نوشته های عباس علی بهرامی

کوین پی - coinpay | اولین درگاه ارز دیجیتال ایرانی

عباس علی بهرامی — Fri, 11 Jul 2025 13:52:11 +0330

کوین پیدرگاه پرداخت ارز دیجیتالبا استفاده از درگاه پرداخت ارز دیجیتال کوین پی، به جای محدودیت‌های سنتی پرداخت ریالی، امکان پرداخت با رمزارزها را فراهم کنید و بدین ترتیب تجارت بین‌المللی کسب و کارتان را به شکل چشمگیری توسعه دهید. CoinPay بدون واسطه، تحت هر شرایط زمانی و مکانی، با پشتیبانی از چندین ارز دیجیتال محبوب مانند تتر، بیت‌کوین و اتریوم و … تراکنش‌هایی ارزان، فوری، ایمن و غیرقابل برگشت (تقلب)ارائه می‌دهد. با بهره‌گیری از آخرین تکنولوژی بلاکچین تحریم‌های مالی را بی اثر کردیم تا فضای جدیدی برای کسب و کارهای آنلاین ایرانی باز شود و بدون نگرانی از موانع مالی بین‌المللی فعالیت کنند. با راه‌اندازی درگاه پرداخت ارز دیجیتال کوین پی، قادر خواهید بود تا محصولات یا خدمات خود را بدون مرز به مشتریان جهانی ارائه دهید. چنین امکانی نه تنها محدودیت‌های جغرافیایی را برطرف می‌کند بلکه به شما اجازه می‌دهد تا بازارهای جدید را کشف کرده و فرصت‌های تازه‌ای برای رشد کسب ‌و کارتان ایجاد نمایید.چرا کسب‌وکارهای آنلاین باید درگاه پرداخت ارز دیجیتال داشته باشند؟افزایش دسترسی برای مشتریان خارجیتراکنش‌های بدون واسطه، سریع‌تر و امن‌ترتسویه‌حساب سریع‌تر ، بدون تعطیلاتکاهش کارمزد تراکنش‌های رمز ارزیامنیت مالی و حفظ حریم خصوصی مشتریانچرا کوین پی را انتخاب کنیم؟امن و شفافبا استفاده از فناوری پیشرفته بلاک‌چین، تمام پرداخت‌های شما به‌طور کامل ایمن و غیرقابل تغییر خواهند بود. این فناوری امکان تأمین امنیت داده‌ها و تراکنش‌ها را به‌طور بی‌نظیر فراهم می‌آورد و از هرگونه تقلب یا دستکاری در اطلاعات جلوگیری می‌کند. بنابراین، اطمینان خواهید داشت که تراکنش‌های شما در هر زمانی کاملاً امن و شفاف انجام می‌شوند.پشتیبانی از چندین ارز دیجیتالکوین پی از طیف گسترده‌ای از ارزهای دیجیتال پشتیبانی می‌کند، از جمله رمزارزهای معروف مانند بیت‌کوین، اتریوم، تتر (USDT) و سایر ارزهای دیجیتال محبوب. این ویژگی به شما این امکان را می‌دهد که با راحتی و انعطاف‌پذیری بیشتری در دنیای ارزهای دیجیتال فعالیت کنید و پرداخت‌های خود را به‌راحتی و در هر ارزی که بخواهید انجام دهید.تراکنش‌های آنی و بدون واسطهپرداخت‌ها به‌طور آنی و بدون نیاز به واسطه‌ها انجام می‌شود، به این معنی که فرآیند تراکنش‌ها به‌سرعت تکمیل می‌شود و هیچ تأخیری در انتقال وجوه وجود نخواهد داشت. مبلغ پرداختی مستقیماً به کیف پول شما واریز می‌شود، به‌طوریکه تمامی مراحل به‌طور خودکار و بدون نیاز به مداخله انسانی انجام می‌گیرد.سازگار با توسعه‌دهندگانبا در اختیار داشتن یک API قوی و مستندات جامع کوین پی ، این سیستم به‌راحتی قابل ادغام در سیستم‌ها و برنامه‌های مختلف شما است. توسعه‌دهندگان می‌توانند به سادگی این ابزار را در پروژه‌های خود پیاده‌سازی کنند و از امکانات آن برای بهبود عملکرد و تسهیل فرآیندهای پرداخت در بسترهای مختلف استفاده نمایند.جریان پرداخت سفارشیکوین پی به شما این امکان را می‌دهد که فرآیند پرداخت را دقیقاً مطابق با نیازها و الزامات کسب‌وکار خود شخصی‌سازی کنید. می‌توانید تمامی مراحل و ویژگی‌های فرآیند پرداخت را به گونه‌ای طراحی کنید که بهترین تجربه را برای مشتریان شما فراهم آورد و به‌طور مؤثری به افزایش کارایی و سودآوری کسب‌وکار شما کمک کند.https://coinpay.finance/fa

