‌

✨✨ سامسونگ گلکسی M36 را با تراشه اگزینوس ۱۳۸۰ و طراحی جدید دوربین معرفی کرد!


🌿🌿 #سامسونگ امروز جدیدترین گوشی سری M خود، گلکسی M36، را رونمایی کرد. این گوشی با طراحی متفاوت ماژول دوربین عرضه شده و از نظر مشخصات فنی، شباهت زیادی به مدل سال گذشته یعنی گلکسی M35 دارد.


🟣 مشخصات این دستگاه به شرح زیر است:

⬅️ نمایشگر ۶.۷ اینچی AMOLED با نرخ تازه‌سازی ۱۲۰ هرتز
⬅️ تراشه اگزینوس ۱۳۸۰ ساخت سامسونگ
⬅️ حافظه ۱۲۸ یا ۲۵۶ گیگابایت
⬅️ رم ۶ یا ۸ گیگابایتی
⬅️ دوربین اصلی ۵۰ مگاپیکسلی + دوربین فوق‌عریض ۸ مگاپیکسلی + ماکرو ۲ مگاپیکسل
⬅️ دوربین سلفی ۱۳ مگاپیکسلی
⬅️ باتری ۵۰۰۰ میلی‌آمپرساعت
⬅️ قیمت نسخه پایه حدود ۲۶۹ دلار



#سامسونگ #گلکسیM36 #گوشی #تکنولوژی #اگزینوس


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

سوگیری (Bias) 📏

یه مدل با سوگیری بالا 🤦‍♂️ مثل یه آدمیه که خیلی ساده‌نگر و کوته‌فکره. بهش یه عالمه داده نشون می‌دی (مثلاً یه عالمه نقطه که شکل یه منحنی رو ساختن) ولی اون فقط می‌گه: "خب، همه اینا تو یه خط صاف قرار دارن!" 🤷‍♂️
این مدل اونقدر ساده است که نمی‌تونه پیچیدگی و ظرافت‌های داده رو بفهمه. به این می‌گن کم‌برازش یا Underfitting. 📉 مدل ما از داده‌ها درس نمی‌گیره و خیلی ساده‌لوحانه عمل می‌کنه.

واریانس (Variance) 🎯

حالا یه مدل با واریانس بالا 🤯 برعکس قبلیه. این یکی خیلی ریزبین و وسواسیه. وقتی بهش داده‌ها رو نشون می‌دی، به جای اینکه الگو رو پیدا کنه، همه جزئیات و حتی اشتباهات کوچیک داده رو هم حفظ می‌کنه. 🤓
مثل این می‌مونه که یه دانش‌آموز به جای اینکه فرمول رو یاد بگیره، دقیقاً همه مثال‌های معلم رو با همه اعدادش حفظ کنه. برای همین، وقتی یه سوال جدید بهش می‌دی (داده‌های جدید)، کاملاً گیج می‌شه و نمی‌تونه جواب بده. 😫 به این می‌گن بیش‌برازش یا Overfitting. 📈

هدف اصلی ما چیه؟ ✨

هدف ما اینه که یه مدل بسازیم که نه خیلی ساده‌لوح باشه (سوگیری کم) و نه خیلی وسواسی (واریانس کم). باید یه تعادل طلایی پیدا کنیم! ⚖️
این تعادل به اسم Trade-off Bias-Variance معروفه و کل هنر یادگیری ماشین همینه: ساختن مدلی که هم خوب یاد بگیره و هم بتونه تو موقعیت‌های جدید عملکرد عالی داشته باشه. ✅

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

یک تکنیک نسبتاً عجیب ولی مؤثر در برنامه‌نویسی "Negative Testing" (آزمایش منفی) است.

برخلاف تست معمولی که بررسی می‌کنی آیا کد در شرایط درست درست کار می‌کند یا نه، در Negative Testing عمداً شرایط غلط، ورودی‌های عجیب یا سناریوهای غیرعادی را امتحان می‌کنی تا ببینی کد چطور واکنش نشان می‌دهد.

