🔵 دوست داری برنامه نویس حرفه ای بشی یا مهارت های کامپیوتری خودت رو افزایش بدی؟ با عضویت در لیست تلگرامی زیر در بی نظیر ترین کانال های برنامه نویسی ما عضو شوید:

🟢 پایتون، هوش مصنوعی، یادگیری ماشین، سی ++، سی شارپ، دات نت، نود جی اس، جاوا اسکریپت، شبکه، علم داده، پایگاه داده، sql، nosql ، مهارت های ICDL، سیستم عامل، لینوکس، فتوشاپ، گرافیک، اندروید، جاوا، ساخت اپلیکیشن موبایل، ری اکت، جی کوئری، php و laravel، دروس رشته کامپیوتر، کنکور کامپیوتر و ...

عضو لیست جامع شوید:

https://t.me/addlist/_UjG99eD_E4zYzhk
https://t.me/addlist/_UjG99eD_E4zYzhk
https://t.me/addlist/_UjG99eD_E4zYzhk

‌

⏺ جمعیت واقعی زمین شاید چند میلیارد نفر بیشتر از برآوردهای رسمی باشد!



🌿🌿 شاید فکر می‌کردید جمعیت زمین را دقیق می‌دانید، اما یک پژوهش جدید این تصور را به چالش کشیده است! بررسی‌های تازه نشان می‌دهد که جمعیت واقعی کره زمین ممکن است به طرز چشمگیری بیشتر از برآوردهای فعلی باشد؛ حتی تا چند میلیارد نفر بیشتر!



🟣 چالش در آمار رسمی:

طبق آمار رسمی سازمان ملل، جمعیت جهان در تابستان سال گذشته حدود ۸.۲ میلیارد نفر اعلام شد. اما «جاناتان کندی»، استاد دانشگاه کویین‌مری لندن، در یادداشتی برای گاردین به این نکته اشاره کرده که این رقم ممکن است صدها میلیون یا حتی چند میلیارد نفر کمتر از جمعیت واقعی باشد. او تاکید می‌کند که بحث جمعیت فقط مربوط به اعداد نیست، بلکه به "منازعات قدرت درباره اینکه کدام زندگی اهمیت دارد و چه کسی تهدید یا بار اضافی تلقی می‌شود" نیز برمی‌گردد.



🔴 داده‌های روستایی، نقطه کور برآوردها:

پژوهشی که در ژورنال Nature توسط محققان دانشگاه آلتو منتشر شده، دلیل اصلی این دست‌کم گرفتن جمعیت را کم‌دقتی داده‌ها در مناطق روستایی می‌داند. به گفته این محققان، حتی دقیق‌ترین داده‌ها هم جمعیت روستایی را تا نصف مقدار واقعی برآورد کرده‌اند. این موضوع نشان می‌دهد که چقدر جمع‌آوری داده‌های دقیق در مناطق دورافتاده دشوار است و چقدر این نواقص می‌توانند بر آمارهای جهانی تاثیر بگذارند.


🔵 این یافته‌ها، بحث‌های جدیدی را درباره دقت داده‌های جمعیتی، نحوه سرشماری‌ها و پیامدهای آن برای برنامه‌ریزی‌های جهانی باز می‌کند.

#جمعیت_جهان #آمار_جمعیت #پژوهش_علمی #داده_کاوی #سازمان_ملل


ــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی:
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

🔵 نکته یادگیری ماشین

افزایش داده (Data Augmentation) 🖼

همیشه می‌گن "بیشتر بهتره"، مخصوصاً در یادگیری ماشین. هرچی داده‌های آموزشی بیشتری داشته باشی، مدل‌ت بهتر یاد می‌گیره و قوی‌تر می‌شه. 💪 اما گاهی اوقات، جمع‌آوری داده‌های بیشتر خیلی سخت یا حتی غیرممکنه.

اینجا افزایش داده به کمکمون میاد. این تکنیک مثل یه شعبده‌بازی عمل می‌کنه که با چندتا داده موجود، کلی داده جدید می‌سازه! 🪄

به زبان ساده‌تر:

فرض کن می‌خوای به مدل‌ت یاد بدی "گربه" چیه، اما فقط یه عکس از یه گربه داری. 🐈 خب، مدل با این یه عکس خیلی خوب یاد نمی‌گیره که گربه رو از زاویه‌ها، نورها و حالت‌های مختلف تشخیص بده.

