Forwarded from Academy and Foundation unixmens | Your skills, Your future (yashar esmaildokht 🐧)
مفهوم team چیست ؟
ما در لینوکس این امکان را داریم که بتونیم هم زمان چندین لینک شبکه را به یک لینک تبدیل کنیم که این امر باعث افزایش توان شبکه و در صورت از دست رفتن یک لینک لینکهای دیگر به صورت خودکار در شبکه به کار خودش ادامه میده .
یعنی بحث HA در حوزه شبکه .
برای مثال شما با این روش Network Teaming می توانید به دو لینک شبکه خود یک آدرس IP اختصاص دهید و در حالت اول سرعت ورودی و خروجی برروی شبکه خود را افزایش دهید و یا در صورت نیاز یکی از لینکها رو به صورت بک آپ لینک قرار دهید تا در زمانی که یکی از لینکهای شما از مدار خارج شد، لینک دیگر به صورت خودکار فعال شود.
نکته : ما برای پیاده سازی هم ابزار گرافیکی داریم و هم cli
حال یه نکته :
ا #سوال team چه فرقی با bonding داره ؟
می توانید پاسخ جواب خود را به @yashar_esmaildokht ارسال کنید .
ما در لینوکس این امکان را داریم که بتونیم هم زمان چندین لینک شبکه را به یک لینک تبدیل کنیم که این امر باعث افزایش توان شبکه و در صورت از دست رفتن یک لینک لینکهای دیگر به صورت خودکار در شبکه به کار خودش ادامه میده .
یعنی بحث HA در حوزه شبکه .
برای مثال شما با این روش Network Teaming می توانید به دو لینک شبکه خود یک آدرس IP اختصاص دهید و در حالت اول سرعت ورودی و خروجی برروی شبکه خود را افزایش دهید و یا در صورت نیاز یکی از لینکها رو به صورت بک آپ لینک قرار دهید تا در زمانی که یکی از لینکهای شما از مدار خارج شد، لینک دیگر به صورت خودکار فعال شود.
نکته : ما برای پیاده سازی هم ابزار گرافیکی داریم و هم cli
حال یه نکته :
ا #سوال team چه فرقی با bonding داره ؟
می توانید پاسخ جواب خود را به @yashar_esmaildokht ارسال کنید .
This media is not supported in your browser
VIEW IN TELEGRAM
.
سیستم مدیریت یادگیری یا LMS، یک نرم افزار است که به طور خاص برای مدیریت و توزیع محتوی آموزشی طراحی شده است.
اLMS میتواند به عنوان یک محصول خاص بر روی سرور اختصاصی قرار بگیرد یا اینکه میتواند مانند یک پلتفرم نرم افزار کلاس آنلاین میزبانی شود.
سیستم مدیریت یادگیری به عنوان یک تکنولوژی جدید میتواند یادگیری را بهبود ببخشد و آن را سریع تر و سودمند کند، همچنین امکان بررسی و آنالیز روند یادگیری وجود دارد. پایه اصلی این سیستم شامل یک بستر عملکردی اصلی است که به مدیران امکان میدهد محتوای آموزشی را بارگذاری کنند، به دانشجویان درس بدهند و داده ها را با کاربران مجازی به اشتراک بگذارند.
.
جهت اطلاعات بیشتر و مشاوره رایگان تماس حاصل فرمایید .
سیستم مدیریت یادگیری یا LMS، یک نرم افزار است که به طور خاص برای مدیریت و توزیع محتوی آموزشی طراحی شده است.
اLMS میتواند به عنوان یک محصول خاص بر روی سرور اختصاصی قرار بگیرد یا اینکه میتواند مانند یک پلتفرم نرم افزار کلاس آنلاین میزبانی شود.
سیستم مدیریت یادگیری به عنوان یک تکنولوژی جدید میتواند یادگیری را بهبود ببخشد و آن را سریع تر و سودمند کند، همچنین امکان بررسی و آنالیز روند یادگیری وجود دارد. پایه اصلی این سیستم شامل یک بستر عملکردی اصلی است که به مدیران امکان میدهد محتوای آموزشی را بارگذاری کنند، به دانشجویان درس بدهند و داده ها را با کاربران مجازی به اشتراک بگذارند.
.
