‍ اما علی، روز اولی که باهم شروع کردیم تقریباً دانش خیلی کمی از برنامه‌نویسی داشت. کمی پایتون کار کرده بود و کمی html و css می‌دانست. چند جلسه‌ای به‌صورت عملی کار را نشانش دادم و بعد هم یک پروژه برایش تعریف کردم که انصافاً خوش‌سلیقه کار را از آب درآورد. از او خواستم تا محتوای یک کتاب معروف را طبقه‌بندی و به‌صورت آنلاین برای نمایش بگذارد. از cssهای کاستوم و رنگ‌آمیزی گرفته تا فونت نستعلیق و گذاشتن ویدئوهای مرتبط همه را انجام داده بود. یادم نیست با علی تا کجا پیشرفتیم. دوره‌ای در مارکتینگ از عادل طالبی داشتم که خودم فرصت نمی‌کردم آن را تماشا کنم. به علی دادم. اما در آن دوران مشکلاتی برایم پیش‌آمده بود که به این نتیجه رسیدم که نمی‌توانم مسیر رشد خوبی را برای علی فراهم کنم. پیش یکی از دوستانم که شرکت نسبتاً بزرگی در حوزه نرم‌افزار و صنعت داشت رفتیم و علی را معرفی کردم. خدا را شکر آنجا مشغول کار شد. یادم نیست چند وقت بعد اما دفعهٔ بعدی که با هم صحبت کردیم خیلی خوشحال شدم که علی ابعاد جدیدی از خودش پیدا کرده بود و وارد مسیر سئو و دیجیتال مارکتینگ شده بود. بسیار علاقه‌مند بود و الان هم موفقیت‌های خیلی خوبی کسب کرده و إن‌شالله موفق‌تر هم خواهد بود.

 و در نهایت به سربازی می‌رسیم که …

 از لحاظ کاری هم مشغول توسعهٔ نرم‌افزاری در حوزه اتوماسیون اداری برای شرکت‌های کوچک و متوسط هستم.

 آن چه عرض شد به سبب شناخت بیشتر مخاطب‌هایی که قصد دارم با آن‌ها در ارتباط باشم است و همواره سعی دارم مطالبی که عرض می‌کنم دارای استناد و دارای اعتبار علمی یا تجربی باشد.

 در طول این چند سال در چندین استارتاپ ویکند و بوت‌کمپ شرکت کردم و فکر می‌کنم آشنایی نسبتا خوبی با فضای اکوسیستم استارتاپی دارم. هرچند قطعاً در این مسیر راه رفته‌ام در مقابل راه نرفته‌ام هیچ است.

 ارادتمند
 مهدی طالقانی

@code2_ir

وضعیت الان دنیای تکنولوژی


@code2_ir

🐄 سایت برایتان آورده ام از نوع گاو

این سایت مربوط به دولت آمریکاست. کار جالبی است و از سال ۲۰۰۹ اطلاعات آماری مختلف از کشور را منتشر می‌کنند و در معرض عموم قرار می‌دهند.

https://data.gov/

توضیحی در مورد این سایت:

در ۲۱ مه ۲۰۰۹ میلادی، سایت دیتا.گاو با ۴۷ مجموعه داده راه‌اندازی شد. پس از تصویب سیاست شفافیت داده‌های دولتی در سال ۲۰۱۳ که از سازمان‌ها می‌خواست فهرست‌های جامعی از داده‌های خود را منتشر کنند، تعداد مجموعه‌های داده‌ای این سایت تا سال ۲۰۱۵ به بیش از ۱۱۵ هزار مجموعه از ۸۸ سازمان رسید. این الزامات در سال ۲۰۱۹ به قانون افشای داده‌های باز تبدیل شدند. امروزه سایت دیتاگاو حاوی تقریباً ۳۰۰ هزار مجموعه داده از بیش از ۱۰۰ سازمان است و ماهانه بیش از یک میلیون بازدیدکننده‌ای مانند شما دارد که به دنبال کشف اطلاعات هستند.

یک مثال جالب:
مثلا ایالت واشنتگتون در این گزارش آمده خودروهای الکتریکی (باطری دار) و پلاگین هایبرید که پلاک شدند رو منتشر کرده. مثلا این که خودرو در کدام استان ثبت شده و برند و مدلش چی هست و از این داستان‌ها:

https://catalog.data.gov/dataset/electric-vehicle-population-data

@code2_ir

🌐 آقای Ryan Dahl سازنده nodejs و deno در همایش اخیری که با عنوان DevWorld ۲۰۲۴ برگزار شد یک سایت و ابزار جدید معرفی کرده به نام JSR.
این JSR هم یک پکیج منیجر یا package registery بگیم شاید بهتر باشه که سازگاری بیشتری با typescript و ecmascript داره. همین طور این هدف رو هم داره که runtime های مختلف مثل Node.js, Deno, Bun, Cloudflare Workers رو توجه ویژه ای داشته باشه.
کمک می‌کنه که مستندات بهتری برای پکیج ها نوشته بشه و همینطور پکیج رو برای runtime های مختلف build کنه.

