پایتون | Data Science | Machine Learning

«یادگیری ماشین با پایتون» با تمرینات عملی با پایتون یادگیری ماشین را یاد بگیرید. محتوای راهنما شامل استفاده از کتابخانه‌های NumPy و SciPy برای محاسبات آماری، پیاده‌سازی رگرسیون خطی ساده و چندمتغیره، پاکسازی داده‌ها، ساخت نمودارهای تحلیلی و درک پایلاین در پکیج scikit-learn است. 🆔 @python4all_pro 🧩لینک کانال در بله 👇👇 https://ble.ir/Python4all_pro

🐍 همه چیز درمورد یادگیری Typing در پایتون! 🐍 اگه می‌خوای کد Pythonت رو حرفه‌ای‌تر، امن‌تر و قابل نگهداری‌تر کنی، یادگیری Type Annotations یکی از مهم‌ترین قدم‌هاست. این ریپو یه آرشیو کامل و دسته‌بندی‌شده از بهترین منابع یادگیری typing در Python هست. این مخزن شامل بهترین مقالات، کتاب‌ها، ابزارها، کتابخانه‌ها و سایر منابع اختصاص داده شده به تایپ‌نویسی و استفاده از آن در پروژه‌های واقعی است. 💻📚 این هم لینک: GitHub https://github.com/typeddjango/awesome-python-typing 🆔 @python4all_pro 🧩لینک کانال در بله 👇👇 https://ble.ir/Python4all_pro

دوره جدید DeepLearning AI با همکاری Cerebras منتشر شد موضوع دوره درباره «استنتاج سریع مدل‌های زبانی» است و نشان می‌دهد سرعت بالاتر LLMها چطور می‌تواند مسیر ساخت اپلیکیشن‌های Real-Time را تغییر دهد در این دوره ساخت ورک‌فلوهای چندابزاره، شخصی‌سازی لحظه‌ای صفحات وب و کار با Codex هم آموزش داده می‌شود http://hubs.la/Q04pypry0 https://x.com/DeepLearningAI/status/2077415530965676236/video/1 🆔 @python4all_pro 🧩لینک کانال در بله 👇👇 https://ble.ir/Python4all_pro

این دوره دقیقاً همون چیزیه که برای گذر از "فقط پایتون" به "پایتون برای ساخت عامل‌های هوش مصنوعی" لازم داری — همراه با پروژه‌های عملی. 👈نه فقط سینتکس، بلکه مستقیم ادغام با LLM و Agent ها 👈استک با NumPy، Pandas، SQLite، REST API 👈 کار با ابزارهای : ChatGPT، Gemini، HuggingFace بعد دیدن این دوره می تونی یک هوش مصنوعی برای یک کار خاص بسازی https://freecodecamp.org/news/learn-python-and-build-autonomous-agents/ 🆔 @python4all_pro 🧩لینک کانال در بله 👇👇 https://ble.ir/Python4all_pro

اینجا تمام کد ها و آموزش های لازم برای تشخیص چهره و اشیا‌ توی عکس با پاییتون رو گذاشه و توی 3 ساعت کلش رو می تونید یاد بگیرید، کلی چیز آماده هم داره که در طول مسیر یادگیری به دردتون می‌خوره: github.com/murtazahassan/Learn-OpenCV-in-3-hours @python4all_pro

این جزوه مفاهیم پایه‌ای آمار و احتمال را برای ورود به علم داده (Data Science) آموزش می‌دهد. مفاهیم اصلی شامل: تعریف داده و فضای نمونه رویدادها (Events) توزیع‌های گسسته و پیوسته (Discrete & Continuous Distributions) احتمال شرطی (Conditional Probability) قانون بیز (Bayes' Theorem) متغیرهای تصادفی (Random Variables) هدف اصلی: تبدیل آمار و احتمال از فرمول‌های خشک به یک ابزار قابل‌فهم برای تحلیل داده در پروژه‌های واقعی و Machine Learning. این جزوه بر اساس این ویدیو گردآوری شده https://www.youtube.com/playlist?list=PLWv23ocV_hYb7d2LS4W4FrO108B7uz-M0 🆔 @python4all_pro 🧩لینک کانال در بله 👇👇 https://ble.ir/Python4all_pro

