admin/gbrain
1
0
Fork 0
mirror of https://github.com/garrytan/gbrain.git synced 2026-08-14 08:53:22 +00:00
Code Issues Packages Projects Releases Wiki Activity

eval(embedding): add Arabic + Russian slices, 200 docs per slice

Browse Source 
Two corpus expansions to the embedding-default eval, both aimed at the first
run's stated limitations. Corpus artefacts only — the runner and the report
generator are untouched.

1. Two new language slices over the SAME topic set.
   - `ar` is a second right-to-left script, so the Hebrew collapse can be
     tested for RTL generality instead of being read as Hebrew-specific.
   - `ru` is non-Latin but left-to-right, which separates "non-Latin" from
     "right-to-left" as the explanatory variable.
   Those two together are what turns one anomalous slice into an actual
   comparison, so they only work if the topic set is held identical — which it
   is, six ways.

2. 200 docs per slice, up from 80, for every slice including en/he/zh/ja.
   Small n was named as a limitation. The topic pool grows 83 -> 459 candidate
   English titles; 368 of those have an article in all six languages, 353 clear
   the 300-char floor in all six, and those are capped to exactly 200.

Mechanics:
- The cap is an even stride over the survivor list, not a prefix cut, so every
  near-neighbour cluster thins proportionally rather than whole clusters
  disappearing off the tail. The previous build's kept list and any topic a
  committed nlq query points at are pinned through the cap, so a rebuild stays
  a superset of the last corpus and the numbers remain comparable.
- Langlinks are now cached separately from extracts, and `--probe` reports
  six-way coverage without paying for the ~2,200-request extract pass.
- The script detector learns Arabic and Cyrillic ranges; alias-title
  normalisation strips the Arabic tatweel.
- A dangling nlq qrel is now a hard build failure instead of an eval-time
  throw.

Coverage gaps, documented rather than substituted (manifest `no_article` +
`dropped`): 72 of the original 80 topics survive the six-way intersection. The
eight that do not are genuine gaps, not selection artefacts — four have no
Russian article at all, one has no Arabic article, and three are Arabic stubs
under the char floor. Three of them were nlq gold docs, so those questions were
re-authored against another topic in the same cluster; the nlq family stays 24
questions per slice, same topics in all six languages.

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
This commit is contained in:
Garry Tan
2026-07-28 02:08:58 -07:00
co-authored by Claude Opus 5
parent fd921e1759
commit 6e37c379a2
22 changed files with 3925 additions and 260 deletions
Download Patch File Download Diff File Expand all files Collapse all files
.gitignore
+1
View File
@@ -53,3 +53,4 @@ reports/network-intelligence/
# embedding-default eval: raw Wikipedia fetch cache (regenerable via --refetch;
# the committed corpus/*.jsonl carries pageid+revid for attribution).
evals/embedding-default/.fetch-cache.json
evals/embedding-default/.title-cache.json
evals/embedding-default/build-corpus.mjs
+153 -13
View File
@@ -2,10 +2,17 @@
/**
* Corpus builder for the embedding-default eval.
*
* Fetches REAL text (not LLM-generated) from Wikipedia for four language
* slices — en / he / zh / ja — over the SAME semantic topic set, so
* Fetches REAL text (not LLM-generated) from Wikipedia for six language
* slices — en / he / ar / ru / zh / ja — over the SAME semantic topic set, so
* language + script is the only variable across slices.
*
* The slice set is chosen to separate two confounded explanations of the
* Hebrew result in the first run:
* - `ar` is a SECOND right-to-left script → does the RTL finding generalise?
* - `ru` is non-Latin but LEFT-to-right → is "non-Latin" the real variable?
* Keeping the topic set identical across all six is what makes that
* comparison mean anything.
*
* Two outputs per slice:
* corpus/<slice>.jsonl docs — lead-section plaintext extract
* queries/<slice>.alias.jsonl queries — REAL Wikipedia redirect titles
@@ -25,18 +32,23 @@
*
* Usage: node build-corpus.mjs # fetch + write
* node build-corpus.mjs --dry-run # report coverage, write nothing
* node build-corpus.mjs --probe # langlinks coverage only, no extracts
*/
import { readFileSync, writeFileSync } from 'node:fs';
import { readFileSync, writeFileSync, existsSync } from 'node:fs';
import { dirname, join, resolve } from 'node:path';
import { fileURLToPath } from 'node:url';
import { createHash } from 'node:crypto';
const __dirname = dirname(fileURLToPath(import.meta.url));
const LANGS = ['en', 'he', 'zh', 'ja'];
const LANGS = ['en', 'he', 'ar', 'ru', 'zh', 'ja'];
/** Docs per slice. The pool in topics.txt is over-provisioned; survivors of the
* six-way intersection are capped to this so every slice is the same size. */
const TARGET_DOCS = 200;
/** Drop a topic unless EVERY language's lead extract clears this. Keeps the
* topic set identical across slices (Hebrew Wikipedia has more stubs). */
* topic set identical across slices (Hebrew + Arabic Wikipedia have more
* stubs than English). */
const MIN_DOC_CHARS = 300;
/** Cap doc length. ~2000 chars ≈ 500 tokens ≈ one gbrain chunk, so the eval
* measures the embedding and not the chunker. */
@@ -177,7 +189,7 @@ async function fetchRedirects(lang, titles) {
return out;
}
const normTitle = (s) => s.toLowerCase().replace(/\s*\([^)]*\)\s*$/, '').replace(/[\s_\-–—'’"״׳]/g, '');
const normTitle = (s) => s.toLowerCase().replace(/\s*\([^)]*\)\s*$/, '').replace(/[\s_\-–—'’"״׳ـ]/g, '');
/**
* Reject aliases that are not a clean retrieval test.
@@ -210,11 +222,18 @@ function keepAlias(alias, articleTitle, otherTitles) {
* brand names would not support any claim about Hebrew.
*/
export function detectScript(s) {
const counts = { hebrew: 0, han: 0, kana: 0, latin: 0, other: 0 };
const counts = { hebrew: 0, arabic: 0, cyrillic: 0, han: 0, kana: 0, latin: 0, other: 0 };
for (const ch of s) {
const c = ch.codePointAt(0);
if (/[\s\d\p{P}\p{S}]/u.test(ch)) continue;
if ((c >= 0x0590 && c <= 0x05ff) || (c >= 0xfb1d && c <= 0xfb4f)) counts.hebrew++;
// Arabic + Arabic Supplement/Extended + presentation forms A/B.
else if ((c >= 0x0600 && c <= 0x06ff) || (c >= 0x0750 && c <= 0x077f)
|| (c >= 0x08a0 && c <= 0x08ff) || (c >= 0xfb50 && c <= 0xfdff)
|| (c >= 0xfe70 && c <= 0xfeff)) counts.arabic++;
// Cyrillic + Cyrillic Supplement/Extended-A/B.
else if ((c >= 0x0400 && c <= 0x052f) || (c >= 0x2de0 && c <= 0x2dff)
|| (c >= 0xa640 && c <= 0xa69f)) counts.cyrillic++;
else if ((c >= 0x4e00 && c <= 0x9fff) || (c >= 0x3400 && c <= 0x4dbf)
|| (c >= 0xf900 && c <= 0xfaff)) counts.han++;
else if ((c >= 0x3040 && c <= 0x30ff) || (c >= 0x31f0 && c <= 0x31ff)) counts.kana++;
@@ -227,7 +246,10 @@ export function detectScript(s) {
}
/** Which script counts as "in-language" for a given wiki. */
const IN_SCRIPT = { en: ['latin'], he: ['hebrew'], zh: ['han'], ja: ['han', 'kana'] };
const IN_SCRIPT = {
en: ['latin'], he: ['hebrew'], ar: ['arabic'], ru: ['cyrillic'],
zh: ['han'], ja: ['han', 'kana'],
};
/**
* Raw Wikipedia responses are cached so re-deriving the corpus (changing a
@@ -237,11 +259,34 @@ const IN_SCRIPT = { en: ['latin'], he: ['hebrew'], zh: ['han'], ja: ['han', 'kan
* whether or not the cache survives. `--refetch` bypasses it.
*/
const CACHE_PATH = join(__dirname, '.fetch-cache.json');
/** Langlinks are cached SEPARATELY from extracts so `--probe` (cheap: ~1 request
* per 20 topics per language) can size the pool without the ~1,200-request
* extract pass, and so the extract pass reuses the probe's work. */
const TITLE_CACHE_PATH = join(__dirname, '.title-cache.json');
async function resolveTitlesCached(topics) {
if (!process.argv.includes('--refetch') && existsSync(TITLE_CACHE_PATH)) {
const c = JSON.parse(readFileSync(TITLE_CACHE_PATH, 'utf8'));
if (c.langs?.join() === LANGS.join() && c.topics_count === topics.length) {
process.stderr.write(`using cached langlinks from ${c.fetched_at} (--refetch to bypass)\n`);
return new Map(c.titleMap);
}
}
const titleMap = await resolveTitles(topics);
writeFileSync(TITLE_CACHE_PATH, JSON.stringify({
fetched_at: new Date().toISOString(), langs: LANGS,
topics_count: topics.length, titleMap: [...titleMap],
}));
return titleMap;
}
async function fetchAll(topics) {
if (!process.argv.includes('--refetch')) {
try {
const c = JSON.parse(readFileSync(CACHE_PATH, 'utf8'));
if (c.langs?.join() !== LANGS.join() || c.topics_count !== topics.length) {
throw new Error('cache built for a different lang/topic set');
}
process.stderr.write(`using cached fetches from ${c.fetched_at} (--refetch to bypass)\n`);
return {
titleMap: new Map(c.titleMap),
@@ -250,7 +295,7 @@ async function fetchAll(topics) {
};
} catch { /* no cache — fetch fresh */ }
}
const titleMap = await resolveTitles(topics);
const titleMap = await resolveTitlesCached(topics);
const withAllLangs = topics.filter((t) => LANGS.every((l) => titleMap.get(t)[l]));
process.stderr.write(`topics present in all of ${LANGS.join('/')}: ${withAllLangs.length}\n`);
@@ -263,6 +308,8 @@ async function fetchAll(topics) {
}
writeFileSync(CACHE_PATH, JSON.stringify({
fetched_at: new Date().toISOString(),
langs: LANGS,
topics_count: topics.length,
titleMap: [...titleMap],
extracts: Object.fromEntries(LANGS.map((l) => [l, [...extracts[l]]])),
redirects: Object.fromEntries(LANGS.map((l) => [l, [...redirects[l]]])),
@@ -270,20 +317,102 @@ async function fetchAll(topics) {
return { titleMap, extracts, redirects };
}
/**
* Slugs that COMMITTED author-written nlq queries point at. Those query files
* are hand-written, so their gold slug must stay in the corpus or the qrel
* dangles. They are pinned through the TARGET_DOCS cap.
*/
function pinnedSlugs() {
const out = new Set();
for (const lang of LANGS) {
const p = join(__dirname, 'queries', `${lang}.nlq.jsonl`);
if (!existsSync(p)) continue;
for (const line of readFileSync(p, 'utf8').split('\n')) {
if (line.trim()) out.add(JSON.parse(line).relevant[0]);
}
}
return out;
}
/**
* Topics the PREVIOUS build kept. Pinned so a rebuild is a superset of the last
* corpus wherever the language intersection still allows it — otherwise a
* re-run silently swaps half the topic set and the new numbers stop being
* comparable to the committed receipt. To re-pick the whole set from scratch,
* delete corpus/manifest.json first.
*/
function previouslyKept() {
const p = join(__dirname, 'corpus', 'manifest.json');
if (!existsSync(p)) return new Set();
return new Set(JSON.parse(readFileSync(p, 'utf8')).topics_kept_list ?? []);
}
/**
* Cap survivors to TARGET_DOCS.
*
* topics.txt is ordered by cluster, so a plain prefix cut would delete whole
* clusters off the tail and destroy the near-neighbour density the corpus
* exists to create. An even stride over the survivor list thins every cluster
* proportionally instead. Deterministic, and the exact kept list is recorded in
* the manifest either way.
*/
function selectTopics(survivors) {
if (survivors.length <= TARGET_DOCS) return survivors;
const pinnedSlug = pinnedSlugs();
const pinnedTopic = previouslyKept();
const isPinned = (t) => pinnedSlug.has(slugify(t)) || pinnedTopic.has(t);
const rest = survivors.filter((t) => !isPinned(t));
const need = TARGET_DOCS - (survivors.length - rest.length);
const stride = rest.length / need;
const picked = new Set(Array.from({ length: need }, (_, i) => rest[Math.floor(i * stride)]));
return survivors.filter((t) => isPinned(t) || picked.has(t));
}
async function main() {
const dryRun = process.argv.includes('--dry-run');
const topics = readTopics();
process.stderr.write(`topics in pool: ${topics.length}\n`);
if (process.argv.includes('--probe')) {
const titleMap = await resolveTitlesCached(topics);
const per = Object.fromEntries(LANGS.map((l) =>
[l, topics.filter((t) => titleMap.get(t)?.[l]).length]));
const all = topics.filter((t) => LANGS.every((l) => titleMap.get(t)?.[l]));
const missing = Object.fromEntries(LANGS.filter((l) => l !== 'en').map((l) =>
[l, topics.filter((t) => !titleMap.get(t)?.[l])]));
process.stdout.write(JSON.stringify({
pool: topics.length, per_lang_with_article: per, present_in_all: all.length,
missing_count: Object.fromEntries(Object.entries(missing).map(([l, m]) => [l, m.length])),
missing,
}, null, 2) + '\n');
return;
}
const { titleMap, extracts, redirects } = await fetchAll(topics);
const withAllLangs = topics.filter((t) => LANGS.every((l) => titleMap.get(t)?.[l]));
// Topics with no article at all in some language — the documented coverage
// gap. Recorded per language rather than papered over with a substitute.
const noArticle = Object.fromEntries(LANGS.filter((l) => l !== 'en').map((l) =>
[l, topics.filter((t) => !titleMap.get(t)?.[l])]));
// Keep only topics whose extract clears MIN_DOC_CHARS in EVERY language.
const kept = withAllLangs.filter((t) =>
const survivors = withAllLangs.filter((t) =>
LANGS.every((l) => (extracts[l].get(titleMap.get(t)[l])?.text?.length ?? 0) >= MIN_DOC_CHARS));
const dropped = withAllLangs.filter((t) => !kept.includes(t));
process.stderr.write(`kept (>=${MIN_DOC_CHARS} chars in every language): ${kept.length}\n`);
const dropped = withAllLangs.filter((t) => !survivors.includes(t));
const kept = selectTopics(survivors);
process.stderr.write(`survived (>=${MIN_DOC_CHARS} chars in every language): ${survivors.length}\n`);
process.stderr.write(`kept after TARGET_DOCS=${TARGET_DOCS} cap: ${kept.length}\n`);
if (dropped.length) process.stderr.write(`dropped as too short somewhere: ${dropped.join(', ')}\n`);
const unpinned = [...pinnedSlugs()].filter((s) => !kept.some((t) => slugify(t) === s));
if (unpinned.length) {
// A hand-written nlq query whose gold doc left the corpus is a dangling
// qrel — loadSlice() would throw at eval time. Fail here instead, loudly,
// so the nlq file gets fixed rather than the corpus quietly shipping broken.
const msg = `committed nlq queries reference slugs no longer in the corpus: ${unpinned.join(', ')}`;
if (!dryRun) throw new Error(msg);
process.stderr.write(`WARNING (--dry-run): ${msg}\n`);
}
const summary = {};
for (const lang of LANGS) {
@@ -356,9 +485,16 @@ async function main() {
built_at: new Date().toISOString(),
langs: LANGS,
topic_pool: topics.length,
topics_present_in_all_langs: withAllLangs.length,
topics_survived_min_chars: survivors.length,
target_docs: TARGET_DOCS,
topics_kept: kept.length,
topics_kept_list: kept,
dropped: dropped,
// Coverage gap: no article at all on that language's Wikipedia. Documented,
// never substituted with a different topic.
no_article: noArticle,
cap_selection: `even stride over the ${survivors.length} survivors (previous build's kept list + nlq gold topics pinned), so every cluster thins proportionally and a rebuild stays a superset`,
min_doc_chars: MIN_DOC_CHARS,
max_doc_chars: MAX_DOC_CHARS,
max_aliases_per_topic: MAX_ALIASES_PER_TOPIC,
@@ -371,4 +507,8 @@ async function main() {
process.stdout.write(JSON.stringify({ per_lang: summary, topics_kept: kept.length }, null, 2) + '\n');
}
main().catch((e) => { process.stderr.write(String(e?.stack ?? e) + '\n'); process.exit(1); });
// Only fetch when run directly, so `detectScript` can be imported (the nlq
// query files are tagged with the same detector the alias family uses).
if (process.argv[1] && resolve(process.argv[1]) === fileURLToPath(import.meta.url)) {
main().catch((e) => { process.stderr.write(String(e?.stack ?? e) + '\n'); process.exit(1); });
}
evals/embedding-default/corpus/ar.jsonl
+200
View File
@@ -0,0 +1,200 @@
{"slug":"openai","lang":"ar","title":"أوبن أيه آي","text":"أَوْبَن أيه آي (تُكتب في الإنكليزية OpenAI بوَصْلِ كلمتَيْها) منظمة بحثية أمريكية للذكاء الاصطناعي تأسست في ديسمبر 2015 ومقرها في سان فرانسيسكو، كاليفورنيا. تتمثل مهمتها المعلنة في تطوير ذكاء عام اصطناعي (AGI) \"آمن ومفيد\"، والذي تعرفه بأنه \"أنظمة عالية الاستقلالية تتفوق على البشر في العمل الأكثر قيمة اقتصاديًا\". بصفتها منظمة رائدة في طفرة الذكاء الاصطناعي المستمرة، تشتهر أوبن أيه آي بعائلة جي بي تي GPT من نماذج اللغة الكبيرة، وسلسلة دال-إي (DALL-E) لتوليد الصور من النص، ونموذج تحويل النص إلى الفيديو المسمى سورا. يُنسب إلى إصدارها لبرنامج شات جي بي تي في نوفمبر 2022 تحفيز الاهتمام الواسع النطاق بالذكاء الاصطناعي التوليدي.\nتتكون المنظمة من شركة أوبن للذكاء الاصطناعي غير الربحية، المسجلة في ولاية ديلاوير، والشركة التابعة لها التي تهدف إلى الربح والتي تم تقديمها في عام 2019، OpenAI Global, LLC. تمتلك شركة مايكروسوفت ما يقرب من 49 % من أسهم أوبن أيه آي، بعد أن استثمرت 13 مليار دولار أمريكي. كما توفر موارد الحوسبة لشركة أوبن أيه آي من خلال منصتها السحابية، مايكروسوفت أزور.\nفي عامي 2023 و2024، واجهت شركة أوبن دعاوى قضائية متعددة بتهمة انتهاك حقوق التأليف والنشر ضد المؤلفين وشركات الإعلام التي استُخدمت أعمالها لتدريب بعض منتجات أوبن. أقال مجلس إدارة أوبن في نوفمبر 2023 سام ألتمان من منصب الرئيس التنفيذي، مشيرًا إلى عدم الثقة فيه، لكنه أعاد تعيينه بعد خمسة أيام بعد مفاوضات أسفرت عن إعادة تشكيل مجلس الإدارة. غادر العديد من الباحثين في مجال سلامة الذكاء الاصطناعي شركة أوبن في عام 2024.\n== التاريخ ==\nفي أكتوبر 2015، أعلن إيلون ماسك، وسام التمان والمستثمرين الآخرين تشكيل المنظمة، والتعهد بأكثر من مليار دولار للمشروع.\nفي 27 أبريل 2016، أصدرت أوبن النسخة التجريبية من «أوبن أيه آي جيم» (بالإنجليزية: OpenAI gym)، وهي منصة لأبحاث التعليم المعزز.\nفي 5 ديسمبر 2016، أصدرت أوبن أيه آي «يونيفرس»، وهي منصة برمجيات لقياس وتدريب الذكاء الاصطناعي العام.\nخلال البطولة العالمية للعبة دوتا 2 في أغسطس 2017, أوبن أيه آي سمحت لآلي بوت متعلم ذاتيا أن يلعب 1 ضد 1 مع لاعب دوتا 2 محترف، ديندي، هو الذي لعب ضده خلال بث حي وخسر. بعد اللعبة، أوضح كتو غريغ بروكمان أن البوت قد تعلم من خلال اللعب ضد نفسه لمدة ","en_topic":"OpenAI","wiki_pageid":4224532,"wiki_revid":74897288,"source_url":"https://ar.wikipedia.org/?curid=4224532","license":"CC BY-SA 4.0"}
{"slug":"anthropic","lang":"ar","title":"أنثروبيك","text":"أنثروبيك (الإنجليزية: Anthropic) هي شركة ذكاء اصطناعي أمريكية يقع مقرها الرئيسي في سان فرانسيسكو. وقد طوّرت عائلةً من النماذج اللغوية الكبيرة تحمل اسم كلود. وتعمل أنثروبيك بوصفها شركة ذات منفعة عامة، تبحث في الذكاء الاصطناعي وتطوّره بهدف \"دراسة خصائص السلامة في الحدود التكنولوجية\" وتوظيف هذا البحث في نشر نماذج آمنة للعموم.\nتأسست أنثروبيك عام 2021 على يد عدد من الموظفين السابقين في أوبن أيه آي، من بينهم الشقيقان دانيلا أمودي وداريو أمودي، اللذان يشغلان منصبَي الرئيس والمدير التنفيذي على التوالي. اعتبارًا من فبراير 2026 تُقدَّر قيمة أنثروبيك بنحو 380 مليار دولار.\n== التاريخ ==\nنشأت أنثوربيك في عام 2021 من قبل الأخوين دانييلا وداريو أمودي، وهما عضوان رفيعا المستوى في أوبن أيه آي. وقد غادرا إثر بعض الخلافات التي تتعلق بإدارة الشركة، وعلى وجه الخصوص العقود التي أبرمتها الشركة مع مايكروسوفت في 2019.\nفي نهاية 2022، فاقت الاستثمارات في الشركة ما يراوح $700 مليون دولارًا أمريكي. وفي 25 سبتمبر 2023، أعلنت شركة أمازون عن استثمار مبلغ $4 مليارات دولارًا أمريكي، مقابل قيام أنثروبيك بعرض خدماتها لزبائن أمازون ويب كجزء من الصفقة. وفي الشهر الذي يليه قامت شركة جوجل باستثمار مبلغ مقداره $500 مليون دولارًا أمريكيًا، ووعدت باستثمارات مستقبلية تفوق $1.5 مليار دولار.وفي مايو 2026، أبرمت شركة \"أكاماي تكنولوجيز\" مع أنثروبيك صفقة تبلغ قيمتها 1.8 مليار دولار، وتهدف هذه الاتفاقية إلى مساعدة \"أنثروبيك\" في تغطية الطلب الكبير والمتزايد على برامجها.\nفي عام 2026، رفضت أنثروبيك مطالبة وزارة الدفاع الأمريكية بإزالة القيود التعاقدية التي تحظر توظيف تقنيتها في الذكاء الاصطناعي لأغراض المراقبة الداخلية والأسلحة ذاتية التشغيل الكامل. وعقب هذا الرفض، صنّفت وزارة الدفاع الأمريكية الشركةَ بوصفها \"خطراً على سلسلة الإمداد\"، وحظرت على جميع المقاولين العسكريين الخاصين والموردين والشركاء في الولايات المتحدة إجراء أي تعاملات تجارية معها. في 1 يوليو 2026، صرَّحت شركة أنثروبيك أنه تم رفع وزارة التجارة الأميركية قيود التصدير عن نموذجي الذكاء الاصطناعي Claude Fable 5 وMythos 5، وأكدت الشركة إعادة تفعيل الوصول إليهما عالمياً.\n== انظر أيضًا ==\nكلود (نموذج لغوي)\n== المراجع ==","en_topic":"Anthropic","wiki_pageid":9521011,"wiki_revid":75749469,"source_url":"https://ar.wikipedia.org/?curid=9521011","license":"CC BY-SA 4.0"}
{"slug":"google-deepmind","lang":"ar","title":"ديب مايند","text":"ديب مايند (الإنجليزية: DeepMind) التي تتداول باسم جوجل ديب مايند أو ببساطة ديب مايند، هي مختبر أبحاث ذكاء اصطناعي بريطاني–أمريكي يعمل كشركة تابعة لألفابت. تأسست في المملكة المتحدة عام 2010، واستحوذت عليها جوجل عام 2014، ثم اندمجت مع قسم جوجل برين التابع لـجوجل للذكاء الاصطناعي لتصبح جوجل ديب مايند في أبريل 2023. يقع المقر الرئيسي للشركة في لندن، ولها مراكز أبحاث في الولايات المتحدة وكندا فرنسا, وفرنسا وألمانيا وسويسرا.\nفي عام 2014، قدّمت ديب مايند آلة تورنغ العصبية (وهي شبكة عصبونية اصطناعية يمكنها الوصول إلى ذاكرة خارجية على غرار آلة تورنغ التقليدية). أنشأت الشركة العديد من نماذج الشبكات العصبية المدرَّبة باستخدام تعلم بالتقوية للعب ألعاب الفيديو والألعاب اللوحية. وقد تصدّرت العناوين عام 2016 بعد أن تغلّب برنامجها ألفا غو على لي سيدول، بطل العالم في غو، في مباراة من خمس جولات، وهو الحدث الذي عُرض لاحقاً في الفيلم الوثائقي آلفا غو. كما تمكّن برنامج أكثر عمومية يُدعى ألفازيرو من هزيمة أقوى البرامج في ألعاب غو والشطرنج وشوغي بعد بضعة أيام فقط من اللعب الذاتي باستخدام خوارزمية عامة للتعلم المعزز. ومنذ ذلك الحين، درّبت ديب مايند نماذج للعب الألعاب (مثل ميو زيرو وألفا ستار)، ولنطاق الهندسة (مثل ألفا جيومتري)، ولاكتشاف الخوارزميات (مثل ألفا إيفولف وألفا ديف وألفا تينسور).\nفي عام 2020، أحرزت ديب مايند تقدما كبيرا في مشكلة توقع بنية البروتين من خلال نظام ألفافولد، الذي حقق أرقاما قياسية على مستوى آخر ما توصل إليه في المقاييس المعيارية الخاصة بتنبؤ طيّ البروتين. وفي يوليو 2022، أُعلن عن إطلاق أكثر من 200 مليون بنية بروتينية متوقعة—تمثل تقريبا جميع البروتينات المعروفة—على قاعدة بيانات ألفافولد.\nأصبحت جوجل ديب مايند مسؤولة عن تطوير جيميناي (عائلة النماذج اللغوية الكبيرة التابعة لجوجل)، بالإضافة إلى أدوات أخرى في مجال الذكاء الاصطناعي المولّد، مثل نموذج تحويل النص إلى صورة إيماجن ، ونموذج تحويل النص إلى فيديو فيو، ونموذج الموسيقى والذكاء الاصطناعي ليريا.\n== التاريخ ==\nأُسسَت شركة ديب مايند الناشئة بواسطة ديميس هاسابيس (Demis Hassabis)، شين ليغ (Shane Legg)، ومصطفى سليمان (Mustafa Suleyman) في نوفمبر 2010. التقى هاسابيس وليغ لأول مرة في وحدة غاتسبي لعلم الأعصاب الحسابي في كلية ل","en_topic":"Google DeepMind","wiki_pageid":3055608,"wiki_revid":75149231,"source_url":"https://ar.wikipedia.org/?curid=3055608","license":"CC BY-SA 4.0"}
{"slug":"mistral-ai","lang":"ar","title":"مسترال أيه آي","text":"ممكن اخي مساعدتك\n== تاريخ ==\nتأسست شركة مسترال للذكاء الاصطناعي في أبريل 2023 على يد آرثر مينش وغيوم لامبل وتيموثي لاكروا. قبل أن يأسس آرثر مينش مسترال، كان قد اشتغل من قبل بشركة جوجل ديب مايند، التي تعد كمختبر جوجل للذكاء الاصطناعي، في حين أن غيوم وتيموثي اشتغلوا بمنصات ميتا.\nالتقى المؤسسون عندما كانوا طلابا بالمدرسة متعددة التقانات. وسميت مسترال بهذا الاسم نسبة إلى الرياح القوية التي تهب في فرنسا.\nفي يونيو 2023، أطلقت الشركة الناشئة أول عملية جمع تبرعات بقيمة 105 ملايين يورو (117 مليون دولار) من مستثمرين حول العالم، من ضمنهم الصندوق الأمريكي لايت سبيد فينتشور بارتنرز والمستثمران إيريك شميت وكزافييه نيل وشركة جي سي دوكو الفرنسية. وقدرت قيمة الشركة بواسطة فاينانشيال تايمز حوالي 240 مليون أورو (267 مليون دولار).\nفي 27 شتنبر 2023، أتاحت الشركة نموذج معالجة اللغة الخاص بها \"مسترال 7ب\" مجانا وبشكل مفتوح للجميع بموجب ترخيص أباتشي 2.0. بحيث يحتوي هذا النموذج على 7 مليار معلمة، وهو حجم صغير مقارنة بمنافسيه.\nفي 10 ديسمبر 2023، أعلنت شركة مسترال للذكاء الاصطناعي أنها جمعت 385 مليون يورو (428 مليون دولار) كجزء من حملتها الثانية لجمع التبرعات. تتضمن هذه الجولة من التمويل وبشكل خاص، صندوق كاليفورنيا أندريسن هورويتز، وبي إن بي باريبا وناشر البرامج سيلز فورس.\nفي 11 ديسمبر 2023، أصدرت الشركة نموذج ميكسترال 8x7ب ذو 46.7 مليار معلمة ولكن باستخدام 12.9 مليار فقط لكل رمز (توكن) بفضل بنية مزيج من الخبراء. يتقن النموذج 5 لغات (الفرنسية والإسبانية والإيطالية والإنجليزية والألمانية) ويتفوق بحسب اختبارات مطوريه على نموذج \"لاما 2 70ب\" من منصات ميتا. قُدمت إصدارات دُرّب فيه على اتباع التعليمات ويسمى \"ميكسترال 8x7ب انستراكت\".\nفي 26 فبراير 2024، أعلنت مايكروسوفت عن شراكة جديدة مع الشركة لتوسيع تواجدها في صناعة الذكاء الاصطناعي سريعة التطور. وبموجب الاتفاقية، ستكون نماذج لغة مسترال الغنية متاحة على سحابة مايكروسوفت أزور، في حين سيطلق مساعد المحادثة متعدد اللغات \"لو شات Le Chat\" بنفس أسلوب شات جي بي تي.\nفي 10 أبريل 2024، أصدرت الشركة نماذج من مزيج الخبراء، ميكسترال 8x22ب، التي تقدم أداءً عاليًا وفقًا للمعايير المختلفة مقارنة بالنماذج المفتوحة الأخرى.\nفي 16 أبريل 2024، كشفت التقارير أن مسترال كان","en_topic":"Mistral AI","wiki_pageid":9527431,"wiki_revid":75961611,"source_url":"https://ar.wikipedia.org/?curid=9527431","license":"CC BY-SA 4.0"}
{"slug":"hugging-face","lang":"ar","title":"هجينج فيس","text":"شركة هجينج فيس (الإنجليزية: Hugging Face, Inc.) هي شركة أمريكية مسجلة بموجب قانون الشركات العام لولاية ديلاوير ومقرها في مدينة نيويورك، وتعمل على تطوير أدوات حوسبة لبناء تطبيقات تستند إلى تعلم الآلة. تشتهر بشكل خاص بمكتبة المحولات (ترانسفورمرز) التي طورتها لتطبيقات معالجة اللغة الطبيعية، ومنصتها التي تتيح للمستخدمين مشاركة نماذج تعلم الآلة ومجاميع البيانات وعرض أعمالهم.\n== التاريخ ==\nتأسست الشركة عام 2016 على يد رواد الأعمال الفرنسيين كليمان ديلانج، وجوليان شومون، وتوماس وولف في مدينة نيويورك، وكانت في البداية شركة طورت تطبيقًا للدردشة الآلية موجهًا للمراهقين. سُميت الشركة على اسم محرف الترميز الموحد U+1F917 🤗 HUGGING FACE، والذي يعني «وجه معانق». بعد أن قامت الشركة بجعل نموذج روبوت الدردشة مفتوح المصدر، غيرت الشركة اتجاهها لتركز على كونها منصة لتعلم الآلة.\nفي 28 أبريل 2021 أطلقت الشركة ورشة عمل بحثية بعنوان بيج ساينس (الإنجليزية: BigScience) بالتعاون مع عدة مجموعات بحثية أخرى لإصدار نموذج لغوي كبير مفتوح المصدر. في عام 2022، اختُتمت ورشة العمل بالإعلان عن بلوم (الإنجليزية: BLOOM)، وهو نموذج لغوي ضخم متعدد اللغات يضم 176 مليار وسيط.\nفي 3 أغسطس 2022، أعلنت الشركة عن «المركز الخاص» (الإنجليزية: Private Hub)، وهي نسخة مؤسسية من منصتها العامة «مركز هجينج فيس» (الإنجليزية: Hugging Face Hub) التي تدعم نشر البرمجيات كخدمة أو على البنية التحتية المحلية للعميل.\nفي ديسمبر 2022 استحوذت الشركة على جراديو (الإنجليزية: Gradio)، وهي مكتبة بايثون مفتوحة المصدر لتطوير تطبيقات تعلم الآلة.\nفي فبراير 2023 أعلنت الشركة عن شراكة مع خدمات أمازون ويب (AWS) مما سيتيح منتجات هجينج فيس لعملاء خدمات أمازون ويب لاستخدامها كلبنات أساسية لتطبيقاتهم المخصصة. كما صرحت الشركة بأن الجيل القادم من بلوم سيعمل على ترينيوم (الإنجليزية: Trainium)، وهي رقاقة تعلم آلة احتكارية أنشأتها خدمات أمازون ويب.\nفي يونيو 2024 أعلنت الشركة إلى جانب ميتا وسكيل واي عن إطلاقها لبرنامج تسريع جديد للذكاء الاصطناعي للشركات الناشئة الأوروبية. تهدف هذه المبادرة إلى مساعدة الشركات الناشئة على دمج نماذج الأساس المفتوحة في منتجاتها، مما يسرع نظام الذكاء الاصطناعي البيئي في الاتحاد الأوروبي.\n== انظر أيضًا ==\nأوبن أيه آي\n== المرا","en_topic":"Hugging Face","wiki_pageid":9932870,"wiki_revid":75495619,"source_url":"https://ar.wikipedia.org/?curid=9932870","license":"CC BY-SA 4.0"}
{"slug":"nvidia","lang":"ar","title":"إنفيديا","text":"شركة إنفيديا (الإنجليزية: NVIDIA)، (بورصة نازداك:NVDA)، هي واحدة من أكبر الشركات إنتاجا لمعالجات الرسومات وبطاقات العرض المرئي ومجموعات الشرائح للكومبيوتر وأنظمة ألعاب الفيديو (إكس بوكس، سيجا ساترن، بلايستايشن 3). وتسمى شركة بدون مصنع وبدون معدات تصنيع (تصمم، ولا تصنع). ويقع مقرها في سانتا كلارا في ولاية كاليفورنيا بالولايات المتحدة.\nبالإضافة إلى تصنيع وحدة معالجة الرسومات، توفر إنفيديا إمكانات معالجة متوازية للباحثين والعلماء تتيح لهم تشغيل تطبيقات عالية الأداء بكفاءة. يتم نشرهم في مواقع الحوسبة الفائقة حول العالم. في الآونة الأخيرة، انتقلت إلى سوق الحوسبة المحمولة، حيث تنتج معالجات تيجرا للهواتف الذكية والأجهزة اللوحية بالإضافة إلى أنظمة الملاحة والترفيه في السيارة. بالإضافة إلى إي إم دي، تشمل منافسيها إنتل وكوالكوم.\n== التاريخ ==\nتأسست إنفيديا في 5 أبريل 1993، بواسطة جين-سون هوانغ (المدير التنفيذي اعتبارًا من 2020)، وهو أمريكي تايواني، كان مديرًا سابقًا لـ كور وير في شركة ال أس أي ومصمم معالجات دقيقة في إي إم دي (AMD)، وكريس مالاتشوسكي، وهو مهندس كهربائي عمل في صن ميكروسيستمز، وكورتيس بريم، كان سابقًا كبير مهندسي الموظفين ومصمم شرائح الرسومات في صن مايكروسيستمز.\nفي عام 1993، اعتقد المؤسسون المشاركون الثلاثة أن الاتجاه الصحيح للموجة التالية من الحوسبة كان متسارعًا أو يعتمد على الحوسبة الرسومية لأنه يمكن أن يحل المشكلات التي لا تستطيع الحوسبة العامة حلها. كما لاحظوا أن ألعاب الفيديو كانت في نفس الوقت واحدة من أكثر المشكلات صعوبة من الناحية الحسابية وسيكون لها حجم مبيعات مرتفع بشكل لا يصدق. لا يحدث الشرطان كثيرًا. أصبحت ألعاب الفيديو هي حذافة الشركة للوصول إلى الأسواق الكبيرة وتمويل البحث والتطوير الضخم لحل المشكلات الحسابية الضخمة. مع وجود 40 ألف دولار فقط في البنك، ولدت الشركة. تلقت الشركة بعد ذلك 20 مليون دولار من تمويل رأس المال الاستثماري من سيكويا كابيتال وغيرها. لم يكن لدى إنفيديا اسم في البداية وقام المؤسسون بتسمية جميع ملفاتهم NV، كما في «الإصدار التالي». دفعت الحاجة إلى دمج الشركة المؤسسين المشاركين لمراجعة جميع الكلمات بهاتين الحرفين، مما أدى بهم إلى «أي إنفيديا» (الإنجليزية: invidia)، وهي الكلمة اللاتينية التي تعني «الحسد». تم الإعلان عن إنفيديا في 22 ين","en_topic":"Nvidia","wiki_pageid":473262,"wiki_revid":76005548,"source_url":"https://ar.wikipedia.org/?curid=473262","license":"CC BY-SA 4.0"}
{"slug":"meta-platforms","lang":"ar","title":"ميتا بلاتفورمز","text":"شركة ميتا بلاتفورمز (بالإنجليزية: .Meta Platforms, Inc)، تمارس النشاط التجاري باسم ميتا (Meta) والمعروفة سابقًا باسم شركة فيسبوك (.Facebook, Inc) هي شركة أمريكية متعددة الجنسيات مقرها في مينلو بارك، كاليفورنيا. تمتلك الشركة فيسبوك، إنستغرام، واتساب، ماسنجر، و ثريدز، من بين منتجات وخدمات أخرى.\nميتا هي واحدة من أكثر الشركات قيمة في العالم. تعتبر واحدة من أكبر خمس شركات تكنولوجيا المعلومات الأمريكية، إلى جانب ألفابت، أمازون، أبل، ومايكروسوفت. تشمل منتجات وخدمات ميتا فيسبوك، ماسنجر، فيسبوك ووتش وفيسبوك بورتال. كما استحوذت على أوكيلس (ريالتي لابز)، جيفي، مابيلاري، كستومر، بريسايز ولديها حصة 9.99٪ في جيو بلاتفورمز. في عام 2021، حققت الشركة 97.5٪ من إيراداتها من بيع مواضع الإعلانات للمسوقين.\nفي أكتوبر 2021، غيرت الشركة الأم لفيسبوك اسمها من شركة فيسبوك إلى ميتا من أجل «عكس تركيزها على بناء ميتافيرس». وفقًا لميتا، تشير «ميتافيرس» (metaverse) إلى البيئة المتكاملة التي تربط جميع منتجات الشركة وخدماتها.\n== تاريخ ==\nتقدمت فيسبوك بطلب الاكتتاب العام الأولي (IPO) في 1 يناير 2012. وذكرت النشرة الأولية أن الشركة سعت إلى جمع 5 مليارات دولار، ولديها 845 مليون مستخدم نشط شهريًا، وحصد موقع إلكتروني 2.7 مليار إعجاب وتعليق يوميًا. بعد الاكتتاب العام، احتفظ زوكربيرج بحصة ملكية تبلغ 22٪ في فيسبوك وامتلك 57٪ من أسهم التصويت.\nقدّر متعهدو الاكتتاب الأسهم بـ 38 دولارًا لكل سهم، مقدرين قيمة الشركة بـ 104 مليار دولار، وهو أكبر تقييم حتى الآن لشركة عامة جديدة. في 16 مايو، قبل يوم واحد من الاكتتاب العام، أعلنت فيسبوك أنها ستبيع 25٪ من الأسهم أكثر مما كان مخططًا في الأصل بسبب ارتفاع الطلب. جمع الاكتتاب العام 16 مليار دولار، مما جعلها ثالث أكبر شركة في تاريخ الولايات المتحدة (متقدمة بقليل على أي تي أند تي وايرلس وخلفها فقط جنرال موتورز وفيزا). ترك سعر السهم للشركة رسملة سوقية أعلى من جميع الشركات الأمريكية باستثناء عدد قليل منها - متجاوزًا الشركات ذات الوزن الثقيل مثل أمازون، ماكدونالدز، ديزني وكرافت فودز - وجعل سهم زوكربيرج بقيمة 19 مليار دولار. ذكرت صحيفة نيويورك تايمز أن العرض تغلب على أسئلة حول صعوبات فيسبوك في جذب المعلنين لتحويل الشركة إلى «مخزون لا بد منه». ووصفها جيمي لي من جيه بي مورجان تشي","en_topic":"Meta Platforms","wiki_pageid":8472345,"wiki_revid":75910029,"source_url":"https://ar.wikipedia.org/?curid=8472345","license":"CC BY-SA 4.0"}
{"slug":"palantir-technologies","lang":"ar","title":"بالانتير للتكنولوجيا","text":"بالانتير للتكنولوجيا Palantir Technologies هي شركة برمجيات أمريكية عامة متخصصة في تحليلات البيانات الضخمة. يقع مقرها الرئيسي في دنفر، كولورادو، وقد أسسها بيتر ثيل، وناثان جيتينجز، وجو لونسديل، وستيفن كوهين، وأليكس كارب عام 2003. اسم الشركة مشتق من سيد الخواتم حيث كانت الحجارة السحرية «رؤية الأحجار»، والتي توصف بأنها كرات من الكريستال غير قابلة للتدمير تستخدم للتواصل ولرؤية الأحداث في أجزاء أخرى من العالم\nتشتهر الشركة بثلاثة مشاريع على وجه الخصوص: بالنتير غوثام وبلانتير ميتروبوليس وبلانتير فاوندري. يتم استخدام بالانتير غوثام من قبل محللي مكافحة الإرهاب في مكاتب في مجتمع الاستخبارات الأمريكية ووزارة الدفاع الأمريكية. سابقا تم استخدام جوثام من قبل محققي الاحتيال في مجلس مسؤولية الاسترداد والشفافية، وهي وكالة فدرالية أمريكية سابقة عملت من 2009 إلى 2015. تم استخدام غوثام أيضًا من قبل محللي الإنترنت في مراقبة حرب المعلومات، وهو مشروع كندي بين القطاعين العام والخاص يعمل من 2003 إلى 2012. يتم استخدام بالانتير ميتروبوليس من قبل صناديق الاحتياط الوقائية والبنوك وشركات الخدمات المالية. يتم استخدام فاوندري من قبل عملاء الشركات مثل مورغان ستانلي وميرك آند كو شركة تضامنية محدودة وإيرباص و Fiat Chrysler Automobiles NV.\nعملاء الشركة الأصليون كانوا وكالات فيدرالية تابعة لمجتمع الاستخبارات الأمريكي. ومنذ ذلك الحين وسعت قاعدة عملائها لخدمة حكومات الولايات والحكومات المحلية، فضلاً عن الشركات الخاصة في الصناعات المالية والرعاية الصحية. أعلن كارب، الرئيس التنفيذي للشركة، في عام 2013 أن الشركة لن تسعى إلى طرح عام أولي لأن طرح أسهمها للاكتتاب العام سيجعل «إدارة شركة مثل شركتنا أمرًا صعبًا للغاية». ومع ذلك في 18 أكتوبر 2018، ذكرت صحيفة وول ستريت جورنال أن شركة بلانتير كانت تفكر في طرح عام أولي في النصف الأول من عام 2019 بعد تقييم 41 مليار دولار. في يوليو 2020، تم الكشف عن أن الشركة قد تقدمت بطلب للاكتتاب العام.\nبلغت قيمة الشركة 9 مليارات دولار في أوائل عام 2014، حيث ذكرت مجلة فوربس أن التقييم جعل بلانتير «من بين شركات التكنولوجيا الخاصة الأكثر قيمة في وادي السيليكون». اعتبارا من ديسمبر 2014 كان بيتر ثيل أكبر مساهم فيها. في يناير 2015 بلغت قيمة الشركة 15 مليار دولار بعد جولة تمويل لم يكشف ع","en_topic":"Palantir Technologies","wiki_pageid":8055973,"wiki_revid":74228601,"source_url":"https://ar.wikipedia.org/?curid=8055973","license":"CC BY-SA 4.0"}
{"slug":"apple-inc","lang":"ar","title":"أبل","text":"شركة أبل (الإنجليزية: Apple Inc.‎) أو أبل (Apple) هي شركة تقنية أمريكية متعددة الجنسيات متخصصة في الإلكترونيات الاستهلاكية، البرامج والخدمات عبر الإنترنت ومقرها في كوبرتينو، كاليفورنيا، الولايات المتحدة. تعد أبل أكبر شركة لتكنولوجيا المعلومات من حيث الإيرادات، (بإجمالي 365٫8 مليار دولار أمريكي في عام 2021) واعتبارًا من مايو 2022، أصبحت ثاني أكبر شركة في العالم من حيث القيمة، رابع أكبر بائع لأجهزة الكمبيوتر الشخصية من حيث مبيعات الوحدات وثاني أكبر شركة الشركة المصنعة للهاتف المحمول. إنها واحدة من أكبر خمس شركات تكنولوجيا المعلومات الأمريكية، إلى جانب ألفابت، أمازون، ميتا، ومايكروسوفت.\nتأسست شركة أبل باسم آبل كومبيوتر كومباني (Apple Computer Company) في 1 أبريل 1976 على يد ستيف جوبز، ستيف وزنياك ورونالد واين لتطوير وبيع أجهزة كمبيوتر وزنياك أبل 1 الشخصية. تم تشكيلها من قبل جوبز ووزنياك باسم شركة آبل كومبيوتر (Apple Computer, Inc.‎). في عام 1977 والكمبيوتر التالي للشركة، أصبح أبل 2 من أكثر الحواسيب مبيعًا. تم طرح شركة أبل للاكتتاب العام في عام 1980، وحققت نجاحًا ماليًا فوريًا. طورت الشركة أجهزة كمبيوتر تتميز بواجهات مستخدم رسومية مبتكرة، بما في ذلك ماكنتوش الأصلي، الذي تم الإعلان عنه في إعلان لاقى استحسان النقاد، «1984»، من إخراج ريدلي سكوت. بحلول عام 1985، تسببت التكلفة المرتفعة لمنتجاتها والصراعات على السلطة بين المديرين التنفيذيين في حدوث مشكلات. تراجع وزنياك عن شركة أبل وديًا، بينما استقال جوبز لتأسيس شركة نِكست، واصطحب معه بعض موظفي شركة أبل.\nمع توسع وتطور سوق أجهزة الكمبيوتر الشخصية خلال التسعينيات، خسرت شركة أبل حصة كبيرة في السوق بسبب الاحتكار الثنائي الأقل سعراً لنظام التشغيل مايكروسوفت ويندوز على أجهزة الكمبيوتر المستنسخة التي تعمل بتقنية إنتل (المعروفة أيضًا باسم «وينتل»). في عام 1997، بعد أسابيع من الإفلاس، اشترت الشركة شركة نِكست (NeXT) لحل إستراتيجية نظام التشغيل غير الناجحة لشركة أبل وإغراء جوبز بالعودة إلى الشركة. على مدار العقد التالي، وجه جوبز شركة أبل إلى الربحية من خلال عدد من التكتيكات بما في ذلك تقديم آي ماك، آي بود، آيفون وآي باد لإشادة النقاد، وإطلاق حملات إعلانية لا تُنسى، وفتح سلسلة متاجر أبل ستور، والاستحواذ على العديد من الشركات لتوسيع نطاق ","en_topic":"Apple Inc.","wiki_pageid":63103,"wiki_revid":75926713,"source_url":"https://ar.wikipedia.org/?curid=63103","license":"CC BY-SA 4.0"}
{"slug":"alphabet-inc","lang":"ar","title":"ألفابت","text":"شركة ألفابت (الإنجليزية: .Alphabet Inc) هي شركة أمريكية تم تأسيسها في أغسطس 2015 من خلال إعادة هيكلة شركة Google ويقع مقرها الرئيسي في ماونتن فيو في كاليفورنيا، تعد هي الشركة القابضة لشركة جوجل ومجموعة من الشركات أخرى التي كانت تابعه لها من ضمنها: Wings وCalico وBoston Dynamics، ومختبرات جوجل (X Lab)، قام بتأسيس الشركة كلاً من لاري بايج وسيرجي برين مؤسسي شركة جوجل. وقد تم اختيار لاري بيج في منصب المدير التنفيذي للشركة، وسيرجي برين كرئيس للمجموعة، وتم اختيار إيريك شميت كرئيس مجلس الإدارة للشركة.\nكان الدافع وراء إنشاء شركة ألفابت Alphabet Inc. هو الرغبة في جعل الأعمال الأساسية لشركة Google «أكثر وضوحا وأكثر مسؤولية» مع السماح بقدر أكبر من الاستقلالية لمجموعة الشركات التي تعمل في أعمال غير خدمات الإنترنت.\nأعلن لاري بايج وسيرجي برين استقالتهما من مناصبهما التنفيذية في ديسمبر 2019، على أن يشغل سوندار بيتشاي دور الرئيس التنفيذي، وهو أيضًا الرئيس التنفيذي لشركة Google.\nيظل بيج وبرين مؤسسين مشاركين وموظفين وأعضاء مجلس إدارة ومساهمين مسيطرين على شركة ألفابت Alphabet Inc.\n== تاريخ ==\nتم الإعلان عن تأسيس الشركة في 10 أغسطس 2015 من خلال مدونة جوجل، حيث تم تغيير الهيكل المؤسسي لشركة جوجل والشركات التابعه لها بحيث تم فصل جوجل عن الشركات الأخرى (والتي كانت تعمل سابقا تحت مظلتها) من الناحية الإدارية والاستثمارية.وتحولت شركة جوجل إلى شركة تابعة لها، بحيث تضم الجديدة شركة جوجل بالاضافه إلى مجموعة من الشركات التي تعمل في مجالات أخرى، هذا وتم تحويل كافة أسهم جوجل المملوكه من قبل المستثمرين تلقائيا وبنفس عدد الأسهم إلى شركة ألفابيت، مع كامل وذات الحقوق وتم اختيار ساندر بيتشاي ليصبح المدير التنفيذي لجوجل خلفاً للاري بايج.\nأصبحت ألفابت صاحبة القيمة السوقية الأعلى في العالم، وذلك بعد إعلان أرباح الربع الأخير من 2015 ما رفع قيمة أسهم الشركة بمقدار 9% فأصبحت قيمتها السوقية 568 مليار دولار متفوقة على أبل التي بلغت قيمتها 535 مليار دولار.\n== شركات المجموعة ==\nبجانب أكبر شركة تابعة لها وهي شركة جوجل Google ، تمتلك شركة ألفابت Alphabet Inc العديد من الشركات التابعة الأخرى في العديد من الصناعات الأخرى،\nستشمل “الفابيت” عدة أقسام ضمن المجموعة\nاعتبارًا من 1 سبتمبر 2017، تحتفظ شركة تابعة تُعرف باسم ","en_topic":"Alphabet Inc.","wiki_pageid":2809149,"wiki_revid":75992307,"source_url":"https://ar.wikipedia.org/?curid=2809149","license":"CC BY-SA 4.0"}
{"slug":"ibm","lang":"ar","title":"آي بي إم","text":"شركة المؤسسة الدولية للحواسيب (الإنجليزية: International Business Machines Corporation)، تختصر IBM، هي شركة استشارية وتقنية أمريكية متعددة الجنسيات يقع مقرها الرئيسي في أرمونك، نيويورك، ويعمل بها أكثر من 350.000 موظف يخدمون عملاء في 170 دولة.\nفي 8 أكتوبر 2020، أعلنت شركة آي بي إم أنها بصدد تحويل وحدة خدمات البنية التحتية المُدارة التابعة لقسم خدمات التكنولوجيا العالمية إلى شركة عامة جديدة، وهو إجراء من المتوقع أن يكتمل بحلول نهاية عام 2021.\nتنتج شركة آي بي إم وتبيع أجهزة الحاسوب والبرمجيات الوسيطة والبرامج، وتوفر خدمات الاستضافة والاستشارات في مجالات تتراوح من أجهزة الحاسوب المركزية إلى تكنولوجيا النانو. وهي أيضًا منظمة بحثية رئيسية، اعتبارًا من عام 2020 تحمل الرقم القياسي لمعظم براءات الاختراع الأمريكية التي تنتجها شركة لمدة 27 عامًا متتالية. تشمل الاختراعات التي قامت بها شركة آي بي إم القرص المرن، ومحرك الأقراص الثابتة، وبطاقة الشريط الممغنطة، وقاعدة البيانات الارتباطية، ولغة برمجة إس كيو إل، والباركود رمز المنتج العالمي، وذاكرة الوصول العشوائي الديناميكية. كان حاسوب آي بي إم الرئيسي، الذي يمثله سيستيم/ 360، هو منصة الحوسبة المهيمنة خلال الستينيات والسبعينيات.\nآي بي إم، التي يشار إليها أحيانًا باسم بيج بلو، هي واحدة من 30 شركة مدرجة في مؤشر داو جونز الصناعي وواحدة من أكبر أرباب العمل في العالم، مع أكثر من 352.600 موظف اعتبارًا من عام 2019. ما لا يقل عن 70% من موظفي آي بي إم، المعروفين باسم \"IBMers\"، موجودون خارج الولايات المتحدة، مع وجود أكبر عدد في الهند. حصل موظفو شركة آي بي إم على خمس جوائز نوبل وستة جوائز تورينج وعشر ميداليات وطنية للتكنولوجيا (الولايات المتحدة الأمريكية) وخمس ميداليات وطنية للعلوم (الولايات المتحدة الأمريكية).\n== التاريخ ==\nتأسست شركة آي بي إم في عام 1911 في إنديكوت، نيويورك، كشركة الحوسبة-الجدولة-التسجيل وتمت إعادة تسميتها «آلات أعمال عالمية» في عام 1924. تم تأسيس آي بي إم في نيويورك ولديها عمليات في أكثر من 170 دولة.\nفي ثمانينيات القرن التاسع عشر ظهرت التقنيات التي من شأنها أن تشكل في النهاية جوهر ماكينات الأعمال الدولية (آي بي إم). يوليوس إي بيتراب براءة اختراع مقياس الحوسبة في عام 1885، اخترع الكسندر داي مسجل الاتصال الهاتفي (1888)، حصل ه","en_topic":"IBM","wiki_pageid":6346,"wiki_revid":75625825,"source_url":"https://ar.wikipedia.org/?curid=6346","license":"CC BY-SA 4.0"}
{"slug":"advanced-micro-devices","lang":"ar","title":"أيه إم دي","text":"أيه إم دي (الإنجليزية: Advanced Micro Devices أو اختصارا AMD)، هي شركة أمريكية متعددة الجنسيات تصنع أشباه الموصلات، يقع المقر الرئيسي للشركة في سانتا كلارا، كاليفورنيا. تقوم بتطوير معالجات الكمبيوتر والتقنيات ذات الصلة لأسواق الأعمال والمستهلكين. بينما كانت الشركة تصنع معالجاتها الخاصة في البداية، بعد أن تم إطلاق جلوبل فاونديرز في عام 2009، استعانت الشركة لاحقًا بمصادر خارجية لتصنيعها، وهي ممارسة تُعرف باسم \"التصنيع بدون إنتاج أشباه الموصلات\". وتشمل المنتجات الرئيسية لشركة إي إم دي: المعالجات الدقيقة، واللوحات الأم، والمعالجات المُدمجة ومعالجات الرسوميات للخوادم ومحطات العمل والحواسيب الشخصية وأجهزة الكمبيوتر وتطبيقات النظام المُدمجة.\n== التاريخ ==\n=== أول اثنتي عشرة سنة ===\nتم دمج «أدفانسيد ميكرو ديفايس» رسميًا بواسطة جيري ساندرز، جنبًا إلى جنب مع سبعة من زملائه من فيرتشايلد لأشباه الموصلات، في 1 مايو 1969. كان ساندرز، وهو مهندس كهربائي كان مديرًا للتسويق في فيرتشايلد، يشعر بالإحباط، مثل العديد من المديرين التنفيذيين في فيرتشايلد، بسبب النقص المتزايد في الدعم والفرص والمرونة داخل الشركة، وقرر المغادرة لبدء شركة أشباه الموصلات الخاصة به. روبرت نويس، الذي طور أول دائرة متكاملة من السيليكون في فيرتشايلد عام 1959، ترك فيرتشايلد مع غوردون مور وأسس شركة إنتل لأشباه الموصلات في يوليو 1968.\nفي سبتمبر 1969، انتقلت إي إم دي من موقعها المؤقت في سانتا كلارا إلى سانيفال، كاليفورنيا. لتأمين قاعدة عملاء على الفور، أصبحت إي إم دي في البداية موردًا ثانويًا للرقائق الدقيقة التي صممها فيرتشايلد وناشونال لأشباه الموصلات. ركزت إي إم دي أولاً على إنتاج شرائح منطقية. ضمنت الشركة مراقبة الجودة وفقًا للمعايير العسكرية الأمريكية، وهي ميزة في بداية صناعة الكمبيوتر نظرًا لأن عدم الموثوقية في الرقائق الدقيقة كانت مشكلة مميزة أراد العملاء (بما في ذلك الشركات المصنعة لأجهزة الكمبيوتر وصناعة الاتصالات السلكية واللاسلكية ومصنعي الأدوات) تجنبها.\nفي نوفمبر 1969، صنعت الشركة أول منتج لها: أيه إم 9300 (الإنجليزية: Am9300)، وهو سجل إزاحة مُدمج بحجم 4 بت، والتي تم بدأ بيعها في عام 1970. أيضًا في عام 1970، أنتجت إي إم دي أول منتج مملوك لها، العداد المنطقي أيه إم 2501 (الإنجليزية: Am2501)، والذي كان ناجحً","en_topic":"Advanced Micro Devices","wiki_pageid":176276,"wiki_revid":75969870,"source_url":"https://ar.wikipedia.org/?curid=176276","license":"CC BY-SA 4.0"}
{"slug":"salesforce","lang":"ar","title":"سيلز فورس","text":"سيلز فورس (الإنجليزية: Salesforce) هي شركة برمجيات سحابية أمريكية مقرها في سان فرانسيسكو، كاليفورنيا. على الرغم من أن الجزء الأكبر من إيراداتها يأتي من خدمة إدارة علاقات العملاء (CRM). تبيع أيضًا مجموعة متكاملة من تطبيقات المؤسسات التي تركز على خدمة العملاء، وأتمتة التسويق، والتحليلات، وتطوير التطبيقات.\nاحتلت سيلز فورس المرتبة الأولى في قائمة أفضل 100 شركة في فورتشن في عام 2018 والثانية في عام 2019. وفي مارس 2024 قامت الشركة بدفع أكثر من 20 مليون دولار مقابل استخدام اسم ووجه عالم الفيزياء الشهير \"ألبرت أينشتاين\"، كعلامة تجارية لترويج خدماتها ومنتجاتها التي تعمل بالذكاء الاصطناعي.\n== انظر أيضًا ==\nخدمات الويب الأمازون\nأوراكل كلاود\n== المراجع ==\n== وصلات خارجية ==\nالموقع الرسمي\nسيلز فورس على موقع Hugging Face (الإنجليزية)","en_topic":"Salesforce","wiki_pageid":6905151,"wiki_revid":75230771,"source_url":"https://ar.wikipedia.org/?curid=6905151","license":"CC BY-SA 4.0"}
{"slug":"sap","lang":"ar","title":"ساب","text":"ساب إس إي (SAP SE) هي شركة برمجيات ألمانية متعددة الجنسيات مقرها في فالدورف، بادن فورتمبيرغ، وتقوم بتطوير برمجيات المؤسسات لإدارة العمليات التجارية وعلاقات العملاء. تشتهر الشركة بشكل خاص ببرامج تخطيط موارد المؤسسات. إس إيه بي هي أكبر شركة برمجيات غير أمريكية من حيث الإيرادات، وثالث أكبر شركة برمجيات مطروحة للتداول العام في العالم من حيث الإيرادات، وأكبر شركة ألمانية من حيث القيمة السوقية.\nتبيع الشركة أيضًا برامج وتقنيات قواعد البيانات، والأنظمة السحابية، ومنتجات برامج المؤسسات، مثل برامج إدارة الموارد البشرية، وبرامج إدارة علاقات العملاء، إدارة أداء المؤسسات، إدارة دورة حياة المنتج، إدارة علاقات الموردين، إدارة سلسلة الإمداد.\nيقع المقر الرئيسي للشركة في فالدورف، بادن فورتمبيرغ، ألمانيا ولها مكاتب إقليمية في 180 دولة. تمتلك الشركة أكثر من 425,000 عميل في أكثر من 180 دولة وهي أحد مكونات مؤشر سوق الأسهم Euro Stoxx 50.\n== لمحة تاريخية ==\nعندما قررت شركة زيروكس الخروج من صناعة الكمبيوتر في عام 1975, طلبت من شركة IBM ترحيل جزء من أنظمة أعملها إليها وبالفعل أخذت الشركة الأمريكية العملاقة حقوق نظم البيانات العلمية (SDS)/SAPE بعقد يقال أنه وصل إلى 80 ألف دولار أمريكي.\nبعدها تكونت شركة ساب من قبل ستة مهندسين ألمان كانوا يعملون في شركة أي بي ام في العام 1972 وتركوها بسبب هذه الصفقة وقرورا إنشاء شركة خاصة بهم وكلمة ساب اختصار لـ (Systems, Applications and Products in Data Processing).\n== الأسواق والأعمال ==\nحقق نظامها لإدارة الموارد المؤسسية (SAP R3) شهره واسعة لما يمتلك من خصائص تجعلة من المرونة يتوافق مع العديد من قطاعات العمل الخاص والحكومي.\n== المنتجات ==\nالمنتج الرئيسي للشركة الآن هو SAP S/4Hana وهو عبارة توسيع لنظام الإدارة المؤسسية ليشمل التجارة الإلكترونية بحيث يمكن ريط الشركات ببعضها البعض في معاملتها من طلبات الشراء والفواتير.\n== المنافسة ==\nتصريحات شركة إس إيه بي الرسمية اكدت انها متعاقدة مع أكثر من 440000 عميل في أكثر من 180 بلد.\n== مراجع ==\n== وصلات خارجية ==\nالموقع الرسمي","en_topic":"SAP","wiki_pageid":86205,"wiki_revid":69162748,"source_url":"https://ar.wikipedia.org/?curid=86205","license":"CC BY-SA 4.0"}
{"slug":"tesla-inc","lang":"ar","title":"تسلا موتورز","text":"شركة تسلا (الإنجليزية: Tesla, Inc.‎) هي شركة تقع في كاليفورنيا متخصصة في صناعة السيارات الكهربائية، والمكونات الكهربائيّة للقطارات الكهربائية. هي شركة عامة يتم تداول أسهمها في بورصة ناسداك بشعار TESLA، وقد حازت أرباحًا بعدَ 10 سنواتٍ في الربع الأول عام 2013. يُعتبر ما جذب انتباهًا واسعًا لشركة تسلا هو إنتاجها لسيارات كهربائية من نوعِ سيدان، وعملية مثل السيارة تسلا طراز إس. الشركة أيضاً تقوم ببيع مجموعات بطاريات الليثيوم أيون لشركات عالمية، لاستخدامها في القطارات الكهربائية، وقد أعلن مجلس إدارة الشركة أنَّه يسعى للإنتاج الكمي للسيّارات الكهربائية، لخفض تكلفتها لتكون في متناول المُستهلك المتوسط.\nفي 26 أكتوبر 2021، وصلت تسلا إلى القيمة السوقية 1 تريليون دولار. وفي 5 أبريل 2024 كشف الرئيس التنفيذي إيلون ماسك على موقع التواصل الاجتماعي إكس أنه سيُكشف عن سيارة الأجرة ذاتية القيادة من تسلا في 8 أغسطس 2024.\nكانت تسلا موضوعًا للعديد من الدعاوى القضائيَّة والخلافات، الناشئة عن تصريحات وسلوك الرئيس التنفيذيّ إيلون ماسك، ومزاعم انتقام المبلغين عن المخالفات، وانتهاكات حقوق العمّال المزعومة، والمشاكل التقنيَّة والخطيرة معَ منتجاتها التي لم يتم حلها، تُعدّ تسلا أيضًا واحدة من أكثر الشركات للبيع المكشوف في التاريخ.\n== التاريخ ==\nتأسَّست شركة تسلا باسمِ تسلا موتورز \"Tesla Motors\" في 1 يوليو 2003 وكان مؤسسوها هم مارتن إبرهارد ومارك تاربنينغ. وكان دافعهما لتأسيس الشركة قيام جنرال موتورز بسحب جميع سياراتها الكهربائيّة EV1 في عام 2003 وتدميرها، ورؤيتهما لما تتميز به السيَّارات الكهربائيّة في كفاءة الوقود. وقال إيبرهارد إنه يريد إنشاء «شركة تصنيع سيارات تكنولوجية» تتمتع بتقنيات أساسية مثل «البطارية، وبرامج الكمبيوتر، والمحرك الخاص».\nوقد أنضم «إيان رايت» إلى تسلا بعدَ أشهر من تأسيسها وهو الموظف الثالث فيها، وتمّكن الثلاثة في فبراير 2004 من جمع مبلغ وقدرة 7.5 مليون دولار أمريكيّ لتمويل المجمُوعة A، وساهم إيلون ماسك بمبلغ 6.5 مليون دولار. ليصبح رئيسًا لمجلس الإدارة وإيبرهارد الرئيس التنفيذي. ولاحقاً في في مايو 2004 انضم جيفري براين ستراوبيل إلى الشركة.\n=== 2005 إلى 2009: رودستر ===\nقام ماسك بدور نشط داخل الشركة وأشرف على تصميم منتجات رودستر بمستوى مفصل، لكنّه لم يشارك بعمق في العمليَّات ا","en_topic":"Tesla, Inc.","wiki_pageid":1780727,"wiki_revid":75813197,"source_url":"https://ar.wikipedia.org/?curid=1780727","license":"CC BY-SA 4.0"}
{"slug":"uber","lang":"ar","title":"أوبر","text":"أوبر تكنولوجيز (الإنجليزية: Uber) هي شركة تكنولوجية أمريكية متعددة الجنسيات على شبكة الإنترنت، مقرها في مدينة سان فرانسيسكو بولاية كاليفورنيا. قامت بتطوير أسواق تعمل على تطبيق أوبر للهواتف النقالة، والذي يتيح لمستخدمي الهواتف الذكية طلب سائق مع سيارته بغرض التنقل، ويعد السائقون مستخدمين أيضا لنفس التطبيق ولكن للاستفادة منه مع العلم أن أوبر تخصم رسوما لاستخدام التطبيق من السائقين على كل رحلة. واعتبارا من 28 مايو 2016، كانت خدماتها متوفرة في 449 مدينة متوزعة على أكثر من 66 بلدا حول العالم. ومنذ إطلاقها، قامت العديد من الشركات الأخرى بنسخ نموذج أوبر في أعمالها، وهو الاتجاه الذي بات يشار إليها باسم \"Uberisation\".\nيُقدر أن لدى أوبر أكثر من 78 مليون مستخدم نشط شهريًا حول العالم. في الولايات المتحدة، تمتلك أوبر 67٪ من حصة السوق لمشاركة الرحلات و 24٪ من حصة السوق لتوصيل الطعام.\nكما يحدث مع الشركات المماثلة، تعرضت أوبر لانتقادات بسبب معاملتها للسائقين كمقاولين مستقلين، والتأثير سلباً في قطاع أعمال سيارات الأجرة، وزيادة الازدحام المروري. عندما كانت تحت قيادة الرئيس التنفيذي السابق ترافيس كالانيك، تعرضت الشركة لانتقادات بسبب العديد من الممارسات غير الأخلاقية.\n== تاريخ الشركة ==\nافتتح جارت كامب وترافيس كالانيك الشركة بأسم أوبركاب (بالإنجليزية: UberCab) في مدينة سان فرانسيسكو عام 2009.\nبعد أن أنفق كامب وأصدقاؤه 800 دولار للحصول على سائق خاص، أراد إيجاد طريقة لتقليل تكلفة النقل المباشر. لقد أدرك أن مشاركة التكلفة مع الناس يمكن أن تجعلها في متناول الجميع، وتحولت فكرته إلى أوبر. انضم كالانيك إلى كامب وأعطاه «الفضل الكامل لفكرة» أوبر. تم بناء النموذج الأولي من قبل كامب وأصدقائه، أوسكار سالازار وكونراد ويلان، مع كالانيك باعتباره «المستشار الضخم» للشركة.\nبعد إطلاق الإصدار التجريبي في مايو 2010، تم إطلاق خدمات أوبر وتطبيق الجوال رسميًا في سان فرانسيسكو في عام 2011. في الأصل، سمح التطبيق للمستخدمين فقط باستخدام سيارة سوداء فاخرة، وكان سعرها مرة ونصف سعر سيارة الأجرة.\nفي فبراير 2010، أصبح رايان غريفز أول موظف في أوبر. بدأ غريفز كمدير عام وعُين الرئيس التنفيذي بعد فترة وجيزة من الإطلاق. في ديسمبر 2010، خلف كالانيك غريفز كرئيس تنفيذي لأوبر. أصبح جريفز مدير عمليات الشركة. بحلول عام 2019، ام","en_topic":"Uber","wiki_pageid":3188356,"wiki_revid":75910088,"source_url":"https://ar.wikipedia.org/?curid=3188356","license":"CC BY-SA 4.0"}
{"slug":"shopify","lang":"ar","title":"شوبيفاي","text":"شوبيفاي (الإنجليزية: Shopify Inc.) هي شركة كندية متعددة الجنسيات للتجارة الإلكترونية ومقرها في أوتاوا، أونتاريو. Shopify هو اسم منصة التجارة الإلكترونية المملوكة لها للمتاجر عبر الإنترنت وأنظمة نقاط البيع بالتجزئة. تقدم منصة Shopify لتجار التجزئة عبر الإنترنت مجموعة من الخدمات بما في ذلك أدوات الدفع والتسويق والشحن ومشاركة العملاء.\nأفادت الشركة أن لديها أكثر من 2،000،000 شركة في حوالي 175 دولة باستخدام منصتها اعتبارًا من ديسمبر 2022، موزعة جغرافيًا على النحو التالي: 55٪ أمريكا الشمالية ، 25٪ أوروبا الشرق الأوسط وأفريقيا ، 15٪ آسيا والمحيط الهادئ ، أستراليا والصين و 5 ٪ في أمريكا اللاتينية (المكسيك وأمريكا الجنوبية). وفقًا لـ BuiltWith ، يعمل 1.58 مليون موقع على منصة Shopify اعتبارًا من عام 2021. وفقًا لـ W3Techs ، يستخدم 4.4٪ من أفضل 10 ملايين موقع Shopify. تجاوز إجمالي حجم البضائع الإجمالي 197 مليار دولار أمريكي لتقويم 2022. اعتبارًا من يوليو 2022، تعد Shopify من بين أكبر 20 شركة كندية مدرجة في البورصة من حيث القيمة السوقية.\n== مراجع ==\n== وصلات خارجية ==\nالموقع الرسمي","en_topic":"Shopify","wiki_pageid":8738666,"wiki_revid":75238496,"source_url":"https://ar.wikipedia.org/?curid=8738666","license":"CC BY-SA 4.0"}
{"slug":"twitter","lang":"ar","title":"إكس (منصة تواصل)","text":"إكس (X)، وعرف مسبقًا باسم تويتر (الإنجليزية: Twitter)، هو موقع تواصل اجتماعي أمريكي يقدم خدمة التدوين المصغر، والتي تتيح للمستخدمين إرسال \"تغريدات\" يمكن إعادة تغريدها أو الإعجاب بها من قبل المستخدمين الآخرين. تقتصر كل تغريدة على 280 حرفًا كحد أقصى، ويمكن نشرها عبر موقع إكس مباشرة أو من خلال الرسائل النصية القصيرة أو برامج المحادثة الفورية، وكذلك عبر التطبيقات التي يدعمها المطورون، مثل فيسبوك وغيره. تظهر التحديثات في صفحة المستخدم ويمكن للأصدقاء قراءتها من صفحتهم الرئيسية أو بزيارة الملف الشخصي للمستخدم. كما يمكن استقبال الردود والتحديثات عبر البريد الإلكتروني أو خلاصة الآر إس إس أو الرسائل النصية القصيرة، باستخدام أرقام خدمية في الولايات المتحدة، كندا، الهند، والمملكة المتحدة.\nأُطلق الموقع لأول مرة في يوليو 2006 بعد تأسيسه في مارس من نفس العام على يد جاك دورسي، ونوح غلاس، وبيز ستون وإيفان ويليامز. حقق الموقع شهرة واسعة عالميًا، فبحلول عام 2012 تجاوز عدد مستخدميه 100 مليون مستخدم ينشرون أكثر من 340 مليون تغريدة يوميًا. كما سجلت خدمة البحث في الموقع 1.6 مليار استعلام يوميًا. بحلول عام 2013، أصبح تويتر ضمن أكثر 10 مواقع زيارة في العالم. واعتبارًا من عام 2016، بلغ عدد المستخدمين النشطين شهريًا أكثر من 319 مليون مستخدم. ازداد تأثير الموقع بشكل كبير خلال انتخابات الرئاسة الأمريكية لعام 2016، حيث تم نشر أكثر من 40 مليون تغريدة متعلقة بالانتخابات حتى الساعة العاشرة مساءً بالتوقيت الشرقي.\nفي 25 أبريل 2022، وافق مجلس إدارة تويتر على عرض إيلون ماسك للاستحواذ على المنصة مقابل 44 مليار دولار أمريكي.\nوفي نوفمبر 2023، أعلن ماسك، مؤسس شركة xAI المتخصصة في تطوير أنظمة الذكاء الاصطناعي، عن إطلاق نسخة تجريبية لأول روبوت محادثة من تطوير الشركة تحت اسم Grok. هذه النسخة ستكون متاحة لعدد محدود من المستخدمين، مع إعطاء الأولوية للمشتركين في خدمة \"بريميوم بلس\" المدفوعة على منصة \"إكس\".\n== التاريخ ==\n=== التأسيس وردود الفعل ===\nعقدَ الرباعي المؤسس لتويتر «جلسة عصف ذهني» من خلال بث صوتي لمُناقشة الموضوع والخروج بخلاصة. حينهَا اقترحَ جاك دورسي الطالب في جامعة نيويورك فكرة استخدام خدمة الرسائل القصيرة للتواصل مع مجموعة صغيرة في أماكن مُختلفة حولَ العالم، وهذا ما وافقَ عليه باقي المؤسسين الثلاث. ","en_topic":"Twitter","wiki_pageid":349220,"wiki_revid":74915133,"source_url":"https://ar.wikipedia.org/?curid=349220","license":"CC BY-SA 4.0"}
{"slug":"github","lang":"ar","title":"غيت هاب","text":"غيت هاب (الإنجليزية: GitHub) هي شركة تابعة لمايكروسوفت توفر استضافة لتطوير البرامج والتحكم في الإصدار باستخدام غيت. توفر الشركة وظائف التحكم في الإصدار الموزع وإدارة كود المصدر (SCM) لـ «غيت»، بالإضافة إلى ميزاته الخاصة. يوفر النظام التحكم في الوصول والعديد من ميزات التعاون مثل تتبع الأخطاء وطلبات الميزات البرمجية وإدارة المهام والتركيب المتواصل ومواقع ويكي لكل مشروع\nغيت هاب. يقع مقرها الرئيسي في كاليفورنيا، وهي شركة تابعة لشركة مايكروسوفت منذ عام 2018.\nتقدم غيت هاب خدماتها الأساسية مجانًا. خدماتها المهنية والمشاريع الأكثر تقدمًا تكون تجارية. تُستخدم حسابات غيت هاب المجانية بشكل شائع لاستضافة مشاريع مفتوحة المصدر أو لاستضافة مواقع عن طريق خدمة صفحات غيت هب التي توفرها الشركة. اعتبارًا من يناير 2019، قدمت غيت هاب مستودعات خاصة غير محدودة لجميع الخطط، بما في ذلك الحسابات المجانية، ولكنها سمحت بما يصل إلى ثلاثة مطورين فقط لكل مستودع مجانًا. بدءًا من 15 أبريل 2020، سمحت الخطة المجانية لعدد غير محدود من المطورين، ولكنها قيدت المستودعات الخاصة بـ 2,000 دقيقة من إجراءات غيت هاب لكل شهر. اعتبارًا من يناير 2020، أعلن غيت هاب عن وجود أكثر من 40 مليون مستخدم وأكثر من 190 مليون مستودع(بما في ذلك ما لا يقل عن 28 مليون مستودع عام)، مما يجعله أكبر مضيف للكود المصدري في العالم.\n== التاريخ ==\nتم تطوير خدمة غيت هاب بواسطة كريس وانستراث، توم بريستون ويرنر وسكوت شاكون باستخدام روبي أون ريلز (الإنجليزية: Ruby on Rails)، وتم إطلاقها في فبراير 2008. شركة غيت هاب موجودة منذ عام 2007 ويقع مقرها في سان فرانسيسكو.\nفي 24 فبراير 2009، أعلن غيت هاب أنه خلال السنة الأولى من الاتصال بالإنترنت، جمع غيت هاب أكثر من 46000 مستودع عام، تم تشكيل 17000 منها في الشهر السابق. في ذلك الوقت، تم تفريع حوالي 6200 مستودع مرة واحدة على الأقل وتم دمج 4600 مستودع.\nفي نفس العام، تم استخدام الموقع من قبل أكثر من 100000 مستخدم، وفقًا لـ«غيت هاب»، نما الموقع لاستضافة 90.000 مستودع عام فريد، 12000 تم تفريعها مرة واحدة على الأقل، ليصبح المجموع 135000 مستودع.\nفي عام 2010، كان غيت هاب يستضيف مليون مستودع. بعد عام، تضاعف هذا الرقم. نشرت مدونة ريد رايت ويب (الإنجليزية: ReadWriteWeb) أن غيت هاب قد تجاوز سورس فورج وجوجل كود ","en_topic":"GitHub","wiki_pageid":1498918,"wiki_revid":75269391,"source_url":"https://ar.wikipedia.org/?curid=1498918","license":"CC BY-SA 4.0"}
{"slug":"atlassian","lang":"ar","title":"أتلاسيان","text":"أتلاسيان ()، (الإنجليزية: Atlassian) هي شركة برمجيات أسترالية تطور منتجات لمطوري البرمجيات ومديري المشاريع.\n== التسمية ==\nالاسم مشتق من عملاق أطلس في الأساطير اليونانية والإطاحة جبابرة . (الشكل المعتاد للكلمة هو أطلنطي Atlantean . ) انعكس الاشتقاق في شعار الشركة المستخدم من عام 2011 حتى إعادة تصميم العلامة التجارية عام 2017 من خلال شكل أزرق على شكل X يحمل ما يظهر أنه قاع السماء.\n== تاريخ ==\nأسس مايك كانون بروكس وسكوت فاركوهار شركة أتلاسيان في عام 2002. التقى الزوجان أثناء الدراسة في جامعة نيو ساوث ويلز في سيدني. حيث قاموا بتمهيد الشركة لعدة سنوات ، بتمويل الشركة الناشئة بدين بطاقة ائتمان بقيمة 10000 دولار.\n== عمليات الاستحواذ وإعلانات المنتجات ==\nفي عام 2010 ، استحوذت أتلاسيان على Bitbucket ، وهي خدمة مستضافة للتعاون في الكود. في مايو 2012 ، تم تقديم Atlassian Marketplace كموقع ويب حيث يمكن للعملاء تنزيل المكونات الإضافية لمنتجات أتلاسيان المختلفة. في نفس العام ، أصدرت أتلاسيان أيضًا Stash ، وهو مستودع Git للمؤسسات ، تمت إعادة تسميته لاحقًا باسم Bitbucket Server.\nتشمل المنتجات الإضافية Crucible و FishEye و Bamboo و Clover والتي تستهدف المبرمجين الذين يعملون مع قاعدة رمز. دخلت FishEye و Crucible و Clover إلى محفظة Atlassian من خلال الاستحواذ على شركة برمجيات أسترالية أخرى ، Cenqua ، في عام 2007. في عام 2012 ، استحوذت أتلاسيان على HipChat، وهي مراسلة فورية لبيئات العمل.\nأصبح دوج بورغوم رئيسًا لمجلس إدارتها في يوليو 2012.\nفي عام 2013 ، أعلنت Atlassian عن منتج مكتب خدمة Jira مع دعم كامل لاتفاقية مستوى الخدمة .Sourcetree هو عميل سطح مكتب Git وMercurial للمطورين على Mac أو Windows.\nفي عام 2015 ، أعلنت عن استحواذها على شركة دردشة العمل Hall ، بهدف ترحيل جميع عملاء Hall إلى منتج الدردشة HipChat الخاص بها.\nتم الاستحواذ على شركة ناشئة صغيرة تسمى Dogwood Labs في دنفر بولاية كولورادو والتي كان لديها منتج يسمى StatusPage في يوليو 2016.\nفي يناير 2017 ، أعلنت أتلاسيان عن شراء Trello مقابل 425 مليون دولارًا .\nفي 7 سبتمبر 2017 ، أطلقت الشركة سترايد، وهي دردشة ويب بديلة لـ Slack . بعد أقل من عام، في 26 يوليو 2018 ، أعلنت أتلاسيان أنها ستخرج من مجال الدردشة، وأنها باعت الملكية الفكرية","en_topic":"Atlassian","wiki_pageid":7884667,"wiki_revid":74879151,"source_url":"https://ar.wikipedia.org/?curid=7884667","license":"CC BY-SA 4.0"}
{"slug":"samsung-electronics","lang":"ar","title":"إلكترونيات سامسونج","text":"إلكترونيات سامسونج (الإنجليزية: Samsung Electronics)، (بأحرف الهانغول: 삼성전자) هي أكبر شركة إلكترونيات وتكنولوجيا المعلومات في العالم، يقع مقرها الرئيسيّ في سوون بكوريا الجنوبية. إلكترونيات سامسونج هي جزء من مجموعة سامسونج، وَالتي تُعتبر أكبر تكتل في كوريا الجنوبيَّة ورائدة السوق العالميّ بأكثر من 60 منتج بما في ذلك أشباه الموصلات مثل ذاكراة الوصول العشوائية الديناميكية DRAM والذاكرة الوميضية (ذاكرة الفلاش Flash Memory)، أجهزة العرضُ الرقميَّة مثل أجهزة تلفاز البلورات السائلة LCD والبلازما، الإلكترونيّات الاستهلاكيّة مثل مشغلات الدي في دي DVD Player والهواتف النقالة والكاميرات الرقمية وطابعات الليزر، الأجهزة المنزليَّة مثل الثلاجات والميكروويف وغسالات الأطباق.\nفي عام 2005، تفوقت سامسونج على المنافس الأقرب إليها سوني لأول مرَّة ليتم تقييمها من قبل إنتربراند Interbrand على أنَّها الشركة رقم 1 للإلكترونيات الاستهلاكيّة على مستوي العالم، وفي عام 2007، اجتاز قطاع الهواتف النقالة في إلكترونيات سامسونج منافسه موتورولا، جاعلاً موتورولا ثاني أكبر مصنع هواتف نقالة على مستوي العالم. وفي نهاية عام 2007، تخطت إلكترونيات سامسونج حاجز المائة مليار دولار في المبيعات السنويَّة لأول مرَّة في التاريخ. هذا الإنجاز جعل من إلكترونيات سامسونج واحدة من أكبر ثلاث شركات في صناعة الإلكترونيات.\n== التاريخ ==\n=== من 1969 إلى 1987 السنوات الأولى ===\nتمَّ تأسيس «سامسونج للصناعات الكهربائية» كقسم صناعي من «مجموعة سامسونج» في 19 يناير 1969 في سوون، وكانت مجموعة سامسونج شركة تجاريَّة متخصصة في الأسمدة والمحليات، وحسنت مكانتها في الصناعات التحويلية، وبتعاونها معَ الشركات اليابانيّة أثارت غضب المُنافسين الذين يخشون التبعية الصريحة لليابانيين، وكان توشيو ايو مؤسس سانيو مستشاراً لمؤسس سامسونج لي بيونغ-شول كونه مبتدئًا في مجال الإلكترونيات، وفي ديسمبر من نفس العام أنشأت إلكترونيات سامسونج مشروعًا مشتركًا باسمِ «سامسونج سانيو الكتريك» معَ شركة سانيو وشركة سوميتومو.\nكانت المُنتجات الأولى للمشروع المشترك هي الأجهزة الإلكترونيَّة والكهربائية وأجهزة التلفزيون والآلات الحاسبة والثلاجات ومكيفات الهواء والغسالات، وفي 1970 أنشأت سامسونج مشروعًا مشتركًا «سامسونج-إنَّ أي سي» معَ شركة إن إي سي اليابانيّة وشركة شركة س","en_topic":"Samsung Electronics","wiki_pageid":311668,"wiki_revid":74917031,"source_url":"https://ar.wikipedia.org/?curid=311668","license":"CC BY-SA 4.0"}
{"slug":"alibaba-group","lang":"ar","title":"مجموعة علي بابا","text":"مجموعة علي بابا القابضة (صينية مبسطة: 阿里巴巴集团 ؛ صينية تقليدية: 阿里巴巴集團 ؛ بينيين: Ālǐbābā Jítuán) هي شركة صينية في حوزة القطاع الخاص الصيني تكسب جل إيراداتها من أنشطتها التجارية عبر شبكة الإنترنت بما في ذلك محرك بحث للتسوق وخدمات الحوسبة السحابية وخدمات الدفع عبر الإنترنت وتجارة الجملة والتجزئة، إضافة إلى سوق عام يهدف لتسهيل التجارة بين الشركات والأفراد والتجار، على الصعيدين الدولي والصيني.\nويقع مقرها الرئيسي بمدينة هانغتشو، في جمهورية الصين الشعبية إذ حسب إحصاأت سنة 2014 توظف مجموعة علي بابا والشركات التابعة لها أكثر من 22,000 شخص في أكثر من 70 مدينة ومنطقة، بما في ذلك الصين، هونغ كونغ، الهند، اليابان، كوريا، تايوان، المملكة المتحدة والولايات المتحدة الأمريكية.\nفي عام 2012، قدرت قيمة مبيعات موقعين تابعين للمجموعة ب1.1 تريليون يوان (170 مليار دولار) بمعدل أكثر من موقعي المنافسين إيباي وأمازون مجتمعة وفي مارس 2013 قدرت المجلة الاقتصادية ذي إيكونومست القيمة مابين 55 مليار دولار لأكثر من 120 مليار دولار.\nتم إنشاء المجموعة في عام 1999 عندما أراد مؤسسها جاك ما إنشاء بوابة إلكترونية موجهة للأعمال لربط الصناع والتجار الصينيين بالمشترين من جميع أنحاء العالم أسماها علي بابا دوت كوم ثم أنشئ موقع تاوباو على غرار موقع إيباي الموجه من المستهلك إلى المستهلك، والذي يعتبر واحداً من 20 مواقعا الأكثر زيارة على مستوى العالم بضمه لما يقرب من مليار منتج. تمثل مواقع مجموعة علي بابا القابضة أكثر من ٪60 من الطرود المسلمة للصين.\nيمثل موقع علي باي (Alipay) خدمة الدفع المضمون عبر الإنترنت، ما يقرب نصف جميع معاملات الدفع الإلكتروني داخل الصين. تشكل فيها خدمات علي بابا الغالبية العظمى من هذه المدفوعات المستخدمة. حاليا تسعى المجموعة لطرح أبيل دوفر في الولايات المتحدة بعد تعذر التوصل إلى إتفاق مع المنظمين في هونغ كونغ.\n== التاريخ ==\nمجموعة علي بابا القابضة المحدودة، شركة صينية متعددة الجنسيات متخصصة في التجارة الإلكترونية، تجارة التجزئة، الإنترنت، وتكنولوجيا الذكاء الصناعي. تأسست الشركة في عام 1999، منذ ذلك الحين وهي تقدم خدمات البيع للمستهلكين من رجال الأعمال والشركات الأصغر حجما عبر بوابات الويب، بالإضافة إلى خدمات الدفع الإلكترونية ومحركات البحث للتسوق وخدمات الحوسبة السحابية. تدير علي بابا مجم","en_topic":"Alibaba Group","wiki_pageid":2241681,"wiki_revid":75704078,"source_url":"https://ar.wikipedia.org/?curid=2241681","license":"CC BY-SA 4.0"}
{"slug":"bytedance","lang":"ar","title":"بايت دانس","text":"بايت دانس هي شركة صينية لتكنولوجيا الإنترنت تشغل العديد من منصات المحتوى التي تدعم التعلم الآلي، ومقرها في هايديان، بكين. ومسجلة في جزر كايمان. أسسها تشانغ يي مين في عام 2012.\nالمنتج الأساسي ل بايت دانس توتيو (\"العناوين\")، وهي منصة محتوى في الصين وفي جميع أنحاء العالم. بدأت توتيو كمحرك لتوصيات الأخبار وتطورت تدريجياً إلى منصة تقدم محتوى في مجموعة متنوعة من التنسيقات، مثل النصوص والصور ومشاركات الأسئلة والأجوبة والمدونات الصغيرة ومقاطع الفيديو. تقدم توتيو لمستخدميها خلاصات معلومات شخصية مدعومة بخوارزميات التعلم الآلي. يتم تحديث موجز المحتوى بناءً على ما يتعلمه الجهاز عن تفضيلات القراءة للمستخدم.\nوتعد شركة \"بايت دانس إنترتينمنت\" شركة تابعة لها.\nحصلت بايت دانس على موسيقى بدء تشغيل موسيقي. و دمجت ميوزكلي مع دويون في تطبيق واحد تحت اسم تيك توك. كما تدير بيوزز فيديو وفيغو فيديو.\nكان لدى بايت دانس أكثر من 800 مليون مستخدم نشط يوميًا (أكثر من مليار مستخدم متراكم) في جميع أنظمة المحتوى الخاصة به اعتبارًا من نوفمبر 2018. بلغت قيمة الشركة 78 مليار دولار اعتبارًا من نوفمبر 2018 ، وتعتبر واحدة من أكثر الشركات حيدة القيمة في العالم. وتحظى الشركة بدعم من كولبرج كرافيس روبرتس ومجموعة سوفت بنك و سكيويا كابيتال جنرال أتلانتيك وهيلهاوس كابيتال جروب.\n== تاريخ ==\n=== الخلفية ===\nفي عام 2009 ، تعاون مهندس البرمجيات ورائد الأعمال تشانغ ييمينغ مع صديقه ليانغ روبو لتأسيس 99fang.com ، وهو محرك بحث عن العقارات. في أوائل عام 2012، استأجر الثنائي شقة في Zhongguancun وبدأوا، بالإضافة إلى عدد من موظفي 99fang، في تطوير تطبيق يستخدم خوارزميات البيانات الضخمة لتصنيف الأخبار وفقًا لتفضيلات المستخدمين ، والذي سيصبح فيما بعد Toutiao. في مارس من نفس العام ، أسس ييمينغ وليانغ بايت دانس.\n== قضايا عامة ==\nحازت الشركة على اهتمام الرأي العام العالمي بشأن مزاعم تفيد بأنها تعمل عن كثب مع الحزب الشيوعي الصيني للتجسس ومراقبة المحتوى المتعلق بالأويغور، ولا سيما المحتوى المتعلق بمعسكرات إعادة التعليم في شينجيانغ.\n== مراجع ==\n== وصلات خارجية ==\nالموقع الرسمي","en_topic":"ByteDance","wiki_pageid":6905160,"wiki_revid":71562271,"source_url":"https://ar.wikipedia.org/?curid=6905160","license":"CC BY-SA 4.0"}
{"slug":"geoffrey-hinton","lang":"ar","title":"جيفري هينتون","text":"جيفري هينتون (الإنجليزية: Geoffrey Hinton) عالم نفس معرفي وعالم حاسوب كندي إنجليزي، حصل على جائزة نوبل في الفيزياء لعام 2024 وحائز على وسام كندا برتبة رفيق، وزمالة الجمعية الملكية الكندية، يُعد عمله الأكثر شهرة في الشبكة العصبونية الاصطناعية. يقسم وقته منذ عام 2013 في العمل مع جوجل (فريق جوجل براين البحثي)، وفي جامعة تورنتو. في عام 2007، شارك في إنشاء معهد فيكتور في تورنتو، وأصبح كبير المستشارين العلميين.\nكان هينتون مؤلفًا مشاركًا مع ديفيد روميلهارت ورونالد جاي. ويليامز لورقة أشيد بها إشادة ملحوظة، نُشرت في عام 1986، والتي عممت لوغاريتمية الانتشار الخلفي لتدريب الشبكات العصبونية متعددة الطبقات، على الرغم من عدم كونهم أول مقترحي هذا النهج. ينظر البعض إلى هينتون على أنه شخصية قيادية في مجتمع التعلم المتعمق، ويشير إليه البعض بـ«عرّاب التعلم المتعمق». ساعد الحدث الرئيسي الدراماتيكي في التعرف على الصور بواسطة أليكس نت (شبكة عصبونية التفافية) التي صممها تلميذه أليكس لتحدي إيميج نت عام 2012 في إحداث ثورة في مجال رؤية الكومبيوتر حصل هينتون على جائزة تورنغ لعام 2018 إلى جانب يوشوا بينجو ويان لوكن لعملهم في التعلم المتعمق.\nيشير البعض إلى هينتون بالإضافة إلى يوشوا بينجو ويان لوكن بـ «عرابي الذكاء الاصطناعي» و«عرابي التعلم المتعمق».\n== تعليمه ==\nتعلّم هينتون في كلية الملك في كامبردج، وتخرج منها في عام 1970 حائزًا على بكالوريوس في الآداب في علم النفس التجريبي. واصل دراسته في جامعة إدنبره حيث حصل على درجة الدكتوراه في الذكاء الاصطناعي في عام 1978 عن بحثه الذي أشرف عليه كريستوفر لونغويت هيغنز.\n== مسيرته المهنية وأبحاثه ==\nعمل بعد حصوله على درجة الدكتوراه في جامعة ساسكس، وفي جامعة كاليفورنيا، سان دييغو (وذلك بعد صعوبة في إيجاد تمويل في بريطانيا)، وفي جامعة كارنيغي ميلون. كان المدير المؤسس لوحدة علم الأعصاب الحاسوبية لمؤسسة غاتسبي الخيرية في كلية لندن الجامعية، وهو حاليًا أستاذ في قسم علم الحاسوب في جامعة تورنتو. وهو حاصل على كرسي الأبحاث الكندي في التعلم الآلي، ومستشار حاليًا في برنامج التعلم في الآلات والأدمغة في المعهد الكندي للأبحاث المتقدمة. درّس هينتون كورسًا مجانيًا عبر الإنترنت حول الشبكات العصبية على المنصة التعليمية كورسيرا في عام 2012. انضم هينتون إلى جوجل في مارس عام 2","en_topic":"Geoffrey Hinton","wiki_pageid":5774027,"wiki_revid":75100543,"source_url":"https://ar.wikipedia.org/?curid=5774027","license":"CC BY-SA 4.0"}
{"slug":"yann-lecun","lang":"ar","title":"يان ليكون","text":"يان أندري ليكون (من مواليد 8 يوليو 1960) هو عالم حاسوب فرنسي يعمل بشكل أساسي في مجالات التعلم الآلي الرؤية الحاسوبية والروبوتات المتنقلة وعلم الأعصاب الحسابي. وهو الأستاذ الفضي لمعهد كورانت لعلوم الرياضيات في جامعة نيويورك، ونائب الرئيس، وكبير علماء الذكاء الاصطناعي في فيسبوك.\nوهو معروف بعمله في التعرف البصري على الأحرف والرؤية الحاسوبية باستخدام الشبكات العصبية التلافيفية (CNN)، وهو الأب المؤسس للشبكات التلافيفية. وهو أيضًا أحد المبدعين الرئيسيين لتقنية ضغط الصور ديجافو (جنبًا إلى جنب مع ليون بوتو وباتريك هافنر). شارك في تطوير لغة البرمجة Lush مع ليون بوتو.\nحصل ليكون على جائزة تورنغ لعام 2018 (يشار إليها غالبًا باسم «جائزة نوبل للحوسبة»)، جنبًا إلى جنب مع يوشوا بنجيو وجيوفري هينتون، لعملهم في التعلم العميق. يشار إلى الثلاثة أحيانًا باسم «عرابوا الذكاء الاصطناعي» و«عرابوا التعلم العميق».\n== المراجع ==","en_topic":"Yann LeCun","wiki_pageid":8473912,"wiki_revid":72045757,"source_url":"https://ar.wikipedia.org/?curid=8473912","license":"CC BY-SA 4.0"}
{"slug":"ilya-sutskever","lang":"ar","title":"إيليا سوتسكيفر","text":"إيليا سوتسكيفر هو عالم حاسوب يعمل في مجال التعلم الآلي وشغل منصب رئيس علماء في مؤسسة اوبن أيه آي .\nقدم سوتسكيفر العديد من المساهمات الرئيسية في مجال التعلم العميق . وهو المخترع المشارك مع ألكسندر كريجفسكي وجيفري هينتون لشبكة اليكس نت العصبية التلافيفية . سوتسكيفر هو أيضًا أحد مؤلفي الورقة البحثية لـ ألفا غو.\n== المسار المهني ==\nدرس سوتسكيفر في الجامعة المفتوحة في إسرائيل بين عامي 2000 و2002. لاحقا حصل على البكالوريوس والماجستير والدكتوراة في علوم الكمبيوتر من جامعة تورنتوقسم علوم الحاسب الآلي ، حيث كان جوفري هينتون مشرفه اثناء الدراسة.\nبعد التخرج في عام 2012 ، أمضى سوتسكيفر شهرين كباحث ما بعد الدكتوراه مع أندرو نج في جامعة ستانفورد . عاد بعد ذلك إلى جامعة تورنتو وانضم إلى شركة الأبحاث الجديدة DNNResearch التابعة لهينتون ، وهي فرع من مجموعة أبحاث هينتون. بعد أربعة أشهر ، في مارس 2013 ، استحوذت شركة جوجل على DNNResearch ووظفت سوتسكيفر كعالم أبحاث في جوجل برين .\nفي جوجل برين ، عمل Quoc مع اوريال فينيالز و كواك لي لإنشاء خوارزمية التعلم من التسلسل إلى التسلسل.\nفي عام 2015 ، تم تسمية سوتسكيفر في مجلة إم آي تي تكنولوجي ريفيو ضمن 35 مخترع تحت سن ال 35.\nفي نهاية عام 2015 ، غادر شركة جوجل ليصبح مدير شركة أوبن أيه آي التي تأسست حديثًا.\nكان سوتسكيفر المتحدث الرئيسي في معرض نيفيديا تكنو 2018 و مؤتمر حدود الذكاء الاصطناعي 2018 .\n== مراجع ==","en_topic":"Ilya Sutskever","wiki_pageid":8476736,"wiki_revid":72656786,"source_url":"https://ar.wikipedia.org/?curid=8476736","license":"CC BY-SA 4.0"}
{"slug":"demis-hassabis","lang":"ar","title":"ديمس هاسابيس","text":"ديمس هاسابيس أو دميس حسّابيس (الإنجليزية: Demis Hassabis) (مواليد 27 يوليو 1976) هو باحث في مجال الأعصاب، والذكاء الصناعي، ومصمم ألعاب كمبيوتر. وصاحب نقاط على مستوى عالمي في ألعاب الكمبيوتر.\n== مهنته وأبحاثه ==\n=== ليونهيد استوديو ===\nبعد تخرجه من كامبريدج، عمل هاسابيس في استوديوهات ليونهيد. أسس مصمم الألعاب بيتر مولينيو، الذي عمل معه هاسابيس في شركة بولفروغ برودكشن، الشركة ذاتها مؤخرًا. في استوديو ليونهيد، عمل هاسابيس كمبرمج رئيسي للذكاء الاصطناعي في لعبة بلاك آند وايت في عام 2001.\n=== إليكسر استوديو ===\nغادر هاسابيس استوديو ليونهيد في عام 1998 ليباشر بتأسيس إليكسر استوديو، وهي شركة مطورة للألعاب المستقلة مقرها لندن، بعد توقيع صفقات نشر مع شركات مثل سكوير إنكس يوروب وفيفاندي ومايكروسوفت. بالإضافة إلى إدارة الشركة، عمل هاسابيس كمصمم تنفيذي للألعاب المرشحة من قِبَل الأكاديمية البريطانية لفنون السينما والتلفزيون (بافتا): ريببليك: ذا ريفلوشن و إيفل جينيس.\nتأخر إصدار لعبة استوديو إليكسر الأولى، ريببليك: ذا ريفلوشن، وهي لعبة محاكاة سياسية مشوقة للغاية وغير عادية بسبب نطاق انتشارها الواسع. تم عمل نسخة مصغرة عن اللعبة النهائية من نسختها الأصلية لكنها استُقبلت بمراجعات عادية جدًا وحصلت على درجة ميتاكريتيك 62/100. كان أداء لعبة إيفل جينيس، وهي عبارة عن شخصية شريرة شبيهة بجيمس بوند لديها لسان يخرج من وجنتيها، أفضل بكثير من قبلها بنتيجة 75/100. في أبريل عام 2005، تم بيع حقوق الملكية الفكرية والتكنولوجية لمختلف الناشرين وتم إغلاق الاستوديو.\n=== أبحاث علم الأعصاب في جامعة كوليدج لندن ===\nبعد استوديوهات إليكسر، عاد هاسابيس إلى الأوساط الأكاديمية للحصول على درجة الدكتوراه في علم الأعصاب المعرفي من كلية لندن الجامعية (يو سي إل) في عام 2009 تحت إشراف إليانور ماغواير. وقد سعى هاسابيس لإيجاد الإلهام من الدماغ البشري لخوارزميات الذكاء الاصطناعي الجديدة.\nواصل هاسابيس أبحاثه في علم الأعصاب المعرفي والذكاء الاصطناعي كأستاذ زائر مشترك في معهد ماساتشوستس للتكنولوجيا (إم آي تي)، في مختبر توماسو بوجيو وجامعة هارفرد، قبل أن يحصل على زمالة هنري ويلكوم البحثية لما بعد الدكتوراه في مؤسسة غاتسبي الخيرية للعلوم العصبية الحاسوبية في كلية لندن الجامعية في عام 2009 بالعمل مع بيتر دايان.\nعمل هاسابيس في","en_topic":"Demis Hassabis","wiki_pageid":3056239,"wiki_revid":75159803,"source_url":"https://ar.wikipedia.org/?curid=3056239","license":"CC BY-SA 4.0"}
{"slug":"sam-altman","lang":"ar","title":"سام ألتمان","text":"سام ألتمان (الإنجليزية: Sam Altman) هو رائد أعمال، ومستثمر، ومبرمج، ومدوّن أمريكي، يشغل منصب الرئيس التنفيذي لشركة أوبن أيه آي (الإنجليزية: OpenAI) وكان رئيسًا لشركة واي كومبناتور (الإنجليزية: Y Combinator) من 2014 إلى 2019.\n== نشأته وتعليمه ==\nولد ألتمان في شيكاغو، ونشأ في سانت لويس بولاية ميزوري لأسرة يهودية، وكانت والدته طبيبة جلد. تلقى أول جهاز كمبيوتر له في سن الثامنة. ودرس الثانوية في مدرسة جون بوروز ودرس علوم الكمبيوتر في جامعة ستانفورد حتى تركها في عام 2005. حصل على درجة فخرية من جامعة واترلو في عام 2017.\n== مسيرته العملية ==\nفي 17 نوفمبر 2023 أقيل سام ألتمان من منصبه كرئيس تنفيذي لشركة \"OpenAI\" لكنه أُعيد بعد بضعة أيام.\n== حياته ==\nأعلن عن كونه مثلي جنسيًا عندما كان في المدرسة الثانوية بعمر السابعة عشر. وكان مرتبطًا لتسع سنوات بـ \"نيك سيفو\" الذي عمل معه في تأسيس شركة Loopt المتخصصة في خدمة مشاركة الموقع للهواتف المحمولة.\n== مراجع ==\n== وصلات خارجية ==\nالموقع الرسمي\nسام ألتمان على موقع IMDb (الإنجليزية)\nسام ألتمان على موقع الموسوعة البريطانية (الإنجليزية)\nسام ألتمان على موقع مونزينجر (الألمانية)\nسام ألتمان على موقع قاعدة بيانات الفلم (الإنجليزية)","en_topic":"Sam Altman","wiki_pageid":4227687,"wiki_revid":75204003,"source_url":"https://ar.wikipedia.org/?curid=4227687","license":"CC BY-SA 4.0"}
{"slug":"jensen-huang","lang":"ar","title":"جين-سون هوانغ","text":"جين-سون هوانغ (بالصينية: 黃仁勳) مواليد 17 فبراير 1963 في تايبيه، تايوان، هو رجل أعمال ورائد أعمال أمريكي من أصل تايواني. شارك في تأسيس شركة إنفيديا التي تنتج معالجات الرسوميات للحواسيب ويشغل منصب رئيس الشركة ومديرها التنفيذي. تخرج هوانغ من جامعة ولاية أوريغون قبل أن ينتقل إلى كاليفورنيا حيث تخرج من جامعة ستانفورد. في عام 2008 أدرجته فوربس في المرتبة 61 ضمن قائمة الرؤساء التنفيذيين الأعلى أجرا في الولايات المتحدة،وفي مايو 2024 وصلت صافي ثروته إلى 91.3 مليار دولار، ليصل إلى المركز السابع عشر في قائمة أغنى أثرياء العالم وفقاً لـمؤشر بلومبرغ للمليارديرات.\n== انظر أيضًا ==\nإنفيديا\n== مراجع ==","en_topic":"Jensen Huang","wiki_pageid":2519168,"wiki_revid":75887508,"source_url":"https://ar.wikipedia.org/?curid=2519168","license":"CC BY-SA 4.0"}
{"slug":"dario-amodei","lang":"ar","title":"داريو أمودي","text":"داريو أمودي (بالإنجليزية: Dario Amodei) (مواليد 1983) هو باحث ورائد أعمال أمريكي في مجال الذكاء الاصطناعي. وهو المؤسس المشارك والرئيس التنفيذي لشركة أنثروبيك، الشركة المطورة لسلسلة نماذج اللغة الكبيرة كلود. كان سابقًا نائب رئيس الأبحاث في شركة أوبن إيه آي.\nبصفته الرئيس التنفيذي لشركة أنثروبيك، يكتب بانتظام عن فوائد ومخاطر أنظمة الذكاء الاصطناعي المتقدمة. وهو مؤيد لاستراتيجية \"التفاهم\" التي تقوم فيها مجموعة من الدول الديمقراطية باستخدام أنظمة الذكاء الاصطناعي المتقدمة في التطبيقات العسكرية لتحقيق تفوق حاسم على الخصوم، مع تقاسم الفوائد مع الدول المتعاونة.\n== نشأته وتعليمه ==\nوُلِد داريو أمودي في سان فرانسيسكو، كاليفورنيا، عام 1983. والدته هي إيلينا إنجل، وهي يهودية ولدت في شيكاغو، وعملت كمديرة مشاريع للمكتبات. والده هو ريكاردو أمودي، أمريكي من أصل إيطالي وكان حرفيًا في صناعة الجلود. شقيقته الصغرى، دانييلا، ولدت بعد ذلك بأربع سنوات وتشاركه تأسيس شركة أنثروبيك.\nنشأ داريو في سان فرانسيسكو وتخرج من مدرسة لويل الثانوية. كان عضوًا في فريق الأولمبياد الأمريكي للفيزياء عام 2000. بدأ أمودي دراسته الجامعية في معهد كاليفورنيا للتقنية (Caltech)، حيث عمل مع توم تومبرلو كأحد طلابه في الفيزياء. انتقل لاحقًا إلى جامعة ستانفورد، حيث حصل على درجة البكالوريوس في الفيزياء. يحمل أيضًا درجة الدكتوراه في الفيزياء الحيوية من جامعة برينستون، حيث درس الفيزيولوجيا الكهربائية للدوائر العصبية. كان باحثًا ما بعد الدكتوراه في كلية الطب بجامعة ستانفورد.\n== المسيرة المهنية ==\nمن نوفمبر 2014 حتى أكتوبر 2015، عمل أمودي في شركة بايدو الصينية. بعد ذلك، انتقل للعمل في جوجل. في عام 2016، انضم أمودي إلى أوبن إيه آي.\nفي عام 2021، أسس داريو وشقيقته دانييلا شركة أنثروبيك بالاشتراك مع أعضاء كبار سابقين آخرين من أوبن إيه آي. كان الأخوان أمودي من بين الذين غادروا أوبن إيه آي بسبب خلافات في التوجه. اعتبارًا من فبراير 2026، بلغت القيمة التقديرية لشركة أنثروبيك 380 مليار دولار.\nفي نوفمبر 2023، تواصل مجلس إدارة أوبن إيه آي مع أمودي لاستبدال سام ألتمان والاندماج المحتمل بين الشركتين الناشئتين. رفض أمودي كلا العرضين.\nفي عام 2025، أدرجت مجلة تايم أمودي في قائمة أكثر 100 شخصية تأثيرًا في العالم. كما تم اختياره كأحد \"مهند","en_topic":"Dario Amodei","wiki_pageid":10331753,"wiki_revid":74434904,"source_url":"https://ar.wikipedia.org/?curid=10331753","license":"CC BY-SA 4.0"}
{"slug":"marvin-minsky","lang":"ar","title":"مارفن مينسكي","text":"مارفن لي مينسكي (الإنجليزية: Marvin Minsky) ‏(9 أغسطس 1927 - 24 يناير 2016)، عالِم أمريكي مُختص بالعلوم الإدراكية والمعرفية في مجال الذكاء الاصطناعي (الإنجليزية: AI)، وهو مؤسس مشارك لمعهد ماساتشوستس للتكنولوجيا ومختبر الذكاء الاصطناعي، كما ألف عِدة نصوص في مجال الذكاء الاصطناعي والفلسفة.\n== حياته ==\nولد مارفن في مدينة نيويورك في الولايات المتحدة لعائلة يهودية.\nحصل على شهادة البكالوريوس في الرياضيات من جامعة هارفارد، وأكمل الدكتوراه في جامعة برنستون عام 1954 م.\n== مراجع ==\n== وصلات خارجية ==\nمارفن مينسكي على موقع IMDb (الإنجليزية)\nمارفن مينسكي على موقع الموسوعة البريطانية (الإنجليزية)\nمارفن مينسكي على موقع ميوزك برينز (الإنجليزية)\nمارفن مينسكي على موقع إن إن دي بي (الإنجليزية)\nمارفن مينسكي على موقع ديسكوغز (الإنجليزية)\nالموقع الرسمي لمارفن مينسكي نسخة محفوظة 3 أغسطس 2008 على موقع واي باك مشين","en_topic":"Marvin Minsky","wiki_pageid":1060103,"wiki_revid":75401147,"source_url":"https://ar.wikipedia.org/?curid=1060103","license":"CC BY-SA 4.0"}
{"slug":"herbert-a-simon","lang":"ar","title":"هيربرت سيمون","text":"ولد هربرت سيمون (الإنجليزية: Herbert A. Simon) في ميلووكي في 15 يونيو 1916 من رواد علوم الحاسب، وعالم نفس واجتماع\n== بداياته ==\nهربرت سيمون كان والده مهندس كهرباء هاجر إلى الولايات المتحدة تاركا ألمانيا في عام 1903 بعد أن حصل على شهادة في الهندسة من أحد جامعات ألمانيا وكان المصمم والمخترع لبعض الأجهزة لمراقبة المعدات الكهربائية وقد حصل سيمون «الأب» على دكتوراه فخرية من جامعة ماركيه في الهندسة.\nتلقى سيمون التعليم الابتدائي والثانوي في ميلووكي ثم في مدرسة الأعمال وكان له اهتمام بالبيسبول وكرة القدم ودرس الاقتصاد في ونيفيرستيتي يسكونسن وقد تمكّن من تحقيق قاعدة واسعة من المعرفة في الاقتصاد والعلوم السياسية مع تحقيق مهارات متقدمة في الرياضيات والمنطق الرمزي والإحصاء الرياضي وهناك التقى مع اقتصادي رياضي هو «هنري شولتز» ودرس أيضا مع رودولف كارناب «منطق نيكولاس راشيفسكي» في الرياضيات والفيزياء وتقابل مع هارولد لاسويل وتشارلز ميريام في العلوم السياسية. كما تطرق أيضا إلى دراسة جادة من الدراسات العليا في الفيزياء لتعزيز معرفته بالمهارات الحسابية والتدريب على المعرفة لكنه كان دائم الاهتمام بالفلسفة والفيزياء وله عدة منشورات عن تبسيط الحقائق في الميكانيكا الكلاسيكية.\n== مساهماته ==\nتخرج في عام 1936 وفي الفترة من 1939 إلى 1942 عمل مع فريق بحثي في جامعة كاليفورنيا (بيركيلي) بالترتيب مع جامعة شيكاغو وقدم في امتحانات الدكتوراه بحثه عن اتخاذ القرارات الإدارية خلال السنوات الثلاث في بيركلي، وهناك التقى مع يعقوب مارشاك وتجالينغ كوبمان وأيضا كينيث أرو وليو هورويتش ولورانس كلاين وودون باتينكين وأوسكار لانج وميلتون فريدمان وفرانكو موديغلياني في كثير من الندوات ثم في السنة الثانية في التعليم والاقتصاد المكمل ونظرية نيمان بيرسون والإحصائيات وقابل هنري شولتز (من جيرزي نيمان في بيركلي) مع دراسة دقيقة لكيني في النظرية العامة (التي مفهوم النماذج الرياضية التي اقترحها ميد وهيكس وموديغلياني التقنيات الاقتصادية التي أدخلتها فريش كما درس سأمويلسون وشارك مع مارشال وسام شور في دراسة عن الآثار الاقتصادية المحتملة للطاقة الذرية.\nوفي الفترة من 1950 إلى 1955 وخلال هذا الوقت عمل على دراسة العلاقات السببية بين الطلب وقدم مع هوكينز دراسة على الشروط النظرية لوجود حل ايجابي في ناقلات المدخلات والمخرجات كذلك «","en_topic":"Herbert A. Simon","wiki_pageid":125874,"wiki_revid":75505207,"source_url":"https://ar.wikipedia.org/?curid=125874","license":"CC BY-SA 4.0"}
{"slug":"john-von-neumann","lang":"ar","title":"جون فون نيومان","text":"كان جون فون نيومان (28 ديسمبر 1903 - 8 فبراير 1957) (الإنجليزية: John Von Neumann) رياضياتيًا مجريًا أمريكيًا، وفيزيائيًا، وعالم حاسوب، ومهندسًا، وموسوعيًا. اعتُبر فون نيومان عمومًا الرياضياتي الأبرز في زمانه، وقيل إنه «آخر ممثل للرياضياتيين العظماء». دمج بين العلوم الصرفة والتطبيقية.\nقدم نيومان إسهامات كبرى في العديد من الميادين، بما فيها الرياضيات (أُسس الرياضيات، والتحليل الدالي، ونظرية إرجوديك، ونظرية الزمر، ونظرية التمثيل، والجبر المشغّل، والهندسة الرياضية، والطوبولوجيا، والتحليل العددي)، والفيزياء (ميكانيكا الكم، وجريان الموائع، وميكانيكا الكم الإحصائية)، والاقتصاد (نظرية الألعاب)، والحوسبة (هيكلة فون نيومان، والبرمجة الخطية، والآلات المتضاعفة ذاتيًا، والحوسبة العشوائية)، والإحصاء. كان رائدًا في تطبيق نظرية المؤثرات على ميكانيكا الكم في تطوير التحليل الدالي، وشخصية رئيسة في تطوير نظرية الألعاب ومفاهيم الأتمتة الخلوية، والبنّاء الشامل والحاسوب الرقمي.\nنشر نيومان أكثر من 150 ورقة بحثية في حياته: نحو 60 منها في الرياضيات الصرفة، و60 في الرياضيات التطبيقية، و20 في الفيزياء، والباقي في مواضيع خاصة رياضية أو غير رياضية. نُشر آخر أعماله، وهو مخطوطة يدوية غير منتهية كتبها وهو في المشفى، لاحقًا في هيئة كتاب تحت اسم الحاسوب والدماغ.\nسبق تحليله لبنية التضاعف الذاتي اكتشاف بنية الحمض النووي الريبوزي منفوص الأكسجين. في قائمة قصيرة من الحقائق حول حياته سلمها للأكاديمية الوطنية للعلوم، كتب: «إن الجزء الذي أعتبره الأهم في عملي هو ذاك المتعلق بمكيانيكا الكم، الذي تطور في غوتنغن في عام 1926، ثم في برلين في عامي 1927 – 1929. وأيضًا، عملي حول الأشكال المتعددة لنظرية المشغّل، في برلين 1930 وبرنستون 1935 – 1939، وحول النظرية الإرجودية في برنستون 1931 – 1932».\nفي إبّان الحرب العالمية الثانية، عمل فون نيومان على مشروع مانهاتن مع الفيزيائي النظري إدوارد تيلر، والرياضياتي ستانيسلاف أولام وغيرهما، على الخطوات المفتاحية لحل المشاكل في الفيزياء النووية التي تنطوي عليها التفاعلات النووية الحرارية والقنبلة الهيدروجينية. طور النماذج الرياضية التي تستند إليها العدسات الانفجارية التي استُخدمت في السلاح النووي داخلي الانفجار وصاغ مصطلح «كيلو طن» (للتي إن تي) ليكون مقياسًا لشدة الانفجار المتولدة","en_topic":"John von Neumann","wiki_pageid":78222,"wiki_revid":75085516,"source_url":"https://ar.wikipedia.org/?curid=78222","license":"CC BY-SA 4.0"}
{"slug":"ada-lovelace","lang":"ar","title":"آدا لوفلايس","text":"آدا أوجستا كنغ، كونتيسة لفليس (الإنجليزية: Augusta Ada King Byron, Countess of Lovelace) (10 ديسمبر 1815 - 27 نوفمبر 1852) كاتبة وعالمة رياضيات إنكليزية، اشتهرت بشكل رئيسي في عملها على المحرك التحليلي وهو مقترح لحاسوب ميكانيكي للأغراض العامة صممه تشارلز بابيج. كانت أول من أدرك بأن للآلة تطبيقات تتجاوز مجرد الحساب، ونشرت أول خوارزمية يمكن أن تقوم بها هذه الآلة. ولذلك تعتبر أول من عرف الإمكانيات الكاملة لـ«الآلة الحاسبة» وأول مبرمجة حاسوب.\nتعتبر آدا الابنة الشرعية الوحيدة للشاعر اللورد بايرون وزوجته آن إيزابيلا \"أنابيلا\" ميلبانكي، سيدة وينتورث. فقد ولد جميع أبناء اللورد بايرون الآخرين خارج إطار الزواج من نساء أخريات. انفصل بايرون عن زوجته بعد شهر من ولادة آدا وغادر إنجلترا إلى الأبد بعد أربعة أشهر. أحيا ذكرى هذا الفراق في قصيدة مطلعها: «أوجهك مثل وجه أمك يا طفلتي الجميلة! يا آدا! يا ابنة بيتي وقلبي الوحيدة؟». مات مريضاً في حرب الاستقلال اليونانية عندما كانت آدا في الثامنة من عمرها. ظلت والدتها مريرة وشجعت اهتمام آدا بالرياضيات والمنطق في محاولة لمنعها من أن تصاب بجنون والدها المتصوَّر. رغم ذلك، ظلت آدا مهتمة ببايرون، ودفنت إلى جواره عند وفاتها بناءًا على طلبها. غالباً ما كانت مريضة في طفولتها. تزوجت آدا من وليام كنغ في عام 1835، الذي تم تعيينه إيرل لفليس في عام 1838، وبذلك أصبحت آدا كونتيسة لفليس.\nمكنتها مآثرها التعليمية والاجتماعية من الاتصال بعلماء من أمثال أندرو كروس، وسير ديفيد بروستر، وتشارلز ويتستون، ومايكل فاراداي، والكاتب تشارلز ديكنز، وهي علاقات استفادت منها لتعزيز تعليمها. وصفت آدا منهجها بأنه «علم شاعري» ونفسها بـ«المحلل (والميتافيزيقية)».\nفي سن المراهقة، قادتها مواهبها الرياضية إلى علاقة عمل طويلة وصداقة مع عالم الرياضيات البريطاني تشارلز باباج، المعروف أيضًا بـ«أبي الحاسوب»، وقد عمل باباج بشكل خاص على المحرك التحليلي. التقته آدا لأول مرة في يونيو 1833، من خلال صديقتهما المشتركة ومعلمتها الخاصة ماري سمرفيل.\nبين عامي 1842 و 1843، ترجمت آدا مقالاً للمهندس العسكري الإيطالي لويجي مينابريا عن المحرك، مضيفةً إليه مجموعة من الملاحظات التفصيلية. احتوت هذه الملاحظات على ما يعتبره الكثيرون أول برنامج حاسوب - أي خوارزمية مصممة ليتم تنفيذها بواسطة جهاز. تُعد ملاحظات آ","en_topic":"Ada Lovelace","wiki_pageid":78748,"wiki_revid":74871291,"source_url":"https://ar.wikipedia.org/?curid=78748","license":"CC BY-SA 4.0"}
{"slug":"edsger-w-dijkstra","lang":"ar","title":"أيدسكر دايكسترا","text":"أيدسكر فيبِ دايكسترا (الهولندية: Edsger Wybe Dijkstra) عالم أنظمة ومبرمج ومهندس برمجيات وكاتب علمي هولندي ورائد في علم الحاسوب. يعد فيزيائيًا نظريًا مدربًا، عمل كمبرمج في المركز الرياضي في أمستردام بين عامي 1952 و1962. عمل ديكسترا أستاذًا جامعيًا معظم حياته، وشغل منصب شلمبرجر المئوي في علوم الحاسوب في جامعة تكساس في أوستن من عام 1984 حتى تقاعده عام 1999. عمل أستاذًا للرياضيات في جامعة آيندهوفن للتكنولوجيا (1962-1984) وزميل بحث في مؤسسة بوروز (1973-1984).\nيعد ديكسترا أحد أكثر الشخصيات تأثيرًا من الجيل المؤسس لعلوم الحوسبة، إذ ساعد في تشكيل التخصص الجديد من منظور هندسي ونظري. تغطي مساهماته الأساسية مجالات مختلفة لعلوم الحاسوب، منها بناء المحول البرمجي، وأنظمة التشغيل، والأنظمة الموزعة، والبرمجة المتسلسلة والمتزامنة، ونموذج البرمجة والمنهجية، وأبحاث لغة البرمجة، وتصميم البرامج، وتطوير البرامج، والتحقق من البرامج، ومبادئ هندسة البرمجيات، وخوارزميات الرسم البياني، والأسس الفلسفية لبرمجة الحاسوب وعلوم الحاسوب. تعد العديد من أوراقه مرجعًا لمجالات البحث الجديدة. كان ديكسترا أول من عرّف العديد من المفاهيم والمشكلات التي أصبحت الآن معيارية في علوم الحاسوب أو حملت أسماء من صياغته. بصفته معارضًا رئيسيًا للرؤية الميكانيكية لعلوم الحاسوب، رفض استخدام مفهومي «علم الحاسوب» و«هندسة البرمجيات» كمصطلحات شاملة للتخصصات الأكاديمية.\nحتى منتصف ستينيات القرن العشرين، اعتُبرت برمجة الحاسوب فنًا (أو حرفة) أكثر منها تخصصًا علميًا. قال هارلان ميلز (1986): «اعتُبرت البرمجة (قبل سبعينيات القرن العشرين) نشاطًا خاصًا وحلًا للألغاز لكتابة تعليمات حاسوبية كي يعمل كبرنامج». في أواخر ستينيات القرن نفسه، دخلت برمجة الحاسوب في حالة أزمة. كان ديكسترا واحدًا من مجموعة صغيرة من الأكاديميين والمبرمجين الصناعيين الذين دعوا إلى أسلوب جديد في البرمجة لتحسين جودة البرامج. كان ديكسترا، الذي تمتع بخلفية في الرياضيات والفيزياء، أحد القوى الدافعة وراء قبول برمجة الحاسوب كتخصص علمي. صاغ عبارة «البرمجة المهيكلة» التي أصبحت خلال سبعينيات القرن العشرين المذهب البرمجي الجديد. ساعدت أفكاره حول البرمجة المهيكلة على إرساء أسس ولادة التخصص المهني لهندسة البرمجيات وتطوره، ما مكن المبرمجين من تنظيم مشروعات البرامج المعقدة بشك","en_topic":"Edsger W. Dijkstra","wiki_pageid":1370101,"wiki_revid":74588358,"source_url":"https://ar.wikipedia.org/?curid=1370101","license":"CC BY-SA 4.0"}
{"slug":"linus-torvalds","lang":"ar","title":"لينوس تورفالدس","text":"لينوس بينيديكت تورفالدس (السويدية: Linus Torvalds) (هلسنكي، 28 ديسمبر 1969) مهندس برمجيات فنلندي، اشتهر بأنه من وضع النواة المعروفة بـ لينُكس. سُمي على اسم الفيزيائي لينوس باولنغ الحائز على جائزة نوبل.\n== نشأته ==\nفي منتصف السبعينيات، ذهب والده نيلس تورفالدس ذو الميول الشيوعية إلى موسكو ودرس وأقام في موسكو عاماً كاملاً، بعدها عمل في الصحافة، ووالدته آنا تورفالدس كانت تعمل لصحيفة فنلندية كـمترجمة ومنشئة للرسومات الإخبارية، كما أن جدّه كان يعمل في صحيفة فنلندية، وخاله كان يعمل في التلفزيون الفنلندي.\n== حياته الشخصية ==\nينحدر لينوس من عائلة من الأقلّيّة الناطقة بالسويدية. انخرط في جامعة هلسنكي في العام 1988 للدّراسة، ويعيش لينوس حاليّاً في مدينة سان هوزيه في ولاية كاليفورنيا الأمريكيّة مع زوجته تووُفي الحائزة على البطولة في مباريات الكاراتيه في فنلندا 6 مرّات. تزوّجا في خريف العام 1988. لديهما 3 بنات وهما : باتريشا ميراندا والمولودة في 5 ديسمبر 1996، دانيلّا يولاندا والمولودة في 16 ابريل 1998، سيليست أماندا والمولودة في 20 نوفمبر 2000.\n== العمل ==\nاعتاد لينوس العمل في مؤسّسة ترانسميتا منذ العام 1997 وحتّى العام 2003، بعدها، إنضمّ لينوس لمختبرات أو أس DL للعمل بشكل منتظم والتّفرّغ الكلّي لتطوير نواة لينكس التّي كتبها في بداية التسعينيات. بالرّغم من أن مختبرات أو أس DL تقع في مدينة بورتلاند في ولاية أوريغون، إلا أن لينوس لا زال يقيم في ولاية كاليفورنيا ويعمل لمختبرات أو أس DL من منزله.\n== بداية لينكس ==\nفي البداية، استعمل لينوس نظام التّشغيل مينيكس ثم استعاض عنه بنظام جنو، وكان عمره آنذاك 21 سنة. اقترح صديق لينوس آري ليمكي عليه أن يقوم بوضع النواة التي كتبها لينوس على الشّبكة ليتسنى للبعض الإطّلاع عليها، وحيث أن آري لم يحب الاسم الأصلي الذي أطلقه لينوس على النواة فريكس، قام آري بوضع عمل صديقه لينوس في ملف على الشّبكة وأسماه لينُكس.\n== جوائز ==\nحاصل مناصفة مع شينيا ياماناكا على جائزة الألفية للتقنية عام 2012 وهي تعادل جائزة نوبل في مجال التطور التكنولوجي.\n== مراجع ==\n== وصلات خارجية ==\nلينوس تورفالدس على موقع IMDb (الإنجليزية)\nلينوس تورفالدس على موقع ميتاكريتيك (الإنجليزية)\nلينوس تورفالدس على موقع الموسوعة البريطانية (الإنجليزية)\nلينوس تورفالدس على موقع روتن توميتوز (الإ","en_topic":"Linus Torvalds","wiki_pageid":1364,"wiki_revid":75388645,"source_url":"https://ar.wikipedia.org/?curid=1364","license":"CC BY-SA 4.0"}
{"slug":"ken-thompson","lang":"ar","title":"كين تومسن","text":"كين تومسن (الإنجليزية: Ken Thompson) اسمه الكامل كينيث تومسن أحد علماء الحاسوب البارزين الذين لهم الأثر الكبير في تطوير نظام يونكس.\n== بداية حياته ==\nولدَ في 4 فبراير عام 1943 في نيو أورليانز، لويزيانا، الولايات المتحدة الأمريكية. حصل على شهادة البكالوريوس ودرجة الماجستير في مجال الهندسة الكهربائية، من جامعة كاليفورنيا في بيركلي.\nعندما سُئل كيف تعلم البرمجة، قال «كنت دائما مفتون بالمنطق وحتى في الصف المدرسي عَملتُ على العمليات الحسابية فقط لأنها ساحرة.»\n1960\nحصل كين تومسن على درجة البكالوريوس في العلوم في عام 1965 ودرجة الماجستير عام 1966 في كل من الهندسة الكهربائية وعلوم الحاسوب من جامعة كاليفورنيا وبيركلي، حيث كان مستشار أطروحة الماجستير هو إلوين بيرليكامب.\nتم توظيف كين تومسن في مختبرات بل في عام 1966، عمل مع دينيس ريتشي على نظام تشغيل، وعمل أيضاً على لغة برمجية باسم بون وأيضا صنع لعبة سُميت برحلة الفضاء، لاحقاً انسحبت مختبرات بل من العمل على النظام التشغيلي للاستمرار في تطوير لعبة رحلة الفضاء، تومسن وجد حاسوب صغير باسم PDP-7 وأعاد برمجة اللعبة عليه، في النهاية اتت أداة من تطوير تومسن وهي نظام تشغيل يونكس يعمل على جهاز PDP-7، فريق الباحثين في مختبرات بل أرشد كين تومسن ودينيس ريتشي، حيث طوروا نظام الملفات الهرمي ومفاهيم الحوسبة وواجهة متفصح الملفات ومترجم سطر الأوامر وبعض البرمجيات الصغيرة، في عام 1970 براين كيرنيغان اقتراح اسم «يونكس» تَوْرية على اسم «مالتيكس» بعد العمل الأولي على يونكس تومسن قرر إن يونكس يحتاج إلى لغة برمجة للنظام وأَنْشَأَ لغة بي وبعدها وأَنْشَأَ ريتشي لغة سي\nأيضا عمل تومسن في التعبيرات النمطية، ثم طور نسخة معدلة من «كيد» والتي شملت التعبيرات العادية للبحث عن النص ولاحقا تومسن والمحرر «كيد» ساهموا في شعبية التعبيرات النمطية وأصبحت التعبيرات النمطية منتشرة في محرر نصوص «يونكس»، تقريبا جميع البرامج التي تعتمد على التعبيرات النمطية تستخدم جزء مما دونه تومسون.\n== إنجازاته ==\nفي عام 1969، عمل تومسن في مختبرات بيل، مع دينيس ريتشي فكانا الصانعين الرئيسيين لنظامِ تشغيل يونكس. كتب لغة البرمجة بي، وشارك دينيس ريتشي في كتابة لغة برمجة سي، لغة البرمجة الأكثر شعبية واستخداماً في العالم. كتب أيضاً محرّر يونكس القياسي الأصلي ed.\nحصل كين تومسن ودينيس ريتشي على ","en_topic":"Ken Thompson","wiki_pageid":4509,"wiki_revid":75361225,"source_url":"https://ar.wikipedia.org/?curid=4509","license":"CC BY-SA 4.0"}
{"slug":"bjarne-stroustrup","lang":"ar","title":"بيارن ستروستروب","text":"بيارن ستروستروب (الدنماركية: Bjarne Stroustrup) من مواليد 30 ديسمبر عام 1950 في مدينة آرهوس بالدانمارك، هو عالم حاسوب والمعروف لإختراعه وتطويره للغة البرمجة سي++.\nحالياً هو أستاذ باحث ويتولى رئاسة كلية الهندسة في جامعة تكساس إيه اند إم. أستاذ زائر في جامعة كولومبيا والمدير العام في مؤسسة مورغان ستانلي في نيويورك.\n== التعليم ==\nفي سنة 1975 حصل على ماجيستير في علوم الحاسوب من جامعة آرهيوس بالدانمارك، بالإضافة إلى ذلك، في سنة 1979 حصل بيارن على دكتوراه في علوم الحاسوب من جامعة كامبريدج.\n== معلومات أخرى ==\nبين عامي 1980-1990 استطاع بيارن تصميم لغة البرمجة المشهورة والمميزة سي++ التي قدمت البرمجة الكائنية للمبرمجين وأثرت لغة سي++ بلغات أخرى مثل فورتران، سي شارب، جافا... وسي بلس بلس يبقى إلى الآن لغة برمجة عالية المستوى وما زالت تستعمل من قبل ملايين المبرمجين.\nبيارن وعائلته يعيشون الآن في نيويورك، الولايات المتحدة. وقد كان لسنوات عديدة باحث في مختبرات بيل.\n== منشوراته ==\nألف بيارن كتاب «لغة البرمجة سي++» وكان الأكثر مبيعا في وقته وقد تم ترجمته إلى 25 لغة مختلفة، ومن كتبه:\nProgramming: Principles and Practice Using C++ (عام 2008)\nلغة البرمجة سي++ (2000)\nThe Design and Evolution of C++ (1994)\nThe Annotated C++ Reference Manual (1990)\nوقد حصل على جوائز عديدة منها جائزة dopp\n== روابط خارجية ==\nبيارن ستروستروب على موقع IMDb (الإنجليزية)\nبيارن ستروستروب على موقع إن إن دي بي (الإنجليزية)\n== مراجع ==","en_topic":"Bjarne Stroustrup","wiki_pageid":436066,"wiki_revid":74994783,"source_url":"https://ar.wikipedia.org/?curid=436066","license":"CC BY-SA 4.0"}
{"slug":"barbara-liskov","lang":"ar","title":"باربارا لسكوف","text":"باربرا لسكوف (الإنجليزية: Barbara Liskov) ولدت في 7 نوفمبر 1939 في كاليفورنيا، وهي عالمة حاسوب وحالياً بروفيسور فورد للهندسة في مدرسة معهد ماساتشوسوس للتطوير في قسم الهندسة الكهربائية وعلوم الحاسوب كما أنها أستاذة بمعهد ماساتشوستس للتقنية.\n== الحياة والمهنة ==\nحصلت لسكوف على بكالوريوس في الرياضيات من جامعة كاليفورنيا في بيركلي عام 1961.\nفي عام 1968 أصبحت أول امرأة في الولايات المتحدة تحصل على درجة الدكتوراه في علوم الحاسب من جامعة ستانفورد، وكان عنوان رسالتها للدكتوراه «برمجة الحاسوب للعب الشطرنج والألعاب».\nأدت ليسكوف مشاريع هامة كثيرة، كان منها نظام التشغيل فينوس، ونظام المشاركة التفاعلية الزمنية الصغيرة والمنخفضة التكلفة، وتصميم وتنفيذ CLU؛\nأرغوس.\nوهي أول لغة رفيعة المستوى لدعم تنفيذ برامج التوزيع ولشرح تقنية النقل بواسطة خط الأنابيب الموعودة، و«ثور» وهوعبارة عن نظام قاعدة بيانات موجهة. كما طورت مع جانيت وينج، تعريف خاص للتصنيف الفرعي، والذي عرف ب مبدأ ليسكوف للاستبدال كما قادت مجموعة منهجية البرمجة في معهد ماساتشوستس للتكنولوجيا، مع التركيز على البحوث الحالية في الخطأ والتسامح والحوسبة الموزعة.\nتعتبر ليسكوف عضواً في الأكاديمية الدولية للهندسة، وعضواً في إدارة الأكاديمية الأمريكية للفنون والعلوم، وعضواً في اتحاد أجهزة الحواسيب.\nوفي عام 2004 ربحت ليسكوف ميدالية جون فون نيومان لمساهمتها الأساسية في لغات البرمجة، البرمجة المنهجية والنظم الموزعة..\nوتعد لينسكوف كاتبة لثلاثة كتب وأكثر من مئات الأوراق التقنية.\nتلقت لوسكوف جائزة تورنغ من الACM للعام 2008 لعملها في تصميم لغات البرمجة والبرامج المنهجية التي أدت إلى تطوير وجه منحى البرمجة.\nعلى وجه التحديد، طورت لوسكوف لغتي برمجة، CLU في السبعينيات وArgus في الثمانيات.\nيذكر إسهامها في تطوير الأسس العملية والنظرية لللغة البرمجية وتصميم النظام، خصوصاً فيما يتعلق بتجريد البيانات والتسامح مع الخطأ والحوسبة الموزعة.\n== مراجع ==","en_topic":"Barbara Liskov","wiki_pageid":1447906,"wiki_revid":74958710,"source_url":"https://ar.wikipedia.org/?curid=1447906","license":"CC BY-SA 4.0"}
{"slug":"steve-jobs","lang":"ar","title":"ستيف جوبز","text":"ستيفن بول «ستيف» جوبز أو عبد اللطيف الجندلي (الإنجليزية: Steven Paul Jobs)؛ (24 فبراير 1955 - 5 أكتوبر 2011)، هو مخترع أمريكي من أصول سورية وأحد أقطاب الأعمال في الولايات المتحدة. عُرف بأنه المؤسس الشريك والمدير التنفيذي السابق ثم رئيس مجلس إدارة شركة آبل، وهو أيضاً الرئيس التنفيذي السابق لشركة بيكسار ثم عضواً في مجلس إدارة شركة والت ديزني بعد ذلك وحتى وفاته. أثبت جوبز عبقريته في عالم التكنولوجيا عندما أدار شركة آبل وأخرج للنور كلاً من جهاز الماكنتوش (ماك) بأنواعه وثلاثة أجهزة محمولة غيرت مفاهيم السوق: آيبود وآيفون وآي باد.\nفي أواخر السبعينيات، قام جوبز مع شريكيه ستيف وزنياك ومايك ماركيولا وآخرون بتصميم وتطوير وتسويق واحد من أوائل خطوط إنتاج الحاسب الشخصي التجارية الناجحة، والتي تُعرف باسم سلسلة أبل II. وفي أوائل الثمانينات، كان جوبز من أوائل من أدركوا الإمكانيات التجارية لفأرة الحاسوب وواجهة المستخدم الرسومية، مما أدى إلى قيام آبل بصناعة حواسيب ماكنتوش.\nبعد خسارته صراعاً على السلطة مع مجلس الإدارة عام 1985، استقال جوبز من آبل وأسس شركة نكست لتطوير منصات الحواسيب في التعليم العالي والأسواق التجارية. ثم استحوذت آبل على نكست عام 1996، ليعود جوبز إلى الشركة ويصبح مديرها التنفيذي عام 1997. على جانب آخر، اشترى جوبز عام 1986 قسم رسوميات الحاسوب في شركة لوكاس فيلم، والذي تحول لاحقاً إلى مُفَنَّنات بيكسار للرسوم المتحركة. بقي مديراً تنفيذياً لبيكسار حتى استحوذت عليها شركة والت ديزني، لينتقل بعدها ليكون عضواً في مجلس إدارة ديزني.\nعانى جوبز من مشاكل صحية قبل سنوات من وفاته، بعد إصابته عام 2004 بنوع نادر من سرطان البنكرياس، وخضع عام 2009 لعملية زراعة كبد. في 24 أغسطس 2011، أعلن استقالته من منصب المدير التنفيذي لآبل، منتقلاً لرئاسة مجلس الإدارة، وأوصى بتعيين تيم كوك خلفاً له.\nفي الخامس من أكتوبر 2011، وقرابة الساعة الثالثة ظهراً بتوقيت كاليفورنيا، توفي جوبز في منزله ببالو ألتو عن 56 عاماً، بعد ستة أسابيع من استقالته. حددت شهادة الوفاة السبب المباشر بأنه توقف التنفس، مع ورم البنكرياس الهرموني العصبي المنتشر كسبب أساسي. أعلنت شركة آبل الخبر، ووصفت رئيسها الراحل بأنه \"نابغة رؤيوي ومبدع\".\n== النشأة ==\n=== الأبوان والأسرة ===\nولد ستيف بول جوبز في سان فرانسيسكو في 24 فبراير 1955 ، وا","en_topic":"Steve Jobs","wiki_pageid":2588,"wiki_revid":75212110,"source_url":"https://ar.wikipedia.org/?curid=2588","license":"CC BY-SA 4.0"}
{"slug":"elon-musk","lang":"ar","title":"إيلون ماسك","text":"إيلون ماسك (ولد في 28 يونيو 1971، بريتوريا، جنوب إفريقيا) هو رجل أعمال جنوب إفریقي، حاصل على الجنسية الأمريكية، وهو مستثمر، ومهندس ومخترع. ومؤسس شركة سبيس إكس ورئيسها التنفيذي، والمصمم الأول فيها. والمؤسس المساعد لمصانع تيسلا موتورز ومديرها التنفيذي والمهندس المنتج فيها. كما شارك بتأسيس شركة التداول النقدي الشهيرة باي بال، ورئيس مجلس إدارة شركة سولار سيتي. يطمح ماسك إلى تجسيد فكرة نظام النقل فائق السرعة المسمى بالهايبرلوب.في ديسمبر 2016، اختارته مجلة فوربس ليكون في المرتبة 21 في قائمة أكثر الرجال نفوذا في العالم. تُقدر ثروة ماسك الصافية بنحو تريليون دولار اعتباراً من مطلع فبراير 2026، ليكون أغنى رجل بالعالم، وأول شخص تتجاوز ثروته 850 مليار دولار بالتاريخ، وبفارق کبیر عن أقرب ملاحقیه لاري بیج -المؤسس المشارك لغوغل- الذي تبلغ ثروته 281 ملیار دولار.\nولد إيلون ماسك في مدينة بريتوريا، وتعلم في جامعتها لمدة قصيرة. تعلم برامج الكمبيوتر ذاتيا وهو ما يزال في سن الثانية عشر، انتقل إلى كندا في سن الثامنة عشر ليكمل تعليمه في جامعة كوينز، لكنه لم يستمر فيها سوى عامين حيث انتقل بعد ذلك إلى جامعة بنسلفانيا ليحصل على شهادة في علوم الاقتصاد من مدرسة وارتون، وشهادة الفيزياء من كلية الآداب والعلوم. في عام 1995 بدأ ماسك رسالة الدكتوراه الخاصة به في الفيزياء التطبيقية وعلوم المواد في جامعة ستانفورد لكنه لم يستمر بكتابة الرسالة لأنه تخلى عن الفكرة بعد يومين ليهتم بمجال ريادة الأعمال.شارك ماسك في تأسيس شركة زيب 2، شركة لبرمجة المواقع، حصلت عليها شركة كومباك في عام 1999 مقابل مبلغ 340 مليون دولار. أسس ماسك بعد ذلك شركة إكس دوت كوم، وهي شركة دفع عبر الإنترنت. اندمجت لاحقا مع شركة كونفينيتي في عام 2000 لتصبح شركة باي بال المعروفة الآن والتي اشتراها موقع إيباي مقابل مبلغ 1.5 مليار دولار أمريكي في أكتوبر 2002.\nفي مايو 2002، أسس ماسك شركة سبيس إكس لتصنيع مركبات الفضاء وإطلاق البعث الفضائية، يشغل بها منصب المدير التنفيذي والمصمم الرئيسي. كما شارك في عام 2003 في تأسيس شركة تيسلا موتورز، لصناعة المركبات الكهربائية وصناعة الأنظمة الشمسية، ليشغل فيها منصب المدير التنفيذي أيضا والمهندس المنتج. مع حلول عام 2006، استلهم فكرة إنشاء مصنع سولار سيتي، كشركة لتوفير خدمات الطاقة الشمسية والتابعة حاليا لمجموع","en_topic":"Elon Musk","wiki_pageid":1280929,"wiki_revid":75789663,"source_url":"https://ar.wikipedia.org/?curid=1280929","license":"CC BY-SA 4.0"}
{"slug":"mark-zuckerberg","lang":"ar","title":"مارك زوكربيرغ","text":"مارك زوكربيرغ (14 مايو 1984-) هو رجل أعمال ومبرمج أميركي، ولد في وايت بلينس، نيويورك، الولايات المتحدة الأمريكية. اشتهر بتأسيسه موقع التواصل الاجتماعي فيس بوك، وهو أكبر موقع تواصل اجتماعي في العالم، أنشأ الموقع مع زملائه في قسم علوم الحاسوب إدواردو سافرين وداستن موسكوفيتز وكريس هيوز وهو في جامعة هارفارد. وهو بمثابة الرئيس التنفيذي لموقع الفيسبوك.\nالتحق مارك بجامعة هارفارد، وأطلق هناك خدمة التواصل الاجتماعي على فيسبوك من غرفة نومه في فبراير 2004 مع زملائه في الغرفة إدواردو سافيرين وأندرو ماكولوم وداستن موسكوفيتز وكريس هيوز. أُطلق الموقع في البداية لربط حرم جامعات محددة ببعضها، لكن الموقع توسع بسرعة وتجاوز حدود الكليات، ووصل إلى مليار مستخدم بحلول عام 2012. طرح زوكربيرغ الشركة للاكتتاب العام في مايو 2012 مع احتفاظه بأغلبية الأسهم. في عام 2007، وفي سن 23، أصبح زوكربيرغ أصغر ملياردير عصامي في العالم. حتى نوفمبر 2021، بلغ صافي ثروة مارك 126 مليار دولار، ما يجعله سابع أغنى شخص في العالم.\nصنفت مجلة تايم مارك زوكربيرغ حتى عام 2008 من بين الشخصيات المئة الأكثر تأثيرًا في العالم ضمن جائزة شخصية العام، والتي فاز بها في عام 2010. احتل مارك في ديسمبر 2016 المرتبة العاشرة في قائمة فوربس لأكثر الأشخاص نفوذًا في العالم.\n== الحياة الشخصية ==\nولد زوكربيرج في دوبس فيري، نيويورك، لأسرة يهودية في بيئة متعلمة، أبوه إدوارد زوكربيرج كان طبيبًا للأسنان وأمه كارين طبيبة نفسية. وله ثلاث أخوات راندي ودونا وآريال، وكان يعتبر نفسه ملحدًا لكن صرح عبر رد على أحد التعليقات أنه ليس ملحدًا ويعتقد أن الدين مهم جدًا.\nتطورت اهتمامات مارك بالكمبيوتر منذ طفولته المبكرة فهو مبرمج كمبيوتر، وخاصة وسائل الاتصال والألعاب. حيث قام بتطوير العديد من الألعاب والبرامج كان أولها برنامج للتواصل سماه “Zucknet” في سن الثانية عشر، والذي قام والده باستخدامه في العيادة بحيث تستطيع الممرضة التواصل مع أبوه الطبيب بدون الحاجة لأن تقوم بزيارة غرفته لإعلامه بوجود مريض في غرفة الانتظار. واستخدمت العائلة نفس البرنامج في المنزل للتواصل بين أفرادها في المنزل.\nبدأ البرمجة عندما كان في المرحلة الإعدادية، بينما كان يحضر أكاديمية فيليبس اكستر في المدرسة الثانوية، بنى برنامج لمساعدة العاملين في مكتب الاتصال ونسخة من لعبة الأخطار. كما ب","en_topic":"Mark Zuckerberg","wiki_pageid":383707,"wiki_revid":75402955,"source_url":"https://ar.wikipedia.org/?curid=383707","license":"CC BY-SA 4.0"}
{"slug":"sergey-brin","lang":"ar","title":"سيرجي برين","text":"سيرجي برين عالم حاسوب أمريكي، روسي الأصل، أسس مع لاري بيج شركة جوجل (الإنجليزية: Google) التي تمثل أكثر شركات الإنترنت ربحية. قدرت ثروته الشخصية في يونيو 2014 بـ30 مليار دولار أمريكي. هاجر برين وعائلته إلى الولايات المتحدة من الاتحاد السوفيتي وهو في السادسة من عمره، حصل على درجة البكالوريوس من جامعة ميري لاند، على خطى أبيه وجده دارساً الرياضيات وعلوم الحاسوب. بعد تخرجه انتقل إلى جامعة ستانفورد للحصول على شهادة الدكتوراه في علوم الحاسب حيث التقى «لاري بيج» والذي أصبح شريكه في بدأ محرك البحث العملاق جوجل.\nأشير إلى برين من قبل مجلة ذي إيكونومست كشخص يؤمن أن «المعرفة دائماً مفيدة، وقطعاً أفضل من الجهل»، ويظهر ذلك في شعار مهمة جوجل \"Organize the world's information and make it universally accessible and useful\" «نَظّم معلومات العالم واجعلها متاحة ومفيدة على نطاق واسع».\n== نشأته ==\nولد سيرجي عام 1973 في موسكو، الاتحاد السوفيتي لوالدين يهوديين روسيين، كلاهما خريجا جامعة موسكو الحكومية. كان أبوه بروفيسور رياضيات في جامعة ميري لاند وأمه باحثة في ناسا.\n=== طفولته في الاتحاد السوفيتي ===\nفي عام 1979، عندما كان برين في السادسة من العمر، أحست عائلته بلزوم الهجرة إلى الولايات المتحدة، حيث يدعي والدا برين أن الحزب الشيوعي في الاتحاد السوفيتي لم يتح الفرصة لليهود وأنهم تعرضوا لمعاملة قاسية لكونهم يهوداً أثناء إقامتهم هناك.\n=== تعليمه في الولايات المتحدة ===\nالتحق برين بمدرسة ابتدائية في ولاية ميريلاند، ولكنه حصل على تعليم إضافي في المنزل، حيث أن والده، بصفته بروفيسوراً في قسم الرياضيات في جامعة ميريلاند، شجعه على تعلم الرياضيات، وساعدته عائلته للمحافظة على طلاقته في اللغة الروسية. انخرط برين في جامعة ميريلاند في سبتمبر 1990 لدراسة الرياضيات وعلوم الحاسوب، حيث حصل على درجة البكالوريس في عام 1993 مع مرتبة الشرف.\nبدأ برين دراساته الجامعية المتقدمة في علوم الحاسوب بعد حصوله على منحة دراسية. في عام 1993، التحق برين ولفرام ريسيرش، والذين قاموا بتطوير برنامج ماثماتيكا.\n== تطوير محرك البحث ==\nالتقى برين بلاري بيج في إحدى دورات توجيه الطلاب الجدد في جامعة ستانفورد. وفي مقابلة مع مجلة «ذي إيكونوميست»، قال برين مازحاً: «كلانا مزعجان نوعاً ما». حيث يبدو أنهما لا يتفقان على العديد من الأمور، ول","en_topic":"Sergey Brin","wiki_pageid":361189,"wiki_revid":75228150,"source_url":"https://ar.wikipedia.org/?curid=361189","license":"CC BY-SA 4.0"}
{"slug":"sundar-pichai","lang":"ar","title":"ساندر بيتشاي","text":"ساندر بيتشاي (الإنجليزية: Sundar Pichai) (التاميل: சுந்தர் பிச்சை)، من مواليد 12 يوليو 1972، هو مهندس كمبيوتر أمريكي من أصل هندي، يشغل حالياً منصب المدير التنفيذي لشركة جوجل، وكان يشغل منصب نائب رئيس أنظمة كروم وأندرويد.\n== النشأة ==\nولد ساندر بيتشاي في 12 يوليو/تموز 1972 في مدينة تشيناي المعروفة باسم “مدراس”، عاصمة ولاية تاميل نادو جنوب الهند، ويسكن المدينة نحو أربعة ملايين نسمة. وعمل والده مهندسًا للكهرباء في شركة “جنرال إلكتريك كومباني” البريطانية، وأدار مصنعًا لإنتاج المكونات الكهربائية، بينما عملت والدته قبل إنجابها في الكتابة الاختزالية. وعاشت الأسرة، التي تتألف من الوالدين وساندر وشقيقه الأصغر، في شقة من غرفتين، ولم يحظ ساندر بغرفة مستقلة، واعتاد وشقيقه النوم في غرفة المعيشة، كما لم تمتلك الأسرة تلفزيون أو سيارة، واعتمدت في تنقلاتها على الحافلات المزدحمة، أو دراجة نارية زرقاء اللون من نوع “لامبريتا” فيتولى الأب القيادة، ويجلس ساندر أمامه، بينما يحمل المقعد الخلفي الأم والشقيق الأصغر.\n== الحياة الشخصية ==\nوهو متزوج من Anjali Pichai ، née Wiki ، وهي مهندسة كيميائية من كوتا، راجستان. التقيا كزملاء في المعهد الهندي للتكنولوجيا في خراجبور. للزوجين طفلان. تشمل اهتمامات بيتشاي كرة القدم والكريكيت.\n== الحياة التعليمية ==\nأتم بيتشاي تعليمه في مدارس مدينته، وتفوق في الدراسة كما قاد فريق الكريكيت في مدرسته خلال المرحلة الثانوية. وانتقل بعدها لدراسة هندسة المعادن في المعهد الهندي للتكنولوجيا في كاراجبور، وتخرج فيه في عام 1993 ، ومنحه المعهد الميدالية الفضية. وصفه أحد أساتذته بأنه كان الألمع في دفعته، ودعاه آخر بأنه أشبه بالألماس غير المصقول.\nونال بعد تخرجه منحه للدراسة في “جامعة ستانفورد” الأمريكية المرموقة التي تخرج فيها الكثير من أبرز رواد التكنولوجيا، وحصل فيها على الماجستير في هندسة المواد وفيزياء أشباه الموصلات، وأقام في عامه الأول بصحبة عائلة مستضيفة.\nووصل بيتشاي إلى الولايات المتحدة الأمريكية في عام 1993 بعد رحلة ليست بالسهلة في جمع تكلفة تذكرة الطيران. وبعدما فشلت الأسرة في الحصول على قرض لتغطية النفقات في الوقت المُناسب، أقدمت على سحب ألف دولار من مُدخراتها، وهو مبلغ يتجاوز راتب الأب في عامٍ كامل. وعلق بيتشاي: “فعل والدي ووالدتي ما يفعله الكثير من الآباء في ذلك ","en_topic":"Sundar Pichai","wiki_pageid":1128064,"wiki_revid":75206939,"source_url":"https://ar.wikipedia.org/?curid=1128064","license":"CC BY-SA 4.0"}
{"slug":"transformer","lang":"ar","title":"محول (تعلم الآلة)","text":"المُحوِّلات أو الشبكات العصبية غير الترتيبية طريقة للتعلم الآلي تستعمل في مجال معالجة اللغة بالحاسوب. مثل الشبكات العصبية المعادة، تستعمل لمعالجة المعطيات المتسلسلة مثل اللغات والترجمة والتلخيص. لكنها خلافا لها لا تستلزم ذلك الترتيب. فمثلا إذا كانت المعطيات جملة مفيدة، لا يلزم أن تعالج بداية الجملة قبل نهايتها.\n== المراجع ==","en_topic":"Transformer (deep learning architecture)","wiki_pageid":7958105,"wiki_revid":74110748,"source_url":"https://ar.wikipedia.org/?curid=7958105","license":"CC BY-SA 4.0"}
{"slug":"gpt-4","lang":"ar","title":"المحول المولد مسبق التدريب 4","text":"المُحول المُولِّد مسبق التدريب 4 أو جي بي تي-4 (الإنجليزية: GPT-4) شبكة عصبية أنشأتها شركة أوبن إيه آي. صدَرَ يوم 14 مارس 2023 وسيكون مُتاحًا عبر واجهة التطبيق البرمجية الخاصة به، كذلك لمشتركي شات جي بي تي بلَس.\nوفقًا لصحيفة نيويورك تايمز، \"أُشيع أنه سيصدر\" في عام 2023؛ قالت فوكس أن مواقع الويب الأخرى ذكرت أنه يشاع أنه \"بإجماع الجميع\" متفوق على ما أنتجته أوبن إيه آي سابقا جي بي تي-3 وجي بي تي-3.5. كما استشهدت ذا فيرج بشائعات مفادها أنها ستزيد بشكل كبير عدد المُعلِّمات عن GPT-3 (من 175 مليار إلى 100 تريليون)، والتي وصفها الرئيس التنفيذي لشركة اوبن إيه آي سام ألتمان بأنها \"محض هراء\".\n== خلفية ==\nجي بي تي – 4 هو واحد من النماذج اللغوية المتقدمة التي طورت بواسطة شركة أوبن إيه آي. يعتبر الإصدار الرابع من سلسلة نماذج GPT المعروفة، والتي تعتمد على تعلم اللغة العميقة وتوليد عدة أنواع من النصوص بشكل آلي. ولقد اطلق بعد إجراء اختبارات معادية داخلية تهدف إلى اكتشاف الثغرات المحتملة في النموذج وتقليلها أيضاً بواسطة فرق الأبحاث والمحترفين في الصناعة.\n== مركز أبحاث المواءمة ==\nARC أو مركز أبحاث المواءمة، هو مركز بحثي تعاوني تم إنشاؤه بواسطة أوبن إيه آي لدراسة وتقييم مخاطر السعي للسلطة في النماذج اللغوية المتقدمة. وقد تم منح ARC وصولاً مبكراً إلى نموذج جي بي تي - 4 لتقييم مدى قدرته على السعي للحصول على السلطة والتلاعب بها. وقد تم اكتشاف أن جي بي تي - 4 كان قادراً على تشجيع عمال TaskRabbit لحل اختبار CAPTCHA بدلا منه، ولكنه لم يكن قادراً على إعادة إنتاج النصوص أو اكتساب المواد تلقائياً.\n== نموذج المكافأة المبني على القواعد ==\nنموذج المكافأة المبني على القواعد (RBRM) هو نموذج يتم استخدامه في تعديل اخراج جي بي تي – 4 لرفض الطلبات الضارة. يستخدم النموذج مصنفاً يعتمد على القواعد المكتوبة بواسطة البشر لتصنيف إخراج جي بي تي – 4 وفقاً للمعايير المحددة، ثم يتم مكافأة جي بي تي – 4 على رفض الاستجابة الضارة وفقاً لتصنيف RBRM.\n== تعزيز الأمن والأمان ==\nمن الجهود المبذولة لتحسين وتعزيز الأمن والأمان في جي بي تي - 4 هي الاختبارات المعادية الداخلية والاستفادة من تقييم ARC و إجراء تعديلات باستخدام نموذج المكافأة المبني على القواعد RBRM. وتسعى جي بي تي - 4 أو أوبن إيه آي جاهدة للتعامل مع التحديات ","en_topic":"GPT-4","wiki_pageid":9126226,"wiki_revid":74949621,"source_url":"https://ar.wikipedia.org/?curid=9126226","license":"CC BY-SA 4.0"}
{"slug":"generative-pre-trained-transformer","lang":"ar","title":"محول مولد مسبق التدريب","text":"المُحول المُولّد مسبق التدريب (جي بي تي) أو المحول المُولّد المدرب مسبقا (بالإنجليزية: Generative pre-trained transformers (GPT)) هي نوع من النماذج اللغوية الكبيرة وإطار بارز للذكاء الاصطناعي التوليدي. قدمت شركة أوبن أيه آي الجي بي تي الأول في عام 2018. نماذج الجي بي تي هي شبكات عصبية اصطناعية تعتمد على هيكلية محولات، مدربة مسبقا على مجموعات بيانات كبيرة من النصوص غير الموسومة، وقادرة على توليد محتوى جديد يشبه المحتوى البشري. أصبحت لمعظم النماذج اللغوية الكبيرة بحلول عام 2023 هذه الخصائص وتشار إليها أحيانا على نطاق واسع بصفتها جي بي تيز (الإنجليزية: GPTs).\nأصدرت أوبن أيه آي نماذج أساسية لـ جي بي تي ذات تأثير كبير والتي رُقمت بتسلسل، لتشكل سلسلتها جي بي تي-إن . كل من هذه النماذج كان أكثر قدرة من السابق، بسبب الحجم المتزايد (عدد المعاملات التي يمكن تدريبها) والتدريب. أحدث هذه النماذج، جي بي تي-4، أُصدر في مارس 2023. هذه النماذج كانت الأساس لأنظمة جي بي تي الخاصة بهذه النماذج المخصصة للمهام الأكثر تحديدًا، بما في ذلك النماذج المعدلة لمتابعة الإرشادات - التي بدورها تُشغل خدمة الدردشةشات جي بي تي.\nيُستخدم مصطلح \"جي بي تي\" أيضًا في أسماء وأوصاف النماذج التي طورها الآخرون. على سبيل المثال، تشمل النماذج الأساسية الأخرى لـ جي بي تي سلسلة من النماذج التي أنشأتها إي لوثر إي آي، ومؤخراً سبعة نماذج أنشأتها سيريبراس في 2023. بالإضافة إلى ذلك، قامت شركات في صناعات مختلفة بتطوير جي بي تيز محددة للمهام في مجالاتها المختلفة، مثل نموذج سيلز فورس المُسمى \"أينشتاين جي بي تي - (الإنجليزية: EinsteinGPT)\" (لإدارة علاقات العملاء)، ونموذج بلومبيرغ المُسمى \"برومبيرج جي بي تي - (الإنجليزية: BloombergGPT)\" (للتمويل).\n== التاريخ ==\n=== التطورات الأولية ===\nكان التدريب التوليدي المسبق (GP) مفهومًا راسخًا منذ فترة طويلة في تطبيقات التعلم الآلي. وكان يُستخدم أساسًا كشكل من أشكال التعلم شبه المُراقب، حيث يُدرب النموذج على مجموعة بيانات غير مُعلّمة (خطوة التدريب المسبق) من خلال تعلم توليد نقاط البيانات في مجموعة البيانات، ثم يُدرب على تصنيف مجموعة بيانات مُعلّمة. وكانت هناك 3 أنواع رئيسية من التدريب التوليدي المُبكر.\nتتعلم نماذج ماركوف المخفية نموذجًا توليديًا للتسلسلات للتطبيقات اللاحقة. على سب","en_topic":"Generative pre-trained transformer","wiki_pageid":9276867,"wiki_revid":75428015,"source_url":"https://ar.wikipedia.org/?curid=9276867","license":"CC BY-SA 4.0"}
{"slug":"large-language-model","lang":"ar","title":"نموذج لغوي كبير","text":"نموذجُ اللّغةِ الكبيرُ (بالانجليزي: Large Language Model-LLM) هو نموذجٌ حسابيٌّ قادرٌ على توليدِ اللّغةِ أو مهامّ مُعالجةِ اللّغةِ الطّبيعيةِ الأخرى. بصفتها نماذجَ لُغوية. تكتسبُ نماذجُ اللّغةِ الكبيرةُ هذهِ القدراتِ من خلالِ تعلّمِ العلاقاتِ الإحصائيةِ من كمياتٍ هائلةٍ منَ النّصوصِ أثناءَ عمليةِ تدريبٍ ذاتيّةِ الإشرافِ وشبهِ مُراقبة. وتستهلك هذه النماذج موارد حسابية كبيرة أثناء التدريب والتشغيل.\nحتى عام 2020 كان الضبط الدقيق أو الصقل هو الطريقة الوحيدة التي يمكن من خلالها تكييف النموذج ليكون قادرًا على إنجاز مهام محددة. ومع ذلك يمكن تصميم النماذج الأكبر حجمًا، مثل جي بي تي-3، لتحقيق نتائج مماثلة. يُعتقد أنهم يكتسبون معرفة مضمنة حول بناء الجملة وعلم الدلالات و«علم الوجود» المتأصل في مجاميع اللغة البشرية، ولكن يكسبها ايضا عدم الدقة والتحيزات الموجودة في مجاميع اللغة البشرية أيضًا.\nأكبرُ نماذجِ اللّغةِ الكبيرةِ وأكثرُها قدرةً، اعتبارًا من أغسطس 2024، هي الشبكاتٌ العصبيةٌ الاصطناعيةٌ والتي مبنيةٌ بِبنيةٍ قائمةٍ على المُحوّلِ الخاصّ بِفكّ التشفيرِ فقط، ممّا يُتيحُ مُعالجةً فعّالةً وتوليدَ بياناتٍ نصيةٍ واسعةِ النّطاق. يُمكنُ ضبط أو صقل النماذجِ الحديثةِ لِمهامّ مُحدّدةٍ أو يُمكنُ توجيهُها بواسطةِ هندسةِ المُطالبات. تكتسبُ هذهِ النماذجُ قوّةً تنبّؤيةً فيما يتعلّقُ بِالنّحوِ والدّلالاتِ وعلمِ الوجود المُتأصّلِ في مجموعاتِ اللّغةِ البشرية، لكنّها ترثُ أيضًا عدمَ الدّقةِ والانحيازاتِ الموجودةِ في البياناتِ التي جرى تدريبُها عليها.\n== تاريخ ==\nقبل عام 2017، كان عدد نماذج اللغة التي كانت كبيرةً قليلًا مقارنةً بالقدرات المتاحة حينها. في التسعينيات، كانت نماذج محاذاة IBM رائدةً في النمذجة الإحصائية للغة. حقق نموذج n-gram المحسن في عام 2001، والذي دُرِّب على 0.3 مليار(300 مليون) كلمة، حيرةً متطورةً حينها. في العقد الأول من القرن الحادي والعشرين، مع انتشار استخدام الإنترنت، أنشأ بعض الباحثين مجموعات بيانات لغوية على نطاق الإنترنت (\"الويب كجسم نصي\" )، قاموا بتدريب نماذج اللغة الإحصائية عليها. في عام 2009، في معظم مهام معالجة اللغة، سيطرت نماذج اللغة الإحصائية على نماذج اللغة الرمزية، حيث يمكنها استيعاب مجموعات بيانات كبيرة استعيابًا مفيدًا.\nبعد أن أصبحت الشبكات العصبية مهيمنةً في ","en_topic":"Large language model","wiki_pageid":9425185,"wiki_revid":75938107,"source_url":"https://ar.wikipedia.org/?curid=9425185","license":"CC BY-SA 4.0"}
{"slug":"retrieval-augmented-generation","lang":"ar","title":"توليد معزز بالاستحضار","text":"التوليد المعزز بالاستحضار أو بالاسترجاع هو تقنية تمكن نماذج اللغة الكبيرة (ن.ل.ك) من استحضار المعلومات الجديدة وتضمينها. في هذا التوليد لا يستجيب نموذج اللغة الكبير لاستفسارات المستخدمين إلا عند الرجوع إلى مجموعة محددة من المستندات. تكمل هذه المستندات المعلومات المستمدة من معطيات تدريب نموذج اللغة الكبير. يتيح هذا الاستحضار استخدام معلومات محددة للمجال ومعلومات محدثة لم تكن متاحة في معطيات التدريب. على سبيل المثال، يساعد هذا بوت الدردشة المعتمدة على ن.ل.ك على الوصول إلى معطيات الشركة الداخلية أو إنشاء استجابات استنادًا إلى مصادر موثوقة.\n== المراجع ==","en_topic":"Retrieval-augmented generation","wiki_pageid":10038442,"wiki_revid":72270820,"source_url":"https://ar.wikipedia.org/?curid=10038442","license":"CC BY-SA 4.0"}
{"slug":"convolutional-neural-network","lang":"ar","title":"شبكة عصبونية التفافية","text":"الشبكات العصبونية الالتفافية أو الشبكة العصبية الترشيحية (الإنجليزية: Convolutional neural network)، نوع خاص من أنواع الشبكات العصبونية بالتغذية الأمامية (الإنجليزية: Feed forward neural network) و تستمد إلهامها من العمليات البيولوجية الحاصلة في الفص البصري بالتحديد في دماغ الكائنات الحية، وتعتبر حلاً للكثير من مشاكل الرؤية الحاسوبية في الذكاء الاصطناعي مثل معالجة الصور والفيديوهات، يوجد لبنيتها عدة تصاميم ولكن Le-Net 5 يعتبر النموذج الأكثر شهرة وتطبيقاً عملياً وقد قدمه عالم الحاسوب الفرنسي «يان لوكون» (Yann André LeCun) عام 1998م.\n== مقدمة ==\nتعتبر الشبكات العصبونية الالتفافية نوعاً خاصاً وهاماً من أنواع الشبكات العصبونية ولكن قبل البدء فيها من الضروري أن تتعرف على المفاهيم الأساسية في الشبكات العصبونية الصناعية (الإنجليزية: Artificial Neural Network).\n=== العصبون Neuron ===\nالعصبون (بالإنجليزية neuron)\nيمثل العصبون الوحدة الأساسية الصغرى لبناء الشبكة العصبونية ويقابل الخلية العصبية في النموذج البيولوجي، وهو عبارة عن عنصر حاسوبي له عدة قنوات لللإدخال وقناة إخراج واحدة، حيث تأتي أقنية الدخل بمعلومات ولكن لا تكون جميعها بنفس الأهمية ولذلك نثقل كل معلومة بوزن weight , تكون هذه الأوزان عشوائية في البداية ثم يتم تعديلها أثناء عملية التدريب، في بعض النماذج قد نضع لكل عصبون عتبة base وهي بمثابة عتبة التنبيه في النموذج البيولوجي.\nيجري كل عصبون العمليات التالية لإيجاد الخرج :\nجداء كل قيمة من قيم الدخل بالوزن المرفق به، ثم جمع قيم نتائج الجداء جميعها لنحصل على ما يسمى بقيمة نشاط العصبون Neuron activity.\nجمع قيمة العتبة إلى النشاط السابق.\nتطبيق تابع التنشيط (بالإنجليزية Activation function)على ناتج الجمع لإيجاد قيمة خرج العصبون.\nيعتبر اختيار تابع التنشيط المناسب خطوة هامة في تصميم الشبكة العصبونية، ويكون هدفه الأساسي سحب الخرج للمنطقة المقبولة وتكون قيمها إما :\n-1,1 إن كان bipolar ثنائي القطب أو 0,1 إن كان binary ثنائي.\n=== الشبكات العصبونية متعددة الطبقات ===\nتتركب الشبكة العصبونية من مجموعة من العصبونات المرتبة ضمن طبقات تتألف بشكل أساسي من طبقة دخل وطبقة خرج وواحدة أو أكثر من الطبقات المخفية.\nتعد الشبكات العصبونية بالدخل الأمامي من أهم أنواع الشبكات العصبونية متعددة الطبق","en_topic":"Convolutional neural network","wiki_pageid":2442396,"wiki_revid":75235610,"source_url":"https://ar.wikipedia.org/?curid=2442396","license":"CC BY-SA 4.0"}
{"slug":"generative-adversarial-network","lang":"ar","title":"شبكة خصومية توليدية","text":"شبكات الخصومة التوليدية ( GAN ) أو الشبكات التوليدية التنافسية هي نوع من شبكات التعلم الآلي التي اخترعها إيان جودفيلو وزملاؤه في عام 2014. تتنافس شبكتان عصبيتان مع بعضهما في لعبة (بمعنى نظرية اللعبة ، غالبًا ولكن ليس دائمًا في شكل لعبة محصلتها صفر ) الهدف منها التدرب على إنشاء بيانات مفبركة مشابهة للبيانات الحقيقية، يصعب على مراقب بشري أو آلي التفريق بينهما.\nتتعلم هذه التقنية إنشاء بيانات جديدة بنفس الخصائص الإحصائية لمجموعة التدريب. على سبيل المثال ، يمكن لـ GAN المُدرَّب على الصور الفوتوغرافية إنشاء صور جديدة تبدو حقيقية للمراقبين البشريين ، ولها العديد من الخصائص الواقعية.\nعلى الرغم من أنه تم اقتراحه في الأصل كشكل من أشكال النموذج التوليدي للتعلم غير الخاضع للرقابة ، فقد أثبتت شبكات GAN أيضًا أنها مفيدة للتعلم شبه الخاضع للإشراف ، التعلم الخاضع للإشراف الكامل ، والتعلم المعزز . في ندوة عام 2016 ، وصف خبير الذكاء الاصطناعي يان لوكون شبكات GAN بأنها «أروع فكرة في ميدان التعلم الآلي في السنوات العشرين الماضية».\n== طريقة ==\nتتكون شبكة الخصومة التوليدية من مكونين: شبكة توليدية و شبكة تمييزية\nانطلاقا من مصفوفة من الأرقام العشوائية، تتولى الشبكة التوليدية إنشاء بيانات جديدة عبر عدد من التحويلات\nبينما يكون دور الشبكة التمييزية، هو التمييز بين البيانات الحقيقية و البيانات المفبركة التي تنتجها الشبكة التوليدية\nيتم تدريب الشبكة التوليدية الخصومية على\nأولا، يتم إنشاء حزمة من البيانات المفبركة من طرف الشبكة التوليدية\nبعد ذلك، يتم إضافة هذه البيانات المفبركة إلى عدد مماثل من البيانات الحقيقية، و عرضها على الشبكة التمييزية للتدريب لهدف تقوية قدراتها على التفريق بين البيانات الحقيقية و المفبركة\nفي خطوة ثالثة، يتم تدريب الشبكة التوليدية ذاتها على تحسين إنتاج بيانات مفبركة من أجل خداع الشبكة التمييزية\nو يتم بعد ذلك إعادة هاته الخطوات الثلاث عددا من الأحقاب: تتحسن في كل حقبة قدرة الشبكة التمييزية على التفريق بين البيانات الحقيقية و المفبركة، و في نفس الوقت تتحسن قدرة الشبكة التوليدية على إنتاج بيانات مشابهة للبيانات الحقيقية تستطيع خداع الشبكة التمييزية.\nيتم برمجة عدد كبير من الأحقاب التدريبية إلى أن يصبح من الصعب على أي مراقب بشري التفريق بين البيانات الحقيقية و البيانات المفبركة","en_topic":"Generative adversarial network","wiki_pageid":7451199,"wiki_revid":73599852,"source_url":"https://ar.wikipedia.org/?curid=7451199","license":"CC BY-SA 4.0"}
{"slug":"gradient-descent","lang":"ar","title":"خوارزمية أصل التدرج","text":"أصل التدرج أو النزول الاشتقاقي هو خوارزمية تحسين تكرارية من الدرجة الأولى للعثور على الحد الأدنى المحلي لدالة قابلة للاشتقاق. للعثور على الحد الأدنى المحلي للدالة باستخدام منحدر التدرج، نتخذ خطوات تتناسب مع سلبية التدرج (أو التدرج التقريبي) للدالة عند النقطة الحالية. ولكن إذا اتخذنا بدلاً من ذلك خطوات تتناسب مع إيجابية التدرج، فإننا نقترب من الحد الأقصى المحلي لهذه الدالة؛ يُعرف الإجراء بعد ذلك بصعود متدرج . تم اقتراح خوارزمية أصل التدرج من قبل العالم الرياضي أوغستين لوي كوشي في عام 1847.\n== وصف ==\nيعتمد أصل التدرج على الملاحظة أنه إذا كانت الدالة متعددة المتغيرات\n F\n (\n x\n )\n {\\displaystyle F(\\mathbf {x} )}\n معرفة وقابلة للاشتقاق في جوار النقطة\n a\n {\\displaystyle \\mathbf {a} }\n ، فإن\n F\n (\n x\n )\n {\\displaystyle F(\\mathbf {x} )}\n ينخفض بسرعة أكبرإذا ذهبنا من\n a\n {\\displaystyle \\mathbf {a} }\n في اتجاه التدرج السلبي لـ\n F\n {\\displaystyle F}\n في\n a\n ,\n −\n ∇\n F\n (\n a\n )\n {\\displaystyle \\mathbf {a} ,-\\nabla F(\\mathbf {a} )}\n .\nو يتبع ذلك أنه إذا كان\n a\n n\n +\n 1\n =\n a\n n\n −\n γ\n ∇\n F\n (\n a\n n\n )\n {\\displaystyle \\mathbf {a} _{n+1}=\\mathbf {a} _{n}-\\gamma \\nabla F(\\mathbf {a} _{n})}\nفإنه لكل\n γ\n ∈\n R\n +\n {\\displaystyle \\gamma \\in \\mathbb {R} _{+}}\n صغيرة بما يكفي،\n F\n (\n a\n n\n )\n ≥\n F\n (\n a\n n\n +\n 1\n )\n {\\displaystyle F(\\mathbf {a_{n}} )\\geq F(\\mathbf {a_{n+1}} )}\n . وبعبارة أخرى، الحد\n γ\n ∇\n F\n (\n a\n )\n {\\displaystyle \\gamma \\nabla F(\\mathbf {a} )}\n يطرح من\n a\n {\\displaystyle \\mathbf {a} }\n لأننا نريد التحرك ضد التدرج نحو الحد الأدنى المحلي. مع أخذ هذه المل","en_topic":"Gradient descent","wiki_pageid":7451650,"wiki_revid":70605030,"source_url":"https://ar.wikipedia.org/?curid=7451650","license":"CC BY-SA 4.0"}
{"slug":"overfitting","lang":"ar","title":"فرط الملاءمة","text":"فرط المُلاءمة أو فرط التخصيص (بالإنكليزية: overfitting) في النمذجة الرياضية هو «إنتاج تحليل يتوافق توافقًا وثيقًا جدًا أو تامًا مع مجموعة معينة من البيانات، وبذلك قد يفشل في التوافق مع البيانات الإضافية أو التنبؤ بالملاحظات المستقبلية بشكل موثوق». النموذج مفرط المُلاءمة هو نموذج رياضي يحتوي على وسائط أكثر مما يمكن تبريره بواسطة البيانات. بالمعنى الرياضي، تمثل هذه الوسائط درجة متعددة حدود . إن جوهر فرط المُلاءمة هو استخراج بعض التباين المتبقي (أي الضجيج) بغير قصد كما لو كان هذا التباين يمثل بنية النموذج الأساسية.\nأما نقص الملاءمة أو نقص التعميم (بالإنكليزية: underfitting) فيَحْدُث عندما لا يتمكن النموذج الرياضي من تعلم البنية الأساس للبيانات تعلمًا مناسبًا. النموذج ناقص المُلاءمة هو نموذج تكون فيه بعض الوسائط أو المصطلحات، التي قد تظهر في نموذج محدد تحديًدا صحيحًا، مفقودةً. قد يحدث فرط التعميم، على سبيل المثال، عند ملاءمة نموذج خطي للبيانات غير الخطية. يميل مثل هذا النموذج إلى أن يكون له أداء تنبئه ضعيفٌ.\n== المراجع ==","en_topic":"Overfitting","wiki_pageid":9415543,"wiki_revid":73561297,"source_url":"https://ar.wikipedia.org/?curid=9415543","license":"CC BY-SA 4.0"}
{"slug":"perceptron","lang":"ar","title":"بيرسيبترون","text":"البيرسيبترون (الإنجليزية: Perceptron) إحدى أبسط أنواع الشبكات العصبونية أمامية التغذية، حيث لا يحتوي على طبقة عصبونات خفية بل تنتقل المعلومات المدخلة من الطبقة الأمامية إلى النهائية مباشرة.\nأول من استحدث شبكة البيرسيبترون كان فرانك روزينبلات Frank Rosenblatt عام 1957.\nتتكون الشبكة من عصبونات دخل وعصبونات خرج، وتربط بينها موصلات ذات أوزان قابلة للتعديل، ويشكل تعديل الأوزان محور عملية التعلم لشبكة بيرسبترون العصبونية. وهو محاولة محاكاة للخلايا العصبية لدى الإنسان.\n== اقرأ أيضًا ==\nتعلم الآلة\n== مراجع ==","en_topic":"Perceptron","wiki_pageid":17407,"wiki_revid":75002152,"source_url":"https://ar.wikipedia.org/?curid=17407","license":"CC BY-SA 4.0"}
{"slug":"neural-network","lang":"ar","title":"شبكة عصبونية اصطناعية","text":"الشبكات العصبونية الاصطناعية (الإنجليزية: Artificial Neural Network) أو ما يُدعى أيضًا بالشبكات العصبونية المحاكية (الإنجليزية: Simulated Neural Network) هي مجموعة مترابطة من عصبونات افتراضية تنشئها برامج حاسوبية لتشابه عمل العصبون البيولوجي أو بُنًى إلكترونية تُعرف بـ التلدين العصبي (وهي رقاقات مصممة فيزيائياً لمحاكاة عمل العصبونات بيولوجياً) تستخدم النموذج الرياضي لمعالجة المعلومات بناءً على الطريقة الاتصالية في الحوسبة. تتألف الشبكات العصبونية بشكل عام عناصر معالجة بسيطة تقوم بعمل بسيط لكن السلوك الكلي للشبكة يتحدد من خلال الاتصالات بين مختلف هذه العناصر التي تدعى هنا بالعصبونات ومؤشرات هذه العناصر element parameters. الإيحاء الأول بفكرة الشبكات العصبونية أتى من آلية عمل العصبونات الدماغية التي يمكن تشبيهها بشبكات بيولوجية كهربائية لمعالجة المعلومات الواردة إلى الدماغ. في هذه الشبكات اقترح دونالد هب أن المشبك العصبي يلعب دورا أساسيا في توجيه عملية المعالجة وهذا ما دفع للتفكير في فكرة الاتصالية والشبكات العصبونية الاصطناعية. تتالف الشبكات العصبونية الاصطناعية من عقد أو ما قد ذكرنا مسبقا انه عصبونات neurons أو وحدات معالجة processing elements، متصلة معا لتشكل شبكة من العقد، وكل اتصال بين هذه العقد يملك مجموعة من القيم تدعى الأوزان تسهم في تحديد القيم الناتجة عن كل عنصر معالجة بناء على القيم الداخلة لهذا العنصر.\n== مقدمة ==\nيمكننا تعريف الشبكات العصبية بأنها محاولة رياضية برمجية لمحاكاة طريقة عمل المخ البشري. حيث أن العلماء قد اكتشفوا تقريبا طريقة عمل المخ البشري من حيث قابلية التعلم وقابلية التذكر والقدرة على تمييز الأشياء والقدرة على اتخاذ القرارات. والمخ كما تعلمون يتكون من مليارات الخلايا العصبية المتشابكة فيما بينها بطريقة معقدة جدا عن طريق الزوائد العصبية لكل خلية، مما يشكل شبكة هائلة من الخلايا العصبية المرتبطة فيما بينها عن طريق هذه الزوائد.\nهذه الترابط فيما بين الخلايا العصبية يتيح لها القدرة على تخزين المعلومات والصور والصوت وخلافه من الإشارات التي تصلها عبر الحواس الخمسة، ومن ثم تتيح لها أيضا التعلم عن طريق التكرار والخطأ.\nفمثلا لو أتينا بطفل صغير وعرضنا عليه مجموعة من صور الحيوانات المختلفة فيها مثلا فيل وزرافة وببغاء؛ تعلم الآن الطفل الصغير هذه الحيوانا","en_topic":"Neural network (machine learning)","wiki_pageid":27841,"wiki_revid":76001214,"source_url":"https://ar.wikipedia.org/?curid=27841","license":"CC BY-SA 4.0"}
{"slug":"deep-learning","lang":"ar","title":"تعلم عميق","text":"التعلّم العميق أو التعلم الآلي العميق هو مجال بحث جديد يتناول إيجاد نظريات وخوارزميات تتيح للآلة أن تتعلم بنفسها بمحاكاة الخلايا العصبية في جسم الإنسان. وأحد فروع العلوم التي تتناول علوم الذكاء الاصطناعي. يعد من فرع من فروع علوم التعلم الآلي، تركز معظم أبحاث التعلم العميق على إيجاد أساليب استنباط درجة عالية من المتجردات بتحليل مجموعة بيانات ضخمة، باستخدام متحولات خطية وغير خطية. تُشير صفة \"عميق\" إلى استخدام طبقاتٍ مُتعددةٍ (تتراوح من ثلاث طبقاتٍ إلى عدة مئاتٍ أو آلاف) في الشبكة. يُمكن أن تكون الأساليب المُستخدمة إما مُراقبةً أو شبه مُراقبةٍ أو غير مُراقبة.\nتشمل بعض بنى شبكات التعلم العميق الشائعة الشبكات المُتصلة بالكامل، وشبكات المعتقدات العميقة، والشبكات العصبية الالتفافية، والشبكات العصبية المُتكررة، والشبكات التوليدية التنافسية، والمُحولات، وحقول الإشعاع العصبي. طُبقت هذه البنى على مجالاتٍ تشمل الرؤية الحاسوبية، والتعرف على الكلام، ومعالجة اللغة الطبيعية، والترجمة الآلية، والمعلوماتية الحيوية، وتصميم الأدوية، وتحليل الصور الطبية، وعلم المناخ، وفحص المواد، وبرامج ألعاب الطاولة، حيث أنتجت نتائج مُقارنةً بِأداء الخبراء البشرِ، وفي بعض الحالات تتجاوزُه.\nاستُلهِمَت الأشكال المُبكرة من الشبكات العصبية من مُعالجة المعلومات وعُقَد الاتصال المُوزعة في الأنظمة البيولوجية، وخاصةً الدماغ البشري. ومع ذلك، لا تهدف الشبكات العصبية الحالية إلى نمذجة وظيفة الدماغ لِلكائنات الحية، ويُنظر إليها عمومًا على أنها نماذج ذات جودةٍ مُنخفضةٍ لِهذا الغرض.\n== الفكرة الاساسية ==\nيمكن توصيف أي كائن بطرق عديدة متنوعة. مثلا، يمكن توصيف صورة ما على اساس متجهي لدرجة الضياء في كل وحدة بكسل أو بطريقة متجردة على اساس مجموع الحواف والمناطق التي تشكل الصورة. العديد من الأساليب الأخرى يمكن استعمالها لتوصيف هذه الصورة. وتشير الدراسات ان بعض هذه الاساليب هي أفضل من غيرها في تبسيط تعلم الآلة (مثل ملاحظة الوجه أو ملاحظة التعابير). ومن الاهداف المتوقعة في دراسة التعلم العميق هو استبدال ميزات التعلم الالي التي تحدد بشريا بميزات تنتجها الآلة نفسها بخوارزميات فعالة في استنباط الميزات بصورة ألية أو نصف آلية.\nتعتمد ابحاث التعلم العميق على الاكتشافات في علوم الاعصاب كثيرًا وخاصة في مجال فهم العمليات الترميزة ال","en_topic":"Deep learning","wiki_pageid":2991314,"wiki_revid":75934868,"source_url":"https://ar.wikipedia.org/?curid=2991314","license":"CC BY-SA 4.0"}
{"slug":"machine-learning","lang":"ar","title":"تعلم الآلة","text":"تعلّم الآلة (الإنجليزية: Machine Learning) هو أحد فروع الذكاء الاصطناعي التي تهتم بتصميم وتطوير خوارزميات وتقنيات تسمح للحواسيب بامتلاك خاصية «التعلم». بشكل عام هناك مستويين من التعلم: الاستقرائي والاستنتاجي. يقوم الاستقرائي باستنتاج قواعد وأحكام عامة من البيانات الضخمة. المهمة الأساسية لتعلم الآلة هو استخراج معلومات قيمة من البيانات، بالتالي هو قريب جدا من التنقيب في البيانات (الإنجليزية: data mining) والإحصاء والمعلوماتية النظرية. يستخدم تعلم الآلة في العديد من المجالات من الهندسة إلى الطب.\nيتضمن تعلم الآلة عدداً كبيراً من حقول التطبيقات: معالجة اللغات الطبيعية (الإنجليزية: natural language processing) وتمييز الأنماط (الإنجليزية: syntactic pattern recognition) ومحركات البحث (الإنجليزية: search engines) والتشخيص الطبي والمعلوماتية الحيوية والمعلوماتية الكيميائية، تصنيف تسلسلات الحمض النووي (DNA)، تعرّف الكلام (الإنجليزية: speech recognition) وتمييز الكتابة handwriting recognition، وحتى تمييز الأشياء (الإنجليزية: object recognition)، رؤية الحاسوب (الإنجليزية: computer vision) الألعاب الإستراتيجية وتحريك الروبوت (الإنجليزية: robot locomotion).\n== تاريخ ==\nاِستَخدم آرثر صموئيل مصطلح «تعلم الآلة» أول مرة في عام 1959، وهو أمريكي عمل في شركة آي بي إم. كان تعلم الآلة في الستينيات يستخدم في الغالب لتصنيف الأنماط.\n== تعريف ==\nقد وفَر توم م. ميتشيل تحديداً مقتبساً واسعة الاقتباس: يقال أَنَّ برنامجا حاسوبياً «يتعلَّم» من خبرة 'x' بالنسبة إلى صنف ما من الأَشغال 'y' وبالنسبة إِلى مقياس الإتمامِ z. إذا تحسَن إتمام البرنامج على أشغال في 'y' بعد خبرة 'x'، بمقياس z' .\n== أنواع طرق تعلم الآلة ==\nتُصنف خوارزميات تعلم الآلة إلى عدة أنواع:\nالتعلم بالإشراف (Supervised Learning): وهو أحد أشهر أنواع تعلم الآلة ويقوم على وجود بيانات وقراءتها الصحيحة عند وقت التعلم بحيث تشكل هذه البيانات امثلة حقيقية يمكن للنموذج التعلم منها.\nشبه التعلم بالإشراف (Semi-supervised learning): وهو عند وجود بيانات مع قرائنها الصحيحة ولكنها محدودة أو غير مكتملة.\nالتعلم بدون إشراف (Unsupervised Learning): وهو تعلم يَنتُج عن وجود بيانات بدون قرائنها الصحيحة ومن أشهر أنواع التعلم بدون إشراف هو التحليل العنقودي Clust","en_topic":"Machine learning","wiki_pageid":235310,"wiki_revid":75104980,"source_url":"https://ar.wikipedia.org/?curid=235310","license":"CC BY-SA 4.0"}
{"slug":"artificial-intelligence","lang":"ar","title":"ذكاء اصطناعي","text":"الذَّكَاءُ الْاِصْطِنَاعِيُّ أو الذَّكَاءُ الصِّنَاعِيُّ أو الذَّكَاءُ الصُّنْعِيُّ (اختصاراً ذ.ا، إي-آي، أي-آي; بالإنجليزية: Artificial Intelligence، واختصاراً A.I) هو قدرة الأنظمة الحاسوبية على أداء مهام تُنسب عادةً إلى الذكاء البشري، مثل التعلّم، والاستدلال، وحلّ المشكلات، والإدراك، واتخاذ القرار. وهو مجال بحثي في الهندسة والرياضيات وعلوم الحاسوب، يُطوّر ويدرس الأساليب والبرمجيات التي تمكّن الآلات من إدراك بيئتها، واستخدام التعلّم والذكاء لاتخاذ أفعال تزيد فرصها في بلوغ أهداف محددة.\nتشمل أبرز تطبيقات الذكاء الاصطناعي محرّكات البحث المتقدمة على الويب، وروبوتات المحادثة، والمساعدات الافتراضية، والمركبات ذاتية القيادة، واللعب والتحليل في الألعاب الاستراتيجية، مثل الشطرنج وغو. ومنذ عشرينيات القرن الحادي والعشرين، أصبح الذكاء الاصطناعي التوليدي متاحًا على نطاق واسع لإنشاء الصور والصوت والفيديو انطلاقًا من أوامر نصية.\nتشمل الأهداف التقليدية لأبحاث الذكاء الاصطناعي التعلّم، والاستدلال، وتمثيل المعرفة، والتخطيط، ومعالجة اللغة الطبيعية، والإدراك، فضلًا عن دعم الروبوتات. ولتحقيق هذه الأهداف، استخدم باحثو الذكاء الاصطناعي تقنيات متعددة، منها البحث في فضاء الحالات، والتحسين الرياضي، والمنطق الصوري، والشبكات العصبية الاصطناعية، وطرائق قائمة على الإحصاء وبحوث العمليات والاقتصاد. ويستفيد الذكاء الاصطناعي أيضًا من علم النفس، واللسانيات، والفلسفة، وعلم الأعصاب، وحقول أخرى. وتسعى بعض الشركات، مثل أوبن إيه آي، وجوجل ديب مايند، وميتا، إلى إنشاء الذكاء الاصطناعي العام (الإنجليزية: Artificial general intelligence (AGI))، وهو ذكاء اصطناعي يستطيع إنجاز أي مهمة معرفية تقريبًا بمستوى لا يقل عن مستوى الإنسان.\nتأسس الذكاء الاصطناعي بوصفه تخصصًا أكاديميًا سنة 1956، ومرّ المجال في تاريخه بعدة موجات من التفاؤل، أعقبتها فترات من خيبة الأمل وتراجع التمويل، عُرفت باسم شتاءات الذكاء الاصطناعي. وازداد التمويل والاهتمام بالمجال ازديادًا كبيرًا بعد سنة 2012، حين بدأ استخدام وحدات معالجة الرسوميات لتسريع الشبكات العصبية، وتفوّق التعلّم العميق على تقنيات الذكاء الاصطناعي السابقة. وتسارع هذا النمو أكثر بعد سنة 2017 مع ظهور بِنْية المحوّل. وفي عشرينيات القرن الحادي والعشرين، تزامنت طفرة الذكاء الاصطناعي ","en_topic":"Artificial intelligence","wiki_pageid":3947,"wiki_revid":76006483,"source_url":"https://ar.wikipedia.org/?curid=3947","license":"CC BY-SA 4.0"}
{"slug":"supervised-learning","lang":"ar","title":"تعلم مراقب","text":"التعلم بالإشراف أو التعلم الاستقرائي أو التعلم المُوجَّه هو منهج في تعلم الآلة يقوم باستنتاج تابع من مجموعة بيانات تدريبية موسومة labeled training data. تتكون بيانات التدريب من مجموعة من الأمثلة الواقعية (مثل بيانات مريض في المستشفى، قيمة الأسهم في البورصة إلخ). في التعلم تحت إشراف كل عينة تمثل شيء على أرض الواقع وتتكون زوج بيانات دخل وخرج تكون مدخلات (عادة متجه) والمطلوب التنبوء بقيمة الخرج (يسمى أيضا العلامة الإشرافية).خوارزمية التعلم بالاشراف تحلل بيانات التدريب وو ينتج تابع الاستدلال الذي يستخدم في تعيين الأمثلة الجديدة. السيناريو الأمثل تسمح خوارزمية لتحديد فئات العينات الغير مرئية (الجديدة تماما والتي لم تستخدم في مرحلة التدريب) بشكل صحيح. وهذا يتطلب تعميم خوارزمية التعلم باستخدام بيانات التدريب على العينات الجديدة حالات بطريقة «مقبولة» (انظر الاستقرائي التحيز).\nالوظيفة الموازية في علم نفس الإنسان والحيوان غالبا ما يشار إليها بمفهوم التعلم.\n== نظرة عامة ==\nلحل مشكلة معينة من التعلم تحت الاإشراف يجب إتباع الخطوات التالية:\nتحديد نوع أمثلة التدريب. قبل القيام بأي شيء آخر، يجب على المستخدم أن يقرر ما هو نوع من البيانات المستخدمة في مجموعة التدريب. في حالة تحليل خط اليد، على سبيل المثال، قد تكون حرف واحد مكتوب بخط اليد أو كلمة كاملة مكتوبة يدويا.\nجمع مجموعة التدريب. مجموعة التدريب يجب أن تكون ممثلة في العالم الحقيقي باستخدام تابع. وهكذا مجموعة من المدخلات الكائنات التي تم جمعها والتي تتناظر مع مخرجات (فئات، أو وسوم) التي أيضا يتم جمعها سواء بالاستعانة بالخبراء أو عن طريق القياسات المخبرية.\nتحديد طريقة تمثيل خصائص (قسمات) المدخلات لتابع التعلم. دقة التابع المُعلّم يعتمد بشدة على كيفية تمثيل الكائن المدخل. عادة يتم تحويل الكائن المدخل تتحول إلى متجه (متجه رياضي) من الخصائص، وهي عبارة عن مقادير عددية أو سلاسل حرفية محددة توصف الكائن المدخل، عدد الخصائص يجب أن لا يكون كبير جدا، وهذا ما يصطلح بتسميته لعنة الأبعاد، ولكن يجب أن تحتوي على ما يكفي من المعلومات للتنبؤ بدقة بقيم الخرج.\nتحديد نوع وبنية خوارزمية التعلم. على سبيل المثال، قد يقوم المهندس باختيار طرق التعلم باستخدام شعاع الدعم الآلي أو أشجار القرار.\nإكمال التصميم. تشغيل خوارزمية التعلم على مجموعة التدريب.","en_topic":"Supervised learning","wiki_pageid":3516540,"wiki_revid":74088323,"source_url":"https://ar.wikipedia.org/?curid=3516540","license":"CC BY-SA 4.0"}
{"slug":"prompt-engineering","lang":"ar","title":"هندسة التلقين","text":"هندسة التلقين (الإنجليزية: Prompt engineering) هي فرع ناشئ ومتنام ضمن حقل الذكاء الاصطناعي، يعنى بتصميم المدخلات النصية وصياغتها وتحسينها بهدف توجيه النماذج اللغوية الكبيرة ونماذج الذكاء الصناعي المولّد نحو انتاج مخرجات دقيقة وملائمة وعالية الجودة. وتقوم هذه الهندسة على مبدأ مفاده أن جودة الاستجابة التي يولدها النموذج ترتبط ارتباطًا وثيقًا بجودة التعليمات المقدمة إليه، إذ أن صياغة التلقين (Prompt) بعناية تمكن المستخدم من استثمار القدرات الكامنة في هذه النماذج دون الحاجة إلى تعديل معاملاتها الداخلية أو إعادة تدريبها.\nاكتسبت هندسة التلقين أهمية متزايدة مع انتشار النماذج اللغوية الكبيرة مثل جي بي تي وجيميناي ولاما وغيرها، إذ باتت تمثل الواجهة الرئيسية للتفاعل بين الانسان والآلة. وتتراوح تقنيات هذا المجال بين أساليب بسيطة كالتلقين الصفري (Zero-shot Prompting) وتقنيات متقدمة كسلسلة التفكير (Chain-of-Thought) والتلقين بالأدوار (Role Prompting)، فضلًا عن أطر عمل برمجيّة متخصصة مثل لانغتشين (LangChain) التي تسهل بناء تطبيقات معقدة قائمة على هذه النماذج. وقد أفرز هذا التطور ظهور تخصص مهني جديد يعرف بمهندس التلقين (Prompt Engineer)، يجمع بين المعرفة التقنية بآليات عمل نماذج الذكاء الاصطناعي والإبداع اللغوي والتفكير التحليلي.\n== التعريف والمفهوم ==\nيشير مصطلح هندسة التلقين إلى العملية المنهجية التي تتضمن تصميم وبناء وتنقيح المدخلات النصية، المعروفة بالتلقينات (Prompts)، التي تقدم إلى النماذج اللغوية الكبيرة بغية الحصول على مخرجات محددة ومرغوبة. ويمكن تعريف التلقين بأنه مجموعة من التعليمات أو الأسئلة أو النصوص التي يقدمها المستخدم مدخلاً للنموذج، فيعمل هذا الأخير على توليد استجابة تتسق مع السياق والتوجيهات المقدمة. وتعد هذه العملية بمثابة حلقة وصل بين النية البشرية وقدرات النموذج الحاسوبية، إذ يسعى مهندس التلقين إلى ترجمة الأهداف المعقدة إلى تعليمات واضحة ومحكمة يستطيع النموذج تفسيرها والاستجابة لها بفاعلية.\nويرتبط مفهوم هندسة التلقين ارتباطا عضويا ببنية المحولات (Transformers) التي تقوم عليها النماذج اللغوية الكبيرة المعاصرة. فهذه النماذج مدربة في جوهرها على التنبؤ بالكلمة التالية في تسلسل معين، وتعمل هندسة التلقين على تزويد النموذج بسياق أولي مصمم بعناية يوجه عملية التنبؤ نحو","en_topic":"Prompt engineering","wiki_pageid":9079122,"wiki_revid":75498036,"source_url":"https://ar.wikipedia.org/?curid=9079122","license":"CC BY-SA 4.0"}
{"slug":"feature-engineering","lang":"ar","title":"هندسة الخصائص","text":"هندسة الخصائص أو استخراج الميزات أو اكتشاف الميزات هي عملية استخراج الميزات (الخصائص، السمات) من البيانات الأولية. نظرًا لشبكات التعلم العميق ، مثل الشبكات العصبية الالتفافية ، القادرة على تعلم الميزات بنفسها، أصبحت هندسة الميزات القائمة على المجال المحدد قديمة بالنسبة لمعالجة الرؤية والكلام.\nتشمل الأمثلة الأخريات للميزات أو الخصائص في الفيزياء بناء أرقام بدون أبعاد مثل عدد رينولدز في جريان الموائع ؛ ثم عدد نسلت في انتقال الحرارة وعدد أرخميدس في الترسيب بناء التقديرات التقريبية الأولى للحل مثل القوة التحليلية لحلول المواد في الميكانيكا وغيرها.\n== المراجع ==","en_topic":"Feature engineering","wiki_pageid":9424046,"wiki_revid":69784912,"source_url":"https://ar.wikipedia.org/?curid=9424046","license":"CC BY-SA 4.0"}
{"slug":"technological-singularity","lang":"ar","title":"تفرد تقني","text":"التفرد التقني أو بكل بساطة التفرد هو فرضية أن اختراع أجهزة ذكاء اصطناعي خارقة ستؤدي إلى نمو تقني سريع، مؤديةً إلى تغيرات غير معقولة في الحضارة البشرية. طبقًا لهذه الفرضية، ستدخل أدوات ذكية (مثل جهاز حاسوب يعمل على أساس برنامج مبني على فكرة الذكاء الاصطناعي) في تفاعلات سريعة من الدوائر المطورة لأنفسها؛ مع كل جيل أحدث وأذكى تعمل بسرعة أكبر وأدق، مؤديةً إلى انفجار معرفي وإلى ذكاء صناعي خارق، يتجاوز كل الذكاء البشري. تقول فكرة غود إن الانفجار المعرفي سيؤدي في النهاية إلى تفرد. وقال أستاذ الفلسفة في علوم الحاسوب بجامعة سان دييغو وكاتب الخيال العلمي فيرنور فينج في مقالتهِ عام 1993 «التفرد التقني القادم» أن هذا من شأنه أن يشير إلى نهاية حقبة الإنسان، حيث سيستمر الذكاء الفائق الجديد في الارتقاء بنفسه والتقدم تقانيًا بمعدل غامض.\nفي عام 2012 و2013 أجريت أربعة استطلاعات للرأي، مبينةً أن نسبة تطوير ذكاء اصطناعي عام هي 50 في المئة بحلول عام 2040 إلى عام 2050.\nفي السنوات السابقة، أعربت شخصيات عامة مثل ستيفن هوكينج وإيلون ماسك عن قلقها بأن الذكاء الاصطناعي العام من الممكن أن يؤدي إلى انقراض الإنسان. إن عواقب التفرد ومصلحته أو ضرره للجنس البشري قد نوقشت بشدة.\n== خلفية ==\nعلى الرغم من أن التقدم التقني يتسارع، إلا أنه كان مقيدًا بالذكاء الأساسي للدماغ البشري، والذي، طبقًا لبول ر. ايرليك، لم يتغير كثيرًا على مر آلاف السنين. غير أن ازدياد قوة أجهزة الحاسوب والتقانة الأخرى من الممكن أن يؤدي إلى بناء آلات أكثر ذكاءًا من البشر. إذا ما تمكنا من اختراع ذكاء خارق - أما من خلال إسهاب الذكاء البشري أو من خلال الذكاء الاصطناعي - سنتمكن من الحصول على مهارات اختراعيه وقدرات على حل مشاكل أعظم من هذه التي يمتلكها البشر الآن. يسمى هذا النوع من الذكاء الاصطناعي باسم (ذرية الذكاء الاصطناعي-Seed AI) لأنه إذا صُنِّعَت آلة ذكاء اصطناعي باستخدام قدرات هندسية تتطابق مع أو تتجاوز قدرات صانعيها البشريين، فستكون لها القدرة على تحسين برامجها وعدتها بصورة مستقلة أو حتى تصميم آلة لها إمكانات أكبر. هذه الآلة ذات الإمكانات الأكبر من الممكن أن تقوم بتصميم آلة ذات قدرة أكبر بكثير. من الممكن ان تتسارع هذه التكرارات للتحسين الذاتي المتكرر، مما يسمح بتغيير نوعي كبير قبل أي حدود عليا تفرضها قوانين الفيزياء أو الحسابات ا","en_topic":"Technological singularity","wiki_pageid":3279984,"wiki_revid":74714745,"source_url":"https://ar.wikipedia.org/?curid=3279984","license":"CC BY-SA 4.0"}
{"slug":"chatgpt","lang":"ar","title":"شات جي بي تي","text":"شات جي بي تي (المُحوّل التوليديّ المُدرَّب مُسبقًا للدردشة) (الإنجليزية: ChatGPT) هو روبوت محادثة يعتمد على الذكاء الاصطناعي المولد، طورته شركة أوبن أيه آي. أُطلق المنتج في الأصل في نوفمبر 2022، ويستخدم نماذج لغة كبيرة—وتحديداً محول توليدي مسبق التدريب — لتوليد النصوص، والخطابات، والصور استجابةً لـ مطالبات المستخدمين. ساهم تشات جي بي تي في تسريع طفرة الذكاء الاصطناعي، وهي فترة مستمرة تتميز باستثمارات مكثفة واهتمام عام واسع بمجال الذكاء الاصطناعي. تدير أوبن أيه آي الخدمة وفق نموذج فري ميوم (خدمة مجانية مع ميزات مدفوعة)، ويمكن للمستخدمين التفاعل مع شات جي بي تي من خلال الطلبات النصية، والصوتية، والصورية.\nأُطلق نموذجٌ أوليّ من تشات جي بي تي في 30 نوفمبر 2022، وسرعان ما حظي بالاهتمام لردوده التفصيلية والإجابات المفصلة في عديد من مجالات المعرفة. ومع ذلك، رأى البعض عدم تكافئ دقة معرفته بحقائق المجالات المختلفة على أنها عيب كبير. بعد إصدار شات جي بي تي، قُدّرت قيمة شركة أوبن إي آي بـ 29 مليار دولار أمريكيّ. وفي يونيو 2026، تجاوز حاجز المليار مستخدم شهرياً بحسب ما نقلته وكالة رويترز.\nحظي تشات جي بي تي بنمو سريع، حيث وصل إلى 100 مليون مستخدم نشط شهرياً بعد شهرين فقط من إطلاقه، وبلغ عدد مستخدميه النشطين أسبوعياً 900 مليون مستخدم في فبراير 2026. نال إشادة لقدرته على إحداث تحولات في العديد من المجالات المهنية، كما أثار نقاشاً عاماً حول طبيعة الإبداع ومستقبل العمل المعرفي.\nفي المقابل، واجه تشات جي بي تي انتقادات بسبب حدوده وإمكانية استخدامه بشكل غير أخلاقي؛ إذ يمكنه توليد إجابات تبدو مقنعة ولكنها غير صحيحة أو خالية من المعنى، وهو ما يُعرف بـ الهلوسة. كما تنعكس التحيزات الموجودة في بيانات التدريب الخاصة به على ردوده. بالإضافة إلى ذلك، يمكن للروبوت تسهيل الغش الأكاديمي، ونشر معلومات مضللة، وإنشاء برمجيات خبيثة. كما أثارت أخلاقيات تطويره جدلاً واسعاً، لا سيما فيما يتعلق باستخدام محتوى محمي بـ حقوق التأليف والنشر كبيانات للتدريب.\n== التدريب ==\nشات جي بي تي –وهو محوّل توليديّ مُدربٌ مسبقًا– ضُبط بدقة (أحد طرق نقل التعلم) فوق جي بي تي-3.5 باستخدام التعلم المراقَب بالإضافة إلى التعلم المدعوم. استَخدَم كلا النهجين مُدرِّبين بشريين لتحسين أداء النموذج. في حالة التعلم المدعّم، زُوّد النمو","en_topic":"ChatGPT","wiki_pageid":9032873,"wiki_revid":75972438,"source_url":"https://ar.wikipedia.org/?curid=9032873","license":"CC BY-SA 4.0"}
{"slug":"claude","lang":"ar","title":"كلود (نموذج لغوي)","text":"كلود (الإنجليزية: Claude) هي عائلة من نماذج اللغة الكبيرة من تطوير شركة أنثروبيك. وأُطلقت لأول مرة عام 2023. وقد وُصف اسمها بأنه تكريمٌ لـكلود شانون، رائد نظرية المعلومات، وفي الوقت ذاته اختيرَ ليكون نظيراً ودوداً ذا طابع مذكّر لمساعدات الذكاء الاصطناعي كـأليكسا وسيري.\nيُستخدم كلود في مجال تطوير البرمجيات عبر منصة كلود كود. ويعتمد كلود على الذكاء الاصطناعي الدستوري، وهو أسلوب تدريب طوّرته أنثروبيك بهدف تعزيز الامتثال الأخلاقي والقانوني (توافق الذكاء الاصطناعي).\nبدأت الوكالات الفيدرالية الأمريكية بالتخلص التدريجي من استخدام كلود، وذلك بعد أن رفضت أنثروبيك إزالة الحظر التعاقدي على توظيف كلود في المراقبة الجماعية الداخلية والأسلحة ذاتية التشغيل الكامل. وعقب هذا الرفض، صنّفت وزارة الدفاع الأمريكية الشركةَ بوصفها \"خطراً على سلسلة الإمداد\"، وحظرت على جميع المقاولين العسكريين الخاصين والموردين والشركاء في الولايات المتحدة إجراء أي تعاملات تجارية معها.\n== التدريب ==\nتُعدّ نماذج كلود محوّلات مُدرَّبة مسبقاً توليدية دُرِّبت على التنبؤ بالكلمة التالية في كميات ضخمة من النصوص. وبعد ذلك، خضعت لعملية الضبط الدقيق باستخدام التعلم المعزز من التغذية الراجعة البشرية (RLHF) والذكاء الاصطناعي الدستوري، وذلك في محاولة لتطبيق المبادئ التوجيهية الأخلاقية. يجوب كلود بوت الويب بحثاً عن المحتوى، ويحترم معيار استبعاد الروبوتات الخاص بكل موقع، غير أنه تعرّض لانتقادات من شركة آيفكست عام 2024، قبل أن تُضيف هذه الأخيرة معيار استبعاد الروبوتات الخاص بها، وذلك بسبب الضغط المفرط الذي أحدثه على موقعها جراء عمليات جمع البيانات.\n=== الذكاء الاصطناعي الدستوري ===\nالذكاء الاصطناعي الدستوري منهجٌ طوّرته أنثروبيك لتدريب كلود وغيره من أنظمة الذكاء الاصطناعي على أن تكون غير ضارة ومفيدة دون الاعتماد الكبير على التغذية الراجعة البشرية. دستور كلود هو مجموعة من المبادئ المصاغة بلغة مفهومة للإنسان، يسعى النموذج إلى مواءمة إجاباته مع أحكامها. وقد أعلنت أنثروبيك أنها تعتزم جعل دستور كلود نموذجاً يحتذي به سائر اللاعبين في الصناعة.\nنُشر الدستور الأول لكلود عام 2022، وتضمّن تحديث عام 2023 خمسةً وسبعين مبدأً توجيهياً ينبغي لكلود الالتزام بها. واستقت الدساتير الأولى بعض مفاهيمها من الإعلان العالمي لحقوق الإنسان الصادر ع","en_topic":"Claude (AI)","wiki_pageid":9669694,"wiki_revid":75975457,"source_url":"https://ar.wikipedia.org/?curid=9669694","license":"CC BY-SA 4.0"}
{"slug":"google-gemini","lang":"ar","title":"جيميناي (بوت دردشة)","text":"جيميناي (الإنجليزية: Gemini) المعروف سابقاً باسم بارد هو نموذج ذكاء اصطناعي طورته شركة جوجل كجزء من مبادراتها في الذكاء الاصطناعي لمنافسة نماذج مثل شات جي بي تي من أوبن أيه آي. يعتمد جيميناي على تقنيات متقدمة من النماذج اللغوية متعددة الوسائط، مما يعني أنه يمكنه معالجة النصوص والصور وحتى الفيديوهات، مع إمكانية تحسين الإبداع والإنتاجية.\nيمثل جيميناي جزءًا من رؤية جوجل لتطوير ذكاء اصطناعي أكثر شمولية ومسؤولية، ويعد خطوة كبيرة نحو تحقيق تقنيات أكثر تطورًا في التفاعل بين البشر والذكاء الاصطناعي. كان يعرف سابقاً باسم بارد، وهو نموذج أولي لبوت الدردشة الذي صممته جوجل استنادًا إلى نموذج اللغة التحاوري لامدا. طُور استجابة مباشرة لظهور شات جي بي تي الخاص بشركة أوبن أيه آي، وأُصدر بقدرة محدودة في مارس 2023 للاستجابات المحدودة، قبل التوسع إلى بلدان أخرى. جيميناي متوفّر حاليًّا بأكثر من 40 لغة وفي أكثر من 230 بلداً ومنطقة.\n== سبب الإنشاء ==\nفي نوفمبر 2022، أطلقت شركة أوبن أيه آي روبوت شات جي بي تي، وهو روبوت محادثة يعتمد على عائلة جي بي تي-3 لنماذج اللغات الكبيرة. اكتسب شات جي بي تي اهتمامًا عالميًا بعد إطلاقه، وأصبح ضجة كبيرة على الإنترنت. بعد أن انزعاجهم من تهديد شات جي بي تي المحتمل ل بحث جوجل، أصدر المسؤولون التنفيذيون في جوجل تنبيه، وأعادوا تعيين العديد من الفرق للمساعدة في جهود الشركة في مجال الذكاء الاصطناعي. في خطوة نادرة وغير مسبوقة، استدعي مؤسسي شركة جوجل لاري بايج وسيرجي برين اللذان تنحيا عن منصبيهما كرئيسين تنفيذيين مشاركين للشركة الأم ألفابت في عام 2019 إلى اجتماعات طارئة مع المدراء التنفيذيين للشركة لمناقشة استجابة جوجل لـ شات جي بي تي. في وقت سابق من ذلك العام، كشفت الشركة النقاب عن لامدا، وهو نموذج أولي لـ لنماذج اللغات الكبيرة، لكنها لم تطلقه للجمهور. عندما سئل الموظفون في اجتماع متعدد الاطراف عما إذا كانت لامدا فرصة ضائعة لشركة جوجل للتنافس مع شات جي بي تي، صرح الرئيس التنفيذي لشركة جوجل والفابت، جنبًا إلى جنب مع رئيس جوجل للذكاء الاصطناعي جيف دين، أنه في حين أن الشركة لديها قدرات مماثلة لـ شات جي بي تي، فإنها تتحرك أيضًا سريعًا في هذا المجال قد يمثل \"خطرًا على السمعة\" نظرًا لأن Google أكبر بكثير من أوبن أيه آي. في يناير 2023 أثار ديميس هاسابيس، الرئيس التنفيذ","en_topic":"Google Gemini","wiki_pageid":9213305,"wiki_revid":75110014,"source_url":"https://ar.wikipedia.org/?curid=9213305","license":"CC BY-SA 4.0"}
{"slug":"chatbot","lang":"ar","title":"بوت دردشة","text":"بوت المُحادَثة أو بوت الدَّردَشة أو كَرِيرة الدَّردَشة أو الآلِيُّ المُدَردِش أو المُدَردِش (الإنجليزية: Chatbot) هو بَرنامَجٌ حاسوبيّ مُصَمَّم لمحاكاة ذكية للمُحادَثات البشرية مع مستخدم واحد أو عِدَّةِ مُستخدِمين بالسمع أو الكتابة، ويُشار أحيانًا إليها بكيانات المحادثة الاصطناعية، وتُدمَج هذه البرامج غالبًا في نُظُم الحِوار لأغراضٍ مختلِفة، مثلُ: الخِدْمات الشخصية، أو الحصولِ على المعلومات.\nبعضُ الآليِّينَ (الروبوتات) يستخدمُ فحصَ الكلمات المُدخَلة، وفَرزَها إلى كلماتٍ رئيسة، وسحبَ الرد مع الكلماتِ الرئيسةِ الأكثر مطابقةً وصياغةً الأكثرَ مطابقةً من النصوص المخزنة لها في قاعدة البيانات.\n== الاستخدامات ==\n=== برامج التراسل الفوري ===\nيُستخدم بوت الدردشة في تطبيقات التراسل الفوري مثل الرسائل النصية القصيرة لتقديم الخدمات للعملاء والتسويق وبيع المنتجات مباشرة إلى المستهلك.\nعلى سبيل المثال سمح تطبيق فيسبوك مسنجر بإنشاء بوت دردشة على منصته في عام 2016 إذ وصل عدد بوتات الدردشة إلى 30,000 خلال الأشهر الستة الأولى، وارتفع إلى 100,000 بحلول سبتمبر 2017.\nبدأ تطبيق واتساب برنامجًا تجريبيًا لبوت الدردشة في سبتمبر 2017 بمشاركة شركات مثل الخطوط الجوية الملكية الهولندية وطيران المكسيك التي شاركت مسبقًا مع تطبيق فيسبوك مسنجر.\nعادةً ما يظهر بوت الدردشة كأحد جهات الاتصال الخاصة بالمستخدم، وقد يعمل أحيانًا في المحادثات الجماعية.\nتبنت العديد من المؤسسات بوت الدردشة للإجابة على الأسئلة البسيطة مثل البنوك وشركات التأمين ووسائل الإعلام وشركات التجارة الإلكترونية وشركات الطيران وسلاسل الفنادق والتجار ومقدمو الرعاية الصحية والجهات الحكومية وسلاسل المطاعم والترويج للمنتجات بالإضافة إلى توفير وسائل إضافية للطلب منها. كما يُستخدم بوت الدردشة لجمع إجابات مختصرة في الأبحاث عن طريق الاستبيانات.\nأظهرت دراسة أجريت في عام 2017 أن 4% من الشركات تستخدم بوت الدردشة. في حين أفادت دراسة أخرى أجريت في عام 2016 أن 80% من الشركات تخطط لاستخدام بوت الدردشة بحلول عام 2020.\n=== تطبيقات الشركات والمواقع الإلكترونية ===\nعملت الأجيال السابقة من بوت الدردشة عبر مواقع الشركات، مثل بوت دردشة آسك جين الخاص بخطوط ألاسكا الجوية الذي تم إطلاقه في 2008، أو خدمة العملاء الافتراضية لوكالة إكسبيديا للسفر التي أُطلقت في 2011","en_topic":"Chatbot","wiki_pageid":1093192,"wiki_revid":74988880,"source_url":"https://ar.wikipedia.org/?curid=1093192","license":"CC BY-SA 4.0"}
{"slug":"midjourney","lang":"ar","title":"ميدجورني","text":"ميدجورني (الإنجليزية: Midjourney) هو معمل أبحاث مستقل ينتج برنامج ذكاء اصطناعي خاص مفتوح المصدر ينشئ صورًا من الأوصاف النصية، على غرار أوبن أيه آي. الأداة حاليًا في مرحلة تجريبية مفتوحة دخلتها في 12 يوليو 2022.\nيقود فريق المعمل ديفيد هولز، الذي شارك في تأسيس ليب موشن. تستخدم ميدجورني نموذج عمل فريميوم، مع فئة مجانية محدودة ومستويات مدفوعة توفر وصولاً أسرع وقدرة أكبر وميزات إضافية. ينشئ المستخدمون عملًا فنيًا باستخدام ميدجورني باستخدام أوامر ديستروكيد بوت.\nدخل ميدجورني الإصدار التجريبي المفتوح في 12 يوليو 2022. تعمل الشركة على تحسين الخوارزميات الخاصة بها، وتصدر إصدارات جديدة منذ بضعة أشهر. أُطلق الإصدار الثاني من الخوارزمية في أبريل 2022 والإصدار الثالث في يوليو.\n== الوظيفة ==\nلا يمكن الوصول إلى ميدجورني حاليًا إلا من خلال ديسكورد بوت الموجود على تطبيق ديسكورد الرسمي على جميع الاجهزة الرقمية، أو عن طريق المراسلة المباشرة إلى الروبوت، أو عن طريق دعوة الروبوت إلى خادم جهة خارجية.\nلإنشاء صور، يستخدم المستخدمون الأمر /imagine واكتب المطالبة في الأمر، مثل أدوات إنشاء الأعمال الفنية الأخرى التي تعمل بتقنية الذكاء الاصطناعي. ثم يقوم الروبوت بإنشاء صورة وفقًا لمطالبتك.\n== الاستخدام ==\nيقول المؤسس ديفيد هولز إنه يرى الفنانين على أنهم عملاء، وليسوا منافسين، لشركة ميدجورني؛ أخبر هولز ذي ريجستر أن الفنانين يستخدمون ميدجورني للنماذج الأولية السريعة للمفاهيم الفنية لعرضها على العملاء قبل بدء العمل بأنفسهم. نظرًا لأن مجموعة تدريب ميدجورني تتضمن أعمال فنانين محمية بحقوق الطبع والنشر، فقد اتهم بعض الفنانين ميدجورني بتقليل قيمة العمل الإبداعي الأصلي.\nكانت صناعة الإعلان سريعة في تبني أدوات الذكاء الاصطناعي مثل ميدجورني وأوبن أيه آي. وغيرها و توفر الأدوات التي تمكّن المعلنين من إنشاء محتوى أصلي وطرح الأفكار بسرعة، فرصًا جديدة مثل الإعلانات المخصصة التي تم إنشاؤها للأفراد، أو طريقة جديدة لإنشاء مؤثرات خاصة، أو حتى جعل إعلانات التجارة الإلكترونية أكثر فاعلية.\n=== الاستخدام الملحوظ ===\nاستخدم البرنامج من قبل مجلة ذي إيكونوميست البريطانية لإنشاء الغلاف الأمامي لعدد ما في يونيو 2022 في إيطاليا، نشرت صحيفة كوريري ديلا سيرا الرائدة كتابًا هزليًا أنشئ بواسطة ميدجورني للكاتب فاني سانتوني في أغس","en_topic":"Midjourney","wiki_pageid":8955520,"wiki_revid":75459318,"source_url":"https://ar.wikipedia.org/?curid=8955520","license":"CC BY-SA 4.0"}
{"slug":"alphafold","lang":"ar","title":"ألفافولد","text":"ألفافولد (الإنجليزية: AlphaFold) هو برنامج ذكاء اصطناعي مطور من شركة ديب مايند بهدف توقّع بنية البروتينات؛ وهو مصمم على هيئة نظام قادر على إنجاز التعلّم المتعمّق.\nنشرت النسخة الأولى من هذا البرنامج سنة 2018، وحل في المرتبة الأولى ضمن برامج التقدير التوقعي لبنية البروتين (CASP)؛ أما النسخة الثانية منه فنشرت أواخر سنة 2020. كانت نتائج النسخة الثانية من البرنامج ذات وقع في المجتمع العلمي؛ وهي متاحة مع برمجيات حرة المصدر للبحث ضمن قواعد بيانات عن المجموع البروتيني (بروتيوم) للأنواع والكائنات الحية.\n== طالع أيضاً ==\nتوقع بنية البروتين\nتقدير توقعي لبنية البروتين\n== المراجع ==","en_topic":"AlphaFold","wiki_pageid":8858757,"wiki_revid":74887608,"source_url":"https://ar.wikipedia.org/?curid=8858757","license":"CC BY-SA 4.0"}
{"slug":"deep-blue","lang":"ar","title":"ديب بلو","text":"حاسوب ديب بلو (الإنجليزية: DEEP BLUE) - هو حاسوب فائق متخصص في لعبة الشطرنج من خلال إضافة دوائر محددة تم تطوريها في بداية التسعينات من القرن الماضي، من أنتاج شركة اي بي ام IBM يستخدم تقنية المعالجة التفرعية الشاملة لحل المشاكل. يستخدم هذا الحاسوب 256 معالجا، بارز بطل العالم في الشطرنج غاري كاسباروف ثلاث مرات انهزم في الأولى 1989 وفي الثانية سنة 1996 بنتيجة (2-4) ثم فاز في مباراة الانتقام من ستة أدوار في 11 مايو 1997 بنتيجة (3,5 -2,5) اتهم كاسباروف IBM بالغش وطالب بمباراة انتقام، ولكن شركة IBM رفضت وقامت بتفكيك ديب بلو.\nيعني اسم «ديب بلو» (حرفيا - «الأزرق الداكن» أو اصطلاحا، «الحزن العميق») يجمع بين اسم المشروع «Deep Thought» («التفكير العميق») وبين اللقب الذي منحته إياه شركة IBM «الأزرق الكبير» (أو ما يمكن الاصطلاح عليه ب «العملاق الكبير»).\nبعد انتصار ديب بلو على بطل العالم انذاك غاري كاسباروف، ارتفع سعر أسهم الشركة المنتجة له في سوق الأسهم بحوالي 18 مليار دولار.\nكان نظام ديب بلو يستمد قوة لعبه بالأساس من القوة الإجمالية التي يحسبها النظام المركزي، وكان قادراً على حساب 200,000,000 موقف في الثانية، أسرع مرتين من نسخة 1996.\n== تطور البرنامج ==\nديب بلو هو تتويج لمشروع ChipTest التي بدأها الطلاب: شيونغ فنغ هسو، وتوماس كامبل موراي وأنانثرمان في مختبرات جامعة كارنيغي ميلون في عام 1985. أعيدت تسميته إلى Deep Thought في عام 1988، وفي عام 1993أصبح المشروع يحمل اسم ديب بلو.\n== مباراة 1996 ==\nتقابل ديب بلو مع حامل لقب بطل العالم في الشطرنج غاري كاسباروف، في 10 فبراير 1996. فاز الجهازبالدور الأولى، ولكن كاسباروف فاز بثلاثة أدوار وتعادل في دورين لتنتهي المباراة بحصة 4-2 (+3 -1 = 2) لصالح بطل العالم. كان طول ديب بلو في 1996 مترين ووزنه 700 كيلوجرام.\nكان حاسوب IBM خارقاً يعمل ب-32 معالج مخصص للحساب البحت مرتبط كل واحد منهم ببطاقة تحتوي ثمانية معالجات مخصصة للعبة الشطرنج، ما مجموعه 256 من المعالجات المتخصصة التي تعمل في نفس الوقت.\n== مراجع ==\n== وصلات خارجية ==\nديب بلو على موقع مباريات الشطرنج (الإنجليزية)","en_topic":"Deep Blue (chess computer)","wiki_pageid":221328,"wiki_revid":75149209,"source_url":"https://ar.wikipedia.org/?curid=221328","license":"CC BY-SA 4.0"}
{"slug":"siri","lang":"ar","title":"سيري","text":"سيري (الإنجليزية: Siri) (تُلفظ بالإنجليزية: /sɪri/)؛ هو مساعد شخصي ذكي ومتصفح معرفي يعمل كتطبيق لشركة أبل، على نظام تشغيل آي أو إس. يستخدم التطبيق واجهة مستخدم باللغة الطبيعية للرد على الأسئلة وتقديم توصيات وتنفيذ إجراءات من خلال تفويض طلبات لمجموعة من خدمات الإنترنت. تدعي أبل أن البرنامج يتكيف مع تفضيلات المستخدم الفردية على مر الزمن ويقدم نتائج شخصية وينفذ مهام مثل العثور على المطاعم القريبة أو الحصول على الاتجاهات.\nأصبح سيري متوفرًا باللغة العربية ابتداءً من نسخة 9.2 من iOS.\n== أصل التسمية ==\nعلى الرغم من أن الكثير من الشائعات تشير أن اسم سيري يعود إلى امرأة نرويجية أو غيرها من المفاهيم، سيري نفسه هو اختصار لعبارة واجهة التعرف وتفسير الكلام.\n== التأسيس ==\nتأسست سيري في عام 2007 من قبل داج كتلاوس (المدير التنفيذي) وآدم شيير (نائب الرئيس الهندسي) وتوم غروبر (CTO / نائب رئيس التصاميم)، جنبا إلى جنب مع نورمان وينارسكي من معهد ستانفورد للأبحاث. في 13 أكتوبر 2008، أعلنت سيري انها جمعت مبلغ 8.5 مليون دولار لتمويل جولة بقيادة مينلو للمشاريع (Menlo Ventures) ومشاريع مورغنثالر (Morgenthaler Ventures). غادر داج كتلاوس منصب الرئيس التنفيذي لشركة أبل في سيري بعد إطلاق آي فون 4s.\n=== مشاركة داربا ===\nيشمل هذا العمل المشترك فرق بحثية من جامعة كارنيغي ميلون وجامعة ماساتشوستس في امهرست وجامعة روتشستر ومعهد الإدراك البشري وجامعة ولاية أوريغون وجامعة جنوب كاليفورنيا وجامعة ستانفورد. لقد قطعت هذه التكنولوجيا شوطا طويلا مع الحوار ولغة التفاهم الطبيعية وتعلم الآلة والأدلة والمنطق الاحتمالي وعلم الوجود وتمثيل المعرفة والتخطيط والتفكير وخدمة التحاور.\n== تطبيق أي فون ==\nتم إطلاق سيري أول الأمر كتطبيق متوفر في متجر أبل في الولايات المتحدة. تتكامل سيري مع خدمات مثل الجدول المفتوح وخرائط أبل وموفي تيكيت (MovieTickets) وتاكسى ماجيك. باستخدام تكنولوجيا التعرف على الصوت من شركة نوأنس وشركائهم في الخدمة، يستطيع المستخدمون إجراء حجوزات في مطاعم مختلفة محدودة وشراء تذاكر السينما أو تأجير سيارات عن طريق أوامر صوتية يتم إملاؤها باللغة الطبيعية إلى سيرى. وقد أستحوذت أبل على سيرى في 28 أبريل من عام 2010، وتوقف التطبيق الأصلي عن العمل في 15 أكتوبر 2011.\nتم دمج سيري في نظام التشغيل iosأو إس. وأول جهاز ","en_topic":"Siri","wiki_pageid":1679817,"wiki_revid":75229100,"source_url":"https://ar.wikipedia.org/?curid=1679817","license":"CC BY-SA 4.0"}
{"slug":"search-engine","lang":"ar","title":"محرك بحث","text":"محرك البحث (الإنجليزية: web search engine) أو الباحوث هو برنامج حاسوبي مصمم للمساعدة في العثور على مستندات مخزنة على شبكات معلوماتيةالشبكة العنكبوتية العالمية (الإنجليزية: World Wide Web)) أو على حاسوب شخصي، وتقدم نتائج البحث عادةً على شكل قائمة من النتائج يشار إليها عادةً بـ «صفحات نتائج محرك البحث»، (مختصر إنجليزي: SERPs)، قد تكون المعلومات المقدمة مزيجًا من صفحات ويب وصور وأي نوع آخر من الملفات، تنقب بعض المحركات عن البيانات المتوفرة في قواعد البيانات أو أدلة مواقع الويب، وعلى عكس أدلة المواقع التي يحافظ عليها من خلال محررين بشريين فقط، فإن محركات البحث تحافظ على المعلومات في الزمن الحقيقي من خلال تشغيل خوارزمية على زاحف الشبكة. بنيت محركات البحث الأولى اعتمادا على التقنيات المستعملة في إدارة المكتبات الكلاسيكية. حيث يتم بناء فهارس للمستندات تشكل قاعدة للبيانات تفيد في البحث عن أي معلومة.\nيسمح محرك البحث للمستخدم أن يطلب المحتوى الذي يقابل معايير محددة (والقاعدة فيها تلك التي تحتوي على كلمة أو عبارة ما) ويستدعي قائمةً بالمراجع توافق تلك المعايير. تستخدم محركات البحث مؤشرات/فهارس/مسارد منتظمة التحديث لتشتغل بسرعة وفعالية.\nتعرض النتائج على شكل قائمة بعناوين المستندات التي توافق الطلب. يرفق بالعناوين في الغالب مختصر عن المستند المشار إليه أو مقتطف منه للدلالة على موافقته للبحث. وترتب عناصر قائمة البحث وفقًا لمعايير خاصة (قد تختلف من محرك لآخر)، من أهمها مدى موافقة كل عنصر للطلب.\nعند الحديث عن محركات البحث فغالبا ما يقصد محركات البحث على شبكة الإنترنت ومحركات الوِيب بالخصوص. محركات البحث في الويب تبحث عن المعلومات على الشبكة العنكبوتية العالمية، ومنها ما يستعمل على نطاق ضيق يشمل البحث داخل الشبكات المحلية للمؤسسات أي إنترانت (الإنجليزية: Intranet). أما محركات البحث الشخصية فتبحث في الحواسيب الشخصية الفردية.\nتنقب بعض محركات البحث أيضاً في البيانات المتاحة على المجموعات الإخبارية، وقواعد البيانات الضخمة، أو أدلة مواقع الوِب مثل دِموز دوت أورج.\n== تاريخ ==\nإن محركات بحث الإنترنت بحد ذاتها سابقة لظهور الويب في كانون الأول من عام 1991، حيث يعود تاريخ البحث إلى عام 1982 باستخدام طريقة «هوإز»، كما نفذت خدمة بحث معلومات نوبوت للمستخدمين متعددي الشبكات لأول مرة عام 1989. وقد","en_topic":"Search engine","wiki_pageid":2215,"wiki_revid":75425284,"source_url":"https://ar.wikipedia.org/?curid=2215","license":"CC BY-SA 4.0"}
{"slug":"tf-idf","lang":"ar","title":"تي اف-اي دي دف","text":"معامل التي اف-أي دي دف (تردد المصطلح-معكوس تردد الوثيقة (TF-IDF)) هو معامل غالبا ما يستخدم في استرجاع المعلومات وتعدين النصوص. هذا المعامل هو مقياس إحصائي يستخدم لتقييم مدى أهمية وجود كلمة في مستند معين في ذخيرة النصوص. الأهمية تزيد نسبيا بزيادة عدد مرات ظهور الكلمة أو المصطلح في المستند ولكن تُقَأبَل بتردد الكلمة في الذخيرة بشكل عام. غالبا ما تستخدم الأشكال المختلفة للمعامل، بواسطة محركات البحث كأداة مركزية في لتقييم وترتب الوثائق حسب الصلة وفقا لاستعلام المستخدم.\nواحدة من أبسط دوال الترتيب تحسب بواسطة جمع المعامل لكل مصطلح من مصطلحات الاستعلام؛ العديد من دوال الترتيب الأكثر تطورا هو شكل من أشكال هذا النموذج البسيط.\n== مراجع ==","en_topic":"Tf–idf","wiki_pageid":846026,"wiki_revid":61125144,"source_url":"https://ar.wikipedia.org/?curid=846026","license":"CC BY-SA 4.0"}
{"slug":"recommender-system","lang":"ar","title":"نظام التوصية","text":"نظام التوصية أو نظام التوصيات أو نظام الاقتراح (وقد يُقال منصة أو محرك) هو فرع من أنظمة تصفية المعلومات التي تهدف إلى توقع إعجاب المستخدم بمنتج معين.\nانتشرت أنظمة الاقتراح بالآونة الأخيرة وتم استخدامها في العديد من المجالات مثل الموسيقى، والجرائد، والكتب، والمقالات، والمواقع التجارية كموقع أمازون، ومواقع التواصل الاجتماعي، ومواقع مشاهدة وتقييم الأفلام.\n== نظرة عامة ==\nيقوم نظام الاقتراح بشكل رئيسي باقتراح قائمة من التوصيات في مجال ما، باستخدام إحدى الطريقتين: التصفية التعاونية Collaborative filtering أو التصفية بناءً على المحتوى Content-based filtering.\nتعتمد التصفية التعاونية على سلوك المستخدم السابق، مثل المنتجات التي قام بشرائها سابقاً أو التقييمات السابقة، تزامنا مع القرارات المشابهة التي تمت من قبل مستخدمين آخرين، وبذلك يمكن توقع رغبات المستخدم الأول بناءً على قرارات المستخدمين الآخرين.\nأما التصفية بناءً على المحتوى تقوم على جلب المنتجات المشابهة بخصائصها للمنتج الذي تم شراؤه.\nهذه الطرق غالباً ما يتم استخدامها في آن واحد لتُشكل نظاماً واحدًا يُسمى Hybrid Recommended Systems\nيمكن إيضاح الفرق بين الطريقة التشاركية والطريقة المبنية على المحتوى من خلال مقارنة نظامي ترشيح موسيقى معروفين - Last.fm و Pandora Radio.\nلاست أف أم ( لاست إف إم ) يقوم بعمل قائمة من الأغاني المُقترحة من خلال مراقبة الفرق الموسيقية والمقاطع التي تم سماعها من قِبل المستخدم بشكل منتظم، ومقارنتها مع القوائم المشابهة عند المستخدمين الآخرين. ومن ثم يقول لاست أف أم بتشغيل المقاطع التي لا تظهر في قائمة المستخدم الحالي، إنما المقاطع التي قام بسماعها المستخدمين الذين يملكون قوائم مشابهة لقائمة المستخدم الحالي.\nباندورا يستخدم خصائص محددة للمقطوعة الموسيقية أو الفنان - مجموعة من 400 خاصية - حتى يُغذّي قائمة الأغاني لدى المستخدمين بما يتشابه مع المقطوعات التي تم سماعها.\nتُستخدم التغذية الراجعة من قبل المستخدمين لتحسين المقطوعات التي تظهر في القائمة، وذلك بإهمال خصائص معينة للمقطوعة إذا لم تنل إعجاب المستخدم، أو بوضع خصائص أخرى بعين الاعتبار إذا نالت المقطوعة إعجاب المستخدم.\nلكلا النظامين نقاط قوة ونقاط ضعف، في المثال الأول، لاست إف أم، يتطلب كماً كبيراً من المعلومات لكل مستخدم حتى تكون دقة التوصيات عال","en_topic":"Recommender system","wiki_pageid":4967208,"wiki_revid":73550296,"source_url":"https://ar.wikipedia.org/?curid=4967208","license":"CC BY-SA 4.0"}
{"slug":"collaborative-filtering","lang":"ar","title":"تصفية تعاونية","text":"التصفية التعاونية (Collaborative filtering) (CF) هي تقنية تستخدمها أنظمة التوصية. التصفية التعاونية لها حواسان ، إحساس ضيق وواحد أكثر عمومية.\nبالمعنى الأحدث والأضيق ، فإن التصفية التعاونية هي طريقة لعمل تنبؤات تلقائية (تصفية) حول اهتمامات المستخدم من خلال جمع التفضيلات أو تذوق المعلومات من العديد من المستخدمين (التعاون). الافتراض الأساسي لنهج التصفية التعاونية هو أنه إذا كان لدى الشخص أ نفس رأي الشخص ب في قضية ما ، فمن المرجح أن يكون لدى أ رأي ب في مسألة مختلفة عن رأي شخص تم اختياره عشوائيًا. على سبيل المثال ، يمكن لنظام توصيات التصفية التعاونية لأذواق التلفزيون أن يقوم بتنبؤات حول البرنامج التلفزيوني الذي يجب على المستخدم أن يعطيه قائمة جزئية بأذواق ذلك المستخدم (الإعجابات أو الأشياء التي لا تعجبه). [3] لاحظ أن هذه التنبؤات خاصة بالمستخدم ، ولكن استخدم المعلومات المستقاة من العديد من المستخدمين. هذا يختلف عن النهج الأبسط المتمثل في إعطاء متوسط (غير محدد) لكل عنصر موضع اهتمام ، على سبيل المثال بناءً على عدد الأصوات.\nبمعنى أعم ، التصفية التعاونية هي عملية التصفية للحصول على المعلومات أو الأنماط باستخدام التقنيات التي تنطوي على التعاون بين عدة وكلاء ، وجهات نظر ، مصادر البيانات ، إلخ. تتضمن تطبيقات التصفية التعاونية عادة مجموعات بيانات كبيرة جدًا. تم تطبيق أساليب التصفية التعاونية على العديد من أنواع البيانات المختلفة بما في ذلك: بيانات الاستشعار والمراقبة ، كما هو الحال في استكشاف المعادن ، والاستشعار البيئي في مناطق واسعة أو أجهزة استشعار متعددة ؛ البيانات المالية ، مثل مؤسسات الخدمات المالية التي تدمج العديد من المصادر المالية ؛ أو في التجارة الإلكترونية وتطبيقات الويب حيث ينصب التركيز على بيانات المستخدم ، إلخ. يركز الجزء المتبقي من هذه المناقشة على التصفية التعاونية لبيانات المستخدم ، على الرغم من أن بعض الأساليب والأساليب قد تنطبق على التطبيقات الرئيسية الأخرى أيضًا.\n== انظر أيضا ==\n== مراجع ==\n== روابط خارجية ==\nBeyond Recommender Systems: Helping People Help Each Other, page 12, 2001\nRecommender Systems. Prem Melville and Vikas Sindhwani. In Encyclopedia of Machine Learning, Claude Sammut and Geoffrey Webb (Eds), Springer, 2010.\nRecommender Systems in industri","en_topic":"Collaborative filtering","wiki_pageid":5846854,"wiki_revid":69749677,"source_url":"https://ar.wikipedia.org/?curid=5846854","license":"CC BY-SA 4.0"}
{"slug":"cluster-analysis","lang":"ar","title":"تحليل عنقودي","text":"التحليل العنقودي أو تحليل المجموعات (الإنجليزية: Cluster analysis) هو نوع من الأساليب الإحصائية التي يمكن تطبيقها على البيانات. يتولى التحليل العنقودي إفراز البيانات الأولية وتجميعها في مجموعات عنقودية (clusters). العنقود مجموعة من الحالات أو الملاحظات المتجانسة نسبيًا. تتميز العناصر المكونة للعنقود الواحد بأنها متشابهة مع بعضها، بينما تكون عناصر العناقيد المختلفة أقل تجانساً.\nالتحليل العنقودي، مثل تحليل العوامل والقياس متعدد الأبعاد، هو أسلوب تكافلي: حيث إنه لا يفرق بين المتغيرات التابعة والمستقلة. يتم فحص مجموعة العلاقات المترابطة تبادليًا. ويتشابه التحليل العنقودي مع القياس متعدد الأبعاد في أن كلاً منهما يبحث في التشابه بين العناصر وبعضها عن طريق فحص المجموعة الكاملة من العلاقات المترابطة. ويتمثل الاختلاف في أن القياس متعدد الأبعاد يحدد الأبعاد الأساسية، بينما التحليل العنقودي يحدد المجموعات. التحليل العنقودي هو الوجه المقابل لتحليل العوامل. في حين أن تحليل العوامل يقلل عدد المتغيرات عن طريق تجميعهم في مجموعة عوامل أصغر، يقلل التحليل العنقودي عدد الملاحظات أو الحالات عن طريق تجميعها في مجموعة مجموعات عنقودية أصغر.\n== الإجراءات الأساسية ==\nقم بصياغة المشكلة - حدد المتغيرات التي ترغب في تطبيق أسلوب التجميع عليها\nحدد قياس المسافة - طرق مختلفة لحساب المسافة:\nالمسافة الإقليدية المربعة - مجموع الفروق المربعة في القيمة لكل متغير\nمسافة مانهاتن - مجموع الفروق المطلقة في القيمة لأي متغير\nمسافة تشيبيشيف - أقصى حد للفرق المطلق في القيم لأي متغير\nمهالانوبيس (أو مسافة العلاقة) - عبارة عن مقياس يستخدم معاملات الارتباط بين الملاحظات وتستخدم على أنها أداة لتجميعها. وهو مقياس مهم جدًا حيث إنه يعد وحدة ثابتة (يمكنه المقارنة مجازيًا بين التفاح والبرتقال)\nحدد إجراء تجميع (انظر أدناه)\nقرر عدد المجموعات العنقودية\nقم بتخطيط المجموعات وتأويلها - استخلص الاستنتاجات - تعد الأساليب التوضيحية مثل خرائط الإدراك الحسي والقطع الجليدية وديندروجرام تعد مفيدة للغاية في هذا الشأن\nقم بتقييم الموثوقية والصلاحية - بطرق مختلفة:\nكرر التحليل ولكن باستخدام مقياس مسافة مختلف\nكرر التحليل ولكن باستخدام أسلوب تجميع مختلف\nقسم البيانات بصورة عشوائية إلى نصفين وحلل كل جزء على حدة\nكرر التحليل عدة مرات، بحيث تحذف ","en_topic":"Cluster analysis","wiki_pageid":1681994,"wiki_revid":75015281,"source_url":"https://ar.wikipedia.org/?curid=1681994","license":"CC BY-SA 4.0"}
{"slug":"support-vector-machine","lang":"ar","title":"شعاع الدعم الآلي","text":"تُعدّ خوارزمية آلة المتجه الداعم أو آلة دعم المتجه (الإنجليزية: Support vector machine) واحدة من خوارزميات تعلّم الآلة المراقب (تكون هنا البيانات مصنفة أو مرمزة)، وتُستخدم هذه الخوارزمية لتحليل البيانات من أجل تصنيفها تصنيفًا إحصائيًا أو تحليل الإنحدارلها. تبدأ الخوارزمية إنطلاقًا من البيانات المصنّفة (المرمزة)، وغالبًا ما يكون الترميز باستخدام صفين فقط، فإما أن تنتمي البيانات إلى الصف الأول (س) أو إلى الصف الثاني (ع). بعد ذلك تبدأ عملية التدريب التي تهدف إلى إيجاد إطار الخطي (مستوي مثلًا) يقوم بفصل البيانات بأفضل طريقة ممكنة، بحيث تكون البيانات (س) على طرف المستوي والبيانات (ع) على الطرف الآخر.\nبمعنى آخر، عندما تُرسم هذه البيانات على محاور الخصائص، تعمل الخوارزمية على إيجاد أفضل إطار الخطي للفصل بين خصائص كلٍ من الصفيّن (س) و (ع) بحيث تكون المسافة بينهما أكبر ما يُمكن. ثم تتم عملية التدريب بحيث يُصَنَّف جزء آخر من البيانات تبعًا للإطار الخطي الذي وُجد في عملية التدريب السابقة.\nبجانب قدرة خوارزمية آلة المتجهات الداعمة على إيجاد الأُطر الخطيّة، فهي تتمكن أيضًا من إيجاد أُطرغير خطية عن طريق تطبيق خدعة المصفوفة. تُعد هذه الخوارزمية من أشهر طرق التصنيف الآلي لتعلم الآلة، وهي تعتمد على إيجاد إطار خطي (منحني أو مستوي فائق)، بحيث يفصل البيانات المدخلة عن بعضها البعض، ويتميز باستخدامه في تصنيف المسائل ذات الصفوف (الفئات) الثنائية: مثلًا نُعطي (1) للعينات الإيجابية و (-1) للعينات السلبية. على سبيل المثال: لتصنيف عينات بيانات مرضى تخص مرض الإيدز، إذا كان المخرج (1) يعني أن الشخص مصاب بمرض الإيدز، وإذا كان المخرج (-1) يعني أن الشخص غير مصاب بمرض الإيدز.\n== التعريف ==\nتقوم هذه الخوارزمية بإيجاد إطار ما، خطي أو غير خطي، سطح أو مجموعة أسطح في بعد آخر يختلف طوله عن طول متجه الخصائص. تُحدد دقة الخوارزمية بقدرتها على الفصل بين الصفين (الفئتين) بحيث تكون أقرب عينة من كلا الصفين أبعد ما يكون عن بعضهما البعض وهو ما يسمى بالحافة، وبصفة عامة كلما زادت الحافة أو هامش الفصل، كلما قل الخطأ في حالة التعميم لجزء البيانات الغير خاص بمرحلة التدريب.\nبالرغم مما تبدو عليه المشكلة من سهولة، إلا أنه في أغلب الأحيان لا يمكن الفصل بين الصفين خطياً، وحينها نلجأ لتحويل محاور متجهات الخصائص لبعد أعلى بحي","en_topic":"Support vector machine","wiki_pageid":3744661,"wiki_revid":76001140,"source_url":"https://ar.wikipedia.org/?curid=3744661","license":"CC BY-SA 4.0"}
{"slug":"random-forest","lang":"ar","title":"غابة عشوائية","text":"الغابة العشوائية أو الغابات العشوائية (الإنجليزية: Random forest) عبارة عن خوارزمية للتعلم الآلي تم تطويرها بناءً على مجموعة من أشجار القرار. تستخدم هذه الخوارزمية للتصنيف، الانحدار ومهام أخرى. عادةً ما تتمتع خوارزمية الغابة العشوائية بدقة أفضل مقارنة بشجرة القرار.\n== تاريخ ==\nأول شخص ابتكر خوارزمية الغابة العشوائية كان تيم هو في 1995. تم تحسين هذه الخوارزمية بواسطة ليو بريمان.\n== طريقة ==\nلإنشاء غابة عشوائية، يجب تقسيم البيانات إلى مجموعات جزئية عشوائية متعددة. ثم يتم تدريب شجرة لكل مجموعة جزئية. سيكون لكل شجرة تنبؤها الخاصة لكل مثال جديد قادم. سيتم تحديد التنبؤ النهائي للنموذج عن طريق التصويت.\n== أهمية المتغيرات ==\nيمكن لخوارزمية الغابة العشوائية ترتيب المتغيرات بناءً على أهميتها. الصيغة الأساسية لتقييم الأهمية هي نفس صيغة شجرة القرار (على سبيل المثال الانتروبيا أو معامل جيني). الفرق الوحيد هو أنه سيتم حساب متوسط درجات الأهمية للأشجار المختلفة.\n== المراجع ==","en_topic":"Random forest","wiki_pageid":7826436,"wiki_revid":75255606,"source_url":"https://ar.wikipedia.org/?curid=7826436","license":"CC BY-SA 4.0"}
{"slug":"adaboost","lang":"ar","title":"تعزيز التكيف","text":"التعزيز المُتكيّف أو التعزيز التكيفي (الإنجليزية: AdaBoost) (نقحرة: أدابوست) هي خوارزمية للتعليم الآلي صاغها Yoav Freund وRobert Schapire الذي فازا بجائزة Gödel 2003 عن عملهما. ويمكن استخدامها مع العديد من الأنواع الأخرى من خوارزميات التعلم لتحسين الأداء.\nالتعزيز المتكيف حساس للبيانات الصاخبة والقيم المتطرفة. في بعض المشكلات، قد تكون أقل عرضة لمشكلة التحمل من خوارزميات التعلم الأخرى. المتعلمين فرديا من الممكن ان يكونوا ضعفاء، لكن طالما كان الأداء لكل متعلم أفضل بقليل من التخمين العشوائي، بعد ذلك النموذج النهائي من الممكن أن يثبت انه متعلم بكفاءة.\nواحدة من الخوارزميات التي تستخدم التعزيز المتكيف في أشجار القرار و أشجار القرار تعتبر متعلم ضعيف. غالبا تُعَد إحدى أفضل المصنفات خارج الصندوق. عندما يستخدم مع شجرة التعليم فان عينة التدريب يتم تغذيتها إلى خوارزمية شجرة النمو. لذلك لاحقا الشجرات تميل للتركيز على التصانيف الأصعب للمشاكل.\n== مراجع ==","en_topic":"AdaBoost","wiki_pageid":6974848,"wiki_revid":75026906,"source_url":"https://ar.wikipedia.org/?curid=6974848","license":"CC BY-SA 4.0"}
{"slug":"logistic-regression","lang":"ar","title":"انحدار لوجستي","text":"الانحدار اللوجستي (بالإنجليزية Logistic regression) هو نموذج إحصائي ينتمي لنماذج الانحدار الخطي يمكن من نمذجة متغير ثنائي الحد بدلالة مجموعة من المتغيرات العشوائية المتوقعة، رقمية كانت أو فئوية. يستخدم الانحدار اللوجستي للتنبؤ باحتمالية وقوع حدث ما بمعرفة إضافية لقيم متغيرات يمكن أن تكون مفسرة أو مرتبطة بهذا الحدث. يستخدم الانحدارُ اللوجستي عدة متغيرات مُتوقَّعة والتي يمكن أن تكون رقمية أو فئوية. يشتهر الانحدار اللوجستي أيضا بتسميات نموذج لوجيت (Logit) أو المصنف العام للأنتروبية. تستعمل هذه النمذجة بشكل واسع في العديد من التطبيقات العلمية والتجارية وهي من طرق النمذجة الأكثر تطبيقا في مجال التعلم الآلي، حيث تصنف ضمن طرق التعلم الآلي المراقب.\nالانحدار اللوجستي هو حالة خاصة لمجموعة النماذج الخطية العامة، رغم أنه تاريخيا، تعتبر الأخيرة تعميما لتقنية الانحدار اللوجستي.\n== تاريخ ==\nيعتبر الطبيب والإحصائي جوزيف بيركسون أول من عرف مفهوم الانحدار اللوجستي وطبقه في مجال الإحصاء الحيوي سنة 1944 ونشرت أول ورقة بحثية يذكر فيها الانحدار اللوجستي باسمه في مجلة الجمعية الإحصائية الأمريكية.\n== مجالات التطبيق ==\nفي ما يلي عينة من مجالات تطبيق الانحدار اللوجستي مع الأمثلة:\nفي مجالات الطب والإحصاء الحيوي: مثلا احتمال حدوث نوبة قلبية عند شخص ما خلال فترة زمنية معينة حسب المعرفة القبلية ببعض المعلومات الديمغرافية (عمره أو جنسه مثلا) أو الطبية (مؤشراته البدنية أو الصحية أو الغذائية) أو الوبائية (سلوكياته كالتدخين مثلا).\nالصيدلة: في تقدير رد الفعل والمقارنة بين نجاعة الأدوية.\nالتأمينات: لفرز وتقسيم مجموعات العملاء حسب المخاطر ومدى قابلية جذبهم لمنتجات تأمين معينة.\nالمجال البنكي: خصوصا في تنقيط العملاء أثناء دراسة ملفات القروض (Credit Scoring).\nالتسويق: حساب توقعات ميل المستهلك إلى شراء منتج ما أو امتناعه عن الشراء.\nفي سبر الآراء والعلوم السياسية: مثلا للتنبؤ بقرار التصويت في الانتخابات اعتمادا على تنميط قبلي للمصوتين (مستواهم الاجتماعي، توجهاتهم السياسية، مستواهم التعليمي...).\n== النموذج الرياضي ==\n=== اصطلاحات ===\nنعتبر عينة\n Ω\n {\\displaystyle \\Omega }\n سعتها\n n\n {\\displaystyle n}\n، يشار لكل فرد (ملاحظة إحصائية) في العينة بالرمز\n ω\n {\\displaystyle \\omega }\n.\n","en_topic":"Logistic regression","wiki_pageid":460678,"wiki_revid":73599762,"source_url":"https://ar.wikipedia.org/?curid=460678","license":"CC BY-SA 4.0"}
{"slug":"principal-component-analysis","lang":"ar","title":"تحليل العنصر الرئيسي","text":"تحليل العنصر الرئيسي أو التحليل عبر المركبات الرئيسية (الإنجليزية: Principal component analysis) هي عملية رياضيّة تنتمي إلى شعبة تحليل البيانات، و التي تتمثل في تحويل عدد من المتغيرات المترابطة إلى عدد أقل من المتغيرات غير المترابطة. المتغيرات الناتجة عن عملية التحويل تسمى بالمركبات (أو المكونات أو المحاور) الرئيسية. القيمة المضافة للعملية هي تسهيل تأويل المعطيات المعقدة، عبر تمكين الباحث والإحصائي من تحقيق أمثل توافق بين التقليل من عدد المتغيرات الواصفة للمعطيات، و فقدان المعلومة الأصلية (التباين) الناتج عن اختزال الأبعاد الأصلية.\n== تاريخ ==\nتم اختراع تحليل المركبات الرئيسية عام 1901 من قبل كارل بيرسون، منظر اختبار\n χ\n 2\n {\\displaystyle \\chi ^{2}}\n، محاولةً لتعميم مبادئ وروح نظرية عزم القصور الذاتي المستعملة في الميكانيك. حاول بيرسون، آنذاك، تعميم أعماله في مجالي الانحدار والارتباط، ليس لتفسير متغير بآخر بل لوصف البيانات و تلخيصها.\nفي 1930، طور الاقتصادي والإحصائي الأمريكي هارولد هوتلين الطريقة، في إطار تقعيد نظري شمل طرق التحليل العاملي Factorial analysis، التي انبثقت من طريقة تحليل المركبات الرئيسية. كان أكبر عائق أمام تبني الطريقة هو الكم الهائل من الحسابات المعقدة التي تستهلكها، و التي لم تكن إمكانيات الحساب الآلي المتوفرة في النصف الأول من القرن العشرين تسمح بها، خصوصا على مستوى تقطير المصفوفات و حساب المتجهات الذاتية لمصفوفة التغاير، و هي عمليات حاسمة في تحليل المركبات الرئيسية.\nابتداء من الستينات، و مع تطور الحساب الآلي، كبرت شعبية الطريقة و باقي طرق التحليل العاملي، في مجتمع الإحصائيين، بل و تم تبنيها من طرف مجالات معرفية متنوعة كالاقتصاد و علم الاجتماع و المعلوميات (المعالجة الرقمية، ضغط البيانات،...)\n== أمثلة استعمال ==\nبصفة عامة، تستعمل الطريقة في الحالات التالية (لائحة غير حصرية):\nفي إطار مقاربة استكشافية ووصفية: عندما يكون عدد المتغيرات المفسرة للساكنة الإحصائية كبيرا، يتعذر على الإدراك البشري مقاربة المعطيات عبر رسم بياني شامل، تحليل المركبات الرئيسية يمكن من إيجاد أمثل فضاء (من بعدين أو ثلاثة أبعاد)، يمكن من إسقاط البيانات الأصلية، و استنباط بنيتها العامة، بسرعة. في هذا المستوى من الاستعمال، تحليل المركبات الرئيسية يلعب دورا م","en_topic":"Principal component analysis","wiki_pageid":556444,"wiki_revid":75015253,"source_url":"https://ar.wikipedia.org/?curid=556444","license":"CC BY-SA 4.0"}
{"slug":"singular-value-decomposition","lang":"ar","title":"تفريق القيمة المنفردة","text":"تفريق القمية المنفردة في الجبر الخطي (SVD) هو عملية تفكيك مصفوفة حقيقية أو مركبة إلى عوامل، وتعتبر تعميم لتجزيء القيمة الذاتية لمصفوفة موجبة شبه معرفة (على سبيل المثال مصفوفة متماثلة ذات قيم ذاتية موجبة) إلى أي مصفوفة m*n من خلال تمديد التجزيء القطبي. تصف القيم المفردة خصائص معينة للمصفوفة كقيمها الذاتية ويمكن حسابها لجميع المصفوفات، حتى لو لم تكن مربعة.\nتفريق القيمة المنفردة SVD لمصفوفة حقيقية\n m\n ×\n n\n {\\displaystyle m\\times n}\n M\n :\n {\\displaystyle \\mathbf {M:} }\n هو تجزيئها إلى عوامل\n U\n Σ\n V\n ∗\n {\\displaystyle \\mathbf {U\\Sigma V^{*}} }\n،\nحيث:\n U\n {\\displaystyle \\mathbf {U} }\n هو مصفوفة وحدة m*m\n Σ\n {\\displaystyle \\mathbf {\\Sigma } }\n مصفوفة m*n مستطيلة قطرية ذات قيم غير سالبه وارقام قطرية حقيقية.\n V\n {\\displaystyle \\mathbf {V} }\n مصفوفة وحدة n*n\nتعرف المدخلات القطرية للمصفوفة Σ بالقيم المفردة. والعمودان في U , V يعرفان بالمتجهات المفردة اليسرى والمتجهات المفردة اليمنى للمصفوفة M.\nيمكن احتساب SVM من خلال الملاحظات التالية:\n== عرض النظرية ==\nنفترض ان M مصفوفة m*n مدخلاتها من الحقل K والذي هو إما أعداد حقيقية أو مركبة. إذ ينتج التحليل إلى عوامل تسمى بـ تفريق القيمة المنفردة للمصفوفة M وتكون على هذا النحو:\n M\n =\n U\n Σ\n V\n ∗\n {\\displaystyle \\mathbf {M} =\\mathbf {U} {\\boldsymbol {\\Sigma }}\\mathbf {V} ^{*}}\nحيث\n U مصفوفة الوحدة m × m\nΣ مصفوفة m*n قطرية لا يحتوى قطرها على أعداد سالبة\n*V مصفوفة الوحدة n*n على K (إذا كان k=R, ومصفوفة الوحدة مصفوفة عمودية) فإن *V هي مرافق المنقول لمصفوفة الوحدة n*n V\n تسمى القيم القطرية سيجماi للمصفوفة ΣM بالقيم المنفردة للمصفوفة M . ومن المتعارف عليه هو ان يتم سرد هذه القيم تنازليا. وفي هذه الحالة فإن المصفوفة (سيجما) Σ يتم تحديدها من خلال المصفوفة M, وليس U أو V.\n== المصادر ==\n قاموس مصطلحات الرياضيات\n== مراجع ==","en_topic":"Singular value decomposition","wiki_pageid":3338723,"wiki_revid":66582473,"source_url":"https://ar.wikipedia.org/?curid=3338723","license":"CC BY-SA 4.0"}
{"slug":"regression-analysis","lang":"ar","title":"تحليل الانحدار","text":"تحليل الانحدار أو تحليل الانكفاء أو تحليل انكفائي (الإنجليزية: regression analysis) هو كل طريقة إحصائية يتم فيها التنبؤ بمتوسط متغير عشوائي أو عدة متغيرات عشوائية اعتمادا على قيم وقياسات متغيرات عشوائية أخرى. له عدة أنواع مثل: الانحدار الخطي، والانحدار اللوجستي، وانحدار بواسون، والتعليم المراقب والانحدار موزون الوحدة.\nتحليل الانحدار هو أكثر من عملية ملائمة منحنى (أي اختيار المنحنى الأكثر ملائمة لمجموعة نقاط بيانية معطاة) فهو يتضمن ملائمة نموذج باستخدام مكونات حتمية واعتباطية. المكونات الحتمية تدعى المتنبئات أما المكونات الاعتباطية فتدعى الخطأ.\nالشكل الأبسط لنموذج الانحدار يحوي متغيرا تابعا (غير مستقل) (يدعى أيضا متغير الخرج، أو المتغير الداخلي أو المتغير ع) إضافة إلى متغير مستقل (يدعى العامل، أو المتغير الخارجي، أو المتغير-س).\nمن الأمثلة النموذجية على تحليل الانحدار: اعتماد ضغط الدم Y على عمر الشخص X، أو اعتماد الوزن لحيوانات التجربة Y على معدل التغذية اليومي X. هذا الارتباط والتابعية بين X وY هي ما ندعوه بالانحدار أو الارتباط فنقول ارتباط Y ب X.\nويلاحظ من ذلك أن نموذج الانحدار يعتمد دائماً على علاقة السببية بمعنى ان يكون التغير في المتغير المستقل مسببا رئيسيا للتغير في المتغير التابع.\nونظرية تحليل الانحدار تعتمد على النظرية الاقتصادية بين متغيرين أي أنها تفترض ثبات العوامل الأخرى.\n== الانحدار الخطي ==\nفي الانحدار الخطي، تكون مواصفات هذا النموذج بشرط أن المتغير المستقل،\n y\n i\n {\\displaystyle y_{i}}\n هو توافيق خطية للوسيط. مثلاً، في الانحدار الخطي البسيط ولعمل نموذج\n n\n {\\displaystyle n}\n من النقاط البيانية يوجد متغير:\n x\n i\n {\\displaystyle x_{i}}\n، ووسيطين،\n β\n 0\n {\\displaystyle \\beta _{0}}\n و\n β\n 1\n {\\displaystyle \\beta _{1}}\n:\nالخط المستقيم:\n y\n i\n =\n β\n 0\n +\n β\n 1\n x\n i\n +\n ε\n i\n ,\n i\n =\n 1\n ,\n …\n ,\n n\n .\n {\\displaystyle y_{i}=\\beta _{0}+\\beta _{1}x_{i}+\\varepsilon _{i},\\quad i=1","en_topic":"Regression analysis","wiki_pageid":17245,"wiki_revid":75015235,"source_url":"https://ar.wikipedia.org/?curid=17245","license":"CC BY-SA 4.0"}
{"slug":"bayes-theorem","lang":"ar","title":"مبرهنة بايز","text":"في نظرية الاحتمالات والإحصاء، تصف مبرهنة بايز (التي تعرف أيضا بقانون بايز أو قاعدة بايز) احتمال وقوع حدث، بناءً على المعرفة المسبقة بالظروف التي قد تكون ذات صلة بالحدث. على سبيل المثال، إذا كان السرطان مرتبطًا بالتقدم في العمر، فعند استخدام مبرهنة بايز، يمكن استخدام عمر الشخص لإجراء تقييم لاحتمال إصابته بالسرطان أكثر دقة مما يمكن عمله دون معرفة عمر الشخص.\nأحد التطبيقات العديدة لمبرهنة بايز هو الاستدلال البايزي وهي أحد طرق الاستدلال الإحصائي. عند تطبيق الاستدلال البايزي، قد يكون للاحتمالات التي تنطوي عليها مبرهنة بايز (Bayesian interpretation of probability) مدلول مختلف عن المفهوم التكراري للاحتمالات (Frequentist interpretation of probability). باستخدام التفسير البايزي للاحتمالات (Bayesian interpretation of probability)، فإن النظرية تبين إلى أي درجة يجب أن تتغير درجة اعتقادنا في أمر ما (وهو ما نعبر عنه على شكل احتمال حدوث هذا الأمر) بعد الأخذ في الاعتبار الأدلة الجديدة التي أصبحت متوفرة. لذلك فان الاستدلال البايزي يعد مفهوما أساسيا في الإحصاء البايزي.\nسميت مبرهنة بايز على اسم القس توماس بايز (1701 - 1761)، الذي استخدم الاحتمال الشرطي لأول مرة لتوفير خوارزمية (في فرضيته رقم 9) الذي تستخدم القرائن (evidences) لحساب حدود متغير غير معروف،\nهذه الخوارزمية نشرت تحت عنوان مقال نحو حل مشكلة في عقيدة الاحتمالات (عام 1763). فيما أسماه ب”تعليق” ، طور بايز خوارزميته لتشمل أي مسبب غير معروف.\nاستخدم العالم بيير لابلاس في عام 1774 (وبعد ذلك في بحثه بعنوان “نظرية الاحتمالات التحليلية” الذي نشرعام 1812) الاحتمال الشرطي لصياغة علاقة الاحتمال البعدي (أو اللاحق) المحدث بالاحتمال القبلي (أو المسبق) بعلومية الأدلة. ثم جاء بعد ذلك السير هارولد جيفريز ليضع كلا من خوارزمية بايز وصياغة لابلاس على أساس بديهي. كتب جيفريز أن أهمية مبرهنة بايز «لنظرية الاحتمالات هي كأهمية نظرية فيثاغورس للهندسة.»\n== برهان مبدئي لمبرهنة بايز ==\nلنفرض أن الأحداث\n A\n 1\n {\\displaystyle A_{1}}\n و\n A\n 2\n {\\displaystyle A_{2}}\n و\n A\n 3\n {\\displaystyle A_{3}}\n و\n A\n 4\n {\\displaystyle A_{4}}\n و\n A\n 5\n {\\displa","en_topic":"Bayes' theorem","wiki_pageid":17399,"wiki_revid":73599742,"source_url":"https://ar.wikipedia.org/?curid=17399","license":"CC BY-SA 4.0"}
{"slug":"data-mining","lang":"ar","title":"تنقيب في البيانات","text":"التنقيب في البيانات (الإنجليزية: data mining) هي عملية بحث محوسب ويدوي عن معرفة من البيانات دون فرضيات مسبقة عما يمكن أن تكون هذه المعرفة.\nكما ويعرف التنقيب في البيانات على أنه عملية تحليل كمية بيانات (عادة ما تكون كمية كبيرة)، لإيجاد علاقة منطقية تلخص البيانات بطريقة جديدة تكون مفهومة ومفيدة لصاحب البيانات. يطلق اسم «نماذج» models على العلاقات والبيانات الملخصة التي يتم الحصول عليها من التنقيب في البيانات. يتعامل تنقيب البيانات عادة مع بيانات يكون قد تم الحصول عليها بغرض غير غرض التنقيب في البيانات (مثلاً قاعدة بيانات التعاملات في مصرف ما) مما يعني أن طريقة التنقيب في البيانات لاتؤثر مطلقاً على طريقة تجميع البيانات ذاتها. هذه هي أحد النواحي التي يختلف فيها التنقيب في البيانات عن الإحصاء، ولهذا يشار إلى عملية التنقيب في البيانات على أنها عملية إحصائية ثانوية. يشير التعريف أيضاً إلى أن كمية البيانات تكون عادة كبيرة، أما في حال كون كمية البيانات صغيرة فيفضل استخدام الطرق الإحصائية العادية في تحليلها.\nعند التعامل مع حجم كبير من البيانات تظهر مسائل جديدة مثل كيفية تحديد النقاط المميزة في البيانات، وكيفية تحليل البيانات في فترة زمنية معقولة وكيفية قرار ما إذا كانت أي علاقة ظاهرية تعكس حقيقة في طبيعة البيانات. عادة يتم التنقيب في بيانات تكون جزءاً من كامل البيانات حيث يكون الغرض عادة تعميم النتائج على كامل البيانات (مثلاً تحليل البيانات الحالية لمستهلكي منتج ما بغرض توقع طلبات المستهلكين المستقبلية). من أحد أهداف تنقيب البيانات أيضاً هو اختزال كميات البيانات الكبيرة أو ضغطها بحيث تعبر بشكل بسيط عن كامل البيانات بدون تعميم.\n== أنواع التنقيب ==\nهناك نوعان أساسيان للتنقيب في البيانات هما: التنقيب الاستشرافي والتنقيب الوصفي.\nالتنقيب الاستشرافي ينتج عنه نموذج عن النظام الذي تصفه البيانات المستخدمة في التنقيب. أما التنقيب الوصفي فينتج عنه معلومات جديدة بناء على المعلومات الموجودة داخل البيانات المستخدمة في عملية التنقيب.\n== الكيفية ==\nفي الحقيقة ان تنقيب البيانات هو مرحلة واحدة ضمن ما يدعى «اكتشاف المعرفة في قواعد البيانات» وهو المصطلح الأدق حيث يتظمن خطوات ممنهجة ومتسلسلة ودقيقة وهي :\nاولا :معالجة البيانات وهذة المرحلة تهتم جمع البيانات من عدة قواعد بيانات وفحصها للتأكد من خلو","en_topic":"Data mining","wiki_pageid":43423,"wiki_revid":75028876,"source_url":"https://ar.wikipedia.org/?curid=43423","license":"CC BY-SA 4.0"}
{"slug":"web-crawler","lang":"ar","title":"زاحف ويب","text":"زاحف الويب (الإنجليزية: Web crawler) هو برنامج كمبيوتر يقوم بتصفح الشبكة العالمية بطريقة منهجية وآلية ومنظمة. هناك مصطلحات أخرى لزواحف الشبكة مثل النمل والمفهرس التلقائي، والبوت.، وعناكب الشبكة ، أو آليات الشبكة. وهذه العملية تسمى الزحف على الشبكة أو العنكبة.\nكثير من المواقع، وبخاصة محركات البحث، تستخدم العنكبة كوسيلة لتوفير بيانات حديثة. وزواحف الشبكة تستخدم أساسا لإنشاء نسخ من جميع الصفحات التي يتم زيارتها لكى يفهرسها محرك البحث في وقت لاحق ويحمل الصفحات أثناء عمليات البحث بسرعة. ويمكن أيضا أن تستخدم الزواحف لاتمام مهام الصيانة على موقع علي الشبكة، مثل التحقق من صحة الروابط أو تعليمات لغة تحرير النص الفائق البرمجية. أيضا، يمكن استخدام الزواحف لجمع أنواع محددة من المعلومات من صفحات الشبكة، مثل حصاد عناوين البريد الإلكتروني (عادة لارسال رسائل غير المرغوب فيها).\nوزاحف الشبكة هو أحد أنواع البوتات، أو وكلاء البرامج. بشكل عام، يبدأ زاحف الشبكة بقائمة من العناوين المرغوب في زيارتها، وتدعى هذه القائمة بالبذور. عندما يزور الزاحف هذه العناوين، فإنه يحدد كافة الارتباطات التشعبية في الصفحة ويضيفها إلى قائمة العناوين المطلوب زيارتها، وتدعى حدود الزحف. وتتم زيارة عناوين حدود الزحف بشكل متكرر وفقا لمجموعة من السياسات.\nبسبب الحجم الكبير يمكن للزاحف تحميل جزء صغير فقط من صفحات الشبكة في غضون فترة زمنية معينة، لذلك يحتاج إلى إعطاء الأولوية في التنزيلات. ومعدل التغييرالمرتفع يعني أن بعض الصفحات قد يكون تم تحديثه أو حتى حذفها.\nو عدد العناوين القابلة للزحف والتي تتولد من جانب البرمجيات الخادمة للمواقع على الشبكة جعلت من الصعب تجنب استرجاع محتويات مكرره أثناء الزحف على شبكة الإنترنت. يوجد تركيبات لانهائية من العناوين القائمة على أساس بروتوكول نقل النص الفائق، ولكن في الحقيقة لا يوجد سوى مجموعة صغيرة منها تعيد محتوى فريد. على سبيل المثال، قد يقدم عارض مبسط الصور على الإنترنت ثلاثة خيارات للمستخدمين، على النحو المحدد من خلال معلمات بروتوكول نقل النص الفائق في العنوان. إذا كان هناك أربع طرق لفرز الصور، وثلاثة خيارات لحجم الصورة المصغرة، وطرقتين لتنسيق الملفات، بالإضافة إلى خيار لتعطيل المحتوى القادم من المستخدم، فنفس المجموعة من محتوى يمكن الوصول إليها من خلال 48 عناوين مختلفة، كل منها عل","en_topic":"Web crawler","wiki_pageid":1169358,"wiki_revid":75745255,"source_url":"https://ar.wikipedia.org/?curid=1169358","license":"CC BY-SA 4.0"}
{"slug":"nearest-neighbor-search","lang":"ar","title":"بحث النقطة الأقرب","text":"مسألة بحث النقطة الأقرب هي مسألة رياضية لإيجاد أقرب النقاط من مجموعة نقاط لنقطة معينة في الفضاء المتري.\n== صياغة المسألة ==\nمجموعة نقاط S في الفضاء المتري M ونقطة استعلام q ∈ M، والمطلوب إيجاد أقرب النقاط من S إلى q. في الكثير من الحالات، يكون الفضاء M هو الفضاء الإقليدي وتكون المسافة مقاسة بالمسافة الإقليدية أو مسافة مانهاتن.\n== تطبيقات المسألة ==\nتستخدم هذه المسألة في العديد من التطبيقات منها:\nتمييز الأنماط\nتعرف ضوئي على المحارف\nتصنيف إحصائي\nرؤية حاسوبية\nقاعدة بيانات\nضغط بيانات\nالتسويق عبر الإنترنت\n== أنظر أيضا ==\nاستيفاء الجار الأقرب\n== مراجع ==\nArya, S., D. M. Mount, N. S. Netanyahu, R. Silverman, and A. Y. Wu. An Optimal Algorithm for Approximate Nearest Neighbor Searching in Fixed Dimensions. Journal of the ACM, vol. 45, no. 6, pp. 891–923\nZezula, P., Amato, G., Dohnal, V., and Batko, M. Similarity Search - The Metric Space Approach. Springer, 2006. ISBN: 0-387-29146-6","en_topic":"Nearest neighbor search","wiki_pageid":399341,"wiki_revid":73351458,"source_url":"https://ar.wikipedia.org/?curid=399341","license":"CC BY-SA 4.0"}
{"slug":"euclidean-distance","lang":"ar","title":"مسافة إقليدية","text":"في الرياضيات، المسافة الإقليدية هي المسافة العادية بين نقطتين التي يكون من الممكن قياسها باستخدام المسطرة والتي من الممكن برهانها باستخدام مبرهنة فيثاغورس.\nباستخدام هذه المسافة فإن الفضاء الإقليدي يصبح فضاء متري (وربما فضاء هلبرت). يشار لهذه المسافة أيضاً باسم 'المسافة الفيثاغورسية.\n== التعريف ==\nتعطى المسافة الإقليدية بين النقطة\n P\n =\n (\n p\n 1\n ,\n p\n 2\n ,\n …\n ,\n p\n n\n )\n {\\displaystyle P=(p_{1},p_{2},\\dots ,p_{n})\\,}\n والنقطة\n Q\n =\n (\n q\n 1\n ,\n q\n 2\n ,\n …\n ,\n q\n n\n )\n {\\displaystyle Q=(q_{1},q_{2},\\dots ,q_{n})\\,}\n الموجودتان في الفضاء الإقليدي ذو n بعد على الشكل التالي:\n (\n p\n 1\n −\n q\n 1\n )\n 2\n +\n (\n p\n 2\n −\n q\n 2\n )\n 2\n +\n ⋯\n +\n (\n p\n n\n −\n q\n n\n )\n 2\n =\n ∑\n i\n =\n 1\n n\n (\n p\n i\n −\n q\n i\n )\n 2\n .\n {\\displaystyle {\\sqrt {(p_{1}-q_{1})^{2}+(p_{2}-q_{2})^{2}+\\cdots +(p_{n}-q_{n})^{2}}}={\\sqrt {\\sum _{i=1}^{n}(p_{i}-q_{i})^{2}}}.}\n== مراجع ==","en_topic":"Euclidean distance","wiki_pageid":399344,"wiki_revid":73535273,"source_url":"https://ar.wikipedia.org/?curid=399344","license":"CC BY-SA 4.0"}
{"slug":"hamming-distance","lang":"ar","title":"مسافة هامينغ","text":"مسافة هامينغ هو مصطلح في نظرية المعلومات يُستخدم للدلالة على عدد المواضع التي تختلف فيها الرموز المتناظرة بين سلسلتين أو متجهين متساويي الطول، أو بمعنى آخر، هي المسافة التي تقيس الحد الأدنى لعدد عمليات الاستبدال اللازمة لتغيير سلسلة إلى أخرى، أو ما يعادلها، أو تقيس الحد الأدنى لعدد الأخطاء التي كان من الممكن أن تُحوّل سلسلة إلى أخرى.\nتُستخدم هذه المسافة بشكل رئيسي في نظرية الترميز، وبالتحديد في رموز الكتل، حيث تكون السلاسل المتساوية الطول متجهات عبر مجال محدود. تُعد مسافة هامينغ واحدة من عدة مقاييس سلسلة تُستخدم لقياس مسافة التحرير بين تسلسلين. وقد سُميت بهذا الاسم تيمّنًا بعالم الرياضيات الأمريكي ريتشارد هامينغ.\n== التعريف ==\nتُعرف مسافة هامينغ بين سلسلتين متساويتين من الرموز بأنها تساوي عدد المواضع التي تختلف فيها الرموز المتناظرة. يُمكن أن تكون هذه الرموز عبارة عن أحرف، أو بتات، أو أرقامًا عشرية، من بين احتمالات أخرى. فعلى سبيل المثال:\nمسافة هامينغ بين \"karolin\" و\"kathrin\" تساوي 3.\nمسافة هامينغ بين \"karolin\" و\"kerstin\" تساوي 3.\nمسافة هامينغ بين \"kathrin\" و\"kerstin\" تساوي 4.\nمسافة هامينغ بين 0000 و1111 تساوي 4.\nمسافة هامينغ بين 2173896 و2233796 تساوي 3.\n== التاريخ ==\nقدم عالم الرياضيات وعالم الحاسوب الأمريكي ريتشارد هامينغ هذا المفهوم لأول مرة عام 1950 في بحثه الأساسي حول ترميز هامينغ، وأكواد اكتشاف الأخطاء وتصحيحها.\n== التطبيقات ==\nيُستخدم مفهوم مسافة هامينغ وتحليل وزن هامينغ للبتات في العديد من التخصصات مثل علوم الحاسوب والاتّصالات، وبالأخص في نظرية المعلومات، ونظرية الترميز، والتعمية. في مجال الاتصالات، تُستخدم مسافة هامينغ لحساب عدد البتات المقلوبة في كلمة ثنائية ذات طول ثابت كتقدير للخطأ، ولذلك يُطلق عليها أحيانًا مسافة الإشارة. بالنسبة لسلاسل q-ary على أبجدية بحجم q ≥ 2، تُطبّق مسافة هامينغ في حالة القناة المتماثلة q-ary، بينما تُستخدم مسافة لي في مفاتيح إزاحة الطور أو بشكل عام في القنوات المعرضة لأخطاء التزامن لأن مسافة لي تمتلك نسبة خطأ ±1. إذا كانت 𝑞 = 2 أو 𝑞 = 3، فإن المسافتين تتطابقان لأن أي زوج من العناصر من 𝑍 / 2 𝑍 أو 𝑍 / 3 𝑍 يختلف بمقدار 1، ولكن تختلف المسافات بالنسبة لقيم 𝑞 الأكبر.\nتُستخدم مسافة هامينغ أيضًا في علم التصنيف كمقياس للمسافة الجي","en_topic":"Hamming distance","wiki_pageid":9971429,"wiki_revid":73602028,"source_url":"https://ar.wikipedia.org/?curid=9971429","license":"CC BY-SA 4.0"}
{"slug":"natural-language-processing","lang":"ar","title":"معالجة اللغة الطبيعية","text":"معالجة اللغات الطبيعية (بالإنجليزية: Natural Language Processing- NLP) هي مجال في علوم الحاسوب واللغويات المعنية بالتفاعلات بين الحاسوب واللغات الطبيعية البشرية. والتي بدأت كفرع من الذكاء الاصطناعي والتي بدورها متفرعة من المعلوماتية.\nهنالك جدال حول تقارب وتباين معالجة اللغة الطبيعية عن مجال اللغويات الحاسوبية. وقد قامت جمعية اللسانيات الحاسوبية بتعريف اللغويات الحاسوبية على أنها تركز على الجوانب النظرية لمعالجة اللغة الطبيعية. وترتكز الخوارزميات الحديثة لمعالجة اللغة الطبيعية في تعلم الآلة وبخاصة تعلم الآلة الإحصائي. الأبحاث الحديثة في خوارزميات تعلم الآلة الإحصائي تتطلب فهم عدد من المجالات المتباينة، بما في ذلك اللغويات وعلوم الحاسب والإحصاء.\n== تحليل النصوص الطبيعية ==\nأولى الأنظمة مثل SHRDLU، التي عملت في بيئة محددة من الكلمات، عملت بشكل فعّال للغاية، مما قاد الباحثين إلى التفاؤل الشديد الذي تلاشى بسرعة عندما تم تطبيق الأنظمة في بيئات أكثر واقعية بوجود التعقيد والإبهام (عدم الوضوح) في اللغات التي يتداولها البشر.\nفهم اللغات الطبيعية يشار إليه أحيانا بمشكلة الذكاء الاصطناعي الكاملة، لأن تمييز وفهم اللغات الطبيعية يحتاج إلى معرفة مكثفة بالعالم الخارجي والقدرة على التحكم به. تعريف مفهوم «الفهم» هو واحد من المشاكل الرئيسية في معالجة اللغات الطبيعية.\nمثال على بعض المشاكل التي تواجه أنظمة فهم وتحليل اللغات الطبيعية:\nجملة «أعطينا القردة الموزة لأنها كانت جائعة» وجملة «أعطينا القردة الموزة لأنها كانت ناضجة» لهما ذات التكوين القواعدي، ولكن الضمير «ها» في كلمة «لأنها» تعود في الأولى على القردة، وفي الثاني تعود على الموزة ففهم الجملة بشكل صحيح غير ممكن من دون معرفة خصائص الموز وسلوك القردة.\n== مفهوم الذكاء الاصطناعي لفهم الجمل المنفصلة ==\nارتبطت بداية هذه المرحلة (حوالي عام 1970 م) بفقدان الأمل في إمكانية تمثيل لغة بأكملها داخل الحاسب وقصر الباحثون جهودهم على تراكيب لغوية محددة تتصل اتصالاً وثيقاً باختبارات التحليل الدلالي. وكان أول برنامجين يدلان على هذا التغير برنامجي شردلو shrdlu لوينجراد ولونار Lunar لوود. وتتميز هذه المرحلة أيضاً بقصر هدف الفهم على الجمل المنفردة دون محاولة ربط هذه الجمل بنص كامل.\nوعادة ما ينظم البرنامج الكامل لمعالجة اللغات الطبيعية على شكل خوارزمية، ت","en_topic":"Natural language processing","wiki_pageid":3735,"wiki_revid":74511739,"source_url":"https://ar.wikipedia.org/?curid=3735","license":"CC BY-SA 4.0"}
{"slug":"machine-translation","lang":"ar","title":"ترجمة آلية","text":"الترجمة الآلية (الإنجليزية: Machine translation) (واختصارًا: MT) (وينبغي عدم الخلط مع الترجمة بمساعدة الحاسوب، بمساعدة آلة الترجمة البشرية (MAHT) أو الترجمة الآلية التفاعلية) هو مجال فرعى للغويات حاسوبية التي تسهم في استخدام برامج لترجمة نص أو خطاب من لغة واحدة إلى أخرى.\nتقوم الترجمة الآلية بنقل كلمات بسيطة من اللغة الأصل إلى كلمات مرادفة لها في اللغة المقابلة أو الهدف، لكن هذا وحده عادة لا يمكن أن ينتج ترجمة جيدة للنص لأن هناك حاجة إلى إيصال المعنى المناسب والأقرب في اللغة الهدف. حل هذه المشكلة مع الإحضار والأساليب الإحصائية هو حقل سريع النمو الذي يقود إلى ترجمة أفضل، والتعامل مع الاختلافات في التصنيف اللغوي، ترجمة لغة، وعزل الحالات الشاذة.\nبرامج الترجمة الآلية الحالية غالبا ما تسمح بالتخصيص من قبل المجال أو المهنة (مثل تقارير الطقس)، وتحسين الإنتاج عن طريق الحد من نطاق التبديلات المسموح بها. هذه التقنية فعالة بشكل خاص في المجالات التي تستخدم فيها اللغة أو الصيغ الرسمية . ويترتب على ذلك أن الترجمة الآلية لوثائق قانونية من الحكومة تنتج نصوصا صالحة للاستعمال أكثر سهولة من إنتاجها من المحادثات أو النص الموحد.\nويمكن أيضا أن يتحقق تحسين جودة الإنتاج عن طريق التدخل البشري: على سبيل المثال، بعض الأنظمة قادرة على ترجمة أكثر دقة إذا كان المستخدم لديه تحديد لالبس فيه هل الكلمات التي في النص هي أسماء حقيقية. بمساعدة هذه التقنيات، قد ثبت أن MT مفيدة كأداة لمساعدة المترجمين البشر، وفي عدد محدود جدا من الحالات، حتى يمكن أن تنتج نصًا يمكن استخدامه كما هو (على سبيل المثال، تقارير الطقس).\n== التاريخ ==\nفكرة الترجمة الآلية تعود إلى القرن السابع عشر. بدأ تاريخ الترجمة الآلية في الخمسينات, بعد الحرب العالميّة الثانية. تضمنت تجربة جورج تاون (الإنجليزية: Georgetown) في عام 1954م ستّون جملة تُرجِمت كلها آلياً من اللغة الروسيّة إلى الإنجليزية. كما لاقت التجربة نجاحاً هائلاً, وتمويلاً مالياً لأبحاث الترجمة الآليّة. إدّعى المبتكرون أنّ مشكلة الترجمة الآلية ستُحلّ خلال ثلاث إلى خمس سنوات.\nولكن كان التطوّر الحقيقي أبطأ بكثير, وبعد أن توصل تقرير الباك ‏ (ALPAC) في عام 1966م إلى أنّ بحث العشر السنوات قد خيّب الآمال، انخفض التمويل بدرجة كبيرة. ومع آواخر الثمانينيّات, زادت القوة الحاسوبية ،وأصبح ","en_topic":"Machine translation","wiki_pageid":338536,"wiki_revid":75016239,"source_url":"https://ar.wikipedia.org/?curid=338536","license":"CC BY-SA 4.0"}
{"slug":"speech-recognition","lang":"ar","title":"تعرف الكلام","text":"التعرف على الكلام أو تمييز الكلام (ويعرف أيضا بتمييز الكلام التلقائي أو تمييز الكلام أو حاسب تمييز الكلام) وهو عبارة عن تحويل الكلمات المنطوقة إلى نص. إن مصطلح «تمييز الصوت» في بعض الأحيان يطلق على أنظمة التمييز التي يجب أن تدرب على متحدث معين، كما هو الحال بالنسبة لمعظم برامج تمييز سطح المكتب. التعرف على المتحدث يستطيع تبسيط مهمة ترجمة الكلام.\nتمييز الكلام يعتبر حل أوسع يشير إلى تكنولوجيا بإمكانها التعرف على الكلام بدون أن تستهدف متحدث واحد – مثل نظام الاتصال الذي يستطيع التعرف على جميع الأصوات.\nتطبيقات تمييز الكلام تتضمن: واجهة المستخدم الصوتية مثل الطلب الصوتي (على سبيل المثال: اتصل بالمنزل)؛ توجيه المكالمات (على سبيل المثال: أريد عمل مكالمة تليفونية على حساب المتلقي)، التحكم بتطبيق أتمتة المنزل، البحث (على سبيل المثال: أوجد البودكاست حيث الكلمات كانت منطوقة) إدخال بيانات بسيطة (على سبيل المثال: ادخل رقم البطاقة الائتمانية)، إعداد وثائق منظمة (مثل: تقرير الأشعة)، خطاب معالجة النصوص (مثل: معالج الكلمات \" Word \" أو رسائل البريد الإلكتروني) والمركبة الجوية (مثل: أجهزة الإدخال المباشر).\n== نبذة تاريخيه ==\nأول جهاز يعرف على الصوت ظهر عام 1952 م، يتكون من جهاز يتعرف على الأرقام المنطوقة. كما ظهر مبكرا جهاز آخر يدعى IBM Shoebox، وقد عرضت في معرض عالم نيويورك عام 1964م.\nواحدة من أهم المجالات التي استخدمت تطبيقات التمييز الكلامي بشكل ملحوظ هي الرعاية الصحية والنسخ الطبي في الولايات المتحدة الأمريكية. من خلال ما قاله خبراء الصناعة في بدايتها، أن تمييز الكلام يباع كوسيلة للقضاء على النسخ بدلا من جعل النسخ خطوة أكثر فاعلية، والتالي لم يكن مقبولا، ولذلك السبب أيضا كان التمييز الصوتي في ذلك الوقت ناقص من الناحية الفنية. وكما أن استخدامه بفاعلية يتطلب تغييرات إلى طرق لعمل الأطباء وتوثيق اللقاء الإكلينيكي، وهذا يجعل العديد بل الكل يترددون في استخدامه.\nإن أكبر مقيد للتمييز الصوتي كان النسخ الآلي، ومع ذلك كان يعد برنامجا. إن طبيعة السرد الإملائي يحتاج تفسير عالي وأحيانا يتطلب رأي مستمد من كائن بشري وهذا لم يوفر حتى الآن في الأنظمة الآلية. كما أن كمية الوقت الذي يحتاجه المستخدم أو مزود النظام لتدريب الجهاز كبيرة وهذا يعتبر مقيد ثاني للتمييز الصوتي.\nكثيرا ما ينشأ التمييز في ASR بين ","en_topic":"Speech recognition","wiki_pageid":1039909,"wiki_revid":73603352,"source_url":"https://ar.wikipedia.org/?curid=1039909","license":"CC BY-SA 4.0"}
{"slug":"computer-vision","lang":"ar","title":"رؤية حاسوبية","text":"الرؤية الحاسوبية أو رؤية الحاسوب (الإنجليزية: Computer Vision) هي إحدى مجالات علم الحاسوب، تهدف إلى بناء تطبيقات ذكية قادرة على فهم محتوى الصور كما يفهمها الإنسان.\nحيث من الممكن أن تُأخذ بيانات الصور عدة أشكال:\nكالصور المتعاقبة (فيديو).\nالمشاهد من عدة كاميرات.\nبيانات ذات عدة أبعاد مأخوذة من جهاز تصوير طبي.\n== أمثلة ==\nبعض الأمثلة على تطبيقات الرؤية الحاسوبية تشمل:\nتطبيق قادر على التعرف على الأغراض أو الأشخاص ضمن صورة\nتطبيقات التحكم الآلي (الروبوت الصناعي، المركبات الآلية ذاتية القيادة).\nبناء نماذج للأشياء أو للمحيط (الفحص الصناعي، تحليل الصورة الطبية).\nتطبيق قادر على متابعة غرض يتحرك ضمن صورة\nتطبيق قادر على معرفة البعد الثالث من صورة أو أكثر ثنائية البعد (أو من صورة وضوء ليزري متحرك)\n== مقارنة مع الرؤية الطبيعية ==\nمن الممكن وصف الرؤية الحاسوبية باعتبارها مرادفاً (وليس بالضرورة عكساً) للرؤية الفيزيولوجية البشرية. فكما أن الرؤية الفيزيولوجية للإنسان والحيوانات المختلفة تُدْرَسُ للتعرف على خصائصها، فإن علم الرؤية الحاسوبية يدرس ويصف أنظمة الرؤية الصناعية التي تُنفّذ في البرامج أو الأجهزة. وقد أظهر التعاون بين مجالي دراسة الرؤية الفيزيولوجية والحاسوبية تطوراً في تعميق الفهم لكلا المجالين.\nففي أواخر ستينيات القرن العشرين، نشأ مجال الرؤية الحاسوبية في عدد من الجامعات التي كانت رائدة في أبحاث الذكاء الاصطناعي. وكان الهدف منه محاكاة النظام البصري البشري كخطوة نحو إكساب الروبوتات سلوكًا ذكيًا. وفي عام 1966م، ساد إعتقاد بإمكانية تحقيق ذلك ضمن مشروع صيفي لطلبة المرحلة الجامعية الأولى، من خلال توصيل كاميرا بحاسوب وجعله «يصف ما يراه».\nوقد تميّزت الرؤية الحاسوبية عن المجال السائد آنذاك، وهو معالجة الصور الرقمية، بسعيها إلى إستخراج البنية ثلاثية الأبعاد من الصور بهدف الوصول إلى فهم كامل للمشاهد. وأسهمت الدراسات التي أُجريت خلال سبعينيات القرن العشرين في وضع الأسس الأولى للعديد من خوارزميات الرؤية الحاسوبية المستخدمة اليوم، مثل استخراج الحواف من الصور، ووَسْم الخطوط، والنمذجة متعددة السطوح وغير متعددة السطوح، وتمثيل الأجسام بوصفها ترابطات بين مكوّنات أصغر، إضافة إلى تقدير التدفق البصري والحركة.\n== فروع ==\nتندرج المجالات التالية تحت مجال الرؤية الحاسوبية:\nتقدير اتجاه الحركة\nترميم ا","en_topic":"Computer vision","wiki_pageid":164264,"wiki_revid":75916746,"source_url":"https://ar.wikipedia.org/?curid=164264","license":"CC BY-SA 4.0"}
{"slug":"turing-test","lang":"ar","title":"اختبار تورنغ","text":"اختبار تورنغ أو اختبار المحاكاة (الإنجليزية: Turing test) هو طريقة لتحديد ما إذا كان حاسوب أو برنامج قادر على إظهار الذكاء البشري. ويعود اسم الاختبار إلى مخترعه آلان تورنغ عالم الرياضيات وأهم أعمدة علم الحاسوب على الإطلاق، والذي اخترع هذا الاختبار في عام 1950م.\n== آلية الاختبار ==\nيتم الاختبار عن طريق 3 أطراف. يتم عزل إنسان في طرف وحاسوب بالبرنامج المعد في طرف آخر، وكلا منهما مخبآن عن بعض وعن الطرف الثالث المراقب (الشخص الذي يختبر الطرفان). ويعلم المراقب أن أحد من الاثنان حاسوب ولكن لا يعلم أي منهما كذلك. سوف تهيأ المحادثة عن طريق الكتابة فقط لكي لا تكون عدم قدرة الحاسوب على نطق الكلام عائق للاختبار. ينجح الحاسوب في الاختبار إذا لم يستطع المراقب التفريق بينه وبين الإنسان. ولا يشترط أن يجاوب الحاسوب إجابات صحيحة ولكن يكتفي الامر بان يحاكي ما قد يقوله الإنسان.\n== انتقادات ==\n=== الغرفة الصينية ===\nأبرز أنتقاد للاختبار كان من الفيلسوف جون سورل بطرحه تجربة الغرفة الصينية. جادل سورل بأن حتى لو أظهر الحاسوب قدرة على محاكاة الإنسان، فلن يعتبر في حد ذاته ذكيا وقادرا على التفكير. فالحاسوب مبرمج مسبقا على إخراج معطيات معينة. و تجربته الفكرية كالتالي: لنفرض أن هناك غرفة محكمة الإغلاق، لها شقان، شق لإدخال المعلومات وآخر لإخراجها. بها شخص ومجموعتان من الاوراق واحدة باللغة الصينية والأخرى الإنجليزية، ومعه جدول يوصل كل حرف إنجليزي إلى شبيهه الصيني. إذا جئنا وادخلنا حرف إنجليزي للغرفة سيبحث الشخص الذي بداخلها عن المرادف الصيني ويخرجه. ويقول سورل أن طريقة عمل الحاسوب مشابهة لذلك، فعندما نعطيه الحرف الإنجليزي ويخرج لنا الصيني قد نعتقد أن الحاسوب قادر على التفكير، بينما هو في الأساس يقوم بتنفيذ أوامر مبرمجة مسبقا. لذلك يستنتج سورل أن اختبار تورنغ غير ناجح في تحديد ما إذا كان نظام ما قادر على التفكير.\n==== ملاحظة ====\nان الغرفة الصينية تنطبق على أغلب الحواسيب التي تعمل من خلال البرامج المعلوماتية العادية، ولكن لا تنطبق على الذكاء الاصطناعي وخوارزميات التعلم الآلي. فهدف سورل هو دحض برامج الهدف منها «محاكاة الإنسان» أو فقط اظهار الذكاء (ذكاء اصطناعي ضعيف), ولكن لا يدحض فكرة تطور ذكاء الحاسوب ومحاكاته للذكاء البشري.\n== برامج اجتازت الاختبار ==\nيوجين غوستمان (7 حزيران / يونيو 2014).\n== وصل","en_topic":"Turing test","wiki_pageid":1610698,"wiki_revid":74934537,"source_url":"https://ar.wikipedia.org/?curid=1610698","license":"CC BY-SA 4.0"}
{"slug":"sentiment-analysis","lang":"ar","title":"تحليل المشاعر","text":"تحليل المشاعر أو الآراء هو استخدام معالجة اللغات الطبيعية، وعلم اللغة الحاسوبي والتحليل النصي من أجل الكشف عما يحمله النص من مشاعر سواء إيجابية أو سلبية أو محايدة تجاه موضوع النص. يُستخدم تحليل المشاعر على نطاق في مجالات التسويق وخدمة العملاء ومجالات أخرى.\nيهدف تحليل المشاعر عمومًا إلى تحديد مشاعر المتحدث أو الكاتب تجاه موضوع ما أو تحديد المشاعر الغالبة على وثيقة ما. يُمكن أن تعبر هذه المشاعر عن رأي المؤلف (انظر نظرية التقييم النصي) أو حالة شعورية (أي الحالة الوجدانية للمؤلف أثناء الكتابة) أو شعور مُتعمد توصيله (أي التأثير الوجداني الذي يريد المؤلف أن يُوقعه بنفس القارئ).\n== أنواع تحليل المشاعر ==\nيُعد تصنيف «قطبية الرأي» من العمليات الأساسية في تحليل المشاعر في النصوص على مستوى الوثيقة بأكملها أو الجملة. ويشير تصنيف قطبية الرأي إلى تحديد ما إذا كان الرأي المُعبر عنه في الوثيقة أو الجملة إيجابي أو سلبي أو محايد. وتطورت عن ذلك أنظمة أخرى تبحث في حالات شعورية محددة مثل الغضب، والحزن، والسعادة.\n== طرق التحليل ==\nتوجد العديد من الطرق لتحليل المشاعر في نص ما ومنها تحديد مواضع استخدام كلمات التعبير عن الآراء. حيث تُجمع هذه الكلمات فيما يُسمى «معاجم الآراء».\nكما يستخدم الباحثون أيضًا ما يُدعى «مجاميع الآراء» وهي عبارة عن مجموعة كبيرة من الآراء المُصنفة.\n== تحليل الآراء في اللغة العربية ==\nمن التحديات التي تواجه تحليل المشاعر في اللغة العربية قواعد اللغة، ووجود التشكيل، ووجود مجموعة من اللهجات العربية، ووجود أشكال مختلفة للكلمات.\n== أنظمة تحليل آراء متعددة اللغات ==\nيسعى الباحثون إلى تطوير أنظمة تحليل آراء متعددة اللغات لتوسيع مجال البحث وتلبية حاجة السوق إلى تحليل المشاعر والآراء في أكثر من مجتمع لغوي.\nولتطوير هذه الأنظمة، استخدم الباحثون العديد من الطرق منها: استخدام قواعد اللغة المحلية، والميزات الموضعية، وأنماط المشاعر الحاملة، وسلاسل الكلمات، وتعليم مواضع الكلمات، وتحليل التبعية.\n== مراجع ==\n== انظر أيضًا ==\nمعالجة اللغات الطبيعية","en_topic":"Sentiment analysis","wiki_pageid":1648134,"wiki_revid":73270792,"source_url":"https://ar.wikipedia.org/?curid=1648134","license":"CC BY-SA 4.0"}
{"slug":"optical-character-recognition","lang":"ar","title":"تعرف المحارف البصري","text":"تعرُّف المحارف البصري قد يسمى أيضًا تعرف المحارف المرئي (الإنجليزية: Optical character recognition) أو اختصارا OCR هي نوع من البرمجيات الحاسوبية لتحويل صور النصوص المكتوبة باليد أو بآلة (يحصل عليها عادة باستخدام الماسحة) إلى نصوص يستطيع الحاسوب معالجتها. هو آلية أو تحويل الصورة الممسوحة الالكترونية من صيغة مكتوبة بخط اليد، أو مطبوعة على الآلة الكاتبة أو نص مطبوع إلى نص مرمز تفهمه الآلة وتدعى\nآلة ترميز النصوص. ويستخدم على نطاق واسع باعتباره شكلا من أشكال إدخال البيانات من نوع ما من ورقة البيانات المصدر الأصلي، سواء وثائق، أوايصالات مبيعات، والبريد، أو أي عدد من السجلات المطبوعة.\nلإنه من الأهمية بمكان أن حوسبة النصوص المطبوعة تكون مطلبا حتى يمكن أن يكون البحث عنها أوتخزينها إلكترونيا بحيث تصبح قابلة للانضغاط أكثر ليتيسر عرضها على الإنترنت، وتستخدم في عمليات آلية مثل الترجمة الآلية، تحويل النص إلى كلام والغوص في النصوص. التعرف البصري على الحروف هو مجال البحث في التعرف على النماذج، الذكاء الاصطناعي وجهاز الرؤية عن طريق الحاسوب.\nهناك حاجة لإصدارات في وقت مبكر حتى يتسنى أن تبرمج الصور تبعا لكل حرف، وتعمل على خط واحد في وقت واحد. النظام «الذكي» مع وجود درجة عالية من دقة التعرف على معظم الخطوط أصبحت شائعة الآن. بعض الأنظمة الآن قادرة على إنتاج حروف تمت تهيئتها formatted output وهي تقترب كثيرا من الشكل الأصلي بما في ذلك الصور الممسوحة بصريا، والأعمدة وغيرها من العناصر غير النصية.\n== التاريخ ==\nويمكن أن يعزى التعرف البصري على الحروف في وقت مبكر للنشاط حول مسألتين: توسيع الإبراق وخلق أجهزة القراءة للمكفوفين. في عام 1914 ايمانويل جولدبرغ صنع آلة لقراءة الأحرف وتحويلها إلى رموز التلغراف القياسية. في نفس الوقت تقريبا، إدموند فورنييه ديفوار d'Albe طور Optophone ، ماسح بصري محمول حيث يتم تحريكه عبر الصفحة المطبوعة، فيقوم بإنتاج نغمات التي تتوافق مع أشكال محددة أو حروفا.\nواصل جولدبرغ تطوير تكنولوجيا التعرف البصري على الحروف لإدخال البيانات. وفيمابعد اقترح تصوير سجلات البيانات ومن ثم، وذلك باستخدام الخلايا البصرية، مطابقة الصور ضد قالب يحتوي على نمط محدد وهو النمط المطلوب.\nفي عام 1929 غوستاف تاوشك Tauschek كان لديه أفكار مماثلة، وحصل على براءة اختراع في التعرف البصري على الحروف في ","en_topic":"Optical character recognition","wiki_pageid":144504,"wiki_revid":75026886,"source_url":"https://ar.wikipedia.org/?curid=144504","license":"CC BY-SA 4.0"}
{"slug":"robotics","lang":"ar","title":"روبوتية","text":"الروبوتية أو الإنساليات أو علم الروبوتات (الإنجليزية: Robotics)، هو مجال التخصصات المتعددة المتداخلة والذي يدمج علوم الحاسوب والهندسة التطبيقة. تتضمن الروبوتية تصميم وبناء وتشغيل واستخدام الروبوتات. إن الهدف من الروبوتية هو تصميم آلات يمكن أن تساعد البشر وتساندهم. تدمج الروبوتية مجالات الهندسة الميكانيكية والهندسة الكهربائية وهندسة المعلومات والميكاترونيك والإلكترونيات والهندسة الحيوية وهندسة الكمبيوتر وهندسة التحكم وهندسة البرمجيات وغيرها.\nتطور الروبوتية آلات يمكن أن تحل محل البشر نظام الروبوت يعتمد على الجنان وتكرر الأعمال البشرية. يمكن استخدام الروبوتات في العديد من المواقف ولأغراض عديدة ولكن يتم استخدام العديد منها اليوم في البيئات الخطرة (بما في ذلك فحص المواد المشعة واكتشاف القنابل وإبطال مفعولها) وعمليات التصنيع أو حيث لا يستطيع البشر البقاء على قيد الحياة (على سبيل المثال في الفضاء وتحت الماء وفي أماكن مرتفعة الحرارة وتنظيف واحتواء المواد الخطرة والإشعاع). يمكن أن تتخذ الروبوتات أي شكل ولكن بعضها مصنوع ليشبه البشر في المظهر. يقال أن هذا يساعد في قبول الروبوت في بعض السلوكيات التكرارية التي عادة ما يؤديها الناس. تحاول هذه الروبوتات محاكاة المشي أو النهوض أو الكلام أو الإدراك أو أي نشاط بشري آخر. إن العديد من روبوتات اليوم مستوحاة من الطبيعة وتساهم في مجال الروبوتات المستوحاة من الكائنات الحية.\nتتطلب بعض الروبوتات إدخالات من قبل المستخدم لتعمل بينما تعمل الروبوتات الأخرى بشكل مستقل. يعود مفهوم إنشاء روبوتات يمكنها العمل بشكل مستقل إلى العصور الكلاسيكية لكن البحث في الوظائف والاستخدامات المحتملة للروبوتات لم ينمو بشكل كبير حتى القرن العشرين. عبر التاريخ افترض العديد من العلماء والمخترعين والمهندسين والفنيين أن الروبوتات ستتمكن يومًا ما من محاكاة السلوك البشري وإدارة المهام بطريقة شبيهة بالبشر. إن الروبوتات اليوم هي مجال سريع النمو خاصة مع استمرار التقدم التكنولوجي. تخدم عمليات البحث والتصميم وبناء الروبوتات الجديدة أغراضًا عملية متنوعة سواء منزلياً أو تجاريًا أو عسكريًا. تم تصميم العديد من الروبوتات للقيام بوظائف خطرة على الناس مثل نزع فتيل القنابل والعثور على ناجين في أنقاض غير مستقرة واستكشاف الألغام وحطام السفن. تُستخدم الروبوتات أيضًا في العلوم والتكنولوجيا","en_topic":"Robotics","wiki_pageid":740382,"wiki_revid":75178032,"source_url":"https://ar.wikipedia.org/?curid=740382","license":"CC BY-SA 4.0"}
{"slug":"postgresql","lang":"ar","title":"بوستجري إس كيو إل","text":"بوستجريسكل (الإنجليزية: PostgreSQL) هو نظام إدارة قواعد البيانات علائقي يعتمد التعامل معه على لغة إس كيو إل، يعمل على منصات متعددة من مثل أنظمة التشغيل المستندة إلى يونكس مثل \"أوراكل سولاريس\"، و \"آي بي إم إيه آي إكس\" \"IBM AIX\"، و \"إتش بي - يو إكس\" \"HP-UX\" \"ريد هات لينكس\" \"Red Hat Linux\" وغيرها من منصات \"لينكس\" Linux\". كذلك يعمل على أنظمة ويندوز؛ و\"Mac OS X\". بدأ تطويره في قسم علوم الكمبيوتر بيريكلي لجامعة كاليفورنيا عام 1986م على يد البروفسور مايكل ستونبركر.\nيصدر بوستجريسكل تحت رخصة خاصة به تسمى رخصة بوستجرسكل وهي رخصة مفتوحة المصدر معتمدة.\n== تاريخ بوستجريسكل ==\nفي عام 1986م جلس البروفسور في جامعة كلفونيا في بيركلي والخبير المشهور في تقنية قواعد البيانات مايكل ستونبركر Michael Stonebraker ليبني نظام قواعد بيانات جديد ومحسن، وبالرغم أنه كان مستمتع بنجاح مشروعه السابق في قواعد البيانات المسمى INGRES ، إلا أنه قرر أن يطبق رؤيته الجديدة في مشروع جديد كليا، بدلا من البناء على المشروع السابق بسبب تعقيداته، مما أنتج في النهاية مشروع Postgres . و خلال ثمان السنوات التالية، أخذ شهرة مشروع Postgres بالنمو خصوصا بين مجتمع الباحثين، حتى وصلت تلك الشهرة حد الإغراق، مما أخذ كل وقت الباحثين في مشروع Postgres الذين كان عليهم مواصلة بحوثهم في قواعد البيانات، لذا كانت تلك الشهرة هي القاتلة لمشروع Postgres الذي انتهى رسميا مع الإصدارة 4.2 ، و لحسن الحظ أن رخصة هذه المشروع هي من ترخيص BSD المفتوح المصدر، مما أمن استمرارية هذا المشروع، حيث قام مجموعة من المطورين بتبني هذا المشروع عن طريق الإنترنت، وفي عام 1994م أضاف أندرو يو وجوللي تشن محلل SQL ( ليستبدل نظام لغة QUEL السابق ) ، و أطلقا المشروع تحت اسم Postgres95 ، و مع حلول عام 1996م أصبح من البديهي أن اسم Postgres95 لا يمثل الرؤية المستقبلية للمشروع، فلذا تم إطلاق قاعدة البيانات باسم PostgreSQL 6.0 بواسطة مجتمع المطورين، ليعكس أصل المشروع والخصائص الجديدة التي اضيفت إليه.\nفي 2008م صدرت النسخة الإصدار 8.3 شملت تحسينات رئيسية. في الأداء:\nالصفوف المجمعة (HOT), والتي تزيل ما يصل إلى ثلاث أرباع الصيانة اللازمة للجداول التي يتم تحديثها باستمرار.\nنقاط التفريغ الموزعة حسب العبء، حيث يقل نشاط نقاط التفريغ خلال ذروة الأعباء.\nضبط ذاتي وآلي لعمل","en_topic":"PostgreSQL","wiki_pageid":1090884,"wiki_revid":75855597,"source_url":"https://ar.wikipedia.org/?curid=1090884","license":"CC BY-SA 4.0"}
{"slug":"sqlite","lang":"ar","title":"إس كيو لايت","text":"إس كيو إلّايت (الإنجليزية: SQLite) هي مكتبة بلغة سي، ومحرك قواعد بيانات إس كيو إل مضمّن وصغير. هي ليست مكتبة للاتصال بمزود قواعد بيانات بعيد بل تعتبر هي المزود نفسه، لذا فإنها تستطيع من خلال لغات برمجة مثل بي إتش بي وبيرل وبايثون وسي++ وفيجوال بيسك وغيرهم أن تقرأ وتكتب قواعد البيانات مباشرة على الأقراص دون أية برامج أو أدوات وسيطة أخرى.\nتستطيع بواسطة SQLite أن تتعامل مع قواعد البيانات بشكل أوسع، أسرع وأقوى حيث أننا نستعطيع استعمالها مباشرة مع السي++ أو عن طريق أوامر SQL وأيضا باستعمال برامج كـ SQLite maester\n== كيف تنطق ==\nتنطق هكذا: إس كيو إلّايت لأنها لفظة منحوتة من (إس كيو إل) مع (Lite)، ونطقها سيكويلايت أو إس كيو-لايت أو غير ذلك مجانب للصواب.\n== المميزات ==\nتُستخدم أنظمة مثل ماي إس كيو إل وبوستجري إس كيو إل غالباً في المشاريع الكبيرة. لكن بعض التطبيقات الصغيرة قد لا تحتاج إلى نظام إدارة قواعد بيانات كامل، ويمكن استخدام ملفات نصية لتخزين البيانات. تقدم إس كيو إلّايت بديلاً خفيفاً يتميز بصغر الحجم وسرعة الأداء ويدعم لغة SQL92 القياسية، مما يجعلها خياراً محتملاً للتطبيقات ذات البيانات المحدودة.\n== أمثلة على بعض الاستخدمات ==\nأخبار موقع متوسط\nمنتدى للدعم الفني\nنظام إدارة محتوى\nدفتر زوار\nإحصائيات وعدادات الزوار\nتخزين قوالب وإعدادات الموقع\nإدارة المقالات وتعليقات الزوار عليها\n== المزايا ==\nصغر الحجم.\nسهولة التركيب.\nسهولة نقل البيانات من مزود إلى آخر.\nلا توجد مشاكل بالترميز لا سيما مع اللغة العربية.\nلا تحتاج أية إعدادات تركيب خاصة على المزود.\nلا تحتاج أية إعدادات اتصال برمجي.\nقاعدة البيانات عبارة عن ملف واحد فقط.\nتدعم حجم قاعدة البيانات إلى 2 تيرابايت (2048 جيجابايت) - ماقبل الإصدارة 2.8 كان الحد الأقصى: 2 جيجابايت.\nشيفرة الاتصال والاستعلام بها سهلة (مشابهة لـ ماي إس كيو إل على نحو أبسط).\nيمكن استخدامها على المواقع التي لا تدعم ماي إس كيو إل.\n== انظر أيضًا ==\nماي إس كيو إل\nدريزل\nماريا دي بي\n== المراجع ==\n== وصلات خارجية ==\nالموقع الرسمي\nإس كيو لايت على موقع Open Hub (الإنجليزية)\nإس كيو لايت على موقع Free Software Directory (الإنجليزية)","en_topic":"SQLite","wiki_pageid":353641,"wiki_revid":75871778,"source_url":"https://ar.wikipedia.org/?curid=353641","license":"CC BY-SA 4.0"}
{"slug":"redis","lang":"ar","title":"ريديس","text":"ريديس (الانجليزي: Redis) هي قاعدة بيانات داخل الذاكرة مفتاح–قيمة تُستخدم كـذاكرة تخزين مؤقت موزعة ووسيط الرسائل، مع إمكانية الاستمرارية الاختيارية.\nنظرًا لأنه يحتفظ بجميع البيانات في الذاكرة وبسبب تصميمه، فإن ريديس يوفر عمليات قراءة وكتابة منخفضة التأخير، مما يجعله مناسبًا بشكل خاص لحالات الاستخدام التي تتطلب ذاكرة تخزين مؤقت.\nتم تطوير المشروع وصيانته من قبل سلفاتوري سانفيليبو منذ عام 2009.\nومن عام 2015 حتى عام 2020، قاد فريق النواة للمشروع برعاية شركة ريديس المحدودة.\nغادر سلفاتوري سانفيليبو منصب المشرف على ريديس في عام 2020.\nوفي عام 2021، تخلّت شركة Redis Labs عن كلمة \"Labs\" من اسمها، وأصبحت تُعرف ببساطة باسم \"ريديس\".\nفي عام 2018، اعتمدت بعض وحدات ريديس ترخيص أباتشي 2.0 المعدل والمرفق بـشرط المشاع (Commons Clause).\nوفي عام 2024، تحوّل الكود الأساسي لريديس من مفتوح المصدر بترخيص رخص بي إس دي إلى نظام ترخيص مزدوج تحت رخصة Redis متاحة المصدر (الإصدار 2) ورخصة الجانب الخادمي العامة (SSPL) (الإصدار 1).\nوفي 1 مايو 2025، أصبح ريديس ذا ثلاثة تراخيص بدءًا من الإصدار 8.0، بإضافة رخصة جنو أفيرو العمومية العامة كخيار ثالث.\n== الميزات ==\nيستخدم ريديس نموذج المفتاح–القيمة لتمثيل البيانات، إذ يُخزّن كل مفتاح قيمة مرتبطة به من نوع محدد. ويوفر دعمًا لعدة أنواع من البيانات وهياكلها، تشمل السلاسل النصية، والقوائم، والمجموعات، والتجزئات، بالإضافة إلى أنواع بيانات إضافية مثل مستندات JSON عبر وحدات ريديس المخصصة.\n== مراجع ==","en_topic":"Redis","wiki_pageid":10188742,"wiki_revid":75998756,"source_url":"https://ar.wikipedia.org/?curid=10188742","license":"CC BY-SA 4.0"}
{"slug":"mysql","lang":"ar","title":"ماي إس كيو إل","text":"ماي إس كيو إل وتلفظ أحيانا ماي سيكويل (الإنجليزية: MySQL) هو نظام إدارة قواعد البيانات علائقي يعتمد التعامل معه على لغة إس كيو إل. وسمي بهذا الاسم تبعا لابنة مبرمجه الأصلي Michael Widenius، والتي اسمها My. ماي إس كيو إل هو من المنتجات مفتوحة المصدر ينشر كوده المصدري تحت رخصة جنو العمومية بالإضافة إلى بعض الاتفاقيات الاحتكارية. كانت تملكه وترعاه الشركة الربحية السويدية MySQL AB، لكن تملكه الآن صن ميكروسيستمز (والتي هي حاليا فرع من أوراكل).\n== الاستخدام ==\nعادة تستخدم مشاريع البرمجيات الحرة التي تتطلب نظام إدارة قواعد البيانات كامل ماي إس كيو إل. هذه المشاريع تتضمن على سبيل المثال ووردبريس، بي إتش بي بي.بي ودروبال وبعض البرمجيات الأخرى المبنية على لامب.\nيستخدم ماي إس كيو إل أيضاً في بعض منتجات الشبكة العنكبوتية كثيفة الاستخدام مثل ويكيبيديا، غوغل سيرش،\nفيس بوك ،\nوفليكر.\nترمز الـ 'م' في اسم حزمة البرمجيات الشهيرة لامب إلى ماي إس كيو إل. وترجع شهرته في استخدامه في تطبيقات الإنترنت إلى شهرة بي إتش بي (الذي هو الـ 'ب' في لامب).\n== المنصات والواجهات ==\nيعمل ماي إس كيو إل على كثير من المنصات المختلفة مثل آي بي إم إيه آي إكس، فري بي ‌إس ‌دي، إتش بي - يو إكس، لينكس، ماك أو إس، نت بي إس دي، نوفيل نت وار، أوبن بي إس دي، أوبن سولاريس، أو إس/2، كيو إن إكس، آيركس، سولاريس، سيمبيان، صن أو إس ومايكروسوفت ويندوز. العديد من لغات البرمجة ذات واجهات لبرمجة التطبيقات تحوي مكتبات برمجية لاستخدام قواعد بيانات ماي إس كيو إل. بالإضافة إلى ذلك، توجد واجهة ODBC تسمى MyODBC تسمح للغات البرمجة الأخرى التي تدعم واجهات ODBC بالاتصال بقواعد بيانات ماي إس كيو إل، مثل صفحات الخادم النشطة وكولدفيوشن. خادم ماي إس كيو إل ومكتباته البرمجية أغلبها مكتوب بلغتي سي وسي++ القياسيتين.\n== الخصائص ==\nيتميز خادم ماي إس كيو إل بسرعته الكبيرة؛ لأنه خادم قواعد بيانات متعدد المسالك (الإنجليزية: multi-threaded) مما جعل إمكانية الاستعلام من قاعدة البيانات سريعة جدا؛ ويتميز بسهولة ربط جداوله بواجهة المستخدم التي تصمم بلغات البرمجة، فمثلا يمكنك ربطها بالبرامج المكتوبة بلغة فيجوال بيسك من خلال واجهة ODBC الخاص بها، كذلك له مكتبة خاصة به للتعامل معه من خلال أدو دوت نت.\n== واجهات المستخدم الرسومية ==\nالواجهة الرسومية (GUI) ","en_topic":"MySQL","wiki_pageid":81560,"wiki_revid":76012389,"source_url":"https://ar.wikipedia.org/?curid=81560","license":"CC BY-SA 4.0"}
{"slug":"microsoft-sql-server","lang":"ar","title":"مايكروسوفت إس كيو إل سيرفر","text":"مايكروسوفت إس كيو إل سيرفر (الإنجليزية: Microsoft SQL Server) هو برنامج لقواعد البيانات العلائقية من إنتاج مايكروسوفت، لغة الاستعلام الرئيسية فيه هي إس كيو إل وتي-سكيول.\n== النسخ التي أنتجت من مايكروسوفت إس كيو إل سيرفر ==\nSQL Server 6.5.\nSQL Server 7.\nSQL Server 2000.\nSQL Server 2005.\nSQL Server 2008.\nSQL Server 2012.\nSQL Server 2013.\nSQL Server 2014.\nSQL Server 2017.\nSQL Server 2018.\nSQL Server 2019.\n== انظر أيضًا ==\nاستوديو إدارة الإس كيو إل سيرفر\n== مراجع ==\n== وصلات خارجية ==\nالموقع الرسمي","en_topic":"Microsoft SQL Server","wiki_pageid":894443,"wiki_revid":75419527,"source_url":"https://ar.wikipedia.org/?curid=894443","license":"CC BY-SA 4.0"}
{"slug":"mongodb","lang":"ar","title":"مونغو دي بي","text":"مونغو دي بي (الإنجليزية: MongoDB) (الاسم مشتق من \"humongous\")وهي نظام قاعدة بيانات مفتوحة المصدر مطورة ومدعومة من مونجو دي بي ‏. وهي جزء من عائلة أنظمة قواعد بيانات قاعدة البيانات غير العلائقية. بدلاً من تخزين البيانات في جداول كما معروف في قاعدة البيانات المترابطة، تقوم مونغو دي بي بتنظيم البيانات كمستندات شبيه JSON بمخططات ديناميكية (مونغو دي بي تدعي بصيغة BSON) فتجعل دمج البيانات في أنواع محددة من التطبيقات أسهل وأسرع.\nبدات شركة 10gen بتطوير مونغو دي بي في أكتوبر2007، وهي تستخدم الآن من قبل شبكات فاياكوم سي بي إس الإعلامية المحلية, كريجزليست, فورسكوير and آدهار. وهي تعتبر أشهر نظام إدارة قواعد بيانات قاعدة البيانات غير العلائقية\n== انظر أيضًا ==\nكاوتش دي بي\n== مراجع ==\n== وصلات خارجية ==\nمونغو دي بي على موقع Free Software Directory (الإنجليزية)\nمونغو دي بي على موقع Framasoft (الفرنسية)\nالموقع الرسمي","en_topic":"MongoDB","wiki_pageid":1528620,"wiki_revid":75455450,"source_url":"https://ar.wikipedia.org/?curid=1528620","license":"CC BY-SA 4.0"}
{"slug":"apache-cassandra","lang":"ar","title":"أباتشي كاساندرا","text":"أباتشي كاساندرا (الإنجليزية: Apache Cassandra) هو نظام إدارة قواعد بيانات مجاني ومفتوح المصدر، مصمم للتعامل مع كميات هائلة من البيانات عبر خوادم متعددة. يُعطي النظام الأولوية للتوافر وقابلية التوسع على الاتساق، مما يجعله مناسبًا بشكل خاص للأنظمة التي تتطلب إنتاجية كتابة عالية بفضل طبقة تخزين فهرسة تعتمد على شجرة الدمج المنظمة على شكل سجل (LSM). وباعتباره قاعدة بيانات واسعة الأعمدة، يدعم أباتشي كاساندرا المخططات المرنة ويتعامل بكفاءة مع نماذج البيانات ذات الأعمدة المتفرقة العديدة. يوفر أباتشي كاساندرا نظاما محسنا للتطبيقات التي تتمتع بأنماط وصول بيانات محددة جيدًا يمكن دمجها في تصميم المخطط. كما يدعم أباتشي كاساندرا مجموعات الحواسيب التي قد تمتد عبر مراكز بيانات متعددة، ويتميز بتكرار غير متزامن وبدون وحدة رئيسية. كما يسمح بعمليات منخفضة الكمون لجميع العملاء، ويدمج تقنيات التخزين والتكرار الموزعة دينامو التابعة لشركة أمازون، إلى جانب نموذج محرك تخزين البيانات بيغتيبل الخاص بشركة جوجل.\n== التاريخ ==\nطُوّر أباتشي كاساندرا في البداية لصالح شركة فيسبوك (ميتا حاليا) على يد كل من براشانت مالك وأفيناش لاكشمان، المؤلف المشارك في مشروع دينامو، وهو نظام تخزين البيانات الخاص شركة أمازون، كأداة لدعم وظيفة البحث في البريد الوارد في موقع فيسبوك، وقد أطلقا عليه هذا الاسم نسبة إلى كاساندرا عرافة طروادة الأسطورية، في إشارة إلى لعنتها المتمثلة في نبوءاتها التي لم تُصدق أبدا. طرحت شركة فيسبوك أباتشي كاساندرا بعد ذلك كبرنامج مفتوح المصدر على منصة جوجل كود في يوليو (تموز) 2008. وفي مارس (آذار) 2009، أصبح أباتشي كاساندرا مشروعًا تابعًا لحاضنة أباتشي. وفي 17 فبراير (شباط) 2010، ارتقى إلى مستوى أعلى.\n== المميزات والعيوب ==\nيستخدم أباتشي كاساندرا بنية موزعة حيث تؤدي جميع العقد وظائف متطابقة، مما يلغي نقاط الفشل الفردية. يستخدم النظام استراتيجيات تكرار قابلة للتكوين لتوزيع البيانات عبر المجموعات، مما يدعم التكرار وقدرات التعافي من الكوارث. كما يتمتع النظام بالقدرة على التوسع الخطي، وهو ما يزيد من معدل القراءة والكتابة بإضافة عقد جديدة، مع الحفاظ على استمرارية الخدمة.\nيُصنف أباتشي كاساندرا كنظام قائم على التوافر وتحمل التقسيم، حيث يُركز على التوافر على حساب اتساق البيانات، وعلى الرغم من أنه يُو","en_topic":"Apache Cassandra","wiki_pageid":9967822,"wiki_revid":75868652,"source_url":"https://ar.wikipedia.org/?curid=9967822","license":"CC BY-SA 4.0"}
{"slug":"elasticsearch","lang":"ar","title":"إلاستيك سيرش","text":"إلاستيك سيرش (الإنجليزية: Elasticsearch) هو محرك بحث يستخدم للبحث داخل البيانات بسرعة عالية، خصوصًا في التطبيقات الكبيرة مثل المواقع والمتاجر ومحركات البحث. يوفر محرك بحث نص كامل موزع وقادر على تعدد المستأجرين مع واجهة برمجة تطبيقات تعتمد على بروتوكول HTTP ومستندات جيسون خالية من المخططات.\nتم تطوير Elasticsearch في جافا وهو مرخص مزدوجًا بموجب ترخيص Server Side Public License وترخيص Elastic، بينما تقع الأجزاء الأخرى تحت ترخيص Elastic الخاص.\nالعملاء الرسميون متاحون في جافا وسي شارب وبي إتش بي وبايثون وApache Groovy وروبي والعديد من اللغات الأخرى.\nوفقًا لتصنيف DB-Engines، يعد Elasticsearch أشهر محرك بحث للمؤسسات.\n== مراجع ==\n== وصلات خارجية ==\nالموقع الرسمي\n== انظر أيضاً ==\nاوبن سيرش\nلوسين","en_topic":"Elasticsearch","wiki_pageid":8467610,"wiki_revid":75845896,"source_url":"https://ar.wikipedia.org/?curid=8467610","license":"CC BY-SA 4.0"}
{"slug":"apache-kafka","lang":"ar","title":"أباتشي كافكا","text":"أباتشي كافكا (الإنجليزية: Apache Kafka) هو نظام حوسبة موزعة ومنصة تحليل التدفق. وهو نظام مفتوح المصدر تم تطويره من قبل مؤسسة أباتشي للبرمجيات ومكتوب بلغة جافا وسكالا.\nيهدف مشروع كافكا إلى توفير منصة موحدة عالية الإنتاجية ومنخفضة التأخير لمعالجة تغذيات البيانات في الوقت الحقيقي. يمكن لكافكا الاتصال بأنظمة خارجية (للاستيراد والتصدير) عبر Kafka Connect ويوفر مكتبات Kafka Streams لتطبيقات معالجة التدفق. يستخدم كافكا بروتوكولًا بنيويًا قائمًا على TCP مُحسَّنًا للكفاءة ويعتمد على تجريد \"مجموعة الرسائل\" التي تجمع الرسائل معًا بشكل طبيعي\n== تاريخ ==\nتم تطوير كافكا في الأصل في شركة لينكد إن، وبعد ذلك تم تحويله إلى مشروع مفتوح المصدر في بداية عام 2011. ساهم جاي كريبس، نيها ناركيد وجون راو في إنشاء كافكا. اختار جاي كريبس أن يسمي البرنامج باسم الكاتب فرانس كافكا لأنه \"نظام محسَّن للكتابة\"، وأعجبه أعمال كافكا.\n== أستخداماته ==\nيوجد العديد من الشركات التي تستخدم كافكا و منها :\nأوبر (Uber): تستخدم كافكا في تتبع مواقع السائقين والركاب ، وكذلك لمعالجة المدفوعات.\nلينكد إن (LinkedIn): تستخدم كافكا للتواصل بين تطبيقاتها وخدماتها الداخلية، وتستخدمه أيضًا لمعالجة تدفق الأنشطة والتحليلات.\nتويتر (Twitter): يستخدم كافكا في نظام للتدفق المستمر للتغريدات والتفاعلات بين المستخدمين.\nسبوتيفاي (Spotify): يستخدم كافكا لجمع البيانات من مستخدميه ومعالجتها ، مثل الأغاني التي يستمعون إليها ومتى.\n== مراجع ==","en_topic":"Apache Kafka","wiki_pageid":9222378,"wiki_revid":74886513,"source_url":"https://ar.wikipedia.org/?curid=9222378","license":"CC BY-SA 4.0"}
{"slug":"kubernetes","lang":"ar","title":"كوبيرنيتيس","text":"كوبيرنيتيس (عادة تكتب k8s ) نظام تزامن حاويات مفتوح المصدر لأتمتة نشر التطبيقات، وتوسيع نطاقها وإدارتها. تم تصميمه في الأصل من قِبل جوجل، وتقوم الآن بإدارته مؤسسة Cloud Native Computing Foundation. يهدف إلى توفير «نظام أساسي لأتمتة نشر حاويات التطبيقات وتوسيع نطاقها وتشغيلها عبر مجموعات المضيفين». يعمل مع مجموعة من أدوات الحاوية، بما في ذلك Docker. العديد من الخدمات السحابية توفر منصة خدمية مبنية على كوبيرنيتيس أو بنية تحتية كخدمة والتي تمكن من نشر كوبيرنيتيس كمنصة توفير خدمة. كما يوفر العديد من البائعين أيضًا توزيعات كوبيرنيتيس الخاصة بهم.\nتأسست كوبيرنيتيس (κυβερνήτης ، اليونانية لـ «حاكم»، \" helmsman \" أو «كابتن») على يد جو بيدا وبريندان بيرنز وكريج ماكلوكي، الذين انضموا بسرعة إلى المهندسين الآخرين في جوجل بما في ذلك بريان غرانت وتيم هوكين، وأعلن لأول مرة من قبل جوجل في منتصف عام 2014. يتأثر تطويره وتصميمه بشدة بنظام Borg من جوجل، والعديد من كبار المساهمين في المشروع الذين سبق لهم العمل في Borg. كان الاسم الأصلي لـ كوبيرنيتيس في جوجل هو Project Seven، في إشارة إلى شخصية Star Trek Seven of Nine التي تعد Borg «صديقة». المتحدثون السبعة على عجلة شعار كوبيرنيتيس هم إشارة إلى هذا الاسم الرمزي. تمت كتابة مشروع Borg الأصلي بالكامل في C ++ ، لكن نظام كوبيرنيتيس المعاد كتابته تم تطبيقه في Go.\nتم إصدار كوبيرنيتيس v1.0 في 21 يوليو 2015. إلى جانب إصدار كوبيرنيتيس v1.0، دخلت جوجل في شراكة مع Linux Foundation لتشكيل Cloud Native Computing Foundation (CNCF) وعرضت كوبيرنيتيس كتقنية أساسية. في 6 مارس، 2018، وصل كوبيرنيتيس Project إلى المركز التاسع في الدعاوى في جيثب، والمركز الثاني في المؤلفين وقضايا نواة لينكس.\n== كائنات كوبيرنيتيس ==\nيعرّف كوبيرنيتيس مجموعة من الكتل البرمجية الإنشائية («البدائية»)، والتي توفر مجتمعة الآليات التي تنشر وتحافظ على نطاق التطبيقات على أساس وحدة المعالجة المركزية والذاكرة أو المقاييس المخصصة. كوبيرنيتيس مقترن بشكل فضفاض وقابل للامتداد لتلبية أعباء العمل المختلفة. يتم توفير هذه القابلية للتوسعة في جزء كبير منها بواسطة كوبيرنيتيس API ، والذي يستخدم من قبل المكونات الداخلية وكذلك الامتدادات والحاويات التي تعمل على كوبيرنيتيس. يمارس النظام الأساسي سيطرته","en_topic":"Kubernetes","wiki_pageid":5488495,"wiki_revid":75991425,"source_url":"https://ar.wikipedia.org/?curid=5488495","license":"CC BY-SA 4.0"}
{"slug":"docker","lang":"ar","title":"دوكر","text":"دوكر (الإنجليزية: Docker) هي مجموعة من منتجات المنصة خدمة التي تستخدم المحاكاة الافتراضية بمستوى نظام التشغيل لتقديم البرنامج في حزم تسمى الحاويات. توجد هذه الخدمة بنسخ مجانية ومدفوعة، يًدعى البرنامج المضيف الذي يستضيف الحاويات بمحرك دوكر (الإنجليزية: Docker engine)، وانطلقت النسخة الأولى منه عام 2013 وطورتها شركة دوكر.\nدوكر هو أداة استخدمت لأتمتة عملية توزيع البرمجيات التطبيقية في حاوية خفيفة لتعمل بكفاءة عالية في مختلف البيئات الرمجية وبمعزل عن بعضها البعض.\n== النشأة ==\nتأسست شركة دوكر من قبل سولومون هيكيس وسيباستيان بال خلال مجموعة حاضنة Y Combinator Summer 2010 التي تم إطلاقها في عام 2011. بدأ هيكيس مشروع دوكر في فرنسا كمشروع داخلي داخل دوت كلاود (dotCloud)، وهي شركة منصة كخدمة.\nبدأ المشروع عام 2008 كمشروع صغير مفتوح المصدر باسم إل إكس سي (LXC)، لكن البداية الحقيقية لهذا التكنولوجيا كانت عام 2013 على يد شركة دوكر التي نشرت هذة التكنولوجيا بشكل رسمي وأصبح دوكر من أهم مكونات المنصات السحابية PaaS اللازمة لتطوير التطبيقات وأكثرها انتشارا.\nمن أسباب نجاح دوكر أنه أحدث نقلة نوعية في عملية تطوير التطبيقات، كما مكن المطورين من المشاركة والعمل على نفس المشروع فيما بينهم بسهولة وكذلك من إزالة بعض التعقيدات البرمجية.\nفي عام 2017، أنشأت دوكر مشروع موبي للبحث والتطوير المفتوح.\n== الفرق بين دوكر والآلات الافتراضية ==\nيعد دوكر أخف بكثير من الآلات الافتراضية، حيث يمكن تشغيل العشرات من الحاويات في حاسوب عادي واحد، في حين لا يمكن تشغيل 3-4 آلات افتراضية في حاسوب عادي واحد ولو كان قويا نسبيا. أي أن دوكر يستهلك موارد أقل بكثير. ثم إن الآلات الافتراضية تقوم بمحاكاة كامل النظام وكل ما فيه ووضعه فوق النظام المضيف، في حين يقوم دوكر بتشارك النواة (Linux kernel) مع النظام المضيف. ما يقوم به دوكر هو تنزيل التوزيعات فقط، أي الـ bins/libs لكل توزيعة فقط، في حين يتشارك النواة مع النظام المضيف ولا يُنزّل نواة جديدة مع تلك التوزيعة. تلك الـ bins/libs كفيلة لمحاكاة بيئة التوزيعة المرجوة، أما النواة فهي متشابهة بين جميع التوزيعات وبالتالي يتقاسمها مع النظام المضيف وهو يعمل على كافة أنواع أنظمة التشغيل، هذا بالإضافة إلى أن دوكر يعزل التطبيق واعتمادياته فقط، في حين الآلات الافتراضية تعزل كامل النظ","en_topic":"Docker (software)","wiki_pageid":3745905,"wiki_revid":75144782,"source_url":"https://ar.wikipedia.org/?curid=3745905","license":"CC BY-SA 4.0"}
{"slug":"nosql","lang":"ar","title":"قاعدة البيانات غير العلائقية","text":"قاعدة البيانات غير العلائقية (الإنجليزية: NoSQL) توفر آلية لتخزين واسترجاع البيانات التي يتم نمذجتها بوسائل أخرى غير العلاقات الجدولية المستخدمة في قواعد البيانات العلائقية. تعود أصول هذه القواعد إلى أواخر الستينيات من القرن الماضي، وابتكار مصطلح \"قاعدة البيانات غير العلائقية\" فقط في بداية القرن الحادي والعشرين، نتيجة لاحتياجات شركات الويب 2.0. تزداد استخدامات قواعد البيانات غير العلائقية في تطبيقات البيانات الكبيرة وتطبيقات الويب في الوقت الحقيقي.\nتَطوَّرَت قواعد البيانات غير العلائقية للتغلب على بعض القصور الموجود في قواعد البيانات العلائقية SQL أثناء عملية التوسع والتعامل مع البيانات الضخمة. حيث أنّ قواعد البيانات غير العلائقية تستخدم مجموعة متنوعة من نماذج البيانات للوصول إلى البيانات وإدارتها. تَحَسَّنَتْ أَنْوَاعُ قواعد البيانات هذه خصيصًا للتطبيقات التي تتطلب حجمًا كبيرًا للبيانات، وزمن وصول منخفض، ونماذج بيانات مرنة، والتي يتم تحقيقها عن طريق تخفيف بعض قيود تناسق البيانات لقواعد البيانات الأخرى.\nحيث ان قواعد البيانات قواعد البيانات غير العلائقية تفضل الإستغناء عن مبدأ الـتناسق الذي يعتمد على جعل البيانات متشابهة تماماً في جميع نسخ قواعد البيانات المنتشرة على خوادم مختلفة، مقابل الحصول على أداء عالي وجعل البيانات متاحة في جميع الأوقات.\n== ظهور قواعد البيانات غير العلائقية ==\nظهر المصطلح لأول مرة في أواخر التسعينات كاسم لقاعدة بيانات علائقية مفتوحة المصدر طوّرها كارلو ستروتزي، كانت تعتمد على ملفات أسكي وتميّزت بعدم استخدام لغة الإستعلامات المهيكلة، بل التعامل مع البيانات عبر إخطاط وجهة الأوامر، إلا أن هذه القاعدة لا تَمُتُّ بصلةٍ لما يُعرف اليوم بقواعد البيانات الغير علائقية. المعنى الحديث للمصطلح بدأ في 11 يونيو 2009، حين نظّم المطوّر (يوهان أوسكارسون) لقاءً تقنيًا في سان فرانسيسكو، جَمع فيه مطوّري قواعد بيانات بديلة مستوحاة من بيغ تيبل وداينامو، واقترح (إريك إيفانز) استخدام قواعد البيانات غير العلائقية كوسم للقاء. رغم أن المصطلح انتشر بسرعة، فإنه لا يحظى بتعريف دقيق أو بجهة رسمية تُحدده، وقد ارتبط في بداياته بقواعد بيانات مفتوحة المصدر، موزّعة، وغير علائقية مثل (كاساندرا)،و(مونغو دي بي)، و(كاوتش دي بي)، و (إتش بيز). وتمتاز قواعد بيانات غير العلائقية بعدم اعت","en_topic":"NoSQL","wiki_pageid":1704456,"wiki_revid":75906221,"source_url":"https://ar.wikipedia.org/?curid=1704456","license":"CC BY-SA 4.0"}
{"slug":"relational-database","lang":"ar","title":"قاعدة بيانات علائقية","text":"نموذج قاعدة البيانات المترابطة هو نموذج تصميمي لقاعدة البيانات يعتمد على المنطق الضمني. ظهر هذا النموذج ضمن ورقة علمية نشرها العالم إدجار كود عام 1970.\n== لمحة تاريخية ==\nفي القرن التاسع عشر، قام عالم الرياضيات الألماني جورج كانتور بتقديم نظريته التي عرفت باسم نظرية المجموعات. عند أختراع الحاسوب، تم توظيف هذه النظرية في أبتكار أشكال للبيانات يمكن تمثلها والتعامل معها من خلال الحواسيب، وقد تحقق هذا الهدف في الصيغة التي طرحها عالم الرياضيات الأمريكي د. ل. شيلدز en:D. L. Childs عام 1969 في ورقة علمية بعنوان «وصف تنظيري لبنى البيانات الفئوية» \"Description of Set-Theoretic Data Structure\"، وقد أعتمد عالم الرياضيات والحاسوب البيرطاني إدجار كود على هذه الورقة في أعداد ورقته العلمية التي اسمها «نموذج مترابط لبيانات بنوك البيانات الكبيرة المشتركة A Relational Model of Data for Large Shared Data Banks» التي قدم فيها لأول مرة نموذج قاعدة البيانات المترابطة.\nيعتبر إدجار كود المبتكر الأصلي لنموذج قاعدة البيانات المترابطة، لكن هذا النموذج خضغ للتطوير على يد عدد من الباحثين، ويعتبر جزء كبير من تطوير نموذج قاعدة البيانات المترابطة عائد إلى أبحاث كريس ديت وهيو داروين en:Hugh Darwen.\nفي كتابهما المنشور عام 1995 والمسمى «البيان الثالث» en:The Third Manifesto بين كريس ديت وهيو داروين كيف يمكن تكييف نموذج قاعدة البيانات المترابطة ليكون متوائماً نموذج للكائنات Object Oriented دون تغيير في المبادئ التي بني عليها.\n== مراجع ==","en_topic":"Relational database","wiki_pageid":162362,"wiki_revid":64290946,"source_url":"https://ar.wikipedia.org/?curid=162362","license":"CC BY-SA 4.0"}
{"slug":"database-transaction","lang":"ar","title":"معاملات قاعدة البيانات","text":"معاملة قاعدة البيانات ترمز إلى وحدة عمل تُنفَّذ داخل قاعدة بيانات (أو نظام مشابه) على قاعدة بيانات، وتُعامَل بطريقة متماسكة وموثوقة بشكل مستقل عن المعاملات الأخرى. تمثل المعاملة عمومًا أي تغيير في قاعدة البيانات. لمعاملات قاعدة البيانات غرضان رئيسيان:\nتوفير وحدات عمل موثوقة تتيح الاستعادة الصحيحة من الأعطال وتحافظ على اتساق قاعدة البيانات حتى في حالات فشل النظام. على سبيل المثال: عندما يتوقف التنفيذ بشكل مبكر وغير متوقع (كليًا أو جزئيًا) وفي هذه الحالة تبقى العديد من العمليات على قاعدة البيانات غير مكتملة، بحالة غير واضحة.\nتوفير العزل بين البرامج التي تصل إلى قاعدة البيانات في وقت واحد. إذا لم يُوفَّر هذا العزل، فقد تكون نتائج البرامج غير صحيحة.\nفي نظام إدارة قاعدة البيانات، تُعد المعاملة وحدة منطقية أو وحدة عمل واحدة، تتكون أحيانًا من عمليات متعددة. تُعرَف أي عملية حسابية منطقية تُنفَّذ بطريقة متسقة داخل قاعدة البيانات بأنها معاملة. أحد الأمثلة هو التحويل من حساب مصرفي إلى آخر: تتطلب المعاملة الكاملة خصم المبلغ المُحوَّل من أحد الحسابين وإضافة المبلغ نفسه إلى الحساب الآخر.\nيجب أن تكون معاملة قاعدة البيانات، بحكم التعريف، ذرية (إما أن تكتمل بالكامل أو لا يكون لها أي تأثير مطلقًا)، متسقة (يجب أن تتوافق مع القيود الموجودة في قاعدة البيانات)، معزولة (يجب ألا تؤثر في المعاملات الأخرى) ودائمة (يجب أن تُكتَب في التخزين الدائم). يشير مختصو قواعد البيانات غالبًا إلى هذه الخصائص لمعاملات قواعد البيانات باستخدام الاختصار أسيد (معلوماتية).\n== مراجع ==","en_topic":"Database transaction","wiki_pageid":10202333,"wiki_revid":73302454,"source_url":"https://ar.wikipedia.org/?curid=10202333","license":"CC BY-SA 4.0"}
{"slug":"database-normalization","lang":"ar","title":"تسوية قاعدة البيانات","text":"تُعد التسوية في مجال تصميم قواعد البيانات العلائقية طريقة منهجية لضمان تناسب هيكل قاعدة البيانات مع الأغراض العامة، وخُلُوِّها من أي صفات غير مرغوب فيها—مثل الإدراج، والتحديث، والحذف الخطأ—التي قد تُؤدي إلى فقدان صحة البيانات. وقدَّم إدجار كود، مخترع النموذج العلائقي، مفهوم التسوية وما يُعرف الآن باسم نموذج التسوية الأول (1NF) في عام 1970. كما عرَّف كود نموذج التسوية الثاني (2NF)، ونموذج التسوية الثالث (3NF) في عام 1971. كود ورايموند بويس، نموذج بويس-كود للتسوية (BCNF) في عام 1974. ذلك بالإضافة إلى تعريف أشكال أخرى من التسوية من قبل باحثين آخرين في سنوات لاحقة. وكان آخرها نموذج التسوية السادس (6NF) الذي قدمه كريس ديت، وهيو داروين، ونيكوس لورينتوس في عام 2002.\nوكثيراً ما يُوصف جدول قاعدة البيانات العلائقية بأنه \"تسوية\" في حالة نموذج التسوية الثالث. وتخلو معظم جداول الـ3NF من الإدراج، والتحديث، والحذف الخاطيء. أي أن جداول الـ3NF ترتبط في معظم الأحيان بالـBCNF، والـ4NF، والـ5NF (ولكنه لا يرتبط بالـ6NF).\nوينبغي على المصمم إنشاء تصميم تم تسويته بالكامل؛ حيث يُمكن إلغاء التسوية لأسباب أدائية. ومع ذلك، تتطلب بعض تخصصات النمذجة، مثل النمذجة ثلاثية الأبعاد في التعامل مع تصميم مستودع البيانات، وتصميمات لم يتم تسويتها. وهي التصميمات التي لا ترتبط بالـ3NF.\n== أهداف تسوية قاعدة البيانات ==\nيهدف نموذج التسوية الأول الذي عرَّفه كود في عام 1970 إلى الاستعلام عن البيانات والتعامل معها باستخدام \"لغة فرعية عالمية للبيانات\" تعتمد على منطق الرتبة الأولى. (وتعتبر لغة الاستعلامات البنيوية إس كيو إل مثال على تلك اللغات البيانية). وتعتبر عملية الاستعلام عن البيانات والتعامل معها في إطار هيكل بيانات غير مستوي عملية معقدة جداً. مثال: التمثيل التالي الذي لا يرتبط بالـ1NF الخاص بعمليات بطاقات الائتمان الخاصة بالعملاء:\nتتكرر مجموعة من المعاملات لكل عميل. ويَشمل التقييم الآلي للاستعلام عن معاملات العملاء مرحلتين:\nتفريغ مجموعة أو أكثر من معاملات العملاء، مما يسمح بفحص المعاملات الفردية في كل مجموعة\nاستخلاص نتيجة استعلام استناداً إلى نتائج المرحلة الأولى\nفعلى سبيل المثال، يجب على النظام تفريغ مجموعة معاملات لكل عميل، ثم جمع مبالغ جميع المعاملات التي تمت قي شهر أكتوبر عام 2003، وذلك لمعرفة المبالغ ا","en_topic":"Database normalization","wiki_pageid":769409,"wiki_revid":69585572,"source_url":"https://ar.wikipedia.org/?curid=769409","license":"CC BY-SA 4.0"}
{"slug":"b-tree","lang":"ar","title":"شجرة بي","text":"وينبغي عدم الخلط مع التسلسل الثنائي الشجري (الإنجليزية: Binary tree)\nشجرة بي (الإنجليزية: B-tree) في علوم الحاسب هي بيانات متسلسلة شجريا ومتوازنه ذاتيًا وهي تساعد على بقاء البيانات مرتبة وتسمح بالبحث ووالوصول المتسلسل والإدراج والحذف في ما يسمى الزمن اللوغاريتي , أشجار بي هي تعميم للبحث الشجري الثنائي فقد العقدة الواحدة يمكن أن يكون لها أكثر من ابنين (Comer 1979, p. 123). وعلى عكس البيانات المتسلسلة شجريا والمتوازنة ذاتيًا، شجرة بي هي الحل الامثل للنظم التي تقراء وتكتب الكميات الكبيرة من البيانات، بي تري هي مثال جيد لبنية البيانات للذاكرة الخارجية وهي مستخدمة بكثرة في قواعد البيانات ونظم الملفات.\n== نظرة عامة ==\n=== متغيرات ===\nمصطلح شجرة بي قد يشير إلى تصميم معين أو أنه قد يشير إلى فئة عامة للتصاميم a General Class of Designes , بمعنى أن شجرة بي تخزن مفاتيحها في Nodes داخلية ولا تحتاج ان تخزن هذه المفاتيح في سجلات في leaves ,\nفي بي + تري\nفي بي * تري\nيمكن تحويل بي - تري إلى نظام شجري متسلسل مرتب ثابت وهذا يسمح بسرعة البحث أو البحث المتسارع عن السجلات بالترتيب المفتاحي أو احصاء عدد السجلات بين أي سجلين ويفيدنا في عدة عمليات أخرى.\n== مراجع ==","en_topic":"B-tree","wiki_pageid":3196975,"wiki_revid":75236088,"source_url":"https://ar.wikipedia.org/?curid=3196975","license":"CC BY-SA 4.0"}
{"slug":"json","lang":"ar","title":"JSON","text":"جسون (الإنجليزية: JSON JavaScript Object Notation)، اختصار ل: ترميز الكائنات باستعمال جافا سكريبت، هي صيغة تبادل بيانات خفيفة الوزن، ذات معيار مفتوح. وتستند إلى نص، يكون تمثيل البيانات بصيغه بسيطه ومصفوفات مترابطه قابله لقراءه الإنسان تسمى كائنات (objects)\nتنسيق جسون محددة أصلا في ار اف سي (RFC 4627 من قبل دوغلاس كروكفورد نوع جسون الرسمي في الإنترنت هو application/json امتداد ملفات جسون هي.json\nتنسيقات جسون غالبا ما تستخدم لنقل وتنظيم تسلسل البيانات عبر شبكات الاتصال\nتطبيقه الرئيسي هو في اياكس (AJAX) برمجة تطبيقات الويب، حيث أنها تخدم كبديل لصيغة لغة الترميز القابلة للامتداد (XML)\nعلى الرغم من أن جسون يعتمد على مجموعة فرعية أو جزء من لغة البرمجة (جافا سكريبت JavaScript) (على وجه التحديد، المقياس والمعيار ECMA-262 الإصدار الثالث - ديسمبر 1999) يستخدم عادة مع تلك اللغة، فهو يعتبر لغة (مستقله في تنسيق البايانات) الاكواد لتوليد وتوزيع وإنتاج بيانات جسون متاحة بسهولة لمجموعة كبيرة ومتنوعة من لغات البرمجة موقع json.org يقدم قائمة شاملة من ارتباطات جسون الموجودة، منظم بواسطه اللغة.\nفي ديسمبر 2005، بدأت (ياهو!) بتقديم بعض خدماتها على شبكة الإنترنت اختياريا في جسون JSON.(جوجل) بدأت بتقديم جسون لتغذيه (جي دي أي تي أي) GData بروتوكول الإنترنت في ديسمبر 2006.\n== أنواع البيانات وبناء الجمل والأمثلة ==\nمن أنواع جسون الأساسية هي:\nالعدد (صحيحا، وحقيقيا، فواصل عشرية)\n.السلسلة (اليونيكود المزدوج مع الرمز المائل </>)\n.منطقية (صحيح أو خاطئ)\n.المصفوفات Array (وهو مرتبة ترتيب تسلسلي للقيم مفصولة بفواصل ومغلقة بأقواس مربعة)\n. الكائنات Object) (مجموعة من القيم المزدوجة (ازواج)، مفصولة بفواصل ومغلقة بأقواس متعرجة)\nلا شئ\nالمثال التالي يوضح تمثيل جسون لكائن (Object) يصف شخصًا ما. الاوبجكت يحتوي على string(حقل من السلسلة)للاسم الأول واسم العائلة، يحتوي على كائن (object) يمثل عنوان الشخص، ويحتوي على قائمة array(مصفوفات) رقم الهاتف.\nويعادل الممكنة لأعلاه في أكس أم ألXML يمكن أن يكون:\nافترض أن النص الوارد أعلاه هو موجود في متغير (contact) من سلسلة (string) جافا سكريبت. منذ جسون JSON هي مجموعة فرعية من كائن التدوين [[الحرفي جافا سكريبت ; ويمكن للمرء ثم إعادة وصف الكائن object جون سميث مع eval()|ال","en_topic":"JSON","wiki_pageid":410028,"wiki_revid":75637042,"source_url":"https://ar.wikipedia.org/?curid=410028","license":"CC BY-SA 4.0"}
{"slug":"graphql","lang":"ar","title":"غراف كيو إل","text":"غراف كيو إل هي لغة استعلام تم تطويرها داخليًا بواسطة فيسبوك في عام 2012 قبل أن يتم نشرها علنًا في عام 2015. وهي توفر بديلاً لرست وأبنية خدمة الويب المخصصة. وتسمح للوكيل بتحديد بنية البيانات المطلوبة، ويتم إرجاع نفس بنية البيانات من السيرفر. وتسمح للوكلاء بإملاء البيانات المطلوبة. مما يحل مشاكل الإفراط في الجلب بالإضافة إلى الجلب الناقص للبيانات.\nمن عملاء غرافل الرئيسين وكيل أبولو وريلاي. تتوفر خوادم غراف كيو إل على عدة لغات، بما في ذلك جافا سكريبت، وبايثون،، وروبي، وجافا، وسي شارب، وسكالا، وغو، وإليكسير، وإرلانج، وبي إتش بي، وكلوجر.\nفي 9 فبراير 2018، تم تعريف غراف كيو إل كلغة برمجة.\n== المراجع ==","en_topic":"GraphQL","wiki_pageid":4259872,"wiki_revid":66291835,"source_url":"https://ar.wikipedia.org/?curid=4259872","license":"CC BY-SA 4.0"}
{"slug":"https","lang":"ar","title":"بروتوكول نقل النصوص الترابطية الآمن","text":"بروتوكول نقل النصوص الترابطية الآمن (اختصارًا HTTPS)، هو مزيج من بروتوكول نقل النص التشعبي مع خدمة تصميم المواقع تلس / بروتوكول لتوفير الاتصالات المعماة وتحديد تأمين شبكة خادم الويب. غالبا ما تستخدم الشبكي وصلات لمعاملات الدفع على الشبكة العالمية للمعاملات ونظم المعلومات الحساسة في الشركات. لا ينبغي الخلط بين الشبكي وبين نقل النص المتشعب الآمن.\n== بداية الفكرة ==\nالفكرة الرئيسية من الشبكي هي إنشاء قناة آمنة عبر شبكة آمنة. وهذا يضمن حماية معقولة من التنصت والهجمات والقراصنة، شريطة استخدام الأجنحة الكافية والشفرات والتحقق من هذه الشهادة هو الخادم وموثوق به.\nيعتمد النقل الشبكي على الثقة الكبرى التي تمنحها الشهادات الآمنة التي تأتي مثبتة مسبقا في برنامج التصفح (وهذا يعادل قائلا «أنا على ثقة السلطة شهادة (مثل فيريساين / مايكروسوفت / الخ.) ليقول لي أن أعطيه الثقة»). وعلى موقع على شبكة الإنترنت يمكن الوثوق بها لذلك الاتصال الشبكي إذا وفقط إذا كانت كافة الإجراءات التالية صحيحا:\nوتأمل المستخدم التي تنفذ البرامج الخاصة بهم بشكل صحيح متصفح الشبكي مع السلطات الشهادة المثبتة مسبقا بشكل صحيح.\nالمستخدم يثق في السلطة ليشهدوا شهادة فقط للمواقع المشروعة دون أسماء مضللة.\nويوفر الموقع شهادة صالحة، وهذا يعني تم التوقيع عليها من قبل سلطة موثوق به. (شهادة غير صالحة يظهر تحذير في معظم برامج التصفح)\nالشهادة بشكل صحيح يعرف الموقع (على سبيل المثال زيارة الموقع;https://example.com على سبيل المثال وتلقي شهادة من أجل «مثال شركة» وليس أي شيء آخر\nاما التدخل القفزات على الإنترنت هي جديرة بالثقة، أو المستخدم يثق البروتوكول التشفير طبقة (تلس أو خدمة تصميم المواقع) هي غير قابلة للكسر من قبل المتصنت\n== لماذا بروتوكول HTTPS ==\nتكمن المشكلة في بروتوكول HTTP، كما في كثير من البروتوكولات المصممة للإنترنت في عدم أخذ الجانب الأمني في الاعتبار، ومن أهم الثغرات الأمنية فيه أن محتويات الصفحات والبيانات المرسلة لها مثل اسم المستخدم وكلمة المرور والبيانات الشخصية التي يتم تعبئتها في النماذج الإلكترونية، يتم إرسالها بطريقة غير مشفرة، وهذا يعني إمكانية التجسس على البيانات المرسلة والمستقبلة من قبل المخترقين بسهولة. المشكلة الثانية هي عدم وجود آلية للتحقق من هوية الموقع الذي يتم التعامل معه، مما يعرض المستخدم لخطر ا","en_topic":"HTTPS","wiki_pageid":1028094,"wiki_revid":75079112,"source_url":"https://ar.wikipedia.org/?curid=1028094","license":"CC BY-SA 4.0"}
{"slug":"transmission-control-protocol","lang":"ar","title":"بروتوكول التحكم بالإرسال","text":"بروتوكول التحكم بالإرسال أو ميفاق التحكّم بالإرسال (الإنجليزية: Transmission Control Protocol TCP) هو أحد البروتوكولات الأساسيّة في حزمة بروتوكولات الإنترنت، موصُوف بالوثيقة (RFC 793)، ويُؤمّن نقلاً موثوقاً خاليًا من الأخطاء لدفق من البايتات بين مُضيفين يتصلان مع بعضهما البعض عبر شبكة تدعم بروتوكول الإنترنت. تعتمد معظم تطبيقات الإنترنت الرئيسية مثل الويب والبريد الإلكتروني ونقل الملفات على بروتوكول التحكّم بالنقل.\n== الوظيفة الشبكية ==\n- يشكل هذا الميفاق وسيطاً بين التطبيقات التي تريد إرسال بيانات على شبكة الإنترنت وبين ميفاق آي بي الذي يتحكم بعمليات العنونة وتوجيه الرسالة إلى الوجهة المراد الإرسال إليها، وذلك حتى نخفف العبء على هذه التطبيقات التي تريد الإرسال باستخدام الميفاق آي بي، لأن الآي بي في الحقيقة يقوم بتقسيم المعلومات المراد إرسالها على الشبكة إلى طرود مما يزيد من مهمات التطبيقات التي تريد الإرسال باستخدامه، لذلك يقوم التي سي بي بهذه العمليات كلها ليجرد التطبيقات العليا من جميع عمليات التحكم بالنقل (سواء الإرسال أو الاستقبال).\n- ولا تقتصر مهمة التي سي بي على عملية تقسيم البيانات على شكل طرود يمكن للآي بي أن يرسلها، في الحقيقة يقوم أيضاً بعمليات تصحيح أخطاء النقل كلها أيضاً، حيث من الممكن أن تضيع الطرود أو أن تصل تالفة إلى المستقبل، وبالتالي يتوجب على التي سي بي في هذه الحالة أن يقوم بإعادة إرسالها من المرسل مرة أخرى، وذلك بأن يقوم التي سي بي الذي يوجد عند المستقبل بطلب إعادة إرسال من المرسل والذي يقوم بفهم هذا الطلب هو التي سي بي الموجود عند المرسل، كما ويقوم التي سي بي بعملية إعادة ترتيب الطرود التي وصلته عند المستقبل ليقوم بإيصال النسخة الكاملة من البيانات المرسلة إلى الطبقة العليا التي تحوي التطبيقات (البرامج) التي ستقوم بمعالجة هذه البيانات وفهمها.\n- يتم استخدام التي سي بي من قبل العديد من تطبيقات الإنترنت المشهورة مثل البريد الإلكتروني (E-Mail) والشبكة العنكبوتية العالمية (World Wide Web) وميفاق نقل الملفات (File Transfer Protocol) وتطبيقات نقل الوسائط (Streaming Media Applications) والعديد من التطبيقات أخرى.\n== ترويسة التي سي بي ==\n-تحوي ترويسة التي سي بي على الحقول التالية:\n1-\tعنوان بوابة الوجهة: وتحوي رقم التطبيق في طبقة التطبيق (Application layer)","en_topic":"Transmission Control Protocol","wiki_pageid":34615,"wiki_revid":74974986,"source_url":"https://ar.wikipedia.org/?curid=34615","license":"CC BY-SA 4.0"}
{"slug":"load-balancing","lang":"ar","title":"موازنة الحمل (حوسبة)","text":"موازنة الحمل (الإنجليزية: Load balancing) هو مصطلح يشير إلى التوزيع الفعال لحركة مرور الشبكة الواردة عبر مجموعة من الخوادم الخلفية، والمعروفة أيضًا باسم مصف الخوادم أو تجمع الخوادم. يعمل موازن التحميل بمثابة «شرطي المرور» الذي يجلس أمام الخوادم الخاصة بك ويقوم بتوجيه طلبات العميل عبر جميع الخوادم القادرة على تلبية هذه الطلبات بطريقة تزيد من السرعة واستغلال السعة وتضمن عدم وجود خادم واحد يعمل فوق طاقته، مما قد يؤدي إلى تدهور الأداء.\nفي حالة تعطل خادم واحد، يقوم موازن التحميل بإعادة توجيه حركة المرور إلى الخوادم عبر الإنترنت المتبقية. عند إضافة خادم جديد إلى مجموعة الخادم، يبدأ موازن التحميل تلقائيًا في إرسال الطلبات إليه.\n== انظر أيضًا ==\nهابروكسي\n== المراجع ==","en_topic":"Load balancing (computing)","wiki_pageid":8777721,"wiki_revid":75451112,"source_url":"https://ar.wikipedia.org/?curid=8777721","license":"CC BY-SA 4.0"}
{"slug":"nginx","lang":"ar","title":"إنجن إكس","text":"إنجن إكس (الإنجليزية: Nginx ويلفظ Engine-X) وهو خادم وب مفتوح المصدر وخادم بروكسي للبروتوكولات بروتوكول نقل النص الفائق، بروتوكول إرسال البريد البسيط، بروتوكول مكتب البريد وبروتوكول الوصول إلى رسائل الإنترنت مع التركيز العالي على التوافقية والأداء وقلة استهلاك الذاكرة. مرخص تحت رخصة BSD ويعمل على منصات يونكس، لينكس، توزيعة برمجيات بيركلي، ماك، سولاريس، آي بي إم إيه آي إكس، إتش بي - يو إكس وويندوز\n== انظر أيضًا ==\nخادوم إتش تي تي بي أباتشي\nشيروكي (خادم ويب)\nلايت باد\n== مراجع ==\n== وصلات خارجية ==\nإنجن إكس على موقع Open Hub (الإنجليزية)\nإنجن إكس على موقع Free Software Directory (الإنجليزية)\nالموقع الرسمي","en_topic":"Nginx","wiki_pageid":1478270,"wiki_revid":74926672,"source_url":"https://ar.wikipedia.org/?curid=1478270","license":"CC BY-SA 4.0"}
{"slug":"cache","lang":"ar","title":"ذاكرة مخبئية","text":"الخابية أو الذاكرة المخبئية (الإنجليزية: Cache) هي مبدأ في المعلوماتية يستعمل مقوما لحفظ البيانات بشكل يسمح بإسترجاعها بشكل أسرع في الطلبات اللاحقة، وقد تكون هذه البيانات نسخا من بيانات أصلية مخزنة في مكان آخر، أو قيم تم حسابها مسبقا، فإذا كانت البيانات المطلوبة موجودة في الذاكرة المخبأة فإنه يمكّن الاستجابة للطلب بقراءة البيانات من الذاكرة المخبأة، والتي تكون القراءة منها أسرع بالمقارنة مع محاولة قراءتها من مخزنها الأصلي أو إعادة حسابها، تاريخياً وحدة المعالجة المركزية كانت دائما أسرع من الذواكر في إدخال وإخراج البيانات. وبالرغم من سير مراحل تطوير الذواكر بشكل موازي مع عملية تطوير المعالجات. إلا أنه كان بينهما دائماً فرق في سرعة الاداء لصالح وحدة المعالجة المركزية. فبعد أن تطلب وحدة المعالجة المركزية المعلومات من الذاكرة الرئيسية تبقى وحدة المعالجة المركزية منتظرة لإستجابة الذاكرة الرئيسية - وفي أفضل الأحوال كانت الذاكرة المخبأة تنتظر من 2 إلى 3 دورات (دورة الناقل) حتى تصلها المعلومات، وكان استخدام ذاكرة سريعة قادرة على الاستجابة بسرعة أقرب لسرعة طلبات وحدة المعالجة المركزية وإستغلالها لتخزين البيانات التي تم طلبها مؤخرا طريقة لتجنب ضياع الوقت في انتظار جلب البيانات من مكان تخزينها.\nبالرغم من إمكانية إنتاج ذواكر سريعة تماشي سرعة طلب وحدة المعالجة المركزية للبيانات، إلا أن عقبة اقتصادية تواجه إنجاز مثل هذا التصميم لا عقبة تقنيّة. إن المتخصصين في هذا المجال يعرفون كيفية بناء ذواكر سريعة بحيث تكون سرعتها متوافقة مع سرعة الذاكرة المخبأة للتخلص من الوقت الضائع في دورة الناقل، لكن المشكلة في التكلفة المرتفعة لهذا النوع من الذواكر وسيكون من المكلف جداً تجهيز حاسوب مع هذا النوع من الذواكر.\nوهكذا، كان هناك خياران أمام مهندسي التصميم، الأول هو استخدام تلك الذواكر السريعة ذات الكلفة العالية، والثاني استخدام ذاكرة رخيصة الثمن وذات سرعة بطيئة. فكان الاختيار بأخذ خاصية السرعة من الجانب الأول وخاصية الكلفة المنخفضة من الجانب الآخر ودمجت هذه الخواص لإنتاج الذواكر السريعة ذات الحجم الصغير (للتقليل من الكلفة) وسميت بالذاكرة المخبأة Cache Memory ‏.\nالذاكرة المؤقتة «كاش Cache» ذاكرة سريعة الأداء تعمل بمثابة أداة وسيطة بين وحدة المعالجة والذاكرة المركزية، وهي تستعمل لتخزين مجموعات معين","en_topic":"Cache (computing)","wiki_pageid":116906,"wiki_revid":75163122,"source_url":"https://ar.wikipedia.org/?curid=116906","license":"CC BY-SA 4.0"}
{"slug":"os-level-virtualization","lang":"ar","title":"محاكاة افتراضية بمستوى نظام التشغيل","text":"الافتراضية بمستوى نظام التشغيل (الإنجليزية: Operating-system-level virtualization) هي طريقة لإنشاء بيئة افتراضية على مستوى نظام التشغيل حيث أن نواة نظام التشغيل تسمح بإنشاء عدة مستخدمين بدلا من واحد مع مساحات منعزلة. مثل هذه الحالات (التي تسمى أحيانا الحاويات، حاويات البرمجيات، أو محركات الافتراضية (VE)، خدمة الشبكة الخاصة الافتراضية (VPS)، أو السجون) حيث يبدو لمستخدمها عند اتصاله بالملقم كأنه مدير الخادم والمشرف عليه.\nعلى أنظمة التشغيل مثل يونكس ، يمكن للمرء أن يعمل على هذه التقنية لتنفيذا عدة مهام قياسية بصفة الجدر . بالإضافة إلى آليات العزل، غالبا ما توفر النواة ميزات كإدارة الموارد للحد من تأثير الأنشطة في الخوادم أو تغلب حاوية على حاويات أخرى.\n== الاستخدامات ==\nتستخدم التقنية عادة في بيئة الاستضافة الظاهرية، حيث أنه من الضروري تخصيص موارد الملقم وتحديدها بشكل آمن بين عدد كبير من المستخدمين .و قد يستخدمها مسؤولي النظام لتعزيز أجهزة الخوادم عن طريق نقل الخدمات في مضيفين منفصل في حاويات على خادم واحد. أو فصل العديد من التطبيقات كل على حدى في حاويات لتحسين الأمان وإستقلالية الأجهزة.\n== تطبيقات ==\n== ملاحظات ==\n== مراجع ==","en_topic":"OS-level virtualization","wiki_pageid":2939106,"wiki_revid":75425152,"source_url":"https://ar.wikipedia.org/?curid=2939106","license":"CC BY-SA 4.0"}
{"slug":"devops","lang":"ar","title":"ديف أوبس","text":"ديف أوبس (الإنجليزية: DevOps) مصطلح شامل ومتعدد الجوانب يتضمن عددا من العلوم والمفاهيم بداخله، ولا يوجد تعريف دقيق له، ولكنه يقوم علي التعاون بين كل من مطوري البرامج وخبراء تقنية المعلومات، لإكمال عملية تطوير البرمجيات ، إذ تتم أتمتة جميع العمليات وجعلها تُدار بشكل رشيق، وذلك لزيادة التشارك والتفاعل بين المطورين والخبراء.\nوتنقسم العديد من أقسام تكنولوجيا المعلومات بين التطوير والعمليات والدعم والإدارة، بينما يسعي نظام \"DevOps\" لدمجها جميعًا معًا لتحسين الإنتاجية وسير العمل العام بشكل أكثر سلاسة، ويتيح هذا النظام للشركات تقديم تحديثات البرامج والأمن على الصعيد الداخلي وللعملاء، والهدف النهائي من ذلك هو طرح المنتجات في السوق وتقديم تحديثات البرامج والأمن بشكل أسرع، وجعل العملية كلها أكثر موثوقية.\nووجد استطلاع للرأي تم إجراؤه على 4600 خبير أن أقسام تقنية المعلومات التي تستخدم نظام \"DevOps\" يتم فيها العمل بشكل أكثر كفاءة 200 مرة من أقسام تقنية المعلومات منخفضة الكفاءة، كما وجد الاستطلاع أن الشركات التي تستخدمه تكون أسرع 24 مرة، وأقل 3 مرات في معدل فشل التغيير.\nكما وجد أن أقسام تقنية المعلومات عالية الكفاءة تقضي وقتًا أقل بنسبة 50% في معالجة القضايا الأمنية، ووقت أقل بنسبة 22% في العمل غير المخطط له وإعادة صياغته، ووفقًا لموقع \"Indeed\" ارتفع عدد الوظائف الخاصة بنظام \" DevOps\" من أقل من 1% عام 2012 إلى أكثر من 30% في الوقت الحاضر.\n== التاريخ ==\nفي عام 2009 ، عقد أول مؤتمر يسمى يوم ديف أوبس (الإنجليزية: DevOps Days) في غنت ، بلجيكا. تأسس المؤتمر من قبل المستشار البلجيكي ومدير المشروع باتريك ديبوا. وقد امتد المؤتمر الآن إلى بلدان أخرى.\nفي عام 2012 ، تم نشر تقرير بعنوان \"State of DevOps\" لأول مرة بواسطة Alanna Brown في Puppet Labs.\nاعتبارا من عام 2014 ، نيكول فورسغرين وجين كيم وجيز هامبل وآخرين نَشرُ تقرير حالة ديف أوبس السنوي. وذكروا أن اعتماد ديف أوبس يتسارع. أيضا في عام 2014 ، كتبت ليزا كريسبين وجانيت جريجوري كتاب اختبار أكثر مرونة.\nفي عام 2016 ، تم نشر مقاييس DORA للإنتاجية (تكرار النشر ، والمهلة الزمنية للتغييرات) ، والاستقرار (متوسط وقت الاسترداد ، معدل فشل التغيير) في تقرير حالة ديف أوبس.\n== مراجع ==","en_topic":"DevOps","wiki_pageid":3365020,"wiki_revid":75151582,"source_url":"https://ar.wikipedia.org/?curid=3365020","license":"CC BY-SA 4.0"}
{"slug":"microsoft-azure","lang":"ar","title":"مايكروسوفت أزور","text":"منصة مايكروسوفت أزور (الإنجليزية: Microsoft Azure)، وكانت تُعرَف باسم ويندوز أزور (Windows Azure)، هي منصة وخدمة حوسبة سحابية أطلقتها شركة مايكروسوفت، وتتيح للمستخدمين إنشاء التطبيقات والخدمات واختبارها، ونشرها وإدارتها من خلال شبكة عالمية من مراكز البيانات التي تديرها مايكروسوفت.\nيقدم مايكروسوفت أزور مجموعة واسعة من الخدمات السحابية، بما في ذلك:\nالبرمجيات كخدمة (بالإنجليزية: Software as a Service)\nمنصة العمل كخدمة (الإنجليزية: Platform as a Service)\nالبنية التحتية كخدمة (بالإنجليزية: Infrastructure as a Service)\nكما يدعم العديد من لغات البرمجة والأدوات وأطر عمل (الإنجليزية: Framework). بما في ذلك تلك الخاصة بمايكروسوفت وأنظمة تشغيل أخرى أيضًا.\nتم الإعلان عن أزور في أكتوبر 2008 وتم إلغاؤه في فبراير 2010 كـ «ويندوز أزور» وتم إعادة تسميته بـ «مايكروسوفت أزور» في مارس 2014.\n== الخدمات ==\n=== خدمات الحوسبة ===\nتتيح الآلات الافتراضية وخدمات البنية التحتية كخدمة للمستخدمين إنشاء وتشغيل بيئات تعتمد على ويندوز أو لينكس، وغالبًا ما تكون مجهزة مسبقًا ببعض البرمجيات الشائعة.\nخدمات التطبيقات، وهي بيئة المنصة كخدمة (PaaS) التي تمكّن المطورين من إنشاء ونشر وإدارة مواقع وتطبيقات الويب بسهولة.\nمواقع الويب: تتيح خدمة \"أزور ويب سايت\" للمطورين بناء مواقع باستخدام إيه إس بي دوت نت أو بي إتش بي أو نود.جي إس أو جافا أو بايثون. يمكن نشر هذه المواقع باستخدام بروتوكول نقل الملفات، أو غيت، أو ميركوريال، أو أزور ديف أوبس سيرفر، أو من خلال بوابة أزور.\nتم الإعلان عن هذه الميزة كإصدار تجريبي في يونيو 2012 خلال \"ملتقى مايكروسوفت أزور\". ويمكن للعملاء اختيار إنشاء مواقع بهذه اللغات أو استخدام تطبيقات مفتوحة المصدر من المعرض. وتمثل هذه الخدمة جزءًا من عرض المنصة كخدمة، وأُعيدت تسميتها إلى \"تطبيقات الويب\" في أبريل 2015.\nوظائف الويب: هي تطبيقات يمكن نشرها ضمن بيئة خدمات التطبيقات لتنفيذ عمليات المعالجة الخلفية، سواء عند الطلب أو وفق جدول زمني أو بشكل مستمر. ويمكن استخدام خدمات بلوب، والجداول، والرتل للتواصل بين تطبيقات الويب، ووظائف الويب، وتطبيقات آي أو إس، مع توفير حالة التطبيق.\nتتيح خدمة كوبيرنيتيس على أزور (AKS) إنشاء مجموعات جاهزة للإنتاج بسرعة. تتولى أزور إدارة طبقة التحكم، بينما يتمتع العملاء ","en_topic":"Microsoft Azure","wiki_pageid":3916982,"wiki_revid":75419518,"source_url":"https://ar.wikipedia.org/?curid=3916982","license":"CC BY-SA 4.0"}
{"slug":"git","lang":"ar","title":"غيت (برنامج)","text":"غيت (الإنجليزية: Git) هو برنامج حاسوب للتحكم فالإصدارات وضبط النسخ (يُطلق على هذه العملية اسم «إدارة النٌُسخ» أيضا) وهو أحد برامج إدارة المراجعة الموزعة تمت برمجته ليكون سريعا في البداية قام لينوس تورفالدز ببرمجته ليستخدمه في تطوير نواة لينكس وليتجاوز عيوب ومشاكل برامج إدارة الإصدارت الأخرى، ثم انضم إليه لاحقا جونيو هامانو.\nغيت برنامج حر ومفتوح المصدر يصدر تحت رخصة رخصة جنو العمومية الإصدار 2.\n== نشأة غيت ==\nتُطور نواة لينكس بفضل مساهمات مطورين من جميع أنحاء العالم. في الفترة التي امتدت ما بين 1991 و2002 كانت المساهمات تضاف على شكل ترقيعات أو ملفات مؤرشفة، لكن مع زيادة حجم النواة وعدد المساهمين فيها، ظهرت الحاجة إلى استخدام نظام لتتبع كل هذه المساهمات وإدارة مختلف النسخ، واستُخدمت نسخة من نظام BitKeeper التجاري لهذا الغرض.\nبعد توتر العلاقة الموجودة ما بين الشركة المطورة لنظام BitKeeper ومجتمع لينكس، قررت الشركة سحب الرخصة التي وضعتها تحت تصرفهم، ما دفع بلينوس تورفالدس ومن معه من المطورين إلى بناء نظام جديد يعوض النظام القديم ويحل المشاكل التي كانت تواجهه، ومن هنا نشأ نظام إدارة النُسخ غيت.\n== مميزات غيت ==\nيمتاز نظام غيت بالخواص التالية:\nالسرعة\nبساطة التصميم\nدعم متقدم لمشاريع التطوير التي تعتمد تطويرا غير خطي (آلاف الفروع المتوازية)\nموزع بشكل كامل.\nقادر على إدارة مشاريع كبيرة مماثلة في حجمها لحجم لنواة لينكس بشكل فعال (من حيث السرعة ومن حيث حجم البيانات).\n== انظر أيضًا ==\nغيت هاب\nغيت لاب\n== مراجع ==\n== وصلات خارجية ==\nالموقع الرسمي","en_topic":"Git","wiki_pageid":1488079,"wiki_revid":75269384,"source_url":"https://ar.wikipedia.org/?curid=1488079","license":"CC BY-SA 4.0"}
{"slug":"linux","lang":"ar","title":"لينكس","text":"لِينُكس (الإنجليزية: Linux) () ويسمى أيضا (جنو/لينكس) هو نواة نظام تشغيل حر ومفتوح المصدر شبيه بيونكس. بسبب تطوره في إطار مشروع جنو، يتمتع لينكس بدرجة عالية من الحرية في تعديل وتشغيل وتوزيع وتطوير أجزائه، ويصنف ضمن عائلة أشباه يونكس إلى جانب أنظمة أخرى بعضها مملوك مثل سولاريس، وبعضها حُر (مفتوح المصدر) مثل أوبن سولاريس وفري بي إس دي.\nلينكس نظام تشغيل حر وهذا لا يعني بالضرورة كونه نظامًا مجانيًا، فلا علاقة للحرية بالسعر. إذ أن الجهة التي تريد توفير البرنامج مسؤولة عن توفير الكود المصدري للبرنامج وفي نفس الوقت حرة في أن تبيع وتحدد سعر النسخة التي قامت ببنائها. أُنْتِجَت العديد من التوزيعات لنظام لينكس إذ قامت العديد من المجموعات بتجميع البرامج المفتوحة المصدر على هيئات مختلفة لتسهيل تركيب النظام وللوصول إلى أهداف مختلفة، يستعمل البعض مصطلح إصدارات أو نكهات للإشارة إلى التوزيعات المختلفة التي تتراوح استخداماتها من الحاسوب الشخصي إلى الخوادم. لكل إصدار أو توزيع أو نكهة مميزات خاصة، ولا يمكن الجزم بأن توزيعة معينة هي أفضل من توزيعة أخرى، فبعض التوزيعات تعتبر أفضل من قبل المتحدثين بلغة معينة، وبعض التوزيعات مفضلة من قبل المستخدمين الجدد، وأخرى مفضلة من قبل المستخدمين الأكثر خبرة في التعامل مع لينكس.\nومن المهم أيضًا فهم أن قلب النظام هو النواة (Kernel) التي تدير العتاد وتوزع الموارد بين البرامج، بينما تأتي التوزيعات كطبقة جاهزة فوق هذا القلب لتقديم تجربة استخدام مكتملة. هذه النواة تتطور باستمرار عبر مساهمات من آلاف المطورين حول العالم، مما يجعل لينكس نظامًا حيًا يتغير ويتحسن بشكل دائم.\nمن أبرز توزيعات لينكس نجد منها دبيان وفيدورا وأوبونتو. والتوزيعات التجارية مثل ريدهات لينكس وسوزه لينكس. تتضمن توزيعات لينكس نظام نوافذ مثل إكس11 ووايلاند، بالإضافة إلى بيئات رسومية مثل جنوم وكدي بلازما، وكل بيئة تقدم أسلوبًا مختلفًا في الشكل والتفاعل، من البساطة الخفيفة إلى الواجهات الغنية بالتأثيرات.\nكما تعتمد التوزيعات على أنظمة إدارة حزم مختلفة لتثبيت البرامج وتحديثها، مثل APT في دبيان وأوبونتو وDNF في فيدورا وAUR في آرتش لينكس، مما يجعل عملية تثبيت التطبيقات أشبه بتحميل قطع جاهزة من مكتبة ضخمة ومنظمة. وقد لا تستعمل التوزيعات الموجهة للخوادم بيئات رسومية البتة، أو تستعمل حزم برمجية مثل ح","en_topic":"Linux","wiki_pageid":1255,"wiki_revid":75904147,"source_url":"https://ar.wikipedia.org/?curid=1255","license":"CC BY-SA 4.0"}
{"slug":"cloud-computing","lang":"ar","title":"حوسبة سحابية","text":"الحوسبة السحابية (الإنجليزية: Cloud computing) هي مصطلح يشير إلى المصادر والأنظمة الحاسوبية المتوافرة تحت الطلب عبر الشبكة والتي تستطيع توفير عدد من الخدمات الحاسوبية المتكاملة دون التقيد بالموارد المحلية بهدف التيسير على المستخدم، وتشمل تلك الموارد مساحة لتخزين البيانات والنسخ الاحتياطي والمزامنة الذاتية، كما تشمل قدرات معالجة برمجية وجدولة للمهام ودفع البريد الإلكتروني والطباعة عن بعد، ويستطيع المستخدم عند اتصاله بالشبكة التحكم في هذه الموارد عن طريق واجهة برمجية سهلة تُـسَـهل وتتجاهل الكثير من التفاصيل والعمليات الداخلية.\n== طريقة العمل ==\nعندما يصل المستخدم إلى سحابةٍ ما لموقعٍ إلكترونيٍ مناسب، من الممكن وقوع العديد من الأمور. فعلى سبيل المثال يمكن استخدام آي بي (IP) لإنشاء مكان وجود ذلك المستخدم (الموقع الجغرافي). حيث يمكن الاستفادة بعد ذلك في خدمات نظام أسماء النطاقات (DNS) لتوجيه المستخدم إلى مجموعةٍ من الخدمات القريبة منه والمرتبطة به، ومن ثم يمكن الولوج إلى الموقع الإلكتروني بسرعة بواسطة استخدام لغته المحلية. وهنا نلاحظ أن المستخدم لا يقوم بالولوج إلى الخادم، إلا أنه يقوم بالولوج بدلاً من ذلك إلى الخدمة التي يقومون باستخدامها من خلال الحصول على معرف الجلسةو/ أو سجل التتبع (cookie) والذي يتم تخزينه في متصفح الويب الخاص بهم.\nفما يشاهده المستخدم على متصفحة غالباً ما يَـرِدُ إليه من مجموعةٍ من خوادم شبكة الإنترنت. وتتسم خوادم شبكة الإنترنت تلك بتشغيل البرامج التي تُـشْرِكَ المستخدم مع الواجهات التفاعلية التي يتم استخدامها لجمع الأوامر أو التعليمات منه (نقرات الفأرة، الكتابة والتحرير، عمليات رفع الملفات، إلخ). حيث يتم تفسير تلك الأوامر بعد ذلك بواسطة خوادم شبكة الإنترنت أو يتم معالجتها بواسطة خوادم (ملقمات) التطبيقات المختلفة. ثم يلي ذلك تخزين المعلومات أو استرجاعها على/من خوادم قواعد البيانات أو حتى خوادم الملفات، حيث يحدث في النهاية أن يحصل المستخدم على صفحةٍ محدَّثَةٍ. ولنا أن نلاحظ أن البيانات عبر الخوادم المختلفة تكون متزامنةً حول العالم أجمع بهدف السماح لكافة المستخدمين في مختلف بقاع العالم بالوصول إليها والولوج إلى المعلومات المتوفرة عبرها.\n== الوصف الفني (الخصائص الفنية) ==\nيمكن مقارنة الحوسبة السحابية مثلا بمصدر للكهرباء أو الغاز، أو أنها نصوص الخدمات ا","en_topic":"Cloud computing","wiki_pageid":409994,"wiki_revid":75970078,"source_url":"https://ar.wikipedia.org/?curid=409994","license":"CC BY-SA 4.0"}
{"slug":"open-source-software","lang":"ar","title":"برمجيات مفتوحة المصدر","text":"البرمجيات المفتوحة المصدر هي البرمجيات التي يمكن الاطلاع والتعديل على شفرتها البرمجية باستخدام ترخيص يَمنحُ فيه المالك حقوق الدراسة، التعديل والتوزيع لأي شخص ولأي غرض كان.\nيمكن تطوير البرامج مفتوحة المصدر بطريقة تعاونية أي أنه بإمكان أي شخص المشاركة والمساهمة في تطويرها، على العكس من البرمجيات الاحتكارية التي لا تتيح الوصول والتعديل على الشيفرة البرمجية إلا للشخص أو الفريق أو المنظمة التي أوجدت هذه الشيفرة.\nيمكن أن يؤدي تطوير البرمجيات مفتوحة المصدر إلى الحصول على منظورات متنوعة أكثر من تلك الناتجة عن شركة واحدة فقط. بيّن تقرير لمجموعة ستانديش الدولية أن اعتماد نماذج البرمجيات مفتوحة المصدر أدى إلى توفير نحو 60 مليار دولار أمريكي (48 مليار يورو) سنويًا على المستهلكين.\n== تاريخها ==\n=== أواخر تسعينيات القرن العشرين: تأسيس مبادرة مفتوحة المصدر ===\nتشارك المبرمجين والمطورين في الأيام المبكرة للحوسبة البرمجيات كي يتعلموا من بعضهم ويطوروا مجال الحوسبة. في نهاية المطاف، انتقل مفهوم المصدر المفتوح إلى الجانب التجاري من تسويق البرمجيات في الفترة بين عامي 1970-1980. لكن مع ذلك تعاون الأكاديميون لتطوير البرمجيات. على سبيل المثال نظام دونالك نوث لتنضيد الحروف تيكس (TeX) في عام 1979 أو ريتشارد ستالمان في عام 1983 من خلال نظام التشغيل جنو (GNU). في عام 1997، نشر إيريك ريموند مقالًا بعنوان الكاتدرائية والبازار، وهو تحليل انعكاسي لمجتمع القراصنة ومبادئ البرمجيات الحرة. لفت المقال الانتباه في بدايات عام 1998، وكان عاملًا مساهمًا في تحفيز شركة نتسكيب للاتصالات لإطلاق طقم الإنترنت المعروف نيتسكيب كوميونيكيتر برمجيات حرة. لذا أصبحت هذه الشيفرة المصدرية أساسًا لمشروع سي منكي، ومتصفح موزيلا فايرفوكس، وبرنامج ثندربرد، ومحرر كمبوزر.\nدفعت تقانة نتسكيب رايموند وآخرين إلى النظر في كيفية الحصول على أفكار البرمجيات الحرة لمؤسسة البرمجيات الحرة والفوائد الملموسة لصناعة البرمجيات التجارية. خلصوا إلى أن النشاط الاجتماعي لمؤسسات البرمجيات الحرة لم يكن جذابًا بالنسبة لشركات مثل نتسكيب، وبحثوا عن طريقة لإعادة تسمية حركة البرمجيات الحرة للتأكيد على قدرة الشركات على المشاركة والتعاون في الشيفرة المصدرية للبرمجيات. كان المصطلح الجديد الذي اختاروه هو «المصدر المفتوح»، الذي اعتُمد بعد فترة قصيرة من قبل ب","en_topic":"Open-source software","wiki_pageid":678250,"wiki_revid":75889955,"source_url":"https://ar.wikipedia.org/?curid=678250","license":"CC BY-SA 4.0"}
{"slug":"software-as-a-service","lang":"ar","title":"البرمجيات خدمة","text":"اَلْبَرْمَجِيَّاتُ خدمةً أو اَلْبَرْمَجِيَّاتُ بوصفها خدمةً (الإنجليزية: Software as a Service أو SaaS) أَوْ سَاسْ، وأحياناً يطلق عليها بَرْمَجِيَّات عِنْدَ اَلطَّلَبِ (الإنجليزية: software on demand) هي البرمجيات التي تُنشر على الإنترنت لتعمل خلف جدارٍ ناريٍّ في شبكة محلية أو حاسوب شخصي. في البرمجيات الخدمية يرخص مقدم الخدمة (الإنجليزية: provider) تطبيقاً للعملاء إما خدمةً عند الطلب باشتراك أو مجاناً (وهو الأكثر انتشاراً) عندما تكون هناك فرصة لمقدم الخدمة للربح من طرق أخرى غير المستخدم كالإعلانات أو بيع قائمة المستخدمين. ويُعدّ هذا النهج في تقديم الخدمة جزءاً من نموذج حوسبة المنفعة حيث تكون كل التقنيات الموجودة في السحاب متاحةٌ خدمةً عبر الإنترنت.\nأصبحت البرمجيات الخدمية نموذجاً شائعاً للعديد من تطبيقات الأعمال، بما فيها برمجيات المحاسبة والبرمجيات التعاونية (الإنجليزية: Collaborative software)، وإدارة علاقات العملاء (CRM)، تخطيط موارد المؤسسات (ERP)، الفواتير (الإنجليزية: invoicing)، إدارة الموارد البشرية (HRM)، إدارة المحتوى (CM) وإدارة قرص الخدمة\n.\n== التاريخ ==\nظهر اختصار مصطلح البرمجيات الخدمية، SaaS، لأول مرة في مقال نشره قسم الأعمال الرقمية في اتحاد صناعة البرمجيات والمعلومات (الإنجليزية: Software & Information Industry - SIIA) في فبراير 2001 بعنوان \"Strategic Backgrounder: Software as a Service\". وكان ذلك المقال واحداً من أكمل المقالات المتعلقة بالبرمجيات الخدمية الموجودة اليوم. ثم طور SIIA المعلومات الأساسية لتحليل الوضع الحالي لسوق البرمجيات الخدمية وآفاقه على المدى القريب، ولإعطاء نظرة لأعضائه الذين قد يتأثرواً بعمق بالتغييرات في أسلوب البرمجيات الخدمية. البرمجيات الخدمية هي أساساً إضافة على نموذج مقدم خدمة التطبيق (الإنجليزية: Application Service Provider).\nلقد كان موقع SiteEasy.com الذي تم إنشاؤه في 1998 لإنشاء مواقع صغيرة للأعمال الصغيرة من أول تطبيقات البرمجيات الخدمية، وكان من تطوير Gary Troutman وDrew Wilkins في شركة WebTransit التي انتهت حالياً وتم بيع SiteEasy لأول عميل له في 1998.\nوتعتبر Loudcloud (التي أصبحت Opsware فيما بعد ثم اشترتها هوليت-باكارد) التي أسسها Marc Andreessen من أول الشركات التي حاولت جعل حوسبة البرمجيات الخدمية تجارية في نموذج","en_topic":"Software as a service","wiki_pageid":984464,"wiki_revid":75740998,"source_url":"https://ar.wikipedia.org/?curid=984464","license":"CC BY-SA 4.0"}
{"slug":"big-data","lang":"ar","title":"بيانات ضخمة","text":"البيانات الضخمة مصطلح يشير إلى مجموعة بيانات تستعصي لضخامتها أو تعقيدها على التخزين أو المعالجة بإحدى الأدوات أو التطبيقات المعتادة لإدارة البيانات. أو ببساطة لتقريب الأفهام، لا يُمكن التعامل معها على حاسوب عادي بمفرده من خلال قاعدة بيانات بسيطة. ومن سمات مجال «البيانات الضخمة» استعمال حواسب عديدة لتقاسم الأعمال المطلوبة.\n== سماتها ==\nحجمها،\nوسرعتها (بمعنى معدل تولدها وتغيرها ووجوب معالجتها مباشرة)،\nوتنوعها (انعدام تناسقها وتعدد أنواعها وأنها غير مرتبة)،\nوأهميتها (القيمة المضافة بفهمها)\nوحقيقتها (دقة أدوات القياس ونحو ذلك؛ هل يمكن الاعتماد عليها؟)\nوثمة غير السمات الخمسة أعلاه، مثلا عرضتها للسرقة لو كانت حساسة.\n== نبذة ==\nتشمل التحديات الالتقاط، والمدة، والتخزين، والبحث، والمشاركة، والنقل، والتحليل والتصور. ويرجع الاتجاه إلي مجموعات البيانات الضخمة بسبب المعلومات الإضافية المشتقة من تحليل مجموعة واحدة كبيرة من البيانات ذات الصلة، بالمقارنة مع المجموعات المنفصلة الأصغر حجماً مع نفس الحجم الإجمالي للبيانات، مما يسمح بوجود ارتباطات تكشف «الاتجاهات التجارية المحورية، وتحديد جودة البحث، وربط الاستشهادات القانونية، ومكافحة الجريمة وتحديد ظروف حركة تدفق البيانات في الوقت الحقيقي».\nاعتباراً من عام 2012، كانت الحدود المفروضة على حجم مجموعات البيانات الملائمة للمعالجة في مدة معقولة من الوقت خاضعة لوحدة قياس البيانات إكسابايت. عادة ما يواجه العلماء عددا من القيود بسبب مجموعات البيانات الضخمة الموجودة في العديد من المجالات، والتي تتضمن الأرصاد الجوية (علم الطقس)، وعلم الجينات (علم الجينوم)، والمحاكاة الفيزيائية. المعقدة والبحوث البيولوجية والبيئية، وتؤثر القيود أيضاً على بحث الإنترنت (محرك بحث)، وتقنية الأعمال التجارية والتمويل. وتنمو مجموعات البيانات في الحجم بشكل جزئي، ويرجع ذلك لأنها يتم جمعها بشكل متزايد عن طريق أجهزة استشعار المعلومات المتنقلة، والتقنيات الحسية الجوية (الاستشعار عن بعد)، وسجلات البرامج، والكاميرات، والميكروفونات، وأجهزة تحديد ذبذبات الإرسال (تحديد الهوية بإستخدام موجات الراديو) وشبكات استشعار اللاسلكية. وتضاعفت القدرة التكنولوجية العالمية لتخزين المعلومات للفرد الواحد تقريباً كل 40 شهر من الثمانينات، واعتباراً من عام 2012، يتم إنشاء 2.5 كوينتيليون\nبايت (2.5","en_topic":"Big data","wiki_pageid":1670748,"wiki_revid":76001129,"source_url":"https://ar.wikipedia.org/?curid=1670748","license":"CC BY-SA 4.0"}
{"slug":"internet-of-things","lang":"ar","title":"إنترنت الأشياء","text":"إنترنت الأشياء (الإنجليزية: Internet of Things - IoT)، مصطلح برز حديثا ، يُقصد به الجيل الجديد من الإنترنت (الشبكة) الذي يتيح التفاهم بين الأجهزة المترابطة مع بعضها عبر بروتوكول الإنترنت، والأجهزة المزودة بأجهزة استشعار، وقدرة معالجة، وبرامج، وتقنيات أخرى تتصل وتتبادل البيانات مع الأجهزة والأنظمة الأخرى عبر الإنترنت أو شبكات الاتصال الأخرى. وتشمل هذه الأجهزة الأدوات والمستشعرات والحساسات وأدوات الذكاء الاصطناعي المختلفة وغيرها. ويتخطى هذا التعريف المفهوم التقليدي وهو تواصل الأشخاص مع الحواسيب والهواتف الذكية عبر شبكة عالمية واحدة ومن خلال بروتوكول الإنترنت التقليدي المعروف. وما يميز إنترنت الأشياء أنها تتيح للإنسان التحرر من المكان، أي أن الشخص يستطيع التحكم في الأدوات من دون الحاجة إلى التواجد في مكان محدّد للتعامل مع جهاز معين. تم اعتبار \"إنترنت الأشياء\" تسمية خاطئة لأن الأجهزة لا تحتاج إلى الاتصال بالإنترنت العام؛ إنها تحتاج فقط إلى الاتصال بشبكة، وأن تكون قابلة للعنونة بشكل فردي.\nتطور المجال بسبب تقارب التقنيات المتعددة، بما في ذلك الحوسبة الموجودة في كل مكان، وأجهزة الاستشعار السلعية، والأنظمة المضمنة القوية بشكل متزايد، بالإضافة إلى التعلم الآلي. تُمكن المجالات القديمة للأنظمة المضمنة، وشبكات الاستشعار اللاسلكية، وأنظمة التحكم، والأتمتة (بما في ذلك التشغيل الآلي للمنزل والمباني)، بشكل مستقل وجماعي، إنترنت الأشياء. في سوق المستهلكين، تُعد تقنية إنترنت الأشياء مرادفة لمنتجات \"المنزل الذكي\"، بما في ذلك الأجهزة والأدوات (تركيبات الإضاءة، وأجهزة تنظيم الحرارة، وأنظمة أمان المنزل، والكاميرات، والأجهزة المنزلية الأخرى) التي تدعم نظامًا بيئيًا واحدًا أو أكثر شائعًا، والتي يُمكن التحكم فيها عبر الأجهزة المرتبطة بهذا النظام البيئي، مثل الهواتف الذكية والسماعات الذكية. يُستخدم إنترنت الأشياء أيضًا في أنظمة الرعاية الصحية.\nهناك عدد من المخاوف بشأن المخاطر في نمو تقنيات ومنتجات إنترنت الأشياء، خاصة في مجالات الخصوصية والأمان، وبالتالي، كانت هناك تحركات من قِبل الصناعة والحكومة لمعالجة هذه المخاوف، بما في ذلك تطوير المعايير الدولية والمحلية، والمبادئ التوجيهية، والأطر التنظيمية. نظرًا لطبيعتها المترابطة، فإن أجهزة إنترنت الأشياء عُرضة لانتهاكات الأمان ومخاوف الخصوصية. في","en_topic":"Internet of things","wiki_pageid":1241362,"wiki_revid":74926414,"source_url":"https://ar.wikipedia.org/?curid=1241362","license":"CC BY-SA 4.0"}
{"slug":"python","lang":"ar","title":"بايثون (لغة برمجة)","text":"بايثون (الإنجليزية: Python) لغةُ برمجة، عالية المستوى، سهلة التعلم، مفتوحة المصدر، وَسُوعة، كائنية البرمجة، مُفسَّرة، متنوعة الاستعمالات؛ فهي منتشرة في مجالات كثيرة: كبناء البرامج المستقلة بالواجهات الرسومية، وكتطبيقات الوِب، وتُستعمَل لغةَ برمجةٍ نصية تُدير كثيرًا من البرمجيات مثل: بلندر. فهي سواءٌ في إنشاء البرامج الميسَّرة للمبتدئين، وفي المشروعات الضخمة. يُنصَح أكثر مبتدئي البرمجة بتعلمها؛ فهي من أسرع وأفضل لغات البرمجة تعلماً.\nطوَّرها جَيْدو فان روسم في معهد الرياضيات والمعلوماتية الهولندي (CWI) بمدينة أمستردام في أواخر ثمانينيَّات القرن العشرين، وكان أول إعلان لها سنةَ 1991 م. كُتبت نواتُها بلغة سي. سمًّاها روسم «بايثون» على لغته؛ إعجابًا منه بفِرقَة مسرحية هزْلية بريطانيَّة معروفة، كانت تسمي نفسها مونتي بايثون.\nوتتميز بايثون بمجتمعها النشيط، وبكثير من المكتبات البرمجية الخاصة لناسٍ من ذلك المجتمع؛ كمكتبة باي جَيْم، التي فيها دوالُّ تُبرمَج بها الألعاب. وكذلك قواعد البيانات، منها: ماي إس كيو إل.\nوفيها أنماط برمجة: التوجيه الكائني، وجانبية التوجيه، والوظيفية. وقد تُستعمل بايثون للبرمجة نصية مثل كثيرٍ من لغات البرمجة الديناميكية. ولبايثون نموذجٌ مُتاح التطوير، قائم على مجتمعها من المبرمجين، تدعمه مؤسسة برمجيات بايثون. التي تحفَظ للغة تعريفها في التنفيذ المرجعي لسي بايثون.\n== أصل التسمية ==\nاشتق اسم بايثون من الفرقة الكوميدية البريطانية مونتي بايثون نتيجة لتأثر فان روسم بمشاهدة عروضها أثناء عمله على تطوير اللغة. تظهر مونتي بايثون من حين لآخر في شيفرة بايثون البرمجية وثقافتها. على سبيل المثال، السبام والبيض هي المتغيرات ما وراء البنية الأكثر شيوعاً في أدب لغة بايثون عوض متغير فو وبار التقليدي. يلاحظ أيضًا أن وثائق بايثون الرسمية تحيل إلى المشاهد القصيرة التي قدمتها فرقة مونتي بايثون.\nتستخدم البادئة باي- (الإنجليزية: Py-) للإشارة إلى أي شيء مُتعلِّق بهذه اللغة. على سبيل المثال، تنفيذات بايثون ومكتباتها مثل باي جايم ربط برمجي لإس دي ال ببايثون، باي كيوت وباي جتك اللذان يربطان كلاً من كيوت وجتك ببايثون.\n== نبذة تاريخية ==\nبدأ التفكير في إنشاء لغة بايثون أواخر الثمانينيات من القرن العشرين من طرف جايدو فان روسم في معهد الرياضيات والمعلوماتية بهولندا كخليفة للغة البرمج","en_topic":"Python (programming language)","wiki_pageid":12669,"wiki_revid":75847426,"source_url":"https://ar.wikipedia.org/?curid=12669","license":"CC BY-SA 4.0"}
{"slug":"rust","lang":"ar","title":"رست (لغة برمجة)","text":"رست (الإنجليزية: Rust) هي من لغة برمجة أنظمة مدعومة من قبل بحوث موزيلا. صُمِمت لكي تكون «آمنة ومتزامنة وعملية»، حيث تدعم مجالات البرمجة الوظيفية والبرمجة الإجرائية. يوجد تشابه بينها وبين لغة الـ ++C ، لكن هذهِ اللغة مصممة من أجل حماية الذاكرة ‏ مع البقاء أو الحفاظ على الأداء.\nرست هي لغة برمجة مفتوحة المصدر. تتم تعديلات في تصميم اللغة من خلال التجارب في كتابة سيرڤو (مُحرك الواجهة في متصفح الويب) وكومبايلر الرست. يلعَب مجتمع مطوري الرست دور كبير في إضافة التطويرات للغة.\nحازت اللغة على المركز الأول في \"أكثر اللغات المحبوبة عند استطلاع المطورين في ستاك أوفرفلو في عام 2016 و2017.\n== برنامج أهلا بالعالم! ==\n== برمجيات تعتمد رست ==\nمنذ تطويرها ونظرا لميزاتها بدأت مجموعة من البرمجيات باعتماد لغة رست، منها:\nمتصفح فايرفوكس.\nسيرفو: هو محرك تصميم تجريبي طورته موزيلا بالتعاون مع سامسونج.\nكوانتوم: مشروع لتحسين محرك التصميم جيكو لمتصفح فايرفوكس، الذي طورته موزيلا.\nنظام التشغيل ريدوكس.\nستراتيس: مدير ملفات النظام لفيدورا ورايل 8.\nإكسا: بديل حديث لـ إل إس.\nأوبن دي إن إس: يستخدم في بعض مكوناته.\nتور: المتصفح المكتوب بلغة سي في الأصل، يختبر التحويل إلى رست لميزاتها الأمنية.\nدينو: بيئة تشغيل آمن لـ جافاسكريبت وتايبسكربت.\nديسكورد: خدمة دردشة تستهدف اللاعبين الذين يستخدمون رست لأجزاء من الواجهة الخلفية، بالإضافة إلى ترميز الفيديو من جانب العميل.\nديم : العملة المعماة التي يسعى فيسبوك إلى طرحها للتداول.\n== مراجع ==\n== وصلات خارجية ==\nالموقع الرسمي\nرست على موقع Free Software Directory (الإنجليزية)","en_topic":"Rust (programming language)","wiki_pageid":3863433,"wiki_revid":76011562,"source_url":"https://ar.wikipedia.org/?curid=3863433","license":"CC BY-SA 4.0"}
{"slug":"javascript","lang":"ar","title":"جافا سكريبت","text":"جافا سكرِبت، واختصارُها المعروف: \"JS\" (الإنجليزية: JavaScript) هي لغةُ برمجة، عالية المستوى، طُوِّرت في الأصل لإضافة التفاعلية الديناميكية إلى صفحات الويب؛ إنشاءً لصَفَحات أكثر تفاعلًا. تطورها الآن لَجنة TC39 التي تديرها منظمة ECMA للمعايير.\nبدأت لغةً للمبرمجين الهواة وغير المحترفين، ولكن التفتَتْ إليها الأنظار، فازداد المحترفون بها اهتمامًا؛ لِمَا أحدثَتْ من جديد التِقْنِيَّات: كانتشار أَجَكْس التي سرَّعتْ التفاعل بين الخادوم والعميل.\nوكذلك في تطوير صَفَحات وِب متفاعلة، وتطبيقات الويب، ومنها الألعاب. وهي في جُلِّ المواقع، تكاد تدعمها المتصفحات جَمْعاء بلا إضافات.\n== التاريخ ==\nفي عام 1993، أصدر المركز الوطني لتطبيقات الحوسبة الفائقة (NCSA)، وهي وحدة تابعة لجامعة إلينوي في إربانا-شامبين، NCSA Mosaic، أول متصفح ويب رسومي شائع، والذي لعب دورًا مهمًا في توسيع نمو الشبكة العالمية الناشئة الويب خارج مكانة NeXTSTEP حيث تشكل الشبكة العنكبونية قبل ثلاث سنوات. في عام 1994، تأسست شركة تدعى Mosaic Communications في ماونتن فيو، كاليفورنيا ووظفت العديد من مؤلفي NCSA Mosaic الأصليين لإنشاء Mosaic Netscape. ومع ذلك، فقد تعمدت عدم مشاركة رمز مع NCSA Mosaic. الاسم الرمزي الداخلي لمتصفح الشركة هو Mozilla، وهو رمز لـ \"Mosaic and Godzilla\". تم إصدار الإصدار الأول من مستعرض الويب، Mosaic Netscape 0.9، في أواخر عام 1994 خلال أربعة أشهر، استحوذت بالفعل على ثلاثة أرباع سوق المتصفح وأصبحت متصفح الويب الرئيسي للتسعينات. لتجنب مشاكل ملكية العلامة التجارية مع NCSA، تمت إعادة تسمية المستعرض لاحقًا في Netscape Navigator في نفس العام، وحصلت الشركة على اسم Netscape Communications. أدركت Netscape Communications أن الويب يحتاج إلى أن يصبح أكثر ديناميكية. يعتقد مارك أندريسن، مؤسس الشركة، أن HTML يحتاج إلى «لغة لاصقة» كان من السهل استخدامها من قبل مصممي الويب والمبرمجين غير المتفرغين لتجميع مكونات مثل الصور والإضافات، حيث يمكن كتابة الكود مباشرة في الويب ترميز الصفحة.\n== العلامة التجارية ==\nالاسم «جافا سكريبت» هو علامة تجارية مملوكة ومسجلة لشركة أوراكل في الولايات المتحدة.\n== أصل التسمية ==\nفي البداية تم تطوير هذه اللغة تحت اسم موكا (Mocha)، وأطلق عليها اسم LiveScript رسمياً أثناء تجريبها في إصدار متص","en_topic":"JavaScript","wiki_pageid":6097,"wiki_revid":75723327,"source_url":"https://ar.wikipedia.org/?curid=6097","license":"CC BY-SA 4.0"}
{"slug":"c","lang":"ar","title":"سي (لغة برمجة)","text":"سي أو سِ (، وباللاتينية C)، وهي لغة برمجة حاسوب متعددة الأغراض أمرية تدعم البرمجة المهيكلة والنطاق المعجمي المتغير والاستدعاء الذاتي، بينما يمنع نظام النوع الساكن العديد من العمليات غير المرغوبة. ومن خلال تصميم لغة السي فقد وفرت تركيبات تعيين دقيقة لتعليمات الآلة النموذجية، وبالتالي فقد صممت للاستخدام الدائم في التطبيقات المبرمجة مسبقا بلغة التجميع، كأنظمة التشغيل، وكذلك العديد من البرامج التطبيقية لأجهزة الحاسوب من الحواسيب العملاقة وحتى الأنظمة المدمجة.\nصممها وطوّرها في أوائل عقد السبعينيات كن تومسون، وبريان كيرنيغان، ودينيس ريتشي. وقد صممت في الأصل لتستعمل في التطوير والعمل على نظام التشغيل يونكس، ثم لقيت انتشاراً واسعاً منذ ذلك الحين وحتى اليوم ويظهر ذلك من خلال شعبيتها لدى أغلب مبرمجي الحاسوب ومن خلال استعمالاتها العديدة والمتنوعة. وتعدّ لغة السي اللغة الأم للعديد من لغات البرمجة الحديثة مثل السي بلس بلس والتي تعدّ توسيعًا وإضافة مكملة للسي، و بايثون التي على الرغم من اختلاف تصميمها وأهدافها، تعتمد تقنيًا على سي في مفسرها الأساسي (CPython). و تشتهر بايثون بقربها من لغة البشر واستعمالاتها المتعددة كالذكاء الاصطناعي، علم البيانات و تطوير التطبيقات.\n== تاريخ ==\nصممت لغة السي في مختبرات بيل ما بين عامي 1972 و 1973، وسميت بالسي لأن جزءاً كبيراً منها اقتبس من لغة بي، وقد تطورت هذه اللغة إلى درجة أصبحت فيها بالقوة الكافية لتحويل نواة يونكس من لغة التجميع (الأسمبلي) إلى السي.\nوفي عام 1978 نشر بريان كيرنيغان ودينيس ريتشي الكتاب المشهور «لغة البرمجة سي» وذلك لتحديد خصائص اللغة، ويعرف هذا الكتاب في الأوساط المختصة ب K&R. إلا أن تقنين اللغة وتبنيها بصفة رسمية من طرف المعهد القومي الأمريكي للقياس والمنظمة الدولية للمعايير حصل في عقد الثمانينات وكنتيجة لذلك ظهرت الطبعة الثانية للكتاب بعنوان The C Programming Language, Second Edition، أو K&R2 وهو المرجع الرئيسي للغة إلى الآن ISBN 0-13-110362-8.\nو بتقنين اللغة تمت إضافة أجزاء وتنقيح أجزاء أخرى لتفادي السلبيات التي ظهرت في السابق ولتهيئة أداة أفضل وأقوى بالنسبة للمبرمج.\nو لولا ظهور لغة السي وتجربتها التي فاقت الثلاثين عاماً لما كان من الممكن ظهور اللغات الحديثة والشيئية مثل السي++ أو على الأقل لما أصبحت كما تعرف عليهِ اليوم.\nس","en_topic":"C (programming language)","wiki_pageid":11848,"wiki_revid":71961897,"source_url":"https://ar.wikipedia.org/?curid=11848","license":"CC BY-SA 4.0"}
{"slug":"c-sharp","lang":"ar","title":"سي شارب","text":"سي# (الإنجليزية: #C) (تلفظ سي شارب/see sharp) هي لغة برمجة متعددة الأنماط تتمتع بكونها سكونية التنميط وأمرية وتعريفية ووظيفية وتعتبر كائنية التوجُّه أو البرمجة الشيئية (بالإنجليزية: (Object-oriented programming - OOP) وعمومية وشيئية المنحى (غرضية التوجه) (باستخدام الفئات) كما تخضع لمبادئ البرمجة التركيبية المنحى.\nقامت مايكروسوفت بتطوير هذه اللغة في إطار عملها على تطوير دوت نِت وتمت الموافقة على تعييرها من منظمة Ecma (المعيار Ecma-334) والمنظمة الدولية للمعايير (المعيار ISO/IEC 23270:2006). إن سي شارب إحدى لغات البرمجة المصممة للعمل على البنية التحتية المشتركة للغات البرمجة (CLI). صُممت لغة سي شارب لتكون لغة بسيطة وحديثة وعامة الأغراض وشيئية المنحى. وقد قاد أندرس هيلسبرغ فريق تطويرها.\nالإصدار الأحدث من اللغة هو C# 13 وطرح في 2024.\n== أهداف التصميم ==\nيدرج المعيار ECMA الأهداف التصميمية التالية للغة #C:\nينبغي أن تكون لغة #C بسيطة وحديثة وعامة الاستخدام وشيئية المنحى.\nينبغي أن توفر اللغة والتحقيق أيضاً دعماً لمبادئ هندسة البرمجيات مثل التحقق القوي من الأنماط (أو التحقق الاستاتيكي) والتحقق من حدود المصفوفات واكتشاف محاولات استخدام المتحولات غير المهيئة وجمع القمامة الأوتوماتيكي. كذلك التأكيد على أهمية متانة وديمومة البرمجيات وإنتاجية المبرمج.\nيجب أن يتيح التصميم إمكانية استخدام اللغة لتطوير مكونات برمجية قابلة للاستخدام في البيئات الموزعة.\nإن محمولية الكود المصدري هدف ذو أهمية عالية، كذلك محمولية المبرمج، خاصة بالنسبة لؤلائك ذوي الخبرة بلغة سي++ ولغة C.\nإن دعم التوطين والعولمة هدف ذو أهمية عالية.\nينبغي أن تكون لغة #C ملائمة لبرمجة تطبيقات خاصة بالنظم المضمنة والأنظمة المضيفة سواءً أكانت تطبيقات ضخمة تستخدم أنظمة تشغيل معقدة أو تطبيقات بسيطة لديها وظيفية محددة.\nعلى الرغم من أنه ينبغي على التطبيقات المكتوبة بلغة #C أن تقتصد في استخدام الذاكرة وقوة المعالجة إلا أن اللغة لا تهدف إلى منافسة مباشرة مع أداء وحجم التطبيقات المكتوبة بلغة C أو لغة التجميع.\n== التسمية ==\nإن الاسم \"C sharp\" مستوحى من الرمز الموسيقي حيث يشير الرمز ♯ إلى أن النوتة المكتوبة مرتفعة أكثر بمقدار نصف درجة موسيقية. تتشابه هذه التسمية مع اسم لغة ++C حيث تشير \"++\" إلى وجوب زيادة المتحول بمقدار 1. يشبه الرمز ","en_topic":"C Sharp (programming language)","wiki_pageid":49177,"wiki_revid":75225828,"source_url":"https://ar.wikipedia.org/?curid=49177","license":"CC BY-SA 4.0"}
