توی این ویدئو تغییراتی توی کد دادم، تا وقتی کاربر لاگین شد، آیتم های سبد خریدی که توی دیتابیس داره، لود بشن و توی سبد خریدش مشاهده شون کنه.

اگه کاربر لاگین نکرده باشه و چندتا آیتم هم توی سبد خریدش داشته باشه (همون سبد خرید سشنی) ، بعد از لاگین، ابتدا آیتم های سبد خرید دیتابیسی لود میشن، سپس آیتم های سبد خرید سشنی توی دیتابیس ذخیره میشن.

✅این ویدئو بخشی از آپدیت جدید آموزش ساخت فروشگاه اینترنتی است.

لینک همین ویدئو در آپارت:
https://www.aparat.com/v/pneon5r
لینک یوتیوب:
https://youtu.be/w9_PnBoG1jU

✔️لینک سورس کد کامل دوره فروشگاه اینترنتی با جنگو:
https://github.com/miladhzz/daneshjooyar_shop2/

خوشحال میشم ریپو رو نقد کنید.

#Quick

داشتم پروژه django شرکت رو می‌خوندم یک مشکل داریم سر بعضی endpointها و برخی تسک‌ها.
اولین کاری کردم این بوده که یک سری دیتا تست با faker بهش دادم مثه loadtest ولی بدون ابزار و بعد هم profiling گرفتم و ذخیره کردم.
چیز جالبی که دیدم؛ پروژه موقع کار کردن با redis به مشکل میخورد.
ولی redis منابعش بیشتر از حد مورد نیازش بود.

حجم دیتاهای تست رو کم کردم و مشکل حل شد؛ توی چندتا تست مختلف که زدم دیدم مسئله و مشگل از سمت پیکج redis هست توی پایتون و راهکار ساده رو هم خود redis داده (هرچند من برعکس بهش رسیدم)

$ pip install "redis[hiredis]"

بجای اینکه برای parse کردن دیتا از python استفاده کنه وقتی hiredis رو نصب کنید از C استفاده می‌کنه (بنچمارکاش هم توی گیت‌هاب hiredis هست ببینید)

مشکل خیلی ساده حل شد؛ ولی برای این حل ساده خیلی زمان و درک profiling لازم بود.

اهمیت profiling

این تیتر هم جالب بود 9 الگورتیمی که بر دنیای ما حکمرانی می‌کنند.

@Linuxor

این سوال ع stackoverflow برای منم سوال شده بود (البته عکسی که گذاشتم یه پاسخه)

Django 'Sites' Model - what is and why is 'SITE_ID = 1'?
لینک سوال:
https://stackoverflow.com/questions/25468676/django-sites-model-what-is-and-why-is-site-id-1

عکسی که گذاشتم اشاره کرده که تا جنگو 1.4 فریمورک sites کارش چیز دیگه ای بوده. ایشویی که اشاره کرده رو ببینید.

✔️راستی اون SITE_ID به خاطر این مقدارش 1 باید باشه، چون وقتی sites رو به installed_app اضافه میکنیم باید مایگریت کنیم و یه رکورد به جدول site اضافه میکنه با مقدار example.com و آیدی ش هم 1 هست.

و خب مسلما قابل تغییره

✅پیاده سازی sitemap در فروشگاه جنگو

توی این ویدئو یاد می گیریم sitemap چی هست و چه تاثیری روی SEO سایت میتونه داشته باشه.
همچنین روش پیاده سازی سایت مپ در پروژه جنگویی رو یاد میگیریم.
با تنظیمات و فیچرهای مختلف sitemap هم آشنا میشیم
و همچنین داستان SITE_ID = 1 رو متوجه میشیم که چرا باید مقدارش عدد یک باشه

