‌

🔵 نکته برنامه نویسی

"کد رو طوری بنویس که انگار قراره شش ماه بعد، خودت با حافظه نصفه‌نیمه‌ات بخوای اون رو بخونی."
این یعنی استفاده از نام‌گذاری واضح متغیرها و توابع، نوشتن کامنت‌های کوتاه ولی گویا، و تقسیم کد به بخش‌های ماژولار و کوچک.
خیلی وقت‌ها، مشکل برنامه‌نویس‌ها با کد دیگران نیست — با کدی هست که قبلاً خودشان نوشته‌اند و الان فراموشش کرده‌اند 😄



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


روش‌های تجمیعی (Ensemble Methods) معمولاً از یک مدل تنها بهتر عمل می‌کنن.

🔹 ایده اصلی: به‌جای اعتماد به یک مدل، چند مدل رو با هم ترکیب کن. مثل اینه که به‌جای یک متخصص، نظر چندین نفر رو بپرسی.

روش Bagging (مثل Random Forest): چندین مدل مشابه روی بخش‌های مختلف داده آموزش می‌دی و جواب‌ها رو میانگین/رأی‌گیری می‌کنی → کاهش واریانس.

روش Boosting (مثل XGBoost, LightGBM): مدل‌ها به‌صورت زنجیره‌ای ساخته می‌شن، هر مدل خطاهای مدل قبلی رو اصلاح می‌کنه → افزایش دقت.

روش Stacking: چند مدل مختلف (مثلاً Logistic Regression + Random Forest + SVM) رو ترکیب می‌کنی و خروجی‌شون رو به یک مدل نهایی می‌دی → قدرت بیشتر.

به زبان ساده: Ensemble یعنی “چند تا مغز با هم بهتر از یک مغزه.”

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

تعادل بین Bias و Variance خیلی مهمه.

🔹 خطای بایاس یا Bias : وقتی مدل خیلی ساده باشه و نتونه الگوهای واقعی داده رو یاد بگیره → Underfitting.
🔹 واریانس Variance : وقتی مدل خیلی پیچیده باشه و روی جزئیات و نویز داده‌ها بیش‌ازحد حساس بشه → Overfitting.

⚖️ هدف یادگیری ماشین پیدا کردن یک نقطه‌ی تعادل بین این دو هست.

مدل‌های ساده (مثل Linear Regression) بایاس بالا ولی واریانس کم دارن.

مدل‌های پیچیده (مثل Random Forest عمیق یا Neural Network بزرگ) واریانس زیاد ولی بایاس کم دارن.

به زبان ساده:

یعنی Bias زیاد = مدل “کُند ذهنه” 🤔

از اون طرف Variance زیاد = مدل “خیلی وسواسیه” 😅

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

تشخیص ناهنجاری یا Anomaly Detection برای پیدا کردن داده‌های غیرمعمول استفاده می‌شه.

🔹 کاربردها:

تشخیص تقلب در تراکنش‌های بانکی 💳

شناسایی خطا در ماشین‌آلات صنعتی ⚙️

مانیتورینگ امنیت شبکه 🛡

🔹 روش‌ها:

روش Statistical Methods: داده‌های خیلی دور از میانگین رو ناهنجاری می‌دونن.

روش Distance-Based Methods: نمونه‌هایی که از بقیه فاصله زیادی دارن Outlier هستن.

روش Isolation Forest: الگوریتم مبتنی بر درخت که نمونه‌های ناهنجار رو سریع جدا می‌کنه.

روش Autoencoders: داده‌های غیرمعمول خطای بازسازی بالایی دارن.

