FaQ of Programming

به شکل کلی، تو دنیای فرانت‌اند، تیلویند تکنولوژی جدیدتری محسوب میشه نسبت به بوتسترپ، ولی محبوبیتش به شدت زیاد و همینطور رو به افزایشه. تاکید تیلویند بر سبک و بهینه بودن خروجیه، یعنی شما از کدی که نوشتید خروجی می‌گیرید و کلاس‌هایی که استفاده نشده ازشون دیگه باعث سنگین‌شدن فایل CSS شما نمیشن. چیزی که در بوتسترپ برعکسه و صرفا خودش به تنهایی +۲۰۰ کیلوبایت به حجم پروژه شما اضافه می‌کنه که اگه به بهینگی تاکید داشته باشید تیلویند انتخاب مناسب‌تریه. بوتسترپ یه فریمورک Component-based هستش و از تعداد زیادی استایل آماده برای اجزای مختلف تشکیل شده، ولی تیلویند Utility-first هستش و تک تک ویژگی‌های اجزاء رو خود شما مثل CSS عادی توش با کلاس‌ها تعریف می‌کنید. این از طرفی به این معنیه که نه تو تیلویند برخلاف Pure CSS، کدهای شما تکرار میشن، نه مثل بوتسترپ وابسته به چهارچوب هستید و اکثر خروجی‌ها مشابه از آب در میان!🫣 پس دستتون باز تره... ولی مشکلاتی هم داره این موضوع. برای کسی که تو CSS مهارت خوبی نداره و صرفا هدفش ساخت سریع یه UI هستش(مثلا برای یک بک‌اند دولوپر)، بوتسترپ می‌تونه ساده‌تر باشه. از طرفی چون کلاس‌ها خیلی جزئی و متنوع هستن تو تیلویند، باعث میشه برخلاف فایل CSS که توش از تکرار کد جلوگیری شده، این‌بار فایل HTML ما یکم شلوغ‌تر بشه.🥴 در مورد این سوال که بوتسترپ یاد بگیریم یا نه، اگه دوست دارید یاد بگیرید، پس یاد بگیرید! به چیزی فکر نکنید... یادگیری در کل چیز بدی نیست و ضرر نمی‌کنید. اینکه تیلویند بهتره یا بوتسترپ، انتخابش سلیقه‌ایه، ولی آینده دست تیلوینده و منم ترجیحش میدم بنا به مزایای خوبش. پ.ن: به شخصه بیشتر از یه ساله که از بوتسترپ استفاده نمی‌کنم... سوال مهم: بهترین منبع برای یادگیری تیلویند css کجاست؟ مثل بوتسترپ، تیلویند هم داکیومنتیشن خوب و کاملی داره. بهترین کار اینه که یه روز بهش مراجعه کنید و در کمتر از یک بعد از ظهر، کار رو باهاش یاد بگیرید! البته قبلش بهتره تو CSS، سطحتون متوسط رو به بالا باشه. به نظرم چیزی که مهم بود رو رسوندم تو این نوشته و تا همینجا کافیه، نتیجه با شما. ~> @PinkOrca

~> Bootstrap VS Tailwind CSS یک‌بار برای همیشه به این سوال پر تکرار در مورد این ۲ فریمورک محبوب CSS پاسخ میدم.⬇️ #نوشته #طراحی_وب ~> @PinkOrca

