بهترین انتخاب برای اسم جدول کاربران و و اسم کلید خارجی مربوط به جدول کاربران چیه؟
Anonymous Quiz
50%
users , user_id
6%
user , users_id
26%
user , user_id
18%
هیچ کدوم، کلا چهار تا حالت میشه و اون گزینه درسته توی گزینه ها نیست!
🤣97👍31👎19💅4🗿4
This media is not supported in your browser
VIEW IN TELEGRAM
میدونستین که توی گیت هاب، Github Models رو معرفی کردن که توی اون شما به مجموعه ای از LLMها دسترسی دارین؟
استفاده ازش رایگانه تا شما بتونید تصمیم بگیرید چه مدلی برای کارتون بهتره
یه زمین بازی داره و هم اینکه کدش رو در زبان های مختلف بتون میده...
https://github.com/marketplace/models
@Linuxor ~ Saeedam92
استفاده ازش رایگانه تا شما بتونید تصمیم بگیرید چه مدلی برای کارتون بهتره
یه زمین بازی داره و هم اینکه کدش رو در زبان های مختلف بتون میده...
https://github.com/marketplace/models
@Linuxor ~ Saeedam92
👍77❤8🔥6🥱3
یکی از تاثیر گذار و خفن ترین زنانی که تابحال توی کامپیوتر دیدم باربرا لیسکوف بوده، لیسکوف برنده جایزه تورینگ و اصل معروف جانشینی لیسکوف L توی Solid بوده و خیلی از اصولی که الان داریم توی سیستم های توزیع شده و برنامه نویسی استفاده میکنیم سرچشمه مغز زن نابغه ای مثل لیسکوف بوده.
امروز 8 مارس روز جهانی زن رو به لیسکوف و زنانی که دنیا رو جای بهتری برای ما کردن تبریک میگم :)
@Linuxor
امروز 8 مارس روز جهانی زن رو به لیسکوف و زنانی که دنیا رو جای بهتری برای ما کردن تبریک میگم :)
@Linuxor
❤222👍35🔥12🥱11💅7
با این ریپو از وبسایت ها دیتا جمع آوری و Crawl میکنید برای آموزش مدل های مثل GPT مثلا میتونید GPT های سفارشی که درباره یه سایت میدونن مثلا داکیومنشن یه سایت بسازین
https://github.com/BuilderIO/gpt-crawler
@Linuxor
https://github.com/BuilderIO/gpt-crawler
@Linuxor
👍52👎1👌1
ساده ترین مثال از ()malloc و ()free
در واقع malloc حافظه رو در heap تخصیص میده، همونطور که میدونیم میتونه در حین اجرای برنامه رشد کنه. این تابع بخشی از stdlib است، البته قبل از استفاده از اون باید این کتابخانه را include کنین
#include <stdlib.h>
خودتون اجراش کنید و یکم باهاش بازی کنین
@Linuxor ~ Kaer Tala
در واقع malloc حافظه رو در heap تخصیص میده، همونطور که میدونیم میتونه در حین اجرای برنامه رشد کنه. این تابع بخشی از stdlib است، البته قبل از استفاده از اون باید این کتابخانه را include کنین
#include <stdlib.h>
خودتون اجراش کنید و یکم باهاش بازی کنین
@Linuxor ~ Kaer Tala
👍56🤣7❤2
دیروز یاس یه آهنگ توی یوتیوب گذاشت و توی ساعت های اولیه صد ها هزار بازدید گرفت به نظرتون یوتیوب این همه بازدید رو چطوری هندلش کرد؟
Anonymous Quiz
6%
یک سرور مرکزی بسیار قوی با کارت گرافیک های قوی
22%
روش P2P شبیه به Torrent و استفاده از کلاینت ها برای توزیع ویدیو به دیگران بجای سرور اصلی
8%
فشرده سازی فوق پیشرفته ویدیو که حجم ویدیو رو تا 90 درصد کاهش میده
43%
استفاده از CDN
20%
من اهل رپ گوش دادن نیستم کلا ...
🤣150🔥21👍20🥴8👎3
این ریپو اومده هرچیزی که فکرشو کنید الگوریتمشو به زبان پایتون پیاده کرده از انتقال فایل بگیر تا ساختمان داده های معروف و الگوریتم های هوش مصنوعی و ...
https://github.com/TheAlgorithms/Python
@Linuxor
https://github.com/TheAlgorithms/Python
@Linuxor
👍91❤5🔥4👌4👎3
This media is not supported in your browser
VIEW IN TELEGRAM
گوگل به صورت رسمی "Data Science Agent" رو معرفی کرد که به نظر جالب میاد ولی مثل هر مدل دیگه ای نیاز به نظارت شما داره
1- فایلتون رو آپلود میکنید
2- به زبان ساده بش میگید چی میخواین؟ مثلا شکل بکشه؟
3- مرحله به مرحله براتون کد میزنه
colab.google
@Linuxor ~ Saeedam92
1- فایلتون رو آپلود میکنید
2- به زبان ساده بش میگید چی میخواین؟ مثلا شکل بکشه؟
3- مرحله به مرحله براتون کد میزنه
colab.google
@Linuxor ~ Saeedam92
👍53❤6👎2😁2😱2
این ویدیو توی نیم ساعت بهتون یاد میده چطوری اولین برنامه پایتونی ماشین لرنینگ خودتون رو با کتابخونه scikit-learn بسازین
https://youtu.be/29ZQ3TDGgRQ?si=4-FOWu2u2ivsw7gt
@Linuxor
https://youtu.be/29ZQ3TDGgRQ?si=4-FOWu2u2ivsw7gt
@Linuxor
👍66🗿3❤2🙏2👎1
برای html css js :
netlify.app
برای python :
pythonanywhere.com
خوبه. میشه یک وبسایت بالا آورد و و امکان اجرای تسک های زمانبندی شده هم داره، بهتون ساب دامین هم میده.
@Linuxor ~ mim_sad_mim_
netlify.app
برای python :
pythonanywhere.com
خوبه. میشه یک وبسایت بالا آورد و و امکان اجرای تسک های زمانبندی شده هم داره، بهتون ساب دامین هم میده.
@Linuxor ~ mim_sad_mim_
❤61👍17👎2🤣1
اگه توی بدنسازی وزنه سنگین بزنی و اون حس بد رو تخلیه کنی، ممکنه بعد از مدتی ببینی که دیگه مثل قبل نمیتونی از حال خراب بهعنوان سوخت برای برنامه نویسی استفاده کنی
این یعنی وزنه سنگین زدن فقط داره "سوخت حال بد" رو مصرف میکنه و چیز قابل توجهی از حال بد برای برنامه نویسی نمیزاره و چیز کت کلفت نمیتونین بسازین؛ البته اینم باید در نظر داشته باشی که فشار روانی زیاد نباید بالا باشه طوری که تمرکز رو ازت بگیره دیدی نمیتونی فکر کنی برو سنگین بزن یالله ...
@Linuxor
این یعنی وزنه سنگین زدن فقط داره "سوخت حال بد" رو مصرف میکنه و چیز قابل توجهی از حال بد برای برنامه نویسی نمیزاره و چیز کت کلفت نمیتونین بسازین؛ البته اینم باید در نظر داشته باشی که فشار روانی زیاد نباید بالا باشه طوری که تمرکز رو ازت بگیره دیدی نمیتونی فکر کنی برو سنگین بزن یالله ...
@Linuxor
👍115🥴24🤣14👎7💯3
ریاضیات پشت LLM ها سطح بالاست و درک کردنش کمی دشواره اما ایده کلیشون بسیار سادس، این مقاله توی 10 دقیقه بهتون نحوه عملکرد Transformer هارو توی LLM ها میده در واقع Transformer یه معماریه که مبنای طراحی بسیاری از مدلهای LLM مثل GPT هستش که جزئیاتش رو میتونین از لینک زیر بخونین
https://blog.det.life/10-minutes-are-all-you-need-to-understand-how-transformers-work-in-llm-1c5e37461654
@Linuxor
https://blog.det.life/10-minutes-are-all-you-need-to-understand-how-transformers-work-in-llm-1c5e37461654
@Linuxor
👍71🔥4❤1
یه سری مدل ها هستن مثل بجای تولید متن خروجی Embedding میدن که توی پروژه های مختلف میشه ازشون استفاده کرد
کاربرد چند تا از مدل ها :
مدل mxbai-embed-large برای :
جستجوی معنایی (Semantic Search)، خوشهبندی متون (Text Clustering)، بازیابی اطلاعات (Information Retrieval) و تحلیل احساسات (Sentiment Analysis)
مدل snowflake-arctic-embed برای :
دستهبندی متون (Text Classification)، سیستمهای پیشنهاددهنده (Recommendation Systems)، شناسایی ناهنجاریها در دادههای متنی (Anomaly Detection)، تشخیص شباهت متون (Text Similarity)
مدل bge-m3 برای :
تعبیه چندزبانه (Multilingual Embedding)، پردازش دادههای چندسطحی (Hierarchical Data Processing)، تطبیق سوال و پاسخ (Question-Answer Matching)، چتباتهای هوشمند چندزبانه
همشون رو با OLLAMA میتونین استفاده کنین
@Linuxor
کاربرد چند تا از مدل ها :
مدل mxbai-embed-large برای :
جستجوی معنایی (Semantic Search)، خوشهبندی متون (Text Clustering)، بازیابی اطلاعات (Information Retrieval) و تحلیل احساسات (Sentiment Analysis)
مدل snowflake-arctic-embed برای :
دستهبندی متون (Text Classification)، سیستمهای پیشنهاددهنده (Recommendation Systems)، شناسایی ناهنجاریها در دادههای متنی (Anomaly Detection)، تشخیص شباهت متون (Text Similarity)
مدل bge-m3 برای :
تعبیه چندزبانه (Multilingual Embedding)، پردازش دادههای چندسطحی (Hierarchical Data Processing)، تطبیق سوال و پاسخ (Question-Answer Matching)، چتباتهای هوشمند چندزبانه
همشون رو با OLLAMA میتونین استفاده کنین
@Linuxor
👍35❤3