لینک آپارات:
https://www.aparat.com/v/tuoj1xx

لینک یوتیوب:
https://youtu.be/zmj8CdpABbM


این ویدئو بخشی از آپدیت دوره فروشگاه جنگو ع

✅گفتگو با نیما جمشیدی Database admin

🎧ویس این ویدئو:
https://www.tg-me.com/جنگولرن/com.djangolearn_ir/986
سوالاتی که از نیما پرسیدم:
-دبیرستان بودید یا هنرستان؟ چه رشته ای؟ به نظر شما هنرستان خوبه یا دبیرستان؟
-چه شرکت هایی کار کردید و چه سمتی داشتید؟
-توی حوزه کار خودتون بزرگترین دستاورد یا خفن ترین کاری که کردید چی بوده؟
-آیا مدرسه، دانشگاه میتونه به db admin خوب شدن کمک کنه؟
-آیا تخصص شما هم برنامه نویسی حساب میشه
-اگر برگردید عقب برنامه نویسی رو انتخاب می کنید یا dbadmin یا اصلا چیز دیگه ای؟
-اگه فقط دستورات sql بلد باشیم میتونیم همکار شما بشیم؟
-آیا sql server قوی ترین نرم افزار مدیریت دیتابیس ع؟
-اگر نسخه ۱۸ ساله خودشون رو ملاقات میکردن چه توصیه هایی بهشون میکردن و بهش چیا میگفتن
-اگه تو این دوره هم سن ما بودن چه شاخه ای رو برای ادامه تحصیل در دانشگاه انتخاب میکردن که بازار کار خوبی هم داشته باشه
-به نظر شما یه db admin چه ویژگی هایی باید داشته باشه که بهش بگیم حرفه ای؟

لینک ویدئو در آپارت:
https://www.aparat.com/v/elax9bc

لینک یوتیوب:
https://youtu.be/5ZEEfvjpQeo

🎧ویس گفتگو با نیما جمشیدی Database admin

سوالاتی که از نیما پرسیدم:
-چند سال دارید؟
-دبیرستان بودید یا هنرستان؟ چه رشته ای؟ به نظر شما هنرستان خوبه یا دبیرستان؟
-دانشگاه چی خوندید؟
-چه شرکت هایی کار کردید و چه سمتی داشتید؟
-توی حوزه کار خودتون بزرگترین دستاورد یا خفن ترین کاری که کردید چی بوده؟
-آیا مدرسه، دانشگاه میتونه به db admin خوب شدن کمک کنه؟
-آیا تخصص شما هم برنامه نویسی حساب میشه
-اگر برگردید عقب برنامه نویسی رو انتخاب می کنید یا dbadmin یا اصلا چیز دیگه ای؟
-اگه فقط دستورات sql بلد باشیم میتونیم همکار شما بشیم؟
-آیا sql server قوی ترین نرم افزار مدیریت دیتابیس ع؟
-اشتباهی که کردید و اگه برگریدید عقب مرتکبش نمیشید چیه?
-اگر نسخه ۱۸ ساله خودشون رو ملاقات میکردن چه توصیه هایی بهشون میکردن و بهش چیا میگفتن
-الگوی شما تا اینجای کار چه کسی بوده ؟
-اگه تو این دوره هم سن ما بودن چه شاخه ای رو برای ادامه تحصیل در دانشگاه انتخاب میکردن که بازار کار خوبی هم داشته باشه
-به نظر شما یه db admin چه ویژگی هایی باید داشته باشه که بهش بگیم حرفه ای؟

لینک ویدئوی این گفتگو:
https://www.tg-me.com/جنگولرن/com.djangolearn_ir/985

بریم با زبان ساده‌تر ببینیم چرا اختراعات AI دیپ‌سیک همه رو انگشت به دهن گذاشته (و احتمالا مارکت کپ ۲ تریلیون دلاری انویددیا رو به خطر انداخته)
اول یکم زمینه رو توضیح بدیم: فعلا فرایند آموزش مدل‌های AI به شدت پرهزینه‌ست. انترپرایزهایی مثل OpenAI Anthropic و ... بیشتر از ۱۰۰ میلیون دلار فقط برای محاسبات خرج می‌کنن

پس نیاز به مراکز داده بسیار بزرگ با هزاران GPU چهل هزار دلاری دارن

انگار یه نیروگاه برق بسازی برای راه‌اندازی یک کارخونه
حالا DeepSeek اومده گفته «هه! اگه همه این کارها رو با ۵ میلیون دلار انجام دادم چی؟»

وحرف مفت هم نزده و واقعا این کار رو کرده!
مدل اونها توی تسک‌های زیادی تونسته GPT-4 و Clause رو شکست بده

و این باعث شگفتی دنیای هوش مصنوعی شده!

چطور این کار رو کردن؟

همه چیز رو از اول بازاندیشی کردن. هوش مصنوعی‌های سنتی مثل اینن که هر عدد رو با ۳۲ اعشار می‌نویسن.

دیپ‌سیک گفته« خب چرا با ۸ تا ننویسیم؟ تقریبا همون قدر دقیقه!»