From @PyHints : #خارج‌_از_بحث ولی لازم : من تو زندگیم آدم‌هایی رو دیدم که از موفقیت می‌ترسند از چشم خوردن یا ... موفقیت یعنی انقدر می‌ترسند که ترجیح میدهند موفقیتی نداشته باشند، یا اینکه همه‌جا مخفی کنند و منکر موفق بودن یا شدن بشوند. که این خودش باعث می‌شه کم کم افول کنند؛ دقیقاً همونطور که مولوی می‌گه : شکر نعمت نعمتت افزون کند کفر نعمت از کفت بیرون کند حالا دلیل منطقی این قضیه چیه ؟ شبکه سازی، من و همه‌ی افرادی که میشناسم خیلی از موفقیت‌هارو مدیون شبکه آدم‌های اطرافمون هستیم، داستان پارتی‌بازی و ... نیستا (دهنمون سرویس شده) ولی همونطوری که شما هیچوقت نمی‌تونی، آدمی که اصلاً نمی‌شناسی رو بعنوان پارتنر انتخاب کنی توی کار هم آدمی که هیچوقت باهاش کار نکردی و کد زدنش رو ندیدی رو نمی‌تونی تایید کنی یا برای کار به شرکت معرفی کنی (اگر بد باشه، برای خودت هم بد می‌شه) و وقتی از موفقیتت چیزی نگی یا پنهونش کنی، این شبکه درست ساخته نمی‌شه و یا به درستی شکل نمیگیره. این بخشش برای تازه‌کارها ☝️☝️☝️ اما ی بخش دیگه هم هست، توی این هفته یکی از دوستانم توی ایران کار پیدا کرد با مبلغی که توی ایران واقعاً قفل هست. ۵ برابر دستمزد شرکت‌های خصوصی و اونایی که پرداخت خوبی دارند. شبکه‌ی آدم‌های اطرافمون، خیلی تلاش داشتند که این موضوع رو تماماً گردن شانس بندازند (میدونم از نظر علمی اثبات شده ۵٪ شانس برای موفقیت ۱۰۰٪ لازم هست و شانس منطقی هست) ولی هیچکس نگفت : اون هفته‌ای که جمع رفته بودند شمال، این دوستمون نرفت چون دوره‌ شرکت کرده بود کسی نگفت، توی تور خارج از ایران، هیچوقت با بچه‌ها نرفت چون داشت تمرین میکرد و .... هیچکس زحماتش رو ندید، وقتی صحبت‌ها تموم شد واقعاً ناراحت بود چون احساسش این بود که کسی تلاش‌هاش رو ندیده و کسی هم چشم دیدن موفقیتش رو نداره خواستم بگم اگر شما هم همچین شرایطی براتون پیش اومد آدمای اطرافتون رو عوض کنید بجای اینکه منکر موفقیت بشید‌، اگر آدمای اطرافتون چشم دیدن موفقیت شمارو ندارند معلوم هست توی این سال‌ها کنار آدمای اشتباهی بودید و حالا که هدف موفق شدن هست باید بدونید قدم اول، شبکه سازی درست هست و برای شبکه‌ سازی درست باید خودتون رو ثابت کنید و موفقیت‌ هاتون رو نشون بدید. و برای اونایی که میگن خوش بحال فلانی که ماهی ۱۰۰-۲۰۰ میلیون یا بیشتر در میاره، کاش منم می‌تونستم و ... باید بگم : فلانی از خیلی چیزا، تفریحات و ... گذشته تا به اینجا رسیده شما که از مهمونی هم نمی‌گذری بیخود می‌کنی حرف شانس میزنی برای اون افرادی هم که به موفقیت رسیدن (حتی پله‌های اولیه) : no one knows the price you paid, so don't care. #advice

نتایج پرسشنامه ۲۰۲۳ استک اورفلو که بیش از ۹۰ هزار توسعه دهنده در آن مشارکت داشتند منتشر شد. https://survey.stackoverflow.co/2023/ #Stackoverflow #Survey

یک اصلاحیه هم بکنم، تو over engineering همیشه باید در راستا بهتر شدن کد باشه، یعنی مثلا پروتکل بنویسید برای هر کلس template ای که دارین مینویسید، حتی اگه یک بار ازش استفاده میکنید. از داک استرینگ و دیتا کلس استفاده کنید جای نوشتن query خام مثلا از orm استفاده کنید (تسکه کلا دو query داشت) دیزاین داشته باشه کدتون، حتی اگه دیزاین داشتن نیاز نبوده و واسه دیزاین داشتن کد خیلی‌ کم بوده (مگه کد ۱۵ خطی رو دیزاین میدن بهش؟ بله، تو روند استخدام باید بدید که نشون بدید مهارت کافی دارین برای نوشتن کد production quality) ولی اینکه بخواین الکی کد عجیبی به پروژتون اضافه کنید که به هیچ دردی نمیخوره و فقط complicate ترش میکنه اونوقت اصلا اونکارو نکنید. Over engineer باید در جهت بالا رفتن کیفیت کد باشه @ManiFoldsPython

