دانلود کامل ترین جزوه روشنایی فنی

جزوه روشنایی فنی

دانلود فایل

 کاردانی برق دکتر کلهر گل محمدی محمدحسین فاتحی دکتر مهدی مظفری لقا کاردانی آقای کریم پور کارشناسی ارشد علیپیام نور حجرگشت محسن تقوی‌فر کریم

“” : ً -شهودی تولید کنیم. منابع موجود با توجه به هدف و عملکرد نیز نقش مهمی در پذیرش زبان برنامه نویسی ایفا می کنند. بنابراین، هرچه از زبانی کمتر استفاده شود، برای کارهای روزانه ما جذابیت کمتری خواهد داشت. علم داده ارتباط تنگاتنگی با جمع آوری داده ها دارد، یعنی “فرایند تبدیل و نگاشت داده ها از یک فرم داده خام” به فرمت دیگر با هدف ایجاد مناسب تر و ارزشمندتر برای اهداف مختلف پایین دست، مانند تجزیه و تحلیل. ” جمع آوری داده ها یک فعالیت زمان بر است و پشتیبانی جامعه از طریق API های مستند و کتابخانه ها می تواند تفاوت قابل توجهی ایجاد کند، به ویژه هنگامی که به دنبال مثال های استفاده، جزئیات روش روشنایی فنی خاص، قواعد و سایر جنبه های فنی هستید. بنابراین، یک زبان برنامه نویسی مورداستفاده در علم داده، باید به طور گسترده ای پذیرفته، پشتیبانی و ثبت شود. بنابراین، بعید نیست که پایتون به طور گسترده در جامعه علم داده استفاده می شود. دیگر زبان های برنامه نویسی امیدوار کننده در بین دانشمندان داده ها، Scala و Julia هستند که هر دو بیشتر به عملکرد بالا و مقیاس پذیری توجه دارند.R یکی دیگر از گزینه های جالب برای دستکاری داده ها است که در عملکردهای آماری و کتابخانه های تجسم داده تخصص دارد. از آنجا که معماری آن عمدتا بر تجزیه و تحلیل آماری، جمع آوری و تجسم داده ها متمرکز است، R نباید اولین انتخاب شما برای برنامه نویسی عمومی باشد. به عبارت دیگر، اگرR برای حل مشکلات جزوه روشنایی فنی استفاده شود، بسیار مؤثر خواهد بود. محبوبیت جاوا در علم داده و بسیاری دیگر از زمینه های چارچوب های نرم افزاری مانند Hive، Spark و Hadoop مسلم است. با توجه به معماری و شفافیت غیر اختصاصی جاوا ، نباید از آن به عنوان اولین گزینه برای تجزیه و تحلیل آماری پیشرفته یا تعیین داده ها، به ویژه برای الگوریتم های یادگیری ماشین استفاده کرد. برای این موارد، پایتون و R اسکریپت نویسی پویا و کتابخانه های روشنایی فنی عظیمی را ارائه می دهند که شاید جالب تر باشند. اما سایر زبان های برنامه نویسی قوی، که در بین دانشمندان داده چندان محبوب نیستند، شامل C/C ++ ، F#، SQL می شوند.