без подписи

ابزار Mellea: کتابخانه پایتون برای ساخت برنامه‌های LLM قابل پیش‌بینی فراخوانی معمولی LLM همیشه موفقیت آمیز نیست ؛ مدل ممکنه فرمت را رعایت نکند یا یه چیز ضروری را از قلم بیندازد، یا پاسخی بدهد که بررسی‌اش سخت باشد. کتابخانه Mellea پیشنهاد می‌دهد چنین سیستم‌هایی را به‌صورت برنامه‌های generative تایپ‌شده بنویسید. کافی است یک تابع پایتون توصیف کنید: from pydantic import BaseModel from mellea import generative, start_session class UserProfile(BaseModel): name: str age: int @generative def extract_user(text: str) -> UserProfile: """نام و سن کاربر را استخراج کن.""" m = start_session() user = extract_user( m, text="Alice is 31 years old." ) کتابخانه Mellea عبارت docstring را به دستورالعمل تبدیل می‌کند، annotationهای نوع را به ساختار پاسخ، و سپس نتیجه را اعتبارسنجی می‌کند و در صورت نیاز، تولید پاسخ را به‌طور خودکار تکرار می‌کند. لینک پروژه https://github.com/generative-computing/mellea 🆔 @python4all_pro 🧩لینک کانال در بله 👇👇 https://ble.ir/Python4all_pro

🔰 List Methods in Python بیا با هم لیست متدهای پایتون رو مرور کنیم. این یکی از پرکاربردترین ساختارهای داده در پایتونه و دونستن متدهاش حسابی سرعت کدنویسیت رو بالا می‌بره. 📌 ایجاد لیست ساده‌ترین راه تعریف لیست استفاده از براکت [] هست. fruits = ["apple", "banana", "cherry"] empty_list = [] 🔧 متدهای اصلی append() — اضافه کردن به انتها یک آیتم به انتهای لیست اضافه می‌کنه. fruits = ["apple", "banana"] fruits.append("cherry") print(fruits) # ['apple', 'banana', 'cherry'] extend() — اضافه کردن چند آیتم چند آیتم از یک iterable رو به انتهای لیست اضافه می‌کنه. fruits = ["apple", "banana"] fruits.extend(["cherry", "date"]) print(fruits) # ['apple', 'banana', 'cherry', 'date'] insert() — اضافه کردن در موقعیت خاص یک آیتم رو در اندیس مشخص قرار می‌ده. fruits = ["apple", "cherry"] fruits.insert(1, "banana") print(fruits) # ['apple', 'banana', 'cherry'] 🗑 متدهای حذف remove() — حذف بر اساس مقدار اولین occurrence از مقدار مشخص شده رو حذف می‌کنه. fruits = ["apple", "banana", "cherry"] fruits.remove("banana") print(fruits) # ['apple', 'cherry'] pop() — حذف و بازگشت آیتم آیتم در یک اندیس خاص رو حذف و برمی‌گردونه. اگه اندیس ندادی، آخرین آیتم رو حذف می‌کنه. fruits = ["apple", "banana", "cherry"] removed = fruits.pop(1) print(removed) # banana print(fruits) # ['apple', 'cherry'] clear() — خالی کردن لیست تمام آیتم‌های لیست رو حذف می‌کنه. fruits = ["apple", "banana", "cherry"] fruits.clear() print(fruits) # [] 🔍 متدهای جستجو index() — پیدا کردن اندیس اندیس اولین occurrence از مقدار مورد نظر رو برمی‌گردونه. fruits = ["apple", "banana", "cherry"] print(fruits.index("cherry")) # 2 count() — شمارش تعداد تکرار تعداد تکرار یک مقدار در لیست رو می‌شماره. nums = [1, 2, 2, 3, 2, 4] print(nums.count(2)) # 3 📊 متدهای مرتب‌سازی و معکوس کردن sort() — مرتب‌سازی درجا لیست رو به ترتیب صعودی مرتب می‌کنه. با reverse=True نزولی می‌شه. nums = [3, 1, 4, 1, 5, 9, 2] nums.sort() print(nums) # [1, 1, 2, 3, 4, 5, 9] nums.sort(reverse=True) print(nums) # [9, 5, 4, 3, 2, 1, 1] reverse() — معکوس کردن ترتیب آیتم‌های لیست رو برعکس می‌کنه. fruits = ["apple", "banana", "cherry"] fruits.reverse() print(fruits) # ['cherry', 'banana', 'apple'] 📋 متدهای کپی copy() — کپی سطحی یه کپی از لیست برمی‌گردونه. original = [1, 2, 3] new_list = original.copy() print(new_list) # [1, 2, 3] 💡 نکات تکمیلی مهم عملگر in برای بررسی وجود: fruits = ["apple", "banana", "cherry"] print("banana" in fruits) # True عملگر + برای اتصال: list1 = [1, 2] list2 = [3, 4] print(list1 + list2) # [1, 2, 3, 4] عملگر * برای تکرار: print([0] * 4) # [0, 0, 0, 0] List Comprehension — روش پایتونی: squares = [x**2 for x in range(5)] print(squares) # [0, 1, 4, 9, 16] len() برای گرفتن طول: print(len([1, 2, 3])) # 3 min() و max(): nums = [3, 1, 4, 1, 5, 9, 2] print(min(nums)) # 1 print(max(nums)) # 9 🆔 @python4all_pro 🧩لینک کانال در بله 👇👇 https://ble.ir/Python4all_pro