بوم! ۷۵٪ کاهش در حافظه مورد نیاز!
بعد رفتن سراغ سیستم Multi token

هوش مصنوعی‌های نرمال مثل یه بچه کلاس اولی می‌خونن: « بابا .... نان .... داد»

ولی دیپ‌سیک کل جمله رو یکجا می‌خونه با سرعت ۲ برابر و دقت ۹۰٪

وقتی قراره میلیاردها کلمه رو تحلیل کنی این خیلی مهمه!
ولی قسمت هوشمندانه‌شون اینه:

یه چیزی ساختن مثل «سیستم تخصص»
به جای اینکه یه AI غول‌آسا همه چیز رو بدونه (مثلا یه آدم که هم دکتر باشه هم مهندس، هم جامعه‌شناس و ... )، فقط از متخصصینی استفاده می‌کنن که در مواقع نیاز فراخوانی میشن
مدل‌های نرمال سنتی؟
تمام ۱.۸ تریلیون پارامتر در لحظه فعالن
دیپ‌سیک؟
۶۷۱ بیلیون در مجموع داره که ۳۷ بیلیونش در لحظه فعالن

مثل این می‌مونه که تیم بزرگی داشته باشی ولی فقط اونی رو صدا بزنی که الان برای یک کاری بهش نیاز داری

نتیجه حیرت‌انگیزه:

هزینه آموزش مدل: ۱۰۰ میلیون >> ۵ میلیون
تعداد GPU: صد هزار > دو هزار
هزینه API: نود و پنج درصد ارزون‌تر
می‌تونه روی کارت گرافیک‌های گیمینگ هم ران بشه بدون نیاز به سخت‌افزار مرکز داده
حالا ممکنه بگی «صبر کن ببینم! حتما یه ریگی توی کفش‌شون هست!»

اصلا قسمت جذاب داستان همینه: همه‌اش اپن سورسه! همه می‌تونن کارشون رو بررسی کنن. کدش عمومیه. راهنمای تکنیکال همه چیز رو توضیح میده. جادو جنبل نکردن، صرفا هوشمندانه مهندسی کردن.
چرا این داستان مهمه؟

چون این فرض و مدل رو که «فقط کمپانی‌های بزرگ می‌تونن توی عرصه AI بازی کنن» رو باطل می‌کنه

برای انویدیا این ترسناکه! کل مدل بیزنس‌شون بر مبنای این بود که با مارجین ۹۰ درصد GPU های فوق گرون بفروشن. حالا معلومه مشکل چیه اگه همه بتونن با GPUهای گیمینگ مدل هوش مصنوعی بسازن!
ضربه نهایی هم این بود:

دیپ‌سیک این کار رو با تیمی کمتر از ۲۰۰ نفر انجام داد.

در حالیکه هزینه‌هایی که متا برای حقوق کارکنانش می‌پردازه از کل بودجه آموزش دیپ‌سیک بیشتره و مدل‌شون هم به این اندازه خوب نیست

یه داستان کلاسیک از شکستن وضع موجود:

در حالیکه بنگاه‌های مستقر دارن فرآیندهای موجودشون رو بهینه‌سازی می‌کنن، بت‌شکن‌ها میان و کل پروسه رو از اول بازاندیشی می‌کنن

دیپ‌سیک هم پرسید «چی میشه به جای اینکه هی سخت‌افزار اضافه کنیم، این کار رو هوشمندانه‌تر انجام بدیم؟»

عواقبش چشمگیره:
- دسترسی به توسعه هوش مصنوعی بیشتر میشه
- رقابت به شدت افزایش پیدا می‌کنه
- «سنگر»های بزرگ شرکت‌های تکنولوژیک مثل دست‌اندازهای کوچیک جلوه می کنه
- نیازهای سخت‌افزاری و هزینه‌ها به شدت کم میشه

البته غول‌هایی مثل OpenAI و Anthropic بیکار نمی‌شینن. احتمالا همین الان هم شروع کردن به استفاده و به کارگیری این ابداعات. ولی غول بهره‌وری از چراغ جادو اومده بیرون. دیگه نمی‌تونی برگردی به دورانی که هی سخت‌افزار اضافه کنی
به نظر می‌رسه این لحظه از اونهاست که بعدا به عنوان نقطه عطف بهش نگاه می‌کنیم. درست مثل موقع‌هایی که PCها کامپیوتر‌های بزرگ‌ رو از رده خارج کردن، یا محاسبات ابری همه‌ چیز رو تغییر داد.