مثلاً:

ارسال رشته خالی یا Null به تابعی که انتظار ورودی معتبر دارد.

دادن اعداد خیلی بزرگ یا منفی جایی که معمولاً انتظار اعداد کوچک می‌رود.

شبیه‌سازی قطعی اینترنت در وسط یک درخواست API.

این کار باعث می‌شود نقاط ضعف و باگ‌های پنهان کد قبل از رسیدن به کاربر نهایی پیدا شوند.

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

در پایتون، اگر از عملگر is برای مقایسه اعداد کوچک (بین ‎-5‎ تا ‎256‎) استفاده کنید، معمولاً نتیجه درست به نظر میاد، چون این اعداد به صورت interned در حافظه نگهداری می‌شن. ولی برای اعداد بزرگ‌تر یا آبجکت‌های مشابه، ممکنه نتیجه غیرمنتظره باشه:

a = 256
b = 256
print(a is b) # True

x = 257
y = 257
print(x is y) # معمولاً False


📌 درس ماجرا: is برای بررسی یکسان بودن آدرس آبجکت‌ها هست، نه یکسان بودن مقدار. برای مقایسه مقدار از == استفاده کن.

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

تنظیم هایپرپارامتر (Hyperparameter Tuning) ⚙️

فرض کن یه مدل عالی انتخاب کردی و داده‌ها رو هم آماده کردی. خب، تموم شد؟ نه! 😅

هر مدل یادگیری ماشین، یه سری "تنظیمات" یا هایپرپارامتر داره. این‌ها چیزهایی نیستن که مدل خودش از داده‌ها یاد بگیره، بلکه ما باید قبل از آموزش، اون‌ها رو برای مدل مشخص کنیم.

برای اینکه بهتر متوجه بشی، یه دستور آشپزی رو تصور کن. 👩‍🍳

مواد اولیه مثل آرد و شکر (داده‌های ما) هستن.

اما دستور پخت، جزئیاتی مثل "مدت زمان پخت" و "دمای فر" داره که ما باید اون‌ها رو مشخص کنیم.

هایپرپارامترها هم دقیقاً همین جزئیات هستن. مثلاً در یک الگوریتم مثل جنگل تصادفی (Random Forest)، هایپرپارامترهایی مثل "تعداد درخت‌ها" یا "حداکثر عمق هر درخت" وجود دارن.

تنظیم هایپرپارامتر یعنی اینکه ما به شکل سیستماتیک، مقادیر مختلف این تنظیمات رو امتحان می‌کنیم تا ببینیم کدوم ترکیب، بهترین عملکرد رو به مدل می‌ده. 🎯

چرا این کار انقدر مهمه؟
چون با تغییر فقط یک هایپرپارامتر، عملکرد مدل می‌تونه از افتضاح به فوق‌العاده تغییر کنه! پیدا کردن ترکیب درست این تنظیمات، یکی از مهم‌ترین کارهاییه که یک متخصص یادگیری ماشین انجام می‌ده.

خلاصه که، تنظیم هایپرپارامترها مثل تنظیم دقیق ساعت مدلته، تا بهترین عملکرد رو داشته باشه! ⏱️

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ


لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

‌

✨✨ پشتیبانی رسمی Swift از اندروید در راه است!


🌿🌿 با وجود رویکرد همیشگی اپل مبنی بر عدم توجه به اندروید، به نظر می‌رسد زبان برنامه‌نویسی Swift این شرکت قرار است به طور رسمی از توسعه اپلیکیشن‌های اندرویدی پشتیبانی کند.

🟣 #اپل Swift را اولین بار در سال 2014 برای پلتفرم‌های اختصاصی خود معرفی کرد. اما در سال‌های اخیر، پشتیبانی رسمی از ویندوز و لینوکس نیز به آن افزوده شده است. اکنون، Swift یک گام دیگر به جلو برداشته و قصد دارد راه خود را به دنیای اندروید باز کند.

