دوستان رباتیکم برای استفاده از B4A بدون نیاز به نصب android studio

فایل های zip زیر را دانلود کنید و بعد از دانلود مراحل زیر رو برای استفاده از این برنامه اجرا کنید

📎لینک اول

📎 لینک دوم

خود برنامه

برای دانلود command tools هم به این 📎لینک مراجعه کنید

به پایین صفحه بروید، قسمت

Command line tools only

فایل مناسب سیستم عامل خودتون رو پیدا کرده و دانلود کنید

مراحل اجرا :

1️⃣ نصب Java (OpenJDK 19 + OpenJFX)

فایل jdk-19 رو پس از دانلود در
مسیر پیشنهادی: C:\Java قرار دهید
یعنی داخل c ی فایل با نام Java بساز و اون فایل رو داخلش استخراج کن

نیازی به نصب نداره فقط استخراج کنید

2️⃣ نصب Android SDK + منابع لازم


Android SDK Command line tools (13114758)

Required resources (7_25)

هر دو رو در C:\Android استخراج کن


نیازی به اجرای B4A SDK Manager نیست مگر برای emulator.

3️⃣ نصب و تنظیم B4A
نسخه کامل B4A Full Version رو از لینک بالا دانلود کن.

بعد از اجرا، برو به:

Tools → Configure Paths

و تنظیم کن:

javac.exe → C:\java\jdk-19.0.2\bin\javac.exe

android.jar → C:\Android\platforms\android-36\android.jar

اختیاری (برای emulator):

sdkmanager.bat → C:\Android\cmdline-tools\bin\sdkmanager.bat

🔘 لایسنس‌ها رو قبول کن.

نصب و اتصال B4A-Bridge (پیشنهادی)

📲 از Google Play یا AppGallery بگیر: B4A Bridge
یا مستقیماً apk رو از سایت رسمی دانلود کن.
🔓 نصب از منابع ناشناس رو فعال کن (Settings > Security).

📡 گوشی و B4A رو وصل کن:

Tools → B4A Bridge → Connect

حالا میتونی اولین app رباتیک اندرویدت رو بسازی 😎👌

ببینید Ai چی طراحی کرده

موضوع Traefik یک Reverse Proxy و Load Balancer مدرنه که جلوی سرویس‌ها قرار می‌گیره و درخواست‌های ورودی رو با استفاده از مسیریابی به سرویس مناسب هدایت می‌کنه.

این کار رو با کشف خودکار سرویس‌ها (مثل Docker، Kubernetes، یا سایر ارائه‌دهندگان) انجام می‌ده، گواهی‌های HTTPS رو مدیریت می‌کنه و امکان مقیاس‌پذیری و مدیریت ترافیک رو بدون نیاز به راه‌اندازی مجدد فراهم می‌کنه.

ایلان ماسک: تا ۲ سال دیگر موبایل شما مستقیم به ماهواره‌های استارلینک متصل خواهد شد
https://share.google/6WGLsafMNYAxC2ZnZ

بچه ها این جزوه ی داکر، مقدماتی از مباحث رو براتون توضیح میده + اینکه اگر تمایل به خوندن جزوه ندارید ی آموزش پیدا کردم که استادش داکر رو خوب توضیح میده

لينک آموزش در مکتب خونه

تفاوت بین cpu, Gpu, tpu

جزوه مباحث ریاضی برای یادگیری هوش مصنوعی و یادگیری ماشین

توی این جزوه سعی کردم مهم‌ترین مباحث ریاضی مورد نیاز برای ورود به دنیای AI و ML رو به زبانی ساده، مرحله‌به‌مرحله و همراه با مثال و تمرین توضیح بدم.در انتهای جزوه هم معماری‌های مختلف مدل‌ها همراه با مثال آورده شده تا بتونید مفاهیم رو عملی تمرین کنید

آموزش opencv بخش سوم :

مباحث قرار گرفته در فایل :

مبحث اول : cv.dnn چیه

مبحث دوم :  Opencv در YOLO

مبحث سوم : Local Binary Patterns

مبحث چهارم : CNN و Deepface برای شناسایی چهره

مبحث پنجم : آشنایی با harrcascaded در opencv
مبحث ششم : پروژه ی آخر کد کامل تشخیص چهره ( در اینجا از چهره فیلم گرفته میشه، مدل آموزش داده میشه و در آخر از مدل آموزش دیده برای تشخیص چهره ی شما استفاده میشه)