نصب پکیج لورچ در اصفهان

عباس علی بهرامی — Tue, 03 Dec 2024 12:21:11 +0330

آشنایی با پکیج لورچپکیج لورچ یکی از محصولات پیشرفته و باکیفیت در زمینه سیستم‌های گرمایشی است که به دلیل طراحی خاص و کارایی بالا در بسیاری از منازل و پروژه‌های تجاری استفاده می‌شود. این سیستم گرمایشی قابلیت‌های ویژه‌ای دارد که آن را به گزینه‌ای مناسب برای راحتی و صرفه‌جویی در مصرف انرژی تبدیل کرده است.برای مشاوره رایگان و درخواست نصب یا تعمیرات ، با ما تماس بگیرید.تماس: 09136820399مزایای پکیج لورچ :‌صرفه‌جویی در مصرف انرژیعملکرد بی‌صدا و کم مصرفطراحی جمع و جور و مناسب برای فضاهای مختلفمقاومت بالا در برابر فرسودگی و خرابیقابلیت تنظیم دما و زمان به صورت دلخواهنصب پکیج لورچنصب پکیج لورچ توسط متخصصان مجرب و حرفه‌ای انجام می‌شود. این فرآیند شامل مراحل مختلفی از جمله بررسی شرایط محیطی، نصب تجهیزات و تست عملکرد پکیج می‌باشد. برای نصب صحیح و مطمئن، حتماً باید از کارشناسان فنی استفاده کنید.برای مشاوره رایگان و درخواست نصب یا تعمیرات ، با ما تماس بگیرید.تماس: 09136820399https://mrshahmohammadi.ir/

راهکار مدیریتی جدید سام سیستم

عباس علی بهرامی — Thu, 03 Aug 2023 12:34:30 +0330

سام سیستم ، سیستم قدرتمند مدیریتی برای کسب وکار شما نرخ ارزش شما را افزایش می دهدسام سیستم با ثبت و مدیریت تعاملات بین شرکت و مشتری این امکان را فراهم می آورد که مدیران کسب و کار با دیدن گزارشات، سابقه ارتباط با مشتریان و نشانگرهای فروش بتوانند تصمیم های درستی برای کاهش هزینه ها، افزایش فروش و رضایت مشتری بگیرند. تحقیقات نشان می دهد که استفاده از محصول های همچون CRM , BPMS , مدیریت انبار و مدیریت اتوماسیون کسب وکار، و مدیریت کسب وکار استفاده میکنند حداقل ۳۰۰ درصد نرخ تبدیل فرصت به مشتری را در شرکت ها افزایش می دهد. در عصر کنونی ارتباط درست با مشتری اهمیت بیشتری نسبت به فروش پیدا کرده است. این موضوع جزء اصلی ترین مزیت رقابتی شرکت ها در موفقیت و فروش بیشتر است.

