بالاخره دوره Deep Generative Models های استنفورد هم آپدیت شد.
واقعا نباید بهونه آورد بهترین منابع یادگیری دنیا در دسترس نسل جدید هست :

Stanford CS236: Deep Generative Models (2023)

پس با اضافه شدن این دوره محموع دوره‌ها شد :

1) Standford university: Prof. Manning, deep learning for nlp

2) NYU (new york university): Yan Lucan & Alfered canziani. Deep learning course

3) Standord university: Deep Generative Models

4) Stanford University: Transformers United

چند وقتی هست که با academic torrent آشنا شدم.
اسمش و ظاهرش به نظر میاد که فقط دیتاست برای ریسرچ داره ولی کلی آموزش های AI و ML توش ریخته.
حتی طراحی الگوریتم و ساختمان داده.

پی نوشت: لینک هارو حذف کردم ولی داخل کانال دیگه گذاشتم که میتونید ازش استفاده کنید.

از منابعی که نظرم رو جلب کرد میتونم به این اشاره کنم:
ساختمان داده و طراحی الگوریتم که توسط Neetcode و Algoexpert ارایه شده.

اسم آموزش:
Data Structure and Algorithms Courses by Algoexpert and Neetcode

پی نوشت: لینک هارو حذف کردم ولی داخل کانال دیگه گذاشتم که میتونید ازش استفاده کنید.

و PyTorch برای Deep Learning که توسط ZeroToMastery ارایه شده. استادش هم Daniel Bourke هست که کانال یوتیوب راجب AI و ML داره.

اسم آموزش:
ZeroToMastery - PyTorch for Deep Learning

پی نوشت: لینک هارو حذف کردم ولی داخل کانال دیگه گذاشتم که میتونید ازش استفاده کنید.

البته من خودم دو آموزش بالا رو ندیدم بنابراین نمیتونم کیفیتشون رو ضمانت کنم ولی میتونم بگم که خیلی خوب به نظر میان.

لینک کانالش رو هم گفتم بزارم چون کانال جالبی راجب AI و ML هست.
https://www.youtube.com/@mrdbourke

یادآوری دوستانه.

نسخه ۰.۲۳.۱۵ بتا از #oblivionDesktop با پشتیبانی از محیط Gnome و KDE لینوکس منتشر شد.

🚀 github.com/bepass-org/oblivion-desktop/releases/latest

برخی‌از تغییرات برنامه:
◽️ امکان اتصال از systemTray و بهبود دسترسی‌ها
◽️ فراهم‌آمدن امکان اتصال خودکار هنگام بازشدن برنامه
◽️ اضافه‌شدن پشتیبانی از محیط Gnome و KDE لینوکس
◽️ بهبود فرایند بستن و مینیمایز کردن پنجره برنامه
◽️ پیاده‌سازی ساختار جدید برای زبان‌های مختلف
◽️ اضافه‌کردن contextMenu برای برخی‌از ورودی‌ها
◽️ رفع مشکل ست‌شدن لیست سیاه در متد سایفون
◽️ رفع مشکل گیر کردن روی وضعیت درحال دریافت اطلاعات
◽️ بهبود پروسه ست‌شدن پروکسی در مک
◽️ رفع برخی‌از اشکالات جزیی

👉 github.com/bepass-org/oblivion-desktop
💡 github.com/bepass-org/oblivion-desktop/issues

🔍 ircf.space/software.php
@ircfspace

آموزش های خوب و کمیاب معمولا تو Torrent ها یا سایت های خاصی پیدا میشن.
برای مثال بنده بخش دوم آموزش Algorithm & Data Structure سایت Frontend Masters که مدرسش ThePrimeagen هست رو از سایت های جستجوی تورنت (Torrent Aggregator) پیدا کردم.

پارت اولش رایگان داخل خود سایت Frontend Masters هست.

(درسته که آموزشش با TypeScript هست و تخصص من frontend نیست ولی آموزشش رو که تا الان دیدم فوق العاده بود)

تو پست بعدی راجب اینکه منابع خوب از کجا پیدا میشن و کدومشون رو استفاده میکنم صحبت میکنیم.

لینک های تورنت رو مستقیم نمیزارم. اما جستجوش اصلا سخت نیست.

Because copyright... ehem.

مهم ترین جا برای پیدا کردن منابع تورنت و کلا pirate کردن اینجاست.
در واقع بهشت دزدای دریاییه.

https://www.reddit.com/r/Piracy/wiki/index/

یه بخش Megathread داره که داخلش میتونید هر جایی که قابل اعتماد هست برای دانلود رو گیر بیارید.
یا حتی آموزش بلاک کردن popup ها و مزخرفات دیگه که اکثرا این سایت ها میزارن اینجا در دسترستون هست.

همینطور سرور Lemmy هم دارن (اگر یه وقت reddit بنشون کرد، که بلاخره احتمالش هرچند بسیار کم ولی وجود داره):
https://lemmy.dbzer0.com/c/piracy


همون megathread هم اینجا هست جدا از reddit و Lemmy:
https://rentry.co/megathread

از دو تا سایت هم برای جستجوی Torrent استفاده میکنم.
اولی: 1337x
اگر اینجا چیزی رو پیدا نکردید یکم با کلمات جستجو بازی کنید.

دومی: bitsearch
اگر هم دیگه نشد. این جستجوی بهتری داره نسبت به قبلی.

پی نوشت: لینک هارو حذف کردم ولی داخل کانال دیگه گذاشتم که میتونید ازش استفاده کنید.

AAAAAAAAAAAAAAAA

این آموزش رو تموم کردم.
به نظرم اگر بهترین نباشه، یکی از بهترین آموزش هاست راجب بهره وری توسعه دهندگان.

اگر ThePrimeagen رو نمیشناسید. باید بگم که سریع ترین workflow ای رو داره که تا حالا دیدم.
(اوکی اوکی، زیادی تعریف نمیکنم. خودتون میدونید که چیه)

در بخش اول ابتدا با اتوماسیون استقرار ابزار و محیط توسعه روی لینوکس شروع میشه. (ansible)
و همینطور مدیریت dotfiles ها به شکل حرفه ای. (stow, yadm)
اینطوری هر موقع سیستم جدید خواستید گیر بیارید یا حتی container داکر. میتونید سریع ابزار هاتون رو نصب کنید و سیستم آماده داشته باشید.

و بعدش وارد ابزار هایی برای سریع تر کردن نحوه کار با سیستم و ترمینال رو نشون میده.
از i3 و shell گرفته تا ابزار های خیلی قدرتمندی مثل tmux و fzf.
و یه workflow سریعی حول این ابزار ها ساخته میشه.

و در بخش آخر هم راجب قابلیت های جالب گیت، coreutils و همینطور ابزار های آینده مثل GitHub Copilot صحبت میشه.

برای اینکه از دوره حداکثر استفاده رو ببرید پیشنهاد میشه که پیش نیاز هاشو بلد باشید.

پیش نیاز ها: دانش سطحی راجب لینوکس، تایپ 10 انگشتی

نظر شخصی من که مشخص هست. ولی پیشنیاز هارو داشتید و میخواید سرعت کار خودتون رو بالاتر هم ببرید خیلی آموزشش پیشنهاد میشه.

برای دانلود آموزش میتونید از منابع تورنتی که داخل کانال دیگم پین شده یا لینک دانلودشون استفاده کنید.

https://frontendmasters.com/courses/developer-productivity/

این آموزش رو تموم کردم. به نظرم یکی از بی نظیر ترین آموزش هایی بود راجب طراحی الگوریتم که تا حالا دیدم.
همش هم به لطف استادش بود ThePrimeagen و مباحثی که کاور شد خیلی بدرد استفاده صنعتی یا سوالات مصاحبه میخوره.

مباحثی که کاور میشه:

1. Search (Linear Search, Binary Search, Two Crystal Problem)
2. Sort (Bubble Sort, Quick Sort)
3. Basic DSA (Queue, Stack, LinkedList, ArrayList)
4. Recursion (Maze Solving Algorithm)
5. Trees (BFS, DFS)
6. Tree Manipulation (DF insert, DF delete)
7. Heap and Tries
8. Graphs (BFS Adjacency Matrix, DFS Adjacency List, Dijkstra's Shortest Path)
9. Maps, LRU cache

از اونجایی که الگوریتم و ساختمان داده چیزی نیست که به زبان برنامه نویسی مرتبط باشه میتونه خیالتون راحت باشه که هر زبانی هم بلد باشید این مطالب براتون صدق میکنه.

البته یه ایرادی هم که این دوره داشت این بود که همه الگوریتم ها به صورت کد پیاده نشدن و یه سریاشون فقط توضیح داده شدن از لحاظ کارکرد و مشق های ناگفته زیادی هست که باید بنویسید تا واقعا این دوره رو یادش بگیرید.

برای مثال Map پیاده سازی نشده (ولی خب سخت هم نبود و خودم انجامش دادم)

دوره ساده ای نیست. ولی وقتی که یادش بگیرید درکتون رو از نحوه کارکرد زبان های سطح بالا بیشتر میکنه (مثلا Map واسه lookup کردن ساخته شده و مثل دیکشنری تو پایتون یا object تو JavaScript میمونه)

(پارت دو هم داره که بزودی میبینم و نظراتم رو میزارم.)

یک سری از دوستان خواستن که ریفرنسی که دقیقا یادگیری پایتونم رو باهاش شروع کردم به اشتراک بگذارم.

بنده از roadmap خاصی استفاده نکردم و مباحثی که کاربردی و جالب به نظر میومدن رو یاد گرفتم و جلو رفتم. منابع مرجع بیشتر این مباحث از این کانال ها بودن.

اما آموزش دقیقی که استفاده کردم برای یادگیری پایتون این بود.
Python tutorial for beginners 🐍

یک سری ویدیو های جدید هم جدیدا آپلود کرده که مباحث قبلی رو کامل تر کرده.

ولی خب بعد از اون میتونید با ریفرنس های بالا اطلاعاتتون رو تکمیل تر کنید.
چون خیلی چیزا هستن که نمیشه با یه آموزش مقدماتی یاد گرفت.

فرمت YAML

فرمت معروفی که تمام DevOps کارا ازش استفاده میکنن تا کانفیگ بنویسن.
ابزار های زیادی ازش پشتیبانی میکنن. مثل docker-compose, ansible و ...
اونقدر محبوب هست که خوبه برنامه نویسا هم راجبش بدونن.

تو این ویدیو راجب این فرمت صحبت میشه و اینکه ساختارش چطوریه.

آره میدونم، خیلی گیج کننده هست و موندم چطور واسه این parser نوشتن :)

Yaml Tutorial | Learn YAML in 18 mins

معنی اعداد خیلی مهم هست، اما ۹۹٪ جامعه هیچ درکی ازین موضوع ندارند
حتی ۹۹٪ جامعه دیتا هم درک نمی‌کنند.

امروز یک پروپوزال رو خوندم و یک قراردادی رو لغو کردم، هیچکس از اعضای تیم متوجه نشده بود و افرادی که ذوق این قرارداد رو داشتند مستقیم رفته بودند سراغ مدیرعامل.

(جزو وظایف من نیست که برای دیگران توضیح بدم چرا یک تصمیمی رو گرفتم، فقط باید به مدیر بالا سرم جواب بدم که ایشون هم هیچوقت نمی‌پرسند، بنا بر اعتماد)

اما وقتی دیدم اوضاع اینطوری هست، گفتم نکات آموزشی داخلش هست داخل کانال هم بذارم، البته با مثال که دیگه همگی درک کنید موضوع رو :

فرض کنید ۲ تا شرکت cloud provider دارید، شرکتی با قیمت بالاتر و گزارش ۹۹.۹٪ پایداری و شرکت دوم با قیمتی تا ۱۰٪ پایین‌تر و البته گزارش پایداری ۹۹٪ سالانه وقتی اعداد و ارقام بزرگ باشه؛ آدم‌ها تفاوت ۰.۹٪ رو نمی‌بینند ولی تفاوت ۱۰٪ قیمت رو به خوبی می‌بینند.

توی یک سال ۹۹٪ یعنی حدوداً ۴ روز قطعی سیستم و ۹۹.۹٪ یعنی حدوداً ۹ ساعت قطعی سیستم و چون ممکنه قطعی‌ها ۱۰ دقیقه‌ای باشه حتی اگر توی ساعات مهم کاری شما پیش بیاد باعث از دست رفتن بیزینس میشه.

من مثال سرویس ابری زدم، چون این سرویس‌ها تا ۳-۴ رقم اعشار گزارش می‌دهند، برای مثال خیلی سال قبل یادم هست دلیل انتخاب AWS توسط شرکت خودمون همین ۹۹.۹۹۹٪ نسبت به سرویس Google با ۹۹.۹٪ بود؛ و بعد از اون همه سرویس‌های شرکت دیگه روی AWS فعال شد‌.

خلاصه حواستون به همون حتی چند هزارم هم باشه، وقتی صحبت از اعداد بزرگ یا قرارداد بلند مدت می‌شه؛ ۰.۰۰۰۹ هم خیلی خیلی عدد با ارزشی خواهد بود.