به جای اینکه بری دنبال هزارتا عکس دیگه، می‌تونی همون یه عکس رو دستکاری کنی:

عکس رو برگردونیش (آینه‌ای‌اش کنی). ↔️

یکم بچرخونیش. 🔄

نور و روشنیش رو عوض کنی. 💡

یه ذره زوم کنی یا کوچیکش کنی. 🔍

حالا مدل‌ت فکر می‌کنه با ۴ یا ۵ عکس کاملاً جدید روبرو شده، در حالی که همه از همون یه عکس اصلی ساخته شدن. به این ترتیب، با اینکه داده‌های اولیه کم بودن، مدل می‌تونه گربه رو در شرایط مختلف بهتر تشخیص بده.

این تکنیک بیشتر در حوزه بینایی کامپیوتر استفاده می‌شه، اما ایده‌اش در سایر حوزه‌ها هم کاربرد داره.

خلاصه که، اگه داده‌هات کمه، می‌تونی با کمی خلاقیت و ترفندهای ساده، کلی داده جدید بسازی و مدل‌ت رو قوی‌تر و باهوش‌تر کنی! 😉

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ


لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

‌

✨✨ خبر نگران‌کننده: متا و یاندکس، ردیابی پنهان کاربران اندروید!



🌿🌿 کارشناسان امنیتی به تازگی کشف کرده‌اند که شرکت‌های بزرگ فناوری، متا و موتور جستجوی روسی یاندکس، به طور مخفیانه و بدون رضایت کاربران، آن‌ها را از طریق اپلیکیشن‌های اندرویدی خود ردیابی می‌کرده‌اند.


🟣 افشای ردیابی پنهان

پژوهشگران دانشگاه رادبود هلند و مؤسسه IMDEA Networks اعلام کردند که متا و یاندکس بدون اطلاع یا کسب اجازه از کاربران، فعالیت‌های مرورگرهای اندرویدی روی دستگاه‌هایشان را رصد و از این داده‌ها در اپلیکیشن‌های خود سوءاستفاده کرده‌اند. این نقض حریم خصوصی، زنگ خطری جدی برای امنیت دیجیتال ماست.


🔴 چگونه این ردیابی انجام می‌شد؟

به گفته «گونش آکار»، استادیار دانشگاه رادبود، اپلیکیشن‌هایی مانند فیسبوک و اینستاگرام از متا، و همچنین یاندکس مپس (Yandex Maps)، در پس‌زمینه دستگاه‌های اندرویدی فعال بودند. آن‌ها یک اسکریپت خاص را بارگذاری می‌کردند که وظیفه داشت داده‌های مرورگر را به صورت محلی جمع‌آوری کرده و به اپلیکیشن‌های نصب‌شده روی گوشی کاربران ارسال کند. این یعنی فعالیت‌های آنلاین شما، حتی زمانی که مستقیماً از این اپلیکیشن‌ها استفاده نمی‌کردید، رصد می‌شده است.


🔵 چرا این موضوع برای ما مهم است؟

این خبر بار دیگر اهمیت حریم خصوصی و امنیت داده‌ها را در دنیای دیجیتال برجسته می‌کند. شرکت‌های بزرگ باید در جمع‌آوری و استفاده از اطلاعات کاربران شفاف و صادق باشند. برای کاربران نیز ضروری است که همیشه در مورد دسترسی‌هایی که به اپلیکیشن‌ها می‌دهند، هوشیار بوده و تنظیمات حریم خصوصی دستگاه‌های خود را به دقت بررسی کنند.


#حریم_خصوصی #امنیت_داده #متا #یاندکس #اندروید

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی:
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

‌

🔵 نکته برنامه نویسی

Guard Clauses 🚧
به‌جای تو در تو کردن ifها، در همان ابتدای تابع شرایط غیرمجاز رو رد می‌کنی تا کد اصلی واضح‌تر بشه.

Copy code
def process(user): if not user.is_active: return # ادامه کد بدون تو در تویی 

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

🤖🔥 مدل جدید Hugging Face دنیای رباتیک را متحول می‌کند: اجرای هوش مصنوعی رباتیک روی مک‌بوک!

پلتفرم Hugging Face این هفته مدل هوش مصنوعی جدیدی با نام SmolVLA برای پروژه‌های رباتیک معرفی کرد که آن‌قدر سبک و کارآمد است که حتی روی یک مک‌بوک هم قابل اجراست!

