یادگیری ماشین چیست؟ MACHINE LEARNING

MACHINE LEARNING

یادگیری ماشین

یکی از حوزه های تکنولوژی که نقشی قابل توجه در بهبود سرویس های ارائه شده در تلفن های همراه و فضای مجازی دارد، یادگیری ماشین machine learning است. گاهی اوقات دو عبارت یادگیری ماشین و هوش مصنوعی به جای یکدیگر مورد استفاده قرار می گیرند و این مساله به خصوص زمانی که یک شرکت بزرگ قصد دارد از جدیدترین نوآوری هایش سخن بگوید بیشتر مشاهده می شود ، با این همه هوش مصنوعی و یادگیری ماشین دو حوزه کاملا متفاوت و البته متصل به یکدیگر در علم کامپیوتر می باشند.

از جمله اهداف هوش مصنوعی این است که بتواند رفتار ذهن انسان را تقلید و تکرار کند که برای این منظور نیز ماشین نیازمند توانمندی های یادگیری است. با این همه، هدف دانشمندان هوش مصنوعی کاملا گسترده است و علاوه بر یادگیری، موارد دیگری شامل نمایش دانش، منطق و حتی کارهایی نظیر تفکر انتزاعی را نیز در بر می گیرد.

از سوی دیگر، یادگیری ماشین صرفا روی نوشتن نرم افزار تاکید دارد که سیستم می تواند از تجربیات گذشته درس بگیرد. اما نکته جالب تر در این رابطه آنکه یادگیری ماشین در قیاس با هوش مصنوعی ارتباط نزدیک تری با کنکاش داده ها و تحلیل های آماری دارد. چرا اینگونه است؟ بهتر است در ابتدا معنای یادگیری ماشین را برای شما توضیخ دهیم.

یکی از تعاریف یادگیری ماشین آنطور که از سوی تام میشل پروفسور دانشگاه کارنگی ملون ارائه گردید بدین صورت است: نوعی برنامه کامپیوتری که با توجه به برخی وظایف گروه T و عملکرد P، تجربه E را شکل می دهد، اگر عملکرد آن در گروه وظایف T آنطور که توسط P اندازه گیری شده با تجربه E بهبود پیدا کند.

برای درک بهتر این تعریف بهتر است آن را به شکل ساده شده روبرو برایتان توضیح دهیم: اگر یک برنامه کامپیوتری بتواند عملکرد خود در انجام یک وظیفه را با استفاده از تجربیات پیشین اش بهبود ببخشد آنگاه می توانید بگویید که آن ماشین یاد گرفته است.

اما در پاره ای از موارد دولوپرها developer  کلیه پارامترهای لازم برای انجام یک وظیفه را برای ماشین برنامه نویسی می کنند و داده های مورد نیاز برای انجام آن را نیز در اختیارش قرار می دهند که این نوع عملکرد کاملا با یادگیری ماشین فرق دارد.

برای نمونه یک برنامه کامپیوتری می تواند بازی اکس او را انجام دهد چون یک برنامه نویس کد مناسب و استراتژی برنده شدن را برای آن نوشته است با این همه برنامه ای که هیچ استراتژی از پیش تعریف شده ای برای این کار ندارد و تنها قوانین بازی و سناریوی پیروزی (اینکه شروط برنده شدن چیست) را می داند، باید بازی کردن را با تکرار و تمرین یاد بگیرد.

اما این مساله صرفا در مورد بازی ها به کار برده نمی شود و در مورد برنامه هایی که عملیات طبقه بندی و پیش بینی را انجام می دهند نیز صادق می باشد. طبقه بندی فرایندی است که در آن یک ماشین می تواند چیزهای متفاوت را با استفاده از یک دیتابیس  که شامل اطلاعات بصری و داده های حاصل از اندازه گیری می باشد ، تشخیص داده و آنها را گروه بندی کند.

