مفهوم دمای داده ها در علوم رایانه

و اینکه چگونه می تواند به بهبود استراتژی های ذخیره سازی در طرف مقابل و پشتیبان کمک کند.

هنگام توسعه یک برنامه ، داده ها را استفاده لزوماً با همان فرکانس واکشی یا اصلاح نمی شود. همچنین ، با توجه به این فرکانس ، به همان شیوه پردازش نمی شود.

برای نشان دادن این تفاوت ، ما در مورد دمای داده ها صحبت می کنیم.

مقایسه داده های سرد و گرم

باید توجه داشت که مفهوم دما باید به یک زمینه مرتبط شود. به عنوان مثال ، در یک شبکه اجتماعی مانند فیس بوک: عکسهای 10 ساله در سابقه نمایه شما به عنوان داده های سرد در نظر گرفته می شوند. 3 روز ، همچنین به عنوان داده سرد در نظر گرفته می شود. این در حالی است که ما در مورد روزها صحبت می کنیم نه سالها.

داغ داده ها عموماً ارزش بیشتری دارند ، از این رو در دسترس بودن آن

data داده های داغ

داده های داغ عموماً بسیار ناپایدار هستند ، مشروط به تغییرات مکرر و باید در اسرع وقت در دسترس باشند.

به عنوان مثال ، داده های موجود در ابر مانند عکس های ما با وجود این واقعیت که لزوماً هر روز به آنها دسترسی نداریم (و این مشکل ذخیره سازی ابر است ، زیرا در دسترس بودن گران تر است) داده های داغ محسوب می شوند. < /p>

ما همچنین از نظر تعداد دفعات بروزرسانی در مورد داده های داغ صحبت خواهیم کرد ، به عنوان مثال داشبورد سهم بازار سهام یک داده داغ است ، نرخ مبادلات در همه زمانها متفاوت است.

old️ سرد داده

داده های سرد در مقایسه با دفعات مشورت بسیار نادر به روز می شوند.

بایگانی پرونده هایی که اغلب مورد بررسی قرار نمی گیرند ، به عنوان مثال ، داده های سرد هستند. این کاملاً با یک HTTP یا خط مشی کش دیگر و با سخت افزار با کارایی پایین مطابقت دارد. عموماً نیازی به ذخیره شدن بر روی دیسک در دسترس نیست.

علاوه بر این ، نگهداری داده های سرد به دلیل قیمت تجهیزات و تکنیک های مورد استفاده ارزان تر است. برای جلوگیری از محاسبات غیر ضروری ، دیسک ها یا حافظه پنهان را کند کنید. به خاطر داشته باشید که سیاست های ذخیره سازی و ذخیره سازی این داده ها را به منظور بهینه سازی هزینه ها ، عملکرد خود و همچنین در مورد محیط زیست و حفاظت از کره زمین تنظیم کنید. >

90+ کتاب برنامه نویسی رایگان برای علوم رایانه ، توسعه وب ، پایگاه های داده ، علم داده و یادگیری ماشین - قسمت 2

بارگیری رایگان…

اعتبار عکس: Unsplash (توسط hishahadat)

