اگر قرار بود امروز در سال 2021 علوم کامپیوتر را از ابتدا یاد بگیرید ، چگونه باید این کار را انجام دهید؟

چگونه می توانم علوم کامپیوتر را از ابتدا یاد بگیرم

همین مقاله به صورت ویدئویی موجود است.

1. یک زبان انتخاب کنید.

یکی را انتخاب کنید که معمولاً مورد استفاده قرار می گیرد و مورد آزمایش قرار می گیرد.

گزینه های عالی:

جاوا C/C ++ جاوا اسکریپت

تحت سفارشات مبتدیان: مسابقه به آدرس یکی از بزرگترین چالش ها در علوم رایانه ای مدرن

در ژانویه 2019 ، NIST 69 مورد را برای استانداردسازی رمزنگاری پس از کوانتوم (PQC) ارسال کرد و فهرست کوتاه تری از 29 مورد را ایجاد کرد. این فرایند با هدف حل مشکل اصلی کامپیوترهای کوانتومی انجام می شود. شکستن لگاریتم های گسسته ، رمزنگاری منحنی بیضوی (به عنوان مثال ECDH برای مبادله کلید و ECDSA برای دیجیتال ...

ARTICLE

ARTICLE

خط چشم انداز رایانه ای ، قسمت 4: استخراج ویژگی

از آموزش عمیق برای سیستم های بینایی توسط محمد الجندی

در این بخش ، ما نگاهی به استخراج ویژگی ها بیندازید - یکی از اجزای اصلی خط لوله بینایی رایانه. فقط کافی است fccelgendy را در جعبه کد تخفیف در هنگام پرداخت در manning.com وارد کنید. ________________________________________________________________________

قسمت 1 را برای معرفی خط لوله دید رایانه ، قسمت 2 را برای مرور کلی تصاویر ورودی و قسمت 3 را برای پیش پردازش تصویر مطالعه کنید.

استخراج ویژگی

استخراج ویژگی یکی از اجزای اصلی خط لوله بینایی رایانه است. در واقع ، کل مدل یادگیری عمیق بر اساس ایده استخراج ویژگی های مفید که به وضوح اشیاء موجود در تصویر را مشخص می کند ، کار می کند. ما زمان بیشتری را در اینجا می گذرانیم زیرا مهم این است که درک کنید ویژگی چیست ، بردار ویژگی ها چیست و چرا ویژگی ها را استخراج می کنیم.

یکی از ویژگی های یادگیری ماشین یک فرد است ویژگی یا ویژگی قابل اندازه گیری پدیده ای که مشاهده می شود. ویژگی ها ورودی ای هستند که به مدل یادگیری ماشین خود وارد می کنید تا یک پیش بینی یا طبقه بندی را تولید کنید. فرض کنید که می خواهید قیمت یک خانه را پیش بینی کنید ، ویژگی های ورودی (خواص) شما ممکن است شامل: مربع_پا ، تعداد_اتاقها ، حمام و غیره باشد و مدل قیمت پیش بینی شده را بر اساس مقادیر ویژگی های شما نشان می دهد. انتخاب ویژگی های خوب که به وضوح اشیاء شما را متمایز می کند ، قدرت پیش بینی الگوریتم های یادگیری ماشین را افزایش می دهد.

ویژگی بینایی رایانه چیست؟

در بینایی رایانه ، یک ویژگی یک قطعه قابل اندازه گیری است داده های موجود در تصویر شما که منحصر به این شیء خاص است. ممکن است یک رنگ متمایز در یک تصویر یا یک شکل خاص مانند خط ، لبه یا بخش تصویر باشد. یک ویژگی خوب برای تشخیص اشیاء از یکدیگر استفاده می شود. به عنوان مثال ، اگر به شما ویژگی ای مانند چرخ بدهم ، و از شما بخواهم حدس بزنید که این وسیله موتورسیکلت است یا سگ. حدس شما چه خواهد بود؟ یک موتور سیکلت. درست! در این مورد ، چرخ یک ویژگی قوی است که به وضوح بین موتور سیکلت و سگ تمایز قائل می شود. اگر همان ویژگی (چرخ) را به شما بدهم و از شما بخواهم حدس بزنید که شی دوچرخه است یا موتورسیکلت. در این مورد ، این ویژگی به اندازه کافی قوی نیست که بین هر دو شیء تمایز قائل شود. سپس باید به دنبال ویژگی های بیشتری مانند آینه ، پلاک ، شاید پدالی باشیم که به طور جمعی یک شی را توصیف می کند.

