اگه پیشنهادی دارید یا دوست دارید یه چیز خاص تر توی کانال ببینید، حتماً تو کامنت همین پست بگید. خوشحال می‌شم پست‌ها رو جوری بسازم که بیشتر به دلتون بشینه 😊

یکی از چالش‌هایی که خیلی از برنامه‌نویس‌ها باهاش روبه‌رو می‌شن، اینه که بعد از یه مدت طولانی دوری از کدنویسی، حس می‌کنن مهارت‌هاشون زنگ زده انگار یه جورایی انگشتاشون دیگه با کیبورد غریبه شده و مفاهیم برنامه‌نویسی تو ذهنشون غبار گرفته. اما نگران نباشین این پست برای شماست که می‌خواین دوباره به اوج برگردین و مهارت‌های کدنویسی‌تون رو مثل قبل کنید. بیاین با هم یه نقشه راه بکشیم که چطور می‌تونیم مهارت‌هامون رو بازیابی کنیم و دوباره تو دنیای کد به اوج برگردیم🚀

🧠 چرا مهارت‌ها زنگ می‌زنن؟

اول بذارین خیالتون رو راحت کنم: دوری از کدنویسی کاملاً طبیعیه. شاید سر یه پروژه دیگه بودین، زندگی شخصی‌تون شلوغ شده یا حتی فقط نیاز به یه استراحت داشتین. اما وقتی برمی‌گردین، ممکنه حس کنین:

مفاهیم پایه‌ای مثل حلقه‌ها یا ساختار داده‌ها انگار غریبه شدن.

ابزارها و فریم‌ورک‌هایی که قبلاً باهاشون راحت بودین، حالا گیج‌کننده به نظر میان.

اعتماد به نفس کدنویسی‌تون یه کم افت کرده.

اینا همه عادی‌ان مغز ما مثل عضله‌ست؛ اگه یه مدت تمرین نکنه، یه کم تنبل می‌شه، ولی با یه برنامه درست می‌تونین دوباره رو فرم بیاین.

📚 نقشه راه برای بازیابی مهارت‌ها


1⃣ از پایه‌ها شروع کنین 🏗️

چرا؟ مفاهیم پایه‌ای مثل متغیرها، توابع، و حلقه‌ها ستون هر زبان برنامه‌نویسی‌ان. مرور اینا ذهنتون رو گرم می‌کنه.
یه پروژه ساده مثل یه ماشین‌حساب یا یه برنامه To-Do List با زبانی که قبلاً بلد بودین بنویسین.

2⃣ یه پروژه کوچیک و باحال انتخاب کنین 🎯
چرا؟ پروژه‌های کوچیک اعتماد به نفس رو برمی‌گردونن و کمک می‌کنن حس کنین دوباره تو بازی هستین.
یه چیزی بسازین که بهش علاقه دارین، مثلاً یه اسکریپت پایتون برای خودکار کردن یه کار روزمره یا یه صفحه وب ساده با HTML/CSS.

ایده: یه بات ساده برای تلگرام یا یه برنامه که قیمت ارزها رو نشون بده.

3⃣ ابزارها و تکنولوژی‌ها رو مرور کنین 🛠️
چرا؟ اگه مدت زیادی از فریم‌ورک‌ها (مثل Django یا React) دور بودین، ممکنه آپدیت‌هاشون غافلگیرتون کنه.
مستندات رسمی (مثل docs.djangoproject.com) یا یه دوره کوتاه تو Udemy یا Pluralsight بگیرین. فقط یه بخش رو مرور کنین، نه کلش

نکته: نیازی نیست همه‌چیز رو از صفر یاد بگیرین؛ فقط تغییرات جدید رو چک کنین.

4⃣ با حل مسائل تمرین کنین 🧩
چرا؟ حل مسائل الگوریتمی ذهنتون رو قوی می‌کنه و کمک می‌کنه منطق کدنویسی‌تون برگرده.
تو سایت‌هایی مثل HackerRank، Codewars یا LeetCode سوال‌های سطح آسان تا متوسط رو حل کنین. روزی ۱-۲ تا کافیه.
ترفند: یه دفترچه یادداشت داشته باشین و راه‌حل‌ها رو توضیح بدین تا بهتر جا بیفته.