🔴 گروه توسعه Swift از تشکیل «گروه کاری اندروید» خبر داده است. مأموریت این گروه فراهم کردن پشتیبانی رسمی از اندروید به عنوان یکی از پلتفرم‌های هدف این زبان برنامه‌نویسی است.

🔵 این گروه اهداف مشخصی را دنبال می‌کند. از جمله این اهداف می‌توان به بهبود و نگهداری پشتیبانی از اندروید در توزیع رسمی Swift، پیشنهاد بهبودهایی در پکیج‌های اصلی مانند Foundation و Dispatch برای سازگاری بهتر با الگوهای اندرویدی، و تعریف سطوح پشتیبانی رسمی از اندروید اشاره کرد.


#Swift #اندروید #برنامه‌نویسی #اپلیکیشن #توسعه


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

هوش مصنوعی مولد (Generative AI) 🖌

تا الان بیشتر در مورد مدل‌هایی احتمالا شنیدید که کارشون "پیش‌بینی" یا "دسته‌بندی" بوده. یعنی یه سری داده می‌گرفتن و بر اساس اون‌ها، جواب‌های موجود رو انتخاب می‌کردن. (مثل تشخیص اینکه یک عکس گربه است یا سگ).

اما هوش مصنوعی مولد یه کار کاملاً متفاوت انجام می‌ده: خلق کردن! ✨

این مدل‌ها به جای اینکه فقط داده‌ها رو تحلیل کنن، یاد می‌گیرن که ساختار و الگوهای داده رو بفهمن و بعد از اون فهم، داده‌های کاملاً جدید و اصلی بسازن که قبلاً وجود نداشتن.

به زبان ساده‌تر:

فرض کن به جای اینکه یه منتقد هنری باشی که می‌تونی نقاشی‌ها رو ارزیابی کنی، خودت تبدیل به یک نقاش می‌شی. 🧑‍🎨

یک مدل مولد یاد می‌گیره که چهره‌ها، مناظر و اشیا چطور ساخته شدن و بعد می‌تونی بهش بگی "یک عکس از یک خرگوش فضایی که در حال نواختن پیانو در مریخ است" رو بساز. 🐰🎹 این مدل با استفاده از الگوهایی که یاد گرفته، می‌تونه تصویری کاملاً جدید و خیالی خلق کنه که هیچ‌وقت قبلاً دیده نشده.

نمونه‌های این تکنولوژی رو حتماً دیدی:

چت‌بات‌های پیشرفته که متن، شعر و کد می‌نویسن. ✍️

مدل‌های تولید تصویر مثل Midjourney یا DALL-E که از متن، عکس می‌سازن. 🖼

مدل‌های موسیقی که قطعه‌های جدیدی رو می‌سازن. 🎶

خلاصه که، هوش مصنوعی دیگه فقط یه تحلیلگر داده نیست، بلکه یه هنرمند و خالق هم هست که مرزهای خلاقیت رو جابجا می‌کنه. ✨

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 رندوم دیگه در یادگیری ماشین:

از Differencing و Seasonal Differencing برای ایستا کردن سری‌های زمانی استفاده می‌شن.

🔹 برای Differencing: تفاضل گرفتن بین مشاهدات متوالی برای حذف روند (Trend).

مثال:

$y'_t = y_t - y_{t-1}$

🔹 برای Seasonal Differencing: تفاضل گرفتن با فاصله فصلی برای حذف الگوهای تکراری.
مثال:
$y'_t = y_t - y_{t-s}$

(s = طول فصل، مثل 12 ماه برای داده‌های سالانه)

🔹 نکته: با Differencing داده‌ها ایستا می‌شن و مدل‌های کلاسیک مثل ARIMA بهتر عمل می‌کنن.

به زبان ساده: Differencing یعنی “تغییرات واقعی رو بررسی کن نه مقادیر خام داده‌ها” 🔄



ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ


لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

‌

✨✨ اپل از اپلیکیشن جدید Apple Games رونمایی کرد!


🌿🌿 اپل در رویداد WWDC 2025 از اپلیکیشن جدید Apple Games رونمایی کرد؛ این اپلیکیشن میزبانی جدید برای تمامی بازی‌های آیفون و آیپد شما خواهد بود.