روشنایی فنی

کتابخانه ها و ابزارها
غیرممکن است که در صحبت مورد علم داده، به مصنوعات کمک کننده در استخراج دانش از داده ها صحبت نکرد. در این بخش، برخی از محبوب ترین موارد ارائه شده در پایتون را ذکر خواهیم کرد. به طور خاص، NumPy برای دستکاری مؤثر آرایه های n بعدی و انجام کارهای علمی طراحی شده است. شما می توانید تعداد سطرها و ستون ها را تغییر دهید، ماتریس ها را برش دهید، عملیات جبر خطی را انجام دهید، و به مرتب سازی، جستجو و انجام بسیاری از کارهای مفید دیگر را بپردازید. NumPy توسط تعداد زیادی کتابخانه دیگر استفاده می شود و بخشی از پشته SciPy است. دو نوع SciPy وجود دارد؛ خود کتابخانه و مجموعه علمی، متشکل از چندین اکوسیستم منبع باز، از جمله موارد سابق. کتابخانه های فرعی که مجموعه علمی را تشکیل می دهند عبارتند از: NumPy ، SciPy ، Matplotlib ، IPython ، Sympy و Pandas. این کتابخانه که بر روی NumPy ساخته شده است، به منظور ارائه روش های کارآمد برای بهینه سازی، ادغام و چندین عملیات مفید دیگر طراحی شده است. به عنوان بخشی از اکوسیستم علمی، Pandas به شما در ساختار داده ها و تجزیه و تحلیل از طریق دستکاری آسان کمک می کند که به شما امکان می دهد تا داده های خود را بصورت مستقیم شکل دهید و از داده های بدون ساختار به DataFrames ساختار یافته دست یابید. برخی از عملکردهای مفید در Pandas عبارتند از: شاخص گذاری، برچسب گذاری، جزوه روشنایی فنی سوابق داده های مفقود شده و ادغام آسان با ساختارهای مختلف داده. پایتون که برای علم داده بسیار مهم است، مجموعه ای وسیع از کتابخانه های یادگیری ماشین دارد که در آن Scikit-learn ، TensorFlow و Keras جایگاه ویژه ای دارند. Scikit-learn احتمالاً یکی از شناخته شده ترین کتابخانه های یادگیری ماشین در پایتون روشنایی فنی که دارای چندین نوع الگوریتم مانند خوشه بندی، رگرسیون، طبقه بندی و کاهش ابعاد است. Tenso Flow، که در ابتدا توسط تیم brain Google (بخشی از قسمت هوش مصنوعی گوگل)، یک چارچوب یادگیری ماشینی منبع باز و یادگیری عمیق را برای همه ارائه می کند. پایتون همچنین به غیر از کتابخانه های ارائه شده، دارای چندین ابزار تخصصی دیگر است که در علم داده استفاده می شود. نمونه هایی از ابزارهای تجسم عبارتند از Matplotlib، Seaborn ، Bokeh و Plotl. نمونه هایی از ابزارهای پردازش زبان طبیعی (NLP) عبارتند از جعبه ابزار زبان طبیعی (NLTK) ، Gensim ، spaCy و Scrapy.