From @ManiFoldsPython : تجربه شخصی خودم از روند مصاحبه و نصیحت هایی که به مانی 3 ماه پیش میکردم 😁 1. OVERENGINEER AS MUCH AS YOU CAN اولین و مهم ترین چیز همینه. این تجربم برمیگرده به مصاحبه اولم. لایو کدینگی که یک ساعت بود ولی 2 ساعت و نیم طول کشید 😂😂. آخر لایو کدینگ هم که 95درصد کدو نوشته بودم منو متوقف کرد و گفت کافیه. به من یک کدی نشون داد که همون کاری که من میخواستم بکنم رو تو 15 خط کد پایتون میکرد. من گفتم ریجکت شدم تموم شد رفت. پس فرداش آفر کاریش اومد و الان تو همون شرکت کار میکنم. گفت اگه رو پروداکشن اینطوری overengineer کنی دارت میزنم :)). شما با overengineer کردن تو لایو کد چلنج یا assigement مهارتتون رو show off میکنید و طبیعتا اجازه میده بهتون که نسبت به بقیه کاندید ها که تلاش داشتن KIS رو رعایت کنند جلو بیفتین و اون طرف متوجه شه که شما از کجا میاین (ترجمه I see where you're coming from😁) ریپوش اینجاست. اینکه چرا انتخاب شدم هم خوش یک سکشن جداست. 2. Try new technologies, don't be afraid of rejection اینکه قبلا جنگو کار کردین ولی برای fast اقدام نمیکنید اشتباهه بنظرم. اگه اشتیاق کار کردن با اون استکو دارین حتما اپلای کنید. ملاک استخدام فقط بلد بودن و تسلط رو اون تکنولوژی نیست خیلی وقتا شانس اینو دارین رو تکنولوژی آفر بگیرین که شاید خیلی روش مسلط نیستین و صرفا آشنا هستین در صورتی که تو job requirement نوشته مسلط. مثال بارزش دوباره از خودم میزنم. من همیشه rest کار کردم. کل بک شرکتی که داشتم براش اپلای میکردم graphql بود و خیلی تاکید داشت روی تجربه با graphql. تو مصاحبه اول اصلا اشاره نکردم به اینکه هیچی از graphql بارم نیست. تو مرحله assignment یک هفته داکشو خوندم. شاید باورتون نشه ولی جاب آفر از اون پوزیشنم گرفتم :)) . پس دلیل نمیشه شما یک چیزی رو بلد نیستین تو آگهی بهش اشاره شده اپلای نکنید. تهش اینه که با اون تکنولوژی آشنا میشین. 3. THINK, THEN CODE این از همه مهم تره. مهم ترین چیز critical thinking هست براشون. اینکه شما صرفا هدفتون انجام اون تسک نباشه. هدفتون هدف اون تسک باشه. حتی نیازی نیست از راهی که اشاره شده تو داکیومنت assignment برین. مثلا برای همین graphql پجینشن میخواست که من از راه حلی که خودش معرفی کرده بود نرفتم چون بنظره من اورلود نتورک داشت. راه حلشو تغییر دادم و یکی از دلایل اصلی قبول شدنم همین بود. یا اینکه مثلا درخواست رو نگفته بود async بزن ولی من درخواست اول رو sync میزدم که ببینم چند تا آیتم داریم بگیریم بعد به تعداد درخواست ها همرو تو سری دوم باهم async میزدم (که network efficient هم باشه و الکی اسپم نکنه). سورس کد ریپو. همه اینا نشون داد که به صورت مسئله حسابی فکر کردم. تو پوینت اولم فقط OVER-ENGINEER نکردم به صورت مسئله هم حسابی فکر کردم. سعی کردم تا جایی که میشه efficient باشه حتی شده با نقض داکیومنت assignment. هیچ شرکتی دنبال کسی نیست که فقط کپی پیست کنه یا فقط کاری که بهش میگن رو انجام بده و تک بعدی باشه, کد نویس ایده آل کسیه که خیلی فکر میکنه و میتونه راهکار نو و بهتر از راهکار قدیمی بده. با وجود اینکه من سابقه کار fastapi به صورت حرفه ای نداشتم یا graphql بلد نبودم چون صرفا thinker بودنمو خوب نشون دادم تونستم به این موفقیت برسم. از نمونه ریجکتیم هم بخوام بگم باید بگم یک assignment ام ریجکت شد و حتی فیدبک هم نگرفت چون خوب روش فکر نکرده بودم و صرفا کاری که بهم گفته بودن رو به ساده ترین شکل ممکن پیاده سازی کردم (انگار که رفع تکلیف باشه). The most damaging phrease in the language is " its always been done this way " From Grace Hopper #advice