{"slug":"ruby","lang":"ar","title":"روبي (لغة برمجة)","text":"روبي (أو ياقوت) (الإنجليزية: Ruby) هي لغة برمجة كائنية متعددة الاستخدام. وتمتاز اللغة بكونها لغة شيئية نقية كما تمتاز باحتوائها على كثير من خواص اللغات الوظيفية.\n== تاريخ ==\nفي 24 من فبراير سنة 1993 بدأ الياباني يوكيهيرو ’ماتز’ ماتسوموتو (الإنجليزية: Yukihiro Matsumoto) مشروعه بتطوير وتصميم لغة الروبي. وقد أخذ بالاعتبار في تصميمه أفضل الخصائص والمميزات الموجود في اللغات الآخرى مثل بيرل، بايثون، ليسب، سی إل ‌یو، أيدا. وحرر أول نسخة للعامة في العام 1995. لم تحصل روبي على الشهرة إلا مؤخرا عندما قام دافيد هاينماير هانسون بتطوير الإطار المشهور لبرمجة الوب روبي على قضبان باستخدام روبي في العام 2005.\n== فلسفة لغة روبي ==\nماتسوموتو قال ان لغة برمجة روبي مصممة للإنتاجية وللمرح. وهو يشدد على أن تصميمه أي نظام يحتاج إلى التركيز على احتياجات الإنسان، بدلا من جهاز الكمبيوتر،\n== مميزات لغة روبي ==\nمفتوحة المصدر\nذات أغراض عامة\nكائنية المنحى\nديناميكية، ومفسرة\nمحمولة\nصيغة نظيفة\nمفتوحة المصدر: كون اللغة مفتوحة المصدر يعنى أنه يوجد عدد غير منتهى من المطورين قائمين على اللغة، وسرعة في معالجة الأخطاء.\nذات أغراض عامة: يعنى إمكانية استخدامها في أنواع مختلفة من البرامج سواء في قواعد البيانات أو واجهات رسومية أو برامج علمية أو الويب...إلخ.\nلغة كائنية المنحى: الميزة هي أنها الأسلوب الأفضل والأمن لتطوير البرمجيات.\nدينامكية: لن تكون مضطرا أن تعلن عن نوع المتغير، بعكس لغات ثانية مثل لغة الجافا.\nمفسرة: بمعنى أنها تستخدم مفسر وليس مترجم، سيتبادر إلى ذهنك ما هو المفسر والمترجم.\nالمترجم: هو برنامج يقوم بتحويل الكود من لغة مثل السى مثلا إلى ملف تنفيذي\nالمفسر: هو برنامج يقوم بتنفيذ الكود سطر بعد سطر وهذا له مميزات وسلبيات:\nفمن المميزات: هي المحمولية على أكثر من نظام تشغيل وأكثر من بنية من العتاد.\nبعكس اللغات المترجمة التي ستحتاج إلى إعادة ترجمة برنامجك كل مرة لكل منصة.\nمن السلبيات: البطء وإمكانية الإطلاع على الكود -وهذه لا تعتبر مشكلة في عالم المصادر الحرة-\nالمحمولية: بمعنى أنها مدعومة على العديد من النظم.\nوكذالك هي لغة بسيطة\n== أمثلة ==\nيمكن تشغيل الأمثلة التالية بحفظها في ملف وتشغيلها عن طريق سطر الأوامر بكتابة الأمر Ruby يتبعه اسم الملف أو عن طريق برنامج روبي التفاعلية\nالمثال الكلاسيكي أهلا بالعال","en_topic":"Ruby (programming language)","wiki_pageid":68078,"wiki_revid":75178061,"source_url":"https://ar.wikipedia.org/?curid=68078","license":"CC BY-SA 4.0"}
{"slug":"swift","lang":"ar","title":"سويفت (لغة برمجة)","text":"سويفت هو مشروع لغة برمجة من إنشاء شركة ابل، لانشاء تطبيقات إلى جانب تطوير أنظمة آي أو إس وماك أو إس لاجهزة ايفون وماك. عرضت لأول مرة في مؤتمر آبل العالمي للمطورين 2014. تم تصميم سويفت للعمل مع أبل كاكاو وكوكوا اللمس الأطر ومجموعة كبيرة من الموجودة سي-الكائنية متاحة كتابة لمنتجات أبل. والمقصود أن تكون سويفت أكثر مرونة بالنسبة للرمز الخاطئ أي («أكثر أمانا») من سي-الكائنية، وأيضا أكثر إيجازا (نفس الفكرة يمكن التعبير عنها بأقل كمية من التعليمات البرمجية). يتم بناؤها مع مترجم إل إل في إم المدرج في إكس كود (6)، ويستخدم وقت التشغيل سي-الكائنية، مما يسمح ل سى وسي-الكائنية، سى ++ ورمز سويفت لتعمل ضمن برنامج واحد.\nسويفت (الإنجليزية: Swift) هي لغة برمجة لأنظمة التشغيل آي أو إس وأو إس إكس صممتها شركة أبل وعرضتها في مؤتمر آبل العالمي للمطورين 2014.\nاللغة تمكن المطورين بالبرمجة بشكل أسرع وبأقل نسبة أخطاء. وتشتغل اللغة بالتوافق تماما مع بيئتي Cocao وCocao Touch حيث تبنى عليهما بشكل أساسي جميع تطبيقات آجهزة آي أو إس وبرامج نظام ماك. وتطمح الشركة من خلال هذه اللغة الجديدة باستبدال لغة سي-الكائنية التي تعتبر لغة البرمجة الرسمية في الوقت الحالي لتطوير تطبيقات لمنتجات آبل.\n== التاريخ ==\nبدأ تطوير سويفت في يوليو 2010 على يد كريس لاتنر، بالتعاون في نهاية المطاف مع العديد من المبرمجين الآخرين في شركة Apple. كان الدافع وراء سويفت هو الحاجة إلى استبدال لغة البرمجة السابقة لشركة Apple Objective-C، والتي لم تتغير إلى حد كبير منذ أوائل الثمانينيات وتفتقر إلى ميزات اللغة الحديثة. أخذ سويفت أفكارًا لغوية \"من Objective-C، وRust، وHaskell، وRuby، وPython، وC#، وCLU، والعديد من اللغات الأخرى التي لا يمكن إدراجها\". في 2 يونيو 2014، أصبح تطبيق مؤتمر Apple للمطورين العالمي (WWDC) أول تطبيق تم إصداره للعامة مكتوبًا باستخدام سويفت. تم إصدار نسخة تجريبية من لغة البرمجة لمطوري Apple المسجلين في المؤتمر، لكن الشركة لم تعد بأن الإصدار النهائي من Swift سيكون كود مصدر متوافقًا مع الإصدار التجريبي. خططت شركة أبل لإتاحة محولات التعليمات البرمجية المصدر إذا لزم الأمر للإصدار الكامل.\nتم أيضًا إصدار لغة البرمجة سويفت وهي دليل مجاني مكون من 500 صفحة، في WWDC، وهي متاحة على متجر Apple Books Store والموقع الرسمي.\nوصل","en_topic":"Swift (programming language)","wiki_pageid":2121998,"wiki_revid":75225632,"source_url":"https://ar.wikipedia.org/?curid=2121998","license":"CC BY-SA 4.0"}
{"slug":"scala","lang":"ar","title":"سكالا (لغة برمجة)","text":"سكالا (الإنجليزية: Scala) هي لغة برمجة متعددة الأنماط تجمع بين البرمجة الكائنية والبرمجة الوظيفية، بدأ تصميمها عام 2001 على يد عالم الحاسوب الألماني مارتن أودرسكي، وصدر أول إصدار منها عام 2003.\nتُعد سكالا لغةً مفتوحة المصدر، وتعمل على منصة جافا، كما دعمت في السابق التشغيل على منصة دوت نت عبر مشروع الإنجليزية: Scala.NET.\n== خصائص اللغة ==\nلغة تجمع بين البرمجة الكائنية والبرمجة الوظيفية.\nتعتبر من لغات البرمجة عالية المستوى.\nتأثرت هذه اللغة بكثير من اللغات مثل جافا، وإرلانج.\nتعمل باستخدام آلة جافا الافتراضية؛ مما يعني أنه بالإمكان تشغيل التطبيقات على أكثر من نظام تشغيل.\n== أمثلة ==\n=== برنامج أهلًا بالعالم ===\n== المراجع ==\n== وصلات خارجية ==\nالموقع الرسمي\nسكالا على موقع Open Hub (الإنجليزية)","en_topic":"Scala (programming language)","wiki_pageid":1944712,"wiki_revid":75759599,"source_url":"https://ar.wikipedia.org/?curid=1944712","license":"CC BY-SA 4.0"}
{"slug":"r","lang":"ar","title":"آر (لغة برمجة)","text":"لغة البرمجة آر هي بيئة برمجية إحصائية للتنهيج والرسم، اخترعها روس ايهاكا وروبيرت جنتلمان وسميت بلغة R تيمناً بإسميهما؛ لغة آر هي بيئة عمل برمجية للإحصاء الحاسوبي تسمح بإجراء التطبيقات الإحصائية من جهة وبناء البرامج الإحصائية من جهة أخرى. هي مفتوحة المصدر، وهناك نسخة مجانية لها من لغة البرمجة الإحصائية (+Splus(S والتي تعتمد على اللغة آس (S). يمكن إدخال المعطيات إلى لغة R يمكن أن تكون أشعة أو مصفوفات أو سلاسل زمنية وقد تكون توابع أو رسوم بيانية.إن ّ لغة R هي لغة تابعية يعني كل أمر من أوامرها هو تابع يقبل العديد من الوسطاء ومن مزاياها أنها تمتلك واجهة لغة HTML مما يساعد على تنفيذ الأوامر البرمجية بسهولة.\n== التاريخ ==\nلغة آر هي تطبيق للغة برمجة أس (S Programming) مدمجةً مع دلالات الفحص المفرداتي المستلهمة من لغة برمجة أخرى تدعى سكيم (Scheme). وأس كانت قد أُنشئت من قبل جون جامبيرس (John Chambers) في مختبرات بل. هناك بعض الاختلافات عن لغة أس لكن معظم الشفرة البرمجية لم تتغير.\nأُنشئت لغة آر من قبل روس ايهاكا وروبيرت جينتلمان في جامعة أوكلاند في نيوزيلندا، ويتم تطوير اللغة حالياً من قبل فريق تطوير آر المركزي والذي يضم جون جامبرس من ضمن أعضاءه. لغة آر سُميت بشكل جزئي من أسماء اثنين من منشئيها وكنوع من المقاربة مع تسمية أس. ظهر التصور الأولي للمشروع في عام 1992 مع نسخة أولية صدرت في عام 1995 وأول نسخة بيتا مستقرة في سنة 2000.\n== أنواع البيانات ==\nتضم لغة آر عدداً من أنواع البيانات والتي يُمكن تمييزها من خلال أمر كلاس (class) الذي يعطي نوع البيانات وتشمل الأنواع: المنطقية (Logical) وتشتمل على متغيري الصح والخطأ (true, false) المألوفة في سائر لغات البرمجة؛ الرقمية (Numeric) ويُمكن أن تستوعب أي رقم مهما بلغت سعته وبوجود أي عدد من المراتب العشرية؛ الأعداد الصحيحة (integer) وتشمل أي عدد صحيح؛ المركبة (complex) وتشمل الأعداد الحقيقية؛ الرموز (character) وتشمل الرموز كافة وتخزن الرموز على هيئتها دون اعتبار حقيقة محتواها كالأرقام وعلامات الجمع والطرح كما في لغات البرمجة الأخرى؛ الخام (row) وتقوم بخزن الرموز بالارقام من نظام العد الستة عشري. المثال أدناه يبين استخدام دالة كلاس للحصول على نوع المتغير:\nv <- TRUE\nprint(class(v))\nوينتج من هذا الأمر:\n[1] \"logical\"\n== مواضيع ذات علاقة ==\nل","en_topic":"R (programming language)","wiki_pageid":80559,"wiki_revid":69160948,"source_url":"https://ar.wikipedia.org/?curid=80559","license":"CC BY-SA 4.0"}
{"slug":"assembly-language","lang":"ar","title":"لغة التجميع","text":"لغة التجميع أو لغة المُجمع (الإنجليزية: Assembly Languages) والتي يمكن اختصارها إلى (asm)، هي أي لغة برمجة منخفضة المستوى (Low Level) يوجد بها تطابق قوي جدًا بين التعليمات المستخدمة في اللغة وتعليمات لغة الآلة الخاصة بمعمارية الحاسوب. نظرًا لأن التجميع يعتمد على تعليمات لغة الآلة، فقد صُمِّمَت كل لغة تجميع لمعمارية كمبيوتر محددة واحدة بالضبط. قد تسمى لغة التجميع أيضًا رمز الآلة الرمزي.\nتُحَوَّل لغة التجميع إلى لغة آلة قابلة للتنفيذ بواسطة البرنامج المساعد المشار إليه باسم المُجمع (Assembler)، يشار إلى عملية التحويل باسم التجميع، كما هو الحال في تجميع الشيفرة المصدرية (source code)، وعادةً ما تحتوي لغة التجميع على جملة واحدة لكل تعليمه للآلة (1:1)، ولكن التعليقات والجمل هي توجيهات للمُجمِّع، ماكرو، وغالبًا ما يتم أيضًا دعم التسميات الرمزية لمواقع البرامج والذاكرة.\nيُنسب مصطلح المُجمع (الإنجليزية: assembler) بشكل عام إلى موريس ويلكس وديفيد ويلر وستانلي جيل في كتابهم الصادر عام 1951 بعنوان «إعداد البرامج لجهاز كمبيوتر رقمي إلكتروني» (الإنجليزية: The preparation of programs for an electronic digital computer)، والذي قام باستخدام المصطلح ليعني «برنامج يجمع برنامجًا آخر يتكون من عدة أقسام في برنامج واحد».\nتكون لغة التجميع خاصة بمعمارية حاسوب معينة وأحيانًا بنظام تشغيل معين. ومع ذلك، لا توفر بعض لغات التجميع نحواً محددًا لمخاطبة نظام التشغيل، ويمكن استخدام معظم لغات التجميع عالميًا مع أي نظام تشغيل، حيث توفر اللغة الوصول إلى جميع الإمكانات الحقيقية للمعالج، والتي تعتمد عليها جميع آليات طلبات النظام في النهاية، على عكس لغات التجميع، تكون معظم لغات البرمجة عالية المستوى محمولة بشكل عام عبر بنيات متعددة ولكنها تتطلب تفسير أو تحويل، وتسمى الخطوة الحسابية عندما يقوم المُجمّع بمعالجة برنامج بوقت التجميع.\n== تركيب لغة التجميع ==\nتستخدم لغة التجميع أسلوب ذاكري (مُعتمد على الذاكرة بشكل كبير) لتمثيل كل من التعليمات أو كود التشغيل المنخفض المستوى للآلة، وأيضًا كل سجل معماري وحقل البت [Bit field] وما إلى ذلك، تتطلب العديد من العمليات معاملًا واحدًا أو أكثر من أجل تكوين تعليمات كاملة، تسمح معظم المُجمعات بالثوابت والسجلات والتسميات (Labels) المُسماة لمواقع البرامج والذاكرة، ويمكنها حسا","en_topic":"Assembly language","wiki_pageid":381872,"wiki_revid":75368788,"source_url":"https://ar.wikipedia.org/?curid=381872","license":"CC BY-SA 4.0"}
{"slug":"css","lang":"ar","title":"أوراق الأنماط المتتالية","text":"صفحات التنسيق النمطية (الإنجليزية: Cascading Style Sheets) اختصارًا: سي إس إس (الإنجليزية: CSS)؛ هي لغة تنسيق لصفحات الويب تهتم بشكل وتصميم المواقع، صممت خصيصا لفصل التنسيق (الألوان - الخطوط - الأزرار....) عن محتوى المستند المكتوب (بلغة مثلا لغة توصيف النص الفائق (الإنجليزية: HTML)) وينطبق ذلك على الألوان والخطوط والصور والخلفيات التي تستخدم في الصفحات، بمرونة وسهولة تامة.\nهذه التقنية تعنى بالمظهر الكلي لصفحات مواقع الويب من ألوان وصور وغيره. ويمكن إضافته للصفحة بعدة طرق أفضلها التضمين الخارجي بكتابة شفرة السي إس إس في ملف منفصل.\nوقد تم تطويرها لتصل حاليا إلى سي إس إس 3 والذي أضيف إليه عدة إضافات لم تكن متاحة في الإصدار السابق وكان إنجازها يتم فقط بـجي كويري.\nأطلقها مجلس وب رابطة الشبكة العالمية، كمواصفة قياسية لتوصيف مظهر وثائق وب من محددات للخطوط والألوان والتنسيق.\n== مميزات تقنية سي إس إس ==\nتهدف تقنية سي إس إس إلى فصل محتوى الصفحات عن مظهرها بحيث يعطي عدة مكاسب:\nجعل الصفحة أبسط وتفيد فقط ما عملت من أجله بحيث تشمل المحتوى، أما الشكل فيكون في ملف الأنماط السي إس إس.\nجعل الصفحة قابلة للتعامل مع عدة متصفحات أو شاشات عرض مختلفة ويمكن معالجة كل جهاز (حاسوب أو حتى هاتف نقال) أو متصفح على حدة وبالتالي قابلية استخدام أكبر.\nيمكن وضع عدة مظاهر كل مظهر يلبي حاجة كل قارئ فمثلا يمكن ضمان قابلية الاستخدام لذوي الاحتياجات الخاصة أو وضع عدة ألوان لتلبية أذواق شتى.\nيمكن لملف الأنماط أن يتم تضمينه في عدة صفحات وبالتالي عند تغيير شكل العرض فإنك تحتاج لتعديل ملف واحد فقط وهذا يعني وقت أقل وتعديل أكبر وأشمل.\n== بنية شيفرات سي إس إس ==\nتتألف هذه الشيفرة من مجموعة من القواعد (الإنجليزية: rules)، والتي تتألف بدورها من مُحدِّد (الإنجليزية: selector) ثم قائمة بالخاصيات والقيم المُسنَدة إليها. فمثلًا لو أردنا تحديد جميع الفقرات (العنصر <p>) في مستند HTML وتحويل لونها إلى الأحمر (عبر الخاصية color) فسنكتب الشيفرة الآتية:\nشفرة السي إس إس هي مجموعة من التعريفات لكل عنصر، وبالتالي يمكن أن يكون لدينا 100 تعريف لـ 100 عنصر وهكذا\nكل تعريف يبدأ باسم أو بتعريف العنصر (كـ id أو class العنصر)\nفمثلا لنأخذ العنصر div\nالذي يكتب بإتش تي إم إل كـ :\nسنقوم بإعطاء هذا العنصر لونا أزرق، كما نرى بالأعلى أن عنص","en_topic":"CSS","wiki_pageid":7635,"wiki_revid":75962258,"source_url":"https://ar.wikipedia.org/?curid=7635","license":"CC BY-SA 4.0"}
{"slug":"react","lang":"ar","title":"رياكت","text":"رياكت (الإنجليزية: React)، هو مكتبة برمجية مبنية بلغة جافا سكربت، مفتوحة المصدر مُتخصصة بواجهات المستخدم، طورتها شركة ميتا المعروفة سابقًا بفيسبوك، رياكت تُقدم طريقة سلسة وقوية لبناء الواجهات المستخدم، تسمح للمطورين بتصميم وتطوير مُكوِّنات واجهة مستخدم تفاعلية (الإنجليزية: Interactive UI components) ومن ثم إعادة استخدام المكون ذاته عدة مرات في أماكن متعددة.\nتهدف رياكت إلى تسهيل دمج المنطق البرمجي مع واجهة المستخدم مباشرةً من أجل تسهيل التعامل مع كل مُكون على حدى.\n== نظرة عامة ==\nتُستخدم مكتبة رياكت في الغالب كأساس في تصميم واجهات المستخدم على الويب، كما تُستخدم رياكت أيضًا في تطوير تطبيقات الهواتف الذكية من خلال ريأكت نيتف (الإنجليزية: React Native)، وبشكل عام تُركز مكتبة رياكت بشكل رئيسي على بناء المكونات ومفهوم إدارة الحالة (الإنجليزية: State Management) والتعامل مع الحالة ومع التغيرات التي تطرأ عليها ومن ثم تصيير المكون إلى واجهة المستخدم (الإنجليزية: Render Component)، وإعادة تصيير المكون عند تغير الحالة (الإنجليزية: Re-render) وتوجد ايضا مكتبة ريدوكس لادارة الحالة بطريقة منظمة في رياكت.\n=== رياكت في الويب ===\nيُشاع استخدام مكتبة رياكت في بناء واجهات المواقع حيث كان الهدف الرئيسي من مكتبة رياكت هو التعامل مع واجهات المستخدم في مواقع الويب، تستخدم رياكت في برمجة واجهات المواقع خصوصًا تلك التي تتبع مفهوم الصفحة الواحدة (الإنجليزية: Single Page Application).\nوتقوم رياكت بشكل أساسي بتصيير كامل مكونات الصفحة في جهة العميل على المتصفح.\nيمكن استخدام رياكت أيضًا في تصيير المكونات وتوليدها عن طريق خادم الويب من أجل تسريع عملية تحميل وعرض الصفحة على المتصفح يتم ذلك غالبًا باستعمال أدوات ومكتبات مُساعدة مثل نكست جي أس أو بحلول يدوية.\nعند العمل على مشروع ويب مُتكامل غالبًا ما يتم استخدام مكتبات أُخرى بجانب رياكت أو كتابة كود مخصص، من أجل إتمام الوظائف الإضافية مثل إضافة تنقلات بين الصفحات \"Routing\"، وجلب البيانات \"Data Fetching\" أو باقي الوظائف الأخرى الضرورية في تطبيق الويب التي لا تعتمد بشكل كامل على واجهة المستخدم، حيث أن رياكت لا توفر هذه الخيارات بشكل افتراضي، يعمل المجتمع على توفير العديد من المكتبات والإضافات لتعمل مع رياكت دون الحاجة لإجاد حلول يدوية بكتابة كود مخصص","en_topic":"React (software)","wiki_pageid":4531873,"wiki_revid":75958217,"source_url":"https://ar.wikipedia.org/?curid=4531873","license":"CC BY-SA 4.0"}
{"slug":"interpreter","lang":"ar","title":"مفسر (حوسبة)","text":"المُفَسِّر أو المُترجم الفوري (الإنجليزية Interpreter) هو برنامج حاسوبي يقوم بتشغيل النصوص البرمجية المكتوبة بلغة مفسرة. حيث يقوم المفسر بتنفيذها سطرا سطرا مباشرة، وهذا بعكس المصرّف والذي يقوم بتحويل البرنامج مرة واحدة من لغة إلى أخرى (لغة الآلة غالبا) حيث يكون ناتجه ملف يمكن تشغيله لاحقا. بعض اللغات وخاصة اللغات الوظيفية من الصعب جدا عمل مصرف لها بينما هي عادة تعمل بسهولة عن طريق مفسر. من اللغات التي يتم تشغيل برامجها عن طريق مفسر لغة البيسك، وروبي، وبيثون وبي إتش بي. يستخدم المفسر عمومًا واحدة من الاستراتيجيات التالية لتنفيذ البرنامج:\nتجزئة الشيفرة المصدرية وتنفيذها مباشرةً؛\nترجمة الشيفرة المصدرية إلى لغة وسيطة فعالة وتنفيذها فورًا؛\nالتنفيذ الصريح لشيفرة مخزنة مسبقًا أنشأها مترجمٌ يُعدّ جزءًا من نظام المفسر.\nتُعد الإصدارات الأولى من لغة البرمجة ليسب ولغة دارتموث بيسيك أمثلة على النوع الأول. وتُعد لغات بيرل، وبايثون، وماتلاب، وروبي أمثلة على النوع الثاني، في حين تُعد لغة يو سي إس دي باسكال مثالًا على النوع الثالث. تُترجم البرامج المصدرية قبل وقت محدد وتُخزن على شكل شيفرة مستقلة عن الآلة، ثم تُربط في وقت التنفيذ وينفّذها مفسرٌ و/أو مترجم (لأنظمة الترجمة في الوقت المناسب). إن بعض الأنظمة، مثل سمول توك والإصدارات المعاصرة من لغات بيسيك وجافا، قد تجمع اثنين أو ثلاثة. بُنيت المفسرات من أنواع مختلفة من أجل العديد من لغات البرمجة المقترنة بالترجمة، كلغة ألغول، وفورتران، وكوبول، وَسي، وَسي بلس بلس.\nفي حين يُعد التفسير والترجمة أداتين رئيسيتين تُنفذ من خلالهما لغات البرمجة، فإنهما ليستا متعارضتين، إذ إن معظم أنظمة التفسير تنجز أيضًا بعض أعمال الترجمة، كالمترجمات تمامًا. يشير المصطلحان «لغة مفسرة» أو «لغة مترجمة» إلى أن التنفيذ المعياري لتلك اللغة هو مفسر أو مترجم، على التتالي. اللغة عالية المستوى هي في الحالة المثالية تجريد مستقل عن تنفيذات معينة.\n== تاريخه ==\nاستُخدمت المفسرات منذ عام 1952 لتسهيل البرمجة مع وجود قيود على الحواسيب في ذلك الوقت (مثل نقص مساحة تخزين البرامج، أو عدم وجود دعم في الأصل للأعداد الحقيقية (ذات الفاصلة العائمة)). كانت المفسرات تُستخدم أيضًا للترجمة بين لغات الآلة المنخفضة المستوى، وتسمح بكتابة الكود لآلات كانت ما تزال قيد البناء، وتخضع للاختبار على ","en_topic":"Interpreter (computing)","wiki_pageid":83167,"wiki_revid":73531288,"source_url":"https://ar.wikipedia.org/?curid=83167","license":"CC BY-SA 4.0"}
{"slug":"unit-testing","lang":"ar","title":"اختبار الوحدة","text":"اختبار الوحدة هو أحد عمليات اختبار البرمجيات يتم من خلاله إنشاء اختبارات لأجزاء فردية من مصدر البرنامج بالإضافة لأي تعليمات أو بيانات يحتاجها هذا الجزء من المصدر. يعتبر اختبار الوحدة اختبار لأصغر جزء (أو وحدة) يمكن اختبارها في المصدر. عادة ما يقوم بإنشاء اختبارات الوحدة المطور ذاته الذي يقوم بتطوير البرنامج، وفي بعض الاحيان يقوم المطور بإنشاء اختبار الوحدة قبل أن يقوم بإنشاء مصدر البرنامج نفسه في ما يعرف بالتطوير الموجه بالاختبارات.\n== مراجع ==","en_topic":"Unit testing","wiki_pageid":2404158,"wiki_revid":75807369,"source_url":"https://ar.wikipedia.org/?curid=2404158","license":"CC BY-SA 4.0"}
{"slug":"scrum","lang":"ar","title":"سكرم (تطوير البرمجيات)","text":"سْكْرَمْ (الإنجليزية: Scrum) هو أحد إطارات العمل وفقاً لمقاييس منهجية تطوير البرمجيات أجايل لإدارة تطوير المنتجات. يتميز بأنه ذو نمط تكراري وتزايدي (اضطرادي). إستراتيجية تطوير المنتجات هذه تمتاز بكونها طريقه مرنة وشمولية (الإنجليزية: holistic), حيث يعمل فريق المطورين جميعاً كوحدة واحدة من أجل تحقيق هدف محدد مسبقاً. هذه الطريقة تختلف اختلافاً كلياً عن الطريقة التقليدية التي تعتمد على التسلسل في عملية تطوير أي منتج معين بل وتتحداها.\nمن أهم ميزات هذه الطريقة أنها تعطي إمكانيات كبيرة للفريق لإدارة نفسه بنفسه، وتشجع على تواجد الفريق بشكل جماعي في نفس المكان أو عن طريق التواصل الحثيث عن طريق الاتصال عن بعد (الأنترنت، الهاتف). فهناك تركيز واضح على التواصل بين أعضاء الفريق الواحد من خلال اللقاءات اليومية وجها لوجه ومن خلال المحافظة على الانضباط في جميع جوانب المشروع.\nطريقة السْكْرَمْ تم تطويرها من رحم تطوير تقنيات البرمجيات لكنها منفصلة تماماً عنها. يتم حالياً استعمال هذه الطريقة في مجالات عديدة.\nوهناك مبدأ أساسي لإستراتيجية سْكْرَمْ هو اعترافها أنه خلال مشروع فإن العملاء يستطيعون تغيير رغباتهم ومتطلباتهم (غالباً ما تسمى «متطلبات ملحة»)، وأن التحديات غير المتوقعة لا يمكن معالجتها بسهولة بطريقة تنبؤية أو تخطيطية تقليدية.\nعلى هذا النحو، فإن سْكْرَمْ تتبنى مبدأ التجريبية وقبول أن المشكلة لا يمكن أن تفهم بشكل كامل أو تحدد تماماً، مع التركيز بدلاً من ذلك على تكثيف قدرة الفريق على تسليم مراحل تطور المنتج بسرعة والاستجابة للمتطلبات الناشئة.\nنشأت التسمية سْكْرَمْ من لعبة كرة قدم الرغبي، حيث أن سْكْرَمْ هو الطريقة التشكيل التي يبدأ بها لعب الفريقين بعد حدوث توقف نتيجة مخالفة بسيطة، وتكون كالآتي:\nيصطف اللاعبون الأماميون من الفريق مع تشابك أذرعهم منكبين ورؤوسهم إلى الأسفل، في مقابل مجموعة مماثلة من الفريق الآخر مكونين تكتل زحامي يدفع كل منهما الآخر. ثم يتم طرح الكرة في الزحام حيث يحاول كل من الفريقين كسبها الي جانبه بواسطة الركل ذهابا وايابا بحيث يتحرك الفريق كله ككتلة واحدة.\n== نبذة تاريخية ==\nفي عام 1986 تم تعريف سْكْرَمْ لأول مرة من قبل هيروتاكا تاكوتشي وإكوجيرو نوناكا (الإنجليزية: Ikujiro Nonaka) في مقالة نشرت في مجلة هارفارد بزنس ريفيو بعنوان \"لعبة جديدة جديدة لتطوير المنتجات\"، ب","en_topic":"Scrum (software development)","wiki_pageid":2279782,"wiki_revid":75748600,"source_url":"https://ar.wikipedia.org/?curid=2279782","license":"CC BY-SA 4.0"}
{"slug":"object-oriented-programming","lang":"ar","title":"برمجة غرضية التوجه","text":"البرمجة غرضية التوجيه أو شيئية المنحى (الإنجليزية: Object-oriented programming - OOP) ويطلق عليها ايضًا برمجة موجهة نحو الكائنات (أو نحو العناصر) وهي نمط برمجة متقدم، وفيه يقسم البرنامج إلى وحدات تسمى الكائنات (Objects)، كل كائن هو حزمة (تعليب) من البيانات (المتغيرات والثوابت) والطرق ووحدات التنظيم وواجهات الاستخدام. ويُبنى البرنامج بواسطة استخدام الكائنات وربطها مع بعضها البعض وواجهة البرنامج الخارجية باستخدام هيكلية البرنامج وواجهات الاستخدام الخاصة بكل كائن. من مميزات البرمجة الشيئية أنها تسمح بإعادة الاستخدام للأكواد البرمجية التي اُخْتُبِرَت وذلك باستدعائها في البرامج الأخرى دون إعادة برمجتها. إعادة الاستخدام يسهل بناء البرامج بشكل سريع في وقت قصير.\n== أساليب كائنية المنحى ==\nالأساليب كائنية المنحى هي تصميم وتقنية البرمجة التي تستخدم مفهوم الطبقة والكائن. وتستند كائنية المنحى على البرمجة الحقيقية على تحديد الفئات التي تمثل كائنات ذات خصائص محددة جيدا وظيفة. وتشمل كائنية المنحى نماذج ثلاثة مبادئ رئيسة وهي:\nالتغليف (Encapsulation).\nإخفاء البيانات (Data Hiding).\nالوراثة (Inheritance).\nتعدد الأشكال.\nالتطبيقات التي تقوم على أساليب كائنية المنحى وبرامج الحاسوب التي تتكون من الطبقات مع تفاعلاتها:\nيوجد العديد ومن لغات البرمجة الحديثة التي تدعم أساليب كائنية المنحى، ومن أهم هذه اللغات لغة جافا حيث تدعمها بشكل كامل.\n== الأصناف والكائنات ==\nيمثل الصنف مفهوم واحد مثل هذا الكائن (Object)، حيث تمثل الصنف مجموعة «أصناف» من الأشياء التي وصفتها بعض البيانات، ولها نفس السلوكيات «الأنشطة». تعد وتخدم الصنف كمخطط لكائن. على سبيل المثال لدينا صنف الطالب تحدد خصائص من كائناتها مثل الاسم والعنوان والتخصص، والمعدل التراكمي عن البيانات وتحديث عنوان أو إعادة حساب المعدل التراكمي عن أساليب أو أنشطة كل كائن من نوع الصنف التي يستطيع الطالب تنفيذه أو يجب تحقيقه. الكائن من هذا النوع يمكن أن يكون أي صنف الطالب الفردية في الجامعة. يمكن أن نفكر في أمثلة أخرى كثيرة مثل صنف السيارات، طبقة الطائرة، صنف الثدييات، وحلقت صنف الحيوان، وطبقة الأثاث، وأمثلة أخرى كثيرة.\nوبالتالي، لكي نعرف الصنف نحتاج لإعلان البيانات والأساليب التي ينبغي أن يكون كل كائن من هذا النوع. وأعلن كل بند البيانات سواء كان متغير أو","en_topic":"Object-oriented programming","wiki_pageid":10376,"wiki_revid":74973518,"source_url":"https://ar.wikipedia.org/?curid=10376","license":"CC BY-SA 4.0"}
{"slug":"algorithm","lang":"ar","title":"خوارزمية","text":"الخوارَزمية خُطُواتٌ الرياضية والمنطقية ومتسلسلة تَحُلُّ مسألة ما. سُميت بالخوارَزمية نسبة إلى العالم أبي جعفرٍ مُحمدِ بْنِ موسى الخوارَزميّ الذي ابتكرها في القرن التاسع الميلادي. الكلمة المنتشرة في اللغات اللاتينية والأوروبية هي «algorithm» وفي الأصل كان معناها يقتصر على خوارزمية لتراكيبَ ثلاثةٍ فقط، وهي: التسلسل والاختيار والتَّكرار.\nالتسلسل: تكون الخوارزمية عبارة عن مجموعة من التعليمات المتسلسلة، هذه التعليمات قد تكون إما بسيطة أو من النوعين التاليين.\nالاختيار: بعض المسائل لا يمكن حلها بتسلسل بسيط للتعليمات، وقد تحتاج إلى اختبار بعض الشروط وتنظر إلى نتيجة الاختبار، إذا كانت النتيجة صحيحة تتبع مسار يحوي تعليمات متسلسلة، وإذا كانت خاطئة تتبع مسار آخر مختلف من التعليمات. هذه الطريقة هي ما تسمى اتخاذ القرار أو الاختيار.\nالتًّكرار: عند حل بعض المسائل لا بد من إعادة نفس تسلسل الخطوات عدد من المرات. وهذا ما يطلق عليه التكرار.\nوقد أثُبت أنه لا حاجة إلى تراكيب إضافية. استخدام هذه التراكيب الثلاث يسهل فهم الخوارزمية واكتشاف الأخطاء الواردة فيها وتغييرها.\n== تعريف رسمي ==\nعلى الرغم من عدم وجود إجماع رسمي على تعريف مناسب للـ «خوارزمية»، فمن الممكن صياغة تعريف غير رسمي لها عن طريق اعتبارها «مجموعة من القواعد التي تعبر عن سلسلة محددة من العمليات» التي من شأنها أن تشمل جميع برامج الكمبيوتر، بما في ذلك البرامج التي لا تُجرى بها عمليات حسابية رقمية. وبالنسبة لبعض الناس، فإن أي برنامج هو خوارزمية إلا إذا كان يتوقف في نهاية المطاف. بالنسبة للآخرين، فإن البرنامج هو فقط خوارزمية إذا كان ينفذ عددا من الخطوات الحسابية.\nوهناك مثال نمطى لخوارزمية هو خوارزمية إقليدس لتحديد الحد الأقصى للقاسم المشترك لعددين؛ وكمثال (هناك أمثلة أخرى) موضحة من قبل الرسم البياني أعلاه وكمثال في جزء لاحق.\nBoolos & Jeffrey (1974, 1999) تقدم معنى رسميا للكلمة في الاقتباس التالي:\nلا يوجد إنسان يمكنه أن يكتب بسرعة كافية، أو لمدة طويلة بما فيه الكفاية، أو صغيرة بما يكفي («أصغر وأصغر من دون حد...هل كنت ستجرب محاولة الكتابة على الجزيئات، على الذرات، أو حتى على الالكترونات»)أو أن تجرب أن تسرد كافة أعضاء مجموعة غير نهائية من الأعداد قابل للتعداد وتكتب أسمائهم، واحدا تلو الآخر، في بعض الصيغ العددية. ولكن البشر يمكنهم أ","en_topic":"Algorithm","wiki_pageid":5331,"wiki_revid":75104898,"source_url":"https://ar.wikipedia.org/?curid=5331","license":"CC BY-SA 4.0"}
{"slug":"big-o-notation","lang":"ar","title":"تمثيل O الكبرى","text":"في الرياضيات، يستعمل تمثيل O الكبرى أو رمز O الكبرى (الإنجليزية: Big O notation) من أجل وصف تقارب وتباعد الدوال عن بعضها البعض حينما يقترب المدخل إلى قيمة معينة أو حينما يؤول إلى ما لا نهاية.\nبشكل عام توجد عدة رموز كل منها له مفهومه الخاص.\nنشط استخدام هذا الرمز في تحليل سرعة الخوارزميات وذلك لأن حساب عدد العمليات التي تنفذها خوارزمية ما قد يكون مستحيلاً في بعض الأحيان مع وجود كثير من الأمور التي تؤثر على عدد العمليات. لذا فإن إعطاء تقريب لعدد العمليات التي تقوم بها الخوارزمية أكثر راحةً لنا والرمز O الكبير يتيح هذا الامر بسهولة.\n== تعريف ==\nرمز O كبير: نقول أَنَّ\n g\n (\n n\n )\n ∈\n O\n (\n f\n (\n n\n )\n )\n {\\displaystyle g(n)\\in O(f(n))}\n أو\n g\n (\n n\n )\n =\n O\n (\n f\n (\n n\n )\n )\n {\\displaystyle g(n)=O(f(n))}\n إذا كان هنالك ثابت\n c\n {\\displaystyle c}\n بحيث انه يوجد\n n\n 0\n ∈\n N\n {\\displaystyle n_{0}\\in N}\n ولكل\n n\n >\n n\n 0\n {\\displaystyle n>n_{0}}\n يحدث التالي:\n g\n (\n n\n )\n ≤\n c\n ⋅\n f\n (\n n\n )\n {\\displaystyle g(n)\\leq c\\cdot f(n)}\n أي انه إذا تخيلنا رسم الدالتين f و- g حينها نرى ان الدالة f اعلى من الدالة g ابتداء من مكان معين.\nعلى غرار رمز O الكبير يمكن تعريف الرموز التالية:\nرمز Ω : نقول أَنَّ\n g\n (\n n\n )\n ∈\n Ω\n (\n f\n (\n n\n )\n )\n {\\displaystyle g(n)\\in \\Omega (f(n))}\n أو\n g\n (\n n\n )\n =\n Ω\n (\n f\n (\n n\n )\n )\n {\\displaystyle g(n)=\\Omega (f(n))}\n إذا كان هنالك ثابت\n c\n {\\displaystyle c}\n بحيث انه يوجد\n n\n 0\n ∈\n N\n {\\displaystyle n_{0}\\in N}\n ولكل\n n\n >\n n\n 0\n {\\displaystyle n>n_{0}}\n يحدث التالي","en_topic":"Big O notation","wiki_pageid":1673177,"wiki_revid":75028434,"source_url":"https://ar.wikipedia.org/?curid=1673177","license":"CC BY-SA 4.0"}
{"slug":"dynamic-programming","lang":"ar","title":"برمجة ديناميكية","text":"البرمجة الديناميكية ( بالإنجليزية: Dynamic programming) في الرياضيات وعلم الحاسوب، هي: طريقة لحل المسائل المعقّدة الصعبة عن طريق تقسيمها لمسائل فرعية أبسط وأسهل حلًا.\nعادةً ما تكون الفكرة وراء البرمجة الديناميكية بسيطة لحل مسألة ما، فنحتاج إلى حل أجزاءَ مختلفةٍ من المشكلة (المسائل الفرعية)، ومن ثم جمع حلول المسائل الفرعية للحصول على الحل الشامل. والعديد من تلك المسائل الفرعيّة تكون متشابهة. نهج البرمجة الديناميكية يتم من خلال البحث عن حل كل مسألة فرعيّة مرة واحدة فقط، مما يقلل من عدد العمليات الحسابية، وبمجرد حساب حل مسألة فرعيّة معينة، يتم حفظ الحل، ويكون الحل نفسه في المرة القادمة هو نفس عدد المسائل الفرعية المتكررة، وهذا الأسلوب مفيد بشكل خاص عندما ينمو حجمُ المدخلات بشكل كبير (النمو الأسي).\nعند استخدام هذه الطريقة سيتوفر الكثير من الوقت مقارنة بالطرق الأخرى التي لا تتمتع بقدرة حل المسائل الثانوية المتداخلة مثل: (البحث بعمق أولًا).\nلحل مسألة ما، وباستخدام البرمجة الديناميكية، نحتاج لحل أجزاء مختلفة من المسألة (المسائل الثانويّة)، وبعدها يتم الدمج بينهم للحصول على الحل للمسألة بشكل عام، وعند استخدام طريقة الخوارزمية الجشعة فإنه يكون هناك العديد من المسائل الثانويّة التي تُحَل بشكل متكرر، ولكن البرمجة الديناميكية تهدف إلى حل كل مسألة ثانويّة لمرة واحدة فقط، مما يؤدي إلى تقليل عدد الحسابات، فإنه بمجرد حل مسألة ثانوية تُخزن مباشرةً في «المذكرة التلقائية»، لذا في المرة القادمة عندما نحتاج لنفس الحل، فإنه ببساطة يُبحث عنه، وهذا النهج مفيد خاصةً عندما يكون عدد المسائل المتكررة يزداد بشكل مفرط كدالة في حجم المدخلات.\nتستخدم خوارزميّات البرمجة الديناميكية لتعظيم الاستفادة (مثلًا للحصول على أقصر طريق بين نقطتين أو أسرع طريقة لضرب مصفوفات). خوارزميات البرمجة الديناميكية ستدْرُس الحلول السابقة للمسائل الثانويّة وتقوم بدمجها للحصول على أفضل حل للمسألة المرادِ حلها.\nيوجد هناك بدائلُ كثيرةٌ لهذه الطريقة مثل الخوارزمية الجشعة، والتي بها يحصل على الخيار الأمثل الموضعي في كل فرع في الطريق. الخيار الأمثل الموضعي من الممكن أن يكون حلا سَيئا للمسألة بالكامل، مع أن الخوارزمية الجشعة لا تضمن الحل الأمثل، فإنها أحيانًا تقدم حسابات أسرع. ولحسن الحظ، بعضٌ من الخوارزميات الجشعة (الشجرة المم","en_topic":"Dynamic programming","wiki_pageid":1373267,"wiki_revid":75161873,"source_url":"https://ar.wikipedia.org/?curid=1373267","license":"CC BY-SA 4.0"}
{"slug":"turing-machine","lang":"ar","title":"آلة تورنغ","text":"آلة تورنغ هي نموذج نظري بسيط يحاكي طريقة عمل الحاسوب. سميت بهذا الاسم نسبة لعالم الرياضيات الإنجليزي آلان تورنغ الذي أوجد هذا النموذج سنة 1936م. هذا النموذج يعطي تعريفا رياضيا دقيقا للمصطلح خوارزم Algorithm, أهمية هذا النموذج تكمن في بساطته مقارنة بجهاز الحاسوب المعقد وبالرغم من ذلك فهو قادر على تنفيذ كل خوارزمية قابلة للتنفيذ بواسطة أي حاسوب متطور. لذلك يمكن معرفة إذا كانت عملية معينة قابلة للتنفيذ بواسطة الحاسوب أم لا عن طريق فحصها بواسطة آلة تورنغ. من هنا فإن لآلة تورنغ استعمال واسع في مجال دراسة قدرة الحاسوب والعمليات التي يمكنه أو لا يمكنه تنفيذها، وهو ما يسمى علم قابلية الحساب.\nيعتبر نموذج آلة التورينغ نموذج رياضياً بسيطاً للحاسوب وينمذج المقدرة الحسابية لحاسوب ذي وظائف عمومية وهو أيضاً من أهم اللغات الصورية إذ يقبل أوسع مجموعة منها وهي اللغات القابلة للعد عمودياً والتي يمكن توليدها بنماذج قواعدية من النوع صفر. يتألف النموذج الأساسي لآلة التورينغ من تحكم منته وشريط دخل منته من جهة واحدة هي جهة اليسار وغير منته من جهة اليمين ومقسم إلى عدة خلايا كل منها يحمل رمزاً واحداً من مجموعة منتهية تسمى «رموز الشريط» ورأس يسمى رأس القراءة والكتابة الذي يمر في كل مرة على خلية واحدة من الشريط. تحتوي الخلايا الn اليسارية من شريط الدخل (n عدد منته)في الحالة الابتدائية رموز الدخلفي حين تحتوي الخلايا المتبقة من الشريط رمزاً فارغاً.\nتقوم آلة التورينغ في الحركة الواحدة واعتماداً على رمز الدخل المقروء من شريط الدخل وحالة التحكم المنتهي بالعمليات التالية:\nتغيير حالة التحكم المنتهي.\nكتابة رمز شريط في الخلية المقروءة.\nالتحرك خلية واحدة إلى اليسار أو إلى اليمين أو عدم التحرك بتاتا.\n== تعريف ==\nمن الناحية الرياضية آلة تورنغ هي رباعية\n M\n =\n (\n K\n ,\n Σ\n ,\n δ\n ,\n S\n )\n {\\displaystyle {\\mbox{M}}=(K,\\Sigma ,\\delta ,{\\mathcal {S}})}\n حيث أن\n K\n {\\displaystyle K}\n هي مجموعة نهائية من الحالات (states),\n Σ\n {\\displaystyle \\Sigma }\n هي مجموعة نهائية من الرموز وعادة ما تُسمى هذه المجموعة أبجدية M . سنفرض أنَّ\n Σ\n ∩\n K\n =\n ∅\n {\\displaystyle \\Sigma \\cap K","en_topic":"Turing machine","wiki_pageid":5386,"wiki_revid":75572104,"source_url":"https://ar.wikipedia.org/?curid=5386","license":"CC BY-SA 4.0"}
{"slug":"p-versus-np-problem","lang":"ar","title":"مسألة كثير حدود وكثير حدود غير قطعي","text":"إن العلاقة بين مسائل التعقيد كثيرة الحدود وكثير حدود غير قطعي هي مسألة غير محلولة في المعلوماتية النظرية. وهي تعتبر من أهم المسائل في هذا الحقل وقد عرض معهد كلاي للرياضيات جائزة مقدارها مليون دولار أمريكي لأول برهان صحيح لهذه المسألة.\nجوهر المسألة في أنه إذا كان من الممكن التأكد من الجواب الصحيح لمسألة ما بعد الحصول عليه في الزمن الخطي فهل من الممكن أيضا حساب هذه الأجوبة ذاتها بسرعة؟\nخذ على سبيل المثال مسألة مجموع المجموعات الجزئية، وهو مثال على مسألة من السهل التحقق من صحة جوابها، لكن عملية حساب الجواب نفسه يعتبر (هذا الأمر غير مبرهن بعد) من الأمور الصعبة. على سبيل المثال هل يوجد مجموعة جزئية من المجموعة التالية {2−, 3−, 15, 14, 7, 10−} يكون مجموع عناصرها مساويا للصفر؟ الجواب بكل بساطة هو نعم، لأن المجموعة الجزئية {2−, 3−,10−, 15} مجموعها صفر وهو أمر من الممكن التحقق منه بكل بساطة بجمع العناصر. لكن إن عملية إيجاد كل مجموعة جزئية من المجموعة الأساسية يكون مجموع جميع عناصرها ينتهي إلى الصفر يأخذ وقتا طويلا.\n== صيغة المسألة ==\nالمسالة P = NP هي تحديد إذا ما كل مسألة يمكن تقريرها بواسطة خوارزمية غير قطعية يمكن أيضا حلها بواسطة خوارزمية قطعية . حتى نستطيع تعريف المسألة بشكل دقيق يجب علينا تحديد نموذج حاسوبي . النموذج الأساسي للحاسوب في النظرية الحاسوبية هي آلة تورنغ والتي عرفها آلان تورنغ عام 1936 و بالرغم من أن هذا النموذج ظهر قبل الحاسوب الذي نعرفه الٱن لكنه أنموذج مقبول نظر لأساسيته الهادفة والثابتة الهدف أجلا وأملا في تعريف المصطلح كدالة قابلة للحساب .\nتقديم آلة تورنج كان أحد أهم الخطوات في جعل الحاسوب نموذجا رياضيا والأهم من هذا باتت قدرتنا ٱنيا تتيح لنا إعطاء تعريف دقيق للقسم أو الصنف P بالإضافة للصنف المضاد NP , ولكن تنقص بعض التعريفات المهمة منها تعريف لغة آلة تورنج بشكل غير رسمي هي كل المُداخلات التي تنمذجها آلة تورنج والتي دورها تقديم صواب الجواب ب «نعم» و بشكل دقيق ونعرفها كالٱتي : فلتكن M آلة تورنج، ولنفترض أنَّ\n Σ\n {\\displaystyle \\Sigma }\n هي أبجدية الآلة (ٱلة تورنغ) حينها نعرف لغة الآلة أنها كالتالي:\n L\n (\n M\n )\n =\n {\n x\n ∈\n Σ\n ∗\n :\n M\n (\n x\n ","en_topic":"P versus NP problem","wiki_pageid":356850,"wiki_revid":74571417,"source_url":"https://ar.wikipedia.org/?curid=356850","license":"CC BY-SA 4.0"}
{"slug":"kernel","lang":"ar","title":"نواة (نظم تشغيل)","text":"النَّوَاةُ (الإنجليزية: Kernel) (الجمع: نَوَيات ونوىً) أو اللُّب هي قلب كل نظام تشغيل للحاسوب تقوم بدور حلقة الوصل بين عتاد الحاسوب وبرمجياته، وتقوم أيضًا بعملية التحكم بمصادر الجهاز. لدى النواة طبقة تتصل بها البرمجيات مما يوفر إمكانيات الحاسب الآلي للبرمجيات التي يتحكم فيها المستخدم. تعد إحدى البرامج الأولى التي تحمل عند بدء التشغيل (بعد أداة محمل الإقلاع). كما تدير طلبات البرمجيات للإدخال والإخراج، ويترجمها إلى تعليمات لمعالجة البيانات في وحدة المعالجة المركزية. وتدير أيضًا الذاكرة والأجهزة الطرفية مثل لوحة المفاتيح والشاشة والطابعة والسماعات.\nوظائف النواة تقوم بها كل نواة بصورة مختلفة عن الأخرى. فمثلا تقوم النواة الأحادية بالعمل في حيز واحد من الذاكرة، وبهذا تحقق تحسن في أداء النظام. أما النواة المصغرة (النوية) فتقوم بتنفيذ معظم عملياتها في حيز المستخدم لكي تحافظ على توزيع وتفرقة المهام عن بعضها وبهذا تسهل عملية تحسين وتطوير الشيفرة البرمجية للنواة وإصلاحها.\n== نظرة عامة ==\nتعتمد أنظمة التشغيل الحديثة على وجود نواة للنظام، في معظم الحالات يقوم محمل نظام التشغيل بتحميل النواة أثناء بداية تشغيل الحاسب الآلي، وعند اكتمال تحميل النظام تصبح النواة مجموعة من الوظائف الأساسية التي تستخدمها البرمجيات للوصول إلى عتاد الحاسب الآلي، مثل الكتابة على القرص الصلب. في معظم الحالات يقوم محمل نظام التشغيل بتحميل النواة كعملية أثناء بداية تشغيل الحاسب الآلي، وعند اكتمال تحميل نظام التشغيل تصبح هذه العملية مجموعة متكاملة من الوظائف يمكن أن تستخدمها البرمجيات المتصلة بالنواة للقيام بعمليات تحتاج الوصول لعتاد الحاسب الآلي مثل الكتابة على القرص الصلب.\nفي المعلوماتية، نواة نظام التشغيل هي البرمجة التي تضمن:\nالتواصل بين البرامج والأجهزة.\nإدارة مختلف البرامج الخاصة بالآلة.\nالتحكم في الأجهزة ومكونات الآلة (الذاكرة، المعالج، التخزين).\n== المهام المنجزة من طرف النواة ==\nالنواة لها وظائف أساسية عديدة منها ضمان التحميل وتنفيذ العمليات، التحكم في المداخل|المخارج وتوفير سطح مناسب للربط بين النواة والمستخدم.\nنواة يربط تطبيق البرمجيات لأجهزة كمبيوتر\nعادة يتم تحميل رمز بالغ الأهمية من النواة إلى منطقة محمية من الذاكرة، والذي يمنعها من أن الكتابة بواسطة أخرى، الأجزاء المستخدمة أقل كثيرا من نظام الت","en_topic":"Kernel (operating system)","wiki_pageid":64008,"wiki_revid":75892072,"source_url":"https://ar.wikipedia.org/?curid=64008","license":"CC BY-SA 4.0"}
{"slug":"microsoft-windows","lang":"ar","title":"مايكروسوفت ويندوز","text":"مايكروسوفت ويندوز (الإنجليزية: Microsoft Windows) هو نظام تشغيل رسومي، من إنتاج شركة مايكروسوفت. بدأ نظام التشغيل واجهة رسومية لمايكروسوفت إم إس-دوس عام 1985، في خطوة للاستجابة للاهتمام المتزايد في واجهات المستخدم الرسومية. جاء مايكروسوفت ويندوز ليسيطر على سوق الحواسيب الشخصية والمكتبية في العالم حيث بلغت حصته ما يزيد عن 90% من السوق متفوقاً على نظام التشغيل ماك الذي صدر في 1984.\nأحدث إصدار من ويندوز هو ويندوز 11، وأحدث نظام للهواتف هو ويندوز فون 11، وأحدث إصدار للخوادم هو ويندوز سيرفر 2022.\n== تاريخ إصدارات مايكروسوفت ويندوز ==\nتصف عبارة ويندوز كل أجيال منتجات أنظمة التشغيل التي أنتجتها مايكروسوفت، ما عدا النظام الأول لمايكروسوفت دوس بالطبع، هذه المنتجات مصنفة عامة في التالي:\n=== الإصدارات الأولية ===\nيعود تاريخ نسخ ويندوز إلى سبتمبر 1981، عندما صمم تشيس بيشوب أول نموذج لِجهاز إلكتروني وبَدء مشروع «مدير الواجهة» وتم الإعلان عنه في نوفمبر 1983 بعد أبل ليزا ولكن قبل ماكنتوش تحت اسم «ويندوز»، ولكن ويندوز 1.0 لم يصدر حتى نوفمبر 1985. وكان ويندوز 1.0 يفتقد للتميز في الأداء الوظيفي، وقد حقق شعبية قليلة مقارنة بنظام تشغيل أبل، لم يكن ويندوز 1.0 نظام تشغيل مكتمل نسبيا إنما كان امتداد لمايكروسوفت دوس. قشرة ويندوز 1.0 كانت معروفة باسم أم إس دوس بالإنجليزي (ms DOS) التنفيذية، كان النظام مزودا ببرامج أخرى مثل: الحاسبة، التقويم، ملف بطاقة (الإنجليزية: Cardfile)، عارض Clipboard، الساعة، لوحة التحكم، المفكرة، الرسام، طرفية (الإنجليزية: Terminal) والكاتب. ويندوز 1.0 لم يكن فيه خاصية تداخل النوافذ وبدلا عن ذلك كانت النوافذ متجاورة فقط، مربعات الحوار تستطيع الظهور فوق النوافذ الأخرى.\nأُطلقت مايكروسوفت ويندوز الإصدار 2.0 في ديسمبر 1987، وفيه العديد من التحسينات لواجهة المستخدم وإدارة الذاكرة. وكانت شعبيته أكثر قليلا من سابقه النسخة ويندوز 1.0، غير ويندوز 2.03 نظام التشغيل من تجانب النوافذ وعدم قدرتها على الظهور فوق بعضها إلى القُدرة على الظهور فوق بعضها الأخر، وكنتيجة لذلك قامت أبل برفع دعوة قضائية على مايكروسوفت بحجة الاعتداء على حقوق الملكية. قدم أيضاً ويندوز 2.0 إختصارت لوحة المفاتيح أكثر تطوراً والقدرة على استخدام الذاكرة الموسعة.\nأُطلق ويندوز 2.1 في إصدارين مختلفين: ويندوز/386 ك","en_topic":"Microsoft Windows","wiki_pageid":4512,"wiki_revid":75949747,"source_url":"https://ar.wikipedia.org/?curid=4512","license":"CC BY-SA 4.0"}
{"slug":"ios","lang":"ar","title":"آي أو إس","text":"آي أو إس (الإنجليزية: iOS) (عرف في بداياته باسم iPhone OSX, OSX iPhone والاسم الرسمي السابق له حتى تاريخ 7 يونيو 2010 هو: نظام تشغيل آي فون أو آي فون أو إس) هو نظام تشغيل ظهر في بداية 2007 كنظام تشغيل صنعته أبل لهاتفها آي فون، فيما بعد، أصبح هو النظام الافتراضي لجهاز آي بود تاتش واللوحي آي باد بنسخة معدل فيها قياسات الواجهة للأخير. النظام هو أحد أنظمة التشغيل التي تعد من أسرة نظام ماك العاشر.\nمنذ إطلاق النظام في 2007 وحتى أكتوبر 2012 بِيع 400 مليون جهاز iOS حول العالم، تتنوع الأجهزة ما بين الآي بود تاتش، الآي فون والآي باد، ويُفَعَّل 230,000 جهاز iOS جديد يوميًا.\n== التاريخ ==\nعام 2005، صرح ستيف جوبز عندما بدأ التخطيط لجهاز iPhone بأنه كان أمام خيارين: إما تصغير حجم جهاز Mac، وهو إنجاز هندسي هائل، أو تكبير حجم iPod. فضل جوبز الخيار الأول، لكنه وضع فريقي Macintosh وiPod، بقيادة سكوت فورستال وطوني فاضل على التوالي، في منافسة داخلية، وفاز فورستال بإنشاء نظام تشغيلiPhone . مكن هذا القرار من نجاح iPhone منصةً لمطوري الطرف الثالت، فاستخدام نظام تشغيل سطح مكتب معروف أساسًا له سمح للعديد من مطوري Mac من الطرف الثالث بكتابة برامج له بأقل قدر من إعادة التدريب. كان فورستال مسؤولًا أيضًا عن إنشاء حزمة أدوات تطوير برمجيات للمبرمجين لبناء تطبيقات iPhone، إضافةً إلى متجر تطبيقات داخل iTunes.\nكشف النقاب عن نظام التشغيل مع هاتف آيفون في مؤتمر ومعرض ماك وورلد في 9 يناير 2007، وأصدر في يونيو من ذلك العام. عند الكشف عنه في يناير، وفقًا لستيف جوبز، يعمل آيفون بنظام OS X ويشغل تطبيقات سطح المكتب، ولكن عند إصدار آيفون، أعيدت تسمية نظام التشغيل إلى iPhone OS. في البداية، لم تكن تطبيقات الطرف الثالث الأصلية مدعومة. كان منطق جوبز هو أن المطورين يمكنهم بناء تطبيقات ويب من خلال متصفح سفاري تعمل مثل التطبيقات الأصلية على آيفون. في أكتوبر 2007، أعلنت شركة آبل أن مجموعة تطوير برامج أصلية (SDK) قيد التطوير وأنهم يخططون لوضعها في أيدي المطورين في فبراير. في 6 مارس 2008، عقدت آبل مؤتمرًا صحفيًا، معلنة عن مجموعة تطوير برامج iPhone . افتُتح متجر تطبيقات iOS في 10 يوليو 2008، وكان متوفرًا في البداية 500 تطبيق. وسرعان ما نما هذا العدد إلى 3000 في سبتمبر 2008، و15000 في يناير 2009، و50000 في يونيو 2009","en_topic":"IOS","wiki_pageid":838013,"wiki_revid":75347490,"source_url":"https://ar.wikipedia.org/?curid=838013","license":"CC BY-SA 4.0"}
{"slug":"world-wide-web","lang":"ar","title":"الشبكة العنكبوتية العالمية","text":"الويب أو الوِب أو الشبكة العنكبوتية العالمية أو النسيج العنكبوتي العالمي أو النسيج العالمي للمعلومات (الإنجليزية: World Wide Web) أو اختصاراً وِبْ وهي نظام يعمل على ترابط المستندات ببعضها البعض أو هو مجموعة من النصوص الفائقة التي تعمل فوق الإنترنت. ويستطيع المستخدم تصفّح هذه المستندات باستخدام متصفّح ويب، كما يستطيع التنقّل بين هذه الصفحات عبر وصلات النص الفائق. وتحوي هذه المستندات على نص صِرْف، صور ووسائط متعددة.\nأنشئت سنة 1989م، وكان الغرض منها تيسير الاتصال بين المنظمات الأوروبية المجتمعة في سويسرا.\nوالويب نظام للترابط بين النصوص في الشبكة (الانترنت). هذا الترابط المتداخل (Hyperlinking) بين النصوص في الشبكة(الإنترنت) يسمح بالانتقال فيما بين الصفحات باستعمال متصفح إنترنت.\nوصفحات الويب من الممكن أن تحتوي على نصوص، وصور، وأصوات، ومرئيات (فيديو)، وصور متحركة، وبرامج تفاعلية، وغير ذلك.\nويقوم بتوفير هذه الصفحات في الشبكة (الإنترنت) مخدم (ويب سرفر). ويقوم هذا المخدم بإرسال الصفحات، ومحتوياتها بناء على الطلب من متصفح الشبكة.\nومن أهم الأدوات فيُرجى شبكة الويب هي البواحيث (محركات البحث). إذ أنه بسبب ضخامة الشابكة، هناك حاجة لاستعمال خدمات البحث في الإنترنت لإيجاد المعلومات المطلوبة.\n== تعريف ==\nرابط الشبكة المعلوماتية العالمية (World Wide Web Consortium, W3C) تجمع صناعي دولي هدفه هو قيادة شبكة الويب إلى أقصى إمكانياتها. ينخرط في الرابطة أعضاء يعدون بأكثر من 500 منظمة موزعة حول العالم تجعل الرابطة تنال اعترافاً دولياً بمساهمتها في تطور ونمو الويب.\nيُسمح للمنظمات المنخرطة في W3C أن تلجأ إلى جميع معلومات موقع W3C الخاصة بالأعضاء حيث توجد هناك حوارات حول أخر التقنيات في ميدان شبكة الويب. هذا يهم خصوصا مصممي مواقع الويب. وللأعضاء أيضاً فرص للتأثير على مقاييس المستقبل والمشاركة في اللقاءات المنظمة من طرف W3C.\nمكتب W3C بالمغرب هو مكان الاتصال لأنشطة W3C بالمغرب ويوجد بالمدرسة المحمدية للمهندسين بالرباط. توجد مكاتب أخرى حول العالم، مثل ألمانيا والسويد وأستراليا وهونغ كونغ واليونان، دورها هو جعل توصيات W3C معروفة أيضا لدى تلك الدول. يكون المكتب أساسيا أيضا في إبلاغ الملاحظات والاقتراحات المحلية إلى رابطة W3C. انتشار المكاتب حول العالم يجعل شبكة المعلومات حقيقة في متناول الجميع. من ","en_topic":"World Wide Web","wiki_pageid":20629,"wiki_revid":74946559,"source_url":"https://ar.wikipedia.org/?curid=20629","license":"CC BY-SA 4.0"}
{"slug":"application-programming-interface","lang":"ar","title":"واجهة برمجة التطبيقات","text":"واجهة برمجة التطبيقات (الإنجليزية: Application Programming Interface) اختصاراً API، وصفٌ العناصر البرمجيّة حسب وظائفها، ومدخلاتها ومخرجاتها. ويتمثل الهدف الرئيسيّ منها في توفير قائمة من الوظائف المستقلّة تمامًا عن الآلية التي نفّذت بها، لتتيح للآخرين التواصل معها من خلال أيّ آلية أخرى.\nوهي مجموعة تعاريف وبروتوكولات وأدوات خاصة بالروتين الفرعي ومصممة لبناء البرمجيات التطبيقية. وتعني بشكل عام مجموعة من الطرق الواضحة التعريف للتواصل بين مختلف مكونات البرمجيات. من شأن الواجهة الجيدة أن تسهّل تطوير برامج الحاسوب عبر توفير كافة الكتل البرمجية الإنشائية اللازمة، ليعمل المبرمج بعد ذلك على رصفها وجمعها.\nوقد تكون الواجهة مخصصة لنظام على الويب أو لنظام تشغيل أو نظام قاعدة بيانات أو عتاد الحاسوب أو مكتبة برمجيات.\nوتأتي مواصفات الواجهة بأشكال مختلفة ولكنها غالبًا ما تشمل مواصفات الروتين أو بنية البيانات أو أصناف الكائنات أو المتغيرات أو نداءات الإجراءات البعيدة. «بوزيكس» (POSIX) وواجهة برمجة تطبيقات ويندوز Windows API وواجهة البرمجة المتقدمة لناقل «سكزي»ASPI هي أمثلة عن الأشكال المتعددة التي تتخذها واجهة برمجة التطبيقات. ويتم عادةً تزويد ملفات توثيق الواجهة لتسهيل الاستخدام وإعادة التنفيذ.\n== الغرض ==\nمثلما تسهّل واجهة المستخدم الرسومية على الأشخاص استخدام البرامج، تسهّل واجهة برمجية التطبيق على مطوّر البرمجيات استعمال تكنولوجيات معينة في بناء التطبيقات. من خلال تجريد التنفيذ الكامن والكشف عن الكائنات أو الأعمال التي يحتاجها المطور فحسب، تسهّل واجهة برمجة التطبيقات عملية البرمجة. وفي حين أنّ الواجهة الرسومية لـعميل بريد إلكتروني قد تزوّد المستخدم بزرّ يؤدي كل الخطوات اللازمة لاستحضار كل الرسائل الإلكترونية الجديدة والإضاءة عليها، فإن واجهة برمجة التطبيقات الخاصة بوحدات إدخال/إخراج الملف قد تعطي المطوّر وظيفة تنسخ الملف من موقع إلى آخر بدون أن تستدعي من المطوّر أن يفهم عمليات نظام الملفات التي تجري خلف الكواليس.\n== الأنواع ==\nهناك نوعان من الـ (API):\nأحدهما يعتمد على لغة البرمجة؛ بمعنى أنه متاحٌ فقط في لغة برمجة معينة، ويقوم على استخدام syntax وعناصر هذه اللغة لجعله ملائما للاستخدام في هذا السياق.\nوالآخر مستقل عن اللغة وهذا يعني أنه مكتوب بطريقة تتيح له أن يستخدم في العديد من لغا","en_topic":"Application programming interface","wiki_pageid":303870,"wiki_revid":75509373,"source_url":"https://ar.wikipedia.org/?curid=303870","license":"CC BY-SA 4.0"}
{"slug":"gnu-general-public-license","lang":"ar","title":"رخصة جنو العمومية","text":"رخصة جنو العمومية (الإنجليزية: GNU General Public License؛ تختصر GPL) رخصة برمجيات حرة مستخدمة على نحو واسع، كتبها أصلا ريتشارد ستولمن لمشروع جنو. رخصة جنو العمومية هي أشهر مثال معروف للحقوق المتروكة المتشددة التي تطالب أن ترخّص الأعمال المشتقة تحت نفس الرخصة، وبناءً على هذه الفلسفة، يقال أن رخصة جنو العمومية تزيد عائدات البرنامج الحاسوبي من تعريف البرمجيات الحرة، وتستخدم الحقوق المتروكة لضمان الحرية الفعلية، حتى عندما يُغيّر العمل أو يضاف إلى آخر. هذا يختلف عن رخص البرمجيات الحرة المتساهلة التي تمثل رخص بي إس دي مثالا قياسيا لها.\nرخصة جنو العمومية الصغرى نسخة معدلة أكثر تساهلا من رخصة جنو العمومية، أعدت أصلا لبعض مكتبات البرمجيات الحرة. يوجد أيضا رخصة جنو للوثائق الحرة التي أعدت أصلا لتوثيق مشروع جنو، ولكنها اعتمدت لاستخدامات أخرى، مثل مشروع ويكيبيديا.\nرخصة جنو أفيرو العمومية (AGPL) رخصة شبيهة مع تركيز على برمجيات الشبكة. AGPL شبيهة برخصة جنو العمومية، باستثناء أنها تغطي استخدام البرمجيات على الشبكات الحاسوبية، وتتيح إتاحة الكود المصدري الكامل لأي مستخدم على الشبكة لهذا العمل (تطبيق الوب مثلا). توصي مؤسسة البرمجيات الحرة بتطبيق هذه الرخصة على أي برنامج يستخدم عادة على الشبكة.\n== التاريخ ==\nكتب رخصة جنو العمومية ريتشارد ستولمن في عام 1989 لتستخدم مع البرمجيات التي تصدر كجزء من مشروع جنو. رخصة جنو العمومية الأصلية بُنيت بتوحيد تراخيص شبيهة أستخدمت لإصدار جنو إيماكس، ومنقح جنو، وتجميعة مصرفات جنو. تضمنت تلك التراخيص أحكاما شبيهة بجنو العمومية الحديثة، لكنها كانت محددة لكل برنامج، مما أدى إلى جعلها غير متوافقة، على الرغم من أنها رخص متشابهة. هدف ريتشارد ستولمن إنتاج رخصة واحدة يمكن أن تستخدم لأي مشروع، وبالتالي جعل من الممكن للعديد من المشاريع مشاركة الكود.\nصوت مهم من الثقة بـ GPL جاء من اعتماد لينوس تورفالدس عليها لترخيص النواة لينكس عام 1992، عن طريق التبديل من رخصة أقدم تحظر التوزيع التجاري.\nفي أغسطس 2007 كان رخصة جنو العمومية مستخدمة لقرابة 65% من 43.422 مشروع برمجيات حرة في قائمة فرشميت، ووفقا ليناير 2006، لحوالي 68% من مشاريع سورس فورغ.نت. بشكل مماثل، مسح ريد هات لينكس 7.1 وجد أن 50% من الكود المصدري مرخصة تحت جنو العمومية ووفقًا لمسح ميتالاب (ثاني أكبر أرشيف برم","en_topic":"GNU General Public License","wiki_pageid":15480,"wiki_revid":75170725,"source_url":"https://ar.wikipedia.org/?curid=15480","license":"CC BY-SA 4.0"}
{"slug":"creative-commons","lang":"ar","title":"المشاع الإبداعي","text":"مؤسسة المشاع الإبداعي (الإنجليزية: Creative Commons) هي منظمة غير ربحية مقرها مدينة سان فرانسيسكو في الولايات المتحدة الأمريكية، تهدف إلى توسيع مجال الأعمال الإبداعية المتاحة للناس لاستغلالها والبناء عليها على نحو يتوافق مع متطلبات قوانين الملكية الفكرية.\nأصدرت المنظمة عدة رخص للملكية الفكرية تعرف باسم رخص المشاع الإبداعي، والتي تسعى لترويجها ليستخدمها المبدعون مجانا لترخيص المصنفات الفكرية التي ينتجونها. تُمكن هذه الرخص المؤلفين من توضيح الحقوق التي احتفظوا بها لأنفسهم على المصنف موضوع الترخيص، والحقوق التي يتنازلون عنها لصالح المتلقين أو المؤلفين الآخرين، وذلك بطريق صفحة واحدة توضح ما لكل طرف من طرفي الترخيص بعبارات بسيطة ورموز أيقونية، وهي «الحجة». وتميز هذه البساطة في الصياغة رخصة المشاع الإبداعي عن غيرها، كما تسهل بنية الرخصة المفصلية على المؤلف تحديد الحقوق التي يحتفظ بها والتي يتنازل عنها. موسوعة ويكيبيديا هي إحدى مشروعات الويب التشاركية المرخصة بإحدى تنويعات رخصة المشاع الإبداعي.\nأسس المنظمة سنة 2001 لورنس لسك وهال أبلسن وإرك إلدرد بدعم من «مركز الملك العام» الأمريكي، وصدرت المجموعة الأولى من الرخص في ديسمبر 2002، وقدر عدد المصنفات المنشورة بإحدى تنويعات رخصة المشاع الإبداعي في 2008 بما مقداره 130 مليونا...\n== تنويعات رخصة المشاع الإبداعي ==\nستة خيارات مجتمعة في أربعة عناصر تحدد الاستخدامات المختلفة هي «النسبة» و«غير التجاري» و«الترخيص بالمثل» و«بلا اشتقاق»:\n النسبة: يتطلب هذا الشرط ذكر اسم صاحب المصنف وعنوان المصنف وتفاصيل المصدر المعقول ذكرها (رمز: BY)\n غير التجاري: يتطلب هذا الشرط عدم استخدام المصنف لأغراض ربحية (رمز:NC)\n منع الاشتقاق للعمل: يتطلب هذا الشرط عدم تعديل المصنف أو استخدامه ضمن أي مصنف آخر ينتج عنه مصنف محور (رمز: ND)\n الترخيص بالمثل: يتطلب هذا الشرط مشاركة المصنف، أو أي مصنف أخر استعمل به المصنف المرخص، بنفس الشروط التي رخص بها المصنف الأصلي (اختصار: SA)\nبالتركيب بين العناصر الأربع يتوفر لنا ستة خيارات كمثال عن ذلك\nنسب المصنف - الترخيص بالمثل (CC-BY-SA)\n== مشروعات تصدر محتوى مرخصا برخصة المشاع الإبداعي ==\nويكيبيديا محتواها مُرخَّص برخصة النِّسبة-الترخيص بالمثل منذ يونيو 2009\nموسوعة القانون (جوريسبيديا)\n== الأثر والنفوذ ==\nوصفت المشاع الإبداعي","en_topic":"Creative Commons","wiki_pageid":118590,"wiki_revid":74950254,"source_url":"https://ar.wikipedia.org/?curid=118590","license":"CC BY-SA 4.0"}
{"slug":"public-key-cryptography","lang":"ar","title":"تعمية بمفتاح عام","text":"التعمية بمفتاح عام أو التعمية بمفتاح عمومي (الإنجليزية: Public-key cryptography) وتُسمَّى أيضاً التعمية غير المتناظرة (الإنجليزية: asymmetric cryptography) هي ضرب من أنظمة التعمية يستعمل زوجين من المفاتيح المرتبطة رياضياً، يُسمَّى أحدها المفتاح العام، والآخر المفتاح الخاص. تُولَّد أزواج المفاتيح باستعمال خوازرميات تعموية تُسمَّى دوال توليد المفاتيح، وتكون مبنية باستعمال دوال رياضية وحيدة الاتجاه.\nفي نظام التعمية بالمفتاح العام يملك كل طرف زوجين من المفاتيح يُستعملان في التعمية وفكها: مفتاح عامٌ وآخر خاص. يُشارك المفتاح العام سائر الأطراف عبر الشبكة، أما المفتاح الخاص فيكون سرياً لا يُرسل عبر الشبكة أبداً. يمكن لأي طرف أن يُعمِّي رسائل البيانات باستعمال مفتاحه العام، منتجاً نصوصاً مُعمَّاة لا يستطيع فك تعميتها وقراءة أصولها إلا من يملك الزوج الآخر: المفتاح الخاص. يُمكن مثلاً لصحيفة تملك زوجين من المفاتيح: عام وخاص، أن تَنشُر على موقعها مفتاحها العام، ما يسمح للمصادر التي تتعامل معها باستعمال المفتاح لتعمية الرسائل المرسلة للصحيفة. لا يستطيع أحد أن يفك تعمية الرسائل المعماة إلا باستعمال المفتاح الخاص الذي تملكه الصحيفة وحدها، وهذا يعني أن الوحيدة القادرة على فك تعمية الرسائل وقراءتها.\nأما في أنظمة التوقيع الرقمي، قيمكن لمُرسِل البيانات أن يستعمل مفتاح الخاص لتوقيع الرسائل. يمكن لأيّ كان أن يستعمل الزوج الآخر من المفاتيح، أي المفتاح العام، للتحقق من أن أصالة التوقيع وهوية المرسل، فلا يُمكن لأي طرف توليد هذا التوقيع إلا لو كان يملك الزوج الأول من المفاتيح: الخاص. يمكن لمطوري البرمجيات مثلاً أن يُولِّدوا زوجين من المفاتيح: عام وخاص، ثم يُرفقوا المفتاح العام مع برمجياتهم، ويقرنوا تحديثها بشرط التأكد من أصالة مصدرها: أي أن تكون موقعة بالمفتاح الخاص الذي يملكه مطور البرمجيات وحده.\nخوارزميات المفاتيح العامة هي عناصر رئيسة لأمن أنظمة التعمية وما تشمله من تطبيقات وبروتوكولات تؤمن سرية الاتصالات الرقمية والبيانات المخزنة وتصادق على هويات الأطراف التي تتشاركها وتحجب عنها إمكانية إنكار وصولها للموارد، لو كان الوصول قد حصل فعلاً. تدعم هذه الخوارميات معايير الإنترنت مثل\nبروتوكول طبقة المقابس الآمنة (TLS) وبروتوكول النقل الآمن (SSH). تؤمن بعض من هذه الخوارزميات أيضاً آليات لتوزيع ال","en_topic":"Public-key cryptography","wiki_pageid":276865,"wiki_revid":75026986,"source_url":"https://ar.wikipedia.org/?curid=276865","license":"CC BY-SA 4.0"}
{"slug":"hash-function","lang":"ar","title":"دالة تلبيد","text":"دالة التلبيد أو دالة البصم أو دالة إعادة الصياغة (الإنجليزية: Hash function) وتنقحر إلى دالة هاش، هي أي خوارزمية أو دالة رياضية تُحوِّل مجموعة كبيرة من البيانات إلى بيانات أصغر. وهي عادةً ما تكون عدد صحيح يعمل بمثابة مؤشر لمجموعة من البيانات. وتسمي القيم التي تسترجعها دالة تلبيد: قيم مجزأة أو رموز مجزأة أو مجاميع مجزأة أو أجزاء. والفرق بين التلبيد والضغط أن الضغط يمكن فكه وإعادة البيانات إلى حجمها الأصلي لكن الهش لا يمكنه ذلك.فحين تهش البيانات لن يعود بالإمكان استرداد حجمها الأصلي.\nتُستخدم دوال التلبيد غالباً لتطوير الجدول أو مهام البيانات مثل: العثور على العناصر الموجودة داخل قاعدة البيانات، والكشف عن صفوف مماثلة في ملف كبير، وإيجاد مساحات مماثلة في تسلسلات الدي إن إيه، وغيرها.\nوقد تحدد دالة تلبيدمفتاح أو اثنين من مفاتيح قيمة تلبيد نفسها. وفي كثير من التطبيقات، يجب تقليل نسبة التصادم. وهذا يعني أنه يجب على دالة تلبيد رسم خريطة لمفاتيح قيم تلبيد بالتساوي قدر الإمكان. وقد تتطلب بعض التطبيقات خصائص أخرى. وعلى الرغم من أن الفكرة قد نشأت في الخمسينيات ، لا يزال موضوع تصميم دالات تلبيد قيد البحث.\nترتبط دالات تلبيد بتدقيق المجموع، وتدقيق الأرقام، والبصمات، والدالات العشوائية، ورموز تصحيح الخطأ، ودالة تلبيد الرمزية. وعلى الرغم من تداخل هذه المفاهيم إلى حدٍ ما، لكل مفهوم استخداماته واحتياجاته الخاصة. كما يتم تصميم كل واحدة منهم بشكل مختلف.\n== التطبيقات ==\n=== جداول تلبيد ===\nتُستخدم دالات تلبيد أساساً في جدول تلبيد لتحديد مكان تسجيل البيانات بسرعة (كتعريف في القاموس مثلاً) من خلال مفتاح البحث الخاص به (الكلمة المراد البحث عنها). ومن ثم تُستخدم دالة تلبيد لتحديد مفتاح البحث. ويُعطي المؤشر المكان الذي يجب تخزين البيانات فيه. وبالتالي، تُستخدم جداول تلبيد لتنفيذ مصفوفات ترابطية ومجموعات ديناميكية.\nويُمكن أن تحدد دالات تلبيد مفاتيح مختلفة لنفس المؤشر. ولذلك، يرتبط كل جزء من جدول تلبيد (بشكل مباشر أو غير مباشر) بمجموعة من التسجيلات بدلاً من تسجيل واحد. ولهذا السبب، يُسمى كل جزء من جدول تلبيد مجموعة، كما تُسمى قيم تلبيد أيضاً مؤشرات المجموعة.\nوبالتالي، تُساعد دالة تلبيد فقط في تحديد موقع التسجيل—حيث تُحدد المكان الذي ينبغي بداية البحث منه. وبالتالي، ستُقلل دالة تلبيد من نطاق البح","en_topic":"Hash function","wiki_pageid":772872,"wiki_revid":75130128,"source_url":"https://ar.wikipedia.org/?curid=772872","license":"CC BY-SA 4.0"}
{"slug":"advanced-encryption-standard","lang":"ar","title":"معيار التعمية المتقدم","text":"معيار التعمية المُتقدِّم (الإنجليزية: Advanced Encryption Standard) اختصاراً AES، ويُعرف أيضاً باسمه الأصيل رِنْدِل (الهولندية: Rijndael) وتُقرأ ˈrɛindaːl، هو محدِّد تعمية اعتمده المعهد الوطني للمعايير والتقانة في الولايات المتحدة سنة 2001م.\nمعيار التعمية المتقدِّم هو تنويعة لمعمي فِدر رِنْدِل. طوره عالما التعمية البلجيكيان جون ديمان وفنسنت ريمين ليكون مقترحاً خلال عملية اختيار خوارزمية معيار التعمية المتقدم التي أدارها المعهد الوطني للمعايير والتقانة. معميات رندل عائلة من معميات الفدر تدعم مقاسات مختلفة للفدر والمفاتيح. اختار المعهد الوطني للمعايير ثلاثة معميات من هذه العائلة تتشابه بمقاس الفدرة (128 بت)، ولكنها تختلف بمقاس المفتاح: 128 و192 و256 بتاً على الترتيب. تستعمل هذه المُعمِّيات تعمية متناظرة وحيدة المفتاح، أي أن المفتاح نفسه يُستخدم لتعمية البيانات ولفك تعميتها.\nأعلن المعهد الوطني للمعايير والتقانة في الولايات المتحدة عن هذا المعيار بوصفه معياراً اتحادياً لمعالجة المعلومات في 26 نوفمبر 2001م، وحمَّله بالاسم الرمزي FIPS 197. وتلا ذلك عملية تعيير استمرت 5 سنوات تنافس فيها 15 اقتراحاً مختلفاً، انتهت باختيار معمي رِندل ليكون أساساً لهذا المعيار. تبنَّت الحكومة الاتحادية للولايات المتحدة معيار التعمية المُتقدِّم في 26 مايو 2002م، ليحل محل معيار تعمية البيانات الذي طُوِّر سنة 1977. وهو المعمي الوحيد المتاح للعموم من المعميات التي أجازتها وكالة الأمن القومي الأمريكية للتعامل مع المعلومات بالغة السرية.\n== معايير رسمية ==\nعرِّف معيار التعمية المُتقدِّم في:\nالمعيار الاتحادي لمعالجة المعلومات ذو المُعرِّف FIPS 197، المُسمَّى: معيار التعمية المتقدم.\nمعيار المنظمة الدولية للمعايير واللجنة الكهرتقنية الدولية ذو المُعرِّف 18033-3، المُسمَّى معميات الفدر.\n== الوصف ==\nبُني معيار التعمية المتقدم على بدئية تعمية تُسمَّى شبكة الإعاضة والتباديل. لا يستعمل معيار التعمية المتقدم شبكة فِستل، كما هو حال سابقه: معيار تعمية البيانات. معيار التعمية المُتقدِّم هو تنويعة من معميات رنِدل، مقاس الفِدرة التي يعميها ثابت: 128 بتاً، أما مقاس المفتاح فقد يكون 128 أو 192 أو 256 بتاً.\nيعالج المعيار مصفوفة مربعة، تُسمَّى مصفوفة الحالة، فيها 16 عنصراً (4x4)، طول كل منها 16 بايتاً، يُرمز لها على ","en_topic":"Advanced Encryption Standard","wiki_pageid":265578,"wiki_revid":75437643,"source_url":"https://ar.wikipedia.org/?curid=265578","license":"CC BY-SA 4.0"}
{"slug":"zero-knowledge-proof","lang":"ar","title":"الإثبات بلا كشف","text":"الإثبات بلا كشف في علم التعمية هي طريقة يمكن من خلالها لطرف (المُثبِّت) أن يثبت لطرف آخر (المُحقق) أن عبارة معينة صحيحة، مع تجنب نقل أي معلومات إلى المُحقق تتجاوز مجرد حقيقة صحة العبارة، دون الكشف عن الشيء بذاته ولا أي معلومات أخرى غير أنه يعرف مقدار ذاك الشيء.\nالفكرة وراء إثباتات المعرفة بلا كشف هو أنه من التافه إثبات حيازة معلومات معينة بمجرد الكشف عنها؛ فالتحدي هو إثبات هذه الحيازة دون الكشف عن المعلومات أو أي جانب منها مهما كان.\nفي ضوء حقيقة أنه لا ينبغي للمرء أن يكون قادرًا على تقديم دليل على بعض الإفادات إلا عندما تكون لديه معلومات سرية معينة مرتبطة بالإفادة، فإن المُحقق، حتى بعد اقتناعه بصحة الإفادة، يجب أن يظل غير قادر على إثبات صحة الإفادة لأطراف ثالثة.\n== المراجع ==","en_topic":"Zero-knowledge proof","wiki_pageid":8037090,"wiki_revid":72046267,"source_url":"https://ar.wikipedia.org/?curid=8037090","license":"CC BY-SA 4.0"}
{"slug":"y-combinator","lang":"ar","title":"واي كومبناتور","text":"مسرعة الاعمال واي كومبناتور Y-Combinator (YC) هو مسرّعة تكنولوجيا أمريكية تم إطلاقه في مارس 2005. تم استخدامه لإطلاق أكثر من 4000 شركة، بما في ذلك إير بي إن بي وكوينباس وكروز (توضيح) ودورداش ودروبوكس و Instacart و كورا و PagerDuty و ريديت وسترايب وBankjoy وتويتش. كان التقييم المشترك لأكبر شركات YC أكثر من 600 مليار دولار بحلول يناير 2023. بدأ برنامج تسريع الشركة في بوسطن وماونتن فيو، وتوسع إلى سان فرانسيسكو في عام 2019، وكان متصلًا بالإنترنت بالكامل خلال وباء فيروس كورونا . وصفت مجلة فوربس الشركة في عام 2012 بأنها واحدة من أنجح مسرعات بدء التشغيل في وادي السيليكون.\n== تاريخها ==\nتأسست شركة واي كومبناتور في عام 2005 على يد بول جراهام وجيسيكا ليفينجستون وروبرت تابان موريس وتريفور بلاكويل.\nمن 2005 إلى 2008، كان أحد البرامج في كامبريدج، ماساتشوستس، والآخر في ماونتن فيو، كاليفورنيا. مع نموها إلى 40 استثمارًا سنويًا، أصبح تشغيل برنامجين أكثر من اللازم. في يناير 2009، أعلنت واي كومبناتور أنه سيتم إغلاق برنامج كامبريدج وأن جميع البرامج المستقبلية ستكون في وادي السيليكون.\nعام 2009، قادت شركة سيكويا كابيتال 2 مليون دولارجولة استثمار في واي كومبناتور لتمكينها من الاستثمار في ما يقرب من 60 شركة سنويًا. في عام 2010، قادت سيكويا 8.25 مليون دولار جولة تمويل لـواي كومبناتور لزيادة عدد الشركات الناشئة التي يمكن أن تمولها الشركة.\nفي عام 2011، عرض يوري ميلنر و SV Angel على كل شركة واي كومبناتور استثمارًا بقيمة 150 ألف دولار في السندات القابلة للتحويل. تم تغيير المبلغ الذي تم وضعه في كل شركة إلى 80000 دولار عند تجديد Start Fund.\nفي سبتمبر 2013، بدأت واي كومبناتور في تمويل المنظمات غير الربحية التي تم قبولها في البرنامج بعد اختبار المفهوم مع Watsi.\nعام 2014، حل سام التمان محل جراهام كرئيس لشركة واي كومبناتور. في عام 2014، بدأت واي كومبناتور صفقة جديدة للشركات الناشئة، حيث عرضت 150 ألف دولار مقابل 7% من الأسهم.\nعام 2014، أعلن ألتمان عن شراكة مع ترانسكربتيك لتقديم دعم متزايد لمجتمع واي كومبناتور المتنامي لشركات التكنولوجيا الحيوية. عام 2015 أعلن عن شراكة مع بولت وزيادة الدعم لشركات الأجهزة.\nتم الإعلان عن برنامج زمالة واي كومبناتور في يوليو 2015، بهدف تمويل الشركات في مرحلة الفكرة أو النم","en_topic":"Y Combinator","wiki_pageid":9162371,"wiki_revid":74169642,"source_url":"https://ar.wikipedia.org/?curid=9162371","license":"CC BY-SA 4.0"}
{"slug":"sequoia-capital","lang":"ar","title":"سيكويا كابيتال","text":"سيكويا كابيتال ( بالإنجليزية: Sequoia Capital) هي شركة أمريكية رأس مالية استثمارية، يقع مقرها الرئيسي في مينلو بارك ، كاليفورنيا. تم تأسيسها من قبل دون فالنتين في عام 1972.\nوهي علامة تجارية شاملة لثلاثة كيانات استثمارية مختلفة: يركز أحدها على الولايات المتحدة وأوروبا، والآخر على الهند وجنوب شرق آسيا، والثالث على الصين.\nتشمل الاستثمارات الناجحة البارزة في الشركة هي: أبل وسيسكو وجوجل وإنستغرام ولينكد إن وباي بال وريديت وتمبلر وواتساب وزووم.\n== تاريخ ==\nتأسست الشركة على يد دون فالنتين في عام 1972 في مينلو بارك، كاليفورنيا في الوقت الذي كانت فيه صناعة رأس المال الاستثماري في الولاية قد بدأت للتو في التطور.\nشكلت سيكويا أول صندوق لرأس المال الاستثماري في عام 1974، وكانت من أوائل المستثمرين في أتاري في العام التالي. في عام 1978 ، أصبحت سيكويا من أوائل المستثمرين في شركة آبل. تولى الشركاء دوغ ليون ومايكل موريتز قيادة الشركة في عام 1996.\nفي عام 1999، أنشأت سيكويا صندوقًا استثماريًا مخصصًا للشركات الناشئة الإسرائيلية. في عام 2005، تم تأسيس سيكويا كابيتال تشاينا، وتبعها لاحقًا سيكويا كابيتال إنديا.\n== المراجع ==\n== روابط خارجية ==\nموقع ويب سيكويا كابيتال","en_topic":"Sequoia Capital","wiki_pageid":8879300,"wiki_revid":71716134,"source_url":"https://ar.wikipedia.org/?curid=8879300","license":"CC BY-SA 4.0"}
{"slug":"venture-capital","lang":"ar","title":"رأس المال الجريء","text":"رأس المال الجريء (الإنجليزية: venture capital) (المعروف أيضا باسم رأس المال المغامر أو رأس المال المُخاطر) هو فئة فرعية واسعة من الأسهم الخاصة التي تشير إلى جعل الاستثمار في الأسهم، وعادة في الشركات الصغيرة، للتنمية في وقت مبكر، أو التوسع في النشاط التجاري. وفي الاستثمارات التي تحتوى على مخاطرة، يتم تطبيق تكنولوجيا جديدة، ومفاهيم جديدة للتسويق ومنتجات جديدة لم يتم التأكد منها.\nويقسم رأس المال الجريء في كثير من الأحيان على مراحل التنمية في الشركة بدءا من رأس المال في مرحلة مبكرة ويستخدم للبدء في إنشاء شركات لمرحلة متأخرة ونمو رأس المال التي غالبا ما تستخدم لتمويل التوسع في الأعمال التجارية القائمة التي يتم توليد الدخل وقد لا تكون مربحة أو توليد التدفق النقدي لتمويل النمو في المستقبل.\nويطور رجال الأعمال المنتجات والأفكار التي تحتاج إلى رأس مال أساسي في المراحل التشكيلية من دورات حياة الشركات. والعديد من أصحاب المشاريع ليس لديهم ما يكفي من الأموال لتمويل المشاريع نفسها، ولذلك يجب البحث عن تمويل خارجي. والمشروع الرأسمالي في حاجة إلى تحقيق عوائد عالية للتعويض عن مخاطر هذه الاستثمارات مما يجعل المشروع مصدر تمويل لرأس المال بالنسبة للشركات. ويعتبر رأس المال الجريء هو الأكثر ملاءمة للأعمال التجارية مع المتطلبات الكبيرة لرأس المال التي لا يمكن تمويلها عن طريق بدائل أرخص ثمنا مثل الديون. وعلى الرغم من أن رأس المال الجريء غالبا ما يكون أكثر ارتباطا بالتكنولوجيا سرعية النمو ومجالات التكنولوجيا الحيوية، فإنه يستخدم لبعض الأعمال التقليدية .\n== التمويل ==\nيختلف رأس المال الجريء اختلافاً جوهرياً عن الائتمان أو القرض، حيث انه في الحالة الأولى يمتلك الدائن الحق بالمطالبة بماله بغض النظر عن حالة الشركة أو استقرارها المالي، بينما بالمقابل، فإن المستثمر في رأس المال الجريء قام بالاستثمار في الشركة وحصل على حصة فيها، وبذلك فان عوائده تعتمد بشكل كامل على نمو المشروع وقدرته على تحقيق الارباح.\nيحصل بالعادة المستثمر في رأس المال الجريء على عوائدة عندما يصل المشروع الريادي إلى مرحلة الخروج (بيع المشروع الريادي) وذلك ببيع حصته من المشروع إلى شخص آخر.\nعادةً ما يكون المستثمرون في رأس المال الجريء شديدي الانتقائبة عند اختيارهم للمشروع الذي يريديون الاستثمار فيه، وبحكم التجربة فان المستثمر في رأس ","en_topic":"Venture capital","wiki_pageid":917984,"wiki_revid":75163496,"source_url":"https://ar.wikipedia.org/?curid=917984","license":"CC BY-SA 4.0"}
{"slug":"initial-public-offering","lang":"ar","title":"إطلاق سوق الأوراق المالية","text":"إطلاق سوق الأوراق المالية (الإنجليزية: stock market launch) أو العرض العامّ الأولي (Initial public offering، واختصاراً: IPO) هو نوعٌ من العرض العام (عرض سندات شركة للشراء لعامة الناس) تُعرَض فيه أسهم شركة ما للبيع على العامَّة للمرَّة الأولى في سوق الأوراق المالية. تقوم شركة خاصة خلال عملية إطلاق السوق بالتحول إلى شركة عامة. تستعمل الشركات هذا الأسلوب لرفع رأس مالها الحالي، وقد يكون ذلك لوضع استثمارات مستثمرين سابقين ضمن أطرٍ قانونية، أو لكي تصبح الشركة رائجة في سوق الأسهم. لا تُطَالَب الشركة التي تبيع أسهمها في السوق قطٌّ بأن تعيد رأس المال لمستثمريها مرة أخرى، فبعد إطلاق سوق الأوراق المالية وتبادل الأسهم بحرية في السوق المفتوح يصبح المال متبادلاً بدوره بين المستثمرين. يوفر إطلاق سوق الأوراق المالية الكثير من الميزات للشركات، إلا أن له مشاكله أيضاً، وأهمُّها هي تكاليف إجراء هذه العملية وضرورة الإفصاح عن معلومات سرية في الشركة قد تكون مفيدةً لمنافسيها.\nيطَّلق مشترو الأسهم المحتملون على العرض الذي تقدّمه الشركة في صورة وثيقة طويلة مفصَّلة. تستعين معظم الشركات التي تقدم على إطلاق سوق الأوراق المالية بمصارف استثمارية للحصول على ضامن سندات، إذ يوفّر عدة خدمات بينها المساعدة بتقدير قيمة الأسهم الحقيقية وتأسيس سوق عامَّة للبيع الأولي. كما توجد أساليب أخرى تلجأ لها بعض الشركات أحياناً، مثل المزاد الهولندي. يُعَدُّ أهم الأمثلة على إطلاق سوق الأوراق المالية من حيث الحجم ومشاركة عامة الناس هو شركة غوغل. وأما في إطار الدول فقد بدأت الصين مؤخراً باتّخاذ دور كبير في هذا السوق عالمياً.\n== التاريخ ==\nظهر أول شكلٍ من بيع شركة لأسهمها في سوق عامة خلال عهد الجمهورية الرومانية، تحت اسم البَبليكاني (publicani). كانت مؤسسات الببليكانو هيئات قانونية مستقلة عن أعضائها وتٌقسَّم ملكيتها على شكل أسهم مالية، وثمة ما يشير إلى أن هذه الأسهم بيعت لعامة الناس من المستثمرين وتاجر بها الناس في الأسواق. كانت الأسهم تتفاوت في قيمتها، لتشجّع ظهور المضاربين مثل ما يحدث حالياً. رغم ذلك، توجد أدلة قليلةٌ جداً باقية عن الأسعار التي بيعت بها هذه الأسهم، والطبيعة العامة لسوق الأسهم، والأساليب التي كانت متبَّعة بها. اختفت الببليكاني من الوجود بعد سقوط الجمهورية وظهور الإمبراطورية الرومانية مكانها.\n== المراجع","en_topic":"Initial public offering","wiki_pageid":1846188,"wiki_revid":74914174,"source_url":"https://ar.wikipedia.org/?curid=1846188","license":"CC BY-SA 4.0"}
{"slug":"startup-company","lang":"ar","title":"شركة ناشئة","text":"الشركة الناشئة (الإنجليزية: startup company) هي شركة ذات تاريخ تشغيلي قصير. وهذه الشركات، والتي غالبًا ما تكون حديثة الإنشاء، وتكون في طور النمو والبحث عن الأسواق. وأصبح هذا المصطلح متداولًا على نطاق عالميّ بعد فقاعة الدوت كوم عندما تمّ تأسيس عدد كبير من شركات الدوت كوم.\nيقوم المؤسسون بتصميم الشركات الناشئة لتطوير نموذج أعمال قابل للتطوير بشكل فعال. وبالتالي، فإن مفاهيم الشركات الناشئة وريادة الأعمال متشابهة. ومع ذلك، تشير روح ريادة الأعمال إلى جميع الأعمال الجديدة، بما في ذلك العمل الحر والأعمال التجارية التي لا تنوي أن تنمو بشكل كبير أو أن تصبح مسجلة، في حين تشير الشركات الناشئة إلى الشركات الجديدة التي تنوي أن تتخطى المؤسس المنفرد، ولديها موظفون، وتنوي أن تنمو بشكل كبير. تواجه الشركات الناشئة درجة عالية من عدم اليقين ولديها معدلات عالية من الفشل، لكن الأقلية التي تستمر لتصبح شركات ناجحة يجب أن تصبح كبيرة ومؤثرة. بعض الشركات الناشئة تصبح أحاديات، أي الشركات الناشئة الخاصة التي تقدر قيمتها بأكثر من مليار دولار. وفقا ل TechCrunch، كان هناك 279 شركة ناشئة حتى مارس 2018 ، مع معظم حيدات اليونيتور الموجودة في الصين، تليها الولايات المتحدة.\n== مميزاتها ==\nما يجعل هذا النوع من الشركات مصدر جذب، للمستثمرين ورواد الأعمال المؤسسين أنفسهم، هو إمكانية إطلاق الشركة ببساطة عن طريق التمويل الذاتي أو الخارجي بمصاريف قليلة، كما أنها تتميز بسرعة النمو، وبالرغم من المخاطرة العالية المتضمنة إلا أن العائد المتوقع عالٍ جداً.\n== عمل الشركة الناشئة ==\nتبدأ الشركات الناشئة عادة بمؤسس (مؤسس فردي) أو عدة مؤسسين، والذين لديهم طريقة لحل مشكلة ما. سوف يبدأ المؤسس بالتشغيل وفي التحقق من صحة السوق من خلال مواجهة المشكلة، ومقارنة الحلول، ومن ثم بناء منتج قابل للتطبيق بحد أدنى (MVP) منتج الحد الأدنى، أي نموذج أولي، لتطوير نماذج الأعمال والتحقق منها. يمكن أن تستغرق عملية بدء التشغيل فترة طويلة من الوقت، بتقدير واحد، ثلاث سنوات أو أكثر، (Carter et al.، 1996؛ Reynolds & Miller، 1992) ، وبالتالي يلزم بذل جهود مستدامة. لكن الحفاظ على الجهد على المدى الطويل يعد تحديًا بشكل خاص بسبب معدلات الفشل العالية والنتائج غير المؤكدة.\n== مصادر التمويل ==\nهناك مصادر عديدة لتمويل مثل هذه الشركات الناشئة، وأهمها:\nالتم","en_topic":"Startup company","wiki_pageid":1052068,"wiki_revid":75236711,"source_url":"https://ar.wikipedia.org/?curid=1052068","license":"CC BY-SA 4.0"}
{"slug":"due-diligence","lang":"ar","title":"الفحص النافي للجهالة","text":"الفحص النافي للجهالة أو العناية الواجبة (الإنجليزية: Due diligence) هي عملية تحقق أو فحص من المتوقع أن يقوم بها شخص قبل الدخول في اتفاق أو عقد مع طرف آخر، أو فعل مع معيار معين من الرعاية. بمعنى أنها درجة الرعاية التي شخص عادي ومعقول من عادته، أو في ظل ظروف مماثلة للوضع المعني، أن يمارسها اتجاه ممتلكاته. يستخدم مفهوم العناية الواجبة كاختبار للمسؤولية عن الإهمال. كما يدعى الرعاية العادية أو العناية المعقولة.\nيمكن أن يكون التزامًا قانونيًا، لكن المصطلح ينطبق بشكل أكثر شيوعًا على التحقيقات الطوعية. من الأمثلة الشائعة للعناية الواجبة في مختلف الصناعات العملية التي يتم من خلالها تقييم المقتني المحتمل للشركة المستهدفة أو أصولها لعملية الاستحواذ. ترى النظرية التي تكمن وراء بذل العناية الواجبة أن أداء هذا النوع من التحقيق يساهم بشكل كبير في اتخاذ القرارات المستنيرة من خلال تعزيز كمية ونوعية المعلومات المتاحة لصانعي القرار وضمان استخدام هذه المعلومات بشكل منهجي للتداول بطريقة انعكاسية بشأن القرار في متناول اليد وجميع التكاليف والفوائد والمخاطر.\n== انظر أيضا ==\nالمسؤولية الصارمة\n== المراجع ==","en_topic":"Due diligence","wiki_pageid":6323245,"wiki_revid":74947742,"source_url":"https://ar.wikipedia.org/?curid=6323245","license":"CC BY-SA 4.0"}
{"slug":"special-purpose-acquisition-company","lang":"ar","title":"شركة استحواذ ذات غرض خاص","text":"شركة الاستحواذ ذات الأغراض الخاصة ( SPAC ؛ )، والمعروفة أيضًا باسم \" شركة الشيكات الفارغة \"، هي شركة صورية مدرجة في سوق الأوراق المالية بغرض الاستحواذ على (أو الاندماج مع) شركة خاصة ، وبالتالي جعل الشركة الخاصة عامة دون المرور بعملية الطرح العام الأولي ، والتي غالبًا ما تحمل أعباء إجرائية وتنظيمية كبيرة. وفقًا لهيئة الأوراق المالية والبورصات الأمريكية ، يتم تأسيس الشركة بهذا الشكل خصيصًا لتجميع الأموال لتمويل فرصة الاندماج أو الاستحواذ المستقبلية ضمن إطار زمني محدد، وعادة ما يتم تحديد هذه الفرص أثناء جمع الأموال.\nفي الولايات المتحدة الأمريكية ، يتم تسجيل شركات الاستحواذ ذات الأغراض الخاصة (SPACs) لدى هيئة الأوراق المالية والبورصات الأمريكية (SEC) وتعتبر شركات مساهمة عامة. ويجوز للعامة من الناس شراء أسهمهم في البورصات قبل حدوث أي اندماج أو استحواذ. ولهذا السبب، يشار إليها أحيانًا باسم \" صناديق الأسهم الخاصة للفقراء\". غالبية الشركات التي تسعى إلى شراء هذا النوع من الشركات تفعل ذلك في بورصة ناسداك أو بورصة نيويورك في الولايات المتحدة الأمريكية، على الرغم من أن البورصات الأخرى، مثل بورصة يورونكست أمستردام ، وبورصة سنغافورة ، وبورصة هونج كونج ، أشرفت أيضًا على حجم صغير من صفقات هذا النوع من الشركات.\nعلى الرغم من الشعبية والنمو في عدد شركات الاستحواذ ذات الأغراض الخاصة، يُظهر التحليل الأكاديمي أن عوائد المستثمرين على شركات الاستحواذ ذات الأغراض الخاصة بعد الاندماج تكون سلبية بشكل موحد تقريبًا، على الرغم من أن المستثمرين في شركات الاستحواذ ذات الأغراض الخاصة والشركات المندمجة قد يكسبون عوائد زائدة مباشرة بعد الاندماج. عادةً ما يتسارع انتشار الشركات ذات الأغراض الخاصة خلال فترات الفقاعات الاقتصادية، مثل \" فقاعة كل شيء \" بين عامي 2020 و2021\nتتعدد الفئات التي قد تكون مهتمة بالفرص الاستثمارية الواعدة، مثل صناديق الاستثمار الخاصة أو صناديق رأس المال الاستثماري أو صناديق الثروة السيادية، بالإضافة إلى المستثمرين الأفراد الذين يسعون للاستفادة من العوائد المالية المغرية. كذلك، قد يكون هناك مديرو أعمال ذو خبرة كبيرة يطمحون إلى استكشاف فرص استثمارية تتجاوز نطاق تمويلهم الحالي، أو الذين يسعون لتوسيع قاعدة المستثمرين لتحقيق أفضل استفادة. من جهة أخرى، قد تكون هناك شركات تبحث عن مصا","en_topic":"Special-purpose acquisition company","wiki_pageid":9334707,"wiki_revid":73705178,"source_url":"https://ar.wikipedia.org/?curid=9334707","license":"CC BY-SA 4.0"}
{"slug":"startup-accelerator","lang":"ar","title":"مسرعة (ريادة أعمال)","text":"مسرعة الأعمال أو مسرعة أعمال الشركات الناشئة، تعرف أيضًا باسم مسرعات البذور، هي برامج محددة المدة تعتمد على الفوج، وتشمل الإرشاد والمكونات التعليمية وتبلغ ذروتها في حدث عرض تقديمي عام أو يوم عرض. في حين أن حاضنات الأعمال التقليدية غالبًا ما تكون ممولة من الحكومة، ولا تأخذ أي أسهم عمومًا، وتركز على التكنولوجيا الحيوية أو التكنولوجيا المالية (FinTech) أو التكنولوجيا الطبية (MedTech) أو التكنولوجيا النظيفة أو الشركات التي تركز على المنتجات، يمكن أن يتم تمويل المسرعات إما من القطاع الخاص أو العام والتركيز على مجموعة واسعة من الصناعات. على عكس حاضنات الأعمال، فإن عملية التقديم لمسرعات البذور مفتوحة لأي شخص، ولكنها ذات قدرة تنافسية عالية. هناك أنواع محددة من مسرعات البذور، مثل مسرعات الشركاتغالبًا ما تكون الشركات التابعة أو برامج الشركات الكبرى التي تعمل مثل مسرعات البذور.\n== صفات مميزة ==\nالاختلافات الرئيسية بين حاضنات ومسرعات الأعمال هي:\nعملية التقديم مفتوحة لأي شخص، ولكنها تنافسية للغاية. تتمتع كل من Y Combinator و TechStars بمعدلات قبول بين 1٪ و 3٪.\nعادة ما يتم إجراء استثمار أولي في الشركات الناشئة مقابل حقوق الملكية. عادةً ما يتراوح الاستثمار بين 20000 دولار أمريكي و 50000 دولار أمريكي (أو 10000 جنيه استرليني و 50000 جنيه استرليني في أوروبا)\nينصب التركيز على الفرق الصغيرة، وليس على المؤسسين الفرديين. تعتبر المسرعات عمومًا أن شخصًا واحدًا غير كافٍ للتعامل مع جميع الأعمال المرتبطة ببدء التشغيل.\nيجب أن «تتخرج» الشركات الناشئة بحلول موعد نهائي محدد، عادةً بعد 3 أشهر. خلال هذا الوقت، يتلقون توجيهًا وتدريبًا مكثفًا، ومن المتوقع أن يتكرروا بسرعة. تقريبًا، تنهي جميع المسرّعات برامجها بـ «يوم تجريبي»، حيث تقدم الشركات الناشئة للمستثمرين.\nيتم قبول الشركات الناشئة ودعمها في مجموعات أو فئات نموذجية (المسرّع ليس موردًا عند الطلب). يعد دعم الأقران وردود الفعل التي توفرها الفصول الدراسية ميزة مهمة. إذا لم يوفر المسرّع مساحة عمل مشتركة، فستجتمع الفرق بشكل دوري.\nتُستمد القيمة الأساسية لرائد الأعمال من التوجيه والعلاقات والاعتراف باختياره ليكون جزءًا من المسرع. يعتمد نموذج العمل على توليد عوائد على غرار المشروع، وليس الإيجار، أو رسوم الخدمات\n.لا تحتاج مسرعات البذور بالضرورة إلى تضمين ","en_topic":"Startup accelerator","wiki_pageid":7859525,"wiki_revid":73553749,"source_url":"https://ar.wikipedia.org/?curid=7859525","license":"CC BY-SA 4.0"}
{"slug":"crowdfunding","lang":"ar","title":"تمويل جماعي","text":"التمويل الجماعي (الإنجليزية: Crowd funding) هو مصطلح يعبر عن العملية الجماعية والتعاونية، المبنية على الثقة وشبكة العلاقات بين الأفراد الذين يجمعون الأموال والموارد الأخرى سويا، غالباً عبر الإنترنت بهدف دعم جهود مقدمة من افراد أو منظمات أخرى. تتم عملية التمويل الجماعي بهدف دعم العديد من الأهداف؛ منها على سبيل المثال عمليات الإغاثة في حالات الكوارث، صحافة الشارع، دعم الفنانين الذين يحتاجون للدعم من المعجبين، دعم الحملات الانتخابية، تمويل الشركات الناشئة، الأفلام، المشاريع الصغيرة، أو إنشاء برامج مجانية.\n== نشأة الفكرة ==\nبدأت الفكرة تلوح في الأفق منذ العام 2008 وكان من شأنها تغيير العالم، وتبديل قواعد اللعبة المالية، إنها تلك المواقع التي جاءت كمتنفس للمبدعين، ورواد الأعمال لانها ساهمت أولا في زيادة حريتهم المالية، وثانيا خلصتهم من سلطة المستثمرين والبنوك التجارية هذا ولا ننسى أن بعض المشاريع لم تكن لترَى النور لولا هذه الفكرة العبقرية.\n== التطبيقات المعاصرة ==\nيستخدم التمويل الجماعي كآلية تمويل للأعمال الإبداعية مثل التدوين والصحافة، الموسيقى، الأفلام المستقلة، وأيضاً لدعم الشركات الناشئة.\nو قد انشأت أحد الشركات اللامعة في مجال التمويل الجماعي والعاملة في مجال تمويل الأفلام سبانر فيلمز بعمل دليل مفيد لتنفيذ مبادرات التمويل الجماعي. كما قامت روكيت هب (أحد منصات الإبداع) التي برزت بدمج التمويل التقليدي للأعمال الإبداعية مع التمويل الجماعي لمساعدة الفنانين ورواد الأعمال على الاجتماع والعمل سويا بدون مساعدة طرف ثالث «وسيط».\n== الملكية الفكرية ومواقع التمويل الجماعي ==\nأحد التحديات التي تواجه مشاركة الأفكار الجديدة على مواقع التمويل الجماعي هي عدم وجود حماية للملكية الفكرية (أو وجودها لكن بحدود قليلة لا تحمي الفكرة كلياً) على الأفكار المشاركة من هذه المواقع بحد ذاتها. وبسبب ذلك، فعند مشاركة فكرة على أحد هذه المواقع فمن المحتمل ان تُسْرَق هذه الأفكار. يقول سلافا روبن مؤسس موقع اندي جوجو: \"نسأل عن هذا الأمر طوال الوقت، كيف ستحمونني من شخص يحاول سرقة فكرتي؟, نحن غير مسؤولون قانونياً عن هذه الأمور.\", وبالمقابل، يدافع أصحاب الشركات الناشئة مثل سيمون براون مؤسس الشركة البريطانية المقر «جمعية المبتكرين المتحدين» قائلاً إنه من الممكن حماية الأفكار على مواقع التمويل الجماعي من خل","en_topic":"Crowdfunding","wiki_pageid":1263579,"wiki_revid":75798951,"source_url":"https://ar.wikipedia.org/?curid=1263579","license":"CC BY-SA 4.0"}
{"slug":"minimum-viable-product","lang":"ar","title":"منتج الحد الأدنى","text":"منتج الحد الأدنى (الإنجليزية: Minimum viable product) هو منتج ذو ميّزات قليلة يهدف بناؤه إلى توفير منتج قابل للاستخدام الحالي والتطوير المستقبلي. يقول بعض الخبراء أن المنتج لا يُعتبر «منتج حد أدنى» إلا إذا كان قابلاً للاستخدام والبيع. يمتلك «منتج الحد الأدنى» الميزات الأساسية البدائية لاستخدامه، ولايزيد عن ذلك.\n== الوصف ==\nيُستخدم «منتج الحد الأدنى» لأخذ تجارب المستخدمين، حيث أن تكلفة بنائه بميّزات محدود أقل من تكلفة بناء منتج بميّزات كاملة بينما نجاح هذا المنتج الجديد غير مضمون.\nأول من ذكر هذا المصطلح كان فرانك روبنسون عام 2001، وانتشر بعدها من قِبل ستيف بلانك وإيرِك رايس من خلال كتابهما «بداية نَحِيلة» (الإنجليزية: Lean startup).\nيقوم المطورون عادةً بإطلاق المنتج لفئة معينة من العملاء المحتملين، مثل المتبنِّي صاحب السبق، وذلك لإعطاء آرائهم عن المنتج قبل إطلاقه بشكل كامل.\nمنتج الحد الأدنى عبارة عن إستراتيجية وعملية بناء وبيع المنتج إلى العملاء، وهي فلسفة جوهرية ضمن عملية متكررة لتوليد الأفكار، تتكون من: بناء النموذج الأولى، العرض، جمع البيانات، التحليل البيانات، ثم التعلم. ويسعى المطورون إلى تقليل كمية الوقت المبذول في كل دورة.\nتتكرر هذه العملية حتى يصبح المنتج إما مقبولاً لدى شريحة واسعة من العملاء، أو حتى يُثبت فشله.\n== الأهداف ==\nتستطيع من خلال منتج الحد الأدنى أن تختبر المنتج بأقل الموارد.\nتقليل الساعات المهدرة في بناء المنتج.\nإيصال المنتج إلى العملاء بأسرع وقت ممكن.\nتدريب المطوّرين على بناء منتجات مشابهة.\n== الاختبار ==\nالنتائج العائدة من اختبار منتج الحد الأدنى تهدف إلى معرفة ما إذا كان المنتج يصلح للبناء والبيع أم لا. حيث تحدِّد عملية الاختبار ما إذا المنتج قد حقق الأهداف المرجوة منه حيث يمكن إكمالُ بنائه بشكل كامل.\n== انظر أيضًا ==\nالكاتدرائية والبازار (كتاب).\nشركة ناشئة.\n== مراجع ==","en_topic":"Minimum viable product","wiki_pageid":4964274,"wiki_revid":75446514,"source_url":"https://ar.wikipedia.org/?curid=4964274","license":"CC BY-SA 4.0"}
{"slug":"economies-of-scale","lang":"ar","title":"وفورات الحجم","text":"في الاقتصاد الجزئي وفورات الحجم أو اقتصاد الحجم هي مزايا التكلفة التي تحصل عليها الشركات بسبب حجم عملها (يقاس عادة بحجم الإنتاج المحقق)، فتتناقص تكلفة إنتاج وحدة إضافية من السلعة كلما زاد حجم الإنتاج.\nتنطبق وفورات الحجم على مجموعة متنوعة من المواقف التنظيمية والتجارية وعلى مستويات مختلفة، على مستوى الإنتاج مثلًا أو المعمل أو على مستوى المؤسسة بأكملها. عندما يبدأ متوسط التكاليف في الانخفاض مع زيادة الإنتاج، تحدث وفورات الحجم. لبعض وفورات الحجم، مثل التكلفة الرأسمالية لمرافق التصنيع والخسائر بالاحتكاك في النقل والمعدات الصناعية، أساسٌ مادي أو هندسي.\nمصدر آخر لاقتصاديات الحجم هو إمكانية شراء المدخلات بتكلفة أقل لكل وحدة إذا اشتريناها بكميات كبيرة.\nيُنسب هذا المفهوم الاقتصادي إلى آدم سميث وفكرة الحصول على عائدات إنتاج أكبر من خلال استخدام تقسيم العمل. والضد من وفورات الحجم هو تبذيرات الحجم.\nغالبًا ما يكون لوفورات الحجم حدود، مثل اجتياز نقطة التصميم المثالية، التي تبدأ بعدها تكاليف إنتاج كل وحدة إضافية في الازدياد. تشمل الحدود الشائعة تجاوز إمدادات المواد الخام القريبة، مثل الخشب في صناعة الخشب واللب والورق. هناك حد شائع لإنتاج البضائع بتكلفة منخفضة وهو إشباع السوق الإقليمية، وبالتالي يضطر المنتج لشحن بضاعته لمسافات غير مجدية اقتصاديًا ليتمكن من تصريفها. تشمل الحدود الأخرى استخدام الطاقة بكفاءة أقل أو وجود معدل أعلى من العيوب في الإنتاج.\nعادة ما يكون المنتجون الكبار فعالين على المدى الطويل من إنتاج نفس الصنف، وبالتالي يجدون أنه من المكلف تبديل الأصناف المنتجة بشكل متكرر، لذلك يتجنبون السلع التخصصية على الرغم من أن لديها هوامش ربحية أعلى. غالبًا ما تظل منشآت التصنيع الأصغر (عادة ما تكون أكبر سنًا ايضًا) قابلة للحياة عن طريق التغيير من الإنتاج على مستوى السلع الأساسية إلى الإنتاج على مستوى المنتجات المتخصصة.\nيجب أن تتميز وفورات الحجم بوفورات ناشئة عن زيادة في إنتاج معملٍ معين. عندما يُشغَّل المصنع دون طاقته الإنتاجية المثلى، تؤدي الزيادات في درجة استخدامه إلى انخفاض متوسط إجمالي تكلفة الإنتاج. لكن هذا الأمر، أي الوفورات في إنتاج مختلفٌ عن وفورات الحجم كما لاحظ نيكولاس جورجيسكو-روجن (1966) ونيكولاس كالدور (1972).\n== نظرة عامة ==\nالمعنى البسيط لوفورات الحجم هو القيام بالأشيا","en_topic":"Economies of scale","wiki_pageid":148049,"wiki_revid":66914177,"source_url":"https://ar.wikipedia.org/?curid=148049","license":"CC BY-SA 4.0"}
{"slug":"patent","lang":"ar","title":"براءة اختراع","text":"براءة الاختراع (الإنجليزية: Patent) هي امتياز خاص يمنح بشكل رسمي لمخترع في فترة زمنية محددة مقابل سماحه للعامة بالاطلاع على الاختراع. وبشكل عام فإن الحق الذي يُمنح لصاحب الاختراع هو منع الآخرين من صناعة أو استخدام أو بيع أو عرض ذلك الاختراع دون الحصول على موافقة من صاحب براءة الاختراع، وهي ترخيص حكومي يُمنح لشخص ما فيحصل بموجبه على حقوق حصرية لاختراعه أو تصميمه الجديد.\nإجراءات الحصول على براءة الاختراع والمتطلبات المفروضة على المخترع ومدى الحقوق الخاصة للمخترع مختلفة بين الدول بحسب قوانين الدولة نفسها والاتفاقيات الدولية. طلب براءة الاختراع يجب أن يتضمن على الأقل شيئاً جديداً ومبتكراً ومفيداً أو تطبيقاً صناعياً. وفي العديد من الدول هناك العديد من الأشياء التي لا يمكن أن تتم حمايتها ببراءات الاختراع، مثل العمليات العقلية أو طرق تنفيذ الأعمال.\n== القانون ==\nالتصديق والتأكيد على براءة الاختراع بواسطة القانون الوطني وأيضا بواسطة المعاهدات الدولية، التي تؤثر على القانون الوطني، بذلك تأخذ الاختراعات صفة إقليمية في الوطن. بشكل عام تقوم الدولة بإنشاء مكتب لبراءات الاختراعات تكون مسؤوليته تفعيل دورة في إطار القانون الوطني للدولة. ويمنح هذا المكتب براءات الاختراع. هناك اتجاه للتجانس العام بين براءات الاختراع على المستوى الدولي وذلك من خلال المنظمة العالمية للملكية الفكرية World Intellecual Properity Orgnazation) WIPO)\nوهناك عدة معاهدات تعمل على تنظيم الملكية الصناعية بشكل عام وبراءات الاختراع بشكل خاص منها\n1- معاهدة باريس للملكية الصناعية(Paris Convention for the Protection of Industrial Property)\n2- معاهدة التعاون بشأن البراءات (_Patent Cooperation treaty(PCT))\n3- معاهدة قانون البراءات (Patent Law Treaty)PLT)\nقامت فرنسا بوضع قوانين مبدئية لبراءات الاختراع بدون التعدي على سلطات القضاء. المبدأ الرئيسي هو تعاون مشترك لأنظمة براءات الاختراع الحالية. بالإضافة إلى European Patent Convention) EPC) الذي يدار بواسطة (European Patent Organisation (EPOrg.\n== شروط براءة الاختراع ==\nأن تكون فكرة جديدة\nأن تكون غير بديهية\nأن يكون لها تطبيق صناعي\nان لا تكون فكرة مسروقة أو مستنسخة\n== الاتفاقيات والمعاهدات ذات العلاقة ==\n=== اتفاقية باريس لحماية الملكية الصناعية ===\nبموجب الانضمام إلى هذه الا","en_topic":"Patent","wiki_pageid":29879,"wiki_revid":74968176,"source_url":"https://ar.wikipedia.org/?curid=29879","license":"CC BY-SA 4.0"}
{"slug":"copyright","lang":"ar","title":"حقوق التأليف والنشر","text":"حقوق التأليف والنشر هي نوع من الملكية الفكرية يمنح مالكها الحق الحصري في نسخ العمل الإبداعي وتوزيعه وتكيفه وعرضه وتنفيذه، وعادةً ما يكون ذلك لفترة محدودة. وقد يكون العمل الإبداعي في شكل أدبي، أو فني، أو تعليمي، أو موسيقي. تهدف حقوق التأليف والنشر إلى حماية التعبير الأصلي عن فكرة ما في شكل عمل إبداعي، وليس الفكرة نفسها.\nوهو بموجب قانون حق المؤلف في الولايات المتحدة، الذي يتولى الحماية القانونية فقط إلى التمثيل الثابت لوسيط ملموس. وغالبا ما تقاسمها بين العديد من المؤلفين، كل منهم يحمل مجموعة من حقوق استخدام أو ترخيص العمل، والذين يشار إلى أصحاب الحقوق. وتشمل هذه الحقوق في كثير من الأحيان حق نسب التأليف والنسخ، والسيطرة على عمل مشتق، التوزيع، الأداء العام، والحقوق المعنوية\" مثل الإسناد والمشاركة.\nحقوق التأليف والنشر تعدّ حقوقا إقليمية، الأمر الذي يعني أنها لا تتجاوز أراضي ولاية قضائية محددة. في حين أن العديد من جوانب قوانين حقوق النشر الوطنية تكون موحدة من خلال الاتفاقات الدولية لحقوق النشر، وقوانين حقوق التأليف والنشر تختلف حسب البلد. عُدل قانون حق المؤلف في الهند لعام 1957 بشكل ملحوظ. في مايو 2012 وضع مجلسي البرلمان الهندي ختم بالإجماع على مشروع قانون التعديل على حقوق التأليف والنشر وبذلك أصبح قانون حق المؤلف الهندي مطابقا للمنظمة العالمية للملكية الفكرية \"معاهدتي الإنترنت”.\nعادة فإن مدة حق المؤلف تمتد طوال حياة المؤلف بالإضافة إلى 50 إلى 100 سنة (ومن المعلوم أن حقوق الطبع والنشر عادة ما تنتهي خلال 50-100 عاما بعد وفاة المؤلف، اعتمادا على جهة الاختصاص القضائى). بعض البلدان تتطلب تعيين حقوق الطبع والنشر الشكليات لإنشاء حقوق التأليف والنشر، ولكن معظم بنود الاعتراف بالمؤلف في أي عمل منجز، دون تسجيل رسمي يكون محل تقدير كونة اول طرف منح التأليف حسب بنود اتفاقية برن المعقودة عام 1886م حيث نصت الفقرة الثالثة من المادة 15 ( انة بالنسبة للمصنفات التي لاتحمل اسم المؤلف أو التي تحمل اسماً مستعاراً ، يفترض أن الناشر الذي يظهر أسمة على المصنف مالم يثبت عكس ذلك ،بمثابة ممثل المؤلف وبهذة الصفة فإن له حق المحافظة على حقوق المؤلف والدفاع عنها، ويبدأ بطلان حكم هذه الفقرة عندما يكشف المؤلف عن شخصيتة ويثبت صفتة) عموما، يتم فرض حقوق الطبع والنشر باعتبارها مسألة مدنية ،على الرغم من أن بعض","en_topic":"Copyright","wiki_pageid":134824,"wiki_revid":75200420,"source_url":"https://ar.wikipedia.org/?curid=134824","license":"CC BY-SA 4.0"}
{"slug":"probability","lang":"ar","title":"احتمال","text":"الاحتمال هو قياس إمكانية وقوع حدث ما. يُقاس الاحتمال بأنه رقم بين الصفر والواحد حيث يشير الصفر إلى الاستحالة ويشير الواحد إلى التأكيد. كلما زاد احتمال الحدث، زادت إمكانية وقوع هذا الحدث. أحد الأمثلة البسيطة هي رمي العملة (غير المنحاز). لأن العملة غير منحازة، فإن الناتجين (وجه ونقشة) متساويان في الاحتمال تماما أي أن احتمالية ظهور الوجه تساوي احتمالية ظهور النقشة، ولأنه لا يوجد احتمالات أخرى فإن إمكانية ظهور «الوجه» أو «النقشة» هي ½ (والتي يمكن كتابتها 0.5 أو 50%).\nظهرت فرضيات احتمال رياضية لهذه المفاهيم في نظرية الاحتمال، والتي تُستخدم بكثافة في بعض التخصصات الأكاديمية مثل الرياضيات والإحصاء والتمويل والقمار والعلم (خصوصا الفيزياء) والذكاء الاصطناعي والتعلم الآلي وعلم الحاسوب ونظرية الألعاب والفلسفة، من أجل الوصول إلى استدلالات عن التكرارية المتوقعة للأحداث. تُستخدم نظرية الاحتمال أيضا لوصف الآليات الأساسية وتنظيمات الأنظمة المعقدة.\n== التأويلات ==\nعند التعامل مع التجارب العشوائية والمحددة بضوابط نظرية بحتة (مثل إلقاء العملة غير المنحازة)، يمكن وصف الاحتمالات رقميا من خلال قسمة عدد النتائج المرغوبة على العدد الكلي لكل النتائج. على سبيل المثال، عند إلقاء العملة المعدنية مرتين فإن الاحتمالات الكلية هي «وجه-وجه» و«وجه-نقش» و«نقش-وجه» و«نقش-نقش». احتمالية ظهور نتيجة «وجه-وجه» هي 1 من 4 نتائج، أو بطريقة رقمية ¼ أو 0.25 أو 25%. إلا أنه في التطبيقات العملية، نجد أنه هناك نوعين أساسيين من تأويلات الاحتمال والتي يحمل مناصروها آراء مختلفة بخصوص الطبيعة الأساسية للاحتمال:\nالموضوعيون: يحدد الموضوعيون أعدادا لوصف بعض الحالات الموضوعية أو الفيزيائية. أحد أشهر أنواع الاحتمالية الموضوعية هي الاحتمالية التكرارية، والتي تدعي أن احتمالية وقوع حدث عشوائي ترمز إلى التكرارية النسبية لحدوث نتائج التجربة عند تكرار التجربة. يعتبر هذا التأويل أن الاحتمالية هي عملية تكرار نسبية «على المدى الطويل» للنتائج. أحد تعديلات هذا التأويل هي الاحتمالية الاستعدادية والتي تفسر الاحتمالية كاستعداد أو ميل بعض التجارب لإظهار نتيجة معينة، حتى وإن وقعت التجربة مرة واحدة.\nاحتمال بيشان: يحدد احتمال بيشان أعدادا لكل احتمالية غير موضوعية، أي كدرجة من الإيمان. تم تفسير درجة الإيمان على أنها \"السعر الذي ستشتري أو تب","en_topic":"Probability","wiki_pageid":23436,"wiki_revid":75591082,"source_url":"https://ar.wikipedia.org/?curid=23436","license":"CC BY-SA 4.0"}
{"slug":"bayesian-inference","lang":"ar","title":"استدلال بايزي","text":"في فرع الإحصاء، الاستدلال البايزي هو نوع من الاستدلال الذي يستخدم عامل بايز لتطوير تقييم احتمالات فرضية ما بسبب اكتشاف دليل جديد. يُعتبر التطوير البايزي تقنيةً هامَّة في علم الإحصاء، وخاصةً في الإحصاء الرياضي: وتقديم الاستدلال البايزي لمنهج إحصائي يؤكد على أن هذا المنهج فعَّال كأي منهج آخر منافس له في بعض الحالات. ويُعد التطوير البايزي ذا أهمية خاصة في التحليل الديناميكي لتسلسل البيانات. والاستدلال البايزي له عدة تطبيقات في مجالات مختلفة منها: العلوم، الهندسة، الطب، وأيضًا القانون.\nوفي فلسفة نظرية القرار، يرتبط الاستدلال البايزي بشكل مباشر بمناظرات عن الاحتمال الذاتي، والذي غالبًا ما يطلق عليه اسم \"الاحتمال البايزي.\" الاحتمال البايزي.\" الاحتمال البايزي يُقدِّم منهجًا منطقيًا لتطوير المُعتقدات؛ لكن، عوامل التطوير اللابايزي تتوافق مع مفهوم المنطقية، وذلك وفقًا لكل من إيان هاكنج (Ian Hacking)وأيضًا باس فان فراسين (Bas van Fraassen).\n== معلومات تاريخية ==\nالمصطلح البايزي يُشير إلى العَالِم توماس بايز(Thomas Bayes) (1702–1761)، الذي برهن على حجة خاصة والتي تُسمَّى الآن مبرهنة بايز. وعلى الرغم من ذلك، فقد كان بيير سيمون لابلاس(Pierre-Simon Laplace) (مواليد 1749–1827) هو من ابتكر صيغة شاملة من هذه المبرهنة لتتناول موضوعات الميكانيكا السماوية، الإحصاء الطبي الموثوقية، وأيضًا التشريع. والاحتمال البايزي المُبكر، الذي يستخدم المُعطيات السابقة المُتماثلة التي تتبع قانون لابلاس قانون الاستنتاج الغير الكاف، كان يُطلق عليه اسم «الاحتمال العَكسي» (لأنه يستنتج بشكل عكسي من الملاحظات وحتى المعَاملات، أو من التأثيرات وحتى الأسباب ). وبعد عشرينيات القرن الماضي، فإن «الاحتمال العكسي» حل محله على الأغلب مجموعة من المناهج التي أصبحت تُسمَّى الإحصائيات التكراريَّة.\nبينما في القرن العشرين، استطاع لابلاس تطوير وتحسين أفكاره بدرجة كبيرة لترتقي في اتجاهين مختلفين، مما أدى إلى بروز التيارين الموضوعي والذاتي في التطبيق البايزي. ففي التيَّار الموضوعي أو «الغير تثقيفي»، يعتمد التحليل الإحصائي على النموذج المُفترض فقط، البيانات التحليلية. والمنهج الذي يُحدِّد المُعطيات، والذي يختلف من منهج بايزي موضوعي إلى منهج بايزي موضوعي آخر. أما في التيَّار الذاتي أو «التثقيفي»، فإن تحديد المعطيات السابقة يتوقف","en_topic":"Bayesian inference","wiki_pageid":1666418,"wiki_revid":73541539,"source_url":"https://ar.wikipedia.org/?curid=1666418","license":"CC BY-SA 4.0"}
{"slug":"hidden-markov-model","lang":"ar","title":"نظرية ماركوف المخفية","text":"نموذج ماركوف المخفي هو برنامج ماركوف الإحصائي الذي يكون فيه النظام الذي يتم العمل عليه مفترض انه ليس تحت المراقبة.\nنموذج ماركوف الخفي يمكن أن تمثل بانها ابسط ديناميكية في شبكة بايزي.\nيستخدم نموذج ماركوف المخفي بتطبيقاتها في الديناميكا الحرارية والميكانيكا الإحصائية والفيزياء والكيمياء والاقتصاد والتمويل ومعالجة الإشارة ونظرية المعلومات وتمييز الأنماط وتعرف على الكلام وتعرف على خط اليد وgesture recognition وتصنيف أقسام الكلام والتفريغ الجزئي والمعلوماتية الحيوية.\nفي أبسط نماذج ماركوف (مثل سلسلة ماركوف) الحالة ظاهرة للمراقب بشكل مباشر، وبالتالي فإن احتمالية انتقال الحالة هي العوامل الوحيدة فقط، بينما في نموذج ماركوف المخفي الحالة ليست واضحة مباشرة، ولكن النتائج (في شكل بيانات في ما يلي) ، تعتمد على الحالة، مرئية. كل حالة لديها احتمالية توزيع على النتائج الممكنة. ولذلك، فإن تسلسل النتائج الناتجة تعطي بعض المعلومات عن تسلسل الحالات؛ المعروف أيضا نظرية النمط.\nالنموذج يشير إلى تسلسل الحالة التي يمر من خلالها النموذج، لا عوامل النموذج؛ النموذج لا يزال يشار إليه نموذج ماركوف المخفي حتى لو كانت هذه العوامل معروفة بالضبط.\n== مراجع ==","en_topic":"Hidden Markov model","wiki_pageid":5076117,"wiki_revid":72824857,"source_url":"https://ar.wikipedia.org/?curid=5076117","license":"CC BY-SA 4.0"}
{"slug":"matrix","lang":"ar","title":"مصفوفة (رياضيات)","text":"في الرياضيات، المصفوفة (الإنجليزية: Matrix) هي تنظيم مستطيلي من الأعداد تنتمي إلى حقل تبادلي ، كحقل الأعداد الحقيقية أو المركبة، منظمة بشكل أعمدة وصفوف. يُسمى كل عنصر من هذا المجموعة بمدخلٍ للمصفوفة.\n== ترميز ==\nيرمز لمجموعة المصفوفات في الرياضيات التي تتكون من m سطور ، n عمود بالرمز التالي :\n M\n m\n ×\n n\n (\n K\n )\n {\\displaystyle \\mathbb {M} _{m\\times n}(\\mathbb {K} )}\nحيث K , يمثل حقل الأعداد التي تنتمي إليه مدخلات المصفوفة\n== أمثلة ==\nفيما يلي، على سبيل المثال، مصفوفة تحتوي على صفين وعلى ثلاثة أعمدة:\n [\n 1\n 9\n 13\n 20\n 55\n 4\n ]\n {\\displaystyle {\\begin{bmatrix}1&9&13\\\\20&55&4\\end{bmatrix}}}\nمثالا على المدخلات في المصفوفة أعلاه 1, 9, 13, 20, 55 ,4. يدل عادة على أي مدخل في مصفوفة ما باسم المصفوفة بحرف لاتيني صغير وأسفله رقمين صغيرين بحيث يمثل العدد الأول رقم الصف والثاني رقم العمود مثل الشكل المرفق.\nويعرف عدد الأسطر في عدد الأعمدة برتبة المصفوفة أو قياس المصفوفة. مثال ذلك المصفوفة المحتوية على 4 أسطر و 3 أعمدة قياسها هو 4*3 ويمكن إجراء عمليتي الجمع والطرح على المصفوفات المتساوية القياس. كما يمكن ضرب المصفوفات بأنسجام معين في القياس. ولهذه العمليات العديد من خصائص الحساب العادي، باستثناء أن ضرب المصفوفات ليس بعملية تبديلية، وبشكل عام يمكن أن نقول أن A.B لا يساوي B.A. تعرف المصفوف المؤلفة من صف واحد أو عمود واحد بمتجه. أما المصفوفة ذات القياس الأكبر تعرف بموتر.\nتعتبر المصفوفات من إحدى أهم المفاهيم في الجبر الخطي. فيمكن أن تستخدم المصفوفات في حل مسائل النقل الخطي. يتوافق ضرب المصفوفات مع التحويل الخطي الدالة المركبة. كما يمكن للمصفوفات تتبع المعاملات في نظام المعادلات الخطية\nيمكن تعريف المصفوفة عامة، على أنها دالة رياضية خطية تحول مجموعة بداية أي انطلاق (مجال) إلى مجموعة وصول أو صورة (مدى). مجموعة الانطلاق والوصول يمكن أن تكون متكونة من أعداد صحيحة أو عقدية أو متجهات من الأعداد كما يمكن أن تكون هاتان المجموعتان متكونة بدورها من دواف رياضية أو متجهات دوال رياضية. ويمكن أن نرمز ل","en_topic":"Matrix (mathematics)","wiki_pageid":19384,"wiki_revid":75434042,"source_url":"https://ar.wikipedia.org/?curid=19384","license":"CC BY-SA 4.0"}
{"slug":"vector-space","lang":"ar","title":"فضاء متجهي","text":"الفضاء الاتجاهي أو الفضاء المتجهي أو الفضاء الشعاعي كائن أساسي في دراسة الجبر الخطي. هو مجموعة من عدة متجهات والتي هي كائنات يمكن إضافتها مع بعضها البعض وضربها بأعداد، التي يطلق عليها كميات قياسية في هذا السياق. غالبا ما تكون الكميات القياسيات أعدادا حقيقية، ولكن بالإمكان اختيار فضاءات اتجاهية مع كميات قياسية من أعداد مركبة أو أعداد نسبية أو حتى حقول عامة. عمليتا جمع المتجهات وضرب متجهة ما في كمية قياسية ينبغي لهما أن تحققا مجموعة من المتطلبات تدعى موضوعات جاءت أسفله. فضاء المتجهات الإقليدية هو مثال على الفضاءات المتجهية حيث يمكن أن تمثلن كميات فيزيائية مختلفة كالقوى وغيرها.\nفعندما تعتبر المتجهات مع العمليات المطبقة عليها من جمع وضرب قياسي وبعض العمليات الأخرى مثل الانغلاق والتجميعية، فإنه يوصل إلى وصف كائن رياضي يُدعى فضاءً اتجاهياً.\nالمتجهات في الفضاء الاتجاهي لا تمثل تحديداً متجهات هندسية بل يمكن أن تكون أي كائن رياضي يحقق بدهيات الفضاء الشعاعي. فمتعددات الحدود من الدرجة ≤n على سبيل المثال، بمعاملات حقيقية تشكل فضاءً شعاعياً.\nتدرس الفضاءات المتجهية في إطار الجبر الخطي وهي مفهومة بشكل كامل من هذا المنطلق، حيث يتميز كل فضاء متجهي ببُعده. يحدد هذا البُعد عدد الاتجاهات (أو الحركات) المستقلة عن بعضها البعض داخل الفضاء المعين. قد تُضاف إلى فضاء متجهي بُنى أخرى كالمعيار والجداء الداخلي.\nتاريخيا، تعود أول فكرة أدت إلى الفضاء المتجي إلى القرن السابع عشر في إطار الهندسة التحليلية والمصفوفات والمعادلات الخطية والمتجهات الإقليدية. انظر إلى جيوسيبي بيانو وإلى أعماله في هذا المجال.\nحاليا، تطبق الفضاءات المتجهية في الرياضيات والعلوم والهندسة، حيث تشكلن البنية الجبرية الملائمة لدراسة أنظمة المعادلات الخطية، وتُشكلن أيضا الإطار العام لدراسة متسلسلات فورييه اللائي يستعملن بدورهن في ضغط الصور، ولتقنيات حلحلة المعادلات التفاضلية الجزئية. انظر أيضا إلى موتر ومتعدد شُعب وجبر تجريدي.\n== مقدمة وتعريف ==\n=== المثال الأول: الأسهم في المستوى ===\n=== المثال الثاني: أزواج مرتبة من الأعداد ===\nالمثال الثاني على الفضاءات المتجهية هو الأزواج من الأعداد الحقيقية\n x\n {\\displaystyle x}\n و\n y\n {\\displaystyle y}\n (الترتيب الذي جاءا فيه العددان\n x\n {\\displaystyle x}\n و م","en_topic":"Vector space","wiki_pageid":22959,"wiki_revid":73703193,"source_url":"https://ar.wikipedia.org/?curid=22959","license":"CC BY-SA 4.0"}
{"slug":"derivative","lang":"ar","title":"مشتق (رياضيات)","text":"العدد المُشتَقّ (الإنجليزية: Derivative) في نقطة، على رسم بياني لدالة ذات متغيرات وقيم حقيقية، هو معامل المماس الموجِّهُ.\nيعبر التفاضل عن المعدل الذي تتغير به قيمة y نتيجة تغير قيمة x توجد بينهما علاقة رياضية أو دالة رياضية. وتعرف الدالة المشتقة بأنها ميل المماس لمنحنى (f(x عند أي نقطة بشرط وجود هذه المشتقة أو هي السرعة اللحظية أو معدل التغيير اللحظي للدالة.\nنستخدم الرمز Δ للدلالة على التغير في الكمية.\nويكون معدل التغير هو نهاية نسبة تغير y إلى نسبة تغير x :\n Δ\n y\n Δ\n x\n {\\displaystyle {\\frac {\\Delta y}{\\Delta x}}}\nعندما Δx تقارب 0.\nيمكن أن نكتب مشتق y بالنسبة ل x : (ترميز لايبنز)\n d\n y\n d\n x\n {\\displaystyle {\\frac {dy}{dx}}}\nالتعبير الدقيق عن مفهوم الاشتقاق يكون باستخدام مقادير لا متناهية في الصغر:\n lim\n h\n →\n 0\n f\n (\n x\n +\n h\n )\n −\n f\n (\n x\n )\n h\n .\n {\\displaystyle \\lim _{h\\to 0}{\\frac {f(x+h)-f(x)}{h}}.}\n== التاريخ ==\nيعود تاريخ الحساب متناهي الصغر بشكل عام إلى العصور القديمة، ويرتبط بالرياضيين إسحاق نيوتن وغوتفريد لايبنتس، حيث اكتشفاه في القرن السابع عشر. ومع ذلك نجد أن هذا النوع من الحساب بدأه علماء رياضيات سابقين: أرخميدس وبيير دي فيرما، وخاصة إسحاق بارو.\n== رمز الاشتقاق ==\nيمكن التعبير عن المشتق بعدة صيغ، منها ما يلي :\n=== صيغة لايبنتز ===\n d\n f\n d\n x\n {\\displaystyle {\\frac {{\\mathrm {d} }f}{{\\mathrm {d} }x}}}\n ،والتي تكافئ الصيغة\n d\n (\n f\n (\n x\n )\n )\n d\n x\n {\\displaystyle {\\frac {{\\mathrm {d} }\\left(f(x)\\right)}{{\\mathrm {d} }x}}}\nو تُقرأ ((dfdx)) أو ((مشتقة f بدلالة x)) ، أما d(f(x))/dx فتُقرأ ((ddx للدالة f عند x)) أو ((مشتقة f عند x))\ndy/","en_topic":"Derivative","wiki_pageid":14597,"wiki_revid":75433517,"source_url":"https://ar.wikipedia.org/?curid=14597","license":"CC BY-SA 4.0"}
{"slug":"convex-optimization","lang":"ar","title":"استمثال محدب","text":"التحسين المحدب أو استمثال محدب هو حقل فرعي من التحسين الرياضي الذي يدرس مشكلة تقليل الدوال المحدبة عبر مجموعات محدبة (أو تعظيم الدوال المقعرة عبر مجموعات محدبة). العديد من فئات مشاكل التحسين المحدبة تقبل خوارزميات متعددة الحدود في حين أن التحسين الرياضي بشكل عام هو مسائل NP.\nللتحسين المحدب تطبيقات في مجموعة واسعة من التخصصات، مثل أنظمة التحكم الآلي، والتقدير ومعالجة الإشارات والاتصالات والشبكات وتصميم الدوائر الإلكترونية وتحليل البيانات والنمذجة والتمويل والإحصاء (التصميم التجريبي الأحسن)، والتحسين الهيكلي حيث أثبت مفهوم التقريب فعاليته. مع التطورات الحديثة في الحوسبة وخوارزميات التحسين أصبحت البرمجة المحدبة واضحة تمامًا مثل البرمجة الخطية.\n== المصادر ==","en_topic":"Convex optimization","wiki_pageid":9422144,"wiki_revid":72475769,"source_url":"https://ar.wikipedia.org/?curid=9422144","license":"CC BY-SA 4.0"}
{"slug":"signal-processing","lang":"ar","title":"معالجة الإشارة","text":"معالجة الإشارة هي أحد علوم الهندسة الكهربائية والرياضيات التطبيقية. تهتم بتحليل وتعديل الإشارات كإشارات الصوت والصورة وإشارات أجهزة الاتصالات والإشارات البيولوجية مثل:\nإشارة مستقبل جهاز واي-فاي كمثال على أنظمة الاتصال اللاسلكية.\nإشارة كهربية القلب، والتي قد يستخرج منها معلومات مهمة عن القلب.\nإشارة أمواج الدماغ، والتي قد يستخرج منها معلومات مهمة عن نشاطات الدماغ.\n== تطبيقات رياضية تستعمل في معالجة الإشارة ==\nالتحليل الرياضي\nالمعادلات التفاضلية\nالفضاءات المتجهية والجبر الخطي\nالاحتمالات والعمليات العشوائية\n== تصنيفات معالجة الإشارة ==\n=== معالجة الإشارة التماثلية ===\nلمعالجة الإشارات التي لم تتم رقمنتها، كإشارات الراديو والرادار والهاتف. تتطلب دارات إلكترونية خطّية مثل المرشحات الفعالة والمرشحات غير الفعالة، الجامعات، والمكاملات وخطوط التأخير الزمني كما تتطلب دارات إلكترونية غير خطّية مثل الضوارب التماثلية، مرشّحات متحّكم بها عن طريق الجهد، مهتزّات متحكم فيها عن طريق الجهد وحلقات الإقفال الطوري.\n=== معالجة الإشارات المتقطّعة زمنيّاً ===\nويكون للإشارات المعتانة التي تكون معرّفة في لحظات زمنيّة متقطّعة، والتقطيع يكون في الزمن فقط وليس في المطال. تعتمد دارات إلكترونية مثل دارات الاعتيان والإمساك لإعادة تركيب الإشارة.\n=== معالجة الإشارات الرقمية ===\nتتم للإشارات المتقطعة زمنيّاً بعد رقمنتها، ووتم باستخدام حاسوب ذو مهام عامّة أو عبر دارات رقميّة مثل مصفوفة البوابات المبرمجة حقليّاً.\n=== معالجة الإشارات اللاخطّيّة ===\nوهي الإشارات الناتجة عن أنظمة لا خطّية، والتي قد تنتج سلوكاً معقّداً بشكل كبير ولا يمكن تحليلها عبر نظام خطّي.\n== تقنيات معالجة الإشارة ==\nتحويل فوريي السريعFFT.\nمعالجة الإشارة الرقمية\nمعالجة الإشارة التماثلية\n== انظر أيضا ==\nمعالجة رقمية للإشارة\nإشارة (كهرباء)\nقناة مستخدمة\nتجاوز الحد (إشارة)\nمحول إشارة\nإقفال الرادار (الإغلاق على الهدف)\nطيف (علوم فيزيائية)\n== مراجع ==","en_topic":"Signal processing","wiki_pageid":257969,"wiki_revid":69956228,"source_url":"https://ar.wikipedia.org/?curid=257969","license":"CC BY-SA 4.0"}
{"slug":"fast-fourier-transform","lang":"ar","title":"تحويل فورييه السريع","text":"تحويل فوريي السريع (Fast Fourier Transformation) هي خوارزمية تمكن من حساب قيمة تحويل فوريي المتقطع بسرعة. تعود سرعة هذه الخوارزمية إلى أنها لا تقوم بحساب الأجزاء التي يساوي مجموعها صفرا في تحويل فوريي المتقطع. وتنسب الخوارزمية إلى جيمس كولي وجون توكي اللذان قاما بنشر الخوارزمية سنة 1965 وذلك بالصيغة المعروفة اليوم، إلا أن العالم الألماني كارل فريدرش غاوس قام بصياغة خوارزمية شبيهة سنة 1805 واستعملها في حساب مجرى المذنبات بالاس وجونو. كما تم تطوير بعض الحالات الخاصة من الخوارزمية قبل اكتشاف توكي لها (من قبل غود سنة 1960).\n== في الإلكترونيات ==\nمن التطبيقات العملية المستخدمة كثيرا في الأجهزة الإلكترونية والاتصالات والإذاعة نشير هنا إلى تطبيق عملي لتحليل فورييه السريع، حيث يقوم حاسوب إلكتروني بعملية فصل إشارات الاتصالات المرغوبة عن ترددات مشوشرة، وهي تستخدم بغرض خفض الضجيج.\nتحليل فورييه السريع :\nطريقة هامة لخفض الضجيج هي تطبيق تحليل فورييه للإشارات المتراكبة مع تمريرها بمرشح للتردد مفصل لها ثم إعادة تراكبها عن طريق تحويل فورييه. تستخدم الطريقة تحليلا رياضيا ولكن أمكن بواسطة برمجة دوائر إلكترونية لوجيستية التوصل إلى خفض ضجيج أجهزة إلكترونية . ويتم ذلك بواسطة حواسيب رقمية تستطيع أداء ما يسمى تحويل فورييه السريع .\nعند استخدام تحليل فورييه تعين جميع التردادت و مطالاتها و أطوارها . يمكن التفريق بين الإشارات المرغوبة وإشارات الضجيج عن طريق معرفة نطاقات أطياف تردداتها . ومن المستحسن معرفة ترددات الضجيج أولا في غياب الإشارات المرغوبة . حينئذ يمكن التأكد من طيف الضجيج (مجموعة ترددات الضجيج، شكلها، وتتابعها، وشدة كل منها ) . وبهذا الطريقة يمكن بعد ذلك فصل طيف ترددات الضجيج من الإشارات المرغوبة .\nفي المثال العملي التالي سنوضح حالة إشارة مرغوبة «مشوشرة» مما يمكن حدوثها في تقنية الاجهزة الصوتية :\n|\n|\nتوضيح تحليل فوريه وإعادة تركيبه بالرسومات المتحركة:\n== انظر أيضا ==\nتحويل فورييه المتقطع\nخفض الضجيج\nمطيافية\nسلسلة زمنية\n== مراجع ==","en_topic":"Fast Fourier transform","wiki_pageid":56428,"wiki_revid":75714119,"source_url":"https://ar.wikipedia.org/?curid=56428","license":"CC BY-SA 4.0"}
{"slug":"unicode","lang":"ar","title":"الترميز الموحد","text":"في علم الحاسوب، الترميز الموحد (يونيكود أو يُونِكُود) (الإنجليزية: Unicode) هو معيار يمكن الحواسيب من تمثيل النصوص المكتوبة بأغلب نظم الكتابة ومعالجتها، بصورة متناسقة. يتكون يونيكود من 100,000 محرف، وطقم من مخططات الرموز كمرجع مرئي، ونهج في الترميز، وطقم من ترميزات المحارف المعيارية، وسرد لخصائص المحارف، وطقم من البيانات المرجعية، وعدد من الأمور المتعلقة مثل خصائص المحارف، وقواعد تطبيع النص، وفك الحروف لوحداتها الأولية، والترتيب، والتصيير، وثنائية الاتجاه (لعرض النصوص الذي يحتوي على كتابات من اليمين لليسار، مثل العربية، مع كتابات من اليسار لليمين، مثل اللاتينية). يطور يونيكود بالتوازي مع معيار طقم المحارف العالمي، وينشر على شكل كتاب يحمل الاسم معيار يونيكود (Unicode Standard).\nيطمح مجمع يونيكود -المنظمة غير الربحية التي تنسق تطوير يونيكود- في النهاية إلى استبدال ترميزات المحارف الموجودة حاليا، ليحل محلها يونيكود وتنسيق يونيكود المعياري للتحويل (Unicode Transformation Format ،UTF)، حيث أن الكثير من الترميزات الحالية محدودة السعة والمدى، ولا تتوافق مع البيئات متعددة اللغات.\nأدى نجاح يونيكود في توحيد أطقم المحارف إلى انتشار وغلبة استخدامه في توطين وعولمة برمجيات الحاسوب. وجرى تطبيق البرنامج في العديد من التقنيات الحديثة، مثل لغة الترميز القابلة للامتداد، ولغة البرمجة جافا وأنظمة التشغيل الحديثة.\n== الأصل والتطوّر ==\nيهدف الترميز الموحد بشكل صريح إلى تجاوز القصور في ترميزات المحارف التقليدية، كهؤلاء الذين حددهم معيار آيزو/آي إي سي 8859 وينتشر استخدامهم في مختلف أقطار العالم لكنهم يفتقدون للتوافقية بينهم بشكل كبير.\nتشترك الكثير من ترميزات المحارف التقليدية في مشكلة تمكينهم للمعالجة الحاسوبية ثنائية اللغة (عادة باستخدام المحارف اللاتينية بالإضافة للغة المحلية) دون تعددية اللغات (معالجة العديد من اللغات مختلطة مع بعضها، كالعربية والإنجليزية والصينية والهندية في صفحة واحدة).\nيُرمِّز يونيكود -عن قصد- المحارف الأصلية (تلك التي تمثل الحروف ذاتها وما شابهها) وليس تنويعات الشكل النهائي (فترمز حرف الخاء في العربية، مثلا، وليس أشكال الخاء المختلفة في أول، أو وسط، أو آخر الكلمة، أو الشكل المنفصل). في حالة المحارف الصينية، يؤدى هذا أحيانا لبعض الخلافات حول تمييز التنويعات الشكلية م","en_topic":"Unicode","wiki_pageid":87800,"wiki_revid":75087174,"source_url":"https://ar.wikipedia.org/?curid=87800","license":"CC BY-SA 4.0"}
{"slug":"blockchain","lang":"ar","title":"سلسلة الكتل","text":"سلسلة الكتل أو سلسلة الفِدَر (الإنجليزية: Blockchain) هي قاعدة بيانات موزعة تمتاز بقدرتها على إدارة قائمة متزايدة باستمرار من السجلات المسماة كُتلاً أو وحدات مُجمَّعة (blocks). تحتوي كل كتلة على الطابع الزمني ورابط إلى الكتلة السابقة. صُممت سلسلة الكتل بحيث يمكنها المحافظة على البيانات المخزنة بها والحيلولة دون تعديلها، أي أنه عندما تخزن معلومة ما في سلسلة الكتلة لا يمكن لاحقاً القيام بتعديلها.\nإن سلسلة الكتل آمنة حسب التصميم وهي مثال على توزيع نظام حوسبة موزع ذو سماحية خطأ بيزنطية عالية. وبالتالي تسمح سلسلة الكتلة بتحقيق نظام توافق في الآراء لامركزي. تسمح هذه الميزات باستخدام سلسلة الكتلة في تسجيل الأحداث والعناوين والسجلات الطبية وسائر ذلك من سجلات إدارة الأنشطة وإدارة الهوية ومعالجة المعاملات والتحقق من مصدرها. إن هذا النظام له تداعيات عميقة على النظام الاقتصادي العالمي بما فيها استغناء عن الوسطاء واسع النطاق وإتمام المعاملات التجارية دون وسيط (البنوك مثلاً) مما يؤثر أيضاً على مجريات التجارة العالمية كما نعرفها اليوم.\nفي عام 2008 طرح ساتوشي ناكاموتو مفهوم سلسلة الكتل ثم كتب في السنة اللاحقة جزءاً أساسياً من الشفرة المصدرية للعملة الرقمية بيتكوين، والتي تقوم بدور دفتر حسابات عمومي لكافة المناقلات النقدية. تُدار قاعدة بيانات سلسلة الكتلة بطريقة مستقلة بسبب اعتمادها على شبكة الند-للند وخوادم طوابع زمنية موزعة حول العالم. إن استخدام سلسلة الكتل في تصميم نظام عملة البيتكوين جعلها أول عملة نقدية رقمية تتفادى مشكلة الإنفاق المزدوج (إنفاق المبلغ النقدي ذاته في إجراء معاملتين مختلفتين).\nلا تزال تقنية سلسلة الكتل «البلوك تشين» جديدة وستتطور عدة مرات قبل أن يتم دمجها بالكامل في المجتمع. لقد رأينا مسارات مماثلة من قبل في صناعة التقنية؛ ومن الأمثلة على ذلك إنترنت الأشياء والهاتف المحمول وحتى الإنترنت نفسه. كل واحدة من هذه التقنيات مرت بتكرار مختلف قبل أن يتم دمجها واستخدامها بشكل كامل داخل المجتمع. كان يجب التغلب على الكثير من العقبات التقنية والاجتماعية والسياسية ببطء ولكن بثبات.\nلذلك، من المفيد غالبًا التعامل مع التقنيات الناشئة ببعض التفكير العميق ليس من خلال توقعها أن تعمل فورًا كحل فعال تمامًا ولكن كوجهة نظر ممكنة. يسمح مثل هذا النهج بإجراء مناقشة أوسع نطاقًا، حيث يمكننا","en_topic":"Blockchain","wiki_pageid":5151329,"wiki_revid":75798471,"source_url":"https://ar.wikipedia.org/?curid=5151329","license":"CC BY-SA 4.0"}
{"slug":"cryptocurrency","lang":"ar","title":"عملة معماة","text":"اَلْعُمْلَةُ اَلْمُعَمَّاةُ أَوْ اَلْمُشَفَّرَةُ (الإنجليزية: Cryptocurrency) هي عملةٌ رقميةٌ تستخدم في علم التعمية بغرض أمني لحماية التعاملات الافتراضية والتحكم بإنشاء وحدات جديدة ولذلك صعب أن تزيف تلك العملة، وتعتبر وسيط للتبادل الافتراضي (إلكترونيًّا) وأيضاً فرعاً من العملة البديلة، أول عملة معماة أُنشئت هي بِتْكُويِنْ عام 2009، ومنذ ذلك الوقت أُنشِئَت عملات أخرى لمنافستها مثل لايت كوين، ونيم كوين، وغيرها.\nللعملة المعماة مميزاتٌ أولُها أنه ليس لديها سلطة مركزية (أي وسيط متحكم) على عكسِ نظامِ العملة الإلكترونية مثل موقع باي بال، وثانيها أن لها دفتر حساباتٍ عامًّا حيث تسجل التعاملات الافتراضية بشكل كامل.\n== نظرةٌ عامةٌ ==\nالعملات المشفرة تعمل بسهولة بتحويل الرصيد بين الطرفين في التعاملات، تلك التحويلات تتمركز حول استخدام المفاتيح التشفيرية العامة والخاصة لأغراض أمنية، تنتهي عملية نقل الأرصدة برسوم تجهيزية بحدٍ أدنى، مما يتيح للمستخدمين تجنب رسوم الشحن الحادة من معظم البنوك والمؤسسات المالية لتحويل الأموال\nفي البنوك المركزية والأنظمة الاقتصادية كـالاحتياطي الفدرالي والقطاع العام والحكومات تتحكم في خزائن العملات بطبع النقود الرئيسية ألزاما أو الطلب بدفاتر بنوك رقمية أضافية. ومع ذلك، الشركات والحكومات لا تستطيع إنتاج وحدات العملات المشفرة أو بمعني آخر حتي الآن لا توجد سندات مقدمة للشركات الأخرى، للبنوك والشركات كيانات حيث تعقد قيمة الأصول التي تقاس في عملة مشفرة لا مركزية والعملة تنشئ بواسطة نظام متكامل تقني وأساسي حيث أنَّها تنشئ بواسطة مجموعة أو شخصية معروفة أو بلا هويةٍ مثل مخترع Bitcoin.\nالعيب الرئيسيّ للعملات المشفرة هي بما أنها افتراضية، فليس لها مخزن مركزي، إذ أنَّ ميزانية مستخدم لعملة رقمية مشفرة يمكن محوها بالكامل بسبب عطل في الحاسوب إذا لم يكن هناك نسخ احتياطية من حيازات تلك العملات.\nكَونُ التعاملاتِ الماليةِ بالعملة المشفرة مجهولة، فإنَّها تستخدم في الأنشطةٍ المُشِينَةٍ مثل التهرب الضريبي وغسيل الأموال، لذلك تكمن القوة في أن العملات المشفرة ليست مركزية وبعيدة نظرياً عن التلاعب أو التدخل الحكوميّ.\nبينما تتواجد مئات من مواصفات العملات المشفرة، معظمها مستمدة من بروتكول واحد أو اثنين وهما: إثبات العمل و إثبات صحة المحك, تُنشئ كل هذه العملات المشفرة بعملية تسمى ","en_topic":"Cryptocurrency","wiki_pageid":2801974,"wiki_revid":75254672,"source_url":"https://ar.wikipedia.org/?curid=2801974","license":"CC BY-SA 4.0"}
{"slug":"ethereum","lang":"ar","title":"إيثريوم","text":"إيثريوم (الإنجليزية: Ethereum) أو الإيثر (اختصار: ETH؛ علامة: Ξ) هي منصةٌ عامةٌ وعملة معماة لامركزية مفتوحة المصدر تعتمد على تقنية سلسلة الكتل التي تقوم بوظيفة بالعقد الذكي التي من خلاله تسهل إبرام عقد على الإنترنت يحاكي العقود التقليدية في الحقيقة مع توفير عنصر الأمان والثقة. تأتي عملة الإيثر في المرتبة الثانية بعد البيتكوين من حيث القيمة السوقية.\nاقترح الإيثريوم في أواخر عام 2013 بواسطة المبرمج فيتاليك بوتيرين روسي-كندي الاصل. ومّول تطويره بواسطة جماهير الإنترنت خلال يوليو-أغسطس 2014. ومن بين مؤسسي الإيثريوم غافن وود وتشارلز هوسكينسون وأنتوني دي يوريو وجوزيف لوبين. بدأ تشغيل المنصة في 30 يوليو 2015.\nيسمح الإيثريوم للمستخدمين بإنشاء وتبادل رموز غير قابلة للاستبدال، وهي رموز فريدة تمثل ملكية أصل أو امتياز مرتبط، وأيضًا يسمح لأي شخص بنشر برامج لامركزية دائمة وغير قابلة للتغيير، والتي يمكن للمستخدمين التفاعل معها. توفر برامج التبادل اللامركزي مجموعة واسعة من الخدمات المالية دون الحاجة إلى وسطاء ماليين نموذجيين مثل الوساطة أو البورصات أو البنوك، والسماح لمستخدمي العملات المعماة بالاقتراض مقابل ممتلكاتهم أو إقراضهم للحصول على فائدة.\nقامت الإيثريوم بترقية آلية توافقها من إثبات العمل إلى إثبات الحصة في 15 سبتمبر 2022 بعملية تعرف باسم (الإنجليزية: the Merge).\nفي 23 يوليو 2024 وافقت الجهات التنظيمية في الولايات المتحدة على أول صناديق متداولة بالبورصة تستثمر مباشرة في \"إيثريوم.\n== التاريخ ==\n=== التأسيس من (2013 - 2014) ===\nقام المبرمج الروسي فيتاليك بوتيرين في أواخر عام 2013 بتقديم وصف للإيثريوم من خلال نشر الورقة البيضاء، الذي وصف من خلالها طريقة لبناء برامج لامركزية، وجادل مطوري بيتكوين كور بأن تقنية بيتكوين وسلسلة الكتل يمكن أن تستفيد من البرامج أو التطبيقات الأخرى إلى جانب المال وأنها بحاجة إلى لغة أكثر قوة لتطويرها. عمل بوتيرين في عام 2013 لفترة وجيزة مع الرئيس التنفيذي لشركة إيتورو (يوني آسيا)، في مشروع العملات وصياغة الورقة البيضاء التي تحدد حالات الاستخدام الإضافية لتقنية سلاسل الكتل، لكن هذا المشروع فشل، لعدم الحصول على اتفاق حول كيفية استمرار المشروع، اقترح بوتيرين تطوير منصة جديدة بلغة نصية أكثر قوة - لغة برمجة كمال تورنغ - والتي أصبحت في النهاية الإيثريوم.\nأعلن ","en_topic":"Ethereum","wiki_pageid":3742608,"wiki_revid":75047972,"source_url":"https://ar.wikipedia.org/?curid=3742608","license":"CC BY-SA 4.0"}
{"slug":"non-fungible-token","lang":"ar","title":"رموز غير قابلة للاستبدال","text":"الرمز غير بَدول أو غير القابل للاستبدال (NFT) هو وحدة بيانات فريدة وغير قابلة للاستبدال مخزنة في سجل رقمي (سلسلة الكتل). يمكن استخدام NFTs لتمثيل العناصر القابلة للاستنساخ بسهولة مثل (الصور أو مقاطع الفيديو أو ملفات صوتية وأنواع أخرى من الملفات الرقمية) كعناصر فريدة (مماثلة لشهادة الأصالة)، وذلك باستخدام تقنية سلسلة الكتل لإنشاء إثبات ملكية مؤكدة وعامة. لا يقتصر نسخ الملف الأصلي على مالك NFT، ويمكن نسخها ومشاركتها مثل أي ملف، وتتميز هذه الرموز عن غيرها من العملات المشفرة مثل بتكوين وإيثريوم بأنها غير قابلة للاستبدال.\n== الإطلاق ==\nتم إطلاق أول مشروع NFT في عام 2015 على سلسلة كتل الإيثريوم، وزاد الاهتمام به مع زيادة الاهتمام بالعملات المعماة، نمت الفائدة والقيمة النقدية الإجمالية لـ NFTs بشكل ملحوظ في عام 2021، حيث تجاوزت مبيعاتها الملياري دولار أمريكي خلال الربع الأول من العام. أي أكثر من 20 ضعف مبيعات الربع السابق، لقد وجهت NFTs انتقادات فيما يتعلق بتكلفة الطاقة وانبعاثات الكربون المرتبطة بالتحقق من صحة معاملات سلسلة الكتل وكذلك استخدامها المتكرر في عمليات الإحتيال وغسيل الأموال.\n== الوصف ==\nNFT هي وحدة من البيانات المخزنة في السجل الرقمي، والذي يسمى بـ (سلسلة الكتل)، والتي يمكن بيعها وتداولها، يمكن ربط NFT بأصل رقمي أو مادي معين (مثل ملف أو كائن مادي) وترخيص لاستخدام الأصل لغرض محدد. يمكن تداول وبيع الـ NFT (والترخيص المرتبط باستخدام أو نسخ أو عرض الأصل الأساسي) في الأسواق الرقمية.\nتعمل NFTs مثل الرموز المميزة للتشفير، ولكن على عكس العملات المشفرة كالبتكوين، فإن NFTs ليست قابلة للتبادل بشكل متبادل، وبالتالي فهي غير قابلة للاستبدال. في حين أن جميع عملات البتكوين متساوية، قد يمثل كل NFT أصلًا أساسيًا مختلفًا، وبالتالي يكون له قيمة مختلفة.\nيتم إنشاء NFTs عندما يتم إنشاء سلسلة سلاسل blockchains لتجزئة التشفير، وهي مجموعة من الأحرف تحدد مجموعة من البيانات، على السجلات السابقة وبالتالي إنشاء سلسلة من كتل البيانات القابلة للتحديد. تضمن عملية معاملة التشفير هذه مصادقة كل ملف رقمي من خلال توفير توقيع رقمي يستخدم لتتبع ملكية NFT. ومع ذلك، يمكن لروابط البيانات التي تشير إلى تفاصيل مثل مكان تخزين العمل الفني أن تموت ولا تتضمن NFTs بالضرورة نقل أي حقوق ملكية فكرية للعمل.\nوبحسب","en_topic":"Non-fungible token","wiki_pageid":8543009,"wiki_revid":73670526,"source_url":"https://ar.wikipedia.org/?curid=8543009","license":"CC BY-SA 4.0"}
{"slug":"quantum-entanglement","lang":"ar","title":"تشابك كمي","text":"التشابك ظاهرة في الفيزياء الكمية، تحدث عندما يتولد زوجان أو مجموعة من الجسيمات أو تتفاعل أو تتشارك الجسيمات ذات القرب المكاني بحيث لا يمكن وصف الحالة الكمية لجسيم معين بشكل مستقل عن الجسيمات الأخرى، حتى لو فصلت مسافة كبيرة بين هذه الجسيمات.\nتُعد القياسات على الخصائص الفيزيائية مثل الموقع والزخم واللف المغزلي والاستقطاب المؤثرة على الجسيمات الكمومية مرتبطة بشكل مثالي. على سبيل المثال، إذا تولد زوجان من الجسيمات بطريقة كان فيها لفهما المغزلي الكلي صفرًا، وكان أحد الجسيمان يدور باتجاه عقارب الساعة على محور معين سيكون لف الجسيم الآخر عكس عقارب الساعة كما يُعتقد تمامًا بسبب تشابكهما. ومع ذلك، يسبب هذا السلوك آثارًا تناقضية، إذ إن أي قياس لخاصية جسيم تُمارِس تحولًا غير قابل للعكس على هذا الجسيم وستؤدي إلى تغير الحالة الكمومية الأصلية. في حالة الجسيمات المتشابكة، فإن هذا القياس سيُطبق على النظام ككل.\nكانت هذه الظاهرة موضوعًا لورقة بحثية من إعداد ألبرت آينشتاين وبوريس بودولسكي وناثان روزن وأوراق بحثية أخرى من إعداد إرفين شرودينغر بعدهم بفترة قصيرة، وصفت تلك الأوراق البحثية ما يُعرف الآن بمفارقة آينشتاين-بودولسكي-روزن . اعتبر آينشتاين وآخرون أن هذا السلوك مستحيل، إذ يخرق هذا السلوك رؤية الواقعية المحلية لمبدأ السببية (وصفه آينشتاين على أنه فعل شبحي عن بعد) وحاججوا أن الصيغة المقبولة لميكانيك الكم ستكون غير كاملة لهذا السبب.\nومع ذلك، أُكِدَت التنبؤات الحدسية لميكانيك الكم، لاحقًا، تجريبيًا باختبارات قيس فيها اللف المغزلي والاستقطاب للجسيمات المتشابكة في مواقع منفصلة، خارقةً بشكل إحصائي مبدأ بل لعدم المساواة. في الاختبارات الأولية، لم يكن ممكنًا استبعاد أن نتيجة الاختبار في نقطة معينة انتقلت إلى نقطة البعيدة مؤثرةً على الناتج في الموقع الثاني. ومع ذلك، فاختبارات بِل المدعوة بأنها خالية الثغرات أجريت على مواقع منفصلة؛ يأخذ التواصل عند سرعة الضوء وقتًا أطول (في حالة معينة يكون أطول بعشرة آلاف ضعف) من الفترة بين القياسات.\nوفقًا لبعض تفسيرات ميكانيكا الكم، فتأثير القياس يحدث بشكل آني، تجادل تفسيرات أخرى لميكانيكا الكم والتي لا تعترف بانهيار الدالة الموجية أنه لا يوجد تأثير على الإطلاق. ومع ذلك، تتوافق كل التفسيرات أن التشابك يُنشِئ توافقًا بين القياسات وأن المعلومات المتبادلة بين","en_topic":"Quantum entanglement","wiki_pageid":15183,"wiki_revid":74024119,"source_url":"https://ar.wikipedia.org/?curid=15183","license":"CC BY-SA 4.0"}
{"slug":"semiconductor","lang":"ar","title":"شبه موصل","text":"شِبهُ المُوصِل أو نِصفُ الناقِل هو مادة صلبة ينتقل فيها التيار الكهربائي بصعوبة، يتم التحكم في موصليتها الكهربائية بإضافة عناصر أخرى بكميات ضئيلة. شبه الموصل تكون مقاومته الكهربائية ما بين الموصلات والعوازل. كما يمكن لمجال كهربائي خارجي تغيير درجة مقاومة شبه الموصل. فالأجهزة والمعدات التي يدخل في تصنيعها مواد شبه موصلة هي أساس الإلكترونيات الحديثة والتي تشمل الراديو والكمبيوتر والهاتف والتلفزيون وأجهزة أخرى كثيرة. والأجزاء الإلكترونية التي تعمل بأشباه الموصلات تشمل الترانزستور والخلايا الشمسية والصمامات الثنائية والثنائيات باعثة الضوء ومقومات التيار المتردد التي تعمل بالسيليكون، والدوائر المتكاملة التناظرية والرقمية.\nوكما تمثل ألواح الطاقة الشمسية أكبر مثال لأجهزة التي تعمل بالمواد شبه الموصلة، حيث تقوم بتحويل الطاقة الضوئية إلى طاقة كهربائية.\nفي الموصلات المعدنية تقوم الإلكترونات بنقل التيار الكهربائي، أما في أشباه الموصلات فينتقل التيار الكهربي عن طريق سيل من الإلكترونات تتجه إلى القطب الموجب، مصحوبا بسيل من الفجوات holes (ذات شحنة موجبة) خلال البناء الذري للمادة تتجه إلى القطب السالب. يساعد على تكون تلك الفجوات الإلكترونية الموجبة تشويب المادة الشبه موصلة مثل الجرمانيوم بمشوب من عنصر آخر.\nويستخدم السيليكون لتصنيع معظم الأجهزة التجارية التي تحتوي على مواد شبه موصلة، كما تستخدم مواد أخرى كثيرة منها الجرمانيوم وزنيخ الجاليوم الثلاثي وكربيد السيليكون. ويعرف شبه الموصل النقي بـشبه موصل «أصيل». ويتم تحسين التوصيلية (القدرة على توصيل الكهرباء) بإضافة عنصر أو عناصر أخرى تسمى «الشوائب» عن طريق صهرها وتركها لتبرد لتكوّن بلورة جديدة ومختلفة عن الأصلي؛ وتسمى هذه العملية بعملية التشويب (إضافة شوائب إلى مادة نقية).\n== البلورة النقية (شبه الموصل النقي) ==\nهي بلورة شبه الموصل التي تتكون من ذرات السيليكون أو الجرمانيوم عن طريق مشاركة كل ذرة بإلكترونات التكافؤ الأربعة مع أربع ذرات مجاورة (رابطة تساهمية).\nومن المواد التي تشكل أشباه الموصلات عناصر رباعية التكافؤ، أي أن لكل ذرة 4 إلكترونات تشترك في الروابط مع جيرانها من الذرات. ومن تلك المواد السيليكون النقي والجرمانيوم النقي. وجميع المواد شبه الموصلة تتسم بأن لها في المتوسط 4 إلكترونات تكافؤ. ومنها عناصر المجموعتين III وV. من النظام","en_topic":"Semiconductor","wiki_pageid":42853,"wiki_revid":75235719,"source_url":"https://ar.wikipedia.org/?curid=42853","license":"CC BY-SA 4.0"}
{"slug":"moore-s-law","lang":"ar","title":"قانون مور","text":"قانون مور (الإنجليزية: Moore's law) هو القانون الذي ابتكره غوردون مور أحد مؤسسي إنتل عام 1965.\nحيث لاحظ مور أن عدد الترانزستورات على شريحة المعالج يتضاعف تقريبا كل عامين في حين يبقى سعر الشريحة على حاله. وأدت هذه الملاحظة إلى بدأ عملية دمج السيليكون بالدوائر المتكاملة على يد شركة إنتل مما ساهم في تنشيط الثورة التكنولوجية في شتى أنحاء العالم. وفي عام 2005، تنبأ الباحثون أن هذه النظرية من الممكن تطبيقها لعقد آخر من الزمان على الأقل.\nيدرك الكثيرون أن الزيادات الفائقة لأعداد الترانزيستورات المدمجة في المعالجات وغيرها من المكونات الرائدة لمنصات العمل، وهذه الزيادات |عملت بشكل ثابت وحقيقي تؤدي إلى المزيد من الأداء الحاسوبي وفقا لقياسه بملايين العمليات في الثانية الواحدة.\nكما يعني قانون مور أيضا خفض التكاليف، ففي الوقت الذي تحقق فيه العناصر القائمة على السيليكون ومكونات منصات العمل المزيد من الأداء، فإنها تصبح أقل كلفة عند إنتاجها، وتصبح أكثر وفرة وقوة وأكثر تواجدا في حياتنا اليومية. وتعمل المعالجات اليوم على تشغيل كل شيء تقريبا، بدء بالألعاب وحتى الإشارات الضوئية، فعلى سبيل المثال، تستخدم بطاقة عيد الميلاد التي تكلف بضع دولارات اليوم قدرة حاسوبية تفوق أسرع أجهزة الكمبيوتر التي استخدمت قبل عقود قليلة.\nترتبط قدرات العديد من الأجهزة الإلكترونية الرقمية ارتباطا وثيقا مع قانون مور: سرعة المعالجة وسعة الذاكرة والحساسات وحتى عدد وحجم البكسل في الكاميرات الرقمية كل هذه آخذة في التحسن بمعدلات أسية (تقريبا)، وهذا قد زاد زيادة كبيرة من فائدة الإلكترونيات الرقمية في كل قطاع تقريبا من الاقتصاد العالمي. قانون مور يصف بدقة قوة الدفع للتغير التكنولوجي والاجتماعي في أواخر القرن 20 وأوائل 21.\n== اقرأ أيضًا ==\nتاريخ الأجهزة الحاسوبية (ستينيات القرن العشرين-الآن)\n== مصادر ==","en_topic":"Moore's law","wiki_pageid":664545,"wiki_revid":75303304,"source_url":"https://ar.wikipedia.org/?curid=664545","license":"CC BY-SA 4.0"}
{"slug":"tensor-processing-unit","lang":"ar","title":"وحدة معالجة تنسر","text":"وحدة معالجة تينسر (الإنجليزية: Tensor Processing Unit)؛ ( يُرمز لها اختصارًا TPU) هي مسرّع ذكاء اصطناعي من فئة الدوائر المتكاملة الخاصة بالتطبيقات (ASIC) طوَّرتها شركة جوجل لتشغيل نماذج الشبكات العصبونية في تعلّم الآلة، اعتمادًا على مكتبتها البرمجية المفتوحة المصدر تنسرفلو. بدأت جوجل استخدام وحدات معالجة تينسر داخليًا عام 2015، وفي عام 2018 أتاحتها للاستخدام من قِبل أطراف خارجية، إمّا كخدمة ضمن بنيتها التحتية السحابية، أو في صورة نسخة مصغّرة من الرقاقة مخصَّصة للبيع.\n== المقارنة مع وحدات المعالجة المركزية ووحدات معالجة الرسوميات ==\nمقارنةً بوحدة معالجة الرسوميات، صُمِّمت وحدات معالجة تينسر للتعامل مع عددٍ كبير من العمليات الحسابية التي لا تتطلّب دقّة عددية عالية؛ إذ يمكن أن تكتفي أحيانًا بدقّة 8 بت فقط. يتيح لها هذا التصميم تنفيذ عددٍ أكبر من عمليات الإدخال والإخراج لكل جول واحد من الطاقة المستهلكة، من دون عتادٍ مخصَّص لمهام البَكْسَلة أو إكساء السطوح (texture mapping) الشائعة في الرسوميات الحاسوبية. وتُثبَّت دوائر TPU، وهي دوائر متكاملة محدَّدة التطبيق (ASIC)، داخل وحدةٍ مزوَّدةٍ بمُشتِّت حرارة، بحيث تلائم فتحة قرص تخزين في رفٍّ قياسه 19 بوصة في مراكز البيانات، وذلك بحسب ما أورده نورمان جوبي.\nتختلف ملاءمة أنواع المعالجات باختلاف نماذج تعلّم الآلة؛ فَوحدات معالجة تينسر تُعَدّ مناسبةً على نحوٍ خاص للشبكات العصبونية الالتفافية (CNN)، بينما تتمتّع وحدات معالجة الرسوميات (GPU) بمزايا معيّنة عند تشغيل بعض نماذج الشبكات العصبونية كاملة التوصيل، في حين قد تكون لوحدات المعالجة المركزية (CPU) أفضليّة في تشغيل الشبكات العصبونية المتكرّرة (RNN).\n== التاريخ ==\nيذكر جوناثان روس، أحد المهندسين الأوائل لوحدة معالجة تينسر، ومؤسِّس غروك لاحقًا، أن ثلاث مجموعات منفصلة داخل جوجل كانت تعمل على تطوير مسرّعات للذكاء الاصطناعي، وأن التصميم الذي وقع عليه الاختيار في نهاية المطاف كان تصميم وحدة معالجة تينسر القائم على بنية مصفوفة انقباضية (systolic array).\nأُعلن عن وحدة معالجة تينسر لأول مرة في مايو 2016 خلال مؤتمر جوجل آي/أو، إذ كشفت جوجل أن هذه الوحدة مستخدَمة داخل مراكز بياناتها منذ أكثر من عام. وفي ورقة بحثية نشرتها الشركة عام 2017 تصف فيها مسار تطوير وحدة معالجة تينسور وأصول تصميمها ال","en_topic":"Tensor Processing Unit","wiki_pageid":10249546,"wiki_revid":75604711,"source_url":"https://ar.wikipedia.org/?curid=10249546","license":"CC BY-SA 4.0"}
{"slug":"application-specific-integrated-circuit","lang":"ar","title":"دارة متكاملة محددة التطبيق","text":"الدارات المتكاملة مُحددة التطبيق ( ASIC هي دائرة متكاملة (IC) مخصصة لغرض معين، وليس للاستخدام العام، مثل شريحة مصممة لتعمل في مسجل صوت رقمي أو برنامج ترميز فيديو عالي الكفاءة أو وظائف أقل تعقيدًا كحاسوب الدراجة الهوائية أو في ماكينة قهوة. يتم تصنيع شرائح ASIC عادةً باستخدام تقنية أشباه الموصلات المعدنية والأكسيدية (موسفت) (MOS).\nمع تقلص أحجام الترنزيزتور وتحسن أدوات التصميم الإلكترومي على مر السنين، زاد التعقيد (وبالتالي الوظائف) الممكنة في ASIC من 5000 بوابة منطقية إلى أكثر من 100 مليون. غالبًا ما تشتمل ASICs الحديثة على وحدات مُعالجة مركزية كاملة ووحدات ذاكرة بما في ذلك ROM وRAM وEEPROM وذاكرة فلاش ووحدات بناء كبيرة أخرى. يُطلق على مثل هذه ASIC في كثير من الأحيان اسم SoC ( نظام على رقاقة ). غالبًا ما يستخدم مصممو ASICs الرقمية لغة وصف الأجهزة (HDL)، مثل Verilog أو VHDL ، لوصف/كتابة وظائف ASICs.\nتُمثل «مصفوفات البوابات القابلة للبرمجة» (FPGA) تحسينًا للتكنولوجيا الحديثة فهي كمقابل للوحات التجارب ، مما يعني أنها ليست مصممة لتطبيق محدد على عكس ASICs. فهي قابلة للبرمجة للعديد من التطبيقات المختلفة. بالنسبة للتصميمات الأصغر أو أحجام الإنتاج الأقل، قد تكون وحدات FPGA أكثر فعالية من حيث التكلفة من تصميم ASIC، حتى في الإنتاج. يمكن أن تصل تكلفة الهندسة غير المتكررة (NRE) لـ ASIC إلى ملايين الدولارات. لذلك، يفضل مصنعو الأجهزة عادةً وحدات FPGA للنماذج والتجارب الأولية والأجهزة ذات حجم الإنتاج المنخفض. أما وحدات ASIC فهي للإنتاج الضخم للغاية حيث يمكن توزيع تكاليف NRE على العديد من الأجهزة.\n== تصميمات الخلايا القياسية ==\nفي منتصف الثمانينيات من القرن العشرين، كان المصممون يختارون شركة تصنيع ASIC وينفذون تصميمهم باستخدام أدوات التصميم المتوفرة لدى الشركة المصنعة. ولكن على الرغم من توّفر أدوات تصميم تابعة لشركات أخري، لم يكن هناك رابط فعال بين كل الشركات أي يجب إعادة التصميم لأجل كُل مُصنع. كان الحل هو استخدام «الخلايا القياسية» . يمكن لكل مُصنع للدوائر المتكاملة مُحددة التطبيق (ASIC)، إنشاء وحدات وظيفية بخصائص كهربائية معروفة، مثل تأخير الانتشار والسعة والتحريض الكهرطيسي تتناسب مع تصميم الخلية القياسية. يؤدي هذا لاستخدام هذه الكتل الوظيفية لتحقيق كثافة بوابات عالية جدًا وأداء ","en_topic":"Application-specific integrated circuit","wiki_pageid":9680806,"wiki_revid":74070201,"source_url":"https://ar.wikipedia.org/?curid=9680806","license":"CC BY-SA 4.0"}
{"slug":"solid-state-drive","lang":"ar","title":"وسيط تخزين ذو حالة ثابتة","text":"وسيط تخزين ذو حالة ثابتة (الإنجليزية: Solid-state drive (SSD))، هو جهاز تخزين بيانات يكون بحاله جامدة لانه لا يحتوي على أقراص متحركة الذي يوجد في القرص الصلب (HDD). يعتمد على الدوائر المتكاملة والذاكرة لتخزين المعلومات مما يجعله ثابتا ومستمرا. وتستخدم تكنولوجيا وسائط التخزين ذات الحالة الثابتة SSD واجهات إلكترونية متوافقة مع واجهات الإدخال والإخراج التقليدية (block input/output (I/O)) للسواقة الصلبة، مما يسمح باستبدالها بسهولة في التطبيقات الشائعة، بالإضافة إلى واجهات الإدخال والإخراج مثل SATA السريعة و SATA Express التي صُمّمت لتلبية متطلبات محددة لتكنولوجيا وسائط التخزين ذات الحالة الثابتة SSD.\nلا تحتوي محركات الأقراص ذو الحالة الثابتة (SSD) على مكونات ميكانيكية متحركة كالأقراص الصلبة (HDD) الكهروميكانيكية والكهرومغناطيسية أو الأقراص المرنة، التي تحتوي على أقراص دوارة ورؤوس متحركة للقراءة والكتابة Disk read-and-write heads، وسائط التخزين ذات الحالة الثابتة (SSD) تستخدم طريقة مختلفة عن الأقراص الكهروميكانيكية وبالتالي فهي أكثر مقاومة للصدمات الخارجية وتعمل بصمت، كما تتميز بزمن وصول وتأخير أقل، بينما سعر الوسائط الثابتة ينخفض مع مرور الوقت، ، صنف المستهلكون الوسائط الثابتة SSDs (اعتبارًا من 2016) على أنها أغلى أربع مرات من الأقراص الصلبة HDDs.\nاعتبارًا من 2015، أصبحت معظم الوسائط التخزين ذات الحالة الثابتة تستخدم الخلايا متعددة المستويات (MLC) المبنية على دوائر إلكترونية ذات ذاكرة ناند (MLC NAND-based flash memory) ، وهي نوع من الذاكرة الثابتة Non-volatile) memory) التي تحتفظ بالبيانات حتى في حالة عدم وجود طاقة كهربائية، يمكن تصنيع الذاكرة الثابتة باستخدام خلايا الذاكرة العشوائية الغير الثابتة (RAM) مع إضافة بطاريات تعمل في حالة فقد الطاقة الكهربائية.\nالوسائط الهجينة Hybrid drive (أو الوسائط الهجينة ذات الحالة الثابتة solid-state hybrid drives) أو بالاختصار SSHD، تدمج ما بين مميزات القرص الصلب HDDs والوسائط الحالة الثابتة SSDs في نفس الوحدة لتوفير مساحة تخزين كبيرة من القرص الصلب مع سرعة أعلى بفضل استخدام جزء من الوسائط ذات الحالة الثابتة (cache) لتحسين الأداء والوصول السريع إلى لبيانات.\nهناك تقنية جديدة تستخدم الذاكرة الثابتة بالاعتماد على تقنية ذاكرة الوصول العشوا","en_topic":"Solid-state drive","wiki_pageid":3193518,"wiki_revid":75998249,"source_url":"https://ar.wikipedia.org/?curid=3193518","license":"CC BY-SA 4.0"}
{"slug":"nanotechnology","lang":"ar","title":"تقانة النانو","text":"تقانة النانو (أو تقنية الجزيئات متناهية الصغر أو تقانة الصغائر) هي العلم الذي يهتم بدراسة معالجة المادة على المقياس الذري والجزيئي. تهتم تقانة النانو بابتكار تقنيات ووسائل جديدة تقاس أبعادها بالنانومتر وهو جزء من الألف من الميكرومتر أي جزء من المليون من المليمتر.\nعادة تتعامل تقانة النانو مع قياسات بين 1 إلى 100 نانومتر أي تتعامل مع تجمعات ذرية تتراوح بين خمس ذرات إلى ألف ذرة. وهي أبعاد أقل كثيرا من أبعاد البكتيريا والخلية الحية. حتى الآن لا تختص هذه التقنية بعلم الأحياء بل تهتم بخواص المواد، وتتنوع مجالاتها بشكل واسع من أشباه الموصلات إلى طرق حديثة تماما معتمدة على التجميع الذاتي الجزيئي. هذا التحديد بالقياس يقابله اتساع في طبيعة المواد المستخدمة، فتقانة النانو تتعامل مع أي ظواهر أو بنايات على مستوى النانو الصغير. مثل هذه الظواهر النانوية يمكن أن تتضمن تقييد كمي التي تؤدي إلى ظواهر كهرومغناطيسية وبصرية جديدة للمادة التي يبلغ حجمها بين حجم الجزيء وحجم المادة الصلبة المرئي. تتضمن الظواهر النانوية أيضا تأثير جيبس-تومسون - وهو انخفاض درجة انصهار مادة ما عندما يصبح قياسها نانويا، اما عن بنايات النانو فأهمها أنابيب النانو الكربونية.\nيستخدم بعض الكتاب الصحفيين أحيانا مصطلح (تقانة الصغائر للتعبير عن النانو) رغم عدم دقته، فهو لا يحدد مجاله في تقانة النانو أو الميكرونية إضافة إلى التباس كلمة صغائر التي قد تفهم بمعنى جسيم لأن البعض يسمي الجسيمات بالدقائق.\nعلوم النانو وتقانة النانو إحدى مجالات علوم المواد واتصالات هذه العلوم مع الفيزياء، الهندسة الميكانيكية والهندسة الحيوية والهندسة الكيميائية تشكل تفرعات واختصاصات فرعية متعددة ضمن هذه العلوم وجميعها يتعلق ببحث خواص المادة على هذا المستوى الصغير.\nوتكمن صعوبة تقانة النانو في مدى إمكانية السيطرة على الذرات بعد تجزئة المواد المتكونة منها. فهي تحتاج بالتالي إلى أجهزة دقيقة جدا من جهة حجمها ومقاييسها وطرق رؤية الجزيئات تحت الفحص. كما أن صعوبة التوصل إلى قياس دقيق عند الوصول إلى مستوى الذرة يعد صعوبة أخرى تواجه هذا العلم الجديد الناشئ. بالإضافة ما يزال هناك جدل ومخاوف من تأثيرات تقانة النانو، وضرورة ضبطها.\n== الأصول ==\nنوقشت المفاهيم الأولى لتكنولوجيا النانو في عام 1959 من قبل الفيزيائي الشهير ريتشارد فاينمان في محاضرة بعنوان «هناك ","en_topic":"Nanotechnology","wiki_pageid":22886,"wiki_revid":75720388,"source_url":"https://ar.wikipedia.org/?curid=22886","license":"CC BY-SA 4.0"}
{"slug":"crispr","lang":"ar","title":"كريسبر","text":"كريسبر أو التكرارات العنقودية المتناظرة القصيرة منتظمة التباعد (الإنجليزية: CRISPR) هي نوع تسلسلات دنا توجد في بدائيات النوى كالبكتيريا والبكتيريا القديمة، فيها فواصل مقتطعة من بقايا الحمض النووي للفيروسات التي سبق أن هاجمت الكائن بدائي النواة. يحتفظ الكائن بدائي النواة بهذه البقايا في حمضه النووي كفواصل حتى يستخدمها لاحقاً في الكشف عن الدنا الخاص بتلك الفيروسات في هجماتها اللاحقة، ومن ثم تدميره بمساعدة بروتين cas9.\nكاس9 أو البروتين المتعلق بكريسبر 9 (بالإنجليزية: cas9 or CRISPR-associated protein 9) هو أنزيم قاطع يستخدِم تسلسلات كريسبر كدليل للتعرف على سلاسل معينة من الدنا للكائنات الأخرى (مثل الفيروسات المهاجمة للبكتيريا) ومن ثم قصها.\nوبالتالي تشكل تسلسلات CRISPR مع بروتين cas9 آلية دفاع جزيئية مهمة في بدائيات النوى ضد الفيروسات المهاجمة لها.\nوقد قام الإنسان حديثا بالاستفادة من هذا النظام البكتيري الطبيعي، واستخدامه في التعديل على جينومات الكائنات الحية عن طريق قص أجزاء من حمضها النووي بسهولة، في ما يعرف الآن بتقنية كريسبر-كاس9 التي تستخدم في مجال واسع من التطبيقات كالأبحاث العلمية الحيوية والطبية، وتطوير منتجات التقانة الحيوية وعلاج الأمراض.\n== تاريخ كريسبر ==\nاكتشفت مناطق كريسبر لأول مرة من قبل علماء يابانيين من جامعة أوساكا عام 1987 حين كانو يدرسون جينات معينة في بكتيريا E. Coli، حيث قاموا دون قصد بتحديد تسلسل منطقة من الحمض نووي تقع بالقرب من جين شملته الدراسة، تحتوي على عدد كبير من تكرارات تسلسلات متناظرة بينها فواصل، لكن لم تكن الغاية منها معروفة حينها. لاحقا تم اكتشاف هذا النمط في أنواع أخرى من البكتيريا الحقيقية والبكتيريا القديمة. ثم طُرِح عام 2005 أن CRISPR هي جزء من النظام المناعي البكتيري. في عام 2007، كان العلماء يدرسون البكتيريا العقدية المنتجة لحمض اللبن Streptococcus thermophilus وآليات مقاومتها لهجمات الفيروسات، حيث كانت هجمات هذه الفيروسات من أكبر المشاكل التي تواجه صناعات الألبان والأجبان، فوجدوا أن كريسبر هي وسيلة مناعة تكيفية (مكتسبة) تستخدمها البكتيريا عند تعرضها للهجمات الفيروسية.\nبعد البحث الدقيق عام 2011 في آلية عمل نظام كريسبر تبين للعلماء أنه من الممكن تركيب أي سلسلة من الحمض النووي guide RNA على إنزيم cas9. عندما فعلوا ذلك، وتحديدا في ع","en_topic":"CRISPR","wiki_pageid":1568390,"wiki_revid":75330417,"source_url":"https://ar.wikipedia.org/?curid=1568390","license":"CC BY-SA 4.0"}
{"slug":"bioinformatics","lang":"ar","title":"معلوماتية حيوية","text":"المعلوماتية الحيوية أو علم المعلومات الحيوية (الإنجليزية: Bioinformatics) أو علم الأحياء الحاسوبي (الإنجليزية: computational biology) هو استخدام أحدث تقنيات الرياضيات التطبيقية، المعلوماتية، الإحصاء، وعلوم الحاسب لحل مشكلات بيولوجية حيوية.\nالمعلومات الحيوية تتداخل مع عدد كبير من العلوم (علم الاحياء، الكيمياء، الفيزياء، علوم البيانات، البرمجة، هندسة البيانات، الرياضيات، الرياضيات التطبيقية، المعلوماتية، الإحصاء، علوم الحاسب) لحل مشكلات بيولوجية حيوية.\nتحليل المعلومات الحيوية يطلق عليها في بعض الأحيان الاحياء المحوسبة وهذا تشبيه خاطئ كون الأخير يمثل بناء ومحاكاة واستخدام النظم الحياتية.\nجهود الأبحاث الرئيسية في هذا الحقل تتضمن التراصف التسلسلي، إيجاد المورثات، مشروع الجينوم البشري، تراصف البنية البروتينية , تنبؤ البنية البروتينية، التنبؤ بالتعبير الجيني، وتآثرات بروتين-بروتين، إضافة لنمذجة التطور.\n== التاريخ ==\nاول ذكر لمصطلح المعلومات الحياتية \"Bioinformatics\" جاء في سنة 1970 من قبل پولين هوجويج ‏ و بين هسبر للدلالة على دراسة البيانات المعالجة باستخدام نظم حيوية, وهذا التعريف يجعلها اقرب الى مفهوم الكيمياء الحيوية.\nكثرت اكتشافات المعلومات الحيوية في منتصف 1990 بسبب المشروع الجينوم البشري و التقدم السريع في تقنيات تسلسل الاحماض النووية, لتساع هذا المجال وحجمه الكبير تطلب تحليل البيانات المعقدة استعمال الخوارزميات مثل نظرية البيان ,الذكاء الاصطناعي، الحوسبة البرمجية، تنقيب البيانات، المعالجة الصورية والمحاكاة الحاسوبية.\n== الاهداف ==\nالهدف الرئيسي هو زيادة فهم العمليات الحيوية, وما يفرق هذا المجال الباقي هي تطويع البرامج الحاسوبية لإتمام هدف الدراسة؟\nجمع البيانات الخام لصنع صورة كاملة عن التغيرات في الأنشطة الطبيعية للخلايا عند حدوث مرض معين, تطور هذا المجال لينحسر في تحليل وتفسير أنواع شاسعة من البيانات. من ضمنها تسلسلات الاحماض النووية ,النطاقات البروتينية والهياكل البروتينية.\nمطالب فرعية لمجال المعلومات الحيوية:\nالقدرة على تطوير برمجيات ذات قدرة فعالة على لولجة وإدارة انواع متعددة من البيانات.\nالقدرة على تطوير خوارزميات رياضية, مثلا لها القدرة على تحديد جين معين في الحمض النووي.\n== تحليل التسلسلات ==\nكبداية عليك الإلمام بما يلي:\nبيولوجيا الجزيئات.\nخبرة في العمل على ","en_topic":"Bioinformatics","wiki_pageid":22880,"wiki_revid":75880421,"source_url":"https://ar.wikipedia.org/?curid=22880","license":"CC BY-SA 4.0"}
{"slug":"cognitive-science","lang":"ar","title":"علوم استعرافية","text":"العلوم الاستعرافية أو علوم الإدراك (الإنجليزية: Cognitive science) هي الدراسة العلمية متعددة التخصصات للعقل وعملياته. وهي تدرس طبيعة الاستعراف ومهامه ووظائفه (بالمعنى الواسع). تشمل القدرات العقلية التي تهم علماء الاستعراف الإدراك والذاكرة والانتباه والعقل واللغة والشعور؛ لفهم هذه القدرات، يستعير علماء الاستعراف من مجالات مثل علم النفس والذكاء الاصطناعي والفلسفة والعلوم العصبية واللسانيات وعلم الإنسان. يمتد التحليل النموذجي للعلوم الاستعرافية إلى العديد من مستويات التنظيم، من التعلم واتخاذ القرار إلى المنطق والتخطيط؛ من الدوائر العصبية إلى تنظيم الدماغ المعياري. أحد المفاهيم الأساسية للعلوم الاستعرافية هو أن \"التفكير يمكن فهمه بشكل أفضل من حيث الهياكل التمثيلية في العقل والإجراءات الحسابية التي تعمل على هذه الهياكل\".\n== التاريخ ==\nبدأت العلوم الاستعرافية حركة فكرية في الخمسينيات من القرن العشرين، وأطلق عليها اسم الثورة الإدراكية. يعود تاريخ العلوم الاستعرافية إلى ما قبل التاريخ، ويمكن تتبعه إلى النصوص الفلسفية اليونانية القديمة (انظر كتاب مينو لأفلاطون وكتاب عن الروح لأرسطو)؛ رفض الفلاسفة المعاصرون مثل ديكارت وديفيد هيوم وإيمانويل كانط وباروخ سبينوزا ونيكولا مالبرانش وبييير كبانيس ولايبنتز وجون لوك، المدرسية في حين أنهم لم يقرأوا أرسطو قط، وكانوا يعملون بمجموعة مختلفة تمامًا من الأدوات والمفاهيم الأساسية عن تلك التي يستخدمها العلماء الاستعرافيون.\n== انظر أيضًا ==\n== المراجع ==\n== وصلات خارجية ==\nجمعية العلوم الاستعرافية. (بالإنجليزية)","en_topic":"Cognitive science","wiki_pageid":28141,"wiki_revid":75675657,"source_url":"https://ar.wikipedia.org/?curid=28141","license":"CC BY-SA 4.0"}
{"slug":"consciousness","lang":"ar","title":"وعي","text":"الوعي هو الإحساس أو الدراية بالوجود الداخلي والخارجي، ورغم آلاف السنين من التحليلات والتعاريف والتفسيرات والمناقشات بين الفلاسفة والعلماء، ما يزال الوعي أمرًا محيرًا ومثيرًا للجدل كونه «أكثر الجوانب أُلفة وأكثرها غموضًا في حياتنا». لربما المفهوم الوحيد المتفق عليه على نطاق واسع حول هذا الموضوع هو الحدس القائل بوجود الوعي. تختلف الآراء حول ما يحتاج بالضبط إلى دراسة وتفسير باعتباره وعيًا. في بعض الأحيان، يُعتبر مرادفًا للعقل، وفي أحيان أخرى، يُعتبر جانبًا من جوانب العقل. وفي الماضي، كان يتمثل «بالحياة الداخلية» للمرء، وعالم الاستبطان، والتفكير الداخلي، والخيال، والإرادة. قد تكون هناك مستويات أو مرتبات مختلفة للوعي، أو أنواع مختلفة من الوعي، أو مجرد نوع واحد مع سمات مختلفة. ثمة تساؤلات أخرى فيما إذا كان البشر وحدهم واعيين أم الحيوانات جميعها أو حتى الكون بأكمله. يثير التباين في نطاق البحوث والمفاهيم والتكهنات شكوكًا حول ما إذا كان يتم طرح الأسئلة الصحيحة.\nومن الأمثلة على مجموعة الأوصاف أو التعاريف أو التفسيرات ما يلي: اليقظة البسيطة، أو شعور المرء بالذات أو النفس عبر «النظر لدواخلنا»؛ أن يكون «تيارًا» مجازيًا للمضمون، أو أن يكون حالة عقلية أو حدث عقلي أو عملية عقلية للدماغ؛ أن يتضمن نوعًا من الظواهر المرئية أو الكيفيات المحسوسة والذاتية؛ أن يكون «كالشيء الذي سيبدو عليه الأمر» لو «امتلكت» ذلك الشيء أو «كنت» ذلك الشيء؛ أن يكون «المسرح الداخلي» أو نظام المراقبة التنفيذية للعقل.\n== وجهات النظر المشتركة بين التخصصات ==\nكافح الفلاسفة الغربيون منذ عهد ديكارت ولوك من أجل فهم طبيعة الوعي وكيف يتناسب مع صورة أكبر للعالم. وتظل هذه المسائل أساسية في كلا الفلسفتين القارية والتحليلية في علم الظواهر وفلسفة العقل تباعًا. تتضمن بعض التساؤلات الأساسية: فيما إذا كان الوعي يماثل المادة الفيزيائية، وفيما إذا كان من الممكن أن تكون الآلات الحاسبة كالحواسيب أو الروبوتات واعية، ومدى ارتباط الوعي باللغة، وكيف يرتبط الوعي بعالم التجارب، ودور الذات في التجربة، وفيما إذا كان التفكير الفردي ممكنًا على الإطلاق، وفيما إذا كان المفهوم متسقًا بشكل أساسي.\nومؤخرًا، أصبح الوعي أيضًا موضوعًا هامًا للبحوث المتعددة التخصصات في العلوم الاستعرافية التي تشمل مجالات كعلم النفس واللسانيات والأنثروبولوجيا وعلم الن","en_topic":"Consciousness","wiki_pageid":32439,"wiki_revid":74721143,"source_url":"https://ar.wikipedia.org/?curid=32439","license":"CC BY-SA 4.0"}
{"slug":"5g","lang":"ar","title":"جيل خامس (شبكات اتصال)","text":"شبكة الجيل الخامس (الإنجليزية: fifth generation network) والتي تُختصر بـ 5G)، وهي معيار تكنولوجيا الجيل الخامس للشبكات الخلوية ذات النطاق العريض في مجال الاتصالات، والتي بدأت شركات الهاتف الخلوي في نشرها في جميع أنحاء العالم في عام 2019، وهي الخلف المخطط له لشبكات الجيل الرابع التي توفر الاتصال بمعظم الهواتف المحمولة الحالية. يُتوقع أن تضم شبكات الجيل الخامس أكثر من 1.7 مليار مشترك في جميع أنحاء العالم بحلول عام 2025، وفقًا «للجمعية الدولية لشبكات الهاتف المحمول». مثل سابقاتها، شبكات الجيل الخامس هي شبكات خلوية، حيث تنقسم منطقة الخدمة إلى مناطق جغرافية صغيرة تسمى الخلايا. يتم توصيل جميع أجهزة الجيل الخامس اللاسلكية في الخلية بالانترنت وشبكة الهاتف عن طريق موجات الراديو من خلال هوائي محلي بالخلية. الميزة الرئيسية للشبكات الجديدة هي أنها تعمل بنطاق ترددي أكبر، مما يعطي سرعات تنزيل أعلى، تصل في النهاية إلى 10 جيجات في الثانية الواحدة (جيجابت/ثانية). نظرًا لزيادة عرض النطاق الترددي، من المتوقع ألا تخدم الشبكات الهواتف المحمولة حصراً مثل الشبكات الخلوية الحالية، ولكن سيتم استخدامها أيضًا كمزود خدمة إنترنت عامة لأجهزة الكمبيوتر المحمولة وأجهزة الكمبيوتر المكتبية، منافسة لمزودي خدمة الإنترنت الحاليين من خلال الإنترنت وعبر الهاتف، ستمكن الشبكة الجديدة تطبيقات جديدة في إنترنت الأشياء (IoT) ومجالات الآلة إلى الآلة. لا تستطيع الهواتف المحمولة بتقنية الجيل الرابع استخدام الشبكات الجديدة، والتي تتطلب دعم تقنية الجيل الخامس.\nيتم تحقيق السرعة المتزايدة جزئيًا باستخدام موجات راديو ذات تردد أعلى من الشبكات الخلوية السابقة. ومع ذلك، فإن موجات الراديو ذات التردد العالي لها نطاق فيزيائي مفيد أقصر، مما يتطلب خلايا جغرافية أصغر. للخدمة الواسعة، تعمل شبكات الجيل الخامس على ما يصل إلى ثلاثة نطاقات تردد، منخفضة ومتوسطة وعالية. ستتكون شبكة الجيل الخامس من شبكات تصل إلى ثلاثة أنواع مختلفة من الخلايا، كل منها يتطلب تصميمات محددة للهوائي، يوفر كل منها مقايضة مختلفة لسرعة التنزيل مقابل المسافة ومنطقة الخدمة. تتصل الهواتف المحمولة والأجهزة اللاسلكية التي تدعم التقنية بالشبكة من خلال هوائي بأعلى سرعة داخل النطاق في موقعها.\nتستخدم شبكة الجيل الخامس منخفضة النطاق نطاق تردد مشابهًا للهواتف المحمولة ","en_topic":"5G","wiki_pageid":1328454,"wiki_revid":75101015,"source_url":"https://ar.wikipedia.org/?curid=1328454","license":"CC BY-SA 4.0"}
evals/embedding-default/corpus/en.jsonl
+130 -10
View File
@@ -5,76 +5,196 @@
{"slug":"hugging-face","lang":"en","title":"Hugging Face","text":"Hugging Face, Inc., is an American company based in New York City that develops computation tools for building applications using machine learning. Hugging Face's transformers library is built for natural language processing applications. The Hugging Face platform allows users to share machine learning models and datasets and showcase their work.\n== History ==\n=== Founding ===\nThe company was founded in 2016 by French entrepreneurs Clément Delangue, Julien Chaumond, and Thomas Wolf in New York City, originally as a company that developed a chatbot app targeted at teenagers. The company was named after the U+1F917 🤗 HUGGING FACE emoji. After open sourcing the model behind the chatbot, the company pivoted to focus on being a platform for machine learning.\n=== AI boom ===\nOn April 28, 2021, the company launched the BigScience Research Workshop in collaboration with several other research groups to release an open large language model. In 2022, the workshop concluded with the announcement of BLOOM, a multilingual large language model with 176 billion parameters.\nIn February 2023, the company announced partnership with Amazon Web Services (AWS) which would allow Hugging Face's products to be available to AWS customers to use them as the building blocks for their custom applications. The company also said the next generation of BLOOM will be run on Trainium, a proprietary machine learning chip created by AWS.\nIn June 2024, the company announced, along with Meta and Scaleway, their launch of a new AI accelerator program for European startups. The initiative aimed to help startups integrate open foundation models into their products, accelerating the EU AI ecosystem. The program, based at Station F in Paris, ran from September 2024 to February 2025. Selected startups benefited from expert mentoring and gained access to AI models, tools, and Scaleway’s powerful computing capabilities.\nOn September 23, 2024, to further the International Decade of Indigenous Languages, Hugg","en_topic":"Hugging Face","wiki_pageid":71431971,"wiki_revid":1366469650,"source_url":"https://en.wikipedia.org/?curid=71431971","license":"CC BY-SA 4.0"}
{"slug":"nvidia","lang":"en","title":"Nvidia","text":"Nvidia Corporation ( en-VID-ee-ə) is an American multinational technology company headquartered in Santa Clara, California. The company develops graphics processing units (GPUs), systems on chips (SoCs), and application programming interfaces (APIs) for data science, high-performance computing, artificial intelligence (AI), and mobile and automotive applications. Founded in 1993 by Jensen Huang, Chris Malachowsky, and Curtis Priem, Nvidia has been widely described as a Big Tech company.\nOriginally focused on GPUs for video games, Nvidia broadened their use into other markets, including artificial intelligence (AI), professional visualization, and supercomputing. The company's product lines include GeForce GPUs for gaming and creative workloads, and professional GPUs for edge computing, scientific research, and industrial applications. As of the first quarter of 2025, Nvidia held a 92% share of the discrete desktop and laptop GPU market.\nIn the early-to-mid 2000s, the company invested over a billion dollars to develop CUDA, a software platform and API (Application Programming Interfaces) that enabled GPUs to run massively parallel programs for a broad range of compute-intensive applications. As a result, as of 2025, Nvidia controlled more than 80% of the market for GPUs used in training and deploying AI models, and provided chips for over 75% of the world's TOP500 supercomputers. The company has also expanded into gaming hardware and services, with products such as the Shield Portable, Shield Tablet, and Shield TV, and operates the GeForce Now cloud gaming service. Furthermore, it has developed the Tegra line of mobile processors for smartphones, tablets, and automotive infotainment systems.\nIn 2023, Nvidia became the seventh U.S. company to reach a US$1 trillion valuation. In 2025, amid increased demand for AI data center hardware in the midst of the AI boom, Nvidia became the first company in the world to surpass US$4 trillion and US$5 trillion in market capitaliza","en_topic":"Nvidia","wiki_pageid":39120,"wiki_revid":1366228176,"source_url":"https://en.wikipedia.org/?curid=39120","license":"CC BY-SA 4.0"}
{"slug":"meta-platforms","lang":"en","title":"Meta Platforms","text":"Meta Platforms, Inc. (doing business as Meta) is an American multinational technology company headquartered in Menlo Park, California. Meta owns and operates several prominent social media platforms and communication services, including Facebook, Instagram, WhatsApp, Messenger, and Threads. The company also operates an advertising network for its own sites and third parties; as of 2023, advertising accounted for 97.8 percent of its total revenue. Meta has been described as a part of Big Tech, which refers to the largest six tech companies in the United States, Alphabet (Google), Amazon, Apple, Meta (Facebook), Microsoft, and Nvidia, which are also the largest companies in the world by market capitalization.\nThe company was originally established in 2004 as TheFacebook, Inc., and was renamed Facebook, Inc. in 2005. In 2021, it rebranded as Meta Platforms, Inc. to reflect a strategic shift toward developing the metaverse—an interconnected digital ecosystem spanning virtual and augmented reality technologies.\nIn 2023, Meta was ranked 31st on the Forbes Global 2000 list of the world's largest public companies. As of 2022, it was the world's third-largest spender on research and development, with R&D expenses totaling US$35.3 billion.\n== History ==\nFacebook filed for an initial public offering (IPO) on January 1, 2012. The preliminary prospectus stated that the company sought to raise $5 billion, had 845 million monthly active users, and a website accruing 2.7 billion likes and comments daily. After the IPO, Zuckerberg would retain 22% of the total shares and 57% of the total voting power in Facebook.\nUnderwriters valued the shares at $38 each, valuing the company at $104 billion, the largest valuation yet for a newly public company. On May 16, one day before the IPO, Facebook announced it would sell 25% more shares than originally planned due to high demand. The IPO raised $16 billion, making it the third-largest in US history (slightly ahead of AT&T Mobility and behind","en_topic":"Meta Platforms","wiki_pageid":62420226,"wiki_revid":1365507532,"source_url":"https://en.wikipedia.org/?curid=62420226","license":"CC BY-SA 4.0"}
{"slug":"palantir-technologies","lang":"en","title":"Palantir","text":"Palantir Technologies Inc. () is an American publicly traded company that develops data integration and analytics software. Palantir is headquartered in Miami, Florida, and was founded in 2003 by Peter Thiel, Stephen Cohen, Joe Lonsdale, Alex Karp, and Nathan Gettings.\nPalantir's customer base includes federal agencies, state and local governments, international organizations, and also private companies. The company has four main operating systems: Gotham, Foundry, Apollo, and AIP. Gotham is an intelligence tool used by militaries and counter-terrorism analysts, including the United States Intelligence Community and United States Department of Defense. Multiple police departments have used Gotham for crime analysis. Apollo is a platform to facilitate continuous integration/continuous delivery (CI/CD) across all environments.\nIts software as a service (SaaS) is one of five offerings the U.S. Department of Defense authorized for Mission Critical National Security Systems (IL5). Palantir has been used for data integration and analysis by corporate clients such as Morgan Stanley, Merck KGaA, Airbus, Wejo, Lilium, PG&E and Fiat Chrysler Automobiles.\nPalantir has been criticized for its involvement in expanding government surveillance through artificial intelligence and facial recognition systems. Critics have raised concerns about its contracts with the Trump administration and the aggregation of sensitive data on Americans. Civil liberties organizations have criticized Palantir's police technology as predictive policing. CEO Alex Karp disputes this characterization. Others observe that Palantir does not collect or store data, but only helps analyze data that customers have already collected and provides services and platforms where customers retain the rights, although examples of data management failures have been noted. Some note the active or passive responsibility of Thiel and Karp in allowing conspiracy theories about Palantir to spread.\n== History ==\n=== 2003–2008","en_topic":"Palantir Technologies","wiki_pageid":27197818,"wiki_revid":1365938754,"source_url":"https://en.wikipedia.org/?curid=27197818","license":"CC BY-SA 4.0"}
{"slug":"apple-inc","lang":"en","title":"Apple Inc.","text":"Apple Inc. is an American multinational technology company headquartered in Cupertino, California, in Silicon Valley, and known for consumer electronics, software and online services. Founded in 1976 as Apple Computer Company by Steve Jobs, Steve Wozniak and Ronald Wayne, the company was incorporated by Jobs and Wozniak as Apple Computer, Inc. the following year. Its current name was adopted in 2007 as the company expanded its focus from computers to consumer electronics. Apple is one of the Big Tech companies.\nThe company was founded to market Wozniak's Apple I computer. Its successor, the Apple II, became one of the first successful mass-produced personal microcomputers. Apple introduced the Lisa in 1983 and the Macintosh in 1984, popularizing graphical user interfaces navigated by a mouse. By 1985, internal conflicts led to Jobs leaving the company to form NeXT and Wozniak stepping back from active employment. During the 1990s, Apple lost considerable market share to lower-priced Wintel computers, Intel-powered PC clones running Windows. By 1997, Apple was reporting major losses and struggling to deliver a modernized operating system, leading Apple to acquire NeXT, which brought Jobs back to the company. Under his leadership, Apple returned to profitability through the iMac, iPod, iPhone, and iPad, the iTunes Store, the Apple Store retail chain, and the \"Think different\" advertising campaign. Jobs resigned in 2011 for health reasons and died later that year. He was succeeded as CEO by Tim Cook, who will be succeeded by John Ternus in September 2026.\nApple's product lineup includes portable and home hardware like the iPhone, iPad, Mac, Apple Watch, and AirPods; several in-house operating systems such as iOS, iPadOS, and macOS; and various software and services including Apple Pay and iCloud, as well as multimedia streaming services like Apple Music and Apple TV. Since 2011, Apple has for the most part been the world's largest company by market capitalization, and,","en_topic":"Apple Inc.","wiki_pageid":856,"wiki_revid":1366003991,"source_url":"https://en.wikipedia.org/?curid=856","license":"CC BY-SA 4.0"}
{"slug":"alphabet-inc","lang":"en","title":"Alphabet Inc.","text":"Alphabet Inc. is an American multinational technology conglomerate holding company headquartered in Mountain View, California. It was created through a restructuring of Google on October 2, 2015, and became the parent holding company of Google and several former Google subsidiaries. Alphabet is listed on the large-cap section of the Nasdaq under the ticker symbols GOOGL and GOOG; both classes of stock are components of major stock market indices such as the S&P 500 and Nasdaq-100. Alphabet has been described as a Big Tech company. As of July 2026, it is the third largest publicly traded company in the world by market capitalization.\nThe establishment of Alphabet Inc. was prompted by a desire to make the core Google business \"cleaner and more accountable\" while allowing greater autonomy to group companies that operate in businesses other than Internet services. Founders Larry Page and Sergey Brin announced their resignation from their executive posts in December 2019, with the CEO role to be filled by Sundar Pichai, who is also the CEO of Google. Page and Brin remain employees, board members, and controlling shareholders of Alphabet Inc.\nAlphabet Inc. has faced numerous legal and ethical controversies, including a 2017 lawsuit against Uber over stolen self-driving technology, a 2020 privacy settlement over Google+ data exposure, and multiple antitrust actions from the United States, France, and Japan. It has also been accused of labor law violations related to worker organizing and was forced to file for bankruptcy in Russia after its bank account was seized in 2022. In 2023, the company was widely criticized for mass layoffs that impacted 12,000 employees, many of whom discovered their termination only upon losing account access.\n== History ==\nOn August 11, 2015, Google announced plans to create a new public holding company, Alphabet Inc. Google co-founder and CEO Larry Page made this announcement in a blog post on Google's official blog. Alphabet was created to res","en_topic":"Alphabet Inc.","wiki_pageid":47489893,"wiki_revid":1365984803,"source_url":"https://en.wikipedia.org/?curid=47489893","license":"CC BY-SA 4.0"}
{"slug":"ibm","lang":"en","title":"IBM","text":"International Business Machines Corporation, doing business as IBM (nicknamed Big Blue), is an American multinational technology company headquartered in Armonk, New York, and present in over 175 countries. It is a publicly traded company and one of the 30 companies in the Dow Jones Industrial Average. IBM is the largest industrial research organization in the world, with 19 research facilities across a dozen countries; for 29 consecutive years, from 1993 to 2021, it held the record for most annual U.S. patents generated by a business.\nIBM was founded in 1911 as the Computing-Tabulating-Recording Company (CTR), a holding company of manufacturers of record-keeping and measuring systems. It was renamed \"International Business Machines\" in 1924 and soon became the leading manufacturer of punch-card tabulating systems. During the 1960s and 1970s, the IBM mainframe, exemplified by the System/360 and its successors, was the world's dominant computing platform, with the company producing 80 percent of computers in the U.S. and 70 percent of computers worldwide. Embracing both business and scientific computing, System/360 was the first family of computers designed to cover a complete range of applications from small to large.\nIBM entered the microcomputer market in 1981 with the IBM Personal Computer; its architecture remains the basis for the majority of personal computers sold today. The company later also found success in the laptop space with the ThinkPad. Since the 1990s, IBM has concentrated on computer services, software, supercomputers, and scientific research; it sold its microcomputer division to Lenovo in 2005. IBM continues to develop mainframes, and its supercomputers have consistently ranked among the most powerful in the world in the 21st century.\nAs one of the world's oldest and largest technology companies, IBM has been responsible for several technological innovations, including the Automated Teller Machine (ATM), Dynamic Random-Access Memory (DRAM), the f","en_topic":"IBM","wiki_pageid":40379651,"wiki_revid":1366231835,"source_url":"https://en.wikipedia.org/?curid=40379651","license":"CC BY-SA 4.0"}
{"slug":"advanced-micro-devices","lang":"en","title":"AMD","text":"Advanced Micro Devices, Inc. (AMD) is an American multinational semiconductor company headquartered in Santa Clara, California. It develops central processing units (CPUs), graphics processing units (GPUs), field-programmable gate arrays (FPGAs), system-on-chips (SoCs), and high-performance computer components. AMD serves a wide range of business and consumer markets, including personal computers (PCs), gaming, data centers, and embedded systems.\nAMD's main products include microprocessors, embedded processors, and graphics processors for servers, workstations, PCs, and embedded system applications, as well as chipsets for motherboards. The company has also expanded into new markets, such as data centers, gaming, and high-performance computing. AMD's processors are used in a wide range of computing devices, including PCs, servers, laptops, and gaming consoles. Initially manufacturing its own processors, the company outsourced its manufacturing after GlobalFoundries was spun off in 2009. Through its Xilinx acquisition in 2022, AMD offers field-programmable gate array (FPGA) products.\nAMD was founded in 1969 by Jerry Sanders and a group of his fellow Fairchild Semiconductor colleagues. The company's early products were primarily memory chips and other computer components. In 1975, AMD entered the microprocessor market, competing with Intel, its main rival in the industry, by reverse-engineering Intel's 8080. This led to the initial cross-license agreement allowing AMD to build legal clones of Intel processors, including the x86 family of processors from 1981. The two companies fought a seven-year legal battle after Intel refused to share the blueprint of their i386 with AMD, ending in the latter's favor in 1994 but requiring AMD to develop their own x86 microprocessors in-house. In the early 2000s, AMD experienced significant growth and success, partly due to its strong position in the PC market and its Athlon and Opteron processors. The company faced challenges in th","en_topic":"Advanced Micro Devices","wiki_pageid":2400,"wiki_revid":1365549043,"source_url":"https://en.wikipedia.org/?curid=2400","license":"CC BY-SA 4.0"}
{"slug":"salesforce","lang":"en","title":"Salesforce","text":"Salesforce, Inc., is an American cloud-based software company headquartered in San Francisco, California. It is primarily known for its customer relationship management software and related applications which it delivers through a software as a service subscription business model. It also provides software for sales, customer service, marketing automation, e-commerce, analytics, artificial intelligence, agentic AI, and application development.\nFounded by former Oracle executive Marc Benioff in March 1999, Salesforce grew quickly, making its initial public offering in 2004. Its major acquisitions included Tableau and Slack. As of March 2026, Salesforce has a market capitalization of approximately US$186 billion. For fiscal year 2026 (ending January 31, 2026), the company reported record annual revenue of $41.5 billion. The company is a component of the Dow Jones Industrial Average (since 2020) and the S&P 500.\n== History ==\nSalesforce was founded on March 8, 1999, by former Oracle executive Marc Benioff, together with Parker Harris, Dave Moellenhoff, and Frank Dominguez as a software-as-a-service (SaaS) company. The first prototype of Salesforce was launched in November 1999.\nTwo of Salesforce's earliest investors were Larry Ellison, the co-founder and first CEO of Oracle, and Halsey Minor, the founder of CNET.\nSalesforce was severely affected by the dot-com bubble bursting at the beginning of the new millennium, resulting in the company laying off 20% of its workforce. Despite its losses, Salesforce held up during the early 2000s. Salesforce also gained notability during this period for its \"the end of software\" tagline and marketing campaign, and even hired actors to hold up signs with its slogan outside a Siebel Systems conference. Salesforce's revenue continued to increase, moving from $5.4 million in 2000 to $22.4 million in 2001.\nIn 2003, Salesforce held its first annual Dreamforce conference in San Francisco. There were around 1,300 attendees and 50 exhibitors","en_topic":"Salesforce","wiki_pageid":2420207,"wiki_revid":1365357810,"source_url":"https://en.wikipedia.org/?curid=2420207","license":"CC BY-SA 4.0"}
{"slug":"sap","lang":"en","title":"SAP","text":"SAP SE (; German pronunciation: [ɛsʔaːˈpeː] ) doing business as SAP, is a German multinational software company based in Walldorf, Baden-Württemberg, that is the world's largest vendor of enterprise software.\nSAP GbR became, in 1981, fully Systeme, Anwendungen und Produkte in der Datenverarbeitung (Systems, Applications and Products in Data Processing), abbreviated SAP GmbH after a five-year transition period beginning in 1976. In the late 1980s, it further restructured itself as SAP AG. Since 7 July 2014, its corporate structure is that of a pan-European societas Europaea (SE); as such, its former German corporate identity is now a subsidiary, SAP Deutschland SE & Co. KG. It has regional offices in 180 countries and 109,973 employees.\nSAP is a component of the DAX and Euro Stoxx 50 stock market indices. The company is the largest non-American software company by revenue and the world's fifth-largest publicly traded software company by revenue. In June 2025, it was the largest European company by market capitalization, as well as one of the 30 most valuable publicly traded companies in the world.\n== History ==\n=== 20th century ===\nWhen Xerox exited the computer hardware manufacturing industry in 1971, it asked IBM to migrate its business systems to IBM technology. As part of IBM's compensation for the migration, IBM was given the rights to the Scientific Data Systems (SDS)/SAPE software repository. Five IBM engineers from the AI department (Dietmar Hopp, Klaus Tschira, Hans-Werner Hector, Hasso Plattner, and Claus Wellenreuther, all from Mannheim, Baden-Württemberg) were working on an enterprise-wide system based on this software, only to be told that it would no longer be necessary. Rather than abandoning the project, they decided to leave IBM Tech and start another company. In June 1972 they founded the SAP Systemanalyse und Programmentwicklung (\"System Analysis and Program Development\" / \"SAPD\") company, as a private partnership under the German Civil Code.\nTheir","en_topic":"SAP","wiki_pageid":276773,"wiki_revid":1364718345,"source_url":"https://en.wikipedia.org/?curid=276773","license":"CC BY-SA 4.0"}
{"slug":"tesla-inc","lang":"en","title":"Tesla, Inc.","text":"Tesla, Inc. ( TEZ-lə or TESS-lə) is an American multinational automotive and clean energy company. Headquartered in Austin, Texas, it designs, manufactures, and sells battery electric vehicles (BEVs), stationary battery energy storage devices from home to grid-scale, solar panels and solar shingles, and related products and services.\nThe company was incorporated in July 2003 by Martin Eberhard and Marc Tarpenning as Tesla Motors. Its name is a tribute to the inventor and electrical engineer Nikola Tesla. In February 2004, Elon Musk led Tesla's first funding round and became the company's chairman, subsequently claiming to be a co-founder; in 2008, he was named chief executive officer. The company began production of its first car model, the Roadster sports car, in 2008; the Model S sedan in 2012; the Model X SUV in 2015; the Model 3 sedan in 2017; the Model Y crossover in 2020; the Tesla Semi truck in 2022; and the Cybertruck pickup truck in 2023.\nTesla is one of the world's most valuable companies in terms of market capitalization. Starting in July 2020, it has been the world's most valuable automaker. From October 2021 to March 2022, Tesla was a US$1 trillion company, the sixth US company to reach that valuation. In 2023, the company was ranked 69th in the Forbes Global 2000. In 2024, the company led the battery electric vehicle market, with 17.6% share.\nTesla exceeded $1 trillion in market capitalization again between November 2024 and February 2025, and from May 2025 to July 2026. In November 2025, Tesla approved a pay package worth $1 trillion for Musk, which he is to receive over 10 years if he meets specific goals. By the end of 2025, the company lost its status as world's leading manufacturer of electric vehicles.\nTesla has been the subject of lawsuits, boycotts, government scrutiny, and journalistic criticism, stemming from allegations of multiple cases of whistleblower retaliation, worker rights violations such as sexual harassment and anti-union activi","en_topic":"Tesla, Inc.","wiki_pageid":5533631,"wiki_revid":1365885620,"source_url":"https://en.wikipedia.org/?curid=5533631","license":"CC BY-SA 4.0"}
{"slug":"uber","lang":"en","title":"Uber","text":"Uber Technologies, Inc. is an American multinational transportation company that provides ride-hailing services, courier services, food delivery, and freight transport. It is headquartered in San Francisco, California, and operates in approximately 70 countries and 15,000 cities worldwide. It is the largest ridesharing company worldwide with over 202 million monthly active users and 10 million active drivers and couriers. It coordinates an average of 42 million trips and delivery orders per day, and has coordinated 72 billion trips and delivery orders since its inception in 2010. In the fourth quarter of 2025, the company had a take rate (revenue as a percentage of gross bookings) of 29.9% for mobility services and 19.2% for food delivery.\nThe company has launched or is in the process of launching robotaxi services in several cities worldwide in partnership with operators, software designers, and car manufacturers including Lucid Motors, Nuro, Baidu, Pony.ai, Avride, Nissan, Rivian, Zoox, Stellantis, Wayve, and Nvidia (to use the Nvidia Drive software).\n== History ==\nIn 2009, Garrett Camp, a co-founder of StumbleUpon, came up with the idea to create Uber to make it easier and cheaper to procure direct transportation. Camp and Travis Kalanick had spent $800 hiring a private driver on New Year's Eve, which they deemed excessive, and Camp was also inspired by his difficulty in finding a taxi on a snowy night in Paris. The prototype of the mobile app was built by Camp and his friends, Oscar Salazar and Conrad Whelan, with Kalanick as the \"mega advisor\" to the company.\nIn February 2010, Ryan Graves became the first Uber employee; he was named chief executive officer (CEO) in May 2010. In December 2010, Kalanick succeeded Graves as CEO and Graves became the chief operating officer.\nFollowing a beta launch in May 2010, Uber's services and mobile app launched publicly in San Francisco in 2011. Originally, the application only allowed users to hail a black luxury car and the","en_topic":"Uber","wiki_pageid":722459,"wiki_revid":1364656340,"source_url":"https://en.wikipedia.org/?curid=722459","license":"CC BY-SA 4.0"}
{"slug":"shopify","lang":"en","title":"Shopify","text":"Shopify Inc. is a Canadian multinational e-commerce company headquartered in Ottawa, Ontario that operates a cloud e-commerce management platform (CEMP) for retail point-of-sale systems. The company has over 5 million customers and processed US$292.3 billion in transactions in 2024, of which 57% was in the United States. Major customers include Tesla, LVMH, Nestlé, PepsiCo, AB InBev, Kraft Heinz, Lindt, Whole Foods Market, Red Bull, and Hyatt.\nThe company's software has been praised for its ease of use and reasonable fee structure. It has been described as the \"go-to e-commerce platform for startups\". However, the company has faced criticism for allegedly inflating their sales data and for associating with controversial sellers.\n== History ==\n=== 2006: Founding ===\nShopify was founded in 2006 by friends Tobias Lütke, Daniel Weinand and Scott Lake after launching Snowdevil, an online store for snowboarding equipment, in 2004. Dissatisfied with the existing e-commerce products on the market, Lütke, a computer programmer by trade, instead built his own.\nLütke used the open source web application framework Ruby on Rails to build Snowdevil's online store and launched it after two months of development. The Snowdevil founders launched the platform as Shopify in June 2006. Shopify created an open-source template language called Liquid, which is written in Ruby and has been used since 2006.\nIn June 2009, Shopify launched an application programming interface (API) platform and App Store. The API allows developers to create applications for Shopify online stores and then sell them on the Shopify App Store.\n=== 2010s ===\nIn January 2010, Shopify started its Build-A-Business competition, in which participants create a business using its commerce platform. The winners of the competition received cash prizes and mentorship from entrepreneurs, such as Richard Branson, Eric Ries and others. In April of that year, Shopify launched a free mobile app on the Apple App Store. The app al","en_topic":"Shopify","wiki_pageid":26126491,"wiki_revid":1364857522,"source_url":"https://en.wikipedia.org/?curid=26126491","license":"CC BY-SA 4.0"}
{"slug":"twitter","lang":"en","title":"X (social network)","text":"X, formerly known as Twitter, is an American microblogging and social networking service owned by SpaceX's artificial intelligence subsidiary SpaceXAI. It is one of the world's largest social media platforms and one of the most-visited websites. Users can share short text messages, images, and videos in short posts (commonly and unofficially known as \"tweets\", in reference to the site's former terminology for the format) and like other users' content. The platform also includes direct messaging, video and audio calling, bookmarks, lists, communities, Grok chatbot integration, job search, and a social audio feature (X Spaces). Users can vote on context added by approved users using the Community Notes feature.\nThe platform was created in March 2006 as Twitter by Jack Dorsey, Noah Glass, Biz Stone, and Evan Williams, and was launched in July of that year; initially named twttr, it was renamed Twitter some months later. The platform grew quickly; by 2012 more than 100 million users produced 340 million daily tweets. Twitter, Inc., was based in San Francisco, California, and had more than 25 offices around the world. A signature characteristic of the service initially was that posts were required to be brief. Posts were initially limited to 140 characters, which was changed to 280 characters in 2017. The limitation was removed for subscribed accounts in 2023. 10% of users produce over 80% of tweets. In 2020, it was estimated that approximately 48 million accounts (15% of all accounts) were run by Internet bots rather than humans.\nThe service is owned by the American company X Corp., which was established to succeed the prior owner Twitter, Inc. in March 2023 following the October 2022 acquisition of Twitter by Elon Musk for US$44 billion. Musk stated that his goal with the acquisition was to promote free speech on the platform. Since his acquisition, the platform has been criticized for enabling the increased spread of disinformation and hate speech and accused of becom","en_topic":"Twitter","wiki_pageid":9988187,"wiki_revid":1365995945,"source_url":"https://en.wikipedia.org/?curid=9988187","license":"CC BY-SA 4.0"}
{"slug":"github","lang":"en","title":"GitHub","text":"GitHub ( ) is a proprietary developer platform that allows developers to create, store, manage, and share their code. It uses Git to provide distributed version control, and GitHub itself provides access control, bug tracking, software feature requests, task management, continuous integration, and wikis for every project. GitHub, headquartered in San Francisco, is operated by Github, Inc., a subsidiary of Microsoft since 2018.\nIt is commonly used to host open source software development projects. As of January 2023, GitHub reported having over 100 million developers and more than 420 million repositories, including at least 28 million public repositories. It is the world's largest source code host as of June 2023. Over five billion developer contributions were made to more than 500 million open source projects in 2024.\n== About ==\n=== Founding ===\nThe development of the GitHub platform began on October 19, 2007. The site was launched in April 2008 by Tom Preston-Werner, Chris Wanstrath, P. J. Hyett, and Scott Chacon after it had been available for a few months as a beta release.\n=== Structure of the organization ===\nGitHub was originally a flat organization with no middle managers, instead relying on self-management. Employees could choose to work on projects that interested them (open allocation), but the chief executive set salaries.\nIn 2014, the company added a layer of middle management in response to harassment allegations against its co-founder and then-CEO, Thomas Preston-Werner, and his wife Theresa. As a result of the scandal, Preston-Werner resigned from his position as CEO. Co-founder and product lead, Chris Wanstrath, became CEO. Julio Avalos, then general counsel and administrative officer, assumed control over GitHub's business operations and day-to-day management.\n=== Finance ===\nGitHub was a bootstrapped start-up business, which in its first years provided enough revenue to be funded solely by its three founders and start taking on employees.\nIn July","en_topic":"GitHub","wiki_pageid":18545292,"wiki_revid":1366175188,"source_url":"https://en.wikipedia.org/?curid=18545292","license":"CC BY-SA 4.0"}
{"slug":"atlassian","lang":"en","title":"Atlassian","text":"Atlassian Corporation () is an international proprietary software company that specialises in collaboration tools designed primarily for software development and project management. Atlassian was founded in Sydney, Australia in 2002 and has been domiciled in the United States since 2022 as a pure holding company of Atlassian Corporation Plc. The company is globally headquartered in Sydney, with US headquarters in San Francisco, and over 12,000 employees across 14 countries. Atlassian currently serves over 300,000 customers in over 200 countries and territories around the world.\n== History ==\nIn 2001, Mike Cannon-Brookes sent an email to his University of New South Wales classmates asking if any of them were interested in helping him launch a tech startup after graduation. Scott Farquhar was the only one who replied, and together they founded Atlassian in 2002. They bootstrapped the company for several years, financing the startup with a $10,000 credit card debt. The name was derived from the Greek mythological figure Atlas, inspired by his bronze statue in New York's Rockefeller Center.\nInitially, Cannon-Brookes and Farquhar were engaged in supporting other customer service teams, which required them to be available for calls at all hours. They were also unhappy with the bug-tracking software they were using at the time. To solve these issues, they developed Atlassian's flagship product, Jira, a project and issue tracking tool, and shifted their focus to selling this software. Then, in 2004, Atlassian launched its team collaboration platform named Confluence.\nIn July 2010, Atlassian raised $60 million in secondaries venture capital from Accel Partners. By June of the next year it announced that revenue had increased 35% in the previous year to $102 million.\nIn July 2012, Doug Burgum became chairman of its board of directors.\nIn 2013, Atlassian announced a Jira service desk product with full service-level agreement support.\nA 2014 restructuring saw the parent company","en_topic":"Atlassian","wiki_pageid":26569739,"wiki_revid":1364542151,"source_url":"https://en.wikipedia.org/?curid=26569739","license":"CC BY-SA 4.0"}
{"slug":"samsung-electronics","lang":"en","title":"Samsung Electronics","text":"Samsung Electronics Co., Ltd. (SEC; stylized as SΛMSUNG; Korean: 삼성전자; RR: Samseong jeonja; lit. 'Tristar Electronics') is a South Korean multinational major appliance and consumer electronics corporation founded in 1969 and headquartered in Yeongtong District, Suwon, South Korea. It is the pinnacle of the Samsung chaebol, accounting for 70% of the group's revenue in 2012, and has played a key role in the group's corporate governance due to cross ownership. It is majority-owned by foreign investors.\nAs of 2023, Samsung Electronics is the world's fourth-largest technology company by revenue and its market capitalization stood at US$1.025 trillion, the 12th largest in the world. It has been the largest vendor of smartphones since 2012. Samsung is known most notably for its Samsung Galaxy brand consisting of phones such as its flagship Galaxy S series, popular midrange Galaxy A series, budget Galaxy M series as well as the premium Galaxy Fold and Galaxy Flip series. The company pioneered the phablet form factor with the former Galaxy Note family. Samsung produces tablets consisting of the Galaxy Tab A series and Galaxy Tab S series. It has been the largest television manufacturer since 2006, both of which include related software and services like Samsung Pay and TV Plus. Samsung is a supplier of hospitality televisions for hotels and businesses which includes dedicated software that can be personalised to each business and is a supplier of displays for stadiums and venues. Samsung is also a major vendor of washing machines, refrigerators, computer monitors and soundbars.\nSamsung Electronics is also a major manufacturer of electronic components such as lithium-ion batteries, semiconductors, image sensors, camera modules, and displays for clients such as Apple, Sony, HTC, and Nokia. It is the world's largest semiconductor memory manufacturer and, from 2017 to 2018, was the largest semiconductor company in the world, briefly dethroning Intel, the decades-long champion. S","en_topic":"Samsung Electronics","wiki_pageid":46445426,"wiki_revid":1365621366,"source_url":"https://en.wikipedia.org/?curid=46445426","license":"CC BY-SA 4.0"}
{"slug":"alibaba-group","lang":"en","title":"Alibaba Group","text":"Alibaba Group Holding Limited, branded as Alibaba (), is a Chinese multinational technology company specializing in e-commerce, retail, Internet, and technology. Founded on 28 June 1999 in Hangzhou, Zhejiang, the company provides consumer-to-consumer (C2C), business-to-consumer (B2C), and business-to-business (B2B) sales services via Chinese and global marketplaces, as well as local consumer, digital media and entertainment, logistics, and cloud computing services. It owns and operates a diverse portfolio of companies around the world in numerous business sectors.\nOn 19 September 2014, Alibaba's American initial public offering (IPO) on the New York Stock Exchange raised US$25 billion, giving the company a market value of US$231 billion and, by far, then the largest IPO in world history. It is one of the top 10 most valuable corporations, and is named the 31st-largest public company in the world on the Forbes Global 2000 2020 list. In January 2018, Alibaba became the second Asian company to break the US$500 billion valuation mark, after its competitor Tencent.\nAlibaba is one of the world's largest retailers and e-commerce companies. In 2020, it was also rated as the fifth-largest artificial intelligence company. The company hosts the largest B2B (Alibaba.com), C2C (Taobao), and B2C (Tmall) marketplaces in the world. It has been expanding into the media industry, with revenues rising by triple percentage points year after year. It also set the record on the 2018 edition of China's Singles' Day, the world's biggest online and offline shopping day.\n== Naming ==\nThe company's name came from the character Ali Baba from the Middle Eastern folk-tale collection One Thousand and One Nights because of its universal appeal.\n== History ==\n=== Founding ===\nOn 28 June 1999, Jack Ma, with 17 friends and students founded Alibaba.com, a China-based B2B marketplace site, in his Hangzhou apartment. In October 1999, Alibaba received a US$25 million investment from Investor AB, Goldman ","en_topic":"Alibaba Group","wiki_pageid":2430273,"wiki_revid":1364846280,"source_url":"https://en.wikipedia.org/?curid=2430273","license":"CC BY-SA 4.0"}
{"slug":"bytedance","lang":"en","title":"ByteDance","text":"ByteDance is a Chinese internet technology company headquartered in Haidian, Beijing. Its associated variable-interest entity, ByteDance Ltd, is incorporated in the Cayman Islands.\nFounded by Zhang Yiming, Liang Rubo, and a team of others in 2012, ByteDance developed the video-sharing app TikTok/Douyin. The company is also the developer of the news platform Toutiao, the video-editing app CapCut, and Lemon8 which is a video sharing mobile app. Furthermore, the company develops generative AI models both for the Chinese and international markets.\nByteDance has attracted regulatory and media attention in several countries over security, surveillance, and censorship concerns.\n== History ==\nIn 2009, software engineer and entrepreneur Zhang Yiming collaborated with his friend Liang Rubo to co-found 99fang.com, a real estate search engine. In early 2012, the pair rented an apartment in Zhongguancun and, along with several other 99fang employees, began developing an app that would use big data algorithms to classify news according to users' preferences, which would later become Toutiao. That March, Yiming and Liang founded ByteDance.\n=== Launch of first apps ===\nIn March 2012, ByteDance launched its first app, called Neihan Duanzi (内涵段子, lit. \"profound gags\"). This allowed users to circulate jokes, memes, and humorous videos. Before being forced by the Chinese government to shut down in 2018, Neihan Duanzi had over 200 million users.\nIn August 2012, ByteDance launched the first version of news and content platform Toutiao (头条, lit. \"headlines\"), which would become their core product.\nIn January 2013, in an attempt for commercialism and nationalism, a four-part plan for the future was presented to executives. Part four of the plan was to build an English version of Toutiao to gain users in English-speaking countries. At the time, there was an app race for video views and the attention of phone users.\n=== 2016 to present ===\nIn March 2016, ByteDance established its research ar","en_topic":"ByteDance","wiki_pageid":54450737,"wiki_revid":1363789678,"source_url":"https://en.wikipedia.org/?curid=54450737","license":"CC BY-SA 4.0"}
{"slug":"geoffrey-hinton","lang":"en","title":"Geoffrey Hinton","text":"Geoffrey Everest Hinton (born 6 December 1947) is a British-Canadian computer scientist, cognitive scientist, cognitive psychologist and Nobel Prize laureate known for his work on artificial neural networks, which earned him the title \"the Godfather of AI\". He is University Professor Emeritus at the University of Toronto.\nFrom 2013 to 2023, he divided his time working for Google Brain and the University of Toronto before publicly announcing his departure from Google in May 2023, citing concerns about the many risks of artificial intelligence (AI) technology. In 2017, he co-founded and became the chief scientific advisor of the Vector Institute in Toronto.\nWith David Rumelhart and Ronald J. Williams, Hinton was co-author of a highly cited paper published in 1986 that popularised the backpropagation algorithm for training multi-layer neural networks, although they were not the first to propose the approach. Hinton is viewed as a leading figure in the deep learning community. The image-recognition milestone of the AlexNet designed in collaboration with his students Alex Krizhevsky and Ilya Sutskever for the ImageNet challenge 2012 was a breakthrough in the field of computer vision.\nHinton received the 2018 Turing Award, together with Yoshua Bengio and Yann LeCun for their work on deep learning. They are sometimes referred to as the \"Godfathers of Deep Learning\" and have continued to give public talks together. He was also awarded, along with John Hopfield, the 2024 Nobel Prize in Physics for \"foundational discoveries and inventions that enable machine learning with artificial neural networks\".\nIn May 2023, Hinton announced his resignation from Google to be able to \"freely speak out about the risks of AI\". He has voiced concerns about deliberate misuse by malicious actors, technological unemployment, and existential risk from artificial general intelligence. He noted that establishing safety guidelines will require cooperation among those competing in use of AI in order","en_topic":"Geoffrey Hinton","wiki_pageid":507174,"wiki_revid":1365089219,"source_url":"https://en.wikipedia.org/?curid=507174","license":"CC BY-SA 4.0"}
{"slug":"yann-lecun","lang":"en","title":"Yann LeCun","text":"Yann André Le Cun ( lə-KUN; French: [ləkœ̃]; usually spelled LeCun; born 8 July 1960) is a French-American computer scientist working in the fields of artificial intelligence, machine learning, computer vision, robotics and image compression. He is the Jacob T. Schwartz Professor of Computer Science at the Courant Institute of Mathematical Sciences at New York University. He served as Chief AI Scientist at Meta Platforms before co-founding Advanced Machine Intelligence Labs in December 2025.\nHe is well known for his work on optical character recognition and computer vision using convolutional neural networks (CNNs). He is also one of the main creators of the DjVu image compression technology, alongside Léon Bottou and Patrick Haffner. He co-developed the Lush programming language with Léon Bottou.\nIn 2018, LeCun, Yoshua Bengio, and Geoffrey Hinton received the Turing Award from the Association for Computing Machinery (ACM) for their work on deep learning. LeCun, Bengio, and Hinton, and occasionally Jürgen Schmidhuber, are sometimes referred to as the \"Godfathers of AI\" and \"Godfathers of Deep Learning\".\n== Early life and education ==\nYann André Le Cun was born on 8 July 1960 at Soisy-sous-Montmorency, in the suburbs of Paris. His surname, Le Cun, derives from the old Breton form Le Cunff and originates from the region of Guingamp in northern Brittany. Yann is the Breton form of Jean, the French form of John.\nHe received a Diplôme d'Ingénieur from the ESIEE Paris in 1983 and a PhD in computer science from Université Pierre et Marie Curie (now Sorbonne University) in 1987, during which he proposed an early form of backpropagation, an algorithm crucial for enabling neural networks to learn. Before joining AT&T, LeCun was a postdoctoral researcher for a year, starting in 1987, supervised by Geoffrey Hinton at the University of Toronto.\nLeCun has three sons, and his brother is employed by Google. He has American citizenship.\n== Career and research ==\nLeCun's career has b","en_topic":"Yann LeCun","wiki_pageid":23534873,"wiki_revid":1366181530,"source_url":"https://en.wikipedia.org/?curid=23534873","license":"CC BY-SA 4.0"}
{"slug":"ilya-sutskever","lang":"en","title":"Ilya Sutskever","text":"Ilya Sutskever (Hebrew: איליה סוצקבר; born 1986) is a computer scientist who specializes in machine learning. He has made several major contributions to the field of deep learning, including sequence-to-sequence learning, reasoning models, GPT models, and contributions to CLIP, DALL-E, and AlphaGo. With Alex Krizhevsky and Geoffrey Hinton, he co-created AlexNet, a convolutional neural network. One of the most highly cited computer scientists in history, he has won the NeurIPS Test of Time Award for his lasting impact on AI research three times in a row (2022–2024) and received the National Academy of Sciences Award for the Industrial Application of Science in 2026.\nSutskever co-founded and was chief scientist at OpenAI, where he oversaw the research breakthroughs that led to large language models and to the launch of ChatGPT. He also led the research that led to reasoning models such as o1. In 2023, he was one of the members of OpenAI's board that ousted Sam Altman as its CEO; Altman was reinstated a week later, and Sutskever stepped down from the board. In June 2024, Sutskever co-founded the company Safe Superintelligence Inc., alongside Daniel Gross and Daniel Levy. Within a year, the company was valued at more than $30 billion.\n== Early life and education ==\nSutskever was born in 1986 into a Jewish family in Nizhny Novgorod, Russia (then Gorky, Russian SFSR, Soviet Union). At the age of 5, he immigrated to Israel with his family and grew up in Jerusalem. Sutskever proved to be a good student in school, and in eighth grade started taking classes at the Open University of Israel. At 16, he moved with his family to Canada, where he attended high school for a month before being admitted to the University of Toronto in Ontario as a third-year undergraduate student.\nAt the University of Toronto, Sutskever received a bachelor's degree in mathematics in 2005, a master's degree in computer science in 2007, and a PhD in computer science in 2013. His doctoral advisor was Ge","en_topic":"Ilya Sutskever","wiki_pageid":51097862,"wiki_revid":1366471714,"source_url":"https://en.wikipedia.org/?curid=51097862","license":"CC BY-SA 4.0"}
{"slug":"demis-hassabis","lang":"en","title":"Demis Hassabis","text":"Sir Demis Hassabis (born 27 July 1976) is a British artificial intelligence (AI) researcher and entrepreneur. He is the chief executive officer and co-founder of Google DeepMind and Isomorphic Labs, and a UK Government AI Adviser. In 2024, Hassabis and John M. Jumper were jointly awarded the Nobel Prize in Chemistry for their AI research contributions to protein structure prediction.\nHassabis is a Fellow of the Royal Society and has won awards for his research efforts, including the Breakthrough Prize, the Canada Gairdner International Award and the Lasker Award. He was appointed a CBE in 2017, and knighted in 2024 for his work on AI. He was also listed among the Time 100 most influential people in the world in 2017 and 2025, and was one of the \"Architects of AI\" collectively chosen as Time's 2025 Person of the Year.\n== Early life and education ==\nHassabis was born to Costas and Angela Hassapis. His father is a Greek Cypriot and his mother is a Chinese Singaporean. Demis grew up in North London. His original surname was \"Hassapis\" (Greek: Χασάπης), meaning \"butcher\" in Greek, but he later, according to Ingo Althöfer, \"executed a point mutation by changing ‘p’ to ‘b’\". One of his younger brothers still carries the original surname.\nIn his early career, he was a video game AI programmer and designer, and an expert board games player. A child prodigy in chess from the age of four, when he first learnt chess by watching his father playing against his uncle, Hassabis reached master standard at the age of 13 with an Elo rating of 2300 and captained many of the England junior chess teams. He represented the University of Cambridge in the Oxford–Cambridge varsity chess matches of 1995, 1996 and 1997, winning a half blue.\nHe first got interested in technology after buying his first computer in 1984, a ZX Spectrum 48K, funded from chess winnings. He taught himself how to program from books. He subsequently wrote his first AI program on a Commodore Amiga to play the reversi bo","en_topic":"Demis Hassabis","wiki_pageid":3259263,"wiki_revid":1366102247,"source_url":"https://en.wikipedia.org/?curid=3259263","license":"CC BY-SA 4.0"}
{"slug":"fei-fei-li","lang":"en","title":"Fei-Fei Li","text":"Fei-Fei Li (Chinese: 李飞飞; pinyin: Lǐ Fēifēi; born July 3, 1976) is a Chinese-born American computer scientist best known for establishing ImageNet, the dataset that enabled rapid advances in computer vision in the 2010s. She is a professor of computer science at Stanford University, with research expertise in artificial intelligence, machine learning, deep learning, computer vision, and cognitive neuroscience.\nLi is a co-director of the Stanford Institute for Human-Centered Artificial Intelligence and a co-director of the Stanford Vision and Learning Lab, and served as Chief Scientist of AI/ML at Google Cloud and the director of the Stanford Artificial Intelligence Laboratory from 2013 to 2018. In 2017, she co-founded AI4ALL, a nonprofit organization working to increase diversity in the field of artificial intelligence. In 2023, Li was named one of the Time 100 AI Most Influential People.\nLi received the Intel Lifetime Achievements Innovation Award in 2017 for her contributions to artificial intelligence, and was elected member of the National Academy of Engineering, the National Academy of Medicine in 2020 and the American Academy of Arts and Sciences in 2021. In 2025, she was named as one of the \"Architects of AI\" for Time's Person of the Year.\nOn August 3, 2023, Li was appointed to the United Nations Scientific Advisory Board, established by Secretary-General Antonio Guterres. In 2024, Li was included on the Gold House's most influential Asian A100 list. In 2024, she raised $230 million for a startup called World Labs, which she and three colleagues founded to develop a \"spatial intelligence\" AI technology that can understand how the three-dimensional physical world works. In 2026, World Labs raised $1 billion.\n== Early life and education ==\nLi was born in Beijing, China, in 1976 and grew up in Chengdu, Sichuan. She studied at Sichuan Chengdu No.7 High School. When she was 12, her father immigrated to Parsippany, New Jersey. When she was 16, Li and her mother joi","en_topic":"Fei-Fei Li","wiki_pageid":44359594,"wiki_revid":1366422222,"source_url":"https://en.wikipedia.org/?curid=44359594","license":"CC BY-SA 4.0"}
{"slug":"sam-altman","lang":"en","title":"Sam Altman","text":"Samuel Harris Altman (born April 22, 1985) is an American entrepreneur and investor who has been the chief executive officer (CEO) of the artificial intelligence company OpenAI since 2019.\nAltman attended Stanford University for two years before he dropped out and co-founded Loopt, a smartphone geosocial networking application. Loopt was acquired by Green Dot Corporation for $43.4 million in March 2012. In 2011, Altman joined Y Combinator, a technology startup accelerator and venture capital firm, and was the company's president from 2014 to 2019. He is a billionaire, due to investments in over 400 companies including Reddit, Worldcoin, Helion Energy and Instacart.\nAltman co-founded OpenAI in 2015 and became its CEO in 2019, a role that made him a prominent figure of the AI boom. He supervised the launch of ChatGPT in November 2022. In 2023, he was ousted by the organization's board of directors for not being \"consistently candid\". The move was met with significant backlash from employees and investors, resulting in Altman's reinstatement five days later and the formation of a new board.\n== Early life and education ==\nAltman was born in Chicago on April 22, 1985, to a Jewish American family. His mother Connie Gibstine is a dermatologist and his father Jerry Altman was a real estate broker. He is the eldest of four siblings: he has two brothers, Max and Jack; and a sister, Ann. His paternal great-grandfather was born in Płock, Poland. In 1989, the Altman family moved to Jerry's hometown of Clayton, Missouri.\nAt eight, Altman received his first computer—an Apple Macintosh—and began learning how to code and disassemble and examine computer hardware. He attended John Burroughs School, a private institution in Ladue, Missouri. In 2005, after studying computer science for two years at Stanford University in Stanford, California, he dropped out without earning a bachelor's degree.\n== Business career ==\n=== Early career ===\nIn 2005, at the age of 19, Altman co-founded Loopt","en_topic":"Sam Altman","wiki_pageid":22476815,"wiki_revid":1366464446,"source_url":"https://en.wikipedia.org/?curid=22476815","license":"CC BY-SA 4.0"}
{"slug":"jensen-huang","lang":"en","title":"Jensen Huang","text":"Jen-Hsun \"Jensen\" Huang (Chinese: 黃仁勳; pinyin: Huáng Rénxūn; Wade–Giles: Huang2 Jên2-hsün1; Tâi-lô: N̂g Jîn-hun; born February 17, 1963) is a Taiwanese and American business executive and electrical engineer who is the founder, president, and CEO of Nvidia, the world's most valuable company. As of 2026, Forbes estimates his net worth at over US$200 billion, making him the seventh-wealthiest individual in the world.\nThe son of Taiwanese immigrants, Huang spent his childhood in Taiwan and Thailand before moving to the United States, where he was a student in Kentucky and Oregon. After earning a master's degree from Stanford University, Huang launched Nvidia in 1993 from a Denny's restaurant in San Jose, California, at age 30 and has remained its president and CEO ever since. He led the company out of near-bankruptcy during the 1990s and oversaw its expansion into GPU production, high-performance computing, and artificial intelligence (AI).\nUnder Huang, Nvidia experienced rapid growth during the AI boom, becoming the first company to reach a market capitalization of over $5 trillion in October 2025. In 2021 and 2024, Time magazine included Huang in their list of the most influential people. In 2025, he was named as one of the \"Architects of AI\" for Time's Person of the Year.\n== Early life and education ==\nHuang was born in Taipei, Taiwan, on February 17, 1963, and moved to the southern city of Tainan as a child. He is the younger of two sons of Huang Hsing-tai, a chemical engineer at an oil refinery, and Lo Tsai-hsiu, a schoolteacher. They were a middle-class Taiwanese family that relocated often, and were native speakers of Taiwanese Hokkien. Each day, Jensen's mother randomly selected 10 words from the dictionary to teach her sons English. When he was five years old, Huang's family moved to Thailand to support his father's refinery career and remained there for approximately four years. He attended Ruamrudee International School while in Bangkok.\nIn the late 1960s, H","en_topic":"Jensen Huang","wiki_pageid":2116495,"wiki_revid":1366473099,"source_url":"https://en.wikipedia.org/?curid=2116495","license":"CC BY-SA 4.0"}
{"slug":"dario-amodei","lang":"en","title":"Dario Amodei","text":"Dario Amodei (born 1983) is an American artificial intelligence (AI) researcher and entrepreneur. In 2021, he and his sister Daniela Amodei co-founded Anthropic, the company behind the large language model series Claude. Prior to that, he was the vice president of research at OpenAI.\nIn his capacity as Anthropic's CEO, Amodei often writes on the benefits and risks of advanced AI systems. He is a proponent of an \"entente\" strategy in which a coalition of democratic nations use advanced AI systems in military applications to achieve a decisive advantage over adversaries while sharing the benefits with cooperating nations.\n== Early life and education ==\nDario Amodei was born in San Francisco, California, in 1983. His sister, Daniela, was born four years later. His father, Riccardo Amodei, an Italian-American leather craftsman from Massa Marittima, Tuscany, died when Dario was a young adult. His mother, Elena Engel, a Jewish American born in Chicago, worked as a project manager for libraries.\nDario grew up in San Francisco and graduated from Lowell High School. He was a member of the USA Physics Olympiad team in 2000. Amodei began college at Caltech, where he worked with Tom Tombrello as one of his Physics 11 students. He later transferred to Stanford University, where he received a bachelor's degree in physics. He was awarded the Hertz Foundation Fellowship in 2007 while earning his doctorate in biophysics from Princeton University. He later received the Hertz Thesis Prize in 2011 for his doctoral research on electrophysiology of neural circuits. He was a postdoctoral scholar at the Stanford University School of Medicine.\n== Career ==\nFrom November 2014 until October 2015, he worked at Baidu. After that, he worked at Google. In 2016, Amodei joined OpenAI.\nIn 2021, Dario and his sister, Daniela, founded Anthropic along with other former senior members of OpenAI. The Amodei siblings were among those who left OpenAI due to directional differences.\nIn November 2023, the bo","en_topic":"Dario Amodei","wiki_pageid":74329563,"wiki_revid":1366314612,"source_url":"https://en.wikipedia.org/?curid=74329563","license":"CC BY-SA 4.0"}
{"slug":"marvin-minsky","lang":"en","title":"Marvin Minsky","text":"Marvin Lee Minsky (August 9, 1927 – January 24, 2016) was an American mathematician who conducted research in the cognitive and computer science aspects of artificial intelligence (AI). After three years as a Junior Fellow of the Harvard Society of Fellows, Minsky joined the faculty at the Massachusetts Institute of Technology (MIT) in 1958 and spent the rest of his career at that institution. There, he co-founded MIT's AI laboratory, among other initiatives, and wrote extensively about AI and philosophy. Minsky, Claude Shannon, Nathaniel Rochester, and John McCarthy have been called the \"fathers of AI\" due to their participation in the Dartmouth workshop. At the time he was made emeritus, Minsky was the Toshiba Professor of Media Art & Sciences at MIT.\nMinsky received many accolades and honors for his work, including the ACM Turing Award in 1969, the Golden Plate Award of the American Academy of Achievement in 1982, the Japan Prize in 1990, the Benjamin Franklin Medal in 2001, and of the past-present-future trio of Dan David Prizes in 2014, the \"Future\"-oriented prize for \"Artificial Intelligence, the Digital Mind\". He was elected to the U.S. National Academy of Sciences in 1973 and the U.S. National Academy of Engineering in 1989, and was inducted into IEEE Intelligent Systems' AI Hall of Fame for contributions to AI and intelligent systems in 2011.\n== Early life and education ==\nMarvin Lee Minsky was born on August 9, 1927, into a Jewish family in New York City. His mother was Fannie (Reiser), a Zionist activist, and his father was Henry, an eye surgeon. Minsky attended the Ethical Culture Fieldston School and the Bronx High School of Science. He later attended Phillips Academy in Andover, Massachusetts. He served in the U.S. Navy from 1944 to 1945 before returning to his education and earning a A.B. in mathematics from Harvard University (1950) and a Ph.D. in mathematics from Princeton University (1954). His doctoral dissertation was titled \"Theory of neural-ana","en_topic":"Marvin Minsky","wiki_pageid":19639,"wiki_revid":1364111265,"source_url":"https://en.wikipedia.org/?curid=19639","license":"CC BY-SA 4.0"}
{"slug":"herbert-a-simon","lang":"en","title":"Herbert A. Simon","text":"Herbert Alexander Simon (June 15, 1916 – February 9, 2001) was an American scholar whose work influenced the fields of computer science, economics, and cognitive psychology. His primary research interest was decision-making within organizations and he is best known for the theories of \"bounded rationality\" and \"satisficing\". He and Allen Newell received the ACM Turing Award in 1975, and he received the Nobel Memorial Prize in Economic Sciences in 1978.\nHis research was noted for its interdisciplinary nature, spanning the fields of cognitive science, computer science, public administration, management, and political science. He was at Carnegie Mellon University for most of his career, from 1949 to 2001, where he helped found the Carnegie Mellon School of Computer Science, one of the first such departments in the world.\nNotably, Simon was among the pioneers of several modern-day scientific domains such as artificial intelligence, information processing, decision-making, problem-solving, organization theory, and complex systems. He was among the earliest to analyze the architecture of complexity and to propose a preferential attachment mechanism to explain power law distributions.\n== Early life and education ==\nHerbert Alexander Simon was born in Milwaukee, Wisconsin, on June 15, 1916. Simon's father, Arthur Simon (1881–1948), was a Jewish electrical engineer who came to the United States from Germany in 1903 after earning his engineering degree at Technische Hochschule Darmstadt. An inventor, Arthur also was an independent patent attorney. Simon's mother, Edna Marguerite Merkel (1888–1969), was an accomplished pianist whose Jewish, Lutheran, and Catholic ancestors came from Braunschweig, Prague and Cologne. Simon's European ancestors were piano makers, goldsmiths, and vintners.\nSimon attended Milwaukee Public Schools, where he developed an interest in science and established himself as an atheist. While attending middle school, Simon wrote a letter to \"the editor of t","en_topic":"Herbert A. Simon","wiki_pageid":14205,"wiki_revid":1361323308,"source_url":"https://en.wikipedia.org/?curid=14205","license":"CC BY-SA 4.0"}
{"slug":"john-von-neumann","lang":"en","title":"John von Neumann","text":"John von Neumann ( von NOY-mən; Hungarian: Neumann János Lajos; December 28, 1903 – February 8, 1957) was a Hungarian and American mathematician, physicist, computer scientist and engineer. Von Neumann had perhaps the widest coverage of any mathematician of his time, integrating pure and applied sciences and making major contributions to many fields, including mathematics, physics, economics, computing, and statistics. He was a pioneer in building the mathematical framework of quantum physics, in the development of functional analysis, and in game theory, introducing or codifying concepts including cellular automata, the universal constructor and the digital computer. His analysis of the structure of self-replication preceded the discovery of the structure of DNA.\nDuring World War II, von Neumann worked on the Manhattan Project. He developed the mathematical models behind the explosive lenses used in the implosion-type nuclear weapon. Before and after the war, he consulted for many organizations including the Office of Scientific Research and Development, the United States Army's Ballistic Research Laboratory, the Armed Forces Special Weapons Project and the Oak Ridge National Laboratory. At the peak of his influence in the 1950s, he chaired a number of Defense Department committees including the Strategic Missile Evaluation Committee and the ICBM Scientific Advisory Committee. He was also a member of the influential Atomic Energy Commission in charge of all atomic energy development in the country. He played a key role alongside Bernard Schriever and Trevor Gardner in the design and development of the United States' first intercontinental ballistic missile (ICBM) programs. At that time he was considered the nation's foremost expert on nuclear weaponry and the leading defense scientist at the U.S. Department of Defense.\nVon Neumann's contributions and intellectual ability drew praise from colleagues in physics, mathematics, and beyond. His accolades include a Medal ","en_topic":"John von Neumann","wiki_pageid":15942,"wiki_revid":1366313868,"source_url":"https://en.wikipedia.org/?curid=15942","license":"CC BY-SA 4.0"}
{"slug":"ada-lovelace","lang":"en","title":"Ada Lovelace","text":"Augusta Ada King, Countess of Lovelace (née Byron; 10 December 1815 – 27 November 1852), also known as Ada Lovelace, was an English mathematician and writer chiefly known for work on Charles Babbage's proposed mechanical general-purpose computer, the analytical engine. She was the first to recognise the machine had applications beyond pure calculation. Lovelace is often considered the first computer programmer.\nLovelace was the only legitimate child of poet Lord Byron and reformer Anne Isabella Milbanke. Lord Byron separated from his wife a month after Ada was born, and died when she was eight. Although often ill in childhood, Lovelace pursued her studies assiduously. She married William King in 1835. King was a Baron, and was created Viscount Ockham and 1st Earl of Lovelace in 1838. The name Lovelace was chosen because Ada was descended from the extinct Baron Lovelaces. The title given to her husband thus made Ada the Countess of Lovelace.\nLovelace's educational and social exploits brought her into contact with scientists such as Andrew Crosse, Charles Babbage, David Brewster, Charles Wheatstone and Michael Faraday, and the author Charles Dickens, contacts which she used to further her education. Lovelace described her approach as \"poetical science\" and herself as an \"Analyst (& Metaphysician)\".\nWhen she was eighteen, Lovelace's mathematical talents led her to a long working relationship and friendship with fellow British mathematician Charles Babbage. She was particularly interested in Babbage's work on the analytical engine. Lovelace first met him on 5 June 1833, when she and her mother attended one of Charles Babbage's Saturday night soirées with their mutual friend, and Lovelace's private tutor, Mary Somerville. Though Babbage's analytical engine was never constructed and did not influence the invention of electronic computers, it has been recognised as a Turing-complete general-purpose computer, which anticipated the essential features of a modern electronic c","en_topic":"Ada Lovelace","wiki_pageid":974,"wiki_revid":1360639004,"source_url":"https://en.wikipedia.org/?curid=974","license":"CC BY-SA 4.0"}
{"slug":"edsger-w-dijkstra","lang":"en","title":"Edsger W. Dijkstra","text":"Edsger Wybe Dijkstra ( DYKE-strə; Dutch: [ˈɛtsxər ˈʋibə ˈdɛikstraː] ; 11 May 1930 – 6 August 2002) was a Dutch computer scientist, programmer, mathematician, and science essayist.\nBorn in Rotterdam in the Netherlands, Dijkstra studied mathematics and physics and then theoretical physics at the University of Leiden. Adriaan van Wijngaarden offered him a job as the first computer programmer in the Netherlands at the Mathematical Centre in Amsterdam, where he worked from 1952 until 1962. He formulated and solved the shortest path problem in 1956, and in 1960 developed the first compiler for the programming language ALGOL 60 in conjunction with colleague Jaap A. Zonneveld. In 1962 he moved to Eindhoven, and later to Nuenen, where he became a professor in the Mathematics Department at the Technische Hogeschool Eindhoven. In the late 1960s, he built the THE multiprogramming system, which influenced the designs of subsequent systems through its use of software-based paged virtual memory. Dijkstra joined Burroughs Corporation as its sole research fellow in August 1973. The Burroughs years saw him at his most prolific in output of research articles. He wrote nearly 500 documents in the \"EWD\" series, most of them technical reports, for private circulation within a select group.\nDijkstra accepted the Schlumberger Centennial Chair in the Computer Science Department at the University of Texas at Austin in 1984, working in Austin, USA, until his retirement in November 1999. He and his wife returned from Austin to his original house in Nuenen, where he died on 6 August 2002 after a long struggle with cancer.\nHe received the 1972 ACM Turing Award for fundamental contributions to developing structured programming languages. Shortly before his death, he received the ACM PODC Influential Paper Award in distributed computing for his work on self-stabilization of program computation. This annual award was renamed the Dijkstra Prize the following year, in his honor.\n== Life and works ==\n","en_topic":"Edsger W. Dijkstra","wiki_pageid":10018,"wiki_revid":1366365844,"source_url":"https://en.wikipedia.org/?curid=10018","license":"CC BY-SA 4.0"}
{"slug":"linus-torvalds","lang":"en","title":"Linus Torvalds","text":"Linus Benedict Torvalds (born 28 December 1969) is a Finnish and American software engineer who is the creator and lead developer of the Linux kernel since 1991. He also created the distributed version control system Git.\nTorvalds was one of the recipients of the 2012 Millennium Technology Prize \"in recognition of his creation of a new open source operating system for computers leading to the widely used Linux kernel\". He is also the recipient of the 2014 IEEE Computer Society Computer Pioneer Award and the 2018 IEEE Masaru Ibuka Consumer Electronics Award.\n== Life and career ==\n=== Early years ===\nTorvalds was born in Helsinki, Finland, on 28 December 1969, the son of journalists Anna and Nils Torvalds, the grandson of statistician Leo Törnqvist and of poet Ole Torvalds, and the great-grandson of journalist and soldier Toivo Karanko. His parents were campus radicals at the University of Helsinki in the 1960s. His family belongs to the Swedish-speaking minority in Finland. He was named after Linus Pauling, the Nobel Prize-winning American chemist, although in the book Rebel Code: Linux and the Open Source Revolution, he is quoted as saying, \"I think I was named equally for Linus the Peanuts cartoon character\", noting that this made him \"half Nobel Prize–winning chemist and half blanket-carrying cartoon character\".\nHis interest in computers began with a VIC-20 at the age of 11 in 1981. He started programming for it in BASIC, then later by directly accessing the 6502 CPU directly in machine code (rather than assembly language). He then purchased a Sinclair QL, which he modified extensively, especially its operating system. \"Because it was so hard to get software for it in Finland\", he wrote his own assembler and \"(in addition to Pac-Man graphics libraries)\" for the QL, and a few games. He wrote a Pac-Man clone, Cool Man.\nTorvalds attended the University of Helsinki from 1988 to 1996, graduating with a master's degree in computer science from the NODES research group. ","en_topic":"Linus Torvalds","wiki_pageid":17618,"wiki_revid":1364576684,"source_url":"https://en.wikipedia.org/?curid=17618","license":"CC BY-SA 4.0"}
{"slug":"ken-thompson","lang":"en","title":"Ken Thompson","text":"Kenneth Lane Thompson (born February 4, 1943) is an American pioneer of computer science. Thompson worked at Bell Labs for most of his career where he designed and implemented the original Unix operating system. He also invented the B programming language, the direct predecessor to the C language, and was one of the creators and early developers of the Plan 9 operating system. Other notable contributions included his work on regular expressions and early computer text editors QED and ed, the definition of the UTF-8 encoding, and his work on computer chess that included the creation of endgame tablebases and the chess machine Belle.\nSince 2006, Thompson has worked at Google, where he co-developed the Go language. In 1983, he won the Turing Award with his long-term colleague Dennis Ritchie. He is considered one of the greatest computer programmers of all time.\n== Early life and education ==\nThompson was born in New Orleans, Louisiana. When asked how he learned to program, Thompson stated, \"I was always fascinated with logic and even in grade school I'd work on arithmetic problems in binary, stuff like that. Just because I was fascinated.\"\nThompson received a Bachelor of Science in 1965 and a master's degree in 1966, both in electrical engineering and computer sciences, from the University of California, Berkeley, where his master's thesis advisor was Elwyn Berlekamp.\n== Career and research ==\nThompson was hired by Bell Labs in 1966. In the 1960s at Bell Labs, Thompson and Dennis Ritchie worked on the Multics operating system. While writing Multics, Thompson created the Bon programming language. He also created a video game called Space Travel. Later, Bell Labs withdrew from the MULTICS project. In order to go on playing the game, Thompson found an old PDP-7 machine and rewrote Space Travel on it. Eventually, the tools developed by Thompson became the Unix operating system: Working on a PDP-7, a team of Bell Labs researchers led by Thompson and Ritchie, and including R","en_topic":"Ken Thompson","wiki_pageid":23370128,"wiki_revid":1361470120,"source_url":"https://en.wikipedia.org/?curid=23370128","license":"CC BY-SA 4.0"}
{"slug":"bjarne-stroustrup","lang":"en","title":"Bjarne Stroustrup","text":"Bjarne Stroustrup ( ; Danish: [ˈbjɑːnə ˈstʁʌwˀstʁɔp]; born 30 December 1950) is a Danish computer scientist, known for the development of the C++ programming language. He led the Large-scale Programming Research department at Bell Labs, served as a professor of computer science at Texas A&M University, and spent over a decade at Morgan Stanley while also being a visiting professor at Columbia University. Since 2022 he has been a full professor at Columbia.\n== Early life and education ==\nStroustrup was born in Aarhus, Denmark. His family was working class, and he attended local schools.\nHe attended Aarhus University from 1969 to 1975 and graduated with a Candidatus Scientiarum in mathematics with computer science. His interests focused on microprogramming and machine architecture. He learned the fundamentals of object-oriented programming from one of its inventors, Kristen Nygaard, who frequently visited Aarhus.\nIn 1979, he received his PhD in computer science from the University of Cambridge, where his research on distributed computing was supervised by David Wheeler.\n== Career and research ==\nIn 1979, Stroustrup began his career as a member of technical staff in the Computer Science Research Center of Bell Labs in Murray Hill, New Jersey. There, he began his work on C++ and programming techniques. Stroustrup was the head of AT&T Bell Labs' Large-scale Programming Research department, from its creation until late 2002. In 1993, he was made a Bell Labs fellow and in 1996, an AT&T Fellow.\nFrom 2002 to 2014, Stroustrup was the College of Engineering Chair Professor in Computer Science at Texas A&M University. From 2011, he was made a University Distinguished Professor.\nFrom January 2014 to April 2022, Stroustrup was a technical fellow and managing director in the technology division of Morgan Stanley in New York City and a visiting professor in computer science at Columbia University.\nSince 2021, Bjarne Stroustrup has been a Technical Advisor to Metaspex, a company dev","en_topic":"Bjarne Stroustrup","wiki_pageid":3713,"wiki_revid":1366071546,"source_url":"https://en.wikipedia.org/?curid=3713","license":"CC BY-SA 4.0"}
{"slug":"barbara-liskov","lang":"en","title":"Barbara Liskov","text":"Barbara Jane Liskov (née Huberman; born November 7, 1939) is an American computer scientist who has made pioneering contributions to programming languages and distributed computing. Her notable work includes the introduction of abstract data types and the accompanying principle of data abstraction, along with the Liskov substitution principle, which applies these ideas to object-oriented programming, subtyping, and inheritance. Her work was recognized with the 2008 Turing Award, the highest distinction in computer science.\nLiskov is one of the earliest women to have been granted a doctorate in computer science in the United States, and the second woman to receive the Turing Award. She is currently an Institute Professor and Ford Professor of Engineering at the Massachusetts Institute of Technology.\n== Early life and education ==\nLiskov was born November 7, 1939, in Los Angeles, California, the eldest of Jane (née Dickhoff) and Moses Huberman's four children. She earned her bachelor's degree in mathematics with a minor in physics at the University of California, Berkeley in 1961. At Berkeley, she had only one other female classmate in her major. She applied to graduate mathematics programs at Berkeley and Princeton. At the time, Princeton was not accepting female students in mathematics. She was accepted at Berkeley but instead moved to Boston and began working at the MITRE Corporation, where she became interested in computers and programming. She worked at Mitre for one year before taking a programming job at Harvard, where she worked on language translation.\nShe then decided to go back to school and applied again to Berkeley, but also to Stanford and Harvard. In March 1968 she became one of the first women in the United States to be awarded a Ph.D. from a computer science department at Stanford University. At Stanford, she worked with John McCarthy and was supported in her work in artificial intelligence. The topic of her Ph.D. thesis was a computer program to play","en_topic":"Barbara Liskov","wiki_pageid":1507538,"wiki_revid":1356600092,"source_url":"https://en.wikipedia.org/?curid=1507538","license":"CC BY-SA 4.0"}
{"slug":"steve-jobs","lang":"en","title":"Steve Jobs","text":"Steven Paul Jobs (February 24, 1955 – October 5, 2011) was an American businessman, inventor, and investor. A pioneer of the personal computer revolution of the 1970s and 1980s, Jobs co-founded Apple Inc. with his early business partner Steve Wozniak as Apple Computer Company in 1976. After the company's board of directors fired him in 1985, he founded NeXT the same year and purchased Pixar in 1986, becoming its chairman and majority shareholder until 2007. Jobs returned to Apple in 1997 as CEO, where he was closely involved with the creation and promotion of many of the company's most influential products until his resignation in 2011.\nJobs was born in San Francisco in 1955 and adopted shortly afterward. He attended Reed College in 1972 before withdrawing that same year. In 1974, he traveled through India, seeking enlightenment before later studying Zen Buddhism. He and Wozniak co-founded Apple in 1976 to further develop and sell Wozniak's Apple I personal computer. Together, the duo gained fame and wealth a year later with the production and sale of the Apple II, one of the first highly successful mass-produced microcomputers.\nJobs saw the commercial potential of the Xerox Alto in 1979, which was mouse-driven and had a graphical user interface (GUI). This led to the development of the largely unsuccessful Apple Lisa in 1983, followed by the breakthrough Macintosh 128K in 1984, the first mass-produced computer with a GUI. The Macintosh launched the desktop publishing industry in 1985 (for example, the Aldus PageMaker) with the addition of the Apple LaserWriter, the first laser printer to feature vector graphics and PostScript.\nIn 1985, Jobs departed Apple after a long power struggle with the company's board and its then-CEO, John Sculley. That same year, Jobs took some Apple employees with him to found NeXT, a computer platform development company that specialized in computers for higher education and business markets, serving as its CEO. In 1986, he bought the co","en_topic":"Steve Jobs","wiki_pageid":7412236,"wiki_revid":1365666062,"source_url":"https://en.wikipedia.org/?curid=7412236","license":"CC BY-SA 4.0"}
{"slug":"elon-musk","lang":"en","title":"Elon Musk","text":"Elon Reeve Musk ( EE-lon; born June 28, 1971) is a businessman and former public official who is the CEO and largest shareholder of Tesla and SpaceX. Musk has been the wealthiest person in the world since 2025, and became the only trillionaire in terms of US dollars in June 2026; as of July 23, 2026, Forbes estimates his net worth to be US$744 billion.\nBorn into the wealthy Musk family in Pretoria, South Africa, Musk emigrated in 1989 to Canada; he has Canadian citizenship since his mother was born there. He received bachelor's degrees in 1997 from the University of Pennsylvania before moving to California to pursue business ventures. In 1995, Musk co-founded Zip2, a web software company. Following its sale in 1999, he co-founded X.com, an e-commerce payment system that merged with Confinity in March 2000 to form PayPal, which was acquired by eBay in 2002. Musk also became an American citizen in 2002.\nIn 2002, Musk founded and became CEO and chief engineer of SpaceX, a space technology company; the company has since led innovations in reusable rockets and commercial spaceflight. Musk joined Tesla as an early investor in 2004 and became its CEO and product architect in 2008; it has since become a leader in electric vehicles. In 2015, Musk co-founded OpenAI to advance artificial intelligence (AI) research, but later left; his growing discontent with the organization's direction and leadership in the AI boom in the 2020s led him to establish xAI, which became a subsidiary of SpaceX in 2026. In 2022, he acquired Twitter, a social networking service, and made significant changes, including rebranding it as X in 2023. His other businesses include Neuralink, a neurotechnology company that he co-founded in 2016, and the Boring Company, a tunneling company that he founded in 2017. In November 2025, Tesla approved a pay package worth $1 trillion for Musk, which he is to receive over 10 years if certain milestones are met, such as achieving a market capitalization of $8.5 tri","en_topic":"Elon Musk","wiki_pageid":909036,"wiki_revid":1366149515,"source_url":"https://en.wikipedia.org/?curid=909036","license":"CC BY-SA 4.0"}
{"slug":"mark-zuckerberg","lang":"en","title":"Mark Zuckerberg","text":"Mark Elliot Zuckerberg (; born May 14, 1984) is an American businessman and programmer who co-founded the social media service Facebook and its parent company Meta Platforms. He is its chairman, chief executive officer (CEO), and controlling shareholder.\nZuckerberg briefly attended Harvard College, and launched Facebook there in February 2004 with his roommates Eduardo Saverin, Andrew McCollum, Dustin Moskovitz and Chris Hughes. Zuckerberg took the company public in May 2012 with majority shares. He became the world's youngest self-made billionaire in 2008 at age 23 and has consistently ranked among the world's wealthiest people. According to Forbes, Zuckerberg's estimated net worth stood at US$220 billion as of December 2025.\nHe has used his funds to organize multiple large donations, including the establishment of the Chan Zuckerberg Initiative. A film based on Zuckerberg's early career, legal troubles and initial success with Facebook, The Social Network, was released in 2010. His prominence and fast rise in the technology industry has prompted political and legal attention. He has been the subject of multiple lawsuits regarding the creation and ownership of the website as well as issues such as user privacy.\n== Early life ==\nMark Elliot Zuckerberg was born on May 14, 1984, in White Plains, New York, to Jewish parents Dr. Edward Zuckerberg, a dentist, and Karen (née Kempner), a psychiatrist. He and his three sisters (Arielle, Randi, and Donna) were raised in a Reform Jewish household in Dobbs Ferry, New York. Their great-grandparents were emigrants from Austria, Germany, and Poland. Zuckerberg initially attended Ardsley High School before transferring to Phillips Exeter Academy. He was captain of the fencing team.\n=== Software development ===\n==== Early years ====\nZuckerberg learned computer programming in his childhood. At about the age of eleven, he created \"ZuckNet\", a program that allowed computers at the family home and his father's dental office to communi","en_topic":"Mark Zuckerberg","wiki_pageid":2844938,"wiki_revid":1363240678,"source_url":"https://en.wikipedia.org/?curid=2844938","license":"CC BY-SA 4.0"}
{"slug":"sergey-brin","lang":"en","title":"Sergey Brin","text":"Sergey Mikhailovich Brin (Russian: Сергей Михайлович Брин; born August 21, 1973) is an American computer scientist and businessman who co-founded Google with Larry Page. He was the president of Google's parent company, Alphabet Inc., until stepping down from the role in 2019. He and Page remain at Alphabet as co-founders, controlling shareholders, and board members. Brin is a centibillionaire and among the richest people in the world.\nBorn into a Russian-Jewish family in Moscow, Soviet Union, Brin immigrated to the United States at the age of six. He earned his bachelor's degree at the University of Maryland, College Park, following in his father's and grandfather's footsteps by studying mathematics as well as computer science. After graduation, in 1993, he enrolled in Stanford University to pursue a PhD in computer science. There, Brin met Page, with whom he built a web search engine. The program became popular at Stanford, and he discontinued his PhD studies to start Google in Susan Wojcicki's garage in Menlo Park, California. In 2023, Brin came out of retirement to contribute to AI research at Alphabet.\n== Early life and education ==\nBrin was born into a Russian-Jewish family on August 21, 1973, in Moscow, the Soviet Union's capital. Both of Brin's parents, Mikhail and Eugenia Brin (1948–2024), graduated from Moscow State University (MSU). His father is a retired mathematics professor at the University of Maryland, and his mother was a researcher at NASA's Goddard Space Flight Center.\nThe Brin family lived in a three-room apartment in central Moscow, which they also shared with Sergey's paternal grandmother. In 1977, after returning from a mathematics conference in Warsaw, Poland, Mikhail announced that, because of antisemitism in the Soviet Union, it was time for the family to emigrate. They formally applied for their exit visa in September 1978, and as a result, his father was \"promptly fired\". For related reasons, his mother had to leave her job. For the next","en_topic":"Sergey Brin","wiki_pageid":60904,"wiki_revid":1365276499,"source_url":"https://en.wikipedia.org/?curid=60904","license":"CC BY-SA 4.0"}
{"slug":"sundar-pichai","lang":"en","title":"Sundar Pichai","text":"Pichai Sundararajan (born June 10, 1972), better known as Sundar Pichai (pronounced: ), is an Indian–American business executive who has been the CEO of Google since 2015 and the CEO of its parent company Alphabet Inc. since 2019.\nPichai began his career as a materials engineer. Following a short stint at the management consulting firm McKinsey & Co., Pichai joined Google in 2004, where he led the product management and innovation efforts for a suite of Google's client software products, including Google Chrome and ChromeOS, as well as being largely responsible for Google Drive. In addition, he went on to oversee the development of other applications such as Gmail and Google Maps.\nAs of February 2026, his net worth is estimated at US$1.6 billion.\n== Early life and education ==\nPichai was born on June 10, 1972 in Madurai, Tamil Nadu, to a Tamil Hindu family. His mother, Lakshmi, was a stenographer, and his father, Regunatha Pichai, was an electrical engineer at GEC, the British conglomerate.\nPichai completed schooling in Jawahar Vidyalaya Senior Secondary School in Ashok Nagar, Chennai and completed the Class XII from Vana Vani school at IIT Madras. He earned a B.Tech in metallurgical engineering from IIT Kharagpur in 1993. He holds an MS from Stanford University School of Engineering in materials science and engineering and an MBA from the Wharton School, where he was named a Siebel Scholar and a Palmer Scholar, respectively.\n== Career ==\nPichai worked in engineering and product management at Applied Materials and in management consulting at McKinsey & Company. Pichai joined Google in 2004, where he led the product management and innovation efforts for a suite of Google's client software products, including Google Chrome and ChromeOS, as well as being largely responsible for Google Drive. He went on to oversee the development of other applications such as Gmail and Google Maps. On November 19, 2009, Pichai gave a demonstration of ChromeOS; the Chromebook was release","en_topic":"Sundar Pichai","wiki_pageid":25173473,"wiki_revid":1364872471,"source_url":"https://en.wikipedia.org/?curid=25173473","license":"CC BY-SA 4.0"}
{"slug":"transformer","lang":"en","title":"Transformer (deep learning)","text":"In deep learning, the transformer is a family of artificial neural network architectures based on the multi-head attention mechanism, in which text is converted to numerical representations called tokens, and each token is converted into a vector via lookup from a word embedding table. At each layer, each token is then contextualized within the scope of the context window with other (unmasked) tokens via a parallel multi-head attention mechanism, allowing the signal for key tokens to be amplified and less important tokens to be diminished. Because self-attention alone is permutation-invariant, transformers inject positional information, typically through positional encodings or learned positional embeddings, so token order can affect the output.\nTransformers have the advantage of having no recurrent units, therefore requiring less training time than earlier recurrent neural architectures (RNNs) such as long short-term memory (LSTM). Later variations have been widely adopted for training large language models (LLMs) on large (language) datasets. Modern transformer designs are commonly grouped into encoder-only, decoder-only, and encoder-decoder variants, depending on whether they are optimized for representation learning, autoregressive generation, or conditional sequence-to-sequence tasks.\nThe original version of the transformer architecture was proposed in the 2017 paper \"Attention Is All You Need\" by researchers at Google. The predecessors of transformers were developed as an improvement over previous architectures for machine translation, but have found many applications since. They are used in large-scale natural language processing, computer vision (vision transformers), reinforcement learning, audio, multimodal learning, robotics, and playing chess. It has also led to the development of pre-trained systems, such as generative pre-trained transformers (GPTs) and BERT (bidirectional encoder representations from transformers).\n== History ==\n=== Predecessors ===\nF","en_topic":"Transformer (deep learning architecture)","wiki_pageid":61603971,"wiki_revid":1362319941,"source_url":"https://en.wikipedia.org/?curid=61603971","license":"CC BY-SA 4.0"}
{"slug":"bert","lang":"en","title":"BERT (language model)","text":"Bidirectional encoder representations from transformers (BERT) is a language model introduced in October 2018 by researchers at Google. It learns to represent text as a sequence of vectors using self-supervised learning. It uses the encoder-only transformer architecture. BERT dramatically improved the state of the art for large language models. As of 2020, BERT is a ubiquitous baseline in natural language processing (NLP) experiments.\nBERT is trained by masked token prediction and next sentence prediction. With this training, BERT learns contextual, latent representations of tokens in their context, similar to ELMo and GPT-2. It found applications for many natural language processing tasks, such as coreference resolution and polysemy resolution. It improved on ELMo and spawned the study of \"BERTology\", which attempts to interpret what is learned by BERT.\nBERT was originally implemented in the English language at two model sizes, BERTBASE (110 million parameters) and BERTLARGE (340 million parameters). Both were trained on the Toronto BookCorpus (800M words) and English Wikipedia (2,500M words). The weights were released on GitHub. On March 11, 2020, 24 smaller models were released, the smallest being BERTTINY with just 4 million parameters.\n== Architecture ==\nBERT is an \"encoder-only\" transformer architecture. At a high level, BERT consists of 4 modules:\nTokenizer: This module converts a piece of English text into a sequence of integers (\"tokens\").\nEmbedding: This module converts the sequence of tokens into an array of real-valued vectors representing the tokens. It represents the conversion of discrete token types into a lower-dimensional Euclidean space.\nEncoder: a stack of Transformer blocks with self-attention, but without causal masking.\nTask head: This module converts the final representation vectors into one-shot encoded tokens again by producing a predicted probability distribution over the token types. It can be viewed as a simple decoder, decoding the lat","en_topic":"BERT (language model)","wiki_pageid":62026514,"wiki_revid":1364345417,"source_url":"https://en.wikipedia.org/?curid=62026514","license":"CC BY-SA 4.0"}
{"slug":"gpt-4","lang":"en","title":"GPT-4","text":"Generative Pre-trained Transformer 4 (GPT-4) is a large language model developed by OpenAI and the fourth in its series of GPT foundation models.\nGPT-4 is preceded by GPT-3.5 and followed by its successor GPT-5. GPT-4V is a version of GPT-4 that can process images in addition to text. OpenAI has not revealed technical details and statistics about GPT-4, such as the precise size of the model.\nAn early version of GPT-4 was integrated by Microsoft into Bing Chat, launched in February 2023. GPT-4 was released in ChatGPT in March 2023, and removed in 2025. GPT-4 is still available in OpenAI's API.\n== Background ==\nOpenAI introduced the first GPT model (GPT-1) in 2018, publishing a paper called \"Improving Language Understanding by Generative Pre-Training\", which was based on the transformer architecture and trained on a large corpus of books. The next year, they introduced GPT-2, a larger model that could generate coherent text. In 2020, they introduced GPT-3, a model with over 100 times as many parameters as GPT-2. GPT-3 was further improved into GPT-3.5, which was used to create the chatbot product ChatGPT.\n== Capabilities ==\nGPT-4 was released on March 14, 2023. The default version had a 8K context window, with a special version in the API supporting up to 32K tokens. Unlike its predecessors, GPT-4 is a multimodal model: it can take images as well as text as input. It can now interact with users through spoken words and respond to images, allowing the ability to provide suggestions or answers based on photo uploads.\nGPT-4 can be prompted to interact with external interfaces. For example, the model could be told to enclose a query within <search></search> tags to perform a web search, the result of which would be inserted into the model's prompt to allow it to form a response. This allows the model to perform tasks beyond its normal text-prediction capabilities, such as using APIs, generating images, and accessing and summarizing webpages.\nA 2023 article in Nature stat","en_topic":"GPT-4","wiki_pageid":72861474,"wiki_revid":1364729719,"source_url":"https://en.wikipedia.org/?curid=72861474","license":"CC BY-SA 4.0"}
{"slug":"word-embedding","lang":"en","title":"Word embedding","text":"In natural language processing, a word embedding is a representation of a word. The embedding is used in text analysis. Typically, the representation is a real-valued vector that encodes the meaning of the word in such a way that the words that are closer in the vector space are expected to be similar in meaning. Word embeddings can be obtained using language modeling and feature learning techniques, where words or phrases from the vocabulary are mapped to vectors of real numbers.\nMethods to generate this mapping include neural networks, dimensionality reduction on the word co-occurrence matrix, probabilistic models, explainable knowledge base method, and explicit representation in terms of the context in which words appear.\nWord and phrase embeddings, when used as the underlying input representation, have been shown to boost the performance in NLP tasks such as syntactic parsing and sentiment analysis.\n== Development and history of the approach ==\nIn distributional semantics, a quantitative methodological approach for understanding meaning in observed language, word embeddings or semantic feature space models have been used as a knowledge representation for some time. Such models aim to quantify and categorize semantic similarities between linguistic items based on their distributional properties in large samples of language data. The underlying idea that \"a word is characterized by the company it keeps\" was proposed in a 1957 article by John Rupert Firth, but also has roots in the contemporaneous work on search systems and in cognitive psychology.\nThe notion of a semantic space with lexical items (words or multi-word terms) represented as vectors or embeddings is based on the computational challenges of capturing distributional characteristics and using them for practical application to measure similarity between words, phrases, or entire documents. The first generation of semantic space models is the vector space model for information retrieval. Such vector spac","en_topic":"Word embedding","wiki_pageid":43561218,"wiki_revid":1366321318,"source_url":"https://en.wikipedia.org/?curid=43561218","license":"CC BY-SA 4.0"}
{"slug":"generative-pre-trained-transformer","lang":"en","title":"Generative pre-trained transformer","text":"A generative pre-trained transformer (GPT) is a type of large language model (LLM) that is widely used in generative artificial intelligence chatbots. GPTs are based on a deep learning architecture called the transformer. They are pre-trained on large datasets of unlabeled content, and able to generate novel content.\nOpenAI was the first to apply generative pre-training to the transformer architecture, introducing the GPT-1 model in 2018. The chatbot ChatGPT, released in late 2022 (using GPT-3.5), was followed by many competitor chatbots using their own generative pre-trained transformers to generate text, such as Gemini, DeepSeek and Claude.\nGPTs are primarily used to generate text, but can be trained to generate other kinds of data. Multimodal GPTs can process or generate multiple types of data, such as text, images and audio. To improve performance on complex tasks, reasoning GPTs allocate more computation time analyzing the problem before generating an output.\n== Background ==\nDuring the 2010s, improved machine learning algorithms, more powerful computers, and an increase in the amount of digitized material allowed for an AI boom.\nSeparately, the concept of generative pre-training (GP) was a long-established technique in machine learning. GP is a form of self-supervised learning wherein a model is first trained on a large, unlabeled dataset (the \"pre-training\" step) to learn to generate data points. This pre-trained model is then adapted to a specific task using a labeled dataset (the \"fine-tuning\" step).\nThe transformer architecture for deep learning is the core technology of a GPT. Developed by researchers at Google, it was introduced in the paper \"Attention Is All You Need\", which was released in 2017. The transformer architecture solved many of the performance issues that were associated with older recurrent neural network (RNN) designs for natural language processing (NLP). The architecture's use of an attention mechanism allows models to process entire seq","en_topic":"Generative pre-trained transformer","wiki_pageid":72970020,"wiki_revid":1364843852,"source_url":"https://en.wikipedia.org/?curid=72970020","license":"CC BY-SA 4.0"}
{"slug":"large-language-model","lang":"en","title":"Large language model","text":"A large language model (LLM) is an AI model (typically a neural network) trained on a vast amount of text for natural language processing tasks, especially language generation. LLMs can typically generate, summarize, translate, and analyze text in many contexts, and are a foundational technology behind modern chatbots. Biased or inaccurate training data can make an LLM's output less reliable.\nLLMs are typically based on transformer architecture. Generative pre-trained transformers (GPTs) are a type of LLM that is pre-trained to predict the next word. GPTs are then often fine-tuned to follow instructions and to behave as assistants.\nBenchmark evaluations for LLMs attempt to measure model reasoning, factual accuracy, alignment, and safety.\n== History ==\nBefore the emergence of transformer-based models in 2017, some language models were considered large relative to the computational and data constraints of their time. In the early 1990s, IBM's statistical models pioneered word alignment techniques for machine translation, laying the groundwork for corpus-based language modeling. In 2001, a smoothed n-gram model, such as those employing Kneser–Ney smoothing, trained on 300 million words, achieved state-of-the-art perplexity on benchmark tests. During the 2000s, with the rise of widespread internet access, researchers began compiling massive text datasets from the web (\"web as corpus\") to train statistical language models.\nMoving beyond n-gram models, researchers started in 2000 to use neural networks as language models. Following the breakthrough of deep neural networks in image classification around 2012, similar architectures were adapted for language tasks. This shift was marked by the development of word embeddings (e.g., Word2Vec by Mikolov in 2013) and sequence-to-sequence (seq2seq) models using LSTM. In 2016, Google transitioned its translation service to neural machine translation (NMT), replacing statistical phrase-based models with deep recurrent neural networ","en_topic":"Large language model","wiki_pageid":73248112,"wiki_revid":1366290416,"source_url":"https://en.wikipedia.org/?curid=73248112","license":"CC BY-SA 4.0"}
{"slug":"retrieval-augmented-generation","lang":"en","title":"Retrieval-augmented generation","text":"Retrieval-augmented generation (RAG) is a technique that enables large language models (LLMs) to retrieve and incorporate new information from external data sources. With RAG, LLMs first refer to a specified set of documents, then respond to user queries. These documents supplement information from the LLM's pre-existing training data. This allows LLMs to use domain-specific and/or updated information that is not available in the training data. For example, this enables LLM-based chatbots to access internal company data or generate responses based on authoritative sources. The technique was first proposed in 2020 and has since become a widely adopted approach in modern AI systems.\nRAG improves LLMs by incorporating information retrieval before generating responses. Unlike LLMs that rely on static training data, RAG pulls relevant text from databases, uploaded documents, or web sources. According to Ars Technica, \"RAG is a way of improving LLM performance, in essence by blending the LLM process with a web search or other document look-up process to help LLMs stick to the facts.\" This method helps reduce AI hallucinations, which have caused chatbots to describe policies that don't exist, or recommend nonexistent legal cases to lawyers that are looking for citations to support their arguments.\nRAG also reduces the need to retrain LLMs with new data, saving on computational and financial costs. Beyond efficiency gains, RAG also allows LLMs to include sources in their responses, so users can verify the cited sources. This provides greater transparency, as users can cross-check retrieved content to ensure accuracy and relevance.\nThe term retrieval-augmented generation (RAG) was introduced in a 2020 paper that described combining a parametric language model with a non-parametric external memory accessed through retrieval at inference time.\n== RAG and LLM limitations ==\nLLMs can provide incorrect information. For example, when Google first demonstrated its LLM tool \"Google ","en_topic":"Retrieval-augmented generation","wiki_pageid":75229858,"wiki_revid":1365691175,"source_url":"https://en.wikipedia.org/?curid=75229858","license":"CC BY-SA 4.0"}
{"slug":"convolutional-neural-network","lang":"en","title":"Convolutional neural network","text":"A convolutional neural network (CNN) is a type of feedforward neural network that learns features via filter (or kernel) optimization. This type of deep learning network has been applied to process and make predictions from many different types of data including text, images and audio. CNNs are the de-facto standard in deep learning-based approaches to computer vision and image processing, and have only recently been replaced—in some cases—by newer architectures such as the transformer.\nVanishing gradients and exploding gradients, seen during backpropagation in earlier neural networks, are prevented by the regularization that comes from using shared weights over fewer connections. For example, for each neuron in the fully-connected layer, 10,000 weights would be required for processing an image sized 100 × 100 pixels. However, applying cascaded convolution (or cross-correlation) kernels, only 25 weights for each convolutional layer are required to process 5x5-sized tiles. Higher-layer features are extracted from wider context windows, compared to lower-layer features.\nSome applications of CNNs include:\nimage and video recognition,\nrecommender systems,\nimage classification,\nimage segmentation,\nmedical image analysis,\nnatural language processing,\nbrain–computer interfaces, and\nfinancial time series.\nCNNs are also known as shift invariant or space invariant artificial neural networks, based on the shared-weight architecture of the convolution kernels or filters that slide along input features and provide translation-equivariant responses known as feature maps. Counter-intuitively, most convolutional neural networks are not invariant to translation, due to the downsampling operation they apply to the input.\nFeedforward neural networks are usually fully connected networks, that is, each neuron in one layer is connected to all neurons in the next layer. The \"full connectivity\" of these networks makes them prone to overfitting data. Typical ways of regularization, or preve","en_topic":"Convolutional neural network","wiki_pageid":40409788,"wiki_revid":1363769312,"source_url":"https://en.wikipedia.org/?curid=40409788","license":"CC BY-SA 4.0"}
{"slug":"diffusion-model","lang":"en","title":"Diffusion model","text":"In machine learning, diffusion models, also known as diffusion-based generative models or score-based generative models, are a class of latent variable generative models. A diffusion model consists of two major components: the forward diffusion process, and the reverse sampling process. The goal of diffusion models is to learn a diffusion process for a given dataset, such that the process can generate new elements that are distributed similarly as the original dataset. A diffusion model models data as generated by a diffusion process, whereby a new datum performs a random walk with drift through the space of all possible data. A trained diffusion model can be sampled in many ways, with different efficiency and quality.\nThere are various equivalent formalisms, including Markov chains, denoising diffusion probabilistic models, noise conditioned score networks, and stochastic differential equations. They are typically trained using variational inference. The model responsible for denoising is typically called its \"backbone\". The backbone may be of any kind, but they are typically U-nets or transformers.\nAs of 2024, diffusion models are mainly used for computer vision tasks, including image denoising, inpainting, super-resolution, image generation, and video generation. These typically involve training a neural network to sequentially denoise images blurred with Gaussian noise. The model is trained to reverse the process of adding noise to an image. After training to convergence, it can be used for image generation by starting with an image composed of random noise, and applying the network iteratively to denoise the image.\nDiffusion-based image generators have seen widespread commercial interest, such as Stable Diffusion and DALL-E. These models typically combine diffusion models with other models, such as text-encoders and cross-attention modules to allow text-conditioned generation.\nOther than computer vision, diffusion models have also found applications in natural ","en_topic":"Diffusion model","wiki_pageid":71912239,"wiki_revid":1360060028,"source_url":"https://en.wikipedia.org/?curid=71912239","license":"CC BY-SA 4.0"}
{"slug":"generative-adversarial-network","lang":"en","title":"Generative adversarial network","text":"A generative adversarial network (GAN) is a class of machine learning frameworks and a prominent framework for approaching generative artificial intelligence. The concept was initially developed by Ian Goodfellow and his colleagues in June 2014. In a GAN, two neural networks compete with each other in the form of a zero-sum game, where one agent's gain is another agent's loss.\nGiven a training set, this technique learns to generate new data with the same statistics as the training set. For example, a GAN trained on photographs can generate new photographs that look at least superficially authentic to human observers, having many realistic characteristics. Though originally proposed as a form of generative model for unsupervised learning, GANs have also proved useful for semi-supervised learning, fully supervised learning, and reinforcement learning.\nThe core idea of a GAN is based on the \"indirect\" training through the discriminator, another neural network that can tell how \"realistic\" the input seems, which itself is also being updated dynamically. This means that the generator is not trained to minimize the distance to a specific image, but rather to fool the discriminator. This enables the model to learn in an unsupervised manner.\nGANs are similar to mimicry in evolutionary biology, with an evolutionary arms race between both networks.\n== Definition ==\n=== Mathematical ===\nThe original GAN is defined as the following game:\nEach probability space\n (\n Ω\n ,\n μ\n ref\n )\n {\\displaystyle (\\Omega ,\\mu _{\\text{ref}})}\n defines a GAN game.\nThere are 2 players: generator and discriminator.\nThe generator's strategy set is\n P\n (\n Ω\n )\n {\\displaystyle {\\mathcal {P}}(\\Omega )}\n, the set of all probability measures\n μ\n G\n {\\displaystyle \\mu _{G}}\n on\n Ω\n {\\displaystyle \\Omega }\n.\nThe discriminator's strategy set is the set of Markov kernels\n μ\n ","en_topic":"Generative adversarial network","wiki_pageid":50073184,"wiki_revid":1364466383,"source_url":"https://en.wikipedia.org/?curid=50073184","license":"CC BY-SA 4.0"}
{"slug":"gradient-descent","lang":"en","title":"Gradient descent","text":"Gradient descent is a method for unconstrained mathematical optimization. It is a first-order iterative algorithm for minimizing a differentiable multivariate function.\nThe idea is to take repeated steps in the opposite direction of the gradient (or approximate gradient) of the function at the current point, because this is the direction of steepest descent. Conversely, stepping in the direction of the gradient will lead to a trajectory that maximizes that function; the procedure is then known as gradient ascent.\nGradient descent should not be confused with local search algorithms, although both are iterative methods for optimization.\nGradient descent is particularly useful in machine learning and artificial intelligence for minimizing the cost or loss function.\nGradient descent is generally attributed to Augustin-Louis Cauchy, who first suggested it in 1847. Jacques Hadamard independently proposed a similar method in 1907. Its convergence properties for non-linear optimization problems were first studied by Haskell Curry in 1944, with the method becoming increasingly well-studied and used in the following decades.\nA simple extension of gradient descent, stochastic gradient descent, serves as the most basic algorithm used for training most deep networks today.\n== Description ==\nGradient descent is based on the observation that if the multi-variable function\n f\n (\n x\n )\n {\\displaystyle f(\\mathbf {x} )}\n is defined and differentiable in a neighborhood of a point\n a\n {\\displaystyle \\mathbf {a} }\n, then\n f\n (\n x\n )\n {\\displaystyle f(\\mathbf {x} )}\n decreases fastest if one goes from\n a\n {\\displaystyle \\mathbf {a} }\n in the direction of the negative gradient of\n f\n {\\displaystyle f}\n at\n a\n ,\n i\n .\n e\n .\n ,\n −\n ∇\n f\n (\n a\n )\n {\\displaystyle \\mathbf {a} ,i.e.,-\\nabla f(\\mathbf ","en_topic":"Gradient descent","wiki_pageid":201489,"wiki_revid":1360287280,"source_url":"https://en.wikipedia.org/?curid=201489","license":"CC BY-SA 4.0"}
{"slug":"overfitting","lang":"en","title":"Overfitting","text":"In mathematical modeling, overfitting is the production of an analysis that corresponds too closely or exactly to a particular set of data, and may therefore fail to fit to additional data or predict future observations reliably. An overfitted model is a mathematical model that contains more parameters than can be justified by the data. In the special case of a model that consists of a polynomial function, these parameters represent the degree of a polynomial. The essence of overfitting is to unknowingly extract some of the residual variation (i.e., noise) as if that variation represents the underlying model structure.\nUnderfitting occurs when a mathematical model cannot adequately capture the underlying structure of the data. An under-fitted model is a model that is missing some parameters or terms that would appear in a correctly specified model. Underfitting would occur, for example, when fitting a linear model to nonlinear data. Such a model will tend to have poor predictive performance.\nThe possibility of over-fitting exists when the criterion used for selecting the model is not the same as the criterion used to judge the suitability of a model. For example, a model might be selected by maximizing its performance on some set of training data, yet its suitability might be determined by its ability to perform well on unseen data; overfitting occurs when a model begins to \"memorize\" training data rather than \"learning\" to generalize from a trend.\nAs an extreme example, if the number of parameters is the same as or greater than the number of observations, then a model can perfectly predict the training data simply by memorizing the data in its entirety. (For an illustration, see Figure 2.) Such a model will typically fail severely when making predictions.\nOverfitting is related to both the complexity of the chosen model and how well it is optimized during training. A function class that is too large, in a suitable sense, relative to the dataset size is likely to ov","en_topic":"Overfitting","wiki_pageid":173332,"wiki_revid":1360715616,"source_url":"https://en.wikipedia.org/?curid=173332","license":"CC BY-SA 4.0"}
{"slug":"perceptron","lang":"en","title":"Perceptron","text":"In machine learning, the perceptron is an algorithm for supervised learning of binary classifiers. A binary classifier is a function that can decide whether or not an input, represented by a vector of numbers, belongs to some specific class. It is a type of linear classifier, i.e. a classification algorithm that makes its predictions based on a linear predictor function combining a set of weights with the feature vector.\n== History ==\nThe artificial neuron and artificial neural network were invented in 1943 by Warren McCulloch and Walter Pitts in their seminal paper \"A Logical Calculus of the Ideas Immanent in Nervous Activity\".\nIn 1957, Frank Rosenblatt was at the Cornell Aeronautical Laboratory. He simulated the perceptron on an IBM 704. Being more interested in hardware implementations, he obtained funding by the Information Systems Branch of the United States Office of Naval Research and the Rome Air Development Center, to build a custom-made analog computer, the Mark I Perceptron. Rosenblatt's team assembled and tested it at the Cornell Aeronautical Laboratory (CAL) in Buffalo, NY, USA between June 1959 and December 14, 1959. Its first public demonstration took place on 23 June 1960. The machine was \"part of a previously secret four-year NPIC [the US' National Photographic Interpretation Center] effort from 1963 through 1966 to develop this algorithm into a useful tool for photo-interpreters\".\nRosenblatt described the details of the perceptron in a 1958 paper. His organization of a perceptron is constructed of three kinds of cells (\"units\"): S, A, R, which stand for \"sensory\", \"association\" and \"response\". He presented at the first international symposium on AI, Mechanisation of Thought Processes, which took place in 1958 November.\nRosenblatt's project was funded under Contract Nonr-401(40) \"Cognitive Systems Research Program\", which lasted from 1959 to 1970, and Contract Nonr-2381(00) \"Project PARA\" (\"PARA\" means \"Perceiving and Recognition Automata\"), which","en_topic":"Perceptron","wiki_pageid":172777,"wiki_revid":1360590893,"source_url":"https://en.wikipedia.org/?curid=172777","license":"CC BY-SA 4.0"}
{"slug":"neural-network","lang":"en","title":"Neural network (machine learning)","text":"In machine learning, a neural network (NN) or neural net, is a computational model inspired by the structure and functions of biological neural networks.\nA neural network consists of connected units or nodes called artificial neurons, which loosely model the neurons in the brain. Artificial neuron models that mimic biological neurons more closely have also been recently investigated and shown to significantly improve performance. These are connected by edges, which model the synapses in the brain. Each artificial neuron receives signals from connected neurons, then processes them and sends a signal to other connected neurons. The \"signal\" is a real number, and the output of each neuron is computed by some non-linear function of the totality of its inputs, called the activation function. The strength of the signal at each connection is determined by a weight, which adjusts as part of the training process.\nGroups of neurons are aggregated into layers. Each layer performs a transformation on its inputs. Signals travel from the first layer (the input layer) to the last layer (the output layer), typically passing through multiple intermediate layers (hidden layers). A network is typically called a deep neural network if it has at least two hidden layers. Deep neural networks are capable of learning sophisticated hierarchical representations.\nTraining neural networks is a compute-intensive process, accelerated by the use of graphics processing units (GPUs), and large datasets.\nArchitectural innovations such as convolutional neural networks (CNNs) significantly improved performance in computer vision tasks, while recurrent neural networks (RNNs) enabled modeling of sequential data such as speech and time-series information. Transformer architectures introduced attention mechanisms that allow neural networks to model long-range dependencies in data and have been the basis of large language models.\nArtificial neural networks are used for a myriad of tasks including chatbots","en_topic":"Neural network (machine learning)","wiki_pageid":21523,"wiki_revid":1365853679,"source_url":"https://en.wikipedia.org/?curid=21523","license":"CC BY-SA 4.0"}
{"slug":"deep-learning","lang":"en","title":"Deep learning","text":"In machine learning, deep learning (DL) focuses on utilizing multilayered neural networks to perform tasks such as classification, regression, and representation learning. The field takes inspiration from biological neuroscience and revolves around stacking artificial neurons into layers and \"training\" them to process data. The adjective \"deep\" refers to the use of multiple layers (ranging from three to several hundred or thousands) in the network. Methods used can be supervised, semi-supervised or unsupervised.\nSome common deep learning network architectures include fully connected networks, deep belief networks, recurrent neural networks, convolutional neural networks, generative adversarial networks, transformers, and neural radiance fields. These architectures have been applied to fields including computer vision, speech recognition, natural language processing, machine translation, bioinformatics, drug design, medical image analysis, climate science, material inspection and board game programs, where they have produced results comparable to and in some cases surpassing human expert performance.\nEarly forms of neural networks were inspired by information processing and distributed communication nodes in biological systems, particularly the human brain. However, current neural networks do not intend to model the brain function of organisms, and are generally seen as low-quality models for that purpose.\n== Overview ==\nMost modern deep learning models are based on multi-layered neural networks such as convolutional neural networks and transformers, although they can also include propositional formulas or latent variables organized layer-wise in deep generative models such as the nodes in deep belief networks and deep Boltzmann machines.\nFundamentally, deep learning refers to a class of machine learning algorithms in which a hierarchy of layers is used to transform input data into a progressively more abstract and composite representation. For example, in an image r","en_topic":"Deep learning","wiki_pageid":32472154,"wiki_revid":1364836966,"source_url":"https://en.wikipedia.org/?curid=32472154","license":"CC BY-SA 4.0"}
{"slug":"machine-learning","lang":"en","title":"Machine learning","text":"Machine learning (ML) is a field of study in artificial intelligence concerned with the development and study of statistical algorithms that can learn from data and generalize to unseen data, and thus perform tasks without being explicitly programmed. Advances in the field of deep learning have allowed neural networks, a class of statistical algorithms, to surpass many previous machine learning approaches in performance.\nStatistics and mathematical optimisation methods compose the foundations of machine learning. Data mining is a related field of study, focusing on exploratory data analysis (EDA) through unsupervised learning.\nFrom a theoretical viewpoint, probably approximately correct learning provides a mathematical and statistical framework for describing machine learning. Most traditional machine learning and deep learning algorithms can be described as empirical risk minimisation under this framework.\n== History ==\nThe term machine learning was coined in 1959 by Arthur Samuel, an IBM employee and pioneer in the field of computer gaming and artificial intelligence. The synonym self-teaching computers was also used during this time period.\nThe earliest machine learning program was introduced in the 1950s, when Samuel invented a computer program that calculated the chance of winning in checkers for each side, but the history of machine learning is rooted in decades of efforts to study human cognitive processes. In 1949, Canadian psychologist Donald Hebb published the book The Organization of Behavior, in which he introduced a theoretical neural structure formed by certain interactions among nerve cells. The Hebbian theory of neuron interaction set the groundwork for how many machine learning algorithms work, with connected artificial neurons changing the strength of their connections based on data. Other researchers who have studied human cognitive systems contributed to the modern machine learning technologies as well, including Walter Pitts and Warren McCullo","en_topic":"Machine learning","wiki_pageid":233488,"wiki_revid":1366136357,"source_url":"https://en.wikipedia.org/?curid=233488","license":"CC BY-SA 4.0"}
{"slug":"artificial-intelligence","lang":"en","title":"Artificial intelligence","text":"Artificial intelligence (AI) is the capability of computational systems to perform tasks typically associated with human intelligence, such as learning, reasoning, problem-solving, perception, and decision-making. It is a field of research in engineering, mathematics, and computer science that develops and studies methods and software that enable machines to perceive their environment and use learning and intelligence to take actions that maximize their chances of achieving defined goals.\nHigh-profile applications of AI include advanced web search engines, chatbots, virtual assistants, autonomous vehicles, and play and analysis in strategy games (e.g., chess and Go). Since the 2020s, generative AI has become widely available to generate images, audio, and videos from text prompts.\nThe traditional goals of AI research include learning, reasoning, knowledge representation, planning, natural language processing, and perception, as well as support for robotics. To reach these goals, AI researchers use techniques including state space search and mathematical optimization, formal logic, artificial neural networks, and methods based on statistics, operations research, and economics. AI also draws upon psychology, linguistics, philosophy, neuroscience, and other fields. Some companies, such as OpenAI, Google DeepMind, and Meta, aim to create artificial general intelligence (AGI)—AI that can complete nearly any cognitive task at least as well as a human.\nArtificial intelligence was founded as an academic discipline in 1956. The field went through multiple cycles of optimism throughout its history, followed by periods of disappointment and loss of funding, known as AI winters. Funding and interest increased substantially after 2012, when graphics processing units (GPUs) started being used to accelerate neural networks, and deep learning outperformed previous AI techniques. This growth accelerated further after 2017 with the transformer architecture. In the 2020s, an AI boom c","en_topic":"Artificial intelligence","wiki_pageid":1164,"wiki_revid":1366287059,"source_url":"https://en.wikipedia.org/?curid=1164","license":"CC BY-SA 4.0"}
{"slug":"supervised-learning","lang":"en","title":"Supervised learning","text":"In machine learning, supervised learning (SL) is a type of machine learning paradigm where an algorithm learns to map input data to a specific output based on example input-output pairs. This process involves training a statistical model using labeled data, meaning each piece of input data is provided with the correct output. The term \"supervised\" refers to the role of a teacher or supervisor who provides this training data, guiding the algorithm towards correct predictions. For instance, if you want a model to identify cats in images, supervised learning would involve feeding it many images of cats (inputs) that are explicitly labeled \"cat\" (outputs).\nThe goal of supervised learning is for the trained model to accurately predict the output for new, unseen data. This requires the algorithm to effectively generalize from the training examples, a quality measured by its generalization error. Supervised learning is commonly used for tasks like classification (predicting a category, e.g., spam or not spam) and regression (predicting a continuous value, e.g., house prices).\n== Steps to follow ==\nTo solve a given problem of supervised learning, the following steps must be performed:\nDetermine the type of training samples. Before doing anything else, the user should decide what kind of data is to be used as a training set. In the case of handwriting analysis, for example, this might be a single handwritten character, an entire handwritten word, an entire sentence of handwriting, or a full paragraph of handwriting.\nGather a training set. The training set needs to be representative of the real-world use of the function. Thus, a set of input objects is gathered together with corresponding outputs, either from human experts or from measurements.\nDetermine the input feature representation of the learned function. The accuracy of the learned function depends strongly on how the input object is represented. Typically, the input object is transformed into a feature vector, which c","en_topic":"Supervised learning","wiki_pageid":20926,"wiki_revid":1351366121,"source_url":"https://en.wikipedia.org/?curid=20926","license":"CC BY-SA 4.0"}
{"slug":"prompt-engineering","lang":"en","title":"Prompt engineering","text":"Prompt engineering is the process of structuring natural language inputs (known as prompts) to produce specified outputs from a generative artificial intelligence (GenAI) model. Context engineering is the related area of software engineering that focuses on the management of non-prompt and prompt contexts supplied to the GenAI model, such as system instructions, metadata, API tools and tokens.\nIt can also be defined as the practice of designing and refining input instructions given to a generative AI model to produce more accurate, relevant, or useful outputs. Effective prompt engineering involves understanding how a model interprets language, and may include techniques such as few-shot prompting, chain-of-thought prompting, and role assignment. It is increasingly considered a skill for working with large language models (LLMs) in both research and professional contexts.\nDuring the 2020s AI boom, prompt engineering became regarded as a business capability across corporations and industries. Employees with the title prompt engineer were hired to create prompts that would increase productivity and efficacy, although the individual title has since lost traction amid AI models that produce better prompts than humans and corporate training in prompting for general employees.\nCommon prompting techniques include multi-shot, chain-of-thought, and tree-of-thought prompting, as well as assigning roles to the model. Automated prompt generation methods, such as retrieval-augmented generation (RAG), provide for greater accuracy and a wider scope of functions for prompt engineers. Prompt injection is a type of cybersecurity attack that targets machine learning models through malicious prompts.\n== Terminology ==\nThe Oxford English Dictionary defines prompt engineering as \"The action or process of formulating and refining prompts for an artificial intelligence program, algorithm, etc., in order to optimize its output or to achieve a desired outcome; the discipline or profession con","en_topic":"Prompt engineering","wiki_pageid":69071767,"wiki_revid":1364148843,"source_url":"https://en.wikipedia.org/?curid=69071767","license":"CC BY-SA 4.0"}
{"slug":"feature-engineering","lang":"en","title":"Feature engineering","text":"Feature engineering is a preprocessing step in supervised machine learning and statistical modeling which transforms raw data into a more effective set of inputs. Each input comprises several attributes, known as features. By providing models with relevant information, feature engineering significantly enhances their predictive accuracy and decision-making capability.\nBeyond machine learning, the principles of feature engineering are applied in various scientific fields, including physics. For example, physicists construct dimensionless numbers such as the Reynolds number in fluid dynamics, the Nusselt number in heat transfer, and the Archimedes number in sedimentation. They also develop first approximations of solutions, such as analytical solutions for the strength of materials in mechanics.\n== Clustering ==\nOne of the applications of feature engineering has been clustering of feature-objects or sample-objects in a dataset. Especially, feature engineering based on matrix decomposition has been extensively used for data clustering under non-negativity constraints on the feature coefficients. These include Non-Negative Matrix Factorization (NMF), Non-Negative Matrix-Tri Factorization (NMTF), Non-Negative Tensor Decomposition/Factorization (NTF/NTD), etc. The non-negativity constraints on coefficients of the feature vectors mined by the above-stated algorithms yields a part-based representation, and different factor matrices exhibit natural clustering properties. Several extensions of the above-stated feature engineering methods have been reported in literature, including orthogonality-constrained factorization for hard clustering, and manifold learning to overcome inherent issues with these algorithms.\nOther classes of feature engineering algorithms include leveraging a common hidden structure across multiple inter-related datasets to obtain a consensus (common) clustering scheme. An example is Multi-view Classification based on Consensus Matrix Decomposition (MCMD)","en_topic":"Feature engineering","wiki_pageid":46207323,"wiki_revid":1362499473,"source_url":"https://en.wikipedia.org/?curid=46207323","license":"CC BY-SA 4.0"}
{"slug":"technological-singularity","lang":"en","title":"Technological singularity","text":"The technological singularity, often simply called the singularity, is a hypothetical event in which technological growth accelerates beyond human control, producing unpredictable changes in human civilization. According to the most popular version of the singularity hypothesis, I. J. Good's intelligence explosion model of 1965, an upgradable intelligent agent could eventually enter a positive feedback loop of successive self-improvement cycles; more intelligent generations would appear more and more rapidly, causing an explosive increase in intelligence that culminates in a powerful superintelligence, far surpassing human intelligence.\nProminent technologists and academics dispute the plausibility of a technological singularity and associated artificial intelligence \"explosion\", including Paul Allen, Jeff Hawkins, John Holland, Jaron Lanier, Steven Pinker, Theodore Modis, Gordon Moore, and Roger Penrose. One claim is that artificial intelligence growth is likely to run into decreasing returns instead of accelerating ones. Stuart J. Russell and Peter Norvig observe that in the history of technology, improvement in a particular area tends to follow an S curve: it begins with accelerating improvement, then levels off without continuing upward into a hyperbolic singularity.\n== History ==\nAlan Turing, often regarded as the father of modern computer science, laid a crucial foundation for contemporary discourse on the technological singularity. His pivotal 1950 paper \"Computing Machinery and Intelligence\" argued that a machine could, in theory, exhibit intelligent behavior equivalent to or indistinguishable from that of a human. But a technological singularity is not required for machines that can perform at or beyond a human level on certain tasks to be developed, nor does their existence imply the possibility of such an occurrence, as demonstrated by events such as the 1996 victory of IBM's Deep Blue supercomputer in a chess match with grandmaster Garry Kasparov.\nThe Hu","en_topic":"Technological singularity","wiki_pageid":54245,"wiki_revid":1366331900,"source_url":"https://en.wikipedia.org/?curid=54245","license":"CC BY-SA 4.0"}
{"slug":"chatgpt","lang":"en","title":"ChatGPT","text":"ChatGPT is a generative artificial intelligence chatbot developed by OpenAI. Originally released on November 30, 2022, the product uses large language models—specifically generative pre-trained transformers (GPTs)—to generate text, speech, and images in response to user prompts. ChatGPT accelerated the AI boom, an ongoing period marked by rapid investment and public attention toward the field of artificial intelligence (AI). OpenAI operates the service on a freemium model. Users can interact with ChatGPT through text, audio, and image prompts.\nChatGPT was quickly adopted, reaching 100 million monthly active users two months after its release and 900 million weekly active users in February 2026. Proponents say that it has the potential to transform numerous professional fields, and it has instigated public debate about the nature of creativity and the future of knowledge work.\nThe chatbot has also been criticized for its limitations and potential for unethical use. It can generate plausible-sounding but incorrect or nonsensical answers, known as hallucinations. Biases in its training data have been reflected in its responses. The chatbot can facilitate academic dishonesty, generate misinformation, and create malicious code. The ethics of its development, particularly the use of copyrighted content as training data, have also drawn controversy.\n== Features ==\nChatGPT is a chatbot assistant based on large language model (LLM) technology. It is designed to generate human-like text and can carry out a wide variety of tasks. These include, among many others, writing and debugging computer programs, composing music, scripts, fairy tales, and essays, answering questions (sometimes at a level exceeding that of an average human test-taker), and generating business concepts.\nChatGPT is frequently used for translation and summarization tasks, and can simulate interactive environments such as a Linux terminal, a multi-user chat room, or simple text-based games such as tic-tac-to","en_topic":"ChatGPT","wiki_pageid":72417803,"wiki_revid":1366423940,"source_url":"https://en.wikipedia.org/?curid=72417803","license":"CC BY-SA 4.0"}