پیش بینی : که از آن تحت عنوان سیر بازگشت داده های آماری یاد می شود  ، زمانی رخ می دهد که یک ماشین بتواند ارزش یک چیز را براساس ارزش های قبلی حدس بزند یا بهتر از بگوییم پیش بینی می کند. برای نمونه با در نظر گرفتن مجموعه ای از خصوصیات برای یک ملک، تصمیم می گیرد که ارزش آن براساس ملک های فروخته شده قبلی چقدر است.

با این توضیحات، به تعریف دیگری از یادگیری ماشین می رسیم که در واقع همان استخراج دانش از داده هایی است که در دیتابیس قرار دارد. در این تعریف شما با یک پرسش روبرو هستید و قصد دارید به آن پاسخ دهید و از طرفی، تصورتان این است که جواب در داخل داده ها قرار دارد و شاید به همین خاطر است که یادگیری ماشین به داده های آماری و کنکاش آنها مربوط می شود.

انواع یادگیری ماشین چیست ؟

 

یادگیری ماشین را می توان به سه گروه اصلی تقسیم کرد: نظارتی، غیر نظارتی و تقویت شد ، که تمام موارد را در زیر توضیح میدهیم.

یادگیری نظارت شده چیست ؟

 

این نوع یادگیری زمانی اتفاق می افتد که شما با استفاده از داده هایی که به خوبی برچسب گذاری شده اند به یک ماشین آموزش می دهید؛ به بیان دیگر در این نوع یادگیری، داده ها از قبل با پاسخ های درست برچسب گذاری شده اند. برای نمونه به ماشین عکسی از حرف D را نشان می دهید. سپس پرچم فرانسه که سه رنگ دارد را به آن نشان می دهید. یاد می دهید که یکی از رنگ ها قرمز است و یکی آبی و دیگری سفید. هرچه این دایره اطلاعاتی بزرگ تر باشد ماشین هم بیشتر می تواند در مورد موضوع یاد بگیرد.

پس از آنکه آموزش دادن به ماشین به پایان رسید، داده هایی در اختیارش قرار داده می شوند که کاملا تازگی دارند و قبلا از آنها استفاده نکرد است و در آخر الگوریتم یادگیری با استفاده از تجربیات قبلی خود آن اطلاعات را تحلیل می کند. مثلا حرف D را تشخیص می دهد و یا رنگ قرمز را مشخص می کند.

یادگیری غیر نظارتی چیست ؟

 

این نوع یادگیری زمانی اتفاق می افتد که ماشین با استفاده از داده هایی آموزش می بیند که هیچگونه برچسب گذاری روی آنها انجام نخواهد شد. در این روش، هرگز به الگوریتم یادگیری گفته نمی شود که داده ها نمایانگر چه هستند. برای نمونه گفته می شود که اینجا یک حرف داریم اما هیچگونه اطلاعاتی در مورد اینکه صحبت از کدام حرف است، به الگوریتم داده نمی شود یا در اینجا مشخصات پرچم را داریم اما نامی از پرچم به میان نمی آوریم.

یادگیری نظارت نشده همچون گوش دادن به یک فایل صوتی به زبانی است که نمی داند؛ نه دیکشنری در اختیار دارید و نه حتی یک ناظر (استاد) که به شما بگوید در آن فایل صوتی چه حرف هایی گفته می شود. اگر تنها به یکی از فایل های صوتی ضبط شده به آن زبان گوش دهید چیز زیادی متوجه نمی شود اما چنانچه صدها ساعت گوش دهید مغزتان شروع به ایجاد نوعی الگوی جدید در مورد آن زبان می کند.

از این لحظه به بعد شروع به تشخیص الگوها می کنید و به تدریج در حین گوش دادن به آن پادکست ها انتظار شنیدن اصوات خاصی را خواهید داشت. زمانی که یک دیکشنری در اختیارتان قرار داده شود یا اینکه از راهنمایی های یک مربی بهره مند شوید آنگاه با سرعت بیشتری شروع به یادگیری آن زبان خواهید کرد.

نکته کلیدی در مورد یادگیری نظارت نشده آن است که پس از پردازش اطلاعات بدون برچسب، تنها کافی است که یک نمونه از داده های برچسب گذاری شده در اختیار الگوریتم یادگیری قرار داده شود تا کارایی کامل پیدا کند.

