🧠 شبکه‌های عصبی، یکی از پرقدرت‌ترین ابزارهای یادگیری ماشینی هستند. این شبکه‌ها با استفاده از ساختارهای پیچیده، مانند شبکه‌های عمیق انتقالی (DBN) و گیت‌های بازگشتی گیبس (GRU)، توانایی یادگیری و تشخیص الگوها را دارند. 🌟
🤖 همچنین، در علم داده ما شاهد استفاده از روش‌های دیگری نیز هستیم. SVM که یک تقسیم‌بندی با حاشیه بیشینه است، با استفاده از داده‌های برچسب‌دار، به تشخیص الگوها می‌پردازد. در حالی که شبکه حافظه ترتیبی نئوترون (NTM) با قابلیت حافظه و دسترسی به اطلاعات گذشته، وظایف پیچیده‌تری را انجام می‌دهد. 📚
🔌 شبکه‌های تغذیه جلو (Feed Forward)، پرسپترون (Perceptron) و شبکه‌های عمیق تماماً متصل (DFF) نیز در دسته‌بندی و پیش‌بینی داده‌ها مورد استفاده قرار می‌گیرند. این شبکه‌ها با استفاده از لایه‌های متصل خطی و توابع غیرخطی، قادر به مدل‌سازی روابط پیچیده می‌باشند. 📊
با توجه به تنوع این ابزارها، شبکه‌های عصبی به عنوان یکی از اصولی‌ترین و مفیدترین روش‌ها در زمینه یادگیری ماشینی شناخته می‌شوند. 💡✨
🤖 همچنین، در علم داده ما شاهد استفاده از روش‌های دیگری نیز هستیم. SVM که یک تقسیم‌بندی با حاشیه بیشینه است، با استفاده از داده‌های برچسب‌دار، به تشخیص الگوها می‌پردازد. در حالی که شبکه حافظه ترتیبی نئوترون (NTM) با قابلیت حافظه و دسترسی به اطلاعات گذشته، وظایف پیچیده‌تری را انجام می‌دهد. 📚
🔌 شبکه‌های تغذیه جلو (Feed Forward)، پرسپترون (Perceptron) و شبکه‌های عمیق تماماً متصل (DFF) نیز در دسته‌بندی و پیش‌بینی داده‌ها مورد استفاده قرار می‌گیرند. این شبکه‌ها با استفاده از لایه‌های متصل خطی و توابع غیرخطی، قادر به مدل‌سازی روابط پیچیده می‌باشند. 📊
با توجه به تنوع این ابزارها، شبکه‌های عصبی به عنوان یکی از اصولی‌ترین و مفیدترین روش‌ها در زمینه یادگیری ماشینی شناخته می‌شوند. 💡✨
عملیات ماشین لرنینگ :
در MLOps، یک سفر موفق از داده‌ها تا مدل‌های یادگیری ماشینی شامل چندین مرحله حیاتی است. بیایید با هم آنها را بررسی کنیم:
📊 دریافت داده: داده‌های خام را از منابع مختلف به منظور پردازش بیشتر بگیرید.
🔍 اعتبارسنجی داده: کیفیت، صحت و سازگاری داده‌ها را بررسی کنید.
🧹 تمیزکار داده: ناهماهنگی‌ها را حذف کنید، مقادیر گمشده را مدیریت کنید و مشکلات کیفیتی را رفع کنید.
🔄 استانداردسازی داده: داده‌ها را به یک قالب یکنواخت برای پردازش بی‌درنگ تبدیل کنید.
📑 گزینش داده: داده‌ها را سازماندهی و ساختاردهی کنید تا برای مهندسی ویژگی‌ها (فیچرها) و توسعه مدل مؤثر باشند.
🔍 استخراج ویژگی ها (فیچرها): از مهندسی ویژگی‌ها برای بدست آوردن بینش‌ها و الگوها استفاده کنید.
✂️ انتخاب ویژگی ها (فیچرها): ویژگی‌های مؤثر را شناسایی کنید و ویژگی‌های بی‌اهمیت را حذف کنید.
💻 نوشتن کد: کد را برای آموزش و ارزیابی مدل پیاده‌سازی کنید.
📚 آموزش مدل‌ها: از داده‌ها و ویژگی‌های مدیریت شده برای پیش‌بینی‌های
دقیق استفاده کنید.
