تبیان، دستیار زندگی

تبلت یادشده را می‌توان اولین تبلت در نوع خود دانست که از صفحه کلید Query فیزیکی جدا شونده بهره می‌برد که باعث شده کاربران علاوه بر استفاده از صفحه کلید مجازی، به یک صفحه کلید کامل فیزیکی همراه با تاچ‌پد چند لمسی دسترسی داشته باشند. علاوه بر اینها این صفحه کلید فیزیکی با توجه به باتری همراهش می‌تواند 16 ساعت عمر باتری را برای این تبلت 680 گرمی‌ به ارمغان آورد.

کمپانی سازنده این تبلت امکان منحصر به‌فرد دیگری را با عنوان کارتخوان SD نیز در این محصول به کار برده که در جای خود جالب توجه است، چرا که سیستم‌عامل اندروید تاکنون با مشکل عدم پشتیبانی از کارتخوان SD مواجه بوده که البته با استفاده از فناوری‌های انحصاری خود، بر این مشکل فائق آمده است.

همچنین این تبلت جدید ایسوس به امکانات دیگری همچون پشتیبانی از درگاه USB3، 2 دوربین 2/1 و5 مگاپیکسلی یکی در جلو و دیگری در پشت دستگاه و صفحه چند لمسی مقاوم با زاویه دید 178درجه و پردازنده یک گیگاهرتزی 2 هسته‌ای مجهز است. از نکات قابل توجه دیگر در خصوص این محصول می‌توان به پشتیبانی آن از زبان فارسی و همچنین پشتیبانی از امکان ارتباطی 3G در نسخه بعدی آن اشاره کرد.

گفتنی است این Transformer با توجه به امکانات قدرتمندی که در زمینه ارتباطی دارد می‌تواند یک شبکه خانگی کوچک را درخانه شما مدیریت کند و تمام دستگاه‌های الکترونیک مجهز به WiFi را تنها با 3 کلیک به یکدیگر متصل سازد و از محل سکونت شما خانه‌‌‌‌ای دیجیتال بسازد.

Eee Pad Transformer ایسوس با 2 ظرفیت 16 و 32 گیگابایتی با قیمت جهانی 550 تا 800 دلار عرضه خواهد شد.

مبنای این دو متد جدید افکار دو دانشمند پرآوازه در دنیای فیزیک و ریاضی است. بعد از گذشت سال‌ها افکار اینشتین در فیزیک به محققان هوش مصنوعی ایده می‌دهد و یافته‌ها و فرمول‌های فوریه، ریاضیدان بزرگ قرن هجدهم راهنمای راه آنهاست.

در ادامه به توضیح مختصر از این دو متد خواهیم پرداخت.

2 تکنیک جدید برای بینایی رایانه که چگونگی درک انسان از اشیای سه‌بعدی را از انسان تقلید می‌کند، توسط محققان معرفی شده است. این تکنیک‌ها که برایشان فرقی نمی‌کند اشیا چگونه هستند، خمیده یا (Computer Vision) صاف و یا پیچیده باشند یا ساده، می‌تواند به پیشرفت بینایی رایانه‌ای کمک کند. (heat mapping ) این تکنیک‌ها نقشه‌برداری گرما (heat distribution) و توزیع گرمایی نام دارند. کارثیک رامانی، استاد دانشگاه دانشگاه پوردو دونالد، در مورد این دو تکنولوژی می‌گوید: این دو به متد‌های ریاضی اشاره دارد که برای قادر ساختن ماشین (رایانه) به درک محیط اشیای سه‌بعدی کاربرد دارد. او در ادامه می‌گوید درک اشیای سه‌بعدی برای انسان‌ها ساده است، ولی برای رایانه خیلی آسان نیست. ما می‌توانیم یک شئ را به اجزایش در ذهنمان تجزیه کنیم؛ مثلا یک دست را به کف دست و انگشت‌ها، کاری که برای رایانه یک عملیات سخت است.

هر دو تکنیک از روش‌های اساسی فیزیک و معادلات مربوط به چگونگی انتشار گرما در سطوح استفاده می‌کنند.

آلبرت اینشتین کمک‌های شایانی به مبحث انتشار کرد. فیزیکدان و ریاضیدان جوزف فوریه قانون فوریه را برای معادلات حرارت ارائه کرد. رامانی می‌گوید: «ما روی شانه‌های غول‌های علم ایستاده‌ایم تا الگوریتمی‌ برای این روش‌های جدید با استفاده از معادله گرما ارائه کنیم.»

همان ‌طور که گرما روی سطح منتشر می‌شود، برجستگی‌های یک شئ را با دقت در می‌یابد. این سیستم از «هوشمندی گرما» بهره می‌گیرد. گرما، هر نقطه‌ای را شبیه‌سازی می‌کند و در این فرآیند شکل یک شئ را تشخیص می‌دهد.

IEEEیافته‌ها در این مورد در 2 مقاله در کنفرانس دید رایانه‌ای و تشخیص الگوی با جزئیات کامل شرح داده خواهد شد.