جهت اطلاعات بیشتر و مشاوره رایگان تماس حاصل فرمایید .
Media is too big
VIEW IN TELEGRAM
ویژگی های جدید Proxmox VE 6.3
دوره
Linux essential
به صورت آنلاین .
با تخفیف ویژه با قیمت ۵۰۰ هزار تومان .
ظرفیت باقی مانده :۳ نفر
جهت ثبت نام میتوانید کد qr را اسکن کنید یا از این لینک ثبت نام کرده یا دایرکت نمایید .
توجه:
به خاطر محدودیت درتعداد ثبت نام، اولویت با کسانی خواهد بود که زودتر ثبت نام کرده اند .
#Linux #lpic #essential
Linux essential
به صورت آنلاین .
با تخفیف ویژه با قیمت ۵۰۰ هزار تومان .
ظرفیت باقی مانده :۳ نفر
جهت ثبت نام میتوانید کد qr را اسکن کنید یا از این لینک ثبت نام کرده یا دایرکت نمایید .
توجه:
به خاطر محدودیت درتعداد ثبت نام، اولویت با کسانی خواهد بود که زودتر ثبت نام کرده اند .
#Linux #lpic #essential
محققان موفق به توسعه هوش مصنوعی شده‌اند که قادر به بهبود کیفیت تصاویر تا ۶۴ برابر است. در حالی که از آن می‌توان برای شناسایی افراد در تصاویر دوربین‌های امنیتی استفاده کرد، در دنیای پزشکی، نجوم و سایر زمینه‌ها نیز کاربرد دارد.
این هوش مصنوعی که دستاورد محققان در دانشگاه «دوک» است، میتواند تصاویر تار و چهره غیرقابل تشخیص افراد در تصاویر را تبدیل به یک پرتره باکیفیت کند که در آن جزئیات به خوبی قابل مشاهده هستند. روش‌های قبلی می‌توانستند کیفیت تصاویر را حداکثر تا ۸ برابر بهبود دهند، اما تیم دانشگاه دوک موفق به افزایش آن به حداکثر ۶۴ برابر شده است.
این هوش مصنوعی میتواند ویژگی‌های دقیق چهره مانند مژه‌ها و ته ریش را بازسازی کند که پیش از این سیستمی با چنین دقتی وجود نداشته است. «سینتیا رودین»، سرپرست این تحقیق اعلام کرده:
«تصاویر با چنین دانه‌بندی را هرگز نمی‌توانستیم در گذشته تولید کنیم.»
این سیستم برای شناسایی چهره افراد مورد استفاده قرار می‌گیرد و میتواند عدم فوکوس در تصاویر را برطرف کند و تصاویر غیرقابل شناسایی از دوربین‌های امنیتی را بهبود دهد.
این هوش مصنوعی که دستاورد محققان در دانشگاه «دوک» است، میتواند تصاویر تار و چهره غیرقابل تشخیص افراد در تصاویر را تبدیل به یک پرتره باکیفیت کند که در آن جزئیات به خوبی قابل مشاهده هستند. روش‌های قبلی می‌توانستند کیفیت تصاویر را حداکثر تا ۸ برابر بهبود دهند، اما تیم دانشگاه دوک موفق به افزایش آن به حداکثر ۶۴ برابر شده است.
این هوش مصنوعی میتواند ویژگی‌های دقیق چهره مانند مژه‌ها و ته ریش را بازسازی کند که پیش از این سیستمی با چنین دقتی وجود نداشته است. «سینتیا رودین»، سرپرست این تحقیق اعلام کرده:
«تصاویر با چنین دانه‌بندی را هرگز نمی‌توانستیم در گذشته تولید کنیم.»
این سیستم برای شناسایی چهره افراد مورد استفاده قرار می‌گیرد و میتواند عدم فوکوس در تصاویر را برطرف کند و تصاویر غیرقابل شناسایی از دوربین‌های امنیتی را بهبود دهد.