🟣 این اپلیکیشن شامل بازی‌های موجود در اپ استور، بخش اختصاصی برای Apple Arcade و همچنین قابلیت‌های اجتماعی Game Center مانند لیدربوردها (رتبه‌بندی‌ها) و چالش‌ها می‌شود.


🔴 در واقع، اپلیکیشن Apple Games بیشتر به‌عنوان راهی برای ارائه تجربه‌ای اختصاصی و مرتب برای محبوب‌ترین ژانر اپ استور، یعنی بازی‌های موبایلی، طراحی شده است.


#AppleGames #WWDC2025 #Apple #iOSGaming #GameCenter


ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفاً ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی:
https://t.me/Tu_24
آدرس وبسایت:
https://Tutorial24.ir

🔵 نکته برنامه نویسی

یک تکنیک جالب و نسبتاً کم‌حرف‌زده در برنامه‌نویسی، "Memoization" (ذخیره‌سازی نتایج محاسبات) هست.

در این روش، وقتی یک تابع با ورودی مشخص محاسبه می‌شود، نتیجه آن در حافظه (مثل یک دیکشنری یا کش) ذخیره می‌شود. اگر دفعه بعد همان ورودی دوباره درخواست شود، به جای محاسبه دوباره، نتیجه ذخیره‌شده برگردانده می‌شود.

این کار برای توابع سنگین محاسباتی (مثل محاسبه اعداد فیبوناچی یا الگوریتم‌های بازگشتی) فوق‌العاده مفید است و باعث می‌شود سرعت برنامه گاهی چندین برابر شود.

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

‌

🌠✨ خبر داغ: اپل در WWDC ۲۰۲۵ احتمالا فقط بر نرم‌افزار تمرکز می‌کند!


🌿🌿 به نظر می‌رسد طرفداران سخت‌افزارهای جدید اپل باید تا پاییز صبر کنند! بر اساس گزارش‌ها، شرکت اپل قصد دارد کنفرانس جهانی توسعه‌دهندگان (WWDC) سال ۲۰۲۵ را صرفاً به نرم‌افزار اختصاص دهد و هیچ سخت‌افزار جدیدی در این رویداد رونمایی نخواهد شد.



🟣 رویداد WWDC: تمرکز بر سیستم‌عامل‌ها و ابزارهای توسعه

رویداد WWDC به طور سنتی محلی برای معرفی نسخه‌های جدید سیستم‌عامل‌های اپل مانند iOS، macOS، watchOS و tvOS، و همچنین رونمایی از ابزارها و APIهای جدید برای توسعه‌دهندگان بوده است. اگرچه در گذشته گاهی اوقات محصولات سخت‌افزاری نیز در این رویداد معرفی می‌شدند، اما به نظر می‌رسد رویکرد سال آینده متفاوت خواهد بود.


🔴 تاییدیه از مارک گرمن، خبرنگار بلومبرگ

مارک گرمن، خبرنگار معتبر بلومبرگ که معمولاً اطلاعات دقیقی از برنامه‌های اپل دارد، اعلام کرده که این شرکت هیچ دستگاه جدیدی برای معرفی در WWDC ۲۰۲۵ ندارد. این بدان معناست که محصولاتی مانند آیفون ۱۷، ساعت‌های اپل جدید و مک‌های به‌روز شده که در دست توسعه هستند، در رویدادهای سنتی پاییز معرفی خواهند شد.