📌 ویژگی‌ها و دستاوردهای SmolVLA:

🔹 آموزش‌دیده بر اساس داده‌های متن‌باز و دارای مجوز اشتراک
🔹 عملکرد بهتر از مدل‌های بسیار بزرگ‌تر در محیط‌های واقعی و مجازی
🔹 قابل اجرا روی GPU مصرفی یا حتی لپ‌تاپ مک‌بوک
🔹 طراحی شده برای کمک به توسعه ربات‌های عمومی و کاهش هزینه سخت‌افزار رباتیک

🧠 مدل SmolVLA با ۴۵۰ میلیون پارامتر، از داده‌های «LeRobot Community» تغذیه شده و هدف آن دموکراتیزه کردن دسترسی به مدل‌های «بینایی-زبان-عمل» است. جالب‌تر این‌که از ساختاری استفاده می‌کند که پردازش دیداری و شنوایی را از عملکرد ربات جدا می‌کند، که به گفته Hugging Face باعث واکنش سریع‌تر در شرایط پویا می‌شود.

👨‍💻 یک کاربر در توییتر (X) اعلام کرده که با استفاده از این مدل، بازوی رباتیکی Koch را با تنها ۳۱ نمونه آموزش، به خوبی کنترل کرده است.

🛠 گفته می شود Hugging Face تلاش دارد اکوسیستم رباتیک متن‌باز و کم‌هزینه‌ای ایجاد کند. از جمله پروژه‌های اخیر آن می‌توان به LeRobot و خرید استارتاپ فرانسوی Pollen Robotics اشاره کرد.

🔍 البته Hugging Face تنها بازیگر این میدان نیست؛ شرکت‌هایی مانند:

* Nvidia با مجموعه ابزارهای رباتیک متن‌باز
* K-Scale Labs با هدف ساخت انسان‌نماهای متن‌باز
* Dyna Robotics
* Physical Intelligence (با حمایت جف بزوس)
* RLWRLD

نیز در این مسیر گام برمی‌دارند.

📥 مدل SmolVLA هم‌اکنون از طریق Hugging Face قابل دریافت است.


#رباتیک #هوش_مصنوعی #HuggingFace #SmolVLA #LeRobot #AI #Robotics #متن_باز #مکبوک #هوش_مصنوعی_در_رباتیک


ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

💠 عضو جامع ترین کانال های توسعه فردی، روانشناسی و موفقیت شوید:

➡️ https://t.me/addlist/AX8uaLK6gE1jNzg0

➡️ https://t.me/addlist/AX8uaLK6gE1jNzg0

شامل موضوعات آموزشی زیر:

توسعه و رشد فردی
افزایش ثروت
هدف گذاری و مدیریت زمان
مهارت های اجتماعی، ارتباطی و فن بیان
روانشناسی و خودیاری
موفقیت
عادات موثر
سلامت و تغذیه سالم
موفقیت شغلی
عبارات تاکیدی
مدیریت اضطراب و خشم
روان درمانی CBT و ACT
شخصیت شناسی و تحلیل روانشناسی
انگیزشی
کودک درون
تکنیک های NLP
یوگا
افزایش حافظه
مدیتیشن
موفقیت تحصیلی
مطالعه موثر
افزایش اعتماد به نفس
افزایش تمرکز
تفکر مثبت
افزایش خلاقیت
نقل قول های انگیزشی

با کلیک بر روی لینک زیر عضو تمامی این کانال ها شوید:

➡️ https://t.me/addlist/AX8uaLK6gE1jNzg0

➡️ https://t.me/addlist/AX8uaLK6gE1jNzg0

🔵 نکته یادگیری ماشین


تقسیم داده‌ها (Data Splitting) ✂️

بزرگترین اشتباهی که یه تازه‌کار می‌تونه انجام بده اینه که مدلش رو با همون داده‌هایی که آموزش داده، تست کنه. 🤦‍♂️ این مثل این می‌مونه که یه دانش‌آموز برای امتحان، سوال و جواب‌ها رو از قبل حفظ کنه و سر جلسه امتحان هم دقیقاً همون سوال‌ها رو جواب بده. خب معلومه که نمره‌اش ۲۰ می‌شه، ولی آیا واقعاً مطلب رو یاد گرفته؟ نه!

برای اینکه از این فاجعه جلوگیری کنیم، داده‌هامون رو به سه بخش کاملاً مجزا تقسیم می‌کنیم:

مجموعه آموزشی (Training Set): 📚
این بخش اصلی داده‌هاست (معمولاً ۷۰٪ تا ۸۰٪) که مدل از روی اون یاد می‌گیره. مثل جزوه‌ها و کتاب‌هایی که یه دانش‌آموز برای درس خوندن استفاده می‌کنه. مدل هزاران بار این داده‌ها رو می‌بینه تا الگوها رو پیدا کنه.