زبانهای برنامه نویسی

پایتون

< uli> به پایتون فکر کنید: چگونه یک فرد مانند یک متخصص کامپیوتر فکر می کند آلن داونی برنامه نویسی پایتون کتابهای ویکی خودکار مطالب خسته کننده با پایتون: برنامه نویسی عملی برای مبتدیان Al Sweigart پایتون را از راه سخت بیاموزید Zed A. Shaw شیرجه رفتن به پایتون 3 Mark Pilgrim Python Full Stack - Matt Makai برنامه نویسی عملکردی در Python - David Mertz مبانی برنامه نویسی پایتون - Richard L. Halterman (PDF) Google's Python Class Google's Python Style Guide Hadoop with Python - Zachary Radtka، Donald Miner Hitchhiker's Guide to Python! چگونه در پایتون 3 کدگذاری کنیم - لیزا تالیافری (PDF) چگونه در پایتون اشتباه کنیم - مایک پیرنات (PDF) (چاپ اول) چگونه مانند فکر کنیم یک دانشمند کامپیوتر: یادگیری با پایتون ، نسخه تعاملی - برد میلر ، دیوید رانوم ، جفری الکنر ، پیتر ونت ورث ، آلن بی داونی ، کریس مایرز و داریو میچل (3.2) چگونه مانند یک کامپیوتر فکر کنیم دانشمند: یادگیری با پایتون ویرایش اول - آلن بی داونی ، جف الکنر و کریس مایرز (2.4) (HTML ، PDF) چگونه مانند یک دانشمند کامپیوتر فکر کنیم: یادگیری با پایتون ویرایش دوم - جفری الکنر ، آلن بی داونی و کریس مایرز (با استفاده از پایتون 2.x) چگونه می توان مانند یک دانشمند کامپیوتر فکر کرد: یادگیری با پایتون 3 (RLE) - پیتر ونتورث ، جفری الکنر ، آلن بی داونی و کریس مایرز (PDF) پایتون متوسط ​​- محمد یاسوب الله خالد (چاپ اول) مقدمه ای بر برنامه نویسی با پایتون (3.3) مقدمه ای بر برنامه نویسی با استفاده از پایتون (2.3) مقدمه ای بر پایتون - Kracekumar (2.7.3) شروع به کار با پایتون در آزمایشگاه: آموزش مقدماتی پایتون برای دانشمندان زندگی راهنمای علم داده های پایتون معماری های پاک در پایتون - Leonardo Giordani Code Like a Pythonista: Idiomatic Python - David Goodger CodeCademy Python برنامه نویسی (3.x) ترک خوردگی کدهای با پایتون - Al Sweigart (3.6) ساختارها و الگوریتم های داده در پایتون - BR Preiss (PDF) شیرجه رفتن به پایتون 3 - Mark Pilgrim (3.0) < uli> Dive into Python - Mark Pilgrim (2.3) از Python به NumPy - Nicolas P. R ougier (3.6) مدلسازی و شبیه سازی در پایتون - Allen B. Downey (PDF) Modeling Creativity: Case Studies in Python - Tom D. De Smedt (PDF) پردازش زبان طبیعی (NLP) با پایتون-آموزش (PDF) پردازش زبان طبیعی با پایتون (3.x) آموزش غیر برنامه نویس برای پایتون 3-ویکی کتاب ها (3.3) آموزش غیر برنامه نویس برای پایتون 2.6-ویکی کتابها (2.6) انتخاب نسخه پایتون: مانیفست-دیوید مرتز انتقال به پایتون 3 : راهنمای عمیق (2.6–2.x و 3.1–3.x) برنامه نویسی عملی در پایتون-جفری الکنر (PDF) آموزش و یادگیری با ژوپیتر آموزش پایتون - نکات آموزشی یادداشتهای سخنرانی Scipy SICP در پایتون (3.2) Slither into Python: مقدمه ای بر پایتون برای مبتدیان (3.7) حمایت از پایتون 3: راهنمای عمیق توسعه وب تحت آزمایش با پایتون-هری پرسیوال (3.3-3.x) پردازش متن در پایتون - دیوید مرتز (2.3–2.x) The Coder's Apprentice: Learning programming with Python 3 - Pieter Spronck (PDF) (3.x) The Definitive Guide to Jython ، پایتون برای پلت فرم جاوا-جاش جونو ، جیم بیکر ، ویکتور نگ ، لئو سوتو ، فرانک ویرزبیکی (2.5) کتاب کوچک الگوهای ضد پایتون (منبع) The مورخ برنامه نویسی - William J. Turkel، Adam Crدر پایتون - آلن ب. داونی (PDF، HTML) فکر Python 2nd Edition - آلن B. داونی (3.x) (HTML، PDF) Think Python First Edition - Allen B. Downey (2.x) (HTML، PDF) PySDR: راهنمای SDR و DSP با استفاده از Python پایتون برای مهندسان شبکه Cracking کدهای با Python بازی های کدنویسی با Pygame Zero & Python بازی های رایانه ای خود را با Python پایتون را با Arcade Academy بیاموزید ساخت بازی با Python & Pygame برنامه بازی های بازی با Python And Pygame جعبه ها: دومین کتاب پایتون شما پایتون واسطه پایتون re (gex)؟ نکات پایتون: پایتون متوسط ​​ کتاب پایتون: پایتون آغازین ، پایتون پیشرفته ، و پایتون Ex یادداشت های پایتون برای افراد حرفه ای یادگیری ماشین از Scratch: مشتق از مفهوم و کد پردازش زبان طبیعی با پایتون حل مشکل با الگوریتم ها و ساختار داده ها usin g Python - Bradley N. Miller and David L. Ranum (3.x) برنامه بازی های بازی با Python And Pygame (3.3) برنامه نویسی دید کامپیوتر با پایتون (PDF) < /uli> برنامه نویسی برای غیر برنامه نویسان ، انتشار 2.6.2-استیون اف لوت (PDF) (2.6) PySDR: راهنمای SDR و DSP با استفاده از پایتون-دکتر مارک لیختمن ( 3.x) پایتون 101 - مایکل دریسکول (HTML ، TEXT) اسناد رسمی پایتون 2 (PDF ، HTML ، TEXT) (2.x) مرجع سریع پایتون 2.7 - جان دبلیو شیپمن (PDF) (2.7) اسناد رسمی پایتون 3 (PDF ، EPUB ، HTML ، TEXT) (3.x) پایتون 3 آموزش راهنمای علوم داده پایتون - Jake VanderPlas (HTML ، Jupyter Notebooks) Python for Everybody - Charles Russell Severance (PDF، EPUB، HTML) (3.x) پایتون برای انفورماتیک: بررسی اطلاعات - چارلز راسل سورانس (2.7.5) پایتون برای من و شما (2.7.3) پایتون برای من و شما (3 .x) اصطلاحات پایتون (PDF) Pyt hon in Education - Nicholas Tollervey Python in Hydrology - Sat Kumar Tomer Python Koans (2.7 or 3.x) یادگیری ماشین پایتون با مثال - < /uli> پایتون ماژول هفته (3.x) پایتون ماژول هفته (2.x) یادداشت های پایتون برای حرفه ای ها - تهیه شده از اسناد StackOverflow ( PDF) کتاب تمرین پایتون (2.7.1) پروژه های تمرین پایتون برنامه نویسی پایتون - ویکی کتابها (2.7) برنامه نویسی پایتون - کتابهای ویکی (PDF) (2.6) برنامه نویسی پایتون و روشهای عددی: راهنمای مهندسان و دانشمندان - چینگکای کنگ ، تیمی سیاو ، الکساندر باین (3.7) شبکه های عصبی و عمیق یادگیری برنامه نویسی احتمالی و روش های بیزی برای هکرها الگوریتم های حاشیه نویسی در پایتون - با کاربردهایی در فیزیک ، زیست شناسی و امور مالی چگونه مانند یک دانشمند کامپیوتر فکر کنیم : نسخه تعاملی حل مشکل با الگوریتم ها و ساختار داده با استفاده از پایتون پایتون را در نظر بگیرید: چگونه می توان مانند یک دانشمند رایانه فکر کرد الگوهای معماری با پایتون: امکان توسعه آزمایش محور ، طراحی دامنه محور و میکروسرویس های رویداد محور معماری های پاک در پایتون: رویکردی کاربردی برای طراحی بهتر نرم افزار برنامه نویسی شی گرا با پایتون: موارد ضروری OOP را با پایتون 3 بیاموزید توسعه تست محور با پایتون The Hitchhiker's Guide to Python! کتاب کوچک الگوهای ضد پایتون ایجاد برنامه های ساده GUI اتوماسیون موارد خسته کننده با پایتون

زبان برنامه نویسی R

برنامه نویسی R برای علم داده Roger D. Peng R برنامه نویسی کتابهای ویکی Advanced R Hadley Wickham

SQL

SQL را به روش سخت بیاموزید زد. A. Shaw

آمار و یادگیری آماری

Think Stats: تجزیه و تحلیل داده های اکتشافی در پایتون Allen B. Downey Think Bayes: Bayesian Statistics Made Simple Allen B. Downey An IEfron و Trevor Hastie مقدمه ای بر احتمالات - Charles M. Grinstead and J. Laurie Snell