هوش مصنوعی قراره باز هزینه بسیار کمتر، و به مقدار بیشتری در دسترس قرار بگیره.

سوال این نیست که آیا این باعث تغییر زمین بازی‌گران بزرگ این عرصه میشه یا نه، سوال اینه که با چه سرعتی این کار رو می‌کنه.

https://x.com/Cryptonut24/status/1883897510936314158


@PhiloLearn

✅نرمال سازی پایگاه داده چیه و چطور انجام میشه

مطلبی از لینکدین علی بیگدلی

نرمال‌سازی یه روشیه که توی طراحی پایگاه داده‌ها استفاده می‌شه تا داده‌ها رو منظم و کارآمد ذخیره کنیم. هدفش اینه که از داده‌های تکراری خلاص بشیم و از بروز مشکلاتی مثل ناسازگاری اطلاعات جلوگیری کنیم. به این ترتیب، داده‌ها به شکلی ذخیره می‌شن که فقط یک نسخه از هر اطلاعات وجود داشته باشه، یعنی اگر بخواهیم اطلاعات رو تغییر بدیم، فقط یه‌جا باید تغییر کنیم و همه‌جا به‌روز می‌شه. اینطوری هم فضای ذخیره‌سازی کمتر می‌شه و هم کار با داده‌ها سریع‌تر و راحت‌تر می‌شه.
چطور انجام می‌شه؟ برای نرمال‌سازی، داده‌ها رو توی جداول مختلف تقسیم می‌کنیم و این جداول رو طوری طراحی می‌کنیم که اطلاعات تکراری نباشه و همه‌چیز به‌درستی ارتباط داشته باشه.

مزایای نرمال‌سازی:
- کاهش افزونگی داده‌ها
- جلوگیری از ناسازگاری‌ها
- ساده‌سازی به‌روزرسانی و نگهداری داده‌ها
- بهبود عملکرد کوئری‌ها

قطعا نیاز به توضیحات بیشتری هستش برای همین رفرنس های مناسبی رو براتون در نظر گرفتم.
همه پست جا نشد: لینکش

✅جعبه های شانس دانشجویار رو تست کنید.
شاید تخفیف خوبی گرفتید.

یه نفر دوره من رو با 90 درصد تخفیف خریده 😬

لینکش:
https://www.daneshjooyar.com/landing/birthday-1403/

وقتی هنوز به میزان کافی متوجه بیزنس نشدی سعی نکن معماری خفنی پیاده‌سازی کنی. اینکار باعث میشه به بیزنس سرعت ببخشی.

چون اگه اینکار رو نکنی و سعی کنی به بهترین شکل ممکن از همون اول بری جلو مطمئن باش وقتی بیزنس رو فهمیدی با خودت میگی ای کاش این قسمتش رو اینطوری زده بودم. یعنی هم بیزنس رو از دست میدی هم کوله‌باری از بدهی فنی رو دوشته...



ولی خب اگر در شروع کار over engineering انجام ندی، به زودی ایده‌های جالبی به ذهنت میرسه که هم بیزنس رو دگرگون میکنه و هم کد رو. ولی خب تا اینجا بیزنس رو از دست ندادی و مشتری داره از همون کد معمولی شما استفاده میکنه که قراره بدهی‌های فنیش رو با ایده‌های جدید حل و فصل کنی.



اگر بیزنس رو سیر کنی، بیزنس هم بهت فرصت میده تا بدهی‌های فنی خودت رو رفع کنی، در غیر این صورت با یک بیزنس طلبکار طرفی که ازت خروجی میخواد و بدهی‌های فنی‌ای که دست از سرت بر نمی‌دارن.



به عبارتی، شما همیشه در هر صورت بدهی فنی خواهی داشت ولی اگر به مشتری بدهکار باشی هم اعصاب نداری هم همیشه بدهکاری... پس در ابتدا مشتری رو فراموش نکن. و برای ساختن یک سیستم خوب عجول نباش، یک سیستم خوب باید راهش رو کم کم پیدا کنه و هم باید از نظر مالی تغذیه بشه و هم از نظر کیفی... نه فقط کیفی...



#بدهی_فنی

#over_engineering

این چند خط کد رو ببین. از کدهای ادمین جنگو هستن.

