بوت استرپ چیست ؟
بوت استرپ ( bootstrap ) یک فریم ورک رایگان و متن باز است که برای کار front end و طراحی برنامه های وب استفاده می شود. فریم ورک بوت استرپ با استفاده از html ، css و جاوا اسکریپت ساخته شده و هدفش طراحی سایت ها و برنامه هایی است که ریسپانسیو بوده و برای نمایش در موبایل مناسب باشند. در حقیقت، کار اصلی که بوت استرپ انجام می دهد اینست که زمان لازم برای طراحی یک سایت مدرن را کاهش می دهد. این را قبول کنید که برای طراحی هر قسمتی از سایت ( از تایپوگرافی گرفته تا دکمه ها یا حتی گالری عکس ) بهتر است که از یک قالب آماده استفاده کرد. البته که برای استفاده از این الگوهای از پیش طراحی شده هم باید اول نحوه استفاده از آن ها را یاد گرفت. پس در این مقاله با موستانگ همراه شوید تا ببینیم جادوی بوت استرپ چیست ! لزوم طراحی ریسپانسیو نام و اهمیت طراحی ریسپانسیو یا واکنش گرا دیگر برای همه مشخص است. طراحی ریسپانسیو این امکان را به برنامه ها می دهد که اندازه دستگاه کاربر را تشخیص داده و صفحه های خود را با آن سازگار کنند. وقتی رویکردتان در طراحی موبایل محور باشد ، یعنی این را باور دارید که اولین و دم دست ترین دستگاهی که کاربرانتان می خواهند کارشان را سریع با آن انجام دهند، موبایلشان است. و امروزه دیگر این باور حقیقت هم دارد. حالا می دانید کار جادویی بوت استرپ چیست ! بوت استرپ کمک می کند تا یک طراحی ریسپانسیو بی نقص برای وبسایتتان داشته باشید. معنای کلمه بوت استرپ چیست و از کجا پیدایش شده؟ آقایان Mark Otto و Jacob Thornton ، بوت استرپ را وقتی که در توییتر کار می کردند ساختند ( به عنوان ابزاری که بتوانند با آن کدهای استفاده شده در سایت را دوباره استفاده کرده و در زمان صرفه جویی کنند ) . bootstrap در ابتدا به عنوان نقشه توییتر شناخته می شد. گاهی اوقات با بوت استرپِ توییتر نیز خوانده می شود. در دنیای کامپیوتر ، کلمه bootstrap به معنای بوت کردن ( boot ) است: یعنی لود کردن یک برنامه در کامپیوتر با استفاده از یک برنامه کوچک و ابتدایی دیگر . در دنیای فیزیکی هم bootstrap آن تسمه کوچکی است که در پشت چکمه قرار دارد و با استفاده از آن می توانید چکمه را راحت بپوشید. در حالت کلی این کلمه به معنای بکار گرفتن یک تلاش کوچک و اهرم کردن آن برای رسیدن به یک هدف بزرگتر و مهمتر است. جالب است که بدانید ضرب المثلی هم وجود دارد با این مفهوم: pulling yourself up by your own bootstraps که به معنای رسیدن به موفقیت از طریق یک شروع ساده است. مفاهیم ابتدایی درباره بوت استرپ چیست قبل از همه چیز باید مفاهیم ابتدایی درباره این فریم ورک را بدانید. اگر به سایت رسمی سر بزنید ، می بینید که بوت استرپ را اینگونه معرفی می کند: یک فریم ورک html ، css و جاوا اسکریپت که برای ساخت پروژه های ریسپانسیو ( موبایل محور ) استفاده می شود. بهتر است این را نیز بدانید که: bootstrap متن باز است و مجموعه ای از طراحی ها ( نظیر متغیرهای Sass ، کامپوننت ها و پلاگین های آماده و یک سیستم گرید ) را شامل می شود که کار را برای طراحان وب بسیار آسان می کند. به زبان ساده، بوت استرپ مجموعه گسترده ای از ابزارهایی است که با هدف استفاده مجدد از کُد ساخته شدند. یعنی دیگر لازم نیست تا قسمت های اساسی وبسایتتان را از صفر طراحی کنید. اگر می خواهید وبسایت هایی ریسپانسیو داشته باشید، با انتخاب بوت استرپ به عنوان یک فریم ورک طراحی front end ، کارتان بسیار راحت تر شده و مطمئن می شوید که طراحی تان ثابت است و با مرورگرهای مختلف سازگاری دارد. برای شروع، فایل هایی که لازم دارید این ها هستند: bootstrap.css (دانلود) : فریم ورک css bootstrap.js (دانلود) : فریم ورک جاوا اسکریپ / جی کوئری glyphicons (دانلود) : مجموعه ای از آیکن ها آنچه که بوت استرپ را نسبت به فریم ورک های دیگر متمایز می کند، استفاده زیاد از جی کوئری است. بدون جی کوئری ، جاوا اسکریپت خیلی پیچیده می شد و امکان پشتیبانی از مرورگرهای مختلف هم وجود نداشت. بسته ی bootstrap ، تمامی ابزارهایی که یک طراح برای ساخت یک رابط کاربری معمولی نیاز دارد را شامل می شود. اگر از نوشتن انبوهی از کد خسته شدید، بوت استرپ طراحی را برایتان بسیار آسان می کند. در این قسمت از مانِژ ، می توانید نمونه کُد های کاربردی از bootstrap را مشاهده کنید. اهمیت فریم ورک برنامه نویس ها خوب می دانند که امروزه انجام یک پروژه بسیار آسان تر از گذشته است! بدون فریم ورک ها ، زمان زیادی برای کدزدنی لازم بود و دانش برنامه نویسی زیادی هم می طلبید. با یک اشتباه کوچک نیز ممکن بود که کل پروژه نابود شود! همین ها باعث می شد که فشار زیادی بر شانه های برنامه نویس پروژه وارد شود. حالا کار بوت استرپ چیست ؟ به عنوان یک فریم ورک ، بوت استرپ فرآیند طراحی را آسان تر می کند. بدین صورت که تلاش می کند تا از کد های ثابت و با کیفیت استفاده کند. خطاهای انسانی کاملاً طبیعی است. اما اگر فریم ورکی داشته باشیم که استاندارد و تایید شده باشد، کارمان خیلی راحت تر می شود. شما می توانید همه کد را خودتان بزنید! اما راه پیچیده تری خواهید داشت! ولی با فریم ورک می توانید: از تکرارهای بیجا پرهیز کنید با نیازهای مختلف سازگار باشید (بدون تغییرات اساسی در کد) کدهای استوارتری داشته باشید سریعتر و راحت تر طراحی کنید مرورگرهای بیشتری را پشتیبانی کنید فواید بوت استرپ چیست ؟ خب، پس تا اینجا فهمیدیم که فریم ورک یک انتخاب هوشمندانه است. اما دلایلمان برای استفاده از بوت استرپ چیست ؟ از همان سال 2011 که بوت استرپ معرفی شد، توانست توجه طراحان و برنامه نویسان وب را به خود جلب کند ( به خاطر انعطاف پذیری و راحتی استفاده ) اگر این دلایل برایتان کافی نیست، این ها
هوش مصنوعی چیست ؟
[vc_row][vc_column][vc_column_text]پس از گذشتِ کمتر از 10 سال بعد از اینکه آلن تورینگ ( ریاضی دان ) ماشین کُدگذاری نازی ها ( انیگما ) را رمز گشایی کرد و باعث پیروزی متفقین شد، توانست برای بار دوم تاریخ را تغییر دهد، وقتی این سوال را پرسید: آیا ماشین ها می توانند فکر کنند؟ (1950) در واقع این مقاله تورینگ بود ( ماشین های محاسبه گر و هوشمندی ) که هدف و چشم انداز هوش مصنوعی را تعیین کرد. با موستانگ در این مقاله همراه باشید تا ببینیم هوش مصنوعی چیست و چه کاربرد هایی دارد. تعریف هوش مصنوعی چیست ؟ هوش مصنوعی( AI ) شاخه ای از دانش کامپیوتر است که هدف اصلی اش پاسخ دادن به همان سوال تورینگ است. AI تلاشی برای شبیه سازی و تکرار انسان است. اما هدف از AI آنقدر وسیع و گسترده است که باعث به وجود آمدن بحثها و سوالهای زیادی شده و می توان گفت که هیچ تعریف مشخص و واحدی برای آن وجود ندارد. اما چرا نمی توانیم هوش مصنوعی را خیلی راحت و با عبارت “ساخت ماشین های هوشمند” تعریف کنیم؟ زیرا این تعریف نمی گوید که هوش مصنوعی چیست یا چه چیزی یک ماشین را هوشمند می کند. استوآرت راسل و پیتر نورویگ ( نویسندگان کتاب هوش مصنوعی: رویکردی مدرن ) از این تعریف استفاده می کنند: هوش مصنوعی مطالعه ماشین هایی است که از محیط اطراف ورودی هایی را دریافت و درک کرده و کارهایی را انجام می دهند. آنها همچنین 4 رویکرد مختلف را هم تعریف می کنند: فکر کردن شبیه انسان فکر کردن منطقی عمل کردن شبیه انسان عمل کردن منطقی دو عبارت اول، به مرحله فکر و استدلال و دو عبارت بعدی به مرحله رفتار مرتبط می شود. نوروینگ و راسل ، تمرکزشان بر روی ماشین هایی است که طوری رفتار کنند که بهترین نتیجه را بگیرند. ممکن است این تعاریف به زبان ساده بیان نکند که هوش مصنوعی چیست . اما در کنفرانسی در سال 2017 در ژاپن، جرمی آچین ، ( مدیر عامل DataRobot ) سخنرانی خود را با این تعریف شروع کرد: AI یک سیستم کامپیوتری است که می تواند کارهایی را انجام دهد که در حالت عادی ، به هوش انسان نیاز دارد. بسیاری از این سیستم ها از یادگیری ماشین ( machine learning ) ، بعضی از یادگیری عمیق ( deep learning ) و برخی نیز از مباحث خسته کننده ای مثل قوانین ( Rules ) استفاده می کنند. امّا کاربردهای هوش مصنوعی چیست ؟ هوش مصنوعی معمولاً به دو دسته اصلی زیر تقسیم می شود: هوش مصنوعی ضعیف ( Narrow AI ) هوش مصنوعی جامع ( Artificial General Intelligence: AGI ) 1- هوش مصنوعی ضعیف ( Narrow AI ) این نوع از AI به صورت محدودتری استفاده می شود و یک نوع شبیه سازی از هوش انسانی است. Narrow AI تمرکزش را می گذارد روی اینکه یک کار خاص را به بهترین حالت انجام دهد. اگرچه ممکن است این ماشین ها هوشمند به نظر برسند اما نسبت به هوش انسانی بسیار بسیار محدودتر عمل می کنند. Narrow AI ، جلوه بیشتری در زندگی روزمره ما دارد و در یک دهه گذشته توانسته منافع اجتماعی و اقتصادی قابل توجهی را برایمان فراهم کند. ممکن است به این فکر کنید که: خب، نمونه های این نوع از هوش مصنوعی چیست ؟ پاسخ این هاست: سیستم سرچ گوگل چت بات ها نرم افزارهای پردازش تصویر سیری ، الکسا و دیگر منشی های مجازی ماشین های خودران واتسون ، کامپیوتر IBMکه می تواند به پرسش های انسان پاسخ دهد. یادگیری ماشین و یادگیری عمیق هوش مصنوعی ضعیف بیشتر مدیون پیشرفت های حوزه یادگیری ماشین و یادگیری عمیق است. اما تفاوت میان یادگیری ماشین ، یادگیری عمیق و هوش مصنوعی چیست ؟ آقای فرانک شِن این تفاوت را اینگونه توضیح می دهد: هوش مصنوعی، مجموعه ای از هوش و الگوریتم هایی است که تلاش دارد تا هوش انسان را تقلید کند. یادگیری ماشین یکی از این الگوریتم هاست و یادگیری عمیق نیز یکی از انواع تکنیک های یادگیری ماشین است. به زبان ساده می توان گفت که: یادگیری ماشین ، مجموعه ای از داده را در اختیار کامپیوتر می گذارد و از روش های آماری استفاده کرده و به کامپیوتر کمک می کند تا یاد بگیرد و وظیفه اش را هر بار بهتر از قبل انجام دهد. در اینصورت دیگر نیازی به نوشتن میلیون ها کُد نداریم. یادگیری ماشین ، هم شامل یادگیری نظارت شده ( با داده های برچسب گذاری شده ) و هم شامل یادگیری نظارت نشده ( با داده های برچسب گذاری نشده ) است. یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است که از الگوریتم های شبکه عصبی (neural networks ) استفاده می کند و تلاش می کند تا مغز انسان را شبیه سازی کند. 2- هوش مصنوعی جامع ( Artificial General Intelligence: AGI ) ساختن ماشینی که هوشی برابر هوش انسان داشته باشد و بتواند هر کاری را انجام دهد، همیشه برای محققان یک آرزوی دیرینه بوده است. اما تحقق این رویا با دشواری هایی نیز همراه است. تلاش برای پیدا کردن یک الگوریتم واحد که بتواند در هر محیطی یاد بگیرد و عمل کند، از مدت ها قبل آغاز شده. اما ساختن ماشینی که توانایی یادگیری همه کارها را داشته باشد، کار آسانی نیست. اگرچه ایده تسلط ربات ها بر انسان ها، همیشه موضوع مورد علاقه فیلم های سینمایی بوده است اما متخصصان متعقدند که این چیزی نیست که حالا حالا ها نگران آن باشیم. تاریخچه هوش مصنوعی چیست ؟ ربات ها و موجودات هوشمند برای اولین بار در اسطوره های یونانی نمایان شدند. تلاش های ارسطو، مهمترین نقطه ای بود که بشر به هوشمندی خودش پی برد. اگرچه رویای AI قدیمی است، اما آنچه ما امروزه با این عنوان می شناسیم به کمتر از یک قرن اخیر بر می گردد. در نمودار زیر ، به اتفاقات کلیدی که در توسعه این تکنولوژی می پردازیم.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][wgl_spacing spacer_size=”30px”][wgl_time_line_vertical values=”%5B%7B%22descr%22%3A%22%DA%86%D8%A7%D9%BE%20%D9%85%D9%82%D8%A7%D9%84%D9%87%20%5C%22A%20Logical%20Calculus%20of%20Ideas%20Immanent%20in%20Nervous%20Activity%5C%22%20%D8%A7%D8%B2%20Warren%20McCullough%20%D9%88%20Walter%C2%A0Pitts%20.%20%D9%85%D9%82%D8%A7%D9%84%D9%87%20%D8%A7%DB%8C%20%DA%A9%D9%87%20%D8%A8%D8%B1%D8%A7%DB%8C%20%D8%A7%D9%88%D9%84%DB%8C%D9%86%20%D8%A8%D8%A7%D8%B1%20%D9%85%D8%AF%D9%84%20%D8%B1%DB%8C%D8%A7%D8%B6%DB%8C%20%D9%84%D8%A7%D8%B2%D9%85%20%D8%A8%D8%B1%D8%A7%DB%8C%20%D8%B3%D8%A7%D8%AE%D8%AA%20%DB%8C%DA%A9%20%D8%B4%D8%A8%DA%A9%D9%87%20%D8%B9%D8%B5%D8%A8%DB%8C%20%D8%B1%D8%A7%20%D9%85%D8%B9%D8%B1%D9%81%DB%8C%20%DA%A9%D8%B1%D8%AF.%22%2C%22date%22%3A%221943%22%2C%22color%22%3A%22%2300bda6%22%2C%22active%22%3A%22true%22%7D%2C%7B%22descr%22%3A%22%D8%A2%D9%82%D8%A7%DB%8C%20%D8%AF%D9%88%D9%86%D8%A7%D9%84%D8%AF%20%D9%87%D9%90%D8%A8%20%D8%AF%D8%B1%20%DA%A9%D8%AA%D8%A7%D8%A8%20%D8%AE%D9%88%D8%AF%20(The%20Organization%20of%20Behavior%3A%20A%20Neuropsychological%20Theory)%20%D8%A8%DB%8C%D8%A7%D9%86%20%DA%A9%D8%B1%D8%AF%20%DA%A9%D9%87%3A%20%D8%B1%D8%A7%D9%87%20%D9%87%D8%A7%DB%8C%20%D8%B9%D8%B5%D8%A8%DB%8C%20%D8%A8%D8%A7%20%DA%A9%D8%B3%D8%A8%20%D8%AA%D8%AC%D8%B1%D8%A8%D9%87%20%D8%B3%D8%A7%D8%AE%D8%AA%D9%87%20%D9%85%DB%8C%20%D8%B4%D9%88%D9%86%D8%AF%20%D9%88%20%D8%A7%D8%B1%D8%AA%D8%A8%D8%A7%D8%B7%20%D8%A8%DB%8C%D9%86%20%D9%86%D9%88%D8%B1%D9%88%D9%86%20%D9%87%D8%A7%20(%D8%B3%D9%84%D9%88%D9%84%20%D9%87%D8%A7%DB%8C%20%D8%B9%D8%B5%D8%A8%DB%8C)%20%D9%87%D8%B1%20%DA%86%D9%82%D8%AF%D8%B1%20%D8%A8%DB%8C%D8%B4%D8%AA%D8%B1%20%D8%B4%D9%88%D8%AF%D8%8C%20%D9%82%D9%88%DB%8C%D8%AA%D8%B1%20%D9%85%DB%8C%20%D8%B4%D9%88%D8%AF.%20%D9%85%D8%AF%D9%84%20Hebbian%20%D9%87%D9%86%D9%88%D8%B2%20%D9%87%D9%85%20%D8%A8%D8%B9%D9%86%D9%88%D8%A7%D9%86%20%DB%8C%DA%A9%20%D9%85%D8%AF%D9%84%20%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C%20%D9%85%D9%87%D9%85%20%D8%B4%D9%86%D8%A7%D8%AE%D8%AA%D9%87%20%D9%85%DB%8C%20%D8%B4%D9%88%D8%AF.