مجموعه اعتبارسنجی (Validation Set): 📝
این بخش برای تنظیم کردن مدل و هایپرپارامترها استفاده می‌شه. مثل امتحان‌های آزمایشی که دانش‌آموز قبل از امتحان اصلی می‌ده تا ببینه چقدر آماده‌ست و کجا باید بیشتر تلاش کنه. این مجموعه به ما کمک می‌کنه جلوی بیش‌برازش (Overfitting) رو بگیریم.

مجموعه آزمون (Test Set): 💯
این بخش رو برای کل فرآیند آموزش و تنظیم مدل "کاملاً مخفی" نگه می‌داریم. فقط و فقط یک بار، در آخر کار، از این مجموعه استفاده می‌کنیم تا عملکرد نهایی و واقعی مدل رو روی داده‌های کاملاً جدید و ندیده بسنجیم. مثل امتحان نهایی و اصلی که نمره واقعی دانش‌آموز رو مشخص می‌کنه.

خلاصه که، داده‌های آزمون رو مثل یه راز مخفی برای مدل نگه دار تا وقتی که می‌خوای ببینی واقعاً چقدر یاد گرفته! 😉

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ


لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

‌

🔵 نکات برنامه‌نویسی



🐦 Canary Release


🔹 ایده اصلی

به‌جای اینکه یک نسخه جدید نرم‌افزار رو یک‌باره برای همه کاربران منتشر کنیم،
اول اون رو به یک بخش کوچک از کاربران (Canary group) می‌دیم.

⬅️ اگر مشکلی نبود → به تدریج برای همه منتشر می‌کنیم.
⬅️ اگر باگ یا خطایی رخ داد → سریع برمی‌گردونیم (rollback) بدون اینکه همه آسیب ببینن.

این روش اسمش از «قناری در معدن زغال‌سنگ» گرفته شده، چون قبلاً قناری‌ها رو برای تشخیص گازهای سمی استفاده می‌کردن.


🔹 چرا مهمه؟

⬅️ ریسک انتشار نسخه جدید کم میشه ✅
⬅️ امکان آزمایش در دنیای واقعی با کاربرهای واقعی وجود داره ✅
⬅️ مشکلات قبل از اینکه کل سیستم تحت تأثیر قرار بگیره کشف میشن ✅




✅ مثال ساده (Python – شبیه‌سازی Canary Release)

import random

def old_version(user_id):
    return f"User {user_id}: Old version ✅"

def new_version(user_id):
    # احتمال خطا در نسخه جدید
    if random.random() < 0.2:
        return f"User {user_id}: New version ❌ ERROR"
    return f"User {user_id}: New version ✅"

def canary_release(users):
    results = []
    for user_id in users:
        # 20% از کاربران به نسخه جدید میرن
        if user_id % 5 == 0:  
            results.append(new_version(user_id))
        else:
            results.append(old_version(user_id))
    return results

# تست
users = range(1, 21)
for r in canary_release(users):
    print(r)

🔹 توضیح کد

⬅️ ۲۰٪ کاربران به نسخه جدید میرن.
⬅️ اگر خطایی در نسخه جدید رخ بده → سریع قابل مشاهده است بدون اینکه همه آسیب ببینن.



🎯 کاربردهای واقعی

➡️ Google, Facebook, Netflix همه از این روش برای انتشار نسخه‌های جدید استفاده می‌کنن.
⬅️ تست UI جدید روی ۵٪ کاربران.
⬅️ تغییر الگوریتم ریکامندیشن فقط برای بخشی از کاربران.
⬅️ انتشار API جدید برای بعضی کلاینت‌ها.


🛠️ مزایا

⬅️ کاهش ریسک انتشار
⬅️ امکان rollback سریع
⬅️ افزایش اعتماد تیم و کاربران



ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

🔵 نکته یادگیری ماشین


یک نکته ساده و مهم دیگه در یادگیری ماشین:

ویژگی‌های غیر مرتبط یا نویزی می‌تونن مدل رو بدتر کنن، پس Feature Selection مهمه.

* وقتی داده‌ها شامل ویژگی‌های زیادی هستن، بعضی‌ها ممکنه کمکی به پیش‌بینی نکنن یا حتی باعث overfitting بشن.
* روش‌هایی مثل انتخاب ویژگی مبتنی بر اهمیت (feature importance)،PCA یا حذف ویژگی‌های هم‌بسته زیاد می‌تونن کمک کنن.

به زبان ساده: گاهی کمتر، بهتره! انتخاب ویژگی‌های درست باعث می‌شه مدل سبک‌تر، سریع‌تر و دقیق‌تر باشه.




ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ


لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

‌

🌠✨ بلومبرگ: جانی آیو و OpenAI در حال طراحی حداقل سه محصول سخت‌افزاری هوش مصنوعی!



🌿🌿 خبرهای داغ از همکاری بزرگ در دنیای فناوری به گوش می‌رسد! مارک گرمن، خبرنگار بلومبرگ، مدعی شده است که OpenAI با همکاری جانی آیو، طراح ارشد سابق اپل، مشغول ساخت حداقل سه محصول سخت‌افزاری جدید مبتنی بر هوش مصنوعی است.



🟣 انواع محصولات در دست توسعه

کمپانی OpenAI ظاهراً در حال کار روی مجموعه‌ای از دستگاه‌های سخت‌افزاری است. این محصولات شامل یک دستگاه سیار، یک دستگاه خانه هوشمند و همچنین یک محصول رباتیک است که در بلندمدت عرضه خواهد شد. البته، هنوز OpenAI به طور رسمی این پروژه‌های سخت‌افزاری را تایید نکرده است.



🔴 حدس و گمان‌ها درباره دستگاه سیار

مارک گرمن حدس می‌زند که دستگاه سیار OpenAI ممکن است به شکل یک گردن‌بند طراحی شود. کاربر می‌تواند آن را دور گردن خود بیندازد و به جای دسترسی مستقیم از طریق گوشی، از آن به عنوان راهی برای تعامل با دستیار هوش مصنوعی ChatGPT استفاده کند. این ایده، رویکردی جدید به رابط کاربری هوش مصنوعی در زندگی روزمره است.



🔵 دستگاه خانه هوشمند OpenAI

علاوه بر دستگاه سیار، به نظر می‌رسد OpenAI روی یک دستگاه خانه هوشمند نیز کار می‌کند. این دستگاه ممکن است شبیه به یک اسپیکر هوشمند باشد که روی میز قرار می‌گیرد. در حال حاضر، جزئیات بیشتری درباره کاربردها و قابلیت‌های دقیق این دستگاه خانگی منتشر نشده است.

این همکاری بین یک شرکت پیشرو در زمینه هوش مصنوعی و یکی از مشهورترین طراحان سخت‌افزار جهان، می‌تواند منجر به تولید محصولاتی شود که نحوه تعامل ما با تکنولوژی را متحول کند. باید دید این محصولات نوآورانه چه زمانی به بازار عرضه خواهند شد.

#OpenAI #جانی_آیو #سخت_افزار #هوش_مصنوعی #ChatGPT



ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی:
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

🔵 نکته یادگیری ماشین

یه مثال ساده با پایتون در مورد تاثیر نرمال‌سازی داده‌ها

from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
from sklearn.metrics import accuracy_score

# داده نمونه
data = load_iris()
X, y = data.data, data.target

# تقسیم داده به آموزش و تست
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# مدل KNN بدون نرمال‌سازی
model = KNeighborsClassifier()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
print("دقت بدون نرمال‌سازی:", accuracy_score(y_test, y_pred))

# مدل KNN با نرمال‌سازی
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

model_scaled = KNeighborsClassifier()
model_scaled.fit(X_train_scaled, y_train)
y_pred_scaled = model_scaled.predict(X_test_scaled)
print("دقت با نرمال‌سازی:", accuracy_score(y_test, y_pred_scaled))

نتیجه معمولا نشون میده که نرمال‌سازی باعث افزایش دقت یا پایداری مدل می‌شه، مخصوصا وقتی ویژگی‌ها مقیاس‌های متفاوتی دارند.



ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ


لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

🔵 با عضویت در لیست تلگرامی جامع آموزش زبان زیر عضو بی نظیرترین‌ و کامل ترین مجموعه آموزش زبان انگلیسی تلگرامی شوید:

🟢 پادکست، کوییز، گرامر، آیلتس، تافل، ویدیو، آموزش زبان به کودکان، اصطلاحات انگلیسی، زبان کنکور و ... :

https://t.me/addlist/hK74E7joz0ZiOGY0
https://t.me/addlist/hK74E7joz0ZiOGY0
https://t.me/addlist/hK74E7joz0ZiOGY0

‌

🔵 نکته برنامه نویسی



بریم سراغ CQRS (Command Query Responsibility Segregation) 📑



🎯 تعریف

در معماری‌های معمول، هم خواندن (Query) و هم نوشتن/تغییر (Command) داده‌ها از یک مدل/دیتابیس استفاده می‌کنن.
اما وقتی سیستم بزرگ میشه، این کار باعث شلوغی و افت کارایی میشه.

