This media is not supported in your browser
VIEW IN TELEGRAM
وقتی برا تعطیلات کلی برنامهریزی میکنی ولی بهت تسک فورس میدن و مجبوری تعطیلاتم کار کنی...
@code_cache
@code_cache
🤣6💔1
طبق گزارش اخیر ایسپا (مرکز افکارسنجی دانشجویان ایران) که با نظرسنجی و مصاحبه حضوری از ۲۲۵۰ نفر از دانشجویان دانشگاههای دولتی سراسر کشور تهیه شده است، ۸۹/۵ درصد پاسخدهندهها از تلگرام، ۸۵/۷ درصد از اینستاگرام، ۶۶/۷ درصد از واتساپ و ۵۰/۴ درصد از یوتوب استفاده میکنند.
نکته مهم نتایج این نظرسنجی، اختصاص رتبه اول تا چهارم پراستفادهترینها پیامرسانها و شبکههای اجتماعی به سرویسهای فیلتر شده است.
آمار مربوط به سایر پیامرسانها و شبکههای اجتماعی در تصویر قابل مشاهدهست.
مشخصات مشارکتکنندهها در این نظرسنجی:
جنسیت: ۵۳ درصد زن و ۴۷ درصد مرد.
سن: ۴۷/۲ درصد ۱۸ تا ۲۲ سال، ۳۳/۶ درصد ۲۳ تا ۲۷ سال و ۱۷/۲ درصد بالای ۲۸ سال.
مقطع تحصیلی: ۶۱/۲ درصد کارشناسی، ۲۸/۷ درصد کارشناسی ارشد و ۱۰ درصد دکترا.
دانشجوهای مشارکتکننده در این نظرسنجی، به طور میانگین ۲۳۳ دقیقه (حدود ۴ساعت) در روز از پیامرسانها و شبکههای اجتماعی استفاده میکنند.
این نظرسنجی در اردیبهشت ۱۴۰۳ انجام شده اما نتیجه آن به تازگی منتشر شده است.
@code_cache
نکته مهم نتایج این نظرسنجی، اختصاص رتبه اول تا چهارم پراستفادهترینها پیامرسانها و شبکههای اجتماعی به سرویسهای فیلتر شده است.
آمار مربوط به سایر پیامرسانها و شبکههای اجتماعی در تصویر قابل مشاهدهست.
مشخصات مشارکتکنندهها در این نظرسنجی:
جنسیت: ۵۳ درصد زن و ۴۷ درصد مرد.
سن: ۴۷/۲ درصد ۱۸ تا ۲۲ سال، ۳۳/۶ درصد ۲۳ تا ۲۷ سال و ۱۷/۲ درصد بالای ۲۸ سال.
مقطع تحصیلی: ۶۱/۲ درصد کارشناسی، ۲۸/۷ درصد کارشناسی ارشد و ۱۰ درصد دکترا.
دانشجوهای مشارکتکننده در این نظرسنجی، به طور میانگین ۲۳۳ دقیقه (حدود ۴ساعت) در روز از پیامرسانها و شبکههای اجتماعی استفاده میکنند.
این نظرسنجی در اردیبهشت ۱۴۰۳ انجام شده اما نتیجه آن به تازگی منتشر شده است.
@code_cache
👍4
This media is not supported in your browser
VIEW IN TELEGRAM
برای خرید این کتاب ارزشمند میتونید از لینک زیر اقدام کنید
https://taaghche.com/book/54662
@code_cache
https://taaghche.com/book/54662
@code_cache
🤣4
طبق تحقیقات اخیر، تقریبا تمام برندگان جایزهی نوبل، پدرانِ ثروتمندی داشتهاند، به طوری که ۹ نفر از ۱۰ نفر، برندهی جایزهی نوبل، در سه دهک پولدار جامعه متولد شدهاند
چنین آزمایشهایی در موارد دیگر هم گرفته شده و نتایج تقریبا مشابه است (نتیجهگیری: اگه موفق نشدی، ناراحت نباش)
@code_cache
چنین آزمایشهایی در موارد دیگر هم گرفته شده و نتایج تقریبا مشابه است (نتیجهگیری: اگه موفق نشدی، ناراحت نباش)
@code_cache
👍4
اگر پروژه ای دارید که سمت فرانتش با لایبرری های ریکت یا ... باشه برای ران کردن پروژه تو بک گراند سرور میتونید از پکیج pm2 استفاده بکنید و همچنین میتونید وضعیت پروژه رو با ابزار هایی که در اختیارمون میزاره بررسی کنیم
روش استفاده :
برای دیدن پروژه های ران شده دستور زیر و بزنید:
هر پروژه یک ایدی داره که میتونید روی هر کدوم دستورای زیر و بزنید(مثلا روی ایدی 1 دستور زیر و میزنیم):
@code_cache
روش استفاده :
npm run build
pm2 start npm --name "my-app" -- start
برای دیدن پروژه های ران شده دستور زیر و بزنید:
pm2 list
هر پروژه یک ایدی داره که میتونید روی هر کدوم دستورای زیر و بزنید(مثلا روی ایدی 1 دستور زیر و میزنیم):
pm2 restart 1
pm2 delete 1
@code_cache
🔥4
اگر پروژه ای دارید و سرور ندارید و میخواهید زود دیپلویش کنید میتونید از ورسل استفاده کنید و کافیه رو گیتتون پروژه رو پوش کنید و اکانت گیتتون و به ورسل وصل کنید و پروژه رو import کنید.