به زبان ساده: Anomaly Detection یعنی “یافتن کسی که در مهمونی خیلی متفاوت عمل 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


رگرسیون خطی مثل یک دستیار پیشگوئه که با نگاه کردن به داده‌های گذشته، سعی می‌کنه آینده رو پیش‌بینی کنه. 🔮 مثلاً فرض کن می‌خوای بدونی قیمت یه خونه چقدر می‌شه. رگرسیون خطی میاد و با بررسی داده‌هایی مثل متراژ خونه، تعداد اتاق‌ها و محل قرارگیری (که بهشون می‌گیم متغیرهای مستقل)، یه خط صاف 📈 روی نمودار می‌کشه. این خط بهش کمک می‌کنه که رابطه بین این عوامل و قیمت خونه (که بهش می‌گیم متغیر وابسته) رو پیدا کنه و بهترین حدس رو برای قیمت یه خونه جدید بزنه. 🏠💰

هدف اصلیش هم اینه که این خط جوری باشه که کمترین فاصله رو با تمام داده‌های موجود داشته باشه، تا پیش‌بینی‌ش دقیق‌تر باشه. در واقع، رگرسیون خطی دنبال "بهترین خط ممکن" می‌گرده. 🎯

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 مفید درباره یادگیری الگوهای طراحی (Design Patterns) اینه که:

🌿🌿 الگوهای طراحی مثل “زبان مشترک” بین برنامه‌نویس‌ها عمل می‌کنند؛ وقتی بلدشون باشی، هم فهمیدن کد دیگران ساده‌تر میشه، هم می‌تونی سریع‌تر و تمیزتر مسائل مشابه رو حل کنی.

مثلاً وقتی میگی «این بخش از کد از الگوی Singleton استفاده کرده»، هم‌تیمی یا هر برنامه‌نویسی که اون الگو رو می‌شناسه، فوراً می‌فهمه هدف چی بوده و ساختار چطوریه.

✅ مزایای یادگیری الگوهای طراحی:

⬅️ کاهش دوباره‌کاری در حل مسائل معمول.
⬅️ افزایش خوانایی و نگهداری کد.
⬅️ داشتن راه‌حل‌های اثبات شده برای مشکلات رایج.



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



## 🔄 Idempotency (ایدِم‌پوتنسی)

ایدِم‌پوتنسی یعنی: اجرای چندباره یک عملیات، همون نتیجه رو بده که یک‌بار اجرا میده.



📌 چرا مهمه؟

* در سیستم‌های توزیع‌شده و APIها خیلی مهمه.
* وقتی درخواست دوباره ارسال بشه (به‌دلیل قطعی اینترنت، timeout یا retry)، سیستم نباید چندبار یک کار رو انجام بده.
* از تکرار عملیات حساس (مثل دوبار پول برداشت کردن از حساب 😱) جلوگیری می‌کنه.



✅ مثال ساده

فرض کن یک API برای "ایجاد کاربر" داریم:

❌ بدون idempotency:

def create_user(username):
    db.append(username)
    return "User created"

اگر درخواست دوباره فرستاده بشه، کاربر چندبار ایجاد میشه.

✔️ با idempotency:

def create_user(username):
    if username in db:
        return "User already exists"
    db.append(username)
    return "User created"

اینجا هرچند بار هم درخواست ارسال بشه، نتیجه یکیه.



✅ مثال API پرداخت

* کاربر روی "پرداخت" کلیک می‌کنه.
* اینترنتش ضعیفه → درخواست دوبار فرستاده میشه.
* ❌ اگر API idempotent نباشه → دو بار پول کم میشه.
* ✔️ اگر idempotent باشه → فقط یک تراکنش ساخته میشه، درخواست دوم همون تراکنش قبلی رو برمی‌گردونه.



📖 جاهای خیلی کاربردی:

* پرداخت آنلاین 💳
* APIهای REST و GraphQL
* سیستم‌های توزیع‌شده (که retry طبیعی هست)
* پیام‌رسان‌ها (ارسال یک پیام نباید چندبار تکرار بشه)



🛠️ روش‌های پیاده‌سازی

* کلید Idempotency → برای هر درخواست یک شناسه یکتا ارسال بشه:

  POST /payment
  Idempotency-Key: abc123
  

سرور اگر همون کلید رو دوباره ببینه، نتیجه قبلی رو برمی‌گردونه.
* Check قبل از Insert (مثل مثال create user).
* UPSERT (Update یا Insert).
* حذف عملیات‌های تکراری در صف پردازش.