🎛 اعتبارسنجی مدل‌ها: عملکرد مدل را بر روی داده‌های اعتبارسنجی ارزیابی کنید.
📏 ارزیابی مدل‌ها: عملکرد را با استفاده از معیارهای مناسب اندازه‌گیری کنید.
🔍 بازبینی: انتخاب مدل‌های کاندید را براساس نتایج ارزیابی بازبینی کنید.
🏆 انتخاب بهترین مدل: مدل با عملکرد بالاتر و سازگار با اهداف تجاری را تعیین کنید.
📦 بسته بندی مدل: مدل را با پرونده‌ها و وابستگی‌های لازم برای استقرار آماده کنید.
🚀 کانتینریزه‌سازی مدل: از کانتینرها برای قابلیت حمل و استقرار آسان استفاده کنید. مثلا از داکر استفاده کنید.
🚀 استقرار مدل: مدل را در محیط تولید برای مصرف معرفی کنید.
📝 ارائه مدل: مدل استقرار شده را از طریق رابط‌های برنامه‌نویسی (API) برای یکپارچه‌سازی بی‌درنگ ارائه دهید.
🚀 مصرف مدل: از مدل برای پیش‌بینی‌ها در زمان واقعی و تصمیم‌گیری‌های مبتنی بر داده استفاده کنید.
👀 نظارت بر مدل: برای پیگیری عملکرد و رفتار، نظارت محکم اجرایی را پیاده‌سازی کنید.
🔄 آموزش مجدد یا خاتمه‌بخشی مدل: به‌صورت منظم، مدل را براساس عملکرد، بروزرسانی یا خاتمه‌بخشی کنید.توضیح
📊 دریافت داده: داده‌های خام را از منابع مختلف به منظور پردازش بیشتر بگیرید.
🔍 اعتبارسنجی داده: کیفیت، صحت و سازگاری داده‌ها را بررسی کنید.
🧹 تمیزکار داده: ناهماهنگی‌ها را حذف کنید، مقادیر گمشده را مدیریت کنید و مشکلات کیفیتی را رفع کنید.
🔄 استانداردسازی داده: داده‌ها را به یک قالب یکنواخت برای پردازش بی‌درنگ تبدیل کنید.
📑 گزینش داده: داده‌ها را سازماندهی و ساختاردهی کنید تا برای مهندسی ویژگی‌ها (فیچرها) و توسعه مدل مؤثر باشند.
🔍 استخراج ویژگی ها (فیچرها): از مهندسی ویژگی‌ها برای بدست آوردن بینش‌ها و الگوها استفاده کنید.
✂️ انتخاب ویژگی ها (فیچرها): ویژگی‌های مؤثر را شناسایی کنید و ویژگی‌های بی‌اهمیت را حذف کنید.
💻 نوشتن کد: کد را برای آموزش و ارزیابی مدل پیاده‌سازی کنید.
📚 آموزش مدل‌ها: از داده‌ها و ویژگی‌های مدیریت شده برای پیش‌بینی‌های
دقیق استفاده کنید.
🎛 اعتبارسنجی مدل‌ها: عملکرد مدل را بر روی داده‌های اعتبارسنجی ارزیابی کنید.
📏 ارزیابی مدل‌ها: عملکرد را با استفاده از معیارهای مناسب اندازه‌گیری کنید.
🔍 بازبینی: انتخاب مدل‌های کاندید را براساس نتایج ارزیابی بازبینی کنید.
🏆 انتخاب بهترین مدل: مدل با عملکرد بالاتر و سازگار با اهداف تجاری را تعیین کنید.
📦 بسته بندی مدل: مدل را با پرونده‌ها و وابستگی‌های لازم برای استقرار آماده کنید.
🚀 کانتینریزه‌سازی مدل: از کانتینرها برای قابلیت حمل و استقرار آسان استفاده کنید. مثلا از داکر استفاده کنید.
🚀 استقرار مدل: مدل را در محیط تولید برای مصرف معرفی کنید.
📝 ارائه مدل: مدل استقرار شده را از طریق رابط‌های برنامه‌نویسی (API) برای یکپارچه‌سازی بی‌درنگ ارائه دهید.
🚀 مصرف مدل: از مدل برای پیش‌بینی‌ها در زمان واقعی و تصمیم‌گیری‌های مبتنی بر داده استفاده کنید.
👀 نظارت بر مدل: برای پیگیری عملکرد و رفتار، نظارت محکم اجرایی را پیاده‌سازی کنید.
🔄 آموزش مجدد یا خاتمه‌بخشی مدل: به‌صورت منظم، مدل را براساس عملکرد، بروزرسانی یا خاتمه‌بخشی کنید.
در MLOps، یک سفر موفق از داده‌ها تا مدل‌های یادگیری ماشینی شامل چندین مرحله حیاتی است. بیایید با هم آنها را بررسی کنیم:
📊 دریافت داده: داده‌های خام را از منابع مختلف به منظور پردازش بیشتر بگیرید.
🔍 اعتبارسنجی داده: کیفیت، صحت و سازگاری داده‌ها را بررسی کنید.
🧹 تمیزکار داده: ناهماهنگی‌ها را حذف کنید، مقادیر گمشده را مدیریت کنید و مشکلات کیفیتی را رفع کنید.
🔄 استانداردسازی داده: داده‌ها را به یک قالب یکنواخت برای پردازش بی‌درنگ تبدیل کنید.
📑 گزینش داده: داده‌ها را سازماندهی و ساختاردهی کنید تا برای مهندسی ویژگی‌ها (فیچرها) و توسعه مدل مؤثر باشند.
🔍 استخراج ویژگی ها (فیچرها): از مهندسی ویژگی‌ها برای بدست آوردن بینش‌ها و الگوها استفاده کنید.
✂️ انتخاب ویژگی ها (فیچرها): ویژگی‌های مؤثر را شناسایی کنید و ویژگی‌های بی‌اهمیت را حذف کنید.
💻 نوشتن کد: کد را برای آموزش و ارزیابی مدل پیاده‌سازی کنید.
📚 آموزش مدل‌ها: از داده‌ها و ویژگی‌های مدیریت شده برای پیش‌بینی‌های
دقیق استفاده کنید.
🎛 اعتبارسنجی مدل‌ها: عملکرد مدل را بر روی داده‌های اعتبارسنجی ارزیابی کنید.
📏 ارزیابی مدل‌ها: عملکرد را با استفاده از معیارهای مناسب اندازه‌گیری کنید.
🔍 بازبینی: انتخاب مدل‌های کاندید را براساس نتایج ارزیابی بازبینی کنید.
🏆 انتخاب بهترین مدل: مدل با عملکرد بالاتر و سازگار با اهداف تجاری را تعیین کنید.
📦 بسته بندی مدل: مدل را با پرونده‌ها و وابستگی‌های لازم برای استقرار آماده کنید.
🚀 کانتینریزه‌سازی مدل: از کانتینرها برای قابلیت حمل و استقرار آسان استفاده کنید. مثلا از داکر استفاده کنید.
🚀 استقرار مدل: مدل را در محیط تولید برای مصرف معرفی کنید.
📝 ارائه مدل: مدل استقرار شده را از طریق رابط‌های برنامه‌نویسی (API) برای یکپارچه‌سازی بی‌درنگ ارائه دهید.
🚀 مصرف مدل: از مدل برای پیش‌بینی‌ها در زمان واقعی و تصمیم‌گیری‌های مبتنی بر داده استفاده کنید.
👀 نظارت بر مدل: برای پیگیری عملکرد و رفتار، نظارت محکم اجرایی را پیاده‌سازی کنید.
🔄 آموزش مجدد یا خاتمه‌بخشی مدل: به‌صورت منظم، مدل را براساس عملکرد، بروزرسانی یا خاتمه‌بخشی کنید.توضیح
📊 دریافت داده: داده‌های خام را از منابع مختلف به منظور پردازش بیشتر بگیرید.
🔍 اعتبارسنجی داده: کیفیت، صحت و سازگاری داده‌ها را بررسی کنید.
🧹 تمیزکار داده: ناهماهنگی‌ها را حذف کنید، مقادیر گمشده را مدیریت کنید و مشکلات کیفیتی را رفع کنید.
🔄 استانداردسازی داده: داده‌ها را به یک قالب یکنواخت برای پردازش بی‌درنگ تبدیل کنید.
📑 گزینش داده: داده‌ها را سازماندهی و ساختاردهی کنید تا برای مهندسی ویژگی‌ها (فیچرها) و توسعه مدل مؤثر باشند.
🔍 استخراج ویژگی ها (فیچرها): از مهندسی ویژگی‌ها برای بدست آوردن بینش‌ها و الگوها استفاده کنید.
✂️ انتخاب ویژگی ها (فیچرها): ویژگی‌های مؤثر را شناسایی کنید و ویژگی‌های بی‌اهمیت را حذف کنید.
💻 نوشتن کد: کد را برای آموزش و ارزیابی مدل پیاده‌سازی کنید.
📚 آموزش مدل‌ها: از داده‌ها و ویژگی‌های مدیریت شده برای پیش‌بینی‌های
دقیق استفاده کنید.
🎛 اعتبارسنجی مدل‌ها: عملکرد مدل را بر روی داده‌های اعتبارسنجی ارزیابی کنید.
📏 ارزیابی مدل‌ها: عملکرد را با استفاده از معیارهای مناسب اندازه‌گیری کنید.
🔍 بازبینی: انتخاب مدل‌های کاندید را براساس نتایج ارزیابی بازبینی کنید.
🏆 انتخاب بهترین مدل: مدل با عملکرد بالاتر و سازگار با اهداف تجاری را تعیین کنید.
📦 بسته بندی مدل: مدل را با پرونده‌ها و وابستگی‌های لازم برای استقرار آماده کنید.
🚀 کانتینریزه‌سازی مدل: از کانتینرها برای قابلیت حمل و استقرار آسان استفاده کنید. مثلا از داکر استفاده کنید.
🚀 استقرار مدل: مدل را در محیط تولید برای مصرف معرفی کنید.
📝 ارائه مدل: مدل استقرار شده را از طریق رابط‌های برنامه‌نویسی (API) برای یکپارچه‌سازی بی‌درنگ ارائه دهید.
🚀 مصرف مدل: از مدل برای پیش‌بینی‌ها در زمان واقعی و تصمیم‌گیری‌های مبتنی بر داده استفاده کنید.
👀 نظارت بر مدل: برای پیگیری عملکرد و رفتار، نظارت محکم اجرایی را پیاده‌سازی کنید.
🔄 آموزش مجدد یا خاتمه‌بخشی مدل: به‌صورت منظم، مدل را براساس عملکرد، بروزرسانی یا خاتمه‌بخشی کنید.
This media is not supported in your browser
VIEW IN TELEGRAM
📢اگر ابتدای راهِ ماشین لرنینگ و علوم داده هستین 👇
👨💼👩🏫شکل زیر یه آگاهی کلی بتون میده نسبت به اینکه
1- مهندس داده
2- دیتا ساینتیست
3- مهندس ماشین لرنینگ
چیکار میکنن..
🐇
👨💼👩🏫شکل زیر یه آگاهی کلی بتون میده نسبت به اینکه
1- مهندس داده
2- دیتا ساینتیست
3- مهندس ماشین لرنینگ
چیکار میکنن..
🐇
0101
توضیح در پست بعدی 👇📝
👨💻مهندس نرم‌افزار: مهندس نرم‌افزار حرفه‌ای است که اصول مهندسی نرم‌افزار را برای طراحی، توسعه، نگهداری، آزمایش و ارزیابی نرم‌افزارهای کامپیوتری به کار می‌برد.
👩💻 مهندس DevOps : مهندس DevOps یک متخصص IT است که با توسعه‌دهندگان نرم‌افزار، اپراتورهای سیستم و دیگر کارکنان تولید IT همکاری می‌کند تا عملیات انتشار کد را نظارت کند. آنها از دانش خود در زمینه برنامه‌نویسی و کدنویسی، طراحی زیرساخت، مدیریت سیستم و امنیت شبکه برای ساخت و استقرار نرم‌افزار، سیستم‌های پایگاه داده امن و شبکه‌های داخلی استفاده می‌کنند.
☁️مهندس Cloud: مهندس Cloud یک متخصص IT است که مهارت‌ها و دانش خود را در زمینه توسعه نرم‌افزار، زیرساخت شبکه و محاسبات Cloud ترکیب کرده و سیستم‌های محاسبات Cloud را طراحی، ادغام و نظارت می‌کند. آنها زیرساخت ابری را برای مصرف کننده و شرکت ها ایجاد می‌کنند، از جمله برنامه‌های تلفن همراه، بازی‌ها و سیستم‌های پایگاه داده آنلاین و ...
👨🏫مهندس MLOps: مهندس MLOps مهندس نرم‌افزاری است که در جنبه‌های انتشار و تولید فرآیند علم داده تخصص لازم را دارد. هدفMLOps ، استقرار و نگهداری قابل اعتماد و کارآمد سیستم‌های یادگیری ماشین در محیط‌های تولیدی است.
👩🏫مهندس پلتفرم داده : مهندس پلتفرم داده مسئول طراحی، ساخت و نگهداری پلتفرم داده است که تصمیم‌گیری مبتنی بر داده سازمان را تغذیه می‌کند.
👨💻📊 دانشمند علوم داده (Data Scientist): دانشمند علوم داده، متخصصی است که با اسثتناد به روش‌های ریاضی، الگوریتم‌ها و سیستم‌های علمی به استخراج دانش از داده‌ها استفاده می کند که منجر به تحلیل و تصمیم گیری های بهتر چه برای شرکت ها و چه برای مصرف کننده می شود.
👩💻مهندسML: مهندس ML مسئول طراحی، ساخت، استقرار و نگهداری سیستم‌های یادگیری ماشین در محیط‌های تولیدی است.
💚
👩💻 مهندس DevOps : مهندس DevOps یک متخصص IT است که با توسعه‌دهندگان نرم‌افزار، اپراتورهای سیستم و دیگر کارکنان تولید IT همکاری می‌کند تا عملیات انتشار کد را نظارت کند. آنها از دانش خود در زمینه برنامه‌نویسی و کدنویسی، طراحی زیرساخت، مدیریت سیستم و امنیت شبکه برای ساخت و استقرار نرم‌افزار، سیستم‌های پایگاه داده امن و شبکه‌های داخلی استفاده می‌کنند.
☁️مهندس Cloud: مهندس Cloud یک متخصص IT است که مهارت‌ها و دانش خود را در زمینه توسعه نرم‌افزار، زیرساخت شبکه و محاسبات Cloud ترکیب کرده و سیستم‌های محاسبات Cloud را طراحی، ادغام و نظارت می‌کند. آنها زیرساخت ابری را برای مصرف کننده و شرکت ها ایجاد می‌کنند، از جمله برنامه‌های تلفن همراه، بازی‌ها و سیستم‌های پایگاه داده آنلاین و ...
👨🏫مهندس MLOps: مهندس MLOps مهندس نرم‌افزاری است که در جنبه‌های انتشار و تولید فرآیند علم داده تخصص لازم را دارد. هدفMLOps ، استقرار و نگهداری قابل اعتماد و کارآمد سیستم‌های یادگیری ماشین در محیط‌های تولیدی است.
👩🏫مهندس پلتفرم داده : مهندس پلتفرم داده مسئول طراحی، ساخت و نگهداری پلتفرم داده است که تصمیم‌گیری مبتنی بر داده سازمان را تغذیه می‌کند.
👨💻📊 دانشمند علوم داده (Data Scientist): دانشمند علوم داده، متخصصی است که با اسثتناد به روش‌های ریاضی، الگوریتم‌ها و سیستم‌های علمی به استخراج دانش از داده‌ها استفاده می کند که منجر به تحلیل و تصمیم گیری های بهتر چه برای شرکت ها و چه برای مصرف کننده می شود.
👩💻مهندسML: مهندس ML مسئول طراحی، ساخت، استقرار و نگهداری سیستم‌های یادگیری ماشین در محیط‌های تولیدی است.
💚
Forwarded from Android
📱تمرین کد نویسی با موبایل...!
🌀 اگر قصد کد نویسی دارید اما جایی بودید که نتونستید لپ‌تاپتون رو همراه خودتون ببرید میتونید از نرم افزار نسخه های اندرویدی زبان مورد نظرتون استفاده کنید :
⌨️ Python
https://play.google.com/store/apps/details?id=ru.iiec.pydroid3
⌨️ C# / C :
https://play.google.com/store/apps/details?id=com.radinc.csharpshell
⌨️ C / C++ :
https://play.google.com/store/apps/details?id=ru.iiec.cxxdroid
🧷
🌀 اگر قصد کد نویسی دارید اما جایی بودید که نتونستید لپ‌تاپتون رو همراه خودتون ببرید میتونید از نرم افزار نسخه های اندرویدی زبان مورد نظرتون استفاده کنید :
⌨️ Python
https://play.google.com/store/apps/details?id=ru.iiec.pydroid3
⌨️ C# / C :
https://play.google.com/store/apps/details?id=com.radinc.csharpshell
⌨️ C / C++ :
https://play.google.com/store/apps/details?id=ru.iiec.cxxdroid
🧷
Forwarded from IT
💡تو بنویس ، این سایت کدش رو بهت تحویل میده!