From @d3vn8ll : چرا زبان های برنامه نویسی C و ++C را یادبگیریم ؟ در ابتدا باید به این نکته توجه کنیم که این دو زبان باهم تفاوت دارند سی توسط دنیس ریچ در سال 1972 در آزمایشگاه بل ابداع شد که یک زبان سطح میانی در نظر گرفته میشود این زبان با هدف توسعه نرم افزار های سیستمی مثل یونیکس و میان افزار ها Middleware و توسعه پیدا کرد زبان C++ زبان تعمیم یافته از سی است که ویژگی های زبان سی را همراه با شی گرایی ارائه میدهد موارد استفاده از زبان های قدرتمند C++ / C بسایر گسترده میباشد 1- برنامه نویسی امبدد سیستم ها Embedded Systems 2 - توسعه سیستم های عامل 3 - بازی سازی 4 - توسعه دیتابیس ها 5- برنامه نویسی دسکتاپ و کراس پلتفرم ( فریمورک Qt ) 6- توسعه بدافزارها 7- هوش مصنوعی و یادگیری ماشین مزایای یادگیری C/C++ 1- بهبود تفکر برنامه نویسی بر خلاف زبان های سطح بالا در C باید برای دستکاری آرایه ها و stacks , queues و ... خودتان توابعی را پیاده سازی کنید این باعث میشود که در سطح سیستم تفکر بهتری شکل بگیرد درک نحوه ذخیره متغییر ها آرایه ها و ... در حافظه و نحوه دستکاری آن ها نیز ضروری است پیاده سازی الگوریتم ها و دیتا استراکچر در C شما را به تفکر عمیق وا میدارد 2- درک بهتر مفاهیم مقدماتی توسعه نرم افزار به زبان C این امکان را میدهد که مفاهیم علوم کامپیوتر را پیاده سازی و بهتر درک کنید 3- فرصتی برای تعامل با سخت افزار سی به طور گسترده در دنیای نرم افزار های Embedded استفاده میشود از آن در توسعه Frimware و Middleware و حتی برای توسعه سیستم عامل ها استفاده میشود در سطح پایین در مقایسه با زبان اسمبلی که برنامه نویسی در آن زمان و تلاش زیادی میخواهد سی ساده تر است اگر میخواهید از میکروکنترلرها برای خودکار کردن کارها استفاده کنید سی انتخاب مناسبی است 4- کمک به درک مدیریت حافظه مدیریت حافظه تخصیص فضا مواردی هستند که باید هنگام نوشتن کد C به آنها توجه کنیم 5- سوییچ کردن به زبان های برنامه نویسی دیگر را ساده میکند به دلیل پیچیدگی هایی که در برنامه نویسی C/C++ وجود دارد و همچنین درک بهتری که از عملکرد هایی که در پشت کد ها در لایه پایین تر اتفاق میافتد دارید یادگیری سینتکس زبان های سطح بالا در اینده ساده تر خواهد بود #advice