‼️ کانال کد ۲ را به دوستان خود معرفی کنید وگرنه اتفاق‌های بدی برایتان می‌افتد. اتفاق‌های بد. بدجور.

@code2_ir

🍒 چری پیک در گیت چیست؟

چری پیک (Cherry-pick) در گیت یک عمل است که به شما اجازه می‌دهد تغییرات خاصی را از یک کامیت (commit) در یک شاخه (branch) به شاخه دیگری منتقل کنید. این قابلیت زمانی مفید است که شما نیاز دارید تغییرات خاصی را بدون ادغام کامل شاخه‌ها اعمال کنید.

به طور کلی، مراحل چری پیک به شرح زیر است:

1. شناسایی کامیت مورد نظر: ابتدا باید شناسه (SHA) کامیت مورد نظر را پیدا کنید که قصد دارید تغییرات آن را چری پیک کنید. می‌توانید با استفاده از دستور git log این شناسه را پیدا کنید.

git log
   

2. چری پیک کردن کامیت: پس از یافتن شناسه کامیت، با استفاده از دستور git cherry-pick تغییرات آن کامیت را به شاخه فعلی منتقل کنید.

git cherry-pick <commit-hash>
   

مثال:
فرض کنید شناسه کامیت مورد نظر شما abc123 است. برای چری پیک کردن آن کامیت، دستور زیر را اجرا می‌کنید:

git cherry-pick abc123

گیت تلاش می‌کند تغییرات آن کامیت را به شاخه فعلی شما اعمال کند. اگر تضاد (Conflict) وجود داشته باشد، شما باید آن‌ها را به صورت دستی حل کنید و سپس کامیت را کامل کنید.

چری پیک در سناریوهایی مانند انتقال رفع باگ‌های مهم به شاخه‌های مختلف بدون ادغام تغییرات غیرضروری، بسیار مفید است.
@code2_ir

آزمایش تورینگ، اما این بار معکوس!

وضعیت این روزهای بشر

پ.ن: منظورش CAPTCHA های گوگل هست که چراغ ترافیکا رو باید انتخاب کنی :)

راست میگه :)


@code2_ir

یادم نیست کی بود فکر کنم ۲ سال پیش این کیبورد رو از یکی از دوستانم دست دوم برداشتم که نسبتا گران بود ولی واقعا ارزش داشت. حالا متأسفانه سال پیش داشتم یه جابجایی انجام می‌دادم و یه مانیتور و کیبورد و کیف و چند تا چیز و باهم بلند می‌کردم که یهو دکمه L کیبورد گرفت به دکمه لباسم و پرید. نگاه کردم دیدم شکسته 😐
حالا بگذریم که خیلی ناراحت شدم و سوزش داشت اما به فکر افتادم که به یکی از دوستانم که خارج است بگم مثلا دکمه L را از ebay بخره بیاره! صحبت کردم و با یه قیمتی که اونم عقلانی نبود فرضا می‌شد.
این بین دکمه سخت کار می‌کرد یا یه وقتایی می‌پرید باید دوباره جاش می‌زدم. بعد یه روز با خودم فکر کردم که چرا نمیام جای دکمه رو عوض کنم خب! بعد گشتم گفتم بزار با عدد ۳ سمت numpad عوض کنم. بعدا دیدم عه اینم که کلی استفاده داره. حالا امروز بعد از مدت ها اومدم با / توی numpad عوضش کردم.
خلاصه که از اول خوب فکر کنیم کاری که میخوایم بعدا انجام بدیم رو همون اول انجام بدیم انقدر اذیت نشیم :))))

توی این ویدیو پرایماجن ( یه برنامه نویس نسبتا معروف که توی نت فلیکس کار میکرد) عملیات rebase توی گیت رو توضیح میده.

@code2_ir

#برنامه_نویسی
#استارتاپ #جاوااسکریپت #گیت #code

📚 بوکمارک sql

📌 منابع، سایت و بوکمارک‌های sql و دیتابیس‌های mysql و postgresql:

https://sqlfordevs.com/

https://mysqlexplain.com


لیست به روزرسانی خواهد شد

@code2_ir


#بوکمارک

📚 بوکمارک کاریابی و مهارت‌های کاری

📌 منابع، سایت و بوکمارک‌های مربوط به رزومه، استخدام، شغل و تجربیات شغلی:
https://jobhire.ir/

لیست به روزرسانی خواهد شد.
ذکر منبع به لزوما به معنی خوب بودن آن نیست.