⚠️ نکته مهم

ایدِم‌پوتنسی به این معنی نیست که عملیات تغییر نمی‌کنه،
بلکه یعنی نتیجه نهایی تکرارها یکیه.

مثلاً:

* DELETE /user/1 → هرچند بار بزنی، کاربر حذف میشه (و نتیجه یکیه).
* GET /user/1 → ذاتاً idempotent هست.
* POST /user → باید idempotent بشه (با کلید یا شرط).



👉 تشبیه ساده:
ایدِم‌پوتنسی مثل کلید چراغ برقه 💡
هر چند بار هم فشارش بدی → چراغ یا روشن میشه یا خاموش.
نه اینکه هر بار یه لامپ جدید اضافه بشه 😅



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


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




🛋️ Lazy Evaluation

(ارزیابی تنبل)


🔹 ایده اصلی

به‌جای اینکه همه محاسبات رو همون لحظه انجام بدیم، بعضی محاسبات فقط وقتی نیاز بشن (On-demand) انجام میشن.

📌 یعنی:

⬅️ اگر هیچ‌وقت به نتیجه احتیاج نداشته باشیم → اصلاً محاسبه‌ای انجام نمیشه.
⬅️ اگر لازم شد → همون موقع محاسبه میشه.



🔹 چرا مهمه؟

⬅️ بهینه‌سازی حافظه و سرعت (محاسبات سنگین فقط وقتی لازم باشه انجام میشن)
* کاهش عملیات غیرضروری
⬅️ به‌خصوص در کار با Big Data یا Stream Processing خیلی کاربردیه.



✅ مثال ساده (Python)

def heavy_calculation():
    print("⚡ محاسبه سنگین در حال اجرا...")
    return 42

# Lazy Evaluation با generator
def lazy_numbers():
    for i in range(5):
        print(f"⏳ در حال آماده‌سازی {i}")
        yield i  # فقط وقتی درخواست بشه مقدار میده

# استفاده
numbers = lazy_numbers()
print(next(numbers))  # فقط اولین مقدار تولید شد
print(next(numbers))  # دومین مقدار همین الان ساخته شد

# استفاده از heavy_calculation فقط در صورت نیاز
need_result = False

result = (heavy_calculation() if need_result else "Skipped")
print(result)  # چون نیاز نبود، محاسبه انجام نشد

📖 کاربردهای واقعی

➡️ Generators در Python (به‌جای ساخت لیست کامل، مقدار به مقدار تولید میشه)
➡️ LINQ در C# (Queryها فقط وقتی enumerate بشن اجرا میشن)
➡️ Functional Languages مثل Haskell به‌طور پیش‌فرض Lazy هستن
➡️ Big Data Processing (Spark → Transformationها Lazy هستن، فقط وقتی Action اجرا بشه محاسبه انجام میشه)



🛠️ مزایا

⬅️ استفاده بهینه‌تر از حافظه
⬅️ افزایش کارایی در پردازش‌های بزرگ
⬅️ اجرای Deferred (فقط وقتی لازم باشه)



🎯 تشبیه ساده

Lazy Evaluation مثل پختن غذا به سفارش مشتریه 🍔:

⬅️ رستوران همه غذاها رو از قبل نمی‌پزه (چون شاید کسی نخواد).
⬅️ فقط وقتی سفارش بیاد → غذا پخته میشه.



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

بریم سراغ یه مدل یادگیری که مثل یه بازی ویدیویی می‌مونه! 🎮

یادگیری تقویتی (Reinforcement Learning) 🤖

تا حالا در مورد یادگیری نظارت‌شده (با برچسب) و بدون نظارت (بدون برچسب) صحبت کردیم. حالا می‌خوام یه نوع کاملاً متفاوت از یادگیری رو بهت بگم که نه برچسب داره و نه داده‌ی آموزشی!

یادگیری تقویتی مثل آموزش دادن به یه حیوان یا یه کودک کوچیک می‌مونه. 🐕

تصور کن می‌خوای به سگ‌ت یاد بدی بشینه. هر بار که کار درست (نشستن) رو انجام می‌ده، بهش یه جایزه (پاداش) می‌دی. 🦴 و هر وقت کار اشتباه می‌کنه، هیچ جایزه‌ای نمی‌دی (جریمه). سگ به مرور زمان از طریق آزمون و خطا و با توجه به پاداش‌ها و جریمه‌ها، یاد می‌گیره که باید بشینه.