یک محدودیت اصلی در متد‌های موجود این است که آنها به اطلاعات قبلی در مورد شئ برای آنالیز کردن آن نیاز دارند، برای مثال در قطعه‌بندی شما باید از قبل به رایانه بگویید که شئ چند قسمت دارد، مثلا 10 یا 12 قسمت. (قطعه‌بندی در بینایی ماشین به فرآیند تجزیه یک تصویر دیجیتال به قطعه‌های کوچک‌تر به منظور آسان‌سازی آنالیز تصویر گفته می‌شود.)

متد‌های جدید، توانایی انسان برای درک اشیا را تقلید می‌کند. به این دلیل که انسان به یک ایده قبلی در مورد این که اشیا از چه اجزایی تشکیل شده‌اند، نیاز ندارد. پس در این متد‌ها نیازی به دانش قبلی نیست.

رامانی می‌گوید: ما سعی می‌کنیم تا آنجا که امکان دارد به قطعه‌بندی انسان نزدیک شویم. یک موضوع به روز در هوش مصنوعی، یادگیری ماشین بدون نظارت است. این به آن معناست که ماشینی مثل ربات می‌تواند بدون دانش قبلی درک کند و یاد بگیرد. ما قادر هستیم اندازه تقسیم‌بندی‌ها را به جای این که از قبل تعیین کنیم، با استفاده از الگوریتم‌های خود تخمین بزنیم.

بخشی از بودجه این کار توسط بنیاد ملی علوم تامین می‌شود. ثبت اختراع این دستاورد نیز در انتظار تایید است.

این متدها کاربردهای بسیاری دارند، موتور جستجوی سه‌بعدی برای پیدا کردن قطعات خودرو در یک پایگاه داده، بینایی و موقعیت‌یابی‌ ربات، تصویربرداری پزشکی سه‌بعدی، هواپیما‌های بدون‌سرنشین، ساخت شخصیت‌های سه‌بعدی در انیمیشن‌ها، کمک به دوربین‌های سه‌بعدی برای درک حرکات انسانی به منظور بازی‌های تعاملی، کمک به پیشرفت بخش‌هایی از علوم و مهندسی که به تشخیص الگو نیازمندند، یادگیری ماشین و بینایی ماشین، می‌تواند از کاربرد‌های این متدها باشد.

متد نقشه برداری گرما اول با تجزیه کردن یک شئ به شبکه‌ای از مثلث‌ها (ساده‌ترین اشکالی که می‌توانند سطوح را مشخص و میزان گرما را در این شبکه‌ها محاسبه کنند) کار می‌کند. این متد در واقع از ردگیری گرما استفاده نمی‌کند، بلکه جریان گرما را با استفاده از اصول ریاضی دقیق شبیه‌سازی می‌کند.

متد نقشه‌برداری گرما به رایانه اجازه می‌دهد یک شئ را تشخیص دهد، اشیایی مانند دست یا بینی با توجه به این که مشکلی نیست اگر دست خم باشد یا بینی بد شکل باشد! این روش قادر است اختلال ناشی از روش‌های اسکن لیزری یا هر نوع داده اشتباه را پوشش می‌دهد.

رامانی می‌گوید: مهم نیست که انگشتان یا کف دست خود را چگونه تکان می‌دهید، به هر حال یک انسان تشخیص می‌دهد که این یک دست است، ولی در این حالت، فهماندن این‌که هنوز این شئ یک دست است، کار دشواری است، در اینجا نیاز به یک الگوریتم قوی و سازگار است که تغییرات شدید را درک کند.

این متد بدقت چگونگی ردگیری گرما را هنگامی‌که شئ ساختار اصلی خود را نشان می‌دهد، شبیه‌سازی می‌کند و شکل کلی شئ را تشخیص می‌دهد. در متد توزیع گرمایی از ردگیری گرما برای تشخیص شکل شئ استفاده می‌شود.

محققان این متدها را روی اشیای پیچیده‌ای مانند دست و یک موجود افسانه‌ای که نیمی ‌از بدن آن اسب و نیمی‌ انسان است، امتحان کرده‌اند. در آینده شگفتی‌هایی را که این دو متد در حوزه‌های مختلف به وجود خواهند آورد، مشاهده خواهیم کرد.

در این شماره قصد داریم مبحث Join یا الحاقات را در این زبان بررسی کنیم که البته بد نیست پیش از آن قدری در مورد ساختارهای رابطه‌ای بحث می‌کنیم.

همان‌طور که در شماره پیش گفته شد پایگاه داده‌های رابطه‌ای از یک یا چند مجموعه تشکیل شده است که این مجموعه‌ها با یکدیگر در ارتباط هستند و هر مجموعه نیز از چند Tuple یا زوج مرتب تشکیل شده است. هر زوج مرتب نشان دهنده یک صفت از یک موجودیت داده است و هر مجموعه، نشان دهنده یک موجودیت داده‌ای که در دنیای واقعی برای آن معنایی وجود دارد. این که یک پایگاه داده از چه موجودیت‌هایی تشکیل شده است، به طراحی و تحلیل شما از یک سیستم در دنیای واقعی بستگی دارد.