🚀 ۱۵ کتابخانه پایتون برای دیتاساینس ها 🥇 Pyro : https://github.com/pyro-ppl/pyro یک فریم‌ورک قدرتمند برای مدل‌سازی احتمالاتی و بیزی که روی پایتورچ ساخته شده. برای ساخت مدل‌های مولد، تحلیل آماری پیشرفته و کار با شبکه‌بیزی عالی است. پشتیبانی کامل از Pyro Pro برای مدل‌های پیچیده‌تر. 🥈 Taipy : https://github.com/Avaiga/taipy یک جعبه ابزار برای توضیح‌پذیری مدل‌های هوش مصنوعی که چندین الگوریتم برای تحلیل مدل‌های بلک‌باکس و شفاف دارد. برای گزارش‌دهی تحلیل مدل و ارائه نتایج به غیرمتخصصان عالی است. 🥉 Nevergrad : https://github.com/facebookresearch/nevergrad یک کتابخانه پایتون برای بهینه‌سازی تکاملی و بدون مشتق که به درد تنظیم هایپرپارامترها و بهینه‌سازی مدل‌های پیچیده می‌خورد. از روش‌های مختلف بهینه‌سازی مانند Bayesian Optimization، Genetic Algorithms و... پشتیبانی می‌کند. 4️⃣ cvxpyLayers : https://github.com/cvxpy/cvxpylayers یک لایه بهینه‌سازی محدب قابل تفکیک برای پایتورچ و TensorFlow که برای آموزش مدل‌هایی با محدودیت‌های ریاضی خاص مانند کنترل بهینه، برنامه‌ریزی خطی و غیره استفاده می‌شود. 5️⃣ PyCaret : https://github.com/pycaret/pycaret یک جعبه ابزار کم‌کد برای آموزش، تیون و حتی دیپلوی مدل با چند خط ساده. برای پروژه‌های سریع و MVP عالی است و پشتیبانی کامل از انواع الگوریتم‌های ML دارد. 6️⃣ PyGWalker : https://github.com/Kanaries/pygwalker یک ابزار تعاملی برای ژوپیتر که محیط Drag & Drop می‌دهد که راحت دیتاتو بگردی و نمودار تعاملی بسازی. برای تحلیل داده‌های سریع و تعاملی عالی است. 7️⃣ Featuretools : https://github.com/alteryx/featuretools یک ابزار خودکار برای تولید ویژگی‌های جدید از داده‌های سری زمانی یا دیتاست‌های رابطه‌ای. برای Feature Engineering و ساخت دیتاست‌های پیشرفته استفاده می‌شود. 8️⃣ HyperTools : https://github.com/ContextLab/hypertools یک کتابخانه برای تحلیل داده‌های چندبعدی و پیچیده که آن‌ها را می‌آورد در فضای دو بعدی یا سه بعدی و با تصویر و انیمیشن نشان می‌دهد. برای تحلیل و نمایش داده‌های پیچیده عالی است. 9️⃣ SHAPash : https://github.com/MAIF/shapash یک کتابخانه برای توضیح پذیری مدل‌ها که یک داشبورد قابل فهم می‌دهد که بفهمی مدل چرا این خروجی را داده است. برای گزارش‌دهی تحلیل مدل و ارائه نتایج به غیرمتخصصان عالی است. 🔟 Cleanlab : https://github.com/cleanlab/cleanlab یک کتابخانه برای شناسایی و اصلاح خطاهای برچسب در دیتاست‌ها که باعث بهبود کیفیت داده آموزشی مدل‌ها می‌شود. برای کار با دیتاست‌های پر از نویز و خطا استفاده می‌شود. ⏺ NannyML : https://github.com/NannyML/nannyml یک ابزار مانیتورینگ آماده و بی‌دردسر برای مدل‌ها بعد از دیپلوی که تغییر در داده، افت عملکرد و مشکلات کیفیت داده را تشخیص می‌دهد. برای Monitoring و Alerting مدل‌ها عالی است. ⏺ STUMPY : https://github.com/stumpy-dev/stumpy یک کتابخانه برای تحلیل داده‌های سری زمانی که پیدا کردن ناهنجاری‌ها، کشف الگوهای تکراری و تقسیم‌بندی داده‌ها را آسان می‌کند. برای تحلیل سری زمانی پیشرفته استفاده می‌شود. ⏺ Optuna : https://github.com/optuna/optuna یکی از بهترین ابزارها برای تنظیم هایپرپارامترها که خیلی سریع و تمیز بهترین تنظیمات مدل را پیدا می‌کند و کلی نمودار برای تحلیل می‌دهد. برای Hyperparameter Tuning پیشرفته عالی است. ⏺ Gradio : https://github.com/gradio-app/gradio یک ابزار که هر مدل ML را می‌تواند خیلی سریع (تقریباً در یک دقیقه) تبدیل به یک وب‌اپ ساده کند؛ بدون اینکه فرانت‌اند بلد باشد. برای دمو و ارائه مدل عالی است. ⏺ Kedro : https://github.com/kedro-org/kedro یک فریم‌ورک که کل تمرکزش این است که پروژه را منظم کند؛ یک فریم‌ورک برای ماژولار ساختن پروژه‌های ML که خروجی‌هایش قابل تکرار و تمیز باشد. برای پروژه‌های بزرگ و تیمی استفاده می‌شود. 💡 نکات کلیدی این کتابخانه‌ها برای دیتا ساینس‌های پیشرفته و حرفه‌ای عالی هستند برخی از آن‌ها برای پروژه‌های سریع و MVP مناسب‌اند (مثل PyCaret و Gradio) برخی دیگر برای پروژه‌های بزرگ و تیمی مناسب‌اند (مثل Kedro و NannyML) برخی برای تحلیل داده‌های پیچیده استفاده می‌شوند (مثل HyperTools و STUMPY) برخی برای توضیح پذیری مدل‌ها استفاده می‌شوند (مثل SHAPash و Taipy) #پایتون #علم_داد 🆔 @python4all_pro

Python re(gex)? exercises یک برنامه تمرینی عالی برای Regex در پایتون 📚 سرفصل‌های کتاب PyRegexExercises ۱. مفاهیم پایه Regex الگوهای ساده (simple patterns) کاراکترهای خاص (special characters) کلاس‌های کاراکتر (character classes) ۲. عملگرهای اصلی ۳. کلاس‌های کاراکتر پیشرفته ۴. بازه‌ها و محدودکننده‌ها ۵. گروه‌بندی و بازگشت ۶. الگوهای پیشرفته ۷. ماژول re و regex ۸. تمرینات عملی پاکسازی متن استخراج اطلاعات اعتبارسنجی فرم‌ها تحلیل لاگ‌ها ✅ مناسب برای: مبتدیان پایتون — که می‌خواهند Regex را یاد بگیرند توسعه‌دهندگان — که با Regex کار می‌کنند ولی می‌خواهند مهارتشان را تقویت کنند تحلیلگران داده — برای پاکسازی و پردازش متن مهندسان نرم‌افزار — برای کار با APIها و لاگ‌ها توسعه‌دهندگان وب — برای اعتبارسنجی فرم‌ها و پردازش ورودی ❌ مناسب برای: کسی که Regex را کاملاً نمی‌داند — باید ابتدا مفاهیم پایه را یاد بگیرد کسی که فقط Regex ساده کار می‌کند — ممکن است برایش مفید نباشد این کتاب با یک TUI (رابط کاربری ترمینال) همراه است بیش از ۱۰۰ تمرین دارد با ماژول re و regex کار می‌کند 📚 Book 🆔 @python4all_pro

دوستان کانال بله پایتون رو دنبال کنید. اگه زمانی اینترنت بین‌الملل محدود شد، ما همچنان از طریق بله کنارتون هستیم و آموزشها رو از همون‌جا ادامه می‌دیم.💙 https://ble.ir/Python4all_pro

Architecture Patterns with Python Enabling Test-Driven Development, Domain-Driven Design, and Event-Driven Microservices یک کتاب فوق‌العاده برای معماری نرم‌افزار در پایتون این کتاب برای چه کسانی خوبه؟ ✅ مناسب برای: توسعه‌دهندگان پایتون — که می‌خواهند معماری نرم‌افزار را یاد بگیرند مهندسان نرم‌افزار — که می‌خواهند الگوهای معماری را به‌کار بگیرند توسعه‌دهندگان Microservices — که می‌خواهند معماری رویدادمحور یاد بگیرند کسی که با DDD کار می‌کند — برای بهبود معماری دامنه کسی که با TDD کار می‌کند — برای پیاده‌سازی TDD در پروژه‌های بزرگ ❌ مناسب برای: مبتدیان پایتون — باید ابتدا مفاهیم پایه پایتون را یاد بگیرند کسی که با معماری نرم‌افزار آشنایی ندارد — ممکن است برایش مفید نباشد 💡 نکات مهم این کتاب روی TDD، DDD و معماری رویدادمحور تمرکز دارد با Flask و Message Bus کار می‌کند شامل پروژه‌های عملی است برای توسعه‌دهندگان میانی تا پیشرفته عالی است 📚 Read 🆔 @python4all_pro

List Methods in Python 🆔 @python4all_pro 🧩لینک کانال در بله 👇👇 https://ble.ir/Python4all_pro

без подписи

📕 کتاب«GenAI با پایتون و PyTorch» — چاپ دوم، مارس ۲۰۲۵ 👨🏻‍💻 اگه از کتابایی خسته شدی که فقط تئوری می‌گن و آخرش نمی‌دونی چطوری کد بزنی، وقتشه با این کتاب آشنا بشی. 📚 چاپ دوم این کتاب (مارس ۲۰۲۵) یه بازنویسی کامله: از TensorFlow به PyTorch مهاجرت کرده، مدل‌های LLM و Diffusion رو هم اضافه کرده و کل چرخه‌ی آموزش رو پوشش میده. 🧠 توش چی پیدا میشه؟ 🔸 فصل ۱–۲: پایه‌ها ؛GenAI چیه و چطوری با Midjourney، DALL-E و ChatGPT زندگی‌مون رو عوض کرده 🔸 فصل ۳–۵: NLP و Transforme 🔸 فصل ۶–۷: Open-Source LLM و Prompt Engineering 🔸 فصل ۸–۱۰: Multimodal 🔸 فصل ۱۱–۱۲: VAE و GAN 🔸 فصل ۱۳–۱۴: Style Transfer و Deepfakes چرا این کتاب خاصه؟ ✅ انتقال از تئوری به کد در یه فصل — فرمول ریاضی می‌بینی، بعد بلافاصله PyTorch پیاده‌سازیش می‌کنی ✅ پروژه‌های واقعی — ترجمه، نقد فیلم، Deepfake، Style Transfer ✅ ۴۵۴ صفحه پر از تمرین و کد عملی ✅ استفاده از Google Colab — نیازی به GPU گرون نداری ✅ ترکیب PyTorch + جامعه‌ی اوپن‌سورس — همه‌چیز قابل اجراست گیت هاب 🆔 @python4all_pro 🧩لینک کانال در بله 👇👇 https://ble.ir/Python4all_pro

فریمورک Pytest چیه یه ابزار تست برای پایتونه که کدها رو خیلی ساده و خوانا می‌کنه. معمولاً هر وقت یه برنامه‌نویس پایتون می‌خواد مطمئن بشه کدش درست کار می‌کنه، ازش استفاده می‌کنه. 🔹 چرا محبوبه؟ سینتکس خیلی ساده و تمیز پیام خطای واضح نشون میده پلاگین‌های فراوون داره هم برای پروژه‌های کوچیک و هم بزرگ مناسبه 🔹 یه مثال ساده: # math_tools.py def add(a, b): return a + b# test_math_tools.py from math_tools import add def test_add(): assert add(2, 3) == 5 assert add(-1, 1) == 0 بعد فقط می‌زنی: pytest و خودش همه‌ی تست‌ها رو اجرا می‌کنه و می‌گه کدوم رد شد، کدوم شکست خورد. 🔗 لینک‌ها: 🌎 سایت رسمی: https://docs.pytest.org 🐱 گیت‌هاب: https://github.com/pytest-dev/pytest 📦 PyPI: https://pypi.org/project/pytest/ 🆔 @python4all_pro 🧩لینک کانال در بله 👇👇 https://ble.ir/Python4all_pro

معرفی کتابخانه پایتونی xy (توسعه‌یافته توسط تیم Reflex)؛ یک جایگزین متن‌باز و فوق‌سریع برای Matplotlib، Plotly و Bokeh که با زبان Rust نوشته شده و در رندر ۱۰ میلیون نقطه داده، عملکردی بی‌نظیر از خود نشان می‌دهد. عملکرد محاسباتی (بنچمارک رسمی ۱۰ میلیون نقطه): 🔹 XY ➡ ۰.۰۲۳ ثانیه 🔹 Matplotlib ➡ ۲.۷۸ ثانیه 🔹 Plotly ➡ ۹.۵۸ ثانیه به این ترتیب، xy در مقایسه با Plotly تا ۴۱۳ برابر و در مقایسه با Matplotlib تا ۱۲۰ برابر سریع‌تر عمل می‌کند. این کتابخانه علاوه بر امکان مصورسازی بلادرنگ در Jupyter Notebook و وب‌اپلیکیشن‌ها، از خروجی در قالب‌های PNG، HTML و PDF نیز پشتیبانی می‌کند. نصب و راه‌اندازی pip install xy 🔗 مستندات: reflex.dev/docs/xy/ 🔗 گیت‌هاب: github.com/reflex-dev/xy 🆔 @python4all_pro 🧩لینک کانال در بله 👇👇 https://ble.ir/Python4all_pro

‼️ فقط با ۱۱۹ هزار تومن، مهارت جدید یاد بگیر ‼️ ♨️ قیمت استثنایی برای ۶۰۰ دوره آموزشیِ فرادرس 📣 برای مشاهده آموزش‌های هر دسته بندی، روی عنوان مورد نظر کلیک کنید: 👇 ✅ هوش مصنوعی | برنامه نویسی ✅ علوم کامپیوتر و شبکه | پایتون ✅ زبان‌های خارجی | اکسل Excel ✅ بازاریابی و کسب و کار | بازارهای مالی ✅ مهارت‌های عمومی | طراحی سایت 🔗 لیست تمامی ۶۰۰ آموزش - [کلیک کنید] 🔄 FaraDars - فرادرس

💢 ۶۰۰ آموزش ۱۱۹ هزار تومنی ➕ ۸۰٪ تخفیف برای سایر آموزش‌های فرادرس ✔️ در این طرح یادگیری، ۶۰۰ آموزش منتخب با قیمت ۱۱۹,۰۰۰ تومن در دسترس شماست و علاوه بر آن، سایر آموزش‌ها با ۸۰ درصد تخفیف قابل دریافت است. 👇 دسترسی آسان به منابع آموزشی 👇 🔗 [آموزش‌‌های هوش مصنوعی] 🔗 [تمامی آموزش‌های ۱۱۹ هزار تومنی] برای مشاهده سایر آموزش‌ها و استفاده از تخفیف ۸۰ درصدی، روی لینک زیر کلیک کنید: 🔗 [مشاهده سایر آموزش‌ها] 🔄 FaraDars - فرادرس