watervacuum

الگوریتم های دید رایانه در دهه گذشته بسیار طولانی شده است. نشان داده شده است که آنها در انجام کارهایی مانند طبقه بندی نژادهای سگ یا گربه از افراد خوب و یا بهتر هستند و توانایی قابل توجهی در شناسایی چهره های خاص از دریای میلیون ها نفر دارند.

 

 

اما تحقیقات دانشمندان دانشگاه براون نشان می دهد که رایانه ها در کلاس هایی از وظایف که حتی بچه های کوچک نیز مشکلی با آنها ندارند ، به طرز بدبختی ناکام می شوند: تعیین اینکه آیا دو شیء در یک تصویر یکسان یا متفاوت هستند. در مقاله ای که هفته گذشته در نشست سالانه انجمن علوم شناختی ارائه شد ، تیم براون روشن می کند که چرا رایانه ها در این نوع کارها چندان بد نیستند و راه هایی را به سمت سیستم های دید هوشمند رایانه تر نشان می دهند .

 

توماس سر ، استادیار علوم شناختی ، زبانی و روانشناختی در براون و نویسنده ارشد مقاله می گوید: "هیجان زیادی در مورد آنچه که دید رایانه ای توانسته است به دست آورد ، وجود دارد و من بسیاری از آن را به اشتراک می گذارم." "اما ما فکر می کنیم که با تلاش برای درک محدودیت های سیستمهای دید در حال حاضر رایانه همانطور که در اینجا انجام داده ایم ، می توانیم به جای ساده تر کردن سیستمهایی که از قبل در اختیار داریم ، به سمت سیستمهای جدید بسیار پیشرفته حرکت کنیم."

 

برای مطالعه ، Serre و همکارانش از الگوریتم های پیشرفته ترین دید در کامپیوتر استفاده کردند تا تصاویر ساده سیاه و سفید حاوی دو یا چند شکل تصادفی تولید شده را مورد تجزیه و تحلیل قرار دهند. در بعضی موارد اشیاء یکسان بودند. گاهی اوقات آنها یکسان بود اما با یک شی در رابطه با دیگر چرخانده؛ بعضی اوقات اشیاء کاملاً متفاوت بودند. از رایانه خواسته شد تا رابطه یکسان یا متفاوت را مشخص کند.

 

این مطالعه نشان داد که ، حتی پس از صدها هزار نمونه آموزش ، الگوریتمها بهتر از فرصتی برای شناخت رابطه مناسب نبودند. حال سؤال این بود که چرا این سیستم ها در این کار اینقدر بد هستند.

 

سر و همکارانش شک داشتند که ارتباطی با ناتوانی این الگوریتم های دید رایانه ای در جدا کردن اشیاء دارند. وقتی کامپیوترها به یک تصویر نگاه می کنند ، آنها در واقع نمی توانند بگویند که یک شی در تصویر متوقف می شود و پس زمینه یا یک شی دیگر شروع می شود. آنها فقط مجموعه ای از پیکسل ها را مشاهده می کنند که دارای الگوهای مشابه با مجموعه پیکسل هایی هستند که آنها یاد گرفته اند تا با برچسب های خاصی ارتباط برقرار کنند. این برای مشکلات شناسایی یا طبقه بندی خوب است ، اما هنگام تلاش برای مقایسه دو شیء از هم جدا می شود.

 

 

 

برای نشان دادن این که در واقع به همین دلیل الگوریتم ها در حال شکستن بودند ، سر و تیم او آزمایش هایی را انجام دادند که رایانه را از مجبور کردن جداگانه اشیاء به خودی خود رها می کند. محققان به جای نشان دادن دو شیء در رایانه ، در یک تصویر همزمان ، اشیاء را به صورت یکجا به کامپیوتر نشان دادند. این آزمایشات نشان داد که الگوریتمها مشکلی برای یادگیری رابطه یکسان یا متفاوت ندارند ، مادامی که نیازی به مشاهده دو شیء در یک تصویر نباشد.

 

سر می گوید منبع مشکل در جدا کردن اشیاء ، معماری سیستم های یادگیری ماشینی است که الگوریتم ها را تأمین می کنند. این الگوریتم ها از شبکه های عصبی حلقوی استفاده می کنند - لایه هایی از واحد پردازش متصل که شبکه های عصبی را در مغز تقلید می کند. یک تفاوت اساسی از مغز این است که شبکه های مصنوعی منحصراً "فید رو به جلو" هستند - اطلاعات مهم یک لایه از شبکه جریان دارد. به گفته Serre ، اینگونه نیست که سیستم تصویری در انسان کار می کند.