علم داده و یادگیری ماشین
علم داده یک اصطلاح محافظتی برای مجموعه ای از رویکردهای داده محور جهت یافتن راه حل تقریبی برای مشکلات بسیار دشوار است. اصلی ترین فناوری علم داده، یادگیری ماشین است؛ مجموعه ای از تکنیک های مبتنی بر آمار که از رویکرد استقرایی استفاده می کند و سعی می کند مجموعه ای از نمونه های شناخته شده را به نمونه های ناشناخته تعمیم دهد. به عنوان مثال، محیط می تواند شامل مجموعه ای از چندین برداشت از شرایط مختلف هواشناسی، مانند درجه حرارت بالا، دمای پایین، رطوبت و همچنین چندین مقدار دیگر باشد. بنابراین ما یک زیرمجموعه کوچک از این جزوه روشنایی فنی ها خواهیم داشت؛ یعنی نمونه های شناخته شده، که دارای برچسب هستند. یعنی برای هر نمونه در این مجموعه کوچک، اطلاعات لازم در روز بعد به سیستم داده می شود. از این مجموعه آموزشی از نمونه های شناخته شده، سیستم یک مدل ریاضی برای دسته بندی مثالی ناشناخته طبقه بندی می کند. یک مثال دیگر از مهندسی نرم افزار این است که بر اساس مجموعه ای از برنامه های معیوب و غیر معیوب، وجود یا عدم وجود خطا در یک کد را پیش بینی کنیم. از طرف دیگر، می توانیم هزینه توسعه نسخه جدید یک برنامه را بر اساس سابقه هزینه های نسخه های قبلی همان برنامه پیش بینی کنیم. در ساختن مدل، باید ساختن مدلی که داده های آموزشی را تعمیم می دهد را همراه با پیروی از اصل رایج تیغ Occam، مد نظر قرار داد و این مدل باید تا حد امکان ساده باشد تا داده های مجموعه آموزشی فعلی را توجیه کند. شکل A2.2 این موضوع را نشان می دهد. اگر مجموعه آموزشی فقط شامل دایره ها باشد، تیغ Occam مدل خطی را انتخاب می کند، اما با افزودن مثلث به مجموعه آموزشی، تیغ Occam می تواند منحنی سینوسی را انتخاب کند. بنابراین، کدام مدل مناسب است: خط مستقیم، منحنی سینوسی یا روشنایی فنی از منحنی هایی که هنوز ناشناخته اند؟
تصویر 2-A2
در مثال هواشناسی، سیستم سعی می کند تا نقاط مشترک و در عین حال تفاوت هایی را بین برداشت های هواشناسی کشف کند، هم برای روزهای بارانی بعدی و هم روزهایی که بعد از آن ها باران نمی بارد. سپس از این فراداده برای احتمال بارش در روز بعد استفاده می کند. به طور مشابه، در اولین مثال مهندسی نرم افزار، سیستم در برنامه آموزشی برنامه های دارای خطا و بدون عیب، به دنبال نقاط مشترک و همچنین تفاوت برنامه های معیوب و غیر معیوب می گردد، تا در نهایت بتواند تعیین کند که آیا یک برنامه ناشناخته معیوب است یا خیر. در مثال مهندسی نرم افزار دوم، جزوه روشنایی فنی سعی می کند یک قانون کلی برای اتصال هزینه نسخه های بعدی برنامه ها در مجموعه آموزش را پیدا کند، و با استفاده از این قانون، هزینه نسخه های بعدی را که در مجموعه آموزشی نیست، پیش بینی می کند.
فرآیندی که در طول پروژه تجزیه و تحلیل داده ها دنبال می شود شامل (1) جمع آوری داده های مناسب، (2) پاکسازی داده ها، (3) تبدیل داده ها، (4) تجزیه و تحلیل داده ها، و سپس (5) ساخت مجموعه آموزشی می شود.
1. جمع آوری داده ها. روشنایی فنی در مورد داده های جمع آوری شده، بستگی به هدف پروژه دارد و بسیار مهم است. سؤالاتی که باید به آن ها پاسخ داده شود شامل چه نوع داده ای است و چه مقدار داده باید جمع آوری شود.به عنوان مثال، برای جمع آوری داده های مهندسی نرم افزار، چه نوع مصنوعاتی مورد نیاز است؟ آیا به کد منبع، کد شیء و گزارش مربوط به اشکالات نیاز داریم؟ برای انجام تجزیه و تحلیل مناسب به چه حجم داده ای نیاز داریم؟
2. پاکسازی داده ها. پس از جمع آوری، داده ها باید پاکسازی شوند. این فرآیند، شامل حذف مشکلات موجود در داده است که در پردازش بیشتر، مشکل ایجاد می کند. به عنوان مثال، داده های مفقود شده باید پر شوند، و داده های خراب باید پیدا و تصحیح شوند.