در پروژه های یادگیری ماشین ، می خواهیم داده های خام (تصویر) را به بردار ویژگی ها تبدیل کنیم. برای نشان دادن الگوریتم یادگیری ما نحوه یادگیری ویژگی های شی.

در تصویر بالا ، ما تصویر ورودی خام موتورسیکلت را به الگوریتم استخراج ویژگی تغذیه می کنیم. بیایید الگوریتم استخراج ویژگی را به عنوان یک جعبه سیاه در نظر بگیریم و به زودی به آن باز خواهیم گشت. در حال حاضر ، ما باید بدانیم که الگوریتم استخراج یک بردار تولید می کند که لیستی از ویژگی ها را شامل می شود. به این می گویند بردار ویژگی ها که یک آرایه 1 بعدی است که نمای قوی از شی را ایجاد می کند.

مهم استبرای اعلام اینکه تصویر بالا ویژگی های استخراج شده فقط از یک موتورسیکلت را نشان می دهد. ویژگی بسیار مهم یک ویژگی تکرارپذیری است. همانطور که در ویژگی باید قادر به تشخیص موتور سیکلت به طور کلی نه فقط این یکی خاص. بنابراین ، در مشکلات دنیای واقعی ، این ویژگی یک کپی دقیق از قطعه در تصویر ورودی نخواهد بود.

اگر برای مثال ویژگی چرخ را در نظر بگیریم ، این ویژگی دقیقاً شبیه چرخ تنها در یک موتورسیکلت نخواهد بود. در عوض ، به نظر می رسد یک شکل دایره ای با برخی الگوها است که چرخ ها را در همه تصاویر موجود در مجموعه داده آموزشی مشخص می کند. وقتی ویژگی استخراج هزاران تصویر از موتورسیکلت ها را می بیند ، الگوهایی را تشخیص می دهد که به طور کلی چرخ ها را بدون توجه به جایی که در تصویر نشان داده می شود و نوع موتورسیکلت آن مشخص می کند.

چه ویژگی خوب (مفید) می سازد ؟

مدلهای یادگیری ماشین فقط به اندازه ویژگیهایی که ارائه می دهید خوب هستند. این بدان معناست که ارائه ویژگی های خوب یک کار مهم در ساخت مدل های ML است. اما ویژگی خوب آن چیست؟ و چگونه می توانید بگویید؟

بیایید با یک مثال در این مورد بحث کنیم: فرض کنید ما می خواهیم طبقه بندی کننده ای بسازیم تا تفاوت بین دو نوع سگ ، Greyhound و Labrador را تشخیص دهد. بیایید دو ویژگی را در نظر بگیریم و آنها را ارزیابی کنیم: 1) قد سگها و 2) رنگ چشم آنها.

بیایید با ارتفاع شروع کنیم. به نظر شما این ویژگی چقدر مفید است؟ خوب ، به طور متوسط ​​، تازی ها چند اینچ بلندتر از لابرادورها هستند ، اما نه همیشه. تنوع زیادی در جهان وجود دارد. بیایید این ویژگی را در مقادیر مختلف در جمعیت هر دو نژاد ارزیابی کنیم. ما می توانیم توزیع ارتفاع را بر روی نمونه اسباب بازی در هیستوگرام زیر تجسم کنیم:

