توسعه‌دهنده‌ها و غیر توسعه دهنده های عزیز، اگه تا حالا برای تست و آزمایش ایده‌های مبتنی بر هوش مصنوعی با مدل‌های زبانی بزرگ، درگیر محدودیت‌های مالی یا API بودین، این ریپو یه راه نفس کشیدنه! gpt4free بهتون کمک می‌کنه بدون دغدغه هزینه، مدل‌های مختلف رو امتحان کنین، پروتوتایپ بسازین و ببینین کدوم بیشتر به درد پروژه تحقیقاتی یا اپلیکیشن‌تون می‌خوره. دیگه خلاقیتتون پشت سد هزینه‌ها نمی‌مونه!

github.com/xtekky/gpt4free

@Linuxor

می‌خوای به اپت قابلیت تشخیص گفتار خفن اضافه کنی بدون اینکه درگیر APIهای پولی و محدودیت‌هاشون بشی؟ Whisper یه مدل اوپن‌سورس قدرتمنده که می‌تونی راحت روی سرور خودت یا حتی سیستم‌های معمولی‌تر (بسته به مدل انتخابی) اجراش کنی. کار باهاش از طریق پایتون یا خط فرمان خیلی سرراسته و برای توسعه‌دهنده‌هایی که دنبال کنترل بیشتر و هزینه کمتر هستن، عالیه.

github.com/openai/whisper

@Linuxor

یکی از جنگ‌های همیشگی توسعه‌دهنده‌ها و تیم QA، تست‌های flaky یا همون ناپایدار بوده. تست‌هایی که یه بار پاس می‌شن، ده بار fail، بدون اینکه کدی عوض شده باشه! Cypress با مکانیسم انتظار هوشمندش (Automatic Waiting) و اجرای مستقیم دستورات در مرورگر، این مشکل رو تا حد خیلی زیادی حل کرده. دیگه خبری از sleep های بی‌مورد و کدهای پیچیده برای همگام‌سازی نیست. برای تیم‌هایی که دنبال پایداری و سرعت تو تست‌هاشون هستن، یه انتخاب عالیه.

github.com/cypress-io/cypress

@Linuxor

اون قدیما که می‌خواستی یه ساختار داده پیچیده پایتون رو تو ترمینال ببینی، یا باید کلی print تو در تو می‌ذاشتی یا بی‌خیالش می‌شدی. کتابخونه Rich یه تابع inspect() داره که هر آبجکت پایتونی رو با جزئیات کامل، رنگ‌بندی شده و مرتب بهت نشون می‌ده. برای دیباگ کردن یا فهمیدن سریع ساختار یه متغیر تو دل کد، فوق‌العاده‌ست. انگار یه ذره‌بین حرفه‌ای برای کدنویس‌های پایتون که با ترمینال زیاد سر و کار دارن.

github.com/Textualize/rich

@Linuxor

تست هوش برنامه نویسی !‌ این چیه ؟

@Linuxor

تاحالا شده بخوای یه تنظیماتی رو بین چندتا سرور مختلف هماهنگ کنی و همشون یه چیز رو ببینن؟ etcd دقیقاً برای همین ساخته شده! یه جورایی مثل یه دفترچه یادداشت مرکزی و قابل اعتماد برای سیستم‌های توزیع شده‌اس که مطمئن می‌شه همه از آخرین تغییرات باخبرن. اگه با میکروسرویس‌ها یا اپلیکیشن‌های بزرگ سر و کار داری که باید بدون قطعی کار کنن، etcd به کارت میاد. دیگه لازم نیست نگران باشی که تنظیمات یه جا یه چیزه و یه جای دیگه یه چیز دیگه! کوبرنیتیز هم از etcd استفاده می‌کنه.

github.com/etcd-io/etcd

@Linuxor

فکر می‌کردی ساختن و دیپلوی کردن اپلیکیشن‌های مقیاس‌پذیر که روی چند تا پلتفرم ابری (مثل AWS، Azure یا GCP) کار کنن، کار سختیه؟ Serverless Framework این کار رو با یه فایل کانفیگ ساده به اسم serverless.yml و یه دستور serverless deploy برات انجام می‌ده. البته حواست باشه، نوشتن کدی که واقعاً روی همه ابرها بدون تغییر کار کنه، خودش یه چالش دیگه‌ست، ولی این فریمورک قدم اول رو خیلی ساده کرده.

github.com/serverless/serverless

@Linuxor

می‌خوای بدونی خود توسعه دهنده های اندروید گوگل چطوری پیشنهاد می‌کنن اپ بسازی و از کامپوننت‌های Jetpack مثل ViewModel، LiveData یا Coroutines و Flow بهینه استفاده کنی؟ این ریپوی architecture-samples دقیقا همون چیزیه که لازم داری. پر از مثال‌های عملی که نشون می‌ده چطور می‌شه معماری‌های مدرن رو پیاده‌سازی کرد. برای یادگیری و حتی به عنوان الگو برای پروژه‌های واقعی عالیه، مخصوصا اگه تازه‌کارید یا می‌خواید با الگوهای جدید آشنا بشید.

github.com/android/architecture-samples


@Linuxor

این ریپو یه مجموعه کامل از مثال های تنسورفلوعه؛ از مثال‌های پایه‌ای مثل رگرسیون خطی و K-Means گرفته تا مدل‌های خفنی مثل شبکه‌های GAN (مولد تخاصمی) که عکس تولید می‌کنن یا Autoencoderها. حتی مدیریت دیتاست با Dataset API و TFRecords هم پوشش داده. جون میده برای کسی که می‌خواد یه دید کلی از قدرت تنسورفلو پیدا کنه.

github.com/aymericdamien/TensorFlow-Examples

@Linuxor

یکی از عکس های تکرار نشدنی؛ وحید فرید و سگارو در کنار هم ...


@Linuxor

گیدرا (Ghidra) ساخته NSA (آژانس امنیت ملی آمریکا) یه فریم‌ورک کامل برای مهندسی معکوس نرم‌افزاره، که قبلاً داخلی بوده ولی حالا در دسترسه همه است. اگه کارتون تحلیل عمیق نرم‌افزاره، گیدرا یه فرصته که از یه ابزار سطح بالا که با بودجه‌های کلان ساخته شده، رایگان استفاده کنید. انگار یهو به یه گنج دست پیدا کردی!

https://github.com/NationalSecurityAgency/ghidra

@Linuxor

یه بخش بزرگی از ارگان های دولتی ایران سایتاشون از تمپلیت آماده استفاده می‌کنه که یکیشون AdminLTE هستش این واقعا کار راه بندازه یه عالمه کامپوننت آماده مثل نمودار، جدول، فرم‌های مختلف و کلی ویجت دیگه، این زمان رو برات می‌خره. انگار یه تیم UI/UX کوچیک استخدام کردی که فقط با چند خط کد، یه داشبورد شیک و کاربردی تحویلت میده. مناسب برای وقتی که تمرکزت روی بک‌اند و منطق کاره، نه درگیری با CSS و JavaScript برای ظاهر پنل.

github.com/ColorlibHQ/AdminLTE

@Linuxor

اگه یه توسعه‌دهنده‌ای و گاهی اوقات وسط روزمرگی‌های کاری، دلت یه پروژه متفاوت و جذاب می‌خواد که مغزت رو یه کم قلقلک بده، ریپوی Projects رو یه نگاه بنداز. پر از ایده‌هاییه که می‌تونه هم سرگرمت کنه، هم کمکت کنه یه گوشه از دنیای برنامه‌نویسی (مثلاً گرافیک یا حتی فیزیک!) رو کشف کنی که قبلاً سراغش نرفتی. لازم نیست همیشه پای پروژه جدی و کاری بشینی!

github.com/karan/Projects

@Linuxor

من قضیه این عشق ابدی رو نمی‌دونم چیه ولی عشق ابدی من لینوکسه


@Linuxor

پایتون کارا کلا دو دسته ان؛ دسته اول و دوم که باهم هیچ فرقی ندارن چون زیاد بودن توی یه دسته جا نشدن


@Linuxor

اگه شما هم جزو اون دسته از برنامه‌نویس‌هایی هستید که برای تست PWA، سرویس ورکر، قابلیت‌های نیازمند Secure Context یا حتی APIهای حساس تو محیط لوکال به HTTPS نیاز دارید، mkcert اومده که کارتون رو مثل آب خوردن راحت کنه. بدون هیچ کانفیگ خاصی، گواهی‌های SSL معتبر برای دامنه‌های محلی‌تون (مثل localhost یا myproject.test) بسازید و دیگه نگران هشدارهای امنیتی مرورگر نباشید. برای هر توسعه‌دهنده‌ای که با وب مدرن سر و کار داره، داشتنش واجبه.

github.com/FiloSottile/mkcert

@Linuxor

جدی جدی هوش مصنوعی داره دنیارو تکون می‌ده، نه؟ DeepFaceLab یه نمونه بارز از اینه که چطور شبکه‌های عصبی عمیق (Deep Neural Networks) می‌تونن برای کارهای بصری پیچیده مثل تشخیص و بازسازی چهره استفاده بشن. این ریپو بهت اجازه می‌ده از مدل‌های از پیش آموزش‌دیده استفاده کنی یا حتی مدل خودت رو ترین بدی. برای دانشجوهای هوش مصنوعی و علاقه‌مندای یادگیری عمیق که می‌خوان کاربرد عملی این چیزا رو ببینن عالیه.

github.com/iperov/DeepFaceLab

@Linuxor

پاول دورف گفته تلگرام قراره با Grok ادغام بشه؛ ببینید چه قابلیت هایی تا ماه آینده قراره به تلگرام اضافه بشه !

از Expand کردن یه متن کوتاه به بلند برای جالب تر کردن چت بگیر تا استیکر هایی که با پرامپت ساخته می‌شن !


@Linuxor

تا حالا شده وسط یه پروژه بخوای تصمیم بگیری معماری microservices بهتره یا monolith؟ یا اصلاً بدونی چیا باعث می‌شن یه سیستم واقعاً بتونه اسکیل کنه؟
این ریپو یه گنجینه‌ست از کیس‌استادی‌های واقعی، معماری سیستم‌های بزرگ مثل Twitter، Netflix، Uber و کلی مقاله و لینک کاربردی.
برای کساییه که دارن روی سیستم‌های قابل توسعه و مقیاس‌پذیر کار می‌کنن، یا حتی فقط کنجکاون بدونن پشت یه اپ موفق چی می‌گذره.

github.com/binhnguyennus/awesome-scalability

@Linuxor