یادگیری تقویتی هم دقیقاً بر همین اساس کار می‌کنه:

یه عامل (Agent) داریم (مثلاً یه ربات یا یه برنامه هوش مصنوعی).

عامل در یک محیط (Environment) قرار داره (مثلاً یه اتاق یا یه بازی).

عامل عملیاتی (Actions) رو انجام می‌ده.

برای کارهای خوب، پاداش (Reward) می‌گیره و برای کارهای بد، جریمه می‌شه.

این فرآیند تا جایی ادامه پیدا می‌کنه که عامل بهترین استراتژی رو برای گرفتن بیشترین پاداش پیدا کنه.

این تکنیک برای مسائلی عالیه که جواب درست مشخصی ندارن و عامل باید خودش راه رو پیدا کنه. مثل:

آموزش یک ربات برای راه رفتن.

ساخت هوش مصنوعی برای بازی‌هایی مثل شطرنج یا Go. ♟

یادگیری یک ماشین خودران برای مسیریابی در ترافیک. 🚗

خلاصه که، یادگیری تقویتی یعنی آموزش با پاداش و تنبیه، درست مثل اینکه به یه ربات یاد بدیم چطور از طریق تجربه یاد بگیره. 🤩

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ


لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

‌

🔵 نکات برنامه‌نویسی



⚡ Circuit Breaker Pattern
(فیوز یا قطع‌کننده مدار)


🔹 ایده اصلی

در معماری توزیع‌شده (مثلاً Microservices)، ممکنه یک سرویس خراب بشه یا خیلی کند جواب بده.
اگر بقیه سرویس‌ها مدام به اون درخواست بفرستن، کل سیستم از کار میفته.

Circuit Breaker مثل فیوز عمل می‌کنه:

⬅️ اگر تعداد زیادی خطا رخ بده → مدار قطع میشه → درخواست‌های بعدی سریعاً Fail میشن (به جای صبر کردن بی‌پایان).
⬅️ بعد از یه مدت → فیوز "نیمه‌باز" میشه و اجازه تست مجدد میده.
⬅️ اگر دوباره درست بود → مدار می‌بنده و همه‌چیز عادی میشه.



🔹 سه حالت اصلی

1. Closed (بسته): همه درخواست‌ها ارسال میشن.
2. Open (باز): خطا زیاد شده → درخواست‌ها بلاک میشن.
3. Half-Open (نیمه‌باز): بعضی درخواست‌های تستی فرستاده میشن تا ببینیم سرویس برگشته یا نه.



✅ مثال ساده (Python شبیه‌سازی)

import random
import time

class CircuitBreaker:
    def __init__(self, failure_threshold=3, recovery_time=5):
        self.failure_threshold = failure_threshold
        self.recovery_time = recovery_time
        self.failures = 0
        self.state = "CLOSED"
        self.last_failure_time = None

    def call(self, func, *args):
        if self.state == "OPEN":
            if time.time() - self.last_failure_time > self.recovery_time:
                self.state = "HALF-OPEN"
            else:
                return "Circuit Open: Request Blocked ❌"

        try:
            result = func(*args)
            self.failures = 0
            self.state = "CLOSED"
            return result
        except Exception as e:
            self.failures += 1
            self.last_failure_time = time.time()
            if self.failures >= self.failure_threshold:
                self.state = "OPEN"
            return f"Error: {e}"

# تابعی که بعضی وقتا Fail میشه
def unreliable_service(x):
    if random.random() < 0.5:
        raise Exception("Service Down")
    return f"Success with {x}"

breaker = CircuitBreaker()

for i in range(10):
    print(breaker.call(unreliable_service, i))
    time.sleep(1)

📖 کاربردهای واقعی

➡️ Microservices Communication (مثلاً Netflix OSS Hystrix معروفه)
➡️ API Gateway برای جلوگیری از Down شدن کل سیستم
⬅️ سیستم‌های Cloud برای مدیریت سرویس‌های ناپایدار