به عنوان مثال پس از پردازش میلیون ها عکس مربوط به حروف انگلیسی، تنها با پردازش حرف B، بلافاصله یک بخش کامل از داده های پردازش شده برچسب گذاری می شوند. حسن این روش آن است که به مجموعه کوچکی از داده های برچسب گذاری شده برای این کار نیاز است. ایجاد داده های برچسب گذاری شده نیز به مراتب سخت تر از داده های بدون برچسب است. به طور کلی همه ما به حجم انبوهی از داده های بدون برچسب دسترسی داریم و تنها بخش کوچکی از آنها برچسب گذاری شده اند.

یادگیری تقویت شد: 

این نوع یادگیری شباهت زیادی به نوع نظارت نشده دارد و شباهتشان در آن است که داده های مورد استفاده برای یادگیری برچسب گذاری نمی شوند، با این همه، زمانی که پرسشی در مورد داده ها مطرح می شود، نتیجه درجه بندی خواهد شد . یک مثال خوب برای این نوع یادگیری انجام بازی است. اگر ماشین برنده بازی شود، سپس از نتیجه کار برای تقویت حرکات آتی خود در حین بازی بهره می گیرد.

مجددا باید تاکید کنیم که اگر کامپیوتر تنها یک یا دو بار بازی را انجام دهد این روش تاثیری در عملکرد آن نخواهد داشت اما اگر هزاران بار و حتی میلیون ها بار این کار را انجام دهد در نتیجه اثر کلی این کار باعث شکل گیری نوعی استراتژی پیروزی در آن می شود.

عملکرد یادگیری ماشین چگونه است؟

مهندسانی که در زمینه ساخت سیستم های یادگیری ماشین فعالیت دارند تکنیک های مختلفی را برای این منظور مورد استفاده قرار می دهند. همانطور که پیشتر گفته شد تعداد زیادی از این تکنیک ها به کنکاش داده ها و آمارها مربوط می شوند. برای نمونه، اگر مجموعه ای از اطلاعات را در اختیار داشته باشید که خصوصیات انواع گوناگونی از سکه (شامل وزن و شعاع) را تعریف کنند آنگاه می توانید از تکنیک های آماری نظیر الگوریتم «نزدیک ترین همسایه» برای طبقه بندی سکه ای که قبلا مشاهده نشده استفاده نمایید.

کاری که الگوریتم «نزدیک ترین همسایه» انجام می دهد آن است که به دنبال طبقه بندی نزدیک ترین همسایه آن سکه می گردد و سپس همان طبقه بندی را برای آن سکه جدید نیز قائل می شود.

تعداد همسایه هایی که برای اتخاذ این تصمیم مورد استناد قرار گرفته اند با عنوان «K» شناخته می شود و بر همین اساس عنوان کامل برای الگوریتم به این شرح خواهد بود: «K همسایه نزدیک».

با این همه، الگوریتم های بیشمار دیگری نیز وجود دارند که سعی می کنند همین کار را با استفاده از متدهای متفاوتی انجام دهند. به نمودارهای زیر نگاه کنید:

یادگیری ماشین

 تصویری که در بالا ، مجموعه داده های موجود ما را نشان میدهد. این داده ها به دو دسته طبقه بندی شده اند: آبی و قرمز و باید بگوییم که کاملا فرضی هستند با این حال می توانند نمایانگر هر چیزی باشند و از وزن و شعاع سکه ها گرفته تا تعداد گلبرگ های روی یک گیاه و اندازه آنها را در بر بگیرند.

همانطور که مشاهده می کنید در این تصویر با چند گروه بندی قطعی نیز روبرو هستیم. هرآنچه که در گوشه سمت چپ در بالای تصویر قرار دارد در دسته قرمز جای می گیرد و هرآنچه که در پایین صفحه سمت راست قرار گرفته به گروه آبی تعلق دارد.