5⃣ کد دیگران رو بخونین 📖
چرا؟ خوندن کدهای باکیفیت بهتون یادآوری می‌کنه که کد تمیز چطور نوشته می‌شه.
پروژه‌های متن‌باز تو GitHub (مثل پروژه‌های پایتون یا جاوااسکریپت) رو بررسی کنین. سعی کنین بفهمین چرا یه تابع خاص یا ساختار خاص استفاده شده.

6⃣ با یه پروژه واقعی برگردین تو رینگ 💪
چرا؟ پروژه‌های واقعی شما رو مجبور می‌کنن همه‌چیز رو کنار هم بذارین: کدنویسی، دیباگ، تست، و کار با ابزارها.
یه اپلیکیشن ساده بسازین، مثلاً یه وبسایت شخصی یا یه API با FastAPI. حتی می‌تونین تو پروژه‌های متن‌باز مشارکت کنین.
نکته: از چیزایی که قبلاً بلد بودین شروع کنین تا اعتماد به نفس‌تون برگرده.

7⃣ با بقیه گپ بزنین 👥
چرا؟ حرف زدن با برنامه‌نویس‌های دیگه بهتون انگیزه می‌ده و ایده‌های جدید می‌آره.
تو گروه‌های تلگرامی، دیسکورد یا انجمن‌های مثل Stack Overflow فعال بشین. حتی یه سوال ساده بپرسین یا جواب بدین.

🔍 نکات طلایی برای برگشتن به اوج

صبور باشین: مثل دوچرخه‌سواریه؛ یه کم طول می‌کشه تا دوباره تعادل پیدا کنین.
روزی یه کم: لازم نیست روزی ۸ ساعت کد بزنین. حتی ۳۰ دقیقه تمرین روزانه معجزه می‌کنه.
لذت ببرین: یه پروژه انتخاب کنین که بهش علاقه دارین تا انگیزه‌تون بالا بمونه.

✍ جمع‌بندی

دوری از کدنویسی یه اتفاق عادیه و اصلاً به این معنی نیست که مهارت‌هاتون غیبشون زده با یه برنامه ساده، مثل مرور پایه‌ها، حل مسائل و ساخت پروژه‌های کوچیک، می‌تونین دوباره همون برنامه‌نویس قبراق و سرحال بشین.

#️⃣ #programming #backend

➖➖➖➖➖➖➖➖➖➖ 

🥷🏻 CHANNEL | GROUP

دوستان ممنون میشم حمایت کنید تایه شروع قوی داشته باشیم 🥰

سلام علیک و از این حرفا FFmpeg 🔮

اگه تو دنیای برنامه‌نویسی یا کار با فایل‌های ویدیویی یا صوتی (چند رسانه ای) سروکارتون به ویدیو و صدا باشه، حتماً اسم FFmpeg به گوشتون خورده. این ابزار هر کاری بگین با فایل‌های صوتی و تصویری می‌کنه.
تو این پست می‌خوام یه گشت کامل درمورد FFmpeg بزنیم و ببینیم این ابزار قدرتمند چه قابلیت‌هایی داره و چرا باید حتما هر برنامه‌نویس یا تولیدکننده محتوایی بلدش باشه.

🧠 ‏FFmpeg چیه؟

‏FFmpeg یه پروژه متن‌باز (open-source) و یه مجموعه نرم‌افزاریه که برای کار با فایل‌های چندرسانه‌ای (ویدیو، صدا، تصویر) طراحی شده. این ابزار از یه سری کتابخونه (مثل libavcodec، libavformat) و ابزارهای خط‌فرمان (مثل ffmpeg، ffplay، ffprobe) تشکیل شده که می‌تونن هر نوع فایل چندرسانه‌ای رو بخونن، بنویسن، تبدیل کنن، پخش کنن یا حتی استریم کنن. از فرمت‌های قدیمی و غریب گرفته تا جدیدترین کدک‌ها، FFmpeg تقریباً همه‌چیز رو پشتیبانی می‌کنه

شروعش برمی‌گرده به سال ۲۰۰۰، وقتی Fabrice Bellard این پروژه رو راه انداخت و حالا زیر نظر Michael Niedermayer و یه جامعه بزرگ از توسعه‌دهنده‌ها داره رشد می‌کنه. اسم FFmpeg از "Fast Forward" و "MPEG" (استاندارد فشرده‌سازی ویدیو) میاد و نشون می‌ده که این ابزار چقدر سریع و همه‌کاره‌ست.