همان‌طور که گفتیم برای دسترسی به داده‌ها در یک پایگاه داده رابطه‌ای به یک زبان پرس‌وجو نیاز داریم که همان SQL است. این زبان می‌تواند از یک مجموعه داده‌ها را استخراج کند، اما بعضی وقت‌ها برای دسترسی به داده‌های مختلف نیاز است که ما این داده‌ها را از چند مجموعه بیاوریم.

این که مجموعه‌ها چگونه با هم در ارتباط هستند و آیا این روابط منطقی‌اند یا نه، بستگی به طراحی شما و نرمال سازی پایگاه داده شما دارد.

برای این که بیشتر با مفاهیم الحاق‌ها در SQL آشنا شویم، با یک مثال توضیح می‌دهیم. فرض کنید در پایگاه داده خود 2 مجموعه به صورت زیر داریم:

1 ـ Employee که اطلاعات کارمندان را نگه می‌دارد که شامل 2 فیلد (صفت یا زوج مرتب) است. اولی نام کارمند، دومی ‌شماره دپارتمانی که کارمند در آن کار می‌کند.

2 ـ Department که اطلاعات دپارتمان‌ها را در خود نگهداری می‌کند و این جدول (مجموعه) دارای 2 فیلد است، یکی به نام شماره دپارتمان و دیگری نام دپارتمان.

رابطه بین این دو جدول یک به چند است، یعنی هر دپارتمان دارای چند کارمند است، ولی هر کارمند فقط در یک دپارتمان می‌تواند مشغول به کار باشد.

بسیار خب حالا ما انواع الحاق‌ها را در این جدول‌ها و رابطه‌ها پیاده می‌کنیم.

1 ـ Cross Join: گفتیم پایگاه داده ما شامل یک سری مجموعه است که از قوانین مجموعه‌ها پیروی می‌کنند. اگر 2 جدول را با هم Cross Join کنیم، نتیجه حاصلضرب دکارتی 2 مجموعه خواهد بود، یعنی به این صورت که به ازای هر سطر از مجموعه اول تمامی‌ سطر‌ها در مجموعه دوم در خروجی می‌آیند. در زبان SQL به صورت زیر نوشته می‌شود:

SELECT * From Employee Department

یا

SELECT * From Employee CROSS JOIN Department

2 ـ Inner Join: مانند همان Cross Join عمل می‌کند، اما با این تفاوت که سطرهایی را در خروجی می‌آورد که در یک صفت مقدار مشترک داشته باشند. منظور از صفت مشترک چیست؟ در پایگاه داده رابطه‌ای مفهومی‌ به نام کلید اصلی وجود دارد که عناصر و سطر‌های آن بر اساس آن مقدار دارای یکتایی باشند.

برای نشان دادن رابطه بین 2 جدول از یک صفت به عنوان کلید خارجی استفاده می‌کنیم. به طور ساده کلید خارجی صفتی است که در یک جدول کلید اصلی باشد و در یک جدول کلید نباشد و فقط نشان دهنده رابطه باشد. اگر کلید‌های خارجی در یک جدول را با کلید‌های اصلی در یک جدول دیگر برابر قرار دهیم، همان Inner Join است. در SQL به صورت زیر نوشته می‌شود.

SELECT * FROM Employee Department WHERE Employee.DepId = Department.Id

یا

SELECT * FROM Employee INNER JOIN Department ON Employee.DepId = Department.Id

3 ـ Left Join: مانند Inner Join است با این تفاوت که عناصری که تمامی‌ عناصر را از جدول اول در خروجی می‌آورد و به ازای سطرهایی در جدول اول که دارای مقداری متناظر در جدول دوم نیستند، مقدار Null را قرار می‌دهد. در SQL به صورت زیر نوشته می‌شود:

SELECT * FROM Employee LEFT JOIN Department ON Employee.DepId = Department.Id

4 ـ Right Join: همان کاری را انجام می‌دهد که Left Join انجام می‌دهد، اما با این تفاوت که به جای این که با جدول اول کار کند، با جدول دوم کار می‌کند. یعنی اول عناصری را که در فیلد مشترک برابر هستند، در خروجی می‌آورد سپس باقی سطرها را از جدول دوم می‌نویسد و به ازای سطرهایی از جدول دوم ‌‌ـ‌ که متناظری در جدول اول ندارند ‌‌ـ‌ مقدار آنها را برابر NULL قرار می‌دهد.

5 ـ FULL JOIN: کاری که این الحاق می‌کند ترکیبی از Left Join و Right Join است، ابتدا سطرهایی از 2 جدول را که در فیلد مشترک برابر هستند، در خروجی می‌آورد. سپس عناصری را که در جدول اول سطر متناظری در جدول ندارند می‌آورد و به ازای مقادیر فیلدهای جدول دوم، مقدار آنها را برابر NULL قرار می‌دهند. سپس همین کار را برای جدول دوم انجام می‌دهد، یعنی سطرهایی را که فیلد مشترک در جدول اول ندارند در خروجی می‌آورد و به ازای مقادیر صفت‌های جدول اول، مقدار NULL را می‌گذارد.