😂😂
واقعاً روز به روز opacity بادی رو کم میکنه. 😂

https://github.com/kleampa/not-paid

Sighted is LIVE! ✨


Website: https://sighted.vercel.app/
Article: https://blog.imsadra.me/sighted-read-faster-comprehend-better-with-ai
Repo: https://github.com/lnxpy/sighted

مقاله به شدت تکنیکال و خوبه. واسه کسایی که به علم بیونیک و بیو انفورماتیک علاقه دارن، دید خوبی این مقاله بهتون میده. صرفا راجع به پروژه نیست. چالش‌ها و تصمیماتی که طی توسعه این پروژه گرفتم رو راجع بهش نوشتم تا علاوه بر ایده، یه دید راجع به اینکه چطوری به پروژه شروع میشه و از چه مسیرهایی عبور می‌کنه داشته باشین.

Tech stack:
Front -> React (TS), Shadcn, Aceternity, Vercel
Back -> Python, SpaCy

حتی می‌تونید با یکم ریچ‌بازی (کتابخونه rich 😁️️️️️️)، از sighted توی ترمینال هم استفاده کنید! (توی مقاله نوشتم مثالش رو)

تا حالا شده به یه مشکلی بخورید، ولی هیچ سر نخی از مشکل ندارید، بنابراین اصلا نمیدونید راجع به چی باید سرچ کنید؟ یا هر چی سرچ میکنید به نتیجه نمیرسید. (مثلا یه بار سر مموری لیک تو نود جی اس اینجوری شدم، و نمیدونستم حتی مشکلی که خوردم اسمش مموری لیک هست، مدعیان سینیوریتی هم که... باید براشون میخوندم ای به فدای چشم تو این چه نگاه کردن است!)

یا مثلا یه چیزی رو ندونید، اما ندونید چی باید سرچ کنید که یادش بگیرید؟ مثلا تو مکالمه همکارات بشنوی "p99 اش چنده؟" قبلنا که یادمه گوگل نتایج قابل قبولی برای این نمیداد، ولی ساده است، میگمش بعدا. (کلیت سوالم رو دریابید فارق از مثال)

یه حالت بدتر هم وجود داره، که مشکل خوردن، اما اصلا نمیدونن مشکل خوردن! (مثلا چندتا گوروتین اون گوشه نشستن نون و پنیرشونو میخورن به کسی هم کار ندارن (dangling goroutines))

یا میدونن مشکل خوردن اما بهش بی توجهی میکنن مثلا سرور هفته ای یه بار کرش میکنه، ری استارت میکنن و درست میشه و روز از نو روزی از نو! Availability هم که... کشک! 😂

قسمت سختش وقتیه که میخواید یه سیستم جدید دیزاین کنید،
- نمیدونید از کجا شروع کنید
- نمیدونید چه تصمیمی درست یا غلط، چون پارامتر های مقایسه اش رو نمیدونید
- یا جوانب مختلفش رو بدونید که هست اما نتونید ببینید

اگه این نشونه هارو دارید، راهکارتون پیش دستی تو مطالعه و یادگیریه.
یعنی اگه تا الان با سرچ و تو موقعیت یاد میگرفتید، از این به بعد سعی کنید یه روتینی هم از بدون موقعیت یاد گرفتن داشته باشید.

مثلا خود من الان دارم راجع به کریپتوگرافی میخونم در حالی که تو کارم یا پروژه ای بهش نیاز نداشتم، فعلا صرف علاقه است، ولی وقتی که اسکیلش رو به دست بیارم، میتونم برای موقعیت هایی که این نیازمندی رو دارن شایستگی خودمو نشون بدم.

یا تو همین موقعیتی که هستم نواقصی رو خواهم دید که قبلا نمیدیدم (مطمئنم این اتفاقا میوفته چون چندین بار تجربش کردم)

همه ما برنامه نویسا کم و بیش این دوره رو تجربه کردیم که نه بر حسب نیاز بلکه برای آینده مطالعه کنیم (قبل اولین کارمون مثلا)، اما گاهی بعد اینکه دیگه به کار میرسیم انقدر غرق کار میشیم که یادمون میره این مسیر طولانی تر از این حرفاست و کلی موقعیت برا پیشرفت هست. (بعضیا هم میدونن موقعیت هست ولی تصمیمشون بر لذت بردن و... در تایم های شخصیه، اونم مورد احترامه)

یک تکنیک بحث کردن که بنظرم ما ایرانیا خیلی توش ضعیفیم,
وقتی با کسی بحث میکنید, بحث سره دفاع از ایده خودتون نیست. بحث سره اینکه که چه ایده ای میتونه بهترین ایده باشه.
مثلا شما با ایده A دارین با کسی با ایده B بحث میکنید. اگه شما از ایده A و اون فرد از ایده B داره دفاع میکنه اونوقت اون بحث فرسایشیه. بحثی درسته که شما جوانب A و B رو بررسی کنی و بعد تصمیم بگیری کدوم بهتره, یا اینکه به یک ایده جدیدی مثل C برسید.
برنده کسی نیست که ایدش برنده میشه، برنده کسایین که تو اون بحث بودن :)