📚 قابلیت‌های اصلی FFmpeg

‏FFmpeg یه جعبه‌ابزار عظیمه که برای هر کاری تو حوزه چندرسانه‌ای یه راه‌حل داره. بیاین مهم‌ترین قابلیت‌هاش رو بررسی کنیم:

1⃣ تبدیل فرمت (Transcoding) 🎥
می‌تونین یه فایل ویدیویی یا صوتی رو از یه فرمت به فرمت دیگه تبدیل کنین.
مثال: یه فایل MP4 رو به AVI یا یه فایل WAV رو به MP3 تبدیل کنین.

  ffmpeg -i input.mp4 -c:v libx264 -c:a aac output.avi
  

چرا کاربردیه؟ پشتیبانی از صدها کدک و فرمت (مثل H.264، H.265، AV1، MP3، AAC) باعث می‌شه برای هر دستگاه یا پلتفرمی فایل مناسب تولید کنین.

2⃣ کدگذاری و دیکد (Encoding/Decoding) 🔢
‏FFmpeg می‌تونه ویدیوها و صداها رو کدگذاری (فشرده‌سازی) یا دیکد (باز کردن فشرده‌سازی) کنه.
مثال: یه ویدیوی خام رو به H.265 فشرده کنین برای کاهش حجم:

  ffmpeg -i input.mp4 -c:v libx265 -c:a copy output.mp4
  

چرا کاربردیه؟ از کدک‌های مدرن مثل AV1 و HEVC گرفته تا کدک‌های قدیمی‌تر مثل MPEG-1، همه رو ساپورت می‌کنه. حتی می‌تونه با شتاب‌دهنده‌های سخت‌افزاری (مثل NVIDIA NVENC) کار کنه که سرعتش رو چند برابر می‌کنه.

3⃣ استریم (Streaming) 📡
می‌تونین ویدیو و صدا رو به صورت زنده استریم کنین یا فایل‌ها رو برای پخش آنلاین آماده کنین.
مثال: استریم یه وب‌کم به سرور RTMP:

  ffmpeg -i /dev/video0 -c:v libx264 -preset fast -f flv rtmp://your-server/live
  

چرا کاربردیه؟ از پروتکل‌های مختلف (RTMP، HLS، MPEG-DASH) پشتیبانی می‌کنه و برای استریمینگ زنده یا آماده‌سازی ویدیو برای پلتفرم‌هایی مثل یوتیوب عالیه.

4⃣ ویرایش ویدیو و صدا (Editing) ✂️
بدون نیاز به نرم‌افزارهای گرافیکی، می‌تونین ویدیوها و صداها رو برش بدین، بچسبونین، یا افکت اضافه کنین.
مثال: برش ۱۰ ثانیه از یه ویدیو:

  ffmpeg -i input.mp4 -ss 00:00:10 -t 10 output.mp4
  

کارهای دیگه: تغییر اندازه ویدیو، اضافه کردن واترمارک، چرخش، تنظیم صدا، یا حتی ساخت ویدیوی تایم‌لپس از تصاویر.

  ffmpeg -framerate 24 -i image%d.jpg -c:v libx264 output.mp4
  

چرا کاربردیه؟ فیلترهای قدرتمندی مثل drawtext (برای اضافه کردن متن) یا scale (برای تغییر رزولوشن) داره که کلی کار رو ساده می‌کنه.

5⃣ استخراج و جاسازی (Muxing/Demuxing) 📦
می‌تونین جریان‌های صوتی، تصویری یا زیرنویس رو از یه فایل جدا کنین یا بذارین تو یه فایل جدید.
مثال: استخراج صدا از ویدیو:

  ffmpeg -i video.mp4 -vn -c:a mp3 audio.mp3
  

چرا کاربردیه؟ می‌تونه زیرنویس، صدا یا ویدیو رو جدا کنه یا حتی چندتا جریان رو تو یه فایل ترکیب کنه، بدون نیاز به رمزگذاری دوباره.

ادامه در پست بعد

6⃣ پخش و پیش‌نمایش (Playback) 🎬
با ابزار ffplay می‌تونین فایل‌های چندرسانه‌ای رو پخش کنین.
مثال: پخش یه ویدیو:

  ffplay video.mp4
  

چرا کاربردیه؟ ffplay یه پخش‌کننده ساده‌ست که برای تست سریع فایل‌ها یا بررسی خروجی‌ها عالیه.

7⃣ بررسی اطلاعات فایل (Probing) 🔍
با ffprobe می‌تونین اطلاعات دقیق یه فایل (مثل کدک، بیت‌ریت، رزولوشن) رو ببینین.
مثال:

  ffprobe -show_streams input.mp4
  

چرا کاربردیه؟ برای عیب‌یابی یا آماده‌سازی فایل‌ها قبل از پردازش، این ابزار مثل یه میکروسکوپ عمل می‌کنه.

8⃣ پشتیبانی از شتاب‌دهنده‌های سخت‌افزاری ⚡
‏ FFmpeg می‌تونه از GPU (مثل NVIDIA NVENC/NVDEC، VAAPI، یا OpenCL) برای سرعت بخشیدن به کدگذاری و دیکد استفاده کنه.
مثال: کدگذاری با NVENC:

  ffmpeg -i input.mp4 -c:v h264_nvenc output.mp4
  

چرا کاربردیه؟ این قابلیت باعث می‌شه عملیات سنگین مثل کدگذاری 4K خیلی سریع‌تر انجام بشه.

9⃣ کار با دستگاه‌های ورودی 🖥️
می‌تونین از دستگاه‌های ورودی مثل وب‌کم یا کارت کپچر مستقیماً داده بگیرین.
مثال: ضبط از وب‌کم:

  ffmpeg -i /dev/video0 output.mp4
  

چرا کاربردیه؟ برای ضبط زنده یا استریمینگ از سخت‌افزارهای مختلف عالیه.

🔟 فیلترهای پیشرفته 🎨
‏FFmpeg کلی فیلتر برای ویرایش ویدیو و صدا داره، مثل تغییر روشنایی، تنظیم سرعت پخش، یا اضافه کردن افکت.
مثال: اضافه کردن متن به ویدیو:

  ffmpeg -i input.mp4 -vf drawtext="text='سلام دنیا':x=20:y=20:fontsize=24" output.mp4
  

چرا کاربردیه؟ این فیلترها انعطاف زیادی بهتون می‌دن تا بدون نرم‌افزارهای گرافیکی، تغییرات پیچیده‌ای اعمال کنین.

✍ جمع‌بندی

‏FFmpeg مثل یه جعبه‌ابزار جادوییه که هر کاری تو دنیای چندرسانه‌ای بخواین، می‌تونه انجام بده. از تبدیل فرمت و کدگذاری گرفته تا استریمینگ، ویرایش، و حتی کار با سخت‌افزارهای خاص، این ابزار همه‌فن‌حریفه.

#️⃣ #programming #backend

➖➖➖➖➖➖➖➖➖➖ 

🥷🏻 CHANNEL | GROUP

دایرکت کانال فعال شده اگه پیشنهادی یا انتقادی چیزی داشتید میتونید توی این بخش که علامت زدم بهم بگید 🥰

No caption 😂

➖➖➖➖➖➖➖➖➖➖ 

🥷🏻 CHANNEL | GROUP

من این چند وقته به یکسری دلایل دارم درمورد هوش مصنوعی و Ml engineering تحقیق میکنم.

دوست دارید پست درموردش بسازم؟
اره 👍 نه 👎

حکایت خیلیاست😂

➖➖➖➖➖➖➖➖➖➖ 

🥷🏻 CHANNEL | GROUP

دلم برای شب نشینی با کدام تنگ شده بود :)))

نشد مایه سایت باز کنیم تحریم نباشه 🙄

یکی از سایت های خیلی باحال برای اشنا شدن با Ml (Machine learning)
سایت ml-playground هست.