< /img>

از هیستوگرام بالا ، می بینیم که اگر قد سگ بیست اینچ یا کمتر باشد ، بیش از 80٪ احتمال دارد که این سگ لابرادور باشد. در طرف دیگر هیستوگرام ، اگر به سگهای بلندتر از 30 اینچ نگاه کنیم ، می توانیم کاملا مطمئن باشیم که سگ تازی است. حال ، داده های وسط هیستوگرام (ارتفاع از بیست تا سی اینچ) چطور؟ ما می بینیم که احتمال هر نوع سگ بسیار نزدیک است. فرایند فکر در این مورد به شرح زیر است:

اگر ارتفاع <= 20: احتمال بیشتر را به لابرادور

اگر ارتفاع> = 30: بازگشت احتمال بیشتر به تازی

اگر 20 <ارتفاع> 30: برای طبقه بندی جسم به دنبال ویژگی های دیگر باشید

"قد" سگ در این مورد یک ویژگی مفید است زیرا به تشخیص (افزودن اطلاعات) بین هر دو سگ کمک می کند انواع ما می توانیم آن را نگه داریم ، اما در همه موارد بین Greyhounds و Labradors تمایزی قائل نمی شود ، که خوب است. در پروژه های ML ، معمولاً هیچ ویژگی خاصی وجود ندارد که بتواند همه اشیاء را به تنهایی طبقه بندی کند. به همین دلیل است که با یادگیری ماشین تقریباً همیشه به ویژگی های متعددی نیاز داریم که در آن هر ویژگی نوع متفاوتی از اطلاعات را ضبط می کند. اگر فقط یک ویژگی این کار را انجام دهد ، می توانیم به جای ایجاد مشکل در آموزش طبقه بندی ، دستور if-else را بنویسیم.

مشابهآنچه را که قبلاً با تبدیل رنگ (رنگ در مقابل مقیاس خاکستری) انجام دادیم ، برای فهمیدن اینکه از کدام ویژگی باید برای یک مشکل خاص استفاده کنید ، یک آزمایش فکری انجام دهید. وانمود کنید که طبقه بندی کننده هستید. اگر می خواهید بین تازی و لابرادور تمایز قائل شوید ، چه اطلاعاتی را باید بدانید؟ ممکن است در مورد طول مو یا اندازه بدن ، رنگ و موارد دیگر بپرسید.

یک مثال سریع دیگر از ویژگی های غیر مفید برای هدایت این ایده به خانه. بیایید رنگ چشم را بررسی کنیم. برای این مثال اسباب بازی ، تصور کنید که ما فقط دو رنگ چشم داریم ، آبی و قهوه ای. در اینجا می بینید که هیستوگرام برای این مثال چگونه است:

< p> واضح است که برای اکثر مقادیر ، توزیع حدود 50/50 برای هر دو نوع است. عملاً این ویژگی به ما چیزی نمی گوید زیرا با نوع سگ ارتباط ندارد. بنابراین ، بین تازی ها و لابرادورها تفاوتی قائل نمی شود. قابل شناسایی به راحتی قابل ردیابی و مقایسه در مقیاس های مختلف ، شرایط نور و زوایای دید سازگار است < /uli> هنوز در تصاویر پر سر و صدا یا هنگامی که فقط قسمتی از یک شی قابل مشاهده است قابل مشاهده است

استخراج ویژگی ها (کار دستی در مقابل استخراج خودکار)

خوب ، این می تواند یک موضوع بزرگ در یادگیری ماشین که نیاز به یک کتاب کامل برای بحث دارد. به طور معمول در زمینه موضوعی به نام مهندسی ویژگی توضیح داده می شود. در این بخش ما فقط به استخراج ویژگی ها در تصاویر توجه داریم. من به سرعت این ایده را لمس می کنم.

یادگیری ماشین سنتی از ویژگی های دست ساز استفاده می کند

در مشکلات سنتی یادگیری ماشین ، ما زمان زیادی را در انتخاب ویژگی های دستی صرف می کنیم و مهندسی در این فرآیند ما به دانش حوزه خود (یا مشارکت با متخصصان حوزه) برای ایجاد ویژگی هایی که باعث می شود الگوریتم های یادگیری ماشین بهتر کار کنند ، متکی هستیم. سپس برای پیش بینی خروجی ، ویژگی های تولید شده را به یک دسته بندی مانند Support Vector Machines (SVM) یا Adaboost می دهیم. برخی از مجموعه ویژگی های دست ساز عبارتند از: سرعت بخشیدن به ویژگی قوی (SURF)

یادگیری عمیق به طور خودکار ویژگی ها را استخراج می کند

در یادگیری عمیق ، نیازی به استخراج دستی ویژگی ها از تصویر نداریم. شبکه به طور خودکار ویژگی ها را استخراج می کند و با اعمال وزنه به اتصالات خود اهمیت آنها را در خروجی می آموزد. شما تصویر خام را به شبکه تغذیه می کنید و با عبور از لایه های شبکه ، الگوهای درون تصویر را برای ایجاد ویژگی ها مشخص می کند. شبکه های عصبی را می توان به عنوان استخراج کننده های ویژگی + طبقه بندی کننده در نظر گرفت که در مقایسه با مدل های سنتی ML که از ویژگی های دست ساز استفاده می کنند ، قابل آموزش هستند.

چگونه شبکه های عصبی ویژگی های مفید را از ویژگی های غیر مفید تشخیص می دهند؟

شاید این تصور را داشته باشید که شبکه های عصبی فقط ویژگی های مفید را درک می کنند ، اما این کاملا درست نیست. شبکه های عصبی تمام ویژگی های موجود را جمع آوری کرده و وزن های تصادفی به آنها می دهند. در طول فرآیند آموزش ، این وزنه ها را تنظیم می کند تا اهمیت آنها و نحوه تأثیر آنها بر پیش بینی خروجی را منعکس کند. الگوهایی با بیشترین فراوانی ظاهر وزن بیشتری خواهند داشت و به نوبه خود ویژگی های مفیدتری در نظر گرفته می شوند. در حالی که ویژگی هایی با کمترین وزن تأثیر بسیار کمی بر خروجی خواهند داشت. این فرایند یادگیری قرار است با جزئیات بیشتر در فصل بعدی مورد بحث قرار گیرد.

چرا از ویژگی ها استفاده کنیم؟

تصویر ورودیاطلاعات اضافی زیادی دارد که برای طبقه بندی لازم نیست. بنابراین ، اولین قدم پس از پیش پردازش تصویر ، ساده سازی تصویر با استخراج اطلاعات مهم و دور ریختن اطلاعات غیر ضروری است. با استخراج رنگ های مهم یا بخش های تصویر ، می توانیم داده های پیچیده و بزرگ تصویر را به مجموعه کوچکتر از ویژگی ها تبدیل کنیم. این امر کار طبقه بندی تصاویر را بر اساس ویژگی های آنها ساده تر و سریعتر می کند.

مثال زیر را در نظر بگیرید. فرض کنید به ما مجموعه داده ای از 10000 تصویر موتورسیکلت داده می شود که هرکدام 1000 عرض و 1000 ارتفاع دارند. برخی از تصاویر دارای پس زمینه محکم و برخی دیگر دارای پس زمینه مشغول داده های غیر ضروری هستند. وقتی این هزاران تصویر با الگوریتم های استخراج ویژگی تغذیه می شوند ، ما تمام داده های غیر ضروری که برای شناسایی موتورسیکلت ها مهم نیستند را از دست می دهیم و فقط یک لیست تلفیقی از ویژگی های مفید را نگه می داریم که می تواند مستقیماً به طبقه بندی کننده داده شود. این فرایند بسیار ساده تر از این است که طبقه بندی کننده مجموعه داده ای از 10000 تصویر را برای یادگیری خواص موتورسیکلت ها بررسی کند.

فعلا این همه. قسمت 5 را ملاحظه فرمایید ، اگر علاقمند به کسب اطلاعات بیشتر در مورد کتاب هستید ، آن را در liveBook اینجا ببینید و این اسلاید را مشاهده کنید.

ابتدا در https: //freecontent.manning منتشر شده است. com.

ویژگی تصویر استخراج

پنسیلوانیا متعهد به آماده سازی بیشتر معلمان علوم کامپیوتر

پنسیلوانیا فقط 20 میلیون دلار برای افزایش فرصت ها در علوم کامپیوتر متعهد شده است. در بودجه اخیر تصویب شده ، فرماندار تام ولف و مجمع عمومی از بودجه دولتی جدید برای آموزش علوم رایانه و توسعه حرفه ای مرتبط حمایت کردند.

طرح 30 میلیون دلاری PAsmart 20 میلیون دلار کمک های رقابتی برای حمایت از موارد جدید و توسعه یافته ارائه می دهد. برنامه های علوم کامپیوتر K-12 و STEM ، شامل آموزش و توسعه حرفه ای برای معلمان ، و بر رفع شکاف دسترسی و نتایج برای دانش آموزان کم سابقه ، از جمله دانش آموزان رنگین ، دختران ، زبان آموزان انگلیسی ، دانش آموزان دارای معلولیت و دانش آموزان کم درآمد متمرکز است. .

آوردن فرصت های بیشتر علوم رایانه برای دانش آموزان پنسیلوانیا یک ابتکار کلیدی فرماندار وولف است. فرماندار وولف می گوید: "من در طول دوره ریاست جمهوری خود ، برای سرمایه گذاری در آموزش و پرورش و مشاغل سخت مبارزه کرده ام تا کودکان و کارگران مهارت های لازم برای موفقیت و تقویت اقتصاد ما را داشته باشند." "در اوایل سال جاری ، هیئت آموزشی ایالتی به توصیه من برای ایجاد استانداردهای آموزش علوم رایانه عمل کرد. همراه با این سرمایه گذاری جدید در علوم کامپیوتر با PAsmart ، پنسیلوانیا نقش اصلی را در آماده سازی دانش آموزان برای مشاغل جدید با تقاضای بالا در آینده ایفا خواهد کرد و من از Code.org برای کمک به تحقق آن تقدیر می کنم. "

فرماندار گرگ همچنان به تعهد خود برای تقویت دسترسی به آموزش علوم رایانه به عنوان عضوی از مشارکت فرماندار برای K12 CS ادامه می دهد-گروهی از رهبران ایالتی دو حزبی که متعهد به پیشبرد سیاست و بودجه برای گسترش دسترسی و افزایش حقوق صاحبان سهام در K هستند. -12 آموزش علوم کامپیوتر.

راه دیگر ، پنسیلوانیا!

من اکوسیستم سخت افزاری رایانه Apple (TM) را ترک کردم

بعد از دو سال و نیم سفر ، زمان رفتن من فرا رسید.

وقتی مدل 12 2016 را خریدم -مک بوک اینچی درست پس از راه اندازی ، من آن را بسیار دوست داشتم.

من به لطف سالها مالکیت iPhone در اکوسیستم اپل بودم. شما می توانید iPhone قدیمی من را در انعکاس آن عکس مشاهده کنید.

من به دنبال چیزی بودم که قابلیت حمل Chromebook را داشت ، اما با همه چیز بیشتر.

من معمولی بودم طرفدار سخت افزار اپل برای مدت زمان طولانی ، حتی اگر تنها دستگاه های آنها من شخصاً مالک آنها آیفون بودم.

من با استفاده از Apple II و Performas در مدرسه بزرگ شدم و در نهایت از iMac و مزایای مک مدارس اطراف من دارای سخت افزار مک هستند.

خب ، من کسی هستم که واقعاً از آن ماوس احمقانه هاکی خوشم آمد.

بنابراین وقتی به یک کامپیوتر جدید نیاز داشتم برای نوشتن بهتر از Chromebook من ، MacBook یک انتخاب واضح به نظر می رسید.

و سپس دو سال را صرف تماشای این انتخاب خراب کردم.

صفحه کلید

احتمالاً حتی لازم نیست در مورد صفحه کلید سوئیچ بدنام پروانه صحبت کنم ، اکنون که گرد و غبار دادخواست شروع به حل شدن کرده است و اپل تقریباً اعتراف کرده است که این یک مشکل بزرگ است.

من مفهوم تغییر پروانه را دوست دارم. در تئوری. داشتن پاسخ یکنواخت در کل سطح کلید واقعاً عالی است.

متأسفانه ، کلیدها نیز بسیار بلند هستند و تقریباً هیچ گونه رفت و آمد ندارند. و آنها حتی توسط ذرات ریز گرد و غبار نیز خنثی می شوند.

من بارها بر روی صفحه کلید مک بوک خود رقص "قوطی هوا" را انجام داده ام ، و خوشبختانه هیچ کلیدی به طور دائمی در حال مرگ یا چسباندن به دست من نبوده است. اما من دو کلاه کلید دارم که مواد اولیه تقریباً بلافاصله از بین می روند. در برخی از افراد مشکل خرد شدن مواد تقریباً در هر کلید اتفاق افتاده است. گیج کننده است که آنها سوئیچ را تقریباً در نصف ارتفاع مورد نیاز خود خم کردند. گیج کننده است که آنها به طور دائمی مکانیسم صفحه کلید واقعی و باتری ها را به جلد بالای لپ تاپ وصل کردند و هزینه تعمیر خارج از گارانتی 700 دلار ضروری است. علیرغم بسیاری از نقص ها و تصمیمات عجیب و غریب ... اما شرط می بندم افرادی که در نزدیکی من در کافی شاپ ها می نشینند خوشحال هستند که دیگر مانند یک دیوانه دیگر روی آن کلیک نمی کنم.

نوار لمسی

حالا ببینید ، من می دانم که من MacBook ندارم حرفه ای ، فقط مک بوک 12 اینچی معمولی؟ حدس می زنم این همان چیزی باشد؟

من اینجا نیستم تا ناهماهنگی های مارک خط MacBook را برطرف کنم. حداقل ، نه امروز.

اما مزایای جدید چیزی را نشان می دهد.

مک بوک 12 اینچی نیاز به مهندسی زیادی دارد تا چنین صفحه نمایش با وضوح بالا و مجموعه ای کامل از محاسبه اجزاء در پوسته نوجوانان کوچک سازی مادربرد واقعاً چشمگیر است. و صفحه فشار قوی احتمالاً سطح ردیابی مورد علاقه من است که تا به حال استفاده کرده ام. من هرگز از کلیک کردن روی آن خسته نمی شوم.

و سپس نوآوری بعدیبود… نوار لمسی.

چیزی که شما به آن نگاه می کنید و روی چیزی که لزوماً لمس نمی کنید ، فکر می کنید.

یک چیز به نظر می رسد که صرفاً برای افزودن WOW FACTOR جدی به سیستم طراحی شده است ... و هزینه و سود اضافی یک پنل OLED کوچک. کسب و کار رایانه ای پیشرو در بازار رایانه های بیهوده و لوکس است.

من می دانم که منتقدان همیشه در مورد رایانه های اپل چنین می گفتند ، اما من می گویم که این یک انتقال بسیار کند بود. < /p> مکینتاش همیشه حق بیمه ای به خود اختصاص داده است.

توجیه قدیمی این بود که شما برای یک سیستم بسته و افزایش قابلیت اطمینان مجموعه های آزمایش شده و تولید انبوه اجزاء هزینه می کردید. < /p>

در حال حاضر شما فقط هزینه فلش را پرداخت می کنید و اپل دیگر حتی تظاهر نمی کند. همچنین ببینید: لغو اساسی Mac Pro.

و فقط به کاربرد/تنوع نسبی MacBook Air نگاه کنید ، که به نحوی به حیات خود ادامه می دهد. بله ، درون قدرتمندترین چیزهای جهان نیست. اما هنوز از پورت ها تعریف کاملی دارد. هنوز دارای اتصال برق MagSafe است. و می تواند تمام این کارها را انجام دهد در حالی که هنوز پوسته کوچک مجلل اپل را در اطراف خود دارید.

اگر دو سال پیش MacBook Air می خریدم ، شانس آن خوب است ، من به دنبال یک دستگاه جدید نمی گشتم. هنوز لپ تاپ.

من استدلال می کردم که شما برای عملکردی که با ویژگی های لوکس احاطه شده است ، هزینه می پردازید ، و اگر چنین مواردی برای شما جذاب بود ، همین حالا پیش بروید! اما با شروع از نوار لمسی و ادامه دادن به طراحی آیفون X ، طراحی اپل به طریقی انجام شده است که واقعاً برای من مناسب نیست.

حتی نمی گویم بد است ، فقط آشکارا به بازاری اشاره کرد که دیگر من نیستم.

عملکرد یا کمبود آن

وقتی اولین بار مک بوک خود را خریدم ، فریاد کشید.

این دستگاه فوق العاده قابل حمل فوق العاده بود که همیشه می خواستم. من می دانم که به لطف پردازنده Core M آن واقعا "کارایی بالایی نداشت ... برو.

امروز… MacBook من به همان سرعتی که در زمان نو بودن داشت ، حتی با سیستم تمیز نیست. گاهی اوقات هنگام باز کردن برگه های جدید هنگام پخش موسیقی ، مشکل ایجاد می شود. با محتوای ویدئویی 4k فوق العاده زیبا پخش نمی شود. دیگر حس جدیدی و خاصی ندارد. حتی نزدیک نیست.

نفخ نرم افزار در هر سیستمی ممکن است رخ دهد. و اغلب چنین می کند. اما مخالفان می گویند که در مکینتاش سریعتر اتفاق می افتد.

به عنوان فردی که صاحب مک بوک پوکی است ، فکر می کنم حق با آنها باشد. Core M هرگز نباید پلتفرم اصلی CPU برای یک سیستم عامل کامل به سبک دسکتاپ باشد.

اگر اپل تا به حال iOS و MacOS را در یک سیستم ادغام کرده باشد ، این داستان متفاوتی خواهد بود.

این Dell G5 جدید من است. بررسی به زودی در پلاگین بی شرمانه www.worldbolding.com انجام می شود. >

FRONTIER جدید

من از داشتن یک فلز کوچک براق و کوچک که عملکرد خوبی داشت ، کنار رفتم.خوب است و با صدای بلند کلیک می کنید تا یک مخزن فلزی و پلاستیکی عظیم داشته باشید که پر از قطعات و عملکرد است و هنوز نیم روز باتری دارد.

و تا اینجا پشیمان نیستم.

قبل از اینکه احساس کنم یک دفترچه کوچک دیجیتالی دارم که می توانم هر زمان که به آن نیاز داشتم آن را بیرون بیاورم. در حال حاضر ، من احساس می کنم نسخه کوچکتری از رایانه رومیزی خود را دارم که می توانم هر جا با خود ببرم. و من طی دو سال و نیم گذشته متوجه شده ام که این سناریوی دوم بیشتر برایم جذاب است.

مطمئناً این سلیقه همه نخواهد بود. و این کاملا خوب است! من هرگز تظاهر نمی کردم که سلیقه من تنها چیزی بود که اهمیت داشت.

مجموعه MacBook هنوز بهترین و تنها انتخاب برای افرادی است که برای استفاده در سفر به مک مجلل نیاز دارند.

< p> اما چیزهایی که در ابتدا جالب/جالب/جدید به نظر می رسیدند (کلیدهای پروانه ای ، لمس اجباری ، USB C یا Bust ، صفحه نمایش های وضوح با قدرت GPU کم ، نوار لمسی) برای من 100 درصد درخشندگی خود را از دست داده اند. و تجربه محاسباتی اساسی آن چیزی نبود که من شخصاً می خواستم زیرا صفحه کلید من و عملکردم خراب شده است.

هنوز هم برای مدتی سرگرم کننده بود.

در پایان کار با نوشتن این مطلب ، مردی با مک بوک پرو کنار من نشست. او حتی به رایانه ابلیسک من نیز نگاه دوم نکرد.

موارد دیگری که باید روی آنها کلیک کنید: سایت شخصی من که در آن مطالب را مرور می کنم