https://virgool.io/feed/@rasakhosroshahli دانشجوی مهندسی کامپیوتر دانشگاه تبریز fa 2026-07-06 22:15:17 https://files.virgool.io/upload/users/144300/avatar/c0F6pA.png?height=120&width=120 https://virgool.io/@rasakhosroshahli https://virgool.io/LogisiaMag/%D9%85%D8%A7-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%AA%D9%85%D8%A7%D9%85-%D8%B4%D8%AF%D9%86-%D9%82%D8%A7%D9%86%D9%88%D9%86-%D9%85%D9%88%D8%B1-%D8%A2%D9%85%D8%A7%D8%AF%D9%87-%D9%86%DB%8C%D8%B3%D8%AA%DB%8C%D9%85-iuc1tentf3df نخستین بار گوردون مور، از بنیانگذاران شرکت اینتل، در سال 1965 پیش‌بینی کرد که تعداد تراشه‌های یک مدار مجتمع به طور تقریبی در هر دو سال، دو برابر خواهد شد و این رشد حدود یک دهه ادامه خواهد یافت. ده سال بعد یعنی در سال ۱۹۷۵، تعداد ادوات به عدد عجیب ۶۵ هزار رسید و قانون مور اثبات شد و پیش‌بینی سال ۱۹۶۵ به یکی از بزرگترین پیش‌بینی­ های نیم قرن اخیر مبدل گشت. از آن زمان، پیش‌بینی مور، مسیر پیشرفت تکنولوژی و حتی خود پیشرفت را تعیین کرده است.مجله الکترونیک، اولین بار که مقاله مور در آن به چاپ رسید (منبع ویکیپدیا)بحث مور، یک بحث اقتصادی بود. مدارات مجتمع، با ترانزیستور­های چندگانه و ادوات الکترونیکی که همگی توسط خط ­های آلومینیومی بر روی یک مربع شکل سیلیکونی به هم متصل می‌شوند، توسط رابرت نویس (Robert Noyce) ساخته و اختراع شدند. مور و سرپرست واحد تحقیق و توسعه شرکت اینتل متوجه شدند که هزینه ­ی هر قطعه تقریبا با تعداد ادوات رابطه­ ی عکس دارد. در حقیقت این طور به نظر می‌رسد که با افزودن ترانزیستور­، هزینه­ کمتر می‌شود. مور همچنین متوجه شد که پتانسیل بالایی برای مهندسان وجود دارد که تعداد بیشتری ترانزیستور، با اطمینان و آسانی به تراشه‌ها اضافه کنند.به زودی این تراشه ­های ارزان‌تر و قدرتمندتر تبدیل به یک فناوری عمومی می‌شوند. صنعت فناوری اطلاعات توسط مدارهای مجتمع امکان پذیر شده و تقریباً هر فناوری مورد علاقه امروزی ما، از تلفن­های هوشمند گرفته تا لپ‌تاپ­های ارزان قیمت و GPS، بازتاب مستقیمی از پیش‌بینی مور هستند. همچنین این تراشه‌ها امکان استفاده از تکنیک‌های یادگیری ماشین و پردازش داده‌های بزرگ را فراهم کردند تا بتوانیم به دستاورد‌های نفس‌گیر در عرصه هوش مصنوعی و روش‌های درمانی ژنتیکی دست پیدا کنیم. اما اگر روند پیشرفت تراشه‌ها متوقف شود چه اتفاقی خواهد افتاد؟برگرفته از سایت Next Platformاما چگونه یک پیش‌بینی ساده بر پایه گرافی از تعداد ترانزیستور­ها در هر سال، مسیر پیشرفت نیم قرن را تعیین کرد؟ بخشی از آن به این دلیل بود که صاحبان صنایع نیمه‌هادی تصمیم گرفتند که سرنوشت اینگونه رقم بخورد.آقای مور در مقاله‌ خود با عنوان " استفاده از قطعات بیشتر بر روی مدارهای مجتمع" در سال 1965 اظهار کرد که "این تراشه‌ها شگفتی ساز خواهند شد. رایانه‌های خانگی، خودروهای خودران و تجهیزات ارتباطی قابل حمل شخصی ساخته خواهند شد." به عبارت بهتر، مور فشردن ترانزیستورهای بیشتر بر روی تراشه ­ها را مسیر رسیدن به سرزمین موعود معرفی می‌کند.