فایل پروژه ی آخر

📚مقالک

آشنایی با چند دستور وضعیت سرعت و کیفیت اتصال اینترنت در cmd

استفاده از دستور ping

ping google.com

تست سرعت از طریق PowerShell با Speedtest.net

Install-Module -Name Speedtest-cli

بعد از نصب، دستور زیر را اجرا کن:

speedtest

استفاده از دستور netsh wlan show interfaces

برای دیدن سرعت ارتباط وای‌فای (بین لپ‌تاپ و مودم):

netsh wlan show interfaces

اما برای تست سرعت حرفه ای و راحت این سایت رو پیشنهاد می کنم

https://www.speedtest.net/result/18456842820

برای تست امنیت

https://www.virustotal.com/

کاربرد های لینک بالا :

✅بررسی لینک‌ها و وب‌سایت‌ها

✅بررسی فایل‌ها (File Scan)

✅بررسی آدرس IP یا دامنه

✅بررسی فایل‌های اجرایی و نرم‌افزارها

این جزوه شامل مفاهیم پایه ی Autograd و Gradient در PyTorch، یاداوری از شبکه های عصبی ، حلقه ی آموزش، Epoch،Mini-Batch ،Batch و... ست

ی جور جزوه مقدماتی طور هستش که فقط با مباحث و اصطلاحات و Pytorch آشنا بشید

📚مقالک

چرا داکر ؟

قبل اینکه توضیح بدم داکر و container چیه بذارید چند تا مبحث رو برسی کنیم

مبحث ۱. Bare Metal (سرور فیزیکی واقعی)

یعنی شما مستقیماً روی سخت‌افزار واقعی (مثل CPU، RAM، Disk) سیستم‌عامل نصب می‌کنی.

🔹 مثال:
یه سرور داری تو دیتاسنتر، روش Ubuntu نصب می‌کنی و برنامه‌هات رو مستقیم اجرا می‌کنی.

🔹 ویژگی‌ها:

هیچ‌گونه لایه مجازی بین نرم‌افزار و سخت‌افزار نیست.

سریع‌ترین عملکرد ممکن.

اما انعطاف‌پذیری پایین: هر سیستم‌عامل جدا باید روی یک سخت‌افزار جدا نصب بشه.

پس در حالت Bare Metal


✅ فقط یک سیستم‌عامل (OS) روی سرور نصب می‌شه.
یعنی مثلاً مستقیم روی سخت‌افزار «Ubuntu Server» نصب می‌کنی و روش برنامه‌ها رو اجرا می‌کنی.
دیگه نمی‌تونی هم‌زمان Windows و Ubuntu رو روی همون سخت‌افزار داشته باشی (مگر یکی رو پاک کنی یا از Virtualization استفاده کنی).

🖥 مبحث ۲. Virtualization (مجازی‌سازی)

یعنی روی یک سرور فیزیکی (Bare Metal) چندتا ماشین مجازی (VM) می‌سازی که هرکدوم سیستم‌عامل خودشون رو دارن.

🔹 مثال:
روی یه سرور فیزیکی با 64GB RAM، چهار VM می‌سازی، هرکدوم با 16GB RAM و سیستم‌عامل جدا (یکی Ubuntu، یکی Windows و ...).

🔹 ویژگی‌ها:

هر VM انگار یه کامپیوتر جداست.

منابع سخت‌افزاری بین VMها تقسیم می‌شن.

سربار (Overhead) بالاتری نسبت به کانتینرها داره، چون هر VM سیستم‌عامل جداگانه داره.

🔹 کاربرد:
وقتی می‌خوای سیستم‌عامل‌های مختلف یا محیط‌های جدا و امن داشته باشی.

حالا Virtualization و نقش Hypervisor رو تعریف کنیم

فرض کن یه سرور واقعی داری با این مشخصات:

CPU = 16 core

RAM = 64GB

روی این سرور Hypervisor نصب می‌کنی.
حالا Hypervisor مثل یه مدیر منابع عمل می‌کنه و می‌گه:

VM1 → Ubuntu با 4 core و 16GB RAM

VM2 → Windows Server با 4 core و 16GB RAM
.
.
.
هرکدوم از این VMها انگار یه کامپیوتر جدا هستن!
ولی در واقع دارن روی همون سخت‌افزار اصلی اجرا می‌شن.