➖➖➖➖➖➖➖➖➖➖➖ بازگشت همه به سوی مباحث تئوری است این جمله رو از منی که چندین سال فقط به دنبال کاربرد بودم بپذیرید. در سطوح بالاتر و آکادمیک اگه شما بخوایید کاری انجام بدید حتی بصورت میان رشته‌ای میبایست حتما منطق و تئوری اون موضوع رو بدونید نه اینکه صرفا چون کدنویس هستید بتونید پیش برید. در آمار مباحث فوق العاده‌ای وجود دارند که خود من هم اخیرا با مطالعه چندین کتاب متوجه قدرت ابزاری که در دستمون هست شدم به عنوان مثال الگوریتمی داریم که میتونیم در شبیه سازی‌ها واریانس رو تا 98درصد بهبود بدیم میدونید 98درصد بهبودی یعنی چقدر دیگه؟ فوق العاده هست این ولی خود من تا حالا اطلاعی ازش نداشتم و البته فقط این یکی نیست و صدها الگوریتم این چنینی در علم وجود داره که متاسفانه برای عموم ناآشنا هست متاسفانه حق آمار به‌واسطه عناوینی چون علم داده و یادگیری ماشین و ... خورده شد ولی غافل از اینکه در پس این الگوریتم‌ها علم آمار هست که الگوریتم گرداننده این مباحث می‌باشد. افرادی که رشتشون آمار هست لطفا در کنار کاربرد هیچ وقت تئوری رو فراموش نکنیم چونکه هویت رشته ما تئوری هست نه برنامه نویسی! ➖➖➖➖YouTube➖➖➖➖ https://youtube.com/@dataexperts ➖➖➖➖website➖➖➖➖ https://www.dataexperts.ir ➖➖➖➖➖➖➖➖➖➖➖ 🔰 @Data_Experts ➖➖➖➖➖➖➖➖➖➖➖

امروز : 1402-03-28 همراه اول🔵 :

vless://409847bd-2601-48a6-8961-0ee077bedd25@parsiran.top:27524?security=reality&sni=zula.ir&fp=firefox&pbk=uXZl2mJZ_j5uix9ciqBS6TCjI7aIMPrurS9mve05gE4&sid=0c69d7fa&type=tcp&flow=xtls-rprx-vision#@INIT1984%20-%20MCI

vless://b12097bb-4d08-4fab-e69d-435ec7dd2dbb@38.180.10.24:12179?security=reality&sni=www.speedtest.net&fp=safari&pbk=ANec7evX-mq57bIvHRHUbQUmA2YQTPD_2nQ1er-uMzM&sid=9c3510c5&type=tcp&flow=xtls-rprx-vision#@INIT1984%20-%20MCI

〰️〰️〰️〰️〰️〰️

این نوع کانفیگ ریلیتی هست و حتما باید نسخه 1.8.2 به بالای v2rayng رو داشته باشید!!! — لینک دانلود : https://github.com/2dust/v2rayNG/releases/download/1.8.5/v2rayNG_1.8.5.apk 〰️〰️〰️〰️〰️〰️ حمایت از پروژهٔ ما ، باعث میشه بتونیم خدمات بهتری به شما ارائه بدیم! https://www.coffeete.ir/hentaicoder 〰️〰️〰️〰️〰️〰️ 🆔 : INIT1984

امروز : 1402-03-28 ایرانسل🟡 :

vless://a17acbc9-3d44-42ef-840a-ad89c689820a@65.109.211.172:51300?security=reality&sni=digikala.com&fp=chrome&pbk=Ew6SoAJc5nFge1lGgXuBejS5-m1RFacggSPl3K0cg3o&sid=&type=tcp#@INIT1984%20-%20MTN

vless://3606d00e-3bf2-455e-86bd-b5206082d6a8@37.252.4.81:39168?security=reality&sni=digikala.com&fp=firefox&pbk=ClnLfW7azvTaI4Sl6KNmbKWvN28AGRZinCOt30a9rmY&sid=5a728f1b&type=tcp#@INIT1984%20-%20MTN

