جنگولرن

توی جنگو alias کاربردش چیه؟

این کوئری 1:

products = Product.objects.alias(
    discounted_price=F("price") * 0.8
).filter(
    discounted_price__lt=500_000
)

اینم کوئری 2:

products = Product.objects.annotate(
    discounted_price=F("price") * 0.8
).filter(
    discounted_price__lt=500_000
)

حالا عکس رو ببین (کد sql این دو تا دستوره)
متوجه شدی؟ وقتی از alias استفاده می کنی، اون ستون توی خروجی نمیاد.
کوئری ش گفته: محصولاتی رو بده که اگه فلان درصد تخفیف خوردن، کمتر از فلان مبلغ بشن. میزان تخفیفی که خوردن رو نیاز نداره.

به نظر شما، روش بهتری هم هست؟
@DjangoLearn_ir

فرق only با defer چیه؟

یادتونه توی form ها و orm میشد از exclude کرد.
کار exclude توی form این بود که فیلد مشخص شده رو نمیخوام توی خروجی بیاری.
توی orm هم میگفت اون رکوردهارو توی نتیجه نشون نده.

اما defer میگه فیلدها (یا ستون هایی) که میگم رو توی خروجی نیار. برعکس only میشه.

به قول Ali که توی کامنت only گفت. اینجا هم اگه بخوای به فیلدی که defer ش کردی اشاره کنی دوباره کوئری میخوره و بدترش هم میکنی.

لینک مستندات:
https://docs.djangoproject.com/en/6.1/ref/models/querysets/#defer

@DjangoLearn_ir

توی جنگو با only میشه مقداری پرفورمنس رو بهتر کرد.

عکسهارو ببین.
وقتی از only استفاده کرده، کوئری تفاوت داره با وقتی که از get استفاده کرده.

قبلا مهندس عموزاده اینجا در موردش مفصل گفته بودن.

پس با only کوئری ما فقط فیلدهایی که لازم داریم رو select میکنه.
لینک مستندات:
https://docs.djangoproject.com/en/6.1/ref/models/querysets/#django.db.models.query.QuerySet.only

@DjangoLearn_ir

از @ever_code ، منم آخر همین پست یه چیز اضافه کردم.

تو دوران هوش مصنوعی، نه تنها سرعت تولید کد زیاد شده، بلکه ابعاد دیگه هم تغییرات بنیادی زیادی داشتن.
امروز، با صحبت کردن، در کمترین زمان از ایده تا طرح اولیه میرسیم. صنعت دیزاین هم از این موضوع در امان نمونده. خانم Katie Dill، مسئول دیزاین کمپانی Stripe، توی این ویدیو میاد از این موضوع حرف میزنه.
یکی از چیزهایی که بهش اشاره میکنه، Zombie UI هست. با حضور AI سایت هایی که در دو دقیقه زده میشن، یکی از مهم ترین عناصر طراحی رو در خودشون ندارن. هدف یا بقول خودش intentionality.
از تاریخ میگه که چرا بعد از جنگ جهانی دوم، خیلی از ساختمان ها شبیه هم شدن و هدف طراح توی اون دوران گم شد، و تشبیهش میکنه به الان که همه سایت خودشون رو میزنن اما توی رابط های کاربری، هدف از بین رفته. همچی یک شکل شده و اون طراحی دیگه معطوف به تجربه کاربری نیست.
یکی از نکته هایی که مطرح میکنه راجب اینه که هوش مصنوعی خیلی سریع به ما حس "تموم" شدن محصول رو میده.
بنظرم خیلی ویدیوی آموزنده و تامل برانگیزیه و جا داره چندین بار دیده بشه. وقتی همه دارن از نحوه بهتر کد زدن و سریعتر به محصول نهایی رسیدن صحبت میکنن، خوبه که یکم ترمز بگیریم و به کاربر بیشتر فکر کنیم بجای اینکه سریع محصول رو "تموم" کنیم.

https://youtu.be/GLvFTMtw4Jk?si=QLXreZR2XgtAHiPV

جنگولرن:
یه جا نوشته "بعد از جنگ جهانی دوم، خیلی از ساختمان ها شبیه هم شدن"
الان همه بنرهای ویدئوها و اطلاع رسانی ها و... که با هوش مصنوعی ساخته میشن، خیلی شبیه هم شدن.
چیت شیت و نکته ها و... هم همه شبیه هم شدن. خیلی هم شلوغ و درهم هستن. من که نمیخونمشون
به شخصه، هر روز دارم از ai سوء استفاده میکنم. منظورم اینه مخالف ai و استفاده کردنش نیستم.

نظر شما به نظر من نزدیکتر است؟ 👍🏻 وگرنه 👎🏻

بالاخره منم دارم DRF رو شروع میکنم که یاد بگیرم
جنگو رو که یاد نگرفتیم، شاید اینو با ai یاد گرفتیم 🥸

این source توی فیلدهای سریالایزر برام جالب بود. داکیومنتش هم باحاله.

من فیلد شهرستان داشتم توی یه table، ولی میخواستم که توی یه فرم خاص، آیدی استان رو هم داشته باشم.

ولی توی مدلم فیلد استان نبود. با این source اینجوری به آیدی استان دسترسی پیدا کردم:

province = serializers.IntegerField(source='city.province_id', read_only=True, allow_null=True)

البته روش های دیگه هم بود. ولی این جالب بود برام. توی داکیومنت مشکلات احتمالی ش هم گفته:
https://www.django-rest-framework.org/api-guide/fields/#source

@DjangoLearn_ir

این پست از @dotnet_internals جالب بود.
با دقت بخونیدش


آندری کارپتی (Andrej Karpathy) یه توییت جالب زده در مورد اینکه با قوی‌تر شدن LLMها، کار اصلی ما دیگه تولید محتوا نیست، بلکه فهمیدن و نظارت روی خروجی‌هاشون می‌شه. یعنی مدل‌ها دارن بیشتر و بیشتر کار سنگین رو خودشون انجام می‌دن و ما باید بریم سمت لایه‌های بالاتر و بفهمیم واقعاً چی دارن می‌گن.

چند تا ترفند باحال و عملی پیشنهاد داده که من هم کم‌کم دارم امتحانشون می‌کنم:

نوشتن با ASD-STE100: بگید مدل مطلب رو با زبان کنترل‌شده ASD-STE100 بنویسه. این استاندارد اصلش برای مستندات نگهداری هواپیما و تجهیزات هوافضا طراحی شده و قوانین خیلی سختگیرانه‌ای داره (جمله‌های کوتاه، فعل‌های مشخص، دیکشنری محدود، بدون ابهام و استعاره‌های پیچیده). نتیجه‌ش اینه که متن خیلی تمیز، مستقیم و خوانا می‌شه. اگر خیلی خشک شد، می‌تونید بگید «۸۰ درصد نزدیک به ASD-STE100» تا یه کم نرم‌ترش کنه. برای توضیح‌های فنی و پیچیده عالیه، چون مغزتون کمتر خسته می‌شه.

نمودار و دیاگرام به جای متن: به جاش مستقیم ازش بخواید دیاگرام، flowchart یا mermaid یا تصویر مفهومی بسازه. مغز ما اطلاعات بصری رو خیلی سریع‌تر پردازش می‌کنه و پارس کردنش راحت‌تره. مخصوصاً وقتی موضوع پیچیده باشه، یه دیاگرام خوب می‌تونه کل ایده رو در چند ثانیه منتقل کنه، در حالی که متن ممکنه چند پاراگراف طول بکشه.

خروجی به صورت HTML: بگید خروجی رو به صورت HTML کامل بده. مدل‌های جدید واقعاً تو فرانت‌اند قوی شدن و می‌تونن صفحه‌های وب قشنگ، اینتراکتیو، با انیمیشن و استایل مدرن بسازن. به جای یه متن خشک، یه تجربه‌ی تعاملی می‌گیرید که می‌تونید روش کلیک کنید، اسکرول کنید یا حتی چیزایی رو تست کنید. برای فهمیدن مفاهیم پیچیده خیلی کمک‌کننده‌ست.

ویدیوهای explainer سفارشی (بهترینش اینه!): کارپتی می‌گه بیشتر از همه به این فرمت امیدواره. از مدل بخواید یه ویدیوی کامل و اختصاصی به سبک 3Blue1Brown بسازه (همون انیمیشن‌های ریاضی و مفهومی تمیز و قشنگ). می‌تونید بگید از API کی ElevenLabs برای narration استفاده کنه یا جایگزین‌های رایگان/لوکال پیدا کنه. اینطوری برای هر موضوعی که بخواید، یه ویدیوی آموزشی شخصی‌سازی‌شده می‌سازید که قبلاً ساختنش زمان و هزینه‌ی دیوانه‌کننده‌ای داشت.خلاصه‌ش

اینه که هوش مصنوعی داره انقدر زیاد و ارزون می‌شه که می‌تونیم ازش artifactهای بزرگ و دورریختنی بسازیم (وب‌اپ، ویدیو، دیاگرام‌های پیچیده و غیره) که قبلاً اصلاً به‌صرفه نبود. کار ما داره می‌ره به لایه‌های بالاتر abstraction و oversight، و جالب اینجاست که خود LLMها می‌تونن تو همین بخش هم کمک‌مون کنن.

به نظرم خیلی نکته‌ی درستیه، مخصوصاً برای ما که هر روز با اینا کار می‌کنیم. حتماً امتحان کنید و نتیجه‌ش رو بگید 🔥

پ.ن: آندری کارپتی یکی از استادای واقعی و پیشگام‌های حوزه LLM و deep learning حساب می‌شه. قبلاً مدیر AI تسلا بوده، از بنیان‌گذاران اولیه OpenAI، و یکی از بهترین‌ها در توضیح شفاف و عمیق مفاهیم هوش مصنوعیه. وقتی حرف می‌زنه، معمولاً ارزش گوش دادن داره.

لینک توییت:
https://x.com/karpathy/status/2105819303471976479

سلام به همه

سعی کردم توی تلگرام محتوای مربوط به کتاب طراح سایت رو منتشر نکنم که رو مخ نباشه.

این سه تا ویدئو، محتوای کتاب نیستن، ولی برای فهمیدن مفاهیم دیتابیس شاید به درد بعضی ها بخوره.

اولی) چرا به پایگاه داده نیاز داریم؟
لینکش:
https://www.aparat.com/v/juy6g76

دومی) نرم افزارهای مدیریت پایگاه داده
لینکش:
https://www.aparat.com/v/lpsizd4

سومی) پایگاه داده رابطه ای
لینکش:
https://www.aparat.com/v/vqf9uul

@DjangoLearn_ir

قانون پارکینسون میگه کار اونقدر کش پیدا می‌کنه تا زمانی که برای تکمیلش داریم رو پر کنه. پروژه‌هایی که ددلاینی ندارن، بیشتر از اونچه که باید زمان می‌گیرن و ست کردن ددلاین‌های چالشی (منظور ددلاین غیرممکن نیست) باعث میشه نتایج بهتری بگیریم. اینجا مفهومی به اسم Iron Triangle میاد وسط که سه تا محدودیت کلیدی یه پروژه رو تعریف می‌کنه: اسکوپ، منابع و زمان. با تغییر یکی، دو تای دیگه تغییر می‌کنن.

[مقاله]
از @techstuff100

من این مشکل رو دارم. اگه هم درد هستیم 👍 بزن 😁

آفرین به صفا

قبلا برای بچه های مدرسه مون صحبت کرده بود.

بازم باید دعوتش کنم.

https://worldskills2026.com/skills/cyber-security/

بعضی وقتها ممکنه مدل های ما کدشون زیاد بشه (چاق بشن)
اگه چندتا مدل توی یه فایل داشته باشیم میتونیم برای هر کدوم یک فایل مجزا ایجاد کنیم
و برای اینکه مثل قبل مثلا بنویسیم import models.Post از فایل __init__.py کمک میگیریم.

عکس از از کتاب جنگو دیزاین پترن هست

منبع در داکیومنت جنگو:
https://docs.djangoproject.com/en/6.1/topics/db/models/#organizing-models-in-a-package

@DjangoLearn_ir

✅ کاربرد Data Migrations توی جنگو چیه؟
با استفاده از Data migrations می تونیم داده های پیش فرضی هنگام Migrate کردن به دیتابیس اضافه کنیم.
🙄 خیلی ساده یعنی چی؟
وقتی ما مدل هارو میسازیم و makemigrations بعدش migrate می کنیم، جداول توی دیتابیس برای ما ساخته میشه. اما هیچ دیتایی ندارند.
حالا فرض کنید به هر دلیلی میخواهیم بعد از
migrate
توی جدول خاصی دیتا داشته باشیم، می تونیم از این قابلیت استفاده کنیم. توی استک های دیگه بهش seed data هم میگن.

البته خیلی ها از fixture استفاده میکنن. اما گاهی اوقات این بیشتر به کار میاد.

کجا بیشتر بکار میاد به نظرتون؟

https://docs.djangoproject.com/en/dev/topics/migrations/#data-migrations

به عنوان یک معلم، یادگیری برای من امیده،
به عنوان یک پدر، یادگیری برای من مسیر نجات فرزندم از جهله،
و به عنوان یک انسان، یادگیری برای من حق طبیعیه که نباید به خاطر جبر جغرافیایی از کسی گرفته بشه.

در نهایت به عنوان یک دیجی کالایی،امروز دیجی کالا مهر برای من مسیر رسیدن به: امید یک معلم، مسیر نجات یک فرزند و احقاق حق اولیه یه انسانه.

ازتون میخوام در صورتی که امکانش رو دارید در پویش "هر جا که تویی" شرکت کنید و برای آینده کودکان کشورمون سهمی داشته باشید :

https://mehr.digikala.com/madrese-besaz/

@learning_with_m

سلام به همه.
توی پست قبلی، خیلی ها لطف کردن و جواب دادن. همه رو دادم چتجیپیتی خلاصه کرده. و پیدی اف ش کردم. اینم جمع بندی که داشته:

لینک پست قبلی:
https://lnkd.in/e7dvRq2t

نتیجه کلی از پاسخ ها
تقریبا هیچ پاسخ واحدی وجود ندارد که همه درباره آن اتفاق نظر داشته باشند. بعضی افراد آینده را بسیار امیدوارکننده می بینند، بعضی درباره کاهش فرصت های شغلی هشدار می دهند و بعضی حتی معتقدند ممکن است بخش بزرگی از مشاغل کامپیوتری دستخوش جایگزینی شوند.
اما نقطه مشترک بخش بزرگی از پاسخ ها این است:
مسئله اصلی دیگر این نیست که «آیا AI می تواند کد بنویسد؟»
بلکه این است که:
کسی که کامپیوتر می خواند، آیا می تواند مسئله را بفهمد، راه حل طراحی کند، خروجی AI را ارزیابی کند و از AI برای ساختن چیزهای واقعی استفاده کند؟
در واقع، بیشتر پاسخ ها بحث را از «ترس از جایگزین شدن» به سمت «تغییر نوع مهارت مورد نیاز» برده اند.

@DjangoLearn_ir

یه ربات ساختم که کانال تلگرام و کانال بله‌تون رو بهم وصل میکنه، هر پستی اینور بزارید اونور هم میاد، اونور بزارید اینور میاد. دیگه لازم نیست روزی ده بار کپی پیست کنید عین کارمند اداره پست.
از @SEYED_BAX
کد این ربات بصورت اوپن سورس در دسترس هستش، شاید دوست داشته باشید ببینید ربات های سرورلس چطور نوشته میشن :

https://github.com/mohamadkhoshnava/CopyToBaleBot

اینو گوش بدید.
تجربه های من برای کار پیدا کردن.
از روش جدید خودم توی این ویس رونمایی کردم.

🎧 تجربه ورود به بازار کار

👤 مهمان این قسمت: میلاد حاتمی
🔹 مدرس و توسعه‌دهنده دات‌نت در شرکت آنی‌یاب

🔗 شبکه‌های اجتماعی مهمان:
- لینکدین
- کانال تلگرام

🏷 تگ‌ها:
#EP4 #TP1

09:48 چطوری توی این شرایط شغل پیدا کنیم؟

📌 پادکست [Radio A.M] را در تلگرام دنبال کنید

Put localhost on the Internet

https://try.cloudflare.com

من که هنوز تست نکردم. ولی از اونجایی که هوش مصنوعی باعث میشه: ایده های زیادی فرصت تست داشته باشن
با این ابزارها با هزینه کمتر می تونیم بفهمیم اون ایده خفنه که تو ذهنمون بود، اصلا هم خفن نبود 😂

نسخه اصلاح شده کتاب طراح سایت 1405

عکس های این نسخه با کیفیت هستن.

یه سری ایرادات هم اوکی شدن

@DjangoLearn_ir