دانلود رایگان خلاصه کتاب کامل جزوه روشنایی فنی پی دی اف pdf

3. 3. تبدیل داده ها. پس از پاکسازی، داده ها باید تبدیل شوند تا برای کارهای تجزیه و تحلیل پایین تر مناسب تر باشند. این فرایند را داده گزینی یا بحث اطلاعاتی می نامند. نمونه ای از این فعالیت ممکن است تغییر قالب نمایش داده ها، حذف علائم نگارشی در یک فایل داده متنی و انجام تجزیه و تحلیل قسمت های گفتار برای داده های متنی باشد.
4. تجزیه و تحلیل داده ها. پس از همه مراحل فوق، داده ها آماده تجزیه و تحلیل و پردازش توسط ابزارهای مختلف تجزیه و تحلیل داده ها خواهند بود. اما قبل از این امر، ما عموماً از ابزارهای تجسم برای کارهای مختلف استفاده می کنیم. به عنوان مثال، به کمک این ابزارها می توان در مورد ویژگی های مناسب برای پیش بینی ارزش سایر ویژگی تصمیم گرفت. تنها با این کار، می توانیم بهترین رویکرد تحلیلی را که برای اهداف پیش بینی کننده یا استنباطی استفاده می شود، تعیین کنیم.
5. ساخت مجموعه آموزشی. انتخاب یک مجموعه آموزشی مناسب، اهمیت زیادی دارد.در این بین، ممکن است تعاریف کلی از مجموعه های مختلف آموزشی در بین خود متفاوت باشد، اما امیدواریم که پاسخ های پایین دستی تولید شده همچنان صحیح باشند.توجه کنید که نباید از مجموعه باران بیش از حد استفاده کنید، یعنی این رویکرد، موارد موجود در مجموعه آموزشی را با دقت نزدیک به 100 درصد پیش بینی می کند؛ اما تا حد زیادی نتایج صحیح را برای موارد ناشناخته پیش بینی نمی کند. اگر جلوی این موضوع را نگیرید، این امر به راحتی اتفاق می افتد. تمام این موارد با آزمایش مدل آماری مشتق شده بر روی مجموعه ای از داده ها برای تعیین میزان خطای آن، تعیین می شود.
برای کارکرد فرآیند فوق، اشیاء باید با ساختار ریاضی نمایش داده شوند که به راحتی قابل دستکاری و جزوه روشنایی فنی باشند. روش متداول ارتباط ساختار ریاضی با یک شیء جداگانه، استفاده از بردارهای ویژگی است. منظور از یک ویژگی، یک مشخصه معین از یک شی است. بردار ویژگی یک بردار مقادیر برای ویژگی های متعدد یک طبقه شی است، به طوری که بردارهای ویژگی برای اشیاء در یک طبقه شیء، دارای ترتیب یکسانی هستند. به عنوان مثال، روشنایی فنی های هواشناسی یک روز، می تواند دارای ساختار زیر باشد: دمای پایین، دمای بالا، رطوبت کم، رطوبت زیاد، نوع ابر غالب، قدرت کلی باد. متغیرهای درجه حرارت پایین، درجه حرارت بالا، رطوبت کم و رطوبت زیاد، متغیرهای پیوسته هستند، در حالی که نوع ابر غالب، یک متغیر طبقه بندی نشده و قدرت کلی باد یک متغیر طبقه ای مرتب است (با فرض اینکه مقادیر احتمالی ضعیف، متوسط ، قوی هستند). در محیط مهندسی نرم افزار، بردار ویژگی مربوط به یک قطعه کد می تواند بردار جزوه روشنایی فنی مختلف معیارهای نرم افزاری باشد، مانند تعداد خطوط کد، متوسط زمان اجرای برنامه، انسجام و اتصال. انتخاب بردار ویژگی مناسب اغلب چالش برانگیز است و حوزه جدیدی از مطالعه، به نام مهندسی ویژگی، تکامل یافته است تا به این روند کمک کند. رویکردهای
یادگیری ماشین. روشنایی فنی ماشین بخشی جدایی ناپذیر از علم داده است. فرایندی که قبلاً در این بخش مورد بحث قرار گرفت، مجموعه داده هایی را ایجاد می کند که برای پیشبرد یادگیری استفاده می شود. یادگیری تحت نظارت شامل رویکردهایی است که در آن، کاربر در دسترس است و عمدتا با ارائه انواع خاصی از اطلاعات متا، مانند داده های برچسب گذاری شده برای مجموعه های آموزشی، با سیستم یادگیری تعامل دارد،. یادگیری بدون نظارت، کاربر را برای ارائه اطلاعات طبقه بندی شده در اختیار ندارد. این تکنیک ها صرفاً داده محور هستند و راه هایی برای برچسب گذاری داده ها از خود داده ها پیدا می کنند. در رویکردهای یادگیری تحت نظارت، دو نوع مشکل اصلی وجود دارد.