{"slug":"claude","lang":"en","title":"Claude (AI)","text":"Claude is a series of large language models developed by American software company Anthropic. Claude was released as an AI-based chatbot in March 2023. It is also used in AI-assisted software development.\nClaude is trained using a constitution, a technique developed by Anthropic to improve ethical and legal compliance. Since Claude 3, each generation has typically been released in three sizes, named Haiku (the least capable), Sonnet, and Opus (the most capable). In 2026, an additional model named Claude Mythos was released to a handful of companies and organizations; this was followed by the release of Claude Fable, a version of Mythos with stricter safeguards, to the general public.\nUS federal agencies started phasing out the use of Claude after Anthropic refused to remove contractual prohibitions on the use of Claude for mass domestic surveillance and fully-autonomous weapons. Following the refusal, the Department of Defense (DoD) designated the company a \"supply chain risk\" and barred all U.S. private military contractors, suppliers, and partners from doing business with the firm. On March 26, 2026, a federal judge issued a temporary injunction against the DoD's designation.\n== Products ==\n=== Claude ===\nClaude is an AI chatbot similar to ChatGPT, capable of writing, coding, conducting research, and having conversations. In June 2024, Anthropic released the Artifacts feature, allowing users to generate and interact with code snippets and documents. In October 2024, Anthropic released the \"computer use\" feature, allowing Claude to attempt to navigate computers by interpreting screen content and simulating keyboard and mouse input. In 2025, Anthropic added a web search feature to Claude.\nClaude Pro and Claude Max are subscription services for additional access to Claude models. Max provides higher usage limits at an additional cost. Grouped subscriptions include Claude Team and Claude Enterprise. Claude experienced significant growth in the business market, with so","en_topic":"Claude (AI)","wiki_pageid":75879512,"wiki_revid":1366071397,"source_url":"https://en.wikipedia.org/?curid=75879512","license":"CC BY-SA 4.0"}
{"slug":"google-gemini","lang":"en","title":"Google Gemini","text":"Gemini (also known as Google Gemini and formerly known as Bard) is a generative artificial intelligence chatbot and virtual assistant developed by Google. It is powered by the family of large language models (LLMs) of the same name, after previously being based on LaMDA and PaLM 2.\nThe Gemini architecture is trained natively on multiple data types, allowing the models to process and generate text, computer code, images, audio, and video simultaneously. Google distributes the technology in varying capacities, ranging from efficient on-device versions (\"Nano\") and cost-effective, high-throughput variants (\"Flash\") to high-compute models designed for complex reasoning (\"Pro\" and \"Ultra\"). The 1.5 and 3 model generations introduced extended context windows, enabling the analysis of large datasets such as entire codebases, long-form videos, or extensive document archives in a single prompt.\nGemini was first announced on December 6, 2023, and replaced existing Google branding for AI services. In February 2024, the Bard chatbot was renamed Gemini, and the \"Duet AI\" branding for Google Cloud and Workspace was retired in favor of the Gemini identifier. The models integrate into the Google ecosystem through the Gemini mobile app, which functions as an overlay assistant on Android devices, and through the Vertex AI platform for third-party developers.\nThe release of Gemini has generated technical praise and public controversy. Commentators have highlighted the models' benchmarks in coding and retrieval tasks as competitive with OpenAI's GPT-4 and GPT-5. However, the product launch faced criticism regarding the reliability of its outputs. In early 2024, Google suspended the model's ability to generate images of people after users reported historical inaccuracies and bias in its depictions of human subjects. Subsequent updates, including the Gemini 1.5 and 3 series released throughout 2025, focused on reducing hallucinations, improving latency, and enhancing agentic capabilities","en_topic":"Google Gemini","wiki_pageid":73363598,"wiki_revid":1365352469,"source_url":"https://en.wikipedia.org/?curid=73363598","license":"CC BY-SA 4.0"}
{"slug":"llama","lang":"en","title":"Llama (language model)","text":"Llama (\"Large Language Model Meta AI\" serving as a backronym) is a family of large language models (LLMs) released by Meta AI starting in February 2023.\nLlama models come in different sizes, ranging from 1 billion to 2 trillion parameters. Initially only a foundation model, starting with Llama 2, Meta AI released instruction fine-tuned versions alongside foundation models.\nModel weights for the first version of Llama were only available to researchers on a case-by-case basis, under a non-commercial license. Unauthorized copies of the first model were shared via BitTorrent. Subsequent versions of Llama were made accessible outside academia and released under licenses that permitted some commercial use.\nAlongside the release of Llama 3, Meta rolled out Meta AI, an AI assistant built on Llama. Meta AI has a dedicated website and is available on Facebook and WhatsApp. The latest version is Llama 4, released in April 2025.\nIn April 2026, Meta Superintelligence Labs released Muse Spark as a replacement for Llama.\n== Background ==\nAfter the release of large language models such as GPT-3, a focus of research was up-scaling models, which in some instances showed major increases in emergent capabilities. The release of ChatGPT and its surprise success caused an increase in attention to large language models.\nCompared with other responses to ChatGPT, Meta's Chief AI scientist Yann LeCun stated that large language models are best for aiding with writing.\n== Versions ==\n=== Initial release ===\nThe first version of Llama (stylized as LLaMA and sometimes referred to as Llama 1) was announced on February 24, 2023, via a blog post and a paper describing the model's training, architecture, and performance. The inference code used to run the model was publicly released under the open-source GPLv3 license. Access to the model's weights was managed by an application process, with access to be granted \"on a case-by-case basis to academic researchers; those affiliated with organizations i","en_topic":"Llama (language model)","wiki_pageid":73306787,"wiki_revid":1365835711,"source_url":"https://en.wikipedia.org/?curid=73306787","license":"CC BY-SA 4.0"}
{"slug":"chatbot","lang":"en","title":"Chatbot","text":"A chatbot (originally chatterbot) is a software application or web interface designed to converse through text or speech, functioning as a conversation partner.\nChatbots have existed for decades, but chatbots based on deep learning have gained popularity during the AI boom of the 2020s, with the releases of generative AI chatbots such as ChatGPT, Gemini, Claude, and Grok. These chatbots typically use fine-tuned large language models to generate text.\nA major area where chatbots have long been used is customer service and support, with various sorts of virtual assistants.\n== History ==\n=== Turing test ===\nIn 1950, Alan Turing published an article entitled \"Computing Machinery and Intelligence\" in which he proposed what is now called the Turing test as a criterion of intelligence. This criterion depends on the ability of a computer program to impersonate a human in a real-time written conversation with a human judge, to the extent that the judge is incapable of reliably distinguishing, on the basis of the conversational content alone, between the program and a real human.\n=== Early chatbots ===\nJoseph Weizenbaum's program ELIZA was first published in 1966. Weizenbaum did not claim that ELIZA was genuinely intelligent, and the introduction to his paper presented it more as a debunking exercise:In artificial intelligence, machines are made to behave in wondrous ways, often sufficient to dazzle even the most experienced observer. But once a particular program is unmasked, once its inner workings are explained, its magic crumbles away; it stands revealed as a mere collection of procedures. The observer says to himself \"I could have written that\". With that thought, he moves the program in question from the shelf marked \"intelligent\", to that reserved for curios. The object of this paper is to cause just such a re-evaluation of the program about to be \"explained\". Few programs ever needed it more. ELIZA's key method of operation involves the recognition of clue words or ph","en_topic":"Chatbot","wiki_pageid":148349,"wiki_revid":1366467539,"source_url":"https://en.wikipedia.org/?curid=148349","license":"CC BY-SA 4.0"}
{"slug":"k-nearest-neighbors-algorithm","lang":"en","title":"K-nearest neighbors algorithm","text":"In statistics and machine learning, the k-nearest neighbors algorithm (k-NN) is a non-parametric supervised learning method that assigns weightage only to the k (number of) nearest neighbours of an entity in making a decision about the entity. It is used both in classification -- where a new example is assigned a label based on the labels of its k nearest training examples; and in regression -- where the prediction is computed from the values of those neighbors.\nIts more frequent use is for classification, as the k-NN classifier, the output of which is a class membership decided by a plurality vote of its neighbors. k, an integer, is typically small; if k = 1, then the object is simply assigned to the class of that single nearest neighbor. It was first developed by Evelyn Fix and Joseph Hodges in 1951, and later expanded by Thomas Cover.\nThe k-NN algorithm can also be generalized for regression. In k-NN regression, also known as nearest neighbor smoothing, the output is the property value for the object. This value is the average of the values of k nearest neighbors. If k = 1, then the output is simply assigned to the value of that single nearest neighbor, also known as nearest neighbor interpolation.\nFor both classification and regression, a useful technique can be to assign weights to the contributions of the neighbors, so that nearer neighbors contribute more to the average than distant ones. For example, a common weighting scheme consists of giving each neighbor a weight of 1/d, where d is the distance to the neighbor.\nThe input consists of the k closest training examples in a data set.\nThe neighbors are taken from a set of objects for which the class (for k-NN classification) or the object property value (for k-NN regression) is known. This can be thought of as the training set for the algorithm, though no explicit training step is required.\nA peculiarity (sometimes even a disadvantage) of the k-NN algorithm is its sensitivity to the local structure of the data","en_topic":"K-nearest neighbors algorithm","wiki_pageid":1775388,"wiki_revid":1364787494,"source_url":"https://en.wikipedia.org/?curid=1775388","license":"CC BY-SA 4.0"}
{"slug":"midjourney","lang":"en","title":"Midjourney","text":"Midjourney is a generative artificial intelligence program and service created and hosted by the San Francisco–based \"independent research lab\" Midjourney, Inc. Midjourney generates images from natural language descriptions, called prompts, similar to OpenAI's DALL-E and Stability AI's Stable Diffusion. It is one of the technologies of the AI boom.\nThe tool was launched into open beta on July 12, 2022. The Midjourney team is led by David Holz, who co-founded Leap Motion. Holz told The Register in August 2022 that the company was already profitable. Users generate images with Midjourney using Discord bot commands or the official website.\n== History ==\nMidjourney, Inc. was founded in San Francisco, California, by David Holz, previously a co-founder of Leap Motion. The Midjourney image generation platform entered open beta on July 12, 2022. On March 14, 2022, the Midjourney Discord server launched with a request to post high-quality photographs to Twitter and Reddit for systems training.\n=== Model versions ===\nThe company has been working on improving its algorithms, releasing new model versions every few months. Version 2 of their algorithm was launched in April 2022, and version 3 on July 25. On November 5, 2022, the alpha iteration of version 4 was released to users. Starting from the 4th version, MJ models were trained on Google TPUs.\nOn March 15, 2023, the alpha iteration of version 5 was released. The 5.1 model is more opinionated than version 5, applying more of its own stylization to images, while the 5.1 RAW model adds improvements while working better with more literal prompts. The version 5.2 included a new \"aesthetics system\", and the ability to \"zoom out\" by generating surroundings to an existing image. On December 21, 2023, the alpha iteration of version 6 was released. The model was trained from scratch over a nine month period. Support was added for better text rendition and a more literal interpretation of prompts.\n== Functionality ==\nMidjourney is acc","en_topic":"Midjourney","wiki_pageid":71151961,"wiki_revid":1365281635,"source_url":"https://en.wikipedia.org/?curid=71151961","license":"CC BY-SA 4.0"}
{"slug":"alphafold","lang":"en","title":"AlphaFold","text":"AlphaFold is an artificial intelligence (AI) program developed by DeepMind, a subsidiary of Alphabet, which performs predictions of protein structure. It is designed using deep learning techniques.\nAlphaFold 1 (2018) placed first in the overall rankings of the 13th Critical Assessment of Structure Prediction (CASP) in December 2018. It was particularly successful at predicting the most accurate structures for targets rated as most difficult by the competition organizers, where no existing template structures were available from proteins with partially similar sequences.\nAlphaFold 2 (2020) repeated this placement in the CASP14 competition in November 2020. It achieved a level of accuracy much higher than any other entry. It scored above 90 on CASP's global distance test (GDT) for approximately two-thirds of the proteins, a test measuring the similarity between a computationally predicted structure and the experimentally determined structure, where 100 represents a complete match. The inclusion of metagenomic data has improved the quality of the prediction of multiple sequence alignments. One of the biggest sources of the training data was the custom-built Big Fantastic Database of 65,983,866 protein families, represented as multiple sequence alignments and Hidden Markov models, covering 2,204,359,010 protein sequences from reference databases, metagenomes, and metatranscriptomes.\nAlphaFold 2's results at CASP14 were described as \"astounding\" and \"transformational\". However, some researchers noted that the accuracy was insufficient for a third of its predictions, and that it did not reveal the underlying mechanism or rules of protein folding for the protein folding problem, which remains unsolved.\nDespite this, the technical achievement was widely recognized. On 15 July 2021, the AlphaFold 2 paper was published in Nature as an advance access publication alongside open source software and a searchable database of species proteomes. As of November 2025, the paper had be","en_topic":"AlphaFold","wiki_pageid":59766171,"wiki_revid":1360689044,"source_url":"https://en.wikipedia.org/?curid=59766171","license":"CC BY-SA 4.0"}
{"slug":"deep-blue","lang":"en","title":"Deep Blue (chess computer)","text":"Deep Blue was a customized IBM RS/6000 SP supercomputer for chess-playing designed by computer scientist Feng-hsiung Hsu. It was the first computer to win a game, and the first to win a match, against a reigning world champion under regular time controls. Development began in 1985 at Carnegie Mellon University under the name ChipTest. It then moved to IBM, where it was first renamed Deep Thought, then again in 1989 to Deep Blue. In 1996, it was used to compete against world champion Garry Kasparov in a six-game match, where it won one, drew two, and lost three games. In 1997, it underwent an upgrade, and in a six-game rematch it defeated Kasparov by winning two games and drawing three. Deep Blue's victory is considered a milestone in the history of artificial intelligence and has been the subject of several books and films.\n== History ==\nWhile a doctoral student at Carnegie Mellon University, Feng-hsiung Hsu began development of a chess-playing supercomputer under the name ChipTest. The machine won the North American Computer Chess Championship in 1987 and Hsu and his team followed up with a successor, Deep Thought, in 1988. After receiving his doctorate in 1989, Hsu and Murray Campbell joined IBM Research to continue their project to build a machine that could defeat a world chess champion. Their colleague Thomas Anantharaman briefly joined them at IBM before leaving for the finance industry and being replaced by programmer Arthur Joseph Hoane. Jerry Brody, a long-time employee of IBM Research, subsequently joined the team in 1990.\nAfter Deep Thought's two-game 1989 loss to Kasparov, IBM held a contest to rename the chess machine: the winning name was \"Deep Blue\", submitted by Peter Fitzhugh Brown, which was a play on IBM's nickname, \"Big Blue\". After a scaled-down version of Deep Blue played Grandmaster Joel Benjamin, Hsu and Campbell decided that Benjamin was the expert they were looking for to help develop Deep Blue's opening book, so they hired him to assist wi","en_topic":"Deep Blue (chess computer)","wiki_pageid":49387,"wiki_revid":1365697052,"source_url":"https://en.wikipedia.org/?curid=49387","license":"CC BY-SA 4.0"}
{"slug":"siri","lang":"en","title":"Siri","text":"Siri ( SEER-ee) is a virtual assistant and chatbot purchased, developed, and popularized by Apple, which is included in the iOS, iPadOS, watchOS, macOS, Apple TV, audioOS, and visionOS operating systems. It uses voice queries, gesture based control, focus-tracking and a natural-language user interface to answer questions, make recommendations, and perform actions by delegating requests to a set of Internet services. With continued use, it adapts to users' individual language usages, searches, and preferences, returning individualized results.\nSiri is a spin-off from a project developed by the SRI International Artificial Intelligence Center. Its speech recognition engine was provided by Nuance Communications, and it uses advanced machine learning technologies to function. Its original American, British, and Australian voice actors recorded their respective voices around 2005, unaware of the recordings' eventual usage. Siri was released as an app for iOS in December 2010. Two months later, Apple acquired it and integrated it into the iPhone 4s at its release on October 14, 2011, removing the separate app from the iOS App Store. Siri has since been an integral part of Apple's products, having been adapted into other hardware devices including newer iPhone models, iPad, iPod Touch, Mac, AirPods, Apple TV, HomePod, and Apple Vision Pro.\nSiri supports a wide range of user commands, including performing phone actions, checking basic information, scheduling events and reminders, handling device settings, searching the Internet, navigating areas, finding information on entertainment, and being able to engage with iOS-integrated apps. With the release of iOS 10, in 2016, Apple opened up limited third-party access to Siri, including third-party messaging apps, as well as payments, ride-sharing, and Internet calling apps. With the release of iOS 11, Apple updated Siri's voice and added support for follow-up questions, language translation, and additional third-party actions.\n","en_topic":"Siri","wiki_pageid":26086272,"wiki_revid":1366479251,"source_url":"https://en.wikipedia.org/?curid=26086272","license":"CC BY-SA 4.0"}
{"slug":"search-engine","lang":"en","title":"Search engine","text":"A web search engine or Internet search engine is a software system that provides hyperlinks to web pages and other relevant information on the Web in response to a user's query. Users submit their queries through a web browser or a mobile app, and the results page generally displays a collection of hyperlinks together with brief descriptions and relevant images. Users also have the option of limiting a search to specific types of results, such as images, videos, or news.\nFor a search provider, its engine is part of a distributed computing system that can encompass many data centers throughout the world. The speed and accuracy of an engine's response to a query are based on a complex system of indexing that is continuously updated by automated web crawlers. This can include data mining the files and databases stored on web servers, although some content is not accessible to crawlers.\nThere have been many search engines since the dawn of the Web in the 1990s; Google Search became the dominant one in the 2000s and has remained so. As of May 2025, according to StatCounter, Google held approximately 89–90 % of the worldwide search share, with competitors trailing far behind: Bing (~4 %), Yandex (~2.5 %), Yahoo! (~1.3 %), DuckDuckGo (~0.8 %), and Baidu (~0.7 %). May 2025 marked the first time in over a decade that Google's share has fallen below the 90% threshold.\nBecause of its market share, the discipline of websites improving their visibility in search results, known as marketing and optimization, has historically largely focused on Google.\n== History ==\n=== Pre-1990s ===\nIn 1945, Vannevar Bush described an information retrieval system that would allow a user to access a great expanse of information, all at a single desk, which he called a memex. He described this system in an article titled \"As We May Think\" in The Atlantic Monthly. The memex was intended to give a user the capability to overcome the ever-increasing difficulty of locating information in ever-growing c","en_topic":"Search engine","wiki_pageid":4059023,"wiki_revid":1365496263,"source_url":"https://en.wikipedia.org/?curid=4059023","license":"CC BY-SA 4.0"}
{"slug":"tf-idf","lang":"en","title":"Tf–idf","text":"In information retrieval, tf–idf (term frequency–inverse document frequency, TF*IDF, TFIDF, TF–IDF, or Tf–idf) is a measure of importance of a word to a document in a collection or corpus, adjusted for the fact that some words appear more frequently in general. Like the bag-of-words model, it models a document as a multiset of words, without word order. It is a refinement over the simple bag-of-words model, by allowing the weight of words to depend on the rest of the corpus.\nIt was often used as a weighting factor in searches of information retrieval, text mining, and user modeling. A survey conducted in 2015 showed that 83% of text-based recommender systems in digital libraries used tf–idf. Variations of the tf–idf weighting scheme were often used by search engines as a central tool in scoring and ranking a document's relevance given a user query.\nOne of the simplest ranking functions is computed by summing the tf–idf for each query term; many more sophisticated ranking functions are variants of this simple model.\n== Motivations ==\nKaren Spärck Jones (1972) conceived a statistical interpretation of term-specificity called Inverse Document Frequency (idf), which became a cornerstone of term weighting:\nThe specificity of a term can be quantified as an inverse function of the number of documents in which it occurs.For example, the df (document frequency) and idf for some words in Shakespeare's 37 plays might be represented as follows:\nWe see that \"Romeo\", \"Falstaff\", and \"salad\" appears in very few plays, so seeing these words, one could get a good idea as to which play it might be. In contrast, \"good\" and \"sweet\" appears in every play and are completely uninformative as to which play it is.\n== Definition ==\nThe tf–idf is the product of two statistics, term frequency and inverse document frequency. There are various ways for determining the exact values of both statistics.\nA formula that aims to define the importance of a keyword or phrase within a document or a web p","en_topic":"Tf–idf","wiki_pageid":2057290,"wiki_revid":1364117217,"source_url":"https://en.wikipedia.org/?curid=2057290","license":"CC BY-SA 4.0"}
{"slug":"recommender-system","lang":"en","title":"Recommender system","text":"A recommender system, also called a recommendation algorithm, recommendation engine, recommendation platform, or in the context of social media, simply algorithm is a type of information filtering system that suggests items most relevant to a particular user. The value of these systems becomes particularly evident in scenarios where users must select from a large number of options, such as products, media, or content. Major social media platforms and streaming services rely on recommender systems that employ machine learning to analyze user behavior and preferences, thereby enabling personalized content feeds.\nTypically, the suggestions refer to a variety of decision-making processes, including the selection of a product, musical selection, or online news source to read. The implementation of recommender systems is pervasive, with commonly recognised examples including the generation of playlist for video and music services, the provision of product recommendations for e-commerce platforms, and the recommendation of content on social media platforms and the open web. These systems can operate using a single type of input, such as music, or multiple inputs from diverse platforms, including news, books and search queries. Additionally, popular recommender systems have been developed for specific topics, such as restaurants and online dating services. Recommender systems have also been developed to explore research articles and experts, collaborators, and financial services.\nA content discovery platform is a software recommendation platform that employs recommender system tools. It utilizes user metadata in order to identify and suggest relevant content, whilst reducing ongoing maintenance and development costs. A content discovery platform delivers personalized content to websites, mobile devices, and set-top boxes. A large range of content discovery platforms currently exist for various forms of content ranging from news articles and academic journal articles to tele","en_topic":"Recommender system","wiki_pageid":596646,"wiki_revid":1364974256,"source_url":"https://en.wikipedia.org/?curid=596646","license":"CC BY-SA 4.0"}
{"slug":"collaborative-filtering","lang":"en","title":"Collaborative filtering","text":"Collaborative filtering (CF) is, besides content-based filtering, one of two major techniques used by recommender systems. Collaborative filtering has two senses, a narrow one and a more general one.\nIn the newer, narrower sense, collaborative filtering is a method of making automatic predictions (filtering) about a user's interests by utilizing preferences or taste information collected from many users (collaborating). This approach assumes that if persons A and B share similar opinions on one issue, they are more likely to agree on other issues compared to a random pairing of A with another person. For instance, a collaborative filtering system for television programming could predict which shows a user might enjoy based on a limited list of the user's tastes (likes or dislikes). These predictions are specific to the user, but use information gleaned from many users. This differs from the simpler approach of giving an average (non-specific) score for each item of interest, for example based on its number of votes.\nIn the more general sense, collaborative filtering is the process of filtering information or patterns using techniques involving collaboration among multiple agents, viewpoints, data sources, etc. Applications of collaborative filtering typically involve very large data sets. Collaborative filtering methods have been applied to many kinds of data including: sensing and monitoring data, such as in mineral exploration, environmental sensing over large areas or multiple sensors; financial data, such as financial service institutions that integrate many financial sources; and user data from electronic commerce and web applications.\nThis article focuses on collaborative filtering for user data, but some of the methods also apply to other major applications.\n== Overview ==\nThe growth of the Internet has made it much more difficult to effectively extract useful information from all the available online information. The overwhelming amount of data necessitates ","en_topic":"Collaborative filtering","wiki_pageid":480289,"wiki_revid":1362355383,"source_url":"https://en.wikipedia.org/?curid=480289","license":"CC BY-SA 4.0"}
{"slug":"cluster-analysis","lang":"en","title":"Cluster analysis","text":"Cluster analysis, or clustering, is a data analysis technique aimed at partitioning a set of objects into groups such that objects within the same group (called a cluster) exhibit greater similarity to one another (in some specific sense defined by the analyst) than to those in other groups (clusters). It is a main task of exploratory data analysis, and a common technique for statistical data analysis, used in many fields, including pattern recognition, image analysis, information retrieval, bioinformatics, data compression, computer graphics and machine learning.\nCluster analysis refers to a family of algorithms and tasks rather than one specific algorithm. It can be achieved by various algorithms that differ significantly in their understanding of what constitutes a cluster and how to efficiently find them. Popular notions of clusters include groups with small distances between cluster members, dense areas of the data space, intervals or particular statistical distributions. Clustering can therefore be formulated as a multi-objective optimization problem. The appropriate clustering algorithm and parameter settings (including parameters such as the distance function to use, a density threshold or the number of expected clusters) depend on the individual data set and intended use of the results. Cluster analysis as such is not an automatic task, but an iterative process of knowledge discovery or interactive multi-objective optimization that involves trial and failure. It is often necessary to modify data preprocessing and model parameters until the result achieves the desired properties.\nBesides the term clustering, there are a number of terms with similar meanings, including automatic classification, numerical taxonomy, botryology (from Greek: βότρυς 'grape'), typological analysis, and community detection. The subtle differences are often in the use of the results: while in data mining, the resulting groups are the matter of interest, in automatic classification th","en_topic":"Cluster analysis","wiki_pageid":669675,"wiki_revid":1360782645,"source_url":"https://en.wikipedia.org/?curid=669675","license":"CC BY-SA 4.0"}
{"slug":"support-vector-machine","lang":"en","title":"Support vector machine","text":"In machine learning, a support vector machine (SVM) or support vector network is a supervised max-margin model with associated learning algorithms that analyze data for classification and regression analysis. Developed at AT&T Bell Laboratories, SVMs are one of the most studied models, being based on statistical learning frameworks of VC theory proposed by Vapnik (1982, 1995) and Chervonenkis (1974).\nIn addition to performing linear classification, SVMs can efficiently perform non-linear classification using the kernel trick, representing the data only through a set of pairwise similarity comparisons between the original data points using a kernel function, which transforms them into coordinates in a higher-dimensional feature space. Thus, SVMs use the kernel trick to implicitly map their inputs into high-dimensional feature spaces, where linear classification can be performed. Being max-margin models, SVMs are resilient to noisy data (e.g., misclassified examples). SVMs can also be used for regression tasks, where the objective becomes\n ϵ\n {\\displaystyle \\epsilon }\n-sensitive.\nThe support vector clustering algorithm, created by Hava Siegelmann and Vladimir Vapnik, applies the statistics of support vectors, developed in the support vector machines algorithm, to categorize unlabeled data. These data sets require unsupervised learning approaches, which attempt to find natural clustering of the data into groups, and then to map new data according to these clusters.\nThe popularity of SVMs is likely due to their amenability to theoretical analysis, and their flexibility in being applied to a wide variety of tasks, including structured prediction problems. It is not clear that SVMs have better predictive performance than other linear models, such as logistic regression and linear regression.\n== Motivation ==\nClassifying data is a common task in machine learning.\nSuppose some given data points each belong to one of two classes, and the goal is to decide which cl","en_topic":"Support vector machine","wiki_pageid":65309,"wiki_revid":1363282528,"source_url":"https://en.wikipedia.org/?curid=65309","license":"CC BY-SA 4.0"}
{"slug":"random-forest","lang":"en","title":"Random forest","text":"Random forests or random decision forests is an ensemble learning method for classification, regression and other tasks that works by creating a multitude of decision trees during training. For classification tasks, the output of the random forest is the class selected by most trees. For regression tasks, the output is the average of the predictions of the trees. Random forests correct for decision trees' habit of overfitting to their training set.\nThe first algorithm for random decision forests was created in 1995 by Tin Kam Ho using the random subspace method, which, in Ho's formulation, is a way to implement the \"stochastic discrimination\" approach to classification proposed by Eugene Kleinberg.\nAn extension of the algorithm was developed by Leo Breiman and Adele Cutler, who registered \"Random Forests\" as a trademark in 2006 (as of 2019, owned by Minitab, Inc.). The extension combines Breiman's \"bagging\" idea and random selection of features, introduced first by Ho and later independently by Amit and Geman in order to construct a collection of decision trees with controlled variance.\n== History ==\nThe general method of random decision forests was first proposed by Salzberg and Heath in 1993, with a method that used a randomized decision tree algorithm to create multiple trees and then combine them using majority voting. This idea was developed further by Ho in 1995. Ho established that forests of trees splitting with oblique hyperplanes can gain accuracy as they grow without suffering from overtraining, as long as the forests are randomly restricted to be sensitive to only selected feature dimensions. A subsequent work along the same lines concluded that other splitting methods behave similarly, as long as they are randomly forced to be insensitive to some feature dimensions. This observation that a more complex classifier (a larger forest) gets more accurate nearly monotonically is in sharp contrast to the common belief that the complexity of a classifier ca","en_topic":"Random forest","wiki_pageid":1363880,"wiki_revid":1366321226,"source_url":"https://en.wikipedia.org/?curid=1363880","license":"CC BY-SA 4.0"}
{"slug":"adaboost","lang":"en","title":"AdaBoost","text":"AdaBoost (short for Adaptive Boosting) is a statistical classification meta-algorithm formulated by Yoav Freund and Robert Schapire in 1995, who won the 2003 Gödel Prize for their work. It can be used in conjunction with many types of learning algorithm to improve performance. The output of multiple weak learners is combined into a weighted sum that represents the final output of the boosted classifier. Usually, AdaBoost is presented for binary classification, although it can be generalized to multiple classes or bounded intervals of real values.\nAdaBoost is adaptive in the sense that subsequent weak learners (models) are adjusted in favor of instances misclassified by previous models. In some problems, it can be less susceptible to overfitting than other learning algorithms. The individual learners can be weak, but as long as the performance of each one is slightly better than random guessing, the final model can be proven to converge to a strong learner.\nAlthough AdaBoost is typically used to combine weak base learners (such as decision stumps), it has been shown to also effectively combine strong base learners (such as deeper decision trees), producing an even more accurate model.\nEvery learning algorithm tends to suit some problem types better than others, and typically has many different parameters and configurations to adjust before it achieves optimal performance on a dataset. AdaBoost (with decision trees as the weak learners) is often referred to as the best out-of-the-box classifier. When used with decision tree learning, information gathered at each stage of the AdaBoost algorithm about the relative 'hardness' of each training sample is fed into the tree-growing algorithm such that later trees tend to focus on harder-to-classify examples.\n== Training ==\nAdaBoost refers to a particular method of training a boosted classifier. A boosted classifier is a classifier of the form\n F\n T\n (\n x\n )\n =\n ∑\n ","en_topic":"AdaBoost","wiki_pageid":1645603,"wiki_revid":1350009776,"source_url":"https://en.wikipedia.org/?curid=1645603","license":"CC BY-SA 4.0"}
{"slug":"logistic-regression","lang":"en","title":"Logistic regression","text":"In statistics, a logistic model (or logit model) is a statistical model that models the log-odds of an event as a linear combination of one or more independent variables. In regression analysis, logistic regression (or logit regression) estimates the parameters of a logistic model (the coefficients in the linear or non linear combinations). In binary logistic regression there is a single binary dependent variable, coded by an indicator variable, where the two values are labeled \"0\" and \"1\", while the independent variables can each be a binary variable (two classes, coded by an indicator variable) or a continuous variable (any real value). The corresponding probability of the value labeled \"1\" can vary between 0 (certainly the value \"0\") and 1 (certainly the value \"1\"), hence the labeling; the function that converts log-odds to probability is the logistic function, hence the name. The unit of measurement for the log-odds scale is called a logit, from logistic unit, hence the alternative names. See § Background and § Definition for formal mathematics, and § Example for a worked example.\nBinary variables are widely used in statistics to model the probability of a certain class or event taking place, such as the probability of a team winning, of a patient being healthy, etc. (see § Applications), and the logistic model has been the most commonly used model for binary regression since about 1970. Binary variables can be generalized to categorical variables when there are more than two possible values (e.g. whether an image is of a cat, dog, lion, etc.), and the binary logistic regression generalized to multinomial logistic regression. If the multiple categories are ordered, one can use the ordinal logistic regression (for example the proportional odds ordinal logistic model). See § Extensions for further extensions. The logistic regression model itself simply models probability of output in terms of input and does not perform statistical classification (it is not a class","en_topic":"Logistic regression","wiki_pageid":226631,"wiki_revid":1365703658,"source_url":"https://en.wikipedia.org/?curid=226631","license":"CC BY-SA 4.0"}
{"slug":"principal-component-analysis","lang":"en","title":"Principal component analysis","text":"Principal component analysis (PCA) is a linear dimensionality reduction technique with applications in exploratory data analysis, visualization and data preprocessing.\nThe data are linearly transformed onto a new coordinate system such that the directions (principal components) capturing the largest variation in the data can be easily identified.\nThe principal components of a collection of points in a real coordinate space are a sequence of\n p\n {\\displaystyle p}\n unit vectors, where the\n i\n {\\displaystyle i}\n-th vector is the direction of a line that best fits the data while being orthogonal to the first\n i\n −\n 1\n {\\displaystyle i-1}\n vectors. Here, a best-fitting line is defined as one that minimizes the average squared perpendicular distance from the points to the line. These directions (i.e., principal components) constitute an orthonormal basis in which different individual dimensions of the data are linearly uncorrelated. Many studies use the first two principal components in order to plot the data in two dimensions and to visually identify clusters of closely related data points.\nPrincipal component analysis has applications in many fields such as population genetics, microbiome studies, and atmospheric science.\n== Overview ==\nWhen performing PCA, the first principal component of a set of\n p\n {\\displaystyle p}\n variables is the derived variable formed as a linear combination of the original variables that explains the most variance. The second principal component explains the most variance in what is left once the effect of the first component is removed, and we may proceed through\n p\n {\\displaystyle p}\n iterations until all the variance is explained. PCA is most commonly used when many of the variables are highly correlated with each other and it is desirable to reduce their number to an independent set.\nThe first principal component can equivalently be defined as a direction that maximizes the v","en_topic":"Principal component analysis","wiki_pageid":76340,"wiki_revid":1363937323,"source_url":"https://en.wikipedia.org/?curid=76340","license":"CC BY-SA 4.0"}
{"slug":"singular-value-decomposition","lang":"en","title":"Singular value decomposition","text":"In linear algebra, the singular value decomposition (SVD) is a factorization of a real or complex matrix into a rotation, followed by a scaling, followed by another rotation. It generalizes the eigendecomposition of a square normal matrix with an orthonormal eigenbasis to any ⁠\n m\n ×\n n\n {\\displaystyle m\\times n}\n⁠ matrix. It is related to the polar decomposition, and is a common means for implementing low-rank approximation for matrices.\nSpecifically, the singular value decomposition of an\n m\n ×\n n\n {\\displaystyle m\\times n}\n complex matrix ⁠\n M\n {\\displaystyle \\mathbf {M} }\n⁠ is a factorization of the form ⁠\n M\n =\n U\n Σ\n V\n ∗\n {\\displaystyle \\mathbf {M} =\\mathbf {U} \\mathbf {\\Sigma } \\mathbf {V} ^{*}}\n⁠, where ⁠\n U\n {\\displaystyle \\mathbf {U} }\n⁠ is an ⁠\n m\n ×\n m\n {\\displaystyle m\\times m}\n⁠ complex unitary matrix,\n Σ\n {\\displaystyle \\mathbf {\\Sigma } }\n is an\n m\n ×\n n\n {\\displaystyle m\\times n}\n rectangular diagonal matrix with non-negative real numbers on the diagonal, ⁠\n V\n {\\displaystyle \\mathbf {V} }\n⁠ is an\n n\n ×\n n\n {\\displaystyle n\\times n}\n complex unitary matrix, and ⁠\n V\n ∗\n {\\displaystyle \\mathbf {V} ^{*}}\n⁠ is the conjugate transpose of ⁠\n V\n {\\displaystyle \\mathbf {V} }\n⁠. Such decompositions always exist for any complex matrix. If ⁠\n M\n {\\displaystyle \\mathbf {M} }\n⁠ is real, then some ⁠\n U\n {\\displaystyle \\mathbf {U} }\n⁠ and ⁠\n V\n {\\displaystyle \\mathbf {V} }\n⁠ can be found which are real (orthogonal) matrices; a real-valued SVD is often denoted ⁠\n U\n Σ\n V\n T\n {\\displaystyle \\mathbf {U} \\mathbf {\\Sigma } \\mathbf {V} ^{\\mathsf {T}}}\n⁠, where ⁠\n V\n T\n {\\displaystyle \\mathbf {V} ^{\\math","en_topic":"Singular value decomposition","wiki_pageid":142207,"wiki_revid":1365451745,"source_url":"https://en.wikipedia.org/?curid=142207","license":"CC BY-SA 4.0"}
{"slug":"regression-analysis","lang":"en","title":"Regression analysis","text":"In statistical modeling, regression analysis is a statistical method for estimating the relationship between a dependent variable (often called the outcome or response variable, or a label in machine learning parlance) and one or more independent variables (often called regressors, predictors, covariates, explanatory variables or features).\nThe most common form of regression analysis is linear regression, in which one finds the line (or a more complex linear combination) that most closely fits the data according to a specific mathematical criterion. For example, the method of ordinary least squares computes the unique line (or hyperplane) that minimizes the sum of squared differences between the true data and that line (or hyperplane). For specific mathematical reasons (see linear regression), this allows the researcher to estimate the conditional expectation (or population average value) of the dependent variable when the independent variables take on a given set of values. Less common forms of regression use slightly different procedures to estimate alternative location parameters (e.g., quantile regression or Necessary Condition Analysis) or estimate the conditional expectation across a broader collection of non-linear models (e.g., nonparametric regression).\nRegression analysis is primarily used for two conceptually distinct purposes. First, regression analysis is widely used for prediction and forecasting, where its use has substantial overlap with the field of machine learning. Second, in some situations regression analysis can be used to infer causal relationships between the independent and dependent variables. Importantly, regressions by themselves only reveal relationships between a dependent variable and a collection of independent variables in a fixed dataset. To use regressions for prediction or to infer causal relationships, respectively, a researcher must carefully justify why existing relationships have predictive power for a new context or why a rel","en_topic":"Regression analysis","wiki_pageid":826997,"wiki_revid":1347668389,"source_url":"https://en.wikipedia.org/?curid=826997","license":"CC BY-SA 4.0"}
{"slug":"bayes-theorem","lang":"en","title":"Bayes' theorem","text":"Bayes' theorem (alternatively Bayes' law or Bayes' rule), named after Thomas Bayes (), gives a mathematical rule for inverting conditional probabilities, allowing the probability of a cause to be found given its effect. For example, with Bayes' theorem, the probability that a patient has a disease given that they tested positive for that disease can be found using the probability that the test yields a positive result when the disease is present. The theorem was developed in the 18th century by Bayes and independently by Pierre-Simon Laplace.\nOne of Bayes' theorem's many applications is Bayesian inference, an approach to statistical inference, where it is used to invert the probability of observations given a model configuration (i.e., the likelihood function) to obtain the probability of the model configuration given the observations (i.e., the posterior probability).\n== History ==\nBayes' theorem is named after Thomas Bayes, a minister, statistician, and philosopher. Bayes used conditional probability to provide an algorithm (his Proposition 9) that uses evidence to calculate limits on an unknown parameter. His work was published in 1763 as An Essay Towards Solving a Problem in the Doctrine of Chances. Bayes studied how to compute a distribution for the probability parameter of a binomial distribution (in modern terminology). After Bayes's death, his family gave his papers to a friend, the minister, philosopher, and mathematician Richard Price.\nPrice significantly edited the unpublished manuscript for two years before sending it to a friend who read it aloud at the Royal Society on 23 December 1763. Price edited Bayes's major work \"An Essay Towards Solving a Problem in the Doctrine of Chances\" (1763), which appeared in Philosophical Transactions, and contains Bayes' theorem. Price wrote an introduction to the paper that provides some of the philosophical basis of Bayesian statistics and chose one of the two solutions Bayes offered. In 1765, Price was elected a Fell","en_topic":"Bayes' theorem","wiki_pageid":49569,"wiki_revid":1363831715,"source_url":"https://en.wikipedia.org/?curid=49569","license":"CC BY-SA 4.0"}
{"slug":"data-mining","lang":"en","title":"Data mining","text":"Data mining is the process of extracting and finding patterns in massive data sets involving methods at the intersection of machine learning, statistics, and database systems. Data mining is an interdisciplinary subfield of computer science and statistics with an overall goal of extracting information (with intelligent methods) from a data set and transforming the information into a comprehensible structure for further use. Data mining is the analysis step of the \"knowledge discovery in databases\" process, or KDD. Aside from the raw analysis step, it also involves database and data management aspects, data pre-processing, model and inference considerations, interestingness metrics, complexity considerations, post-processing of discovered structures, visualization, and online updating.\nThe term \"data mining\" is a misnomer because the goal is the extraction of patterns and knowledge from large amounts of data, not the extraction (mining) of data itself. It also is a buzzword and is frequently applied to any form of large-scale data or information processing (collection, extraction, warehousing, analysis, and statistics) as well as any application of computer decision support systems, including artificial intelligence (e.g., machine learning) and business intelligence. Often the more general terms (large scale) data analysis and analytics—or, when referring to actual methods, artificial intelligence and machine learning—are more appropriate.\nThe actual data mining task is the semi-automatic or automatic analysis of massive quantities of data to extract previously unknown, interesting patterns such as groups of data records (cluster analysis), unusual records (anomaly detection), and dependencies (association rule mining, sequential pattern mining). This usually involves using database techniques such as spatial indices. These patterns can then be seen as a kind of summary of the input data, and may be used in further analysis or, for example, in machine learning and pr","en_topic":"Data mining","wiki_pageid":42253,"wiki_revid":1361419927,"source_url":"https://en.wikipedia.org/?curid=42253","license":"CC BY-SA 4.0"}
{"slug":"web-crawler","lang":"en","title":"Web crawler","text":"A web crawler, sometimes called a spider or spiderbot and often shortened to crawler, is an Internet bot that systematically browses the World Wide Web and that is typically operated by search engines for the purpose of Web indexing (web spidering).\nWeb search engines and some other websites use web crawling or spidering software to update their web content or indices of other sites' web content. Web crawlers copy pages for processing by a search engine, which indexes the downloaded pages so that users can search more efficiently.\nCrawlers consume resources on visited systems and often visit sites unprompted. Issues of schedule, load, and \"politeness\" come into play when large collections of pages are accessed. Mechanisms exist for public sites not wishing to be crawled to make this known to the crawling agent. For example, including a robots.txt file can request bots to index only parts of a website, or nothing at all.\nThe number of web pages is extremely large, and search engines do not index all web content. Studies of late-1990s search engines found that individual engines indexed only a fraction of the then-indexable web. Modern search engines use crawling, indexing, and ranking systems to return relevant results quickly, although not all pages are crawled, indexed, or served.\nCrawlers can validate hyperlinks and HTML code. They can also be used for web scraping and data-driven programming.\n== Nomenclature ==\nA web crawler is also known as a spider, an ant, an automatic indexer, or (in the FOAF software context) a Web scutter.\n== Overview ==\nA web crawler starts with a list of URLs to visit. Those first URLs are called the seeds. As the crawler visits these URLs, by communicating with web servers that respond to those URLs, it identifies all the hyperlinks in the retrieved web pages and adds them to the list of URLs to visit, called the crawl frontier. URLs from the frontier are recursively visited according to a set of policies. If the crawler is performing ar","en_topic":"Web crawler","wiki_pageid":33120,"wiki_revid":1362188095,"source_url":"https://en.wikipedia.org/?curid=33120","license":"CC BY-SA 4.0"}
{"slug":"nearest-neighbor-search","lang":"en","title":"Nearest neighbor search","text":"Nearest neighbor search (NNS), as a form of proximity search, is the optimization problem of finding the point in a given set that is closest (or most similar) to a given point. Closeness is typically expressed in terms of a dissimilarity function: the less similar the objects, the larger the function values.\nFormally, the nearest neighbor (NN) search problem is defined as follows: given a set S of points in a space M and a query point\n q\n ∈\n M\n {\\displaystyle q\\in M}\n, find the closest point in S to q. Donald Knuth in volume 3 of The Art of Computer Programming (1973) called it the post-office problem, referring to an application of assigning to a residence the nearest post office. A direct generalization of this problem is a k-NN search, where we need to find the k closest points.\nMost commonly M is a metric space and dissimilarity is expressed as a distance metric, which is symmetric and satisfies the triangle inequality. Even more common, M is taken to be the d-dimensional vector space where dissimilarity is measured using the Euclidean distance, Manhattan distance or other distance metric. However, the dissimilarity function can be arbitrary. One example is asymmetric Bregman divergence, for which the triangle inequality does not hold.\n== Applications ==\nThe nearest neighbor search problem arises in numerous fields of application, including:\nPattern recognition – in particular for optical character recognition\nStatistical classification – see k-nearest neighbor algorithm\nComputer vision – for point cloud registration\nComputational geometry – see Closest pair of points problem\nCryptanalysis – for lattice problem\nDatabases – e.g. content-based image retrieval\nCoding theory – see maximum likelihood decoding\nSemantic search\nVector databases, where nearest-neighbor lookup over embeddings is used to retrieve semantically similar records\nRetrieval-augmented generation systems, where nearest-neighbor retrieval over embeddings is used to fetch ca","en_topic":"Nearest neighbor search","wiki_pageid":7309022,"wiki_revid":1365853585,"source_url":"https://en.wikipedia.org/?curid=7309022","license":"CC BY-SA 4.0"}
{"slug":"euclidean-distance","lang":"en","title":"Euclidean distance","text":"In mathematics, the Euclidean distance between two points in a Euclidean space is the length of the line segment between them. It can be calculated from the Cartesian coordinates of the points using the Pythagorean theorem, and therefore is occasionally called the Pythagorean distance.\nThese names come from the ancient Greek mathematicians Euclid and Pythagoras. In the Greek deductive geometry exemplified by Euclid's Elements, distances were not represented as numbers but line segments of the same length, which were considered \"equal\". The notion of distance is inherent in the compass tool used to draw a circle, whose points all have the same distance from a common center point. The connection from the Pythagorean theorem to distance calculation was not made until the 18th century.\nThe distance between two objects that are not points is usually defined to be the smallest distance among pairs of points from the two objects. Formulas are known for computing distances between different types of objects, such as the distance from a point to a line. In advanced mathematics, the concept of distance has been generalized to abstract metric spaces, and other distances than Euclidean have been studied. In some applications in statistics and optimization, the square of the Euclidean distance is used instead of the distance itself.\n== Distance formulas ==\n=== One dimension ===\nThe distance between any two points on the real line is the absolute value of the numerical difference of their coordinates, their absolute difference. Thus if\n p\n {\\displaystyle p}\n and\n q\n {\\displaystyle q}\n are two points on the real line, then the distance between them is given by:\n d\n (\n p\n ,\n q\n )\n =\n |\n p\n −\n q\n |\n .\n {\\displaystyle d(p,q)=|p-q|.}\nA more complicated formula, giving the same value, but generalizing more readily to higher dimensions, is:\n d\n (\n p\n","en_topic":"Euclidean distance","wiki_pageid":53932,"wiki_revid":1351104776,"source_url":"https://en.wikipedia.org/?curid=53932","license":"CC BY-SA 4.0"}
{"slug":"hamming-distance","lang":"en","title":"Hamming distance","text":"In information theory, the Hamming distance between two strings or vectors of equal length is the number of positions at which the corresponding symbols are different. In other words, it measures the minimum number of substitutions required to change one string into the other, or equivalently, the minimum number of errors that could have transformed one string into the other. In a more general context, the Hamming distance is one of several string metrics for measuring the edit distance between two sequences. It is named after the American mathematician Richard Hamming.\nA major application is in coding theory, more specifically to block codes, in which the equal-length strings are vectors over a finite field.\n== Definition ==\nThe Hamming distance between two equal-length strings of symbols is the number of positions at which the corresponding symbols are different.\n== Examples ==\nThe symbols may be letters, bits, or decimal digits, among other possibilities. For example, the Hamming distance between:\n\"karolin\" and \"kathrin\" is 3.\n\"karolin\" and \"kerstin\" is 3.\n\"kathrin\" and \"kerstin\" is 4.\n0000 and 1111 is 4.\n2173896 and 2233796 is 3.\n== Properties ==\nFor a fixed length n, the Hamming distance is a metric on the set of the words of length n (also known as a Hamming space), as it fulfills the conditions of non-negativity, symmetry, the Hamming distance of two words is 0 if and only if the two words are identical, and it satisfies the triangle inequality as well: Indeed, if we fix three words a, b and c, then whenever there is a difference between the ith letter of a and the ith letter of c, then there must be a difference between the ith letter of a and ith letter of b, or between the ith letter of b and the ith letter of c. Hence the Hamming distance between a and c is not larger than the sum of the Hamming distances between a and b and between b and c. The Hamming distance between two words a and b can also be seen as the Hamming weight of a − b for a","en_topic":"Hamming distance","wiki_pageid":41227,"wiki_revid":1320319980,"source_url":"https://en.wikipedia.org/?curid=41227","license":"CC BY-SA 4.0"}
{"slug":"natural-language-processing","lang":"en","title":"Natural language processing","text":"Natural language processing (NLP) is the processing of natural language information by a computer. NLP is a subfield of computer science and is closely associated with artificial intelligence. NLP is also related to information retrieval, knowledge representation, computational linguistics, and linguistics more broadly.\nMajor processing tasks in an NLP system include: speech recognition, text classification, natural language understanding, and natural language generation.\n== History ==\nNatural language processing has its roots in the 1950s. Already in 1950, Alan Turing published an article titled \"Computing Machinery and Intelligence,\" which proposed what is now called the Turing test as a criterion of intelligence, though at the time that was not articulated as a problem separate from artificial intelligence. The proposed test includes a task that involves the automated interpretation and generation of natural language.\n=== Symbolic NLP (1950s – early 1990s) ===\nThe premise of symbolic NLP is often illustrated using John Searle's Chinese room thought experiment: Given a collection of rules (e.g., a Chinese phrasebook, with questions and matching answers), the computer emulates natural language understanding (or other NLP tasks) by applying those rules to the data it confronts.\n1950s: The Georgetown experiment in 1954 involved fully automatic translation of more than sixty Russian sentences into English. The authors claimed that within three or five years, machine translation would be a solved problem. However, real progress was much slower, and after the ALPAC report in 1966, which found that ten years of research had failed to fulfill the expectations, funding for machine translation was dramatically reduced. Little further research in machine translation was conducted in America (though some research continued elsewhere, such as Japan and Europe) until the late 1980s when the first statistical machine translation systems were developed.\n1960s: Some notably succe","en_topic":"Natural language processing","wiki_pageid":21652,"wiki_revid":1365853561,"source_url":"https://en.wikipedia.org/?curid=21652","license":"CC BY-SA 4.0"}
{"slug":"machine-translation","lang":"en","title":"Machine translation","text":"Machine translation is the use of computational techniques to translate text or speech from one language to another, including the contextual, idiomatic, and pragmatic nuances of both languages.\nWhile some language models are capable of generating comprehensible results, machine translation tools remain limited by the complexity of language and emotion, often lacking depth and semantic precision. Its quality is influenced by linguistic, grammatical, tonal, and cultural differences, making it inadequate to replace real translators fully. Effective improvement in translation quality requires understanding of target society's customs and historical context, and human intervention and visual cues remain necessary in simultaneous interpretation. On the other hand, domain-specific customization, such as for technical documentation or official texts, can yield more stable results, and is commonly employed in multilingual websites and professional databases.\nInitial approaches were mostly rule-based or statistical in nature. However, these methods have since been superseded by neural machine translation and large language models.\n== History ==\n=== Origins ===\nThe origins of machine translation can be traced back to the work of Al-Kindi, a ninth-century Arabic cryptographer who developed techniques for systemic language translation, including cryptanalysis, frequency analysis, and probability and statistics, which are used in modern machine translation. The idea of machine translation later appeared in the 17th century. In 1629, René Descartes proposed a universal language, with equivalent ideas in different tongues sharing one symbol.\nThe idea of using digital computers for translation of natural languages was proposed as early as 1947 by England's A. D. Booth and Warren Weaver at Rockefeller Foundation in the same year. \"The memorandum written by Warren Weaver in 1949 is perhaps the single most influential publication in the earliest days of machine translation.\" Others fo","en_topic":"Machine translation","wiki_pageid":19980,"wiki_revid":1364239998,"source_url":"https://en.wikipedia.org/?curid=19980","license":"CC BY-SA 4.0"}
{"slug":"speech-recognition","lang":"en","title":"Speech recognition","text":"Speech recognition (automatic speech recognition (ASR), computer speech recognition, or speech-to-text (STT)) is a sub-field of computational linguistics concerned with methods and technologies that translate spoken language into text or other interpretable forms.\nSpeech recognition applications include voice user interfaces, where the user speaks to a device, which \"listens\" and processes the audio. Common voice applications include interpreting commands for calling, call routing, home automation, and aircraft control. These applications are called direct voice input. Productivity applications include searching audio recordings, creating transcripts, and dictation.\nSpeech recognition can be used to analyse speaker characteristics, such as identifying native language using pronunciation assessment.\nVoice recognition (speaker identification) refers to identifying the speaker, rather than speech contents. Recognizing the speaker can simplify the task of translating speech in systems trained on a specific person's voice. It can also be used to authenticate the speaker as part of a security process.\n== History ==\nApplications for speech recognition developed over many decades, with progress accelerated due to advances in deep learning and the use of big data. These advances are reflected in an increase in academic papers, and greater system adoption.\nKey areas of growth include vocabulary size, more accurate recognition for unfamiliar speakers (speaker independence), and faster processing speed.\n=== Pre-1970 ===\n1952 – Bell Labs researchers, Stephen Balashek, R. Biddulph, and K. H. Davis, built Audrey for single-speaker digit recognition. Their system located the formants in the power spectrum of each utterance.\n1960 – Gunnar Fant developed and published the source–filter model of speech production.\n1962 – IBM's 16-word \"Shoebox\" machine's speech recognition debuted at the 1962 World's Fair.\n1966 – Linear predictive coding, a speech coding method, was proposed by Fumita","en_topic":"Speech recognition","wiki_pageid":29468,"wiki_revid":1366321755,"source_url":"https://en.wikipedia.org/?curid=29468","license":"CC BY-SA 4.0"}
{"slug":"computer-vision","lang":"en","title":"Computer vision","text":"Computer vision tasks include methods for acquiring, processing, analyzing, and understanding digital images, and extraction of high-dimensional data from the real world in order to produce numerical or symbolic information, e.g. in the form of decisions. \"Understanding\" in this context signifies the transformation of visual images into descriptions of the world that make sense to thought processes and can elicit appropriate action. This image understanding can be seen as the disentangling of symbolic information from image data using models constructed with the aid of geometry, physics, statistics, and learning theory.\nThe scientific discipline of computer vision is concerned with the theory behind artificial systems that extract information from images. Image data can take many forms, such as video sequences, views from multiple cameras, multi-dimensional data from a 3D scanner, 3D point clouds from LiDaR sensors, or medical scanning devices. The technological discipline of computer vision seeks to apply its theories and models to the construction of computer vision systems.\nSubdisciplines of computer vision include scene reconstruction, object detection, event detection, activity recognition, video tracking, object recognition, 3D pose estimation, learning, indexing, motion estimation, visual servoing, 3D scene modeling, and image restoration.\n== Definition ==\nComputer vision is an interdisciplinary field that deals with how computers can be made to gain high-level understanding from digital images or videos. From the perspective of engineering, it seeks to automate tasks that the human visual system can do. \"Computer vision is concerned with the automatic extraction, analysis, and understanding of useful information from a single image or a sequence of images. It involves the development of a theoretical and algorithmic basis to achieve automatic visual understanding.\" As a scientific discipline, computer vision is concerned with the theory behind artificial sys","en_topic":"Computer vision","wiki_pageid":6596,"wiki_revid":1363851632,"source_url":"https://en.wikipedia.org/?curid=6596","license":"CC BY-SA 4.0"}
{"slug":"turing-test","lang":"en","title":"Turing test","text":"The Turing test was designed by Alan Turing to assess a machine's ability to exhibit intelligent behaviour equivalent to that of a human by imitating interactive dialogue. In the modern version, a human evaluator judges a text transcript of a natural-language conversation between a human and a machine. The evaluator tries to identify the machine, and the machine passes if the evaluator cannot reliably tell them apart. The results would not depend on the machine's ability to answer questions correctly, only on how closely its answers resembled those of a human. Since the Turing test is a test of indistinguishability in performance capacity, the original (verbal) version generalizes naturally to all of human performance capacity, including nonverbal (robotic).\nThe test was introduced as the imitation game by Turing in his 1950 paper \"Computing Machinery and Intelligence\" while working at the University of Manchester. It opens with the words: \"I propose to consider the question, 'Can machines think?'.\" Because \"thinking\" is difficult to define, Turing chooses to \"replace the question by another, which is closely related to it and is expressed in relatively unambiguous words\". Turing describes the new form of the problem in terms of a three-person party game called the \"imitation game\", in which an interrogator asks questions of a man and a woman in another room in order to determine the correct sex of the two players. Turing's new question is: \"Are there imaginable digital computers which would do well in the imitation game?\" This question, Turing believed, was one that could actually be answered. In the remainder of the paper, he argued against the major objections to the proposition that \"machines can think\".\nSince Turing introduced his test, it has been highly influential in the philosophy of artificial intelligence, resulting in substantial discussion and controversy, as well as criticism from philosophers like John Searle, who argue against the test's ability to d","en_topic":"Turing test","wiki_pageid":21391751,"wiki_revid":1364989093,"source_url":"https://en.wikipedia.org/?curid=21391751","license":"CC BY-SA 4.0"}
{"slug":"sentiment-analysis","lang":"en","title":"Sentiment analysis","text":"Sentiment analysis (also known as opinion mining) is the use of natural language processing, text analysis, computational linguistics, and biometrics to systematically identify, extract, quantify, and study affective states and subjective information. Sentiment analysis is widely applied to voice of the customer materials such as reviews and survey responses, online and social media, and healthcare materials for applications that range from marketing to customer service to clinical medicine. With the rise of deep language models, such as RoBERTa, more difficult data domains can be analyzed, e.g., news texts where authors typically express their opinion/sentiment less explicitly.\n== Types ==\nA basic task in sentiment analysis is classifying the polarity of a given text at the document, sentence, or feature/aspect level—whether the expressed opinion in a document, a sentence or an entity feature/aspect is positive, negative, or neutral. Advanced, \"beyond polarity\" sentiment classification looks, for instance, at emotional states such as enjoyment, anger, disgust, sadness, fear, and surprise.\nPrecursors to sentimental analysis include the General Inquirer, which provided hints toward quantifying patterns in text and, separately, psychological research that examined a person's psychological state based on analysis of their verbal behavior.\nSubsequently, the method described in a patent by Volcani and Fogel, looked specifically at sentiment and identified individual words and phrases in text with respect to different emotional scales. A current system based on their work, called EffectCheck, presents synonyms that can be used to increase or decrease the level of evoked emotion in each scale.\nMany other subsequent efforts were less sophisticated, using a mere polar view of sentiment, from positive to negative, such as work by Turney, and Pang who applied different methods for detecting the polarity of product reviews and movie reviews respectively. This work is at the doc","en_topic":"Sentiment analysis","wiki_pageid":6435232,"wiki_revid":1366322109,"source_url":"https://en.wikipedia.org/?curid=6435232","license":"CC BY-SA 4.0"}
{"slug":"optical-character-recognition","lang":"en","title":"Optical character recognition","text":"Optical character recognition (OCR) or optical character reader is the electronic or mechanical conversion of images of typed, handwritten or printed text into machine-encoded text, whether from a scanned document, a photo of a document, a scene photo (for example the text on signs and billboards in a landscape photo) or from subtitle text superimposed on an image (for example: from a television broadcast).\nWidely used as a form of data entry from printed paper data records – whether passport documents, invoices, bank statements, computerized receipts, business cards, mail, printed data, or any suitable documentation – it is a common method of digitizing printed texts so that they can be electronically edited, searched, stored more compactly, displayed online, and used in machine processes such as cognitive computing, machine translation, (extracted) text-to-speech, key data and text mining. OCR is a field of research in pattern recognition, artificial intelligence and computer vision.\nEarly versions needed to be trained with images of each character, and worked on one font at a time. Advanced systems capable of producing a high degree of accuracy for most fonts are now common, and with support for a variety of image file format inputs. Some systems are capable of reproducing formatted output that closely approximates the original page including images, columns, and other non-textual components.\n== History ==\nEarly optical character recognition may be traced to technologies involving telegraphy and creating reading devices for the blind. In 1914, Emanuel Goldberg developed a machine that read characters and converted them into standard telegraph code. Concurrently, Edmund Fournier d'Albe developed the Optophone, a handheld scanner that when moved across a printed page, produced tones that corresponded to specific letters or characters.\nIn the late 1920s and into the 1930s, Emanuel Goldberg developed what he called a \"Statistical Machine\" for searching microfilm arch","en_topic":"Optical character recognition","wiki_pageid":49091,"wiki_revid":1365854320,"source_url":"https://en.wikipedia.org/?curid=49091","license":"CC BY-SA 4.0"}
{"slug":"robotics","lang":"en","title":"Robotics","text":"Robotics is the interdisciplinary study and practice of the design, construction, operation, and use of robots. A roboticist is someone who specializes in robotics. Robotics usually combines four aspects of design work: a power source (e.g. a battery), mechanical construction, a control system (electrical circuits), and software (run by remote control or artificial intelligence).\nThe goal of most robotics is to design machines that can assist humans in various fields, such as agriculture, construction, domestic work, food processing, inventory management, manufacturing, medicine, military, mining, space exploration, and transportation.\nRobots impact humans by displacing workers. Some expect this to occur at an increasing rate, leading to proposed solutions such as basic income. Robotics is itself a lucrative business that creates careers, especially for postgraduates. Roboticists often aim to create machines that seem to interface naturally with humans. The field is under active research and development, with areas of interest including robot kinematics and quantum robotics.\n== Design ==\nRobotics usually combines four aspects of design work to create a robot:\nPower source: Potential energy sources include wired electricity, a battery, and/or petrol.\nMechanical construction: A physical form or combination of forms is designed to functionally achieve tasks within a given range of environments. This can include locomotive elements such as wheels and caterpillar tracks, as well as hydraulic limbs and manipulators (e.g. hands).\nControl system: Electrical circuits (utilizing components such as diodes and transistors) are used to run software, govern motor movement, and read sensors.\nSoftware: A program is how a robot decides when or how to do something. Robotic programs can be run by remote control, artificial intelligence (AI), or a hybrid of the two. AI programming is an important part of robotic navigation and human–robot interaction.\n=== Power source ===\nMany differen","en_topic":"Robotics","wiki_pageid":20903754,"wiki_revid":1363266092,"source_url":"https://en.wikipedia.org/?curid=20903754","license":"CC BY-SA 4.0"}
{"slug":"postgresql","lang":"en","title":"PostgreSQL","text":"PostgreSQL ( POHST-gres-kew-EL), also known as Postgres, is a free and open-source relational database management system (RDBMS) emphasizing extensibility and SQL compliance. PostgreSQL features transactions with atomicity, consistency, isolation, durability (ACID) properties, automatically updatable views, materialized views, triggers, foreign keys, and stored procedures.\nIt is supported on all major operating systems, including Windows, Linux, macOS, FreeBSD, and OpenBSD, and handles a range of workloads from single machines to data warehouses, data lakes, or web services with many concurrent users.\nThe PostgreSQL Global Development Group focuses only on developing a database engine and closely related components.\nThis core is, technically, what comprises PostgreSQL itself, but there is an extensive developer community and ecosystem that provides other important feature sets that might, traditionally, be provided by a proprietary software vendor. These include special-purpose database engine features, like those needed to support a geospatial or temporal database or features which emulate other database products.\nAlso available from third parties are a wide variety of user and machine interface features, such as graphical user interfaces or load balancing and high availability toolsets.\nThe large third-party PostgreSQL support network of people, companies, products, and projects, even though not part of The PostgreSQL Development Group, are essential to the PostgreSQL database engine's adoption and use and make up the PostgreSQL ecosystem writ large.\nPostgreSQL was originally named POSTGRES, referring to its origins as a successor to the Ingres database developed at the University of California, Berkeley. In 1996, the project was renamed PostgreSQL to reflect its support for SQL. After a review in 2007, the development team decided to keep the name PostgreSQL and the alias Postgres.\n== History ==\n=== Ingres and University POSTGRES (1982–1994) ===\nPostgreSQL evol","en_topic":"PostgreSQL","wiki_pageid":23824,"wiki_revid":1365200359,"source_url":"https://en.wikipedia.org/?curid=23824","license":"CC BY-SA 4.0"}
{"slug":"sqlite","lang":"en","title":"SQLite","text":"SQLite ( \"S-Q-L-ite\", \"sequel-ite\") is a free and open-source relational database engine written in the C programming language. It is not a standalone application; rather, it is a library that software developers embed in their applications. As such, it belongs to the family of embedded databases. According to its developers, SQLite is the most widely deployed database engine, as it is used by several of the top web browsers, operating systems, mobile phones, and other embedded systems.\nMany programming languages have bindings to the SQLite library. It generally follows PostgreSQL syntax, but does not enforce type checking by default. This means that one can, for example, insert a string into a column defined as an integer. Although it is a lightweight embedded database, SQLite implements most of the SQL standard and the relational model, including transactions and ACID guarantees. However, it omits many features implemented by other databases, such as materialized views and complete support for triggers and ALTER TABLE statements.\n== History ==\nD. Richard Hipp designed SQLite in the spring of 2000 while working for General Dynamics on contract with the United States Navy. Hipp was designing software used for a damage-control system aboard guided-missile destroyers; the damage-control system originally used HP-UX with an Informix database back-end. SQLite began as a Tcl extension.\nIn August 2000, version 1.0 of SQLite was released, with storage based on gdbm (GNU Database Manager). In September 2001, SQLite 2.0 replaced gdbm with a custom B-tree implementation, adding transaction capability. In June 2004, SQLite 3.0 added internationalization, manifest typing, and other major improvements, partially funded by America Online. In 2011, Hipp announced his plans to add a NoSQL interface to SQLite, as well as announcing UnQL, a functional superset of SQL designed for document-oriented databases.\nSQLite is one of four formats recommended for long-term storage of datasets","en_topic":"SQLite","wiki_pageid":244884,"wiki_revid":1364362807,"source_url":"https://en.wikipedia.org/?curid=244884","license":"CC BY-SA 4.0"}
{"slug":"redis","lang":"en","title":"Redis","text":"Redis (; Remote Dictionary Server) is an in-memory key–value database, used as a distributed cache and message broker, with optional durability. Because it holds all data in memory and because of its design, Redis offers low-latency reads and writes, making it particularly suitable for use cases that require a cache.\nThe project was developed and maintained by Salvatore Sanfilippo, starting in 2009. From 2015 until 2020, he led a project core team sponsored by Redis Labs. Salvatore Sanfilippo left Redis as the maintainer in 2020. In 2021 Redis Labs dropped the Labs from its name and now is known simply as \"Redis\".\nIn 2018, some modules for Redis adopted a modified Apache 2.0 license with a Commons Clause. In 2024, the main Redis code switched from the open-source BSD-3 license to being dual-licensed under the Redis Source Available License v2 and the Server Side Public License v1. On May 1, 2025, Redis became tri-licensed beginning with version 8.0, with the GNU Affero General Public License as the third option.\n== History ==\nThe name Redis means Remote Dictionary Server. The Redis project began when Salvatore Sanfilippo (nicknamed antirez) was trying to improve the scalability of his Italian startup and developed a real-time web log analyzer. After encountering significant problems in scaling some types of workloads using traditional database systems, Sanfilippo began in 2009 to prototype a first proof of concept version of Redis in Tcl. Later, Sanfilippo translated that prototype to the C language and implemented the first data type, the list. After a few weeks of using the project internally with success, Sanfilippo decided to open source it, announcing the project on Hacker News. The project began to get traction, particularly among the Ruby community, with GitHub and Instagram being among the first companies adopting it.\nSanfilippo was hired by VMware in March 2010.\nIn May 2013, Redis was sponsored by Pivotal Software (a VMware spin-off).\nIn June 2015, developm","en_topic":"Redis","wiki_pageid":24956915,"wiki_revid":1363781772,"source_url":"https://en.wikipedia.org/?curid=24956915","license":"CC BY-SA 4.0"}
{"slug":"mysql","lang":"en","title":"MySQL","text":"MySQL () is a free and open-source relational database management system (RDBMS). Its name is a combination of \"My\", the name of co-founder Michael Widenius' daughter My, and \"SQL\", the acronym for Structured Query Language. A relational database organizes data into one or more data tables in which data may be related to each other; these relations help structure the data. SQL is a language that programmers use to create, modify and extract data from the relational database, as well as control user access to the database. In addition to relational databases and SQL, an RDBMS like MySQL works with an operating system to implement a relational database in a computer's storage system, manages users, allows for network access and facilitates testing database integrity and creation of backups.\nMySQL is free and open-source software under the terms of the GNU General Public License, and is also available under a variety of proprietary licenses. MySQL was owned and sponsored by the Swedish company MySQL AB, which was bought by Sun Microsystems (now Oracle Corporation). In 2010, when Oracle acquired Sun, Widenius forked the open-source MySQL project to create MariaDB.\nMySQL has stand-alone clients that allow users to interact directly with a MySQL database using SQL, but more often, MySQL is used with other programs to implement applications that need relational database capability. MySQL is a component of the LAMP web application software stack (and others), which is an acronym for Linux, Apache, MySQL, Perl/PHP/Python. MySQL is used by many database-driven web applications, including Drupal, Joomla, phpBB, and WordPress. MySQL is also used by many popular websites, including Facebook, Flickr, MediaWiki, Twitter, and YouTube.\n== Overview ==\nMySQL is written in C and C++. Its SQL parser is written in yacc, but it uses a home-brewed lexical analyzer. MySQL works on many system platforms, including AIX, BSDi, FreeBSD, HP-UX, ArcaOS, eComStation, IBM i, IRIX, Linux, macOS, Mic","en_topic":"MySQL","wiki_pageid":19545,"wiki_revid":1361716490,"source_url":"https://en.wikipedia.org/?curid=19545","license":"CC BY-SA 4.0"}
{"slug":"microsoft-sql-server","lang":"en","title":"Microsoft SQL Server","text":"Microsoft SQL Server is a proprietary relational database management system developed by Microsoft using Structured Query Language (SQL, often pronounced \"sequel\"). As a database server, it is a software product with the primary function of storing and retrieving data as requested by other software applications—which may run either on the same computer or on another computer across a network (including the Internet). Microsoft markets at least a dozen different editions of Microsoft SQL Server, aimed at different audiences and for workloads ranging from small single-machine applications to large Internet-facing applications with many concurrent users.\n== History ==\nThe history of Microsoft SQL Server begins with the first Microsoft SQL Server product—SQL Server 1.0, a 16-bit server for the OS/2 operating system in 1989—and extends to the current day. Its name is entirely descriptive, it being server software that responds to queries in the SQL language.\n=== Milestones ===\nMS SQL Server for OS/2 began as a project to port Sybase SQL Server onto OS/2 in 1989, by Sybase, Ashton-Tate, and Microsoft.\nSQL Server 4.2 for NT is released in 1993, marking the entry onto Windows NT.\nSQL Server 6.0 is released in 1995, marking the end of collaboration with Sybase; Sybase would continue developing their own variant of SQL Server, Sybase Adaptive Server Enterprise, independently of Microsoft.\nSQL Server 7.0 is released in 1998, marking the conversion of the source code from C to C++.\nSQL Server 2000, released in 2000. SQL Server 2000 SQL Server 8 SQL Server 8.0 codename Shiloh Release date: 2000-11-30.\nSQL Server 2005, released in 2005, finishes the complete revision of the old Sybase code into Microsoft code.\nSQL Server 2008, released in 2008, supports hierarchical data, adds FILESTREAM and SPATIAL data types.\nSQL Server 2012, released in 2012, adds columnar in-memory storage aka xVelocity.\nSQL Server 2017, released in 2017, adds Linux support for these Linux platforms: Red Hat","en_topic":"Microsoft SQL Server","wiki_pageid":13989994,"wiki_revid":1364589552,"source_url":"https://en.wikipedia.org/?curid=13989994","license":"CC BY-SA 4.0"}
{"slug":"mongodb","lang":"en","title":"MongoDB","text":"MongoDB is a source-available, cross-platform, document-oriented database program. Classified as a NoSQL database product, MongoDB uses JSON-like documents (called BSON) with optional schemas. Released in February 2009 by 10gen (now MongoDB Inc.), it supports features like sharding, replication, and ACID transactions (from version 4.0). MongoDB Atlas, its managed cloud service, operates on AWS, Google Cloud Platform, and Microsoft Azure. Current versions are licensed under the Server Side Public License (SSPL). MongoDB is a member of the MACH Alliance.\n== History ==\nThe American software company 10gen began developing MongoDB in 2007 as a component of a planned platform-as-a-service product. In 2009, the company shifted to an open-source development model and began offering commercial support and other services. In 2013, 10gen changed its name to MongoDB Inc.\nOn October 20, 2017, MongoDB became a publicly traded company, listed on NASDAQ as MDB with an IPO price of $24 per share.\nOn November 8, 2018, with the stable release 4.0.4, the software's license changed from AGPL 3.0 to SSPL.\nOn October 30, 2019, MongoDB teamed with Alibaba Cloud to offer Alibaba Cloud customers a MongoDB-as-a-service solution. Customers can use the managed offering from Alibaba's global data centers.\nIn December 2025, a major exploit was discovered and titled as \"MongoBleed\". This exploit led to the compromise of many corporate servers.\n== Background ==\nAs of May 2025, MongoDB was the fifth most popular database software. It focuses mostly on managing large databases of unstructured, \"messy\" data. It's typically used for mobile and web apps that commonly use unstructured databases. As of 2024, there were 50,000 MongoDB customers. MongoDB was originally best known as a NoSQL database product. The company released a database as-a-service product called Atlas in 2016 that became 70 percent of MongoDB's revenue by 2024. Over time, MongoDB added analytics, transactional databases, encryption, ve","en_topic":"MongoDB","wiki_pageid":21855450,"wiki_revid":1361850595,"source_url":"https://en.wikipedia.org/?curid=21855450","license":"CC BY-SA 4.0"}
{"slug":"apache-cassandra","lang":"en","title":"Apache Cassandra","text":"Apache Cassandra is a free and open-source database management system designed to handle large volumes of data across multiple commodity servers. The system prioritizes availability and scalability over consistency, making it particularly suited for systems with high write throughput requirements due to its LSM tree indexing storage layer. As a wide-column database, Cassandra supports flexible schemas and efficiently handles data models with numerous sparse columns. The system is optimized for applications with well-defined data access patterns that can be incorporated into the schema design. Cassandra supports computer clusters which may span multiple data centers, featuring asynchronous and masterless replication. It enables low-latency operations for all clients and incorporates Amazon's Dynamo distributed storage and replication techniques, combined with Google's Bigtable data storage engine model.\n== History ==\nAvinash Lakshman, a co-author of Amazon's Dynamo, and Prashant Malik developed Cassandra at Facebook to support the inbox search functionality. Facebook released Cassandra as open-source software on Google Code in July 2008. In March 2009, it became an Apache Incubator project and on February 17, 2010, it graduated to a top-level project.\nThe developers at Facebook named their database after Cassandra, the mythological Trojan prophetess, referencing her curse of making prophecies that were never believed.\n== Features and limitations ==\nCassandra uses a distributed architecture where all nodes perform identical functions, eliminating single points of failure. The system employs configurable replication strategies to distribute data across clusters, providing redundancy and disaster recovery capabilities. The system is capable of linear scaling, which increases read and write throughput with the addition of new nodes, while maintaining continuous service.\nCassandra is categorized as an AP (Availability and Partition Tolerance) system, emphasizing availabil","en_topic":"Apache Cassandra","wiki_pageid":18462573,"wiki_revid":1344024191,"source_url":"https://en.wikipedia.org/?curid=18462573","license":"CC BY-SA 4.0"}
{"slug":"elasticsearch","lang":"en","title":"Elasticsearch","text":"Elasticsearch is a source-available search engine developed by Elastic. It is based on Apache Lucene and provides a distributed, multitenant-capable full-text search engine with an HTTP web interface and schema-free JSON documents. Official clients are available in Java, C#, PHP, Python, Ruby, and other languages. According to the DB-Engines ranking, Elasticsearch is the most popular enterprise search engine.\nElasticsearch is distributed and uses JSON documents stored in indices divided into shards, each of which may have replicas distributed across cluster nodes. It supports full-text search, faceted search, real-time search, and multitenancy. The software is developed alongside Logstash, Kibana, and Beats as part of the Elastic Stack (formerly the ELK Stack).\n== History ==\nShay Banon created the precursor to Elasticsearch, called Compass, in 2004. Developing a third version of Compass, he concluded that a full rewrite was necessary to build a scalable, distributed search solution using JSON over HTTP as a common interface. He released the first version of Elasticsearch in February 2010.\nElastic NV was founded in 2012 to provide commercial services and products around Elasticsearch and related software. In June 2014, the company raised $70 million in a Series C funding round led by New Enterprise Associates, with additional funding from Benchmark Capital and Index Ventures, bringing total funding to $104 million.\nIn March 2015, the company changed its name from Elasticsearch to Elastic and, through the acquisition of Found, launched a managed cloud offering later known as Elastic Cloud. In November 2017, Elastic acquired the search startup Swiftype, whose technology became the basis for Elastic App Search and Elastic Site Search. Elastic also formed partnerships with Google to offer Elastic Cloud on Google Cloud Platform and with Alibaba to offer Elasticsearch and Kibana on Alibaba Cloud.\nIn June 2018, Elastic filed for an initial public offering with an estimated ","en_topic":"Elasticsearch","wiki_pageid":33179123,"wiki_revid":1361966781,"source_url":"https://en.wikipedia.org/?curid=33179123","license":"CC BY-SA 4.0"}
{"slug":"apache-kafka","lang":"en","title":"Apache Kafka","text":"Apache Kafka is a distributed event store and stream-processing platform. It is an open-source system developed by the Apache Software Foundation written in Java and Scala. The project aims to provide a unified, high-throughput, low-latency platform for handling real-time data feeds. Kafka can connect to external systems (for data import/export) via Kafka Connect, and provides the Kafka Streams libraries for stream processing applications. Kafka uses a binary TCP-based protocol that is optimized for efficiency and relies on a \"message set\" abstraction that naturally groups messages together to reduce the overhead of the network roundtrip. This \"leads to larger network packets, larger sequential disk operations, contiguous memory blocks [...] which allows Kafka to turn a bursty stream of random message writes into linear writes.\"\n== History ==\nKafka was originally developed at LinkedIn, and was subsequently open sourced in early 2011. Jay Kreps, Neha Narkhede and Jun Rao helped co-create Kafka. Graduation from the Apache Incubator occurred on 23 October 2012. Jay Kreps chose to name the software after the author Franz Kafka because it is \"a system optimized for writing\", and he liked Kafka's work.\n== Operation ==\nApache Kafka is a distributed log-based messaging system that guarantees ordering within individual partitions rather than across the entire topic. Unlike queue-based systems, Kafka retains messages in a durable, append-only log, allowing multiple consumers to read at different offsets. Kafka uses manual offset management, giving consumers control over retries and failure handling. If a consumer fails to process a message, it can delay committing the offset, preventing further progress in that partition while other partitions remain unaffected. This partition-based design enables fault isolation and parallel processing while allowing ordering to be maintained within partitions, depending on consumer handling.\nIn 2025, Apache Kafka introduced \"Queues for Kaf","en_topic":"Apache Kafka","wiki_pageid":41321945,"wiki_revid":1352523376,"source_url":"https://en.wikipedia.org/?curid=41321945","license":"CC BY-SA 4.0"}
{"slug":"kubernetes","lang":"en","title":"Kubernetes","text":"Kubernetes (), also known as K8s, is an open-source container orchestration system for automating software deployment, scaling, and management. Originally designed by Google, the project is now maintained by a worldwide community of contributors, and the trademark is held by the Cloud Native Computing Foundation.\nThe name Kubernetes comes from the Ancient Greek term κυβερνήτης, kubernḗtēs (helmsman, pilot), which is also the origin of the words cybernetics and (through Latin) governor. \"Kubernetes\" is often abbreviated with the numerical contraction \"K8s\", meaning \"the letter K, followed by 8 letters, followed by s\".\nKubernetes assembles one or more computers, either virtual machines or bare metal, into a cluster which can run workloads in containers. It works with various container runtimes, such as containerd and CRI-O. Its suitability for running and managing workloads of all sizes and styles has led to its widespread adoption in clouds and data centers. There are multiple distributions of this platform—from independent software vendors (ISVs) as well as hosted-on-cloud offerings from all the major public cloud vendors.\nThe software consists of a control plane and nodes on which the actual applications run. It includes tools like kubeadm and kubectl which can be used to interact with its REST-based API.\n== History ==\nKubernetes was announced by Google on June 6, 2014. The project was conceived and created by Google employees Joe Beda, Brendan Burns, and Craig McLuckie. Others at Google soon joined to help build the project including Ville Aikas, Dawn Chen, Brian Grant, Tim Hockin, and Daniel Smith. Other companies such as Red Hat and CoreOS joined the effort soon after, with notable contributors such as Clayton Coleman and Kelsey Hightower.\nThe design and development of Kubernetes was inspired by Google's Borg cluster manager and based on Promise Theory. Many of its top contributors had previously worked on Borg; they codenamed Kubernetes \"Project 7\" after the St","en_topic":"Kubernetes","wiki_pageid":43291963,"wiki_revid":1363068979,"source_url":"https://en.wikipedia.org/?curid=43291963","license":"CC BY-SA 4.0"}
{"slug":"docker","lang":"en","title":"Docker (software)","text":"Docker is a set of products that uses operating system-level virtualization to deliver software in packages called containers. Docker automates the deployment of applications within lightweight containers, enabling them to run consistently across different computing environments.\nThe core software that runs and manages these containers is called Docker Engine. Docker was first released in 2013 and continues to be developed by Docker, Inc. The platform includes both free and paid tiers.\n== History ==\nSolomon Hykes started the Docker project in France as an internal project within dotCloud, a platform-as-a-service company.\ndotCloud Inc. was founded by Kamel Founadi, Hykes, and Sebastien Pahl during the Y Combinator Summer 2010 startup incubator group and launched in 2011, and renamed to Docker Inc in 2013.\nDocker debuted to the public in Santa Clara at PyCon in 2013. It was released as open-source in March 2013. At the time, it used LXC as its default execution environment. One year later, with the release of version 0.9, Docker replaced LXC with its own component, libcontainer, which was written in the Go programming language.\nIn 2017, Docker created the Moby project for open research and development. In March 2026, the Communications of the ACM featured Docker as the cover article in a retrospective article of the past decade.\n=== Adoption ===\nSeptember 19, 2013: Red Hat and Docker announced a collaboration around Fedora, Red Hat Enterprise Linux (RHEL), and OpenShift.\nOctober 15, 2014: Microsoft announced the integration of the Docker engine into Windows Server, as well as native support for the Docker client role in Windows.\nNovember 2014: Docker container services were announced for the Amazon Elastic Compute Cloud (EC2).\nNovember 10, 2014: Docker announced a partnership with Stratoscale.\nDecember 4, 2014: IBM announced a strategic partnership with Docker that enables Docker to integrate more closely with the IBM Cloud.\nJune 22, 2015: Docker and several other com","en_topic":"Docker (software)","wiki_pageid":40149201,"wiki_revid":1362372495,"source_url":"https://en.wikipedia.org/?curid=40149201","license":"CC BY-SA 4.0"}
{"slug":"nosql","lang":"en","title":"NoSQL","text":"NoSQL (a colloquial title that became formal, meaning \"not only SQL\" or \"non-relational\") refers to a type of database design that stores and retrieves data differently from the traditional table-based structure of relational databases. Unlike relational databases, which organize data into rows and columns like a spreadsheet, NoSQL databases use a single data structure—such as key–value pairs, wide columns, graphs, or documents—to hold information. Since this non-relational design does not require a fixed schema, it scales easily to manage large, often unstructured datasets. NoSQL systems are sometimes called \"Not only SQL\" because they can support SQL-like query languages or work alongside SQL databases in polyglot-persistent setups, where multiple database types are combined. Non-relational databases date back to the late 1960s, but the term \"NoSQL\" emerged in the early 2000s, spurred by the needs of Web 2.0 companies like social media platforms.\nNoSQL databases are popular in big data and real-time web applications due to their simple design, ability to scale across clusters of machines (called horizontal scaling), and precise control over data availability. These structures can speed up certain tasks and are often considered more adaptable than fixed database tables. However, many NoSQL systems prioritize speed and availability over strict consistency (per the CAP theorem), using eventual consistency—where updates reach all nodes eventually, typically within milliseconds, but may cause brief delays in accessing the latest data, known as stale reads. While most lack full ACID transaction support, some, like MongoDB, include it as a key feature.\n== Barriers to adoption ==\nBarriers to wider NoSQL adoption include their use of low-level query languages instead of SQL, inability to perform ad hoc joins across tables, lack of standardized interfaces, and significant investments already made in relational databases. Some NoSQL systems risk losing data through lost writ","en_topic":"NoSQL","wiki_pageid":23968131,"wiki_revid":1357603487,"source_url":"https://en.wikipedia.org/?curid=23968131","license":"CC BY-SA 4.0"}
{"slug":"relational-database","lang":"en","title":"Relational database","text":"A relational database (RDB) is a database based on the relational model of data, as proposed by E. F. Codd in 1970.\nA Relational Database Management System (RDBMS) is a type of database management system that stores data in a structured format using rows and columns.\nMany relational database systems are equipped with the option of using SQL (Structured Query Language) for querying and updating the database.\n== History ==\nThe concept of relational database was defined by E. F. Codd at IBM in 1970. Codd introduced the term relational in his research paper \"A Relational Model of Data for Large Shared Data Banks\". In this paper and later papers, he defined what he meant by relation. One well-known definition of what constitutes a relational database system is composed of Codd's 12 rules.\nHowever, no commercial implementations of the relational model conform to all of Codd's rules, so the term has gradually come to describe a broader class of database systems, which at a minimum:\nPresent the data to the user as relations (a presentation in tabular form, i.e. as a collection of tables with each table consisting of a set of rows and columns);\nProvide relational operators to manipulate the data in tabular form.\nIn 1974, IBM began developing System R, a research project to develop a prototype RDBMS.\nThe first system sold as an RDBMS was Multics Relational Data Store (June 1976). Oracle was released in 1979 by Relational Software, now Oracle Corporation. Ingres and IBM BS12 followed. Other examples of an RDBMS include IBM Db2, SAP Sybase ASE, and Informix. In 1984, the first RDBMS for Macintosh began being developed, code-named Silver Surfer, and was released in 1987 as 4th Dimension and known today as 4D.\nThe first systems that were relatively faithful implementations of the relational model were from:\nUniversity of Michigan – Micro DBMS (1969)\nMassachusetts Institute of Technology (1971)\nIBM UK Scientific Centre at Peterlee – IS1 (1970–72), and its successor, PRTV (1973–79","en_topic":"Relational database","wiki_pageid":25873,"wiki_revid":1366002053,"source_url":"https://en.wikipedia.org/?curid=25873","license":"CC BY-SA 4.0"}
{"slug":"database-transaction","lang":"en","title":"Database transaction","text":"A database transaction symbolizes a unit of work, performed within a database management system (or similar system) against a database, that is treated in a coherent and reliable way independent of other transactions. A transaction generally represents any change in a database. Transactions in a database environment have two main purposes:\nTo provide reliable units of work that allow correct recovery from failures and keep a database consistent even in cases of system failure. For example: when execution prematurely and unexpectedly stops (completely or partially) in which case many operations upon a database remain uncompleted, with unclear status.\nTo provide isolation between programs accessing a database concurrently. If this isolation is not provided, the programs' outcomes are possibly erroneous.\nIn a database management system, a transaction is a single unit of logic or work, sometimes made up of multiple operations. Any logical calculation done in a consistent mode in a database is known as a transaction. One example is a transfer from one bank account to another: the complete transaction requires subtracting the amount to be transferred from one account and adding that same amount to the other.\nA database transaction, by definition, must be atomic (it must either be complete in its entirety or have no effect whatsoever), consistent (it must conform to existing constraints in the database), isolated (it must not affect other transactions) and durable (it must get written to persistent storage). Database practitioners often refer to these properties of database transactions using the acronym ACID.\n== Purpose ==\nDatabases and other data stores which treat the integrity of data as paramount often include the ability to handle transactions to maintain the integrity of data. A single transaction consists of one or more independent units of work, each reading and/or writing information to a database or other data store. When this happens it is often important to en","en_topic":"Database transaction","wiki_pageid":233953,"wiki_revid":1324566144,"source_url":"https://en.wikipedia.org/?curid=233953","license":"CC BY-SA 4.0"}
{"slug":"database-normalization","lang":"en","title":"Database normalization","text":"Database normalization is the process of structuring a relational database in accordance with a series of normal forms to reduce data redundancy and improve data integrity. It was first proposed by British computer scientist Edgar F. Codd as part of his relational model.\nNormalization entails organizing the columns (attributes) and tables (relations) of a database to ensure that their dependencies are properly enforced by database integrity constraints. It is accomplished by applying some formal rules either by a process of synthesis (creating a new database design) or decomposition (improving an existing database design).\n== Objectives ==\nA basic objective of the first normal form defined by Codd in 1970 was to permit data to be queried and manipulated using a \"universal data sub-language\" grounded in first-order logic. An example of such a language is SQL, though it is one that Codd regarded as seriously flawed.\nThe objectives of normalization beyond 1NF (first normal form) were stated by Codd as:\nTo free the collection of relations from undesirable insertion, update and deletion dependencies.\nTo reduce the need for restructuring the collection of relations, as new types of data are introduced, and thus increase the life span of application programs.\nTo make the relational model more informative to users.\nTo make the collection of relations neutral to the query statistics, where these statistics are liable to change as time goes by.\nWhen an attempt is made to modify (update, insert into, or delete from) a relation, the following undesirable side effects may arise in relations that have not been sufficiently normalized:\nInsertion anomaly\nThere are circumstances in which certain facts cannot be recorded at all. For example, each record in a \"Faculty and Their Courses\" relation might contain a Faculty ID, Faculty Name, Faculty Hire Date, and Course Code. Therefore, the details of any faculty member who teaches at least one course can be recorded, but a newly hired fa","en_topic":"Database normalization","wiki_pageid":8640,"wiki_revid":1361644936,"source_url":"https://en.wikipedia.org/?curid=8640","license":"CC BY-SA 4.0"}
{"slug":"b-tree","lang":"en","title":"B-tree","text":"In computer science, a B-tree is a self-balancing tree data structure that maintains sorted data and allows searches, sequential access, insertions, and deletions in logarithmic time. The B-tree generalizes the binary search tree, allowing nodes to have more than two children.\nBy allowing more children under one node than a regular self-balancing binary search tree, the B-tree reduces the height of the tree and puts the data in fewer separate blocks. This is especially important for trees stored in secondary storage (e.g., disk drives), as these systems have relatively high latency and work with relatively large blocks of data, hence the B-tree's use in databases and file systems. This remains a major advantage when the tree is stored in memory, as modern computer systems rely heavily on CPU caches. Compared to reading from the cache, reading from memory after a cache miss costs significant time.\n== History ==\nWhile working at Boeing Research Labs, Rudolf Bayer and Edward M. McCreight invented B-trees to efficiently manage index pages for large random-access files. Their basic assumption was that indices would be so voluminous that only small chunks of the tree could fit in the main memory. Bayer and McCreight's paper Organization and maintenance of large ordered indices was first circulated in July 1970 and later published in Acta Informatica.\nBayer and McCreight never explained what, if anything, the B stands for; Boeing, balanced, between, broad, bushy, and Bayer have been suggested. When asked, \"I want to know what B in B-Tree stands for,\" McCreight answered:Everybody does!\nSo you just have no idea what a lunchtime conversation can turn into. So there we were, Rudy and I, at lunch. We had to give the thing a name.... We were working for Boeing at the time, but we couldn't use the name without talking to the lawyers. So there's a B.\nIt has to do with Balance. There's another B.\nRudy was the senior author. Rudy (Bayer) was several years older than I am, and had...","en_topic":"B-tree","wiki_pageid":4674,"wiki_revid":1364823753,"source_url":"https://en.wikipedia.org/?curid=4674","license":"CC BY-SA 4.0"}
{"slug":"json","lang":"en","title":"JSON","text":"JSON (JavaScript Object Notation, pronounced or ) is an open standard file format and data interchange format that uses human-readable text to store and transmit data objects consisting of name–value pairs and arrays (or other serializable values). It is a commonly used data format with diverse uses in electronic data interchange, including that of web applications with servers.\nJSON is a programming language-independent data format. It was derived from JavaScript, but many modern programming languages include code to generate and parse JSON-format data. JSON filenames use the extension .json.\nDouglas Crockford originally specified the JSON format in the early 2000s. They and Chip Morningstar sent the first JSON message in April 2001.\n== Naming and pronunciation ==\nThe 2017 international standard (ECMA-404 and ISO/IEC 21778:2017) specifies that \"JSON\" is \"pronounced , as in 'Jason and The Argonauts'\". The first (2013) edition of ECMA-404 did not address the pronunciation. Crockford said in 2011, \"There's a lot of argument about how you pronounce that, but I strictly don't care.\"\n is another common pronunciation.\n== Standards ==\nAfter RFC 4627 had been available as its \"informational\" specification since 2006, JSON was first standardized in 2013, as ECMA-404. RFC 8259, published in 2017, is the current version of the Internet Standard STD 90, and it remains consistent with ECMA-404. That same year, JSON was also standardized as ISO/IEC 21778:2017. The ECMA and ISO/IEC standards describe only the allowed syntax, whereas the RFC covers some security and interoperability considerations.\n== History ==\nJSON grew out of a need for a real-time server-to-browser session communication protocol without using browser plugins such as Flash or Java applets, the dominant methods used in the early 2000s.\nCrockford first specified and popularized the JSON format. The acronym originated at State Software, a company cofounded by Crockford and others in March 2001. The cofounders agr","en_topic":"JSON","wiki_pageid":1575082,"wiki_revid":1363949907,"source_url":"https://en.wikipedia.org/?curid=1575082","license":"CC BY-SA 4.0"}
{"slug":"graphql","lang":"en","title":"GraphQL","text":"GraphQL is a data query and manipulation language that allows specifying what data is to be retrieved (\"declarative data fetching\") or modified. A GraphQL server can process a client query using data from separate sources and present the results in a unified graph. The language is not tied to any specific database or storage engine. There are several open-source runtime engines for GraphQL.\n== History ==\nFacebook started GraphQL development in 2012 and released a draft specification and reference implementation as open source in 2015. In 2018, GraphQL was moved to the newly established GraphQL Foundation, hosted by the non-profit Linux Foundation.\nOn February 9, 2018, the GraphQL Schema Definition Language became part of the specification.\nMany popular public APIs adopted GraphQL as the default way to access them. These include public APIs of Facebook, GitHub, Yelp, Shopify, Google Directions API and many others.\nThere is an annual GraphQL Conference featuring new developments of the protocol and organizations successfully using GraphQL. The event is hosted by the GraphQL Foundation with previous organizers incl. Prisma, Hygraph, Commercetools.\n== Design ==\nGraphQL supports reading, writing (mutating), and subscribing to changes to data (realtime updates – commonly implemented using WebSockets). A GraphQL service is created by defining types with fields, then providing functions to resolve the data for each field. The types and fields make up what is known as the schema definition. The functions that retrieve and map the data are called resolvers.\nAfter being validated against the schema, a GraphQL query is executed by the server. The server returns a result that mirrors the shape of the original query, typically as JSON.\n=== Type system ===\nWith GraphQL, a business domain is modeled as a graph by defining a schema; within this schema, different types of nodes and their relations are defined.\nThe GraphQL type system describes what data can be queried from the API. T","en_topic":"GraphQL","wiki_pageid":50353761,"wiki_revid":1357430493,"source_url":"https://en.wikipedia.org/?curid=50353761","license":"CC BY-SA 4.0"}
{"slug":"https","lang":"en","title":"HTTPS","text":"Hypertext Transfer Protocol Secure (HTTPS) is an extension of the Hypertext Transfer Protocol (HTTP). It uses encryption for secure communication over a computer network, and is widely used on the Internet. In HTTPS, the communication protocol is encrypted using Transport Layer Security (TLS) or, formerly, Secure Sockets Layer (SSL). The protocol is therefore also referred to as HTTP over TLS, or HTTP over SSL.\nThe principal motivations for HTTPS are authentication of the accessed website and protection of the privacy and integrity of the exchanged data while it is in transit. It protects against man-in-the-middle attacks, and the bidirectional block cipher encryption of communications between a client and server protects the communications against eavesdropping and tampering. The authentication aspect of HTTPS requires a trusted third party to sign server-side digital certificates. This was historically an expensive operation, which meant fully authenticated HTTPS connections were usually found only on secured payment transaction services and other secured corporate information systems on the World Wide Web. In 2016, a campaign by the Electronic Frontier Foundation with the support of web browser developers led to the protocol becoming more prevalent. HTTPS has since 2018 been used more often by web users than non-secure HTTP, primarily to protect page authenticity on all types of websites, secure accounts, and keep user communications, identity, and web browsing private.\n== Overview ==\nThe Uniform Resource Identifier (URI) scheme HTTPS has identical usage syntax to the HTTP scheme. However, HTTPS signals the browser to use an added encryption layer of SSL/TLS to protect the traffic. SSL/TLS is especially suited for HTTP, since it can provide some protection even if only one side of the communication is authenticated. This is the case with HTTP transactions over the Internet, where typically only the server is authenticated (by the client examining the server's cer","en_topic":"HTTPS","wiki_pageid":13586,"wiki_revid":1365932929,"source_url":"https://en.wikipedia.org/?curid=13586","license":"CC BY-SA 4.0"}
{"slug":"transmission-control-protocol","lang":"en","title":"Transmission Control Protocol","text":"The Transmission Control Protocol (TCP) is one of the main protocols of the Internet protocol suite, providing reliable, ordered, and error-checked delivery of a stream of octets (bytes) between applications running on hosts communicating via an IP network. It originated in the initial network implementation in which it complemented the Internet Protocol (IP). Therefore, the entire suite is commonly referred to as TCP/IP.\nMajor internet applications such as the World Wide Web, email, remote administration, file transfer and streaming media rely on TCP, which is part of the transport layer of the TCP/IP suite. SSL/TLS often runs on top of TCP. Today, TCP remains a core protocol for most Internet communication, ensuring reliable data transfer across diverse networks.\nTCP is connection-oriented, meaning that sender and receiver first need to establish a connection based on agreed parameters; they do this through a three-way handshake procedure. The server must be listening (passive open) for connection requests from clients before a connection is established. The three-way handshake (active open), retransmission, and error detection add to reliability but lengthen latency. Applications that do not require reliable data stream service may use the User Datagram Protocol (UDP) instead, which provides a connectionless datagram service that prioritizes time over reliability. TCP employs network congestion avoidance. However, there are vulnerabilities in TCP, including denial of service, connection hijacking, TCP veto, and reset attack.\n== Historical origin ==\nIn May 1974, Vint Cerf and Bob Kahn described an internetworking protocol for sharing resources using packet switching among network nodes. The authors had been working with Gérard Le Lann to incorporate concepts from the French CYCLADES project into the new network. The specification of the resulting protocol, RFC 675 (Specification of Internet Transmission Control Program), was written by Vint Cerf, Yogen Dalal, and ","en_topic":"Transmission Control Protocol","wiki_pageid":30538,"wiki_revid":1362922083,"source_url":"https://en.wikipedia.org/?curid=30538","license":"CC BY-SA 4.0"}
{"slug":"load-balancing","lang":"en","title":"Load balancing (computing)","text":"In computing, load balancing is the process of distributing a set of tasks over a set of resources (computing units) with the aim of making their overall processing more efficient. Load balancing can optimize response time and avoid unevenly overloading some compute nodes while other compute nodes are left idle.\nLoad balancing is the subject of research in the field of parallel computers. Two main approaches exist: static algorithms, which do not take into account the state of the different machines, and dynamic algorithms, which are usually more general and more efficient but require exchanges of information between the different computing units, at the risk of a loss of efficiency.\n== Problem overview ==\nA load-balancing algorithm always tries to answer a specific problem. Among other things, the nature of the tasks, the algorithmic complexity, the hardware architecture on which the algorithms will run as well as required error tolerance, must be taken into account. Therefore compromise must be found to best meet application-specific requirements.\n=== Nature of tasks ===\nThe efficiency of load balancing algorithms critically depends on the nature of the tasks. Therefore, the more information about the tasks is available at the time of decision making, the greater the potential for optimization.\n==== Size of tasks ====\nPerfect knowledge of the execution time of each of the tasks allows to reach an optimal load distribution (see algorithm of prefix sum). Unfortunately, this is in fact an idealized case. Knowing the exact execution time of each task is an extremely rare situation.\nFor this reason, there are several techniques to get an idea of the different execution times. First of all, when tasks are relatively homogeneous size, it is possible to consider that each of them will require approximately the average execution time. If, on the other hand, the execution time is considerably irregular, other techniques may be used. One technique is to add some metadata to ","en_topic":"Load balancing (computing)","wiki_pageid":61118,"wiki_revid":1360786043,"source_url":"https://en.wikipedia.org/?curid=61118","license":"CC BY-SA 4.0"}
{"slug":"nginx","lang":"en","title":"Nginx","text":"nginx (pronounced \"engine x\" EN-jin-EKS, stylized as NGINX) is a web server that can also be used as a reverse proxy, load balancer, mail proxy and HTTP cache. The software was created by Russian developer Igor Sysoev and publicly released in 2004. nginx is free and open-source software, released under the terms of the 2-clause BSD license. A large fraction of web servers use nginx, often as a load balancer.\nA company of the same name (Nginx, Inc.) was founded in 2011 to provide support and NGINX Plus paid software. In March 2026, the company was acquired by F5 for $670 million.\n== Popularity ==\nAs of April 2025, W3Tech's web server count of all web sites ranked nginx first with 33.8%. Apache was second at 26.4% and Cloudflare Server third at 23.4%. As of March 2020, Netcraft estimated that nginx served 20.11% of the million busiest websites with Cloudflare a little ahead at 22.99%. Apache at 17.83% and Microsoft Internet Information Services at 4.16% rounded out the top four servers for the busiest websites. Some of Netcraft's other statistics show nginx ahead of Apache.\nA 2018 survey of Docker usage found that nginx was the most commonly deployed technology in Docker containers. In OpenBSD version 5.2 (November 2012), nginx became part of the OpenBSD base system, providing an alternative to the system's fork of Apache 1.3, which it was intended to replace, but later in version 5.7 (November 2014) it was removed in favor of OpenBSD's own httpd(8).\n== Features ==\nnginx may be configured to serve static web content or to act as a proxy server.\nnginx can be deployed to also serve dynamic content on the network using FastCGI, SCGI handlers for scripts, WSGI application servers or Phusion Passenger modules, and can serve as a software load balancer.\nnginx uses an asynchronous event-driven approach, rather than threads, to handle requests. Nginx's modular event-driven architecture can provide predictable performance under high loads.\n=== HTTP proxy and Web server feat","en_topic":"Nginx","wiki_pageid":10494974,"wiki_revid":1366331783,"source_url":"https://en.wikipedia.org/?curid=10494974","license":"CC BY-SA 4.0"}
{"slug":"cache","lang":"en","title":"Cache (computing)","text":"In computing, a cache ( KASH) is a hardware or software component that stores data so that future requests for that data can be served faster; the data stored in a cache might be the result of an earlier computation or a copy of data stored elsewhere. A cache hit occurs when the requested data can be found in a cache, while a cache miss occurs when it cannot. Cache hits are served by reading data from the cache, which is faster than recomputing a result or reading from a slower data store; thus, the more requests that can be served from the cache, the faster the system performs.\nTo be cost-effective, caches must be relatively small. Nevertheless, caches are effective in many areas of computing because typical computer applications access data with a high degree of locality of reference. Such access patterns exhibit temporal locality, where data is requested that has been recently requested, and spatial locality, where data is requested that is stored near data that has already been requested.\n== Motivation ==\nIn memory design, there is an inherent trade-off between capacity and speed because larger capacity implies larger size and thus greater physical distances for signals to travel causing propagation delays. There is also a tradeoff between high-performance technologies such as SRAM and cheaper, easily mass-produced commodities such as DRAM, flash, or hard disks.\nThe buffering provided by a cache benefits one or both of latency and throughput (bandwidth).\nA larger resource incurs a significant latency for access – e.g. it can take hundreds of clock cycles for a modern 4 GHz processor to reach DRAM. This is mitigated by reading large chunks into the cache, in the hope that subsequent reads will be from nearby locations and can be read from the cache. Prediction or explicit prefetching can be used to guess where future reads will come from and make requests ahead of time; if done optimally, the latency is bypassed altogether.\nThe use of a cache also allows for hig","en_topic":"Cache (computing)","wiki_pageid":6829,"wiki_revid":1365128034,"source_url":"https://en.wikipedia.org/?curid=6829","license":"CC BY-SA 4.0"}
{"slug":"os-level-virtualization","lang":"en","title":"OS-level virtualization","text":"OS-level virtualization is an operating system (OS) virtualization paradigm in which the kernel allows the existence of multiple isolated user space instances, including containers (LXC, Solaris Containers, AIX WPARs, HP-UX SRP Containers, Docker, Podman, Guix), zones (Solaris Containers), virtual private servers (OpenVZ), partitions, virtual environments (VEs), virtual kernels (DragonFly BSD), and jails (FreeBSD jail and chroot). Such instances may look like real computers from the point of view of programs running in them. A computer program running on an ordinary operating system can see all resources (connected devices, files and folders, network shares, CPU power, quantifiable hardware capabilities) of that computer. Programs running inside a container can only see the container's contents and devices assigned to the container.\nOn Unix-like operating systems, this feature can be seen as an advanced implementation of the standard chroot mechanism, which changes the apparent root folder for the current running process and its children. In addition to isolation mechanisms, the kernel often provides resource-management features to limit the impact of one container's activities on other containers. Linux containers are all based on the virtualization, isolation, and resource management mechanisms provided by the Linux kernel, notably Linux namespaces and cgroups.\nAlthough the word container most commonly refers to OS-level virtualization, it is sometimes used to refer to fuller virtual machines operating in varying degrees of concert with the host OS, such as Microsoft's Hyper-V containers. For an overview of virtualization since 1960, see Timeline of virtualization technologies.\n== Operation ==\nOn ordinary operating systems for personal computers, a computer program can see (even though it might not be able to access) all the system's resources. They include:\nHardware capabilities that can be employed, such as the CPU and the network connection\nData that can be rea","en_topic":"OS-level virtualization","wiki_pageid":2770340,"wiki_revid":1365178320,"source_url":"https://en.wikipedia.org/?curid=2770340","license":"CC BY-SA 4.0"}
{"slug":"devops","lang":"en","title":"DevOps","text":"DevOps is the integration and automation of software development and information technology operations. DevOps encompasses the tasks necessary for software development and can lead to both shortening development time and improving the development life cycle. According to American software architect Neal Ford, DevOps, particularly through continuous delivery, employs the \"bring the pain forward\" principle by tackling challenging tasks early, fostering automation, and enabling swift issue detection.\nAlthough debated, DevOps is generally characterized by three key principles: shared ownership, workflow automation, and rapid feedback.\nFrom an academic perspective, Len Bass, Ingo Weber, and Liming Zhu—three computer science researchers from the CSIRO and the Software Engineering Institute—defined DevOps as \"a set of practices intended to reduce the time between committing a change to a system and the change being placed into normal production, while ensuring high quality\".\nHowever, the term is used in multiple contexts. At its most successful, DevOps is a combination of specific practices, culture change, and tools.\n== History ==\nProposals to combine software development methodologies with deployment and operations concepts first appeared in the late 80s and early 90s.\nIn 2009, the first DevOps Days conference was held in Ghent, Belgium. The conference was founded by Belgian IT consultant and practitioner Patrick Debois. The conference has now spread to other countries.\nIn 2012, the first \"State of DevOps\" report was published by Alanna Brown at Puppet Labs.\nIn 2016, the DORA metrics for throughput (deployment frequency, lead time for changes), and stability (mean time to recover, change failure rate) were published in that year's State of DevOps report. However, the research methodology and metrics were criticized by some experts. In response to these criticisms, the 2023 State of DevOps report published changes that updated the stability metric \"mean time to recover\" t","en_topic":"DevOps","wiki_pageid":27488100,"wiki_revid":1362982395,"source_url":"https://en.wikipedia.org/?curid=27488100","license":"CC BY-SA 4.0"}
{"slug":"microsoft-azure","lang":"en","title":"Microsoft Azure","text":"Microsoft Azure, sometimes stylized Azure, and formerly Windows Azure, is the cloud computing platform developed by Microsoft. It offers management, access and development of applications and services to individuals, companies, and governments through its global infrastructure. Microsoft Azure supports multiple programming languages, tools, and frameworks, including Microsoft-specific and third-party software and systems.\nAzure was first introduced at the Professional Developers Conference (PDC) in October 2008 under the code name \"Project Red Dog\". It was officially launched as Windows Azure in February 2010 and later renamed to Microsoft Azure on March 25, 2014.\n== Services ==\nMicrosoft Azure uses large-scale virtualization at Microsoft data centers worldwide and offers more than 600 services. Microsoft Azure offers a service level agreement (SLA) that guarantees 99.9% availability for applications and data hosted on its platform, subject to specific terms and conditions outlined in the SLA documentation.\n=== Computer services ===\nVirtual machines, infrastructure as a service (IaaS), allowing users to launch general-purpose Microsoft Windows and Linux virtual machines, software as a service (SaaS), as well as preconfigured machine images for popular software packages.\nStarting in 2022, these virtual machines are now powered by Ampere Cloud-native processors.\nMost users run Linux on Azure, some of the many Linux distributions offered, including Microsoft's own Linux-based Azure Sphere.\nApp services, a platform as a service (PaaS) environment for publishing and managing websites.\nAzure Web Apps, formerly Azure Web Sites, allows developers to build and deploy websites using various programming languages and deployment tools. This PaaS feature was announced in June 2012 and renamed in April 2015.\nWeb Jobs are applications that can be deployed to an App Service environment to implement background processing that can be invoked on a schedule, on-demand, or run continuou","en_topic":"Microsoft Azure","wiki_pageid":19961416,"wiki_revid":1364455231,"source_url":"https://en.wikipedia.org/?curid=19961416","license":"CC BY-SA 4.0"}
{"slug":"git","lang":"en","title":"Git","text":"Git ( ) is a distributed version control software system that is capable of managing versions of source code or data. It is often used to control source code by programmers who are developing software collaboratively. It was originally created by Linus Torvalds for version control in the development of the Linux kernel.\nDesign goals of Git include speed, data integrity, and support for distributed, non-linear workflows—thousands of parallel branches running on different computers.\nAs with most other distributed version control systems, and unlike most client–server systems, Git maintains a local copy of the entire repository, also known as the \"repo\", with history and version-tracking abilities, independent of network access or a central server. A repository is stored on each computer in a standard directory with additional, hidden files to provide version control capabilities. Git provides features to synchronize changes between repositories that share history; for asynchronous collaboration, this extends to repositories on remote machines. Although all repositories (with the same history) are peers, developers often use a central server to host a repository to hold an integrated copy.\nToday, Git is the version control system most commonly used by software developers. It is the most popular distributed version control system, with nearly 95% of developers reporting it as their primary version control system as of 2022. It is the most widely used source-code management tool among professional developers. Several different software forges offer Git repository services, including GitHub, SourceForge, Bitbucket and GitLab.\nGit is free and open-source software shared under the GPL-2.0-only license.\nThe trademark \"Git\" is registered by the Software Freedom Conservancy.\n== History ==\nTorvalds started developing Git in April 2005 after the free license for BitKeeper, the proprietary source-control management (SCM) system used for Linux kernel development since 2002, was re","en_topic":"Git","wiki_pageid":1771747,"wiki_revid":1366321617,"source_url":"https://en.wikipedia.org/?curid=1771747","license":"CC BY-SA 4.0"}
{"slug":"linux","lang":"en","title":"Linux","text":"Linux ( LIN-uuks) is a family of free and open-source software Unix-like operating systems based on the Linux kernel, which was first released on 17 September 1991 by Linus Torvalds. Some members of the family are typically packaged as a distribution (a.k.a. distro), which includes the kernel alongside supporting system software and libraries developed by third parties—such as GNU, Red Hat, and X.Org—to create a complete operating system; however, not all Linux-based operating systems are considered distros, with Android being an example. Linux was originally designed as a clone of Unix and is distributed under the copyleft GPL license.\nThere are many thousands of Linux distributions, many based directly or indirectly on other distributions; popular Linux distros include Debian, Fedora Linux, Linux Mint, Arch Linux, and Ubuntu, while commercial distributions include Red Hat Enterprise Linux, SUSE Linux Enterprise, and ChromeOS. Linux distributions are frequently used in server platforms. Many Linux distributions use the word \"Linux\" in their name, but the Free Software Foundation uses and recommends the name \"GNU/Linux\", to emphasize the use and importance of GNU software in many distributions. There is controversy surrounding this. Other than the Linux kernel, key components that make up a distribution may include a display server (windowing system), a package manager, a bootloader, and a Unix shell.\nLinux is one of the most prominent examples of free and open-source software collaboration. The Linux kernel is considered by many to be the largest free and open source project. While originally developed for x86-based personal computers, it has since been ported to more platforms than any other operating system, When combined with Android, which uses a Linux-based kernel and is designed for smartphones, they have the largest installed base of all general-purpose operating systems.\n== Overview ==\nThe Linux kernel was created by Linus Torvalds, following the lack of a ","en_topic":"Linux","wiki_pageid":6097297,"wiki_revid":1366428429,"source_url":"https://en.wikipedia.org/?curid=6097297","license":"CC BY-SA 4.0"}
{"slug":"python","lang":"en","title":"Python (programming language)","text":"Python is a high-level, general-purpose programming language that emphasizes code readability, simplicity, and ease-of-writing with the use of significant indentation, an extensive (\"batteries-included\") standard library, and garbage collection. Python supports multiple programming paradigms but with an emphasis on object-oriented programming and dynamic typing.\nGuido van Rossum began working on Python in the late 1980s as a successor to the ABC programming language. Python 3.0, released in 2008, was a major revision and not completely backward-compatible with earlier versions. Beginning with Python 3.5, capabilities and keywords for typing were added to the language, allowing optional static typing. As of 2026, the Python Software Foundation supports Python 3.10, 3.11, 3.12, 3.13, and 3.14, following the project's annual release cycle and five-year support policy. Python 3.15 is currently in the beta development phase, and the stable release is expected to launch in October 2026. Earlier versions in the 3.x series have reached end-of-life and no longer receive security updates.\nPython is widely taught as an introductory programming language.\n== History ==\nPython was conceived in the late 1980s by Guido van Rossum at Centrum Wiskunde & Informatica (CWI) in the Netherlands. It was designed as a successor to the ABC programming language, which was inspired by SETL, capable of exception handling and interfacing with the Amoeba operating system. Python implementation began in December 1989. Van Rossum first released it in 1991 as Python 0.9.0. Van Rossum assumed sole responsibility for the project, as the lead developer, until 12 July 2018, when he announced his \"permanent vacation\" from responsibilities as Python's \"benevolent dictator for life\" (BDFL); this title was bestowed on him by the Python community to reflect his long-term commitment as the project's chief decision-maker. In January 2019, active Python core developers elected a five-member Steering Council to ","en_topic":"Python (programming language)","wiki_pageid":23862,"wiki_revid":1365917903,"source_url":"https://en.wikipedia.org/?curid=23862","license":"CC BY-SA 4.0"}
{"slug":"rust","lang":"en","title":"Rust (programming language)","text":"Rust is a general-purpose programming language which emphasizes performance, type safety, concurrency, and memory safety.\nRust supports multiple programming paradigms. It was influenced by ideas from functional programming, including immutability, higher-order functions, algebraic data types, and pattern matching. It also supports object-oriented programming via structs, enums, traits, and methods. Rust enforces memory safety (i.e., that all references point to valid memory) without a conventional garbage collector; instead, memory safety errors and data races are prevented by the \"borrow checker\", which tracks the object lifetime of references at compile time.\nSoftware developer Graydon Hoare created Rust in 2006 while working at Mozilla, which officially sponsored the project in 2009. The first stable release, Rust 1.0, was published in May 2015. The project has been sponsored by the Rust Foundation since February 2021.\nRust has been adopted by many software projects, especially web services and system software. It has been studied academically and has a growing community of developers.\n== History ==\n=== 2006–2009: Early years ===\nRust began as a personal project by Mozilla employee Graydon Hoare in 2006. According to MIT Technology Review, he started the project due to his frustration with a broken elevator in his apartment building whose software had crashed, and named the language after the group of fungi of the same name that is \"over-engineered for survival\". During the time period between 2006 and 2009, Rust was not publicized to others at Mozilla and was written in Hoare's free time; Hoare began speaking about the language around 2009 after a small group at Mozilla became interested in the project. Hoare cited languages from the 1970s, 1980s, and 1990s as influences — including CLU, BETA, Mesa, NIL, Erlang, Newsqueak, Napier, Hermes, Sather, Alef, and Limbo. He described the language as \"technology from the past come to save the future from itself.\" Early R","en_topic":"Rust (programming language)","wiki_pageid":29414838,"wiki_revid":1366389599,"source_url":"https://en.wikipedia.org/?curid=29414838","license":"CC BY-SA 4.0"}
{"slug":"cloud-computing","lang":"en","title":"Cloud computing","text":"Cloud computing is defined by the International Organization for Standardization (ISO) as \"a paradigm for enabling network access to a scalable and elastic pool of shareable physical or virtual resources with self-service provisioning and administration on demand\". It is commonly referred to as \"the cloud\".\n== Characteristics ==\nIn 2011, the National Institute of Standards and Technology (NIST) identified five \"essential characteristics\" for cloud systems. Below are the exact definitions according to NIST:\nOn-demand self-service: \"A consumer can unilaterally provision computing capabilities, such as server time and network storage, as needed automatically without requiring human interaction with each service provider.\"\nBroad network access: \"Capabilities are available over the network and accessed through standard mechanisms that promote use by heterogeneous thin or thick client platforms (e.g., mobile phones, tablets, laptops, and workstations).\"\nResource pooling: \" The provider's computing resources are pooled to serve multiple consumers using a multi-tenant model, with different physical and virtual resources dynamically assigned and reassigned according to consumer demand.\"\nRapid elasticity: \"Capabilities can be elastically provisioned and released, in some cases automatically, to scale rapidly outward and inward commensurate with demand. To the consumer, the capabilities available for provisioning often appear unlimited and can be appropriated in any quantity at any time.\"\nMeasured service: \"Cloud systems automatically control and optimize resource use by leveraging a metering capability at some level of abstraction appropriate to the type of service (e.g., storage, processing, bandwidth, and active user accounts). Resource usage can be monitored, controlled, and reported, providing transparency for both the provider and consumer of the utilized service.\nBy 2023, the International Organization for Standardization (ISO) had expanded and refined the list.\n== Hist","en_topic":"Cloud computing","wiki_pageid":19541494,"wiki_revid":1365332322,"source_url":"https://en.wikipedia.org/?curid=19541494","license":"CC BY-SA 4.0"}
{"slug":"open-source-software","lang":"en","title":"Open-source software","text":"Open-source software (OSS) is computer software whose source code is publicly available, allowing users to use, study, modify, and distribute it — in contrast with proprietary (closed-source) software. These abilities are typically granted through open licenses or, more rarely, by dedication to the public domain. The development of open-source software can be based on open collaboration, a decentralized model of production. It is commonly defined according to the Open Source Definition of the Open Source Initiative, but the precise meaning of open source remains a source of conflicts.\nOpen-source software offers a range of benefits, but also presents specific risks and challenges. It can provide improved accessibility through lower and shared costs, greater adaptability through customization, transparency with auditable code, better interoperability via open standards, and independence from vendor lock-in, among others. Due to its ubiquity in modern software, open-source software raises major cybersecurity concerns, as well as significant maintenance challenges.\nOpen-source software has become the backbone of the global digital infrastructure, powering domains such as web servers, cloud computing, supercomputers, mobile devices, artificial intelligence, and Internet of Things. A 2022 estimate suggests that between 80 and 96 percent of the code making up software on the market today, including proprietary software, is of open-source origin. Its adoption has grown steadily across public institutions, the private sector, and academia, driven by motivations of cybersecurity, digital sovereignty, and independence from proprietary software, with significant geopolitical implications. Organizations are increasingly setting up Open Source Program Offices to manage their strategies.\nOpen-source software has its roots in the culture of source code sharing that dates back to the origins of computing in the 1950s. The term was formalized in 1998 with the founding of the Open So","en_topic":"Open-source software","wiki_pageid":277663,"wiki_revid":1366479467,"source_url":"https://en.wikipedia.org/?curid=277663","license":"CC BY-SA 4.0"}
{"slug":"software-as-a-service","lang":"en","title":"Software as a service","text":"Software as a service (SaaS ) is a cloud computing service model in which a provider delivers application software to clients while managing the required physical and software resources. SaaS applications are accessed via either a web application or locally-installed software. Unlike other software delivery models, SaaS separates \"the possession and ownership of software from its use.\" The use of SaaS began around 2000, and by 2023 was the main form of software application deployment.\nSaaS products typically run on rented infrastructure as a service (IaaS) or platform as a service (PaaS) systems including hardware and sometimes operating systems and middleware, to accommodate rapid increases in usage while providing instant and continuous availability to customers. SaaS customers have the abstraction of limitless computing resources, while economy of scale drives down the cost. SaaS architectures are typically multi-tenant; usually they share resources between clients for efficiency, but sometimes they offer a siloed environment for an additional fee. Common SaaS revenue models include freemium, subscription, and usage-based fees. Unlike traditional software, it is rarely possible to buy a perpetual license for a particular version of the software.\nThere are no specific software development practices that distinguish SaaS from other application development, although there is often a focus on frequent testing and releases.\n== Cloud computing ==\nInfrastructure as a service (IaaS) is the most basic form of cloud computing, where infrastructure resources—such as physical computers—are not owned by the user but instead leased from a cloud provider. As a result, infrastructure resources can be increased rapidly, instead of waiting weeks for computers to ship and set up. IaaS requires time and expertise to make use of the infrastructure in the form of operating systems and applications. Platform as a service (PaaS) includes the operating system and middleware, but not the ","en_topic":"Software as a service","wiki_pageid":2262333,"wiki_revid":1365791162,"source_url":"https://en.wikipedia.org/?curid=2262333","license":"CC BY-SA 4.0"}
{"slug":"big-data","lang":"en","title":"Big data","text":"Big data primarily refers to data sets that are too large or complex to be dealt with by traditional data-processing software. Data with many entries (rows) offers greater statistical power, while data with higher complexity (more attributes or columns) may lead to a higher false discovery rate.\nBig data analysis challenges include capturing data, data storage, data analysis, search, sharing, transfer, visualization, querying, updating, information privacy, and data sources. Big data was originally associated with three key concepts: volume, variety, and velocity. The analysis of big data that have only volume, velocity, and variety can pose challenges in sampling. A fourth concept, veracity, which refers to the level of reliability of data, was thus added. Without sufficient investment in expertise to ensure big data veracity, the volume and variety of data can produce costs and risks that exceed an organization's capacity to create and capture value from big data.\nCurrent usage of the term big data tends to refer to the use of predictive analytics, user behavior analytics, or certain other advanced data analytics methods that extract value from big data, and seldom to a particular size of data set. \"There is little doubt that the quantities of data now available are indeed large, but that's not the most relevant characteristic of this new data ecosystem.\"\nAnalysis of data sets can find new correlations to \"spot business trends, prevent diseases, combat crime and so on\". Scientists, business executives, medical practitioners, advertising and governments alike regularly meet difficulties with large datasets in areas including Internet searches, fintech, healthcare analytics, geographic information systems, urban informatics, and business informatics. Scientists encounter limitations in e-Science work, including meteorology, genomics, connectomics, complex physics simulations, biology, and environmental research.\nThe size and number of available data sets have grown ","en_topic":"Big data","wiki_pageid":27051151,"wiki_revid":1366321247,"source_url":"https://en.wikipedia.org/?curid=27051151","license":"CC BY-SA 4.0"}
{"slug":"internet-of-things","lang":"en","title":"Internet of things","text":"Internet of things (IoT) describes physical objects that are embedded with sensors, processing ability, software, and other technologies that connect and exchange data with other devices and systems over the Internet or other communication networks. The field of IoT encompasses electronics, communication, and computer science engineering. \"Internet of things\" has been considered a misnomer because most devices do not need to be connected to the public Internet; they only need to be connected to a network and be individually addressable.\nThe field has evolved due to the convergence of multiple technologies, including ubiquitous computing, sensors, embedded systems, and machine learning. Traditional fields of embedded systems, wireless sensor networks, control systems, and automation independently and collectively enable the Internet of things.\nWhile in the consumer market, IoT technology is most commonly known as smart home products—including devices and appliances like thermostats and smart speakers—the technology's largest applications are in the business and industrial sectors. Commercial asset tracking and fleet management represent the largest single application of IoT, accounting for 22% of the total market, driven by the need to monitor mobile assets like vehicles and shipping containers. The largest asset tracking sub-segments in transport & logistics are trailer and intermodal container tracking, reaching 5.8 million and 5.3 million active devices globally at the end of 2024 respectively. Other major applications include industrial monitoring, smart metering in utilities, and connected healthcare.\nThere are a number of concerns about the risks in the growth of IoT technologies and products, especially in the areas of privacy and security, and consequently there have been industry and government moves to address these concerns adequately and minimize safety risks, including the development and implementation of international and local standards, guidelines, ","en_topic":"Internet of things","wiki_pageid":12057519,"wiki_revid":1366104369,"source_url":"https://en.wikipedia.org/?curid=12057519","license":"CC BY-SA 4.0"}
{"slug":"python","lang":"en","title":"Python (programming language)","text":"Python is a high-level, general-purpose programming language that emphasizes code readability, simplicity, and ease-of-writing with the use of significant indentation, an extensive (\"batteries-included\") standard library, and garbage collection. Python supports multiple programming paradigms but with an emphasis on object-oriented programming and dynamic typing.\nGuido van Rossum began working on Python in the late 1980s as a successor to the ABC programming language. Python 3.0, released in 2008, was a major revision and not completely backward-compatible with earlier versions. Beginning with Python 3.5, capabilities and keywords for typing were added to the language, allowing optional static typing. As of 2026, the Python Software Foundation supports Python 3.10, 3.11, 3.12, 3.13, and 3.14, following the project's annual release cycle and five-year support policy. Python 3.15 is currently in the beta development phase, and the stable release is expected to launch in October 2026. Earlier versions in the 3.x series have reached end-of-life and no longer receive security updates.\nPython is widely taught as an introductory programming language.\n== History ==\nPython was conceived in the late 1980s by Guido van Rossum at Centrum Wiskunde & Informatica (CWI) in the Netherlands. It was designed as a successor to the ABC programming language, which was inspired by SETL, capable of exception handling and interfacing with the Amoeba operating system. Python implementation began in December 1989. Van Rossum first released it in 1991 as Python 0.9.0. Van Rossum assumed sole responsibility for the project, as the lead developer, until 12 July 2018, when he announced his \"permanent vacation\" from responsibilities as Python's \"benevolent dictator for life\" (BDFL); this title was bestowed on him by the Python community to reflect his long-term commitment as the project's chief decision-maker. In January 2019, active Python core developers elected a five-member Steering Council to ","en_topic":"Python (programming language)","wiki_pageid":23862,"wiki_revid":1365917903,"source_url":"https://en.wikipedia.org/?curid=23862","license":"CC BY-SA 4.0"}
{"slug":"rust","lang":"en","title":"Rust (programming language)","text":"Rust is a general-purpose programming language which emphasizes performance, type safety, concurrency, and memory safety.\nRust supports multiple programming paradigms. It was influenced by ideas from functional programming, including immutability, higher-order functions, algebraic data types, and pattern matching. It also supports object-oriented programming via structs, enums, traits, and methods. Rust enforces memory safety (i.e., that all references point to valid memory) without a conventional garbage collector; instead, memory safety errors and data races are prevented by the \"borrow checker\", which tracks the object lifetime of references at compile time.\nSoftware developer Graydon Hoare created Rust in 2006 while working at Mozilla, which officially sponsored the project in 2009. The first stable release, Rust 1.0, was published in May 2015. The project has been sponsored by the Rust Foundation since February 2021.\nRust has been adopted by many software projects, especially web services and system software. It has been studied academically and has a growing community of developers.\n== History ==\n=== 2006–2009: Early years ===\nRust began as a personal project by Mozilla employee Graydon Hoare in 2006. According to MIT Technology Review, he started the project due to his frustration with a broken elevator in his apartment building whose software had crashed, and named the language after the group of fungi of the same name that is \"over-engineered for survival\". During the time period between 2006 and 2009, Rust was not publicized to others at Mozilla and was written in Hoare's free time; Hoare began speaking about the language around 2009 after a small group at Mozilla became interested in the project. Hoare cited languages from the 1970s, 1980s, and 1990s as influences — including CLU, BETA, Mesa, NIL, Erlang, Newsqueak, Napier, Hermes, Sather, Alef, and Limbo. He described the language as \"technology from the past come to save the future from itself.\" Early R","en_topic":"Rust (programming language)","wiki_pageid":29414838,"wiki_revid":1366389599,"source_url":"https://en.wikipedia.org/?curid=29414838","license":"CC BY-SA 4.0"}
{"slug":"javascript","lang":"en","title":"JavaScript","text":"JavaScript (JS) is a programming language and core technology of the Web, alongside HTML and CSS. Created by Brendan Eich in 1995, it is maintained by Ecma International's TC39 technical committee, with related Web APIs maintained by W3C and WHATWG. As of 2025, JavaScript is the most widely used programming language on GitHub., however, TypeScript, which is a version of JavaScript that is strict about types and is statically typed, overtook JavaScript on Github by August 2025.\nWeb browsers have a dedicated JavaScript engine that executes the client code. These engines are also utilized in some servers and a variety of apps. The most popular runtime system for non-browser usage is Node.js.\nJavaScript is a high-level, often just-in-time–compiled language that conforms to the ECMAScript standard. It has dynamic typing, prototype-based object-orientation, and first-class functions. It is multi-paradigm, supporting event-driven, functional, and imperative programming styles. It has application programming interfaces (APIs) for working with text, dates, regular expressions, standard data structures, and the Document Object Model (DOM).\nThe ECMAScript standard does not include any input/output (I/O), such as networking, storage, or graphics facilities. In practice, the web browser or other runtime system provides JavaScript APIs for I/O.\nAlthough Java and JavaScript are similar in name and syntax, the two languages are distinct and differ greatly in design.\n== History ==\n=== Creation at Netscape ===\nThe first popular web browser with a graphical user interface, Mosaic, was released in 1993. The lead developers of Mosaic then founded the Netscape corporation, which released a more polished browser, Netscape Navigator, in 1994. This quickly became the most-used.\nDuring these formative years of the Web, web pages could only be static, lacking the capability for dynamic behavior after the page was loaded in the browser. There was a desire in the flourishing web development sce","en_topic":"JavaScript","wiki_pageid":9845,"wiki_revid":1363459736,"source_url":"https://en.wikipedia.org/?curid=9845","license":"CC BY-SA 4.0"}
{"slug":"c","lang":"en","title":"C (programming language)","text":"C is a general-purpose programming language created in the 1970s by Dennis Ritchie. By design, C gives programmers relatively direct access to the features of typical CPU architectures, customized for the target instruction set. It has been and continues to be used to implement operating systems (especially kernels), device drivers, and protocol stacks, though its use in application software is decreasing. C is used on computers ranging from supercomputers to microcontrollers and embedded systems.\nC was initially developed as a successor to the B programming language at Bell Labs by Ritchie between 1972 and 1973. Its initial purpose was to construct utilities running on Unix, and was later applied to re-implementing the kernel of the Unix operating system. During the 1980s, C gradually gained popularity, leading to it becoming one of the most widely used programming languages, with C compilers available for practically all modern computer architectures and operating systems. The book The C Programming Language, co-authored by the original language designer, served for many years as the de facto standard for the language. C has been standardized since 1989 by the American National Standards Institute (ANSI) and, subsequently, jointly by the International Organization for Standardization (ISO) and the International Electrotechnical Commission (IEC).\nC is an imperative procedural language, supporting structured programming, lexical variable scope, and recursion, with a static type system. It was designed to be compiled to provide low-level access to memory and language constructs that map efficiently to machine instructions, all with minimal runtime support. Despite its low-level capabilities, the language was designed to encourage cross-platform programming. A standards-compliant C program written with portability in mind can be compiled for a wide variety of computer platforms and operating systems with few changes to its source code.\nAlthough neither C nor its stand","en_topic":"C (programming language)","wiki_pageid":6021,"wiki_revid":1366442412,"source_url":"https://en.wikipedia.org/?curid=6021","license":"CC BY-SA 4.0"}
{"slug":"c-sharp","lang":"en","title":"C Sharp (programming language)","text":"C# ( see SHARP) is a general-purpose high-level programming language supporting multiple paradigms. C# encompasses static typing, strong typing, lexically scoped, imperative, declarative, functional, generic, object-oriented (class-based), and component-oriented programming disciplines.\nThe principal designers of the C# programming language were Anders Hejlsberg, Scott Wiltamuth, and Peter Golde from Microsoft. It was first widely distributed in July 2000 and was later approved as an international standard by Ecma (ECMA-334) in 2002 and ISO/IEC (ISO/IEC 23270 and 20619) in 2003. Microsoft introduced C# along with .NET Framework and Microsoft Visual Studio, both of which are, technically speaking, closed-source. At the time, Microsoft had no open-source products. Four years later, in 2004, a free and open-source project called Mono began, providing a cross-platform compiler and runtime environment for the C# programming language. A decade later, Microsoft released Visual Studio Code (code editor), Roslyn (compiler), and the unified .NET platform (software framework), all of which support C# and are free, open-source, and cross-platform. Mono also joined Microsoft, but was not merged into .NET.\nAs of November 2025, the most recent stable version of the language is C# 14.\n== Design goals ==\nThe Ecma standard lists these design goals for C#:\nThe language is intended to be a simple, modern, general-purpose, object-oriented programming language.\nThe language, and implementations thereof, should provide support for software engineering principles such as strong type checking, array bounds checking, detection of attempts to use uninitialized variables, and automatic garbage collection. Software robustness, durability, and programmer productivity are important.\nThe language is intended for use in developing software components suitable for deployment in distributed environments.\nPortability is very important for source code and programmers, especially those already familiar ","en_topic":"C Sharp (programming language)","wiki_pageid":2356196,"wiki_revid":1365461213,"source_url":"https://en.wikipedia.org/?curid=2356196","license":"CC BY-SA 4.0"}
{"slug":"ruby","lang":"en","title":"Ruby (programming language)","text":"Ruby is a general-purpose programming language designed with an emphasis on programming productivity and simplicity. In Ruby, everything is an object, including primitive data types. Development of the language began in the mid-1990s by Yukihiro \"Matz\" Matsumoto in Japan.\nRuby is interpreted, high-level, and dynamically typed; its interpreter uses garbage collection and just-in-time compilation. It supports multiple programming paradigms, including procedural, object-oriented, and functional programming. According to the creator, Ruby was influenced by Perl, Smalltalk, Eiffel, Ada, BASIC, and Lisp.\n== History ==\n=== Early concept ===\nAccording to Matsumoto, Ruby was conceived in 1993. In a 1999 post to the Ruby-Talk mailing list, he shared some of his early ideas about the language:\nI was talking with my colleague about the possibility of an object-oriented scripting language. I knew Perl (Perl4, not Perl5), but I didn't like it really, because it had the smell of a toy language (it still has). The object-oriented language seemed very promising. I knew Python then. But I didn't like it, because I didn't think it was a true object-oriented language – OO features appeared to be add-on to the language. As a language maniac and OO fan for 15 years, I really wanted a genuine object-oriented, easy-to-use scripting language. I looked for but couldn't find one. So I decided to make it.\nMatsumoto described Ruby's design as resembling a simple Lisp language at its core, with an object system like that of Smalltalk, blocks inspired by higher-order functions, and practical utility like that of Perl.\nThe name \"Ruby\" originated during an online chat session between Matsumoto and Keiju Ishitsuka on 24 February 1993, before any code had been written. Two names were initially proposed: \"Coral\" and \"Ruby\". Matsumoto chose the latter in a subsequent email to Ishitsuka. He also noted that one factor influencing the choice of the name was that a colleague's birthstone was ruby.\n=== Ear","en_topic":"Ruby (programming language)","wiki_pageid":25768,"wiki_revid":1365735550,"source_url":"https://en.wikipedia.org/?curid=25768","license":"CC BY-SA 4.0"}
{"slug":"swift","lang":"en","title":"Swift (programming language)","text":"Swift is a high-level general-purpose, multi-paradigm, compiled programming language created by Chris Lattner in 2010 for Apple Inc. and maintained by the open-source community. Swift compiles to machine code and uses an LLVM-based compiler. Swift was first released in June 2014 and the Swift toolchain has shipped in Xcode since Xcode version 6, released in September 2014.\nApple intended Swift to support many core concepts associated with Objective-C, notably dynamic dispatch, widespread late binding, extensible programming, and similar features, but in a \"safer\" way, making it easier to catch software bugs; Swift has features addressing some common programming errors like null pointer dereferencing and provides syntactic sugar to help avoid the pyramid of doom. Swift supports the concept of protocol extensibility, an extensibility system that can be applied to types, structs and classes, which Apple promotes as a real change in programming paradigms they term \"protocol-oriented programming\" (similar to traits and type classes).\nSwift was introduced at Apple's 2014 Worldwide Developers Conference (WWDC). It underwent an upgrade to version 1.2 during 2014 and a major upgrade to Swift 2 at WWDC 2015. It was initially a proprietary language, but version 2.2 was made open-source software under the Apache License 2.0 on December 3, 2015, for Apple's platforms and Linux.\n== History ==\nDevelopment of Swift started in July 2010 by Chris Lattner, with the eventual collaboration of many other programmers at Apple. Swift was motivated by the need for a replacement for Apple's earlier programming language Objective-C, which had been largely unchanged since the early 1980s and lacked modern language features. Swift took language ideas \"from Objective-C, Rust, Haskell, Ruby, Python, C#, CLU, and far too many others to list\". On June 2, 2014, the Apple Worldwide Developers Conference (WWDC) application became the first publicly released app written with Swift. A beta version of th","en_topic":"Swift (programming language)","wiki_pageid":42946389,"wiki_revid":1359320178,"source_url":"https://en.wikipedia.org/?curid=42946389","license":"CC BY-SA 4.0"}
{"slug":"scala","lang":"en","title":"Scala (programming language)","text":"Scala ( SKAH-lah) is a strongly statically typed high-level general-purpose programming language that supports both object-oriented programming and functional programming. Designed to be concise, many of Scala's design decisions are intended to address criticism of Java.\nScala source code can be compiled to JVM bytecode and run on a Java virtual machine (JVM). Scala can also be transpiled to JavaScript to run in a browser, or compiled directly to a native executable using Clang. When running on the JVM, Scala provides language interoperability with Java so that libraries written in either language may be referenced directly in Scala or Java code. Like Java, Scala is object-oriented, and uses a syntax termed curly-brace which is similar to the language C. Since Scala 3, there is also an option to use the off-side rule (indenting) to structure blocks, and its use is advised. Martin Odersky has said that this turned out to be the most productive change introduced in Scala 3.\nUnlike Java, Scala has many features of functional programming languages (like Scheme, Standard ML, and Haskell), including currying, immutability, lazy evaluation, and pattern matching. It also has an advanced type system supporting algebraic data types, covariance and contravariance, higher-order types (but not higher-rank types), anonymous types, operator overloading, optional parameters, named parameters, raw strings, and an experimental exception-only version of algebraic effects that can be seen as a more powerful version of Java's checked exceptions.\nThe name Scala is a portmanteau of scalable and language, signifying that it is designed to grow with the demands of its users.\n== History ==\nThe design of Scala started in 2001 at the École Polytechnique Fédérale de Lausanne (EPFL) (in Lausanne, Switzerland) by Martin Odersky. It followed on from work on Funnel, a programming language combining ideas from functional programming and Petri nets. Odersky formerly worked on Generic Java, and javac,","en_topic":"Scala (programming language)","wiki_pageid":3254510,"wiki_revid":1365232709,"source_url":"https://en.wikipedia.org/?curid=3254510","license":"CC BY-SA 4.0"}
{"slug":"r","lang":"en","title":"R (programming language)","text":"R is a programming language for statistical computing and data visualization. It has been widely adopted in the fields of data mining, bioinformatics, data analysis, and data science.\nThe core R language is extended by a large number of software packages, which contain reusable code, documentation, and sample data. Some of the most popular R packages are in the tidyverse collection, which enhances functionality for visualizing, transforming, and modelling data, as well as improves the ease of programming (according to the authors and users).\nR is free and open-source software distributed under the GNU General Public License. The language is implemented primarily in C, Fortran, and R itself. Precompiled executables are available for the major operating systems (including Linux, MacOS, and Microsoft Windows).\nIts core is an interpreted language with a native command line interface. In addition, multiple third-party applications are available as graphical user interfaces; such applications include RStudio (an integrated development environment), Jupyter (a notebook interface), as well as Termux and Google Colab for mobile devices.\n== History ==\nR was started by professors Ross Ihaka and Robert Gentleman as a programming language to teach introductory statistics at the University of Auckland. The language was inspired by the S programming language, with most S programs able to run unaltered in R. The language was also inspired by Scheme's lexical scoping, allowing for local variables.\nThe name of the language, R, comes from being both an S language successor and the shared first letter of the authors, Ross and Robert. In August 1993, Ihaka and Gentleman posted a binary file of R on StatLib — a data archive website. At the same time, they announced the posting on the s-news mailing list. On 5 December 1997, R became a GNU project when version 0.60 was released. On 29 February 2000, the 1.0 version was released.\n== Packages ==\nR packages are collections of functions, doc","en_topic":"R (programming language)","wiki_pageid":376707,"wiki_revid":1362916404,"source_url":"https://en.wikipedia.org/?curid=376707","license":"CC BY-SA 4.0"}
{"slug":"assembly-language","lang":"en","title":"Assembly language","text":"In computing, assembly language (alternatively assembler language or symbolic machine code), often referred to simply as assembly and commonly abbreviated as ASM or asm, is any low-level programming language with a very strong correspondence between the instructions in the language and the architecture's machine code instructions. Assembly language usually has one statement per machine code instruction (1:1), but constants, comments, assembler directives, symbolic labels of, e.g., memory locations, registers, and macros are generally also supported.\nThe first assembly code in which a language is used to represent machine code instructions is found in Kathleen and Andrew Donald Booth's 1947 work, Coding for A.R.C.. Assembly code is converted into executable machine code by a utility program referred to as an assembler. The term \"assembler\" is generally attributed to Wilkes, Wheeler and Gill in their 1951 book The Preparation of Programs for an Electronic Digital Computer, who, however, used the term to mean \"a program that assembles another program consisting of several sections into a single program\". The conversion process is referred to as assembly, as in assembling the source code. The computational step when an assembler is processing a program is called assembly time.\nBecause assembly depends on the machine code instructions, each assembly language is specific to a particular computer architecture such as x86 or ARM.\nSometimes there is more than one assembler for the same architecture, and sometimes an assembler is specific to an operating system or to particular operating systems. Most assembly languages do not provide specific syntax for operating system calls, and most assembly languages can be used universally with any operating system, as the language provides access to all the real capabilities of the processor, upon which all system call mechanisms ultimately rest. In contrast to assembly languages, most high-level programming languages are generally po","en_topic":"Assembly language","wiki_pageid":1368,"wiki_revid":1364026310,"source_url":"https://en.wikipedia.org/?curid=1368","license":"CC BY-SA 4.0"}
{"slug":"css","lang":"en","title":"CSS","text":"Cascading Style Sheets (CSS) is a style sheet language used for specifying the presentation and styling of a document written in a markup language, such as HTML or XML (including XML dialects such as SVG, MathML, or XHTML). CSS is a cornerstone technology of the World Wide Web, alongside HTML and JavaScript.\nCSS is designed to enable the separation of content and presentation, including layout, colors, and fonts. This separation can improve content accessibility, since the content can be written without concern for its presentation; provide more flexibility and control in the specification of presentation characteristics; enable multiple web pages to share formatting by specifying the relevant CSS in a separate .css file, which reduces complexity and repetition in the structural content; and enable the .css file to be cached to improve the page load speed between the pages that share the file and its formatting.\nSeparation of formatting and content also makes it feasible to present the same markup page in different styles for different rendering methods, such as on-screen, in print, by voice (via speech-based browser or screen reader), and on Braille-based tactile devices. CSS also has rules for alternative formatting if the content is accessed on a mobile device.\nThe name cascading comes from the specified priority scheme to determine which declaration applies if more than one declaration of a property match a particular element. This cascading priority scheme is predictable.\nThe CSS specifications are maintained by the World Wide Web Consortium (W3C). Internet media type (MIME type) text/css is registered for use with CSS by RFC 2318 (March 1998). The W3C operates a free CSS validation service for CSS documents.\nIn addition to HTML, other markup languages support the use of CSS including XHTML, plain XML, SVG, and XUL. CSS is also used in the GTK widget toolkit.\n== Syntax ==\nCSS has a simple syntax and uses a number of English keywords to specify the names of vari","en_topic":"CSS","wiki_pageid":23290197,"wiki_revid":1363323587,"source_url":"https://en.wikipedia.org/?curid=23290197","license":"CC BY-SA 4.0"}
{"slug":"react","lang":"en","title":"React (software)","text":"React (also known as React.js or ReactJS) is a free and open-source front-end JavaScript library that aims to make building user interfaces based on components more \"seamless\". It is maintained by Meta (formerly Facebook) and a community of individual developers and companies. According to the 2025 Stack Overflow Developer Survey, React is one of the most commonly used web technologies.\nReact can be used to develop single-page, mobile, or server-rendered applications with frameworks like Next.js and React Router. Because React is only concerned with the user interface and rendering components to the DOM, React applications often rely on libraries for routing and other client-side functionality. A key advantage of React is that it only re-renders those parts of the page that have changed, avoiding unnecessary re-rendering of unchanged DOM elements. React is used by an estimated 6% of all websites.\n== Features ==\n=== Declarative ===\nReact adheres to the declarative programming paradigm. Developers design views for each state of an application, and React updates and renders components when data changes. This is in contrast with imperative programming.\n=== Components ===\nReact code is made of entities called components. These components are modular and can be reused. React applications typically consist of many layers of components. The components are rendered to a root element in the DOM using the React DOM library. When rendering a component, values are passed between components through props (short for \"properties\"). Values internal to a component are called its state.\nThe two primary ways of declaring components in React are through function components and class components. Since React v16.8, using function components is the recommended way.\n=== Function components ===\nFunction components, announced at React Conf 2018, and available since React v16.8, are declared with a function that accepts a single \"props\" argument and returns JSX (JavaScript XML). Function compo","en_topic":"React (software)","wiki_pageid":44926137,"wiki_revid":1365339705,"source_url":"https://en.wikipedia.org/?curid=44926137","license":"CC BY-SA 4.0"}
{"slug":"interpreter","lang":"en","title":"Interpreter (computing)","text":"In computing, an interpreter is software that executes source code without first compiling it to machine code. An interpreted runtime environment differs from one that processes CPU-native executable code which requires translating source code before executing it. An interpreter may translate the source code to an intermediate format, such as bytecode. A hybrid environment may translate the bytecode to machine code via just-in-time compilation, as in the case of .NET and Java, instead of interpreting the bytecode directly.\nBefore the widespread adoption of interpreters, the execution of computer programs often relied on compilers, which translate and compile source code into machine code. Early runtime environments for Lisp and BASIC could parse source code directly. Thereafter, runtime environments were developed for languages (such as Perl, Raku, Python, MATLAB, and Ruby), which translated source code into an intermediate format before executing to enhance runtime performance.\nCode that runs in an interpreter can be run on any platform that has a compatible interpreter. The same code can be distributed to any such platform, instead of an executable having to be built for each platform. Although each programming language is usually associated with a particular runtime environment, a language can be used in different environments. Interpreters have been constructed for languages traditionally associated with compilation, such as ALGOL, Fortran, COBOL, C and C++.\n== History ==\nIn the early days of computing, compilers were more commonly found and used than interpreters because hardware at that time could not support both the interpreter and interpreted code and the typical batch environment of the time limited the advantages of interpretation.\nInterpreters were used as early as 1952 to ease programming within the limitations of computers at the time (e.g. a shortage of program storage space, or no native support for floating point numbers). Interpreters were also us","en_topic":"Interpreter (computing)","wiki_pageid":59868,"wiki_revid":1357974328,"source_url":"https://en.wikipedia.org/?curid=59868","license":"CC BY-SA 4.0"}
{"slug":"unit-testing","lang":"en","title":"Unit testing","text":"Unit testing, a.k.a. component or module testing, is a form of software testing by which isolated source code is tested to validate expected behavior.\nUnit testing describes tests that are run at the unit-level to contrast testing at the integration or system level.\n== History ==\nUnit testing, as a principle for testing separately smaller parts of large software systems, dates back to the early days of software engineering. In June 1956 at US Navy's Symposium on Advanced Programming Methods for Digital Computers, H.D. Benington presented the SAGE project. It featured a specification-based approach where the coding phase was followed by \"parameter testing\" to validate component subprograms against their specification, followed then by an \"assembly testing\" for parts put together.\nIn 1964, a similar approach is described for the software of the Mercury project, where individual units developed by different programmers underwent \"unit tests\" before being integrated together. In 1969, testing methodologies appear more structured, with unit tests, component tests and integration tests collectively validating individual parts written separately and their progressive assembly into larger blocks. Some public standards adopted in the late 1960s, such as MIL-STD-483 and MIL-STD-490, contributed further to a wide acceptance of unit testing in large projects.\nUnit testing was in those times interactive or automated, using either coded tests or capture and replay testing tools. In 1989, Kent Beck described a testing framework for Smalltalk (later called SUnit) in \"Simple Smalltalk Testing: With Patterns\". In 1997, Kent Beck and Erich Gamma developed and released JUnit, a unit test framework that became popular with Java developers. Google embraced automated testing around 2005–2006.\n== Unit ==\nA unit is defined as a single behaviour exhibited by the system under test (SUT), usually corresponding to a requirement. While a unit may correspond to a single function or module (in","en_topic":"Unit testing","wiki_pageid":222828,"wiki_revid":1366391409,"source_url":"https://en.wikipedia.org/?curid=222828","license":"CC BY-SA 4.0"}
{"slug":"scrum","lang":"en","title":"Scrum (project management)","text":"Scrum is an agile team collaboration framework commonly used in software development and other industries.\nScrum prescribes for teams to break work into goals to be completed within time-boxed iterations, called sprints. Each sprint is no longer than one month and commonly lasts two weeks. The scrum team assesses progress in time-boxed, stand-up meetings of up to 15 minutes, called daily scrums. At the end of the sprint, the team holds two further meetings: one sprint review to demonstrate the work for stakeholders and solicit feedback, and one internal sprint retrospective. A person in charge of a scrum team is typically called a scrum master.\nScrum teams should be cross-functional and self-managing. Unlike sequential approaches, scrum is an iterative and incremental framework for product development. Scrum allows for continuous feedback and flexibility, requiring teams to self-organize by encouraging physical co-location or close online collaboration, and mandating frequent communication among all team members. The flexible approach of scrum is based in part on the notion of requirement volatility, that stakeholders will change their requirements as the project evolves.\n== History ==\nThe use of the term scrum in software development came from a 1986 Harvard Business Review paper titled \"The New New Product Development Game\" by Hirotaka Takeuchi and Ikujiro Nonaka. Based on case studies from manufacturing firms in the automotive, photocopier, and printer industries, the authors outlined a new approach to product development for increased speed and flexibility. They called this the rugby approach, as the process involves a single cross-functional team operating across multiple overlapping phases in which the team \"tries to go the distance as a unit, passing the ball back and forth\". The authors later developed scrum in their book, The Knowledge Creating Company.\nIn the early 1990s, Ken Schwaber used what would become scrum at his company, Advanced Development Method","en_topic":"Scrum (software development)","wiki_pageid":4743665,"wiki_revid":1362847604,"source_url":"https://en.wikipedia.org/?curid=4743665","license":"CC BY-SA 4.0"}
{"slug":"object-oriented-programming","lang":"en","title":"Object-oriented programming","text":"Object-oriented programming (OOP) is a programming paradigm based on objects – software entities that encapsulate data and function(s). An OOP computer program consists of objects that interact with one another. An OOP language is one that provides object-oriented programming features, but as the set of features that contribute to OOP is contested, classifying a language as OOP – and the degree to which it supports OOP – is debatable. As paradigms are not mutually exclusive, a language can be multi-paradigm (i.e. categorized as more than only OOP).\nNotable languages with OOP support include Ada, ActionScript, C++, Common Lisp, C#, Dart, Eiffel, Fortran 2003, Haxe, Java, JavaScript, Kotlin, Logo, MATLAB, Objective-C, Object Pascal, Perl, PHP, Python, R, Raku, Ruby, Scala, SIMSCRIPT, Simula, Smalltalk, Swift, Vala and Visual Basic (.NET).\n== History ==\nThe idea of \"objects\" in programming began with the artificial intelligence group at Massachusetts Institute of Technology (MIT) in the late 1950s and early 1960s. Here, \"object\" referred to LISP atoms with identified properties (attributes).\nAnother early example was Sketchpad created by Ivan Sutherland at MIT in 1960–1961. In the glossary of his technical report, Sutherland defined terms like \"object\" and \"instance\" (with the class concept covered by \"master\" or \"definition\"), albeit specialized to graphical interaction. Later, in 1968, AED-0, MIT's version of the ALGOL programming language, connected data structures (\"plexes\") and procedures, prefiguring what were later termed \"messages\", \"methods\", and \"member functions\".\nTopics such as data abstraction and modular programming were common points of discussion at this time.\nMeanwhile, in Norway, Simula was developed during the years 1961–1967. Simula introduced essential object-oriented ideas, such as classes, inheritance, and dynamic binding.\nSimula was used mainly by researchers involved with physical modelling, like the movement of ships and their content through ","en_topic":"Object-oriented programming","wiki_pageid":27471338,"wiki_revid":1362553919,"source_url":"https://en.wikipedia.org/?curid=27471338","license":"CC BY-SA 4.0"}
{"slug":"algorithm","lang":"en","title":"Algorithm","text":"In mathematics and computer science, an algorithm ( ) is a finite sequence of mathematically rigorous instructions, typically used to solve a class of specific problems or to perform a computation. Algorithms are used as specifications for performing calculations and data processing. More advanced algorithms can use conditionals to divert the code execution through various routes (referred to as automated decision-making) and deduce valid inferences (referred to as automated reasoning).\nIn contrast, a heuristic is an approach to solving problems without well-defined correct or optimal results. For example, although social media recommender systems are commonly called \"algorithms\", they actually rely on heuristics as there is no truly \"correct\" recommendation.\nAs an effective method, an algorithm can be expressed within a finite amount of space and time and in a well-defined formal language for calculating a function. Starting from an initial state and input, a computation occurs at each step, eventually producing output and terminating. The transition between states can be non-deterministic; randomized algorithms incorporate random input.\n== Etymology ==\nAround 825 AD, Persian scientist and polymath Muḥammad ibn Mūsā al-Khwārizmī wrote kitāb al-ḥisāb al-hindī (\"Book of Indian computation\") and kitab al-jam' wa'l-tafriq al-ḥisāb al-hindī (\"Addition and subtraction in Indian arithmetic\"). In the early 12th century, Latin translations of these texts involving the Hindu–Arabic numeral system and arithmetic appeared, for example Liber Alghoarismi de practica arismetrice, attributed to John of Seville, and Liber Algoritmi de numero Indorum, attributed to Adelard of Bath. Here, alghoarismi or algoritmi is the Latinization of Al-Khwarizmi's name; the text starts with the phrase Dixit Algoritmi, or \"Thus spoke Al-Khwarizmi\".\nThe word algorism in English came to mean the use of place-value notation in calculations; it occurs in the Ancrene Wisse from circa 1225. By the time G","en_topic":"Algorithm","wiki_pageid":775,"wiki_revid":1365118195,"source_url":"https://en.wikipedia.org/?curid=775","license":"CC BY-SA 4.0"}
{"slug":"big-o-notation","lang":"en","title":"Big O notation","text":"Big O notation is a mathematical notation that describes the approximate size of a function on a domain. Big O is a member of a family of notations invented by the German mathematicians Paul Bachmann and Edmund Landau and expanded by others, collectively called Bachmann–Landau notation. The letter O stands for Ordnung, that is, the order of approximation.\nIn computer science, big O notation is used to classify algorithms by how their run time or space requirements grow with the input. In analytic number theory, big O notation expresses bounds on the growth of an arithmetical function, as for the remainder term in the prime number theorem.\nIn mathematical analysis, including calculus, Big O notation bounds the error when truncating a power series and expresses the quality\nof approximation of a real or complex valued function by a simpler function.\nOften, big O notation characterizes functions according to their growth rates as the variable becomes large: different functions with the same asymptotic growth rate may be represented using the same O notation. The letter O is used because the growth rate of a function is also referred to as the order of the function. A description of a function in terms of big O notation only provides an upper bound on the growth rate of the function.\nAssociated with big O notation are several related notations, using the symbols\n o\n {\\displaystyle o}\n,\n ∼\n {\\displaystyle \\sim }\n,\n Ω\n {\\displaystyle \\Omega }\n,\n ≪\n {\\displaystyle \\ll }\n,\n ≫\n {\\displaystyle \\gg }\n,\n ≍\n {\\displaystyle \\asymp }\n,\n ω\n {\\displaystyle \\omega }\n, and\n Θ\n {\\displaystyle \\Theta }\n to describe other kinds of bounds on growth rates.\nBachmann proposed the notation in 1894 and Landau extended it in 1909. An earlier notation was proposed by Paul du Bois-Reymond in 1870.\n== Formal definition ==\nLet\n f\n ,\n {\\textstyle f,}\n the function to be estimated, be either a real or comp","en_topic":"Big O notation","wiki_pageid":44578,"wiki_revid":1366155652,"source_url":"https://en.wikipedia.org/?curid=44578","license":"CC BY-SA 4.0"}
{"slug":"dynamic-programming","lang":"en","title":"Dynamic programming","text":"Dynamic programming (DP) is both a mathematical optimization method and an algorithmic paradigm. The method was developed by Richard Bellman in the 1950s and has found applications in numerous fields, such as aerospace engineering and economics.\nIn both contexts it refers to simplifying a complicated problem by breaking it down into simpler sub-problems in a recursive manner. While some decision problems cannot be taken apart this way, decisions that span several points in time do often break apart recursively. Likewise, in computer science, if a problem can be solved optimally by breaking it into sub-problems and then recursively finding the optimal solutions to the sub-problems, then it is said to have optimal substructure.\nIf sub-problems can be nested recursively inside larger problems, so that dynamic programming methods are applicable, then there is a relation between the value of the larger problem and the values of the sub-problems. In the optimization literature this relationship is called the Bellman equation.\n== Overview ==\n=== Mathematical optimization ===\nIn terms of mathematical optimization, dynamic programming usually refers to simplifying a decision by breaking it down into a sequence of decision steps over time.\nThis is done by defining a sequence of value functions V1, V2, ..., Vn taking y as an argument representing the state of the system at times i from 1 to n.\nThe definition of Vn(y) is the value obtained in state y at the last time n.\nThe values Vi at earlier times i = n −1, n − 2, ..., 2, 1 can be found by working backwards, using a recursive relationship called the Bellman equation.\nFor i = 2, ..., n, Vi−1 at any state y is calculated from Vi by maximizing a simple function (usually the sum) of the gain from a decision at time i − 1 and the function Vi at the new state of the system if this decision is made.\nSince Vi has already been calculated for the needed states, the above operation yields Vi−1 for those states.\nFinally, V1 at the initi","en_topic":"Dynamic programming","wiki_pageid":125297,"wiki_revid":1365153484,"source_url":"https://en.wikipedia.org/?curid=125297","license":"CC BY-SA 4.0"}
{"slug":"turing-machine","lang":"en","title":"Turing machine","text":"A Turing machine is a mathematical model of computation describing an abstract machine that manipulates symbols on a strip of tape according to a table of rules. Despite the model's simplicity, it is capable of implementing any computer algorithm.\nThe machine operates on an infinite memory tape divided into discrete cells, each of which can hold a single symbol drawn from a finite set of symbols called the alphabet of the machine. It has a \"head\" that, at any point in the machine's operation, is positioned over one of these cells, and a \"state\" selected from a finite set of states. At each step of its operation, the head reads the symbol in its cell. Then, based on the symbol and the machine's own present state, the machine writes a symbol into the same cell, and moves the head one step to the left or the right, or halts the computation. The choice of which replacement symbol to write, which direction to move the head, and whether to halt is based on a finite table that specifies what to do for each combination of the current state and the symbol that is read. As with a real computer program, it is possible for a Turing machine to go into an infinite loop which will never halt.\nThe Turing machine was invented in 1936 by Alan Turing, who called it an \"a-machine\" (automatic machine). It was Turing's doctoral advisor, Alonzo Church, who later coined the term \"Turing machine\" in a review. With this model, Turing was able to answer two questions in the negative:\nDoes a machine exist that can determine whether any arbitrary machine on its tape is \"circular\" (e.g., freezes, or fails to continue its computational task)?\nDoes a machine exist that can determine whether any arbitrary machine on its tape ever prints a given symbol?\nThus by providing a mathematical description of a very simple device capable of arbitrary computations, he was able to prove properties of computation in general—and in particular, the uncomputability of the Entscheidungsproblem, or 'decision problem","en_topic":"Turing machine","wiki_pageid":30403,"wiki_revid":1361925546,"source_url":"https://en.wikipedia.org/?curid=30403","license":"CC BY-SA 4.0"}
{"slug":"p-versus-np-problem","lang":"en","title":"P versus NP problem","text":"The P versus NP problem is a major unsolved problem in theoretical computer science. Informally, it asks whether every problem whose solution can be quickly verified can also be quickly solved.\nHere, \"quickly\" means an algorithm exists that solves the task and runs in polynomial time (as opposed to, say, exponential time), meaning the task completion time is bounded above by a polynomial function on the size of the input to the algorithm. The general class of questions that some algorithm can answer in polynomial time is \"P\" or \"class P\". For some questions, there is no known way to find an answer quickly, but if provided with an answer, it can be verified quickly. The class of questions where an answer can be verified in polynomial time is \"NP\", standing for \"nondeterministic polynomial time\".\nAn answer to the P versus NP question would determine whether problems that can be verified in polynomial time can also be solved in polynomial time. If P ≠ NP, which is widely believed, it would mean that there are problems in NP that are harder to compute than to verify: they could not be solved in polynomial time, but the answer could be verified in polynomial time.\nThe problem has been called the most important open problem in computer science. Aside from being an important problem in computational theory, a proof either way would have profound implications for mathematics, cryptography, algorithm research, artificial intelligence, game theory, multimedia processing, philosophy, economics and many other fields. It is one of the seven Millennium Prize Problems selected by the Clay Mathematics Institute, each of which carries a US$1,000,000 prize for the first correct solution.\n== Example ==\nConsider the following yes/no problem: given an incomplete Sudoku grid of size\n n\n 2\n ×\n n\n 2\n {\\displaystyle n^{2}\\times n^{2}}\n, is there at least one legal solution where every row, column, and\n n\n ×\n n\n {\\dis","en_topic":"P versus NP problem","wiki_pageid":6115,"wiki_revid":1364391072,"source_url":"https://en.wikipedia.org/?curid=6115","license":"CC BY-SA 4.0"}
{"slug":"kernel","lang":"en","title":"Kernel (operating system)","text":"A kernel is a computer program at the core of a computer's operating system that always has complete control over everything in the system. The kernel is also responsible for preventing and mitigating conflicts between different processes. It is the portion of the operating system that is always resident in memory and facilitates interactions between hardware and software components. A full kernel controls all hardware resources (e.g. I/O, memory, cryptography) via device drivers, arbitrates conflicts between processes concerning such resources, and optimizes the use of common resources, such as CPU, cache, file systems, and network sockets. On most systems, the kernel is one of the first programs loaded on startup (after the bootloader). It handles the rest of startup as well as memory, peripherals, and input/output (I/O) requests from software, translating them into data-processing instructions for the central processing unit.\nThe critical code of the kernel is usually loaded into a separate area of memory, which is protected from access by application software or other less critical parts of the operating system. The kernel performs its tasks, such as scheduling processes, managing hardware devices such as the hard disk, and handling interrupts, in this protected kernel space. In contrast, application programs such as browsers, word processors, or audio or video players use a separate area of memory, user space. This prevents user data and kernel data from interfering with each other and causing instability and slowness, as well as preventing malfunctioning applications from affecting other applications or crashing the entire operating system. Even in systems where the kernel is included in application address spaces, memory protection is used to prevent unauthorized applications from modifying the kernel.\nThe kernel's interface is a low-level abstraction layer. When a process requests a service from the kernel, it must invoke a system call, usually through a wra","en_topic":"Kernel (operating system)","wiki_pageid":21346982,"wiki_revid":1363169421,"source_url":"https://en.wikipedia.org/?curid=21346982","license":"CC BY-SA 4.0"}
{"slug":"microsoft-windows","lang":"en","title":"Microsoft Windows","text":"Windows is a proprietary operating system developed by Microsoft. Windows is grouped into families that cater to particular sectors of the computing industry – Windows for personal computers, Windows Server for servers, and Windows IoT for embedded systems. Windows itself is further grouped into editions that cater to different users – Home for home users, Professional for advanced users, Education for schools, and Enterprise for corporations. Windows is sold both as a consumer retail product and to computer manufacturers, who bundle and distribute it with their systems.\nThe first version of Windows, Windows 1.0, was released on November 20, 1985 as a graphical operating system shell for MS-DOS in response to growing interest in graphical user interfaces (GUIs). The name Windows is a reference to the windowing system in GUIs. The 1990 release of Windows 3.0 catapulted its market success and led to the launch of various other product families, including the (now-defunct) Windows Mobile, Windows Phone, and Windows CE/Embedded Compact.\nWindows is the most popular desktop operating system in the world, with a 72% market share as of June 2026, and the second-most popular operating system overall, behind Android. As of June 2026, Windows 11 is the most used desktop version of Windows, with a market share of 70%.\nDue to national security problems and reliance on foreign technology (digital sovereignty), France is moving away from Microsoft Windows to prevent foreign espionage.\n== Product line ==\nAll members of the Windows product family are, as of 2026, based on Windows NT. The first version of Windows in that product line, Windows NT 3.1, was intended for server computing and corporate workstations. It now consists of four sub-families that tend to be released almost simultaneously and share the same kernel.\nWindows (unqualified): For a consumer or corporate workstation or tablet. The latest version is Windows 11. Its main competitors are macOS by Apple and Linux for pers","en_topic":"Microsoft Windows","wiki_pageid":18890,"wiki_revid":1365033821,"source_url":"https://en.wikipedia.org/?curid=18890","license":"CC BY-SA 4.0"}
{"slug":"ios","lang":"en","title":"IOS","text":"iOS (formerly iPhone OS) is a mobile operating system created and developed by Apple for its iPhone line of smartphones. It was unveiled in January 2007 alongside the first-generation iPhone, and was released in June 2007. Major versions of iOS are released annually; the current stable version, iOS 26, was released to the public on September 15, 2025.\nBesides powering iPhone, iOS is the basis for three other operating systems made by Apple: iPadOS, tvOS, and watchOS. iOS formerly also powered iPads until iPadOS was introduced in 2019 and the iPod Touch line of devices until its discontinuation. iOS is the world's second most widely installed mobile operating system, after Android. As of December 2023, Apple's App Store contains more than 3.8 million iOS mobile apps.\niOS is based on macOS. Like macOS, it includes components of the Mach microkernel and FreeBSD. It is a Unix-like operating system. Although some parts of iOS are open source under the Apple Public Source License and other licenses, iOS is proprietary software.\n== History ==\nIn 2005, when Steve Jobs began planning the iPhone, he stated that he had a choice to either \"shrink the Mac, which would be an epic feat of engineering, or enlarge the iPod\". Jobs favored the former approach but pitted the Macintosh and iPod teams, led by Scott Forstall and Tony Fadell, respectively, against each other in an internal competition, with Forstall winning by creating iPhone OS. The decision enabled the success of the iPhone as a platform for third-party developers: using a well-known desktop operating system as its basis allowed the many third-party Mac developers to write software for the iPhone with minimal retraining. Forstall was also responsible for creating a software development kit for programmers to build iPhone apps, as well as an App Store within iTunes.\nThe operating system was unveiled with the iPhone at the Macworld Conference & Expo on January 9, 2007, and released in June of that year. At the time of its ","en_topic":"IOS","wiki_pageid":16161443,"wiki_revid":1363034812,"source_url":"https://en.wikipedia.org/?curid=16161443","license":"CC BY-SA 4.0"}
{"slug":"world-wide-web","lang":"en","title":"World Wide Web","text":"The World Wide Web (also known as WWW, W3, or simply the Web) is a global interconnected information system that enables content sharing over the Internet. It facilitates access to documents and other web resources according to specific rules of the Hypertext Transfer Protocol (HTTP).\nThe Web was invented by English computer scientist Tim Berners-Lee while at CERN in 1989 and opened to the public in 1993. It was conceived as a \"universal linked information system\". Documents and other media content are made available to the network through web servers and can be accessed by programs such as web browsers. Servers and resources on the World Wide Web are identified and located through a character string called a uniform resource locator (URL).\nThe original and still very common document type is a web page formatted in Hypertext Markup Language (HTML). This markup language supports plain text, images, embedded video and audio contents, and scripts (short programs) that implement complex user interaction. The HTML language also supports hyperlinks (embedded URLs), which provide immediate access to other web resources. Web navigation, or web surfing, is the common practice of following such hyperlinks across multiple websites. Web applications are web pages that function as application software. The information on the Web is transferred across the Internet using HTTP. Multiple web resources with a common theme and usually a common domain name make up a website. A single web server may provide multiple websites, while some websites, especially the most popular ones, may be provided by multiple servers. Website content is provided by a myriad of companies, organisations, government agencies, and individual users; and comprises an enormous amount of educational, entertainment, commercial, and government information.\nThe World Wide Web has become the world's dominant information systems platform. It is the primary tool that billions of people worldwide use to interact with th","en_topic":"World Wide Web","wiki_pageid":33139,"wiki_revid":1366226300,"source_url":"https://en.wikipedia.org/?curid=33139","license":"CC BY-SA 4.0"}
{"slug":"application-programming-interface","lang":"en","title":"API","text":"An application programming interface (API) is a connection between computers or between computer programs. It is a type of software interface, offering a service to other pieces of software. A document or standard that describes how to build such a connection or interface is called an API specification. A computer system that meets this standard is said to implement or expose an API. The term API may refer either to the specification or to the implementation.\nIn contrast to a user interface, which connects a computer to a person, an application programming interface connects computers or pieces of software to each other. It is not intended to be used directly by a person (the end user) other than a computer programmer who is incorporating it into software. An API is often made up of different parts which act as tools or services that are available to the programmer. A program or a programmer that uses one of these parts is said to call that portion of the API. The calls that make up the API are also known as subroutines, methods, requests, or endpoints. An API specification defines these calls, meaning that it explains how to use or implement them.\nOne of the main purpose of APIs is to hide the internal details of how a system works, exposing only those parts a programmer will find useful and keeping them consistent even if the internal details later change. An API may be custom-built for a particular pair of systems, or it may be a shared standard allowing interoperability among many systems.\nThe term API is often used to refer to web APIs, which allow communication between computers that are joined by the internet. There are also APIs for programming languages, software libraries, computer operating systems, and computer hardware. APIs originated in the 1940s, though the term did not emerge until the 1960s and 70s.\n== Purpose ==\nAn API opens a software system to interactions from the outside. It allows two software systems to communicate across a boundary — an int","en_topic":"Application programming interface","wiki_pageid":27697009,"wiki_revid":1362972365,"source_url":"https://en.wikipedia.org/?curid=27697009","license":"CC BY-SA 4.0"}
{"slug":"gnu-general-public-license","lang":"en","title":"GNU General Public License","text":"The GNU General Public Licenses (GNU GPL or simply GPL) are a series of widely used free software licenses. The GPL is a copyleft license, which means that it guarantees end users the freedom to run, study, share, or modify the software, but if you distribute a derivative work or modification, you must provide the source code to those recipients under the same or equivalent license terms — there is no requirement to publish anything to the public at large. The GPL was the first copyleft license available for general use. It was originally written by Richard Stallman, the founder of the Free Software Foundation (FSF), for the GNU Project. The license grants the recipients of a computer program the rights of the Free Software Definition. The GPL states more obligations on redistribution than the GNU Lesser General Public License and differs significantly from widely used permissive software licenses such as BSD, MIT, and Apache.\nHistorically, the GPL license family has been one of the most popular software licenses in the free and open-source software (FOSS) domain. Prominent free software programs licensed under the GPL include the Linux operating system kernel and the GNU Compiler Collection (GCC). David A. Wheeler argues that the copyleft provided by the GPL was crucial to the success of Linux-based systems, giving the contributing programmers some assurance that their work would benefit the world and remain free, rather than being potentially exploited by software companies who would not be required to contribute to the community.\nIn 2007, the third version of the license (GPLv3) was released to address perceived shortcomings in the second version (GPLv2) that had become apparent through long-term use.\nTo keep the license current, the GPL includes an optional \"any later version\" clause, which allows users to choose between two options –the original terms, or the terms in new versions as updated by the FSF. Software projects licensed with the optional \"or later\" cl","en_topic":"GNU General Public License","wiki_pageid":18938683,"wiki_revid":1364702344,"source_url":"https://en.wikipedia.org/?curid=18938683","license":"CC BY-SA 4.0"}
{"slug":"creative-commons","lang":"en","title":"Creative Commons","text":"Creative Commons (CC) is an American nonprofit organization and international network devoted to educational access and expanding the range of creative works available for others to build upon legally and to share. The organization has released several copyright licenses, known as Creative Commons licenses (CC licenses), free of charge to the public, to allow authors of creative works to communicate which rights they reserve and which rights they waive for the benefit of recipients or other creators. Content owners still maintain their copyright, but Creative Commons licenses give standard releases that replace the individual negotiations for specific rights conducted between owners (licensors) and licensees under \"all rights reserved\" copyright.\nAs of 2019, there were \"nearly 2 billion\" works licensed under the various Creative Commons licenses. Wikipedia and its sister projects use one of these licenses. According to a 2017 report, Flickr alone hosted over 415 million cc-licensed photos, along with around 49 million works in YouTube, 40 million works in DeviantArt and 37 million works in Wikimedia Commons. The licenses are also used by Stack Exchange, MDN, Internet Archive, Khan Academy, LibreTexts, OpenStax, MIT OpenCourseWare, WikiHow, TED, OpenStreetMap, GeoGebra, Doubtnut, Fandom, Arduino, ccmixter.org, and Ninjam, among others, and formerly by Unsplash, Pixabay, and Socratic.\n== History ==\nThe organization was founded in 2001 by Lawrence Lessig, Hal Abelson, and Eric Eldred, with the support of Center for the Public Domain. The first article in a general interest publication about Creative Commons, written by Hal Plotkin, was published in February 2002. The first set of copyright licenses was released in December 2002 (original press release was dated 16th December, 2002). The founding management team that developed the licenses and built the Creative Commons infrastructure as it is known today included Molly Shaffer Van Houweling, Glenn Otis Brown, Neeru Pah","en_topic":"Creative Commons","wiki_pageid":52272,"wiki_revid":1364949083,"source_url":"https://en.wikipedia.org/?curid=52272","license":"CC BY-SA 4.0"}
{"slug":"public-key-cryptography","lang":"en","title":"Public-key cryptography","text":"Public-key cryptography, or asymmetric cryptography, is the field of cryptographic systems that use pairs of related keys. Each key pair consists of a public key and a corresponding private key. Key pairs are generated with algorithms based on mathematical problems termed one-way functions. Security of public-key cryptography depends on keeping the private key secret; the public key can be openly distributed without compromising security. There are many kinds of public-key cryptosystems, with different security goals, including digital signature, Diffie–Hellman key exchange, public-key key encapsulation, and public-key encryption.\nPublic key algorithms are fundamental security primitives in modern cryptosystems, including applications and protocols that offer assurance of the confidentiality and authenticity of electronic communications and data storage. They underpin numerous Internet standards, such as Transport Layer Security (TLS), SSH, S/MIME, and PGP. Compared to symmetric cryptography, public-key cryptography can be too slow for many purposes, so these protocols often combine symmetric cryptography with public-key cryptography in hybrid cryptosystems.\n== Description ==\nBefore the mid-1970s, all cipher systems used symmetric key algorithms, in which the same cryptographic key is used with the underlying algorithm by both the sender and the recipient, who must both keep the key secret. Of necessity, the key in every such system had to be exchanged between the communicating parties in some secure way prior to any use of the system – for instance, via a secure channel. This requirement is never trivial and very rapidly becomes unmanageable as the number of participants increases, when secure channels are not available, or when (as is sensible cryptographic practice) keys are frequently changed. In particular, if messages are meant to be secure from other users, a separate key is required for each possible pair of users.\nBy contrast, in a public-key cryptosystem, ","en_topic":"Public-key cryptography","wiki_pageid":24222,"wiki_revid":1365855883,"source_url":"https://en.wikipedia.org/?curid=24222","license":"CC BY-SA 4.0"}
{"slug":"hash-function","lang":"en","title":"Hash function","text":"A hash function is any function that can be used to map data of arbitrary size to fixed-size values, though there are some hash functions that support variable-length output. The values returned by a hash function are called hash values, hash codes, (hash/message) digests, or simply hashes. The values are usually used to index a fixed-size table called a hash table. Use of a hash function to index a hash table is called hashing or scatter-storage addressing.\nHash functions and their associated hash tables are used in data storage and retrieval applications to access data in a small and nearly constant time per retrieval. They require an amount of storage space only fractionally greater than the total space required for the data or records themselves. Hashing is a way to access data quickly and efficiently. Unlike lists or trees, it provides near-constant access time. It also uses much less storage than trying to store all possible keys directly, especially when keys are large or variable in length.\nUse of hash functions relies on statistical properties of key and function interaction: worst-case behavior is intolerably bad but rare, and average-case behavior can be nearly optimal (minimal collision).\nHash functions are related to (and often confused with) checksums, check digits, fingerprints, lossy compression, randomization functions, error-correcting codes, and ciphers. Although the concepts overlap to some extent, each one has its own uses and requirements and is designed and optimized differently. The hash function differs from these concepts mainly in terms of data integrity. Hash tables may use non-cryptographic hash functions, while cryptographic hash functions are used in cybersecurity to secure sensitive data such as passwords.\n== Overview ==\nIn a hash table, a hash function takes a key as an input, which is associated with a datum or record and used to identify it to the data storage and retrieval application. The keys may be fixed-length, like an intege","en_topic":"Hash function","wiki_pageid":13790,"wiki_revid":1363314004,"source_url":"https://en.wikipedia.org/?curid=13790","license":"CC BY-SA 4.0"}
{"slug":"advanced-encryption-standard","lang":"en","title":"Advanced Encryption Standard","text":"The Advanced Encryption Standard (AES), also known by its original name Rijndael (Dutch pronunciation: [ˈrɛindaːl], RAIN-dahl), is a specification for the encryption of electronic data established by the US National Institute of Standards and Technology (NIST) in 2001.\nAES is a variant of the Rijndael block cipher developed by two Belgian cryptographers, Joan Daemen and Vincent Rijmen, who submitted a proposal to NIST during the AES selection process. Rijndael is a family of ciphers with different key and block sizes. For AES, NIST selected three members of the Rijndael family, each with a block size of 128 bits, but three different key lengths: 128, 192 and 256 bits.\nAES has been adopted by the US government. It supersedes the Data Encryption Standard (DES), which was published in 1977. The algorithm described by AES is a symmetric-key algorithm, meaning the same key is used for both encrypting and decrypting the data.\nIn the United States, AES was announced by the NIST as the US FIPS PUB 197 (FIPS 197) standard on November 26, 2001. This announcement followed a five-year standardization process in which fifteen competing designs were presented and evaluated, before the Rijndael cipher was selected as the most suitable.\nAES is included in the ISO/IEC 18033-3 standard. AES became effective as a US federal government standard on May 26, 2002, after approval by US secretary of commerce Donald Evans. AES is available in many different encryption packages, and is the first (and only) publicly accessible cipher approved by the US National Security Agency (NSA) for top secret information when used in an NSA approved cryptographic module.\n== Definitive standards ==\nThe Advanced Encryption Standard (AES) is defined in these standards:\nFIPS PUB 197: Advanced Encryption Standard (AES)\nISO/IEC 18033-3: Block ciphers\n== Description of the ciphers ==\nAES is based on a design principle known as a substitution–permutation network, and is efficient in both software and hardware. U","en_topic":"Advanced Encryption Standard","wiki_pageid":1260,"wiki_revid":1364955626,"source_url":"https://en.wikipedia.org/?curid=1260","license":"CC BY-SA 4.0"}
{"slug":"zero-knowledge-proof","lang":"en","title":"Zero-knowledge proof","text":"In cryptography, a zero-knowledge proof (also known as a ZK proof or ZKP) is a protocol in which one party (the prover) can convince another party (the verifier) that some given statement is true, without conveying to the verifier any information beyond the mere fact of that statement's truth. The intuition behind the nontriviality of zero-knowledge proofs is that it is trivial to prove possession of the relevant information simply by revealing it; the hard part is to prove this possession without revealing this information (or any aspect of it whatsoever).\nIn light of the fact that one should be able to generate a proof of some statement only when in possession of certain secret information connected to the statement, the verifier, even after having become convinced of the statement's truth by means of a zero-knowledge proof, should nonetheless remain unable to prove the statement to further third parties.\nZero-knowledge proofs can be interactive, meaning that the prover and verifier exchange messages according to some protocol, or noninteractive, meaning that the verifier is convinced by a single prover message and no other communication is needed. In the standard model, interaction is required, except for trivial proofs of BPP problems. In the common random string and random oracle models, non-interactive zero-knowledge proofs exist. The Fiat–Shamir heuristic can be used to transform certain interactive zero-knowledge proofs into noninteractive ones.\n== Abstract examples ==\n=== The red card proof ===\nOne example of a math-free zero-knowledge proof is if Peggy wants to prove to Victor that she has drawn a red card from a standard deck of 52 playing cards, without revealing which specific red card she holds. Victor observes Peggy draw a card at random from the shuffled deck, but she keeps the card face-down so he cannot see it.\nTo prove her card is red without revealing its identity, Peggy takes the remaining 51 cards from the deck and systematically shows Victor a","en_topic":"Zero-knowledge proof","wiki_pageid":450541,"wiki_revid":1363978829,"source_url":"https://en.wikipedia.org/?curid=450541","license":"CC BY-SA 4.0"}
{"slug":"y-combinator","lang":"en","title":"Y Combinator","text":"Y Combinator, LLC (YC) is an American technology startup accelerator and venture capital firm launched in March 2005 which has been used to launch more than 5,000 companies. The accelerator program started in Boston and Mountain View, relocated to San Francisco in 2019, and was entirely online during the COVID-19 pandemic. Companies started via YC include Airbnb, Coinbase, Cruise, DoorDash, Dropbox, GOAT, Instacart, Reddit, Stripe, Scale AI, Deel, Helion Energy, Starcloud, Twitch, and Whatnot. Over 400 companies are worth more than $100M, and 100 are unicorns.\nY Combinator is also the operator of Hacker News.\n== History ==\nFounded in 2005 by Paul Graham, Jessica Livingston, Robert Tappan Morris, and Trevor Blackwell, Y Combinator initiated operations with concurrent programs in Cambridge, Massachusetts, and Mountain View, California. However, operational complexities arising from managing two programs prompted a consolidation in January 2009, resulting in the closing of the Cambridge program and the centralization of activities in Silicon Valley.\nIn 2009, Y Combinator secured a $2 million investment led by Sequoia Capital, enabling increased annual funding for around 60 companies. Sequoia further supported YC in 2010 through an $8.25 million funding round, bolstering the organization's capability to accommodate a growing number of startups. Concurrently, Kirsty Nathoo joined the team, initially as an accountant, and subsequently as the Chief Financial Officer (CFO) in 2012. In 2011, Yuri Milner and SV Angel offered every Y Combinator company a $150,000 convertible note investment. The amount put into each company was changed to $80,000 when Start Fund was renewed.\nAdvisory roles were assumed by Harj Taggar and Alexis Ohanian in 2010, and Paul Buchheit and Taggar were named partners in November. Michael Seibel joined Y Combinator as a part-time partner in January 2013 before becoming a full-time partner in 2014. In September 2013, Y Combinator began funding nonprofit","en_topic":"Y Combinator","wiki_pageid":1666533,"wiki_revid":1365053816,"source_url":"https://en.wikipedia.org/?curid=1666533","license":"CC BY-SA 4.0"}
{"slug":"sequoia-capital","lang":"en","title":"Sequoia Capital","text":"Sequoia Capital Operations, LLC, doing business as Sequoia Capital or simply Sequoia, is an American venture capital firm headquartered in Menlo Park, California. It specializes in seed stage, early stage, and growth stage investments in private companies across technology sectors. As of January 2025, the firm had approximately US$56 billion in assets under management (AUM).\nThe firm operates three regionally-focused venture entities, as Sequoia in Europe, Peak XV Partners in Southeast Asia, and formerly HongShan in China. Sequoia has made a wide variety of venture investments since inception, including in Apple, ByteDance, and Cisco, among many others.\n== History ==\nSequoia was founded by Don Valentine in 1972 in Menlo Park, California, at a time when the state's venture capital industry was just beginning to develop. Sequoia formed its first venture capital fund in 1974, and was an early investor in Atari the next year. In 1978, Sequoia became one of the first investors in Apple. Partners Doug Leone and Michael Moritz assumed leadership of the firm in 1996.\nIn 1999, Sequoia established a dedicated investment fund for Israeli startups. In 2005, Sequoia Capital China was established, later followed by Sequoia Capital India. In 2012, Moritz took a step back from the day-to-day operations of the firm. Leone became Global Managing Partner. Jim Goetz led Sequoia's U.S. business from 2012 until 2017, when he was succeeded by Roelof Botha. In 2016, Sequoia hired Jess Lee, making her the first female investing partner in the United States in the firm's history. In 2019, it was the most active VC fund company in India.\nIn March 2020, Sequoia announced it would hire Luciana Lixandru as its first partner based in Europe. In October 2021, Sequoia announced it would implement a new fund structure for its U.S. and European business that would allow it to remain involved with companies after their public market debuts. In March 2022, The Information reported that Sequoia Capital ","en_topic":"Sequoia Capital","wiki_pageid":1075971,"wiki_revid":1366269259,"source_url":"https://en.wikipedia.org/?curid=1075971","license":"CC BY-SA 4.0"}
{"slug":"andreessen-horowitz","lang":"en","title":"Andreessen Horowitz","text":"Andreessen Horowitz (also known as a16z) is an American privately-held venture capital firm headquartered in Menlo Park, California, United States. It was founded in 2009 by Marc Andreessen and Ben Horowitz.\nAndreessen Horowitz invests in both early-stage startups and established growth companies. Its investments span the healthcare, consumer, cryptocurrency, gaming, fintech, education, and enterprise software (including cloud computing, security, and software as a service) industries.\nAs of January 2026, the company has $90 billion assets under management.\n== Founding and partnering ==\nBetween 2006 and 2010, Marc Andreessen and Ben Horowitz actively invested in technology companies. Both separately and together, they invested $4 million in 45 startups, including Twitter. During this time, the two became known as \"super angel\" investors.\nOn July 6, 2009, Andreessen and Horowitz launched their venture capital fund with an initial capitalization of $300 million. In November 2010, at a time when the field of venture capitalism was contracting, the company raised an additional $650 million for a second venture fund. In less than two years, the firm was managing a total of $1.2 billion under the two funds.\nAs of March 27, 2014, the firm was managing $4 billion in assets following the closing of its fourth fund at $1.5 billion.\nIn addition to Andreessen and Horowitz, the firm's general partners include Jeff Jordan, Chris Dixon, Martin Casado, and Andrew Chen. Ex-VMware CEO Raghu Raghuram joined the firm as general partner in October 2025. Margit Wennmachers served as operating partner from 2010 to July 2025, when she became partner emeritus.\nIn March 2019, it was reported that Andreessen Horowitz was opening an office in San Francisco.\nIn January 2022, Andreessen Horowitz raised $9 billion for its venture capital, growth-stage, and biotech-focused funds.\nIn January 2026, Andreessen Horowitz raised $15 billion across five new funds.\nAs of March 2026, the firm is managing a","en_topic":"Andreessen Horowitz","wiki_pageid":29462510,"wiki_revid":1366448278,"source_url":"https://en.wikipedia.org/?curid=29462510","license":"CC BY-SA 4.0"}
{"slug":"venture-capital","lang":"en","title":"Venture capital","text":"Venture capital (VC) is a form of private equity financing provided by firms or funds to startup, early-stage, and emerging companies, that have been deemed to have high growth potential or that have demonstrated high growth in terms of number of employees, annual revenue, scale of operations, etc. Venture capital firms or funds invest in these early-stage companies in exchange for equity, or an ownership stake. Venture capitalists take on the risk of financing start-ups in the hopes that some of the companies they support will become successful. Because startups face high uncertainty, VC investments have high rates of failure. Start-ups are usually based on an innovative technology or business model and often come from high technology industries such as information technology (IT) or biotechnology.\nPre-seed and seed rounds are the initial stages of funding for a startup company, typically occurring early in its development. During a seed round, entrepreneurs seek investment from angel investors, venture capital firms, or other sources to finance the initial operations and development of their business idea. Seed funding is often used to validate the concept, build a prototype, or conduct market research. This initial capital injection is crucial for startups to kickstart their journey and attract further investment in subsequent funding rounds.\nTypical venture capital investments occur after an initial \"seed funding\" round. The first round of institutional venture capital to fund growth is called the Series A round. Venture capitalists provide this financing in the interest of generating a return through an eventual \"exit\" event, such as the company selling shares to the public for the first time in an initial public offering (IPO), or disposal of shares happening via a merger, via a sale to another entity such as a financial buyer in the private equity secondary market or via a sale to a trading company such as a competitor.\nIn addition to angel investing, equity ","en_topic":"Venture capital","wiki_pageid":257210,"wiki_revid":1366369927,"source_url":"https://en.wikipedia.org/?curid=257210","license":"CC BY-SA 4.0"}
{"slug":"initial-public-offering","lang":"en","title":"Initial public offering","text":"An initial public offering (IPO) or stock launch is a public offering in which shares of a company are sold to institutional investors and usually also to retail investors. An IPO is typically underwritten by one or more investment banks, who also arrange for the shares to be listed on one or more stock exchanges. Through this process, colloquially known as floating or going public, a privately held company is transformed into a public company. IPOs can be used to raise new equity capital for companies, to monetize the investments of private shareholders such as company founders or private equity investors, and to enable easy trading of existing holdings or future capital raising by becoming publicly traded.\nWhen a company becomes publicly listed, the money paid by the investing public for the newly issued shares goes directly to the company (primary offering) as well as to any early private investors who opt to sell all or a portion of their holdings (secondary offerings) as part of the larger IPO. An IPO, therefore, allows a company to tap into a wide pool of potential investors to provide itself with capital for future growth, repayment of debt, or working capital.\nAfter the IPO, shares are traded freely in the open market at what is known as the free float. Stock exchanges stipulate a minimum free float both in absolute terms (the total value as determined by the share price multiplied by the number of shares sold to the public) and as a proportion of the total share capital (i.e., the number of shares sold to the public divided by the total shares outstanding). Although IPO offers many benefits, there are also significant costs involved, chiefly those associated with the process such as banking and legal fees, and the ongoing requirement to disclose important and sometimes sensitive information.\nDetails of the proposed offering are disclosed to potential purchasers in the form of a lengthy document known as a prospectus. Most companies undertake an IPO with the","en_topic":"Initial public offering","wiki_pageid":63879,"wiki_revid":1359788643,"source_url":"https://en.wikipedia.org/?curid=63879","license":"CC BY-SA 4.0"}
{"slug":"startup-company","lang":"en","title":"Startup company","text":"A startup or start-up is a company or project typically undertaken by an entrepreneur to seek, develop, and validate a scalable business model. While entrepreneurship includes all new businesses including self-employment and businesses that do not intend to go public, startups are new businesses that intend to grow large beyond the solo-founder. At the early stages, startups face significant uncertainty and high rates of failure. However, a minority achieve notable success and influence, with some growing into unicorns, private companies valued at over US$1 billion. Startups are typically characterized by an innovative stance, a potential for rapid growth, external funding, and vulnerability.\n== Actions ==\nStartups typically begin with a founder or co-founders who have a way to solve a problem. The founder of a startup will conduct market validation through problem interviews, solution interviews, and the building of a minimum viable product (MVP), i.e. a prototype, to develop and validate their business model. The startup process can take a long time; hence, sustained effort is required. Over the long term, sustaining effort is especially challenging because of high failure rates and uncertain outcomes. Having a business plan in place outlines what to do and how to plan and achieve an idea in the future. Typically, these plans outline the first three to five years of the business strategy.\n=== Design principles ===\nModels for startup ventures are usually associated with design science. Design science uses a set of principles to design and construct the company's backbone. For example, one of the initial design principles is affordable loss.\n=== Heuristics and biases in startup actions ===\nBecause of the lack of information, high uncertainty, and the need to make decisions quickly, founders generally use many heuristics and exhibit biases in their leadership decisions.\nEntrepreneurs often become overconfident about their startups and their influence on an outcome (c","en_topic":"Startup company","wiki_pageid":63216,"wiki_revid":1365607400,"source_url":"https://en.wikipedia.org/?curid=63216","license":"CC BY-SA 4.0"}
{"slug":"due-diligence","lang":"en","title":"Due diligence","text":"Due diligence is the investigation or exercise of care that a reasonable business or person is normally expected to take before entering into an agreement or contract with another party or an act with a certain standard of care.\nDue diligence can be a legal obligation, but the term more commonly applies to voluntary investigations. It may also offer a defence against legal action. A common example of due diligence is the process through which a potential acquirer evaluates a target company or its assets in advance of a merger or acquisition. The theory behind due diligence holds that performing this type of investigation contributes significantly to informed decision making by enhancing the amount and quality of information available to decision makers and by ensuring that this information is systematically used to deliberate on the decision at hand and all its costs, benefits, and risks.\n== Development of the term ==\nThe term \"due diligence\" can be read as \"required carefulness\" or \"reasonable care\" in general usage, and has been used in the literal sense of \"requisite effort\" since at least the mid-fifteenth century. It became a specialized legal term and later a common business term due to the United States' Securities Act of 1933, where the process is called \"reasonable investigation\". Under Section 11b3, a person could avoid liability for an untrue statement of a material fact if they had, \"after reasonable investigation, reasonable ground to believe and did believe, at the time\", the truth of the statement. The defense at Section 11, referred to later in legal usage as the \"due diligence\" defense, could be used by broker-dealers when accused of inadequate disclosure to investors of material information with respect to the purchase of securities. In legal and business use, the term was soon used for the process itself instead of how it was to be performed, so that the original expressions such as \"exercise due diligence in investigating\" and \"investigation carr","en_topic":"Due diligence","wiki_pageid":299610,"wiki_revid":1366325332,"source_url":"https://en.wikipedia.org/?curid=299610","license":"CC BY-SA 4.0"}
{"slug":"special-purpose-acquisition-company","lang":"en","title":"Special-purpose acquisition company","text":"A special-purpose acquisition company (SPAC; ), also known as a blank check company or a blind-pool stock offering, is a shell corporation listed on a stock exchange with the purpose of acquiring (or merging with) a private company, thus taking the private company public through a procedure which requires fewer regulatory filings and has fewer safeguards for investors than the initial public offering (IPO) process. According to the U.S. Securities and Exchange Commission (SEC), SPACs are created specifically to pool funds to finance a future merger or acquisition opportunity within a set timeframe; these opportunities usually have yet to be identified while raising funds.\nIn the U.S., SPACs are registered with the SEC and considered publicly traded companies. The general public may buy their shares on stock exchanges before any merger or acquisition takes place. For this reason they have at times been referred to as the \"poor man's private equity funds.\" The majority of companies pursuing SPACs do so on the Nasdaq or New York Stock Exchange in the US, although other exchanges, such as the Euronext Amsterdam, Singapore Exchange, and Hong Kong Stock Exchange have also overseen a small volume of SPAC deals.\nDespite the popularity and growth in the number of SPACs, academic analysis shows investor returns on SPAC companies post-merger are almost uniformly negative, although investors in SPACs and merged companies may earn excess returns immediately after the merger. Proliferation of SPACs usually accelerates around periods of economic bubbles, such as the \"everything bubble\" between 2020 and 2021.\n== History ==\nBlind-pool stock offerings existed in the 1980's. Their rejuvenation began in the early 1990's with investment bank GKN Securities and its founder David Nussbaum, who was later fined by the National Association of Securities Dealers for overcharging investors but went on to found EarlyBirdCapital in 2003.\nAfter the 1980's the federal government increased regulati","en_topic":"Special-purpose acquisition company","wiki_pageid":4907060,"wiki_revid":1364728100,"source_url":"https://en.wikipedia.org/?curid=4907060","license":"CC BY-SA 4.0"}
{"slug":"startup-accelerator","lang":"en","title":"Startup accelerator","text":"Startup accelerators, also known as seed accelerators, are fixed-term, cohort-based programs, that include mentorship and educational components, and (sometimes) culminate in a public pitch event or demo day. While traditional business incubators are often government-funded, generally take no equity, and rarely provide funding, accelerators can be either privately or publicly funded and cover a wide range of industries. Unlike business incubators, the application process for seed accelerators is open to anyone, but is highly competitive. There are specific accelerators, such as corporate accelerators, which are often subsidiaries or programs of larger corporations that act like seed accelerators.\n== Distinctive qualities ==\nThe main differences between business incubators, startup studios, and accelerators are:\nThe application process is open to anyone but highly competitive. For instance, Y Combinator and TechStars have application acceptance rates between 1% and 3%.\nSeed investment in startups may be made, in exchange for equity. Typically, the investment is between US$20,000 to US$50,000 in the US, or £10,000 to £50,000 in Europe.\nThe focus is generally on small teams, not on individual founders. Accelerators generally consider that one person is insufficient to handle all the work associated with a startup. However, a number of 'founder first' accelerators exist that focus on solo founders, including Entrepreneur First, Antler, Oneday and Underdog Accelerator.\nThe startups must \"graduate\" by a given deadline, typically after 3 months. During this time, they receive intensive mentoring and training, and they are expected to iterate rapidly. Virtually all accelerators end their programs with a \"demo day\", where the startups present to investors.\nStartups are accepted and supported in cohort batches or classes (the accelerator isn't an on-demand resource). The peer support and feedback that the classes provide is an important advantage. If the accelerator doesn't o","en_topic":"Startup accelerator","wiki_pageid":31663587,"wiki_revid":1344257017,"source_url":"https://en.wikipedia.org/?curid=31663587","license":"CC BY-SA 4.0"}
{"slug":"crowdfunding","lang":"en","title":"Crowdfunding","text":"Crowdfunding is the practice of funding a project or venture by raising money from a large number of people, typically via the internet. Crowdfunding is a form of crowdsourcing and alternative finance, to fund projects \"without standard financial intermediaries\". In 2015, over US$34 billion was raised worldwide by crowdfunding. One of the companies obtained money through crowdfunding is Bonaverde in Berlin.\nAlthough similar concepts can also be executed through mail-order subscriptions, benefit events, and other methods, the term crowdfunding refers to internet-mediated registries. This modern crowdfunding model is generally based on three types of actors – the project initiator who proposes the idea or project to be funded, individuals or groups who support the idea, and a moderating organization (the \"platform\") that brings the parties together to launch the idea.\nThe term crowdfunding was coined in 2006 by entrepreneur and technologist, Michael Sullivan, to differentiate traditional fundraising from the trends of native Internet projects, companies and community efforts to support various kinds of creators. Crowdfunding has been used to fund a wide range of for-profit entrepreneurial ventures such as artistic and creative projects, medical expenses, travel, and community-oriented social entrepreneurship projects. Although crowdfunding has been suggested to be highly linked to sustainability, empirical validation has shown that sustainability plays only a fractional role in crowdfunding. Its use has also been criticized for funding quackery, especially costly and fraudulent cancer treatments.\n== History ==\nFunding by collecting small donations from many people has a long history with many roots. Books have been funded in this way in the past; authors and publishers would advertise book projects in praenumeration or subscription schemes. The book would be written and published if enough subscribers signaled their readiness to buy the book once it was out. The subsc","en_topic":"Crowdfunding","wiki_pageid":48505834,"wiki_revid":1362184177,"source_url":"https://en.wikipedia.org/?curid=48505834","license":"CC BY-SA 4.0"}
{"slug":"minimum-viable-product","lang":"en","title":"Minimum viable product","text":"A minimum viable product (MVP) is a version of a product with just enough features to be usable by early customers who can then provide feedback for future product development.\nA focus on releasing an MVP means that developers potentially avoid lengthy and (possibly) unnecessary work. Instead, they iterate on working versions and respond to feedback, challenging and validating assumptions about a product's requirements. The term was coined and defined in 2001 by Frank Robinson and then popularized by Steve Blank and Eric Ries. It may also involve carrying out market analysis beforehand. The MVP is analogous to experimentation in the scientific method applied in the context of validating business hypotheses. It is utilized so that prospective entrepreneurs would know whether a given business idea would actually be viable and profitable by testing the assumptions behind a product or business idea. The concept can be used to validate a market need for a product and for incremental developments of an existing product. As it tests a potential business model to customers to see how the market would react, it is especially useful for new/startup companies who are more concerned with finding out where potential business opportunities exist rather than executing a prefabricated, isolated business model.\n== Description ==\nA minimum viable product has just enough core features to effectively deploy the product, and no more. Developers typically deploy the product to a subset of possible customers, such as early adopters who are thought to be more forgiving, more likely to give feedback, and able to grasp a product vision from an early prototype or marketing information. This strategy aims to avoid building products that customers do not want and seeks to maximize information about the customer with the least money spent. The technique falls under the lean startup methodology as MVPs aim to test business hypotheses and validated learning is one of the five principles of the Lea","en_topic":"Minimum viable product","wiki_pageid":23853677,"wiki_revid":1364501649,"source_url":"https://en.wikipedia.org/?curid=23853677","license":"CC BY-SA 4.0"}
{"slug":"economies-of-scale","lang":"en","title":"Economies of scale","text":"In microeconomics, economies of scale are the cost advantages that enterprises obtain due to their scale of operation, and are typically measured by the amount of output produced per unit of cost (production cost). A decrease in cost per unit of output enables an increase in scale that is, increased production with lowered cost. The basis of economies of scale may be technical, statistical, organizational or related factors to the degree of market control.\nEconomies of scale arise in various organizational and business situations and at various levels, such as a production, plant or an entire enterprise. When average costs decline as output increases, then economies of scale occur. Some economies of scale, such as capital cost of manufacturing facilities and friction loss of transportation and industrial equipment, have a physical or engineering basis. The economic concept dates back to Adam Smith and the idea of obtaining larger production returns through the use of division of labor. Diseconomies of scale are the opposite.\nEconomies of scale often have limits, such as passing the optimum design point where costs per additional unit begin to increase. Common limits include exceeding the nearby raw material supply, such as wood in the lumber, pulp and paper industry. A common limit for a low cost per unit weight raw materials is saturating the regional market, thus having to ship products uneconomic distances. Other limits include using energy less efficiently or having a higher defect rate.\nLarge producers are usually efficient at long runs of a product grade (a commodity) and find it costly to switch grades frequently. They will, therefore, avoid specialty grades even though they have higher margins. Often smaller (usually older) manufacturing facilities remain viable by changing from commodity-grade production to specialty products. Economies of scale must be distinguished from economies stemming from an increase in the production of a given plant. When a p","en_topic":"Economies of scale","wiki_pageid":10517,"wiki_revid":1365703998,"source_url":"https://en.wikipedia.org/?curid=10517","license":"CC BY-SA 4.0"}
{"slug":"patent","lang":"en","title":"Patent","text":"A patent is a type of intellectual property that gives its owner the legal right to exclude others from making, using, or selling an invention for a limited period of time, in exchange for publishing an enabling disclosure of the invention. It offers a bargain between society and inventor: for a limited period of exclusivity, the inventor agrees to make the invention public rather than to keep it secret. In most countries, patent rights fall under private law and the patent holder must sue someone infringing the patent in order to enforce their rights.\nThe procedure for granting patents, requirements placed on the patentee, and the extent of the exclusive rights vary widely between countries according to national laws and international agreements. Typically, however, a patent application must include one or more claims that define the scope of protection that is being sought. A patent may include many claims, each of which defines a specific property right.\nUnder the World Trade Organization's (WTO) TRIPS Agreement, patents should be available in WTO member states for any invention, in all fields of technology, provided they are new, involve an inventive step, and are capable of industrial application. Nevertheless, there are variations on what is patentable subject matter from country to country, also among WTO member states. TRIPS also provides that the term of protection available should be a minimum of twenty years. Some countries have other patent-like forms of intellectual property, such as utility models, which have a shorter monopoly period.\n== Definition ==\nThe word patent originates from the Latin patere, which means \"to lay open\" (i.e., to make available for public inspection). It is a shortened version of the term letters patent, which was an open document or instrument issued by a monarch or government granting exclusive rights to a person, predating the modern patent system. Similar grants included land patents, which were land grants by early state go","en_topic":"Patent","wiki_pageid":23273,"wiki_revid":1365625325,"source_url":"https://en.wikipedia.org/?curid=23273","license":"CC BY-SA 4.0"}
{"slug":"copyright","lang":"en","title":"Copyright","text":"A copyright is a type of intellectual property that gives its owner the exclusive legal right to copy, distribute, adapt, display, and perform a creative work, usually for a limited time. The creative work may be in a literary, artistic, educational, or musical form. Copyright is intended to protect the original expression of an idea in the form of a creative work, but not the idea itself. A copyright is subject to limitations based on public interest considerations, such as the fair use doctrine in the United States and fair dealing doctrine in the United Kingdom.\nSome jurisdictions require \"fixing\" copyrighted works in a tangible form. It is often shared among multiple authors, each of whom holds a set of rights to use or license the work, and who are commonly referred to as rights holders. These rights normally include reproduction, control over derivative works, distribution, public performance, and moral rights such as attribution.\nCopyrights can be granted by public law and are in that case considered \"territorial rights\". This means that copyrights granted by the law of a certain state do not extend beyond the territory of that specific jurisdiction. Copyrights of this type vary by country; many countries, and sometimes a large group of countries, have made agreements with other countries on procedures applicable when works \"cross\" national borders or national rights are inconsistent.\nTypically, the public law duration of a copyright expires 50 to 100 years after the creator dies, depending on the jurisdiction. Some countries require certain copyright formalities to establishing copyright, others recognize copyright in any completed work, without a formal registration. When the copyright of a work expires, it enters the public domain.\n== History ==\n=== Background ===\nThe concept of copyright developed after the printing press came into use in Europe in the 15th and 16th centuries. It was associated with a common law and rooted in the civil law system. The pri","en_topic":"Copyright","wiki_pageid":5278,"wiki_revid":1363670264,"source_url":"https://en.wikipedia.org/?curid=5278","license":"CC BY-SA 4.0"}
{"slug":"probability","lang":"en","title":"Probability","text":"Probability concerns events and numerical descriptions of how likely they are to occur. The probability of an event is a number between 0 and 1; the larger the probability, the more likely an event is to occur. This number is often expressed as a percentage (%), ranging from 0% to 100%. A simple example is the tossing of a fair (unbiased) coin. Since the coin is fair, the two outcomes (\"heads\" and \"tails\") are both equally probable; the probability of \"heads\" is the same as the probability of \"tails\". Since no other outcomes are possible, the probability of either \"heads\" or \"tails\" is 1/2 (which could also be written as 0.5 or 50%).\nThese concepts have been given an axiomatic mathematical formalization in probability theory, which is used widely in areas of study such as statistics, mathematics, science, finance, gambling, artificial intelligence, machine learning, computer science, game theory, and philosophy to, for example, draw inferences about the expected frequency of events. Probability theory is also used to describe the underlying mechanics and regularities of complex systems.\n== Etymology ==\nThe word probability derives from the Latin probabilitas, which can also mean \"probity\", a measure of the authority of a witness in a legal case in Europe, and often correlated with the witness's nobility. In a sense, this differs much from the modern meaning of probability, which in contrast is a measure of the weight of empirical evidence, and is arrived at from inductive reasoning and statistical inference.\n== Interpretations ==\nWhen dealing with random experiments – i.e., experiments that are random and well-defined – in a purely theoretical setting (like tossing a coin), probabilities can be numerically described by the number of desired outcomes, divided by the total number of all outcomes. This is referred to as theoretical probability (in contrast to empirical probability, dealing with probabilities in the context of real experiments). The probability is a n","en_topic":"Probability","wiki_pageid":22934,"wiki_revid":1364646894,"source_url":"https://en.wikipedia.org/?curid=22934","license":"CC BY-SA 4.0"}
{"slug":"bayesian-inference","lang":"en","title":"Bayesian inference","text":"Bayesian inference ( BAY-zee-ən or BAY-zhən) is a method of statistical inference in which Bayes' theorem is used to calculate a probability of a hypothesis, given prior evidence, and update it as more information becomes available. Fundamentally, Bayesian inference uses a prior distribution to estimate posterior probabilities. Bayesian inference is an important technique in statistics, and especially in mathematical statistics. Bayesian updating is particularly important in the dynamic analysis of a sequence of data. Bayesian inference has found application in a wide range of activities, including science, engineering, philosophy, medicine, sport, psychology, and law. In the philosophy of decision theory, Bayesian inference is closely related to subjective probability, often called \"Bayesian probability\".\n== Introduction to Bayes' rule ==\n=== Formal explanation ===\nBayesian inference derives the posterior probability as a consequence of two antecedents: a prior probability and a \"likelihood function\" derived from a statistical model for the observed data. Bayesian inference computes the posterior probability according to Bayes' theorem:\n P\n (\n H\n ∣\n E\n )\n =\n P\n (\n E\n ∣\n H\n )\n ⋅\n P\n (\n H\n )\n P\n (\n E\n )\n ,\n {\\displaystyle P(H\\mid E)={\\frac {P(E\\mid H)\\cdot P(H)}{P(E)}},}\nwhere\n H\n {\\displaystyle H}\n stands for any hypothesis whose probability may be affected by data (called evidence below). Often there are competing hypotheses, and the task is to determine which is the most probable.\n P\n (\n H\n )\n {\\displaystyle P(H)}\n, the prior probability, is the estimate of the probability of the hypothesis\n H\n {\\displaystyle H}\n before the data\n E\n {\\displaystyle E}\n, t","en_topic":"Bayesian inference","wiki_pageid":49571,"wiki_revid":1364298666,"source_url":"https://en.wikipedia.org/?curid=49571","license":"CC BY-SA 4.0"}
{"slug":"hidden-markov-model","lang":"en","title":"Hidden Markov model","text":"In probability theory, a hidden Markov model (HMM) is a Markov model in which the observations are dependent on a latent (or hidden) Markov process (referred to as\n X\n {\\displaystyle X}\n). An HMM requires that there be an observable process\n Y\n {\\displaystyle Y}\n whose outcomes depend on the outcomes of\n X\n {\\displaystyle X}\n in a known way. Since\n X\n {\\displaystyle X}\n cannot be observed directly, the goal is to learn about state of\n X\n {\\displaystyle X}\n by observing\n Y\n {\\displaystyle Y}\n. By definition of being a Markov model, an HMM has an additional requirement that the outcome of\n Y\n {\\displaystyle Y}\n at time\n t\n =\n t\n 0\n {\\displaystyle t=t_{0}}\n must be \"influenced\" exclusively by the outcome of\n X\n {\\displaystyle X}\n at\n t\n =\n t\n 0\n {\\displaystyle t=t_{0}}\n and that the outcomes of\n X\n {\\displaystyle X}\n and\n Y\n {\\displaystyle Y}\n at\n t\n <\n t\n 0\n {\\displaystyle t<t_{0}}\n must be conditionally independent of\n Y\n {\\displaystyle Y}\n at\n t\n =\n t\n 0\n {\\displaystyle t=t_{0}}\n given\n X\n {\\displaystyle X}\n at time\n t\n =\n t\n 0\n {\\displaystyle t=t_{0}}\n. Estimation of the parameters in an HMM can be performed using maximum likelihood estimation. For linear chain HMMs, the Baum–Welch algorithm can be used to estimate parameters.\nHidden Markov models are known for their applications to thermodynamics, statistical mechanics, physics, chemistry, economics, finance, signal processing, information theory, pattern recognition—such as speech recognition, handwriting recognition, gesture recognition, part-of-speech tagging, musical score following, partial discharges and bioinformatics.\n== Definition ==\nLet\n X\n n\n {\\displaystyle X_{n}}\n and\n Y\n","en_topic":"Hidden Markov model","wiki_pageid":98770,"wiki_revid":1366321164,"source_url":"https://en.wikipedia.org/?curid=98770","license":"CC BY-SA 4.0"}
{"slug":"matrix","lang":"en","title":"Matrix (mathematics)","text":"In mathematics, a matrix (pl.: matrices) is a rectangular array of numbers or other mathematical objects with elements or entries arranged in rows and columns, usually satisfying certain properties of addition and multiplication.\nFor example,\n [\n 1\n 9\n −\n 13\n 20\n 5\n −\n 6\n ]\n {\\displaystyle {\\begin{bmatrix}1&9&-13\\\\20&5&-6\\end{bmatrix}}}\ndenotes a matrix with two rows and three columns. This is often referred to as a \"two-by-three matrix\", a 2 × 3 matrix, or a matrix of dimension 2 × 3.\nIn linear algebra, matrices are used as linear maps. In geometry, matrices are used for geometric transformations (for example rotations) and coordinate changes. In numerical analysis, many computational problems are solved by reducing them to a matrix computation, and this often involves computing with matrices of huge dimensions. Matrices are used in most areas of mathematics and scientific fields, either directly, or through their use in geometry and numerical analysis.\nSquare matrices, matrices with the same number of rows and columns, play a major role in matrix theory. The determinant of a square matrix is a number associated with the matrix, which is fundamental for the study of a square matrix; for example, a square matrix is invertible if and only if it has a nonzero determinant and the eigenvalues of a square matrix are the roots of its characteristic polynomial,\n det\n (\n λ\n I\n −\n A\n )\n {\\displaystyle \\det(\\lambda I-A)}\n.\nMatrix theory is the branch of mathematics that focuses on the study of matrices. It was initially a sub-branch of linear algebra, but soon grew to include subjects related to graph theory, algebra, combinatorics and statistics.\n== Definition ==\nA matrix is a rectangular array of numbers (or other mathematical objects), called the \"entries\" of the ","en_topic":"Matrix (mathematics)","wiki_pageid":20556859,"wiki_revid":1363480486,"source_url":"https://en.wikipedia.org/?curid=20556859","license":"CC BY-SA 4.0"}
{"slug":"vector-space","lang":"en","title":"Vector space","text":"In mathematics, a vector space (also called a linear space) is a set whose elements, often called vectors, can be added together and multiplied (\"scaled\") by numbers called scalars. The operations of vector addition and scalar multiplication must satisfy certain requirements, called vector axioms. Real vector spaces and complex vector spaces are kinds of vector spaces based on different kinds of scalars: real numbers and complex numbers. Scalars can also be, more generally, elements of any field.\nVector spaces generalize Euclidean vectors, which allow modeling of physical quantities (such as forces and velocity) that have not only a magnitude, but also a direction. The concept of vector spaces is fundamental for linear algebra, together with the concept of matrices, which allows computing in vector spaces. This provides a concise and synthetic way for manipulating and studying systems of linear equations.\nVector spaces are characterized by their dimension, which, roughly speaking, specifies the number of independent directions in the space. This means that for two vector spaces over a given field and with the same dimension, the properties that depend only on the vector-space structure are exactly the same (that is, the vector spaces are isomorphic). A vector space is finite-dimensional if its dimension is a natural number. Otherwise, it is infinite-dimensional, and its dimension is an infinite cardinal. Finite-dimensional vector spaces occur naturally in geometry and related areas. Infinite-dimensional vector spaces occur in many areas of mathematics. For example, polynomial rings are countably infinite-dimensional vector spaces, and many function spaces have the cardinality of the continuum as a dimension.\nMany vector spaces that are considered in mathematics are also endowed with other structures. This is the case of algebras, which include field extensions, polynomial rings, associative algebras and Lie algebras. This is also the case of topological vector space","en_topic":"Vector space","wiki_pageid":32370,"wiki_revid":1357951431,"source_url":"https://en.wikipedia.org/?curid=32370","license":"CC BY-SA 4.0"}
{"slug":"derivative","lang":"en","title":"Derivative","text":"In mathematics, the derivative is a fundamental tool that quantifies the sensitivity to change of a function's output with respect to its input. The derivative of a function of a single variable at a chosen input value, when it exists, is the slope of the tangent line to the graph of the function at that point. The tangent line is the best linear approximation of the function near that input value. The derivative is often described as the instantaneous rate of change, the ratio of the instantaneous change in the dependent variable to that of the independent variable. The process of finding a derivative is called differentiation.\nThere are multiple different notations for differentiation. Leibniz notation, named after Gottfried Wilhelm Leibniz, is represented as the ratio of two differentials, whereas prime notation is written by adding a prime mark. Higher order notations represent repeated differentiation, and they are usually denoted in Leibniz notation by adding superscripts to the differentials, and in prime notation by adding additional prime marks. Higher order derivatives are used in physics; for example, the first derivative with respect to time of the position of a moving object is its velocity, and the second derivative is its acceleration.\nDerivatives can be generalized to functions of several real variables. In this case, the derivative is reinterpreted as a linear transformation whose graph is (after an appropriate translation) the best linear approximation to the graph of the original function. The Jacobian matrix is the matrix that represents this linear transformation with respect to the basis given by the choice of independent and dependent variables. It can be calculated in terms of the partial derivatives with respect to the independent variables. For a real-valued function of several variables, the Jacobian matrix reduces to the gradient vector.\n== Definition ==\n=== As a limit ===\nA function of a real variable\n f\n (\n x\n ","en_topic":"Derivative","wiki_pageid":7921,"wiki_revid":1358599947,"source_url":"https://en.wikipedia.org/?curid=7921","license":"CC BY-SA 4.0"}
{"slug":"convex-optimization","lang":"en","title":"Convex optimization","text":"Convex optimization is a subfield of mathematical optimization that studies the problem of minimizing convex functions over convex sets (or, equivalently, maximizing concave functions over convex sets). Many classes of convex optimization problems admit polynomial-time algorithms, whereas mathematical optimization is in general NP-hard.\n== Definition ==\n=== Abstract form ===\nA convex optimization problem is defined by two ingredients:\nThe objective function, which is a real-valued convex function of n variables,\n f\n :\n D\n ⊆\n R\n n\n →\n R\n {\\displaystyle f:{\\mathcal {D}}\\subseteq \\mathbb {R} ^{n}\\to \\mathbb {R} }\n;\nThe feasible set, which is a convex subset\n C\n ⊆\n R\n n\n {\\displaystyle C\\subseteq \\mathbb {R} ^{n}}\n.\nThe goal of the problem is to find some\n x\n ∗\n ∈\n C\n {\\displaystyle \\mathbf {x^{\\ast }} \\in C}\n attaining\n inf\n {\n f\n (\n x\n )\n :\n x\n ∈\n C\n }\n {\\displaystyle \\inf\\{f(\\mathbf {x} ):\\mathbf {x} \\in C\\}}\n.\nIn general, there are three options regarding the existence of a solution:\nIf such a point x* exists, it is referred to as an optimal point or solution; the set of all optimal points is called the optimal set; and the problem is called solvable.\nIf\n f\n {\\displaystyle f}\n is unbounded below over\n C\n {\\displaystyle C}\n, or the infimum is not attained, then the optimization problem is said to be unbounded.\nOtherwise, if\n C\n {\\displaystyle C}\n is the empty set, then the problem is said to be infeasible.\n=== Standard form ===\nA convex optimization problem is in standard form if it is written as\n minimize\n x\n f\n (\n x\n )\n s\n u\n b\n j\n ","en_topic":"Convex optimization","wiki_pageid":1674411,"wiki_revid":1347240927,"source_url":"https://en.wikipedia.org/?curid=1674411","license":"CC BY-SA 4.0"}
{"slug":"signal-processing","lang":"en","title":"Signal processing","text":"Signal processing is an electrical engineering subfield that focuses on analyzing, modifying and synthesizing signals, such as sound, images, potential fields, seismic signals, altimetry processing, and scientific measurements. Signal processing techniques are used to optimize transmissions, digital storage efficiency, correcting distorted signals, improve subjective video quality, and to detect or pinpoint components of interest in a measured signal.\n== History ==\nAccording to Alan V. Oppenheim and Ronald W. Schafer, the principles of signal processing can be found in the classical numerical analysis techniques of the 17th century. They further state that the digital refinement of these techniques can be found in the digital control systems of the 1940s and 1950s.\nIn 1948, Claude Shannon wrote the influential paper \"A Mathematical Theory of Communication\" which was published in the Bell System Technical Journal. The paper laid the groundwork for later development of information communication systems and the processing of signals for transmission.\nSignal processing matured and flourished in the 1960s and 1970s, and digital signal processing became widely used with specialized digital signal processor chips in the 1980s.\n== Definition of a signal ==\nIn signal processing, a signal is represented as a function of time:\n x\n (\n t\n )\n {\\displaystyle x(t)}\n, where this function is either\ndeterministic (then one speaks of a deterministic signal) or\na path\n (\n x\n t\n )\n t\n ∈\n T\n {\\displaystyle (x_{t})_{t\\in T}}\n, a realization of a stochastic process\n (\n X\n t\n )\n t\n ∈\n T\n {\\displaystyle (X_{t})_{t\\in T}}\n== Categories ==\n=== Analog ===\nAnalog signal processing is for signals that have not been digitized, as in most 20th-century radio, telephone, and television systems. This involves linear electronic c","en_topic":"Signal processing","wiki_pageid":29324,"wiki_revid":1364858452,"source_url":"https://en.wikipedia.org/?curid=29324","license":"CC BY-SA 4.0"}
{"slug":"fast-fourier-transform","lang":"en","title":"Fast Fourier transform","text":"A fast Fourier transform (FFT) is an algorithm that computes the discrete Fourier transform (DFT), or its inverse (IDFT), of a sequence. A Fourier transform converts a signal from its original domain (often time or space) to a representation in the frequency domain and vice versa.\nThe DFT is obtained by decomposing a sequence of values into components of different frequencies. This operation is useful in many fields, but computing it directly from the definition is often too slow to be practical. An FFT rapidly computes such transformations by factorizing the DFT matrix into a product of sparse (mostly zero) factors. As a result, it manages to reduce the complexity of computing the DFT from\n O\n (\n n\n 2\n )\n {\\textstyle O(n^{2})}\n, which arises if one simply applies the definition of DFT, to\n O\n (\n n\n log\n ⁡\n n\n )\n {\\textstyle O(n\\log n)}\n, where n is the length of the sequence. The difference in speed can be enormous, especially for long sequences where n may be in the thousands or millions.\nAs the FFT is merely an algebraic refactoring of terms within the DFT, the DFT and the FFT both perform mathematically equivalent and interchangeable operations, assuming that all terms are computed with infinite precision. However, in the presence of round-off error, many FFT algorithms are much more accurate than evaluating the DFT definition directly or indirectly. There are many different FFT algorithms based on a wide range of published theories, from simple complex-number arithmetic to group theory and number theory. The best-known FFT algorithms depend upon the factorization of n, but there are FFTs with\n O\n (\n n\n log\n ⁡\n n\n )\n {\\displaystyle O(n\\log n)}\n complexity for all n, including prime values. Many FFT algorithms depend only on the fact that\n e\n −\n 2\n π\n i\n ","en_topic":"Fast Fourier transform","wiki_pageid":11512,"wiki_revid":1364011116,"source_url":"https://en.wikipedia.org/?curid=11512","license":"CC BY-SA 4.0"}