وقتی که زبان سایت رو روی fa-ir میزاری، جنگو قالب ادمین رو اینجوری راست چین میکنه.

تگ ع get_current_language_bidi مشخص میکنه که زبان انتخاب شده (یا منطقه انتخاب شده) راست چین هستن یا نه.

یه نکته در مورد include در urls.py

عکس رو ببینید. من برای path ها namespace تعریف کردم.

✔️متد include میگه اگه namespace تعریف کنی، باید برای app ت هم app_name تعریف کنی.

وگرنه خطای زیر رو میده:

 Specifying a namespace in include() without providing an app_name is not supported. Set the app_name attribute in the included module, or pass a 2-tuple containing the list of patterns and app_name instead.

برای حل این مشکل
(مثلا فرض کن میخوای name برای path یی داشته باشی که توی urls.py اصلی پروژه اس)

اینجوری باید path رو اوکی کنی:

path("felan-url/", include(("felan_app", "felan_name"))),

دقت کن. یه tuple برای include فرستادم.

اینجوری دیگه توی تمپلت می تونم با app_name ع felan_name به اسم path های اون اپ دسترسی داشته باشم (به شرطی که name داشته باشن).

پیچیده گفتم؟ برو کد include رو بخون، متوجه منظورم میشی.

ساختمان داده و الگوریتم به دردمون نمیخوره. چرا بخونیم این مطالب قدیمی رو؟

این رو شاید از خیلیا شنیده باشین. اکثرا کسایین که صرفا از ابزار آماده استفاده میکنن و کد میزنن تا یه چیزی آماده شه.
واقعیت بخواین، بیشتر کسایی که تو حوزه IT فعالیت میکنن همینو میگن. آخه کجا نیازه که یه مهندس هوش مصنوعی الگوریتم و ریاضیات بدونه؟ کجا نیازه که یه BI developer، ساختمان داده و تحلیل الگوریتم بدونه؟(شوخیه صرفا)

مشکل جایی شروع میشه که بسیاری از کسب و کارها نیازمند یک اپراتور هستن تا یک مهندس نرم افزار.
الان خیلی از پوزیشن هایی که من میبینم اپراتور میخوان. البته پوزیشن های اکادمیک طبیعتا مهندس میخوان به جای اپراتور.

خلاصه که اگر میخواین واقعا پیشرفت کنین تو کارتون، یه سری چیزایی که بیسیک هستن رو باید بدونین. فرق نمیکنه تو حیطه BI کار میکنید یا AI یا توسعه نرم افزار.

خب میریم برای این که بگیم چیزای بیسیک چیا هستن؟

شماره اول، زبان C: فرق نمیکنه که چه زبانی رو دوست دارین. ابتدا باید الفبای کامپیوتر و برنامه نویسی رو با زبانی مثل C تمرین کنین و مفاهیم رو یاد بگیرین. بعد از این که مفاهیم ابتدایی رو با C یاد گرفتین میتونین سراغ هر زبانی دیگه برین.

شماره دوم، اصول شی گرایی: شی گرایی یک سری اصوله و با توجه بر دنیای واقعی چیده شده. سعی کنید اصول شی گرایی رو اول درک کنید و بعد با یک زبانی که شی گرایی رو گسترده استفاده میکنه شروع به تمرین کنید ( مثلا جاوا یا C++). ممکنه در آینده عمده کار شما با یک زبان غیر شی گرا باشه اما یادگیری شی گرایی برای هر مهندس نرم افزاری واجبه.

شماره سوم، ساختمان داده: شاید به نظر من مهمترین درس مهندسی کامپیوتر، درس ساختمان داده باشه. بی شک جز دروسیه که دائما باید مرورش کنید و در حقیقت قلب تپنده محسوب میشه.
چون اصلی ترین و پایه ای ترین اصول رو ازش یاد میگیرید، اصولی که زیر بنای تمام تکنولوژی های نرم افزاری هستن.

شماره چهارم، الگوریتم: در حقیقت مکمل ساختمان داده محسوب میشه و بعد از ساختمان داده، مهمترین درس برای هر مهندس نرم افزاره. مباحث ساختمان داده و الگوریتم به اندازه ای مهم هستن که قابل بیان نیستن. فقط باید در کالبد شکافی یک ابزار ( مثلا یک پایگاه داده )کارتون بهشون بخوره که متوجه بشین چقدر دیدتون رو افزایش میدن نسبت به انتخاب ابزار یا تکنولوژی.

شماره پنجم، دیتابیس و SQL: طبیعتا به عنوان یک مهندس نرم افزار، یکی از چالش های شما میتونه ذخیره و بازیابی اطلاعات باشه. خصوصا اگر تو زمینه های هوش مصنوعی یا حوزه های مرتبط با داده کار میکنید امکان نداره که دیتابیس نیازتون نشه. گذشته از اون باید با روش های مختلف طراحی پایگاه داده و بهینه سازی کوئری ها نیز اشنا باشید.


مهمترین اصول بیسیک این موارد هستن. موارد دیگه ای هم مثل طراحی کامپایلر یا مهندسی نرم افزار هستن که در قدم های بعدی اهمیت پیدا میکنن و بسته به حیطه کاری نیازتون بهشون میفته.

گفتگو با علی بیگدلی
@BlackFox01
Backend Developer ( AI, IOT, Python, Django, FastAPI )
سر کلاس تجارت الکترونیک و امنیت شبکه
هنرستان شهید دبیریان، محله نازی آباد تهران

سوالهایی که از مهندس بیگدلی پرسیدم:
-به نظر شما هنرستان خوبه یا دبیرستان؟
-چه شرکت هایی کار کردید و چه سمتی داشتید؟
-توی حوزه کار خودتون بزرگترین دستاورد یا خفن ترین کاری که کردید چی بوده؟
-آیا مدرسه، دانشگاه میتونه به برنامه نویس خوب شدن کمک کنه؟
-اگر نسخه ۱۸ ساله خودشون رو ملاقات میکردن چه توصیه هایی بهشون میکردن و بهش چیا میگفتن
-اگه تو این دوره هم سن ما بودن چه شاخه ای رو برای ادامه تحصیل در دانشگاه انتخاب میکردن که بازار کار خوبی هم داشته باشه
-پایتون آینده ش چطوره
-کارش چطوره
-هوش مصنوعی داستانش چیه
-چقدر هوش مصنوعی بلد باشیم کافیه
-توی دانشگاه به این رشته چیا یاد میدن
-میشه بدون دانشگاه رفتن هوش مصنوعی یاد گرفت؟
-چه ابزار یا تکنولوژی هایی لازمه فارغ از زبان برنامه نویسی بلد باشیم
-اینترنت اشیا چیه؟
-رشته تحصیلی دبیرستان تجربی هست به نظر شما اگه کامپیوتر بودید پیشرفت بهتری داشتید؟

لینک ویدئو:
در حال آپلود در تلگرام، آپارات و یوتیوب

گفتگو با علی بیگدلی
@BlackFox01
Backend Developer ( AI, IOT, Python, Django, FastAPI )
سر کلاس تجارت الکترونیک و امنیت شبکه
هنرستان شهید دبیریان، محله نازی آباد تهران

سوالهایی که از مهندس بیگدلی پرسیدم:
-به نظر شما هنرستان خوبه یا دبیرستان؟
-چه شرکت هایی کار کردید و چه سمتی داشتید؟
-توی حوزه کار خودتون بزرگترین دستاورد یا خفن ترین کاری که کردید چی بوده؟
-آیا مدرسه، دانشگاه میتونه به برنامه نویس خوب شدن کمک کنه؟
-اگر نسخه ۱۸ ساله خودشون رو ملاقات میکردن چه توصیه هایی بهشون میکردن و بهش چیا میگفتن
-پایتون آینده ش چطوره
-چقدر هوش مصنوعی بلد باشیم کافیه
-توی دانشگاه به این رشته چیا یاد میدن
-میشه بدون دانشگاه رفتن هوش مصنوعی یاد گرفت؟
-چه ابزار یا تکنولوژی هایی لازمه فارغ از زبان برنامه نویسی بلد باشیم
-اینترنت اشیا چیه؟
-رشته تحصیلی دبیرستان تجربی هست به نظر شما اگه کامپیوتر بودید پیشرفت بهتری داشتید؟
و...

لینک آپارات:
https://www.aparat.com/v/fvfn9f9
لینک یوتیوب:
https://youtu.be/6Sc6E-H1hI4
لینک ویس:
https://www.tg-me.com/جنگولرن/com.djangolearn_ir/995

این از بحث گروه هست :
خلاصه سوال این بود که؛ چطور ورژن پایتون رو انتخاب کنیم (ی صحبت هم این بود که ۴ تا ورژن قبل از آخرین نسخه برای اینکه پایدارتر هست) :

۱- اولین مورد End of Life هست؛ ۴ نسخه قبل از آخرین Stable Release اطلا و ابدا منطقی نیست و کاملا هم اشتباه هست:

Branch  Schedule  End of life
3.13  PEP 719  2029-10
3.12  PEP 693  2028-10
3.11  PEP 664  2027-10
3.10  PEP 619  2026-10

حتی در حال حاضر 3.9 حدود ۸ ماه دیگه و 3.8 حدود ۴ ماه دیگه پشتیبانی ازشون تموم میشه یعنی اگر باگ - مورد امنیتی یا چیزی بخوره خودتونید و خودتون.
اگر زمان توسعه یک پروژه رو ۶ ماه درنظر بگیریم حتی 3.10 هم دیگه ریسک هست (درحال حاضر پروژه‌هام از ۳ ماه قبل روی 3.12 استارت خوردن)

۲- توی مورد قبلی هم گفتم حواستون به Stable Release باشه؛ اگر یک نسخه‌ای روی بخش Stable منتشر شده باید آماده باشید بهش مهاجرت کنید؛ البته چون پشتیبانی توی پایتون ۴-۵ ساله هست؛ می‌تونید کمی صبر کنید ۱ سال و بعد مهاجرت کنید روی نسخه جدید (اینم بخاطر پکیج‌ها می‌گم)

۳- مهمترین نکته؛ پکیج‌هایی هستند که استفاده می‌کنید؛ هرکدوم یک compatibility list دارند مثلا برای Django 4.2.19 محدودیت روی ورژن بالاتر نذاشته :

Requires: Python >=3.8

ولی بعضی پکیج‌ها هستند که دارند برای مثال اگر اینطور باشه یعنی پایتون 3.13 پشتیبانی نمی‌شه هنوز.

Requires: Python 3.8, 3.9, 3.10, 3.11, 3.12

یا خود Django 5.1.6:

Requires: Python >=3.10

۴- به تیم هم بستگی داره؛ اینکه بتونه از تغییراتی که توی ورژن‌های جدیدتر اومده استفاده کنه و باهاشون آشنا باشه.

این موارد حداقل چیزهایی هست که قبل از انتخاب ورژن پایتون پروژه باید درنظر بگیرید.

از بحث گروه :
سورس کد رو چطوری بخونیم ؟

سورس کد خوندن باید از نقطه شروع باشه؛ پروژه‌ای که میخواید سورس کدش رو بخونید باید مطمئن بشید استانداردها رو رعایت کرده حداقل توی شروع پیشنهاد می‌کنم به تعداد fork, star, ... پروژه نگاه کنید و قبل از خوندنش هم بهتره کمی با استانداردها آشنا باشید.

همیشه سورس کد خوندن رو از پروژه‌ای استفاده کنید که توی زمینه کاری خودتون یا توی مباحث مورد علاقه خودتون هست.

مثلا برای Django چندتا مورد داریم؛ Baserow جزو مواردی هست که خوب نوشته شده و یک بیزینس فعال هم هست که open source هم کردند.

برای خوندن هم دو حالت داره :
۱- دنبال یک مدل استانداردسازی برای یک چیز خاص هستید و فقط همون بحث رو میخونید.
مثلا من اگر بخوام ببینم چطوری swagger این پروژه نوشته شده اول وارد requirements اش می‌شم و میگردم ببینم از کدوم پکیج استفاده کرده بعد میرم روی Endpointها یا .... ببینم این موارد رو با چه استانداردی نوشته و کجاها گذاشته.

۲- هدف خاصی ندارم جز یادگیری استاندارد‌ها؛ در اینصورت یک نقطه شروع رو برای خودم پیدا می‌کنم و از اون بعنوان سر نخ استفاده می‌کنم.
شخصا Integration test ها اولین چیزی هست که میرم سراغش؛ اگر نبود logic هر بخش رو از داکیومنت می‌خونم و بخش بخش میرم توی سورس کدها و ...

توی هر دو مورد مهم اینه که قبل از خوندن سورس کد با پکیج‌های اصلی آشنا باشید و بلدشون باشید؛ پکیج جدید هم که می‌بینید که بلدش نیستید؛ اول یک ویدئو گوتاه و سریع از آموزشش ببینید و بعد توی سورس کد به خوندن ادامه بدید.