🛠️ مزایا

⬅️ جلوگیری از Snowball Effect (گسترش خرابی یک سرویس به کل سیستم)
⬅️ بهبود پایداری و مقیاس‌پذیری
⬅️ پاسخ سریع‌تر به کاربر (به جای Timeout طولانی)



🎯 تشبیه ساده

Circuit Breaker مثل فیوز برق خونهه:

⬅️ اگر یک وسیله خراب بشه و برق زیادی بکشه → فیوز می‌پره.
⬅️ اینطوری کل سیستم برق نمی‌سوزه.
⬅️ بعد از مدتی می‌تونی دوباره امتحان کنی ببینی وسیله درست شده یا نه.


ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

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 : ‏الگوریتم: مفهوم، اهمیت و مثال‌های کاربردی

🟢 سوال :

‏کدام یک از موارد زیر یک کاربرد الگوریتم در برنامه‌نویسی است؟

گزینه ۱:
‏طراحی رابط کاربری

گزینه ۲:
‏فشرده‌سازی داده‌ها

گزینه ۳:
‏مدیریت پایگاه داده

گزینه ۴:
‏طراحی سخت‌افزار



🔵 گزینه صحیح: 2

🟢 توضیح :

‏الگوریتم‌ها برای فشرده‌سازی داده‌ها در برنامه‌نویسی استفاده می‌شوند.

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 فرق اساسی که اغلب تازه‌کارها رو گیج می‌کنه: تفاوت پارامترها با هایپرپارامترها! 🧐

پارامترها در مقابل هایپرپارامترها 🍰

تصور کن می‌خوای یک کیک بپزی. 🎂

مواد لازم (آرد، شکر، تخم مرغ) رو با هم ترکیب می‌کنی. مقدار هر ماده بر اساس تجربه و دستور پخت تنظیم می‌شه.

تنظیمات فر (دمای فر، زمان پخت) رو قبل از اینکه کیک رو داخلش بذاری، مشخص می‌کنی.

در یادگیری ماشین هم همینطوره. مدل دو نوع متغیر داره:

۱. پارامترها (Parameters) 🧠

این‌ها متغیرهای درونی مدل هستن که به صورت خودکار و از طریق آموزش روی داده‌ها یاد گرفته می‌شن.

نقش: دانش واقعی مدل رو تشکیل می‌دن.

مثال:

وزن‌ها (Weights) و بایاس‌ها (Biases) در یک شبکه عصبی.

ضرایب (Coefficients) در یک مدل رگرسیون خطی.

این‌ها همون چیزهایی هستن که مدل در حین آموزش تنظیمشون می‌کنه تا تابع هزینه به حداقل برسه.

۲. هایپرپارامترها (Hyperparameters) 🛠

این‌ها متغیرهای بیرونی مدل هستن که ما، به عنوان یک دانشمند داده، قبل از شروع فرآیند آموزش، اون‌ها رو به صورت دستی تنظیم می‌کنیم.

نقش: این‌ها به مدل می‌گن که چطور یاد بگیره، نه اینکه چه چیزی رو یاد بگیره.

مثال:

نرخ یادگیری (Learning Rate) در الگوریتم نزول گرادیان.

تعداد درختان در یک مدل جنگل تصادفی.

تعداد لایه‌های پنهان در یک شبکه عصبی.

خلاصه:

پارامترها مثل مواد کیک هستن که با ترکیبشون، کیک درست می‌شه.

هایپرپارامترها مثل تنظیمات فر هستن که تعیین می‌کنن کیک چطور پخته بشه.

مدل پارامترها رو یاد می‌گیره، ولی تو باید هایپرپارامترها رو بهش بگی تا یاد بگیره! 😉

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ


لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

‌

🔵 نکات برنامه‌نویسی




  ⚡ Circuit Breaker
(شکستن مدار)


🔹 ایده اصلی

محافظت از سیستم در برابر شکست‌های پی‌درپی و جلوگیری از اثر دومینو.