علم داده به طور کلی

مقدمه ای بر علم داده کتاب راهنمای مدرسه داده های جفری استانتون مکتب داده داده ها Jujitsu: هنر تبدیل داده ها به محصول DJ Patil

پردازش داده

پردازش متنی فشرده داده با MapReduce-جیمی لین و کریس دایر

تجزیه و تحلیل داده ها

عناصر سبک تجزیه و تحلیل داده ها Jeff Leek روشهای عددی اساسی و تجزیه و تحلیل داده ها - جورج دبلیو کالینز مقدمه ای بر R - نکاتی در مورد R: محیط برنامه نویسی برای تجزیه و تحلیل داده ها و گرافیک - WN Venables ، DM Smith ، و تیم اصلی R مدل سازی با داده ها: ابزارها و تکنیک های محاسبات علمی - بن کلمنس R برای علم داده: واردات ، مرتب سازی ، تبدیل ، تجسم و داده های مدل - هادلی Wickham & Garrett Grolemund Advanced R - Hadley Wickham

یکی از بهترین مقاله های مربوط به کتابهای علم داده و یادگیری ماشین که خوانده ام: برای یادگیری علم داده و یادگیری ماشین ، این کتابها را رایگان بگیرید. مانند یک متخصص توسط Kunal Ajay Kulkarni

داده کاوی و یادگیری ماشین

مقدمه ای بر یادگیری ماشین آمنون ششوا یادگیری ماشین عبدالحمید ملوک و عبدناقر چبیرا ، یادگیری ماشین - راهنمای کامل Wikipedia استخراج رسانه های اجتماعی مقدمه رضا زعفرانی ، محمدعلی عباسی ، و هوان لیو استخراج مجموعه داده های عظیم Jure Leskovec ، Anand Rajaraman و Jeff Ullman راهنمای برنامه نویس برای داده کاوی رون زاکرسکی برنامه ریزی احتمالی و روش های بیزی برای هکرها کام دیویدسون-پیلون یادگیری ماشین ، طبقه بندی عصبی و آماری D. Michie ، D.J. اشپیگل هالتر و C.C. تیلور نظریه اطلاعات ، استنتاج و الگوریتم های یادگیری David J.C. MacKay استدلال بیزی و یادگیری ماشین دیوید باربر فرایندهای گوسی برای یادگیری ماشین C. E. Rasmussen & C. K. I. Williams یادگیری تقویتی: مقدمه Richard S. Sutton & Andrew G. Barto الگوریتم هایی برای تقویت یادگیری Csaba Szepesvari مدل سازی با داده ها بن کلمنس KB - داده کاوی عصبی با منابع پایتون روبرتو بلو شبکه های عصبی و یادگیری عمیق مایکل نیلسن الگوریتم های داده کاوی در آر کتاب های ویکی داده کاوی و تجزیه و تحلیل: مفاهیم اساسی و الگوریتم ها محمد ج. زاکی و واگنر میرا جونیور نظریه و کاربردهای استخراج متن پیشرفته Shigeaki Sakurai

بازیابی اطلاعات

مقدمه ای بر بازیابی اطلاعات - کریستوفر دی مانینگ ، پراباخار راغاوان ، و هانریش شوتزه

تجسم داده

نکات و ترفندهای D3 Malcolm Maclean نقشه کشی و تجسم در Python ggplot2: گرافیک های زیبا برای تجزیه و تحلیل داده - Hadley Wickham

مصاحبه با دانشمندان داده

جزوه علم داده کارل شان ، هنری وانگ ، ویلیام چن ، و مکس سونگ

تشکیل تیم های علم داده

داده محور: ایجاد فرهنگ داده هیلاری میسون و دی جی پاتیل ایجاد تیم های علم داده DJ Patil درک مدیر اطلاعات ارشد جولی استیل

ابزارهای محاسبه توزیع شده

Hadoop: The Definitive Guide تام وایت پردازش متنی فشرده داده با MapReduce جیمی لین و کریس دایر

داده های بزرگ

داده های بزرگ اکنون: نسخه 2012 O'Reilly Media، Inc. وعده و خطر کلان داده - دیوید بولیر

به یادگیری و برنامه نویسی ادامه دهید ؛)

می خواهید طنز برنامه نویسان را بخوانید؟

طنز برنامه نویسی قسمت 2 بخندید زیرا خنده دار است ... .medium.com خنده دار ترین نظرات کد همیشه طنز برنامه نویس: بله ، برنامه نویسان در واقع آنها را نوشتند! چگونه «تخته سفید» mockedmedium.com 10 جوک برنامه نویسی شوخ که باعث می شود شما به ROFL بروید اینها خنده دار هستند ... .medium.com پایتون پیشرفته ساخته شده آسان - قسمت 4 از این هک ها و تکنیک ها استفاده کنید… medium.com پایتون پیشرفته ساخته شده آسان - قسمت 1 از این هک ها و تکنیک ها استفاده کنید… medium.com

پایتون

یک دهه آیفون. عکس © Apple.

دهمین سالروز تولدتان مبارک ، iPhone!

معرفی مارک وبر ، مدیر سرپرستی ، برنامه تاریخچه اینترنت

مشارکت ها و بینش ها توسط دیوید سی براک ، مدیر ، مرکز تاریخ نرم افزار ؛ مارگریت گونگ هنکوک ، مدیر اجرایی ، مرکز نمایی ؛ هانسن هسو ، سرپرست ، مرکز تاریخ نرم افزار ؛ ، و مورخ ؛ داگ اسپایسر ، سرپرست ارشد ؛ و مارک وبر ، مدیر متولی برنامه تاریخ اینترنت تلفن همراه در حال تبدیل شدن به متداول ترین دستگاه الکترونیکی روی زمین با بیش از 2.7 میلیارد کاربر بود. با این حال تقریباً به یک اندازه روشن بود که رویدادهای اصلی در سیلیکون ولی یا حتی ایالات متحده اتفاق نمی افتد.