〰️〰️〰️〰️〰️〰️

این نوع کانفیگ ریلیتی هست و حتما باید نسخه 1.8.2 به بالای v2rayng رو داشته باشید!!! — لینک دانلود : https://github.com/2dust/v2rayNG/releases/download/1.8.5/v2rayNG_1.8.5.apk 〰️〰️〰️〰️〰️〰️ حمایت از پروژهٔ ما ، باعث میشه بتونیم خدمات بهتری به شما ارائه بدیم! https://www.coffeete.ir/hentaicoder 〰️〰️〰️〰️〰️〰️ 🆔 : INIT1984

امروز با یک سرویس باحال آشنا شدم، گفتم با شما هم به اشتراک بزارم!! فرضا یه ویدیو زبان اصلی دارید مثل این: https://youtu.be/FlGTSb7_9jk کافیه به این سایت برید : neurodub.ai‎ لینکش رو بدید! تا اونو به زبان فارسی، ترجمه، دوبله و صدا گذاری بکنه! @FaQProgramming

نزدیک به 5k چیت شیت و کوییک رفرنس توی زمینه های برنامه نویسی ، نرم افزار ، بیزنس و مارکتینگ ، تحصیلات و بازی توی سایت زیر خوابیده : cheatography.com عجیب بود که تا الان این سایت رو ندیده بودم :) 🐧 @Linuxor ~ СчаCтливый

‌ ⭕️ هنوز وقت عمل کردن نشده ؟

اگر اهل تکنولوژی هستید، این چنل های یوتیوب رو حتما ساب کنید Gaurav Sen Rachit Jain Akshay Saini Tushar Roy mycodeschool Saurabh School Keerthi Purswani Nick White Back To Back SWE Kevin Naughton Jr Raj Vikramaditya William Lin ACM ICPC Amrita Clément Mihailescu Errichto Algorithms Live RavindraBabu Ravula Algorithm Wolf Codechef Official code_report GeeksForGeeks Official channel William Fiset Code NCode Tozan Southerpacks CodeBuddy LeadCoding Jayati Tiwari Code Phobia Terrible Whiteboard Aditya Verma Dynamic Programming NeetCode MIT 6.006, MIT 6.851, MIT 6.046J Stanford Algorithms part 1 and 2 Pavel Mavrin Derek Banas Kunal Kushwaha TakeUForward Pepcoding Abdul bari sir SecondThread Errichto William Lin Neal Wu Utkarsh Gupta Codehelp by Love Babbar Arpit Bhayani Vivek Gupta Lastly, Amisha Aggarwal @DevTwitter

نظرات دکتر علی شریفی زارچی استاد کامپیوتر دانشگاه شریف راجب مراحل یادگیری #هوش_مصنوعی https://twitter.com/SharifiZarchi/status/1667131051104149505 🔸 مطالب بیشتر 👇👇 ✅ @AI_DeepMind

♦️وقتی نمیدونی میخوای چیکار کنی بنویس ♦️وقتی نمیدونی باید چیکار کنی آموزش ببین ♦️می‌دونی باید چیکار کنی برنامه ریزی کن 📌بعد میفهمی بیشتر مشکلات راه حل ساده ای دارن فقط باید مایل به انجامش باشی @godcodee

چهار تا ریپو که توش میتونید کلی سوالات مصاحبه برای زبان های مختلف پیدا کنید (بخش دوم) سوالات جاوا اسکریپت: https://github.com/rohan-paul/Awesome-JavaScript-Interviews جاوا اسکریپت - ساختار داده - الگوریتم: https://github.com/loiane/javascript-datastructures-algorithms سوالات مصاحبه ی ری اکت: https://github.com/sudheerj/reactjs-interview-questions سوالان مصاحبه ی جاوا اسکریپت https://github.com/sudheerj/javascript-interview-questions @DevTwitter