 

Serre گفت: "اگر به آناتومی سیستم تصویری خودمان توجه کنید ، متوجه می شوید که اتصالات عود کننده زیادی وجود دارد ، جایی که اطلاعات از یک منطقه بصری بالاتر به یک منطقه بینایی پایین تر منتقل می شوند."

 

در حالی که هنوز مشخص نیست که این بازخوردها چه کاری انجام می دهند ، Serre می گوید ، این احتمال وجود دارد که آنها ارتباطی با توانایی ما در توجه به قسمت های خاصی از زمینه تصویری ما داشته باشند و بازنمایی ذهنی اشیاء را در ذهن ما ایجاد کنند.

http://bookmark-template.com/story6997058/قیمت-آکومولاتور

روشی جدید برای تنظیم قطعات پیشرفته رایانه ای به نام memristors بر روی تراشه می تواند از آنها برای محاسبات عمومی استفاده کند ، که می تواند مصرف انرژی را با ضریب 100 کاهش دهد.

 

 

یک محقق دانشگاه میشیگان می گوید ، این امر می تواند عملکرد در محیط های کم مصرف مانند تلفن های هوشمند را بهبود بخشد یا ابر رایانه های کارآمدتری را ایجاد کند.

 

وی گفت: "از نظر تاریخی ، صنعت نیمه هادی با ساخت سریعتر دستگاه ها عملکرد را بهبود بخشیده است. مهندسی برق و کامپیوتر و بنیانگذار memristor شرکت startup Crossbar Inc.

 

ممکن است پاسخ دهندگان باشد. آنها می توانند به عنوان یک پورتمانتوی حافظه و مقاومت معرفی شوند و دارای مقاومت های مختلف باشند - به این معنی که اطلاعات را به عنوان سطح مقاومت ذخیره می کنند. این عناصر مدار حافظه و پردازش را در همان دستگاه امکان پذیر می سازند و تنگنای انتقال داده را توسط رایانه های معمولی که در آن حافظه جدا از پردازنده است جدا می کنند.

 

با این حال ، بر خلاف بیت های معمولی ، که 1 یا 0 هستند ، حافظه گیران می توانند مقاومت هایی داشته باشند که در یک پیوستار باشد. برخی از برنامه ها ، مانند محاسباتی که از مغز (نورومورفیک) تقلید می کنند ، از ماهیت آنالوگ حافظه سازها بهره می گیرند. اما برای محاسبات عادی ، تلاش برای تمایز بین تغییرات کوچک در جریان عبور از یک دستگاه ممریستور ، به اندازه کافی برای محاسبات عددی دقیق نیست.

 

آرایه Memristor روی صفحه مدار قرار دارد. اعتبار: محمد زیدان ، گروه نانوالکترونیک ، دانشگاه میشیگان.

لو و همکارانش با دیجیتالی کردن خروجی های فعلی این مشکل را حل کردند - محدوده فعلی را به عنوان مقادیر بیت خاص تعریف می کنند (یعنی 0 یا 1). این تیم همچنین قادر است مشکلات ریاضی بزرگی را در بلوک های کوچکتر درون آرایه ترسیم کند و کارایی و انعطاف پذیری سیستم را بهبود بخشد.

 

رایانه هایی با این بلوک های جدید ، که محققان آنها را "واحد پردازش حافظه" می نامند ، می توانند برای اجرای الگوریتم های یادگیری ماشین و هوش مصنوعی بسیار مفید باشند. آنها همچنین به خوبی با کارهایی که بر اساس عملیات ماتریس است ، مانند شبیه سازی های مورد استفاده برای پیش بینی هوا مناسب هستند. ساده ترین ماتریس های ریاضی ، شبیه به جداول با ردیف ها و ستون های اعداد ، می توانند به طور مستقیم بر روی شبکه حافظه ها نقشه برداری کنند.