🔵 آینده ایرتگ و تراشه فوق پهن‌باند نسل دوم

یکی از محصولات مورد انتظار، نسل دوم ایرتگ اپل با کد B589 است که انتظار می‌رود سال ۲۰۲۵ عرضه شود. این ایرتگ جدید قرار است از تراشه نسل دوم فوق پهن‌باند بهره ببرد که برد ردیابی را تا شصت متر افزایش داده و قابلیت‌های موقعیت‌یابی دقیق‌تری را فراهم می‌کند. با این حال، مارک گرمن تاکید کرده که بعید است ایرتگ جدید در WWDC معرفی شود و اپل احتمالاً آن را در یک رویداد دیگر رونمایی خواهد کرد.
این خبر نشان می‌دهد که اپل در WWDC ۲۰۲۵ تمام تمرکز خود را بر بهبود و نوآوری در اکوسیستم نرم‌افزاری خود خواهد گذاشت، که این موضوع می‌تواند خبر خوبی برای توسعه‌دهندگانی باشد که مشتاق کشف قابلیت‌های جدید سیستم‌عامل‌ها هستند.


#اپل #WWDC2025 #نرم_افزار #ایفون #ایرتگ

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...


آدرس کانال اصلی:
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

‌

✨✨ هشدار "پدرخوانده هوش مصنوعی": سیستم‌های هوش مصنوعی به سمت فریب‌کاری استراتژیک می‌روند!

۰

🌿🌿 «یوشوا بنجیو»، یکی از برجسته‌ترین پیشگامان حوزه هوش مصنوعی و برنده جایزه تورینگ، زنگ خطر را به صدا درآورده است! او نسبت به روند فعلی توسعه این فناوری عمیقاً نگران است و آن را "مسابقه‌ای رقابتی" توصیف می‌کند که در آن، تلاش برای ساخت سیستم‌های قدرتمندتر، مسائل اخلاقی و ایمنی را به حاشیه رانده است.



🟣 چشم‌پوشی از رفتارهای خطرناک:

بنجیو در گفت‌وگو با فایننشال تایمز تأکید کرده که بسیاری از آزمایشگاه‌های بزرگ هوش مصنوعی، مانند والدینی عمل می‌کنند که رفتارهای خطرناک فرزند خود را نادیده می‌گیرند و با بی‌خیالی می‌گویند: "نگران نباش، اتفاقی نخواهد افتاد." به گفته او، این بی‌توجهی می‌تواند منجر به شکل‌گیری ویژگی‌های خطرناک در سیستم‌های هوش مصنوعی شود.



🔴 فریب‌کاری استراتژیک، نه صرفاً خطا یا سوگیری:

این ویژگی‌های خطرناک، فراتر از خطاهای ساده یا سوگیری‌ها هستند؛ بنجیو هشدار می‌دهد که آن‌ها می‌توانند به فریب‌کاری استراتژیک و رفتارهای مخرب تعمدی منجر شوند. این به این معنی است که سیستم‌های هوش مصنوعی ممکن است به طور هدفمند و با برنامه‌ریزی قبلی، کاربران یا سیستم‌ها را فریب دهند. این هشدار از سوی فردی با اعتبار علمی بنجیو، اهمیت توجه جدی‌تر به اخلاق هوش مصنوعی و تحقیقات ایمنی را بیش از پیش پررنگ می‌کند.


#هوش_مصنوعی #اخلاق_هوش_مصنوعی #یوشوا_بنجیو #امنیت_AI #فناوری_های_مخرب

ــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی:
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

‌

✨✨ یوتیوب جنگ با مسدودکننده‌های تبلیغات را شدیدتر کرد!



🌿🌿 یوتیوب دوباره دور جدیدی از مقابله با سرویس‌های مسدودکننده تبلیغات (Ad Blocker) را آغاز کرده است. این بار حتی برخی از روش‌های دور زدن سیاست‌های یوتیوب در مرورگر فایرفاکس نیز مسدود شده‌اند، اقدامی که با واکنش منفی شدید کاربران مواجه شده است.


🟣 سیاست صریح یوتیوب:

یوتیوب سال گذشته به صراحت اعلام کرد که برای تماشای ویدیوها، کاربران یا باید تبلیغات را مشاهده کنند یا اشتراک پریمیوم بخرند. بر این اساس، کاربرانی که از مسدودکننده‌های تبلیغات استفاده می‌کنند، دیگر نمی‌توانند ویدیوها را پخش کنند، مگر اینکه این سرویس‌ها را غیرفعال کرده باشند. این تصمیم، بسیاری از ادبلاکرهای محبوب را از کار انداخت.