محققان دریافتند عصب‌های مصنوعی برای ارائه بهترین عملکرد به خوابیدن نیاز دارند. منظور از خوابیدن صرفاً خاموش و روشن کردن عصب‌ها نبوده و همانند آنچه در مغز حین خواب عمیق رخ میدهد، قرارگیری نورون‌ها در معرض سیگنال‌های ضعیف سبب بهبود عملکرد آنها می‌شود
شبکه‌های عصبی از نورون‌های مصنوعی تشکیل شده‌اند که همانند مغز با یکدیگر در ارتباط هستند. استفاده مداوم از برخی اتصال‌های نورونی، به مرور زمان سبب تقویت آنها شده و یادگیری خودکار را میسر میکند. شبکه‌های عصبی جریان‌های اطلاعاتی مختلف را به شکل موازی پردازش کرده و از آنها در سیستم‌های تشخیص عکس و گفتار استفاده می‌شود.
یکی از نقاط ضعف شبکه‌های عصبی که از مغز به آنها به ارث رسیده، نیاز به خوابیدن است و تحقیقات جدید نشان می‌دهند نورون‌ها پس از استفاده طولانی مدت، ناپایدار می‌شوند. محققان آزمایشگاه ملی لس آلاموس (Los Alamos National Laboratory) دریافتند شبکه‌های عصبی با استفاده از روش یادگیری دیکشنری نظارت نشده (Unsupervised Dictionary Training) دچار خستگی می‌شوند.
در این تکنیک شبکه عصبی شباهت‌های بین اشیا را بدون وجود مثال شناسایی کرده و آنها را دسته بندی میکند.
شبکه‌های عصبی از نورون‌های مصنوعی تشکیل شده‌اند که همانند مغز با یکدیگر در ارتباط هستند. استفاده مداوم از برخی اتصال‌های نورونی، به مرور زمان سبب تقویت آنها شده و یادگیری خودکار را میسر میکند. شبکه‌های عصبی جریان‌های اطلاعاتی مختلف را به شکل موازی پردازش کرده و از آنها در سیستم‌های تشخیص عکس و گفتار استفاده می‌شود.
یکی از نقاط ضعف شبکه‌های عصبی که از مغز به آنها به ارث رسیده، نیاز به خوابیدن است و تحقیقات جدید نشان می‌دهند نورون‌ها پس از استفاده طولانی مدت، ناپایدار می‌شوند. محققان آزمایشگاه ملی لس آلاموس (Los Alamos National Laboratory) دریافتند شبکه‌های عصبی با استفاده از روش یادگیری دیکشنری نظارت نشده (Unsupervised Dictionary Training) دچار خستگی می‌شوند.
در این تکنیک شبکه عصبی شباهت‌های بین اشیا را بدون وجود مثال شناسایی کرده و آنها را دسته بندی میکند.
به گفته محققان این متد شبکه‌های عصبی را بیشتر خسته میکند.
محققان به منظور بازیابی تمرکز شبکه‌های عصبی، آنها را در معرض انواع سیگنال‌های نویز سفید (White Noise) قرار دادند و متوجه شدند سیگنال‌های نویز گاوسی (Gaussian Noise) بهترین عملکرد را در آرام کردن عصب‌ها و بازیابی پایداری آنها دارند. نکته جالب اینکه این سیگنال‌ها زمانی که ما در عمیق ترین دوره خواب یا دوره SWS قرار داریم، در مغز جریان پیدا می‌کنند.
محققان قصد دارند در قدم بعدی این الگوریتم را روی چیپ نورومورفیک قدرتمند اینتل یعنی «Loihi» که ساختاری مشابه مغز انسان دارد، آزمایش کنند. محققان امیدوارند «خوابیدن» این تراشه، توانایی آن در پردازش اطلاعات تصویری از دوربین را افزایش دهد.
محققان به منظور بازیابی تمرکز شبکه‌های عصبی، آنها را در معرض انواع سیگنال‌های نویز سفید (White Noise) قرار دادند و متوجه شدند سیگنال‌های نویز گاوسی (Gaussian Noise) بهترین عملکرد را در آرام کردن عصب‌ها و بازیابی پایداری آنها دارند. نکته جالب اینکه این سیگنال‌ها زمانی که ما در عمیق ترین دوره خواب یا دوره SWS قرار داریم، در مغز جریان پیدا می‌کنند.
محققان قصد دارند در قدم بعدی این الگوریتم را روی چیپ نورومورفیک قدرتمند اینتل یعنی «Loihi» که ساختاری مشابه مغز انسان دارد، آزمایش کنند. محققان امیدوارند «خوابیدن» این تراشه، توانایی آن در پردازش اطلاعات تصویری از دوربین را افزایش دهد.
It's that special time of year when you can get great discounts on tech for your favorite sysadmin.
via Enable Sysadmin https://ift.tt/36gJ95v
via Enable Sysadmin https://ift.tt/36gJ95v
Enable Sysadmin
Cyber Week 2020: 13 ideas for what to buy the sysadmin in your life
It's that special time of year when you can get great discounts on tech for your favorite sysadmin.
مهندسان کامپیوتر دانشگاه «لافبورو» موفق به توسعه الگوریتم‌های هوش مصنوعی شده‌اند که توانایی‌های بازیکنان فوتبال را در زمین بازی تحلیل میکند. این الگوریتم‌ها می‌توانند در پیدا کردن استعدادها به تیم‌ها کمک کنند.
در حال حاضر تحلیل عملکرد بازیکنان توسط افراد صورت می‌گیرد و فرایندی زمانبر است چرا که باید عملکرد هر بازیکن ضبط و برای مدت زمان طولانی مورد بررسی قرار بگیرد. این موضوع علاوه بر اینکه زمان زیادی مصرف میکند، میتواند به علت تعصبات اجتماعی روی نتیجه نهایی نیز تاثیر منفی یا مثبت داشته باشد.
در حالی که هم اکنون تعدادی فناوری خودکار در این ورزش وجود دارد، تنها می‌توانند بازیکنان را ردیابی کنند. برای رفع چنین مشکلی سرپرست این پروژه، دکتر «Baihua Li» و تیم وی یک سیستم هیبریدی توسعه داده‌اند که اطلاعات بازیکنان توسط روش‌های مبتنی بر دوربین جمع‌آوری می‌شود. محققان از جدیدترین پیشرفت‌ها در حوزه بینایی رایانه‌ای، یادگیری عمیق و هوش مصنوعی برای دستیابی به سه خروجی زیر استفاده کرده‌اند:
- تشخیص حالت بدن و اندام‌ها برای شناسایی حرکات
- ردیابی جداگانه بازیکنان برای دستیابی به اطلاعات عملکردی
- اتصال فیلم‌های دو دوربین ساده مانند GoPro
باید دید در آینده باشگاه‌های فوتبال و همچنین مربیان نسبت به این سیستم چه واکنشی از خود نشان می‌دهند و آیا هوش مصنوعی میتواند نسل آینده بازیکنان محبوب‌ترین ورزش جهان را شناسایی کند یا خیر.
در حال حاضر تحلیل عملکرد بازیکنان توسط افراد صورت می‌گیرد و فرایندی زمانبر است چرا که باید عملکرد هر بازیکن ضبط و برای مدت زمان طولانی مورد بررسی قرار بگیرد. این موضوع علاوه بر اینکه زمان زیادی مصرف میکند، میتواند به علت تعصبات اجتماعی روی نتیجه نهایی نیز تاثیر منفی یا مثبت داشته باشد.
در حالی که هم اکنون تعدادی فناوری خودکار در این ورزش وجود دارد، تنها می‌توانند بازیکنان را ردیابی کنند. برای رفع چنین مشکلی سرپرست این پروژه، دکتر «Baihua Li» و تیم وی یک سیستم هیبریدی توسعه داده‌اند که اطلاعات بازیکنان توسط روش‌های مبتنی بر دوربین جمع‌آوری می‌شود. محققان از جدیدترین پیشرفت‌ها در حوزه بینایی رایانه‌ای، یادگیری عمیق و هوش مصنوعی برای دستیابی به سه خروجی زیر استفاده کرده‌اند:
- تشخیص حالت بدن و اندام‌ها برای شناسایی حرکات
- ردیابی جداگانه بازیکنان برای دستیابی به اطلاعات عملکردی
- اتصال فیلم‌های دو دوربین ساده مانند GoPro
باید دید در آینده باشگاه‌های فوتبال و همچنین مربیان نسبت به این سیستم چه واکنشی از خود نشان می‌دهند و آیا هوش مصنوعی میتواند نسل آینده بازیکنان محبوب‌ترین ورزش جهان را شناسایی کند یا خیر.
Academy and Foundation unixmens | Your skills, Your future
دوره Linux essential به صورت آنلاین . با تخفیف ویژه با قیمت ۵۰۰ هزار تومان . ظرفیت باقی مانده :۳ نفر جهت ثبت نام میتوانید کد qr را اسکن کنید یا از این لینک ثبت نام کرده یا دایرکت نمایید . توجه: به خاطر محدودیت درتعداد ثبت نام، اولویت با کسانی خواهد…
تنها چند ظرفیت خالی برای ثبت نام باقی مانده است . به خاطر محدودیت در تعداد ثبت نام اولویت با کسانی است که زودتر ثبت نام نمایند .
👩👩👧👧آیا به فکر ایجاد یک سامانه برای فرایند دورکاری خود همانند شرکت های مطرح از جمله : گوگل و تویتر و ... هستید ؟
• سامانه دورکاری
• سامانه پشتیبانی از راه دور مدیریت شده
• سامانه وب کنفرانس
• ضبط( رکورد) نشست ها برای اهداف امنیتی ، تضمین کیفیت و اهداف آموزشی
• پشتیبانی از تمام سیستم عامل های مرسوم مانند اندروید، iOS ، ویندوز، و لینوکس
• پشتیبانی از همه دستگاههای مرسوم مانند تبلت و موبایل و...
• دارای تمهیدات امنیتی برای جلوگیری از نشت داده
• وجود سیستم مدیریت تیم همانند تریلو از محصولات جیرا
• امکان سینک داده ها در دوایس های مختلف با امکان ورژن کنترل
• امکان اتصال به سیستم احراز هویت مرکزی از جمله : active directory - openldap و ...
• امکان سینک دفتر تلفن و پیغام ها ی sms در سامانه
• وجود برنامه ویرایشگر تحت وب جهت مستندات از جمله ورد و اکسل و ... که نیاز به نصب در سیستم کلاینت را بی نیاز میکند .
• وجود برنامه مدیریت نوت ها
• وجود سیستم مدیریت تسک
و ابزار های متنوع دیگر که برای هر سازمان و کسب و کاری یک نیاز اساسی است .
جهت اطلاعات تکمیلی و مشاهده دمو محصول میتوانید تماس حاصل فرمایید .
• سامانه دورکاری
• سامانه پشتیبانی از راه دور مدیریت شده
• سامانه وب کنفرانس
• ضبط( رکورد) نشست ها برای اهداف امنیتی ، تضمین کیفیت و اهداف آموزشی
• پشتیبانی از تمام سیستم عامل های مرسوم مانند اندروید، iOS ، ویندوز، و لینوکس
• پشتیبانی از همه دستگاههای مرسوم مانند تبلت و موبایل و...
• دارای تمهیدات امنیتی برای جلوگیری از نشت داده
• وجود سیستم مدیریت تیم همانند تریلو از محصولات جیرا
• امکان سینک داده ها در دوایس های مختلف با امکان ورژن کنترل
• امکان اتصال به سیستم احراز هویت مرکزی از جمله : active directory - openldap و ...
• امکان سینک دفتر تلفن و پیغام ها ی sms در سامانه
• وجود برنامه ویرایشگر تحت وب جهت مستندات از جمله ورد و اکسل و ... که نیاز به نصب در سیستم کلاینت را بی نیاز میکند .
• وجود برنامه مدیریت نوت ها
• وجود سیستم مدیریت تسک
و ابزار های متنوع دیگر که برای هر سازمان و کسب و کاری یک نیاز اساسی است .
جهت اطلاعات تکمیلی و مشاهده دمو محصول میتوانید تماس حاصل فرمایید .
👍1
محققان راهی برای تبدیل طرح های اولیه یا اسکیس به پرتره های واقع گرایانه پیدا کرده اند. الگوریتم DeepFaceDrawing که توسط تیمی از محققان آکادمی علوم چین در پکن ساخته شده با کمک هوش مصنوعی به کاربرانی که آموزش های اندکی در زمینه طراحی دیده اند کمک می کند عکس هایی با کیفیت بالا را از روی طرح های ناقص و اسکیس های اولیه بسازند.