@code2_ir

📚 بوکمارک سرور، devops و IaaS و PaaS
📌 منابع، سایت و بوکمارک‌های مربوط به سرور و لینوکس و این حرفا:

https://multipass.run:
اجرای vmهای اوبونتو و ابزارهای مشابه با خط فرمان و نسبتا سریع

https://traefik.io:
پروکسی سریع و جذاب با ssl اتوماتیک بیشتر برای فضای container و cloudnative



لیست به روزرسانی خواهد شد.
@code2_ir


#بوکمارک

اگر روی کامپیوتر خودتون فضای vm میخواید برای کارهای مختلف یکی از راه‌هایی که می‌تونید استفاده کنید و خود ubuntu توسعه داده multipaas هست و به نظرم چیز جالبی است:
https://multipass.run/

نصب:

sudo snap install multipass

راه اندازی vm مثلا ubuntu 22.04 :

multipass launch jammy --name vm01 --cpus 2 --memory 4G --disk 20G

🍏 البته مک و ویندوز رو هم ساپورت می‌کنه.

کانال کد۲
@code2_ir

🧠 5 تا از مدل‌های یادگیری ماشین که باید بشناسید (به زبان ساده)

یادگیری ماشین یه جور هوش مصنوعیِ خیلی باهوشه که به کامپیوترها یاد می‌ده بدون برنامه‌ریزیِ دستی، از داده‌ها یاد بگیرن و کارهای باحال انجام بدن. مثلا توی مسیریاب‌ها، پلتفرم‌های فیلم و خرید اینترنتی ازش استفاده می‌شه.
حالا توی این مقاله می‌خوایم 5 تا از مدل‌های یادگیری ماشین که خیلی پرکاربردن رو بهتون معرفی کنیم:


1⃣ رگرسیون خطی:
فرض کنید می‌خواید قیمت یه خونه رو بر اساس اندازه‌ش حدس بزنید. رگرسیون خطی یه مدلِ خیلی خوبه برای این کاره. این مدل یه خط صاف بین نقاط داده‌ها پیدا می‌کنه و با استفاده از اون، قیمت خونه‌های جدید رو تخمین می‌زنه.


2⃣ رگرسیون لجستیک:
این مدل برای دسته‌بندی چیزها استفاده می‌شه. مثلا می‌تونه تشخیص بده یه ایمیل اسپمه یا نه. رگرسیون لجستیک با بررسی کلمات ایمیل، احتمال اسپم بودن اون رو حساب می‌کنه.


3⃣ درخت تصمیم:
تصور کنید یه درخت رو برعکس کردید و از نوک اون شروع به سوال پرسیدن کنید. مثلا می‌پرسید "آیا این پرنده بال داره؟". اگه جواب "بله" باشه، به سمت راست درخت می‌رید و اگه "نه" باشه، به سمت چپ. با پرسیدن سوالات متعدد، درخت تصمیم در نهایت می‌تونه نوع پرنده رو تشخیص بده.


4⃣ جنگل تصادفی:
حالا تصور کنید به جای یه درخت، یه جنگل از درخت‌های تصمیم داریم! جنگل تصادفی با ترکیبِ نظراتِ چند تا درخت تصمیم، یه پیش‌بینی دقیق‌تر ارائه می‌کنه. مثلا می‌تونه احتمال رای آوردن یه کاندیدا توی انتخابات رو تخمین بزنه.


5⃣ خوشه‌بندی K-Means:
فرض کنید یه عالمه نقطه روی یه صفحه دارید و می‌خواید اونها رو توی گروه‌های مختلف دسته‌بندی کنید. خوشه‌بندی K-Means این کار رو انجام می‌ده. این مدل نقاط رو بر اساس شباهت‌هاشون به گروه‌های مختلف تقسیم می‌کنه. مثلا می‌تونه مشتری‌های یه فروشگاه رو بر اساس عادت‌های خریدشون دسته‌بندی کنه.


📖 یادگیری بیشتر:
اگه می‌خواید بیشتر در مورد این مدل‌ها یاد بگیرید، می‌تونید از منابع زیر استفاده کنید:

رگرسیون خطی: ویدئوهای آموزشی Krish Naik
رگرسیون لجستیک: ویدئوهای آموزشی StatQuest
درخت تصمیم و جنگل تصادفی: ویدئوهای آموزشی Krish Naik
خوشه‌بندی K-Means: ویدئوهای آموزشی StatQuest


🏃‍♂ گام بعدی:
اگه به این مدل‌ها علاقه‌مند شدین و می‌خواید ازشون توی دنیای واقعی استفاده کنید، باید یه زبان برنامه‌نویسی مثل پایتون یا R یاد بگیرید. دوره‌های رایگان FreeCodeCamp برای پایتون می‌تونه یه نقطه شروع خوب باشه.
کتابخانه‌هایی مثل Scikit-Learn و Keras هم بهتون کمک می‌کنن تا این مدل‌ها رو پیاده‌سازی کنید.
در نهایت، یه برنامه‌ی یادگیری برای خودتون تنظیم کنید و از ابزارهای هوش مصنوعی مثل ChatGPT برای کمک به این برنامه استفاده کنید. با این کار می‌تونید از یادگیری ماشین توی دنیای واقعی استفاده کنید و کارهای باحال انجام بدید!


📌 منابع:
5 Machine Learning Models Explained in 5 Minutes


@code2_ir
کانال کد۲
@code2_ir
‌
‌