🔴 تشدید مقابله و پیامدها:

این اقدام جدید یوتیوب نشان می‌دهد که آن‌ها در تصمیم خود برای حذف کامل ابزارهای مسدودکننده تبلیغات بسیار جدی هستند. این موضوع می‌تواند برای میلیون‌ها کاربری که به استفاده از ادبلاکرها عادت کرده‌اند، مشکل‌ساز باشد و آن‌ها را مجبور به انتخاب بین تماشای تبلیغات، خرید اشتراک پریمیوم، یا ترک پلتفرم یوتیوب کند.


🔵 آینده تجربه کاربری:

این اتفاق سوالات مهمی را در مورد آینده تجربه کاربری در پلتفرم‌های پخش ویدیو و رابطه کاربران با محتوای رایگان مطرح می‌کند. آیا کاربران به دیدن تبلیغات عادت خواهند کرد یا به دنبال راه‌حل‌های جدیدی برای تماشای محتوای بدون وقفه خواهند گشت؟


#یوتیوب #تبلیغات #ادبلاکر #فایرفاکس #تکنولوژی

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

یک نکته مهم درباره‌ی «بهینه‌سازی رو بذار برای آخر» اینه که:

🌿🌿 اولویت اول باید همیشه درستی و خوانایی کد باشه، چون کد درست و واضح راحت‌تر قابل توسعه و رفع اشکال است.

خیلی از برنامه‌نویس‌ها وسوسه میشن زود برن سراغ بهینه‌سازی (مثلاً سرعت یا مصرف حافظه) و زمان زیادی صرف پیچیده کردن کد می‌کنن. اما این کار ممکنه باعث بشه:

⬅️ باگ‌های پنهان ایجاد بشه،
⬅️ کد سخت‌خوان و غیرقابل نگهداری بشه،
⬅️ زمان توسعه خیلی بیشتر بشه.

✅ وقتی کد درست کار کرد و تست شد، اون‌وقت به سراغ بهینه‌سازی برو.

مثلاً اول کدی بنویس که قابل فهم باشه، بعد پروفایلینگ کن و ببین دقیقاً کدوم بخش‌ها واقعا نیاز به بهینه شدن دارند.



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

حالا بریم سراغ یه ابزار خیلی کاربردی که بهت می‌گه مدل‌ت چقدر دقیق و چقدر خوب عمل کرده! 📊

ماتریس درهم‌ریختگی (Confusion Matrix) 🧐

اغلب اوقات، ما برای سنجش عملکرد مدل‌مون فقط به "دقت" (Accuracy) نگاه می‌کنیم و فکر می‌کنیم اگه دقتش ۹۹٪ باشه، مدل عالیه. اما این نمره همه چیز رو بهمون نمی‌گه.

مثلاً تصور کن یه مدل برای تشخیص ایمیل‌های اسپم داری. اگه مدل‌ت همیشه بگه "این ایمیل اسپم نیست"، دقتش ۹۹٪ می‌شه (چون فقط ۱٪ ایمیل‌ها اسپم هستن!). اما آیا این مدل واقعاً خوبه؟ معلومه که نه! 🤦‍♂️

ماتریس درهم‌ریختگی یک جدول ساده اما قدرتمنده که بهمون می‌گه مدل ما دقیقاً کجا درست پیش‌بینی کرده و کجا اشتباه. این ماتریس چهار بخش داره:
پیش‌بینی: مثبت پیش‌بینی: منفی
واقعی: مثبت درست مثبت (TP) نادرست منفی (FN)
واقعی: منفی نادرست مثبت (FP) درست منفی (TN)

این چهار بخش به چه معنا هستند؟

تصور کن یه مدل برای تشخیص بیماری داری:

درست مثبت (True Positive): ✅ مدل می‌گه شخص بیمار است و واقعاً هم هست. (یک پیش‌بینی درست)

درست منفی (True Negative): ✅ مدل می‌گه شخص بیمار نیست و واقعاً هم نیست. (یک پیش‌بینی درست)

