #نجوم

🙋🏻‍♂@meteorjournal 👉🏼 کانال
🙋🏻‍♂@meteorjournalgroup 👉🏼 گروه

تفاوت خمش فضا-زمان تحت تاثیر اجرام مختلف

#نجوم #فیزیک

🙋🏻‍♂@meteorjournal 👉🏼 کانال
🙋🏻‍♂@meteorjournalgroup 👉🏼 گروه

هرچه جسم به سیاهچاله نزدیک میشه امکان تحرکش کمتر میشه و وقتی از افق رویداد رد میشه راهی به بیرون نداره.

#سیاهچاله #نجوم

🙋🏻‍♂@meteorjournal 👉🏼 کانال
🙋🏻‍♂@meteorjournalgroup 👉🏼 گروه

بلعیده شدن یک ستاره توسط سیاهچاله

#سیاهچاله #نجوم

🙋🏻‍♂@meteorjournal 👉🏼 کانال
🙋🏻‍♂@meteorjournalgroup 👉🏼 گروه

تصویری از عدسی گرانشی

امتیاز تصویر: X-ray - NASA / CXC / J. Irwin et al. ; Optical - NASA / STScI

#عدسی_گرانشی

🙋🏻‍♂@meteorjournal 👉🏼 کانال
🙋🏻‍♂@meteorjournalgroup 👉🏼 گروه

پادماده

به ازای هر نوع ذره، یک نوع پاد ذره وجود داره که بجز بار الکتریکی در تمامی خواص (جرم، حجم و...) با ذره شباهت دارن. فقط بار الکتریکی اون ها عکس ذره ی مورد نظره. (مثلا پادذره ی الکترون، پوزیترونه که بجز اینکه بارش مثبته دقیقا مشابه الکترونه)
پادماده هم ماده ایه که بجای ذرات، از پادذراتِ جفتِ اجزاء ماده تشکیل شده. در پادماده بار هسته منفی و بار ذرات مداری مثبته. (مثلا پادهیدروژن از یک پادپروتون در هسته، و یک پوزیترون در مدار خودش تشکیل شده)

اگر ذره ای با پادذره ی خودش برخورد کنه، هردو از بین میرن و انرژی (بیشتر به صورت پرتوی گاما) تولید میشه. اگر این انرژی به اندازه ی کافی زیاد باشه ممکنه به جفت ذره و پادذره ی دیگه ای تبدیل بشه.

تعداد پادذره ها به شدت کمتر از جفت ذره های خودشونه و ساخت اونها خیلی هزینه بره و قیمت بالایی دارن.

#پادذره #پادماده #فیزیک #نجوم
🙋🏻‍♂@meteorjournal

☀️ تفاوت شبانه روز نجومی و شبانه روز خورشیدی

اگر ستاره ای دقیقا بالای سر شما باشه، حدود 23 ساعت و 56 دقیقه طول می کشه تا دوباره اون ستاره بالای سر شما قرار بگیره. ولی برای خورشید این زمان به طور میانگین (در روزهای مختلف سال بنابر فاصله ی زمین از خورشید، سرعت حرکت زمین به دور اون هم تغییر می کنه و بنابر قانون دوم کپلر، هرچی زمین به خورشید نزدیک تر باشه، سرعت حرکتش هم بیشتره) 24 ساعته.

این تفاوت باعث میشه که اگر امروز در ساعت خاصی ستاره ای دقیقا بالای سر شما (یا در هر زاویه ی خاصی) باشه، دقیقا یک سال طول می کشه که در اون ساعت و اون مکان، اون ستاره دقیقا در همون نقطه از آسمان قرار بگیره.

اما چرا؟
وقتی زمین یک دور به دور خودش میچرخه، در امتداد مدارش به دور زمین هم تقریبا یک درجه حرکت می کنه، 4 دقیقه طول میکشه تا زمین یک درجه ی بیشتر به دور خودش بچرخه و این تغییر زاویه رو جبران کنه. پس در واقع زمین توی 24 ساعت، 361 درجه دور خودش می چرخه.

برگرفته از کتاب: نجوم دینامیکی
اثر: Robert T. Dickson

#نجوم
🧑🏼‍🚀@meteorjournal

💻 3 راه برای بهبود نتایج روش های یادگیری ماشین بدون افزودن داده بیشتر

زمانی که دقت نتایج الگوریتم های یادگیری ماشین مطلوب نیست معمولا توصیه می شود که داده بیشتری در آموزش مدل مورد استفاده قرار گیرد. اما اگر داده کمیاب یا استخراج آن گران باشد از سه روش زیر برای بهبود دقت و کارایی مدل می توان استفاده کرد:

1- تنظیم هایپر پارامترها (Hyperparameter Tuning): پارامترهایی هستند که کاربر آنها را در فرایند یادگیری ماشین تنظیم می کند. یافتن بهترین هایپرپارمترها معمولا به صورت دستی و با روش سعی و خطا صورت می گیرد.