اینجاست که CQRS وارد میشه:

* Command → تغییر وضعیت (Create, Update, Delete).
* Query → فقط خواندن داده (Read).
هرکدوم می‌تونن مدل یا حتی دیتابیس جدا داشته باشن.



✅ چرا خوبه؟

* خواندن (Query) می‌تونه خیلی سریع و بهینه باشه (حتی کش شده).
* نوشتن (Command) می‌تونه امن‌تر و دقیق‌تر باشه (ولیدیشن کامل).
* مقیاس‌پذیری راحت‌تر: دیتابیس خواندن می‌تونه Replication بشه.



🐍 مثال ساده در Python

# Command Model (برای تغییر داده‌ها)
class UserCommandModel:
    def __init__(self):
        self.users = {}

    def create_user(self, user_id, name):
        self.users[user_id] = {"id": user_id, "name": name}
        return f"User {name} created ✅"

    def update_user(self, user_id, name):
        if user_id in self.users:
            self.users[user_id]["name"] = name
            return f"User {user_id} updated ✅"
        return "User not found ❌"


# Query Model (فقط برای خواندن)
class UserQueryModel:
    def __init__(self, command_model):
        self.command_model = command_model

    def get_user(self, user_id):
        return self.command_model.users.get(user_id, "Not found")

    def list_users(self):
        return list(self.command_model.users.values())


# استفاده
command = UserCommandModel()
query = UserQueryModel(command)

print(command.create_user(1, "Ali"))
print(command.create_user(2, "Sara"))
print(command.update_user(1, "Ali Reza"))

print(query.get_user(1))
print(query.list_users())

💡 مزایا:

* خواندن و نوشتن جدا میشن → طراحی ساده‌تر.
* برای سیستم‌های بزرگ مقیاس عالیه (مثلاً فروشگاه اینترنتی با میلیون‌ها کاربر).
* میشه برای Query از دیتابیس سبک (مثل Elasticsearch یا Redis) و برای Command از دیتابیس امن (مثل PostgreSQL) استفاده کرد.



ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

‌

🔵 نکته برنامه نویسی



Retry with Exponential Backoff



🎯 تعریف

وقتی برنامه شما به یک سرویس خارجی (مثلاً API پرداخت یا دیتابیس ابری) درخواست می‌فرسته، ممکنه به‌طور موقت خطا بده (به‌خاطر قطعی شبکه یا شلوغی سرور).

راه‌حل: Retry (تلاش دوباره).
ولی اگه بدون برنامه پشت سر هم Retry کنی:

⬅️ هم سرویس خراب رو بیشتر تحت فشار می‌ذاری
⬅️ هم ممکنه خودت قفل کنی

اینجاست که Exponential Backoff میاد:

⬅️ بار اول بعد از ۱ ثانیه دوباره امتحان می‌کنی
⬅️ بار دوم بعد از ۲ ثانیه
⬅️ بار سوم بعد از ۴ ثانیه
⬅️ … (هر بار فاصله دو برابر میشه)



✅ چرا خوبه؟

⬅️ به سرویس فرصت می‌دی خودش رو ریکاوری کنه.
⬅️ فشار کمتری به سیستم وارد میشه.
⬅️ احتمال موفقیت بیشتر میشه.



🐍 مثال ساده در Python

import time
import random

def unstable_service():
    """شبیه‌سازی یک سرویس که 50% مواقع خطا میده"""
    if random.random() < 0.5:
        raise Exception("Service failed ❌")
    return "Success ✅"

def call_with_retry(max_retries=5):
    delay = 1  # شروع از 1 ثانیه
    for attempt in range(1, max_retries + 1):
        try:
            result = unstable_service()
            print(f"Attempt {attempt}: {result}")
            return result
        except Exception as e:
            print(f"Attempt {attempt}: {e}, retrying in {delay}s...")
            time.sleep(delay)
            delay *= 2  # افزایش نمایی
    print("All retries failed 🚨")
    return None

call_with_retry()

💡 مزایا:

⬅️ جلوگیری از overload شدن سرویس خراب.
⬅️ افزایش شانس موفقیت در شرایط موقتاً بد.
⬅️ خیلی پرکاربرد در microservices، شبکه و APIهای حساس.



ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

‌
✨✨ طراح سابق اپل، طرح مفهومی شیشه‌ای خیره‌کننده‌ای برای iOS ۲۶ منتشر کرد!