به قول دوستمون تو کامنت ها, ایده ابزاره. نه توصیف کننده شخصیت.
@PyBackendHub

اولین قسمت از پلی لیست SQLAlchemy منتشر شد!
در این قسمت، به بررسی ساختار ORM می‌پردازیم و مفاهیم اولیه معماری و لایه‌های این کتابخانه را معرفی می‌کنیم. همچنین، به ویژگی‌های مختلف کتابخانه نگاهی می‌اندازیم و مزایای استفاده از آن را توضیح می‌دهیم. در پایان، با نوشتن چند خط کد، معماری و لایه‌ها را بهتر درک خواهیم کرد.

لینک ویدیو:
https://youtu.be/ybkq1s-rQVY

این دوره شامل ۶ قسمت هست. این دوره ۶ قسمته شما رو برای استفاده از SQLAlchemy داخل پروژه هاتون و پروداکشن آماده میکنه و به شما درک بنیادی و کافی از SQLAlchemy میده که دیگه درک این ORM براتون خیلی سخت نباشه.

@PyBackendHub

توی این بلاگ پست، راجع به Easter Eggهای پایتون نوشتم. ۱۰ تا ایسترگ رو راجع بهش صحبت کردم. همه import this رو می‌شناسیم. میشه همینقدر فلسفی شد تو پایتون:

>>> import this
>>> love = this
>>> this is love
True
>>> love is True
False
>>> love is False
False
>>> love is not True or False
True
>>> love is not True or False; love is love
True

یا مثلا اگه به خوندن کامیک مربوط به پایتون علاقه دارین، کافیه antigravity رو ایمپورت کنید..

import antigravity

یا اصلا می‌دونید <> تو پایتون چیکار می‌کنه؟!

>>> 5 <> 3
False

و کلی موارد دیگه که توی مقاله زیر واستون قرار دادم. :))

Link 👉 https://blog.imsadra.me/10-python-easter-eggs

Join for more 👉 @lnxpylnxpy

Sighted + PyAction + LaTeX = 🔥

فلو: بلافاصله بعد از اینکه ایشو باز می‌کنید، یه اکشن تکست ایشو شما رو برمیداره. توی یه محیط، sighted رو نصب می‌کنه. طبق پارامترهایی که ست کردین توی ایشو، خروجی بایونیک می‌ده!

واسه اینکه از رنگ توی مارک‌داون گیت‌هاب استفاده کنم، مجبور شدم لیتک/لاتک/لیتکس (LaTeX) بنویسم. عجب چیزی شد!

پی‌نوشت:
- پای‌اکشن اجازه می‌ده گیت‌هاب اکشن با پایتون بسازید: pyaction.imsadra.me

- سایتد: متن رو تبدیل به متن بایونیک می‌کنه: sighted.vercel.app

تمام ابزارها متن‌بازن. :))

ونزوئلا امروز چقدر ایرانِ دیروزه.. 💔️️️️️️

نسخه ایرانی (سنتی) موسیقی گیم gta san!

کاری از مسلم رسولی.

خطاب به جمع کثیری از اساتید دانشگاهی:


پی‌نوشت: تا میگی تو ایران نمیشه، سریع تیپ روشنفکری برمیدارن میگن بابا شما جوونید.. تا زمین نخورید آب‌دیده نمی‌شید..

اینجوری توی Readme گیت‌هاب می‌تونید متن رنگی بنویسید:

${\color{red}Hello}$ ${\color{green}world!}$

البته از LaTeX واسه نوشتن فرمول استفاده میشه نه متن رنگی. ولی خب. :))

wtf!

مشکل حل شد اقا. 😂😂

probably should.. 😂

مدتی با mindsdb.com کار می‌کردم. توی این مقاله، راجع به دیتابیس انجین‌هایی نوشتم که پشتشون مدل‌های ماشین لرنینگ هست.

علاوه بر سینتکس نیتیو SQL، یکسری سینتکس جدید دارن. از procedure و مایکرو استفاده می‌کنن و.. کلا ایده جالبیه.

👉 https://blog.imsadra.me/next-gen-databases-ai-meets-sql

داستان از این قراره که کلی دیتاسورس (منبع داده) در اختیار شماست. مثل اکسل، گوگل داک، حتی دیتابیس‌ها و.. (یکی از دیتاسورس‌هایی که من روش کار کردم، دیتاسورس pypi بود. در ادامه راجع بهش صحبت می‌کنم)

شما با SQL، دیتاها رو از این دیتا سورس ها سلکت می‌کنید، به مدل می‌دید و یه تیبل جدید ساخته میشه که تیون شده روی دیتایی که بهش دادید. حالا کافیه که از اون مدل (تیبل)، سلکت کنید. با where clause پارامتر ها رو مشخص می‌کنید. مثلا می‌خوایم قیمت خونه ۳ خوابه رو تخمین بزنیم.

SELECT price FROM trained_model WHERE rooms=3;