از سال 1999 ژاپن با نسخه خاص خود از وب تلفن همراه ، حالت i-mode ، به همه چیز از نقشه های تلفن همراه گرفته تا خرید آنلاین متصل شده بود. وقتی نوبت به بازار کوچک اما در حال رشد انبوه گوشی های هوشمند می رسید ، سیستم عامل Symbian اروپا - که نوکیا یکی از شرکای اصلی آن بود - به احتمال زیاد موفق می شد. بازار سودآور تلفن های هوشمند تجاری متعلق به بلک بری امن و با نوع آسان کانادا بود.

تنها مدعی محلی Palm Treo بود. این یک تلفن هوشمند همه کاره بود که بر اساس سیستم عامل زیبا و کاربر پسند Palm طراحی شده بود. اما بیشتر برای گیک های آمریکایی شناخته شده بود. سابقه مشاغل سنگین نخل این شرکت را بسیار کوچک نگه داشته است تا در جهان بزرگتر حضور داشته باشد.

این واقعیت که استفاده از تلفن همراه ایالات متحده - و شبکه ها - سالها از سایر کشورها عقب افتاده است ، کمکی نکرد. ، و به دو استاندارد رقیب (GSM و CDMA) تقسیم شد. به نظر می رسید که این تنها یک رکورد 20 ساله محلی از شکست محاسبات دستی را تأیید می کند-نیوتن اپل ، Go Eo ، جنرال مجیک ، راهنمای جانبی و موارد دیگر.

شش سال سریع جلو بروید. گوشی ای که دفعه قبل وجود نداشت مرکز ثقل جهانی توسعه موبایل را به سیلیکون ولی باز کرده بود و ظاهر ، احساس و مدل تجاری تقریباً همه تلفن های هوشمند دیگر را در طول مسیر تغییر داد. مهمتر از همه ، پلت فرم آیفون و اندروید آرشیو جدید آن ، تلفن هوشمند را از یک اسباب بازی عالی به میدان نبرد برای کل جهان متصل تبدیل کرده بود. خطوط درگیری دیگر بین مرورگرها نبود ، بلکه بین سیستم عامل های تلفن همراه ، خود وب در مقابل برنامه های مستقل و حتی رایانه های لوحی در مقابل رایانه ها بود. قبلا وارد کردن متن بر روی آن ناخوشایند بود و نه به سرعت ، و در ابتدا 500 دلار هزینه داشت. اما نگاه کردن به مواد تشکیل دهنده آن مانند این است که بگوییم پخت و پز سطح میشلن با روغن و پیاز مشابه غذاهای ناهارخوری انجام می شود. مهم این است که چه چیزی را داخل یا خارج می گذارید و ارائه آن اهمیت دارد.

آیفون در 9 ژانویه 2007 در یکی از دموهای خیره کننده استیو جابز معرفی شد. در 29 ژوئن عرضه شد. اپل یک میلیون دستگاه از آنها را در سه ماه و بیش از یک میلیارد تا به امروز فروخت.

استیوجابز آیفون اصلی را در 9 ژانویه 2007 معرفی کرد. عکس © Apple.

میلیون ها کلمه در مورد آنچه باعث موفقیت آیفون شده است نوشته شده است. علاوه بر هنرمندی کامل در طراحی آن از نرم افزار تا بسته بندی ، در اینجا پنج ویژگی ذکر شده است: کیف پول. کلیدها و عملکردهای تلفن را می توان به دکمه های نرم افزار منتقل کرد. مرور ، مرور ، مرور: اولین کاری که با آن صفحه بزرگ انجام می دهید. موسیقی: همه چیز خوب در مورد iPod و iTunes بر روی صفحه نمایش بهتر. انگشتان: فقط برای اشاره کافی است ، اما برای کشیدن و بزرگنمایی ساخته شده است. فداکاری: مقرون به صرفه بودن ، عمر باتری ، ارگونومی و بازخورد لمسی.

این که شبکه های تلفن همراه اخیراً به حدی سریع شده اند که از مرور کامل وب در آن صفحه بزرگ پشتیبانی کنند ، ضرری نداشت. همچنین تجربه اپل با فروشگاه فوق العاده موفق iTunes به سرعت به App Store و معادل نسخه اندرویدی ترجمه شد (ناگفته نماند خدماتی که از سواری گرفته تا بررسی برنامه ها و برنامه های متصل به آنها). مطمئناً ضرری نداشت که استیو جابز (هنوز) در اوج قدرت خود باشد.

اما پیروزی آیفون بیشتر از آن چیزی که بسیاری از ما به خاطر داریم ، طول کشید.

هنگامی که برنامه را توسعه دادم گالری محاسبات موبایل برای نمایشگاه دائمی انقلاب موزه در سالهای 2009 و 2010 ، مرکز ثقل داستان تلفن های هوشمند هنوز به شدت در خارج از دره سیلیکون قرار داشت. من با پیشگامان ژاپنی و سوئدی مصاحبه کردم و به لندن رفتم تا با سازندگان سیمبیان و سیستم عامل اولیه Psion که بر اساس آن ساخته شده بود مصاحبه کنم. گروه محلی توسط Palm Treo ، که هنوز مدعی است ، و این ابزار جدید اپل ، نمایندگی شد. اندروید - به سرپرستی اندی روبین ، فارغ التحصیل اپل - به عنوان چهره جدید تلفن همراه به iOS آیفون پیوست. اما رقبا هنوز چند کارت برای بازی داشتند. آنها امیدوار بودند هم از مدل iOS/Android تقلید کنند و هم یک یا چند مورد از نقاط ضعف آن را برطرف کنند: کمبود راه های عملی برای ایجاد و نه صرفاً استفاده از محتوا. آدرس ها ، تقویم ، کارهای انجام شده و یادداشت ها ضعیف ادغام شده اند. و فقدان امنیت ، همگام سازی آسان یا اتصال با لوازم جانبی. چنین ویژگی هایی ممکن است اهمیت بیشتری داشته باشند زیرا تلفن همراه iPad را از تلفن به تبلت دنبال می کند.

اما پس از آن ویندوزفون 8 مایکروسافت از بین رفت و بازار تلفن های هوشمند نوکیا را به همراه تبلت مایکروسافت ، Surface ، از بین برد. با ترک HP از WebOS ، میراث Palm وارد آخرین مراحل انحلال شد. سیستم عامل "قاتل آیفون" ² Blackberry 10 خراب شد. سرانجام دنیای موبایل در حال حاضر متعلق به اپل و گوگل - و دره سیلیکون است.

امسال ، بسیاری از تیم متولی CHM در حال بررسی نگاهی جامع به تکامل iPhone با پروژه iPhone 360 ​​هستند. تکنیک های اصلی شامل تاریخ شفاهی ، جمع آوری نرم افزار ، اسناد ، اشیاء و موارد دیگر و رویدادهای عمومی و خصوصی است. این تیم یک همکاری داخلی بین مرکز نمایی است که مدیر آن مارگریت گونگ هنکوک هماهنگ کننده کل تلاش است ، هانسن هسو و دیوید بروک از مرکزتاریخچه نرم افزار ، جان مارکوف ، مورخ ، داگ اسپایسر ، و من از برنامه تاریخ اینترنت. به قول مرحوم استیو جابز ، "این یک جادو است". برای بازگرداندن مجدد سفر ، این فهرست را دنبال کنید.

1. SRI Packet Radio Research Van

SRI Mobile Van، 1977. مجموعه تاریخچه کامپیوتر موزه ، X1590.99.

ون جایی که "اینترنت در آن متولد شد" به طور مشهور برای آزمایش پروتکل های اینترنتی مورد استفاده ما در سال 1977 استفاده شد. اما این ون در ابتدا در سال 1973 برای تحقیقات بنیادی در زمینه شبکه های رادیویی موبایل و بسته بسته بندی شده بود و با تجهیزات پیشرفته پر شده بود. اینها اساس خدمات داده تلفن همراه امروز است.

ثبت کاتالوگ | SRI Mobile Van

فیلم جشن | سی امین سالگرد نقطه عطف اینترنت

مشارکت مارک وبر ، مدیر سرپرستی ، برنامه تاریخچه اینترنت

2. Apple II

اپل II ، 1977. مجموعه موزه تاریخ کامپیوتر ، 102626726. عکس © مارک ریچاردز

در سال 1977 ، Apple II محصولی بود که اپل را به عنوان یک شرکت معرفی کرد و رایانه های شخصی را از دست علاقه مندان به بازار وسیع تری خارج کرد. مانند آیفون امروزی ، Apple II به یک نرم افزار موفق نرم افزاری ، مخصوصاً برای بازی ها تبدیل شد. همانند آیفون ، اپل II حتی پس از معرفی محصولات بعدی ، بیشترین سود را برای اپل فراهم کرد. هر دو منجر به رشد نمایی شد. با فروش Apple II ، اپل در ماه می 1983 به Fortune 500 رسید. با پشتیبانی iPhone ، اپل در آگوست 2012 بزرگترین شرکت از نظر سرمایه بازار شد.

نمایشگاه | "کامپیوتر برای همه" در گالری کامپیوترهای شخصی ، انقلاب: اولین 2000 سال محاسبه

تاریخ شفاهی | مایک مارکولا

مجموعه | Apple Computer Inc. پیش نویس محرمانه ارائه یادداشت

مشارکت هانسن هسو ، سرپرست ، مرکز تاریخ نرم افزار

3. مکینتاش

مکینتاش ، 1984. مجموعه موزه تاریخ کامپیوتر ، 102756924 ، 102756926 ، 102756927. عکس © مارک ریچاردز.

همانطور که معرفی آیفون توسط استیو جابز در سال 2007 باعث تغییر محاسبات شد ، معرفی مکینتاش در سال 1984 نیز تغییر کرد. اگرچه هیچ یک از محصولات در دسته خود اولین نبودند ، اما هر دو انقلابی در نحوه تعامل کاربران با رایانه های خود ایجاد کردند. با Mac ، کاربران اکنون می توانند رایانه های شخصی خود را به صورت گرافیکی ، با ماوس ، و نه با دستورات متنی مبتنی بر متن کنترل کنند. مک توسط مایکروسافت ویندوز کپی شد و امروزه همه رایانه های شخصی مانند مک کار می کنند. با استفاده از آیفون ، کاربران می توانند تلفن های هوشمند خود را مستقیماً با انگشتان خود کنترل کنند. آیفون توسط اندروید Google کپی شد و امروزه همه تلفن های هوشمند مانند یک iPhone کار می کنند.

مقاله و ویدئو | "اولین" Stevenote "، توسط جاناتان روتنبرگ ، بنیانگذار انجمن کامپیوتر بوستون

نمایشگاه | "گفتن آن با تصاویر" ، در گالری رایانه های شخصی ، انقلاب: اولین 2000 سال محاسبات

مشارکت هانسن هسو ، سرپرست ، مرکز تاریخ نرم افزار

4. نیوتن

نیوتن MessagePad ، 1993. مجموعه تاریخچه کامپیوتر موزه ، X2358.2002A. عکس © Mark Richards.

Newton MessagePad اولین رایانه جیبی اپل بود که در سال 1993 عرضه شد. دستگاه نیوتن مبتنی بر قلم به دلیل ضعیف بودن دستخط خود بدنام بود و موفقیت چندانی نداشت. سپس مدیرعامل اپل ، جان اسکالی ، اصطلاح "دستیار دیجیتال شخصی" را برای توصیف نیوتن ، دسته ای که بعداً تحت سلطه PalmPilot قرار گرفت ، مطرح کرد. مدلهای بعدی بهبود یافتند ، اما محصول بهبود یافتدر بازگشت استیو جابز در سال 1997 کشته شد. شاید مهمترین میراث نیوتن استفاده از ریزپردازنده ARM بود. امروزه تراشه های ARM مغز هر آیفون هستند.

Catalog Record | Newton Message Pad 110

نمایشگاه | "قلم از صفحه کلید قوی تر است" ، در گالری محاسبات موبایل ، انقلاب: اولین 2000 سال محاسبات

مشارکت هانسن هسو ، سرپرست ، مرکز تاریخ نرم افزار

5. NEXTSTEP

پس از اینکه اپل NeXT را در سال 1997 خرید ، سیستم عامل NEXTSTEP آن پایه ای شد Mac OS X و iOS بعدی. مجموعه موزه تاریخ رایانه ، 102707236 و 102705564. اصول طراحی یکسان ، و برنامه نویسی شده در یک زبان ، Objective-C. OS X خود از NEXTSTEP (1989) ، سیستم عامل رایانه NeXT استیو جابز مشتق شده است. نوآوری بزرگ NEXTSTEP استفاده از قدرت برنامه نویسی شی گرا در سراسر سیستم بود و به برنامه نویسان کمک می کرد تا برنامه ها را 5 تا 10 برابر سریعتر بنویسند. امروزه همین فناوری ها در iOS به توسعه دهندگان برنامه در سراسر جهان قدرت می بخشد.

ثبت فهرست | Mac OS X ، 102776949

تاریخ شفاهی | Avadis Tevanian

مقالات | "تاریخچه مختصری از Objective-C" و "NeXT: IPO استیو جابز dot.com که هرگز اتفاق نیفتاده است" ، توسط Hansen Hsu

توسط Hansen Hsu ، سرپرست ، مرکز تاریخ نرم افزار

6. تلفن های هوشمند اولیه

تلفن هوشمند پیشگام Simon 1993 دارای صفحه نمایش لمسی نوآورانه بود اما به عنوان محصول ناموفق بود. چهار خط اول تلفن های هوشمند موفق از نظر جغرافیایی پراکنده بودند. اریکسون P800 سیستم عامل Symbian را اجرا می کرد ، که مشترکاً بین نوکیا و پیشگام دستی بریتانیایی Psion انجام می شد. BlackBerry 5810 اولین مدل بود که یک تلفن هوشمند و همچنین یک دستگاه ایمن ایمن بود. تلفن های i-mode مانند این از NTT Docomo در وب تلفن همراه سفارشی ژاپن گشت و گذار کردند. گوشی هوشمند Handspring (بعداً Palm) Treo بر اساس PDA های محبوب Palm و تنها مدعی محلی ساخته شد.

نمایشگاه | "تلفن ها هوشمند شوند" ، گالری محاسبات موبایل ، انقلاب: اولین 2000 سال محاسبه

مقاله | "وقتی دره سیلیکون متوجه شد که می تواند محاسبه را در جیب شما بگذارد ،" نوشته جان مارکوف

تاریخ شفاهی | چارلز دیویس و جف هاوکینز

ویدئوی رویداد | "محاسبه در جیب شما: ماقبل تاریخ آیفون در دره سیلیکون" ، با حضور اعضای هیئت مدیره: استیو کپس (نیوتن) ، دونا دوبینسکی (Handspring/Palm) ، جری کاپلان (Go Corp.) و مارک پورات (جنرال عمومی). < /p>

بینش رویداد | "محاسبه در جیب شما: ماقبل تاریخ iPhone در سیلیکون ولی" ، نوشته جان مارکوف

مشارکت مارک وبر ، مدیر سرپرستی ، برنامه تاریخچه اینترنت

7. iPod

دستگاه پخش موسیقی بسیار موفق iPod راه را برای iPhone هموار کرد. این نشان داد که اپل می تواند یک محصول الکترونیکی موفق را طراحی کند و تعدادی از اعضای تیم را که بعداً روی iPhone کار می کردند گرد هم آورد. این نشان داد که اپل می تواند یک شرکت رسانه ای باشد. مهمتر از همه ، iPod به علاوه فروشگاه i-Tunes نشان داد که اپل می تواند یک اکوسیستم یکپارچه از سخت افزار ، نرم افزار ، محتوا و تجارت الکترونیکی را ایجاد کند. نکته اصلی فروش آیفون ،البته ، این بود که یک پخش کننده موسیقی iPod نیز بود. به به .

ثبت کاتالوگ | آی پاد ، 102757290

نمایشگاه | "نوآوری اخلال گر" ، گالری MP3 ، ایجاد نرم افزار: تغییر جهان!

مشارکت مارک وبر ، مدیر سرپرستی ، برنامه تاریخچه اینترنت

8. "محاسبه برای کل جهان: تونی فادل در گفتگو با جان مارکف"

تونی فادل طراح رایانه جوان بود که هنگام استخدام به عنوان پیمانکار برای طراحی اولین iPod در General Magic کار کرده بود. او در ادامه توسعه سخت افزاری اولین آیفون را هدایت می کند و سپس اپل را ترک می کند تا Nest را تاسیس کند ، شرکتی که یک ترموستات متصل طراحی کرده است ، که در سال 2014 به قیمت 3.2 میلیارد دلار به گوگل فروخته می شود.

Event Insights | "محاسبه برای کل جهان" ، توسط جان مارکوف

مشارکت توسط جان مارکوف ، مورخ و روزنامه نگار

9. "قرار دادن انگشت روی آن"

در سال 2006 ، یک سال قبل از معرفی آیفون ، به نظر می رسید که نوآوری در دستگاه های تلفن همراه در حال دور شدن از سیلیکون ولی است. محاسبات بی سیم در اروپا سریعتر از ایالات متحده پیشرفت می کرد. وقتی استیو جابز روی صحنه در مرکز Moscone در سانفرانسیسکو روی صحنه رفت و اظهار داشت که "سه محصول انقلابی" را در یک بسته - آیفون ، معرفی می کند ، همه چیز به یکباره تغییر می کند.

آیفون چگونه به وجود آمد؟ در 20 ژوئن ، چهار نفر از اعضای تیم توسعه اصلی در مورد پروژه محرمانه اپل بحث کردند که در دهه گذشته صنعت رایانه را تغییر داده ، چشم انداز تجارت را تغییر داده و به ابزاری در دست بیش از یک میلیارد نفر در سراسر جهان تبدیل شده است.

بینش رویداد | "ایجاد جادو: مکالمه با مهندسان اصلی آیفون و تیم نرم افزاری اسکات فورستال ،" توسط جان مارکوف

مشارکت جان مارکوف ، مورخ و روزنامه نگار

10. یک چیز دیگر

استیو جابز iPhone را معرفی می کند. عکس genius.com.

در نمایشگاه تجاری Macworld 2007 ، جابز اعلام کرد که اپل کلمه "Computer" را از نام خود حذف کرده و به سادگی "Apple Inc." می شود. این حرکت باعث تغییر عمیق در جهت شرکت شد و نشان از جاه طلبی ظاهرا نامحدود آن در بازار چند میلیارد دلاری محصولات روشن مصرفی داشت. در نمایشگاه Macworld ، جابز همچنین بخش معمول "یک چیز دیگر" از ارائه خود را برای یک اعلامیه پرفروش دیگر ذخیره کرد: iPhone. او آن را چیزی کمتر از اختراع مجدد تلفن توصیف نکرد: ترکیبی از "iPod با صفحه نمایش عریض و کنترل های لمسی" ، "تلفن همراه انقلابی" و "ارتباط دهنده دستیابی به موفقیت در اینترنت".

مقاله | "استیو جابز: از گاراژ تا با ارزش ترین شرکت جهان" ، توسط داگ اسپایسر

مشارکت داگ اسپایسر ، سرپرست ارشد

یادداشت

p http://www.icinsights.com/news/bulletins/Worldwide-Cellphone- اشتراک ها-پیش بینی-فراتر-از-جمعیت-جهان-در-2015/

² http://www.huffingtonpost.ca/2013/09/30/blackberry-iphone-killer-verizon_n_4017227.html < /p>

استفاده از علم داده برای مقابله با مشکلات عصب شناسی ، بینایی رایانه ای و تصویربرداری پزشکی

مشخصات دانشکده: کارلوس فرناندز گراندا

مصاحبه توسط ML Ball

استادیار ریاضیات کارلوس فرناندز گراندا به تازگی به دانشکده موسسه Courant پیوسته است علوم ریاضی و مرکز علوم داده و در حال تدریس "روش های آماری و ریاضی" ، دوره مورد نیاز برای کارشناسی ارشد علوم داده است. فرناندز گراندا که اهل مادرید است ، مدرک دکتری خود را دریافت کرد. در مهندسی برق از دانشگاه استنفورد ، M.S. در ریاضیات کاربردی (یادگیری ماشین و بینایی رایانه) از École Normale Supérieure de Cachan (پاریس) و مدارک مهندسی از Universidad Politécnica de Madrid و École des Mines (پاریس).

در پاییز امسال ، شما در حال تدریس دوره مقدماتی روشهای آماری و ریاضی مورد نیاز برای علم داده. آیا از آن لذت می برید؟

بله ، من از آموزش بسیار لذت می برم. هدف این دوره این است که به دانش آموزان زمینه ای در زمینه احتمال ، آمار ، جبر خطی و بهینه سازی ارائه شود تا بتوانند الگوریتم های پیشرفته تری را در یادگیری ماشین و علم داده درک کنند. اکثر دانش آموزان برای دوره کارشناسی ارشد خود می روند ، هرچند در ابتدا مطالب آنقدرها هم پیچیده نیستند ، اما من سعی می کنم آن را در سطحی دقیق تر از آنچه احتمالاً در مقطع دبیرستان دیده اند ، مورد بررسی قرار دهم. من به آنها دیدگاه عملی در مورد موضوعات ارائه می دهم ، اما جنبه های تئوریک بیشتری را نیز به آنها می گویم تا هر دو را بشناسند. مانند بیشتر - به طور خاص ، احتمالاً و جبر خطی. همچنین ، بسیاری از تحقیقات من در زمینه بهینه سازی است ، بنابراین بسیار مناسب است. من یادداشت های خودم را می نویسم زیرا در واقع کتابی وجود ندارد که شامل تمام ریاضیات اولیه مورد نیاز شما برای علم داده باشد. من واقعاً از تدریس این موضوع که اساسی است اما می تواند بسیار مشکل باشد لذت می برم. من فکر می کنم برای درک درست الگوریتم های پیشرفته برای دانش آموزان مهم است.

در مورد احتمال ، آمار ، جبر خطی و بهینه سازی چه چیزی به شما علاقه دارد؟

همه آنها برای علم داده به نظر من احتمال ، روشی بسیار مفید برای برخورد با عدم قطعیت و دانش جزئی به صورت اصولی است. جبر خطی به ما امکان می دهد مدلهای خطی با تفسیرهای هندسی بصری بسازیم. آمار به ما این امکان را می دهد که از داده ها نتیجه گیری کرده و صحت این نتایج را بررسی کنیم. در مورد بهینه سازی ، شاید ده تا بیست سال پیش ، بسیاری از افرادی که در زمینه کارشناسی ارشد در زمینه آمار مشغول به کار بودند ، بهینه سازی را فرا نمی گرفتند ، اما اکنون این امر اهمیت فزاینده ای پیدا می کند ، زیرا به ما امکان می دهد از مدل های انعطاف پذیر و پیچیده تری استفاده کنیم. برای درک رویکردهای مختلف علم داده که در برنامه در معرض آنها قرار می گیرد ، دانش آموزان باید در هر یک از این چهار زمینه دارای پایه های قوی باشند.

سابقه شما چگونه شما را برای کار فعلی شما آماده کرده است؟

من در مادرید بزرگ شدم. پدرم مهندس برق و مادرم پزشک بود. در دبیرستان ، من عمدتاً به ادبیات علاقه داشتم ، اما در نهایت کارشناسی مهندسی برق را انجام دادم. در اسپانیا ، برای افراد متداول استدانش آموزان خوب به مهندسی برق بروند زیرا از نظر علمی معتبر است ، مانند فیزیک در آلمان. خوشبختانه ، من دوره های ریاضی و برنامه نویسی را بسیار دوست داشتم ، بنابراین معلوم شد. همچنین به من اجازه داد در یک سال و نیم گذشته در پاریس در l’École des Mines کار کنم ، که یک فرصت عالی بود. از آنجا که می خواستم در مورد یادگیری ماشین ، هوش مصنوعی و بینایی رایانه ای بیاموزم ، همزمان در Ecole Normale کارشناسی ارشد انجام دادم. آنجا بود که فهمیدم این مناطق را خیلی دوست دارم. سپس من پایان نامه کارشناسی ارشد خود را در فیلیپس در آلمان در زمینه تصویربرداری رزونانس مغناطیسی انجام دادم و واقعاً از آن بسیار لذت بردم. من برنامه را دوست داشتم اما متوجه شدم که در مورد چارچوب نظری که زیربنای برخی از الگوریتم ها است ، آنقدر که می خواستم نمی دانم ، به همین دلیل تصمیم گرفتم برای دکترا

چقدر آیا روش ریاضی و علم داده از کشوری به کشور دیگر متفاوت است؟ نظریه اسپانیا کمتر احتمالاً به دلیل عدم وجود سنت است. من نمی توانم در مورد آلمان خیلی اظهار نظر کنم زیرا زمانی که من آنجا بودم ، در شرکتی مشغول تحقیق بودم.