🌿🌿 در آستانه کنفرانس WWDC ۲۰۲۵، یکی از طراحان سابق اپل، «سباستین دِ ویت»، ایده‌هایی جذاب برای طراحی احتمالی iOS ۲۶ را با نام "Living Glass" منتشر کرده است. این طرح مفهومی، تمرکز ویژه‌ای بر بازطراحی رابط کاربری با الهام از جنس شیشه دارد و می‌تواند آینده تجربه کاربری آیفون را متحول کند.



🟣 وقتی شیشه زنده می‌شود: الهام از visionOS

دِ ویت، هم‌بنیان‌گذار اپلیکیشن عکاسی Lux و طراح سابق اپل، در این مجموعه طرح‌های مفهومی، رویکردی کاملاً نوین را به نمایش گذاشته است. به گفته او، هدف این طراحی، بازتاب دادن مواد و بافت‌های فیزیکی شیشه در رابط کاربری سیستم‌عامل است. اما این فقط یک تغییر ظاهری نیست!


🔴 با الهام از visionOS (سیستم‌عامل هدست ویژن پرو)، این طرح‌ها به گونه‌ای هستند که عناصر رابط کاربری مانند مواد فیزیکی واقعی واکنش نشان می‌دهند و به نور محیطی، تغییرات فضا و حتی حرکات کاربر پاسخ می‌دهند. این یعنی یک تجربه کاربری بسیار غوطه‌ورکننده و پویا که می‌تواند تعامل ما با آیفون را به سطح جدیدی ببرد.


🔵 این طرح مفهومی نشان می‌دهد که اپل و طراحانش چطور به دنبال مرزهای جدید در طراحی رابط کاربری هستند و چگونه می‌توانند از قابلیت‌های سخت‌افزاری جدید برای خلق تجربه‌های بصری و تعاملی بی‌نظیر استفاده کنند. باید منتظر ماند و دید که آیا این ایده‌ها در iOS ۲۶ یا نسخه‌های آینده به واقعیت می‌پیوندند!



#iOS26 #AppleDesign #UIUX #VisionOS #LivingGlass


ــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی:
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

🔵 نکته یادگیری ماشین

حالا بریم سراغ یه مدل یادگیری ماشین که درست مثل خودمون، با پرسیدن سؤال‌های ساده تصمیم‌گیری می‌کنه! 🌳

درخت تصمیم (Decision Tree) 🤔

تصور کن می‌خوای تصمیم بگیری که امروز عصر چه کاری انجام بدی. ذهنت به صورت خودکار یک فرآیند منطقی رو طی می‌کنه:

آیا هوا آفتابیه؟ ☀️

بله: آیا وقت آزاد داری؟

بله: پس بریم بیرون قدم بزنیم!

خیر: پس تو خونه کتاب بخون.

خیر: آیا یه فیلم خوب توی تلویزیون پخش می‌شه؟

بله: پس فیلم ببین.

خیر: پس یه کتاب بخون.

یک درخت تصمیم (Decision Tree) دقیقاً همین‌طور کار می‌کنه. این مدل یک سری سؤال ساده رو در یک ساختار درختی می‌پرسه تا به یک نتیجه نهایی برسه.

اجزای یک درخت تصمیم:

ریشه (Root): اولین سؤالی که پرسیده می‌شه. (مثلاً: آیا هوا آفتابیه؟)

گره‌ها (Nodes): سؤال‌های میانی که مدل در طول مسیر می‌پرسه. (مثلاً: آیا وقت آزاد داری؟)

برگ‌ها (Leaves): پاسخ‌های نهایی یا پیش‌بینی‌های مدل. (مثلاً: برو قدم بزن، فیلم ببین).

چرا از درخت تصمیم استفاده می‌کنیم؟

ساده و قابل فهم: بر خلاف مدل‌های پیچیده‌ای مثل شبکه‌های عصبی، فرآیند تصمیم‌گیری یک درخت تصمیم کاملاً شفاف و قابل توضیحه. به همین دلیل به این مدل‌ها مدل جعبه سفید (White Box Model) می‌گن.

بدون نیاز به آماده‌سازی پیچیده: درخت‌های تصمیم به مقیاس داده‌ها یا وجود داده‌های پرت حساس نیستن و نیازی به مقیاس‌گذاری ویژگی‌ها ندارن.

البته این مدل‌ها ممکنه به بیش‌برازش (Overfitting) حساس باشن، اما با روش‌هایی مثل هرس کردن (Pruning) یا ترکیب اون‌ها (مثل جنگل تصادفی)، می‌شه این مشکل رو حل کرد.