دانلود رایگان خلاصه کتاب روشنایی فنی pdf

مشکلات طبقه بندی و مشکلات رگرسیون. مشکلات طبقه بندی، مشکلاتی هستند که هدف آن ها تعیین طبقه هر یک از موارد موجود است؛ به عبارت دیگر، پیش بینی برچسب ظبقه. مشکلی که دارای دو برچسب ممکن باشد، مشکل طبقه بندی باینری نامیده می شود، در حالی که مشکلی که دارای بیش از دو طبقه است، مشکل طبقه بندی چند طبقه ای نامیده می شود. اگر یک مورد بتواند به چند طبقه تقسیم شود، با مشکل طبقه بندی چند برچسبی مواجه خواهیم شد. در این حالت، اغلب عضویت یک مورد در یک طبقه منفرد با عددی بین 0 تا 1 همراه است. این عدد را می توان به عنوان قدرت عضویت یا احتمال عضویت تفسیر کرد. در این مورد، مجموع نقاط قوت یا احتمال عضویت برای یک مورد معین، برابر 1 است. یک مثال کلاسیک از مشکل طبقه بندی باینری، طبقه بندی ایمیل ها به عنوان هرزنامه یا غیر اسپم است. یک مثال از مشکل طبقه بندی چند طبقه ای، ظبقه بندی محتویات یک ایمیل در طبقات موضوعی مختلف است. هدف مشکلات رگرسیون، پیش بینی مقدار یک متغیر خروجی با توجه به مقادیر چندین متغیر ورودی است. مقدار پیش بینی شده می تواند دارای ارزش واقعی یا ارزش گسسته باشد. فرض کنید یک مقدار، دارای بردارهای ویژگی زیادی است که شامل اطلاعات ویتاری برای استخدام جدید می باشد. یک مثال از مشکل رگرسیون، پیش بینی مدت زمانی است که شخص، قبل از جستجوی شغل جدید، در شرکت شما می ماند. مرز بین مشکلات طبقه بندی و مشکلات رگرسیون دقیق نیست. یک مشکل رگرسیونی که در آن مقادیر پیش بینی شده از یک مجموعه محدود هستند، می تواند به عنوان یک مشکل طبقه جزوه روشنایی فنی مطرح شود که در آن هر طبقه با مقدار معینی در مجموعه محدود مقادیر پیش بینی شده مطابقت دارد. به طور مشابه، یک مشکل طبقه بندی می تواند به عنوان یک مشکل رگرسیون مطرح شود که در آن مقادیر خروجی پیش بینی شده با مجموعه ای از برچسب های طبقه مطابقت دارد. تکنیک های رایج مورد استفاده برای یادگیری تحت نظارت شامل رگرسیون خطی، رگرسیون لجستیک، تجزیه و تحلیل تفکیک خطی، درختان تصمیم گیری، نزدیکترین همسایه k و شبکه های عصبی است. تکنیک های رایج برای روش های یادگیری روشنایی فنی نظارت شامل شبکه های عصبی، خوشه بندی و کاهش ابعاد است. ما در این ضمیمه فقط نمونه کوچکی از این تکنیک ها را بررسی می کنیم.
درختان تصمیم گیری. یادگیری درخت تصمیم گیری یک تکنیک پیش بینی است که از مشاهدات مشتق از داده های موجود در شاخه های درخت، برای نتیجه گیری در مورد مقدار هدف موجود در برگ درخت استفاده می کند. بر اساس مقادیر متغیر ورودی، مجموعه ای از تصمیمات سلسله مراتبی اتخاذ می شود. مقدار متغیر خروجی با دنبال کردن درختی از ریشه تا برگ، بر اساس پاسخ به سؤالات مطرح شده در طول مسیر، یافت می شود. به طور کلی، درختان تصمیم گیری می توانند دوتایی یا غیر دوتایی باشند و سؤالات مطرح شده می توانند دلخواه باشند، به شرطی که با تعداد فرزندان در یک گره فردی مطابقت داشته باشند. در این پیوست، ما فقط درختان دوتایی با سؤالات بولی از شکل x <a یا x ≤ b ، برای برخی متغیرهای ورودی x و ثابت های a و b در بررسی می کنیم. اگر پاسخ به سؤالی درست باشد، ما فرزند سمت چپ را برای ادامه راه بر درخت انتخاب می کنیم، و در صورتی که این پاسخ نادرست باشد، کودک سمت راست را انتخاب می کنیم. با توجه به مجموعه ای از مقادیر متغیر ورودی و خروجی، درختی را انتخاب می کنیم که نوع سؤال بولی را برای مطرح کردن در هر گره داخلی انتخاب می کند. این کار معمولاً به طرز حریصانه ای انجام می شود و فقط در مورد تصمیمی در یک گره معین می پرسد که مجموع خطاهای مربع را به حداقل می رساند. برای تجسم، فرض کنید دو متغیر ورودی داریم، x1 و x2 ، که هر دو پیوسته هستند. فرض کنید مجموعه آموزشی به شکل (y ، x1 ، x2) باشد و t1 = (5.7 ، 2.3 ، 9.6) ، t2 = (3.5 ، 1.1 ، 10) ، t3 = (0.55 ، 3.6 ، 17.5) باشد. ابتدا باید تصمیم بگیریم که اولین تقسیم در x1 یا x2 باشد. سپس متغیر ورودی را انتخاب می کنیم که کمترین خطا را ایجاد کند. اکنون، هر گره درخت با زیر مجموعه ای از مجموعه آموزشی مرتبط است. به عنوان مثال، ریشه با کل مجموعه آموزشی مرتبط است. اگر سؤال در ریشه x1 <1 باشد، فرزند سمت چپ ریشه با مجموعه خالی و فرزند راست ریشه با کل مجموعه جزوه روشنایی فنی مرتبط است.اما اگر سؤال در ریشه x1 <1.8 باشد، فرزند سمت چپ ریشه با t2 و فرزند راست ریشه با آموزش های t1 و t3 مرتبط است. توجه داشته باشید که با تغییر 1.8 به 2.2، همان ارتباط را خواهیم داشت. با این حال، حتی در درختی مشابه، انتخاب نقطه تقسیم بر نتایج جفت ارزش ورودی که در مجموعه آموزش نیست، تأثیر می گذارد. بنابراین، خطای ایجاد شده توسط تقسیم x1 <1.8 چیست؟
تصویر 3-A2
اگر در این نقطه متوقف شویم، کاربرد درخت بدین صورت خواهد بود. روشنایی فنی یک جفت مقدار ورودی (c ، d)، اگر c <1.8 باشد، مقدار خروجی 3.5 را پیش بینی می کنیم، در حالی که اگر c ≥ 1.8 باشد، مقدار خروجی 3.125، و میانگین 5.7 و 0.55 را پیش بینی می کنیم. برای این جزوه کاربرد تکنولوژی پیشرفته در صنعت خودرو ، مجذور خطای تولید شده از فرزند چپ 0 است، در حالی که مجذور خطای تولید شده از فرزند راست (3.125 – 5.7) 2 + (3.125 – 0.55) 2 ≅ 13.26 است. اکنون می توانیم در این مرحله متوقف شویم، یا اصلاح بیشتری را در سمت راست انجام دهیم و صفحه را به سه قسمت تقسیم کنیم، که هر کدام با یک مجموعه آموزشی واحد مرتبط است. برای مشاهده درختان، مناطق مرتبط و خطاهای مربوط به دو شکاف مختلف، به شکل A2.3 مراجعه کنید. روش های کارآمد زیادی برای یافتن بهترین درخت وجود دارد که شامل زمان و چگونگی تقسیم منطقه و زمان توقف تقسیم منطقه ای است که شامل بیش از یک مجموعه آموزشی است. یونگ و همکارانش کاربرد درختان تصمیم گیری در تحقیقات مهندسی نرم افزار را برای مشکل پیش بینی به موقع عیوب نشان داده اند. این تکنیک، نقص ها را در جزئیات کوچک پیش بینی می کند. تغییرات کدی که به احتمال زیاد، نقص ایجاد می کنند، پیش بینی می شوند. در این مقاله، نشان داده شده است که روش درخت تصمیم گیری بهتر از بسیاری از تکنیک های یادگیری دیگر برای این مشکل عمل می کند. درختان تصمیم گیری در محیط یادگیری گروهی استفاده می شوند. این نوع یادگیری با ترکیب بسیاری از زبان آموزان موازی، نتایج نهایی را بهبود می بخشد.
Nearest Neighbor. تکنیک k-nearest همسایه، روشی برای برآورد احتمال عضویت یک متغیر ورودی طبقه بندی نشده(v)، در مجموعه ای محدود از طبقات است.
این تکنیک از نظر مفهومی بسیار ساده است اما می تواند بسیار قدرتمند باشد. این تکنیک، نزدیکترین نقاط k را در مجموعه آموزشی به نقطه داده شده در مقابل v را می یابد. برای یک طبقه معین مثل c، فرض کنید n نقطه بین این نزدیکترین نقاط مجموعه آموزشی k وجود دارد که به طبقه c تعلق دارد. پس احتمال اینکه v به c تعلق داشته باشد n/k خواهد بود. اگر مجبور باشیم v را با یک طبقه واحد برچسب گذاری کنیم، آن طبقه، طبقه ای با بالاترین احتمال خواهد بود. مقدار k قطعاً بر نتایج تأثیر می گذارد. مشخص شده است که k در مقادیر بسیار کوچک یا خیلی بزرگ، عملکرد خوبی ندارند. با افزایش k به نقطه مطلوب : ؛ () ()، ()