🎯 اگر دامین هم داشته باشید میتونید بهش وصل کنید.
🚨مناسب پروژه های سمت فرانت هست
@code_cache
🎯 اگر دامین هم داشته باشید میتونید بهش وصل کنید.
🚨مناسب پروژه های سمت فرانت هست
@code_cache
🔥4
اینفوگرافی الگوریتم های ماشین لرنینگ بر اساس طبقه بندی:
supervised, unsupervised, semi-supervised, reinforcement
@code_cache
supervised, unsupervised, semi-supervised, reinforcement
@code_cache
👍5
مهاجرت نکنید غربته، پزشکی نخونید زحمت زیاد داره، برنامهنویس نشید هوشمصنوعی جاتون رو میگیره. شیره و تریاک خوبه.
@code_cache
@code_cache
🤣6
ویدیوهای آموزشی رو از یه حدی نمیشه سریعتر کرد (وگرنه کلمات مبهم میشن)، و بعضی از این ویدیوها که وسطش سکوت و مکث زیاد داره (بخصوص کورسهای دانشگاهی) واقعا خیلی روی مخه. یه ابزاری گیر آوردم اتومات همه این silent momentها رو حذف میکنه، باقی ویدیو رو هم تسریع میکنه و خروجی ایدهآل میده. اگه yt-dlp از قبل نصب داشته باشی هم که میتونی مستقیم لینک یوتیوب بدی بهش، دانلود و ادیت میکنه خروجی تمیز و خلاصه میده بهت.
https://auto-editor.com
https://github.com/yt-dlp/yt-dlp
@code_cache
https://auto-editor.com
https://github.com/yt-dlp/yt-dlp
@code_cache
👍5
به مفاهیم بلاکچین علاقه دارید از بیس شروع کنیم باهم یاد بگیریم؟
👍9👎1
ی بنده خدایی ولتش هک شده و ۴۰،۰۰۰ دلارش و زدن،
روشی که باهاش هکش کردن ممکنه برای خیلیامون پیش بیاد حتما حواستون باشه.
@code_cache
روشی که باهاش هکش کردن ممکنه برای خیلیامون پیش بیاد حتما حواستون باشه.
@code_cache
👍5
code cache | کد کش
ی بنده خدایی ولتش هک شده و ۴۰،۰۰۰ دلارش و زدن، روشی که باهاش هکش کردن ممکنه برای خیلیامون پیش بیاد حتما حواستون باشه. @code_cache
پیشنهادم اینه که هروقت خواستید روی پروژه کسی که نمیشناسید کار کنید، روی ی سرور ساعتی پروژه رو بیارید بالا و باهاش کار کنید.
vscode ی حالتی داره که میتونید با ssh
مستقیم کد بزنید و خییییلیییی کاربردیه.
@code_cache
vscode ی حالتی داره که میتونید با ssh
مستقیم کد بزنید و خییییلیییی کاربردیه.
@code_cache
👍5
شرکت SpaceX به مناسبت فرود موفقیت آميز بوستر Super Heavy روی بازوهای برج پرتاب، یک بازی ساده هم برای تلاش برای فرود اون طراحی کرده که میتونین اون رو از لینک زیر انجام بدین.
starshipthegame.spacex.com
@code_cache
starshipthegame.spacex.com
@code_cache
👍4
تا قبل از نسخه 3.13 پایتون، برنامههای مالتیترد خیلی کندتر اجرا میشدند و دلیل اصلیش هم GIL یا Global Interpreter Lock بود. این قفل جلوی اجرای همزمان تردها رو میگرفت تا Race Condition پیش نیاد، ولی خب باعث میشد تو برنامههای چندنخی نتونی از تمام قدرت CPU استفاده کنی.
تو نسخه 3.13 این مشکل رو با آپشنال کردن GIL حل کردن. علاوه بر اون، JIT هم اضافه شده که کارش اینه بعد از تبدیل کد به بایتکد، قسمتهای پرکاربرد (Hot Code) رو پیدا میکنه و همونها رو مستقیم کامپایل میکنه و میده به CPU. اینجوری سرعت برنامهها خیلی بیشتر میشه چون دیگه مفسر پایتون وسط کار نیست.
@code_cache
تو نسخه 3.13 این مشکل رو با آپشنال کردن GIL حل کردن. علاوه بر اون، JIT هم اضافه شده که کارش اینه بعد از تبدیل کد به بایتکد، قسمتهای پرکاربرد (Hot Code) رو پیدا میکنه و همونها رو مستقیم کامپایل میکنه و میده به CPU. اینجوری سرعت برنامهها خیلی بیشتر میشه چون دیگه مفسر پایتون وسط کار نیست.