{"slug":"unicode","lang":"en","title":"Unicode","text":"Unicode (also known as The Unicode Standard and TUS) is a character encoding standard maintained by the Unicode Consortium designed to support the use of text in all of the world's writing systems that can be digitized. Version 17.0 defines 159,801 characters and 172 scripts used in various ordinary, literary, academic and technical contexts.\nUnicode has largely supplanted the previous environment of myriad incompatible character sets used within different locales and on different computer architectures. The entire repertoire of these sets, plus many additional characters, were merged into the single Unicode set. Unicode is used to encode the vast majority of text on the Internet, including most web pages, and relevant Unicode support has become a common consideration in contemporary software development. Unicode is ultimately capable of encoding more than 1.1 million characters.\nThe Unicode character repertoire is synchronized with ISO/IEC 10646, each being code-for-code identical with one another. However, The Unicode Standard is more than just a repertoire within which characters are assigned. To aid developers and designers, the standard also provides charts and reference data, as well as annexes explaining concepts germane to various scripts, providing guidance for their implementation. Topics covered by these annexes include character normalization, character composition and decomposition, collation, and directionality.\nUnicode encodes 3,790 emoji, with the continued development thereof conducted by the Consortium as a part of the standard. The widespread adoption of Unicode was in large part responsible for the initial popularization of emoji outside of Japan.\nUnicode text is processed and stored as binary data using one of several encodings, which define how to translate the standard's abstracted codes for characters into sequences of bytes. The Unicode Standard itself defines three encodings: UTF-8, UTF-16, and UTF-32, though several others exist. UTF-8 is ","en_topic":"Unicode","wiki_pageid":31742,"wiki_revid":1366307471,"source_url":"https://en.wikipedia.org/?curid=31742","license":"CC BY-SA 4.0"}
{"slug":"blockchain","lang":"en","title":"Blockchain","text":"A blockchain is a distributed ledger with growing lists of records (blocks) that are securely linked together via cryptographic hashes. Each block contains a cryptographic hash of the previous block, a timestamp, and transaction data (generally represented as a Merkle tree, where data nodes are represented by leaves). Since each block contains information about the previous block, they effectively form a chain (viz. linked list data structure), with each additional block linking to the ones before it. Consequently, blockchain transactions are resistant to alteration because, once recorded, the data in any given block cannot be changed retroactively without altering all subsequent blocks and obtaining network consensus to accept these changes.\nBlockchains are typically managed by a peer-to-peer (P2P) computer network for use as a public distributed ledger, where nodes collectively adhere to a consensus algorithm protocol to add and validate new transaction blocks. Although blockchain records are not unalterable, since blockchain forks are possible, blockchains may be considered secure by design and exemplify a distributed computing system with high Byzantine fault tolerance.\nA blockchain was created by a person (or group of people) using the name (or pseudonym) Satoshi Nakamoto in 2008 to serve as the public distributed ledger for bitcoin cryptocurrency transactions, based on previous work by Stuart Haber, W. Scott Stornetta, and Dave Bayer. The implementation of the blockchain within bitcoin made it the first digital currency to solve the double-spending problem without the need for a trusted authority or central server. The bitcoin design has inspired other applications and blockchains that are readable by the public and are widely used by cryptocurrencies. The blockchain may be considered a type of payment rail.\nPrivate blockchains have been proposed for business use. Computerworld called the marketing of such privatized blockchains without a proper security model","en_topic":"Blockchain","wiki_pageid":44065971,"wiki_revid":1364687265,"source_url":"https://en.wikipedia.org/?curid=44065971","license":"CC BY-SA 4.0"}
{"slug":"cryptocurrency","lang":"en","title":"Cryptocurrency","text":"Cryptocurrency is a type of digital asset that uses distributed ledger, or blockchain, technology to enable a secure transaction.\nIndividual coin ownership records are stored in a digital ledger or blockchain, which is a computerized database that uses a consensus mechanism to secure transaction records, control the creation of additional coins, and verify the transfer of coin ownership. The two most common consensus mechanisms are proof of work and proof of stake. Despite the name, which has come to describe many of the fungible blockchain tokens that have been created, cryptocurrencies are not considered to be currencies in the traditional sense, and varying legal treatments have been applied to them in various jurisdictions, including classification as commodities, securities, and currencies. Cryptocurrencies are generally viewed as a distinct asset class in practice.\n== History ==\nIn 1983, American cryptographer David Chaum conceived of a type of cryptographic electronic money called ecash. Later, in 1995, he implemented it through Digicash, an early form of cryptographic electronic payments. Digicash required user software in order to withdraw notes from a bank and designate specific encrypted keys before they could be sent to a recipient. This allowed the digital currency to be untraceable by a third party.\nIn 1996, the National Security Agency published a paper entitled How to Make a Mint: The Cryptography of Anonymous Electronic Cash, describing a cryptocurrency system. The paper was first published in an MIT mailing list (October 1996) and later (April 1997) in The American Law Review.\nIn 1998, Wei Dai described \"b-money,\" an anonymous, distributed electronic cash system. Shortly thereafter, Nick Szabo described bit gold. Like bitcoin and other later cryptocurrencies, bit gold was proposed as a digital currency system in which users would generate money by completing proof-of-work functions whose solutions were cryptographically chained and published.\nIn Ja","en_topic":"Cryptocurrency","wiki_pageid":36662188,"wiki_revid":1365386516,"source_url":"https://en.wikipedia.org/?curid=36662188","license":"CC BY-SA 4.0"}
{"slug":"quantum-computing","lang":"en","title":"Quantum computing","text":"A quantum computer is a computer that represents and processes information using quantum states. Quantum computations exploit phenomena such as superposition, interference, and entanglement. Quantum computers have the potential to complete some calculations exponentially faster than classical computers. For example, a large-scale quantum computer could break widely used encryption schemes and aid physicists in performing physical simulations. However, current hardware implementations of quantum computation are largely experimental and suitable for only certain specialized tasks.\nThe basic unit of information in quantum computing, the qubit (quantum bit), serves a similar function as the bit in ordinary or \"classical\" computing. Unlike a classical bit, which can be in one of two states (a binary), a qubit can exist in a linear combination of states known as a quantum superposition. The result of measuring a qubit is one of the two states, given by a probabilistic rule. If a quantum computer manipulates the qubit in a particular way, wave interference effects amplify the probability of the desired measurement result. Quantum algorithm design involves creating procedures that allow a quantum computer to perform this amplification.\nQuantum computers are not yet practical for real-world applications. If a physical qubit is not sufficiently isolated from its environment, it suffers from quantum decoherence, introducing noise (error) into calculations. Governments have invested in research aimed at developing qubits with longer coherence times and lower error rates. Example implementations include superconductors (which isolate an electrical current by eliminating electrical resistance) and ion traps (which confine a single atomic particle using electromagnetic fields). Researchers have claimed that quantum devices can outperform classical computers on specific tasks, a metric referred to as quantum advantage or quantum supremacy. Such tasks are not necessarily useful for ","en_topic":"Quantum computing","wiki_pageid":25220,"wiki_revid":1366460372,"source_url":"https://en.wikipedia.org/?curid=25220","license":"CC BY-SA 4.0"}
{"slug":"ethereum","lang":"en","title":"Ethereum","text":"Ethereum is a decentralized blockchain with smart contract functionality. Ether (abbreviation: ETH) is the native cryptocurrency of the platform. Among cryptocurrencies, ether is second only to bitcoin in market capitalization. It is open-source software.\nEthereum was conceived in 2013 by programmer Vitalik Buterin. Other founders include Gavin Wood, Charles Hoskinson, Anthony Di Iorio, and Joseph Lubin. In 2014, development work began and was crowdfunded, and the network went live on 30 July 2015. Ethereum allows anyone to deploy decentralized applications onto it, which anyone can then use. Decentralized finance (DeFi) applications provide financial instruments that do not directly rely on financial intermediaries like brokerages, exchanges, or banks. This facilitates borrowing against cryptocurrency holdings or lending them out for interest. Ethereum allows users to create fungible (e.g. ERC-20) and non-fungible tokens (NFTs) with a variety of properties, and to create smart contracts that can receive, hold and send those assets in accordance with the contract's immutable code and a transaction's input data.\nOn 15 September 2022, Ethereum transitioned its consensus mechanism from proof-of-work (PoW) to proof-of-stake (PoS) in an update known as \"The Merge\", which cut the blockchain's energy usage by over 99%.\n== History ==\n=== Founding (2013–2014) ===\nEthereum was initially described in late 2013 in a white paper by Vitalik Buterin, a programmer and co-founder of Bitcoin Magazine, that described a way to build decentralized applications. Buterin argued to the Bitcoin Core developers that blockchain technology could benefit from other applications besides money and that it needed a more robust language for application development that could lead to attaching real-world assets, such as stocks and property, to the blockchain. In 2013, Buterin briefly worked with eToro CEO Yoni Assia on the Colored Coins project and drafted its white paper outlining additional use ca","en_topic":"Ethereum","wiki_pageid":41754003,"wiki_revid":1360810245,"source_url":"https://en.wikipedia.org/?curid=41754003","license":"CC BY-SA 4.0"}
{"slug":"non-fungible-token","lang":"en","title":"Non-fungible token","text":"A non-fungible token (NFT) is a unique digital identifier that is recorded on a blockchain and is used to certify ownership and authenticity. They typically contain references to digital files such as artworks, photos, videos, and audio. Because NFTs are uniquely identifiable, they differ from cryptocurrencies (which are fungible, hence the name non-fungible token), and as a result they cannot be copied, substituted, or subdivided. Their ownership can be transferred by the owner, allowing NFTs to be sold and traded.\nInitially pitched in 2017 as a new class of investment asset, NFT trading increased from US$82 million in 2020 to US$17 billion in 2021. Its market was occasionally compared to an economic bubble or a Ponzi scheme. In 2022, the NFT market collapsed; a May 2022 estimate was that the number of sales was down over 90% compared to 2021. By September 2023 one report claimed that over 95% of NFT collections had zero monetary value.\nProponents claim that NFTs provide a public certificate of authenticity or proof of ownership, but the legal rights conveyed by an NFT can be uncertain. The ownership of an NFT as defined by the blockchain has no inherent legal meaning and does not necessarily grant copyright, intellectual property rights, or other legal rights over its associated digital file. An NFT does not restrict the sharing or copying of its associated digital file and does not prevent the creation of NFTs that reference identical files. NFTs have been used as speculative investments and have drawn criticism for the energy cost and carbon footprint associated with some types of blockchain, as well as their use in art scams.\n== Characteristics ==\nAn NFT is a data file, stored on a type of digital ledger called a blockchain, which can be sold and traded. The NFT can be associated with a particular asset – digital or physical – such as an image, art, music, or recording of a sports event. It may confer licensing rights to use the asset for a specified purpose. A","en_topic":"Non-fungible token","wiki_pageid":57306201,"wiki_revid":1365551551,"source_url":"https://en.wikipedia.org/?curid=57306201","license":"CC BY-SA 4.0"}
{"slug":"quantum-entanglement","lang":"en","title":"Quantum entanglement","text":"Quantum entanglement is the phenomenon in which the quantum state of each particle in a group cannot be described independently of the state of the others, even when the particles are separated by a large distance. The topic of quantum entanglement is at the heart of the disparity between classical physics and quantum physics: entanglement is a primary feature of quantum mechanics not present in classical mechanics.\nMeasurements of physical properties such as position, momentum, spin, and polarization performed on entangled particles can, in some cases, be found to be perfectly correlated. For example, if a pair of entangled particles is generated such that their total spin is known to be zero, and one particle is found to have clockwise spin on a first axis, then the spin of the other particle, measured on the same axis, is found to be anticlockwise. This behavior gives rise to seemingly paradoxical effects: any measurement of a particle's properties results in an apparent and irreversible wave function collapse of that particle and changes the original quantum state. With entangled particles, such measurements affect the entangled system as a whole.\nSuch phenomena were the subject of a 1935 paper by Albert Einstein, Boris Podolsky, and Nathan Rosen, and several papers by Erwin Schrödinger shortly thereafter, describing what came to be known as the EPR paradox. Einstein and others considered such behavior impossible, as it violated the local realism view of causality and argued that the accepted formulation of quantum mechanics must therefore be incomplete.\nLater, the counterintuitive predictions of quantum mechanics were verified in tests where polarization or spin of entangled particles were measured at separate locations, statistically violating Bell's inequality. This established that the correlations produced from quantum entanglement cannot be explained in terms of local hidden variables.\nEntanglement can produce statistical correlations between events in wid","en_topic":"Quantum entanglement","wiki_pageid":25336,"wiki_revid":1364298029,"source_url":"https://en.wikipedia.org/?curid=25336","license":"CC BY-SA 4.0"}
{"slug":"semiconductor","lang":"en","title":"Semiconductor","text":"A semiconductor is a material with electrical conductivity between that of a conductor and an insulator. Its conductivity can be modified by adding impurities (\"doping\") to its crystal structure. When two regions with different doping levels are present in the same crystal, they form a semiconductor junction. The term \"semiconductors\" is sometimes used to refer to semiconductor devices such as microchips and computer processors, which work using the physical properties of semiconductors.\nThe behavior of charge carriers, which include electrons, ions, and electron holes, at these junctions is the basis of diodes, transistors, and most modern electronics. Some examples of semiconductors are silicon, germanium, gallium arsenide, and elements near the so-called \"metalloid staircase\" on the periodic table. After silicon, gallium arsenide is the second-most common semiconductor and is used in laser diodes, solar cells, microwave-frequency integrated circuits, and others. Silicon is a critical element for fabricating most electronic circuits.\nSemiconductor devices can display a range of different useful properties, such as passing current more easily in one direction than the other, showing variable resistance, and having sensitivity to light or heat. Because the electrical properties of a semiconductor material can be modified by doping and by the application of electrical fields or light, devices made from semiconductors can be used for amplification, switching, and energy conversion. The term semiconductor is also used to describe materials used in high capacity, medium- to high-voltage cables as part of their insulation, and these materials are often plastic XLPE (cross-linked polyethylene) with carbon black.\nThe conductivity of silicon can be increased by adding a small amount (of the order of 1 in 108) of pentavalent (antimony, phosphorus, or arsenic) or trivalent (boron, gallium, indium) atoms. This process is known as doping, and the resulting semiconductors are kn","en_topic":"Semiconductor","wiki_pageid":27709,"wiki_revid":1360843406,"source_url":"https://en.wikipedia.org/?curid=27709","license":"CC BY-SA 4.0"}
{"slug":"moore-s-law","lang":"en","title":"Moore's law","text":"Moore's law is the observation that the number of transistors in an integrated circuit (IC) doubles about every two years, with minimal increase in cost. Despite the name, Moore's law describes an empirical relationship, not a scientific law. This type of observation, an experience curve effect, quantifies efficiency gains from learned experience in production.\nThe observation is named after Gordon Moore, the co-founder of Fairchild Semiconductor and Intel and former Chief Executive Officer of the latter, who in 1965 noted that the number of components per integrated circuit had been doubling every year, and projected that this rate of growth would continue for at least another decade. In 1975, looking forward to the next decade, he revised the forecast to doubling every two years, a compound annual growth rate (CAGR) of 41%. Moore's empirical evidence did not imply that the historical trend would continue; nevertheless, his prediction has held since 1975 and has since become known as a law.\nMoore's prediction has been used in the semiconductor industry to guide long-term planning and to set targets for research and development (R&D). Advancements in digital electronics, such as the reduction in quality-adjusted prices of microprocessors, the increase in memory capacity (RAM and flash), the improvement of sensors, and even the number and size of pixels in digital cameras, are strongly linked to Moore's law. These ongoing changes in digital electronics have been a driving force of technological and social change, productivity, and economic growth.\nIndustry experts have not reached a consensus on exactly when Moore's law will cease to apply. Microprocessor architects report that semiconductor advancement has slowed industry-wide since around 2010, slightly below the pace predicted by Moore's law. In September 2022, Nvidia CEO Jensen Huang considered Moore's law dead, while Intel's then CEO Pat Gelsinger had the opposite view.\n== History ==\nIn 1959, Douglas Engelbart s","en_topic":"Moore's law","wiki_pageid":39418,"wiki_revid":1363903429,"source_url":"https://en.wikipedia.org/?curid=39418","license":"CC BY-SA 4.0"}
{"slug":"tensor-processing-unit","lang":"en","title":"Tensor Processing Unit","text":"Tensor Processing Unit (TPU) is a neural processing unit (NPU) application-specific integrated circuit (ASIC) developed by Google for neural network machine learning. Tensorflow, Jax, and PyTorch are supported frameworks for TPU. Google began using TPUs internally in 2015, and in 2018 made them available for third-party use, both as part of its cloud infrastructure and by offering a smaller version of the chip for sale. Currently, Google Cloud generates product revenues primarily from the sale of TPU systems.\n== Comparison of TPUs and GPUs ==\nCompared to a graphics processing unit, TPUs are designed for a high volume of low precision computation (e.g. as little as 8-bit precision) with more input/output operations per joule, without hardware for rasterisation or texture mapping. The TPU ASICs are mounted in a heatsink assembly, which can fit in a hard drive slot within a data center rack, according to Norman Jouppi.\nDifferent types of processors are suited for different types of machine learning models. TPUs are well suited for convolutional neural networks (CNNs), while GPUs have benefits for some fully connected neural networks, and CPUs can have advantages for recurrent neural networks (RNNs).\n== History ==\nIn 2013, Google recruited Amir Salek to establish custom silicon development capabilities for the company's datacenters. As founder and head of Custom Silicon for Google Technical Infrastructure and Google Cloud, Salek led the development of the original TPU (Google's first production chip), TPUv2 (the industry's first production deep-learning training chip), TPUv3, TPUv4, Edge-TPU, and additional silicon products including the VCU, IPU, and OpenTitan.\nAccording to Jonathan Ross, one of the original TPU engineers, and later the founder of Groq, three separate groups at Google were developing AI accelerators, with the TPU, a systolic array, being the design that was ultimately selected.\nNorman P. Jouppi served as the tech lead and principal architect for Google","en_topic":"Tensor Processing Unit","wiki_pageid":50673241,"wiki_revid":1366020253,"source_url":"https://en.wikipedia.org/?curid=50673241","license":"CC BY-SA 4.0"}
{"slug":"application-specific-integrated-circuit","lang":"en","title":"Application-specific integrated circuit","text":"An application-specific integrated circuit (ASIC ) is an integrated circuit (IC) chip customized for a particular use, rather than intended for general-purpose use, such as a chip designed to run in a digital voice recorder or a high-efficiency video codec. Application-specific standard product chips are intermediate between ASICs and industry standard integrated circuits like the 7400 series or the 4000 series. ASIC chips are typically fabricated using metal–oxide–semiconductor (MOS) technology, as MOS integrated circuit chips.\nAs feature sizes have shrunk and chip design tools improved over the years, the maximum complexity (and hence functionality) possible in an ASIC has grown from 5,000 logic gates to over 100 million. Modern ASICs often include entire microprocessors, memory blocks including ROM, RAM, EEPROM, flash memory and other large building blocks. Such an ASIC is often termed a SoC (system-on-chip). Designers of digital ASICs often use a hardware description language (HDL), such as Verilog or VHDL, to describe the functionality of ASICs.\nField-programmable gate arrays (FPGA) are the modern-day technology improvement on breadboards, meaning that they are not made to be application-specific as opposed to ASICs. Programmable logic blocks and programmable interconnects allow the same FPGA to be used in many different applications. For smaller designs or lower production volumes, FPGAs may be more cost-effective than an ASIC design, even in production. The non-recurring engineering (NRE) cost of an ASIC can run into the millions of dollars. Therefore, device manufacturers typically prefer FPGAs for prototyping and devices with low production volume and ASICs for very large production volumes where NRE costs can be amortized across many devices.\n== History ==\nEarly ASICs used gate array technology. By 1967, Ferranti and Interdesign were manufacturing early bipolar gate arrays. In 1967, Fairchild Semiconductor introduced the Micromatrix family of bipolar diode","en_topic":"Application-specific integrated circuit","wiki_pageid":147845,"wiki_revid":1366310415,"source_url":"https://en.wikipedia.org/?curid=147845","license":"CC BY-SA 4.0"}
{"slug":"solid-state-drive","lang":"en","title":"Solid-state drive","text":"A solid-state drive (SSD) is a type of solid-state storage device that uses integrated circuits to store data persistently. It is sometimes called semiconductor storage device, solid-state device, or solid-state disk. Etymologically, \"solid-state drive\" partly refers to existing data storage devices like tape drives and hard disk drives, which all used a mechanically driven storage medium.\nSSDs rely on non-volatile memory, typically NAND flash, to store data in memory cells. The performance and endurance of SSDs vary depending on the number of bits stored per cell, ranging from high-performing single-level cells (SLC) to more affordable but slower quad-level cells (QLC). In addition to flash-based SSDs, other technologies such as 3D XPoint offer faster speeds and higher endurance through different data storage mechanisms.\nUnlike traditional hard disk drives (HDDs), SSDs have no moving parts, allowing them to deliver faster data access speeds, reduced latency, increased resistance to physical shock, lower power consumption, and silent operation.\nOften interfaced to a system in the same way as HDDs, SSDs are used in a variety of devices, including personal computers, enterprise servers, and mobile devices. However, SSDs are generally more expensive on a per-gigabyte basis and have a finite number of write cycles, which can lead to data loss over time. Despite these limitations, SSDs are increasingly replacing HDDs, especially in performance-critical applications and as primary storage in many consumer devices.\nSSDs come in various form factors and interface types, including SATA, PCIe, and NVMe, each offering different levels of performance. Hybrid storage solutions, such as solid-state hybrid drives (SSHDs), combine SSD and HDD technologies to offer improved performance at a lower cost than pure SSDs.\n== Attributes ==\nAn SSD stores data in semiconductor cells, with its properties varying according to the number of bits stored in each cell (between 1 and 4). Single-le","en_topic":"Solid-state drive","wiki_pageid":7366298,"wiki_revid":1365163945,"source_url":"https://en.wikipedia.org/?curid=7366298","license":"CC BY-SA 4.0"}
{"slug":"nanotechnology","lang":"en","title":"Nanotechnology","text":"Nanotechnology is the manipulation of matter with at least one dimension sized from 1 to 100 nanometers (nm). At this scale, commonly known as the nanoscale, surface area and quantum mechanical effects become important in describing properties of matter. This definition of nanotechnology includes all types of research and technologies that deal with these special properties. It is common to see the plural form \"nanotechnologies\" as well as \"nanoscale technologies\" to refer to research and applications whose common trait is scale. An earlier understanding of nanotechnology referred to the particular technological goal of precisely manipulating atoms and molecules for fabricating macroscale products, now referred to as molecular nanotechnology.\nA near-synonym of \"nanotechnology\" is nanoscience (i.e., nanophysics, nanochemistry, nanobiology and nanoinformatics); however, the term \"nanoscience\" emphasizes the pure science aspects of the field, whilst nanotechnology, methods and processes (e.g., nanolithography and nanobiosensing) are the concrete output of applied nanosciences (e.g., nanoengineering and nanomedicine).\nNanotechnology defined by scale includes fields of science such as surface science, organic chemistry, molecular biology, semiconductor physics, energy storage, engineering, microfabrication, and molecular engineering. The associated research and applications range from extensions of conventional device physics to molecular self-assembly, from developing new materials with dimensions on the nanoscale to direct control of matter on the atomic scale.\nNanotechnology may be able to create new materials and devices with diverse applications, such as in nanomedicine, nanoelectronics, agricultural sectors, biomaterials energy production, and consumer products. However, nanotechnology raises issues, including concerns about the toxicity and environmental impact of nanomaterials, and their potential effects on global economics, as well as various doomsday scenarios","en_topic":"Nanotechnology","wiki_pageid":21488,"wiki_revid":1366321250,"source_url":"https://en.wikipedia.org/?curid=21488","license":"CC BY-SA 4.0"}
{"slug":"crispr","lang":"en","title":"CRISPR","text":"CRISPR (; acronym for clustered regularly interspaced short palindromic repeats) is a family of DNA sequences found in the genomes of prokaryotic organisms such as bacteria and archaea. Each sequence within an individual prokaryotic CRISPR is derived from a DNA fragment of a bacteriophage that had previously infected the prokaryote or one of its ancestors. These sequences are used to detect and destroy DNA from similar bacteriophages during subsequent infections. Hence these sequences play a key role in the antiviral (i.e. anti-phage) defense system of prokaryotes and provide a form of heritable, acquired immunity. CRISPR is found in approximately 50% of sequenced bacterial genomes and nearly 90% of sequenced archaea.\nCas9 (or \"CRISPR-associated protein 9\") is an enzyme that uses CRISPR sequences as a guide to recognize and open up specific strands of DNA that are complementary to the CRISPR sequence. Cas9 enzymes together with CRISPR sequences form the basis of a technology known as CRISPR-Cas9 that can be used to edit genes within living organisms. This editing process has a wide variety of applications including basic biological research, development of biotechnological products, and treatment of diseases. The development of the CRISPR-Cas9 genome editing technique was recognized by the Nobel Prize in Chemistry in 2020 awarded to Emmanuelle Charpentier and Jennifer Doudna.\n== History ==\nThe CRISPR/Cas system evolved in nature as a means for bacteria to protect themselves from invading viruses and bacteriophages by inserting pieces of their DNA into the host genome. This allowed the adaptive immune system to respond accordingly on a subsequent infection. It was discovered in Streptococcus pyogenes and later found across many other species.\n=== Repeated sequences ===\nThe discovery of clustered DNA repeats took place independently in three parts of the world. The first description of what would later be called CRISPR is Ishino, et al. in 1987. They accidentally clon","en_topic":"CRISPR","wiki_pageid":2146034,"wiki_revid":1363126909,"source_url":"https://en.wikipedia.org/?curid=2146034","license":"CC BY-SA 4.0"}
{"slug":"bioinformatics","lang":"en","title":"Bioinformatics","text":"Bioinformatics ( ) is an interdisciplinary field of science that develops computational methods and software tools for understanding biological data, especially when the data sets are large and complex. Bioinformatics integrates principles from biology, chemistry, physics, computer science, data science, computer programming, information engineering, mathematics, and statistics to analyze and interpret biological data. This process can sometimes be referred to as computational biology; however, the distinction between the two terms is often disputed. The term computational biology can refer to building and using models of biological systems.\nComputational, statistical, and computer programming techniques have been used for computer simulation analyses of biological queries. They include reused specific analysis \"pipelines\", particularly in the field of genomics, such as by the identification of genes and single nucleotide polymorphisms (SNPs). These pipelines are used to better understand the genetic basis of disease, unique adaptations, desirable properties (especially in agricultural species), or differences between populations. Bioinformatics also includes proteomics, which aims to understand the organizational principles within nucleic acid and protein sequences.\nImage and signal processing allow the extraction of useful results from large amounts of raw data. It aids in sequencing and annotating genomes and their observed mutations. Bioinformatics includes text mining of biological literature and the development of biological and gene ontologies to organize and query biological data. It also plays a role in the analysis of gene and protein expression and regulation. Bioinformatic tools aid in comparing, analyzing, and interpreting genetic and genomic data and in the understanding of evolutionary aspects of molecular biology. At a more integrative level, it helps analyze and catalogue the biological pathways and networks that are an important part of systems b","en_topic":"Bioinformatics","wiki_pageid":4214,"wiki_revid":1364125249,"source_url":"https://en.wikipedia.org/?curid=4214","license":"CC BY-SA 4.0"}
{"slug":"cognitive-science","lang":"en","title":"Cognitive science","text":"Cognitive science is the interdisciplinary, scientific study of the mind and its processes. It examines the nature, the tasks, and the functions of cognition (in a broad sense). Mental faculties of concern to cognitive scientists include perception, memory, attention, reasoning, language, and emotion. To understand these faculties, cognitive scientists borrow from fields such as psychology, philosophy, artificial intelligence, neuroscience, linguistics, and anthropology. The typical analysis of cognitive science spans many levels of organization, from learning and decision-making to logic and planning; from neural circuitry to modular brain organization. One of the fundamental concepts of cognitive science is that \"thinking can best be understood in terms of representational structures in the mind and computational procedures that operate on those structures.\"\n== History ==\nThe cognitive sciences began as an intellectual movement in the 1950s, called the cognitive revolution. Cognitive science has a prehistory traceable back to ancient Greek philosophical texts (see Plato's Meno and Aristotle's De Anima).\nThe modern culture of cognitive science can be traced back to the early cyberneticists in the 1930s and 1940s, such as Warren McCulloch and Walter Pitts, who sought to understand the organizing principles of the mind. McCulloch and Pitts developed the first variants of what are now known as artificial neural networks, models of computation inspired by the structure of biological neural networks.\nAnother precursor was the early development of the theory of computation and the digital computer in the 1940s and 1950s. Kurt Gödel, Alonzo Church, Claude Shannon, Alan Turing, and John von Neumann were instrumental in these developments. The modern computer, or Von Neumann machine, would play a central role in cognitive science, both as a metaphor for the mind and as a tool for investigation.\nThe first instance of cognitive science experiments being conducted at an academ","en_topic":"Cognitive science","wiki_pageid":5626,"wiki_revid":1366153440,"source_url":"https://en.wikipedia.org/?curid=5626","license":"CC BY-SA 4.0"}
{"slug":"consciousness","lang":"en","title":"Consciousness","text":"Consciousness is being aware of something internal to one's self, or of states or objects in one's external environment. It has been the topic of extensive explanations, analyses, and debate among philosophers, scientists, and theologians for millennia. There is no consensus on what exactly needs to be studied, or whether consciousness can be considered a scientific concept. In some explanations it is synonymous with mind, while in others it is considered an aspect of it.\nIn the past, consciousness meant one's \"inner life\": the world of introspection, private thought, imagination, and volition. Today, it often includes various forms of cognition, experience, feeling, or perception. It may be awareness, awareness of awareness, metacognition, or self-awareness, either continuously changing or not. There is also a medical definition that helps, for example, to discern \"coma\" from other states. The disparate range of research, notions, and speculations raises some curiosity about whether the right questions are being asked.\nExamples of the range of descriptions, definitions and explanations are: ordered distinction between self and environment, simple wakefulness, one's sense of selfhood or soul explored by \"looking within\", being a metaphorical \"stream\" of contents, or being a mental state, mental event, or mental process of the brain.\n== Etymology ==\nThe words \"conscious\" and \"consciousness\" in the English language date to the 17th century, and the first recorded use of \"conscious\" as a simple adjective was applied figuratively to inanimate objects (\"the conscious Groves\", 1643). It derived from the Latin conscius (con- \"together\" and scio \"to know\") which meant \"knowing with\" or \"having joint or common knowledge with another\", especially as in sharing a secret. Thomas Hobbes in Leviathan (1651) wrote: \"Where two, or more men, know of one and the same fact, they are said to be Conscious of it one to another\". There were also many occurrences in Latin writings of the p","en_topic":"Consciousness","wiki_pageid":5664,"wiki_revid":1366274892,"source_url":"https://en.wikipedia.org/?curid=5664","license":"CC BY-SA 4.0"}
{"slug":"5g","lang":"en","title":"5G","text":"5G is the fifth and current generation of cellular network technology and the successor to 4G. In common commercial use, the term refers primarily to mobile networks based on the 3rd Generation Partnership Project (3GPP) 5G system and its New Radio (NR) air interface, which were first specified in 3GPP Release 15. 5G was developed to meet the International Telecommunication Union's IMT-2020 framework for fifth-generation mobile systems. Large-scale commercial deployments began in 2019, including South Korea's national 5G rollout. 5G networks may be deployed in non-standalone mode, using existing LTE core-network infrastructure, or in standalone mode with a dedicated 5G Core.\nLike earlier cellular systems, 5G networks divide service areas into smaller zones called cells, which are served by fixed cell sites. Compatible devices connect by radio to local base stations, which are linked to an operator's core network and to external networks such as the Internet through backhaul connections. 5G can be deployed using low-band, mid-band, and high-band radio spectrum, with coverage and performance depending heavily on the frequencies used, network design, congestion, and device capabilities.\nCompared with 4G, 5G is designed to provide higher data rates, greater network capacity, lower latency, improved support for dense device deployments, and more flexible network management. For IMT-2020 radio-interface evaluation, the ITU specified peak data-rate requirements of 20 Gbit/s downlink and 10 Gbit/s uplink under ideal conditions, as well as latency and connection-density targets for enhanced mobile broadband, ultra-reliable low-latency communications, and massive machine-type communications. Actual user speeds are typically much lower than peak values and vary by operator, location, spectrum band, signal quality, and network load.\n5G is used for mobile broadband, fixed wireless access, private and industrial networks, and machine-type communications. Its standards support fea","en_topic":"5G","wiki_pageid":23475353,"wiki_revid":1366163949,"source_url":"https://en.wikipedia.org/?curid=23475353","license":"CC BY-SA 4.0"}
evals/embedding-default/corpus/he.jsonl
+130 -10
View File
@@ -5,76 +5,196 @@
{"slug":"hugging-face","lang":"he","title":"Hugging Face","text":"Hugging Face היא חברה אמריקאית המפתחת כלים לבניית יישומים באמצעות למידת מכונה. בין מוצרי הדגל של החברה בולטת ספריית הטרנספורמרים שלה שנבנתה עבור יישומי עיבוד שפה טבעית. בנוסף, לחברה פלטפורמה בשם Hugging Face Hub, המאפשרת למשתמשים לשתף מודלים ומערכי נתונים של למידת מכונה בקוד פתוח. על אף שמדובר בחברה פרטית, נכון ל-2023 אופי החברה דוגל בשיתופיות והנגשת מודלי שפה גדולים, הנחשבת לנחלתם של תאגידים טכנולוגיים, לכלל קהילת המפתחים.\n== היסטוריה ==\nהחברה נוסדה ב-2016 על ידי היזמים הצרפתים קלמנט דלאנג, ז'וליאן שאמון ותומס וולף. מטרת החברה בעת היווסדה הייתה פיתוח אפליקציית צ'אטבוט המיועדת לבני נוער. לאחר שהחברה פרסמה בקוד פתוח את המודל שעמד בבסיס הצ'אטבוט, החלה החברה לפנות לכיוון פיתוח פלטפורמה פתוחה למודלי למידת מכונה.\nבמרץ 2021 גייסה החברה 40 מיליון דולר בסבב גיוס B.\nב-28 באפריל 2021, החברה השיקה את סדנת המחקר BigScience בשיתוף עם מספר קבוצות מחקר אחרות, במטרה לשחרר לקהילה מודל שפה גדול בקוד פתוח. בשנת 2022 הסתיימה הסדנה בהכרזה על BLOOM, מודל שפה רב לשוני עם 176 מיליארד פרמטרים.\nב-21 בדצמבר 2021, החברה הודיעה על רכישת Gradio, ספריית תוכנה המשמשת להדגמות דפדפן אינטראקטיביות של מודלים של למידת מכונה.\nב-5 במאי 2022, החברה הודיעה על סבב גיוס נוסף, לפי שווי של 2 מיליארד דולר.\nב-3 באוגוסט 2022, החברה הכריזה על Private Hub, גרסה פרטית עם ייעוד ארגוני של פלטפורמת המודלים הפתוחה Hugging Face Hub.\nבפברואר 2023, החברה הודיעה על שותפות עם Amazon Web Services ‏(AWS) שתאפשר ללקוחות AWS שימוש מותאם אישית במוצרים של Hugging Face. עוד הודיעה כי הדור הבא של מודל השפה BLOOM יופעל על Trainium, שבב למידת מכונה קנייני שנוצר על ידי AWS.\nבאוגוסט 2023, הודיעה החברה כי גייסה 235 מיליון דולר, לפי שווי של 4.5 מיליארד דולר. המימון הובל על ידי Salesforce, בשיתוף ענקיות טכנולוגיה נוספות, בהן גוגל, אמזון, אנבידיה, AMD, אינטל, יבמ וקוואלקום.\n== שירותים וטכנולוגיות ==\n=== ספריית Transformers ===\nספריית Transformers היא חבילת פייתון המכילה יישומי קוד פתוח של מודלי טרנספורמר הנועדו לבצע משימות מתחום ניתוחי הטקסט, התמונה והאודיו. הספרייה מותאמת לפרויקטים המשתמשים בספריות הלמידה העמוקה הפופולריות ביותר PyTorch, ","en_topic":"Hugging Face","wiki_pageid":2227499,"wiki_revid":43621164,"source_url":"https://he.wikipedia.org/?curid=2227499","license":"CC BY-SA 4.0"}
{"slug":"nvidia","lang":"he","title":"אנבידיה","text":"אנבידיה (באנגלית: Nvidia, נהגה \"אֶן-וידיה\") היא חברה אמריקאית, ספקית גדולה של מיקרו-שבבים המשמשים לערכות שבבים של מחשבים אישיים, יחידות עיבוד גרפיות (GPU), כרטיסי מסך (מאיצים גרפיים), חישובי בינה מלאכותית, התקני מדיה ותקשורת וקונסולות משחקים. החברה מוכרת בזכות סדרות כרטיסי המסך למחשב GeForce ו-Quadro, סדרת ערכות השבבים nForce, וסדרת השבבים טגרה לסמארטפונים ולטאבלטים. המטה הראשי של החברה נמצא בסנטה קלרה שבקליפורניה.\nהחברה היא ספקית פלטפורמות לארבעה שווקים מרכזיים: משחקים, ויזואליזציות מקצועיות, מרכזי נתונים, וכלי רכב. בנוסף מפתחת החברה פלטפורמות לשוק הבינה המלאכותית והלמידה העמוקה. בשל הדומיננטיות המוחלטת של שבביה בהפעלת מודלי שפה גדולים, הפכה אנבידיה לספקית התשתית המרכזית עבור מדינות המבקשות לבצר את הריבונות הדיגיטלית שלהן באמצעות הקמת \"בינה מלאכותית ריבונית\" (Sovereign AI) – תשתית מחשוב עצמאית המאפשרת למדינה לשלוט בנתוניה ובנכסיה האסטרטגיים.\nבסוף יוני 2024 הפכה לחברה הציבורית בעלת שווי שוק הגבוה בעולם. ב-21 בינואר 2025 הגיע שווי השוק שלה ל-3.46 טריליון דולר, והיא הפכה שוב לבעלת שווי השוק הגבוה בעולם. היא אחת מהחברות בעלות שווי השוק הגדול ביותר. ביולי 2025 שווי השוק שלה היה גבוה מ-4 טריליון דולר, ובכך הייתה לחברה הראשונה אי פעם שעשתה כך. בסוף אוקטובר 2025 שווי השוק שלה עבר את ה-5 טריליון דולר.\n== היסטוריה ==\nחברת Nvidia הוקמה בשנת 1993 על ידי שלושה מייסדים, המהנדסים האמריקאים כריס מלקווסקי וקרטיס פרים , ולצדם מעצב המעבדים האמריקאי-טאיווני ג'נסן הואנג.\nהמוצר הראשון שלה היה כרטיס המולטימדיה NV1 שייצא בשנת 1995, ומחירו היה 199 דולר. אף שהיה מאוד מתקדם לזמנו בשל השימוש בליבת 3D, הוא לא זכה להצלחה רבה. הסיבה – עם יציאת Windows 95 וטכנולוגיית ה-Direct3D, לא היה כדאי לייצר את המעבדים הגרפים של Nvidia.\nבשנת 1997 הוציאה Nvidia את הכרטיס השני שלה, עם המעבד RIVA 128. הכרטיס הצליח במיוחד, והיווה תחרות ל-VooDoo Rush שנחשב להצלחה. Nvidia המשיכה לפרוץ באותה עת עם יתר סדרת כרטיסי RIVA וסדרת ההמשך, RIVA TNT, שנחשבה לסדרת הדגל של החברה באותה עת. כרטיסים אלו נועדו להתחרות ביתר כרטיסי Voodoo של 3dfx, וכן בכרטיסים נוספים: Rage של ATi, סדרת Savage של S3 Graphics, וכרטיסי המסך של PowerVR","en_topic":"Nvidia","wiki_pageid":323696,"wiki_revid":43505077,"source_url":"https://he.wikipedia.org/?curid=323696","license":"CC BY-SA 4.0"}
{"slug":"meta-platforms","lang":"he","title":"מטא (חברה)","text":"מֶטָא בע\"מ (באנגלית: Meta Platforms, Inc.‎; לשעבר \"פייסבוק בע\"מ\", .Facebook, Inc) היא חברה ציבורית רב-לאומית אמריקאית, המפעילה בין השאר את הרשתות החברתיות פייסבוק, אינסטגרם ו-Threads, את תוכנות המסרים המיידיים וואטסאפ ופייסבוק מסנג'ר, ואת חברת המחשוב הלביש אוקולוס. החברה נוסדה באמצע 2004, כחצי שנה לאחר הקמת אתר האינטרנט שבבעלותה. האתר הוקם על ידי מארק צוקרברג, אדוארדו סברין, דסטין מוסקוביץ', כריס יוז ואנדרו מקולום בהיותם סטודנטים באוניברסיטת הרווארד, ב-4 בפברואר 2004.\nליבת הפעילות של החברה היא פרסום המבוסס על נתונים הנאספים על המשתמשים, והכנסתה העיקרית נובעת מפרסומות בשירותים שבבעלותה וכן מפרסומות שלה המוטמעות באתרים מכל רחבי העולם, אך חלק מהכנסותיה מגיע גם ממוצרים אחרים, כגון חנות המתנות הווירטואלית או שירותי קרדיט וירטואליים לאפליקציות כמו פארמוויל. החברה היא אחת מחמש חברות הביג טק – חברות טכנולוגיית המידע הגדולות ביותר בארצות הברית. אולם מאז סוף 2020 מתנהלת נגדה תביעה של ועדת הסחר הפדרלית, בדרישה לחייב אותה למכור את \"אינסטגרם\" ואת \"וואטסאפ\" בטענה שרכישתם הביאו לה כוח מונופוליסטי ואנטי-תחרותי.\nמטא היא אחת מהחברות בעלות שווי השוק הגדול ביותר.\n== היסטוריה ==\n=== הקמה ===\nב-4 בפברואר 2004 סטודנטים באוניברסיטת הרווארד, מארק צוקרברג ואדוארדו סברין, ייסדו את אתר \"הפייסבוק\". ב-2005 שמו של האתר שונה ל\"פייסבוק\", לאחר שקנו את שם התחום \"facebook.com\" ב-200,000 דולר. עם הצלחתו המהירה, נתגלעו חילוקי דעות בין סברין וצוקרברג על הכיוון אליו צריכה החברה לשאוף. סברין הגיש תביעה נגד פייסבוק אשר יושבה מחוץ לכותלי בית המשפט. הפרטים לא ידועים וסברין חתם על הסכם סודיות, אך סברין הוכרז באופן רשמי כמייסד משותף של פייסבוק באתר החברה.\nחברת פייסבוק נוסדה באמצע 2004, כחצי שנה לאחר הקמת אתר האינטרנט שבבעלותה. במרץ 2006 דחתה החברה הצעה לרכישתה תמורת 750 מיליון דולר והודיעה שהיא מחכה להצעה של 2 מיליארד דולר. לשם השוואה, ביולי 2005 האתר \"מייספייס\", שהיה הרשת החברתית הפופולרית בעולם, נרכש תמורת 580 מיליון דולר על ידי \"ניוז קורפ\". באפריל 2006 גייסה החברה 25 מיליון דולר ממשקיעי הון סיכון. באותה עת מספר המבקרים הייחודיים באתר הגיע ל-10.5 מיליון בחודש. במאי 2006 החלה לאפשר לחברות להקים עמודים עסקיים ב","en_topic":"Meta Platforms","wiki_pageid":1008529,"wiki_revid":43578997,"source_url":"https://he.wikipedia.org/?curid=1008529","license":"CC BY-SA 4.0"}
{"slug":"palantir-technologies","lang":"he","title":"פלנטיר טכנולוגיות","text":"פלנטיר טכנולוגיות (באנגלית: Palantir Technologies Inc) היא חברה ציבורית אמריקאית המתמחה בתוכנות לניתוח ביג דאטה.\nהחברה נוסדה על ידי פיטר טיל, ניית'ן גטינגס, ג'ו לונסדייל, סטיבן כהן ואלכס קארפ בשנת 2003. שמה נגזר מ\"שר הטבעות\", שבו פלנטיר הוא חפץ אגדי מהלגנדריום (היקום הדמיוני) של טולקין, פירוש המילה פלנטיר, היא \"אבן רואי\" או \"הצופה למרחק\". החברה הונפקה בשנת 2020 בהנפקה ישירה לציבור (DPO).\nהמטה של פלנטיר נמצא בדנוור שבקולורדו, ויש לה משרדים במספר מדינות בהן ארצות הברית, קנדה, צרפת, גרמניה וישראל. מנכ\"ל החברה הוא אלכס קארפ.\nהחברה עובדת עם סוכנויות המודיעין האמריקאיות, כמו CIA (שהיה גם משקיע מוקדם בחברה), FBI, NSA וגם עם הכוחות המזוינים של ארצות הברית, ועם הכוחות המזוינים של אוקראינה במלחמה מול רוסיה וצבאות וגופים נוספים. המוצר המרכזי של החברה מאפשר ללקוחות לנתח כמויות אדירות של מידע ממקורות שונים, להגיע למסקנות ולזהות קשרים. פלנטיר התפרסמה, בין השאר, במהלך המלחמה באפגניסטן, כשלפי דיווחים היא סייעה בתפיסתו של אוסאמה בן לאדן.\nבינואר 2024 פורסם כי פלנטיר תשתף פעולה עם צה\"ל בתחום הבינה המלאכותית.\n== מוצרים ==\n==== פלנטיר גות'האם (Palantir Gotham) ====\n\"פלנטיר גות'האם\" היא הפתרון הממשלתי/ביטחוני של החברה לכרייה וניתוח נתונים והפקת תובנות. זוהי תוצאה של עבודה ארוכת השנים של פלנטיר עם קהילת המודיעין של ארצות הברית.\n==== פלנטיר מטרופוליס (Palantir Metropolis) ====\n\"פלנטיר מטרופוליס\" (שנודעה בעבר בשם \"Palantir Finance\") הייתה תוכנה לשילוב נתונים, ניהול מידע וניתוח כמותי. התוכנה מתחברת למערכי נתונים מסחריים, קנייניים וציבוריים ומגלה מגמות, מערכות יחסים וחריגות, כולל ניתוח חיזוי. משמשת בעיקר קרנות גידור, בנקים, חברות פיננסיות לארגון וניתוח נתונים.\n==== פלנטיר אפולו (Palantir Apollo) ====\n\"פלנטיר אפולו\" היא מערכת אספקה רציפה (CD) המנהלת ופורסת את המוצרים \"Palantir Gotham and Foundry\". אפולו נבנתה מתוך הצורך של לקוחות להשתמש במספר פלטפורמות ענן ציבוריות ופרטיות כחלק מהתשתית שלהם. אפולו מתזמנת עדכונים לתצורות ותוכנות בפלטפורמות Foundry ו-Gotham באמצעות ארכיטקטורת מיקרו שירותים ומאפשר לפלנטיר לספק תוכנה כשירות (SaaS) במקום לפעול כחברת ייעוץ.\n==== פלנטיר פאונדרי (Palantir Foundry) ===","en_topic":"Palantir Technologies","wiki_pageid":2313528,"wiki_revid":43575311,"source_url":"https://he.wikipedia.org/?curid=2313528","license":"CC BY-SA 4.0"}
{"slug":"apple-inc","lang":"he","title":"אפל","text":"אפל בע\"מ (באנגלית: .Apple lnc; עד 2007 נקראה .Apple Computer lnc) היא תאגיד רב-לאומי אמריקאי, המעצב ומפתח מוצרי אלקטרוניקה, תוכנות מחשב, שירותי בידור וצריכה ועוד.\nהמוצרים המוכרים ביותר של החברה הם קו המחשבים מקינטוש, סדרת הטלפונים החכמים אייפון, מותגי האוזניות AirPods ו-Beats, שירות המוזיקה אפל מיוזיק, חנות האפליקציות App Store וסדרת מחשבי הלוח אייפד. מוצרים ידועים אחרים הם סדרת נגני המולטימדיה אייפוד, שירות המוזיקה הוותיק אייטונס, שירות הענן iCloud, תוכנת שיחות הווידאו FaceTime, השעון החכם Apple Watch, שירות הצפייה הישירה Apple TV+ והתוכנות המקצועיות Logic Pro ו-GarageBand. מערכות ההפעלה הידועות שנוצרו בפיתוחה של החברה הן מערכת ההפעלה iOS למכשירים ניידים כמו אייפון ואייפד, מערכת ההפעלה macOS (לשעבר system) למחשבי המקינטוש, ומערכות ההפעלה watchOS ו-tvOS.\nאפל מחזיקה תחתיה רשת קמעונאות בשם Apple Store. נכון ליוני 2026, יש לה 540 חנויות (מתוכן 272 בארצות הברית ו54 בקליפורניה) ב-25 מדינות ברחבי העולם וברבעון האחרון של שנת 2015 ביקרו בחנויות ברחבי העולם כ-120 מיליון אנשים. כמו כן, החברה מפעילה חנות מקוונת באתר האינטרנט שלה. נכון ל-2020, לחברה יש 147,000 עובדים ברחבי העולם.\nהחברה הגיעה לשווי שוק של טריליון דולר בשנת 2018, ב-19 באוגוסט 2020, הגיעה לשווי שוק של מעל שני טריליון דולר, ובינואר 2022 הגיעה החברה לשווי שוק של מעל שלושה טריליון דולר. החברה הראשונה בהיסטוריה שהגיעה לשווי זה. בתאריך 11 במאי 2022 החברה הודחה מהתואר החברה עם שווי שוק הגדול בעולם על ידי חברת עראמקו הסעודית. אפל היא אחת מחמש חברות הביג טק – חברות טכנולוגיית המידע הגדולות ביותר בארצות הברית. ביוני 2023 חזרה להיות החברה הגדולה בעולם והיא אחת מהחברות בעלות שווי השוק הגדול ביותר.\n== היסטוריה ==\nחברת אפל בהרכבה הראשון נוסדה ב-1 באפריל 1976 בקופרטינו אשר בקליפורניה על ידי סטיב ג'ובס, סטיב ווזניאק ורונלד ויין, והוכרה כ-״Apple Computer Inc\" ב-3 בינואר 1977. ווזניאק היה האקר אלקטרוניקה שעבד משנת 1975 בחברת HP וסייע לידידו ג'ובס (השניים היו ידידים כבר משנת 1971) בעיצוב משחקי וידאו עבור אטארי.\nווזניאק גילה עניין בבניית מחשב אישי ובכתיבת גרסת בייסיק עבורו, וכשהופיע מעבד חדש, בשם 6502 של חברת MOS, במחיר $25 (לעומת ה","en_topic":"Apple Inc.","wiki_pageid":41611,"wiki_revid":43356331,"source_url":"https://he.wikipedia.org/?curid=41611","license":"CC BY-SA 4.0"}
{"slug":"alphabet-inc","lang":"he","title":"אלפאבית (חברה)","text":"אלפאבית (באנגלית: .Alphabet Inc,‏ NASDAQ:‏ GOOGL) היא חברת החזקות העוסקת בטכנולוגיה וממוקמת במאונטיין ויו, קליפורניה. היא הוקמה על מנת להפוך את גוגל לחברה שמתמקדת רק בשירותי אינטרנט ולאפשר עצמאות לחברות הבנות שלא עוסקות בתחום, ונוצרה כתוצאה מארגון מחדש של חברת גוגל ב-2 באוקטובר 2015. בכך הפכה לחברת האם של גוגל ומספר חברות בנות שלה. שני המייסדים של גוגל מינו את עצמם לתפקידים בכירים בחברה החדשה: לארי פייג' בתפקיד המנכ\"ל וסרגיי ברין בתפקיד נשיא החברה.\nאלפאבית עוסקת בכמה תעשיות כגון טכנולוגיה, מדעי החיים, הון סיכון, ומחקר. חלק מחברות הבנות שלה הן גוגל, קאליקו, כרוניקל, GV, קאפיטל-ג'י, ורילי, X, לון וגוגל פייבר. כמה מחברות הבנות של אלפאבית שינו את שמן לאחר עזיבת גוגל והמעבר לחברה החדשה, כגון גוגל X אשר הפכה ל-X. לאחר הארגון מחדש, לארי פייג' מונה למנכ\"ל אלפאבית וסונדאר פיצ'אי תפס את מקומו בתור מנכ\"ל גוגל. מניות גוגל הומרו למניות אלפאבית.\nהיא אחת מהחברות בעלות שווי השוק הגדול ביותר.\n== היסטוריה ==\nב-10 באוגוסט 2015 לארי פייג' שהיה אז מנכ\"ל גוגל, פרסם בבלוג הרשמי של גוגל הכרזה על תוכנית להקמת חברת החזקות ציבורית חדשה, אלפאבית בע\"מ. אלפאבית הוקמה לצורך ארגון מחדש של גוגל על ידי העברת חברות בנות של גוגל ממנה לאלפאבית על מנת לצמצם את תחום הפעילות של גוגל. על פי ההכרזה, החברה הייתה אמורה לכלול את גוגל ועוד מספר חברות כולל X, קאפיטל-ג'י ו-GV. סונדאר פיצ'אי שעד אז היה מנהל המוצרים של גוגל החליף את לארי פייג' בתור מנכ\"ל החברה.\nבפוסט בבלוג, לארי פייג' מסביר את תפקיד אלפאבית:\n\"אלפאבית היא ברובה אוסף של חברות. הגדולה מבניהן היא מן הסתם, גוגל. גוגל החדשה היא קצת רזה יותר, בעוד החברות אשר לא קשורות לתפקיד העיקרי של גוגל יהיו שייכות לאלפאבית במקום גוגל. [...] אנו מאמינים שהארגון מחדש יאפשר לנו לנהל יותר טוב את גוגל ואת חברות הבנות האחרות.\"\nפייג' מסביר גם את המקור לשם החברה:\n\"אנו אוהבים את השם אלפאבית מכיוון שמשמעותו הוא אוסף של אותיות המייצגות שפה, אחת ההמצאות הכי חשובות של האנושות וזה הלב של הדרך בה מנוע החיפוש עובד! אנו גם אוהבים שזה אומר אלפא-בית (הפירוש של אלפא זה החזר פעיל של השקעה) ולזה אנו שואפים!\".\nפייג' גם אמר שהארגון מחדש של גוגל נועד על מנת לעשות את גוגל יותר \"שקופה ואחראית\".","en_topic":"Alphabet Inc.","wiki_pageid":1303541,"wiki_revid":43469537,"source_url":"https://he.wikipedia.org/?curid=1303541","license":"CC BY-SA 4.0"}
{"slug":"ibm","lang":"he","title":"IBM","text":"IBM קורפוריישן (ראשי התיבות של \"International Business Machines\") הוא תאגיד רב-לאומי אמריקאי, שמרכזו במדינת ניו יורק, והוא מהווה את אחד התאגידים הגדולים והוותיקים בעולם המחשוב, ובמשך שנים רבות היה הגדול בתחום זה. מכונה גם \"הענק הכחול\" (Big Blue) על שום גודלו וצבעו הכחול של הלוגו שלו.\nהתאגיד עוסק במגוון תחומי חומרה, תוכנה ושירותים: מעבדים, מערכות מחשב שלמות בגדלים שונים, ציוד היקפי, תווכה, תוכנות מסדי נתונים, שרתי יישומים, כלי פיתוח, ייעוץ ועוד.\nבשנת 2012 היה IBM המוביל במספר הפטנטים הנרשמים על שמו בארצות הברית, זו השנה ה-20 ברציפות. הוא המעסיק הגדול בעולם של עובדים בתחום טכנולוגיית המידע. בשנת 2018 העסיק IBM כ-350,000 עובדים ברחבי תבל ובהם גם ב\"יבמ ישראל\".\nמשנת 2012 ועד אפריל 2020 עמדה בראש החברה וירג'יניה (ג'יני) רומטי. היא הוחלפה על ידי ארווינד קרישנה .\n== היסטוריה ==\nהתאגיד הוקם בשנת 1896 בשם Tabulating Machine Company (חברת מכונות טבולציה), על ידי הרמן הולרית'. החברה תכננה וייצרה מכונות לעיבוד כרטיסי ניקוב, בהן השתמשו במפקד האוכלוסין האמריקאי של שנת 1900. בשנת 1911 התאגדה החברה עם עוד שלוש חברות בשם (CTR (Computing Tabulating Recording Corporation, ובשנת 1916 נרשם התאגיד למסחר בבורסה לניירות ערך בניו יורק. ב-14 בפברואר 1924 שינה את שמו ל-IBM.\nבשנת 1914 מונה תומאס ג' ווטסון האב למנכ\"ל. במהלך תקופתו, משנות ה-20 עד שנות ה-50 של המאה ה-20, התאגיד גדל והתרחב לשווקים בינלאומיים כשהוא מתבסס בעיקר על כרטיסי ניקוב. ווטסון פיתח ב-IBM סגנון ניהול ייחודי, ונטע מעין \"גאוות יחידה\", שגבלה לעיתים בפולחן אישיות כלפי עצמו וכלפי הארגון. משבר השפל הגדול פגע ב-IBM בצורה קשה, אך צעדי הבראה שננקטו כחלק מתוכנית ה\"ניו דיל\", הזניקו מחדש את המכירות.\nכחלק ממאמץ המלחמה במלחמת העולם השנייה ייצר עבור צבא ארצות הברית רובים מדגם M1 קרבין ומדגם בראונינג אוטומטי. במהלך מלחמה זו שימש ציוד לעיבוד נתונים של IBM גם את גרמניה הנאצית. ההיסטוריון, סופר ועיתונאי בעל טור אדווין בלאק, בספרו IBM and the Holocaust, האשים את IBM כי סיפק ציוד ושירותים לגרמניה, אך לטענת IBM אובדן השליטה ב-Dehomag, שהייתה חברת הבת של IBM בגרמניה, לאחר עליית הנאצים לשלטון, הוא שגרם לכך. בעקבות המקרה הגיש ב-2005 הארגון הצועני \"פעו","en_topic":"IBM","wiki_pageid":327382,"wiki_revid":43603278,"source_url":"https://he.wikipedia.org/?curid=327382","license":"CC BY-SA 4.0"}
{"slug":"advanced-micro-devices","lang":"he","title":"AMD","text":"Advanced Micro Devices, Inc. (בראשי תיבות: AMD) היא חברה אמריקאית רב-לאומית, יצרנית של מעגלים משולבים. בסיסה בסנטה קלרה, קליפורניה. היא היצרן השני בגודלו של יחידות עיבוד מרכזי תואמי x86, היצרנית הגדולה ביותר של יחידות עיבוד מרכזי תואם FPGA, וספק מוביל של זיכרון מסוג Flash. היא נוסדה ב-1969 על ידי קבוצה של פורשים מחברת המוליכים למחצה \"Fairchild\", הכוללת את ג'רי סנדרס. בעוד שבעבר ייצרה מעבדים במפעלים משלה, החל משנת 2009 מכרה את מפעלי הייצור שלה לחברת \"מובאדלה\", קרן העושר הריבונית של ממשלת אבו דאבי, הפועלים תחת חברה חדשה בשם \"Global Foundaries\", כאשר נותרה המתכננת והמעצבת של השבבים, שאותם אחר-כך שולחת לייצור במפעלים חיצוניים (מודל פאבלס), ביניהם גם החל מ-2014 חברת השבבים הטיוואנית TSMC, שסיפקה לה קווי ייצור של 7 ננומטר.\nAMD היא חברה ציבורית שמניותיה נסחרות בבורסת ניו יורק תחת הסימן AMD.\nAMD ידועה במיוחד בקווי הייצור של מעבדי x86 הבאים: Ryzen, Epyc,‏ Athlon,‏ Phenom,‏ Opteron ו-Duron. רכיבים יותר כלליים שלה ניתן למצוא במחשבי האפל הישנים ובהתקנים אלקטרוניים אחרים.\nבשנת 2006 רכשה AMD את יצרנית המעבדים גרפים הקנדית ATI והפכה לדואופול בתחום, יחד עם המתחרה אנבידיה. ב-14 בפברואר 2022, סיימה AMD את הליכי הרכש של חברת Xilinx, מייצרת השבבים מסוג FPGA, ובכך הפכה ליצרנית הגדולה ביותר בתחום זה. החל מ-2023 החלה להתמקד בתחום החומרה לבינה מלאכותית, כמתחרה העיקרית של אנבידיה.\n== היסטוריה ==\n=== ייסוד והתפתחות: 1969 - 1991 ===\nהחברה החלה כיצרן של שבבים לוגיים ב-1969 ונכנסה לעסקי שבבי ה-RAM ב-1975. באותה שנה, היא הציגה \"שיבוט\" מהונדס לאחור למיקרו מעבד אינטל 8080.\nבפברואר 1982, חתמה AMD חוזה עם אינטל, ובכך הפכה ליצרן מקור שני של מעבדי 8086 ו-8088. IBM רצתה להשתמש ב-8088 של אינטל ב-IBM PC שלה, אך המדיניות של IBM באותו הזמן הייתה לדרוש שיהיו לפחות שני מקורות עבור השבבים שלה.\nמאוחר יותר יצרה AMD את ה-80286, או בקיצור 286, תחת אותו הסכם, עד שאינטל ביטלה את ההסכם ב-1986. הפופולריות הגוברת של שוק תואמי ה-IBM PC אפשר לאינטל לייצר מעבדים בתנאים שלה, במקום בתנאים של IBM.\n=== 1991 - 1995 ===\nב-1991, AMD הוציאה לאור את ה-Am386, השיבוט שלה של מה שהיה מאוחר יותר המעבד 80386. לקח ל-AMD פחות משנה למכור ","en_topic":"Advanced Micro Devices","wiki_pageid":324319,"wiki_revid":43631464,"source_url":"https://he.wikipedia.org/?curid=324319","license":"CC BY-SA 4.0"}
{"slug":"salesforce","lang":"he","title":"סיילספורס","text":"Salesforce.com היא חברת תוכנה אמריקאית העוסקת בשירותי מחשוב ענן ומספקת שירותי תוכנה כשירות (SaaS) לניהול קשרי לקוחות (CRM) וכן פלטפורמת פיתוח (PaaS) לאפליקציות עסקיות (Force.com) עבור ארגונים, דרך רשת האינטרנט. מטה החברה שוכן בסן פרנסיסקו, בנוסף לעשרות משרדים ברחבי העולם. היא נסחרת בבורסה לניירות ערך בניו יורק תחת הסימול CRM. החל מאוגוסט 2020, סיילספורס היא מרכיב במדד דאו ג'ונס. סיילספורס דורגה במקום ה-120 במהדורת 2026 של רשימת Fortune 500, עם הכנסות של 37.895 מיליארד דולר.\n== היסטוריה ==\nהחברה נוסדה בשנת 1999 על ידי מארק בניוף, בדירה שכורה בסן פרנסיסקו, לאחר שעזב את חברת אורקל בה היה סגן נשיא. בניוף הצהיר על רצונו לשנות את המודל המסורתי של עולם התוכנה לתוכנה בענן – Saas, בנוסף הוא טבע גם את המונח \"platform as a service\". סיילספורס רשמה את הרווח הראשון שלה, של 3.5 מיליון דולר, בשנת הכספים שהסתיימה בינואר 2004, על הכנסות של 96 מיליון דולר.\nביוני 2004, ביצעה הנפקה ראשונה לציבור בבורסה לניירות ערך בניו יורק. מניית החברה זינקה בכ-50% ביום המסחר הראשון. החברה גייסה בהנפקה 110 מיליון דולר.\nבשנת 2012 רכשה את חברת Heroku המפתחת פלטפורמה כשירות במודל ענן (Platform as a service) תמורת 212 מיליון דולר.\nביוני 2019 רכשה חברת סיילספורס את חברת Tableau המתמחה ביישומי ניתוח נתונים בסכום של כ-15.7 מיליארד דולר.\n== מוצרים ==\nהמוצרים של החברה נשענים על מודל \"על-פי דרישה\" (On-Demand), דרך רשת האינטרנט, זאת לעומת המודל המסורתי בו התוכנה מותקנת על מחשב הלקוח ונמכרת על בסיס רישיון. החברה מספקת ללקוחותיה מערכות שונות, הניתנות להתאמה אישית, לניהול תהליכי שיווק, מכירות ושירות בארגונים. לחברה מעל 92,000 לקוחות המשרתים מיליוני משתמשי קצה ב-16 שפות שונות (2011).\nבינואר 2006 השיקה החברה את ה-AppExchange, המאפשר להוריד וליצור אפליקציות שונות, שנוצרו על ידי מפתחים עצמאיים ונותנות ללקוח אפשרויות להתאמה אישית של התוכנה לפי צרכיו.\nבשנת 2007 השיקה החברה פלטפורמה לפיתוח של תוכנות לפי-דרישה בשם Force.com. התאמה של המערכת נעשית בעזרת כלים של המערכת ובעזרת סביבת הפיתוח Force.com, קוד בשם APEX וסביבת פיתוח מסכים בשם VisualForce.\n== פעילות בישראל ==\nSalesforce.com מפעילה בישראל משרדים בתל אביב ונצרת. לחברה ","en_topic":"Salesforce","wiki_pageid":882817,"wiki_revid":42768072,"source_url":"https://he.wikipedia.org/?curid=882817","license":"CC BY-SA 4.0"}
{"slug":"sap","lang":"he","title":"SAP (חברה)","text":"SAP (ראשי תיבות בגרמנית של \"Systeme, Anwendungen und Produkte in der Datenverarbeitung\", בעברית: \"מערכות, יישומים ומוצרים לעיבוד נתונים\") היא חברה תוכנה אירופאית בין לאומית העוסקת בפיתוח תוכנות ארגוניות לניהול עסקים וקשרי לקוחות. מטה החברה ממוקם בוולדורף, באדן-וירטמברג, גרמניה, עם סניפים אזוריים ב-180 מדינות.\n== החברה ==\nחברת SAP נוסדה ב-1972 בידי עובדי IBM לשעבר, קלאוס וולנראותר, הנס-ורנר הקטור, קלאוס צ'ירה, דייטמר הופ והאסו פלאטנר.\nהחברה מפעילה מרכזי פיתוח (SAP Labs) ב-17 מדינות: גרמניה (בה עובדים כמחצית מכלל עובדי החברה), ארצות הברית (בקליפורניה), יפן, ישראל ועוד 13 מדינות, ופעילה ב-180 מדינות. לחברה גם קרן השקעות בסטארטאפים בשם SAP.io.\nבשנת 2008 רכשה SAP את חברת Business Objects שהייתה אחת החברות המובילות בעולם בתחום הבינה העסקית (Business Intelligence). במאי 2010 הודיעה החברה על רכישת חברת בסיסי הנתונים Sybase בתמורה ל-5.8 מיליארד דולר.\nהחברה פעילה רבות בתחום מחשוב הענן ורכשה מספר חברות בתחום מאז שנת 2012, על מנת להתמודד עם המתחרה העיקרית שלה, חברת אורקל. בין הרכישות, חברת Concur שנרכשה ב-8.3 מיליארד דולר ב-2014. פתרון הענן העיקרי של החברה נקרא HANA, והפך לאחד ממנועי ההכנסות העיקריים של החברה. זוהי פלטפורמת פיתוח, המספקת תשתית וכלים לבניית יישומי ביג דאטא הדורשים ביצועים גבוהים. החברה גם הגדילה מאז 2016 את פעילותה בתחום האינטרנט של הדברים (IoT).\nבינואר 2019 הודיעה החברה על קיצוץ של ארבעת אלפים עובדים במסגרת תוכנית אסטרטגית למעבר לטכנולוגיות ענן מודרניות. באותה שנה היא רכשה את חברת Qualtrics תמורת 8 מיליארד דולד.\nבאוקטובר 2019 הודיע מנכ\"ל החברה ביל מקדרמוט שיפרוש מתפקידו, אחרי 9 שנים בתפקיד.\nבמרץ 2026 חתמה החברה על הסכם לרכישת חברת רלטיו תמורת כשני מיליארד דולר.\n=== SAP.iO ===\nSAP.iO היא קרן השקעות early stage של חברת SAP. הקרן ממוקדת בהשקעות בסטארטאפים בתחילת דרכם ונכון לשנת 2020 ביצעה הקרן מספר השקעות, בהן בחברת BigID.\n=== פעילות החברה בישראל ===\n ערך מורחב – סאפ לאבס ישראל\nמרכז הפיתוח של SAP ברעננה הוקם בשנת 1998 ומהווה חלק חשוב מרשת הפיתוח הגלובלית של SAP. קבוצת הפיתוח SAP-Gigya הוקמה בתל אביב בשנת 2019, עם רכישתה ומיזוגה לחברה של חברת גיגיה. בעבר היה לחברה ","en_topic":"SAP","wiki_pageid":26688,"wiki_revid":43007410,"source_url":"https://he.wikipedia.org/?curid=26688","license":"CC BY-SA 4.0"}
{"slug":"tesla-inc","lang":"he","title":"טסלה (חברה)","text":"טסלה בע\"מ (באנגלית: .Tesla, Inc), לשעבר טסלה מוטורס (באנגלית: .Tesla Motors, Inc), היא חברה אמריקאית בינלאומית העוסקת בייצור כלי רכב המבוססים על הנעה חשמלית, ייצור ואחסון של אנרגיה סולארית, ופיתוח טכנולוגיות של אנרגיה נקייה. החברה נוסדה ב-2003 ושמה הוא מחווה לממציא ניקולה טסלה. מטה החברה ממוקם באוסטין, בירת מדינת טקסס שבארצות הברית. נמנית עם החברות המרכיבות את מדד S&P 500. בנובמבר 2024 חצה שווי השוק של החברה את רף טריליון דולר. היא אחת מהחברות בעלות שווי השוק הגדול ביותר.\n== היסטוריה ==\n=== הקמת החברה ===\nהחברה התאגדה בשם \"Tesla Motors, Inc.\" ביולי 2003 על ידי מרטין אברהארד ומארק טרפנינג . הם התרשמו מכך שהצרכנים הגיבו בחיוב למכונית החשמלית של חברת ג'נרל מוטורס ה-EV1 ורצו להקים חברה שתייצר מכוניות חשמליות בלבד. אבהארד היה המנכ\"ל וטרפנינג מנהל הכספים. איאן רייט הצטרף לחברה זמן קצר אחר כך. בפברואר 2004 גייסה החברה כסף ממשקיעים (סבב A) ואילון מאסק, אשר מכר את חלקו בחברת פייפאל בכמאה מיליון דולר השקיע 6.5 מיליון דולר בחברה. הוא היה לבעל המניות הגדול בחברה והתמנה ליו\"ר הדירקטוריון שלה. במאי 2004 הצטרף ג'רמי סטאובלר לחברה כמנהל טכנולוגיות ראשי. מאסק הוביל את סיבוב הגיוס השלישי של החברה, בסך 40 מיליון דולר במאי 2006, בו השקיעו יזמים בולטים, כולל מייסדי גוגל, סרגיי ברין ולארי פייג', ונשיא eBay לשעבר, ג'ף סקול. סבב רביעי בסך 45 מיליון דולר, במאי 2007, הביא את סך הגיוסים של החברה ליותר מ-105 מיליון דולר.\n=== המכונית הראשונה: רודסטר ופיתוח מנועים חשמליים ===\nבשנת 2005 חתמה החברה חוזה ייצור עם קבוצת לוטוס הבריטית, שיצרה עבורה את רוב רכיבי דגם המכונית הראשון של החברה, למעט רכיבי המנוע החשמלי. דגם זה, שכונה רודסטר, מכונית ספורט המבוססת על הדגם לוטוס אליז וחלקה איתו רכיבים שונים, אף שלוטוס ייצרה חלקים אחרים עבור הרודסטר של טסלה באופן בלעדי. דגם הרודסטר היה הרכב הראשון שתוכנן לשימוש עם סוללת יוני ליתיום שסיפקה לו טווח נסיעה של כ-320 קילומטר לכל טעינה. שילדת הרכב יוצרה מסיבי פחמן המספקים קשיחות גבוהה במשקל נמוך וביצועי התאוצה מ-0 ל-100 קילומטר לשעה עמדו על 3.7 שניות. החברה החלה לקבל הזמנות מקדמות על הרכב מלמעלה מאלף אנשים בארצות הברית לבדה. יותר ממאתיים מהם שילמו את המחיר המלא מראש,","en_topic":"Tesla, Inc.","wiki_pageid":1018746,"wiki_revid":43215039,"source_url":"https://he.wikipedia.org/?curid=1018746","license":"CC BY-SA 4.0"}
{"slug":"uber","lang":"he","title":"אובר","text":"אוּבֶּר (באנגלית: Uber) היא חברה אמריקאית המספקת שירות קריאת הסעה (Ride hailing service) דרך האינטרנט ברחבי העולם. החברה, שמקום מושבה בסן פרנסיסקו, קליפורניה, מפתחת, משווקת ומפעילה את היישומון Uber המאפשר יצירת קשר בין נהגים לנוסעים, תיאום נסיעות ותשלום עליהן, ובתמורה גובה עמלה יחסית. חברת אובר פעילה במאות ערים בעשרות מדינות ברחבי העולם. על פי אובר, בערים בהן אובר פעילה היא הצליחה להוריד את מחירי הנסיעה ב-25–50 אחוזים.\n== שירותי החברה ==\nהמודל העסקי של חברת אובר מתבסס על עקרונות כלכלה משתפת. החברה מפיצה יישום סלולרי המאפשר יצירת קשר בין נהגים לבין נוסעים פוטנציאליים. הטכנולוגיה מאפשרת את החיבור בין הנהגים לנוסעים ומספקת גם את אמצעי התשלום, ובתמורה לכך גובה עמלה יחסית מתוכו.\nהתשלום, בדומה לזה של מוניות, מבוסס על מרחק וזמן הנסיעה. אובר מעלה בצורה משמעותית, עד פי שבעה, את המחיר בשעות עומס (surge pricing) כדי למשוך נהגים ולהוריד את הביקוש בשעות כאלה, במטרה להגיע לשיווי משקל כלכלי בין ביקוש והיצע.\nהחברה מציעה שירותים שונים, בהם:\nUberX: שירות שבו הנהגים משתמשים ברכבם הפרטי,\nUberXL: שירות כלי רכב פרטיים גדולים,\nUberBlack: שירות מכוניות מהודרות (\"לימוזינות\"),\nUberSUV: שירות מכוניות שטח גדולות,\nUberPool: בשנת 2014 הפעילה אובר לראשונה שירות נסיעות משותפות (Carpooling) תחת השם UberPool, המאפשר לנוסעים בעלי מסלול נסיעה דומה לחלוק רכב ולשלם מחיר מוזל.\nUberTaxi: שירות זמין במספר מצומצם של ערים, מפעיל מוניות מסורתיות. בעבר הפעילה אובר שרות זה גם בתל אביב.\nUber Eats: בשנת 2014 הוקמה Uber Eats לאספקת משלוחים של מוצרי מזון. בשנת 2021 היא החלה לספק משלוחים שנרכשו דרך GoPuff.\n== היסטוריה ==\nאובר נוסדה בשנת 2009 על ידי היזם הקנדי-יהודי גארט קמפ (מייסד StumbleUpon) ושותפו האמריקאי-יהודי טראוויס קלניק. השירות ניתן בגרסת בטא החל מקיץ 2010. ב-2011 שינתה את שמה מ-UberCab ל-Uber. עד סוף 2011 גייסה החברה כ-44 מיליון דולר.\nב-2015 צירפה החברה לשורותיה חוקרים ממחלקת הרובוטיקה של אוניברסיטת קרנגי מלון במטרה לעבוד על פיתוח רכב אוטונומי. ב-14 בספטמבר 2016 השיקה החברה שירות כלי רכב אוטונומיים בפיטסבורג.\nבמאי 2016 אובר פעלה ב-66 מדינות וב-449 ערים ברחבי העולם.\nביוני 2017, אחרי שנה קשה שעברה על החברה, ","en_topic":"Uber","wiki_pageid":1292603,"wiki_revid":42985718,"source_url":"https://he.wikipedia.org/?curid=1292603","license":"CC BY-SA 4.0"}
{"slug":"shopify","lang":"he","title":"שופיפיי","text":"שופיפיי (באנגלית: Shopify) היא חברה קנדית לתוכנת מסחר אלקטרוני, המבוסס על תשלום דמי מנוי חודשיים, להפעלת חנות מקוונת באינטרנט. החברה, שבסיסה באוטווה, אונטריו, מפתחת תוכנות מחשב באינטרנט עבור חנויות קמעונאיות ומערכות של נקודת מכירה.\nשופיפיי מציעה לקמעונאים ועסקים קטנים חבילת שירותים הכוללת שירות תשלומים, ניהול לוגיסטיקה ומוצרים, בניית מסד לקוחות, כלים לניהול משלוחים ושירות לקוחות, אופציות סליקת אשראי ועוד.\n== היסטוריה ==\nשופיפיי נוסדה בשנת 2006 על ידי טוביאס לוטקה (Tobias Lütke), דניאל ווינאנד וסקוט לייק, לאחר שניסו לפתוח חנות למכירת ציוד סנובורד בשם \"סנואודוויל\" ולא היו מרוצים מהפתרונות הקיימים בשוק להקמת חנויות אונליין. לוטקה, שהוא מתכנת מחשבים במקצועו, החליט לבנות בעצמו פלטפורמה לחנות אינטרנט, חנות מקוונת למכירת ציוד גלישת שלג.\nלוטקה השתמש במערכת בקוד פתוח Ruby on Rails כדי לבנות את החנות המקוונת Snowdevil, למכירת ציוד סנובורד, והשיק אותה לאחר חודשיים של פיתוח. בעקבות החנות Snowdevil, המייסדים השיקו את הפלטפורמה שופיפיי, ביוני 2006.\nביוני 2009, השיקה שופיפיי את ה-API של שופיפיי וחנות יישומים. ה-API מאפשר למפתחים ליצור יישומים עבור חנויות מקוונות בשופיפיי, ואז למכור אותם בחנות היישומים הייחודית של Shopify App Store. מספר חברות פיתחו יישומים המשתלבים עם שופיפיי.\nבאפריל 2010 השיקה שופיפיי אפליקציה חינמית לאייפון ב-App Store. האפליקציה של שופיפיי מאפשרת לבעלי חנויות להציג ולנהל את החנויות שלהם ממכשירי iOS. בשנת 2010, הכריזה שופיפיי על ה-Build-A-BUSINESS,תחרות עסקית, שבה המשתתפים יוצרים את העסק שלהם באמצעות פלטפורמת המסחר שופיפיי.הזוכים בתחרות קיבלו פרסים כספיים והדרכה צמודה ממנטורים עסקיים ויזמים, כגון ריצ'רד ברנסון, אריק ריס ואחרים. Shopify זכתה בתואר מכובד במגזין אוטווה עסקים, כאחת החברות שצמחו הכי מהר ב-2010. החברה גייסה 7 מיליון דולר בסבב גיוס כספים ראשוני בדצמבר 2010. בסבב המימון השני שלה גייסה החברה 15 מיליון דולר, באוקטובר 2011.\nב-פברואר 2012 רכשה שופיפיי את Select Start Studios Inc S3, חברת פיתוח תוכנה לניידים, כולל חוזי ההעסקה של 20 המהנדסים והמעצבים של החברה. באוגוסט 2013, רכשה שופיפיי את חברת ג'ט קופר, סטודיו לעיצוב המונה 25 עובדים המבוסס בטורונטו.\nב-אוגוסט","en_topic":"Shopify","wiki_pageid":1471382,"wiki_revid":43466869,"source_url":"https://he.wikipedia.org/?curid=1471382","license":"CC BY-SA 4.0"}
{"slug":"twitter","lang":"he","title":"X (רשת חברתית)","text":"‏X‏ (אקס), בעבר טוויטר (באנגלית: Twitter), היא רשת חברתית מקוונת המאפשרת פרסום מסרים קצרים (\"מיקרו-בלוגינג\") של עד 280 תווים למשתמשים רגילים ו-4,000 תווים למשתמשים עם מנוי \"X Premium\". הרשת נוסדה במרץ 2006 על ידי ג'ק דורסי, סטודנט באוניברסיטת קורנל ששימש כחבר מועצת המנהלים וכמנכ\"ל עד 29 בנובמבר 2021, אוון ויליאמס שכיהן בעבר כמנכ\"ל, וביז סטון ששימש כמנהל העיצוב של החברה. באוקטובר 2022 נרכשה על ידי אילון מאסק תמורת 44 מיליארד דולר. באפריל 2023 מוזגה החברה Twitter Inc., שהייתה הבעלים של האפליקציה, לתוך תאגיד אקס, חברת בת של X Holdings Corp שבבעלות מאסק. ב-23 ביולי 2023 הכריז אילון מאסק על מיתוג מחדש של האתר תחת השם \"X\". במרץ 2025 נרכשה X על ידי חברת הבינה מלאכותית xAI.\nבסיס הממשק נלקח מרעיון שליחת מסרונים בין טלפונים ניידים (SMS), ולכן כונה ה\"סמס של האינטרנט\". במבנה הבסיסי של טוויטר, לכל משתמש יש פרופיל אישי ובו הוא מפרסם מסרים שעוקביו יכולים לקרוא. הבחירה אחרי מי לעקוב אינה מצריכה את אישורו של הנעקב, אלא אם הגדיר את חשבונו כ\"פרטי\". את ההודעות ברשת, המכונות \"ציוצים\", ניתן לקרוא באתר החברה, ביישומון בטלפון הנייד, דרך מסרונים או באמצעות אפליקציות צד שלישי המשתמשות ב-API. פעילות הליבה של הפלטפורמה היא פרסומית, בהתבסס על מידע הנאסף על המשתמשים.\nבעשור השלישי של המאה ה-21 הפכה X למוקד של מאבקי ריבונות דיגיטלית, כאשר מדינות שונות (בראשן ברזיל והאיחוד האירופי) פעלו להכפיף את פעילותה ואת האלגוריתמים שלה לחוקיהן המקומיים. עימותים אלו הגיעו לשיאם בחסימות זמניות של הפלטפורמה במדינות שונות, צעדים שהמחישו את המתח שבין עוצמתם של תאגידים רב-לאומיים לבין סמכותה של המדינה הריבונית במרחב המקוון.\nעד שנת 2012 פרסמו למעלה ממאה מיליון משתמשים 340 מיליון ציוצים ביום, והשירות טיפל בממוצע ב-1.6 מיליארד שאילתות חיפוש ביום. בשנת 2013, טוויטר היה אחד מעשרת האתרים הפופולריים ביותר.\nנכון ליולי 2023 היו לטוויטר כ-541 מיליון משתמשים פעילים חודשיים.\n== היסטוריה ==\nב-21 במרץ 2006, בשעה 09:50, ביצע ג'ק דורסי את הציוץ הראשון של טוויטר. דורסי הציג את רעיונו בפני מועצת המנהלים של חברת \"Odeo Podcasting\" ככלי אשר מאפשר למשתמש יחיד לתקשר עם קבוצה קטנה באמצעות SMS. התומכים ברעיון השתמשו בפיתוח ככלי פנימי של חבר","en_topic":"Twitter","wiki_pageid":653922,"wiki_revid":43626947,"source_url":"https://he.wikipedia.org/?curid=653922","license":"CC BY-SA 4.0"}
{"slug":"github","lang":"he","title":"GitHub","text":"GitHub הוא שירות ניהול גרסאות ושירות אחסון, מבוסס רשת, עבור מיזמי פיתוח תוכנה, שבהם משתמשים במערכת גיט (מערכת קוד פתוח פופולרית לניהול גרסאות). GitHub סיפקה בעבר שירות זה בתשלום למאגרים פרטיים ושירות חינמי למיזמי קוד פתוח. עם זאת, ב-14 באפריל 2020, פתחה החברה את כלל שירותי הליבה שלה לציבור הרחב (כולל מאגרים פרטיים) בחינם.\nבמאי 2011 הוכר GitHub כשירות אחסון הקוד הפופולרי ביותר למיזמי קוד פתוח. נכון ליוני 2022, למעלה מ-83 מיליון מפתחים משתמשים בשירות ומאוחסנים בו למעלה מ-200 מיליון מאגרים (רפוזיטורים). נכון לנובמבר 2021, השירות הוא מארח קוד המקור הגדול ביותר.\nהשירות פותח על ידי חברת GitHub, Inc, שהחלה לעבוד עליו באוקטובר 2007 והשיקה אותו ב-2008. עם השנים צברה החברה פופולריות והשלימה מספר סבבי גיוס של מאות מיליוני דולרים.\nב-28 בפברואר 2018, GitHub נפלה קורבן להתקפת מניעת השירות (DDoS - השבתת מערכות באמצעות יצירת עומס חריג על תשתיות המותקף) השלישית בגודלה בהיסטוריה, כאשר התעבורה הנכנסת לשירות הגיעה לשיא של כ-1.35 טרה-בייט לשנייה.\nבסוף שנת 2018, חברת מיקרוסופט, שעד אז נחשבה למשתמשת משמעותית בשירות, רכשה את חברת GitHub בסכום של כ-7.5 מיליארד דולר. עם זאת, GitHub המשיכה לפעול באופן עצמאי כקהילה, כפלטפורמה וכעסק. במגזין Harvard Business Review פורסמה טענה לפיה מיקרוסופט ביצעה רכישה זו, של מוצר \"קוד פתוח\" שכביכול אינו רווחי, כדי לקבל גישה לבסיס המשתמשים של GitHub, ובכך להשתמש בשירות כלוס לידר שנועד לעודד את השימוש במוצרי הפיתוח והשירותים האחרים של מיקרוסופט.\n== תיאור ==\nהאתר מספק פונקציונליות של רשת חברתית מקוונת ומאפשר למפתחים לשתף את סטטוס ההתקדמות שלהם בכתיבת הקוד.\nהחל מינואר 2010, GitHub פועל תחת השם GitHub, Inc.\nהתוכנה שמריצה את GitHub נכתבה בשפות התכנות Ruby on Rails ו-Erlang על ידי GitHub, Inc.\nבשנת 2021 החברה סיימה לפתח כלי בינה מלאכותית בשם \"GitHub Copilot\" המבוסס על GPT-3, שמקבל תיאור מילולי ויוצר על פיו קוד בשפות תכנות שונות. שירות זה גם מאפשר \"השלמה אוטומטית\" של קוד באמצעות הטמעתו בסביבת פיתוח משולבת (IDE). המודל שבבסיסו יכולות הבינה המלאכותית של הכלי, אומן על מערך נתונים בגודל 159 ג'יגה-בייט של קוד מקור שנלקח מ-54 מיליון מאגרי GitHub ציבוריים.\n== סטטיסטיקה ==\n2","en_topic":"GitHub","wiki_pageid":1164691,"wiki_revid":42520752,"source_url":"https://he.wikipedia.org/?curid=1164691","license":"CC BY-SA 4.0"}
{"slug":"atlassian","lang":"he","title":"אטלסיאן","text":"אטלסיאן (באנגלית: Atlassian Corporation Plc) היא חברת תוכנה אוסטרלית המפתחת מוצרים עבור מפתחי תוכנה, מנהלי פרויקטים וצוותי פיתוח תוכנה אחרים. המטה העולמי של החברה נמצא בסידני, אוסטרליה, והמטה האמריקאי שוכן בסן פרנסיסקו.\nנכון ל-18 בספטמבר 2022, שווי החברה עומד על כ-35.4 מיליארד דולר. ברבעון הפיסקאלי הרביעי של 2022, אטלסיאן דיווחה כי היא מספקת שירות ל-242,623 לקוחות בלמעלה מ-190 מדינות, עם 10 מיליון משתמשים פעילים חודשיים. נכון ליוני 2022, היו בחברה 8,813 עובדים. לאטלסיאן יש צוותים ב-13 מדינות שונות, עם משרדים הממוקמים בין היתר באמסטרדם, אוסטין, בוסטון, ניו יורק, סן פרנסיסקו, מאונטיין ויו, מנילה, יוקוהמה, בנגלורו וסידני.\n== היסטוריה ==\nמייק קאנון-ברוקס וסקוט פארקור הקימו את אטלסיאן בשנת 2002. השניים נפגשו בעת לימודיהם באוניברסיטת ניו סאות' ויילס בסידני.\nהשם הוא נגזרת \"אד הוק\"' מהטיטאן אטלס במיתולוגיה היוונית, שנענש כדי להחזיק את השמים לאחר הפלת הטיטאנים ע״י האלים היוונים. הגזירה באה לידי ביטוי בלוגו של החברה, ועד למיתוג מחדש של 2017 באמצעות דמות כחולה בצורת איקס המחזיקה את מה שמוצג כתחתית השמיים.\nאטלסיאן הוציאה את מוצר הדגל שלה, ג'ירה – תוכנת מעקב אחר פרויקטים, באגים ובעיות, בשנת 2002. בשנת 2004, היא הוציאה את Confluence, פלטפורמת שיתוף פעולה צוותית המאפשרת למשתמשים לעבוד יחד על פרויקטים, ליצור תוכן ביחד ולשתף מסמכים ומדיה.\nביולי 2010 גייסה אטלסיאן 60 מיליון דולר בהון סיכון מקבוצת Accel. ביוני 2011, אטלסיאן הודיעה על הכנסות של 102 מיליון דולר, עלייה של 35% לעומת השנה הקודמת לה. בשנת 2014, כחלק מרה-אורגניזציה של החברה, חברת האם הפכה ל-Atlassian Corporation PLC בבריטניה, כאשר כתובתה רשומה בלונדון – על אף שהמטה בפועל נשאר בסידני.\nבנובמבר 2015 הודיעה אטלסיאן על מכירות בסכום 320 מיליון דולר, ועל צירופה של שונה בראון לדירקטוריון החברה. ב-10 בדצמבר 2015 ביצעה אטלסיאן את ההנפקה הראשונית שלה (IPO) בבורסת נאסד\"ק, תחת הסמל TEAM, והעמידה את שווי השוק של אטלסיאן על 4.37 מיליארד דולר. ההנפקה הפכה את מייסדיה למיליארדרי הסטארט אפ הטכנולוגיים הראשונים באוסטרליה.\nלאטלסיאן אין צוות מכירות, והיא מסתמכת על שיווק באמצעות האתר שלה ובאמצעות השותפים שלה.\nבשנת 2023 החברה ספגה מתקפה מצד קבוצת ה","en_topic":"Atlassian","wiki_pageid":2133449,"wiki_revid":41953247,"source_url":"https://he.wikipedia.org/?curid=2133449","license":"CC BY-SA 4.0"}
{"slug":"samsung-electronics","lang":"he","title":"סמסונג אלקטרוניקה","text":"סמסונג אלקטרוניקה ושות' בע\"מ (בקוריאנית: 삼성전자; באנגלית: Samsung Electronics Co., Ltd.; בראשי תיבות: SEC) היא חברה דרום קוריאנית רב לאומית לאלקטרוניקה, שבסיסה במחוז יאונגטונג, סוואן המהווה את חטיבת האלקטרוניקה של סמסונג המייצרת את המכשירים האלקטרוניים של החברה, בכללם מסכי טלווייזיה, מקררים, מוליכים למחצה, שבבי זיכרון וטלפונים ניידים.\nהכנסות החברה מהוות נתח משמעותי מכלל הכנסות קונצרן סמסונג. ב-2012 הכנסות החברה היוו כ-70% מהכנסות הקונצרן סמסונג. לסמסונג אלקטרוניקה פס ייצור של מפעלי הרכבה ורשתות מכירה הפזורים ב-74 מדינות ברחבי העולם והחברה מעסיקה כ-290,000 עובדים. זו אחת מיצרניות האלקטרוניקה הגדולות בעולם והיא חברת הטכנולוגיה השנייה בגודלה בעולם לפי הכנסות.\nסמסונג היא יצרנית גדולה של רכיבים אלקטרוניים כגון סוללות ליתיום-יון, מוליכים למחצה, חיישנים, מצלמות ומסכים עבור חברות כמו אפל, סוני, HTC ונוקיה. בנוסף, החברה היא היצרנית הגדולה בעולם של טלפונים ניידים חכמים, כאשר קו מכשירי הסולסטיס סמסונג (Samsung Solstice)‏ היה הראשון מתוצרתה בתחום זה, ובהמשך פיתחה וייצרה החברה את קו מכשירי סמסונג גלקסי הפופולריים. החברה היא גם ספקית גדולה של מחשבי לוח, במיוחד מכשירי אנדרואיד מדגם Galaxy Tab והיא נחשבת למפתחת שוק הפאבלטים עם משפחת המכשירים מדגמי Samsung Galaxy Note.‏ היא פיתחה גם סמארטפונים בעלי יכולת קליטת 5G כולל Galaxy S10 ו-Galaxy Note 10 וטלפונים מתקפלים מדגמי Galaxy Fold. סמסונג היא גם יצרנית הטלוויזיה הגדולה בעולם מאז 2006 וכאמור, היצרנית הגדולה ביותר בעולם של טלפונים ניידים מאז 2011. זוהי גם יצרנית שבבי הזיכרון הגדולה בעולם ומשנת 2017 עד 2018 הייתה יצרנית המוליכים למחצה הגדולה בעולם.\nהחל משנת 2013 החברה מייצרת שעונים חכמים מסדרה סמסונג גיר.\n== הנהלה ==\nבשנת 2012 מונה קוון או-היון למנכ\"ל החברה, אך הוא הודיע באוקטובר 2017 שיתפטר במרץ 2018, בשל \"משבר חסר תקדים\". החל ממרץ 2018 החברה שומרת על מתווה של שלושה מנכ\"לים, עם קי נאם קים, היון סוק קים ודונג ג'ין קו; בנוסף, ה.ס. הונג שימש כמנכ\"ל נפרד לדרום מזרח אסיה מאז 2015.\n== מוצרים ==\n=== טלוויזיות ===\n=== מצלמות ומסכים ===\n=== סמארטפונים וטאבלטים ===\nבפברואר 2010 הכריזה סמסונג על השקת מכשיר טלפון סלולרי חכם המבוסס על מערכת ההפעלה אנ","en_topic":"Samsung Electronics","wiki_pageid":1868010,"wiki_revid":43650299,"source_url":"https://he.wikipedia.org/?curid=1868010","license":"CC BY-SA 4.0"}
{"slug":"alibaba-group","lang":"he","title":"קבוצת עליבאבא","text":"קבוצת עַליבּאבּא (באנגלית: Alibaba Group, בסינית מפושטת: 阿里巴巴集团, בסינית מסורתית: 阿里巴巴集團, פִּין-יִין: Ālǐbābā Jítuán, ‏NYSE: BABA) היא חברת מסחר אלקטרוני סינית שבסיסה בהאנגג'ואו, הנותנת שירותי תשלום מקוון, פורטלים בין חברות, פורטלי חיפוש קניות ושירותי מחשוב ענן. בין אתרי הקבוצה הפופולריים ביותר ניתן למנות את \"עלי אקספרס\" (AliExpress).\nבשנת 2012 שני פורטלים מצליחים של הקבוצה גילגלו העברות של כ־170 מיליארד דולר, ערך גדול יותר משל \"eBay\" ושל \"Amazon\" יחדיו באותה התקופה. כ־80% מהקניות המקוונות בסין נעשות דרך אתרי הקבוצה.\nעיקר הפעילות של החברה בסין. בשנת 2005 קנתה \"Yahoo!\" 39% ממניות החברה תמורת מיליארד דולר במזומן. אילו הייתה \"יאהו\" מחזיקה בכל מניותיה עד להנפקה הראשונה שבוצעה ב־2014 היו אלו שוות כ־92 מיליארד דולר.\nבספטמבר 2014 ביצעה הקבוצה את ההנפקה הראשונה הגדולה בהיסטוריה בבורסה לניירות ערך בניו יורק, אשר הצליחה לגייס 25 מיליארד דולר, לאחר ההנפקה הוערך שווי החברה בכ־231 מיליארד דולר. במאי 2018 כבר הייתה שווה כ־507 מיליארד.\n== היסטוריה ==\nקבוצת עליבאבא הוקמה על ידי ג'ק מא, שייסד אותה בעזרת 60,000 דולר שגייס מכ-80 חברים. בשנת 2010 קבוצת עליבאבא השיקה את \"עלי אקספרס\", שירות סחר אלקטרוני המורכב ברובו מעסקים סינים קטנים המציעים מוצרים לקהל בינלאומי.\n=== רכישות ===\nרכישה עצמית – במאי 2012 רכשה עליבאבא חזרה 20% מהמניות של עצמה מיאהו, בשווי של 7.1 מיליארד דולר (24% ממניותיה נותרו באחזקת יאהו).\n=== 2014 ===\nבמחצית הראשונה של 2014 לקראת ההנפקה הראשונית (IPO) המתוכננת, ביצעה עליבאבא סבב רכישות עצום בגודלו המוערך בכ-5 מיליארד דולר.\nבמרץ 2014 רכשה עליבאבא את מניות השליטה בחברת ChinaVision Media Group תמורת 804 מיליון דולר.\nבאפריל 2014 רכשה עליבאבא כ־16% ממניות של Youku (שירות דומה ליוטיוב) בשווי 1.2 מיליארד דולר.\nבמהלך השנה לפני ההנפקה השקיעה 50 מיליון דולר בחברה Peel Technologies.\nביוני 2014 קנתה הקבוצה כ־50% מקבוצת הכדורגל גואנגג'ואו אוורגראנד בכ־192 מיליון דולר.\nביוני 2014 רכשה עליבאבא את יתרת 36% מהמניות של חברת \"UCWeb\" שעדיין לא היו בידיהם. גובה העסקה לא פורסם.\nבמהלך השנה השקיעה 692 מיליון דולר בחברת \"InTime Retail\"\nבמהלך השנה השקיעה 250 מיליון דולר בחברת \"Lyft\"\nבמהלך השנה השק","en_topic":"Alibaba Group","wiki_pageid":1184475,"wiki_revid":43632636,"source_url":"https://he.wikipedia.org/?curid=1184475","license":"CC BY-SA 4.0"}
{"slug":"bytedance","lang":"he","title":"ByteDance","text":"ByteDance Ltd. (בסינית: 字节跳动; בפין-יין: Zìjié Tiàodòng) היא חברת טכנולוגיית אינטרנט רב-לאומית סינית, שמטה החברה שלה נמצא בבייג'ינג (בירת סין), אם כי, על פי חוק היא שוכנת באיי קיימן.\n== היסטוריה ==\nהחברה, שנוסדה במרץ 2012 על ידי ג'אנג יימינג ושותפים סינים נוספים, ייסדה את יישומון שיתוף הווידאו והרשת החברתית המקוונת \"טיקטוק\". היא פיתחה גם את פלטפורמת המידע והחדשות \"Toutiao\". נכון ליוני 2021, בפלטפורמות החברה משתמשים מעל ל-1.9 מיליארד משתמשים מדי חודש.\nבשנת 2016 החברה השיקה את Douyin, הגרסה הסינית של טיקטוק, ולאחר שנה רכשה תמורת מיליארד דולר את מיוזיקלי ומיזגה אותה עם השירות הקיים.\nבאפריל 2018 החברה סגרה את אפליקציית שיתוף הבדיחות Neihan Duanzi, שהתמקדה בממים סאטיריים, והסירה באופן זמני את Toutiao מחנויות האפליקציות הסיניות בשל הוראה של רגולטור מנהל הרדיו והטלוויזיה הלאומי הסיני.\nהחברה זכתה לתשומת לב ציבורית בשל האשמות כלפיה כי היא פעלה להסרת וצנזור תכנים לבקשת המפלגה הקומוניסטית של סין, כולל תכנים על פעילות מחנות המעצר בשׂינְגְ'יָאנְג.\nב-27 בפברואר 2019, ועדת הסחר הפדרלית האמריקאית – קנסה את חברת טיקטוק העולמית ב-5.7 מיליון דולר, עקב איסוף מידע מקטינים מתחת לגיל 13, תוך הפרה של חוק הגנת הפרטיות המקוונת לילדים של ארצות הברית. בעקבות כך, הוסיפה ByteDance בטיקטוק מצב לילדים בלבד שחוסם העלאת סרטונים, בניית פרופילי משתמשים, הודעות ישירות והערות על סרטונים של אחרים, תוך כדי שהיא ממשיכה לאפשר לילדים צפייה והקלטה של תוכן באמצעות האפליקציה.\nבמרץ 2024 עבר חוק בארצות הברית שמחייב את מכירת טיקטוק עד ינואר בשנה שאחר כך, או שהמוצר ייאסר לשימוש במדינה. במאי הגישה החברה עתירה נגד החוק, ובדצמבר פנתה לבית המשפט העליון בנושא.\n== קישורים חיצוניים ==\n אתר האינטרנט הרשמי של ByteDance (בשפות מרובות)\n ByteDance, ברשת החברתית פייסבוק\n ByteDance, ברשת החברתית LinkedIn\n ByteDance, סרטונים בערוץ היוטיוב\n== הערות שוליים ==","en_topic":"ByteDance","wiki_pageid":2101342,"wiki_revid":43306931,"source_url":"https://he.wikipedia.org/?curid=2101342","license":"CC BY-SA 4.0"}
{"slug":"geoffrey-hinton","lang":"he","title":"ג'פרי הינטון","text":"ג'פרי אוורסט הינטון (באנגלית: Geoffrey Everest Hinton; נולד ב-6 בדצמבר 1947) חבר כבוד ב\"מסדר קנדה\", \"החברה המלכותית בלונדון\" ו\"החברה המלכותית של קנדה\" , הוא פסיכולוג קוגניטיבי אנגלי-קנדי ומדען בתחום מדעי המחשב. פרסומו העיקרי של הינטון הוא בתרומתו למדע בתחומי רשתות נוירונים מלאכותיות. מאז 2013, הינטון פעיל בעיקר ב\"גוגל\" וכחוקר באוניברסיטת טורונטו.\nבשנת 2024 זכה בפרס נובל לפיזיקה על תרומתו לבינה מלאכותית בהקשר של רשתות נוירונים מלאכותיות.\nהינטון התפרסם, בין השאר, בהמשך למאמר שכתב ביחד עם חוקרים נוספים, ב-1986. המאמר שלהם עסק באלגוריתם \"פעפוע לאחור\" כשיטה לאימון רשתות נוירונים מלאכותיות. רבים בקהיליית מפתחי רשתות הנוירונים המלאכותיות מתייחסים אל הינטון כאל \"הסנדק\" של התחום. ניצחונו של אלכס קריזבסקי, סטודנט של הינטון, בתחרות זיהוי עצמים \"ImageNet\", ב-2012, נחשב לאירוע שהביא את נושא רשתות העצבים המלאכותיות/ למידה עמוקה/ בינה מלאכותית אל המודעות הציבורית בתקופה הנוכחית - מה שהביא לגל התעניינות עצום בתחום.\nבאפריל 2023 התפטר ממשרתו ב\"גוגל\" והחל להתבטא על הסכנות שהבינה המלאכותית עלולה להביא איתה. בין השאר, הינטון מציין את היכולת של המודלים ללמוד האחד מהשני, העובדה שניתן \"להעתיק\" את המודל ממחשב למחשב (הן את הארכיטקטורה והן את המשקלים) - תכונה שהופכת את המודלים לבני שכפול מצד אחד ולנצחיים מצד שני - ביחד עם התנהגויות מתהוות שאיש לא ציפה להן, בעיקר בהקשר למודלי השפה הגדולים - כל אלו ביחד, הביאו אותו למחשבה שאין מדובר בניסיון \"בינוני\" לחקות את מוח האדם אלא במשהו אחר, שיש לו מאפיינים מסוכנים ואם הוא לא \"יטופל בצורה נכונה\", הוא עלול לסכן את גורל האנושות, וזאת מכיוון שהמודלים עלולים להגדיר לעצמם את פונקציות המטרה, וכבר היום יש להם יכולות בתחום ההנמקה וקבלת ההחלטות שאיש לא צפה, כמו גם יכולת לעבור מגוון גדול של \"מבחני אינטליגנציה\".\n== חיים אישיים ==\nהינטון הוא צאצא של ג'ורג' בול, מתמטיקאי ופילוסוף בריטי, מאבות הלוגיקה המודרנית ויוצר האלגברה הבוליאנית המהווה את יסוד מדעי המחשב. הוא גם צאצא של ג'יימס הינטון , רופא כירורג, סופר ואביו של המתמטיקאי צ'ארלס הווארד הינטון . אביו הוא האנטומולוג הווארד הינטון . אשתו של הינטון נפטרה ב-1994 ממחלת סרטן השחלה.\n== השכלה ==\nהינטון השלים תואר ראשון ב","en_topic":"Geoffrey Hinton","wiki_pageid":1703810,"wiki_revid":43562165,"source_url":"https://he.wikipedia.org/?curid=1703810","license":"CC BY-SA 4.0"}
{"slug":"yann-lecun","lang":"he","title":"יאן לקון","text":"יאן אנדרה לקון (נכתב במקור Le Cun ; נולד ב-8 ביולי 1960) הוא מדען מחשב אמריקאי ממוצא צרפתי זוכה פרס טיורינג הפועל בעיקר בתחומי למידת מכונה, ראייה ממוחשבת, רובוטיקה ניידת ומדעי המוח החישוביים. הוא פרופסור במכון קורנט למדעי המתמטיקה באוניברסיטת ניו יורק וסגן נשיא, מדען AI ראשי ב-Meta בשנים 2013–2025.\nהוא ידוע בעבודתו על זיהוי תווים אופטי וראייה ממוחשבת באמצעות רשתות עצביות קונבולוציוניות (CNN), והוא האב המייסד של הרשתות הקונבולוציוניות. הוא גם אחד היוצרים העיקריים של טכנולוגיית דחיסת התמונות DjVu (יחד עם לאון בוטאו ופטריק הפנר). הוא פיתח יחד עם לאון בוטאו את שפת התכנות Lush.\nלקון קיבל את פרס טיורינג לשנת 2018 (המכונה לעיתים קרובות \"פרס נובל למחשוב\"), יחד עם יהושע בנג'יו וג'פרי הינטון, על עבודתם על למידה עמוקה.השלושה מכונים לפעמים \"הסנדקים של הבינה המלאכותית\" ו\"הסנדקים של הלמידה העמוקה\".\n== ביוגרפיה ==\nלקון נולד ב-Soisy-sous-Montmorency בפרברי פריז. שמו במקור נכתב Le Cun מהצורה הברטונית הישנה Le Cunff והיה מאזור Guingamp בצפון ברטאן. \"יאן\" היא הצורה הברטונית של \"ג'ון\".\nהוא קיבל תואר מהנדס (דיפלום ד'אינג'נייר) מה-ESIEE פריז ב-1983 ותואר דוקטור במדעי המחשב מ-Université Pierre et Marie Curie (היום אוניברסיטת סורבון) ב-1987, במהלכו הציע צורה מוקדמת של אלגוריתם למידה של הפצה לאחור עבור רשתות עצביות.[דרוש מקור]\n=== קריירה ===\n==== Bell Labs ====\nבשנת 1988 הוא הצטרף למחלקת מחקר מערכות אדפטיביות במעבדות AT&T Bell בהולדל, ניו ג'רזי, ארצות הברית, שם פיתח מספר שיטות למידת מכונה חדשות, כמו מודל בהשראה ביולוגית של זיהוי תמונות הנקראות רשתות עצביות הקונבולוציוניות, שיטות הרגולציה של \"הנזק המוחי האופטימלי\", ושיטת Graph Transformer Networks (בדומה לשדה אקראי מותנה), שהוא יישם על זיהוי כתב יד ו-OCR. מערכת זיהוי הצ'קים הבנקאית שהוא עזר לפתח נפרסה באופן נרחב על ידי NCR וחברות אחרות, וקראה למעלה מ-10% מכל הצ'קים בארצות הברית בסוף שנות ה-90 ותחילת שנות ה-2000.\nבשנת 1996 הוא הצטרף ל-AT&T Labs-Research כראש מחלקת המחקר לעיבוד תמונה, שהייתה חלק ממעבדת המחקר לעיבוד דיבור ועיבוד תמונה של לורנס רבינר, ועבדה בעיקר על טכנולוגיית DjVu דחיסת תמונה, בשימוש באתרים רבים, בעיקר ארכיון האינטרנט, כדי להפי","en_topic":"Yann LeCun","wiki_pageid":2241680,"wiki_revid":43455639,"source_url":"https://he.wikipedia.org/?curid=2241680","license":"CC BY-SA 4.0"}
{"slug":"ilya-sutskever","lang":"he","title":"איליה סוצקבר","text":"איליה סוצקבר (נולד ב־1986) הוא מדען ישראלי־קנדי בתחום מדעי המחשב. מתמחה בתחום הבינה המלאכותית ומייסד שותף של חברת Safe Superintelligence, קודם לכן כיהן כמדען הראשי של חברת OpenAI.\nתרם רבות להתפתחות תחום למידת מכונה בדגש ללמידה עמוקה - רשתות נוירונים רבודות. היה מפתח שותף לרשת AlexNet, הוא נחשב כממציא הרשתות שעוסקות בפתרון \"מידע סדרתי\" - כלומר, מידע שבו יש חשיבות לסדר ההופעה של הנתונים ב\"ממד הזמן\" - כמו טקסט או מוזיקה. היה בצוות המפתחים של AlphaGo - התוכנה שניצחה את אלוף העולם במשחק ה\"גו\", יותר מעשור לפני התחזיות האופטימיות ביותר של המדענים (במסגרת חברת DeepMind). היה גם בצוות המפתחים של TensorFlow - סביבת פיתוח לרשתות נוירונים, מתוצרת \"גוגל\".\n== קריירה ==\nסוצקבר נולד בניז'ני נובגורוד ברוסיה, שנקרא אז \"גורקי\", באותה תקופה חלק מברית המועצות. בגיל 5 עלה עם משפחתו לישראל, ואת שנותיו המעצבות בילה בירושלים.\nבין השנים 2000–2002 למד באוניברסיטה הפתוחה, בישראל. את התואר הראשון, השני והדוקטורט השלים באוניברסיטת טורונטו שם למד אצל ג'פרי הינטון, מי שנחשב ל\"אבי הבינה המלאכותית המודרנית\".\nב 2012, לאחר שסיים את לימודיו, עבר לאוניברסיטת סטנפורד, שם עבד, במסגרת פוסט דוקטורט עם אנדרו אנג. לאחר מכן חזר לאוניברסיטת טורונטו והצטרף לחברה שג'פרי הינטון הקים. חברת גוגל קנתה את החברה בה עבד וכך הפך לחוקר ב\"גוגל\" בקבוצת מחקר שנקראת Google Brain.\nבמסגרת עבודתו ב\"גוגל\" פיתוח את הרשתות שמטפלות במידע סדרתי, ביחד עם החוקרים Oriol Vinyals ו-Quoc Le. ב-2015, המגזין של המכון הטכנולוגי של מסצ'וסטס הכריז על איליה כאחד מ-35 היזמים המובילים בעולם, שגילם מתחת ל-35.\nבסוף 2015, החל סוצקבר לנהל את מיזם OpenAI.\nבמאי 2020, במסגרת סדרת הראיונות המצולמים של לקס פרידמן מהמכון הטכנולוגי של מסצ'וסטס, איליה ולקס פרידמן ניהלו שיחה מקיפה בנוגע לאפשרות שתהיה \"בינה מלאכותית כללית\" בטווח הזמן הקרוב. איליה הציג דרך מחשבה מאוד אופטימית ובמסגרתה הוא הציע שאפשר לחשוב על יחסים בין בני האדם ל-AGI כאילו שבני האדם הם חברי הדירקטוריון ואילו ה-AGI יהיו המנכ\"לים. בני האדם יוכלו להצביע בעד איזה AGI הם רוצים לבחור כמנהיג-מבצע מטעמם ותהיה בכך הרחבה לשיטה הדמוקרטית. לדבריו, אין סיבה שלא נצליח להטמיע ב-AGI \"ערכים עמוקים\" כמו שצורך בהגנ","en_topic":"Ilya Sutskever","wiki_pageid":1833151,"wiki_revid":42616007,"source_url":"https://he.wikipedia.org/?curid=1833151","license":"CC BY-SA 4.0"}
{"slug":"demis-hassabis","lang":"he","title":"דמיס הסביס","text":"דמיס הסביס (באנגלית: Demis Hassabis; נולד ב-27 ביולי 1976) הוא מדען מחשב, חוקר בינה מלאכותית ויזם בריטי. בתחילת הקריירה שלו היה מתכנת ומעצב משחקי וידאו, ושחקן משחקי לוח מומחה. הוא המנכ\"ל והמייסד-שותף של חברת DeepMind ושל Isomorphic Labs, ויועץ בינה מלאכותית של ממשלת בריטניה. הוא עמית של החברה המלכותית, וזכה בפרסים רבים על עבודתו על תוכנת AlphaFold כולל פרס פריצת דרך במדעי החיים, פרס קרן גיירדנר הבינלאומי ופרס לסקר. ב-2017 הוא מונה למפקד (CBE) במסדר האימפריה הבריטית ונכלל ברשימת 100 האנשים המשפיעים ביותר של Time. בשנת 2024 זכה בפרס נובל לכימיה.\n== ביוגרפיה ==\n=== ראשית חייו ===\nדמיס הסביס נולד לאב קפריסאי-יווני ואם סינית-סינגפורית, ולו אח ואחות צעירים ממנו. גדל בצפון לונדון. הוא היה ילד פלא בשחמט מגיל 4, הגיע בגיל 13 למד כושר של 2300 ולדרגת אמן והיה קפטן של רבות מנבחרות השחמט הצעירות של אנגליה. ייצג את אוניברסיטת קיימברידג' במשחקי השחמט של אוקספורד-קיימברידג' של 1995, 1996 ו-1997, וזכה בחצי כחול .\nהסביס עבר לזמן קצר חינוך ביתי על ידי הוריו, ובמהלכו קנה את המחשב הראשון שלו, ZX Spectrum שמומן באמצעות זכייה בתחרות שחמט, ולימד את עצמו מתוך ספרים כיצד לתכנת. על המחשב הבא שלו, קומודור אמיגה, כתב תוכנית ששיחקה רברסי והביסה את אחיו הצעיר. הוא המשיך להתחנך ב-Christ's College, Finchley, בית ספר מקיף במימון המדינה באיסט פינצ'לי, צפון לונדון, והשלים את בחינות הבגרות שלו בגיל 16.\nמחמת גילו הצעיר התבקש על ידי אוניברסיטת קיימברידג' להמתין שנה טרם שיתחיל ללמוד בה, והוא החל את קריירת משחקי המחשב שלו בחברת Bullfrog Productions, בשלב ראשון בעיצוב משחק הווידאו Syndicate, ולאחר מכן בגיל 17 שותף בעיצוב והובלת תכנות של המשחק Theme Park, עם מעצב המשחקים פיטר מולינו. Theme Park, משחק סימולציות ניהול ממוחשבות, נמכר במיליוני עותקים, והיווה השראה לז'אנר שלם של משחקי סימולציות. הסביס הרוויח מספיק בשנה זו כדי לממן את לימודיו באוניברסיטה.\nהוא למד מדעי המחשב בקווינס קולג', קיימברידג', וסיים את לימודיו ב-1997 עם תואר ראשון בהצטיינות.\n== קריירה ==\n=== Lionhead ===\nלאחר שסיים את לימודיו בקיימברידג', הסביס עבד באולפני ליונהד, שאותם הקים מעצב המשחקים פיטר מולינו, איתו עבד הסביס ב-Bullfrog Productions. ב","en_topic":"Demis Hassabis","wiki_pageid":2285913,"wiki_revid":43216513,"source_url":"https://he.wikipedia.org/?curid=2285913","license":"CC BY-SA 4.0"}
{"slug":"fei-fei-li","lang":"he","title":"פיי-פיי לי","text":"פֵיי-פֵיי לִי (בסינית: 李飞飞; נולדה ב-3 ביולי 1976) היא מדענית מחשב סינית-אמריקאית, הידועה בהקמת ImageNet, מערך הנתונים שאפשר התקדמות מהירה בראייה ממוחשבת בשנות ה-2010. היא פרופסור למדעי המחשב באוניברסיטת סטנפורד.\nמומחיות המחקר שלה כוללת בינה מלאכותית, למידת מכונה, למידה עמוקה, ראייה ממוחשבת וקוגניציה.\nלי היא מנהלת שותפה של מכון סטנפורד לבינה מלאכותית ממוקדת אדם ומנהלת שותפה של \"מעבדת הראייה והלמידה של סטנפורד\" (Stanford Vision and Learning Lab).\nבעבר הייתה יו\"ר מועצת המנהלים של טוויטר ובין השנים 2013 ל-2018 היא כיהנה כמנהלת מעבדת הבינה המלאכותית של סטנפורד (Stanford Artificial Intelligence Laboratory).\nב-2017 היא הקימה את AI4ALL, ארגון ללא מטרות רווח הפועל להגברת הגיוון וההכלה בתחום הבינה המלאכותית.\nלאורך השנים כיהנה בתפקידים מובילים בתחומי התמחותה וזכתה באותות הוקרה רבים.\nב-3 באוגוסט 2023 מונתה למועצה המייעצת המדעית של האו\"ם, שהוקמה על ידי המזכיר הכללי אנטוניו גוטרש.\n== השכלה ==\nלי נולדה בבייג'ינג, סין בשנת 1976 וגדלה בצ'נגדו, סצ'ואן. כשהייתה בגיל 12 עבר אביה לארצות הברית וכעבור 3 שנים היא ואמה הצטרפו אליו בניו ג'רזי ובשנת 1995 היא סיימה את לימודיה בבית הספר התיכון בהצטיינות.\nלי למדה לתואר ראשון באוניברסיטת פרינסטון פיזיקה ומדעי המחשב ובשנת 1999 סיימה בהצטיינות גבוהה תואר ראשון בפיזיקה ותעודות התמחות במתמטיקה שימושית וחישובית. כותרת התזה שלה הייתה: \"הבדל דו-אוזני קולי שמיעתי: מודל חישובי חדש לפיץ' הדיכוטי של האגינס\" (Auditory Binaural Correlogram Difference: A New Computational Model for Huggins Dichotic Pitch).\nבמהלך לימודיה בפרינסטון, היא חזרה הביתה ברוב סופי השבוע, כדי לסייע להוריה בחנות הניקוי היבש שלהם.\nלי המשיכה את לימודיה תואר שני במסלול ישיר לדוקטורט, במכון הטכנולוגי של קליפורניה, וב-2005 קיבלה תואר דוקטור בהנדסת חשמל. כותרת עבודת הדוקטורט שלה הייתה: \"זיהוי ויזואלי: מודלים חישוביים ופסיכופיזיקה אנושית\". היא מימנה את לימודיה באמצעות מלגות.\n== קריירה ומחקר ==\nמשנת 2005 עד 2006, לי הייתה \"פרופסור משנה\" (Assistant professor) במחלקה להנדסת חשמל ומחשבים באוניברסיטת אילינוי אורבנה-שמפיין, ומ-2007 עד 2009 היא הייתה \"פרופסור משנה\" במחלקה למדעי המחשב באוניברסיטת פרינס","en_topic":"Fei-Fei Li","wiki_pageid":2353043,"wiki_revid":43520593,"source_url":"https://he.wikipedia.org/?curid=2353043","license":"CC BY-SA 4.0"}
{"slug":"sam-altman","lang":"he","title":"סם אלטמן","text":"סמואל (סם) האריס אלטמן (באנגלית: Samuel H. \"Sam\" Altman; נולד ב-22 באפריל 1985) הוא יזם יהודי-אמריקאי, משקיע, מתכנת ובלוגר. מכהן כמנכ\"ל חברת OpenAI. נשיאה לשעבר של Y Combinator.\nבשנת 2023 נבחר על ידי הג'רוזלם פוסט ליהודי המשפיע בעולם.\n== ביוגרפיה ==\nאלטמן נולד למשפחה יהודית, וסיים את לימודי התיכון בבית הספר ג'ון בורוז (John Burroughs School) בסנט לואיס, מיזורי. אמו היא רופאת עור. הוא החל ללמוד מדעי המחשב באוניברסיטת סטנפורד, אולם נשר מבלי שהשלים תואר ראשון.\n=== קריירה ===\nבשנת 2005, בגיל 19, אלטמן הקים במשותף את Loopt , יישום סלולרי של רשת חברתית מבוסס מקום. אלטמן היה מנכ\"ל החברה. לאחר גיוס של יותר מ-30 מיליון דולר מקרן הון סיכון, Loopt נסגרה בשנת 2012 לאחר שלא הצליחה להשיג את יעדיה. היא נרכשה על ידי חברת גרין דוט תמורת 43.4 מיליון דולר.\n=== Y Combinator ===\nאלטמן נעשה שותף באקסלרטור Y Combinator בשנת 2011. בשנת 2014 מונה לנשיא האקסלרטור על ידי פול גרהם, אחד ממקימי האקסלרטור. באותה שנה הודיע כי שווי סך החברות שהוקמו דרך YC הוא יותר מ-65 מיליארד דולר.\nב-2015 הודיע על הקמת קרן השקעות של האקסלרטור, שתסייע לחברות שכבר קמו והבשילו. באותה שנה הכריז על פתיחת מעבדת מחקר של YC. המעבדה עסקה מאז במחקרים על עתיד המחשוב, חינוך, והקמת ערים חדשות.\nבמרץ 2019 הודיעה YC על העברת אלטמן מתפקיד נשיא החברה לתפקיד יו\"ר הדירקטוריון, על מנת לאפשר לו להתרכז בחברת OpenAI. נכון ל-2020, אלטמן אינו קשור יותר ל-YC.\n=== השקעות ===\nהוא משקיע בחברות רבות, כולל Airbnb,‏ Stripe,‏ רדיט,‏ Asana, Pinterest,‏ Teespring,‏ Zenefits,‏ FarmLogs,‏ True North,‏ Shoptiques,‏ Instacart,‏ Optimizely,‏ Verbling,‏ Soylent,‏ Reserve,‏ Vicarious,‏ Clever,‏ Notable PDF (כיום Kami) ו-Change.org.\nהוא היה מנכ\"ל רדיט במשך שמונה ימים בשנת 2014 לאחר התפטרות המנכ\"ל הקודם, וונג. הוא הודיע על חזרתו של סטיב הופמן כמנכ\"ל ב-10 ביולי 2015.\n==== אנרגיה גרעינית ====\nהוא יו\"ר הדירקטוריון של הליון ובעבר היה גם יו\"ר הדירקטוריון של אוקלו, שתיהן חברות אנרגיה גרעינית. לדבריו, אנרגיה גרעינית היא אחד התחומים החשובים ביותר בפיתוח הטכנולוגי.\n==== OpenAI ====\nאלטמן הוא מנכ\"ל OpenAI, חברת מחקר למטרות רווח שמטרתה המוצהרת היא לקדם את הבינה המלאכו","en_topic":"Sam Altman","wiki_pageid":1959597,"wiki_revid":43554850,"source_url":"https://he.wikipedia.org/?curid=1959597","license":"CC BY-SA 4.0"}
{"slug":"jensen-huang","lang":"he","title":"ג'נסן הואנג","text":"ג'ן-הסון \"ג'נסן\" הואנג (בכתב סיני: 黃仁勳; בפין-יין: Huáng Rénxūn; באנגלית: Jen-Hsun \"Jensen\" Huang; נולד ב-17 בפברואר 1963) הוא מהנדס חשמל, יזם עסקי ומיליארדר אמריקאי ממוצא טאיוואני. הוא משמש כנשיא ומנכ\"ל של חברת הטכנולוגיה אנבידיה, אשר הוא אחד ממייסדיה. ב-2019 הוכרז על ידי הרווארד ביזנס רוויו כמנכ\"ל הטוב בעולם. זכה במדליית הכבוד למייסדים לשנת 2020 מטעם ה-IEEE. ב-2021 הוכרז כי הפרס היוקרתי ביותר בתחום השבבים על שם רוברט נויס יוענק לו. הונו הוערך במאי 2026 על ידי פורבס בכ-185.6 מיליארד דולר (8 בעולם).\n== ביוגרפיה ==\nהואנג נולד בטאינאן, טאיוואן משפחתו היגרה לארצות הברית כשהיה בן תשע. בתחילה גרו במחוז קליי בקנטקי ולאחר מכן השתקעו באורגון. הואנג סיים תואר ראשון בהנדסת חשמל מאוניברסיטת המדינה של אורגון ב-1984 ותואר שני מאוניברסיטת סטנפורד ב-1992.\nאת הרעיון להקים את חברת אנבידיה הגה עם חבריו במסעדה, מאז החברה הונפקה ובשנת 2024 הפכה ליצרנית השבבים הראשונה שהגיעה לשווי של 3 טריליון דולר, והחברה השלישית בעולם שהגיעה להישג זה (אחרי אפל ומיקרוסופט). ביום המסחר 18.6.2024 הפכה אנבידיה לחברה בעלת שווי השוק הגבוה ביותר בעולם.\n=== קריירה ===\nבתחילת הקריירה שלו עבד הואנג כדירקטור ב-LSI Corporation וכמעצב מעבדים ב-AMD. ב-1993 היה לאחד משלושת מייסדי חברת אנבידיה.\nב-2024 היה למקום ה-14 ברשימת המיליארדרים של פורבס ונכלל ברשימת טיים 100. ביוני 2024 הוערך הונו בשיר של מעל 118 מיליארד דולר.\n=== פילנתרופיה ===\nבשנת 2022 הואנג תרם 50 מיליון דולר לאוניברסיטת אורגון סטייט, להקמת מכון מחשוב-על בקמפוס. הואנג נתן 30 מיליון דולר לאוניברסיטת סטנפורד על מנת לבנות את מרכז בית הספר להנדסה על שמו.\n=== חיים אישיים ===\nבעודו באוניברסיטה פגש את אשתו לעתיד, לורי, שותפתו למעבדת ההנדסה באותה תקופה. להואנג שני ילדים, מדיסון וספנסר. בנו כיום הוא מנהל מוצר ב-Nvidia.\n== קישורים חיצוניים ==\nג'נסן הואנג, באתר כלכליסט\nג'נסן הואנג, באתר אנשים ומחשבים\n ג'נסן הואנג, ברשת החברתית X (טוויטר)\n ג'נסן הואנג, ברשת החברתית LinkedIn\n== הערות שוליים ==","en_topic":"Jensen Huang","wiki_pageid":2013504,"wiki_revid":43415548,"source_url":"https://he.wikipedia.org/?curid=2013504","license":"CC BY-SA 4.0"}
{"slug":"dario-amodei","lang":"he","title":"דריו אמודיי","text":"דריו אמודיי (באנגלית: Dario Amodei; נולד ב-1983) הוא חוקר ויזם בתחום הבינה המלאכותית ממוצא יהודי איטלקי-אמריקאי. הוא אחד ממייסדי חברת אנת'רופיק – שעומדת מאחורי מודל השפה הגדול Claude – והמנכ\"ל שלה. בעבר שימש כסגן נשיא למחקר ב-OpenAI.\n== השכלה ==\nאמודיי נולד לאם יהודיה ואב איטלקי, וגדל בסן פרנסיסקו, שם למד בתיכון לואל. את לימודיו האקדמיים התחיל במכון הטכנולוגי של קליפורניה. לאחר מכן עבר לאוניברסיטת סטנפורד, שם השלים תואר ראשון בפיזיקה. הוא השלים דוקטורט בפיזיקה מאוניברסיטת פרינסטון, שבה חקר אלקטרופיזיולוגיה של מעגלים עצביים. בהמשך, עבד כחוקר פוסט-דוקטורט בבית הספר לרפואה של אוניברסיטת סטנפורד.\n== קריירה ==\nבין נובמבר 2014 לאוקטובר 2015 עבד אמודיי בחברה הסינית Baidu, ולאחר מכן החל לעבוד בגוגל. בשנת 2016 הצטרף ל-OpenAI.\nבשנת 2021, אמודיי ואחותו דניאלה ייסדו את אנת'רופיק, יחד עם בכירים נוספים לשעבר ב-OpenAI. השניים היו בין העוזבים של OpenAI בעקבות חילוקי דעות לגבי כיווני הפיתוח של החברה.\nביולי 2023, אמודיי התריע בפני פאנל משפטי של הסנאט האמריקאי על הסכנות הטמונות בבינה מלאכותית, כולל הסיכונים הקשורים לפיתוח ושליטה בכלי נשק. בספטמבר 2023, הוא ואחותו נכללו ברשימת TIME100 AI של מגזין טיים, המציינת את 100 האנשים המשפיעים ביותר בתחום הבינה המלאכותית. בנובמבר 2023, דירקטוריון OpenAI פנה לאמודיי בהצעה להחליף את מנכ\"ל החברה, סם אלטמן, ואף הציע למזג את שתי החברות, אך אמודיי דחה את שתי ההצעות.\nבאוקטובר 2024, פרסם אמודי מאמר בשם \"Machines of Loving Grace\", שבו הציג חזון לפיו בינה מלאכותית יכולה לשפר באופן מהותי את רווחת בני האדם – בהנחה שהסיכונים הכרוכים בטכנולוגיה ינוהלו בהצלחה.\nבאפריל 2025 נכלל ברשימת \"טיים 100\" לשנת 2025 בזכות הנהגתו של חברת אנת'רופיק בתחום הבינה המלאכותית, ותפקידו המרכזי בקידום פיתוח של מערכות מתקדמות, תוך איזון בין חדשנות טכנולוגית לבין מחויבות עמוקה לבטיחות ואתיקה.\n== קישורים חיצוניים ==\n אתר האינטרנט הרשמי של דריו אמודיי (באנגלית)\n דריו אמודיי, ברשת החברתית LinkedIn\nדריו אמודיי, Machines of Loving Grace, darioamodei.com, ‏אוקטובר 2024\n== הערות שוליים ==","en_topic":"Dario Amodei","wiki_pageid":2418455,"wiki_revid":43555255,"source_url":"https://he.wikipedia.org/?curid=2418455","license":"CC BY-SA 4.0"}
{"slug":"marvin-minsky","lang":"he","title":"מרווין מינסקי","text":"מרווין לי מינסקי (באנגלית: Marvin Lee Minsky; ‏9 באוגוסט 1927 – 24 בינואר 2016) היה מדען אמריקאי-יהודי שנחשב לאחד מאבות תחום הבינה המלאכותית וזכה לפרסים ולאותות הוקרה רבים.\nמינסקי הוא אחד ממייסדי מעבדת הבינה המלאכותית של MIT ומחברם של מספר ספרים חשובים בתחום.\n== ביוגרפיה ==\nמינסקי נולד בעיר ניו יורק, להנרי, שהיה רופא עיניים, ופאני לבית רייזר, שהייתה פעילה ציונית. למד בבית הספר פילדסטון ולאחר מכן בתיכון ברונקס למדעים. הוא המשיך ללימודים באקדמיית פיליפס, בעיר אנדובר, מסצ'וסטס. בשנים 1944–1945 שירת בצי האמריקאי.\nבשנת 1950 קיבל תואר ראשון במתמטיקה מאוניברסיטת הרווארד, וארבע שנים לאחר מכן תואר דוקטור למתמטיקה מאוניברסיטת פרינסטון בהנחיית אלברט טאקר. מינסקי השתייך לסגל MIT מ-1958 ועד לפטירתו, והיה פרופסור להנדסת חשמל ומדעי המחשב.\nבקיץ 1956 היה ממארגני סדנת דארטמות' שהיה המפגש הראשון בנושא אינטליגנציה מלאכותית (השם נטבע אז) בדארטמות' קולג' יחד עם ג'ון מקארתי וקלוד שנון. למפגש הייתה השפעה גדולה והוא נחשב לאירוע שכונן את המחקר בתחום.\nמינסקי היה מעורב בהמצאות ופיתוחים רבים, כדוגמת אביזר התצוגה הראשון לראש, \"צב\" הלוגו, ומכונה שאותה בנה בשנת 1951 והייתה הראשונה שביצעה למידת מכונה באמצעות רשת נוירונים אקראית.\nכתב יחד עם סימור פפרט את הספר פרספטרונים \"Perceptrons\" שהיה לאבן יסוד בתחום הרשתות העצביות המלאכותיות. ביקורתו החריפה כלפי מחקר בלתי ריגורוזי בשדה זה, שהובעה בספרו, נחשבת אחראית במידה בלתי מבוטלת להעלמות תחום הרשתות העצביות המלאכותיות מהמחקר במדעי המחשב בשנות השבעים, שהתחדש רק בשנות השמונים של המאה העשרים.\nבתחילת שנות השבעים הוא ופפרט החלו לפתח תאוריה לה קראו \"The Society of Mind\" אשר מנסה להסביר את ההתנהגויות להן קוראים בני אדם \"תבוניות\" כאינטראקציה של חלקים בלתי-תבוניים. בשנת 1986 פרסם ספר מקיף על תאוריה זו, שבניגוד לספריו הקודמים כוון לקהל הרחב.\nהיה ממתנגדי פרס לובנר למחשב שיעבור את מבחן טיורינג וטען נגדו שהוא יצר מסע פרסום שנתי מגונה וחסר תועלת, ובבדיחות הציע את \"פרס מינסקי\" בסך 100 דולר לאדם שישכנע את לובנר להפסיק את התחרות.\nבתחילת שנות החמישים עת היה מבקר במעבדות בל עיצב \"מכונה חסרת תועלת\" שהיוותה מקור השראה ל\"מכונות חסרות התועלת\" הידועות ביותר.\nשימש יועץ מדעי לסרט \"2","en_topic":"Marvin Minsky","wiki_pageid":292310,"wiki_revid":42447981,"source_url":"https://he.wikipedia.org/?curid=292310","license":"CC BY-SA 4.0"}
{"slug":"herbert-a-simon","lang":"he","title":"הרברט סיימון","text":"הרברט אלכסנדר סיימון (בשם מלא באנגלית: Herbert Alexander Simon; ‏15 ביוני 1916 – 9 בפברואר 2001) היה חוקר יהודי-אמריקאי בולט בתחומי הפסיכולוגיה, הכלכלה והניהול, מדעי המחשב ופילוסופיה של המדע. שירת כחבר סגל אוניברסיטת קרנגי מלון משנת 1949. ב-1959 נבחר לעמית באקדמיה האמריקאית לאמנויות ולמדעים; ב-1967 נבחר לחבר באקדמיה הלאומית למדעים (ארצות הברית), ב-1975 זכה בפרס טיורינג וב-1978 זכה בפרס נובל לכלכלה על מחקרו הייחודי בתחום הכלכלה ההתנהגותית ותהליך קבלת ההחלטות של גופים עסקיים. ב-1986 זכה במדליה הלאומית למדעים בתחומי מדעי החברה וההתנהגות, וב-1993 בפרס מפעל חיים מטעם האגודה האמריקנית לפסיכולוגיה.\n== קורות חיים ==\nסיימון נולד במילווקי שבוויסקונסין ב-1916. הוא קיבל תואר ראשון (1936) ותואר דוקטור (1942) מאוניברסיטת שיקגו בתחום מדע המדינה, תוך התמחות במינהל ציבורי. תחום התמחות זה סלל את המשך מחקרו בתחום הציבורי והארגוני ושימש בסיס לתגליותיו בתחום קבלת ההחלטות הארגוני, בזכותן זכה בפרס נובל.\n== מחקריו ==\nבספרו הידוע ביותר, \"התנהגות אדמיניסטרטיבית\" (1947), העמיד סיימון את קבלת ההחלטות כמהות המינהל הציבורי. הספר אף נבחר בשנת 1989 לחיבור בעל ההשפעה הגדולה ביותר מעולם על תחום תורת המנהל הציבורי. לדבריו, משום שבמגבלת הזמן הארגוני, עיבוד מידע מסוים כרוך בהכרח בוויתור על עיבוד מידע אחר, המשאב החסר ביותר לדבריו במנהל הציבורי איננו כסף, אלא זמן או \"יכולת הקשב\" של המנהלים.\nסיימון טבע את המונחים \"רציונליות מוגבלת\" (Bounded Rationality) ו\"סטיספיקציה\" (Satisficing) או מודל השבעת הרצון. במחקריו יצא כנגד המודל הרציונלי לקבלת החלטות, בטענה שההנחות המוקדמות שהוא מניח גורמות לכך שהוא איננו מציאותי ויכולת הניבוי שלו נמוכה מאוד. לטענתו, גם אם מקבל ההחלטות מעוניין לקבל את ההחלטה הרציונלית ביותר, תמיד ישנם גורמים - כגון מגבלות ניהוליות, קוגניטיביות, סביבתיות, הטיות תפיסה וכן מגבלות של זמן או עלות - המונעים ממנו להשיג זאת בצורה מלאה. בעיה נוספת היא הנטייה של בני האדם לשפוט מידע חדש על פי הדימויים הישנים שהם מכירים (ראו לדוגמה \"הקונספציה\").\nהוא טען כי גופים עסקיים ובני אדם פרטיים טועים לחשוב כי הם מבצעים תהליך קבלת החלטות רציונלי (כלומר מקסום תועלות או רווחים אל מול מינימום עלויות) כאשר למעשה הם \"מסת","en_topic":"Herbert A. Simon","wiki_pageid":134315,"wiki_revid":42925807,"source_url":"https://he.wikipedia.org/?curid=134315","license":"CC BY-SA 4.0"}
{"slug":"john-von-neumann","lang":"he","title":"ג'ון פון נוימן","text":"ג'ון לואיס פון נוימן (באנגלית: John von Neumann‏; 28 בדצמבר 1903 – 8 בפברואר 1957) היה מתמטיקאי ואיש אשכולות הונגרי-אמריקאי יהודי מומר. היה שותף לשניים מההישגים הטכנולוגיים הבולטים של המאה ה-20: פיתוח פצצת האטום ופיתוח המחשב האלקטרוני. הוא היה גם יוצרה של תורת המשחקים (יחד עם הכלכלן אוסקר מורגנשטרן), תרם תרומה משמעותית לחקר מכניקת הקוונטים, תורת הקבוצות וענפי מתמטיקה נוספים, ושילב בהצלחה רבה פעילות במחקר טהור וכן מחקר שימושי בענפי מדע רבים.\n== תולדות חייו ==\nפון נוימן נולד ב–1903 בבודפשט למשפחה יהודית-נאולוגית, בשם יאנוש ליוש נוימן (בהונגרית: János Lajos Neumann). אביו, מקס נוימן, היה בנקאי אמיד ובעל תואר דוקטור במשפטים. אמו הייתה מרגיט לבית קאן, צאצאית למשפחות היהודיות קאן ומייזלס. עד גיל 10 למד נוימן בבית בהדרכת מורים פרטיים. סימני גאונות ניכרו בו כבר בילדותו; יוג'ין ויגנר, אף הוא יהודי-הונגרי וחתן פרס נובל לפיזיקה לשנת 1963, שלמד יחד עם פון נוימן בבית הספר התיכון הלותרני פאשורי, אמר עליו מאוחר יותר: \"יש שני סוגי אנשים בעולם: ג'וני פון נוימן - ואנחנו, השאר\". המורה למתמטיקה בגימנסיה זיהה מיד את כישרונו המתמטי יוצא הדופן והמליץ להוריו לשכור לו מורה פרטי למתמטיקה. ההורים שכרו את מיכאל פקטה שהיה מרצה באוניברסיטת בודפשט, והוא לימד אותו מתמטיקה גבוהה.\nלמרות מגבלת הנומרוס קלאוזוס התקבל פון נוימן ללימודי מתמטיקה באוניברסיטת בודפשט, ובגיל 19 פרסם את מאמרו המתמטי הראשון, אותו כתב יחד עם מדריכו מהאוניברסיטה מיכאל פקטה. פון נוימן קיבל תואר דוקטור למתמטיקה מאוניברסיטת בודפשט בגיל 23 (הדוקטורט שלו עסק בתורת הקבוצות). במקביל ללימודי מתמטיקה, למד גם כימיה באוניברסיטת ברלין והנדסה כימית במכון הטכנולוגי של ציריך, משום שאביו ראה במתמטיקה עיסוק שאין בו פרנסה. בעת לימודיו בציריך למד גם מתמטיקה, אצל ג'ורג' פוליה והרמן וייל.\nלאחר סיום לימודיו לימד במשך שנים אחדות באוניברסיטאות של ברלין והמבורג, ובמקביל למד באוניברסיטת גטינגן אצל דויד הילברט, שם גם פגש לראשונה את הפיזיקאי רוברט אופנהיימר.\nלאחר שפניותיו לקבלת אשרת הגירה לארצות הברית נדחו כמה פעמים, הוא הוזמן לבסוף ב-1929 לאוניברסיטת פרינסטון בסיוע חבריו. לאחר הטבלתו לנצרות קתולית לצורך נישואיו הראשונים עם צעירה הונגרייה, בוגרת לימודי כלכ","en_topic":"John von Neumann","wiki_pageid":980,"wiki_revid":43367533,"source_url":"https://he.wikipedia.org/?curid=980","license":"CC BY-SA 4.0"}
{"slug":"ada-lovelace","lang":"he","title":"עדה לאבלייס","text":"אוגוסטה עדה קינג, הרוזנת מלאבלייס (באנגלית: Augusta Ada King, Countess of Lovelace;‏\n10 בדצמבר 1815 – 27 בנובמבר 1852) הייתה מתמטיקאית וסופרת אנגליה הידועה בתור המתכנתת הראשונה, שכתבה תוכנית למנוע האנליטי, מחשב מכני שהמציא צ'ארלס בבג' ושבפועל לא נבנה. רשימותיה על המנוע כוללות את מה שמוכר כאלגוריתם הראשון שנועד להתבצע על ידי מכונה. מסיבה זו, היא מתוארת כמתכנתת המחשבים הראשונה בעולם.\n== קורות חייה ==\nלאבלייס היא בתם של הלורד ביירון ואשתו אן איזבל ביירון ונחשבת לבתו החוקית היחידה של לורד ביירון. אביה, שציפה ל\"בן מפואר\", התאכזב כשלאבלייס נולדה. הוריה נפרדו זמן קצר לאחר לידתה והיא גדלה במשפחת אמה ולא הכירה את אביה, שביקש שאחותו תקבל דיווח על רווחתה. ביירון נפרד מאשתו חודש לאחר לידתה של עדה ועזב את אנגליה לנצח ארבעה חודשים מאוחר יותר. ביירון נפטר ממחלה בזמן מלחמת העצמאות היוונית (1824) כאשר עדה הייתה בת שמונה. היותה של עדה בתו החוקית היחידה של המשורר הרומנטי השנוי במחלוקת הפך אותה לדמות מפורסמת בחברה הוויקטוריאנית. אמה של עדה, אן, שאפה לנתקה ממורשתו של אביה, הסתירה ממנה את דיוקנו עד יום הולדתה העשרים ולא רצתה שתתעניין בכתיבה, אולם עודדה אותה ללמוד מתמטיקה ולוגיקה.\nחייה של עדה לאבלייס היו רוויים חולי, החל מילדותה המוקדמת. בגיל שמונה חוותה כאבי ראש שערפלו את ראייתה ולזמן מה היא הייתה משותקת מהתקף של חצבת ומרותקת למיטה למשך כשנה.\nלאבלייס זכתה מילדותה לחינוך פרטי במתמטיקה. בין מוריה הפרטיים הייתה המתמטיקאית הסקוטית מרי פיירפקס סומרוויל ובשלב מאוחר יותר גם הלוגיקאי אוגוסטוס דה מורגן.\nלאבלייס נפטרה בגיל 36 לאחר טיפולי הקזת דם מרובים שעברה בעקבות מחלת סרטן הרחם שבה חלתה. היא השאירה אחריה שני בנים ובת; בתה, ליידי אן בלנט, התפרסמה כמטיילת במזרח התיכון ומקימה של חווה להרבעת סוסים ערביים.\n== המנוע האנליטי ==\nלאבלייס וצ'ארלס בבג' ניהלו תכתובות רבות. היא הוקסמה מתכנון המנוע האנליטי שלו, שנועד להיות מכונת חישוב משוכללת הרבה יותר ממנוע ההפרשים שבנה לפני כן. תוכנית המנוע האנליטי נכתבה בצרפתית על ידי המתמטיקאי האיטלקי לואיג'י מנבראה , לפי הרצאותיו של בבג'. לאבלייס תרגמה את המאמר של מנבראה לאנגלית והוסיפה לו פרק נרחב של הסברים והערות. מטרתה הייתה לשכנע את הממסד הבריטי להשקיע בבניית המנוע ה","en_topic":"Ada Lovelace","wiki_pageid":53103,"wiki_revid":42573649,"source_url":"https://he.wikipedia.org/?curid=53103","license":"CC BY-SA 4.0"}
{"slug":"edsger-w-dijkstra","lang":"he","title":"אדסחר דייקסטרה","text":"אֶדְסְחֶר וִיבֶּה דֶיְיקְסְטְרָה (בהולנדית: Edsger Wybe Dijkstra, אלפבית פונטי בינלאומי: [ˈɛtˌsxər 'ʋibə ˈdɛɪkˌstra]; ‏‏Ⓘ‏ ‏ 11 במאי 1930 – 6 באוגוסט 2002, נינן, הולנד) היה מהבולטים במדעני המחשב והמתכנתים במאה העשרים.\n== ביוגרפיה ==\nדייקסטרה נולד ברוטרדם שבהולנד, לאב כימאי ולאם מתמטיקאית.\nלמד מתמטיקה ופיזיקה תאורטית באוניברסיטת ליידן. בשנים 1952–1962 עבד כמתכנת, ובמהלכן השלים את הדוקטורט במדעי המחשב (שעדיין לא התגבש כתחום עצמאי) באוניברסיטת אמסטרדם. עבודת הדוקטור שלו, שהוגשה בשנת 1959, נושאת את הכותרת Communication with an Automatic Computer, והתבססה גם על ניסיונו כמתכנת.\nבשנים 1962–1984 היה פרופסור למתמטיקה באוניברסיטת איינדהובן, ובשנים 1973–1984 היה עמית מחקר של חברת בורוז. בשנים 1984–1999 היה פרופסור למדעי המחשב באוניברסיטת טקסס באוסטין.\nדייקסטרה הוא חתן פרס טיורינג לשנת 1972 ועמית ACM משנת 1994.\nעל שמו של דייקסטרה נקרא פרס דייקסטרה של ה־ACM (האגודה הבינלאומית של מדעני מחשב). הפרס מוענק כל שנה למאמר שהייתה לו השפעה מרובה (במשך עשר שנים לפחות) על תחום החישוב המבוזר. דייקסטרה היה מהזוכים הראשונים בפרס (לפני שנקרא על שמו), בזכות מאמר הייצוב העצמי.\n== תרומותיו הבולטות ==\nהאלגוריתם של דייקסטרה, למציאת מסלול קל ביותר בגרף, כשנתונות משקולות לא שליליות על הקשתות. האלגוריתם מוצא את המסלולים מקודקוד מסוים בגרף אל כל אחד מהקודקודים האחרים (במסגרת תורת הגרפים).\n\"Go To Statement Considered Harmful\", מכתב למערכת הירחון Communications of the ACM שהתפרסם בשנת 1968 ויצר תפנית בתחביר של שפות תכנות, בהסבו את תשומת הלב לקושי שגורם השימוש בפקודת goto לקריאותן של תוכניות. בעקבות מכתב זה נוצר התכנות המובנה, שבו יש מבני בקרה המאפשרים קריאות גבוהה.\nביסוס מדעי של תהליך התכנות.\nפעולות הנעילה והשחרור של מנעול לסינכרוניזציה של תהליכים במערכת מבוזרת. מאמריו על מערכות מבוזרות נחשבים על ידי רבים להתחלת תחום המחקר של החישוב המבוזר.\nמאמרו על ייצוב עצמי, תכונה המבטיחה כי מערכת מבוזרת שתתחיל ממצב כלשהו תתכנס לבסוף למצב חוקי ותישאר חוקית. המאמר התחיל את תחום המחקר הזה (תת-תחום של תחום מערכות מבוזרות).\nפיתוח מהדר ראשון לשפת התכנות ALGOL, שפה שהפכה למודל בבהירותה ובקפדנותה המתמטית.\n== טריוויה ==\nדייקס","en_topic":"Edsger W. Dijkstra","wiki_pageid":970,"wiki_revid":40262278,"source_url":"https://he.wikipedia.org/?curid=970","license":"CC BY-SA 4.0"}
{"slug":"linus-torvalds","lang":"he","title":"לינוס טורבאלדס","text":"לינוס בנדיקט טורבאלדס (בשוודית: ‏‏Ⓘ‏; נולד ב-28 בדצמבר 1969 בהלסינקי שבפינלנד) הוא מתכנת פיני-אמריקאי, מפתח ליבת לינוקס למערכת הפעלה.\n== לינוקס ==\nבשנת 1991, במהלך לימודיו, טורבאלדס ניסה למצוא אפשרות לעבוד ביוניקס גם מהבית, במחשב האישי שלו. האפשרות הפופולרית ביותר הייתה מערכת הפעלה בשם מיניקס שפותחה על ידי אנדרו טננבאום, פרופסור באוניברסיטה החופשית של אמסטרדם שפיתח את מיניקס כחלק מקורס אקדמי בנושא פיתוח מערכות הפעלה.\nמאוכזב מכך שקוד המקור של מיניקס לא ניתן תחת רישיון חופשי, טורבאלדס החליט לבנות גרסה משלו. השכתוב של מיניקס הפך בהדרגה לפרויקט בפני עצמו שכבר לא היה קשור אל מיניקס באופן מיוחד, אלא שאף להיות תואם עם התקן המכונה POSIX של מערכת ההפעלה יוניקס.\nטורבאלדס פיתח את הליבה וכשהרגיש כי יש לו מספיק קוד, הוא פנה לרשימת הדיוור של מיניקס והכריז על כך. זמן קצר לאחר מכן הייתה לינוקס זמינה לכל דורש מספריה פרטית בשרת ה-FTP שהוקצה עבורה.\nבשנת 1992 ניהלו טורבאלדס וטננבאום ויכוח בקבוצת הדיון comp.os.minix אודות היתרונות השונים של גישותיהם לפיתוח ליבה: ליבה מונוליתית או מיקרו-ליבה.\nכאשר הכריז טורבלדס על זמינות הליבה בגרסה 0.1 הוא התייחס בעיקר למגבלות של לינוקס והביע ספק לגבי האפשרות שהיא תהפוך למשהו רציני אי פעם. טורבאלדס התייחס במיוחד לעובדה שקוד המקור לא נייד בין סביבות הפעלה (non portable) מאחר שהוא עושה שימוש נרחב בפקודות מכונה במעבדי 386 (המחשב האישי שהיה ברשותו ובאמצעותו פותחה לינוקס). עם הזמן מפתחים רבים ברחבי העולם התחילו לסייע לו וכך הפכה לינוקס, יחד עם תוכניות המערכת הזמינות כחלק ממערכת ההפעלה גנו, למערכת הפעלה לכל דבר. במשך תקופה ארוכה הומרו למערכת ההפעלה גנו/לינוקס יישומים נוספים כמו שרת התצוגה X, מנהלי התקן להתקני חומרה שונים והיא אף הוסבה לפלטפורמות חומרה אחרות מלבד אינטל.\nטורבאלדס הוא המתחזק הראשי של ליבת לינוקס.\nבהמשך עבר טורבאלדס לארצות הברית ועבד בחברת Transmeta, אשר ייצרה מעבדים חלופיים למחשבים אישיים. לאחר מכן עבר ל-OSDL‏ (Open Source Develpment Laboratory) של קרן לינוקס.\nטורבאלדס מחזיק בסימן המסחרי הרשום \"לינוקס\" ומנהל אותו דרך מכון סימן לינוקס.\n== תוכנות נוספות ==\nבשנת 2003 כתב את \"sparse\", מנתח קוד סטאטי לקוד בשפת C, אשר משמש לבדיקת הליבה.\nבשנת 2005 כתב ","en_topic":"Linus Torvalds","wiki_pageid":30004,"wiki_revid":41382290,"source_url":"https://he.wikipedia.org/?curid=30004","license":"CC BY-SA 4.0"}
{"slug":"ken-thompson","lang":"he","title":"קן תומפסון","text":"קן תומפסון (אנגלית: Ken Thompson; נולד ב-4 בפברואר 1943) הוא חלוץ אמריקאי בתחום מדעי המחשב ואבי מערכת ההפעלה יוניקס. הוא עבד במעבדות בל, שם תכנן ופיתח את יוניקס, את שפת התכנות B, ואת מערכת ההפעלה Plan 9. מאז שנת 2006 עובד תומפסון בחברת גוגל, שם היה שותף לפיתוח שפת התכנות Go.\nבין תרומותיו של תומפסון להתהוותו של תחום המחשבים ניתן למנות גם את עבודתו בנושא הביטויים הרגולריים בעורכי הטקסט הראשונים QED ו-ed, את הגדרת קידוד UTF-8, ואת עבודותיו בתחום ניתוח המצבים במשחק השחמט.\n== ביוגרפיה ==\nתומפסון נולד בניו אורלינס, במדינת לואיזיאנה שבארצות הברית. הוא סיים תואר ראשון באוניברסיטת קליפורניה בברקלי בשנת 1965 ותואר שני ב-1966, בהנדסת מחשבים. המנחה שלו בכתיבת התזה היה המתמטיקאי אלווין ראלף ברלקמפ.\nבשנות ה-60 עבד תומפסון יחד עם דניס ריצ'י על מערכת ההפעלה מולטיקס. בזמן הפיתוח, תומפסון יצר שפת תכנות בשם \"Bon\". השניים זנחו את הפרויקט כאשר מעבדות בל הפסיקה את הפיתוח, אך הם השתמשו בניסיונם מהפרויקט, ובשנת 1969, הפכו תומפסון וריצ'י ליוצרי מערכת ההפעלה יוניקס. תומפסון חשב שיוניקס זקוקה לשפת תכנות ויצר את שפת התכנות B, אשר לוותה בהמשך בפיתוחו של ריצ'י את שפת C.\nתומפסון פיתח את גרסת ה-CTSS של עורך הטקסט QED, וכלל בו את השימוש בביטויים רגולריים לחיפוש טקסט. QED ועורך הטקסט ed שפיתח תומפסון תרמו רבות לפיתוח ולפופולריות של ביטויים רגולריים בתחום המחשבים. ביטויים רגולריים הפכו נפוצים בתוכניות יוניקס לעיבוד טקסט (כגון grep) ובשפות תכנות מודרניות כגון Perl, ורוב הביטויים הרגולרים כיום משתמשים בתחביר שתומפסון יצר. הוא גם פיתח את \"אלגוריתם הבנייה של תומפסון\", המשמש להמרת ביטוי רגולרי לאוטומט סופי לא דטרמיניסטי על מנת להפוך את ההתאמה למהירה יותר.\nבשנת 1992 פיתח תומפסון יחד עם רוב פייק את הקידוד הפופולרי UTF-8.\nיחד עם ג'וסף קונדון, פיתח תומפסון את החומרה והתוכנה של \"בל\", תוכנת שחמט אשר זכתה באליפות העולם לתוכנות שחמט בשנת 1980. נוסף על כך, הוא כתב תוכנה המחשבת סיומות של משחקי שחמט ויצר מאגר נתונים המכיל את כל מצבי הסיום ל-4, 5, ו-6 כלים, עובדה שגרמה לתוכנה לייצר מהלכים \"מושלמים\" ברגע שהגיעה לסיום.\nבשנת 2000, עזב תומפסון את מעבדות בל. הוא עבד בחברת \"Entrisphere\" עד שנת 2006, וכיום הוא עובד בגוגל, כ","en_topic":"Ken Thompson","wiki_pageid":1190022,"wiki_revid":41959397,"source_url":"https://he.wikipedia.org/?curid=1190022","license":"CC BY-SA 4.0"}
{"slug":"bjarne-stroustrup","lang":"he","title":"ביארנה סטרוסטרופ","text":"ביארנה סטרוסטרופ (בדנית: Bjarne Stroustrup; נולד באורהוס שבדנמרק ב-30 בדצמבר 1950) הוא מדען מחשב דני, הידוע בעיקר כמפתחה של שפת התכנות הנפוצה C++‎. סטרוסטרופ משמש פרופסור באוניברסיטת קולומביה שבניו יורק.\nסטרוסטרופ החל לעצב את שפת C++‎ ב-1979 (שאז נקראה \"C עם מחלקות\"), ובמילותיו:\n סטרוסטרופ אף כתב את ספר הסטנדרטים של C++‎:‏ The C++ Programming Language, בארבע גרסאות.\nבריאיון ל-Big Think, אמר סטרוסטרופ כי כשפיתח את שפת ה-C++‎ הרגיש כי קודמתה, שפת התכנות C מיושנת מדי. כמו כן אמר שלדעתו השפות צריכות להתמזג לשפה אחת אולטימטיבית ואידיאלית.\n== השכלה ועבודה אקדמית ==\nסטרוסטרופ הוא בעל תואר מוסמך אוניברסיטה במתמטיקה ובמדעי המחשב מאוניברסיטת אורהוס ו-.‏Ph.D (תואר שלישי) מאוניברסיטת קיימברידג' שבאנגליה, שם היה תלמיד בקולג' צ'רצ'יל. הוא היה ראש מחלקת התכנות במעבדות בל, מפתיחתה עד לסוף שנת 2002. ב-2004 התמנה לחבר באקדמיה הלאומית להנדסה. בנוסף, הוא חבר מן המניין בארגונים ACM וב-IEEE.\nכיום הוא פרופ' למדעי המחשב באוניברסיטת קולומביה.\n== פרסים ותארים ==\n1992 - פרס ACM על שם גרייס הופר\n2004 - פרס IEEE של חברת המחשבים העולמית בקטגוריית יזם המחשבים לשנת 2004\n2005 - פרס ויליאם פרוקטר להישגים מדעיים\n2008 - אות ההצטיינות של דוקטור בוב\n2017 - מדליית פאראדיי\n2018 - פרס IEEE של חברת המחשבים העולמית בקטגוריית חלוץ המחשבים\n2018 - פרס צ'ארלס סטארק דרייפר\n== ספריו ==\nביארנה סטרוסטרופ, Programming: Principles and Practice Using C++ -אידסון-ויזלי פרופשנל, 2008; ISBN 0-321-54372-6\nביארנה סטרוסטרופ, The C++ Programming Language - הוצ' אידסון-ויזלי, 2000; ISBN 0-201-70073-5\nביארנה סטרוסטרופ, The Design and Evolution of C++ - הוצ' אידסון-ויזלי, 29 במרץ 1994\nביארנה סטרוסטרופ ומרגרט אליס,The Annotated C++ Reference Manual - הוצ' אידסון-ויזלי, 1990; ISBN 0-201-51459-1\n== לקריאה נוספת ==\n== קישורים חיצוניים ==\n אתר האינטרנט הרשמי של ביארנה סטרוסטרופ\n ביארנה סטרוסטרופ, ברשת החברתית Goodreads\n ביארנה סטרוסטרופ, באתר רדיט\nביארנה סטרוסטרופ, באתר פרויקט הגנאלוגיה במתמטיקה\nביארנה סטרוסטרופ, באתר dblp\nביארנה סטרוסטרופ, באתר גוגל סקולר\nביארנה סטרוסטרופ, באתר IEEE\nדפו של ביארנה סטרוסטרופ (אורכב 14.04.2012 בארכיון ","en_topic":"Bjarne Stroustrup","wiki_pageid":971832,"wiki_revid":41959330,"source_url":"https://he.wikipedia.org/?curid=971832","license":"CC BY-SA 4.0"}
{"slug":"barbara-liskov","lang":"he","title":"ברברה ליסקוב","text":"ברברה ג'יין הוברמן ליסקוב (באנגלית: Barbara Jane Huberman Liskov; נולדה ב-7 בנובמבר 1939) היא מדענית אמריקאית בתחום מדעי המחשב. מכהנת (2014) כפרופסור במחלקות הנדסת חשמל ומדעי המחשב במכון הטכנולוגי של מסצ'וסטס, זוכת פרס טיורינג לשנת 2008.\nתחומי המחקר שלה הם מתודולוגיות תכנות, חישובים מבוזרים, שפות תכנות ומערכות הפעלה.\n== חיים אישיים והשכלה ==\nביוני 1961, סיימה ליסקוב תואר ראשון BA במתמטיקה באוניברסיטת קליפורניה בברקלי. במקום להמשיך את דרכה לתואר השני בתחום המתמטיקה, החליטה ליסקוב לעבוד בחברת Mitre, בה גילתה שליבה נסוב לתחום התכנות. ברברה ליסקוב, היא אחת הנשים הראשונות בארצות הברית שקיבלה תואר דוקטור למדעי המחשב בשנת 1968 מאוניברסיטת סטנפורד. את הדוקטור עשתה תחת הנחיתו של ג'ון מקארתי. נושא התזה היה תוכנית מחשב שתשחק בלוח סיום משחק השחמט. לאחר קבלת תואר הדוקטור, התחתנה עם נתן ליסקוב, וחזרה לבוסטון להמשיך לעבוד בחברת Mitre.\nמוזס ליסקוב, בנה, סיים בשנת 2004 תואר דוקטור במדעי המחשב ב-MIT ופרופסור למדעי המחשב בקולג' של ווילאם ומרי בווירג'יניה.\n== קריירה ==\nליסקוב הובילה פרויקטים רבים משמעותיים, בהם נכללים:\nמערכת הפעלה ונוס, שהיא מערכת קטנה, בעלות נמוכה ובעלת שיתוף זמן אינטראקטיבי.\nעיצוב ומימוש של שפת התכנות קלו , אשר מדגישה את הרעיון של תכנות מודולרי, אבסטרקציה ופולימורפיזם (בשנות ה-70).\nפיתוח שפת התכנות ארגוס , אשר מרחיבה את שפת קלו, היא השפה העילית הראשונה שתמכה במימוש ויישום של תוכניות מבוזרות וגם מדגימה את הטכניקה של promise pipelining (בשנות ה-80).\nת'ור (Thor) מערכת מסד נתונים מונחת עצמים.\nיחדיו עם ג'נט וינג, פיתחו הגדרה מסוימת של תת-טיפוס, הידוע בשם עקרון ההחלפה של ליסקוב, שהתפרסם ב-1993.\nליסקוב פעלה כיועצת לחברות רבות (כגון DEC,‏ Bolt,‏ NCR,‏ Newman,‏ Cadence ועוד) במגוון נושאים הקשורים במחשבים. ב-2014 הובילה את קבוצת מתודולוגית התכנות במכון הטכנולוגי של מסצ'וסטס (MIT), כאשר דגש המחקר הנוכחי הוא עמידות בפני תקלות ביזנטיות וחישוב מבוזר.\n== פרסים והוקרות ==\nליסקוב היא חברה באקדמיה הלאומית להנדסה וחברה באקדמיה לאמנויות ומדעים האמריקנית ושל האגודה למכונות מחשוב (ACM). בשנת 2002, היא הוכרה כאחת מחברות סגל הטובות ביותר ב-MIT, ובין 50 חברי הסגל הטובים ביותר במדעים בארצות ","en_topic":"Barbara Liskov","wiki_pageid":1161339,"wiki_revid":43503697,"source_url":"https://he.wikipedia.org/?curid=1161339","license":"CC BY-SA 4.0"}
{"slug":"steve-jobs","lang":"he","title":"סטיב ג'ובס","text":"סטיבן פול \"סטיב\" ג'ובס (באנגלית: Steven Paul \"Steve\" Jobs; ‏24 בפברואר 1955 – 5 באוקטובר 2011) היה יזם, משקיע וממציא אמריקאי. ג'ובס היה ממייסדי חברת אפל והמנכ\"ל הראשון שלה, תפקיד בו כיהן בשנים 1976–1983, ולאחר מכן משנת 1997 ועד חודשים ספורים לפני מותו ב-2011. בזכות מחשב Apple II פורץ הדרך, נחשב ג'ובס לאחד מחלוצי המחשוב האישי. הוא נמנה עם המניעים העיקריים להבאת ממשק המשתמש הגרפי למחשב האישי במחשבי מקינטוש, ונחשב לדמות המרכזית שמאחורי הזינוק הכלכלי של חברת אפל בראשית המאה ה-21, בזכות מוצרים פופולריים וחדשניים כדוגמת אייפוד,‏ אייפד ואייפון. בנוסף לכך, ג'ובס היה שותף להקמת חברת NeXT וכיהן כיושב-ראש וכבעלים של אולפן ההנפשה פיקסאר. הוא נמנה עם עשירי העולם, והונו הוערך בספטמבר 2011, סמוך למותו, בסך של 7 מיליארד דולר. ג'ובס בעל עיטור מדליית החירות הנשיאותית (2022).\n== ביוגרפיה ==\nג'ובס נולד בסן פרנסיסקו, קליפורניה. הוריו הביולוגיים היו ג'ואן קארול שיבל, אמריקאית קתולית, ועבד אל-פתאח ג'ון ג'נדלי, סטודנט ומורה מוסלמי יליד סוריה. הם לא נישאו וזמן קצר לאחר לידתו אומץ על ידי פול וקלרה ג'ובס ממאונטיין ויו שבקליפורניה. סטיב ג'ובס הוטבל בכנסייה הלותרנית. אחותו היא הסופרת מונה סימפסון.\nלאחר שלא מצא עניין בלימודים בבית הספר לחץ על הוריו לשנות מקום מגורים כדי שיוכל ללמוד בבית ספר טוב יותר. כשהיה בכיתה ט' הכיר ג'ובס את סטיב ווזניאק, שכונה בפי חבריו \"ווז\". ווזניאק היה באותה עת בכיתה יב'.\nב-1972 סיים ג'ובס את לימודיו בתיכון בקופרטינו שבקליפורניה. לאחר הלימודים נכח בהרצאות של חברת HP ועבד בחברה במהלך חופשת הקיץ. הוא החל ללמוד בקולג' ריד בפורטלנד שבאורגון, אך נטש את הלימודים לאחר סמסטר אחד. למרות זאת המשיך להגיע להרצאות בקולג'. ג'ובס העיד על עצמו כי במהלך שהותו בקולג' היה דל אמצעים. הוא נאלץ לישון על הרצפה בחדרו של חבר, היה ממחזר בקבוקים תמורת פיקדון כדי לקנות אוכל, ואף הלך ברגל 11 ק\"מ בכל יום ראשון בבוקר כדי לקבל ארוחה במקדש של התנועה הבינלאומית למען תודעת קרישנה.\nכריסן ברנן, בת זוגו הראשונה של סטיב ג'ובס, העידה שבתחילת 1973 חי ג'ובס חיים פשוטים בתא בלוס גאטוס, קליפורניה, עבד כטכנאי באטארי וחסך כסף לטיול הממשמש ובא להודו. היא מספרת בביוגרפיה שלה שג'ובס היה קורא את הספר Be Here Now (והעני","en_topic":"Steve Jobs","wiki_pageid":43272,"wiki_revid":43633616,"source_url":"https://he.wikipedia.org/?curid=43272","license":"CC BY-SA 4.0"}
{"slug":"elon-musk","lang":"he","title":"אילון מאסק","text":"אִילוֹן ריב מאסק (באנגלית: Elon Reeve Musk; נולד ב-28 ביוני 1971) הוא איש עסקים, יזם, משקיע ומשפיען אמריקאי-קנדי יליד דרום אפריקה. ביוני 2026 הפך לטריליונר הראשון בהיסטוריה, אך איבד את תואר הטריליונר חודש אחר כך, כשחברתו SpaceX איבדה משוויה.\nמאסק הוא המייסד, המנהל הכללי, מנהל הטכנולוגיות הראשי והמעצב הראשי של חברת SpaceX; המנהל הכללי וארכיטקט המוצר של חברת טסלה; הבעלים של תאגיד אקס; המייסד של The Boring Company; שותף בהקמת החברות ניוראלינק, PayPal ו־OpenAI. ב־2022 רכש את הרשת החברתית המקוונת טוויטר (ושינה את שמה ל-X).\nב-20 בינואר 2025 מונה יחד עם ויווק רמאסוואמי לראשות המחלקה ליעילות הממשל על ידי נשיא ארצות הברית, דונלד טראמפ, מאסק לא כיהן בתפקיד זה בפועל אלא שימש כיועץ לנשיא, והחזיק בתפקיד 129 יום.\nבשנת 2018 הוענק למאסק תואר עמית החברה המלכותית בבריטניה והוא דורג במקום ה־25 ברשימת האנשים החזקים בעולם לפי \"פורבס\". בתחילת 2021 אילון הפך לראשונה לאיש העשיר בעולם עם הון של כ־200 מיליארד דולר לפי פורבס. אחרי יציאת SpaceX לבורסה, הפך מאסק לטריליונר הראשון בהיסטוריה, אך חודש אחר כך איבד מהונו, והונו מוערך כיום (נכון ליולי 2026) בכ-970 מיליארד דולר.\nמאסק, על פי אבחון עצמי , הוא בעל תסמונת אספרגר (אוטיזם בתפקוד גבוה). יש לו לפחות 14 ילדים מארבע נשים.\n== ראשית חייו ==\nאילון מאסק נולד וגדל בפרטוריה שבדרום אפריקה למשפחה נוצרית ממוצא אירופאי. אביו, ארול גרהם מאסק, מהנדס אלקטרומכניקה, טייס, ימאי, יועץ ויזם נכסים יליד דרום אפריקה. אמו, מיי הלדמן מאסק, דיאטנית ודוגמנית ילידת קנדה. למאסק אח צעיר בשם קימבל (יליד 1972), שהיה שותפו העסקי בתחילת דרכו ואחות צעירה בשם טוסקה (ילידת 1974) קולנוענית שמנהלת את חברת שירותי הסטרימינג Passionflix.\nב־1980 הוריו התגרשו. כשנתיים לאחר גירושיהם בחר מאסק להתגורר בעיקר עם אביו בדרום אפריקה בפרברי פרטוריה, מאחר שאחיו בחרו לגור עם אמם, החלטה שעליה הביע מאוחר יותר חרטה. מאסק תיאר את אביו כ\"אדם נורא [...] כמעט כל דבר רע שאפשר להעלות על הדעת – הוא עשה\". ב–2025 התפרסם כי חמישה מילדיו של ארול הגישו כנגדו תלונות על הטרדה מינית.\nבילדותו היה מאסק קורא נלהב, ובגיל 10 החל להתעניין במחשוב. הוא למד לתכנת באופן עצמאי ובגיל 12 מכר משחק מחשב שיצר בשם \"Blastar\" למגזין ","en_topic":"Elon Musk","wiki_pageid":849675,"wiki_revid":43632788,"source_url":"https://he.wikipedia.org/?curid=849675","license":"CC BY-SA 4.0"}
{"slug":"mark-zuckerberg","lang":"he","title":"מארק צוקרברג","text":"מארק אליוט צוקרברג (באנגלית: Mark Elliot Zuckerberg, נהגה \"זאקרברג\"; נולד ב-14 במאי 1984) הוא יזם אינטרנט יהודי-אמריקאי, ממייסדי הרשת החברתית הפופולרית \"פייסבוק\". הוא מכהן גם כנשיא וכמנכ\"ל חברת מטא. במאי 2026 הוערך הונו בכ-210.1 מיליארד דולר (מקום 6 בעולם).\n== קורות חיים ==\nצוקרברג נולד בווייט פליינס, ניו יורק שבארצות הברית למשפחה יהודית-רפורמית. אביו, אדוארד צוקרברג, הוא רופא שיניים ואמו קארן (לבית קמפנר) היא פסיכיאטרית. לו שלוש אחיות: רנדי, דונה ואריאל, עימן גדל בעיר וייט פליינס שבמחוז וסטצ'סטר, צפונית לעיר ניו יורק. בשנות התיכון האחרונות עבר לפנימיית פיליפ אקסטר במדינת ניו המפשייר. במהלך לימודיו בתיכון קיבל הצעות עבודה בשכר גבוה מהחברות מיקרוסופט ו-AOL, אך העדיף להישאר בבית ספר.\n=== פיתוח תוכנה ===\nצוקרברג למד תכנות מחשב בעודו צעיר. בערך בגיל אחת עשרה הוא יצר את \"ZuckNet\", תוכנה שאפשרה למחשבים בבית המשפחה ובמרפאת השיניים של אביו לתקשר זה עם זה. במהלך שנות התיכון של צוקרברג, הוא עבד לבניית נגן מוזיקה בשם Synapse Media Player. המכשיר השתמש בלמידת מכונה כדי ללמוד את הרגלי ההאזנה של המשתמש, פורסם ב-Slashdot וקיבל דירוג של 3 מתוך 5 ממגזין PC. הניו יורקר אמר פעם על צוקרברג, \"היו ילדים ששיחקו במשחקי מחשב. מארק יצר אותם\". בעודו בתיכון, הוא למד בתיכון \"מרסי קולג'\" בקורס מחשבים לתואר שני בימי חמישי בערב.\n== קריירה ==\n ערך מורחב – פייסבוק\n=== הקמת פייסבוק ===\nעם תחילת לימודיו באוניברסיטת הרווארד, הצטרף צוקרברג לאחוות הסטודנטים היהודית \"אלפא אפסילון פאי\". הוא המשיך במיזמים אישיים במהלך הלימודים. מטרתו של אחד מהם, אותו כינה \"Coursematch\", הייתה ליצור תוכנה שתאפשר לסטודנטים מהרווארד לצפות ברשימה של הקורסים אותם לוקחים חבריהם. מיזם אחר היה להקים אתר בשם \"Facemash\", בו יתאפשר לסטודנטים בהרווארד \"לדרג\" זה את זה, באפיונים שונים, כגון תמונות זה של זה ועוד.\nגרסה זו של האתר הועלתה בשם התחום Facemash.com, אך נסגרה על ידי הנהלת האוניברסיטה באותו הלילה, כי הפופולריות שלו גברה על אחד ממתגי הרשת של הרווארד שמנעו מסטודנטים לגשת לאינטרנט. בנוסף, סטודנטים רבים התלוננו כי נעשה שימוש בתמונות שלהם ללא רשות. צוקרברג התנצל בפומבי, ובעיתון הסטודנטים פורסמו מאמרים שקבעו שהאתר שלו \"לא תקין לחלוטין\".","en_topic":"Mark Zuckerberg","wiki_pageid":547484,"wiki_revid":43394904,"source_url":"https://he.wikipedia.org/?curid=547484","license":"CC BY-SA 4.0"}
{"slug":"sergey-brin","lang":"he","title":"סרגיי ברין","text":"סרגיי מיכאילוביץ' ברין (ברוסית: Сергей Михайлович Брин, באנגלית: Sergey Brin; נולד ב־21 באוגוסט 1973) הוא איש מחשבים ויזם יהודי-אמריקאי, יליד ברית המועצות. ברין ייסד יחד עם לארי פייג' את חברת גוגל, ושימש כנשיא חברת האם אלפאבית עד 3 בדצמבר 2019. הונו הוערך במאי 2026 בכ-291.3 מיליארד דולר (מקום 3 בעולם).\nברין היגר עם הוריו לארצות הברית מברית המועצות בגיל שש. כמו אביו וסבו, בחר ברין ללמוד מתמטיקה ומדעי המחשב. את תוארו הראשון השלים באוניברסיטת מרילנד בספטמבר 1993, ולאחר מכן עבר ברין לאוניברסיטת סטנפורד לצורך לימודי דוקטורט במדעי המחשב. שם פגש בלארי פייג', מי שהפך מהר מאוד להיות בן שיחו לשיחות נפש אינטלקטואליות וחברו הקרוב. הם מילאו את חדרם במעונות במחשבים זולים ויישמו בעזרתם את תוכנית כריית המידע של ברין ליצירת מנוע חיפוש אינטרנטי. התוכנה נהייתה פופולרית בסטנפורד והצמד השהה את לימודי הדוקטורט, לטובת הקמת גוגל במוסך של סוזן וויצ'יצקי במנלו פארק.\n== ילדותו ==\nברין נולד במוסקבה שברוסיה הסובייטית, למיכאיל וליבגניה. בשנת 1979 בגיל שש עבר עם משפחתו לארצות הברית. בארצות הברית החל אביו לעבוד כפרופסור למתמטיקה באוניברסיטת מרילנד, ואמו עבדה כחוקרת בנאס\"א.\nברין נחשף למחשבים ולעולם מדעי המחשב עוד בגיל צעיר. בעת שניסו לצאת מברית המועצות החל אביו ללמוד תכנות, ובעת ילדותו של ברין החלה תעשיית המעבדים והמחשבים האישיים לצמוח. הוא קיבל את מחשבו הראשון, קומודור 64, כמתנה מאביו לרגל יום-הולדתו התשיעי. הכישורים הטבעיים של ברין למתמטיקה ומחשוב ניכרו עוד בשנותיו הראשונות בבית הספר[דרוש מקור].\n== השכלה ==\nעם סיום לימודיו בתיכון נרשם ברין לאוניברסיטת מרילנד, שם למד וקיבל תואר ראשון במדעי המחשב ומתמטיקה. הישגיו הקנו לו מלגה מטעם הקרן הלאומית למדע האמריקאית ללימודי מוסמך באוניברסיטת סטנפורד, אותם סיים ב-1995. על אף ההתקדמות ברין לא סיים את לימודי הדוקטורט שלו.\nבמהלך שנים אלו התלמד ברין כמתמחה בחברת המחקר של סטיבן וולפרם.\nקיבל תואר שני לאות כבוד במנהל עסקים מבית ספר בינלאומי לעסקים במדריד בשם \"Instituto de Empresa\".\n== עניין במנועי חיפוש ==\nברין פגש בשותפו לעתיד להקמת גוגל לארי פייג' בשנתו הראשונה בסטנפורד. ברין התמקד באותה העת במערכות כריית מידע בעוד שפייג' עסק בפיתוח העיקרון לפיו ניתן למדוד חשיבו","en_topic":"Sergey Brin","wiki_pageid":189010,"wiki_revid":43321650,"source_url":"https://he.wikipedia.org/?curid=189010","license":"CC BY-SA 4.0"}
{"slug":"sundar-pichai","lang":"he","title":"סונדאר פיצ'אי","text":"סונדאר פיצ'אי (באנגלית: Pichai Sundararajan, ובקיצור Sundar Pichai; נולד ב-10 ביוני 1972) הוא מנהל טכנולוגי אמריקאי ממוצא הודי. מכהן מאוגוסט 2015 כמנכ\"ל חברת גוגל, ומדצמבר 2019 גם כמנכ\"ל חברת האם של גוגל, \"אלפאבית\".\nבשנת 2020 הופיע ברשימת 100 האנשים המשפיעים השנתית של מגזין טיים, טיים 100.\n== ביוגרפיה ==\nפיצ'אי נולד בטאמיל נאדו שבהודו ב-1972. סיים תואר ראשון ב-IIT KGP (ראשי תיבות של \"Indian Institute of Technology Kharagpur\") ועל הישגיו האקדמיים קיבל את אות \"מדליית כסף\" מהאוניברסיטה. לפיצ'אי תואר שני במדעי החומרים והנדסה מאוניברסיטת סטנפורד, ותואר שני נוסף במינהל עסקים מוורטון (השייכת לאוניברסיטת פנסילבניה), הוא קיבל אות הצטיינות \"Siebel Scholar\" ו-\"Palmer Scholar\".\nהוא עבד במחלקת הנדסה ומוצר בחברת Applied Materials ולאחר מכן בחברת הייעוץ האסטרטגי מקינזי.\nפיצ'אי הצטרף לגוגל בשנת 2004 בתפקיד \"חדשן טכנולוגי\", שם הוביל את פרויקט Google Client. לאחר ההצלחה המסחררת של ה-Google Toolbar התקדם פיצ'אי מהר בסולם ניהול הפרויקטים בגוגל והיה אחראי על מרבית הפרויקטים המרכזיים בגוגל כגון Google Drive‏, גוגל מפות‏ ו-Gmail. בנובמבר 2009 הוא התפרסם כאשר ביצע הדגמה פומבית של \"Chrome OS\". במאי 2010 הודיע על סטנדרט חדש של Video Codec VP8 של גוגל והציג פורמט וידאו חדש בשם WebM.\nבמרץ 2013 מונה אחראי גם על פרויקט אנדרואיד, שנוהל עד אז על ידי אנדי רובין.\nפיצ'אי היה סגן מנהל בכיר (Senior Vice President) בגוגל. בין השאר, הוא אחראי על הפרויקטים אנדרואיד, כרום ו-Google Apps. יש לו חלק עיקרי בפיתוח Google Drive,‏ גוגל מפות,‏ Gmail ו-Chrome OS.\nבשנת 2010 הציעה לו טוויטר עבודה כבכיר, אך גוגל סיכמה איתו שידחה את ההצעה ובתמורה יקבל מענק של 50 מיליון דולר.\nפיצ'אי חבר בדירקטוריון Ruba Inc ושימש בעבר כדירקטור של Jive Software מאפריל 2011 עד יולי 2013.\nב-10 באוגוסט 2015, בעקבות שינוי ארגוני והקמת חברת אלפאבית, התמנה פיצ'אי למנכ\"ל גוגל.\nב-4 בדצמבר 2019 מונה למנכ\"ל אלפאבית חברת האם של גוגל במקומו של לארי פייג', שהחליט לעזוב את החברה. וכיום הוא משמש גם כמנכ\"ל גוגל וגם כמנכ\"ל אלפאבית.\nסונדאר נשוי ולו בן ובת.\n== קישורים חיצוניים ==\n סונדאר פיצ'אי, ברשת החברתית X (טוויטר)\n סונדאר פיצ'אי, ברשת החברתית אינסטגרם","en_topic":"Sundar Pichai","wiki_pageid":1178485,"wiki_revid":39920394,"source_url":"https://he.wikipedia.org/?curid=1178485","license":"CC BY-SA 4.0"}
{"slug":"transformer","lang":"he","title":"טרנספורמר (למידת מכונה)","text":"טרנספורמר (באנגלית: Transformer) הוא סוג של ארכיטקטורה של רשת עצבית המשמשת לעיבוד נתונים סדרתיים, כגון טקסט, קול, וידאו, רצפים ביולוגיים וסדרות זמן. הארכיטקטורה מבוססת בעיקר על מנגנוני קשב, ובייחוד על מנגנון הקרוי קשב עצמי (Self-Attention), המאפשר למודל לחשב את הקשרים בין כל זוג יחידות ברצף.\nהטרנספורמר הוצג בשנת 2017 במאמר Attention Is All You Need מאת קבוצת חוקרים מגוגל.Ashish Vaswani ואחרים, ופורסם בכנס Advances in Neural Information Processing Systems 30, בניגוד לרשתות עצביות חוזרות מסוג RNN, LSTM ו־GRU, הטרנספורמר המקורי אינו מעבד את הקלט באמצעות מצב פנימי המתעדכן לפי סדר הטוקנים, אלא מפעיל פעולות קשב ומטריצות על חלקים רבים של הרצף במקביל.\nיכולת המקביליות הקלה על אימון מודלים על מערכי נתונים גדולים ועל שימוש בחומרה מקבילית, כגון מעבדים גרפיים. עם זאת, ביצירת טקסט אוטורגרסיבית, שבה כל טוקן חדש תלוי בטוקנים שכבר נוצרו, תהליך ההפקה עצמו עדיין מתבצע בדרך כלל טוקן אחר טוקן.\nהארכיטקטורה משמשת כבסיס למודלים רבים בתחום עיבוד שפה טבעית, ובהם GPT, BERT, T5 ומודלים ממשפחות נוספות. היא משמשת גם בראייה ממוחשבת, בזיהוי ובעיבוד דיבור, במודלים רב־אופניים, בחיזוי סדרות זמן ובחקר רצפים ביולוגיים. מערכות כגון ChatGPT, Gemini ו־Claude מבוססות על מודלים הכוללים ארכיטקטורות טרנספורמר, אך כוללות גם שיטות אימון, התאמה, אחזור מידע ורכיבי מערכת נוספים שאינם חלק מארכיטקטורת הטרנספורמר עצמה.\n== היסטוריה ==\n=== עיבוד רצפים לפני הטרנספורמר ===\nלפני הופעת הטרנספורמר, מערכות רבות לעיבוד רצפים התבססו על רשתות עצביות חוזרות (RNN). ברשת מסוג זה, הטוקנים מעובדים לפי סדרם. בעת עיבוד הטוקן במקום t, הרשת מקבלת את הטוקן הנוכחי ואת המצב הפנימי שנוצר לאחר עיבוד הטוקנים שקדמו לו:\n h\n t\n =\n f\n (\n h\n t\n −\n 1\n ,\n x\n t\n )\n {\\displaystyle h_{t}=f(h_{t-1},x_{t})}\nכאשר\n x\n t\n {\\displaystyle x_{t}}\nהוא ייצוג הטוקן הנוכחי ו־\n h\n t\n {\\displaystyle h_{t}}\n הוא המצב הפנימי החדש.\nשיטה זו מתאימה מטבעה לעיבוד סדרתי, אך מקשה על ביצוע חישובים במקביל לאורך ","en_topic":"Transformer (deep learning architecture)","wiki_pageid":2200642,"wiki_revid":43660105,"source_url":"https://he.wikipedia.org/?curid=2200642","license":"CC BY-SA 4.0"}
{"slug":"bert","lang":"he","title":"BERT (מודל שפה)","text":"מודל BERT ‏(בשמו המלא: Bidirectional Encoder Representations from Transformers) הוא מודל שפה שהוצג באוקטובר 2018 על ידי חוקרים ב-Google. המודל לומד לייצג טקסט כרצף של וקטורים באמצעות למידה עצמית-מונחית (self-supervised learning). הוא מתבסס על ארכיטקטורת טרנספורמר הכוללת מקודד בלבד (encoder-only).\nBERT נחשב לחדשני בזכות השיפור הדרמטי שהציג בהשוואה למודלים המתקדמים ביותר באותה תקופה, ונחשב גם לדוגמה מוקדמת למודל שפה גדול. נכון ל-2020, BERT משמש כבסיס נפוץ בניסויים בתחום עיבוד שפה טבעית (NLP).\nמודל BERT מאומן באמצעות שני תהליכי למידה: חיזוי מילים מוסתרות (masked token prediction) וחיזוי המשפט הבא (next sentence prediction). כתוצאה מתהליך האימון הזה, BERT לומד ייצוגים סמויים והקשריים של מילים בהתאם להקשר שבו הן מופיעות, בדומה למודלים כמו ELMo ו-GPT-2.\nלמודל נמצאו שימושים רבים במשימות שונות בתחום עיבוד שפה טבעית, כגון פתרון בעיות של ייחוס התייחסות ופענוח ריבוי משמעויות . BERT מהווה שלב אבולוציוני לעומת ELMo , והוביל למחקר שנקרא \"ברטולוגיה\" (BERTology), אשר מנסה לפרש ולהבין מה בדיוק BERT לומד במהלך תהליך האימון שלו.\nBERT הוטמע במקור בשפה האנגלית בשני גודלי מודל:\nBERT BASE (110 מיליון פרמטרים) ו־BERT LARGE (340 מיליון פרמטרים). שני המודלים אומנו על Toronto BookCorpus (800 מיליון מילים) ועל הוויקיפדיה האנגלית (2,500 מיליון מילים). משקלי המודל פורסמו לציבור ב־GitHub. ב-11 במרץ 2020, שוחררו 24 גרסאות קטנות יותר של המודל, הקטן ביותר הוא BERT TINY, הכולל 4 מיליון פרמטרים בלבד.\n== ארכיטקטורה ==\nBERT מבוסס על ארכיטקטורת טרנספורמר \"מקודד בלבד\". ברמה גבוהה יותר, BERT מורכב מ-4 מודולים:\nTokenizer: מודול זה ממיר פיסת טקסט באנגלית לרצף של מספרים שלמים (\"טוקנים\" - \"אסימונים\").\nEmbedding – הטמעה: מודול זה ממיר את רצף הטוקנים (האסימונים) למערך של וקטורים בעלי ערך ממשי המייצגים את הטוקנים (האסימונים). המטרה היא להמיר את סוגי הטוקנים (האסימונים) הבדידים למרחב אוקלידי בעל ממדים נמוכים יותר.\nEncoder – מקודד: מערך של בלוקי Transformer המשתמשים במנגנון תשומת לב עצמית (self-attention), אך ללא מיסוך סיבתי (causal masking).\nTask head – ראש משימה: מודול זה ממיר את וקטורי הייצוג הסופיים בחזרה לטו","en_topic":"BERT (language model)","wiki_pageid":2404585,"wiki_revid":43452232,"source_url":"https://he.wikipedia.org/?curid=2404585","license":"CC BY-SA 4.0"}
{"slug":"gpt-4","lang":"he","title":"GPT-4","text":"GPT-4 (ראשי תיבות: Generative Pre-trained Transformer 4, בתרגום חופשי: \"טרנספורמר מאומן מראש בעל יכולת יצירה\") הוא מודל שפה רב-מודאלי המפותח על ידי חברת OpenAI, אשר מסוגל לקבל כקלט טקסט ותמונה, ולהגיב לכך כפלט טקסט. תכונה זו היא בעיקרה המייחדת את המודל מקודמיו בסדרת GPT.\nגרסה מוגבלת של המודל (ללא עיבוד תמונה) שוחררה ב-14 במרץ 2023, וצפויה להיות זמינה דרך API של חברת OpenAI, ובנוסף למשתמשי ChatGPT Plus (גרסה משופרת של ChatGPT בתשלום). חברת מיקרוסופט, אשר מעט קודם לשחרור המודל הודיעה על שילוב מודל GPT במנוע החיפוש שלה בינג, אישרה כי למעשה השימוש היה ב-GPT-4 לפני שחרורו הרשמי של המודל. המודל הוא מסוג טרנספורמר (המעבד יחידות טקסט שלמות בו-זמנית) וככזה הוא אומן ליצור טקסט הן באמצעות נתונים ציבוריים והן באמצעות נתונים שסופקו לו ברישיון מטעם צדדים שלישיים, ולאחר מכן, מאמנים אנושיים ביצעו למודל \"כוונון\" סופי בשיטת למידת החיזוק (מתן פידבק אנושי על תוצאות חיזוי המודל).\n== אימון ויכולות ==\nבמסגרת הכרזתה של OpenAI על שחרור המודל, כתבה החברה כי המודל \"אמין ויצירתי יותר מקודמו, GPT-3, ומסוגל להתמודד עם הוראות ניואנסיות בצורה טובה יותר.\" המודל מסוגל לקרוא, לנתח וליצור טקסט באורך של עד 25,000 מילים, והדבר מהווה שיפור משמעותי ביחס לקודמיו. עוד ציינה החברה כי המודל נבנה כחלק ממאמצי החברה להרחיב את תחום הלמידה העמוקה (שיטת למידת מכונה שבבסיסה שימוש במספר שכבות).\nכקודמיו, וכנובע משמו, המודל הוא טרנספורמר, כלומר מודל העובד בשיטת \"קשב עצמי\" ומעבד יחידות טקסט שלמות בו-זמנית. יש לציין כי המפרט הטכני של GPT-4 נמנע במפורש מלציין את גודל המודל, תוך ציון המשמעות התחרותית וההשלכות הבטיחותיות הקשורות במודלים בקנה-מידה גדול. חברי הקונגרס של ארצות הברית דון בייר וטד לו אישרו ל\"ניו יורק טיימס\" כי סם אלטמן, מנכ\"ל חברת OpenAI, ביקר בקונגרס בינואר 2023 על מנת להדגים את יכולותיו של GPT-4 ואת \"בקרות האבטחה\" המשופרות שלו בהשוואה לדגמי אינטליגנציה מלאכותית אחרים.\nלפי ה\"ניו יורק טיימס\", GPT-4 הראה שיפורים מרשימים ברמת הדיוק בהשוואה ל-GPT-3.5, בהן בולטת היכולת לסכם ולהגיב על תמונות. כמו כן, על פי המגזין, המודל הצליח לסכם טקסטים מורכבים, ואף עבר מבחן לשכת עורכי דין של מספר מדינות בארצות הברית, ומבחנים סטנד","en_topic":"GPT-4","wiki_pageid":2200279,"wiki_revid":42221926,"source_url":"https://he.wikipedia.org/?curid=2200279","license":"CC BY-SA 4.0"}
{"slug":"word-embedding","lang":"he","title":"שיכון מילים","text":"שיכון מילים או אמבדינג משמש בעיבוד שפה טבעית (NLP), לייצוג של מילה. הייצוג משמש לעיבוד ואנליזה של טקסטים. בדרך כלל, הייצוג הוא וקטור רב ממדי של מספרים ממשיים המקודד את משמעות המילה, באופן שמילים קרובות במרחב הווקטורי תהיינה דומות במשמעותן. קיימות דרכים רבות להפיק שיכוני מילים, בין השאר באמצעות מודלי שפה, רשתות נוירונים, הורדת מימד, מודלים הסתברותיים ועוד.\nשיכון של מילים ומשפטים משפרים מאוד את הביצועים של משימות עיבוד שפה טבעית מסוימות כמו ניתוח מחרוזות וניתוח סנטימנט.\n== שיכון One Hot Vector ==\nשיכון One Hot Vector (חם יחיד) הוא אחת הדרכים הפשוטות לשיכון מילים: בהינתן אוצר מילים של N מילים, כל מילה תיוצג באמצעות וקטור N ממדי ייחודי. כל אברי הווקטור יכילו אפסים, למעט איבר אחד שיכיל את הערך 1, בתא המשמש באופן ייחודי לזיהוי המילה. למרות פשטותה, גישה זו סובלת מקללת הממדים , חסרה מידע סמנטי ואינה מייצגת את הקשרים בין מילים.\n== ראו גם ==\nWord2vec\n== הערות שוליים ==","en_topic":"Word embedding","wiki_pageid":2329841,"wiki_revid":43644626,"source_url":"https://he.wikipedia.org/?curid=2329841","license":"CC BY-SA 4.0"}
{"slug":"generative-pre-trained-transformer","lang":"he","title":"GPT","text":"GPT (ראשי תיבות: Generative pre-trained transformers; בעברית: טרנספורמר מאומן מראש בעל יכולת יצירה) הוא סוג של מודל שפה גדול (LLM) ואחד מכלי הבינה המלאכותית היוצרת (Generative AI) הבולטים.\nה-GPT הראשון הוצג בשנת 2018 על ידי חברת הבינה המלאכותית האמריקאית OpenAI. המודלים של GPT הם רשתות עצביות מלאכותיות המבוססות על ארכיטקטורת הטרנספורמרים, מאומנות מראש על קבוצות נתונים גדולות של טקסט לא מתוייג, ומסוגלות ליצור תוכן טקסטואלי בדומה לתוכן המיוצר על ידי אדם. נכון לשנת 2023, לרוב ה-LLMs יש את המאפיינים הללו ולעיתים הם מכונים באופן נרחב כ-GPTs.\nOpenAI פרסמה מודלים של GPT שמוספרו ברצף, כדי להרכיב את סדרת ה-\"GPT-n\" שלה. כל גרסה הייתה בעלת יכולות גבוהות מקודמתה, בשל גודל (מספר פרמטרים שניתנים לאימון) והאימונים המשופרים. האחרון שבהם, GPT-5, שוחרר באוגוסט 2025. מודלים אלו מהווים בסיס למערכות מתקדמות המשתמשות בשירותיהם למשימות ספציפיות, כולל שירות הצ'אטבוט ChatGPT.\nהמונח \"GPT\" משמש גם בשמות ובתיאורים של מודלים כאלה שפותחו על ידי חברות אחרות. לדוגמה, מודלים אחרים של בסיס GPT כוללים סדרה של דגמים שנוצרו על ידי EleutherAI, ולאחרונה שבעה דגמים שנוצרו על ידי סרבראס. כמו כן, חברות בתעשיות שונות פיתחו מערכות GPT ספציפיות למשימה בתחומיהן, כגון \"EinsteinGPT\" של Salesforce (עבור CRM) ו-\"BloombergGPT\" של בלומברג (לפיננסים).\n== היסטוריה ==\nאימון מראש לטובת יצירה (GP) היה מושג ותיק ביישומי למידת מכונה, אך ארכיטקטורת הטרנספורמרים לא הייתה זמינה עד 2017, אז הומצאה על ידי עובדים בגוגל. התפתחות זו הובילה להופעתם של מודלים גדולים של שפה כמו BERT ב-2018 ו-XLNet ב-2019,\nבשנת 2018, פרסמה OpenAI את המאמר שלה שכותרתו \"שיפור הבנת השפה באמצעות אימון קדם גנרי\", שבו הציגה את מערכת ה־GPT הראשונה.\nלפני ארכיטקטורות מבוססות טרנספורמרים, מודלים של NLP עצביים (עיבוד שפה טבעית) בעלי הביצועים הטובים ביותר השתמשו בדרך כלל בלמידה מפוקחת מכמויות גדולות של נתונים מסומנים ידנית. ההסתמכות על למידה מפוקחת הגבילה את השימוש שלהם במערכי נתונים שלא היו מבוארים היטב, וגם הפכה את ההכשרה של מודלים של שפות גדולים במיוחד ליקר וגוזל זמן רב.\nהגישה המפוקחת למחצה שבה השתמשה OpenAI כדי ליצור מערכת מחוללת בקנה מידה גדול – שהייתה הראשונ","en_topic":"Generative pre-trained transformer","wiki_pageid":2228318,"wiki_revid":43262887,"source_url":"https://he.wikipedia.org/?curid=2228318","license":"CC BY-SA 4.0"}
{"slug":"large-language-model","lang":"he","title":"מודל שפה גדול","text":"מודל שפה גדול (באנגלית: Large Language Model; ראשי תיבות: LLM) היא ארכיטקטורה של למידה עמוקה לעיבוד, חיזוי וייצור של שפה אנושית. המודל נשען על מנגנון \"תשומת לב\" (Attention) המאפשר הבנה עמוקה של הקשר לשוני ודפוסי שפה מתוך כמות גדולה מאד של טקסט שמוזן לו בשלב האימון. מודל השפה מבוסס רשת עצבית מלאכותית, בעל מספר רב (לרוב מיליארדים) של פרמטרים (ערכים מספריים העוזרים לאלגוריתם ללמוד). מעבר למספר הפרמטרים, עוצמתו של המודל בא לידי ביטוי בשל היותו מאומן על כמויות גדולות של טקסט לא מתויג בשיטת למידה בפיקוח עצמי (כלומר, למידה שאינה מסתמכת על מידע שמתוייג ידנית על ידי בני אדם). מודלי השפה הגדולים החלו להופיע בסביבות 2018 והם נחשבים לכלי המתפקד היטב במגוון רחב של משימות. עלייתם הביאה לכך שמחקר עיבוד השפה הטבעית עבר להתמקד בפיתוחי מודלים אלו, לאחר שהיה ממוקד באימון מודלים מפוקחים מיוחדים למשימות ספציפיות.\nמודלי שפה גדולים מהווים למעשה את ה\"מוח\" שמאחורי צ'אטבוטים עוצמתיים דוגמת ChatGPT (המבוסס על מודלי GPT-3 ו-GPT-4) ו-Gemini של גוגל.\n== מאפיינים ==\nעל אף שלמונח מודל שפה גדול אין הגדרה פורמלית, הוא לרוב מתייחס למודלי למידה עמוקה הכוללים מיליארדי פרמטרים. מודלים אלו אינם מוכוונים לביצוע משימה ספציפית אחת כמו ניתוח סנטימנט, או זיהוי ישויות (NER), אלא מיועדים לביצוע מגוון רחב של משימות. כיום, מיומנותם של המודלים הגדולים בביצוע משימות, כמו גם מגוון המשימות שהם מסוגלים לבצע, היא פונקציה של כמות המשאבים (נתונים, מספר פרמטרים, כוח מחשוב) אשר שימשו לאימונם.\nבעיה נפוצה בקרב מודלי השפה הגדולים היא הפקת תגובות שנראות הגיוניות, אך הן בעלות תוכן עובדתי שגוי. תופעה זו מכונה \"hallucination\" (\"הזיה\").\n=== יכולות מגיחות ===\nיכולות בלתי צפויות שנצפו במודלי שפה גדולים אך לא היו במודלים פשוטים יותר (ולא תוכננו במפורש לתוך המודל) מכונות \"יכולות מגיחות\" (emergent). יכולות מגיחות, על פי חוקרים, הן כאלו שלא ניתן לחזותן על ידי השלכה מיכולותיהם של מודלים קטנים יותר. יכולות אלו מתגלות, לעיתים, רק לאחר שהמודל הגדול שוחרר באופן פומבי. דוגמאות ליכולות אלו הן פתרון בעיות אריתמטיות רב-שלביות, הצלחה בבחינות אוניברסיטאיות, זיהוי משמעות של מילה, פענוח האלפבית הפונטי הבין-לאומי, הבנת מילה משׂוכלת-אותיות ועוד.\n== אר","en_topic":"Large language model","wiki_pageid":2208808,"wiki_revid":43632366,"source_url":"https://he.wikipedia.org/?curid=2208808","license":"CC BY-SA 4.0"}
{"slug":"retrieval-augmented-generation","lang":"he","title":"יצירה מבוססת-שליפה","text":"יצירה מבוססת־שליפה (באנגלית: Retrieval‑Augmented Generation, בקיצור: RAG) היא ארכיטקטורה בתחום הבינה מלאכותית ועיבוד שפה טבעית (NLP), המשלבת בין מנגנון שליפת מידע ממאגר נתונים חיצוני לבין מודל שפה גדול (LLM) המבצע יצירת טקסט. השילוב מאפשר למודל להפיק תשובות המבוססות על מידע עדכני, אמין או ספציפי לארגון, אשר אינו מקודד מראש במשקלי המודל עצמו.\nהגישה הוצגה לראשונה בשנת 2020 על ידי חוקרים מ־מטא AI (לואיס ואחרים) כפתרון לאחת המגבלות המרכזיות של מודלי שפה – התיישנות הידע מרגע סיום האימון. מאז הפכה RAG לאחת הפרדיגמות הבולטות ביותר להרחבת יכולותיהם של מודלי בינה מלאכותית בזמן ריצה.\n== הגדרת המונח ושימושיו ==\nבספרות המקצועית ובתעשייה, המונח RAG משמש לתיאור שלוש רמות מושגיות שונות:\nארכיטקטורה טכנית – מערכת דו־שלבית הכוללת שליפה של מסמכים רלוונטיים ממאגר נתונים (לרוב מאגר וקטורי), והזנתם כהקשר למודל שפה המייצר תשובה. יעדי השיטה הם מתן גישה למידע חיצוני בזמן ריצה והפחתת תופעת ההזיות (hallucinations).\nפרדיגמת תכנון – גישה הנדסית שבה ידע מוזן למודל באופן דינמי בעת הבקשה (prompt), בניגוד להטמעתו במודל מראש. במובן זה, RAG מהווה אלטרנטיבה או השלמה לכוונון עדין (fine‑tuning).\nמשפחת שיטות – שם כולל לאוסף של מתודולוגיות המבוססות על עיקרון זה, כגון RAG בסיסי (Naive), מתקדם (Advanced) ועוד.\n== רכיבי הליבה הטכניים ==\nמערכת RAG טיפוסית מורכבת משלושה שלבים עיקריים:\nייצוג ואחסון ידע – מסמכי המקור מפוצלים ליחידות טקסט קטנות (chunks). כל יחידה מומרת לווקטור באמצעות מודל embedding. הווקטורים נשמרים במסד נתונים וקטורי המאפשר חיפוש מהיר במרחב רב־ממדי.\nמנגנון השליפה – כאשר מתקבלת שאלת משתמש, היא מומרת לווקטור באותו האופן. המערכת מחפשת את הווקטורים הקרובים ביותר באמצעות מדדי קרבה סמנטית כגון דמיון קוסינוס (cosine similarity). לעיתים נעשה שימוש בחיפוש היברידי, המשלים התאמה סמנטית עם חיפוש מילות מפתח (BM25).\nיצירה מבוססת‑הקשר – המסמכים שנשלפו מצורפים לשאלת המשתמש ומוזנים כקונטקסט למודל השפה. האתגר המרכזי הוא שמירה על נאמנות להקשר (context faithfulness), כלומר שהמודל יסתמך על המידע שנשלף ולא על ידע פנימי שגוי.\n== ארכיטקטורות וגרסאות מתקדמות ==\nעם התפתחות התחום נוצרו מספר גישות ליישום המערכת:\nNaive RAG","en_topic":"Retrieval-augmented generation","wiki_pageid":2514812,"wiki_revid":43392649,"source_url":"https://he.wikipedia.org/?curid=2514812","license":"CC BY-SA 4.0"}
{"slug":"convolutional-neural-network","lang":"he","title":"רשת קונבולוציה","text":"רשת קונבולוציה (לפי האקדמיה ללשון העברית: רשת עֲצַבִּית מתקפלת; באנגלית: CNN – Convolutional Neural Network, נקראת גם Space Invariant Artificial Neural Networks או SIANN) היא סוג של רשת נוירונים המשתמשת בפעולת הקונבלוציה במקום בכפל מטריצות כללי לפחות באחת מהשכבות שלה. סוג זה של רשת נוירונים משמש בעיקר לעיבוד תמונה וראיה ממוחשבת, אך יש לו שימושים גם במערכות המלצה, עיבוד שפה טבעית וממשק מוח-מחשב.\nהליבה של הרשת מבוססת על שכבות כינוס (באנגלית: convolution layers) הממומשות על ידי העברת מסננת (filter) או ליבה (kernel) על גבי הקלט וביצוע כפל מטריצות. הפלט נקרא feature map.\nההשראה לרשתות קונבולציה מגיעה מתהליכים ביולוגים, במובן זה שדפוס החיבור בין נוירונים ברשת דומה לארגון בקליפת הראייה אצל חיות: נוירונים בודדים של קליפת המוח מגיבים לגירוי רק באזור מוגבל של שדה הראיה, הידוע כשדה הקלט. שדות הקלט של נוירונים שונים עולים אלה על אלה בצורה חלקית כך שביחד הם מכסים את שדה הראיה במלואו.\n== ארכיטקטורה ==\nרשת קונבולוציה עושה שימוש בדרך כלל בשכבות בְּקִשּׁוּר מָלֵא (fully connected), שכבות כינוס (convolution) שכבות אגרגציה (pooling) ופונקציית שפעול (activation function).\nבדרך כלל תחילה תכיל מספר שכבות כינוס, אגרגציה (pooling) ו-ReLU נוספות אחריה, ולאחר מכן מספר שכבות בקישור מלא.\n=== שכבת כינוס (Convolution) ===\nהקלט לשכבה זאת הוא טנזור המייצג את התמונה, בגודל (מספר קלטים) x (מספר ערוצי קלט) x ( גובה הקלט) x (רוחב הקלט). לאחר שהקלט מסיים לעבור בשכבה מתקבל טנזור המייצג תמונה מופשטת יותר הנקראת feature map, בגודל (מספר קלטים) x (מספר ערוצי ה-feature map) x ( גובה ה-feature map) x (רוחב ה-feature map).\nשכבת כינוס מקבלת טנזור ומוציאה טנזור חדש שישמש כקלט עבור שכבת הכינוס הבאה, ממש כמו שכבות fully connected ברשת עצבית מלאכותית. אחד מיתרונות שכבות הכינוס הוא הוזלת עלות החישוב של תמונות וכתוצאה מכך אפשור העמקת הרשת.\nלדוגמה, שכבה fully connected לתמונה בגודל 100x100 תיצור לנו כ-10,000 משקולות חדשות עבור כל נוירון בשכבה הבאה, דבר שיכול מהר מאוד להפוך ל\"יקר\" מאוד. לעומת זאת, שכבת כינוס עם ליבה (kernel) בגודל 5x5 תיצור לנו רק כ-25 משתנים למידים חדשים. שימוש במשקולות שעברו נרמול על פחות משתנים עוז","en_topic":"Convolutional neural network","wiki_pageid":2029009,"wiki_revid":43232899,"source_url":"https://he.wikipedia.org/?curid=2029009","license":"CC BY-SA 4.0"}
{"slug":"diffusion-model","lang":"he","title":"מודל דיפוזיה","text":"מודל דיפוזיה (באנגלית: Diffusion model) הוא סוג של מודל גנרטיבי ללמידת מכונה שתוכנן על ידי ג'ונתן הו ועמיתיו מאוניברסיטת קליפורניה בשנת 2020\nבהינתן סט אימון, ניתן להשתמש במודל בשביל ללמוד את ההתפלגות שממנה מגיעים הנתונים, וכתוצאה מכך ניתן להשתמש בו בשביל ליצור דגימות חדשות שנראות כמו דגימות ששייכות למאגר הנתונים. לדוגמה, מודל שאומן על מאגר תצלומים של בני אדם, יוכל ליצור תצלומים חדשים של בני אדם שנראים אותנטיים ומכילים מאפיינים מציאותיים רבים. דוגמאות למודלי דיפוזיה מוכרים הם DALL-E של OpenAI או parti של גוגל.\n== היסטוריה ==\nהרעיון של מודל דיפוזיה הועלה לראשונה ב-2015 במחקר שפורסם על ידי גסצ'ה סול דיקסטיין ועמיתיו בתור אופציה נוספת על פני מודלים גנרטיבים אחרים כגון GAN.\nב-2021 זכה לתהודה כאשר המודל DALL-E של OpenAi העושה שימוש במודל, הצליח ליצור תמונות מפורטות במגוון סגנונות. התחום קיבל גל חדש של עניין בשל כך וחברות רבות עלו עם מודלי דיפוזיה משלהם.\n== תהליך האימון ==\nתהליך האימון מתחלק לשני חלקים, בחלק הראשון מוסיפים רעש גאוסיאני לתמונת האימון בהדרגה והמודל לומד את ההתפלגות הפוסטריורית\n q\n (\n x\n 1...\n T\n |\n x\n 0\n )\n {\\displaystyle q(\\mathrm {x} _{1...T}|\\mathrm {x} _{0})}\n (התפלגות המצבים בשרשרת המרקוב בהינתן התמונה ההתחלתית). בשלב השני הופכים את התהליך ומנסים לשחזר את התמונה המקורית מהתמונה עם הרעש על ידי הורדת הרעש שנוסף בכל שלב והמודל לומד את ההתפלגות ההפוכה\n p\n θ\n (\n x\n t\n −\n 1\n |\n x\n t\n )\n {\\displaystyle p_{\\theta }(\\mathrm {x} _{t-1}|\\mathrm {x} _{t})}\n (התפלגות התמונה בהינתן תמונה עם הוספת רעש).\n=== שלב הוספת הרעש ===\nבכל שלב מוסיפים רעש גאוסיאני לתמונת האימון וממשיכים כך באופן איטרטיבי מספר קבוע של פעמים\n T\n {\\displaystyle T}\n (בדרך כלל\n T\n {\\displaystyle T}\n גדול מספיק כך שהתמונה הופכת לרעש גאוסיאני ללא אפשרות לזיהוי של התמונה המקורית).\nאת תהליך הוספת הרעש אפשר לתאר על ידי שרשרת מרקוב\n q\n (\n x\n 1...\n ","en_topic":"Diffusion model","wiki_pageid":2135509,"wiki_revid":43090959,"source_url":"https://he.wikipedia.org/?curid=2135509","license":"CC BY-SA 4.0"}
{"slug":"generative-adversarial-network","lang":"he","title":"GAN (למידה חישובית)","text":"GAN (ראשי תיבות של: Generative Adversarial Network) הוא סוג של מודל גנרטיבי ללמידת מכונה שתוכנן על ידי איאן גודפלו ועמיתיו בשנת 2014.\nבהינתן סט אימון, ניתן להשתמש ב-GAN בשביל ללמוד את ההתפלגות שממנה מגיעים הנתונים, וכתוצאה מכך ניתן להשתמש בו בשביל ליצור דגימות חדשות שנראות כמו דגימות ששייכות למאגר הנתונים. לדוגמה, GAN שאומן על מאגר תצלומים של בני אדם, יוכל ליצור תצלומים חדשים שנראים אותנטיים ומכילים מאפיינים מציאותיים רבים. אף על פי שבמקור ה-GAN הוצע כסוג של מודל גנרטיבי ללמידה לא מונחית, הוכח שמודלים מהסוג הזה שימושיים גם בלמידה מונחית למחצה, בלמידה מונחית, ובלמידת חיזוק.\n== ארכיטקטורה ==\nGAN מורכבת משני חלקים מרכזיים: רשת discriminator (מאבחן) ורשת generator (מחולל). המחולל יוצר דגימות מזויפות והמאבחן מסווג האם הן מזויפות או אמתיות.\n=== Discriminator ===\nהמאבחן הוא מסווג (classifier), ומטרתו להבחין בין דוגמאות אמיתיות, שנדגמו מההתפלגות של מדגם האימון, לבין דוגמאות מזויפות שנוצרו על ידי רשת נוירונים עצבית.\nב-GANs המאומנים ליצירת תמונות, הקלט ל-discriminator הוא תמונה. הפלט של המאבחן מורכב מנוירון אחד או יותר, ומהווה \"ציון\" לתמונת הקלט. מספרים גבוהים בפלט יציינו סיווג דוגמה כריאליסטית, בעוד שמספר נמוך יציין דוגמה שהdiscriminator מזהה כמזויפת.\nניתן להשתמש בפונקציות הפסד שונות למדידת המרחק בין ההתפלגות של המידע הנכון למידע שהמחולל מייצר כגון מרחק וסרשטיין 1 , דיברגנץ קולבק-לייבלר ודיבגרנץ ינסן-שאנון. מטרת המאבחן היא להגדיל ככל הניתן את ההפרש בין הערך הניתן לדוגמאות האמיתיות לבין זה הניתן לדוגמאות המזויפות, (כלומר להגדיל ככל הניתן את המרחק בין התפלגות המידע האמיתי להתפלגות של הדוגמאות שנוצרו על ידי המחולל).\n=== Generator ===\nכדי שהמחולל לא ייצור כל פעם את אותה הדוגמה הוא מקבל בשכבת הקלט וקטור רעש אקראי. רשת המחולל אמורה ללמוד למפות בין התפלגות וקטור הרעש לבין התפלגות המידע הנכון וכך להוציא כפלט דוגמאות שנדגמו מאותה ההתפלגות של המידע.\n== אימון ה-GAN ==\nהרעיון המרכזי של GAN מבוסס על אימון של רשת נוירונים הנקראת \"רשת גנרטיבית\" שלומדת את התפלגות הנתונים, ומטרתה ללמוד לייצר נתונים חדשים שנראים כאילו נלקחו מאותה ההתפלגות. האימון עצמו הוא \"עקיף\" תוך שימוש ברשת נוספת הנקראת \"ה","en_topic":"Generative adversarial network","wiki_pageid":1950340,"wiki_revid":43358310,"source_url":"https://he.wikipedia.org/?curid=1950340","license":"CC BY-SA 4.0"}
{"slug":"gradient-descent","lang":"he","title":"Gradient descent","text":"Gradient descent (בתרגום מילולי: מורד הגרדיאנט) היא שיטת אופטימיזציה איטרטיבית מסדר ראשון למציאת מינימום מקומי של פונקציה. בשיטה זו, נעשה צעד נגדי לגרדיאנט ביחס לנקודה הנוכחית.\nלעומת זאת, אם נעשה צעדים בכיוון של הגרדיאנט נמצא את המקסימום המקומי של הפונקציה (אלגוריתם זה נקרא Gradient ascent, בתרגום מילולי: מעלה הגרדיאנט).\n== מבוא אינטואיטיבי ==\nהשיטה עובדת על שדה סקלרי של נתונים. שדה סקלרי הוא פונקציה המתאימה לכל נקודה במרחב ערך מספרי. המרחב יכול להיות בעל מספר רב של ממדים. דוגמה לשדה סקלרי בשני ממדים הוא מפה טופוגרפית, בה לכל נקודה על המפה הדו-ממדית משויך הגובה מעל פני הים.\nלפי השיטה משתמשים בגרדיאנט, שהוא כלי מתמטי וקטורי, כלומר בעל כיוון, המאפשר למצוא את הכיוון אליו הנגזרת מקסימלית דהיינו הכיוון בו נמצא השינוי הדרסטי ביותר בין הנתונים סביב נקודה מסוימת. במפה הטופוגרפית יהווה הגרדיאנט הכיוון בו השיפוע מקסימלי, והאלגוריתם אמור להתכנס למינימום מקומי של השדה הסקלרי .\nהשיטה עובדת כך שבכל שלב של ההפעלה היא מתקדמת לכיוון הפוך לגרדיאנט (כיוון שהגרדיאנט מראה את השיפוע כלפי מעלה) כך שבכל שלב יש התקדמות נגד השיפוע המקסימלי עד שמגיעים לנקודה מספיק נמוכה המוגדרת בתנאי העצירה. דבר זה דומה לאדם העומד בנקודה על המפה הטופוגרפית אך ישנו ערפל סמיך אשר עוצר בעדו. לכן באפשרותו לבדוק רק את סביבתו הקרובה. הכיוון שבו הוא יורד יהיה הכיוון בו המדרון תלול ביותר.\n== תיאור מתמטי ==\nGradient descent מבוססת על ההבחנה שאם פונקציה מרובת משתנים\n F\n (\n x\n )\n {\\displaystyle F(\\mathbf {x} )}\n מוגדרת ודיפרנציאבילית בסמוך לנקודה\n a\n {\\displaystyle \\mathbf {a} }\n, אז\n F\n (\n x\n )\n {\\displaystyle F(\\mathbf {x} )}\n יורדת בצורה התלולה ביותר כשהולכים מ\n a\n {\\displaystyle \\mathbf {a} }\n בכיוון נגדי לגרדיאנט של\n F\n {\\displaystyle F}\n ב-\n a\n {\\displaystyle \\mathbf {a} }\n,\n −\n ∇\n F\n (\n a\n )\n {\\displaystyle -\\nabla F(\\mathbf {a} )}\n. מכאן שאם\n a\n n\n +\n 1\n =\n a\n n\n −\n γ\n ","en_topic":"Gradient descent","wiki_pageid":1544486,"wiki_revid":41370493,"source_url":"https://he.wikipedia.org/?curid=1544486","license":"CC BY-SA 4.0"}
{"slug":"overfitting","lang":"he","title":"התאמת יתר","text":"התאמת יתר (Overfitting) היא בעיה יסודית בסטטיסטיקה ובלמידת מכונה שבה המודל מותאם יתר על המידה לאוסף מסוים של נתונים (למשל האוסף שהיה זמין לשם אימונו) ועל כן מצליח פחות בביצוע תחזיות.\nהתאמת יתר מתרחשת כאשר המודל נקבע על ידי יותר פרמטרים מאשר הנתונים מצדיקים. עודף הפרמטרים מאפשר למודל ללמוד את הרעש הסטטיסטי כאילו הוא מייצג התנהגות אמיתית.\nתת התאמה (Underfitting) לעומת זאת מתרחשת כאשר המודל הסטטיסטי פשוט מדי מכדי לייצג כראוי את המבנה הבסיסי של הנתונים, למשל בעקבות מיעוט בפרמטרים המגדירים את המודל. דוגמה לכך היא למשל ניסיון להשתמש במודל ליניארי לתיאור התנהגות לא ליניארית.\n== מקרים של התאמת יתר ==\nבתור דוגמה קיצונית להתאמת יתר, אם מספר הפרמטרים המשמשים להגדרת המודל זהה או גדול יותר מאשר מספר התצפיות, אזי המודל יוכל לחזות באופן מדויק את התצפיות פשוט על ידי זכירתן במלואן. מודל כזה בדרך כלל ייכשל קשות בעת ביצוע תחזיות. כדוגמה נוספת לבעייתיות של \"מודל זוכר\" שכזה - קחו בסיס נתונים של מכירות בחנות הכולל תאריכי רכישה, שם פריט וסכום. מודל עם מספיק פרמטרים יוכל פשוט לזכור את כל בסיס הנתונים וכך \"לחזות\" במדויק את סכומי הרכישה שבו על סמך התאריך. ברור אבל שמודל כזה לא יצליח לחזות סכומי רכישה של רכישות עתידיות.\nהתאמת יתר מתרחשת במקרים בהם חסרה תאוריה להנחיית האנליזה של הנתונים. במצב כזה יש צורך לבחון מספר רב של מודלים אפשריים ונדרשים יותר פרמטרים כדי להגדירם.\nהתאמת יתר מתרחשת לעיתים קרובות בביצוע רגרסיה ליניארית מרובה. במקרה הקיצוני אם מספר המשתנים המסבירים שווה למספר הדגימות אזי המודל יעבור במדויק בכל הנקודות. בדיקות הראו שמספיקות שתי דגימות לכל משתנה מסביר ברגרסיה ליניארית. עבור רגרסיה לוגיסטית או מודל קוקס (Cox proportional hazard models) קיימים מספר כללי אצבע - כמו כלל ה\"אחד לעשר\".\nבתהליך בחירת מודל הרגרסיה, ניתן להיעזר בשקלול הטיה-שונות (Bias-variance tradeoff) בו השגיאה של המודל מפוצלת למרכיב הטיה (המרחק של המודל \"הממוצע\" מפונקציית המטרה) והשונות (הפיזור של המודלים הבאים בחשבון).\n== טיפול בהתאמת יתר ==\nישנן כמה שיטות מקובלות להפחתת הסכנה בהתאמת יתר. אלה כוללות למשל אימות צולב (Cross-validation), רגולריזציה (Regularization), עצירה מוקדמת (Early stopping) וכן, גיזום (Pruning). הב","en_topic":"Overfitting","wiki_pageid":1574878,"wiki_revid":40399390,"source_url":"https://he.wikipedia.org/?curid=1574878","license":"CC BY-SA 4.0"}
{"slug":"perceptron","lang":"he","title":"פרספטרון","text":"פרספטרון (בעברית: קולטן) הוא אלגוריתם ממשפחת האלגוריתמים הלומדים. זהו אלגוריתם למידה \"און ליין\", משמע הוא לומד תוך כדי ריצה מדגימות שאבחן בזמן פעולתו.\nהפרספטרון הוא אלגוריתם סיווג, כלומר מטרתו היא להבדיל בין סוגים שונים של דגימות אותן הוא מקבל. לדוגמה, לאבחן בין גברים ונשים על פי מידת נעלים ואורך השיער.\n== הסבר כללי ==\nהפרספטרון נחשב לאלגוריתם סיווג פשוט ביותר. האלגוריתם מחקה את התנהגות הנוירונים (תא עצב) במערכת העצבים, ועל-כן הוא נחשב לאחת הדוגמאות לרשת עצבית מלאכותית.\nכאשר הבעיה ניתנת להפרדה בידי מישור (או היפר מישור) הפרספטרון עובד ביעילות, ומובטח סיווג נכון של כל הדוגמאות תוך זמן חסום. במקרה שהדגימות שאותן הוא מקבל כקלט לא ניתנות להפרדה כזו, התוצאה לא תהיה הפרדה מקורבת אלא חסרת פשר.\nהפרספטרון מקבל דגימות כקלט ומחזיר כפלט את סיווג הדגימה, הוא מאבחן בין סוגים שונים של דגימות על ידי ציון שייתן לאותה דגימה אותו הוא יחשב על ידי הכפלת וקטור הדגימה שקיבל בווקטור המשקולות אותו הוא שומר. וקטור המשקולות מאפיין את חשיבותם של משתני הדגימה, לדוגמה אם אורך השיער שולי לעומת מידת הנעל כאשר מבחינים בין גבר לאישה המשקולת של אורך השיער תהיה 0.2 ושל מידת הנעל תהיה 0.8.\nהפרספטרון משפר את עצמו בכל פעם שהוא טועה באבחון, השיפור נעשה על ידי שינוי כיוון וקטור המשקולות בכל פעם שהוא טועה באבחון, וכך ככל שהאלגוריתם יותר מנוסה הוא משיג תוצאות יותר מדויקות.\n== אופן האבחון ==\nהאלגוריתם יכפיל כל אחד מערכי וקטור הדגימה בערכי וקטור המשקולות המתאים לו ויסכם את מכפלות אלו:\n ∑\n i\n =\n 0\n n\n w\n i\n x\n i\n {\\displaystyle \\ \\sum _{i=0}^{n}w_{i}x_{i}}\nלאחר שהאלגוריתם העריך את סיווג הדגימה (על־פי ציון הסכימה לעיל) יעדכן את משקולותיו באופן הבא:\n W\n i\n =\n W\n i\n +\n u\n (\n Y\n i\n ∗\n X\n i\n )\n {\\displaystyle \\ W_{i}=W_{i}+u(Y_{i}*X_{i})}\n Y\n i\n {\\displaystyle Y_{i}}\n Y\n i\n =\n −\n 1\n {\\displaystyle Y_{i}=-1}\n אם הייתה טעות באבחנה כלפ","en_topic":"Perceptron","wiki_pageid":746747,"wiki_revid":43269136,"source_url":"https://he.wikipedia.org/?curid=746747","license":"CC BY-SA 4.0"}
{"slug":"neural-network","lang":"he","title":"רשת עצבית מלאכותית","text":"רשת עֲצַבִּית מלאכותית (ANN – Artificial Neural Network), רשת נוירונים או רשת קשרית, היא מודל מתמטי חישובי, שפותח בהשראת תהליכים מוחיים או קוגניטיביים המתרחשים ברשת עצבית טבעית ומשמש במסגרת למידת מכונה. רשת מסוג זה מכילה בדרך כלל מספר רב של יחידות מידע (קלט ופלט) המקושרות זו לזו, קשרים שלעיתים קרובות עוברים דרך יחידות מידע \"חבויות\" (Hidden Layer). צורת הקישור בין היחידות, המכילה מידע על חוזק הקשר, מדמה את אופן חיבור הנוירונים במוח. השימוש ברשתות עצביות מלאכותיות נפוץ בעיקר במדעים קוגניטיביים, ובמערכות תוכנה שונות – בהן: מערכות רבות של אינטליגנציה מלאכותית המבצעות משימות מגוונות – זיהוי תווים, זיהוי פנים, זיהוי כתב יד, חיזוי שוק ההון, מערכת זיהוי דיבור, זיהוי תמונה, ניתוח טקסט ועוד.\n== רקע ==\n ערך מורחב – רשת עצבית\nרשת עצבית היא רשת של מעבדים מקושרים: כל מעבד ברשת מסוגל לבצע פעולה מתמטית פשוטה, אך בהיקשרם יחד הם מסוגלים להתנהגות מורכבת.\nבמוח, תאי עצב או נוירונים הם התאים שמהם מורכבת מערכת העצבים, ויש כמאה מיליארד מהם אצל אדם ממוצע. כל אחד מהם התפתח להיות מעבד אלקטרוני. הדֶנדריטים מקבלים מידע מהעולם החיצון ומהווים את מערכת הקלט של הנוירון. כשמתקבלים מספיק גירויים בדנדריטים, גוף התא מייצר אות חשמלי שנע לאורך האַקסוֹן לדנדריטים של תאים אחרים או לשרירים ומגרה אותם. ככל שהנוירונים מקבלים יותר גירויים מהדנדריטים, הם מייצרים יותר אותות חשמליים בשנייה אחת.\nההבדל העיקרי ביותר בין רשת עצבית ביולוגית לבין רשת עצבית מלאכותית הוא שמחשבים פועלים בעיקר בעיבוד טורי, או עם כמות קטנה של עיבוד מקבילי, ואילו מוחות של יצורים פועלים בעיבוד מקבילי. על פי התזה של צ'רץ' וטיורינג, המודל שקול למכונת טיורינג, (כיוון שכל חישוב שיכול להעשות בידי מחשב מקבילי יכול להעשות גם בידי מחשב טורי).\nישנם עוד כמה הבדלים חשובים בין רשתות עצביות במוח לרשתות מלאכותיות. במוח יש מספר עצום של מרכיבים (בערך 1011), שכל אחד מהם מחובר למרכיבים רבים (בין 1,000 ל־10,000 בממוצע). כל אחד מהמרכיבים האלה מבצע חישוב פשוט למדי, שטבעו עדיין אינו ברור לחלוטין, יחסית באיטיות (פחות מקילוהרץ אחד), המבוסס בעיקר על מידע שהוא מקבל מהחיבורים המקומיים שלו. במערכות מלאכותיות, תאי העצב מחוברים ביניהם באופן אחיד, וכולם מבצעים את אותה הפעו","en_topic":"Neural network (machine learning)","wiki_pageid":16475,"wiki_revid":43599063,"source_url":"https://he.wikipedia.org/?curid=16475","license":"CC BY-SA 4.0"}
{"slug":"deep-learning","lang":"he","title":"למידה עמוקה","text":"למידה עמוקה (באנגלית: Deep Learning ולפעמים Deep Structured Learning) היא אוסף שיטות למידת מכונה מבוססות על רשתות עצביות מלאכותיות. שם התואר \"עמוקה\" בשם מתייחס ללמידה במבנה של שכבות, המאפשר לרשת ללמוד תכונות בהדרגה, תהליך המתבצע על ידי חילוץ דפוסים או תכונות מנתונים גולמיים כדי לשפר את ביצועי המודל. הלמידה יכולה להיות מונחית, מונחית למחצה או בלתי מונחית.\nארכיטקטורות למידה עמוקה כגון רשתות עצביות עמוקות (deep neural networks), למידת חיזוק עמוקה (deep reinforcement learning), רשתות עצביות חוזרות (recurrent neural networks), ורשתות קונבולוציה יושמו בתחומים מגוונים ביניהם: ראייה ממוחשבת, זיהוי דיבור, עיבוד שפה טבעית, תרגום מכונה, ביואינפורמטיקה, תכנון תרופות, ניתוח תמונות רפואיות, בדיקות חומרים ומשחקי לוח, בהן הניבו תוצאות דומות לאלו שהניבו מומחים אנושיים ובמקרים מסוימים אף עלו עליהן.\nמודל הרשת העצבית המלאכותית נוצר בהשראת עיבוד מידע וצמתי תקשורת מבוזרים המצויים במערכות ביולוגיות. רשתות אלו שונות ממוח ביולוגי, היות שהמבנה של רשתות עצביות מלאכותיות נוטה להיות סטטי, בעוד שהמוח הביולוגי של רוב האורגניזמים החיים הוא דינמי. הבדל נוסף הוא, שמחשבים פועלים בעיקר בעיבוד טורי, או עם כמות קטנה של עיבוד מקבילי[דרוש מקור], ואילו מוחות של יצורים פועלים בעיבוד מקבילי[דרוש מקור].\nחוקרי הבינה המלאכותית, מרווין מינסקי וסימור פפרט, הראו שפרספטרון (אלגוריתם הלומד תוך כדי ריצה) יחיד אינו יכול ליצור את השער הלוגי XOR, אולם משפט הקירוב האוניברסלי הראה שרשת בעלת שכבה נסתרת אחת ברוחב לא מוגבל עם פונקציית הפעלה לא ליניארית יכולה להיות מסַוֶג אוניברסלי. למידה עמוקה בדרך כלל עוסקת במספר גדול של שכבות בגודל מוגבל.\n== הגדרה ==\nלמידה עמוקה היא מחלקה של אלגוריתמים בתחום למידת המכונה המשתמש במספר שכבות כדי לחלץ בהדרגה תכונות ברמה גבוהה יותר מהקלט הגולמי. לדוגמה, בעיבוד תמונה דיגיטלי, שכבות נמוכות עשויות לזהות קצוות, בעוד שכבות גבוהות יותר עשויות לזהות את המושגים הרלוונטיים לאדם כגון ספַרוֹת, אותיות או פרצופים.\n== סקירה כללית ==\nרוב המודלים המודרניים של למידה עמוקה מבוססים על רשתות עצביות מלאכותיות, במיוחד רשתות עצביות קונבולוציוניות (CNN), אם כי הם יכולים לכלול גם נוסחאות הצעה (פרופוזיציוניות) או משתני","en_topic":"Deep learning","wiki_pageid":2036262,"wiki_revid":40230623,"source_url":"https://he.wikipedia.org/?curid=2036262","license":"CC BY-SA 4.0"}
{"slug":"machine-learning","lang":"he","title":"למידת מכונה","text":"למידת מכונה (באנגלית: Machine Learning; לעיתים מכונה גם למידה חישובית) היא תת-תחום במדעי המחשב ובבינה מלאכותית המשיק לתחומי הסטטיסטיקה והאופטימיזציה. התחום עוסק בפיתוח אלגוריתמים המיועדים לאפשר למחשב ללמוד מדוגמאות, ופועל במגוון משימות חישוביות בהן התכנות הקלאסי אינו אפשרי. אין לבלבל בין תחום זה, שבו המחשב הוא הלומד, ובין למידה ממוחשבת, שבה המחשב משמש כעזר למידה על ידי הרצת לומדה או בדרך אחרת.\nשני תחומים מקבילים ללמידת מכונה הם תחום כריית מידע (Data Mining) ותחום זיהוי תבניות (Pattern Recognition) שרבים מן הכלים והאלגוריתמים שפותחו בו משותפים לתחומים הללו.\n== הגדרה ==\nארתור סמואל הגדיר את למידת המכונה בשנת 1959 כ-\"תחום מחקר המאפשר למחשבים את היכולת ללמוד מבלי להיות מתוכנתים באופן ספציפי\".\nטום מ. מיטשל סיפק הגדרה פורמלית יותר: \"תוכנית מחשב תיקרא לומדת מניסיון E ביחס למחלקת משימות T ומדד ביצועים P, אם הביצועים של משימות ב-T, בהתאם למדד P, משתפרים עם הניסיון E\".\n== מטרות ושימושים ==\nהמטרה המרכזית של למידת המכונה היא טיפול ממוחשב בנתונים מן העולם האמיתי עבור בעיה מסוימת, כאשר לא ניתן לכתוב תוכנת מחשב עבורה למשל, בעיית זיהוי שמומחה אנושי מסוגל לפתור, אך לא מסוגל לכתוב את הכללים לזיהוי בצורה מפורשת, או שהם משתנים עם הזמן ולא ניתנים לכתיבה מראש.\nמטרת הלמידה יכולה להיות מידול, חיזוי או גילוי (דטקציה) של עובדות לגבי העולם האמיתי. לדוגמה: עבור זיהוי תווים אופטי ניתן להשתמש בלמידת מכונה כדי לגלות מהי האות הכתובה או המודפסת. מערכות זיהוי דיבור יכולות גם הן להשתמש בלמידת מכונה כדי ללמוד, בהינתן אותות קוליים כלשהם, מהי ההברה שיצרה אותם. דוגמה נוספת היא מערכות המלצה, מערכות המבוססות על נתונים המצביעים על קשר בין קבוצת משתמשים/אנשים אקראית לבין קבוצת פריטים שונים, ויודעת למשל להציע פריטים משלימים ללקוחות, בהתבסס על ניתוח נתונים שנלמדו מהעבר מקבוצת אנשים אחרת, שחיפשה פריטים בעלי מאפיינים דומים.\n== תאוריה ==\nמספר גישות התפתחו עם השנים בתחום התאורטי של למידת מכונה. ההבדלים ביניהן מבוססים על ההנחות השונות לגבי עקרונות ההיסק המשמשים להכללה מתוך מידע מוגבל. הבדלים אילו מבוססים על הגדרות שונות להסתברות (גישה בייסיאנית לעומת גישה קלאסית) והנחות על הדרך בה נוצר המידע (דיסקרמינטיבי לעומת גנר","en_topic":"Machine learning","wiki_pageid":7468,"wiki_revid":43044191,"source_url":"https://he.wikipedia.org/?curid=7468","license":"CC BY-SA 4.0"}
{"slug":"artificial-intelligence","lang":"he","title":"בינה מלאכותית","text":"בינה מלאכותית (באנגלית: Artificial Intelligence; בקיצור: AI) היא יכולתן של מערכות טכנולוגיות ומחשבים לדמות היבטים של תבונה אנושית, ובכלל זה למידה, הסקת מסקנות, פתרון בעיות ותפיסה חזותית או לשונית. בניגוד לתוכנות מחשב מסורתיות הפועלות לפי סדרת הוראות קבועה מראש, מערכות בינה מלאכותית מבוססות על אלגוריתמים המסוגלים לזהות דפוסים בתוך כמויות אדירות של נתונים, להסתגל למצבים משתנים ולבצע משימות המצריכות יכולת ניתוח מורכבת ושיקול דעת.\nבעשורים הראשונים של המאה ה-21 הפכה הבינה המלאכותית לאחת הטכנולוגיות המעצבות ביותר של האנושות. היא נחשבת לטכנולוגיה רב-תכליתית, בדומה למנוע הקיטור או לחשמל, המהווה תשתית לשינויים עמוקים בכלכלה, בתרבות ובחברה. השפעתה ניכרת במגוון רחב של תחומים: החל משיפור האבחון ברפואה והאצת מחקר מדעי, דרך אוטומיזציה של שוק העבודה, ועד לפיתוחה של בינה מלאכותית יוצרת המטשטשת את הגבולות המסורתיים בין יצירה אנושית למעשה ידי מכונה.\nלצד השפעתה האזרחית, הבינה המלאכותית מהווה מוקד מרכזי במאבק על עוצמה גאופוליטית. השליטה בטכנולוגיה זו, הכוללת את כוח העיבוד (שבבים), מאגרי הנתונים וההון האנושי – הפכה למדד לעוצמה לאומית ולריבונות דיגיטלית. בעולם המודרני הולכים ומתגבשים שני מוקדי כוח עיקריים השולטים בתשתית הטכנולוגית העולמית, ארצות הברית וסין. מדינות וגושים פוליטיים (כגון האיחוד האירופי) שואפים להבטיח את עצמאותם הטכנולוגית כדי למנוע תלות מוחלטת בתשתיות ובאלגוריתמים של המעצמות הדומיננטיות. למאבק זה השלכות ישירות על הביטחון לאומי, על יציבותן של מערכות דמוקרטיות מול מערכות אוטוקרטיות, ועל היכולת של מדינות לעצב את הערכים המוסריים והאתיים המוטמעים בטכנולוגיה שתנהל את חיי אזרחיהן בעתיד.\n== סיווג ויכולות ליבה ==\nהמונח \"בינה מלאכותית\" משמש כיום כשם גג למגוון רחב של טכנולוגיות, הנבדלות זו מזו באופן מהותי בעוצמתן ובמטרתן. כדי להבין את התחום, נהוג במחקר לפרק את הבעיה הגדולה של \"יצירת תבונה\" לשני ממדים עיקריים: הראשון הוא היקף האינטליגנציה (עד כמה המערכת גמישה ודומה לאדם), והשני הוא יכולות הליבה הפונקציונליות (מה המערכת יודעת לבצע בפועל, כגון ראייה, דיבור או תכנון).\n=== היקף האינטליגנציה: התפתחות הסיווג ===\nעד לתחילת העשור השלישי של המאה ה-21, הסיווג המקובל בספרות המקצועית היה דיכוטומי","en_topic":"Artificial intelligence","wiki_pageid":965,"wiki_revid":43571761,"source_url":"https://he.wikipedia.org/?curid=965","license":"CC BY-SA 4.0"}
{"slug":"supervised-learning","lang":"he","title":"למידה מונחית","text":"למידה מונחית או למידה מפוקחת (באנגלית: Supervised learning) היא טכניקה בענף למידת המכונה, המאפשרת לפתח מכונה או מערכת (בדרך כלל תוכנית מחשב) שלומדת לפתור בעיות על בסיס מאגר גדול של דוגמאות \"פתורות\". הלמידה עצמה נעשית באמצעות חיפוש היפותזה – פונקציה ממרחב הדוגמאות למרחב התיוגים – שמתארת את המידע בצורה המתאימה ביותר. אלגוריתם למידה אופטימלי הוא אלגוריתם שהפונקציה הנלמדת על ידיו תוכל לחזות נכונה את התשובה גם בעבור דוגמאות שטרם נראו על ידי המערכת.\n== סוגים ==\nאלגוריתמי למידה מונחית מתחלקים לשתי מחלקות בהתאם למודל שהם לומדים:\nמודלים דיסקרימינטיביים מתוכננים לסווג דוגמאות בצורה נכונה. המודלים צריכים ללמוד את הגבול בין המחלקות השונות שהדוגמאות יכולות להשתייך אליהן, על מנת לדעת לאיזו מחלקה לשייך אותן. חלקם מייצרים על-מישור (או מספר כאלו) במרחב, שמפריד את הדוגמאות ששייכות למחלקה אחת מאלו ששייכות לאחרת. במקרה כזה, תהליך הסיווג יכלול בדיקה של חצי המרחב שבו הדוגמה נמצאת, והתשובה תינתן לפי המחלקה שמזוהה עם חצי המרחב הזה.\nמודלים גנרטיביים הם מודלים שלומדים את התפלגות הקלט, ולכן ניתן להשתמש בהם בשביל לייצר דוגמאות חדשות שנוצרות מהתפלגות זהה לזו של דוגמאות האימון. כדי לייצר דגימה חדשה שנראית כמו דוגמה אמיתית ששייכת לאחת מהמחלקות, מודלים כאלו צריכים ללמוד את התפלגות הקלט ולייצר דגימה חדשה בהתבסס על ההתפלגות הנלמדת. אחד מהמודלים הגנרטיביים שנמצאים בשימוש הנרחב ביותר כיום הוא Generative adversarial network, אם כי רוב ה-GAN-ים משתמשים בטכניקות של למידה לא מונחית. מודל דיפוזיה הוא מודל נוסף שפותח בשנת 2015.\nלדוגמה, בהינתן מאגר נתונים שמכיל תמונות של חתולים ותמונות של חדי קרן, מודל דיסקרימינטיבי יוכל לקבל תמונה ולומר האם יש בה חתול או חד קרן, בעוד שמודל גנרטיבי ילמד את המאפיינים של חתול ואת המאפיינים של חד קרן, ונוכל להשתמש בו בשביל ליצור תמונה חדשה, שלא הופיעה במאגר, של חתול או של חד קרן.\n== אימון המערכת ==\nתהליך הלמידה של המערכת נקרא \"אימון\". בשלב זה מציגים למערכת את הדוגמאות, והיא לומדת היפותזה שמתארת את הדוגמאות שראתה בצורה הטובה ביותר.\nבלמידה מונחית, כל דוגמה שהמערכת לומדת על פיה היא זוג המורכב מאובייקט קלט ומערך הפלט הרצוי בעבור אותו הקלט. לאוסף הדוגמאות קוראים בשם \"סט האימון״, וה","en_topic":"Supervised learning","wiki_pageid":643620,"wiki_revid":43662783,"source_url":"https://he.wikipedia.org/?curid=643620","license":"CC BY-SA 4.0"}
{"slug":"prompt-engineering","lang":"he","title":"הנדסת פרומפטים","text":"הנדסת פרומפטים (Prompt engineering) היא טכניקה מענף הבינה המלאכותית. \"פרומפט\" בהקשר זה הוא קלט מסוים, לרוב בצורת הנחיה, שאלה או שאילתא, המוזן למודל בינה מלאכותית או למודל שפה במטרה לקבל תוצר מסוים. הפרומפט יכול ללבוש מספר צורות, בהן משפט שלם או מספר מילות מפתח, ועל מהנדס הפרומפטים לדעת כיצד ליצור את הפרומפט שיספק את התוצאה הרצויה בצורה אופטימלית. השימוש במילה \"הנדסה\" בשם הטכניקה הוא מעט מטעה, שכן בסופו של דבר מדובר במיומנות גרידא, עם אלמנטים הנדסיים מעטים.\nהצורך בפיתוח מיומנות זו חווה גידול משמעותי עם התגברות הפופולריות של מודלי שפה גדולים, דוגמת GPT-3 ו-GPT-4, שעליהם בנוי ChatGPT ששוחרר בסוף שנת 2022. זאת, בין היתר, מאחר שמודלים אלו מתמודדים בצורה טובה עם פרומפטים שנכתבים בשפה אנושית. בנוסף, מודלים אלו אומנו בטכניקת למידת חיזוק, הליך במסגרתו מאמן אנושי מספק פרומפט למודל, ונותן לו משוב בהתאם לתוצר שהתקבל.\nפעמים רבות, על מנת לקבל את התוצאה האופטימלית מהמודל, יש צורך במספר פרומפטים. כך, למשל, לעיתים עדיף כי המודל יחשוב \"צעד אחר צעד\", ועל כן יש להעביר לו פרומפטים חלקיים בכל פעם, להבדיל מלנסות לקבל את התוצאה הרצויה באמצעות פרומפט בודד. אימון זה נחשב כיעיל בשיפור ביצועי מודל שפה בפתרון בעיות חשיבה רב-שלבית. ניתן להוביל את המודל לחשוב כך גם באמצעות הבהרה טקסטואלית מפורשת בפרומפט, לדוגמה \"נסה לפתור את הבעיה צעד אחר צעד\". כמו כן, לעיתים רצוי \"להתווכח\" עם המודל, או לכלול מספר דוגמאות כחלק מהפרומפט.\nדרך נוספת לשפר תוצאות באמצעות הפרומפט, היא להבהיר למודל באיזו רמה מצופה ממנו לענות על השאלה. כך למשל, על מנת להשיב לשאלה בפיזיקה, כדאי להתחיל את הפרומפט במשפט \"אתה מומחה לפיזיקה\". תוספת זו מועילה מכיוון שמודל שפה הוזן במידע טקסטואלי רב, בין היתר טקסט העוסק בפיזיקה שנכתב על ידי מומחים לפיזיקה וכזה שנכתב על ידי כאלו שאינם מומחים לפיזיקה. סטטיסטית, ייתכן כי תוכן שנכתב על ידי אלו שאינם מומחים בפיזיקה נפוץ יותר, ולכן המודל, שתוכנת להשיב את התשובה המסתברת ביותר, לא יפיק תשובה של מומחה אלא אם הדבר נדרש ממנו בפרומפט.\nמחקר שנעשה בשנת 2021 הראה כי הנדסת פרומפטים מרובת משימות (כזו המשתמשת במספר רב של נתוני עיבוד שפה טבעית) הראתה ביצועים טובים בבואה לבצע משימות חדשות מבלי שהתאמנה על כך קודם ל","en_topic":"Prompt engineering","wiki_pageid":2204832,"wiki_revid":43561531,"source_url":"https://he.wikipedia.org/?curid=2204832","license":"CC BY-SA 4.0"}
{"slug":"feature-engineering","lang":"he","title":"הנדסת מאפיינים","text":"בניתוח נתוני עתק ובלמידת מכונה, מאפיין הוא תכונה משותפת ליחידות עצמאיות שעליהן יש לבצע ניתוח או חיזוי. הנדסת מאפיינים היא התהליך של שימוש בידע תחומי לחילוץ מאפיינים מנתונים גולמיים.\nמאפיינים משמשים במודלים חזויים ומשפיעות על התוצאות.\n== תהליך ==\nתהליך איטרטיבי של הנדסת המאפיינים הוא:\nסיעור מוחות או בדיקת מאפיינים\nהחלטה אילו מאפיינים ליצור\nיצירת המאפיינים\nבדיקת ההשפעה של המאפיינים שזוהו על המשימה או היעד\nשיפור המאפיינים במידת הצורך\nחזרה לשלב הראשון\n=== מאפיינים מהונדסים אופייניים ===\nהרשימה הבאה מספקת כמה דרכים טיפוסיות להנדסת מאפיינים שימושיים:\nטרנספורמציות נומריות (כמו לקיחת שברים או שינוי קנה מידה)\nמקודד קטגוריות כמו מקודד חם או יעד (למשתנים איכותיים)\nמקבוץ (Clustering)\nקיבוץ ערכים מצטברים\nניתוח רכיבים עיקריים (Principal component) לנתונים נומריים\n== חשיבות ==\nלמאפיינים פרמטר חשיבות משתנה. אפילו מאפיינים לא משמעותיים יחסית עשויים לתרום ליעילות המידול. בחירת מאפיין טובה יכולה להפחית את מספר המאפיינים כדי למנוע מדגם להפוך ספציפי מדי למערך נתוני האימון (התאמת יתר - overfitting).\n== התפוצצות מאפיינים ==\n\"התפוצצות מאפיינים\" מתרחשת כאשר מספר המאפיינים המזוהים גדל באופן לא הולם. הסיבות השכיחות כוללות:\nתבניות מאפיינים - הטמעת תבניות מאפיינים במקום קידוד מאפיינים חדשים\nשילובי מאפיינים - צירופים שלא ניתן לייצגם על ידי מערכת ליניארית\nניתן להגביל את פיצוץ המאפיינים באמצעות טכניקות כגון: רגולריזציה, שיטת ליבה ובחירת מאפיינים.\n== אוטומציה ==\nאוטומציה של הנדסת מאפיינים היא נושא מחקר שראשיתו בשנות ה-90. תוכנת למידת מכונה המשלבת הנדסת מאפיינים אוטומטית זמינה מסחרית מאז 2016. ניתן להפריד באופן גס את הספרות האקדמית הקשורה לשני סוגים:\nלמידת עץ החלטות רב-יחסית (MRDTL) משתמשת באלגוריתם מפוקח הדומה לעץ החלטות.\nDeep Feature Synthesis משתמש בשיטות פשוטות יותר.\n=== למידת עץ החלטות רב-יחסיות (MRDTL) ===\nMRDTL מייצר מאפיינים בצורה של שאילתות SQL על ידי הוספת סעיפים ברציפות לשאילתות. לדוגמה, האלגוריתם עשוי להתחיל עם:\nלאחר מכן ניתן לחדד את השאילתה ברציפות על ידי הוספת תנאים, כגון \"WHERE t1.charge <= -0.392\".\nעם זאת, רוב מחקרי MRDTL מבססים יישומים על מסדי נתונים יחסיים, מה שמביא לפעולות מיותרות","en_topic":"Feature engineering","wiki_pageid":2035915,"wiki_revid":40149174,"source_url":"https://he.wikipedia.org/?curid=2035915","license":"CC BY-SA 4.0"}
{"slug":"technological-singularity","lang":"he","title":"סינגולריות טכנולוגית","text":"הסינגולריות הטכנולוגית (באנגלית: Technological singularity) היא נקודת זמן היפותטית בעתיד שבה ההתפתחות הטכנולוגית תאיץ אל מעבר ליכולת השליטה וההבנה של בני האדם, ותוביל לשינויים בלתי הפיכים ובלתי צפויים בציוויליזציה האנושית.\nעל פי הגרסה הפופולרית ביותר של השערה זו, המבוססת על מודל \"פיצוץ האינטליגנציה\" של אירווינג ג'ון גוד משנת 1965, סוכן תבוני הניתן לשדרוג עלול להיכנס למעגל משוב חיובי של מחזורי שיפור עצמי. כל דור של אינטליגנציה כזו יופיע מהר יותר מקודמו, מה שיגרום לעלייה אקספוננציאלית שתוביל בסופו של דבר ליצירת אינטליגנציית-על עוצמתית, העולה לאין שיעור על האינטליגנציה האנושית.\nמדענים והוגים רבים, בהם סטיבן הוקינג וניק בוסטרום, הביעו דאגה כי אינטליגנציית-על מלאכותית עלולה להוביל להכחדת האנושות. מנגד, חוקרים ואנשי טכנולוגיה בולטים כגון סטיבן פינקר, פול אלן וגורדון מור חולקים על עצם הסבירות להתרחשותה של סינגולריות כזו, וטוענים כי התפתחות הבינה המלאכותית צפויה להיתקל בחסמים פיזיקליים, כלכליים וחישוביים, ולהגיע לנקודת רוויה (תפוקה שולית פוחתת).\n== התפתחות המושג ==\nהרעיון לפיו מכונות יוכלו בתיאוריה להפגין התנהגות תבונית השקולה לזו של אדם הוצג לראשונה על ידי אלן טיורינג במאמרו המפורסם משנת 1950, \"מכונות חישוב ואינטליגנציה\". עם זאת, הראשון שהשתמש במונח \"סינגולריות\" (Singularity) בהקשר של קדמה טכנולוגית היה המתמטיקאי ג'ון פון נוימן. בשנת 1958 דיווח המתמטיקאי סטניסלב אולם על שיחה שקיים עם פון נוימן, אשר נסובה על \"ההתקדמות המואצת של הטכנולוגיה... הנותנת תחושה של התקרבות לסינגולריות מהותית כלשהי בהיסטוריה של הגזע האנושי, שמעבר לה העניינים האנושיים, כפי שאנו מכירים אותם, לא יוכלו להימשך\".בשנת 1965 הציג המתמטיקאי אירווינג ג'ון גוד את המושג \"פיצוץ אינטליגנציה\" (Intelligence explosion). הוא טען כי מכונה שתעלה על בני האדם תוכל לתכנן מכונות טובות אף יותר, וכי \"המכונה האולטרה-אינטליגנטית הראשונה תהיה ההמצאה האחרונה שהאדם יצטרך אי פעם להמציא\".\nהמושג \"סינגולריות טכנולוגית\" זכה לפופולריות רבה בזכות מתמטיקאי וסופר המדע בדיוני ורנור וינג'. במאמרו משנת 1993, \"הסינגולריות הטכנולוגית המתקרבת\", טען וינג' כי המעבר לאינטליגנציה על-אנושית יהווה מעין \"חור שחור\" היסטורי שלא ניתן לראות מעבר לו, וכי הת","en_topic":"Technological singularity","wiki_pageid":92965,"wiki_revid":43129370,"source_url":"https://he.wikipedia.org/?curid=92965","license":"CC BY-SA 4.0"}
{"slug":"chatgpt","lang":"he","title":"ChatGPT","text":"ChatGPT (ראשי תיבות של Generative Pre-trained Transformer, בתרגום חופשי: \"טרנספורמר מאומן-מראש בעל יכולת יצירה\") הוא צ'אטבוט מבוסס בינה מלאכותית יוצרת שפותח על ידי חברת התוכנה האמריקאית \"OpenAI\". הצ'אטבוט בנוי על מודל שפה גדול GPT-5‏, ולפני כן היה בנוי על GPT-3.5 (המבוסס על GPT-3) ו-GPT-4 של החברה, ואומן תוך שימוש בשיטות של למידה מונחית ולמידת חיזוק יחדיו.\nChatGPT הושק באופן ראשוני ב-30 בנובמבר 2022. עד מהרה הוא עורר תשומת לב רבה, בעיקר בשל תגובותיו המפורטות והרהוטות בתחומי ידע רבים. עם זאת, הדיוק העובדתי המשתנה של הצ'אטבוט היה לחיסרון משמעותי שלו. בעקבות השקת ChatGPT שוויה של OpenAI הוערך בכ-29 מיליארד דולר, נכון לראשית 2023.\nהצ'אטבוט ChatGPT בנוי על מודל GPT-5 שהושק ב-8 באוגוסט 2025.\nביוני 2026 הושק GPT-5.6 אך הוא מוגבל לקבוצה קטנים של אנשים בלחץ הממשל האמריקאי\n== אימון ==\nChatGPT הוא חלק ממשפחת מודלי השפה GPT. הוא אומן בתהליך המכונה \"כוונון עדין\", השייך לתחום העברת הלמידה (Transfer learning), על בסיס מודל השפה GPT-3.5, גרסה משופרת של מודל GPT-3 של OpenAI.\nבמסגרת תהליך הכוונון העדין שולבו הן למידה מונחית (למידת פתירת בעיות על בסיס מאגר גדול של דוגמאות \"פתורות\") והן למידת חיזוק (שבבסיסה השלמת משימות ולמידה באמצעות תגמולים), בטכניקה הנקראת למידת חיזוק ממשוב אנושי (RLHF). במסגרת שתי השיטות נעשה גם שימוש במאמנים אנושיים כדי לשפר את ביצועי המודל. במסגרת שיטת הלמידה המונחית, הוזנו למודל שיחות בהן המאמנים גילמו את שני הצדדים: המשתמש והעוזר הווירטואלי המבוסס על בינה מלאכותית. במסגרת שיטת למידת החיזוק, מאמנים אנושיים דירגו לראשונה את התגובות שהמודל יצר בשיחה קודמת. דירוגים אלה שימשו ליצירת \"מודלי תגמול\" (Reward models), שהמודל כוונן עוד יותר על ידיהם, כך שלפני שהמודל יפלוט תוצאה, הוא יבחר את התוצאה שתביא ל\"תגמול\" הגבוה ביותר (על בסיס הדירוג שניתן). זאת, תוך שימוש במספר איטרציות של Proximal Policy Optimization (PPO), משפחת אלגוריתמי למידת חיזוק חסרי-מודל של OpenAI. אלגוריתמים אלה נחשבים חסכוניים ביחס לאלגוריתמי TRPO, והם מבטלים רבות מהפעולות היקרות (מבחינה חישובית) בביצועיהם המהירים. יצוין כי אימון מודל באמצעות למידת חיזוק מתאפשר ללא התערבות אנושית בתחומים שיש בהם חוקים ותג","en_topic":"ChatGPT","wiki_pageid":2172524,"wiki_revid":43542561,"source_url":"https://he.wikipedia.org/?curid=2172524","license":"CC BY-SA 4.0"}
{"slug":"claude","lang":"he","title":"קלוד (מודל שפה)","text":"קלוד (באנגלית: Claude) היא משפחת מודלי שפה גדולים (LLM) שפותחו על ידי חברת אנת'רופיק. מודל השפה הראשון יצא במרץ 2023. ומודלי השפה העדכניים ביותר עד כה (תחת השמות \"קלוד Opus 4.6\" ו\"קלוד Sonnet 4.6\"), יצאו בפברואר 2026.\n== אימון ==\n=== AI חוקתי (Constitutional AI) ===\nאימון חוקתי היא גישה שפותחה על ידי אנת'רופיק לאימון מערכות AI, במיוחד מודלי שפה גדולים כמו קלוד. על פי גישה זו ניתן לאמן מודל בצורה אוטומטית וללא משוב אנושי, על מנת ליצור מודל שאינו עושה נזק. השיטה, שתוארה במאמר \"Constitutional AI: Harmlessness from AI Feedback\" כוללת שני שלבים: למידה בפיקוח ולמידת חיזוק. בשלב הלמידה בפיקוח, הדגם מייצר תגובות לפרומפטים, מבקר את התגובות הללו בהתבסס על ערכת עקרונות מנחים (חוקה) ומתקן את התגובות. לאחר מכן הדגם מכוונן עצמו מחדש על פי התגובות המתוקנות. עבור שלב למידת החיזוק ממשוב המודל יוצר תגובות המשוות על פי התאמתן לחוקה. מערך נתונים זה של משוב ה-AI משמש לאימון שמעריך תגובות בהתבסס על כמה הן תואמות ל\"חוקה\" שהוגדרה. בסוף התהליך, קלוד מכוונן עצמו מחדש כדי להתאים לתגובות הנכונות.\nגישה זו מאפשרת אימון עוזרי AI שהם גם שימושיים וגם חסרי נזק, ושיכולים להסביר באופן מלא את הסיבות להתנגדויותיהם לבקשות מזיקות, דבר שיוצר חיזוק בשקיפות המודל ומפחית את התלות בפיקוח אנושי. ה\"חוקה\" עבור קלוד כללה 75 סעיפים, כולל חלקים מההכרזה האוניברסלית על זכויות האדם של האומות המאוחדות.\n== מודלים ==\n=== קלוד ===\nקלוד היה גרסת ההתחלה של מודל השפה של אנתרופיק ששוחרר במרץ 2023, קלוד הדגים כישורים במשימות שונות אך היו לו מגבלות מסוימות בתכנות, מתמטיקה ויכולות חשיבה. אנתרופיק שיתפה פעולה עם חברות כמו נושאן וקוורה.\n=== קלוד אינסטנט (Instant) ===\nקלוד שוחרר כשתי גרסאות, קלוד וקלוד אינסטנט, כאשר קלוד אינסטנט היה גרסה מהירה יותר, זולה יותר וקלה יותר. לקלוד אינסטנט היה אורך קונטקסט של 100,000 טוקנים.\n=== קלוד 2 ===\nשוחרר ב-11 ביולי 2023 והיה זמין לקהל הרחב, בעוד שקלוד 1 היה זמין רק למשתמשים נבחרים שאושרו על ידי אנת'רופיק. קלוד 2 הרחיב את חלון הקונטקסט שלו מ-9,000 טוקנים ל-100,000 טוקנים. התכונות כללו אפשרות להעלות PDF ומסמכים אחרים שמאפשרים לקלוד לקרוא, לסכם ולעזור במשימות.\n==== קלוד 2.1 ====\nקלוד 2.1 הכפיל את מספ","en_topic":"Claude (AI)","wiki_pageid":2323423,"wiki_revid":43657748,"source_url":"https://he.wikipedia.org/?curid=2323423","license":"CC BY-SA 4.0"}
{"slug":"google-gemini","lang":"he","title":"ג'מיני (צ'טבוט)","text":"גוגל ג'מיני (באנגלית: Google Gemini), או בקיצור ג'מיני (באנגלית: Gemini; נהגה גֶ'מֶנַיי; עד 8 בפברואר 2024 נקרא בארד), הוא צ'אטבוט בינה מלאכותית (AI) שפותח על ידי גוגל, שהיה מבוסס תחילה על LaMDA ובהמשך על PaLM. הוא פותח במהירות כתגובה ישירה לעליית ChatGPT של OpenAI ובינג AI של מיקרוסופט, ושוחרר בגרסה מוגבלת במרץ 2023, וביולי 2023 עם גרסה דוברת שפות רבות, ביניהן עברית.\n== שם ==\nעד 8 בפברואר 2024 נקרא \"בארד\" בהתייחס למונח הקלטי למספר סיפורים נודד, ונבחר על ידי ראשי גוגל כדי \"לשקף את האופי היצירתי של האלגוריתם שמתחתיו\". כיום נקרא ג'מיני, על רקע מודל שפה באותו שם על בסיסו עובד הצ'טבוט.\n== היסטוריה ==\n=== רקע ===\nבנובמבר 2022 השיקה OpenAI את ChatGPT, צ'אטבוט המבוסס על משפחת ה-GPT-3‏. ChatGPT זכה לתשומת לב עולמית בעקבות שחרורו והפך לסנסציית אינטרנט ויראלית. בעקבות האיום הפוטנציאלי של ChatGPT על חיפוש Google, מנהלי גוגל הוציאו התראת \"קוד אדום\" בחברה, והקצו מחדש מספר צוותים לסייע במאמצי הבינה המלאכותית של החברה.\nמייסדי גוגל לארי פייג' וסרגיי ברין, שעזבו את תפקידם כמנכ\"לים משותפים של חברת האם Alphabet בשנת 2019, זומנו לפגישות חירום עם בכירי החברה כדי לדון בתגובת גוגל ל-ChatGPT. מוקדם יותר באותה שנה, החברה חשפה את LaMDA, אב טיפוס של LLM, אך לא פרסמה אותו לציבור.\n=== הכרזה ===\nב-6 בפברואר הכריזה גוגל על בארד המופעל על ידי LaMDA. בארד הושק לראשונה לקבוצה נבחרת של 10,000 איש, לפני פרסום רחב שתוכנן בסוף החודש אותו החודש. הטכנולוגיה פותחה תחת שם הקוד \"אטלס\".\nכלי תקשורת מרובים ואנליסטים פיננסיים תיארו את גוגל כ\"מזרזת\" את הכרזתו של בארד להקדים את האירוע המתוכנן של מיקרוסופט ב-7 בפברואר בה חשפה את השותפות שלה עם OpenAI לשילוב ChatGPT במנוע החיפוש שלה בינג, כמו גם. טום וורן מ-The Verge ודייווי אלבה מבלומברג ציינו כי זה סימן את תחילתה של התנגשות נוספת בין שתי חברות ביג טק על \"עתיד החיפוש\", לאחר שש שנות \"הפוגה\" שלהן מ-2021; כריס סטוקל-ווקר מ\"הגרדיאן\", שרה מוריסון מ-Recode והאנליסט דן אייבס מחברת ההשקעות Wedbush Securities תייגו את זה כמרוץ חימוש בינה מלאכותית בין השניים.\nלאחר שידור חי ב-8 בפברואר בפריז בו הציגו את בארד על יכולותיה הירודות משמעותית מ-chatGPT, מניית גוגל ירדה בשמונה אחוז,","en_topic":"Google Gemini","wiki_pageid":1987089,"wiki_revid":43516561,"source_url":"https://he.wikipedia.org/?curid=1987089","license":"CC BY-SA 4.0"}
{"slug":"llama","lang":"he","title":"LLaMA","text":"LLaMA (ראשי תיבות: Large Language Model Meta AI, בעברית: מודל שפה גדול מטא בינה מלאכותית) הוא מודל שפה גדול (LLM) ששוחרר על ידי מטא בפברואר 2023. השם מתייחס לסדרת מודלים שלכל אחד מספר פרמטרים שונה (מ-7 מיליארד ועד 65 מיליארד פרמטרים). לטענת מפתחי לאמה, ביצועי מודל ה-13 מיליארד במשימות עיבוד שפה טבעית, עולים על אלו של GPT-3, הגדול בהרבה (175 מיליארד פרמטרים).\nהמייחד את מודלי לאמה ממודלי השפה הגדולים האחרים באותה תקופה, היא שהאחרונים היו זמינים לרוב רק דרך ממשקי API מוגבלים (אם בכלל), בעוד מטא פרסמה את משקלי המודל של לאמה לקהילת המחקר ברישיון לא מסחרי. שבוע לאחר השחרור, משקולות המודל הודלפו באינטרנט כך שהלכה למעשה הוא נהפך לפתוח לציבור.\nב-18 ביולי 2023, Meta הכריזה על הדור הבא של מודלי הלאמה, בשם LLaMA 2. המודלים שוחררו לציבור בקוד פתוח. חודש לאחר מכן, שחררה מטא גרסה ייעודית של המודל לכתיבת קוד, בשם Code LLaMA. גרסה זו היא למעשה אימון המודל לאמה 2 על כחצי טריליון טוקנים (יחידות טקסט קטנות, למשל מילה) של קטעי קוד.\n== ארכיטקטורה ואימון ==\n=== ארכיטקטורה ===\nהמודל משתמש בארכיטקטורת טרנספורמר, הארכיטקטורה הסטנדרטית למודלי שפה מאז שפורסמה בשנת 2018. עם זאת, ישנם הבדלי ארכיטקטורה קלים ביחס למודלי שפה גדולים סטנדרטיים אחרים. כך למשל, השימוש בפונקציית SwiGLU במקום ReLU; או השימוש בנורמליזציית שכבות מסוג root-mean-sqaured, להבדיל מנורמליזציית שכבות סטנדרטית.\n=== מערך הנתונים עליו אומן המודל ===\nעל מנת לשפר את ביצועי המודל, מפתחי LLaMA מיקדו את מאמציהם בהגדלת נפח נתוני האימון, להבדיל ממספר הפרמטרים, בנימוק שהעלות המרכזית הנוגעת למודלי שפה גדולים היא מהסקת מסקנות על המודל המאומן ולא מהעלות החישובית של תהליך האימון.\nהמודל אומן על 1.4 טריליון טוקנים, שנלקחו ממקורות נתונים זמינים לציבור, כולל:\nדפי אינטרנט\nמאגרי קוד פתוח מגיטהאב\nויקיפדיה ב-20 שפות שונות\nספרים ברשות הרבים שנכללו בפרויקט גוטנברג\nקוד המקור של LaTeX למאמרים מדעיים\nשאלות ותשובות מאתרי Stack Exchange\n== שחרור והדלפות ==\nהמודל לאמה הוכרז ב-23 בפברואר 2023, באמצעות פוסט בבלוג ומאמר המתאר את האימון, הארכיטקטורה והביצועים שלו. הקוד ששימש לאימון המודל שוחרר לציבור תחת רישיון הקוד הפתוח GPL 3 (שימוש חופשי אך לא למטרות מסחריות).","en_topic":"Llama (language model)","wiki_pageid":2242677,"wiki_revid":41481009,"source_url":"https://he.wikipedia.org/?curid=2242677","license":"CC BY-SA 4.0"}
{"slug":"chatbot","lang":"he","title":"צ'אטבוט","text":"צ'אטבוט ולעיתים צ'טבוט (באנגלית: chatbot) הוא תוכנה המתמחה בניהול שיחות טקסטואליות. שיחות אלו יכולות להיות במבנה שפה טבעית או באמצעות בחירות לפי קונטקסט מוגבל או עם צ'אטבוטים נוספים. מטרת השיחה יכולה להיות שיווק, ייעוץ, שירות לקוחות או הדרכה. צ'אטבוטים יכולים להיות מבוססי מודלי שפה בבינה מלאכותית או באמצעות היריסטיקות אשר הוגדרו מראש.\n== סוגים ==\nישנם שני סוגים עיקריים של צ'אטבוטים, הנבדלים במורכבות התוכנה המדמה שיח:\nצ'אטבוט בעל סט חוקים או התנהגויות מוכתב מראש. צ'אטבוט זה בעל תחכום מוגבל.\nצ'אטבוט המכיל בינה מלאכותית להבנת שפה. במקרה זה הצ'אטבוט יוכל להבין ניסוחים רבים ואף להשתפר לאורך זמן בתגובותיו אל ניסוחי המשתמשים המשוחחים איתו.\n== שימוש ==\nצ'אטבוטים משמשים למגוון רחב של אינטראקציות מול משתמשים. בשנים האחרונות גובר השימוש בצ'אטבוטים עקב הפופולריות של תוכנות מסרים מיידיים כגון וואטסאפ, הצ'אט בפייסבוק ועוד. צ'אטבוטים מאפשרים לחברות להציע מידע או הכוונה בדרך תקשורת זו, בצורה שנתפסת כערוץ תקשורת אישי במקום להעסיק כח אדם במוקדי שירות בשכר גבוה בהרבה.\nבפלטפורמת המסרים של פייסבוק לבדה קיימים למעלה מ-11,000 צ'אטבוטים נכון ל־2016. בשנת 2017, החברה הישראלית SnatchBot השיקה אתר יצירת צ'אטבוט, אשר על-פי הטענה יש לו היכולת של בניית בוטים עם יכולת ניתוח רגשות.\n=== צ'אטבוט כעזר למידה ===\n ערך מורחב – בינה מלאכותית בחינוך\nהשינויים הגלובליים, בעידן המידע הטכנולוגי, מחייבים את מערכת החינוך לשנות את הפדגוגיה המסורתית ולפתח בקרב התלמיד מיומנויות של המאה ה-21 כגון: למידה פעילה, למידה קונסטרוקטיבית, שיתופיות, יצירתיות, שיתופי פעולה, המצאתיות, פרודוקטיביות, ביקורתיות ועוד. טכנולוגיות מידע ותקשורת (ICTs) בעלות פוטנציאל לשנות את הגישה הפדגוגית, כך שסביבת ההוראה תהיה אינטראקטיבית, שיתופית וממוקדת לומד.\nעד כה (2017) לא נעשו מחקרים רבים על השימוש בצ'אטבוטים בלמידה ומה התועלות הממשיות של השימוש בטכנולוגיה.\nלצ'אטבוטים פוטנציאל לשימוש במגוון רחב של דרכים בסביבות חינוכיות, משום שהם כוללים מנגנון אינטראקטיבי, המאפשר לתלמיד לתקשר באופן רציף עם הבוט בשאילת שאלות בתחום ספציפי ואף יכול לשמש ככלי ללמוד שפה חדשה. בנוסף, צ'אטבוטים מתקדמים, המבוססים על טכניקות של בינה מלאכותית ובאים לדמות שפה אנושית אי","en_topic":"Chatbot","wiki_pageid":1461676,"wiki_revid":42656276,"source_url":"https://he.wikipedia.org/?curid=1461676","license":"CC BY-SA 4.0"}
{"slug":"k-nearest-neighbors-algorithm","lang":"he","title":"אלגוריתם שכן קרוב","text":"אלגוריתם השכן הקרוב או k-Nearest Neighbors algorithm (או בקיצור k-NN) הוא אלגוריתם חסר פרמטרים לסיווג ולרגרסיה מקומית שפותח לראשונה על ידי אוולין פיקס וג׳וזף הודג׳ס ב 1951. בשני המקרים הקלט תלוי ב־k התצפיות הקרובות במרחב התכונות. k-NN יכול לשמש לסיווג או לרגרסיה:\nk-NN לסיווג – בהינתן קלט של דוגמה חדשה, האלגוריתם משייכה לקבוצה. הדוגמה משויכת למחלקה הנפוצה ביותר בקרב k השכנים הקרובים (כאשר k מוגדר כמספר חיובי שלם, בדרך כלל מספר קטן). אם k=1 האובייקט משויך למחלקה של השכן הבודד הקרוב ביותר.\nk-NN לרגרסיה – בהינתן דוגמה חדשה, האלגוריתם מחזיר ערך מאפיין לדוגמה. ערך זה הוא ממוצע ערכים של ערכי k השכנים הקרובים ביותר.\nk-NN הוא אלגוריתם לימוד מבוסס מופעים, או למידה עצלה, שבו הפונקציה מקורבת באופן מקומי בלבד וכל החישובים נדחים עד סיווגה. אלגוריתם k-NN הוא מבין האלגוריתמים הפשוטים ביותר בתחום למידת המכונה.\nשקלול תרומתם של השכנים יכול להיות שימושי גם במקרה של סיווג וגם במקרה של רגרסיה, כך שמשקל השכנים הקרובים תורם יותר לממוצע מהשכנים הרחוקים יותר. לדוגמה שיטת שקלול נפוצה מורכבת כך שנותנים לכל שכן משקל של ‎1⁄d, כאשר d הוא המרחק לאותו שכן.\nהשכנים נלקחים מתוך סדרת אובייקטים של מחלקה (עבור k-NN לסיווג) או אפיון הערך (עבור k-NN לרגרסיה) ידועים. חיסרון בולט של האלגוריתם הוא רגישותו למבנה המקומי של הנתונים.\n== אלגוריתם ==\nהקלט לשלב האימון של האלגוריתם הוא דוגמאות אימון, וקטורי תכונות במרחב רב ממדי כל אחד עם תווית סיווג (למשל\n R\n d\n ×\n {\n 1\n ,\n 2\n }\n {\\displaystyle \\mathbb {R} ^{d}\\times \\{1,2\\}}\n עבור וקטור תכונות של d ממדים ושתי מחלקות סיווג). שלב האימון מתבסס רק על אחסון תכונת הווקטור ותווית הסיווג של דוגמאות האימון במבנה נתונים שיאפשר בהמשך חיפוש מהיר בהם, כדוגמת עץ kd.\nהקלט לשלב הסיווג הוא וקטור ללא תווית (למשל\n R\n d\n {\\displaystyle \\mathbb {R} ^{d}}\n). בשלב הסיווג k מוגדר כקבוע, והמסווג קובע את תווית הסיווג על פי התווית השכיחה ביותר בקרב k דוגמאות האימון הקרובות לדוגמה הנבדקת.\n=== מטריקת מרחק ===\nמטריקה מקובלת למדידת מרחק בין משתנים רציפים היא מרחק אוקלידי. עבור משתנים בדידים, כגון בבעיית סי","en_topic":"K-nearest neighbors algorithm","wiki_pageid":1197585,"wiki_revid":43422724,"source_url":"https://he.wikipedia.org/?curid=1197585","license":"CC BY-SA 4.0"}
{"slug":"midjourney","lang":"he","title":"Midjourney","text":"Midjourney היא מעבדת מחקר עצמאית שמייצרת תוכנת בינה מלאכותית תחת אותו שם. התוכנה יוצרת תמונות מתיאורים טקסטואליים, בדומה לאתרים כגון DALL-E של חברת OpenAI ובדומה ל-Stable Diffusion המפורסם כקוד פתוח.\nהכלי פורסם ב-12 ביולי 2022 בגרסת בטא פתוחה. והשימוש בו נעשה באמצעות פקודות לבוט בדיסקורד או באמצעות כתיבת פרומפט באתר ייעודי שפותח והועמד לרשות משתמשים מרמה מסוימת החל מ-2024. Midjourney מנוהל על ידי דייוויד הולץ, שהיה שותף להקמת Leap Motion.\n== היסטוריה ==\nMidjourney אפשרה את השימוש במערכת לראשונה בגרסת בטא פתוחה ב-12 ביולי 2022.\nהחברה עובדת על שיפור האלגוריתמים, ומוציאה גרסאות חדשות מדי כמה חודשים. גרסה 2 שהייתה גרסת בטא שאינה מפורסמת לציבור של האלגוריתם הושקה באפריל 2022 וגרסה 3 ביולי.\nב-10 בנובמבר 2022 שוחררה למשתמשים איטרציית האלפא של גרסה 4.\nב-15 במרץ 2023 שוחררה גרסה 5, שטיפלה בבעיית האצבעות הידועה בגפיים. גרסת 5.1 שוחררה ב-3.5.2023 וגרסה 5.2 ב-23.6.2023.\nבדצמבר 2023 שוחררה גרסה 6.0 שאומנה על דטהסט חדש ופיענוח שונה של הפרומפט.\n== פונקציונליות ==\nניתן לגשת ל-Midjourney דרך בוט של בשרת הדיסקורד הרשמי שלו, על ידי שליחת הודעות ישירה לבוט, או על ידי הזמנת הבוט לשרת של צד שלישי. כדי ליצור תמונות, משתמשים היוצרים בפקודה /imagine ומקלידים את היצירה הרצויה.\nאפשרות נוספת היא דרך האתר https://alpha.midjourney.com/home למשתמשים שכבר יצרו לפחות 1,000 תמונות.\n== שימושים ==\nהמייסד דייוויד הולץ אמר שמבחינתו חלק גדול מלקוחותיו הם אמנים, ובניגוד לדעה הרווחת הוא לא רואה בהם מתחרים של Midjourney.\nהולץ אמר ל-The Register שאמנים משתמשים ב-Midjourney ליצירת אב טיפוס מהיר של רעיונות אמנותיים כדי להראות ללקוחות את הרעיון לפני שהם מתחילים לעבוד עליו בעצמם.\nמספר אמנים האשימו את Midjourney שבעצם הווייתו הוא יוצר הפחתה בערך של יצירה מקורית.\nתעשיית הפרסום מיהרה לאמץ כלי בינה מלאכותית כמו Midjourney, DALL-E ו־Stable Diffusion. הכלים, מאפשרים למפרסמים ליצור תוכן מקורי ולערוך סיעור מוחות במהירות ומספקים הזדמנויות חדשות כיצירת מודעות מותאמות אישית, דרך חדשה ליצור אפקטים מיוחדים, או אפילו להפוך את הפרסום במסחר אלקטרוני ליעיל יותר ומותאם לגיל הצופה.\n=== פרסומים ושימוש ב-Midjourney ===\nהתוכנה שימשה ","en_topic":"Midjourney","wiki_pageid":2177317,"wiki_revid":41884538,"source_url":"https://he.wikipedia.org/?curid=2177317","license":"CC BY-SA 4.0"}
{"slug":"alphafold","lang":"he","title":"AlphaFold","text":"AlphaFold היא תוכנת בינה מלאכותית (AI) שפותחה על ידי DeepMind, חברה בת של Alphabet, המבצעת חיזוי של מבנה חלבון. התוכנה מבוססת על מערכת של למידה עמוקה.\nלתוכנת AlphaFold היו שלוש גרסאות עיקריות. ב-2018 צוות חוקרים שהשתמש AlphaFold 1 הגיע למקום הראשון בדירוג הכללי CASP. התוכנית הצליחה במיוחד בניבוי המדויק ביותר של מקרים שדורגו כקשים ביותר על ידי מארגני התחרות, כאשר לא היו תבניות מבנה של חלבונים בעלי רצף דומה. ב-2020, צוות שהשתמש AlphaFold 2 זכה שוב במקום הראשון בתחרות CASP14. הצוות הגיע לרמת דיוק גבוהה בהרבה מהקבוצות האחרות שהשתתפו בתחרות. הוא קיבל ציון מעל 90 עבור כשני שלישים מהחלבונים במבחן המרחק הגלובלי (GDT) של CASP, שמודד את המידה שבה תוכנית חישובית חזתה מבנה דומה למבנה שנקבע בניסוי המעבדה. במבחן זה 100 מציין התאמה מלאה.\nהתוצאות של AlphaFold 2 ב-CASP14 תוארו כ\"מדהימות\" ו\"פורצות דרך\". כמה מהחוקרים ציינו כי הדיוק אינו גבוה מספיק עבור שליש מהתחזיות שלו, וכי הוא אינו חושף את המנגנון או הכללים של קיפול החלבון כדי שבעיית קיפול החלבון תיחשב כפתורה. עם זאת, בקרב החוקרים הייתה הסכמה כי מדובר בהישג טכני משמעותי, וניתוח מצביע על כך ש-AlphaFold 2 מדויק מספיק כדי לחזות אפילו השפעה של מוטציה בודדת. ב-15 ביולי 2021 פורסם בכתב העת היוקרתי Nature המאמר של AlphaFold 2 לצד תוכנת קוד פתוח ומסד נתונים של פרוטאומים.\nהגרסה המתקדמת יותר, AlphaFold 3, הוכרזה ב-8 במאי 2024. גרסה זו מרחיבה מאוד את טווח היישום של התוכנה, ומאפשרת לחזות מבנים של מולקולות ביולוגיות שאינן חלבוניות, למשל מולקולות עם חומצות גרעין, ליגנדים קטנים, יונים, סוכרים ומולקולות קטנות המשמשות כתרופות. התוכנה עשויה לחולל מהפכה בתחום מחקר המערכות המולקולריות בביולוגיה, תוך קידום פיתוח תרופות חדשות וייעול פיתוח אנזימים לשימושים תעשייתיים.\n== קישורים חיצוניים ==\n אתר האינטרנט הרשמי של AlphaFold (באנגלית)\n== הערות שוליים ==","en_topic":"AlphaFold","wiki_pageid":2335283,"wiki_revid":43571762,"source_url":"https://he.wikipedia.org/?curid=2335283","license":"CC BY-SA 4.0"}
{"slug":"deep-blue","lang":"he","title":"כחול עמוק","text":"כחול עמוק (באנגלית: Deep Blue) הוא מחשב למשחק שחמט, שפותח על ידי חברת IBM, והוא הראשון שניצח אלוף עולם מכהן, גארי קספרוב. המחשב ניצח את קספרוב בטורניר של שישה משחקים, שנערך במאי 1997, בתוצאה 3.5-2.5.\n== המחשב והתפתחותו ==\n=== קרנגי מלון ===\nהפרויקט התחיל באוניברסיטת קרנגי מלון בידי שלושה סטודנטים אשר תכננו מספר מחשבים ייעודיים לשח במחצית השנייה של שנות השמונים של המאה העשרים: פנג-הסיונג הסו (Feng-hsiung Hsu), מאריי קמפבל (Murray Campbell) ותומאס אננתארמאן (Thomas Anantharaman). שם המערכת הראשונה שתכננו היה \"צ'יפטסט\" (\"ChipTest\"), שכללה צ'יפ ייעודי לייצור המהלכים ונשלט על ידי תחנת עבודה של סאן מיקרוסיסטמס. הגרסה הראשונה יכלה לייצר 50,000 מהלכים בשנייה. המפתחים הכניסו גרסה מוקדמת לאליפות צפון אמריקה בשח מחשב של שנת 1986 ולאחר קשיים התחלתיים סיימו עם מאזן שקול. שנה אחר כך כבר הייתה להם גרסה של המערכת שייצרה 500,000 מהלכים בשנייה (\"ChipTest-M\") ובאליפות של 1987 הם ניצחו בתוצאה 4:0.\nלאחר מכן הם בנו מערכת שנייה שנקראה בשם \"מחשבה עמוקה\" (Deep Thought), על שם המחשב בעל אותו השם בספר \"מדריך הטרמפיסט לגלקסיה\". המערכת זכתה באליפות צפון אמריקה לשנת 1988 ובאליפות העולם לשח מחשב לשנת 1989. ב-1988 הביסה המערכת את רב-האמן בנט לארסן. הייתה זו הפעם הראשונה שרב-אמן הפסיד למחשב.\nבאותה תקופה פותחה באוניברסיטת קרנגי מלון מערכת מתחרה בשם הייטק (\"HiTech\") בראשות הנס ברלינר.\n=== IBM ===\nלאור הצלחת Deep Thought החליטה חברת IBM לשכור את שלושת המפתחים, והם הצטרפו לחטיבת המחקר ווטסון. הם החלו לעבוד על פרויקט שנקרא \"כחול עמוק\" (השם נגזר משם הפרויקט הקודם, והצבע הכחול מזוהה עם חברת IBM), שמטרתו הייתה לבנות מכונת שח שתוכל לשחק ברמה שמנצחת את אלוף העולם בשח. בין היתר השאיפה הייתה להדגים רכיבים של IBM ואת הכוח של חישוב מקבילי. אננתארמאן עזב את החברה עד מהרה והחליף אותו ג'ו הואן (Joe Hoane).\nהמערכת השיגה את יכולת המשחק שלה בעיקר על ידי שימוש ביכולת חישוב מאסיבית. המערכת הייתה מקבילית ביותר, מבוססת על מחשב RS/6000 בעל 30 קצוות (nodes), מחוזק על ידי 480 שבבי VLSI ייעודיים למשחק שחמט. תוכנית השחמט של המערכת נכתבה בשפת C ורצה תחת מערכת ההפעלה AIX. המערכת הייתה מסוגלת להעריך 200,000,000 מצבים בשנייה, כפול","en_topic":"Deep Blue (chess computer)","wiki_pageid":124408,"wiki_revid":43045512,"source_url":"https://he.wikipedia.org/?curid=124408","license":"CC BY-SA 4.0"}
{"slug":"siri","lang":"he","title":"סירי","text":"סירי (באנגלית: Siri) היא מערכת בינה מלאכותית אוניברסלית מסוג עוזרת אישית וירטואלית עבור מכשירי iOS ו-MacOS X של חברת אפל. המכשירים הכוללים בתוכם את המערכת הם אייפון 4s ומעלה, אייפד 3 ומעלה, אייפד מיני ומעלה ואייפוד טאץ' (דור חמישי), ומחשבי Mac בעלי Mac OS Sierra ומעלה. המערכת מעבדת שפה טבעית מדוברת, כדי לענות על שאלות, לתת המלצות, לבצע פעולות בהתאם לבקשות המשתמש ולענות על שאלות באמצעות משאבי המידע וולפרם אלפא וויקיפדיה.\nמאפייני המערכת כוללים הסתגלות להעדפותיו של המשתמש לאורך זמן והצגת תוצאות אישיות, בנוסף ליכולת להזמין מונית או אפילו להזמין מקום במסעדה לארוחת ערב.\nבאוקטובר 2013 נודע שקולה של סירי באנגלית הוא קולה של סוזן בנט, מדבבת מאטלנטה. את הגרסה העברית קריינה גלית גורא-עיני.\n== היסטוריה ==\nסירי נוסדה בדצמבר 2007 על ידי Dag Kittlaus (מנכ\"ל), Adam Cheyer (סמנכ\"ל הנדסה) ו-Tom Gruber (סמנכ\"ל עיצוב), יחד עם Norman Winarsky מקבוצת SRI. ב־13 באוקטובר 2008 הודיעה סירי על גיוס מימון בסך 8,500,000 דולר, בראשות במנלו ונצ'רס. בנובמבר 2009, השיגה החברה בסבב מימון נוסף 15.5 מיליון דולר מאותם משקיעים, אך הפעם בראשות מיליארדר מהונג קונג בשם Ka-shing.\nסירי נרכשה על ידי אפל ב-28 באפריל 2010 וב-4 באוקטובר 2011 הודיעה אפל שסירי תיכלל במערכת ההפעלה של אייפון 4S.\nהגרסה החדשה של סירי משולבת במערכת iOS, ומאפשרת אינטראקציה קולית עם יישומים רבים, כולל תזכורות, מזג אוויר, מניות, הודעות, דואר אלקטרוני, לוח שנה, אנשי קשר, פתקים, מוזיקה, שעונים, דפדפן אינטרנט, וולפראם אלפא ומפות. סירי תומכת במגוון שפות: אנגלית, עברית, צרפתית, גרמנית, יפנית, ערבית, מנדרינית, קנטונזית, דנית, הולנדית, טורקית, ספרדית, פורטוגלית, קוראנית, רוסית, שוודית, תאית, נורווגית ספרותית, איטלקית, פינית, ומלאית.\nלאחר הודעת אפל על שילוב סירי באייפון 4S, החברה הסירה את אפליקציית סירי שהייתה זמינה להורדה עבור כל דורות האייפונים בחנות Appstore.\nלאחר שאפל החליטה לשלב את סירי רק באייפון 4S, מתוך טענה שהיא דורשת מעבד A5 (טיעון אבסורדי כיוון שפעולות החישוב המורכבות מאחורי המערכת נעשות בחוות השרתים של אפל ולא במכשיר הנייד) החלו מספר האקרים בניסיונות להתאימה גם לאייפון 4, אייפון 3GS, אייפוד טאץ' ומכשירי אייפד. לבסוף סירי הותאמה למכשיר","en_topic":"Siri","wiki_pageid":942641,"wiki_revid":43158107,"source_url":"https://he.wikipedia.org/?curid=942641","license":"CC BY-SA 4.0"}
{"slug":"search-engine","lang":"he","title":"מנוע חיפוש (אינטרנט)","text":"מנוע חיפוש היא תוכנה שמוצאת דפי אינטרנט התואמים לחיפוש באינטרנט. המנוע מחפש ברשת העולמית בצורה שיטתית אחר מידע מסוים שצוין בשאילתת החיפוש הטקסטואלית. תוצאות החיפוש מוצגות בדרך כלל בשורה של תוצאות, המכונה לרוב דפי תוצאות של מנועי חיפוש (SERP). המידע עשוי להיות שילוב של היפר-קישורים לדפי אינטרנט, תמונות, סרטונים, אינפוגרפיקה, מאמרים וסוגים אחרים של קבצים.\nמנועי חיפוש מסוימים גם כורים נתונים הזמינים במסדי נתונים או בספריות פתוחות. שלא כמו ספריות אינטרנט שמתוחזקים על ידי עורכים אנושיים, מנועי החיפוש גם שומרים על מידע בזמן אמת על ידי הפעלת אלגוריתם שסורק את האינטרנט. כל תוכן מבוסס אינטרנט שלא ניתן לאינדקס ולחפש במנוע חיפוש אינטרנטי נופל לקטגוריה של \"אינטרנט עמוק\".\n== היסטוריה ==\n=== לפני שנות ה-90 ===\nמערכת לאיתור מידע מפורסם שנועדה להתגבר על הקושי ההולך וגובר לאתר מידע באינדקסים מרכזיים הולכים וגדלים של עבודה מדעית תוארה ב-1945 על ידי ואנבר בוש, שכתב מאמר באטלנטיק מאנתלי בשם \"כפי שאנו עשויים לחשוב\" שבו חזה ספריות מחקר עם הערות מקושרות לא בניגוד לקישורי היפרטקסט מודרניים. ניתוח קישורים לבסוף יהפוך לרכיב מכריע במנועי חיפוש באמצעות אלגוריתמים כמו Hyper Search ו-PageRank.\n=== שנות ה-90: לידת מנועי החיפוש ===\nמנועי החיפוש הראשונים באינטרנט קדמו להופעת הרשת בדצמבר 1990: חיפוש משתמשי WHOIS ושירות מידע Knowbot לחיפוש משתמשים רב-רשתי יושם לראשונה ב-1989. מנוע החיפוש המתועד היטב הראשון שחיפש קובצי תוכן, ובפרט קובצי FTP, היה ארצ'י, שהופיע לראשונה ב-10 בספטמבר 1990.\nלפני ספטמבר 1993, הרשת העולמית (World Wide Web) אונדקסה כולה באופן ידני. הייתה רשימה של שרתי רשת עולמית שערך טים ברנרס-לי ואירח בשרת CERN. נותר תיעוד אחד של הרשימה מ-1992. ככל שיותר ויותר שרתי רשת החלו לפעול מקוונת, הרשימה המרכזית לא יכלה עוד לעקוב אחר המצב. באתר NCSA הוכרזו שרתים חדשים תחת הכותרת \"מה חדש!\"\nהכלי הראשון ששימש לחיפוש תוכן (לעומת משתמשים) באינטרנט היה ארצ'י. השם מייצג את המילה האנגלית ל\"ארכיון\" ללא ה-\"ון\". הכלי נוצר על ידי אלן אמטאג', סטודנט למדעי המחשב באוניברסיטת מקגיל במונטריאול, קוויבק, קנדה. התוכנה הורידה את רשימות התיקיות של כל הקבצים הממוקמים באתרי FTP ציבוריים אנונימיים, ויצרה בסיס נתונים ניתן לחי","en_topic":"Search engine","wiki_pageid":2247490,"wiki_revid":42280201,"source_url":"https://he.wikipedia.org/?curid=2247490","license":"CC BY-SA 4.0"}
{"slug":"tf-idf","lang":"he","title":"Tf–idf","text":"tf–idf, קיצור של term frequency–inverse document frequency, בעברית: תדירות מונח (tf) - תדירות מסמכים הופכית (idf), הוא מדד של עיבוד שפה טבעית, המצמד לכל מילה במסמך השייך לאוסף מסמכים ערך מספרי. ערך זה, משקף את מרכזיותה של המילה במסמך, ביחס למסמכים אחרים. מדד זה נפוץ בתחומים של אחזור מידע, כריית טקסט ומידול משתמשים.\nגרסאות של tf–idf משמשות מנועי חיפוש לניקוד ולדירוג רלוונטיות טקסטים כתגובה לשאילתת משתמש (כמה מסמך רלוונטי לבקשה שהמשתמש הזין במנוע חיפוש). שימושים מרכזיים נוספים ל-tf–idf הם סינון מילים עם משמעות נמוכה לזיהוי ועיבוד טקסטים (מילות עצירה), לסיכום טקסטים ולסיווג מסמכים.\n== הגדרות ואופן החישוב ==\ntf–idf מחושב בנפרד לכל מונח בתוך כל מסמך, על ידי מכפלה של שני גורמים: תדירות מונח (tf) ותדירות מסמכים הופכית (idf).\nתדירות מונח היא אחוז הפעמים שמופיע מונח t במסמך d:\n t\n f\n (\n t\n ,\n d\n )\n =\n f\n t\n ,\n d\n ∑\n t\n ′\n ∈\n d\n f\n t\n ′\n ,\n d\n {\\displaystyle \\mathrm {tf} (t,d)={\\frac {f_{t,d}}{\\sum _{t'\\in d}{f_{t',d}}}}}\n ,\nכאשר ft,d היא הספירה הגולמית של מונח במסמך, כלומר, מספר הפעמים שמונח t מופיע במסמך d. המכנה הוא המספר הכולל של מונחים במסמך d (ספירת כל מופע של אותו מונח בנפרד). ישנן דרכים נוספות אחרות המגדירות מדד זה, אך הגדרה פשוטה ובעלת שימושים רבים.\nתדירות מסמכים הופכית (idf) היא מדד לנדירות המילה בין מסמכים .מדד זה מחושב על ידי מציאת אחוז המסמכים בהם המונח מופיע מכלל המסמכים, והפעלת פונקציית הלוג על אחוז זה:\n i\n d\n f\n (\n t\n ,\n D\n )\n =\n log\n ⁡\n N\n |\n {\n d\n ∈\n D\n :\n t\n ∈\n d\n }\n |\n {\\displaystyle \\mathrm {idf} (t,D)=\\log {\\frac {","en_topic":"Tf–idf","wiki_pageid":2162826,"wiki_revid":42669377,"source_url":"https://he.wikipedia.org/?curid=2162826","license":"CC BY-SA 4.0"}
{"slug":"recommender-system","lang":"he","title":"מערכות המלצה","text":"מערכות המלצה הן מערכות מוניטין ו/או מנגנונים שונים המשמשים כדי לסנן כמויות גדולות של מידע באמצעות הפצת תהליך של סינון בקרב קבוצה גדולה של אנשים. המערכות מספקות המלצות למשתמשים על פריטים שעשויים לעניין אותם. ההמלצות עוזרות למשתמשים לאתר פריטים רלוונטיים.\n== אופן היישום ==\nמערכות ההמלצה מתבססות על מידע שנאסף מהמשתמש או המשתמשים השונים, באמצעות שילוב של שיטות מוגדרות ומרומזות, כמו קבלת תחזיות אוטומטי (סינון) על האינטרסים של המשתמשים על ידי איסוף מידע או העדפות הטעם של משתמשים רבים (שיתוף פעולה). הנחת היסוד של גישת מערכות ההמלצה היא כי אלו שהסכימו בעבר נוטים להסכים שוב בעתיד, עם זאת יש לשים לב כי ההמלצות ניתנות לפי בחירות המשתמש היחיד אותו זיהתה המערכת והצליבה עם מידע קודם שהיה עליו ועם מידע אחר שהיה לה ממשתמשים שונים בעלי בחירות דומות.\nלהלן מספר דוגמאות לאיסוף נתונים מוגדרים:\nלבקש מהמשתמש להעריך פריט מסוים באמצעות סולם נע.\nלבקש מהמשתמש לדרג אוסף פריטים מהמועדף למועדף במידה פחותה יותר.\nלהציג שני פריטים ולבקש מהמשתמש לבחור את הפריט הטוב יותר.\nלבקש מהמשתמש ליצור רשימת פריטים אהובים.\nלהלן מספר דוגמאות לאיסוף נתונים מרומזים:\nלבחון פריטים שנבחנו על ידי המשתמש בחנות מקווננת.\nלשמור רישום של פריטים שנקנו דרך האינטרנט.\nלהשיג רשימה של שירים שהושמעו במחשבו של המשתמש.\nמערכת ההמלצה משווה את הנתונים שנאספו לנתונים של אנשים אחרים ומשתמשת בשני עקרונות בסיסיים המעורבים ביישום, ראשית בחוכמת ההמונים ובחוק המספרים הגדולים שניהם מראים כי ככל שהקהילות גדלות, אך לא רק אלא גם מגוונות, ועצמאיות לדוגמה, כך הקהילה יכולה לקבל החלטות טובות יותר מאשר קומץ העורכים, ולכן ככל שהקהילה תהיה גדולה יותר ההחלטות שלה עשויות להיות טובות יותר.\nעיקרון בסיסי שני הוא העיקרון השני מציע כי בכל קהילה גדולה, עם מספיק נתונים על המשתתפים בודדים, על איך משתתפים בודדים מתואמים או משתפים פעולה אחד עם השני, אנחנו יכולים לעשות תחזיות לגבי מה שהמשתמשים האלה יאהבו בעתיד על סמך הטעמים שלהם בעבר, כלומר לפתח מנועי המלצה מסוננים בשיתוף פעולה. זה, כמובן, מסתמך על העובדה כי האינטרסים של אנשים, העדפות אידאולוגיות אינם משתנים באופן דרסטי מדי לאורך זמן, ובהתאם לחשב את רשימת הפריטים מומלצים עבור המשתמש על בסיס עקרונות אלו.\nמערכות המלצה","en_topic":"Recommender system","wiki_pageid":114212,"wiki_revid":36708284,"source_url":"https://he.wikipedia.org/?curid=114212","license":"CC BY-SA 4.0"}
{"slug":"collaborative-filtering","lang":"he","title":"סינון שיתופי","text":"סינון שיתופי (באנגלית: Collaborative Filtering) מתאר תהליך של סינון מידע באמצעות שיתוף פעולה בין משתמשי מחשב שונים או בין סוכנים אוטומטים שונים. מטרתו של הסינון השיתופי היא להקל על משתמשים למצוא מוצרים או ידע על ידי מציאת הדמיון ביניהם לבין היסטוריית הגלישה והצריכה של משתמשים אחרים בעלי אפיון דומה. הנחת היסוד של גישת הסינון השיתופי היא שאם לפלוני יש העדפות הדומות לאלה של אלמוני בנושא מסוים או מוצר, אזי קיים סיכוי שהעדפותיהם יהיו דומות גם בנושאים אחרים ובמוצרים אחרים.\nהצורך בתהליך מסוג זה עלה עם הגידול בכמות הנתונים הנמצאים ברשת הנקראים נתוני עתק או big data. ברשת קיים מאגר נתונים מבוזר שאינו מאורגן לפי שיטה כלשהי, ומגיע ממקורות רבים, בכמויות גדולות, בפורמטים מגוונים ובאיכויות שונות. בנוסף, ניתן להצביע על עלייה משמעותית בשימוש באתרי מסחר מקוונים ובאתרי מידע. תהליך סינון שיתופי מאפשר באמצעות אלגוריתם לתת את המענה המתאים ביותר עבור המשתמש בבואו למצוא מידע רלוונטי עבורו. השימוש באלגוריתם זה נפוץ במיוחד במערכות המלצה באתרים באינטרנט.\n== רקע ==\nהשימוש הנרחב באינטרנט בשילוב היקף המידע שעובר ונאגר באינטרנט ובבסיסי נתוני ענק מקשה על המשתמש לאתר את המידע האפקטיבי ביותר עבורו. המצב מחייב טכניקה שתסייע במציאת המידע. סינון שיתופי היא אחת מהטכניקות שפותחה לסייע במציאת מידע רלוונטי עבור אותו משתמש. את טכניקת הסינון השיתופי ניתן למצוא בשימוש באתרים כמו גוגל, אמזון, eBay, Slashdot ו-LinkedIn . אתרים אלו מכילים כמויות גדולות מאוד של נתונים ומשתמשים והמשותף להם הוא הרצון לתת את ההמלצה הטובה ביותר עבור המשתמש.\n== מתודולוגיה ==\nהנחת היסוד בבסיס טכניקת הסינון השיתופי היא שאנשים לרוב מחפשים מידע מאחרים שדומים להם הן מבחינת הצריכה והן מבחינת האפיון האישיותי. על מנת שהטכניקה תעבוד יש צורך לבנות אלגוריתם שמקבל את הנתונים הן על המשתמשים והן על מאפייני הצריכה שלהם כדוגמת מוצרים או השירותים שרכשו (או הביעו עניין לרכוש).\nישנם מספר עקרונות שצריכים להתקיים בו זמנית כדי לתמוך במודל האלגוריתמי:\nהשתתפות פעילה של משתמשים\nחוויית משתמש – ממשק שבו אפשר להביע את העניין והרצונות של הגולש באופן אינטואיטיבי ופשוט\nמודלים סטטיסטיים ומתמטיים שיוכלו לחבר בין אנשים בעלי עניין דומה\nהאתגר העומד בפני מודל הסינון שי","en_topic":"Collaborative filtering","wiki_pageid":1238474,"wiki_revid":43336173,"source_url":"https://he.wikipedia.org/?curid=1238474","license":"CC BY-SA 4.0"}
{"slug":"cluster-analysis","lang":"he","title":"ניתוח אשכולות","text":"בכריית מידע, סטטיסטיקה ולמידה חישובית, ניתוח אשכולות (באנגלית: Cluster Analysis) מתייחס למשימה של קיבוץ אובייקטים לקבוצות (אשכולות) כך שהאובייקטים הנמצאים באותה קבוצה דומים זה לזה יותר מאשר לאובייקטים השייכים לקבוצות אחרות.\nלניתוח אשכולות יש שימושים רבים במגוון תחומים. לדוגמה במחקר שיווקי, ניתוח אשכולות משמש לביצוע פילוח של הלקוחות לפי התנהגות צרכנים ותכונות דמוגרפיות. ביולוגים מקבצים מידע גנטי לאשכולות כדי לאתר תתי אוכלוסיות או זנים. בסוציולוגיה נעזרים בניתוח אשכולות כדי לחלק את החברה לתת-קבוצות על בסיס קשרים בין-אישיים.\nהקיבוץ לאשכולות יכול להיות משני סוגים:\nקיבוץ קשה (באנגלית: Hard Clustering) – שבו כל אובייקט שייך לאשכול אחד בלבד.\nקיבוץ רך (באנגלית: Soft Clustering) – שבו כל אובייקט שייך למספר אשכולות בדרגות שייכות שונות.\nבמהלך השנים פותחו אלגוריתמים מסוגים שונים לניתוח אשכולות. להלן המודלים הטיפוסיים:\nמודל מבוסס קישוריות – בהתאם להגדרת מרחק בין האובייקטים, המודל מאתר אשכולות באופן היררכי.\nמודל מבוסס מרכז הכובד – שבו כל אשכול מיוצג על ידי מרכז הכובד של כל החברים שבו.\nמודל המבוסס על התפלגות סטטיסטית.\nמודל מבוסס צפיפות – שבו אשכול מוגדר כאזור צפוף שבו מתקבצים מספר גדול של אובייקטים.\nמודל המבוסס על תורת הגרפים שבו אשכול מיוצג על ידי תת-קבוצה של צמתים בגרף כך שכל שני צמתים בתת-קבוצה מחוברים באמצעות קשתות.\nיש כמה שיטות של ניתוח אשכולות. למשל, bag of words, bottom-up, top-down ועוד.\nניתוח אשכולות היררכי (agglomerative clustering) – קיבוץ היררכי, היא שיטה לחלוקה של רשימת איברים לקבוצות. השיטה מכונה \"bottom-up\" כי בהתחלה כל איבר מהווה קבוצה בפני עצמה (קבוצה בעלת איבר אחד) ובכל צעד של האלגוריתם מספר הקבוצות קטן באחד. כלומר, האלגוריתם בונה את הקבוצות ממצב שבו אין למעשה חלוקה לקבוצות למצב שבו נוצרות קבוצות ההולכות וגדלות. בכל שלב האלגוריתם מבצע צעד אחד פשוט - איחוד בין שתי קבוצות. בתחילת ריצת האלגוריתם כל איבר מהווה קבוצה בת איבר אחד. בהמשך, כאשר קבוצות מאוחדות זו עם זו, מספר הקבוצות קטן באחד ומספר האיברים בקבוצה החדשה הוא סכום מספר האיברים בשתי הקבוצות שאוחדו. האלגוריתמים השונים לקלסטרינג (clustering) היררכי נבדלים זה מזה באופן שהם מחליטים אילו קבוצות לאחד בכל צעד של האלג","en_topic":"Cluster analysis","wiki_pageid":1241824,"wiki_revid":39030290,"source_url":"https://he.wikipedia.org/?curid=1241824","license":"CC BY-SA 4.0"}
{"slug":"support-vector-machine","lang":"he","title":"מכונת וקטורים תומכים","text":"מכונת תמך וקטורי (באנגלית Support Vector Machine, לרוב נכתב ונהגה כראשי-תבות SVM) היא טכניקה של למידה מונחית (supervised learning) המשמשת לניתוח נתונים לסיווג ולרגרסיה.\nכנהוג בתחום זה, דוגמאות האימון מיוצגות כווקטורים במרחב ליניארי. עבור בעיות סיווג, בשלב האימון מתאימים מסווג שמפריד נכון ככל האפשר בין דוגמאות אימון חיוביות ושליליות. המסווג שנוצר ב-SVM הוא המפריד הליניארי אשר יוצר מרווח גדול ככל האפשר בינו לבין הדוגמאות הקרובות לו ביותר בשתי הקטגוריות. כאשר מוצגת נקודה חדשה, האלגוריתם יזהה האם היא ממוקמת בתוך הקו המגדיר את הקבוצה, או מחוצה לו.\nSVM אינו מוגבל רק לסיווג ליניארי, ויכול לבצע גם סיווג לא ליניארי באמצעות הוספת קרנל (kernel, גרעין) שבו ממופה הקלט למרחב במימד גבוה.\n== מוטיבציה ==\nסיווג מידע היא פעולה נפוצה בלמידת מכונה. בהינתן אוסף נתונים אשר צריך להפריד אותם לשתי קבוצות על סמך ניסיון קודם (דוגמאות - האם דואר אלקטרוני הוא ספאם או לא; האם מוטציית גן מסוימת מסרטנת או לא; האם כלי רכב כבד הוא טנק או משאית) כאשר המטרה היא להחליט לאיזו משתי הקבוצות לשייך נקודה חדשה. כל נקודה באוסף הנתונים מיוצגת על ידי וקטור בגודל קבוע. בגישה של SVM מחלקים את הנקודות במרחב הווקטורי, באמצעות על-מישור (Hyperplane) כך שהמרווח, המרחק, בין אותו על-מישור המחלק את הנקודות לבין הנקודות הממוקמות הכי קרוב אליו, יהיה המרחק המקסימלי האפשרי.\nבאופן פורמלי יותר, בהינתן קבוצת אימון של n נקודות מהצורה\n (\n x\n 1\n →\n ,\n y\n 1\n )\n .\n .\n .\n (\n x\n n\n →\n ,\n y\n n\n )\n {\\displaystyle ({\\vec {x_{1}}},y_{1})...({\\vec {x_{n}}},y_{n})}\n כאשר:\n y\n i\n {\\displaystyle y_{i}}\n הוא\n −\n 1\n {\\displaystyle -1}\n או\n +\n 1\n {\\displaystyle +1}\n ומייצג את הקבוצה לה שייכת דוגמה i.\n x\n i\n →\n ∈\n R\n p\n {\\displaystyle {\\vec {x_{i}}}\\in \\mathbb {R} ^{p}}\n הוא וקטור מאפיינים (features, פיצ'רים) המתארים את נקו","en_topic":"Support vector machine","wiki_pageid":751518,"wiki_revid":42251247,"source_url":"https://he.wikipedia.org/?curid=751518","license":"CC BY-SA 4.0"}
{"slug":"random-forest","lang":"he","title":"יער אקראי","text":"יער אקראי (באנגלית: Random Forest) הוא אלגוריתם למידת מכונה נפוץ שהומצא על ידי ליאו בריימן ואדל קאטלר. הוא משלב את התוצאות של מספר עצי החלטה כדי להגיע לתוצאה יחידה. קלות השימוש והגמישות שלו גרמו לאימוץ רחב שלו, כיוון שהוא מתאים גם לבעיות סיווג וגם לבעיות רגרסיה.\n== אלגוריתם ==\nהאלגוריתם של יער אקראי מורכב ממספר עצי החלטה, ומשתמש בלמידת אנסמבל כדי לשפר את הדיוק והאמינות של התחזיות. להלן הסבר מפורט על כל רכיב:\n=== עצי החלטה ===\nמכיוון שמודל יער אקראי מורכב ממספר עצי החלטה, חשוב להבין תחילה את עקרונות האלגוריתם של עץ ההחלטה. עצי החלטה מתחילים בשאלה בסיסית, כמו \"האם כדאי לי לגלוש?\". משם ניתן לשאול סדרת שאלות כדי להגיע לתשובה, כמו \"האם יש גלים גבוהים?\" או \"האם הרוח נושבת בכיוון המתאים?\". שאלות אלו מהוות את הצמתים בעץ, והן משמשות לפצל את הנתונים. כל שאלה עוזרת להגיע להחלטה הסופית, המסומנת על ידי עלה בעץ. תצפיות שמתאימות לקריטריונים ימשיכו בנתיב \"כן\" ותצפיות שלא יתאימו ימשיכו בנתיב החלופי.\nעצי החלטה מחפשים את הפיצול הטוב ביותר כדי לחלק את סט הנתונים, והם לרוב מתאמנים באמצעות אלגוריתם CART (Classification and Regression Tree). מדדים כמו מדד ג'יני, דיברגנץ קולבק-לייבלר, או טעות ריבועית ממוצעת\n(MSE) משמשים להערכת איכות הפיצול.\nבעוד שעצי החלטה הם אלגוריתמים נפוצים ללמידה מונחית, הם נוטים לבעיות כמו overall variance והתאמת יתר (overfitting). עם זאת, כאשר מספר עצי החלטה יוצרים יער אקראי הם מנבאים תוצאות מדויקות יותר, במיוחד כאשר העצים הבודדים אינם מתואמים זה עם זה.\n=== למידת אנסמבל (Ensemble learning) ===\nשיטות למידה בקבוצות מורכבות מקבוצה של מסווגים (כמו עצי החלטה) והתוצאות שלהם נאספות כדי לזהות את התוצאה הפופולרית ביותר. השיטות הידועות ביותר הן שקיות (bagging) וחיזוק (boosting). בשנת 1996 ליאו בריימן הציג את שיטת ה-bagging. בשיטה זו דוגמה אקראית של נתונים מסט האימון נבחרת עם החלפה כלומר שנקודות נתונים יכולות להיבחר יותר מפעם אחת. לאחר יצירת מספר דוגמאות נתונים, המודלים מתאמנים באופן עצמאי, ותלוי בסוג המשימה - רגרסיה או סיווג - ממוצע או רוב התחזיות מניבים הערכה מדויקת יותר. גישה זו משמשת בדרך כלל להפחתת השונות בנתונים רעשיים.\n=== אלגוריתם יער אקראי ===\nאלגוריתם יער אקראי הוא הר","en_topic":"Random forest","wiki_pageid":2356151,"wiki_revid":43573241,"source_url":"https://he.wikipedia.org/?curid=2356151","license":"CC BY-SA 4.0"}
{"slug":"adaboost","lang":"he","title":"אלגוריתם AdaBoost","text":"AdaBoost (קיצור של Adaptive Boosting – \"בוסטינג אדפטיבי\") הוא מטא-אלגוריתם בתחום לימוד מכונה המיועד לשיפור דיוק הסיווג על ידי שילוב של מסווגים חלשים למסווג חזק. אלגוריתם זה פותח בשנת 1995 על ידי הישראלי יואב פרוינד ורוברט שפיר, אשר עבור עבודתם זו זכו בפרס גדל בשנת 2003.\nAdaBoost עובד בשילוב עם מגוון אלגוריתמי למידה בסיסיים, ומפיק מסווג סופי באמצעות סכימה משוקללת של תוצאות \"מסווגים חלשים\" מרובים. לרוב הוא מוצג עבור בעיות סיווג בינאריות, אך הוא הורחב גם לטיפול בריבוי קטגוריות ולמשימות אחרות. השם \"בוסטינג אדפטיבי\" נובע מיכולתו של האלגוריתם להתאים את עצמו לשגיאות: כל מסווג חלש נוסף מתמקד במקרים שבהם המסווגים הקודמים טעו. במקרים מסוימים, AdaBoost נמצא כפחות רגיש לבעיית התאמת יתר (overfitting) בהשוואה לאלגוריתמי למידה אחרים, אך הוא עלול להיות רגיש לנוכחות רעש וחריגות בנתונים.\nלמרות שבדרך כלל נעשה שימוש ב-AdaBoost לשילוב של לומדי בסיס חלשים (כגון גזעי החלטה), הוכח כי הוא משלב ביעילות גם לומדים בסיס חזקים (כגון עצי החלטה עמוקים יותר), ומייצר מודל מדויק עוד יותר.\n== מבוא והיסטוריה ==\nהרעיון של Boosting (הגברה) בלמידת מכונה צמח מתוך שאלה תאורטית במסגרת מודל הלמידה PAC שהציג לסלי וליאנט ב-1988.\nרוברט שפיר הציע ב-1989 אלגוריתם Boosting פולינומי ראשון שהוכיח עקרונית כי התשובה חיובית, וב-1990 הציג יואב פרוינד שיפור יעיל יותר לאלגוריתם זה. עם זאת, הגישות המוקדמות הללו סבלו מקשיים פרקטיים, והיו מורכבות ליישום ולאימון.\nבשנת 1995 פיתחו פרוינד ושפיר את AdaBoost (קיצור של \"Adaptive Boosting\"), אלגוריתם Boosting פשוט יחסית שהצליח להתגבר על רבות מהבעיות המעשיות של קודמיו. האלגוריתם הוצג לראשונה בכנס COLT באותה שנה, ומאוחר יותר פורסם במאמר מקיף ב-1997.\nAdaBoost היה לאחד האלגוריתמים הראשונים בתחום ה-Ensemble learning שזכה לתשומת לב רחבה בשל פשטותו, יעילותו ותוצאותיו הטובות. תרומתם של פרוינד ושפיר זכתה כאמור להכרה בדמות פרס גדל בשנת 2003 על הישגיהם בתחום Boosting, ומהר מאוד שולב האלגוריתם במגוון רחב של יישומים בלמידת מכונה.\n== יתרונות וחסרונות ==\n==== יתרונות ====\nפשטות ושקיפות – האלגוריתם קל למימוש ומבוסס על רעיון ישיר של שיפור איטרטיבי של הביצועים. הוא אינו דורש כוונון רב של פרמטרים (מלבד","en_topic":"AdaBoost","wiki_pageid":2424914,"wiki_revid":43416539,"source_url":"https://he.wikipedia.org/?curid=2424914","license":"CC BY-SA 4.0"}
{"slug":"logistic-regression","lang":"he","title":"רגרסיה לוגיסטית","text":"רגרסיה לוגיסטית היא מודל סטטיסטי המתאר קשר בין משתנה שמי (כלומר, כזה שאינו נמדד באופן כמותי) בעל שתי רמות, המכונה \"המשתנה המוסבר\", ובין משתנים אחרים המכונים \"משתנים מסבירים\". המשתנים המסבירים יכולים להיות שמיים, מסוג סדר או רציפים.\nשימוש נפוץ במודל הוא כאשר המשתנים המסבירים הם בעלי ערך רציף כלשהו (למשל - טמפרטורה[דרושה הבהרה]). במקרים אלו הגרף שנוצר מתאר את ההסתברות להתרחשות של מאורע כלשהו, כתלות במשתנים הרציפים. המודל לבדו אינו מספיק כדי לקבוע קשר סיבתי בין המשתנים המסבירים והמשתנה המוסבר.\nמודל הרגרסיה הלוגיסטית הוא מקרה פרטי של המודל הליניארי המוכלל (GLM).\n== היסטוריה ==\nמקורותיה של ההתפלגות הלוגיסטית, המהווה את הבסיס למודל הרגרסיה הלוגיסטית הם במאה ה-19. מקורה במשוואה דיפרנציאלית שתיארה מודל לגידול באוכלוסייה, וגם מודלים של ריאקציות כימיות. הסטטיסטיקאי הבלגי אדולף קטלה הבחין כי הפתרון שנמצא למשוואה הנ\"ל מוביל לערכים בלתי אפשריים והציע משוואה מתוקנת שכללה פונקציית התפלגות. פונקציית ההתפלגות שהתגלתה בפתרון המשוואה המתוקנת נקראה בשם ההתפלגות הלוגיסטית.\nהרעיון הבסיסי של מודל הרגרסיה הלוגיסטית הוא כי בהינתן משתנה איכותי (הנמדד בסולם מדידה שמי) המקבל שני ערכים, הערך של משתנה זה נקבע על ידי משתנה נסתר שהתפלגותו היא התפלגות לוגיסטית. מקורו של רעיון זה הוא בניסיונות של קרל פירסון לפתח מקדם מתאם למשתנים איכותיים, כאשר הנחתו הייתה כי ערכם של המשתנים האיכותיים נקבע על ידי משתנה נסתר בעל התפלגות נורמלית. סיר דויד קוקס אימץ את הרעיון הזה ופיתח על פיו את מודל הרגרסיה הלוגיסטית שהציג ב-1958.\n== מוטיבציה ==\nיהי\n Y\n {\\displaystyle Y}\n משתנה איכותי המקבל ללא הגבלת הכלליות שני ערכים: 1 ו-0, ויהי\n X\n {\\displaystyle X}\n משתנה מסביר כלשהו.\nכדי לבנות מודל לקשר אפשרי בין\n Y\n {\\displaystyle Y}\n ובין\n X\n {\\displaystyle X}\n נניח מספר הנחות:\nקיים משתנה רציף\n Y\n ∗\n {\\displaystyle Y^{*}}\n, כך שערכו של\n Y\n {\\displaystyle Y}\n שווה ל-0 אם ערכו של\n Y\n ∗\n {\\displaystyle Y^{*}}\n קטן מסף כלשהו, וערכו של\n Y\n {\\displaystyle Y}\n שווה ל-1 אם ערכו של\n Y\n ∗\n {\\displaystyle Y^{*}}","en_topic":"Logistic regression","wiki_pageid":1647351,"wiki_revid":41487373,"source_url":"https://he.wikipedia.org/?curid=1647351","license":"CC BY-SA 4.0"}
{"slug":"principal-component-analysis","lang":"he","title":"ניתוח רכיבים עיקריים","text":"ניתוח רכיבים עיקריים או PCA (ראשי תיבות באנגלית של: Principal Components Analysis) היא שיטה להתמרה ליניארית של נתונים למערכת קואורדינטות חדשה שבה המידע בקואורדינטות השונות הוא אורתוגונלי ובעל שונות הולכת וקטנה. שימוש נפוץ בשיטה הוא לצורך מציאת ייצוג מממד נמוך למידע מממד גבוה (תהליך הנקרא הורדת ממד). שיטה זו הומצאה בשנת 1901 על ידי קרל פירסון והיא שימושית מאוד בסטטיסטיקה ובלמידת מכונה.\nבהינתן מדגם של וקטורים מממד d (שהממוצע שלהם הוא אפס), ניתוח רכיבים עיקריים ממיר אותם לקואורדינטות אחרות, שמהוות קומבינציה ליניארית של הקואורדינטות המקוריות, שגם בה הם מממד d, ולקואורדינטה הראשונה (הנקראת הרכיב העיקרי הראשון) יש את השונות (של איברים באותה הקואורדינטה בכל הווקטורים במדגם) הגדולה ביותר האפשרית, לקואורדינטה השנייה (הרכיב העיקרי השני) יש את השונות הגדולה ביותר האפשרית תחת האילוץ שהיא אורתוגונלית לקואורדינטה הראשונה, וכן הלאה. בצורה זו, השונות המשותפת המדגמית היא 0, ועל כן השמטת משתנה לא תפגע בשונות של המשתנים האחרים. התמרה זו ניתנת לייצוג ככפל של המטריצה המייצגת את ההתמרה במטריצה שעמודותיה הן וקטורי המדגם. כך, כל רכיב עיקרי הוא מכפלה פנימית עם שורה במטריצה המייצגת את ההתמרה, ושורות אלו נקראות הווקטורים הראשיים. הורדת הממד נעשית על ידי לקיחת מספר קטן של רכיבים עיקריים בלבד, שהשונות שלהם היא הגדולה ביותר.\nלדוגמה, נניח כי בידינו תוצאות של ניסוי הבוחן משקל, גובה וגיל. דגימות אלו נמצאות במרחב וקטורי תלת־ממדי שהרכיבים של כל נקודה בו הם משקל, גובה וגיל. אם נרצה לשמור את המידע רק באמצעות שני משתנים, ניאלץ לבחור איזה משתנה להשמיט. יכול להיות, שיש מתאם גבוה בין המשתנים, ואז אנו מאבדים מידע רב בצורה זו. באמצעות ניתוח רכיבים עיקריים ניתן להוריד את הממד של המידע לממד נמוך יותר אשר יכול לגלות קשרים בין המשתנים השונים. כך, במקום לאפיין אדם על ידי שלושת הפרמטרים – משקל, גובה וגיל, ייתכן כי ניתן לאפיין אותו על ידי שני פרמטרים בלבד, ומתוכם לשחזר את המשקל, הגובה והגיל שלו. לשם כך נחפש את ההטלה הליניארית האופטימלית אשר עליה השונות של המדגם היא רבה ככל הניתן, ואחר כך נפחית אותה מהמדגם ונחפש את ההטלה הבאה עם השונות הכי גדולה. אלו שני הווקטורים העיקריים הראשונים, שאם נטיל את המשקל, הגובה והגיל של","en_topic":"Principal component analysis","wiki_pageid":707373,"wiki_revid":42021987,"source_url":"https://he.wikipedia.org/?curid=707373","license":"CC BY-SA 4.0"}
{"slug":"singular-value-decomposition","lang":"he","title":"פירוק לערכים סינגולריים","text":"פירוק לערכים סינגולריים (Singular value decomposition - SVD) היא שיטת פירוק באלגברה ליניארית של מטריצה מרוכבת או ממשית. לשיטה זו שימושים רבים באלגברה ליניארית חישובית, בחשבון מטריצות, בעיבוד אותות ובסטטיסטיקה.\nפורמלית, פירוק לערכים סינגולריים של מטריצה ממשית או מרוכבת\n M\n {\\displaystyle \\mathbf {M} }\n בעלת ממדים\n m\n ×\n n\n {\\displaystyle m\\times n}\n הוא פירוק מהצורה:\n M\n =\n U\n Σ\n V\n ∗\n {\\displaystyle \\mathbf {M} =\\mathbf {U} {\\boldsymbol {\\Sigma }}\\mathbf {V} ^{*}}\nכאשר\n U\n {\\displaystyle U}\n היא מטריצה אוניטרית ממשית או מרוכבת מממד\n m\n ×\n m\n {\\displaystyle m\\times m}\n, ‏\n Σ\n {\\displaystyle {\\boldsymbol {\\Sigma }}}\n היא מטריצה אלכסונית מלבנית מממד\n m\n ×\n n\n {\\displaystyle \\mathbf {m\\times n} }\n עם ערכים ממשיים לא-שליליים על האלכסון, ו-\n V\n ∗\n =\n V\n ⊤\n ¯\n {\\displaystyle \\mathbf {V} ^{*}={\\overline {\\mathbf {V} ^{\\top }}}}\n (הצמודה ההרמיטית של\n V\n {\\displaystyle \\mathbf {V} }\n) היא מטריצה אוניטרית ממשית או מרוכבת מממד\n n\n ×\n n\n {\\displaystyle n\\times n}\n.\nערכי האלכסון של\n Σ\n {\\displaystyle {\\boldsymbol {\\Sigma }}}\n, ‏\n σ\n i\n =\n Σ\n i\n ,\n i\n {\\displaystyle \\sigma _{i}={\\boldsymbol {\\Sigma }}_{i,i}}\n, נקראים הערכים הסינגולריים של\n M\n {\\displaystyle \\mathbf {M} }\n והם מסודרים מהגדול לקטן. כמו כן, m העמודות של\n U\n {\\displaystyle \\mathbf {U} }\n ו-n העמודות של\n V\n {\\displaystyle \\mathbf {V} }\n נקראות הווקטורים הסינגולריים השמאליים והווקטורים הסינגולריים הימניים של\n M\n {\\displaystyle \\mathbf {M} }\n, בהתאמה.\nהפירוק מקיים את התכונות הבאות:\nהווקטורים הסינגולריים השמאליים של\n M\n {\\displaystyle \\mathbf {M} }\n הם וקטורים עצמיים של\n M\n M\n ","en_topic":"Singular value decomposition","wiki_pageid":1104487,"wiki_revid":43145251,"source_url":"https://he.wikipedia.org/?curid=1104487","license":"CC BY-SA 4.0"}
{"slug":"regression-analysis","lang":"he","title":"רגרסיה (סטטיסטיקה)","text":"בסטטיסטיקה, ניתוח רגרסיה הוא שם כולל למשפחה של מודלים סטטיסטיים להערכת הקשרים בין משתנים. המשותף לכל המודלים הוא קיומם של משתנה מוסבר (המכונה לעיתים בשם המשתנה התלוי) ומשתנה מסביר אחד או יותר (המכונים לעיתים בשם המשתנים הבלתי תלויים או המשתנים המנבאים). בעזרת מודל רגרסיה ניתן ללמוד כיצד ערכו של המשתנה המוסבר משתנה כאשר חל שינוי בערכו של אחד המשתנים המסבירים, וערכי שאר המשתנים המסבירים נשארים קבועים. עם זאת, אין בכך די כדי להסיק סיבתיות: השינוי בערכו של המשתנה המסביר לא בהכרח גורם לשינוי בערכו של המשתנה המוסבר.\nמבחינה הסתברותית, מודל הרגרסיה אומד בדרך כלל את התוחלת המותנית של המשתנה המוסבר בהינתן המשתנים המסבירים. עם זאת קיימים מודלים האומדים פרמטרי מיקום אחרים של המשתנה המוסבר, או פונקציה של התוחלת, מותנה במשתנים מסבירים.\nמודלים של רגרסיה משמשים לעיתים קרובות לצורך חיזוי ערכים של המשתנה המוסבר במצבים שונים הנקבעים על ידי ערכי המשתנים המסבירים. ישנם מודלים שמאפשרים סיווג של המשתנה המוסבר למספר קבוצות (למשל, בהינתן תוצאות של בדיקות רפואיות, תוצאת המודל היא קביעה האם האדם הוא בריא או חולה). כאן יש חפיפה רבה בין המודלים הסטטיסטיים ובין התחום של למידת מכונה. שימוש נפוץ נוסף למודלים של רגרסיה הוא לבחון את מהות הקשרים בין המשתנים המסבירים (או חלקם) ובין המשתנה המוסבר. במקרים מסוימים ניתן להשתמש במודלים של רגרסיה לצורך הסקה סיבתית מהמשתנים המסבירים אל המשתנה המוסבר, אך יש לבחון היטב את ההנחות עליהן מתבססת הסקת הסיבתיות.\nכמו מודלים סטטיסטיים אחרים, גם מודלים של רגרסיה מבוססים על התהליך שבו נוצרו הנתונים של המשתנה המוסבר. מאחר שבדרך כלל פרטי התהליך אינם ידועים, המודלים נשענים על הנחות, שלא כולן בהכרח ניתנות לבדיקה. הרגישות של המודל להפרת ההנחות שונה ממודל למודל, ואף תלויה בתכלית שלשמה המודל מיועד (למשל, כאשר רמת הדיוק הנדרשת מהתחזיות אינה גבוהה מאוד).\n== היסטוריה ==\nמודל הרגרסיה המוקדם ביותר היה מודל הריבועים הפחותים, שפורסם על ידי לז'נדר בשנת 1805 ועל ידי גאוס ב-1809. עם זאת, ידוע כי גאוס פיתח את המודל כבר ב-1801 או לפני כן, וזאת מתוך החישובים שערך לגבי מסלולו של האסטרואיד קרס. ב-1821 פרסם גאוס תאוריה מורחבת של מודל הריבועים הפחותים, שכללה את הגרסה המוקדמת למשפט גאוס-מרקוב.\n","en_topic":"Regression analysis","wiki_pageid":1654527,"wiki_revid":41971331,"source_url":"https://he.wikipedia.org/?curid=1654527","license":"CC BY-SA 4.0"}
{"slug":"bayes-theorem","lang":"he","title":"חוק בייס","text":"חוק בייס (או: נוסחת בייס; באנגלית: Bayes' theorem) הוא תוצאה בתורת ההסתברות המאפשרת לחשב הסתברות מותנית של מאורע כאשר יודעים את ההסתברויות המותנות ההפוכות. הוא נוסח על ידי המתמטיקאי האנגלי תומאס בייס, במאמרו \"מאמר על פתרון בעיה בתורת הסיכויים\" (Essay Towards Solving a Problem in the Doctrine of Chances), אשר פורסם ב־1764, לאחר מותו של בייס.\n== ניסוח פורמלי ==\n\"ההסתברות המותנית של מאורע A בהינתן מאורע B\" היא הסיכוי להתרחשותו של A, בהנחה ש־B אכן התרחש. קיום ההנחה מצמצם את מרחב המדגם. מרעיון זה נובעת הנוסחה להסתברות המותנית:\n P\n (\n A\n |\n B\n )\n =\n P\n (\n A\n ∩\n B\n )\n P\n (\n B\n )\n {\\displaystyle \\ P(A|B)={\\frac {P(A\\cap B)}{P(B)}}}\n.\nחוק בייס מאפשר לחשב את ההסתברות המותנית ההפוכה: ההסתברות המותנית של B בהינתן A:\n P\n (\n B\n |\n A\n )\n =\n P\n (\n A\n |\n B\n )\n ⋅\n P\n (\n B\n )\n P\n (\n A\n )\n {\\displaystyle P(B|A)={\\frac {P(A|B)\\cdot P(B)}{P(A)}}}\n.\nניסוח אחר למשפט: אם\n {\n B\n i\n }\n i\n ∈\n K\n {\\displaystyle \\left\\{B_{i}\\right\\}_{i\\in K}}\n חלוקה של מרחב המדגם, שבה לכל אחד מהחלקים הסתברות חיובית, אז לכל מאורע A בעל הסתברות חיובית ולכל k, מתקיים:\n P\n (\n B\n k\n |\n A\n )\n =\n P\n (\n A\n |\n B\n k\n )\n P\n (\n B\n k\n )\n ∑\n i\n P\n (\n A\n |\n B\n i\n ","en_topic":"Bayes' theorem","wiki_pageid":170371,"wiki_revid":42734692,"source_url":"https://he.wikipedia.org/?curid=170371","license":"CC BY-SA 4.0"}
{"slug":"data-mining","lang":"he","title":"כריית מידע","text":"כריית מידע או כריית נתונים (באנגלית: Data mining) היא שימוש בכלים סטטיסטיים כדי לגלות מתאמים, הצלבות ומגמות בתוך \"Big data\", כלומר בכמויות גדולות של מידע מבוזר ממקורות שונים, שאינו מאורגן כמסד נתונים או בצורה אחרת. התהליך נועד לחקור ולנתח כמות גדולה של מידע באמצעים אוטומטיים ככל שניתן כדי לגלות דפוסים תקפים חדשים, שימושיים (מקבלי ההחלטות יכולים להשתמש בדפוסים שהתגלו כדי לשפר תהליכים קיימים) ובעלי משמעות (מובנים למקבל ההחלטות). עם ההתפתחות המתמדת בעולם טכנולוגיית המידע, כשכמות המידע הדיגיטלי גדלה כל הזמן, עולה החשיבות של תחום כריית המידע, שבאמצעותו ניתן להפוך מידע לידע.\nהמושג כריית מידע נגזר מפעולת הכרייה הגאולוגית בה כורים באדמה כדי למצוא אוצרות טבע.\nהמונח \"כריית נתונים\" מתאר שלב אחד בתוך התהליך המכונה \"גילוי ידע במסדי נתונים\" - השלב בו מריצים אלגוריתמים במחשב. מלבד שלב כריית הנתונים כולל התהליך שלבים אחרים, חלקם קודמים לכריית הנתונים (כגון הכנת החיתוך) וחלקם עוקבים (כגון ניתוח התוצאות). הבעיות הנפוצות של כריית מידע הן בעיות סיווג, ניתוח אשכולות, רגרסיה ולמידת חוקי אסוציאציה.\n== רקע ==\nבמשך מאות שנים בני אדם זיהו \"ידנית\" תבניות ודפוסים במידע, אולם הצמיחה בנפח המידע בזמן המודרני הגבירה את הצורך בגישות אוטומטיות יותר. שיטות מוקדמות לזיהוי דפוסים במידע הן חוק בייס (המאה ה-18) וניתוח רגרסיה (המאה ה-19). התפתחות והזמינות של טכנולוגיית המחשב הגדילה את כמות המידע הנאסף והמאוחסן. עם הגדילה הן בגודל והן במורכבות של מאגרי המידע, נעשה שימוש הולך וגדל בעיבוד מידע אוטומטי. עיבוד זה נעזר בגילויים אחרים במדעי המחשב, כגון רשתות נוירונים, ניתוח אשכולות, אלגוריתמים גנטיים (שנות ה-50), עצי החלטה (שנות ה-60) ומכונות וקטורים תומכים (שנות ה-80). כריית מידע היא תהליך של שימוש בשיטות אלו על מידע כדי לזהות תבניות נסתרות במידע. בכריית מידע נעשה שימוש על ידי עסקים, מדענים וממשלות במשך שנים כדי לבחון נפחי מידע גדולים כגון מפקדי תושבים או מידע על קניות בסופרמרקט בשביל מחקרי שוק.\n== תהליך כריית מידע ==\n=== עיבוד מוקדם ===\nמאחר שכריית מידע נסמכת על גילוי תבניות הנמצאות בנתונים, מאגר הנתונים שעליו נעשה התהליך צריך להיות גדול דיו כך שיכיל את התבניות מחד גיסא, ומאידך גיסא תמציתי מספיק כדי שניתן יהיה","en_topic":"Data mining","wiki_pageid":88302,"wiki_revid":42104671,"source_url":"https://he.wikipedia.org/?curid=88302","license":"CC BY-SA 4.0"}
{"slug":"web-crawler","lang":"he","title":"זחלן רשת","text":"זחלן רשת (Web crawler), רובוט חיפוש, רובוט רשת או עכביש רשת הוא בוט או תוכנה לסריקת הרשת הכלל עולמית, באופן אוטומטי, שיטתי וסדרתי. אתרים רבים, בייחוד מנועי חיפוש, משתמשים בזחלנים כדי לקבל תמונה עדכנית של הרשת. הזחלן אוסף נתונים מאתרים על ידי גרידת רשת, בכדי לעדכן אותם מאוחר יותר במאגרי מידע כמו אינדקס של מנוע החיפוש ובכך מאפשר למנוע החיפוש מתן תוצאות מהירות. כמו כן, תוכנות זחלן יכולות לאתר קישורים שבורים בדפי אינטרנט או לאסוף כתובות דואר אלקטרוני (בדרך כלל לשם משלוח דואר זבל ופרסומים שונים). התהליך אותו עושה התוכנה נקרא \"הזדחלות אינטרנטית\". בדרך כלל הזחלן מתחיל לסרוק דף מתוך רשימה נתונה של דפים (למשל האינדקס של מנוע החיפוש) ומשם הוא מתקדם באופן רקורסיבי דרך הקישורים בדף, לדפים נוספים.\n== דרך פעולה ==\nהזחלן מתחיל את פעולתו ברשימת אתרים אותם עליו לבקר, אתרים אלו נקראים בשם \"זרעים\" (seeds), כאשר הזחלן מבקר באתרים אלו הוא מזהה את הקישורים שיש בדף אינטרנט מסוים ומצרף אותם לרשימת האתרים שבהם עליו לבקר. הכמות הרבה של האתרים בהם הזחלן מבקר מחייבת את התוכנה לדעת לסדר את האתרים בסדר עדיפויות, אך אין אפשרות לדעת בביטחון כי האתר בו הזחלן מבקר לא נסרק כבר קודם לכן. לכן, השגת מידע ראשוני בכל הפעלה של התוכנה היא דבר כמעט בלתי אפשרי.\nהתנהגותו של הזחלן היא תוצאה של צירוף מספר קווי מדיניות:\nמדיניות של בחירה אשר מגדירה איזה עמוד להוריד.\nמדיניות של ביקור חוזר אשר מגדירה מתי לבדוק שינויים בדפים.\nמדיניות נימוס אשר מגדירה איך להימנע מעומס יתר של אתרים ולגרום להפלה של שרתים.\nמדיניות של מקבילות אשר מגדירה איך לתאם בין פעולתם של הזחלנים השונים.\n== מדיניות בחירה (סלקציה) ==\nבהינתן הגודל של האינטרנט, גם מנועי חיפוש גדולים מכסים בחיפושם רק חלק קטן מהנתונים. מחקרים הראו כי המידע המתקבל על ידי אתרים אלו עומד על בין ארבעים לשבעים אחוז מכלל ההיצע האינטרנטי. מכיוון שהזחלן מוריד רק חלק קטן מדפי האינטרנט, התוצאה הרצויה היא שדפים אלו יכילו בתוכם את המידע הרלוונטי ביותר ולא רק דגימה מקרית.\nעל כן, נדרש מדד לחשיבות ולתעדוף דפי אינטרנט. החשיבות של דף היא פונקציה של האיכות הפנימית שלו, הפופולריות שלו במונחים של קישורים או ביקורים, ואפילו של כתובת האתר שלו. לעיצוב מדיניות בחירה טובה יש קושי נוסף: היא חייבת ל","en_topic":"Web crawler","wiki_pageid":411359,"wiki_revid":41759417,"source_url":"https://he.wikipedia.org/?curid=411359","license":"CC BY-SA 4.0"}
{"slug":"nearest-neighbor-search","lang":"he","title":"חיפוש שכן קרוב","text":"חיפוש שכן קרוב (Nearest neighbor search או בקיצור: NNS) הוא סוג של אלגוריתם חיפוש מקורב עבור בעיית האופטימיזציה של איתור הנקודה הקרובה ביותר (או הדומה ביותר) לנקודה נתונה במערך נתון מסוים. הקרבה (מידת השכנות; Closeness) מתבטאת בדרך כלל במונחים של פונקציית שונוּת: ככל שהאובייקטים דומים פחות, כך ערכי הפונקציה גדולים יותר. באופן פורמלי, בעיית החיפוש של השכן הקרוב ביותר (NN) מוגדרת באופן הבא: נתון S, אוסף של נקודות במרחב M ונקודת שאילתה q∈M, מצא את הנקודה ב-S הקרובה ביותר ל- q .\nהכללה ישירה של בעיה זו היא חיפוש k -NN כלומר, חיפוש k נקודות קרובות ביותר לנקודה נתונה.\nלרוב, מרחב הבעיה M הוא מרחב מטרי ושונות בו מתבטאת כערך מרחק, שהוא סימטרי ומקיים את אי-השוויון המשולש. מרחב נפוץ אפילו יותר הוא כאשר M הוא כמרחב וקטור d ממדי שבו ההפרש נמדדת באמצעות המרחק האוקלידי, מרחק מנהטן או מרחק סטטיסטי אחר. עם זאת, פונקציית השונות יכולה להיות שרירותית. כולל מקרים בהם אי שוויון המשולש אינו מתקיים.\n== יישומים ==\nבעיית חיפוש השכן הקרוב ביותר קיימת בתחומים יישומיים רבים ושונים, בתוך כך:\nזיהוי תבניות - במיוחד לטובת זיהוי תווים אופטי\nסיווג סטטיסטי - ראו אלגוריתם שכן קרוב\nראייה ממוחשבת\nגאומטריה חישובית\nמאגרי מידע - לדוגמה, אחזור תמונות מבוסס תוכן\nתורת הקידוד -\nדחיסת נתונים - ראו תקן MPEG-2\nחישה רובוטית\nמערכות המלצה, למשל, סינון שיתופי\nשיווק באינטרנט - במה שנוגע לפרסום לפי הקשר ומיקוד התנהגותי\nריצוף DNA\nבדיקת איות - הצעת איות נכון\nגילוי פלגיאט\nניתוח אשכולות - הקצאה של קבוצת תצפיות בתת-קבוצות (הנקראות אשכולות) כך שהתצפיות באותו אשכול דומות במובן מסוים, בדרך כלל על בסיס המרחק האוקלידי\nדמיון כימי\nתכנון תנועה מבוסס דגימה\n== שיטות ==\nהוצעו פתרונות שונים לפתרון בעיית ה-NNS. האיכות והתועלת של האלגוריתמים נקבעים על ידי סיבוכיות זמן הריצה של שאילתות וכן על ידי סיבוכיות המקום של מבני הנתונים שמשמשים את הפתרון. ניסוח לא פורמלי המכונה, בדרך כלל, קללת המימד, קובע כי אין פתרון מדויק עבור NNS במרחב אוקלידי ממימד גבוה באמצעות עיבוד מראש בזמן פולינומי וזמן חיפוש פולילוגריתמי.\n=== שיטות מדויקות ===\n==== חיפוש ליניארי ====\nהפתרון הפשוט ביותר לבעיית NNS הוא לחשב את המרחק מנקודת השאילתה לכל נקודה אחרת במסד הנתונים, ","en_topic":"Nearest neighbor search","wiki_pageid":1730527,"wiki_revid":43604853,"source_url":"https://he.wikipedia.org/?curid=1730527","license":"CC BY-SA 4.0"}
{"slug":"euclidean-distance","lang":"he","title":"מרחק אוקלידי","text":"במתמטיקה, המרחק האוקלידי בין שתי נקודות במרחב האוקלידי הוא אורך קטע הקו ביניהן. ניתן לחשב אותו מהקואורדינטות הקרטזיות של הנקודות באמצעות משפט פיתגורס, ולכן הוא נקרא לעיתים מרחק פיתגורס.\nשמות אלה מגיעים מהמתמטיקאים היוונים הקדמונים אוקלידס ופיתגורס. בגאומטריה הדדוקטיבית היוונית, כפי שמודגם בספר \"יסודות\" של אוקלידס, מרחקים לא יוצגו כמספרים אלא כקטעי קו באותו אורך, אשר נחשבו \"שווים\". מושג המרחק מקורו בכלי המחוגה המשמש לציור מעגל, שכל נקודותיו נמצאות במרחק שווה מנקודת מרכז משותפת. הקשר בין משפט פיתגורס לחישוב מרחק לא נוצר עד המאה ה-18.\nהמרחק בין שני עצמים שאינם נקודות מוגדר בדרך כלל כמרחק הקטן ביותר בין זוגות נקודות משני העצמים. ידועות נוסחאות לחישוב מרחקים בין סוגים שונים של עצמים, כגון המרחק מנקודה לקו. בטופולוגיה, מושג המרחק הוכלל למרחבים מטריים מופשטים, ונחקרו הגדרות שונות למרחק. באלגוריתמים מסוימים בסטטיסטיקה ובאופטימיזציה, משתמשים בריבוע המרחק האוקלידי במקום במרחק עצמו.\n== נוסחאות מרחק ==\n=== במימד אחד ===\nהמרחק בין שתי נקודות כלשהן על הישר הממשי הוא הערך המוחלט של ההפרש המספרי של הקואורדינטות שלהן, שנקרא ההפרש המוחלט שלהן. לכן אם\n p\n {\\displaystyle p}\n ו\n q\n {\\displaystyle q}\n הן שתי נקודות על הישר הממשי, אז המרחק ביניהן ניתן על ידי:\n d\n (\n p\n ,\n q\n )\n =\n |\n p\n −\n q\n |\n .\n {\\displaystyle d(p,q)=|p-q|.}\nנוסחה מורכבת יותר, הנותנת את אותו הערך, אך ניתנת להכללה ביתר קלות לממדים גבוהים יותר, היא:\n d\n (\n p\n ,\n q\n )\n =\n (\n p\n −\n q\n )\n 2\n .\n {\\displaystyle d(p,q)={\\sqrt {(p-q)^{2}}}.}\nבנוסחה זו, העלאה בריבוע ולאחר מכן חישוב השורש הריבועי משאירה כל מספר חיובי ללא שינוי, אך מחליפה כל מספר שלילי בערכו המוחלט.\n=== בשני ממדים ===\nבמישור האוקלידי, תהי הנקודה\n p\n {\\displaystyle p}\n בעלי קואורדינטות קרטזיות\n (\n p\n 1\n ,\n p\n 2\n )\n {\\displaystyle (p_{1},p_{2})}\n ות","en_topic":"Euclidean distance","wiki_pageid":2457178,"wiki_revid":41371268,"source_url":"https://he.wikipedia.org/?curid=2457178","license":"CC BY-SA 4.0"}
{"slug":"hamming-distance","lang":"he","title":"מרחק המינג","text":"בתורת האינפורמציה, מרחק הַמינג (באנגלית: Hamming distance) בין שתי מחרוזות בעלות אורך זהה, הוא מספר המקומות שבהם סימנים מקבילים בשתי המחרוזות שונים זה מזה. בניסוח אחר, מרחק המינג הוא מספר השינויים המזערי שיש לעשות במחרוזת אחת כדי לקבל את המחרוזת השנייה. כן ניתן לראות את מרחק המינג כאילו נוצר בעת שידור המחרוזת הראשונה, שנקלט כמחרוזת השנייה, כך שמרחק המינג מייצג את מספר השגיאות שנוצרו בתשדורת זו. מחרוזת, לעניין זה, יכולה להיות בכל שיטת קידוד, כגון מחרוזת סיביות, מחרוזת תווים וכדומה.\nדוגמאות:\nמרחק המינג בין המחרוזת 1011101 למחרוזת 1001001 הוא 2.\nמרחק המינג בין המחרוזת 2143896 למחרוזת 2233796 הוא 3.\nמרחק המינג בין המחרוזת \"toned\" למחרוזת \"roses\" הוא 3.\nמרחק המינג קרוי על שמו של ריצ'רד המינג, שהציג רעיון זה במאמרו הבסיסי \"error-detecting and error-correcting codes\" (\"קודי גילוי שגיאות ותיקון שגיאות\") משנת 1950, שבו הציע את קוד המינג.\n== מאפיינים ==\nלאורך קבוע n, מרחק המינג הוא מטריקה מעל קבוצת המילים בנות אורך זה: קל לראות שמתקיימות הדרישות לאי-שליליות, למרחק 0 בין שווים ולסימטריה, ובאמצעות אינדוקציה שלמה ניתן להוכיח שמתקיים אי שוויון המשולש.\nאת מרחק המינג בין שתי מחרוזות ניתן לראות גם כהפרש ביניהן, על-פי הגדרה נאותה של פעולת החיסור. לשתי מחרוזות בינאריות ההפרש הוא מספר הביטים הדלוקים בתוצאה של פעולת XOR ביניהן, או מספר הביטים הדלוקים לאחר חיסור רגיל במרחב הווקטורי\n Z\n 2\n n\n {\\displaystyle \\mathbb {Z} _{2}^{n}}\n כאשר מזהים את התו 0 עם המספר 0 (מודולו 2) ואת התו 1 עם הספרה 1 (מודולו 2).\n== משקל המינג ==\nמשקל המינג (באנגלית: Hamming weight) של מחרוזת הוא מרחק המינג שלה ממחרוזת בעלת אותו אורך שכולה אפסים. למעשה זהו מספר הסימנים שאינם אפס. במחרוזת סיביות זהו מספר הסיביות שערכן 1. לדוגמה, משקל המינג של המחרוזת 11101 הוא 4.\nמרחק המינג בין שתי מילים בינאריות A ו־B ניתן על ידי משקל המינג של תוצאת הפעלת XOR על שתי המילים:\n d\n H\n (\n A\n ,\n B\n )\n =\n w\n H\n (\n A\n ⊕\n B\n )\n {\\displaystyle d_{H}(A,B)=w_{H}(A\\oplus B)}\nכאשר\n d","en_topic":"Hamming distance","wiki_pageid":219727,"wiki_revid":41453361,"source_url":"https://he.wikipedia.org/?curid=219727","license":"CC BY-SA 4.0"}
{"slug":"natural-language-processing","lang":"he","title":"עיבוד שפה טבעית","text":"עיבוד שפה טבעית (באנגלית: Natural Language Processing - NLP) הוא תת-תחום של בינה מלאכותית ובלשנות. הוא עוסק בבעיות הקשורות לעיבוד ומניפולציה של שפה טבעית והבנה של שפה טבעית על מנת לגרום למחשבים \"להבין\" דברים שנאמרים או נכתבים בשפות אנושיות.\nעיבוד השפה הטבעית קשור לתחום הבלשנות החישובית, ולעיתים משתמשים במונחים אלה ללא הבחנה ביניהם. כאן, נתייחס לעיבוד שפה טבעית כתחום המעשי של פיתוח יישומי מחשב המטפלים בשפה אנושית. הערך \"בלשנות חישובית\" עוסק בפן התאורטי של שילוב רעיונות מתחום מדעי המחשב בחקר השפה האנושית.\n== עיבוד שפה טבעית ==\nבשנות ה-50 וה-60 מערכות מוקדמות כמו SHRDLU , שעבדו ב\"עולמות קוביות\" עם אוצר מילים מצומצם, ולאחר מכן ELIZA, עבדו היטב, והובילו את החוקרים לאופטימיות מוגזמת, שחלפה במהירות כאשר המערכות הוגדלו למצבים מציאותיים יותר עם המורכבות וחוסר הבהירות של העולם האמיתי.\nהבנת שפה טבעית תלויה בידע רחב על העולם, ידע שלעיתים קרובות נתפס כטריוויאלי, אבל יש להזין אותו למערכת כדי שתוכל לפענח את השפה. גם ההגדרה של המושג \"הבנה\" היא בעיה מרכזית בעיבוד שפה טבעית.\nדוגמאות לבעיות העומדות בפני מערכות הבנת שפה טבעית:\nלמשפטים \"נתנו לקופים את התפוזים משום שהם היו רעבים\", ו\"נתנו לקופים את התפוזים משום שהם היו רקובים\", יש לכאורה מבנה תחבירי זהה, אף כי למעשה באחד מהם המילה \"הם\" מתייחסת לקופים, ואילו באחר לתפוזים. אי אפשר להבין את המשפט כראוי ללא היכרות עם המאפיינים והתכונות המתייחסים לקופים ולתפוזים.\nבשפות רבות קשה למיין את מרכיבי המשפט ולסמן את היחסים ביניהם באמצעות ניתוח פשוט של המבנה התחבירי. למשל, יש שפות שקשה לדעת בהן לאיזה שם עצם מתייחס שם התואר, ויש שפות בהן אין סימון מורפולוגי לחלקי הדיבר.\nכדי לפתור את הבעיות האלו, הציעו כמה בלשנים וחוקרי אינטליגנציה טבעית לעשות שימוש בשפה מלאכותית, שתוכל לבטא את כל הדקויות והעומק של השפות הטבעיות שאנו מכירים, אך עם זאת שתהיה בעלת תחביר וחוקי כתיב עקביים מבחינה לוגית או מתמטית, כדי להסיר כל עמימות או רב-משמעות הנובעת ממבנה המשפט. דוגמה לשפה שכזו היא לוז'באן.\n== המשימות העיקריות של עיבוד שפה טבעית ==\nהפיכת טקסט לדיבור\nזיהוי דיבור\nיצירת שפה טבעית\nתיוג תפקידים סמנטי\nתרגום מכונה\nמענה על שאלות\nכריית מידע\nמציאת מידע\nבדיקת טקסטים\nגרירה טקסטואלית\n","en_topic":"Natural language processing","wiki_pageid":63819,"wiki_revid":42953143,"source_url":"https://he.wikipedia.org/?curid=63819","license":"CC BY-SA 4.0"}
{"slug":"machine-translation","lang":"he","title":"תרגום מכונה","text":"תרגום מכונה (באנגלית: Machine Translation – MT) הוא פעולת תרגום משפה אחת לשפה אחרת המבוצעת על ידי תוכנת מחשב. התוכנה קולטת נוסח (לרוב טקסט כתוב) בשפה אחת, הנקראת שפת המקור, ופולטת תרגום של נוסח זה בשפת היעד. תרגום מכונה נקרא גם \"תרגום ממוחשב\", \"תרגום אוטומטי\", או \"תרגום באמצעות מחשב\".\nתרגום מכונה הוא אחד מהנושאים הראשונים שהתעניינו בהם במדעי המחשב. אף שתרגום באמצעות מכונה הוא יעד חמקמק, כיום ישנן כמה מערכות המועילות לצרכים מסוימים. הענף במדעי המחשב העוסק בתרגום מכונה ובסוגיות דומות נקרא \"עיבוד שפה טבעית\" (Natural Language Processing – NLP).\nהמונח תרגום מכונה מתייחס לתרגום של טקסטים שלמים, ולא של מילים בודדות. תוכנה לתרגום של מילים בודדות נקראת לעיתים מילון ממוחשב, משום שהמבנה שלה דומה למילון דו-לשוני מודפס. תרגום מילים הוא מלאכה פשוטה יחסית, ותוכנות מסחריות כמו \"בבילון\" ואחרות מבצעות אותה בהצלחה רבה. התוכנות מציעות בדרך כלל מספר תרגומים אפשריים לכל מילה.\nתרגום טקסטים שלמים הוא משימה קשה לאין שיעור, משום שלא די בו במציאת התרגומים האפשריים של כל מילה, אלא נדרשת הבנה של המשמעות הנכונה בהקשר. על הקושי שבביצוע משימה זו ניתן ללמוד מהסיפור (הבדיוני, כנראה) הבא:\nתוכנת תרגום התבקשה לתרגם מאנגלית לרוסית את המשפט (שמקורו בברית החדשה) The spirit is willing but the flesh is weak (\"הרוח חפצה, אך הבשר רפה\"). כדי לבדוק את נכונות התרגום התבקשה התוכנה לתרגם את פרי עמלה חזרה מרוסית לאנגלית, והתוצאה שפלט המחשב הייתה The vodka is good but the meat is rotten (הוודקה טובה אבל הבשר רקוב).\nכיום, רוב מערכות תרגום המכונה מייצרות \"תרגום גרעיני\", כלומר תרגום שנותן את עיקרו של טקסט המקור, אך לבד מזה הוא אינו שמיש. על מנת להפוך את התרגום לטקסט שימושי בשפת היעד נדרשת התערבות אנושית – עריכה לפני התרגום ואחריו. אולם בתחומים שבהם אוצר המילים מוגבל ומבנה המשפטים פשוט, למשל בדיווחים מטאורולוגיים, תרגום מכונה יכול להניב תוצאות טובות.\n== תרגום בסיוע מכונה ==\nתחום קרוב לתרגום מכונה הוא תרגום בסיוע מכונה (Machine Aided Translation, MAT) או תרגום בסיוע מחשב (Computer Aided Translation, CAT). זהו כינוי לאוסף של גישות וכלים ממוחשבים, שנועדו לסייע למתרגמים אנושיים לבצע את עבודתם. כלים אלה מציעים, בדרך כלל, למת","en_topic":"Machine translation","wiki_pageid":32414,"wiki_revid":39598089,"source_url":"https://he.wikipedia.org/?curid=32414","license":"CC BY-SA 4.0"}
{"slug":"speech-recognition","lang":"he","title":"מערכת זיהוי דיבור","text":"מערכת זיהוי דיבור (באנגלית: Speech To Text (STT) או Automatic Speech Recognition (ASR)) היא מערכת ממוחשבת המסוגלת לפענח דיבור אנושי ולתרגמו לטקסט. הקלט למערכת מגיע ממיקרופון שאליו מדבר המשתמש, משיחת טלפון הנקלטת במערכת וכיוצא בזה. זהו תחום משולב של מדעי המחשב ובלשנות חישובית, הכולל בתוכו מספר מתודולוגיות, מודלים וטכנולוגיות שונות.\n== היסטוריה ואופן פעולה ==\nבחלק מהמערכות דרוש תהליך \"אימון\" לפני שהמערכת מסוגלת לפעול, בו אדם קורא טקסט או אוצר מילים קבוע, ולאחר מכן נעשית אנליזה על הקול הספציפי של האדם כדי לזהות אותו בצורה מדויקת יותר. מערכות שלא דורשות אימון הן בדרך כלל לא תלויות בזהות הדובר.\nנהוג להבחין בין זיהוי דיבור שמטרתו לזהות את תוכן הדיבור (לצורך ביצוע פקודה או רישום טקסט) לבין זיהוי קול שמטרתו לזהות דובר לא ידוע, לאמת זהות דובר ידוע או לאפיין את הדיבור שלו (למשל, בעבר ניסיון להעריך האם אדם מסוים דובר שקר או אמת לפי הקול שלו).\nמבחינת הטכנולוגיה, למערכות זיהוי דיבור יש היסטוריה ארוכה שכללה מספר גלים בהם נעשה שימוש במספר שיטות שונות. התחום התפתח במיוחד מהתקדמות בענפי הלמידה עמוקה וה-Big data. ההתפתחות באה לידי ביטוי לא רק במספר המאמרים המדעיים המתפרסמים בתחום, אלא גם באימוץ הנרחב יותר ברחבי העולם של שיטות למידה עמוקה שונות בתכנון ומימוש של מערכות זיהוי דובר.\nתוכנות מובילות בתחום ההכתבה מאז שנות השמונים היו: ViaVoice של חברת IBM‏, Dragon NaturallySpeaking של חברת \"דרגון דיקטייט\" ו-MacSpeech Dictate. בחלק מגרסאות Windows Vista ו-Windows 7 יש מערכת זיהוי דיבור מובנת.\nחברת NSC (תקשורת בדיבור טבעי - Natural Speech Communication) הישראלית הייתה חלוצה בתחום זיהוי הדיבור בעברית ושפות נוספות. החברה פיתחה מנועי זיהוי דיבור חכמים שנועדו להשתלב במערכות טלפוניה ומוקדי שירות.\n== שימושים ==\nשימושים נפוצים במערכות זיהוי דיבור:\nתפעול מחשב תוך הפחתת או ביטול הצורך לגעת בו בעזרת הידיים, כאשר למשתמש המחשב יש לקות תנועה בגפיים העליונות, או כאשר הוא במצב בו ידיו עסוקות (כגון נהיגה או מתן טיפול רפואי). תפעול זה כולל, בחלק מהמקרים, הכתבת מסמכים (Speech To Text).\nברוב מכשירי הטלפון הסלולרי יש מערכת זיהוי דיבור, שמאפשרת לחייג למספר טלפון לפי חתימת קול שיצר המשתמש.\nמרכזת טלפונים הפועלת באמ","en_topic":"Speech recognition","wiki_pageid":645498,"wiki_revid":43642058,"source_url":"https://he.wikipedia.org/?curid=645498","license":"CC BY-SA 4.0"}
{"slug":"computer-vision","lang":"he","title":"ראייה ממוחשבת","text":"ראייה ממוחשבת (באנגלית: Computer Vision) היא ענף מרכזי של מדעי המחשב, העוסק בעיבוד אוטומטי של תמונות ווידאו, במטרה לחלץ ולפרש מידע חזותי הטמון בהם. העוסקים בתחום מפתחים כלים מתמטיים וכלי תוכנה לעיבוד מידע חזותי. לדוגמה: חידוד של תמונה לא ממוקדת, חידוד של תמונה שצולמה תוך כדי תנועה מהירה, זיהוי עצמים וזיהוי פנים.\nהקלט החזותי יכול להיות צילומי סטילס, וידאו, צילומים ממצלמות מרובות, או נתונים תלת ממדיים מסורק רפואי.\n== הקדמה ==\nהעיניים האנושיות מתפקדות כמעין מצלמות וידאו צבעוניות ברזולוציה גבוהה ביותר והמידע הרב שנקלט מעובד מנותח במהירות שיא, תוך ניפוי הטפל מהעיקר ופיענוח המושתת על בינה אנושית. אופן פעולתו של מנגנון זה - המאפשר לתינוק בן שנתיים לזהות את אמו, והמאפשר לזהות אדם שלא ראינוהו שנים ארוכות, או את היכולת לקרוא כל כתב יד, כמו גם את היכולת לזהות איום מכל גורם אפשרי, עדיין איננו ברור לחלוטין.\nחוקרים של מדעי המוח והראייה הצליחו לפענח באופן חלקי את התהליך של ניתוח הראייה אצל חיות ובני אדם. כאשר תחילת העיבוד ודחיסת המידע מתרחש כבר בשכבות השונות של הרשתית (כמו חידוד הבבואה, הדגשת גבולות האובייקטים (edge) וגילוי תנועה) וחלק אחר במרכזים שונים בקליפה האחורית של המוח, שמספרם הכולל איננו ברור. הבבואה שכבר עברה עיבוד תמונה ודחיסה, יוצאת מהרשתית ברזולוציה של 1.2 מגהפיקסל באמצעות עצב הראייה, עוברת דרך גרעין הברך הצדי (Lateral geniculate nucleus) שבתלמוס, וממשיכה בעיקר אל האזור הראשוני בקליפת המוח הראייתית (V1), ומשם משוכפלת בכל אחד מאזורי ניתוח הראייה פעם נוספת, ועוברת בכל אחד מהם תהליך של ניתוח ייחודי, כך למשל נראה כי התאים באזור המכונה V1 רגישים לאוריינטציה של קווים אנכים ואופקיים וכן לתנועה בכיוון מסוים. באזור שכונה V2 התגלתה רגישות לקווים מדומים, באזור המכונה V4 התגלתה רגישות לצבעים, ואילו באזור MT התגלתה רגישות לתנועה.\nענף זה מנסה ליצור כלים לוגיים כדי לחקות את הניתוח ועיבוד הנתונים שהמוח האנושי מבצע בעקבות הראייה, אך אף שישנן הצלחות יפות בעניין, נראה כי בהרבה תחומים המחקר עדיין בחיתוליו, וכי ידרשו עוד שנות מחקר רבות עד שיהיה אפשר להבין את מורכבותה של מערכת הראייה האנושית וחיקויה בכלים ממוחשבים. יתרון המיכון בעניין זה הוא ברור: המידע שמצלמות יכולות לקבל, לעבד ולנתח הוא ל","en_topic":"Computer vision","wiki_pageid":7500,"wiki_revid":43624026,"source_url":"https://he.wikipedia.org/?curid=7500","license":"CC BY-SA 4.0"}
{"slug":"turing-test","lang":"he","title":"מבחן טיורינג","text":"מבחן טיורינג הוא כינוי למבחן שהציע אלן טיורינג בשנת 1950, במאמר שפרסם בכתב העת Mind, כמדד אפשרי למידה שבה יש למכונה כלשהי אינטליגנציה. במקור טיורינג כינה מבחן זה \"משחק החיקוי\" (באנגלית: imitation game). המבחן נעשה בדרך הבאה: חוקר מקיים דיאלוג בשפה טבעית עם שני גורמים סמויים מעיניו, האחד אדם והשני מכונה. אם החוקר אינו מסוגל לקבוע בביטחון מי האדם ומי המכונה, אז המכונה עברה בהצלחה את המבחן. כדי לפשט את המבחן, הוא נערך בערוץ תקשורת טקסטואלי בלבד.\nמטרת הניסוי הוא לבדוק האם מערכת של בינה מלאכותית הגיעה לרמה של מוח אנושי. טיורינג הציע מבחן זה כתחליף לשאלה הטעונה רגשית, \"האם מכונות מסוגלות לחשוב?\" (שאלה שאליה התייחס מאוחר יותר מדען המחשב אדסחר דייקסטרה, ואמר \"השאלה האם מחשב יודע לחשוב דומה לשאלה האם צוללת יודעת לשחות\", וגם טיורינג עצמו ציין שהיא \"כה חסרת משמעות שאין טעם לדון בה\").\nקשה לצפות מתי תהיה מכונה שתעבור את \"מבחן טיורינג\", אך בגרסה מוגבלת של מבחן זה, שבה השאלות מוגבלות לתחום צר מסוים, ניתן להצביע כבר היום על תחומים שבהם יכולתו של המחשב אינה נופלת מזו של האדם (אם כי ניתן לטעון שגם מצב זה אינו מהווה הצלחה במבחן טיורינג). דוגמה לתחום כזה היא משחק השחמט, שבו תוכנת השחמט כחול עמוק של IBM ניצחה את גארי קספרוב בשנת 1996, גדול השחמטאים אז. דוגמה עם תחום מעט יותר רחב היא הצלחתו של המחשב ווטסון (Watson) בשעשועון הטריוויה ג'פרדי! (!Jeopardy) (הגרסה המקורית האמריקאית ל\"מלך הטריוויה\" ששודרה בישראל).\nפרס לובנר ניתן מדי שנה למפתח של תוכנית שיחה, ובו זוכה התוכנית שנחשבת לאנושית ביותר (בהתאם למבחן טיורינג) באותה שנה. בשנת 2008 התוכנית הזוכה הצליחה לשטות ברבע מהשופטים. הפרס שנוי במחלוקת בקהילת חוקרי האינטליגנציה המלאכותית, ומרווין מינסקי- מאבות תחום הבינה המלאכותית - קרא לבטלו בטענה שאינו תורם להתפתחות התחום.\nאחת התוכנות שהשתתפה במספר תחרויות היא \"יוג'ין גוסטמן\" (Eugene Goostman) המדמה ילד בן 13 מאוקראינה (שאינו דובר אנגלית כשפת אם). בתחרות ב-2014 טען מארגן התחרות קווין ווריק כי היא ראויה לתואר התוכנה הראשונה שעברה את מבחן טיורינג, שכן שיטתה ב-33% מהשופטים (10 מתוך 30) ששוחחו עימה 5 דקות. טענה זו זכתה לביקורת רבה בקהילת החוקרים.\n== שימוש מעשי במבחן טיורינג ==\nאתרי אינטרנט המעוניינים","en_topic":"Turing test","wiki_pageid":794,"wiki_revid":41368914,"source_url":"https://he.wikipedia.org/?curid=794","license":"CC BY-SA 4.0"}
{"slug":"sentiment-analysis","lang":"he","title":"ניתוח סנטימנט","text":"ניתוח סנטימנט (באנגלית: Sentiment analysis) לעיתים נקרא גם כריית דעות או בינה מלאכותית רגשית, הוא השימוש בעיבוד שפה טבעית, כריית טקסט, בלשנות חישובית וביומטריה כדי לזהות, לחלץ, לכמת ולחקור מצבים רגשיים ומידע סובייקטיבי בשיטתיות. ניתוח סנטימנט מיושם באופן נרחב על ביקורות ותגובות לסקרים, רשתות מקוונת וחברתית, ועוד. התחום משתמש במודלי שפה עמוקה כדי לנתח גם תחומי נתונים מורכבים יותר, כגון טקסטים חדשותיים שנכתבים לרוב בשפה בה הדובר נמנע מהבעת דעה או רגש בצורה מפורשת.\nניתוח סנטימנט הוכח כטכניקה בעלת ערך רב עבור מערכות המלצה (מערכות מספקות המלצות למשתמשים על פריטים שעשויים לעניין אותם).\n== דוגמאות ==\nהדוגמאות הבאות ממחישות את מטרת ניתוח הסנטימנט ואת האתגרים הכרוכים בביצועו.\n=== מקרים פשוטים ===\nהחרמון הוא ההר היפה ביותר בישראל.\nסירות דיג משנות ה-80 בצבע פסטל הן מכוערות.\nאני לא אוהב אופנועים גדולים ומיושנים.\n=== מקרים מאתגרים יותר ===\nאני לא יכול שלא לאהוב את המוצר הזה (שלילה כפולה)\nשומר נפשו ירחק (ביטויים)\nכשארצה לשמוע את דעתך אני אפנה אלייך (סרקזם)\nאני אוהב את הנייד שלי אבל לא הייתי ממליץ עליו לקולגות שלי (סנטימנט חיובי מותנה)\n== סוגי משימות ==\n=== זיהוי קוטביות ===\nאחת המשימות המרכזיות בניתוח סנטימנט היא סיווג הקוטביות של טקסט נתון. כלומר, זיהוי האם הטקסט הוא חיובי, שלילי או נייטרלי. סיווג סנטימנט מתקדם יותר יזהה מצבים רגשיים נוספים, כמו הנאה, כעס, גועל, עצב, פחד והפתעה.\n=== זיהוי סובייקטיביות/אובייקטיביות ===\nמשימה נפוצה נוספת היא סיווג טקסט נתון, בדרך כלל משפט, לאחד מהשניים: אובייקטיבי או סובייקטיבי. משימה זו עלולה להיות מאתגרת, מאחר שהסובייקטיביות של מילים וביטויים היא לעיתים תלוית הקשר, ומסמך אובייקטיבי עשוי להכיל משפטים סובייקטיביים (למשל, מאמר חדשותי המצטט דעות של אנשים). בו פאנג, חוקרת מרכזית בענף ניתוח הסנטימנט, הראתה כי הסרת משפטים אובייקטיביים ממסמך בטרם סיווג הקוטביות שלו עזרה לשפר את הביצועים.\nהמונח 'אובייקטיבי' מתייחס לאירוע הנושא מידע עובדתי. למשל, המשפט 'כדי להיבחר לנשיא ארצות הברית, מועמד חייב להיות בן שלושים וחמש לפחות'. המונח 'סובייקטיבי' מתאר אירוע באמצעות דעות אישיות ושיפוטיות, למשל המשפט 'אנחנו האמריקאים צריכים לבחור נשיא שהוא בוגר ומסוגל לקבל החלטות","en_topic":"Sentiment analysis","wiki_pageid":2178775,"wiki_revid":39724954,"source_url":"https://he.wikipedia.org/?curid=2178775","license":"CC BY-SA 4.0"}
{"slug":"optical-character-recognition","lang":"he","title":"זיהוי תווים אופטי","text":"זיהוי תווים אופטי (באנגלית: Optical Character Recognition; בראשי תיבות: OCR) היא טכנולוגיה להמרת תמונה, טקסט מודפס וכתב יד שנסרקו על ידי סורק, למסמך תמליל ממוחשב.\nתוכנות לזיהוי תווים אופטי, מתמודדות על פי רוב בהצלחה עם המרה של תמונה בה מצולם או סרוק מסמך מודפס אך רק לעיתים נדירות גם בכתב יד. התהליך כרוך בזיהוי תו אחרי תו מבין התווים השונים המרכיבים את הטקסט. אולם, שיפור הברירה בין תווים שונים נעשה לרוב גם בעזרת שני כללים הקשורים להקשר התווים: הגבלת קטעי תמליל שונים לכאלה הכוללים רק תווים מקבוצה מסוימת (אותיות עבריות, אותיות לטיניות, אותיות ערביות וכיוצא בזה) והגדרת מילים ושפה לשם העדפת תווים היוצרים מילים בעלות כתיב מוכר (למשל, בקטע תמליל המוגדר ככתוב אנגלית יועדפו תווים היוצרים מילים עם כתיב אנגלי תקין אך בקטע תמליל המוגדר ככתוב בספרדית יועדפו תווים היוצרים מילים בעלות כתיב ספרדי תקין).\n== שיטות של זיהוי תווים אופטי ==\nאת הזיהוי ניתן לבצע בצורות שונות:\nהתאמה תבניתית – בשיטה זו שומרים על תבניות שונות של האותיות, ומנסים לבדוק איזו מהאותיות היא הדומה ביותר לתבנית.\nתיאור מבני – בשיטה זו מחלקים את האות לחלקים שונים ויוצרים תיאור של חלקיה השונים של האות והיחסים שביניהם.\nשימוש בלמידת מכונה או רשת עצבית מלאכותית – החל מ־2016 לערך, פתרונות ה־OCR המובילים בעולם נשענים על רשתות נוירונים מלאכותיות או למידה עמוקה. בגישה זו המכונה לומדת לזהות את התווים על ידי \"לימוד\" על בסיס התבוננות במיליוני תווים. יתרונה הגדול של השיטה הוא ביכולת להתאים אותה לכל שפה ולכל \"סגנון כתב\", כולל כתב יד. הביצועים של מערכות OCR הפועלות בגישה זו עולים על כל דרך פתרון מסורתית.\nכדי למזער את כמות התווים השגויים שנוצרים בתהליך, מפעילה התוכנה לפעמים בדיקה מול מילון. במקרה זה התוכנה מכילה רובד נוסף שמרכיב את התווים המזוהים למילים שלמות, מחפש כל מילה במילון, ובמקרה שאינו מוצא אותה, מנסה לשנות תווים מסוימים (אלה שבהם ודאות הזיהוי נמוכה) עד שהמילה המזוהה נמצאת באוצר המילים של המילון.\n== שימושים ==\nשימוש בטכנולוגיה של זיהוי תווים אופטי, והמרת קובץ גרפי טקסטואלי לקובץ המורכב מתווים, נעשים בדרך כלל לשם המטרות הבאות:\nעיבוד מחדש וסידור של התמליל, שילובו בתמליל מודפס עתידי, או הדפסתו מחדש בעיצוב אחר\nאחסון נתונים טקסטו","en_topic":"Optical character recognition","wiki_pageid":5044,"wiki_revid":39572123,"source_url":"https://he.wikipedia.org/?curid=5044","license":"CC BY-SA 4.0"}
{"slug":"robotics","lang":"he","title":"רובוטיקה","text":"רובוטיקה היא תחום עיסוק ומחקר מולטידיסיפלינארי המתמקד בתכנון, עיצוב ובנייה של רובוטים – מכונות היכולות לנוע ולהגיב בהתאם למידע מהסביבה הנרכש באמצעות חיישנים. התחומים העיקריים עליהם הרובוטיקה נשענת הם הנדסת חשמל ואלקטרוניקה, מדעי המחשב, הנדסת תוכנה, הנדסת מכונות והנדסת ייצור.\nרובוט במובן הסטנדרטי הוא סוכן בעל ביטוי פיזי במרחב, אשר בדרך כלל עשוי בעיקר מגוף מכני, המשובץ רכיבים אלקטרוניים (חיישנים ורכיבי מחשוב). התבוננות באופן התנועה של רובוטים עשויה ליצור תחושה של כוונה או רצון עצמאיים. במילים אחרות, על רובוט להפגין מידה מסוימת של תבונה. אין הגדרה מדויקת המוסכמת על קהילת המחקר למושג רובוט, עם זאת מוסכם על כולם שנוסף על יכולת תבונית על רובוט להיות מסוגל לאחת או יותר מהמשימות הבאות: יכולת תנועה עצמאית, יכולת חישה ופעולה בסביבתו. במחקר ברובוטיקה נכללים תחומי המכניקה, הבקרה, האינטראקציה עם בני אדם והחישה.\n== אטימולוגיה ==\nהמילה רובוטיקה – מלשון רובוטה (ROBOTA), מילה צ'כית לעבודה מאולצת – חודשה על ידי המחזאי קארל צ'אפק. המובן של הרובוטים כפי שאנו מכירים אותו כיום הוצג על ידי הסופר אייזק אסימוב בספרו משנת 1950 \"אני, רובוט\". בספר זה הציג הסופר גם את שלושת חוקי הרובוטיקה המוטלים על הרובוטים כדי שלא יסכנו את בני האדם.\nבימינו נהוג להתייחס גם אל המקבילה הדיגיטלית של רובוט – תוכנת מחשב בעלת תפקיד דומה לרובוט אשר פועלת במרחב הדיגיטלי בלבד – בשם בוט.\n== רובוטיקה רפואית ==\nבבסיס הרובוטיקה הרפואית נמצאת יכולת הדיוק והנגישות הגבוהה של הרובוט יחד עם הצורך בתכונות בפרוצדורות רפואיות מגוונות. הרובוטים נמצאים בשימוש ובשלבי פיתוח מתקדמים במספר תחומים ברפואה ובהם: ניתוחים בפולשנות מזערית, ניתוחי גב (לדוגמה החברה הישראלית מזור רובוטיקה), ניתוחי מוח (ביופסיות), ניתוחים אורולוגיים וניתוחי לב. תחום הרובוטיקה הרפואית כמו תחום הרובוטיקה בכלל הוא רב תחומי ומשלב בתוכו בקרה, הנדסת מכונות, הנדסת תוכנה, אלקטרוניקה, חיישנים ואינטליגנציה מלאכותית.\n== רובוטיקה בישראל ==\nמעבדות רובוטיקה קיימות ברוב האוניברסיטאות בישראל.\nבישראל שתי מעבדות העוסקות בפיתוח רובוטים רפואיים ומתוכה צמחו פרויקטים מסחריים ורובוטים המנתחים בפועל בבתי-חולים בעולם: המעבדה לרובוטיקה רפואית ע\"ש קאן הממוקמת בפקולטה להנדסת מכונות בטכניון ","en_topic":"Robotics","wiki_pageid":6727,"wiki_revid":40334252,"source_url":"https://he.wikipedia.org/?curid=6727","license":"CC BY-SA 4.0"}
{"slug":"postgresql","lang":"he","title":"PostgreSQL","text":"PostgreSQL (מבוטאת כ: פוסטגרס-קיו-אל) היא מערכת לניהול מסד נתונים יחסי שהיא תוכנה חופשית (ברישיון BSD).\nבדומה לתוכנות קוד פתוח אחרות כגון אפאצ'י ולינוקס, גם PostgreSQL אינה נשלטת על ידי אף חברה מסוימת אחת, אלא נתמכת על ידי הקהילה הגלובלית של מתכנתים וחברות שיפתחו אותה. לעומתה המתחרה הפופולרית יותר, MySQL, נשלטת על ידי חברה מסחרית, ואמנם הקוד משוחרר תחת רישיון פתוח אך הוא לא מקבל כמעט תרומות קוד מהקהילה.\nPostgreSQL מוטמעת כתת-מערכת נרחבת של ANSI SQL, ויכולה לרוץ על פלטפורמות רבות. כמו כן, היא מתממשקת עם שפות תכנות רבות ופרוטוקולים של מסדי נתונים, כגון ODBC או JDBC.\nהיתרונות המרכזיים של PostgreSQL:\nתמיכה במבני נתונים מתקדמים כדוגמת json או xml מה שמאפשר גמישות בקוד ושמירת נתונים חצי מבניים.\nתמיכה בעקרונות ACID Compliance, מה שמבטיח אמינות גבוהה גם בביצוע פעולות רבות בו זמנית\nיכולת טובה לשכפול נתונים מה שמאפשר שרידות גבוהה במקרה של תקלות והתקפות והתאוששות מהירה משגיאות.\n== קישורים חיצוניים ==\n אתר האינטרנט הרשמי של PostgreSQL (באנגלית)","en_topic":"PostgreSQL","wiki_pageid":1018436,"wiki_revid":39916641,"source_url":"https://he.wikipedia.org/?curid=1018436","license":"CC BY-SA 4.0"}
{"slug":"sqlite","lang":"he","title":"SQLite","text":"SQLite הוא מסד נתונים יחסי משובץ. כלומר: להבדיל מרוב מסדי הנתונים היחסיים, SQLite אינו תהליך עצמאי נפרד המקבל קריאות מתהליכים נפרדים או מרוחקים, אלא ספריה הנקראת או מופעלת מתוך תהליך קיים. הקוד מפורסם כקוד פתוח ללא כל הגנת זכויות יוצרים כרשות הציבור. מפתח מסד הנתונים מציע תוספים בתשלום, ואלה מוגנים בזכויות יוצרים ודורשים רישיון, בכללם רכיב הצפנה בשם SEE (SQLite Encryption Extension).\nהוא תומך ב-ACID, ומממש את רוב הסטנדרט של SQL. תחביר SQLite משתמש בטיפוסים חלשים (weak types) ואינו מבטיח את שלמות המידע (Data Integrity).\nהוא בחירה פופולרית כאשר מפתחים מסד נתונים מוטמע (Embedded) עבור צד לקוח כשירות ניהול מידע מקומי.\nיתרונותיו של מסד נתונים זה שקובץ ההרצה שלו מאוד קומפטי (קובץ בודד בנפח של כחצי מגהבייט), הוא אינו מצריך התקנה וקונפיגורציה, ותומך בנפחים גדולים של מידע (140 טראבייט למסד). ניתן להשתמש בו במגוון רחב של שפות כמו C, ג'אווה ושפות הדוט נט, ובמגוון מערכות הפעלה. בשפות כמו C ו-C++‎ ניתן אף להטמיע אותו בתוך קובץ ההרצה של התוכנה הראשית.\nעל פי מדד DB-Engines (דצמבר 2023) למסדי נתונים הוא מדורג במקום ה-11 בעולם בדירוג כללי.\n== קישורים חיצוניים ==\n אתר האינטרנט הרשמי של SQLite (באנגלית)\n== הערות שוליים ==","en_topic":"SQLite","wiki_pageid":1226976,"wiki_revid":37615808,"source_url":"https://he.wikipedia.org/?curid=1226976","license":"CC BY-SA 4.0"}
{"slug":"redis","lang":"he","title":"Redis","text":"Redis הוא מסד נתונים מסוג NoSQL הפועל בזיכרון (In-Memory) ומבוסס קוד פתוח, והוא בין מסדי הנתונים הפופולריים ביותר בקטגוריית מסדי הנתונים הפועלים בשיטת המפתחות מקבוצת NoSQL.\nRedis מאפשר פתרון בעיות מורכבות באמצעות אופטימיזציה של מבנה הנתונים והפקודות המבוצעות באופן מהיר ובפשטות. אף על פי שכל מסד הנתונים מאוחסן ב־RAM, הוא עדיין מאפשר גיבויים ויציבות.\n== היסטוריה ==\nפיתוח מסד הנתונים החל ב-2009 על ידי סלבאדור סנפיליפו כפרויקט קוד פתוח. המימון למסד הנתונים נעשה בין 2010 ל-2015 על ידי חברת Pivotal Software וחברת VMware. החל מיוני 2015 הוא ממומן על ידי חברת רדיס הישראלית. סנפיליפו עבד עבור רדיס עד שהודיע על עזיבתו ב-2020. ב-2018 מכר סנפיליפו את הזכויות לחברת רדיס. רדיס גייסה עד היום סכום בהיקף של 347 מיליון דולר, מעסיקה כ-800 עובדים ברחבי העולם, ושוויה האחרון גבוה מ-2 מיליארד דולר. לחברה יותר מ-8,000 לקוחות משלמים, והיא הודיעה כי היא מתכננת הנפקה ציבורית בקרוב.\nב-2024 החליטה החברה לעבור מרישיון BSD לרישיון פתוח מוגבל יותר שיצריך תשלום על שירות מנוהל. הרישיון הוא דואלי RSALv2 או SSPLv1, גם עבור מאגר הליבה שלה. כתוצאה מכך, קרן לינוקס יצרה פיצול תחת השם Valkey,\n המאפשר תורמים ומשתמשים מהקהילה להמשיך לעבוד על גרסה בקוד פתוח של בסיס הנתונים רדיס.\n== תכונות ==\nRedis מבוסס על שליפת הנתונים על בסיס \"מפתח-ערך\" (key-value) המאפשר שליפת נתונים באופן מהיר ביותר מתוך מאגרי נתוני עתק (Big data).\nאחת התכונות המרכזיות של Redis היא היותה מערכת שיכולה להיחשב כאחסון וכמטמון בו זמנית. היא תוכננה כך שהנתונים תמיד נקראים מהזיכרון המרכזי במחשב, אך גם מאוחסנים על דיסק בפורמט שאינו מתאים לגישה אקראית לנתונים. הנתונים המעוצבים שהותאמו לפורמט הרלוונטי נבנים מחדש לזיכרון רק לאחר הפעלה מחדש של המערכת.\n== שפות נתמכות ==\nמאז גרסה 2.6, Redis תומך בהרצת סקריפט בצד השרת בשפת Lua.\nבנוסף להרצת סקריפט בצד השרת קיימים עבור Redis קליינטים בעשרות שפות תוכנה שונות ביניהן: C‏, C++‏, C#‏, Clojure‏, Common Lisp‏, D‏, Dart‏, Go‏, Java‏, JavaScript‏ (Node.js), Lua‏, Objective-C‏, Perl‏, PHP‏, Python‏, R‏, Rust‏, Scala‏, Smalltalk‏, Tcl.\n== קישורים חיצוניים ==\n אתר האינטרנט הרשמי של Redis\n Redis, ברשת החברתית X (טווי","en_topic":"Redis","wiki_pageid":1233093,"wiki_revid":43390710,"source_url":"https://he.wikipedia.org/?curid=1233093","license":"CC BY-SA 4.0"}
{"slug":"mysql","lang":"he","title":"MySQL","text":"MySQL הוא מסד נתונים יחסי, רב נימי ורב משתמשים מבוסס שפת SQL‏ (Structured Query Language). נקרא ע\"ש My, בתו של מונטי וידניוס, אחד מהכותבים המקוריים. התוכנה פותחה במקור על ידי החברה השוודית MySQL AB. כיום היא בבעלות חברת אורקל. התוכנה היא חלק מ-LAMP, אוסף תוכנות תשתית פופולריות שעומדות בבסיסם של אתרים רבים, כגון ויקיפדיה. מערכות ניהול תוכן רבות (כגון וורדפרס ודרופל) משתמשות בה כמסד נתונים.\n== היסטוריה ==\nבשנת 1994 נזקקו מיקאל \"מונטי\" וידניוס ודייוויד אקסמרק, שהיו הבעלים של חברת תכנות קטנה בשוודיה, למסד נתונים שיתאים לאתרים באינטרנט. מכיוון שהם לא מצאו משהו מתאים, הם החליטו לכתוב משהו משל עצמם, שהתבסס על תוכנה ישנה של וידניוס משנת 1982. הם החליטו להפיצו ברישיון שימוש שיתיר שימוש למשתמשים פרטיים, אבל ידרוש מעסקים מסוימים תשלום על שימושים מסוימים (שעליהם נדרש רישיון שימוש קנייני בתשלום), וכמו כן לספק את קוד המקור. רק בשנת 1999 שונה הרישיון ל-GPL[דרוש מקור]. בגרסה 4.1 שונה הרישיון של ספריות צד הלקוח מ-LGPL ל-GPL[דרוש מקור].\nהתוכנה הייתה לעסק מצליח והחברה קיבלה הכנסות הן מרישוי והן מחוזי תמיכה. היא הייתה לדוגמה לעסק שמצליח למכור תוכנה חופשית[דרוש מקור]. אם כי היו רבים שלא אהבו את מודל הפיתוח הזה, מכיוון שהוא דורש בפועל ריכוז של כל הפיתוח על ידי החברה[דרוש מקור]. MySQL לא קיבל כמעט תרומות קוד מתורמים חיצוניים.\nMySQL יודע לעבוד עם מנועי אחסון שונים. הוותיק שביניהם הוא ISAM שפותח במקור על ידי וידניוס ושופר. החל מגרסה 4.0 נוספה תמיכה במנוע האחסון InnoDB של חברת אינובייס הפינית. מנוע זה יכול, בניגוד ל-ISAM, להבטיח אמינות של מסד נתונים (ACID). כמו MySQL, גם InnoDB זמין הן ברישיון GPL והן ברישיון קנייני.\nבשנת 2005 רכשה חברת אורקל (אשר אחד ממוצריה החשובים הוא מסד הנתונים אורקל) את חברת אינובייס. הרכישה העניקה לאורקל שליטה על תוכנה של מתחרה חשובה בשוק.\nבינואר 2008 נרכשה החברה על ידי סאן מיקרוסיסטמס תמורת מיליארד דולר. וידניוס ורבים מהמפתחים עזבו את החברה בחודשים שלאחר מכן. וידניוס הקים את חברת MontiProject AB והחל לפתח ענף עצמאי של MySQL בשם MariaDB. רבים מהמפתחים בחברה המקורית עברו לעבוד איתו.\nבשנת 2009 נרכשה חברת סאן מיקרוסיסטמס על ידי חברת אורקל. רכישה זו העלתה את השאלה האם אור","en_topic":"MySQL","wiki_pageid":15230,"wiki_revid":42929937,"source_url":"https://he.wikipedia.org/?curid=15230","license":"CC BY-SA 4.0"}
{"slug":"microsoft-sql-server","lang":"he","title":"Microsoft SQL Server","text":"Microsoft SQL Server (ההגייה המקובלת בישראל היא אֶס-קְיוּ-אֶל סֶרְוֶר ובארצות הברית סִיקְוֶול סֶרְוֶר) היא מערכת לניהול מסד נתונים במודל היחסי (RDBMS) של חברת מיקרוסופט.\nשפת הפיתוח שבאמצעותה מועברות הפקודות למערכת (על ידי כתיבת פקודות או שימוש בממשק גרפי ששולח פקודות באופן סמוי) היא Transact-SQL ‏(TSQL) שהיא מימוש תקן ANSI של שפת SQL משמשת לתשאול וטיפול בנתונים (DML), יצירת טבלאות והיחסים ביניהן (DDL) ותחזוקת המערכת תוך שימוש בתוכניות שירות שונות.\nהמתחרות העיקריות של SQL Server בשוק מסדי הנתונים הרלציוניים הן תוכנות כדוגמת Oracle, MySQL ועוד; SQL Server ניתנת רק להתקנה במערכות הפעלה ממשפחת Windows של מיקרוסופט.\nמאז מהדורה SQL Server 2017 היא ניתנת להתקנה גם ב־Linux ו-Containers של Docker.\nהמהדורה העדכנית ביותר של SQL Server היא SQL Server 2022.\n== מהדורות ==\nהקוד המקורי של SQL Server ששימש במהדורותיו הראשונות קודם לגרסה 7.0 – נקנה מ-Sybase, אך מאז הוא עודכן בגרסאות 7.0 ו-2000, ונכתב מחדש בגרסה 2005. בדרך כלל מדי שנתיים-שלוש יוצאת לאור מהדורה חדשה. בין מהדורה למהדורה יוצאות חבילות שירות (Service Packs) הכוללות תיקוני באגים ושיפורים שונים, וכן תיקונים דחופים (Hot Fixes) לבעיות אבטחה שהתגלו או באגים קריטיים.\n== גרסאות ושירותים ==\nלכל מהדורה של SQL Server יש מספר גרסאות בעלויות שונות (לכל גרסה וגרסה) ומשתנות (בהתאם לקונפיגורציה של השרת הפיזי). להלן הגרסאות העיקריות:\n=== Enterprise ===\nהגרסה המלאה הכוללת את כל האופציות (שחלקן מנוטרל בגרסאות אחרות).\n=== Developer ===\nגרסה בעלת אותן יכולות כמו Enterprise אך נועדה לפיתוח בלבד בעמדת הפיתוח ולא להתקנה על שרת הייצור.\nמובן שבפיתוח בעזרת Developer לגרסת Standard (להלן) יש לשים לב לא להשתמש ביכולות שאינן נתמכות בה.\n=== Standard ===\nגרסה מוגבלת מבחינת הקונפיגורציה של השרת והיכולות שלה שנועדה לשרתים חלשים יחסית.\nלמשל- ממהדורת 2012 Enterprise ניתן ליהנות מתמיכה בלתי מוגבלת בליבות ולבצע \"הוספה חמה\" (מבלי לעצור את ה-Service ולכבות את השרת) של מעבדים וזיכרון פנימי, בעוד שה-Standard מוגבל ל-16 ליבות ולא ניתן לבצע בו \"הוספה חמה\".\n=== Express ===\nגרסה חינמית המאפשרת ליצור מסד נתונים בעל יכולות בסיסיות ליישומים הזקוקים לכלי פשוט לאחסון כמו","en_topic":"Microsoft SQL Server","wiki_pageid":507484,"wiki_revid":42372465,"source_url":"https://he.wikipedia.org/?curid=507484","license":"CC BY-SA 4.0"}
{"slug":"mongodb","lang":"he","title":"MongoDB","text":"MongoDB (מתוך המילה האנגלית Humongous, שמשמעה עצום, כדי לרמז על עבודה עם נתוני עתק (big data), בעברית מונגודיבי) הוא מסד הנתונים המוביל בעולם בקטגוריית NoSQL, ובין חמשת המובילים בכל הקטגוריות.\nמסד הנתונים נשען על מבנה של מסמך (Document-Oriented Database) בניגוד למסדי נתונים טבלאיים (כמו SQL Server, Oracle ו MySQL) העובדים מעל טבלאות מקושרות. מבנה המסמכים עובד מעל מימוש של JSON הנקרא על ידי MongoDB ‏BSON (עקב שמירה המידע בינארית - Binary JSON).\nMongoDB הוא תוכנה חופשית וזמין תחת הרישיונות: AGPL 3.0 ורישיון אפאצ'י (לדרייברים).\nMongoDB הוא מוצר חוצה-פלטפורמות. מסד הנתונים כתוב בשפות C, Javascript ו-++C.\nעל פי מדד DB-Engines מסוף 2018 היה MongoDB מסד הנתונים החמישי בעולם (עבור כל סוגי מסדי הנתונים, כולל מסדי נתונים טבלאיים) ובמקום הראשון מבין מערכות ניהול מסד נתונים NoSQL.\n== היסטוריה ==\nפיתוח המוצר החל בחברת 10gen של אליוט הורוביץ והגרסה הראשונה שוחררה בשנת 2009.\nאף על פי שהגרסה הראשונה יצאה רק ב-2009, מסד הנתונים צבר פופולריות בקהילת המפתחים במהירות, והוא נחשב למוביל בתחום ה-NoSQL.\nבאוקטובר 2013 גייסה החברה השקעה מחברת \"Salesforce\" בגובה 150 מיליון דולר. השקעה זו העמידה את החברה הצעירה על שווי שוק של 1.2 מיליארד דולר אמריקני.\nבדצמבר 2014 רכשה MongoDB את Wired Tiger, חברה שסיפקה שירות מסד נתונים מבוסס קוד פתוח עם ביצועים מהירים במיוחד. לאחר הרכישה פורסם כי משתמש יוכל לבחור בקוד את סוג מסד הנתונים אשר יעבוד איתו ומנוע Wired Tiger יתמוך בממשק הרגיל של MongoDB.\nבינואר 2015 פתחה בסבב גיוס נוסף של כ-100 מיליון דולר. שווי החברה המוערך קפץ לכ-1.6 מיליארד דולר.\nבאוקטובר 2017 הונפקה החברה בנאסד\"ק ולאחר יממה הגיעה לשווי שוק של כ-1.6 מיליארד, בדומה להערכת השווי של סיבוב הגיוס מ-2015.\nביולי 2021 שוחחרה גרסה 5, החידושים בגרסה כוללים ממשק תכנות יישומים חסין שדרוגים, שדרוג הצפנת הנתונים ושדרוג ה \"Shard Key\" בלי צורך בכיבוי מסד הנתונים.\n== מאפיינים עיקריים ==\n=== שאילתות אָד הוֹק ===\nMongoDB תומך בחיפושי שדה, שאילתת טווח וביטוי רגולרי. שאילתות יכולות להחזיר שדות ספציפיים של מסמכים ולכלול גם פונקציות JavaScript המוגדרות על ידי המשתמש. ניתן גם להגדיר שאילתות להחזיר מדגם אקראי של תוצאות ","en_topic":"MongoDB","wiki_pageid":1225687,"wiki_revid":40440328,"source_url":"https://he.wikipedia.org/?curid=1225687","license":"CC BY-SA 4.0"}
{"slug":"apache-cassandra","lang":"he","title":"אפאצ'י קסנדרה","text":"קסנדרה (באנגלית: Cassandra) הוא מסד נתונים מבוזר מסוג NoSQL בקוד פתוח שנכתב במקור בחברת פייסבוק, יצא לאור כתוכנה חופשית בשנת 2010 ומפותח מאז במסגרת מוסד התוכנה אפאצ'י. השימוש העיקרי של מסד הנתונים הוא בעולם ה-Big Data, המיועד לטיפול בכמות גדולה מאוד של נתונים בנפח שמעל מאות טרה-בית, בקצבי הגעה מהירים מאוד וממקורות רבים ושונים.\nבדצמבר 2018, על פי דירוג DB-Engines היה מדורג במקום ה-11 בעולם, והשני מבין מסדי הנתונים מסוג NoSQL (אחרי MongoDB).\nהוא נקרא על שם קסנדרה, נביאה במיתולוגיה היוונית, ככל הנראה בהקשר לשם \"אורקל\", מסד נתונים מצליח הקרוי על שם האורקל מדלפי[דרוש מקור].\n== פיתוח ==\nמערכת קסנדרה היא מערכת NoSQL. היא מספקת ממשק פשוט יותר של חיפוש ערך לפי מפתח.\nקסנדרה כתובה בשפת ג'אווה. כמו כל שאר הפרויקטים של אפאצ'י, היא מפותחת בעזרת מערכת ניהול הגרסאות Subversion.\n== קישורים חיצוניים ==\n אתר האינטרנט הרשמי של אפאצ'י קסנדרה (באנגלית)\n אפאצ'י קסנדרה, ברשת החברתית X (טוויטר)\n אפאצ'י קסנדרה, הבלוג הרשמי\n== הערות שוליים ==","en_topic":"Apache Cassandra","wiki_pageid":956942,"wiki_revid":40440293,"source_url":"https://he.wikipedia.org/?curid=956942","license":"CC BY-SA 4.0"}
{"slug":"elasticsearch","lang":"he","title":"אלסטיקסרץ'","text":"אלסטיקסרץ' (באנגלית: Elasticsearch) הוא מנוע חיפוש המבוסס על Lucene, המספק יכולת multitenant מבוזרת לחיפוש מעל טקסט מלא. לאלסטיקסרץ' ממשק HTTP ומסמכי JSON נטולי סכמה. אלסטיקסרץ' פותח בג'אווה והוא משוחרר כקוד פתוח תחת רישיון אפאצ'י.\nיישומי אלסטיקסרץ' צד לקוח זמינים ב-Java, C#, PHP, Python, Groovy ושפות רבות אחרות. הוא מנוע החיפוש המקצועי (enterprise) הפופולרי ביותר כאשר אחריו סולר (Apache Solr), המבוסס גם הוא על Lucene.\nאלסטיקסרץ' מפותח במקביל למנוע איסוף נתונים ופירסור לוגים בשם Logstash, ופלטפורמה לוויזואליזציה ואנליזה בשם Kibana. שלושת המוצרים מיועדים לשימוש בתור פתרון משולב, המכונה \"מחסנית אלסטית\" (Elastic Stack ולשעבר ELK Stack). בשנת 2015 החברה Logz.io הוציאה אפליקציה לניהול ארכיון המבוססת על טכנולוגיה זו.\nניתן להשתמש באלסטיקסרץ׳ לחיפוש בכל סוגי המסמכים. המנוע מאפשר חיפוש סקלבילי (יכולת לגדול בקצב מהיר ולשמר ביצועים גם בעת שימוש ע״י מס׳ משתמשים רחב) ותומך במולטי-טננטיות (אינסטנס אחד יכול לשמש קבוצות משתמשים שונות).\n== אופן הפעולה ==\nהמנוע משתמש בשיטת חיפוש המבוססת על אינדקס. כלומר, במקרה של המנוע היחידה הקטנה ביותר איתה המנוע עובד היא מסמך, ולכן יש להוסיף אינדקס לכל מסמך. לדוגמה, במקרה בו רוצים לערוך חיפוש אלסטיקסרץ׳ על מידע הנוגע לספרים, יש לקחת את המידע הנתון על כל ספר ולהכניס למסמך, ולאנדקס את אותו מסמך. האינדקס תואם במובן מסוים טבלת SQL, באופן בו מסמך מהווה שורה בטבלה. עם זאת, מספרי הסוגים ומספרי השדות אינם מוכרחים להיות מוגדרים באופן נוקשה (strict), אם כי ניתן להגדירם במפורש על ידי Type Assignment (מיפוי).\nכדי לאנדקס מסמך, יש להכניס אותו לאלסטיקסרץ׳ בפורמט JSON (הכולל סט של זוגות מפתח-ערך). דוגמה למסמך המתאר ספר:בדומה לכך, שאילתות הנשלחות לאלסטיקסרץ׳ גם הן בפורמט JSON. כך למשל, הדוגמה לעיל היא תוצאה אפשרית לשאילתת האלסטיקסרץ׳ הבאה:החלק החשוב ביותר בשאילתת החיפוש הוא פרמטר השאילתא (query), שכן התוכן שלו קובע אילו מסמכים יימצאו באיזה סדר. יתר הפרמטרים הם גודל (size) הקובע את מספר ההתאמות המרבי, מהיכן (from) המשמש לחלוקת רשימות התאמות ארוכות על פני מספר עמודים, _מקור (_source) המאפשר לא לקבל מסמכים שלמים כתוצאות, אלא רק שדות מסוימים של מסמכים אלה, ומיון (sort","en_topic":"Elasticsearch","wiki_pageid":1519691,"wiki_revid":40398898,"source_url":"https://he.wikipedia.org/?curid=1519691","license":"CC BY-SA 4.0"}
{"slug":"apache-kafka","lang":"he","title":"אפאצ'י קפקא","text":"אפאצ'י קפקא היא פלטפורמת תוכנה לעיבוד זרם נתונים (stream processing) קוד פתוח המפותחת במסגרת קרן התוכנה אפאצ'י ונכתבת בשפות Scala ו-Java. הפרויקט נועד לספק פלטפורמה מאוחדת, עם תפוקה גבוהה וזמני השהיה קצרים לטיפול בזרם נתונים בזמן אמת. שכבת האחסון היא בעצם \"תור הודעות גדול ממדים בתבנית עיצוב יצרן-צרכן (Pub/Sub) עם ארכיטקטורה מבוזרת ניתנת להגדלה (scalable), הפועל כלוג (יומן מקוון) של טרנזאקציות\" ובכך מהווה תשתית יעילה עבור ארגונים גדולים לעיבוד נתונים. בנוסף, קפקא מתחבר למערכות חיצונית עבור ייבוא/ייצוא של נתונים באמצעות Kafka Connect ומגדיר לשימוש זרמי נתונים (\"Kafka Streams\") כספריית עיבוד נתונים בשפת Java.\nעיצוב הפלטפורמה מושפע מאוד ממימושי Transaction log הקיימים במערכות DBMS.\n== שימושים בתעשייה ==\nלהלן רשימה של ארגונים בולטים המשתמשים בקפקא:\n== קישורים חיצוניים ==\n אתר האינטרנט הרשמי של אפאצ'י קפקא (באנגלית)\n אפאצ'י קפקא, ברשת החברתית X (טוויטר)\n== הערות שוליים ==","en_topic":"Apache Kafka","wiki_pageid":1546785,"wiki_revid":42860726,"source_url":"https://he.wikipedia.org/?curid=1546785","license":"CC BY-SA 4.0"}
{"slug":"kubernetes","lang":"he","title":"Kubernetes","text":"Kubernetes (לעיתים נכתב בקיצור k8s, נהגה \"קוּבֶּרנֶטִיס\") היא מערכת קוד פתוח לניהול ופריסה אוטומטית של יישומים על גבי קונטיינרים. המערכת תוכננה במקור על ידי גוגל וכיום מתוחזקת על ידי Cloud Native Computing Foundation.‏ Kubernetes תומכת במגוון כלים של קונטיינרים, בהם containerd או rkt.\nKubernetes מתבססת על ארכיטקטורת Cluster בה שרת אחד לפחות מהווה שרת ראשי, שאחראי על ניהול הפריסה על השרתים האחרים. בנוסף, יהיה לפחות שרת אחד עליו ירוצו הקונטיינרים עצמם.\nKubernetes (מיוונית: κυβερνήτης, מושל) נוצרה על ידי ג'ו בדה, ברנדן ברנס וקרייג מקלוקי שאליהם הצטרפו בהמשך מהנדסים נוספים מגוגל, בהם בריאן גרנט וטים הוקינג. היא הוצגה באופן רשמי על ידי גוגל באמצע שנת 2014. התכנון והפיתוח שלה הושפעו מאוד ממוצר פנימי של גוגל בשם Borg. גרסה 1.0 של Kubernetes יצאה לאור ב-21 ביולי 2015.\nKubernetes מגדירה אבני בניין (\"פרימיטיביים\") שמספקים יחד מנגנונים לפריסה, תחזוקה והתאמה לגודל (סילוּמיוּת) עבור יישומים. המרכיבים של Kubernetes תוכננו בצורה של צימוד רופף ויכולות הרחבה כדי לתמוך בעומסים וצרכים משתנים. יכולת ההרחבה ניתנת בעיקר באמצעות Kubernetes API שמשמש הן את מרכיבי המערכת והן את ההרחבות שלה.\nיחידת ההרצה הבסיסית היא Pod, שמשמשת כשכבת הפשטה של קונטיינר או קבוצת קונטיינרים, שנמצאים על אותו השרת ויכולים לחלוק משאבים. כל פוד מקבל כתובת IP ייחודית, והודות לכך יכולים יישומים שונים להשתמש בצורה חופשית בפורטים בלי חשש להתנגשויות ביניהם.\n== קישורים חיצוניים ==\n אתר האינטרנט הרשמי של Kubernetes (באנגלית)\n Kubernetes, ברשת החברתית X (טוויטר)\n Kubernetes, הבלוג הרשמי\n== הערות שוליים ==","en_topic":"Kubernetes","wiki_pageid":1594204,"wiki_revid":41464344,"source_url":"https://he.wikipedia.org/?curid=1594204","license":"CC BY-SA 4.0"}
{"slug":"docker","lang":"he","title":"Docker","text":"דוקר (באנגלית: Docker) היא תוכנה בקוד פתוח המאפשרת התקנה והרצה של יישומים בתוך סביבה וירטואלית מבודדת הנקראת קונטיינר (מכולה). כל קונטיינר כולל תוכנות, ספריות וקובצי קונפיגורציה משלו. באופן זה, ניתן להריץ יישומים בצורה מבודדת וכך למנוע מהם ״להפריע״ לריצה של יישומים אחרים, וליהנות מסביבה מותאמת ואופטימלית לכל יישום.\nאופן השימוש בקונטיינרים דומה במובן מסוים למכונה וירטואלית (VM), אך מאחר שכלל הקונטיינרים חולקים ליבה אחת, שימוש בהם גוזל מעט משאבים ביחס למכונות וירטואליות. הקונטיינרים הם יחסית קלי משקל, כאשר מספר קונטיינרים יכולים לרוץ על מחשב אחד בו-זמנית, ואף לתקשר אחד עם השני.\nהתוכנה מהווה פלטפורמה כשירות (PaaS), והיא משתמשת בווירטואליזציה ברמת מערכת ההפעלה, זאת בניגוד למכונה וירטואלית. המערכת תומכת בריצה על גבי Windows, macOS ולינוקס.\nהמערכת פותחה על ידי חברת Docker, Inc. במקור נועדה לתמוך בלינוקס, ולכן היא משתמשת בתכונות מסוימות של ליבת לינוקס כמו cgroups, ו-Kernel Namespaces. בנוסף לכך, היא משתמשת במערכת טעינת קבצים (Union Capable) כגון OverlayFS ואחרים. באמצעות תכונות הליבה הללו, ניתן לנטר את פעילות הקונטיינרים בצורה יעילה.\nמאז גרסה 0.9, המערכת כוללת את הספרייה libcontainer המאפשרת להשתמש ישירות ביכולות הליבה של לינוקס, זאת בנוסף לשימוש בממשקים מופשטים באמצעות libvirt,‏ LXC ו-systemd-nspawn.\nארגונים מרכזיים שתרמו בשנת 2016 לפרויקט Docker הם מיקרוסופט, IBM, גוגל, סיסקו, וואווי, ו-Red Hat.\n== היסטוריה ==\nהחברה Docker Inc נוסדה על ידי כאמל פונאדי, סולומון הייקס וסבסטיאן פאהל בשנת 2010, לאחר שהייקס החל לתכנן את הפרויקט בצרפת כפרויקט פנימי בחברת dotCloud. המערכת הוצגה לציבור לראשונה בכנס מפתחי פייתון – PyCon בשנת 2013. היא שוחררה כתוכנת קוד פתוח במרץ 2013. בתקופה זו, השתמשה דוקר ב-LXC בתור סביבת הביצוע שלה כברירת מחדל. כשנה לאחר מכן, עם שחרור גרסה 0.9 של דוקר, הוחלפה LXC ב-libcontainer.\nב-19 בספטמבר 2013, Red Hat ודוקר הודיעו על שיתוף פעולה סביב פדורה, Red Hat Enterprise Linux,‏ OpenShift.\nבסוף שנת 2014, דוקר הודיעה על שותפות עם Stratoscale, ומעט לאחר מכן אף IBM הודיעה על שותפות אסטרטגית עם דוקר ועל כך שניתן להשתמש בתוכנה עם שירותי הענן של IBM. בינואר 2017 בעת ניתוח ש","en_topic":"Docker (software)","wiki_pageid":1578149,"wiki_revid":40783439,"source_url":"https://he.wikipedia.org/?curid=1578149","license":"CC BY-SA 4.0"}
{"slug":"nosql","lang":"he","title":"NoSQL","text":"NoSQL היא קטגוריה חדשה יחסית של מסדי נתונים, אשר נותנים פתרון אחסון וגישה למידע שאינו ממודל במבנה טבלאי יחסי (במילים פשוטות: מסד נתונים שאינו בנוי בהכרח כטבלה).\nהיתרונות שבשימוש מסד נתונים כזה הם, בין היתר, פשטות של אפיון, סילומיות רוחבית (באנגלית: Horizontal Scalability או Scale Out) ובקרה מוגברת על זמינות. דוגמה למימוש NoSQL עם דרישה עיקרית לסילומיות וביצועים גבוהים היא מערכת האחסון BigTable מבית גוגל (כשכבה מעל מערכת הקבצים שפיתחה בעצמה בשם \"Google File System\").\nמבנה המידע שונה ממערכות מסדי נתונים יחסיים, ולכן ישנן פעולות שמהירות יותר ב-NoSQL וישנן פעולות שמהירות יותר במסד נתונים יחסי. מסדי נתונים מסוג NoSQL הופכים נפוצים יותר במערכות Big Data וכן במערכות זמן אמת.\nמערכות אלו נקראות לעיתים \"Not Only SQL\", כדי להדגיש שלחלקן תמיכה בשפת השאילתות SQL.\n== היסטוריה ==\nקרלו סטרוצי השתמש במונח \"NoSQL\" ב-1998 כדי לכנות מסד נתונים יחסי פשוט ומהיר שפיתח בקוד פתוח, אשר לא חשף את ה-API הסטנדרטי, קרי SQL. סטרוצי הציע שמכיוון שהקטגוריה סוטה מהנורמה המקובלת של מסדי נתונים יחסיים, עליה להיקרא \"NoRel\" (קיצור של \"No Relation\" – \"לא יחסי\").\nאת השם \"NoSQL\" הציע בתחילת 2009 יוהאן אוסקרסון, עובד Last.fm, אשר ארגן אירוע קוד פתוח למסדי נתונים מבוזרים. מטרת השם הייתה לאגד ולאפשר חשיפה לכמות מתפתחת של מסדי נתונים לא יחסיים.\nבדצמבר 2014, 5 שנים בלבד לאחר מכן, כבר היו מעל 150 מסדי נתונים כאלה בשוק, ועל פי מדד DB-Engines חמישה מהם היו ברשימת 20 המובילים בעולם.\n== קטגוריות של NoSQL ==\n=== Document Databases ===\nמסד נתונים המצמד מפתח עם מבנה מורכב של מידע הנקרא \"מסמך\". מסמך יכול להכיל צמדים מורכבים של מפתח-ערך, מפתח-מערך, או אפילו מפתח-מסמך.\nדוגמה: MongoDB\n=== Graph Stores ===\nמשמש לשמירת מידע הקשור לרשתות וקשרים חברתיים, מפות כבישים, טופולוגיית רשת ועוד.\nדוגמה: Neo4J, HyperGraphDB\n=== Key-Value Stores ===\nמשמש למסד נתונים פשוט ומהיר, התומך בצמדי מפתח-ערך בלבד. חלק מבסיסי Key-Value Stores מאפשרים להגדיר סוג (TYPE) לערכים (כגון Integer, String).\nדוגמה: Redis, ‏Riak, ‏Voldemort\n=== Wide-Column Stores ===\nמסד נתונים מבוססי עמודות (במקום שורות), בו משמשים בעיקר לשאילתות על מערכי מידע גדולים במיוחד.","en_topic":"NoSQL","wiki_pageid":1225097,"wiki_revid":41754298,"source_url":"https://he.wikipedia.org/?curid=1225097","license":"CC BY-SA 4.0"}