⬅️ وقتی یک سرویس یا API خراب میشه و درخواست‌ها پشت سر هم Fail میشن، Circuit Breaker جلوی ارسال درخواست‌های بیشتر رو می‌گیره تا سرویس فرصت بازیابی پیدا کنه.

📌 مثل فیوز برق خونه:

⬅️ اگر جریان زیادی بره → فیوز قطع میشه تا آسیب بیشتری نرسه.



🔹 چرا مهمه؟

⬅️ جلوگیری از فاجعه در سیستم‌های توزیع‌شده
⬅️ کاهش فشار روی سرویس خراب
⬅️ بهبود پایداری و تجربه کاربری



✅ مثال ساده (Python)

import time
import random

class CircuitBreaker:
    def __init__(self, failure_threshold, recovery_time):
        self.failure_threshold = failure_threshold
        self.recovery_time = recovery_time
        self.failures = 0
        self.last_failure_time = None
        self.state = "CLOSED"  # CLOSED, OPEN, HALF-OPEN

    def call(self, func):
        now = time.time()
        if self.state == "OPEN":
            if now - self.last_failure_time > self.recovery_time:
                self.state = "HALF-OPEN"
            else:
                return "❌ Service unavailable"

        try:
            result = func()
            self.failures = 0
            if self.state == "HALF-OPEN":
                self.state = "CLOSED"
            return result
        except Exception as e:
            self.failures += 1
            self.last_failure_time = now
            if self.failures >= self.failure_threshold:
                self.state = "OPEN"
            return f"⚠️ Failure: {e}"


# مثال: سرویس با احتمال شکست
def unreliable_service():
    if random.random() < 0.6:
        raise Exception("Service failed!")
    return "✅ Service success"

breaker = CircuitBreaker(failure_threshold=3, recovery_time=5)

for i in range(10):
    print(breaker.call(unreliable_service))
    time.sleep(1)

📖 کاربردهای واقعی

➡️ Microservices → جلوگیری از اثر دومینو وقتی یک سرویس Down میشه
➡️ API Gateway → محدود کردن فشار روی سرویس‌های خارجی
⬅️ سیستم‌های مالی و پرداخت آنلاین → جلوگیری از تراکنش‌های خراب پی‌درپی



🛠️ مزایا

⬅️ افزایش پایداری سیستم
⬅️ کاهش فشار روی سرویس خراب
⬅️ تجربه کاربری بهتر در زمان خرابی



🎯 تشبیه ساده

Circuit Breaker مثل فیوز خانه ⚡:

⬅️ اگر جریان برق بیش از حد باشه → فیوز قطع میشه تا همه چیز نسوزه.
⬅️ بعد از مدتی می‌تونه دوباره وصل بشه و سیستم آزمایش کنه که سالمه یا نه.




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



تو این پست چند تکنیک کمتر شنیده‌شده ولی خیلی کاربردی در برنامه‌نویسی رو معرفی می‌کنم که می‌تونن هم سرعتت رو بالا ببرن هم کیفیت کدنویسی رو!

Code Smell Detection
این یعنی قبل از این‌که کد خراب بشه، بوی خراب شدنش رو حس کنی!
علائمش:

* توابعی که خیلی طولانی شدن
* تکرار زیاد یک منطق
* متغیرهایی با اسم‌های مبهم
اگه این بوها رو حس کردی، سریع Refactor کن قبل از این‌که اوضاع به فاجعه برسه.



Boy Scout Rule 🏕
قانونش ساده‌ست: *"کدی رو که لمس کردی، بهتر از قبل بذار."*
حتی اگه یه خط کوچیک رو تغییر بدی، فرصت رو غنیمت بدون و کد رو مرتب‌تر، تمیزتر یا خواناتر کن.



Timeboxing ⏳
یه تکنیک مدیریت زمان برای برنامه‌نویسی.
یک باگ رو فقط برای مدت مشخصی (مثلاً ۳۰ دقیقه) بررسی کن.
اگه در اون زمان حل نشد، یادداشتش کن و برو سراغ یه کار دیگه. اینطوری توی یک باگ گیر نمی‌کنی و کار پیش میره.