%22%2C%22date%22%3A%221949%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%D8%A2%D9%84%D9%86%20%D8%AA%D9%88%D8%B1%DB%8C%D9%86%DA%AF%20%D9%85%D9%82%D8%A7%D9%84%D9%87%20(Computing%20Machinery%20and%20Intelligence)%20%D8%B1%D8%A7%20%D9%85%D9%86%D8%AA%D8%B4%D8%B1%20%DA%A9%D8%B1%D8%AF%D8%8C%20%D9%85%D9%82%D8%A7%D9%84%D9%87%20%D8%A7%DB%8C%20%DA%A9%D9%87%20%D8%A7%D9%85%D8%B1%D9%88%D8%B2%D9%87%20%D8%A8%D8%B9%D9%86%D9%88%D8%A7%D9%86%20%D8%AA%D8%B3%D8%AA%20%D8%AA%D9%88%D8%B1%DB%8C%D9%86%DA%AF%20%D8%B4%D9%86%D8%A7%D8%AE%D8%AA%D9%87%20%D9%85%DB%8C%20%D8%B4%D9%88%D8%AF%D8%8C%20%D8%B1%D9%88%D8%B4%DB%8C%20%D8%A8%D8%B1%D8%A7%DB%8C%20%D8%AA%D8%B9%DB%8C%DB%8C%D9%86%20%D8%A7%DB%8C%D9%86%DA%A9%D9%87%20%D8%A2%DB%8C%D8%A7%20%DB%8C%DA%A9%20%D9%85%D8%A7%D8%B4%DB%8C%D9%86%20%D9%87%D9%88%D8%B4%D9%85%D9%86%D8%AF%20%D8%A7%D8%B3%D8%AA%D8%9F%5Cn%20%20%20-%20%20%20%20%D8%AF%D8%A7%D9%86%D8%B4%DA%AF%D8%A7%D9%87%20%D9%87%D8%A7%D8%B1%D9%88%D8%A7%D8%B1%D8%AF%20%D8%A2%D9%82%D8%A7%DB%8C%20%D9%85%D8%A7%D8%B1%D9%88%DB%8C%D9%86%20%D9%85%DB%8C%D9%86%D8%B3%DA%A9%DB%8C%20%D8%B1%D8%A7%20%D8%A8%D8%B9%D9%86%D9%88%D8%A7%D9%86%20%D8%AF%D8%A7%D9%86%D8%B4%D8%AC%D9%88%DB%8C%20%D9%84%DB%8C%D8%B3%D8%A7%D9%86%D8%B3%20%D9%82%D8%A8%D9%88%D9%84%20%D9%85%DB%8C%20%DA%A9%D9%86%D8%AF%D8%8C%20%D8%A2%D9%82%D8%A7%DB%8C%20%D8%AF%DB%8C%D9%86%20%D8%A7%D8%AF%D9%85%D9%88%D8%AF%D9%86%D8%B2%20%D8%A7%D9%88%D9%84%DB%8C%D9%86%20%DA%A9%D8%A7%D9%85%D9%BE%DB%8C%D9%88%D8%AA%D8%B1%20%D8%B4%D8%A8%DA%A9%D9%87%20%D8%B9%D8%B5%D8%A8%DB%8C%20(SNARC)%20%D8%B1%D8%A7%20%D9%85%DB%8C%20%D8%B3%D8%A7%D8%B2%D8%AF.%5Cn%20%20%20-%20%20%20%20%D8%A2%D9%82%D8%A7%DB%8C%20%DA%A9%D9%84%D9%88%D8%AF%20%D8%B4%D8%A7%D9%86%D9%86%20%D8%8C%20%D9%85%D9%82%D8%A7%D9%84%D9%87%20%D8%A7%DB%8C%20%D8%A8%D8%A7%20%D8%A7%DB%8C%D9%86%20%D8%B9%D9%86%D9%88%D8%A7%D9%86%20%D8%B1%D8%A7%20%DA%86%D8%A7%D9%BE%20%D9%85%DB%8C%20%DA%A9%D9%86%D8%AF%3A%20Programming%20a%20Computer%20for%20Playing%20Chess%5Cn%20%20%20-%20%20%20%20%D8%A2%D9%82%D8%A7%DB%8C%20%D8%A7%DB%8C%D8%B2%D8%A7%DA%A9%20%D8%A2%D8%B3%DB%8C%D9%85%D9%88%D9%81%20%D9%85%D9%82%D8%A7%D9%84%D9%87%20%D8%A7%DB%8C%20%D8%A8%D8%A7%20%D8%A7%DB%8C%D9%86%20%D8%B9%D9%86%D9%88%D8%A7%D9%86%20%D8%B1%D8%A7%20%DA%86%D8%A7%D9%BE%20%D9%85%DB%8C%20%DA%A9%D9%86%D8%AF%3A%20Three%20Laws%20of%20Robotics%5Cn%22%2C%22date%22%3A%221950%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%D8%A2%D9%82%D8%A7%DB%8C%20%D8%A2%D8%B1%D8%AA%D9%88%D8%B1%20%D8%B3%D8%A7%D9%85%D9%88%D8%A6%D9%84%20%DB%8C%DA%A9%20%D8%A8%D8%B1%D9%86%D8%A7%D9%85%D9%87%20%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C%20%D9%87%D9%88%D8%B4%D9%85%D9%86%D8%AF%20%D9%85%DB%8C%20%D8%B3%D8%A7%D8%B2%D8%AF%20%DA%A9%D9%87%20%D8%A8%D8%A7%D8%B2%DB%8C%20%DA%86%DA%A9%D9%90%D8%B1%D8%B2%20%D8%B1%D8%A7%20%D8%A7%D9%86%D8%AC%D8%A7%D9%85%20%D9%85%DB%8C%20%D8%AF%D9%87%D8%AF.%22%2C%22date%22%3A%221952%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%D9%85%D8%A7%D8%B4%DB%8C%D9%86%20%D8%AA%D8%B1%D8%AC%D9%85%D9%87%20IBM%20%D8%8C%20%D8%A8%D9%87%20%D8%B7%D9%88%D8%B1%20%D8%AE%D9%88%D8%AF%DA%A9%D8%A7%D8%B1%20%D9%88%20%D8%AF%D9%82%DB%8C%D9%82%D8%8C%2060%20%D8%AC%D9%85%D9%84%D9%87%20%D8%A7%D9%86%D8%AA%D8%AE%D8%A7%D8%A8%DB%8C%20%D8%B1%D8%A7%20%D8%A7%D8%B2%20%D8%B2%D8%A8%D8%A7%D9%86%20%D8%B1%D9%88%D8%B3%DB%8C%20%D8%A8%D9%87%20%D8%B2%D8%A8%D8%A7%D9%86%20%D8%A7%D9%86%DA%AF%D9%84%DB%8C%D8%B3%DB%8C%20%D8%AA%D8%B1%D8%AC%D9%85%D9%87%20%D9%85%DB%8C%20%DA%A9%D9%86%D8%AF.%22%2C%22date%22%3A%221954%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%D8%AF%D8%B1%20%DA%A9%D9%86%D9%81%D8%B1%D8%A7%D9%86%D8%B3%DB%8C%20%DA%A9%D9%87%20%D9%85%DB%8C%20%D8%AA%D9%88%D8%A7%D9%86%20%DA%AF%D9%81%D8%AA%20%D9%85%D8%AD%D9%84%20%D8%AA%D9%88%D9%84%D8%AF%20%D9%87%D9%88%D8%B4%20%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C%20%D8%A8%D9%88%D8%AF%D8%8C%20%D8%A2%D9%82%D8%A7%DB%8C%20%D8%AC%D8%A7%D9%86%20%D9%85%D9%8E%DA%A9%20%DA%A9%D8%A7%D8%B1%D8%AA%DB%8C%20%D8%AD%D9%88%D8%B2%D9%87%20%D9%87%D8%A7%20%D9%88%20%D8%A7%D9%87%D8%AF%D8%A7%D9%81%20%D8%AF%D8%A7%D9%86%D8%B4%20%D9%87%D9%88%D8%B4%20%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C%20%D8%B1%D8%A7%20%D9%85%D8%B9%D8%B1%D9%81%DB%8C%20%DA%A9%D8%B1%D8%AF.%20%20%20-%20%20%20%D8%A2%D9%82%D8%A7%DB%8C%D8%A7%D9%86%20%D8%A2%D9%84%D9%90%D9%86%20%D9%86%DB%8C%D9%88%D9%88%D9%90%D9%84%20%D9%88%20%D9%87%D8%B1%D8%A8%D8%B1%D8%AA%20%D8%B2%DB%8C%D9%85%D9%88%D9%86%D8%8C%20%D8%A7%D9%88%D9%84%DB%8C%D9%86%20%D8%A7%D9%84%DA%AF%D9%88%D8%B1%DB%8C%D8%AA%D9%85%20%D8%A7%D8%B3%D8%AA%D8%AF%D9%84%D8%A7%D9%84%20%DB%8C%D8%B9%D9%86%DB%8C%20%20Logic%20Theorist%20(LT)%20%D8%B1%D8%A7%20%D9%85%D8%B9%D8%B1%D9%81%DB%8C%20%DA%A9%D8%B1%D8%AF%D9%86%D8%AF.%5Cn%22%2C%22date%22%3A%221956%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%D8%A2%D9%82%D8%A7%DB%8C%20%D8%AC%D8%A7%D9%86%20%D9%85%D9%8E%DA%A9%20%DA%A9%D8%A7%D8%B1%D8%AA%DB%8C%20%D8%8C%20%DB%8C%DA%A9%20%D8%B2%D8%A8%D8%A7%D9%86%20%D8%A8%D8%B1%D9%86%D8%A7%D9%85%D9%87%20%D9%86%D9%88%DB%8C%D8%B3%DB%8C%20%D8%A8%D9%87%20%D9%86%D8%A7%D9%85%20Lisp%20%D8%B1%D8%A7%20%D8%B7%D8%B1%D8%A7%D8%AD%DB%8C%20%DA%A9%D8%B1%D8%AF%20%D9%88%20%D9%85%D9%82%D8%A7%D9%84%D9%87%20Programs%20with%20Common%20Sense%20%D8%B1%D8%A7%20%D9%85%D9%86%D8%AA%D8%B4%D8%B1%20%DA%A9%D8%B1%D8%AF.%20%D9%85%D9%82%D8%A7%D9%84%D9%87%20%D8%A7%DB%8C%20%DA%A9%D9%87%20%DB%8C%DA%A9%20%D8%B3%DB%8C%D8%B3%D8%AA%D9%85%20%DA%A9%D8%A7%D9%85%D9%84%20%D8%A8%D8%A7%20%D8%AA%D9%88%D8%A7%D9%86%D8%A7%DB%8C%DB%8C%20%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C%20%D8%A8%D9%88%D8%B3%DB%8C%D9%84%D9%87%20%D8%AA%D8%AC%D8%B1%D8%A8%D9%87%20(%D9%87%D9%85%D8%A7%D9%86%D9%86%D8%AF%20%D8%A7%D9%86%D8%B3%D8%A7%D9%86)%20%D8%B1%D8%A7%20%D9%85%D8%B9%D8%B1%D9%81%DB%8C%20%D9%85%DB%8C%20%DA%A9%D8%B1%D8%AF.%22%2C%22date%22%3A%221958%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%D8%A2%D9%82%D8%A7%DB%8C%D8%A7%D9%86%20%D8%A2%D9%84%D9%86%20%D9%86%DB%8C%D9%88%D9%88%D9%84%20%D8%8C%20%D9%87%D8%B1%D8%A8%D8%B1%D8%AA%20%D8%B2%DB%8C%D9%85%D9%88%D9%86%20%D9%88%20%D8%AC%DB%8C.%20%D8%B3%DB%8C.%20%D8%B4%D8%A7%20%DB%8C%DA%A9%20%D8%A8%D8%B1%D9%86%D8%A7%D9%85%D9%87%20%D8%AD%D9%84%20%D9%85%D8%B4%DA%A9%D9%84%20(GPS)%20%D8%B7%D8%B1%D8%A7%D8%AD%DB%8C%20%DA%A9%D8%B1%D8%AF%D9%86%D8%AF%20%DA%A9%D9%87%20%D9%86%D8%AD%D9%88%D9%87%20%D8%AD%D9%84%20%D9%85%D8%B4%DA%A9%D9%84%20%D8%AA%D9%88%D8%B3%D8%B7%20%D8%A7%D9%86%D8%B3%D8%A7%D9%86%20%D8%B1%D8%A7%20%D8%AA%D9%82%D9%84%DB%8C%D8%AF%20%D9%85%DB%8C%20%DA%A9%D8%B1%D8%AF.%20%20%20-%20%20%20%D8%A2%D9%82%D8%A7%DB%8C%20%D9%87%D8%B1%D8%A8%D8%B1%D8%AA%20%DA%AF%D9%90%D9%84%D9%90%D8%B1%D9%86%D8%AA%D9%90%D8%B1%20%D8%A8%D8%B1%D9%86%D8%A7%D9%85%D9%87%20%D8%A7%DB%8C%20%D8%A8%D8%B1%D8%A7%DB%8C%20%D8%A7%D8%AB%D8%A8%D8%A7%D8%AA%20%D9%82%D8%B6%D8%A7%DB%8C%D8%A7%DB%8C%20%D9%87%D9%86%D8%AF%D8%B3%D9%87%20%D8%B7%D8%B1%D8%A7%D8%AD%DB%8C%20%DA%A9%D8%B1%D8%AF.%20%20%20%20-%20%20%20%D8%A2%D9%82%D8%A7%DB%8C%20%D8%A2%D8%B1%D8%AA%D9%88%D8%B1%20%D8%B3%D8%A7%D9%85%D9%88%D8%A6%D9%84%20%D8%8C%20%DA%A9%D9%84%D9%85%D9%87%20%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C%20%D9%85%D8%A7%D8%B4%DB%8C%D9%86%20%D8%B1%D8%A7%20%D9%85%D8%B9%D8%B1%D9%81%DB%8C%20%D9%85%DB%8C%20%DA%A9%D9%86%D8%AF%20(%D8%AF%D8%B1%20IBM)%20%20%20-%20%20%20%D8%A2%D9%82%D8%A7%DB%8C%20%D8%AC%D8%A7%D9%86%20%D9%85%DA%A9%20%DA%A9%D8%A7%D8%B1%D8%AA%DB%8C%20%D9%88%20%D9%85%D8%A7%D8%B1%D9%88%DB%8C%D9%86%20%D9%85%DB%8C%D9%86%D8%B3%DA%A9%DB%8C%20%D8%8C%20%D9%BE%D8%B1%D9%88%DA%98%D9%87%20%D9%87%D9%88%D8%B4%20%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C%20%D8%AF%D8%A7%D9%86%D8%B4%DA%AF%D8%A7%D9%87%20MIT%20%D8%B1%D8%A7%20%D8%A8%D9%86%DB%8C%D8%A7%D9%86%DA%AF%D8%B0%D8%A7%D8%B1%DB%8C%20%D9%85%DB%8C%20%DA%A9%D9%86%D9%86%D8%AF.%22%2C%22date%22%3A%221959%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%D8%A2%D9%82%D8%A7%DB%8C%20%D8%AC%D8%A7%D9%86%20%D9%85%DA%A9%20%DA%A9%D8%A7%D8%B1%D8%AA%DB%8C%20%D8%8C%20%D8%A2%D8%B2%D9%85%D8%A7%DB%8C%D8%B4%DA%AF%D8%A7%D9%87%20%D9%87%D9%88%D8%B4%20%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C%20%D8%B1%D8%A7%20%D8%AF%D8%B1%20%D8%AF%D8%A7%D9%86%D8%B4%DA%AF%D8%A7%D9%87%20%D8%A7%D8%B3%D8%AA%D9%86%D9%81%D9%88%D8%B1%D8%AF%20%D8%B1%D8%A7%D9%87%20%D8%A7%D9%86%D8%AF%D8%A7%D8%B2%DB%8C%20%D9%85%DB%8C%20%DA%A9%D9%86%D8%AF.%22%2C%22date%22%3A%221963%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%D8%A8%D9%87%20%D8%AF%D9%84%DB%8C%D9%84%20%DA%AF%D8%B2%D8%A7%D8%B1%D8%B4%DB%8C%20%D9%85%D9%86%D8%AA%D8%B4%D8%B1%20%D8%B4%D8%AF%D9%87%20%D8%A7%D8%B2%20%D8%B3%D9%85%D8%AA%20%D8%AF%D9%88%D9%84%D8%AA%20(ALPAC)%20%D9%85%D8%A8%D9%86%DB%8C%20%D8%A8%D8%B1%20%D8%B9%D8%AF%D9%85%20%D9%BE%DB%8C%D8%B4%D8%B1%D9%81%D8%AA%20%D8%AA%D8%AD%D9%82%DB%8C%D9%82%D8%A7%D8%AA%20%D9%85%D8%B1%D8%AA%D8%A8%D8%B7%20%D8%A8%D8%A7%20%D8%AA%D8%B1%D8%AC%D9%85%D9%87%20%D9%85%D8%A7%D8%B4%DB%8C%D9%86%DB%8C%20%D8%8C%20%DA%A9%D9%84%DB%8C%D9%87%20%D9%BE%D8%B1%D9%88%DA%98%D9%87%20%D9%87%D8%A7%DB%8C%20%D8%AF%D8%A7%D9%86%D8%B4%DA%AF%D8%A7%D9%87%20MIT%20%DA%A9%D9%87%20%D8%AA%D9%88%D8%B3%D8%B7%20%D8%AF%D9%88%D9%84%D8%AA%20%D8%B3%D8%B1%D9%85%D8%A7%DB%8C%D9%87%20%DA%AF%D8%B0%D8%A7%D8%B1%DB%8C%20%D8%B4%D8%AF%D9%87%20%D8%A8%D9%88%D8%AF%D8%8C%20%D9%84%D8%BA%D9%88%20%D8%B4%D8%AF.%22%2C%22date%22%3A%221966%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%D8%A8%D8%B1%D9%86%D8%A7%D9%85%D9%87%20%D9%87%D8%A7%DB%8C%20%D9%85%D9%88%D9%81%D9%82%DB%8C%20%D8%A8%D9%86%D8%A7%D9%85%20XX%20%D9%88%20MYCIN%20(%DA%A9%D9%87%20%D8%A8%D8%B1%D8%A7%DB%8C%20%D8%AA%D8%B4%D8%AE%DB%8C%D8%B5%20%D8%B9%D9%81%D9%88%D9%86%D8%AA%20%D8%AE%D9%88%D9%86%20%D8%B7%D8%B1%D8%A7%D8%AD%DB%8C%20%D8%B4%D8%AF%D9%87%20%D8%A8%D9%88%D8%AF%D9%86%D8%AF)%20%D8%AF%D8%B1%20%D8%AF%D8%A7%D9%86%D8%B4%DA%AF%D8%A7%D9%87%20%D8%A7%D8%B3%D8%AA%D9%81%D9%88%D8%B1%D8%AF%20%D8%B3%D8%A7%D8%AE%D8%AA%D9%87%20%D8%B4%D8%AF%D9%86%D8%AF.%22%2C%22date%22%3A%221969%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%D8%B2%D8%A8%D8%A7%D9%86%20%D8%A8%D8%B1%D9%86%D8%A7%D9%85%D9%87%20%D9%86%D9%88%DB%8C%D8%B3%DB%8C%20%D9%85%D9%86%D8%B7%D9%82%DB%8C%20PROLOG%20%D8%B3%D8%A7%D8%AE%D8%AA%D9%87%20%D8%B4%D8%AF.%22%2C%22date%22%3A%221972%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%DA%AF%D8%B2%D8%A7%D8%B1%D8%B4%20Lighthill%20%D8%AA%D9%88%D8%B3%D8%B7%20%D8%AF%D9%88%D9%84%D8%AA%20%D8%A7%D9%86%DA%AF%D9%84%DB%8C%D8%B3%20%D9%85%D9%86%D8%AA%D8%B4%D8%B1%20%D8%B4%D8%AF%20%D9%88%20%D8%A8%D9%87%20%D9%86%D8%A7%20%D8%A7%D9%85%DB%8C%D8%AF%DB%8C%20%D8%AF%D8%B1%20%D8%AA%D8%AD%D9%82%DB%8C%D9%82%D8%A7%D8%AA%20%D8%AD%D9%88%D8%B2%D9%87%20%D9%87%D9%88%D8%B4%20%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C%20%D9%BE%D8%B1%D8%AF%D8%A7%D8%AE%D8%AA%20%D9%88%20%D8%A7%DB%8C%D9%86%20%D9%86%DB%8C%D8%B2%20%D9%85%D9%86%D8%AC%D8%B1%20%D8%A8%D9%87%20%D9%82%D8%B7%D8%B9%20%D8%A8%D9%88%D8%AF%D8%AC%D9%87%20%D9%BE%D8%B1%D9%88%DA%98%D9%87%20%D9%87%D8%A7%20%D8%B4%D8%AF.%22%2C%22date%22%3A%221973%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%D8%AE%D8%B4%D9%85%20%D9%86%D8%A7%D8%B4%DB%8C%20%D8%A7%D8%B2%20%D8%B9%D8%AF%D9%85%20%D9%BE%DB%8C%D8%B4%D8%B1%D9%81%D8%AA%20%D9%87%D8%A7%D8%8C%20%D8%A8%D8%A7%20%DA%AF%D8%B2%D8%A7%D8%B1%D8%B4%20%D9%87%D8%A7%DB%8C%20ALPAC%20%D9%88%20Lighthill%20Report%20%D9%87%D9%85%D8%B1%D8%A7%D9%87%20%D8%B4%D8%AF%20%D9%88%20%D9%85%D9%86%D8%AC%D8%B1%20%D8%A8%D9%87%20%D9%82%D8%B7%D8%B9%20%D8%A8%D9%88%D8%AF%D8%AC%D9%87%20DARPA%20(%D8%A8%D9%86%DA%AF%D8%A7%D9%87%20%D9%BE%DA%98%D9%88%D9%87%D8%B4%DB%8C%20%D9%88%D8%B2%D8%A7%D8%B1%D8%AA%20%D8%AF%D9%81%D8%A7%D8%B9%20%D8%A2%D9%85%D8%B1%DB%8C%DA%A9%D8%A7)%20%D8%A7%D8%B2%20%D9%BE%D8%B1%D9%88%DA%98%D9%87%20%D9%87%D8%A7%20%D9%88%20%D8%AF%D8%B1%20%D9%86%D8%AA%DB%8C%D8%AC%D9%87%20%D8%A7%DB%8C%D8%B3%D8%AA%20%D8%AA%D8%AD%D9%82%DB%8C%D9%82%D8%A7%D8%AA%20%D8%B4%D8%AF.%20%D8%A7%DB%8C%D9%86%20%D8%AF%D9%88%D8%B1%D9%87%D8%8C%20%D8%A8%D9%87%20%D8%A7%D9%88%D9%84%DB%8C%D9%86%20%D8%B2%D9%85%D8%B3%D8%AA%D8%A7%D9%86%20%D9%87%D9%88%D8%B4%20%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C%20%D9%85%D8%B9%D8%B1%D9%88%D9%81%20%D8%A7%D8%B3%D8%AA.%22%2C%22date%22%3A%221974-1980%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%D8%B3%DB%8C%D8%B3%D8%AA%D9%85%20R1%20%DB%8C%D8%A7%20XCON%20(%20%D8%A7%D9%88%D9%84%DB%8C%D9%86%20%D8%B3%DB%8C%D8%B3%D8%AA%D9%85%20%D8%AA%D8%AE%D8%B5%D8%B5%DB%8C%20%D8%AA%D8%AC%D8%A7%D8%B1%DB%8C%20)%20%D8%A8%D8%A7%20%D9%87%D8%AF%D9%81%20%DA%AF%D8%B1%D9%81%D8%AA%D9%86%20%D8%B3%D9%81%D8%A7%D8%B1%D8%B4%20%D9%87%D8%A7%DB%8C%20%D8%AC%D8%AF%DB%8C%D8%AF%D8%8C%20%D8%B7%D8%B1%D8%A7%D8%AD%DB%8C%20%D8%B4%D8%AF.%20R1%20%D8%A8%D8%A7%D8%B9%D8%AB%20%D8%B3%D8%B1%D8%B1%DB%8C%D8%B2%20%D9%85%D8%AC%D8%AF%D8%AF%20%D8%B3%D8%B1%D9%85%D8%A7%DB%8C%D9%87%20%DA%AF%D8%B0%D8%A7%D8%B1%DB%8C%20%D9%87%D8%A7%20%D8%B4%D8%AF%D9%87%20%D9%88%20%D8%A8%D9%87%20%D8%A7%D9%88%D9%84%DB%8C%D9%86%20%D8%B2%D9%85%D8%B3%D8%AA%D8%A7%D9%86%20%D9%87%D9%88%D8%B4%20%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C%20%D9%BE%D8%A7%DB%8C%D8%A7%D9%86%20%D8%AF%D8%A7%D8%AF.%22%2C%22date%22%3A%221980%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%D9%88%D8%B2%D8%A7%D8%B1%D8%AA%20%D8%B5%D9%86%D8%B9%D8%AA%20%D9%88%20%D8%AA%D8%AC%D8%A7%D8%B1%D8%AA%20%DA%98%D8%A7%D9%BE%D9%86%D8%8C%20%D9%BE%D8%B1%D9%88%DA%98%D9%87%20%D9%86%D8%B3%D9%84%20%D9%BE%D9%86%D8%AC%D9%85%20%D8%B3%DB%8C%D8%B3%D8%AA%D9%85%20%D9%87%D8%A7%DB%8C%20%DA%A9%D8%A7%D9%85%D9%BE%DB%8C%D9%88%D8%AA%D8%B1%DB%8C%20(FGCS)%20%D8%B1%D8%A7%20%D8%A8%D9%87%20%D9%85%D9%86%D8%B8%D9%88%D8%B1%20%D8%B7%D8%B1%D8%A7%D8%AD%DB%8C%20%D8%A7%D8%A8%D8%B1%DA%A9%D8%A7%D9%85%D9%BE%DB%8C%D9%88%D8%AA%D8%B1%D9%87%D8%A7%20%D9%88%20%D9%BE%D9%84%D8%AA%D9%81%D8%B1%D9%85%DB%8C%20%D8%A8%D8%B1%D8%A7%DB%8C%20%D8%AA%D9%88%D8%B3%D8%B9%D9%87%20%D9%87%D9%88%D8%B4%20%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C%20%D8%B1%D8%A7%D9%87%20%D8%A7%D9%86%D8%AF%D8%A7%D8%B2%DB%8C%20%DA%A9%D8%B1%D8%AF.%22%2C%22date%22%3A%221982%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%D8%AF%D8%B1%20%D9%BE%D8%A7%D8%B3%D8%AE%20%D8%A8%D9%87%20%D8%A7%D9%82%D8%AF%D8%A7%D9%85%20%DA%98%D8%A7%D9%BE%D9%86%D8%8C%20%D8%A2%D9%85%D8%B1%DB%8C%DA%A9%D8%A7%20%D9%86%DB%8C%D8%B2%20%D8%B1%D9%88%DB%8C%20DARPA%20%D9%88%20%D8%AA%D8%AD%D9%82%DB%8C%D9%82%D8%A7%D8%AA%20%D8%AF%D8%B1%20%D8%AD%D9%88%D8%B2%D9%87%20%D8%B3%DB%8C%D8%B3%D8%AA%D9%85%20%D9%87%D8%A7%DB%8C%20%DA%A9%D8%A7%D9%85%D9%BE%DB%8C%D9%88%D8%AA%D8%B1%DB%8C%20%D9%BE%DB%8C%D8%B4%D8%B1%D9%81%D8%AA%D9%87%20%D9%88%20%D9%87%D9%88%D8%B4%20%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C%20%D8%B3%D8%B1%D9%85%D8%A7%DB%8C%D9%87%20%DA%AF%D8%B0%D8%A7%D8%B1%DB%8C%20%D9%85%DB%8C%20%DA%A9%D9%86%D8%AF.%22%2C%22date%22%3A%221983%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%D8%B4%D8%B1%DA%A9%D8%AA%20%D9%87%D8%A7%20%D8%B3%D8%A7%D9%84%DB%8C%D8%A7%D9%86%D9%87%20%D8%A8%DB%8C%D8%B4%20%D8%A7%D8%B2%201%20%D9%85%DB%8C%D9%84%DB%8C%D8%A7%D8%B1%D8%AF%20%D8%AF%D9%84%D8%A7%D8%B1%20%D8%B1%D9%88%DB%8C%20%D8%B3%DB%8C%D8%B3%D8%AA%D9%85%20%D9%87%D8%A7%DB%8C%20%D8%AA%D8%AE%D8%B5%D8%B5%DB%8C%20%D8%B3%D8%B1%D9%85%D8%A7%DB%8C%D9%87%20%DA%AF%D8%B0%D8%A7%D8%B1%DB%8C%20%D9%85%DB%8C%20%DA%A9%D9%86%D9%86%D8%AF%20%D9%88%20%D8%B5%D9%86%D8%B9%D8%AA%DB%8C%20%D8%A8%D9%86%D8%A7%D9%85%20%5C%22%D8%A8%D8%A7%D8%B2%D8%A7%D8%B1%20%D9%85%D8%A7%D8%B4%DB%8C%D9%86%20%D9%87%D8%A7%DB%8C%20Lisp%5C%22%20%D8%8C%20%D8%A8%D8%B1%D8%A7%DB%8C%20%D8%AD%D9%85%D8%A7%DB%8C%D8%AA%20%D8%A7%D8%B2%20%D8%A2%D9%86%20%D9%87%D8%A7%20%D8%A8%D9%88%D8%AC%D9%88%D8%AF%20%D9%85%DB%8C%20%D8%A2%DB%8C%D8%AF.%20%D8%B4%D8%B1%DA%A9%D8%AA%20%D9%87%D8%A7%DB%8C%DB%8C%20%D9%86%D8%B8%DB%8C%D8%B1%20Symbolics%20%20%D9%88Lisp%20Machines%20Inc%20%D8%8C%20%DA%A9%D8%A7%D9%85%D9%BE%DB%8C%D9%88%D8%AA%D8%B1%D9%87%D8%A7%DB%8C%20%D9%88%DB%8C%DA%98%D9%87%20%D8%A7%DB%8C%20%D8%A8%D8%B1%D8%A7%DB%8C%20%DA%A9%D8%A7%D8%B1%20%D8%A8%D8%A7%20%D8%B2%D8%A8%D8%A7%D9%86%20Lisp%20%D9%85%DB%8C%20%D8%B3%D8%A7%D8%B2%D9%86%D8%AF.%22%2C%22date%22%3A%221985%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%D8%A8%D9%87%20%D9%85%D8%B1%D9%88%D8%B1%20%DA%A9%D9%87%20%D8%AA%DA%A9%D9%86%D9%88%D9%84%D9%88%DA%98%DB%8C%20%DA%A9%D8%A7%D9%85%D9%BE%DB%8C%D9%88%D8%AA%D8%B1%20%D9%BE%DB%8C%D8%B4%D8%B1%D9%81%D8%AA%20%DA%A9%D8%B1%D8%AF%20%D9%88%20%D8%A7%D8%B1%D8%B2%D8%A7%D9%86%20%D8%AA%D8%B1%20%D8%B4%D8%AF%D8%8C%20%5C%22%D8%A8%D8%A7%D8%B2%D8%A7%D8%B1%20%D9%85%D8%A7%D8%B4%DB%8C%D9%86%20%D9%87%D8%A7%DB%8C%20Lisp%5C%22%20%D8%B3%D9%82%D9%88%D8%B7%20%DA%A9%D8%B1%D8%AF%20%D9%88%20%D8%AF%D9%88%D8%B1%D9%87%20%D8%B2%D9%85%D8%B3%D8%AA%D8%A7%D9%86%20%D8%AF%D9%88%D9%85%20%D9%87%D9%88%D8%B4%20%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C%20%D8%B4%D8%B1%D9%88%D8%B9%20%D8%B4%D8%AF.%20%D8%AF%D8%B1%20%D8%A7%DB%8C%D9%86%20%D8%AF%D9%88%D8%B1%D9%87%D8%8C%20%D8%B3%DB%8C%D8%B3%D8%AA%D9%85%20%D9%87%D8%A7%DB%8C%20%D8%AA%D8%AE%D8%B5%D8%B5%DB%8C%20%D8%A8%D8%B3%DB%8C%D8%A7%D8%B1%20%D9%BE%D8%B1%D9%87%D8%B2%DB%8C%D9%86%D9%87%20%D8%A8%D9%88%D8%AF%D9%86%D8%AF%20%D9%88%20%D8%AF%D8%B1%D9%86%D8%AA%DB%8C%D8%AC%D9%87%20%D8%AF%DB%8C%DA%AF%D8%B1%20%D9%85%D9%88%D8%B1%D8%AF%20%D8%B9%D9%84%D8%A7%D9%82%D9%87%20%DA%A9%D8%B3%DB%8C%20%D9%86%D8%A8%D9%88%D8%AF%D9%86%D8%AF%20%20%20%20-%20%20%20%DA%98%D8%A7%D9%BE%D9%86%20%D9%BE%D8%B1%D9%88%DA%98%D9%87%20FGCS%20%D8%B1%D8%A7%20%D8%AF%D8%B1%20%D8%B3%D8%A7%D9%84%201992%20%D8%AE%D8%A7%D8%AA%D9%85%D9%87%20%D8%AF%D8%A7%D8%AF%20%D9%88%20%D8%A7%D8%B9%D9%84%D8%A7%D9%85%20%DA%A9%D8%B1%D8%AF%20%DA%A9%D9%87%20%D8%B4%DA%A9%D8%B3%D8%AA%20%D8%AE%D9%88%D8%B1%D8%AF%D9%87%20%20%20-%20%20%20DARPA%20%D9%86%DB%8C%D8%B2%20%D8%AF%D8%B1%20%D8%B3%D8%A7%D9%84%201993%20%D9%88%20%D8%A8%D8%B9%D8%AF%20%D8%A7%D8%B2%20%D8%B5%D8%B1%D9%81%201%20%D9%85%DB%8C%D9%84%DB%8C%D8%A7%D8%B1%D8%AF%20%D8%AF%D9%84%D8%A7%D8%B1%20%D9%87%D8%B2%DB%8C%D9%86%D9%87%D8%8C%20%D8%B3%D8%B1%D9%85%D8%A7%DB%8C%D9%87%20%DA%AF%D8%B0%D8%A7%D8%B1%DB%8C%D8%B4%20%D8%B1%D8%A7%20%D8%AE%D8%A7%D8%AA%D9%85%D9%87%20%D8%AF%D8%A7%D8%AF.%22%2C%22date%22%3A%221987-1993%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%D8%B7%DB%8C%20%D8%AC%D9%86%DA%AF%20%D8%AE%D9%84%DB%8C%D8%AC%20%D9%81%D8%A7%D8%B1%D8%B3%D8%8C%20%D9%86%DB%8C%D8%B1%D9%88%D9%87%D8%A7%DB%8C%20%D8%A2%D9%85%D8%B1%DB%8C%DA%A9%D8%A7%DB%8C%DB%8C%20%D8%A7%D8%B2%20%D9%BE%D8%B1%D9%88%DA%98%D9%87%20DART%20(%D8%A7%D8%A8%D8%B2%D8%A7%D8%B1%DB%8C%20%D8%AE%D9%88%D8%AF%DA%A9%D8%A7%D8%B1%20%D8%A8%D8%B1%D8%A7%DB%8C%20%D8%A8%D8%B1%D9%86%D8%A7%D9%85%D9%87%20%D8%B1%DB%8C%D8%B2%DB%8C%20%D9%84%D8%AC%D8%B3%D8%AA%DB%8C%DA%A9)%20%D8%A7%D8%B3%D8%AA%D9%81%D8%A7%D8%AF%D9%87%20%D9%85%DB%8C%20%DA%A9%D9%86%D8%AF.%22%2C%22date%22%3A%221991%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%D9%BE%D8%B1%D9%88%DA%98%D9%87%20Deep%20Blue%20%D8%B4%D8%B1%DA%A9%D8%AA%20IBM%20%D8%8C%20%D9%82%D8%B1%D9%85%D8%A7%D9%86%20%D8%B4%D8%B7%D8%B1%D9%86%D8%AC%20%D8%AC%D9%87%D8%A7%D9%86%20(%DA%AF%D9%8E%D8%B1%DB%8C%20%DA%A9%D8%A7%D8%B3%D9%BE%D8%A7%D8%B1%D9%8F%D9%81)%20%D8%B1%D8%A7%20%D8%B4%DA%A9%D8%B3%D8%AA%20%D9%85%DB%8C%20%D8%AF%D9%87%D8%AF.%22%2C%22date%22%3A%221997%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%D9%85%D8%A7%D8%B4%DB%8C%D9%86%20%D8%AE%D9%88%D8%AF%D8%B1%D8%A7%D9%86%20(STANLEY)%20%D8%8C%20%D9%85%D8%B3%D8%A7%D8%A8%D9%82%D9%87%20%D8%A7%DB%8C%20%DA%A9%D9%87%20%D8%AA%D9%88%D8%B3%D8%B7%20DARPA%20%D8%A8%D8%B1%DA%AF%D8%B2%D8%A7%D8%B1%20%D8%B4%D8%AF%D9%87%20%D8%A8%D9%88%D8%AF%20%D8%B1%D8%A7%20%D8%A8%D8%B1%D9%86%D8%AF%D9%87%20%D9%85%DB%8C%20%D8%B4%D9%88%D8%AF.%20%20%20-%20%20%20%D8%A7%DB%8C%D8%A7%D9%84%D8%A7%D8%AA%20%D9%85%D8%AA%D8%AD%D8%AF%D9%87%20%D8%B4%D8%B1%D9%88%D8%B9%20%D8%A8%D9%87%20%D8%B3%D8%B1%D9%85%D8%A7%DB%8C%D9%87%20%DA%AF%D8%B0%D8%A7%D8%B1%DB%8C%20%D8%B1%D9%88%DB%8C%20%D8%B1%D8%A8%D8%A7%D8%AA%20%D9%87%D8%A7%DB%8C%20%D8%AE%D9%88%D8%AF%D8%B1%D8%A7%D9%86%20%D9%86%D8%B8%DB%8C%D8%B1%20Big%20Dog%20%D9%88%20PackBot%20%D9%85%DB%8C%20%DA%A9%D9%86%D8%AF.%22%2C%22date%22%3A%222005%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%DA%AF%D9%88%DA%AF%D9%84%20%D9%BE%DB%8C%D8%B4%D8%B1%D9%81%D8%AA%20%D9%87%D8%A7%DB%8C%20%D8%B2%DB%8C%D8%A7%D8%AF%DB%8C%20%D8%AF%D8%B1%20%D8%A7%D8%A8%D8%B2%D8%A7%D8%B1%D9%87%D8%A7%DB%8C%20%D8%AA%D8%B4%D8%AE%DB%8C%D8%B5%20%DA%AF%D9%81%D8%AA%D8%A7%D8%B1%20%D9%85%DB%8C%20%DA%A9%D9%86%D8%AF%20%D9%88%20%D8%A2%D9%86%20%D8%B1%D8%A7%20%D8%AF%D8%B1%20%D8%A8%D8%B1%D9%86%D8%A7%D9%85%D9%87%20%D8%A2%DB%8C%D9%81%D9%88%D9%86%20%D8%AE%D9%88%D8%AF%20%D9%85%D9%86%D8%AA%D8%B4%D8%B1%20%D9%85%DB%8C%20%DA%A9%D9%86%D8%AF.%22%2C%22date%22%3A%222008%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%DA%A9%D8%A7%D9%85%D9%BE%DB%8C%D9%88%D8%AA%D8%B1%20Watson%20%D8%B4%D8%B1%DA%A9%D8%AA%20IBM%D8%8C%20%D8%AA%D9%88%D8%A7%D9%86%D8%B3%D8%AA%20%D8%B1%D9%82%DB%8C%D8%A8%D8%A7%D9%86%D8%B4%20%D8%B1%D8%A7%20%D8%AF%D8%B1%20%DB%8C%DA%A9%DB%8C%20%D8%A7%D8%B2%20%D8%A8%D8%B1%D9%86%D8%A7%D9%85%D9%87%20%D9%87%D8%A7%DB%8C%20%D8%AA%D9%84%D9%88%DB%8C%D8%B2%DB%8C%D9%88%D9%86%20%D8%A2%D9%85%D8%B1%DB%8C%DA%A9%D8%A7%20(Jeopardy)%20%D8%B4%DA%A9%D8%B3%D8%AA%20%D8%AF%D9%87%D8%AF.%22%2C%22date%22%3A%222011%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%D8%A2%D9%82%D8%A7%DB%8C%20Andrew%20Ng%20%D8%8C%20(%20%D8%A8%D9%86%DB%8C%D8%A7%D9%86%DA%AF%D8%B0%D8%A7%D8%B1%20%D9%BE%D8%B1%D9%88%DA%98%D9%87%20%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C%20%D8%B9%D9%85%DB%8C%D9%82%20%DA%AF%D9%88%DA%AF%D9%84%20)%2010%20%D9%85%DB%8C%D9%84%DB%8C%D9%88%D9%86%20%D9%88%DB%8C%D8%AF%D8%A6%D9%88%20%D8%A7%D8%B2%20%DB%8C%D9%88%D8%AA%DB%8C%D9%88%D8%A8%20%D8%B1%D8%A7%20%D8%A8%D8%B1%D8%A7%DB%8C%20%D8%AA%D8%B3%D8%AA%20%D8%A8%D9%87%20%DB%8C%DA%A9%20%D8%B4%D8%A8%DA%A9%D9%87%20%D8%B9%D8%B5%D8%A8%DB%8C%20%D9%85%DB%8C%20%D8%AF%D9%87%D8%AF.%20%D8%B4%D8%A8%DA%A9%D9%87%20%D8%B9%D8%B5%D8%A8%DB%8C%20%DB%8C%D8%A7%D8%AF%20%DA%AF%D8%B1%D9%81%D8%AA%20%DA%A9%D9%87%20%DB%8C%DA%A9%20%DA%AF%D8%B1%D8%A8%D9%87%20%D8%B1%D8%A7%20(%D8%A8%D8%AF%D9%88%D9%86%20%D8%A7%DB%8C%D9%86%DA%A9%D9%87%20%D8%A8%D9%87%20%D8%A7%D9%88%20%D8%A8%DA%AF%D9%88%DB%8C%D9%86%D8%AF)%20%D8%AA%D8%B4%D8%AE%DB%8C%D8%B5%20%D8%AF%D9%87%D8%AF.%20%D8%A7%DB%8C%D9%86%20%D9%85%D9%88%D8%B6%D9%88%D8%B9%20%D8%A8%D8%A7%D8%B9%D8%AB%20%D8%B1%D9%88%D9%86%D9%82%20%D8%AD%D9%88%D8%B2%D9%87%20%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C%20%D8%B9%D9%85%DB%8C%D9%82%20%D9%88%20%D8%B4%D8%A8%DA%A9%D9%87%20%D9%87%D8%A7%DB%8C%20%D8%B9%D8%B5%D8%A8%DB%8C%20%D8%B4%D8%AF.%22%2C%22date%22%3A%222012%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%DA%AF%D9%88%DA%AF%D9%84%20%D8%A7%D9%88%D9%84%DB%8C%D9%86%20%D9%85%D8%A7%D8%B4%DB%8C%D9%86%20%D8%AE%D9%88%D8%AF%D8%B1%D8%A7%D9%86%20%D8%B1%D8%A7%20%D9%85%DB%8C%20%D8%B3%D8%A7%D8%B2%D8%AF.%22%2C%22date%22%3A%222014%22%2C%22color%22%3A%22%2300bda6%22%7D%2C%7B%22descr%22%3A%22%D9%BE%D8%B1%D9%88%DA%98%D9%87%20AlphaGo%20%20%DA%AF%D9%88%DA%AF%D9%84%D8%8C%20%D9%82%D8%B1%D9%85%D8%A7%D9%86%20%D8%A8%D8%A7%D8%B2%DB%8C%20Go%20%D8%8C%20%D8%A2%D9%82%D8%A7%DB%8C%20Lee%20Sedol%D8%8C%20%D8%B1%D8%A7%20%D8%B4%DA%A9%D8%B3%D8%AA%20%D9%85%DB%8C%20%D8%AF%D9%87%D8%AF.%20%D9%BE%DB%8C%DA%86%DB%8C%D8%AF%DA%AF%DB%8C%20%D8%A7%DB%8C%D9%86%20%D8%A8%D8%A7%D8%B2%DB%8C%20%D8%A8%D8%A7%D8%B3%D8%AA%D8%A7%D9%86%DB%8C%20%DA%86%DB%8C%D9%86%DB%8C%D8%8C%20%DB%8C%DA%A9%20%DA%86%D8%A7%D9%84%D8%B4%20%D8%A7%D8%B5%D9%84%DB%8C%20%D8%AF%D8%B1%20%D9%87%D9%88%D8%B4%20%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C%20%D8%A8%D9%87%20%D8%AD%D8%B3%D8%A7%D8%A8%20%D9%85%DB%8C%20%D8%B1%D9%81%D8%AA.%22%2C%22date%22%3A%222016%22%2C%22color%22%3A%22%2300bda6%22%7D%5D”][/vc_column][/vc_row][vc_row][vc_column][wgl_spacing spacer_size=”30px”][vc_separator][wgl_spacing spacer_size=”30px”][vc_column_text] نظر شما درباره هوش مصنوعی چیست ؟ اگر هر گونه سوال، ابهام یا پیشنهادی برای تولید محتوا داشتید، کافی است تا نظرات خود را در قسمت دیدگاه ها ثبت کنید. موستانگ ، خواندن بازخورد
نرم افزار ویرایش ویدئو در ویندوز 10 | مختصر و مفید!
این روزها تولید محتوا ویدئویی بسیار ارزشمند است. شاید شما هم تا به حال به فکرش افتاده باشید. برای ضبط یک ویدئو ساده از صفحه کامپیوتر ، لازم نیست کار خیلی خاصی انجام دهید. نرم افزارهای زیادی برای این کار وجود دارند که در این مقاله نیز یکی از ساده ترین ها را به شما معرفی کردیم. حالا فرض کنید که محتوای خود را تولید کرده اید و در انتها می خواهید ویدئو را ویرایش کرده و آن را منتشر کنید. برای این کار، مطمئناً به یک نرم افزار ویرایش ویدئو احتیاج پیدا خواهید کرد. در ویدئو بالا ، موستانگ یکی از ساده ترین ها را به شما معرفی می کند. همان طور که برای هر نیازی ، انواع و اقسام ابزارها از قبل طراحی شده اند ، برای کار ما هم نرم افزارهای ویرایش ویدئو بسیار فراوانی وجود دارد. از اپلیکیشن های موبایل گرفته تا نرم افزاهای پیشرفته ای که اهالی سینما از آن ها استفاده می کنند. اما مهمترین نکته ای که برای انتخاب یک ابزار باید در نظر بگیرید ، هدف و بودجه ( زمان ، پول ) شما است. شاید کاری که می خواهید با ویدئو یتان انجام دهید ، از حد یک اپلیکیشن موبایل فراتر باشد ، از طرفی هم ممکن است زمان لازم برای یادگیری پیچیدگی های یک نرم افزار ویرایش ویدئو حرفه ای را نداشته باشید. اگر اینگونه هستید، این آموزش برای شماست! یک نرم افزار ویرایش ویدئو مختصر و مفید : Windows 10 Photos در ویدئوی بالا ، یکی از ابزارهای بسیار ساده و در عین حال کاربردی که در خود ویندوز 10 هم وجود دارد را به شما معرفی می کنیم: نرم افزار photos . یعنی همان نرم افزاری که ویندوز با آن عکس ها را نمایش می دهد. اما شاید تعجب کنید که این ابزار می تواند تمام کارهای اصلی که شما برای ویرایش ویدئو نیاز دارید را نیز انجام دهد. کارهایی مثل : بریدن و به هم چسباندن کلیپ های ویدئویی ، انداختن نوشته یا واترمارک روی ویدئو ، انداختن موزیک پس زمینه روی ویدئو ، ساخت کلیپ های کوتاه برای ابتدا و انتهای ویدئو و غیره. در نهایت نیز می توانید ویدئو خود را با کیفیت های مختلف تولید کنید. اگر به دنبال یک نرم افزار ویرایش ویدئو مختصر و مفید هستید ، photos گزینه بسیار خوبی است. اگر می خواهید ویدئو تان را در فضای وب منتشر کنید ، احتماً مهمترین دغدغه تان حجم نهایی آن است. در این مقاله ، یک ابزار کاربردی و البته رایگان را برای فشرده سازی فایل های ویدئویی معرفی کرده ایم. تجربه شما در کار با نرم افزارهای ویرایش ویدئو چیست؟ اگر هر گونه سوال ، ابهام یا پیشنهادی برای تولید محتوا داشتید، کافی است تا نظرات خود را در قسمت دیدگاه ها ثبت کنید. موستانگ ، خواندن بازخورد های شما را بسیار دوست دارد. 😊 برای مطالب جذاب بیشتر نیز کافی است تا موستانگ را در پادوک دنبال کنید. در مانژ نیز می توانید نمونه کدهای فراوانی از انواع زبان های برنامه نویسی را پیدا کنید و سوالات خود را نیز قرار دهید.
7 توصیه برای اینکه یک مهندس نرم افزار موفق باشید
برای من، مهندس نرم افزار بودن بهترین شغل در دنیاست. همیشه عاشق برنامه نویسی بودم و هستم و اینکه بتوانم با تخصصم محصولی تولید کرده و درآمد داشته باشم جذابترش هم می کند. اما همان طور که زندگی پستی و بلندی دارد، یک مهندس نرم افزار هم با چالش های مختلفی در حرفه خود مواجه می شود. اما چیزی که از همه مهمتر است، استقامت و ادامه دادن مسیر، با وجود همه این ناملایمتی هاست! و این نکته ای است که موستانگ همیشه به یاد دارد. در این مقاله با او هم قدم شوید تا 7 راهکار مهم برای تبدیل شدن به یک مهندس نرم افزار موفق را به شما بیاموزد. 1- تخصص تان را کم نفروشید ، شما یک مهندس نرم افزار هستید ! این یکی از مهمترین نکته هاست که خود من برای رسیدن به آن سختی زیادی کشیدم! واقعیت اینست که این روزها اگر در حوزه آی تی و بعنوان یک مهندس نرم افزار کار کنید، به شما به چشم یک منبع ارزشمند نگاه می کنند (منبعی که قدرت های جادویی دارد)! اینکه به چشم یک منبع (به جای یک انسان) دیده شوید، اگرچه درست نیست اما متاسفانه حقیقت دارد. چیزی که باید ما مهندسان نرم افزار به آن دقت کنیم، این است که شرکت ها به ما احتیاج دارند ! امروز مهندس نرم افزار ، یک موقعیت شغلی با بیشترین میزان تقاضا است. بعد از همه گیری ویروس کرونا و اجبار کسب و کارها به ارائه محصولات و خدماتشان به صورت آنلاین، تقاضا برای تخصص مهندسان نرم افزار حتی چندین برابر قبل شده است. بنابرین دفعه بعد که کارفرمایی به فکرش رسید که از شما بیگاری بکشد، به نکات بالا توجه کنید و بیاد آورید که چقدر برای یادگیری تکنولوژی های جدید وقت گذاشتید و بی خوابی ها کشیدید! آنوقت نه تنها موقعیت های کاری بهتری بدست خواهید آورد، بلکه عزت نفس تان نیز به میزان قابل توجهی افزایش می یابد، چیزی که نه فقط در کار بلکه در زندگی نیز کمک تان می کند. 2- روی خودتان و حرفه تان سرمایه گذاری کنید صنعت تکنولوژی یکی از به روزترین صنعت هاست (اگر نگوییم که از همه صنعت ها به روزتر است). بنابرین گاهی اوقات همراهی با آن سخت می شود، مخصوصاً در حوزه توسعه وب. اما برای یک مهندس نرم افزار ، یادگیری تکنولوژی ها ، زبان های برنامه نویسی ، فریم ورک ها ، توانایی ها و تکنیک های جدید یک امر حیاتی است. امتیازی که مهندسی نرم افزار دارد اینست که می توانید از هر جایی که بخواهید (شرکت ، خانه و غیره) یاد بگیرید. علاوه بر این می توانید از منابع مختلفی استفاده کنید. از کتاب و ایبوک گرفته تا وبلاگ ها ، پادکست ها و کلاس های آنلاین . وقتی تخصص جدیدی یاد می گیرید، باید علاوه بر پولتان، زمانتان را هم هزینه کنید. هزینه مالی می تواند در روش های مختلف متفاوت باشد، اما آنچه مهم است ، زمان است! زمان گران بها و کم است! معمولاً یک مهندس نرم افزار ، کار تمام وقت دارد و اگر بخواهد تخصص جدیدی را هم یاد بگیرد باید این کار را قبل یا بعد از کار، آخر هفته ها و یا در تعطیلات انجام دهد. پس همیشه باید اندکی از زمان آزاد یا از خانوادتان بزنید. اما سرمایه گذاری روی تخصص ها و حرفه تان بسیار مهم است. پس همیشه نکات زیر را بیاد داشته باشید: باید هوشمندانه سرمایه گذاری کنید! مهندس نرم افزار هوشمند یعنی چه؟ یعنی لازم نیست هر فریم ورک و تکنولوژی جدیدی که می آید را یاد بگیرید. مثلاً : امروز React.js یاد نگیرید و فردا Vue.js و هفته بعد Angular.js ! جاوای پیشرفته را یاد نگیرید اگر هنوز جاوای مقدماتی را نمی دانید! بین روش های آموزشی مختلف مدام جا به جا نشوید (یک روز کتاب ، فردا کلاس)! به جای همه این ها ، خودتان را روشن کنید که اصلاً چه می خواهید: کار front-end را دوست دارید یا back-end را؟ اصولاً به تصاویر علاقه دارید یا به اعداد و ارقام؟ در حال حاضر روی چه پروژه هایی کار می کنید و چه تخصص جدیدی می تواند کمک تان کند؟ چه تکنولوژی ها ، فریم ورک ها و زبان های برنامه نویسی در حوزه کاری شما پرطرفدارتر است؟ آیا می خواهید یک تخصص جدید را برای دلیل مشخصی ( شغل جدید ، درآمد بالاتر ) یاد بگیرید یا فقط تفریحی؟ در نهایت ، یک بودجه زمانی مشخص کرده و به چیزی که برایتان اهمیت دارد اختصاص دهید. کلاس های مختلف و کیفیتشان را ( قبل از اینکه برایشان زمان صرف کنید ) بررسی نموده و در آخر، اگر تصمیم گرفتید که زمان ارزشمندتان را روی چیزی صرف کنید، به یادگیری آن متعهد بمانید. ما معمولاً عادت داریم که بعد از مدت زمانی علاقه مان را به یک موضوع از دست داده و سراغ چیز جدیدی برویم، اما شما این کار را نکنید! شما هوشمند باشید! 3- کارفرما ها و مکان های سمی را ترک کنید! Jack Ma ، موسس علی بابا می گوید : وقتی بین 20 تا 30 سال سن دارید، باید به دنبال یک رئیس و شرکت خوب باشید تا نحوه درست انجام دادن کار ها را یاد بگیرید. این یک توصیه خوب است اما نکته ای را کم دارد: اگر متوجه شدید که شغل یا رئیس فعلی تان آن چیزی نیست که انتظارش را داشتید، باید چه کنید؟ داشتن کارفرمایی که شما را پشتیبانی نمی کند ، برای خودتان، حرفه تان و مهم تر از همه عزت نفستان بسیار بد است. داشتن کارفرمایی که بطور مدام (و شاید هم عمدی) به حرفه شما آسیب می زند، از آن هم بدتر است. بعضی از کارفرماها اصلاً اجتماعی نیستند و یا سر و کله زدن با آن ها بسیار سخت است. بعضی ها هم رهبران خوبی نیستند. در نهایت اگر به این نتیجه رسیدید که نمی توانید در حرفه تان به خوبی عمل کنید و دلیلش هم رئیس تان است، پیشنهاد می کنم که شغلتان را عوض کنید. زیرا به خاطر تجربه های خودم و دیگران، می توانم بگویم که: کارفرما ها عوض نمی شوند! وقتی صحبت از تغییر
یادگیری ماشین ( machine learning)
کلمه ای که این روزها همه توجه ها را به خود جلب کرده! و دلیل خوبی هم برای آن وجود دارد. تقریباً هر تکنولوژی جدیدی در حوزه علوم کامپیوتر ، به نوعی از یادگیری ماشین استفاده می کند، آنهم پشت درهای بسته! مثلاً: Cortana مایکروسافت ، نرم افزارهای تشخیص چهره و حتی پشنهاد محصولاتی که آمازون به خریدارانش می دهد، همگی از مفهوم یادگیری ماشین استفاده می کنند. تنها این ها نیست! یادگیری ماشین و علوم داده همه جا هست. چرا؟ چون داده همه جا هست! در این مقاله از وبسایت موستانگ ، قصد داریم تا بیشتر به توضیح این شاخه از کامپیوتر و کاربردهای آن بپردازیم. پس در ادامه با ما همراه باشید. هر فرد با هوش متوسط و اندک دانشی از کدنویسی ، کاملاً طبیعی است که بخواهد سرکی هم به دنیای ماشین ها بزند. اما یادگیری ماشین چیست؟ چه اندازه بزرگ است؟ بیایید یکبار برای همیشه این مفهوم را توضیح دهیم. یادگیری ماشین واقعاً یعنی چه ؟ در واقع ، یادگیری ماشین زیرشاخه ای از هوش مصنوعی است که از دانش الگوشناسی (Pattern Recognition) و تئوری یادگیری محاسباتی (Computational Learning theory) سرچشمه گرفته. Arthur Lee Samuel یادگیری ماشین را اینگونه تعریف می کند: شاخه ای از علوم کامپیوتر و هوش مصنوعی که بدون دخالت انسان ، می تواند از داده ها یاد بگیرد. طبق این تعریف ، هر زمان که اسم یادگیری ماشین می آید ، مردم به طور ناخودآگاه به هوش مصنوعی (AI) ، شبکه های عصبی (شبکه هایی که می توانند از مغز انسان تقلید کنند) و ماشین های خودران فکر می کنند. اما واقعیت اینست که مفهوم یادگیری ماشین خیلی خیلی گسترده تر از این هاست. در ادامه موستانگ برخی نمونه هایی که تصورش را می کردید و برخی را که اصلاً فکرش را هم نمی کردید ، به شما معرفی خواهد کرد. نمونه هایی از یادگیری ماشین که احتمالاً حدسش را می زدید فیلدهایی را معرفی می کنیم که احتمالاً خودتان هم حدس می زنید: 1- تشخیص صدا (Speech Recognition) شما در ویندوز با cortona یا در گوشی سامسونگتان با Bixy صحبت می کنید و او هم حرفتان را می فهمد! اما چطور این کار را می کند؟ اینجاست که پای شاخه ای بنام NLP یا Natural Language Processing باز می شود که نحوه تعامل انسان با ماشین را مورد مطالعه قرار می دهد. حالا حدس بزنید در دل NLP چه چیزی قرار دارد؟ الگوریتم های یادگیری ماشین ! 2- بینایی ماشین (Computer Vision) بینایی ماشین یکی از زیرشاخه های دانش هوش مصنوعی است که به درک ماشین از محیط اطرافش می پردازد. در واقع ، تشخیص چهره (Facial Recognition) ، تشخیص الگو (Pattern Recognition) و تشخیص کاراکتر (Character Recognition) ، همگی مربوط به بینایی ماشین است. و اینجا هم دوباره در دل ماجرا ، الگوریتم های یادگیری ماشین حضور دارند. 3- ماشین خودران گوگل خب ، خودتان می توانید حدس بزنید که چه چیزی ماشین های خودران گوگل را می راند ؟ باز هم یادگیری ماشین ! نمونه هایی که احتمالاً تصورش را نمی کردید حالا بیایید جاهایی را بررسی کنیم که مردم عادی ، احتمال وجود یادگیری ماشین در آن مکان ها را نمی دهند: 1- پیشنهاد محصول در فروشگاه های آنلاین معروف (مثل آمازون) دقت کرده اید که چرا این فروشگاه ها دقیقاً همان پیشنهادهای وسوسه کننده ای را می دهند که می تواند جیب شما را خالی کند ؟! چون الگوریتمی خاص بنام سیستم های توصیه گر (Recommended Systems) در پشت پرده کار می کند که علاقه مندی های هر کاربر را یاد گرفته و می تواند بر اساس آن ها ، به او محصول پیشنهاد دهد. سایت های YouTube و Netflix هم دقیقاً به همین شیوه کار می کنند. 2- داده کاوی (Data Mining) / کلان داده (Big Data) داده کاوی و کلان داده ، شاخه هایی برای مطالعه و یادگیری از داده در مقیاسی بزرگ است. و هر جا هم هدف جمع آوری اطلاعات از داده باشد ، بدانید که یادگیری ماشین در کمین نشسته ! 3- بازر بورس / بازار مسکن تمامی این شاخه ها ، برای اینکه بتوانند بهتر بازار را مورد بررسی قرار دهند ، از الگوریتم های یادگیری ماشین استفاده می کنند. اصطلاحاً به این تکنیک ها ، تحلیل رگرسیون (Regression Techniques) می گویند که از قیمت یک خانه گرفته تا ترندهای بازار بورس را می تواند پیشبینی کند. همان طور که دیدید ، امروزه machine learning همه جا حضور دارد. از تحقیق و توسعه تا بهبود اوضاع شرکت های کوچک. بنابرین می توان آن را به عنوان یک فیلد کاری محبوب در صنعت در نظر گرفت. اگر هر گونه سوال و یا ابهامی در این مورد داشتید، می توانید در پایین همین نوشته و در قسمت ثبت دیدگاه ها با موستانگ در میان بگذارید. برای مطالب بیشتر نیز کافی است تا ما را در قسمت پادوک تازه ها از وبسایت موستانگ دنبال کنید. مرجع: سایت dev.to
ساخت اپ برای سایت | فایل پروژه را رایگان دانلود کنید!
اگر بلد هستید که چگونه یک وبسایت درست کنید اما بلد نیستید که چگونه یک اپ اندروید بسازید، نگران نباشید! می توانید از همین مهارت هایتان هم بهترین نتیجه را بگیرید! در واقع خیلی ها هستند که از کدهای خودِ وبسایت استفاده کرده و اپ می سازند. شما هم اگر می خواهید با حداقل میزان کد ، اپ بنویسید ، می توانید این کار را انجام دهید. در این سری از ویدئوهای آموزشی با موستانگ هم قدم شوید تا روش ساخت اپ برای سایت را به شما آموزش دهیم. در انتها نیز می توانید فایل پروژه اندروید استودیو را کاملاً رایگان دانلود کرده و تنها با تغییر آدرس سایت به سایت خودتان، از آن استفاده کنید. مراحل لازم در ساخت اپ برای سایت 1- اول لازم است تا وبسایتتان را بسازید. می توانید خودتان برنامه نویسی کنید و یا از ابزارهایی نظیر اسکوئر اسپیس یا وردپرس استفاده کنید. 2- سپس لازم است تا اندروید استودیو را دانلود کنید. (از اینجا دانلود کنید) با دانلود این ابزار ، شما هم یک IDE یا محیط توسعه برای کدنویسی را دانلود می کنید و هم Android SDK را (که کد شما را به یک اپ اندرویدی تبدیل می کند). تمامی اینها در همان بسته دانلودی موجود است و همه شان با هم نصب خواهند شد ( فقط دقت کنید که به دلیل تحریم های صورت گرفته توسط سایت گوگل علیه ایران ، باید در تمامی مراحل دانلود ، نصب و حتی اجرای اندروید استودیو ، ابزارهای تحریم شکنتان روشن باشد). 3- پس از اینکه اندروید استودیو را روی کامپیوترتان نصب کردید، می توانید از طریق ویدئوی آموزشی زیر با ساخت اپ برای سایت آشنا شوید. (در ادامه نیز می توانید فایل پروژه را دانلود کرده و تنها با تغییر چند خط از کد و چند عکس ، اپ اندرویدی برای سایتتان را بسازید). فایل پروژه اندروید استودیو را از اینجا دانلود کنید. WebView : ابزار اصلی مان در ساخت اپ برای سایت تنها کاری که به منظور ساخت اپ برای سایت لازم است ، اینست که یک WebView تمام صفحه بسازید. WebView یکی از کلاس های اندروید است که برای نمایش سایت ها و کدهای html در اپ استفاده می شود. در واقع WebView مرورگر اندروید است (برای آشنایی دقیق تر با نحوه کدنویسی WebView در اندروید ، به این پست از مانِژ مراجعه کنید). اندروید استودیو خودش ابزارهای لازم برای طراحی گرافیکی را نیز دارد که می توانید بدون هیچ نیازی به کدنویسی ، Webview خودتان را بسازید: 4- حالا که پروژه را ساختید و با کدهای آن آشنا شدید ، می توانید برنامه را کامپایل (در اینجا می گوییم build) و اجرا کنید. برای آشنایی با نحوه build کردن ، اجرا و ساخت فایل اجرایی اندروید ، ویدئوی آموزشی زیر را مشاهده کنید: وقتی پروژه را اجرا کردید ، شما یک اپ اندرویدی تمام صفحه از وبسایتتان دارید و تا زمانی که سایتتان ریسپانسیو باشد و کاربر هم به اینترنت اتصال داشته باشد، شما برای خودتان یک اپ عالی خواهید داشت. (برای نوشتن کد لازم برای چک کردن اتصال اینترنت ، به این پست در مانِژ مراجعه کنید). دقت کنید که … کاری که ما اینجا برای ساخت اپ برای سایت انجام دادیم ، خیلی ساده و ابتدایی ولی در عین حال کارآمد بود. در مواقعی که وقت و انرژی لازم برای کدنویسی بیشتر را نداشته باشید، می توانید از این روش استفاده کرده و یک اپلیکیشن فوری برای وبسایتتان بسازید و از این طریق کاربرانتان ترغیب شوند تا برنامه شما را روی گوشی هایشان نصب کرده و همیشه وبسایت شما را با خودشان همراه داشته باشند! اما دقت کنید که رسالت اصلی یک اپ اندرویدی ، این است که جداگانه و مختص گوشی طراحی شود و صرفاً یک مرورگر نباشد. به همین دلیل هم هست که ممکن است اپ شما توسط بازارهای اپلیکیشن (نظیر کافه بازار و گوگل پلی) پذیرفته نشود. با اندکی کدنویسی بیشتر می توانید یک اپلیکیشن اختصاصی نیز داشته باشد. به زودی موستانگ این آموزش را نیز برای شما قرار خواهد داد. نظر شما در مورد ویدئوی آموزش ساخت اپ برای سایت چیست ؟ اگر هر گونه سوال ، ابهام یا پیشنهادی برای تولید محتوا داشتید، کافی است تا نظرات خود را در قسمت دیدگاه ها ثبت کنید. موستانگ ، خواندن بازخورد های شما را بسیار دوست دارد. 😊 برای مطالب جذاب بیشتر نیز کافی است تا موستانگ را در پادوک دنبال کنید. در مانژ نیز می توانید نمونه کدهای فراوانی از انواع زبان های برنامه نویسی را پیدا کنید و سوالات خود را نیز قرار دهید.