با این همه در میانه های تصویر شاهد نوعی تقاطع و یا به نوعی تداخل هستیم. اگر داده ای جدید را دریافت کنید که در میانه های این تصویر جای بگیرد آنگاه این سوال پیش می آید که آن نمونه به گروه قرمز تعلق دارد یا آبی؟

تصاویر دیگر نیز الگوریتم های مختلف و نحوه گروه بندی نمونه های جدید از طریق آنها را نشان می دهند. اگر داده جدید در یک منطقه سفید قرار بگیرد نمی توان آن را با استفاده از این متد طبقه بندی کرد. اعداد و ارقامی که در گوشه سمت راست در قسمت پایین عکس ها می بینید نیز دقت طبقه بندی را نشان می دهند.

شبکه های عصبی

یکی از اصطلاحاتی که به تناوب از سوی شرکت هایی نظیر گوگل و فیسبوک مورد استفاده قرار می گیرد «شبکه عصبی» است. یک شبکه عصبی در اصل نوعی تکنیک یادگیری ماشین است که براساس نحوه عملکرد نورون های مغز انسان طراحی شده و از عملکرد نورون های پیروی می کند که نورون ها پس از دریافت تعدادی داده ورودی، سیگنالی را بر حسب تفسیر خود از آن اطلاعات پخش می کنند. در اصطلاحات رایج یادگیری ماشین این کار از طریق دستکاری ماتریکس و همچنین نوعی تابع فعالسازی انجام می گیرد.

یادگیری ماشین

کاربرد شبکه های عصبی در سال های اخیر افزایشی چشمگیر داشته و هم اکنون نیز از این شبکه ها همرا ه با لایه های متعددی از نورون های متصل به هم استفاده می شود. در جریان کنفرانس Google I/O سال ۲۰۱۵، ساندار پیچای نایب رئیس بخش محصولات گوگل توضیح داد که چطور یادگیری ماشین و شبکه های عصبی به این شرکت کمک کرده تا ماموریت اصلی خود یعنی سازماندهی اطلاعات جهانی را به انجام رسانده و دسترسی به این اطلاعات را برای همه کاربران سطح دنیا فراهم نماید.

از همین روست که می توانید از Google Now سوالاتی مانند این را بپرسید: در زبان اسپانیایی چطور می گویید قورباغه؟ و به خاطر همین شبکه های عصبی است که گوگل می تواند اموری نظیر تشخیص صدا، پردازش زبان های طبیعی و ترجمه را انجام دهد.

در حال حاضر گوگل از شبکه های عصبی ۳۰ لایه استفاده می کند که رقمی فوق العاده محسوب می شود و به خاطر استفاده از آنهاست که نرخ خطای تشخیص کلام گوگل از ۲۳ درصد در سال ۲۰۱۳ میلادی به ۸ درصد در سال ۲۰۱۵ کاهش پیدا کرد.

برخی از نمونه های یادگیری ماشین

پس مشخص شد که شرکت هایی نظیر گوگل و فیسبوک از یادگیری ماشین برای بهبود سرویس های خود بهره می گیرند. حال این سوال مطرح می شود که این نوع یادگیری چه دستاوردهایی می تواند برای انسان داشته باشد؟ یکی از حوزه های جالب، حاشیه نویسی عکس هاست. در این بخش تعدادی عکس در اختیار ماشین قرار داده شده و از آن خواسته می شود که آنها را توصیف کند که در زیر می توانید نمونه هایی از آنها را مشاهده نمایید.

یادگیری ماشین

توضیحات ارائه شده بری دو عکس نخست کاملا درست هستند (هرچند که سینکی در داخل تصویر اول دیده نمی شود) و توضیحات ارائه شده برای عکس سوم نیز از آن جهت جالب است که کامپیوتر توانسته جعبه دونات ها را تشخیص دهد اما دیگر اجزای به نمایش در آمده در آن را به اشتباه فنجان قهوه تصور کرده.

یادگیری ماشین

نمونه دیگر این است که به کامپیوتر فرایند نوشتن یاد داده می شود

نمونه دست خط بالا توسط شبکه عصبی بازگشتی (نوعی شبکه عصبی مصنوعی که در آن، ارتباط میان واحدها نوعی چرخه هدفمند را تشکیل می دهد) ایجاد شده. خالقان این سیستم برای آموزش دادن به آن، از ۲۲۱ نویسنده درخواست کردند تا از یک تخته سفید هوشمند استفاده کرده و تعدادی متن را روی آنها بنویسند.

در جریان فرایند نوشتن، نحوه قرارگیری قلم این افراد با استفاده از پرتو مادون قرمز دنبال می شد که این کار به شکل گیری مختصات X و Y انجامید و از آن برای آموزش نظارت شده بهره گرفته شد. همانطور که در تصویر می بینید نتایج فوق العاده بودند و حالا این ماشین قادر است به سبک های مختلف و با سطوح مختلفی از نامرتبی بنویسد.

دو نمونه چارچوب منبع باز برای کسب مهارت در یادگیری ماشین

در یک سال گذشته، یادگیری ماشین به طرز بیسابق های به جریان اصلی دنیای فناوری تبدیل شده است. جالب اینکه روند توسعه محیطهای ابری ارزان قیمت و کارتهای گرافیکی پرشتاب و قدرتمند ، نقش بسزایی در این زمینه داشت هاند. این عوامل منجر به رشد انفجاری چارچوب هایی شده است که اکنون برای یادگیری ماشین در اختیار کاربران قرار دارند. چارچو بهایی که بخش عمد های از آنها منبع باز هستند. اما فراتر از منبع باز بودن، توسعه دهندگان به شیوه پیاده سازی انتزاعی آنها بیش از پیش توجه کرده اند.

این چارچوبها، این ظرفیت را ایجاد کرده اند تا دسترسی به پیچیده ترین بخشهای یادگیری ماشین برای همگان امکانپذیرباشد. همین موضوع باعث شده است تا یادگیری ماشین در طیف گسترد های از کلا سها در اختیار توسعه دهندگان قرار گیرد. بر همین اساس، در این فصل تعدادی از این چارچو بهای یادگیری را معرفی خواهیم کرد. در انتخاب این ابزارها سعی کرده ایم چارچوب هایی را که به تازگی معرفی یا در یک سال گذشته بازبینی شده اند، بررسی کنیم. چارچوب هایی که در ادامه با آ نها آشنا خواهید شد، امروزه به طرز گسترد های در دنیای فناوری استفاده می شوند. این چارچوبها با دو رویکرد کلی طراحی شده اند. اول اینکه به ساده ترین شکل ممکن مشکلات مرتبط با حوزه کاری خود را حل کنند و دوم آنکه در چالش خاصی که در ارتباط با یادگیری ماشین پیش روی توسعه دهندگان قرار دارد، به مقابله برخیزند.

ApacheSpark MLib

Apache Spark به دلیل اینکه بخشی از خانواده هادوپ است، ممکن است در مقایسه با رقبای خود شهرت بیشتری داشته باشد. در حالی که این چارچوب پردازش دادههای درو ن حافظ های خارج از هادوپ متولد شد، اما به خوبی موفق شد در اکوسیستم هادوپ خوش بدرخشد. Spark  یک ابزار یادگیری ماشین رونده است. این مهم به لطف کتابخانه الگوریتمهای روبه رشدی که برای استفاده روی داده های موجود در حافظه استفاده م یشوند، به وجود آمده است؛ الگوریت مهایی که از سرعت بالایی برخوردار هستند.

یادگیری ماشین

Spack MLib یک کتابخانه یادگیری ماشین گستر شپذیر اس

الگوریت مهای مورد استفاده در اسپارک دائما در حال گسترش و تجدیدنظر هستند و هنوز به عنوان موجودیت کاملی خود را نشان نداده اند. سال گذشته در نسخه ۱٫۵ ، تعداد نسبتاً زیادی الگوریتم جدید به این ابزار یادگیری ماشین افزوده شد، تعدادی از آ نها الگوریت مهای بهبود یافته بودند، در حالی که تعداد دیگری در جهت تقویت پشتیبانی از MLib که در پایتون استفاده م یشود، عرضهشده اند؛ پلتفرم بزرگی که به یاری کاربران رشته آمار و ریاضیات آمده است. Spark نسخه ۱٫۶ میتواند کارهای Spark Ml را ازطریق یک پای پلاین مجموع های از عناصر پردازشی داد های( پایدار به حالت تعلیق  Suspend  درآورده و مجددا از حالت تعلیق خارجکند و به مرحله اجرا درآورد. آپاچی اسپارک متشکل از ماژو لهای یادگیری ماشین  MLib ، پرداز شگراف  GraphX ، پردازش جریانی Spark Streaming و Spark SQL است.

Apache Singa

چارچوبهای یادگیری عمیق، بازوی قدرتمند یادگیری ماشین به شمار می روند و توابع قدرتمندی را در اختیار یادگیری ماشین قرار می دهند. قابلیت هایی همچون پردازش زبان طبیعی و تشخیص تصاویر از جمله این موارد هستند. Singa به تازگی به درون Apache Incubator راه پیدا کرده است؛ چارچوب منبع بازی که با هدف ساده سازی آموزش مدلهای یادگیری عمیق روی حجم گستردهای از داده ها استفاده می شود. Singa مدل برنامه نویسی ساد های برای آموزش شبکه های یادگیری عمیق بر مبنای کلاستری از ماشینها ارائه میکند.

یادگیری ماشین

نمایی از یادگیری ماشین Singa

این چارچوب از انواع رایجی از آموزش ها همچون شبکه عصبی پیچیده  Convolutional neural network ، ماشین بولتزمن محدود  Restricted Boltzmann machine  و شبکه عصبی بازگشتی Recurrent neural network  پشتیبانی می کند.
مدل ها می توانند هم زمان یکی بعد از دیگری یا در زمان های مختلف و پهلوبه پهلو side by side  آموزش ببینند. انتخاب هر یک از این روش ها به این موضوع بستگی دارد که کدام یک برای حل مشکل بهتر جواب می دهند. Singa می تواند فرایند کلاستربندی با Apache Zookeeper را ساده تر کند.




 نتیجه گیری

برخلاف بسیاری از حوزه های پژوهش در زمینه هوش مصنوعی، یادگیری ماشینی را نمی توان به عنوان یک هدف نامشهود در نظر گرفت؛ در واقع یادگیری ماشینی نوعی واقعیت است که هم اکنون برای بهبود سرویس های مورد استفاده انسان به کار گرفته می شود.

از بسیاری جهات می توان یادگیری ماشینی را نوعی ستاره فراموش شده در نظر گرفت که در پشت صحنه مشغول فعالیت است و همه تلاشش را به کار می گیرد تا پاسخ هایی که به دنبالشان هستیم را بیابد.

گروه انفورماتیک شیراز

۱۸ Comments

  1. minecraft download free pc اردیبهشت ۱۸, ۱۳۹۸ at ۱:۳۰ ق.ظ - Reply

    Very soon this web page will be famous amid all blogging people, due to it’s pleasant articles
    or reviews

  2. g اردیبهشت ۲۲, ۱۳۹۸ at ۱۰:۴۵ ب.ظ - Reply

    Definitely believe that which you said. Your favorite justification seemed to be on the web the simplest thing to be
    aware of. I say to you, I certainly get irked while people consider worries that they plainly do not know about.
    You managed to hit the nail upon the top as well as defined
    out the whole thing without having side-effects , people can take a signal.
    Will probably be back to get more. Thanks

  3. download minecraft pc اردیبهشت ۲۵, ۱۳۹۸ at ۱۱:۰۱ ب.ظ - Reply

    Right away I am ready to do my breakfast, once having my breakfast coming over again to read additional news.

  4. download minecraft pc اردیبهشت ۲۷, ۱۳۹۸ at ۴:۴۳ ق.ظ - Reply

    Hello would you mind letting me know which webhost you’re working with?
    I’ve loaded your blog in 3 different internet browsers
    and I must say this blog loads a lot faster then most.
    Can you recommend a good hosting provider at a honest
    price? Many thanks, I appreciate it!

  5. gamefly free trial خرداد ۱۲, ۱۳۹۸ at ۹:۵۲ ق.ظ - Reply

    Heya are using WordPress for your site platform?
    I’m new to the blog world but I’m trying to get started and create my own.
    Do you require any coding knowledge to make your own blog?
    Any help would be really appreciated!

  6. gamefly free trial خرداد ۱۲, ۱۳۹۸ at ۲:۴۹ ب.ظ - Reply

    Hello There. I discovered your weblog using msn. This is a
    very smartly written article. I will make sure to bookmark it and come back to learn more of your useful information. Thank you for
    the post. I’ll definitely comeback.

  7. gamefly free trial خرداد ۱۴, ۱۳۹۸ at ۷:۵۷ ق.ظ - Reply

    I every time emailed this weblog post page to all my associates, for
    the reason that if like to read it afterward my links will too.

  8. gamefly free trial خرداد ۱۵, ۱۳۹۸ at ۱۲:۵۳ ق.ظ - Reply

    Hello, just wanted to say, I enjoyed this
    blog post. It was practical. Keep on posting!

  9. gamefly free trial خرداد ۱۶, ۱۳۹۸ at ۸:۵۸ ق.ظ - Reply

    Do you mind if I quote a couple of your posts as
    long as I provide credit and sources back to your
    weblog? My website is in the exact same area of interest as
    yours and my visitors would certainly benefit from a lot of the
    information you provide here. Please let me
    know if this ok with you. Cheers!

  10. gamefly free trial خرداد ۱۶, ۱۳۹۸ at ۱۰:۱۸ ب.ظ - Reply

    Marvelous, what a blog it is! This weblog presents valuable data to us, keep it up.

  11. quest bars cheap خرداد ۲۵, ۱۳۹۸ at ۷:۳۶ ق.ظ - Reply

    Hello, I think your website might be having browser compatibility issues.
    When I look at your blog site in Ie, it looks fine but when opening
    in Internet Explorer, it has some overlapping. I just wanted to give you a quick heads up!
    Other then that, excellent blog!

  12. http://tinyurl.com/ خرداد ۲۷, ۱۳۹۸ at ۳:۱۶ ب.ظ - Reply

    Pretty nice post. I just stumbled upon your weblog and wanted to say that I’ve truly enjoyed browsing your blog posts.
    After all I’ll be subscribing to your feed and I hope you write again soon!

  13. how to get help in windows 10 تیر ۷, ۱۳۹۸ at ۱۰:۵۹ ب.ظ - Reply

    What’s up, its nice post on the topic of media print, we all
    be familiar with media is a great source of facts.

  14. quest bars cheap 2019 coupon تیر ۱۸, ۱۳۹۸ at ۱۱:۲۸ ق.ظ - Reply

    WOW just what I was searching for. Came here by searching for quest bars cheap 2019 coupon

  15. how to get help in windows 10 تیر ۲۷, ۱۳۹۸ at ۲:۱۵ ق.ظ - Reply

    Heya this is kinda of off topic but I was wanting to know if blogs use WYSIWYG editors or if you have to
    manually code with HTML. I’m starting a blog soon but have no coding experience so I wanted to get guidance from
    someone with experience. Any help would be enormously appreciated!

  16. smore.com مرداد ۴, ۱۳۹۸ at ۱:۳۴ ق.ظ - Reply

    I must thank you for the efforts you’ve put in writing this website.
    I really hope to check out the same high-grade
    content by you in the future as well. In fact, your creative writing abilities has motivated me to get my own blog now 😉 natalielise plenty of fish

  17. plenty of fish مرداد ۸, ۱۳۹۸ at ۲:۵۷ ب.ظ - Reply

    It’s an remarkable article designed for all the web users; they will get benefit from it I am sure.

  18. plenty of fish مرداد ۹, ۱۳۹۸ at ۳:۵۳ ق.ظ - Reply

    My partner and I absolutely love your blog and find a lot of your post’s to be exactly what I’m looking
    for. Do you offer guest writers to write content to suit your
    needs? I wouldn’t mind producing a post or elaborating on some of the subjects you write
    in relation to here. Again, awesome web site!

Leave A Comment

2 × چهار =