🐳 مبحث ۳. Container Engine (موتور کانتینر مثل Docker یا Podman)

کانتینرها لایه‌ای سبک‌تر از Virtual Machine هستن.
اون‌ها به جای اجرای یک سیستم‌عامل کامل، از کرنل سیستم‌عامل میزبان (Host OS Kernel) استفاده می‌کنن.

به‌جای ساخت یه VM جدید برای هر اپلیکیشن، یه کانتینر می‌سازی که فقط اپلیکیشن + وابستگی‌هاش (Dependencies) رو داره.

🔹 ویژگی‌ها:

سبک‌تر و سریع‌تر از VMها

راه‌اندازی در چند ثانیه

منابع مشترک بین کانتینرها

اما جداسازی (Isolation) کمتر از VMها

🔹 کاربرد:
وقتی می‌خوای چند اپلیکیشن مستقل رو در محیط‌های یکنواخت و قابل حمل (مثلاً بین سرورها یا Cloudها) اجرا کنی.

حالا بریم سمت بحث اصلی داکر (Docker) چیه؟

داکر در واقع یه نرم‌افزار یا پلتفرم کانتینرسازی (Containerization Platform) هست.

یعنی با داکر می‌تونی اپلیکیشن‌هات رو داخل کانتینر (Container) اجرا کنی.

مثال ساده:

فرض کن می‌خوای یه سایت با Python و یه سایت با Node.js و یه دیتابیس PostgreSQL رو با هم اجرا کنی.

به‌جای نصب جداگانه هرکدوم و جنگ با نسخه‌ها و تنظیمات،
در Docker فقط با چند خط کد (Dockerfile یا docker-compose.yml) سه تا کانتینر می‌سازی:

کانتینر Python

کانتینر Node.js

کانتینر PostgreSQL

و همه‌شون مستقل ولی هماهنگ با هم کار می‌کنن

کلام اخرم🧑‍💻

در دنیایی که می‌خواهیم مصرف منابع و برق را پایین بیاریم ، کانتینرها بهترین ایده برای جایگزینی روش‌های قبلی هستند.

مبحث این جزوه چیه و ROS چی کار میکنه ؟

در اصل ROS یا Robot Operating System یک پلتفرم متن‌بازه که به توسعه‌دهنده‌ها کمک می‌کنه راحت‌تر ربات بسازن.
با ROS می‌تونی بخش‌های مختلف ربات مثل سنسورها، موتور‌ها و الگوریتم‌ها رو به‌صورت ماژولار به هم وصل کنی، داده‌ها رو رد و بدل کنی و سریع‌تر سیستم‌های پیچیده طراحی کنی.
این جزوه نصب پیش‌نیازها، کار با ابزارهای خط فرمان، گره‌ها، تاپیک‌ها، پارامترها و اکشن‌های ROS2 را آموزش می‌دهد.
همچنین ساخت workspace، ایجاد پکیج، و نوشتن ناشر، مشترک، سرویس و کلاینت در پایتون و C++ را پوشش می‌دهد.
در نهایت به ایجاد پیام‌های سفارشی، استفاده از پلاگین‌ها، ابزارهای تشخیصی و ضبط و پخش داده‌ها می‌پردازد.

#robotic

در این ویدئو توضیح میده کرنل چیه و چه دسته هایی داره

۱. معماری Monolithic (تک‌پارچه یا یک‌تکه)

در این روش، کل برنامه به صورت یک اپلیکیشن واحد و بزرگ ساخته می‌شه.
یعنی تمام بخش‌ها (ماژول‌ها، پکیج‌ها، کلاس‌ها و...) داخل یک پروژه و یک سورس‌کد اصلی هستن.
مثال:

فرض کن داری یه اپ فروشگاهی می‌سازی با بخش‌های زیر:

بخش کاربران (User)

سبد خرید (Cart)

پرداخت (Payment)

وقتی بخوای فقط بخش پرداخت رو تغییر بدی، باید کل پروژه رو دوباره build و deploy کنی
اگر یه خطا در یکی از ماژول‌ها بیاد، ممکنه کل سیستم از کار بیفته.

۲. معماری Microservices (ریزسرویس‌ها)

در این روش، برنامه به چند سرویس کوچک و مستقل تقسیم می‌شه.

هر کدوم از این سرویس‌ها یه اپلیکیشن مستقل هستن، با دیتابیس خودشون و API مخصوص خودشون. از طریق API یا پیام (Message Queue) با هم حرف می‌زنن.


حالا اگر بخوای یه بخش رو به‌روزرسانی یا تعمیر کنی، سایر بخش‌ها بدون مشکل به کارشون ادامه می‌دن.

این باعث می‌شه:

سرعت توسعه بیشتر بشه

خطاهای محلی راحت‌تر کنترل بشن

مقیاس‌پذیری (Scalability) بالا بره (مثلاً فقط بخش پرداخت رو قوی‌تر کنی)

نوشته شده با html, css, js

خیلی وقته طراحی وب نذاشتم 🙂

لینک گیت هاب

https://github.com/ArtemisAsadii/galaxy-mist-cursor.git

درود دوستان کد نوشته شده همراه با GUI برای stt

این کد چی کار میکنه :

میاد صدا به زبان انگلیسی رو تبدیل به متن میکنه
به چه دردی میخوره، فرض کنید میخواید ی ویدئو ی YouTube رو ترجمه کنید اون رو با کمک این سایت تبدیل به mp3 میکنید

https://yt1d.com/en404/

بعد صدا رو به برنامه میدین و اون رو تبدیل به متن کنه و در آخر هم ترجمه و...

https://github.com/ArtemisAsadii/WhisperTranscriber.git

ی گروه جالب بهم معرفی شد، گفتم به شما دوستان هم معرفی کنم

https://news.1rj.ru/str/futureai_community

دوستان درود ،
این گروه مربوط به هوش مصنوعی هستش :
https://news.1rj.ru/str/Artificial_Intelligence21

در این گروه هر ترم گروه‌بندی انجام می‌دیم و روی پروژه‌های مختلف هوش مصنوعی کار می‌کنیم؛ پروژه‌هایی که هم جنبه‌ی آموزشی دارند و هم اگر به ایده‌های جدی‌تری تبدیل شدند، امکان تبدیل‌شدن به استارت‌آپ را خواهند داشت.

یک گپ مخصوص فریلنسینگ هم اضافه کردم تا برای اجرای ایده‌ها تیم جمع کنید، یا اگر پروژه‌ای در سایت‌های فریلنسیگ دیدید و برای انجامش نیاز به هم‌تیمی داشتید، اون رو در گپ قرار بدین تا تیم مناسب رو پیدا کنید و با هم وارد بازار کار شوید.🌹❤️

📚مقالک

(Zero-Shot)

یعنی مدل بدون اینکه هیچ مثال یا نمونه‌ای دریافت کند، باید مسئله را حل کند.
✔️ ویژگی‌ها:

مدل فقط توضیح یا سؤال را می‌گیرد.

هیچ نمونهٔ ورودی–خروجی برای راهنمایی داده نمی‌شود.

عملکرد مدل به دانش قبلی‌اش وابسته است.

✔️ کاربرد:

زمانی که می‌خواهیم ببینیم مدل از دانش عمومی‌اش چقدر می‌تواند مسئله را حل کند.

✔️ مثال Zero-Shot:

درخواست:

جملهٔ زیر را به انگلیسی ترجمه کن:
"من امروز خیلی خسته‌ام."


مدل بدون دریافت نمونهٔ قبلی ترجمه را تولید می‌کند:

I am very tired today.

One-Shot

وقتی مدل فقط یک مثال از ورودی–خروجی دریافت می‌کند تا الگو را یاد بگیرد.

Few-Shot Sampling

یعنی به مدل چند مثال (۲ تا مثلاً ۱۰) از کاری که قرار است انجام دهد می‌دهیم تا الگوی کاری را یاد بگیرد و سپس از او خروجی می‌خواهیم.

✔️ ویژگی‌ها:

۲ تا چند نمونهٔ ورودی–خروجی در پرامپت نشان داده می‌شود.

مدل از روی الگوها، ساختار و سبک مثال‌ها یاد می‌گیرد چطور پاسخ دهد.

معمولاً کیفیت و دقت بالاتری نسبت به Zero-Shot دارد.

✔️ کاربرد:

تعریف فرمت یا سبک خاص (مثلاً پاسخ کوتاه، جدول، تحلیلی…)

یاد دادن یک تبدیل مشخص

وظایفی که نیاز به توضیح بیشتر دارند

بهبود دقت در مسائل منطقی و ریاضی