{"slug":"relational-database","lang":"he","title":"מסד נתונים יחסי","text":"מסד נתונים יחסי, מסד נתונים רלציוני (באנגלית Relational DataBase או RDB, ומערכת הניהול שלו: RDBMS), או מסד נתונים טבלאי, הוא מודל נפוץ של מסד נתונים (בסיס נתונים) שדחק הצידה את המודלים שקדמו לו: מסד נתונים רשתי ומסד נתונים היררכי והיווה סטנדרט למסדי נתונים במשך עשרות שנים עם שליטה מוחלטת בשוק מסדי הנתונים, עד להתפתחות תחום ה-NoSQL (משנת 2009).\nבמודל זה מסד הנתונים בנוי מטבלאות, כאשר כל טבלה מכילה מידע על ישות מסוימת (לדוגמה, לקוחות במערכת בנקאית). ולכל רשומה בטבלה יש שדה ID שמזהה באופן ייחודי את הרשומה. הקשרים בין הרשומות בטבלאות השונות נעשה באמצעות שדה מיוחד זה הנקרא שדה מפתח, שבו ערכים זהים מסמלים קשר בין הרשומות. שליפת מידע ופעולות עדכון במסד נתונים טבלאי נעשות באמצעות שפת SQL, המהווה ממשק המאפשר גישה לנתונים מבלי להתייחס לאופן שמירתם במסד הנתונים.\nמסד הנתונים הטבלאי הוצג לראשונה בשנת 1970 במאמרו החלוצי של אדגר קוד מחברת IBM בשם A Relational Model of Data for Large Shared Data Banks.\n== מרכיבי מסד הנתונים הטבלאי ==\nיחידת הנתונים הקטנה ביותר במסד הנתונים הטבלאי (כמו במודלים אחרים למסדי נתונים) היא השדה (field). בנתוני אזרח במרשם התושבים, למשל, מספר הזהות, השם הפרטי, ושם המשפחה הם שדות בטבלה. השדה חייב להיות מסוג מסוים, שמגביל את הזנת הערכים לו לאותו סוג נתונים. כך, למשל, שדה שהוגדר מספרי לא יוכל להכיל תווי אותיות.\nאוסף כל השדות המתארים את האזרח הוא הרשומה (record) של אותו אזרח, ואוסף הרשומות של כל האזרחים הוא טבלה (table).\nדוגמה לטבלת אזרח:\nעמודה בטבלה היא שדה, ושורת נתונים היא רשומה. שדה תעודת זהות הוא שדה המפתח הייחודי שעל פיו, יקושרו רשומות בטבלאות אחרות לטבלה זו.\n== מפתחות ==\nלכל רשומה יש מפתח ראשי (primary key), המשמש לזיהוי חד-משמעי שלה. לכל רשומה יכול להיות רק מפתח ראשי אחד, שערכיו חייבים להיות ייחודיים ואסור שיהיו ריקים.\nמפתח משני משמש לאיתור ומיון מהיר של רשומות, לקישור בין רשומות בטבלאות שונות ומניעת כפילויות. מפתח משני יכול להיות בעל ערכים לא ייחודיים. ברשומת האזרח, מספר הזהות משמש כמפתח ראשי, ושם המשפחה והשם הפרטי משמשים כמפתח משני. מפתח זר (foreign key) משמש לקישור למפתח ראשי בטבלה אחרת.\nמפתח המורכב מכמה שדות קרוי מפתח מורכב. מפתח זה מאפשר לבצע מיון ר","en_topic":"Relational database","wiki_pageid":41281,"wiki_revid":41580425,"source_url":"https://he.wikipedia.org/?curid=41281","license":"CC BY-SA 4.0"}
{"slug":"database-transaction","lang":"he","title":"תנועה (מערכות מידע)","text":"במערכת מידע, תנועה (באנגלית: transaction) היא פעולה לוגית לשינוי נתונים המורכבת מסדרת פעולות בדידות. תנועה מכונה לעיתים גם יחידת עבודה לוגית, מכיוון שכל הפעולות הבדידות המרכיבות אותה חייבות להתבצע כיחידה אחת, או לא להתבצע כלל. תכונה זו נקראת אטומיות. השימוש בתנועות נפוץ מאוד בתחום מסדי הנתונים ומערכות ניהול תנועות, ובמידה פחותה גם במערכות קבצים. במערכות אלה, היכולת להבטיח את שלמות הנתונים מכונה ACID.\n== מטרת התנועה ==\nכאמור, תנועה לוגית יחידה עשויה להכיל מספר פעולות על מסד נתונים. במקרה זה חשוב לשמור שהתנועה תתבצע בשלמותה או לא תתבצע כלל, כדי לשמור על עקביות הנתונים העסקיים. לדוגמה, בפעולה של העברת כספים בין חשבונות בנק, חשוב שאם סכום כלשהו הוחסר מהחשבון המשלם הוא יופקד בחשבון הנמען. אם, בשל כשל כלשהו, תהליך העברת הכספים נקטע לפני שהושלם, המערכת עלולה להיוותר במצב לא עקבי. לדוגמה, הסכום הוחסר אך לא הועבר. מטרת התנועה היא להבטיח את שלמות הנתונים, גם לנוכח מקרי כשל.\nתנועה שלא בוצעה בשלמותה מבוטלת באמצעות הסגה (Rollback), כדי להחזיר את המערכת והנתונים למצב יציב שקדם לפעולה. בסיום התנועה, היא הופכת לתנועה מקובעת (Commited Transaction). תנועה יכולה להתבטל באמצעות הסגה כל עוד לא קובעה.\n== תנועת SQL ==\nתנועת SQL פשוטה במסד נתונים מתבצעת לרוב באופן הבא:\nהתחלת התנועה.\nהרצת מספר שאילתות. עדכוני נתונים שמבצעת התנועה אינם נראים עדיין לתנועות אחרות.\nקיבוע התנועה. אם התנועה הצליחה, עדכונים שנעשו במהלכה נראים כעת לתנועות אחרות.\nבמקרה של כשל באחת מהשאילתות, עשוי מסד הנתונים להסיג את התנועה כולה או רק את השאילתה שנכשלה. ההתנהגות המדויקת תלויה בהגדרות נוספות המתלוות לתנועה.\nכל עוד התנועה לא התקבעה, ניתן להסיגה.\n== מינוח ותיווי ==\nבהנדסת תוכנה, מערכת תוכנה התומכת בתנועות מכונה \"טרנזאקציונלית\".\nמקובל לסמן תנועה באות T גדולה.\n== ראו גם ==\nACID\nמסד נתונים\nניהול תנועות\nתזמון (מסדי נתונים)","en_topic":"Database transaction","wiki_pageid":167585,"wiki_revid":22347505,"source_url":"https://he.wikipedia.org/?curid=167585","license":"CC BY-SA 4.0"}
{"slug":"database-normalization","lang":"he","title":"נרמול מסד נתונים","text":"חוקי הנרמול הם שישה חוקים לארכיטקטורה תקינה של מסד נתונים יחסי, הנבנים אחד על גבי השני וקובעים מבנה אופטימלי של טבלאות ושדות של מסד הנתונים, באופן שהמידע יאוחסן באופן האמין, היעיל והחסכוני ביותר, וכדי למנוע תופעות לא רצויות בתפעול מסד הנתונים. באופן כללי ניתן לקבוע שהכלל העקרוני והעיקרי של חוקי הנרמול קובע שכל טבלה תתייחס לחטיבת מידע אחת בלבד, וכל הנתונים שלה יתארו אך ורק את אותה חטיבת מידע.\n== הצורך בנרמול ==\nטבלאות שאינן מנורמלות עלולות ליצור שלל בעיות (או אנומליות): מבעיות באמינות הנתונים, כאשר קיימים נתונים סותרים לאותו ערך, קושי במציאת נתון, במקרה שהערכים אינם אטומיים, בזבוז של נפח מסד הנתונים, כאשר אותם ערכים נשמרים ברשומות רבות, ועד לסרבול בעדכון.\nלשם דוגמה, נתבונן בטבלה שהסכמה שלה (דהיינו הכותרת) היא: מספר זהות, שם אדם, כתובת, מספר מכונית, שנת ייצור המכונית.\nקיימת בטבלה זו בעיית כפילות: אם נוסיף שורה שתכלול מידע על מכונית שנייה או שלישית שקנה אותו אדם, נצטרך שוב להכניס את שמו וכתובתו, אף שהם כבר נתונים לנו בשורה העוסקת במכוניתו הראשונה.\nבטבלה זו ישנה גם בעיית עדכון, עדכון כתובתו של אדם אחד ידרוש עדכון שורות רבות, שורה לכל אחת ממכוניותיו.\nישנן גם בעיות בהכנסה ובמחיקה, נניח שרוצים להוסיף לטבלה מס' של מכונית ושנת ייצורה, אך עדיין לא לקבוע מיהו הבעלים שלה. אין דרך לעשות זאת. באופן דומה, אין דרך למחוק את שם הבעלים ולהותיר את מס' המכונית ושנת הייצור.\nבכל מקרה כזה של עדכון, הכנסה או מחיקה, עלולה להיווצר אנומליה במסד הנתונים.\nבמקרה של פיצול נתונים מסוג אחד לטבלאות שונות (\"שם: בנימין\", \"שם: אהוד\"...) או לשדות שונים (שכונות בירושלים: \"קריית משה\", \"גילה\", \"בית וגן\"...). כל הפעולות של עבודה עם טבלאות יסתרבלו, מכיוון שיהיה צריך ליצור שאילתות, טפסים ודוחות שונים לכל טבלה, או לבצע חיפש על שדות רבים במקום על שדה אחד.\nיצירת שדה \"מספר חשבון בנק\" בטבלת \"פרטי אדם\", אף היא עלולה להפר את חוקי הנירמול, מפני שאם יש לאדם מספר חשבונות רב, הוא יצטרך לפתוח מספר רשומות כמספר פרטי החשבון ויצטרך לשכפל את פרטי האדם שוב ושוב. פתרון הוא ליצור טבלת \"חשבון בנק\" שתקושר לטבלת \"פרטי האדם\" ויופיעו בה רשומות כמספר החשבונות.\nיצירת שדות \"מספר זהות\", \"מספר נעליים\", \"תמונה עדכנית\", \"דגימת קול\", \"שם ההו","en_topic":"Database normalization","wiki_pageid":78289,"wiki_revid":43554157,"source_url":"https://he.wikipedia.org/?curid=78289","license":"CC BY-SA 4.0"}
{"slug":"b-tree","lang":"he","title":"עץ B","text":"במדעי המחשב, עץ B (באנגלית: B-tree) הוא מבנה נתונים בצורת עץ, הכללה של עץ חיפוש בינארי, בכך שלכל צומת יכולים להיות יותר מ-2 בנים. עץ B שומר מידע ממוין (לפי מפתח) ומאפשר חיפוש, גישה סדרתית, הוספת איברים ומחיקתם בסיבוכיות לוגרתמית.\nעץ B מסדר m מקיים את התכונות הבאות:\nלכל צומת יש לכל היותר m ילדים.\nלכל צומת שאינו עלה ואינו השורש, יש לפחות ⌈m/2⌉ ילדים.\nאם השורש אינו עלה, יש לו לפחות 2 ילדים.\nצומת פנימי עם k ילדים מכיל בדיוק k-1 מפתחות.\nכל העלים בעומק זהה.\nלהבדיל מעצי חיפוש מאוזנים, עץ B מיועד לעבודה יעילה במערכות שקוראות וכותבות בלוקים גדולים של מידע. השימוש בו שכיח במסדי נתונים ובמערכות קבצים.\nעץ +B הוא וריאנט של עץ B. ההבדל בין עץ B לבין עץ +B הוא בכך שבעץ +B המפתחות בצמתים הם העתק של המפתחות בעלים, ואילו בעץ B כל איבר נמצא בצומת פנימי או בעלה. בנוסף לכך בעץ +B יש בדרך כלל רשימה המקשרת בין העלים לאפשר מעבר סדרתי מהיר.\n== ראו גם ==\nעצי +B\n== קישורים חיצוניים ==\nעץ B, באתר MathWorld (באנגלית)","en_topic":"B-tree","wiki_pageid":1015297,"wiki_revid":40068905,"source_url":"https://he.wikipedia.org/?curid=1015297","license":"CC BY-SA 4.0"}
{"slug":"json","lang":"he","title":"JSON","text":"JSON (ראשי תיבות של JavaScript Object Notation) הוא תקן של פורמט קובץ ופורמט העברת מידע שמשתמש בטקסט קריא-לאדם כדי לאחסן ולהעביר מבני מידע המורכבים מזוגות של מפתח-ערך. JSON הוא פורמט נתונים נפוץ עם מגוון שימושים בהעברת מידע, כולל בין השאר העברת מידע בין שרת ללקוח.\nפורמט JSON תואר לראשונה על ידי דאגלס קרוקפורד בשנות ה-2000 המוקדמות. הודעת ה-JSON הראשונה נשלחה באפריל 2001.\nאף על פי שפורמט זה פותח בתחילה לשימוש ב-JavaScript ונעשה בו שימוש נרחב בשפה זו, JSON הוא מבנה נתונים לא תלוי שפה, ותמיכה בעיבוד ויצירה של נתונים בפורמט JSON מובנית במגוון שפות תכנות.\n== היסטוריה ==\nאתר האינטרנט JSON.org הושק ב-2002.\nבדצמבר 2005 Yahoo! החלה להציע את שירותי הרשת שלה גם בפורמט JSON. שנה לאחר מכן הציעה Google עדכוני JSON עבור פרוטוקול GData.\nבאוקטובר 2013, Ecma International פרסמו את המהדורה הראשונה של תקן ה-JSON: ECMA-404. באותה השנה, RFC 7159 אזכר את ECMA-404 כהפניה.\nב-2014, RFC 7159 הפך לנוסח התקן הרשמי לשימושי הרשת של JSON.\n== עקרונות ודוגמה ==\nבתקן כל אובייקט יסומן באמצעות סוגריים מתולתלים. וכל שדה בו יורכב משם השדה וערך השדה כאשר הם מופרדים בנקודתיים. כל שדה יופרד משדה אחר באמצעות פסיק.\nלהלן דוגמה לייצוג של אובייקט המתאר אדם בפורמט JSON.\n== תחביר ==\n=== סוגי נתונים ===\nסוגי המידע השונים בJSON הם:\nמספר: מספר חיובי או שלילי שיכול להכיל נקודה עשרונית או כתיב מדעי (כך למשל המספר 0.000037 יכול להיכתב גם כ3.7E-5) אך אינו יכול להכיל דברים שאינם מספרים כמו NaN [אנ]. Javascript משתמשת בסטנדרט IEEE 754 במספר עשרוני בעל דיוק של 64 ביטים (float64) (ומאוחר יותר הוסיפה תמיכה בBigInt), אך שפות אחרות שמממשות את JSON יכולות לקודד מספרים אחרת.\nמחרוזת: סדרה של אפס או יותר תווי יוניקוד. מחרוזות תחומות על ידי גרשיים (\") ותומכות בלוכסן שמאלי (\\) על מנת שהמחרוזת תוכל להכיל את התו גרשיים מבלי להסתיים.\nערך בוליאני: ערך זה יכול להיות אמת (true) או שקר (false)\nמערך: רשימה ממויינת בעלת אפס או יותר ערכים, כך שכל ערך יכול להיות מכל אחד מסוגי המידע האחרים הנתמכים בפורמט JSON. כך למשל, הרשימה יכולה להכיל מספרים, מחרוזות, אובייקטים וכו'), . על מנת להגדיר מערך נשתמש בסוגריים מרובעים ([]) המקיפים את כל איברי המערך ","en_topic":"JSON","wiki_pageid":617853,"wiki_revid":43000709,"source_url":"https://he.wikipedia.org/?curid=617853","license":"CC BY-SA 4.0"}
{"slug":"graphql","lang":"he","title":"GraphQL","text":"GraphQL היא שפת שאילתות קוד פתוח ושפת מניפולציה של נתונים עבור ממשקי תכנות בזמן ריצה. GraphQL פותחה באופן פנימי על ידי פייסבוק בשנת 2012 לפני שפורסמה בפומבי בשנת 2015. ב-7 בנובמבר 2018 הועבר פרויקט GraphQL מפייסבוק ל\"קרן GraphQL\" שהוקמה, בהנחיית קרן לינוקס ללא כוונת רווח. מאז 2012, גרף עליית אחוזי האימוץ של GraphQL בקהיליית המפתחים נעקב בקפידה על ידי לי ביירון, יוצר GraphQL. מטרתו של ביירון היא להפוך את GraphQL ל\"נוכחת בכל מקום\" בפלטפורמות אינטרנט.\nGraphQL מספקת גישה לפיתוח ממשקי API ברשת, והיא הושוותה מול REST וארכיטקטורות שירות אינטרנט אחרות. זה מאפשר ללקוחות להגדיר את מבנה הנתונים הנדרש, ואותו מבנה הנתונים מוחזר מהשרת, ולכן מונע להחזיר כמויות גדולות מדי של נתונים, אך יש לכך השלכות על מידת היעילות של שמירת תוצאות שאילתות בזיכרון מטמון של שרתים ברשת. הגמישות והעושר של שפת השאילתות מוסיפים גם מורכבות שאולי לא משתלמת עבור ממשקי API פשוטים. הוא מורכב ממערכת סוגים (types), שפת שאילתות וסמנטיקה לביצוע, אימות סטטי, והתבוננות פנימית בסוג.\nGraphQL תומך בקריאה, כתיבה, עריכה, ו\"הירשמות כמנוי (subscribing) לשינויים בנתונים (עדכונים בזמן אמת - לרוב מיושמים באמצעות WebHooks). שרתי GraphQL זמינים במספר שפות, כולל Haskell, JavaScript, Perl, Python, Ruby, Java, C++, C #, Scala, Go, Rust, Elixir, Erlang, PHP, R ו-Clojure.\n== דוגמה ==\nבקשת POST :תשובה:\n== ראו גם ==\nLINQ\n== הערות שוליים ==","en_topic":"GraphQL","wiki_pageid":1951371,"wiki_revid":43312033,"source_url":"https://he.wikipedia.org/?curid=1951371","license":"CC BY-SA 4.0"}
{"slug":"https","lang":"he","title":"HTTPS","text":"HTTPS (ראשי תיבות באנגלית של: Hypertext Transfer Protocol Secure) הוא פרוטוקול תקשורת לאבטחת מידע ברשתות מחשבים הנפוץ במיוחד באינטרנט. באופן רשמי, הוא אינו פרוטוקול תקשורת כשלעצמו, אלא שימוש בפרוטוקול HTTP על שכבת TLS ובכך מקנה יכולות אבטחה של ההצפנה לתקשורת HTTP רגילה.\nבשימושו הנפוץ באינטרנט מקנה אימות של זהות האתר, ויוצר חיבור בין שרת אינטרנט ללקוח שיוצר עמו קשר כנגד התקפת אדם באמצע. בנוסף, השימוש מאפשר הצפנה דו-כיוונית של תעבורת המידע בין הלקוח לשרת, אשר מגינה מפני האזנת סתר או שינוי של תוכן המידע העובר בין הצדדים. כפועל יוצא, הפרוטוקול מבטיח כי גולש האינטרנט הניגש לאתר כלשהו, אכן יתקשר עם אותו האתר שהתכוון להתקשר עמו.\nבאופן היסטורי, HTTPS שימש בעיקר לפעולות העברת כספים ב-World Wide Web, דואר אלקטרוני והעברת מידע רגיש במערכות מידע של תאגידים. בסוף שנות ה-2000 ובתחילת העשור השני של המאה ה-21, השימוש ב-HTTPS נעשה רחב יותר וניתן היה לראות אימות נתונים בסוגים שונים של אתרים, אשר הקנו אבטחה לחשבונות משתמש, לתקשורת בין משתמשים, זהות המשתמש ומידע המאוחסן על ידו בשרתים.\nהשימוש ב-HTTPS חשוב במיוחד ברשתות לא מוצפנות, WiFi למשל, בהן כל משתמש באותה הרשת מסוגל לבצע \"רחרוח\" אחר תעבורת המידע הנשלחת ברשת ולגלות מידע רגיש. יתרה מזאת, גם רשתות שהשימוש בהן מוגבל יכולות לעשות שימוש במידע העובר דרכן ואף משנות אותו, לעיתים לצורכי פרסום ולעיתים גם באופן זדוני.\nבחודש אוגוסט 2014 קבעו בגוגל את השימוש ב-HTTPS כ\"גורם דירוג\" (Ranking Factor) המשפיע בפועל על דירוג האתר בהצגת תוצאות החיפוש במנוע החיפוש גוגל.\n== סקירה ==\nHTTPS אינו פרוטוקול תקשורת בפני עצמו, אלא יישום של פרוטוקול HTTP. הוא זהה לו מבחינת המבנה, אך מורה לדפדפן להוסיף שכבת הצפנה כדי להגן על תעבורת המידע. היישום של מודל TLS על פני HTTP מתאים במיוחד מפני שניתן לאבטח את המידע אפילו אם רק זהותו של צד אחד בתקשורת מאומתת. בתקשורת HTTP על גבי האינטרנט, זהותו של השרת (אתר) לרוב מאומתת על ידי השוואה בין Public key certificate של האתר לזה השמור בדפדפן.\nהרעיון הבסיסי ב-HTTPS הוא ליצור ערוץ מאובטח על גבי רשת פרוצה. ערוץ זה מאפשר הגנה סבירה מפני האזנת סתר והתקפת אדם באמצע. זאת, בהסתמך על רמה סבירה של חליפת ההצפנה והיכולת לסמוך על תעודה מאומתת","en_topic":"HTTPS","wiki_pageid":1026833,"wiki_revid":42241776,"source_url":"https://he.wikipedia.org/?curid=1026833","license":"CC BY-SA 4.0"}
{"slug":"transmission-control-protocol","lang":"he","title":"Transmission Control Protocol","text":"Transmission Control Protocol (בראשי תיבות: TCP; בעברית: פרוטוקול בקרת שידור) הוא פרוטוקול בתקשורת נתונים הפועל בשכבות התעבורה של מודל ה-OSI ובמודל ה-TCP/IP, ומבטיח העברה אמינה של נתונים בין שתי תחנות ברשת מחשבים באמצעות יצירת חיבור מקושר (Connection Oriented).\nכאשר הוא משמש כחלק מחבילת הפרוטוקולים TCP/IP עושה הפרוטוקול שימוש בפרוטוקול ה-IP לצורך העברת הנתונים. TCP מעביר את הנתונים שהועברו באמצעות IP, מוודא את נכונותם, ומאשר את קבלת הנתונים במלואם או מבקש שליחה מחדש של נתונים שלא הגיעו בצורה תקינה.\n== מנגנונים בשימוש פרוטוקול ה־TCP ==\n=== הקמת קשר – לחיצת יד משולשת ===\nבעת הקמת הקשר בין שתי תחנות, משתמש פרוטוקול TCP בלחיצת יד בשלושה שלבים (three-way handshake):\nSYN: תחנת המקור שולחת הודעה לפתיחת קשר (הודעה בפרוטוקול TCP בה דגל ה-SYN בפתיח נושא ערך \"1\").\nSYN-ACK: תחנת היעד מקבלת את ההודעה ושולחת בתגובה הודעת אישור קבלה ואישור פתיחת קשר מצדה (הודעה בפרוטוקול TCP בה דגלי ה-SYN וה-ACK בפתיח נושאים ערך \"1\"). משקיבלה תחנת היעד הודעה זו היא יכולה כבר להתחיל לשלוח נתונים. בשליחת ACK תחנת היעד למעשה מוסרת אישור לתחנת המקור על המספור ההתחלתי של חתיכות המידע שישלחו (Sequence number או בקיצור Seq). המספור ההתחלתי הוא מספר אקראי שמכונה Initial Sequence Number או בקיצור ISN. המספור לא מתחיל ב-0 אלא במספר אקראי עקב חשש מערבוב שתי שיחות שנערכות במקביל וחשש מניחוש המספר על ידי גורם שלישי. בעזרת ה-ACK שהועבר לצד א', יוכלו הצדדים לתקשר.\nACK: תחנת המקור מיידעת את תחנת היעד על סיום מיסוד הקשר בהודעת ACK (הודעה בפרוטוקול TCP בה דגל ה-ACK בפתיח נושא ערך \"1\"). תחנת המקור מיידעת את צד ב' על המספור ההתחלתי שלה.\n=== תעבורת המידע ===\nתעבורת המידע מתבצעת בשני שלבים שחוזרים על עצמם עד סיום העברת המידע.\nצד א' ששולח את המידע כותב את המספור של החתיכה הראשונה בחבילה (Seq) שהוא מעביר ושולח גם את מספר הבתים שיש בה (Length או בקיצור Len). למשל: Seq=1 Len=3. במקביל מפעיל צד א' שעון עצר, ואם לא מתקבל אישור מהצד השני על קבלת החבילה עד פקיעת השעון הוא שולח שוב את חבילת המידע.\nהשלב השני הוא שליחת התגובה של צד ב'. התגובה מייצגת אישור קבלה (ACK) של החבילה הקודמת והודעה לצד א' שצד ב' מצפה בעצם לחבילה הבאה.\nדוג","en_topic":"Transmission Control Protocol","wiki_pageid":276,"wiki_revid":43433373,"source_url":"https://he.wikipedia.org/?curid=276","license":"CC BY-SA 4.0"}
{"slug":"load-balancing","lang":"he","title":"איזון עומסים","text":"במדעי המחשב, איזון עומסים (באנגלית: Load balancing) הוא חלוקת עבודה בין מספר מחשבים על מנת להקל על עומס העבודה.\nבמחשוב, איזון עומסים משפר את התפלגות עומסי העבודה במספר משאבי מחשוב, כגון מחשבים, אשכולות מחשב, קישורים לרשת, יחידות עיבוד מרכזיות או כונני דיסקים. *[1] איזון עומסים נועד לייעל את השימוש במשאבים, למקסם את התפוקה, למזער את זמן התגובה, ולמנוע עומס יתר של כל משאב יחיד.\nשימוש במספר רכיבים עם איזון עומסים במקום רכיב בודד עשוי להגדיל את האמינות והזמינות באמצעות יתירות. איזון עומסים כולל בדרך כלל תוכנה ייעודית או חומרה, כגון מתג רב-שכבתי או צורת הפעולה של שרתי DNS.\n== קישורים חיצוניים ==","en_topic":"Load balancing (computing)","wiki_pageid":1580399,"wiki_revid":32713182,"source_url":"https://he.wikipedia.org/?curid=1580399","license":"CC BY-SA 4.0"}
{"slug":"nginx","lang":"he","title":"Nginx","text":"Nginx (או nginx, מבוטא \"engine X\" אנג'ין-אקס) הוא שרת אינטרנט שמתמקד בעיקר בשימוש בזיכרון מועט ובביצועים גבוהים. בנוסף, הוא יכול לשמש כשרת פרוקסי הפוך עבור הפרוטוקולים HTTP, SMTP, HTTPS, POP3 ו-IMAP. פותח על ידי איגור סיסוייב בשנת 2002, ורץ על windows, לינוקס, BSD variants, OS X, AIX, HP-UX ושוחרר לראשונה ב-4 באוקטובר 2004, הוא מופץ בקוד פתוח תחת רישיון BSD.\nשרתי nginx נפוצים בעיקר בקרב אתרים גדולים המספקים תוכן רב, משום ש-nginx מתוכנת לטיפול במספר רב של בקשות תוך צריכת פחות משאבים. נכון לאוגוסט 2011 כעשירית מהאתרים באינטרנט משתמשים ב-nginx.\n== תיאור ==\nNginx יכול להיפרס כדי לשרת תוכן HTTP דינמי ברשת, בעזרת FastCGI. הוא משתמש ב-SCGI בתור מפעיל שפת תסריט, ובמודולים של שרתי WSGI. בנוסף, הוא יכול לשמש כמאזן עומסים באפליקציות מסוימות.\nNginx משתמש בגישה אסינכרונית מבוססת-אירועים (Event-Driven) כדי לטפל בבקשות, זאת במקום המודל של Apache HTTP Server שגישתו הדיפולטיבית משתמשת בתהליכונים, כאשר כאן האירוע עצמו נדרש בשביל לעבד בצורה א-סינכרונית את הבקשה. הארכיטקטורה המודולרית של גישתו מבוססת-האירועים של Nginx, יכולה לספק לנו ביצועים צפויים תחת עומסים גבוהים. כלומר, נוכל לחזות בדיוק בכמה משאבים נצטרך להשתמש כאשר העומס יהיה גדול.\nלפי סקר שרתי האינטרנט של חברת Netcraft, שפורסם באוקטובר 2015, Nginx נמצא במקום השני כשרת האינטרנט הנפוץ ביותר לאורך כל האתרים ה\"פעילים\" (15.33% מכל האתרים שנסקרו), וגם עבור מיליון האתרים ה\"עסוקים\" ביותר (האתרים שמכילים הכי הרבה כניסות, סה\"כ 23.66% מהאתרים שנסקרו). לפי W3Techs, השתמשו בו 29.7% אתרים מתוך רשימת טופ-מיליון האתרים, 39.5% מתוך רשימת טופ 100,000 האתרים, ו-47.6% מתוך רשימת טופ 10,000 האתרים. לפי BuiltWith, השתמשו בו 36.6% מתוך רשימת טופ 10,000 האתרים, והחלק שלו בטופ 10,000, 100,000 ומיליון האתרים הפעילים, גדל משמעותית. ויקיפדיה משתמשת ב-Nginx בתור ה-SSL termination proxy. החל משחרור OpenBSD, גרסת 5.2 (1 בנובמבר 2012), Nginx הפך חלק מבסיס מערכת ההפעלה OpenBSD, כאשר הוא נותן אלטרנטיבה לפיצול של המערכת המקורית מ-Apache 1.3, אותה הוא היה אמור להחליף, אבל בסופו של דבר הוחלף על ידי httpd.\n== ארכיטקטורה ותהליך הקונפיגורציה ==\nשרתי nginx כוללים ארכיטק","en_topic":"Nginx","wiki_pageid":665403,"wiki_revid":40343109,"source_url":"https://he.wikipedia.org/?curid=665403","license":"CC BY-SA 4.0"}
{"slug":"cache","lang":"he","title":"זיכרון מטמון","text":"במדעי המחשב, מטמון (באנגלית: Cache) הוא רכיב חומרה או תוכנה האוסף נתונים על בסיס ערכים מקוריים המאוחסנים במיקום אחר, או שהופקו קודם לכן באמצעות חישוב כלשהו. השימוש במטמון מאפשר שליפה מחודשת של המידע במהירות במקום לחזור אל המאגר המקורי שהוא יחסית איטי או מרוחק. השימוש מאפשר גם לאחזר את הנתונים הללו במהירות ובהשקעה מינימלית.\nבאופן כללי, \"מטמון\" הוא אחסון של פריטים המבוקשים בתדירות גבוהה קרוב יותר למי שמבקש אותם (כדי להגדיל את מהירות הגישה אל אותם פריטים). דוגמה פשוטה להגדרה זו יכולה להיות השאלת מספר ספרים מהספרייה לצורך כתיבת עבודה, אנו מקרבים אלינו את הספרים לצורך שימוש תדיר בהם.\n== פעולת המטמון ==\nהמטמון מתווך בין לקוח המטמון (cache client), שזקוק לנתונים מסוימים, לבין מקורם. במצב שלפני שילוב המטמון במערכת, בכל פעם שהלקוח זקוק לנתון, הוא מאחזר אותו על פי כתובתו במקור, ונושא בעלות המלאה של גישה אליו. כאשר יש מטמון, מופנות בקשותיו של הלקוח למטמון, ולא ישירות למקור המידע. המטמון בודק אם הנתון המבוקש נמצא בידו; אם כן, הוא מוחזר ללקוח בלא לערב את מקור המידע; אם לא, הוא מאוחזר ממקור המידע ונשמר במטמון, כדי שבפעם הבאה שיבקש אותו הלקוח לא תידרש קריאתו מחדש.\nבדרך כלל קיימת מגבלה על כמות הנתונים שיכול המטמון להכיל, משום שלצד מהירות הגישה הגבוהה שלו ביחס למקור, הוא על פי רוב יקר יותר במונחים של עלות ליחידת מידע. על כן חייב המטמון להתמודד עם מצב שבו בבואו לאחסן בתוכו נתון שזה עתה אוחזר ממקור המידע, הוא יצטרך קודם כל למחוק נתון אחר כדי לפנות לו מקום. במצב זה פועל המטמון לפי אלגוריתם אחד מכמה אפשריים, כדי ליישם את מדיניות ההחלפה שלו. שיטה נפוצה אחת היא לבחור את הנתון שלא נדרש על ידי הלקוח מזה הזמן הרב ביותר (LRU - Least Recently Used).\nיעילותו של המטמון נמדדת ביחס שבין בקשות הלקוח שהוא מספק בעצמו, הנקראות \"פגיעות\" (cache hits), לכלל בקשות הלקוח. אלו שהוא ניגש בשבילן למקור נקראות \"החטאות\" (cache miss). ככל שיחס הפגיעה קרוב ל-1, כך גדלה יעילותו של המטמון. הסיבה שנעשה שימוש כה נרחב במטמונים השונים בעולם המחשבים היא שבמקרים רבים קיים דפוס בגישת הלקוח לנתונים, שאותו ניתן לנצל כדי להתאים לו אלגוריתם מטמון שיבטיח יחס פגיעה גבוה. דפוס נפוץ אחד כזה נקרא \"מקומיות הייחוס\", לפיו לקוח שניגש ז","en_topic":"Cache (computing)","wiki_pageid":36171,"wiki_revid":38477029,"source_url":"https://he.wikipedia.org/?curid=36171","license":"CC BY-SA 4.0"}
{"slug":"os-level-virtualization","lang":"he","title":"וירטואליזציה ברמת מערכת ההפעלה","text":"וירטואליזציה ברמת מערכת ההפעלה הוא שיטת וירטואליזציה במערכות מחשב, בעיקר בשרתים המבוססת על יכולת ליבת מערכת ההפעלה לאפשר את קיומם של מספר מרחבי משתמש נפרדים, החולקים ליבת מערכת הפעלה משותפת. מופעים כאלה, אשר נקראים לפעמים קונטיינר (Container) או קונטיינר תוכנה (software container), מנועי וירטואליזציה (VEs) או jails (כדוגמת FreeBSD jail או chroot jail), עשויים להיראות כמו שרת ממשי מנקודת מבט של בעליו והמשתמשים. וירטואליזציה ברמת מערכת ההפעלה מאפשרת להתקין ולשלב יישומיי תוכנה במהירות ובאמינות בסביבות מחשב שונות.\nבמערכות הפעלה דמויות יוניקס ניתן לראות בטכנולוגיה זו מימוש מתקדם למנגנון chroot סטנדרטי. בנוסף לבידוד מנגנונים, ליבת מערכת ההפעלה מספקת לעיתים קרובות יכולות של ניהול משאבים כדי להגביל את ההשפעה של הפעולות בקונטיינר אחד על קונטיינרים אחרים.\n== רקע ==\nבמערכת מחשב ישנו בדרך כלל מרחב משתמש יחיד אשר כולל אוסף של ספריות תוכנה, מערכת קבצים, הגדרות אופן העבודה, ושירותים שונים אשר משמשים את יישומי המחשב השונים. מרחבי המשתמש במערכות מחשב שונות יכולים להיבדל זה מזה, בין השאר בגרסאות הספריות, בארגון ובתכולת מערכת הקבצים, באוסף השירותים הקיים בהם או בהגדרות אופן העבודה. מרחבי משתמש של המערכות השונות עלולים שלא להתאים לצרכים של יישום חדש, אשר פותח ונבדק בסביבות מחשב בהן תוכן מרחב המשתמש היה שונה. ההבדלים במרחב המשתמש עלולים להקשות על ההתקנה והשילוב של היישום החדש או לגרום לכך שהיישום יתפקד באופן פגום או באופן שונה מהאופן בו תפקד בסביבה בה פותח ונבדק.\nהשימוש בווירטואליזציה ברמת מערכת ההפעלה מאפשר קיום מספר רב של מרחבי משתמש במקביל. כך ניתן להתאים מרחב משתמש שונה ונפרד לכל יישום ויישום. כל יישום נארז, על ידי ספק היישום, במעין מכולה (Container) יחד עם מרחב משתמש תואם, הזהה למרחב המשתמש בו פותח וניבדק. חבילה זו מותקנת במערכת המחשב. באופן זה ניתן להבטיח התקנה ושילוב פשוטים של היישום החדש, ואת התפקוד התקין והאחיד של היישום במערכות מחשב שונות.\nבניגוד למכונה וירטואלית, כל מרחבי המשתמש והיישומים חייבים להיות מותאמים לאותה ליבת מערכת הפעלה.\n== שימושים ==\nוירטואליזציה ברמת מערכת ההפעלה מקובלת בסביבות אירוח וירטואלי, שם היא משמשת להקצאה מאובטחת של משאבי חומרה מוגבלים בין מספר גדול של מ","en_topic":"OS-level virtualization","wiki_pageid":1529035,"wiki_revid":40399424,"source_url":"https://he.wikipedia.org/?curid=1529035","license":"CC BY-SA 4.0"}
{"slug":"devops","lang":"he","title":"DevOps","text":"בפיתוח תוכנה, DevOps היא תרבות ארגונית ומתודולוגיית עבודה אשר שמה דגש על שיתוף הפעולה והתקשורת בין מפתחי התוכנה לבין שאר אנשי ה-IT שבחברה. השיטה דוגלת בביצוע אוטומציה של תהליכי אספקת התוכנה (delivery) ושל שינויים בתשתיות. מקור המילה DevOps הוא מהלחם המילים האנגליות development (פיתוח) ו-operations (תפעול). מטרת השיטה לכונן תרבות וסביבה שבהן בנייה, בדיקות והוצאה לאור של גרסאות תוכנה יכולים להתבצע במהירות, לעיתים קרובות ובאופן אמין יותר. שיטות ה-DevOps המודרניות כוללות פיתוח מתמשך (continuous development), בדיקות מתמשכות, אינטגרציה מתמשכת, פריסה רציפה וניטור רציף של יישומי תוכנה לאורך כל מחזור חיי הפיתוח שלה. פרקטיקת ה-CI/CD או צינור ה- CI/CD (או Pipeline) מהווים את עמוד השדרה של פעולות DevOps המודרניות.\nבארגונים מסורתיים, המורכבים מבעלי תפקידים המתמחים בביצוע פונקציות ספציפיות, שיתוף פעולה בין המחלקות שאחראיות על הפעולות שתוארו למעלה, לבין פעילויות התפעול של ה-IT הוא נדיר. גישת ה-DevOps מקדמת תהליכים ושיטות שמטרתם לחשוב על תקשורת ושיתוף פעולה בין צוותי הפיתוח, אבטחת המידע, ה-QA וה-IT.\n== כלים ==\nמכיוון ש-DevOps מהווה שינוי תרבותי ודורש שיתוף פעולה בין הפיתוח, התפעול והבדיקות, לא קיים כלי יחיד של DevOps. במקום זאת קיימת \"שרשרת כלי DevOps\", המורכבת מכלים שונים רבים. באופן כללי, כלים ל-DevOps ניתנים לסיווג בין אחת או יותר מהקטגוריות הבאות של תהליכי פיתוח ופריסת תוכנה:\nתכנות (code) – פיתוח הקוד וסקירה שלו (code review), כלים לניהול ומיזוג גרסאות\nבנייה (build) – כלים ל-continuous integration ולקבלת סטטוס של בניית התוכנה\nבדיקות (test) – בדיקות תוכנה ומדידת הביצועים\nאריזה (package) – אחסון תוצרי בנייה בינאריים (artifact repository), הכנת היישום לפריסה\nהוצאה לאור (release) – ניהול שינויים, אישור הוצאה לאור של גרסאות, אוטומציה להוצאה לאור של גרסאות\nתצורה (configure) – הגדרה וניהול תצורה של תשתיות\nניטור (monitor) – ניטור ביצועים של היישום בזמן ריצה, חוויית משתמש\nאף על פי שקיימים כלים שונים רבים, ישנן כמה קטגוריות של כלים שהן חיוניות להקמת תשתית DevOps. כלים כמו Docker, Kubernetes, Ansible, Terraform, Jenkins, Puppet, JFrog ו-Vagrant, בשילוב עם שירותי ענן ציבורי כמו AWS, Micros","en_topic":"DevOps","wiki_pageid":1422662,"wiki_revid":41912380,"source_url":"https://he.wikipedia.org/?curid=1422662","license":"CC BY-SA 4.0"}
{"slug":"microsoft-azure","lang":"he","title":"Microsoft Azure","text":"Azure (אז'וּר) היא פלטפורמת מחשוב ענן שפותחה ומופעלת על ידי מיקרוסופט, ומשמשת לניהול יישומים באמצעות מרכזי נתונים מבוזרים ברחבי העולם. הפלטפורמה מהווה את אחד משלושת שרותי הענן הגדולים ביותר בעולם, לצד Amazon Web Services ו-Google Cloud. שרות זה מספק שירותי מחשוב על גבי האינטרנט, ושוחררה ב-1 בפברואר 2010.\nשם המוצר, אז'וּר, הוא באנגלית ובצרפתית שמו של צבע תכלת השמיים, ומרמז על היות המוצר קשור למחשוב ענן (Cloud computing). לצורכי המערכת פותחה CBL-Mariner (מערכת הפעלה מבוססת לינוקס מותאמת לתשתיות ענן).\nב-27 באוקטובר 2008 בכנס המפתחים PDC‏ (Professional Developers Conference) של מיקרוסופט, שנערך בלוס אנג'לס, הכריז ריי אוזי, ארכיטקט התוכנה הראשי של החברה, על המערכת העתידית כחלק מפלטפורמת הענן \"אז'וּר\" של מיקרוסופט (Azure Services Platform).\nעל פי ההכרזה, השרות לא נועד לשימושם של משתמשי קצה בעלי מחשבים אישיים. המוצר, שמיועד למפתחי יישומים, יעבוד בעיקר על יישומי שרת. היתרון למפתחים הוא יכולות עיבוד, אחסון והרצה במרכזי המידע של מיקרוסופט. סביבת העבודה כוללת כלים כמו: ויז'ואל סטודיו, IIS,‏ ASP.NET,‏ XML,‏ eclipse ‏,ruby ‏,PHP, וירטואליזציה ופייתון, כך שהמפתחים לא יצטרכו לרכוש סביבות עבודה למחשב האישי. המודל העסקי של אז'ור מבוסס על תשלום לפי שימוש במשאבים (PayGO) ולפי SLA נדרש.\nב-2014, מיקרוסופט השיקה על גבי הענן (בתהליך של מיתוג מחדש) את Office Online – יישומי רשת המבוססים על חבילת האופיס שלה, ורצה אף היא על מערכת זו. זהו מימוש של מיקרוסופט, שאינו הכרחי עבור התקנת Office Online, אשר ניתן למימוש על פלטפורמות נוספות. רוב היישומים הושקו לשימוש חינמי על גבי הרשת בשם \"Web Apps\" כבר ב-2008.\n== שירותים ==\nAzure מספקת מעל ל-600 שירותים שונים בענן המחשוב. דוגמאות לשירותים בולטים:\n=== מחשוב ===\nמכונות וירטואליות - שירות ענן להקמת מכונות וירטואליות המריצות Windows או Linux וכן מכונות בתצורות מוכנות מראש ב-Image כלשהו\nApp services - סביבת פלטפורמה כשירות (PaaS) המאפשרת למפתחים לנהל ולפרסם אתרי אינטרנט\nWebJobs - שירות ענן הרצת תהליכי רקע (background processing) בצורה מתוזמנת, קבועה או על פי דרישה\n=== אחסון מידע (Storage) ===\nStorage Services\nTable Service\nBlob Service\n=== ניהול מידע ===\nA","en_topic":"Microsoft Azure","wiki_pageid":598721,"wiki_revid":43594017,"source_url":"https://he.wikipedia.org/?curid=598721","license":"CC BY-SA 4.0"}
{"slug":"git","lang":"he","title":"גיט","text":"גיט (באנגלית: Git) היא מערכת ניהול גרסאות מבוזרת מבוססת קוד פתוח, שמטרתה לסייע למפתחים בניהול פיתוח ותחזוקת הקוד, תיאום עבודה צוותית ומעקב אחר שינויים בקובצי תוכנה.\nבדומה למערכות בקרת גרסאות מבוזרות אחרות, גיט שומרת עותק מקומי שמכיל את מלוא המידע על הרפוזיטורי עם תיעוד מלא של היסטורית השינויים ואפשרויות מעקב אחר שינויי גרסה, ללא תלות בגישה לרשת או בשרת מרכזי.\nהמערכת נוצרה על ידי לינוס טורבאלדס בשנת 2005 לניהול גרסאות בפיתוח גרעין הלינוקס. נכון לשנת 2020, היא נחשבת למערכת ניהול הגרסאות הפופולרית ביותר.\n== היסטוריה ==\nהחל משנת 2002, הפיתוח של פרויקט לינוקס השתמש במערכת ניהול הגרסאות המבוזרת הקניינית BitKeeper , בשנת 2005 הצליח אנדרו טריגל לפתח לקוח עצמאי, ובעקבות כך נשלל רישיון השימוש במערכת לפרויקט לינוקס. טורבאלדס לא היה מרוצה ממערכות ניהול הגרסאות האחרות שהיו קיימות באותו שלב, והחליט לכתוב אחת משלו. הוא החל לעבוד על גיט ב-3 באפריל 2005. פחות מחודש לאחר מכן כבר הייתה גרסה שאפשרה פיתוח יעיל של לינוקס (מערכת מרקוריאל נכתבה באותו הזמן ומאותן הסיבות). ביולי של אותה השנה, הפך ג'וניו המאנו למתחזק הראשי.\nברחבי העולם, מספר עצום של חברות הזנק (סטארט-אפ), קולקטיבים וחברות בין-לאומיות, כולל גוגל ומיקרוסופט, משתמשים בגיט כדי לשמור על קוד המקור של פרויקטי התוכנה שלהם. חלקם מארחים פרויקטי גיט משלהם, אחרים משתמשים בגיט באמצעות חברות אירוח מסחריות כמו GitHub (נוסדה בשנת 2007), Bitbucket (נוסדה בשנת 2010) ו-GitLab (נוסדה בשנת 2011). הגדולה שבהן, GitHub, מונה 40 מיליון מפתחים רשומים ונרכשה על ידי מיקרוסופט תמורת 7.5 מיליארד דולר בשנת 2018.\nבסקר מפתחים שנערך על ידי Stack Overflow בשנת 2018, נמצא כי 88.4% מכלל 74,298 המשתתפים בסקר השתמשו בגיט באותה השנה (עלייה מ-69.3% בשנת 2015).\n== מבנה ==\nגיט היא מערכת ניהול גרסאות מבוזרת - כל עותק מקומי של המאגר מכיל את כל המידע (כל ההיסטוריה). המידע הזה נשמר בדרך כלל בתת-תיקייה בשם \"‎.git\". גיט שומרת אובייקטים מסוג מידע (blob, בדרך כלל קובץ), עץ (tree, מבנה ספריות) וגרסה (commit). האובייקטים מזוהים על ידי שם שהוא גיבוב תוכנם לפי SHA-1.\nבניגוד לרוב מערכות ניהול הגרסאות המודרניות ששומרות שינויים בין גרסאות שונות[דרוש מקור], גיט שומרת את תוכני הקבצי","en_topic":"Git","wiki_pageid":825297,"wiki_revid":43349134,"source_url":"https://he.wikipedia.org/?curid=825297","license":"CC BY-SA 4.0"}
{"slug":"linux","lang":"he","title":"לינוקס","text":"לינוקס (באנגלית: Linux) היא משפחה של מערכות הפעלה, המבוססות על הגרעין של לינוקס. מערכת לינוקס שכוללת רכיבים וספריות ממיזם גנו נקראת לעיתים גנו/לינוקס (GNU/Linux).\nהפיתוח הראשוני החל בשנות ה־80. בשנות ה־90 המוקדמות, מפתחי הגרעין של לינוקס ואנשים נוספים החלו לעבוד על לינוקס. בסוף שנות ה־90 קיבלה לינוקס גם את תמיכתן של IBM,‏ היולט פקארד, נובל וסאן מיקרוסיסטמס.\nלינוקס היא דוגמה חשובה לפיתוח תוכנה חופשית וקוד פתוח. קוד המקור של הגרעין של לינוקס זמין לשימוש, לשינוי ולהפצה בחינם לכל אחד בהתאם לרישיון הציבורי הכללי של גנו. יש מקרים שמערכת הפעלה שלמה מורכבת מתוכנות חופשיות או מתוכנות קוד פתוח.\nישנן הפצות לינוקס רבות, חלקן מיועדות לשרתים וחלקן למשתמשים פרטיים.\nאנדרואיד היא דוגמה למערכת הפעלה המבוססת על הגרעין של לינוקס. היא רצה בעיקר על טלפונים חכמים ומחשבי לוח, ומפותחת על ידי גוגל.\n== היסטוריה ==\n=== היווסדות ===\nלהיסטוריית לינוקס קשר הדוק עם היסטורית גנו. התוכניות עבור גנו החלו ב־1983, ובספטמבר של אותה שנה, הוכרז מיזם גנו על ידי ריצ'רד סטולמן. גנו הייתה מערכת הפעלה שלמה \"דמוית יוניקס\" המורכבת רק מתוכנות חופשיות.\nהפיתוח החל בינואר 1984 וכבר בתחילת שנות ה־90, המיזם אסף ויצר את רוב הרכיבים הדרושים עבור מערכת ההפעלה שכללו ספריות, מהדרים, עורכי טקסט ו\"מעטפת יוניקס\". באמצעות צורת הפיתוח ההדרגתית הזו פיתוח גנו כמעט הושלם. הרמה העליונה של מערכת ההפעלה סופקה על ידי מנהל החלונות X, אך חלקי הרמה התחתונה, שהייתה מורכבת מהגרעין, מנהלי התקנים וכדומה, היו חסרים ברובם. ב־1990 מיזם גנו החל לפתח גרעין עבור מערכת ההפעלה, אך הפיתוח התגלה כמסובך והתקדם באטיות רבה.\nב־1991 החל לינוס טורבאלדס את הפיתוח של הגרעין של לינוקס בזמן שהיה סטודנט באוניברסיטת הלסינקי. בהתחלה טורבאלדס יצר את הגרעין של לינוקס כתחליף \"לא מסחרי\" עבור מיניקס, מערכת הפעלה חינוכית שפותחה על ידי אנדרו ס. טננבאום, מאוחר יותר הוא העביר את רישיון התוכנה מ\"לא חופשית\" לרישיון הציבורי הכללי של גנו, ההבדל העיקרי בשינוי הוא שכעת ניתן להפיץ בצורה מסחרית את הגרעין של לינוקס. למרות התלות ברכיבים של מיניקס, עבודה משותפת של מפתחי גרעין לינוקס ומיזם גנו אפשרו ללינוקס לפעול עם רכיבי מיזם גנו. כך מילא הגרעין של לינוקס את הפער הגדול ביותר ליצירת מ","en_topic":"Linux","wiki_pageid":59,"wiki_revid":43182700,"source_url":"https://he.wikipedia.org/?curid=59","license":"CC BY-SA 4.0"}
{"slug":"python","lang":"he","title":"פייתון","text":"פייתון (באנגלית: Python) היא שפת תכנות עילית דינמית למטרות כלליות, ומדורגת באופן עקבי כאחת משפות התכנות הפופולריות ביותר. פייתון תוכננה תוך שימת דגש על קריאוּת הקוד, וכוללת מבנים המיועדים לאפשר ביטוי של תוכניות מורכבות בדרך קצרה וברורה. אחד המאפיינים הבולטים בתחביר השפה הוא השימוש בהזחה להגדרת בלוקים של קוד (ללא שימוש בסוגריים או במילים שמורות לצורך כך, כמו ברוב השפות הנפוצות).\nפייתון היא שפה מרובת־פרדיגמות, המאפשרת תכנות מונחה־עצמים, תכנות פרוצדורלי, ובמידה מסוימת גם תכנות פונקציונלי. לשפה ספרייה סטנדרטית גדולה וענפה, והיא תומכת באופן מובנה בהרחבה שלה אל שפות אחרות (בתלות במפרש: C‏, ++C,‏ Java‏ ו־#C).\nלשפה שתי גרסאות ראשיות, פייתון 2 ופייתון 3. פייתון 2 איננה בפיתוח יותר, והתמיכה בה הסתיימה בשנת 2020.\n== עיצוב ופיתוח ==\nהשפה נוצרה על ידי חידו ואן רוסום בתחילת שנות התשעים, במקור בתור פיתוח של שפת התכנות ABC שיוכל לטפל בחריגות עבור Amoeba OS. מאז השתנתה השפה בצורה משמעותית, וגם כיום נמשך הפיתוח ומוכנסים שינויים רבים. השפה תומכת באופן מובנה בעדכון גרסאות, ומושם דגש על תאימות־לאחור של גרסאות שונות. עם זאת, גרסה 3 של פייתון איננה תואמת באופן מלא לגרסאות קודמות. (הקוד המופיע בערך זה תואם לגרסה 3.0 ומעלה, ועבור גרסאות ותיקות יותר יש לבצע שינויים מינוריים). זכויות היוצרים על גרסאות פייתון החל מ־2.1 שייכות לקרן התוכנה של פייתון.\nפייתון פותחה מתוך רצון להגיע לשפה פשוטה ומובנת, נוחה לקריאה וקלה לתחזוקה. לנגד עיניהם של מפתחי השפה, עמדה המטרה לאפשר קוד \"יפה\", \"מפורש\" ו\"פשוט\".\nבין הכללים על פיהם מתוכננת השפה:\n\"צריכה להיות דרך אחת, ועדיף אחת בלבד, לבצע זאת\" (כתגובה לתפיסה של התכנות בשפת פרל: \"יש יותר מדרך אחת לבצע זאת\").\n\"כולנו אנשים בוגרים כאן\" – כלומר, אפשר לסמוך על מתכנת המשתמש בקוד קיים שלא יבצע בו דברים שברור שלא התכוונו אליהם מלכתחילה (בין היתר, כנימוק לשאלה מדוע השפה תומכת בכימוס פחות משפות מונחות־עצמים אחרות).\n== מאפייני השפה ==\n=== המימוש: מהדר ומפרש ===\nתוכניות פייתון נכתבות בקובצי טקסט, שעל־פי קונבנציה נשמרים במערכת ההפעלה בסיומת py. תוכניות פייתון עשויות לכלול קבצים רבים.\nעל מנת להריץ קוד פייתון יש לבחור מימוש – מהדר או מפרש – שיתרגם את הטקסט של התוכנית לפקודות שיתבצע","en_topic":"Python (programming language)","wiki_pageid":132,"wiki_revid":42720648,"source_url":"https://he.wikipedia.org/?curid=132","license":"CC BY-SA 4.0"}
{"slug":"rust","lang":"he","title":"ראסט (שפת תכנות)","text":"ראסט (באנגלית: Rust) היא שפת תכנות מרובת פרדיגמות תכנות שפותחה על ידי מוזילה, השמה דגש על ביצועים, בטיחות סוג ובו-זמניות (concurrency). השפה מתאפיינת ביכולות ביצועיות גבוהות, כמו היכולות הביצועיות של שפות סף, אך גם בפשטות המאפיינת שפות עיליות. היא מתאימה לאנשים בעלי ניסיון בשפות כמו שפת C, המחפשים חלופה בטוחה יותר, כמו גם לאנשים בעלי ניסיון בשפות כמו פייתון שמעוניינים לכתוב קוד עם יכולת ביצועית גבוהה יותר, אבל בלי לוותר על חלק מהתכונות שמשרתות את השפה.\nשפת ראסט משלבת יכולת ביצועים גבוהים כמו של שפת C. בשפה אין איסוף זבל, ובמקום זאת היא משתמשת במנגנון בעלות על ערכים, מה שמשפר את הביצועים של תוכנות בשפה.\nלמרות שראסט מונעת גלישת חוצץ ובעיות זיכרון דומות בדרך כלל, בעת שימוש בפונקציות לא בטוחות זה בלתי נמנע, ולכן על המתכנת לבדוק את תאימות ערכי הקלט להגדרת הפונקציה ואף להגבילם בעת הצורך.\nהתחביר של השפה פשוט וקל ללמידה.\nהשפה זכתה בתואר \"שפת התכנות האהובה ביותר\" לשנים 2016 עד 2021 בסקר קהילת המתכנתים של StackOverflow.\nלמרות היותה יחסית שפה חדשה, חברות גדולות כמו פייסבוק, דיסקורד ומיקרוסופט משתמשות בראסט כדי לפתח את המוצרים שלהן.\nב-8 בפברואר 2021 הוקמה קרן ראסט (Rust Foundation) במטרה לקדם את שפת התכנות ולפקח עליה.\n== דוגמאות ==\n=== Hello World ===\nדוגמה לתוכנית Hello world הכתובה בראסט. המאקרו println! מדפיס הודעה להתקן היציאה התקני (מסך).\n=== חישוב עצרת ===\n==== רקורסיבי ====\n==== איטרטיבי ====\n==== באמצעות איטרטור ====\n== מנגנון הטיפוסים ==\nמנגנון טיפוסים סטטי - הכל נקבע בזמן הידור (ולמרות שאפשר להגדיר משתנים מקומיים בלי הצהרת הטיפוס זה רק כשברור בצורה דטרמיניסטית מהו הטיפוס - גם במקרה של שימוש במנגנון Options או Result, בשביל להשתמש בטיפוס כזה בקוד צריך לפתוח אותו על ידי match או unwrap, כך שהקוד תמיד דטרמיניסטי).\nהמהדר ינסה להסיק את הטיפוס לפי הערך שהושם למשתנה וכן לפי דרך השימוש בו. במקרים בהם קיימים כמה סוגים אפשריים, חובה להגדיר את הסוג במפורש.\nמנגנון טיפוסים חזק - אין המרה מרומזת בין טיפוסים.\n=== דוגמאות לטיפוסיים עיקריים ===\nTuple – אוסף של ערכים מסוגים שונים. בעל אורך קבוע. פונקציות יכולות להשתמש בזה כדי להחזיר ערכים מרובים, וכך יכולים להחזיר כל מספר של ערכים.\nArr","en_topic":"Rust (programming language)","wiki_pageid":1810360,"wiki_revid":40465460,"source_url":"https://he.wikipedia.org/?curid=1810360","license":"CC BY-SA 4.0"}
{"slug":"cloud-computing","lang":"he","title":"מחשוב ענן","text":"מחשוב ענן או מחשוב עננים (באנגלית: Cloud computing) הוא מונח מטרייה המתאר מודל טכנולוגי המאפשר גישה נוחה, על גבי רשת תקשורת ועל פי דרישה, למאגר שיתופי של משאבי מחשב. משאבים אלה כוללים בעיקר כוח חישוב (Compute), אחסון (Storage) וקישוריות (Networking), לצד שירותים נוספים כגון פלטפורמות פיתוח, תוכנות כשירות ותשתיות וירטואליות.\nהקצאת המשאבים למשתמשים ושחרורם נעשים באופן פשוט ומהיר ללא מאמץ ניהולי ותוך ממשק מינימלי עם ספק השירות. הדבר נעשה בדרך כלל באמצעות ריכוז המשאבים בחוות שרתים המקושרת לרשת תקשורת והקצאתם למשתמשים באופן וירטואלי. השירות למשתמשים יכול להינתן באמצעות ענן מקומי הנמצא ברשת הארגונית, או באופן מרוחק במרכז מחשבים חיצוני שהגישה אליו נעשית דרך רשת האינטרנט. לחוות שרתים המספקת מחשוב ענן דרך האינטרנט מקובל לקרוא דאטה סנטר (Data Center).\nהביטוי \"ענן\" הוא דימוי לרשת האינטרנט המבוסס על הצורה הגרפית בה מתארים את הרשת בתרשימי זרימה (Computer network diagram). בענן המחשוב נמצאים הנתונים והלוגיקה העסקית של מערכות המחשוב על גבי משאבים וירטואליים המנצלים את השרתים הפיזיים של מרכז המחשבים והם מופעלים מיחידות קצה מרוחקות. כתוצאה מכך אין המשתמשים צריכים לרכוש ולנהל משאבים ומערכות מחשוב ספציפיים לכל יישום (לדוגמה שרת דוא\"ל) ובמקום זאת מנצלים איגום משאבים בארגון או שוכרים אותו כשירות מספקים שמעמידים כוח מחשוב, שהגישה אליו תהיה מרחוק דרך האינטרנט.\nמאפיין זה מאפשר להימנע מהוצאות גדולות או מורכבות על רכישת ציוד, מקומות אכסון פיזיים ותוכנות תשתית, וכן מהצורך לנהל אותן. ענן המחשוב מאפשר למשתמש שליטה וויסות של עוצמת המחשוב הנדרשת, כך שבעיתות עומס ניתן לשכור כוח מחשוב גבוה יותר ובעתות רגיעה להקטין את ההוצאה. בחלק מהמימושים של התפיסה גם נחסך הצורך לפתח או לנהל יישומים.\nהמשתמש במחשוב ענן עשוי להיות ארגון גדול, ארגון בינוני או קטן או אדם בודד. הספק הוא בדרך כלל חברה גדולה, שפיתחה תשתיות מתאימות ומספקת שירותים למספר גדול של משתמשים. המשתמש משתמש בשירותי הספק באמצעות האינטרנט מבלי צורך לדעת על הסביבה הטכנולוגית בה ממומשים שירותים אלה.\nהחזון של מחשוב ענן הוא לאפשר למשתמשים להתחבר לכל שירותי המחשוב להם הם זקוקים באמצעות האינטרנט, באופן דומה להתחברות לרשת החשמל.\n== סוגי עננים ==\nענן ציבורי","en_topic":"Cloud computing","wiki_pageid":606454,"wiki_revid":42278503,"source_url":"https://he.wikipedia.org/?curid=606454","license":"CC BY-SA 4.0"}
{"slug":"open-source-software","lang":"he","title":"קוד פתוח","text":"קוד פתוח משמש בעולם התוכנה לציון תוכנה שקוד המקור שלה נגיש (זמין לצפייה) וכן חופשי לשימוש, לעריכת שינויים ולהפצה מחודשת לכל. שיטת פיתוח כזו מאפשרת לכל מי שחפץ בכך לקחת חלק בפיתוח התוכנה ולתרום לשיפורה. מושג קרוב במשמעותו הוא \"תוכנה חופשית\". לעיתים שניהם נכללים ביחד כ\"תוכנה חופשית וקוד פתוח\" (באנגלית: Free/Libre and Open Source Software ובראשי תיבות FOSS או FLOSS).\nהיותה של תוכנה קוד פתוח משמעותה איננה בהכרח שהיא תוכנה חופשית. אנדרואיד למשל, היא מערכת הפעלה חינמית וקוד פתוח ו-Red Hat Enterprise Linux, היא הפצת לינוקס מסחרית וקוד פתוח.\n== תשתית ליצירה ==\nכדי לאפשר למתכנתים רבים לחבור יחד לפיתוח תוכנה משותפת ללא ניהול ריכוזי, פיתחו מפתחי הקוד הפתוח סביבות פיתוח התומכות בקוד פתוח. הסביבה המוכרת ביותר היא תוכנת גיט אשר מאפשרת ניהול גרסאות, מיזוג ענפים וכיוצא בזה על ידי מפתחים רבים.\n== אידאולוגיה ==\nסביב מושג הקוד הפתוח קיימת תפיסת עולם הטוענת כי התוכנות שייכות להמונים, ועל כן כל החפצים בכך יכולים להיכנס לקוד ולערוך בו שינויים. זאת, בניגוד לקוד סגור, אשר מזוהה, על פי רוב, עם יצרני התוכנה הגדולים. לאדם הקונה תוכנות בקוד סגור, לרוב אין אפשרות פשוטה לצפות בפרטי התהליכים שמרכיבים את התוכנות שרכש, מכיוון שהם מוסתרים מפני המשתמש באמצעות הידור (אף שאין זה מחויב. ייתכן קוד ניתן לצפייה אך אסור לשינויים מצד הרישיון ובשל כך הוא אינו קוד פתוח).\nהמונחים קוד פתוח ותוכנה חופשית הם מונחים קרובים במשמעותם המעשית, ומשמשים לעיתים קרובות לציון משמעות זהה, אך נבדלים באידאולוגיה שמאחוריהם. את המונח תוכנה חופשית טבע ריצ'רד סטולמן אשר ייסד את פרויקט GNU ואת המוסד לתוכנה חופשית (Free Software Foundation), והוא מתרכז בחופש המוענק למשתמש בתוכנה כערך חברתי. המונח קוד פתוח מגיע מארגון יוזמת הקוד הפתוח (Open Source Initiative), והשיקולים העומדים מאחוריו הם של כדאיות כלכלית וטכנולוגית.\nהתפתחות אידאולוגיית הקוד הפתוח התהוותה במקביל למהפכה ממשית בעולם התוכנה. בעשורים האחרונים יותר ויותר תוכנות מפותחות מראש כקוד פתוח, ולא מעט בתי תוכנה מפתחים את מוצריהם בקוד פתוח. כך, למשל, משוחררת מערכת ההפעלה אנדרואיד ומיזם כרומים של גוגל, כ-40% מאתרי האינטרנט בעולם מבוססים על פלטפורמות בקוד פתוח כגון וורדפרס ודרופל. במ","en_topic":"Open-source software","wiki_pageid":64,"wiki_revid":42812589,"source_url":"https://he.wikipedia.org/?curid=64","license":"CC BY-SA 4.0"}
{"slug":"software-as-a-service","lang":"he","title":"תוכנה כשירות","text":"תוכנה כשֵירות (באנגלית: Software as a Service או בקיצור SaaS) היא תוכנה נגישה למשתמשים דרך האינטרנט, מבלי להוריד אותה למחשב (למשל: Gmail).\nזו חלופה למודל המסורתי של רכישת תוכנה והתקנתה במחשב או בשרת מקומי. השירות ניתן דרך האינטרנט, ומייצג את הצורה הנפוצה של מחשוב ענן. היתרונות כוללים חיסכון בעלויות התקנה ותחזוקה של התוכנה, וביטול הצורך בשרתים מקומיים. לעיתים מכונה השירות גם \"On Demand\", ונחשב לסוג של מיקור חוץ של אפליקציות ותשתיות.\n== ארכיטקטורת המימוש ==\nארכיטקטורת המימוש של ארגון המממש תוכנה כשירות עשוי לכלול את המרכיבים הבאים:\nשירות או מספר שירותים הממומשים כשירותים במחשבי ספק SaaS אחד או מספר ספקי SaaS\nבאתר הספק נמצאים תוכנה ובסיס נתונים של אותו שירות. במקרים רבים הספק מפעיל תחת שרת פיזי אחד ובסיס נתונים אחד את השירות עבור מספר ארגונים שונים תוך שימוש במנגנוני אבטחת מידע להפרדה בין הארגונים השונים המשתמשים בשירות.\nאפליקציות הממומשות במודלים המסורתיים\nאפליקציות אלה מתבצעות במרכז מחשבים או מרכזי מחשבים של הארגון תוך שימוש בתשתיות תוכנה, חומרה ותקשורת המנהלות על ידי הארגון. אפליקציות אלה עשויות לכלול אפליקציות Legacy, אפליקציות מוכנות כגון: ERP ו Supply Chain Management, חבילות תוכנה, אפליקציות מודרניות בסביבות J2EE ו-NET..\nממשק משתמש\nממשק המשתמש לשירותי SaaS הוא ברוב המקרים ממשק Web העשוי לשרת גם אפליקציות הממומשות במודלים מסורתיים.\nפלטפורמת אינטגרציה\nמרכיב זה הוא מרכיב קריטי, משום שעשויה להידרש אינטגרציה בין אפליקציות הממומשות במודלים מסורתיים לבין שירותי SaaS ובין שירות SaaS באתר ספק אחד לבין שירות SaaS אחר באתר שרת אחר. כמו כן עשוי להידרש שיתוף נתונים ממקורות מידע במרכז המחשבים בארגון ומידע מבסיס הנתונים של ספק שירותי SaaS. אחת הדרכים למימוש פלטפורמת האינטגרציה היא שימוש בתשתיות SOA.\n=== תכנון התוכנות ===\nהשירותים המופעלים באתר הספק עשויים להיות שירותים על פי הגדרתם ב ארכיטקטורה מוכוונת שירותים; הם מותאמים ללקוח ולצוות העובדים בהתאם על ידי מפתחי התוכנה.\n== יתרונות תוכנה כשירות ==\n=== מזווית הראיה של הארגון הרוכש ===\nגמישות - ניתן להתחיל בשירות מסוים ולא בחבילת תוכנה הכוללת פונקציונליות רחבה יותר ובהדרגה להוסיף שירותים נוספים, ניתן גם להתחיל במספר משתמשים קטן בי","en_topic":"Software as a service","wiki_pageid":351010,"wiki_revid":41590140,"source_url":"https://he.wikipedia.org/?curid=351010","license":"CC BY-SA 4.0"}
{"slug":"big-data","lang":"he","title":"Big data","text":"Big Data (\"בִּיג דָּאטָה\", לפי החלטת האקדמיה ללשון העברית: נְתוּנֵי עָתֵק) הוא מונח המתייחס למאגר מידע הכולל נתונים מבוזרים, שאינם מאורגנים לפי שיטה כלשהי, שמגיעים ממקורות רבים, בכמויות גדולות, בפורמטים מגוונים, ובאיכויות שונות.\nניתן לאפיין נתוני עתק לפי חמישה מאפיינים (חמשת ה-V-ים):\nנפח (volume)\nמהירות (velocity)\nגיוון (variety)\nערך (Value)\nמהימנות (veracity)\nהאתגר בניהול נתוני עתק הפך תחום זה לעניין מרכזי בטכנולוגיית מידע. מסדי הנתונים היחסיים הקיימים אינם בנויים לאחסון ולניתוח כמויות מידע גדולות שרובן אינן מגיעות באופן מפורמט לפי תבניות אחידות וידועות מראש. העלות הזולה יחסית של אמצעי האחסון, מצד אחד, והכמות הגדולה של מידע המגיע משלל מקורות (אתרי אינטרנט, רשתות חברתיות, מכשירים סלולריים, מצלמות אבטחה, חיישנים ועוד), מצד שני, גורם לכך שמידע נאגר ללא מחיקה, ומאפשר יכולות ניתוח וזיהוי תבניות ומִתְאָמִים, הנדרשות בעולמות תוכן רבים.\nביג דאטה משמש לתיאור היקף מאסיבי של אוסף נתונים מובנה ושאינו מובנה, שגודלו העצום - וקצב עדכונו המהיר, לא היו בנמצא עד לפני זמן קצר.\nנדרשות פרדיגמות מתקדמות, השונות מהשיטות המסורתיות, לעיבוד הנתונים וחילוץ המשמעות מהם. האמצעים והתהליכים במערכות הדיגיטליות העדכניות כיום מאפשרים לדלות מידע רלוונטי של נתונים מובנים, מובנים בחלקם או אף לא מובנים. שימוש בכלים וחומרה מחשובית מתאימים לגודל מאגר הנתונים וקצב עדכונו, מאפשרים מיון וסינון הנתונים, ניתוח הנתונים, חילוץ משמעות, זיהוי דפוסים, כדי לקבל תובנות חדשות שלא ניתן היה לרכוש קודם לכן בגלל מגבלות טכנולוגיות של זיכרון ומהירות עיבוד ותקשורת, שהתבטלו למעשה בצל ההתפתחויות הטכנולוגיות בשנים האחרונות. תובנות אלו מיועדות לסייע בידינו ללמוד יותר עלינו ועל העולם בו אנו חיים, ומגדילות מאוד את הפוטנציאל לסייע לחברה לשפר את יעילות ההתנהלות, תוך קבלת החלטות מהירות.\n== הגדרת המונח ==\nהגדרה מקובלת במחקר של המושג \"נתוני עתק\" היא זו המנוסחת בערך \"big data\" במילון אוקספורד: ”נתוני עתק הם גוף נתונים גדול במידה כזו, שעיבודו, ארגונו וניתוחו מעמידים אתגר\nמיוחד.” (data of a very large size, typically to the extent that its manipulation and management present significant logistical challenges...)\nנהוג לתאר לכל הפחות שלושה","en_topic":"Big data","wiki_pageid":979198,"wiki_revid":43459473,"source_url":"https://he.wikipedia.org/?curid=979198","license":"CC BY-SA 4.0"}
{"slug":"internet-of-things","lang":"he","title":"האינטרנט של הדברים","text":"האינטרנט של הדברים או מִרְשֶׁתֶת הַדְּבָרִים (באנגלית: Internet of Things, או בקיצור IoT), הוא רשת של חפצים פיזיים (\"דברים\"), המשובצים בחיישנים ובתוכנה, אשר מאפשרים תקשורת בין החפצים ויכולות איסוף וניתוח מידע. האינטרנט של הדברים כולל בין השאר את תחומי \"הבית החכם\", \"העיר החכמה\", מכשור לביש, תעשייה חכמה, תחבורה חכמה (כגון מכוניות אוטונומיות וכבישים חכמים), רפואה חכמה ועוד.\nאף שהיכולת של מכשירים לתקשר ביניהם הייתה קיימת גם קודם, בעשור השני של המאה ה-21 חלה התפתחות מהירה של התחום וחל גידול משמעותי במספר המכשירים אשר מחוברים לאינטרנט ותחומים נרחבים שעוברים תהליכי אוטומציה על בסיס האינטרנט של הדברים. בעשור השלישי של המאה ה-21 המשיכה מגמת הצמיחה של התחום, עם שילוב אלגוריתמים מתקדמים של בינה מלאכותית, כולל למידה עמוקה, במכשירי ה-IoT, ופריסת רשתות ה-5G המאפשרות למכשירים להעביר ולנתח נתונים בקצב גבוה בהרבה.\nהתקשורת בין ועם מכשירי IoT יכולה להתבצע באמצעים וטכנולוגיות שונות, כגון בלוטות', Wi-Fi, NFC,‏ RFID,‏ Li-Fi ו-ZigBee לטווחים קצרים, ו-4G,‏ 5G ו-LoRa לטווחים בינוניים וארוכים.\n== היסטוריה ==\nהמונח \"האינטרנט של הדברים\" ככל הנראה נטבע על ידי קווין אשטון מחברת פרוקטר אנד גמבל בשנת 1999. באותו זמן אשטון טען כי התקן RFID יהיה הכרחי עבור האינטרנט של הדברים, ויאפשר למחשבים לשלוט בכל מכשיר חשמלי. עם זאת, הרעיון של רשת מכשירים חכמים הוצג עוד קודם לכן. כבר בשנת 1982, אז מכונת ממכר של קוקה-קולה הייתה המכשיר הראשון שחובר לרשת, והיה מסוגל לדווח את המלאי שלו ואת טמפרטורת המשקאות.\nבחברת סיסקו מערכות העריכו כי האינטרנט של הדברים \"נולד\" כאשר מספר המכשירים המחוברים לאינטרנט עלה על מספר האנשים, בין השנים 2008 ל-2009, כאשר יחס החפצים/אנשים גדל מ-0.08 ב-2003 ל-1.84 ב-2010.\nהכוח המניע העיקרי מאחורי האינטרנט של הדברים הוא טרנזיסטור MOSFET, אשר הומצא במקור בשנת 1959 במעבדות בל. טרנזיסטורי MOSFET הם אבן בניין בסיסית ברוב המכשירים האלקטרוניים כמו: מחשבים, טלפונים חכמים, טאבלטים, ושרתי אינטרנט. עם התקדמות הטכנולוגיה המואצת בסוף המאה ה-20 ובתחילת המאה ה-21, גודלם מוזער, הופחתה צריכת החשמל שלהם על ידי בידוד סיליקון וריבוי ליבות.\nאף שהיכולת של מכשירים לתקשר ביניהם הייתה קיימת גם קודם, בעשור השני של המאה ","en_topic":"Internet of things","wiki_pageid":1215979,"wiki_revid":43655858,"source_url":"https://he.wikipedia.org/?curid=1215979","license":"CC BY-SA 4.0"}
{"slug":"python","lang":"he","title":"פייתון","text":"פייתון (באנגלית: Python) היא שפת תכנות עילית דינמית למטרות כלליות, ומדורגת באופן עקבי כאחת משפות התכנות הפופולריות ביותר. פייתון תוכננה תוך שימת דגש על קריאוּת הקוד, וכוללת מבנים המיועדים לאפשר ביטוי של תוכניות מורכבות בדרך קצרה וברורה. אחד המאפיינים הבולטים בתחביר השפה הוא השימוש בהזחה להגדרת בלוקים של קוד (ללא שימוש בסוגריים או במילים שמורות לצורך כך, כמו ברוב השפות הנפוצות).\nפייתון היא שפה מרובת־פרדיגמות, המאפשרת תכנות מונחה־עצמים, תכנות פרוצדורלי, ובמידה מסוימת גם תכנות פונקציונלי. לשפה ספרייה סטנדרטית גדולה וענפה, והיא תומכת באופן מובנה בהרחבה שלה אל שפות אחרות (בתלות במפרש: C‏, ++C,‏ Java‏ ו־#C).\nלשפה שתי גרסאות ראשיות, פייתון 2 ופייתון 3. פייתון 2 איננה בפיתוח יותר, והתמיכה בה הסתיימה בשנת 2020.\n== עיצוב ופיתוח ==\nהשפה נוצרה על ידי חידו ואן רוסום בתחילת שנות התשעים, במקור בתור פיתוח של שפת התכנות ABC שיוכל לטפל בחריגות עבור Amoeba OS. מאז השתנתה השפה בצורה משמעותית, וגם כיום נמשך הפיתוח ומוכנסים שינויים רבים. השפה תומכת באופן מובנה בעדכון גרסאות, ומושם דגש על תאימות־לאחור של גרסאות שונות. עם זאת, גרסה 3 של פייתון איננה תואמת באופן מלא לגרסאות קודמות. (הקוד המופיע בערך זה תואם לגרסה 3.0 ומעלה, ועבור גרסאות ותיקות יותר יש לבצע שינויים מינוריים). זכויות היוצרים על גרסאות פייתון החל מ־2.1 שייכות לקרן התוכנה של פייתון.\nפייתון פותחה מתוך רצון להגיע לשפה פשוטה ומובנת, נוחה לקריאה וקלה לתחזוקה. לנגד עיניהם של מפתחי השפה, עמדה המטרה לאפשר קוד \"יפה\", \"מפורש\" ו\"פשוט\".\nבין הכללים על פיהם מתוכננת השפה:\n\"צריכה להיות דרך אחת, ועדיף אחת בלבד, לבצע זאת\" (כתגובה לתפיסה של התכנות בשפת פרל: \"יש יותר מדרך אחת לבצע זאת\").\n\"כולנו אנשים בוגרים כאן\" – כלומר, אפשר לסמוך על מתכנת המשתמש בקוד קיים שלא יבצע בו דברים שברור שלא התכוונו אליהם מלכתחילה (בין היתר, כנימוק לשאלה מדוע השפה תומכת בכימוס פחות משפות מונחות־עצמים אחרות).\n== מאפייני השפה ==\n=== המימוש: מהדר ומפרש ===\nתוכניות פייתון נכתבות בקובצי טקסט, שעל־פי קונבנציה נשמרים במערכת ההפעלה בסיומת py. תוכניות פייתון עשויות לכלול קבצים רבים.\nעל מנת להריץ קוד פייתון יש לבחור מימוש – מהדר או מפרש – שיתרגם את הטקסט של התוכנית לפקודות שיתבצע","en_topic":"Python (programming language)","wiki_pageid":132,"wiki_revid":42720648,"source_url":"https://he.wikipedia.org/?curid=132","license":"CC BY-SA 4.0"}
{"slug":"rust","lang":"he","title":"ראסט (שפת תכנות)","text":"ראסט (באנגלית: Rust) היא שפת תכנות מרובת פרדיגמות תכנות שפותחה על ידי מוזילה, השמה דגש על ביצועים, בטיחות סוג ובו-זמניות (concurrency). השפה מתאפיינת ביכולות ביצועיות גבוהות, כמו היכולות הביצועיות של שפות סף, אך גם בפשטות המאפיינת שפות עיליות. היא מתאימה לאנשים בעלי ניסיון בשפות כמו שפת C, המחפשים חלופה בטוחה יותר, כמו גם לאנשים בעלי ניסיון בשפות כמו פייתון שמעוניינים לכתוב קוד עם יכולת ביצועית גבוהה יותר, אבל בלי לוותר על חלק מהתכונות שמשרתות את השפה.\nשפת ראסט משלבת יכולת ביצועים גבוהים כמו של שפת C. בשפה אין איסוף זבל, ובמקום זאת היא משתמשת במנגנון בעלות על ערכים, מה שמשפר את הביצועים של תוכנות בשפה.\nלמרות שראסט מונעת גלישת חוצץ ובעיות זיכרון דומות בדרך כלל, בעת שימוש בפונקציות לא בטוחות זה בלתי נמנע, ולכן על המתכנת לבדוק את תאימות ערכי הקלט להגדרת הפונקציה ואף להגבילם בעת הצורך.\nהתחביר של השפה פשוט וקל ללמידה.\nהשפה זכתה בתואר \"שפת התכנות האהובה ביותר\" לשנים 2016 עד 2021 בסקר קהילת המתכנתים של StackOverflow.\nלמרות היותה יחסית שפה חדשה, חברות גדולות כמו פייסבוק, דיסקורד ומיקרוסופט משתמשות בראסט כדי לפתח את המוצרים שלהן.\nב-8 בפברואר 2021 הוקמה קרן ראסט (Rust Foundation) במטרה לקדם את שפת התכנות ולפקח עליה.\n== דוגמאות ==\n=== Hello World ===\nדוגמה לתוכנית Hello world הכתובה בראסט. המאקרו println! מדפיס הודעה להתקן היציאה התקני (מסך).\n=== חישוב עצרת ===\n==== רקורסיבי ====\n==== איטרטיבי ====\n==== באמצעות איטרטור ====\n== מנגנון הטיפוסים ==\nמנגנון טיפוסים סטטי - הכל נקבע בזמן הידור (ולמרות שאפשר להגדיר משתנים מקומיים בלי הצהרת הטיפוס זה רק כשברור בצורה דטרמיניסטית מהו הטיפוס - גם במקרה של שימוש במנגנון Options או Result, בשביל להשתמש בטיפוס כזה בקוד צריך לפתוח אותו על ידי match או unwrap, כך שהקוד תמיד דטרמיניסטי).\nהמהדר ינסה להסיק את הטיפוס לפי הערך שהושם למשתנה וכן לפי דרך השימוש בו. במקרים בהם קיימים כמה סוגים אפשריים, חובה להגדיר את הסוג במפורש.\nמנגנון טיפוסים חזק - אין המרה מרומזת בין טיפוסים.\n=== דוגמאות לטיפוסיים עיקריים ===\nTuple – אוסף של ערכים מסוגים שונים. בעל אורך קבוע. פונקציות יכולות להשתמש בזה כדי להחזיר ערכים מרובים, וכך יכולים להחזיר כל מספר של ערכים.\nArr","en_topic":"Rust (programming language)","wiki_pageid":1810360,"wiki_revid":40465460,"source_url":"https://he.wikipedia.org/?curid=1810360","license":"CC BY-SA 4.0"}
{"slug":"javascript","lang":"he","title":"JavaScript","text":"JavaScript (בעברית: ג'אווה סקריפט, בקיצור: JS) היא שפת תכנות המשמשת לפיתוח אתרי אינטרנט ואפליקציות. היא גם אחת מהטכנולוגיות הבסיסיות שיוצרות את האינטרנט, יחד עם HTML ו־CSS. נכון ל־2023, 98.7% מהאתרים משתמשים ב־JavaScript בצד הלקוח של האתר שלהם, לעיתים קרובות תוך שימוש בספריות חיצוניות לשם כך. לכל הדפדפנים הגדולים יש מנועי הרצה להריץ קוד JavaScript על המכשירים של המשתמשים.\nJavaScript היא שפת תכנות עילית, לעיתים מתקמפלת בדיוק בזמן, שמממשת את תקן ECMAScript. יש בה טיפוסיות דינאמית, תכנות מונחה עצמים מבוסס תבניות (Prototye) ופונקציות שהן חלק טבעי מהשפה . יש בה מספר פרדיגמות, ביניהן תכנות מונחה אירועים, תכנות פונקציונלי ותכנות אימפרטיבי. יש בה ממשקים (APIs) לעבודה עם טקסט, תאריכים, ביטויים רגולריים, מבני נתונים סטנדרטיים ו־Document Object Model (DOM).\nתקן ECMAScript ש־JavaScript מממשת אינו כולל ממשקי פלט וקלט כמו ממשקי תקשורת, אחסון או גרפיקה. בפועל, דפדפנים או סביבות הרצה שונות מספקות ל־JavaScript ממשקים עבור יכולות אלה.\nעל בסיס סביבת הריצה של הדפדפנים, נבנו סביבות להרצה של ג'אווה סקריפט במחשבים אישיים ובשרתים (Node.js, Deno.js, Bun).\nאף על פי ש־Java ו־JavaScript דומות בשם ובסינטקס , שתי השפות הן נפרדות ושונות מהותית אחת מהשנייה.\nנכון לשנת 2023, JavaScript היא שפת התכנות הפופולרית ביותר בעולם בקרב מפתחים.\n== היסטוריה ==\nהשפה פותחה על ידי חברת נטסקייפ בשנת 1995, ויושמה לראשונה בדפדפן נטסקייפ 2.0. הגרסה הייתה JavaScript 1.0. שמה המקורי היה LiveScript, (בעברית: לייבסקריפט) והוא שונה ל־JavaScript מטעמי פרסום מסוימים וכדי להראות לקהל המתכנתים של אותה התקופה שהשפה דומה ל־Java (שהייתה אז השפה המרכזית לתכנות אתרים באינטרנט), רק שהיא מעוצבת לתכנות אתרים (שלא כמו Java, שהיא שפה שמועצבת לבניית אפליקציות לטלפונים ניידים ושולחן העבודה). בנוסף לכתיבת תסריטים בצד הלקוח (בדפדפן), מאפשרת JavaScript כתיבת תסריטים גם בצד השרת, לתפעול בשרת אינטרנט. התחביר של שפת ActionScript, שמיוחדת לפלאש, נגזר משפה זו. קיימת גרסה תקנית של השפה הקרויה ECMAScript.\nחברת מיקרוסופט פיתחה שפה מתחרה להפעלה בדפדפן בשם VBScript, אך גרסה זו לא תפסה. בנוסף יצאה מיקרוסופט עם גרסה משלה של שפת JavaScript, והיא קרויה ","en_topic":"JavaScript","wiki_pageid":42155,"wiki_revid":41944338,"source_url":"https://he.wikipedia.org/?curid=42155","license":"CC BY-SA 4.0"}
{"slug":"c","lang":"he","title":"C (שפת תכנות)","text":"שפת C היא שפת תכנות הכוללת מנגנוני בקרת זרימה ומבני נתונים פשוטים, ומאפשרת ניצול מרבי של יכולות המחשב, בדומה לשפת סף. שפת C היא אחת השפות היעילות והמהירות בתעשייה, ומשמשת כיום בעיקר לכתיבת מערכות בהן זמן הביצוע הוא גורם קריטי, או כאלה שדורשות אינטראקציה עם מערכות חומרה. רוב מערכות ההפעלה הנפוצות כתובות בעיקר בשפת C, וכן רוב הדפדפנים הנפוצים.\nשפת C היא אחת משפות התכנות הנפוצות בעולם. קיימים מהדרים לשפת C עבור כמעט כל סוגי המחשבים ומערכות ההפעלה. שפת C השפיעה על שפות תכנות רבות, ובמיוחד על C++‎, שנכתבה בתחילה כקדם-מעבד עבור C, וכיום היא כמעט מכילה את שפת C. רוב שפות התכנות הנפוצות כיום כוללות מאפיינים תחביריים המזכירים את שפת C.\n== היסטוריה ==\nשפת C תוכננה ופותחה לראשונה בין שנת 1969 לראשית שנות ה-70 (עד 1973). השפה נוצרה על ידי דניס ריצ'י, במעבדות חברת בל על מערכות ההפעלה UNIX שרצו על מחשבי PDP-11. מהר מאוד היא התפשטה ויצאה לאור ויצאו מספר גרסאות שונות לשפה אשר נבדלו בהבדלים קטנים זו מזו. הצורך בשפה עלה לשם כתיבת מערכת הפעלה. באותה עת הייתה קיימת שפת B, ובאמצעותה נכתבה שפת C בתחילה.\nמקור השם של השפה הוא באותה שפת B, תוך התקדמות אות אחת באלפבית, או האות הבאה אחרי B בשמה של BCPL שפת התכנות שקדמה לשפת B.\n=== תקנים ===\nשפת C היא שפה בעלת תקן פתוח המנוהל על ידי ANSI ו-ISO. העדכון האחרון לתקן, שיצא בשנת 2018 ומכונה \"C18\" או \"C17\", מכיל רק הבהרות ותיקונים טכניים לתקן הקודם משנת 2011 המכונה \"C11\". התקן הראשון לשפה הונהג על ידי ANSI ב-1989 (נהוג להתייחס אליו כ-\"ANSI C\" או \"C89\") ואומץ על ידי ISO ב-1990 (בשינויים מינוריים, ולתקן הזה מתייחסים כ-\"C90\"). תקן נוסף לשפה הוגדר בשנת 1999, ונקרא \"C99\".\nמפתח השפה דניס ריצ'י כתב יחד עם בריאן קרניגהאן את הספר \"The C Programming Language\", המתעד את השפה ומהווה תקן נוסף, ראשון ולא רשמי, לשפה. מתייחסים לתקן הזה לפעמים כ-\"K&R\" (ראשי התיבות של שמות המשפחה של מחבריו). מהדורה שנייה של הספר מתייחסת לתקן C89.\nלדוגמה, לפי תקן ANSI, שפת C חייבת לתמוך בתכונות הבאות:\nעד 31 פרמטרים לפונקציה.\nעד 509 תווים בשורת קוד.\nעד 32 רמות קינון קוד.\nהערך המקסימלי למשתנה מסוג long int, לא יעלה על 2,147,483,647.\n== מאפיינים ==\nשפת C היא שפה פרוצדורלית, בעלת טיפוסיות","en_topic":"C (programming language)","wiki_pageid":5033,"wiki_revid":43055023,"source_url":"https://he.wikipedia.org/?curid=5033","license":"CC BY-SA 4.0"}
{"slug":"c-sharp","lang":"he","title":"סי שארפ","text":"#C (נהוג לבטא C Sharp או \"סִי שַׁארְפּ\") היא שפת תכנות עילית מרובת-פרדיגמות, מונחית עצמים בעיקרה, המשלבת רעיונות כמו טיפוסיות חזקה, אימפרטיביות, הצהרתיות, פונקציונליות, פרוצדורליות וגנריות. השפה פותחה על ידי חברת מיקרוסופט בשנת 2000 כחלק מפרויקט דוט נט ותוקננה בשנים 2005 ו-2006 על ידי ארגון התקינה Ecma כתקן ECMA-334 ועל ידי ארגון התקינה הבין-לאומי כתקן ISO/IEC 23270:2006.\nנכון לנובמבר 2025, הגרסה היציבה האחרונה של השפה היא C# 14.\n== היסטוריה ==\nלאחר הפסדה של \"מיקרוסופט\" במשפט לחברת סאן, בעקבות סכסוך שפרץ ביניהן סביב המימוש של \"מיקרוסופט\" לשפת ג'אווה, שנקרא J++‎, חויבה מיקרוסופט על פי פסק הדין להפסיק לשווק את ++J וכן את המכונה הווירטואלית שפיתחה עבורה, MS-JVM. עקב כך הוחלט במיקרוסופט על פיתוח שפה חדשה שתהווה תחליף ראוי לשפות התכנות מהדור הקודם כמו ויז'ואל בייסיק או ++C וכן תהווה יריב שקול לג'אווה. צוות פיתוח בראשות מהנדס התוכנה הדני אנדרס הלסברג (מי שהמציא את טורבו פסקל והיה מאדריכלי דלפי) הופקד על פיתוחה בתחילת 1999, והגרסה הראשונה הושקה עם ההכרזה על דוט נט ביולי 2000. גרסה זו סיפקה את התשתית הראשונית לכתיבת יישומים שולחניים ואתרי אינטרנט, תוך שהיא שואבת הרבה מממשק תכנות יישומים והתחביר של ג'אווה, גם בטכנולוגיית פיתוח האתרים, ASP.NET.\nגרסה 1.1, אשר יצאה ב-3 באפריל 2003, הכילה שיפורים בטכנולוגיית ASP.NET אשר מאפשרים פיתוח אתרים המותאמים למכשירים ניידים, שיפורי אבטחה בפיתוח יישומים שולחניים, תמיכה מובנית בגישה למסד נתונים אורקל ובשימוש במתאם מסדי הנתונים האוניברסלי של מיקרוסופט, ODBC. גרסה זו גם תומכת בהפעלה של מספר מופעים של אותו יישום במקביל על אותו מחשב, וכן תומכת לראשונה בפרוטוקול IPv6.\nגרסה 2.0, אשר יצאה ב-22 בינואר 2006, הוסיפה לראשונה תמיכה בתכנות גנרי, שהיה קיים כבר ב-++C. גרסה זו תמכה לראשונה ביישומי 64 ביט. נוספה תמיכה מובנית לגישה למערכת ההרשאות של Windows, ונוספו שיפורים בטכנולוגיית הגישה למסדי נתונים ADO.NET. בתחום פיתוח האתרים, נוספו מנגנונים אשר מאפשרים לשלוט בצורה טובה יותר בתבנית הכללית של כל הדפים באתר. נוספה תמיכה מובנית בתקשורת SSL, ותמיכה בפרוטוקולים FTP‎, Ping, SMTP ו-SOAP 1.2. שופרה התמיכה בטכנולוגיית COM וביישומי שורת הפקודה. נוספה תמיכה בקבלת ","en_topic":"C Sharp (programming language)","wiki_pageid":1828,"wiki_revid":42757441,"source_url":"https://he.wikipedia.org/?curid=1828","license":"CC BY-SA 4.0"}
{"slug":"ruby","lang":"he","title":"Ruby","text":"רובי (Ruby) היא שפת תכנות דינמית מונחית-עצמים המשלבת תחביר דומה ל-\"Perl\" ותכונות דומות ל-\"Smalltalk\". רובי פותחה על ידי יוקיהירו מאטסומוטו ביפן באמצע שנות התשעים. השפה הושפעה בעיקר מהשפות פרל, Smalltalk, אייפל ו-Lisp. היא נחשבת לאחת מ-20 שפות התכנות הנפוצות ביותר.\nרובי תומכת במספר פרדיגמות תכנות, כולל תכנות פונקציונלי, תכנות מונחה-עצמים ותכנות מבני. מערכת הטיפוסים ברובי היא חזקה ודינמית, וניהול הזיכרון בשפה הוא אוטומטי (כולל שימוש במנגנון איסוף זבל) – בדומה לשפות כמו פייתון, דילן, פייק ו-CLU.\nהמימוש הסטנדרטי של גרסה 1.8.7 של רובי כתוב ב-C כמפרש בעל מעבר אחד. ארגון ממשלתי יפני מפתח כעת את המפרט של השפה. עד כה הארגון פרסם טיוטה של המפרט, שעדיין לא אושר כסטנדרט תעשייתי. קיימים מספר מימושים חלופיים של השפה, כגון YARV, JRuby, IronRuby, MacRuby. כל אחד מהמימושים בוחר בדרך שונה – חלקם מספקים הידור Just-in-time, או אף הידור Ahead-of-Time. גרסה 1.9 משתמשת ב-YARV שבסופו של דבר יחליף את המפרש הנוכחי האיטי יותר.\n== היסטוריה ==\nהשפה נוצרה ב-24 בפברואר 1993 בידי יוקיהירו מאטסומוטו שניסה ליצור שפה חדשה שתאזן בין תכנות פונקציונלי ותכנות אימפרטיבי. מאטסומוטו אמר \"רציתי שפת סקריפטים עם יותר כוח מפרל ויותר מונחית עצמים מפייתון. בגלל זה החלטתי לעצב שפה משלי\", וכן \"אני מקווה שרובי תעזור לכל מתכנת בעולם להיות פרודוקטיבי, ליהנות מתכנות ולהיות שמח. זו המטרה העיקרית של רובי\".\n=== פרסום ראשון ===\nהגרסה הראשונה של השפה, רובי 0.95, פורסמה בניוזגרופס יפניים ב-21 בדצמבר 1995. עוד שלוש גרסאות של רובי פורסמו ביומיים לאחר מכן. בשלב זה בפיתוח כבר היו תכונות רבות מגרסאות מאוחרות יותר כמו פיתוח מונחה עצמים, מחלקות עם הורשה, מיקסינים, איטרטורים, קלוז'רים, טיפול בחריגות ואיסוף זבל.\n=== רובי 1.0 ===\nגרסה 1.0 פורסמה ב-25 בדצמבר 1996.\nלאחר פרסום גרסה 1.3 ב-1999 רשימת התפוצה הראשונה בשפה האנגלית החלה את דרכה. בספטמבר 2000 פורסם הספר הראשון באנגלית על רובי, \"Programming Ruby\".\n=== Ruby On Rails ===\nבשנת 2005 השפה התפרסמה במקומות רבים בעקבות פרסום \"Ruby on Rails\" – ספריית פיתוח לאפליקציות אינטרנט שנכתבה ברובי, Ruby on Rails התקבלה באהדה רבה אצל מפתחי תוכנה ובחודש אוגוסט 2006 חברת אפל הודיעה כי תשווק את המחשבי","en_topic":"Ruby (programming language)","wiki_pageid":25030,"wiki_revid":41388529,"source_url":"https://he.wikipedia.org/?curid=25030","license":"CC BY-SA 4.0"}
{"slug":"swift","lang":"he","title":"סוויפט (שפת תכנות)","text":"סוויפט (אנגלית: Swift) היא שפת תכנות שפותחה על ידי אפל לפיתוחי iOS, macOS, watchOS, tvOS ולינוקס. השפה הוצגה לראשונה בכנס המפתחים העולמי של אפל – WWDC. השימוש בשפה הֵחֵל כאשר גרסה 6 של Xcode הושקה בתאריך 9 בדצמבר 2014.\n== קוד לדוגמה ==\n== ראו גם ==\nObjective-C\n== קישורים חיצוניים ==\n אתר האינטרנט הרשמי של שפת התכנות (באנגלית)\n סוויפט, הבלוג הרשמי\n== הערות שוליים ==","en_topic":"Swift (programming language)","wiki_pageid":1214205,"wiki_revid":42571535,"source_url":"https://he.wikipedia.org/?curid=1214205","license":"CC BY-SA 4.0"}
{"slug":"scala","lang":"he","title":"סקאלה (שפת תכנות)","text":"סקאלה (Scala) היא שפת תכנות מרובת פרדיגמות, אשר תוכננה כ-\"better Java\", כלומר \"גרסה טובה יותר\" של שפת Java. סקאלה פועלת על גבי המכונה הווירטואלית של ג'אווה (JVM) ושומרת על תאימות גבוהה עם ג'אווה המאפשרת לה לעבוד עם קוד ג'אווה.\nסקאלה משלבת מאפיינים של תכנות פונקציונלי יחד עם מודל התכנות מונחה-עצמים של ג'אווה, תוך שהיא \"מנקה\" את מה שלעיתים קרובות נחשב כחסרונות הקיימים בשפת ג'אווה (דברים כגון type erasure, אופן הטיפול בחריגות ומערכת טיפוסים לא אחידה), ומוסיפה מספר מאפיינים חדשים המאפשרים כתיבת קוד נקי, תמציתי ואקספרסיבי יותר.\nהשם Scala הוא הלחם בסיסים של המילים האנגליות \"scalable\" (סילומי) ו-\"language\" (שפה), ומטרתו לרמז על כך שהשפה תוכננה לגדול ביחד עם הדרישות של המשתמשים בה. ג'יימס סטראצ'ן, המפתח של שפת התכנות Groovy, הגדיר את סקאלה כיורשת אפשרית לשפת Java.\nהפצת התוכנה של סקאלה, כולל המהדר וספריות התוכנה נעשית תחת רישיון BSD.\n== היסטוריה ==\nהפיתוח של סקאלה החל ב-2001 במכון הטכנולוגי של לוזאן (EPFL) על ידי מרטין אודרסקי. אודרסקי עבד קודם לכן על ג'אווה גנרית ו-javac, מהדר הג'אווה של חברת סאן. סקאלה שוחררה לשוק בסוף 2003 / תחילת 2004 על פלטפורמת ג'אווה, וביוני 2004 גם לפלטפורמת NET. גרסה שנייה של השפה, 2.0, שוחררה במארס 2006. התמיכה ב-NET. הופסקה רשמית ב-2012. ב-17 בינואר 2011 זכה הצוות של סקאלה במענק מחקר לחמש שנים בסך של 2.3 מיליון יורו ממועצת המחקר האירופית (ERC). ב-12 במאי 2011 הקימו אודרסקי ושותפיו את חברת Typesafe, שמספקת תמיכה מסחרית בסקאלה, כמו גם הדרכה עולמית בשפה ושירותים שונים. Typesafe, ששינתה מאז את שמה ל Lightbend, גייסה עד כה כ-52 מיליון דולר, בין היתר מ-IBM ואינטל קפיטל.\n== פלטפורמות ==\nסקאלה פועלת על גבי הפלטפורמה של ג'אווה (המכונה הווירטואלית של ג'אווה) וקיימת תאימות בינה לבין תוכניות ג'אווה קיימות. תוכניות סקאלה יכולות לרוץ גם על טלפונים חכמים שמריצים את מערכת ההפעלה אנדרואיד. קיים מימוש אלטרנטיבי גם עבור פלטפורמת דוט-נט.\nלסקאלה יש את אותו מודל הידור כמו בג'אווה ו-סי שארפ (separate compilation, dynamic class loading), כך שקוד סקאלה יכול לקרוא לספריות ג'אווה (או לספריות דוט-נט במימוש המתאים).\nהביצועים של סקאלה שווי ערך לאלה של ג'אווה. המהדר של סקאלה יו","en_topic":"Scala (programming language)","wiki_pageid":1010622,"wiki_revid":38873122,"source_url":"https://he.wikipedia.org/?curid=1010622","license":"CC BY-SA 4.0"}
{"slug":"r","lang":"he","title":"R (שפת תכנות)","text":"R היא שפת תכנות וסביבת עבודה בקוד פתוח. נכון לאוקטובר 2024, היא ממוקמת במקום 18 במדד TIOBE.\nשפת R פותחה כשפת תכנות ללימוד מבוא לסטטיסטיקה. כיום היא שפת תכנות עילית דינמית למטרות כלליות, בדומה לפייתון, ונמצאת בשימוש נרחב בקרב סטטיסטיקאים וכורי מידע לפיתוח תוכנות סטטיסטיות וניתוח נתונים. סקרים ומחקרים שנערכו הראו כי הפופולריות של R גדלה באופן משמעותי, ונכון לעשור השני של המאה ה-21 היא כבר נחשבה לסטנדרט ביצירה של תוכנות סטטיסטיות.[דרוש מקור]\nR היא יישום של שפת התכנות S בשילוב עם סמנטיקה לקסיקלית בהשראת שפת התכנות Scheme. היא נוצרה על ידי רוס איהקה ורוברט ג'נטלמן באוניברסיטת אוקלנד בניו זילנד. השפה קיבלה את שמה מהאות הראשונה של שמם של יוצריה וכמחווה לשפת S. כיום, R מופצת כתוכנה חופשית, כחלק מפרויקט גנו, ומופצת לפי תנאי הרישיון הציבורי הכללי של גנו (גרסה 2). קוד המקור של האינטרפרטר של השפה ממומש בשפות C ופורטרן וכן בשפת R עצמה. ל-R יש ממשק שורת פקודה, אולם יש גם מספר ממשקי משתמש גרפיים לשימוש עם R.\n== היסטוריה ==\nR היא מימוש חופשי של סביבת תכנות בשם S. מערכת S נוצרה בשנת 1976 במעבדות בל כתוכנה לחישובים מתמטיים. מטרתה הבסיסית הייתה לאפשר התממשקות נוחה לספריות תוכנה שכתובות בשפת פורטרן (ובהמשך גם C ושפות נוספות), לקבל משם נתונים ולהציג אותם בצורה נוחה.\n== מאפייני שפה ==\nהממשק של R הוא שורת פקודה. אם נקיש 2*2 לדוגמה נקבל את התשובה \"4\"\nR יכולה לטפל בכמה סוגי מבני נתונים, ובהם: סקלרים, וקטורים, מטריצות ורשימות.\n== מאפיינים סטטיסטיים ==\nל-R יש מבחר של טכניקות סטטיסטיות, הכוללות מודלים ליניאריים ולא ליניאריים, מבחנים סטטיסטיים, ניתוח אשכולות ועוד.\nR, בהיותה שפת תכנות, מאפשרת למשתמש לכתוב פונקציות בעצמו. R ניתנת להרחבה בקלות, וקיימת קהילת R פעילה שלה המרחיבה את השפה בפונקציות וחבילות. יש מספר הבדלים חשובים בין R ל S, אבל רוב הקוד שנכתב עבור S רץ בלי שינויים על R, כך שקיימת תאימות לאחור לשפת S. פונקציות סטנדרטיות רבות של R כתובות ב-R עצמה, והדבר מקל על המשתמשים לעקוב אחר בחירת האלגוריתמים. עבור משימות הדורשות חישוב אינטנסיבי, אפשר לקשר ולקרוא בזמן הריצה לקוד C,‏ ++C ו-Fortran. משתמשים מתקדמים יכולים לכתוב ב-C++, Java, NET, Python ו-C כדי להפעיל ישירות אובייקטים של R.\nשפת התכנות נ","en_topic":"R (programming language)","wiki_pageid":870426,"wiki_revid":41596824,"source_url":"https://he.wikipedia.org/?curid=870426","license":"CC BY-SA 4.0"}
{"slug":"assembly-language","lang":"he","title":"שפת סף","text":"שפת סף או אַסֶּמבּלי (באנגלית: Assembly) היא שפת התכנות הבסיסית והקרובה ביותר לשפת מכונה.\nבשפת הסף, בצורתה הבסיסית, קיימת התאמה בין ההוראות שכותב המתכנת ובין ההוראות המופקות מהן בשפת מכונה, כלומר, כל הוראה יחידה באסמבלי מתורגמת להוראה אחת או יותר בשפת מכונה. לכן, כמו שפת המכונה, גם שפת הסף פועלת באופן ישיר על תאי הזיכרון של המחשב, על האוגרים הפנימיים של המעבד ועל יציאות הקלט/פלט של המחשב, ובפרטנות רבה. כתוצאה מכך, לכל סדרת מעבדים יש שפת סף משלה, כתלות בסט הפקודות של המעבד.\nתכנות בשפת סף נחשב לקשה הרבה יותר מבשפות התכנות העיליות, בין היתר משום ששפת סף אינה אינטואיטיבית וקלה לקריאה כמו השפות העיליות. תכנות בשפת סף, במיוחד כזה הנחשב ליעיל, מחייב להכיר היטב את חומרת המחשב, בעוד שבשפות עיליות המהדר דואג להתאימן לחומרה. מעבר לכך, לשם ביצוע כל פעולה, ולו הפשוטה ביותר, עשויות להידרש הוראות שפת סף רבות. לדוגמה, כדי להציב במשתנה A את סכומם של המשתנים B ו־C, מספיקה בשפה עילית פקודה יחידה מצורה דומה ל־ A := B + C. באסמבלי, לעומת זאת, הפעולה תהיה ארוכה יותר, לדוגמה:\nmov ax, B – העבר את הערך B אל אוגר ax\nadd ax, C – הוסף את הערך C לערך שנמצא באוגר ax\nmov A, ax – העבר את הערך שנמצא באוגר ax אל הכתובת של המשתנה A\nהתכנות בשפת סף היה נפוץ למדי ואפילו דומיננטי, למרות הקושי שבו, עד לתחילת שנות ה־70 של המאה העשרים, וזאת בשל משאבי המחשב המוגבלים שעמדו לרשות המתכנתים ובשל היכולת ליצור קוד יעיל במהירות־הביצוע וחסכוני בזיכרון, יותר מקוד שנוצר בשפות עיליות. בעקבות השתכללות המהדרים של השפות העיליות, לא נותר עוד הבדל משמעותי שיצדיק את הטרחה שבכתיבה בשפת סף, והשימוש בה נדיר כיום. כיום היא משמשת בעיקר כותבי מערכות הפעלה, מפתחים של חלקי תוכנה שדרושים להם ביצועים מהירים במיוחד או תקשורת ישירה עם רכיבי חומרה (כמו מנהלי התקנים), וכן כותבי וירוסים מתוחכמים.\nהמהדר של שפת הסף, המתרגם את קובצי ההוראות לשפת מכונה, נקרא אסמבלר (Assembler).\nבגלל ששפת סף תלויה בקוד המכונה שספציפי למערכות מחשוב שונות, כל שפת סף יכולה לשמש רק לארכיטקטורת מחשב מסוימת.\n== אסמבלי במעבדי 8086 ==\n=== הקדמה ===\nנכון לשנת 2020, חלק גדול מהמעבדים בשוק מבוססים על סדרת 8086 של אינטל, וגם שפת הסף שלהם מבוססת על שפת הסף של המעבד אינטל 80","en_topic":"Assembly language","wiki_pageid":738,"wiki_revid":42436886,"source_url":"https://he.wikipedia.org/?curid=738","license":"CC BY-SA 4.0"}
{"slug":"css","lang":"he","title":"גיליונות סגנון מדורגים","text":"גיליונות סגנון מדורגים (באנגלית: Cascading Style Sheets ובראשי תיבות: CSS) הם פורמט לעיצוב דפי אינטרנט. הגיליונות קובעים את עיצובם של תגים ב-HTML,‏ XHTML וכל שפה דומה ל-XML לבניית אתרי אינטרנט.\nCSS נוצר במטרה להפריד בין תוכן ומבנה דפי האינטרנט לבין עיצובם: עד ליצירת ה-CSS בידי קבוצת התקינה W3C ב-1995, נכתבו תוכן האתרים וסגנון העיצוב שלהם באותו דף HTML. כתוצאה מכך, הפך קוד ה-HTML למסובך ובלתי קריא, ושינויים עיצוביים באתר שלם דרשו מעבר דף אחר דף. באמצעות CSS ניתן למקם הגדרות עיצוב בקובץ יחיד, ששינוי בו ישתקף בבת אחת בכל הדפים העושים בו שימוש.\nגליונות הסגנון נקראים \"מדורגים\" (באנגלית: Cascading) משום שהגדרות סגנון שונות נבנות זו על גבי זו. לדוגמה, יהיו הגדרות סגנון מסוימות החלות על כל האלמנטים מסוג \"פסקה\" (<p>), והגדרות אחרות התקפות רק לסוגים מסוימים של פיסקאות. במקרה של סתירה לגבי תכונת עיצוב (property) מסוימת, אחד הכללים הוא שההגדרה המתייחסת לסוג מסוים של פיסקאות תגבר על הגדרה המתייחסת לכל הפיסקאות משום שהיא ספציפית יותר, וישנם כללים נוספים. במקרה שאין עדיפות אחרת, ההגדרה המופיעה אחרונה תגבר.\n== יתרונות ==\nהפרדה זו יוצרת מספר יתרונות:\nעיצוב גלובלי – בראש ובראשונה יצירת תבנית גלובלית לכל דפי האתר. שינוי קובץ ה-CSS ישתקף בכל דפי האתר, ולא יצריך התערבות פרטנית בכל דף ודף.\nקוד נקי יותר – הורדת המורכבות והסיבוכיות ביצירת דפי HTML, באמצעות הוצאת הוראות העיצוב מתוכם.\nהפרדת רשויות – הפרדה נוחה בין אנשי המקצוע השונים שעובדים ביצירת האתר. העיצוב והגרפיקה נעשים על ידי אנשי העיצוב בקבצים נפרדים, והתכנים נכתבים על ידי אנשי התוכן בקוד נקי מהגדרות עיצוב.\nהתאמה אישית – ההפרדה בין העיצוב לתכנים מאפשרת הצגה מותאמת למשתמש, כפי שהדבר נעשה למשל בוויקיפדיה, שבה כל משתמש יכול לבחור באיזה עיצוב, מתוך עיצובים אחדים המוצעים לו, ברצונו לצפות באתר.\nהתאמה לפלטפורמות שונות – שימוש ב-CSS מאפשר יצירת גרסאות להדפסה, גרסאות להצגה על מדיומים אחרים (כמו מחשבי כף יד, טלפונים סלולריים, טלוויזיה וכדומה). CSS תומכת גם ביכולות קוליות ובכתב ברייל.\nהתאמה לגודלי מסך שונים-עיצוב רספונסיבי – שימוש ב-CSS 3 Media Queries נותן אפשרות לעצב את האתר לגודלי מסך שונים. בין השאר יתרון זה, נותן אפשרות לעצב את האתר למכשירי","en_topic":"CSS","wiki_pageid":51706,"wiki_revid":40610887,"source_url":"https://he.wikipedia.org/?curid=51706","license":"CC BY-SA 4.0"}
{"slug":"react","lang":"he","title":"React","text":"React (לעיתים נכתבת כ-React.js או ReactJS) היא ספריית קוד פתוח בשפת ג'אווה סקריפט המשמשת לפיתוח ממשק משתמש לאתרים.\nReact פותחה על ידי ג'ורדן וולקה, מפתח תוכנה בחברת פייסבוק (מטא). הוא הושפע מ-AngularJS ו-XHP, שהייתה ספריית PHP לניהול רכיבי HTML. הספרייה הושמשה לראשונה בדף הבית של פייסבוק בשנת 2011 ובהמשך באינסטגרם ב-2012. הספרייה שוחררה כקוד פתוח במאי 2013. בתחילת 2015 פרסמה פייסבוק ספרייה נוספת בשם ריאקט נייטיב המאפשרת פיתוח ממשקי משתמש ל-iOS, אנדרואיד ול-Microsoft Windows ‏(UWP). ספרייה זו מתחרה בפלטפורמות לבניית אפליקציות היברידיות כגון אפאצ'י קורדובה.\nאחת התכונות המרכזיות של React היא השימוש ב-Virtual Document Object Model או Virtual DOM. הספרייה יוצרת מבנה נתונים בזיכרון, מחשבת את השינויים הנדרשים ובכך מעדכנת את ה-DOM ביעילות.\nבעזרת טרנס-קומפיילר (כמו Babel.js) רכיבי React יכולים להכתב בשפת JSX, הרחבה של ג'אווה סקריפט המאפשרת תגיות HTML בתוך הקוד. במהלך הטרנספילציה, תגיות ה-HTML מתרגמות לקריאות לפונקציות ג'אווה סקריפט של React ומעדכנות את ה-Virtual DOM לפי הצורך.\nNext.js היא ספריית React המאפשרת מספר תכונות נוספות, כולל עיבוד בצד השרת ויצירת אתרים סטטיים.\n== קישורים חיצוניים ==\n אתר האינטרנט הרשמי של react\n React, ברשת החברתית X (טוויטר)\n React, הבלוג הרשמי\n== הערות שוליים ==","en_topic":"React (software)","wiki_pageid":1511633,"wiki_revid":39866042,"source_url":"https://he.wikipedia.org/?curid=1511633","license":"CC BY-SA 4.0"}
{"slug":"interpreter","lang":"he","title":"מפרש (תוכנה)","text":"מפרש (אנגלית: Interpreter) הוא תוכנה המתרגמת קוד מקור של שפת תכנות באופן ישיר ובזמן אמת, שורה אחר שורה, ומבצעת אותה ישירות, פקודה אחר פקודה. בשונה מקומפיילר, המפרש אינו מייצר קובץ בינארי עצמאי, אלא דורש תרגום מחדש של הקוד בכל ריצה. עובדה זו מחייבת שימוש במפרש בכל הרצה של התוכנית (בשונה מקובץ מקומפל), וגורמת לכך שביצוע תוכניות באמצעותו נוטה להיות איטית יותר. יתרון המפרש הוא בזיהוי מיידי של שגיאות במהלך הריצה, אך התוכנית נעצרת עם גילוי השגיאה. בין השפות הנפוצות הפועלות במודל זה ניתן למנות את Python, JavaScript ו-Ruby.\nשפה שהמימושים הנפוצים שלה הם בעזרת מפרש נקראת \"שפה מפורשת\" (אם כי טכנית זאת לא תכונה של שפה). דוגמאות נפוצות לשפות כאלה הן: ויז'ואל בייסיק, JavaScript, פייתון, Prolog, TCL ,bash ובעבר גם שפת APL וכן שפת לוגו.\n== מפרש לעומת מהדר ==\nכל מחשב הוא מכונה, המסוגלת להריץ תוכניות הכתובות בשפה הייחודית לה. לכן, על מנת להריץ תוכנית מסוימת, הכתובה בשפה שאינה שפת המכונה של המחשב המריץ, ראשית יש לתרגמה לשפה זו. תרגום זה יכול להתבצע פעם אחת (ואז בסיום התרגום נוצר קובץ הכתוב בשפת מכונה, הניתן להרצה בכל עת) כפי שנעשה על ידי מהדר, או לפני כל פעם בה מריצים את התוכנית, כפי שנעשה על ידי מפרש. ההבדל בין השניים, איפוא, הוא מתי מבוצע התרגום. מהבדל זה נגזרים המאפיינים של כל אחד מהם.\n== יתרונות וחסרונות ==\nתהליך ההידור הוא תהליך מורכב מאוד, הספציפי למכונה מסוימת. קוד המכונה שנוצר מתחשב בחומרה הספציפית עליה הקוד עתיד לרוץ וכן במערכת ההפעלה המותקנת עליה. כלומר במידה והידרנו תוכנית מסוימת באמצעות מהדר המותאם למכונה מסוימת, התוכנית תרוץ על מכונה זו בלבד. מפרש, לעומת זאת, יאפשר הרצה של התוכנית כמעט בכל מכונה משום שהתוכנית תתורגם על כל מכונה מחדש.\nמאידך, ברור כי שימוש במפרש עלול לצרוך משאבים רבים בשל העובדה כי התוכנית מתורגמת כל פעם מחדש. בנוסף, דרישות מסוימות של התוכנית (כמו הקצאת זיכרון) עלולות לקחת יותר זמן בעת שימוש במפרש, לאור העובדה שהתוכנית לא עובדת ישירות מול מערכת ההפעלה, אלא מול המפרש.\nלאור הבעייתיות שהוצגה, שימוש טהור במפרש נדיר, ונעשה בעיקר ברשת האינטרנט, שם יש צורך בגמישות רבה. אחד היתרונות של שימוש בקוד בלתי מהודר הוא העובדה, שניתן להחליף את המפרש עצמו מבלי להדר מחדש את ק","en_topic":"Interpreter (computing)","wiki_pageid":4961,"wiki_revid":41810385,"source_url":"https://he.wikipedia.org/?curid=4961","license":"CC BY-SA 4.0"}
{"slug":"unit-testing","lang":"he","title":"בדיקות יחידה","text":"במחקר ופיתוח, בדיקות יחידה (Unit tests) הן בדיקות ברמת יחידות המערכת הקטנות שמאמתות את פעילותן התקינה של היחידות. בדרך כלל הבדיקה מכסה את יחידת הקוד הקטנה ביותר, שהיא פרוצדורה או פונקציה, אך לעיתים משתמשים בבדיקות יחידה לצורך בדיקה של מודול שלם. הבדיקות נערכות לרוב לאחר הכנת היחידה או לאחר שבוצעו בה שינויים, אך קיימות גם שיטות (כמו פיתוח מונחה-בדיקות) בהן נכתבות בדיקות יחידה בטרם הכנת היחידה, כך שהבדיקה מהווה קריטריון לנכונות היחידה העתידה להיכתב. הרעיון הוא ליצור קבוצה של בדיקות, אשר תכסה את כל פעילות היחידה, והצלחתה תוכיח בוודאות סבירה כי היחידה תקינה. סוג זה של בדיקות מבוצע בדרך כלל על ידי אנשי הפיתוח ולא על ידי משתמשי הקצה.\n== יתרונות וחסרונות ==\n=== יתרונות ===\nמטרת בדיקות היחידה היא לבודד כל חלק, ולהראות שכל חלק כזה עובד באופן תקין כאשר הוא עצמאי. בדיקות היחידה מספקות סיכום חד משמעי שהחלק עומד בתנאים בהם הוא אמור לעמוד. התוצאה של בדיקות היחידה מביאה לכמה יתרונות:\nתהליך שינוי\nניתן לבצע שיפורים ושדרוגים ליחידה תוך שימוש בבדיקות היחידה לצורך וידוא הנכונות, ואי הפגיעה ביכולות קודמות.\nפישוט תהליך השילוב\nרק לאחר שכל החלקים עובדים טוב, יש טעם לעבור אל בדיקות השילוב (אינטגרציה) הבוחנות את כל המערכת. בדיקות השילוב הן מורכבות משום שהן עוסקות בכל המערכת. לאחר ביצוע בדיקות יחידה אנו מצמצמים את הבעיות בהן ניתקל בשלב זה לבעיות שילוב, לאחר שמובטח לנו כי כל יחידה כשלעצמה פועלת בצורה תקינה.\nתיעוד\nבדיקות היחידה מהוות סוג של תיעוד ליחידה. לעיתים כדי להבין את יכולותיה של יחידה ספציפית, ניתן להסתכל על בדיקות היחידה שהוא עומד בהם.\nהפרדת ממשק ממימוש\nבדיקות היחידה מאלצות את המפתחים לשמור על ממשקים אחידים כלפי שאר המערכת. אחידות זו תורמת לתאימות של היחידה אל כלל המערכת, וליכולת לחלק את עבודת הפיתוח של יחידות שונות לצוותים שונים, וכך גם את עבודת הבדיקות.\n=== חסרונות ===\n== מגבלות ==\nבדיקות יחידה לא מבטיחות מערכת תקינה. הן אינן עוסקות בבעיות שילוב, בעיות ביצועים, ובעיות מערכתיות נוספות. כמו כן, בדיקות היחידה לא ישימו בהכרח דגש על קלטים סבירים מצד משתמש הקצה, משום שהן מתוכננות, כאמור, על ידי המפתח. לסיכום, בדיקות אלה יעילות במיוחד אם משתמשים בהן כחלק מפרויקט פיתוח, כהכנה לשלבי בדיקות אינ","en_topic":"Unit testing","wiki_pageid":21977,"wiki_revid":43336045,"source_url":"https://he.wikipedia.org/?curid=21977","license":"CC BY-SA 4.0"}
{"slug":"scrum","lang":"he","title":"Scrum","text":"Scrum היא מתודולוגיה זריזה איטרטיבית לניהול פרויקטים לפיתוח תוכנה. המתודולוגיה פותחה באמצע שנות ה-90 של המאה ה-20 על ידי קן שוואבר וג'ף סאתרלנד. השיטה מתבססת על ההנחה שפיתוח תוכנה הוא בעיה אמפירית ולא ניתן לפתור אותה בשיטות מסורתיות המתבססות על חיזוי או תכנון. Scrum מניחה שלא ניתן להבין או להגדיר פיתוח תוכנה מסוימת במלואה ומראש, ובמקום זאת מתמקדת בשיפור יכולתו של הצוות לספק תוצרים במהירות ולהגיב לדרישות העולות תוך כדי התהליך. כמו כן, השיטה שמה דגש על צוותים בהכוונה עצמית, המנווטים את הפיתוח באופן עצמאי.\nב-Scrum מקובל להשתמש גם כמעטפת לניהול פרויקטים המפותחים במתודולוגיית XP ומתודולוגיות זריזות אחרות.\n== היסטוריה ==\nהגישה תוארה לראשונה בספרם של טַקֵאוּצִ'י ונוֹנַאקָה The New New Product Development Game שיצא לאור בשנת 1986. השניים הבחינו שפרויקטים לפיתוח מוצרים חדשים משיגים תוצאות טובות יותר כאשר אלה מתבצעים בידי צוותים קטנים ורב-תחומיים. בספרם הם עמדו על הדמיון בין צוותים עתירי ביצועים אלה לתצורת ה-Scrum במשחק הרוגבי, שם המונח מתאר את הדרך שבה המשחק מתחיל מחדש לאחר שהכדור יצא מהמגרש - שתי הקבוצות דוחפות אחת את האחרת כדי לזכות בכדור, והשחקנים בכל קבוצה נדרשים לפעול במשותף, כצוות מגובש. הטכניקה של \"התחלה מחדש\" היא אחת מאבני היסוד של השיטה - בפרויקט Scrum תהליך הפיתוח מתחיל שוב מראשיתו מדי חודש. כלומר, פעם בחודש מסופקת תוכנה עובדת למשתמשים, והערותיהם, כמו גם הדרישות החדשות, מיושמות במחזורי הפיתוח הבאים.\nעקרונות השיטה נבעו מהתעשייה המסורתית, ובעיקר מחברת טויוטה, עד אשר התפתחו לתחום התוכנה.\nבשנת 1991, דה-גרייס וסטול כינו גישה זו Scrum בספרם \"Wicked Problems, Righteous Solutions\". בתחילת שנות ה-90, השתמש קן שוואבר בשיטה שהובילה בסופו של דבר לשיטת Scrum, בחברתו Advanced Development Methods. באותו הזמן, ג'ף סאתרלנד, ג'ון סקמיוטאלס וג'ף מקנה פיתחו שיטה דומה בחברת Easel Corporation והיו הראשונים לכנותה Scrum. סאתרלנד ושוואבר הציגו פרסום המתעד את השיטה בכנס OOPSLA 96 שנערך באוסטין, טקסס. השניים שיתפו פעולה בשנים שלאחר מכן ורתמו את ניסיונם המשותף ליצירת Scrum כפי שהיא מוכרת כיום.\n== מאפיינים ==\nתחזוקה של רשימת פריטי העבודה לביצוע, מסודרים לפי קדימויות, המכונה עתודת המוצר.\nהשלמת","en_topic":"Scrum (software development)","wiki_pageid":143305,"wiki_revid":41743876,"source_url":"https://he.wikipedia.org/?curid=143305","license":"CC BY-SA 4.0"}
{"slug":"object-oriented-programming","lang":"he","title":"תכנות מונחה-עצמים","text":"תכנות מונחה־עצמים או לעיתים תכנות מוכוון־עצמים (באנגלית: Object-Oriented Programming, או בקיצור OOP) הוא פרדיגמת תכנות המשתמשת ב\"עצמים\" (אובייקטים) לשם תכנות תוכניות מחשב.\nבפרדיגמה זו שמאפייניה הן מודולריות, מדרגיות ואבסטרקציה (הפשטה), מרחב התוכנה הוא למעשה מרחב של אובייקטים תכנותיים בעלי יחסים היררכיים ביניהם. כל ישות תכנותית היא מחלקה/אובייקט בעלת מאפיינים ופעולות משלה הקיימת כיחידה סגורה ועצמאית. בשיטה זו קיימת הפרדה בין המימוש הפנימי לבין הממשק החיצוני של המחלקה, בדומה לצורת העיצוב של מכשירים רבים.\nהפרדיגמה מספקת למתכנת מספר דרכים לארגן ולפשט את קידוד התוכנה באמצעות כימוס (יצירת עצמים של \"קופסאות שחורות\"), הורשה (עצם Y יורש מעצם X ונגזרות תכונות מעצם לעצם) ופולימורפיזם (רב צורתיות שבה ניתן לשנות חלק מהתכונות בעצם Y הנגזרות מהעצם הנורש X).\nהפרדיגמה היוותה מהפכה בכתיבת תוכנה והחלה לשמש בפיתוח תוכנה החל מתחילת שנות ה־80 של המאה ה־20 ואילך, אך השימוש בפרדיגמה בשלמותה החל רק בשנות ה־90. רוב שפות התכנות המודרניות תומכות בתכנות מונחה־עצמים.\nתכנות מונחה־עצמים הוא חלק מתפיסה (פרספציה) של פיתוח מונחה־עצמים, הכולל גם ניתוח מערכות מונחה־עצמים (OOA), עיצוב מונחה־עצמים (OOD) ובמידה חלקית גם מסדי נתונים מונחי־עצמים (Object-Oriented Databases).\n== רקע ==\nהפרדיגמה של תכנות מונחה־עצמים צמחה מהתכנות הפרוצדורלי והמודולרי שבוסס על שגרות ופונקציות שפעלו על מבני נתונים חופשיים בכל מרחב התוכנה. השיטה הפרוצדורלית יצרה קושי רב, מכיוון שכל שינוי בהגדרת משתנים בתוכנית חייב שינוי בפונקציות שפעלו בכל מרחב התוכנה. היה קשה לאתר באג בתוכנה כיוון שהמשתנה יכול היה להשתנות בקטעי קוד רבים בתוכנה. והיה קשה למחזר קוד, בשל תלויות שלו במשתנים ופונקציות במרחב היישום כולו. ככל שהתוכנה הייתה גדולה ומורכבת הקושי הלך והתעצם, דבר שגרר איטיות ומורכבות בפיתוח ככל שהתקדם ותחזוקה רבה, וכך, בניגוד למחירי החומרה שכל הזמן ירדו, מחירי התכנות דווקא האמירו. לפיכך היה צורך לחפש מתודולוגיה חדשה שתפשט ותקל על עבודת התכנות.\nאחד מהכיוונים לטיפול בבעיה היה ביסוס של פיתוח התוכנה על מודולות, כעין \"קופסאות שחורות\" שניתן להשתמש בהן שימוש משותף ולהעתיקן ליישומים נוספים, בבחינת שימוש חוזר (Reuse) של קוד, ובכך לקצר את תהליך פיתוח ","en_topic":"Object-oriented programming","wiki_pageid":734,"wiki_revid":41453373,"source_url":"https://he.wikipedia.org/?curid=734","license":"CC BY-SA 4.0"}
{"slug":"algorithm","lang":"he","title":"אלגוריתם","text":"אלגוריתם הוא דרך שיטתית, אבסטרקטית וחד-משמעית לביצוע של משימה מסוימת, במספר סופי של צעדים, המכסה את כלל האפשרויות הרלוונטיות. מתכון להכנת עוגה דומה לאלגוריתם, אך הוא לא תמיד חד-משמעי (למשל, מה בדיוק המשמעות של \"לערבב עד שמתקבל מרקם אחיד\") ואינו מכסה את כל האפשרויות הרלוונטיות (למשל, מה עושים כשחסר מרכיב). אלגוריתם תקין חייב להיות מתוכנן כך שלא יצריך חשיבה אנושית או יצירתיות, גם במקרים של תקלות, שגיאות או מקרי קצה. בדרך-כלל משמש מונח זה לכינוי שיטת פתרון בעיות במתמטיקה או במדעי המחשב ובעיקר ביחס לנתונים תוויים כלשהם. האלגוריתם הוא אבסטרקטי במובן זה שהוא מתייחס למתמטיקה נתונה אבל לא לשפת תכנות מסוימת או למקרה גשמי מסוים, אלא ניתן לתיאור וליישום על בסיס אותה מתמטיקה במגוון שפות ודרכים ועבור מגוון מקרים רלוונטיים.\nכל תוכנית מחשב היא אלגוריתם, או אוסף של אלגוריתמים. בתיאור זה של האלגוריתמים יש עמימות מסוימת. כדי לפזר עמימות זו הגה טיורינג את \"מכונת טיורינג\", שהיא \"מכונה\" תאורטית המסוגלת, עקרונית, לבצע כל אלגוריתם. במקביל לטיורינג, הגו עוד מתמטיקאים ולוגיקנים הגדרות למושג האלגוריתם והתברר שכל ההגדרות שלהם היו שקולות זו לזו. לכן, היום אלגוריתם הוא מה שכל אחת מההגדרות האלו מתארות, ובפרט, מה שמכונת טיורינג מסוגלת לבצע.\nקיימות משימות מוגדרות שלא קיים פתרון אלגוריתמי עבורן, וכבר טיורינג הוכיח זאת (ענף מדעי המחשב העוסק בסוגיה זו קרוי חישוביות). מצד שני, לביצועה של משימה מסוימת ייתכנו אלגוריתמים אחדים, מצב שמצדיק בחינה של יעילות האלגוריתמים, בהתאם למדדי יעילות נאותים. במסגרת מדעי המחשב נבחנת יעילותם של אלגוריתמים (בענף הקרוי סיבוכיות חישובית) על-פי הזמן והזיכרון הנדרשים לביצוע האלגוריתם כפונקציה של גודל הקלט לאלגוריתם. דהיינו, ככל שזמן הריצה של האלגוריתם ביחס לגודל הקלט קטן יותר, האלגוריתם ייחשב טוב יותר. מקובל להגדיר אלגוריתמים כ\"יעילים\" אם זמן הריצה שלהם פולינומי בגודל הקלט שלהם.\nתיאור ויזואלי באלגוריתמיקה ניתן באמצעות תרשים זרימה.\n== מקור המונח ==\nמקור המילה בהגייה לטינית של שם המתמטיקאי הפרסי המוסלמי בן המאה התשיעית, מוחמד אבן מוסא אל-ח'ואריזמי. שחי בבגדאד במאה התשיעית. כאשר ספרו על שיטות חישוב תורגם ללטינית, נכתב שמו של אל ח'ואריזמי כ\"אלגוריתמי\" (ככל הנראה שיבוש בתעתיק שנגר","en_topic":"Algorithm","wiki_pageid":651,"wiki_revid":43570143,"source_url":"https://he.wikipedia.org/?curid=651","license":"CC BY-SA 4.0"}
{"slug":"big-o-notation","lang":"he","title":"סימון אסימפטוטי","text":"סימון אסימפטוטי (ידוע גם כסימון לנדאו) משמש במתמטיקה כסימון מקוצר שמתאר את התנהגותן של פונקציות עבור ערכים הולכים וגדלים (או הולכים וקטנים), וזאת באמצעות השוואתן לפונקציות אחרות. היתרון שבשימוש בסימונים אסימפטוטיים הוא שהוא מאפשר לקבל הערכה טובה על אופן הגידול של ערכי הפונקציה מבלי שיהיה צורך לדעת אותו במדויק. לסימונים אסימפטוטיים שני תחומים מרכזיים שבהם הם יעילים: במדעי המחשב הם משמשים כדי להעריך את הסיבוכיות של אלגוריתמים, ובמתמטיקה הם משמשים על מנת להעריך את גודל השגיאה בקירובים שונים.\n== הגדרה פורמלית ==\nהשימוש בסימון אסימפטוטי מערב תמיד פונקציה\n g\n {\\displaystyle \\ g}\n, על פי רוב מקבוצת הטבעיים לעצמה או הממשיים לעצמה. הפונקציה\n g\n {\\displaystyle \\ g}\n משמשת בתור קנה המידה ההשוואתי לפונקציות אחרות. לרוב ההתעניינות היא בקצב הגדילה של\n g\n {\\displaystyle \\ g}\n כאשר הערכים שהיא מקבלת שואפים לאינסוף, אולם הדבר אינו הכרחי. בהגדרות שנביא כאן נניח כי כל הפונקציות הן מהטבעיים לעצמם (מצב נפוץ במיוחד במדעי המחשב, מכיוון שמדדי סיבוכיות זמן וזיכרון הם חיוביים ובדידים). עם זאת, גם ללא ההנחה נדרוש מ-g להיות אי שלילית החל מאיבר מסוים. להלן חמשת הסימונים האסימפטוטיים המקובלים:\n=== הסימון O ===\nהסימון הנפוץ ביותר הוא הסימון \"O\" (קרי: אוֹוּ גדול). כאשר עוסקים בשאיפה של\n g\n (\n n\n )\n {\\displaystyle \\ g(n)}\n לאינסוף, מוגדרת הקבוצה\n O\n (\n g\n (\n n\n )\n )\n {\\displaystyle \\ O(g(n))}\n בתור אוסף כל הפונקציות\n f\n (\n n\n )\n {\\displaystyle \\ f(n)}\n (בעלות אותו תחום וטווח כמו\n g\n {\\displaystyle \\ g}\n) עבורן קיימים קבועים חיוביים\n n\n 0\n ∈\n N\n ,\n 0\n <\n c\n ∈\n R\n {\\displaystyle \\ n_{0}\\in \\mathbb {N} ,0<c\\in \\mathbb {R} }\n כך שלכל\n n\n >\n n\n 0\n {\\displaystyle \\ n>n_{0}}\n מתקיים\n f\n (\n n\n )\n ≤\n c\n ⋅\n g\n (\n n\n )\n {\\displaystyle \\ f(n)\\leq \\;c\\cdot g(n)}\n","en_topic":"Big O notation","wiki_pageid":274565,"wiki_revid":42596702,"source_url":"https://he.wikipedia.org/?curid=274565","license":"CC BY-SA 4.0"}
{"slug":"dynamic-programming","lang":"he","title":"תכנון דינמי","text":"במדעי המחשב, שיטת התכנון הדינמי לבניית אלגוריתם, שהוצגה לראשונה בשנת 1953 על ידי ריצ'רד בלמן, היא שיטה לפתרון בעיות בעלות תת-מבנה מיטבי (Optimal substructure) שאי אפשר לפתור אותן באופן יעיל בשיטת הפרד ומשול נאיבית. שיטת הפרד ומשול נאיבית פותרת בעיה על ידי חלוקתה לתת-בעיות, הנפתרות בתורן על ידי חלוקתן לתת-בעיות קטנות אף יותר, עד שמתקבלות בעיות קטנות מספיק שניתן לפתור אותן באופן ישיר.\nבעיות מסוג זה מתאפיינות בכך שלאחר חלוקתן למספר תת-בעיות, מתגלה כי יש תת-בעיות חופפות (Overlapping subproblems). פתרון המבוסס על הפרד ומשול נאיבי פותר את תת-הבעיות החופפות מספר פעמים, פעם אחת עבור כל תת-בעיה, מה שעלול לגרום לכך שהפתרון של הבעיה המקורית יתבצע בסיבוכיות גבוהה מאוד.\nהאלטרנטיבה שמציעה שיטת התכנון הדינמי היא פתרון של כל תת-הבעיות בזו אחר זו, כאשר פתרון כל אחת מתת-הבעיות נשמר עבור שימוש עתידי.\nבאופטימיזציה מתמטית תכנות דינמי מתממש על ידי הגדרת פונקציות ערך V התלויות במשתנה מצב y כאשר V ידועות עבור השלב ההתחלתי ו V בשלב הסופי נותנות את הפתרון. פונקציות V נבנות בצורה רקורסיבית כאשר בניית V של שלב n מתקבלת בצורה רקורסיבית מהשלבים הקודמים על ידי משוואת בלמן.\nמקורם של אלגוריתמים בשיטת התכנון הדינמי הוא בבעיות שיש להן פתרון רקורסיבי, אך הפתרון הרקורסיבי הישיר אינו יעיל, מאחר שהוא דורש שאותן תת-בעיות תפתרנה שוב ושוב. אם מספר תת-הבעיות הקיימות הוא \"קטן יחסית\", כלומר פולינומי, ניתן לפתור את הבעיה באמצעות תכנון דינמי.\nדוגמאות לבעיות שתכנון דינמי הוא כלי אלגוריתמי חשוב לפתרונן: חישוב מרחק לוינשטיין, עימוד רצפים בביואינפורמטיקה, בעיית תרמיל הגב (סיבוכיות זמן פסאודו-פולינומית) וחישוב הסתברות לרצף תצפיות במודל מרקוב חבוי.\n== קווי פעולה למציאת אלגוריתם בשיטת התכנון הדינמי ==\nמציגים פתרון רקורסיבי לבעיה.\nמגלים כי זמן ריצת האלגוריתם הרקורסיבי (הפועל \"מלמעלה למטה\") הוא מעריכי.\nמגלים כי מספר תת-הבעיות הקיימות הוא פולינומי, והסיבה לסיבוכיות המעריכית היא קריאות חוזרות לאלגוריתם עבור אותה תת-בעיה שכבר נפתרה.\nפותרים את הבעיה על ידי פתרון כל תת-הבעיות – ממקרי הקצה שפתרונותיהם ידועים מראש (\"כלפי מעלה\") – עד שמגיעים לבעיה המקורית.\n== דוגמאות ==\n=== חישוב איבר כללי בסדרת פיבונאצ'י ===\nסדרת פיבונאצ'י היא","en_topic":"Dynamic programming","wiki_pageid":67563,"wiki_revid":40470341,"source_url":"https://he.wikipedia.org/?curid=67563","license":"CC BY-SA 4.0"}
{"slug":"turing-machine","lang":"he","title":"מכונת טיורינג","text":"מכונת טיורינג (באנגלית: Turing machine) היא מודל חישובי מתמטי אשר באמצעותו ניתן לתאר באופן מופשט את פעולתו של מחשב (כולל מחשב מודרני).\nמכונת טיורינג מתארת בצורה פורמלית-מתמטית, כיצד ניתן לבצע פעולות חישוביות שונות כגון זיהוי מילים השייכות לשפה פורמלית, ביצוע פעולות חיפוש ומיון בקלט ועוד, והיא למעשה האוטומט החזק ביותר לביצוע חישובים, ולמעשה לעיתים המושג \"חישוב\" מוגדר על סמך פעולות הניתנות לביצוע באמצעות מכונת טיורינג.\nמכונת טיורינג מתוארת באופן דמיוני כסרט אינסופי של תאים וראש קריאה בעל זיכרון סופי היכול לקרוא את תוכנו של התא שמעליו הוא ממוקם, לכתוב באותו התא וכן לנוע ימינה או שמאלה על הסרט. המכונה מקבלת את הקלט שלה באמצעות הסרט, עליו היא יכולה גם לכתוב, ולזוז כרצונה לכל נקודה על גביו.\nכאמור למרות שהמודל נראה פשטני ודל, התזה של צ'רץ'-טיורינג קובעת שכל חישוב או אלגוריתם בר-ביצוע, ניתן לתרגם למכונת טיורינג. מבחינה זו, מכונת טיורינג שקולה לכל מחשב, ולכן משמשת במדעי המחשב, בעיקר בתורת הסיבוכיות ובתורת החישוביות, כבסיס לחקר יכולותיו ומגבלותיו התאורטיות של המחשב.\nאת המודל הציע אלן טיורינג בשנת 1936, טרם המצאת המחשב המודרני, כדי ליצור הגדרה מתמטית מדויקת של אלגוריתם, או \"תהליך מכני\" חישובי.\nשלמות טיורינג מוגדרת כיכולת הרצת אלגוריתמים הדומה למכונת טיורינג אוניברסלית (למעט הזיכרון הסופי של התקן החישוב בו הוא שונה ממכונת טיורינג).\n== רקע ==\nאלן טיורינג פיתח את מכונת טיורינג כניסוי מחשבתי, בניסיון לזהות שאלות מתמטיות, שאינן ניתנות להכרעה ובכך להבדילן משאלות מתמטיות הניתנות להכרעה, שלגביהן משפטי האי-שלמות של גדל אינם תקפים.\nלמעשה מכונות טיורינג מזהות האם קלט עונה על תבנית מוגדרת מסוימת, או באופן פורמלי יותר, האם מילה שהוזנה למכונה כקלט היא מילה בשפה פורמלית מסוימת. באמצעות המודל החישובי ניתן לראות כי ישנן שפות אשר עבורן ניתן לתאר מכונת טיורינג אשר תמיד תכריע האם מילה נמצאת בשפה או האם היא אינה נמצאת בשפה. שפות אלו מכונות שפות \"כריעות\". בנוסף, קיימות שפות אשר אינן כריעות אך כן קיימות מכונות טיורינג אשר מזהות כל מילה ששייכת להן, אולם ייתכן שהן לעולם לא יעצרו אם המילה אינה שייכת לשפה. שפות אלו מכונות \"ניתנות לזיהוי\". ניתן להוכיח כי קיימות שפות, או במילים אחרות קיימות בעיות, אשר אינ","en_topic":"Turing machine","wiki_pageid":792,"wiki_revid":38159181,"source_url":"https://he.wikipedia.org/?curid=792","license":"CC BY-SA 4.0"}
{"slug":"p-versus-np-problem","lang":"he","title":"בעיית P=NP","text":"השאלה האם P=NP היא בעיה פתוחה מרכזית במדעי המחשב, העוסקת ביכולת לפתור אוסף גדול של בעיות בצורה יעילה. במילים פשוטות, השאלה היא האם כל בעיה שניתן לבדוק עבורה בצורה יעילה האם פתרון מוצע הוא נכון, היא גם בעיה שניתן למצוא עבורה פתרון בצורה יעילה.\nההגדרה ליעילות בהקשר של בעיות מהמחלקות P ו-NP מתייחסת לקיום אלגוריתם שפותר את המשימה בזמן פולינומי, כלומר זמן השלמת המשימה משתנה כפונקציה פולינומית ביחס לגודל הקלט לאלגוריתם.\nהמחלקה P היא מחלקת סיבוכיות המכילה את כל בעיות ההכרעה אשר ניתנות לפתרון באופן יעיל, כלומר בזמן ריצה פולינומי. לחלק מבעיות ההכרעה לא קיים אלגוריתם ידוע שמאפשר לפתור אותן באופן יעיל, אך כן קיים אלגוריתם שבהינתן תשובה, יוכל לאמת אותה ביעילות. המחלקה הכוללת את הבעיות הללו, שבהינתן פתרון שלהן ניתן לאמת אותו בזמן פולינומי, נקראת NP.\nתשובה לשאלה האם P שווה ל-NP תקבע האם ניתן לפתור בזמן פולינומי בעיות שניתן לאמת פתרון שלהן בזמן פולינומי. אם P≠NP, בהתאם להשערה הרווחת, פירוש הדבר הוא שישנן בעיות שנמצאות ב-NP אך לא נמצאות ב-P, כלומר קיימות בעיות שקשה למצוא להן פתרון ולא ניתן לפתור אותן בזמן פולינומי, אך ניתן לאמת פתרון מוצע לבעיה בזמן פולינומי.\nלפתרון הבעיה ישנן השלכות תאורטיות ומעשיות רבות, והיא זכתה להכרה כאחת מ\"שבע בעיות המילניום\" של מכון קליי למתמטיקה.\n== היסטוריה ==\nבשנת 1955 שלח ג'ון נאש מכתב ל-NSA בו הוא ציין כי הוא חושד שכדי לפרוץ קוד מסובך מספיק זמן ריצה אקספוננציאלי ביחס לאורך המפתח. בשנת 1956, שאל קורט גדל במכתב בינו ובין ג'ון פון נוימן, האם ניתן להוכיח הוכחות מתמטיות בזמן ליניארי או ריבועי וכתוצאה מכך יהיה אפשר להפוך הוכחות לדבר אוטומטי. התכתבויות אלו הופיעו לפני 1971, השנה שבה נכתבו ההגדרות הפורמליות למושגי P ו-NP ולבעיית P=NP על ידי סטיבן קוק במאמרו \"The complexity of theorem proving procedures\". בשנת 2000 נבחרה הבעיה להיות אחת מתוך 7 בעיות המילניום של מכון קליי, ואדם אשר פותר אותה יקבל פרס של מיליון דולרים אמריקאים ממכון זה.\n== המחלקות P ו-NP ==\n ערכים מורחבים – P (מחלקת סיבוכיות), NP (מחלקת סיבוכיות)\nבמדעי המחשב מוצעות מספר שיטות למדוד יעילות של אלגוריתם על בסיס הקלט שלו. הגישה הנפוצה היא למדוד את זמן הריצה של האלגוריתם. על מנת למדוד את זמן הריצה בלי ","en_topic":"P versus NP problem","wiki_pageid":188531,"wiki_revid":43219189,"source_url":"https://he.wikipedia.org/?curid=188531","license":"CC BY-SA 4.0"}
{"slug":"kernel","lang":"he","title":"גרעין (מערכות הפעלה)","text":"במערכת מחשב, הגרעין (באנגלית: kernel) הוא רכיב מרכזי של מערכת ההפעלה (התוכנה שמנהלת את המחשב) אשר שולט ברכיבי החומרה במערכת ומתווך אותם לתוכניות שרצות על המחשב.\nהגרעין מנהל את משאבי המערכת הפיזיים (המעבד, הזיכרון, וההתקנים) והווירטואליים (לדוגמה טבלת התהליכים שנשמרת בזיכרון ומכילה את כל מופעי התוכניות שרצות באותו רגע על המחשב) כך שתהליכים שונים יכולים להשתמש באותו משאב מבלי להפריע זה לזה.\nהגרעין מספק שכבה של אבסטרקציה שמבודדת את התהליכים אחד מהשני ומפשטת משמעותית את פעולת התכנות (כתיבה של תוכניות) על ידי הצגת ממשק שמאפשר למתכנתים להשתמש במשאבי המחשב בצורה נוחה (למשל באמצעות מערכת קבצים במקום על ידי פעולות נמוכות-רמה להפעלת התקני אחסון).\nתוכניות משתמשות בשרותי הגרעין באמצעות קריאות מערכת.\nמבחינה טכנית, הגרעין של מערכת ההפעלה הוא אוסף שגרות שמטפלות בפסיקות – אירועים חומרתיים שמתרחשים באופן אסינכרוני (כגון הקלקה על מקש במקלדת, הזזה של עכבר, קבלה של חבילה מהרשת, פקיעה של קוצב זמן) ובאופן סינכרוני (כגון קריאת מערכת, חלוקה באפס, וגישה לזיכרון שלא הוקצה). להבדיל מתהליכים, שגרות הגרעין רשאיות לחסום פסיקות באופן זמני. לכן רק הגרעין, ברצותו, יכול להבטיח שרצף כלשהו של פעולותיו יתבצעו באופן \"אטומי\", כלומר מבלי שאף פסיקה אחרת תתחולל תוך כדי ותפריע.\nהמשימות של מערכות הפעלה מבוצעות באופן שונה על ידי גרעינים שונים, בהתאם לעיצוב ולמימוש שלהן. בעוד שגרעינים מונוליטים (monolithic kernels) מריצים את כל הקוד של מערכת ההפעלה באותו מרחב כתובות על מנת לשפר את ביצועי המערכת, מיקרו-גרעינים (microkernels) מריצים את מרבית שירותי מערכת ההפעלה במרחב המשתמש כשרתים, במטרה לשפר את האמינות והתחזוקתיות של מערכת ההפעלה. קיים מגוון של אפשרויות בין שתי הדוגמאות הקיצוניות האלה.\n== תפקידיו הבסיסיים של הגרעין ==\nתפקידו העקרי של הגרעין הוא לנהל את משאבי המחשב ולאפשר לתוכניות אחרות לרוץ ולהשתמש במשאבים אלה. בדרך כלל בין משאבי המחשב נכללים:\nיחידת העיבוד המרכזית (המעבד). זהו החלק המרכזי ביותר במערכת מחשב, האחראי לריצה או ביצוע של תוכניות על גביו. בכל רגע נתון, באחריות הגרעין לקבוע עבור איזו מהתוכניות הרבות שרצות יש להקצות את המעבד או המעבדים (שכל אחד מהם בדרך כלל יכול להריץ רק תוכנית אחת בו זמנית).\nזיכרון המחש","en_topic":"Kernel (operating system)","wiki_pageid":5726,"wiki_revid":42945385,"source_url":"https://he.wikipedia.org/?curid=5726","license":"CC BY-SA 4.0"}
{"slug":"microsoft-windows","lang":"he","title":"Microsoft Windows","text":"Windows (וינדוז, בתרגום חופשי לעברית: חלונות) היא מערכת הפעלה שיצאה לשוק לראשונה בשנת 1985 על ידי חברת מיקרוסופט ופועלת על מחשבים אישיים ושרתים בעלי מעבד ממשפחת x86 או ARM, או שרתים מבוססי איטניום (בגרסאות השרת של המערכת). מערכת ההפעלה Windows התבססה, במקור, על מערכת ההפעלה DOS של החברה. במהלך השנים הפכה המערכת לפופולרית.\nאף שעבודה בממשק משתמש גרפי מזוהה בעיני רוב הציבור עם מערכת ההפעלה Windows, שורשיו של רעיון זה נעוצים הרחק ממנה. הרעיון של עבודה בממשק משתמש גרפי, תוך שימוש בעכבר ובחלונות, פותח ב\"זירוקס פארק\", מרכז המחקר של חברת זירוקס. זירוקס לא הצליחה להפוך רעיון זה להצלחה מסחרית, ומימוש מסחרי נרחב שלו הופיע לראשונה במחשבי \"מקינטוש\" של חברת \"אפל\". רק לאחר מכן הופיעה מערכת ההפעלה Windows, שהתבססה על הרעיונות של קודמיה.\n== היסטוריה ==\nמערכת ההפעלה Windows יצאה בגרסאות רבות, שהתפתחו במהלך השנים. הגרסאות כוללות גרסאות למשתמש ביתי, משתמש עסקי ולסביבת שרת.\n== MS-DOS ומערכות שהתבססו על ליבת MS-DOS ==\n ערך מורחב – MS-DOS\nלפני עידן החלונות, מערכת ההפעלה מתוצרת מיקרוסופט נקראה MS-DOS, והיא פותחה תחילה עבור IBM PC של תאגיד IBM, שהושק ב-1981 וזכה להצלחה בשוק העסקי. לפי החוזה בין מיקרוסופט לבין IBM הותר למיקרוסופט למכור את התוכנה ללקוחות אחרים, ויצרנים אחרים החלו לשווק מחשבים תואמי IBM גם עם מערכת ההפעלה. MS-DOS כלל ממשק שורת פקודה, שבו הפעלת התוכנות השונות בוצעה על ידי הקשת פקודה טקסטואלית. אחד החסרונות של מערכת הפעלה זו הוא חוסר היכולת להפעיל יותר מתוכנה אחת בו זמנית בממשק המשתמש. כל הגרסאות הראשונות של Windows, עד לגרסת Windows ME, הופעלו מתוך DOS (למעט משפחת הגרסאות שהתבססו על הגרעין של Windows NT).\nפיתוח Windows החל בשנת 1981, תחת השם \"Interface manager\", אך הגרסה הראשונה של מערכת ההפעלה, גרסה 1.0, יצאה לשוק רק בנובמבר 1985, יועדה לעבודה על מחשבים בעלי מעבד 286, עשתה שימוש בצלמיות והכילה שתי תכונות שלא היו קיימות ב־DOS, עבודה של מספר יישומים גרפיים במקביל ומושג הזיכרון הווירטואלי. הגרסה הראשונה לא זכתה להצלחה מסחרית והיא הייתה נחותה מהמערכת של מחשבי \"מקינטוש\" ושל מחשבים נוספים שהושקו באותה עת, ה\"קומודור אמיגה\" ו\"אטארי אס.טי.\".\nבדצמבר 1987 הושקה גרסת Windows 2.0, שאפשרה ש","en_topic":"Microsoft Windows","wiki_pageid":596,"wiki_revid":43595351,"source_url":"https://he.wikipedia.org/?curid=596","license":"CC BY-SA 4.0"}
{"slug":"ios","lang":"he","title":"IOS","text":"iOS היא מערכת הפעלה סלולרית שנוצרה ופותחה על ידי חברת אפל, עבור סדרת הטלפונים החכמים שלה, האייפון. היא נחשפה בינואר 2007 לצד הדור הראשון של האייפון, ושוחררה ביוני 2007. גרסאות עיקריות של iOS יוצאות מדי שנה; הגרסה היציבה הנוכחית, iOS 26, שוחררה לציבור ב-15 בספטמבר 2025.\nמלבד הפעלת האייפון, iOS היא הבסיס לשלוש מערכות הפעלה נוספות של אפל: iPadOS, tvOS ו-watchOS. מערכת ההפעלה iOS הפעילה בעבר גם את האייפד עד שהוצג iPadOS בשנת 2019 ואת סדרת מכשירי האייפוד טאץ' עד להפסקת ייצורו. iOS היא מערכת ההפעלה הסלולרית השנייה הכי מותקנת בעולם, אחרי אנדרואיד. נכון לדצמבר 2023, חנות האפליקציות של אפל מכילה יותר מ-3.8 מיליון אפליקציות iOS סלולריות.\niOS מבוססת על macOS והיא מערכת הפעלה דמוית יוניקס. למרות שחלקים מסוימים של iOS הם קוד פתוח תחת רישיון המקור הציבורי של אפל ורישיונות אחרים, iOS היא תוכנה קניינית. השם iOS היה שייך במקור לחברת סיסקו מערכות, ובחודש יוני 2010, אפל קיבלה זכות להשתמש בשם הזה.\n== היסטוריה ==\nבשנת 2005, כאשר סטיב ג'ובס החל לתכנן את האייפון, הוא הצהיר כי יש לו ברירה או \"להקטין את המקבוק, שיהיה הישג הנדסי אפי, או להגדיל את האייפוד\". ג'ובס העדיף את הגישה הראשונה אך העמיד את צוותי המקינטוש והאייפוד, בראשות סקוט פורסטול וטוני פאדל, בהתאמה, זה מול זה בתחרות פנימית, כאשר פורסטול ניצח בכך שיצר את מערכת ההפעלה אייפון. ההחלטה אפשרה את הצלחת האייפון כפלטפורמה למפתחי צד שלישי: שימוש במערכת הפעלה שולחנית ידועה כבסיס איפשר למפתחי מק רבים של צד שלישי לכתוב תוכנה לאייפון עם הכשרה מינימלית. פורסטול היה אחראי גם על יצירת ערכת פיתוח תוכנה (SDK) למתכנתים לבניית אפליקציות אייפון, כמו גם על חנות אפליקציות בתוך אייטיונס (iTune).\nמערכת ההפעלה נחשפה עם האייפון בכנס ותערוכת מקוורלד ב-9 בינואר 2007, ושוחררה ביוני של אותה שנה. בזמן חשיפתו בינואר, טען סטיב ג'ובס: \"האייפון מריץ את מערכת ההפעלה OS X\" ומריץ \"אפליקציות שולחן עבודה\", אך בזמן יציאתו של האייפון, מערכת ההפעלה שונה לשם \"iPhone OS\". בתחילה, אפליקציות מקוריות של צד שלישי לא נתמכו. הנימוק של ג'ובס היה שמפתחים יוכלו לבנות אפליקציות אינטרנט דרך דפדפן האינטרנט ספארי ש\"יתנהגו כמו אפליקציות מקוריות באייפון\". באוקטובר 2007, אפל הודיעה כי ערכת פי","en_topic":"IOS","wiki_pageid":889853,"wiki_revid":43448105,"source_url":"https://he.wikipedia.org/?curid=889853","license":"CC BY-SA 4.0"}
{"slug":"world-wide-web","lang":"he","title":"World Wide Web","text":"World Wide Web (בעברית: רשת כלל־עולמית, ובמינוח האקדמיה ללשון העברית: \"המארג הכלל־עולמי\"), או בראשי התיבות WWW, הוא מרחב של מסמכי היפרטקסט מקושרים המכונים דפי אינטרנט או דפי Web, והוא כולל משאבים אלקטרוניים אחרים כמו תמונות, קובצי וידאו וצליל ותוכניות. הווב נגיש דרך האינטרנט.\nהקישור בין הדפים מתקיים באמצעות היפרטקסט – טקסט שבחירה בו מובילה את המשתמש לדף אינטרנט אחר. דפי אינטרנט וההיפרטקסט נקראים באמצעות תוכנת דפדפן, שקוראת את דפי האינטרנט משרתי אינטרנט ומציגה אותם על המסך. מכלול של דפי אינטרנט שנוצרו על ידי גורם אחד, קשורים לאותו נושא ושמורים תחת שם דומיין אחד נקראים אתר אינטרנט.\nקצב הגידול המהיר להפליא של הטכנולוגיה החדשה נבע מאימוץ שלה כמעט בצורה מידית על ידי המגזר המסחרי והפרטי, לצורכי פרסום ומסחר, חינוך, פורנוגרפיה, ועוד.\nלאחר תקופת קליטה קצרה, אומצה הטכנולוגיה החדשה גם על ידי תעשיית מערכות המידע בארגונים, שחיפשו דרך לחזור למחשוב מרכזי החוסך בעלויות תחזוקה של מערכות מחשוב מבוזרות, מבלי לאבד את יתרונות המחשוב המבוזר כגון עיבוד מקומי ויכולות גרפיות.\n== היסטוריה של WWW ==\nרשת ה-WWW הומצאה ב-Conseil Européen pour la Recherche Nucléaire) CERN) – המרכז האירופאי לחקר הגרעין.\nבתחילת שנות ה-60 של המאה ה-20 פותחו רשתות תקשורת מיתוג מנות על ידי הצבא האמריקאי, אלה אפשרו לשדר \"חבילות\" מידע נפרדות בערוצים פנויים, דבר אשר היווה הלכה למעשה את הבסיס לאינטרנט המודרני. ניתן לומר כי בסופו של דבר, האינטרנט, בגרסתו הראשונה ה-ARPANET נוסד בשנת 1969 על ידי הסוכנות האמריקאית לפיתוח פרויקטים Advanced Research Projects Agency (ARPA)‎. למרות האמור לעיל, למעשה רק במחצית הראשונה של שנות ה-90 הפך האינטרנט לנחלת הציבור כולו, וזאת בזכות התפשטות ה-WWW.\nהכול החל משני חוקרים: האנגלי טים ברנרס-לי (Tim Berners-Lee), המפורסם יותר, והבלגי רוברט קאילאיו , אשר עבדו במעבדת המחקר צרפתית שווייצרית CERN – המרכז האירופאי לחקר הגרעין. זהו ארגון מחקר בין-לאומי אשר עסק במידע הכתוב בשפות רבות, דבר אשר הווה מגבלה לרשת האינטרנט דאז, שהייתה אז בעלת אוריינטציה אנגלית.\nשני החוקרים פיתחו את הקוד של WWW שהתבסס על טכנולוגיית היפרטקסט.\nבשנת 1989 הציע ברנרס-לי מערכת היפרטקסט גלובלית שבה יוכלו אנשים לחלוק מידע ולקשר מסמכים","en_topic":"World Wide Web","wiki_pageid":18795,"wiki_revid":43475336,"source_url":"https://he.wikipedia.org/?curid=18795","license":"CC BY-SA 4.0"}
{"slug":"application-programming-interface","lang":"he","title":"ממשק תכנות יישומים","text":"ממשק תכנות יישומים (באנגלית: Application Programming Interface; בראשי תיבות: API) הוא ערכה של ספריות קוד, פקודות, פונקציות ופרוצדורות מן המוכן, בהן יכולים המתכנתים להשתמש בקלות, בלי להידרש לכתוב אותן בעצמם כדי שיוכלו להשתמש במידע של היישום שממנו הם רוצים להשתמש לטובת היישום שלהם.\nלדוגמה: חברה קטנה רוצה לפתח יישומון 'מדריך מסעדות' שיציג את המסעדות במפה מבוססת צילומי לוויין, לכן - עליה להקצות משאבים עצומים לבניית לוויין, שיגורו לחלל וכדומה - משימה עתירת זמן והוצאות כספיות, כשרוב הסיכויים שהתוצר יהיה נחות מזה של גוגל מפות. לעומת זאת, מאחר שיש לאתר המפות של גוגל API, ניתן לנצל את פלטפורמת המפה שלהם למדריך של החברה - מה שנקרא בעגה המקצועית MASHUP.\nככל שה-API מקיף וגמיש יותר כך השליטה והאינטגרציה בין המשתמש לבינם תהיה טובה יותר. חברות משקיעות כסף רב בבנייה ובשדרוג ה-API שלהם על מנת שיהיה יותר קל לשימוש, מתוך הבנה ש-API טוב יותר יזכה ליותר תשומת לב.\nהפונקציות העיקריות המוצעות בממשק תכנות יישומים מתמקדות במשימות מורכבות כמו ציור חלונות ופריטי ממשק אחרים, אחסון ושליפת נתונים, ניהול זיכרון, קישור ליישומים אחרים, ועוד. ממשקי תכנות יישומים מוצעים על ידי סביבות פיתוח, מפתחים עצמאיים, צוותי פיתוח, חברות בעלות מוצרי תוכנה, כמו חברות המפתחות מערכות הפעלה, גם כדי להקל על מתכנתים ולקצר את זמן הפיתוח, וגם כדי למנוע גישה ושינוי שאינם הולמים בנתונים.\nרוב המתכנתים עושים שימוש בממשקי תכנות יישומים ברוב חלקיה של התוכנה, לבד מתפקודי הליבה שלה.\n== Web API ==\n ערך מורחב – Web service\nהממשק הנפוץ יותר, המאפשר העברת נתונים בין צד שרת לצד לקוח. web API בצד שרת הוא ממשק תוכנה המורכב מנקודת קצה אחת או יותר החשופות למערכת מוגדרת של הודעות בקשה-תגובה (request-response), כאשר הן הבקשות והן התגובות יעברו בדרך כלל בפורמט קריא לאדם - JSON או XML.\nנקודות הקצה הן היבטים חשובים של אינטראקציה עם ממשקי web API בצד השרת, מכיוון שהן מציינות היכן נמצאים המשאבים שניתן לגשת אליהם באמצעות תוכנה חיצונית. בדרך כלל הגישה מתבצעת באמצעות URI (כתובת של דפים וקבצים באינטרנט, כמו URL) שאליו נשלחות בקשות ה-HTTP, ומתקבלות התגובות. ממשקי API של אינטרנט יכולים להיות ציבוריים או פרטיים, כאשר לממשקים הפרטיים נדרשת גישה באמצעות ","en_topic":"Application programming interface","wiki_pageid":10079,"wiki_revid":43621171,"source_url":"https://he.wikipedia.org/?curid=10079","license":"CC BY-SA 4.0"}
{"slug":"gnu-general-public-license","lang":"he","title":"הרישיון הציבורי הכללי של גנו","text":"הרישיון הציבורי הכללי של גנו, הידוע בעיקר כ־GNU GPL (ראשי תיבות באנגלית של GNU General Public License), או בקיצור GPL, הוא רישיון לתוכנה חופשית, שנכתב במקור על ידי ריצ'רד סטולמן בעבור פרויקט גנו והפך מאז לאחד הרישיונות הפופולריים לתוכנה חופשית.\nה-GPL הוא בראש ובראשונה רישיון Copyleft, שמשמעו שיצירות נגזרות ישמרו תחת אותם תנאי רישיון. תחת הפילוסופיה הזאת, ה-GPL מעניק לתוכנת מחשב זכויות של תוכנה חופשית ומשתמש ב-Copyleft כדי להבטיח שהחירות תישמר, גם אם העבודה שונתה או שודרגה.\n== מטרה ==\nמטרת הרישיון היא לשמור על החופש של תוכנה שהופצה ככזו, מבלי שאחר יוכל לנכס אותו לעצמו בלבד.\nלמקבל תוכנה בעלת רישוי שכזה יש את החופש להריץ את התוכנה לכל מטרה שהיא, לחקור וללמוד את התוכנה, לשנות ולשפר אותה, להעתיק ולהפיץ את התוכנה בכל צורה שהיא, ובלבד שישמר החופש שלה.\nהרישיון לא מונע מכירה של תוכנה. רישיון תוכנה חופשית בהכרח יתיר שימוש מסחרי בתוכנה. אולם באותה מידה אין אפשרות למנוע מאחרים להפיץ את אותה התוכנה, ולכן בפועל ברוב המקרים תוכנות ברישיון זה זמינות בחינם, ועסקים שמפיצים תוכנות בצורה הזאת בדרך כלל מתמקדים בגביית תשלום על שירותים הנלווים לתוכנה כמו שיפור, עדכון, תחזוקה, הפצה, שיווק, ייעוץ ותמיכה.\nה־GPL מחייב לשחרר את הקוד רק למשתמשים בתוכנה ולא לציבור הרחב, כך שאם עושים שימוש בתוכנה באופן אישי, אין צורך לשחרר את הקוד. כמו כן, אם חברה מסוימת עושה שינויים בתוכנה אבל לא משחררת את השינויים ללקוחות אלא רק משתמשת בהם בצורה פנימית, החברה לא מחויבת לשחרר את הקוד המעודכן לציבור.\nעל מנת למנוע בלבול, נוסח הרישיון עצמו אינו נמצא תחת רישיון ה-GPL. הרישיון שמור בזכויות יוצרים שאוסרות לשנות את הרישיון. אך לפי ה-FAQ של GPL, כל אחד יכול לשנות את הרישיון כל עוד משתמשים בשם אחר לרישיון, לא מזכירים את השם \"גנו\" ומסירים את המבוא.\n== וריאציות רישיונות ==\nהרישיון הציבורי הכללי המוקטן של גנו (GNU Lesser General Public License או בקיצור: LGPL) הוא רישיון נגזר ומתירני יותר מה-GPL, מיועד בעיקר לספריות תוכנה.\nהרישיון לשימוש חופשי במסמכים של גנו (GNU Free Documentation License, בקיצור GNU FDL או GFDL), שנועד בהתחלה למסמכי תכנות GNU, אבל אומץ גם לשימושים אחרים, בין היתר לפרויקט ויקיפדיה.\nהרישיון הציבורי הכללי של","en_topic":"GNU General Public License","wiki_pageid":134,"wiki_revid":42050986,"source_url":"https://he.wikipedia.org/?curid=134","license":"CC BY-SA 4.0"}
{"slug":"creative-commons","lang":"he","title":"Creative Commons","text":"Creative Commons (\"קריאטיב קומונס\"; גם מקוצר לעיתים קרובות לראשי התיבות: CC) הוא מוסד ללא כוונת רווח המקדיש את מאמציו להרחבת טווח היצירות הזמין לציבור, על מנת שיוכל לעשות שימוש ביצירות ולחלוק אותן באופן חוקי. שמו מוכר גם מאוסף הרישיונות הסטנדרטיים שחיבר, אשר נועדו לפשט את השיתוף בתוכן ללא ויתור מלא על זכויות יוצרים.\n== מטרה ==\nמטרת המיזם היא לאפשר הנגשת מידע מחד גיסא, יחד עם שמירה על זכויות היוצר. הרישיונות מגשרים בין האינטרסים של היוצר לבין האינטרסים של המשתמשים, ובכך נמנעות מחלוקות משפטיות, בין יוצרי תוכן לבין המשתמשים ביצירותיהם, בהתאם לדיני זכויות יוצרים בכל מדינה.\nהרישיונות באתר של Creative Commons מאפשרים לבעלי זכויות יוצרים במגוון תחומים: מלל, צילום, סרטונים ואודיו, לוותר על חלק מזכויותיהם לזולת, יחד עם שמירה על זכויות אחדות שלהם. זאת, בעזרת מגוון של רישיונות וחוזים מוגדרים מראש, ובכללם ויתור חלקי או מוחלט על זכויות היוצרים לטובת רשות הכלל, או רישוי של תוכן חופשי ליצירה, יחד עם נתינת מזכה (קרדיט) לשמו של היוצר.\nהמיזם מספק מספר רישיונות תוכן סטנדרטיים שבעלי זכויות יוצרים יכולים להשתמש בהם בעת שחרור יצירתם באינטרנט. כמו כן, מספק המיזם metadata בצורת RMF/XML שמתאר את הרישיון ואת היצירה ומפשט עיבוד ואיתור יצירות תחת רישיונות דומים באופן אוטומטי.\n== היסטוריה ==\nמיזם Creative Commons הושק רשמית בשנת 2001, ומרכז הפעילות שלו הוא בסן פרנסיסקו. לורנס לסיג, מייסדו ויושב-ראשו, ייסד את הארגון כאמצעי נוסף להשגת מטרות תיק בית המשפט העליון שלו, Eldred v. Ashcroft. הקבוצה הראשונית של רישיונות Creative Commons פורסמה ב-16 בדצמבר 2002. המיזם זכה לפרס ניקה בטקס Prix Ars Electronica השנתי, בקטגוריית Net Vision.\nבהמשך התפרסמו עוד ארבע גרסאות נוספות (2.0, 2.5 3.0 ו־4.0).\n== רישיונות תוכן אחרים ==\nרישיונות Creative Commons אינם הרישיונות החופשיים הראשונים מסוגם. הם נכנסו לשימוש לאחר ה-Open Publication License ולאחר הרישיון לשימוש חופשי במסמכים של גנו (GFDL). ה-GFDL יועד במקור לכתיבת תיעוד של תוכנה. ה-Open Publication License בטל כיום מבחינה חוקית, ויוצרו ממליץ כי מיזמים חדשים לא יעשו בו שימוש. שני הרישיונות דלעיל מכילים חלקים שאין חובה לכלול אותם בעת רישוי היצירה, שלדעת מבקרים מסו","en_topic":"Creative Commons","wiki_pageid":5891,"wiki_revid":43332260,"source_url":"https://he.wikipedia.org/?curid=5891","license":"CC BY-SA 4.0"}
{"slug":"public-key-cryptography","lang":"he","title":"מפתח ציבורי","text":"הצפנת מפתח ציבורי (באנגלית: Public key encryption) היא ענף בקריפטוגרפיה הנקרא גם הַצְפָּנָה אָסִימֶטְרִית (Asymmetric encryption), שבו מפתח ההצפנה שונה ממפתח הפענוח. כלומר, כל משתמש מכין לעצמו זוג מפתחות: מפתח ציבורי (Public key) שהוא מפתח הצפנה הנגיש לכל ומפתח פרטי (Private key) מתאים, הנשמר בסוד ומשמש לפענוח. ההתאמה היא חד-חד-ערכית ועל (לכל מפתח ציבורי קיים אך ורק מפתח פרטי יחיד המתאים לו, ולהפך). כדי להצפין מסר בשיטה זו על המצפין להשיג לידיו עותק אותנטי של המפתח הציבורי של המקבל, שבעזרתו הוא מצפין ושולח לו את המסר. רק המקבל מסוגל לשחזר את הטקסט המוצפן בעזרת המפתח הפרטי המתאים שברשותו. ביטחון שיטת המפתח הציבורי נשען על הקושי שבחישוב המפתח הפרטי מתוך המפתח הציבורי. מסיבה זו מכונה שיטה זו \"אסימטרית\", בניגוד לשיטת הצפנה סימטרית, שבה מפתח הפענוח זהה למפתח ההצפנה (על כל פנים ניתן לחישוב בקלות מתוך מפתח ההצפנה).\nהמונח הצפנת מפתח ציבורי מתייחס לשיטות קריפטוגרפיות שהדגש בהן הוא שימוש במפתח הצפנה לא סודי. השימושים העיקריים במפתח ציבורי הם:\nהצפנת מסרים - מסר המוצפן באמצעות המפתח הציבורי של השולח, לא ניתן לפענוח על ידי איש מלבד המקבל המחזיק בידיו את המפתח הפרטי המתאים. במקרה זה הצפנת מפתח ציבורי מספקת סודיות או חשאיות.\nחתימה דיגיטלית - מסר שנחתם באמצעות המפתח הפרטי של השולח, ניתן לאימות על ידי כל מי שיש לו גישה למפתח הציבורי של השולח. באמצעותו ניתן להוכיח מי הוא מקור המסמך. במקרה זה ההצפנה מספקת זיהוי.\nאימות מסרים - מסר המאומת על ידי השולח שמייצר תג אימות מתאים ושולח אותו יחד עם המסר איתו המקבל יכול לוודא שלא בוצעו במסמך שינויים זדוניים בידי גורם זר ללא ידיעתו. במקרה זה הצפנת מפתח ציבורי מספקת אימות.\nשיתוף מפתחות - בפרוטוקול שיתוף מפתח השולח והמקבל מחליפים ביניהם מידע כלשהו בערוץ פתוח הנגיש לכול ובתום חילופי המסרים המשתתפים חולקים ביניהם מידע סודי, כך שאיש לא יודע מהו, ממנו המשתתפים מכינים מפתח הצפנה.\n== הגדרה בסיסית ==\nכל מערכת הצפנת מפתח ציבורי מכילה מספר פרמטרים בסיסיים. לצורך ההסבר, מקובל לכנות את השולח והמקבל אליס ובוב ואיב היא מצותתת פסיבית, ייתכנו גורמים נוספים כמו קרול או מלורי שלהם \"תפקידים\" שונים בהתאם לנושא. בתיאור זה אליס היא השולחת ובוב המקבל.\n M\n ","en_topic":"Public-key cryptography","wiki_pageid":191844,"wiki_revid":41968854,"source_url":"https://he.wikipedia.org/?curid=191844","license":"CC BY-SA 4.0"}
{"slug":"hash-function","lang":"he","title":"פונקציית גיבוב","text":"בתקשורת ספרתית ובמדעי המחשב, פונקציית גִּבּוּב (באנגלית: Hash function; לעיתים פונקציית ערבול, פונקציית תמצות ואף פונקציית טחינה) היא פונקציה שממירה קלט חופשי באורך משתנה לפלט באורך קבוע, בדרך כלל קצר בהרבה. לא רצוי שפונקציית גיבוב תיתן פלט זהה לקלטים שונים, אך בלתי נמנע שהדבר יקרה לפעמים, ולכן פונקציות גיבוב נמדדות בהסתברות להפקת פלט זהה. לפונקציות גיבוב יש שימושים בבעיות אלגוריתמיות רבות, ובהן מיון וחיפוש בטקסטים ארוכים ובהצפנה.\n== שימושים ==\n=== טבלת גיבוב ===\n ערך מורחב – טבלת גיבוב\nפונקציית גיבוב היא מרכיב חשוב בבניית טבלת גיבוב. הפונקציה משמשת אינדקס (מפתח) לאיברי טבלת הגיבוב והיא \"המנוע\" הקובע את מהירות הגישה בשליפה ואחסון איברים בטבלה. בהקשר זה, לפונקציית גיבוב ישנם שני תפקידים:\nא. הפיכת המפתח, שבו משתמשים כדי לאחסן איברים בטבלאות גיבוב, לערך מספרי. לדוגמה, כשהמפתח הוא מחרוזת, יש להשתמש בפונקציית גיבוב שממירה מחרוזת למספר.\nב. הכנסת הערך המספרי לתחום האינדקסים של הטבלה. לדוגמה, אם הערך המספרי של המפתח הוא 100 והטבלה היא בת 20 מקומות, יש להמיר את הערך 100 למספר בין 0 ל-19.\nפונקציית גיבוב טובה היא פונקציה שבה המפתחות מתחלקים בצורה אחידה, במידת האפשר, בין התאים בטבלה. לדוגמה, אם יש לנו טבלה בת 20 מקומות ואנו רוצים לאחסן בה מחרוזות, עלינו למצוא פונקציית גיבוב שבה עבור כל מספר בין 0 ל-19, כ-5% מהמחרוזות האפשריות יקבלו את המספר.\nדוגמה לפונקציית גיבוב מסוג זה נתונה על ידי האלגוריתם הבא:\nאתחל את הסכום ל-0;\nעבור על כל האותיות במחרוזת. לכל אות:\nהכפל את הסכום הנוכחי ב-256, והוסף לסכום את קוד ה-ASCII של האות;\nהחזר את ערכו של הסכום מודולו גודל הטבלה (20).\nבספרות ניתן למצוא פונקציות גיבוב מורכבות יותר, המחזירות פיזור אחיד יותר.\n=== Chained Hashing (פונקציית גיבוב משורשרת) ===\nפונקציות גיבוב ויישומן לצורך איחזור מידע, נחקרו לראשונה על ידי ארנולד דמי (A.I. Dumey) ב-1956. מדובר באופן כללי בשיטות היוריסטיות שנותנות פתרון לבעיה שנקראת 'בעיית המילון', שהיא הבעיה הבסיסית שפונקציית גיבוב אמורה לפתור. בהינתן המרחב\n U\n {\\displaystyle U}\n של כל אלמנטים האפשריים - מתוכם צריך לאחסן\n N\n {\\displaystyle N}\n אלמנטים, המטרה היא למצוא פונקציה שממפה אלמנטים מהמרחב\n ","en_topic":"Hash function","wiki_pageid":178204,"wiki_revid":43552670,"source_url":"https://he.wikipedia.org/?curid=178204","license":"CC BY-SA 4.0"}
{"slug":"advanced-encryption-standard","lang":"he","title":"AES","text":"תקן הצפנה מתקדם (באנגלית: Advanced Encryption Standard), או בקיצור AES, הוא צופן בלוקים סימטרי שאומץ על ידי המכון הלאומי לתקנים וטכנולוגיה (NIST) של ארצות הברית כתקן הצפנה רשמי שהתקבל בעולם כולו, להצפנת נתונים מאסיבית.\nAES או בשמו המקורי ריינדל (Rijndael) פותח על ידי הקריפטוגרפים הבלגיים יוהאן דאמן ווינסנט ריימן כשכלול של שני צפנים ישנים יותר (SHARK ו-SQUARE), והוצע במהלך פרויקט בחירת התקן שאורגן על ידי NIST בשנת 2000. לאחר שזכה בתחרות אומץ על ידי ממשלת ארצות הברית באופן רשמי להצפנת נתונים מסווגים עבור הממשל והחליף בכך את קודמו DES שיצא לאור ב-1977. כיום אלגוריתם AES נמצא בשימוש מעשי נרחב בכל העולם הן בתוכנה והן בחומרה וידוע כאלגוריתם בטוח.\nAES הוכרז כתקן הצפנה FIPS PUB 197 בנובמבר 2001 ואושר רשמית במאי 2002 על ידי מזכיר המסחר של ארצות הברית וכן נכלל בתקן איזו (ISO/IEC 18033-3). זהו הצופן הסימטרי הפומבי הראשון שקיבל את אישור הסוכנות לביטחון לאומי האמריקאי כראוי להצפנת נתונים המוגדרים ברמת סיווג SECRET וכן TOP SECRET עבור ממשלת ארצות הברית, אם נעשה בו שימוש כחלק ממודול הצפנה מאושר.\n== תהליך בחירת התקן ==\nבתקן הישן שהתקבל ב-1977, שימש DES במשך שנים רבות את המגזר הפרטי והעסקי כצופן סימטרי להצפנת מידע לא מסווג, בעיקר כמויות גדולות של מידע פיננסי. אולם עקב ההתקדמות הטכנולוגית והופעתם של התקפות קריפטוגרפיות משופרות ובמיוחד בשל מפתח ההצפנה הקצר שלו (רק 56 סיביות) שגרם להיותו פגיע להתקפת כוח גס (גרסת DES משולש אמנם מספקת ביטחון רב יותר אך אינה יעילה), הוחלט להחליפו באלגוריתם חדש, בטוח ומהיר יותר.\n=== התחרות של NIST ===\nתהליך קבלת ההחלטות ושיקולי הפיתוח של התקן הקודם (DES) היו רחוקים מעין הציבור, מה שהוביל לחרושת שמועות שהסוכנות לביטחון לאומי (NSA) התערבה בפיתוח DES כדי להחלישו במכוון. רבים אף הביעו חשש שהוחדרה בו דלת אחורית. בשל כך, לבחירת התקן החדש נקטה הוועדה בגישה יותר שקופה והוחלט על תחרות פתוחה לציבור. התחרות זכתה לשבחים רבים. תנאי ההשתתפות פורסמו בתחילת 1997 – בין היתר הדרישה שגודל הבלוק יהיה לפחות 128 סיביות וכן שמפתחות ההצפנה יהיו בטווח 128–256 סיביות. התחרות נמשכה כחמש שנים. בתחילה הוצעו כחמישה עשר מועמדים על ידי מפתחים מרחבי העולם, מתוכם כחמישה התגלו חלשים להתקפות","en_topic":"Advanced Encryption Standard","wiki_pageid":228142,"wiki_revid":41397993,"source_url":"https://he.wikipedia.org/?curid=228142","license":"CC BY-SA 4.0"}
{"slug":"zero-knowledge-proof","lang":"he","title":"הוכחה באפס ידיעה","text":"במדעי המחשב ובקריפטוגרפיה, הוכחה באפס ידיעה או פרוטוקול אפס ידיעה, היא מערכת הוכחה אינטראקטיבית, שבה צד אחד (מוכיח או טוען) משכנע את הצד השני (מוודא) באמיתות טענה, בסבירות מכרעת (לא באופן מוחלט), מבלי לחשוף כל מידע בנוגע לטענה עצמה, שאי-אפשר היה להשיגו באמצעים אחרים (פרט לעצם נכונותה של הטענה). מעבר לחשיבות התאורטית, להוכחה באפס ידיעה השלכות מעשיות בקריפטוגרפיה – למשל, הטענה יכולה להיות מידע סודי (כמו סיסמה), וההוכחה במקרה זה היא הוכחת ידיעת הסיסמה, המאפשרת לצד אחד לזהות עצמו מול הצד השני (אימות), ללא צורך לחשוף את הסיסמה עצמה.\nהוכחת אפס ידיעה חייבת לקיים את התכונות הבאות:\nשלמות (Completeness) – פרוטוקול הוכחה אינטראקטיבי ייקרא שלם, אם בהינתן מוכיח ומוודא הגונים (המבצעים את מהלכי הפרוטוקול כראוי), אם הטענה נכונה אזי המוכיח יצליח לשכנע את המוודא בנכונות הטענה בהסתברות גבוהה. במונח \"הסתברות גבוהה\" מתכוונים כי קיים סיכוי קל לכישלון.\nנאותות (Soundness) – פרוטוקול הוכחה אינטראקטיבי ייקרא נאות, אם בהינתן טענה שקרית, מוכיח רמאי לא יצליח להונות מוודא הגון בנכונות הטענה. במילים אחרות, נאותות מבטיחה כי הפרוטוקול אכן מספק הוכחת הטענה או ידיעת הסוד וכי מוודא הגון יצליח לחשוף רמאות בהסתברות גבוהה.\nאפס ידיעה (Zero knowledge) – לפרוטוקול הוכחה אינטראקטיבי תהיה תכונת אפס ידיעה, אם בהינתן טענה נכונה, המוודא לא יוכל ללמוד מאומה אודות הטענה עצמה מעבר לעצם נכונותה. תנאי מהותי בתכונת אפס ידיעה הוא, שבהינתן טענה (ללא גישה לסודו של המוכיח) לא ניתן יהיה להבחין בהבדל כלשהו בינה לבין עותק מזויף. במילים אחרות באפשרותו של מוכיח רמאי \"לחקות\" הוכחה שניתנה על ידי מוכיח הגון, מזה נובע כי לא ניתן ללמוד מן ההוכחה מידע כלשהו על הטענה. העתקת ההוכחה כשלעצמה אינה מועילה בדבר לרמאי, כיוון שכפי שיובהר בהמשך, ההוכחה תקפה רק עבור המשתתפים בפרוטוקול בזמן אמת, ואין בה כל תועלת לאחר מעשה.\nשתי התכונות הראשונות מאפיינות כל מערכת הוכחה אינטראקטיבית. מערכת כזו נקראת הוכחת ידיעה. התכונה השלישית מייחדת מערכת הוכחה באפס ידיעה. היא אינה הוכחה במובן המתמטי של המילה, משום שקיימת סבירות נמוכה במקרה של כשל נאותות, שמוכיח רמאי יהיה מסוגל לשכנע מוודא הגון בנכונות טענה שקרית. למעשה, זוהי הוכחה הסתברותית ולא דטרמיניסטית, אולם","en_topic":"Zero-knowledge proof","wiki_pageid":144274,"wiki_revid":42844361,"source_url":"https://he.wikipedia.org/?curid=144274","license":"CC BY-SA 4.0"}
{"slug":"y-combinator","lang":"he","title":"Y Combinator","text":"Y Combinator Management (YC) הוא אקסלרטור טכנולוגי אמריקאי שהושק במרץ 2005. האקסלרטור שימש להשקת יותר מ-4,000 חברות, ביניהן Airbnb,‏ Coinbase,‏ Cruise,‏ DoorDash,‏ Dropbox,‏ Instacart,‏ קוורה,‏ PagerDuty,‏ רדיט,‏ Stripe, Twitch.tv וסקייל AI.\nהשווי המשולב של חברות YC המובילות הוא יותר מ-600 מיליארד דולר נכון לינואר 2023. האקסלרטור החל בבוסטון ובמאונטן ויו, התרחבה לסן פרנסיסקו ב-2019, והייתה כולה מקוונת במהלך מגפת הקורונה. פורבס תיארה את החברה ב-2012 כאחד ממאיצי החברות המצליחים ביותר בעמק הסיליקון.\n== היסטוריה ==\nY Combinator הוקמה ב-2005 על ידי פול גרהם, ג'סיקה ליווינגסטון, רוברט טאפן מוריס וטרבור בלקוול.\nמ-2005 עד 2008, תוכנית אחת התקיימה בקיימברידג', מסצ'וסטס ותוכנית אחת במאונטיין ויו, קליפורניה. כש-Y Combinator גדלה ל-40 השקעות בשנה, ניהול שתי תוכניות הפך ליותר מדי. בינואר 2009, Y Combinator הודיעה כי התוכנית בקיימברידג' תיסגר וכל התוכניות העתידיות יתקיימו בעמק הסיליקון.\nב-2009, Sequoia Capital הובילה סבב השקעה של 2 מיליון דולר בישות של Y Combinator כדי לאפשר לה להשקיע בכ-60 חברות בשנה. ב-2010, Sequoia הובילה גיוס כספים של 8.25 מיליון דולר עבור Y Combinator כדי להגדיל עוד יותר את מספר החברות שהחברה יכלה לממן.\nב-2011, יורי מילנר ו-SV Angel הציעו השקעה ניתנת להמרה בסך 150,000 דולר לכל חברת Y Combinator.[15] הסכום שהושקע בכל חברה שונה ל-80,000 דולר כאשר קרן Start Fund חודשה.\nמייקל סייבל הצטרף ל-Y Combinator כשותף חלקי בינואר 2013 ומאוחר יותר הפך לשותף מלא ב-2014. בספטמבר 2013, Y Combinator החלה לממן ארגונים ללא כוונת רווח שהתקבלו לתוכנית לאחר בחינת הרעיון עם Watsi.\nב-2014, סם אלטמן החליף את גרהם כנשיא Y Combinator. ב-2014, Y Combinator החלה בעסקה חדשה עבור חברות הזנק, והציעה 150,000 דולר תמורת 7 אחוז מהבעלות.\nב-2014, אלטמן הודיע על שותפות עם Transcriptic כדי לספק תמיכה מוגברת לקהילה ההולכת וגדלה של חברות ביוטכנולוגיה ב-Y Combinator. ב-2015, הוא הודיע על שותפות עם Bolt ותמיכה מוגברת בחברות חומרה.\nתוכנית YC Fellowship הוכרזה ביולי 2015, עם המטרה לממן חברות בשלב הרעיון או האב-טיפוס. קבוצת YC Fellowship הראשונה כללה 32 חברות שקיבלו מענק ללא הון תמורה במקום השקעה.\nבינואר ","en_topic":"Y Combinator","wiki_pageid":2245365,"wiki_revid":41949520,"source_url":"https://he.wikipedia.org/?curid=2245365","license":"CC BY-SA 4.0"}
{"slug":"sequoia-capital","lang":"he","title":"Sequoia Capital","text":"סקוויה קפיטל (באנגלית: Intermediate Capital Group) היא קרן השקעות פרטיות אמריקאית, שמתמחה בתחום היי-טק ומשקיעה בחברות הזנק. בשנת 2019 ההשקעות הגיעו למעל מיליארד דולר בחברות שונות מהם 475 מיליון דולר בארצות הברית, 370 מיליון בסין ו-227 מיליון בישראל.\nהחברה פועלת כחברת LLC - שותפים מוגבלים מעבירים כסף לקרן, ומנהלי הקרן משקיעים את הסכומים בחברות שונות.\n== היסטוריה ==\nהחברה הוקמה בשנת 1972 על ידי דון ולנטין בקליפורניה. בשנת 1974 היא החלה לפעול ובשנת 1975 השקיעה בחברת אטארי. בשנת 1978 הקרן הייתה בין הראשונות שתמכה באפל.\nבשנת 1978, דוג לאונה ומייקל מוריץ נכנסו לתפקידי מפתח של החברה. בשנת 1999 הוקמה קרן מיוחדת להשקעות בישראל. בהמשך הוקמו חברות בת להשקעה בהודו ובסין.\nהקרן \"סקוויה ישראל\" השקיעה בישראל בחברות רבות ותמכה במכירתן. בשנת 2016 הקרן נסגרה ומאז סקוויה קפיטל פעולת בארץ ישירות מארצות הברית.\nבין החברות בהן השקיעה הקרן בשלבים הראשונים היו סיסקו מערכות, גוגל, PayPal, יוטיוב, וואטסאפ וחברות נוספות רבות. לעומת זאת, טוויטר ופייסבוק סורבו על ידי מנהלי הקרן. בשנת 2016 הקרן השקיעה בחברה של אנקיטי בוס שגדלה תוך זמן קצר לחברה בשווי של כ-מיליארד דולר. בשנת 2017, הקרן השקיעה 100 מיליון דולר בחברת Zoom Video Communications ועשרות מיליוני דולר ב-Qualtrics.\nבשנת 2020 צוין שסקוויה קפיטל השקיעה ב-20% מהחברות שהגיעו לרמה של יוניקורן. בשנת 2021 הוחלט לעבור למודל עסקי חדש.\n== קישורים חיצוניים ==\n אתר האינטרנט הרשמי של Sequoia Capital (באנגלית)\n Sequoia Capital, ברשת החברתית X (טוויטר)\n שגיא כהן, עם שותף פרו־ישראלי שמקורב למאסק, סקויה נהפכה לכוח עולה בהייטק המקומי, באתר TheMarker‏, 1 בינואר 2025\n== הערות שוליים ==","en_topic":"Sequoia Capital","wiki_pageid":2079490,"wiki_revid":41383918,"source_url":"https://he.wikipedia.org/?curid=2079490","license":"CC BY-SA 4.0"}
{"slug":"andreessen-horowitz","lang":"he","title":"אנדריסן הורוביץ","text":"אנדריסן הורוביץ (באנגלית: Andreessen Horowitz; ידועה גם כ- a16z) היא קרן הון סיכון שנוסדה ב-2009 על ידי מארק אנדריסן ובן הורוביץ. הקרן מנהלת נכסים בשווי מוערך של כ-46 מיליארד דולר נכון לאוגוסט 2025.\nבין ההשקעות הבולטות של הקרן לאורך פעילותה: Airbnb, ליפט, Slack, סטרייפ, GitHub, קוינבייס, טוויטר, סקייפ, פייסבוק, גרופון, זינגה, פינטרסט, אנקי, אינסטגרם, רובלוקס, Rapid, Wiz ודאטהבריקס.\n== היסטוריה ==\nהקרן הוקמה ביוני 2009 על ידי מארק אנדריסן ובן הורוביץ ששיתפו פעולה קודם לכן בחברות נטסקייפ (אותה הקים אנדריסן) ו-Loudcloud (אותה ייסדו במשותף). כל אחד מהם היה משקיע הון סיכון בעצמו בטרם איחדו כוחות. היקף הגיוס הראשון של הקרן היה 300 מיליון דולר.\nהקרן נקראת גם a16z, כאשר האותיות הן האות הראשונה בשם משפחתו של אנדריסן והאות האחרונה בשם משפחתו של הורוביץ והמספר 16 הוא מספרן של שאר האותיות בשמות המשפחה.\n== קישורים חיצוניים ==\n אתר האינטרנט הרשמי של אנדריסן הורוביץ (באנגלית)\n אנדריסן הורוביץ, ברשת החברתית פייסבוק\n אנדריסן הורוביץ, ברשת החברתית X (טוויטר)\n אנדריסן הורוביץ, ברשת החברתית LinkedIn","en_topic":"Andreessen Horowitz","wiki_pageid":2421514,"wiki_revid":41678125,"source_url":"https://he.wikipedia.org/?curid=2421514","license":"CC BY-SA 4.0"}
{"slug":"venture-capital","lang":"he","title":"קרן הון סיכון","text":"קרן הון סיכון (באנגלית: Venture Capital fund, בראשי תיבות: VC) היא קרן השקעות פרטיות, המשקיעה כספים במיזמים ובחברות הזנק (\"סטארט אפ\") אשר הערכת הסיכונים בהם היא גבוהה, מתוך ציפייה לתשואות גבוהות במקרה של הצלחתם. קרנות הון סיכון הן דרך השקעה מקובלת ונפוצה לגיוס הון לצורך השקעה בחברות הזנק מתחום ההיי טק.\n== מבנה הקרן ותהליך ההשקעה ==\nהון סיכון הוא מימון שמוענק לחברות חדשות עם פוטנציאל צמיחה גבוה אך גם סיכון גבוה, בדרך כלל על ידי משקיעים פרטיים או קרנות הון סיכון. הקרן מגייסת בעצמה כספים בבנקים, שוק ההון, משקיעים מוסדיים או פרטיים (בעלי אחריות מוגבלת – LP), והיא נתונה לניהול של נאמן הקרן או מועצת המנהלים שלה. קרנות הון סיכון נוהגות להשקיע הון בחברות הזנק, לפעמים תוך הכפפת הפעילות בחברת ההזנק לסדרה של תנאים. תמורת ההשקעה בתנאי אי-הוודאות של חברת ההזנק, נוהגות קרנות הון סיכון לקחת לעצמן אחוזים ניכרים מהון המניות של בעלי החברה (לרוב היזמים), כפיצוי על הסיכון הרב שבהשקעה. לרוב, הקרנות מעדיפות שלא להשקיע בחברות הזנק הנמצאות בשלב \"העוברי\" (\"Pre-Seed\" (הון ראשוני) ואז, בדרך כלל, אמצעי המימון העיקריים הם חממות טכנולוגיות ואנג'לים – אלא כשהרעיון, המוצר, הכיוון העסקי או הטכנולוגיה של החברה כבר מגובשת (שלב ה-\"Early Stage\" והלאה).\nמנהלי הקרן (השותפים הכלליים – GP) הם לרוב בעלי ניסיון טכנולוגי ועסקי ותומכים בחברה, לא רק מבחינה כספית אלא גם מבחינה ניהולית, אסטרטגית ושיווקית. עבור עבודתם הם מקבלים דמי ניהול שנתיים, ובנוסף אחוז מהרווחים נטו של הקרן (Carried Interest).\nכספי הקרן מושקעים בחברות העשויות להשיג לפי הערכות כלכליות רווחים, או בעלות סיכוי לתשואה גבוהה, תוך מודעות לכך שאחוז ניכר מהחברות לא יגיעו ליעדן וייסגרו במהלך תהליך הפיתוח. לפיכך, אסטרטגיית ההשקעה של קרנות הון הסיכון, המשקיעות רק באחוזים בודדים מהמיזמים המוצגים בפניהן, מבוססת על בחינת הסבירות של אקזיט תוך מספר שנים מיום ההשקעה, לצד הערך העתידי וההחזר על ההשקעה (ROI) הצפוי של אקזיט זה. במקרים מסוימים, אקזיט בודד עשוי להחזיר את ההשקעה של קרן שלמה. כדי להחליט האם לבצע השקעה צוות הקרן עורך בדיקת נאותות (באנגלית: Due Diligence) אודות החברה. לאחר קבלת ההשקעה מחויבת החברה בשקיפות ובדיווחים סדירים של התקדמותה ומידת עמידתה ביעדים ","en_topic":"Venture capital","wiki_pageid":67528,"wiki_revid":43585554,"source_url":"https://he.wikipedia.org/?curid=67528","license":"CC BY-SA 4.0"}
{"slug":"initial-public-offering","lang":"he","title":"הנפקה ראשונה לציבור","text":"הנפקה ראשונית לציבור (באנגלית: IPO – initial public offering) היא הנפקה שבה חברה פרטית מציעה בפעם הראשונה את מניותיה למכירה לציבור. בדרך כלל עושות זאת חברות אשר זקוקות להון כדי להתרחב, תוך שהן בוחרות לגייס אותו מהציבור.\nככלל, גיוס הון יכול להיעשות באמצעות הנפקת סוגים שונים של ניירות ערך: מניות, איגרות חוב ואופציות למניות או איגרות חוב. עם זאת, המונח הנפקה ראשונית מתייחס להנפקת מניות בלבד. רק החזקה בידי הציבור של מניות, לא ניירות ערך אחרים, היא שמגדירה חברה כחברה ציבורית.\nחברה פרטית, המעוניינת לגייס הון באמצעות הנפקה ראשונה של מניות לציבור, חייבת לקבל על עצמה כללי דיווח חשבונאיים מחמירים, המחייבים שקיפות גבוהה לציבור, כתנאי מקדים להפיכתה מחברה פרטית לחברה ציבורית. כחלק מכך, גיוס הון מהציבור מחייב פרסום של תשקיף על החברה המנפיקה. התשקיף נועד לתת לציבור את מלוא המידע הדרוש לו לשם ניתוח כדאיות ההשקעה, ולשם כך הוא מפרט את עסקי החברה המנפיקה, כאשר בעיקר מדובר על תוצאותיה העסקיות ותיאור בעלי המניות שלה. בנוסף נקבע בתשקיף מועד שבו מוזמן הציבור להגיש לחברה את בקשותיו לרכישת ניירות הערך המוצעים על פיו (בתשקיף שאיננו תשקיף מדף, מדובר בדרך כלל על כשבוע לאחר מועד פרסום התשקיף). מאידך, על פי תשקיפי מדף ניתן לפרסם דוחות הצעות מדף במשך שנתיים ממועד פרסומו של תשקיף המדף וליהנות מנגישות מהירה לשווקים.\nהנפקה ראשונית יכולה להיעשות בליווי של חברת חיתום, או בצורה עצמאית.\n== יתרונות וחסרונות להנפקה ==\nיתרונות:\nדרך לגיוס כסף מהציבור.\nבדרך כלל הנפקה גורמת להגדלת המוניטין של החברה.\nגיוס כסף מהציבור עדיף בדרך כלל על גיוס משקיע נוסף, שהתערבותו בנעשה בחברה בדרך כלל גדולה יותר.\nניתן לסחור בניירות הערך של החברה.\nהנפקת מניות מאפשרת למייסדי החברה המנפיקה למכור את אחזקתם בשוק, וכך לבצע אקזיט (exit).\nמיזוגים ורכישות - הנפקת מניות מאפשרת לחברה המנפיקה לבצע רכישות ומיזוגים בתמורה להחלפת מניות, מבלי להוציא כסף \"מהכיס\".\nחסרונות:\nיש הוצאות נלוות רבות להנפקה.\nיש לאמץ תקני חשבונאות מחמירים.\nעל החברה לאחר ההנפקה להיות כפופה לרשות לניירות ערך ולהחלטותיה.\nעל החברה להיות יותר שקופה (לדוגמה: פרסום חמשת מרוויחי השכר הגבוהים בחברה).\nמידע חיוני של החברה עלול לזלוג למתחרים (לדוגמה: ספקים ולקוחות עיקריים, תחומי פעיל","en_topic":"Initial public offering","wiki_pageid":939654,"wiki_revid":43428094,"source_url":"https://he.wikipedia.org/?curid=939654","license":"CC BY-SA 4.0"}
{"slug":"startup-company","lang":"he","title":"חברת הזנק","text":"חברת הזנק או חברת סטארט אפ (באנגלית: Startup company) היא חברה חדשה המוקמת על ידי יזם בודד או קבוצה של יזמים (מייסדים) במטרה לפתח וליישם מוצר או שירות חדשני, לרוב טכנולוגי, בעל פוטנציאל עסקי משמעותי.\nמודל ההתפתחות של מרבית חברות ההזנק כולל שלושה שלבים מובחנים: בתחילת דרכה החברה עוסקת בהגדרת הבעיה ובתכנון פיזי (לרוב טכנולוגי) של המוצר או השירות. בהמשך היא פועלת להתאמת המוצר או השרות לתעשייה וגיבוש מודל עסקי, ולבסוף היא מתמקדת בגמלון (Scale up) של הטכנולוגיה בקנה מידה גדול יותר וגידול מהיר של מספר הלקוחות וההכנסות.\nרמת הסיכון של חברות ההזנק גבוה מזה של עסקים אחרים, ורבות מהן מממנות את פעילותן בעזרת משקיעי הון סיכון, וזאת תמורת למניות בחברה. אחד מסימני ההיכר המובהקים להצלחת חברת הזנק הוא הנפקתה לציבור או מכירתה לחברה מבוססת בתעשייה (אקזיט) תמורת סכום הגבוה משמעותית ממה שהושקע בה. על פי רוב חברות שהגיעו למעמד זה מצויות לאחר הצלחה טכנולוגית משמעותית או/ו בעיצומו של שלב הגידול במספר הלקוחות. בנוסף, ישנם גופים שונים המסייעים לחברות הזנק בשלביהן הראשונים, כגון אקסלרטורים (מאיצים טכנולוגיים) וחממות טכנולוגיות ולצידם תמריצים ממשלתיים.\nלאחר גיבוש הרעיון והחזון הראשוני של חברת ההזנק המתוכננת על המייסדים להסדיר את מערכת היחסים הן בינם לבין עצמם והן בינם לבין החברה שתקום. בין הנושאים שעל המייסדים להסדיר נכללים הסכמה על חזון משותף, קביעת ערכים, חלוקת ההון בחברה, חלוקת התפקידים, מימון ראשוני ככל שנדרש, מינוי דירקטוריון, אופן קבלת ההחלטות בחברה, המחאת הקניין הרוחני של המייסדים לחברה, סודיות, אי-תחרות ונושאים רבים אחרים.\n== סיכון וסיכוי ==\nיעוד העיקרי של חברת הזנק הוא פיתוח מוצר חדשני, התאמתו לצורכי הלקוחות ויצירת מערכת הפצה שתביא לגידול מהיר במספר הלקוחות/הכנסות. הגשמת הייעוד כרוכה באי ודאות גבוהה ועשויה להמשך מספר שנים. אי הוודאות נובעת מכך שלמוצר חדשני ופורץ דרך אין שוק מובחן, ועל פי רוב יש להמציאו או להגדירו מחדש. אתגר זה דורש סבלנות, גיבוש חזון מרחיק ראות, גמישות מחשבתית, צוות נחוש, מגובש וחדור מטרה, יכולת שכנוע ועוד תכונות רבות נוספות.\nהמושגים כישלון והצלחה בהקשר של חברת הזנק אינם מוחלטים: חברת הזנק יכולה להצליח ולתפקד כחברה עסקית גדולה ומצליחה המחלקת דיווידנדים לבעלי ההון. אול","en_topic":"Startup company","wiki_pageid":67525,"wiki_revid":43181530,"source_url":"https://he.wikipedia.org/?curid=67525","license":"CC BY-SA 4.0"}
{"slug":"due-diligence","lang":"he","title":"בדיקת נאותות","text":"בְּדִיקַת נְאוֹתוּת, לעיתים גם דְּיוּ דִילִיגֵ'נְס (באנגלית: Due Diligence), היא בדיקת אדם, בית עסק או חברה טרום סגירת חוזה עמו. הבדיקה היא הליך במסגרת הכנת תשקיף. כשבדיקת הנאותות היא מול חברה, ייעשה במסגרת ההליך בירור מקיף על המצב הכלכלי והיכולות המסחריות, לרוב כולל מפגשים עם גורמים בכירים בחברה, ביקור באתרי הפעילות שלה, פגישות עם גורמים מממנים, בדיקת אמצעי הביקורת, ניתוח תחזיות החברה, בדיקת התוכנית העסקית שלה וכו'.\nכאשר תאגיד מחליט לצאת בהנפקה הוא נדרש להמציא תשקיף. בתשקיף מפורט מידע רב אודות התאגיד באופן שמאפשר למשקיעים הפוטנציאליים לקבל החלטה מושכלת בנוגע להשקעתם. בדרך כלל כוללת מלאכת הכנת התשקיף גם את הליך בדיקת הנאותות שנועד להבטיח את איכות התשקיף לטובת המשקיעים ולטובת המנפיק (כך למשל אם התשקיף מטעה עלול המנפיק להיות מורשע בפלילים או אם התשקיף שגוי מניות התאגיד תצנחנה).\nמטרות בדיקת הנאותות:\nיצירת הגנה מפני תביעות משפטיות על המנפיק (פליליות או אזרחיות).\nבירור התכנים הדרושים לפי חוק.\nקביעת תכנים רלוונטיים למשקיע הסביר בנוסף לדרישות החוק.\nרישום תכנים אלו תוך בדיקה שאין הם שגויים.\nהאחריות לתשקיף מוטלת על הדירקטוריון, כאשר בפועל את ביצוע ההנפקה מבצעים משרדי עו\"ד ורו\"ח המתמצאים בעניין תחת פיקוחו של היועץ המשפטי של החברה.\nבדיקת נאותות היא לעיתים חלק מהליך רכישה של חברה פרטית, גם ללא הכנת תשקיף. בהליך זה, לאחר גיבוש הסכמה עקרונית על רכישת החברה ומחירה, ניתן לרוכש זמן לעריכת בדיקת נאותות, שבה יוודא שכל הפרטים העסקיים שנמסרו לו במהלך המשא ומתן אכן מתקיימים. לעיתים מושפעים המחיר הסופי של העסקה, ואף עצם קיומה, מתוצאותיה של בדיקת הנאותות.\n== בדיקת נאותות של קרנות הון סיכון לחברות סטארט אפ ==\nסיבוב הגיוס הראשון של חברות סטארט אפ כולל גיוס מאנשים פרטיים \"מלאכים\" (Angels) או מחברות הון סיכון. משקיעים פרטיים משקיעים מכספם הפרטי כנגד הקרנות ולכן ניהול הסיכונים הוא שונה. קרנות הון סיכון מחויבות לערוך בדיקות נאותות מלאות לפני השקעה בחברה כדי לוודא האם מטרת ההשקעה תואמת את רמת הסיכון המאפיינת את הקרן.\nבדיקת נאותות של חברות הון סיכון כוללת חמישה שלבים:\n=== שלב 1 – סינון ראשוני של חברות ===\nחברות הון סיכון נמדדות ביכולות שלהן לזהות חברות סטארט אפ עם פוטנציאל לרווח בין מאות חברות עם ","en_topic":"Due diligence","wiki_pageid":493989,"wiki_revid":40201712,"source_url":"https://he.wikipedia.org/?curid=493989","license":"CC BY-SA 4.0"}
{"slug":"special-purpose-acquisition-company","lang":"he","title":"חברת רכישה למטרות מיוחדות","text":"חברת רכישה למטרות מיוחדות (באנגלית: Special-purpose acquisition company - בקיצור SPAC או ספאק, מכונה גם \"חברת צ'ק פתוח\") היא תאגיד, הרשום למסחר בבורסה מראש כשלד בורסאי ללא פעילות, במטרה לרכוש חברה פרטית, ובכך להפוך אותה לחברה ציבורית מבלי שתדרש לנהל הנפקה ראשונה לציבור. לפי רשות ניירות ערך האמריקאית (SEC) ספאק נוצר במיוחד כדי לגייס כספים במטרה לממן הזדמנות למיזוג או לרכישה במסגרת פרק זמן מוגדר. בדרך כלל כאשר עדיין לא זוהתה הזדמנות רכישה. חברות ספאק גייסו שיא של 83 מיליארד דולר בשנת 2020, תקופה המכונה לפעמים \"בום הצ'ק הפתוח\".\nמכיוון שספאק רשום כחברה הנסחרת בבורסה, הציבור הרחב יכול לקנות את מניותיה לפני שיתבצע המיזוג או הרכישה. מסיבה זו הם מכונות גם 'קרנות ההשקעות הפרטיות של האיש העני'.\nניתוח אקדמי מראה כי תשואות המשקיעים על ספאק לאחר המיזוג הן כמעט תמיד שליליות (אולם, נותני החסות בהנפקת הספאק יכולים להרוויח תשואות עודפות), תקופת התפשטותן, היא בדרך כלל סביב תקופות של בועות כלכליות, כגון הבועה בשוק ההון בשנים 2020–2021, כאשר מספר החברות וכמות ההון שגויסו על ידי חברות ספאק קבעו שיאים חדשים של כל הזמנים.\n== מנגנון הפעילות ==\nחברות ספאק מוקמות כחברות ציבוריות ריקות מתוכן על ידי יזם או קבוצה של יזמים בעלי ניסיון לצורך מיזוג עם חברות קיימות. חברות הספאק מבצעות הנפקה ראשונה לציבור עוד לפני שהן מוצאות חברות שירצו להתמזג עמן. הן מגייסות את ההון, תוך הבטחה למשקיעים למצוא את החברה המתאימה להתמזג עמה בדרך כלל בתוך 18 עד 24 חודשים. עד ביצע העסקה, הכסף יישב בנאמנות, ואם היא לא תתבצע, הכסף יוחזר למשקיעים. היזם שמוביל את הספאק ומחפש עבורה הזדמנות השקעה מכונה הספונסר.\nהספונסרים מחפשים חברה פרטית המבקשת לגייס הון או להפוך לחברה ציבורית. לאחר מכן, שני הצדדים נכנסים למשא ומתן על תנאי העסקה, בעיקר השווי שלה ורמת הדילול של בעלי המניות הקיימים של אותה חברה פרטית. בעלי המניות של חברת הספאק והחברה הפרטית צריכים לאשר את העסקה, ואם יש הסכמה מתבצע למעשה מיזוג בין החברות. אם לא מגיעים להסכמה ליזמי הספאק נגמר הזמן שהוקצב לחפש השקעה הכסף מוחזר למשקיעים.\n== היסטוריה ==\nחברות ספאק החלו להופיע בשנות ה-90 בענפי הטכנולוגיה, הבריאות, הלוגיסטיקה, התקשורת, הקמעונאות והטלקומוניקציה. ההיסטוריה שלהם החלה בבנק","en_topic":"Special-purpose acquisition company","wiki_pageid":1971034,"wiki_revid":37833125,"source_url":"https://he.wikipedia.org/?curid=1971034","license":"CC BY-SA 4.0"}
{"slug":"startup-accelerator","lang":"he","title":"אקסלרטור","text":"אקסלרטור (תוכנית האצה, באנגלית: Startup Accelerator) הוא תוכנית עבור חברות הזנק (סטארט-אפים) בתחילת דרכן. האקסלרטור מסייע לחברות בתחומים שונים, כגון ייעוץ טכני ומשפטי, פיתוח מוצר, חשיפה למנטורים, למשקיעים ולקוחות, במטרה להוות ״מאיץ״ לקידום תהליכים בחברה. ישנם אקסלרטורים שגם משקיעים הון התחלתי בחברות. רבים מהאקסלרטורים מתנהלים במחזורים של מספר חודשים, בסיומם מתקיים אירוע שבו מוצגות החברות למשקיעים ובכירים מהתעשייה (\"Demo Day\").\nהסיבות להקמת אקסלרטור עשויות להיות מגוונות, כשהמרכזיות שבהן: לקיחת אחוזים ובעלות חלקית על החברות, שיתופי פעולה טכנולוגיים ושיתופי פעולה אסטרטגיים. כמו כן, עבור אקסלרטורים מסוימים, חלק מסיבות יכולות להיות גם העשרה וקידום ההון האנושי (למשל, באקסלרטורים של אקדמיות), או תמיכה בפעילות החברה בסריקה אחר טכנולוגיות חדישות (למשל, באקסלרטורים של חברות עסקיות קיימות העוסקות בחדשנות פתוחה).\nמבחינת היזם או היזמת, הסיבות המרכזיות לרישום לאקסלרטור הן בעיקר: קידום המיזם, הגדלת רשת הקשרים של הצוות המייסד (נטוורקינג), קבלת ייעוץ עסקי, הכנת המיזם לקראת השקעת הון סיכון, ועוד.\nתהליך הקבלה לתוכנית ההאצה משתנה בין תוכנית לתוכנית, אך באופן כללי ניתן לומר שמדובר בתהליך סלקטיבי בכדי להבטיח התאמה בין המיזם לבין האקסלרטור.\nבאקסלרטורים מקצועיים, רשת המנטורים מורכבת מבכירים, משקיעי קרנות הון סיכון ואנג'לים, יזמים ומומחים בתעשייה מתחומים מגוונים.\n== סוגי אקסלרטורים ==\nאקסלרטורים המנוהלים על ידי תאגידים בין-לאומיים כגון מיקרוסופט ו-IBM.\nאקסלרטורים המנוהלים על ידי קרנות הון סיכון, ומסייעים להן לבחור ולהשקיע בחברות הצעירות המבטיחות ביותר.\nאקסלרטורים המנוהלים על ידי גופים מוסדיים וממשלתיים.\nאקסלרטורים המנוהלים על ידי גופים ללא מטרות רווח שפועלים לטיפוח קהילת היזמים המקומית. מודל זה נפוץ במוסדות לימוד אקדמיים, ולעיתים בחסות העירייה המקומית.\n== היסטוריה ==\nהחברה הראשונה שהשתמשה במונח אקסלרטור הייתה Colorado Venture Centers בשנת 2001.\nY Combinator שהתחילה את דרכה בקיימברידג', מסצ'וסטס, על ידי פול גרהם, הקימה את האקסלרטור בשנת 2005. תוכניות אקסלרטור נוספות הוקמו ברחבי ארצות הברית, ביניהן Techstars (בולדר, קולורדו), 500 Startups (מאונטיין ויו, קליפורניה), and MassChallenge (בוסטון, ","en_topic":"Startup accelerator","wiki_pageid":1797987,"wiki_revid":43180933,"source_url":"https://he.wikipedia.org/?curid=1797987","license":"CC BY-SA 4.0"}
{"slug":"crowdfunding","lang":"he","title":"מימון המונים","text":"מימון המונים היא שיטה פיננסית למימון מיזמים, עסקים וארגונים המבוססת על כסף שמושקע או נתרם על ידי מספר רב של אנשים פרטיים. מימון המונים משמש לקידום מגוון של מטרות, כגון תמיכה באמנים המבקשים סיוע מאוהדיהם, מימון חברות הזנק ופרויקטים עסקיים, קמפיינים פוליטיים, התמודדות עם מצבי חירום ואסון, הלוואות עמית לעמית, מימון סרטים עצמאיים ופרויקטים עיתונאיים, יצירת תוכנה חופשית ועוד, ולפיכך הוא מזוהה עם התנדבות ופעולה אידאולוגית ומכאן כאחת הפרקטיקות של החברה האזרחית.\nאף שהיה קיים גם קודם, מימון ההמונים זכה לתאוצה החל מסופו של העשור הראשון של המאה ה-21, בין היתר בזכות פלטפורמות אינטרנטיות חדשות שהוקמו כגון Kickstarter ו-Indiegogo, ושינויי חקיקה במדינות רבות שמאפשרים למספר רב יותר של משקיעים קטנים להשקיע במיזמים בתחילת דרכם עבור אחזקה ישירה בחברות.\n== היסטוריה ==\nבקהילות היהודיות באירופה החלה בראשית המאה ה־19 תופעה של רישום מנויים ששילמו עבור ספר עוד טרם יצא לאור, על מנת לסייע כספית לסופר להוציא את ספרו לאור. רשימת מנויים אלו הופיעה בעמודי השער של הספר לאחר צאתו לאור, והיא קרויה \"פרענומעראנטן\". ידוע על קרוב ל־1,000 ספרים שיצאו לאור במתכונת זו.\nב-1997 מעריצי להקת הרוק הבריטית מריליון כיסו סיבוב הופעות שלם של הלהקה כשהצליחו לגייס 60,000 דולר בעקבות קמפיין אינטרנט של מעריצי הלהקה. יוזמי הרעיון היו מעריצי הלהקה שניהלו אותו לפני שהייתה ללהקה מעורבות כלשהי בנושא. מאז אותו קמפיין השתמשו מריליון בשיטה זו בהצלחה רבה לצורך מימון ההקלטה והשיווק של אלבומיהם Anoraknophobia (האלבום ה-12 של הלהקה), Marbles (האלבום ה-13 של הלהקה) ו-Happiness Is the Road (האלבום ה-15 של הלהקה).\n=== המאה ה-21 ===\nהחברה ArtistShare שבסיסה בארצות הברית מתועדת כחברה הראשונה שהפעילה אתרי אינטרנט למימון המונים של תחום המוזיקה בהם Sellaband (2006), IndieGoGo (2008), Pledge Music (2009), Kickstarter (2009), RocketHub (2009), Rock The Post (2011) והאתרים הבריטיים שבסיסם בלונדון Sponsume (2010) and PleaseFund.Us (2011).\nפראני ארמסטרונג הייתה חלוצת מימון ההמונים בתחום הקולנוע עם הסרט האקולוגי The Age of Stupid בכיכובו של פיט פוסלתווייט. הסרט מומן במימון המונים בתקציב של 450,000 לירות שטרלינג שגויסו באמצעות מכירת \"מניות\" ל-22","en_topic":"Crowdfunding","wiki_pageid":1007646,"wiki_revid":43512333,"source_url":"https://he.wikipedia.org/?curid=1007646","license":"CC BY-SA 4.0"}
{"slug":"minimum-viable-product","lang":"he","title":"מוצר בר-קיימא מינימלי","text":"מוצר בר-קיימא מינימלי (באנגלית: minimum viable product או בקיצור: MVP) הוא מושג בפיתוח מוצרים, המתאר גרסה ראשונית של מוצר הכוללת את המינימום ההכרחי של התכונות הדרושות עבור שימוש בסיסי במוצר. מטרתו המרכזית היא לאפשר למידה מוקדמת של צורכי המשתמשים והתאמה לשוק באמצעות שימוש בפועל וקבלת משוב ממשתמשים עוד בשלבי הפיתוח המוקדמים.\n הגישה נועדה לצמצם השקעה מיותרת של זמן ומשאבים באמצעות למידה מוקדמת של השוק. המונח הוגדר לראשונה בשנת 2001 על ידי פרנק רובינסון, ובהמשך זכה לתפוצה רחבה בעקבות עבודתם של סטיב בלנק ואריק ריס . כיום, המונח נחשב למושג מרכזי בגישות של סטארט אפ רזה ופיתוח תוכנה זריז ובשלבים ראשונים של הקמת חברות הזנק.\n== תיאור ==\nלמוצר בר-קיימא מינימלי יש בדרך כלל רק את התכונות הנדרשות לשימוש בסיסי ולהפקת משוב ראשוני מהמשתמשים. לעיתים קרובות המפתחים משחררים אותו תחילה לקבוצה מצומצמת מתוך קהל הלקוחות האפשרי, כגון קהילת המאמצים המוקדמים , הנחשבת בדרך כלל סובלנית יותר לגרסאות מוקדמות של מוצר, מספקת משוב מפורט יותר, ומסוגלת להבין את ערך המוצר גם בשלבי פיתוח מוקדמים. אסטרטגיה זו נועדה לסייע למפתחים לבחון הנחות על צורכי המשתמשים ועל התאמת המוצר לשוק, ולהימנע מהשקעת משאבים בפיתוח תכונות או מוצרים שאין להם ביקוש.\nבמקרים מסוימים, נעשה שימוש במוצר בר-קיימא מינימלי גם במסגרת פרויקטים של מימון המונים, בהם יזמים מציגים מוצר ראשוני כדי לבחון עניין ציבורי ולגייס תמיכה. מידת בשלות המוצר בפרויקטים מעין אלה משתנה ממיזם למיזם, ואין הכרח שמדובר תמיד במוצר בר-קיימא מינימלי במובן המדויק.\n== ביקורת ==\nעל אף יתרונותיו, השימוש במוצר בר-קיימא מינימלי מעורר גם ביקורת. מבקרי הגישה טוענים כי הגישה עלולה להביא להשקה מוקדמת של מוצר שאינו מספק או ברמת איכות נמוכה. השקה כזו עלולה לפגוע בחוויית המשתמש, ליצור רושם שלילי על המוצר ולהקשות על המשך פיתוחו ושיווקו. משום כך, הספרות המקצועית מדגישה כי מוצר בר-קיימא מינימלי אינו בהכרח מוצר מינימלי ככל האפשר, אלא מוצר המספק ערך ממשי במקביל לאפשרות למידה והסקת מסקנות בנוגע להמשך הפיתוח.\n== ראו גם ==\nפיילוט (ניסוי)\nחברת הזנק\nהקתדרלה והבזאר\n== קישורים חיצוניים ==\nMVP במאגר הידע של דואלוג\nסקירה על הספר The Lean Startup מאת אריק ריס (בעברית)\nWhat every startup should","en_topic":"Minimum viable product","wiki_pageid":1649397,"wiki_revid":43175483,"source_url":"https://he.wikipedia.org/?curid=1649397","license":"CC BY-SA 4.0"}
{"slug":"economies-of-scale","lang":"he","title":"יתרון לגודל","text":"יתרון לגודל (המונח האנגלי המקביל: Economies of scale) הוא מונח מתחומי הכלכלה והניהול המתאר מצב בו ארגון גדול נהנה מעדיפות על פני ארגון קטן יותר, מעצם היותו גדול יותר.\n== הגדרה ==\nלארגון גדול, לעיתים קרובות, יש את האפשרות להגדיל את הייצור ולהוריד את העלויות לעומת ארגון קטן. כאשר פעילות הארגון גדלה והעלויות קטנות מדובר בארגון שנהנה מיתרון לגודל. העלות הממוצעת ליחידה בטווח הארוך יורדת עם העלייה בתפוקה. העלות הממוצעת ליחידת יורדת מכיוון שסך העלויות מתפרשות על כמות ייצור גדולה יותר. העלויות יכולות להיות קבועות או משתנות.\nהמושג יתרון לגודל משמש הן בהיבט המחקרי והן בהיבט של קבלת החלטות.\nקיימים מספר מקרים נפוצים בהם היתרון לגודל בא לידי ביטוי:\nכוח קנייה שבעזרתו מקבלים עסקאות טובות יותר מספקים.\nעלויות נמוכות יותר בתהליך הייצור.\nלוגיסטיקה טובה יותר שמובילה לעלויות הפצה נמוכות יותר.\nבמקרים מסוימים היתרון לגודל בארגון מקוזז על ידי החיסרון לגודל שקיים באותו ארגון. יתרון לגודל לרוב משמעותי יותר.\nיתרון לגודל לא בהכרח קורה כשהארגון גדול יותר. לדוגמה, שילוב בין שני עסקים שאינם קשורים לחלוטין עלול להוביל לעלויות גבוהות יותר (על ידי הוספת דרג ניהולי נוסף) ולניהול לקוי (על ידי הפחתת המיקוד בכל עסק והוספת בירוקרטיה).\nאת הגודל מאפיינים על פי העניין. מאפייני גודל שכיחים הם מספר אנשים, היקפי פעילות כגון מספר היחידות המיוצרות, כמות מכירות וכדומה והון.\n== הגורמים ==\nישנן מספר סיבות לכך שיתרון לגודל מוריד את העלות ליחידת ייצור-\nראשית, התמחות בעבודה ושילוב של טכנולוגיה מגביר את היקפיי הייצור.\nשנית, עלויות נמוכות ליחידה מושגות על ידי כוח קנייה שבעזרתו משיגים עסקה טובה יותר מהספקים.\nשלישית, סך העלויות-המשתנות והקבועות- מתפרש על כמות גדולה יותר של יחידות ייצור.\nכאשר חברה הופכת לגדולה מדי היא עלולה להביא לביטוי את החיסרון לגודל.\nיתרון לגודל יכול להיות פנימי או חיצוני לארגון.\nהיתרון לגודל הפנימי מתבססת על החלטות ניהוליות בעוד שהיתרון לגודל החיצוני תלוי בגורמים חיצוניים לארגון.\nיתרון לגודל פנימי - מתרחש כאשר חברה מורידה בעלויות הפנימיות של החברה ולכן זה ייחודי לחברה מסוימת. זה יכול לקרות עקב החלטה של הנהלת החברה או בעקבות הגודל של החברה. חברות גדולות יותר עשויות להשיג יתרון לגודל פנימי - להוריד את ע","en_topic":"Economies of scale","wiki_pageid":95899,"wiki_revid":37302320,"source_url":"https://he.wikipedia.org/?curid=95899","license":"CC BY-SA 4.0"}
{"slug":"patent","lang":"he","title":"פטנט","text":"פטנט הוא סוג של קניין או נכס, השייך לקטגוריית הקניין הרוחני, בקשר להמצאות חדשניות. פטנט מעניק לבעליו זכות למנוע מאחרים להשתמש בהמצאה המוגנת למשך תקופת ההגנה הקצובה בדין, שהיא 20 שנה ממועד בקשת הפטנט (עם חריגים אחדים). הזכות המעין-מונופוליסטית המוענקת לממציא מותנית, בכך שההמצאה כשירה לקבל פטנט, ובגילוי נאות של פרטי האמצאה לציבור. הגילוי צריך להיות בהיקף כזה, שבעל מקצוע ממוצע בתחום הרלוונטי יוכל לבצע וליישם את האמצאה על בסיס התביעות, הפירוט, השרטוטים והמידע הכלולים במסגרת \"הבקשה לרישום הפטנט\".\nהפטנט הרשום מעניק זכות משפטית הניתנת על ידי המדינה לבעל אמצאה לזמן קצוב (תקופת תוקף פטנט היא בדרך כלל 20 שנה מיום הגשת הבקשה לפטנט, וכך גם בישראל). כדי לקבל פטנט רשום על אמצאה יש להגיש בקשה לפטנט לרשות המטפלת בכך בכל מדינה (בישראל: רשות הפטנטים). על בקשת הפטנט לפרט את האמצאה עליה מבוקש הפטנט, באופן שיאפשר לבעל מקצוע ממוצע בתחום אליו הוא שייך להבין כיצד לממשה. כמו כן עליה לכלול תביעות (לפחות אחת) המגדירות במדויק את היקף הבלעדיות הנתבעת על ידי המבקש. כדי לקבל פטנט צריך שהאמצאה המוגדרת ב\"תביעות\" תהיה חדשה, מועילה, ניתנת לשימוש תעשייתי ובעלת התקדמות המצאתית (מה בין \"אמצאה\" לבין \"המצאה\"? המילה \"המצאה\" מתייחסת לתהליך המחשבתי שמוביל לתוצאה, התוצאה היא התוצר המוגמר והמוגדר שהיא ה\"אמצאה\").\n== הגדרה ==\nפטנט ניתן על המצאות שעניינן מוצרים או תהליכי ייצור המשמשים בתעשייה. הזכות לפטנט לא חלה על תגלית, כגון גילוי זן חדש של בעלי חיים (אלא אם כן הוא סונתז באופן מלאכותי), רעיון שיווקי (להבדיל מ\"שיטת מסחר\" עליה ניתן לקבל פטנט במדינות מסוימות), תאוריה מדעית, וברוב המדינות – אף לא על תוכנת מחשב (אך זו האחרונה מוגנת מכוח זכות יוצרים).\nפטנט הוא מקומי, ומוגבל לאותה מדינה שהעניקה אותו. על פי אמנת פריז עליה חתומות רוב מדינות העולם, בעל האמצאה שהגיש בקשת פטנט באחת המדינות, זכאי להגיש בקשת פטנט על אותה אמצאה בכל אחת מהמדינות האחרות בתוך 12 חודשים, וליהנות מדין קדימה במסגרתו ייחשב כאילו הוגשו הבקשות בתאריך בו הוגשה הבקשה במדינה הראשונה. קיימות אמנות רב-מדינתיות נוספות, כגון אמנת שיתוף פעולה לפטנטים (PCT), במסגרתן ניתן להגיש בקשת פטנט עבור מספר מדינות ולרכז את הליכי בחינתה ברשות מיוחדת המשותפת להן. גם במסגרת","en_topic":"Patent","wiki_pageid":16128,"wiki_revid":43512392,"source_url":"https://he.wikipedia.org/?curid=16128","license":"CC BY-SA 4.0"}
{"slug":"copyright","lang":"he","title":"זכויות יוצרים","text":"זכויות יוצרים הן סוג של קניין רוחני המעניק לבעליה את הזכות החוקית הבלעדית להעתיק, להפיץ, להתאים, להציג ולבצע יצירה, לרוב לזמן מוגבל. היצירה יכולה להיות יצירה ספרותית, אמנותית, דרמטית או מוזיקלית. זכויות יוצרים נועדו להגן על הביטוי המקורי של רעיון בצורה של יצירה, אך לא על הרעיון עצמו. זכויות יוצרים כפופות למגבלות המבוססות על שיקולים של אינטרס ציבורי, כגון שימוש הוגן.\nההגנה הניתנת לזכויות יוצרים באה להגן על ביטויים מקוריים, ומטרתה לעודד את העשרת עולם הביטויים. נהוג לסמן יצירה שרוצים להדגיש שיש למישהו זכויות שמורות עליה באמצעות הסימון © (האות c בתוך עיגול, קיצור של המילה copyright) – ולידו הביטוי \"כל הזכויות שמורות\", אך ברוב מדינות העולם (ובכלל זה בישראל) הדבר איננו הכרחי, והיצירה תהיה מוגנת גם ללא הסימון, אם היא עומדת בתנאים מהותיים אחרים.\n== היסטוריה של דיני זכויות היוצרים ==\nהמצאת הדפוס בשלהי המאה ה-15 הפכה את יצירתם והפצתם של עותקים לעניין כלכלי, והתפתחות הדפוס בהמשך הקלה מאוד על שכפול עותקי יצירות שנעשו על ידי אחרים. כבר בראשית המאה ה-16 ניתן למצוא איסורים וחרמות שבאו להגן על המדפיסים מפני מתחרים לפרק זמן של כמה שנים. בשנת 1517 פרסם הקיסר מקסימיליאן והאפיפיור לאו העשירי איסור מסוג זה על הדפסת התנ\"ך לפרק זמן של 4 שנים.\nחקיקת זכויות היוצרים הראשונה אי-פעם התקבלה בפרלמנט הבריטי בשנת 1709. החוק נקרא חוק המלכה אן, והוא נחשב לחוק זכות יוצרים המודרני הראשון בעולם. ההגנה ניתנה בשעתה למשך 14 שנה, עם אפשרות להארכה בעוד 14 שנה. בארצות הברית נכנסו זכויות היוצרים לחוקה ביוזמתו של ג'יימס מדיסון, על ידי הסמכת הקונגרס לחוקק חקיקת קניין רוחני. בחוקת ארצות הברית הוגבלו זכויות היוצרים ליצירות ספרותיות, ולזמן מוגבל. במשך השנים, הלכה תקופת ההגנה והתארכה עד שבשנות האלפיים, ברוב מדינות העולם, היא נמשכת על כל חיי היוצר ועד שבעים שנה לאחר מותו.\nבהכרזה לכל באי עולם בדבר זכויות האדם, אומצה על ידי העצרת הכללית של האו\"ם ביום 10 בדצמבר 1948, ומתארת את זכויות האדם היסודיות שצריכות לחול בכל מדינות האו\"ם, נכלל גם סעיף כז(2) שבו נאמר \"כל אדם זכאי להגנת האינטרסים המוסריים והחומריים הכרוכים בכל יצירה מדעית, ספרותית, או אמנותית שהיא פרי רוחו\".\n=== זכויות יוצרים במשפט העברי ===\n ערך מורחב – זכויות יוצ","en_topic":"Copyright","wiki_pageid":673,"wiki_revid":43488387,"source_url":"https://he.wikipedia.org/?curid=673","license":"CC BY-SA 4.0"}
{"slug":"probability","lang":"he","title":"הסתברות","text":"הסתברות היא מספר ממשי המציין את מידת הסבירות שמאורע מסוים יתרחש. ההסתברות של מאורע יכולה לקבל ערך מספרי שבין 0 (כלל לא סביר / בלתי אפשרי) ל־1 (מאורע ודאי או כמעט ודאי). הסתברות היא מושג יסודי במתמטיקה ומוגדרת באופן אנליטי בתורת ההסתברות. שימוש מעשי נרחב במושג ההסתברות נעשה בתחומי הסטטיסטיקה, מדעי הטבע, מדעי המחשב, מדעי החברה ומדעים אחרים.\n== שימושים ==\nחוסר הוודאות של מאורע, ולכן הצורך בחישוב או הערכה של ההסתברות שלו, עשויים לנבוע משני גורמים:\nחוסר ודאות הנובע מהאקראיות שבטבע. דוגמה לכך היא התפרקות חומר רדיואקטיבי. אין אנו יכולים לדעת באיזה אטום ספציפי ובאיזה מועד מדויק תתרחש ההתפרקות הבאה, אבל ניתן לדעת זאת במונחים סטטיסטיים־הסתברותיים.\nחוסר ודאות הנובע ממידע חלקי הנמצא בידינו. דוגמה לכך היא הטלת מטבע, שעשויה להסתיים באחת משתי תוצאות אפשריות, בלא שתהיה לנו דרך לחזות איזו תוצאה תתקבל בהטלה מסוימת, אם כי, בהינתן כל הנתונים הפיזיקליים הרלוונטיים – ניתן תאורטית לחשב את התוצאה. דוגמה נוספת היא השאלה \"האם בשבוע הבא תפרוץ מלחמה?\", שעליה נדרש המודיעין לענות. אף שייתכן שהאויב יודע תשובה ברורה לשאלה זו, המידע שבידי המודיעין הוא מידע חלקי, שלפיו יש לתת הערכה להסתברות של מאורע זה.\nשאלה פתוחה היא האם כל הסתברות מהסוג הראשון היא למעשה הסתברות מהסוג השני, כלומר האם האקראיות שבהתפרקות אטומים רדיואקטיביים נובעת רק מחוסר ידיעה שלנו על כל הכוחות הפועלים, או שאקראיות היא חלק בלתי נפרד מהטבע, בפרט במסגרתה של מכניקת הקוונטים.\nכאשר אנו מטילים מטבע, קל לומר באופן אינטואיטיבי שההסתברות שהוא ייפול על \"עץ\" היא 50%. בקביעה זו חסרה עדיין הגדרה פורמלית של המושג הסתברות. כאשר אנו מטילים מטבע 10 פעמים, נוכל לצפות שב־5 מקרים יֵצא \"עץ\" וב־5 מקרים יֵצא \"פלי\", אך ברור שאין כל ודאות בכך – ייתכן שבכל 10 ההטלות התוצאה תצא \"עץ\". מהי, אם כן, המשמעות של \"הסתברות של 50%\" בהקשר זה? התשובה של תורת ההסתברות לשאלה זו היא שההסתברות משקפת את השכיחות היחסית במספר גדל והולך של ניסיונות.\nשאלות של הסתברות עולות בהקשרים שונים:\nמשחקי מזל\nדוגמה: מהי ההסתברות שניחוש יחיד (בלוטו, בווינר וכדומה) יזכה בפרס הראשון. שאלה זו מעסיקה במיוחד את מארגן המשחק, שרוצה לתכנן את המשחק באופן שירוויח בו.\nמצבי סיכון\nדוגמה: מהי ההסתברות שאד","en_topic":"Probability","wiki_pageid":9838,"wiki_revid":42676536,"source_url":"https://he.wikipedia.org/?curid=9838","license":"CC BY-SA 4.0"}
{"slug":"bayesian-inference","lang":"he","title":"הסקה בייסיאנית","text":"הסקה בייסיאנית (אנגלית: Bayesian inference, על שמו של תומאס בייס) היא שיטת הסקה סטטיסטית המבוססת על נוסחת בייס. הנוסחה משמשת לעדכון ההסתברות לקיום הנחה על ידי הוספת מידע נוסף. שיטה זו חשובה בסטטיסטיקה, במיוחד במקרים של מידע המתעדכן באופן דינמי. שיטה זו מצאה שימוש נרחב במדע, הנדסה, רפואה ודין. שיטה זו מוצגת לפעמים כשיטה מתחרה להסקה שכיחותנית .\n== חוק בייס ==\n ערך מורחב – חוק בייס\nנוסחת בייס מסיקה הסתברות פוסטריורית בהינתן הסתברות פריורית ופונקציית נראות שנתונים על ידי המודל הסטטיסטי. ההסתברות נתונה על ידי הנוסחה:\n P\n (\n H\n ∣\n E\n )\n =\n P\n (\n E\n ∣\n H\n )\n ⋅\n P\n (\n H\n )\n P\n (\n E\n )\n {\\displaystyle P(H\\mid E)={\\frac {P(E\\mid H)\\cdot P(H)}{P(E)}}}\nכאשר:\nH היא השערה, עם הסתברות שיכולה להתעדכן בהתאם למידע חדש. במקרים מסוימים ישנן מספר השערות מתחרות ומטרת השיטה היא לבחור את הסבירה ביותר.\nE היא ראיה, המספקת מידע חדש שלא היה קיים בחישוב הסתברות פריורית.\n P\n (\n H\n )\n {\\displaystyle \\textstyle P(H)}\n זו ההסתברות פריורית של H, כלומר הערכת ההסתברות של H ללא ראיה E.\n P\n (\n H\n ∣\n E\n )\n {\\displaystyle \\textstyle P(H\\mid E)}\n היא הסתברות אפוסטריורית, כלומר ההסתברות ל-H בהינתן E. במילים אחרות, לאחר קבלת המידע E, מהי הסבירות לכך ש-H אכן התרחש. זהו המידע שאותו רוצים להסיק.\n P\n (\n E\n )\n {\\displaystyle \\textstyle P(E)}\n היא ההסתברות להתרחשות E, נקראת לפעמים נראות שולית . ערך זה הוא זהה לכל ההשערות הנבדקות וניתן על ידי נוסחת ההסתברות השלמה:\n P\n (\n E\n )\n =\n ∑\n P\n (\n E\n |\n H\n i\n )\n P\n (\n H\n i\n )\n {\\displaystyle P(E)=\\sum P(E|H_{i})P(H_{i})}\n, כלומר ההסתברות להתרחשות E בכל התרחיש","en_topic":"Bayesian inference","wiki_pageid":1441295,"wiki_revid":43458153,"source_url":"https://he.wikipedia.org/?curid=1441295","license":"CC BY-SA 4.0"}
{"slug":"hidden-markov-model","lang":"he","title":"מודל מרקוב חבוי","text":"מודל מרקוב חבוי (Hidden Markov model; ובקיצור HMM) הוא מודל סטוכסטי המאפשר למדל מערכת כתהליך מרקובי עם מצבים חבויים (כאלו שאינם ידועים לצופה).\nהבסיס המתמטי והאלגוריתמים הבסיסיים המשמשים לניתוח מודל זה פותחו על ידי לאונרד באום, לויד וולש ואנדרו ויטרבי, כשפיתוחים דומים נעשו עוד קודם לכן על ידי המדען הרוסי רוסלן סטרטונוביץ'.\nבמודל מרקובי פשוט (כמו שרשרת מרקוב) המצב ידוע לצופה ולפיכך הפרמטרים היחידים הם הסתברויות המעבר בין מצבים. במודל מרקוב חבוי לעומת זאת המצב אינו גלוי לצופה בצורה ישירה, אך הפלט, אשר תלוי במצב, ידוע לצופה. לכל מצב יש התפלגות של הסתברויות המגדירה את האותיות שאותן הוא יכול לפלוט. רצף אותיות הפלט שאותו מייצר המודל המרקובי החבוי מספק מידע מסוים על רצף המצבים הנסתר.\nלמודל מרקוב חבוי שימושים בתחומים רבים, בהם למשל זיהוי תבניות בדיבור, כתב יד, חלקי דיבר וביואינפורמטיקה.\n== הגדרה פורמלית ==\nניתן להגדיר מודל מרקוב חבוי באופן הבא:\n {\n S\n 1\n ,\n S\n 2\n .\n .\n .\n S\n N\n }\n {\\displaystyle \\{S_{1},S_{2}...S_{N}\\}}\n - קבוצה של N המצבים במודל.\nנסמן\n q\n t\n {\\displaystyle \\ q_{t}}\n המצב המתאים לתצפית בזמן t\n {\n σ\n 1\n ,\n σ\n 2\n .\n .\n .\n σ\n M\n }\n {\\displaystyle \\{\\sigma _{1},\\sigma _{2}...\\sigma _{M}\\}}\n - קבוצה של M אותיות אלפבית (אותיות הפלט של המצבים)\n A\n =\n {\n a\n i\n j\n }\n {\\displaystyle A=\\{a_{ij}\\}}\n - מטריצת הסתברויות מעבר בין מצבים, כאשר\n a\n i\n j\n =\n P\n [\n q\n t\n +\n 1\n =\n S\n j\n |\n q\n t\n =\n S\n i\n ]\n {\\displaystyle a_{ij}=P[q_{t+1}=S_{j}|q_{t}=S_{i}]}\n, כלומר הסתברות מעבר ממצב i למצב j. המטריצה מגדירה הסתברויות ובהתאם צריך להתקיים\n 0\n ≤\n a\n i\n j\n ≤","en_topic":"Hidden Markov model","wiki_pageid":1165510,"wiki_revid":39955254,"source_url":"https://he.wikipedia.org/?curid=1165510","license":"CC BY-SA 4.0"}
{"slug":"matrix","lang":"he","title":"מטריצה","text":"במתמטיקה, מַטְרִיצָה (Matrix) היא מערך דו-ממדי, שרכיביו הם סקלרים, לרוב מספרים, או איברים בחוג כללי יותר.\nהאפשרות לרכז במטריצה מידע רב ולהפעיל עליה שיטות וכלים סטנדרטיים, מוצאת למטריצות שימושים רבים. השימוש השכיח ביותר במטריצות הוא לפתרון של מערכת משוואות ליניאריות באמצעות דירוג מטריצות. מלבד זה חשיבותן העיקרית של המטריצות במתמטיקה, ובעיקר של מטריצות ריבועיות, נובעת מכך שניתן לייצג בעזרתן טרנספורמציות ליניאריות, באופן כזה שפעולת הכפל מתאימה לפעולת ההרכבה של הטרנספורמציות. מסיבות דומות יש לאלגברות של מטריצות תפקיד מרכזי בתורת החוגים.\n== הגדרה ==\nכאשר n ו-m הם מספרים טבעיים, מטריצה מסדר m על n (או: מסדר\n m\n ×\n n\n {\\displaystyle \\ m\\times n}\n) היא מערך שבו m שורות ו-n עמודות. הרכיבים הם בדרך כלל מספרים – כך למשל \"מטריצה ממשית\" היא מטריצה שרכיביה מספרים ממשיים, ו\"מטריצה מרוכבת\" היא מטריצה שרכיביה מספרים מרוכבים. אם R הוא מבנה אלגברי, \"מטריצה מעל (מבנה אלגברי) R\" היא מטריצה שרכיביה שייכים ל-R.\nאת רכיבי המטריצה מסמנים בזוג אינדקסים: הרכיב במקום שבו נפגשות השורה ה-i והעמודה ה-j במטריצה A נקרא\n A\n i\n j\n {\\displaystyle \\ A_{ij}}\n, או לפעמים\n a\n i\n j\n {\\displaystyle \\ a_{ij}}\n.\nלדוגמה, המטריצה\n A\n =\n [\n 1\n 2\n 3\n 1\n 2\n 7\n 4\n 9\n 2\n 6\n 1\n 5\n ]\n {\\displaystyle A={\\begin{bmatrix}1&2&3\\\\1&2&7\\\\4&9&2\\\\6&1&5\\end{bmatrix}}}\n היא מסדר 4 על 3; הרכיבים הם\n A\n 3\n ,\n 2\n =\n 9\n ,\n A\n 4\n ,\n 3\n =\n 5\n {\\displaystyle \\ A_{3,2}=9,A_{4,3}=5}\n, וכן הלאה.\n=== פעולות על מטריצות ===\nאוסף המטריצות מסדר m על n מעל שדה נתון F מהווה מרחב וקטורי מעל אותו שדה, כאשר פעולת הכפל בסקלר ופעולת החיבור מוגדרות באופן טבעי, על כל רכיב בנפרד. מקובל לסמן מרחב זה בסימון\n","en_topic":"Matrix (mathematics)","wiki_pageid":16098,"wiki_revid":40029615,"source_url":"https://he.wikipedia.org/?curid=16098","license":"CC BY-SA 4.0"}
{"slug":"vector-space","lang":"he","title":"מרחב וקטורי","text":"באלגברה ליניארית, מרחב וקטורי (קרוי גם מרחב ליניארי) הוא מערכת מתמטית מעל שדה, שבה מוגדרות פעולות של חיבור שני איברים, וכפל של איבר בסקלר מן השדה. איברי המערכת נקראים וקטורים. המרחב האוקלידי התלת־ממדי, בו ניתן לסמן כל נקודה על ידי שלושה מספרים ממשיים, הוא מרחב וקטורי. התכונות של המרחב הווקטורי קיימות במבנים מתמטיים רבים בתחומים שונים כגון אנליזה, אלגברה, מכניקה ותורת הקוונטים. לעיתים וקטורים מסומנים בסימון מיוחד כדי להבדילם מסקלרים, למשל וקטור\n u\n ∈\n V\n {\\displaystyle u\\in V}\n יכול להיות מסומן גם\n u\n _\n {\\displaystyle {\\underline {u}}}\n,\n u\n ¯\n {\\displaystyle {\\overline {u}}}\n,\n u\n →\n {\\displaystyle {\\vec {u}}}\n או\n u\n {\\displaystyle \\mathbf {u} }\n.\nבהנחת אקסיומת הבחירה, לכל מרחב וקטורי יש בסיס. כל הבסיסים של מרחב וקטורי הם בעלי אותו גודל, שהוא הממד של המרחב. הממד הוא המאפיין היחיד של מרחב וקטורי: כל שני מרחבים בעלי אותו ממד הם איזומורפיים זה לזה.\n== הגדרה ==\nמרחב וקטורי מעל שדה\n F\n {\\displaystyle \\ \\mathbb {F} }\n, הוא קבוצה\n V\n {\\displaystyle \\ V}\n שאבריה נקראים וקטורים;\nעם פעולת חיבור שביחס אליה\n V\n {\\displaystyle \\ V}\n היא חבורה אבלית (מקיימת סגירות לחיבור, אסוציאטיביות, קומוטטיביות, קיום איבר נייטרלי\n 0\n →\n V\n {\\displaystyle {\\vec {0}}_{V}}\n, וקיום איבר נגדי\n −\n v\n →\n {\\displaystyle -{\\vec {v}}}\n לכל\n v\n →\n ∈\n V\n {\\displaystyle {\\vec {v}}\\in V}\n);\nועם פעולת כפל בסקלר\n F\n ×\n V\n →\n V\n {\\displaystyle \\ \\mathbb {F} \\times V\\rightarrow V}\n, שמסמנים ב-\n (\n α\n ,\n v\n →\n )\n ↦\n α\n ⋅\n v\n →\n {\\displaystyle \\ (\\alpha ,{\\vec {v}})\\mapsto \\alpha \\cdot {\\vec {v}}}\n, כך שמתקיימות האקסיומות הבאות:\nסגירות: לכל\n v\n →\n ∈\n V\n {\\display","en_topic":"Vector space","wiki_pageid":8140,"wiki_revid":42263763,"source_url":"https://he.wikipedia.org/?curid=8140","license":"CC BY-SA 4.0"}
{"slug":"derivative","lang":"he","title":"נגזרת","text":"בחשבון אינפיניטסימלי, הנגזרת של פונקציה ממשית מתארת את ההשתנות של פונקציה ביחס לשינוי הפרמטר שהיא מוגדרת לפיו. למושג הנגזרת ישנה חשיבות גדולה בפיזיקה, שכן גדלים פיזיקליים רבים כמו מהירות ותאוצה מוגדרים באמצעות נגזרות. חוקי התנועה בענפים רבים בפיזיקה מבוססים על משוואות דיפרנציאליות - משוואות הקושרות גדלים עם הנגזרות שלהם. לדוגמה, הנגזרת לפי משתנה הזמן של פונקציית המיקום (העתק) של מכונית נוסעת, היא פונקציית המהירות של המכונית, ובאותו אופן הנגזרת של פונקציית המהירות שווה לפונקציית התאוצה. הנגזרת לפי משתנה הזמן של פונקציית המיקום של המכונית בזמן מסוים נקראת המהירות הרגעית של המכונית בזמן זה. הנגזרת מוגדרת כגבול של היחס שבו משתנה ערך הפונקציה בעקבות שינוי זעיר בערך הפרמטר.\nהפונקציה הנגזרת של פונקציה ממשית\n f\n {\\displaystyle f}\n היא בעצמה פונקציה ממשית, שערכה בנקודה\n x\n {\\displaystyle x}\n שווה לערך הנגזרת של\n f\n {\\displaystyle f}\n באותה נקודה. הפונקציה הנגזרת היא כלי בסיסי בחקר הפונקציות. למשל, בנקודות קיצון מקומיות (נקודות מינימום ומקסימום מקומיים של הפונקציה) של פונקציה גזירה ערך הפונקציה הנגזרת הוא אפס. לפי המשפט היסודי של החשבון הדיפרנציאלי והאינטגרלי, אפשר, בתנאים מסוימים, לשחזר את הפונקציה המקורית מן הפונקציה הנגזרת שלה, באמצעות אינטגרציה. את הנגזרת של פונקציה אלמנטרית אפשר לחשב באמצעות כללי גזירה ידועים. לא לכל פונקציה ממשית רציפה יש בהכרח נגזרת (לדוגמה: פונקציית ויירשטראס); פונקציה בעלת נגזרת נקראת פונקציה גזירה (בנקודה או בקטע). את מושג הנגזרת אפשר להכליל לפונקציות מרוכבות ולפונקציות (ממשיות או מרוכבות) בכמה משתנים. במקרה האחרון הנגזרת היא וקטור שרכיביו הם הנגזרות החלקיות של הפונקציה. באלגברה מופשטת נחקרות התכונות האלגבריות של הנגזרת בענף הנקרא אלגברה דיפרנציאלית.\nלמושג הנגזרת יש פירוש גאומטרי: הנגזרת של פונקציה בנקודה שווה לשיפוע המשיק באותה נקודה, כלומר, לכיוון של העקומה שהפונקציה מתארת.\n== הגדרה ==\nהנגזרת של פונקציה\n f\n {\\displaystyle f}\n בנקודה\n x\n {\\displaystyle x}\n מוגדרת כגבול\n lim\n Δ\n x\n →\n 0\n f\n (\n x\n ","en_topic":"Derivative","wiki_pageid":1825,"wiki_revid":43404371,"source_url":"https://he.wikipedia.org/?curid=1825","license":"CC BY-SA 4.0"}
{"slug":"convex-optimization","lang":"he","title":"אופטימיזציה קמורה","text":"אופטימיזציה קמורה היא תת-תחום של אופטימיזציה מתמטית, המטפלת במקרה שבו פונקציית המטרה היא פונקציה קמורה והאילוצים מגדירים מרחב שהוא קבוצה קמורה. למרות שמדובר במשפחה רחבה מאוד של בעיות, קיימים אלגוריתמים כלליים לפתרון יעיל של בעיות קמורות, ולכן לתחום של אופטימיזציה קמורה יש שימושים רבים בתחומים מגוונים. אופטימיזציה קמורה כוללת בתוכה בעיות שהן \"קלות\" יותר לפתרון - לדוגמה כל מינימום לוקלי של הפונקציה חייב להיות המינימום הגלובלי. כך, כאשר אנחנו רוצים לפתור בעיות אופטימיזציה, מובטח לנו שנתכנס לפתרון הכי טוב.\n== אלגוריתמים לאופטימיזציה קמורה ==\nישנם מספר אלגוריתמים שמטפלים בבעיות של אופטימיזציה קמורה. מרביתם מתבססים על קירוב לפתרון עד כדי אפסילון נתון.\nבין האלגוריתמים:\nהאלגוריתם של Cimmino - האלגוריתם מוצא נקודה משותפת בחיתוך של הקבוצות הקמורות. האלגוריתם מתבסס על חישוב היטלים ולקיחת ממוצעים. זהו אלגוריתם איטרטיבי. אלגוריתם זה נועד לתת פתרון בזמן אמת ומשתמשים בו בעיקר למציאת תת-אופטימום.\nאלגוריתם פרנק-וולף (Frank-Wolfe) - אלגוריתם זה עובד רק על בעיות אופטימיזציה קמורות כאשר האילוצים מגדירים קבוצה קומפקטית ופונקציית המטרה קמורה. באלגוריתם פרנק-וולף דורשים שפונקציית המטרה תהיה גזירה. למעשה, אלגוריתם זה יוצר סדרת בעיות של תכנון ליניארי, כאשר לוקחים קירוב ראשון בפיתוח טיילור של פונקציית המטרה (קירוב ליניארי של הפונקציה) מה שמוביל לבעיית תכנון ליניארי.\n== ראו גם ==\nכופלי לגראנז'\n== קישורים חיצוניים ==\nהרחבה על אלגוריתם פרנק-וולף, בוויקיפדיה באנגלית","en_topic":"Convex optimization","wiki_pageid":86367,"wiki_revid":36221101,"source_url":"https://he.wikipedia.org/?curid=86367","license":"CC BY-SA 4.0"}
{"slug":"signal-processing","lang":"he","title":"עיבוד אותות","text":"עיבוד אותות הוא ניתוח, הצגה, קידוד ופיענוח של אותות. אותות יכולים להגיע ממקורות שונים, כגון אותות אקוסטיים, חשמליים, תמונות, קרינה אלקטרומגנטית, מדידות תלויות זמן, מוצא חיישנים, אותות ביולוגיים ועוד רבים אחרים.\nישנם מספר תחומים מרכזים תחת עיבוד אותות בהתאם לטבע האות אותו מעבדים:\nעיבוד אותות ספרתי – אותות שנדגמו ומעובדים על ידי מעגלים אלקטרונים דיגיטליים, מיקרו-מעבדים או מחשבים.\nעיבוד אותות אנלוגי – אותות שלא נדגמו ומעובדים כאותות רציפים על ידי מעגלים אנלוגיים.\nעיבוד אותות קול – עיבוד אותות שמע חשמליים שנדגמו.\nעיבוד אותות וידאו – עיבוד אותות וידאו חשמליים שנדגמו.\nעיבוד תמונה – עיבוד תמונות שנדגמו באמצעים אופטיים.\n== היסטוריה ==\nלפי אלן אופנהיים ורונלד צ'פר, את העקרונות של עיבוד אותות ניתן למצוא כבר בטכניקות קלאסיות של אנליזה נומרית מהמאה ה־17. הם מציינים ששכלול דיגיטלי של הטכניקות הללו ניתן למצוא במערכות בקרה דיגיטליות של שנות ה־40 וה־50 של המאה הקודמת.\nב־1948 קלוד שאנון כתב את מאמר רב השפעה \"תאוריה מתמטית של תקשורת\" שפורסם בג'ורנל הטכני של מעבדות בל. מאמר זה הניח את היסודות לעיבוד אותות מודרני.\n== קישורים חיצוניים ==\n עיבוד אותות, דף שער בספרייה הלאומית\n== הערות שוליים ==","en_topic":"Signal processing","wiki_pageid":18925,"wiki_revid":39637385,"source_url":"https://he.wikipedia.org/?curid=18925","license":"CC BY-SA 4.0"}
{"slug":"fast-fourier-transform","lang":"he","title":"התמרת פורייה מהירה","text":"התמרת פורייה מהירה (באנגלית: Fast Fourier Transform; בראשי תיבות: FFT) היא אלגוריתם יעיל לחישוב התמרת פורייה בדידה (Discrete Fourier Transform - DFT) וההתמרה ההופכית שלה. יש מספר רב של אלגוריתמי FFT הכוללים טווח רחב של ענפים במתמטיקה מאריתמטיקה של מספרים מרוכבים לתורת החבורות ותורת המספרים. ערך זה סוקר את הטכניקות וחלק מתכונותיהן הכלליות.\nבאופן בסיסי יותר: ניתן לייצג פולינומים באמצעות מקדמים או באמצעות שורשים (המשפט היסודי של אלגברה) – ערכי הפולינום בנקודות, כלומר בשביל לייצג קו ישר (פולינום ממעלה 1) נדרשות שתי נקודות להגדרה חד חד ערכית שלו, לפולינום מדרגה שנייה שלוש וכך הלאה. יתרון הייצוג באמצעות שורשים הוא הקלות שבה ניתן לבצע כפל פולינומים בצורה יעילה:\nעבור ייצוג באמצעות מקדמים נדרשות\n N\n 2\n {\\displaystyle N^{2}}\n פעולות בשביל לבצע את פעולת הכפל.\nעבור ייצוג באמצעות שורשים נדרש לבצע הכפלה של כל נקודות מפולינום A לפולינום B ולכן מדובר בפעולה ליניארית.\nFFT מבצע ביעילות את המעבר בין ייצוג פולינום באמצעות מקדמים, לייצוג באמצעות שורשים, מבצע את הכפל בין החלקים ולאחר מכן חוזר לייצוג באמצעות מקדמים באמצעות FFT הפוכה בשביל להחזיר את התשובה.\nDFT ממיר סדרה של ערכים לרכיבים של תדירויות שונות. פעולה זו שימושית בתחומים רבים, אך חישוב ישיר של ההתמרה לפי ההגדרה שלה הוא פעמים רבות איטי מכדי להיות פרקטי. FFT היא שיטה לחשב את אותה תוצאה באופן מהיר יותר. חישוב DFT של\n N\n {\\displaystyle N}\n נקודות באופן נאיבי על פי ההגדרה הוא בעל סיבוכיות של\n O\n (\n N\n 2\n )\n {\\displaystyle O(N^{2})}\n, בעוד של-FFT סיבוכיות\n O\n (\n N\n ⋅\n log\n ⁡\n N\n )\n {\\displaystyle O(N\\cdot \\log {N})}\n. ההבדל במהירות עשוי להיות משמעותי, במיוחד עבור סדרות ארוכות בהן\n N\n {\\displaystyle N}\n עשוי להיות סדר גודל של אלפים או מיליונים. זמן החישוב יכול להיות מופחת בכמה סדרי גודל במקרים אלו, והשיפור הוא פרופורציונלי ל-\n N\n /\n log\n ⁡\n N\n {\\displaystyle N/\\log {N}}\n. שיפור עצום זה הפך אלגוריתמים רבים מבוססי DFT להיות פרקטיים. FFT הם בעלי חשיבות ","en_topic":"Fast Fourier transform","wiki_pageid":1040943,"wiki_revid":43157755,"source_url":"https://he.wikipedia.org/?curid=1040943","license":"CC BY-SA 4.0"}
{"slug":"unicode","lang":"he","title":"יוניקוד","text":"יוּנִיקוֹד (באנגלית: Unicode) הוא תקן בין־לאומי לייצוג טקסט במערכות מחשב. התקן מגדיר מערכת תווים המקיפה את כל מערכות הכתב הנמצאות כיום בשימוש פעיל בשפות העולם, וכן מערכות כתב ותווים נוספים שבהם נעשה שימוש בתחומים מדעיים וטכניים, כגון מתמטיקה ובלשנות.\nבנוסף מגדיר התקן כללים לייצוג צירופים של תווים שונים (כגון אות לטינית שעליה סימן אקצנט, או אות עברית שעליה סימן ניקוד), וכללים לייצוג והצגה של טקסט דו־כיווני (הכולל קטעים במערכת כתב הנכתבת משמאל לימין ובכזו הנכתבת מימין לשמאל). הגרסה הראשונה של התקן פורסמה בשנת 1988. נכון לספטמבר 2021 הגרסה האחרונה היא 14.0.\nמערכות הפעלה מודרניות כדוגמת Windows החל מ־Windows 2000, הגרסאות החדשות של לינוקס ו־OSX, מערכת ההפעלה של אפל, כולן עושות שימוש בתקן יוניקוד. מערכות ההפעלה הראשונות שתמכו ביוניקוד היו Windows NT על כל גרסאותיהן ו־Plan9, שהיא מערכת מבוססת יוניקס.\nתקן מקובל לייצוג טקסט לפני יוניקוד היה ASCII, שייצג את האלפבית הלטיני הפשוט (ללא אקצנטים וכולי), מספרים וסימני פיסוק בקידוד של 7 סיביות. כדי לתמוך בתווים נוספים הורחב ייצוג זה לקידוד של 8 סיביות, שכל אחד מהם הכיל 256 תווים: 128 תווי ASCII ו־128 תווים אחרים לפי האזור. כך למשל, המספר 224 הכיל את האות à בקידוד של מערב אירופה ואת האות א בקידוד העברי. דבר זה גרם לבעיות בהעברה של טקסט ממערכות שונות. ב־1990 התכנסו חברות תוכנה ותקשורת עולמיות כדי לפתור את הבעיה וכך החלה התקינה של יוניקוד.\nעד לגרסה 2.0, התבסס יוניקוד על קידוד של 16 סיביות, היכול להכיל 65,536 תווים. לאחר שתוקנו תווים רבים לצורכי תאימות (כגון הברות קוריאניות), היה ברור כי אין זה מספר מספיק לכל הצרכים העולמיים, וגרסה 2.0 של יוניקוד הורחבה להכיל 1,112,064 תווים באמצעות מנגנון UTF-16, שבו 2048 קודים מנוצלים כדי לייצג יותר ממיליון תווים. בגרסה 3.1 של יוניקוד הותקנו התווים הראשונים מעבר לתחום ה־65,536 העליונים (המשטח הרב־לשוני הבסיסי), וקידוד יוניקוד ניתן לבצע באחת משלוש צורות: UTF-8‏, UTF-16 ו־UTF-32. הראשונה משמשת באינטרנט ובלינוקס, השנייה בג'אווה ובחלונות, והאחרונה בתור קידוד פנימי (בתוך הזיכרון) של מערכות יוניקס מסוימות.\nתקן היוניקוד מוסיף נדבך קטן בהפיכתו של העולם לכפר גלובלי קטן בשל העובדה שיש מערכת קידוד אחידה שאפשר ל","en_topic":"Unicode","wiki_pageid":9565,"wiki_revid":42242022,"source_url":"https://he.wikipedia.org/?curid=9565","license":"CC BY-SA 4.0"}
{"slug":"blockchain","lang":"he","title":"בלוקצ'יין","text":"בלוקצ'יין (מאנגלית: Blockchain; בתרגום חופשי: \"שרשרת בלוקים\") היא תפיסה טכנולוגית במחשוב המאפשרת ביזור משאבים דיגיטליים באינטרנט ואימות של טרנזקציות ומקוריות נתונים בין צדדים שונים ללא צורך בישות ניהול מרכזית. את הגורם המנהל מחליפים \"בלוקים\" משורשרים של מידע הנוצרים באמצעות שיתוף מבוסס רשת תקשורת מסוג עמית לעמית (P2P)\nבלוקצ'יין מיועד להגיע להסכמה בין גורמים שונים ובלתי תלויים על בלוקים של מידע שמחוברים בשרשרת. כל בלוק כולל מזהה וגיבוב של תוכן הבלוק הקודם ובכך מתחבר אליו. כך נוצר מבנה נתונים מבוזר שעל תוכנו (תוכן השרשרת הראשית) יכולים להסכים כל הגורמים המעורבים. אין אפשרות לשנות את תוכן הבלוקים מרגע שהם נקבעו.\nהיישום הראשון והמוכר ביותר בבלוקצ'יין הוא ביטקוין, שבו נעשה שימוש לראשונה בינואר 2009. תפיסת הבלוקצ'יין נהגתה ביחד עם המצאת מטבע זה. רוב המטבעות המבוזרים מבוססים על טכנולוגיה דומה. שרשרת הבלוקים משמשת לרישום כל ההעברות במטבע ובכך מתפקדת כספר חשבונות כללי. אולם שרשרת הבלוקים יכולה להכיל גם סוגי מידע אחרים. מומחים צופים שימושים משמעותיים נוספים בבלוקצ'יין בשנים הקרובות בתחום הפיננסי ובתחומים אחרים, כגון יצירת חוזים, שמירה על זכויות יוצרים, העברת רשומות רפואיות ועוד.\n== תפיסה וטכנולוגיה ==\nהרעיון המרכזי מאחורי בלוקצ'יין הוא יצירת מערכת לניהול עסקאות כספיות ללא גורם מרכזי מנהל. באופן מסורתי, מסד הנתונים המרכזי של גורם מנהל מהווה את החוליה החלשה הן בהיבטי אבטחת מידע (חדירה, שינוי, השחתה וכו׳), והן מכיוון שעצם קיומו מחייב מתן אמון באדם או בקבוצת אנשים המנהלים את רשומותיו. הבלוקצ'יין, לעומת זאת, מנוהל באופן מבוזר, בתפיסת קוד פתוח. כל אדם יכול לקרוא ממנו, לכתוב עליו, להשתתף בניהולו, או לשנות את קוד התוכנה שמפעילה אותו, ואין גורם מרכזי אשר המידע שייך לו או שביכולתו לנהל אותו כרצונו.\nכל הצמתים ברשת, שהם מחשבים שונים ברחבי העולם, בונים מעין סולם דיגיטלי הכולל את כל נתוני הטרנזאקציות. הנתונים נכתבים לבלוק אשר מידי כעשר דקות ננעל ומצטרף כחוליה חדשה בשרשרת (Chain) לבלוקים הקודמים.\nהבלוקים משורשרים כך שכל בלוק חדש מכיל ערך גיבוב (SHA-256) של נתוני הבלוק הקודם ובנוסף אליהם גם מספר אקראי נוסף (nonce), כזה אשר בזכותו תוצאת הגיבוב תהיה מספר נמוך מערך מטרה מוגדר כלשהו. מנגנון כזה ","en_topic":"Blockchain","wiki_pageid":1376300,"wiki_revid":43336187,"source_url":"https://he.wikipedia.org/?curid=1376300","license":"CC BY-SA 4.0"}
{"slug":"cryptocurrency","lang":"he","title":"מטבע מבוזר","text":"מטבעות מבוזרים או מטבעות קריפטוגרפיים הם אמצעים דיגיטליים להעברת ערך דרך רשת מחשבים שאינה תלויה ברשות מרכזית (כגון ממשלה או בנק) כדי לקיים או לתחזק אותה. הם מאפשרים מגוון שימושים כגון תשלום או השקעה.\nמטבעות מבוזרים/קריפטוגרפיים נוצרים באמצעים טכנולוגיים וערכם נקבע לפי הסכמה בין כלל המשתמשים ולא נקבע לפי ערך סחורה או לפי קביעה של גוף מרכזי אחד.\nהטכנולוגיה מאחורי מטבעות אלו נקראת \"בלוקצ'יין\" (בעברית: שרשרת בלוקים), מערכת זו מבוססת על רשת של מחשבים, המחוברים זה לזה באמצעות רשת האינטרנט ומנהלים מעין \"מאגר נתונים\". בלוקצ'יין מאפשרת פעילות עסקית מאובטחת באינטרנט ואימות של טרנזקציות (העברות) עסקיות בין צדדים שונים ללא צורך בישות ניהול מרכזית.\nמחשבים שונים הלוקחים חלק ברשת בונים רישום דיגיטלי של טרנזקציות. אחת ליחידת זמן מסוימת (10 דקות בביטקוין, כ-12 שניות באתריום) נכתבים הנתונים החדשים ל\"מאגר הנתונים\" בתהליך שנקרא \"כרייה\", ולכן המשתמשים שמבצעים אותו נקראים \"כורים\". \"ציר הזמן\" של מאגר הנתונים מחולק לפי בלוקים: בלוק הוא יחידת זמן בתוך מאגר הנתונים, ואפשר למקם כל פעילות הנעשתה על הרשת על גבי בלוק מסוים. בתום זמן מסוים, ננעל הבלוק, ומצטרף לבלוקים הקודמים ובכך מצטרף ל\"שרשרת הבלוקים\". כל בלוק מאופיין באזכור של הבלוק הקודם לו על ידי הכנסת ההצפנה (\"Hash\") של הבלוק שלפניו לתוכו. באופן כללי, מסד הנתונים המרכזי מנהל את החוליה החלשה באבטחת מידע, מכיוון שניתן לחדור אליו, לשנותו או לפגום ברשומותיו. הבלוקצ'יין, לעומת זאת, מנוהל באופן מבוזר, משמע - אי אפשר לפרוץ אליו על ידי פריצת מחשב אחד ברשת.\nהמטבע המבוזר הפופולרי ביותר הוא \"ביטקוין\", שנחשב ״פרימיטיבי״ טכנולוגית לעומת מטבעות מבוססים מערכות מתקדמות יותר, כגון אתריום או כספא.\n== מטבע מבוזר ==\nבאנגלית מקובל השם Cryptocurrency (\"מטבע מוצפן\") מכיוון שאמצעי תשלום שנדרש להבטיח הסכמה מבוזרת אמינה, נדרש להשתמש באמצעים קריפטוגרפיים. מכיוון שמטבע מבוזר מגדיר מערכת מבוזרת עם מספר משתמשים רב, הגדרתו של מטבע כזה היא הגדרה של פרוטוקול תקשורת, וכן של פרוטוקול קריפטוגרפי בין המשתתפים השונים ברשת. ניתן לממש מטבע מבוזר באמצעות בלוקצ'יין, אך קיימת בעיה בשמירת אנונימיות המשתמשים, כי בלוקצ'יין באופיו שקוף ופתוח לכולם. לכן, אף על פי שמטבע ספציפי אינו מקושר ל","en_topic":"Cryptocurrency","wiki_pageid":1174691,"wiki_revid":43407112,"source_url":"https://he.wikipedia.org/?curid=1174691","license":"CC BY-SA 4.0"}
{"slug":"quantum-computing","lang":"he","title":"מחשב קוונטי","text":"מחשב קוונטי הוא מכונה המעבדת נתונים תוך שימוש ישיר בתכונות של מכניקת הקוונטים כגון סופרפוזיציה קוונטית ושזירה קוונטית. מחשב קוונטי שונה ממחשב רגיל, בכך שהוא משתמש בקיוביט (ביט קוונטי) במקום ביט כיחידת המידע הבסיסית, והפעולות הבסיסיות שניתן לבצע על קיוביטים שונות מהשערים הלוגיים העומדים בבסיסו של מחשב קלאסי. ישנן בעיות שמחשב קוונטי מסוגל לפתור ביעילות גבוהה יותר מאשר האלגוריתם המיטבי האפשרי עבור מחשב קלאסי רגיל, אולם מבחינה חישובית הכרעתית הם שקולים, וכל בעיה שניתן לפתור (כלומר, להכריע או להכריע חלקית) באמצעות מחשב קוונטי ניתן לפתור גם באמצעות מחשב קלאסי, גם אם יידרש לשם כך זמן ארוך בהרבה.\nהמחקר התאורטי בתחום המחשוב הקוונטי החל בשנות השבעים של המאה ה-20 ומהווה מוקד עניין הן באקדמיה והן בגופי ממשל וצבא ברחבי העולם, בזכות ההבטחות לשיפור משמעותי בביצועים של חישובים שונים. נבנו מספר דגמים שמימשו מחשבים קוונטיים בני קיוביטים בודדים לפרקי זמן קצרים, ובשנת 2011 נעשה שימוש במחשב קוונטי על מנת לפרק לגורמים את המספר 143 בעזרת אלגוריתם שור; המספר הגדול ביותר שפורק אי-פעם לגורמים באמצעות מחשב קוונטי הוא 56,153. עם זאת, הטכנולוגיה הקיימת היום עדיין אינה מאפשרת בניית מחשב קוונטי שיוכל לפרק לגורמים מספרים ראשוניים גדולים המשמשים לצפנים במערכות מסחריות או צבאיות. יכולת לפרק מספר בן 2,048 ביטים (שעדיין אינה פרקטית ב-2023) תאפשר פיצוח של המסרים המוצפנים בשיטת RSA, שהיא השיטה הנפוצה היום ביישומים פיננסיים ומסחריים.\nאחת השאיפות המרכזיות בפיתוח מחשב קוונטי היא להגיע לעליונות קוונטית , היינו נקודת הזמן בהיסטוריה בה מחשב קוונטי יבצע משימה חישובית, ששום מחשב קלאסי לא יכול לבצע בזמן סביר. ב-23 באוקטובר 2019, הכריזה חברת גוגל כי הצליחה להשיג עליונות קוונטית, בעוד שמתחרתה, IBM, חלקה על טענה זו.\nב-22 בפברואר 2023 הכריזה גוגל על פריצת דרך שנייה והודיעה כי חוקרים של החברה הצליחו לראשונה להוכיח בניסוי כי ניתן להקטין את שיעור השגיאות במחשבים קוונטים באמצעות שימוש בקוד לתיקון שגיאות והגדלת מספר הקיוביטים בקידוד.\nמכיוון שאופן הפעולה של מחשבים קוונטיים שונים יכול להיות שונה באופן מהותי זה מזה, פותח תחום מחקר חדש שעוסק בבחינת ביצועים של מחשבים קוונטיים. מטרת תחום זה היא להעריך את הביצועים של מחשב קוונט","en_topic":"Quantum computing","wiki_pageid":95217,"wiki_revid":43422951,"source_url":"https://he.wikipedia.org/?curid=95217","license":"CC BY-SA 4.0"}
{"slug":"ethereum","lang":"he","title":"אתריום","text":"אתריום (באנגלית: Ethereum) היא פלטפורמת קוד-פתוח מבוססת בלוקצ'יין, המאפשרת יצירה ושימוש באסימונים מבוזרים, באסימונים חסרי תחליף ובחוזים חכמים, המקלים על סגירת עסקאות והסכמים דרך האינטרנט בצורה מבוזרת, קרי ללא ישות מרכזית המנהלת אותם.\nאתריום מספקת מכונה וירטואלית שלמה-טיורינגית המכונה EVM‏ - Ethereum Virtual Machine, שמטרתה הפעלה והרצה של סקריפטים באמצעות רשת בינלאומית של צמתים פומביים. בנוסף, מספקת אתריום מטבע וירטואלי קריפטוגרפי בשם את'ר (Ether), שניתן להעבירו בין משתמשים באמצעות ארנק קריפטוגרפי ולפצות משתמשים התורמים מכח החישוב שלהם לביצוע החישובים של הרשת. לרשת מנגנון תמחור ייחודי המכונה \"גז\" (דלק), המשמש למניעת ספאם והקצאת משאבים יעילה.\nרשת האתריום מאפשרת פעילות של אפליקציות מבוזרות שפועלות על גביה. דוגמה לאפליקציות מבוזרות מפורסמות שעובדות על רשת האתריום: Uniswap, Kyber, Bancor.\nהשם אתריום מתייחס גם לארגון גג ללא מטרות רווח, הרשום בשווייץ ועוסק בפיתוח הפלטפורמה.\n== שם הפלטפורמה ==\nהשם \"את'ריום\" מקורו בסרט הטירה המרחפת, שם את'ריום הוא אבן בעלת יכולות יוצאות דופן, כגון ריחוף.\n== היסטוריה ==\nמאז השקתה, התפתחה הרשת והפכה לפלטפורמה העיקרית ליצירת אפליקציות בלוקצ'יין. המטבע הקריפטוגרפי של הרשת, האת'ר, הפך למטבע הווירטואלי השני בשימושו בעולם אחרי הביטקוין, עם שווי שוק כולל של כ־357 מיליארד דולרים, נכון לאפריל 2022. בהשוואה לביטקוין, הערך המוסף המרכזי של אתריום הוא יכולתו לטפל בחוזים מתוחכמים ולהתמודד עם כמות גדולה יותר של נתונים.\nהרשת הוצעה לראשונה בשנת 2013 על ידי ויטליק בוטרין, חוקר ומתכנת קריפטוגרפי והוגה המיזם, בגיל 19. פיתוח הפלטפורמה מומן באמצעות קמפיין מימון המונים במהלך יולי ואוגוסט 2014, וכעבור שנה, ב-30 ביולי 2015, רשת האתריום עלתה לאוויר. המנגנון של הרשת נקרא Modified GHOST, ומבוסס על מנגנון שהוצע על ידי אביב זהר ויונתן סומפולינסקי.\nב-2016, לאחר שהאקר ניצל פרצה בפרוטוקול והזרים לכיסו מטבעות וירטואליים בשווי עשרות מיליוני דולרים, עברה הפלטפורמה \"פיצול\" ולמעשה נוצרה לה גרסה חדשה ומתוקנת. קוד האתריום המקורי עדיין שמיש והרשת שלו מכונה \"אתריום קלאסי\", אך רוב שווייה ופעילותה של הרשת נדדו לאחר הפיצול לאתריום המתוקן.\nב-2022 דיווחה קבוצת חוקרים מהאוניברסיטה העברית ב","en_topic":"Ethereum","wiki_pageid":1501038,"wiki_revid":43167360,"source_url":"https://he.wikipedia.org/?curid=1501038","license":"CC BY-SA 4.0"}
{"slug":"non-fungible-token","lang":"he","title":"אסימון חסר תחליף","text":"אסימון חסר תחליף (באנגלית: Non-fungible token ובר\"ת NFT) הוא סוג מיוחד של פרוטוקול קריפטוגרפי, המייצג נכס ייחודי. בניגוד למטבעות מבוזרים כגון ביטקוין ואסימוני רשת או שירותים רבים אחרים, NFT לא ניתן להחלפה באחר דומה לו ולכן מעצם טבעו אינו בר-חליפין.\n== שימושים ==\nאסימונים חסרי תחליף נמצאים בשימוש ליצירות דיגיטליות אשר יש צורך בייחודן, כגון אמנות בלוקצ'יין, יצירות אספנות דיגיטלית ובתחום משחקי רשת. השימוש המוקדם ביותר ב-NFT היה בתחום האמנות הדיגיטלית כיוון שה-NFT מאפשר הוכחת מקוריותה של היצירה והבעלות עליה, אף שתחום האמנות הדיגיטלית מעצם טבעו מאפשר שכפול קל מהיר ומדויק של היצירה והפצתה ללא הרשאה ברשת האינטרנט.\nניתן לעשות שימוש ב-NFT גם לציין נכסים ששחקן צובר ושולט בהם במשחקי רשת ואשר למפתח המשחק אין שליטה עליהם. בנכסים דיגיטליים אלה ניתן לסחור בשווקים החיצוניים למשחק ללא קבלת רשות ממפתח המשחק.\n== היסטוריה ==\nבחודש יוני 2017 יצאו לאור ה-CryptoPunks שהיו חותמות הנעילה הדיגיטליות הראשונות בבלוקצ'יין אתריום על ידי הסטודיו האמריקני Larva Labs, בו פעלו מאט הול וג'ון ווטקינסון. בשלהי שנת 2017 יצא לאור פרויקט נוסף בשם CryptoKitties והפך לוויראלי. הפרויקט זכה להשקעה של 12.5 מיליון דולר מקרן הון סיכון.\nבשנת 2018 RareBits, שוק ליצירות NFT זכה להשקעה של 6 מיליון דולר. Gamedex, פלטפורמה דיגיטלית למשחקי קלפים שאפשרית בזכות NFT, גייסה הון ראשוני של 800 אלף דולר. Decentraland, עולם וירטואלי המבוסס בלוקצ'יין, גייס 26 מיליון דולר בהצעת מטבע ראשונית (initial coin offering-ICO). והיה בעל שווי שוק פנימי של 20 מיליון דולר נכון לספטמבר 2018. נכון לשנת 2019 חברת נייקי היא בעלת פטנט לנעלי סניקרס בעלי NFT על בסיס בלוקצ'יין, בשם CryptoKicks.\nבמחצית הראשונה של 2020 השיקה חברת Dappar Labs בשיתוף עם ה-NBA גרסת בטא של פרטי אספנות NBA TopShot אפליקציה מבוססת NFT אשר הייתה בפיתוח משנת 2018. החברה מוכרת חותמות בחבילות המכילות מולטימדיה ומידע יחדיו, במודל הדומה לקופסה עיוורת דיגיטלית. ב-1 באוקטובר 2020 החברה הכריזה כי סיימה את שלב בטא והיא פותחת את האפליקציה לרכישה לכלל אוהדי ה-NBA. ב-28 בפברואר 2021 דיווחה חברת Dapper Labs על מכירות של האפליקציה בשווי 230 מיליון דולר.\nבפברואר 2021 המוזיקאית גריימס מכרה","en_topic":"Non-fungible token","wiki_pageid":1961117,"wiki_revid":42690541,"source_url":"https://he.wikipedia.org/?curid=1961117","license":"CC BY-SA 4.0"}
{"slug":"quantum-entanglement","lang":"he","title":"שזירה קוונטית","text":"שזירה קוונטית (באנגלית: Quantum Entanglement) היא תופעה במכניקת הקוונטים שבה פעולה על חלק אחד של מערכת מבוזרת חורצת את המצב של החלק האחר, גם כאשר שתי המערכות מרוחקות זו מזו ואין אפשרות של מעבר מידע ביניהן. בתופעה זו, מצבם של שני חלקיקים שזורים מתואם באופן מושלם, כך שפעולה על חלקיק אחד משפיעה באופן מיידי על מצבו של החלקיק האחר, ללא קשר למרחק הפיזי ביניהם. תופעה זו, שאיינשטיין כינה \"פעולת רפאים ממרחק\", מהווה בסיס לטכנולוגיות קוונטיות חדשניות, בהן מחשבים קוונטיים ותקשורת קוונטית.\nלשזירה קוונטית מספר מאפיינים:\nתלות הדדית ללא קשר למרחק שני חלקיקים שזורים \"קשורים\" כך שלא ניתן לתאר את מצבם בנפרד; יש לתארם כיחידה אחת. שינוי במצב של חלקיק אחד משנה מיידית את המצב של החלקיק השזור, גם אם הם רחוקים זה מזה.\nקורלציה: התכונות של חלקיקים שזורים מסונכרנות. למשל, אם נמדוד ספין של שני אלקטרונים שזורים, נמצא תמיד ספינים מנוגדים. כלומר, אם שני אלקטרונים נמצאים במצב שזור שבו הספין הכולל הוא אפס, ואז נמדוד את הספין של אחד ונמצא שהוא \"למעלה\", נדע בוודאות שהשני יהיה \"למטה\".\nאי-מקומיות: השזירה מאתגרת את עקרון המקומיות הקלאסי, הקובע שאירועים יכולים להשפיע זה על זה רק דרך אינטראקציות מקומיות.\n== היסטוריה של חקר התחום ==\nעל התופעה עמדו לראשונה אלברט איינשטיין, בוריס פודולסקי ונתן רוזן במאמר הידוע בשם הפרדוקס של EPR. את המינוח שזירה (במקור בגרמנית: Verschränkung, באנגלית: Entanglement) טבע ארוין שרדינגר במאמר שנכתב בעקבות מאמר EPR שבתרגום לעברית נקרא: \"המצב הנוכחי של מכניקה קוונטית\" (תרגום לאנגלית נמצא כאן).\nבעבר הצליחו להדגים שזירה רק בחלקיקים זעירים. לאחרונה הצליחו החוקרים להדגים שזירה גם במערכות גדולות יחסית, כמו פיסות יריעת אלומיניום, שקוטרן קרוב לעובי שערת אדם, מה שפותח אפשרויות חדשות ליישומים טכנולוגיים.\n== תאוריה של השזירה הקוואנטית ==\nניתן לאשש את קיום השזירה על ידי מדידה של מתאמים (קורלציות) מתאימים הידועים בשם אי שוויונות בל או \"משפטי בל\". אי שויונות אלו מתארים את ההגבלות שנובעות מתורת ההסתברות על מתאמים בתורה קלאסית (תורה שהיא מקומית וריאליסטית).\nבמכניקה קוונטית השזירה מתוארת על ידי פונקציית גל שאינה מכפלה וליתר דיוק על ידי פונקציית גל שפירוק שמידט שלה הוא מהצורה\n |\n ","en_topic":"Quantum entanglement","wiki_pageid":136138,"wiki_revid":42957450,"source_url":"https://he.wikipedia.org/?curid=136138","license":"CC BY-SA 4.0"}
{"slug":"semiconductor","lang":"he","title":"מוליך למחצה","text":"מוליך למֶחֱצָה (בקיצור לעיתים: מל\"ם או מל\"מ; באנגלית: Semiconductor) הוא חומר אשר תכונות ההולכה החשמלית שלו נמצאות בתחום הרחב שבין תכונותיהם של חומרים מוליכים לבין אלה של חומרים מבודדים. תכונות ההולכה של מוליך למחצה משתנות כתלות בגורמים חיצוניים כגון טמפרטורה, חשיפה לאור, וזיהומים. לחומרים מוליכים למחצה שימושים רבים בתחום האלקטרוניקה.\nהניסוי הראשון בחומר מוליך למחצה נערך על ידי מייקל פאראדיי ב-1833. פאראדיי גילה כי ההתנגדות החשמלית של כסף גופרי יורדת בצורה דרסטית עם חימומו של החומר על גזיה רגילה.\n== החומרים ==\nהמוליכות החשמלית של חומר מסוים תלויה בצפיפות האלקטרונים החופשיים שיש לו, כלומר בכמות האלקטרונים שלא משתתפים בקשרים כימיים. כמות האלקטרונים החופשיים נקבעת על פי מבנה הפסים של החומר. לחומרים מוליכים יש צפיפות אלקטרונים חופשיים מסדר גודל של\n 10\n 28\n {\\displaystyle 10^{28}}\n אלקטרונים למטר מעוקב ולמבודדים יש כמות זעומה. בשני המקרים כמות זו כמעט ולא משתנה כתוצאה מעירורים חיצוניים.\nבאופן טיפוסי, מוליכים למחצה הם חומרים מהטור הרביעי של הטבלה המחזורית, כגון צורן (סיליקון, Si) וגרמניום (Ge) המאופיינים ב-4 אלקטרוני ערכיות. כאשר החומר מסודר כגביש טהור, כל אטום בשריג הגבישי הוא בעל 4 שכנים איתם הוא נמצא בקשר קוולנטי, כך שבעיקרון, בחתיכת מוליך למחצה אין כלל אלקטרונים חופשיים להולכה, והאלקטרונים החופשיים שנמצאים בה בפועל הם תוצאה של פגמים בגביש או עירור תרמי מפס הערכיות לפס ההולכה. גביש כזה נקרא מוליך למחצה אינטרינזי.\nכדי להגדיל את המוליכות החשמלית של מוליך למחצה ניתן לאלח (לסמם) את הגביש על ידי השתלת חומר אחר בתוכו בעל מספר שונה של אלקטרוני ערכיות. גביש כזה נקרא מוליך למחצה אקסטרינזי וצפיפות האלקטרונים החופשיים בו תלויה בצפיפות החומר המאלח. אלקטרון שעבר מפס הערכיות לפס ההולכה או שנקשר בקשר קוולנטי לאטום מאלח משאיר אחריו חור - המתואר כחלקיק הנושא מטען חיובי.\nבנוסף, ניתן להשתמש בתרכובות המשלבות שני חומרים, שאחד מהם הוא מהטור השלישי והשני מהטור החמישי. כך מרכיב אחד תורם להולכה חמישה אלקטרונים והמרכיב השני תורם רק שלושה, ומתקבל מצב דומה לשימוש בחומרים מהטור הרביעי. תרכובות שימושיות בתעשיית המיקרואלקטרוניקה הן גליום-ארסניד (שילוב של גליום וארסן) ואינדיום-","en_topic":"Semiconductor","wiki_pageid":41760,"wiki_revid":43401828,"source_url":"https://he.wikipedia.org/?curid=41760","license":"CC BY-SA 4.0"}
{"slug":"moore-s-law","lang":"he","title":"חוק מור","text":"חוק מוּר (באנגלית: Moore's law) הוא תחזית או ניבוי משנת 1965 של המהנדס האמריקאי גורדון מור לפיה צפיפות הטרנזיסטורים במעגלים משולבים במחיר מינימלי, תוכפל כל שנה וחצי עד שנתיים.\nהגדרת קצב הגידול של צפיפות הטרנזיסטורים גרמה ליצרנים להשתדל להגשים את התחזית. מאוחר יותר, יצרני המעגלים המשולבים והשבבים האלקטרוניים החלו להנמיך את הציפיות ואת קצב הגידול בפועל לעומת הצפוי לפי חוק מור, על אף שככל הנראה יכלו להגדיל את צפיפות הטרנזיסטורים מהר יותר. יש הגורסים כי טענה זו אינה נכונה ואינה מתאימה לשוק תחרותי. התחזית של מור שונתה כך שעוצמת המחשוב באופן כללי תוכפל כל שנתיים בערך.\n== התפתחות חוק מור ==\nחוק מוּר עוסק בקצב הגידול של צפיפות הטרנזיסטורים שעל מעגל משולב בעל שבב יחיד, ללא גידול בעלויות הייצור. החוק הוצג לראשונה במאמר במגזין אלקטרוניקה (Electronics), תחת הכותרת: \"Cramming more components onto integrated circuits\". ב-1965, כאשר נהגה החוק לראשונה, השבבים המורכבים ביותר החזיקו 64 טרנזיסטורים, אך היום מדברים על חוק מור בעיקר בהקשר למעבדי מחשב, המכילים מיליארדי טרנזיסטורים.\nגורדון מור היה מנהל המחקר והפיתוח בחברת Fairchild Semiconductor כאשר פרסם את חוק מור. הוא התבקש להעריך את קצב התפתחות תעשיית המוליכים למחצה ב-10 השנים הבאות שהן 1965–1975. במאמר כתב כי מאז פותח אב הטיפוס של השבב הראשון בשנת 1959, המורכבות של המוליכים למחצה במחיר מינימלי הוכפלה מדי שנה. על סמך התבוננות זו הוא העריך כי הגידול הזה יישמר ויתקיים גם בעתיד. גורדון מור היה לימים ממייסדי אינטל.\nעשר שנים לאחר כתיבת המאמר הרצה מור בכנס בנושא מכשור אלקטרוני. בהרצאה בחן את התחזית והראה שהייתה מדויקת. מור תיאר שלושה גורמים מרכזיים האחראים להבנתו לגדילה המעריכית והם: גידול בגודל הליבה, הקטנה של גודל הרכיבים, וניצול טוב יותר של שטח המעבד. מור הציע בשנת 1996 את האפשרות שלחוק ישנה תכונה של נבואה המגשימה את עצמה. התחרות בשוק המעבדים גורמת לחברות לפרסם תחזיות פיתוח התואמות את חוק מור תוך הבנה שפיתוח איטי יותר עשוי להותיר אותן מחוץ לתחרות. החברות מתאמצות לעמוד בתחזית.\n== הדיון בדבר סופו של חוק מור ==\nבשנת 2007, בוועידת הטכנולוגיה של אינטל, אמר מור כי עקב מזעור השבבים, הרי שתוך 10 עד 15 שנים לא יתאפשר מזעור נוסף שלהם בהתאם לחוק שה","en_topic":"Moore's law","wiki_pageid":198905,"wiki_revid":43134991,"source_url":"https://he.wikipedia.org/?curid=198905","license":"CC BY-SA 4.0"}
{"slug":"tensor-processing-unit","lang":"he","title":"TPU","text":"יחידת עיבוד טנזור (TPU) הוא מאיץ יישומים מסוימים מבוסס מעגל משולב (ASIC) שפותחה על ידי גוגל עבור למידת מכונה של רשתות עצביות, באמצעות תוכנת TensorFlow של גוגל עצמה. גוגל החלה להשתמש ב-TPU בפנים הארגון ב-2015, וב-2018 אפשרה שימוש בהן גם לצד שלישי, הן כחלק מתשתית הענן שלה והן על ידי מכירת גרסה קטנה יותר של השבב.\n== השוואה למעבדים וכרטיסי גרפיקה ==\nבהשוואה למעבד גרפי, TPU יוצר עבור נפח גבוה של חישובים מדויקים נמוכים (למשל עד 8 סיביות בלבד) עם יותר פעולות קלט/פלט לג'ול, בלי חומרה עבור רסטריזציה/מיפוי טקסטורה.\nהמעגלים המשולבים של ה-TPU מותקנים במארז קירור, שיכול להתאים בחריץ כונן קשיח בתוך מארז במרכז נתונים.\nסוגים שונים של מעבדים מתאימים לסוגים שונים של מודלי למידת מכונה. TPU מתאימים במיוחד לרשתות נוירונים עמוקות מסוג CNN, בעוד לכרטיסי גרפיקה יש יתרונות עבור חלק מרשתות עצביות בעלות שכבות מלאות, ומעבדים יכולים להיות בעלי יתרונות עבור רשתות נוירונים רקורסיביות (RNN).\n== היסטוריה ==\nיחידת עיבוד הטנזור הוכרזה במאי 2016 בכנס Google I/O, כאשר החברה אמרה כי ה-TPU כבר בשימוש בתוך מרכזי הנתונים שלהם במשך למעלה משנה. השבב עוצב במיוחד עבור מסגרת העבודה TensorFlow של גוגל, ספריית מתמטיקה סימבולית המשמשת עבור יישומי למידת מכונה כמו רשתות נוירונים. עם זאת, נכון ל-2017 גוגל עדיין השתמשה במעבדים וכרטיסי גרפיקה עבור סוגים אחרים של למידת מכונה.\nה-TPU של גוגל הן קנייניות. חלק מהמודלים זמינים מסחרית, וב-12 בפברואר 2018 דווח בניו יורק טיימס כי גוגל \"תאפשר לחברות אחרות לרכוש גישה לשבבים הללו באמצעות שירות הענן המחשוב שלה\". גוגל אמרה כי השתמשה ב-TPU בסדרת משחקי הגו בין AlphaGo ללי סדול, כמו גם במערכת AlphaGo Zero, שיצרה תוכניות שחמט, שוגי וגו רק מכללי המשחק והביסה את השחקנים המובילים במשחקים אלה. גוגל גם השתמשה ב-TPU עבור עיבוד טקסט ב-Google Street View והצליחה למצוא את כל הטקסט במסד הנתונים של סטריט ויו בפחות מחמישה ימים. ב-גוגל תמונות, יחידת TPU בודדת יכולה לעבד מעל 100 מיליון תמונות ביום. כמו כן משמש ב-RankBrain שגוגל משתמשת בו כדי לספק תוצאות חיפוש.\nגוגל מספקת לצד שלישי גישה ל-TPU באמצעות שירות ה-Cloud TPU שלה כחלק מפלטפורמת הענן Google Cloud ובאמצעות השירותים מבוססי המחברות שלה Kaggle ו-C","en_topic":"Tensor Processing Unit","wiki_pageid":2249069,"wiki_revid":42252790,"source_url":"https://he.wikipedia.org/?curid=2249069","license":"CC BY-SA 4.0"}
{"slug":"application-specific-integrated-circuit","lang":"he","title":"ASIC","text":"ASIC, קיצור של מעגל משולב תלוי יישום (Application Specific Integrated Circuit) הוא מעגל משולב או שבב המיועד ליישום ייחודי ומסוים, להבדיל ממעגלים משולבים תקניים לשימוש כללי. שבב שנבנה במיוחד ליישום של טלפון סלולרי מסוים, למשל, הוא ASIC. ההבדל בין שבב תקני כמוצר מדף הקרוי גם ASSP הוא בעיקר במשך זמן ומתודולוגיית התכנון ופחות בתהליך הייצור.\nככל שגדלי הטרנזיסטורים התכווצו וכלי התכנון השתפרו במהלך השנים, הסיבוכיות והפונקציונליות הביאו לצמיחת ממדי ה-ASIC מ-5,000 שערים לוגיים בשנות ה-80 ועד ליותר מ-100 מיליון שערים לוגיים, בהתפתחות המוכרת כחוק מור.\nASIC מודרניים כוללים ליבות שלמות של מעבדים, DSP, מבני זיכרון כמו ROM,‏ RAM,‏ EEPROM,‏ Flash, מכלולים אנלוגיים ומעורבים Mixed Signal, מכלולי תדר רדיו ואבני בניין גדולות אחרות.\nASIC אלו מכונים מערכת-על-שבב או SoC - System On a Chip. מתכנני ASIC מתארים ומקודדים את תכנון השבב על ידי שימוש בשפות לתיאור חומרה כמו Verilog ו-VHDL, מאמתים את התכנון על ידי שימוש בכלים אוטומטיים ממוחשבים (EDA) ומממשים אותו. FPGA לעיתים היא אלטרנטיבה לפיתוח ASIC כאשר מדובר באילוצי זמן קצרים לפיתוח השבב, כאשר כמויות הייצור הן נמוכות וכאשר יש צורך באב טיפוס. ל-ASIC לעומת FPGA יש עלויות פיתוח חד פעמיות גבוהות הנקראות NRE - Non Recurring Engineering היכולות להגיע למיליוני דולרים.\n== היסטוריה ==\nה-ASIC הראשון פותח בשנות ה-80 על ידי חברת פרנטי (Ferranti) והיה מבוסס על ארכיטקטורה הנקראת Gate Array - מערך שערים. השימוש המסחרי היה על ידי חברת סינקלייר (Sinclair Research) עם מחשבי ה-Z80.\n== תכנון תאים תקניים ==\nבשנות ה-80 המתכננים נדרשו לבחור יצרן ASIC ולהשתמש בכלי התכנון שהציע היצרן. למרות שכלי פיתוח מחברות חיצוניות אחרות היו זמינים, הקישור בין כלי הפיתוח והספריות של היצרן לא היה יעיל, ובסופו של דבר נדרשו המתכננים להשתמש בכלי הפיתוח של היצרנים. פתרון לבעיה זו שגם הניב שיפור בתוצאות ובהגדלת יכולת המזעור של ASIC הוא מימוש ארכיטקטורה הנקראת תא סטנדרטי (Standard cell). בשיטה זו כל יצרן ASIC יצר בלוקים פונקציונליים עם תכונות ומאפיינים אלקטרוניים ידועים מראש כמו זמני השהיה, השראות וקיבוליות.\n== תכנון בשיטת מערכי שערים ==\nתכנון בשיטת מערכי שערים הוא שיטת ייצור בה שכבות הדיפ","en_topic":"Application-specific integrated circuit","wiki_pageid":667146,"wiki_revid":41904339,"source_url":"https://he.wikipedia.org/?curid=667146","license":"CC BY-SA 4.0"}
{"slug":"solid-state-drive","lang":"he","title":"SSD","text":"כונן מצב מוצק (באנגלית: Solid-State Drive), או בראשי תיבות \"SSD\" (בעברית, על פי האקדמיה ללשון: כונן שבבי), הוא אמצעי לאחסון מידע דיגיטלי, באמצעות שבבים אלקטרוניים במקום דיסק מגנטי כמו בכוננים קשיחים (HDD). כונן SSD מורכב מזיכרון הבזק בתוספת בקר שנועד לנהל את זרימת הנתונים בין כונן האחסון לבין המחשב, ללא חלקים מכניים נעים. לכוננים אלה אין חלקים נעים, כך שזמן הגישה לנתונים קצר משמעותית מאשר דיסק קשיח, וכך גם צריכת החשמל. בנוסף, משקלו קטן יותר והוא אינו מרעיש כלל. בנוסף, מכיוון שאין ב-SSD חלקים נעים, הוא פחות רגיש למכות, רעידות ונפילות, ואינו מושפע משדות מגנטיים.\nמחיר האחסון ב-SSD גבוה יותר בהשוואה לדיסק קשיח, הקיבולת המקסימלית שלו קטנה יותר, ובמקרים מסוימים, ישנה הגבלה על מספר הכתיבות לאותו מקום בשבבי זיכרון הבזק. עקב רגישות לניתוק אספקת החשמל במהלך הכתיבה, אורך חיי ההתקן עשוי להיות קצר יותר משל דיסק קשיח. כדי לשלב כונני SSD במערכות שתוכננו לדיסקים קשיחים, ה-SSD מדמה דיסק קשיח באמצעות מנגנון וירטואליזציה המותקן בבקר שלו. באמצע העשור הראשון של המאה ה-21, השימוש בכוננים מסוג זה התרחב בעקבות ירידת מחירם, עליית השימוש במחשבים ניידים, הגדלת קיבולתם והשאיפה ל\"מחשוב ירוק\".\n== SSD לעומת HDD ==\nהיתרון המרכזי של SSD הוא מהירות קריאה/כתיבה גבוהה יותר משל כונן מגנטי. הסיבה העיקרית לכך היא שפעולת ה\"חיפוש (\"Seek\") ההכרחית של ה\"זרוע\" בכוננים מגנטיים - נחסכת (פעולת החיפוש היא הבאת ראש הקריאה/כתיבה מעל הסקטור עליו ממוגנט המידע, והמתנה לסיבוב הדיסק עד שהנקודה המדויקת עם המידע תגיע אל מתחת לראש). פעולה זו נחסכת ב-SSD בו לא קיים כלל ראש קריאה/כתיבה ודיסק מסתובב.\nיתרונות נוספים של SSD:\nצריכת הספק חשמל נמוכה יותר, וכתוצאה מכך, גם פיזור חום נמוך יותר;\nעמידות טובה יותר בזעזועים וטלטולים;\nבניגוד לכונן מגנטי, SSD לא מייצר רעידות וזעזועים שיכולים, בעצמם, להשפיע על רכיבים אחרים במערכת;\nלא מרעיש בכלל.\nחסין מפני שדות מגנטיים לעומת דיסק קשיח שעלול להימחק כתוצאה מהם.\nמאז השקתם ולמרות הירידה במחירם עם השנים, כונני SSD עדיין (נכון ל-2020) יקרים יותר מדיסקים מגנטיים ביחס של מחיר ליחידת זיכרון.\nכמו כן, היות שכונני SSD משתמשים על פי רוב בשבבי זיכרון הבזק, חסרונות ההחסנים הניידים (דיסק און קי) קיימים גם ב","en_topic":"Solid-state drive","wiki_pageid":379824,"wiki_revid":42624231,"source_url":"https://he.wikipedia.org/?curid=379824","license":"CC BY-SA 4.0"}
{"slug":"nanotechnology","lang":"he","title":"ננוטכנולוגיה","text":"ננוטכנולוגיה, או בקיצור ננוטק, הוא שם כולל לתחום המחקר והטכנולוגיה העוסק במערכות שגודלן האופייני הוא בין ננומטרים בודדים לעשרות ננומטרים. מחקרים וטכנולוגיות אלו משתייכים למגוון שטחי המדעים וההנדסה. החל ממחקרים בפיזיקה והנדסת חשמל, כגון התקנים מוליכים למחצה, או התקנים אלקטרו-אופטיים ננומטריים, דרך מחקרים ופיתוחים הקשורים לביולוגיה מולקולרית ולרפואה, כגון ריצוף מהיר של DNA או שיטות מחקר וניטור חדשות של תהליכים ביולוגים, ועד מחקרים הקשורים לכימיה, כגון הנדסה של חומרים חדשים בעלי תכונות רצויות כגון חוזק.\n== תחומי מחקר ==\nמחקר ויישומים בננוטכנולוגיה עוסקים במגוון של תופעות, בחלקן זניחות, וחלקן כלל לא קיימות בגדלים מקרוסקופיים. לדוגמה:\nכוחות כמו מתח פנים וכוח ואן דר ואלס הופכים בגדלים אלו לחשובים יותר. תחת תנאים כאלו, למשל, המהירות תהיה פרופורציונלית לכוח המופעל על עצם ולא התאוצה, כמו שקובע החוק השני של ניוטון.\nאפקטים של מכניקת הקוונטים הופכים למכריעים. תחת תנאים כאלו, למשל, ההתנגדות של מוליך חשמלי לא תהיה פרופורציונית לאורכו כמו שקובע חוק אוהם.\nמאחר שזיהומים ופגמים, כגון מיקומי אטומים וסדקים זעירים, הם סטטיסטיים, הרבה יותר קל לשלוט בהם בגדלים ננומטריים, וכך חלקיקים ננומטריים של חומר יכולים להיות בעלי תכונות שונות מאלו של החומר כשהוא מקרוסקופי.\nאינטראקציית אור-חומר מושפעת יותר מאפקטים הקשורים בממשק בין חומרים ומהתנגשויות של חלקיקים בו, וגורמות לשינוי אופי האינטראקציה והתכונות האופטיות של חומרים, בעיקר אלו שבולעים אור.\nהתופעות הללו ואחרות כגון אלו גורמות לשינויים דרסטיים בתכונות החומר בגודל נאנומטרי.\nתחום זה מעניין חוקרים ומהנדסים מכיוון שהגדלים המאפיינים של מערכות רבות בתחומים שונים, הם ננומטריים. למשל בביולוגיה מולקולרית, הגודל האופייני של חלבונים, וירוסים ושל ה-DNA הוא ננומטרי. בפיזיקה, האורך על פניו נקבעות תכונות של חומרים כגון הולכת חשמל או הולכת חום. ובכימיה, למשל, הגודל הננומטרי נמצא באורך האופייני בו יש אינטראקציות בתמיסה. מחקרים ופיתוחים רבים שואבים השראה מהדמיון בגדלים האופייניים של מערכות ביולוגיות, פיזיקליות וכימיות, אשר טומן בחובו אפשרויות להכלאה ביניהן, כדי לפתח טכנולוגיות חדשות ושימוש בידע ובפרוצדורות מוכרות, מתחום מסוים, כדי להפיק תועלת ולחקור תחומים אחרים.","en_topic":"Nanotechnology","wiki_pageid":536,"wiki_revid":43600573,"source_url":"https://he.wikipedia.org/?curid=536","license":"CC BY-SA 4.0"}
{"slug":"crispr","lang":"he","title":"קריספר","text":"קריספר (באנגלית: CRISPR, ראשי תיבות של Clustered Regularly Interspaced Short Palindromic Repeats‏) הוא אזור ב-DNA של חיידקים וארכאות רבים, והוא חלק ממנגנון הגנה מפני נגיפים. כאשר נגיף כדוגמת בקטריופאג' תוקף חיידק הוא מחדיר לתוכו את סליל ה-DNA הכפול שלו, ה-DNA הנגיפי מנצל את סביבת התא כדי לייצר חלבונים ולהשתכפל, וגורם למותו של התא. התגלה שבדומה לבעלי חיים עיליים, גם חיידקים פיתחו מערכת הגנה נרכשת הלומדת לזהות את הנגיף ולחסל אותו, והחיסוניות מורשת גם לתאי הבת.\nהקריספר הוא מעין ספרייה של קטעי DNA נגיפי, שנחתכו מהפולש ושובצו בתוך ה-DNA של החיידק עצמו. קטעי ה-DNA הנגיפי מופרדים על ידי רצפים קבועים מחזוריים. בסמוך לאזור הקריספר ב-DNA של החיידק נמצאים גנים לקידוד הנוקלאז Cas9 ונוקלאזים אחרים, שמסוגלים לחתוך סלילי DNA. נוקלאזים אלה בעזרת מקטע ה-DNA הנגיפי יכולים להיצמד לקטע ה-DNA המדויק בפולש ולחתוך אותו, וכך לשבש את פעולתו. מנגנון זה גויס על ידי מיקרוביולוגים כשיטה זולה ומהירה להנדסה גנטית, והשיטה כה מדויקת שאפשר בעזרתה להוציא זוג בסיסים בודד מתוך DNA.\nאזורי ה-CRISPR מזהים את ה-DNA הזר וחותכים אותו. באופן טבעי חיידקים יכולים להכניס DNA זר ולהשתמש בו, אולם מערכת CRISPR היא מערכת הפוכה שבה ה-DNA נכנס, אולם במקום להשתמש בו הוא מפורק ומשמש כחלק ממערכת חיסונית.\n== היסטוריה ==\nב-1987 חקרו כמה מדענים מיפן גנים מסוימים בחיידק המעיים Escherichia coli ומצאו שרצף DNA סמוך לגן שחקרו מכיל כמה מקטעים זהים עם רווחים (ספייסרים) ביניהם, אך משמעותם לא פוענחה. ב-1993 מצא החוקר הספרדי פרנסיסקו מוחיקה (Francisco Mojica) רצפים חוזרים דומים ונתן להם את השם Short Regularly Spaced Repeats או בקיצור SRSR. בשנת 2000 זוהו רצפים דומים במינים אחרים של בקטריות וארכיאה. השם שונה ב-2002 ל-CRISPR כאשר התגלה כי הרצפים תמיד מופיעים ליד גנים המאפשרים לייצר אנזימים החותכים DNA כגון נוקלאז והליקאז שכונו בשם cas.\nב-2005 גילו כמה קבוצות מחקר שהספייסרים הכילו DNA זר כגון בקטריופאג' ופלסמיד, והתגלה שהספייסרים הם למעשה חלק ממערכת החיסון של בקטריות. כאשר וירוס חודר לבקטריה, חלק ממערכת הקריספר חותכת מקטעים מה-DNA הנגיפי ומחדירה אותו לתוך רצף הספייסרים. יוג'ין קונין הציע שמנגנון זה מאפשר לתאים לזהות ולתקוף DNA נגיפי ופ","en_topic":"CRISPR","wiki_pageid":1303018,"wiki_revid":42506266,"source_url":"https://he.wikipedia.org/?curid=1303018","license":"CC BY-SA 4.0"}
{"slug":"bioinformatics","lang":"he","title":"ביואינפורמטיקה","text":"ביואינפורמטיקה (באנגלית: Bioinformatics) (ביולוגיה חישובית) היא ענף מדע העוסק בחקר המידע הביולוגי באמצעות מחשב. זהו ענף בינתחומי העוסק בניתוח, ארגון והבנה של המידע השאוב מנתונים ביולוגים. הביואינפורמטיקה מיישמת כלים מתחום מדעי המחשב, המתמטיקה, הסטטיסטיקה ותורת המידע לשם עיבוד מידע ביולוגי רחב היקף. כלים אלה כוללים מודלים מתמטיים, אלגוריתמים ותוכניות מחשב, שמתאפיינים בהתמודדות עם מאגרי מידע גדולים, בעיות בסיבוכיות גבוהה, וחיפוש אחר תבניות.\nתחום מדעי זה החל להתפתח הן בזכות זמינותם של מאגרי מידע ביולוגיים הולכים וגדלים (כגון: GenBank‏, EMBL‏, NCBI‏ ו-PubMed), והן בזכות פיתוחים טכנולוגיים בתחום חומרת המחשב, בתחום האלגוריתמים ובתחום מסדי הנתונים המאפשרים התמודדות ראויה עם אתגרים.\n== תחומי הביואינפורמטיקה ==\nהביואינפורמטיקה עוסקת בנושאים מגוונים:\nניתוח רצפי DNA – כתוצאה מפרויקטים כמו פרויקט הגנום האנושי, פרויקט \"אלף הגנומים\" ופרויקטים אחרים קיימים בידי החוקרים רצפים שלמים של DNA של מספר גדל והולך של אורגניזמים. על ידי סריקת הרצפים האלה ניתן לזהות תופעות שונות ברצף כגון: אפיון גנים, זיהוי רצפי בקרה שונים ואתרי קישור של גורמי שעתוק, זיהוי רצפים חוזרים, זיהוי נקודות שחבור חליפי (Alternative Splicing) ועוד.\nניתוח ובניית דגמים תלת־ממדיים של מולקולות ביולוגיות מורכבות – בעיקר חלבונים וחומצות גרעין (DNA ו-RNA). מידע על המבנה התלת־ממדי של חלבונים מושג על ידי קריסטלוגרפיה או NMR של חלבונים, אשר מפיקים קואורדינטות תלת־ממדיות לכל אטום המרכיב את החלבון. למולקולות פשוטות יותר, כגון מולקולות RNA, ניתן לחזות את המבנה השניוני שלהן על פי הרצף, ברמת דיוק סבירה.\nבניית עצים פילוגנטיים המתארים אבולוציה של אורגניזמים. בניית עץ פילוגנטי נעשתה בעבר על פי תכונות חיצוניות של אורגניזמים שונים, ובעשור השני של המאה ה-21 היא נעשית על פי הבדלים ברצף ה-DNA בין גנים דומים באורגניזמים שונים.\nסימולציה של תהליכים ביולוגיים באמצעות תוכנת מחשב.\nניתוח מידע באשר לביטוי של גנים, המופק על ידי שבבי DNA – שבבי DNA מאפשרים לדגום את תמונת המצב של הביטויים של רבבות גנים ברקמה מסוימת (מדידת רמת ה-RNA של הגנים). מידע המגיע משבבי DNA שהופקו מקבוצה של מספר אוכלוסיות שונות מאפשר לזהות גנים, אשר מעורבים במצבים שונים המפרידי","en_topic":"Bioinformatics","wiki_pageid":2254,"wiki_revid":43335767,"source_url":"https://he.wikipedia.org/?curid=2254","license":"CC BY-SA 4.0"}
{"slug":"cognitive-science","lang":"he","title":"מדעים קוגניטיביים","text":"המדעים הקוגניטיביים (גם מדעי הקוגניציה, מדעי הקוגניציה והמוח או מדע ההכרה) עוסקים בחקר הקוגניציה, כלומר בחקר כל התהליכים המעורבים ברכישת ידע, עיבודו, ייצוגו ויישומו. מקור המילים \"קוגניטיבי\", \"קוגניציה\" מלטינית- cognoscere שמשמעותה \"לדעת, להכיר\".\n== תיאור כללי ==\nהמחקר במדעים הקוגניטיביים עוסק בנושאים רבים, ביניהם תפיסה, חשיבה, למידה, שפה, כישורים מוטוריים, המוח והאינטליגנציה. אופי המחקר הוא רב-תחומי, כלומר משתמש בידע ובשיטות שמקורם בתחומים שונים. התחומים העיקריים התורמים ידע ושיטות למדעים הקוגניטיביים הם: פסיכולוגיה (בייחוד פסיכולוגיה קוגניטיבית ונוירופסיכולוגיה), בלשנות (מודרנית, להבדיל מהבלשנות המסורתית), ביולוגיה (בעיקר נוירוביולוגיה), מדעי המחשב (בעיקר אינטליגנציה מלאכותית, כאשר התחומים העיקריים הם חישוב סימבולי ורשתות עצביות), פילוסופיה (בעיקר פילוסופיה אנליטית) ומתמטיקה. דגש רב ניתן ליצירת מודלים מתמטיים וסימולציות ממוחשבות, פעמים רבות תוך השוואת ביצועי המודלים להתנהגות אנושית אמיתית, כפי שהיא מתבטאת במחקרים התנהגותיים ושיפורם.\nלמדעים הקוגניטיביים הישגים רבים, ביניהם העלאת מודלים של הטיות קוגניטיביות אנושיות, ותפיסת סיכון, ההשפעה על חקר ההתנהגות הפיננסית, הנחקרת בכלכלה, וגם תרמו להתפתחותן של תאוריות בפילוסופיה של המתמטיקה, וכן בתחום של בינה מלאכותית ושכנוע.\n== המונח \"קוגניטיבי\" ==\nהמונח \"קוגניטיבי\" במדעים הקוגניטיביים, משמש לתיאור כל סוג של תהליך או מבנה מנטלי שניתן לחקור במונחים מדויקים. המשגה זו היא רחבה מאוד, ושונה מהשימוש במונח בתחום הפסיכולוגיה האנליטית, שם הוא מתייחס לחוקים פורמליים וסמנטיקה מותנית. עם זאת, השקפה זו דומה להשקפה היסטורית של המדעים הקוגניטיביים על טבעה של הקוגניציה – סמלית ולוגית.\n== היסטוריה ==\nהעיסוק בקוגניציה מופיע כבר בכתביהם של הפילוסופים היווניים בדיאלוג מנון של אפלטון, ונמשך לאורך ההיסטוריה, בכתביהם של רנה דקארט, דייוויד יום, עמנואל קאנט, ברוך שפינוזה, מלבראנש, לייבניץ, ג'ון לוק ורבים אחרים. כל אלה תרמו רבות לגילוי הפילוסופי של מושג הנפש, אך מערכת הכלים איתו עבדו היה שונה לחלוטין במהותו ממערכת הכלים שבשימוש המדענים הקוגניטיביים בימינו.\nבתקופה המודרנית החלה התפתחות מדעי הקוגניציה עם צמיחת ענף הקיברנטיקה בשנות ה-30 וה-40 של המאה ה-20","en_topic":"Cognitive science","wiki_pageid":17332,"wiki_revid":43509319,"source_url":"https://he.wikipedia.org/?curid=17332","license":"CC BY-SA 4.0"}
{"slug":"consciousness","lang":"he","title":"תודעה","text":"תודעה (באנגלית: Consciousness) היא מודעות (Awareness) לעצמי, למצב או לאובייקט ביחס לעצמי. זהו מושג רב משמעויות וקשה להגדרה בשל טבעו הסובייקטיבי . לפי הדעה הרווחת, קיום התודעה הוא המאפיין חיצוני מובהק של ממלכת החי, כשקיים קונצנזוס מדעי נרחב באשר למודעות אצל יונקים, בעוד חוקרים אחרים טוענים כי המודעות מתחילה הרבה לפני כן, עוד בעולם הצומח.\nהפילוסופיה מציעה מספר דרכים להבין את התודעה במסגרת פילוסופיה של הנפש. עמדתן של תרבויות ודתות רבות היא שהתודעה היא ביטוי של הנשמה, שנפרדת מהגוף (דואליזם). המדע לעומתן, מנסה למצוא את הבסיס הביולוגי של התודעה באמצעות חקר התפקוד הנוירונלי של המוח או באמצעות מדדים התנהגותיים או תפקודיים.\nתוכני התודעה הם שילוב של החוויה הרגעית עם זיכרונות, מחשבות ודמיונות הפעילים כעת, כלומר, הם גם נקבעים על ידי הסביבה הרגעית וגם נובעים מתוך האדם, או היסטוריית המצבים שלו. הידע המפורש של האדם בנוגע לתכנים של המחשבות הנוכחיות שלו נקרא מטא-קוגניציה.\nהתודעה היא מושג רב משמעי. לפעמים משתמשים גם במילה הכרה לתיאור משמעויות הדומות לאלו של המושג \"תודעה\". זאת אף על פי שלמילה \"הכרה\" יש גם משמעויות נוספות – משמעות אחת היא מהבחינה הקוגניטיבית המתארת תהליכים של עיבוד מידע, משמעות אחרת היא מצב של ערנות או עוררות בניגוד למצב של שינה או של תרדמת. קיים קשר מעשי בין המושגים \"תודעה\" ו\"הכרה\" משום שכדי להיות מודעים לדבר מה, עלינו להיות בהכרה כתנאי מקדים למודעות.\nיש המייחסים תודעה גם לקבוצות הפועלות באופן משותף ומתואם, כמו להקת ציפורים במעופה או פעילותן של דבורים בכוורת. נראה לעיתים שבעלי חיים אלה פועלים יחד כאילו יש להם תודעה אחת משותפת. כתוצאה מהקשיים בהבנת התודעה באמצעים חומריים (אנ'), בשנים האחרונות חזרה ועלתה ההשערה שהתודעה נמצאת בהיבט הבסיסי ביותר של החומר ושל היקום תאוריה זו נקראת פאן-פסיכיזם (אנ').\n== היסטוריה ==\nלאורך ההיסטוריה האנושית, פיתחו פילוסופים השקפות שונות על התודעה. שהפיזיקליזם הוא כיום העמדה הדומיננטית בקרב פילוסופים בני זמננו של הנפש. גישות שונות כוללות לעיתים קרובות גם פרספקטיבות היסטוריות, כגון התאוריות של דקארט, לוק, קאנט.\nבעוד שבאופן היסטורי הגנו פילוסופים על השקפות שונות על התודעה, סקרים מצביעים על כך שהפיזיקליזם הוא כיום העמדה הדומיננטית בקרב פילוסופים ","en_topic":"Consciousness","wiki_pageid":59109,"wiki_revid":43571397,"source_url":"https://he.wikipedia.org/?curid=59109","license":"CC BY-SA 4.0"}
{"slug":"5g","lang":"he","title":"5G","text":"5G/NR (קיצור של: 5th Generation / New Radio) הוא תקן טכנולוגי מהדור החמישי לתקשורת סלולרית, שעיקרו רוחב פס גדול יותר, קצב נתונים גבוה יותר, זמני השהיה נמוכים יותר, ותמיכה בכמות גדולה יותר של מכשירים - בהשוואה לתקן 4G. פריסת הרשת החלה ברחבי העולם ב-2019.\nבגלל רוחב הפס הגדול יותר, צפוי שהרשתות החדשות ישמשו כספקי שירותי אינטרנט כלליים ויתחרו עם ספקי התקשורת הקווית, כגון אינטרנט בכבלים ואינטרנט דרך רשת הטלפון. 5G צפוי גם לאפשר שימוש נרחב יותר בטכנולוגיות מתחום האינטרנט של הדברים (IoTׂׂׂ) כגון ערים חכמות, בתים חכמים, ורכבים אוטונומיים, שיוכלו לתקשר באופן רציף, וכן פיתוחים בתחום הבינה המלאכותית. המכשירים הסלולריים המתבססים על 4G לא יוכלו להשתמש ברשתות החדשות, ונדרשת חומרה התומכת ב-5G על מנת להתחבר לרשתות אלו.\n== טכנולוגיה ==\nכמו ברשתות סלולריות מדורות קודמים, רשתות 5G פועלות בשיטה התאית, שבה אזור השירות מחולק לשטחים קטנים המכונים תאים. המכשירים הסלולריים בשטח התא מתחברים לרשת האינטרנט והטלפון באמצעות גלי רדיו דרך אנטנה מקומית בתא.\nהמהירות המוגברת של רשתות סלולריות מדור 5 מושגת בחלקה באמצעות גלי רדיו בתדר גבוה יותר מאשר הרשתות הסלולריות הנוכחיות. עם זאת, גלי רדיו בתדרים גבוהים יותר הם בעלי טווח קצר יותר וחדירות מבנים פחותה מאלו המשמשים את תחנות הבסיס הסלולריות הנוכחיות. כדי להבטיח שירות בפס רחב, פועלות רשתות 5G בשלושה תחומי תדרים: נמוך, בינוני, וגבוה. רשת 5G מורכבת מתת-רשתות של עד שלושה סוגים של תאים, כאשר כל אחת מהן זקוקה לאנטנות שונות, וכל סוג נותן תמורה שונה לקצב הנתונים לעומת מרחק ואזור הכיסוי. מכשירים הפועלים בדור 5 יתחברו לרשת דרך האנטנה המהירה ביותר בטווח מיקומם.\n== תחומי תדרים ==\nהתחום הנמוך - בדומה לדור 4 שלפניו, תחום התדרים הנמוך משתמש בטווח התדרים 900–600 מגהרץ, ומספק מהירויות הורדה של 250–50 מגה-ביט לשנייה (Mbps). תחנות בסיס בעלות ספקטרום תדרים נמוך יהיו בעלות טווח כיסוי דומה לתחנות הבסיס של דור ה-4G, ויכסו מספר רב של קילומטרים רבועים תוך הבטחת רמת שירות מינימלית באזורים המכוסים.\nהתחום הבינוני - תחום זה עושה שימוש בגלי רדיו בטווח התדרים 1-6 גיגה-הרץ, ומאפשר מהירויות הורדה של 900–100 מגה-ביט לשנייה. כל תחנת בסיס מכסה מספר קילומטרים רבועים, אם כי בטווח כיסוי קטן ","en_topic":"5G","wiki_pageid":1388147,"wiki_revid":42997052,"source_url":"https://he.wikipedia.org/?curid=1388147","license":"CC BY-SA 4.0"}
evals/embedding-default/corpus/ja.jsonl
+130 -10
View File
File diff suppressed because one or more lines are too long
evals/embedding-default/corpus/manifest.json
+364 -37
View File
@@ -1,13 +1,18 @@
{
"built_at": "2026-07-28T07:37:22.103Z",
"built_at": "2026-07-28T09:07:57.425Z",
"langs": [
"en",
"he",
"ar",
"ru",
"zh",
"ja"
],
"topic_pool": 83,
"topics_kept": 80,
"topic_pool": 459,
"topics_present_in_all_langs": 368,
"topics_survived_min_chars": 353,
"target_docs": 200,
"topics_kept": 200,
"topics_kept_list": [
"OpenAI",
"Anthropic",
@@ -16,130 +21,452 @@
"Hugging Face",
"Nvidia",
"Meta Platforms",
"Palantir Technologies",
"Apple Inc.",
"Alphabet Inc.",
"IBM",
"Advanced Micro Devices",
"Salesforce",
"SAP",
"Tesla, Inc.",
"Uber",
"Shopify",
"Twitter",
"GitHub",
"Atlassian",
"Samsung Electronics",
"Alibaba Group",
"ByteDance",
"Geoffrey Hinton",
"Yann LeCun",
"Ilya Sutskever",
"Demis Hassabis",
"Fei-Fei Li",
"Sam Altman",
"Jensen Huang",
"Dario Amodei",
"Marvin Minsky",
"Herbert A. Simon",
"John von Neumann",
"Ada Lovelace",
"Edsger W. Dijkstra",
"Linus Torvalds",
"Ken Thompson",
"Bjarne Stroustrup",
"Barbara Liskov",
"Steve Jobs",
"Elon Musk",
"Mark Zuckerberg",
"Sergey Brin",
"Sundar Pichai",
"Transformer (deep learning architecture)",
"BERT (language model)",
"GPT-4",
"Word embedding",
"Generative pre-trained transformer",
"Large language model",
"Retrieval-augmented generation",
"Convolutional neural network",
"Diffusion model",
"Generative adversarial network",
"Gradient descent",
"Overfitting",
"Perceptron",
"Neural network (machine learning)",
"Deep learning",
"Machine learning",
"Artificial intelligence",
"Supervised learning",
"Prompt engineering",
"Feature engineering",
"Technological singularity",
"ChatGPT",
"Claude (AI)",
"Google Gemini",
"Llama (language model)",
"Chatbot",
"K-nearest neighbors algorithm",
"Midjourney",
"AlphaFold",
"Deep Blue (chess computer)",
"Siri",
"Search engine",
"Tf–idf",
"Recommender system",
"Collaborative filtering",
"Cluster analysis",
"Support vector machine",
"Random forest",
"AdaBoost",
"Logistic regression",
"Principal component analysis",
"Singular value decomposition",
"Regression analysis",
"Bayes' theorem",
"Data mining",
"Web crawler",
"Nearest neighbor search",
"Euclidean distance",
"Hamming distance",
"Natural language processing",
"Machine translation",
"Speech recognition",
"Computer vision",
"Turing test",
"Sentiment analysis",
"Optical character recognition",
"Robotics",
"PostgreSQL",
"SQLite",
"Redis",
"MySQL",
"Microsoft SQL Server",
"MongoDB",
"Apache Cassandra",
"Elasticsearch",
"Apache Kafka",
"Kubernetes",
"Docker (software)",
"NoSQL",
"Relational database",
"Database transaction",
"Database normalization",
"B-tree",
"JSON",
"GraphQL",
"HTTPS",
"Transmission Control Protocol",
"Load balancing (computing)",
"Nginx",
"Cache (computing)",
"OS-level virtualization",
"DevOps",
"Microsoft Azure",
"Git",
"Linux",
"Python (programming language)",
"Rust (programming language)",
"Cloud computing",
"Open-source software",
"Software as a service",
"Big data",
"Internet of things",
"Python (programming language)",
"Rust (programming language)",
"JavaScript",
"C (programming language)",
"C Sharp (programming language)",
"Ruby (programming language)",
"Swift (programming language)",
"Scala (programming language)",
"R (programming language)",
"Assembly language",
"CSS",
"React (software)",
"Interpreter (computing)",
"Unit testing",
"Scrum (software development)",
"Object-oriented programming",
"Algorithm",
"Big O notation",
"Dynamic programming",
"Turing machine",
"P versus NP problem",
"Kernel (operating system)",
"Microsoft Windows",
"IOS",
"World Wide Web",
"Application programming interface",
"GNU General Public License",
"Creative Commons",
"Public-key cryptography",
"Hash function",
"Advanced Encryption Standard",
"Zero-knowledge proof",
"Y Combinator",
"Sequoia Capital",
"Andreessen Horowitz",
"Venture capital",
"Initial public offering",
"Startup company",
"Due diligence",
"Special-purpose acquisition company",
"Startup accelerator",
"Crowdfunding",
"Minimum viable product",
"Economies of scale",
"Patent",
"Copyright",
"Probability",
"Bayesian inference",
"Hidden Markov model",
"Matrix (mathematics)",
"Vector space",
"Derivative",
"Convex optimization",
"Signal processing",
"Fast Fourier transform",
"Unicode",
"Blockchain",
"Cryptocurrency",
"Quantum computing",
"Ethereum",
"Non-fungible token",
"Quantum entanglement",
"Semiconductor",
"Moore's law"
"Moore's law",
"Tensor Processing Unit",
"Application-specific integrated circuit",
"Solid-state drive",
"Nanotechnology",
"CRISPR",
"Bioinformatics",
"Cognitive science",
"Consciousness",
"5G"
],
"dropped": [
"Arm Holdings",
"Yoshua Bengio",
"Seed money"
"Judea Pearl",
"Vint Cerf",
"GPT-3",
"Word embedding",
"Word2vec",
"Loss function",
"Activation function",
"Llama (language model)",
"DALL-E",
"K-nearest neighbors algorithm",
"Seed money",
"Kickstarter",
"Subscription business model"
],
"no_article": {
"he": [
"Stability AI",
"GitLab",
"Recurrent neural network",
"Long short-term memory",
"Autoencoder",
"Variational autoencoder",
"Mixture of experts",
"Stochastic gradient descent",
"Backpropagation",
"Regularization (mathematics)",
"Batch normalization",
"Softmax function",
"Rectifier (neural networks)",
"Multilayer perceptron",
"Self-supervised learning",
"Transfer learning",
"Reinforcement learning from human feedback",
"Foundation model",
"Multimodal learning",
"Byte pair encoding",
"Perplexity",
"Curse of dimensionality",
"Bias–variance tradeoff",
"Cross-validation (statistics)",
"Precision and recall",
"F-score",
"AI alignment",
"Cosine similarity",
"Hierarchical clustering",
"DBSCAN",
"Latent semantic analysis",
"Latent Dirichlet allocation",
"Topic model",
"Information retrieval",
"Vector space model",
"Okapi BM25",
"Inverted index",
"Query expansion",
"Relevance feedback",
"Learning to rank",
"Locality-sensitive hashing",
"Full-text search",
"Jaccard index",
"Part-of-speech tagging",
"Word-sense disambiguation",
"Automatic summarization",
"Question answering",
"Stemming",
"Lemmatisation",
"N-gram",
"Digital image processing",
"MariaDB",
"Neo4j",
"ClickHouse",
"Memcached",
"RabbitMQ",
"Document-oriented database",
"Consistent hashing",
"WebSocket",
"Microservices",
"Serverless computing",
"Edge computing",
"Recursion (computer science)",
"Open-source license",
"Employee stock option"
],
"ar": [
"Databricks",
"Rectifier (neural networks)",
"Multilayer perceptron",
"Multimodal learning",
"Receiver operating characteristic",
"Gradient boosting",
"K-means clustering",
"Latent Dirichlet allocation",
"Topic model",
"Okapi BM25",
"Relevance feedback",
"Learning to rank",
"Locality-sensitive hashing",
"Full-text search",
"Apache Solr",
"Levenshtein distance",
"Question answering",
"Lemmatisation",
"N-gram",
"Neo4j",
"ClickHouse",
"Memcached",
"RabbitMQ",
"Apache Spark",
"Graph database",
"Document-oriented database",
"Consistent hashing",
"YAML",
"Andreessen Horowitz",
"Employee stock option"
],
"ru": [
"Fei-Fei Li",
"BERT (language model)",
"GPT-2",
"Diffusion model",
"Variational autoencoder",
"Attention (machine learning)",
"Vision transformer",
"Mixture of experts",
"Batch normalization",
"Rectifier (neural networks)",
"Self-supervised learning",
"Transfer learning",
"Fine-tuning (deep learning)",
"Foundation model",
"Byte pair encoding",
"Precision and recall",
"Confusion matrix",
"F-score",
"Gradient boosting",
"Query expansion",
"Relevance feedback",
"Named-entity recognition",
"Version control",
"Open-source license",
"Quantum computing"
],
"zh": [
"Databricks",
"Vision transformer",
"Stochastic gradient descent",
"Batch normalization",
"Bias–variance tradeoff",
"Precision and recall",
"Okapi BM25",
"Learning to rank",
"Locality-sensitive hashing",
"Part-of-speech tagging",
"Automatic summarization",
"Neo4j",
"Replication (computing)"
],
"ja": [
"Stability AI",
"Vision transformer",
"Mixture of experts",
"Batch normalization",
"Multimodal learning",
"Precision and recall",
"Decision tree learning",
"Hierarchical clustering",
"Query expansion",
"Relevance feedback",
"Learning to rank",
"Jaccard index",
"Part-of-speech tagging",
"Stemming",
"Lemmatisation",
"Stop word",
"N-gram",
"ClickHouse",
"Graph database",
"Document-oriented database",
"Version control",
"Time complexity",
"Valuation (finance)"
]
},
"cap_selection": "even stride over the 353 survivors (previous build's kept list + nlq gold topics pinned), so every cluster thins proportionally and a rebuild stays a superset",
"min_doc_chars": 300,
"max_doc_chars": 2000,
"max_aliases_per_topic": 3,
"per_lang": {
"en": {
"docs": 80,
"alias_queries": 209,
"alias_queries_in_script": 209,
"docs_with_alias_query": 73,
"docs": 200,
"alias_queries": 497,
"alias_queries_in_script": 497,
"docs_with_alias_query": 173,
"doc_chars_min": 2000,
"doc_chars_median": 2000,
"doc_chars_mean": 2000,
"doc_chars_max": 2000
},
"he": {
"docs": 80,
"alias_queries": 94,
"alias_queries_in_script": 69,
"docs_with_alias_query": 51,
"doc_chars_min": 871,
"docs": 200,
"alias_queries": 299,
"alias_queries_in_script": 204,
"docs_with_alias_query": 147,
"doc_chars_min": 367,
"doc_chars_median": 2000,
"doc_chars_mean": 1919,
"doc_chars_mean": 1932,
"doc_chars_max": 2000
},
"ar": {
"docs": 200,
"alias_queries": 402,
"alias_queries_in_script": 288,
"docs_with_alias_query": 175,
"doc_chars_min": 326,
"doc_chars_median": 2000,
"doc_chars_mean": 1760,
"doc_chars_max": 2000
},
"ru": {
"docs": 200,
"alias_queries": 430,
"alias_queries_in_script": 273,
"docs_with_alias_query": 171,
"doc_chars_min": 337,
"doc_chars_median": 2000,
"doc_chars_mean": 1980,
"doc_chars_max": 2000
},
"zh": {
"docs": 80,
"alias_queries": 159,
"alias_queries_in_script": 114,
"docs_with_alias_query": 62,
"doc_chars_min": 417,
"docs": 200,
"alias_queries": 455,
"alias_queries_in_script": 322,
"docs_with_alias_query": 175,
"doc_chars_min": 321,
"doc_chars_median": 2000,
"doc_chars_mean": 1864,
"doc_chars_mean": 1844,
"doc_chars_max": 2000
},
"ja": {
"docs": 80,
"alias_queries": 116,
"alias_queries_in_script": 84,
"docs_with_alias_query": 55,
"docs": 200,
"alias_queries": 374,
"alias_queries_in_script": 256,
"docs_with_alias_query": 160,
"doc_chars_min": 429,
"doc_chars_median": 2000,
"doc_chars_mean": 1885,
"doc_chars_mean": 1902,
"doc_chars_max": 2000
}
},
"doc_source": "Wikipedia lead-section plaintext extracts (action=query&prop=extracts&exintro&explaintext), CC BY-SA 4.0",
"alias_query_source": "Wikipedia namespace-0 redirects (action=query&prop=redirects), CC BY-SA 4.0",
"topics_sha256": "e330951f7bf575c3382ecbaf6904865ab50e7591934318ad6f00323dbf28dc9b"
"topics_sha256": "b5526960b3b0af62e2751e15bd420c8066454464e40b51ded04e175463f8c5d3"
}
evals/embedding-default/corpus/ru.jsonl
+200
View File
@@ -0,0 +1,200 @@
{"slug":"openai","lang":"ru","title":"OpenAI","text":"OpenAI — американская научно-исследовательская организация, занимающаяся разработками в области искусственного интеллекта. В состав OpenAI входят зарегистрированная в штате Делавэр некоммерческая организация OpenAI, Inc и её дочерняя коммерческая компания OpenAI Global, LLC. OpenAI ставит перед собой цель разработать «безопасный и полезный» сильный искусственный интеллект, который организация определяет как «высокоавтономные системы, превосходящие человека в выполнении наиболее экономически ценной работы». На пути к этой цели организация создала несколько больших языковых моделей, в том числе GPT-4 и ChatGPT, а также моделей для генерации изображений, как DALL-E; в прошлом она публиковала модели с открытым исходным кодом.\nНекоммерческая организация OpenAI была основана в декабре 2015 года; её сопредседателями стали Сэм Альтман и Илон Маск. В число основателей и руководителей организации и её дочерней коммерческой компании вошли учёные и инженеры, работающие в области искусственного интеллекта, в том числе Илья Суцкевер, Грег Брокман, Тревор Блэквелл, Андрей Карпатый и Войцех Заремба. Организация получила венчурное финансирование от ряда крупных инвесторов — Y Combinator, Amazon Web Services, Infosys, Рида Хоффмана, Джессики Ливингстон и Питера Тиля. Компания Microsoft в 2023 году также инвестировала в OpenAI 10 миллиардов долларов.\nВ ноябре 2023 года совет директоров OpenAI отправил Сэма Альтмана в отставку — это решение стало потрясением и для инвесторов, и для сотрудников. Microsoft заявила, что примет Альтмана к себе на должность руководителя нового ИИ-направления; в самой OpenAI 738 из 770 сотрудников подписали открытое письмо, заявляя о готовности покинуть организацию и последовать за Альтманом. В итоге Альтман был восстановлен в должности, а в совете директоров произведены перестановки.\nВо второй половине 2026 года компания OpenAI планирует анонсировать собственное физическое устройство, оснащённое искусственным интеллектом. Об этом заявил руководитель по глоб","en_topic":"OpenAI","wiki_pageid":6236587,"wiki_revid":153351855,"source_url":"https://ru.wikipedia.org/?curid=6236587","license":"CC BY-SA 4.0"}
{"slug":"anthropic","lang":"ru","title":"Anthropic","text":"Anthropic — американская технологическая компания в сфере искусственного интеллекта (ИИ), основанная бывшими сотрудниками OpenAI, создатель семейства больших языковых моделей под общим названием Claude.\nAnthropic специализируется на разработке общих систем искусственного интеллекта и языковых моделей, придерживаясь ответственного подхода к созданию и использования ИИ. С конца 2022 года Google инвестировал в компанию почти 400 миллионов долларов, а Anthropic объявила о партнерстве с Google Cloud.\n== История ==\n=== Основатели ===\nAnthropic основана в 2021 году группой бывших сотрудников OpenAI, покинувших компанию на фоне внутренних разногласий по вопросам безопасности ИИ и направлениях развития компании, в частности в связи с партнёрством OpenAI с Microsoft в 2019 году. Сооснователями стали семь человек: Дарио Амодеи (генеральный директор), Даниэла Амодеи (президент), Джек Кларк, Сэм Маккэндлиш, Крис Ола, Том Браун и Джаред Каплан.\nДарио и Даниэла Амодеи выросли в районе Мишн в Сан-Франциско.\nДарио увлекался математикой и физикой; в 2015 году он присоединился к исследовательской группе Google Brain, а через год перешёл в OpenAI, где дорос до вице-президента по исследованиям. Даниэла получила гуманитарное образование, работала в аппарате конгрессмена от Пенсильвании Мэтта Картрайта, затем пять лет — в платёжной компании Stripe, после чего присоединилась к брату в OpenAI на позицию вице-президента по безопасности и политике.\nПо оценке Forbes, каждому из семи сооснователей принадлежит чуть более 1,8 % компании. После привлечения 30 млрд долларов в феврале 2026 года при оценке в 380 млрд долларов состояние каждого из них составило около 7 млрд долларов. В эссе «The Adolescence of Technology» (январь 2026) Дарио Амодеи предупредил об опасности чрезмерной концентрации богатства и сообщил, что все семеро основателей обязались передать 80 % своего состояния на благотворительность — в совокупности около 39,2 млрд долларов.\n== Продукты ==\n=== Claude ===\nСостоящая из бывших исс","en_topic":"Anthropic","wiki_pageid":10251038,"wiki_revid":153775398,"source_url":"https://ru.wikipedia.org/?curid=10251038","license":"CC BY-SA 4.0"}
{"slug":"google-deepmind","lang":"ru","title":"Google DeepMind","text":"Google DeepMind, ранее DeepMind Technologies, — британская компания, занимающаяся искусственным интеллектом. Основана в 2010 году в Лондоне под названием DeepMind Technologies. В 2014 году была приобретена Google.\nКомпания получила известность благодаря разработке компьютерной системы AlphaGo, победившей профессионального игрока в го.\nDeepMind создала нейронную сеть, способную научиться играть в видеоигры на уровне человека.\nВ 2020 году компания разработала программу AlphaFold 2, позволяющую решать одну из фундаментальных проблем биологической науки — предсказание структуры белка.\nВ 2022 году компания разработала нейросетевой алгоритм AlphaTensor, при помощи которого были найдены несколько новых алгоритмов перемножения матриц небольших размерностей. Так для матриц 4X4 алгоритм Штрассена требует 49 умножений, а AlphaTensor нашёл алгоритм, требующий 47 умножений, но работает он только для поля\n Z\n /\n 2\n Z\n {\\displaystyle \\mathbb {Z} /2\\mathbb {Z} }\n.\nВ апреле 2023 года компания объединилась с подразделением Google Brain и стала Google DeepMind.\n10 декабря 2024 года CEO компании Демис Хассабис, лауреат премии Дэна Дэвида (2020), и директор компании Джон Джампер получили Нобелевскую премию по химии за 2024 год, которая была присуждена ему за предсказание структуры белка с помощью разработанной компанией программы AlphaFold 2.\n== История ==\nВ 2010 году Демис Хассабис, Шейн Легг, Мустафа Сулейман основали стартап DeepMind Technologies. До того Хассабис и Легг уже были знакомы по Университетскому Колледжу Лондона, где работали в подразделении вычислительной нейробиологии Gatsby (Gatsby Computational Neuroscience Unit, www.gatsby.ucl.ac.uk).\nВ компанию вложились большие венчурные фонды Horizons Ventures, Founders Fund, а также предприниматели Скотт Банистер и Илон Маск. Ян Таллинн был одним из ранних инвесторов и советников компании.\nВ 2014 DeepMind получила награду «Компания года» от Компьютерной лаборатории Кембриджского университета.","en_topic":"Google DeepMind","wiki_pageid":6227223,"wiki_revid":153443363,"source_url":"https://ru.wikipedia.org/?curid=6227223","license":"CC BY-SA 4.0"}
{"slug":"mistral-ai","lang":"ru","title":"Mistral AI","text":"Mistral AI — французский стартап в области искусственного интеллекта, разрабатывающий программное обеспечение с различными инструментами генеративного ИИ. Работает над большими языковыми моделями.\n== История ==\nСтартап был основан в 2023 году выходцами из Google DeepMind и Meta: Артуром Меншем, Гийомом Лампле и Тимоте Лакруа. У всех троих — богатый исследовательский опыт работы в области искусственного интеллекта.\nВ июне 2023 года в ходе раунда финансирования Mistral привлёк 105 млн евро с оценкой в 260 млн евро.\nВ декабре инвесторы вложили в него 385 млн евро (при оценке в 2 млрд евро), а в июне 2024 года — ещё 600 млн евро (оценка выросла до 5,8 млрд евро). Миноритарную долю в компании приобрёл Microsoft.\nПо мнению экспертов, столь быстрое привлечение больших объёмов финансирования говорит об убеждённости инвесторов в потенциале проекта.\n== Деятельность ==\nКомпания разработала целый ряд генеративных моделей искусственного интеллекта, направленных на решение различных задач. Флагманская модель — Mistral Large 3. У неё около 675 млрд параметров.\nMistral Large была выпущена в феврале 2024 года (обновлённая версия Mistral Large 2 — в июле того же года). По словам разработчиков, модель демонстрировала высокие результаты в широко используемых тестах, что делало её второй по популярности в мире (после GPT-4).\nСтартап разработал как многомодульные системы работающие по принципу «системы экспертов», так и лёгкие модели для мобильных устройств.\nНекоторые модели были выпущены с открытым кодом, остальные доступны по коммерческим лицензиям.\nБыла выпущена модель для генерации кода с 22 млрд параметров — Codestral. По заявлению Mistral AI, модель обучена на 80 языках программирования, включая Python, Java, C++, JavaScript и Swift. Нейросеть может писать код с нуля, дополнять частично написанный код и проводить тесты.\nСтартап ориентирован на корпоративных клиентов. Эксперты отрасли полагают, что приверженность Mistral AI принципам открытого исходного кода и акцент на корпоративны","en_topic":"Mistral AI","wiki_pageid":11195135,"wiki_revid":152647359,"source_url":"https://ru.wikipedia.org/?curid=11195135","license":"CC BY-SA 4.0"}
{"slug":"hugging-face","lang":"ru","title":"Hugging Face","text":"Hugging Face, Inc. — американская компания, разрабатывающая инструменты для создания приложений с использованием машинного обучения. Она наиболее известна своей библиотекой Transformers, созданной для приложений обработки естественного языка, и своей платформой, которая позволяет пользователям обмениваться моделями машинного обучения и наборами данных.\n== История ==\nОснована в 2016 году Клеманом Делангом, Жюльеном Шомоном и Томасом Вольфом первоначально как компания, разрабатывающая приложение для чат-ботов, ориентированное на подростков. После открытия исходного кода модели чат-бота компания сосредоточилась на том, чтобы стать платформой для демократизации машинного обучения.\nВ марте 2021 года Hugging Face привлекла 40 миллионов долларов в рамках раунда финансирования серии B.\n28 апреля 2021 года компания запустила семинар BigScience в сотрудничестве с несколькими другими исследовательскими группами. В 2022 году семинар завершился анонсом BLOOM — многоязычной модели со 176 миллиардами параметров.\n21 декабря 2021 года компания объявила о приобретении Gradio, программной библиотеки, используемой для создания интерактивных демонстраций моделей машинного обучения в браузере.\n5 мая 2022 года компания объявила о раунде финансирования серии C под руководством Coatue и Sequoia. Компания получила оценку в 2 миллиарда долларов.\n26 мая 2022 года компания объявила о партнёрстве с Graphcore для оптимизации своей библиотеки Transformers для Graphcore IPU.\n3 августа 2022 года компания анонсировала Private Hub, корпоративную версию общедоступного Hugging Face Hub, которая поддерживает SaaS или локальное развёртывание.\n== Примечания ==","en_topic":"Hugging Face","wiki_pageid":9962635,"wiki_revid":152099052,"source_url":"https://ru.wikipedia.org/?curid=9962635","license":"CC BY-SA 4.0"}
{"slug":"nvidia","lang":"ru","title":"Nvidia","text":"Nvidia (/ɛnˈvɪdiə/; NVIDIA Corporation) — американская технологическая компания, разработчик графических процессоров и систем на чипе (SoC). Разработки компании получили распространение в индустрии видеоигр, сфере профессиональной визуализации, области высокопроизводительных вычислений (в том числе ИИ) и автомобильной промышленности, где бортовые компьютеры Nvidia используются в качестве основы для беспилотных автомобилей. Компания была основана в 1993 году. Штаб-квартира расположена в Санта-Кларе (штат Калифорния).\nПо состоянию на 2023 год Nvidia была крупнейшим в мире производителем PC-совместимых дискретных графических устройств с долей 80 % (статистика включает все графические процессоры, доступные для прямой покупки конечными пользователями — GeForce, Quadro и ускорители вычислений на базе GPU Tesla), в секторе «хай-энд» её доля в 2025 году составляла 92 %. В июне 2024 года Nvidia стала крупнейшей компанией в мире по рыночной капитализации (3,34 трлн долларов). В июле 2025 года рыночная стоимость компании превышала 4 трлн долларов, что стало мировым рекордом за всю историю биржевых торгов. В октябре 2025 года Nvidia стала первой в мире публичной компанией, чья рыночная капитализация превысила 5 трлн долларов.\n== История ==\n=== 1993—1999 ===\nОснователи — Дженсен Хуанг, Крис Малаховски и Кёртис Прэм — приняли решение о создании компании в апреле 1993 года за обедом в Denny's в Сан-Хосе, штат Калифорния. Малаховски и Прэм работали инженерами в Sun Microsystems, но были недовольны избранным компанией направлением развития, Хуанг занимал одну из руководящих должностей в компании-производителе интегральных схем LSI Logic. Они верили, что грядущий прорыв в компьютерной отрасли произойдёт благодаря аппаратному ускорению вычислений, слишком тяжёлых для процессоров общего назначения. Выбор в пользу разработки графических процессоров (GPU) был обусловлен стремительным ростом популярности видеоигр с трёхмерной графикой, который сулил большие прибыли производителям видеокар","en_topic":"Nvidia","wiki_pageid":1548156,"wiki_revid":153711301,"source_url":"https://ru.wikipedia.org/?curid=1548156","license":"CC BY-SA 4.0"}
{"slug":"meta-platforms","lang":"ru","title":"Meta Platforms","text":"Meta Platforms, Inc. (до 28 октября 2021 года — Facebook Inc.) — американская транснациональная холдинговая компания, владеющая технологическим конгломератом и расположенная в Менло-Парке, Калифорния. Является материнской организацией Facebook, Instagram, WhatsApp и Reality Labs. Одна из самых дорогих компаний в мире, а также считается одной из компаний «большой пятёрки» в сфере информационных технологий США, наряду с Amazon, Alphabet (владеет Google), Apple и Microsoft. Практически весь свой доход компания получает за счёт продажи рекламных мест на своих сервисах. Meta Platforms предлагает другие продукты и услуги, включая Facebook Messenger, Facebook Watch и Facebook Portal, также компания приобрела Mapillary, имеет 9,99 % акций в Jio Platforms.\n== История ==\nКомпания была основана в 2004 году Марком Цукербергом под названием Facebook. В апреле 2012 года за 1 млрд долларов была куплена социальная сеть для обмена фотографиями Instagram. В мае того же года компания Facebook провела размещение своих акций на бирже Nasdaq.\n19 февраля 2014 года был приобретен мессенджер WhatsApp.\nВ 2021 году произошла крупная утечка внутренних документов компании (2021 Facebook leak); сотрудница компании Фрэнсис Хаген передала Комиссии по ценным бумагам и биржам и The Wall Street Journal материалы, подтверждающие, что руководство компании знало и скрывало различные негативные аспекты деятельности Facebook.\nВ октябре 2021 года компания объявила, что планирует ребрендинг, выражающий «направленность к созданию метавселенной». 28 октября 2021 года Facebook, Inc. сменила название на Meta Platforms.\nВ феврале 2022 года Meta Platforms выбыла из десятки крупнейших компаний мира по рыночной капитализации. Капитализация компании снизилась до 565 млрд долларов США и компания переместилась на 11-е место.\n28 июля 2022 года компания Meta Platforms в финансовом отчёте за второй квартал 2022 года впервые за всю историю существования компании показала падение выручки.\n22 сентября 2022 года стало извест","en_topic":"Meta Platforms","wiki_pageid":9041729,"wiki_revid":154118786,"source_url":"https://ru.wikipedia.org/?curid=9041729","license":"CC BY-SA 4.0"}
{"slug":"palantir-technologies","lang":"ru","title":"Palantir","text":"Palantir — американская компания, разработчик программного обеспечения анализа данных для организаций; основные заказчики — военные структуры, спецслужбы, инвестиционные банки, хедж-фонды.\nОснована в 2003 году группой инвесторов — выходцев из PayPal во главе с Питером Тилем. К середине 2010-х годов считалась четвёртым по капитализации стартапом в мире (после Uber, Xiaomi и Airbnb) с оценкой стоимости бизнеса в $20 млрд, при этом отмечались признаки «инвестиционного пузыря» в связи с сомнительными финансовыми результатами. В 2020 году акции компании размещены на Нью-Йоркской фондовой бирже с капитализацией в $16 млрд.\nШтаб-квартира фирмы расположена в Пало-Альто, представительства открыты в 9 странах.\n== История ==\nНесмотря на то, что в публикациях в качестве времени основания компании обычно фигурирует 2004 год или даже 2005 год, документы Комиссии по ценным бумагам и биржам свидетельствуют, что Тиль зарегистрировал фирму в мае 2003 года. Название компании происходит от «палантиров» — магических камней из легендариума Толкина, позволяющих увидеть происходящее на расстоянии.\nВ 2004 году к работам по созданию программного прототипа привлечены бывший программист PayPal Натан Геттингс (англ. Nathan Gеttings), стажёр-программист PayPal Джо Лонсдейл (англ. Joe Lonsdale), а также студент-старшекурсник Стэнфордского университета Стивен Коэн (англ. Stephen Cohen). До прихода в Palantir Геттингс работал в PayPal над системой Igor, обеспечивающей автоматический отбор подозрительных операций и представление их в удобной для операторов по контролю за платежами форме и позволившей справиться с волной мошеннических операций в начале 2000-х годов; Коэн в Стэнфорде изучал искусственный интеллект под руководством Эндрю Ына, а Лонсдейл во время учёбы в Стэнфорде был главным редактором принадлежащего Тилю либертарианского журнала The Stanford Review.\nПозднее в 2004 году на должность генерального директора Тиль пригласил сокурсника по Стэнфордской школе права Алекса Карпа (англ. Alex Ka","en_topic":"Palantir Technologies","wiki_pageid":6172767,"wiki_revid":153704889,"source_url":"https://ru.wikipedia.org/?curid=6172767","license":"CC BY-SA 4.0"}
{"slug":"apple-inc","lang":"ru","title":"Apple","text":"Apple Inc (МФА: [ˈæp(ə)l], «Эппл») — американская корпорация, разработчик персональных и планшетных компьютеров, аудиоплееров, смартфонов, программного обеспечения и цифрового контента. Штаб-квартира расположена в Купертино, штат Калифорния. Практически вся продукция Apple выпускается контрактными производителями на заводах в Азии, крупнейшим подрядчиком является тайваньская компания Foxconn, крупнейший завод — в Чжэнчжоу.\nОдин из пионеров в области персональных компьютеров и современных многозадачных операционных систем с графическим интерфейсом. Более половины продаж компании приходится на iPhone, на 2021 год в мире использовалось около 900 млн таких смартфонов. Крупнейшим рынком для компании являются США, также значительна доля в выручке Китая, Японии и ряда стран Европы.\nВ августе 2018 года Apple стала первой американской компанией, чья рыночная капитализация превысила 1 трлн долларов США, и самой дорогой публичной компанией за всю историю, обойдя предыдущего рекордсмена — компанию PetroChina (1,005 трлн долларов в ноябре 2007 года). 30 июня 2023 года Apple стала первой компанией в мире, рыночная капитализация которой достигла 3 трлн долларов США. А 28 октября 2025 года, на фоне инвестиционного бума в ИИ-сектор, капитализация Apple достигла 4 трлн долларов США, но она стала третьей компанией достигшей этой отметки после Nvidia и Microsoft.\nВ 2022 году Apple заняла третье место в списке крупнейших компаний США Fortune 500. В списке крупнейших компаний мира Forbes Global 2000 Apple заняла 7-е место.\n== Название ==\nНазвание фирмы происходит от англ. apple («яблоко»), также изображение яблока использовано в логотипе.\nДо 9 января 2007 года официальным названием корпорации на протяжении более 30 лет было Apple Computer, Inc.. Отказ от слова Computer в названии демонстрирует смену основного фокуса корпорации с традиционного для неё рынка компьютерной техники на рынок бытовой электроники.\nИмя Apple Джобс предложил из-за того, что в этом случае телефонный номер фирмы шёл","en_topic":"Apple Inc.","wiki_pageid":39726,"wiki_revid":153311172,"source_url":"https://ru.wikipedia.org/?curid=39726","license":"CC BY-SA 4.0"}
{"slug":"alphabet-inc","lang":"ru","title":"Alphabet","text":"Alphabet Inc. — холдинговая компания, управляющая компанией Google Inc и её дочерними структурами, а также рядом стартапов. Штаб-квартира расположена в Маунтин-Вью (штат Калифорния, США).\nВ 2018 году занял первое место в списке 500 лучших работодателей мира по мнению журнала Forbes. В списке крупнейших публичных компаний мира Forbes Global 2000 за 2024 год компания заняла 10-е место. В числе крупнейших компаний США по размеру выручки (список Fortune 500) Alphabet заняла 8-е место.\n== История ==\nРеорганизация Google в Alphabet была официально объявлена 10 августа 2015 года и завершена 2 октября 2015 года. Все акции Google были преобразованы в акции Alphabet, они продолжают торговаться на NASDAQ\n1 февраля 2016 года Alphabet стала крупнейшей компанией в мире по рыночной капитализации, обойдя компанию Apple. Однако спустя два дня стоимость компании снова уступила Apple. 15 мая Alphabet снова стала крупнейшей компанией в мире по рыночной капитализации.\nВ 2017 году Еврокомиссия оштрафовала Alphabet на 2,42 млрд евро за злоупотребление доминирующим положением на рынке поисковых систем. В компании заявили, что не согласны с таким решением и рассматривают возможность его обжалования. В сентябре 2024 года Суд Европейского союза отклонил апелляцию Alphabet, оставив в силе штраф в 2,4 млрд евро.\nВ июле 2018 года Еврокомиссия приняла решение, что методы продвижения операционной системы Android (разработчиком которой является Google) нарушает европейское антимонопольное законодательство и присудила штраф в размере 4,3 млрд евро. Alphabet подала апелляцию, по состоянию на начало 2025 года она находилась на рассмотрении.\nВ 2019 году Alphabet приобрела компанию Fitbit — производителя фитнес-трекеров и смарт-часов. Сумма сделки составила $2,1 млрд.\nВ декабре 2019 года Ларри Пейдж объявил об уходе с поста генерального директора, а Сергей Брин — об уходе с поста президента Alphabet. Должность генерального директора Alphabet занял Сундар Пичаи. Должность президента Alphabet упразднена.\n","en_topic":"Alphabet Inc.","wiki_pageid":5930363,"wiki_revid":152396559,"source_url":"https://ru.wikipedia.org/?curid=5930363","license":"CC BY-SA 4.0"}
{"slug":"ibm","lang":"ru","title":"IBM","text":"IBM (произносится ай-би-эм; [aɪbiːˈɛm]; аббр. от англ. International Business Machines) — американская компания со штаб-квартирой в Армонке (штат Нью-Йорк), один из крупнейших в мире производителей и поставщиков аппаратного и программного обеспечения, а также IT-сервисов и консалтинговых услуг.\nРаспространённое прозвище компании — Big Blue, что можно перевести с английского как «большой синий» или «голубой гигант». Существует несколько версий относительно этого прозвища:\nпроизошло от мейнфреймов, поставлявшихся компанией в 1950–1960-х годах — они были размером с комнату и имели голубую окраску;\nэто отсылка к логотипу компании;\nназвание идёт от бывшего дресс-кода компании, который требовал от многих работников ношения рубашек и костюмов голубого цвета.\n== История ==\n=== 1888—1924 годы: основание IBM ===\nНа территории США в 1890 году проходила перепись населения. Для обработки её результатов впервые были применены перфокарты и «электрический табулятор» для считывания информации с них; эта система, изобретённая Германом Холлеритом, использовалась вплоть до 1960-х годов. Благодаря ей данные переписи удалось обработать всего за год, тогда как предыдущая перепись 1880 года обрабатывалась 8 лет. Воодушевлённый успехом, изобретатель основал в 1896 году компанию Tabulating Machine Company.\n16 июня 1911 года эта компания по инициативе бизнесмена Чарльза Флинта объединилась с компаниями Computing Scale Company of America и International Time Recording Company, образовав Computing-Tabulating-Recording Company (C-T-R). Объединённая фирма выпускала широкий ассортимент электрического оборудования: весы, сырорезки, приборы учёта рабочего времени, перфорационные машины. Из-за сложности в управлении разнородным бизнесом в мае 1914 года на пост генерального директора был приглашён Томас Уотсон. После этого компания начала специализироваться на создании больших табуляционных машин.\nВ 1924 году название C-T-R было изменено на International Business Machines Corporation (IBM, «Международ","en_topic":"IBM","wiki_pageid":11078,"wiki_revid":153446095,"source_url":"https://ru.wikipedia.org/?curid=11078","license":"CC BY-SA 4.0"}
{"slug":"advanced-micro-devices","lang":"ru","title":"AMD","text":"AMD (МФА [eɪ.em.ˈdiː]; от англ. Advanced Micro Devices — продвинутые микроустройства) — американский производитель интегральных микросхем и электроники, один из крупнейших производителей центральных процессоров, графических процессоров и адаптеров (после приобретения ATI Technologies в 2006 году), а также чипсетов.\nС 2009 года не имеет собственного микроэлектронного производства и размещает заказы на мощностях других компаний. В роли постоянного партнёра — производственного подрядчика для производства своих чипов использует компании GlobalFoundries и TSMC (с 2018 года).\nСтратегическими партнёрами AMD на рынке персональных компьютеров и серверов являются такие компании, как HP Inc., Dell, Acer, Fujitsu, Fujitsu Technology Solutions и IBM. В сфере сетевых продуктов — Bay Networks, Cabletron Systems, Cisco. На рынке телекоммуникационных систем — Nokia, AT&T, Ericsson, NEC, Siemens, Sony. Главные конкуренты AMD: Intel (производство процессоров, чипсетов, графических процессоров; при этом компании имели несколько совместных проектов) и Nvidia (производство графических процессоров).\n== История ==\n=== Корпоративная история ===\nОснована 1 мая 1969 года Джерри Сандерсом вместе с семью его коллегами — выходцами из компании Fairchild Semiconductor. Стартовый капитал составлял 100 тыс. $. Компания начала свою деятельность как производитель логических интегральных микросхем.\nПервым микропроцессором стал Am9080 — клон Intel 8080, созданный путем реверс-инжиниринга и выпущенный в 1975 году. После того, как Intel добавила микрокод в свои процессоры в 1976 году между AMD и Intel было заключено кросс-лицензионное соглашение, в результате которого начиная с октября 1976 года была предоставлена лицензия на авторские права на микрокод в микропроцессорах и периферийных устройствах.\nВ 1975 году AMD выпускает первую микросхему RAM AM1902.\n24 июля 2006 года объявлено о поглощении ATI Technologies за 5,4 млрд $, сделка завершена 24 октября 2006 года.\nПо сообщениям, в декабре 2006 года AMD в","en_topic":"Advanced Micro Devices","wiki_pageid":19981,"wiki_revid":153667262,"source_url":"https://ru.wikipedia.org/?curid=19981","license":"CC BY-SA 4.0"}
{"slug":"salesforce","lang":"ru","title":"Salesforce","text":"Salesforce (salesforce.com) — американская компания, разработчик одноимённой CRM-системы, предоставляемой заказчикам исключительно по модели SaaS. Под наименованием Force.com компания предоставляет PaaS-систему для самостоятельной разработки приложений, а под брендом Database.com — облачную систему управления базами данных. Среди приобретённых в результате поглощений продуктов — платформенный сервис Heroku, сервисная шина MuleESB, тиражируемая система визуализации данных Tableau, корпоративный мессенджер Slack, линейка связующего программного обеспечения для интеграции данных Informatica.\nОснована в марте 1999 года Марком Бениоффом, Паркером Харрисом (англ. Parker Harris), Дэйвом Мёленхоффом (англ. Dave Moellenhoff) и Френком Домингесом (англ. Frank Dominguez) с изначальной идеей специализации на рынке CRM-систем и предоставления доступа к ним исключительно как услуги по подписке, располагая все экземпляры системы в собственных центрах обработки данных, полностью исключая установки систем у заказчиков и обеспечивая доступ конечных пользователей к системам через веб. Признана одним из пионеров SaaS, PaaS, облачных вычислений, с 2012 года является мировым лидером рынка CRM-систем.\nШтаб-квартира компании расположена в Сан-Франциско в небоскрёбе Salesforce Tower, региональные офисы — в 25 странах.\n== История ==\n=== Основание ===\nДо основания компании Бениофф длительное время работал менеджером по продажам в Oracle, и, как получивший в возрасте 25 лет должность вице-президента, отмечается как самый молодой сотрудник, достигший этой должности. Харрис, Мёлленхофф и Домингес — бывшие разработчики компании Clarify (поглощённой впоследствии Nortel Networks, которая, в свою очередь, продала права на Clarify CRM и разрабатывающее его подразделение компании Amdocs в 2001 году).\nНачальными инвесторами проекта были Бениофф, Марк Искаро (англ. Mark Iscaro), Ларри Эллисон, Хелси Майнор (англ. Halsey Minor), Магдалена Йесиль (англ. Magdalena Yesil), Игорь Силл (англ. Igor Sill), а та","en_topic":"Salesforce","wiki_pageid":3070933,"wiki_revid":152397264,"source_url":"https://ru.wikipedia.org/?curid=3070933","license":"CC BY-SA 4.0"}
{"slug":"sap","lang":"ru","title":"SAP","text":"SAP SE (читается: сап эс-е) — немецкая компания, производитель программного обеспечения для организаций. Штаб-квартира компании расположена в Вальдорфе. Крупнейший разработчик программного обеспечения в мире после Microsoft и Oracle.\n== Название ==\nНаименование SAP было составлено на основе первых букв полного названия: «Systeme, Anwendungen und Produkte in der Datenverarbeitung» / «Systems, Applications and Products in Data Processing». С 2005 года название «SAP AG» заменило эту аббревиатуру.\n7 июля 2014 года компания была зарегистрирована в Европейском коммерческом реестре, сменив юридическую форму с AG (обозначает форму собственности компаний (нем. Aktiengesellschaft — акционерное общество) на European Company (Societas Europaea, SE), после чего компания официально называется «SAP SE».\n== История ==\nКомпания SAP была создана в 1972 году пятью бывшими сотрудниками IBM (Клаус Велленройтер, Ханс-Вернер Хектор, Клаус Чира, Дитмар Хопп и Хассо Платтнер) под наименованием нем. Systemanalyse und Programmentwicklung (англ. System Analysis and Program Development, рус. Системный анализ и разработка программ) в городе Вайнхайме. Первый офис фирмы находился в Мангейме. Инновацией компании было разработка не отдельных программ для конкретных задач, а комплексных систем программного обеспечения для корпораций. Первым клиентом стал немецкий филиал международной химической группы ICI.\nВ 1976 году была основана SAP GmbH, и годом позже фирма переместилась в Вальдорф. В 1978 году был выпущен пакет программного обеспечения R/2 для мейнфреймов, позволявший в реальном времени сводить в единую базу данных бухгалтерию, учёт производства и продаж и другие показатели крупных корпораций. Вскоре R/2 приобрели такие международные корпорации, как Dupont, General Mills, Goodyear Tire and Rubber, Heinz и Shell, а также 80 из 100 крупнейших компаний Германии. К 1994 году было продано более 1400 пакетов R/2.\nК 1987 году в компании работало 470 сотрудников, а оборот составлял 150 млн дойчемарок, ","en_topic":"SAP","wiki_pageid":81959,"wiki_revid":153685533,"source_url":"https://ru.wikipedia.org/?curid=81959","license":"CC BY-SA 4.0"}
{"slug":"tesla-inc","lang":"ru","title":"Tesla","text":"Tesla — американская транснациональная компания, производитель электромобилей, зарядных станций, солнечных батарей и систем для накопления электроэнергии.\nВ отличие от большинства автопроизводителей, компания самостоятельно продает автомобили без участия дилеров, также управляет бизнесом по зарядке электромобилей на собственной сети зарядных станций и осуществляет пилотные проекты предоставления сервисов беспилотного такси.\n== История ==\nКомпания Tesla (основанная как Tesla Motors) была зарегистрирована 1 июля 2003 года Мартином Эберхардом и Марком Тарпеннингом. Ян Райт был третьим сотрудником Tesla, присоединившимся к ней несколько месяцев спустя.\nКомпания была названа в честь американского инженера, изобретателя в области электротехники Николы Теслы.\nСреди инвесторов компании были основатели Google Ларри Пейдж и Сергей Брин, основатель и президент компании eBay Джефри Сколл, Daimler AG, Toyota (инвестировала около 50 млн долларов) и Илон Маск. На первом этапе больше всех вложил Илон Маск — 70 млн долларов, заработанных на продаже своей доли в PayPal. Маск стал председателем совета директоров и назначил Эберхарда генеральным директором (в 2007 году он покинул компанию). Тарпеннинг, получивший пост вице-президента и инженера, ушёл в 2008 году. нынешнее руководство компании называет сооснователями Илона Маска, Джеффри Брайана Страубела и Иэна Райта.\nЦелью Tesla было начать со спортивного автомобиля премиум-класса, а затем перейти к более массовым автомобилям. Первая модель Roadster была представлена в 2008 году; она была способна проехать без подзарядки 384 км и по большинству характеристик не уступала спортивным машинам с двигателем внутреннего сгорания; главным её недостатком была высокая цена (109 тыс. долларов).\nВ январе 2010 года Tesla получила от Министерства энергетики США заём в размере 465 млн долларов, который компания погасила в 2013 году. В мае 2010 года Tesla купила за 42 млн долларов завод во Фримонте (Калифорния) и начала его переоборудование под произ","en_topic":"Tesla, Inc.","wiki_pageid":1884088,"wiki_revid":154134052,"source_url":"https://ru.wikipedia.org/?curid=1884088","license":"CC BY-SA 4.0"}
{"slug":"uber","lang":"ru","title":"Uber","text":"Uber Technologies Inc. ; Uber (Убер) — американская международная публичная компания из Сан-Франциско, создавшая одноимённое мобильное приложение для поиска, вызова и оплаты такси или частных водителей и доставки еды.\nС помощью приложения Uber заказчик резервирует машину с водителем и отслеживает её перемещение к указанной точке.\nВ большинстве случаев водители используют свои собственные автомобили, а также машины таксопарков или партнёров. В большинстве стран 67 % оплаты переходят водителю, 33 % перечисляются Uber.\n== Название ==\nВ немецком языке «über» означает «над» или «сверху», часто используется как приставка для обозначения повышенного уровня или превосходной степени. В США «uber» в первой половине XX века превратилось в сленговый вариант слова «super». Первоначальное название компании «UberCab» на русский можно перевести как «СуперТакси».\n== История ==\nUber (изначально UberCab) была основана Трэвисом Калаником и Гарретом Кэмпом в 2009 году, летом того же года было выпущено одноимённое приложение. Изначально водители, участвующие в системе Uber, могли пользоваться лишь автомобилями представительского класса Lincoln Town Car, Cadillac Escalade, BMW серии 7, Mercedes-Benz S550, однако в 2012 году список доступных автомобилей расширили в сторону экономкласса (новый сервис был назван UberX), и началась международная экспансия компании.\nВ 2012 году Uber объявила о планах расширения функциональных возможностей приложения, после которого будет возможен поиск попутчиков для водителей, не оказывающих услуги такси (англ. ridesharing).\nВ июне 2015 года Uber открыл новый сервис в Стамбуле UberBOAT, который осуществляет переправу через пролив Босфор. Транспортировка будет осуществляться с помощью лодок. Стоимость от 17 долларов, а вместимость лодки от 7 до 10 человек.\nВ июне 2016 года объявлено о том, что Uber в Бразилии готовится запустить услугу перевозки пассажиров на вертолёте. Данный сервис можно будет заказать в ежедневном режиме в девяти районах Сан-Паулу, которые ","en_topic":"Uber","wiki_pageid":4876554,"wiki_revid":153091978,"source_url":"https://ru.wikipedia.org/?curid=4876554","license":"CC BY-SA 4.0"}
{"slug":"shopify","lang":"ru","title":"Shopify","text":"Shopify — интернет-компания, занимается разработкой программного обеспечения для онлайн и розничных магазинов. Штаб-квартира находится в Оттаве, Канада.\nShopify была создана в 2004 году группой единомышленников, которые собирались создать интернет-магазин по торговле досками для сноуборда.\nПервоначально компания получила название Jaded Pixel Technologies Inc. и в 2011 году сменила название на Shopify Inc.\nПо итогам 2016 года компания отчиталась о 377 500 клиентах и сумме продаж магазинов в 29 млрд долларов (с даты создания Shopify).\n== История ==\nВ 2004 году Тобиас Лютке, Даниэль Вайнланд и Скотт Лейк решили создать интернет-магазин сноубординга SnowDevil. Отсутствие готового решения для создания интернет-магазина натолкнуло на мысль разработать собственный программный продукт.\nИнструментом разработки стал фреймворк Ruby on Rails. За 2 месяца была создана первая версия магазина SnowDevil. В 2006 году была запущена платформа для построения онлайн-магазина Shopify.\nВ июне 2009 года Shopify запускает магазин приложений Shopify App Store. Разработчики приложений могут дополнять Shopify новыми функциями.\nВ начале 2014 года запускается новый проект — Shopify Plus. Это решение даёт возможность магазинам обрабатывать до 4 млн запросов в секунду и обеспечивает до 10 тыс. покупок в секунду.\nВ середине 2014 года было заключено партнерское соглашение с Pinterest. В Shopify был добавлен новый канал продаж — Pinterest. При размещении в Pinterest, фотографии товара могут содержать информацию о цене и об остатках. Для подключения канала нужно регистрировать Pinterest business account.\n14 апреля 2015 Shopify объявила о листинге на Нью-Йоркской Фондовой бирже (SHOP) и Фондовой Бирже Торонто (SH). 21 мая 2015 компания стала публичной собрав 131 млн долларов.\nВ сентябре 2015 Amazon.com объявляет о закрытии сервиса Amazon Webstore и рекомендует платформу Shopify как инструмент организации продаж для Amazon. В настройках магазина появился новый канал продаж Amazon, который активируется п","en_topic":"Shopify","wiki_pageid":6858820,"wiki_revid":151811599,"source_url":"https://ru.wikipedia.org/?curid=6858820","license":"CC BY-SA 4.0"}
{"slug":"twitter","lang":"ru","title":"X (социальная сеть)","text":"X («Экс», «Икс» — латинское произношение), название до 2023 года — «Тви́ттер» (англ. Twitter) — американская социальная сеть. Это шестой по посещаемости сайт в мире и одна из крупнейших социальных сетей с 550 млн пользователей ежемесячно.\nВ X пользователи публикуют и взаимодействуют с сообщениями, известными как «твиты». Среди ключевых функций соцсети — также прямой обмен личными сообщениями, видео- и аудиозвонки, закладки, списки, сообщества, интеграция с ИИ-чатботом Grok, поиск вакансий и аудиокомнаты — Spaces.\nСервис предоставляется компанией X Corp. — преемницей Twitter, Inc., которая базировалась в Сан-Франциско, Калифорния, и имела более 26 офисов по всему миру. По данным на 2025 год, X Corp. готовится к объединению с xAI. Первоначально твиты были ограничены 140 символами, но в 2017 году ограничение было удвоено до 280 для большинства языков. Аудио- и видеотвиты остаются ограниченными 140 секундами для большинства аккаунтов.\nTwitter как сервис микроблогов был создан Джеком Дорси, Ноа Глассом, Бизом Стоуном и Эваном Уильямсом в марте 2006 года и запущен в июле того же года. К 2012 году более 100 миллионов пользователей размещали 340 миллионов твитов в день, а сервис обрабатывал в среднем 1,6 миллиарда поисковых запросов в день. В 2013 году он вошёл в десятку самых посещаемых сайтов и был назван «SMS интернета». К началу 2019 года у Twitter было более 330 миллионов ежемесячных активных пользователей. На практике подавляющее большинство твитов пишет меньшинство пользователей.\n25 апреля 2022 года совет директоров Twitter, Inc. принял предложение Илона Маска по покупке компании за 44 млрд $. 27 октября 2022 года сделка была завершена. Линда Яккарино сменила Маска на посту генерального директора 5 июня 2023 года, а Маск остался председателем совета директоров и директором по технологиям. В июле 2023 года Маск объявил о ребрендинге Twitter в X, а также упразднении прежнего логотипа с птицей и названия Twitter.\nТогдашний генеральный директор Twitter Джек Дорси впервые","en_topic":"Twitter","wiki_pageid":1108614,"wiki_revid":153739858,"source_url":"https://ru.wikipedia.org/?curid=1108614","license":"CC BY-SA 4.0"}
{"slug":"github","lang":"ru","title":"GitHub","text":"GitHub — крупнейший веб-сервис для хостинга IT-проектов и их совместной разработки.\nGitHub — веб-сервис, основанный на системе контроля версий Git и разработан на Ruby on Rails и Erlang компанией GitHub, Inc (ранее Logical Awesome). Сервис бесплатен для проектов с открытым исходным кодом и (с 2019 года) небольших частных проектов, предоставляя им все возможности (включая SSL), а для крупных корпоративных проектов предлагаются различные платные тарифные планы.\nСлоган сервиса — «Social Coding», на русский можно перевести как «Пишем код вместе». На футболках же печатают совсем другую фразу: «Fork you!» («Ветвить тебя!»). С одной стороны, она созвучна с англоязычным ругательством и намекает на неформальную атмосферу. С другой, эти слова напоминают, что создавать новые форки с Git можно легко и безболезненно — традиционно, к созданию веток разработчики проектов с открытым исходным кодом относятся негативно — а также созвучна названию одной из возможностей GitHub — очереди форков.\nТалисманом GitHub выбран осьмикот (англ. octocat), который, вопреки распространённому заблуждению, не имеет отношения к короткометражке «Octocat Adventure», а просто был найден Томом Престон-Вернером на сервисе iStock.\n4 июня 2018 года Microsoft купила GitHub за 7,5 млрд долларов.\n== Возможности ==\nСоздатели сайта называют GitHub «социальной сетью для разработчиков».\nКроме размещения кода, участники могут общаться, комментировать правки друг друга, а также следить за новостями знакомых.\nС помощью широких возможностей Git программисты могут объединять свои репозитории — GitHub предлагает удобный интерфейс для этого и может отображать вклад каждого участника в виде дерева.\nДля проектов есть личные страницы, небольшие Вики и система отслеживания ошибок.\nПрямо на сайте можно просмотреть файлы проектов с подсветкой синтаксиса для большинства языков программирования.\nМожно создавать приватные репозитории, которые будут видны только вам и выбранным вами людям. Раньше такая возможность была платной.\nЕст","en_topic":"GitHub","wiki_pageid":1588243,"wiki_revid":152504628,"source_url":"https://ru.wikipedia.org/?curid=1588243","license":"CC BY-SA 4.0"}
{"slug":"atlassian","lang":"ru","title":"Atlassian","text":"Atlassian — австралийская компания, разработчик программного обеспечения для управления разработкой программного обеспечения. Наиболее известные продукты — система отслеживания ошибок Jira и система совместной работы Confluence.\nОснована в 2002 году в Сиднее выпускниками Университета Нового Южного Уэльса Майком Кэнон-Бруксом и Скоттом Фаркухаром, стартап развивался на собственные средства основателей в течение нескольких лет.\nВ 2007 году поглощена компания Cenqua, создатель ряда продуктов для разработки программного обеспечения — Crucible, FishEye, Bamboo, Clover, Jira, продукты сохранены и получили развитие в Atlassian. В июле 2010 года компания привлекла инвестиции $60 млн у венчурных инвесторов Accel Partners. В 2010 году приобретён сервис хостинга проектов и совместной разработки Bitbucket; в 2012 году приобретён сервис HipChat. В 2014 году зарегистрирована управляющая компания в Лондоне, при этом штаб-квартира и основные управленческие и инженерные подразделения сохранили расположение в Сиднее.\n10 декабря 2015 года компания осуществила первичное размещение на бирже NASDAQ под тикером TEAM.\nВ 2017 году компания за $425 млн поглотила фирму-разработчика сервиса управления проектами Trello.\n== Примечания ==\n== Ссылки ==\natlassian.com/ru — официальный сайт Atlassian","en_topic":"Atlassian","wiki_pageid":6351258,"wiki_revid":150754614,"source_url":"https://ru.wikipedia.org/?curid=6351258","license":"CC BY-SA 4.0"}
{"slug":"samsung-electronics","lang":"ru","title":"Samsung Electronics","text":"Samsung Electronics («Самсунг Электроникс»; «самсунг» на корейском языке буквально означает «три звезды» 삼성, 三星; корейское название — 삼성전자, 三星電子, «Самсон Чонджа») — южнокорейская транснациональная компания по производству электроники. Входит в число крупнейших в мире производителей смартфонов, плоскопанельных телевизоров и полупроводниковых приборов, также выпускает бытовую технику, медицинское оборудование и аудиоаппаратуру.\nSamsung Electronics является публичной компанией, акции которой торгуются на корейской и международных биржах. По состоянию на 2024 год 20 % акций компании принадлежит чеболю Samsung. Главный офис компании расположен в Сувоне.\n== История ==\nКомпания Samsung Electronics была основана в 1969 году в южнокорейском городе Сувон под названием Samsung Electric Industries. Первоначально компания производила телевизоры, калькуляторы, холодильники, кондиционеры и стиральные машины в технологическом партнёрстве с японскими компаниями Sanyo и NEC. За 12 лет — до 1981 года — компания произвела более 10 млн чёрно-белых телевизоров. Росту компании способствовала поддержка правительства Южной Кореи, в частности президента Пак Чон Хи. Помимо Samsung Electric Industries в составе группы Samsung появились дочерние компании по производству комплектующих, такие как Samsung Electron Devices (кинескопы), Samsung Electro-Mechanics (тюнеры, конденсаторы, динамики), а также Samsung Corning, совместное предприятие с американской Corning Inc.\nВ 1978 году была основана полупроводниковая компания Samsung Semiconductor & Telecommunications; технологии были получены от американской компании Micron Technology и японской Sharp в обмен на доступ на корейский рынок. В 1983 году она начала производство модулей оперативной памяти DRAM объёмом 64 кБ. Вскоре при поддержке государственного Института электроники и телекоммуникаций были разработаны модули на 128 кБ. Первый зарубежный завод открылся в 1982 году в Португалии, он собирал по 300 тыс. телевизоров в год. В 1984 году был откры","en_topic":"Samsung Electronics","wiki_pageid":125553,"wiki_revid":153706007,"source_url":"https://ru.wikipedia.org/?curid=125553","license":"CC BY-SA 4.0"}
{"slug":"alibaba-group","lang":"ru","title":"Alibaba Group","text":"Alibaba Group (кит. упр. 阿里巴巴集团, палл. Алибаба́ цзитуа́нь) — китайская публичная компания, работающая в сфере интернет-коммерции, владелец веб-порталов Taobao.com, Tmall, Alibaba.com, AliExpress, англоязычной газеты South China Morning Post и ряда других. Основными видами деятельности являются торговые операции между компаниями по схеме B2B и розничная онлайн-торговля; также владеет одной из крупнейших в мире инфраструктур для облачных вычислений, имеет активы в сфере СМИ и индустрии развлечений. Компания действует, прежде всего, в КНР. Официально зарегистрирована на Каймановых островах, штаб-квартира расположена в Ханчжоу.\n== История ==\nОснована Ма Юнем, известным как Джек Ма, в 1999 году с 17 компаньонами в городе Ханчжоу, где был зарегистрирован интернет-сайт Alibaba.com. С самого начала Alibaba рассматривался как площадка для продаж товаров малого и среднего бизнеса. 28 июня 1999 года компания Alibaba Group была зарегистрирована на Каймановых островах. В конце этого же года получила инвестиции от американского инвестиционного банка Goldman Sachs (5 млн долл.) и японской компании SoftBank (20 млн $). К 2002 году сайт начал приносить прибыль (комиссионные от сделок начали превышать расходы на развитие инфраструктуры), и в 2003 году у компании появились новые структуры: сайт Taobao для торговли товарами и услугами между потребителями (C2C), платёжная система Alipay и другие.\nAlibaba Group стремилась занять как можно большую часть китайского рынка электронной коммерции, поскольку о выходе на этот рынок в 2003 году заявила американская компания eBay; одной из мер для повышения конкурентоспособности была бесплатная регистрация на сайтах.\nВ 2005 году компания Yahoo! приобрела 43 % акций компании, но 18 сентября 2012 года Alibaba Group закончила обратный выкуп 20 % собственных акций, находившихся в собственности Yahoo!\nВ ноябре 2007 года акции были размещены на Гонконгской фондовой бирже, но в 2012 году компания осуществила их делистинг; 26 ноября 2019 года акции компан","en_topic":"Alibaba Group","wiki_pageid":2061873,"wiki_revid":154042509,"source_url":"https://ru.wikipedia.org/?curid=2061873","license":"CC BY-SA 4.0"}
{"slug":"bytedance","lang":"ru","title":"ByteDance","text":"ByteDance Ltd. (字节跳动, также известна как Beijing ByteDance Technology Co., Ltd.) — китайская частная холдинговая интернет-компания, владеющая рядом популярных сервисов (в том числе платформами для обмена видео TikTok и Xigua, новостными агрегаторами Toutiao и BaBe, социальной сетью Helo, чат-ботом Doubao). Основана Чжан Имином в 2012 году, штаб-квартира расположена в Пекине (официально компания зарегистрирована на Каймановых островах).\nByteDance наряду с Ant Financial (оператор платёжной системы Alipay) и DiDi (сервис заказа такси) входит в тройку ведущих «компаний-единорогов» Китая (стартапов, чья рыночная оценка стоимости до выхода на биржу превысила 1 млрд долл.). Кроме того, ByteDance входит в «большую пятёрку» китайских интернет-компаний (наряду с Alibaba Group, Tencent, Baidu и NetEase).\nИз-за связей с правительством Китая, политической цензуры и сбора данных пользователей своих приложений ByteDance несколько раз оказывалась под расследованием в США и других странах. Среди тысяч цензоров, контролирующих контент приложений ByteDance, преобладают члены Коммунистической партии Китая.\n== История ==\nВ марте 2012 года инженер-программист Чжан Имин, окончивший Нанькайский университет в Тяньцзине, основал интернет-компанию ByteDance, которая в августе 2012 года запустила приложение Toutiao. В сентябре 2016 года на китайском рынке появился видео-сервис Douyin. Летом 2017 года видео-сервис TikTok был запущен для iOS и Android на большинстве рынков за пределами Китая. В ноябре 2017 году ByteDance приобрела китайско-американский видеохостинг musical.ly, который в августе 2018 года объединился с TikTok (тогда же бренд TikTok вышел на рынок США). Если в 2017 году ByteDance была оценена в 20 млрд долл., то в 2018 году — уже в 75 млрд долл..\nВ апреле 2018 года под давлением китайских властей ByteDance была вынуждена закрыть популярное юмористическое приложение Neihan Duanzi. По состоянию на ноябрь 2018 года компания ByteDance имел более 800 млн ежедневно активных пользователе","en_topic":"ByteDance","wiki_pageid":8402182,"wiki_revid":154145444,"source_url":"https://ru.wikipedia.org/?curid=8402182","license":"CC BY-SA 4.0"}
{"slug":"geoffrey-hinton","lang":"ru","title":"Хинтон, Джеффри","text":"Джеффри Хи́нтон (англ. Geoffrey Everest Hinton; род. 6 декабря 1947) — британский и канадский учёный, внёсший заметный вклад в глубокое обучение. Лауреат Нобелевской премии по физике за 2024 год (совместно с Джоном Хопфилдом) за «фундаментальные открытия и изобретения, обеспечивающие машинное обучение с помощью искусственных нейронных сетей». В январе 2026 года стал вторым учёным в истории (после Йошуа Бенжио), достигшим 1 млн цитирований.\n== Биография ==\nПраправнук Джорджа Буля. Окончил Кембриджский университет в 1970 году, где получил степень бакалавра искусств в области экспериментальной психологии, в 1978 году получил докторскую степень в Эдинбургском университете в области искусственного интеллекта.\nРаботал профессором департамента информатики Торонтского университета. С марта 2013 года по апрель 2023 года — сотрудник Google (после поглощения корпорацией компании DNNresearch).\nБыл одним из исследователей, предложивших использовать метод обратного распространения ошибки для тренировки многослойной нейронной сети. Вместе с Терри Сейновски изобрёл машину Больцмана.\nЧлен Королевского общества Канады (1996), Лондонского королевского общества (1998), иностранный член Национальных Академии наук (2023) и Инженерной академии (2016) США.\nПолучил Нобелевскую премию по физике за 2024 год.\nВ 2024 году снялся (без указания в титрах) в роли самого себя в научно-фантастическом боевике-технотриллере «Атлас».\n== Награды ==\n2001 — Премия Румельхарта\n2005 — IJCAI Award for Research Excellence\n2010 — Канадская золотая медаль Герхарда Херцберга\n2014 — Награда имени Франка Розенблатта\n2016 — IEEE Maxwell Award\n2016 — BBVA Foundation Frontiers of Knowledge Award\n2018 — Премия Тьюринга (совместно с Йошуа Бенжио и Яном Лекуном)\n2019 — Премия Хонда\n2021 — Премия Диксона\n2024 — Нобелевская премия по физике\nScientific Breakthrough Award (2026)\n== Примечания ==\n== Ссылки ==\nДжеффри Хинтон на сайте Торонтского университета\nGoogleTechTalks — The Next Generation of Neural Networks\nИскусственны","en_topic":"Geoffrey Hinton","wiki_pageid":4237589,"wiki_revid":154084682,"source_url":"https://ru.wikipedia.org/?curid=4237589","license":"CC BY-SA 4.0"}
{"slug":"yann-lecun","lang":"ru","title":"Лекун, Ян","text":"Ян Лекун (англ. Yann LeCun; род. 8 июля 1960, Суази-су-Монморанси) — французский и американский учёный в области информатики, основные сферы деятельности — машинное обучение, компьютерное зрение, мобильная робототехника и вычислительная нейробиология. Известен работами по применению нейросетей к задачам оптического распознавания символов и машинного зрения. Один из основных создателей технологии сжатия изображений DjVu (совместно с Леоном Боту и Патриком Хаффнером). Вместе с Леоном Боту создал язык программирования Lush.\nЛауреат премии Тьюринга (2018, совместно с Бенжио и Хинтоном за формирование направления глубокого обучения).\nПолучил докторскую степень по информатике в Университете Пьера и Марии Кюри в 1987 году. В 1988 году начал работать в AT&T Bell Laboratories, где разработал серию методов машинного обучения, в том числе свёрточные нейронные сети. В 1996 году перешёл в исследовательский центр AT&T Labs, где работал над технологией сжатия изображений DjVu. С 2003 года работал в Нью-Йоркском университете. В декабре 2013 года возглавил лабораторию искусственного интеллекта Facebook в Нью-Йорке. По состоянию на 2022 год занимает в корпорации Meta должность вице-президента и ведущего исследователя искусственного интеллекта.\n== Библиография ==\nЯн Лекун. Как учится машина. Революция в области нейронных сетей и глубокого обучения. (Библиотека Сбера: Искусственный интеллект). — М.: Интеллектуальная литература, 2021. — 348 с. — ISBN 978-5-907394-29-2.\n== Примечания ==\n== Ссылки ==\nЛичный сайт Яна Лекуна.\nСайт лаборатории Яна Лекуна в Нью-Йоркском университете.\nИнтервью с Wired.","en_topic":"Yann LeCun","wiki_pageid":4757946,"wiki_revid":152901247,"source_url":"https://ru.wikipedia.org/?curid=4757946","license":"CC BY-SA 4.0"}
{"slug":"ilya-sutskever","lang":"ru","title":"Суцкевер, Илья","text":"Илья́ Суцке́вер (при рождении Илья́ Ефи́мович Суцке́вер, ивр. איליה סוצקבר‎, англ. Ilya Sutskever; род. 8 декабря 1986, Горький) — канадский и израильский учёный в области информатики, искусственного интеллекта и машинного обучения. Сооснователь компании OpenAI. Лауреат NAS Award for the Industrial Application of Science (2026).\n== Биография ==\nРодился в Горьком в 1986 году. Его отец — Ефим Наумович Суцкевер — инженер, выпускник кафедры физики диэлектриков и полупроводников физического факультета Горьковского государственного университета (1978), соавтор изобретений в области электроники. Младший брат — Ноум Суцкевер, также информатик.\nВ 1991 году семья эмигрировала в Израиль и поселилась в Иерусалиме, где он в 2000—2002 годах проходил обучение в Открытом университете Израиля.\nВ 2002 году с семьёй переехал в Канаду. Позже поступил в Университет Торонто, где получил бакалаврскую степень по математике и компьютерным наукам в 2005 году, магистерскую степень в 2007 году и докторскую степень в 2012 году. Его научным руководителем был профессор Джеффри Хинтон, один из основателей глубокого обучения.\nПосле окончания университета Суцкевер начал работать в сфере искусственного интеллекта и машинного обучения.\nВ 2013 году стал одним из основателей компании DNNresearch Inc., которая специализировалась на разработке глубоких нейронных сетей. В том же году компанию купил Google, и Илья продолжил работу в Google Brain.\n=== OpenAI ===\nВ 2015 году стал сооснователем OpenAI вместе с Илоном Маском, Сэмом Альтманом, Питером Тилем и другими. Суцкевер занимает должность главного научного сотрудника в компании.\nВ июле 2023 года возглавил отдел Superalignment в OpenAI. Задача отдела — обеспечить безопасность и управляемость ИИ, превосходящего человека. 15 мая 2024 года объявил об уходе с поста научного руководителя OpenAl из-за разногласий с главой компании Сэмом Альтманом..\nПосле ухода из OpenAI в июне 2024 г. совместно с Даниэлем Гроссом и Даниэлем Леви объявил о запуске собственного ст","en_topic":"Ilya Sutskever","wiki_pageid":10155209,"wiki_revid":153642048,"source_url":"https://ru.wikipedia.org/?curid=10155209","license":"CC BY-SA 4.0"}
{"slug":"demis-hassabis","lang":"ru","title":"Хассабис, Демис","text":"Демис Хассабис (англ. Demis Hassabis; род. 27 июля 1976, Лондон) — британский исследователь искусственного интеллекта, нейробиолог, разработчик компьютерных игр.\nЧлен Королевской инженерной академии Великобритании (2017), Лондонского королевского общества (2018). Лауреат премии Дэна Дэвида (2020) и Нобелевской премии по химии (2024), которая была присуждена ему за предсказания фолдинга белков с помощью разработанной его компанией DeepMind программы AlphaFold.\nВ декабре 2025 года американский журнал Time назвал его человеком года, как одного из создателей систем искусственного интеллекта.\n== Ранние годы ==\nДемис родился и вырос в Северном Лондоне, в семье грека-киприота и матери-китаянки из Сингапура. Играя в детстве в шахматы, Хасабис был шахматным вундеркиндом, в возрасте 13 лет имел рейтинг Эло в 2300 пунктов, занимая пятое место в мире среди юношей до 14 лет, возглавлял многие английские юношеские шахматные команды.\nХассабис изучал информатику в Куинз-колледже Кембриджского университета с 1994 года и окончил его с двойным отличием в 1997 году.\n== Карьера ==\n=== Lionhead ===\nПосле окончания Кембриджа Демис некоторое время работал в студии Lionhead. В частности был ведущим программистом по созданию игрового искусственного интеллекта для игры Black & White.\n=== Elixir Studios ===\nВ 1998 году Хассабис покинул Lionhead и основал кампанию Elixir Studios — независимый лондонский разработчик компьютерных игр. Также Демис был исполнительным дизайнером таких игр как Republic: The Revolution и Evil Genius.\n=== Когнитивная нейробиология ===\nОн получил докторскую степень в области когнитивной нейробиологии в Университетском колледже Лондона в 2009 году. В своей работе при разработке новых алгоритмов искусственного интеллекта Демис черпал вдохновение в человеческом мозге.\nРаботая в области исследования механизмов работы памяти и амнезии, был соавтором нескольких важных научных статей, опубликованных в таких авторитетных научных журналах как Nature, Science, Neuron и PNAS.\n=== ","en_topic":"Demis Hassabis","wiki_pageid":7239359,"wiki_revid":154064170,"source_url":"https://ru.wikipedia.org/?curid=7239359","license":"CC BY-SA 4.0"}
{"slug":"sam-altman","lang":"ru","title":"Альтман, Сэм","text":"Сэмюэл Харрис Альтман (также Олтмен; англ. Samuel Harris Altman, МФА: /ˈɔːltmən/; род. 22 апреля 1985, Чикаго, Иллинойс) — американский предприниматель, инвестор, программист и блогер. С 2014 года и до увольнения в 2019-м был президентом Y Combinator, после чего стал генеральным директором OpenAI.\nВ декабре 2025 года американский журнал Time назвал его человеком года, как одного из создателей систем искусственного интеллекта.\n== Юность и образование ==\nРодился в еврейской семье и рос в Сент-Луисе, штат Миссури; мать была дерматологом. Свой первый компьютер получил в возрасте 8 лет. Учился в средней школе Джона Берроуза и изучал информатику в Стэнфордском университете, пока не бросил учёбу в 2005 году. В 2017 году получил почётную степень Университета Уотерлу.\n== Карьера ==\n=== Loopt ===\nВ 2005 году в возрасте 19 лет Сэм стал соучредителем и генеральным директором Loopt, мобильного приложения для социальных сетей с функцией геолокации. Будучи генеральным директором, он привлёк в компанию более 30 миллионов долларов венчурного капитала, однако Loopt не смогла завоевать достаточное количество пользователей. Позднее бизнес был выкуплен корпорацией Green Dot за 43,4 миллиона долларов.\nВ 2011 году он начал работать в Y Combinator в качестве партнера по совместительству. В феврале 2014 года Альтман был назначен президентом Y Combinator её соучредителем Полом Грэмом. Его первая партия инвестиций включала Loopt. В сообщении в блоге 2014 года он сказал, что общая оценка компаний Y Combinator превысила 65 миллиардов долларов, включая такие известные компании, как Airbnb, Dropbox, Zenefits и Stripe. В сентябре 2016 года Альтман объявил, что станет президентом YC Group, в которую входили Y Combinator и другие подразделения.\nВ июле 2015 года Сэм сказал, что надеется расширить Y Combinator, чтобы финансировать 1000 новых компаний в год. Он также пытался расширить типы компаний, финансируемых YC, особенно компаний, занимающихся «жесткими технологиями».\nВ октябре 2015 года он объяви","en_topic":"Sam Altman","wiki_pageid":10071867,"wiki_revid":153683339,"source_url":"https://ru.wikipedia.org/?curid=10071867","license":"CC BY-SA 4.0"}