خلاصه که، درخت تصمیم به جای اینکه از یک فرمول پیچیده استفاده کنه، از یک فرآیند ساده و منطقی برای رسیدن به جواب استفاده می‌کنه! 🍃

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ


لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

‌

✨✨ تصویر روز ناسا: کشف بقایای ابرنواختری ناشناخته در صورت فلکی قیفاووس


🌿🌿 می‌تونید این جرم آسمانی رو که در تصویر روز #ناسا می‌بینید، شناسایی کنید؟ احتمالاً نه! چون تازه کشف شده!


🟣 ستاره‌های پرجرم بعد از چند میلیون سال، توی انفجاری عظیم به اسم ابرنواختر از هم می‌پاشن. ابرنواخترها بزرگ‌ترین انفجارایین که تو فضا رخ می‌ده.


🔴 بقایای این انفجارها خیلی سریع سرد و کم‌نور می‌شن و از دید تلسکوپ‌های معمولی پنهان می‌مونن؛ برای همین دیدنشون خیلی سخته.


🔵 تو این تصویر ترکیبی و عمیق، تابش اتم‌های هیدروژن رو به رنگ قرمز و تابش کم‌نور اکسیژن رو به رنگ آبی می‌بینید.
#ناسا #فضا #ابرنواختر #نجوم #ستاره

ـــــــــــــــــــــــــــــــــــــــــــــــ

لطفاً ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی:
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

💠 عضو جامع ترین کانال های توسعه فردی، روانشناسی و موفقیت شوید:

➡️ https://t.me/addlist/AX8uaLK6gE1jNzg0

➡️ https://t.me/addlist/AX8uaLK6gE1jNzg0

شامل موضوعات آموزشی زیر:

توسعه و رشد فردی
افزایش ثروت
هدف گذاری و مدیریت زمان
مهارت های اجتماعی، ارتباطی و فن بیان
روانشناسی و خودیاری
موفقیت
عادات موثر
سلامت و تغذیه سالم
موفقیت شغلی
عبارات تاکیدی
مدیریت اضطراب و خشم
روان درمانی CBT و ACT
شخصیت شناسی و تحلیل روانشناسی
انگیزشی
کودک درون
تکنیک های NLP
یوگا
افزایش حافظه
مدیتیشن
موفقیت تحصیلی
مطالعه موثر
افزایش اعتماد به نفس
افزایش تمرکز
تفکر مثبت
افزایش خلاقیت
نقل قول های انگیزشی

با کلیک بر روی لینک زیر عضو تمامی این کانال ها شوید:

➡️ https://t.me/addlist/AX8uaLK6gE1jNzg0

➡️ https://t.me/addlist/AX8uaLK6gE1jNzg0

‌

✨✨ سلفی تاریخی مریخ‌نورد استقامت و بالگرد نبوغ در مریخ



🌿🌿 تصویر روز ناسا یک سلفی خاص از مریخ‌نورد استقامت (Perseverance) و بالگرد نبوغ (Ingenuity) را روی مریخ نشان می‌دهد. این تصویر در ۶ آوریل ۲۰۲۱ گرفته شده است.


🟣 این سلفی با استفاده از بازوی رباتیک استقامت و دوربین WATSON آن ثبت شده است. جالب اینجاست که این دوربین در اصل برای بررسی سنگ‌ها طراحی شده بود، اما مهندسان ناسا به شکل خلاقانه‌ای از آن برای گرفتن این عکس یادگاری استفاده کردند.


🔴 این سلفی نمادی از همکاری موفق این دو ربات در مریخ است: استقامت مشغول جمع‌آوری نمونه از مریخ برای بازگشت به زمین است، در حالی که نبوغ توانایی پرواز در جو مریخ را نشان داد. این تصویر، دستاوردهای بزرگ در زمینه رباتیک و کاوش‌های فضایی را به نمایش می‌گذارد.


ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی:
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

🔵 کوییز #سی_شارپ

🟣 موضوع : ‏آشنایی با Dependency Injection در C#

🟢 سوال :

‏کدام یک از موارد زیر یک مزیت استفاده از Dependency Injection است؟

گزینه ۱:
‏کاهش حجم کد

گزینه ۲:
‏افزایش سرعت اجرای برنامه

گزینه ۳:
‏افزایش قابلیت تست و نگهداری کد

گزینه ۴:
‏افزایش پیچیدگی کد

🔵 گزینه صحیح: 3

🟢 توضیح :

‏Dependency Injection قابلیت تست و نگهداری کد را افزایش می‌دهد.

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir