پی سی دانلود - oreilly

Balsamiq نرم افزاری با یک محیط دوست داشتنی است که به شما در ساخت آسان مکاپ هایی برای طراحی های مختلف و دستگاه ها، کمک می کند. این نرم افزار از طریق قابلیت خروجی گرفتن در فرمت های PNG یا PDF برای شما به آسانی، امکان به اشتراک گذاری و ارائه ی مکاپ های ایجاد شده را فراهم می کند. این نرم افزار دارای یک رابط کاربری ساده است که استفاده از آن را بسیار آسان می کند. در حقیقت این نرم افزار ساخت مدل های پیش الگو و یا نمونه های اولیه برای طراحی ها و محصولات شما را بسیار آسان می کند. طراحان، توسعه دهندگان و حتی مشتریان به راحتی می توانند با استفاده از آبجکت های از پیش تعریف شده این نرم افزار و تنها با کشیدن و رها کردن ان ها در محیط کار خود، به آسانی نمونه اولیه خود را ترسیم کنند و قبل از نوشتن کد، برای فرم های برنامه ساخته شده پیش الگو طراحی كنند. یكی از ویژگی های این نرم افزار این است كه به صورت تیمی می توانید بر روی پروژه كار كنید. نرم افزار Mockups برنامه ای کاربردی در زمینه طراحی پیش الگو فرم های برنامه ساخته شده می باشد. با استفاده از این برنامه حس واقعی رسم و نقاشی به شما دست می دهد و برای اینکه یک برنامه ی دیجیتالی می باشد امکان ارتقاء و چیدمان مجدد آیتم ها در آن به آسانی صورت می گیرد. 
در دوره آموزشی O'Reilly Prototyping with Balsamiq: A Beginner's Guide به صورت مقدماتی با نمونه سازی با بالزامیک آشنا می شوید.

یک blockchain یک hosted ledger، رکوردی از رویدادها و متغیرهای موافقت‌شده است که به شکل رمزنگاری شده از آن محافظت می‌گردد. شما می‌توانید آن را مثل یک صفحه‌گسترده‌ی فوق پیشرفته و مبتنی بر ابر با ویژگی عدم وابستگی به پلتفرمی که روی آن اجرا می‌شود در نظر بگیرید. مشهورترین پیاده‌سازی blockchain در تبادل و ردیابی روال‌ها برای پول‌های cryptocurrencies مثل bitcoin محسوب می‌شود. قبل از blockchain، ما به یک موسسه‌ی انسانی قابل اطمینان مثل یک بانک نیاز داشتیم تا به عنوان واسطه در این میان عمل کند، حتی برای چیزهای ساده‌ای مثل انتقال پول الکترونیکی. با استفاده از blockchain که به شکل یک موسسه‌ی قانونی عمل می‌کند ما می‌توانیم کارهایی مثل نقل و انتقال وجه را بدون این که محبور به پرداخت درصدی از مبلغ به یک واسط ثالث مثل بانک باشیم به انجام برسانیم.
در دوره آموزشی O'Reilly Introduction to Blockchain Applications با بلاک چین و ویژگی های آن آشنا می شوید. 

شبکه‌ مجموعه‌ ای‌ از سرویس‌ دهنده‌ ها و سرویس‌ گیرنده‌ های‌ متعددی‌ است که‌ به‌ یکدیگر متصل‌ هستند. در این‌ بین‌ سرویس‌ دهنده‌ ها (Server) نقش‌ خدمات‌ دهی‌، و سرویس‌ گیرنده‌ها (Client) نقش‌ مشتری‌ را بازی‌ می‌کنند. هدف از ایجاد شبكه استفاده از منابع مشترك ( اطلاعات، نرم افزارها و سخت افزارها)، به روز بودن اطلاعات، جلوگیری از افزونگی اطلاعات و تبادل سریع تر و دقیق تر اطلاعات می باشد. شبکه ها به دو گروه باسیم و بی سیم تقسیم می شوند. ممکن است شبکه‌های رایانه‌ای بر اساس اندازه یا گستردگی ناحیه‌ای که شبکه پوشش می‌دهد طبقه‌بندی شوند. برای نمونه «شبکه شخصی» (PAN)، «شبکه محلی» (LAN)، «شبکه دانشگاهی» (CAN)، «شبکه کلان‌شهری» (MAN) یا «شبکه گسترده» (WAN).
در دوره آموزشی O'Reilly Advanced Network Engineering Training Video ابتدا با اصول اولیه سپس با مباحث پیشرفته در مورد لایه های شبکه های کامپیوتری آشنا می شوید.

یادگیری عمیق (Deep learning) (یادگیری ژرف ماشین، یادگیری ساختار ژرف یا یادگیری سلسله مراتبی) یک زیر شاخه از یادگیری ماشینی و بر مبنای مجموعه‌ای از الگوریتم‌ها است که در تلاش هستند مفاهیم انتزاعی سطح بالا در دادگان را مدل نمایند که این فرایند را با استفاده از یک گراف عمیق که دارای چندین لایه پردازشی متشکل از چندین لایه تبدیلات خطی و غیر خطی هستند، مدل می‌کنند. به بیان دیگر پایهٔ آن بر یادگیری نمایش دانش و ویژگی‌ها در لایه‌های مدل است. یک نمونه آموزشی (برای نمونه: تصویر یک گربه) می‌تواند به صورت‌های گوناگون بسان یک بردار ریاضی پر شده از مقدار به ازای هر پیکسل و در دید کلی تر به شکل یک مجموعه از زیرشکل‌های کوچک‌تر (نظیر اعضای صورت گربه) مدل سازی شود. برخی از این روش‌های مدل سازی سبب ساده شدن فرایند یادگیری ماشین (برای نمونه: تشخیص تصویر گربه) می‌شود. در یادگیری ژرف امید به جایگزینی استخراج این ویژگی‌های تصویر به دست بشر (مانند اعضای گربه) با روش‌های کامل خودکار بدون نظارت و نیمه نظارتی وجود دارد. انگیزهٔ نخستین در بوجود آمدن این ساختار یادگیری از راه بررسی ساختار عصبی در مغز انسان الهام گرفته شده است که در آن یاخته‌های عصبی با فرستادن پیام به یکدیگر درک را امکان‌پذیر می‌کنند. بسته به فرض‌های گوناگون در مورد نحوهٔ اتصال این یاخته‌های عصبی، مدل‌ها و ساختارهای مختلفی در این حوزه پیشنهاد و بررسی شده‌اند، هرچند که این مدل‌ها به صورت طبیعی در مغز انسان وجود ندارد و مغز انسان پیچیدگی‌های بیشتری را دارا است. این مدل‌ها نظیر شبکه عصبی عمیق، شبکه عصبی پیچیده، شبکه باور عمیق پیشرفت‌های خوبی را در حوزه‌های پردازش زبان‌های طبیعی، پردازش تصویر ایجاد کرده‌اند.
در دوره آموزشی O'Reilly Introduction to Deep Learning Using PyTorch با آموزش مقدماتی یادگیری عمیق با پای تورچ آشنا می شوید.

ساخت و توسعه نرم‌افزارهای Native به این معناست که برای برنامه نویسی و توسعه نرم‌افزار خود از زبان‌های اصلی سیستم عامل استفاده کنید. مثلا برای توسعه نرم‌افزار اندروید باید از زبان برنامه نویسی Java و برای توسعه نرم‌افزار آیفون باید از زبان برنامه نویسی Objective-C استفاده کنید. بزرگترین مزیت این حالت بازدهی (performance) بالای نرم‌افزار است، زمانی که شما برنامه خود را بصورت Native می‌نویسید کدهای شما به زبان ماشین کامپایل خواهند شد(Dalvik bytecode در اندروید) که همین موضوع باعث می‌شود شما حداکثر بازدهی ممکن از نرم‌افزار را داشته باشید. بازدهی بالا می‌تواند شامل افکت‌های انیمیشن، روان کار کردن بخش‌های مختلف برنامه، امکان استفاده از multi touch و خیلی موارد دیگر باشد که بدلیل دسترسی مستقیم به موقعیت‌های حافظه و سخت‌افزار گوشی اتفاق می افتد.
حال ابزاری را به شما معرفی خواهیم کرد که بسیار کار را برای برنامه نویسان راحت کرده است.
در دوره آموزشی O'Reilly Learning Path: Blend Web and Native Mobile Apps با ترکیب اپ های وب و اپ های بومی موبایل آشنا می شوید.

وایرشارک (Wireshark) یک تحلیل کننده نرم‌افزار آزاد و متن‌باز است و برای عیب یابی شبکه، تجزیه و تحلیل نرم‌افزارها و توسعه پروتکل‌های ارتباطی و آموزش استفاده می‌شود. نام اصلی برنامه Etherial بود و سال ۲۰۰۶ به دلیل مسائل مربوط به علامت تجاری پروژه به Wireshark تغییر نام داد.
وایرشارک چندسکویی است و با استفاده از ابزار ویجت جی‌تی‌کی+ واسط کاربر را پیاده‌سازی کرده است و بسته‌های شبکه را با استفاده از pcap دریافت می‌کند. وایرشارک روی انواع سیستم‌عاملهای شبه یونیکس شامل لینوکس، اواس ده، بی‌اس‌دی، سولاریس و مایکروسافت ویندوز اجرا می‌شود.
همچنین یک نسخه تحت ترمینال (بدون محیط گرافیکی) به نام TShark وجود دارد. وایرشارک و دیگر برنامه‌های که با آن منتشر می‌شود مانند TShark نرم‌افزار آزاد است و با پروانه عمومی همگانی گنو منتشر می‌شود.
در دوره آموزشی O'Reilly Introduction to Wireshark با اصول و نحوه کار با نرم افزار وایرشارک آشنا می شوید. 

کوبرنتیس پیاده سازی جدیدی از بیش از یک دهه تجربه گوگل در اجرای نرم افزارهای سمت سرور در مقیاس بسیار بالاست که به صورت متن باز (open source) در اختیار همه قرار گرفته است. این نرم افزار وظیفه اجرا و مدیریت کانتینرها را بر روی گروهی از سرورهای موجود در یک یا چند مرکز داده ها (data center) به عهده دارد. کوبرنتیس در واقع نسل سوم از این فنآوریست که در شرکت گوگل از ابتدا به زبان گو (Go) پیاده سازی شده است. دو نسل قبلی آن برگ (Borg) نام داشته که پیاده سازی آن به زبان سی پلاس پلاس بوده است و گوگل همچنان از آن در محیط عملیاتی استفاده می کند. در کوبرنتیس یک یا چند کانتینر که به صورت مشترک برنامه ای کاربردی را تشکیل می دهند، به صورت واحدی جداگانه به نام پاد (pod) دسته بندی میشوند تا مدیریت و کشف (discovery) آنها آسانتر شود. مزیت کلیدی کوبرنتیس در این است که بدون نیاز به یک تیم بزرگ برای راه اندازی و نگهداری، میتوان آن را در مقیاس وسیع برای اجرای میلیاردها برنامه کاربردی به کار گرفت. از مزایای دیگر آن قابلیت اجرا بر روی بسترهای متفاوت است؛ از سرورهای یک مرکز داده های خصوصی گرفته تا سرویسهای ابری عمومی، یا حتی ترکیبی از هر دو.
در دوره آموزشی O'Reilly Kubernetes Fundamentals با اصول و مبانی کوبرنیتس و ویژگی های آن آشنا می شوید.

داده‌ های عظیم، ابر داده، بزرگ‌داده یا داده‌ های بزرگ (Big Data) اصطلاحی است که به مجموعه داده‌ هایی اطلاق می‌شود که مدیریت، کنترل و پردازش آنها فراتر از توانایی ابزارهای نرم‌افزاری در یک زمان قابل تحمل و مورد انتظار است. مقیاس بزرگ‌ داده، به طور مداوم در حال رشد از محدوده چند ۱۰ ترابایت به چندین پتابایت، در یک مجموعه داده واحد است. نـمونه‌هایی از بزرگ‌ داده، گــزارش‌ های وبی، سامانه‌ های بازشناسی با امواج رادیویی، شبکه‌های حسگر، شبکه‌های اجتماعی، متون و اسناد اینترنتی، نمایه‌های جستجوهای اینترنتی، نجوم، مدارک پزشکی، آرشیو عکس، آرشیو ویدیو، پژوهش‌های زمین‌شناسی و تجارت در مقیاس بزرگ هستند.
در دوره آموزشی O'Reilly Legal Landscape for Big Data با چشم انداز حقوقی برای داده های بزرگ آشنا می شوید.  

به عنوان یکی از شاخه‌های وسیع و پرکاربرد هوش مصنوعی، یادگیری ماشینی (Machine learning) به تنظیم و اکتشاف شیوه‌ها و الگوریتم‌هایی می‌پردازد که بر اساس آنها رایانه‌ها و سامانه‌ها توانایی تعلٌم و یادگیری پیدا می‌کنند. هدف یادگیری ماشین این است که کامپیوتر (در کلی‌ترین مفهوم آن) بتواند به تدریج و با افزایش داده‌ها کارایی بهتری در انجام وظیفهٔ مورد نظر پیدا کند. گسترهٔ این وظیفه می‌تواند از تشخیص خودکار چهره با دیدن چند نمونه از چهرهٔ مورد نظر تا فراگیری شیوهٔ گام‌برداری روبات‌های دوپا با دریافت سیگنال پاداش و تنبیه باشد. طیف پژوهش‌هایی که در یادگیری ماشینی می‌شود گسترده‌است. در سوی نظری آن پژوهشگران بر آن‌اند که روش‌های یادگیری تازه‌ای به وجود بیاورند و امکان‌پذیری و کیفیت یادگیری را برای روش‌های‌شان مطالعه کنند و در سوی دیگر عده‌ای از پژوهش‌گران سعی می‌کنند روش‌های یادگیری ماشینی را بر مسایل تازه‌ای اعمال کنند. البته این طیف گسسته نیست و پژوهش‌های انجام‌شده دارای مولفه‌هایی از هر دو رویکرد هستند.
در مجموعه دوره ی آموزشی O'Reilly AI and Machine Learning for Healthcare با مفاهیم هوش مصنوعی و یادگیری ماشین برای مراقبت های بهداشتی آشنا می شوید. 

معماری نرم‌افزار در واقع انتخاب یک ساختار کلی برای پیاده سازی یک پروژه نرم‌افزاری بر مبنای مجموعه ای از نیازهای کاربری و تجاری یک سیستم نرم‌افزاری است تا هم بتوان کاربردهای مورد نظر را پیاده سازی کرد و هم بتوان کیفیت نرم‌افزار، تولید آن و نگهداری آن را نیز بهینه کرد و سرعت بخشید. به عبارتی دیگر: معماری نرم افزار یک برنامه یا سیستم محاسباتی، ساختار یا ساختارهای آن سیستم محاسباتی است که خصوصیات قابل رویت از بیرون، عناصر و ارتباطات بین آن ها را نشان می دهد. از بدو مطرح شدن نرم افزار تاکنون ، معماری های متفاوتی بمنطور طراحی و پیاده سازی ارائه شده است. معماری های فوق از یکطرف برخاسته از امکانات و ماهیت سخت افزار ها در زمان خود و از طرف دیگر نمایانگر نوع و نگرش انتظارات طرح شده توسط کاربران است.
در دوره های آموزشی O'Reilly Software Architecture Fundamentals, Second Edition شما با مفاهیم مطرح شده در زمینه معماری نرم افزار ها به صورت کاملاً کاربردی آشنا می شوید.