اگه علاقه دارید به این حوزه حتما یه سر بزنید 😁

سلام علیک و از این حرفا
انواع مدل‌های هوش مصنوعی (سه تا محبوب ترین ها)🧠

امروز می‌خوام درباره انواع مدل‌های یادگیری ماشین صحبت کنم اگه تازه وارد دنیای AI شدین یا می‌خواین یه شناخت کلی داشته باشین، این پست براتون مناسبه. قراره سه مدل اصلی یادگیری ماشین رو بررسی کنیم: با نظارت (Supervised)، بدون نظارت (Unsupervised) و تقویتی (Reinforcement).

🧠 یادگیری ماشین چیه؟
قبل از اینکه بریم سراغ انواع مدل‌ها، یه توضیح سریع بدم. یادگیری ماشین (Machine Learning) یه شاخه از هوش مصنوعیه که به کامپیوترها یاد می‌دیم از داده‌ها یاد بگیرن و تصمیم بگیرن، بدون اینکه صریحاً برنامه‌ریزی بشن. حالا این یادگیری به چند روش انجام می‌شه که هر کدوم کاربرد خاص خودشون رو دارن.


1⃣ یادگیری با نظارت (Supervised Learning) 👨‍🏫
تو این روش، مدل با یه مجموعه داده برچسب‌دار آموزش می‌بینه. یعنی هر داده یه ورودی (مثل تصویر یا عدد) و یه خروجی مشخص (مثل اسم یا دسته‌بندی) داره. مدل یاد می‌گیره که ورودی‌ها رو به خروجی‌های درست وصل کنه.

فرض کن داری به مدل یاد می‌دی که سگ و گربه رو از هم تشخیص بده. بهش یه عالمه عکس سگ و گربه می‌دی که روشون نوشته "سگ" یا "گربه". مدل از این داده‌ها الگو پیدا می‌کنه و بعداً می‌تونه عکس‌های جدید رو دسته‌بندی کنه.
کاربردها:
دسته‌بندی (Classification): مثلاً تشخیص اسپم ایمیل (اسپمه یا نه؟).

رگرسیون (Regression):
مثل پیش‌بینی قیمت خونه.

مزایا:
دقیق، قابل‌فهم، برای مسائل مشخص عالیه.

معایب:
نیاز به داده برچسب‌دار داره که جمع‌آوری و برچسب‌زنی‌اش می‌تونه گرون و زمان‌بر باشه.

2⃣ یادگیری بدون نظارت (Unsupervised Learning) 🕵️
اینجا داده‌ها برچسب ندارن مدل باید خودش از داده‌ها الگو یا ساختار پیدا کنه.

فرض کن یه عالمه داده فروش مشتری‌ها داری، ولی نمی‌دونی کدوم مشتری تو چه گروهیه. مدل بدون نظارت می‌تونه مشتری‌ها رو بر اساس رفتارشون (مثلاً خریدهای مشابه) گروه‌بندی کنه (مثلا گروه های لوازم خانگی یا گروه مواد غذایی).

کاربردها:
خوشه‌بندی (Clustering):
مثل گروه‌بندی مشتری‌ها برای بازاریابی.

کاهش ابعاد (Dimensionality Reduction):
مثل ساده‌سازی داده‌های پیچیده برای تحلیل.

مزایا:
نیازی به برچسب نداره، برای داده‌های بزرگ و ناشناخته عالیه.

معایب:
نتایجش گاهی مبهمه و نیاز به تحلیل بیشتر داره.

3⃣ یادگیری تقویتی (Reinforcement Learning) 🎮
تو این روش، مدل مثل یه بازیکن تو یه بازی عمل می‌کنه. با آزمون و خطا یاد می‌گیره که چه کارهایی پاداش (reward) بیشتری دارن و سعی می‌کنه پاداشش رو به حداکثر برسونه.

مدل تو یه محیط (environment) تصمیم می‌گیره، نتیجه رو می‌بینه (پاداش یا جریمه) و رفتارش رو بهتر می‌کنه. مثلاً یه ربات یاد می‌گیره چطور راه بره بدون اینکه زمین بخوره.

کاربردها:
رباتیک:
مثل آموزش ربات برای جابه‌جایی اشیا.