پلتفرم تجربه سازان خلاق ( ارزش ساز کسب وکار شما )

عباس علی بهرامی — Sun, 04 Apr 2021 12:28:37 +0430

پلتفرم نرم افزاری تجربه سازان خلاق به معنای ساده یک " پلتفرم آنلاین " برای کسب کار های که میخواهند مکانیزیم کار خود را تماما آنلاین کنند می باشد.لینک : http://uxegroup.com/fa/uxegroup-platform https://www.aparat.com/v/8KrTt امکانات : -پلتفرم فروشگاه آنلاین -پنل مدیریت اختصاصی و سیستم مدیریت مدیران ( کنترل سطح دسترسی ) -سیستم اعتبار دهی شهرت ( کاربر طلائی ، کاربر نقره ای ، کاربر برنزه ) -سیستم باشگاه مشتریان -سیستم اعتبار دهی وجهی ( کیف پول ) -سیستم مدیریت بازارچه یا چند فروشندگی -سیستم مدیریت اطلاعات ( گاوصندوق اطلاعاتی ) -سیستم گزارش ساز یکپارچه Integrated Reporting System -سیستم وب اپلیکیشن های پیش رونده یا PWA -سیستم انبار داری یکپارچه -سیستم مدیریت چند زبانه بودن -سیستم مدیریت رخ داد یا LOG

