برنامه نویسی | Teachify

✔️ شرکت Perplexity از ربات رسمی خودش در تلگرام رونمایی کرده. ازش می‌تونید سوال بپرسید تا سرچ کنه و جواب‌تون رو بده. سرچ های Pro هم توش فعاله. تو گروه هم اگر اضافه‌اش کنید و اگر منشنش کنید، مستقیم توی خود گروه سرچ رو انجام میده. از عکس هم پشتیبانی می‌کنه.

🔗 @askplexbot

✅ @Teachify | برنامه نویسی

✔️ ابزاری قدرتمند در Git برای حذف فایل از تاریخچه مخزن

گاهی پیش می‌آید که نیاز دارید یک فایل خاص (مانند کلیدهای API یا اطلاعات حساس) را از کل تاریخچه‌ی یک مخزن Git حذف کنید، بدون آن‌که کل ریپو را پاک یا بازنویسی کامل کنید. در این شرایط، دستور زیر می‌تواند بسیار مفید باشد:
git filter-repo --path filename.txt --invert-paths
با اجرای این دستور، فایل مشخص‌شده (در اینجا filename.txt) از تمامی کامیت‌های گذشته حذف می‌شود؛ فرآیندی بسیار سریع‌تر و تمیزتر نسبت به ابزار قدیمی‌تر filter-branch.

این روش، راهکاری مناسب برای پاک‌سازی مواردی است که نباید هیچ اثری از آن‌ها در مخزن باقی بماند.
اگر تاکنون از git filter-repo استفاده نکرده‌اید، توصیه می‌شود آن را بررسی و آزمایش کنید. Git ابزارهای قدرتمند و پنهان زیادی در اختیار توسعه‌دهندگان قرار می‌دهد.
#Git

✅ @Teachify | برنامه نویسی

#fun
✅ @Teachify | برنامه نویسی

صبح خود را چگونه شروع کردید؟!

به نام خدا
با ترافیک :/

✅ @Teachify | برنامه نویسی

✔️ متا از نسل جدید مدل‌های هوش مصنوعی خودش رونمایی کرد: Llama 4!

اولین عضو این خانواده به نام Llama 4 Scout معرفی شده؛ مدلی چندوجهی و قدرتمند با ۱۷ میلیارد پارامتر که از معماری MoE با ۱۶ متخصص بهره می‌بره.
به گفته‌ی متا، این مدل بهترین مدل مولتی‌مودال در کلاس خودشه و روی یه کارت گرافیک H100 هم اجرا میشه!
همچنین Context window این مدل ۱۰ میلیون توکنه!

✅ @Teachify | برنامه نویسی

✔️ کمپانی openAI یک آکادمی راه انداخته برای آموزش مهارتهای مربوط به استفاده از AI. کلی ویدیوی کوتاه و مطالب آموزشی داره و به نظر میرسه قراره کلی بهش اضافه بشه.

academy.openai.com‎

✅ @Teachify | برنامه نویسی

✔️ وقتی AI بر دنیا تسلط پیدا کنه
دیگه اهمیت نداره که از ChatGPT تشکر کردید انتهای هر پیام یا نه: ))))

✅ @Teachify | برنامه نویسی

✔️ جنگو 5.2 منتشر شد!

نسخه‌ی جدید جنگو (Django 5.2) با ویژگی‌های زیر منتشر شد:

+ ایمپورت خودکار مدل‌ها در شل
+ پشتیبانی از کلیدهای اصلی ترکیبی (Composite Primary Keys) 😲
+ بهبود در نحوه‌ی override کردن BoundField

این نسخه LTS (پشتیبانی طولانی‌مدت) است و تا آوریل 2028 پشتیبانی خواهد شد.

Django 5.2 Release Notes

#Django #Python
✅@Teachify | برنامه نویسی

✔️ تشخیص عدد زوج در پایتون با یک روش سریع‌تر!

در پایتون معمولاً برای تشخیص عدد زوج از این روش استفاده می‌کنیم:
if num % 2 == 0:
اما یک روش جالب‌تر و بهینه‌تر هم وجود دارد که از عملیات بیتی استفاده می‌کند:
if (num & 1) == 0:
در این روش، عملگر & آخرین بیت عدد را بررسی می‌کند. در نمایش باینری، اعداد زوج همیشه آخرین بیت‌شان 0 است، بنابراین نتیجه‌ی این بررسی 0 می‌شود و تشخیص عدد زوج به‌سادگی انجام می‌گیرد.

این روش در بسیاری از زبان‌های برنامه‌نویسی مثل پایتون، C، C++، جاوا و Go کار می‌کند. چون عملیات بیتی ذاتاً سبک‌تر از مدولوس % است، در برخی زبان‌ها عملکرد سریع‌تری دارد.


#پایتون #Python
✅@Teachify | برنامه نویسی

✔️ نرمال‌سازی دیتابیس(Database Normalization)

اگه تا به الان با مشکلاتی مثل داده‌های تکراری، ناسازگاری اطلاعات، یا کندی کوئری‌ها در دیتابیس برخورد کردید، وقتشه که نرمال‌سازی (Database Normalization) رو جدی بگیرید!
موضوع برمیگرده به یکی از مصاحبه‌هایی که داشتم و دیدم چقدر Normalization برای شرکت‌ها اهمیت داره و تصمیم گرفتم تو پروژه‌هام این موضوع رو رعایت کنم و حتما پیشنهاد میکنم این کار رو برای پروژه‌های خودتون رعایت کنید.

▪️حالا چرا Normalization؟
+ حذف افزونگی داده‌ها و کاهش حجم پایگاه داده
+ جلوگیری از ناسازگاری‌های اطلاعاتی و مشکلات به‌روزرسانی
+ بهبود کارایی و افزایش سرعت پردازش کوئری‌ها

▪️مراحل نرمال‌سازی (Normalization Forms)
+ مرحله 1NF: هر ستون فقط یک مقدار داشته باشد، بدون گروه‌های تکراری.
+ مرحله 2NF: حذف وابستگی‌های جزئی به کلید اصلی.
+ مرحله 3NF: حذف وابستگی‌های انتقالی برای ساختاری تمیزتر و کارآمدتر.

خب سوالی که پیش میاد اینه که آیا همیشه Normalization نیازه؟
در سیستم‌های تحلیلی و خواندنی، گاهی Denormalization (غیرنرمال‌سازی) برای افزایش سرعت خواندن داده‌ها ضروری است. مهم اینه که تعادل بین ساختار بهینه و عملکرد مطلوب حفظ بشه.

✅@Teachify | برنامه نویسی

✔️ ابزارهای مدرن برای متخصصان داده و هوش مصنوعی

اگر یک دیتاساینتیست یا مهندس هوش مصنوعی هستید، وقت آن رسیده که از ابزارهای مدرن‌تر و سریع‌تر استفاده کنید!

▪️کتابخانه Polars جایگزین بهتری برای pandas است. این کتابخانه با پردازش موازی و استفاده بهینه از حافظه، عملکرد بهتری روی داده‌های حجیم دارد. نیازی به Index ندارد و از Lazy Evaluation پشتیبانی می‌کند، که باعث کاهش مصرف منابع و افزایش سرعت می‌شود.

▪️ برای محاسبات عددی، Numba می‌تواند جایگزین numpy شود. این ابزار با کامپایل JIT، سرعت اجرای کد را تا چندین برابر افزایش می‌دهد و حتی از GPU (با CUDA) نیز پشتیبانی می‌کند. مهم‌تر از همه، می‌توان کدهای numpy را با چند تغییر کوچک در Numba اجرا کرد.

▪️ در حوزه یادگیری عمیق، JAX انتخاب بهتری نسبت به TensorFlow است. سینتکس ساده‌تر، عملکرد بهینه‌تر، تمایز خودکار پیشرفته (AutoDiff) و پشتیبانی از تبدیل‌های تابعی، آن را به گزینه‌ای ایده‌آل برای تحقیقات علمی و مدل‌های سفارشی تبدیل کرده است.

▪️ اگر هنوز از Matplotlib برای رسم نمودار استفاده می‌کنید، بهتر است Bokeh را امتحان کنید. این کتابخانه امکان ساخت نمودارهای تعاملی و تحت وب را فراهم می‌کند، برای داده‌های حجیم بهینه شده است و می‌توان با آن داشبوردهای پویا طراحی کرد.

▪️ برای مدل‌های یادگیری ماشین مبتنی بر درخت تصمیم، LightGBM نسبت به XGBoost عملکرد بهتری دارد. این کتابخانه سرعت آموزش بالاتر، مصرف حافظه کمتر و پشتیبانی بهتری از ویژگی‌های دسته‌ای (Categorical Features) دارد.

با این تغییرات، می‌توانید سرعت پردازش، کارایی مدل‌ها و بهینه‌سازی منابع را بهبود دهید.


#پایتون #Python

✅@Teachify | برنامه نویسی

✔️ وقتی میخوای پول اشتراک ندی :))

#فان #fun
✅ @Teachify | برنامه نویسی

✔️ تفاوت find() و rfind() در پایتون

در پایتون، دو متد find() و rfind() برای جستجوی یک زیررشته در یک رشته استفاده می‌شوند، اما تفاوت مهمی با هم دارند:
▪️متد find(substring) اولین وقوع substring را در رشته پیدا می‌کند.

▪️متدrfind(substring) آخرین وقوع substring را در رشته پیدا می‌کند.

برای مثال:
text = "banana"

print(text.find("a"))   # 1  (Index of the first occurrence of "a")
print(text.rfind("a"))  # 5  (Index of the last occurrence of "a")
اگر مقدار موردنظر در رشته وجود نداشته باشد، هر دو متد مقدار -1 برمی‌گردانند.

نکته:متدهای find() و rfind() در مقایسه با index() و rindex() امن‌تر هستند، زیرا در صورت نبود مقدار موردنظر، به‌جای ValueError مقدار -1 برمی‌گردانند.

#پایتون #Python
✅@Teachify | برنامه نویسی