📝 اگر برنامه‌نویس هستید تو این پست براتون ابزاری رو آماده کردم که از طریق اون میتونید نیاز خودتون رو (حتی به فارسی) وارد کنید و بعدش کدش رو تحویل بگیرید.
📝 این هوش مصنوعی میتونه متن یا شرح وارد شده‌ی شما رو تشخیص و بر اساس اون، کد HTML, CSS, JS رو در اختیارتون قرار بده.
JIT.codes
#معرفی_سایت #کد
👽
📝 اگر برنامه‌نویس هستید تو این پست براتون ابزاری رو آماده کردم که از طریق اون میتونید نیاز خودتون رو (حتی به فارسی) وارد کنید و بعدش کدش رو تحویل بگیرید.
📝 این هوش مصنوعی میتونه متن یا شرح وارد شده‌ی شما رو تشخیص و بر اساس اون، کد HTML, CSS, JS رو در اختیارتون قرار بده.
JIT.codes
#معرفی_سایت #کد
👽
❓ چطوری از این قسمت‌های منحنی بسازیم؟!
▪️یکی از سوالاتی که شاید برای خیلی از برنامه‌نویسا پیش اومده باشه اینه که چطور میشه از این قسمت های منحنی بسازیم که جذابیت سایتمون رو چندین برابر بالاتر ببره؟!
▪️برای ساخت نسخه شخصی‌سازی شده از چنین منحنی هایی فقط کافیه وارد وب‌سایت زیر بشید ، منحنی مدنظرتون رو بسازید و در نهایت خروجی کار رو از طریق کد HTML ، CSS یا دانلودش با فرمت svg بگیرید :)
🔗 https://www.shapedivider.app
#معرفی_سایت
🦄
▪️یکی از سوالاتی که شاید برای خیلی از برنامه‌نویسا پیش اومده باشه اینه که چطور میشه از این قسمت های منحنی بسازیم که جذابیت سایتمون رو چندین برابر بالاتر ببره؟!
▪️برای ساخت نسخه شخصی‌سازی شده از چنین منحنی هایی فقط کافیه وارد وب‌سایت زیر بشید ، منحنی مدنظرتون رو بسازید و در نهایت خروجی کار رو از طریق کد HTML ، CSS یا دانلودش با فرمت svg بگیرید :)
🔗 https://www.shapedivider.app
#معرفی_سایت
🦄
💡معرفی وب‌سایت coderwall برای برنامه نویسان!
▪️توی این سایت به جدیدترین نکات، ابزارها و پروژه های برنامه نویسی که توسط برنامه نویسان دیگه به اشتراک گذاشته می شود دسترسی داشته باشید و یا خودتان به اشتراک بگذارید.
👉 https://coderwall.com
#معرفی_سایت #کد
🐼
▪️توی این سایت به جدیدترین نکات، ابزارها و پروژه های برنامه نویسی که توسط برنامه نویسان دیگه به اشتراک گذاشته می شود دسترسی داشته باشید و یا خودتان به اشتراک بگذارید.
👉 https://coderwall.com
#معرفی_سایت #کد
🐼
⌨️ میخوای مهارت برنامه نویسیت رو تقویت کنی؟؟؟
• از سایت های زیر برای تمرین استفاده کن
🏷 Project Euler
📎 projecteuler.net
🏷 CodeSignal
📎 codesignal.com
🏷 CodeChef
📎 codechef.com
🏷 Exercism
📎 exercism.io
🏷 Coderbyte
📎 coderbyte.com
🏷 Codeforces
📎 codeforces.com
🌙
• از سایت های زیر برای تمرین استفاده کن
🏷 Project Euler
📎 projecteuler.net
🏷 CodeSignal
📎 codesignal.com
🏷 CodeChef
📎 codechef.com
🏷 Exercism
📎 exercism.io
🏷 Coderbyte
📎 coderbyte.com
🏷 Codeforces
📎 codeforces.com
🌙
💬 اگر نمیدونید یک دستور برنامه نویسی دقیقا چیکار میکنه ، میتونید توی این سایت واردش کنید و توضیح برای هر قسمتش دریافت کنید
➡️ explainshell.com
#معرفی_سایت
🏆
➡️ explainshell.com
#معرفی_سایت
🏆