چهار تا ریپو که توش میتونید کلی سوالات مصاحبه برای زبان های مختلف پیدا کنید (بخش اول) کتاب راهنمای مصاحبه: https://github.com/yangshun/tech-interview-handbook سی ثانیه مصاحبه: https://github.com/30-seconds/30-seconds-of-interviews سوالات جاوا اسکریپت: https://github.com/lydiahallie/javascript-questions کتاب راهنمای مصاحبه ی فرانت: https://github.com/yangshun/front-end-interview-handbook @DevTwitter

❔ آیا یادگیری ریاضی می تواند شما را برنامه نویس بهتری کند؟ متن زیر رو بخونید- بخشی از مطلبی که لینکش رو آخر پست گذاشتم (توی نظراتش یکی گفته آخه html css ریاضی میخواد 😂 ): ریاضیات لازم برای برنامه نویسی جبر بولی برای درک برنامه نویسی، باید مفاهیم جبر بولی را درک کنید. شما از منطق هایی مانند AND، OR، NOT، XOR و XNOR برای ساختن کد استفاده خواهید کرد، ریاضی در برنامه نویسی که همگی بخشی از چیزهایی هستند که در جبر بولی که نحوه عملکرد مدارهای کامپیوتری را نشان می دهد، یاد خواهید گرفت. رمزنگاری برنامه نویسان همچنین مطالعه ای در زمینه رمزنگاری، ریاضی در برنامه نویسی علم نوشتن مخفی، مفید خواهند یافت. ایده رمزنگاری این است که هیچ کس نمی تواند پیامی را بخواند، مگر کسی که قرار است گیرنده باشد. رمزنگاری برای ایجاد حریم خصوصی و امنیت در برنامه‌نویسی استفاده می‌شود و باعث می‌شود کاربران هویت خود را ثابت کنند یا به کاربران اجازه می‌دهند پیام‌ها را به صورت ایمن به عقب و جلو ارسال کنند. استقراء ریاضی همه برنامه نویسان باید درک کاملی از استقرای ریاضی داشته باشند، که اساس هر مشکل مبتنی بر بازگشت در برنامه نویسی است. حساب دیفرانسیل و انتگرال برای بهینه سازی الگوریتم یادگیری ماشین، باید از حساب چند متغیره استفاده کنید. شما همچنین از حساب دیفرانسیل و انتگرال در برنامه های مبتنی بر شبیه سازی استفاده خواهید کرد، زمانی که اشیا باید بر اساس قوانین فیزیک با یکدیگر تعامل داشته باشند. محاسباتی که در یک برنامه کارشناسی یا از طریق دوره های آنلاین یاد می گیرید، از قوانین فیزیک که به شما در برنامه ریزی شبیه سازی کمک می کند، پشتیبانی می کند. احتمال و آمار یادگیری ماشینی به احتمال و آمار نیاز دارد. الگوریتم‌های یادگیری ماشین از مدل‌های توزیع احتمال زیربنایی استفاده می‌کنند. بنابراین، برای برنامه‌ریزی الگوریتم‌های یادگیری ماشین، باید یک پایه محکم در احتمال و آمار داشته باشید. نظریه گراف اثبات ها و قضایای نظریه گراف به برنامه نویسان کمک می کند تا کدهای قابل پیمایش را ایجاد کنند و همچنین در برنامه نویسی راحت تر حرکت کنند. همانطور که تئوری گراف را یاد می‌گیرید، با اثبات‌ها و قضایایی مانند جستجوی اول عمق، ریاضی در برنامه نویسی مرتب‌سازی توپولوژیکی، الگوریتم Dijkstra و جستجوی اول عرض بیشتر آشنا می‌شوید. این مفاهیم در برنامه های ناوبری، به عنوان مثال، برای محاسبه کوتاه ترین فاصله بین دو نقطه با استفاده از الگوریتم ها استفاده می شود. برنامه نویسان باید بتوانند آن نوع الگوریتم ها را ایجاد کنند. اینم لینک مطلب بالا: https://www.iraniancyber.com/math-programming-contact/