2- روش های ترکیبی (Ensemble Methods): تلفیق نتایج پیش بینی چند تکنیک یادگیری ماشین به صورت همزمان را روش ترکیبی می گویند. استفاده از این روش ها می تواند در بهبود نتایج موثر یاشد.

3- مهندسی ویژگی (Feature Engineering): مهندسی ویژگی شامل انتخاب و به کارگیری دقیق ویژگی های داده می باشد. یکی از روش های مهندسی ویژگی PCA یا تحلیل مولفه اصلی است. به کار گیری این روش ها نیز در ارتقا نتایج پیش بینی مدل موثر است.

برگرفته از سایت towardsdatascience.com

#یادگیری_ماشین #کامپیوتر #machinelearnin
👩🏻‍💻@meteorjournal

🌌 تابش هاوکینگ (Hawking radiation)


روی سطح افق رویداد جاییه که سرعت گریز از سیاهچاله (سرعتی که در اون جسم به درون سیاهچاله سقوط نمیکنه) با سرعت نور برابر میشه. توی این شعاع بحرانی فوتون ها نه اونقدر سرعت دارن که از جاذبه ی سیاهچاله رها شن و نه داخلش سقوط میکنن. به همین دلیل فوتون هایی که دقیقا از روی افق رویداد تابیده میشن همون جا گیر میکنن و روی این مرز چرخ میزنن.

هاوکینگ به این مساله پی برد که مسیر این پرتو ها هرگز به هم نزدیک نمیشن؛ در غیر این صورت به هم برخورد؛ و به داخل سیاهچاله سقوط میکنن.
چرا این اتفاق نمیتونه بیافته؟ فرض کنید مسیر پرتوها به همدیگه نزدیک بشن، در این صورت افق رویداد کوچک تر میشه. از طرفی وقتی پرتوها به همدیگه برخورد کنن و داخل سیاهچاله بیافتن، افق رویداد کوچک نمیشه و میتونه بزرگ هم بشه.
مساحت افق رویداد با جرم سیاهچاله رابطه ی مستقیم داره. وقتی چیزی داخل سیاهچاله میافته جرمش بیشتر میشه و از اونجاییکه چیزی خارج نمیشه جرمش نمیتونه کم بشه. پس سیاهچاله هرگز کوچک نمیشه (این قانون «قانون دوم دینامیک سیاهچاله ها» نام داره و بیان میکنه ناحیه ی افق رویداد میتونه ثابت بمونه یا افزایش پیدا کنه؛ ولی هرگز کوچک نمیشه).
از طرفی نزدیک شدن مسیر پرتوها و افتادن پرتوها به درون سیاهچاله هم زمانن ولی نتیجشون متناقضه! پس هیچکدوم نمیتونن اتفاق بیافتن.

وقتی یک جرم داخل سیاهچاله میافته، این جرم دارای آنتروپی هستش. بنابراین دما داره و هرچیزی که دما داره از خودش تابش گسیل میکنه. خود سیاهچاله جرم داره پس طبق جمله ی قبل باید تابش گرمایی داشته باشه. این ایده با تعریف کلاسیک سیاهچاله ها منافات داشت.

طبق اصل عدم قطعیت هایزنبرگ، فضای تهی مطلق وجود نداره. در واقع فضایی که در اون هیچ اتمی وجود نداشته باشه ظاهرا آرامه، اما اگر در حد کوانتومی ریز بشیم، ناآرامی های بسیار زیادی رو بخاطر اصل عدم قطعیت میبینیم. توی همچین فضایی ذوج ذراتی به کرات به وجود میان و در جهت های مخالف شروع به حرکت میکنن و بعد از مدتی به جفت خودشون برخورد میکنن و نابود میشن.
هاوکینگ بیان کرد که وقتی این جفت ذرات روی افق رویداد به وجود میان، ذره ای که بار منفی داره به داخل سیاهچاله کشیده میشه. ولی ذره ای که بار مثبت داره روی افق رویداد گیر میکنه.
سقوط بار منفی داخل سیاهچاله باعث افزایش انرژی منفی توی سیاهچاله و کاهش انرژی اون میشه. طبق فرمول انیشتین انرژی کمتر هم ارز جرم کمتره. پس جرم سیاهچاله کم میشه. به این تابش، تابش هاوکینگ میگن.

برگرفته از سایت: bigbangpage.com


#نجوم #تابش_هاوکینگ

🙋🏻‍♂@meteorjournal 👉🏼 کانال
🙋🏻‍♂@meteorjournalgroup 👉🏼 گروه

💻کاربرد داده های بزرگ در کشاورزی

سایت Myjohndeere.com درگاه آنلاینی است که به کشاورزان امکان می دهد تا به داده های گردآوری شده از حسگرهای متصل به ماشین آلات خود و همچنین به داده های دیگر کاربران دنیا دسترسی پیدا کنند. این سایت به مجموعه داده های مالی و هواشناسی نیز متصل است. این سرویس به کشاورزان اجازه می دهد تا از تجهیزات خود به صورت بهینه استفاده کنند.
برای مثال می توانند مصرف سوخت کمباین های خود را زیر نظر بگیرند. همچنین از طریق تحلیل داده های حاصل از هزاران زمین زراعی امکان کاشت انواع غلات در شرایط آب و هوایی مختلف و رسیدن به سطح بهینه تولید را فراهم می کند. این سیستم با پیش بینی زمان و مکان خرابی دستگاههای کشاورزی با توجه به داده های گردآوری شده زمان بیکاری و تعمیر دستگاه های کشاورزی را به حداقل می رساند.

برگرفته از کتاب "کاربرد داده های بزرگ" نوشته "برنارد مار"

#کامپیوتر #bigdata
👩🏻‍💻@meteorjournal

⭐️ چرا اکثر ستاره ها در آسمان سفید به نظر میرسن؟

در ساختار چشم انسان دو نوع گیرنده ی نوری وجود داره؛ سلول های مخروطی و سلول های استوانه ای.
سلول های مخروطی در نور مناسب عمل میکنن و میتونن تصاویر و رنگ ها رو خیلی بهتر و دقیق تر دریافت کنن. اما سلول های استوانه ای نسبت به شدت نور حساسیت بیشتری دارن و در نورهای بسیار ضعیف هم عمل میکنن ولی دقت اون ها پایینه و همچنین توانایی تشخیص رنگ ندارن.
شاید توجه کرده باشید که وقتی که وارد یک اتاق تاریک میشید، بعد از مدتی که چشمتون به نور ضعیف عادت میکنه اشیاء اطرافتون رو با طیفی از روشنی یا تاریکی میبینید؛ نه با رنگ.

وقتی نور ستاره ای خیلی کم باشه هم همین اتفاق میافته و اون نور فقط برای تحریک سلول های استوانه ای چشم کافیه و بخاطر همین مغز اطلاعاتی از رنگ ستاره دریافت نمیکنه.

#نجوم #ستاره
🧑🏼‍🚀@meteorjournal

شباهت افسانه ی «گیل گَمِش» و داستان نوح

گیل گمش قدیمی ترین حماسه و نخستین قهرمان انسانی و تراژیک ثبت شده در جهانه.

زادگاه این حماسه بین النهرین هستش و قدمت اون به بیش از 2150 سال پیش از میلاد میرسه.

در این حماسه گیل گمش فردی بوده که به دنبال جاودانگی میگشته و شهر و کشور خودش رو به دنبال هدفش ترک میکنه؛ در راه خودش با خطرات زیادی رو برو میشه و به تدریج میتونه به خرد و دانش والایی دست پیدا کنه. همچنین اون دور اوروک (عراق امروزی) دیواری میکشه که هیچ پادشاهی نمیتونه بهش نفوذ کنه.
گیل گمش در یکی از سفرهاش به فرد دانایی به نام «Utnapishtim» برخورد میکنه که بهش میگه طوفانی به پا میشه و جهان رو نابود میکنه. یکی از خدایان به مرد گفته که باید کشتی ای بسازه و از هر نوع حیوانی یک جفتش رو به همراه خانواده ی خودش نجات بده.

نکته ی جالب اینه که این داستان هزاران سال قبل از اینکه نام نوح در عهد عتیق آورده بشه در بین النهرین ثبت شده. همچنین از نوح به عنوان پیامبری که عمر بسیار طولانی داشته یاد میشه و گیل گمش هم قهرمانی بوده به دنبال جاودانگی.

#تاریخ #اساطیر #حماسه #ادبیات
🙋🏻‍♂@meteorjournal

💻 تفاوت استاندارسازی (Standardization) و نرمال سازی (Normalization) در تغییر مقیاس ویژگی ها:

تغییر مقیاس (Scaling) تکنیکی برای قرار دادن مقادیر ویژگی ها در یک بازه عددی خاص می باشد و در مرحله پیش پردازش داده انجام می شوند. نرمال سازی و استاندارد سازی دو تکنیک تغییر مقیاس داده می باشند و برای کاهش ابعاد داده استفاده می شود. در نرمال سازی، مقادیر یک متغیر بین 0 و 1 قرار می گیرند. در حالی که در استانداردسازی، مقادیر متغیر به اعدادی با میانگین 0 و انحراف استاندارد 1 تبدیل می شود.

اینکه از کدام تکنیک استفاده کنید بستگی به مساله ایی دارد که در حال حل آن هستید. اما در بیشتر موارد توصیه می شود که از استاندارد سازی استفاده کنید زیرا نتایج بهتری به همراه دارد.

#کامپیوتر #machinelearning #normalization #standardization
👩🏻‍💻@meteorjournal