الگوریتم یادگیری عمیق برای شبیه‌سازی مبتنی بر داده سیستم دینامیکی پر سر و صدا

عباس علی بهرامی — Wed, 22 Jan 2020 11:16:33 +0330

"> Aparat Link : https://www.aparat.com/v/J3rDVعباسعلی بهرامی - 95221033111037https://www.sciencedirect.com/science/article/pii/S0021999118306910چکیده :ما یک مدل یادگیری عمیق ، DE - LSTM را برای شبیه‌سازی فرآیند تصادفی با یک دینامیک غیرخطی ارائه می‌کنیم . هدف از مدل یادگیری عمیق ، تخمین تابع چگالی احتمال یک فرآیند تصادفی ، از طریق گسسته سازی عددی و دینامیک غیرخطی است که توسط شبکه حافظه کوتاه‌مدت طولانی‌مدت مدل‌سازی شده‌است . نشان داده می‌شود که هنگامی که گسسته سازی عددی مورد استفاده قرار می‌گیرد ، مساله برآورد تابع را می‌توان با یک مساله طبقه‌بندی چند برچسب حل کرد . روشی برای تعیین وضعیت یکنواختی در پیش‌بینی توزیع احتمال پیشنهاد شده‌است . ما نشان می‌دهیم که تکامل زمانی توزیع احتمال را می‌توان با ادغام ابعادی بالا از احتمال انتقال حالت‌های داخلی LSTM محاسبه کرد . یک الگوریتم مونت کارلو برای تقریبی کردن هم‌گرایی ابعادی بالا مشخص شده‌است . رفتار پورت - به طور کامل با استفاده از فرآیند اورنشتاین - و مشاهدات پر سر و صدا در سیستم‌های دینامیکی غیرخطی مورد بررسی قرار می‌گیرد . نشان‌داده شده‌است که DE - LSTM ، پیش‌بینی خوبی از توزیع احتمال را بدون فرض کردن هر گونه ویژگی‌های توزیعی فرآیند اتفاقی ، پیش‌بینی می‌کند .مقدمه :برای پیش‌بینی چند مرحله‌ای سری‌های زمانی mackey - شیشه‌ای ، عدم قطعیت پیش‌بینی ، که با ۹۵ % فاصله اعتماد نشان داده می‌شود، ابتدا رشد می‌کند، سپس به طور پویا زیر تکامل سیستم انجام می‌شود ، در حالی که در شبیه‌سازی ون درمرو ، عدم قطعیت پیش‌بینی در زمان حتی برای پیش‌بینی ۳۰۰۰مرحله‌ای رشد نمی‌کند .بازسازی مبتنی بر داده یک سیستم دینامیکی به دلیل ارتباط مستقیم آن با کاربردهای متعدد در رشته‌های مختلف از جمله فیزیک ، مهندسی ، و بیولوژی ( ۱ ، ۲ ، ۳ ) مورد توجه زیادی قرار گرفته‌است . در بسیاری از کاربردهای دنیای واقعی ، ما تنها مشاهدات جزیی از یک فرآیند زمانی - زمانی پیچیده از طریق یک شبکه حسگر داریم . به عنوان یک نتیجه ، سری‌های زمانی از یک شبکه حسگر رفتار بسیار پیچیده‌ای را نشان می‌دهد ، مانند دینامیک زمان - تاخیر ناشی از زمان انتشار اطلاعات محدود [ ۴ ، ۵ ، ۶ ، ۷ ] . علاوه بر این ، هنگامی که اندازه‌گیری‌ها توسط یک شبکه حسگر انجام می‌شوند ، مشاهدات توسط نویز حسگر فاسد می‌شوند ، که منجر به یک فرآیند تصادفی در فرآیند تصادفی می‌شود .مدل‌سازی چنین سیستم‌های دینامیکی پر سر و صدا ، به طور گسترده با استفاده از فرآیند تصادفی تصادفی یا مدل فضای حالت مورد مطالعه قرار گرفته‌است. به منظور دستیابی به یک استنباط ، بسیاری از مدل‌های آنالیز سری‌های زمانی معمولی ، به عنوان مثال ، مدل‌های میانگین متحرک حرکتی یا فیلتر کالمن ، فرضیات قوی در مورد ویژگی توزیعی فرآیند نویز ، مانند نویز سفید گاوسی افزایشی ، و linearize سیستم دینامیکی ایجاد می‌کنند. هنگامی که معادلات حاکم بر دینامیک‌های زیربنایی شناخته‌شده ، توسعه‌یافته و بعدا ً، unscented کالمن توسعه‌یافته برای برآورده‌ای حالت غیر خطی پیشنهاد شده‌اند. در geophysical داده‌های ژئوفیزیکی ، فیلتر کالمن توسعه‌یافته به یکی از روش‌های استاندارد تبدیل شده‌است ، به دلیل قدرت آن در ارائه یک برآورد ثابت از یک سیستم ابعادی بالا برای فیلترینگ غیرخطی با توابع انتقال شناخته‌شده است ، فیلترهای ذره یا روش‌های مونت کارلو ، یک ابزار بسیار قدرتمند برای مدل‌سازی توزیع‌های غیر گاوسی ایجاد می‌کند. در حالی که اکثر این مدل‌های فیلترینگ غیرخطی به حداقل یک دانش جزیی از سیستم دینامیکی نیاز دارند ، در بسیاری از مشکلات ، ما دانش در مورد فرایندهای فیزیکی زیربنایی نداریم ، یا این سیستم برای توسعه یک مدل از اصول اولیه بسیار پیچیده است.