@code_cache
👍7
در پایتون، سه روش رایج برای انجام کارهای همزمان (Concurrency) و موازی (Parallelism) وجود دارد: مالتیتردینگ (Multithreading)، مالتیپراسسینگ (Multiprocessing)، و ایسینک (Asynchronous Programming). هر کدام از این روشها برای نوع خاصی از وظایف مناسب هستند. حالا بیایید هر کدام را توضیح دهیم و مقایسه کنیم:
@code_cache
@code_cache
👍5
1. مالتیتردینگ (Multithreading)
مالتیتردینگ یعنی اینکه تو میتونی توی برنامهات چند تا کار رو همزمان انجام بدی، ولی این کارها توی یه محیط مشترک انجام میشن (یه جوری انگار همه توی یه اتاق دارن کار میکنن). مثلا فرض کن چند نفر دارن با هم از یه منبع استفاده میکنن. مالتیتردینگ بیشتر به درد جاهایی میخوره که تو منتظر یه اتفاقی هستی، مثل اینکه دادهای رو از اینترنت بگیری یا چیزی از فایل بخونی.
خوبیها:
اگه برنامهات بیشتر منتظر چیزیه (مثلا منتظر اینترنت یا خوندن یه فایل)، خیلی کمک میکنه.
مصرف حافظه کمتره، چون همه توی یه اتاق کار میکنن (همون محیط مشترک).
بدیها:
پایتون یه قفلی داره به اسم GIL که اجازه نمیده واقعاً از چند هسته پردازنده استفاده کنی. یعنی اگه کارای سنگین داری، اینجا به مشکل میخوری. (البته در نسخه 3.13 به بعد میتونی غیرفعالش کنی)
وقتی چند نفر (یا ترد) از یه منبع مشترک استفاده کنن، ممکنه دعواشون بشه! یعنی مشکلاتی مثل قفل شدن (deadlock) یا برخورد دادهها (race condition) پیش میاد.
@code_cache
مالتیتردینگ یعنی اینکه تو میتونی توی برنامهات چند تا کار رو همزمان انجام بدی، ولی این کارها توی یه محیط مشترک انجام میشن (یه جوری انگار همه توی یه اتاق دارن کار میکنن). مثلا فرض کن چند نفر دارن با هم از یه منبع استفاده میکنن. مالتیتردینگ بیشتر به درد جاهایی میخوره که تو منتظر یه اتفاقی هستی، مثل اینکه دادهای رو از اینترنت بگیری یا چیزی از فایل بخونی.
خوبیها:
اگه برنامهات بیشتر منتظر چیزیه (مثلا منتظر اینترنت یا خوندن یه فایل)، خیلی کمک میکنه.
مصرف حافظه کمتره، چون همه توی یه اتاق کار میکنن (همون محیط مشترک).
بدیها:
پایتون یه قفلی داره به اسم GIL که اجازه نمیده واقعاً از چند هسته پردازنده استفاده کنی. یعنی اگه کارای سنگین داری، اینجا به مشکل میخوری. (البته در نسخه 3.13 به بعد میتونی غیرفعالش کنی)
وقتی چند نفر (یا ترد) از یه منبع مشترک استفاده کنن، ممکنه دعواشون بشه! یعنی مشکلاتی مثل قفل شدن (deadlock) یا برخورد دادهها (race condition) پیش میاد.
@code_cache
👍5
2. مالتیپراسسینگ (Multiprocessing)
مالتیپراسسینگ یعنی هر کدوم از کارها (یا پراسسها) توی یه محیط جدا از هم اجرا میشن (هر کدوم توی اتاق خودشون). این باعث میشه که هر پراسس بتونه از هستههای مختلف پردازنده استفاده کنه.
خوبیها:
اینجا دیگه خبری از اون قفل GIL نیست و میتونی واقعاً از قدرت همه هستههای CPU استفاده کنی. خیلی خوبه برای کارهای سنگین مثل پردازش تصویر یا محاسبات عددی.
بدیها:
چون هر پراسس محیط جدا داره، اگه بخوای اطلاعات بینشون رد و بدل کنی، این کار یکم کندتره.
ساختن پراسسهای بیشتر یعنی حافظه بیشتری هم میخوای.
@code_cache
مالتیپراسسینگ یعنی هر کدوم از کارها (یا پراسسها) توی یه محیط جدا از هم اجرا میشن (هر کدوم توی اتاق خودشون). این باعث میشه که هر پراسس بتونه از هستههای مختلف پردازنده استفاده کنه.
خوبیها:
اینجا دیگه خبری از اون قفل GIL نیست و میتونی واقعاً از قدرت همه هستههای CPU استفاده کنی. خیلی خوبه برای کارهای سنگین مثل پردازش تصویر یا محاسبات عددی.
بدیها:
چون هر پراسس محیط جدا داره، اگه بخوای اطلاعات بینشون رد و بدل کنی، این کار یکم کندتره.
ساختن پراسسهای بیشتر یعنی حافظه بیشتری هم میخوای.
@code_cache
👍5