 

پس از تنظیم تعداد حافظه ها ، تعداد کارها را ضرب و جمع می کنیم و می توانید ردیف ها و ستون ها را همزمان جمع کنید ، با مجموعه ای از پالس های ولتاژ در امتداد ردیف ها. جریان اندازه گیری شده در انتهای هر ستون حاوی پاسخ ها است. در مقابل ، یک پردازنده معمولی باید مقادیر مربوط به هر سلول از ماتریس را بخواند ، ضرب را انجام دهد و سپس هر ستون را به صورت سری خلاصه کند.

 

 

 

لو گفت: "ما ضرب و تکثیر را در یک مرحله به دست می آوریم. این امر از طریق قوانین بدنی مورد مراقبت قرار می گیرد. ما نیازی به ضرب دستی و جمع شدن در یک پردازنده نداریم."

 

تیم او تصمیم گرفت معادلات دیفرانسیل جزئی را حل کند به عنوان آزمایشی برای یک آرایه ممبرست 32x32 کند - که لو فقط یک بلوک از سیستم آینده را تصور می کند. این معادلات ، از جمله معیارهای پیش بینی آب و هوا ، بسیاری از مشکلات علمی و مهندسی را پشت سر می گذارند ، اما حل آن بسیار چالش برانگیز است. مشکل از اشکال پیچیده و متغیرهای متعدد مورد نیاز برای مدل سازی پدیده های جسمی ناشی می شود.

 

هنگام حل معادلات دیفرانسیل جزئی دقیقاً غیرممکن است ، حل تقریباً آنها می تواند به ابر رایانه ها نیاز داشته باشد. این مشکلات غالباً ماتریس داده های بسیار بزرگی را شامل می شوند ، بنابراین تنگنای ارتباطی پردازنده حافظه به طور مرتب با یک آرایه Memristor حل می شود. معادلات تیم لو که در تظاهرات خود به کار می برد ، یک راکتور پلاسما مانند شبیه سازهای مورد استفاده برای ساخت مدار مجتمع را شبیه سازی می کنند.

http://bookmark-dofollow.com/story6999232/قیمت-آکومولاتور

برای تولید الکترودهای متخلخل برای باتری های لیتیوم-یون ، می توان از تولید مواد افزودنی که در غیر این صورت به عنوان چاپ 3 بعدی شناخته می شود ، استفاده کرد ، اما به دلیل ماهیت فرآیند تولید ، طراحی این الکترودهای چاپی 3 بعدی محدود به تعداد معدودی ممکن است. معماری تا کنون ، هندسه داخلی که بهترین الکترودهای متخلخل را از طریق تولید افزودنی تولید می کند ، چیزی بود که به عنوان یک هندسه تداخل یافته شناخته می شد - شاخه های فلزی مانند انگشتان دو دست بسته شده ، و لیتیم می تواند بین دو طرف ببندد.

 

 

اگر در میکروسکوپ ، الکترودهای آنها دارای منافذ و کانال باشند ، می توان ظرفیت باتری یون لیتیوم را بسیار بهبود بخشید. هندسه پراکنده ، هرچند که باعث می شود لیتیوم بتواند باتری را در طول شارژ و تخلیه باتری به طور موثر منتقل کند ، مطلوب نیست.

 

Rahul Panat ، استادیار مهندسی مکانیک در دانشگاه کارنگی ملون ، و تیمی از محققان کارنگی ملون با همکاری دانشگاه علم و فناوری میسوری ، یک روش جدید انقلابی از الکترودهای باتری چاپ 3 بعدی تهیه کرده اند که یک 3 بعدی ایجاد می کند. ساختار microlattice با تخلخل کنترل شده. محققان نشان می دهند که در مقاله ای که در مجله افزودنی ساخت ، چاپ شده است ، این ساختار میکرولاستیک سه بعدی چاپ می کند ، ظرفیت و میزان تخلیه بار باتری های لیتیوم یونی را بسیار بهبود می بخشد .

 

Panat می گوید: "در مورد باتری های لیتیوم یونی ، الکترودهایی با معماری متخلخل می توانند منجر به ظرفیت بار بالاتر شوند." "این به این دلیل است که چنین معماری ها به لیتیوم اجازه می دهند تا از طریق الکترود در حجم الکترود نفوذ کند و منجر به استفاده بسیار زیاد از الکترود و در نتیجه ظرفیت ذخیره انرژی بالاتر شود. در باتری های معمولی ، 30-50? از کل حجم الکترود بی استفاده می باشد. روش ما بر این مسئله غلبه می کند با استفاده از چاپ 3 بعدی که در آن ما یک معماری الکترود میکرولاستیک ایجاد می کنیم که امکان حمل و نقل کارآمد لیتیوم را از طریق کل الکترود فراهم می کند ، همچنین باعث افزایش سرعت شارژ باتری می شود. "

 

ریزگرد. اعتبار: Rahul Panat ، دانشکده مهندسی دانشگاه کارنگی ملون

تولید افزودنی روش ارائه شده در مقاله Panat نشان دهنده یک پیشرفت عمده در چاپ هندسه های پیچیده برای معماری های باتری 3-D، و همچنین به عنوان یک گام مهم به سوی هندسی بهینه سازی تنظیمات 3-D برای ذخیره سازی انرژی الکتروشیمیایی است. محققان تخمین می زنند که این فناوری در حدود 2-3 سال آماده ترجمه به برنامه های صنعتی باشد.

 

 

 

ساختار microlattice (نقره) مورد استفاده به عنوان الکترود باتری های لیتیوم یون برای بهبود عملکرد باتری به روش های مختلف از جمله افزایش چهار برابر ظرفیت خاص و افزایش دو برابر در ظرفیت ناحیه هنگام مقایسه با الکترود بلوک جامد (نقره) نشان داده شده است. علاوه بر این ، الکترودها پس از چهل چرخه الکتروشیمیایی که مقاومت به مکانیکی خود را نشان می دهند ، ساختار شبکه 3-D پیچیده خود را حفظ کردند. بنابراین باتری ها می توانند از ظرفیت بالایی برای همان وزن یا به صورت متناوب ، برای همان ظرفیت ، وزن بسیار کاهش یافته داشته باشند - که این یک ویژگی مهم برای برنامه های حمل و نقل است.

 

محققان کارنگی ملون روش چاپ 3 بعدی خود را ایجاد کردند تا ضمن ایجاد قابلیت های موجود در یک سیستم چاپی Aerosol Jet 3-D ، معماری میکرولاستیک متخلخل متخلخل ایجاد کنند. سیستم Aerosol Jet همچنین به محققان اجازه می دهد تا سنسورهای مسطح و سایر الکترونیک ها را در مقیاس میکرو چاپ کنند ، که در کالج مهندسی دانشگاه کارنگی ملون در اوایل سال جاری مستقر شده است.

http://mediajx.com/story8048160/قیمت-آکومولاتور

تحقیقات جدید انرژی خورشیدی از دانشگاه ایالتی آریزونا نشان می دهد که ماژول های فتوولتائیک مبتنی بر سیلیکون ، که نور خورشید را با راندمان بالاتر از ماژول های فعلی به الکتریسیته تبدیل می کنند ، در آمریکا جذاب تر می شوند.

 

 

مقاله ای که به بررسی هزینه ها در مقابل افزایش بهره وری از یک فناوری جدید خورشیدی با عنوان "زنده ماندن فنی و اقتصادی ماژول های فتوولتائیک مبتنی بر سیلیکون و پشت سر هم در ایالات متحده" می پردازد ، در این هفته در Nature Energy ظاهر می شود . این مقاله توسط ASU Fulton دانشکده های مهندسی ، استادیار تحقیقات Zhengshan J. یو ، دانشجوی فارغ التحصیل جو V. کارپنتر و استادیار زاخاری هولمن تألیف شده است.

 

برنامه SunShot وزارت انرژی در سال 2011 با هدف ایجاد رقابت در برابر انرژی خورشیدی با منابع انرژی معمولی تا سال 2020 راه اندازی شده است. تا سال 2030 تعیین شده است افزایش کارآیی ماژول های فتوولتائیک یک مسیر برای کاهش هزینه های انرژی خورشیدی به این هدف جدید است. در صورت دستیابی ، انتظار می رود میزان خورشیدی نصب شده در ایالات متحده در سال 2030 در مقایسه با سناریوی معمول تجارت سه برابر شود.

 

اما به گفته هولمن ، " فن آوری غالب موجود" سیلیکون "بیش از 90 درصد راه را به حد بهره وری نظری خود می رساند ،" نیاز به اکتشاف فن آوری های جدید را افزایش می دهد. مطمئناً فناوریهای کارآمدتر گران تر خواهند بود ، با این وجود هولمن و هم نویسندگان را مجبور به پرسیدن می کنند "آیا دو برابر شدن کارآیی ماژول دو برابر هزینه را تضمین می کند؟"

 

استادیار گروه تحقیق Zachary Holman ، روی سلولهای خورشیدی ، اکسیدهای رسانا شفاف و نانوذرات نیمه هادی تمرکز دارد. اعتبار: Deanna Dent / ASU اکنون

ماژول های پشت سر هم دو ماده تکمیلی فتوولتائیک را تشکیل می دهند - به عنوان مثال ، یک سلول خورشیدی پروسکایت در بالای یک سلول خورشیدی سیلیکون - برای استفاده بهینه از طیف کاملی از رنگهای ساطع شده توسط خورشید و از بازده هر یک از سلولهای خورشیدی تشکیل دهنده به تنهایی استفاده می کند. این مطالعه به منظور تعیین میزان گران تر بودن ماژول های فتوولتائیک راندمان بالا با قیمت بالا و در رقابت در حال تحول در بازار خورشیدی طراحی شده است.

 

نتایج نشان می دهد که در بازار خورشیدی مسکونی پیش بینی شده برای سال 2020 آمریکا ، ماژول های پیش بینی شده با بهره وری 32 درصد می توانند بیش از سه برابر ماژول های سیلیکونی با کارآمد 22 درصد پیش بینی شده و هنوز هم با همان هزینه برق تولید کنند. این حق بیمه ، بهترین سناریو است که فرض می کند بازده انرژی ، میزان تخریب ، عمر خدمات و شرایط تأمین اعتبار ماژول های پشت سر هم فقط شبیه به ماژول های سیلیکون است. این مطالعه همچنین تصدیق می کند که مقادیر حق بیمه هزینه ای با توجه به منطقه متفاوت خواهند بود.

 

"مطالعه قبلی ما چشم انداز فن آوری پشتیبان ها را مشخص می کند ؛ این مطالعه چشم انداز اقتصادی این فناوری های خورشیدی آینده را که اکنون فقط در آزمایشگاه ها ایجاد می شوند ، نشان می دهد. این به محققان می گوید که چه میزان پول در هزینه های خود برای تحقق پیشرفت های کارآیی که انتظار می رود از آن خرج کنند ، می باشد. پشت سر هم ، "می گوید یو.

http://ztndz.com/story7351543/قیمت-اکچویتور

محققان دانشگاه نورث وسترن ، دانشگاه حمام و دانشگاه سیدنی رویکرد جدید شبکه ای را برای مدل های موضوع ، استراتژی های یادگیری ماشین ایجاد کرده اند که می توانند مباحث انتزاعی و ساختارهای معنایی را در اسناد متنی کشف کنند.

 

 

محققان در مطالعه خود توضیح دادند: "یکی از اصلی ترین چالش های محاسباتی و علمی در عصر مدرن ، استخراج اطلاعات مفیدی از متون بدون ساختار است." "مدل های موضوعی یک رویکرد رایج یادگیری ماشینی است که به ساختار موضعی نهفته مجموعه ای از اسناد استنتاج می کند."

 

در حال حاضر از مدلهای موضوعی برای شناسایی متون مرتبط با معنایی و طبقه بندی اسناد در تعدادی از زمینه ها ، از جمله جامعه شناسی ، تاریخ ، زبانشناسی و روانشناسی استفاده می شود. متداول ترین روش ، تخصیص نهفته Dirichlet (LDA) ، همچنین برای تجزیه و تحلیل های کتابشناختی ، روانشناختی و سیاسی و همچنین برای پردازش تصویر استفاده می شود.

 

علی رغم موفقیت گسترده اش ، LDA نقص های زیادی در نحوه ارائه متن دارد ، از جمله عدم وجود روش برای انتخاب تعداد مباحث ، اختلافات با خصوصیات آماری متون واقعی و عدم توجیه برای بیزی قبل ، که در آمار بیزی استنتاج توزیع احتمال است که قبل از ارائه شواهد بیان شده است.

 

اعتبار: گرلاچ و همکاران.

بخش عمده ای از تحقیقات اخیر در مورد مدل های موضوع بر ایجاد نسخه های پیشرفته تر LDA که عملکرد بهتری دارند یا می توانند جنبه های خاصی از اسناد را تحلیل کنند ، متمرکز شده اند.

 

رویکرد توسعه یافته توسط این تیم از محققان از تئوری شبکه ، تئوری مورد استفاده در فیزیک و سایر زمینه های علمی ناشی می شود که تکنیک هایی برای تجزیه و تحلیل نمودارها و همچنین ساختارهایی در سیستم هایی با عوامل متقابل مختلف ارائه می دهد. چارچوب جدید آنها برای مدل سازی موضوع براساس رویکرد استفاده شده برای یافتن جوامع در شبکه های پیچیده است ، که در چارچوب نظریه شبکه ، گرافیکی با ویژگی هایی است که در مدل سازی سیستم های زندگی واقعی رخ می دهد.

 

مارتین گرلاچ ، عضو ارشد دکترا در دانشگاه شمال غربی غربی در گفتگو با TechXplore گفت: "من از منظر سیستم های پیچیده و شبکه های پیچیده ، روی زبان طبیعی و مدل سازی کار می کردم." "این مشکلات بسیار شبیه به نظر می رسید ، اما جامعه علوم کامپیوتر (الگوسازی موضوع) و شبکه های پیچیده به نظر می رسید تا حد زیادی به طور مستقل کار می کنند. با آموزش به عنوان یک فیزیکدان ، ما می خواستیم نشان دهیم که دو مشکل به ظاهر متفاوت می توانند به همان ریاضی پایه ای کاهش پیدا کنند. "

 

 

 

گرلاچ و همکارانش رویکرد جدیدی را برای شناسایی ساختارهای موضعی ابداع کرده اند که مربوط به مشکل یافتن جوامع در شبکه های پیچیده است. تکنیک آنها نمایانگر متن به عنوان شبکه های دوتایی است ، طبقه ای از شبکه های پیچیده که گره ها را به مجموعه های X و Y تقسیم می کنند ، فقط امکان اتصال بین گره ها در مجموعه های مختلف را فراهم می کنند.

 

اعتبار: گرلاچ و همکاران.

Gerlach توضیح داد: "ما مسئله الگوسازی موضوع را به مشکل شناسایی جامعه در شبکه ای متشکل از کلمات و اسناد نقشه برداری کردیم که نشان می دهد آنها از نظر ریاضی معادل هستند."

 

رویکرد محققان ، که روشهای شناسایی جامعه موجود را تطبیق می دهد ، نسبت به سایر مدلهای موضوع موجود متنوع تر و اصولی تر است ، به عنوان مثال ، تعداد مباحث موجود در متون و تشخیص سلسله مراتب هر دو کلمه و اسناد را مشخص می کند. روش آنها از یک مدل بلوک تصادفی (SBM) ، یک مدل تولیدی برای نمودارهایی استفاده می کند که عموماً انجمن ها ، زیر مجموعه های مواردی را که به یکدیگر متصل هستند ، نقشه می کند.

 

Gerlach گفت: "ما برخی از مشکلات ذاتی و شناخته شده الگوریتم های مدل سازی موضوع محبوب مانند LDA (مانند نحوه تعیین تعداد مباحث) را حل می کنیم." "علاوه بر این ، کار ما نشان می دهد که چگونه به طور رسمی می توان روشهای مربوط به تشخیص جامعه و الگوسازی موضوع را ربط داد ، و امکان لقاح متقابل بین این دو زمینه را باز می کند."

 

رویکرد SBM که توسط Gerlach و همکارانش ایجاد شده است می تواند کاربردهای جالبی در سایر زمینه هایی که در آن از یادگیری ماشین استفاده می شود مانند تجزیه و تحلیل کدهای ژنتیکی یا تصاویر داشته باشد. در آینده محققان قصد دارند به بررسی پتانسیل شبکه های پیچیده چه در متن تحلیل متن و چه از آن بپردازند.

 

Gerlach گفت: "هم ارزی بودن بین الگویی موضوع و شناسایی جامعه اجازه می دهد تا از بینشهای به دست آمده در هر یک از جوامع استفاده کرده و در حوزه دیگر اعمال شود." "امیدوارم از این بینش ها استفاده کنم تا درک بهتری از این الگوریتم های یادگیری ماشین داشته باشیم ؛ چرا آنها کار می کنند و مهمتر از همه ، در چه شرایطی کار نمی کنند."

http://opensocialfactory.com/story4694843/قیمت-اکچویتور