نخستین بار نیست که تکنولوژی هایی مانند این ارائه می شوند (ابزار پر کردن خودکار Pix2Pix را که میتوانست از نقاشی های شما عکس های ترسناک بسازد حتما به خاطر دارید). اما روشن است که DeepFaceDrawing پیشرفته ترین آنها تا به امروز است چراکه نیاز به جزئیات زیادی در اسکیس های اولیه ندارد. این الگوریتم تا حدود زیادی بر پایه احتمال کار می کند و برای استفاده از آن مثلا نیازی به ترسیم لب ها و یا پلک کاراکتر مورد نظرتان ندارید و نرم افزار برای طراحی این بخش ها به دیتابیس عظیمی از چهره ها و اجزای چهره رجوع می کند که توسعه دهندگان در اختیارش قرار داده اند و برای انتخاب این اجزا آنها را در کنار دیگر بخش های چهره قرار داده و می سنجد که تا چه اندازه با هم مطابقت دارند. برای این منظور چشم ها، بینی، دهان، شکل چهره و نوع مو به صورت جداگانه بررسی می شوند و سپس در قالب یک چهره واحد کنار هم قرار داده می شوند.
مشخص نیست که الگوریتم DeepFaceDrawing چگونه می خواهد موضوع نژاد را در پرتره های خود مدنظر بگیرد. تا کنون ۱۷ هزار اسکیس در اختیار این برنامه قرار گرفته و به همین تعداد پرتره از روی آنها تولید شده و جالب اینکه اغلب پرتره ها نژادهای قفقازی و چهره های مربوط به آمریکای لاتین را به تصویر کشیده اند. البته این می تواند به خاطر دیتای منبع یا همان دیتابیسی باشد که در اختیار برنامه قرار گرفته است یا سطح پایین جزئیات طرح های اولیه ای که به برنامه داده شده است.
طبق اطلاعات مندرج در وبسایت این برنامه، اسم رمز انتخاب شده برای DeepFaceDrawing عبارت coming soon یا بزودی است و این نشان میدهد که احتمالا اپ مربوط به آن به زودی هم برای سرگرمی و هم سازمان های مجری قانون عرضه می شود.
نخستین بار نیست که تکنولوژی هایی مانند این ارائه می شوند (ابزار پر کردن خودکار Pix2Pix را که میتوانست از نقاشی های شما عکس های ترسناک بسازد حتما به خاطر دارید). اما روشن است که DeepFaceDrawing پیشرفته ترین آنها تا به امروز است چراکه نیاز به جزئیات زیادی در اسکیس های اولیه ندارد. این الگوریتم تا حدود زیادی بر پایه احتمال کار می کند و برای استفاده از آن مثلا نیازی به ترسیم لب ها و یا پلک کاراکتر مورد نظرتان ندارید و نرم افزار برای طراحی این بخش ها به دیتابیس عظیمی از چهره ها و اجزای چهره رجوع می کند که توسعه دهندگان در اختیارش قرار داده اند و برای انتخاب این اجزا آنها را در کنار دیگر بخش های چهره قرار داده و می سنجد که تا چه اندازه با هم مطابقت دارند. برای این منظور چشم ها، بینی، دهان، شکل چهره و نوع مو به صورت جداگانه بررسی می شوند و سپس در قالب یک چهره واحد کنار هم قرار داده می شوند.
مشخص نیست که الگوریتم DeepFaceDrawing چگونه می خواهد موضوع نژاد را در پرتره های خود مدنظر بگیرد. تا کنون ۱۷ هزار اسکیس در اختیار این برنامه قرار گرفته و به همین تعداد پرتره از روی آنها تولید شده و جالب اینکه اغلب پرتره ها نژادهای قفقازی و چهره های مربوط به آمریکای لاتین را به تصویر کشیده اند. البته این می تواند به خاطر دیتای منبع یا همان دیتابیسی باشد که در اختیار برنامه قرار گرفته است یا سطح پایین جزئیات طرح های اولیه ای که به برنامه داده شده است.
طبق اطلاعات مندرج در وبسایت این برنامه، اسم رمز انتخاب شده برای DeepFaceDrawing عبارت coming soon یا بزودی است و این نشان میدهد که احتمالا اپ مربوط به آن به زودی هم برای سرگرمی و هم سازمان های مجری قانون عرضه می شود.
محققین دانشگاه راتگرز مدلی از هوش مصنوعی طراحی و معرفی کرده‌اند که نه تنها از شبکه‌های عصبی استفاده میکند بلکه شامل آستروسیت‌ها نیز می‌شوند که تغذیه و حفاظت یاخته‌های عصبی را بر عهده دارد. این اتفاق رویکردی تازه در زمینه آموزش ربات‌ها (الهام گرفته شده از مغز انسان) خواهد بود.
دانشمندان از مسیر جدیدی برای طراحی نورومورفیک (محاسبات عصبی) استفاده کرده‌اند. آنها با تقلید از ساختار مغز انسان به طور کامل و نه فقط متمرکز روی کار اعصاب، به آنالوگی از آستروسیت‌ها دست یافته‌اند که میتواند عملکرد یک ارگان یا سلول‌ها را تنظیم کنند. محققین اشاره دارند که این نخستین بار است که در توسعه مدل‌ها نورون‌ها تنها واحد‌های پردازشگر مغز انسان برای الگوبرداری در علوم در نظر گرفته نشده‌اند.
مهندسین مدل‌های محاسبه‌گری طراحی کرده‌اند که آنچه در تماس یک آستروسیت با نورون‌ها در جریان دریافت و ارسال نبض اتفاق می‌افتد را توصیف میکند. آنها سپس از این مدل‌ها برای ساخت بلوک‌های ساختاری و شبکه‌های آستروسیت عصبی استفاده کردند، که منجر به طراحی چیپ‌های نورومورفیک با امکان کنترل ربات شده است.
دانشمندان در یادداشت خود ذکر کرده‌اند: «از آنجایی که آستروسیت‌ها نقش مهمی در مغز بازی می‌کنند، مطالعات و پیاده‌سازی آنها در یک ماشین بسیار هیجان‌انگیز و البته مفید خواهد بود. هدف اصلی ما از این تحقیقات این است که بفهمیم نورون‌ها و آستروسیت‌ها چگونه با یکدیگر ارتباط برقرار کرده و الگوریتم‌هایی می سازند که به بدن اجازه میدهد خیلی از فعالیت‌ها را انجام دهد.»
آستروسیت‌ها می‌توانند فعالیت‌های عصبی و رفتار ربات‌ها را دست‌خوش تغییر کنند. این مدل از انتقال نبض توسط نورون‌ها، به شکل بنیادین با الگوریتم‌های یادگیری که فقط می‌توانند ساختار شبکه را تغییر دهند متفاوت است. بنابراین این محققین اولین افرادی بودند که از سلول‌هایی با توانایی آموزش رفتار پیچیده‌تر به ربات‌ها صحبت به میان آوردند.
این تیم عملکرد و بهره‌وری مدل طراحی شده را با کنترل کردن یک ربات با شش بازو در محیط به نمایش گذاشته‌اند. این سیستم به ربات مورد بحث اجازه داده تا سرعت‌های مختلف را تجربه کند و به صورت خودکار از موانع عبور کند. بدون شک مجموعه تحقیقات انجام شده فرصت‌ها و افق وسیعی را پیش روی محققین شاخه هوش مصنوعی قرار داده است.
دانشمندان از مسیر جدیدی برای طراحی نورومورفیک (محاسبات عصبی) استفاده کرده‌اند. آنها با تقلید از ساختار مغز انسان به طور کامل و نه فقط متمرکز روی کار اعصاب، به آنالوگی از آستروسیت‌ها دست یافته‌اند که میتواند عملکرد یک ارگان یا سلول‌ها را تنظیم کنند. محققین اشاره دارند که این نخستین بار است که در توسعه مدل‌ها نورون‌ها تنها واحد‌های پردازشگر مغز انسان برای الگوبرداری در علوم در نظر گرفته نشده‌اند.
مهندسین مدل‌های محاسبه‌گری طراحی کرده‌اند که آنچه در تماس یک آستروسیت با نورون‌ها در جریان دریافت و ارسال نبض اتفاق می‌افتد را توصیف میکند. آنها سپس از این مدل‌ها برای ساخت بلوک‌های ساختاری و شبکه‌های آستروسیت عصبی استفاده کردند، که منجر به طراحی چیپ‌های نورومورفیک با امکان کنترل ربات شده است.