در مورد دانشگاه های آمریکا ، با محققان زیادی ملاقات کردم که بسیار کاربردی هستند اما هنوز به نظریه علاقه دارند. به در عین حال ، بیشتر محققان نظری اغلب از برنامه های کاربردی دانش خوبی دارند. من این را بسیار جذاب می دانم.

موضوع دکتری شما چه موضوعی بود. در استنفورد؟

قبل از اخذ دکترا ، الگوریتم هایی برای تصویربرداری رزونانس مغناطیسی بر اساس بهینه سازی ایجاد کردم. من به این روش ها بسیار علاقه مند بودم و همانطور که قبلاً اشاره کردم ، می خواستم نظریه زیرین را بهتر درک کنم. در دانشگاه استنفورد ، دکترای من زیر نظر امانوئل کاندس بود که در روشهای مبتنی بر بهینه سازی برای مشکلات معکوس بسیار تأثیرگذار بوده است. من مطالعه کردم که چگونه می توان این الگوریتم ها را برای مشکلاتی مانند وضوح فوق العاده در میکروسکوپ فلورسانس و ضمانت های نظری مشتق شده به کار برد که نشان می دهد تحت چه شرایطی می توانیم انتظار داشته باشیم که آنها کار کنند.

از یک سو ، من هنوز به تجزیه و تحلیل نظری روشهای تحلیل داده بر اساس بهینه سازی علاقه دارم. از سوی دیگر ، من به کاربردهای کاربردی تری مانند مرتب سازی سنبله در علوم اعصاب علاقه مند شده ام. این مشکل مستلزم پردازش داده ها از حسگرهایی است که سیگنال های نورون های مختلف را دریافت می کنند. شما می خواهید این سیگنال ها را مخلوط کنید تا تصمیم بگیرید کدام یک از هر نورون بیرون می آید. بسیاری از چالش های جالب مانند حجم زیاد داده ها وجود دارد. از آنجا که اندازه گیری های زیادی وجود دارد ، بسیار مهم است که اطمینان حاصل کنید که الگوریتم ها را برای قسمت هایی از داده که فعالیت در آنها وجود دارد به کار می برید. در غیر این صورت همه چیز از نظر محاسباتی بسیار گران می شود.

در علم داده ، اکتشافات بزرگ بعدی را از کجا می بینید؟

اخیراً پیشرفتهای شگفت انگیزی در یادگیری ماشین در مورد مشکلات به وجود آمده است. در بینایی رایانه ای و تشخیص گفتار این پیشرفت ها در دسترس بودن مجموعه داده های عظیم با نمونه های حاشیه ای امکان پذیر شده است. من فکر می کنم یک چالش مهم در آینده استسال است که بتوانیم این تکنیک ها را در زمینه های دیگر که در آن اطلاعات زیادی نداریم به کار گیریم. برخی از ایده ها قطعاً باید منتقل شوند ، اما شما مجبور خواهید بود از داده ها به شیوه ای ظریف استفاده کنید ، زیرا آنها به خوبی طبقه بندی نمی شوند. به عنوان مثال ، تشخیص پزشکی ، علوم اجتماعی ، اقتصاد ، سیاست - شما داده های زیادی در این زمینه ها دارید اما معمولاً بسیار ناهمگن هستند ، بنابراین نمی توانید مشکلاتی را ایجاد کنید که به اندازه "بیایید چهره برخی افراد را شناسایی کنیم" تمیز است.

در حال حاضر ، ما تکنیک های کلان داده هیجان انگیز داریم که در مواردی مانند بینایی رایانه بسیار خوب کار می کنند ، اما هنوز باید نحوه استفاده از آنها را در بسیاری از زمینه های دیگر که می توانند تأثیر داشته باشند ، بررسی کنیم. معلوم نیست چگونه می توان داده ها را کنار هم جمع کرد ، قسمت های جالب را شناسایی کرد و سپس آنها را به روش های پیچیده ترکیب کرد - این همان چیزی است که ما می توانیم در صورت داشتن مجموعه داده های عظیم تنظیم کنیم ، مانند دید رایانه. این چیزی است که من فکر می کنم جذاب است.

آیا زندگی در نیویورک و کار در Courant و CDS برای شما مناسب است؟

از آمدن به نیویورک بسیار هیجان زده بودم. من فکر می کنم Courant مکان بسیار خوبی برای بودن است. من بیشتر ریاضی دارم ، بنابراین در اینجا بیشتر از بخش مهندسی خوشحالم. اما در عین حال ، احساس می کنم ارتباط قوی ای با برنامه ها وجود دارد. من در حال حاضر به علوم اعصاب علاقه مند شده ام و Courant/CDS مکانی ایده آل برای انجام چنین کارهایی است.

ابتدا در cds.nyu.edu در 26 اکتبر 2015 منتشر شد.

آیا رایانه ها می توانند به تشخیص افسردگی کمک کنند؟

رایانه ها ممکن است بتوانند به شناسایی افرادی که نیاز به فوری ترین کمک دارند کمک کنند

Shinome Productions توسط Adobestock.com

اخیراً تیتری را دیدم که مرا متوقف کرد و داستان را خواند. این از IFLScience بود و مقاله "افراد مبتلا به افسردگی از زبان متفاوت استفاده می کنند. در اینجا نحوه تشخیص آن وجود دارد. " کسانی از شما که از علاقه دائمی من به بیماری های روانی ، علم و…

خبر دارید