Premature Optimization is the Root of All Evil 🚫⚡
خیلی از تازه‌کارها می‌خوان از همون اول کد رو فوق‌بهینه بنویسن.
این باعث می‌شه پروژه دیرتر جلو بره و کد پیچیده بشه.
اول کاری کن که «کار کنه»، بعد کاری کن که «سریع کار کنه».



Grep-driven Development 🔍
وقتی با کدی بزرگ و غریبه طرفی، مستقیم برو سراغ جستجو (grep یا search).
اسم فانکشن، ارور یا حتی بخشی از متن رو بزن و ردش رو توی کل پروژه دنبال کن.
این روش باعث می‌شه سریع بفهمی چی به چیه، بدون این‌که ساعت‌ها سورس رو بخونی.



ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

🔵 نکات برنامه‌نویسی



📖 Tolerant Reader Pattern



🔹 ایده اصلی

وقتی داده (مثلاً JSON یا XML) از یک سرویس خارجی میاد، ممکنه در طول زمان تغییر کنه.

⬅️ اگر مصرف‌کننده (Consumer) ما خیلی سخت‌گیر باشه، با کوچکترین تغییر، سیستم کرش می‌کنه.
⬅️ ولی با Tolerant Reader ما فقط بخش‌های موردنیاز رو می‌خونیم و بقیه رو نادیده می‌گیریم.

به این ترتیب سیستم ما در برابر تغییرات کوچک مقاوم میشه.



✅ مثال ساده (Python)

فرض کن یک سرویس API این داده رو می‌ده:

{
  "id": 101,
  "name": "Alice",
  "email": "alice@example.com",
  "extra_field": "something new"
}
نسخه قدیمی کد ما:

import json

def parse_user(data):
    user = json.loads(data)
    return {
        "id": user["id"],
        "name": user["name"],
        "email": user["email"]
    }

data = '{"id": 101, "name": "Alice", "email": "alice@example.com", "extra_field": "something new"}'
print(parse_user(data))
🔹 اینجا اگر فیلد جدیدی مثل extra_field بیاد → کد ما اصلاً حساسیتی نشون نمی‌ده.
ولی اگر ما همه فیلدها رو به شکل سخت‌گیرانه چک می‌کردیم → کرش می‌کرد.



📖 کاربردهای واقعی

➡️ APIهای نسخه‌دار (Versioned APIs): وقتی یک API فیلدهای جدید اضافه می‌کنه، کلاینت‌های قدیمی همچنان کار کنن.
⬅️ سیستم‌های توزیع‌شده: جایی که Producer و Consumer همیشه Sync نیستن.
➡️ Backward Compatibility: پشتیبانی از نسخه‌های قدیمی داده.



🛠️ مزایا

⬅️ مقاوم در برابر تغییرات کوچک
⬅️ جلوگیری از Down شدن سرویس در تولید (Production)
⬅️ امکان توسعه سریع‌تر API بدون نگرانی از شکستن Clientها



🎯 تشبیه ساده

مثل وقتی که تو یک فرم پر می‌کنی:

⬅️ برایت فقط "نام" و "ایمیل" مهمه.
⬅️ اگر طرف مقابل یک "شماره موبایل" یا "عکس پروفایل" هم فرستاد، تو نادیده می‌گیری و کارت رو انجام می‌دی.



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

نکته : Trend در سری‌های زمانی یعنی گرایش کلی داده‌ها در طول زمان.

🔹 مثال‌ها:

افزایش متوسط دما در طول سال‌ها 🌡

رشد فروش یک محصول جدید 📈

🔹 اهمیت:

ترند (Trend) می‌تونه پیش‌بینی کوتاه‌مدت و بلندمدت رو تحت تاثیر قرار بده.

قبل از آموزش مدل‌های کلاسیک، اغلب باید Trend رو تشخیص بدیم و در صورت لزوم آن را حذف یا مدل‌سازی کنیم.