دانشمندان در یادداشت خود ذکر کرده‌اند: «از آنجایی که آستروسیت‌ها نقش مهمی در مغز بازی می‌کنند، مطالعات و پیاده‌سازی آنها در یک ماشین بسیار هیجان‌انگیز و البته مفید خواهد بود. هدف اصلی ما از این تحقیقات این است که بفهمیم نورون‌ها و آستروسیت‌ها چگونه با یکدیگر ارتباط برقرار کرده و الگوریتم‌هایی می سازند که به بدن اجازه میدهد خیلی از فعالیت‌ها را انجام دهد.»
آستروسیت‌ها می‌توانند فعالیت‌های عصبی و رفتار ربات‌ها را دست‌خوش تغییر کنند. این مدل از انتقال نبض توسط نورون‌ها، به شکل بنیادین با الگوریتم‌های یادگیری که فقط می‌توانند ساختار شبکه را تغییر دهند متفاوت است. بنابراین این محققین اولین افرادی بودند که از سلول‌هایی با توانایی آموزش رفتار پیچیده‌تر به ربات‌ها صحبت به میان آوردند.
این تیم عملکرد و بهره‌وری مدل طراحی شده را با کنترل کردن یک ربات با شش بازو در محیط به نمایش گذاشته‌اند. این سیستم به ربات مورد بحث اجازه داده تا سرعت‌های مختلف را تجربه کند و به صورت خودکار از موانع عبور کند. بدون شک مجموعه تحقیقات انجام شده فرصت‌ها و افق وسیعی را پیش روی محققین شاخه هوش مصنوعی قرار داده است.
⭐️ویژگی جدید Union types
با استفاده از این ویژگی، میتوانید به راحتی برای پارامتر ورودی تابع خود، چندین نوع داده (type) تعریف کنید که در نهایت یکی از آنها اعمال شود.
⭐️کامپایلر JIT (مخفف کلمات Just In Time) به افزایش و بهبود کارایی سرعت پروژه ها بصورت غیرمستقیم کمک میکند.
⭐️آرگومان‌های نام گذاری یا Name argumentها به ما این امکان را می‌دهند با آوردن نام پارامترها، پارامترهای یک تابع را بدون ترتیب نیز مقدار دهی کنیم و مجبور به مقداردهی تمامی پارامترها به ترتیب تعریف شده نباشیم.
⭐️بهبود ویژگی تابع constructor در شی گرایی
⭐️برگرداندن(return) نوع جدید static
⭐️قابلیت throw expression
قبل از PHP 8 این امکان نبود که شما یک exception را در کد تک خطی‌تان که ممکن بود یک exception رخ دهد را throw کنید. اما اکنون با آمدن نسخه‌‌ی جدید PHP 8 شما میتوانید با تمامی عبارت‌ها یا expressionها یک exception را Throw کنید.
⭐️قابلیت Non-capturing catches
شما میتوانید بدون آوردن متغیر، Exception خود را استفاده کنید.
با استفاده از این ویژگی، میتوانید به راحتی برای پارامتر ورودی تابع خود، چندین نوع داده (type) تعریف کنید که در نهایت یکی از آنها اعمال شود.
⭐️کامپایلر JIT (مخفف کلمات Just In Time) به افزایش و بهبود کارایی سرعت پروژه ها بصورت غیرمستقیم کمک میکند.
⭐️آرگومان‌های نام گذاری یا Name argumentها به ما این امکان را می‌دهند با آوردن نام پارامترها، پارامترهای یک تابع را بدون ترتیب نیز مقدار دهی کنیم و مجبور به مقداردهی تمامی پارامترها به ترتیب تعریف شده نباشیم.
⭐️بهبود ویژگی تابع constructor در شی گرایی
⭐️برگرداندن(return) نوع جدید static
⭐️قابلیت throw expression
قبل از PHP 8 این امکان نبود که شما یک exception را در کد تک خطی‌تان که ممکن بود یک exception رخ دهد را throw کنید. اما اکنون با آمدن نسخه‌‌ی جدید PHP 8 شما میتوانید با تمامی عبارت‌ها یا expressionها یک exception را Throw کنید.
⭐️قابلیت Non-capturing catches
شما میتوانید بدون آوردن متغیر، Exception خود را استفاده کنید.