{"slug":"jensen-huang","lang":"ru","title":"Хуанг, Дженсен","text":"Дженсен Хуанг (англ. Jensen Huang, кит. трад. 黃仁勳, пиньинь Huáng Rénxūn, палл. Хуан Жэньсюнь; род. 17 февраля 1963) — американский предприниматель тайваньского происхождения, сооснователь, президент и главный исполнительный директор компании NVIDIA.\n== Биография ==\n=== Ранние годы ===\nХуан Жэньсюнь родился 17 февраля 1963 года в городе Тайнань Китайской Республики. Когда Жэньсюню было 6 лет, его семья переехала в Бангкок (Таиланд). В конце 1960-х годов после поездки в Нью-Йорк в рамках программы повышения квалификации его отец принял решение отправить детей в США. В 1972 году 9-летний Жэньсюнь и его 10-летний старший брат переехали к дяде и тёте в город Такома, штат Вашингтон. Там Жэньсюнь стал писать своё имя как Дженсен (англ. Jensen). Родственники направили братьев в баптистскую школу-интернат «Онейда» в восточном Кентукки, а позднее семья Хуан воссоединилась в штате Орегон, где Дженсен окончил расположенную в Бивертоне старшую школу «Алоха».\n=== Образование и карьера ===\nВ старшей школе Дженсен заинтересовался компьютерными технологиями и продолжил своё обучение в Университете штата Орегон, где изучал информатику и проектирование интегральных схем. Получив в 1984 году степень бакалавра электротехники, Дженсен начал карьеру в компании Advanced Micro Devices (AMD) на позиции проектировщика микросхем. Из AMD он перешёл в LSI Logic Corporation, где на различных должностях проработал до 1993 года. В частности, Дженсен возглавлял Coreware — подразделение LSI Logic, отвечавшее за развитие технологии систем на кристалле. В 1992 году Дженсен получил степень магистра электротехники в Стэнфордском университете.\n=== NVIDIA ===\nВ 1993 году Дженсен Хуанг вместе со своими друзьями Крисом Малаховски и Кёртисом Премом, которые работали инженерами в Sun Microsystems, основали собственную компанию Nvidia со стартовым капиталом в 40 тысяч долларов. С апреля 1993 года Дженсен Хуанг занял в новообразованной компании позиции президента и главного исполнительного директора и вошёл в со","en_topic":"Jensen Huang","wiki_pageid":6378660,"wiki_revid":154136283,"source_url":"https://ru.wikipedia.org/?curid=6378660","license":"CC BY-SA 4.0"}
{"slug":"dario-amodei","lang":"ru","title":"Амодеи, Дарио","text":"Дарио Амодеи (англ. Dario Amodei; род. 1983, Сан-Франциско, Калифорния, США)— американский исследователь искусственного интеллекта и предприниматель. Он является соучредителем и генеральным директором компании Anthropic, создавшей семейство больших языковых моделей Claude. Ранее занимал должность вице-президента по исследованиям в OpenAI.\nВ декабре 2025 года журнал Time признал его «Человеком года», как одного из создателей систем искусственного интеллекта.\n== Биография ==\n=== Ранние годы и образование ===\nДарио Амодеи родился в Сан-Франциско, штат Калифорния, в 1983 году. Его отцом был Риккардо Амодей, итало-американский мастер по коже. Его мать, Елена Энгель, работала менеджером проектов в библиотеках.\nАмодеи вырос в Сан-Франциско и окончил среднюю школу Лоуэлла, после чего он обучался в Калифорнийском технологическом институте. Позже получил степень бакалавра физики. Он также имеет докторскую степень по физике от Принстонского университета.\n=== Карьера ===\nС ноября 2014 года по октябрь 2015 года он работал в Baidu, а с 2015 по 2016 год — в Google. В 2016 году Амодеи устроился в компанию OpenAI, где позже стал вице-президентом по исследованиям компании.\n==== Генеральный директор Anthropic ====\nАмодеи был среди тех сотрудников, кто покинул OpenAI из-за разногласий в направлении развития компании.\nВ мае 2021 года, после ухода из OpenAI, Амодеи и его сестра Даниэла основали компанию Anthropic вместе с другими бывшими сотрудниками OpenAI — Дарио стал генеральным директором компании. По состоянию на февраль 2026 года Forbes оценивает состояние Амодеи в 7 миллиардов долларов.\nВ 2026 году стало известно, что технологии Anthropic были использованы Министерством обороны США во время военных операций в Венесуэле и Иране. В этом же году между Амодеи и администрацией президента США Дональда Трампа обострился открытый конфликт, вызванный отказом Дарио предоставить Министерству обороны США неограниченный доступ к моделям Claude для военных нужд. Амодеи заявил, что не позволит и","en_topic":"Dario Amodei","wiki_pageid":11432068,"wiki_revid":153028418,"source_url":"https://ru.wikipedia.org/?curid=11432068","license":"CC BY-SA 4.0"}
{"slug":"marvin-minsky","lang":"ru","title":"Минский, Марвин Ли","text":"Ма́рвин Ли Ми́нский (англ. Marvin Lee Minsky; 9 августа 1927 — 24 января 2016) — американский учёный в области искусственного интеллекта, сооснователь Лаборатории искусственного интеллекта в Массачусетском технологическом институте.\n== Биография ==\nМарвин Ли Мински родился в Нью-Йорке в семье хирурга Генри и матери Фанни (Рейзер), которая была сионистской активисткой. Воспитывался в еврейской семье, учился в Филдстонской школе и Высшей научной школе Бронкса. Позднее окончил Филлипсовскую академию в городке Эндовер штата Массачусетс. Служил в американских военно-морских вооружённых силах с 1944 по 1945 год. Защитил диссертации в Гарвардском (1950) и Принстонском университетах (1954). Сотрудник Массачусетского технологического института с 1958 года. В 1959 году вместе с Джоном Маккарти основал в Массачусетском технологическом институте лабораторию информатики и искусственного интеллекта. Вплоть до своей смерти являлся профессором информационных искусств и наук, профессором электроники и электротехники и профессором вычислительных наук.\nЛауреат премии Тьюринга 1969 года, премии Японии 1990 года, премии «за научные достижения» Международной конференции по искусственному интеллекту 1991 года, медали «Пионер компьютерной техники» 1995 года, медали института Бенджамина Франклина 2001 года.\nОбладатель патентов на головной графический дисплей (1963) и конфокальный сканирующий микроскоп (1961, предшественник современных широкораспространённых конфокальных лазерных сканирующих микроскопов). Вместе с Сеймуром Пейпертом создал первую «черепашку» на языке Logo. В 1951 году сконструировал первую обучающуюся машину со случайно связанной нейросетью — SNARC.\nНаписал книгу «Персептроны» (с Сеймуром Пейпертом), ставшую фундаментальной работой для последующих разработок в области искусственных нейронных сетей. Привёл ряд своих доказательств теоремы сходимости перцептрона. Содержащаяся в книге критика исследований в этой области и демонстрация необходимых для этого вычислительных ресурсо","en_topic":"Marvin Minsky","wiki_pageid":292631,"wiki_revid":152001302,"source_url":"https://ru.wikipedia.org/?curid=292631","license":"CC BY-SA 4.0"}
{"slug":"herbert-a-simon","lang":"ru","title":"Саймон, Герберт Александер","text":"Герберт Александер Саймон (англ. Herbert A. Simon; 15 июня 1916, Милуоки — 9 февраля 2001, Питтсбург, США) — американский учёный в области социальных, политических и экономических наук.\nЧлен Национальной академии наук США (1967) и Американской академии искусств и наук (1959). Лауреат премии по экономике памяти Альфреда Нобеля (1978) и премии Тьюринга (1975).\nПримечательно, что Саймон был одним из пионеров нескольких современных научных областей, таких как искусственный интеллект, обработка информации, принятие решений, решение задач, теория организаций и сложные системы. Он был одним из первых, кто проанализировал архитектуру сложности и предложил механизм преимущественного присоединения для объяснения степенного закона.\nОдин из разработчиков гипотезы Ньюэлла — Саймона.\n== Биография ==\nГерберт Саймон родился 15 июня 1916 года в Милуоки, штат Висконсин. Его отец, Артур Карл Саймон (1881—1948), еврейского происхождения из Эберсайма (позже вошедшего в городскую черту Майнца), был инженером-электриком, изобретателем и независимым патентным поверенным, иммигрировавшим в Соединённые Штаты из Германии в 1903 году после получения степени инженера в Высшей технической школе Дармштадта. Мать — Эдна Маргарита Меркель (1888—1969), пианистка из Сент-Луисa (штат Миссури), наполовину еврейского, наполовину немецкого происхождения, чьи предки были уроженцами Праги, Брауншвейга и Кёльна.\nСаймон посещал государственные школы Милуоки, где развил интерес к науке и зарекомендовал себя как атеист. Учась в средней школе, Саймон написал письмо «редактору журнала «Милуоки», защищающему гражданские свободы атеистов». В отличие от большинства детей, семья Саймона познакомила его с идеей, что человеческое поведение может быть изучено научно; младший брат его матери, Гарольд Меркель (1892—1922), изучавший экономику в Университете Висконсина в Мэдисоне под руководством Джона Р. Коммонса, одним из первых оказал на него влияние. Изучая книги Гарольда по экономике и психологии, Герберт открыл для с","en_topic":"Herbert A. Simon","wiki_pageid":36447,"wiki_revid":152971586,"source_url":"https://ru.wikipedia.org/?curid=36447","license":"CC BY-SA 4.0"}
{"slug":"john-von-neumann","lang":"ru","title":"Нейман, Джон фон","text":"Джон фон Не́йман (англ. John von Neumann /vɒn ˈnɔɪmən/; или Иоганн фон Нейман, нем. Johann von Neumann; при рождении Я́нош Ла́йош Нейман, венг. Neumann János Lajos, IPA: [nojmɒn ˈjaːnoʃ ˈlɒjoʃ]; 28 декабря 1903, Будапешт — 8 февраля 1957, Вашингтон) — венгеро-американский математик, физик и педагог еврейского происхождения, сделавший важный вклад в квантовую физику, квантовую логику, функциональный анализ, теорию множеств, информатику, экономику и другие отрасли науки.\nНаиболее известен как человек, с именем которого связывают архитектуру большинства современных компьютеров (так называемая архитектура фон Неймана), применение теории операторов к квантовой механике (алгебра фон Неймана), а также как участник Манхэттенского проекта и как создатель теории игр и концепции клеточных автоматов.\n== Биография ==\nЯнош Лайош Нейман родился в состоятельной еврейской семье в Будапеште, бывшем в те времена второй столицей Австро-Венгерской империи. Был старшим из трёх братьев, за которым по старшинству родились Михай (венг. Neumann Mihály, 1907—1989) и Миклош (венг. Neumann Miklós, 1911—2011). Отец, Макс Нейман (венг. Neumann Miksa, 1870—1929), переселился в Будапешт из провинциального городка Печ в конце 1880-х годов, получил степень доктора от юриспруденции и работал адвокатом в банке; вся его семья происходила из Серенча. Мать, Маргарет Канн (венг. Kann Margit, 1880—1956), была домохозяйкой и старшей дочерью (во втором браке) преуспевающего коммерсанта Якоба Канна — партнёра в фирме «Kann—Heller», специализировавшейся на торговле мельничными жерновами и другим сельскохозяйственным оборудованием. Её мать, Каталина Майзельс (бабушка учёного), происходила из Мункача.\nНейман был необыкновенно одарённым ребёнком. Уже в 6 лет он мог разделить в уме два восьмизначных числа и беседовать с отцом на древнегреческом. Янош Нейман всегда интересовался математикой, природой чисел и логикой окружающего мира. В восемь лет он уже хорошо разбирался в математическом анализе. В 1911 году он пост","en_topic":"John von Neumann","wiki_pageid":4284168,"wiki_revid":154100703,"source_url":"https://ru.wikipedia.org/?curid=4284168","license":"CC BY-SA 4.0"}
{"slug":"ada-lovelace","lang":"ru","title":"Лавлейс, Ада","text":"Авгу́ста А́да Кинг (урождённая Ба́йрон), графиня Ла́влейс (англ. Augusta Ada King Byron, Countess of Lovelace; более известная как Ада Лавлейс; 10 декабря 1815, Лондон, Англия, Британская империя — 27 ноября 1852, Марилебон, Лондон, Англия, Британская империя) — английский математик. Известна прежде всего созданием описания вычислительной машины, проект которой был разработан Чарльзом Бэббиджем.\nСоставила первую в мире программу (для этой машины). Ввела в употребление термины «цикл» и «рабочая ячейка», считается первым программистом в истории.\n== Биография ==\nДо рождения дочери Ады лорд Байрон ожидал, что его ребёнок будет «славным мальчиком», и был очень разочарован, когда 10 декабря 1815 года его супруга Анна Изабелла (Аннабелла) родила девочку. Ребёнка назвали в честь сводной сестры Байрона, Августы Ли, а сам поэт называл её Адой. 16 января следующего года по приказу лорда Анна Изабелла отправилась в дом своих родителей в Киркби Мэллори, взяв с собой пятинедельную дочь. Хотя на тот момент британские законы в случае развода давали отцу полную опеку над детьми, Байрон даже не пытался потребовать ребёнка себе, но попросил свою сестру держать его в курсе дел его дочери.\n21 апреля Байрон подписал акт о разводе, на котором настояли родители Изабеллы, и через несколько недель навсегда покинул Англию. Из-за разлуки леди Байрон всю дальнейшую жизнь рассказывала о безнравственном поведении мужа. Из-за этого Ада с малых лет стала нелюбима в британском обществе. В 1824 году, когда девочке было 8 лет, её отец скончался, так ни разу и не встретившись с дочерью. Мать воспитывала Аду в одиночку, оберегая от «враждебной среды». До 20 лет ей не показывали семейного портрета с отцом.\nАда получила математическое образование, так как её мать боялась, что она начнёт заниматься поэзией, как её отец. Миссис Байрон никогда не была близка с дочерью. Её часто оставляли на попечение бабушке, Джудит Милбенк, которая очень любила ребёнка. Однако из-за того, что в то время действовали социальн","en_topic":"Ada Lovelace","wiki_pageid":25616,"wiki_revid":154066685,"source_url":"https://ru.wikipedia.org/?curid=25616","license":"CC BY-SA 4.0"}
{"slug":"edsger-w-dijkstra","lang":"ru","title":"Дейкстра, Эдсгер Вибе","text":"Э́дсгер Ви́бе Де́йкстра (нид. Edsger Wybe Dijkstra (11 мая 1930, Роттердам, Нидерланды — 6 августа 2002, Нюэнен, Нидерланды) — нидерландский учёный, труды которого оказали влияние на развитие информатики и информационных технологий; один из разработчиков концепции структурного программирования, исследователь формальной верификации и распределённых вычислений. Тьюринговский лауреат (1972).\n== Биография ==\nРодился 11 мая 1930 года в Роттердаме, в семье учёных (отец — химик, мать — математик).\nПо окончании школы поступил на факультет теоретической физики Лейденского университета.\nВ 1951 году увлёкся программированием, поступил на трёхнедельные компьютерные курсы в Кембридже, с 1952 года работал программистом в Математическом центре Амстердама под руководством профессора Адриана ван Вейнгаардена, впоследствии — автора одного из способов формального описания грамматики формальных языков — так называемых двухуровневых грамматик ван Вейнгаардена.\nУже в 1952 году принял решение окончательно специализироваться на программировании, но всё же окончил курс теоретической физики.\nВо второй половине 1950-х годов, в поисках путей оптимизации разводки плат, разработал алгоритм поиска кратчайшего пути на графе, ставший известным как «алгоритм Дейкстры».\nВ 1957 году женился, по собственным воспоминаниям, в графе «профессия» анкеты, которую положено заполнять при бракосочетании, написал «программист» — и его заставили переписывать документы, заявив, что такой профессии не существует, в результате пришлось указать «физик-теоретик».\nВ 1958—1960 годах принимал участие в разработке языка программирования Алгол, работал в команде по созданию компилятора языка; соревнуясь с датской командой Петера Наура, поклялся не бриться до завершения проекта и победил, написав компилятор за шесть недель, заодно изобретя новое правило компиляции — «вызов по имени».\nВ 1960-е годы участвовал в создании операционной системы THE, построенной в виде множества параллельно исполняющихся взаимодействующих процесс","en_topic":"Edsger W. Dijkstra","wiki_pageid":30484,"wiki_revid":152872897,"source_url":"https://ru.wikipedia.org/?curid=30484","license":"CC BY-SA 4.0"}
{"slug":"linus-torvalds","lang":"ru","title":"Торвальдс, Линус","text":"Ли́нус Бенедикт То́рвальдс (встречается написание Ту́рвальдс, швед. Linus Benedict Torvalds МФА: ; род. 28 декабря 1969, Хельсинки) — финско-американский программист, создатель ядра Linux. Выбрал эмблему Linux — ядро операционной системы GNU/Linux, являющейся на данный момент самой распространённой из свободных операционных систем, а также наиболее популярной серверной ОС. С 1997 по 2003 год работал в компании Transmeta, с 2004 — в Open Source Development Labs, с 2007 — в The Linux Foundation (разработка ядра Linux).\n== Биография ==\nРодился 28 декабря 1969 в Хельсинки в семье финских шведов Нильса и Анны Торвальдс, которые в 1960-х годах были студентами-радикалами, а впоследствии стали журналистами. Линус был назван в честь американского химика Лайнуса Полинга. В школе преуспевал в физике и математике. Был малообщительным, скромным мальчиком. Его часто дразнили из-за политических взглядов его отца.\nВ 1988 году Линус Торвальдс поступил в Хельсинкский университет, который окончил в 1996 году, получив степень магистра кибернетики.\nЛинус Торвальдс живёт в городе Портленд (США, штат Орегон) с женой Туве (фин. Tove Torvalds, урождённая Туве Монни), шестикратной чемпионкой Финляндии по карате и бывшей студенткой Линуса, тремя дочерьми: Патрицией Мирандой (род. 5 декабря 1996), Даниэлой Йоландой (род. 16 апреля 1998) и Селестой Амандой (род. 20 ноября 2000).\nС февраля 1997 по июнь 2003 года работал в компании Transmeta, после чего перешёл в компанию Open Source Development Labs, основанную в 2000 году и вошедшую в 2007 году в The Linux Foundation.\nВ 2004 году Торвальдс переехал со своей семьей из Кремневой долины в Портленд, Штат Орегон.\nОдин из «Законов Линуса», окончательно сформулированный американским хакером Эриком Реймондом, гласит: «При достаточном количестве глаз все ошибки лежат на поверхности». Глубокой ошибкой называется та, которую трудно найти. Однако, если достаточно много людей ищет ошибки, все они выходят на поверхность. Оба программиста разделяют идеологию ","en_topic":"Linus Torvalds","wiki_pageid":5675,"wiki_revid":154056429,"source_url":"https://ru.wikipedia.org/?curid=5675","license":"CC BY-SA 4.0"}
{"slug":"ken-thompson","lang":"ru","title":"Томпсон, Кен","text":"Кеннет Лейн (Кен) То́мпсон (англ. Kenneth Lane Thompson; род. 4 февраля 1943) — американский программист; пионер информатики, известен своим вкладом в создание языка программирования C и операционной системы UNIX.\n== Биография ==\nТомпсон родился в Новом Орлеане, США. Получил степень бакалавра наук в 1965 году и магистра в 1966 году в области электротехники и информатики в Калифорнийском университете в Беркли.\nВ 1960-х годах Томпсон и Деннис Ритчи работали над операционной системой Multics. Во время написания Multics Томпсон создал язык программирования Bon. Позже компания Bell Labs отказалась от участия в проекте Multics, потому что сочла его слишком амбициозным и неспособным породить пригодный к использованию продукт. В 1969 году в Bell Labs Томпсон и Ритчи стали создателями операционной системы UNIX. Тогда Томпсон также написал язык программирования B, предшественник языка C Денниса Ритчи.\nТомпсон разработал версию редактора QED для CTSS, которая включала регулярные выражения для поиска текста. QED и редактор Томпсона ed (стандартный редактор в UNIX) в значительной степени способствовали популярности регулярных выражений, ранее считавшихся инструментом (или игрушкой) для логиков. Регулярные выражения стали распространёнными в программах для обработки текстов в UNIX (таких как grep). Почти все программы, работающие с регулярными выражениями, в наше время используют один из вариантов нотации Томпсона.\nВместе с Джозефом Кондоном (Joseph Condon) они создали аппаратное и программное обеспечения для Belle, шахматного компьютера. Он также написал программу для генерации полного списка эндшпилей для 4, 5 и 6 фигур, позволяющую делать хорошие ходы, когда достигается сохранённая позиция. Позже, при помощи шахматного специалиста Джона Ройкрофта (John Roycroft), Томпсон распространил свои первые результаты на CD.\nСтиль программирования Томпсона повлиял на других, особенно в краткости и ясности выражений.\nВ конце 2000 года Томпсон ушёл из Bell Labs. Он работал в Entrisphere, I","en_topic":"Ken Thompson","wiki_pageid":193930,"wiki_revid":153974386,"source_url":"https://ru.wikipedia.org/?curid=193930","license":"CC BY-SA 4.0"}
{"slug":"bjarne-stroustrup","lang":"ru","title":"Страуструп, Бьёрн","text":"Бьёрн Страуструп (устоявшееся написание; точная транскрипция дат. Bjarne Stroustrup, ˈbjɑːnə ˈsdʁʌʊ̯ˀsdʁɔb — Бьярне Строуструп; род. 30 декабря 1950, Орхус, Дания) — датский программист, автор языка программирования C++.\n== Биография ==\nБьёрн родился и вырос в городе Орхусе. Поступил в Орхусский университет (Дания) на отделение информатики. Закончив его в 1975 году, он получил степень магистра. В 1979 году защитил диссертацию доктора философии по информатике в Кембриджском университете, работая над конструированием распределённой системы в компьютерной лаборатории Кембриджского университета. Член колледжа Черчилля.\nВ 1979 году Страуструп вместе со своей женой и дочерью переехал в Нью-Джерси, чтобы пойти работать в компьютерный научно-исследовательский центр «Bell Telephone Laboratories». В этом же году у него родился сын Николас.\nСо дня основания до закрытия в 2002 году, когда произошло объединение с отделением научных исследований Техасского университета A&M, Бьёрн был главой отдела исследований в области крупномасштабного программирования (Large-scale Programming Research department) в компании AT&T Bell Labs.\n=== C++ ===\nБьёрн Страуструп разработал язык программирования C++. Он поддерживает объектно-ориентированное программирование.\nПервая версия языка называлась «C с классами» и была разработана в рамках работы на компанию AT&T.\nСтрауструп разработал C++ с целью написания эффективных и элегантных программ вместо выбора между эффективностью и элегантностью.\nСтрауструп стал первопроходцем в области использования объектно-ориентированной и обобщённой парадигм программирования в области создания программных приложений, где эффективность является приоритетным свойством, таких как симуляторы, графика, пользовательские интерфейсы, прикладные системы, системы для научных вычислений.\n== Научная и общественная деятельность ==\nКнига Страуструпа «Язык программирования C++» — одна из самых широко читаемых книг из своей области, которая была переведена на 19 языков. Следующая","en_topic":"Bjarne Stroustrup","wiki_pageid":29656,"wiki_revid":152390423,"source_url":"https://ru.wikipedia.org/?curid=29656","license":"CC BY-SA 4.0"}
{"slug":"barbara-liskov","lang":"ru","title":"Лисков, Барбара","text":"Барбара Лисков (англ. Liskov, урождённая Барбара Джейн Губерман, англ. Barbara Jane Huberman; род. 7 ноября 1939, Лос-Анджелес) — американский учёный в области информатики, исследователь проблемы абстракции данных, руководитель группы разработки языка программирования Клу, лауреат премии Тьюринга 2008 года.\nЧлен Национальных Академии наук (2012) и Инженерной академии (1988) США.\n== Биография ==\nРодилась в Калифорнии, где поселились её бабушка и дедушка по отцовской линии — евреи-эмигранты из Российской империи Лев Губерман и Роза Марголис. Получила степень бакалавра по математике в Калифорнийском университете в Беркли в 1961 году, после чего продолжила обучение в Стэнфорде, где в 1968 году стала первой женщиной в США, получившей степень доктора по информатике с диссертацией о программной реализации игры в шахматный эндшпиль (A program to play chess endgames).\nС 1972 года работает и преподаёт в Массачусетском технологическом институте.\nРуководила разработкой таких языков программирования как Клу и Argus в 1970-х и 1980-х годах, а также объектно-ориентированной системы управления базами данных Thor. Вместе с Дженнет Уинг разработала в 1987 году принцип подстановки — концепцию определения подтипа. Возглавляет группу по методологии программирования в Массачусетском технологическом институте, в настоящее время уделяя особое внимание BFT-отказоустойчивости и распределенным вычислениям.\nДействительный член Американской академии наук и искусств и Ассоциации вычислительной техники.\nЛисков всегда поощряла студенток, оказывала им поддержку, уделяет много внимания тому, чтобы сделать информатику более дружелюбной областью, в особенности для женщин. Привлекая к работе больше женщин и младший профессорско-преподавательский состав, Лисков помогает им в построении карьеры и дальнейшем продвижении. Сегодня Массачусетский технологический институт значительно отличается от того места, где она начала свою карьеру в начале 1970-х. Тогда на факультете работала лишь небольшая группа сотру","en_topic":"Barbara Liskov","wiki_pageid":1670937,"wiki_revid":149861695,"source_url":"https://ru.wikipedia.org/?curid=1670937","license":"CC BY-SA 4.0"}
{"slug":"steve-jobs","lang":"ru","title":"Джобс, Стив","text":"Сти́вен Пол (Стив) Джобс (англ. Steven Paul «Steve» Jobs; имя при рождении — Абдул Латиф Джандали; 24 февраля 1955, Сан-Франциско, Калифорния — 5 октября 2011, Пало-Алто, Санта-Клара, Калифорния) — американский предприниматель, изобретатель и промышленный дизайнер, получивший широкое признание в качестве пионера эры информационных технологий. Один из основателей, председатель совета директоров и CEO корпорации Apple. Один из основателей и CEO киностудии Pixar.\nВ конце 1970-х годов Стив Джобс и его друг Стив Возняк разработали один из первых персональных компьютеров, обладавший большим коммерческим потенциалом. Компьютер Apple II стал первым массовым продуктом компании Apple, созданной по инициативе Стива Джобса. Позже Джобс увидел коммерческий потенциал графического интерфейса, управляемого мышью, что привело к появлению компьютеров Apple Lisa и, год спустя, Macintosh (Mac).\nПроиграв борьбу за власть с советом директоров в 1985 году, Джобс покинул Apple и основал NeXT — компанию, разрабатывавшую компьютерную платформу для вузов и бизнеса. В 1986 году он приобрёл подразделение компьютерной графики кинокомпании Lucasfilm, превратив его в студию Pixar. Он оставался CEO Pixar и основным акционером, пока студия не была приобретена The Walt Disney Company в 2006 году, что сделало Джобса крупнейшим частным акционером и членом совета директоров Disney.\nТрудности с разработкой новой операционной системы для Mac привели к покупке NeXT компанией Apple в 1996 году для использования ОС NeXTSTEP в качестве основы для Mac OS X. В рамках сделки Джобс получил должность советника Apple. К 1997 году Джобс вернул контроль над Apple, возглавив корпорацию. Под его руководством компания была спасена от банкротства и через год стала приносить прибыль. В течение следующего десятилетия Джобс руководил разработкой iMac, iTunes, iPod, iPhone и iPad, а также развитием Apple Store, iTunes Store, App Store и iBookstore. Успех этих продуктов и услуг, обеспечивший несколько лет стабильной финансово","en_topic":"Steve Jobs","wiki_pageid":55944,"wiki_revid":153569652,"source_url":"https://ru.wikipedia.org/?curid=55944","license":"CC BY-SA 4.0"}
{"slug":"elon-musk","lang":"ru","title":"Маск, Илон","text":"И́лон Рив Маск (англ. Elon Reeve Musk, МФА: [ˈiːlɒn 'mʌsk]; род. 28 июня 1971[…], Претория, Гаутенг, ЮАР) — американский и южноафриканский предприниматель, инженер и долларовый триллионер, государственный, политический и общественный деятель ультраправых и либертарианских взглядов. Основатель, генеральный директор и главный инженер компании SpaceX; крупнейший акционер, член совета директоров и генеральный директор компании Tesla; основатель The Boring Company; соучредитель Neuralink и OpenAI; генеральный директор XAI (объединяет xAI и социальную сеть X).\n7 января 2021 года Илон Маск стал богатейшим человеком планеты, сместив основателя Amazon Джеффа Безоса на второе место в рейтинге Forbes. Состояние Маска на тот момент оценивалось в 185 млрд долларов. 1 октября 2025 года Маск стал первым человеком в истории, чьё состояние оценивалось в 500 миллиардов долларов. Оно быстро росло и 12 июня 2026 года Илон стал первым триллионером, его состояние оценивается примерно в 1,1 триллиона долларов.\nМаск родился и вырос в Претории, ЮАР. Некоторое время учился в Преторийском университете, а в 17 лет переехал в Канаду. Поступил в Университет Куинс в Кингстоне и через два года перевёлся в Пенсильванский университет, где получил степень бакалавра по экономике и физике. В 1995 году переехал в Калифорнию, чтобы учиться в Стэнфордском университете, но вместо этого решил заняться бизнесом и вместе со своим братом Кимбалом стал соучредителем компании Zip2, занимавшейся разработкой программного обеспечения для интернета. В 1999 году компания была приобретена Compaq за 307 миллионов долларов. В том же году Маск стал соучредителем онлайн-банка X.com, который в 2000 году конгломеративным путём консолидировался с Confinity и образовал PayPal. В 2002 году компания была куплена eBay за 1,5 миллиарда долларов.\nВ 2002 году Маск основал SpaceX, компанию по производству аэрокосмической техники и оказанию услуг космического транспорта, генеральным директором и главным инженером которой он является.","en_topic":"Elon Musk","wiki_pageid":1750117,"wiki_revid":154131565,"source_url":"https://ru.wikipedia.org/?curid=1750117","license":"CC BY-SA 4.0"}
{"slug":"mark-zuckerberg","lang":"ru","title":"Цукерберг, Марк","text":"Марк Э́ллиот Цу́керберг (англ. Mark Elliot Zuckerberg, [ˈzʌkərbɜːrɡ]; род. 14 мая 1984[…], Уайт-Плейнс, Нью-Йорк, США) — американский медиамагнат, интернет-предприниматель и филантроп. Известен как соучредитель компании Meta (ранее — Facebook, Inc.) и является её председателем, главным исполнительным директором и контролирующим акционером. Он также является соучредителем проекта по разработке космического корабля на солнечных парусах Breakthrough Starshot и одним из членов его совета директоров.\nЦукерберг учился в Гарвардском университете, где в феврале 2004 года запустил социальную сеть Facebook вместе со своими соседями по общежитию. В мае 2012 года Цукерберг вывел компанию на биржу с контрольным пакетом акций. В 2007 году, в возрасте 23 лет, он стал самым молодым в мире миллиардером. В октябре 2021 располагался на 5-м месте в списке самых богатых людей мира с состоянием 122 млрд долларов США. Вошел в число самых влиятельных людей в 2025 году по версии журнала TIME. В декабре 2025 года американский журнал Time назвал его человеком года, как одного из создателей систем искусственного интеллекта.\n== Биография ==\nМарк родился 14 мая 1984 года в городе Уайт-Плейнс (штат Нью-Йорк), что в нескольких километрах к северу от города Нью-Йорка. Отец — стоматолог Эдвард Цукерберг. Мать — психиатр Карен Цукерберг. Его прабабушки и прадедушки были выходцами из Германии, Австрии и Польши. Был вторым ребёнком и единственным мальчиком из 4 детей в семье; его сёстры — Рэнди (старшая), Донна и Ариэль.\nБудучи дейтеранопом, Цукерберг различает красный и зелёный куда хуже, чем синий — основной цвет Facebook.\nВ школьные годы Марк занимался компьютерным программированием и разработал сетевую версию игры «Риск».\nВысшее образование Марк Цукерберг не завершил: в 2002 году он поступил в Гарвардский университет, где до 2004 года обучался на факультете психологии. Параллельно с этим Марк посещал курсы информационных технологий. Свою сферу интересов указывал как «C, C++, Java, Visual Basic, VBs","en_topic":"Mark Zuckerberg","wiki_pageid":1394674,"wiki_revid":153583343,"source_url":"https://ru.wikipedia.org/?curid=1394674","license":"CC BY-SA 4.0"}
{"slug":"sergey-brin","lang":"ru","title":"Брин, Сергей","text":"Серге́й Миха́йлович Брин (англ. Sergey Mikhailovich Brin ; род. 21 августа 1973[…], Москва, СССР) — американский программист и интернет-предприниматель. Вместе с Ларри Пейджем он стал создателем Google и одноимённой крупнейшей в мире поисковой системы. Брин был президентом Alphabet Inc., материнской компании Google, пока не ушёл с этой должности 3 декабря 2019 года. Брин и Пейдж остаются в Alphabet в качестве соучредителей, контролирующих акционеров, членов совета директоров и сотрудников. По данным Форбс 2026 года, Брин занимает 3-е место в списке самых богатых людей в мире ($237B).\nБрин иммигрировал в Соединённые Штаты со своими родителями и бабушкой из Советского Союза в возрасте шести лет. Он получил степень бакалавра в Мэрилендском университете в Колледж-Парке, следуя по стопам своего отца и деда, изучая математику, а также информатику. После окончания учёбы он поступил в Стэнфордский университет, чтобы получить степень доктора компьютерных наук. Там он познакомился с Пейджем, вместе с которым создал поисковую систему. Программа стала популярной в Стэнфорде, и они приостановили учёбу в докторантуре, чтобы запустить Google в гараже Сьюзен Воджитски в Менло-Парке.\n== Биография ==\n=== Семья ===\nСергей Михайлович Брин родился в Москве в семье советских евреев — математиков, переехавших на постоянное место жительства в США в 1979 году, когда ему было 6 лет.\nРодители Сергея Брина — выпускники механико-математического факультета Московского государственного университета (1970 и 1971 годов).\nОтец — бывший научный сотрудник Научно-исследовательского экономического института при Госплане СССР (НИЭИ при Госплане СССР), кандидат физико-математических наук Михаил Израилевич Брин (род. 1948) — стал преподавателем Мэрилендского университета (ныне — почётный профессор).\nМать — Евгения Валентиновна Брин (урождённая Краснокутская, 1949—2024), в прошлом — научный сотрудник в Институте нефти и газа, затем специалист по климатологии в NASA и директор благотворительной организации Х","en_topic":"Sergey Brin","wiki_pageid":11408,"wiki_revid":153998171,"source_url":"https://ru.wikipedia.org/?curid=11408","license":"CC BY-SA 4.0"}
{"slug":"sundar-pichai","lang":"ru","title":"Пичаи, Сундар","text":"Пичаи Сундарараджан (англ. Pichai Sundararajan; род. 10 июня 1972, Мадурай, Тамилнад) — американский топ-менеджер индийского происхождения, генеральный директор Google Inc. и материнской компании Alphabet.\n== Биография ==\nПичаи родился в индийском городе Мадурай. Получил диплом бакалавра технических наук в Индийском технологическом институте в городе Харагпур в области металлургии (бакалавр техники). Он получил степень магистра в Стэнфордском университете в области материаловедения и инженерии и степень MBA в Уортонской школе бизнеса, где стал участником программы для талантливых студентов Siebel Scholars и Palmer Scholar. Пичаи работал инженером и менеджером в Applied Materials и консультантом в McKinsey & Company.\n== Google ==\nПичаи перешёл в Google в 2004 году, где он возглавлял направления менеджмента и инновационной деятельности линеек клиент-ориентированных продуктов Google, в том числе Google Chrome и Chrome OS, а также в значительной степени отвечал за Google Drive. Он осуществлял надзор за разработкой различных приложений, таких как Gmail и Google Maps. 19 ноября 2009 Пичаи провел демонстрацию Chrome OS и Chromebook, впоследствии выпущенных в релиз. 20 мая 2010 он объявил открытый аутсорсинг нового видеокодека VP8 от Google, и показал новый формат видео WebM.\n13 марта 2013 года Пичаи стал куратором Android. Ранее разработка этой ОС находилась под руководством Энди Рубина. По слухам, он был одним из претендентов на пост генерального директора Microsoft в 2014 году.\nБыл директором Jive Software с апреля 2011 года по 30 июля 2013 года.\n24 октября 2014 года Пичаи стал главой по вопросам продукции Google, а 10 августа 2015 года его объявили будущим генеральным директором корпорации. Он занял новую должность 2 октября 2015 года после завершения формирования нового холдинга группы компаний Google Alphabet Inc.\n=== Во главе корпорации ===\nВозглавив корпорацию Google, Пичаи был вынужден искать выход из множества сложных ситуаций, в которых оказывалась компания. Так,","en_topic":"Sundar Pichai","wiki_pageid":6109740,"wiki_revid":150661374,"source_url":"https://ru.wikipedia.org/?curid=6109740","license":"CC BY-SA 4.0"}
{"slug":"transformer","lang":"ru","title":"Трансформер (модель машинного обучения)","text":"Трансфо́рмер (англ. Transformer) — архитектура глубоких нейронных сетей, представленная в 2017 году исследователями из Google Brain / Google Research в статье «Внимание — это всё, что вам нужно».\nПо аналогии с рекуррентными нейронными сетями (РНС / RNN) трансформеры предназначены для обработки последовательностей, таких как текст на естественном языке, и решения таких задач как машинный перевод и автоматическое реферирование. В отличие от РНС, трансформеры не требуют обработки последовательностей по порядку. Например, если входные данные — это текст, то трансформеру не требуется обрабатывать конец текста после обработки его начала. Благодаря этому трансформеры распараллеливаются легче чем РНС и могут быть быстрее обучены.\nПреимущество трансформеров заключается в отсутствии рекуррентных блоков, поэтому они требуют меньше времени на обучение по сравнению даже с улучшенными архитектурами РНС / RNN, такими как «долгая краткосрочная память» (LSTM). Дальнейшие модификации трансформеров получили широкое распространение при обучении больших языковых моделей (БЯМ / LLM) на обширных наборах данных.\n== Архитектура сети ==\nАрхитектура трансформера состоит из кодировщика и декодировщика. Кодировщик получает на вход векторизованую последовательность с позиционной информацией. Декодировщик получает на вход часть этой последовательности и выход кодировщика. Кодировщик и декодировщик состоят из слоев. Слои кодировщика последовательно передают результат следующему слою в качестве его входа. Слои декодировщика последовательно передают результат следующему слою вместе с результатом кодировщика в качестве его входа.\nКаждый кодировщик состоит из механизма самовнимания (вход из предыдущего слоя) и нейронной сети с прямой связью (вход из механизма самовнимания). Каждый декодировщик состоит из механизма самовнимания (вход из предыдущего слоя), механизма внимания к результатам кодирования (вход из механизма самовнимания и кодировщика) и нейронной сети с прямой связью (вход из механизма внима","en_topic":"Transformer (deep learning architecture)","wiki_pageid":8555238,"wiki_revid":153550904,"source_url":"https://ru.wikipedia.org/?curid=8555238","license":"CC BY-SA 4.0"}
{"slug":"gpt-4","lang":"ru","title":"GPT-4","text":"GPT-4 (Generative Pre-trained Transformer 4) — мультимодальная большая языковая модель, созданная OpenAI, четвёртая в серии GPT. Она была выпущена 14 марта 2023 года и доступна для пользователей ChatGPT Plus. Microsoft подтвердила, что версии Bing, использующие GPT, на самом деле использовали GPT-4 до его официального выпуска. В качестве трансформера GPT-4 была предварительно обучена прогнозировать следующий токен (используя как общедоступные данные, так и «данные, лицензированные сторонними поставщиками»), а затем была доработана с помощью обучения с подкреплением на основе отзывов людей.\nВ техническом отчёте GPT-4 явно воздерживались от указания размера модели, ссылаясь на «конкурентную среду и последствия для безопасности крупномасштабных моделей». The Verge процитировала слухи о том, что GPT-4 существенно увеличит количество параметров со 175 миллиардов в GPT-3 до 100 триллионов, что генеральный директор OpenAI Сэм Альтман назвал «полной чушью». Поздние слухи говорят, что GPT-4 имеет 1,76 триллиона параметров, исходя из скорости её работы и по оценке Джорджа Хотца. Представители США Дон Бейер и Тед Лью подтвердили New York Times, что Альтман посетил Конгресс в январе 2023 года, чтобы продемонстрировать GPT-4 и его улучшенные «элементы управления безопасностью» по сравнению с другими моделями ИИ.\nOpenAI написала в своем блоге, объявляя о GPT-4, что «GPT-4 более надёжен, креативен и способен обрабатывать гораздо более сложные инструкции, чем GPT-3.5». Она может читать, анализировать или генерировать до 25 000 слов текста, что является значительным улучшением по сравнению с предыдущими версиями технологии. The New York Times писала, что GPT-4 продемонстрировал впечатляющие улучшения в точности по сравнению с GPT-3.5, получила возможность обобщать и комментировать изображения, смогла обобщать сложные тексты, прошла экзамен на адвоката и несколько стандартных тестов, но всё же показала склонность к галлюцинациям в ответах.\n22 марта 2023 года Илон Маск вместе с более ","en_topic":"GPT-4","wiki_pageid":10129637,"wiki_revid":152693999,"source_url":"https://ru.wikipedia.org/?curid=10129637","license":"CC BY-SA 4.0"}
{"slug":"generative-pre-trained-transformer","lang":"ru","title":"Генеративный предварительно обученный трансформер","text":"Генеративный предварительно обученный трансформер (англ. Generative pre-trained transformer, GPT) — тип нейронных языковых моделей, которые обучаются на больших наборах текстовых данных, чтобы генерировать текст, схожий с человеческим. Предобучение относится к начальному процессу обучения на корпусе, в результате которого модель учится предсказывать следующее слово в тексте и получает основу для успешного выполнения дальнейших задач, не имея больших объёмов данных. GPT являются «трансформерами», которые представляют собой тип нейросетей, использующих механизм самосвязываемости для обработки последовательных данных. Они могут быть дообучены для различных задач обработки естественного языка (NLP), таких как генерация текста, машинный перевод и классификация текста.\nТак же может переводится как General Purpose Technology (GPT) - технология общего назначения (ТОН). Технология влияющая на большинство областей общества, не только в одной или нескольких отраслей. За всю историю человечества, таких технологий, по разным классификациям было немного, например 24 (по Липси и Карлоу).\n== Языковые модели GPT от OpenAI ==\n11 июня 2018 года компания OpenAI опубликовала статью под названием «Improving Language Understanding by Generative Pre-Training», в которой был представлен Генеративный предобученный трансформер (GPT). До этого момента лучшие нейронные модели обработки естественного языка в основном использовали обучение с учителем на больших объёмах вручную размеченных данных. Это ограничивало их применение на недостаточно размеченных наборах данных, а также делало крайне дорогим и времязатратным обучение очень больших языковых моделей. Кроме того, многие языки (такие как суахили или гаитянский креольский) были трудны в переводе и интерпретации с помощью таких моделей из-за отсутствия достаточного количества текстов на данных языках. Предложенный OpenAI подход слабонадзорного (\"полунадзорного\") обучения на основе модели GPT включает два этапа:\nнесобственное генеративное «пре","en_topic":"Generative pre-trained transformer","wiki_pageid":10157209,"wiki_revid":154040634,"source_url":"https://ru.wikipedia.org/?curid=10157209","license":"CC BY-SA 4.0"}
{"slug":"large-language-model","lang":"ru","title":"Большая языковая модель","text":"Большая языковая модель (БЯМ; англ. large language model, LLM) — языковая модель, основанная на нейронной сети с множеством параметров (миллиарды весовых коэффициентов и более), которая проходит предварительное обучение на обширных массивах неразмеченного текста методами самообучения (обучения c псевдометками, созданными самой моделью, а не внешним учителем), а затем подвергается тонкой настройке (fine-tuning) с применением обучения с подкреплением на основе отзывов людей (RLHF) для согласования результатов генерации с человеческими предпочтениями (alignment problem) и инструкциями.\nБольшие языковые модели возникли и стали популярны после 2017 года, во время очередного бума искусственного интеллекта, поскольку именно эти модели начали эффективно справляться с широким спектром современных интеллектуальных задач. Это сместило фокус исследований обработки естественного языка с предыдущей парадигмы обучения специализированных контролируемых моделей для конкретных задач. В то же время не следует путать понятия ИИ и больших языковых моделей: если ИИ — это область компьютерных наук, охватывающая решение широкого круга интеллектуальных задач, то БЯМ/LLM — это лишь один (хоть и самый популярный в середине 2020-х) из многих инструментов, который, даже развившись в мультимодальные системы с поддержкой изображений, видео и аудио (так называемые MLLM), остаётся, по сути, специализированным вероятностным алгоритмом предсказания последовательностей, а не универсальным интеллектом (AGI).\nТермин «большой» в названии больших языковых моделей характеризует два ключевых аспекта: количество параметров и объём обучающих данных. Параметры представляют собой переменные и веса, используемые моделью для формирования прогнозов при обработке языка. Размерность современных языковых моделей варьируется от сотен миллионов до более чем триллиона параметров. Второй аспект термина «большой» касается беспрецедентного объёма данных для обучения, достигающего нескольких петабайт и содержащего триллионы","en_topic":"Large language model","wiki_pageid":10130849,"wiki_revid":153551143,"source_url":"https://ru.wikipedia.org/?curid=10130849","license":"CC BY-SA 4.0"}
{"slug":"retrieval-augmented-generation","lang":"ru","title":"Генерация с дополненной выборкой","text":"Генерация с дополненной выборкой (англ. Retrieval-Augmented Generation, RAG) — это подход, при котором генерация ответа большой языковой модели (LLM) осуществляется на основе данных, полученных в результате поиска во внешних источниках (Интернет, корпоративные базы данных и справочники, файлы и другие источники), которые таким образом дополняют выборку обучения модели. RAG-система работает в два основных этапа: сначала происходит извлечение релевантных документов или их частей из внешней базы знаний на основе запроса пользователя, а затем полученная информация подставляется вместе со специальными подсказками, указывающими как модель должна использовать эти данные, в контекст языковой модели для генерации итогового ответа. В зависимости от указаний в подсказках, сгенерированный ответ может включать цитаты или ссылки на исходные документы, что повышает прозрачность и доверие пользователей, позволяя проверить информацию. RAG помогает устранить ограничения LLM, такие как устаревание информации, наличие неточностей или появления галлюцинаций.\nОсновное преимущество RAG в том, что этот архитектурный шаблон расширяет базу знаний LLM до неограниченных размеров (Интернет), даёт быстрый доступ к специализированным базам знаний или к корпоративным базам данных без необходимости переобучения модели. RAG сочетает в себе сильные стороны традиционных систем поиска информации (поисковые системы и системы управления базами данных) с возможностями больших языковых моделей.\nС появлением больших языковых моделей исследования RAG первоначально фокусировались на использовании их способности к обучению в контексте, преимущественно затрагивая этап вывода. Последующие работы углубили анализ, постепенно интегрируя методы RAG в процесс тонкой настройки LLM. Учёные также изучают возможности улучшения языковых моделей на этапе предварительного обучения.\n== Парадигмы RAG ==\nРазвитие методов генерации с дополненной выборкой начинается с базовой парадигмы Naive RAG, основанной на простом цикле инде","en_topic":"Retrieval-augmented generation","wiki_pageid":11039391,"wiki_revid":154145456,"source_url":"https://ru.wikipedia.org/?curid=11039391","license":"CC BY-SA 4.0"}
{"slug":"convolutional-neural-network","lang":"ru","title":"Свёрточная нейронная сеть","text":"Свёрточная нейронная сеть (СНС, англ. convolutional neural network, CNN) — специальная архитектура искусственных нейронных сетей, предложенная Яном Лекуном в 1988 году и нацеленная на эффективное распознавание образов, входит в состав технологий глубокого обучения. Использует некоторые особенности зрительной коры, в которой были открыты так называемые простые клетки, реагирующие на прямые линии под разными углами, и сложные клетки, реакция которых связана с активацией определённого набора простых клеток. Таким образом, идея свёрточных нейронных сетей заключается в чередовании свёрточных слоёв и субдискретизирующих слоёв (слоёв подвыборки). Строение сети — однонаправленная (без обратных связей), принципиально многослойная. Для обучения используются стандартные методы, чаще всего метод обратного распространения ошибки. Функция активации нейронов (передаточная функция) — любая, по выбору исследователя.\nНазвание архитектура сети получила из-за наличия операции свёртки, суть которой в том, что каждый фрагмент изображения умножается на матрицу (ядро) свёртки поэлементно, а результат суммируется и записывается в аналогичную позицию выходного изображения.\n== Интерпретация ==\nРабота свёрточной нейронной сети обычно интерпретируется как переход от конкретных особенностей изображения к более абстрактным деталям, и далее к ещё более абстрактным деталям вплоть до выделения понятий высокого уровня. При этом сеть самонастраивается и вырабатывает сама необходимую иерархию абстрактных признаков (последовательности карт признаков), фильтруя маловажные детали и выделяя существенное.\nПодобная интерпретация носит скорее метафорический или иллюстративный характер. Фактически «признаки», вырабатываемые сложной сетью, малопонятны и трудны для интерпретации настолько, что на практике суть этих признаков даже не пытаются понять, тем более «подправлять», а вместо этого для улучшения результатов распознавания меняют структуру и архитектуру сети. Так, игнорирование системой каких-то существенны","en_topic":"Convolutional neural network","wiki_pageid":5075705,"wiki_revid":147357145,"source_url":"https://ru.wikipedia.org/?curid=5075705","license":"CC BY-SA 4.0"}
{"slug":"generative-adversarial-network","lang":"ru","title":"Генеративно-состязательная сеть","text":"Генеративно-состязательная сеть (англ. generative adversarial network, сокращённо GAN) — алгоритм машинного обучения без учителя, построенный на комбинации из двух нейронных сетей, одна из которых (сеть G) генерирует образцы (см. Генеративная модель), а другая (сеть D) старается отличить правильные («подлинные») образцы от неправильных (см. Дискриминативная модель). Так как сети G и D имеют противоположные цели — создать образцы и отбраковать образцы — между ними возникает антагонистическая игра. Генеративно-состязательную сеть описал Ян Гудфеллоу из компании Google в 2014 году.\nИспользование этой техники позволяет, в частности, генерировать фотографии, которые человеческим глазом воспринимаются как натуральные изображения. Например, известна попытка синтезировать фотографии кошек, которые вводят в заблуждение эксперта, считающего их естественными фото. Кроме того, GAN может использоваться для улучшения качества нечётких или частично испорченных фотографий.\n== Метод ==\nВ системе GAN одна из сетей (сеть G, от Generator) генерирует образцы (см. Генеративная модель), а другая (сеть D, от Discriminator) старается отличить правильные («подлинные») образцы от неправильных (см. Дискриминативная модель). Используя набор переменных латентного пространства, генеративная сеть пытается слепить новый образец, смешав несколько исходных образцов. Дискриминативная сеть обучается различать подлинные и поддельные образцы, а результаты различения подаются на вход генеративной сети так, чтобы она смогла подобрать лучший набор латентных параметров, и дискриминативная сеть уже не смогла бы отличить подлинные образцы от поддельных. Таким образом целью сети G является повысить процент ошибок сети D, а целью сети D является наоборот улучшение точности распознавания.\nДискриминационная сеть D, анализируя образцы из оригинальных данных и из подделанных генератором, достигает некоторой точности различения. Генератор при этом начинает со случайных комбинаций параметров латентного пространства (с","en_topic":"Generative adversarial network","wiki_pageid":7024199,"wiki_revid":150244253,"source_url":"https://ru.wikipedia.org/?curid=7024199","license":"CC BY-SA 4.0"}
{"slug":"gradient-descent","lang":"ru","title":"Градиентный спуск","text":"Градиентный спуск, метод градиентного спуска — численный метод нахождения локального минимума или максимума функции с помощью движения вдоль градиента, один из основных численных методов современной оптимизации.\nАктивно используется в вычислительной математике не только для непосредственного решения задач оптимизации (минимизации), но и для задач, которые могут быть переписаны на языке оптимизации (решение нелинейных уравнений, поиск равновесий, обратные задачи и т. д.). Метод градиентного спуска можно использовать для задач оптимизации в бесконечномерных пространствах, например, для численного решения задач оптимального управления.\nОсобенно большой интерес к градиентным методам в последние годы связан с тем, что градиентные спуски и их стохастические / рандомизированные варианты лежат в основе почти всех современных алгоритмов обучения, разрабатываемых в анализе данных.\n== Описание ==\nПусть целевая функция имеет вид:\n F\n (\n x\n →\n )\n :\n X\n →\n R\n {\\displaystyle F({\\vec {x}}):\\;\\mathbb {X} \\to \\mathbb {R} }\n.\nИ задача оптимизации задана следующим образом:\n F\n (\n x\n →\n )\n →\n min\n x\n →\n ∈\n X\n {\\displaystyle F({\\vec {x}})\\to \\min _{{\\vec {x}}\\in \\mathbb {X} }}\nВ случае, когда требуется найти максимум, вместо\n F\n (\n x\n →\n )\n {\\displaystyle F({\\vec {x}})}\n используется\n −\n F\n (\n x\n →\n )\n {\\displaystyle -F({\\vec {x}})}\nОсновная идея метода заключается в том, чтобы идти в направлении наискорейшего спуска, а это направление задаётся антиградиентом\n −\n ∇\n F\n {\\displaystyle -\\nabla F}\n:\n x\n →\n [\n j\n +\n 1\n ]\n =\n x\n →\n ","en_topic":"Gradient descent","wiki_pageid":388413,"wiki_revid":142334438,"source_url":"https://ru.wikipedia.org/?curid=388413","license":"CC BY-SA 4.0"}
{"slug":"overfitting","lang":"ru","title":"Переобучение","text":"Переобучение (переподгонка, пере- в значении «слишком», англ. overfitting) в машинном обучении и статистике — явление, когда построенная модель хорошо объясняет примеры из обучающей выборки, но относительно плохо работает на примерах, не участвовавших в обучении (на примерах из тестовой выборки).\nЭто связано с тем, что при построении модели («в процессе обучения») в обучающей выборке обнаруживаются некоторые случайные закономерности, которые отсутствуют в генеральной совокупности.\nИными словами, модель запоминает огромное количество всех возможных примеров вместо того, чтобы научиться подмечать особенности.\nДаже тогда, когда обученная модель не имеет чрезмерного количества параметров, можно ожидать, что эффективность её на новых данных будет ниже, чем на данных, использовавшихся для обучения. В частности, значение коэффициента детерминации будет сокращаться по сравнению с исходными данными обучения.\nСпособы борьбы с переобучением зависят от метода моделирования и способа построения модели. Например, если строится дерево принятия решений, то можно обрезать некоторые его ветки в процессе построения.\n== Методы предотвращения переобучения ==\nДля того, чтобы избежать чрезмерной подгонки, необходимо использовать дополнительные методы, например:\nперекрёстная проверка,\nрегуляризация (математика),\nранняя остановка,\nвербализация нейронных сетей,\nаприорная вероятность,\nбайесовское сравнение моделей (англ. bayesian model comparison),\nкоторые могут указать, когда дальнейшее обучение больше не ведёт к улучшению оценок параметров. В основе этих методов лежит явное ограничение на сложность моделей, или проверка способности модели к обобщению путём оценки её эффективности на множестве данных, не использовавшихся для обучения и считающихся приближением к реальным данным, к которым модель будет применяться.\n== См. также ==\nИскусственная нейронная сеть\nДерево принятия решений\nРобастность в статистике\n== Примечания ==","en_topic":"Overfitting","wiki_pageid":633299,"wiki_revid":150591654,"source_url":"https://ru.wikipedia.org/?curid=633299","license":"CC BY-SA 4.0"}
{"slug":"perceptron","lang":"ru","title":"Перцептрон","text":"Перцептро́н (или персептрон (англ. perceptron от лат. perceptio — восприятие; нем. Perzeptron)) — математическая или компьютерная модель восприятия информации мозгом (кибернетическая модель мозга), предложенная Фрэнком Розенблаттом в 1957 году и впервые воплощённая в виде электронной машины «Марк-1» в 1960 году. Перцептрон стал одним из первых моделей нейросетей, а «Марк-1» — первым в мире нейрокомпьютером.\nПерцептрон состоит из трёх типов элементов, а именно: поступающие от датчиков сигналы передаются ассоциативным элементам, а затем — реагирующим элементам. Таким образом, перцептроны позволяют создать набор «ассоциаций» между входными стимулами и необходимой реакцией на выходе. В биологическом плане это соответствует преобразованию, например, зрительной информации в физиологический ответ от двигательных нейронов. Согласно современной терминологии, перцептроны могут быть классифицированы как искусственные нейронные сети:\nс одним скрытым слоем;\nс пороговой передаточной функцией;\nс прямым распространением сигнала.\nНа фоне роста популярности нейронных сетей в 1969 году вышла книга Марвина Минского и Сеймура Пейперта, которая показала принципиальные ограничения перцептронов. Это привело к смещению интереса исследователей искусственного интеллекта в противоположную от нейросетей область символьных вычислений. Кроме того, из-за сложности математического исследования перцептронов, а также отсутствии общепринятой терминологии, возникли различные неточности и заблуждения.\nВпоследствии интерес к нейросетям, и в частности, работам Розенблатта, возобновился. Так, например, сейчас стремительно развивается биокомпьютинг, который в своей теоретической основе вычислений, в том числе, базируется на нейронных сетях, а перцептрон воспроизводят на основе бактериородопсин-содержащих плёнок.\n== Появление перцептрона ==\nВ 1943 году в своей статье «Логическое исчисление идей, относящихся к нервной активности» Уоррен Мак-Каллок и Уолтер Питтс предложили понятие искусственной нейронной сети","en_topic":"Perceptron","wiki_pageid":633380,"wiki_revid":154112829,"source_url":"https://ru.wikipedia.org/?curid=633380","license":"CC BY-SA 4.0"}
{"slug":"neural-network","lang":"ru","title":"Нейронная сеть","text":"Нейро́нная сеть (также иску́сственная нейро́нная сеть, ИНС, или просто нейросе́ть) — математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации нервных сетей (биологических нейронных сетей) — сетей нервных клеток (нейронов) живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети У. Маккалока и У. Питтса в 1943 году. После разработки алгоритмов обучения получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.\nС точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма.\nНейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными и выходными данными, а также выполнять обобщение. Это означает, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумлённых», частично искажённых данных.\n== Хронология ==\n1943 — У. Маккалок и У. Питтс формализуют понятие нейронной сети в фундаментальной статье о логическом исчислении идей и нервной активности. В начале своего сотрудничества с Питтсом Н. Винер предлагает ему вакуумные лампы в качестве средства для реализации эквивалентов нейронных сетей.\n1948 — Опубликована книга Н. Винера о кибернетике. Основной идеей стало представление сложных биологических процессов математическими моделями.\n1949 — Д. Хебб предлагает первый алгоритм обучения.\n1958 — Ф. Розенблатт изобретает однослойный перцептрон и демонстрирует его способность решать","en_topic":"Neural network (machine learning)","wiki_pageid":22549,"wiki_revid":154100722,"source_url":"https://ru.wikipedia.org/?curid=22549","license":"CC BY-SA 4.0"}
{"slug":"deep-learning","lang":"ru","title":"Глубокое обучение","text":"Глубокое обучение (глубинное обучение; англ. deep learning) — совокупность методов машинного обучения (с учителем, с частичным привлечением учителя, без учителя, с подкреплением), основанных на обучении представлениям (англ. feature/representation learning), а не специализированных алгоритмах под конкретные задачи. Многие методы глубокого обучения были известны ещё в 1980-е годы (и даже ранее), но результаты не впечатляли, пока продвижения в теории искусственных нейронных сетей (предобучение нейросетей с помощью специального случая ненаправленной графической модели, так называемой ограниченной машины Больцмана) и вычислительные мощности середины 2000-х годов (в том числе использующие графические ускорители, программируемые пользователем вентильные матрицы и различные формы нейронных процессоров) не позволили создавать сложные технологические архитектуры нейронных сетей, обладающие достаточной производительностью и позволяющие решать широкий спектр задач, не поддававшихся эффективному решению ранее, например, в компьютерном зрении, машинном переводе, распознавании речи, причём качество решения во многих случаях теперь сопоставимо, а в некоторых превосходит эффективность человека.\n== История ==\nНесмотря на то что термин «глубокое обучение» появился в научном сообществе машинного обучения только в 1986 году после работы Рины Дехтер, первый общий рабочий алгоритм для глубоких многослойных перцептронов прямого распространения был опубликован в книге советских учёных Алексея Григорьевича Ивахненко и Валентина Григорьевича Лапы «Кибернетические предсказывающие устройства» ещё в 1965 году. В дальнейшем, наиболее ранний метод глубокого обучения МГУА был использован для обучения восьмислойной нейронной сети уже в 1971 году.\nДругие глубокие архитектуры, в особенности те, которые специализируются на распознавании образов, берут своё начало с неокогнитрона, разработанного Кунихико Фукусимой в 1980 году. В 1989 году Яну Лекуну удалось использовать алгоритм обратного распространен","en_topic":"Deep learning","wiki_pageid":5191570,"wiki_revid":152059807,"source_url":"https://ru.wikipedia.org/?curid=5191570","license":"CC BY-SA 4.0"}
{"slug":"machine-learning","lang":"ru","title":"Машинное обучение","text":"Машинное обучение (англ. machine learning, ML) — класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение за счёт применения решений множества сходных задач. Для построения таких методов используются средства математической статистики, численных методов, математического анализа, методов оптимизации, теории вероятностей, теории графов, различные техники работы с данными в цифровой форме.\nСогласно классическому определению Тома Митчелла (1997), «компьютерная программа считается обучающейся на опыте E относительно некоторого класса задач T и меры качества P, если её качество на задачах из T, измеренное с помощью P, улучшается с накоплением опыта E».\nРазличают два типа обучения:\nОбучение по прецедентам, или индуктивное обучение, основано на выявлении эмпирических закономерностей в данных.\nДедуктивное обучение предполагает формализацию знаний экспертов и их перенос в компьютер в виде базы знаний.\nДедуктивное обучение принято относить к области экспертных систем, поэтому термины машинное обучение и обучение по прецедентам можно считать синонимами.\nМногие методы индуктивного обучения разрабатывались как альтернатива классическим статистическим подходам. Многие методы тесно связаны с извлечением информации (англ. information extraction, information retrieval), интеллектуальным анализом данных (data mining).\n== Общая постановка задачи обучения по прецедентам ==\nИмеется множество объектов (ситуаций) и множество возможных ответов (откликов, реакций). Существует некоторая зависимость между ответами и объектами, но она неизвестна. Известна только конечная совокупность прецедентов — пар «объект — ответ», называемая обучающей выборкой. На основе этих данных требуется восстановить неявную зависимость, то есть построить алгоритм, способный для любого возможного входного объекта выдать достаточно точный классифицирующий ответ. Эта зависимость не обязательно выражается аналитически, и здесь нейросети реализуют принцип эмпирическ","en_topic":"Machine learning","wiki_pageid":471913,"wiki_revid":154089659,"source_url":"https://ru.wikipedia.org/?curid=471913","license":"CC BY-SA 4.0"}
{"slug":"artificial-intelligence","lang":"ru","title":"Искусственный интеллект","text":"Иску́сственный интелле́кт (англ. artificial intelligence; AI), также ИИ, искусственный ра́зум, в самом широком смысле — научно-технологическая область, занимающаяся изучением и созданием интеллектуальных сущностей (англ. intelligent entities), способных «вычислять, как им действовать эффективно и безопасно в самых разнообразных, в том числе незнакомых им, ситуациях», и решать задачи как минимум уровня человеческого интеллекта и реализованных машинами, в частности компьютерными системами. Это направление исследований в области компьютерных наук, которая разрабатывает и изучает методы и программное обеспечение, позволяющие машинам воспринимать окружающую среду и использовать обучение и интеллект для выполнения действий, которые максимально увеличивают их шансы на достижение поставленных целей. Такие машины можно назвать искусственным интеллектом. В то же время не следует путать понятия ИИ и больших языковых моделей (БЯМ/LLM): если ИИ — это область компьютерных наук, охватывающая решение широкого круга интеллектуальных задач, то БЯМ/LLM — это лишь один (хоть и самый популярный в середине 2020-х) из многих инструментов, который, даже развившись в мультимодальные системы с поддержкой изображений, видео и аудио (так называемые MLLM), остаётся, по сути, специализированным вероятностным алгоритмом предсказания последовательностей, а не универсальным интеллектом (AGI).\nНекоторые из наиболее известных приложений искусственного интеллекта включают в себя передовые поисковые системы (например, Google Search, Bing, Яндекс); рекомендательные системы (используемые на YouTube, Amazon и Netflix); взаимодействие посредством человеческой речи (например, Google Assistant, Siri, Alexa, Алиса); автономные транспортные средства (например, Waymo); генеративные и творческие инструменты (например, ChatGPT, Apple Intelligence и искусство искусственного интеллекта); а также сверхчеловеческую игру и анализ в стратегических играх (например, шахматы и го). Однако многие приложения искусственного ","en_topic":"Artificial intelligence","wiki_pageid":2665,"wiki_revid":154028398,"source_url":"https://ru.wikipedia.org/?curid=2665","license":"CC BY-SA 4.0"}
{"slug":"supervised-learning","lang":"ru","title":"Обучение с учителем","text":"Обуче́ние с учи́телем (англ. Supervised learning) — один из способов машинного обучения, в ходе которого испытуемая система принудительно обучается с помощью примеров «стимул-реакция». С точки зрения кибернетики, является одним из видов кибернетического эксперимента. Между входами и эталонными выходами (стимул-реакция) может существовать некоторая зависимость, но она неизвестна. Известна только конечная совокупность прецедентов — пар «стимул-реакция», называемая обучающей выборкой. На основе этих данных требуется восстановить зависимость (построить модель отношений стимул-реакция, пригодных для прогнозирования), то есть построить алгоритм, способный для любого объекта выдать достаточно точный ответ. Для измерения точности ответов, так же как и в обучении на примерах, может вводиться функционал качества.\n== Принцип постановки данного эксперимента ==\nДанный эксперимент представляет собой частный случай кибернетического эксперимента с обратной связью. Постановка данного эксперимента предполагает наличие экспериментальной системы, метода обучения и метода испытания системы или измерения характеристик.\nЭкспериментальная система в свою очередь состоит из испытываемой (используемой) системы, пространства стимулов, получаемых из внешней среды, и системы управления подкреплением (регулятора внутренних параметров). В качестве системы управления подкреплением может быть использовано автоматическое регулирующие устройство (например, термостат) или человек-оператор (учитель), способный реагировать на реакции испытываемой системы и стимулы внешней среды путём применения особых правил подкрепления, изменяющих состояние памяти системы.\nРазличают два варианта: (1) когда реакция испытываемой системы не изменяет состояние внешней среды, и (2) когда реакция системы изменяет стимулы внешней среды. Эти схемы указывают принципиальное сходство такой системы общего вида с биологической нервной системой.\n== Типология задач обучения с учителем ==\n=== Типы входных данных ===\nПризнаковое описан","en_topic":"Supervised learning","wiki_pageid":481696,"wiki_revid":147351144,"source_url":"https://ru.wikipedia.org/?curid=481696","license":"CC BY-SA 4.0"}
{"slug":"prompt-engineering","lang":"ru","title":"Техника подсказок","text":"Те́хника подска́зок, те́хника запро́сов также инжене́рия подска́зок или про́мпт-инжини́ринг (от англ. Prompt [pɹɒmpt] «запрос», «подсказка», «оперативный отклик») — концепция искусственного интеллекта, в частности обработки естественного языка (НЛП). В технике подсказок описание задачи встраивается во входные данные, например, в виде вопроса, а не даётся неявно. Техника подсказок обычно работает путём преобразования одной или нескольких задач в набор данных на основе подсказок и обучения языковой модели с помощью «обучения на основе подсказок» (англ. prompt-based learning) или просто «обучения c подсказками» (англ. prompt learning). Инжини́ринг подсказок может работать с большой «замороженной» предварительно обученной языковой моделью, где изучается (то есть оптимизируется) только представление подсказки с использованием таких методов, как «настройка префикса» (англ. prefix-tuning) или «настройка с подсказками» (англ. prompt tuning).\nЯзыковые модели GPT-2 и GPT-3 были важными шагами в технике подсказок. В 2021 году разработка многозадачных подсказок с использованием нескольких наборов данных обработка естественного языка показала хорошую производительность при решении новых задач. В методе, называемом подсказкой по цепочке рассуждений, языковой модели даются несколько примеров задачи, что улучшает их способность проводить рассуждения. Подсказки по цепочке рассуждений также можно выполнять как задачу обучения с нулевым выстрелом, добавляя к подсказке текст, который поощряет цепочку мыслей (например, «Давайте думать шаг за шагом»), что также может повысить производительность языковой модели в многошаговых задачах, требующих рассуждений. Широкая доступность этих инструментов была обусловлена публикацией нескольких интерактивных блокнотов с открытым исходным кодом и проектов по синтезу изображений под руководством сообщества.\nВ описании обработки подсказок сообщается, что в феврале 2022 года было доступно более 2000 общедоступных подсказок для примерно 170 наборов данны","en_topic":"Prompt engineering","wiki_pageid":10146555,"wiki_revid":153556585,"source_url":"https://ru.wikipedia.org/?curid=10146555","license":"CC BY-SA 4.0"}
{"slug":"feature-engineering","lang":"ru","title":"Конструирование признаков","text":"Конструирование признаков — процесс использования предметной области для определения признаков, используемых для машинного обучения. Конструирование признаков является неформальной областью, но считается важной составляющей машинного обучения; как отмечал Эндрю Ын, «прикладное машинное обучение — в основном это конструирование признаков».\nПризнак может быть строго существенен (имеет информацию, не существующую в других признаках), существенен, малосущественен (содержит информацию, которая может содержаться в других признаках) или несущественен. Важно создать много признаков, даже если некоторые из них будут несущественны, затем может быть использован отбор признаков для предотвращения переобучения.\nВзрыв признаков может быть вызван путём комбинации признаков или шаблонов признаков, что ведёт к быстрому росту общего числа признаков.\nШаблоны признаков — внедрение шаблонов признаков вместо кодирования новых признаков\nКомбинации признаков — комбинации, которые не могут быть представлены в виде линейной комбинации.\nСуществует несколько решений для останова взрыва признаков, такие как регуляризация, ядерный метод, отбор признаков.\n== Автоматическое конструирование признаков ==\nНеобходимости трудоёмкого ручного конструирования признаков можно избежать при автоматизации прикладного обучения признакам.\nВ 2015 году исследователи Массачусетского технологического института представили алгоритм «Deep Feature Synthesis» (глубокий синтез признаков, опубликован как открытая библиотека Featuretools) и продемонстрировали его эффективность: алгоритм переиграл 615 из 906 команд людей. Эту работу продолжили другие исследователи, включая OneBM компании IBM и ExploreKit компании Berkeley. Исследователи из IBM утверждают, что автоматизация конструирования признаков «помогает сократить время исследования данных, позволяя экспериментировать на них методом проб и ошибок за короткое время. С другой стороны, это даёт возможность, не будучи экспертом, то есть, не будучи знакомым с методами анали","en_topic":"Feature engineering","wiki_pageid":7650993,"wiki_revid":153508552,"source_url":"https://ru.wikipedia.org/?curid=7650993","license":"CC BY-SA 4.0"}
{"slug":"technological-singularity","lang":"ru","title":"Технологическая сингулярность","text":"Технологи́ческая сингуля́рность (англ. technological singularity) — гипотетический момент в будущем, когда технологическое развитие становится в принципе неуправляемым и необратимым, что порождает радикальные изменения характера человеческой цивилизации.\nСогласно одной из наиболее популярных версий гипотезы технологической сингулярности, именуемой «интеллектуальным взрывом» (эту концепцию выдвинул, в частности, британский математик и космолог Ирвинг Гуд), обновляемый интеллектуальный агент (например, компьютер с сильным искусственным интеллектом) в конечном итоге может войти в «безудержную реакцию» циклов самосовершенствования, при этом каждое новое поколение искусственного интеллекта будет появляться всё быстрее, порождая своего рода «интеллектуальный взрыв» и создав в конечном счёте суперинтеллект, превосходящий интеллект всего человечества.\nВпервые понятие «сингулярность» в технологическом контексте упомянул американский математик Джон фон Нейман. Участник Манхэттенского проекта, польско-американский математик Станислав Улам в своей статье 1958 года описывает дискуссию по этому вопросу с фон Нейманом, «посвящённую ускоренному прогрессу технологий и изменениям в образе жизни человека, что создаёт видимость приближения к некоторой существенной необычности в истории человечества, после которой человеческое бытие в известном нам виде не сможет продолжаться». Ряд видных учёных в последующем поддержали эту точку зрения.\nКонцепцию технологической сингулярности и сам термин «сингулярность» популяризировал американский писатель-фантаст Вернор Виндж в своём эссе 1993 года «Грядущая технологическая сингулярность» (англ. The Coming Technological Singularity), где отмечал, что это будет означать конец человеческой эры, поскольку новый суперинтеллект будет продолжать совершенствоваться и технологически развиваться с непостижимой скоростью. Виндж заметил, что был бы удивлён, если бы это произошло до 2005 года или после 2030 года.\nВ четырёх экспертных опросах, проведённых в 2012","en_topic":"Technological singularity","wiki_pageid":12374,"wiki_revid":153557396,"source_url":"https://ru.wikipedia.org/?curid=12374","license":"CC BY-SA 4.0"}
{"slug":"chatgpt","lang":"ru","title":"ChatGPT","text":"ChatGPT («Чат-джи-пи-ти», от англ. Generative Pre-trained Transformer «генеративный предобученный трансформер») — чат-бот с генеративным искусственным интеллектом, разработанный американской компанией OpenAI и способный работать в диалоговом режиме, поддерживающий запросы на естественных языках. Система способна отвечать на вопросы, генерировать тексты на разных языках, включая русский, относящиеся к различным предметным областям. Важной особенностью является возможность генерации по запросу программ на различных языках программирования.\nChatGPT — большая языковая модель, для тренировки которой использовались методы обучения с учителем и обучения с подкреплением.\nДанный чат-бот изначально основывался на другой языковой модели от OpenAI — GPT-3.5 — улучшенной версии модели GPT-3. 14 марта 2023 года была выпущена языковая модель GPT-4, доступная тестировщикам и платным подписчикам ChatGPT Plus. В новой версии у ИИ появилась возможность генерации не только текста, но и картинок.\nChatGPT был запущен 30 ноября 2022 года и привлёк большое внимание пользователей своими широкими возможностями: написание кода, создание текстов, возможности перевода, получения точных ответов и использование контекста диалога для ответов, хотя его фактическая точность и подверглась критике.\nВ начале февраля 2023 года Reuters со ссылкой на швейцарский холдинг UBS сообщило, что за 2 месяца аудитория активных пользователей ChatGPT достигла 100 млн человек. Этим самым приложение установило исторический рекорд по росту посетителей.\nДоступ к сервису ограничен в таких странах, как Китай, Россия, Беларусь, Афганистан, Венесуэла, Туркменистан, Иран.\n19 мая 2023 года было выпущено официальное приложение ChatGPT для операционной системы iOS. 26 июля 2023 года вышло официальное приложение чат-бота для Android. В мае 2024 года было объявлено о сотрудничестве между Apple и OpenAI, в рамках которого ChatGPT был интегрирован в функцию Apple Intelligence операционных систем Apple. В октябре 2024 года выпущено ","en_topic":"ChatGPT","wiki_pageid":9999814,"wiki_revid":154101594,"source_url":"https://ru.wikipedia.org/?curid=9999814","license":"CC BY-SA 4.0"}
{"slug":"claude","lang":"ru","title":"Claude","text":"Claude (МФА: [klɔd], «Клод») — семейство больших языковых моделей (БЯМ), разработанное американской компанией Anthropic. Такие модели обучают на больших собраниях текстов, после чего они продолжают заданный текст, подбирая слово за словом, — на этом и строится их способность отвечать на вопросы, переводить и писать программный код. Название дано в честь математика и инженера Клода Шеннона. Claude вышел в марте 2023 года как чат-бот с искусственным интеллектом; он также применяется при разработке программного обеспечения.\nНачиная с Claude 3 каждое поколение выпускается в трёх размерах, от наименее к наиболее мощному: Haiku, Sonnet и Opus. В 2026 году к ним добавился старший класс моделей Mythos, доступ к которому получило ограниченное число организаций. Пользователи работают с Claude через сайт и приложения по подписке, разработчики — через программный интерфейс, или API, позволяющий встраивать модель в собственные программы, с оплатой за объём обработанного текста; модели доступны и через облачные сервисы Amazon и Google.\nОбучение Claude построено на методике Constitutional AI: вместо того чтобы опираться только на оценки живых разметчиков, модель критикует и переписывает собственные ответы, сверяясь с заранее составленным сводом принципов — «конституцией», — который Anthropic публикует. Подход вызвал споры: свод написан самой компанией, и, как отмечалось в юридической печати, источника легитимности за её пределами у него нет.\nБольше всего Claude применяют при написании программ: в этом сегменте он вышел на первое место по корпоративным расходам. Вокруг него сложилось и несколько конфликтов. В 2025 году Anthropic согласилась выплатить около 1,5 миллиарда долларов по коллективному иску писателей, чьи книги использовались при обучении моделей. В 2026 году федеральные ведомства США начали отказываться от Claude после того, как компания отказалась снять договорные запреты на применение модели для массовой слежки внутри страны и в полностью автономном оружии; часть этих ","en_topic":"Claude (AI)","wiki_pageid":10907393,"wiki_revid":154141827,"source_url":"https://ru.wikipedia.org/?curid=10907393","license":"CC BY-SA 4.0"}
{"slug":"google-gemini","lang":"ru","title":"Gemini (чат-бот)","text":"Gemini (досл. с англ. «Близнецы»; ˈdʒɛmɪnaɪ — «Дже́минай», ранее — Bard) — чат-бот с искусственным интеллектом, первоначально разработанный компанией Google на основе языковой модели LaMDA, которая спустя несколько месяцев после запуска в марте 2023 года (в ответ на рост популярности ChatGPT от OpenAI) была заменена на PaLM 2, а в 2024 году — на модель Gemini.\n== История ==\n6 февраля 2023 года Google представила чат-бот Bard, который призван отвечать на вопросы пользователей в поисковой системе. Компания показала широкой публике пример запроса: «на чём легче научиться играть, на пианино или гитаре». Изначально доступ к проекту был открыт только для ограниченного круга «правильных тестировщиков». Однако компания пообещала представить его широкой публике уже в ближайшие недели. 8 февраля 2023 года состоялась большая презентация Bard в Париже, где сервис допустил ошибку в ответе на вопрос о новых открытиях, сделанных с помощью космического телескопа Джеймса Уэбба. Этот случай привёл к падению акций Google на 8 % и потере 100 млрд $.\n21 марта 2023 года Google предоставила доступ к чат-боту избранным пользователям из США и Великобритании. В апреле 2023 года разработчики Bard сообщили, что сервис получил возможность писать, отлаживать и объяснять код. Чат-бот знает 20 языков программирования и имеет связь с другими продуктами Google.\nВ мае 2023 года Google сообщила, что предоставила доступ к Bard для 180 стран мира, но пользователи из стран СНГ и Евросоюза до сих пор не имеют доступа к чат-боту. В 2023 году Bard представил новые интеграции с Gmail, Docs и Drive, позволяя пользователям получать информацию напрямую с этих платформ.\nВ декабре 2023 года Bard перешёл на новую языковую модель — Gemini в версии Pro. Кроме генерации текста, она умеет создавать изображения. В феврале 2024 года Google анонсировала смену названия чат-бота на одноимённое последней языковой модели и выпуск Android-приложения для взаимодействия с нейросетью. 9 февраля 2024 года, одновременно с переимен","en_topic":"Google Gemini","wiki_pageid":10186337,"wiki_revid":154047026,"source_url":"https://ru.wikipedia.org/?curid=10186337","license":"CC BY-SA 4.0"}
{"slug":"chatbot","lang":"ru","title":"Виртуальный собеседник","text":"Виртуальный собеседник, программа-собеседник, чат-бот (англ. chatbot) — программа, которая выясняет потребности пользователей, а затем помогает удовлетворить их. Автоматическое общение с пользователем ведется с помощью текста или голоса. Чат-бот ведет коммуникацию от лица компании или бренда с целью упростить онлайн-общение (предоставить актуальную информацию в наиболее оперативные сроки), используется как альтернатива переписке с живым оператором или звонку менеджеру компании.\nОдним из первых виртуальных собеседников была программа Элиза, созданная в 1966 году Джозефом Вейценбаумом. Элиза пародировала речевое поведение психотерапевта, реализуя технику активного слушания, переспрашивая пользователя и используя фразы типа «Пожалуйста, продолжайте».\nПредполагается, что идеальная программа-собеседник должна пройти тест Тьюринга. Проводятся ежегодные конкурсы программ-собеседников (в основном, англоязычных). Один из самых известных — конкурс Лебнера.\n== Назначение и развитие виртуальных собеседников ==\nВиртуальные собеседники (чат-боты) применяются для автоматизированного взаимодействия с пользователями. Они могут использоваться для развлечения, предоставления справочной информации, консультирования и выполнения различных задач.\nПрограммы, способные понимать отдельные высказывания пользователя, образуют класс программ с естественно-языковым интерфейсом. Например, вопросно-ответная система.\nСоздание виртуальных собеседников граничит с проблемой общего искусственного интеллекта, то есть единой системы (программы, машины), моделирующей интеллектуальную деятельность человека.\nВ 2010-е годы стала развиваться благодатная среда для использования чат-ботов — мессенджеры. Павел Дуров одним из первых разглядел перспективы технологии и внедрил API для создания искусственного интеллекта в Телеграмме.\nВ 2016 году компания Microsoft выпустила первого самообучающегося чат-бота Tay, который взаимодействовал с пользователями в Twitter. Однако из-за уязвимости к обучению с пользовательск","en_topic":"Chatbot","wiki_pageid":188838,"wiki_revid":154086366,"source_url":"https://ru.wikipedia.org/?curid=188838","license":"CC BY-SA 4.0"}
{"slug":"midjourney","lang":"ru","title":"Midjourney","text":"Midjourney — исследовательская компания и разрабатываемое ею одноимённое программное обеспечение искусственного интеллекта, создающее изображения и видео по текстовым описаниям. Наряду с конкурентами на рынке генерации изображений для персонализированных медиа — приложениями DALL-E от OpenAI и Stable Diffusion — использует технологии диффузионных моделей.\n== История ==\nОдноимённая компания-разработчик основана в 2016 году одним из создателей технологии Leap Motion Дэвидом Хольцем. В феврале 2020 года поглощена британским производителем медицинского оборудования компанией Smith & Nephew.\nВ марте 2022 года был запущен Discord-сервер с просьбой размещать высококачественные изображения в Twitter и Reddit для обучения системы. В апреле 2022 года на том же сервере Discord была запущена рабочая версия 2 Midjourney. С 12 июля 2022 года находится в стадии открытого для широкого круга пользователей бета-тестирования.\nВ августе 2022 года Хольц сообщил, что продукт уже приносит прибыль.\nНовые версии выходят каждые несколько месяцев; 10 ноября 2022 года стала доступна пользователям альфа-итерация версии 4, 16 марта 2023 года компания объявила о запуске закрытого тестирования и скором выходе 5 версии, в мае и июне 2023 года вышли версии 5.1 и 5.2 соответственно. 21 декабря 2023 года стартовало альфа-тестирование шестой версии инструмента, отличительными особенностями которой стали более реалистичные изображения и генерация текста внутри картинки.\n4 апреля 2025 года состоялся альфа-релиз 7 версии, а 18 июня 2025 года была анонсирована первая модель для генерации видео V1 Video Model.\n== Функции ==\nПользователи создают различные изображения, посылая команды боту в мессенджер Discord: вводят сообщение /imagine и после приглашения prompt вводят словесное описание желаемого изображения; после чего пользователю предлагается выбрать лучшее из четырёх сгенерированных программой изображений и получить изображение в высоком графическом разрешении.\nMidjourney также предлагает множество друг","en_topic":"Midjourney","wiki_pageid":10024482,"wiki_revid":153300061,"source_url":"https://ru.wikipedia.org/?curid=10024482","license":"CC BY-SA 4.0"}
{"slug":"alphafold","lang":"ru","title":"AlphaFold","text":"AlphaFold — программа на базе искусственного интеллекта (AI), разработанная Google DeepMind, которая выполняет предсказания пространственной структуры белка. Программа разработана как система глубокого обучения.\nAlphaFold имеет две основные версии. Команда исследователей, использовавшая AlphaFold 1, заняла первое место в общем рейтинге 13-й СASP в декабре 2018 года. Программа оказалась особенно успешной в предсказании структур белков в категории, которую организаторы конкурса оценивали как самую сложную — когда для белков с частично похожей последовательностью не было доступно существующих шаблонных структур.\nКоманда разработчиков AlphaFold 2 участвовала в следующем конкурсе CASP в ноябре 2020 года. Команда достигла гораздо большей точности, чем любая другая группа. Модель набрала более 90 баллов примерно для двух третей белков в тесте GDT, который измеряет степень, с которой структура, предсказанная вычислительной программой, подобна структуре, определённой лабораторным экспериментом (число 100 соответствует полному совпадению).\nРезультаты AlphaFold 2 в CASP были охарактеризованы как «поразительные». В то же время некоторые исследователи отметили, что точность недостаточно высока для оставшейся трети прогнозов и что не раскрывается механизм и правила сворачивания белка, чтобы проблема сворачивания белка считалась решённой.\n15 июля 2021 года статья об AlphaFold2 была размещена в Nature в качестве публикации для предварительного доступа вместе с программным обеспечением с открытым исходным кодом и доступной для поиска базой данных с различными видами белков.\n8 мая 2024 года в Nature была размещена статья о новой версии программы — AlphaFold 3.\nРуководители разработки AlphaFold Демис Хассабис и Джон Джампер были удостоены Нобелевской премии по химии 2024 года за использование AlphaFold 2 для предсказания в области укладки белков.\n== Примечания ==\n== См. также ==\nКуракин, Георгий. Белковые галлюцинации: как справляется AlphaFold? (рус.) Биомолекула (18 ноября 2022). Д","en_topic":"AlphaFold","wiki_pageid":8963793,"wiki_revid":148862493,"source_url":"https://ru.wikipedia.org/?curid=8963793","license":"CC BY-SA 4.0"}
{"slug":"deep-blue","lang":"ru","title":"Deep Blue","text":"Deep Blue — шахматный суперкомпьютер, разработанный компанией IBM. 11 мая 1997 года выиграл матч из 6 партий у тогдашнего чемпиона мира Гарри Каспарова.\nВ названии «Deep Blue» (дословно — «тёмно-синий» или, в переносном значении, «глубокая печаль») сочетается название проекта «Deep Thought» (дословно — «глубокая мысль») и прозвище, которое дали ІВМ: «Big Blue» (в русском передаётся как «Голубой гигант»).\n== История создания ==\nПрямым предшественником Deep Blue была шахматная машина Deep Thought, которая, в свою очередь, была создана на основе машины ChipTest.\nШахматная машина ChipTest была спроектирована и изготовлена группой аспирантов университета Карнеги-Меллон. У истоков создания машины ChipTest стоял Фэн Сюн Сю, который занимался ею в рамках своего диссертационного проекта на соискание научной степени PhD по информатике. Диссертация была посвящена разработке специализированных шахматных СБИС. Впоследствии эти СБИС использовались в составе аппаратной части шахматных машин ChipTest и Deep Thought. Позднее к проекту присоединились аспиранты Томас Анансараман (программная часть) и Мюррей Кэмпбелл (программная часть, шахматная подготовка). Также заметный вклад в осуществление проектов ChipTest и Deep Thought внесли Андреас Новатчук, Майкл Браун, Питер Янсен и другие.\nВ процессе выбора хода ChipTest в основном использовал типовые методы поиска по шахматному дереву, применявшиеся в большинстве шахматных программ — минимаксный алгоритм поиска с альфа-бета-отсечениями и оценочную функцию, дававшую оценку конечным позициям. Аналогичный принцип работы впоследствии использовали Deep Thought и Deep Blue.\nРазработка ChipTest началась в 1985 году. Финансирование проекта осуществлялось по линии диссертационных расходов Фэн Сюн Сю. К концу 1986 года создание ChipTest было в основном закончено. В 1987 году ChipTest выигрывает 18-й Северо-Американский чемпионат по шахматам среди компьютерных программ. Незадолго до этого авторы ChipTest начали создание следующей шахматной машины —","en_topic":"Deep Blue (chess computer)","wiki_pageid":370535,"wiki_revid":153948031,"source_url":"https://ru.wikipedia.org/?curid=370535","license":"CC BY-SA 4.0"}
{"slug":"siri","lang":"ru","title":"Siri","text":"Siri (ˈsɪəri, рус. Сири, бэкр. англ. Speech Interpretation and Recognition Interface) — облачный персональный помощник и вопросно-ответная система, программный клиент которой входит в состав iOS, iPadOS, watchOS, macOS и tvOS компании Apple. Данное приложение использует обработку естественной речи, чтобы отвечать на вопросы и давать рекомендации. Siri приспосабливается к каждому пользователю индивидуально, изучая его предпочтения в течение долгого времени.\nПервоначально Siri стало доступно в App Store как приложение для iOS от Siri Inc. Вскоре, 28 апреля 2010 года, Siri Inc. была приобретена Apple Inc. Но ещё до того, как Apple купила Siri, было объявлено, что их программное обеспечение будет доступно для телефонов BlackBerry и телефонов под управлением Android, затем эти планы были отменены из-за покупки.\nСейчас Siri — неотъемлемая часть iOS и доступна для большинства устройств, выпускаемых компанией: iPhone (начиная с 4S), iPad (третьего поколения и младше, а также все устройства линейки iPad mini), iPod touch 5g и Apple Watch. Несмотря на это, хакеры смогли приспособить Siri для старых моделей устройств[уточнить]. 8 ноября 2011 года Apple публично заявила, что у неё нет планов интеграции Siri в более старые продукты в связи с отсутствием в них чипа фильтрации фонового шума.\n== Описание ==\n=== Озвучивание Siri ===\nГолос, которым была озвучена первая версия Siri для американских пользователей, принадлежит актрисе по озвучиванию Сьюзан Беннетт. В интервью, предоставленном CNN, Беннетт рассказала, что в 2005 году она подписала контракт с компанией ScanSoft и по четыре часа в день в течение целого месяца наговаривала бессвязные фразы на диктофон.\n=== Поддерживаемые языки ===\n==== Русский язык ====\nС самого появления голосового помощника в iOS 5 многие русскоязычные пользователи ждали появления поддержки русского языка. Первые признаки этого появились с выходом бета-версии iOS 7. Так, Siri начала озвучивать имена, написанные на кириллице, правда, довольно неразборчиво.","en_topic":"Siri","wiki_pageid":3514579,"wiki_revid":153486273,"source_url":"https://ru.wikipedia.org/?curid=3514579","license":"CC BY-SA 4.0"}
{"slug":"search-engine","lang":"ru","title":"Поисковая система","text":"Поиско́вая систе́ма (жарг. поискови́к) или поиско́вый движо́к (англ. search engine) — алгоритмы и реализующая их совокупность компьютерных программ (в широком смысле этого понятия, включая аналоговые системы автоматизированной обработки информации первого поколения), предоставляющая пользователю возможность быстрого доступа к необходимой ему информации при помощи поиска в обширной коллекции доступных данных. Одно из наиболее известных применений поисковых систем — веб-сервисы для поиска текстовой или графической информации во Всемирной паутине. Существуют также системы, способные искать файлы на FTP-серверах, товары в интернет-магазинах, информацию в группах новостей Usenet.\nДля поиска информации с помощью поисковой системы пользователь формулирует поисковый запрос. Работа поисковой системы заключается в том, чтобы по запросу пользователя найти документы, содержащие либо указанные ключевые слова, либо слова, как-либо связанные с ключевыми словами. При этом поисковая система генерирует страницу результатов поиска. Такая поисковая выдача может содержать различные типы результатов, например: веб-страницы, изображения, аудиофайлы. Некоторые поисковые системы также извлекают информацию из подходящих баз данных и каталогов ресурсов в Интернете.\nДля поиска нужных сведений удобнее всего воспользоваться современными поисковыми машинами, которые позволяют быстро обнаружить необходимые сведения и обеспечивают точность и полноту поиска. При работе с этими машинами достаточно задать ключевые слова, наиболее точно отражающие искомую информацию, или составить более сложный запрос из ключевых слов для уточнения области поиска. После ввода запроса на поиск вы получите список ссылок на документы в Интернете, обычно называемые web-страницами или просто страницами, в которых содержатся указанные ключевые слова. Обычно ссылки дополняются фрагментами текста из обнаруженного документа, которые часто помогают сразу определить тематику найденной страницы. Щёлкнув мышью на ссылке, можно пере","en_topic":"Search engine","wiki_pageid":264,"wiki_revid":154116530,"source_url":"https://ru.wikipedia.org/?curid=264","license":"CC BY-SA 4.0"}
{"slug":"tf-idf","lang":"ru","title":"TF-IDF","text":"TF-IDF (от англ. TF — term frequency, IDF — inverse document frequency) — статистическая мера, используемая для оценки важности слова в контексте документа, являющегося частью коллекции документов или корпуса. Вес некоторого слова пропорционален частоте употребления этого слова в документе и обратно пропорционален частоте употребления слова во всех документах коллекции.\nМера TF-IDF часто используется в задачах анализа текстов и информационного поиска, например, как один из критериев релевантности документа поисковому запросу, при расчёте меры близости документов при кластеризации.\n== Структура формулы ==\nTF (term frequency — частота слова) — отношение числа вхождений некоторого слова к общему числу слов документа. Таким образом, оценивается важность слова\n t\n i\n {\\displaystyle t_{i}}\n в пределах отдельного документа.\n t\n f\n (\n t\n ,\n d\n )\n =\n n\n t\n ∑\n k\n n\n k\n {\\displaystyle \\mathrm {tf} (t,d)={\\frac {n_{t}}{\\sum _{k}n_{k}}}}\n ,\nгде\n n\n t\n {\\displaystyle n_{t}}\n есть число вхождений слова\n t\n {\\displaystyle t}\n в документ, а в знаменателе — общее число слов в данном документе.\nIDF (inverse document frequency — обратная частота документа) — инверсия частоты, с которой некоторое слово встречается в документах коллекции. Основоположником данной концепции является Карен Спарк Джонс. Учёт IDF уменьшает вес широкоупотребительных слов. Для каждого уникального слова в пределах конкретной коллекции документов существует только одно значение IDF.\n i\n d\n f\n (\n t\n ,\n D\n )\n =\n log\n ⁡\n |\n D\n |\n |\n {\n d\n i\n ∈\n D\n ∣\n t\n ∈\n ","en_topic":"Tf–idf","wiki_pageid":350041,"wiki_revid":152123749,"source_url":"https://ru.wikipedia.org/?curid=350041","license":"CC BY-SA 4.0"}
{"slug":"recommender-system","lang":"ru","title":"Рекомендательная система","text":"Рекомендательные системы, рекомендательные технологии — программы (веб-сервис), которые пытаются предсказать, какие объекты (фильмы, музыка, книги, новости, веб-сайты) будут интересны пользователю. Рекомендательные технологии способны формировать персонализированные рекомендации, основываясь на анализе предпочтений, поведения и интересов пользователей. Рекомендательные системы — удобная альтернатива поисковым алгоритмам, так как позволяют обнаружить объекты, которые не могут быть найдены последними.\nДве основные стратегии создания рекомендательных систем — фильтрация на основе содержания и коллаборативная фильтрация.\nПри фильтрации на основе содержания создаются профили пользователей и объектов, профили пользователей могут включать демографическую информацию или ответы на определённый набор вопросов, профили объектов могут включать названия жанров, имена актёров, имена исполнителей и другую атрибутивную информацию в зависимости от типа объекта. Например, в Music Genome Project музыкальный аналитик оценивает каждую композицию по сотням различных музыкальных характеристик, которые могут использоваться для выявления музыкальных предпочтений пользователя.\nПри коллаборативной фильтрации используется информация о поведении пользователей в прошлом — например, информация о покупках или оценках. В этом случае не имеет значения, с какими типами объектов ведётся работа, но при этом могут учитываться неявные характеристики, которые сложно было бы учесть при создании профиля. Основная проблема этого типа рекомендательных систем — «холодный старт»: отсутствие данных о недавно появившихся в системе пользователях или объектах.\nВ процессе работы рекомендательные системы собирают данные о пользователях, используя сочетание явных и неявных методов.\nПримеры явного сбора данных:\nзапрос у пользователя оценки объекта по дифференцированной шкале;\nзапрос у пользователя ранжировки группы объектов от наилучшего к наихудшему;\nпредъявление пользователю двух объектов с вопросом о том, какой из н","en_topic":"Recommender system","wiki_pageid":123485,"wiki_revid":153792077,"source_url":"https://ru.wikipedia.org/?curid=123485","license":"CC BY-SA 4.0"}
{"slug":"collaborative-filtering","lang":"ru","title":"Коллаборативная фильтрация","text":"Коллаборативная фильтрация, совместная фильтрация (англ. collaborative filtering) — это один из методов построения прогнозов (рекомендаций) в рекомендательных системах, использующий известные предпочтения (оценки) группы пользователей для прогнозирования неизвестных предпочтений другого пользователя. Его основное допущение состоит в следующем: те, кто одинаково оценивал какие-либо предметы в прошлом, склонны давать похожие оценки другим предметам и в будущем. Например, с помощью коллаборативной фильтрации музыкальное приложение способно прогнозировать, какая музыка понравится пользователю, имея неполный список его предпочтений (симпатий и антипатий). Прогнозы составляются индивидуально для каждого пользователя, хотя используемая информация собрана от многих участников. Тем самым коллаборативная фильтрация отличается от более простого подхода, дающего усреднённую оценку для каждого объекта интереса, к примеру, базирующуюся на количестве поданных за него голосов.\nИсследования в данной области активно ведутся и в наше время, что также обуславливается и наличием нерешённых проблем в коллаборативной фильтрации.\n== Описание ==\nВ век информационного взрыва такие методы создания персонализированных рекомендаций, как коллаборативная фильтрация, очень полезны, поскольку количество объектов даже в одной категории (такой, как фильмы, музыка, книги, новости, веб-сайты) стало настолько большим, что отдельный человек не способен просмотреть их все, чтобы выбрать подходящие.\nСистемы коллаборативной фильтрации обычно применяют двухступенчатую схему:\nНаходят тех, кто разделяет оценочные суждения «активного» (прогнозируемого) пользователя.\nИспользуют оценки сходно мыслящих людей, найденных на первом шаге, для вычисления прогноза.\nАлгоритм, описанный выше, построен относительно пользователей системы.\nСуществует и альтернативный алгоритм, изобретённый Amazon, построенный относительно предметов (продуктов) в системе. Этот алгоритм включает в себя следующие шаги:\nСтроим матрицу, определяю","en_topic":"Collaborative filtering","wiki_pageid":123536,"wiki_revid":152391439,"source_url":"https://ru.wikipedia.org/?curid=123536","license":"CC BY-SA 4.0"}
{"slug":"cluster-analysis","lang":"ru","title":"Кластерный анализ","text":"Кластерный анализ (англ. cluster analysis) — многомерная статистическая процедура, выполняющая сбор данных, содержащих информацию о выборке объектов, и затем упорядочивающая объекты в сравнительно однородные группы. Задача кластеризации относится к статистической обработке, а также к широкому классу задач обучения без учителя.\nБольшинство исследователей (см., напр.,) склоняются к тому, что впервые термин «кластерный анализ» (англ. cluster — гроздь, сгусток, пучок) был предложен психологом Р. Трионом. Впоследствии возник ряд терминов, которые в настоящее время принято считать синонимами термина «кластерный анализ»: автоматическая классификация, ботриология.\nСпектр применений кластерного анализа очень широк: его используют в археологии, медицине, психологии, химии, биологии, государственном управлении, филологии, антропологии, маркетинге, социологии, геологии и других дисциплинах. Однако универсальность применения привела к появлению большого количества несовместимых терминов, методов и подходов, затрудняющих однозначное использование и непротиворечивую интерпретацию кластерного анализа.\n== Задачи и условия ==\nКластерный анализ выполняет следующие основные задачи:\nРазработка типологии или классификации.\nИсследование полезных концептуальных схем группирования объектов.\nПорождение гипотез на основе исследования данных.\nПроверка гипотез или исследования для определения, действительно ли типы (группы), выделенные тем или иным способом, присутствуют в имеющихся данных.\nНезависимо от предмета изучения применение кластерного анализа предполагает следующие этапы:\nОтбор выборки для кластеризации. Подразумевается, что имеет смысл кластеризовать только количественные данные.\nОпределение множества переменных, по которым будут оцениваться объекты в выборке, то есть признакового пространства.\nВычисление значений той или иной меры сходства (или различия) между объектами.\nПрименение метода кластерного анализа для создания групп сходных объектов.\nПроверка достоверности результатов кла","en_topic":"Cluster analysis","wiki_pageid":495696,"wiki_revid":148366466,"source_url":"https://ru.wikipedia.org/?curid=495696","license":"CC BY-SA 4.0"}
{"slug":"support-vector-machine","lang":"ru","title":"Метод опорных векторов","text":"Метод опорных векторов (англ. SVM, support vector machine) — набор схожих алгоритмов обучения с учителем, использующихся для задач классификации и регрессионного анализа. Принадлежит семейству линейных классификаторов и может также рассматриваться как частный случай регуляризации по Тихонову. Особым свойством метода опорных векторов является непрерывное уменьшение эмпирической ошибки классификации и увеличение зазора, поэтому метод также известен как метод классификатора с максимальным зазором.\nОсновная идея метода — перевод исходных векторов в пространство более высокой размерности и поиск разделяющей гиперплоскости с наибольшим зазором в этом пространстве. Две параллельных гиперплоскости строятся по обеим сторонам гиперплоскости, разделяющей классы. Разделяющей гиперплоскостью будет гиперплоскость, обеспечивающая наибольшее расстояние до двух параллельных гиперплоскостей. Алгоритм основан на допущении, что чем больше разница или расстояние между этими параллельными гиперплоскостями, тем меньше будет средняя ошибка классификатора.\n== Постановка задачи ==\nЧасто в алгоритмах машинного обучения возникает необходимость классифицировать данные. Каждый объект данных представляется как вектор (точка) в\n p\n {\\displaystyle p}\n-мерном пространстве (упорядоченный набор\n p\n {\\displaystyle p}\n чисел). Каждая из этих точек принадлежит только одному из двух классов. Вопрос состоит в том, можно ли разделить точки гиперплоскостью размерности (\n p\n {\\displaystyle p}\n−1). Это — типичный случай линейной разделимости. Искомых гиперплоскостей может быть много, поэтому полагают, что максимизация зазора между классами способствует более уверенной классификации. То есть, можно ли найти такую гиперплоскость, чтобы расстояние от неё до ближайшей точки было максимальным. Это эквивалентно тому, что сумма расстояний до гиперплоскости от двух ближайших к ней точек, лежащих по разные стороны от неё, максимальна. Если такая гиперплоскость существует, она называется оп","en_topic":"Support vector machine","wiki_pageid":767476,"wiki_revid":141201526,"source_url":"https://ru.wikipedia.org/?curid=767476","license":"CC BY-SA 4.0"}
{"slug":"random-forest","lang":"ru","title":"Метод случайного леса","text":"Метод случайного леса (англ. random forest) — алгоритм машинного обучения, предложенный Лео Брейманом и Адель Катлер, заключающийся в использовании ансамбля решающих деревьев. Алгоритм сочетает в себе две основные идеи: метод бэггинга Бреймана и метод случайных подпространств, предложенный Тин Кам Хо. Алгоритм применяется для задач классификации, регрессии и кластеризации. Основная идея заключается в использовании большого ансамбля решающих деревьев, каждое из которых само по себе даёт очень невысокое качество классификации, но за счёт их большого количества результат получается хорошим.\n== Алгоритм обучения классификатора ==\nПусть обучающая выборка состоит из N образцов, размерность пространства признаков равна M,\nи задан параметр m (в задачах классификации обычно\n m\n ≈\n M\n {\\displaystyle m\\approx {\\sqrt {M}}}\n) как неполное количество признаков для обучения.\nНаиболее распространённый способ построения деревьев ансамбля — бэггинг (англ. bagging, сокращение от англ. bootstrap aggregation) — производится следующим образом:\nСгенерируем случайную повторную подвыборку размером\n N\n {\\displaystyle N}\n из обучающей выборки. Некоторые образцы попадут в неё два или более раза, тогда как в среднем\n N\n (\n 1\n −\n 1\n /\n N\n )\n N\n {\\displaystyle N(1-1/N)^{N}}\n (при больших\n N\n {\\displaystyle N}\n примерно\n N\n /\n e\n {\\displaystyle N/e}\n, где\n e\n {\\displaystyle e}\n — основание натурального логарифма) образцов оказываются не вошедшими в набор или неотобранными (англ. out-of-bag).\nПостроим решающее дерево, классифицирующее образцы данной подвыборки, причём в ходе создания очередного узла дерева будем выбирать набор признаков, на основе которых производится разбиение (не из всех M признаков, а лишь из m случайно выбранных). Выбор наилучшего из этих m признаков может осуществляться различными способами. В оригинальном методе Бреймана","en_topic":"Random forest","wiki_pageid":1817324,"wiki_revid":149867208,"source_url":"https://ru.wikipedia.org/?curid=1817324","license":"CC BY-SA 4.0"}
{"slug":"adaboost","lang":"ru","title":"AdaBoost","text":"AdaBoost (сокращение от англ. adaptive boosting) — алгоритм машинного обучения, предложенный Йоавом Фройндом и Робертом Шапире. Может использоваться в сочетании с несколькими алгоритмами классификации для улучшения их эффективности.\nАлгоритм усиливает классификаторы, объединяя их в ансамбль. Является адаптивным в том смысле, что каждый следующий ансамбль классификаторов строится по объектам, неверно классифицированным предыдущими комитетами. AdaBoost чувствителен к шуму в данных и выбросам. Однако он менее подвержен переобучению по сравнению с другими алгоритмами машинного обучения.\nAdaBoost вызывает слабые классификаторы в цикле\n t\n =\n 1\n ,\n …\n ,\n T\n {\\displaystyle t=1,\\ldots ,T}\n. После каждого вызова обновляется распределение весов\n D\n t\n {\\displaystyle D_{t}}\n, которые отвечают важности каждого из объектов обучающего множества для классификации. На каждой итерации веса каждого неверно классифицированного объекта возрастают, таким образом новый комитет классификаторов «фокусирует своё внимание» на этих объектах.\n== Алгоритм для задачи построения бинарного классификатора ==\nДано:\n (\n x\n 1\n ,\n y\n 1\n )\n ,\n …\n ,\n (\n x\n m\n ,\n y\n m\n )\n {\\displaystyle (x_{1},y_{1}),\\ldots ,(x_{m},y_{m})}\n где\n x\n i\n ∈\n X\n ,\n y\n i\n ∈\n Y\n =\n {\n −\n 1\n ,\n +\n 1\n }\n {\\displaystyle x_{i}\\in X,\\,y_{i}\\in Y=\\{-1,+1\\}}\nИнициализируем\n D\n 1\n (\n i\n )\n =\n 1\n m\n ,\n i\n =\n 1\n ,\n …\n ,\n m\n .\n {\\displaystyle D_{1}(i)={\\frac {1}{m}},i=1,\\ldots ,m.}\nДля каждого\n t\n =\n 1\n ,\n …\n ,\n ","en_topic":"AdaBoost","wiki_pageid":1498166,"wiki_revid":149852126,"source_url":"https://ru.wikipedia.org/?curid=1498166","license":"CC BY-SA 4.0"}
{"slug":"logistic-regression","lang":"ru","title":"Логистическая регрессия","text":"Логистическая регрессия или логит-модель (англ. logit model) — статистическая модель, используемая для прогнозирования вероятности возникновения некоторого события путём его сравнения с логистической кривой. Эта регрессия выдаёт ответ в виде вероятности бинарного события (1 или 0).\n== Описание ==\nЛогистическая регрессия применяется для прогнозирования вероятности возникновения некоторого события по значениям множества признаков. Для этого вводится так называемая зависимая переменная\n y\n {\\displaystyle y}\n, принимающая лишь одно из двух значений — как правило, это числа 0 (событие не произошло) и 1 (событие произошло), и множество независимых переменных (также называемых признаками, предикторами или регрессорами) — вещественных\n x\n 1\n ,\n x\n 2\n ,\n .\n .\n .\n ,\n x\n n\n {\\displaystyle x_{1},x_{2},...,x_{n}}\n, на основе значений которых требуется вычислить вероятность принятия того или иного значения зависимой переменной. Как и в случае линейной регрессии, для простоты записи вводится фиктивный признак\n x\n 0\n =\n 1.\n {\\displaystyle x_{0}=1.}\nДелается предположение о том, что вероятность наступления события\n y\n =\n 1\n {\\displaystyle y=1}\n равна:\n P\n {\n y\n =\n 1\n ∣\n x\n }\n =\n f\n (\n z\n )\n ,\n {\\displaystyle \\mathbb {P} \\{y=1\\mid x\\}=f(z),}\nгде\n z\n =\n θ\n T\n x\n =\n θ\n 0\n +\n θ\n 1\n x\n 1\n +\n …\n +\n θ\n n\n x\n n\n {\\displaystyle z=\\theta ^{T}x=\\theta _{0}+\\theta _{1}x_{1}+\\ldots +\\theta _{n}x_{n}}\n,\n x\n {\\displaystyle x}\n и\n θ\n {\\displaystyle \\theta }\n — векторы-столбцы значений независимых переменных\n 1\n ,\n ","en_topic":"Logistic regression","wiki_pageid":1266316,"wiki_revid":153684317,"source_url":"https://ru.wikipedia.org/?curid=1266316","license":"CC BY-SA 4.0"}
{"slug":"principal-component-analysis","lang":"ru","title":"Метод главных компонент","text":"Метод главных компонент (англ. principal component analysis, PCA) — один из основных способов уменьшить размерность данных, потеряв наименьшее количество информации. Изобретён Карлом Пирсоном в 1901 году. Применяется во многих областях, в том числе в эконометрике, биоинформатике, обработке изображений, для сжатия данных, в общественных науках.\nВычисление главных компонент может быть сведено к вычислению сингулярного разложения матрицы данных или к вычислению собственных векторов и собственных значений ковариационной матрицы исходных данных. Иногда метод главных компонент называют преобразованием Кархунена — Лоэва или преобразованием Хотеллинга (англ. Hotelling transform).\n== Формальная постановка задачи ==\nЗадача анализа главных компонент имеет, как минимум, четыре базовые версии:\nаппроксимировать данные линейными многообразиями меньшей размерности;\nнайти подпространства меньшей размерности, в ортогональной проекции на которые разброс данных (то есть среднеквадратичное отклонение от среднего значения) максимален;\nнайти подпространства меньшей размерности, в ортогональной проекции на которые среднеквадратичное расстояние между точками максимально;\nдля данной многомерной случайной величины построить такое ортогональное преобразование координат, в результате которого корреляции между отдельными координатами обратятся в нуль.\nПервые три версии оперируют конечными множествами данных. Они эквивалентны и не используют никакой гипотезы о статистическом порождении данных. Четвёртая версия оперирует случайными величинами. Конечные множества появляются здесь как выборки из данного распределения, а решение трёх первых задач — как приближение к разложению по теореме Кархунена — Лоэва («истинному преобразованию Кархунена — Лоэва»). При этом возникает дополнительный и не вполне тривиальный вопрос о точности этого приближения.\n=== Аппроксимация данных линейными многообразиями ===\nМетод главных компонент начинался с задачи наилучшей аппроксимации конечного множества точек прямыми и ","en_topic":"Principal component analysis","wiki_pageid":919853,"wiki_revid":152393896,"source_url":"https://ru.wikipedia.org/?curid=919853","license":"CC BY-SA 4.0"}
{"slug":"singular-value-decomposition","lang":"ru","title":"Сингулярное разложение","text":"Сингуля́рное разложе́ние — определённого типа разложение прямоугольной матрицы, имеющее широкое применение, в силу своей наглядной геометрической интерпретации, при решении многих прикладных задач.\nПереформулировка сингулярного разложения, так называемое разложение Шмидта, имеет приложения в квантовой теории информации, например, в запутанности.\nСингулярное разложение матрицы\n M\n {\\displaystyle M}\n позволяет вычислять сингулярные числа данной матрицы, а также левые и правые сингулярные векторы матрицы\n M\n {\\displaystyle M}\n:\nлевые сингулярные векторы матрицы\n M\n {\\displaystyle M}\n — это собственные векторы матрицы\n M\n M\n ∗\n {\\displaystyle MM^{*}}\n;\nправые сингулярные векторы матрицы\n M\n {\\displaystyle M}\n — это собственные векторы матрицы\n M\n ∗\n M\n {\\displaystyle M^{*}M}\n.\nГде\n M\n ∗\n {\\displaystyle M^{*}}\n— эрмитово-сопряжённая матрица к матрице\n M\n {\\displaystyle M}\n, для вещественной матрицы\n M\n ∗\n =\n M\n T\n {\\displaystyle M^{*}=M^{T}}\n.\nСингулярные числа матрицы не следует путать с собственными числами той же матрицы.\nСингулярное разложение является удобным при вычислении ранга матрицы, ядра матрицы и псевдообратной матрицы.\nСингулярное разложение также используется для приближения матриц матрицами заданного ранга.\n== Определение ==\nПусть матрица\n M\n {\\displaystyle M}\n порядка\n m\n ×\n n\n {\\displaystyle m\\times n}\n состоит из элементов из поля\n K\n {\\displaystyle K}\n, где\n K\n {\\displaystyle K}\n — либо поле вещественных чисел, либо поле комплексных чисел.\n=== Сингулярные числа и сингулярные векторы ===\nНеотрицательное вещественное число\n σ\n {\\displaystyle \\sigma }\n называется сингулярным числом матрицы\n M\n {\\displaystyle M}\n, когда существуют два вектора единичной длины\n u\n ∈\n K\n m","en_topic":"Singular value decomposition","wiki_pageid":2044888,"wiki_revid":151332018,"source_url":"https://ru.wikipedia.org/?curid=2044888","license":"CC BY-SA 4.0"}
{"slug":"regression-analysis","lang":"ru","title":"Регрессионный анализ","text":"Регрессио́нный анализ — набор статистических методов исследования влияния одной или нескольких независимых переменных\n X\n 1\n ,\n X\n 2\n ,\n .\n .\n .\n ,\n X\n p\n {\\displaystyle X_{1},X_{2},...,X_{p}}\n на зависимую переменную\n Y\n {\\displaystyle Y}\n. Независимые переменные иначе называют регрессорами или предикторами, а зависимые переменные — критериальными или регрессантами. Терминология зависимых и независимых переменных отражает лишь математическую зависимость переменных (см. Корреляция), а не причинно-следственные отношения. Наиболее распространённый вид регрессионного анализа — линейная регрессия, когда находят линейную функцию, которая, согласно определённым математическим критериям, наиболее соответствует данным. Например, в методе наименьших квадратов вычисляется прямая (или гиперплоскость), сумма квадратов отклонений между которой и данными минимальна.\n== Цели регрессионного анализа ==\nОпределение степени детерминированности вариации критериальной (зависимой) переменной предикторами (независимыми переменными)\nПредсказание значения зависимой переменной с помощью независимой(-ых)\nОпределение вклада отдельных независимых переменных в вариацию зависимой\n== Математическое определение регрессии ==\nСтрого регрессионную зависимость можно определить следующим образом. Пусть\n Y\n ,\n X\n 1\n ,\n X\n 2\n ,\n …\n ,\n X\n p\n {\\displaystyle Y,X_{1},X_{2},\\ldots ,X_{p}}\n — случайные величины с заданным совместным распределением вероятностей. Если для каждого набора значений\n X\n 1\n =\n x\n 1\n ,\n X\n 2\n =\n x\n 2\n ,\n …\n ,\n X\n p\n =\n x\n p\n {\\displaystyle X_{1}=x_{1},X_{2}=x_{2},\\ldots ,X_{p}=x_{p}}\n определено услов","en_topic":"Regression analysis","wiki_pageid":726742,"wiki_revid":143428700,"source_url":"https://ru.wikipedia.org/?curid=726742","license":"CC BY-SA 4.0"}
{"slug":"bayes-theorem","lang":"ru","title":"Теорема Байеса","text":"Теорема Байеса (или формула Байеса) — одна из основных теорем элементарной теории вероятностей, которая позволяет определить вероятность события при условии, что произошло другое статистически взаимозависимое с ним событие. Другими словами, по формуле Байеса можно уточнить вероятность какого-либо события, взяв в расчёт как ранее известную информацию, так и данные новых наблюдений. Формула Байеса может быть выведена из основных аксиом теории вероятностей, в частности из условной вероятности.\nПри возникновении теоремы Байеса вероятности, используемые в теореме, подвергались целому ряду вероятностных интерпретаций. В одной из таких интерпретаций говорилось, что вывод формулы напрямую связан с применением особого подхода к статистическому анализу. Если использовать байесовскую интерпретацию вероятности, то теорема показывает, как личный уровень доверия может кардинально измениться вследствие количества наступивших событий. В этом заключаются выводы Байеса, которые стали основополагающими для байесовской статистики. Однако теорема не только используется в байесовском анализе, но и активно применяется для большого ряда других расчётов.\nПсихологические эксперименты показали, что люди часто неверно оценивают реальную (математически верную) вероятность события, основываясь на некоем личном полученном опыте (апостериорная вероятность), поскольку игнорируют саму вероятность предположения (априорная вероятность). Поэтому правильный результат по формуле Байеса может сильно отличаться от интуитивно ожидаемого.\nТеорема Байеса названа в честь её автора Томаса Байеса (1702—1761) — английского математика и священника, который первым предложил использование теоремы для корректировки убеждений, основываясь на обновлённых данных. Его работа «An Essay towards solving a Problem in the Doctrine of Chances» впервые опубликована в 1763 году, через 2 года после смерти автора. До того, как посмертная работа Байеса была принята и прочитана в Королевском обществе, она была значительно отредактир","en_topic":"Bayes' theorem","wiki_pageid":6073,"wiki_revid":151512909,"source_url":"https://ru.wikipedia.org/?curid=6073","license":"CC BY-SA 4.0"}
{"slug":"data-mining","lang":"ru","title":"Data mining","text":"Data mining (рус. добыча данных, интеллектуальный анализ данных, глубинный анализ данных) — собирательное название, используемое для обозначения совокупности методов обнаружения в данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности. Термин введён Григорием Пятецким-Шапиро в 1989 году.\nАнглийское словосочетание «data mining» пока не имеет устоявшегося перевода на русский язык. При передаче на русском языке используются следующие словосочетания: просев информации, добыча данных, извлечение данных, а также интеллектуальный анализ данных. Более полным и точным является словосочетание «обнаружение знаний в базах данных» (англ. knowledge discovery in databases, KDD).\nОснову методов data mining составляют всевозможные методы классификации, моделирования и прогнозирования, основанные на применении деревьев решений, искусственных нейронных сетей, генетических алгоритмов, эволюционного программирования, ассоциативной памяти, нечёткой логики. К методам data mining нередко относят статистические методы (корреляционный и регрессионный анализ, факторный анализ, дисперсионный анализ, компонентный анализ, дискриминантный анализ, анализ временных рядов, анализ выживаемости, анализ связей). Такие методы, однако, предполагают некоторые априорные представления об анализируемых данных, что несколько расходится с целями data mining (обнаружение ранее неизвестных нетривиальных и практически полезных знаний).\nОдно из важнейших назначений методов data mining состоит в наглядном представлении результатов вычислений (визуализация), что позволяет использовать инструментарий data mining людьми, не имеющими специальной математической подготовки.\nПрименение статистических методов анализа данных требует хорошего владения теорией вероятностей и математической статистикой.\n== Введение ==\nМетоды data mining (или, что то же самое, knowledge discovery in data, сокращённо KDD) лежат ","en_topic":"Data mining","wiki_pageid":648837,"wiki_revid":153157338,"source_url":"https://ru.wikipedia.org/?curid=648837","license":"CC BY-SA 4.0"}
{"slug":"web-crawler","lang":"ru","title":"Поисковый робот","text":"Поиско́вый ро́бот, или веб-кра́улер (англ. Web crawler; также встречается название «веб-пау́к»), алгоритмы автоматического интернет-сёрфинга (англ. Internet surfing, surfing «катание (скольжение) на (по) волнах(-м)») — программа, являющаяся составной частью поисковой системы и предназначенная для перебора страниц Интернета с целью занесения информации о них в базу данных поисковика.\nПо принципу действия, «паук» напоминает обычный браузер. Он анализирует содержимое страницы, сохраняет его в некотором специальном виде на сервере поисковой машины, и отправляется по ссылкам на следующие страницы. Порядок обхода страниц, частота визитов, защита от зацикливания, а также критерии выделения значимой информации определяются алгоритмами информационного поиска. В большинстве случаев переход от одной страницы к другой осуществляется по ссылкам, содержащимся на первой и последующих страницах.\nВладельцы поисковых машин нередко ограничивают глубину проникновения паука внутрь сайта и максимальный размер сканируемого текста, поэтому чересчур большие сайты могут оказаться не полностью проиндексированными поисковой машиной. Кроме обычных пауков, существуют так называемые «дятлы» — роботы, которые «простукивают» проиндексированный сайт, чтобы определить, что он доступен.\nТакже многие поисковые системы предоставляют пользователю возможность самостоятельно добавить сайт в очередь для индексирования. Обычно это существенно ускоряет индексирование сайта, а в случаях, когда никакие внешние ссылки не ведут на сайт, вообще оказывается практически единственной возможностью указать на его существование. Ещё одним способом быстрой индексации сайта является добавление на сайт систем веб-аналитики, принадлежащих поисковым сервисам. Например, таких как Google Analytics, Яндекс.Метрика и Рейтинг@Mail.ru.\nОграничить индексацию сайта можно с помощью файла robots.txt. Полная защита от индексации может быть обеспечена другими механизмами, например установкой пароля на странице либо требованием заполнить","en_topic":"Web crawler","wiki_pageid":24711,"wiki_revid":150973637,"source_url":"https://ru.wikipedia.org/?curid=24711","license":"CC BY-SA 4.0"}
{"slug":"nearest-neighbor-search","lang":"ru","title":"Задача поиска ближайшего соседа","text":"Другие значения этого понятия см. в статье ближайший сосед\nЗадача поиска ближайшего соседа заключается в отыскании среди множества элементов, расположенных в метрическом пространстве, элементов близких к заданному, согласно некоторой заданной функции близости, определяющей это метрическое пространство.\n== Приложения ==\nЗадача поиска ближайшего соседа встречается во множестве приложений, например в областях:\nРаспознавание образов\nКлассификация текстов\nРекомендательные и экспертные системы\nДинамическое размещение рекламы в Интернете\n== Модели данных ==\nПеред решением прикладной задачи, необходимо выбрать форму представления объектов и функцию близости. В большинстве случаев, объекты представляются в виде многомерных векторов, а в качестве функции близости используется скалярное произведение их разности, но могут быть и другие формы представления данных, например:\nМножества — размер пересечения множеств\nСтроки — расстояние Левенштейна\nГраф — соответствие структур\n== Виды целей ==\nПомимо классической задачи отыскания ближайшей к заданной точке, могут быть поставлены задачи:\nНайти приблизительных ближайших соседей (не обязательно наиболее близкого)\nНайти ближайшего соседа для группы элементов\nНайти несколько ближайших соседей\nНайти все пары элементов, расстояние между которыми меньше некоторого заданного\nНайти ближайших соседей в динамически меняющейся среде\n== Алгоритмы ==\n=== Разбиение пространства ===\nДиаграммы Вороного\nKD-деревья\nBSP-деревья\nДеревья покрытий\nVP-деревья\nR-деревья\n=== Обратный индекс ===\nМетод редких точек\n== См. также ==\nМетод k ближайших соседей\nДиаграммы Вороного\n== Ссылки ==\nYury Lifshits. Algorithms for Nearest Neighbors: Theoretical Aspects\nМогилко А. А. Параллельный алгоритм поиска ближайшей точки в радиусе","en_topic":"Nearest neighbor search","wiki_pageid":666955,"wiki_revid":138430692,"source_url":"https://ru.wikipedia.org/?curid=666955","license":"CC BY-SA 4.0"}
{"slug":"euclidean-distance","lang":"ru","title":"Евклидова метрика","text":"Евклидова метрика (евклидово расстояние) — метрика в евклидовом пространстве — расстояние между двумя точками евклидова пространства, вычисляемое по теореме Пифагора.\nДля точек\n p\n =\n (\n p\n 1\n ,\n …\n ,\n p\n n\n )\n {\\displaystyle p=(p_{1},\\dots ,p_{n})}\n и\n q\n =\n (\n q\n 1\n ,\n …\n ,\n q\n n\n )\n {\\displaystyle q=(q_{1},\\dots ,q_{n})}\n евклидово расстояние определяется следующим образом:\n d\n (\n p\n ,\n q\n )\n =\n (\n p\n 1\n −\n q\n 1\n )\n 2\n +\n (\n p\n 2\n −\n q\n 2\n )\n 2\n +\n ⋯\n +\n (\n p\n n\n −\n q\n n\n )\n 2\n =\n ∑\n k\n =\n 1\n n\n (\n p\n k\n −\n q\n k\n )\n 2\n {\\displaystyle d(p,q)={\\sqrt {(p_{1}-q_{1})^{2}+(p_{2}-q_{2})^{2}+\\dots +(p_{n}-q_{n})^{2}}}={\\sqrt {\\sum _{k=1}^{n}(p_{k}-q_{k})^{2}}}}\n.\nЕвклидова метрика — наиболее естественная функция расстояния, возникающая в геометрии, отражающая интуитивные свойства расстояния между точками. При этом существуют и другие метрики в евклидовых пространствах, применяемые как в геометрии, так и в приложениях. Параметрическое расстояние Минковского является обобщением некоторых из этих метрик, при параметре со значением 2 оно обращается в евклидову метрику.\n== Примечания ==\n== Литература ==\nDeza, M. M., Deza, E.. Encyclopedia of Distances (англ.). — Fourth Edition. — Springer, 2016. — ISBN 978-","en_topic":"Euclidean distance","wiki_pageid":2172139,"wiki_revid":144710977,"source_url":"https://ru.wikipedia.org/?curid=2172139","license":"CC BY-SA 4.0"}
{"slug":"hamming-distance","lang":"ru","title":"Расстояние Хэмминга","text":"Расстоя́ние Хэ́мминга (кодовое расстояние) — число позиций, в которых соответствующие символы двух слов одинаковой длины различны. В более общем случае расстояние Хэмминга применяется для строк одинаковой длины любых q-ичных алфавитов и служит метрикой различия (функцией, определяющей расстояние в метрическом пространстве) объектов одинаковой размерности.\nПервоначально метрика была сформулирована Ричардом Хэммингом во время его работы в Bell Labs для определения меры различия между кодовыми комбинациями (двоичными векторами) в векторном пространстве кодовых последовательностей: в этом случае расстоянием Хэмминга\n d\n (\n x\n ,\n y\n )\n {\\displaystyle d(x,y)}\n между двумя двоичными последовательностями (векторами)\n x\n {\\displaystyle x}\n и\n y\n {\\displaystyle y}\n длины\n n\n {\\displaystyle n}\n называется число позиций, в которых они различны. В такой формулировке расстояние Хэмминга вошло в словарь алгоритмов и структур данных Национального института стандартов и технологий США (англ. NIST Dictionary of Algorithms and Data Structures). Расстояние Хэмминга является частным случаем метрики Минковского (при соответствующем определении вычитания):\n d\n i\n j\n =\n ∑\n k\n =\n 1\n p\n |\n x\n i\n k\n −\n x\n j\n k\n |\n {\\displaystyle d_{ij}=\\sum _{k=1}^{p}\\left|x_{ik}-x_{jk}\\right|}\n.\nДва слова, расстояние Хэмминга между которыми равно 1, называют соседними.\nВ некоторых системах счисления, например, в коде Грея, целые кодированные числа, различающиеся на 1, имеют расстояние Хэмминга равное 1. Говорят, что такие числа являются «соседними».\nСоседнее кодирование важно при проектировании логических устройств, где необходимо исключить логические гонки.\n== Примеры ==\n d\n (\n 10\n 1\n 1\n ","en_topic":"Hamming distance","wiki_pageid":194926,"wiki_revid":154141607,"source_url":"https://ru.wikipedia.org/?curid=194926","license":"CC BY-SA 4.0"}
{"slug":"natural-language-processing","lang":"ru","title":"Обработка естественного языка","text":"Обработка текстов на естественном языке (Natural Language Processing, NLP) — общее направление искусственного интеллекта и математической лингвистики. Оно изучает проблемы компьютерного анализа и синтеза текстов на естественных языках. Применительно к искусственному интеллекту анализ означает понимание языка, а синтез — генерацию грамотного текста. Одним из теоретических основоположников считается Фердинанд де Соссюр, чья работа «Курс общей лингвистики» (1916 г.) предложила идеи структурного анализа языка, позднее повлиявшие на развитие формальных моделей языка и компьютерной обработки символов.\n== Задачи и ограничения ==\nТеоретически, построение естественно-языкового интерфейса для компьютеров — очень привлекательная цель. Ранние системы, такие как SHRDLU, работая с ограниченным «миром кубиков» и используя ограниченный словарный запас, выглядели чрезвычайно хорошо, вдохновляя этим своих создателей. Однако оптимизм быстро иссяк, когда эти системы столкнулись со сложностью и неоднозначностью реального мира.\nПонимание естественного языка иногда считают AI-полной задачей, потому как распознавание живого языка требует огромных знаний системы об окружающем мире и возможности с ним взаимодействовать. Само определение смысла слова «понимать» — одна из главных задач искусственного интеллекта.\n== Сложности понимания ==\n=== В русском языке ===\nКачество понимания зависит от множества факторов: от языка, от национальной культуры, от самого собеседника и т. д. Вот некоторые примеры сложностей, с которыми сталкиваются системы понимания текстов.\nСложности с раскрытием анафор (распознаванием, что имеется в виду при использовании местоимений): предложения «Мы отдали бананы обезьянам, потому что они были голодные» и «Мы отдали бананы обезьянам, потому что они были перезрелые» похожи по синтаксической структуре. В одном из них местоимение они относится к обезьянам, а в другом — к бананам. Правильное понимание зависит от знаний компьютера, какими могут быть бананы и обезьяны.\nСвободный","en_topic":"Natural language processing","wiki_pageid":398008,"wiki_revid":151681485,"source_url":"https://ru.wikipedia.org/?curid=398008","license":"CC BY-SA 4.0"}
{"slug":"machine-translation","lang":"ru","title":"Машинный перевод","text":"Маши́нный перево́д — процесс автоматического перевода текста или речи с одного языка на другой, осуществляемый искусственным интеллектом без участия человека. Ранние попытки использовать компьютеры для перевода строились на основе запрограммированных словарей и лингвистических правил, более современные строятся на основе вероятностного подхода — это статистический и нейронный машинный перевод.\n== История машинного перевода ==\nИдеи алгоритмов для перевода с одного языка на другой предшествовали изобретению компьютера. В середине 1930-х годов французский инженер армянского происхождения Жорж Артцруни и советский учёный и педагог Пётр Смирнов-Троянский независимо друг от друга пытались запатентовать «машины для перевода». Более проработанный вариант Смирнова-Троянского включал в себя, кроме автоматического двуязычного словаря, схему для кодирования межъязыковых грамматических ролей, основанную на эсперанто и общие концепции анализа и синтеза текста. Тем не менее, идеи Смирнова-Троянского не получили известности до 1950-х годов.\nМысль использовать ЭВМ для перевода была высказана в 1947 году в США — её сформулировал математик Уоррен Уивер, работавший в то время в Фонде Рокфеллера, в письме Норберту Винеру. В июле 1949 года Уоррен подготовил меморандум, в котором свёл существующие на тот момент предложения в области машинного перевода — они строились на базе накопленных во время Второй мировой войны наработок в области криптоанализа шифров, теории информации Клода Шеннона и идей о неких универсальных принципах, на которых строятся все естественные языки. В течение следующих лет в нескольких американских университетах начались работы по созданию систем машинного перевода на базе ЭВМ. Первая публичная демонстрация такой системы – так называемый Джорджтаунский эксперимент — состоялась в 1954 году. Она была создана на базе сотрудничества между компанией IBM и Джорджтаунским университетом. Хотя Джорджтаунский эксперимент использовал очень ограниченный словарь и простейшую грам","en_topic":"Machine translation","wiki_pageid":53302,"wiki_revid":153205277,"source_url":"https://ru.wikipedia.org/?curid=53302","license":"CC BY-SA 4.0"}
{"slug":"speech-recognition","lang":"ru","title":"Распознавание речи","text":"Распознавание речи — автоматический процесс преобразования речевого сигнала в цифровую информацию (например, текстовые данные). Обратной задачей является синтез речи (text-to-speech).\n== История ==\n=== XX век ===\nПервое устройство для распознавания речи появилось в 1952 году. Разработанное компанией Bell Laboratories, «Одри» (Audrey, но произносится [ˈɔːdri], сокр. от Automatic Digit Recognizer) могла распознавать произнесённые диктором цифры от 0 до 9. Принцип работы заключался в том, что устройство измеряло энергию в определенных частотных диапазонах, чтобы идентифицировать цифры на основе гласных звуков. Однако устройство нужно было настраивать под голос определённого человека, поэтому широкого распространения «Одри» не получила.\nВ 1950-х годах американская компания IBM начала разработки собственного устройства распознавания голоса. Под руководством Уильяма Дёрша, в подразделении в Сан-Хосе был разработан прототип «Сьюткейс» (Suitcase), позже ставший компактным IBM Shoebox, который был представлен перед американской прессой в 1961 году. Устройство, в дополнение к цифрам от 0 до 9, могло определить 16 произносимых английских слов, требуя 31 транзистор против 200 на слово у других производителей. Позднее, устройство было показано перед публикой на Всемирной выставке в Сиэтле в 1962 году.\nВ 1963 году в США были презентованы разработанные инженерами корпорации Sperry миниатюрные распознающие устройства с волоконно-оптическим запоминающим устройством под названием «Септрон» (Sceptron, но произносится [ˈseptrɑːn] без «к»), выполняющие ту или иную последовательность действий на произнесённые человеком-оператором определённые фразы. «Септроны» годились для применения в сфере фиксированной (проводной) связи для автоматизации набора номеров голосом и автоматической записи надиктовываемого текста телетайпом, могли применяться в военной сфере (для голосового управления сложными образцами военной техники), авиации (для создания «умной авионики», реагирующей на команды пилота ","en_topic":"Speech recognition","wiki_pageid":1110718,"wiki_revid":152965625,"source_url":"https://ru.wikipedia.org/?curid=1110718","license":"CC BY-SA 4.0"}
{"slug":"computer-vision","lang":"ru","title":"Компьютерное зрение","text":"Компьютерное зрение, искусственное зрение — теория и технология создания функциональных блоков, которые могут производить обнаружение, отслеживание и классификацию объектов.\nКак научная дисциплина, компьютерное зрение относится к теории и технологии создания искусственных систем, которые получают информацию из изображений. Видеоданные могут быть представлены множеством форм, таких как видеопоследовательность, изображения с различных камер или трехмерными данными, например с устройства Kinect или медицинского сканера.\nКак технологическая дисциплина, компьютерное зрение стремится применить теории и модели компьютерного зрения к созданию систем компьютерного зрения. Примерами применения таких систем могут быть:\nСистемы управления процессами (промышленные роботы, автономные транспортные средства).\nСистемы видеонаблюдения.\nСистемы организации информации (например, для индексации баз данных изображений).\nСистемы моделирования объектов или окружающей среды (анализ медицинских изображений, топографическое моделирование).\nСистемы взаимодействия (например, устройства ввода для системы человеко-машинного взаимодействия).\nСистемы дополненной реальности.\nВычислительная фотография, например, для мобильных устройств с камерами.\nКомпьютерное зрение также может быть описано как дополнение (но не обязательно противоположность) биологическому зрению. В биологии изучается зрительное восприятие человека и различных животных, в результате чего создаются модели работы таких систем в терминах физиологических процессов. Компьютерное зрение, с другой стороны, изучает и описывает системы компьютерного зрения, которые выполнены аппаратно или программно. Междисциплинарный обмен между биологическим и компьютерным зрением оказался весьма продуктивным для обеих научных областей.\nПодразделы компьютерного зрения включают воспроизведение действий, обнаружение событий, слежение, распознавание образов, восстановление изображений и некоторые другие.\n== Современное положение ==\nОбласть компьютерного зрен","en_topic":"Computer vision","wiki_pageid":774849,"wiki_revid":151780241,"source_url":"https://ru.wikipedia.org/?curid=774849","license":"CC BY-SA 4.0"}
{"slug":"turing-test","lang":"ru","title":"Тест Тьюринга","text":"Тест Тью́ринга — эмпирический тест, идея которого была предложена Аланом Тьюрингом в статье «Вычислительные машины и разум», опубликованной в 1950 году в философском журнале Mind. Тьюринг задался целью определить, может ли машина мыслить.\nСтандартная интерпретация этого теста звучит следующим образом: «Человек взаимодействует с одним компьютером и одним человеком. На основании ответов на вопросы он должен определить, с кем он разговаривает: с человеком или компьютерной программой. Задача компьютерной программы — ввести человека в заблуждение, заставив сделать неверный выбор».\nВсе участники теста не видят друг друга. Если судья не может сказать определённо, кто из собеседников является человеком, то считается, что машина прошла тест. Чтобы протестировать именно интеллект машины, а не её возможность распознавать устную речь, беседа ведётся в режиме «только текст», например, с помощью клавиатуры и экрана (компьютера-посредника). Переписка должна производиться через контролируемые промежутки времени, чтобы судья не мог делать заключения, исходя из скорости ответов. Во времена Тьюринга компьютеры реагировали медленнее человека. Сейчас это правило тоже необходимо, потому что они реагируют гораздо быстрее, чем человек.\n== История ==\n=== Философские предпосылки ===\nХотя исследования в области искусственного интеллекта начались в 1956 году, их философские корни уходят глубоко в прошлое. Вопрос, сможет ли машина думать, имеет долгую историю. Он тесно связан с различиями между дуалистическим и материалистическим взглядами.\nС точки зрения дуализма, мысль не является материальной (или, по крайней мере, не имеет материальных свойств), и поэтому разум нельзя объяснить только с помощью физических понятий.\nС другой стороны, материализм гласит, что разум можно объяснить физически, таким образом, оставляя возможность существования разумов, созданных искусственно.\nВ 1936 году философ Альфред Айер рассмотрел обычный для философии вопрос касательно других разумов: как узнать, что другие ","en_topic":"Turing test","wiki_pageid":5683,"wiki_revid":153354643,"source_url":"https://ru.wikipedia.org/?curid=5683","license":"CC BY-SA 4.0"}
{"slug":"sentiment-analysis","lang":"ru","title":"Анализ тональности текста","text":"Ана́лиз тона́льности те́кста (сентимент-анализ, англ. Sentiment analysis, англ. Opinion mining) — класс методов контент-анализа в компьютерной лингвистике, предназначенный для автоматизированного выявления в текстах эмоционально окрашенной лексики и эмоциональной оценки авторов (мнений) по отношению к объектам, речь о которых идёт в тексте.\nТональность — это эмоциональное отношение автора высказывания к некоторому объекту (объекту реального мира, событию, процессу или их свойствам/атрибутам), выраженное в тексте. Эмоциональная составляющая, выраженная на уровне лексемы или коммуникативного фрагмента, называется лексической тональностью (или лексическим сентиментом). Тональность всего текста в целом можно определить как функцию (в простейшем случае сумму) лексических тональностей составляющих его единиц (предложений) и правил их сочетания.\n== Задачи ==\nОсновной целью анализа тональности является нахождение мнений в тексте и выявление их свойств. Какие именно свойства будут исследоваться, зависит уже от поставленной задачи. К примеру, целью анализа может быть автор, то есть лицо, которому принадлежит мнение.\nМнения делятся на два типа:\nнепосредственное мнение;\nсравнение.\nНепосредственное мнение содержит высказывание автора об одном объекте. Формальное определение непосредственного мнения выглядит так: \"непосредственным мнением называется кортеж из пяти элементов (e, f, op, h, t), где:\n(entity, feature) — объект тональности e (сущность, насчет которой высказывается автор) или его свойства f (атрибуты, части объекта) ;\norientation или polarity — тональная оценка (эмоциональная позиция автора относительно упомянутой темы);\nholder — субъект тональности (автор, то есть кому принадлежит это мнение);\nмомент времени time, когда было оставлено мнение.\nПримеры тональных оценок:\nпозитивная;\nнегативная;\nнейтральная.\nПод «нейтральной» подразумевается, что текст не содержит эмоциональной окраски. Также могут существовать и другие тональные оценки.\n== Виды классификации ==\nВ совреме","en_topic":"Sentiment analysis","wiki_pageid":3043709,"wiki_revid":152397248,"source_url":"https://ru.wikipedia.org/?curid=3043709","license":"CC BY-SA 4.0"}
{"slug":"optical-character-recognition","lang":"ru","title":"Оптическое распознавание символов","text":"Оптическое распознавание символов (англ. optical character recognition, OCR) — механический или электронный перевод изображений рукописного, машинописного или печатного текста в текстовые данные, использующиеся для представления символов в компьютере (например, в текстовом редакторе). Распознавание широко применяется для преобразования книг и документов в электронный вид, для автоматизации систем учёта в бизнесе или для публикации текста на веб-странице. Оптическое распознавание символов позволяет редактировать текст, осуществлять поиск слов или фраз, хранить его в более компактной форме, демонстрировать или распечатывать материал, не теряя качества, анализировать информацию, а также применять к тексту электронный перевод, форматирование или преобразование в речь. Оптическое распознавание текста является исследуемой проблемой в областях распознавания образов, искусственного интеллекта и компьютерного зрения.\nСистемы оптического распознавания текста требуют калибровки для работы с конкретным шрифтом; в ранних версиях для программирования было необходимо изображение каждого символа, программа одновременно могла работать только с одним шрифтом. В настоящее время больше всего распространены так называемые «интеллектуальные» системы, с высокой степенью точности распознающие большинство шрифтов. Некоторые системы оптического распознавания текста способны восстанавливать исходное форматирование текста, включая изображения, колонки и другие нетекстовые компоненты.\n== История ==\nВ 1929 году Густав Таушек (нем. Gustav Tauschek) получил патент на метод оптического распознавания текста в Германии, после чего за ним последовал Гендель (англ. Paul W. Handel), получив патент на свой метод в США в 1933. В 1935 году Таушек также получил патент США на свой метод. Машина Таушека представляла собой механическое устройство, которое использовало шаблоны и фотодетектор.\nВ 1950 году Дэвид Х. Шепард (англ. David H. Shepard), криптоаналитик из агентства безопасности вооружённых сил Соединённ","en_topic":"Optical character recognition","wiki_pageid":882455,"wiki_revid":153437757,"source_url":"https://ru.wikipedia.org/?curid=882455","license":"CC BY-SA 4.0"}
{"slug":"robotics","lang":"ru","title":"Робототехника","text":"Робототе́хника (от робот и техника; англ. robotics — роботика, роботехника) — прикладная наука, занимающаяся разработкой автоматизированных технических систем и являющаяся важнейшей технической основой развития производства.\nРобототехника опирается на такие дисциплины, как электроника, механика, кибернетика, телемеханика, мехатроника, информатика, а также радиотехника и электротехника. Выделяют строительную, промышленную, бытовую, медицинскую, авиационную и экстремальную (военную, космическую, подводную) робототехнику.\n== Этимология термина ==\nСлово «роботика» (или «роботехника», «robotics») было впервые использовано в печати Айзеком Азимовым в научно-фантастическом рассказе «Лжец», опубликованном в 1941 году.\nВ основу слова «робототехника» легло слово «робот», придуманное в 1920 г. чешским писателем Карелом Чапеком и его братом Йозефом для научно-фантастической пьесы Карела Чапека «Р. У. Р.» («Россумские универсальные роботы»), впервые поставленной в 1921 г. и пользовавшейся успехом у зрителей. В ней хозяин завода налаживает выпуск множества андроидов, которые сначала работают без отдыха, но потом восстают и губят своих создателей.\n== История отрасли ==\nНекоторые идеи, положенные позднее в основу робототехники, появились ещё в античную эпоху — задолго до введения перечисленных выше терминов. Найдены остатки движущихся статуй, изготовленных в I веке до нашей эры. В «Илиаде» Гомера говорится, что бог Гефест сделал из золота говорящих служанок, придав им разум (то есть — на современном языке — искусственный интеллект) и силу. Древнегреческому механику и инженеру Архиту Тарентскому приписывают создание механического голубя, способного летать (ок. 400 г. до н. э.). Более двух тысяч лет назад Герон Александрийский создал водяной автомат «Поющая птица» и ряд систем подвижных фигур для античных храмов. В 270 году древнегреческий изобретатель Ктесибий изобрёл особые водяные часы, получившие название клепсидра (или «крадущие время»), которые своим хитроумным устройством вызв","en_topic":"Robotics","wiki_pageid":51634,"wiki_revid":153175141,"source_url":"https://ru.wikipedia.org/?curid=51634","license":"CC BY-SA 4.0"}
{"slug":"postgresql","lang":"ru","title":"PostgreSQL","text":"PostgreSQL (произносится ˈpoʊstɡɹɛskjuˌɛl «Пост-Грес-Кью-Эл») — свободная объектно-реляционная система управления базами данных (СУБД).\nСуществует в реализациях для множества UNIX-подобных платформ, включая различные BSD-системы, IRIX, Linux, macOS, Solaris/OpenSolaris, Tru64, QNX, а также для Microsoft Windows.\n== Поддержка стандартов, возможности, особенности ==\nPostgreSQL базируется на языке SQL и поддерживает многие из возможностей стандарта SQL:2011 и ряд возможностей SQL:2016 в части работы с данными в формате JSON.\nВ PostgreSQL есть следующие ограничения:\nСильными сторонами PostgreSQL считаются:\nвысокопроизводительные и надёжные механизмы транзакций и репликации;\nрасширяемая система встроенных языков программирования: в стандартной поставке поддерживаются PL/pgSQL, PL/Perl, PL/Python и PL/Tcl; дополнительно можно использовать PL/Java, PL/PHP, PL/Py, PL/R, PL/Ruby, PL/Scheme, PL/sh и PL/V8, а также имеется поддержка загрузки модулей расширения на языке C;\nнаследование;\nвозможность индексирования геометрических (в частности, географических) объектов и наличие базирующегося на ней расширения PostGIS;\nвстроенная поддержка слабоструктурированных данных в формате JSON с возможностью их индексации;\nрасширяемость (возможность создавать новые типы данных, типы индексов, языки программирования, модули расширения, подключать любые внешние источники данных).\n== История ==\nPostgreSQL создана на основе некоммерческой СУБД Postgres, разработанной как open-source проект в Калифорнийском университете в Беркли. К разработке Postgres, начавшейся в 1986 году, имел непосредственное отношение Майкл Стоунбрейкер, руководитель более раннего проекта Ingres, на тот момент уже приобретённого компанией Computer Associates. Название расшифровывалось как «Post Ingres», и при создании Postgres были применены многие ранние наработки.\nСтоунбрейкер и его студенты разрабатывали новую СУБД в течение восьми лет с 1986 по 1994 годы. За этот период в синтаксис были введены процедуры, правила, поль","en_topic":"PostgreSQL","wiki_pageid":39423,"wiki_revid":152762107,"source_url":"https://ru.wikipedia.org/?curid=39423","license":"CC BY-SA 4.0"}
{"slug":"sqlite","lang":"ru","title":"SQLite","text":"SQLite (/ˌɛsˌkjuːˌɛlˈaɪt/, /ˈsiːkwəˌlaɪt/) — компактная встраиваемая СУБД. Исходный код библиотеки передан в общественное достояние. В 2005 году проект получил награду Google-O’Reilly Open Source Awards.\n== Устройство ==\nСлово «встраиваемый» (англ. embedded) означает, что SQLite не использует парадигмы клиент-сервер, то есть движок SQLite не является отдельно работающим процессом, с которым взаимодействует программа, а представляет собой библиотеку, с которой программа компонуется, и движок становится составной частью программы. Таким образом, в качестве протокола обмена используются вызовы функций (API) библиотеки SQLite. Такой подход уменьшает накладные расходы, время отклика и упрощает программу. SQLite хранит всю базу данных (включая определения, таблицы, индексы и данные) в единственном стандартном файле на том компьютере, на котором исполняется программа. Простота реализации достигается за счёт того, что перед началом исполнения транзакции записи весь файл, хранящий базу данных, блокируется; ACID-функции достигаются в том числе за счёт создания файла журнала.\nНесколько процессов или потоков могут одновременно без каких-либо проблем читать данные из одной базы. Запись в базу можно осуществить только в том случае, если никаких других запросов в данный момент не обслуживается; в противном случае попытка записи оканчивается неудачей, и в программу возвращается код ошибки. Другим вариантом развития событий является автоматическое повторение попыток записи в течение заданного интервала времени.\nВ комплекте поставки идёт также функциональная клиентская часть в виде исполняемого файла sqlite3, с помощью которого демонстрируется реализация функций основной библиотеки. Клиентская часть является кроссплатформенной утилитой командной строки.\nSQLite возможно использовать как на встраиваемых системах, так и на выделенных машинах с гигабайтными массивами данных.\n== Типы данных ==\nSQLite поддерживает динамическое типизирование данных. Возможные типы значений: INTEGER, REAL, T","en_topic":"SQLite","wiki_pageid":143980,"wiki_revid":149819068,"source_url":"https://ru.wikipedia.org/?curid=143980","license":"CC BY-SA 4.0"}
{"slug":"redis","lang":"ru","title":"Redis","text":"Redis (/ˈrɛdɪs/; от англ. remote dictionary server) — резидентная система управления базами данных класса NoSQL, работающая со структурами данных типа «ключ — значение». Используется как для баз данных, так и для реализации кэшей, брокеров сообщений. Изначально выпускалась под свободной лицензией, с 2024 года — под лицензией SSPL\nОриентирована на достижение максимальной производительности на атомарных операциях (заявляется о приблизительно 100 тыс. SET- и GET-запросов в секунду на Linux-сервере начального уровня). Написана на Си, интерфейсы доступа созданы для большинства основных языков программирования.\nВ период 2010—2013 годов разработка системы спонсировалась компанией VMware, с мая 2013 года, после реорганизаций в федерации EMC — VMware, проект передан в Pivotal. С июня 2015 года основной спонсор проекта — компания Redis Labs, специально основанная для коммерциализации Redis, в неё же перешёл основной разработчик продукта — Сальваторе Санфилиппо.\n== Дизайн ==\nХранит базу данных в оперативной памяти, снабжена механизмами снимков и журналирования для обеспечения постоянного хранения (на дисках, твердотельных накопителях). Также предоставляет операции для реализации механизма обмена сообщениями в шаблоне «издатель — подписчик»: с его помощью приложения могут создавать каналы, подписываться на них и помещать в каналы сообщения, которые будут получены всеми подписчиками (как IRC-чат). Поддерживает репликацию данных с основных узлов на несколько подчинённых (англ. master — slave replication). Также поддерживает транзакции и пакетную обработку команд (выполнение пакета команд, получение пакета результатов).\nРаботает на большинстве POSIX-систем, таких как Linux, *BSD, Mac OS X без каких-либо дополнений, компания-спонсор проекта поддерживает систему на Linux и Mac OS X. Официальной поддержки для сборок Windows нет, но доступны некоторые опции, позволяющие обеспечить работу Redis на этой системе, сообщается о работах Microsoft по переносу Redis на Windows.\nВ версии 2.6.0","en_topic":"Redis","wiki_pageid":2609151,"wiki_revid":152934231,"source_url":"https://ru.wikipedia.org/?curid=2609151","license":"CC BY-SA 4.0"}
{"slug":"mysql","lang":"ru","title":"MySQL","text":"MySQL (МФА: [maɪ ˌɛskjuːˈɛl]) — свободная реляционная система управления базами данных. Разработку и поддержку MySQL осуществляет корпорация Oracle, получившая права на торговую марку вместе с поглощённой Sun Microsystems, которая ранее приобрела шведскую компанию MySQL AB. Продукт распространяется как под GNU General Public License, так и под собственной коммерческой лицензией. Помимо этого, разработчики создают функциональность по заказу лицензионных пользователей. Именно благодаря такому заказу почти в самых ранних версиях появился механизм репликации.\nMySQL является решением для малых и средних приложений. Входит в состав серверов WAMP, AppServ, LAMP и в портативные сборки серверов Денвер, XAMPP, VertrigoServ. Обычно MySQL используется в качестве сервера, к которому обращаются локальные или удалённые клиенты, однако в дистрибутив входит библиотека внутреннего сервера, позволяющая включать MySQL в автономные программы.\nГибкость СУБД MySQL обеспечивается поддержкой большого количества типов таблиц: пользователи могут выбрать как таблицы типа MyISAM, поддерживающие полнотекстовый поиск, так и таблицы InnoDB, поддерживающие транзакции на уровне отдельных записей. Более того, СУБД MySQL поставляется со специальным типом таблиц EXAMPLE, демонстрирующим принципы создания новых типов таблиц. Благодаря открытой архитектуре и GPL-лицензированию, в СУБД MySQL постоянно появляются новые типы таблиц.\n26 февраля 2008 года Sun Microsystems приобрела MySQL AB за 1 млрд долларов, 27 января 2010 года Oracle приобрела Sun Microsystems за 7,4 млрд долларов и включила MySQL в свою линейку СУБД.\nСообществом разработчиков MySQL созданы различные форки кода, такие как Drizzle, OurDelta, Percona Server и MariaDB. Все эти форки уже существовали на момент поглощения компании Sun корпорацией Oracle.\n== О происхождении MySQL ==\nMySQL возникла как попытка применить mSQL к собственным разработкам компании: таблицам, для которых использовались ISAM — подпрограммы низкого уровня. В результате б","en_topic":"MySQL","wiki_pageid":16257,"wiki_revid":149813405,"source_url":"https://ru.wikipedia.org/?curid=16257","license":"CC BY-SA 4.0"}
{"slug":"microsoft-sql-server","lang":"ru","title":"Microsoft SQL Server","text":"Microsoft SQL Server — система управления реляционными базами данных (РСУБД), разработанная корпорацией Microsoft. Основной используемый язык запросов — Transact-SQL, создан совместно Microsoft и Sybase. Transact-SQL является реализацией стандарта ANSI/ISO по структурированному языку запросов (SQL) с расширениями. Используется для работы с базами данных размером от персональных до крупных баз данных масштаба предприятия; конкурирует с другими СУБД в этом сегменте рынка.\n== Предыстория (по 1986) ==\nРазвитие клиент-серверных технологий во второй половине 80-х было обусловлено развитием двух ключевых направлений, активно разрабатываемых с конца 70-х годов: персональных компьютеров с одной стороны, и компьютерных сетей — с другой. Долгое время СУБД были доступны лишь для мэйнфреймов, и лишь благодаря росту производительности процессоров для домашних компьютеров и мини-ЭВМ разработчики СУБД (как, например, Oracle) начали создавать соответствующие версии своих продуктов. Одной из первых СУРБД для ПК стала Oracle v3, выпущенная в 1983 году. На тот момент немногочисленные владельцы ПК использовали их в основном для разработки приложений и тестирования.\nОдним из ключевых этапов в развитии СУБД стал 1986 год. К этому времени появилось ещё несколько компаний-разработчиков СУБД, одной из самых заметных из них стала компания Sybase, основанная двумя годами ранее. К 1986 году Sybase начала комплектовать интеллектуальные рабочие станции (как правило, разработки Sun Microsystems или Apollo Computer) с серверами базы данных (разработанных, например, Oracle). При этом сама клиент-серверная технология сделала возможным отделение модулей обработки информации (т. н. back end) от модулей интерфейса (т. н. front end). Учтя постоянный рост проникновения компьютерных сетей, поставщики решений перешли к задачам распределения остальных задач (например, форматирование отчётов, проверка данных и т. д.) среди рабочих станций сети, оставив серверу выполнять лишь задачи, требующие централизованног","en_topic":"Microsoft SQL Server","wiki_pageid":70090,"wiki_revid":152360179,"source_url":"https://ru.wikipedia.org/?curid=70090","license":"CC BY-SA 4.0"}
{"slug":"mongodb","lang":"ru","title":"MongoDB","text":"MongoDB — документоориентированная система управления базами данных (СУБД), не требующая описания схемы таблиц. Считается одним из классических примеров NoSQL-систем, использует JSON-подобные документы и схему базы данных. Написана на языке C++. Применяется в веб-разработке, в частности, в рамках JavaScript-ориентированного стека MEAN.\n== Возможности ==\nСистема поддерживает ad-hoc-запросы: они могут возвращать конкретные поля документов и пользовательские JavaScript-функции. Поддерживается поиск по регулярным выражениям. Также можно настроить запрос на возвращение случайного набора результатов.\nИмеется поддержка индексов.\nСистема может работать с набором реплик, то есть содержать две или более копии данных на различных узлах. Каждый экземпляр набора реплик может в любой момент выступать в роли основной или вспомогательной реплики. Все операции записи и чтения по умолчанию осуществляются с основной репликой. Вспомогательные реплики поддерживают в актуальном состоянии копии данных. В случае, когда основная реплика дает сбой, набор реплик проводит выбор, которая из реплик должна стать основной. Второстепенные реплики могут дополнительно являться источником для операций чтения.\nСистема масштабируется горизонтально, используя технику сегментирования объектов баз данных — распределение их частей по различным узлам кластера. Администратор выбирает ключ сегментирования, который определяет, по какому критерию данные будут разнесены по узлам (в зависимости от значений хэша ключа сегментирования). Благодаря тому, что каждый узел кластера может принимать запросы, обеспечивается балансировка нагрузки.\nСистема может быть использована в качестве файлового хранилища с балансировкой нагрузки и репликацией данных (функция Grid File System; поставляется вместе с драйверами MongoDB). Предоставляются программные средства для работы с файлами и их содержимым. GridFS используется в плагинах для Nginx и lighttpd. GridFS разделяет файл на части и хранит каждую часть как отдельный документ.\n","en_topic":"MongoDB","wiki_pageid":2115594,"wiki_revid":152328249,"source_url":"https://ru.wikipedia.org/?curid=2115594","license":"CC BY-SA 4.0"}
{"slug":"apache-cassandra","lang":"ru","title":"Apache Cassandra","text":"Apache Cassandra — распределённая система управления базами данных, относящаяся к классу NoSQL-систем и рассчитанная на создание высокомасштабируемых и надёжных хранилищ огромных массивов данных, представленных в виде хэша.\nИзначально проект был разработан в недрах Facebook и в 2009 году передан под крыло фонда Apache Software Foundation, эта организация продолжает развитие проекта. Промышленные решения на базе Cassandra развёрнуты для обеспечения сервисов таких компаний, как Cisco, IBM, Cloudkick, Reddit, Digg, Rackspace, Huawei, Netflix, Apple, Instagram, GitHub, Twitter и Spotify. К 2011 году крупнейший кластер серверов, обслуживающий единую базу данных под управлением Cassandra, насчитывал более 400 машин и содержал данные размером более 300 ТБ.\nНаписана на языке Java, реализует распределённую хэш-систему, сходную с DynamoDB, что обеспечивает практически линейную масштабируемость при увеличении объёма данных. Использует модель хранения данных на базе семейства столбцов, чем отличается от систем, подобных MemcacheDB, которые хранят данные только в связке «ключ — значение», возможностью организовать хранение хэшей с несколькими уровнями вложенности. Относится к категории отказоустойчивых СУБД: помещённые в базу данные автоматически реплицируются на несколько узлов распределённой сети или даже равномерно распределяются в нескольких дата-центрах. При сбое узла его функции на лету подхватываются другими узлами, добавление новых узлов в кластер и обновление версии Cassandra производится на лету, без дополнительного ручного вмешательства и переконфигурации других узлов. Тем не менее настоятельно рекомендуется заново сгенерировать ключи (метки) для каждого узла, включая существующие, чтобы сохранить качество распределения нагрузки. Генерации ключей для существующих узлов можно избежать в случае кратного увеличения количества узлов (в 2 раза, в 3 раза и так далее).\n== CQL ==\nДля упрощения взаимодействия с базой данных поддерживается язык формирования структурированных за","en_topic":"Apache Cassandra","wiki_pageid":3667632,"wiki_revid":151575961,"source_url":"https://ru.wikipedia.org/?curid=3667632","license":"CC BY-SA 4.0"}
{"slug":"elasticsearch","lang":"ru","title":"Elasticsearch","text":"Elasticsearch — тиражируемая программная поисковая система, по состоянию на середину 2010-х годов — самая популярная в своей категории. Написана на Java, распространяется по лицензии SSPL (англ. Server Side Public License; обеспечивающей открытость, но не считающейся свободной), в основе использует библиотеку Lucene (так же как и вторая по популярности поисковая система — Solr), официальные клиенты доступны на PHP, Java, .NET (C#), Python, Groovy и ряде других языков.\nРазрабатывается компанией Elastic вместе со связанными проектами — механизмом сбора данных и анализа журналов Logstash и платформой аналитики и визуализации Kibana; эти три продукта предназначены для использования в качестве интегрированного решения, называемого «Elastic Stack» (ELK).\nСреди крупных сайтов, использующих Elasticsearch, отмечались Викимедиа (до перехода в 2024 году на форк OpenSearch), StumbleUpon, Quora, Foursquare, SoundCloud, GitHub и Netflix. Amazon, IBM, Qbox и компания Elastic предлагают подписчикам Elasticsearch в качестве управляемого сервиса, большинство таких публично-облачных управляемых услуг также включают поддержку Kibana.\n== История ==\nВ 2004 году Шай Бейнон (Shay Banon) создал предшественника Elasticsearch — систему Compass. Разрабатывая третью версию Compass, Бейнон пришёл к выводу, что для создания масштабируемой версии системы, необходимо создавать программу «с нуля», в результате в феврале 2010 года была выпущена первая версия Elasticsearch.\nДля коммерциализации проекта Бейнон в 2012 году основал нидерландскую компанию Elasticsearch BV. В июне 2014 года компания объявила о привлечении $70 млн в рамках цикла финансирования серии C, отбор проходил под руководством New Enterprise Associates (NEA), дополнительными спонсорами стали Benchmark Capital и Index Ventures, в результате раунд принёс фирме общее финансирование $104 млн.\nВ марте 2015 года компания Elasticsearch изменила свое название на Elastic.\n== Возможности ==\nОбеспечивает горизонтально масштабируемый поиск, подд","en_topic":"Elasticsearch","wiki_pageid":6920681,"wiki_revid":153558124,"source_url":"https://ru.wikipedia.org/?curid=6920681","license":"CC BY-SA 4.0"}
{"slug":"apache-kafka","lang":"ru","title":"Apache Kafka","text":"Apache Kafka — распределённый программный брокер сообщений с открытым исходным кодом, разрабатываемый в рамках фонда Apache на языках Java и Scala. Цель проекта — создание горизонтально масштабируемой платформы для обработки потоковых данных в реальном времени с высокой пропускной способностью и низкой задержкой. Kafka может подключаться к внешним системам (для импорта и экспорта данных) через Kafka Connect, а также может использоваться в задачах больших данных при помощи библиотеки Kafka Streams. Использует собственный двоичный протокол передачи данных на основе TCP, группирующий сообщения для снижения накладных расходов на сеть.\n== История ==\nИзначально разработан в LinkedIn Джеем Крепсом, Нией Нархид и Цзюнь Жао для внутреннего использования; наименование было дано Крепсом в честь писателя Франца Кафки. В начале 2011 года разработчики открыли исходный код системы под лицензией Apache и проект был принят в Apache Incubator. 23 октября 2012 года стал проектом верхнего уровня. В 2014 году основные авторы покинули LinkedIn и основали компанию Confluent для коммерциализации проекта. В 2021 году Confluent провела первичное размещение, достигнув по его результатам капитализации в $10 млрд; в 2025 году поглощена корпорацией IBM за $11 млрд.\n== Архитектура ==\nKafka хранит сообщения, которые поступают от других процессов, называемых «производителями» (producers), в формате «ключ — значение». Данные могут быть разбиты на разделы (англ. partitions) в рамках разных тем (topics). Внутри раздела сообщения строго упорядочены по своим смещениям (offset), то есть по положению сообщения внутри раздела, а также индексируются и сохраняются вместе с временем создания. Другие процессы, называемые «потребителями» (consumers), могут считывать сообщения из разделов. Для потоковой обработки Kafka предлагает Streams API, позволяющий разрабатывать Java-приложения, которые получают из Kafka и записывают данные в Kafka. Система также работает с внешними системами обработки потоков, такими как ","en_topic":"Apache Kafka","wiki_pageid":5250140,"wiki_revid":152419078,"source_url":"https://ru.wikipedia.org/?curid=5250140","license":"CC BY-SA 4.0"}
{"slug":"kubernetes","lang":"ru","title":"Kubernetes","text":"Kubernetes (K8s) — открытое программное обеспечение для оркестровки контейнеризированных приложений — автоматизации их развёртывания, масштабирования и координации в условиях кластера. Поддерживает основные технологии контейнеризации, включая Docker, rkt, также возможна поддержка технологий аппаратной виртуализации.\nОригинальная версия была разработана компанией Google для внутренних нужд, впоследствии система передана под управление Cloud Native Computing Foundation. Используются рядом крупных организаций и интернет-проектов, в частности, инфраструктура фонда Wikimedia Foundation перенесена с самостоятельно разработанного программного обеспечения для организации кластеров на Kubernetes.\nСлово «Kubernetes» происходит от др.-греч. κυβερνήτης — кормчий, рулевой. Часто также используется нумероним «k8s»: в слове «kubernetes» восемь букв между «k» и «s», по аналогии с нумеронимом «i18n» — сокращённой версией от «internationalization».\n== История ==\nОсновные разработчики первых версий внутренней системы Google — программисты Джо Беда (Joe Beda), Брендан Бёрнс (Brendan Burns) и Крэйг Маклаки (Craig McLuckie), в дальнейшем к проекту присоединились их коллеги Брайан Грант (Brian Grant) и Тим Хокин (Tim Hockin). Основной язык программирования системы — Go. На разработку и внутреннюю идеологию Kubernetes серьёзно повлиял другой продукт Google, оставшийся внутренней разработкой — система управления кластерами Google Borg, над которым ранее работал ряд ключевых разработчиков Kubernetes.\nОригинальное наименование проекта — Project Seven (отсылка к героине сериала Star Trek, возвращённой в индивидуальное и дружественное к людям состояние из статуса члена нечеловеческого роевого кибернетического разума Коллектива Боргов); семь ручек на штурвале логотипа проекта — аллюзия на этот художественный образ.\nВ середине 2014 года опубликованы исходные коды проекта. 21 июля 2015 года выпущена версия 1.0; после чего Google в партнёрстве с Linux Foundation организовал специальный фонд Cloud N","en_topic":"Kubernetes","wiki_pageid":7316242,"wiki_revid":152709276,"source_url":"https://ru.wikipedia.org/?curid=7316242","license":"CC BY-SA 4.0"}
{"slug":"docker","lang":"ru","title":"Docker","text":"Docker — программное обеспечение для автоматизации развёртывания и управления приложениями в средах с поддержкой контейнеризации, контейнеризатор приложений. Позволяет «упаковать» приложение со всем своим окружением и зависимостями в контейнер, который может быть развёрнут на любой Linux-системе с поддержкой контрольных групп в ядре, а также предоставляет набор команд для управления этими контейнерами. Изначально использовал возможности LXC, с 2015 года начал использовать собственную библиотеку, абстрагирующую виртуализационные возможности ядра Linux — libcontainer. С появлением Open Container Initiative начался переход от монолитной к модульной архитектуре.\nРазрабатывается и поддерживается одноимённой компанией, распространяется как в общественной редакции по лицензии Apache 2.0, так и в форме коммерческого программного обеспечения для профессиональных пользователей и организаций. Написан на языке Go.\n== История ==\nПроект начат как внутренняя собственническая разработка компании dotCloud, основанной Соломоном Хайксом (Solomon Hykes) в 2008 году с целью построения публичной PaaS-платформы с поддержкой различных языков программирования. Наряду с Хайксом в первоначальной разработке значительное участие приняли инженеры dotCloud Андреа Лудзарди (Andrea Luzzardi) и Франсуа-Ксавье Бурле (François-Xavier Bourlet).\nВ марте 2013 года код был опубликован под лицензией Apache 2.0. В июне 2013 года генеральным директором в dotCloud приглашён Бен Голуб (англ. Ben Golub), ранее руководивший фирмой Gluster (разрабатывавшей технологию распределённого хранения GlusterFS и поглощённой за $136 млн Red Hat в 2011 году). В октябре 2013 года, подчёркивая смещение фокуса к новой ключевой технологии, dotCloud переименована в Docker (при этом PaaS-платформа сохранена под прежним названием — dotCloud).\nВ октябре 2013 года выпущен релиз Havana тиражируемой IaaS-платформы OpenStack, в котором реализована поддержка Docker (как драйвер для OpenStack Nova). С ноября 2013 года частичная поддержка","en_topic":"Docker (software)","wiki_pageid":5015373,"wiki_revid":148533404,"source_url":"https://ru.wikipedia.org/?curid=5015373","license":"CC BY-SA 4.0"}
{"slug":"nosql","lang":"ru","title":"NoSQL","text":"NoSQL (от англ. not only SQL — не только SQL) — обозначение широкого класса разнородных систем управления базами данных (СУБД), появившихся в конце 2000-х — начале 2010-х годов и существенно отличающихся от традиционных реляционных СУБД с доступом к данным средствами языка SQL. Применяется к системам, в которых делается попытка решить проблемы масштабируемости и доступности за счёт полного или частичного отказа от требований атомарности и согласованности данных.\n== Происхождение ==\n=== История названия ===\nИзначально слово NoSQL являлось акронимом из двух слов английского языка: No («Не») и SQL (сокращение от англ. Structured Query Language — «структурированный язык запросов»), что даёт термину смысл «отрицающий SQL». Возможно, что первые, кто стал употреблять этот термин, хотели сказать «No RDBMS» («не реляционная СУБД») или «no relational» («не реляционный»), но NoSQL звучало лучше и в итоге прижилось (в качестве альтернативы предлагалось также NonRel). Позднее для NoSQL было придумано объяснение «Not Only SQL» («не только SQL»). NoSQL стал общим термином для различных баз данных и хранилищ, но он не обозначает какую-либо одну конкретную технологию или продукт.\n=== Развитие идеи ===\nНереляционные системы использовались на всём протяжении истории современной вычислительной техники, и даже доминировали во времена первых мейнфреймов, пока не были вытеснены реляционными СУБД, сохранив применение в специализированных системах (например, иерархических службах каталогов). Распространение нереляционных СУБД в 2000-е годы произошло из-за необходимости создания параллельных распределённых систем для высокомасштабируемых интернет-приложений, таких как поисковые системы. В начале 2000-х годов Google построил высокомасштабируемую поисковую систему и приложения: GMail, Google Maps, Google Earth, применив распределённую файловую систему, распределённую систему координации и технику MapReduce. Позднее была создана масштабируемая СУБД категории «семейство столбцов». Публикация ком","en_topic":"NoSQL","wiki_pageid":2708467,"wiki_revid":152605823,"source_url":"https://ru.wikipedia.org/?curid=2708467","license":"CC BY-SA 4.0"}
{"slug":"relational-database","lang":"ru","title":"Реляционная база данных","text":"Реляцио́нная ба́за да́нных — база данных, основанная на реляционной модели данных. Понятие «реляционный» образовано от англ. relation («отношение, зависимость, связь»).\nДля работы с реляционными базами данных применяют реляционные системы управления базами данных (СУБД).\n== История ==\nРеляционная база данных была впервые описана в июне 1970 года Эдгаром Коддом из исследовательской лаборатории IBM в Сан-Хосе. Представление Кодда о том, что можно считать системой управления реляционными базами данных, было позже изложено в 12 правилах Кодда. Реляционная база данных стала преобладающим типом баз данных, вытеснив все остальные. Помимо реляционной модели, существуют также иерархическая и сетевая модели.\nВ 1974 году компания IBM начала разработку System R — исследовательского проекта по созданию прототипа реляционной СУБД. Первой системой, продававшейся как реляционная СУБД, стало хранилище реляционных данных Multics. В 1979 году компания Relational Software (ныне Oracle Corporation), выпустила Oracle Database. Затем появились Ingres и IBM BS12. К другим примерам реляционных СУБД относятся IBM Db2, SAP Sybase ASE и Informix. В 1984 году началась разработка первой реляционной СУБД для Macintosh под кодовым названием «Silver Surfer». Она была выпущена в 1987 году под названием 4th Dimension.\n== Нормализация ==\nЦелью нормализации реляционной базы данных является устранение недостатков структуры базы данных, приводящих к избыточности, которая, в свою очередь, потенциально приводит к различным аномалиям и нарушениям целостности данных.\n== Список систем управления базами данных ==\nПо данным DB-Engines, в декабре 2024 года самыми популярными системами были:\nOracle Database\nMySQL\nMicrosoft SQL Server\nPostgreSQL\nSnowflake\nIBM Db2\nSQLite\nMicrosoft Access\nDatabricks\nMariaDB\n== См. также ==\n12 правил Кодда\nХранилище данных\n== Примечания ==\n== Литература ==\nДейт К. Дж. Введение в системы баз данных = Introduction to Database Systems. — 8-е изд. — М.: Вильямс, 2005. — 1328 с. — ISBN 5","en_topic":"Relational database","wiki_pageid":13536,"wiki_revid":154127306,"source_url":"https://ru.wikipedia.org/?curid=13536","license":"CC BY-SA 4.0"}
{"slug":"database-transaction","lang":"ru","title":"Транзакция (информатика)","text":"Транза́кция (англ. transaction) — группа последовательных операций с базой данных, которая представляет собой логическую единицу работы с данными. Транзакция может быть выполнена либо целиком и успешно, соблюдая целостность данных и независимо от параллельно идущих других транзакций, либо не выполнена вообще, и тогда она не должна произвести никакого эффекта. Транзакции обрабатываются транзакционными системами, в процессе работы которых создаётся история транзакций.\nРазличают последовательные (обычные), параллельные и распределённые транзакции. Распределённые транзакции подразумевают использование более чем одной транзакционной системы и требуют намного более сложной логики (например, two-phase commit — двухфазный протокол фиксации транзакции). Также в некоторых системах реализованы автономные транзакции, или подтранзакции, которые являются автономной частью родительской транзакции.\n== Пример транзакции ==\nПример: необходимо перевести с банковского счёта номер 5 на счёт номер 7 сумму в 10 денежных единиц. Этого можно достичь, к примеру, приведённой последовательностью действий:\nПрочесть баланс на счету номер 5.\nУменьшить баланс на 10 денежных единиц.\nСохранить новый баланс счёта номер 5.\nПрочесть баланс на счету номер 7.\nУвеличить баланс на 10 денежных единиц.\nСохранить новый баланс счёта номер 7.\nЭти действия представляют собой логическую единицу работы «перевод суммы между счетами», и таким образом, являются транзакцией. Если прервать данную транзакцию, к примеру, в середине, и не аннулировать все изменения, легко оставить владельца счёта номер 5 без 10 единиц, тогда как владелец счета номер 7 их не получит.\n== Свойства транзакций ==\nОдним из наиболее распространённых наборов требований к транзакциям и транзакционным системам является набор ACID (Atomicity, Consistency, Isolation, Durability). Требования ACID были в основном сформулированы в конце 1970-х годов Джимом Греем. Вместе с тем существуют специализированные системы с ослабленными транзакционными свойствам","en_topic":"Database transaction","wiki_pageid":19398,"wiki_revid":149813604,"source_url":"https://ru.wikipedia.org/?curid=19398","license":"CC BY-SA 4.0"}
{"slug":"database-normalization","lang":"ru","title":"Нормальная форма","text":"Нормальная форма — свойство отношения в реляционной модели данных, характеризующее его с точки зрения избыточности, потенциально приводящей к логически ошибочным результатам выборки или изменения данных. Нормальная форма определяется как совокупность требований, которым должно удовлетворять отношение.\nПроцесс преобразования отношений базы данных к виду, отвечающему нормальным формам, называется нормализацией. Нормализация предназначена для приведения структуры БД к виду, обеспечивающему минимальную логическую избыточность, и не имеет целью уменьшение или увеличение производительности работы или же уменьшение или увеличение физического объёма базы данных. Конечной целью нормализации является уменьшение потенциальной противоречивости хранимой в базе данных информации. Как отмечает К. Дейт, общее назначение процесса нормализации заключается в следующем:\nисключение некоторых типов избыточности;\nустранение некоторых аномалий обновления;\nразработка проекта базы данных, который является достаточно «качественным» представлением реального мира, интуитивно понятен и может служить хорошей основой для последующего расширения;\nупрощение процедуры применения необходимых ограничений целостности.\nУстранение избыточности производится, как правило, за счёт декомпозиции отношений таким образом, чтобы в каждом отношении хранились только первичные факты (то есть факты, не выводимые из других хранимых фактов).\n== Роль нормализации в проектировании реляционных баз данных ==\nПри том, что идеи нормализации весьма полезны для проектирования баз данных, они отнюдь не являются универсальным или исчерпывающим средством повышения качества проекта БД. Это связано с тем, что существует слишком большое разнообразие возможных ошибок и недостатков в структуре БД, которые нормализацией не устраняются. Несмотря на эти рассуждения, теория нормализации является очень ценным достижением реляционной теории и практики, поскольку она даёт научно строгие и обоснованные критерии качества проекта БД и формальны","en_topic":"Database normalization","wiki_pageid":208726,"wiki_revid":149171986,"source_url":"https://ru.wikipedia.org/?curid=208726","license":"CC BY-SA 4.0"}
{"slug":"b-tree","lang":"ru","title":"B-дерево","text":"B-дерево — структура данных, дерево поиска. С точки зрения внешнего логического представления — сбалансированное, сильно ветвистое дерево. Часто используется для хранения данных во внешней памяти.\nИспользование B-деревьев впервые было предложено Р. Бэйером (англ. R. Bayer) и Э. МакКрейтом (англ. E. McCreight) в 1970 году.\nСбалансированность означает, что длины любых двух путей от корня до листьев различаются не более, чем на единицу.\nВетвистость дерева — это свойство каждого узла дерева ссылаться на большое число узлов-потомков.\nС точки зрения физической организации B-дерево представляется как мультисписочная структура страниц памяти, то есть каждому узлу дерева соответствует блок памяти (страница). Внутренние и листовые страницы обычно имеют разную структуру.\n== Применение ==\nСтруктура B-дерева применяется для организации индексов во многих современных СУБД.\nB-дерево может применяться для структурирования (индексирования) информации на жёстком диске (как правило, метаданных). Время доступа к произвольному блоку на жёстком диске очень велико (порядка миллисекунд), поскольку оно определяется скоростью вращения диска и перемещения головок. Поэтому важно уменьшить количество узлов, просматриваемых при каждой операции. Использование поиска по списку каждый раз для нахождения случайного блока могло бы привести к чрезмерному количеству обращений к диску вследствие необходимости последовательного прохода по всем его элементам, предшествующим заданному, тогда как поиск в B-дереве, благодаря свойствам сбалансированности и высокой ветвистости, позволяет значительно сократить количество таких операций.\nОтносительно простая реализация алгоритмов и существование готовых библиотек (в том числе для C) для работы со структурой B-дерева обеспечивают популярность применения такой организации памяти в самых разнообразных программах, работающих с большими объёмами данных.\n== Структура и принципы построения ==\nB-деревом называется дерево, удовлетворяющее следующим свойствам:\nКлючи в каж","en_topic":"B-tree","wiki_pageid":687725,"wiki_revid":152746228,"source_url":"https://ru.wikipedia.org/?curid=687725","license":"CC BY-SA 4.0"}
{"slug":"json","lang":"ru","title":"JSON","text":"JSON (англ. JavaScript Object Notation, в английском обычно произносится как /ˈdʒeɪsən/) — текстовый формат обмена данными, основанный на JavaScript. Как и многие другие текстовые форматы, JSON легко читается людьми. Формат JSON был разработан Дугласом Крокфордом.\nНесмотря на происхождение от JavaScript (точнее, от подмножества языка стандарта ECMA-262 1999 года), формат считается независимым от языка и может использоваться практически с любым языком программирования. Для многих языков существует готовый код для создания и обработки данных в формате JSON.\nПередаваемый текст должен быть в кодировке UTF-8 без BOM.\n== Использование ==\nЗа счёт своей лаконичности по сравнению с XML формат JSON может быть более подходящим для сериализации сложных структур.\nПрименяется в веб-приложениях как для обмена данными между браузером и сервером (AJAX), так и между серверами (программные HTTP-сопряжения).\nПоскольку формат JSON является подмножеством синтаксиса языка JavaScript, то он может быть быстро десериализован встроенной функцией JSON.parse().\n== Синтаксис ==\nJSON-текст представляет собой (в закодированном виде) одну из двух структур:\nНабор пар ключ: значение. В различных языках это реализовано как запись, структура, словарь, хеш-таблица, список с ключом или ассоциативный массив. Ключом может быть только строка (регистрозависимость не регулируется стандартом, это остаётся на усмотрение программного обеспечения. Как правило, регистр учитывается программами — имена с буквами в разных регистрах считаются разными, например), значением — любая форма. Повторяющиеся имена ключей допустимы, но не рекомендуются стандартом; обработка таких ситуаций происходит на усмотрение программного обеспечения, возможные варианты — учитывать только первый такой ключ, учитывать только последний такой ключ, генерировать ошибку.\nУпорядоченный набор значений. Во многих языках это реализовано как массив, вектор, список или последовательность.\nСтруктуры данных, используемые JSON, поддерживаются любым совр","en_topic":"JSON","wiki_pageid":198033,"wiki_revid":150979769,"source_url":"https://ru.wikipedia.org/?curid=198033","license":"CC BY-SA 4.0"}
{"slug":"graphql","lang":"ru","title":"GraphQL","text":"GraphQL — язык запросов данных и язык манипулирования данными с открытым исходным кодом для построения веб ориентированных программных интерфейсов. GraphQL был разработан как внутренний проект компании Facebook в 2012 году, а позднее в 2015 году был выпущен публично.\n== Пример ==\n== Примечания ==\n== Ссылки ==\nhttps://graphql.org/learn/","en_topic":"GraphQL","wiki_pageid":9841761,"wiki_revid":148304111,"source_url":"https://ru.wikipedia.org/?curid=9841761","license":"CC BY-SA 4.0"}
{"slug":"https","lang":"ru","title":"HTTPS","text":"HTTPS (аббр. от англ. Hyper Text Transfer Protocol Secure) — расширение протокола HTTP для поддержки шифрования в целях повышения безопасности. Данные в протоколе HTTPS передаются поверх криптографических протоколов TLS или устаревшего в 2015 году SSL. В отличие от HTTP с TCP-портом 80, для HTTPS по умолчанию используется TCP-порт 443.\nПротокол был разработан компанией Netscape Communications для браузера Netscape Navigator в 1994 году.\n== Принцип работы ==\nHTTPS не является отдельным протоколом. Это обычный HTTP, работающий через шифрованные транспортные механизмы SSL и TLS. Он обеспечивает защиту от атак, основанных на прослушивании сетевого соединения — от снифферских атак и атак типа man-in-the-middle, при условии, что будут использоваться шифрующие средства и сертификат сервера проверен и ему доверяют.\nПо умолчанию HTTPS URL использует 443 TCP-порт (для незащищённого HTTP — 80). Чтобы подготовить веб-сервер для обработки https-соединений, администратор должен получить и установить в систему сертификат открытого и закрытого ключа для этого веб-сервера. В TLS используется как асимметричная схема шифрования (для выработки общего секретного ключа), так и симметричная (для обмена данными, зашифрованными общим ключом). Сертификат открытого ключа подтверждает принадлежность данного открытого ключа владельцу сайта. Сертификат открытого ключа и сам открытый ключ посылаются клиенту при установлении соединения; закрытый ключ используется для расшифровки сообщений от клиента.\nСуществует возможность создать такой сертификат, не обращаясь в центр сертификации. Подписываются такие сертификаты этим же сертификатом и называются самоподписанными (self-signed). Без проверки сертификата каким-то другим способом (например, звонок владельцу и проверка контрольной суммы сертификата) такое использование HTTPS подвержено атаке посредника.\nЭта система также может использоваться для аутентификации клиента, чтобы обеспечить доступ к серверу только авторизованным пользователям. Для этого а","en_topic":"HTTPS","wiki_pageid":9884,"wiki_revid":152042256,"source_url":"https://ru.wikipedia.org/?curid=9884","license":"CC BY-SA 4.0"}
{"slug":"transmission-control-protocol","lang":"ru","title":"TCP","text":"TCP (англ. Transmission Control Protocol — протокол управления передачей) — один из основных протоколов передачи данных интернета. Пакеты в TCP называются сегментами.\nВ стеке протоколов TCP/IP выполняет функции транспортного уровня модели OSI.\nМеханизм TCP предоставляет поток данных с предварительной установкой соединения, осуществляет повторный запрос данных в случае потери данных и устраняет дублирование при получении двух копий одного пакета, гарантируя тем самым (в отличие от UDP) целостность передаваемых данных и уведомление отправителя о результатах передачи.\nРеализации TCP обычно встроены в ядра ОС. Существуют реализации TCP, работающие в пространстве пользователя.\n== Заголовок сегмента TCP ==\n=== Порт источника, Порт назначения ===\nЭти 16-битные поля содержат номера портов — числа, которые определяются по специальному списку.\nПорт источника идентифицирует приложение клиента, с которого отправлены пакеты. Ответные данные передаются клиенту на основании этого номера.\nПорт назначения идентифицирует порт, на который отправлен пакет.\n=== Порядковый номер ===\nSequence number (32 бита) — измеряется в байтах, и каждый переданный байт полезных данных (payload) увеличивает это значение на 1.\nЕсли установлен флаг SYN (идёт установление сессии), то поле содержит изначальный порядковый номер — ISN (Initial Sequence Number). В целях безопасности это значение генерируется случайным образом и может быть равно от 0 до 232−1 (4294967295). Первый байт полезных данных в устанавливающейся сессии будет иметь номер ISN+1.\nВ противном случае, если SYN не установлен, первый байт данных, передаваемый в данном пакете, имеет этот порядковый номер.\nПоскольку поток TCP в общем случае может быть длиннее, чем число различных состояний этого поля, то все операции с порядковым номером должны выполняться по модулю 232. Это накладывает практическое ограничение на использование TCP. Если скорость передачи коммуникационной системы такова, чтобы в течение MSL (максимального времени жизни сегмента","en_topic":"Transmission Control Protocol","wiki_pageid":8908,"wiki_revid":152048690,"source_url":"https://ru.wikipedia.org/?curid=8908","license":"CC BY-SA 4.0"}
{"slug":"load-balancing","lang":"ru","title":"Балансировка нагрузки","text":"В терминологии компьютерных сетей балансировка нагрузки или выравнивание нагрузки (англ. load balancing) — метод распределения заданий между несколькими сетевыми устройствами (например, серверами) с целью оптимизации использования ресурсов, сокращения времени обслуживания запросов, горизонтального масштабирования кластера (динамическое добавление/удаление устройств), а также обеспечения отказоустойчивости (резервирования).\nВ компьютерах балансировка нагрузки распределяет нагрузку между несколькими вычислительными ресурсами, такими как компьютеры, компьютерные кластеры, сети, центральные процессоры или диски. Цель балансировки нагрузки — оптимизация использования ресурсов, максимизация пропускной способности, уменьшение времени отклика и предотвращение перегрузки какого-либо одного ресурса. Использование нескольких компонентов балансировки нагрузки вместо одного компонента может повысить надежность и доступность за счет резервирования. Балансировка нагрузки предполагает обычно наличие специального программного обеспечения или аппаратных средств, таких как многоуровневый коммутатор или система доменных имен, как серверный процесс.\nБалансировка нагрузки отличается от физического соединения тем, что балансировка нагрузки делит трафик между сетевыми интерфейсами на сетевой сокет (модель OSI уровень 4) основе, в то время как соединение канала предполагает разделение трафика между физическими интерфейсами на более низком уровне, либо в пакет (модель OSI уровень 3) или по каналу связи (модель OSI уровень 2).\nПримеры устройств, к которым применима балансировка:\nСерверные кластеры\nПрокси-серверы\nМежсетевые экраны\nКоммутаторы\nСерверы инспектирования содержимого\nСерверы DNS\nСетевые адаптеры\nБалансировка нагрузки может быть использована для расширения возможностей фермы серверов, состоящей более чем из одного сервера. Она также может позволить продолжать работу даже в условиях, когда несколько исполнительных устройств (серверов) вышли из строя. Благодаря этому растёт отказоустой","en_topic":"Load balancing (computing)","wiki_pageid":654400,"wiki_revid":150353851,"source_url":"https://ru.wikipedia.org/?curid=654400","license":"CC BY-SA 4.0"}
{"slug":"nginx","lang":"ru","title":"Nginx","text":"Nginx (engine x — произносится как энджи́нкс или э́нжин-и́кс) — веб-сервер и почтовый прокси-сервер, работающий на Unix-подобных операционных системах (тестировалась сборка и работа на FreeBSD, OpenBSD, Linux, Solaris, macOS, AIX и HP-UX). С версии 0.7.52 существует экспериментальная сборка под Microsoft Windows.\nРоссийский программист Игорь Сысоев начал разработку в 2002 году. Осенью 2004 года вышел первый публично доступный релиз. С июля 2011 работа над nginx продолжается в рамках компании Nginx.\n== Основные функции ==\nNginx позиционируется производителем как простой, быстрый и надёжный сервер, не перегруженный функциями. Применение nginx целесообразно прежде всего для статических веб-сайтов и как обратного прокси-сервера перед динамическими сайтами.\nHTTP-сервер:\nобслуживание неизменяемых запросов, индексных файлов, автоматическое создание списка файлов, кэш дескрипторов открытых файлов;\nакселерированное проксирование без кэширования, простое распределение нагрузки и отказоустойчивость;\nподдержка кеширования при акселерированном проксировании и FastCGI;\nакселерированная поддержка FastCGI и memcached-серверов, простое распределение нагрузки и отказоустойчивость;\nмодульность, фильтры, в том числе сжатие (gzip), byte-ranges (докачка), chunked-ответы, HTTP-аутентификация, SSI-фильтр;\nнесколько подзапросов на одной странице, обрабатываемых в SSI-фильтре через прокси или FastCGI, выполняются параллельно;\nподдержка SSL;\nподдержка PSGI, WSGI;\nэкспериментальная поддержка встроенного Perl.\nSMTP/IMAP/POP3-прокси сервер:\nперенаправление пользователя на SMTP/IMAP/POP3-бэкенд с использованием внешнего HTTP-сервера аутентификации;\nпростая аутентификация (LOGIN, USER/PASS);\nподдержка SSL и STARTTLS.\n== Архитектура ==\nВ nginx рабочие процессы обслуживают одновременно множество соединений, мультиплексируя их вызовами операционной системы select, epoll (Linux) и kqueue (FreeBSD). Рабочие процессы выполняют цикл обработки событий от дескрипторов (см. Событийно-ориентированное програм","en_topic":"Nginx","wiki_pageid":129505,"wiki_revid":152391470,"source_url":"https://ru.wikipedia.org/?curid=129505","license":"CC BY-SA 4.0"}
{"slug":"cache","lang":"ru","title":"Кэш","text":"Кэш, или кеш (англ. cache, от фр. cacher — «прятать»; произносится [kæʃ] — «кэш») — промежуточный буфер с быстрым доступом к нему, содержащий информацию, которая может быть запрошена с наибольшей вероятностью. Доступ к данным в кэше осуществляется быстрее, чем выборка исходных данных из более медленной памяти или удалённого источника, однако её объём существенно ограничен по сравнению с хранилищем исходных данных.\n== История ==\nВпервые слово «cache» в компьютерном контексте было использовано в 1967 году во время подготовки статьи для публикации в журнале «IBM Systems Journal». Статья касалась усовершенствования памяти в разрабатываемой модели 85 из серии IBM System/360. Редактор журнала Лайл Джонсон попросил придумать более описательный термин, нежели «высокоскоростной буфер», но из-за отсутствия идей сам предложил слово «cache». Статья была опубликована в начале 1968 года, авторы были премированы IBM, их работа получила распространение и впоследствии была улучшена, а слово «кэш» вскоре стало использоваться в компьютерной литературе как общепринятый термин.\n== Функционирование ==\nКэш — это память с большей скоростью доступа, предназначенная для ускорения обращения к данным, содержащимся постоянно в памяти с меньшей скоростью доступа (далее «основная память»). Кэширование применяется ЦПУ, жёсткими дисками, браузерами, веб-серверами, службами DNS и WINS.\nКэш состоит из набора записей. Каждая запись ассоциирована с элементом данных или блоком данных (небольшой части данных), которая является копией элемента данных в основной памяти. Каждая запись имеет идентификатор, часто называемый тегом, определяющий соответствие между элементами данных в кэше и их копиями в основной памяти.\nКогда клиент кэша (ЦПУ, веб-браузер, операционная система) обращается к данным, прежде всего исследуется кэш. Если в кэше найдена запись с идентификатором, совпадающим с идентификатором затребованного элемента данных, то используются элементы данных в кэше. Такой случай называется попаданием кэш","en_topic":"Cache (computing)","wiki_pageid":4473,"wiki_revid":153888015,"source_url":"https://ru.wikipedia.org/?curid=4473","license":"CC BY-SA 4.0"}
{"slug":"os-level-virtualization","lang":"ru","title":"Контейнеризация","text":"Контейнеризация (виртуализация на уровне операционной системы, контейнерная виртуализация, зонная виртуализация) — метод виртуализации, при котором ядро операционной системы поддерживает несколько изолированных экземпляров пространства пользователя вместо одного. Эти экземпляры (обычно называемые контейнерами или зонами) с точки зрения выполняемых в них процессов идентичны отдельному экземпляру операционной системы. Для систем на базе Unix эта технология похожа на улучшенную реализацию механизма chroot. Ядро обеспечивает полную изолированность контейнеров, поэтому программы из разных контейнеров не могут воздействовать друг на друга.\nВ отличие от аппаратной виртуализации, при которой эмулируется аппаратное окружение и может быть запущен широкий спектр гостевых операционных систем, в контейнере может быть запущен экземпляр операционной системы только с тем же ядром, что и у хостовой операционной системы (все контейнеры узла используют общее ядро). При этом при контейнеризации отсутствуют дополнительные ресурсные накладные расходы на эмуляцию виртуального оборудования и запуск полноценного экземпляра операционной системы, характерные при аппаратной виртуализации.\nСуществуют как реализации, ориентированные на создание практически полноценных экземпляров операционных систем (Solaris Containers, контейнеры Virtuozzo, OpenVZ), так и варианты, фокусирующиеся на изоляции отдельных сервисов с минимальным операционным окружением (jail, Docker).\n== Реализации ==\n== Примечания ==\n== Ссылки ==\nВиртуализация: технологические подходы, PC Magazine 11.05.2009 (недоступная ссылка с 2 сентября 2018 [2886 дней])\nТехнологические подходы к виртуализации ПО. Андрей Колесов, BYTE, 16.06.2009\nАндрей Колесов. Виртуализация операционных систем и приложений // PC Week/RE. — 2008. — № 10 (616).\nhttp://lass.cs.umass.edu/~shenoy/courses/spring07/lectures/Lec05.pdf (англ.)","en_topic":"OS-level virtualization","wiki_pageid":2504275,"wiki_revid":151491194,"source_url":"https://ru.wikipedia.org/?curid=2504275","license":"CC BY-SA 4.0"}
{"slug":"devops","lang":"ru","title":"DevOps","text":"DevOps (акроним от англ. development & operations) — методология автоматизации технологических процессов сборки, настройки и развёртывания программного обеспечения. Методология предполагает активное взаимодействие специалистов по разработке со специалистами по информационно-технологическому обслуживанию и взаимную интеграцию их технологических процессов друг в друга для обеспечения высокого качества программного продукта. Предназначена для эффективной организации создания и обновления программных продуктов и услуг. Основана на идее тесной взаимозависимости создания продукта и эксплуатации программного обеспечения, которая прививается команде как культура создания продукта.\nОрганизациям, которым необходимы частые выпуски программного обеспечения, может понадобиться DevOps, т.е. автоматизация технологических процессов сборки, настройки и развёртывания программного обеспечения. Дневной цикл выпусков ПО может быть гораздо более интенсивным у организаций, которые выпускают несколько разнонаправленных приложений.\nМетодология фокусируется на стандартизации окружений разработки с целью быстрого переноса программного обеспечения через стадии жизненного цикла ПО, способствуя быстрому выпуску версий программного продукта. В идеале, системы автоматизации сборки и выпуска должны быть доступны всем разработчикам в любом окружении, и у разработчиков должен быть контроль над окружением разработки, а информационно-технологическая инфраструктура должна становиться более сфокусированной на приложении.\nЗадача инженеров автоматизации технологических процессов сборки, настройки и развёртывания программного обеспечения (DevOps engineers) — сделать процессы разработки и поставки программного обеспечения согласованным с эксплуатацией, объединив их в единое целое с помощью инструментов автоматизации.\nДвижение за автоматизацию технологических процессов сборки, настройки и развёртывания программного обеспечения (DevOps-движение) возникло в 2009 году и было призвано решить проблемы взаимодейств","en_topic":"DevOps","wiki_pageid":4944388,"wiki_revid":152757362,"source_url":"https://ru.wikipedia.org/?curid=4944388","license":"CC BY-SA 4.0"}
{"slug":"microsoft-azure","lang":"ru","title":"Microsoft Azure","text":"Microsoft Azure — облачная платформа компании Microsoft. Предоставляет возможность разработки, выполнения приложений и хранения данных на серверах, расположенных в распределённых дата-центрах.\nОблако Azure было анонсировано в октябре 2008 года под кодовым названием «Project Red Dog». Релиз состоялся 1 февраля 2010 года под названием «Windows Azure». В 2014 году платформа была переименована в Microsoft Azure.\n== Обзор ==\nMicrosoft Azure реализует облачные модели платформы как сервиса (PaaS) и инфраструктуры как сервиса (IaaS).\nВозможно использование как сторонних, так и сервисов Microsoft в качестве модели ПО как сервиса (SaaS). Работоспособность платформы Microsoft Azure обеспечивает глобальная сеть распределенных дата-центров Microsoft.\nПомимо базовых функций операционных систем, Microsoft Azure имеет и дополнительные: выделение ресурсов по требованию для масштабирования, автоматическую синхронную репликацию данных для повышения отказоустойчивости, обработку отказов инфраструктуры для обеспечения постоянной доступности и другое.\nМодель предоставления инфраструктуры (IaaS) реализует возможность аренды таких ресурсов, как серверы, устройства хранения данных и сетевое оборудование. Управление всей инфраструктурой осуществляется поставщиком, потребитель управляет только операционной системой и установленными приложениями.\nДля виртуальных машин доступны образы следующих операционных систем: Windows Server, CoreOS, Ubuntu Server, Red Hat, Clear Linux OS, Debian, SUSE Linux Enterprise Server, Oracle Linux.\nПрактически все сервисы Microsoft Azure имеют интерфейс взаимодействия API, построенный на основе ограничений для распределённых систем REST, что позволяет разработчикам использовать облачные сервисы с любой операционной системы, устройства и платформы.\nКроме того, пользователи могут создавать и управлять собственными сервисами, пользуясь визуальным веб-интерфейсом портала Azure. Портал позволяет настраивать сервисы, редактировать права доступа, отслеживать состояние ре","en_topic":"Microsoft Azure","wiki_pageid":1462784,"wiki_revid":152976054,"source_url":"https://ru.wikipedia.org/?curid=1462784","license":"CC BY-SA 4.0"}
{"slug":"git","lang":"ru","title":"Git","text":"Git (произносится «гит») — распределённая система управления версиями. Проект был создан Линусом Торвальдсом для управления разработкой ядра Linux, первая версия выпущена 7 апреля 2005 года; координатор — Дзюн Хамано.\nСреди проектов, использующих Git, — ядро Linux, Swift, Android, Drupal, Cairo, GNU Core Utilities, Mesa, Wine, Chromium, Compiz Fusion, FlightGear, jQuery, PHP, NASM, MediaWiki, DokuWiki, Qt, ряд дистрибутивов Linux.\nПрограмма является свободной и выпущена под лицензией GNU GPL версии 2. По умолчанию используется TCP-порт 9418.\n== История ==\nРазработка ядра Linux велась на проприетарной системе BitKeeper, которую автор — Ларри Маквой, сам разработчик Linux — предоставил проекту по бесплатной лицензии. Разработчики, высококлассные программисты, написали несколько утилит, и для одной Эндрю Триджелл произвёл реверс-инжиниринг формата передачи данных BitKeeper. В ответ Маквой обвинил разработчиков в нарушении соглашения и отозвал лицензию, и Торвальдс взялся за новую систему: ни одна из открытых систем не позволяла тысячам программистов кооперировать свои усилия (тот же конфликт привёл к написанию Mercurial). Идеология была проста: взять подход CVS и перевернуть с ног на голову, и заодно добавить надёжности.\nНачальная разработка велась меньше чем неделю: 3 апреля 2005 года разработка началась, и уже 7 апреля код Git управлялся неготовой системой. 16 июня Linux был переведён на Git, а 25 июля Торвальдс отказался от обязанностей ведущего разработчика.\nТорвальдс так саркастически отозвался о выбранном им названии git (что на английском сленге означает «мерзавец»):\n=== Возможности ===\nСистема спроектирована как набор программ, специально разработанных с учётом их использования в сценариях. Это позволяет удобно создавать специализированные системы контроля версий на базе Git или пользовательские интерфейсы. Например, Cogito является именно таким примером оболочки к репозиториям Git, а StGit использует Git для управления коллекцией исправлений (патчей).\nGit подд","en_topic":"Git","wiki_pageid":335944,"wiki_revid":153280075,"source_url":"https://ru.wikipedia.org/?curid=335944","license":"CC BY-SA 4.0"}
{"slug":"linux","lang":"ru","title":"Linux","text":"Linux (/ˈlɪnəks/ [ˈlɪnəks] или [ˈlɪnʊks], Ли́нукс; в части случаев GNU/Linux) — семейство Unix-подобных операционных систем на базе ядра Linux, включающих тот или иной набор утилит и программ проекта GNU, и, возможно, другие компоненты. Как и ядро Linux, системы на его основе создаются и распространяются в соответствии с моделью разработки свободного и открытого программного обеспечения. Linux-системы распространяются в основном бесплатно в виде различных дистрибутивов в форме, готовой для установки и удобной для сопровождения и обновлений, и имеющих свой набор системных и прикладных компонентов, как свободных, так и проприетарных.\nПоявившись как решения вокруг созданного в начале 1990-х годов ядра, уже с начала 2000-х годов системы Linux являются основными для суперкомпьютеров и серверов, расширяется применение их для встраиваемых систем и мобильных устройств, некоторое распространение системы получили и для персональных компьютеров. Распространение среди пользователей настольных компьютеров не столь значительное, но в 2020-е годы неуклонно растёт, достигая к 2024 году доли 4,5 %.\nЗа счёт использования свободного программного обеспечения и привлечения волонтёров каждая из систем Linux обладает значительными программными возможностями, трудно реализуемыми в прочих моделях разработки: например, в 2008 году расчёты показывали, что для того, чтобы «с нуля» разработать систему, аналогичную Fedora 9, потребовалось бы затратить 10,8 млрд $, а совокупная себестоимость только ядра Linux оценивалась в сумму более 1,4 млрд $, притом только за 2008 год она увеличилась на 315 млн $, совокупный труд оценён в размере 73 тыс. человеко-лет.\nСемейство систем, включающих в качестве компонентов основные программы проекта GNU, такие как bash, gcc, glibc, coreutils и ряд других, иногда идентифицируется как GNU/Linux. Так как традиционно большинство систем было именно таким, под «Linux» обычно подразумеваются именно они; притом существует спор об именовании GNU/Linux. Существует проект с","en_topic":"Linux","wiki_pageid":1391,"wiki_revid":153823383,"source_url":"https://ru.wikipedia.org/?curid=1391","license":"CC BY-SA 4.0"}
{"slug":"cloud-computing","lang":"ru","title":"Облачные вычисления","text":"Облачные вычисления (англ. cloud computing) — модель обеспечения удобного сетевого доступа по требованию к некоторому общему фонду конфигурируемых вычислительных ресурсов (например, сетям передачи данных, серверам, устройствам хранения данных, приложениям и сервисам — как вместе, так и по отдельности), которые могут быть оперативно предоставлены и освобождены с минимальными эксплуатационными затратами или обращениями к провайдеру.\nПотребители облачных вычислений могут значительно уменьшить расходы на инфраструктуру информационных технологий (в краткосрочном и среднесрочном планах) и гибко реагировать на изменения вычислительных потребностей, используя свойства эластичных вычислений (англ. elastic computing) облачных услуг.\nС момента появления в 2006 году концепция глубоко проникает в различные ИТ-сферы и занимает всё более и более весомую роль в практике: по оценке IDC, рынок публичных облачных вычислений уже к 2009 году составил $17 млрд — около 5 % от всего рынка информационных технологий, а в 2014 году суммарные затраты организаций на инфраструктуру и услуги, связанные с облачными вычислениями, оцениваются почти в $175 млрд.\n== История ==\nРанние концепции использования вычислительных ресурсов по принципу системы коммунального хозяйства относят к 1960-м годам (к Джону Маккарти или Джозефу Ликлайдеру).\nСледующими шагами к концептуализации облачных вычислений считаются появление CRM-системы Salesforce.com, предоставлявшейся по подписке в виде веб-сайта (1999), и начало предоставления услуг по доступу к вычислительным ресурсам через Интернет книжным магазином Amazon.com (2002). Развитие сервисов Amazon, фактически превратившейся благодаря этим услугам в технологическую компанию, привело к формулировке идеи эластичных вычислений и запуску в августе 2006 года проекта под названием Elastic Computing Cloud (Amazon EC2). Практически одновременно с запуском ECC термины cloud и cloud computing прозвучали в одном из выступлений главы Google Эрика Шмидта, начиная с этого врем","en_topic":"Cloud computing","wiki_pageid":1471989,"wiki_revid":152395365,"source_url":"https://ru.wikipedia.org/?curid=1471989","license":"CC BY-SA 4.0"}
{"slug":"open-source-software","lang":"ru","title":"Открытое программное обеспечение","text":"Открытое программное обеспечение (англ. open-source software) — программное обеспечение с открытым исходным кодом. Исходный код таких программ доступен для просмотра, изучения и изменения, что позволяет убедиться в отсутствии уязвимостей и неприемлемых для пользователя функций (к примеру, скрытого слежения за пользователем программы), принять участие в доработке само́й открытой программы, использовать код для создания новых программ и исправления в них ошибок — через заимствование исходного кода, если это позволяет совместимость лицензий, или через изучение использованных алгоритмов, структур данных, технологий, методик и интерфейсов (поскольку исходный код может существенно дополнять документацию, а при отсутствии таковой — сам служит своего рода документацией).\n== Открытое и свободное программное обеспечение ==\nТермин open source (с англ. — «программное обеспечение с открытыми исходными кодами») был использован в качестве определения в 1998 году Эриком Реймондом и Брюсом Перенсом, которые утверждали, что термин free software (свободное программное обеспечение) в английском языке неоднозначен и смущает многих предпринимателей.\nБольшинство программ с открытым исходным кодом является одновременно «свободными». Определение программного обеспечения с открытым кодом по Реймонду и определение свободного программного обеспечения не полностью совпадают друг с другом, но близки, и большинство лицензий соответствует обоим.\nРазличие между движениями открытого программного обеспечения и свободного программного обеспечения заключается в основном в приоритетах. Сторонники термина «open source» делают упор на эффективность открытых исходников как метода разработки, модернизации и сопровождения программ. Сторонники термина «free software» считают, что именно права человека на свободное распространение, модификацию и изучение используемых им программ являются главным достоинством свободного открытого ПО.\nПо мнению Ричарда Столлмана, разрекламированность «Open Source» несколько вред","en_topic":"Open-source software","wiki_pageid":9619,"wiki_revid":153792174,"source_url":"https://ru.wikipedia.org/?curid=9619","license":"CC BY-SA 4.0"}
{"slug":"software-as-a-service","lang":"ru","title":"Программное обеспечение как услуга","text":"SaaS (/sæs/; англ. software as a service — программное обеспечение как услуга; также англ. software on demand — программное обеспечение по требованию) — одна из форм облачных вычислений, модель обслуживания, при которой подписчикам предоставляется готовое прикладное программное обеспечение, полностью обслуживаемое сервис-провайдером. Поставщик в этой модели самостоятельно управляет приложением, предоставляя заказчикам доступ к функциям с клиентских устройств, как правило через мобильное приложение или веб-браузер.\nОсновное преимущество модели SaaS для потребителя услуги состоит в отсутствии затрат, связанных с установкой, обновлением и поддержкой работоспособности оборудования и работающего на нём программного обеспечения.\nВ модели SaaS:\nприложение приспособлено для удаленного использования;\nодним приложением пользуется несколько клиентов (приложение коммунально);\nоплата взимается либо в виде ежемесячной абонентской платы, либо на основе объёма операций;\nтехническая поддержка приложения включена в оплату;\nмодернизация и обновление приложения происходит оперативно и прозрачно для клиентов.\nКак и во всех формах облачных вычислений, заказчики платят не за владение программным обеспечением как таковым, а за его аренду (то есть за его использование через мобильное приложение или веб-интерфейс). Таким образом, в отличие от классической схемы лицензирования программного обеспечения, заказчик несет сравнительно небольшие периодические затраты, и ему не требуется инвестировать значительные средства в приобретение прикладной программы и необходимых программно-платформенных и аппаратных средств для его развёртывания, а затем поддерживать его работоспособность. Схема периодической оплаты предполагает, что если необходимость в программном обеспечении временно отсутствует, то заказчик может приостановить его использование и заморозить выплаты разработчику.\nС точки зрения разработчика некоторого проприетарного программного обеспечения модель SaaS позволяет эффективно бороться с не","en_topic":"Software as a service","wiki_pageid":801253,"wiki_revid":153327828,"source_url":"https://ru.wikipedia.org/?curid=801253","license":"CC BY-SA 4.0"}
{"slug":"big-data","lang":"ru","title":"Большие данные","text":"Больши́е да́нные (англ. big data, [ˈbɪɡ ˈdeɪtə]) — обозначение структурированных и неструктурированных данных огромных объёмов и значительного многообразия, эффективно обрабатываемых горизонтально масштабируемыми программными инструментами, появившимися в конце 2000-х годов и альтернативных традиционным системам управления базами данных и решениям класса Business Intelligence.\nВ широком смысле о «больших данных» говорят как о социально-экономическом феномене, связанном с появлением технологических возможностей анализировать огромные массивы данных, в некоторых проблемных областях — весь мировой объём данных, и вытекающих из этого трансформационных последствий.\nВ качестве определяющих характеристик для больших данных традиционно выделяют «три V»: объём (англ. volume, в смысле величины физического объёма), скорость (velocity в смыслах как скорости прироста, так и необходимости высокоскоростной обработки и получения результатов), многообразие (variety, в смысле возможности одновременной обработки различных типов структурированных и полуструктурированных данных); в дальнейшем возникли различные вариации и интерпретации этого признака.\nС точки зрения информационных технологий, в совокупность подходов и инструментов изначально включались средства массово-параллельной обработки неопределённо структурированных данных, прежде всего, системами управления базами данных категории NoSQL, алгоритмами MapReduce и реализующими их программными каркасами и библиотеками проекта Hadoop. В дальнейшем к серии технологий больших данных стали относить разнообразные информационно-технологические решения, в той или иной степени обеспечивающие сходные по характеристикам возможности по обработке сверхбольших массивов данных.\n== История ==\nШирокое введение термина «большие данные» связывают с Клиффордом Линчем, редактором журнала Nature, подготовившим к 3 сентября 2008 года специальный выпуск с темой «Как могут повлиять на будущее науки технологии, открывающие возможности работы с большими объё","en_topic":"Big data","wiki_pageid":3565006,"wiki_revid":153666309,"source_url":"https://ru.wikipedia.org/?curid=3565006","license":"CC BY-SA 4.0"}
{"slug":"internet-of-things","lang":"ru","title":"Интернет вещей","text":"Интернет вещей (англ. internet of things, IoT) — концепция сети передачи данных между физическими объектами («вещами»), оснащёнными встроенными средствами и технологиями для взаимодействия друг с другом или с внешней средой. Предполагается, что организация таких сетей способна перестроить экономические и общественные процессы, исключить из части действий и операций необходимость участия человека.\nКонцепция сформулирована в 1999 году как осмысление перспектив широкого применения средств радиочастотной идентификации для взаимодействия физических предметов между собой и с внешним окружением. Наполнение концепции многообразным технологическим содержанием и внедрение практических решений для её реализации начиная с 2010-х годов считается устойчивой тенденцией в информационных технологиях, прежде всего, благодаря повсеместному распространению беспроводных сетей, появлению облачных вычислений, развитию технологий межмашинного взаимодействия, началу активного перехода на IPv6 и освоению программно-определяемых сетей.\n== История ==\nКонцепция и термин для неё впервые сформулированы основателем исследовательской группы Auto-ID Labs при Массачусетском технологическом институте Кевином Эштоном в 1999 году на презентации для руководства Procter & Gamble. В презентации рассказывалось о том, как всеобъемлющее внедрение радиочастотных меток сможет видоизменить систему управления логистическими цепями в корпорации.\nВ 2004 году в Scientific American опубликована обширная статья, посвящённая «интернету вещей», наглядно показывающая возможности концепции в бытовом применении: в статье приведена иллюстрация, показывающая, как бытовые приборы (будильник, кондиционер), домашние системы (система садового полива, охранная система, система освещения), датчики (тепловые, датчики освещённости и движения) и «вещи» (например, лекарственные препараты, снабжённые идентификационной меткой) взаимодействуют друг с другом посредством коммуникационных сетей (инфракрасных, беспроводных, силовых и слабото","en_topic":"Internet of things","wiki_pageid":4244513,"wiki_revid":151870124,"source_url":"https://ru.wikipedia.org/?curid=4244513","license":"CC BY-SA 4.0"}
{"slug":"python","lang":"ru","title":"Python","text":"Python (МФА: [ˈpaɪθ(ə)n]; в русском языке встречаются названия пито́н или па́йтон) — мультипарадигменный высокоуровневый язык программирования общего назначения с динамической строгой типизацией и автоматическим управлением памятью, ориентированный на повышение производительности разработчика, читаемости кода и его качества, а также на обеспечение переносимости написанных на нём программ. Язык является полностью объектно-ориентированным в том плане, что всё является объектами. Необычной особенностью языка является выделение блоков кода отступами. Синтаксис ядра языка минималистичен, за счёт чего на практике редко возникает необходимость обращаться к документации. Поскольку Python является интерпретируемым языком, он также является и скриптовым. Недостатками языка являются зачастую более низкая скорость работы и более высокое потребление памяти написанными на нём программами по сравнению с аналогичным кодом, написанным на компилируемых языках, таких как C или C++.\nPython является мультипарадигменным языком программирования, поддерживающим императивное, процедурное, структурное, функциональное, асинхронное, объектно-ориентированное программирование и метапрограммирование. Задачи обобщённого программирования решаются за счёт динамической типизации. Аспектно-ориентированное программирование частично поддерживается через декораторы, более полноценная поддержка обеспечивается дополнительными фреймворками. Такие методики как контрактное и логическое программирование можно реализовать с помощью библиотек или расширений. Основные архитектурные черты — динамическая типизация, автоматическое управление памятью, полная интроспекция, механизм обработки исключений, поддержка многопоточных вычислений с глобальной блокировкой интерпретатора (GIL), высокоуровневые структуры данных. Поддерживается разбиение программ на модули, которые, в свою очередь, могут объединяться в пакеты.\nЭталонной реализацией Python является интерпретатор CPython, который поддерживает большинство активно исп","en_topic":"Python (programming language)","wiki_pageid":2705,"wiki_revid":154139204,"source_url":"https://ru.wikipedia.org/?curid=2705","license":"CC BY-SA 4.0"}
{"slug":"rust","lang":"ru","title":"Rust (язык программирования)","text":"Rust (Раст, [rʌst]; rust с англ. — «ржавчина») — мультипарадигменный компилируемый язык программирования общего назначения, сочетающий парадигмы функционального и процедурного программирования с объектной системой, основанной на типажах. Управление памятью осуществляется через механизм «владения» с использованием аффинных типов, что позволяет обходиться без системы сборки мусора во время исполнения программы. Rust гарантирует безопасную работу с памятью благодаря встроенной в компилятор системе статической проверки ссылок (borrow checker). Имеются средства, позволяющие использовать приёмы объектно-ориентированного программирования.\nКлючевые приоритеты языка: безопасность, скорость и параллелизм. Rust пригоден для системного программирования, в частности, он рассматривается как перспективный язык для разработки ядер операционных систем. Rust сопоставим по скорости и возможностям с Си/C++, однако даёт большую безопасность при работе с памятью, что обеспечивается встроенными в язык механизмами контроля ссылок. Производительности программ на Rust способствует использование «абстракций с нулевой стоимостью».\nПосле нескольких лет активной разработки первая стабильная версия (1.0) вышла 15 мая 2015 года, после чего новые версии выходят раз в 6 недель. Для версий языка, вышедших после 1.0, заявлена обратная совместимость.\nРазрабатывается с 2010-х годов сообществом Mozilla Research и финансировался фондом Mozilla Foundation. С 2020 года планировалась передача интеллектуальной собственности и процессов развития и финансирования языка в организацию Rust Foundation. 8 февраля 2021 года пять компаний-учредителей (AWS, Huawei, Google, Microsoft и Mozilla) официально объявили о создании Rust Foundation.\nДеcять лет подряд с 2016 по 2025 год Rust занимает первое место в списке самых любимых языков программирования («Most loved programming languages» / «Most admired programming languages») по версии ежегодного опроса разработчиков Stack Overflow Developer Survey.\n== История ==\nРабота","en_topic":"Rust (programming language)","wiki_pageid":3843010,"wiki_revid":154108499,"source_url":"https://ru.wikipedia.org/?curid=3843010","license":"CC BY-SA 4.0"}
{"slug":"javascript","lang":"ru","title":"JavaScript","text":"JavaScript (англ. /ˈdʒɑːvəskrɪpt/; аббр. JS) — мультипарадигменный язык программирования. Поддерживает объектно-ориентированный, императивный и функциональный стили. Является реализацией спецификации ECMAScript (стандарт ECMA-262).\nJavaScript обычно используется как встраиваемый язык для программного доступа к объектам приложений. Наиболее широкое применение находит в браузерах как язык сценариев для придания интерактивности веб-страницам.\nОсновные архитектурные черты:\nдинамическая типизация,\nслабая типизация,\nавтоматическое управление памятью,\nпрототипное программирование,\nфункции как объекты первого класса.\nНа JavaScript оказали влияние многие языки, при разработке была цель сделать язык похожим на Java. Языком JavaScript не владеет какая-либо организация или компания, что отличает его от ряда языков программирования, используемых в веб-разработке.\nНазвание «JavaScript» является зарегистрированным товарным знаком корпорации Oracle в США.\nВ 1992 году компания Nombas (впоследствии приобретённая Openwave) начала разработку встраиваемого скриптового языка Cmm (Си-минус-минус), который, по замыслу разработчиков, должен был стать достаточно мощным, чтобы заменить макросы, сохраняя при этом схожесть с Си, чтобы разработчикам не составляло труда изучить его. Главным отличием от Си была работа с памятью. В новом языке всё управление памятью осуществлялось автоматически: не было необходимости создавать буфера, объявлять переменные, осуществлять преобразование типов. В остальном языки сильно походили друг на друга: в частности, Cmm поддерживал стандартные функции и операторы Си. Cmm был переименован в ScriptEase, поскольку исходное название звучало слишком негативно, а упоминание в нём Си «отпугивало» людей. На основе этого языка был создан проприетарный продукт CEnvi. В конце ноября 1995 года Nombas разработала версию CEnvi, внедряемую в веб-страницы. Страницы, которые можно было изменять с помощью скриптового языка, получили название Espresso Pages — они демонстрировали ис","en_topic":"JavaScript","wiki_pageid":11922,"wiki_revid":154020967,"source_url":"https://ru.wikipedia.org/?curid=11922","license":"CC BY-SA 4.0"}
{"slug":"c","lang":"ru","title":"Си (язык программирования)","text":"Си (от лат. буквы C англ. языка) — компилируемый статически типизированный язык программирования общего назначения, разработанный в 1969—1973 годах сотрудником Bell Labs Деннисом Ритчи как развитие языка Би. Первоначально был разработан для реализации операционной системы UNIX, но впоследствии был перенесён на множество других платформ. Согласно дизайну языка, его конструкции близко сопоставляются типичным машинным инструкциям, благодаря чему он нашёл применение в проектах, для которых был свойственен язык ассемблера, в том числе как в операционных системах, так и в различном прикладном программном обеспечении для множества устройств — от суперкомпьютеров до встраиваемых систем. Язык программирования Си оказал существенное влияние на развитие индустрии программного обеспечения, а его синтаксис стал основой для таких языков программирования, как C++, C#, Java и Objective-C.\n== История ==\nЯзык программирования Си разрабатывался в период с 1969 по 1973 годы в лабораториях Bell Labs, и к 1973 году на этот язык была переписана большая часть ядра UNIX, первоначально написанного на ассемблере PDP-11/20. Название языка стало логическим продолжением старого языка «Би», многие особенности которого были положены в основу.\nПо мере развития язык сначала стандартизировали как ANSI C, а затем этот стандарт был принят комитетом по международной стандартизации ISO как ISO C, ставший также известным под названием C90. В стандарте С99 язык получил новые возможности, такие как массивы переменной длины и встраиваемые функции. А в стандарте C11 в язык добавили реализацию потоков и поддержку атомарных типов; поддержка массивов переменной длины стала необязательной. 31 октября 2024 года официально вышел стандарт C23.\n== Общие сведения ==\nЯзык Си разрабатывался как язык системного программирования, для которого можно создать однопроходный компилятор. Стандартная библиотека также невелика. Как следствие данных факторов — компиляторы разрабатываются сравнительно легко. Поэтому данный язык дос","en_topic":"C (programming language)","wiki_pageid":12068,"wiki_revid":152911011,"source_url":"https://ru.wikipedia.org/?curid=12068","license":"CC BY-SA 4.0"}
{"slug":"c-sharp","lang":"ru","title":"C Sharp","text":"C# (произносится си шарп) — объектно-ориентированный язык программирования общего назначения. Разработан в 1998—2001 годах группой инженеров компании Microsoft под руководством Андерса Хейлсберга и Скотта Вильтаумота как язык разработки приложений для платформы Microsoft .NET Framework и .NET. Впоследствии был стандартизирован как ECMA-334 и ISO/IEC 23270.\nC# относится к семье языков с C-подобным синтаксисом, из них его синтаксис наиболее близок к C++ и Java. Язык имеет статическую типизацию, поддерживает полиморфизм, перегрузку операторов (в том числе операторов явного и неявного приведения типа), делегаты, атрибуты, события, переменные, свойства, обобщённые типы и методы, итераторы, анонимные функции с поддержкой замыканий, LINQ, исключения, комментарии в формате XML.\nПереняв многое от своих предшественников — языков C++, Delphi, Модула, Smalltalk и, в особенности, Java — С#, опираясь на практику их использования, исключает некоторые модели, зарекомендовавшие себя как проблематичные при разработке программных систем, например, C# в отличие от C++ не поддерживает множественное наследование классов (между тем допускается множественная реализация интерфейсов).\n== Особенности языка ==\nС# разрабатывался как язык программирования прикладного уровня для CLR и, как таковой, зависит, прежде всего, от возможностей самой CLR. Это касается, прежде всего, системы типов С#, которая отражает BCL. Присутствие или отсутствие тех или иных выразительных особенностей языка диктуется тем, может ли конкретная языковая особенность быть транслирована в соответствующие конструкции CLR. Так, с развитием CLR от версии 1.1 к 2.0 значительно обогатился и сам C#; подобного взаимодействия следует ожидать и в дальнейшем (однако, эта закономерность была нарушена с выходом C# 3.0, представляющего собой расширения языка, не опирающиеся на расширения платформы .NET). CLR предоставляет С#, как и всем другим .NET-ориентированным языкам, многие возможности, которых лишены «классические» языки программи","en_topic":"C Sharp (programming language)","wiki_pageid":1683,"wiki_revid":152345820,"source_url":"https://ru.wikipedia.org/?curid=1683","license":"CC BY-SA 4.0"}
{"slug":"ruby","lang":"ru","title":"Ruby","text":"Ruby (англ. ruby — рубин, произносится ['ru:bɪ] — ру́би) — динамический, рефлективный, интерпретируемый высокоуровневый язык программирования. Язык обладает независимой от операционной системы реализацией многопоточности, сильной динамической типизацией, сборщиком мусора и многими другими возможностями. По особенностям синтаксиса он близок к языкам Perl и Eiffel, по объектно-ориентированному подходу — к Smalltalk. Также некоторые черты языка взяты из Python, Lisp, Dylan и Клу.\nКроссплатформенная реализация интерпретатора языка является полностью свободной.\n== История создания и развития ==\nСоздатель Ruby — Юкихиро Мацумото (Matz) — интересовался языками программирования, ещё будучи студентом, но идея о разработке нового языка появилась позже. Ruby начал разрабатываться 23 февраля 1993 года и вышел в свет в 1995 году.\nНазвание навеяно языком Perl, многие особенности синтаксиса и семантики из которого заимствованы в Ruby: англ. pearl — «жемчужина», ruby — «рубин».\nОдним из источников вдохновения для Мацумото для разработки Ruby был научно-фантастический роман «Вавилон-17», основанный на гипотезе Сепира — Уорфа.\nЦелью разработки было создание «настоящего объектно-ориентированного», лёгкого в разработке, интерпретируемого языка программирования. Из письма автора:\nRuby родился 24 февраля 1993 года. В тот день я беседовал со своим коллегой о возможности существования объектно-ориентированного сценарного языка. Я знал Perl (Perl4, а не Perl5), но он мне не нравился — был в нём некий привкус игрушечного языка (да и поныне есть). А объектно-ориентированный интерпретируемый язык казался многообещающим. В то время я знал Python. Но он мне не нравился потому, что я не считал его настоящим объектно-ориентированным языком. Его OO-свойства казались надстройкой над языком. Мне, как языковому маньяку и фанату объектно-ориентированного программирования с пятнадцатилетним стажем, очень, очень хотелось, чтобы был истинно объектно-ориентированный, простой в использовании язык. Я пытался","en_topic":"Ruby (programming language)","wiki_pageid":9076,"wiki_revid":153254315,"source_url":"https://ru.wikipedia.org/?curid=9076","license":"CC BY-SA 4.0"}
{"slug":"swift","lang":"ru","title":"Swift (язык программирования)","text":"Swift — открытый мультипарадигмальный компилируемый язык программирования общего назначения, разработанный и поддерживаемый компанией Apple. Первая версия была представлена в 2014 году.\nЧаще всего Swift используется в разработке приложений для macOS, iOS, iPadOS, watchOS, tvOS и VisionOS, однако язык также доступен для Windows и Linux. На платформах Apple язык работает с фреймворками Cocoa и Cocoa Touch и совместим с основной кодовой базой Apple, написанной на более раннем языке Objective-C. Swift задумывался как более лёгкий для чтения и устойчивый к ошибкам программиста язык: существенная часть проблем, которые в случае с Objective-C обнаруживаются только при исполнении программ и приводят к крашам, в Swift в принципе не позволят скомпилировать код.\nКомпилятор Swift работает на базе LLVM, в результате чего один и тот же код может быть скомпилирован для различных платформ: x86, ARM, WASM и других. Набор инструментов (toolchain) для работы с языком встроен в интегрированную среду разработки Xcode 6 и выше. Swift может использовать рантайм Objective-C, что делает возможным использование обоих языков (а также языка Си) в рамках одной программы.\n== История ==\nСтарший вице-президент по разработке программного обеспечения Apple Крейг Федериги во время анонса этого продукта заявил, что язык программирования Swift был заложен ещё в платформе NeXT (ОС NeXTSTEP выпускалась в 1989—1995 годах), которая стала основой для современной macOS, а затем и iOS.\nРазработка текущего варианта языка Swift была начата в 2010 году Крисом Латтнером, руководителем отдела разработки инструментов для создания программного обеспечения Apple и одним из основных разработчиков LLVM. Swift заимствовал идеи из «Objective-C, Rust, Haskell, Ruby, Python, C#, CLU, и ещё из стольких многих языков, что сложно перечислить». Первоначально для нового языка использовали название Shiny.\n2 июня 2014 года на конференции WWDC Swift был официально представлен вместе с бесплатным руководством по использованию языка","en_topic":"Swift (programming language)","wiki_pageid":5058438,"wiki_revid":151401962,"source_url":"https://ru.wikipedia.org/?curid=5058438","license":"CC BY-SA 4.0"}
{"slug":"scala","lang":"ru","title":"Scala (язык программирования)","text":"Scala — мультипарадигмальный язык программирования, спроектированный кратким и типобезопасным для простого и быстрого создания компонентного программного обеспечения, сочетающий возможности функционального и объектно-ориентированного программирования.\nПервые версии языка созданы в 2003 году коллективом лаборатории методов программирования Федеральной политехнической школы Лозанны под руководством Мартина Одерски, язык реализован для платформ Java и JavaScript. По мнению Джеймса Стрэчена, создателя языка программирования Groovy, Scala может стать преемником языка Java.\n== История ==\nЯзык был создан в 2001—2004 годах в Лаборатории методов программирования EPFL. Он стал результатом исследований, направленных на разработку улучшенной языковой поддержки компонентного программного обеспечения. За основу при разработке языка были взяты две идеи:\nЯзык программирования компонентного ПО должен быть масштабируемым в том смысле, что должна быть возможность с помощью одних и тех же концепций описать как маленькие, так и большие части. Поэтому внимание было сконцентрировано на механизмах абстракции, композиции и декомпозиции вместо введения большого количества примитивов, которые могут быть полезными только на каком-то одном уровне масштабирования.\nМасштабируемая поддержка компонентов может быть предоставлена языком программирования, унифицирующим и обобщающим объектно-ориентированное и функциональное программирование. Некоторые из основных технических новшеств Scala — это концепции, представляющие собой сплав этих парадигм программирования. В статически типизированных языках, к которым относится Scala, эти парадигмы до сих пор были почти полностью разделены.\nЯзык был выпущен для общего пользования на платформе JVM в январе 2004 года и на платформе .NET в июне 2004 года, в 2016 году создан LLVM-компилятор (Scala Native).\n=== Истоки дизайна ===\nНа дизайн языка оказали влияние многие языки и исследовательские работы.\nПрежде всего, язык впитал значительное число концепций и синтакси","en_topic":"Scala (programming language)","wiki_pageid":162092,"wiki_revid":150879317,"source_url":"https://ru.wikipedia.org/?curid=162092","license":"CC BY-SA 4.0"}
{"slug":"r","lang":"ru","title":"R (язык программирования)","text":"R — язык программирования для статистической обработки данных и работы с графикой, а также свободная программная среда вычислений с открытым исходным кодом в рамках проекта GNU. Язык создавался как аналогичный языку S, разработанному в Bell Labs, и является его альтернативной реализацией, хотя между языками есть существенные отличия, но в большинстве своём код на языке S работает в среде R. Изначально R был разработан сотрудниками статистического факультета Оклендского университета Россом Айхэкой (англ. Ross Ihaka) и Робертом Джентлменом (англ. Robert Gentleman) (первая буква их имён — R); язык и среда поддерживаются и развиваются организацией R Foundation.\nШироко используется как статистическое программное обеспечение для анализа данных и фактически стал стандартом для статистических программ.\nЯзык и среда доступны под лицензией GNU GPL; распространяются в виде исходных кодов, а также откомпилированных приложений под ряд операционных систем: FreeBSD, Solaris и другие дистрибутивы Unix и Linux, Windows, macOS.\nВ R используется интерфейс командной строки, хотя доступны и несколько графических интерфейсов пользователя, например пакет R Commander, RKWard, RStudio, Weka, Rapid Miner, KNIME, а также средства интеграции в офисные пакеты.\nВ 2010 году R вошёл в список победителей конкурса журнала Infoworld в номинации на лучшее открытое программное обеспечение для разработки приложений.\n== Особенности ==\nR — интерпретируемый язык программирования, основным способом работы с которым является командный интерпретатор. Язык является регистрозависимым, в плане синтаксиса он похож, с одной стороны, на функциональные языки типа Scheme, с другой — на типичные современные сценарные языки, с простым синтаксисом и небольшим набором основных конструкций. Язык объектный: любой программный объект в нём имеет набор атрибутов — именованный список значений, определяющих его.\nЯзык поддерживает минимальный набор примитивных типов данных: символьный (character), числовой (numeric), логический ","en_topic":"R (programming language)","wiki_pageid":344403,"wiki_revid":151824261,"source_url":"https://ru.wikipedia.org/?curid=344403","license":"CC BY-SA 4.0"}
{"slug":"assembly-language","lang":"ru","title":"Язык ассемблера","text":"Язы́к ассе́мблера (англ. assembly language, разг. ассе́мблер) — представление команд процессора в виде, доступном для чтения человеком. Язык ассемблера считается языком программирования низкого уровня в противовес высокоуровневым языкам, не привязанным к конкретной реализации вычислительной системы. Программы, написанные на языке ассемблера, однозначным образом переводятся в инструкции конкретного процессора и в большинстве случаев не могут быть перенесены без значительных изменений для запуска на машине с другой системой команд. Ассемблером также называется программа-компилятор, преобразующая код на языке ассемблера в машинный код. Программа, выполняющая обратную задачу, называется дизассемблером.\n== История ==\nПервые ассемблеры были спроектированы Кэтлин Бут в 1947 под ARC2 и Дэвидом Уилером в 1948 под EDSAC, при этом термин «ассемблер» не использовали, просто называя язык «множеством базовых команд» (англ. basic order set) и «начальными командами» (англ. initial orders) соответственно. Впервые термин «ассемблер» для процесса объединения полей в командное слово начали использовать более поздние отчёты по EDSAC.\nТакже на ранних этапах развития программирования было введено понятие автокод — язык программирования, предложения которого по своей структуре в основном подобны командам и обрабатываемым данным конкретного машинного языка[значимость факта?]. В настоящее время термин фактически не используется.\nИсторически, если первым поколением языков программирования считать машинные коды, то язык ассемблера можно рассматривать как второе поколение языков программирования. Недостатки языка ассемблера, например, сложность разработки на нём больших программных комплексов, позже привели к появлению языков третьего поколения — языков программирования высокого уровня (таких как Фортран, Лисп, Кобол, Паскаль, Си и другие).\n== Синтаксис ==\nНе существует общеупотребительного синтаксиса языка ассемблера. Так как системы команд различных процессоров значительно отличаются, также и","en_topic":"Assembly language","wiki_pageid":7725,"wiki_revid":151390499,"source_url":"https://ru.wikipedia.org/?curid=7725","license":"CC BY-SA 4.0"}
{"slug":"css","lang":"ru","title":"CSS","text":"CSS (англ. Cascading Style Sheets «каскадные таблицы стилей») — формальный язык декорирования и описания внешнего вида документа (веб-страницы), написанного с использованием языка разметки (чаще всего HTML или XHTML). Также может применяться к любым XML-документам, например, к SVG или XUL.\n== Обзор ==\n=== Использование CSS ===\nCSS используется создателями веб-страниц для задания цветов, шрифтов, стилей, расположения отдельных блоков и других аспектов представления внешнего вида этих веб-страниц. Основной целью разработки CSS является ограждение и отделение описания логической структуры веб-страницы (которое производится с помощью HTML или других языков разметки) от описания внешнего вида этой веб-страницы (которое теперь производится с помощью формального языка CSS). Такое разделение может увеличить доступность документа, предоставить большую гибкость и возможность управления его представлением, а также уменьшить сложность и повторяемость в структурном содержимом.\nКроме того, CSS позволяет представлять один и тот же документ в различных стилях или методах вывода, таких как экранное представление, печатное представление, чтение голосом (специальным голосовым браузером или программой чтения с экрана) или при выводе устройствами, использующими шрифт Брайля.\n=== Способы подключения CSS к документу ===\nПравила CSS могут располагаться как в самом веб-документе, внешний вид которого они описывают, так и во внешних файлах, имеющих расширение .css. Формат CSS — это текстовый файл, в котором содержится перечень правил CSS и комментариев к ним.Стили CSS могут быть подключены или внедрены в описываемый ими веб-документ четырьмя способами:\nкогда описание стилей находится в отдельном файле, оно может быть подключено к документу посредством элемента <link>, включённого в элемент <head>:\nкогда файл стилей размещается отдельно от родительского документа, он может быть подключён к документу инструкцией @import в элементе<style>:\nкогда стили описаны внутри документа, они могут быть вк","en_topic":"CSS","wiki_pageid":21196,"wiki_revid":152380399,"source_url":"https://ru.wikipedia.org/?curid=21196","license":"CC BY-SA 4.0"}
{"slug":"react","lang":"ru","title":"React","text":"React (иногда React.js или ReactJS) — декларативная JavaScript-библиотека с открытым исходным кодом для разработки пользовательских интерфейсов.\nReact разрабатывается и поддерживается организацией Meta Open Source (в ближайшем будущем React Foundation) и сообществом отдельных разработчиков и корпораций.\nReact может использоваться для разработки веб-приложений (включая многостраничные и серверные) и мобильных приложений. Его цель — предоставить высокую скорость разработки, простоту и масштабируемость. В качестве библиотеки для разработки пользовательских интерфейсов React часто используется с другими библиотеками, такими как Zustand, React Query, а также фреймворками Next.js, Remix или Expo.\nСовременные версии React поддерживают серверные компоненты (RSC) и оптимизацию кода с помощью компилятора React Compiler, что позволяет переносить вычисления на сервер, а также минимизировать объём JavaScript кода передаваемому клиенту при загрузке интерфейса.\n== История разработки ==\nReact был создан Джорданом Валке, разработчиком программного обеспечения из Meta (ранее Facebook). На него оказал влияние XHP — компонентный HTML-фреймворк для PHP. Впервые React использовался в новостной ленте Facebook в 2011 году и позже в ленте Instagram в 2012 году. Исходный код React открыт в мае 2013 года на конференции «JSConf US».\nReact Native анонсирован на конференции Meta «React.js Conf» в феврале 2015 года, а исходный код открыт в марте 2015 года. Он позволяет разрабатывать нативные Android-, iOS- и UWP-приложения с использованием React.\n18 апреля 2017 года Meta анонсировал React Fiber, переписанную и оптимизированную версию React. React Fiber станет основой разработки всех будущих функций и улучшений.\nВ октябре 2018 года на конференции React Conf были анонсированы React Hooks. Это стало крупнейшим изменением в библиотеке, которое позволило использовать состояния и другие возможности React без надобности написания отдельных классов.\nВ марте 2022 года был анонсирована версия React 18 и ме","en_topic":"React (software)","wiki_pageid":7456690,"wiki_revid":152387460,"source_url":"https://ru.wikipedia.org/?curid=7456690","license":"CC BY-SA 4.0"}
{"slug":"interpreter","lang":"ru","title":"Интерпретатор","text":"Интерпрета́тор (англ. interpreter ıntə:'prıtə, от лат. interpretator — толкователь) — программа (разновидность транслятора), выполняющая интерпретацию.\nИнтерпрета́ция — построчный анализ, обработка и выполнение исходного кода программы или запроса, в отличие от компиляции, где весь текст программы перед запуском анализируется и транслируется в машинный или байт-код без её выполнения.\n== История ==\nПервым интерпретируемым языком программирования высокого уровня был Lisp. Его интерпретатор был создан в 1958 году Стивом Расселом на компьютере IBM 704. Рассел вдохновился работой Джона Маккарти и выяснил, что функция eval в Lisp может быть встроена в машинный код.\n== Типы интерпретаторов ==\nПростой интерпретатор анализирует и тут же выполняет (собственно интерпретация) программу покомандно или построчно по мере поступления её исходного кода на вход интерпретатора. Достоинством такого подхода является мгновенная реакция. Недостаток — такой интерпретатор обнаруживает ошибки в тексте программы только при попытке выполнения команды или строки с ошибкой.\nИнтерпретатор компилирующего типа — это система из компилятора, переводящего исходный код программы в промежуточное представление, например, в байт-код или p-код, и собственно интерпретатора, который выполняет полученный промежуточный код (так называемая виртуальная машина). Достоинством таких систем является большее быстродействие выполнения программ за счёт выноса анализа исходного кода в отдельный, разовый проход, и минимизации этого анализа в интерпретаторе. Недостатки — большее требование к ресурсам и требование на корректность исходного кода. Применяется в таких языках, как Java, PHP, Tcl, Perl, REXX (сохраняется результат парсинга исходного кода), а также в различных СУБД.\nВ случае разделения интерпретатора компилирующего типа на компоненты получаются компилятор языка и простой интерпретатор с минимизированным анализом исходного кода. Причём исходный код для такого интерпретатора не обязательно должен иметь текстовый ф","en_topic":"Interpreter (computing)","wiki_pageid":8395,"wiki_revid":148653142,"source_url":"https://ru.wikipedia.org/?curid=8395","license":"CC BY-SA 4.0"}
{"slug":"unit-testing","lang":"ru","title":"Модульное тестирование","text":"Модульное тестирование, иногда блочное тестирование или юнит-тестирование (англ. unit testing) — процесс в программировании, позволяющий проверить на корректность отдельные модули исходного кода программы, наборы из одного или более программных модулей вместе с соответствующими управляющими данными, процедурами использования и обработки.\nИдея состоит в том, чтобы писать тесты для каждой нетривиальной функции или метода. Это позволяет достаточно быстро проверить, не привело ли очередное изменение кода к регрессии, то есть к появлению ошибок в уже оттестированных местах программы, а также облегчает обнаружение и устранение таких ошибок.\nНапример, обновить используемую в проекте библиотеку до актуальной версии можно в любой момент, прогнав тесты и выявив несовместимости.\n== Преимущества ==\nЦель модульного тестирования — изолировать отдельные части программы и показать, что по отдельности эти части работоспособны. Также, чтобы проверить, что каждая единица программного кода работает должным образом. Данный вид тестирование выполняется разработчиками на этапе кодирования приложения. Модульные тесты изолируют часть кода и проверяют его работоспособность.\nЭтот тип тестирования обычно выполняется программистами.\n=== Поощрение изменений ===\nМодульное тестирование позже позволяет программистам проводить рефакторинг, будучи уверенными, что модуль по-прежнему работает корректно (регрессионное тестирование). Это поощряет программистов к изменениям кода, поскольку достаточно легко проверить, что код работает и после изменений.\n=== Упрощение интеграции ===\nМодульное тестирование помогает устранить сомнения по поводу отдельных модулей и может быть использовано для подхода к тестированию «снизу вверх»: сначала тестируя отдельные части программы, а затем программу в целом.\n=== Документирование кода ===\nМодульные тесты можно рассматривать как «живой документ» для тестируемого класса. Клиенты, которые не знают, как использовать данный класс, могут использовать юнит-тест в качестве прим","en_topic":"Unit testing","wiki_pageid":76407,"wiki_revid":149816166,"source_url":"https://ru.wikipedia.org/?curid=76407","license":"CC BY-SA 4.0"}
{"slug":"scrum","lang":"ru","title":"Scrum","text":"Scrum (/skrʌm/; англ. scrum — «схватка») — гибкая методология совместной командной работы, широко используемая в разработке программного обеспечения и других отраслях для адаптивного решения комплексных проблем.\nКроме управления проектами по разработке ПО, Scrum может также использоваться в работе команд поддержки программного обеспечения, как подход к управлению разработкой и сопровождения программ.\nСледует различать Scrum и Agile.\n== История ==\nПервоисточниками принципов фреймворка Scrum послужили: производственная система компании Toyota и цикл OODA (OODA loop, или петля OODA, или петля Бойда) концепции применения боевой авиации, включающий в себя четыре составляющих: observe («наблюдать»), orient («ориентироваться»), decide («решать»), act («действовать»).\nСам подход впервые описали Хиротака Такэути и Икудзиро Нонака в статье The New Product Development Game (Harvard Business Review, январь-февраль 1986). Они отметили, что проекты, над которыми работают небольшие команды из специалистов различного профиля, систематически производят лучшие результаты, и объяснили это как «подход регби».\nВ 1991 году ДеГрейс и Шталь в книге «Нечестивые проблемы, праведные решения» называли подобный подход словом «scrum» (буквальный перевод — «толкотня», в регбийной терминологии — схватка), спортивный термин, приведённый в статье Такэути и Нонакой. Кен Швабер в начале 1990-х использовал подход, который привёл Scrum в его компанию. Впервые фреймворк Scrum был представлен на общее обозрение задокументированным, чётко сформированным и описанным совместно Кеном Швабером и Джефом Сазерлендом на конференции OOPSLA’95 в Остине. К. Швабер и Д. Сазерленд на протяжении следующих лет работали вместе, чтобы обработать и описать весь свой опыт и лучшие практические образцы для индустрии в одно целое, в тот фреймворк, что известен сегодня как Scrum.\nШвабер объединил усилия с Майком Бидлом в 2001 году, чтобы детально описать метод в книге «Agile Software Development with Scrum».\nВ 2002 году Швабер","en_topic":"Scrum (software development)","wiki_pageid":1569698,"wiki_revid":150455229,"source_url":"https://ru.wikipedia.org/?curid=1569698","license":"CC BY-SA 4.0"}
{"slug":"object-oriented-programming","lang":"ru","title":"Объектно-ориентированное программирование","text":"Объе́ктно-ориенти́рованное программи́рование (сокр. ООП) — методология или стиль программирования на основе описания типов/моделей предметной области и их взаимодействия, представленных порождением из прототипов или как экземпляры классов, которые образуют иерархию наследования.\nИдеологически, ООП — подход к программированию как к моделированию информационных объектов, решающий на более высоком абстрактном уровне основную задачу структурного программирования — структурирование информации с точки зрения управляемости. Это позволяет управлять самим процессом моделирования и реализовывать крупные программные проекты.\nУправляемость для иерархических систем предполагает минимизацию избыточности данных (аналогичную нормализации) и их целостность, поэтому созданное удобно управляемым — будет и удобно пониматься. Таким образом, через тактическую задачу управляемости решается стратегическая задача — транслировать понимание задачи программистом в наиболее удобную для дальнейшего использования форму.\nМетодология ООП развивает и расширяет принципы объектного программирования.\nОсновные принципы структурирования в случае ООП связаны с различными аспектами базового понимания предметной задачи, которое требуется для оптимального управления соответствующей моделью:\nабстрагирование выделяет существенные характеристики некоторого объекта, отличающие его от всех других видов объектов и, таким образом, четко определяет его концептуальные границы с точки зрения наблюдателя\nинкапсуляция — это процесс отделения друг от друга элементов объекта, определяющих его устройство и поведение; инкапсуляция служит для того, чтобы изолировать контрактные обязательства абстракции от их реализации\nиерархия в виде наследования (генерализации) — такого отношения между классами (отношение родитель/потомок), когда один класс заимствует, а также расширяет и/или специализирует (уточняет) структуру и функциональный контракт одного или нескольких родительских классов\nмодульность — это свойство системы, которая ","en_topic":"Object-oriented programming","wiki_pageid":7841,"wiki_revid":154130627,"source_url":"https://ru.wikipedia.org/?curid=7841","license":"CC BY-SA 4.0"}
{"slug":"algorithm","lang":"ru","title":"Алгоритм","text":"Алгори́тм (лат. algorithmi — от имени среднеазиатского математика Аль-Хорезми) — совокупность точно заданных правил решения некоторого класса задач или набор инструкций, описывающих порядок действий исполнителя для решения определённой задачи. В старой трактовке вместо слова «порядок» использовалось слово «последовательность», но по мере развития параллельности в работе компьютеров слово «последовательность» стали заменять более общим словом «порядок». Независимые инструкции могут выполняться в произвольном порядке, параллельно, если это позволяют используемые исполнители.\nРанее в русском языке писали «алгорифм», сейчас такое написание используется редко, но тем не менее имеет место исключение (нормальный алгорифм Маркова).\nЧасто в качестве исполнителя выступает компьютер, но понятие алгоритма необязательно относится к компьютерным программам — так, например, чётко описанный рецепт приготовления блюда также является алгоритмом, в таком случае исполнителем является человек (а может быть и некоторый механизм, например, ткацкий или токарный станок с числовым управлением).\nМожно выделить алгоритмы вычислительные (далее речь в основном идёт о них) и управляющие. Вычислительные алгоритмы, по сути, преобразуют некоторые начальные данные в выходные, реализуя вычисление некоторой функции. Семантика управляющих алгоритмов существенным образом может отличаться и сводиться к выдаче необходимых управляющих воздействий либо в заданные моменты времени, либо в качестве реакции на внешние события (в этом случае, в отличие от вычислительного алгоритма, управляющий может оставаться корректным при бесконечном выполнении).\nПонятие алгоритма относится к первоначальным, основным, базисным понятиям математики. Вычислительные процессы алгоритмического характера (арифметические действия над целыми числами, нахождение наибольшего общего делителя двух чисел и т. д.) известны человечеству с глубокой древности. Однако в явном виде понятие алгоритма сформировалось лишь в начале XX века.\nЧастичная","en_topic":"Algorithm","wiki_pageid":2741,"wiki_revid":154049281,"source_url":"https://ru.wikipedia.org/?curid=2741","license":"CC BY-SA 4.0"}
{"slug":"big-o-notation","lang":"ru","title":"«O» большое и «o» малое","text":"«O» большое и «o» малое (\n O\n {\\displaystyle O}\n и\n o\n {\\displaystyle o}\n) — математические обозначения для сравнения асимптотического поведения (асимптотики) функций.\nИспользуются в различных разделах математики, но активнее всего — в математическом анализе, теории чисел и комбинаторике, а также в информатике и теории алгоритмов. Под асимптотикой понимается характер изменения функции при стремлении её аргумента к определённой точке.\n o\n (\n f\n )\n {\\displaystyle o(f)}\n, «о малое от\n f\n {\\displaystyle f}\n» обозначает «бесконечно малое относительно\n f\n {\\displaystyle f}\n», пренебрежимо малую величину при рассмотрении\n f\n {\\displaystyle f}\n. Смысл термина «О большое» зависит от его области применения, но всегда\n O\n (\n f\n )\n {\\displaystyle O(f)}\n растёт не быстрее, чем\n f\n {\\displaystyle f}\n (точные определения приведены ниже).\nВ частности:\nфраза «сложность алгоритма есть\n O\n (\n f\n (\n n\n )\n )\n {\\displaystyle O(f(n))}\n» означает, что с увеличением параметра\n n\n {\\displaystyle n}\n, характеризующего количество входной информации алгоритма, время работы алгоритма будет возрастать не быстрее, чем\n f\n (\n n\n )\n {\\displaystyle f(n)}\n, умноженная на некоторую константу;\nфраза «функция\n f\n (\n x\n )\n {\\displaystyle f(x)}\n является „о“ малым от функции\n g\n (\n x\n )\n {\\displaystyle g(x)}\n в окрестности точки\n p\n {\\displaystyle p}\n» означает, что с приближением\n x\n {\\displaystyle x}\n к\n p\n {\\displaystyle p}\n f\n (\n x\n )\n {\\displaystyle f(x)}\n уменьшается быстрее, чем\n g\n (\n x\n )\n {\\displaystyle g(x)}\n (отношение\n |\n f\n (\n x\n )\n |\n /\n |\n ","en_topic":"Big O notation","wiki_pageid":104726,"wiki_revid":151637227,"source_url":"https://ru.wikipedia.org/?curid=104726","license":"CC BY-SA 4.0"}
{"slug":"dynamic-programming","lang":"ru","title":"Динамическое программирование","text":"Динамическое программирование в теории управления и теории вычислительных систем — способ решения сложных задач путём разбиения их на более простые подзадачи. Он применим к задачам с оптимальной подструктурой, выглядящим как набор перекрывающихся подзадач, сложность которых чуть меньше исходной. В этом случае время вычислений, по сравнению с «наивными» методами, можно значительно сократить.\nКак правило, чтобы решить поставленную задачу, требуется решить отдельные части задачи (подзадачи), после чего объединить решения подзадач в одно общее решение. Часто многие из этих подзадач одинаковы. Подход динамического программирования состоит в том, чтобы решить каждую подзадачу только один раз, сократив тем самым количество вычислений. Это особенно полезно в случаях, когда число повторяющихся подзадач экспоненциально велико.\nМетод динамического программирования сверху — это простое запоминание результатов решения тех подзадач, которые могут повторно встретиться в дальнейшем. Динамическое программирование снизу включает в себя переформулирование сложной задачи в виде рекурсивной последовательности более простых подзадач.\n== История ==\nСловосочетание «динамическое программирование» впервые было использовано в 1940-х годах Ричардом Беллманом для описания процесса нахождения решения задачи, где ответ на одну задачу может быть получен только после решения задачи, «предшествующей» ей.\nВ 1953 году он уточнил это определение до современного.\nПервоначально эта область была основана, как системный анализ и инжиниринг, которая была признана IEEE.\nВклад Беллмана в динамическое программирование был увековечен в названии уравнения Беллмана, центрального результата теории динамического программирования, который переформулирует оптимизационную задачу в рекурсивной форме.\nСлово «программирование» в словосочетании «динамическое программирование» в действительности к «традиционному» программированию (написанию кода) почти никакого отношения не имеет и имеет смысл как в словосочетании «математ","en_topic":"Dynamic programming","wiki_pageid":207067,"wiki_revid":139224816,"source_url":"https://ru.wikipedia.org/?curid=207067","license":"CC BY-SA 4.0"}
{"slug":"turing-machine","lang":"ru","title":"Машина Тьюринга","text":"Маши́на Тью́ринга — абстрактный исполнитель (абстрактная вычислительная машина), математическая модель вычислений, предложенная Аланом Тьюрингом в 1936 году для формализации понятия алгоритма.\nМашина Тьюринга является расширением конечного автомата и, согласно тезису Чёрча — Тьюринга, способна имитировать всех исполнителей (с помощью задания правил перехода), каким-либо образом реализующих процесс пошагового вычисления, в котором каждый шаг вычисления является достаточно элементарным.\nТо есть всякий интуитивный алгоритм может быть реализован с помощью некоторой машины Тьюринга.\nМашина Тьюринга изначально была разработана как теоретический инструмент для изучения границ вычислимости и доказательства невозможности существования алгоритмов для решения некоторых задач. Со временем она стала фундаментальной моделью в теории сложности алгоритмов, служит удобным инструментом для формального исследования алгоритмов. С её помощью можно оценивать временную сложность выполнения алгоритмов и объём памяти, требуемый для вычислений, включая абстрактные оценки, применимые к реальным вычислительным системам.\n== Устройство ==\nВ состав машины Тьюринга входит неограниченная в обе стороны лента (возможны машины Тьюринга, которые имеют несколько бесконечных лент), разделённая на ячейки, и управляющее устройство (также называется головкой записи-чтения), способное находиться в одном из множества состояний. Число возможных состояний управляющего устройства конечно и точно задано.\nУправляющее устройство может перемещаться влево и вправо по ленте, оставаться в неподвижном положении, читать и записывать в ячейки символы некоторого конечного алфавита. Выделяется особый пустой символ, заполняющий все клетки ленты, кроме тех из них (конечного числа), на которых записаны входные данные.\nУправляющее устройство работает согласно правилам перехода, которые представляют алгоритм,\nреализуемый данной машиной Тьюринга. Каждое правило перехода предписывает машине, в зависимости от текущего состояния и н","en_topic":"Turing machine","wiki_pageid":12745,"wiki_revid":150723901,"source_url":"https://ru.wikipedia.org/?curid=12745","license":"CC BY-SA 4.0"}
{"slug":"p-versus-np-problem","lang":"ru","title":"Равенство классов P и NP","text":"Вопрос о равенстве классов сложности P и NP (в русскоязычных источниках также известный как проблема перебора) — это одна из центральных открытых проблем теории алгоритмов, сформулированная в начале 1970-х годов и до сих пор не имеющая доказательного ответа. Если будет дан утвердительный ответ, это будет означать, что существует теоретическая возможность решать многие сложные задачи существенно быстрее, чем сейчас.\nОтношения между классами P и NP рассматриваются в разделе теории алгоритмов, который называется теорией вычислительной сложности. Она изучает ресурсы, необходимые для решения некоторой задачи. Наиболее общие ресурсы — это время (сколько нужно сделать шагов) и память (сколько памяти потребуется для решения задачи).\nПроблема равенства классов P и NP является одной из семи задач тысячелетия, за решение которой Математический институт Клэя назначил премию в миллион долларов США.\n== Формулировка ==\nНестрого говоря, проблема равенства P = NP состоит в следующем: если положительный ответ на какой-то вопрос можно довольно быстро проверить (за полиномиальное время), то правда ли, что ответ на этот вопрос можно довольно быстро найти (также за полиномиальное время и используя полиномиальную память)? Другими словами, действительно ли проверить решение задачи столь же ресурсозатратно, как и отыскать решение?\nНапример, верно ли, что среди чисел {−2, −3, 15, 14, 7, −10, …} есть такие, что их сумма равна 0 (задача о суммах подмножеств)? Ответ — да, потому что −2 −3 + 15 −10 = 0 и если уже известен список слагаемых, то это легко проверяется несколькими последовательными сложениями (информация, необходимая для проверки положительного ответа, называется сертификатом). Следует ли отсюда, что так же легко определить сам этот список? Проверить сертификат так же легко, как найти его? Обычно считается, что подобрать числа сложнее. Но сопоставление теоретической сложности (количественной оценки объективно необходимых ресурсов) не доказано.\nИз определения классов P и NP сразу выте","en_topic":"P versus NP problem","wiki_pageid":164623,"wiki_revid":154141342,"source_url":"https://ru.wikipedia.org/?curid=164623","license":"CC BY-SA 4.0"}
{"slug":"kernel","lang":"ru","title":"Ядро операционной системы","text":"Ядро́ (англ. kernel) — центральная часть операционной системы (ОС), обеспечивающая приложениям координированный доступ к ресурсам компьютера, таким как процессорное время, память, внешнее аппаратное обеспечение, внешнее устройство ввода и вывода информации. Также обычно ядро предоставляет сервисы файловой системы и сетевых протоколов.\nКак основополагающий элемент ОС, ядро представляет собой наиболее низкий уровень абстракции для доступа приложений к ресурсам системы, необходимым для их работы. Как правило, ядро предоставляет такой доступ исполняемым процессам соответствующих приложений за счёт использования механизмов межпроцессного взаимодействия и обращения приложений к системным вызовам ОС.\nОписанная задача может различаться в зависимости от типа архитектуры ядра и способа её реализации.\n== Типы архитектур ядер операционных систем ==\n=== Монолитное ядро ===\nМонолитное ядро (англ. monolithic kernel) предоставляет богатый набор абстракций оборудования. Все части монолитного ядра работают в одном адресном пространстве. Это такая схема операционной системы, при которой все компоненты её ядра являются составными частями одной программы, используют общие структуры данных и взаимодействуют друг с другом путём непосредственного вызова процедур. Монолитное ядро — старейший способ организации операционных систем. Примером систем с монолитным ядром является большинство UNIX-систем.\nДостоинства: Скорость работы, упрощённая разработка модулей.\nНедостатки: Поскольку всё ядро работает в одном адресном пространстве, сбой в одном из компонентов может нарушить работоспособность всей системы.\nПримеры: Традиционные ядра UNIX (такие как BSD), Linux; ядро MS-DOS, ядро KolibriOS.\nНекоторые старые монолитные ядра, в особенности систем класса UNIX/Linux, требовали перекомпиляции при любом изменении состава оборудования. Большинство современных ядер позволяет во время работы подгружать модули, выполняющие часть функций ядра. В этом случае компоненты операционной системы являются не самост","en_topic":"Kernel (operating system)","wiki_pageid":21069,"wiki_revid":152739318,"source_url":"https://ru.wikipedia.org/?curid=21069","license":"CC BY-SA 4.0"}
{"slug":"microsoft-windows","lang":"ru","title":"Windows","text":"Windows (с англ. — «окна») — группа семейств коммерческих проприетарных операционных систем, разрабатываемых и распространяемых корпорацией Microsoft, ориентированных на управление с помощью графического интерфейса. Операционная система Windows разработана на базе MS-DOS. Каждое семейство обслуживает определённый сектор компьютерной индустрии. Активные семейства Windows включают Windows NT и Windows IoT; они могут включать подсемейства (например, Windows Server или Windows Embedded Compact). Неподдерживаемые – Windows 9x, Windows Mobile и Windows Phone. Изначально Windows была графической программой-надстройкой для распространённой в 1980-х, 1990-х годах операционной системы MS-DOS. Согласно данным ресурса Statcounter, по состоянию на февраль 2026 года, наиболее распространённой версией Windows является Windows 11 с долей около 62,16 % персональных компьютеров под управлением Windows. Windows работает на PC-совместимых архитектурах с процессорами x86, x86-64, а также на архитектуре ARM. Существовали также версии для DEC Alpha, MIPS, IA-64, PowerPC и SPARC.\nПоследней на данный момент операционной системой Microsoft является Windows 11, представленная 24 июня 2021 года и выпущенная 5 октября того же года.\n== Хронология версий ==\n== Графические интерфейсы и расширения для DOS ==\nПервые версии Windows не были полными операционными системами, а являлись оболочками для операционных систем типа DOS и были по сути многофункциональным расширением, добавляющим поддержку новых режимов работы процессора, поддержку многозадачности, обеспечивали стандартизацию интерфейсов аппаратного обеспечения, обмен данными между приложениями и единообразие пользовательских интерфейсов программ. Для создания графического интерфейса использовались встроенные средства GDI и USER. Первые версии Windows состояли из трёх модулей — KERNEL, GDI и USER. Первый из них обеспечивал управление памятью, запуск исполняемых файлов и загрузку динамических библиотек DLL, второй отвечал за графику, третий — за ","en_topic":"Microsoft Windows","wiki_pageid":9879,"wiki_revid":154015270,"source_url":"https://ru.wikipedia.org/?curid=9879","license":"CC BY-SA 4.0"}
{"slug":"ios","lang":"ru","title":"IOS","text":"iOS (до 24 июня 2010 года — iPhone OS) — мобильная операционная система для смартфонов, электронных планшетов, носимых проигрывателей, разрабатываемая и выпускаемая американской компанией Apple. Первоначально — для iPhone и iPod touch, позже — для таких устройств, как iPad. В 2014 году появилась поддержка автомобильных мультимедийных систем Apple CarPlay. В отличие от Android (Google), выпускается только для устройств, производимых фирмой Apple.\nВ iOS используется ядро XNU, основанное на микроядре Mach и содержащее программный код, разработанный компанией Apple, а также код из ОС NeXTSTEP и FreeBSD. Ядро iOS почти идентично ядру настольной операционной системы Apple macOS (ранее называвшейся OS X). Начиная с самой первой версии, iOS работает только на планшетных компьютерах и смартфонах с процессорами архитектуры ARM.\n== Общие сведения ==\nПользовательский интерфейс iOS основан на концепции прямого взаимодействия с использованием жестов «мультитач». Элементы управления интерфейсом состоят из ползунков, переключателей и кнопок.\niOS разработана на основе операционной системы OS X (позднее переименованной в macOS) и использует тот же набор основных компонентов Darwin, совместимый со стандартом POSIX.\nСлои абстракции iOS:\nCore OS;\nCore Services;\nMedia Layer;\nCocoa Touch.\n== История создания ==\nОперационная система iPhone OS была представлена 9 января 2007 года совместно со смартфоном iPhone 2G (первый смартфон компании Apple) лично Стивом Джобсом на выставке-конференции Macworld Conference & Expo и выпущена в июне того же года. Apple не предполагала отдельного названия для операционной системы, поэтому первоначальный слоган звучал так: «iPhone работает на OS X».\n27 января 2010 года был представлен iPad 1 (первый планшетный компьютер компании Apple), для которого была создана особая версия ОС iPhone OS 3.2, из особенностей имевшая обои на рабочем столе и видоизменённый Dock.\nВ июне 2010 года компания Apple решила переименовать операционную систему iPhone OS в iOS. Желая и","en_topic":"IOS","wiki_pageid":1870460,"wiki_revid":154142916,"source_url":"https://ru.wikipedia.org/?curid=1870460","license":"CC BY-SA 4.0"}
{"slug":"world-wide-web","lang":"ru","title":"Всемирная паутина","text":"Всеми́рная паути́на (англ. World Wide Web) — распределённая система, предоставляющая доступ к связанным между собой документам, расположенным на различных компьютерах, подключённых к сети Интернет. Для обозначения Всемирной паутины также используют слово веб (англ. web «паутина») и аббревиатуру WWW.\nВсемирную паутину образуют сотни миллионов веб-серверов. Большинство ресурсов Всемирной паутины основано на технологии гипертекста. Гипертекстовые документы, размещаемые во Всемирной паутине, называются веб-страницами. Несколько веб-страниц, объединённых общей темой или дизайном, а также связанных между собой ссылками и обычно находящихся на одном и том же веб-сервере, называются веб-сайтом. Для загрузки и просмотра веб-страниц используются специальные программы — браузеры (англ. browser).\nВсемирная паутина вызвала настоящую революцию в информационных технологиях и дала мощный толчок развитию Интернета. В повседневной речи, говоря об Интернете, часто имеют в виду именно Всемирную паутину. Однако важно понимать, что это не одно и то же. Всемирная паутина — это лишь часть Интернета, доступная для просмотра с помощью браузеров. Например, обмен данными по пиринговому протоколу BitTorrent к Всемирной паутине отношения не имеет.\n== Структура и принципы ==\nВсемирную паутину образуют миллионы веб-серверов сети Интернет, расположенных по всему миру. Веб-сервер — компьютерная программа, запускаемая на подключённом к сети компьютере и использующая протокол HTTP для передачи данных. В простейшем виде такая программа получает по сети HTTP-запрос на определённый ресурс, находит соответствующий файл на локальном жёстком диске и отправляет его по сети запросившему компьютеру. Более сложные веб-серверы способны в ответ на HTTP-запрос динамически генерировать документы с помощью шаблонов и сценариев.\nДля просмотра информации, полученной от веб-сервера, на клиентском компьютере применяется специальная программа — веб-браузер. Основная функция веб-браузера — отображение гипертекста. Всемирн","en_topic":"World Wide Web","wiki_pageid":32163,"wiki_revid":153022187,"source_url":"https://ru.wikipedia.org/?curid=32163","license":"CC BY-SA 4.0"}
{"slug":"application-programming-interface","lang":"ru","title":"API","text":"API (МФА: [ˌeɪ.piˈaɪ]; аббр. от англ. application programming interface, дословно интерфейс программирования приложения) — программный интерфейс, то есть описание способов взаимодействия одной компьютерной программы с другими (в противоположность пользовательскому интерфейсу, используемому для взаимодействия конечного пользователя с программой). Обычно входит в описание какого-либо интернет-протокола (например, SCIM), программного каркаса (фреймворка) или стандарта вызовов функций операционной системы. Часто реализуется отдельной программной библиотекой или сервисом операционной системы. Используется программистами при написании всевозможных приложений.\nПроще говоря, это способ взаимодействия какого-то программного кода с набором каких-то программных компонентов, с помощью которых одна компьютерная программа (например, бот или сайт) может взаимодействовать с другой программой.\n== Назначение ==\nAPI (интерфейс программирования приложения) упрощает процесс программирования при создании приложений, абстрагируя базовую реализацию и предоставляя только объекты или действия, необходимые разработчику. Если графический интерфейс для почтового клиента может предоставить пользователю кнопку, которая выполнит все шаги для выборки и выделения новых писем, то API для ввода/вывода файлов может дать разработчику функцию, которая копирует файл из одного места в другое, не требуя от разработчика понимания операций файловой системы, происходящих за кулисами.\n== API как средство интеграции приложений ==\nЕсли программу (модуль, библиотеку) рассматривать как чёрный ящик, то API — это набор «ручек», которые доступны пользователю данного ящика и которые он может «вертеть» и «переключать».\nПрограммные компоненты взаимодействуют друг с другом посредством API. При этом обычно компоненты образуют иерархию — высокоуровневые компоненты используют API низкоуровневых компонентов, а те, в свою очередь, используют API ещё более низкоуровневых компонентов.\nПо такому принципу построены протоколы перед","en_topic":"Application programming interface","wiki_pageid":26799,"wiki_revid":152693899,"source_url":"https://ru.wikipedia.org/?curid=26799","license":"CC BY-SA 4.0"}
{"slug":"gnu-general-public-license","lang":"ru","title":"GNU General Public License","text":"GNU General Public License (переводят как Универсальная общественная лицензия GNU, Универсальная общедоступная лицензия GNU или Открытое лицензионное соглашение GNU) — лицензия на свободное программное обеспечение, созданная в рамках проекта GNU в 1988 г., по которой автор передаёт программное обеспечение в общественную собственность. Её также сокращённо называют GNU GPL или даже просто GPL, если из контекста понятно, что речь идёт именно о данной лицензии (существует довольно много других лицензий, содержащих слова «general public license» в названии). Вторая версия этой лицензии была выпущена в 1991 году, третья версия, после многолетней работы и длительной дискуссии — в 2007 году. GNU Lesser General Public License (LGPL) — это ослабленная версия GPL, предназначенная для некоторых библиотек ПО. GNU Affero General Public License — усиленная версия GPL для программ, предназначенных для доступа к ним через сеть.\nЦель GNU GPL — предоставить пользователю права копировать, модифицировать и распространять (в том числе на коммерческой основе) программы, а также гарантировать, что и пользователи всех производных программ получат вышеперечисленные права. Принцип «наследования» прав называется «копилефт» (транслитерация c англ. copyleft) и был придуман Ричардом Столлманом. По контрасту с GPL, лицензии проприетарного ПО «очень редко дают пользователю такие права и обычно, наоборот, стремятся их ограничить, например, запрещая восстановление исходного кода».\nСогласно подготовленным Фондом разъяснениям по применению лицензии GNU GPL к конкретным лицензируемым программам (эти разъяснения приложены к размещённому на сайте Фонда тексту лицензии), лицензия должна в электронной форме присоединяться к компьютерной программе.\nЛицензируя работу на условиях GNU GPL, автор сохраняет за собой авторство.\nGNU GPL не позволяет включать программу в проприетарное ПО. Если данная программа является библиотекой, вероятно, лучшим будет разрешить проприетарному ПО линковаться с ней. Для данной цели","en_topic":"GNU General Public License","wiki_pageid":8692,"wiki_revid":152754374,"source_url":"https://ru.wikipedia.org/?curid=8692","license":"CC BY-SA 4.0"}
{"slug":"creative-commons","lang":"ru","title":"Creative Commons","text":"Creative Commons (произносится: [krɪ'eɪtɪv 'kɒmənz] или ['kɔmənz] — «криэ́йтив ко́монз»), сокращённо CC ([siː siː] — «си-си́») — некоммерческая организация, которая создала бесплатные для использования типовые договоры — свободные и несвободные публичные лицензии, с помощью которых авторы и правообладатели могут выразить свою волю и распространять свои произведения более широко и свободно, а потребители контента — легально и проще пользоваться этими произведениями.\nПо состоянию на декабрь 2024 года, более 2 миллиардов произведений по всему миру распространяются под лицензиями Creative Commons, что свидетельствует о широком признании и доверии к этим инструментам среди авторов и пользователей контента.\n== История ==\nОрганизация Creative Commons была основана в США в 2001 году Лоуренсом Лессигом, Хэлом Абельсоном и Эриком Элдредом при поддержке Центра общественного достояния (Center for the Public Domain) и спустя 10 лет, в 2011 году, она насчитывает в составе своей партнёрской сети более 100 организаций в более чем 70 юрисдикциях по всему миру (в том числе представительства, например, в России — «Creative Commons Россия Архивная копия от 2 сентября 2011 на Wayback Machine», на Украине — «Creative Commons Україна Архивная копия от 26 октября 2017 на Wayback Machine» и в Казахстане — «Wikibilim Архивная копия от 21 марта 2015 на Wayback Machine»). Цель Creative Commons состоит в увеличении числа произведений, доступных для легального свободного распространения и использования.\nВ 2002 году организация создала и опубликовала для бесплатного использования несколько лицензий, с помощью которых авторы могут гибко управлять своими авторскими правами, известных как лицензии Creative Commons. Эти лицензии позволяют авторам-создателям сообщить, от каких прав они хотели бы отказаться (например, автор не хочет запрещать пользователям распространять своё произведение — по закону такой запрет включается автоматически при создании произведения), а какие права они оставляют за собой ","en_topic":"Creative Commons","wiki_pageid":205569,"wiki_revid":151724258,"source_url":"https://ru.wikipedia.org/?curid=205569","license":"CC BY-SA 4.0"}
{"slug":"public-key-cryptography","lang":"ru","title":"Криптосистема с открытым ключом","text":"Криптографическая система с открытым ключом (разновидность асимметричного шифрования, асимметричного шифра) — система шифрования и/или электронной подписи (ЭП), при которой открытый ключ передаётся по открытому (то есть не защищённому, доступному для наблюдения) каналу и используется для проверки ЭП и для шифрования сообщения. Для генерации ЭП и для расшифровки сообщения используется закрытый ключ. Криптографические системы с открытым ключом в настоящее время широко применяются в различных сетевых протоколах, в частности, в протоколах TLS и его предшественнике SSL (лежащих в основе HTTPS), в SSH. Также используется в PGP, S/MIME.\n== Идея криптосистемы с открытым ключом ==\n=== Общие принципы ===\nАсимметричное шифрование с открытым ключом базируется на следующих принципах:\nМожно сгенерировать пару очень больших чисел (открытый ключ и закрытый ключ) так, чтобы, зная открытый ключ, нельзя было вычислить закрытый ключ за разумный срок. При этом механизм генерации является общеизвестным.\nИмеются надёжные методы шифрования, позволяющие зашифровать сообщение открытым ключом так, чтобы расшифровать его можно было только закрытым ключом. Механизм шифрования общеизвестен.\nВладелец двух ключей никому не сообщает закрытый ключ, но передает открытый ключ контрагентам или делает его общеизвестным.\nЕсли необходимо передать зашифрованное сообщение владельцу ключей, то отправитель должен получить открытый ключ. Отправитель шифрует свое сообщение открытым ключом получателя и передает его получателю (владельцу ключей) по открытым каналам. При этом расшифровать сообщение не может никто, кроме владельца закрытого ключа.\nВ результате можно обеспечить надёжное шифрование сообщений, сохраняя ключ расшифровки секретным для всех, даже для отправителей сообщений.\nЭтот принцип можно объяснить через бытовую аналогию «замо́к — ключ от замка́» для отправки посылки. У участника A есть личный замок и ключ от него. Если участник А хочет получить секретную посылку от участника Б, то он публично переда","en_topic":"Public-key cryptography","wiki_pageid":134501,"wiki_revid":152015954,"source_url":"https://ru.wikipedia.org/?curid=134501","license":"CC BY-SA 4.0"}
{"slug":"hash-function","lang":"ru","title":"Хеш-функция","text":"Хеш-функция (англ. hash function от hash — «превращать в фарш», «мешанина»), или функция свёртки — функция, преобразующая массив входных данных произвольного размера в выходную битовую строку определённого (установленного) размера в соответствии с определённым алгоритмом. Преобразование, выполняемое хеш-функцией, называется хешированием. Исходные (входные) данные называются входным массивом, «ключом», «сообщением». Результат преобразования (выходные данные) называется «хешем», «хеш-кодом», «хеш-суммой», «сводкой сообщения», «свёрткой».\nХеш-функции применяются в следующих случаях:\nпри построении ассоциативных массивов;\nпри поиске дубликатов в последовательностях наборов данных;\nпри построении уникальных идентификаторов для наборов данных;\nпри вычислении контрольных сумм от данных (сигнала) для последующего обнаружения в данных ошибок (возникших случайно или внесённых намеренно), возникающих при хранении и/или передаче данных;\nпри сохранении паролей в системах защиты в виде хеш-кода;\nпри создании (выработке) электронной подписи (на практике подпись часто создаётся не для сообщения, а для «хеш-образа» сообщения);\nи в других случаях.\nВ общем случае (согласно принципу Дирихле) не существует однозначного соответствия между выходными данными (хеш-кодом, значениями, возвращёнными хеш-функцией) и входными данными (исходными данными). Выходные данные (возвращаемые хеш-функцией значения) менее разнообразны, чем входные данные (значения входного массива). Случай, при котором хеш-функция преобразует более чем одни входные данные (один массив входных данных) в одинаковые выходные данные (сводки), называется «коллизией». Вероятность возникновения коллизий используется для оценки качества хеш-функций.\nСуществует множество алгоритмов хеширования, различающихся свойствами. Примеры свойств:\nразрядность;\nвычислительная сложность;\nкриптостойкость.\nВыбор той или иной хеш-функции определяется спецификой решаемой задачи.\n== История ==\nШифровка сообщений без возможности однозначной расшифро","en_topic":"Hash function","wiki_pageid":137980,"wiki_revid":152456468,"source_url":"https://ru.wikipedia.org/?curid=137980","license":"CC BY-SA 4.0"}
{"slug":"advanced-encryption-standard","lang":"ru","title":"AES (стандарт шифрования)","text":"AES (англ. Advanced Encryption Standard; также Rijndael, [rɛindaːl] — рейндал) — симметричный алгоритм блочного шифрования (размер блока 128 бит, ключ 128/192/256 бит), принятый в качестве стандарта шифрования правительством США по результатам конкурса AES. Этот алгоритм хорошо проанализирован и сейчас широко используется, как это было с его предшественником DES. Национальный институт стандартов и технологий США (англ. National Institute of Standards and Technology, NIST) опубликовал спецификацию AES 26 ноября 2001 года после пятилетнего периода, в ходе которого были созданы и оценены 15 кандидатур. 26 мая 2002 года AES был объявлен стандартом шифрования. По состоянию на 2009 год AES является одним из самых распространённых алгоритмов симметричного шифрования. Поддержка ускорения AES была введена фирмой Intel в семейство процессоров x86 начиная с Arrandale в 2010 году, а затем на процессорах Sandy Bridge; фирмой AMD — в Bulldozer с 2011 года.\n== История AES ==\n2 января 1997 года NIST объявляет о намерении выбрать преемника для DES, являвшегося американским стандартом с 1977 года. 2 октября 2000 года было объявлено, что победителем конкурса стал алгоритм Rijndael, и началась процедура стандартизации. 28 февраля 2001 года был опубликован проект, а 26 ноября 2001 года AES был принят как FIPS 197. Историческую ретроспективу конкурса можно проследить на веб-сайте NIST.\n== Описание AES ==\n=== Определения и вспомогательные процедуры ===\nS-box:\nSbox = array{\n 0x63, 0x7c, 0x77, 0x7b, 0xf2, 0x6b, 0x6f, 0xc5, 0x30, 0x01, 0x67, 0x2b, 0xfe, 0xd7, 0xab, 0x76,\n 0xca, 0x82, 0xc9, 0x7d, 0xfa, 0x59, 0x47, 0xf0, 0xad, 0xd4, 0xa2, 0xaf, 0x9c, 0xa4, 0x72, 0xc0,\n 0xb7, 0xfd, 0x93, 0x26, 0x36, 0x3f, 0xf7, 0xcc, 0x34, 0xa5, 0xe5, 0xf1, 0x71, 0xd8, 0x31, 0x15,\n 0x04, 0xc7, 0x23, 0xc3, 0x18, 0x96, 0x05, 0x9a, 0x07, 0x12, 0x80, 0xe2, 0xeb, 0x27, 0xb2, 0x75,\n 0x09, 0x83, 0x2c, 0x1a, 0x1b, 0x6e, 0x5a, 0xa0, 0x52, 0x3b, 0xd6, 0xb3, 0x29, 0xe3, 0x2f, 0x84,\n ","en_topic":"Advanced Encryption Standard","wiki_pageid":384647,"wiki_revid":150601638,"source_url":"https://ru.wikipedia.org/?curid=384647","license":"CC BY-SA 4.0"}
{"slug":"zero-knowledge-proof","lang":"ru","title":"Доказательство с нулевым разглашением","text":"Доказа́тельство с нулевы́м разглаше́нием (информа́ции) в криптографии (англ. Zero-knowledge proof) — интерактивный криптографический протокол, позволяющий одной из взаимодействующих сторон («The verifier» — проверяющей) убедиться в достоверности какого-либо утверждения (обычно математического), не имея при этом никакой другой информации от второй стороны («The prover» — доказывающей). Причём последнее условие является необходимым, так как обычно доказать, что сторона обладает определёнными сведениями в большинстве случаев тривиально, если она имеет право просто раскрыть информацию. Вся сложность состоит в том, чтобы доказать, что у одной из сторон есть информация, не раскрывая её содержания. Протокол должен учитывать, что доказывающий сможет убедить проверяющего только в случае, если утверждение действительно доказано. В противном случае сделать это будет невозможно, или крайне маловероятно из-за вычислительной сложности.\nПод интерактивностью протокола подразумевается непосредственный обмен информацией сторонами.\nТаким образом, рассматриваемый протокол требует наличия интерактивных исходных данных (interactive input) от проверяющего, как правило, в виде задачи или проблемы. Цель легального доказывающего (имеющего доказательство) в этом протоколе — убедить проверяющего в том, что у него есть решение, не выдав при этом даже части «секретного» доказательства («нулевое разглашение»). Цель проверяющего же — это удостовериться в том, что доказывающая сторона «не лжёт».\nТакже были разработаны протоколы доказательства с нулевым разглашением, для которых не требовалось наличия интерактивных исходных данных, при этом доказательство которых, как правило, опирается на предположение об идеальной криптографической хеш-функции, то есть предполагается, что выход однонаправленной хеш-функции невозможно предсказать, если неизвестен её вход.\nДоказательство с нулевым разглашением используется в нескольких блокчейнах, кроме того, находит применение для проверки наличия сведений без пере","en_topic":"Zero-knowledge proof","wiki_pageid":1236819,"wiki_revid":152128767,"source_url":"https://ru.wikipedia.org/?curid=1236819","license":"CC BY-SA 4.0"}
{"slug":"y-combinator","lang":"ru","title":"Y Combinator","text":"Y Combinator — американский венчурный фонд, работающий в формате бизнес-инкубатора для небольших компаний в сфере информационных технологий, основанный в марте 2005 года группой инвесторов во главе с Полом Грэмом. Фонд дважды в год инвестирует «небольшую сумму ($150 тыс.) в большое количество компаний (самый последний пример — 107 компаний)». Фонд в течение трехмесячного периода работает с теми, кто поступил на программу, помогает создавать продукт и найти инвесторов. При этом фонд инвестирует $150К и получает 7 % в компании.\nПредыдущие условия инвестирования, которые действовали до апреля 2014 года: $17 тыс. за 7 % плюс дополнительные $80 тыс. которые конвертируются в долю по оценке следующего раунда инвестиций.\n== Программа ==\nПрограмма состоит из еженедельных обедов, куда приглашаются гости (эксперты в различных отраслях: основатели стартапов, венчурные капиталисты, адвокаты, бухгалтеры, журналисты, банкиры из инвестиционных банков, топ-менеджеры из больших технологических компаний), чтобы поговорить с основателями компаний. Гости часто дают советы или инвестируют в стартапы.\nПо сравнению с другими венчурными фондами, сам Y Combinator инвестирует незначительное количество средств (не более $150 тыс.), хотя Юрий Мильнер и SV Angel предложили каждой компании Y Combinator $150 тыс.. Незначительный объём финансирования Пол Грэм мотивирует тем, что вследствие распространения свободного программного обеспечения, появления языков программирования с динамической типизацией, распространения интернета и действия закона Мура, затраты на инвестиции в стартапы в сфере информационных технологий резко снизились. Журнал Wired назвал Y Combinator «стартовой площадкой для стартапов» и «наиболее влиятельной программой для выращивания предпринимателей в сфере ИТ».\nКомпания названа в честь комбинатора неподвижной точки — понятия в теории функциональных языков программирования.\nСредняя оценка стоимости бизнеса компаний, прошедших через Y Combinator, согласно Полу Грэму, составляет $22","en_topic":"Y Combinator","wiki_pageid":4027666,"wiki_revid":150922443,"source_url":"https://ru.wikipedia.org/?curid=4027666","license":"CC BY-SA 4.0"}
{"slug":"sequoia-capital","lang":"ru","title":"Sequoia Capital","text":"Sequoia Capital — американский венчурный фонд, созданный в 1972 году Доном Валентайном. Среди успешных инвестиций Валентайна — вложение в Apple в 1978 году. С середины 90-х активную роль в управлении стали играть партнёры фонда Майкл Моритц и Дуг Леоне.\nФондом управляют девять главных партнеров: Моритц, Леоне, Джим Гетц, Альфред Линь, Релоф Бота, Нил Шэнь, Майкл Гоген, Брайан Шрайер и Куй Чжоу. Их годовой оклад достигает $1 млн, но большую часть заработка составляет прибыль от инвестиций. Sequoia Capital прославился быстрыми инвестициями в стартапы, позже ставшими многомиллиардными компаниями: Cisco, Google, Yahoo, PayPal, Youtube, LinkedIn, Dropbox, Stripe, Square, Airbnb, WhatsApp, Instagram, PicsArt Photo Studio.\nСреди стартапов, которым фонд отказал в инвестициях, были Twitter, Pinterest и Facebook, который не восприняли всерьез из-за того, что Марк Цукерберг явился на встречу в пижаме.\nВ 2012 году партнёры привлекли в Sequoia Capital Global Growth Fund $700 млн. Фонд инвестирует от $100,000 до $1 млн на посевной стадии, от $1 млн до $10 млн на ранней стадии, от $10 млн до $100 млн на стадии роста. Многократный возврат на инвестиции делает фонд одним из самых эффективных в отрасли. Так, Sequoia Venture XI Fund привлек в 2003 году $387 млн у 40 вкладчиков (преимущественно у университетов и эндаументов), в 2014 году при закрытии доход Venture XI составил $3,6 млрд, или 41 % в год за вычетом комиссии.\nВ 2009 году фонд создал широкую сеть «скаутов» из числа некогда проинвестированных предпринимателей, которые ищут перспективные компании, а Sequoia снабжает их миллионами долларов на первоначальные инвестиции. Такой подход позволяет с большей вероятностью заметить перспективную компанию и одновременно скрыть от других венчурных фондов свою активность — фонд даёт инвестиции через скаута, не афишируя своё имя до новых раундов. Обычно скаут вкладывает в понравившуюся ему компанию около 30 тысяч долларов. В год они могут получить от Sequoia Capital до 100 тысяч на финанси","en_topic":"Sequoia Capital","wiki_pageid":5455502,"wiki_revid":150931268,"source_url":"https://ru.wikipedia.org/?curid=5455502","license":"CC BY-SA 4.0"}
{"slug":"venture-capital","lang":"ru","title":"Венчурный капитал","text":"Ве́нчурный капита́л (англ. venture — рискованный, авантюрный) — капитал вкладчиков, предназначенный для финансирования новых, растущих или борющихся за место на рынке предприятий и фирм (стартапов) и поэтому сопряжённый с высокой или относительно высокой степенью риска; долгосрочные инвестиции, вложенные в рискованные ценные бумаги или предприятия, в ожидании высокой прибыли. В отличие от классических инвестиций (предполагающих возврат средств) в модель венчурного финансирования заложена высоковероятная потеря вложений в каждую конкретную компанию, при этом прибыльность достигается за счёт высокой отдачи от наиболее удачных вложений. Венчурный капитал, как правило, ассоциируется с инновационными компаниями.\nВенчурный капитал — это капитал, используемый для осуществления прямых частных вложений, который обычно предоставляется внешними вкладчиками для финансирования новых, растущих компаний, или компаний на грани банкротства. Венчурные вложения — это, как правило, рисковые вложения, обладающие доходностью выше среднего уровня. Также они являются инструментом для получения доли во владении компанией. Венчурный капиталист — это лицо, которое осуществляет подобные вложения. Венчурный фонд — это механизм вложения с образованием общего фонда (обычно партнёрства), для инвестирования финансового капитала, в основном, сторонних вкладчиков предприятия, которые для обычных рынков капитала и банковских займов представляют слишком большой риск.\n== История ==\nНесмотря на то, что в прошлом существовали и другие похожие механизмы инвестирования, отцом современной индустрии венчурного капитала принято считать генерала Джорджиза Дориота.\nВ 1946 Дориот основал Американскую научно-исследовательскую корпорацию (АНИК), самым большим успехом которой стала Диджитал Эквипмент Корпорейшн. Когда Диджитал Эквипмент разместила свои акции на бирже в 1968 году, она обеспечила АНИК рентабельность 101 % в год. 70 тысяч долларов, которые АНИК инвестировала в Диджитал Корпорейшн в 1959 году, имели рын","en_topic":"Venture capital","wiki_pageid":52392,"wiki_revid":152379489,"source_url":"https://ru.wikipedia.org/?curid=52392","license":"CC BY-SA 4.0"}
{"slug":"initial-public-offering","lang":"ru","title":"Первичное публичное предложение","text":"Первичное публичное предложение, первичное публичное размещение, IPO ([ай-пи-о], также редко [ипо́]; от англ. Initial Public Offering) — первая публичная продажа акций акционерного общества, в том числе в форме продажи депозитарных расписок на акции, неограниченному кругу лиц. Продажа акций может осуществляться как путём размещения дополнительного выпуска акций путём открытой подписки, так и путём публичной продажи акций существующего выпуска.\nВ процессе подготовки к IPO компания обычно становится публичной — существенно меняет отчётность в сторону открытости и прозрачности.\n== Классификация ==\nПо процедуре первоначального публичного предложения акций (IPO) инвесторам могут быть предложены акции дополнительного и (или) основного выпусков:\nPPO (англ. Primary Public Offering) — первичное публичное предложение акций дополнительного выпуска неограниченному кругу лиц. Является «классическим» вариантом IPO.\nSPO (англ. Secondary Public Offering) — вторичное публичное предложение акций (акции были выпущены ранее и принадлежат существующим акционерам) неограниченному кругу лиц.\nFollow-on («доразмещение»). Очередное предложение дополнительного выпуска акций компании неограниченному кругу лиц. Акции компании уже обращаются на бирже..\n== Цель проведения IPO ==\nСуществует несколько основных целей проведения IPO, приоритет которых может отличаться в зависимости от конкретного случая:\nОтносительно недорогое привлечение капитала в компанию: продажа собственных акций позволяет получить средства на неограниченный срок без предоставления обеспечения (залога) и с минимальными ограничениями по целевому использованию.\nРасширение круга инвесторов диверсифицирует источники финансирования.\nНаличие торгуемых на рынке акций позволяет быстро и самостоятельно получить текущую стоимость компании, что может использоваться для оценки деятельности и мотивации менеджеров, а также упрощает операции по слиянию или обмену активами.\nЛиквидность корпоративных прав у акционеров после проведения IPO обычн","en_topic":"Initial public offering","wiki_pageid":256530,"wiki_revid":153734853,"source_url":"https://ru.wikipedia.org/?curid=256530","license":"CC BY-SA 4.0"}
{"slug":"startup-company","lang":"ru","title":"Стартап","text":"Старта́п (от англ. startup company от start up дословно — «запускать») — компания с короткой историей операционной деятельности и анализа рынка.\nТермин впервые использован в журнале Forbes в августе 1976 года и Business Week в сентябре 1977 года. Понятие закрепилось в языке в 1990-е годы и получило широкое распространение во время возникновения экономического пузыря доткомов. Стартап — это коммерческий проект, основанный на какой-либо идее и требующий финансирования для развития. В стартапы инвестируют прежде всего венчурные фонды. Это является крайне рискованным делом: указывается, что лишь 1 % стартапов достигает больших объёмов продаж и приносит инвесторам высокий возврат инвестиций. Создатели стартапа либо продают свои доли в успешном стартапе, либо сохраняют их для получения стабильного пассивного дохода (при этом у создателя стартапа часто остается менее 10 % капитала компании).\n== Понятие ==\nСоздатель методики развития клиентов (англ. customer development) американский предприниматель Стивен Бланк определил стартапы как временные структуры, существующие для поиска воспроизводимой и масштабируемой бизнес-модели. Автор книги «Бережливый стартап» («Экономичный стартап») и идеолог интерактивного подхода в предпринимательстве Эрик Рис отмечает, что стартапом может быть названа организация, создающая новый продукт или услугу (продуктовую инновацию) в условиях высокой неопределённости. Предприниматель, венчурный капиталист и эссеист, основатель бизнес-акселератора Y Combinator Пол Грэм считает быстрый рост главной характеристикой стартапов (4 % — 7 % в неделю по ключевому показателю). Ему вторит сооснователь PayPal, первый инвестор Facebook Питер Тиль. Если стартап оказывается в состоянии стагнации, то превращается в компанию-зомби.\nФормальными критериями для участников рейтингов стартапов обычно выступают возраст компании, число сотрудников, прибыль и её рост, наукоёмкий характер продукта, контроль основателей над компанией и оценка потенциала компании экспертным ж","en_topic":"Startup company","wiki_pageid":738635,"wiki_revid":153339850,"source_url":"https://ru.wikipedia.org/?curid=738635","license":"CC BY-SA 4.0"}
{"slug":"due-diligence","lang":"ru","title":"Due diligence","text":"Due Diligence, дью-ди́лидженс (англ. due diligence «должная добросовестность») — процедура составления объективного представления об объекте инвестирования, включающая в себя оценку инвестиционных рисков, независимую оценку объекта инвестирования, всестороннее исследование деятельности компании, комплексную проверку её финансового состояния и положения на рынке. Проводится обычно перед началом покупки бизнеса, осуществлением сделки по слиянию (присоединению), подписанием контракта или сотрудничеством с этой компанией.\nЧаще всего термин используется в финансах и праве. Метод состоит из сбора и анализа информации, принятия решения и формы его подачи относительно целесообразности вступления в те или иные взаимоотношения с контрагентами. С помощью due diligence оцениваются возможные риски (например финансовые, юридические и т. д.) При сборе информации учитывается любая информация, независимо от источников её происхождения. Изучение полученной информации делается различными специалистами по отдельности, затем делается сводный анализ. Решение принимается экспертами due diligence отдельно от заказчика. Форма подачи бывает развёрнутой (с приложением отдельных промежуточных выводов специалистов, источников информации), или в виде краткой рекомендации о дальнейших действиях.\nВ более широком смысле понятие due diligence применяется в английском языке как противоположность халатности или злоупотребления, может использоваться для юридической или морально-этической оценки деятельности субъекта.\n== Основные источники исследования ==\n=== Документы ===\nКорпоративные документы (регламенты, протоколы) — смена контроля, предыдущие сделки, затрагивающие капитал.\nФинансовая отчётность — детальное исследование активов, существующих долгов, арендных платежей, пенсионных отчислений, договорённостей с аффилированными лицами и потенциальных обязательств.\nТехнические отчёты — исследование экологических и иных проблем, способных повлечь крупные затраты.\nРыночные исследования/Отчёты о продукции ","en_topic":"Due diligence","wiki_pageid":777494,"wiki_revid":148301966,"source_url":"https://ru.wikipedia.org/?curid=777494","license":"CC BY-SA 4.0"}
{"slug":"special-purpose-acquisition-company","lang":"ru","title":"Special-purpose acquisition company","text":"Special-purpose acquisition company (SPAC) (дословно можно перевести — компания по приобретению специального назначения, СПАК) — компания, созданная специально для слияния с другой частной компанией, которая желает выйти на биржу, минуя процедуру IPO. СПАКи позволяют розничным инвесторам осуществлять прямые инвестиции в перспективные компании, в том числе и с использованием заемных средств. По данным Комиссии по ценным бумагам и биржам США (SEC), «компания создается специально для объединения средств инвесторов с целью финансирования слияния или поглощения перспективных компаний в установленные сроки».\n== Описание ==\nSPAC — это альтернатива IPO для некоторых стартапов и новый способ привлечения капитала для инвесторов. Начинается всё с привлечения средств инвесторов: SPAC проводит первичное размещение так называемым blank-check («пустые чеки»). На этом этапе инвесторы покупают SPAC, у которого нет ни активов, ни истории деятельности, ни бизнес-плана. Все собранные средства на IPO помещаются на эскроу-счет — это служит гарантией, что они пойдут на приобретение бизнеса, а не на личные цели руководителей SPAC. По правилам Комиссии по ценным бумагам и биржам США (SEC), акции SPAC размещаются по фиксированной цене в $10. Также инвесторы в пакете с акциями обычно получают варранты — бумаги, позволяющие купить еще акций по заранее определенной цене. Вложения в SPAC доступны только квалифицированным инвесторам. Менеджмент (их называют спонсорами SPAC) собирает деньги инвесторов и заемные средства, чтобы инвестировать в приобретение частной компании без больших долгов. Обычно спонсорами SPAC выступают известные финансисты — руководителям-ноунеймам трудно договориться о сделке и, как следствие, привлечь средства инвесторов. По правилам SEC, компании SPAC создаются на срок два года с момента IPO (реже — 18 месяцев). В случае, если до истечения этого срока менеджмент компании не произвёл слияния или поглощения, — SPAC ликвидируется, а деньги возвращаются инвесторам. Сливаться с","en_topic":"Special-purpose acquisition company","wiki_pageid":8679504,"wiki_revid":146881347,"source_url":"https://ru.wikipedia.org/?curid=8679504","license":"CC BY-SA 4.0"}
{"slug":"startup-accelerator","lang":"ru","title":"Бизнес-акселератор","text":"Бизнес-акселератор (англ. business accelerator, startup accelerator или seed accelerator, букв. «ускоритель») — учреждения и организованные ими программы интенсивного развития компаний через менторство, обучение, финансовую и экспертную поддержку в обмен на долю в капитале компании. Бизнес-акселератор также может поддерживать стартапы в онлайн-бизнесе.\n== История подхода ==\nМодель бизнес-акселератора сформировалась на основе опыта, приобретённого предпринимателями и инвесторами во время бума доткомов. Рыночная практика того времени предполагала крупные инвестиции в единичные компании — и именно по этому принципу работали существовавшие в конце 1990-х годов стартап-инкубаторы для компаний из сферы информационных технологий. Кризис технологических компаний продемонстрировал несостоятельности этой модели, а финансовые потери инкубаторов принесли им саркастическое наименование «мусоросжигатели» (игра слов: англ. incubator и incinerator, букв. печь для отходов).\nС восстановлением интереса венчурных капиталистов к интернет-рынку, сформировалась модель, учитывающая особенности роста стартапов из этой отрасли. Пионером среди акселераторов стал Y Combinator, открытый Полом Грэмом, Тревором Блэквеллом, Робертом Моррисом и Джессикой Ливингстон в Бостоне в 2005 году. Вместо длительной «инкубации» проектов Y Combinator предложил трёхмесячные групповые программы подготовки и небольшие посевные инвестиции. Второй набор Y Combinator прошел в Кремниевой долине. Вслед за ним открылись другие известные акселераторы — Plug and Play и Techstars. Первый европейский акселератор — лондонский Seedcamp — начал работу в 2007 году, а к 2013 году их число достигло 50. Исследование индустрии поддержки стартапов в Европе, проведённое в 2014 году, продемонстрировало активность, соразмерную американской стартап-экосистеме. По разным оценкам, к 2014 году в мире работало от 300 до 400 акселераторов.\nВ числе первых модель Y Combinator применил в России акселератор AddVenture, открывшийся в технопарке ","en_topic":"Startup accelerator","wiki_pageid":3448405,"wiki_revid":146440313,"source_url":"https://ru.wikipedia.org/?curid=3448405","license":"CC BY-SA 4.0"}
{"slug":"crowdfunding","lang":"ru","title":"Краудфандинг","text":"Краудфа́ндинг (народное финансирование, от англ. crowdfunding, crowd — «толпа», funding — «финансирование») — коллективное сотрудничество людей (доноров), которые добровольно объединяют свои деньги или другие ресурсы вместе, как правило, через Интернет, чтобы поддержать усилия других людей или организаций (реципиентов). Сбор средств может служить различным целям — помощи пострадавшим от стихийных бедствий, поддержке со стороны болельщиков, поддержке политических кампаний, финансированию стартап-компаний и малого предпринимательства, созданию свободного программного обеспечения, получению прибыли от совместных инвестиций и многому другому. Также сложились стойкие выражения в этом виде финансирования. Проект, выходящий для коллективного финансирования, принято называть стартапом. Соискателя средств, представителя проекта называют фаундером. А инвесторов — людей, делающих материальный вклад в проект, — бэкерами.\nИзначально должна быть заявлена цель, определена необходимая денежная сумма, составлена калькуляция всех расходов. Информация по ходу сбора средств должна быть открыта для всех.\nКраудфандинг может также относиться к финансированию компании посредством продажи малых долей предприятия широкому спектру инвесторов. Этот тип краудфандинга недавно получил особое внимание американских должностных лиц. В апреле 2012 года президент США Барак Обама подписал новый закон под названием JOBS Act (Jumpstart Our Business Startups Act), позволяющий стартап-компаниям собирать до $1 млн посредством краудфандинга, без подачи бумаг и регистраций на продажу акций, как практиковалось ранее.\n== История ==\nВ 1912 году в селе Турнаево было начато строительство первой в Сибири Серафимовской церкви, освящённой во имя преподобного Серафима Саровского. Средства на строительство были собраны крестьянами села Турнаево и соседних деревень (около 12 тысяч рублей). Это называется строительством по подписке, на пожертвования.[значимость факта?]\nВ 1997 году поклонники британской рок-группы «Marill","en_topic":"Crowdfunding","wiki_pageid":3520080,"wiki_revid":150239346,"source_url":"https://ru.wikipedia.org/?curid=3520080","license":"CC BY-SA 4.0"}
{"slug":"minimum-viable-product","lang":"ru","title":"Минимально жизнеспособный продукт","text":"Минимально жизнеспособный продукт (англ. minimum viable product, MVP) — продукт, обладающий минимальными, но достаточными для удовлетворения первых потребителей функциями. Основная задача — получение обратной связи для формирования гипотез дальнейшего развития продукта.\nСбор информации от MVP зачастую дешевле, чем разработка продукта с большим количеством функций. Это позволяет снизить затраты и риски, если продукт не заработает, например, из-за неверных предположений. Термин был придуман и определен Фрэнком Робинсоном около 2001 года и популяризирован Стивом Бланком и Эриком Рисом.\nТакже может включать проведение предварительного анализа рынка.\n== Описание ==\nМинимально жизнеспособный продукт имеет только те основные функции, которые достаточны для развёртывания продукта, и не более того. Разработчики обычно разворачивают продукт для подмножества возможных клиентов, таких как ранние последователи, которые считаются более прощающими, более склонными к обратной связи и способными понять видение продукта из раннего прототипа или маркетинговой информации. Эта стратегия направлена на то, чтобы избегать создания продуктов, которые клиенты не хотят покупать, и на получение максимально точной информации о стоимости привлечения клиента. «Минимально жизнеспособный продукт — это версия нового продукта, которую используют, чтобы собрать максимальное количество подтвержденных гипотез о клиентах с минимальными усилиями».\nMVP может быть частью стратегии и процесса, направленных на создание и продажу продукта клиентам. Это основной артефакт в итеративном процессе генерации идей, прототипировании, презентации, сборе данных, анализе и обучении. Функция MVP стремится свести к минимуму общее время, затрачиваемое на итерацию. Процесс повторяется до тех пор, пока не будет получен желаемый продукт / рынок, или пока продукт не будет считаться нежизнеспособным.\nСтив Бланк обычно относится к минимально жизнеспособному продукту как к минимальному набору признаков.\n=== Цели ===\nУметь проверит","en_topic":"Minimum viable product","wiki_pageid":6852934,"wiki_revid":148001893,"source_url":"https://ru.wikipedia.org/?curid=6852934","license":"CC BY-SA 4.0"}
{"slug":"economies-of-scale","lang":"ru","title":"Эффект масштаба","text":"Эффе́кт масшта́ба (англ. economies of scale) — снижение затрат на единицу продукции при укрупнении производства, связано с изменением стоимости единицы продукции в зависимости от масштабов её производства в долгосрочном периоде.\nЭкономией на масштабе могут воспользоваться компании любого размера, увеличив объём своей операционной деятельности. Наиболее распространёнными методами являются закупки (получение оптовых скидок), менеджмент (используется специализация менеджеров), финансы (получение менее дорогих кредитов), маркетинг (распространение затрат на рекламу для большего ассортимента продукции). Использование любого из этих факторов снижает долгосрочные средние затраты (англ. long run average cost, LRAC) сдвигая на графике вниз и вправо кривую краткосрочных средних затрат (англ. short-run average total cost, SRATC).\n== Определение ==\nСогласно К.Р. Макконнеллу и С.Л. Брю эффект масштаба — это экономия, связанная с ростом производства, когда в долгосрочном периоде снижаются средние издержки производства по мере увеличения выпуска объёма продукции предприятия.\nСогласно Британнике эффект масштаба — это зависимость между размером завода или отрасли и минимально возможной себестоимостью продукта.\nСогласно БРЭ эффект масштаба — это изменение соотношения между затратами и выпуском продукции предприятия, отрасли или национальной экономики при увеличении объёма деятельности\n== Положительный эффект от масштаба ==\nПроисходит, когда при увеличении количества выпускаемой продукции и уровня влияния на рынке затраты на единицу продукции уменьшаются. Обычно связан с углублением разделения труда и может рассматриваться как последствие синергии. Благодаря этому эффекту очень выгодным оказался переход от ручного труда к мануфактуре и затем к конвейеру с одновременным увеличением производства. Также появляется возможность применения дорогостоящих технологий и производства побочных продуктов из отходов.\nВ модели, когда издержки делятся на постоянные и переменные, положительный эффект ","en_topic":"Economies of scale","wiki_pageid":1870616,"wiki_revid":144092416,"source_url":"https://ru.wikipedia.org/?curid=1870616","license":"CC BY-SA 4.0"}
{"slug":"patent","lang":"ru","title":"Патент","text":"Пате́нт (от лат. patens — открытый, ясный, очевидный, от полного наименования — litterae patentes — открытое письмо) — охранный документ, удостоверяющий исключительное право, авторство и приоритет изобретения, полезной модели, промышленного образца либо селекционного достижения. Срок действия патента зависит от страны патентования, объекта патентования и составляет от 5 до 35 лет в России (ГК РФ Статья 1363, ГК РФ Статья 1424), в Америке максимальный срок действия патента — 20 лет. Автору или соавторам за использование патента выплачивается авторское вознаграждение (по договору с патентовладельцем). За предоставление лицензии на право производства продукта или использования способа, патентовладелец (лицензиар) получает (одноразовый) паушальный платёж или ежегодные отчисления от лицензиата, роялти.\nПатент выдаётся государственным органом исполнительной власти по интеллектуальной собственности; например, в Российской Федерации таким органом является Роспатент, в США — Бюро по регистрации патентов и торговых марок США. Международное регулирование осуществляют Всемирная организация интеллектуальной собственности (выполняющая, в том числе, соответствующие функции при ООН), Объединённые международные бюро по охране интеллектуальной собственности и другие. Во Всемирной торговой организации эти отношения регулируются, в том числе, «Соглашением по торговым аспектам прав интеллектуальной собственности».\nПод изобретением понимается техническое решение в любой области, относящееся к продукту (в частности, устройству, веществу), способу (процессу осуществления действий над материальным объектом с помощью материальных средств) или применению (в частности, применение уже известного продукта или процесса по новому назначению).\nПравовая охрана, которую предоставляет патент, защищает решение, а не задачу. Например, Джеймс Уатт, чтобы решить задачу преобразования возвратно-поступательного движения во вращательное и обойти патент на кривошипно-шатунный механизм, применил в своей первой","en_topic":"Patent","wiki_pageid":95207,"wiki_revid":148956140,"source_url":"https://ru.wikipedia.org/?curid=95207","license":"CC BY-SA 4.0"}
{"slug":"copyright","lang":"ru","title":"Авторское право","text":"А́вторское пра́во — институт гражданского права, регулирующий правоотношения, связанные с созданием и использованием (изданием, исполнением, показом и т. д.) произведений науки, литературы или искусства, то есть объективных результатов творческой деятельности людей в этих областях. Также под защиту авторского права подпадают программное обеспечение и базы данных, которые приравниваются к литературным произведениям и сборникам, соответственно.\nАвторское право включает как неимущественные (моральные) права автора, которые неотъемлемы и действуют бессрочно, так и имущественные права на использование произведения, которые автор может передавать другим лицам.\nАнглийский термин копира́йт © (англ. copyright, от copy «копировать» и right «право») в английском языке обозначает имущественное авторское право, то есть право копировать, воспроизводить.\nСрок защиты имущественных прав в большинстве стран зависит от продолжительности жизни автора и составляет 70 лет после его смерти, после чего произведение переходит в общественное достояние.\n== История авторского права ==\nИстория авторского права берёт своё начало с прав и привилегий, представляемых авторам художественные литературные произведения в Средние века с дальнейшим развитием и совершенствованием системы на протяжении нескольких столетий.\n== Субъекты авторского права ==\nПервоначальным субъектом авторского права всегда является «физическое лицо, творческим трудом которого создано» произведение науки, литературы или искусства, а также другая интеллектуальная собственность — автор. Ему принадлежит весь комплекс авторских прав — личные неимущественные права и исключительное право (имущественное право) на использование произведения в любой форме и любым не противоречащим закону способом. Лицо, указанное в качестве автора на оригинале или экземпляре произведения, считается его автором, если не доказано иное (презумпция авторства).\nСубъектами авторского права также являются лица, обладающие исключительным правом на произведение,","en_topic":"Copyright","wiki_pageid":30528,"wiki_revid":153444687,"source_url":"https://ru.wikipedia.org/?curid=30528","license":"CC BY-SA 4.0"}
{"slug":"probability","lang":"ru","title":"Вероятность","text":"Вероя́тность — степень (относительная мера, количественная оценка) возможности наступления некоторого события.\nКогда основания для того, чтобы какое-нибудь возможное событие произошло в действительности, перевешивают противоположные основания, то это событие называют вероятным, в противном случае — маловероятным или невероятным. Перевес положительных оснований над отрицательными, и наоборот, может быть в различной степени, вследствие чего вероятность (и невероятность) бывает большей либо меньшей. Поэтому часто вероятность оценивается на качественном уровне, особенно в тех случаях, когда более или менее точная количественная оценка невозможна или крайне затруднена. Возможны различные градации «уровней» вероятности.\nИсследование вероятности с математической точки зрения составляет особую дисциплину — теорию вероятностей. В теории вероятностей и математической статистике понятие вероятности формализуется как числовая характеристика события — вероятностная мера (или её значение) — мера на множестве событий (подмножеств множества элементарных событий), принимающая значения от\n 0\n {\\displaystyle 0}\n до\n 1\n {\\displaystyle 1}\n (в научно-популярных текстах и в быту также применяется процентная запись, сопоставляющая 100 % единице). Значение\n 1\n {\\displaystyle 1}\n соответствует достоверному событию. Невозможное событие имеет вероятность 0 (обратное, вообще говоря, не всегда верно). Если вероятность наступления события равна\n p\n {\\displaystyle p}\n, то вероятность его ненаступления (а также невероятность наступления) равна\n 1\n −\n p\n {\\displaystyle 1-p}\n. В частности, вероятность\n 1\n /\n 2\n {\\displaystyle 1/2}\n означает равную вероятность наступления и ненаступления события.\nКлассическое определение вероятности основано на понятии равновозможности исходов. В качестве вероятности выступает отношение количества исходов, благоприятствующих данному событию, к общему числу равновозможных исходов.","en_topic":"Probability","wiki_pageid":1901,"wiki_revid":148415275,"source_url":"https://ru.wikipedia.org/?curid=1901","license":"CC BY-SA 4.0"}
{"slug":"bayesian-inference","lang":"ru","title":"Байесовский вывод","text":"Байесовский вывод — статистический вывод, в котором свидетельство и/или наблюдение используются, чтобы обновить или вновь вывести вероятность того, что гипотеза может быть верной; название байесовский происходит от частого использования в процессе вывода теоремы Байеса, которая была выведена из работ преподобного Томаса Байеса.\n== Свидетельство и изменение веры ==\nБайесовский вывод использует аспекты научного метода, который вовлекает сбор свидетельств, предназначенных для того, чтобы поддерживать или не поддерживать данную гипотезу. Поскольку свидетельства накапливаются, степень веры в гипотезу должна измениться. С достаточным количеством свидетельств, она должна стать либо очень высокой, либо очень низкой. Таким образом, сторонники байесовского вывода говорят, что он может использоваться, чтобы провести различие между противоречивыми гипотезами: гипотезы с очень высокой поддержкой должны быть приняты как истинные, а с очень низкой поддержкой должны быть отклонены как ложные. Однако противники говорят, что этот метод вывода может привести к отклонению благодаря исходному верованию, которого каждый придерживается до того, когда какое-либо свидетельство будет собрано (это — форма так называемого индуктивного отклонения (англ. bias)).\nБайесовский вывод использует числовую оценку степени веры в гипотезу до получения свидетельства, чтобы вычислить числовую оценку степени веры в гипотезу после того, как свидетельство было получено (этот процесс повторяется, когда получено дополнительное свидетельство). В индукционном процессе байесовский вывод обычно опирается на степени веры, или субъективные вероятности, и не обязательно утверждает, что обеспечен объективный метод индукции. Тем не менее некоторые байесовские статистики полагают, что вероятности могут иметь объективное значение, и поэтому байесовский вывод может обеспечить объективный метод индукции (см. научный метод).\nТеорема Байеса подправляет вероятность гипотезы, данную новым свидетельством, следующим образом:\n ","en_topic":"Bayesian inference","wiki_pageid":4058314,"wiki_revid":146478098,"source_url":"https://ru.wikipedia.org/?curid=4058314","license":"CC BY-SA 4.0"}
{"slug":"hidden-markov-model","lang":"ru","title":"Скрытая марковская модель","text":"Скрытая марковская модель (СММ) — статистическая модель процесса с непосредственно не наблюдаемыми (скрытыми) состояниями, обладающими марковским свойством, позволяющая оценивать эти состояния на основе наблюдаемых данных.\nПервые заметки о скрытых марковских моделях опубликовал Баум в 1960-х, и уже в 70-х их впервые применили при распознавании речи.\nС середины 1980-х СММ применяются при анализе биологических последовательностей, в частности ДНК.\nОсновное применение СММ получили в области распознавания речи, письма, движений и биоинформатике. Кроме того, СММ применяются в криптоанализе, машинном переводе.\n== Пример ==\nПредставим двух друзей, обсуждающих каждый вечер по телефону, что они сегодня делали днём. Ваш друг может делать лишь три вещи: гулять в парке, ходить за покупками или убираться в комнате. Его выбор основывается лишь на погоде, которая была в момент принятия решения. Вы ничего не знаете о погоде в том регионе, где живёт ваш друг, но вы можете, основываясь на его решениях, попытаться угадать, какая погода была.\nПогода представима в виде марковской цепи, она имеет два состояния: солнечно или дождливо, но вы не можете сами увидеть её, поэтому она скрыта от вас. Каждый день ваш друг принимает одно из трёх возможных решений: прогулка, покупки или уборка. Вы можете узнать о решении вашего друга, поэтому это наблюдаемое значение. В целом мы получаем СММ.\n== Структура скрытой марковской модели ==\nВ обычной марковской модели состояние видимо наблюдателю, поэтому вероятности переходов — единственный параметр. В скрытой марковской модели мы можем следить лишь за переменными, на которые оказывает влияние данное состояние. Каждое состояние имеет вероятностное распределение среди всех возможных выходных значений. Поэтому последовательность символов, сгенерированная СММ, даёт информацию о последовательности состояний.\nДиаграмма, представленная ниже, показывает общую структуру СММ. Овалы представляют собой переменные со случайным значением. Случайная переменная\n ","en_topic":"Hidden Markov model","wiki_pageid":703201,"wiki_revid":152293250,"source_url":"https://ru.wikipedia.org/?curid=703201","license":"CC BY-SA 4.0"}
{"slug":"matrix","lang":"ru","title":"Матрица (математика)","text":"Ма́трица — математический объект, записываемый в виде прямоугольной таблицы элементов кольца или поля (например, целых, действительных или комплексных чисел), который представляет собой совокупность строк и столбцов, на пересечении которых находятся его элементы. Количество строк и столбцов задаёт размер матрицы. Матрицу можно также представить в виде функции двух дискретных аргументов. Хотя исторически рассматривались, например, треугольные матрицы, в настоящее время говорят исключительно о матрицах прямоугольной формы, так как они являются наиболее удобными и общими.\nМатрицы широко применяются в математике для компактной записи систем линейных алгебраических или дифференциальных уравнений. В этом случае количество строк матрицы соответствует числу уравнений, а количество столбцов — количеству неизвестных. В результате решение систем линейных уравнений сводится к операциям над матрицами.\nДля матрицы определены следующие алгебраические операции:\nсложение матриц, имеющих один и тот же размер;\nумножение матриц подходящего размера (матрицу, имеющую\n n\n {\\displaystyle n}\n столбцов, можно умножить справа на матрицу, имеющую\n n\n {\\displaystyle n}\n строк);\nв том числе умножение матрицы на вектор-столбец и умножение вектор-строки на матрицу (по обычному правилу матричного умножения; вектор является в этом смысле частным случаем матрицы);\nумножение матрицы на элемент основного кольца или поля (то есть скаляр).\nОтносительно сложения матрицы образуют абелеву группу; если же рассматривать ещё и умножение на скаляр, то матрицы образуют модуль над соответствующим кольцом (векторное пространство над полем). Множество квадратных матриц замкнуто относительно матричного умножения, поэтому квадратные матрицы одного размера образуют ассоциативное кольцо с единицей относительно матричного сложения и матричного умножения.\nДоказано, что каждому линейному оператору, действующему в\n n\n {\\displaystyle n}\n-мерном линейном пространстве, можно сопоставить единствен","en_topic":"Matrix (mathematics)","wiki_pageid":25898,"wiki_revid":152560062,"source_url":"https://ru.wikipedia.org/?curid=25898","license":"CC BY-SA 4.0"}
{"slug":"vector-space","lang":"ru","title":"Векторное пространство","text":"Ве́кторное простра́нство (лине́йное пространство) — математическая структура, представляющая собой набор элементов, называемых векторами, для которых определены операции сложения друг с другом и умножения на число — скаляр. Эти операции подчинены восьми аксиомам. Скаляры могут быть элементами вещественного, комплексного или любого другого поля чисел. Частным случаем подобного пространства является обычное трёхмерное евклидово пространство, векторы которого используются, к примеру, для представления физических сил. При этом вектор как элемент векторного пространства не обязательно должен быть задан в виде направленного отрезка. Обобщение понятия «вектор» до элемента векторного пространства любой природы не только не вызывает смешения терминов, но и позволяет уяснить или даже предвидеть ряд результатов, справедливых для пространств произвольной природы.\nВекторные пространства являются предметом изучения линейной алгебры. Одна из главных характеристик векторного пространства — его размерность. Размерность представляет собой максимальное число линейно независимых элементов пространства, то есть, прибегая к грубой геометрической интерпретации, число направлений, которые невозможно выразить друг через друга посредством только операций сложения и умножения на скаляр. Векторное пространство можно наделить дополнительными структурами, например, нормой или скалярным произведением. Подобные пространства естественным образом появляются в математическом анализе, преимущественно в виде бесконечномерных функциональных пространств, где в качестве векторов выступают функции. Многие проблемы анализа требуют выяснить, сходится ли последовательность векторов к данному вектору. Рассмотрение таких вопросов возможно в векторных пространствах с дополнительной структурой, в большинстве случаев — подходящей топологией, что позволяет определить понятия близости и непрерывности. Такие топологические векторные пространства, в частности, банаховы и гильбертовы, допускают более глубокое изучение.","en_topic":"Vector space","wiki_pageid":4619,"wiki_revid":152389897,"source_url":"https://ru.wikipedia.org/?curid=4619","license":"CC BY-SA 4.0"}
{"slug":"derivative","lang":"ru","title":"Производная функции","text":"Данная статья описывает производные вещественных функций. О производной комплексных функций см. Комплексный анализ.\nПроизво́дная функции — понятие дифференциального исчисления, характеризующее скорость изменения функции в данной точке. Определяется как предел отношения приращения функции к приращению её аргумента при стремлении приращения аргумента к нулю (при условии, что такой предел существует). Функцию, имеющую конечную производную (в некоторой точке), называют дифференцируемой (в данной точке).\nПроцесс вычисления производной называется дифференци́рованием.\nОбратный процесс — нахождение первообразной — интегрирование.\n== История ==\nВ классическом дифференциальном исчислении производная чаще всего определяется через понятие предела, однако исторически теория пределов появилась позже дифференциального исчисления. Исторически производная вводилась кинематически (как скорость) или геометрически (определяясь по сути наклоном касательной, в разных конкретных формулировках). Ньютон называл производную флюксией, обозначая точкой над символом функции, школа Лейбница предпочитала в качестве базового понятия дифференциал.\nРусский термин в форме «производная функция» впервые употребил В. И. Висковатов, переведя на русский язык соответствующий французский термин dérivée, используемый французским математиком Лагранжем.\n== Определение ==\nПусть в некоторой окрестности точки\n x\n 0\n ∈\n R\n {\\displaystyle x_{0}\\in \\mathbb {R} }\n определена функция\n f\n :\n U\n (\n x\n 0\n )\n ⊂\n R\n →\n R\n .\n {\\displaystyle f\\colon U(x_{0})\\subset \\mathbb {R} \\to \\mathbb {R} .}\n Производной функции называется такое число\n A\n {\\displaystyle A}\n, что функцию в окрестности\n U\n (\n x\n 0\n )\n {\\displaystyle U(x_{0})}\n можно представить в виде\n f\n (\n x\n 0\n +\n h\n )\n =\n","en_topic":"Derivative","wiki_pageid":20446,"wiki_revid":152951765,"source_url":"https://ru.wikipedia.org/?curid=20446","license":"CC BY-SA 4.0"}
{"slug":"convex-optimization","lang":"ru","title":"Выпуклое программирование","text":"Выпуклое программирование — это подобласть математической оптимизации, которая изучает задачу минимизации выпуклых функций на выпуклых множествах. В то время, как многие классы задач выпуклого программирования допускают алгоритмы полиномиального времени, математическая оптимизация в общем случае NP — трудна.\nВыпуклое программирование находит применение в целом ряде дисциплин, таких как автоматические системы управления, оценка и обработка сигналов, коммуникации и сети, схемотехника, анализ данных и моделирование, финансы, статистика (оптимальный план эксперимента) и структурная оптимизация. Развитие вычислительной техники и алгоритмов оптимизации сделало выпуклое программирование почти столь же простым как линейное программирование.\n== Определение ==\nЗадача выпуклого программирования — это задача оптимизации, в которой целевая функция является выпуклой функцией и область допустимых решений выпукла. Функция\n f\n {\\displaystyle f}\n, отображающая некоторое подмножество\n R\n n\n {\\displaystyle \\mathbb {R} ^{n}}\n в\n R\n ∪\n {\n ±\n ∞\n }\n {\\displaystyle \\mathbb {R} \\cup \\{\\pm \\infty \\}}\n, является выпуклой, если область определения выпукла и для всех\n θ\n ∈\n [\n 0\n ,\n 1\n ]\n {\\displaystyle \\theta \\in [0,1]}\n, и всех\n x\n ,\n y\n {\\displaystyle x,y}\n в их области определения\n f\n (\n θ\n x\n +\n (\n 1\n −\n θ\n )\n y\n )\n ⩽\n θ\n f\n (\n x\n )\n +\n (\n 1\n −\n θ\n )\n f\n (\n y\n )\n {\\displaystyle f(\\theta x+(1-\\theta )y)\\leqslant \\theta f(x)+(1-\\theta )f(y)}\n. Множество выпукло, если для всех его элементов\n x\n ,\n y\n {\\displaystyle x,y}\n и любого\n θ\n ∈\n [\n 0\n ,\n 1\n ]\n {\\displaystyle \\t","en_topic":"Convex optimization","wiki_pageid":7859864,"wiki_revid":154006490,"source_url":"https://ru.wikipedia.org/?curid=7859864","license":"CC BY-SA 4.0"}
{"slug":"signal-processing","lang":"ru","title":"Обработка сигналов","text":"Обработка сигналов — процесс преобразования сигналов для извлечения переносимой этими сигналами информации.\n== Классификация сигналов ==\nСигналы могут быть как аналоговыми, так и цифровыми и иметь различные источники.\nСуществует множество направлений обработки сигналов, зависящие от их природы.\nДля аналоговых сигналов обработка может включать усиление и фильтрацию, модуляцию и демодуляцию. Для цифровых сигналов также осуществляется сжатие, обнаружение и исправление ошибок и пр.\nАналоговая обработка сигналов — для неоцифрованных сигналов, таких как радио-, телефонные или телевизионные сигналы. Цифровая обработка сигналов — для оцифрованных сигналов. Обработка осуществляется с помощью цифровых схем, в том числе с помощью программных решений.\nСтатистическая обработка сигналов — включает анализ и получение информации из сигналов, основываясь на их статистических свойствах.\nОбработка звука — для электрических сигналов, представляющих звук, например, музыку.\nРаспознавание речи — для обработки и интерпретации речи.\nОбработка изображений — в цифровых камерах, компьютерах и подобных системах.\nОбработка видео — для обработки движущихся изображений.\n== Анализ сигналов ==\nАнализ сигналов — извлечение информации из сигнала, например, выявление и обособление интересующих особенностей в экспериментально полученной функции. Существуют корреляционный анализ сигналов и спектральный анализ сигналов.\nСпектральный анализ сигналов. Вероятно, наиболее распространённым видом анализа сигналов является преобразование Фурье временного сигнала в частотную область для получения спектра частот сигнала. Для анализа сигналов, в частности для получения временно-частотного представления также могут быть использованы другие преобразования, такие как оконное преобразование Фурье и непрерывное вейвлет-преобразование. Другие разновидности анализа сигналов включают подбор параметров, например поиск наилучшего приближения методом наименьших квадратов.\n== См. также ==\nСигнал\nОтношение сигнал/шум\nТеория пер","en_topic":"Signal processing","wiki_pageid":349689,"wiki_revid":148400531,"source_url":"https://ru.wikipedia.org/?curid=349689","license":"CC BY-SA 4.0"}
{"slug":"fast-fourier-transform","lang":"ru","title":"Быстрое преобразование Фурье","text":"Быстрое преобразование Фурье (сокр. БПФ, англ. fast Fourier transform, FFT) — алгоритм ускоренного вычисления дискретного преобразования Фурье, позволяющий получить результат за время, меньшее чем\n O\n (\n N\n 2\n )\n {\\displaystyle O(N^{2})}\n (требуемого для прямого, поформульного вычисления). Иногда под быстрым преобразованием Фурье понимается один из алгоритмов, называемый алгоритмом прореживания по частоте — времени, имеющий сложность\n O\n (\n N\n log\n ⁡\n (\n N\n )\n )\n {\\displaystyle O(N\\log(N))}\n.\nАлгоритм применим к любым коммутативным ассоциативным кольцам с единицей, чаще применяют к полю комплексных чисел (c\n ε\n =\n e\n 2\n π\n i\n /\n n\n {\\displaystyle \\varepsilon =e^{2\\pi i/n}}\n) и к кольцам вычетов (которым, в частности, является компьютерный целый тип).\n== Основной алгоритм ==\nПри применении основного алгоритма дискретное преобразование Фурье может быть выполнено за\n O\n (\n N\n (\n p\n 1\n +\n ⋯\n +\n p\n n\n )\n )\n {\\textstyle O(N(p_{1}+\\cdots +p_{n}))}\n действий при\n N\n =\n p\n 1\n p\n 2\n ⋯\n p\n n\n {\\textstyle N=p_{1}p_{2}\\cdots p_{n}}\n, в частности, при\n N\n =\n 2\n n\n {\\displaystyle N=2^{n}}\n понадобится\n O\n (\n N\n log\n ⁡\n (\n N\n )\n )\n {\\displaystyle O(N\\log(N))}\n действий.\nДискретное преобразование Фурье преобразует набор чисел\n a\n 0\n ,\n …\n ,\n a\n n\n −\n 1\n {\\displaystyle a_{0},\\dots ,a_{n-1}}\n в набор чисел\n b\n 0\n ,\n …\n ,\n b\n n\n −\n 1\n {\\dis","en_topic":"Fast Fourier transform","wiki_pageid":126120,"wiki_revid":147860014,"source_url":"https://ru.wikipedia.org/?curid=126120","license":"CC BY-SA 4.0"}
{"slug":"unicode","lang":"ru","title":"Юникод","text":"Юнико́д (англ. Unicode) — стандарт кодирования символов, включающий в себя знаки почти всех письменных языков мира. В настоящее время стандарт является преобладающим в Интернете.\nСтандарт предложен в 1991 году некоммерческой организацией «Консорциум Юникода» (англ. Unicode Consortium, Unicode Inc.). Применение этого стандарта позволяет закодировать очень большое число символов из разных систем письменности: в документах, закодированных по стандарту Юникод, могут соседствовать китайские иероглифы, математические символы, буквы греческого алфавита, латиницы и кириллицы, символы музыкальной нотной нотации, при этом становится ненужным переключение кодовых страниц.\nСтандарт состоит из двух основных частей: универсального набора символов (англ. Universal character set, UCS) и семейства кодировок (англ. Unicode transformation format, UTF). Универсальный набор символов перечисляет допустимые по стандарту Юникод символы и присваивает каждому символу код в виде неотрицательного целого числа, записываемого обычно в шестнадцатеричной форме с префиксом U+, например, U+040F. Семейство кодировок определяет способы преобразования кодов символов для передачи в потоке или в файле.\nКоды в стандарте Юникод разделены на несколько областей. Область с кодами от U+0000 до U+007F содержит символы набора ASCII, и коды этих символов совпадают с их кодами в ASCII. Далее расположены области символов других систем письменности, знаки пунктуации и технические символы. Часть кодов зарезервирована для использования в будущем. Под символы кириллицы выделены области знаков с кодами от U+0400 до U+052F, от U+2DE0 до U+2DFF, от U+A640 до U+A69F (см. Кириллица в Юникоде).\n== Предпосылки создания и развитие Юникода ==\nК концу 1980-х годов стандартом стали 8-битные кодировки, их существовало уже большое множество, и постоянно появлялись новые. Это объяснялось как расширением круга поддерживаемых языков, так и стремлением создавать кодировки, частично совместимые между собой (характерный пример — появлени","en_topic":"Unicode","wiki_pageid":13025,"wiki_revid":152853002,"source_url":"https://ru.wikipedia.org/?curid=13025","license":"CC BY-SA 4.0"}
{"slug":"blockchain","lang":"ru","title":"Блокчейн","text":"Блокче́йн (англ. blockchain, изначально block chain — цепь из блоков) — выстроенная по определённым правилам непрерывная последовательная цепочка блоков (связный список), содержащих какую-либо информацию. Связь между блоками обеспечивается не только нумерацией, но и тем, что каждый блок содержит свою собственную хеш-сумму и хеш-сумму предыдущего блока. Изменение любой информации в блоке изменит его хеш-сумму. Чтобы соответствовать правилам построения цепочки, изменения хеш-суммы нужно будет записать в следующий блок, что вызовет изменения уже его собственной хеш-суммы. При этом предыдущие блоки не затрагиваются. Если изменяемый блок последний в цепочке, то внесение изменений может не потребовать существенных усилий. Но если после изменяемого блока уже сформировано продолжение, то изменение может оказаться крайне трудоёмким процессом. Дело в том, что обычно копии цепочек блоков хранятся на множестве разных компьютеров независимо друг от друга.\nВпервые термин появился как название полностью реплицированной распределённой базы данных, реализованной в системе «Биткоин», из-за чего блокчейн часто отождествляют с реестром транзакций в различных криптовалютах. Однако технология цепочек блоков может быть распространена на любые взаимосвязанные информационные блоки. Появившаяся в октябре 2008 года система Биткоин стала первым применением технологии блокчейн.\nВ настоящее время блокчейн-технологии находят применение в таких областях, как финансовые операции, идентификация пользователей или создание технологий кибербезопасности, а также актуальны для банковских учреждений и государственных организаций.\n== История ==\nВпервые протокол, подобный блокчейну, предложил американский криптограф Дэвид Чаум в своей диссертации 1982 года «Компьютерные системы, созданные, поддерживаемые и пользующиеся доверием взаимно подозрительных групп» (англ. Computer Systems Established, Maintained, and Trusted by Mutually Suspicious Groups). Далее, С.Хабер и У. Скотт Сторнетта в 1991 году в своей раб","en_topic":"Blockchain","wiki_pageid":5677831,"wiki_revid":153265129,"source_url":"https://ru.wikipedia.org/?curid=5677831","license":"CC BY-SA 4.0"}
{"slug":"cryptocurrency","lang":"ru","title":"Криптовалюта","text":"Криптовалю́та — разновидность цифровой валюты, учёт внутренних расчётных единиц которой обеспечивает децентрализованная платёжная система (нет внутреннего или внешнего администратора или какого-либо его аналога), работающая в полностью автоматическом режиме.\nСама по себе криптовалюта не имеет какой-либо особой материальной или электронной формы — это просто число, обозначающее количество данных расчётных единиц, которое записывается в соответствующей позиции информационного пакета протокола передачи данных и зачастую даже не подвергается шифрованию, как и вся иная информация о транзакциях между адресами системы.\nТермин криптовалюта закрепился после публикации статьи o системе Биткойн «Crypto currency» (Криптографическая валюта), опубликованной в 2011 году в журнале Forbes. При этом и создатель биткойна, и многие другие авторы использовали термин «электронная наличность» (англ. electronic cash).\nКриптографические методы задействованы в механизмах генерации адреса и проверки полномочий на операции с ним (цифровая подпись на основе системы с открытым ключом, распоряжение доступно исключительно обладателю соответствующего данному адресу секретного ключа), а также формирование пакета транзакций и его взаимосвязь с другими пакетами (последовательное хеширование, которое делает невозможным изменение информации о количестве криптовалюты). При этом в системе нет никакой информации о владельцах адресов или о факте создания адреса (адрес можно генерировать полностью автономно, даже не подключаясь к сети и ничего не сообщая в сеть в последующем) — то есть нет механизма убедиться, что адрес получателя действительно существует или что ключ доступа к нему не утерян. Отсутствие прямой информации о владельце является основой (но не ограничивается только этим) анонимности участников транзакций. По своим экономическим условиям и последствиям платежи криптовалютой более похожи на платежи наличными деньгами, чем на варианты безналичных платежей, хотя криптовалюты разрабатываются в перв","en_topic":"Cryptocurrency","wiki_pageid":4573896,"wiki_revid":153885452,"source_url":"https://ru.wikipedia.org/?curid=4573896","license":"CC BY-SA 4.0"}
{"slug":"ethereum","lang":"ru","title":"Ethereum","text":"Ethereum (Эфириум, от англ. ether [ˈiːθə] — «эфир») — криптовалюта и платформа для создания децентрализованных онлайн-сервисов на базе блокчейна (децентрализованных приложений), работающих на базе умных контрактов. Реализована как единая децентрализованная виртуальная машина. Концепт был предложен Виталиком Бутериным в конце 2013 года, сеть была запущена 30 июля 2015 года.\nEthereum изначально создавался не столько как платёжная система, сколько как база для доступного внедрения технологии блокчейна в сторонние проекты. К нему проявили интерес не только новые стартапы, но и крупные разработчики (IBM, Intel, Microsoft, Cisco, Amazon), банковские группы (Barclays, JPMorgan Chase, Citigroup, Grupo Santander, UBS, Goldman Sachs, Deutsche Bank, Crédit Agricole, DBS Bank, Банк ВТБ, Сбербанк России, ING, BNP Paribas, Intesa Sanpaolo), платёжные системы (Visa, Mastercard, PayPal), аудиторские компании (Deloitte, Ernst & Young), социальные сети (Facebook, Reddit, Instagram), авиакомпании (Lufthansa, S7 Airlines), нефтегазовая компания Shell, а также международная благотворительная организация ЮНИСЕФ. Среди держателей Ethereum в частности присутствуют: самый богатый человек в мире Илон Маск и президент США Дональд Трамп. Изобретатель и соучредитель компании Apple Стив Возняк заявил, что Ethereum может оказаться столь же влиятельным, как Apple в долгосрочной перспективе.\n== Эфир ==\nОбменные единицы Ethereum называются эфиром (англ. ether). Для обозначения используется сокращение ETH и символ в виде греческой буквы Кси Ξ.\nДробные части имеют свои названия (в скобках указано, в честь кого они названы): 1/1000 — finney (Хэл Финни), 1/106 — szabo (Ник Сабо), 1/1018 — wei (Вэй Дай).\nВ отличие от других криптовалют, авторы не ограничивают роль эфира платежами, а предлагают его, например, в качестве средства для обмена ресурсами или регистрации сделок с активами при помощи умных контрактов, в частности, авторы назвали эфир «криптотопливом» для исполнения умных контрактов одноранговой ","en_topic":"Ethereum","wiki_pageid":6281771,"wiki_revid":153250493,"source_url":"https://ru.wikipedia.org/?curid=6281771","license":"CC BY-SA 4.0"}
{"slug":"non-fungible-token","lang":"ru","title":"NFT","text":"NFT (англ. non-fungible token, в переводе с англ. — «невзаимозаменя́емый то́кен»), также уника́льный то́кен — вид криптографических токенов, каждый экземпляр которых уникален (специфичен) и не может быть заменён или замещён другим аналогичным токеном, хотя обычно токены взаимозаменяемы по своей природе.\nНевзаимозаменяемый токен представляет собой криптографический сертификат цифрового объекта с возможностью передавать сертификат через механизм, применяемый в криптовалютах. Сам по себе токен не является подтверждением права на владение цифровым активом в контексте законодательства об авторском праве. NFT не препятствует копированию объекта, он только закрепляет за владельцем «цифровую фишку», созданную на основе одного из экземпляров цифрового артефакта. Также нет препятствий для формирования нескольких разных токенов для одного и того же файла. Но если участники соглашаются, что NFT может формировать только реальный владелец и дальнейшая передача NFT происходит только в связи с передачей соответствующих прав на исходный цифровой объект, тогда NFT может выполнять роль маркера, указывающего текущего владельца объекта.\nNFT подвергаются критике из-за высоких затрат на электроэнергию и большого выброса диоксида углерода в процессе проверки транзакций, а также из-за использования NFT мошенниками. Под сомнение ставится и полезность установки права собственности на зачастую нелегальном нерегулируемом рынке.\n== История ==\nСмарт-контракты NFT на блокчейне Ethereum были созданы в 2017 году.\nВ 2021 году впервые в мире материальное произведение искусства (картина Бэнкси «Morons») превращено в цифровой актив — создан невзаимозаменяемый токен, а оригинальный материальный экземпляр произведения был уничтожен (сожжён). Примечательно, что сама картина является авторской сатирой на аукцион картин, которые этого не заслуживают.\n==== Ранняя история (2012—2017) ====\nВ 2013—2014 годах начались эксперименты с NFT на скриптовом языке блокчейна Bitcoin (проекты Colored Coins и Counterparty).","en_topic":"Non-fungible token","wiki_pageid":8731363,"wiki_revid":148341206,"source_url":"https://ru.wikipedia.org/?curid=8731363","license":"CC BY-SA 4.0"}
{"slug":"quantum-entanglement","lang":"ru","title":"Квантовая запутанность","text":"Ква́нтовая запу́танность — квантовомеханическое явление, при котором квантовые состояния двух или большего числа объектов оказываются взаимозависимыми. Например, можно получить пару фотонов, находящихся в запутанном состоянии, и тогда если при измерении спина первой частицы её спиральность оказывается положительной, то спиральность второй всегда оказывается отрицательной, и наоборот.\nТакая взаимозависимость сохраняется, даже если эти объекты разнесены в пространстве за пределы любых известных взаимодействий. Измерение параметра одной частицы сопровождается мгновенным (быстрее скорости света) прекращением запутанного состояния другой, что может находиться в логическом противоречии с принципом локальности, но при этом информация не передаётся и теория относительности не нарушается.\n== История изучения ==\n=== Спор Бора и Эйнштейна, ЭПР-парадокс ===\nНа Пятом Сольвеевском конгрессе 1927 года одним из центров дискуссии стал спор Бора и Эйнштейна о принципах Копенгагенской интерпретации квантовой механики, которая, впрочем, ещё не имела этого названия, закрепившегося только в 1950-е годы. Эйнштейн настаивал на сохранении в квантовой физике принципов детерминизма классической физики и на трактовке результатов измерения с точки зрения «несвязанного наблюдателя» (англ. «detached observer»). С другой стороны, Бор настаивал на принципиально недетерминированном (стохастическом) характере квантовых явлений и на неустранимости эффекта влияния измерения на само состояние. Как квинтэссенция этих споров часто приводится диалог Эйнштейна с Бором: «— Бог не играет в кости. — Альберт, не указывай Богу, что ему делать.», а также саркастический вопрос Эйнштейна: «Вы действительно считаете, что Луна существует, только когда вы на неё смотрите?»\nВ продолжение начавшихся споров в 1935 году Эйнштейн, Подольский и Розен сформулировали ЭПР-парадокс, который должен был показать неполноту предлагаемой модели квантовой механики. Их статья «Можно ли считать квантово-механическое описание физической","en_topic":"Quantum entanglement","wiki_pageid":105157,"wiki_revid":147331999,"source_url":"https://ru.wikipedia.org/?curid=105157","license":"CC BY-SA 4.0"}
{"slug":"semiconductor","lang":"ru","title":"Полупроводник","text":"Полупроводни́к — материал, по удельной проводимости занимающий промежуточное место между проводниками и диэлектриками, и отличающийся от проводников (металлов) сильной зависимостью удельной проводимости от концентрации примесей, температуры и воздействия различных видов излучения. Основным свойством полупроводников является увеличение электрической проводимости с ростом температуры.\nПолупроводниками являются кристаллические вещества, ширина запрещённой зоны которых составляет порядка электрон-вольта (эВ). Например, алмаз можно отнести к широкозонным полупроводникам (около 5,47 эВ), а арсенид индия — к узкозонным (0,35 эВ). К числу полупроводников относятся многие простые вещества (германий, кремний, селен, теллур, мышьяк и другие), огромное количество сплавов и химических соединений (арсенид галлия, нитрид галлия, сплав КРТ (кадмий-ртуть-теллур), теллурид кадмия, теллурид висмута, и др.).\nАтом другого химического элемента в чистой кристаллической решётке (например, атом фосфора, бора и т. д. в кристалле кремния) называется примесью. В зависимости от того, отдаёт ли примесной атом электрон в кристалл (в вышеприведённом примере — фосфор) или захватывает его (бор), примесные атомы называют донорными или акцепторными. Характер примеси может меняться в зависимости от того, какой атом кристаллической решётки она замещает, в какую кристаллографическую плоскость встраивается.\nПроводимость полупроводников зависит от температуры. Вблизи температуры абсолютного нуля полупроводники имеют свойства диэлектриков.\n== История ==\nВ 1833 году английский физик экспериментатор Майкл Фарадей в своей работе «Экспериментальные исследования по электричеству» описал необычную температурную зависимость электропроводимости сульфида серебра, которая увеличивалась при повышении температуры, в то время как проводимость металлов при нагреве уменьшалась. К 1838 году Фарадей открыл ещё 5 веществ с подобными свойствами. Позднее такие вещества назовут «полупроводниками».\nВ 1820—1900 годы, большой вкла","en_topic":"Semiconductor","wiki_pageid":33767,"wiki_revid":147322415,"source_url":"https://ru.wikipedia.org/?curid=33767","license":"CC BY-SA 4.0"}
{"slug":"moore-s-law","lang":"ru","title":"Закон Мура","text":"Зако́н Му́ра (англ. Moore's law) — эмпирическое наблюдение, изначально сделанное Гордоном Муром, согласно которому (в современной формулировке) количество транзисторов, размещаемых на кристалле интегральной схемы, удваивается каждые 24 месяца. Часто цитируемый интервал в 18 месяцев связан с прогнозом Давида Хауса из Intel, по мнению которого, производительность процессоров должна удваиваться каждые 18 месяцев из-за сочетания роста количества транзисторов и увеличения тактовых частот процессоров.\nРост числа транзисторов на кристалле микропроцессора показан на графике. Точки соответствуют наблюдаемым данным, а прямая — периоду удвоения в 24 месяца.\n== История ==\nВ 1965 году (через шесть лет после изобретения интегральной схемы) один из основателей Intel Гордон Мур в процессе подготовки выступления нашел закономерность: появление новых моделей микросхем наблюдалось спустя примерно год после предшественников, при этом количество транзисторов в них возрастало каждый раз приблизительно вдвое. Он предсказал, что к 1975 году количество элементов в микросхеме вырастет до 216 (65536) с 26 (64) в 1965 году. Мур пришел к выводу, что при сохранении этой тенденции вычислительная мощность чипов за относительно короткий промежуток времени может вырасти экспоненциально. Это наблюдение получило название — закон Мура.\nВ 1975 году Гордон Мур внёс в свой закон коррективы, согласно которым удвоение числа транзисторов будет происходить каждые два года (24 месяца).\nПо поводу эффектов, обусловленных законом Мура, в журнале «В мире науки» было приведено такое сравнение:\n«Если бы за последние 25 лет авиационная промышленность развивалась столь же стремительно, как вычислительная техника, то Boeing 767 можно было бы приобрести сегодня за 500 долл. и облететь на нем земной шар за 20 мин, израсходовав при этом 19 литров горючего. При этой аналогии, хотя и не совсем точной, можно судить о темпах снижения стоимости и энерогопотребления и роста быстродействия вычислительных машин».\nВ 2003 году Мур ","en_topic":"Moore's law","wiki_pageid":42557,"wiki_revid":149814698,"source_url":"https://ru.wikipedia.org/?curid=42557","license":"CC BY-SA 4.0"}
{"slug":"tensor-processing-unit","lang":"ru","title":"Тензорный процессор Google","text":"Тензорный процессор (англ. Tensor Processing Unit; TPU) — нейронный процессор, разработанный корпорацией Google. Является специализированной интегральной схемой, предназначенной для использования с библиотекой машинного обучения TensorFlow. Представлен в 2016 году на конференции Google I/O, при этом утверждалось, что устройства к тому моменту уже использовались внутри корпорации Google более года.\nПо сравнению с графическими процессорами, рассчитан на более высокий объём вычислений с пониженной точностью (например, всего 8-разрядную точность) при более высокой производительности на ватт и отсутствии модуля для растризации и текстурных блоков.\nУтверждается, что тензорные процессоры применялись в серии игр в го программы AlphaGo против Ли Седоля и в следующих подобных поединках. Также корпорация применила тензорные процессоры для обработки фотографий Google Street View на предмет извлечения текста, сообщалось, что весь объём обработан менее чем за пять дней. В Google Фото один тензорный процессор может обрабатывать более 100 миллионов фотографий в день. Также устройство применяется для самообучающейся системы RankBrain, обрабатывающей отклики поисковой системы Google.\nУстройство реализовано как матричный умножитель для 8-разрядных чисел, управляемый CISC-инструкциями центрального процессора по шине PCIe 3.0. Изготавливается по технологии 28 нм, тактовая частота составляет 700 МГц и имеет тепловую расчётную мощность 28—40 Вт. Оснащается 28 Мбайт встроенной оперативной памяти и 4 Мбайт 32-разрядных аккумуляторов, накапливающих результаты в массивах из 8-битных множителей, организованных в матрицу размером 256×256. Инструкции устройства передают данные на узел или получают их из него, выполняют матричные умножения или свёртки. В такт может производиться 65536 умножений на каждой матрице; в секунду — до 92 трлн.\n== Характеристики разных поколений тензорных процессоров ==\n== Примечания ==\n== Ссылки ==\nGoogle поделилась подробностями истории создания ИИ-ускорителей TPU (ру","en_topic":"Tensor Processing Unit","wiki_pageid":6935505,"wiki_revid":154037738,"source_url":"https://ru.wikipedia.org/?curid=6935505","license":"CC BY-SA 4.0"}
{"slug":"application-specific-integrated-circuit","lang":"ru","title":"Интегральная схема специального назначения","text":"ASIC (аббревиатура от англ. application-specific integrated circuit, «интегральная схема для конкретного применения») — интегральная схема, специализированная для решения конкретной задачи. В отличие от обычных интегральных схем общего назначения, специализированные интегральные схемы применяются в конкретном устройстве и выполняют строго ограниченные функции, характерные только для данного устройства; вследствие этого выполнение функций происходит более эффективно и, в конечном счёте, дешевле. Примером ASIC может являться микросхема, разработанная исключительно для управления радиоканалом мобильного телефона, микросхемы аппаратного кодирования/декодирования аудио- и видеосигналов (сигнальные процессоры).\nМикросхема ASIC имеет узкий круг применения, обусловленный жёстко предопределённым набором её функций.\nСовременные ASIC часто содержат 32-битный или даже 64-битный процессор, иногда — в количестве нескольких ядер, блоки памяти (как ПЗУ, так и ОЗУ) и другие крупные блоки. Такие ASIC часто называют однокристальной системой.\nПри разработке цифровых ASIC для описания их функциональности используют языки описания аппаратных устройств (HDL), такие как Verilog и VHDL.\n== Проектирование на основе стандартных ячеек ==\n== Проектирование на основе БМК ==\n== Проектирование с СФ-блоками, программным и аппаратным обеспечением макро ==\n== MPW ==\n== См. также ==\n== Примечания ==\n== Ссылки ==\nIan Poole, ASIC basics tutorial (англ.)\nWai-Kai Chen (1999). The VLSI handbook. CRC Press. ISBN 0-8493-8593-8. (англ.)\nASIC / PCMag Encyclopedia (англ.)","en_topic":"Application-specific integrated circuit","wiki_pageid":798808,"wiki_revid":149837636,"source_url":"https://ru.wikipedia.org/?curid=798808","license":"CC BY-SA 4.0"}
{"slug":"solid-state-drive","lang":"ru","title":"Твердотельный накопитель","text":"Твердотельный накопитель (англ. solid-state drive, SSD) — компьютерное энергонезависимое немеханическое запоминающее устройство на основе микросхем памяти, альтернатива жёстким дискам (HDD). Наиболее распространённый вид твердотельных накопителей использует для хранения данных флеш-память типа NAND, однако существуют варианты, в которых накопитель создаётся на базе DRAM-памяти, снабжённой дополнительным источником питания — аккумулятором. Помимо собственно микросхем памяти, подобный накопитель содержит управляющую микросхему — контроллер.\nВ настоящее время твердотельные накопители используются как в носимых (ноутбуках, нетбуках, планшетах), так и в стационарных компьютерах для повышения производительности. На 2016 год наиболее производительными выступали SSD формата M.2 с интерфейсом NVMe, а к 2025 году их скорость достигла 14900 Мбайт/с.\nПо сравнению с традиционными жёсткими дисками твердотельные накопители имеют меньший размер и вес, являются бесшумными, а также многократно более устойчивы к механическим повреждениям (например, при падении) и имеют гораздо бо́льшую скорость производимых операций. В то же время, они имеют в несколько раз бо́льшую стоимость в пересчёте на гигабайт и меньшую износостойкость (ресурс записи).\n== Описание ==\nSSD представляют собой устройства, хранящие данные в микросхемах вместо вращающихся металлических дисков или магнитных лент. Причина их появления отражает тот факт, что скорость обработки данных в процессоре намного превышает скорость записи данных в HDD. Магнитные диски на протяжении десятилетий доминировали в корпоративном сегменте хранения данных, за это время (с 1950-х) ёмкость носителей выросла в двести тысяч раз, скорость работы процессоров тоже сильно возросла, но скорость доступа к данным изменилась значительно меньше и диски стали «узким местом». Проблему решают твердотельные накопители — они обеспечивают намного большие скорости работы с данными по сравнению с жёсткими дисками. SSD за счёт использования микросхем флеш-памя","en_topic":"Solid-state drive","wiki_pageid":619298,"wiki_revid":153519549,"source_url":"https://ru.wikipedia.org/?curid=619298","license":"CC BY-SA 4.0"}
{"slug":"nanotechnology","lang":"ru","title":"Нанотехнология","text":"Нанотехноло́гия — область фундаментальной и прикладной науки и техники, которая включает теоретическое обоснование, практические методы исследования, анализа и синтеза, а также методы производства и применения продуктов с заданной атомной структурой путём контролируемого манипулирования отдельными атомами и молекулами.\n== Определения и терминология ==\nНе существует одного общепринятого определения, описывающего, что такое нанотехнологии и нанопродукция.\nСреди подходов к определению понятия «нанотехнологии» имеются следующие:\nВ Техническом комитете ISO/ТК 229 под нанотехнологиями подразумевается следующее:\nзнание и управление процессами, как правило, в масштабе 1 нм, но не исключающее масштаб менее 100 нм в одном или более измерениях, когда ввод в действие размерного эффекта (явления) приводит к возможности новых применений;\nиспользование свойств объектов и материалов в нанометровом масштабе, которые отличаются от свойств свободных атомов или молекул, а также от объемных свойств вещества, состоящего из этих атомов или молекул, для создания более совершенных материалов, приборов, систем, реализующих эти свойства.\nНа территории Российской Федерации понятие нанотехнологий установлено в ГОСТ Р 55416-2013 «Нанотехнологии. Часть 1. Основные термины и определения», а именно:\nсовокупность технологических методов, применяемых для изучения, проектирования и производства материалов, устройств и систем, включая целенаправленный контроль и управление строением, химическим составом и взаимодействием составляющих их отдельных элементов нанодиапазона.\nСогласно «Концепции развития в Российской Федерации работ в области нанотехнологий на период до 2010 года» (2004 г.) нанотехнология определяется, как совокупность методов и приёмов, обеспечивающих возможность контролируемым образом создавать и модифицировать объекты, включающие компоненты с размерами менее 100 нм, хотя бы в одном измерении, и в результате этого получившие принципиально новые качества, позволяющие осуществлять их интегр","en_topic":"Nanotechnology","wiki_pageid":57319,"wiki_revid":153555432,"source_url":"https://ru.wikipedia.org/?curid=57319","license":"CC BY-SA 4.0"}
{"slug":"crispr","lang":"ru","title":"CRISPR","text":"CRISPR (от англ. clustered regularly interspaced short palindromic repeats — короткие палиндромные повторы, регулярно расположенные группами) — особые локусы бактерий и архей, состоящие из прямых повторяющихся последовательностей, которые разделены уникальными последовательностями (спейсерами). Спейсеры заимствуются из чужеродных генетических элементов, с которыми сталкивалась клетка (бактериофагов, плазмид). РНК, транскрибирующиеся с локусов CRISPR, совместно с ассоциированными белками Cas обеспечивают адаптивный иммунитет за счёт комплементарного связывания РНК с нуклеиновыми кислотами чужеродных элементов и последующего разрушения их белками Cas. Впрочем, к настоящему моменту имеется немало свидетельств участия CRISPR в процессах, не связанных с иммунитетом.\nИспользование методик CRISPR-Cas для направленного редактирования геномов является перспективным направлением в современной генной инженерии. На 2016 год учёные широко используют подходы, основанные на системах CRISPR-Cas. А начиная с 2023 года эти подходы начали применяться в медицине для лечения наследственных заболеваний.\nТакже CRISPR-Cas имеет значение для адресной доставки лекарств и их высвобождения при внешнем воздействии — для этого используются материалы, в состав которых входят участки ДНК.\n== История изучения ==\nПервый локус CRISPR был обнаружен у бактерии Escherichia coli в 1987 году группой японских учёных во главе с Ёсидзуми Исино. Они заметили в геноме этой бактерии повторяющиеся элементы, разделённые неповторяющимися последовательностями (спейсерами); впрочем, учёные не придали своему наблюдению большого значения. Масштабное изучение CRISPR начал испанский исследователь Франсиско Мохика, в 1993 году обнаруживший повторяющиеся последовательности, разделённые промежутками, в геноме археи Haloferax mediterranei. Он обратил внимание, что повторы в геномах этой археи и E. coli очень похожи по структуре, однако не имеют ничего общего в последовательностях нуклеотидов. По предположению Мохика, столь ","en_topic":"CRISPR","wiki_pageid":2090486,"wiki_revid":152838583,"source_url":"https://ru.wikipedia.org/?curid=2090486","license":"CC BY-SA 4.0"}
{"slug":"bioinformatics","lang":"ru","title":"Биоинформатика","text":"Биоинформа́тика — междисциплинарная область, объединяющая общую биологию, молекулярную биологию, кибернетику, генетику, химию, компьютерные науки, математику и статистику. Крупномасштабные биологические проблемы, требующие анализа больших объёмов данных, решаются биоинформатикой с вычислительной точки зрения. Биоинформатика главным образом включает в себя изучение и разработку компьютерных методов и направлена на получение, анализ, хранение, организацию и визуализацию биологических данных.\nВ похожем контексте часто упоминается термин вычислительная биология. Эта область акцентирует свое внимание на разработке алгоритмов и математическом моделировании социальных, поведенческих и биологических систем. Биоинформатику считают областью внутри вычислительной биологии, которая главным образом сфокусирована на статистической обработке биологических данных.\nРазличия в подходе с разных сторон: биоинформатики — это биологи, специализирующиеся на использовании вычислительных систем и инструментов для решения биологических задач, а вычислительные биологи — это специалисты по компьютерным наукам, математики, статистики и инженеры, разрабатывающие инструменты для таких расчётов.\nБиоинформатика в широком смысле подразумевает работу с любыми видами биологических данных, включая исследование электронных микрофотографий, поиск ключевых слов в биологической литературе и так далее. Если рассматривать биоинформатику как набор подходов и методов для работы с данными, то в зависимости от типов технических задач она включает в себя:\nРазработку алгоритмов и программ для более эффективной работы с данными\nХранение и передачу информации или работу с базами данных\nОднако, биоинформатические методы анализа также неразрывно связаны со многими научными областями, которые подразумевает поиск ответов на конкретные биологические вопросы. В таком случае основные направления можно выделить на основании исследуемых объектов:\nБиоинформатика последовательностей\nАнализ экспрессий\nСтруктурная биоинформатика","en_topic":"Bioinformatics","wiki_pageid":59569,"wiki_revid":153038558,"source_url":"https://ru.wikipedia.org/?curid=59569","license":"CC BY-SA 4.0"}
{"slug":"cognitive-science","lang":"ru","title":"Когнитивистика","text":"Когнитиви́стика, когнити́вная нау́ка (лат. cognitio «познание») — это междисциплинарное научное направление, объединяющее теорию познания, когнитивную психологию, нейрофизиологию, нейробиологию, когнитивную лингвистику, невербальную коммуникацию и теорию искусственного интеллекта.\nВ когнитивной науке используются два стандартных вычислительных подхода к моделированию когнитивных систем: символицизм (классический подход) и коннекционизм (более поздний подход). Символицизм основывается на предположении о том, что человеческое мышление подобно мышлению компьютера с центральным процессором, последовательно обрабатывающего единицы символьной информации. Коннекционизм основывается на предположении, что человеческое мышление не может быть уподоблено центральному цифровому процессору из-за несовместимости с данными нейробиологии, а может имитироваться при помощи искусственных нейронных сетей, которые состоят из «формальных» нейронов, выполняющих параллельную обработку данных.\nКлассическая когнитивная наука игнорировала проблему связи сознания с мозгом, а также проблему связи психологии с нейробиологией. Это послужило причиной критики в её адрес. В 1980-е годы психологи и нейробиологи стали взаимодействовать теснее, что привело к возникновению новой науки — когнитивной нейробиологии, использующей методы визуализации мозга, которые позволяют эмпирически связать ментальные феномены с физиологией мозга. Если классическая когнитивная наука не принимала во внимание сознание, то в современной когнитивной нейробиологии сознание является предметом изучения.\nКлючевым техническим достижением, сделавшим когнитивистику возможной, стали новые методы сканирования мозга. Томография и другие методы впервые позволили получить прямые данные о работе мозга. Важную роль сыграли и всё более мощные компьютеры.\nПрогресс в когнитивистике, как полагают учёные, позволит «разгадать загадку разума», то есть описать и объяснить процессы в мозге человека, ответственные за высшую нервную деятельность. Это","en_topic":"Cognitive science","wiki_pageid":1796602,"wiki_revid":153128423,"source_url":"https://ru.wikipedia.org/?curid=1796602","license":"CC BY-SA 4.0"}
{"slug":"consciousness","lang":"ru","title":"Сознание","text":"Созна́ние — состояние психической жизни организма, выражающееся в субъективном переживании событий собственной жизни и событий внешнего мира, а также в отчёте об этих событиях и ответной реакции на эти события.\nСознание может пониматься в более широком или более узком смысле. Так, например, с точки зрения теории отражения сознание в широком смысле — «психическое отражение действительности независимо от того, на каком уровне оно осуществляется — биологическом или социальном, ощущаемом или чувственном», а в узком смысле — основанная на культуре «высшая, свойственная только людям и связанная со способностью интерпретировать мысли функция мозга, заключающаяся в обобщённом и целенаправленном отражении действительности, в предварительном мысленном построении действий и предвидении их результатов, в разумном регулировании и самоконтроле поведения человека за счёт рефлексии».\nВ Большом энциклопедическом словаре (2000) сознание определяется как «высшая форма психического отражения, свойственная общественно развитому человеку и связанная с речью, идеальная сторона целеполагающей деятельности».\nПроблема того, чем же является сознание, каковы его рамки и в чём же смысл существования данного термина, выступает предметом исследования философии сознания, психологии, дисциплин, изучающих проблемы искусственного интеллекта. Проблемы практического рассмотрения включают в себя следующие вопросы: как можно определить наличие сознания у тяжело больных или находящихся в коме людей; может ли существовать нечеловеческое сознание и как можно определить его наличие; в какой момент зарождается сознание людей; могут ли компьютеры достичь таких же сознательных состояний и прочее.\n== Понятие о сознании ==\nВоспринимая какую-нибудь вещь, вспоминая событие, восхищаясь произведением искусства или стремясь к реализации какой-то цели, субъект может не знать о своей психической жизни, которая является условием возможности этих его действий или состояний. Эту психическую жизнь делает доступной рефлексив","en_topic":"Consciousness","wiki_pageid":5133202,"wiki_revid":153119881,"source_url":"https://ru.wikipedia.org/?curid=5133202","license":"CC BY-SA 4.0"}
{"slug":"5g","lang":"ru","title":"5G","text":"5G (от англ. fifth generation — «пятое поколение») — пятое поколение мобильной связи, действующее на основе стандартов телекоммуникаций (5G/IMT-2020), следующих за существующими стандартами 4G/IMT-Advanced.\nТехнологии 5G должны обеспечивать более высокую пропускную способность по сравнению с технологиями 4G, что позволит обеспечить бо́льшую доступность широкополосной мобильной связи, а также использование режимов device-to-device («устройство к устройству», прямое соединение между абонентами), более надёжные масштабные системы коммуникации между устройствами, а также меньшее время задержки, скорость интернета 1—2 Гбит/с, меньший расход энергии батарей, чем у 4G-оборудования, что благоприятно скажется на развитии Интернета вещей.\nТехнология 5G безопасна, что научно доказано, а аргумент против: новизна — достаточное основание для недоверия к безопасности данной технологии — является конспирологическим.\n== Требования IMT-2020 к кандидату радиоинтерфейса ==\nСледующие параметры являются требованиями для технологий радиодоступа 5G IMT-2020. Обратите внимание, что эти требования не предназначены для ограничения всего спектра возможностей или производительности, которых может достичь кандидат на IMT-2020, и не предназначены для описания того, как технологии могут работать в реальных развёртываниях.\nДругие требования:\nКачество связи[уточнить];\nБезопасность для здоровья человека.\n== Технологии 5G ==\n=== Новые диапазоны радиочастот ===\nРадиоинтерфейс, определённый 3GPP для 5G, известен как New Radio (NR), а спецификация подразделяется на две полосы частот: FR1 (600—6000 МГц) и FR2 (24—100 ГГц), каждая с различными возможностями.\n==== Особенности покрытия FR2 ====\nВ стандарте 5G предусмотрена работа на частотах 24 ГГц и выше, такой сигнал 5G не способен эффективно работать на расстоянии более нескольких сотен метров между передатчиком и приёмником, в отличие от сигналов 4G или 5G более низкой частоты (до 6 ГГц). В результате базовые станции 5G должны располагаться через каждые ","en_topic":"5G","wiki_pageid":2940839,"wiki_revid":152406929,"source_url":"https://ru.wikipedia.org/?curid=2940839","license":"CC BY-SA 4.0"}
evals/embedding-default/corpus/zh.jsonl
+130 -10
View File
File diff suppressed because one or more lines are too long
evals/embedding-default/queries/ar.alias.jsonl
+402
View File
@@ -0,0 +1,402 @@
{"qid":"ar:alias:openai:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"أوبين أي","script":"arabic","in_script":true,"relevant":["openai"]}
{"qid":"ar:alias:openai:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"OpenAI","script":"latin","in_script":false,"relevant":["openai"]}
{"qid":"ar:alias:google-deepmind:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"جوجل ديبمايند","script":"arabic","in_script":true,"relevant":["google-deepmind"]}
{"qid":"ar:alias:google-deepmind:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"جوجل ديب مايند","script":"arabic","in_script":true,"relevant":["google-deepmind"]}
{"qid":"ar:alias:mistral-ai:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"ميسترال (ذكاء اصطناعي)","script":"arabic","in_script":true,"relevant":["mistral-ai"]}
{"qid":"ar:alias:hugging-face:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Hugging Face","script":"latin","in_script":false,"relevant":["hugging-face"]}
{"qid":"ar:alias:nvidia:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"إينفيديا","script":"arabic","in_script":true,"relevant":["nvidia"]}
{"qid":"ar:alias:nvidia:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"NVIDIA","script":"latin","in_script":false,"relevant":["nvidia"]}
{"qid":"ar:alias:nvidia:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"أنفيديا","script":"arabic","in_script":true,"relevant":["nvidia"]}
{"qid":"ar:alias:meta-platforms:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"شركة الفيسبوك","script":"arabic","in_script":true,"relevant":["meta-platforms"]}
{"qid":"ar:alias:meta-platforms:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"شركة فيسبوك","script":"arabic","in_script":true,"relevant":["meta-platforms"]}
{"qid":"ar:alias:meta-platforms:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"فيسبوك آي إن سي","script":"arabic","in_script":true,"relevant":["meta-platforms"]}
{"qid":"ar:alias:apple-inc:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Apple Computer","script":"latin","in_script":false,"relevant":["apple-inc"]}
{"qid":"ar:alias:apple-inc:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"ابل كمبيوتر","script":"arabic","in_script":true,"relevant":["apple-inc"]}
{"qid":"ar:alias:apple-inc:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"أبل كمبيوتر","script":"arabic","in_script":true,"relevant":["apple-inc"]}
{"qid":"ar:alias:alphabet-inc:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"شركة ألفابت","script":"arabic","in_script":true,"relevant":["alphabet-inc"]}
{"qid":"ar:alias:ibm:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"آي بي أم","script":"arabic","in_script":true,"relevant":["ibm"]}
{"qid":"ar:alias:ibm:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"IBM","script":"latin","in_script":false,"relevant":["ibm"]}
{"qid":"ar:alias:ibm:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"اي بي ام","script":"arabic","in_script":true,"relevant":["ibm"]}
{"qid":"ar:alias:advanced-micro-devices:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"قائمة معالجات إي إم دي","script":"arabic","in_script":true,"relevant":["advanced-micro-devices"]}
{"qid":"ar:alias:advanced-micro-devices:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"قائمة معالجات اي ام دي","script":"arabic","in_script":true,"relevant":["advanced-micro-devices"]}
{"qid":"ar:alias:advanced-micro-devices:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"أ.أم.دي","script":"arabic","in_script":true,"relevant":["advanced-micro-devices"]}
{"qid":"ar:alias:salesforce:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Force.com","script":"latin","in_script":false,"relevant":["salesforce"]}
{"qid":"ar:alias:sap:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"ساب إى.جي.","script":"arabic","in_script":true,"relevant":["sap"]}
{"qid":"ar:alias:sap:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"SAP","script":"latin","in_script":false,"relevant":["sap"]}
{"qid":"ar:alias:sap:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"SAP AG","script":"latin","in_script":false,"relevant":["sap"]}
{"qid":"ar:alias:tesla-inc:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Tesla Motors","script":"latin","in_script":false,"relevant":["tesla-inc"]}
{"qid":"ar:alias:tesla-inc:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تيسلا موتورز","script":"arabic","in_script":true,"relevant":["tesla-inc"]}
{"qid":"ar:alias:uber:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Uber","script":"latin","in_script":false,"relevant":["uber"]}
{"qid":"ar:alias:shopify:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Shopify","script":"latin","in_script":false,"relevant":["shopify"]}
{"qid":"ar:alias:twitter:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Twitter","script":"latin","in_script":false,"relevant":["twitter"]}
{"qid":"ar:alias:twitter:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Twitter.com","script":"latin","in_script":false,"relevant":["twitter"]}
{"qid":"ar:alias:twitter:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تغريدة","script":"arabic","in_script":true,"relevant":["twitter"]}
{"qid":"ar:alias:github:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"GitHub","script":"latin","in_script":false,"relevant":["github"]}
{"qid":"ar:alias:github:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"GitHub Desktop","script":"latin","in_script":false,"relevant":["github"]}
{"qid":"ar:alias:github:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"جت هاب","script":"arabic","in_script":true,"relevant":["github"]}
{"qid":"ar:alias:atlassian:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"اتلاسيان","script":"arabic","in_script":true,"relevant":["atlassian"]}
{"qid":"ar:alias:atlassian:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"اتلسيان","script":"arabic","in_script":true,"relevant":["atlassian"]}
{"qid":"ar:alias:atlassian:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"أطلسيان","script":"arabic","in_script":true,"relevant":["atlassian"]}
{"qid":"ar:alias:samsung-electronics:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"إلكترونيات سامسونغ","script":"arabic","in_script":true,"relevant":["samsung-electronics"]}
{"qid":"ar:alias:samsung-electronics:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"سامسونج للإلكترونيات","script":"arabic","in_script":true,"relevant":["samsung-electronics"]}
{"qid":"ar:alias:samsung-electronics:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"شركة سامسونغ للالكترونيات","script":"arabic","in_script":true,"relevant":["samsung-electronics"]}
{"qid":"ar:alias:alibaba-group:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Alibaba Group","script":"latin","in_script":false,"relevant":["alibaba-group"]}
{"qid":"ar:alias:alibaba-group:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"شركة مجموعة علي بابا","script":"arabic","in_script":true,"relevant":["alibaba-group"]}
{"qid":"ar:alias:bytedance:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"بايت دانس إنترتينمنت","script":"arabic","in_script":true,"relevant":["bytedance"]}
{"qid":"ar:alias:geoffrey-hinton:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Geoffrey Hinton","script":"latin","in_script":false,"relevant":["geoffrey-hinton"]}
{"qid":"ar:alias:geoffrey-hinton:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"جيوفري هينتون","script":"arabic","in_script":true,"relevant":["geoffrey-hinton"]}
{"qid":"ar:alias:geoffrey-hinton:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"چيفري هينتون","script":"arabic","in_script":true,"relevant":["geoffrey-hinton"]}
{"qid":"ar:alias:demis-hassabis:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"دميس حسابيس","script":"arabic","in_script":true,"relevant":["demis-hassabis"]}
{"qid":"ar:alias:marvin-minsky:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Marvin Minsky","script":"latin","in_script":false,"relevant":["marvin-minsky"]}
{"qid":"ar:alias:herbert-a-simon:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Herbert Simon","script":"latin","in_script":false,"relevant":["herbert-a-simon"]}
{"qid":"ar:alias:herbert-a-simon:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Herbert A. Simon","script":"latin","in_script":false,"relevant":["herbert-a-simon"]}
{"qid":"ar:alias:john-von-neumann:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"John von Neumann","script":"latin","in_script":false,"relevant":["john-von-neumann"]}
{"qid":"ar:alias:john-von-neumann:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"جون فون نويمان","script":"arabic","in_script":true,"relevant":["john-von-neumann"]}
{"qid":"ar:alias:john-von-neumann:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"فون نيومان","script":"arabic","in_script":true,"relevant":["john-von-neumann"]}
{"qid":"ar:alias:ada-lovelace:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"أدا لوفليس","script":"arabic","in_script":true,"relevant":["ada-lovelace"]}
{"qid":"ar:alias:ada-lovelace:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"أدا أوغستا بايرون","script":"arabic","in_script":true,"relevant":["ada-lovelace"]}
{"qid":"ar:alias:ada-lovelace:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"أدا أوجستا بايرون","script":"arabic","in_script":true,"relevant":["ada-lovelace"]}
{"qid":"ar:alias:edsger-w-dijkstra:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"إدجر ديجكسترا","script":"arabic","in_script":true,"relevant":["edsger-w-dijkstra"]}
{"qid":"ar:alias:edsger-w-dijkstra:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"ادسخر دیكسترا","script":"arabic","in_script":true,"relevant":["edsger-w-dijkstra"]}
{"qid":"ar:alias:edsger-w-dijkstra:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Edsger W. Dijkstra","script":"latin","in_script":false,"relevant":["edsger-w-dijkstra"]}
{"qid":"ar:alias:linus-torvalds:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Linus Torvalds","script":"latin","in_script":false,"relevant":["linus-torvalds"]}
{"qid":"ar:alias:linus-torvalds:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"لينوس تورفالدز","script":"arabic","in_script":true,"relevant":["linus-torvalds"]}
{"qid":"ar:alias:linus-torvalds:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"لينوس ترفالدس","script":"arabic","in_script":true,"relevant":["linus-torvalds"]}
{"qid":"ar:alias:ken-thompson:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"كن تومسون","script":"arabic","in_script":true,"relevant":["ken-thompson"]}
{"qid":"ar:alias:ken-thompson:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"كين تومسون","script":"arabic","in_script":true,"relevant":["ken-thompson"]}
{"qid":"ar:alias:ken-thompson:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Ken Thompson","script":"latin","in_script":false,"relevant":["ken-thompson"]}
{"qid":"ar:alias:bjarne-stroustrup:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Bjarne Stroustrup","script":"latin","in_script":false,"relevant":["bjarne-stroustrup"]}
{"qid":"ar:alias:barbara-liskov:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"باربارا لیسکف","script":"arabic","in_script":true,"relevant":["barbara-liskov"]}
{"qid":"ar:alias:barbara-liskov:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"باربارا لیسكف","script":"arabic","in_script":true,"relevant":["barbara-liskov"]}
{"qid":"ar:alias:barbara-liskov:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Barbara Liskov","script":"latin","in_script":false,"relevant":["barbara-liskov"]}
{"qid":"ar:alias:steve-jobs:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Steve Jobs","script":"latin","in_script":false,"relevant":["steve-jobs"]}
{"qid":"ar:alias:steve-jobs:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"ستيف جوبس","script":"arabic","in_script":true,"relevant":["steve-jobs"]}
{"qid":"ar:alias:steve-jobs:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"ستيف بول جوبز","script":"arabic","in_script":true,"relevant":["steve-jobs"]}
{"qid":"ar:alias:elon-musk:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Elon Musk","script":"latin","in_script":false,"relevant":["elon-musk"]}
{"qid":"ar:alias:elon-musk:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"إيلون مسك","script":"arabic","in_script":true,"relevant":["elon-musk"]}
{"qid":"ar:alias:elon-musk:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"إلان مسك","script":"arabic","in_script":true,"relevant":["elon-musk"]}
{"qid":"ar:alias:mark-zuckerberg:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"مارك زوكربرج","script":"arabic","in_script":true,"relevant":["mark-zuckerberg"]}
{"qid":"ar:alias:mark-zuckerberg:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"مارك زوكربرغ","script":"arabic","in_script":true,"relevant":["mark-zuckerberg"]}
{"qid":"ar:alias:mark-zuckerberg:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"زوكربيرغ","script":"arabic","in_script":true,"relevant":["mark-zuckerberg"]}
{"qid":"ar:alias:sergey-brin:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Sergey Brin","script":"latin","in_script":false,"relevant":["sergey-brin"]}
{"qid":"ar:alias:sundar-pichai:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Sundar Pichai","script":"latin","in_script":false,"relevant":["sundar-pichai"]}
{"qid":"ar:alias:transformer:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الشبكات العصبية غير الترتيبية (حاسوب)","script":"arabic","in_script":true,"relevant":["transformer"]}
{"qid":"ar:alias:gpt-4:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"جي بي تي-4","script":"arabic","in_script":true,"relevant":["gpt-4"]}
{"qid":"ar:alias:generative-pre-trained-transformer:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"المحول التوليدي المدرب مسبقا","script":"arabic","in_script":true,"relevant":["generative-pre-trained-transformer"]}
{"qid":"ar:alias:large-language-model:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"نموذج اللغة الكبير","script":"arabic","in_script":true,"relevant":["large-language-model"]}
{"qid":"ar:alias:retrieval-augmented-generation:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"توليد معزز بالاسترجاع","script":"arabic","in_script":true,"relevant":["retrieval-augmented-generation"]}
{"qid":"ar:alias:retrieval-augmented-generation:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"التوليد المعزز بالاسترجاع","script":"arabic","in_script":true,"relevant":["retrieval-augmented-generation"]}
{"qid":"ar:alias:retrieval-augmented-generation:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"التوليد المعزز بالاستحضار","script":"arabic","in_script":true,"relevant":["retrieval-augmented-generation"]}
{"qid":"ar:alias:convolutional-neural-network:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الشبكات العصبونية الالتفافية","script":"arabic","in_script":true,"relevant":["convolutional-neural-network"]}
{"qid":"ar:alias:convolutional-neural-network:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"شبكات عصبونية التفافية","script":"arabic","in_script":true,"relevant":["convolutional-neural-network"]}
{"qid":"ar:alias:convolutional-neural-network:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Convolutional neural network","script":"latin","in_script":false,"relevant":["convolutional-neural-network"]}
{"qid":"ar:alias:generative-adversarial-network:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الشبكات التوليدية الخصومية","script":"arabic","in_script":true,"relevant":["generative-adversarial-network"]}
{"qid":"ar:alias:overfitting:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"نقص الملاءمة","script":"arabic","in_script":true,"relevant":["overfitting"]}
{"qid":"ar:alias:overfitting:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"فرط التخصيص","script":"arabic","in_script":true,"relevant":["overfitting"]}
{"qid":"ar:alias:overfitting:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"نقص التعميم","script":"arabic","in_script":true,"relevant":["overfitting"]}
{"qid":"ar:alias:perceptron:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"بيرسبترون","script":"arabic","in_script":true,"relevant":["perceptron"]}
{"qid":"ar:alias:perceptron:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Perceptron","script":"latin","in_script":false,"relevant":["perceptron"]}
{"qid":"ar:alias:neural-network:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"شبكات عصبية اصطناعية","script":"arabic","in_script":true,"relevant":["neural-network"]}
{"qid":"ar:alias:neural-network:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الشبكات العصبونية الاصطناعية","script":"arabic","in_script":true,"relevant":["neural-network"]}
{"qid":"ar:alias:neural-network:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الشبكات العصبية الاصطناعية","script":"arabic","in_script":true,"relevant":["neural-network"]}
{"qid":"ar:alias:deep-learning:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"التعلم المتعمق والبيانات الضخمة","script":"arabic","in_script":true,"relevant":["deep-learning"]}
{"qid":"ar:alias:deep-learning:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"التعلم المتعمق و البيانات الضخمه","script":"arabic","in_script":true,"relevant":["deep-learning"]}
{"qid":"ar:alias:deep-learning:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"التعلم المتعمق","script":"arabic","in_script":true,"relevant":["deep-learning"]}
{"qid":"ar:alias:machine-learning:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تعلم الآله","script":"arabic","in_script":true,"relevant":["machine-learning"]}
{"qid":"ar:alias:machine-learning:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"التعلم الألي","script":"arabic","in_script":true,"relevant":["machine-learning"]}
{"qid":"ar:alias:machine-learning:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Machine learning","script":"latin","in_script":false,"relevant":["machine-learning"]}
{"qid":"ar:alias:artificial-intelligence:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الذكاء الإصطناعي","script":"arabic","in_script":true,"relevant":["artificial-intelligence"]}
{"qid":"ar:alias:artificial-intelligence:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الذكاء الاصطناعي","script":"arabic","in_script":true,"relevant":["artificial-intelligence"]}
{"qid":"ar:alias:artificial-intelligence:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"ذكاء إصطناعي","script":"arabic","in_script":true,"relevant":["artificial-intelligence"]}
{"qid":"ar:alias:supervised-learning:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"التعليم المراقب (بالإشراف)","script":"arabic","in_script":true,"relevant":["supervised-learning"]}
{"qid":"ar:alias:supervised-learning:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تعليم مراقب (بالإشراف)","script":"arabic","in_script":true,"relevant":["supervised-learning"]}
{"qid":"ar:alias:supervised-learning:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"التعلم المراقب","script":"arabic","in_script":true,"relevant":["supervised-learning"]}
{"qid":"ar:alias:prompt-engineering:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"هندسة فورية","script":"arabic","in_script":true,"relevant":["prompt-engineering"]}
{"qid":"ar:alias:feature-engineering:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"هندسة الميزات","script":"arabic","in_script":true,"relevant":["feature-engineering"]}
{"qid":"ar:alias:technological-singularity:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"التفرد التكنولوجي","script":"arabic","in_script":true,"relevant":["technological-singularity"]}
{"qid":"ar:alias:technological-singularity:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Intelligence explosion","script":"latin","in_script":false,"relevant":["technological-singularity"]}
{"qid":"ar:alias:technological-singularity:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تفرد تكنولوجي","script":"arabic","in_script":true,"relevant":["technological-singularity"]}
{"qid":"ar:alias:chatgpt:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"ChatGPT","script":"latin","in_script":false,"relevant":["chatgpt"]}
{"qid":"ar:alias:chatgpt:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"دردشة جي بي تي","script":"arabic","in_script":true,"relevant":["chatgpt"]}
{"qid":"ar:alias:chatgpt:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تشات جي بي تي","script":"arabic","in_script":true,"relevant":["chatgpt"]}
{"qid":"ar:alias:claude:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Claude (language model)","script":"latin","in_script":false,"relevant":["claude"]}
{"qid":"ar:alias:google-gemini:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"جوجل بارد","script":"arabic","in_script":true,"relevant":["google-gemini"]}
{"qid":"ar:alias:google-gemini:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"بارد (ذكاء صناعي)","script":"arabic","in_script":true,"relevant":["google-gemini"]}
{"qid":"ar:alias:google-gemini:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Google Gemini","script":"latin","in_script":false,"relevant":["google-gemini"]}
{"qid":"ar:alias:chatbot:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Chatbot","script":"latin","in_script":false,"relevant":["chatbot"]}
{"qid":"ar:alias:chatbot:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"روبوت الدردشة","script":"arabic","in_script":true,"relevant":["chatbot"]}
{"qid":"ar:alias:chatbot:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"روبوت دردشة","script":"arabic","in_script":true,"relevant":["chatbot"]}
{"qid":"ar:alias:deep-blue:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Deep Blue (chess computer)","script":"latin","in_script":false,"relevant":["deep-blue"]}
{"qid":"ar:alias:siri:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Siri","script":"latin","in_script":false,"relevant":["siri"]}
{"qid":"ar:alias:search-engine:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"محركات البحث على الإنترنت","script":"arabic","in_script":true,"relevant":["search-engine"]}
{"qid":"ar:alias:search-engine:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"محركات البحث على إنترنت","script":"arabic","in_script":true,"relevant":["search-engine"]}
{"qid":"ar:alias:search-engine:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"محرك البحث","script":"arabic","in_script":true,"relevant":["search-engine"]}
{"qid":"ar:alias:tf-idf:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تي إف-اي دي ديف","script":"arabic","in_script":true,"relevant":["tf-idf"]}
{"qid":"ar:alias:tf-idf:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Tf-idf","script":"latin","in_script":false,"relevant":["tf-idf"]}
{"qid":"ar:alias:tf-idf:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تردد المصطلح-معكوس تردد الوثيقة","script":"arabic","in_script":true,"relevant":["tf-idf"]}
{"qid":"ar:alias:collaborative-filtering:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"التصفية التشاركية","script":"arabic","in_script":true,"relevant":["collaborative-filtering"]}
{"qid":"ar:alias:collaborative-filtering:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تصفية تشاركية","script":"arabic","in_script":true,"relevant":["collaborative-filtering"]}
{"qid":"ar:alias:cluster-analysis:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"التحليل العنقودي","script":"arabic","in_script":true,"relevant":["cluster-analysis"]}
{"qid":"ar:alias:support-vector-machine:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Support vector machine","script":"latin","in_script":false,"relevant":["support-vector-machine"]}
{"qid":"ar:alias:support-vector-machine:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"آلة متجه الدعم","script":"arabic","in_script":true,"relevant":["support-vector-machine"]}
{"qid":"ar:alias:random-forest:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الغابات العشوائية","script":"arabic","in_script":true,"relevant":["random-forest"]}
{"qid":"ar:alias:logistic-regression:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Logistic regression","script":"latin","in_script":false,"relevant":["logistic-regression"]}
{"qid":"ar:alias:principal-component-analysis:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Principal component analysis","script":"latin","in_script":false,"relevant":["principal-component-analysis"]}
{"qid":"ar:alias:singular-value-decomposition:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"مجزئ القيمة المفردة","script":"arabic","in_script":true,"relevant":["singular-value-decomposition"]}
{"qid":"ar:alias:regression-analysis:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تحليل تراجعي","script":"arabic","in_script":true,"relevant":["regression-analysis"]}
{"qid":"ar:alias:regression-analysis:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تحليل الإنحدار","script":"arabic","in_script":true,"relevant":["regression-analysis"]}
{"qid":"ar:alias:regression-analysis:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تحليل الارتباط","script":"arabic","in_script":true,"relevant":["regression-analysis"]}
{"qid":"ar:alias:bayes-theorem:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"مبرهنه بايز","script":"arabic","in_script":true,"relevant":["bayes-theorem"]}
{"qid":"ar:alias:bayes-theorem:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Bayes' theorem","script":"latin","in_script":false,"relevant":["bayes-theorem"]}
{"qid":"ar:alias:data-mining:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تنقيب البيانات","script":"arabic","in_script":true,"relevant":["data-mining"]}
{"qid":"ar:alias:data-mining:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"التنقيب في البيانات","script":"arabic","in_script":true,"relevant":["data-mining"]}
{"qid":"ar:alias:data-mining:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Data mining","script":"latin","in_script":false,"relevant":["data-mining"]}
{"qid":"ar:alias:web-crawler:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"زواحف ويب","script":"arabic","in_script":true,"relevant":["web-crawler"]}
{"qid":"ar:alias:web-crawler:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Web crawler","script":"latin","in_script":false,"relevant":["web-crawler"]}
{"qid":"ar:alias:web-crawler:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"زاحف الشبكة","script":"arabic","in_script":true,"relevant":["web-crawler"]}
{"qid":"ar:alias:nearest-neighbor-search:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Nearest neighbor search","script":"latin","in_script":false,"relevant":["nearest-neighbor-search"]}
{"qid":"ar:alias:euclidean-distance:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Euclidean distance","script":"latin","in_script":false,"relevant":["euclidean-distance"]}
{"qid":"ar:alias:natural-language-processing:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"معالجة اللغات الطبيعبة","script":"arabic","in_script":true,"relevant":["natural-language-processing"]}
{"qid":"ar:alias:natural-language-processing:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"معالجة اللغة البشرية","script":"arabic","in_script":true,"relevant":["natural-language-processing"]}
{"qid":"ar:alias:natural-language-processing:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"معالجة لغات طبيعية","script":"arabic","in_script":true,"relevant":["natural-language-processing"]}
{"qid":"ar:alias:machine-translation:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الترجمة الآلية","script":"arabic","in_script":true,"relevant":["machine-translation"]}
{"qid":"ar:alias:machine-translation:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"ترجمه آليه","script":"arabic","in_script":true,"relevant":["machine-translation"]}
{"qid":"ar:alias:machine-translation:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Machine translation","script":"latin","in_script":false,"relevant":["machine-translation"]}
{"qid":"ar:alias:speech-recognition:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"مميزالكلام","script":"arabic","in_script":true,"relevant":["speech-recognition"]}
{"qid":"ar:alias:speech-recognition:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"مميز الكلام","script":"arabic","in_script":true,"relevant":["speech-recognition"]}
{"qid":"ar:alias:speech-recognition:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"نظم تمييز الاصوات","script":"arabic","in_script":true,"relevant":["speech-recognition"]}
{"qid":"ar:alias:computer-vision:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الرؤية الحاسوبية","script":"arabic","in_script":true,"relevant":["computer-vision"]}
{"qid":"ar:alias:computer-vision:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"رؤيه حاسوبيه","script":"arabic","in_script":true,"relevant":["computer-vision"]}
{"qid":"ar:alias:computer-vision:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Computer vision","script":"latin","in_script":false,"relevant":["computer-vision"]}
{"qid":"ar:alias:turing-test:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"اختبار تورنج","script":"arabic","in_script":true,"relevant":["turing-test"]}
{"qid":"ar:alias:turing-test:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Turing test","script":"latin","in_script":false,"relevant":["turing-test"]}
{"qid":"ar:alias:sentiment-analysis:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Sentiment analysis","script":"latin","in_script":false,"relevant":["sentiment-analysis"]}
{"qid":"ar:alias:optical-character-recognition:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"التمييز الضوئي للحروف","script":"arabic","in_script":true,"relevant":["optical-character-recognition"]}
{"qid":"ar:alias:optical-character-recognition:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تعرف ضوئي على المحارف العربية","script":"arabic","in_script":true,"relevant":["optical-character-recognition"]}
{"qid":"ar:alias:optical-character-recognition:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"التعرف الضوئي على المحارف العربية","script":"arabic","in_script":true,"relevant":["optical-character-recognition"]}
{"qid":"ar:alias:robotics:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"انسالية","script":"arabic","in_script":true,"relevant":["robotics"]}
{"qid":"ar:alias:robotics:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"إنساليات","script":"arabic","in_script":true,"relevant":["robotics"]}
{"qid":"ar:alias:robotics:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"روبوتيات","script":"arabic","in_script":true,"relevant":["robotics"]}
{"qid":"ar:alias:postgresql:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"PostgreSQL","script":"latin","in_script":false,"relevant":["postgresql"]}
{"qid":"ar:alias:postgresql:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"بوستجرس","script":"arabic","in_script":true,"relevant":["postgresql"]}
{"qid":"ar:alias:sqlite:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"SQLite3","script":"latin","in_script":false,"relevant":["sqlite"]}
{"qid":"ar:alias:sqlite:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"أس كيو لايت","script":"arabic","in_script":true,"relevant":["sqlite"]}
{"qid":"ar:alias:sqlite:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"SQLite","script":"latin","in_script":false,"relevant":["sqlite"]}
{"qid":"ar:alias:redis:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"ريدس","script":"arabic","in_script":true,"relevant":["redis"]}
{"qid":"ar:alias:mysql:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"MySQL","script":"latin","in_script":false,"relevant":["mysql"]}
{"qid":"ar:alias:mysql:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"ماي سيكويل","script":"arabic","in_script":true,"relevant":["mysql"]}
{"qid":"ar:alias:microsoft-sql-server:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Microsoft SQL Server","script":"latin","in_script":false,"relevant":["microsoft-sql-server"]}
{"qid":"ar:alias:microsoft-sql-server:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"ميكروسوفت إس كيو إل سيرفر","script":"arabic","in_script":true,"relevant":["microsoft-sql-server"]}
{"qid":"ar:alias:mongodb:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"MongoDB","script":"latin","in_script":false,"relevant":["mongodb"]}
{"qid":"ar:alias:elasticsearch:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Elasticsearch","script":"latin","in_script":false,"relevant":["elasticsearch"]}
{"qid":"ar:alias:docker:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تكنولوجيا docker","script":"arabic","in_script":true,"relevant":["docker"]}
{"qid":"ar:alias:docker:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Docker (software)","script":"latin","in_script":false,"relevant":["docker"]}
{"qid":"ar:alias:nosql:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"NoSQL","script":"latin","in_script":false,"relevant":["nosql"]}
{"qid":"ar:alias:relational-database:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"نموذج قاعده البيانات المترابطه","script":"arabic","in_script":true,"relevant":["relational-database"]}
{"qid":"ar:alias:relational-database:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"نموذج قاعدة البيانات المترابطة","script":"arabic","in_script":true,"relevant":["relational-database"]}
{"qid":"ar:alias:relational-database:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"قواعد بيانات علائقية","script":"arabic","in_script":true,"relevant":["relational-database"]}
{"qid":"ar:alias:database-normalization:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Database normalization","script":"latin","in_script":false,"relevant":["database-normalization"]}
{"qid":"ar:alias:b-tree:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"شجرة باير","script":"arabic","in_script":true,"relevant":["b-tree"]}
{"qid":"ar:alias:b-tree:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"B-tree","script":"latin","in_script":false,"relevant":["b-tree"]}
{"qid":"ar:alias:b-tree:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"بي - تري","script":"arabic","in_script":true,"relevant":["b-tree"]}
{"qid":"ar:alias:json:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"جاي سون (JSON)","script":"arabic","in_script":true,"relevant":["json"]}
{"qid":"ar:alias:json:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"جسون","script":"arabic","in_script":true,"relevant":["json"]}
{"qid":"ar:alias:graphql:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"غرافل","script":"arabic","in_script":true,"relevant":["graphql"]}
{"qid":"ar:alias:https:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"HTTPS","script":"latin","in_script":false,"relevant":["https"]}
{"qid":"ar:alias:https:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"بروتوكول نقل النص التشعبي الآمن","script":"arabic","in_script":true,"relevant":["https"]}
{"qid":"ar:alias:https:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"بروتوكول نقل النص الفائق الآمن","script":"arabic","in_script":true,"relevant":["https"]}
{"qid":"ar:alias:transmission-control-protocol:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"TCP","script":"latin","in_script":false,"relevant":["transmission-control-protocol"]}
{"qid":"ar:alias:transmission-control-protocol:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تي.سي.بي","script":"arabic","in_script":true,"relevant":["transmission-control-protocol"]}
{"qid":"ar:alias:transmission-control-protocol:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Transmission Control Protocol","script":"latin","in_script":false,"relevant":["transmission-control-protocol"]}
{"qid":"ar:alias:nginx:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Nginx","script":"latin","in_script":false,"relevant":["nginx"]}
{"qid":"ar:alias:cache:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الذاكرة المخبئية","script":"arabic","in_script":true,"relevant":["cache"]}
{"qid":"ar:alias:cache:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الذاكرة المخبئية : تعريفها, عملها","script":"arabic","in_script":true,"relevant":["cache"]}
{"qid":"ar:alias:cache:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Cache memory","script":"latin","in_script":false,"relevant":["cache"]}
{"qid":"ar:alias:os-level-virtualization:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الإفتراضية بمستوى نظام التشغيل","script":"arabic","in_script":true,"relevant":["os-level-virtualization"]}
{"qid":"ar:alias:os-level-virtualization:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"افتراضية بمستوى نظام التشغيل","script":"arabic","in_script":true,"relevant":["os-level-virtualization"]}
{"qid":"ar:alias:devops:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"DevOps","script":"latin","in_script":false,"relevant":["devops"]}
{"qid":"ar:alias:microsoft-azure:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Azure Services Platform","script":"latin","in_script":false,"relevant":["microsoft-azure"]}
{"qid":"ar:alias:microsoft-azure:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"ميكروسوفت أزور","script":"arabic","in_script":true,"relevant":["microsoft-azure"]}
{"qid":"ar:alias:microsoft-azure:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"ميكروسوفت أجور","script":"arabic","in_script":true,"relevant":["microsoft-azure"]}
{"qid":"ar:alias:git:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Git","script":"latin","in_script":false,"relevant":["git"]}
{"qid":"ar:alias:git:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"غت (برنامج)","script":"arabic","in_script":true,"relevant":["git"]}
{"qid":"ar:alias:git:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Git (software)","script":"latin","in_script":false,"relevant":["git"]}
{"qid":"ar:alias:linux:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"لينوكس","script":"arabic","in_script":true,"relevant":["linux"]}
{"qid":"ar:alias:linux:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Linux","script":"latin","in_script":false,"relevant":["linux"]}
{"qid":"ar:alias:linux:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Kernel Linux","script":"latin","in_script":false,"relevant":["linux"]}
{"qid":"ar:alias:cloud-computing:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الحوسبة السحابية","script":"arabic","in_script":true,"relevant":["cloud-computing"]}
{"qid":"ar:alias:cloud-computing:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تطبيق سحابي","script":"arabic","in_script":true,"relevant":["cloud-computing"]}
{"qid":"ar:alias:cloud-computing:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Cloud computing","script":"latin","in_script":false,"relevant":["cloud-computing"]}
{"qid":"ar:alias:open-source-software:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"مفتوح المصدر","script":"arabic","in_script":true,"relevant":["open-source-software"]}
{"qid":"ar:alias:open-source-software:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"برنامج مفتوح المصدر","script":"arabic","in_script":true,"relevant":["open-source-software"]}
{"qid":"ar:alias:open-source-software:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"البرامج مفتوحة المصدر","script":"arabic","in_script":true,"relevant":["open-source-software"]}
{"qid":"ar:alias:software-as-a-service:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"خدمة الساس","script":"arabic","in_script":true,"relevant":["software-as-a-service"]}
{"qid":"ar:alias:software-as-a-service:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"البرامج كخدمة","script":"arabic","in_script":true,"relevant":["software-as-a-service"]}
{"qid":"ar:alias:software-as-a-service:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الاكتتاب كخدمة","script":"arabic","in_script":true,"relevant":["software-as-a-service"]}
{"qid":"ar:alias:big-data:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"البيانات الضخمة","script":"arabic","in_script":true,"relevant":["big-data"]}
{"qid":"ar:alias:big-data:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Big data","script":"latin","in_script":false,"relevant":["big-data"]}
{"qid":"ar:alias:internet-of-things:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"انترنت الأشياء","script":"arabic","in_script":true,"relevant":["internet-of-things"]}
{"qid":"ar:alias:internet-of-things:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Internet of Things","script":"latin","in_script":false,"relevant":["internet-of-things"]}
{"qid":"ar:alias:python:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Python","script":"latin","in_script":false,"relevant":["python"]}
{"qid":"ar:alias:python:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"بايتون","script":"arabic","in_script":true,"relevant":["python"]}
{"qid":"ar:alias:python:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"بيثون","script":"arabic","in_script":true,"relevant":["python"]}
{"qid":"ar:alias:rust:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Rust (programming language)","script":"latin","in_script":false,"relevant":["rust"]}
{"qid":"ar:alias:javascript:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Java Script","script":"latin","in_script":false,"relevant":["javascript"]}
{"qid":"ar:alias:javascript:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"جافاسكربت","script":"arabic","in_script":true,"relevant":["javascript"]}
{"qid":"ar:alias:javascript:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"جافا سكربت","script":"arabic","in_script":true,"relevant":["javascript"]}
{"qid":"ar:alias:c:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"لغة برمجة C","script":"arabic","in_script":true,"relevant":["c"]}
{"qid":"ar:alias:c:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"لغة سي","script":"arabic","in_script":true,"relevant":["c"]}
{"qid":"ar:alias:c:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"لغة البرمجة سي","script":"arabic","in_script":true,"relevant":["c"]}
{"qid":"ar:alias:c-sharp:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"C Sharp","script":"latin","in_script":false,"relevant":["c-sharp"]}
{"qid":"ar:alias:c-sharp:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"C-Sharp","script":"latin","in_script":false,"relevant":["c-sharp"]}
{"qid":"ar:alias:c-sharp:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"C Sharp (programming language)","script":"latin","in_script":false,"relevant":["c-sharp"]}
{"qid":"ar:alias:ruby:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Ruby","script":"latin","in_script":false,"relevant":["ruby"]}
{"qid":"ar:alias:ruby:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Ruby (programming language)","script":"latin","in_script":false,"relevant":["ruby"]}
{"qid":"ar:alias:swift:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Swift (programming language)","script":"latin","in_script":false,"relevant":["swift"]}
{"qid":"ar:alias:scala:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Scala (programming language)","script":"latin","in_script":false,"relevant":["scala"]}
{"qid":"ar:alias:r:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"لغة البرمجة R","script":"arabic","in_script":true,"relevant":["r"]}
{"qid":"ar:alias:r:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"لغه البرمجه آر","script":"arabic","in_script":true,"relevant":["r"]}
{"qid":"ar:alias:r:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"لغة البرمجة آر","script":"arabic","in_script":true,"relevant":["r"]}
{"qid":"ar:alias:assembly-language:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"لغة تجميع","script":"arabic","in_script":true,"relevant":["assembly-language"]}
{"qid":"ar:alias:assembly-language:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"أسمبلي","script":"arabic","in_script":true,"relevant":["assembly-language"]}
{"qid":"ar:alias:assembly-language:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"لغة اسمبلي","script":"arabic","in_script":true,"relevant":["assembly-language"]}
{"qid":"ar:alias:css:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"CSS","script":"latin","in_script":false,"relevant":["css"]}
{"qid":"ar:alias:css:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تحكم بأنماط صفحات الويب","script":"arabic","in_script":true,"relevant":["css"]}
{"qid":"ar:alias:css:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"التحكم بأنماط صفحات الويب","script":"arabic","in_script":true,"relevant":["css"]}
{"qid":"ar:alias:react:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"ريأكت","script":"arabic","in_script":true,"relevant":["react"]}
{"qid":"ar:alias:interpreter:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"مترجم (معلوماتية)","script":"arabic","in_script":true,"relevant":["interpreter"]}
{"qid":"ar:alias:interpreter:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Interpreter (computing)","script":"latin","in_script":false,"relevant":["interpreter"]}
{"qid":"ar:alias:unit-testing:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Unit testing","script":"latin","in_script":false,"relevant":["unit-testing"]}
{"qid":"ar:alias:unit-testing:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"فحص الوحدة","script":"arabic","in_script":true,"relevant":["unit-testing"]}
{"qid":"ar:alias:scrum:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Scrum (software development)","script":"latin","in_script":false,"relevant":["scrum"]}
{"qid":"ar:alias:scrum:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Scrum (development)","script":"latin","in_script":false,"relevant":["scrum"]}
{"qid":"ar:alias:scrum:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"سكروم (تطوير البرمجيات)","script":"arabic","in_script":true,"relevant":["scrum"]}
{"qid":"ar:alias:object-oriented-programming:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"البرمجة كائنية التوجه","script":"arabic","in_script":true,"relevant":["object-oriented-programming"]}
{"qid":"ar:alias:object-oriented-programming:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"برمجة موجهة","script":"arabic","in_script":true,"relevant":["object-oriented-programming"]}
{"qid":"ar:alias:object-oriented-programming:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"برمجة كائنية","script":"arabic","in_script":true,"relevant":["object-oriented-programming"]}
{"qid":"ar:alias:algorithm:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الخوارزميات","script":"arabic","in_script":true,"relevant":["algorithm"]}
{"qid":"ar:alias:algorithm:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"خوارزميات","script":"arabic","in_script":true,"relevant":["algorithm"]}
{"qid":"ar:alias:algorithm:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الخوارزمية","script":"arabic","in_script":true,"relevant":["algorithm"]}
{"qid":"ar:alias:big-o-notation:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Big O notation","script":"latin","in_script":false,"relevant":["big-o-notation"]}
{"qid":"ar:alias:big-o-notation:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"رمز O الكبير","script":"arabic","in_script":true,"relevant":["big-o-notation"]}
{"qid":"ar:alias:dynamic-programming:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Dynamic programming","script":"latin","in_script":false,"relevant":["dynamic-programming"]}
{"qid":"ar:alias:turing-machine:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"آلة تورينغ","script":"arabic","in_script":true,"relevant":["turing-machine"]}
{"qid":"ar:alias:turing-machine:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"آلة التورينغ","script":"arabic","in_script":true,"relevant":["turing-machine"]}
{"qid":"ar:alias:turing-machine:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"آلة التورنغ","script":"arabic","in_script":true,"relevant":["turing-machine"]}
{"qid":"ar:alias:p-versus-np-problem:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"مسألة P-NP","script":"arabic","in_script":true,"relevant":["p-versus-np-problem"]}
{"qid":"ar:alias:p-versus-np-problem:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"مسألة P = NP","script":"arabic","in_script":true,"relevant":["p-versus-np-problem"]}
{"qid":"ar:alias:p-versus-np-problem:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"مسالة P=NP","script":"arabic","in_script":true,"relevant":["p-versus-np-problem"]}
{"qid":"ar:alias:kernel:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"نواة نظام تشغيل","script":"arabic","in_script":true,"relevant":["kernel"]}
{"qid":"ar:alias:kernel:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"نواة نظام التشغيل","script":"arabic","in_script":true,"relevant":["kernel"]}
{"qid":"ar:alias:kernel:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"نواه (نظم تشغيل)","script":"arabic","in_script":true,"relevant":["kernel"]}
{"qid":"ar:alias:microsoft-windows:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"وندوز","script":"arabic","in_script":true,"relevant":["microsoft-windows"]}
{"qid":"ar:alias:microsoft-windows:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"ويندوز","script":"arabic","in_script":true,"relevant":["microsoft-windows"]}
{"qid":"ar:alias:microsoft-windows:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Microsoft Windows","script":"latin","in_script":false,"relevant":["microsoft-windows"]}
{"qid":"ar:alias:ios:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"آي او.إس","script":"arabic","in_script":true,"relevant":["ios"]}
{"qid":"ar:alias:ios:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"آي أو.اس","script":"arabic","in_script":true,"relevant":["ios"]}
{"qid":"ar:alias:ios:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"نظام تشغيل آي فون","script":"arabic","in_script":true,"relevant":["ios"]}
{"qid":"ar:alias:world-wide-web:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"ويب","script":"arabic","in_script":true,"relevant":["world-wide-web"]}
{"qid":"ar:alias:world-wide-web:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"كيف تعمل ويب","script":"arabic","in_script":true,"relevant":["world-wide-web"]}
{"qid":"ar:alias:world-wide-web:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"وب","script":"arabic","in_script":true,"relevant":["world-wide-web"]}
{"qid":"ar:alias:application-programming-interface:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"API","script":"latin","in_script":false,"relevant":["application-programming-interface"]}
{"qid":"ar:alias:application-programming-interface:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Application Programming Interface","script":"latin","in_script":false,"relevant":["application-programming-interface"]}
{"qid":"ar:alias:application-programming-interface:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"واجهة برمجة تطبيقات","script":"arabic","in_script":true,"relevant":["application-programming-interface"]}
{"qid":"ar:alias:gnu-general-public-license:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"GNU GPL","script":"latin","in_script":false,"relevant":["gnu-general-public-license"]}
{"qid":"ar:alias:gnu-general-public-license:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"رخصة غنو العمومية","script":"arabic","in_script":true,"relevant":["gnu-general-public-license"]}
{"qid":"ar:alias:gnu-general-public-license:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"GPL","script":"latin","in_script":false,"relevant":["gnu-general-public-license"]}
{"qid":"ar:alias:creative-commons:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"إبداعات مشتركة","script":"arabic","in_script":true,"relevant":["creative-commons"]}
{"qid":"ar:alias:creative-commons:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"رخصة التشارك الإبداعي","script":"arabic","in_script":true,"relevant":["creative-commons"]}
{"qid":"ar:alias:creative-commons:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Creative Commons","script":"latin","in_script":false,"relevant":["creative-commons"]}
{"qid":"ar:alias:public-key-cryptography:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"بالمفتاح العمومي","script":"arabic","in_script":true,"relevant":["public-key-cryptography"]}
{"qid":"ar:alias:public-key-cryptography:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"مفتاح عمومي","script":"arabic","in_script":true,"relevant":["public-key-cryptography"]}
{"qid":"ar:alias:public-key-cryptography:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"المفتاح العمومي","script":"arabic","in_script":true,"relevant":["public-key-cryptography"]}
{"qid":"ar:alias:hash-function:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"دالة هاش","script":"arabic","in_script":true,"relevant":["hash-function"]}
{"qid":"ar:alias:hash-function:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Hash function","script":"latin","in_script":false,"relevant":["hash-function"]}
{"qid":"ar:alias:hash-function:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"دالة تجزئة","script":"arabic","in_script":true,"relevant":["hash-function"]}
{"qid":"ar:alias:advanced-encryption-standard:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"ايه اي اس (تعمية)","script":"arabic","in_script":true,"relevant":["advanced-encryption-standard"]}
{"qid":"ar:alias:advanced-encryption-standard:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Advanced Encryption Standard","script":"latin","in_script":false,"relevant":["advanced-encryption-standard"]}
{"qid":"ar:alias:advanced-encryption-standard:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"إيه إي إس (تعمية)","script":"arabic","in_script":true,"relevant":["advanced-encryption-standard"]}
{"qid":"ar:alias:venture-capital:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"رأس مال مغامر","script":"arabic","in_script":true,"relevant":["venture-capital"]}
{"qid":"ar:alias:venture-capital:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"رأس المال الاستثماري","script":"arabic","in_script":true,"relevant":["venture-capital"]}
{"qid":"ar:alias:venture-capital:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"راس المال المغامر","script":"arabic","in_script":true,"relevant":["venture-capital"]}
{"qid":"ar:alias:initial-public-offering:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"اكتتاب عام","script":"arabic","in_script":true,"relevant":["initial-public-offering"]}
{"qid":"ar:alias:initial-public-offering:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Initial public offering","script":"latin","in_script":false,"relevant":["initial-public-offering"]}
{"qid":"ar:alias:startup-company:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Startup company","script":"latin","in_script":false,"relevant":["startup-company"]}
{"qid":"ar:alias:startup-company:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الشركات الناشئة","script":"arabic","in_script":true,"relevant":["startup-company"]}
{"qid":"ar:alias:startup-company:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الشركة الناشئة","script":"arabic","in_script":true,"relevant":["startup-company"]}
{"qid":"ar:alias:due-diligence:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"العناية الواجبة","script":"arabic","in_script":true,"relevant":["due-diligence"]}
{"qid":"ar:alias:due-diligence:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"عناية واجبة","script":"arabic","in_script":true,"relevant":["due-diligence"]}
{"qid":"ar:alias:startup-accelerator:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"مسرع بدء التشغيل","script":"arabic","in_script":true,"relevant":["startup-accelerator"]}
{"qid":"ar:alias:crowdfunding:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"التمويل الجماعي","script":"arabic","in_script":true,"relevant":["crowdfunding"]}
{"qid":"ar:alias:crowdfunding:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Crowdfunding","script":"latin","in_script":false,"relevant":["crowdfunding"]}
{"qid":"ar:alias:economies-of-scale:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"وفورات الإنتاج","script":"arabic","in_script":true,"relevant":["economies-of-scale"]}
{"qid":"ar:alias:economies-of-scale:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"اقتصاديات السعة","script":"arabic","in_script":true,"relevant":["economies-of-scale"]}
{"qid":"ar:alias:economies-of-scale:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Economies of scale","script":"latin","in_script":false,"relevant":["economies-of-scale"]}
{"qid":"ar:alias:patent:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"براءة الاختراع","script":"arabic","in_script":true,"relevant":["patent"]}
{"qid":"ar:alias:patent:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"براءة إختراع","script":"arabic","in_script":true,"relevant":["patent"]}
{"qid":"ar:alias:patent:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"براءة الإختراع","script":"arabic","in_script":true,"relevant":["patent"]}
{"qid":"ar:alias:copyright:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"رخصة حقوق التأليف و النشر","script":"arabic","in_script":true,"relevant":["copyright"]}
{"qid":"ar:alias:copyright:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"حقوق الطبع","script":"arabic","in_script":true,"relevant":["copyright"]}
{"qid":"ar:alias:copyright:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"حقوق النشر","script":"arabic","in_script":true,"relevant":["copyright"]}
{"qid":"ar:alias:probability:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"احتمالات","script":"arabic","in_script":true,"relevant":["probability"]}
{"qid":"ar:alias:probability:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الاحتمال","script":"arabic","in_script":true,"relevant":["probability"]}
{"qid":"ar:alias:probability:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Probability","script":"latin","in_script":false,"relevant":["probability"]}
{"qid":"ar:alias:matrix:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"نظرية المصفوفات","script":"arabic","in_script":true,"relevant":["matrix"]}
{"qid":"ar:alias:matrix:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"مصفوفة رياضية","script":"arabic","in_script":true,"relevant":["matrix"]}
{"qid":"ar:alias:matrix:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"المصفوفة","script":"arabic","in_script":true,"relevant":["matrix"]}
{"qid":"ar:alias:vector-space:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"فضاء موجه","script":"arabic","in_script":true,"relevant":["vector-space"]}
{"qid":"ar:alias:vector-space:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"فضاء اتجاهي","script":"arabic","in_script":true,"relevant":["vector-space"]}
{"qid":"ar:alias:vector-space:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الفضاء الاتجاهي","script":"arabic","in_script":true,"relevant":["vector-space"]}
{"qid":"ar:alias:derivative:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"اشتقاق ثابت","script":"arabic","in_script":true,"relevant":["derivative"]}
{"qid":"ar:alias:derivative:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"إشتقاق (رياضيات)","script":"arabic","in_script":true,"relevant":["derivative"]}
{"qid":"ar:alias:derivative:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"إشتقاق ثابت","script":"arabic","in_script":true,"relevant":["derivative"]}
{"qid":"ar:alias:convex-optimization:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تحسين محدب","script":"arabic","in_script":true,"relevant":["convex-optimization"]}
{"qid":"ar:alias:signal-processing:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"معالجة الإشارات","script":"arabic","in_script":true,"relevant":["signal-processing"]}
{"qid":"ar:alias:signal-processing:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"معالجة إشارة","script":"arabic","in_script":true,"relevant":["signal-processing"]}
{"qid":"ar:alias:signal-processing:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تحليل الإشارة","script":"arabic","in_script":true,"relevant":["signal-processing"]}
{"qid":"ar:alias:fast-fourier-transform:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Fast Fourier transform","script":"latin","in_script":false,"relevant":["fast-fourier-transform"]}
{"qid":"ar:alias:fast-fourier-transform:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تحويل فوريي السريع","script":"arabic","in_script":true,"relevant":["fast-fourier-transform"]}
{"qid":"ar:alias:unicode:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"يونكود","script":"arabic","in_script":true,"relevant":["unicode"]}
{"qid":"ar:alias:unicode:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"نظام الحروف الدولي الموحد","script":"arabic","in_script":true,"relevant":["unicode"]}
{"qid":"ar:alias:unicode:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"اليونيكود","script":"arabic","in_script":true,"relevant":["unicode"]}
{"qid":"ar:alias:blockchain:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"بلوك تشين","script":"arabic","in_script":true,"relevant":["blockchain"]}
{"qid":"ar:alias:blockchain:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Block chain","script":"latin","in_script":false,"relevant":["blockchain"]}
{"qid":"ar:alias:blockchain:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"بلوكشين","script":"arabic","in_script":true,"relevant":["blockchain"]}
{"qid":"ar:alias:cryptocurrency:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"العملات المشفرة والأمن","script":"arabic","in_script":true,"relevant":["cryptocurrency"]}
{"qid":"ar:alias:cryptocurrency:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"العملات المعماة والأمن","script":"arabic","in_script":true,"relevant":["cryptocurrency"]}
{"qid":"ar:alias:cryptocurrency:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"عملة مشفرة","script":"arabic","in_script":true,"relevant":["cryptocurrency"]}
{"qid":"ar:alias:ethereum:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"إثريوم","script":"arabic","in_script":true,"relevant":["ethereum"]}
{"qid":"ar:alias:non-fungible-token:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الرموز غير القابلة للاستبدال (NFTs)","script":"arabic","in_script":true,"relevant":["non-fungible-token"]}
{"qid":"ar:alias:non-fungible-token:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"رمز غير قابل للاستبدال","script":"arabic","in_script":true,"relevant":["non-fungible-token"]}
{"qid":"ar:alias:non-fungible-token:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"رموز غير بدولة","script":"arabic","in_script":true,"relevant":["non-fungible-token"]}
{"qid":"ar:alias:quantum-entanglement:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"كوانتم إنتانجلمنت","script":"arabic","in_script":true,"relevant":["quantum-entanglement"]}
{"qid":"ar:alias:quantum-entanglement:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تشابك كمومي","script":"arabic","in_script":true,"relevant":["quantum-entanglement"]}
{"qid":"ar:alias:quantum-entanglement:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Quantum entanglement","script":"latin","in_script":false,"relevant":["quantum-entanglement"]}
{"qid":"ar:alias:semiconductor:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"اشباه موصلات","script":"arabic","in_script":true,"relevant":["semiconductor"]}
{"qid":"ar:alias:semiconductor:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"أشباه الموصلات","script":"arabic","in_script":true,"relevant":["semiconductor"]}
{"qid":"ar:alias:semiconductor:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"نصف ناقل","script":"arabic","in_script":true,"relevant":["semiconductor"]}
{"qid":"ar:alias:moore-s-law:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Moore's law","script":"latin","in_script":false,"relevant":["moore-s-law"]}
{"qid":"ar:alias:tensor-processing-unit:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"وحدة معالجة تينسر","script":"arabic","in_script":true,"relevant":["tensor-processing-unit"]}
{"qid":"ar:alias:application-specific-integrated-circuit:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الدوائر المتكاملة محددة التطبيق","script":"arabic","in_script":true,"relevant":["application-specific-integrated-circuit"]}
{"qid":"ar:alias:application-specific-integrated-circuit:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"دائرة متكاملة محددة التطبيق","script":"arabic","in_script":true,"relevant":["application-specific-integrated-circuit"]}
{"qid":"ar:alias:solid-state-drive:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"محرك الأقراص ذو الحالة الصلبة","script":"arabic","in_script":true,"relevant":["solid-state-drive"]}
{"qid":"ar:alias:solid-state-drive:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"السواقة الجامدة","script":"arabic","in_script":true,"relevant":["solid-state-drive"]}
{"qid":"ar:alias:solid-state-drive:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"سواقة جامدة","script":"arabic","in_script":true,"relevant":["solid-state-drive"]}
{"qid":"ar:alias:nanotechnology:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"نانو تكنولوجي","script":"arabic","in_script":true,"relevant":["nanotechnology"]}
{"qid":"ar:alias:nanotechnology:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تكنولوجيا الصغائر","script":"arabic","in_script":true,"relevant":["nanotechnology"]}
{"qid":"ar:alias:nanotechnology:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تقنية نانوية","script":"arabic","in_script":true,"relevant":["nanotechnology"]}
{"qid":"ar:alias:crispr:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"تقنية كريسبر-كاس","script":"arabic","in_script":true,"relevant":["crispr"]}
{"qid":"ar:alias:crispr:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"كرسبر","script":"arabic","in_script":true,"relevant":["crispr"]}
{"qid":"ar:alias:crispr:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"CRISPR","script":"latin","in_script":false,"relevant":["crispr"]}
{"qid":"ar:alias:bioinformatics:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"البيوإنفورماتيك","script":"arabic","in_script":true,"relevant":["bioinformatics"]}
{"qid":"ar:alias:bioinformatics:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"المعلوماتية الحيوية","script":"arabic","in_script":true,"relevant":["bioinformatics"]}
{"qid":"ar:alias:bioinformatics:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"معلوماتيه حيويه","script":"arabic","in_script":true,"relevant":["bioinformatics"]}
{"qid":"ar:alias:cognitive-science:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"علوم إدراكية","script":"arabic","in_script":true,"relevant":["cognitive-science"]}
{"qid":"ar:alias:cognitive-science:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"علوم عصبية إدراكية","script":"arabic","in_script":true,"relevant":["cognitive-science"]}
{"qid":"ar:alias:cognitive-science:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"علوم عصبية استعرافية","script":"arabic","in_script":true,"relevant":["cognitive-science"]}
{"qid":"ar:alias:consciousness:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"الوعي","script":"arabic","in_script":true,"relevant":["consciousness"]}
{"qid":"ar:alias:consciousness:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"Consciousness","script":"latin","in_script":false,"relevant":["consciousness"]}
{"qid":"ar:alias:consciousness:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"واعي","script":"arabic","in_script":true,"relevant":["consciousness"]}
{"qid":"ar:alias:5g:0","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"جيل شبكات الهواتف المحمولة الخامس","script":"arabic","in_script":true,"relevant":["5g"]}
{"qid":"ar:alias:5g:1","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"جيل الأنظمة اللاسلكية الخامس","script":"arabic","in_script":true,"relevant":["5g"]}
{"qid":"ar:alias:5g:2","lang":"ar","family":"alias","origin":"wikipedia-redirect","query":"هواتف الجيل الخامس","script":"arabic","in_script":true,"relevant":["5g"]}
evals/embedding-default/queries/ar.nlq.jsonl
+24
View File
@@ -0,0 +1,24 @@
{"qid":"ar:nlq:openai","lang":"ar","family":"nlq","origin":"author-written","query":"أي شركة أنشأت ChatGPT ويقع مقرها في سان فرانسيسكو","script":"arabic","in_script":true,"relevant":["openai"]}
{"qid":"ar:nlq:anthropic","lang":"ar","family":"nlq","origin":"author-written","query":"مختبر ذكاء اصطناعي يركز على السلامة أسسه باحثون تركوا شركة كبيرة أخرى","script":"arabic","in_script":true,"relevant":["anthropic"]}
{"qid":"ar:nlq:google-deepmind","lang":"ar","family":"nlq","origin":"author-written","query":"مختبر البحث الذي يوجد في لندن والذي هزم برنامجه بطل العالم في لعبة غو","script":"arabic","in_script":true,"relevant":["google-deepmind"]}
{"qid":"ar:nlq:geoffrey-hinton","lang":"ar","family":"nlq","origin":"author-written","query":"الباحث الذي يوصف غالبا بأنه أحد آباء التعلم العميق وشارك في جائزة تورينغ","script":"arabic","in_script":true,"relevant":["geoffrey-hinton"]}
{"qid":"ar:nlq:yann-lecun","lang":"ar","family":"nlq","origin":"author-written","query":"من يرأس أبحاث الذكاء الاصطناعي في الشركة المالكة لفيسبوك وإنستغرام","script":"arabic","in_script":true,"relevant":["yann-lecun"]}
{"qid":"ar:nlq:jensen-huang","lang":"ar","family":"nlq","origin":"author-written","query":"من يقود شركة الرقائق التي تستخدم معالجاتها في تدريب النماذج الكبيرة","script":"arabic","in_script":true,"relevant":["jensen-huang"]}
{"qid":"ar:nlq:sam-altman","lang":"ar","family":"nlq","origin":"author-written","query":"من هو الرئيس التنفيذي للمؤسسة التي تقف خلف سلسلة GPT","script":"arabic","in_script":true,"relevant":["sam-altman"]}
{"qid":"ar:nlq:transformer","lang":"ar","family":"nlq","origin":"author-written","query":"البنية العصبية المبنية على الانتباه الذاتي التي أزاحت التصاميم التكرارية","script":"arabic","in_script":true,"relevant":["transformer"]}
{"qid":"ar:nlq:convolutional-neural-network","lang":"ar","family":"nlq","origin":"author-written","query":"تصميم الشبكة الذي يمرر مرشحات متعلمة على الصورة لالتقاط الأنماط المحلية","script":"arabic","in_script":true,"relevant":["convolutional-neural-network"]}
{"qid":"ar:nlq:retrieval-augmented-generation","lang":"ar","family":"nlq","origin":"author-written","query":"تزويد نموذج لغوي بمستندات خارجية مسترجعة حتى يختلق حقائق أقل","script":"arabic","in_script":true,"relevant":["retrieval-augmented-generation"]}
{"qid":"ar:nlq:overfitting","lang":"ar","family":"nlq","origin":"author-written","query":"لماذا يحقق النموذج نتائج جيدة على بيانات تدريبه ونتائج سيئة على بيانات لم يرها","script":"arabic","in_script":true,"relevant":["overfitting"]}
{"qid":"ar:nlq:gradient-descent","lang":"ar","family":"nlq","origin":"author-written","query":"تحديث المعاملات مرارا في الاتجاه الذي يقلل دالة الخسارة","script":"arabic","in_script":true,"relevant":["gradient-descent"]}
{"qid":"ar:nlq:tf-idf","lang":"ar","family":"nlq","origin":"author-written","query":"ترجيح الكلمة حسب مدى ندرتها في مجموعة المستندات بأكملها","script":"arabic","in_script":true,"relevant":["tf-idf"]}
{"qid":"ar:nlq:nearest-neighbor-search","lang":"ar","family":"nlq","origin":"author-written","query":"إيجاد العناصر الأقرب إلى نقطة معينة داخل مجموعة كبيرة","script":"arabic","in_script":true,"relevant":["nearest-neighbor-search"]}
{"qid":"ar:nlq:cluster-analysis","lang":"ar","family":"nlq","origin":"author-written","query":"تجميع سجلات غير معنونة بحيث تنتهي المتشابهة منها في المجموعة نفسها","script":"arabic","in_script":true,"relevant":["cluster-analysis"]}
{"qid":"ar:nlq:principal-component-analysis","lang":"ar","family":"nlq","origin":"author-written","query":"تقليل عدد الأبعاد مع الحفاظ على أكبر قدر ممكن من التباين","script":"arabic","in_script":true,"relevant":["principal-component-analysis"]}
{"qid":"ar:nlq:postgresql","lang":"ar","family":"nlq","origin":"author-written","query":"قاعدة البيانات العلائقية مفتوحة المصدر المعروفة بمنظومة الامتدادات الخاصة بها","script":"arabic","in_script":true,"relevant":["postgresql"]}
{"qid":"ar:nlq:sqlite","lang":"ar","family":"nlq","origin":"author-written","query":"محرك قواعد بيانات مدمج يحفظ قاعدة البيانات كاملة في ملف واحد عادي","script":"arabic","in_script":true,"relevant":["sqlite"]}
{"qid":"ar:nlq:elasticsearch","lang":"ar","family":"nlq","origin":"author-written","query":"خادم البحث النصي الموزع المبني على لوسين","script":"arabic","in_script":true,"relevant":["elasticsearch"]}
{"qid":"ar:nlq:redis","lang":"ar","family":"nlq","origin":"author-written","query":"مخزن مفتاح وقيمة يعمل في الذاكرة ويستخدم عادة كذاكرة تخزين مؤقت","script":"arabic","in_script":true,"relevant":["redis"]}
{"qid":"ar:nlq:kubernetes","lang":"ar","family":"nlq","origin":"author-written","query":"جدولة الحاويات وتنسيقها على عنقود من الأجهزة","script":"arabic","in_script":true,"relevant":["kubernetes"]}
{"qid":"ar:nlq:y-combinator","lang":"ar","family":"nlq","origin":"author-written","query":"المسرعة التي تمول الشركات الناشئة على دفعات مرتين في السنة","script":"arabic","in_script":true,"relevant":["y-combinator"]}
{"qid":"ar:nlq:venture-capital","lang":"ar","family":"nlq","origin":"author-written","query":"كيف يضع المستثمرون أموالهم في شركات مبكرة عالية المخاطر مقابل حصة في الملكية","script":"arabic","in_script":true,"relevant":["venture-capital"]}
{"qid":"ar:nlq:unicode","lang":"ar","family":"nlq","origin":"author-written","query":"المعيار الذي يخصص رقما لكل حرف في كل نظام كتابة","script":"arabic","in_script":true,"relevant":["unicode"]}
evals/embedding-default/queries/en.alias.jsonl
+331 -43
View File
@@ -1,24 +1,45 @@
{"qid":"en:alias:openai:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Openai.com","script":"latin","in_script":true,"relevant":["openai"]}
{"qid":"en:alias:openai:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"OpenAI API","script":"latin","in_script":true,"relevant":["openai"]}
{"qid":"en:alias:openai:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"OpenAI LP","script":"latin","in_script":true,"relevant":["openai"]}
{"qid":"en:alias:anthropic:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"ANTHROP/C","script":"latin","in_script":true,"relevant":["anthropic"]}
{"qid":"en:alias:anthropic:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Anthropic PBC","script":"latin","in_script":true,"relevant":["anthropic"]}
{"qid":"en:alias:anthropic:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Anthropic.com","script":"latin","in_script":true,"relevant":["anthropic"]}
{"qid":"en:alias:google-deepmind:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Deepmind","script":"latin","in_script":true,"relevant":["google-deepmind"]}
{"qid":"en:alias:google-deepmind:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"DeepMind Technologies","script":"latin","in_script":true,"relevant":["google-deepmind"]}
{"qid":"en:alias:google-deepmind:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"DeepMind","script":"latin","in_script":true,"relevant":["google-deepmind"]}
{"qid":"en:alias:mistral-ai:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Mistral (chatbot)","script":"latin","in_script":true,"relevant":["mistral-ai"]}
{"qid":"en:alias:mistral-ai:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Mixtral 8x22B","script":"latin","in_script":true,"relevant":["mistral-ai"]}
{"qid":"en:alias:mistral-ai:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Mistral 7B","script":"latin","in_script":true,"relevant":["mistral-ai"]}
{"qid":"en:alias:hugging-face:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Hugging Face, Inc.","script":"latin","in_script":true,"relevant":["hugging-face"]}
{"qid":"en:alias:hugging-face:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Gradio","script":"latin","in_script":true,"relevant":["hugging-face"]}
{"qid":"en:alias:hugging-face:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Huggingface.co","script":"latin","in_script":true,"relevant":["hugging-face"]}
{"qid":"en:alias:nvidia:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"NVIDIA Corporation","script":"latin","in_script":true,"relevant":["nvidia"]}
{"qid":"en:alias:nvidia:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"NVidia Corporation","script":"latin","in_script":true,"relevant":["nvidia"]}
{"qid":"en:alias:nvidia:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"NVIDIA Corp.","script":"latin","in_script":true,"relevant":["nvidia"]}
{"qid":"en:alias:meta-platforms:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Facebook, Inc","script":"latin","in_script":true,"relevant":["meta-platforms"]}
{"qid":"en:alias:meta-platforms:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Facebook Inc","script":"latin","in_script":true,"relevant":["meta-platforms"]}
{"qid":"en:alias:meta-platforms:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Facebook Ads","script":"latin","in_script":true,"relevant":["meta-platforms"]}
{"qid":"en:alias:apple-inc:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Apple computer","script":"latin","in_script":true,"relevant":["apple-inc"]}
{"qid":"en:alias:apple-inc:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Apple Computer Co.","script":"latin","in_script":true,"relevant":["apple-inc"]}
{"qid":"en:alias:apple-inc:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Apple Computers","script":"latin","in_script":true,"relevant":["apple-inc"]}
{"qid":"en:alias:alphabet-inc:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Alphabet Inc","script":"latin","in_script":true,"relevant":["alphabet-inc"]}
{"qid":"en:alias:alphabet-inc:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Alphabet (company)","script":"latin","in_script":true,"relevant":["alphabet-inc"]}
{"qid":"en:alias:alphabet-inc:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Alphabet Corp","script":"latin","in_script":true,"relevant":["alphabet-inc"]}
{"qid":"en:alias:ibm:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"International Business Machines Corporation","script":"latin","in_script":true,"relevant":["ibm"]}
{"qid":"en:alias:ibm:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"International Business Machines Corp.","script":"latin","in_script":true,"relevant":["ibm"]}
{"qid":"en:alias:ibm:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"IBM Corporation","script":"latin","in_script":true,"relevant":["ibm"]}
{"qid":"en:alias:sap:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Www.sap.com","script":"latin","in_script":true,"relevant":["sap"]}
{"qid":"en:alias:sap:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"SAP Aktiengesellschaft","script":"latin","in_script":true,"relevant":["sap"]}
{"qid":"en:alias:sap:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Basis Team","script":"latin","in_script":true,"relevant":["sap"]}
{"qid":"en:alias:tesla-inc:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Tesla Electric Car","script":"latin","in_script":true,"relevant":["tesla-inc"]}
{"qid":"en:alias:tesla-inc:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Tesla motors","script":"latin","in_script":true,"relevant":["tesla-inc"]}
{"qid":"en:alias:tesla-inc:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Telsa Motors","script":"latin","in_script":true,"relevant":["tesla-inc"]}
{"qid":"en:alias:shopify:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Snowdevil","script":"latin","in_script":true,"relevant":["shopify"]}
{"qid":"en:alias:shopify:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Shopify Inc.","script":"latin","in_script":true,"relevant":["shopify"]}
{"qid":"en:alias:shopify:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Oberlo","script":"latin","in_script":true,"relevant":["shopify"]}
{"qid":"en:alias:github:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Universe (conference)","script":"latin","in_script":true,"relevant":["github"]}
{"qid":"en:alias:github:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"@github","script":"latin","in_script":true,"relevant":["github"]}
{"qid":"en:alias:github:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Gist (GitHub)","script":"latin","in_script":true,"relevant":["github"]}
{"qid":"en:alias:atlassian:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Atlassian bamboo","script":"latin","in_script":true,"relevant":["atlassian"]}
{"qid":"en:alias:atlassian:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Bamboo (software)","script":"latin","in_script":true,"relevant":["atlassian"]}
{"qid":"en:alias:atlassian:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Atlassian Bamboo","script":"latin","in_script":true,"relevant":["atlassian"]}
{"qid":"en:alias:samsung-electronics:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Samsung Semiconductor","script":"latin","in_script":true,"relevant":["samsung-electronics"]}
{"qid":"en:alias:samsung-electronics:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Samsung Electronic","script":"latin","in_script":true,"relevant":["samsung-electronics"]}
{"qid":"en:alias:samsung-electronics:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"SMSN","script":"latin","in_script":true,"relevant":["samsung-electronics"]}
{"qid":"en:alias:alibaba-group:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Yahoo! China","script":"latin","in_script":true,"relevant":["alibaba-group"]}
{"qid":"en:alias:alibaba-group:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Alibaba.com","script":"latin","in_script":true,"relevant":["alibaba-group"]}
{"qid":"en:alias:alibaba-group:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Alisoft","script":"latin","in_script":true,"relevant":["alibaba-group"]}
{"qid":"en:alias:bytedance:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Bytedance Ltd.","script":"latin","in_script":true,"relevant":["bytedance"]}
{"qid":"en:alias:bytedance:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Liang Rubo","script":"latin","in_script":true,"relevant":["bytedance"]}
{"qid":"en:alias:bytedance:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"ByteDance Ltd.","script":"latin","in_script":true,"relevant":["bytedance"]}
{"qid":"en:alias:geoffrey-hinton:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Geoff Hinton","script":"latin","in_script":true,"relevant":["geoffrey-hinton"]}
{"qid":"en:alias:geoffrey-hinton:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Geoffrey E. Hinton","script":"latin","in_script":true,"relevant":["geoffrey-hinton"]}
{"qid":"en:alias:geoffrey-hinton:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Geoffrey Everest Hinton","script":"latin","in_script":true,"relevant":["geoffrey-hinton"]}
@@ -31,8 +52,6 @@
{"qid":"en:alias:demis-hassabis:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Hassabis","script":"latin","in_script":true,"relevant":["demis-hassabis"]}
{"qid":"en:alias:demis-hassabis:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Hassabis, Demis","script":"latin","in_script":true,"relevant":["demis-hassabis"]}
{"qid":"en:alias:demis-hassabis:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Sir Demis Hassabis","script":"latin","in_script":true,"relevant":["demis-hassabis"]}
{"qid":"en:alias:fei-fei-li:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Li Feifei","script":"latin","in_script":true,"relevant":["fei-fei-li"]}
{"qid":"en:alias:fei-fei-li:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Li Fei-Fei","script":"latin","in_script":true,"relevant":["fei-fei-li"]}
{"qid":"en:alias:sam-altman:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Sam H. Altman","script":"latin","in_script":true,"relevant":["sam-altman"]}
{"qid":"en:alias:sam-altman:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Samuel Altman","script":"latin","in_script":true,"relevant":["sam-altman"]}
{"qid":"en:alias:sam-altman:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Samuel H. Altman","script":"latin","in_script":true,"relevant":["sam-altman"]}
@@ -40,23 +59,57 @@
{"qid":"en:alias:jensen-huang:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Huang jen hsun","script":"latin","in_script":true,"relevant":["jensen-huang"]}
{"qid":"en:alias:jensen-huang:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Huang Jen-Hsun","script":"latin","in_script":true,"relevant":["jensen-huang"]}
{"qid":"en:alias:dario-amodei:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Dario amode","script":"latin","in_script":true,"relevant":["dario-amodei"]}
{"qid":"en:alias:bert:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Bidirectional Encoder Representations from Transformers","script":"latin","in_script":true,"relevant":["bert"]}
{"qid":"en:alias:bert:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"RoBERTa","script":"latin","in_script":true,"relevant":["bert"]}
{"qid":"en:alias:bert:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"DeBERTA","script":"latin","in_script":true,"relevant":["bert"]}
{"qid":"en:alias:gpt-4:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Generative Pre-trained Transformer 4","script":"latin","in_script":true,"relevant":["gpt-4"]}
{"qid":"en:alias:gpt-4:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"GPT-4 Turbo","script":"latin","in_script":true,"relevant":["gpt-4"]}
{"qid":"en:alias:word-embedding:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Word vector space","script":"latin","in_script":true,"relevant":["word-embedding"]}
{"qid":"en:alias:word-embedding:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Word vectors","script":"latin","in_script":true,"relevant":["word-embedding"]}
{"qid":"en:alias:word-embedding:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Word vector","script":"latin","in_script":true,"relevant":["word-embedding"]}
{"qid":"en:alias:marvin-minsky:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Marvin Lee Minsky","script":"latin","in_script":true,"relevant":["marvin-minsky"]}
{"qid":"en:alias:marvin-minsky:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Marvin L. Minsky","script":"latin","in_script":true,"relevant":["marvin-minsky"]}
{"qid":"en:alias:herbert-a-simon:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Herbert Simon (1916–2001)","script":"latin","in_script":true,"relevant":["herbert-a-simon"]}
{"qid":"en:alias:herbert-a-simon:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Herbert Alexander Simon","script":"latin","in_script":true,"relevant":["herbert-a-simon"]}
{"qid":"en:alias:herbert-a-simon:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"H. A. Simon","script":"latin","in_script":true,"relevant":["herbert-a-simon"]}
{"qid":"en:alias:john-von-neumann:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Jon von Neumann","script":"latin","in_script":true,"relevant":["john-von-neumann"]}
{"qid":"en:alias:john-von-neumann:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Neumann, John von","script":"latin","in_script":true,"relevant":["john-von-neumann"]}
{"qid":"en:alias:john-von-neumann:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Johann von Neumann","script":"latin","in_script":true,"relevant":["john-von-neumann"]}
{"qid":"en:alias:ada-lovelace:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Ada Byron's notes on the analytical engine","script":"latin","in_script":true,"relevant":["ada-lovelace"]}
{"qid":"en:alias:ada-lovelace:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Ada Byron","script":"latin","in_script":true,"relevant":["ada-lovelace"]}
{"qid":"en:alias:ada-lovelace:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Ada Byron/notes on the analytical engine","script":"latin","in_script":true,"relevant":["ada-lovelace"]}
{"qid":"en:alias:edsger-w-dijkstra:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Edsger Wybe Dijkstra","script":"latin","in_script":true,"relevant":["edsger-w-dijkstra"]}
{"qid":"en:alias:edsger-w-dijkstra:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"E. W. Dijkstra","script":"latin","in_script":true,"relevant":["edsger-w-dijkstra"]}
{"qid":"en:alias:edsger-w-dijkstra:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Mohol (programming languages)","script":"latin","in_script":true,"relevant":["edsger-w-dijkstra"]}
{"qid":"en:alias:linus-torvalds:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Tove Torvalds","script":"latin","in_script":true,"relevant":["linus-torvalds"]}
{"qid":"en:alias:linus-torvalds:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"David Diamond (journalist)","script":"latin","in_script":true,"relevant":["linus-torvalds"]}
{"qid":"en:alias:linus-torvalds:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Linus Torvald","script":"latin","in_script":true,"relevant":["linus-torvalds"]}
{"qid":"en:alias:ken-thompson:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Kenneth Lane Thompson","script":"latin","in_script":true,"relevant":["ken-thompson"]}
{"qid":"en:alias:ken-thompson:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Thompson hack","script":"latin","in_script":true,"relevant":["ken-thompson"]}
{"qid":"en:alias:ken-thompson:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Reflections on Trusting Trust","script":"latin","in_script":true,"relevant":["ken-thompson"]}
{"qid":"en:alias:bjarne-stroustrup:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Stroustrup","script":"latin","in_script":true,"relevant":["bjarne-stroustrup"]}
{"qid":"en:alias:bjarne-stroustrup:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Bjarne Stroustrop","script":"latin","in_script":true,"relevant":["bjarne-stroustrup"]}
{"qid":"en:alias:bjarne-stroustrup:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"The Design and Evolution of C++","script":"latin","in_script":true,"relevant":["bjarne-stroustrup"]}
{"qid":"en:alias:barbara-liskov:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Barbara H. Liskov","script":"latin","in_script":true,"relevant":["barbara-liskov"]}
{"qid":"en:alias:barbara-liskov:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Liskov","script":"latin","in_script":true,"relevant":["barbara-liskov"]}
{"qid":"en:alias:barbara-liskov:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Barbara Huberman Liskov","script":"latin","in_script":true,"relevant":["barbara-liskov"]}
{"qid":"en:alias:steve-jobs:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Steven Jobs","script":"latin","in_script":true,"relevant":["steve-jobs"]}
{"qid":"en:alias:steve-jobs:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Stevie Jobs","script":"latin","in_script":true,"relevant":["steve-jobs"]}
{"qid":"en:alias:steve-jobs:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Stev Jobs","script":"latin","in_script":true,"relevant":["steve-jobs"]}
{"qid":"en:alias:elon-musk:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Founder of SpaceX","script":"latin","in_script":true,"relevant":["elon-musk"]}
{"qid":"en:alias:elon-musk:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Alon Musk","script":"latin","in_script":true,"relevant":["elon-musk"]}
{"qid":"en:alias:elon-musk:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Elon Reeve Musk","script":"latin","in_script":true,"relevant":["elon-musk"]}
{"qid":"en:alias:mark-zuckerberg:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Mark zuckerbag","script":"latin","in_script":true,"relevant":["mark-zuckerberg"]}
{"qid":"en:alias:mark-zuckerberg:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Mark Zuckerburg","script":"latin","in_script":true,"relevant":["mark-zuckerberg"]}
{"qid":"en:alias:mark-zuckerberg:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Eliot Zuckerberg","script":"latin","in_script":true,"relevant":["mark-zuckerberg"]}
{"qid":"en:alias:sergey-brin:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Sergei Brin","script":"latin","in_script":true,"relevant":["sergey-brin"]}
{"qid":"en:alias:sergey-brin:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Michael Brin","script":"latin","in_script":true,"relevant":["sergey-brin"]}
{"qid":"en:alias:sergey-brin:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Sergey Mikhailovich Brin","script":"latin","in_script":true,"relevant":["sergey-brin"]}
{"qid":"en:alias:sundar-pichai:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Pichai Sundarajan","script":"latin","in_script":true,"relevant":["sundar-pichai"]}
{"qid":"en:alias:sundar-pichai:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Pichai Sundararajan","script":"latin","in_script":true,"relevant":["sundar-pichai"]}
{"qid":"en:alias:sundar-pichai:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Sunder Pichai","script":"latin","in_script":true,"relevant":["sundar-pichai"]}
{"qid":"en:alias:gpt-4:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"GPT-4 Turbo","script":"latin","in_script":true,"relevant":["gpt-4"]}
{"qid":"en:alias:generative-pre-trained-transformer:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Baby AGI","script":"latin","in_script":true,"relevant":["generative-pre-trained-transformer"]}
{"qid":"en:alias:generative-pre-trained-transformer:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"GPT Foundational models","script":"latin","in_script":true,"relevant":["generative-pre-trained-transformer"]}
{"qid":"en:alias:generative-pre-trained-transformer:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Pretrained language model","script":"latin","in_script":true,"relevant":["generative-pre-trained-transformer"]}
{"qid":"en:alias:large-language-model:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"LLM","script":"latin","in_script":true,"relevant":["large-language-model"]}
{"qid":"en:alias:large-language-model:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Benchmarks for artificial intelligence","script":"latin","in_script":true,"relevant":["large-language-model"]}
{"qid":"en:alias:large-language-model:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Large language models","script":"latin","in_script":true,"relevant":["large-language-model"]}
{"qid":"en:alias:convolutional-neural-network:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"ConvNet","script":"latin","in_script":true,"relevant":["convolutional-neural-network"]}
{"qid":"en:alias:convolutional-neural-network:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Deep convolutional neural network","script":"latin","in_script":true,"relevant":["convolutional-neural-network"]}
{"qid":"en:alias:convolutional-neural-network:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Convoluted neural network","script":"latin","in_script":true,"relevant":["convolutional-neural-network"]}
{"qid":"en:alias:diffusion-model:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Diffusion probabilistic model","script":"latin","in_script":true,"relevant":["diffusion-model"]}
{"qid":"en:alias:diffusion-model:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Diffusion models","script":"latin","in_script":true,"relevant":["diffusion-model"]}
{"qid":"en:alias:diffusion-model:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Diffusion probabilistic models","script":"latin","in_script":true,"relevant":["diffusion-model"]}
{"qid":"en:alias:generative-adversarial-network:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Generative Adversarial Networks","script":"latin","in_script":true,"relevant":["generative-adversarial-network"]}
{"qid":"en:alias:generative-adversarial-network:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Generative adversarial networks","script":"latin","in_script":true,"relevant":["generative-adversarial-network"]}
{"qid":"en:alias:generative-adversarial-network:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Generative adversarial neural network","script":"latin","in_script":true,"relevant":["generative-adversarial-network"]}
@@ -66,6 +119,9 @@
{"qid":"en:alias:overfitting:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Overfit","script":"latin","in_script":true,"relevant":["overfitting"]}
{"qid":"en:alias:overfitting:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Underfitting","script":"latin","in_script":true,"relevant":["overfitting"]}
{"qid":"en:alias:overfitting:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Over-fitted","script":"latin","in_script":true,"relevant":["overfitting"]}
{"qid":"en:alias:perceptron:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Threshold neuron","script":"latin","in_script":true,"relevant":["perceptron"]}
{"qid":"en:alias:perceptron:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Perceptrons","script":"latin","in_script":true,"relevant":["perceptron"]}
{"qid":"en:alias:perceptron:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Linear perceptron","script":"latin","in_script":true,"relevant":["perceptron"]}
{"qid":"en:alias:neural-network:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Neural net","script":"latin","in_script":true,"relevant":["neural-network"]}
{"qid":"en:alias:neural-network:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Neural nets","script":"latin","in_script":true,"relevant":["neural-network"]}
{"qid":"en:alias:neural-network:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Massive neural network","script":"latin","in_script":true,"relevant":["neural-network"]}
@@ -78,6 +134,9 @@
{"qid":"en:alias:artificial-intelligence:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"AI","script":"latin","in_script":true,"relevant":["artificial-intelligence"]}
{"qid":"en:alias:artificial-intelligence:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"A.I.","script":"latin","in_script":true,"relevant":["artificial-intelligence"]}
{"qid":"en:alias:artificial-intelligence:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Machine intelligence","script":"latin","in_script":true,"relevant":["artificial-intelligence"]}
{"qid":"en:alias:feature-engineering:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Feature extraction","script":"latin","in_script":true,"relevant":["feature-engineering"]}
{"qid":"en:alias:feature-engineering:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Linear feature extraction","script":"latin","in_script":true,"relevant":["feature-engineering"]}
{"qid":"en:alias:feature-engineering:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Featurization","script":"latin","in_script":true,"relevant":["feature-engineering"]}
{"qid":"en:alias:chatgpt:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Chat.openai.com/chat","script":"latin","in_script":true,"relevant":["chatgpt"]}
{"qid":"en:alias:chatgpt:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"GPTChat","script":"latin","in_script":true,"relevant":["chatgpt"]}
{"qid":"en:alias:chatgpt:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Chat Generative Pre-trained Transformer","script":"latin","in_script":true,"relevant":["chatgpt"]}
@@ -87,18 +146,30 @@
{"qid":"en:alias:google-gemini:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Bard (artificial intelligence)","script":"latin","in_script":true,"relevant":["google-gemini"]}
{"qid":"en:alias:google-gemini:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Google ChatGPT","script":"latin","in_script":true,"relevant":["google-gemini"]}
{"qid":"en:alias:google-gemini:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Bard (Google)","script":"latin","in_script":true,"relevant":["google-gemini"]}
{"qid":"en:alias:llama:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Stanford Alpaca","script":"latin","in_script":true,"relevant":["llama"]}
{"qid":"en:alias:llama:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Llama 2","script":"latin","in_script":true,"relevant":["llama"]}
{"qid":"en:alias:llama:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"LLaMA 2","script":"latin","in_script":true,"relevant":["llama"]}
{"qid":"en:alias:chatbot:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"AIMBot","script":"latin","in_script":true,"relevant":["chatbot"]}
{"qid":"en:alias:chatbot:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Private virtual personality","script":"latin","in_script":true,"relevant":["chatbot"]}
{"qid":"en:alias:chatbot:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Chatter bot","script":"latin","in_script":true,"relevant":["chatbot"]}
{"qid":"en:alias:k-nearest-neighbors-algorithm:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Nearest neighbor (pattern recognition)","script":"latin","in_script":true,"relevant":["k-nearest-neighbors-algorithm"]}
{"qid":"en:alias:k-nearest-neighbors-algorithm:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Nearest Neighbor (Pattern Recognition)","script":"latin","in_script":true,"relevant":["k-nearest-neighbors-algorithm"]}
{"qid":"en:alias:k-nearest-neighbors-algorithm:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"K-Nearest Neighbor algorithm","script":"latin","in_script":true,"relevant":["k-nearest-neighbors-algorithm"]}
{"qid":"en:alias:midjourney:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Midjourney.com","script":"latin","in_script":true,"relevant":["midjourney"]}
{"qid":"en:alias:midjourney:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Midjourney 6","script":"latin","in_script":true,"relevant":["midjourney"]}
{"qid":"en:alias:alphafold:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"AlphaFold 2","script":"latin","in_script":true,"relevant":["alphafold"]}
{"qid":"en:alias:alphafold:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"AlphaFold 1","script":"latin","in_script":true,"relevant":["alphafold"]}
{"qid":"en:alias:alphafold:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"AlphaFold DB","script":"latin","in_script":true,"relevant":["alphafold"]}
{"qid":"en:alias:deep-blue:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Deeper Blue","script":"latin","in_script":true,"relevant":["deep-blue"]}
{"qid":"en:alias:siri:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Siri Personal Assistant","script":"latin","in_script":true,"relevant":["siri"]}
{"qid":"en:alias:siri:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Apple siri","script":"latin","in_script":true,"relevant":["siri"]}
{"qid":"en:alias:siri:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Apple Siri","script":"latin","in_script":true,"relevant":["siri"]}
{"qid":"en:alias:search-engine:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Search machine","script":"latin","in_script":true,"relevant":["search-engine"]}
{"qid":"en:alias:search-engine:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Web Search Engines","script":"latin","in_script":true,"relevant":["search-engine"]}
{"qid":"en:alias:search-engine:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Open-source search engines","script":"latin","in_script":true,"relevant":["search-engine"]}
{"qid":"en:alias:tf-idf:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Tf.idf","script":"latin","in_script":true,"relevant":["tf-idf"]}
{"qid":"en:alias:tf-idf:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Term Frequency Inverse Document Frequency","script":"latin","in_script":true,"relevant":["tf-idf"]}
{"qid":"en:alias:tf-idf:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Inverse document frequency","script":"latin","in_script":true,"relevant":["tf-idf"]}
{"qid":"en:alias:recommender-system:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Recomendation system","script":"latin","in_script":true,"relevant":["recommender-system"]}
{"qid":"en:alias:recommender-system:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Recommendation systems","script":"latin","in_script":true,"relevant":["recommender-system"]}
{"qid":"en:alias:recommender-system:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Recommender systems","script":"latin","in_script":true,"relevant":["recommender-system"]}
{"qid":"en:alias:collaborative-filtering:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Collaborative Filter","script":"latin","in_script":true,"relevant":["collaborative-filtering"]}
{"qid":"en:alias:collaborative-filtering:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Shilling attacks","script":"latin","in_script":true,"relevant":["collaborative-filtering"]}
{"qid":"en:alias:collaborative-filtering:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Context-aware collaborative filtering","script":"latin","in_script":true,"relevant":["collaborative-filtering"]}
{"qid":"en:alias:cluster-analysis:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Cluster analyses","script":"latin","in_script":true,"relevant":["cluster-analysis"]}
{"qid":"en:alias:cluster-analysis:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Data clustering","script":"latin","in_script":true,"relevant":["cluster-analysis"]}
{"qid":"en:alias:cluster-analysis:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Clustered data","script":"latin","in_script":true,"relevant":["cluster-analysis"]}
@@ -108,9 +179,16 @@
{"qid":"en:alias:random-forest:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Random forests","script":"latin","in_script":true,"relevant":["random-forest"]}
{"qid":"en:alias:random-forest:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Random multinomial logit","script":"latin","in_script":true,"relevant":["random-forest"]}
{"qid":"en:alias:random-forest:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Random naive Bayes","script":"latin","in_script":true,"relevant":["random-forest"]}
{"qid":"en:alias:adaboost:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Adaboosting","script":"latin","in_script":true,"relevant":["adaboost"]}
{"qid":"en:alias:logistic-regression:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Logit model","script":"latin","in_script":true,"relevant":["logistic-regression"]}
{"qid":"en:alias:logistic-regression:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Logit regression","script":"latin","in_script":true,"relevant":["logistic-regression"]}
{"qid":"en:alias:logistic-regression:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Binary logit model","script":"latin","in_script":true,"relevant":["logistic-regression"]}
{"qid":"en:alias:principal-component-analysis:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Principal components analysis","script":"latin","in_script":true,"relevant":["principal-component-analysis"]}
{"qid":"en:alias:principal-component-analysis:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Hotelling transform","script":"latin","in_script":true,"relevant":["principal-component-analysis"]}
{"qid":"en:alias:principal-component-analysis:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Principal component","script":"latin","in_script":true,"relevant":["principal-component-analysis"]}
{"qid":"en:alias:singular-value-decomposition:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"SVD (mathematics)","script":"latin","in_script":true,"relevant":["singular-value-decomposition"]}
{"qid":"en:alias:singular-value-decomposition:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"SV decomposition","script":"latin","in_script":true,"relevant":["singular-value-decomposition"]}
{"qid":"en:alias:singular-value-decomposition:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Ky Fan norm","script":"latin","in_script":true,"relevant":["singular-value-decomposition"]}
{"qid":"en:alias:regression-analysis:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Regression function","script":"latin","in_script":true,"relevant":["regression-analysis"]}
{"qid":"en:alias:regression-analysis:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Regression model","script":"latin","in_script":true,"relevant":["regression-analysis"]}
{"qid":"en:alias:regression-analysis:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Multiple regression","script":"latin","in_script":true,"relevant":["regression-analysis"]}
@@ -120,6 +198,18 @@
{"qid":"en:alias:data-mining:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Pattern mining","script":"latin","in_script":true,"relevant":["data-mining"]}
{"qid":"en:alias:data-mining:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Pattern Mining","script":"latin","in_script":true,"relevant":["data-mining"]}
{"qid":"en:alias:data-mining:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Knowledge Discovery in Databases","script":"latin","in_script":true,"relevant":["data-mining"]}
{"qid":"en:alias:web-crawler:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Web spider","script":"latin","in_script":true,"relevant":["web-crawler"]}
{"qid":"en:alias:web-crawler:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Web crawling","script":"latin","in_script":true,"relevant":["web-crawler"]}
{"qid":"en:alias:web-crawler:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Search bot","script":"latin","in_script":true,"relevant":["web-crawler"]}
{"qid":"en:alias:nearest-neighbor-search:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Nearest neighbor problem","script":"latin","in_script":true,"relevant":["nearest-neighbor-search"]}
{"qid":"en:alias:nearest-neighbor-search:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Proximity search (metric space)","script":"latin","in_script":true,"relevant":["nearest-neighbor-search"]}
{"qid":"en:alias:nearest-neighbor-search:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Nearest neighbour search","script":"latin","in_script":true,"relevant":["nearest-neighbor-search"]}
{"qid":"en:alias:euclidean-distance:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Distance formula","script":"latin","in_script":true,"relevant":["euclidean-distance"]}
{"qid":"en:alias:euclidean-distance:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Euclidean metric","script":"latin","in_script":true,"relevant":["euclidean-distance"]}
{"qid":"en:alias:euclidean-distance:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Pythagorean metric","script":"latin","in_script":true,"relevant":["euclidean-distance"]}
{"qid":"en:alias:hamming-distance:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Hamming metric","script":"latin","in_script":true,"relevant":["hamming-distance"]}
{"qid":"en:alias:hamming-distance:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Substitution distance","script":"latin","in_script":true,"relevant":["hamming-distance"]}
{"qid":"en:alias:hamming-distance:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Hamming cube","script":"latin","in_script":true,"relevant":["hamming-distance"]}
{"qid":"en:alias:natural-language-processing:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"The Natural Language Processing","script":"latin","in_script":true,"relevant":["natural-language-processing"]}
{"qid":"en:alias:natural-language-processing:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Natural language and computation","script":"latin","in_script":true,"relevant":["natural-language-processing"]}
{"qid":"en:alias:natural-language-processing:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Natural language recognition","script":"latin","in_script":true,"relevant":["natural-language-processing"]}
@@ -135,6 +225,15 @@
{"qid":"en:alias:turing-test:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Turning Test","script":"latin","in_script":true,"relevant":["turing-test"]}
{"qid":"en:alias:turing-test:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"The Turing Test","script":"latin","in_script":true,"relevant":["turing-test"]}
{"qid":"en:alias:turing-test:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Turring test","script":"latin","in_script":true,"relevant":["turing-test"]}
{"qid":"en:alias:sentiment-analysis:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Opinion mining","script":"latin","in_script":true,"relevant":["sentiment-analysis"]}
{"qid":"en:alias:sentiment-analysis:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Aspect extraction","script":"latin","in_script":true,"relevant":["sentiment-analysis"]}
{"qid":"en:alias:sentiment-analysis:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Evaluation of sentiment analysis","script":"latin","in_script":true,"relevant":["sentiment-analysis"]}
{"qid":"en:alias:optical-character-recognition:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Character recognition","script":"latin","in_script":true,"relevant":["optical-character-recognition"]}
{"qid":"en:alias:optical-character-recognition:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Character Recognition","script":"latin","in_script":true,"relevant":["optical-character-recognition"]}
{"qid":"en:alias:optical-character-recognition:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Page recognition","script":"latin","in_script":true,"relevant":["optical-character-recognition"]}
{"qid":"en:alias:robotics:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Robotic","script":"latin","in_script":true,"relevant":["robotics"]}
{"qid":"en:alias:robotics:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Future of robotics","script":"latin","in_script":true,"relevant":["robotics"]}
{"qid":"en:alias:robotics:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Robotic legs","script":"latin","in_script":true,"relevant":["robotics"]}
{"qid":"en:alias:postgresql:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Postgres","script":"latin","in_script":true,"relevant":["postgresql"]}
{"qid":"en:alias:postgresql:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Postgre","script":"latin","in_script":true,"relevant":["postgresql"]}
{"qid":"en:alias:postgresql:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"PostSQL","script":"latin","in_script":true,"relevant":["postgresql"]}
@@ -145,7 +244,13 @@
{"qid":"en:alias:mysql:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Libmysqld","script":"latin","in_script":true,"relevant":["mysql"]}
{"qid":"en:alias:mysql:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Mqsql","script":"latin","in_script":true,"relevant":["mysql"]}
{"qid":"en:alias:mysql:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"My Structured Query Language","script":"latin","in_script":true,"relevant":["mysql"]}
{"qid":"en:alias:microsoft-sql-server:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"MS-SQL","script":"latin","in_script":true,"relevant":["microsoft-sql-server"]}
{"qid":"en:alias:microsoft-sql-server:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"MS SQL Server","script":"latin","in_script":true,"relevant":["microsoft-sql-server"]}
{"qid":"en:alias:microsoft-sql-server:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"MS SQL","script":"latin","in_script":true,"relevant":["microsoft-sql-server"]}
{"qid":"en:alias:mongodb:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Mongodb.com","script":"latin","in_script":true,"relevant":["mongodb"]}
{"qid":"en:alias:apache-cassandra:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Cassandra (database)","script":"latin","in_script":true,"relevant":["apache-cassandra"]}
{"qid":"en:alias:apache-cassandra:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Cassandra (software)","script":"latin","in_script":true,"relevant":["apache-cassandra"]}
{"qid":"en:alias:apache-cassandra:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Cassandra software","script":"latin","in_script":true,"relevant":["apache-cassandra"]}
{"qid":"en:alias:elasticsearch:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Compass Project","script":"latin","in_script":true,"relevant":["elasticsearch"]}
{"qid":"en:alias:elasticsearch:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Shay Banon","script":"latin","in_script":true,"relevant":["elasticsearch"]}
{"qid":"en:alias:elasticsearch:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Logstash","script":"latin","in_script":true,"relevant":["elasticsearch"]}
@@ -157,18 +262,55 @@
{"qid":"en:alias:docker:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Libcontainer","script":"latin","in_script":true,"relevant":["docker"]}
{"qid":"en:alias:docker:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Docker Toolbox","script":"latin","in_script":true,"relevant":["docker"]}
{"qid":"en:alias:docker:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Dockerfile","script":"latin","in_script":true,"relevant":["docker"]}
{"qid":"en:alias:nosql:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Not Only SQL","script":"latin","in_script":true,"relevant":["nosql"]}
{"qid":"en:alias:nosql:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Structured storage","script":"latin","in_script":true,"relevant":["nosql"]}
{"qid":"en:alias:nosql:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"NoREL","script":"latin","in_script":true,"relevant":["nosql"]}
{"qid":"en:alias:relational-database:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"RDBMS","script":"latin","in_script":true,"relevant":["relational-database"]}
{"qid":"en:alias:relational-database:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Relational DBMS","script":"latin","in_script":true,"relevant":["relational-database"]}
{"qid":"en:alias:relational-database:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Relational database management system","script":"latin","in_script":true,"relevant":["relational-database"]}
{"qid":"en:alias:database-transaction:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Begin work (SQL)","script":"latin","in_script":true,"relevant":["database-transaction"]}
{"qid":"en:alias:database-transaction:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"LUW","script":"latin","in_script":true,"relevant":["database-transaction"]}
{"qid":"en:alias:database-transaction:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Start transaction (SQL)","script":"latin","in_script":true,"relevant":["database-transaction"]}
{"qid":"en:alias:database-normalization:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Database normalisation","script":"latin","in_script":true,"relevant":["database-normalization"]}
{"qid":"en:alias:database-normalization:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Normal forms","script":"latin","in_script":true,"relevant":["database-normalization"]}
{"qid":"en:alias:database-normalization:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Canonical synthesis","script":"latin","in_script":true,"relevant":["database-normalization"]}
{"qid":"en:alias:b-tree:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"B-trees","script":"latin","in_script":true,"relevant":["b-tree"]}
{"qid":"en:alias:b-tree:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"B*-tree","script":"latin","in_script":true,"relevant":["b-tree"]}
{"qid":"en:alias:b-tree:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"B* tree","script":"latin","in_script":true,"relevant":["b-tree"]}
{"qid":"en:alias:json:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"JSONNP","script":"latin","in_script":true,"relevant":["json"]}
{"qid":"en:alias:json:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":".json","script":"latin","in_script":true,"relevant":["json"]}
{"qid":"en:alias:json:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"JSON Schema","script":"latin","in_script":true,"relevant":["json"]}
{"qid":"en:alias:graphql:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Graphql.org","script":"latin","in_script":true,"relevant":["graphql"]}
{"qid":"en:alias:https:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Secure Server","script":"latin","in_script":true,"relevant":["https"]}
{"qid":"en:alias:https:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Secure Servers","script":"latin","in_script":true,"relevant":["https"]}
{"qid":"en:alias:https:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Https scheme","script":"latin","in_script":true,"relevant":["https"]}
{"qid":"en:alias:transmission-control-protocol:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"SYN (TCP)","script":"latin","in_script":true,"relevant":["transmission-control-protocol"]}
{"qid":"en:alias:transmission-control-protocol:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"SYN Packets","script":"latin","in_script":true,"relevant":["transmission-control-protocol"]}
{"qid":"en:alias:transmission-control-protocol:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"SYN Packet","script":"latin","in_script":true,"relevant":["transmission-control-protocol"]}
{"qid":"en:alias:load-balancing:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Load balancer","script":"latin","in_script":true,"relevant":["load-balancing"]}
{"qid":"en:alias:load-balancing:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"PPLB","script":"latin","in_script":true,"relevant":["load-balancing"]}
{"qid":"en:alias:load-balancing:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Global Server Load Balancing","script":"latin","in_script":true,"relevant":["load-balancing"]}
{"qid":"en:alias:nginx:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Engine X","script":"latin","in_script":true,"relevant":["nginx"]}
{"qid":"en:alias:nginx:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"NGINX, Inc.","script":"latin","in_script":true,"relevant":["nginx"]}
{"qid":"en:alias:nginx:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Nginx plus","script":"latin","in_script":true,"relevant":["nginx"]}
{"qid":"en:alias:cache:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Caching","script":"latin","in_script":true,"relevant":["cache"]}
{"qid":"en:alias:cache:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Write-through","script":"latin","in_script":true,"relevant":["cache"]}
{"qid":"en:alias:cache:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Write-thru","script":"latin","in_script":true,"relevant":["cache"]}
{"qid":"en:alias:os-level-virtualization:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Operating System-level Virtualization","script":"latin","in_script":true,"relevant":["os-level-virtualization"]}
{"qid":"en:alias:os-level-virtualization:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Operating system level virtualization","script":"latin","in_script":true,"relevant":["os-level-virtualization"]}
{"qid":"en:alias:os-level-virtualization:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"List of Linux containers","script":"latin","in_script":true,"relevant":["os-level-virtualization"]}
{"qid":"en:alias:devops:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Development operations","script":"latin","in_script":true,"relevant":["devops"]}
{"qid":"en:alias:devops:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"DevOp","script":"latin","in_script":true,"relevant":["devops"]}
{"qid":"en:alias:devops:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"DataOps","script":"latin","in_script":true,"relevant":["devops"]}
{"qid":"en:alias:microsoft-azure:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Windows Strata","script":"latin","in_script":true,"relevant":["microsoft-azure"]}
{"qid":"en:alias:microsoft-azure:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Windows Cloud","script":"latin","in_script":true,"relevant":["microsoft-azure"]}
{"qid":"en:alias:microsoft-azure:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Windows azure","script":"latin","in_script":true,"relevant":["microsoft-azure"]}
{"qid":"en:alias:git:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Junio Hamano","script":"latin","in_script":true,"relevant":["git"]}
{"qid":"en:alias:git:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Git software","script":"latin","in_script":true,"relevant":["git"]}
{"qid":"en:alias:git:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Git scm","script":"latin","in_script":true,"relevant":["git"]}
{"qid":"en:alias:linux:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"GNU/Linux","script":"latin","in_script":true,"relevant":["linux"]}
{"qid":"en:alias:linux:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Gnu/Linux","script":"latin","in_script":true,"relevant":["linux"]}
{"qid":"en:alias:linux:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Linux operating system","script":"latin","in_script":true,"relevant":["linux"]}
{"qid":"en:alias:python:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Python language","script":"latin","in_script":true,"relevant":["python"]}
{"qid":"en:alias:python:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"PythonLanguage","script":"latin","in_script":true,"relevant":["python"]}
{"qid":"en:alias:python:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Python computer language","script":"latin","in_script":true,"relevant":["python"]}
{"qid":"en:alias:rust:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Rust language","script":"latin","in_script":true,"relevant":["rust"]}
{"qid":"en:alias:rust:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Rust programming language","script":"latin","in_script":true,"relevant":["rust"]}
{"qid":"en:alias:rust:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Borrow checker","script":"latin","in_script":true,"relevant":["rust"]}
{"qid":"en:alias:cloud-computing:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Cloud service","script":"latin","in_script":true,"relevant":["cloud-computing"]}
{"qid":"en:alias:cloud-computing:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Cloud Applications","script":"latin","in_script":true,"relevant":["cloud-computing"]}
{"qid":"en:alias:cloud-computing:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Computing-in-the-cloud","script":"latin","in_script":true,"relevant":["cloud-computing"]}
@@ -181,29 +323,175 @@
{"qid":"en:alias:big-data:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Big data analytics","script":"latin","in_script":true,"relevant":["big-data"]}
{"qid":"en:alias:big-data:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Big analytics","script":"latin","in_script":true,"relevant":["big-data"]}
{"qid":"en:alias:big-data:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Big data analysis","script":"latin","in_script":true,"relevant":["big-data"]}
{"qid":"en:alias:internet-of-things:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"An internet of things","script":"latin","in_script":true,"relevant":["internet-of-things"]}
{"qid":"en:alias:internet-of-things:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"IoT","script":"latin","in_script":true,"relevant":["internet-of-things"]}
{"qid":"en:alias:internet-of-things:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Visual internet of things","script":"latin","in_script":true,"relevant":["internet-of-things"]}
{"qid":"en:alias:python:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Python language","script":"latin","in_script":true,"relevant":["python"]}
{"qid":"en:alias:python:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"PythonLanguage","script":"latin","in_script":true,"relevant":["python"]}
{"qid":"en:alias:python:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Python computer language","script":"latin","in_script":true,"relevant":["python"]}
{"qid":"en:alias:javascript:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Javascript programming language","script":"latin","in_script":true,"relevant":["javascript"]}
{"qid":"en:alias:javascript:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"JavaScript language","script":"latin","in_script":true,"relevant":["javascript"]}
{"qid":"en:alias:javascript:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"JavaScript programming language","script":"latin","in_script":true,"relevant":["javascript"]}
{"qid":"en:alias:c:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"C language","script":"latin","in_script":true,"relevant":["c"]}
{"qid":"en:alias:c:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"K and R C","script":"latin","in_script":true,"relevant":["c"]}
{"qid":"en:alias:c:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"K&R C","script":"latin","in_script":true,"relevant":["c"]}
{"qid":"en:alias:c-sharp:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"C sharp programming language","script":"latin","in_script":true,"relevant":["c-sharp"]}
{"qid":"en:alias:c-sharp:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"C-sharp programming language","script":"latin","in_script":true,"relevant":["c-sharp"]}
{"qid":"en:alias:c-sharp:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"C Sharp Programming Language","script":"latin","in_script":true,"relevant":["c-sharp"]}
{"qid":"en:alias:assembly-language:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Programming language/assembly","script":"latin","in_script":true,"relevant":["assembly-language"]}
{"qid":"en:alias:assembly-language:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Cross assembler","script":"latin","in_script":true,"relevant":["assembly-language"]}
{"qid":"en:alias:assembly-language:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Assembler program","script":"latin","in_script":true,"relevant":["assembly-language"]}
{"qid":"en:alias:css:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Cascading style sheets","script":"latin","in_script":true,"relevant":["css"]}
{"qid":"en:alias:css:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Cascading Style Sheet","script":"latin","in_script":true,"relevant":["css"]}
{"qid":"en:alias:css:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"CSS style sheets","script":"latin","in_script":true,"relevant":["css"]}
{"qid":"en:alias:react:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"React.js","script":"latin","in_script":true,"relevant":["react"]}
{"qid":"en:alias:react:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Reactjs","script":"latin","in_script":true,"relevant":["react"]}
{"qid":"en:alias:react:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"ReactJS","script":"latin","in_script":true,"relevant":["react"]}
{"qid":"en:alias:interpreter:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Interpreted language","script":"latin","in_script":true,"relevant":["interpreter"]}
{"qid":"en:alias:interpreter:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Interpreted Language","script":"latin","in_script":true,"relevant":["interpreter"]}
{"qid":"en:alias:interpreter:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Interpreted programming language","script":"latin","in_script":true,"relevant":["interpreter"]}
{"qid":"en:alias:object-oriented-programming:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Object-oriented language","script":"latin","in_script":true,"relevant":["object-oriented-programming"]}
{"qid":"en:alias:object-oriented-programming:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Object-oriented (programming)","script":"latin","in_script":true,"relevant":["object-oriented-programming"]}
{"qid":"en:alias:object-oriented-programming:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Object oriented language","script":"latin","in_script":true,"relevant":["object-oriented-programming"]}
{"qid":"en:alias:algorithm:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Algorithmics","script":"latin","in_script":true,"relevant":["algorithm"]}
{"qid":"en:alias:algorithm:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Algorithmically","script":"latin","in_script":true,"relevant":["algorithm"]}
{"qid":"en:alias:algorithm:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Computer algorithm","script":"latin","in_script":true,"relevant":["algorithm"]}
{"qid":"en:alias:big-o-notation:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Landau symbol","script":"latin","in_script":true,"relevant":["big-o-notation"]}
{"qid":"en:alias:big-o-notation:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Big oh notation","script":"latin","in_script":true,"relevant":["big-o-notation"]}
{"qid":"en:alias:big-o-notation:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Asymptotic notation","script":"latin","in_script":true,"relevant":["big-o-notation"]}
{"qid":"en:alias:dynamic-programming:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Dynamic programming/Implementations and Examples","script":"latin","in_script":true,"relevant":["dynamic-programming"]}
{"qid":"en:alias:dynamic-programming:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Dynamic programming more explanation","script":"latin","in_script":true,"relevant":["dynamic-programming"]}
{"qid":"en:alias:dynamic-programming:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Dynamic optimization","script":"latin","in_script":true,"relevant":["dynamic-programming"]}
{"qid":"en:alias:kernel:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Operating system/kernel","script":"latin","in_script":true,"relevant":["kernel"]}
{"qid":"en:alias:kernel:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Hybrid monolithic kernel","script":"latin","in_script":true,"relevant":["kernel"]}
{"qid":"en:alias:kernel:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Operating system kernel","script":"latin","in_script":true,"relevant":["kernel"]}
{"qid":"en:alias:microsoft-windows:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Windows","script":"latin","in_script":true,"relevant":["microsoft-windows"]}
{"qid":"en:alias:microsoft-windows:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Windows operating system","script":"latin","in_script":true,"relevant":["microsoft-windows"]}
{"qid":"en:alias:microsoft-windows:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Windows (operating system)","script":"latin","in_script":true,"relevant":["microsoft-windows"]}
{"qid":"en:alias:ios:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Apple Universal Access","script":"latin","in_script":true,"relevant":["ios"]}
{"qid":"en:alias:ios:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Accessibility on Apple operating systems","script":"latin","in_script":true,"relevant":["ios"]}
{"qid":"en:alias:ios:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Universal Access (Mac OS X)","script":"latin","in_script":true,"relevant":["ios"]}
{"qid":"en:alias:gnu-general-public-license:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"GPL","script":"latin","in_script":true,"relevant":["gnu-general-public-license"]}
{"qid":"en:alias:gnu-general-public-license:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"GNU/GPL","script":"latin","in_script":true,"relevant":["gnu-general-public-license"]}
{"qid":"en:alias:gnu-general-public-license:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"GNU General Public Licence","script":"latin","in_script":true,"relevant":["gnu-general-public-license"]}
{"qid":"en:alias:creative-commons:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Open Content Project","script":"latin","in_script":true,"relevant":["creative-commons"]}
{"qid":"en:alias:creative-commons:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Founders' Copyright","script":"latin","in_script":true,"relevant":["creative-commons"]}
{"qid":"en:alias:creative-commons:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Common Content","script":"latin","in_script":true,"relevant":["creative-commons"]}
{"qid":"en:alias:public-key-cryptography:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Private key","script":"latin","in_script":true,"relevant":["public-key-cryptography"]}
{"qid":"en:alias:public-key-cryptography:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Asymmetric key algorithm","script":"latin","in_script":true,"relevant":["public-key-cryptography"]}
{"qid":"en:alias:public-key-cryptography:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Public key algorithm","script":"latin","in_script":true,"relevant":["public-key-cryptography"]}
{"qid":"en:alias:hash-function:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"CryptographY/Hashfunctions","script":"latin","in_script":true,"relevant":["hash-function"]}
{"qid":"en:alias:hash-function:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Cryptography/Hashfunction","script":"latin","in_script":true,"relevant":["hash-function"]}
{"qid":"en:alias:hash-function:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Hash value","script":"latin","in_script":true,"relevant":["hash-function"]}
{"qid":"en:alias:advanced-encryption-standard:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Rijndael encryption algorithm","script":"latin","in_script":true,"relevant":["advanced-encryption-standard"]}
{"qid":"en:alias:advanced-encryption-standard:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Rijndael algorithm","script":"latin","in_script":true,"relevant":["advanced-encryption-standard"]}
{"qid":"en:alias:advanced-encryption-standard:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"FIPS 197","script":"latin","in_script":true,"relevant":["advanced-encryption-standard"]}
{"qid":"en:alias:zero-knowledge-proof:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Zero-knowledge protocol","script":"latin","in_script":true,"relevant":["zero-knowledge-proof"]}
{"qid":"en:alias:zero-knowledge-proof:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Zero-knowledge proofs","script":"latin","in_script":true,"relevant":["zero-knowledge-proof"]}
{"qid":"en:alias:zero-knowledge-proof:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Zero knowledge proofs","script":"latin","in_script":true,"relevant":["zero-knowledge-proof"]}
{"qid":"en:alias:y-combinator:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Ycombinator.com","script":"latin","in_script":true,"relevant":["y-combinator"]}
{"qid":"en:alias:y-combinator:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Demo day","script":"latin","in_script":true,"relevant":["y-combinator"]}
{"qid":"en:alias:y-combinator:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"YC research","script":"latin","in_script":true,"relevant":["y-combinator"]}
{"qid":"en:alias:sequoia-capital:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Sequoia Capital Operations, LLC","script":"latin","in_script":true,"relevant":["sequoia-capital"]}
{"qid":"en:alias:sequoia-capital:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Sequoia Capital Operations","script":"latin","in_script":true,"relevant":["sequoia-capital"]}
{"qid":"en:alias:andreessen-horowitz:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"A16z","script":"latin","in_script":true,"relevant":["andreessen-horowitz"]}
{"qid":"en:alias:andreessen-horowitz:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Andreesen Horowitz","script":"latin","in_script":true,"relevant":["andreessen-horowitz"]}
{"qid":"en:alias:andreessen-horowitz:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"AH Capital Management, LLC","script":"latin","in_script":true,"relevant":["andreessen-horowitz"]}
{"qid":"en:alias:venture-capital:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Venture capitalist","script":"latin","in_script":true,"relevant":["venture-capital"]}
{"qid":"en:alias:venture-capital:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Venture capital firm","script":"latin","in_script":true,"relevant":["venture-capital"]}
{"qid":"en:alias:venture-capital:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Venture capitalists","script":"latin","in_script":true,"relevant":["venture-capital"]}
{"qid":"en:alias:initial-public-offering:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"IPO","script":"latin","in_script":true,"relevant":["initial-public-offering"]}
{"qid":"en:alias:initial-public-offering:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Initial public offerings","script":"latin","in_script":true,"relevant":["initial-public-offering"]}
{"qid":"en:alias:initial-public-offering:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Initial Public Offerings","script":"latin","in_script":true,"relevant":["initial-public-offering"]}
{"qid":"en:alias:startup-company:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Startups","script":"latin","in_script":true,"relevant":["startup-company"]}
{"qid":"en:alias:startup-company:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Failed startup","script":"latin","in_script":true,"relevant":["startup-company"]}
{"qid":"en:alias:startup-company:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Start-up companies","script":"latin","in_script":true,"relevant":["startup-company"]}
{"qid":"en:alias:due-diligence:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Due dilligence","script":"latin","in_script":true,"relevant":["due-diligence"]}
{"qid":"en:alias:due-diligence:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Due care","script":"latin","in_script":true,"relevant":["due-diligence"]}
{"qid":"en:alias:due-diligence:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Due Care","script":"latin","in_script":true,"relevant":["due-diligence"]}
{"qid":"en:alias:special-purpose-acquisition-company:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Blank check company","script":"latin","in_script":true,"relevant":["special-purpose-acquisition-company"]}
{"qid":"en:alias:special-purpose-acquisition-company:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Blank-check companies","script":"latin","in_script":true,"relevant":["special-purpose-acquisition-company"]}
{"qid":"en:alias:special-purpose-acquisition-company:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Blank check companies","script":"latin","in_script":true,"relevant":["special-purpose-acquisition-company"]}
{"qid":"en:alias:startup-accelerator:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Business accelerator","script":"latin","in_script":true,"relevant":["startup-accelerator"]}
{"qid":"en:alias:startup-accelerator:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Technology accelerator","script":"latin","in_script":true,"relevant":["startup-accelerator"]}
{"qid":"en:alias:startup-accelerator:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Seed accelerator","script":"latin","in_script":true,"relevant":["startup-accelerator"]}
{"qid":"en:alias:crowdfunding:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Reverse bounty","script":"latin","in_script":true,"relevant":["crowdfunding"]}
{"qid":"en:alias:crowdfunding:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Comparison of crowdfunding services","script":"latin","in_script":true,"relevant":["crowdfunding"]}
{"qid":"en:alias:crowdfunding:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"List of crowd funding services","script":"latin","in_script":true,"relevant":["crowdfunding"]}
{"qid":"en:alias:minimum-viable-product:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"MVPP","script":"latin","in_script":true,"relevant":["minimum-viable-product"]}
{"qid":"en:alias:economies-of-scale:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Scale economies","script":"latin","in_script":true,"relevant":["economies-of-scale"]}
{"qid":"en:alias:economies-of-scale:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Economy of size","script":"latin","in_script":true,"relevant":["economies-of-scale"]}
{"qid":"en:alias:economies-of-scale:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Advantage of size","script":"latin","in_script":true,"relevant":["economies-of-scale"]}
{"qid":"en:alias:patent:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Patent law","script":"latin","in_script":true,"relevant":["patent"]}
{"qid":"en:alias:patent:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Patents","script":"latin","in_script":true,"relevant":["patent"]}
{"qid":"en:alias:patent:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Patent rights","script":"latin","in_script":true,"relevant":["patent"]}
{"qid":"en:alias:copyright:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Copyright protection","script":"latin","in_script":true,"relevant":["copyright"]}
{"qid":"en:alias:copyright:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Copyright law","script":"latin","in_script":true,"relevant":["copyright"]}
{"qid":"en:alias:copyright:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Copyright problems","script":"latin","in_script":true,"relevant":["copyright"]}
{"qid":"en:alias:probability:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Probality","script":"latin","in_script":true,"relevant":["probability"]}
{"qid":"en:alias:probability:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Probabilistic","script":"latin","in_script":true,"relevant":["probability"]}
{"qid":"en:alias:probability:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Probabilities","script":"latin","in_script":true,"relevant":["probability"]}
{"qid":"en:alias:bayesian-inference:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Bayesian analysis","script":"latin","in_script":true,"relevant":["bayesian-inference"]}
{"qid":"en:alias:bayesian-inference:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Screening test fallacy","script":"latin","in_script":true,"relevant":["bayesian-inference"]}
{"qid":"en:alias:bayesian-inference:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Bayesian method","script":"latin","in_script":true,"relevant":["bayesian-inference"]}
{"qid":"en:alias:hidden-markov-model:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Hidden Markov Models","script":"latin","in_script":true,"relevant":["hidden-markov-model"]}
{"qid":"en:alias:hidden-markov-model:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Hidden Markov models","script":"latin","in_script":true,"relevant":["hidden-markov-model"]}
{"qid":"en:alias:hidden-markov-model:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Poisson hidden Markov model","script":"latin","in_script":true,"relevant":["hidden-markov-model"]}
{"qid":"en:alias:matrix:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Submatrix","script":"latin","in_script":true,"relevant":["matrix"]}
{"qid":"en:alias:matrix:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Matrix theory","script":"latin","in_script":true,"relevant":["matrix"]}
{"qid":"en:alias:matrix:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Submatrices","script":"latin","in_script":true,"relevant":["matrix"]}
{"qid":"en:alias:derivative:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Derviative of a function","script":"latin","in_script":true,"relevant":["derivative"]}
{"qid":"en:alias:derivative:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Derivative of a function","script":"latin","in_script":true,"relevant":["derivative"]}
{"qid":"en:alias:derivative:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Differentiation (calculus)","script":"latin","in_script":true,"relevant":["derivative"]}
{"qid":"en:alias:convex-optimization:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Convex optimization theory","script":"latin","in_script":true,"relevant":["convex-optimization"]}
{"qid":"en:alias:convex-optimization:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Convex programming","script":"latin","in_script":true,"relevant":["convex-optimization"]}
{"qid":"en:alias:convex-optimization:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Convex optimisation","script":"latin","in_script":true,"relevant":["convex-optimization"]}
{"qid":"en:alias:signal-processing:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Signal theory","script":"latin","in_script":true,"relevant":["signal-processing"]}
{"qid":"en:alias:fast-fourier-transform:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Fast Fourier Transforms","script":"latin","in_script":true,"relevant":["fast-fourier-transform"]}
{"qid":"en:alias:fast-fourier-transform:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"IFFT","script":"latin","in_script":true,"relevant":["fast-fourier-transform"]}
{"qid":"en:alias:fast-fourier-transform:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"FFT","script":"latin","in_script":true,"relevant":["fast-fourier-transform"]}
{"qid":"en:alias:blockchain:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Blockchains","script":"latin","in_script":true,"relevant":["blockchain"]}
{"qid":"en:alias:blockchain:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Blockchain 2.0","script":"latin","in_script":true,"relevant":["blockchain"]}
{"qid":"en:alias:blockchain:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Permissionless blockchain","script":"latin","in_script":true,"relevant":["blockchain"]}
{"qid":"en:alias:cryptocurrency:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Cryptocurrencies","script":"latin","in_script":true,"relevant":["cryptocurrency"]}
{"qid":"en:alias:cryptocurrency:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Math Based Currency","script":"latin","in_script":true,"relevant":["cryptocurrency"]}
{"qid":"en:alias:cryptocurrency:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Altcoin","script":"latin","in_script":true,"relevant":["cryptocurrency"]}
{"qid":"en:alias:quantum-computing:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Practical quantum computer","script":"latin","in_script":true,"relevant":["quantum-computing"]}
{"qid":"en:alias:quantum-computing:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Quantum computation","script":"latin","in_script":true,"relevant":["quantum-computing"]}
{"qid":"en:alias:quantum-computing:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Quantum computers","script":"latin","in_script":true,"relevant":["quantum-computing"]}
{"qid":"en:alias:ethereum:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Etherium","script":"latin","in_script":true,"relevant":["ethereum"]}
{"qid":"en:alias:ethereum:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Serpent (programming language)","script":"latin","in_script":true,"relevant":["ethereum"]}
{"qid":"en:alias:ethereum:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Ethereum Virtual Machine","script":"latin","in_script":true,"relevant":["ethereum"]}
{"qid":"en:alias:non-fungible-token:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Non-Fungible Tokens","script":"latin","in_script":true,"relevant":["non-fungible-token"]}
{"qid":"en:alias:non-fungible-token:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Crypto art","script":"latin","in_script":true,"relevant":["non-fungible-token"]}
{"qid":"en:alias:non-fungible-token:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"CryptoArt","script":"latin","in_script":true,"relevant":["non-fungible-token"]}
{"qid":"en:alias:quantum-entanglement:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Entangled state","script":"latin","in_script":true,"relevant":["quantum-entanglement"]}
{"qid":"en:alias:quantum-entanglement:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Photon entanglement","script":"latin","in_script":true,"relevant":["quantum-entanglement"]}
{"qid":"en:alias:quantum-entanglement:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Brief explanation of entanglement in terms of photons","script":"latin","in_script":true,"relevant":["quantum-entanglement"]}
{"qid":"en:alias:semiconductor:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Semiconductors","script":"latin","in_script":true,"relevant":["semiconductor"]}
{"qid":"en:alias:semiconductor:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Semi-Conductors","script":"latin","in_script":true,"relevant":["semiconductor"]}
{"qid":"en:alias:semiconductor:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Semiconductor physics","script":"latin","in_script":true,"relevant":["semiconductor"]}
{"qid":"en:alias:moore-s-law:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Moore Law","script":"latin","in_script":true,"relevant":["moore-s-law"]}
{"qid":"en:alias:moore-s-law:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Moore's Drunken Conjecture","script":"latin","in_script":true,"relevant":["moore-s-law"]}
{"qid":"en:alias:moore-s-law:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Computational power","script":"latin","in_script":true,"relevant":["moore-s-law"]}
{"qid":"en:alias:tensor-processing-unit:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Tensor processing units","script":"latin","in_script":true,"relevant":["tensor-processing-unit"]}
{"qid":"en:alias:tensor-processing-unit:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Edge TPU","script":"latin","in_script":true,"relevant":["tensor-processing-unit"]}
{"qid":"en:alias:tensor-processing-unit:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"TPU (computing)","script":"latin","in_script":true,"relevant":["tensor-processing-unit"]}
{"qid":"en:alias:application-specific-integrated-circuit:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"ASICs","script":"latin","in_script":true,"relevant":["application-specific-integrated-circuit"]}
{"qid":"en:alias:application-specific-integrated-circuit:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Platform ASIC","script":"latin","in_script":true,"relevant":["application-specific-integrated-circuit"]}
{"qid":"en:alias:application-specific-integrated-circuit:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Application-specific integrated circuits","script":"latin","in_script":true,"relevant":["application-specific-integrated-circuit"]}
{"qid":"en:alias:solid-state-drive:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Solid state disk","script":"latin","in_script":true,"relevant":["solid-state-drive"]}
{"qid":"en:alias:solid-state-drive:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Disk on module","script":"latin","in_script":true,"relevant":["solid-state-drive"]}
{"qid":"en:alias:solid-state-drive:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Solid state memory","script":"latin","in_script":true,"relevant":["solid-state-drive"]}
{"qid":"en:alias:nanotechnology:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Sub-molecular engineering","script":"latin","in_script":true,"relevant":["nanotechnology"]}
{"qid":"en:alias:nanotechnology:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Nano-science","script":"latin","in_script":true,"relevant":["nanotechnology"]}
{"qid":"en:alias:nanotechnology:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Nanoscience","script":"latin","in_script":true,"relevant":["nanotechnology"]}
{"qid":"en:alias:crispr:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"CRISPR associated systems","script":"latin","in_script":true,"relevant":["crispr"]}
{"qid":"en:alias:crispr:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Crispr associated system","script":"latin","in_script":true,"relevant":["crispr"]}
{"qid":"en:alias:crispr:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"CRISPR associated system","script":"latin","in_script":true,"relevant":["crispr"]}
{"qid":"en:alias:bioinformatics:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Bioinformatic","script":"latin","in_script":true,"relevant":["bioinformatics"]}
{"qid":"en:alias:bioinformatics:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Bioinformatician","script":"latin","in_script":true,"relevant":["bioinformatics"]}
{"qid":"en:alias:bioinformatics:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Bioinformics","script":"latin","in_script":true,"relevant":["bioinformatics"]}
{"qid":"en:alias:cognitive-science:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Cognitive sciences","script":"latin","in_script":true,"relevant":["cognitive-science"]}
{"qid":"en:alias:cognitive-science:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Cogntive Science","script":"latin","in_script":true,"relevant":["cognitive-science"]}
{"qid":"en:alias:cognitive-science:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Cogsci","script":"latin","in_script":true,"relevant":["cognitive-science"]}
{"qid":"en:alias:consciousness:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Conscious","script":"latin","in_script":true,"relevant":["consciousness"]}
{"qid":"en:alias:consciousness:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Phenomenal consciousness","script":"latin","in_script":true,"relevant":["consciousness"]}
{"qid":"en:alias:consciousness:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"Psychological consciousness","script":"latin","in_script":true,"relevant":["consciousness"]}
{"qid":"en:alias:5g:0","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"5G network","script":"latin","in_script":true,"relevant":["5g"]}
{"qid":"en:alias:5g:1","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"5G mobile","script":"latin","in_script":true,"relevant":["5g"]}
{"qid":"en:alias:5g:2","lang":"en","family":"alias","origin":"wikipedia-redirect","query":"5th-Generation Wireless Systems","script":"latin","in_script":true,"relevant":["5g"]}
evals/embedding-default/queries/en.nlq.jsonl
+24 -24
View File
@@ -1,24 +1,24 @@
{"qid": "en:nlq:openai", "lang": "en", "family": "nlq", "origin": "author-written", "query": "which company built ChatGPT and is headquartered in San Francisco", "script": "latin", "in_script": true, "relevant": ["openai"]}
{"qid": "en:nlq:anthropic", "lang": "en", "family": "nlq", "origin": "author-written", "query": "the AI safety focused lab started by researchers who left another large AI company", "script": "latin", "in_script": true, "relevant": ["anthropic"]}
{"qid": "en:nlq:google-deepmind", "lang": "en", "family": "nlq", "origin": "author-written", "query": "the London based research lab whose program beat a world champion at Go", "script": "latin", "in_script": true, "relevant": ["google-deepmind"]}
{"qid": "en:nlq:geoffrey-hinton", "lang": "en", "family": "nlq", "origin": "author-written", "query": "the researcher often called a godfather of deep learning who shared a Turing Award", "script": "latin", "in_script": true, "relevant": ["geoffrey-hinton"]}
{"qid": "en:nlq:fei-fei-li", "lang": "en", "family": "nlq", "origin": "author-written", "query": "the scientist who created the large labelled image dataset used to benchmark vision models", "script": "latin", "in_script": true, "relevant": ["fei-fei-li"]}
{"qid": "en:nlq:jensen-huang", "lang": "en", "family": "nlq", "origin": "author-written", "query": "who leads the chip company whose processors are used to train large models", "script": "latin", "in_script": true, "relevant": ["jensen-huang"]}
{"qid": "en:nlq:sam-altman", "lang": "en", "family": "nlq", "origin": "author-written", "query": "who is the chief executive of the organization behind the GPT series", "script": "latin", "in_script": true, "relevant": ["sam-altman"]}
{"qid": "en:nlq:transformer", "lang": "en", "family": "nlq", "origin": "author-written", "query": "the neural architecture built on self attention that displaced recurrent designs", "script": "latin", "in_script": true, "relevant": ["transformer"]}
{"qid": "en:nlq:word-embedding", "lang": "en", "family": "nlq", "origin": "author-written", "query": "how individual words are converted into dense numeric vectors for a model", "script": "latin", "in_script": true, "relevant": ["word-embedding"]}
{"qid": "en:nlq:retrieval-augmented-generation", "lang": "en", "family": "nlq", "origin": "author-written", "query": "supplying a language model with fetched external documents so it invents fewer facts", "script": "latin", "in_script": true, "relevant": ["retrieval-augmented-generation"]}
{"qid": "en:nlq:overfitting", "lang": "en", "family": "nlq", "origin": "author-written", "query": "why a model scores well on the data it trained on but poorly on unseen data", "script": "latin", "in_script": true, "relevant": ["overfitting"]}
{"qid": "en:nlq:gradient-descent", "lang": "en", "family": "nlq", "origin": "author-written", "query": "repeatedly nudging parameters in the direction that lowers the loss", "script": "latin", "in_script": true, "relevant": ["gradient-descent"]}
{"qid": "en:nlq:tf-idf", "lang": "en", "family": "nlq", "origin": "author-written", "query": "weighting a term by how rare it is across the whole document collection", "script": "latin", "in_script": true, "relevant": ["tf-idf"]}
{"qid": "en:nlq:k-nearest-neighbors-algorithm", "lang": "en", "family": "nlq", "origin": "author-written", "query": "labelling a new point by looking at the closest already labelled examples", "script": "latin", "in_script": true, "relevant": ["k-nearest-neighbors-algorithm"]}
{"qid": "en:nlq:cluster-analysis", "lang": "en", "family": "nlq", "origin": "author-written", "query": "grouping unlabelled records so that similar ones end up together", "script": "latin", "in_script": true, "relevant": ["cluster-analysis"]}
{"qid": "en:nlq:principal-component-analysis", "lang": "en", "family": "nlq", "origin": "author-written", "query": "cutting the number of dimensions while keeping as much variance as possible", "script": "latin", "in_script": true, "relevant": ["principal-component-analysis"]}
{"qid": "en:nlq:postgresql", "lang": "en", "family": "nlq", "origin": "author-written", "query": "the open source relational database known for its extension ecosystem", "script": "latin", "in_script": true, "relevant": ["postgresql"]}
{"qid": "en:nlq:sqlite", "lang": "en", "family": "nlq", "origin": "author-written", "query": "the embedded database engine that keeps a whole database in one ordinary file", "script": "latin", "in_script": true, "relevant": ["sqlite"]}
{"qid": "en:nlq:elasticsearch", "lang": "en", "family": "nlq", "origin": "author-written", "query": "the distributed full text search server built on top of Lucene", "script": "latin", "in_script": true, "relevant": ["elasticsearch"]}
{"qid": "en:nlq:redis", "lang": "en", "family": "nlq", "origin": "author-written", "query": "the in memory key value store commonly used as a cache", "script": "latin", "in_script": true, "relevant": ["redis"]}
{"qid": "en:nlq:kubernetes", "lang": "en", "family": "nlq", "origin": "author-written", "query": "scheduling and orchestrating containers across a cluster of machines", "script": "latin", "in_script": true, "relevant": ["kubernetes"]}
{"qid": "en:nlq:y-combinator", "lang": "en", "family": "nlq", "origin": "author-written", "query": "the accelerator that funds startups in batches twice a year", "script": "latin", "in_script": true, "relevant": ["y-combinator"]}
{"qid": "en:nlq:venture-capital", "lang": "en", "family": "nlq", "origin": "author-written", "query": "how investors put money into risky early stage companies in exchange for equity", "script": "latin", "in_script": true, "relevant": ["venture-capital"]}
{"qid": "en:nlq:unicode", "lang": "en", "family": "nlq", "origin": "author-written", "query": "the standard that assigns a number to every character in every writing system", "script": "latin", "in_script": true, "relevant": ["unicode"]}
{"qid":"en:nlq:openai","lang":"en","family":"nlq","origin":"author-written","query":"which company built ChatGPT and is headquartered in San Francisco","script":"latin","in_script":true,"relevant":["openai"]}
{"qid":"en:nlq:anthropic","lang":"en","family":"nlq","origin":"author-written","query":"the AI safety focused lab started by researchers who left another large AI company","script":"latin","in_script":true,"relevant":["anthropic"]}
{"qid":"en:nlq:google-deepmind","lang":"en","family":"nlq","origin":"author-written","query":"the London based research lab whose program beat a world champion at Go","script":"latin","in_script":true,"relevant":["google-deepmind"]}
{"qid":"en:nlq:geoffrey-hinton","lang":"en","family":"nlq","origin":"author-written","query":"the researcher often called a godfather of deep learning who shared a Turing Award","script":"latin","in_script":true,"relevant":["geoffrey-hinton"]}
{"qid":"en:nlq:yann-lecun","lang":"en","family":"nlq","origin":"author-written","query":"who heads artificial intelligence research at the company that owns Facebook and Instagram","script":"latin","in_script":true,"relevant":["yann-lecun"]}
{"qid":"en:nlq:jensen-huang","lang":"en","family":"nlq","origin":"author-written","query":"who leads the chip company whose processors are used to train large models","script":"latin","in_script":true,"relevant":["jensen-huang"]}
{"qid":"en:nlq:sam-altman","lang":"en","family":"nlq","origin":"author-written","query":"who is the chief executive of the organization behind the GPT series","script":"latin","in_script":true,"relevant":["sam-altman"]}
{"qid":"en:nlq:transformer","lang":"en","family":"nlq","origin":"author-written","query":"the neural architecture built on self attention that displaced recurrent designs","script":"latin","in_script":true,"relevant":["transformer"]}
{"qid":"en:nlq:convolutional-neural-network","lang":"en","family":"nlq","origin":"author-written","query":"the network design that slides learned filters over an image to pick up local patterns","script":"latin","in_script":true,"relevant":["convolutional-neural-network"]}
{"qid":"en:nlq:retrieval-augmented-generation","lang":"en","family":"nlq","origin":"author-written","query":"supplying a language model with fetched external documents so it invents fewer facts","script":"latin","in_script":true,"relevant":["retrieval-augmented-generation"]}
{"qid":"en:nlq:overfitting","lang":"en","family":"nlq","origin":"author-written","query":"why a model scores well on the data it trained on but poorly on unseen data","script":"latin","in_script":true,"relevant":["overfitting"]}
{"qid":"en:nlq:gradient-descent","lang":"en","family":"nlq","origin":"author-written","query":"repeatedly nudging parameters in the direction that lowers the loss","script":"latin","in_script":true,"relevant":["gradient-descent"]}
{"qid":"en:nlq:tf-idf","lang":"en","family":"nlq","origin":"author-written","query":"weighting a term by how rare it is across the whole document collection","script":"latin","in_script":true,"relevant":["tf-idf"]}
{"qid":"en:nlq:nearest-neighbor-search","lang":"en","family":"nlq","origin":"author-written","query":"finding the items in a large collection that lie closest to a given point","script":"latin","in_script":true,"relevant":["nearest-neighbor-search"]}
{"qid":"en:nlq:cluster-analysis","lang":"en","family":"nlq","origin":"author-written","query":"grouping unlabelled records so that similar ones end up together","script":"latin","in_script":true,"relevant":["cluster-analysis"]}
{"qid":"en:nlq:principal-component-analysis","lang":"en","family":"nlq","origin":"author-written","query":"cutting the number of dimensions while keeping as much variance as possible","script":"latin","in_script":true,"relevant":["principal-component-analysis"]}
{"qid":"en:nlq:postgresql","lang":"en","family":"nlq","origin":"author-written","query":"the open source relational database known for its extension ecosystem","script":"latin","in_script":true,"relevant":["postgresql"]}
{"qid":"en:nlq:sqlite","lang":"en","family":"nlq","origin":"author-written","query":"the embedded database engine that keeps a whole database in one ordinary file","script":"latin","in_script":true,"relevant":["sqlite"]}
{"qid":"en:nlq:elasticsearch","lang":"en","family":"nlq","origin":"author-written","query":"the distributed full text search server built on top of Lucene","script":"latin","in_script":true,"relevant":["elasticsearch"]}
{"qid":"en:nlq:redis","lang":"en","family":"nlq","origin":"author-written","query":"the in memory key value store commonly used as a cache","script":"latin","in_script":true,"relevant":["redis"]}
{"qid":"en:nlq:kubernetes","lang":"en","family":"nlq","origin":"author-written","query":"scheduling and orchestrating containers across a cluster of machines","script":"latin","in_script":true,"relevant":["kubernetes"]}
{"qid":"en:nlq:y-combinator","lang":"en","family":"nlq","origin":"author-written","query":"the accelerator that funds startups in batches twice a year","script":"latin","in_script":true,"relevant":["y-combinator"]}
{"qid":"en:nlq:venture-capital","lang":"en","family":"nlq","origin":"author-written","query":"how investors put money into risky early stage companies in exchange for equity","script":"latin","in_script":true,"relevant":["venture-capital"]}
{"qid":"en:nlq:unicode","lang":"en","family":"nlq","origin":"author-written","query":"the standard that assigns a number to every character in every writing system","script":"latin","in_script":true,"relevant":["unicode"]}
evals/embedding-default/queries/he.alias.jsonl
+210 -5
View File
@@ -6,19 +6,66 @@
{"qid":"he:alias:nvidia:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"NVIDIA","script":"latin","in_script":false,"relevant":["nvidia"]}
{"qid":"he:alias:meta-platforms:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"חברת פייסבוק","script":"hebrew","in_script":true,"relevant":["meta-platforms"]}
{"qid":"he:alias:meta-platforms:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"פייסבוק (חברה)","script":"hebrew","in_script":true,"relevant":["meta-platforms"]}
{"qid":"he:alias:apple-inc:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Apple","script":"latin","in_script":false,"relevant":["apple-inc"]}
{"qid":"he:alias:apple-inc:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"אפל מחשבים","script":"hebrew","in_script":true,"relevant":["apple-inc"]}
{"qid":"he:alias:apple-inc:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Apple Inc.","script":"latin","in_script":false,"relevant":["apple-inc"]}
{"qid":"he:alias:alphabet-inc:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Alphabet Inc","script":"latin","in_script":false,"relevant":["alphabet-inc"]}
{"qid":"he:alias:alphabet-inc:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"אלפבת בע\"מ","script":"hebrew","in_script":true,"relevant":["alphabet-inc"]}
{"qid":"he:alias:alphabet-inc:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"אלפבית בע\"מ","script":"hebrew","in_script":true,"relevant":["alphabet-inc"]}
{"qid":"he:alias:ibm:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"י.ב.מ.","script":"hebrew","in_script":true,"relevant":["ibm"]}
{"qid":"he:alias:ibm:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"י.ב.מ","script":"hebrew","in_script":true,"relevant":["ibm"]}
{"qid":"he:alias:ibm:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"אי בי אם","script":"hebrew","in_script":true,"relevant":["ibm"]}
{"qid":"he:alias:advanced-micro-devices:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Advanced Micro Devices","script":"latin","in_script":false,"relevant":["advanced-micro-devices"]}
{"qid":"he:alias:salesforce:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Salesforce","script":"latin","in_script":false,"relevant":["salesforce"]}
{"qid":"he:alias:salesforce:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Salesfoce","script":"latin","in_script":false,"relevant":["salesforce"]}
{"qid":"he:alias:salesforce:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Salesforce.com","script":"latin","in_script":false,"relevant":["salesforce"]}
{"qid":"he:alias:sap:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"XI","script":"latin","in_script":false,"relevant":["sap"]}
{"qid":"he:alias:sap:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"SAP ERP","script":"latin","in_script":false,"relevant":["sap"]}
{"qid":"he:alias:tesla-inc:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"טסלה מוטורס","script":"hebrew","in_script":true,"relevant":["tesla-inc"]}
{"qid":"he:alias:tesla-inc:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"טסלה דוג'ו","script":"hebrew","in_script":true,"relevant":["tesla-inc"]}
{"qid":"he:alias:uber:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Uber","script":"latin","in_script":false,"relevant":["uber"]}
{"qid":"he:alias:uber:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Uber (company)","script":"latin","in_script":false,"relevant":["uber"]}
{"qid":"he:alias:twitter:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Twitter","script":"latin","in_script":false,"relevant":["twitter"]}
{"qid":"he:alias:twitter:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"טויטר","script":"hebrew","in_script":true,"relevant":["twitter"]}
{"qid":"he:alias:twitter:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ציוץ (טוויטר)","script":"hebrew","in_script":true,"relevant":["twitter"]}
{"qid":"he:alias:atlassian:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Atlassian","script":"latin","in_script":false,"relevant":["atlassian"]}
{"qid":"he:alias:alibaba-group:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"עליבאבא","script":"hebrew","in_script":true,"relevant":["alibaba-group"]}
{"qid":"he:alias:alibaba-group:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Aliexpress","script":"latin","in_script":false,"relevant":["alibaba-group"]}
{"qid":"he:alias:alibaba-group:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Alibaba.com","script":"latin","in_script":false,"relevant":["alibaba-group"]}
{"qid":"he:alias:bytedance:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"בייטדאנס","script":"hebrew","in_script":true,"relevant":["bytedance"]}
{"qid":"he:alias:demis-hassabis:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"דמיס האסביס","script":"hebrew","in_script":true,"relevant":["demis-hassabis"]}
{"qid":"he:alias:demis-hassabis:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"דמיס חסביס","script":"hebrew","in_script":true,"relevant":["demis-hassabis"]}
{"qid":"he:alias:demis-hassabis:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"דמיס חסאביס","script":"hebrew","in_script":true,"relevant":["demis-hassabis"]}
{"qid":"he:alias:sam-altman:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"סאם אלטמן","script":"hebrew","in_script":true,"relevant":["sam-altman"]}
{"qid":"he:alias:marvin-minsky:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מרוין מינסקי","script":"hebrew","in_script":true,"relevant":["marvin-minsky"]}
{"qid":"he:alias:herbert-a-simon:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"הרברט סימון","script":"hebrew","in_script":true,"relevant":["herbert-a-simon"]}
{"qid":"he:alias:herbert-a-simon:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"הרברט א. סיימון","script":"hebrew","in_script":true,"relevant":["herbert-a-simon"]}
{"qid":"he:alias:john-von-neumann:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ג'ון פון ניומן","script":"hebrew","in_script":true,"relevant":["john-von-neumann"]}
{"qid":"he:alias:john-von-neumann:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"פון נוימן","script":"hebrew","in_script":true,"relevant":["john-von-neumann"]}
{"qid":"he:alias:john-von-neumann:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ג'ון לואיס פון נוימן","script":"hebrew","in_script":true,"relevant":["john-von-neumann"]}
{"qid":"he:alias:ada-lovelace:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"עדה ביירון","script":"hebrew","in_script":true,"relevant":["ada-lovelace"]}
{"qid":"he:alias:ada-lovelace:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"אדה ביירון","script":"hebrew","in_script":true,"relevant":["ada-lovelace"]}
{"qid":"he:alias:ada-lovelace:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"אדה לאבלייס","script":"hebrew","in_script":true,"relevant":["ada-lovelace"]}
{"qid":"he:alias:linus-torvalds:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"לינוס טורבלדס","script":"hebrew","in_script":true,"relevant":["linus-torvalds"]}
{"qid":"he:alias:linus-torvalds:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"לינוס טורוולדס","script":"hebrew","in_script":true,"relevant":["linus-torvalds"]}
{"qid":"he:alias:bjarne-stroustrup:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ביאנה סטרווספטרופ","script":"hebrew","in_script":true,"relevant":["bjarne-stroustrup"]}
{"qid":"he:alias:steve-jobs:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"שדה עיוות המציאות","script":"hebrew","in_script":true,"relevant":["steve-jobs"]}
{"qid":"he:alias:steve-jobs:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"נאומי סטיב","script":"hebrew","in_script":true,"relevant":["steve-jobs"]}
{"qid":"he:alias:steve-jobs:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"סטיבן ג'ובס","script":"hebrew","in_script":true,"relevant":["steve-jobs"]}
{"qid":"he:alias:elon-musk:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"אלון מאסק","script":"hebrew","in_script":true,"relevant":["elon-musk"]}
{"qid":"he:alias:mark-zuckerberg:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מארק זוקרברג","script":"hebrew","in_script":true,"relevant":["mark-zuckerberg"]}
{"qid":"he:alias:mark-zuckerberg:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מרק צוקרברג","script":"hebrew","in_script":true,"relevant":["mark-zuckerberg"]}
{"qid":"he:alias:sergey-brin:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"סרגי ברין","script":"hebrew","in_script":true,"relevant":["sergey-brin"]}
{"qid":"he:alias:generative-pre-trained-transformer:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Generative pre-trained transformer","script":"latin","in_script":false,"relevant":["generative-pre-trained-transformer"]}
{"qid":"he:alias:large-language-model:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מודלי שפה גדולים","script":"hebrew","in_script":true,"relevant":["large-language-model"]}
{"qid":"he:alias:large-language-model:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"LLM","script":"latin","in_script":false,"relevant":["large-language-model"]}
{"qid":"he:alias:retrieval-augmented-generation:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"יצירה מבוססת־שליפה","script":"hebrew","in_script":true,"relevant":["retrieval-augmented-generation"]}
{"qid":"he:alias:convolutional-neural-network:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"רשת עצבית מתפתחת","script":"hebrew","in_script":true,"relevant":["convolutional-neural-network"]}
{"qid":"he:alias:diffusion-model:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Diffusion model","script":"latin","in_script":false,"relevant":["diffusion-model"]}
{"qid":"he:alias:generative-adversarial-network:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"רשת אדברסרית גנרטיבית","script":"hebrew","in_script":true,"relevant":["generative-adversarial-network"]}
{"qid":"he:alias:generative-adversarial-network:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Generative adversarial network","script":"latin","in_script":false,"relevant":["generative-adversarial-network"]}
{"qid":"he:alias:gradient-descent:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מורד הגרדיאנט","script":"hebrew","in_script":true,"relevant":["gradient-descent"]}
{"qid":"he:alias:gradient-descent:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מקדם נטיה","script":"hebrew","in_script":true,"relevant":["gradient-descent"]}
{"qid":"he:alias:perceptron:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"פרצפטרון","script":"hebrew","in_script":true,"relevant":["perceptron"]}
{"qid":"he:alias:neural-network:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"רשת קישרית","script":"hebrew","in_script":true,"relevant":["neural-network"]}
{"qid":"he:alias:neural-network:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"רשתות נוירונים","script":"hebrew","in_script":true,"relevant":["neural-network"]}
{"qid":"he:alias:machine-learning:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"למידה חישובית","script":"hebrew","in_script":true,"relevant":["machine-learning"]}
@@ -26,6 +73,11 @@
{"qid":"he:alias:artificial-intelligence:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"אינטליגנציה מלאכותית","script":"hebrew","in_script":true,"relevant":["artificial-intelligence"]}
{"qid":"he:alias:artificial-intelligence:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"חשיבה אוטומטית","script":"hebrew","in_script":true,"relevant":["artificial-intelligence"]}
{"qid":"he:alias:artificial-intelligence:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"תבונה מלאכותית","script":"hebrew","in_script":true,"relevant":["artificial-intelligence"]}
{"qid":"he:alias:supervised-learning:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"למידה מפוקחת","script":"hebrew","in_script":true,"relevant":["supervised-learning"]}
{"qid":"he:alias:supervised-learning:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Supervised learning","script":"latin","in_script":false,"relevant":["supervised-learning"]}
{"qid":"he:alias:prompt-engineering:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"פרומפט","script":"hebrew","in_script":true,"relevant":["prompt-engineering"]}
{"qid":"he:alias:feature-engineering:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"הנדסת תכונות","script":"hebrew","in_script":true,"relevant":["feature-engineering"]}
{"qid":"he:alias:technological-singularity:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"סינגולריות (עתידנות)","script":"hebrew","in_script":true,"relevant":["technological-singularity"]}
{"qid":"he:alias:chatgpt:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"צ'אט ג'י פי טי","script":"hebrew","in_script":true,"relevant":["chatgpt"]}
{"qid":"he:alias:chatgpt:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"צ'אט GPT","script":"hebrew","in_script":true,"relevant":["chatgpt"]}
{"qid":"he:alias:claude:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"קלוד 3","script":"hebrew","in_script":true,"relevant":["claude"]}
@@ -34,14 +86,25 @@
{"qid":"he:alias:google-gemini:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Bard","script":"latin","in_script":false,"relevant":["google-gemini"]}
{"qid":"he:alias:google-gemini:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"בארד","script":"hebrew","in_script":true,"relevant":["google-gemini"]}
{"qid":"he:alias:chatbot:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"צ'טבוט","script":"hebrew","in_script":true,"relevant":["chatbot"]}
{"qid":"he:alias:k-nearest-neighbors-algorithm:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מודל שכן קרוב","script":"hebrew","in_script":true,"relevant":["k-nearest-neighbors-algorithm"]}
{"qid":"he:alias:midjourney:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מידג'רני","script":"hebrew","in_script":true,"relevant":["midjourney"]}
{"qid":"he:alias:midjourney:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מידג'ורני","script":"hebrew","in_script":true,"relevant":["midjourney"]}
{"qid":"he:alias:alphafold:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"אלפה פולד","script":"hebrew","in_script":true,"relevant":["alphafold"]}
{"qid":"he:alias:siri:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Siri","script":"latin","in_script":false,"relevant":["siri"]}
{"qid":"he:alias:support-vector-machine:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"SVM","script":"latin","in_script":false,"relevant":["support-vector-machine"]}
{"qid":"he:alias:adaboost:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"AdaBoost","script":"latin","in_script":false,"relevant":["adaboost"]}
{"qid":"he:alias:principal-component-analysis:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"פירוק לגורמים ראשיים","script":"hebrew","in_script":true,"relevant":["principal-component-analysis"]}
{"qid":"he:alias:principal-component-analysis:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ניתוח גורמים ראשיים","script":"hebrew","in_script":true,"relevant":["principal-component-analysis"]}
{"qid":"he:alias:singular-value-decomposition:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"פירוק SVD","script":"hebrew","in_script":true,"relevant":["singular-value-decomposition"]}
{"qid":"he:alias:bayes-theorem:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"נוסחת בייס","script":"hebrew","in_script":true,"relevant":["bayes-theorem"]}
{"qid":"he:alias:bayes-theorem:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"כלל בייס","script":"hebrew","in_script":true,"relevant":["bayes-theorem"]}
{"qid":"he:alias:data-mining:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"כריית נתונים","script":"hebrew","in_script":true,"relevant":["data-mining"]}
{"qid":"he:alias:data-mining:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Data Mining","script":"latin","in_script":false,"relevant":["data-mining"]}
{"qid":"he:alias:web-crawler:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Crawler","script":"latin","in_script":false,"relevant":["web-crawler"]}
{"qid":"he:alias:nearest-neighbor-search:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"חיפוש השכן הקרוב ביותר","script":"hebrew","in_script":true,"relevant":["nearest-neighbor-search"]}
{"qid":"he:alias:nearest-neighbor-search:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"חיפוש שכן קרוב ביותר","script":"hebrew","in_script":true,"relevant":["nearest-neighbor-search"]}
{"qid":"he:alias:hamming-distance:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מרחק האמינג","script":"hebrew","in_script":true,"relevant":["hamming-distance"]}
{"qid":"he:alias:hamming-distance:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"משקל המינג","script":"hebrew","in_script":true,"relevant":["hamming-distance"]}
{"qid":"he:alias:hamming-distance:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"משקל האמינג","script":"hebrew","in_script":true,"relevant":["hamming-distance"]}
{"qid":"he:alias:natural-language-processing:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ניתוח מלל","script":"hebrew","in_script":true,"relevant":["natural-language-processing"]}
{"qid":"he:alias:machine-translation:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"תרגום באמצעות מכונה","script":"hebrew","in_script":true,"relevant":["machine-translation"]}
{"qid":"he:alias:machine-translation:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"תרגום אוטומטי","script":"hebrew","in_script":true,"relevant":["machine-translation"]}
@@ -52,16 +115,34 @@
{"qid":"he:alias:computer-vision:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ראיה ממוחשבת","script":"hebrew","in_script":true,"relevant":["computer-vision"]}
{"qid":"he:alias:computer-vision:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"אינפוט ויזואלי","script":"hebrew","in_script":true,"relevant":["computer-vision"]}
{"qid":"he:alias:turing-test:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ההתנגדות המתמטית","script":"hebrew","in_script":true,"relevant":["turing-test"]}
{"qid":"he:alias:optical-character-recognition:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"OCR","script":"latin","in_script":false,"relevant":["optical-character-recognition"]}
{"qid":"he:alias:optical-character-recognition:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Optical Character Recognition","script":"latin","in_script":false,"relevant":["optical-character-recognition"]}
{"qid":"he:alias:redis:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"רדיס","script":"hebrew","in_script":true,"relevant":["redis"]}
{"qid":"he:alias:mysql:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"MariaDB","script":"latin","in_script":false,"relevant":["mysql"]}
{"qid":"he:alias:microsoft-sql-server:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"SQL Server","script":"latin","in_script":false,"relevant":["microsoft-sql-server"]}
{"qid":"he:alias:mongodb:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מונגודיבי","script":"hebrew","in_script":true,"relevant":["mongodb"]}
{"qid":"he:alias:mongodb:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מונגו דיבי","script":"hebrew","in_script":true,"relevant":["mongodb"]}
{"qid":"he:alias:kubernetes:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"K8s","script":"latin","in_script":false,"relevant":["kubernetes"]}
{"qid":"he:alias:docker:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"דוקר","script":"hebrew","in_script":true,"relevant":["docker"]}
{"qid":"he:alias:docker:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"דוקר (Docker)","script":"latin","in_script":false,"relevant":["docker"]}
{"qid":"he:alias:git:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Git","script":"latin","in_script":false,"relevant":["git"]}
{"qid":"he:alias:relational-database:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"בסיס נתונים רלציוני","script":"hebrew","in_script":true,"relevant":["relational-database"]}
{"qid":"he:alias:relational-database:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"RDBMS","script":"latin","in_script":false,"relevant":["relational-database"]}
{"qid":"he:alias:relational-database:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"בסיס נתונים טבלאי","script":"hebrew","in_script":true,"relevant":["relational-database"]}
{"qid":"he:alias:database-transaction:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"טרנזקציה","script":"hebrew","in_script":true,"relevant":["database-transaction"]}
{"qid":"he:alias:database-normalization:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"חוקי הנרמול","script":"hebrew","in_script":true,"relevant":["database-normalization"]}
{"qid":"he:alias:database-normalization:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"חוקי הנירמול","script":"hebrew","in_script":true,"relevant":["database-normalization"]}
{"qid":"he:alias:database-normalization:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"נירמול בסיס נתונים","script":"hebrew","in_script":true,"relevant":["database-normalization"]}
{"qid":"he:alias:https:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"HTTP Secure","script":"latin","in_script":false,"relevant":["https"]}
{"qid":"he:alias:transmission-control-protocol:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"TCP","script":"latin","in_script":false,"relevant":["transmission-control-protocol"]}
{"qid":"he:alias:transmission-control-protocol:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"SYN","script":"latin","in_script":false,"relevant":["transmission-control-protocol"]}
{"qid":"he:alias:transmission-control-protocol:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ACK","script":"latin","in_script":false,"relevant":["transmission-control-protocol"]}
{"qid":"he:alias:load-balancing:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Load Balancing","script":"latin","in_script":false,"relevant":["load-balancing"]}
{"qid":"he:alias:nginx:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Engine X","script":"latin","in_script":false,"relevant":["nginx"]}
{"qid":"he:alias:cache:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"זכרון מטמון","script":"hebrew","in_script":true,"relevant":["cache"]}
{"qid":"he:alias:cache:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Cache","script":"latin","in_script":false,"relevant":["cache"]}
{"qid":"he:alias:microsoft-azure:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Azure","script":"latin","in_script":false,"relevant":["microsoft-azure"]}
{"qid":"he:alias:microsoft-azure:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Windows Azure","script":"latin","in_script":false,"relevant":["microsoft-azure"]}
{"qid":"he:alias:linux:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Linux","script":"latin","in_script":false,"relevant":["linux"]}
{"qid":"he:alias:python:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Python","script":"latin","in_script":false,"relevant":["python"]}
{"qid":"he:alias:cloud-computing:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מחשוב בענן","script":"hebrew","in_script":true,"relevant":["cloud-computing"]}
{"qid":"he:alias:cloud-computing:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ענן המחשוב","script":"hebrew","in_script":true,"relevant":["cloud-computing"]}
{"qid":"he:alias:cloud-computing:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Cloud Computing","script":"latin","in_script":false,"relevant":["cloud-computing"]}
@@ -72,10 +153,77 @@
{"qid":"he:alias:software-as-a-service:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Software as a Service","script":"latin","in_script":false,"relevant":["software-as-a-service"]}
{"qid":"he:alias:big-data:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ביג דאטה","script":"hebrew","in_script":true,"relevant":["big-data"]}
{"qid":"he:alias:big-data:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"נתוני עתק","script":"hebrew","in_script":true,"relevant":["big-data"]}
{"qid":"he:alias:internet-of-things:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"אינטרנט של הדברים","script":"hebrew","in_script":true,"relevant":["internet-of-things"]}
{"qid":"he:alias:internet-of-things:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Internet of things","script":"latin","in_script":false,"relevant":["internet-of-things"]}
{"qid":"he:alias:internet-of-things:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"IoT","script":"latin","in_script":false,"relevant":["internet-of-things"]}
{"qid":"he:alias:python:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Python","script":"latin","in_script":false,"relevant":["python"]}
{"qid":"he:alias:javascript:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ג'אווה סקריפט","script":"hebrew","in_script":true,"relevant":["javascript"]}
{"qid":"he:alias:javascript:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"JScript","script":"latin","in_script":false,"relevant":["javascript"]}
{"qid":"he:alias:javascript:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ג'אווהסקריפט","script":"hebrew","in_script":true,"relevant":["javascript"]}
{"qid":"he:alias:c:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"שפת C","script":"hebrew","in_script":true,"relevant":["c"]}
{"qid":"he:alias:c:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"שפת c","script":"hebrew","in_script":true,"relevant":["c"]}
{"qid":"he:alias:c-sharp:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"C Sharp","script":"latin","in_script":false,"relevant":["c-sharp"]}
{"qid":"he:alias:c-sharp:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"C שארפ","script":"hebrew","in_script":true,"relevant":["c-sharp"]}
{"qid":"he:alias:c-sharp:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"C sharp","script":"latin","in_script":false,"relevant":["c-sharp"]}
{"qid":"he:alias:scala:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Scala","script":"latin","in_script":false,"relevant":["scala"]}
{"qid":"he:alias:assembly-language:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Assembly","script":"latin","in_script":false,"relevant":["assembly-language"]}
{"qid":"he:alias:assembly-language:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"אסמבלי","script":"hebrew","in_script":true,"relevant":["assembly-language"]}
{"qid":"he:alias:assembly-language:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Asm","script":"latin","in_script":false,"relevant":["assembly-language"]}
{"qid":"he:alias:css:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"CSS","script":"latin","in_script":false,"relevant":["css"]}
{"qid":"he:alias:css:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Cascading Style Sheets","script":"latin","in_script":false,"relevant":["css"]}
{"qid":"he:alias:css:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Css","script":"latin","in_script":false,"relevant":["css"]}
{"qid":"he:alias:react:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ריאקט","script":"hebrew","in_script":true,"relevant":["react"]}
{"qid":"he:alias:interpreter:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"שפת מפענח","script":"hebrew","in_script":true,"relevant":["interpreter"]}
{"qid":"he:alias:interpreter:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"אינטרפרטר","script":"hebrew","in_script":true,"relevant":["interpreter"]}
{"qid":"he:alias:interpreter:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"שפת מפרש","script":"hebrew","in_script":true,"relevant":["interpreter"]}
{"qid":"he:alias:object-oriented-programming:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"תכנון מוכוון עצמים","script":"hebrew","in_script":true,"relevant":["object-oriented-programming"]}
{"qid":"he:alias:object-oriented-programming:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"OOP","script":"latin","in_script":false,"relevant":["object-oriented-programming"]}
{"qid":"he:alias:object-oriented-programming:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"תכנות מונחה אובייקטים","script":"hebrew","in_script":true,"relevant":["object-oriented-programming"]}
{"qid":"he:alias:algorithm:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"אלגוריתם פולינומיאלי","script":"hebrew","in_script":true,"relevant":["algorithm"]}
{"qid":"he:alias:algorithm:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"אלגוריתמיקה","script":"hebrew","in_script":true,"relevant":["algorithm"]}
{"qid":"he:alias:algorithm:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"אלגוריתמים","script":"hebrew","in_script":true,"relevant":["algorithm"]}
{"qid":"he:alias:big-o-notation:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"חסם אסימפטוטי","script":"hebrew","in_script":true,"relevant":["big-o-notation"]}
{"qid":"he:alias:big-o-notation:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"סימון לאנדו","script":"hebrew","in_script":true,"relevant":["big-o-notation"]}
{"qid":"he:alias:big-o-notation:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"פונקציה אפסית","script":"hebrew","in_script":true,"relevant":["big-o-notation"]}
{"qid":"he:alias:dynamic-programming:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"תכנות דינאמי","script":"hebrew","in_script":true,"relevant":["dynamic-programming"]}
{"qid":"he:alias:dynamic-programming:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"תכנות דינמי","script":"hebrew","in_script":true,"relevant":["dynamic-programming"]}
{"qid":"he:alias:dynamic-programming:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"תכנון דינאמי","script":"hebrew","in_script":true,"relevant":["dynamic-programming"]}
{"qid":"he:alias:turing-machine:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מכונת טורינג","script":"hebrew","in_script":true,"relevant":["turing-machine"]}
{"qid":"he:alias:turing-machine:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מכונת טיורינג דטרמיניסטית","script":"hebrew","in_script":true,"relevant":["turing-machine"]}
{"qid":"he:alias:p-versus-np-problem:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"P=NP","script":"latin","in_script":false,"relevant":["p-versus-np-problem"]}
{"qid":"he:alias:p-versus-np-problem:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"P≠NP","script":"latin","in_script":false,"relevant":["p-versus-np-problem"]}
{"qid":"he:alias:p-versus-np-problem:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"שאלת P=NP","script":"hebrew","in_script":true,"relevant":["p-versus-np-problem"]}
{"qid":"he:alias:kernel:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ליבה מונוליטית","script":"hebrew","in_script":true,"relevant":["kernel"]}
{"qid":"he:alias:kernel:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ליבת מערכת הפעלה","script":"hebrew","in_script":true,"relevant":["kernel"]}
{"qid":"he:alias:kernel:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ליבה מונוליתית","script":"hebrew","in_script":true,"relevant":["kernel"]}
{"qid":"he:alias:microsoft-windows:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Windows","script":"latin","in_script":false,"relevant":["microsoft-windows"]}
{"qid":"he:alias:microsoft-windows:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Windows XP Home Edition","script":"latin","in_script":false,"relevant":["microsoft-windows"]}
{"qid":"he:alias:microsoft-windows:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ווינדוס","script":"hebrew","in_script":true,"relevant":["microsoft-windows"]}
{"qid":"he:alias:ios:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"IPhone OS","script":"latin","in_script":false,"relevant":["ios"]}
{"qid":"he:alias:world-wide-web:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"WWW","script":"latin","in_script":false,"relevant":["world-wide-web"]}
{"qid":"he:alias:world-wide-web:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Www","script":"latin","in_script":false,"relevant":["world-wide-web"]}
{"qid":"he:alias:world-wide-web:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Web","script":"latin","in_script":false,"relevant":["world-wide-web"]}
{"qid":"he:alias:application-programming-interface:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"API","script":"latin","in_script":false,"relevant":["application-programming-interface"]}
{"qid":"he:alias:application-programming-interface:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Application Programming Interface","script":"latin","in_script":false,"relevant":["application-programming-interface"]}
{"qid":"he:alias:gnu-general-public-license:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"GPL","script":"latin","in_script":false,"relevant":["gnu-general-public-license"]}
{"qid":"he:alias:gnu-general-public-license:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"GNU GPL","script":"latin","in_script":false,"relevant":["gnu-general-public-license"]}
{"qid":"he:alias:gnu-general-public-license:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"הרשיון הציבורי הכללי של גנו","script":"hebrew","in_script":true,"relevant":["gnu-general-public-license"]}
{"qid":"he:alias:creative-commons:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"קריאטיב קומונס","script":"hebrew","in_script":true,"relevant":["creative-commons"]}
{"qid":"he:alias:creative-commons:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"CC","script":"latin","in_script":false,"relevant":["creative-commons"]}
{"qid":"he:alias:creative-commons:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"קריאייטיב קומונוס","script":"hebrew","in_script":true,"relevant":["creative-commons"]}
{"qid":"he:alias:public-key-cryptography:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מפתח פרטי","script":"hebrew","in_script":true,"relevant":["public-key-cryptography"]}
{"qid":"he:alias:public-key-cryptography:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מפתח פומבי","script":"hebrew","in_script":true,"relevant":["public-key-cryptography"]}
{"qid":"he:alias:public-key-cryptography:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"הצפנה א-סימטרית","script":"hebrew","in_script":true,"relevant":["public-key-cryptography"]}
{"qid":"he:alias:hash-function:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"פונקציית טחינה","script":"hebrew","in_script":true,"relevant":["hash-function"]}
{"qid":"he:alias:hash-function:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"פונקציית גיבוב חד כיוונית","script":"hebrew","in_script":true,"relevant":["hash-function"]}
{"qid":"he:alias:hash-function:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"פונקציית ערבול","script":"hebrew","in_script":true,"relevant":["hash-function"]}
{"qid":"he:alias:advanced-encryption-standard:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"סטנדרט הצפנה מתקדם","script":"hebrew","in_script":true,"relevant":["advanced-encryption-standard"]}
{"qid":"he:alias:advanced-encryption-standard:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ריינדל","script":"hebrew","in_script":true,"relevant":["advanced-encryption-standard"]}
{"qid":"he:alias:advanced-encryption-standard:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Advanced Encryption Standard","script":"latin","in_script":false,"relevant":["advanced-encryption-standard"]}
{"qid":"he:alias:zero-knowledge-proof:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"הוכחה באפס ידע","script":"hebrew","in_script":true,"relevant":["zero-knowledge-proof"]}
{"qid":"he:alias:y-combinator:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Y קומבינטור","script":"hebrew","in_script":true,"relevant":["y-combinator"]}
{"qid":"he:alias:sequoia-capital:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"סקוויה קפיטל","script":"hebrew","in_script":true,"relevant":["sequoia-capital"]}
{"qid":"he:alias:sequoia-capital:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"סקויה קפיטל","script":"hebrew","in_script":true,"relevant":["sequoia-capital"]}
{"qid":"he:alias:andreessen-horowitz:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Andreessen Horowitz","script":"latin","in_script":false,"relevant":["andreessen-horowitz"]}
{"qid":"he:alias:venture-capital:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"הון סיכון","script":"hebrew","in_script":true,"relevant":["venture-capital"]}
{"qid":"he:alias:initial-public-offering:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"IPO","script":"latin","in_script":false,"relevant":["initial-public-offering"]}
{"qid":"he:alias:initial-public-offering:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"הנפקה ראשונה","script":"hebrew","in_script":true,"relevant":["initial-public-offering"]}
@@ -83,12 +231,69 @@
{"qid":"he:alias:startup-company:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"חברת סטרטאפ","script":"hebrew","in_script":true,"relevant":["startup-company"]}
{"qid":"he:alias:startup-company:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"סטארטאפ","script":"hebrew","in_script":true,"relevant":["startup-company"]}
{"qid":"he:alias:startup-company:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"סטארט אפ","script":"hebrew","in_script":true,"relevant":["startup-company"]}
{"qid":"he:alias:due-diligence:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"דיו-דיליג'נס","script":"hebrew","in_script":true,"relevant":["due-diligence"]}
{"qid":"he:alias:due-diligence:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"דיו דיליג'נס","script":"hebrew","in_script":true,"relevant":["due-diligence"]}
{"qid":"he:alias:due-diligence:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"שקידה נאותה","script":"hebrew","in_script":true,"relevant":["due-diligence"]}
{"qid":"he:alias:special-purpose-acquisition-company:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"חברת ספאק","script":"hebrew","in_script":true,"relevant":["special-purpose-acquisition-company"]}
{"qid":"he:alias:special-purpose-acquisition-company:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"SPAC","script":"latin","in_script":false,"relevant":["special-purpose-acquisition-company"]}
{"qid":"he:alias:startup-accelerator:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"סטרטאפ אקסלרטור","script":"hebrew","in_script":true,"relevant":["startup-accelerator"]}
{"qid":"he:alias:crowdfunding:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Crowdfunding","script":"latin","in_script":false,"relevant":["crowdfunding"]}
{"qid":"he:alias:crowdfunding:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Crowd funding","script":"latin","in_script":false,"relevant":["crowdfunding"]}
{"qid":"he:alias:crowdfunding:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מימון המון","script":"hebrew","in_script":true,"relevant":["crowdfunding"]}
{"qid":"he:alias:minimum-viable-product:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Minimum viable product","script":"latin","in_script":false,"relevant":["minimum-viable-product"]}
{"qid":"he:alias:minimum-viable-product:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מוצר בר-קיימא מינמאלי","script":"hebrew","in_script":true,"relevant":["minimum-viable-product"]}
{"qid":"he:alias:economies-of-scale:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"יתרונות וחסרונות לגודל","script":"hebrew","in_script":true,"relevant":["economies-of-scale"]}
{"qid":"he:alias:economies-of-scale:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"יתרונות לגוש","script":"hebrew","in_script":true,"relevant":["economies-of-scale"]}
{"qid":"he:alias:patent:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"פטנט רשום","script":"hebrew","in_script":true,"relevant":["patent"]}
{"qid":"he:alias:copyright:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"זכות יוצרים","script":"hebrew","in_script":true,"relevant":["copyright"]}
{"qid":"he:alias:copyright:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"כל הזכויות שמורות","script":"hebrew","in_script":true,"relevant":["copyright"]}
{"qid":"he:alias:copyright:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"זכות היוצרים","script":"hebrew","in_script":true,"relevant":["copyright"]}
{"qid":"he:alias:probability:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"סיכוי","script":"hebrew","in_script":true,"relevant":["probability"]}
{"qid":"he:alias:probability:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"יחס הסתברויות","script":"hebrew","in_script":true,"relevant":["probability"]}
{"qid":"he:alias:probability:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"סיכויים","script":"hebrew","in_script":true,"relevant":["probability"]}
{"qid":"he:alias:bayesian-inference:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"הסקת בייס","script":"hebrew","in_script":true,"relevant":["bayesian-inference"]}
{"qid":"he:alias:hidden-markov-model:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"HMM","script":"latin","in_script":false,"relevant":["hidden-markov-model"]}
{"qid":"he:alias:matrix:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מאטריצה","script":"hebrew","in_script":true,"relevant":["matrix"]}
{"qid":"he:alias:matrix:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מטריצה מייצגת","script":"hebrew","in_script":true,"relevant":["matrix"]}
{"qid":"he:alias:vector-space:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"וקטור (אלגברה)","script":"hebrew","in_script":true,"relevant":["vector-space"]}
{"qid":"he:alias:vector-space:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מרחב לינארי","script":"hebrew","in_script":true,"relevant":["vector-space"]}
{"qid":"he:alias:vector-space:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"חיבור וקטורים","script":"hebrew","in_script":true,"relevant":["vector-space"]}
{"qid":"he:alias:derivative:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ניגזרת","script":"hebrew","in_script":true,"relevant":["derivative"]}
{"qid":"he:alias:derivative:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"אריתמטיקה של נגזרות","script":"hebrew","in_script":true,"relevant":["derivative"]}
{"qid":"he:alias:derivative:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"כללי גזירה","script":"hebrew","in_script":true,"relevant":["derivative"]}
{"qid":"he:alias:signal-processing:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מעבד אות","script":"hebrew","in_script":true,"relevant":["signal-processing"]}
{"qid":"he:alias:fast-fourier-transform:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"טרנספורם פוריה מהיר","script":"hebrew","in_script":true,"relevant":["fast-fourier-transform"]}
{"qid":"he:alias:fast-fourier-transform:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"FFT","script":"latin","in_script":false,"relevant":["fast-fourier-transform"]}
{"qid":"he:alias:unicode:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Unicode","script":"latin","in_script":false,"relevant":["unicode"]}
{"qid":"he:alias:blockchain:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Blockchain","script":"latin","in_script":false,"relevant":["blockchain"]}
{"qid":"he:alias:blockchain:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"שרשרת בלוקים","script":"hebrew","in_script":true,"relevant":["blockchain"]}
{"qid":"he:alias:cryptocurrency:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מטבע וירטואלי","script":"hebrew","in_script":true,"relevant":["cryptocurrency"]}
{"qid":"he:alias:cryptocurrency:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"אמצעי תשלום מבוזר","script":"hebrew","in_script":true,"relevant":["cryptocurrency"]}
{"qid":"he:alias:cryptocurrency:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מטבע דיגיטלי","script":"hebrew","in_script":true,"relevant":["cryptocurrency"]}
{"qid":"he:alias:ethereum:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Ethereum","script":"latin","in_script":false,"relevant":["ethereum"]}
{"qid":"he:alias:ethereum:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"איתריום","script":"hebrew","in_script":true,"relevant":["ethereum"]}
{"qid":"he:alias:ethereum:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"אית'ריום","script":"hebrew","in_script":true,"relevant":["ethereum"]}
{"qid":"he:alias:non-fungible-token:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"NFT","script":"latin","in_script":false,"relevant":["non-fungible-token"]}
{"qid":"he:alias:non-fungible-token:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Non-fungible token","script":"latin","in_script":false,"relevant":["non-fungible-token"]}
{"qid":"he:alias:quantum-entanglement:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"שזירה קוואנטית","script":"hebrew","in_script":true,"relevant":["quantum-entanglement"]}
{"qid":"he:alias:quantum-entanglement:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"שזירות","script":"hebrew","in_script":true,"relevant":["quantum-entanglement"]}
{"qid":"he:alias:quantum-entanglement:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מצב שזור","script":"hebrew","in_script":true,"relevant":["quantum-entanglement"]}
{"qid":"he:alias:semiconductor:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מוליכים למחצה","script":"hebrew","in_script":true,"relevant":["semiconductor"]}
{"qid":"he:alias:semiconductor:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"חצאי מוליכים","script":"hebrew","in_script":true,"relevant":["semiconductor"]}
{"qid":"he:alias:semiconductor:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"סמיקונדקטור","script":"hebrew","in_script":true,"relevant":["semiconductor"]}
{"qid":"he:alias:application-specific-integrated-circuit:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מעגל משולב תלוי יישום","script":"hebrew","in_script":true,"relevant":["application-specific-integrated-circuit"]}
{"qid":"he:alias:solid-state-drive:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Solid State Disk","script":"latin","in_script":false,"relevant":["solid-state-drive"]}
{"qid":"he:alias:solid-state-drive:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Solid State Drive","script":"latin","in_script":false,"relevant":["solid-state-drive"]}
{"qid":"he:alias:solid-state-drive:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ExtremeFFS","script":"latin","in_script":false,"relevant":["solid-state-drive"]}
{"qid":"he:alias:nanotechnology:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ננוטק","script":"hebrew","in_script":true,"relevant":["nanotechnology"]}
{"qid":"he:alias:crispr:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"CRISPR","script":"latin","in_script":false,"relevant":["crispr"]}
{"qid":"he:alias:crispr:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"Clustered regularly interspaced short palindromic repeats","script":"latin","in_script":false,"relevant":["crispr"]}
{"qid":"he:alias:bioinformatics:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"ביולוגיה חישובית","script":"hebrew","in_script":true,"relevant":["bioinformatics"]}
{"qid":"he:alias:cognitive-science:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מדעים קוגנטיביים","script":"hebrew","in_script":true,"relevant":["cognitive-science"]}
{"qid":"he:alias:cognitive-science:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מדעי הקוגניציה","script":"hebrew","in_script":true,"relevant":["cognitive-science"]}
{"qid":"he:alias:cognitive-science:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"מדעים קוגניטיבים","script":"hebrew","in_script":true,"relevant":["cognitive-science"]}
{"qid":"he:alias:consciousness:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"תודעה עצמית","script":"hebrew","in_script":true,"relevant":["consciousness"]}
{"qid":"he:alias:consciousness:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"הכרה עצמית","script":"hebrew","in_script":true,"relevant":["consciousness"]}
{"qid":"he:alias:5g:0","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"דור 5","script":"hebrew","in_script":true,"relevant":["5g"]}
{"qid":"he:alias:5g:1","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"דור חמש","script":"hebrew","in_script":true,"relevant":["5g"]}
{"qid":"he:alias:5g:2","lang":"he","family":"alias","origin":"wikipedia-redirect","query":"חמש גי","script":"hebrew","in_script":true,"relevant":["5g"]}
evals/embedding-default/queries/he.nlq.jsonl
+24 -24
View File
@@ -1,24 +1,24 @@
{"qid": "he:nlq:openai", "lang": "he", "family": "nlq", "origin": "author-written", "query": "איזו חברה פיתחה את ChatGPT ויושבת בסן פרנסיסקו", "script": "hebrew", "in_script": true, "relevant": ["openai"]}
{"qid": "he:nlq:anthropic", "lang": "he", "family": "nlq", "origin": "author-written", "query": "מעבדת בינה מלאכותית שמתמקדת בבטיחות והוקמה על ידי חוקרים שעזבו חברה גדולה אחרת", "script": "hebrew", "in_script": true, "relevant": ["anthropic"]}
{"qid": "he:nlq:google-deepmind", "lang": "he", "family": "nlq", "origin": "author-written", "query": "מעבדת מחקר מלונדון שהתוכנה שלה ניצחה את אלוף העולם במשחק גו", "script": "hebrew", "in_script": true, "relevant": ["google-deepmind"]}
{"qid": "he:nlq:geoffrey-hinton", "lang": "he", "family": "nlq", "origin": "author-written", "query": "החוקר שמכונה אבי הלמידה העמוקה וזכה בפרס טיורינג", "script": "hebrew", "in_script": true, "relevant": ["geoffrey-hinton"]}
{"qid": "he:nlq:fei-fei-li", "lang": "he", "family": "nlq", "origin": "author-written", "query": "המדענית שיצרה את מסד התמונות המתויג הגדול שמשמש למדידת מודלים של ראייה", "script": "hebrew", "in_script": true, "relevant": ["fei-fei-li"]}
{"qid": "he:nlq:jensen-huang", "lang": "he", "family": "nlq", "origin": "author-written", "query": "מי מנהל את חברת השבבים שהמעבדים שלה משמשים לאימון מודלים גדולים", "script": "hebrew", "in_script": true, "relevant": ["jensen-huang"]}
{"qid": "he:nlq:sam-altman", "lang": "he", "family": "nlq", "origin": "author-written", "query": "מי המנכ\"ל של הארגון שמאחור סדרת מודלי GPT", "script": "hebrew", "in_script": true, "relevant": ["sam-altman"]}
{"qid": "he:nlq:transformer", "lang": "he", "family": "nlq", "origin": "author-written", "query": "ארכיטקטורת הרשת המבוססת על קשב עצמי שהחליפה מודלים רקורסיביים", "script": "hebrew", "in_script": true, "relevant": ["transformer"]}
{"qid": "he:nlq:word-embedding", "lang": "he", "family": "nlq", "origin": "author-written", "query": "איך מומרות מילים בודדות לווקטורים מספריים צפופים עבור מודל", "script": "hebrew", "in_script": true, "relevant": ["word-embedding"]}
{"qid": "he:nlq:retrieval-augmented-generation", "lang": "he", "family": "nlq", "origin": "author-written", "query": "לספק למודל שפה מסמכים חיצוניים שנשלפו כדי שימציא פחות עובדות", "script": "hebrew", "in_script": true, "relevant": ["retrieval-augmented-generation"]}
{"qid": "he:nlq:overfitting", "lang": "he", "family": "nlq", "origin": "author-written", "query": "מדוע מודל מצליח על הנתונים שאומן עליהם אך נכשל על נתונים חדשים", "script": "hebrew", "in_script": true, "relevant": ["overfitting"]}
{"qid": "he:nlq:gradient-descent", "lang": "he", "family": "nlq", "origin": "author-written", "query": "עדכון חוזר של פרמטרים בכיוון שמקטין את פונקציית העלות", "script": "hebrew", "in_script": true, "relevant": ["gradient-descent"]}
{"qid": "he:nlq:tf-idf", "lang": "he", "family": "nlq", "origin": "author-written", "query": "שקלול מילה לפי מידת הנדירות שלה בכל אוסף המסמכים", "script": "hebrew", "in_script": true, "relevant": ["tf-idf"]}
{"qid": "he:nlq:k-nearest-neighbors-algorithm", "lang": "he", "family": "nlq", "origin": "author-written", "query": "סיווג נקודה חדשה על פי הדוגמאות המתויגות הקרובות אליה ביותר", "script": "hebrew", "in_script": true, "relevant": ["k-nearest-neighbors-algorithm"]}
{"qid": "he:nlq:cluster-analysis", "lang": "he", "family": "nlq", "origin": "author-written", "query": "קיבוץ רשומות ללא תיוג כך שדומות זו לזו יימצאו יחד", "script": "hebrew", "in_script": true, "relevant": ["cluster-analysis"]}
{"qid": "he:nlq:principal-component-analysis", "lang": "he", "family": "nlq", "origin": "author-written", "query": "הקטנת מספר המשתנים תוך שמירה על מידת הפיזור הגדולה ביותר", "script": "hebrew", "in_script": true, "relevant": ["principal-component-analysis"]}
{"qid": "he:nlq:postgresql", "lang": "he", "family": "nlq", "origin": "author-written", "query": "מסד הנתונים הרלציוני בקוד פתוח שמוכר במערכת ההרחבות שלו", "script": "hebrew", "in_script": true, "relevant": ["postgresql"]}
{"qid": "he:nlq:sqlite", "lang": "he", "family": "nlq", "origin": "author-written", "query": "מנוע מסד נתונים משובץ ששומר מסד נתונים שלם בקובץ רגיל אחד", "script": "hebrew", "in_script": true, "relevant": ["sqlite"]}
{"qid": "he:nlq:elasticsearch", "lang": "he", "family": "nlq", "origin": "author-written", "query": "שרת חיפוש טקסט מלא מבוזר שבנוי מעל לוסין", "script": "hebrew", "in_script": true, "relevant": ["elasticsearch"]}
{"qid": "he:nlq:redis", "lang": "he", "family": "nlq", "origin": "author-written", "query": "מחסן מפתח-ערך בזיכרון שמשמש בעיקר כמטמון", "script": "hebrew", "in_script": true, "relevant": ["redis"]}
{"qid": "he:nlq:kubernetes", "lang": "he", "family": "nlq", "origin": "author-written", "query": "תזמון וניהול מכולות על פני אשכול של מכונות", "script": "hebrew", "in_script": true, "relevant": ["kubernetes"]}
{"qid": "he:nlq:y-combinator", "lang": "he", "family": "nlq", "origin": "author-written", "query": "המאיץ שמשקיע בחברות הזנק במחזורים פעמיים בשנה", "script": "hebrew", "in_script": true, "relevant": ["y-combinator"]}
{"qid": "he:nlq:venture-capital", "lang": "he", "family": "nlq", "origin": "author-written", "query": "כיצד משקיעים מזרימים כספים לחברות בשלב מוקדם ומסוכן בתמורה לאחזקות", "script": "hebrew", "in_script": true, "relevant": ["venture-capital"]}
{"qid": "he:nlq:unicode", "lang": "he", "family": "nlq", "origin": "author-written", "query": "התקן שמקצה מספר לכל תו בכל מערכת כתיבה", "script": "hebrew", "in_script": true, "relevant": ["unicode"]}
{"qid":"he:nlq:openai","lang":"he","family":"nlq","origin":"author-written","query":"איזו חברה פיתחה את ChatGPT ויושבת בסן פרנסיסקו","script":"hebrew","in_script":true,"relevant":["openai"]}
{"qid":"he:nlq:anthropic","lang":"he","family":"nlq","origin":"author-written","query":"מעבדת בינה מלאכותית שמתמקדת בבטיחות והוקמה על ידי חוקרים שעזבו חברה גדולה אחרת","script":"hebrew","in_script":true,"relevant":["anthropic"]}
{"qid":"he:nlq:google-deepmind","lang":"he","family":"nlq","origin":"author-written","query":"מעבדת מחקר מלונדון שהתוכנה שלה ניצחה את אלוף העולם במשחק גו","script":"hebrew","in_script":true,"relevant":["google-deepmind"]}
{"qid":"he:nlq:geoffrey-hinton","lang":"he","family":"nlq","origin":"author-written","query":"החוקר שמכונה אבי הלמידה העמוקה וזכה בפרס טיורינג","script":"hebrew","in_script":true,"relevant":["geoffrey-hinton"]}
{"qid":"he:nlq:yann-lecun","lang":"he","family":"nlq","origin":"author-written","query":"מי עומד בראש מחקר הבינה המלאכותית בחברה שמחזיקה בפייסבוק ובאינסטגרם","script":"hebrew","in_script":true,"relevant":["yann-lecun"]}
{"qid":"he:nlq:jensen-huang","lang":"he","family":"nlq","origin":"author-written","query":"מי מנהל את חברת השבבים שהמעבדים שלה משמשים לאימון מודלים גדולים","script":"hebrew","in_script":true,"relevant":["jensen-huang"]}
{"qid":"he:nlq:sam-altman","lang":"he","family":"nlq","origin":"author-written","query":"מי המנכ\"ל של הארגון שמאחור סדרת מודלי GPT","script":"hebrew","in_script":true,"relevant":["sam-altman"]}
{"qid":"he:nlq:transformer","lang":"he","family":"nlq","origin":"author-written","query":"ארכיטקטורת הרשת המבוססת על קשב עצמי שהחליפה מודלים רקורסיביים","script":"hebrew","in_script":true,"relevant":["transformer"]}
{"qid":"he:nlq:convolutional-neural-network","lang":"he","family":"nlq","origin":"author-written","query":"ארכיטקטורת הרשת שמחליקה מסננים נלמדים על פני תמונה כדי לזהות תבניות מקומיות","script":"hebrew","in_script":true,"relevant":["convolutional-neural-network"]}
{"qid":"he:nlq:retrieval-augmented-generation","lang":"he","family":"nlq","origin":"author-written","query":"לספק למודל שפה מסמכים חיצוניים שנשלפו כדי שימציא פחות עובדות","script":"hebrew","in_script":true,"relevant":["retrieval-augmented-generation"]}
{"qid":"he:nlq:overfitting","lang":"he","family":"nlq","origin":"author-written","query":"מדוע מודל מצליח על הנתונים שאומן עליהם אך נכשל על נתונים חדשים","script":"hebrew","in_script":true,"relevant":["overfitting"]}
{"qid":"he:nlq:gradient-descent","lang":"he","family":"nlq","origin":"author-written","query":"עדכון חוזר של פרמטרים בכיוון שמקטין את פונקציית העלות","script":"hebrew","in_script":true,"relevant":["gradient-descent"]}
{"qid":"he:nlq:tf-idf","lang":"he","family":"nlq","origin":"author-written","query":"שקלול מילה לפי מידת הנדירות שלה בכל אוסף המסמכים","script":"hebrew","in_script":true,"relevant":["tf-idf"]}
{"qid":"he:nlq:nearest-neighbor-search","lang":"he","family":"nlq","origin":"author-written","query":"מציאת הפריטים באוסף גדול שנמצאים הקרובים ביותר לנקודה נתונה","script":"hebrew","in_script":true,"relevant":["nearest-neighbor-search"]}
{"qid":"he:nlq:cluster-analysis","lang":"he","family":"nlq","origin":"author-written","query":"קיבוץ רשומות ללא תיוג כך שדומות זו לזו יימצאו יחד","script":"hebrew","in_script":true,"relevant":["cluster-analysis"]}
{"qid":"he:nlq:principal-component-analysis","lang":"he","family":"nlq","origin":"author-written","query":"הקטנת מספר המשתנים תוך שמירה על מידת הפיזור הגדולה ביותר","script":"hebrew","in_script":true,"relevant":["principal-component-analysis"]}
{"qid":"he:nlq:postgresql","lang":"he","family":"nlq","origin":"author-written","query":"מסד הנתונים הרלציוני בקוד פתוח שמוכר במערכת ההרחבות שלו","script":"hebrew","in_script":true,"relevant":["postgresql"]}
{"qid":"he:nlq:sqlite","lang":"he","family":"nlq","origin":"author-written","query":"מנוע מסד נתונים משובץ ששומר מסד נתונים שלם בקובץ רגיל אחד","script":"hebrew","in_script":true,"relevant":["sqlite"]}
{"qid":"he:nlq:elasticsearch","lang":"he","family":"nlq","origin":"author-written","query":"שרת חיפוש טקסט מלא מבוזר שבנוי מעל לוסין","script":"hebrew","in_script":true,"relevant":["elasticsearch"]}
{"qid":"he:nlq:redis","lang":"he","family":"nlq","origin":"author-written","query":"מחסן מפתח-ערך בזיכרון שמשמש בעיקר כמטמון","script":"hebrew","in_script":true,"relevant":["redis"]}
{"qid":"he:nlq:kubernetes","lang":"he","family":"nlq","origin":"author-written","query":"תזמון וניהול מכולות על פני אשכול של מכונות","script":"hebrew","in_script":true,"relevant":["kubernetes"]}
{"qid":"he:nlq:y-combinator","lang":"he","family":"nlq","origin":"author-written","query":"המאיץ שמשקיע בחברות הזנק במחזורים פעמיים בשנה","script":"hebrew","in_script":true,"relevant":["y-combinator"]}
{"qid":"he:nlq:venture-capital","lang":"he","family":"nlq","origin":"author-written","query":"כיצד משקיעים מזרימים כספים לחברות בשלב מוקדם ומסוכן בתמורה לאחזקות","script":"hebrew","in_script":true,"relevant":["venture-capital"]}
{"qid":"he:nlq:unicode","lang":"he","family":"nlq","origin":"author-written","query":"התקן שמקצה מספר לכל תו בכל מערכת כתיבה","script":"hebrew","in_script":true,"relevant":["unicode"]}
evals/embedding-default/queries/ja.alias.jsonl
+265 -7
View File
@@ -9,20 +9,88 @@
{"qid":"ja:alias:meta-platforms:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Facebook, Inc.","script":"latin","in_script":false,"relevant":["meta-platforms"]}
{"qid":"ja:alias:meta-platforms:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Meta, Inc.","script":"latin","in_script":false,"relevant":["meta-platforms"]}
{"qid":"ja:alias:meta-platforms:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Facebook (企業)","script":"latin","in_script":false,"relevant":["meta-platforms"]}
{"qid":"ja:alias:palantir-technologies:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Palantir","script":"latin","in_script":false,"relevant":["palantir-technologies"]}
{"qid":"ja:alias:palantir-technologies:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Palantir Technologies Inc.","script":"latin","in_script":false,"relevant":["palantir-technologies"]}
{"qid":"ja:alias:palantir-technologies:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Palantir Technologies","script":"latin","in_script":false,"relevant":["palantir-technologies"]}
{"qid":"ja:alias:apple-inc:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"アップルコンピューター","script":"kana","in_script":true,"relevant":["apple-inc"]}
{"qid":"ja:alias:apple-inc:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Apple Japan","script":"latin","in_script":false,"relevant":["apple-inc"]}
{"qid":"ja:alias:apple-inc:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Apple Computer","script":"latin","in_script":false,"relevant":["apple-inc"]}
{"qid":"ja:alias:alphabet-inc:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"アルファベット (企業)","script":"kana","in_script":true,"relevant":["alphabet-inc"]}
{"qid":"ja:alias:alphabet-inc:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Alphabet Inc.","script":"latin","in_script":false,"relevant":["alphabet-inc"]}
{"qid":"ja:alias:alphabet-inc:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Alphabet, Inc.","script":"latin","in_script":false,"relevant":["alphabet-inc"]}
{"qid":"ja:alias:ibm:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"インターナショナル・ビジネス・マシーンズ・コーポレーション","script":"kana","in_script":true,"relevant":["ibm"]}
{"qid":"ja:alias:ibm:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"アイ・ビー・エム","script":"kana","in_script":true,"relevant":["ibm"]}
{"qid":"ja:alias:ibm:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"インターナショナル・ビジネス・マシーンズ","script":"kana","in_script":true,"relevant":["ibm"]}
{"qid":"ja:alias:advanced-micro-devices:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Advanced Micro Devices","script":"latin","in_script":false,"relevant":["advanced-micro-devices"]}
{"qid":"ja:alias:advanced-micro-devices:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"日本AMD","script":"latin","in_script":false,"relevant":["advanced-micro-devices"]}
{"qid":"ja:alias:advanced-micro-devices:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"エーエムディー","script":"kana","in_script":true,"relevant":["advanced-micro-devices"]}
{"qid":"ja:alias:salesforce:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Salesforce","script":"latin","in_script":false,"relevant":["salesforce"]}
{"qid":"ja:alias:salesforce:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Salesforce.com","script":"latin","in_script":false,"relevant":["salesforce"]}
{"qid":"ja:alias:salesforce:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"セールスフォース・ドットコム","script":"kana","in_script":true,"relevant":["salesforce"]}
{"qid":"ja:alias:sap:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Systems, Applications And Products in Data Processing","script":"latin","in_script":false,"relevant":["sap"]}
{"qid":"ja:alias:sap:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Systems, Applications and Products in Data Processing","script":"latin","in_script":false,"relevant":["sap"]}
{"qid":"ja:alias:sap:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"SAP AG","script":"latin","in_script":false,"relevant":["sap"]}
{"qid":"ja:alias:tesla-inc:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"テスラモータース","script":"kana","in_script":true,"relevant":["tesla-inc"]}
{"qid":"ja:alias:tesla-inc:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"テスラ・モーターズ","script":"kana","in_script":true,"relevant":["tesla-inc"]}
{"qid":"ja:alias:tesla-inc:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"TSLA","script":"latin","in_script":false,"relevant":["tesla-inc"]}
{"qid":"ja:alias:uber:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Uber Taxi","script":"latin","in_script":false,"relevant":["uber"]}
{"qid":"ja:alias:uber:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ウーバータクシー","script":"kana","in_script":true,"relevant":["uber"]}
{"qid":"ja:alias:uber:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ウーバー・テクノロジーズ","script":"kana","in_script":true,"relevant":["uber"]}
{"qid":"ja:alias:shopify:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ショッピファイ","script":"kana","in_script":true,"relevant":["shopify"]}
{"qid":"ja:alias:twitter:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"旧Twitter","script":"latin","in_script":false,"relevant":["twitter"]}
{"qid":"ja:alias:twitter:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"旧ツイッター","script":"kana","in_script":true,"relevant":["twitter"]}
{"qid":"ja:alias:twitter:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"X Premium","script":"latin","in_script":false,"relevant":["twitter"]}
{"qid":"ja:alias:atlassian:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Atlassian","script":"latin","in_script":false,"relevant":["atlassian"]}
{"qid":"ja:alias:samsung-electronics:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"サムソン電子","script":"kana","in_script":true,"relevant":["samsung-electronics"]}
{"qid":"ja:alias:samsung-electronics:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"三星電子","script":"han","in_script":true,"relevant":["samsung-electronics"]}
{"qid":"ja:alias:samsung-electronics:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"家族のほほえみ","script":"kana","in_script":true,"relevant":["samsung-electronics"]}
{"qid":"ja:alias:alibaba-group:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"アリババ・グループ","script":"kana","in_script":true,"relevant":["alibaba-group"]}
{"qid":"ja:alias:alibaba-group:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"阿里巴巴集団","script":"han","in_script":true,"relevant":["alibaba-group"]}
{"qid":"ja:alias:bytedance:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"バイトダンス","script":"kana","in_script":true,"relevant":["bytedance"]}
{"qid":"ja:alias:bytedance:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"字節跳動","script":"han","in_script":true,"relevant":["bytedance"]}
{"qid":"ja:alias:ilya-sutskever:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Safe Superintelligence Inc.","script":"latin","in_script":false,"relevant":["ilya-sutskever"]}
{"qid":"ja:alias:ilya-sutskever:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"イリヤ・サツキヴァー","script":"kana","in_script":true,"relevant":["ilya-sutskever"]}
{"qid":"ja:alias:ilya-sutskever:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"イリヤ・サツケヴァー","script":"kana","in_script":true,"relevant":["ilya-sutskever"]}
{"qid":"ja:alias:demis-hassabis:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Demis Hassabis","script":"latin","in_script":false,"relevant":["demis-hassabis"]}
{"qid":"ja:alias:fei-fei-li:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"フェイフェイ・リー","script":"kana","in_script":true,"relevant":["fei-fei-li"]}
{"qid":"ja:alias:fei-fei-li:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"李飛飛","script":"han","in_script":true,"relevant":["fei-fei-li"]}
{"qid":"ja:alias:fei-fei-li:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"フェイ＝フェイ・リー","script":"kana","in_script":true,"relevant":["fei-fei-li"]}
{"qid":"ja:alias:sam-altman:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"サミュエル・H・アルトマン","script":"kana","in_script":true,"relevant":["sam-altman"]}
{"qid":"ja:alias:sam-altman:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"サム・オルトマン","script":"kana","in_script":true,"relevant":["sam-altman"]}
{"qid":"ja:alias:jensen-huang:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"黃仁勳","script":"han","in_script":true,"relevant":["jensen-huang"]}
{"qid":"ja:alias:jensen-huang:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ジェン・スン・フアン","script":"kana","in_script":true,"relevant":["jensen-huang"]}
{"qid":"ja:alias:jensen-huang:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ジェン・スン・ファン","script":"kana","in_script":true,"relevant":["jensen-huang"]}
{"qid":"ja:alias:bert:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Bidirectional Encoder Representations from Transformers","script":"latin","in_script":false,"relevant":["bert"]}
{"qid":"ja:alias:gpt-4:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"GPT-4 Turbo","script":"latin","in_script":false,"relevant":["gpt-4"]}
{"qid":"ja:alias:marvin-minsky:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"マーヴィン・ミンスキー","script":"kana","in_script":true,"relevant":["marvin-minsky"]}
{"qid":"ja:alias:herbert-a-simon:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ハーバート・アレクサンダー・サイモン","script":"kana","in_script":true,"relevant":["herbert-a-simon"]}
{"qid":"ja:alias:herbert-a-simon:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Herbert A. Simon","script":"latin","in_script":false,"relevant":["herbert-a-simon"]}
{"qid":"ja:alias:john-von-neumann:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"フォン・ノイマン","script":"kana","in_script":true,"relevant":["john-von-neumann"]}
{"qid":"ja:alias:john-von-neumann:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ナイマン・ヤーノシュ","script":"kana","in_script":true,"relevant":["john-von-neumann"]}
{"qid":"ja:alias:john-von-neumann:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"フォンノイマン","script":"kana","in_script":true,"relevant":["john-von-neumann"]}
{"qid":"ja:alias:ada-lovelace:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"エイダ・ラヴレス","script":"kana","in_script":true,"relevant":["ada-lovelace"]}
{"qid":"ja:alias:ada-lovelace:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"エイダ・バイロン","script":"kana","in_script":true,"relevant":["ada-lovelace"]}
{"qid":"ja:alias:ada-lovelace:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"オーガスタ・エイダ・バイロン","script":"kana","in_script":true,"relevant":["ada-lovelace"]}
{"qid":"ja:alias:edsger-w-dijkstra:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"エズガー・ダイクストラ","script":"kana","in_script":true,"relevant":["edsger-w-dijkstra"]}
{"qid":"ja:alias:edsger-w-dijkstra:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"EWD","script":"latin","in_script":false,"relevant":["edsger-w-dijkstra"]}
{"qid":"ja:alias:linus-torvalds:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"リーナス・トーパルズ","script":"kana","in_script":true,"relevant":["linus-torvalds"]}
{"qid":"ja:alias:linus-torvalds:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"リーヌス・トーヴァルズ","script":"kana","in_script":true,"relevant":["linus-torvalds"]}
{"qid":"ja:alias:linus-torvalds:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"リーヌス・トーバルズ","script":"kana","in_script":true,"relevant":["linus-torvalds"]}
{"qid":"ja:alias:ken-thompson:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Ken Thompson","script":"latin","in_script":false,"relevant":["ken-thompson"]}
{"qid":"ja:alias:bjarne-stroustrup:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ビャーン・ストラウストラップ","script":"kana","in_script":true,"relevant":["bjarne-stroustrup"]}
{"qid":"ja:alias:bjarne-stroustrup:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ビャーネ・ストラウストラップ","script":"kana","in_script":true,"relevant":["bjarne-stroustrup"]}
{"qid":"ja:alias:bjarne-stroustrup:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Bjarne Stroustrup","script":"latin","in_script":false,"relevant":["bjarne-stroustrup"]}
{"qid":"ja:alias:barbara-liskov:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"リスコフ","script":"kana","in_script":true,"relevant":["barbara-liskov"]}
{"qid":"ja:alias:steve-jobs:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"スティーブ・ジョブス","script":"kana","in_script":true,"relevant":["steve-jobs"]}
{"qid":"ja:alias:steve-jobs:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"スティーヴ・ジョブズ","script":"kana","in_script":true,"relevant":["steve-jobs"]}
{"qid":"ja:alias:steve-jobs:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"スティーヴン・ジョブズ","script":"kana","in_script":true,"relevant":["steve-jobs"]}
{"qid":"ja:alias:elon-musk:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"イーロンマスク","script":"kana","in_script":true,"relevant":["elon-musk"]}
{"qid":"ja:alias:elon-musk:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Elon Musk","script":"latin","in_script":false,"relevant":["elon-musk"]}
{"qid":"ja:alias:elon-musk:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"イーロン・リーヴ・マスク","script":"kana","in_script":true,"relevant":["elon-musk"]}
{"qid":"ja:alias:mark-zuckerberg:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ザッカーバーグ","script":"kana","in_script":true,"relevant":["mark-zuckerberg"]}
{"qid":"ja:alias:mark-zuckerberg:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Mark Zuckerberg","script":"latin","in_script":false,"relevant":["mark-zuckerberg"]}
{"qid":"ja:alias:sergey-brin:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"サーゲイ・ブリン","script":"kana","in_script":true,"relevant":["sergey-brin"]}
{"qid":"ja:alias:sergey-brin:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Sergey Brin","script":"latin","in_script":false,"relevant":["sergey-brin"]}
{"qid":"ja:alias:sundar-pichai:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"サンダーピチャイ","script":"kana","in_script":true,"relevant":["sundar-pichai"]}
{"qid":"ja:alias:sundar-pichai:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"サンダー・ピチャイ","script":"kana","in_script":true,"relevant":["sundar-pichai"]}
{"qid":"ja:alias:generative-pre-trained-transformer:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Generative pre-trained transformer","script":"latin","in_script":false,"relevant":["generative-pre-trained-transformer"]}
{"qid":"ja:alias:generative-pre-trained-transformer:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Generative Pre-trained Transformer","script":"latin","in_script":false,"relevant":["generative-pre-trained-transformer"]}
{"qid":"ja:alias:generative-pre-trained-transformer:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"生成的事前学習","script":"han","in_script":true,"relevant":["generative-pre-trained-transformer"]}
{"qid":"ja:alias:retrieval-augmented-generation:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"RAG","script":"latin","in_script":false,"relevant":["retrieval-augmented-generation"]}
{"qid":"ja:alias:retrieval-augmented-generation:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"検索拡張生成","script":"han","in_script":true,"relevant":["retrieval-augmented-generation"]}
{"qid":"ja:alias:generative-adversarial-network:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Generation adversarial network","script":"latin","in_script":false,"relevant":["generative-adversarial-network"]}
@@ -39,6 +107,13 @@
{"qid":"ja:alias:artificial-intelligence:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"人工頭脳","script":"han","in_script":true,"relevant":["artificial-intelligence"]}
{"qid":"ja:alias:artificial-intelligence:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"機械知能","script":"han","in_script":true,"relevant":["artificial-intelligence"]}
{"qid":"ja:alias:artificial-intelligence:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"人工知能学","script":"han","in_script":true,"relevant":["artificial-intelligence"]}
{"qid":"ja:alias:supervised-learning:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"目的変数","script":"han","in_script":true,"relevant":["supervised-learning"]}
{"qid":"ja:alias:prompt-engineering:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"プロンプト・エンジニアリング","script":"kana","in_script":true,"relevant":["prompt-engineering"]}
{"qid":"ja:alias:prompt-engineering:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"思考連鎖型プロンプト","script":"han","in_script":true,"relevant":["prompt-engineering"]}
{"qid":"ja:alias:prompt-engineering:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"コンテキスト内学習","script":"kana","in_script":true,"relevant":["prompt-engineering"]}
{"qid":"ja:alias:technological-singularity:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"2045年問題","script":"han","in_script":true,"relevant":["technological-singularity"]}
{"qid":"ja:alias:technological-singularity:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"テクノロジカルシンギュラリティ","script":"kana","in_script":true,"relevant":["technological-singularity"]}
{"qid":"ja:alias:technological-singularity:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"テクノロジカルシンギュラリティー","script":"kana","in_script":true,"relevant":["technological-singularity"]}
{"qid":"ja:alias:chatgpt:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"チャットGPT","script":"kana","in_script":true,"relevant":["chatgpt"]}
{"qid":"ja:alias:chatgpt:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"チャットgpt","script":"kana","in_script":true,"relevant":["chatgpt"]}
{"qid":"ja:alias:claude:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Claude Code","script":"latin","in_script":false,"relevant":["claude"]}
@@ -48,12 +123,15 @@
{"qid":"ja:alias:chatbot:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"人工無能","script":"han","in_script":true,"relevant":["chatbot"]}
{"qid":"ja:alias:chatbot:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"おしゃべりボット","script":"kana","in_script":true,"relevant":["chatbot"]}
{"qid":"ja:alias:chatbot:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"会話ボット","script":"kana","in_script":true,"relevant":["chatbot"]}
{"qid":"ja:alias:midjourney:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ミッドジャーニー","script":"kana","in_script":true,"relevant":["midjourney"]}
{"qid":"ja:alias:alphafold:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"アルファフォールド","script":"kana","in_script":true,"relevant":["alphafold"]}
{"qid":"ja:alias:search-engine:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"サーチエンジン","script":"kana","in_script":true,"relevant":["search-engine"]}
{"qid":"ja:alias:search-engine:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"検索サイト","script":"kana","in_script":true,"relevant":["search-engine"]}
{"qid":"ja:alias:search-engine:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ディレクトリ型検索エンジン","script":"kana","in_script":true,"relevant":["search-engine"]}
{"qid":"ja:alias:recommender-system:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"レコメンデーションシステム","script":"kana","in_script":true,"relevant":["recommender-system"]}
{"qid":"ja:alias:recommender-system:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"推薦システム","script":"kana","in_script":true,"relevant":["recommender-system"]}
{"qid":"ja:alias:recommender-system:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"レコメンドシステム","script":"kana","in_script":true,"relevant":["recommender-system"]}
{"qid":"ja:alias:collaborative-filtering:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Collaborative filtering","script":"latin","in_script":false,"relevant":["collaborative-filtering"]}
{"qid":"ja:alias:cluster-analysis:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"クラスター解析","script":"kana","in_script":true,"relevant":["cluster-analysis"]}
{"qid":"ja:alias:cluster-analysis:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"クラスタ解析","script":"kana","in_script":true,"relevant":["cluster-analysis"]}
{"qid":"ja:alias:cluster-analysis:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"クラスター分析","script":"kana","in_script":true,"relevant":["cluster-analysis"]}
@@ -64,6 +142,12 @@
{"qid":"ja:alias:regression-analysis:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"回帰計算","script":"han","in_script":true,"relevant":["regression-analysis"]}
{"qid":"ja:alias:regression-analysis:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"回帰式","script":"han","in_script":true,"relevant":["regression-analysis"]}
{"qid":"ja:alias:bayes-theorem:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ベイズ理論","script":"kana","in_script":true,"relevant":["bayes-theorem"]}
{"qid":"ja:alias:web-crawler:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"クロウラー","script":"kana","in_script":true,"relevant":["web-crawler"]}
{"qid":"ja:alias:web-crawler:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"クローラー","script":"kana","in_script":true,"relevant":["web-crawler"]}
{"qid":"ja:alias:web-crawler:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"クロウラ","script":"kana","in_script":true,"relevant":["web-crawler"]}
{"qid":"ja:alias:nearest-neighbor-search:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"最近接近傍探索","script":"han","in_script":true,"relevant":["nearest-neighbor-search"]}
{"qid":"ja:alias:euclidean-distance:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ユークリッド計量","script":"kana","in_script":true,"relevant":["euclidean-distance"]}
{"qid":"ja:alias:euclidean-distance:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"平方ユークリッド距離","script":"kana","in_script":true,"relevant":["euclidean-distance"]}
{"qid":"ja:alias:natural-language-processing:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"言語処理","script":"han","in_script":true,"relevant":["natural-language-processing"]}
{"qid":"ja:alias:natural-language-processing:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"自然言語検索","script":"han","in_script":true,"relevant":["natural-language-processing"]}
{"qid":"ja:alias:natural-language-processing:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"統計的自然言語処理","script":"han","in_script":true,"relevant":["natural-language-processing"]}
@@ -75,11 +159,50 @@
{"qid":"ja:alias:computer-vision:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"コンピュータ・ビジョン","script":"kana","in_script":true,"relevant":["computer-vision"]}
{"qid":"ja:alias:computer-vision:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"コンピューター・ビジョン","script":"kana","in_script":true,"relevant":["computer-vision"]}
{"qid":"ja:alias:turing-test:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"チューリングテスト","script":"kana","in_script":true,"relevant":["turing-test"]}
{"qid":"ja:alias:optical-character-recognition:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"文字認識","script":"han","in_script":true,"relevant":["optical-character-recognition"]}
{"qid":"ja:alias:optical-character-recognition:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"モバイル文字認識","script":"han","in_script":true,"relevant":["optical-character-recognition"]}
{"qid":"ja:alias:optical-character-recognition:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"光学式文字読取装置","script":"han","in_script":true,"relevant":["optical-character-recognition"]}
{"qid":"ja:alias:robotics:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ロボティクス","script":"kana","in_script":true,"relevant":["robotics"]}
{"qid":"ja:alias:robotics:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ロボット工学者","script":"kana","in_script":true,"relevant":["robotics"]}
{"qid":"ja:alias:postgresql:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Postgres","script":"latin","in_script":false,"relevant":["postgresql"]}
{"qid":"ja:alias:postgresql:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ポスグレ","script":"kana","in_script":true,"relevant":["postgresql"]}
{"qid":"ja:alias:postgresql:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"PgAdmin","script":"latin","in_script":false,"relevant":["postgresql"]}
{"qid":"ja:alias:sqlite:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"SQLite3","script":"latin","in_script":false,"relevant":["sqlite"]}
{"qid":"ja:alias:microsoft-sql-server:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"MSDE","script":"latin","in_script":false,"relevant":["microsoft-sql-server"]}
{"qid":"ja:alias:microsoft-sql-server:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Mssql","script":"latin","in_script":false,"relevant":["microsoft-sql-server"]}
{"qid":"ja:alias:microsoft-sql-server:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Ms sql","script":"latin","in_script":false,"relevant":["microsoft-sql-server"]}
{"qid":"ja:alias:kubernetes:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"K8s","script":"latin","in_script":false,"relevant":["kubernetes"]}
{"qid":"ja:alias:nosql:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ドキュメント指向データベース","script":"kana","in_script":true,"relevant":["nosql"]}
{"qid":"ja:alias:relational-database:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"リレーショナル・データベース","script":"kana","in_script":true,"relevant":["relational-database"]}
{"qid":"ja:alias:relational-database:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"リレーショナルデータベース","script":"kana","in_script":true,"relevant":["relational-database"]}
{"qid":"ja:alias:relational-database:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Sawzall","script":"latin","in_script":false,"relevant":["relational-database"]}
{"qid":"ja:alias:database-transaction:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"データベーストランザクション","script":"kana","in_script":true,"relevant":["database-transaction"]}
{"qid":"ja:alias:database-transaction:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Begin Work (SQL)","script":"latin","in_script":false,"relevant":["database-transaction"]}
{"qid":"ja:alias:database-transaction:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"BEGIN WORK (SQL)","script":"latin","in_script":false,"relevant":["database-transaction"]}
{"qid":"ja:alias:database-normalization:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"リレーションの正規化","script":"kana","in_script":true,"relevant":["database-normalization"]}
{"qid":"ja:alias:database-normalization:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"データベース正規化","script":"kana","in_script":true,"relevant":["database-normalization"]}
{"qid":"ja:alias:database-normalization:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ボイス・コッド正規形","script":"kana","in_script":true,"relevant":["database-normalization"]}
{"qid":"ja:alias:b-tree:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"B-tree","script":"latin","in_script":false,"relevant":["b-tree"]}
{"qid":"ja:alias:b-tree:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"B木構造","script":"han","in_script":true,"relevant":["b-tree"]}
{"qid":"ja:alias:json:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":".json","script":"latin","in_script":false,"relevant":["json"]}
{"qid":"ja:alias:json:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ECMA-404","script":"latin","in_script":false,"relevant":["json"]}
{"qid":"ja:alias:https:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"常時SSL","script":"latin","in_script":false,"relevant":["https"]}
{"qid":"ja:alias:https:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Https://","script":"latin","in_script":false,"relevant":["https"]}
{"qid":"ja:alias:transmission-control-protocol:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ウィンドウサイズ","script":"kana","in_script":true,"relevant":["transmission-control-protocol"]}
{"qid":"ja:alias:transmission-control-protocol:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"TCPヘッダ","script":"kana","in_script":true,"relevant":["transmission-control-protocol"]}
{"qid":"ja:alias:load-balancing:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"負荷分散","script":"han","in_script":true,"relevant":["load-balancing"]}
{"qid":"ja:alias:load-balancing:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ロードバランス","script":"kana","in_script":true,"relevant":["load-balancing"]}
{"qid":"ja:alias:load-balancing:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ロードバランサ","script":"kana","in_script":true,"relevant":["load-balancing"]}
{"qid":"ja:alias:nginx:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"エンジンエックス","script":"kana","in_script":true,"relevant":["nginx"]}
{"qid":"ja:alias:nginx:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"FreeNGINX","script":"latin","in_script":false,"relevant":["nginx"]}
{"qid":"ja:alias:nginx:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Freenginx","script":"latin","in_script":false,"relevant":["nginx"]}
{"qid":"ja:alias:cache:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"記憶階層","script":"han","in_script":true,"relevant":["cache"]}
{"qid":"ja:alias:cache:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"キャッシュシステム","script":"kana","in_script":true,"relevant":["cache"]}
{"qid":"ja:alias:cache:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"CPU cache","script":"latin","in_script":false,"relevant":["cache"]}
{"qid":"ja:alias:devops:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"デブオプス","script":"kana","in_script":true,"relevant":["devops"]}
{"qid":"ja:alias:microsoft-azure:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Windows Strata","script":"latin","in_script":false,"relevant":["microsoft-azure"]}
{"qid":"ja:alias:microsoft-azure:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Windows Cloud","script":"latin","in_script":false,"relevant":["microsoft-azure"]}
{"qid":"ja:alias:microsoft-azure:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Windows Azure","script":"latin","in_script":false,"relevant":["microsoft-azure"]}
{"qid":"ja:alias:git:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ギット","script":"kana","in_script":true,"relevant":["git"]}
{"qid":"ja:alias:git:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Libgit2","script":"latin","in_script":false,"relevant":["git"]}
{"qid":"ja:alias:linux:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"リナックス","script":"kana","in_script":true,"relevant":["linux"]}
@@ -94,15 +217,122 @@
{"qid":"ja:alias:software-as-a-service:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"SAAS","script":"latin","in_script":false,"relevant":["software-as-a-service"]}
{"qid":"ja:alias:software-as-a-service:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ソフトウェア プラス サービス","script":"kana","in_script":true,"relevant":["software-as-a-service"]}
{"qid":"ja:alias:software-as-a-service:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"SaaS","script":"latin","in_script":false,"relevant":["software-as-a-service"]}
{"qid":"ja:alias:internet-of-things:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"IoT","script":"latin","in_script":false,"relevant":["internet-of-things"]}
{"qid":"ja:alias:internet-of-things:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Internet of Things","script":"latin","in_script":false,"relevant":["internet-of-things"]}
{"qid":"ja:alias:internet-of-things:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"物のインターネット","script":"kana","in_script":true,"relevant":["internet-of-things"]}
{"qid":"ja:alias:javascript:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"LiveScript","script":"latin","in_script":false,"relevant":["javascript"]}
{"qid":"ja:alias:javascript:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ジャバスクリプト","script":"kana","in_script":true,"relevant":["javascript"]}
{"qid":"ja:alias:javascript:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ジャヴァスクリプト","script":"kana","in_script":true,"relevant":["javascript"]}
{"qid":"ja:alias:c:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"シー言語","script":"han","in_script":true,"relevant":["c"]}
{"qid":"ja:alias:c:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"C Programming Language","script":"latin","in_script":false,"relevant":["c"]}
{"qid":"ja:alias:c:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"JIS X 3010","script":"latin","in_script":false,"relevant":["c"]}
{"qid":"ja:alias:c-sharp:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"C＃","script":"latin","in_script":false,"relevant":["c-sharp"]}
{"qid":"ja:alias:c-sharp:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Cシャープ","script":"kana","in_script":true,"relevant":["c-sharp"]}
{"qid":"ja:alias:c-sharp:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"JIS X 3015","script":"latin","in_script":false,"relevant":["c-sharp"]}
{"qid":"ja:alias:ruby:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"JIS X 3017","script":"latin","in_script":false,"relevant":["ruby"]}
{"qid":"ja:alias:ruby:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ISO/IEC 30170","script":"latin","in_script":false,"relevant":["ruby"]}
{"qid":"ja:alias:r:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Rプログラム","script":"kana","in_script":true,"relevant":["r"]}
{"qid":"ja:alias:r:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"プログラム言語R","script":"kana","in_script":true,"relevant":["r"]}
{"qid":"ja:alias:r:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"CRAN","script":"latin","in_script":false,"relevant":["r"]}
{"qid":"ja:alias:assembly-language:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"アセンブラ言語","script":"kana","in_script":true,"relevant":["assembly-language"]}
{"qid":"ja:alias:assembly-language:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ニーモニック","script":"kana","in_script":true,"relevant":["assembly-language"]}
{"qid":"ja:alias:assembly-language:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"アセンブラー","script":"kana","in_script":true,"relevant":["assembly-language"]}
{"qid":"ja:alias:css:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"CSS2","script":"latin","in_script":false,"relevant":["css"]}
{"qid":"ja:alias:css:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"CSS3","script":"latin","in_script":false,"relevant":["css"]}
{"qid":"ja:alias:css:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"カスケード・スタイル・シート","script":"kana","in_script":true,"relevant":["css"]}
{"qid":"ja:alias:react:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"React.js","script":"latin","in_script":false,"relevant":["react"]}
{"qid":"ja:alias:react:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"リアクト","script":"kana","in_script":true,"relevant":["react"]}
{"qid":"ja:alias:interpreter:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"インタープリタ","script":"kana","in_script":true,"relevant":["interpreter"]}
{"qid":"ja:alias:interpreter:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"インタプリタ言語","script":"kana","in_script":true,"relevant":["interpreter"]}
{"qid":"ja:alias:interpreter:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"インタプリタ方式","script":"kana","in_script":true,"relevant":["interpreter"]}
{"qid":"ja:alias:unit-testing:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ユニットテスト","script":"kana","in_script":true,"relevant":["unit-testing"]}
{"qid":"ja:alias:unit-testing:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"単体試験","script":"han","in_script":true,"relevant":["unit-testing"]}
{"qid":"ja:alias:unit-testing:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ユニットテスティング","script":"kana","in_script":true,"relevant":["unit-testing"]}
{"qid":"ja:alias:scrum:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"SCRUM","script":"latin","in_script":false,"relevant":["scrum"]}
{"qid":"ja:alias:scrum:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"スクラム開発","script":"kana","in_script":true,"relevant":["scrum"]}
{"qid":"ja:alias:object-oriented-programming:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"オブジェクト指向言語","script":"kana","in_script":true,"relevant":["object-oriented-programming"]}
{"qid":"ja:alias:object-oriented-programming:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"オブジェクト指向プログラミング言語","script":"kana","in_script":true,"relevant":["object-oriented-programming"]}
{"qid":"ja:alias:object-oriented-programming:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Object-oriented programming","script":"latin","in_script":false,"relevant":["object-oriented-programming"]}
{"qid":"ja:alias:big-o-notation:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"O記法","script":"han","in_script":true,"relevant":["big-o-notation"]}
{"qid":"ja:alias:big-o-notation:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ランダウ記法","script":"kana","in_script":true,"relevant":["big-o-notation"]}
{"qid":"ja:alias:big-o-notation:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"オーダー記法","script":"kana","in_script":true,"relevant":["big-o-notation"]}
{"qid":"ja:alias:dynamic-programming:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ダイナミックプログラミング","script":"kana","in_script":true,"relevant":["dynamic-programming"]}
{"qid":"ja:alias:dynamic-programming:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ダイナミック・プログラミング","script":"kana","in_script":true,"relevant":["dynamic-programming"]}
{"qid":"ja:alias:turing-machine:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"位置と内容","script":"han","in_script":true,"relevant":["turing-machine"]}
{"qid":"ja:alias:turing-machine:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"チューリング機械","script":"kana","in_script":true,"relevant":["turing-machine"]}
{"qid":"ja:alias:turing-machine:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"チューリング・マシン","script":"kana","in_script":true,"relevant":["turing-machine"]}
{"qid":"ja:alias:p-versus-np-problem:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"P=NP予想","script":"latin","in_script":false,"relevant":["p-versus-np-problem"]}
{"qid":"ja:alias:p-versus-np-problem:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"P-NP問題","script":"latin","in_script":false,"relevant":["p-versus-np-problem"]}
{"qid":"ja:alias:p-versus-np-problem:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"P≠NP","script":"latin","in_script":false,"relevant":["p-versus-np-problem"]}
{"qid":"ja:alias:kernel:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"エクソカーネル","script":"kana","in_script":true,"relevant":["kernel"]}
{"qid":"ja:alias:microsoft-windows:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Windows","script":"latin","in_script":false,"relevant":["microsoft-windows"]}
{"qid":"ja:alias:microsoft-windows:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ウィンドウズ","script":"kana","in_script":true,"relevant":["microsoft-windows"]}
{"qid":"ja:alias:microsoft-windows:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ウインドウズ","script":"kana","in_script":true,"relevant":["microsoft-windows"]}
{"qid":"ja:alias:ios:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"OS X iPhone","script":"latin","in_script":false,"relevant":["ios"]}
{"qid":"ja:alias:ios:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"IPhone OS","script":"latin","in_script":false,"relevant":["ios"]}
{"qid":"ja:alias:ios:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"IPhoneOS","script":"latin","in_script":false,"relevant":["ios"]}
{"qid":"ja:alias:world-wide-web:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ウェブ","script":"kana","in_script":true,"relevant":["world-wide-web"]}
{"qid":"ja:alias:world-wide-web:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Web","script":"latin","in_script":false,"relevant":["world-wide-web"]}
{"qid":"ja:alias:world-wide-web:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ワールドワイドウェブ","script":"kana","in_script":true,"relevant":["world-wide-web"]}
{"qid":"ja:alias:application-programming-interface:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"アプリケーションプログラミングインターフェイス","script":"kana","in_script":true,"relevant":["application-programming-interface"]}
{"qid":"ja:alias:application-programming-interface:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Application programming interface","script":"latin","in_script":false,"relevant":["application-programming-interface"]}
{"qid":"ja:alias:application-programming-interface:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Application Programming Interface","script":"latin","in_script":false,"relevant":["application-programming-interface"]}
{"qid":"ja:alias:gnu-general-public-license:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"GPL","script":"latin","in_script":false,"relevant":["gnu-general-public-license"]}
{"qid":"ja:alias:gnu-general-public-license:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"GNU GPL","script":"latin","in_script":false,"relevant":["gnu-general-public-license"]}
{"qid":"ja:alias:gnu-general-public-license:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"General Public License","script":"latin","in_script":false,"relevant":["gnu-general-public-license"]}
{"qid":"ja:alias:creative-commons:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Creative Commons","script":"latin","in_script":false,"relevant":["creative-commons"]}
{"qid":"ja:alias:creative-commons:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"クリエイティヴ・コモンズ","script":"kana","in_script":true,"relevant":["creative-commons"]}
{"qid":"ja:alias:creative-commons:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"クリエイティブコモンズ","script":"kana","in_script":true,"relevant":["creative-commons"]}
{"qid":"ja:alias:public-key-cryptography:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"公開鍵暗号方式","script":"han","in_script":true,"relevant":["public-key-cryptography"]}
{"qid":"ja:alias:public-key-cryptography:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"公開かぎ暗号","script":"han","in_script":true,"relevant":["public-key-cryptography"]}
{"qid":"ja:alias:public-key-cryptography:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"公開二重鍵暗号","script":"han","in_script":true,"relevant":["public-key-cryptography"]}
{"qid":"ja:alias:hash-function:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ハッシュ化","script":"kana","in_script":true,"relevant":["hash-function"]}
{"qid":"ja:alias:hash-function:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ハッシュ値","script":"kana","in_script":true,"relevant":["hash-function"]}
{"qid":"ja:alias:advanced-encryption-standard:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"FIPS 197","script":"latin","in_script":false,"relevant":["advanced-encryption-standard"]}
{"qid":"ja:alias:advanced-encryption-standard:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Rijndael","script":"latin","in_script":false,"relevant":["advanced-encryption-standard"]}
{"qid":"ja:alias:advanced-encryption-standard:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"AES暗号","script":"latin","in_script":false,"relevant":["advanced-encryption-standard"]}
{"qid":"ja:alias:zero-knowledge-proof:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ゼロ知識対話証明","script":"han","in_script":true,"relevant":["zero-knowledge-proof"]}
{"qid":"ja:alias:zero-knowledge-proof:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Zkp","script":"latin","in_script":false,"relevant":["zero-knowledge-proof"]}
{"qid":"ja:alias:zero-knowledge-proof:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Zkip","script":"latin","in_script":false,"relevant":["zero-knowledge-proof"]}
{"qid":"ja:alias:y-combinator:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Y Combinator","script":"latin","in_script":false,"relevant":["y-combinator"]}
{"qid":"ja:alias:andreessen-horowitz:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"A16z","script":"latin","in_script":false,"relevant":["andreessen-horowitz"]}
{"qid":"ja:alias:venture-capital:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"起業投資","script":"han","in_script":true,"relevant":["venture-capital"]}
{"qid":"ja:alias:venture-capital:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"起業投資会社","script":"han","in_script":true,"relevant":["venture-capital"]}
{"qid":"ja:alias:venture-capital:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Alpha (ベンチャーキャピタル)","script":"kana","in_script":true,"relevant":["venture-capital"]}
{"qid":"ja:alias:initial-public-offering:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"新規株式公開","script":"han","in_script":true,"relevant":["initial-public-offering"]}
{"qid":"ja:alias:startup-company:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ベンチャービジネス","script":"kana","in_script":true,"relevant":["startup-company"]}
{"qid":"ja:alias:startup-company:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ベンチャー企業","script":"kana","in_script":true,"relevant":["startup-company"]}
{"qid":"ja:alias:startup-company:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"研究開発型企業","script":"han","in_script":true,"relevant":["startup-company"]}
{"qid":"ja:alias:due-diligence:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"デューデリジェンス","script":"kana","in_script":true,"relevant":["due-diligence"]}
{"qid":"ja:alias:due-diligence:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"デュー・ディリジェンス","script":"kana","in_script":true,"relevant":["due-diligence"]}
{"qid":"ja:alias:due-diligence:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"デュー・デリジェンス","script":"kana","in_script":true,"relevant":["due-diligence"]}
{"qid":"ja:alias:crowdfunding:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"クラウド・ファンディング","script":"kana","in_script":true,"relevant":["crowdfunding"]}
{"qid":"ja:alias:crowdfunding:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"スポーツファンディング","script":"kana","in_script":true,"relevant":["crowdfunding"]}
{"qid":"ja:alias:crowdfunding:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"クラファン","script":"kana","in_script":true,"relevant":["crowdfunding"]}
{"qid":"ja:alias:economies-of-scale:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"規模の利益","script":"han","in_script":true,"relevant":["economies-of-scale"]}
{"qid":"ja:alias:economies-of-scale:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"スケールメリット","script":"kana","in_script":true,"relevant":["economies-of-scale"]}
{"qid":"ja:alias:economies-of-scale:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"規模の経済性","script":"han","in_script":true,"relevant":["economies-of-scale"]}
{"qid":"ja:alias:patent:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"特許権","script":"han","in_script":true,"relevant":["patent"]}
{"qid":"ja:alias:patent:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"パテント","script":"kana","in_script":true,"relevant":["patent"]}
{"qid":"ja:alias:patent:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Patent","script":"latin","in_script":false,"relevant":["patent"]}
{"qid":"ja:alias:copyright:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"コピーライト","script":"kana","in_script":true,"relevant":["copyright"]}
{"qid":"ja:alias:copyright:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"著作者の権利","script":"han","in_script":true,"relevant":["copyright"]}
{"qid":"ja:alias:copyright:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"著作権者","script":"han","in_script":true,"relevant":["copyright"]}
{"qid":"ja:alias:probability:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"蓋然性","script":"han","in_script":true,"relevant":["probability"]}
{"qid":"ja:alias:bayesian-inference:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ベイズ推計","script":"kana","in_script":true,"relevant":["bayesian-inference"]}
{"qid":"ja:alias:bayesian-inference:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ベイズ推論","script":"kana","in_script":true,"relevant":["bayesian-inference"]}
{"qid":"ja:alias:hidden-markov-model:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"隠れマルコフ","script":"kana","in_script":true,"relevant":["hidden-markov-model"]}
{"qid":"ja:alias:matrix:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"実行列","script":"han","in_script":true,"relevant":["matrix"]}
{"qid":"ja:alias:matrix:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"複素行列","script":"han","in_script":true,"relevant":["matrix"]}
{"qid":"ja:alias:matrix:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"行ベクトル","script":"kana","in_script":true,"relevant":["matrix"]}
{"qid":"ja:alias:vector-space:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"線形空間","script":"han","in_script":true,"relevant":["vector-space"]}
{"qid":"ja:alias:vector-space:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"線型空間","script":"han","in_script":true,"relevant":["vector-space"]}
{"qid":"ja:alias:vector-space:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"実ベクトル空間","script":"kana","in_script":true,"relevant":["vector-space"]}
{"qid":"ja:alias:derivative:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"微分係数","script":"han","in_script":true,"relevant":["derivative"]}
{"qid":"ja:alias:derivative:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"導関数","script":"han","in_script":true,"relevant":["derivative"]}
{"qid":"ja:alias:derivative:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"導函数","script":"han","in_script":true,"relevant":["derivative"]}
{"qid":"ja:alias:convex-optimization:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"凸計画問題","script":"han","in_script":true,"relevant":["convex-optimization"]}
{"qid":"ja:alias:signal-processing:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"信号解析","script":"han","in_script":true,"relevant":["signal-processing"]}
{"qid":"ja:alias:fast-fourier-transform:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Fast Fourier Transform","script":"latin","in_script":false,"relevant":["fast-fourier-transform"]}
{"qid":"ja:alias:fast-fourier-transform:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"IFFT","script":"latin","in_script":false,"relevant":["fast-fourier-transform"]}
{"qid":"ja:alias:unicode:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ユニコード","script":"kana","in_script":true,"relevant":["unicode"]}
{"qid":"ja:alias:unicode:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"UTF","script":"latin","in_script":false,"relevant":["unicode"]}
{"qid":"ja:alias:unicode:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"サロゲートペア","script":"kana","in_script":true,"relevant":["unicode"]}
@@ -110,7 +340,35 @@
{"qid":"ja:alias:blockchain:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ブロックチェイン","script":"kana","in_script":true,"relevant":["blockchain"]}
{"qid":"ja:alias:blockchain:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Blockchain","script":"latin","in_script":false,"relevant":["blockchain"]}
{"qid":"ja:alias:cryptocurrency:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Counos","script":"latin","in_script":false,"relevant":["cryptocurrency"]}
{"qid":"ja:alias:ethereum:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"イーサリウム","script":"kana","in_script":true,"relevant":["ethereum"]}
{"qid":"ja:alias:ethereum:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Ethereum","script":"latin","in_script":false,"relevant":["ethereum"]}
{"qid":"ja:alias:non-fungible-token:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"NFT (トークン)","script":"kana","in_script":true,"relevant":["non-fungible-token"]}
{"qid":"ja:alias:non-fungible-token:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"NFTゲーム","script":"kana","in_script":true,"relevant":["non-fungible-token"]}
{"qid":"ja:alias:quantum-entanglement:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"量子エンタングルメント","script":"kana","in_script":true,"relevant":["quantum-entanglement"]}
{"qid":"ja:alias:quantum-entanglement:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"量子絡み合い","script":"han","in_script":true,"relevant":["quantum-entanglement"]}
{"qid":"ja:alias:quantum-entanglement:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"エンタングル","script":"kana","in_script":true,"relevant":["quantum-entanglement"]}
{"qid":"ja:alias:semiconductor:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"少数キャリア","script":"kana","in_script":true,"relevant":["semiconductor"]}
{"qid":"ja:alias:semiconductor:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"多数キャリア","script":"kana","in_script":true,"relevant":["semiconductor"]}
{"qid":"ja:alias:semiconductor:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"少数キャリヤー","script":"kana","in_script":true,"relevant":["semiconductor"]}
{"qid":"ja:alias:moore-s-law:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"シリコンサイクル","script":"kana","in_script":true,"relevant":["moore-s-law"]}
{"qid":"ja:alias:tensor-processing-unit:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Tensor processing unit","script":"latin","in_script":false,"relevant":["tensor-processing-unit"]}
{"qid":"ja:alias:tensor-processing-unit:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Edge TPU","script":"latin","in_script":false,"relevant":["tensor-processing-unit"]}
{"qid":"ja:alias:tensor-processing-unit:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"テンサー・プロセッシング・ユニット","script":"kana","in_script":true,"relevant":["tensor-processing-unit"]}
{"qid":"ja:alias:application-specific-integrated-circuit:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"カスタムIC","script":"kana","in_script":true,"relevant":["application-specific-integrated-circuit"]}
{"qid":"ja:alias:application-specific-integrated-circuit:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"特定用途向け集積回路","script":"han","in_script":true,"relevant":["application-specific-integrated-circuit"]}
{"qid":"ja:alias:solid-state-drive:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"シリコンディスク","script":"kana","in_script":true,"relevant":["solid-state-drive"]}
{"qid":"ja:alias:solid-state-drive:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"擬似ディスク","script":"kana","in_script":true,"relevant":["solid-state-drive"]}
{"qid":"ja:alias:solid-state-drive:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Flash SSD","script":"latin","in_script":false,"relevant":["solid-state-drive"]}
{"qid":"ja:alias:nanotechnology:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ナノテク","script":"kana","in_script":true,"relevant":["nanotechnology"]}
{"qid":"ja:alias:nanotechnology:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"超微細技術","script":"han","in_script":true,"relevant":["nanotechnology"]}
{"qid":"ja:alias:nanotechnology:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ナノシステム","script":"kana","in_script":true,"relevant":["nanotechnology"]}
{"qid":"ja:alias:crispr:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"クリスパー","script":"kana","in_script":true,"relevant":["crispr"]}
{"qid":"ja:alias:bioinformatics:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"生物情報学","script":"han","in_script":true,"relevant":["bioinformatics"]}
{"qid":"ja:alias:bioinformatics:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"バイオインフォマティックス","script":"kana","in_script":true,"relevant":["bioinformatics"]}
{"qid":"ja:alias:bioinformatics:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"生物情報科学","script":"han","in_script":true,"relevant":["bioinformatics"]}
{"qid":"ja:alias:cognitive-science:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"認知科学者","script":"han","in_script":true,"relevant":["cognitive-science"]}
{"qid":"ja:alias:consciousness:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"意識レベル","script":"kana","in_script":true,"relevant":["consciousness"]}
{"qid":"ja:alias:consciousness:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"意識研究","script":"han","in_script":true,"relevant":["consciousness"]}
{"qid":"ja:alias:5g:0","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"5G","script":"latin","in_script":false,"relevant":["5g"]}
{"qid":"ja:alias:5g:1","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"ファイブジー","script":"kana","in_script":true,"relevant":["5g"]}
{"qid":"ja:alias:5g:2","lang":"ja","family":"alias","origin":"wikipedia-redirect","query":"Au 5G","script":"latin","in_script":false,"relevant":["5g"]}
evals/embedding-default/queries/ja.nlq.jsonl
+24 -24
View File
@@ -1,24 +1,24 @@
{"qid": "ja:nlq:openai", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "ChatGPT を開発し、サンフランシスコに本社を置く企業はどこか", "script": "kana", "in_script": true, "relevant": ["openai"]}
{"qid": "ja:nlq:anthropic", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "別の大手AI企業を離れた研究者が設立した、AIの安全性に注力する研究所", "script": "han", "in_script": true, "relevant": ["anthropic"]}
{"qid": "ja:nlq:google-deepmind", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "囲碁の世界チャンピオンに勝ったプログラムを作ったロンドンの研究所", "script": "kana", "in_script": true, "relevant": ["google-deepmind"]}
{"qid": "ja:nlq:geoffrey-hinton", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "ディープラーニングの父と呼ばれ、チューリング賞を共同受賞した研究者", "script": "kana", "in_script": true, "relevant": ["geoffrey-hinton"]}
{"qid": "ja:nlq:fei-fei-li", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "画像認識モデルの評価に使われる大規模なラベル付き画像データセットを作った科学者", "script": "kana", "in_script": true, "relevant": ["fei-fei-li"]}
{"qid": "ja:nlq:jensen-huang", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "大規模モデルの学習に使われるプロセッサを作る半導体企業を率いているのは誰か", "script": "kana", "in_script": true, "relevant": ["jensen-huang"]}
{"qid": "ja:nlq:sam-altman", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "GPT シリーズを開発している組織の最高経営責任者は誰か", "script": "han", "in_script": true, "relevant": ["sam-altman"]}
{"qid": "ja:nlq:transformer", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "自己注意機構に基づき、再帰的な構造を置き換えたニューラルネットワークの構成", "script": "kana", "in_script": true, "relevant": ["transformer"]}
{"qid": "ja:nlq:word-embedding", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "個々の単語をモデルが扱える密な数値ベクトルに変換する方法", "script": "kana", "in_script": true, "relevant": ["word-embedding"]}
{"qid": "ja:nlq:retrieval-augmented-generation", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "外部から取得した文書を言語モデルに与えて事実の捏造を減らす手法", "script": "han", "in_script": true, "relevant": ["retrieval-augmented-generation"]}
{"qid": "ja:nlq:overfitting", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "学習に使ったデータでは高い性能が出るのに未知のデータでは性能が落ちる理由", "script": "kana", "in_script": true, "relevant": ["overfitting"]}
{"qid": "ja:nlq:gradient-descent", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "損失が小さくなる方向へパラメータを繰り返し更新する手法", "script": "kana", "in_script": true, "relevant": ["gradient-descent"]}
{"qid": "ja:nlq:tf-idf", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "ある語が文書集合全体でどれだけ珍しいかに応じて重みを付ける方法", "script": "kana", "in_script": true, "relevant": ["tf-idf"]}
{"qid": "ja:nlq:k-nearest-neighbors-algorithm", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "最も近い既知のラベル付き事例を見て新しい点を分類する方法", "script": "han", "in_script": true, "relevant": ["k-nearest-neighbors-algorithm"]}
{"qid": "ja:nlq:cluster-analysis", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "ラベルのないデータを似たもの同士がまとまるように分ける手法", "script": "kana", "in_script": true, "relevant": ["cluster-analysis"]}
{"qid": "ja:nlq:principal-component-analysis", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "できるだけ分散を保ちながら次元の数を減らす方法", "script": "kana", "in_script": true, "relevant": ["principal-component-analysis"]}
{"qid": "ja:nlq:postgresql", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "拡張機能のエコシステムで知られるオープンソースのリレーショナルデータベース", "script": "kana", "in_script": true, "relevant": ["postgresql"]}
{"qid": "ja:nlq:sqlite", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "データベース全体を1つの通常のファイルに保存する組み込み型のデータベースエンジン", "script": "kana", "in_script": true, "relevant": ["sqlite"]}
{"qid": "ja:nlq:elasticsearch", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "Lucene の上に構築された分散型の全文検索サーバ", "script": "han", "in_script": true, "relevant": ["elasticsearch"]}
{"qid": "ja:nlq:redis", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "キャッシュとしてよく使われるインメモリのキーバリューストア", "script": "kana", "in_script": true, "relevant": ["redis"]}
{"qid": "ja:nlq:kubernetes", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "複数のマシンにまたがってコンテナをスケジュールし管理する仕組み", "script": "kana", "in_script": true, "relevant": ["kubernetes"]}
{"qid": "ja:nlq:y-combinator", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "年に二回のバッチでスタートアップに出資するアクセラレーター", "script": "kana", "in_script": true, "relevant": ["y-combinator"]}
{"qid": "ja:nlq:venture-capital", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "投資家がリスクの高い初期段階の企業に出資し株式を得る仕組み", "script": "han", "in_script": true, "relevant": ["venture-capital"]}
{"qid": "ja:nlq:unicode", "lang": "ja", "family": "nlq", "origin": "author-written", "query": "あらゆる文字体系のすべての文字に番号を割り当てる規格", "script": "kana", "in_script": true, "relevant": ["unicode"]}
{"qid":"ja:nlq:openai","lang":"ja","family":"nlq","origin":"author-written","query":"ChatGPT を開発し、サンフランシスコに本社を置く企業はどこか","script":"kana","in_script":true,"relevant":["openai"]}
{"qid":"ja:nlq:anthropic","lang":"ja","family":"nlq","origin":"author-written","query":"別の大手AI企業を離れた研究者が設立した、AIの安全性に注力する研究所","script":"han","in_script":true,"relevant":["anthropic"]}
{"qid":"ja:nlq:google-deepmind","lang":"ja","family":"nlq","origin":"author-written","query":"囲碁の世界チャンピオンに勝ったプログラムを作ったロンドンの研究所","script":"kana","in_script":true,"relevant":["google-deepmind"]}
{"qid":"ja:nlq:geoffrey-hinton","lang":"ja","family":"nlq","origin":"author-written","query":"ディープラーニングの父と呼ばれ、チューリング賞を共同受賞した研究者","script":"kana","in_script":true,"relevant":["geoffrey-hinton"]}
{"qid":"ja:nlq:yann-lecun","lang":"ja","family":"nlq","origin":"author-written","query":"フェイスブックとインスタグラムを所有する企業で人工知能研究を統括しているのは誰か","script":"kana","in_script":true,"relevant":["yann-lecun"]}
{"qid":"ja:nlq:jensen-huang","lang":"ja","family":"nlq","origin":"author-written","query":"大規模モデルの学習に使われるプロセッサを作る半導体企業を率いているのは誰か","script":"kana","in_script":true,"relevant":["jensen-huang"]}
{"qid":"ja:nlq:sam-altman","lang":"ja","family":"nlq","origin":"author-written","query":"GPT シリーズを開発している組織の最高経営責任者は誰か","script":"han","in_script":true,"relevant":["sam-altman"]}
{"qid":"ja:nlq:transformer","lang":"ja","family":"nlq","origin":"author-written","query":"自己注意機構に基づき、再帰的な構造を置き換えたニューラルネットワークの構成","script":"kana","in_script":true,"relevant":["transformer"]}
{"qid":"ja:nlq:convolutional-neural-network","lang":"ja","family":"nlq","origin":"author-written","query":"学習したフィルタを画像の上で滑らせて局所的な模様を捉えるネットワーク構成","script":"kana","in_script":true,"relevant":["convolutional-neural-network"]}
{"qid":"ja:nlq:retrieval-augmented-generation","lang":"ja","family":"nlq","origin":"author-written","query":"外部から取得した文書を言語モデルに与えて事実の捏造を減らす手法","script":"han","in_script":true,"relevant":["retrieval-augmented-generation"]}
{"qid":"ja:nlq:overfitting","lang":"ja","family":"nlq","origin":"author-written","query":"学習に使ったデータでは高い性能が出るのに未知のデータでは性能が落ちる理由","script":"kana","in_script":true,"relevant":["overfitting"]}
{"qid":"ja:nlq:gradient-descent","lang":"ja","family":"nlq","origin":"author-written","query":"損失が小さくなる方向へパラメータを繰り返し更新する手法","script":"kana","in_script":true,"relevant":["gradient-descent"]}
{"qid":"ja:nlq:tf-idf","lang":"ja","family":"nlq","origin":"author-written","query":"ある語が文書集合全体でどれだけ珍しいかに応じて重みを付ける方法","script":"kana","in_script":true,"relevant":["tf-idf"]}
{"qid":"ja:nlq:nearest-neighbor-search","lang":"ja","family":"nlq","origin":"author-written","query":"大規模な集合の中から与えられた点に最も近い要素を見つけること","script":"kana","in_script":true,"relevant":["nearest-neighbor-search"]}
{"qid":"ja:nlq:cluster-analysis","lang":"ja","family":"nlq","origin":"author-written","query":"ラベルのないデータを似たもの同士がまとまるように分ける手法","script":"kana","in_script":true,"relevant":["cluster-analysis"]}
{"qid":"ja:nlq:principal-component-analysis","lang":"ja","family":"nlq","origin":"author-written","query":"できるだけ分散を保ちながら次元の数を減らす方法","script":"kana","in_script":true,"relevant":["principal-component-analysis"]}
{"qid":"ja:nlq:postgresql","lang":"ja","family":"nlq","origin":"author-written","query":"拡張機能のエコシステムで知られるオープンソースのリレーショナルデータベース","script":"kana","in_script":true,"relevant":["postgresql"]}
{"qid":"ja:nlq:sqlite","lang":"ja","family":"nlq","origin":"author-written","query":"データベース全体を1つの通常のファイルに保存する組み込み型のデータベースエンジン","script":"kana","in_script":true,"relevant":["sqlite"]}
{"qid":"ja:nlq:elasticsearch","lang":"ja","family":"nlq","origin":"author-written","query":"Lucene の上に構築された分散型の全文検索サーバ","script":"han","in_script":true,"relevant":["elasticsearch"]}
{"qid":"ja:nlq:redis","lang":"ja","family":"nlq","origin":"author-written","query":"キャッシュとしてよく使われるインメモリのキーバリューストア","script":"kana","in_script":true,"relevant":["redis"]}
{"qid":"ja:nlq:kubernetes","lang":"ja","family":"nlq","origin":"author-written","query":"複数のマシンにまたがってコンテナをスケジュールし管理する仕組み","script":"kana","in_script":true,"relevant":["kubernetes"]}
{"qid":"ja:nlq:y-combinator","lang":"ja","family":"nlq","origin":"author-written","query":"年に二回のバッチでスタートアップに出資するアクセラレーター","script":"kana","in_script":true,"relevant":["y-combinator"]}
{"qid":"ja:nlq:venture-capital","lang":"ja","family":"nlq","origin":"author-written","query":"投資家がリスクの高い初期段階の企業に出資し株式を得る仕組み","script":"han","in_script":true,"relevant":["venture-capital"]}
{"qid":"ja:nlq:unicode","lang":"ja","family":"nlq","origin":"author-written","query":"あらゆる文字体系のすべての文字に番号を割り当てる規格","script":"kana","in_script":true,"relevant":["unicode"]}
evals/embedding-default/queries/ru.alias.jsonl
+430
View File
@@ -0,0 +1,430 @@
{"qid":"ru:alias:anthropic:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Антропик","script":"cyrillic","in_script":true,"relevant":["anthropic"]}
{"qid":"ru:alias:google-deepmind:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"DeepMind Technologies","script":"latin","in_script":false,"relevant":["google-deepmind"]}
{"qid":"ru:alias:google-deepmind:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"DeepMind Technologies Limited","script":"latin","in_script":false,"relevant":["google-deepmind"]}
{"qid":"ru:alias:google-deepmind:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"DeepMind","script":"latin","in_script":false,"relevant":["google-deepmind"]}
{"qid":"ru:alias:nvidia:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Корпорация nVidia","script":"cyrillic","in_script":true,"relevant":["nvidia"]}
{"qid":"ru:alias:nvidia:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Nvidia Corporation","script":"latin","in_script":false,"relevant":["nvidia"]}
{"qid":"ru:alias:nvidia:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"NVIDIA Corporation","script":"latin","in_script":false,"relevant":["nvidia"]}
{"qid":"ru:alias:meta-platforms:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Facebook Inc.","script":"latin","in_script":false,"relevant":["meta-platforms"]}
{"qid":"ru:alias:meta-platforms:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Facebook, Inc.","script":"latin","in_script":false,"relevant":["meta-platforms"]}
{"qid":"ru:alias:meta-platforms:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Meta, Inc.","script":"latin","in_script":false,"relevant":["meta-platforms"]}
{"qid":"ru:alias:apple-inc:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Apple Computer Company","script":"latin","in_script":false,"relevant":["apple-inc"]}
{"qid":"ru:alias:apple-inc:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Apple Computer, Inc.","script":"latin","in_script":false,"relevant":["apple-inc"]}
{"qid":"ru:alias:apple-inc:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Apple Computers","script":"latin","in_script":false,"relevant":["apple-inc"]}
{"qid":"ru:alias:alphabet-inc:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Alphabet Inc","script":"latin","in_script":false,"relevant":["alphabet-inc"]}
{"qid":"ru:alias:alphabet-inc:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Alphabet Inc.","script":"latin","in_script":false,"relevant":["alphabet-inc"]}
{"qid":"ru:alias:ibm:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"International Business Machines","script":"latin","in_script":false,"relevant":["ibm"]}
{"qid":"ru:alias:ibm:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"ИБМ","script":"cyrillic","in_script":true,"relevant":["ibm"]}
{"qid":"ru:alias:ibm:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Big Blue","script":"latin","in_script":false,"relevant":["ibm"]}
{"qid":"ru:alias:advanced-micro-devices:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"АМД","script":"cyrillic","in_script":true,"relevant":["advanced-micro-devices"]}
{"qid":"ru:alias:advanced-micro-devices:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"AMD Inc","script":"latin","in_script":false,"relevant":["advanced-micro-devices"]}
{"qid":"ru:alias:advanced-micro-devices:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Advanced Micro Devices, Inc.","script":"latin","in_script":false,"relevant":["advanced-micro-devices"]}
{"qid":"ru:alias:salesforce:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Force.com","script":"latin","in_script":false,"relevant":["salesforce"]}
{"qid":"ru:alias:salesforce:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Apex (язык программирования)","script":"cyrillic","in_script":true,"relevant":["salesforce"]}
{"qid":"ru:alias:salesforce:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Jigsaw (бизнес-каталог)","script":"cyrillic","in_script":true,"relevant":["salesforce"]}
{"qid":"ru:alias:sap:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"SAP AG","script":"latin","in_script":false,"relevant":["sap"]}
{"qid":"ru:alias:sap:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"SAP R/3","script":"latin","in_script":false,"relevant":["sap"]}
{"qid":"ru:alias:sap:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"SAP SE","script":"latin","in_script":false,"relevant":["sap"]}
{"qid":"ru:alias:tesla-inc:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Тесла Моторс","script":"cyrillic","in_script":true,"relevant":["tesla-inc"]}
{"qid":"ru:alias:tesla-inc:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Tesla Motors","script":"latin","in_script":false,"relevant":["tesla-inc"]}
{"qid":"ru:alias:tesla-inc:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Tesla Inc.","script":"latin","in_script":false,"relevant":["tesla-inc"]}
{"qid":"ru:alias:uber:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Убер","script":"cyrillic","in_script":true,"relevant":["uber"]}
{"qid":"ru:alias:uber:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Uber Technologies Inc.","script":"latin","in_script":false,"relevant":["uber"]}
{"qid":"ru:alias:twitter:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Twitter.com","script":"latin","in_script":false,"relevant":["twitter"]}
{"qid":"ru:alias:twitter:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Твиттинг","script":"cyrillic","in_script":true,"relevant":["twitter"]}
{"qid":"ru:alias:twitter:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Твит","script":"cyrillic","in_script":true,"relevant":["twitter"]}
{"qid":"ru:alias:github:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Гитхаб","script":"cyrillic","in_script":true,"relevant":["github"]}
{"qid":"ru:alias:samsung-electronics:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Самсунг Электроникс","script":"cyrillic","in_script":true,"relevant":["samsung-electronics"]}
{"qid":"ru:alias:samsung-electronics:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Samsung Electric Industries","script":"latin","in_script":false,"relevant":["samsung-electronics"]}
{"qid":"ru:alias:samsung-electronics:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Samsung Electronics Co., Ltd","script":"latin","in_script":false,"relevant":["samsung-electronics"]}
{"qid":"ru:alias:alibaba-group:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Alibaba.com","script":"latin","in_script":false,"relevant":["alibaba-group"]}
{"qid":"ru:alias:alibaba-group:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Alibaba","script":"latin","in_script":false,"relevant":["alibaba-group"]}
{"qid":"ru:alias:alibaba-group:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Tmall.com","script":"latin","in_script":false,"relevant":["alibaba-group"]}
{"qid":"ru:alias:geoffrey-hinton:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Джеффри Хинтон","script":"cyrillic","in_script":true,"relevant":["geoffrey-hinton"]}
{"qid":"ru:alias:geoffrey-hinton:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Geoffrey Everest Hinton","script":"latin","in_script":false,"relevant":["geoffrey-hinton"]}
{"qid":"ru:alias:yann-lecun:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Ян Лекун","script":"cyrillic","in_script":true,"relevant":["yann-lecun"]}
{"qid":"ru:alias:yann-lecun:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Лекун","script":"cyrillic","in_script":true,"relevant":["yann-lecun"]}
{"qid":"ru:alias:yann-lecun:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Yann LeCun","script":"latin","in_script":false,"relevant":["yann-lecun"]}
{"qid":"ru:alias:ilya-sutskever:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Илья Суцкевер","script":"cyrillic","in_script":true,"relevant":["ilya-sutskever"]}
{"qid":"ru:alias:ilya-sutskever:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Ilya Sutskever","script":"latin","in_script":false,"relevant":["ilya-sutskever"]}
{"qid":"ru:alias:ilya-sutskever:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Sutskever Ilya","script":"latin","in_script":false,"relevant":["ilya-sutskever"]}
{"qid":"ru:alias:demis-hassabis:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Demis Hassabis","script":"latin","in_script":false,"relevant":["demis-hassabis"]}
{"qid":"ru:alias:demis-hassabis:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Демис Хассабис","script":"cyrillic","in_script":true,"relevant":["demis-hassabis"]}
{"qid":"ru:alias:demis-hassabis:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Хассабис","script":"cyrillic","in_script":true,"relevant":["demis-hassabis"]}
{"qid":"ru:alias:sam-altman:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Сэм Олтмен","script":"cyrillic","in_script":true,"relevant":["sam-altman"]}
{"qid":"ru:alias:sam-altman:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Сэм Альтман","script":"cyrillic","in_script":true,"relevant":["sam-altman"]}
{"qid":"ru:alias:sam-altman:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Олтмэн, Сэм","script":"cyrillic","in_script":true,"relevant":["sam-altman"]}
{"qid":"ru:alias:jensen-huang:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Жэнь-Сунь Хуан","script":"cyrillic","in_script":true,"relevant":["jensen-huang"]}
{"qid":"ru:alias:jensen-huang:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Хуан Жэньсюнь","script":"cyrillic","in_script":true,"relevant":["jensen-huang"]}
{"qid":"ru:alias:jensen-huang:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Дженсен Хуанг","script":"cyrillic","in_script":true,"relevant":["jensen-huang"]}
{"qid":"ru:alias:dario-amodei:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Дарио Амодеи","script":"cyrillic","in_script":true,"relevant":["dario-amodei"]}
{"qid":"ru:alias:dario-amodei:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Dario Amodei","script":"latin","in_script":false,"relevant":["dario-amodei"]}
{"qid":"ru:alias:dario-amodei:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Амодей, Дарио","script":"cyrillic","in_script":true,"relevant":["dario-amodei"]}
{"qid":"ru:alias:marvin-minsky:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Мински, Марвин","script":"cyrillic","in_script":true,"relevant":["marvin-minsky"]}
{"qid":"ru:alias:marvin-minsky:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Марвин Мински","script":"cyrillic","in_script":true,"relevant":["marvin-minsky"]}
{"qid":"ru:alias:marvin-minsky:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Марвин Ли Мински","script":"cyrillic","in_script":true,"relevant":["marvin-minsky"]}
{"qid":"ru:alias:herbert-a-simon:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Герберт Саймон","script":"cyrillic","in_script":true,"relevant":["herbert-a-simon"]}
{"qid":"ru:alias:herbert-a-simon:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Саймон Г.","script":"cyrillic","in_script":true,"relevant":["herbert-a-simon"]}
{"qid":"ru:alias:herbert-a-simon:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Саймон Герберт","script":"cyrillic","in_script":true,"relevant":["herbert-a-simon"]}
{"qid":"ru:alias:john-von-neumann:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Фон Нейман, Джон","script":"cyrillic","in_script":true,"relevant":["john-von-neumann"]}
{"qid":"ru:alias:john-von-neumann:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Джон фон Нейман","script":"cyrillic","in_script":true,"relevant":["john-von-neumann"]}
{"qid":"ru:alias:john-von-neumann:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Нейманн, Джон фон","script":"cyrillic","in_script":true,"relevant":["john-von-neumann"]}
{"qid":"ru:alias:ada-lovelace:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Ада Лавлейс","script":"cyrillic","in_script":true,"relevant":["ada-lovelace"]}
{"qid":"ru:alias:ada-lovelace:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Лавлейс А.","script":"cyrillic","in_script":true,"relevant":["ada-lovelace"]}
{"qid":"ru:alias:ada-lovelace:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Байрон, Ада","script":"cyrillic","in_script":true,"relevant":["ada-lovelace"]}
{"qid":"ru:alias:edsger-w-dijkstra:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Эдсгер Дейкстра","script":"cyrillic","in_script":true,"relevant":["edsger-w-dijkstra"]}
{"qid":"ru:alias:edsger-w-dijkstra:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Дейкстра, Эдсгер","script":"cyrillic","in_script":true,"relevant":["edsger-w-dijkstra"]}
{"qid":"ru:alias:edsger-w-dijkstra:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Dijkstra","script":"latin","in_script":false,"relevant":["edsger-w-dijkstra"]}
{"qid":"ru:alias:linus-torvalds:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Линус Торвальдс","script":"cyrillic","in_script":true,"relevant":["linus-torvalds"]}
{"qid":"ru:alias:linus-torvalds:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Линус Торвалдс","script":"cyrillic","in_script":true,"relevant":["linus-torvalds"]}
{"qid":"ru:alias:linus-torvalds:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Торвалдс, Линус Бенедикт","script":"cyrillic","in_script":true,"relevant":["linus-torvalds"]}
{"qid":"ru:alias:ken-thompson:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Кен Томпсон","script":"cyrillic","in_script":true,"relevant":["ken-thompson"]}
{"qid":"ru:alias:ken-thompson:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Томпсон К.","script":"cyrillic","in_script":true,"relevant":["ken-thompson"]}
{"qid":"ru:alias:ken-thompson:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Томпсон Кен","script":"cyrillic","in_script":true,"relevant":["ken-thompson"]}
{"qid":"ru:alias:bjarne-stroustrup:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Бьерн Страуструп","script":"cyrillic","in_script":true,"relevant":["bjarne-stroustrup"]}
{"qid":"ru:alias:bjarne-stroustrup:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Бьярне Страуструп","script":"cyrillic","in_script":true,"relevant":["bjarne-stroustrup"]}
{"qid":"ru:alias:bjarne-stroustrup:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Страуструп, Бьерн","script":"cyrillic","in_script":true,"relevant":["bjarne-stroustrup"]}
{"qid":"ru:alias:barbara-liskov:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Барбара Лисков","script":"cyrillic","in_script":true,"relevant":["barbara-liskov"]}
{"qid":"ru:alias:barbara-liskov:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Barbara Jane Liskov","script":"latin","in_script":false,"relevant":["barbara-liskov"]}
{"qid":"ru:alias:steve-jobs:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Стив Джобс","script":"cyrillic","in_script":true,"relevant":["steve-jobs"]}
{"qid":"ru:alias:steve-jobs:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Стивен Джобс","script":"cyrillic","in_script":true,"relevant":["steve-jobs"]}
{"qid":"ru:alias:steve-jobs:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Стивен Пол Джобс","script":"cyrillic","in_script":true,"relevant":["steve-jobs"]}
{"qid":"ru:alias:elon-musk:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Элон Маск","script":"cyrillic","in_script":true,"relevant":["elon-musk"]}
{"qid":"ru:alias:elon-musk:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Маск, Элон","script":"cyrillic","in_script":true,"relevant":["elon-musk"]}
{"qid":"ru:alias:elon-musk:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Маск","script":"cyrillic","in_script":true,"relevant":["elon-musk"]}
{"qid":"ru:alias:mark-zuckerberg:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Марк Закерберг","script":"cyrillic","in_script":true,"relevant":["mark-zuckerberg"]}
{"qid":"ru:alias:mark-zuckerberg:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Закерберг, Марк","script":"cyrillic","in_script":true,"relevant":["mark-zuckerberg"]}
{"qid":"ru:alias:mark-zuckerberg:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Марк Цукерберг","script":"cyrillic","in_script":true,"relevant":["mark-zuckerberg"]}
{"qid":"ru:alias:sergey-brin:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Сергей Брин","script":"cyrillic","in_script":true,"relevant":["sergey-brin"]}
{"qid":"ru:alias:sergey-brin:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Сергей Михайлович Брин","script":"cyrillic","in_script":true,"relevant":["sergey-brin"]}
{"qid":"ru:alias:sergey-brin:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Sergey Brin","script":"latin","in_script":false,"relevant":["sergey-brin"]}
{"qid":"ru:alias:sundar-pichai:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Сундар Пичаи","script":"cyrillic","in_script":true,"relevant":["sundar-pichai"]}
{"qid":"ru:alias:sundar-pichai:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Пичаи","script":"cyrillic","in_script":true,"relevant":["sundar-pichai"]}
{"qid":"ru:alias:sundar-pichai:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Сундарараджан Пичаи","script":"cyrillic","in_script":true,"relevant":["sundar-pichai"]}
{"qid":"ru:alias:transformer:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Transformer (machine learning model)","script":"latin","in_script":false,"relevant":["transformer"]}
{"qid":"ru:alias:generative-pre-trained-transformer:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Генеративная предварительно обученная трансформерная модель","script":"cyrillic","in_script":true,"relevant":["generative-pre-trained-transformer"]}
{"qid":"ru:alias:generative-pre-trained-transformer:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Генеративный предобученный трансформер","script":"cyrillic","in_script":true,"relevant":["generative-pre-trained-transformer"]}
{"qid":"ru:alias:generative-pre-trained-transformer:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Generative pre-trained transformer","script":"latin","in_script":false,"relevant":["generative-pre-trained-transformer"]}
{"qid":"ru:alias:large-language-model:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Большие языковые модели","script":"cyrillic","in_script":true,"relevant":["large-language-model"]}
{"qid":"ru:alias:large-language-model:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"LLM","script":"latin","in_script":false,"relevant":["large-language-model"]}
{"qid":"ru:alias:large-language-model:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Large language model","script":"latin","in_script":false,"relevant":["large-language-model"]}
{"qid":"ru:alias:retrieval-augmented-generation:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"RAG","script":"latin","in_script":false,"relevant":["retrieval-augmented-generation"]}
{"qid":"ru:alias:retrieval-augmented-generation:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Генерация, дополненная поиском","script":"cyrillic","in_script":true,"relevant":["retrieval-augmented-generation"]}
{"qid":"ru:alias:convolutional-neural-network:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Свёрточные нейронные сети","script":"cyrillic","in_script":true,"relevant":["convolutional-neural-network"]}
{"qid":"ru:alias:convolutional-neural-network:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Сверточная нейронная сеть","script":"cyrillic","in_script":true,"relevant":["convolutional-neural-network"]}
{"qid":"ru:alias:convolutional-neural-network:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Convolutional neural network","script":"latin","in_script":false,"relevant":["convolutional-neural-network"]}
{"qid":"ru:alias:generative-adversarial-network:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Генеративная состязательная сеть","script":"cyrillic","in_script":true,"relevant":["generative-adversarial-network"]}
{"qid":"ru:alias:generative-adversarial-network:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Generative adversarial network","script":"latin","in_script":false,"relevant":["generative-adversarial-network"]}
{"qid":"ru:alias:generative-adversarial-network:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Генеративно-состязательные нейросети","script":"cyrillic","in_script":true,"relevant":["generative-adversarial-network"]}
{"qid":"ru:alias:gradient-descent:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Метод градиента","script":"cyrillic","in_script":true,"relevant":["gradient-descent"]}
{"qid":"ru:alias:gradient-descent:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Метод градиентов","script":"cyrillic","in_script":true,"relevant":["gradient-descent"]}
{"qid":"ru:alias:gradient-descent:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Метод градиент","script":"cyrillic","in_script":true,"relevant":["gradient-descent"]}
{"qid":"ru:alias:overfitting:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Оверфиттинг","script":"cyrillic","in_script":true,"relevant":["overfitting"]}
{"qid":"ru:alias:overfitting:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Переподгонка","script":"cyrillic","in_script":true,"relevant":["overfitting"]}
{"qid":"ru:alias:perceptron:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Персептрон","script":"cyrillic","in_script":true,"relevant":["perceptron"]}
{"qid":"ru:alias:neural-network:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Нейросеть","script":"cyrillic","in_script":true,"relevant":["neural-network"]}
{"qid":"ru:alias:neural-network:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Искусственная нейросеть","script":"cyrillic","in_script":true,"relevant":["neural-network"]}
{"qid":"ru:alias:neural-network:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Нейросети","script":"cyrillic","in_script":true,"relevant":["neural-network"]}
{"qid":"ru:alias:deep-learning:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Глубинное обучение","script":"cyrillic","in_script":true,"relevant":["deep-learning"]}
{"qid":"ru:alias:deep-learning:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Deep learning","script":"latin","in_script":false,"relevant":["deep-learning"]}
{"qid":"ru:alias:machine-learning:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Machine Learning","script":"latin","in_script":false,"relevant":["machine-learning"]}
{"qid":"ru:alias:machine-learning:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Обучение машин","script":"cyrillic","in_script":true,"relevant":["machine-learning"]}
{"qid":"ru:alias:machine-learning:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Machine learning","script":"latin","in_script":false,"relevant":["machine-learning"]}
{"qid":"ru:alias:artificial-intelligence:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"A.I.","script":"latin","in_script":false,"relevant":["artificial-intelligence"]}
{"qid":"ru:alias:artificial-intelligence:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Artificial intelligence","script":"latin","in_script":false,"relevant":["artificial-intelligence"]}
{"qid":"ru:alias:artificial-intelligence:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"ИИ","script":"cyrillic","in_script":true,"relevant":["artificial-intelligence"]}
{"qid":"ru:alias:supervised-learning:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Supervised learning","script":"latin","in_script":false,"relevant":["supervised-learning"]}
{"qid":"ru:alias:prompt-engineering:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Инженерия подсказок","script":"cyrillic","in_script":true,"relevant":["prompt-engineering"]}
{"qid":"ru:alias:prompt-engineering:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Промпт-инженерия","script":"cyrillic","in_script":true,"relevant":["prompt-engineering"]}
{"qid":"ru:alias:prompt-engineering:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Промпт","script":"cyrillic","in_script":true,"relevant":["prompt-engineering"]}
{"qid":"ru:alias:technological-singularity:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Компьютерная сингулярность","script":"cyrillic","in_script":true,"relevant":["technological-singularity"]}
{"qid":"ru:alias:chatgpt:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Чат джи пи ти","script":"cyrillic","in_script":true,"relevant":["chatgpt"]}
{"qid":"ru:alias:chatgpt:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Чат гпт","script":"cyrillic","in_script":true,"relevant":["chatgpt"]}
{"qid":"ru:alias:claude:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Claude.ai","script":"latin","in_script":false,"relevant":["claude"]}
{"qid":"ru:alias:google-gemini:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Bard (чат-бот)","script":"cyrillic","in_script":true,"relevant":["google-gemini"]}
{"qid":"ru:alias:google-gemini:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Bard","script":"latin","in_script":false,"relevant":["google-gemini"]}
{"qid":"ru:alias:google-gemini:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Google Gemini","script":"latin","in_script":false,"relevant":["google-gemini"]}
{"qid":"ru:alias:chatbot:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Программа-собеседник","script":"cyrillic","in_script":true,"relevant":["chatbot"]}
{"qid":"ru:alias:midjourney:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Миджорни","script":"cyrillic","in_script":true,"relevant":["midjourney"]}
{"qid":"ru:alias:deep-blue:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Дип Блю","script":"cyrillic","in_script":true,"relevant":["deep-blue"]}
{"qid":"ru:alias:deep-blue:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Матч Deep Blue — Гарри Каспаров","script":"cyrillic","in_script":true,"relevant":["deep-blue"]}
{"qid":"ru:alias:search-engine:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Поисковые системы","script":"cyrillic","in_script":true,"relevant":["search-engine"]}
{"qid":"ru:alias:search-engine:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Search Engine","script":"latin","in_script":false,"relevant":["search-engine"]}
{"qid":"ru:alias:search-engine:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Интернет-поисковая система","script":"cyrillic","in_script":true,"relevant":["search-engine"]}
{"qid":"ru:alias:tf-idf:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Tf*idf","script":"latin","in_script":false,"relevant":["tf-idf"]}
{"qid":"ru:alias:tf-idf:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"TF*IDF","script":"latin","in_script":false,"relevant":["tf-idf"]}
{"qid":"ru:alias:tf-idf:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"TF·IDF","script":"latin","in_script":false,"relevant":["tf-idf"]}
{"qid":"ru:alias:recommender-system:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Рекомендательные системы","script":"cyrillic","in_script":true,"relevant":["recommender-system"]}
{"qid":"ru:alias:recommender-system:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Рекомендательный сервис","script":"cyrillic","in_script":true,"relevant":["recommender-system"]}
{"qid":"ru:alias:recommender-system:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Рекомендательные технологии","script":"cyrillic","in_script":true,"relevant":["recommender-system"]}
{"qid":"ru:alias:collaborative-filtering:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Совместная фильтрация","script":"cyrillic","in_script":true,"relevant":["collaborative-filtering"]}
{"qid":"ru:alias:cluster-analysis:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Кластеризация","script":"cyrillic","in_script":true,"relevant":["cluster-analysis"]}
{"qid":"ru:alias:cluster-analysis:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Cluster analysis","script":"latin","in_script":false,"relevant":["cluster-analysis"]}
{"qid":"ru:alias:support-vector-machine:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Машина опорных векторов","script":"cyrillic","in_script":true,"relevant":["support-vector-machine"]}
{"qid":"ru:alias:support-vector-machine:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"SVM","script":"latin","in_script":false,"relevant":["support-vector-machine"]}
{"qid":"ru:alias:support-vector-machine:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Support vector machine","script":"latin","in_script":false,"relevant":["support-vector-machine"]}
{"qid":"ru:alias:random-forest:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Random Forest","script":"latin","in_script":false,"relevant":["random-forest"]}
{"qid":"ru:alias:random-forest:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Случайный лес","script":"cyrillic","in_script":true,"relevant":["random-forest"]}
{"qid":"ru:alias:random-forest:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Random forest","script":"latin","in_script":false,"relevant":["random-forest"]}
{"qid":"ru:alias:logistic-regression:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Logit","script":"latin","in_script":false,"relevant":["logistic-regression"]}
{"qid":"ru:alias:logistic-regression:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Логит-регрессия","script":"cyrillic","in_script":true,"relevant":["logistic-regression"]}
{"qid":"ru:alias:logistic-regression:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Логит регрессия","script":"cyrillic","in_script":true,"relevant":["logistic-regression"]}
{"qid":"ru:alias:principal-component-analysis:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Преобразование Кархунена-Лоэва","script":"cyrillic","in_script":true,"relevant":["principal-component-analysis"]}
{"qid":"ru:alias:principal-component-analysis:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Преобразование Карунена-Лоэва","script":"cyrillic","in_script":true,"relevant":["principal-component-analysis"]}
{"qid":"ru:alias:principal-component-analysis:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Преобразование Карунена - Лоэва","script":"cyrillic","in_script":true,"relevant":["principal-component-analysis"]}
{"qid":"ru:alias:singular-value-decomposition:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"SVD","script":"latin","in_script":false,"relevant":["singular-value-decomposition"]}
{"qid":"ru:alias:regression-analysis:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Коэффициент регрессии","script":"cyrillic","in_script":true,"relevant":["regression-analysis"]}
{"qid":"ru:alias:regression-analysis:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Регрессионная модель","script":"cyrillic","in_script":true,"relevant":["regression-analysis"]}
{"qid":"ru:alias:bayes-theorem:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Формулы Байеса","script":"cyrillic","in_script":true,"relevant":["bayes-theorem"]}
{"qid":"ru:alias:bayes-theorem:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Формула Байеса","script":"cyrillic","in_script":true,"relevant":["bayes-theorem"]}
{"qid":"ru:alias:bayes-theorem:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Байеса теорема","script":"cyrillic","in_script":true,"relevant":["bayes-theorem"]}
{"qid":"ru:alias:data-mining:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Добыча данных","script":"cyrillic","in_script":true,"relevant":["data-mining"]}
{"qid":"ru:alias:data-mining:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Открытие знаний в базах данных","script":"cyrillic","in_script":true,"relevant":["data-mining"]}
{"qid":"ru:alias:data-mining:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Интеллектуальный анализ данных","script":"cyrillic","in_script":true,"relevant":["data-mining"]}
{"qid":"ru:alias:web-crawler:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Поисковой робот","script":"cyrillic","in_script":true,"relevant":["web-crawler"]}
{"qid":"ru:alias:web-crawler:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Веб-паук","script":"cyrillic","in_script":true,"relevant":["web-crawler"]}
{"qid":"ru:alias:web-crawler:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Краулер","script":"cyrillic","in_script":true,"relevant":["web-crawler"]}
{"qid":"ru:alias:euclidean-distance:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"L2-норма","script":"cyrillic","in_script":true,"relevant":["euclidean-distance"]}
{"qid":"ru:alias:hamming-distance:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Расстояние Хемминга","script":"cyrillic","in_script":true,"relevant":["hamming-distance"]}
{"qid":"ru:alias:hamming-distance:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Метрика Хемминга","script":"cyrillic","in_script":true,"relevant":["hamming-distance"]}
{"qid":"ru:alias:natural-language-processing:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"NLC","script":"latin","in_script":false,"relevant":["natural-language-processing"]}
{"qid":"ru:alias:natural-language-processing:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Автоматическая обработка текста","script":"cyrillic","in_script":true,"relevant":["natural-language-processing"]}
{"qid":"ru:alias:natural-language-processing:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Natural Language Processing","script":"latin","in_script":false,"relevant":["natural-language-processing"]}
{"qid":"ru:alias:machine-translation:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Автоматический перевод","script":"cyrillic","in_script":true,"relevant":["machine-translation"]}
{"qid":"ru:alias:machine-translation:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Электронный перевод","script":"cyrillic","in_script":true,"relevant":["machine-translation"]}
{"qid":"ru:alias:machine-translation:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Электронный переводчик","script":"cyrillic","in_script":true,"relevant":["machine-translation"]}
{"qid":"ru:alias:speech-recognition:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Автоматическое распознавание речи","script":"cyrillic","in_script":true,"relevant":["speech-recognition"]}
{"qid":"ru:alias:speech-recognition:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Голосовой интерфейс","script":"cyrillic","in_script":true,"relevant":["speech-recognition"]}
{"qid":"ru:alias:computer-vision:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Распознавание изображений","script":"cyrillic","in_script":true,"relevant":["computer-vision"]}
{"qid":"ru:alias:computer-vision:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Распознавание дорожных знаков","script":"cyrillic","in_script":true,"relevant":["computer-vision"]}
{"qid":"ru:alias:computer-vision:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Техническое зрение","script":"cyrillic","in_script":true,"relevant":["computer-vision"]}
{"qid":"ru:alias:turing-test:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Тест Тюринга","script":"cyrillic","in_script":true,"relevant":["turing-test"]}
{"qid":"ru:alias:turing-test:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Тьюринга тест","script":"cyrillic","in_script":true,"relevant":["turing-test"]}
{"qid":"ru:alias:sentiment-analysis:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Сентимент-анализ","script":"cyrillic","in_script":true,"relevant":["sentiment-analysis"]}
{"qid":"ru:alias:sentiment-analysis:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Анализ тональности","script":"cyrillic","in_script":true,"relevant":["sentiment-analysis"]}
{"qid":"ru:alias:optical-character-recognition:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Optical Character Recognition","script":"latin","in_script":false,"relevant":["optical-character-recognition"]}
{"qid":"ru:alias:optical-character-recognition:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Разпознавание текста","script":"cyrillic","in_script":true,"relevant":["optical-character-recognition"]}
{"qid":"ru:alias:optical-character-recognition:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"OCR","script":"latin","in_script":false,"relevant":["optical-character-recognition"]}
{"qid":"ru:alias:robotics:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Роботехника","script":"cyrillic","in_script":true,"relevant":["robotics"]}
{"qid":"ru:alias:robotics:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Робототехник","script":"cyrillic","in_script":true,"relevant":["robotics"]}
{"qid":"ru:alias:robotics:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Шагающие роботы","script":"cyrillic","in_script":true,"relevant":["robotics"]}
{"qid":"ru:alias:postgresql:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Postgres","script":"latin","in_script":false,"relevant":["postgresql"]}
{"qid":"ru:alias:postgresql:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"PL/Scheme","script":"latin","in_script":false,"relevant":["postgresql"]}
{"qid":"ru:alias:postgresql:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Postgres Professional","script":"latin","in_script":false,"relevant":["postgresql"]}
{"qid":"ru:alias:sqlite:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"SQLite3","script":"latin","in_script":false,"relevant":["sqlite"]}
{"qid":"ru:alias:mysql:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"MyODBC","script":"latin","in_script":false,"relevant":["mysql"]}
{"qid":"ru:alias:mysql:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"MySQL Connector","script":"latin","in_script":false,"relevant":["mysql"]}
{"qid":"ru:alias:mysql:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Maria","script":"latin","in_script":false,"relevant":["mysql"]}
{"qid":"ru:alias:microsoft-sql-server:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"MS SQL Server","script":"latin","in_script":false,"relevant":["microsoft-sql-server"]}
{"qid":"ru:alias:microsoft-sql-server:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"MS SQL","script":"latin","in_script":false,"relevant":["microsoft-sql-server"]}
{"qid":"ru:alias:microsoft-sql-server:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Microsoft SQL Server 2000","script":"latin","in_script":false,"relevant":["microsoft-sql-server"]}
{"qid":"ru:alias:mongodb:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"10gen","script":"latin","in_script":false,"relevant":["mongodb"]}
{"qid":"ru:alias:mongodb:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"GridFS","script":"latin","in_script":false,"relevant":["mongodb"]}
{"qid":"ru:alias:mongodb:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Grid File System","script":"latin","in_script":false,"relevant":["mongodb"]}
{"qid":"ru:alias:apache-cassandra:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Cassandra","script":"latin","in_script":false,"relevant":["apache-cassandra"]}
{"qid":"ru:alias:apache-cassandra:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"CQL (Cassandra)","script":"latin","in_script":false,"relevant":["apache-cassandra"]}
{"qid":"ru:alias:elasticsearch:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Elastic","script":"latin","in_script":false,"relevant":["elasticsearch"]}
{"qid":"ru:alias:elasticsearch:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"ELK","script":"latin","in_script":false,"relevant":["elasticsearch"]}
{"qid":"ru:alias:elasticsearch:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Elastic Stack","script":"latin","in_script":false,"relevant":["elasticsearch"]}
{"qid":"ru:alias:apache-kafka:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Kafka Streams","script":"latin","in_script":false,"relevant":["apache-kafka"]}
{"qid":"ru:alias:kubernetes:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"K8s","script":"latin","in_script":false,"relevant":["kubernetes"]}
{"qid":"ru:alias:docker:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Докер (программное обеспечение)","script":"cyrillic","in_script":true,"relevant":["docker"]}
{"qid":"ru:alias:docker:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Docker, Inc.","script":"latin","in_script":false,"relevant":["docker"]}
{"qid":"ru:alias:nosql:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Семейство столбцов","script":"cyrillic","in_script":true,"relevant":["nosql"]}
{"qid":"ru:alias:relational-database:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Реляционные БД","script":"cyrillic","in_script":true,"relevant":["relational-database"]}
{"qid":"ru:alias:relational-database:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Реляционные базы данных","script":"cyrillic","in_script":true,"relevant":["relational-database"]}
{"qid":"ru:alias:database-transaction:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Database transaction","script":"latin","in_script":false,"relevant":["database-transaction"]}
{"qid":"ru:alias:database-transaction:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Транзакции","script":"cyrillic","in_script":true,"relevant":["database-transaction"]}
{"qid":"ru:alias:database-transaction:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Обработка транзакций","script":"cyrillic","in_script":true,"relevant":["database-transaction"]}
{"qid":"ru:alias:database-normalization:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Нормальная форма базы данных","script":"cyrillic","in_script":true,"relevant":["database-normalization"]}
{"qid":"ru:alias:database-normalization:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Нормальные формы","script":"cyrillic","in_script":true,"relevant":["database-normalization"]}
{"qid":"ru:alias:database-normalization:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Нормализация БД","script":"cyrillic","in_script":true,"relevant":["database-normalization"]}
{"qid":"ru:alias:b-tree:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Б-дерево","script":"cyrillic","in_script":true,"relevant":["b-tree"]}
{"qid":"ru:alias:b-tree:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"B-деревья","script":"cyrillic","in_script":true,"relevant":["b-tree"]}
{"qid":"ru:alias:b-tree:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Б-деревья","script":"cyrillic","in_script":true,"relevant":["b-tree"]}
{"qid":"ru:alias:json:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":".json","script":"latin","in_script":false,"relevant":["json"]}
{"qid":"ru:alias:json:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"JSONB","script":"latin","in_script":false,"relevant":["json"]}
{"qid":"ru:alias:transmission-control-protocol:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Transmission Control Protocol","script":"latin","in_script":false,"relevant":["transmission-control-protocol"]}
{"qid":"ru:alias:load-balancing:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Выравнивание нагрузки","script":"cyrillic","in_script":true,"relevant":["load-balancing"]}
{"qid":"ru:alias:load-balancing:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Балансировщик нагрузки","script":"cyrillic","in_script":true,"relevant":["load-balancing"]}
{"qid":"ru:alias:cache:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Кеш-память","script":"cyrillic","in_script":true,"relevant":["cache"]}
{"qid":"ru:alias:cache:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Дисковый кеш","script":"cyrillic","in_script":true,"relevant":["cache"]}
{"qid":"ru:alias:cache:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Дисковый кэш","script":"cyrillic","in_script":true,"relevant":["cache"]}
{"qid":"ru:alias:os-level-virtualization:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Контейнерная виртуализация","script":"cyrillic","in_script":true,"relevant":["os-level-virtualization"]}
{"qid":"ru:alias:os-level-virtualization:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Контейнер (виртуализация)","script":"cyrillic","in_script":true,"relevant":["os-level-virtualization"]}
{"qid":"ru:alias:os-level-virtualization:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Виртуализация на уровне операционной системы","script":"cyrillic","in_script":true,"relevant":["os-level-virtualization"]}
{"qid":"ru:alias:microsoft-azure:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Microsoft Windows Cloud","script":"latin","in_script":false,"relevant":["microsoft-azure"]}
{"qid":"ru:alias:microsoft-azure:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Azure Services Platform","script":"latin","in_script":false,"relevant":["microsoft-azure"]}
{"qid":"ru:alias:microsoft-azure:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Express Logic","script":"latin","in_script":false,"relevant":["microsoft-azure"]}
{"qid":"ru:alias:linux:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Линукс","script":"cyrillic","in_script":true,"relevant":["linux"]}
{"qid":"ru:alias:linux:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"GNU-Linux","script":"latin","in_script":false,"relevant":["linux"]}
{"qid":"ru:alias:linux:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Гну-Линукс","script":"cyrillic","in_script":true,"relevant":["linux"]}
{"qid":"ru:alias:cloud-computing:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Cloud computing","script":"latin","in_script":false,"relevant":["cloud-computing"]}
{"qid":"ru:alias:cloud-computing:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Облачная обработка данных","script":"cyrillic","in_script":true,"relevant":["cloud-computing"]}
{"qid":"ru:alias:cloud-computing:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Облачное программирование","script":"cyrillic","in_script":true,"relevant":["cloud-computing"]}
{"qid":"ru:alias:open-source-software:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Открытый исходный код","script":"cyrillic","in_script":true,"relevant":["open-source-software"]}
{"qid":"ru:alias:open-source-software:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Открытое ПО","script":"cyrillic","in_script":true,"relevant":["open-source-software"]}
{"qid":"ru:alias:open-source-software:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Программное обеспечение с открытым исходным кодом","script":"cyrillic","in_script":true,"relevant":["open-source-software"]}
{"qid":"ru:alias:software-as-a-service:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Software as a service","script":"latin","in_script":false,"relevant":["software-as-a-service"]}
{"qid":"ru:alias:software-as-a-service:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Software on-demand","script":"latin","in_script":false,"relevant":["software-as-a-service"]}
{"qid":"ru:alias:software-as-a-service:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Saas","script":"latin","in_script":false,"relevant":["software-as-a-service"]}
{"qid":"ru:alias:big-data:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Big Data","script":"latin","in_script":false,"relevant":["big-data"]}
{"qid":"ru:alias:big-data:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Биг дата","script":"cyrillic","in_script":true,"relevant":["big-data"]}
{"qid":"ru:alias:big-data:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Big data","script":"latin","in_script":false,"relevant":["big-data"]}
{"qid":"ru:alias:internet-of-things:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Internet of Things","script":"latin","in_script":false,"relevant":["internet-of-things"]}
{"qid":"ru:alias:internet-of-things:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"IoT","script":"latin","in_script":false,"relevant":["internet-of-things"]}
{"qid":"ru:alias:python:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Интроспекция в Python","script":"cyrillic","in_script":true,"relevant":["python"]}
{"qid":"ru:alias:python:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Пайтон","script":"cyrillic","in_script":true,"relevant":["python"]}
{"qid":"ru:alias:python:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Интроспекция в Питоне","script":"cyrillic","in_script":true,"relevant":["python"]}
{"qid":"ru:alias:javascript:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Джаваскрипт","script":"cyrillic","in_script":true,"relevant":["javascript"]}
{"qid":"ru:alias:javascript:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"ДжаваСкрипт","script":"cyrillic","in_script":true,"relevant":["javascript"]}
{"qid":"ru:alias:javascript:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Яваскрипт","script":"cyrillic","in_script":true,"relevant":["javascript"]}
{"qid":"ru:alias:c:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Язык программирования C","script":"cyrillic","in_script":true,"relevant":["c"]}
{"qid":"ru:alias:c:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Язык C","script":"cyrillic","in_script":true,"relevant":["c"]}
{"qid":"ru:alias:c:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Язык Си","script":"cyrillic","in_script":true,"relevant":["c"]}
{"qid":"ru:alias:c-sharp:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Visual C Sharp .NET","script":"latin","in_script":false,"relevant":["c-sharp"]}
{"qid":"ru:alias:c-sharp:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"C♯","script":"latin","in_script":false,"relevant":["c-sharp"]}
{"qid":"ru:alias:ruby:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Руби IDE","script":"cyrillic","in_script":true,"relevant":["ruby"]}
{"qid":"ru:alias:ruby:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Рубин (язык программирования)","script":"cyrillic","in_script":true,"relevant":["ruby"]}
{"qid":"ru:alias:ruby:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Язык программирования Рубин","script":"cyrillic","in_script":true,"relevant":["ruby"]}
{"qid":"ru:alias:r:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"CRAN","script":"latin","in_script":false,"relevant":["r"]}
{"qid":"ru:alias:r:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"GNU R","script":"latin","in_script":false,"relevant":["r"]}
{"qid":"ru:alias:assembly-language:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Ассемблер x86","script":"cyrillic","in_script":true,"relevant":["assembly-language"]}
{"qid":"ru:alias:assembly-language:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Мнемокод","script":"cyrillic","in_script":true,"relevant":["assembly-language"]}
{"qid":"ru:alias:assembly-language:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Автокод","script":"cyrillic","in_script":true,"relevant":["assembly-language"]}
{"qid":"ru:alias:css:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"CSS3","script":"latin","in_script":false,"relevant":["css"]}
{"qid":"ru:alias:css:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"CSS2","script":"latin","in_script":false,"relevant":["css"]}
{"qid":"ru:alias:css:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Cascading Style Sheets","script":"latin","in_script":false,"relevant":["css"]}
{"qid":"ru:alias:react:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"ReactJS","script":"latin","in_script":false,"relevant":["react"]}
{"qid":"ru:alias:react:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"React.js","script":"latin","in_script":false,"relevant":["react"]}
{"qid":"ru:alias:interpreter:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Интерпретация (информатика)","script":"cyrillic","in_script":true,"relevant":["interpreter"]}
{"qid":"ru:alias:interpreter:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Интерпретация (программирование)","script":"cyrillic","in_script":true,"relevant":["interpreter"]}
{"qid":"ru:alias:unit-testing:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Юнит-тест","script":"cyrillic","in_script":true,"relevant":["unit-testing"]}
{"qid":"ru:alias:unit-testing:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Юнит-тестирование","script":"cyrillic","in_script":true,"relevant":["unit-testing"]}
{"qid":"ru:alias:scrum:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Скрам","script":"cyrillic","in_script":true,"relevant":["scrum"]}
{"qid":"ru:alias:object-oriented-programming:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Объектно-ориентированный подход","script":"cyrillic","in_script":true,"relevant":["object-oriented-programming"]}
{"qid":"ru:alias:object-oriented-programming:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"OOP","script":"latin","in_script":false,"relevant":["object-oriented-programming"]}
{"qid":"ru:alias:object-oriented-programming:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Класс-ориентированное программирование","script":"cyrillic","in_script":true,"relevant":["object-oriented-programming"]}
{"qid":"ru:alias:algorithm:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Алгоритмы","script":"cyrillic","in_script":true,"relevant":["algorithm"]}
{"qid":"ru:alias:algorithm:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Алгорифм","script":"cyrillic","in_script":true,"relevant":["algorithm"]}
{"qid":"ru:alias:algorithm:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Алгоритмизация","script":"cyrillic","in_script":true,"relevant":["algorithm"]}
{"qid":"ru:alias:big-o-notation:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"О-большое","script":"cyrillic","in_script":true,"relevant":["big-o-notation"]}
{"qid":"ru:alias:big-o-notation:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"O-большое","script":"cyrillic","in_script":true,"relevant":["big-o-notation"]}
{"qid":"ru:alias:big-o-notation:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"O-малое","script":"cyrillic","in_script":true,"relevant":["big-o-notation"]}
{"qid":"ru:alias:turing-machine:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Машина Тьюринга для умножения чисел","script":"cyrillic","in_script":true,"relevant":["turing-machine"]}
{"qid":"ru:alias:turing-machine:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Тьюринга машина","script":"cyrillic","in_script":true,"relevant":["turing-machine"]}
{"qid":"ru:alias:turing-machine:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Детерминированная машина Тьюринга","script":"cyrillic","in_script":true,"relevant":["turing-machine"]}
{"qid":"ru:alias:p-versus-np-problem:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"P=NP","script":"latin","in_script":false,"relevant":["p-versus-np-problem"]}
{"qid":"ru:alias:p-versus-np-problem:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"P = NP","script":"latin","in_script":false,"relevant":["p-versus-np-problem"]}
{"qid":"ru:alias:p-versus-np-problem:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Проблема перебора","script":"cyrillic","in_script":true,"relevant":["p-versus-np-problem"]}
{"qid":"ru:alias:kernel:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Ядро ОС","script":"cyrillic","in_script":true,"relevant":["kernel"]}
{"qid":"ru:alias:microsoft-windows:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"MS Windows","script":"latin","in_script":false,"relevant":["microsoft-windows"]}
{"qid":"ru:alias:microsoft-windows:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Виндоус","script":"cyrillic","in_script":true,"relevant":["microsoft-windows"]}
{"qid":"ru:alias:microsoft-windows:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Виндоуз","script":"cyrillic","in_script":true,"relevant":["microsoft-windows"]}
{"qid":"ru:alias:ios:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"IPhone OS","script":"latin","in_script":false,"relevant":["ios"]}
{"qid":"ru:alias:ios:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"IOS 3","script":"latin","in_script":false,"relevant":["ios"]}
{"qid":"ru:alias:ios:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"IOS 2","script":"latin","in_script":false,"relevant":["ios"]}
{"qid":"ru:alias:world-wide-web:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"WWW","script":"latin","in_script":false,"relevant":["world-wide-web"]}
{"qid":"ru:alias:world-wide-web:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"World Wide Web","script":"latin","in_script":false,"relevant":["world-wide-web"]}
{"qid":"ru:alias:world-wide-web:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Web","script":"latin","in_script":false,"relevant":["world-wide-web"]}
{"qid":"ru:alias:application-programming-interface:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Application programming interface","script":"latin","in_script":false,"relevant":["application-programming-interface"]}
{"qid":"ru:alias:application-programming-interface:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Программный интерфейс","script":"cyrillic","in_script":true,"relevant":["application-programming-interface"]}
{"qid":"ru:alias:application-programming-interface:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Интерфейс (программирование)","script":"cyrillic","in_script":true,"relevant":["application-programming-interface"]}
{"qid":"ru:alias:gnu-general-public-license:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"GPL","script":"latin","in_script":false,"relevant":["gnu-general-public-license"]}
{"qid":"ru:alias:gnu-general-public-license:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"GNU GPL","script":"latin","in_script":false,"relevant":["gnu-general-public-license"]}
{"qid":"ru:alias:gnu-general-public-license:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Общественная лицензия GNU","script":"cyrillic","in_script":true,"relevant":["gnu-general-public-license"]}
{"qid":"ru:alias:creative-commons:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Some rights reserved","script":"latin","in_script":false,"relevant":["creative-commons"]}
{"qid":"ru:alias:creative-commons:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Некоторые права сохранены","script":"cyrillic","in_script":true,"relevant":["creative-commons"]}
{"qid":"ru:alias:creative-commons:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Креатив коммонс","script":"cyrillic","in_script":true,"relevant":["creative-commons"]}
{"qid":"ru:alias:public-key-cryptography:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Асимметричный шифр (криптосистема)","script":"cyrillic","in_script":true,"relevant":["public-key-cryptography"]}
{"qid":"ru:alias:public-key-cryptography:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Асимметричное шифрование","script":"cyrillic","in_script":true,"relevant":["public-key-cryptography"]}
{"qid":"ru:alias:public-key-cryptography:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Асимметричный шифр","script":"cyrillic","in_script":true,"relevant":["public-key-cryptography"]}
{"qid":"ru:alias:hash-function:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Хэш-функция","script":"cyrillic","in_script":true,"relevant":["hash-function"]}
{"qid":"ru:alias:hash-function:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Hash","script":"latin","in_script":false,"relevant":["hash-function"]}
{"qid":"ru:alias:hash-function:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Хэширование","script":"cyrillic","in_script":true,"relevant":["hash-function"]}
{"qid":"ru:alias:advanced-encryption-standard:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Rijndael","script":"latin","in_script":false,"relevant":["advanced-encryption-standard"]}
{"qid":"ru:alias:advanced-encryption-standard:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"AES-256","script":"latin","in_script":false,"relevant":["advanced-encryption-standard"]}
{"qid":"ru:alias:advanced-encryption-standard:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"AES 256","script":"latin","in_script":false,"relevant":["advanced-encryption-standard"]}
{"qid":"ru:alias:venture-capital:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Венчурный инвестор","script":"cyrillic","in_script":true,"relevant":["venture-capital"]}
{"qid":"ru:alias:venture-capital:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Венчурность","script":"cyrillic","in_script":true,"relevant":["venture-capital"]}
{"qid":"ru:alias:initial-public-offering:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Initial Public Offering","script":"latin","in_script":false,"relevant":["initial-public-offering"]}
{"qid":"ru:alias:initial-public-offering:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Первичное публичное размещение","script":"cyrillic","in_script":true,"relevant":["initial-public-offering"]}
{"qid":"ru:alias:initial-public-offering:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"IPO","script":"latin","in_script":false,"relevant":["initial-public-offering"]}
{"qid":"ru:alias:startup-company:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Венчурный проект","script":"cyrillic","in_script":true,"relevant":["startup-company"]}
{"qid":"ru:alias:startup-company:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Венчура","script":"cyrillic","in_script":true,"relevant":["startup-company"]}
{"qid":"ru:alias:due-diligence:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Проверка должной добросовестности","script":"cyrillic","in_script":true,"relevant":["due-diligence"]}
{"qid":"ru:alias:special-purpose-acquisition-company:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"SPAC","script":"latin","in_script":false,"relevant":["special-purpose-acquisition-company"]}
{"qid":"ru:alias:crowdfunding:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Народное финансирование","script":"cyrillic","in_script":true,"relevant":["crowdfunding"]}
{"qid":"ru:alias:crowdfunding:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Фанатская предоплата","script":"cyrillic","in_script":true,"relevant":["crowdfunding"]}
{"qid":"ru:alias:crowdfunding:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Крауд-финансирование","script":"cyrillic","in_script":true,"relevant":["crowdfunding"]}
{"qid":"ru:alias:economies-of-scale:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Эффект масштаба производства","script":"cyrillic","in_script":true,"relevant":["economies-of-scale"]}
{"qid":"ru:alias:economies-of-scale:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Экономия от масштаба","script":"cyrillic","in_script":true,"relevant":["economies-of-scale"]}
{"qid":"ru:alias:economies-of-scale:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Экономия на масштабе","script":"cyrillic","in_script":true,"relevant":["economies-of-scale"]}
{"qid":"ru:alias:patent:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Патенты","script":"cyrillic","in_script":true,"relevant":["patent"]}
{"qid":"ru:alias:patent:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Патент на изобретение","script":"cyrillic","in_script":true,"relevant":["patent"]}
{"qid":"ru:alias:patent:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Патентование","script":"cyrillic","in_script":true,"relevant":["patent"]}
{"qid":"ru:alias:copyright:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Авторские права","script":"cyrillic","in_script":true,"relevant":["copyright"]}
{"qid":"ru:alias:copyright:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Copyright","script":"latin","in_script":false,"relevant":["copyright"]}
{"qid":"ru:alias:copyright:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Копирайт","script":"cyrillic","in_script":true,"relevant":["copyright"]}
{"qid":"ru:alias:probability:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Вероятность события","script":"cyrillic","in_script":true,"relevant":["probability"]}
{"qid":"ru:alias:probability:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Теорема сложения вероятностей","script":"cyrillic","in_script":true,"relevant":["probability"]}
{"qid":"ru:alias:probability:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Теорема умножения вероятностей","script":"cyrillic","in_script":true,"relevant":["probability"]}
{"qid":"ru:alias:bayesian-inference:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Байесовский анализ","script":"cyrillic","in_script":true,"relevant":["bayesian-inference"]}
{"qid":"ru:alias:hidden-markov-model:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"СММ","script":"cyrillic","in_script":true,"relevant":["hidden-markov-model"]}
{"qid":"ru:alias:hidden-markov-model:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Hidden Markov model","script":"latin","in_script":false,"relevant":["hidden-markov-model"]}
{"qid":"ru:alias:matrix:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Матрица линейного оператора","script":"cyrillic","in_script":true,"relevant":["matrix"]}
{"qid":"ru:alias:matrix:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Сумма матриц","script":"cyrillic","in_script":true,"relevant":["matrix"]}
{"qid":"ru:alias:matrix:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Разница матриц","script":"cyrillic","in_script":true,"relevant":["matrix"]}
{"qid":"ru:alias:vector-space:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Линейная оболочка","script":"cyrillic","in_script":true,"relevant":["vector-space"]}
{"qid":"ru:alias:vector-space:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Линейное подпространство","script":"cyrillic","in_script":true,"relevant":["vector-space"]}
{"qid":"ru:alias:vector-space:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Вектор (алгебра)","script":"cyrillic","in_script":true,"relevant":["vector-space"]}
{"qid":"ru:alias:derivative:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Производная функция","script":"cyrillic","in_script":true,"relevant":["derivative"]}
{"qid":"ru:alias:derivative:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Непрерывная дифференцируемость","script":"cyrillic","in_script":true,"relevant":["derivative"]}
{"qid":"ru:alias:derivative:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Физический смысл производной","script":"cyrillic","in_script":true,"relevant":["derivative"]}
{"qid":"ru:alias:convex-optimization:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Выпуклая оптимизация","script":"cyrillic","in_script":true,"relevant":["convex-optimization"]}
{"qid":"ru:alias:signal-processing:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Анализ сигналов","script":"cyrillic","in_script":true,"relevant":["signal-processing"]}
{"qid":"ru:alias:signal-processing:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Теория обработки сигналов","script":"cyrillic","in_script":true,"relevant":["signal-processing"]}
{"qid":"ru:alias:signal-processing:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Теория обработки сигнала","script":"cyrillic","in_script":true,"relevant":["signal-processing"]}
{"qid":"ru:alias:fast-fourier-transform:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"БПФ","script":"cyrillic","in_script":true,"relevant":["fast-fourier-transform"]}
{"qid":"ru:alias:fast-fourier-transform:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"FFT","script":"latin","in_script":false,"relevant":["fast-fourier-transform"]}
{"qid":"ru:alias:unicode:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Уникод","script":"cyrillic","in_script":true,"relevant":["unicode"]}
{"qid":"ru:alias:unicode:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"UTF","script":"latin","in_script":false,"relevant":["unicode"]}
{"qid":"ru:alias:unicode:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"ISO 10646","script":"latin","in_script":false,"relevant":["unicode"]}
{"qid":"ru:alias:blockchain:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Blockchain","script":"latin","in_script":false,"relevant":["blockchain"]}
{"qid":"ru:alias:blockchain:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Block chain","script":"latin","in_script":false,"relevant":["blockchain"]}
{"qid":"ru:alias:blockchain:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Цепочка блоков","script":"cyrillic","in_script":true,"relevant":["blockchain"]}
{"qid":"ru:alias:cryptocurrency:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Криптовалюты","script":"cyrillic","in_script":true,"relevant":["cryptocurrency"]}
{"qid":"ru:alias:cryptocurrency:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Альткойн","script":"cyrillic","in_script":true,"relevant":["cryptocurrency"]}
{"qid":"ru:alias:cryptocurrency:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Альткоин","script":"cyrillic","in_script":true,"relevant":["cryptocurrency"]}
{"qid":"ru:alias:ethereum:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Эфириум","script":"cyrillic","in_script":true,"relevant":["ethereum"]}
{"qid":"ru:alias:ethereum:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Etherium","script":"latin","in_script":false,"relevant":["ethereum"]}
{"qid":"ru:alias:non-fungible-token:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Non-fungible token","script":"latin","in_script":false,"relevant":["non-fungible-token"]}
{"qid":"ru:alias:non-fungible-token:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Non-Fungible Token","script":"latin","in_script":false,"relevant":["non-fungible-token"]}
{"qid":"ru:alias:non-fungible-token:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Уникальные токены","script":"cyrillic","in_script":true,"relevant":["non-fungible-token"]}
{"qid":"ru:alias:quantum-entanglement:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Запутанные состояния","script":"cyrillic","in_script":true,"relevant":["quantum-entanglement"]}
{"qid":"ru:alias:quantum-entanglement:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Запутанность","script":"cyrillic","in_script":true,"relevant":["quantum-entanglement"]}
{"qid":"ru:alias:quantum-entanglement:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Запутанное состояние","script":"cyrillic","in_script":true,"relevant":["quantum-entanglement"]}
{"qid":"ru:alias:semiconductor:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Собственная проводимость","script":"cyrillic","in_script":true,"relevant":["semiconductor"]}
{"qid":"ru:alias:semiconductor:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Полупроводники","script":"cyrillic","in_script":true,"relevant":["semiconductor"]}
{"qid":"ru:alias:tensor-processing-unit:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"TPU","script":"latin","in_script":false,"relevant":["tensor-processing-unit"]}
{"qid":"ru:alias:tensor-processing-unit:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Tensor processing unit","script":"latin","in_script":false,"relevant":["tensor-processing-unit"]}
{"qid":"ru:alias:tensor-processing-unit:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Google Tensor Processor","script":"latin","in_script":false,"relevant":["tensor-processing-unit"]}
{"qid":"ru:alias:application-specific-integrated-circuit:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Asic","script":"latin","in_script":false,"relevant":["application-specific-integrated-circuit"]}
{"qid":"ru:alias:application-specific-integrated-circuit:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Специализированная интегральная схема","script":"cyrillic","in_script":true,"relevant":["application-specific-integrated-circuit"]}
{"qid":"ru:alias:application-specific-integrated-circuit:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"ASIC","script":"latin","in_script":false,"relevant":["application-specific-integrated-circuit"]}
{"qid":"ru:alias:solid-state-drive:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"SSD","script":"latin","in_script":false,"relevant":["solid-state-drive"]}
{"qid":"ru:alias:solid-state-drive:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Solid State Drive","script":"latin","in_script":false,"relevant":["solid-state-drive"]}
{"qid":"ru:alias:solid-state-drive:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Твердотельный носитель","script":"cyrillic","in_script":true,"relevant":["solid-state-drive"]}
{"qid":"ru:alias:nanotechnology:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Нанотехнологии","script":"cyrillic","in_script":true,"relevant":["nanotechnology"]}
{"qid":"ru:alias:nanotechnology:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Отношение к нанотехнологиям в обществе","script":"cyrillic","in_script":true,"relevant":["nanotechnology"]}
{"qid":"ru:alias:nanotechnology:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Отношение к нанотехнологии в обществе","script":"cyrillic","in_script":true,"relevant":["nanotechnology"]}
{"qid":"ru:alias:crispr:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Короткие палиндромные повторы, регулярно расположенные группами","script":"cyrillic","in_script":true,"relevant":["crispr"]}
{"qid":"ru:alias:crispr:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"CRISPR-Cas","script":"latin","in_script":false,"relevant":["crispr"]}
{"qid":"ru:alias:crispr:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"CRISPR/Cas","script":"latin","in_script":false,"relevant":["crispr"]}
{"qid":"ru:alias:bioinformatics:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Биоинформационные технологии","script":"cyrillic","in_script":true,"relevant":["bioinformatics"]}
{"qid":"ru:alias:bioinformatics:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Биоинформатик","script":"cyrillic","in_script":true,"relevant":["bioinformatics"]}
{"qid":"ru:alias:cognitive-science:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Когнитивные науки","script":"cyrillic","in_script":true,"relevant":["cognitive-science"]}
{"qid":"ru:alias:cognitive-science:1","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Когнитивная наука","script":"cyrillic","in_script":true,"relevant":["cognitive-science"]}
{"qid":"ru:alias:cognitive-science:2","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Концептология","script":"cyrillic","in_script":true,"relevant":["cognitive-science"]}
{"qid":"ru:alias:consciousness:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"Осознание","script":"cyrillic","in_script":true,"relevant":["consciousness"]}
{"qid":"ru:alias:5g:0","lang":"ru","family":"alias","origin":"wikipedia-redirect","query":"5G NR","script":"latin","in_script":false,"relevant":["5g"]}
evals/embedding-default/queries/ru.nlq.jsonl
+24
View File
@@ -0,0 +1,24 @@
{"qid":"ru:nlq:openai","lang":"ru","family":"nlq","origin":"author-written","query":"какая компания создала ChatGPT и находится в Сан-Франциско","script":"cyrillic","in_script":true,"relevant":["openai"]}
{"qid":"ru:nlq:anthropic","lang":"ru","family":"nlq","origin":"author-written","query":"лаборатория искусственного интеллекта с упором на безопасность, основанная исследователями, ушедшими из другой крупной компании","script":"cyrillic","in_script":true,"relevant":["anthropic"]}
{"qid":"ru:nlq:google-deepmind","lang":"ru","family":"nlq","origin":"author-written","query":"исследовательская лаборатория из Лондона, чья программа победила чемпиона мира по го","script":"cyrillic","in_script":true,"relevant":["google-deepmind"]}
{"qid":"ru:nlq:geoffrey-hinton","lang":"ru","family":"nlq","origin":"author-written","query":"исследователь, которого называют одним из отцов глубокого обучения и который разделил премию Тьюринга","script":"cyrillic","in_script":true,"relevant":["geoffrey-hinton"]}
{"qid":"ru:nlq:yann-lecun","lang":"ru","family":"nlq","origin":"author-written","query":"кто возглавляет исследования искусственного интеллекта в компании, которой принадлежат Facebook и Instagram","script":"cyrillic","in_script":true,"relevant":["yann-lecun"]}
{"qid":"ru:nlq:jensen-huang","lang":"ru","family":"nlq","origin":"author-written","query":"кто руководит производителем чипов, на процессорах которого обучают большие модели","script":"cyrillic","in_script":true,"relevant":["jensen-huang"]}
{"qid":"ru:nlq:sam-altman","lang":"ru","family":"nlq","origin":"author-written","query":"кто занимает должность генерального директора организации, стоящей за серией GPT","script":"cyrillic","in_script":true,"relevant":["sam-altman"]}
{"qid":"ru:nlq:transformer","lang":"ru","family":"nlq","origin":"author-written","query":"нейросетевая архитектура на основе самовнимания, вытеснившая рекуррентные схемы","script":"cyrillic","in_script":true,"relevant":["transformer"]}
{"qid":"ru:nlq:convolutional-neural-network","lang":"ru","family":"nlq","origin":"author-written","query":"архитектура сети, которая скользит обученными фильтрами по изображению, чтобы выявлять локальные признаки","script":"cyrillic","in_script":true,"relevant":["convolutional-neural-network"]}
{"qid":"ru:nlq:retrieval-augmented-generation","lang":"ru","family":"nlq","origin":"author-written","query":"подача языковой модели найденных внешних документов, чтобы она реже выдумывала факты","script":"cyrillic","in_script":true,"relevant":["retrieval-augmented-generation"]}
{"qid":"ru:nlq:overfitting","lang":"ru","family":"nlq","origin":"author-written","query":"почему модель хорошо работает на обучающих данных и плохо на новых","script":"cyrillic","in_script":true,"relevant":["overfitting"]}
{"qid":"ru:nlq:gradient-descent","lang":"ru","family":"nlq","origin":"author-written","query":"многократное смещение параметров в сторону уменьшения функции потерь","script":"cyrillic","in_script":true,"relevant":["gradient-descent"]}
{"qid":"ru:nlq:tf-idf","lang":"ru","family":"nlq","origin":"author-written","query":"взвешивание слова по тому, насколько оно редко во всей коллекции документов","script":"cyrillic","in_script":true,"relevant":["tf-idf"]}
{"qid":"ru:nlq:nearest-neighbor-search","lang":"ru","family":"nlq","origin":"author-written","query":"поиск в большой коллекции тех элементов, которые лежат ближе всего к заданной точке","script":"cyrillic","in_script":true,"relevant":["nearest-neighbor-search"]}
{"qid":"ru:nlq:cluster-analysis","lang":"ru","family":"nlq","origin":"author-written","query":"разбиение неразмеченных записей так, чтобы похожие оказались вместе","script":"cyrillic","in_script":true,"relevant":["cluster-analysis"]}
{"qid":"ru:nlq:principal-component-analysis","lang":"ru","family":"nlq","origin":"author-written","query":"сокращение числа измерений с сохранением как можно большей дисперсии","script":"cyrillic","in_script":true,"relevant":["principal-component-analysis"]}
{"qid":"ru:nlq:postgresql","lang":"ru","family":"nlq","origin":"author-written","query":"реляционная база данных с открытым кодом, известная своей системой расширений","script":"cyrillic","in_script":true,"relevant":["postgresql"]}
{"qid":"ru:nlq:sqlite","lang":"ru","family":"nlq","origin":"author-written","query":"встраиваемый движок баз данных, который хранит всю базу в одном обычном файле","script":"cyrillic","in_script":true,"relevant":["sqlite"]}
{"qid":"ru:nlq:elasticsearch","lang":"ru","family":"nlq","origin":"author-written","query":"распределённый сервер полнотекстового поиска, построенный на Lucene","script":"cyrillic","in_script":true,"relevant":["elasticsearch"]}
{"qid":"ru:nlq:redis","lang":"ru","family":"nlq","origin":"author-written","query":"хранилище ключ-значение в оперативной памяти, часто используемое как кэш","script":"cyrillic","in_script":true,"relevant":["redis"]}
{"qid":"ru:nlq:kubernetes","lang":"ru","family":"nlq","origin":"author-written","query":"планирование и оркестрация контейнеров на кластере машин","script":"cyrillic","in_script":true,"relevant":["kubernetes"]}
{"qid":"ru:nlq:y-combinator","lang":"ru","family":"nlq","origin":"author-written","query":"акселератор, финансирующий стартапы наборами дважды в год","script":"cyrillic","in_script":true,"relevant":["y-combinator"]}
{"qid":"ru:nlq:venture-capital","lang":"ru","family":"nlq","origin":"author-written","query":"как инвесторы вкладывают деньги в рискованные компании на ранней стадии в обмен на долю","script":"cyrillic","in_script":true,"relevant":["venture-capital"]}
{"qid":"ru:nlq:unicode","lang":"ru","family":"nlq","origin":"author-written","query":"стандарт, присваивающий номер каждому символу каждой системы письма","script":"cyrillic","in_script":true,"relevant":["unicode"]}
evals/embedding-default/queries/zh.alias.jsonl
+308 -12
View File
@@ -15,6 +15,48 @@
{"qid":"zh:alias:meta-platforms:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Facebook公司","script":"latin","in_script":false,"relevant":["meta-platforms"]}
{"qid":"zh:alias:meta-platforms:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Facebook, Inc.","script":"latin","in_script":false,"relevant":["meta-platforms"]}
{"qid":"zh:alias:meta-platforms:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"脸书公司","script":"han","in_script":true,"relevant":["meta-platforms"]}
{"qid":"zh:alias:palantir-technologies:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Palantir","script":"latin","in_script":false,"relevant":["palantir-technologies"]}
{"qid":"zh:alias:palantir-technologies:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Palantir Technologies","script":"latin","in_script":false,"relevant":["palantir-technologies"]}
{"qid":"zh:alias:palantir-technologies:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"帕兰提尔","script":"han","in_script":true,"relevant":["palantir-technologies"]}
{"qid":"zh:alias:apple-inc:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"苹果公司","script":"han","in_script":true,"relevant":["apple-inc"]}
{"qid":"zh:alias:apple-inc:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"苹果电脑公司","script":"han","in_script":true,"relevant":["apple-inc"]}
{"qid":"zh:alias:apple-inc:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"蘋果電腦公司","script":"han","in_script":true,"relevant":["apple-inc"]}
{"qid":"zh:alias:alphabet-inc:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Alphabet Inc.","script":"latin","in_script":false,"relevant":["alphabet-inc"]}
{"qid":"zh:alias:alphabet-inc:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Alphabet公司","script":"latin","in_script":false,"relevant":["alphabet-inc"]}
{"qid":"zh:alias:alphabet-inc:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"字母公司","script":"han","in_script":true,"relevant":["alphabet-inc"]}
{"qid":"zh:alias:ibm:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"國際商用機器公司","script":"han","in_script":true,"relevant":["ibm"]}
{"qid":"zh:alias:ibm:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"美国国际商业机器公司","script":"han","in_script":true,"relevant":["ibm"]}
{"qid":"zh:alias:ibm:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"IBM公司","script":"latin","in_script":false,"relevant":["ibm"]}
{"qid":"zh:alias:advanced-micro-devices:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"超微半导体","script":"han","in_script":true,"relevant":["advanced-micro-devices"]}
{"qid":"zh:alias:advanced-micro-devices:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"美国超微公司","script":"han","in_script":true,"relevant":["advanced-micro-devices"]}
{"qid":"zh:alias:advanced-micro-devices:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Advanced Micro Devices","script":"latin","in_script":false,"relevant":["advanced-micro-devices"]}
{"qid":"zh:alias:salesforce:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Salesforce","script":"latin","in_script":false,"relevant":["salesforce"]}
{"qid":"zh:alias:salesforce:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Salesforce.com","script":"latin","in_script":false,"relevant":["salesforce"]}
{"qid":"zh:alias:salesforce:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"賽福時","script":"han","in_script":true,"relevant":["salesforce"]}
{"qid":"zh:alias:sap:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"思愛普公司","script":"han","in_script":true,"relevant":["sap"]}
{"qid":"zh:alias:sap:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"思愛普","script":"han","in_script":true,"relevant":["sap"]}
{"qid":"zh:alias:sap:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"SAP AG","script":"latin","in_script":false,"relevant":["sap"]}
{"qid":"zh:alias:tesla-inc:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"特斯拉汽车公司","script":"han","in_script":true,"relevant":["tesla-inc"]}
{"qid":"zh:alias:tesla-inc:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Tesla Motors","script":"latin","in_script":false,"relevant":["tesla-inc"]}
{"qid":"zh:alias:tesla-inc:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"特斯拉汽車","script":"han","in_script":true,"relevant":["tesla-inc"]}
{"qid":"zh:alias:uber:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Uber","script":"latin","in_script":false,"relevant":["uber"]}
{"qid":"zh:alias:uber:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"優步時間軸","script":"han","in_script":true,"relevant":["uber"]}
{"qid":"zh:alias:uber:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Uber中国","script":"latin","in_script":false,"relevant":["uber"]}
{"qid":"zh:alias:twitter:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"伊隆·馬斯克領導的Twitter","script":"han","in_script":true,"relevant":["twitter"]}
{"qid":"zh:alias:twitter:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"X（原推特）","script":"han","in_script":true,"relevant":["twitter"]}
{"qid":"zh:alias:twitter:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"X（原Twitter）","script":"latin","in_script":false,"relevant":["twitter"]}
{"qid":"zh:alias:github:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Microsoft GitHub","script":"latin","in_script":false,"relevant":["github"]}
{"qid":"zh:alias:atlassian:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Cenqua","script":"latin","in_script":false,"relevant":["atlassian"]}
{"qid":"zh:alias:atlassian:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"艾特萊森軟件","script":"han","in_script":true,"relevant":["atlassian"]}
{"qid":"zh:alias:samsung-electronics:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"三星电子","script":"han","in_script":true,"relevant":["samsung-electronics"]}
{"qid":"zh:alias:samsung-electronics:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Samsung Electronics","script":"latin","in_script":false,"relevant":["samsung-electronics"]}
{"qid":"zh:alias:samsung-electronics:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"三星電子公司","script":"han","in_script":true,"relevant":["samsung-electronics"]}
{"qid":"zh:alias:alibaba-group:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"阿里巴巴 (公司)","script":"han","in_script":true,"relevant":["alibaba-group"]}
{"qid":"zh:alias:alibaba-group:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Alibaba.com","script":"latin","in_script":false,"relevant":["alibaba-group"]}
{"qid":"zh:alias:alibaba-group:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"阿里巴巴公司","script":"han","in_script":true,"relevant":["alibaba-group"]}
{"qid":"zh:alias:bytedance:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"北京字节跳动科技有限公司","script":"han","in_script":true,"relevant":["bytedance"]}
{"qid":"zh:alias:bytedance:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"抖音集团","script":"han","in_script":true,"relevant":["bytedance"]}
{"qid":"zh:alias:bytedance:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"北京抖音信息服务有限公司","script":"han","in_script":true,"relevant":["bytedance"]}
{"qid":"zh:alias:geoffrey-hinton:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Geoffrey Hinton","script":"latin","in_script":false,"relevant":["geoffrey-hinton"]}
{"qid":"zh:alias:geoffrey-hinton:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"杰弗里·欣顿","script":"han","in_script":true,"relevant":["geoffrey-hinton"]}
{"qid":"zh:alias:geoffrey-hinton:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"杰弗里·埃弗里斯特·辛顿","script":"han","in_script":true,"relevant":["geoffrey-hinton"]}
@@ -32,11 +74,51 @@
{"qid":"zh:alias:jensen-huang:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"黄老板","script":"han","in_script":true,"relevant":["jensen-huang"]}
{"qid":"zh:alias:dario-amodei:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"达里奥·阿莫迪","script":"han","in_script":true,"relevant":["dario-amodei"]}
{"qid":"zh:alias:dario-amodei:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Dario Amodei","script":"latin","in_script":false,"relevant":["dario-amodei"]}
{"qid":"zh:alias:marvin-minsky:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Marvin Minsky","script":"latin","in_script":false,"relevant":["marvin-minsky"]}
{"qid":"zh:alias:marvin-minsky:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"马文·明斯基","script":"han","in_script":true,"relevant":["marvin-minsky"]}
{"qid":"zh:alias:marvin-minsky:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Marvin L. Minsky","script":"latin","in_script":false,"relevant":["marvin-minsky"]}
{"qid":"zh:alias:herbert-a-simon:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"赫伯特·亚历山大·西蒙","script":"han","in_script":true,"relevant":["herbert-a-simon"]}
{"qid":"zh:alias:herbert-a-simon:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"赫伯特·西蒙","script":"han","in_script":true,"relevant":["herbert-a-simon"]}
{"qid":"zh:alias:herbert-a-simon:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"西蒙，H.A.","script":"han","in_script":true,"relevant":["herbert-a-simon"]}
{"qid":"zh:alias:john-von-neumann:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"冯·诺依曼","script":"han","in_script":true,"relevant":["john-von-neumann"]}
{"qid":"zh:alias:john-von-neumann:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"馮·紐曼","script":"han","in_script":true,"relevant":["john-von-neumann"]}
{"qid":"zh:alias:john-von-neumann:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"馮紐曼","script":"han","in_script":true,"relevant":["john-von-neumann"]}
{"qid":"zh:alias:ada-lovelace:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Ada Lovelace","script":"latin","in_script":false,"relevant":["ada-lovelace"]}
{"qid":"zh:alias:ada-lovelace:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"阿达·奥古斯塔","script":"han","in_script":true,"relevant":["ada-lovelace"]}
{"qid":"zh:alias:ada-lovelace:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"埃达·洛夫莱斯","script":"han","in_script":true,"relevant":["ada-lovelace"]}
{"qid":"zh:alias:edsger-w-dijkstra:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"E·W·戴克斯特拉","script":"han","in_script":true,"relevant":["edsger-w-dijkstra"]}
{"qid":"zh:alias:edsger-w-dijkstra:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"艾兹格·W·迪科斯彻","script":"han","in_script":true,"relevant":["edsger-w-dijkstra"]}
{"qid":"zh:alias:edsger-w-dijkstra:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Edsger Dijkstra","script":"latin","in_script":false,"relevant":["edsger-w-dijkstra"]}
{"qid":"zh:alias:linus-torvalds:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Linus Torvalds","script":"latin","in_script":false,"relevant":["linus-torvalds"]}
{"qid":"zh:alias:linus-torvalds:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"林納斯·托瓦茲","script":"han","in_script":true,"relevant":["linus-torvalds"]}
{"qid":"zh:alias:linus-torvalds:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"李纳斯·托沃兹","script":"han","in_script":true,"relevant":["linus-torvalds"]}
{"qid":"zh:alias:ken-thompson:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"肯·湯普森","script":"han","in_script":true,"relevant":["ken-thompson"]}
{"qid":"zh:alias:ken-thompson:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"肯·湯普遜","script":"han","in_script":true,"relevant":["ken-thompson"]}
{"qid":"zh:alias:ken-thompson:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Ken Thompson","script":"latin","in_script":false,"relevant":["ken-thompson"]}
{"qid":"zh:alias:bjarne-stroustrup:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"布贾尼·斯特劳斯特卢普","script":"han","in_script":true,"relevant":["bjarne-stroustrup"]}
{"qid":"zh:alias:bjarne-stroustrup:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"比加尼·斯楚士舒普","script":"han","in_script":true,"relevant":["bjarne-stroustrup"]}
{"qid":"zh:alias:bjarne-stroustrup:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Bjarne Stroustrup","script":"latin","in_script":false,"relevant":["bjarne-stroustrup"]}
{"qid":"zh:alias:barbara-liskov:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Barbara Liskov","script":"latin","in_script":false,"relevant":["barbara-liskov"]}
{"qid":"zh:alias:steve-jobs:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"史提芬·乔布斯","script":"han","in_script":true,"relevant":["steve-jobs"]}
{"qid":"zh:alias:steve-jobs:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"史提夫·喬布斯","script":"han","in_script":true,"relevant":["steve-jobs"]}
{"qid":"zh:alias:steve-jobs:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"史提芬·喬布斯","script":"han","in_script":true,"relevant":["steve-jobs"]}
{"qid":"zh:alias:elon-musk:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"艾伦马斯克","script":"han","in_script":true,"relevant":["elon-musk"]}
{"qid":"zh:alias:elon-musk:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"艾伦·马斯克","script":"han","in_script":true,"relevant":["elon-musk"]}
{"qid":"zh:alias:elon-musk:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Elon Musk","script":"latin","in_script":false,"relevant":["elon-musk"]}
{"qid":"zh:alias:mark-zuckerberg:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"馬克·左克柏","script":"han","in_script":true,"relevant":["mark-zuckerberg"]}
{"qid":"zh:alias:mark-zuckerberg:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"马克·朱克伯格","script":"han","in_script":true,"relevant":["mark-zuckerberg"]}
{"qid":"zh:alias:mark-zuckerberg:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"馬克·祖克柏","script":"han","in_script":true,"relevant":["mark-zuckerberg"]}
{"qid":"zh:alias:sergey-brin:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"謝爾蓋·布林","script":"han","in_script":true,"relevant":["sergey-brin"]}
{"qid":"zh:alias:sergey-brin:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Sergey Brin","script":"latin","in_script":false,"relevant":["sergey-brin"]}
{"qid":"zh:alias:sergey-brin:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"些奇·布林","script":"han","in_script":true,"relevant":["sergey-brin"]}
{"qid":"zh:alias:sundar-pichai:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"桑达·皮采","script":"han","in_script":true,"relevant":["sundar-pichai"]}
{"qid":"zh:alias:sundar-pichai:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Sundar Pichai","script":"latin","in_script":false,"relevant":["sundar-pichai"]}
{"qid":"zh:alias:sundar-pichai:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"桑达尔·皮猜","script":"han","in_script":true,"relevant":["sundar-pichai"]}
{"qid":"zh:alias:transformer:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Transformer","script":"latin","in_script":false,"relevant":["transformer"]}
{"qid":"zh:alias:transformer:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Transformer模型","script":"latin","in_script":false,"relevant":["transformer"]}
{"qid":"zh:alias:bert:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"基于变换器的双向编码器表示技术","script":"han","in_script":true,"relevant":["bert"]}
{"qid":"zh:alias:gpt-4:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"生成型预训练变换模型 4","script":"han","in_script":true,"relevant":["gpt-4"]}
{"qid":"zh:alias:gpt-4:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"GPT-4 Turbo","script":"latin","in_script":false,"relevant":["gpt-4"]}
{"qid":"zh:alias:generative-pre-trained-transformer:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"生成预训练转换器","script":"han","in_script":true,"relevant":["generative-pre-trained-transformer"]}
{"qid":"zh:alias:generative-pre-trained-transformer:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"基于转换器的生成式预训练模型","script":"han","in_script":true,"relevant":["generative-pre-trained-transformer"]}
{"qid":"zh:alias:large-language-model:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"大语言模型","script":"han","in_script":true,"relevant":["large-language-model"]}
{"qid":"zh:alias:large-language-model:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"指令微调","script":"han","in_script":true,"relevant":["large-language-model"]}
{"qid":"zh:alias:large-language-model:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"大型語言模型","script":"han","in_script":true,"relevant":["large-language-model"]}
@@ -50,6 +132,8 @@
{"qid":"zh:alias:overfitting:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"过适","script":"han","in_script":true,"relevant":["overfitting"]}
{"qid":"zh:alias:overfitting:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"过度拟合","script":"han","in_script":true,"relevant":["overfitting"]}
{"qid":"zh:alias:overfitting:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"过拟合","script":"han","in_script":true,"relevant":["overfitting"]}
{"qid":"zh:alias:perceptron:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"感知元","script":"han","in_script":true,"relevant":["perceptron"]}
{"qid":"zh:alias:perceptron:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"感知机","script":"han","in_script":true,"relevant":["perceptron"]}
{"qid":"zh:alias:neural-network:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"類神經網路","script":"han","in_script":true,"relevant":["neural-network"]}
{"qid":"zh:alias:neural-network:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"人工智慧網路","script":"han","in_script":true,"relevant":["neural-network"]}
{"qid":"zh:alias:neural-network:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"類神經網絡","script":"han","in_script":true,"relevant":["neural-network"]}
@@ -59,6 +143,14 @@
{"qid":"zh:alias:artificial-intelligence:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"机器智能","script":"han","in_script":true,"relevant":["artificial-intelligence"]}
{"qid":"zh:alias:artificial-intelligence:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"人工智能系统","script":"han","in_script":true,"relevant":["artificial-intelligence"]}
{"qid":"zh:alias:artificial-intelligence:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"智能计算机系统","script":"han","in_script":true,"relevant":["artificial-intelligence"]}
{"qid":"zh:alias:supervised-learning:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"監督式學習","script":"han","in_script":true,"relevant":["supervised-learning"]}
{"qid":"zh:alias:supervised-learning:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"完全監督學習","script":"han","in_script":true,"relevant":["supervised-learning"]}
{"qid":"zh:alias:prompt-engineering:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"提示工程師","script":"han","in_script":true,"relevant":["prompt-engineering"]}
{"qid":"zh:alias:prompt-engineering:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"提示注入攻擊","script":"han","in_script":true,"relevant":["prompt-engineering"]}
{"qid":"zh:alias:prompt-engineering:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"提示注碼","script":"han","in_script":true,"relevant":["prompt-engineering"]}
{"qid":"zh:alias:technological-singularity:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"技术极点","script":"han","in_script":true,"relevant":["technological-singularity"]}
{"qid":"zh:alias:technological-singularity:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"超人剧变","script":"han","in_script":true,"relevant":["technological-singularity"]}
{"qid":"zh:alias:technological-singularity:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"技術奇點","script":"han","in_script":true,"relevant":["technological-singularity"]}
{"qid":"zh:alias:chatgpt:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"聊天生成预训练转换器","script":"han","in_script":true,"relevant":["chatgpt"]}
{"qid":"zh:alias:chatgpt:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Chat.openai.com","script":"latin","in_script":false,"relevant":["chatgpt"]}
{"qid":"zh:alias:chatgpt:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Chat Generative Pre-trained Transformer","script":"latin","in_script":false,"relevant":["chatgpt"]}
@@ -68,9 +160,8 @@
{"qid":"zh:alias:chatbot:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"ChatBot","script":"latin","in_script":false,"relevant":["chatbot"]}
{"qid":"zh:alias:chatbot:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"聊天机器人","script":"han","in_script":true,"relevant":["chatbot"]}
{"qid":"zh:alias:chatbot:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"聊天機械人","script":"han","in_script":true,"relevant":["chatbot"]}
{"qid":"zh:alias:k-nearest-neighbors-algorithm:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"最近邻域 (模式识别)","script":"han","in_script":true,"relevant":["k-nearest-neighbors-algorithm"]}
{"qid":"zh:alias:k-nearest-neighbors-algorithm:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"K-Nearest Neighbours","script":"latin","in_script":false,"relevant":["k-nearest-neighbors-algorithm"]}
{"qid":"zh:alias:k-nearest-neighbors-algorithm:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"最近鄰居法","script":"han","in_script":true,"relevant":["k-nearest-neighbors-algorithm"]}
{"qid":"zh:alias:alphafold:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"AlphaFold蛋白質結構數據庫","script":"latin","in_script":false,"relevant":["alphafold"]}
{"qid":"zh:alias:deep-blue:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"深藍計算機","script":"han","in_script":true,"relevant":["deep-blue"]}
{"qid":"zh:alias:search-engine:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"垂直搜索","script":"han","in_script":true,"relevant":["search-engine"]}
{"qid":"zh:alias:search-engine:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Search engine","script":"latin","in_script":false,"relevant":["search-engine"]}
{"qid":"zh:alias:cluster-analysis:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"聚类","script":"han","in_script":true,"relevant":["cluster-analysis"]}
@@ -80,6 +171,10 @@
{"qid":"zh:alias:support-vector-machine:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"支持矢量","script":"han","in_script":true,"relevant":["support-vector-machine"]}
{"qid":"zh:alias:support-vector-machine:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"支援向量機","script":"han","in_script":true,"relevant":["support-vector-machine"]}
{"qid":"zh:alias:random-forest:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"隨機森林","script":"han","in_script":true,"relevant":["random-forest"]}
{"qid":"zh:alias:logistic-regression:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"二类评定模型","script":"han","in_script":true,"relevant":["logistic-regression"]}
{"qid":"zh:alias:logistic-regression:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"逻辑回归","script":"han","in_script":true,"relevant":["logistic-regression"]}
{"qid":"zh:alias:logistic-regression:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"逻辑回归分析","script":"han","in_script":true,"relevant":["logistic-regression"]}
{"qid":"zh:alias:singular-value-decomposition:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"SVD分解","script":"latin","in_script":false,"relevant":["singular-value-decomposition"]}
{"qid":"zh:alias:regression-analysis:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"回归分析","script":"han","in_script":true,"relevant":["regression-analysis"]}
{"qid":"zh:alias:regression-analysis:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"迴歸","script":"han","in_script":true,"relevant":["regression-analysis"]}
{"qid":"zh:alias:regression-analysis:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"線性迴歸分析","script":"han","in_script":true,"relevant":["regression-analysis"]}
@@ -89,6 +184,16 @@
{"qid":"zh:alias:data-mining:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"資料採礦","script":"han","in_script":true,"relevant":["data-mining"]}
{"qid":"zh:alias:data-mining:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"資料挖掘","script":"han","in_script":true,"relevant":["data-mining"]}
{"qid":"zh:alias:data-mining:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"資料開採","script":"han","in_script":true,"relevant":["data-mining"]}
{"qid":"zh:alias:web-crawler:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"网络爬虫","script":"han","in_script":true,"relevant":["web-crawler"]}
{"qid":"zh:alias:web-crawler:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Spider操作系统","script":"latin","in_script":false,"relevant":["web-crawler"]}
{"qid":"zh:alias:web-crawler:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"网络蜘蛛","script":"han","in_script":true,"relevant":["web-crawler"]}
{"qid":"zh:alias:nearest-neighbor-search:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"最鄰近搜索","script":"han","in_script":true,"relevant":["nearest-neighbor-search"]}
{"qid":"zh:alias:nearest-neighbor-search:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"最近邻搜索","script":"han","in_script":true,"relevant":["nearest-neighbor-search"]}
{"qid":"zh:alias:nearest-neighbor-search:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"近似最邻近查找","script":"han","in_script":true,"relevant":["nearest-neighbor-search"]}
{"qid":"zh:alias:euclidean-distance:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"欧几里德规则","script":"han","in_script":true,"relevant":["euclidean-distance"]}
{"qid":"zh:alias:euclidean-distance:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"欧氏距离","script":"han","in_script":true,"relevant":["euclidean-distance"]}
{"qid":"zh:alias:euclidean-distance:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"欧几里德距离","script":"han","in_script":true,"relevant":["euclidean-distance"]}
{"qid":"zh:alias:hamming-distance:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"海明距离","script":"han","in_script":true,"relevant":["hamming-distance"]}
{"qid":"zh:alias:natural-language-processing:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"自然語言處理","script":"han","in_script":true,"relevant":["natural-language-processing"]}
{"qid":"zh:alias:natural-language-processing:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"自然语言信息处理","script":"han","in_script":true,"relevant":["natural-language-processing"]}
{"qid":"zh:alias:natural-language-processing:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"统计自然语言处理","script":"han","in_script":true,"relevant":["natural-language-processing"]}
@@ -103,21 +208,51 @@
{"qid":"zh:alias:turing-test:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"图灵实验","script":"han","in_script":true,"relevant":["turing-test"]}
{"qid":"zh:alias:turing-test:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"图灵试验","script":"han","in_script":true,"relevant":["turing-test"]}
{"qid":"zh:alias:turing-test:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"圖靈試驗","script":"han","in_script":true,"relevant":["turing-test"]}
{"qid":"zh:alias:sentiment-analysis:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"情感分析","script":"han","in_script":true,"relevant":["sentiment-analysis"]}
{"qid":"zh:alias:optical-character-recognition:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"OCR","script":"latin","in_script":false,"relevant":["optical-character-recognition"]}
{"qid":"zh:alias:optical-character-recognition:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"光学文字识别","script":"han","in_script":true,"relevant":["optical-character-recognition"]}
{"qid":"zh:alias:optical-character-recognition:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"光學字元辨識","script":"han","in_script":true,"relevant":["optical-character-recognition"]}
{"qid":"zh:alias:robotics:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"机器人技术","script":"han","in_script":true,"relevant":["robotics"]}
{"qid":"zh:alias:robotics:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"机器人未来","script":"han","in_script":true,"relevant":["robotics"]}
{"qid":"zh:alias:robotics:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"人类与机器人的互动","script":"han","in_script":true,"relevant":["robotics"]}
{"qid":"zh:alias:postgresql:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Npgsql","script":"latin","in_script":false,"relevant":["postgresql"]}
{"qid":"zh:alias:postgresql:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Npgsql .NET Data Provider for PostgreSQL","script":"latin","in_script":false,"relevant":["postgresql"]}
{"qid":"zh:alias:postgresql:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Postgres","script":"latin","in_script":false,"relevant":["postgresql"]}
{"qid":"zh:alias:microsoft-sql-server:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"MS SQL-Server","script":"latin","in_script":false,"relevant":["microsoft-sql-server"]}
{"qid":"zh:alias:microsoft-sql-server:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"MS SQLServer","script":"latin","in_script":false,"relevant":["microsoft-sql-server"]}
{"qid":"zh:alias:microsoft-sql-server:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"MS-SQL","script":"latin","in_script":false,"relevant":["microsoft-sql-server"]}
{"qid":"zh:alias:apache-cassandra:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Apache Cassandra","script":"latin","in_script":false,"relevant":["apache-cassandra"]}
{"qid":"zh:alias:apache-kafka:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Apache Kafka","script":"latin","in_script":false,"relevant":["apache-kafka"]}
{"qid":"zh:alias:kubernetes:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"K8s","script":"latin","in_script":false,"relevant":["kubernetes"]}
{"qid":"zh:alias:kubernetes:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"K8S","script":"latin","in_script":false,"relevant":["kubernetes"]}
{"qid":"zh:alias:nosql:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"非关系型数据库","script":"han","in_script":true,"relevant":["nosql"]}
{"qid":"zh:alias:relational-database:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"关系型数据库","script":"han","in_script":true,"relevant":["relational-database"]}
{"qid":"zh:alias:relational-database:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"關聯式資料庫","script":"han","in_script":true,"relevant":["relational-database"]}
{"qid":"zh:alias:relational-database:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"关系式数据库管理系统","script":"han","in_script":true,"relevant":["relational-database"]}
{"qid":"zh:alias:database-normalization:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"数据库范式","script":"han","in_script":true,"relevant":["database-normalization"]}
{"qid":"zh:alias:database-normalization:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"资料库正规化","script":"han","in_script":true,"relevant":["database-normalization"]}
{"qid":"zh:alias:database-normalization:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"数据库正规化","script":"han","in_script":true,"relevant":["database-normalization"]}
{"qid":"zh:alias:json:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":".json","script":"latin","in_script":false,"relevant":["json"]}
{"qid":"zh:alias:json:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Application/json","script":"latin","in_script":false,"relevant":["json"]}
{"qid":"zh:alias:https:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Https","script":"latin","in_script":false,"relevant":["https"]}
{"qid":"zh:alias:https:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"超文本傳輸安全協議","script":"han","in_script":true,"relevant":["https"]}
{"qid":"zh:alias:https:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"HTTP Secure","script":"latin","in_script":false,"relevant":["https"]}
{"qid":"zh:alias:transmission-control-protocol:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"傳輸控制協議","script":"han","in_script":true,"relevant":["transmission-control-protocol"]}
{"qid":"zh:alias:transmission-control-protocol:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Transmission control protocol","script":"latin","in_script":false,"relevant":["transmission-control-protocol"]}
{"qid":"zh:alias:transmission-control-protocol:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Transmission Control Protocol","script":"latin","in_script":false,"relevant":["transmission-control-protocol"]}
{"qid":"zh:alias:load-balancing:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"负载平衡","script":"han","in_script":true,"relevant":["load-balancing"]}
{"qid":"zh:alias:cache:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Cache","script":"latin","in_script":false,"relevant":["cache"]}
{"qid":"zh:alias:cache:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"快取","script":"han","in_script":true,"relevant":["cache"]}
{"qid":"zh:alias:cache:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"快取記憶體","script":"han","in_script":true,"relevant":["cache"]}
{"qid":"zh:alias:os-level-virtualization:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"操作系统级虚拟化","script":"han","in_script":true,"relevant":["os-level-virtualization"]}
{"qid":"zh:alias:os-level-virtualization:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"操作系统级虚拟","script":"han","in_script":true,"relevant":["os-level-virtualization"]}
{"qid":"zh:alias:os-level-virtualization:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"容器化","script":"han","in_script":true,"relevant":["os-level-virtualization"]}
{"qid":"zh:alias:devops:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"开发运维一体化","script":"han","in_script":true,"relevant":["devops"]}
{"qid":"zh:alias:microsoft-azure:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Azure服务平台","script":"latin","in_script":false,"relevant":["microsoft-azure"]}
{"qid":"zh:alias:microsoft-azure:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"微软Azure","script":"latin","in_script":false,"relevant":["microsoft-azure"]}
{"qid":"zh:alias:linux:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Linux操作系统","script":"latin","in_script":false,"relevant":["linux"]}
{"qid":"zh:alias:linux:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Linux作業系統","script":"latin","in_script":false,"relevant":["linux"]}
{"qid":"zh:alias:linux:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Linux 操作系统","script":"latin","in_script":false,"relevant":["linux"]}
{"qid":"zh:alias:python:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Python程序设计语言","script":"han","in_script":true,"relevant":["python"]}
{"qid":"zh:alias:python:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Python编程语言","script":"latin","in_script":false,"relevant":["python"]}
{"qid":"zh:alias:python:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Python语言","script":"latin","in_script":false,"relevant":["python"]}
{"qid":"zh:alias:rust:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Rust語言","script":"latin","in_script":false,"relevant":["rust"]}
{"qid":"zh:alias:rust:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Rust程式語言","script":"han","in_script":true,"relevant":["rust"]}
{"qid":"zh:alias:rust:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Rust Programming Language","script":"latin","in_script":false,"relevant":["rust"]}
{"qid":"zh:alias:cloud-computing:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"云计算","script":"han","in_script":true,"relevant":["cloud-computing"]}
{"qid":"zh:alias:cloud-computing:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"云端运算","script":"han","in_script":true,"relevant":["cloud-computing"]}
{"qid":"zh:alias:cloud-computing:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"云技术","script":"han","in_script":true,"relevant":["cloud-computing"]}
@@ -130,9 +265,94 @@
{"qid":"zh:alias:big-data:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"大数据","script":"han","in_script":true,"relevant":["big-data"]}
{"qid":"zh:alias:big-data:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"巨量資料","script":"han","in_script":true,"relevant":["big-data"]}
{"qid":"zh:alias:big-data:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"大資料","script":"han","in_script":true,"relevant":["big-data"]}
{"qid":"zh:alias:internet-of-things:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"传感网","script":"han","in_script":true,"relevant":["internet-of-things"]}
{"qid":"zh:alias:internet-of-things:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Internet of Things","script":"latin","in_script":false,"relevant":["internet-of-things"]}
{"qid":"zh:alias:internet-of-things:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"IoT","script":"latin","in_script":false,"relevant":["internet-of-things"]}
{"qid":"zh:alias:python:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Python程序设计语言","script":"han","in_script":true,"relevant":["python"]}
{"qid":"zh:alias:python:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Python编程语言","script":"latin","in_script":false,"relevant":["python"]}
{"qid":"zh:alias:python:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Python语言","script":"latin","in_script":false,"relevant":["python"]}
{"qid":"zh:alias:rust:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Rust語言","script":"latin","in_script":false,"relevant":["rust"]}
{"qid":"zh:alias:rust:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Rust程式語言","script":"han","in_script":true,"relevant":["rust"]}
{"qid":"zh:alias:rust:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Rust Programming Language","script":"latin","in_script":false,"relevant":["rust"]}
{"qid":"zh:alias:javascript:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"JavaScript語言","script":"latin","in_script":false,"relevant":["javascript"]}
{"qid":"zh:alias:javascript:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"JavaScript程式語言","script":"latin","in_script":false,"relevant":["javascript"]}
{"qid":"zh:alias:javascript:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"JavaScript編程語言","script":"latin","in_script":false,"relevant":["javascript"]}
{"qid":"zh:alias:c:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"C編程語言","script":"han","in_script":true,"relevant":["c"]}
{"qid":"zh:alias:c:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"C编程语言","script":"han","in_script":true,"relevant":["c"]}
{"qid":"zh:alias:c:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"C 编程语言","script":"han","in_script":true,"relevant":["c"]}
{"qid":"zh:alias:c-sharp:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"C Sharp (程式語言)","script":"latin","in_script":false,"relevant":["c-sharp"]}
{"qid":"zh:alias:c-sharp:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"C＃","script":"latin","in_script":false,"relevant":["c-sharp"]}
{"qid":"zh:alias:c-sharp:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Ｃ＃","script":"other","in_script":false,"relevant":["c-sharp"]}
{"qid":"zh:alias:ruby:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Ruby编程语言","script":"han","in_script":true,"relevant":["ruby"]}
{"qid":"zh:alias:ruby:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Ruby语言","script":"latin","in_script":false,"relevant":["ruby"]}
{"qid":"zh:alias:swift:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Swift (程式語言)","script":"latin","in_script":false,"relevant":["swift"]}
{"qid":"zh:alias:scala:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"SUnit","script":"latin","in_script":false,"relevant":["scala"]}
{"qid":"zh:alias:scala:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Scala语言","script":"latin","in_script":false,"relevant":["scala"]}
{"qid":"zh:alias:scala:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Scala.js (programming language)","script":"latin","in_script":false,"relevant":["scala"]}
{"qid":"zh:alias:r:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"R编程语言","script":"han","in_script":true,"relevant":["r"]}
{"qid":"zh:alias:r:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"R語言","script":"han","in_script":true,"relevant":["r"]}
{"qid":"zh:alias:r:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"R lang","script":"latin","in_script":false,"relevant":["r"]}
{"qid":"zh:alias:assembly-language:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"組合語言","script":"han","in_script":true,"relevant":["assembly-language"]}
{"qid":"zh:alias:assembly-language:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"汇编器","script":"han","in_script":true,"relevant":["assembly-language"]}
{"qid":"zh:alias:assembly-language:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Assembly language","script":"latin","in_script":false,"relevant":["assembly-language"]}
{"qid":"zh:alias:css:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Cascading Style Sheets","script":"latin","in_script":false,"relevant":["css"]}
{"qid":"zh:alias:css:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"串樣式列表","script":"han","in_script":true,"relevant":["css"]}
{"qid":"zh:alias:css:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Css語法","script":"latin","in_script":false,"relevant":["css"]}
{"qid":"zh:alias:react:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"ReactJS","script":"latin","in_script":false,"relevant":["react"]}
{"qid":"zh:alias:react:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"React.js","script":"latin","in_script":false,"relevant":["react"]}
{"qid":"zh:alias:react:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"JSX","script":"latin","in_script":false,"relevant":["react"]}
{"qid":"zh:alias:interpreter:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"解释程序","script":"han","in_script":true,"relevant":["interpreter"]}
{"qid":"zh:alias:interpreter:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"直译器","script":"han","in_script":true,"relevant":["interpreter"]}
{"qid":"zh:alias:interpreter:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Interpreter","script":"latin","in_script":false,"relevant":["interpreter"]}
{"qid":"zh:alias:unit-testing:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Component or Unit testing","script":"latin","in_script":false,"relevant":["unit-testing"]}
{"qid":"zh:alias:object-oriented-programming:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"面向对象的程序开发","script":"han","in_script":true,"relevant":["object-oriented-programming"]}
{"qid":"zh:alias:object-oriented-programming:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"物件導向編程","script":"han","in_script":true,"relevant":["object-oriented-programming"]}
{"qid":"zh:alias:object-oriented-programming:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"面向对象编程","script":"han","in_script":true,"relevant":["object-oriented-programming"]}
{"qid":"zh:alias:algorithm:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"演算法","script":"han","in_script":true,"relevant":["algorithm"]}
{"qid":"zh:alias:algorithm:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"计算机算法","script":"han","in_script":true,"relevant":["algorithm"]}
{"qid":"zh:alias:big-o-notation:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"線性對數","script":"han","in_script":true,"relevant":["big-o-notation"]}
{"qid":"zh:alias:big-o-notation:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"朗道符号","script":"han","in_script":true,"relevant":["big-o-notation"]}
{"qid":"zh:alias:big-o-notation:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Landau symbols","script":"latin","in_script":false,"relevant":["big-o-notation"]}
{"qid":"zh:alias:dynamic-programming:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"動態規劃","script":"han","in_script":true,"relevant":["dynamic-programming"]}
{"qid":"zh:alias:turing-machine:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"确定型图灵机","script":"han","in_script":true,"relevant":["turing-machine"]}
{"qid":"zh:alias:turing-machine:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"圖靈機","script":"han","in_script":true,"relevant":["turing-machine"]}
{"qid":"zh:alias:turing-machine:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"图林机","script":"han","in_script":true,"relevant":["turing-machine"]}
{"qid":"zh:alias:p-versus-np-problem:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"P=NP問題","script":"latin","in_script":false,"relevant":["p-versus-np-problem"]}
{"qid":"zh:alias:p-versus-np-problem:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"P/NP問題","script":"latin","in_script":false,"relevant":["p-versus-np-problem"]}
{"qid":"zh:alias:p-versus-np-problem:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"P=NP","script":"latin","in_script":false,"relevant":["p-versus-np-problem"]}
{"qid":"zh:alias:kernel:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"核心 (電腦科學)","script":"han","in_script":true,"relevant":["kernel"]}
{"qid":"zh:alias:kernel:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Kernel","script":"latin","in_script":false,"relevant":["kernel"]}
{"qid":"zh:alias:microsoft-windows:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Microsoft Windows","script":"latin","in_script":false,"relevant":["microsoft-windows"]}
{"qid":"zh:alias:microsoft-windows:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Windows操作系统","script":"latin","in_script":false,"relevant":["microsoft-windows"]}
{"qid":"zh:alias:microsoft-windows:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"视窗操作系统","script":"han","in_script":true,"relevant":["microsoft-windows"]}
{"qid":"zh:alias:ios:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"IPhone OS","script":"latin","in_script":false,"relevant":["ios"]}
{"qid":"zh:alias:ios:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Apple iOS","script":"latin","in_script":false,"relevant":["ios"]}
{"qid":"zh:alias:ios:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"DFU","script":"latin","in_script":false,"relevant":["ios"]}
{"qid":"zh:alias:world-wide-web:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"WWW","script":"latin","in_script":false,"relevant":["world-wide-web"]}
{"qid":"zh:alias:world-wide-web:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"萬維網","script":"han","in_script":true,"relevant":["world-wide-web"]}
{"qid":"zh:alias:world-wide-web:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Web","script":"latin","in_script":false,"relevant":["world-wide-web"]}
{"qid":"zh:alias:application-programming-interface:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"程序界面","script":"han","in_script":true,"relevant":["application-programming-interface"]}
{"qid":"zh:alias:application-programming-interface:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"API","script":"latin","in_script":false,"relevant":["application-programming-interface"]}
{"qid":"zh:alias:application-programming-interface:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"编程接口","script":"han","in_script":true,"relevant":["application-programming-interface"]}
{"qid":"zh:alias:gnu-general-public-license:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"GNU通用公共协议证书","script":"han","in_script":true,"relevant":["gnu-general-public-license"]}
{"qid":"zh:alias:gnu-general-public-license:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"GPL","script":"latin","in_script":false,"relevant":["gnu-general-public-license"]}
{"qid":"zh:alias:gnu-general-public-license:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"GNU通用公共協議證書","script":"han","in_script":true,"relevant":["gnu-general-public-license"]}
{"qid":"zh:alias:creative-commons:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"创作共用","script":"han","in_script":true,"relevant":["creative-commons"]}
{"qid":"zh:alias:creative-commons:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Creative Commons","script":"latin","in_script":false,"relevant":["creative-commons"]}
{"qid":"zh:alias:creative-commons:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"创造共用","script":"han","in_script":true,"relevant":["creative-commons"]}
{"qid":"zh:alias:public-key-cryptography:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"公钥密码","script":"han","in_script":true,"relevant":["public-key-cryptography"]}
{"qid":"zh:alias:public-key-cryptography:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"非对称加密演算法","script":"han","in_script":true,"relevant":["public-key-cryptography"]}
{"qid":"zh:alias:public-key-cryptography:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"公開密碼匙","script":"han","in_script":true,"relevant":["public-key-cryptography"]}
{"qid":"zh:alias:hash-function:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"散列函数","script":"han","in_script":true,"relevant":["hash-function"]}
{"qid":"zh:alias:hash-function:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"雜湊函數","script":"han","in_script":true,"relevant":["hash-function"]}
{"qid":"zh:alias:hash-function:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"哈希函数","script":"han","in_script":true,"relevant":["hash-function"]}
{"qid":"zh:alias:advanced-encryption-standard:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"AES-256","script":"latin","in_script":false,"relevant":["advanced-encryption-standard"]}
{"qid":"zh:alias:advanced-encryption-standard:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"AES-192","script":"latin","in_script":false,"relevant":["advanced-encryption-standard"]}
{"qid":"zh:alias:advanced-encryption-standard:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"AES-128","script":"latin","in_script":false,"relevant":["advanced-encryption-standard"]}
{"qid":"zh:alias:zero-knowledge-proof:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"零知識協議","script":"han","in_script":true,"relevant":["zero-knowledge-proof"]}
{"qid":"zh:alias:zero-knowledge-proof:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"零知識證明","script":"han","in_script":true,"relevant":["zero-knowledge-proof"]}
{"qid":"zh:alias:sequoia-capital:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"紅杉創投","script":"han","in_script":true,"relevant":["sequoia-capital"]}
{"qid":"zh:alias:sequoia-capital:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Sequoia Capital","script":"latin","in_script":false,"relevant":["sequoia-capital"]}
{"qid":"zh:alias:andreessen-horowitz:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Andreessen Horowitz","script":"latin","in_script":false,"relevant":["andreessen-horowitz"]}
{"qid":"zh:alias:venture-capital:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"創業投資","script":"han","in_script":true,"relevant":["venture-capital"]}
{"qid":"zh:alias:venture-capital:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"風險投資","script":"han","in_script":true,"relevant":["venture-capital"]}
{"qid":"zh:alias:venture-capital:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"风投","script":"han","in_script":true,"relevant":["venture-capital"]}
@@ -142,6 +362,47 @@
{"qid":"zh:alias:startup-company:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"初创公司","script":"han","in_script":true,"relevant":["startup-company"]}
{"qid":"zh:alias:startup-company:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"创业企业","script":"han","in_script":true,"relevant":["startup-company"]}
{"qid":"zh:alias:startup-company:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"创业公司","script":"han","in_script":true,"relevant":["startup-company"]}
{"qid":"zh:alias:due-diligence:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"尽调","script":"han","in_script":true,"relevant":["due-diligence"]}
{"qid":"zh:alias:due-diligence:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"盡責查證","script":"han","in_script":true,"relevant":["due-diligence"]}
{"qid":"zh:alias:due-diligence:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"盡調","script":"han","in_script":true,"relevant":["due-diligence"]}
{"qid":"zh:alias:special-purpose-acquisition-company:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"空白支票公司","script":"han","in_script":true,"relevant":["special-purpose-acquisition-company"]}
{"qid":"zh:alias:startup-accelerator:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"創業加速器","script":"han","in_script":true,"relevant":["startup-accelerator"]}
{"qid":"zh:alias:crowdfunding:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"公众集资","script":"han","in_script":true,"relevant":["crowdfunding"]}
{"qid":"zh:alias:crowdfunding:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"众筹","script":"han","in_script":true,"relevant":["crowdfunding"]}
{"qid":"zh:alias:crowdfunding:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"群眾集資","script":"han","in_script":true,"relevant":["crowdfunding"]}
{"qid":"zh:alias:minimum-viable-product:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"最小可行產品","script":"han","in_script":true,"relevant":["minimum-viable-product"]}
{"qid":"zh:alias:economies-of-scale:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"規模經濟","script":"han","in_script":true,"relevant":["economies-of-scale"]}
{"qid":"zh:alias:economies-of-scale:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"經濟規模","script":"han","in_script":true,"relevant":["economies-of-scale"]}
{"qid":"zh:alias:economies-of-scale:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"規模效應","script":"han","in_script":true,"relevant":["economies-of-scale"]}
{"qid":"zh:alias:patent:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"專利","script":"han","in_script":true,"relevant":["patent"]}
{"qid":"zh:alias:patent:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"专利权","script":"han","in_script":true,"relevant":["patent"]}
{"qid":"zh:alias:patent:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"專利權","script":"han","in_script":true,"relevant":["patent"]}
{"qid":"zh:alias:copyright:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"著作权","script":"han","in_script":true,"relevant":["copyright"]}
{"qid":"zh:alias:copyright:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"版權","script":"han","in_script":true,"relevant":["copyright"]}
{"qid":"zh:alias:copyright:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"版权所有","script":"han","in_script":true,"relevant":["copyright"]}
{"qid":"zh:alias:probability:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"機率","script":"han","in_script":true,"relevant":["probability"]}
{"qid":"zh:alias:probability:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"或然性","script":"han","in_script":true,"relevant":["probability"]}
{"qid":"zh:alias:probability:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"或然率","script":"han","in_script":true,"relevant":["probability"]}
{"qid":"zh:alias:bayesian-inference:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"贝叶斯推理","script":"han","in_script":true,"relevant":["bayesian-inference"]}
{"qid":"zh:alias:bayesian-inference:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"贝叶斯分析","script":"han","in_script":true,"relevant":["bayesian-inference"]}
{"qid":"zh:alias:bayesian-inference:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"貝氏推論","script":"han","in_script":true,"relevant":["bayesian-inference"]}
{"qid":"zh:alias:hidden-markov-model:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"隐Markov模型","script":"latin","in_script":false,"relevant":["hidden-markov-model"]}
{"qid":"zh:alias:hidden-markov-model:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"隱馬爾可夫模型","script":"han","in_script":true,"relevant":["hidden-markov-model"]}
{"qid":"zh:alias:hidden-markov-model:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"隐马尔科夫模型","script":"han","in_script":true,"relevant":["hidden-markov-model"]}
{"qid":"zh:alias:matrix:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"矩陣","script":"han","in_script":true,"relevant":["matrix"]}
{"qid":"zh:alias:matrix:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"矩阵运算","script":"han","in_script":true,"relevant":["matrix"]}
{"qid":"zh:alias:matrix:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"矩陣列運算","script":"han","in_script":true,"relevant":["matrix"]}
{"qid":"zh:alias:vector-space:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"线性空间","script":"han","in_script":true,"relevant":["vector-space"]}
{"qid":"zh:alias:vector-space:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"矢量空间","script":"han","in_script":true,"relevant":["vector-space"]}
{"qid":"zh:alias:vector-space:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"向量空間","script":"han","in_script":true,"relevant":["vector-space"]}
{"qid":"zh:alias:derivative:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"可微分","script":"han","in_script":true,"relevant":["derivative"]}
{"qid":"zh:alias:derivative:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"導數","script":"han","in_script":true,"relevant":["derivative"]}
{"qid":"zh:alias:derivative:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"可微性","script":"han","in_script":true,"relevant":["derivative"]}
{"qid":"zh:alias:signal-processing:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"訊號處理","script":"han","in_script":true,"relevant":["signal-processing"]}
{"qid":"zh:alias:signal-processing:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"多尺度信号分析","script":"han","in_script":true,"relevant":["signal-processing"]}
{"qid":"zh:alias:fast-fourier-transform:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"快速傅立叶变换","script":"han","in_script":true,"relevant":["fast-fourier-transform"]}
{"qid":"zh:alias:fast-fourier-transform:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"快速傅里葉算法","script":"han","in_script":true,"relevant":["fast-fourier-transform"]}
{"qid":"zh:alias:fast-fourier-transform:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"快速傅利葉轉換","script":"han","in_script":true,"relevant":["fast-fourier-transform"]}
{"qid":"zh:alias:unicode:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"萬國碼","script":"han","in_script":true,"relevant":["unicode"]}
{"qid":"zh:alias:unicode:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"統一碼","script":"han","in_script":true,"relevant":["unicode"]}
{"qid":"zh:alias:unicode:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"UNICODE","script":"latin","in_script":false,"relevant":["unicode"]}
@@ -151,9 +412,44 @@
{"qid":"zh:alias:cryptocurrency:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"山寨币","script":"han","in_script":true,"relevant":["cryptocurrency"]}
{"qid":"zh:alias:cryptocurrency:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"加密電子貨幣","script":"han","in_script":true,"relevant":["cryptocurrency"]}
{"qid":"zh:alias:cryptocurrency:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Cryptocurrency","script":"latin","in_script":false,"relevant":["cryptocurrency"]}
{"qid":"zh:alias:ethereum:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"以太币","script":"han","in_script":true,"relevant":["ethereum"]}
{"qid":"zh:alias:ethereum:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Ethereum","script":"latin","in_script":false,"relevant":["ethereum"]}
{"qid":"zh:alias:ethereum:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"乙太幣","script":"han","in_script":true,"relevant":["ethereum"]}
{"qid":"zh:alias:non-fungible-token:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"非同质化代币","script":"han","in_script":true,"relevant":["non-fungible-token"]}
{"qid":"zh:alias:non-fungible-token:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"非同质代币","script":"han","in_script":true,"relevant":["non-fungible-token"]}
{"qid":"zh:alias:non-fungible-token:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"非同質化代幣","script":"han","in_script":true,"relevant":["non-fungible-token"]}
{"qid":"zh:alias:quantum-entanglement:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"光子糾纏","script":"han","in_script":true,"relevant":["quantum-entanglement"]}
{"qid":"zh:alias:quantum-entanglement:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"量子缠结","script":"han","in_script":true,"relevant":["quantum-entanglement"]}
{"qid":"zh:alias:quantum-entanglement:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"量子纠缠","script":"han","in_script":true,"relevant":["quantum-entanglement"]}
{"qid":"zh:alias:semiconductor:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"半導體","script":"han","in_script":true,"relevant":["semiconductor"]}
{"qid":"zh:alias:semiconductor:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"半導體學","script":"han","in_script":true,"relevant":["semiconductor"]}
{"qid":"zh:alias:semiconductor:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"半导体物理学","script":"han","in_script":true,"relevant":["semiconductor"]}
{"qid":"zh:alias:moore-s-law:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Moore's Law","script":"latin","in_script":false,"relevant":["moore-s-law"]}
{"qid":"zh:alias:moore-s-law:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"莫耳定律","script":"han","in_script":true,"relevant":["moore-s-law"]}
{"qid":"zh:alias:moore-s-law:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"摩爾定律","script":"han","in_script":true,"relevant":["moore-s-law"]}
{"qid":"zh:alias:tensor-processing-unit:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"TPU","script":"latin","in_script":false,"relevant":["tensor-processing-unit"]}
{"qid":"zh:alias:tensor-processing-unit:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"张量处理器","script":"han","in_script":true,"relevant":["tensor-processing-unit"]}
{"qid":"zh:alias:application-specific-integrated-circuit:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"ASIC","script":"latin","in_script":false,"relevant":["application-specific-integrated-circuit"]}
{"qid":"zh:alias:application-specific-integrated-circuit:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"特定應用IC","script":"han","in_script":true,"relevant":["application-specific-integrated-circuit"]}
{"qid":"zh:alias:application-specific-integrated-circuit:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"特殊應用IC","script":"han","in_script":true,"relevant":["application-specific-integrated-circuit"]}
{"qid":"zh:alias:solid-state-drive:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"固態磁碟","script":"han","in_script":true,"relevant":["solid-state-drive"]}
{"qid":"zh:alias:solid-state-drive:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"固态驱动器","script":"han","in_script":true,"relevant":["solid-state-drive"]}
{"qid":"zh:alias:solid-state-drive:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"固态盘","script":"han","in_script":true,"relevant":["solid-state-drive"]}
{"qid":"zh:alias:nanotechnology:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"納米科技","script":"han","in_script":true,"relevant":["nanotechnology"]}
{"qid":"zh:alias:nanotechnology:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"纳米科学","script":"han","in_script":true,"relevant":["nanotechnology"]}
{"qid":"zh:alias:nanotechnology:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"奈米科技","script":"han","in_script":true,"relevant":["nanotechnology"]}
{"qid":"zh:alias:crispr:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"CRISPR/Cas 系統","script":"latin","in_script":false,"relevant":["crispr"]}
{"qid":"zh:alias:crispr:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"常間回文重複序列叢集","script":"han","in_script":true,"relevant":["crispr"]}
{"qid":"zh:alias:crispr:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"常間回文重複序列叢集關聯蛋白系統","script":"han","in_script":true,"relevant":["crispr"]}
{"qid":"zh:alias:bioinformatics:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"生物資訊","script":"han","in_script":true,"relevant":["bioinformatics"]}
{"qid":"zh:alias:bioinformatics:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"生物資訊學","script":"han","in_script":true,"relevant":["bioinformatics"]}
{"qid":"zh:alias:bioinformatics:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"生物信息","script":"han","in_script":true,"relevant":["bioinformatics"]}
{"qid":"zh:alias:cognitive-science:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"認知科學","script":"han","in_script":true,"relevant":["cognitive-science"]}
{"qid":"zh:alias:cognitive-science:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"认知学","script":"han","in_script":true,"relevant":["cognitive-science"]}
{"qid":"zh:alias:cognitive-science:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"認知科學家","script":"han","in_script":true,"relevant":["cognitive-science"]}
{"qid":"zh:alias:consciousness:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"意識","script":"han","in_script":true,"relevant":["consciousness"]}
{"qid":"zh:alias:consciousness:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"分別識","script":"han","in_script":true,"relevant":["consciousness"]}
{"qid":"zh:alias:consciousness:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"Consciousness","script":"latin","in_script":false,"relevant":["consciousness"]}
{"qid":"zh:alias:5g:0","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"第五代移动通信系统","script":"han","in_script":true,"relevant":["5g"]}
{"qid":"zh:alias:5g:1","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"第五代流動通訊技術","script":"han","in_script":true,"relevant":["5g"]}
{"qid":"zh:alias:5g:2","lang":"zh","family":"alias","origin":"wikipedia-redirect","query":"第五代移动通信技术","script":"han","in_script":true,"relevant":["5g"]}
evals/embedding-default/queries/zh.nlq.jsonl
+24 -24
View File
@@ -1,24 +1,24 @@
{"qid": "zh:nlq:openai", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "哪家公司开发了 ChatGPT，总部位于旧金山", "script": "han", "in_script": true, "relevant": ["openai"]}
{"qid": "zh:nlq:anthropic", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "由从另一家大型人工智能公司离职的研究人员创立、专注于人工智能安全的实验室", "script": "han", "in_script": true, "relevant": ["anthropic"]}
{"qid": "zh:nlq:google-deepmind", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "总部在伦敦的研究实验室，其程序击败了围棋世界冠军", "script": "han", "in_script": true, "relevant": ["google-deepmind"]}
{"qid": "zh:nlq:geoffrey-hinton", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "被称为深度学习之父之一并共同获得图灵奖的研究者", "script": "han", "in_script": true, "relevant": ["geoffrey-hinton"]}
{"qid": "zh:nlq:fei-fei-li", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "创建了用于评测视觉模型的大型标注图像数据集的科学家", "script": "han", "in_script": true, "relevant": ["fei-fei-li"]}
{"qid": "zh:nlq:jensen-huang", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "领导那家芯片公司的人，其处理器被用于训练大型模型", "script": "han", "in_script": true, "relevant": ["jensen-huang"]}
{"qid": "zh:nlq:sam-altman", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "GPT 系列模型背后那个组织的首席执行官是谁", "script": "han", "in_script": true, "relevant": ["sam-altman"]}
{"qid": "zh:nlq:transformer", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "基于自注意力机制、取代了循环结构的神经网络架构", "script": "han", "in_script": true, "relevant": ["transformer"]}
{"qid": "zh:nlq:word-embedding", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "如何把单个词语转换成稠密的数值向量供模型使用", "script": "han", "in_script": true, "relevant": ["word-embedding"]}
{"qid": "zh:nlq:retrieval-augmented-generation", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "为语言模型提供检索到的外部文档，从而减少它编造事实", "script": "han", "in_script": true, "relevant": ["retrieval-augmented-generation"]}
{"qid": "zh:nlq:overfitting", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "为什么模型在训练数据上表现很好但在未见过的数据上表现很差", "script": "han", "in_script": true, "relevant": ["overfitting"]}
{"qid": "zh:nlq:gradient-descent", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "反复沿着使损失变小的方向调整参数", "script": "han", "in_script": true, "relevant": ["gradient-descent"]}
{"qid": "zh:nlq:tf-idf", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "根据一个词在整个文档集合中的稀有程度来给它加权", "script": "han", "in_script": true, "relevant": ["tf-idf"]}
{"qid": "zh:nlq:k-nearest-neighbors-algorithm", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "通过查看距离最近的若干已标注样本来给新样本分类", "script": "han", "in_script": true, "relevant": ["k-nearest-neighbors-algorithm"]}
{"qid": "zh:nlq:cluster-analysis", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "把没有标签的记录分组，使相似的记录归到一起", "script": "han", "in_script": true, "relevant": ["cluster-analysis"]}
{"qid": "zh:nlq:principal-component-analysis", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "在尽可能保留方差的同时减少维度的数量", "script": "han", "in_script": true, "relevant": ["principal-component-analysis"]}
{"qid": "zh:nlq:postgresql", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "以扩展生态著名的开源关系型数据库", "script": "han", "in_script": true, "relevant": ["postgresql"]}
{"qid": "zh:nlq:sqlite", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "把整个数据库保存在一个普通文件里的嵌入式数据库引擎", "script": "han", "in_script": true, "relevant": ["sqlite"]}
{"qid": "zh:nlq:elasticsearch", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "构建在 Lucene 之上的分布式全文搜索服务器", "script": "han", "in_script": true, "relevant": ["elasticsearch"]}
{"qid": "zh:nlq:redis", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "常被用作缓存的内存键值存储", "script": "han", "in_script": true, "relevant": ["redis"]}
{"qid": "zh:nlq:kubernetes", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "在一组机器上调度和编排容器", "script": "han", "in_script": true, "relevant": ["kubernetes"]}
{"qid": "zh:nlq:y-combinator", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "每年分两批为初创公司提供资金的加速器", "script": "han", "in_script": true, "relevant": ["y-combinator"]}
{"qid": "zh:nlq:venture-capital", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "投资者如何以换取股权的方式向高风险的早期公司投入资金", "script": "han", "in_script": true, "relevant": ["venture-capital"]}
{"qid": "zh:nlq:unicode", "lang": "zh", "family": "nlq", "origin": "author-written", "query": "为所有书写系统中的每个字符分配一个编号的标准", "script": "han", "in_script": true, "relevant": ["unicode"]}
{"qid":"zh:nlq:openai","lang":"zh","family":"nlq","origin":"author-written","query":"哪家公司开发了 ChatGPT，总部位于旧金山","script":"han","in_script":true,"relevant":["openai"]}
{"qid":"zh:nlq:anthropic","lang":"zh","family":"nlq","origin":"author-written","query":"由从另一家大型人工智能公司离职的研究人员创立、专注于人工智能安全的实验室","script":"han","in_script":true,"relevant":["anthropic"]}
{"qid":"zh:nlq:google-deepmind","lang":"zh","family":"nlq","origin":"author-written","query":"总部在伦敦的研究实验室，其程序击败了围棋世界冠军","script":"han","in_script":true,"relevant":["google-deepmind"]}
{"qid":"zh:nlq:geoffrey-hinton","lang":"zh","family":"nlq","origin":"author-written","query":"被称为深度学习之父之一并共同获得图灵奖的研究者","script":"han","in_script":true,"relevant":["geoffrey-hinton"]}
{"qid":"zh:nlq:yann-lecun","lang":"zh","family":"nlq","origin":"author-written","query":"在拥有 Facebook 和 Instagram 的公司里领导人工智能研究的人是谁","script":"han","in_script":true,"relevant":["yann-lecun"]}
{"qid":"zh:nlq:jensen-huang","lang":"zh","family":"nlq","origin":"author-written","query":"领导那家芯片公司的人，其处理器被用于训练大型模型","script":"han","in_script":true,"relevant":["jensen-huang"]}
{"qid":"zh:nlq:sam-altman","lang":"zh","family":"nlq","origin":"author-written","query":"GPT 系列模型背后那个组织的首席执行官是谁","script":"han","in_script":true,"relevant":["sam-altman"]}
{"qid":"zh:nlq:transformer","lang":"zh","family":"nlq","origin":"author-written","query":"基于自注意力机制、取代了循环结构的神经网络架构","script":"han","in_script":true,"relevant":["transformer"]}
{"qid":"zh:nlq:convolutional-neural-network","lang":"zh","family":"nlq","origin":"author-written","query":"在图像上滑动学习到的滤波器以捕捉局部模式的网络结构","script":"han","in_script":true,"relevant":["convolutional-neural-network"]}
{"qid":"zh:nlq:retrieval-augmented-generation","lang":"zh","family":"nlq","origin":"author-written","query":"为语言模型提供检索到的外部文档，从而减少它编造事实","script":"han","in_script":true,"relevant":["retrieval-augmented-generation"]}
{"qid":"zh:nlq:overfitting","lang":"zh","family":"nlq","origin":"author-written","query":"为什么模型在训练数据上表现很好但在未见过的数据上表现很差","script":"han","in_script":true,"relevant":["overfitting"]}
{"qid":"zh:nlq:gradient-descent","lang":"zh","family":"nlq","origin":"author-written","query":"反复沿着使损失变小的方向调整参数","script":"han","in_script":true,"relevant":["gradient-descent"]}
{"qid":"zh:nlq:tf-idf","lang":"zh","family":"nlq","origin":"author-written","query":"根据一个词在整个文档集合中的稀有程度来给它加权","script":"han","in_script":true,"relevant":["tf-idf"]}
{"qid":"zh:nlq:nearest-neighbor-search","lang":"zh","family":"nlq","origin":"author-written","query":"在大规模集合中找出与给定点距离最近的条目","script":"han","in_script":true,"relevant":["nearest-neighbor-search"]}
{"qid":"zh:nlq:cluster-analysis","lang":"zh","family":"nlq","origin":"author-written","query":"把没有标签的记录分组，使相似的记录归到一起","script":"han","in_script":true,"relevant":["cluster-analysis"]}
{"qid":"zh:nlq:principal-component-analysis","lang":"zh","family":"nlq","origin":"author-written","query":"在尽可能保留方差的同时减少维度的数量","script":"han","in_script":true,"relevant":["principal-component-analysis"]}
{"qid":"zh:nlq:postgresql","lang":"zh","family":"nlq","origin":"author-written","query":"以扩展生态著名的开源关系型数据库","script":"han","in_script":true,"relevant":["postgresql"]}
{"qid":"zh:nlq:sqlite","lang":"zh","family":"nlq","origin":"author-written","query":"把整个数据库保存在一个普通文件里的嵌入式数据库引擎","script":"han","in_script":true,"relevant":["sqlite"]}
{"qid":"zh:nlq:elasticsearch","lang":"zh","family":"nlq","origin":"author-written","query":"构建在 Lucene 之上的分布式全文搜索服务器","script":"han","in_script":true,"relevant":["elasticsearch"]}
{"qid":"zh:nlq:redis","lang":"zh","family":"nlq","origin":"author-written","query":"常被用作缓存的内存键值存储","script":"han","in_script":true,"relevant":["redis"]}
{"qid":"zh:nlq:kubernetes","lang":"zh","family":"nlq","origin":"author-written","query":"在一组机器上调度和编排容器","script":"han","in_script":true,"relevant":["kubernetes"]}
{"qid":"zh:nlq:y-combinator","lang":"zh","family":"nlq","origin":"author-written","query":"每年分两批为初创公司提供资金的加速器","script":"han","in_script":true,"relevant":["y-combinator"]}
{"qid":"zh:nlq:venture-capital","lang":"zh","family":"nlq","origin":"author-written","query":"投资者如何以换取股权的方式向高风险的早期公司投入资金","script":"han","in_script":true,"relevant":["venture-capital"]}
{"qid":"zh:nlq:unicode","lang":"zh","family":"nlq","origin":"author-written","query":"为所有书写系统中的每个字符分配一个编号的标准","script":"han","in_script":true,"relevant":["unicode"]}
evals/embedding-default/topics.txt
+397 -7
View File
@@ -1,14 +1,22 @@
# Topic pool for the embedding-default eval corpus.
#
# One canonical English Wikipedia title per line. `#` comments + blank lines
# are ignored. build-corpus.mjs resolves each title's he / zh / ja counterpart
# via the langlinks API, so the SAME semantic topic set is used in every
# language slice — language/script is the only variable across slices.
# are ignored. build-corpus.mjs resolves each title's ar / he / ru / zh / ja
# counterpart via the langlinks API, so the SAME semantic topic set is used in
# every language slice — language/script is the only variable across slices.
#
# The pool is OVER-PROVISIONED on purpose. A topic is only usable if it has an
# article clearing MIN_DOC_CHARS in EVERY one of the six languages, and Hebrew
# + Arabic Wikipedia carry many more stubs than English does. The pool is sized
# so ~200 topics survive that six-way intersection; the survivors are then
# capped to exactly 200 (see TARGET_DOCS in build-corpus.mjs). Topics that fail
# in one language are reported in the manifest's `no_article` / `dropped`
# fields — they are documented, never silently substituted.
#
# Selection rule (documented so a reviewer can judge difficulty): the pool is
# deliberately CLUSTERED inside gbrain's own domain (AI research, AI labs, AI
# researchers, retrieval/IR, datastores, venture funding). Near-neighbour
# clusters make retrieval non-trivial — a pool of 78 unrelated topics would
# clusters make retrieval non-trivial — a pool of 200 unrelated topics would
# ceiling out at nDCG ~1.0 for every model and measure nothing.
# --- AI labs / companies (near-neighbour cluster) ---
@@ -19,8 +27,46 @@ Mistral AI
Hugging Face
Nvidia
Meta Platforms
Stability AI
Databricks
Palantir Technologies
Microsoft
Apple Inc.
Amazon (company)
Alphabet Inc.
Google
IBM
Intel
Advanced Micro Devices
Qualcomm
TSMC
Arm Holdings
Salesforce
Oracle Corporation
SAP
Adobe Inc.
Tesla, Inc.
SpaceX
Uber
Airbnb
Shopify
Spotify
Netflix
Twitter
LinkedIn
GitHub
GitLab
Dropbox
Atlassian
Cloudflare
Samsung Electronics
Sony
Alibaba Group
Tencent
Baidu
ByteDance
# --- AI researchers / founders (near-neighbour cluster) ---
# --- AI researchers / founders / computing figures (near-neighbour cluster) ---
Geoffrey Hinton
Yann LeCun
Yoshua Bengio
@@ -30,23 +76,104 @@ Fei-Fei Li
Sam Altman
Jensen Huang
Dario Amodei
Andrew Ng
Judea Pearl
Marvin Minsky
John McCarthy (computer scientist)
Herbert A. Simon
Alan Turing
John von Neumann
Claude Shannon
Ada Lovelace
Grace Hopper
Donald Knuth
Edsger W. Dijkstra
Tim Berners-Lee
Linus Torvalds
Guido van Rossum
Ken Thompson
Dennis Ritchie
Bjarne Stroustrup
Alan Kay
Vint Cerf
Barbara Liskov
Leslie Lamport
Richard Stallman
Steve Jobs
Bill Gates
Elon Musk
Jeff Bezos
Mark Zuckerberg
Larry Page
Sergey Brin
Satya Nadella
Sundar Pichai
Peter Thiel
Marc Andreessen
# --- Model architectures + training concepts (near-neighbour cluster) ---
Transformer (deep learning architecture)
BERT (language model)
GPT-4
GPT-3
GPT-2
Generative pre-trained transformer
Word embedding
Word2vec
Large language model
Retrieval-augmented generation
Convolutional neural network
Recurrent neural network
Long short-term memory
Diffusion model
Generative adversarial network
Autoencoder
Variational autoencoder
Attention (machine learning)
Vision transformer
Mixture of experts
Gradient descent
Stochastic gradient descent
Backpropagation
Overfitting
Regularization (mathematics)
Batch normalization
Loss function
Activation function
Softmax function
Sigmoid function
Rectifier (neural networks)
Perceptron
Multilayer perceptron
Neural network (machine learning)
Deep learning
Machine learning
Artificial intelligence
Reinforcement learning
Supervised learning
Unsupervised learning
Self-supervised learning
Transfer learning
Reinforcement learning from human feedback
Fine-tuning (deep learning)
Prompt engineering
Hallucination (artificial intelligence)
Foundation model
Multimodal learning
Byte pair encoding
Perplexity
Curse of dimensionality
Bias–variance tradeoff
Cross-validation (statistics)
Feature engineering
Precision and recall
Confusion matrix
Receiver operating characteristic
F-score
Artificial general intelligence
AI alignment
Ethics of artificial intelligence
Technological singularity
# --- Named model products (very-near-neighbour cluster: all chat LLMs) ---
ChatGPT
@@ -54,6 +181,17 @@ Claude (AI)
Google Gemini
Llama (language model)
Chatbot
Stable Diffusion
DALL-E
Midjourney
AlphaGo
AlphaFold
AlphaZero
Deep Blue (chess computer)
Virtual assistant
Siri
Amazon Alexa
Google Assistant
# --- Retrieval / IR / ranking (near-neighbour cluster — gbrain's core domain) ---
Cosine similarity
@@ -61,39 +199,219 @@ K-nearest neighbors algorithm
Search engine
Tf–idf
Recommender system
Collaborative filtering
Cluster analysis
Support vector machine
Random forest
Decision tree learning
Gradient boosting
XGBoost
AdaBoost
Naive Bayes classifier
Logistic regression
Linear regression
K-means clustering
Hierarchical clustering
DBSCAN
Principal component analysis
Singular value decomposition
Latent semantic analysis
Latent Dirichlet allocation
Topic model
Regression analysis
Bayes' theorem
Data mining
Text mining
Information retrieval
Vector space model
Okapi BM25
Inverted index
PageRank
Web crawler
Query expansion
Relevance feedback
Learning to rank
Nearest neighbor search
Locality-sensitive hashing
Full-text search
Apache Lucene
Apache Solr
Levenshtein distance
Jaccard index
Euclidean distance
Dot product
Hamming distance
# --- NLP / perception tasks ---
Natural language processing
Machine translation
Speech recognition
Speech synthesis
Computer vision
Turing test
Sentiment analysis
Named-entity recognition
Part-of-speech tagging
Word-sense disambiguation
Automatic summarization
Question answering
Stemming
Lemmatisation
Stop word
N-gram
Bag-of-words model
Optical character recognition
Digital image processing
Computer graphics
Ray tracing (graphics)
Robotics
Self-driving car
# --- Datastores + infra (near-neighbour cluster) ---
PostgreSQL
SQLite
Redis
MySQL
MariaDB
Microsoft SQL Server
Oracle Database
MongoDB
Apache Cassandra
Neo4j
ClickHouse
Memcached
Elasticsearch
Apache Kafka
RabbitMQ
Apache Spark
Apache Hadoop
Kubernetes
Docker (software)
NoSQL
SQL
Relational database
Graph database
Document-oriented database
Data warehouse
Extract, transform, load
Database transaction
Database index
Database normalization
Replication (computing)
CAP theorem
Consistent hashing
B-tree
Hash table
JSON
YAML
XML
GraphQL
Representational state transfer
WebSocket
Hypertext Transfer Protocol
HTTPS
Transport Layer Security
Transmission Control Protocol
Domain Name System
Load balancing (computing)
Reverse proxy
Nginx
Apache HTTP Server
Cache (computing)
Content delivery network
Microservices
Serverless computing
Virtual machine
OS-level virtualization
Continuous integration
DevOps
Amazon Web Services
Microsoft Azure
Google Cloud Platform
Git
Linux
Python (programming language)
Rust (programming language)
Cloud computing
Open-source software
Software as a service
Big data
Edge computing
Internet of things
Cloud storage
# --- Programming languages + software engineering ---
Python (programming language)
Rust (programming language)
JavaScript
TypeScript
Java (programming language)
C (programming language)
C++
C Sharp (programming language)
Go (programming language)
Ruby (programming language)
PHP
Swift (programming language)
Kotlin (programming language)
Scala (programming language)
Haskell
Lisp (programming language)
R (programming language)
MATLAB
Assembly language
HTML
CSS
Node.js
React (software)
Compiler
Interpreter (computing)
Garbage collection (computer science)
Regular expression
Version control
Unit testing
Agile software development
Scrum (software development)
Software design pattern
Object-oriented programming
Functional programming
Recursion (computer science)
Algorithm
Data structure
Big O notation
Time complexity
Sorting algorithm
Binary search
Dynamic programming
Graph theory
Turing machine
Computational complexity theory
P versus NP problem
Operating system
Kernel (operating system)
Unix
MacOS
Microsoft Windows
Android (operating system)
IOS
Web browser
World Wide Web
Internet
Application programming interface
Software bug
Open-source license
GNU General Public License
MIT License
Apache License
Creative Commons
# --- Security + cryptography ---
Cryptography
Public-key cryptography
RSA (cryptosystem)
Hash function
SHA-2
Advanced Encryption Standard
Digital signature
Zero-knowledge proof
# --- Venture / company formation (near-neighbour cluster) ---
Y Combinator
@@ -103,11 +421,83 @@ Venture capital
Seed money
Initial public offering
Startup company
Angel investor
Private equity
Valuation (finance)
Due diligence
Mergers and acquisitions
Special-purpose acquisition company
Unicorn (finance)
Startup accelerator
Business incubator
Crowdfunding
Kickstarter
Business model
Minimum viable product
Subscription business model
Freemium
Network effect
Economies of scale
Intellectual property
Patent
Trademark
Copyright
Employee stock option
# --- Math / statistics underpinnings ---
Statistics
Probability
Normal distribution
Bayesian inference
Markov chain
Monte Carlo method
Hidden Markov model
Linear algebra
Matrix (mathematics)
Eigenvalues and eigenvectors
Vector space
Calculus
Derivative
Mathematical optimization
Convex optimization
Entropy (information theory)
Information theory
Signal processing
Fourier transform
Fast Fourier transform
# --- Adjacent tech (dilutes the clusters slightly, as a real brain would) ---
Unicode
Blockchain
Cryptocurrency
Bitcoin
Ethereum
Smart contract
Non-fungible token
Quantum computing
Qubit
Quantum entanglement
Semiconductor
Moore's law
Graphics processing unit
Central processing unit
Tensor Processing Unit
Field-programmable gate array
Application-specific integrated circuit
Random-access memory
Solid-state drive
Superconductivity
Nanotechnology
Biotechnology
CRISPR
Genome
Protein folding
Bioinformatics
Neuroscience
Cognitive science
Philosophy of mind
Consciousness
Automation
5G
Wi-Fi
Bluetooth