🔹 روش‌ها:

روش Detrending: حذف خط روند از داده‌ها

روش Modeling Trend: استفاده از مدل‌هایی که خودشان Trend را یاد می‌گیرند (مثل Prophet یا شبکه‌های عصبی)

به زبان ساده: Trend یعنی “داده‌ها کجا دارن حرکت می‌کنن و به سمت چه جهتی هستن” 🧭

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

نکته: Seasonality در سری‌های زمانی یعنی الگوهای تکراری در بازه‌های زمانی مشخص.

🔹 مثال‌ها:

فروش بستنی در تابستان بیشتره و در زمستان کمتر 🍦

مصرف برق در ساعات مشخص شبانه‌روز ⚡️

🔹 اهمیت:

مدل‌ها باید این الگوهای فصلی رو در نظر بگیرن تا پیش‌بینی دقیق باشه.

ابزارهایی مثل SARIMA یا Prophet امکان مدل‌سازی Seasonality رو دارن.

🔹 نکته مهم: اگر Seasonality رو نادیده بگیری، پیش‌بینی‌ها ممکنه به شدت اشتباه باشن.

به زبان ساده: Seasonality یعنی “داده‌ها یه ریتم و آهنگ دارن که باید بهش گوش کنیم” 🎵

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

Strangler Fig Pattern 🌱
برای بازنویسی سیستم‌های قدیمی به جای بازنویسی یک‌باره، یک لایه جدید کنارش اضافه می‌کنی و کم‌کم بخش‌های قدیمی رو با جدید جایگزین می‌کنی.
این اسمش از گیاه "انجیرفیگ خفه‌کننده" اومده که دور درخت رشد می‌کنه و به‌تدریج جاش رو می‌گیره.



ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

‌

🔵 نکات برنامه‌نویسی




📜 Event Sourcing

(منبع‌یابی رویدادها)



🔹 ایده اصلی

ذخیره تمام تغییرات (رویدادها) به جای فقط ذخیره وضعیت فعلی.

⬅️ به جای اینکه فقط نتیجه نهایی یک حساب کاربری را ذخیره کنیم، تمام تراکنش‌ها یا عملیات قبلی را نگه می‌داریم.
⬅️ بعداً می‌توان وضعیت کنونی را از روی این رویدادها بازسازی کرد.



🔹 چرا مهمه؟

⬅️ قابلیت بازگردانی به گذشته (Undo / Audit)
⬅️ ردیابی کامل تاریخچه تغییرات
⬅️ امکان بازسازی وضعیت سیستم در صورت خرابی



✅ مثال ساده (Python)

class EventStore:
    def __init__(self):
        self.events = []

    def add_event(self, event):
        self.events.append(event)

    def get_balance(self):
        balance = 0
        for e in self.events:
            if e['type'] == 'deposit':
                balance += e['amount']
            elif e['type'] == 'withdraw':
                balance -= e['amount']
        return balance


# استفاده
store = EventStore()
store.add_event({'type': 'deposit', 'amount': 100})
store.add_event({'type': 'withdraw', 'amount': 30})
store.add_event({'type': 'deposit', 'amount': 50})

print("💰 موجودی فعلی:", store.get_balance())  # خروجی: 120

📖 کاربردهای واقعی

⬅️ سیستم‌های مالی و بانکی → ذخیره تراکنش‌ها
⬅️ سیستم‌های سفارش آنلاین → نگه داشتن تاریخچه تغییر وضعیت سفارش
⬅️ سیستم‌های بازی → ذخیره اعمال بازیکن به صورت رویداد برای بازسازی و تحلیل



🛠️ مزایا

⬅️ تاریخچه کامل تغییرات
⬅️ قابلیت Undo / Replay
⬅️ تحلیل دقیق رفتار سیستم و کاربران



🎯 تشبیه ساده

Event Sourcing مثل فیلمبرداری از تمام مراحل آشپزی 🎥:

⬅️ اگر دوست دارید دوباره مرحله‌ای را تکرار کنید یا اشتباهی رخ داده → کافیست ویدئو را نگاه کنید و وضعیت را بازسازی کنید.
⬅️ فقط نگه داشتن نتیجه نهایی (غذا) این امکان را نمی‌دهد.



ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir