من برای خیلی کارهام یکسری اسکریپت دارم که برام نمودار می‌کشن. این نمودارها بهم یه ایده ای از میزان کار انجام شده و باقی مونده می‌دن. همینطور یه جور تشویق یا یادآوری است که کار رو پیش ببرم. این نمودار مال کتاب برای پیروزی است که توی قسمت آخر در موردش حرف زدم. تقریبا کار داره تموم می‌شه

شیوه کار هم بسیار ساده است چون لازم نیست خیلی دقیق باشه. می دونم در هر فصل چند کلمه هست و می دونم الان فصل ۵۱ تموم شده. در نتیجه می شه به راحتی یه نمودار کشید از اینکه چند درصد (بر اساس کلمه) پیش رفتیم و هر فصل چقدر بوده. دید خوبی می ده .

بیرجند لاگی ها توی روز برنامه نویس یه چلنج باحال دیگه داشتن: چلنج فشرده سازی! (:

توی این رپو یه فایل به شما داده شده که باید فشرده اش کنین و بر اساس اینکه برنامه شما چقدره و چقدر فشرده می کنه، یه امتیاز میگیرین. دقت کنین که هدف نهایی درک کردن فشرده سازی، ور رفتن باهاش و .. است. اگر یه چیزی بنویسین که یه الگوریتم فشرده سازی رو به کار ببره نسبتا بیمزه است و شاید حتی خارج از رده بندی.

اگر من بخوام بازی کنم اول آنتروپی و چند تا فاکتور دیگه رو تست می کنم. بخصوص با برنامه
ent
تا ببینم این فایل اصولا چقدر دیتا داره. یه فایل رندوم چندان قابل فشرده سازی نیست.

بعدش سعی می کنم ایده های خیلی بیسیک فشرده سازی رو پیاده کنم. مثل
RLE, huffman

برای یادگیری بگم که توی آر.ال.ای، اگر ۵ تا A پشت هم هست ممکنه بتونین بنویسین 5A. معلومه که چند تا مشکل ریز داریم که باید حلش کنین.

توی هافمن یه بار متن رو می بینیم و ترکیب های تکراری رو توش پیدا می کنیم، بعد اینها رو کد گذاری می کنیم و سعی می کنیم هر موردش رو با کدش جایگذاری کنیم و این چیزها.

این ها مسائل جالبی هستن و چیزهای باحالی بهتون یاد می دن؛ پس اگر می خواین بازی کنین معما اینجاست:

https://github.com/birlug/256

البته معلومه که سطح چنین چیزی در رده متوسط است ولی اتفاقا مسائل رده متوسط خوبیشون اینه که اگر شما تازه کار هستین، بهتون ایده می ده چطوری شروع کنین و از اونطرف بررسی کنین بقیه چیکار کردن.

و مرسی از بچه های بیرجندلاگ که مدت ها است گاه گداری مسائلی واقعا جالب برامون مطرح کردن. منم چند ساعت دیگه
اگر فرصت کنم تست می کنم و جواب های شما رو هم می بینم که لذت ببرم.

اینم کانال بچه های بیرجند لاگ @birlug

https://jadi.net/2026/09/birhug-compression-challenge/

اینو یادم رفته بود اینجا بذارم. یه گپ است در مورد هوش مصنوعی و اینکه چه فرصت هایی رو برای ما فراهم می کنه. خلاصه کلی اش اینه که هوش مصنوعی باعث شده هزینه تست ما خیلی پایین بیاد. ایده هامون رو می تونیم بسیار سریع عملی کنیم . از اونطرف کمی هم گپ می زنیم در این مورد که شکل فکر کردن ما به مساله باید چطور تغییر کنه و اینها. یه صحبت یه ساعته خسته کننده است ولی شاید برای بعضی ها ایده هایی داشته باشه که در این دوران چه فرصت هایی جدیدی دارن که خوبه ازش استفاده کنن.

https://youtu.be/p3qmeYbKj4s

در ادامه بحث هوش مصنوعی می ریم سراغ یکی از کلاسیک ترین شیوه های رسوندن اطلاعات جانبی به مدل های زبانی:
RAG
در این روش شما میاین یکسری داکیومنت / اطلاعات جانبی رو توی یه دیتابیس وکتور ذخیره می کنین. بعد وقتی سوال مطرح می شه، دیتابیس رو نگاه می کنین و به مدلی که از قبل دارین، اطلاعات مرتبط جانبی هم می دین تا با استفاده از اونها جواب رو تولید کنه. این روش بسیار موثره موقعی که می خواین مدلی داشته باشین که بر اساس اطلاعات شما با مشتری صحبت کنه.

توی این ویدئو یه رگ رو به یه مدل محلی وصل می کنیم و برنامه نویسی اش رو می بینیم و از اون مهمتر مفهوم دیتابیس های وکتور رو. که بسیار متفاوت هستن از دیتابیس های کلاسیکی که می شناختیم.

https://youtu.be/1imP4X8fUdA

واقعا معلوم نیست دوباره چه گندی دارن به اینترنت کشور می زنن. دو روز است که ترافیک اینقدر افت کرده. خجالت برای هر کسی که در این کارها کمک می کنه و شغلش قطع کردن ارتباط مردم یک کشور با جهانه.

اگر علاقمد به برنامه نویسی مسابقه ای (المپیادی) هستین، این کتاب و کتاب های دیگه این لینک منابع بسیار جالبی هستن. تخصص من نیست ولی به هرحال جالب بود بررسی اش.

https://cses.fi/book/index.php

#کتاب #لینک