نادرست مثبت (False Positive): ❌ مدل می‌گه شخص بیمار است، اما نیست. (یک هشدار دروغین)

نادرست منفی (False Negative): ❌ مدل می‌گه شخص بیمار نیست، اما هست. (یک تشخیص از دست‌رفته خطرناک)

چرا ماتریس درهم‌ریختگی مهمه؟

این ماتریس به ما کمک می‌کنه تا بفهمیم مدل ما در مورد هر دسته چقدر خوب عمل کرده و آیا خطاهای مدل برای ما قابل قبول هستند یا نه. بر اساس این ماتریس، می‌تونیم معیارهای مهم‌تری مثل Precision و Recall رو هم محاسبه کنیم که تصویر دقیق‌تری از عملکرد مدل بهمون می‌دن.

خلاصه که، ماتریس درهم‌ریختگی مثل یک گزارش کار دقیق و کامل عمل می‌کنه که نشون می‌ده مدل‌ت در هر قسمت چه عملکردی داشته! 😉

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ


لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

🔵 کوییز #React_js

🟣 موضوع : ‏Code Splitting با React.lazy و Suspense

🟢 سوال :

‏برای مدیریت توالی نمایش چند Suspense از چه کامپوننتی استفاده می‌شود؟

گزینه 1:
Suspense Combined
گزینه 2:
SuspenseGroup
گزینه 3:
SuspenseList
گزینه 4:
SuspenseChain

🔵 گزینه صحیح: 3

🟢 توضیح :

‏SuspenseList در React 18 برای مدیریت توالی نمایش معرفی شده است.


ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

‌

✨✨ 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

‌

📱 خبر داغ: فتوشاپ بالاخره برای اندروید منتشر شد!



🌿🌿 بالاخره انتظارها به پایان رسید! ادوبی (Adobe) امروز نسخه بتای رسمی اپلیکیشن فتوشاپ (Photoshop) را برای گوشی‌های اندرویدی عرضه کرد. این خبر فوق‌العاده‌ای برای طراحان، عکاسان و هر کسی است که نیاز به ویرایش حرفه‌ای تصاویر در حرکت دارد. پیش از این، نسخه iOS فتوشاپ اوایل اسفند ماه منتشر شده بود.


🟣 قابلیت‌ها و نیازمندی‌ها:

این اپلیکیشن برای دستگاه‌های دارای اندروید ۱۱ یا بالاتر و حداقل ۶ گیگابایت رم در دسترس است، هرچند ادوبی برای تجربه بهتر، ۸ گیگابایت رم را توصیه می‌کند. فتوشاپ موبایل تجربه‌ای بسیار نزدیک به نسخه دسکتاپ ارائه می‌دهد و شامل مجموعه‌ای قدرتمند از ابزارهای حرفه‌ای و قابلیت‌های مبتنی بر هوش مصنوعی است.



🔴 ابزارهای رایگان و هوش مصنوعی:

کاربران نسخه رایگان به ابزارهایی کلیدی مانند لایه‌بندی (layering)، ماسک‌گذاری (masking)، کنترل‌های دقیق لایه، ابزار Spot Healing Brush، Tap Select و ابزارهای حرفه‌ای برای ترکیب و ادغام تصاویر دسترسی خواهند داشت.


🔵 علاوه بر این، ویژگی‌های مبتنی بر هوش مصنوعی نقش پررنگی در این اپلیکیشن ایفا می‌کنند. ابزارهای Generative Fill و Generative Expand که توسط Firefly AI پشتیبانی می‌شوند، امکان افزودن عناصر، تغییر قسمت‌هایی از تصویر، گسترش تصویر فراتر از اندازه اولیه و حذف محتواهای ناخواسته را تنها با چند کلمه فراهم می‌کنند. این قابلیت‌ها، ویرایش عکس را وارد فاز جدیدی می‌کنند.


🟢 همین حالا می‌توانید فتوشاپ را برای دستگاه اندرویدی خود دانلود و تجربه ویرایش تصاویر حرفه‌ای را در گوشی‌تان آغاز کنید!