بازی‌ها:
مثل AlphaGo که شطرنج و گو رو یاد گرفت.

سیستم‌های پیشنهاددهنده:
مثل پیشنهاد ویدیو تو یوتیوب.

مزایا:
برای مسائل پیچیده و پویا (مثل بازی‌ها) عالیه.

معایب:
آموزشش زمان‌بره و نیاز به محاسبات و ازمون خطای سنگین داره.

🚀 چرا این مدل‌ها مهم‌ان؟
(ما به الگوریتم های ترینینگ هوش مصنوعی میگیم مدل)

هر کدوم از این مدل‌ها برای یه سری مشکلات خاص طراحی شدن:

با نظارت:
وقتی داده‌های برچسب‌دار داری و می‌خوای پیش‌بینی دقیق کنی.

بدون نظارت:
وقتی داده‌های زیادی داری، ولی نمی‌دونی چه الگویی توشونه.

تقویتی:
وقتی می‌خوای یه سیستم یاد بگیره خودش تصمیم‌های بهینه بگیره.

این مدل‌ها تو همه‌چیز از تشخیص چهره تو گوشی‌تون گرفته تا پیشنهاد فیلم تو نتفلیکس و ربات‌های خودران استفاده می‌شن. دنیای AI بدون اینا عملاً نمی‌چرخه.

✍ جمع‌بندی

مدل‌های با نظارت، بدون نظارت و تقویتی مثل سه تا ابزارن که هر کدوم یه گوشه از مشکلات دنیای داده رو حل می‌کنن. اگه تازه‌کارین، پیشنهاد می‌کنم با یه پروژه ساده (مثل دسته‌بندی با Scikit-learn) شروع کنین و کم‌کم برین سراغ مسائل پیچیده‌تر. دنیای یادگیری ماشین واقعا زیباست. :)))

#️⃣ #ai #ml #programming

➖➖➖➖➖➖➖➖➖➖ 

🥷🏻 CHANNEL | GROUP

زبان بخونید زبان
از نون شب واجب تره

دیشب یه PR زدم برای ترجمه یکی از صفحات آموزشی FastAPI.
اما Maintainer پروژه گفت که قراره روش ترجمه‌ی داکیومنت‌ها رو به‌طور کامل تغییر بدن و برن سراغ ترجمه‌ی خودکار.
دلیلش هم اینه که خیلی از مشارکت‌کننده‌ها ترجمه‌ها رو ناقص انجام می‌دن یا بعداً که مستندات اصلی به‌روزرسانی می‌شه، ترجمه‌هاشون رو آپدیت نمی‌کنن.
برای همین تصمیم گرفتن روش قبلی رو کنار بذارن و کل فرایند ترجمه رو اتوماتیک کنن.


میتونید توی بخش مشارکت کننده هاهم این موضوع رو ببینید

https://fastapi.tiangolo.com/contributing/#translations

#⃣ #news

➖➖➖➖➖➖➖➖➖➖ 

🥷🏻 CHANNEL | GROUP

موضوع خاصی هست که بخواید راجبش پست درست کنم؟
تو کامنت همین پست بگید👇

یک سال از ساخت این چنل و تولید محتوا توش گذشت.
تو این مدت خیلی چیزها یاد دادم، خیلی چیزها یاد گرفتم، و واقعیت اینه که بیشتر یاد گرفتم تا یاد بدم.

مرسی از همه‌ی شما که تو این مسیر کنارم بودید و هستید.
امیدوارم تونسته باشم حتی یه ذره هم بهتون چیزی یاد داده باشم.

دوستتون دارم، دونه‌دونه‌تون ❤️

حق واقعاً

#⃣ #fun

➖➖➖➖➖➖➖➖➖➖ 

🥷🏻 CHANNEL | GROUP

خدایی برنامه نویسی هست که نخواد مهاجرت کنه؟
Pain 💔

💀 Damn

خلاصه:

یارو با Brainfuck بازی میسازه

https://youtu.be/Qn0yFkgNXqQ?si=ZnTwB6EPigz3Bdlq

➖➖➖➖➖➖➖➖➖➖ 

🥷🏻 CHANNEL | GROUP