بازسازی یک سیستم دینامیکی غیرخطی بدون دانش قبلی بسیار چالش برانگیز است . فرآیند مهمی در رویکرد " عاری از مدل " برای شناسایی و پیش‌بینی سیستم‌های غیرخطی وجود داشته‌است . بلوک ساختاری اصلی بسیاری از این رویکرد مدل - عاری از قضیه Takens۱۷ ، یا به اصطلاح " تعبیه شدن " نامیده می‌شود . به طور خلاصه ، embedding زمان تاخیر یک فضای فازی n بعدی را برای ۲ یک داده با تاخیر زمانی می‌سازد ، به عنوان مثال پایین ، که در آن τi یک تاخیر زمانی است ، و بر یک روش تشخیص همسایگی تکیه دارد .X ( T ) = ( x ) ، x ( T - T - ۱ ) )به تازگی ، یک روش نقشه‌برداری cross همگرا برای استنباط علیت از داده‌های غیرخطی پیشنهاد شده‌است. در یک فیلتر " Kalman - Takens" پیشنهاد شده‌است ، که در آن جاسازی نمودن تاخیر - مختصات به عنوان اپراتور زمان خطی غیرخطی برای بردار وضعیت استفاده می‌شود .به جای مدل‌سازی تابع گذار غیر خطی ، لی و سایرین پیشنهاد کردند که از یک رویکرد فضای هیلبرت برای تخمین غیر خطی ساختار کوواریانس در فیلتر کالمن استفاده کند .اخیرا ً یک شبکه عصبی مصنوعی مجهز به لایه‌های زیادی از واحدهای پنهان توجه زیادی را به دلیل توانایی قوی خود در کشف ساختارهای پیچیده در داده‌ها ، جلب کرده‌است. برای یک بررسی تاریخی به مراجعه کنید .به اصطلاح , یادگیری عمیق یک مدل جعبه سیاه را برای تخمین تابع غیرخطی ارایه می‌دهد و نشان‌داده شده‌است که بهتر از روش‌های آماری سنتی برای مشکلات مربوط به داده کاوی , به عنوان مثال , تشخیص گفتار , طبقه‌بندی / شناسایی تصویر استفاده می‌کند . برای مدل‌سازی دنباله , شبکه عصبی بازگشتی ( RNN ) به طور گسترده‌ای مورد استفاده قرار گرفته‌است. برای غلبه بر مشکلات یادگیری یک ساختار وابستگی طولانی , یک شبکه حافظه کوتاه‌مدت بلند مدت ( LSTM ) پیشنهاد شده‌است. LSTM از چندین تابع گیت سازی چندگانه استفاده می‌کند تا اطلاعات ذخیره‌شده در وضعیت داخلی خود را برای مدت‌زمان طولانی‌تر حفظ کند . LSTM یکی از پرکاربردترین RNN است . Jaeger & Haas تغییر of را پیشنهاد کرد که به نام شبکه حالت بازتاب ( ESN ) یا محاسبه ذخایر نامیده می‌شود. در ESN , تعداد زیادی از سیستم‌های دینامیکی , یا ذخایر , به طور تصادفی تولید می‌شوند و پیش‌بینی با ترکیب خطی این سیستم‌های دینامیکی ایجاد می‌شود . در آموزش مدل , تنها پارامترهای لایه آخر شبکه , یعنی ترکیب خطی ذخایر , تنظیم شده‌است , که این کار را برای آموزش با یک مجموعه داده‌های کوچک‌تر در مقایسه با other دیگر آسان‌تر می‌کند . ESN مورد مطالعه قرار گرفته و برای بسیاری از سیستم‌های دینامیکی به کار گرفته شده‌است. به جای تکیه‌بر ساختار متناوب rnns , رویکردهایی برای ترکیب صریح زمان حرکت سیستم دینامیکی و یا معادلات دیفرانسیل جزیی وجود دارد.با در نظر گرفتن قدرت آن در یادگیری منیفولد غیر خطی داده و قابلیت de [ 32 ] , یادگیری عمیق یک پتانسیل برای ایجاد یک ابزار جدید برای بازسازی مبتنی بر داده سیستم دینامیکی پر سر و صدا دارد . در حالی که حجم زیادی از ادبیات در مورد کاربرد شبکه‌های عصبی مصنوعی برای مدل‌سازی سیستم‌های دینامیکی غیرخطی وجود دارد , بسیاری از مطالعات , داده‌های بی‌صدا و / یا مساله رگرسیون را در نظر می‌گیرند , به عنوان مثال , ایجاد یک پیش‌بینی قطعی با توجه به داده‌های ورودی . در ادبیات علوم کامپیوتر , چند روش برای بسط RNN قطعی برای پیش‌بینی توزیع احتمال داده‌های متوالی پیشنهاد شده‌است . یکی از روش‌های مرسوم ایجاد یک مدل احتمالاتی فرض کردن توزیع احتمالی داده‌ها و ایجاد یک RNN , که پارامترهای توزیع احتمال , به عنوان مثال , میانگین و واریانس یک توزیع گاوسی را بدست می‌دهد . روش بیز به تازگی برای در نظر گرفتن ماهیت تصادفی سری‌های زمانی رایج شده‌است . Fortunato و همکاران یک RNN بیزی را پیشنهاد کردند که در آن پارامترهای of متغیرهای تصادفی گاوسی می‌باشند . بایر & Osendorfer 36 یک RNN تصادفی را با افزایش حالات داخلی of توسط متغیرهای تصادفی مستقل ایجاد کرد . چانگ و همکاران یک متغیر variational را پیشنهاد کردند , که از کدگذار خودکار متغیر برای کدگذاری تغییرات مشاهده‌شده سری‌های زمانی استفاده می‌کند . لازم به ذکر است که اغلب مدل‌های یادگیری عمیق احتمالاتی نیز فرض می‌کنند که توزیع posterior بعدی گاوسی است . goyal و همکاران یک RNN را پیشنهاد کردند که با شبکه خصمانه تولیدی ( gan ) آموزش‌دیده بود, که بر فرض گاوسی تکیه نمی‌کند . با این حال , رفتار روش‌های مبتنی بر gan برای مدل‌سازی سیستم‌های دینامیکی غیرخطی به خوبی درک نشده است .در این مطالعه ، ما یک مدل مبتنی بر RNN را برای استنتاج منطقی داده و شبیه‌سازی سیستم‌های دینامیکی غیرخطی ارائه می‌کنیم . در حالی که اغلب مدل‌های یادگیری عمیق قبلی ، گاوسی یا ترکیبی از توزیع‌های گاوسی را فرض می‌کنند ، مدل RNN پیشنهادی قصد دارد تابع چگالی احتمال را بدون هیچ فرض ، به جز هموارسازی ، به عنوان مثال ، تداوم CO۲ پیش‌بینی کند . ما نشان می‌دهیم که مساله برآورد تابع را می‌توان با استفاده از یک کمینه‌سازی cross از طریق گسسته سازی عددی حل کرد . تکامل موقتی تابع چگالی احتمال یک سیستم دینامیکی پر سر و صدا توسط محاسبات بازگشتی ، احتمال انتقال حالت داخلی را با استفاده از روش مونت کارلو محاسبه می‌کند . این مقاله به صورت زیر سازماندهی شده‌است : در بخش ۲.۱ ، ساختار پایه of مورد بررسی قرار گرفته‌است . الگوریتم برای یادگیری چگالی احتمال از طریق گسسته سازی گسسته و برای پیش‌بینی تحول زمان سیستم دینامیکی پر سر و صدا در بخش‌های ۲.۲ - ۲نشان‌داده شده‌است . در نهایت ، نتیجه‌گیری در بخش ۴ ارایه شده‌است .الگوریتم یادگیری عمیق۲. الگوریتم یادگیری عمیق در این بخش ، ابتدا معادلات اساسی شبکه حافظه کوتاه‌مدت طولانی‌مدت مورد بررسی قرار می‌گیرند . سپس ، یک روش گسسته سازی عددی برای یادگیری ۴ توزیع احتمال یک سیستم دینامیکی پر سر و صدا ارایه می‌شود و یک تابع افت فشار دهنده - افت ، برای به دست آوردن یک برآورد کننده حداکثر احتمال ، معرفی می‌شود . در نهایت ، یک روش مونت کارلو برای پیش‌بینی multistep مشخص می‌شود .۲.۱بررسی شبکه حافظه کوتاه‌مدت مدت کوتاه شبکه حافظه کوتاه‌مدت به منظور در نظر گرفتن یک فرآیند تاخیر زمانی معرفی شد ، که در آن وضعیت یک سیستم در زمان t توسط رویدادی در T - T تحت‌تاثیر قرار می‌گیرد. معادله اساسی واحد LSTM ارایه‌شده توسط شامل مجموعه‌ای از تبدیلات غیر خطی یک متغیر ورودی z Rmاست .که در آن ϕS و ϕt به ترتیب توابع sigmoid و hyperbolic را نشان می‌دهند ، Ln یک عملگر تبدیل خطی است ، Nc تعداد واحدهای LSTM ، حالت داخلی و خروجی شبکه LSTM و ab نشان‌دهنده یک ضرب - از دو بردار است . عملگر تبدیل خطی به صورت زیر تعریف می‌شود :Ln(x) = W x + B

سرمایه گذاران ایرانی و دست فروشان خیابانی در اقتصاد ایران

عباس علی بهرامی — Sat, 29 Jun 2019 22:47:14 +0430

بساطشان مختصر است، و در معرض انواع دستبردها قرار دارند. همواره نگرانند؛ از آسمان نگرانند که نکند ببارد؛ از باد نگرانند که نکند ببرد؛ از رهگذران بیمناکند که مبادا بساطشان را به‌هم بریزند؛ حتی از مشتریان هراسانند که نکند نپرداخته بگریزند. دست‌فروشان را می‌گویم. با این‌همه دغدغه چهارچشمی خیابان‌ها را می‌پایند؛ آرام و قرار ندارند. کابوس شهرداری رهایشان نمی‌کند. چیز زیادی به میدان نمی‌آورند، تا سر بزنگاه هرچه سریعتر از میدان بدرآورند. دست‌فروشان جای مشخصی هم ندارند. یک روز اینجا، و روز دگر، جای دگر. یک روز جای رقیبشان را می‌گیرند، و روز دیگر رقبا جایشان می‌نشینند. آن‌ها باری به هر جهتند. نه تنها جایشان را چپ و راست تعویض می‌کنند، جنسشان را هم گاه و بیگاه تغییر می‌دهند. یک روز کیف زنانه می‌فروشند، و یک روز عطر مردانه؛ یک روز اسباب بازی، روز دیگر ... از آن‌ها راجع به کسب‌وکارشان بپرسید. گلایه‌هایشان بیش‌تر از شهرداری است، تا از رونق و رکودهای بازاری. آن‌ها بیش‌تر از بی‌مهری‌های آسمان شکوه می‌کنند تا از بی‌میلی‌های مشتریان. آن‌ها برخلاف مغازه‌داران بیش‌تر از دستبردهای اجناسشان نگرانند، تا پاخورهای مکانشان. آن‌ها کم‌تر در فکر چیزهایی هستند که بیش‌تر در کنترلشان است ( ریسک‌های تجاری)، و بیش‌تر به فکر چیزهایی هستند که خارج از کنترلشان است ( ریسک‌های غیرتجاری). برای آن‌ها چیزی که بیش از حاشیه‌ی سود اهمیت دارد، حاشیه‌ی امنیت است. اگر به آن‌ها جای امنی را نشان دهید، بسی بیش‌تر از این خوشحال می‌شوند، که جنس پر سودی را معرفی کنید. سرمایه‌گذرارن ایرانی چه شباهت‌ها که با دستفروشان خیابانی ندارند. آن‌ها نیز سرمایه‌های زیادی را پهن نمی‌کنند، تا با اولین هشدارها، زودتر جمع کنند. آن‌ها نگرانند که نکند فلان رقیب صاحب رانت عرصه‌ی بازی را بر آن‌ها تنگ کند؛ مبادا افاضات آن رجل سیاسی، یک شبه نانشان را سنگ کند؛ دلهره دارند که چگونه سود کنند و "سودجو" تلقی نشوند؛ چگونه سالم کار کنند و باج به دیگری ندهند.آن‌ها همچنان نگرانند. نگرانند که چگونه حقوق خود را از کلاهبردان بستنانند، چطور دفاتر شفاف به‌دست ممیز مالیاتی بسپارند؛ چطور کلاه خود را بچسبند که باد نبرد؛ کجا بخوابند که زیرشان آب نرود، و چطور بساط کنند که محیط مشوش قانونگذاری، سرمایه‌هایشان را به باد ندهد. آن‌ها نیز بیشتر از این‌که نگران ریسک‌های ذاتی کسب‌وکار خود باشند ( business risks)، نگران عدم‌اطمینان‌هایی اند، که فضای کسب‌وکار به آن‌ها تحمیل می‌کند (non-business risks). آن‌ها نیز همانند دست‌فروشان، حواسشان بیشتر درگیر هجمه‌‌های شهرداری است تا دغدغه‌های کاسبکاری. برای آن‌ها، ظرفی که در آن غذا می‌خورند، از خود غذا مهم‌تر است. افسوس که سرمایه‌گذاران تمام این نگرانی‌ها را در محاسبات خود لحاظ می‌کنند. آن‌ها حساب می‌کنند و احساس آرامش نمی‌کنند. بی‌جهت نیست که در کشورمان سرمایه‌های بزرگ تجهیز نمی‌شود؛ کسب‌وکارهای عظیم تشکیل نمی‌شود. بی‌دلیل نیست که علاقه به فعالیت‌های بازرگانی بیش از کسب‌وکارهای تولیدی است. بیخود نیست که سرمایه‌گذاران جیب‌های خود را به این سرزمین نمی‌دوزند! آن‌ها میخ محکمی بر این زمین نمی‌کوبند!در فضایی که شبیه فضای کسب‌وکار دست‌فروشان است، سرمایه‌گذاران نیز به دست‌فروشان شبیه‌ترند، تا مغازه‌داران. در جایی که سرمایه‌گذاران احساس ناامنی می‌کنند، سرمایه به زحمت می‌نشیند؛ سرمایه‌گذار به‌سختی آرام می‌گیرد. در مسیری که محل گذر سیل است، خانه‌های عظیم بنا نمی‌شود، و در زمینی که در معرض هجوم آفت‌هاست، مزارع اصیل به‌پا نمی‌شود. دکتر میثم رادپور

How would you see flexbox to control horizontal alignment ?

عباس علی بهرامی — Wed, 09 Jan 2019 15:07:47 +0330

عباسعلی بهرامی 95221033111037https://www.aparat.com/v/tTPr1flex box aligningAligning Items in a Flex Containerیکی از دلایل افزایش سریع علاقه به توسعه دهندگان وب flexbox این است که برای اولین بار قابلیت‌های هم ترازی مناسب را برای وب فراهم کرده‌است .که تنظیم عمودی مناسب را فعال می‌کند , بنابراین می‌توانیم به راحتی در یک جعبه قرار دهیم . در این راهنما , ما نگاهی کامل به این می‌اندازیم که چگونه ویژگی‌های هم‌تراز کردن و توجیه کار در وب سایت کار می‌کند . برای مرکز کردن box ها از ویژگی align-items برای تراز کردن آیتم خود در محورمتقاطع استفاده می‌کنیم، که در این حالت محور بلوک به صورت عمودی عمل می‌کند. مااز align-content استفاده می‌کنیم تا آیتم را در محور اصلی قرار دهیم، که در این حالت محور داخلی به صورت افقی حرکت می‌کند. https://www.aparat.com/v/tTPr1 می‌توانید نگاهی به کد این مثال زیر بیاندازید. اندازه ظرف یا عنصر تودرتو را تغییر دهیدو آلمان تودرتو همیشه در مرکز قرار دارد. .box { display: flex; align-items: center; justify-content: center; } .box div { width: 100px; height: 100px; display : flex ; justify-content : center ; }

example