برای دهه ­های بعد، دولت به همراه ارتشی از محققان صنعتی و دانشگاهی، پول و زمان خود را در حمایت از قانون مور صرف کردند و پیشگویی او را با پیشرفت غیر قابل انکاری به واقعیت مبدل کردند. اگرچه سرعت پیشرفت در سال‌های اخیر کاهش یافته است اما پیشرفته‌ترین تراشه امروز نزدیک به 50 میلیارد ترانزیستور دارد. لیست ۱۰ دستاورد برگزیده که دانشگاه ام‌آی‌تی هر سالانه منتشر می‌کند، از سال ۲۰۰۱ مرهون پیشرفت‌های این تراشه‌های محاسبه‌گر است. در لیست امسال نیز ماهواره‌های ارزان قیمت، برتری کوانتومی، مولکول های کشف شده با استفاده از هوش مصنوعی و حتی درمان های ضد پیری و داروهای شخصی‌سازی شده، عمدتا به دلیل قدرت محاسباتی در دسترس محققان هستند.اما چه اتفاقی می‌افتد که قانون مور به آخر برسد؟ برخی حتی گمان می‌کنند که در حال حاضر از دنیا رفته است و ما در حال حاضر بر روی دودهای بزرگترین موتور فناوری زمان خودمان کار می کنیم.چارلز لیزرسون، دانشمند کامپیوتر در ام‌آی‌تی، می گوید: "تمام شد. امسال این امر کاملاً واضح و روشن شد." کارخانه اینتل ساخت تراشه با فناوری 10 نانومتری را با تاخیر در سال 2019 به اتمام رساند، این یعنی 5 سال فاصله با فناوری 14 نانومتری سابق. لیزرسون می گوید: قانون مور همیشه در مورد میزان پیشرفت بود و "ما دیگر در این نرخ نیستیم". شمار زیادی از دانشمندان برجسته رایانه نیز قانون مور را در سال‌های اخیر مرده اعلام کرده ­اند. در اوایل سال 2019، مدیر عامل شرکت بزرگ تراشه ساز انویدیا نیز با این حرف موافقت کرد.در حقیقت، این یک کاهش تدریجی بوده است تا یک مرگ ناگهانی. در طول ده­ها سال، بعضی­ها، از جمله خود مور، گاهی اوقات ابراز نگرانی می­کردند که می­توانند انتهای قانون را ببینند، زیرا ساخت ترانزیستورهای کوچک سخت­ تر و سخت تر می‌شد. در سال 1999، یک محقق اینتل نگران این بود كه هدف این صنعت از ساخت ترانزیستورهای كوچك‌تر از 100 نانومتر تا سال 2005 با مشكلات اساسی فیزیکی همراه باشد از جمله اثرات کوانتومی ناشی از سرگردانی الکترون­ ها در جایی كه نباید باشند.برگرفته از سایت The Economistسال­ ها صنعت تراشه توانسته بود از این موانع فیزیکی جلوگیری کند. طرح ­های ترانزیستوری جدید معرفی شدند تا الکترون ­ها را بهتر کنترل کنند. روش­های جدید سنگ‌نگاری با استفاده از اشعه ماورا بنفش قوی اختراع شد، چرا که طول موج نور مرئی بسیار ضخیم تر از آن بود که تنها ده نانومتر از سیلیکون را حک کند. اما پیشرفت روز به روز گران‌تر می‌شود، اقتصاددانان در استنفورد و ام‌آی‌تی محاسبه كرده‌اند كه هزینه پژوهش‌ها در مورد تحقق قانون مور از سال 1971 تا کنون 18 برابر شده‌است.با این وجود، اینتل، یکی از این سه پیشرو در صنعت چیپ‌سازی، انتظار مراسم تشییع جنازه برای قانون مور را به این زودی ندارد. جیم کِلر، که عنوان رئیس مهندسی سیلیکون اینتل را در سال 2018 بر عهده گرفته، وظیفه زنده نگه داشتن قانون مور را دارد. او تیمی در حدود ۸ هزار مهندس سخت‌افزار و طراحان تراشه را در اینتل رهبری می‌کند و زمانی که به این شرکت می‌پیوست، ‌گفت: بسیاری انتظار داشتند که قانون مور پایان یابد. اما کِلر فرصت ­های فنی زیادی برای پیشرفت پیدا کرد. وی خاطرنشان كرد كه احتمالاً بیش از صد تغییر در ادامه روند اجرای قانون مور وجود دارد كه هر كدام مزایای مختلفی و محدودیت‌های خاص خود را دارند. این بدان معناست که روش­های بسیاری وجود دارد که می­توانید تعداد دستگاه­های موجود در تراشه را دو برابر کنید: نوآوری­ هایی مانند معماری ­های سه بعدی و طرح های جدید ترانزیستوری.این روزها کِلر خوش­بین به نظر می‌رسد. او در همه دوران شغلی‌اش در مورد اتمام قانون مور چیزهایی شنیده و تصمیم گرفته است که نگران این موضوع نباشد. او می­گوید اینتل برای 10 سال آینده برنامه دارد و با خوشحالی نتیجه قانون مور را برای ده سال آینده محاسبه‌ می‌کند. کلر می‌گوید اگر توسعه‌دهندگان نرم افزار باهوش باشند، می توانیم طی 10 سال آینده تراشه­‌هایی را بسازیم که صد برابر سریع‌تر هستند.با این‌ وجود، حتی اگر اینتل و سایر تولید‌کنندگان تراشه باقی‌مانده بتوانند چند نسل از ریزتراشه‌های پیشرفته‌تر نیز تولید کنند، دیگر روزگاری که هر دو سال یکبار با اطمینان تراشه‌های ارزان‌تر و سریع‌تر تولید می‌شدند به سر رسیده است. اما این پایان پیشرفت قدرت محاسباتی نیست، نگرانی چیز دیگر است.چرا باید نگران پایان قانون مور باشیم؟نیل تامپسون یک اقتصاددان است، اما دفتر وی در CSAIL، مرکز هوش مصنوعی و رایانه‌ای ام‌آی‌تی، قرار گرفته است که در محاصره سازندگان رباتیک و دانشمندان علوم رایانه، از جمله همکار وی لیرسون، قرار دارد. در مقاله جدید آنان نشان داده شده که می‌توان از طریق نرم‌افزار های بهتر، الگوریتم ها­ و معماری اختصاصی عملکرد محاسباتی تراشه ها را بهبود داد.یکی از راه حل ها اصلاح نفخ نرم‌افزار یا پَندام ‌افزار، استفاده شدید نرم افزار از منابع سخت افزاری، برای بیشترین بهره‌وری از تراشه­‌های موجود استفاده کنیم. هنگامی که همیشه می‌شود بر سریع تر شدن و قدرتمند شدن سخت افزار ها حساب باز کرد، برنامه‌نویسان دیگر نیازی به نگرانی در مورد نوشتن کد کارآمدتر ندارند و حتی در اغلب مواد نتوانستند از تمامی توانایی معماری های جدید سخت‌افزاری، مانند هسته ­های چندگانه که امروزه در تراشه­ ها دیده می­ شود، استفاده کنند. تامپسون و همكارانش نشان دادند كه می‌توانند با سوییچ کردن از پایتون، یك زبان برنامه نویسی عمومی، به زبان کارآمد سی، 47 برابر سرعت محاسبات را افزایش دهند. با این که سی كار بیشتری از برنامه نویس می‌طلبد در عوض تعداد عملیات ریاضی را بسیار کاهش می‌دهد و باعث می­شود یک برنامه بسیار سریع‌تر اجرا شود. بعلاوه، بهینه سازی کد برای استفاده کامل از تراشه ۱۸ هسته‌ای نیز سرعت را افزایش می‌دهد. اما این راهکار پاسخگوی تمام پیشرفت‌های علمی نخواهد بود.حرکت به سوی طراحی تراشه ­ها برای برنامه ­های خاص، به ویژه در هوش مصنوعی، شروع شده است. یادگیری عمیق و سایر برنامه­ های هوش مصنوعی به طور فزاینده به واحدهای پردازش گرافیکی (GPU) که در بازی استفاده می‌شوند، تکیه دارند که می‌توانند عملیات موازی را انجام دهند. تامپسون می­گوید: هوش مصنوعی به ویژه یادگیری عمیق، اشتهای زیادی برای قدرت رایانه دارد و تراشه ­های تخصصی می­توانند عملکرد آن را تا حد زیادی سرعت بخشند. اما این تراشه‌های تخصصی نسبت به CPUهای عمومی کمتر تطبیق‌پذیر هستند. تامپسون نگران این است که تراشه‌های برای محاسبات عمومی کم‌یاب شده و در نهایت باعث کاهش کلی سرعت پیشرفت کامپیوتر‌ها بشود.اریکا فوچ، استاد مهندسی و سیاست‌های عمومی کارنگی ملون، می‌گوید: "در بعضی موارد، توسعه‌دهندگان هوش مصنوعی و برنامه‌های کاربردی دیگر افزایش عملکرد تراشه‌ها در کنار کاهش هزینه ارائه شده توسط قانون مور را از دست خواهند داد. شاید در ۱۰ سال یا ۳۰ سال آینده شما واقعا به دستگاهی با آن قدرت محاسباتی اضافی نیاز داشته باشید. مشکل ما این است که جانشینان تراشه­ های امروزی (CPU) هنوز ناشناخته هستند و سال‌ها تحقیق و توسعه اساسی برای ایجاد آنها نیاز است. پس اگر نگران این هستید که چه چیزی جایگزین قانون مور شود، زمان ترسیدن شماست؛ چرا که افراد بسیار باهوشی در هوش مصنوعی وجود دارند که از محدودیت‌های‌ سخت افزاری در زمینه پیشرفت‌های قدرت محاسباتی آگاه نیستند.تحت تعقیب: برنامه مارشال برای تراشه‌ها*مارشال طرح کمک مالی گسترده آمریکا به کشورهای اروپایی برای ترمیم خرابی‌های جنگ جهانی دوم بود.در سال 2018 ، فوچ و همكارانش در CMU) Carnegie Mellon University)، حسن‌خان و دیوید هونشل مقاله­ای را نوشتند كه تاریخچه قانون مور را ردیابی می‌­كند و تحولات مربوط به فقدان همکاری صنعت و دولت را نشان می­دهد، همکاری كه سبب پیشرفت­ در دهه ­های اولیه اعلام قانون مور بود. آنها استدلال كردند كه "پراکندگی مسير تکنولوژی و سودآوری خصوصی و کوتاه مدت بخش­های جديد" نشان می‌دهد ما بايد به دنبال افزایش سرمایه‌گذاری‌های عمومی برای دست‌یابی به تكنولوژی­ های بزرگ بعدی باشیم.اگر ادعا اقتصاددانان راست باشد که بسیاری از پیشرفت‌های دهه ۱۹۹۰ و اوایل ۲۰۰۰ مدیون ریزتراشه‌هاست و اگر ادعای آن دسته که می‌گویند کاهش سرعت پیشرفت از اواسط دهه‌ی اول ۲۰۰۰، به دلیل کاهش رشد قدرت محاسباتی ریزپردازنده‌هاست پس ما باید به دنبال سرمایه‌گذاری بزرگ برای یافتن جانشینان فناوری‌ امروزه‌مان باشیم و ما اینکار را نمی‌کنیم و این یک شکست سیاسی برای ماست.هیچ تضمینی وجود ندارد که این سرمایه گذاری ­ها نتیجه بدهد. هرچند محاسبات کوانتومی، ترانزیستورهای نانولوله‌های کربنی، حتی اسپینترونیک(spintronics)، شانس‌های خوبی به نظر می‌آیند اما هیچ‌یک جایگزین امیدی نیستند که گوردون مور برای اولین بار در یک مدار یکپارچه ساده دید. اکنون ما به سرمایه‌گذاری­ های تحقیقاتی نیاز داریم. چرا که یک موضوع قطعی است: ما همیشه قدرت محاسباتی بیشتری ‌می‌خواهیم.این نوشته خلاصه‌ای از مقاله We’re not prepared for the end of Moore’s Law میباشد. رسا خسروشاهلی رسا خسروشاهلی Sun, 10 May 2020 00:36:15 +0430 https://virgool.io/LogisiaMag/%D8%B2%D8%A8%D8%A7%D9%86%C2%AC%D9%87%D8%A7%DB%8C-%D8%A8%D8%B1%D9%86%D8%A7%D9%85%D9%87-%D9%86%D9%88%DB%8C%D8%B3%DB%8C-%D8%AF%D8%B1-%D8%B9%D9%84%D9%85-%D8%AF%D8%A7%D8%AF%D9%87-pbzbbuhtngk7 زبان­های برنامه نویسی در علم دادهتحلیل داده قسمت اصلی شغل بسیاری از مردم است. افزایش دسترسی به داده، نیاز به محاسبات پرقدرت و تاکید بر تصمیم تحلیل- محور در تجارت جدید­، سبب رشد علم داده شده‌اند. بنا بر گزارش منتشر شده از IBMدر سال 2015، تعداد شغل­های متقاضی برای تحلیل داده در دنیا دو میلیون و ۳۵ هزار نفر بوده است. تخمین زده میشود که این تعداد تا سال ۲۰۲۰ به عدد 2 میلیون و ۷۲ هزار نفر خواهد رسید.پایتون و R، دو زبان بسیار معروف برنامه نویسی در علم داده هستند. هر دو زبان، متن باز و رایگان بوده و انتخاب بین این دو، بسیار کار سختی است. هدف از طراحی زبان R، تحلیل آماری و هدف از طراحی زبان Python، برنامه نویسی چند منظوره است اما یادگیری هر دو زبان برای کسانی که در زمینه­ی یادگیری ماشین، کار با مجموعه داده­ها یا به ایجاد نمودار­های پیچیده از داده­ها علاقه مندند، ضروری است. در این مقاله قصد داریم قابلیت‌های این دو زیان را در حوزه علم داده مقایسه کنیم.پایتون (Python)پایتون در سال 1989 با فسلفه­­ی کاهش حجم کد، افزایش خوانایی و کارآمدی منتشر شد. دارای خاصیت شی‌گرایی بوده و کمک می‌کند تا داده­هایمان را به صورت منظم دسته‌بندی و بین کدها ارتباط برقرار کنیم. تا چند سال اخیر پایتون کتابخانه‌های مناسبی برای یادگیری ماشین و تحلیل داده نداشت. اخیراً کتابخانه­­هایNumpy, Pandas, Scipy Scikit-learn, Seaborn برای تحلیل داده به پایتون اضافه شدند. خوانایی و راحتی در کد نویسی پایتون کار را برای علاقه­مندان در این حوزه راحت کرده‌است و اگر شما نیاز به نمایش نتایج بر روی اپلیکیشن یا وب‌سایت خود هستید، زبان چند منظوره پایتون انتخاب درستی برای شما خواهد بود.آر (R)زبان R در سال 1992 منتشر شد و در آن زمان محبوب­ترین زبان برای دانشمندان داده بود. R یکی از زبان­های قدرتمند و دارای اکوسیستم­های غنی­ای برای تحلیل داده است. در حدود 12000 پکیج در منبع CRANدارد که سبب می­شود به راحتی هر کتابخانه­ای برای تحلیل داده­های خود در اختیار داشته باشید. ویژگی غنی بودن این زبان باعث شده تعداد زیادی از دانشمندان علوم داده، R را به عنوان زبان اول استفاده کنند.تفاوت اصلی این زبان با زبان­های دیگر در خروجی محصول میباشد. R ابزار­های قوی برای نشان دادن خروجی برنامه دارد. نرم افزار RStudioکه محیط اصلی برای نوشتن کد این زبان است، با کمک کتابخانه knitrساخته شده که خود این کتابخانه توسط Xie Yihui پیاده‌سازی شده­ است.از طرف دیگر، سرعت کم، کمبود امکانات مانند تست کردن (unit testing) و فریم ورک­­های وب از دلایل اصلی کم شدن محبوبیت ابن زبان می‌شود.عملکرد دیتاساینسحال بیاید در 4 شاخه این دو زبان را با هم مقایسه کنیم.1. جمع آوری داده2. اکتشاف در داده3. مدل ­سازی داده4. تجسم­ دادهجمع آوری دادهپایتون و R میتوانند از انواع فرمت­های داده­ای مانند Excel, CSV, JSON, SQL پشتیبانی کنند. می‌دانیم امروزه سریع‌ترین راه برای دریافت اطلاعات اینترنت است و پایتون و R به راحتی با کتابخانه­های خود می توانند در یک خط کد درخواست­ HTTPانجام دهد و از اینترنت داده­ها را بگیرند. همچنین این دو زبان می­توانند با نرم­افزار­هایSPSS, Stata, SAS, JMP ارتباط برقرار کنند اما نرم­افزار Minitab توانایی ارتباط با زبان Rرا دارد.اکتشاف در دادهدر پایتون برای استخراج داده­ها باید از کتابخانه Pandas استفاده کنید. این کتابخانه قادر است تعداد زیادی از داده­ها را استخراج و در دیتافریم­های خود ذخیره کند و بر روی آن­ها به سرعت اعمال فیلتر، مرتب­سازی، نمایش داده­ را اجرا کند. با دیتافریم Pandasمی‌توانید توابع گسترده­ای در اختیار داشته باشید، تنها کافی است که به داکیومنت کتابخانه مراجعه کنید و نحوه کار با تمام توابع­ را ببینید.زبان R ساخته شده‌است تا محاسبات آماری و عددی در داده­های بزرگ انجام دهد. در نتیجه عجیب نیست که توابع زیادی در اکتشاف داده داشته باشد. همینطور شما قادر خواهید بود از توزیع­های احتمالی، آزمایش‌های آماری و تکنیک­های یادگیری ماشین و داده­‌کاوی بهره ببرید. از کابرد­های دیگر در زبان R می‌توان به پردازش سیگنال، بهینه سازی، تولید اعداد تصادفی و یادگیری ماشین اشاره کرد.مدل­سازی دادهدر پایتون می‌توانید برای محاسبات و تحلیل عددی از Numpy، برای محاسبات مهندسی و ریاضیات از SciPy و برای دسترسی به الگوریتم­های یادگیری ماشین از scikit-learn استفاده کنید.در R به منظور طراحی مدل­های تحلیلی می‌توان از پکیج­های خارج از هسته­ی Rاستفاده کنید و همینطور پکیج­های زیادی برای تحلیل­های خاص منظوره مانند توزیع پواسون و ترکیبی از قوانین احتمالات وجود دارد.تجسم­ دادهدر پایتون محیط قوی و دارای قابلیت­های زیاد برای تجسم­ داده­ها وجود دارد مانند نوت بوک Jupyter که محیط متن باز Anacondaاست. برای ایجاد چارت­ و گراف­های ساده از داده­های خود می‌توانید از کتابخانه­ی Matplotlib و همچنین برای ایجاد گراف­های پیشرفته­تر از کتابخانه­ی Plot.ly بهره ببرید.زبان R به منظور تحلیل آماری و نمایش نتایج ساخته شده و دارای محیط قدرتمند و مناسب برای تجسم­سازی علمی با پکیج­هایی که برای نمایش گرافیکی نتایج می‌باشد. همچنین شما قادر خواهید بود نتایج را به صورت تصویر (jpg.) یا PDF ذخیره کنید.سوالاتی که قبل از انتخاب زبان باید از خودتان بپرسید...آیا تجربه­ی برنامه نویسی دارید؟اگر شما از قبل تجربه برنامه نویسی با زبان­های دیگر را دارید، زبان پایتون مناسب شما است. کدهای پایتون شباهت بسیاری با زبان های دیگر دارد. خوانایی زبان پایتون به شما کمک میکند تا در پیشرفت دقت کدهایتان زمان کمتری بگذارید در صورتی که نامفهومی زبان R سبب می‌شود که در مرحله پیشرفت کد به دشواری برسید.آکادمیک یا صنعت؟یادگیری ماشین، یکی از زیرشاخه­های هوش مصنوعی است در حالی که یادگیری آماری، که از اسمش پیداست، از زیرشاخه‌های آماری است. یادگیری ماشین تاکید بیشتری بر برنامه­های گسترده و دقت احتمالات دارد ولی یادگیری آماری تاکید بر روی تفسیر مدل­ها، دقت، عدم قطعیت، خروجی­های نموداری و ترسیمی­ دارد.گرافیک خوب برای نمایش دیتا؟برای نمونه برداری و کار با دیتاست­ها برای ساخت مدل یادگیری ماشین، R از پایتون بهتر عمل می‌کند. پایتون از کتابخانه Matplotlib اما زبان R از کتابخانه­های ggplot2, htmlwidgets, Leaflet استفاده می‌کند که در حوزه تجسم داده (Data visualization) نتایج بهتر داشته است.نتیجهزبان پایتون، زبان قدرتمند و همه کاره بوده اما بدون کتابخانه­هایش عملاً کمکی به ما نمی‌تواند بکند. از طرفی، زبان R یک محیط مخصوص برای تحلیل داده است که از طرف دانشمندان علوم داده، محبوبیت زیادی دارد. اگر بخواهید یک روزی در حوزه علم داده فعالیت کنید، به این زبان نیاز خواهید داشت.یک واقعیتی که در اینجا مطرح میشود این است که هر دو زبان­ها دارای ابزار­های قدرتمندی هستند. در زمینه علم داده­ همه‌کاره بودن، انعطاف پذیری و آسانی در پیشرفت یک زبان دارای اهمیت زیادی است. برای کار کردن در این حوزه باید جفت این زبان­ها را یاد بگیرید و از هر دو استفاده کنید تا بتوانید یک دانشمند علم داده­ی بهتری باشید!منابعhttps://medium.com/@data_driven/python-vs-r-for-data-science-and-the-winner-is-3ebb1a968197https://www.guru99.com/r-vs-python.html رسا خسروشاهلی رسا خسروشاهلی Wed, 18 Mar 2020 20:48:32 +0330 https://virgool.io/LogisiaMag/%D8%AA%DA%A9%D9%86%D9%88%D9%84%D9%88%DA%98%DB%8C-%D8%B2%D8%A8%D8%A7%D9%86-%D9%87%D8%A7%DB%8C-%D8%B3%D8%AE%D8%AA-%D8%A7%D9%81%D8%B2%D8%A7%D8%B1%DB%8C-n25wgvazr0yi زبان طراحی سخت‌افزار، زبانی مخصوص برای تعریف ساختار و رفتار مدارهای الکترونیکی است. ما با استفاده از این زبان‌ها اتوماسیون‌های الکترونیکی، یعنی ماشین‌هایی که ورردی­‌ و خروجی­‌شان برق است، طراحی می‌کنیم،. برای مثال، انواع ریزپردازنده‌ها، ICها و دستگاه‌های منطقی برنامه پذیر. زیبایی طراحی این مدارات آنجاست که شما کاملا حس می‌کنید که یک جریان برق از کجا، به کجا و در چه زمانی برود و گاهی خیال می‌کنید که خودتان همین الکترونی هستید که مدار را تغذیه می‌کند. در این مقاله با ما همراه شوید تا بیشتر با این دسته زبان‌ها بیشتر آشنا شوید.زبان‌های طراحی سخت‌افزار از کجا آمده‌اند؟زبان‌های طراحی سخت‌افزار به این منظور ساخته شدند که مدارات الکترونیکی در یک محیط مجازی شبیه‌سازی و تست شوند تا در صورت پیاده‌سازی اشتباه، خسارت مالی کمتر شود. دو زبان اصلی و معروف این حوزه، Verilog و VHDL هستند که هر چند از نظر رفتار و ساختار با یکدیگر تفاوت دارند ولی برای کسی که یکی از این دو زبان را یاد گرفته باشد، یادگیری زبان دیگر کار بسیار راحتی خواهد بود.هرچند اولین زبان طراحی سخت‌افزار در اواخر سال ۱۹۶۰ معرفی شد اما اولین زبان مدرن که Verilog نام داشت توسط شرکت Gateway Design Automation در سال 1985 به بازار عرضه شد. پنج سال بعد شرکت Cadence Design Systems نسخه اولیه را خرید و در سال‌های 1995، 2001 و 2005 تغییراتی روی آن اعمال کرد تا در نهایت، آخرین نسخه آن به نام System Verilog عرضه کرد. نسخه پایانی شباهت زیادی به زبان C++ در قسمت طراحی شی‌گرا و garbage collector (آشغال جمع‌کن) دارد.دومین زبان اصلی طراحی سخت‌افزار یعنی VHDL‌ در سال ۱۹۸۷ توسط وزارت دفاع آمریکا و به صورت انحصاری برای سیستم‌های داخلی هواپیماهای جنگی و ادوات جنگی، از روی زبان Ada، گسترده شده­­ی زبان پاسکال طراحی شد.زبان طراحی سخت‌افزاری چگونه کار می‌کند؟یک زبان طراحی سخت افزاری شبیه زبان‌های برنامه‌نویسی دیگر مانند C و C++ است؛ متنی است که ساختارهای تعریف‌ و بلوک‌های موازی و سری دارد، اما یک تفاوت اصلی آن با دیگر زبان‌ها، وجود معیار خیلی مهم زمان است. در زبان‌هایی که برای طراحی سخت‌افزار به کار می‌رود، باید همه‌ی کارها با کلاک ساعت همگام شود.یک نمونه از زبان VHDL :شباهت بسیار با زبان قدیمی Pascal و بلوک‌های مشخص شده با اسم مشخص که خواندن برنامه را ساده‌تر میکند.این زبان­ها نیازمند یک قسمت سنتز منطقی برای طراحی سخت‌افزار‌ی‌اند. این قسمت به منظور استفاده از ترانزیستور­ها و گیت­ها طراحی شده و در مرحله آخر یک فایل RTL Design سنتزشده تولید می‌کند که نشان دهنده­ی شماتیک لایه‌ای مدار است. سوال اصلی‌ در طراحی این بخش این است که تعداد ترانزیستور و ابعاد شماتیک چه مقدار باشد تا مدار بهینه شود. هر چند چالش­های دیگر مانند سرعت پردازش ، میزان برق مصرفی و هزینه نیز گریبان‌گیر مهندسان است.چگونه یک مدار الکترونیکی با این زبان‌ها طراحی کنیم؟در ابتدای طراحی یک سیستم سخت افزاری باید فلوچارت و دیاگرام حالت را طراحی کنید و پس از یافتن بهینه­ترین و درست­ترین راه طراحی، شروع به نوشتن کد نمایید، چرا که بهینه‌سازی معیار زمان، ورودی و خروجی‌های سخت افزاری کار بسیار سخت است و به تجربه و مهارت نیاز دارد و امکان ندارد در بار اول برنامه بدون خطا اجرا شود.زمانی که نوبت بهDebugging می‌رسد، مشکل ورودی دادن و خروجی گرفتن نمایان می‌شود، زیرا ورودی یک مدار مانند زبان‌های کامپایلری دیگر مثل C نیست، بلکه به یک مدار شبیه‌ساز به نام Test Benchنیاز است، مداری که شبیه برنامه‌ اصلی نوشته می‌شود و سپس ورودی‌ها با استفاده از تاخیر­های زمانی، به مدار داده و خروجی­ها را دریافت ‌می‌شود.یک نمونه از تست گرفته شده از یک سیستم PLAدو حالت کلی سری یا موازی بودن در طراحی سخت افزار وجود دارد که باید در نوشتن کد رعایت شود و اگر نه برنامه جواب درست به ما نمی‌دهد. به ویژه در طراحی ماژول‌هایی که ورودی و خروجی­‌شان به یکدیگر ارتباط دارند، مثلا ماژول‌های که ورودی‌شان در زمان اجرا از خروجی یک قسمت دیگر مدار تامین می‌شود باید به صورت سری و ترتیبی طراحی شوند و تا مقدار خروجی ماژول قبلی، آماده نشده است، ماژول بعدی اجرا نشود. در همین حین امکان دارد چند ورودی یک ماژول از خروجی چندین ماژول دیگر استفاده کنند، در این حالت باید اصول موازی کار کردن رعایت شود.در پایان توجه داشته باشید که نگاه سخت‌افزاری و نرم‌افزاری خیلی متفاوت هستند و شاید کسی که در رشته‌ی نرم‌افزار مهارت بسیار زیادی داشته باشد، در سخت افزار نتواند طراحی درست انجام دهد زیرا که کاملا دو دنیای متفاوت اما یک زبان مشترک هستند! رسا خسروشاهلی رسا خسروشاهلی Thu, 05 Mar 2020 12:42:43 +0330