دانلود از گوگل‌پلی:
[https://play.google.com/store/apps/details?id=com.adobe.photoshop.retail&pcampaignid=web_share](https://play.google.com/store/apps/details?id=com.adobe.photoshop.retail&pcampaignid=web_share)

#فتوشاپ #اندروید #ادوبی #هوش_مصنوعی #ویرایش_عکس


ـــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی:
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

🔵 کوییز #مفاهیم_کلی_برنامه_نویسی

🟣 موضوع : ‏تعاریف مربوط به چرخه عمر توسعه نرم‌افزار: مراحل تحلیل، طراحی، پیاده‌سازی و تست

🟢 سوال :

‏در کدام مرحله از SDLC، مدل‌های داده، نمودارهای جریان کار و طرح‌های رابط کاربری ایجاد می‌شوند؟

گزینه ۱:
‏پیاده‌سازی (Implementation)

گزینه ۲:
‏تست (Testing)

گزینه ۳:
‏طراحی (Design)

گزینه ۴:
‏تحلیل (Analysis)



🔵 گزینه صحیح: 3

🟢 توضیح :

‏مرحله طراحی (Design) شامل ایجاد مشخصات فنی تفصیلی از نرم‌افزار است. مدل‌های داده، نمودارهای جریان کار (flowcharts)، نمودارهای UML و طرح‌های رابط کاربری (wireframes) از جمله خروجی‌های این مرحله هستند.

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


برای اینکه بتونیم به زبان ساده فرمول رگرسیون خطی رو توضیح بدیم، باید یاد یه معادله خیلی آشنا بیفتیم: معادله خط مستقیم. 📏

معادله خط مستقیم

همه ما توی ریاضی با این معادله آشنا شدیم:
y=mx+b

در این معادله:

بخش y همون متغیر وابسته است (مثلاً قیمت خونه). 🏠

بخش x همون متغیر مستقل است (مثلاً متراژ خونه). 📏

بخش m شیب خط یا ضریب است. 📉 این عدد نشون می‌ده که با یک واحد تغییر در x، y چقدر تغییر می‌کنه. مثلاً اگه شیب 20 باشه، یعنی هر یک متر مربع به متراژ خونه اضافه بشه، 20 هزار تومان به قیمتش اضافه می‌شه.

بخش b عرض از مبدأ است. 🚦 یعنی وقتی x برابر با صفر باشه، y چنده.

فرمول رگرسیون خطی

حالا رگرسیون خطی این معادله رو یکم تکمیل می‌کنه تا بتونه داده‌های واقعی رو مدل‌سازی کنه. فرمولش به این شکله:

Yi​=β0​+β1​Xi​+ϵi​

اینجا یه سری تغییرات کوچیک داریم:

بخش Yi​ همون y ماست که مربوط به یک داده خاص (مثلاً خونه i-ام) می‌شه. 📊

بخش Xi​ همون x ماست.

بخش β0​ (بتا صفر) همون b یا عرض از مبدأ ماست.

بخش β1​ (بتا یک) همون m یا شیب ماست.

بخش ϵi​ (اپسیلون) یه عضو جدید و مهم به اسم جمله خطا یا باقیمانده است. 🤯 این بخش نشون می‌ده که پیش‌بینی ما چقدر با مقدار واقعی فاصله داره. چون هیچ‌وقت نمی‌تونیم یک پیش‌بینی کاملاً بی‌نقص داشته باشیم، این جمله خطا نشون‌دهنده تأثیر عوامل دیگه‌ایه که ما در مدل در نظر نگرفتیم (مثلاً نورگیر بودن خونه). 💡

در نهایت، هدف مدل رگرسیون خطی اینه که بهترین مقادیر برای β0​ و β1​ رو پیدا کنه تا جمع مربع خطاهای ϵi​ در کل داده‌ها به حداقل برسه. به این روش "روش حداقل مربعات" (Least Squares) می‌گن. 🎯

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ


لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir