Python challenge️

ما در کانال آموزش هوش مصنوعی، مباحث آموزشی از پایه که مناسب دانش آموزان هست تا تخصصی که مناسب دانشجویان و علاقه مندان حوزه AI هست رو قرار میدیم. در صورت تمایل میتوانید از طریق آی دی زیر در این کانال هم عضو شوید. https://t.me/studentai نکته : فقط مباحث آموزشی در کانال فوق قرار میگیرد. 📖 مجله هوش مصنوعی ➖➖➖➖➖ 🆔 : @HomeAI

#چالش_پایتون_در_هوش_مصنوعی 🔵 فاز ۳ – قسمت ۴: الگوریتم‌های طبقه‌بندی (Classification) 🔍🤖 طبقه‌بندی (Classification) یکی از مهم‌ترین شاخه‌های یادگیری نظارت‌شده است. هدف: دسته‌بندی داده‌ها در گروه‌های مشخص ✅ ✨ طبقه‌بندی یعنی چی؟ فرض کن داده‌هایی داریم از ایمیل‌ها و می‌خوایم تصمیم بگیریم که هر ایمیل اسپم است یا نه. مدل با یادگیری از داده‌های گذشته، به هر ایمیل جدید یک برچسب اختصاص می‌دهد. 📌 مثال‌های رایج * تشخیص اسپم در ایمیل * پیش‌بینی نوع گل یا حیوان بر اساس ویژگی‌ها * تشخیص بیماری از روی علائم پزشکی * شناسایی تصاویر: سگ، گربه، ماشین و … 🧩 الگوریتم‌های معروف طبقه‌بندی 1️⃣ درخت تصمیم (Decision Tree) 🌳 یک نمودار شبیه درخت که با سوال‌های بله/خیر داده‌ها را دسته‌بندی می‌کند. 2️⃣ جنگل تصادفی (Random Forest) 🌲🌲 چندین درخت تصمیم با هم کار می‌کنند و نتیجه نهایی رای‌گیری می‌شود. دقت بیشتری نسبت به یک درخت ساده دارد. 3️⃣ الگوریتم K نزدیک‌ترین همسایه (K-Nearest Neighbors) 👥 هر داده جدید به گروهی تعلق دارد که بیشترین شباهت را به آن دارد. 4️⃣ ماشین بردار پشتیبان (SVM) یک خط یا صفحه برای جدا کردن گروه‌ها در فضای چندبعدی پیدا می‌کند. 🧪 مثال کوتاه با Scikit-learn from sklearn.ensemble import RandomForestClassifier model = RandomForestClassifier(n_estimators=100, random_state=42) model.fit(X_train, y_train) predictions = model.predict(X_test) در این مثال: * مدل جنگل تصادفی ساخته شد * آموزش دید * پیش‌بینی روی داده‌های جدید انجام شد ✔️ 🎯 نکته مهم طبقه‌بندی برای هر داده‌ای که برچسب مشخص دارد عالی است. ولی اگر برچسب نداشته باشیم، باید از خوشه‌بندی (Clustering) استفاده کنیم که در فاز بعدی توضیح می‌دهیم. 👀 قسمت بعدی: درخت تصمیم و جنگل تصادفی 🌳 🗂 مرکز آموزش پایتون ➖➖➖➖➖➖➖➖ @pythonchallenge

Python challenge️ pinned «📚 فازهای آموزش پایتون و هوش مصنوعی 🔹 فاز ۱: مقدمات پایتون آشنایی با پایتون و نصب ابزارها 🖥 متغیرها و انواع داده‌ها 🔤🔢 شرط‌ها و حلقه‌ها 🔄 توابع و ماژول‌ها ⚙️ کار با کتابخانه‌ها و نصب پکیج‌ها 📦 پروژه کوچک عملی 🎯 (جمع‌بندی) 🔹 فاز ۲: پردازش داده‌ها آشنایی با…»

#چالش_پایتون_در_هوش_مصنوعی 🔵 فاز ۳ – قسمت ۳: رگرسیون خطی (Linear Regression) 📈🤖 رگرسیون خطی یکی از ساده‌ترین و مهم‌ترین الگوریتم‌های یادگیری ماشینه. مدل تلاش می‌کنه بین ورودی‌ها و خروجی‌ها یک خط رابطه پیدا کنه. اگه ورودی تغییر کرد، از روی اون خط مقدار جدید رو پیش‌بینی می‌کنه. 😎 ✨ رگرسیون خطی یعنی چی؟ فرض کن یک نمودار داری که روی محور افقی «متراژ خانه» و روی محور عمودی «قیمت» قرار گرفته. نقاط مختلف پخش شدن، ولی یک خط راست می‌تونه نزدیک‌ترین مسیر به همه نقاط باشه. اون خط همان مدل رگرسیون خطی است. 📌 مدل چه کاری انجام می‌دهد؟ مدل یک فرمول مثل زیر می‌سازد: Price = a * Area + b که مقدار a و b را از روی داده‌های واقعی یاد می‌گیرد. 🤔 چند مثال کاربردی * پیش‌بینی قیمت خانه * پیش‌بینی حقوق بر اساس سابقه * پیش‌بینی قد بچه بر اساس قد والدین * پیش‌بینی فروش ماه آینده فروشگاه همه با یک «خط» ساده شروع می‌شود! 🧪 یک مثال کوتاه با Scikit-learn from sklearn.linear_model import LinearRegression model = LinearRegression() model.fit(X_train, y_train) predictions = model.predict(X_test) در همین چند خط: * مدل ساخته شد * آموزش دید * و روی داده‌های جدید پیش‌بینی کرد ✔️ 🎯 نکته مهم رگرسیون خطی فقط رابطه‌های ساده و خطی رو خوب یاد می‌گیره. برای الگوهای پیچیده‌تر در قسمت‌های بعدی می‌ریم سراغ مدل‌های حرفه‌ای‌تر 🔥 👀 قسمت بعدی: آشنایی با الگوریتم‌های طبقه‌بندی (Classification) 🔍 🗂 مرکز آموزش پایتون ➖➖➖➖➖➖➖➖ 🚀@pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی 🔵 فاز ۳ – قسمت ۲: داده‌های آموزشی و تست چیه؟ 📂🤖 برای اینکه یک مدل یادگیری ماشین درست تربیت بشه، باید داده‌هامون رو درست تقسیم کنیم. این کار باعث می‌شه مدل هم یاد بگیره و هم آزمون پس بده! 😎 🧩 چرا داده‌ها رو تقسیم می‌کنیم؟ وقتی همه داده‌ها رو بدیم به مدل، فقط حفظ می‌کنه! ولی وقتی یک بخش رو نگه می‌داریم برای تست، مدل یاد می‌گیره عمومی فکر کنه و واقعی‌تر رفتار کنه. 📌 انواع داده‌ها: 1️⃣ داده‌های آموزشی (Training Data) اینا داده‌هایی هستن که مدل روشون یاد می‌گیره. مثلاً یاد می‌گیره قیمت خانه‌ها با متراژ چطور تغییر می‌کنه. 2️⃣ داده‌های تست (Test Data) این بخش رو به مدل نمی‌دیم تا آخر کار! در پایان می‌خوایم ببینیم چقدر خوب یاد گرفته. 🔍 نکته مهم معمولاً 70٪ تا 80٪ داده‌ها برای آموزش و 20٪ تا 30٪ برای تست استفاده می‌شه. 🧪 یک مثال واقعی با Scikit-learn: from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42 ) این یعنی ۸۰٪ آموزش — ۲۰٪ تست ✔️ 🎯 چرا این مرحله مهمه؟ چون اگر مدل روی داده‌های جدید (که ندیده) عملکرد خوبی داشته باشه، یعنی واقعا فهمیده! وگرنه یعنی فقط حفظ کرده 😅 👀 قسمت بعدی: آشنایی با الگوریتم رگرسیون خطی 📈 🗂 مرکز آموزش پایتون ➖➖➖➖➖➖➖➖ 🚀@pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی 🤖 فاز ۳ – مبانی یادگیری ماشین 🔵 قسمت ۱: یادگیری ماشین یعنی چی؟ یادگیری ماشین (Machine Learning) یک شاخه از هوش مصنوعی است که به کامپیوترها یاد می‌دهد از روی داده‌ها الگو پیدا کنند و بدون اینکه به آن‌ها مرحله‌به‌مرحله بگوییم چه‌کار کنند، خودشان پیش‌بینی یا تصمیم‌گیری کنند 😎 ✨ یک مثال ساده فرض کن به کامپیوتر می‌گی: «اگه قیمت، متراژ و تعداد اتاق‌های چندتا خانه رو بهت بدم، یاد بگیر قیمت خانه‌های جدید رو حدس بزنی!» بدون اینکه هیچ فرمولی بهش بدی! این یعنی یادگیری ماشین. 📌 سه نوع اصلی یادگیری ماشین 1️⃣ یادگیری نظارت‌شده (Supervised Learning) به مدل «ورودی + خروجی» یاد می‌دیم و مدل رابطه بینشون رو یاد می‌گیره. نمونه‌ها: پیش‌بینی قیمت خانه، تشخیص اسپم، پیش‌بینی فروش. 2️⃣ یادگیری بدون نظارت (Unsupervised Learning) فقط داده‌ها رو می‌دیم، خروجی مشخص نیست. مدل خودش الگو و گروه‌ها رو پیدا می‌کنه. نمونه‌ها: دسته‌بندی مشتریان، گروه‌بندی اخبار. 3️⃣ یادگیری تقویتی (Reinforcement Learning) مدل با آزمون و خطا یاد می‌گیره و با جایزه/جریمه بهتر می‌شه. نمونه‌ها: ربات‌ها، بازی‌های کامپیوتری، AlphaZero. 🎯 چرا یادگیری ماشین مهمه؟ * استفاده از داده‌های بزرگ * دقت و سرعت بالا * کاربرد در همه‌جا: شبکه‌های اجتماعی، پزشکی، بانک‌ها، فروشگاه‌ها 🧪 پروژه کوچک این قسمت در قسمت‌های بعدی با هم یک مدل ساده می‌سازیم که از روی قد افراد، قد افراد جدید رو حدس بزنه! قدم‌به‌قدم و کاملاً عملی 😉 👀 قسمت بعدی: داده‌های آموزشی و تست — چرا داده‌ها رو نصف می‌کنیم؟ 🗂 مرکز آموزش پایتون ➖➖➖➖➖➖➖➖ 🚀@pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی 🧠 قسمت ۱۲: پروژه عملی پردازش داده 📑 سلام دوستان! 👋 تو این قسمت می‌خوایم همه چیزهایی که تو فاز ۲ یاد گرفتیم (NumPy، Pandas، Matplotlib) رو ترکیب کنیم و یک پروژه کامل انجام بدیم. 🎯 --- 🎓 پروژه: تحلیل نمرات یک کلاس ۱. آماده‌سازی داده‌ها فرض کنید یک فایل CSV به اسم grades.csv داریم: نام,ریاضی,فیزیک,شیمی علی,18,17,16 سارا,20,19,18 نیما,15,14,13 رضا,19,20,18 --- ۲. خواندن داده‌ها با Pandas import pandas as pd df = pd.read_csv("grades.csv") print(df) --- ۳. پاک‌سازی داده‌ها مثلاً اگر مقادیر گمشده باشه، پرشون می‌کنیم: df = df.fillna(df.mean(numeric_only=True)) --- ۴. محاسبه معدل هر دانش‌آموز df["معدل"] = df[["ریاضی", "فیزیک", "شیمی"]].mean(axis=1) print(df) --- ۵. تحلیل داده‌ها * پیدا کردن بالاترین و پایین‌ترین معدل: print("بیشترین معدل:", df["معدل"].max()) print("کمترین معدل:", df["معدل"].min()) * میانگین کل کلاس: print("میانگین کلاس:", df["معدل"].mean()) --- ۶. تجسم داده‌ها با Matplotlib import matplotlib.pyplot as plt plt.bar(df["نام"], df["معدل"], color="orange") plt.title("معدل دانش‌آموزان کلاس 📊") plt.ylabel("معدل") plt.show() 📌 خروجی: نمودار ستونی معدل هر دانش‌آموز --- ۷. نتیجه‌گیری * یاد گرفتیم داده‌ها رو بخونیم، پاک‌سازی کنیم، تحلیل کنیم و تجسم کنیم ✅ * این‌ها پایه‌ی اصلی کارهای هوش مصنوعی و یادگیری ماشین هستن. 🤖 * در فاز بعدی می‌ریم سراغ مبانی یادگیری ماشین (Machine Learning) ✨ --- 👀 قسمت بعدی (شروع فاز ۳): مقدمه‌ای بر یادگیری ماشین 🤖 🗂 مرکز آموزش پایتون ➖➖➖➖➖➖➖➖ @pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی 🧠 قسمت ۱۱: تجسم داده‌ها با Matplotlib 🎨 سلام دوستان! 👋 یکی از بهترین روش‌ها برای درک بهتر داده‌ها، نقاشی کردنشونه! 🎨 کتابخونه‌ی Matplotlib به ما کمک می‌کنه داده‌ها رو به شکل نمودار نشون بدیم. --- ۱. نصب و import pip install matplotlib import matplotlib.pyplot as plt --- ۲. رسم نمودار خطی (Line Plot) x = [1, 2, 3, 4, 5] y = [2, 4, 6, 8, 10] plt.plot(x, y) plt.title("نمودار خطی 📈") plt.xlabel("X") plt.ylabel("Y") plt.show() --- ۳. رسم نمودار ستونی (Bar Chart) names = ["علی", "سارا", "نیما", "رضا"] scores = [18, 20, 15, 19] plt.bar(names, scores, color="skyblue") plt.title("نمرات دانش‌آموزان 📊") plt.show() --- ۴. رسم نمودار دایره‌ای (Pie Chart) labels = ["ریاضی", "فیزیک", "شیمی"] values = [30, 45, 25] plt.pie(values, labels=labels, autopct="%1.1f%%") plt.title("درصد نمرات 🥧") plt.show() --- ۵. چند نمودار در یک شکل import numpy as np x = np.linspace(0, 10, 100) y1 = np.sin(x) y2 = np.cos(x) plt.plot(x, y1, label="sin(x)") plt.plot(x, y2, label="cos(x)") plt.legend() plt.title("مقایسه سینوس و کسینوس 🔄") plt.show() --- ۶. پروژه کوچک نمودار معدل دانش‌آموزان: import pandas as pd import matplotlib.pyplot as plt data = {"نام": ["علی", "سارا", "نیما"], "معدل": [17.5, 19, 16]} df = pd.DataFrame(data) plt.bar(df["نام"], df["معدل"], color="green") plt.title("معدل دانش‌آموزان 📚") plt.ylabel("معدل") plt.show() --- 👀 قسمت بعدی: پروژه عملی پردازش داده 📑 (جمع‌بندی فاز ۲) 🗂 مرکز آموزش پایتون ➖➖➖➖➖➖➖➖ @pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی 🧠 قسمت ۱۰: پاک‌سازی و آماده‌سازی داده‌ها 🧹 سلام دوستان! 👋 داده‌های دنیای واقعی همیشه مرتب نیستن! 😅 گاهی داده‌ها ناقص، تکراری یا اشتباه هستن. برای همین قبل از تحلیل یا یادگیری ماشین، باید داده‌ها رو پاک‌سازی و آماده‌سازی کنیم. --- ۱. شناسایی داده‌های گمشده (NaN) import pandas as pd import numpy as np data = { "نام": ["علی", "سارا", "نیما", "رضا"], "نمره": [18, np.nan, 15, 20] } df = pd.DataFrame(data) print(df) print(df.isnull()) # نمایش مقادیر گمشده --- ۲. حذف داده‌های ناقص df_clean = df.dropna() # حذف سطرهایی که مقدار گمشده دارن print(df_clean) --- ۳. جایگزین کردن داده‌های گمشده df["نمره"].fillna(df["نمره"].mean(), inplace=True) # جایگزینی با میانگین print(df) --- ۴. حذف داده‌های تکراری df = pd.DataFrame({ "نام": ["علی", "سارا", "علی"], "نمره": [18, 19, 18] }) print("قبل از حذف:\n", df) df = df.drop_duplicates() print("بعد از حذف:\n", df) --- ۵. تغییر نام ستون‌ها df.rename(columns={"نام": "Name", "نمره": "Score"}, inplace=True) print(df) --- ۶. پروژه کوچک پاک‌سازی داده‌های ناقص و محاسبه معدل: data = { "نام": ["علی", "سارا", "نیما", "رضا"], "ریاضی": [18, np.nan, 15, 20], "فیزیک": [17, 19, np.nan, 18] } df = pd.DataFrame(data) # پر کردن مقادیر گمشده با میانگین هر ستون df = df.fillna(df.mean(numeric_only=True)) # محاسبه معدل df["معدل"] = df[["ریاضی", "فیزیک"]].mean(axis=1) print(df) 📌 خروجی نمونه: نام ریاضی فیزیک معدل 0 علی 18.0 17.0 17.5 1 سارا 17.7 19.0 18.3 2 نیما 15.0 18.0 16.5 3 رضا 20.0 18.0 19.0 --- 👀 قسمت بعدی: تجسم داده‌ها با Matplotlib 🎨 🗂 مرکز آموزش پایتون ➖➖➖➖➖➖➖➖ @pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی 🧠 قسمت ۹: کار با داده‌های جدولی 📊 سلام دوستان! 👋 حالا که با Pandas آشنا شدیم، بیایید یاد بگیریم چطوری روی داده‌های جدولی عملیات مختلف انجام بدیم. این بخش خیلی مهمه چون بیشتر داده‌های دنیای واقعی به شکل جدول هستن. 🗂 --- ۱. فیلتر کردن داده‌ها import pandas as pd data = { "نام": ["علی", "سارا", "نیما", "رضا"], "سن": [18, 20, 19, 21], "نمره": [15, 19, 17, 20] } df = pd.DataFrame(data) # فیلتر: نمایش فقط کسانی که نمره بالای 17 دارن print(df[df["نمره"] > 17]) --- ۲. مرتب‌سازی داده‌ها # مرتب‌سازی بر اساس نمره print(df.sort_values("نمره", ascending=False)) --- ۳. انتخاب چند ستون print(df[["نام", "نمره"]]) --- ۴. اضافه کردن ستون جدید df["وضعیت"] = df["نمره"].apply(lambda x: "قبول ✅" if x >= 18 else "مردود ❌") print(df) --- ۵. محاسبات گروهی (GroupBy) مثال: محاسبه میانگین نمره‌ها بر اساس سن 👇 print(df.groupby("سن")["نمره"].mean()) --- ۶. پروژه کوچک جدول نمرات دانش‌آموزان رو مرتب کنیم و وضعیت هر کس رو نشون بدیم: students = { "نام": ["علی", "سارا", "نیما", "رضا"], "نمره": [15, 19, 17, 20] } df = pd.DataFrame(students) df["وضعیت"] = df["نمره"].apply(lambda x: "قبول ✅" if x >= 18 else "مردود ❌") print(df.sort_values("نمره", ascending=False)) 📌 خروجی نمونه: نام نمره وضعیت 3 رضا 20 قبول ✅ 1 سارا 19 قبول ✅ 2 نیما 17 مردود ❌ 0 علی 15 مردود ❌ --- 👀 قسمت بعدی: پاک‌سازی و آماده‌سازی داده‌ها 🧹 🗂 مرکز آموزش پایتون ➖➖➖➖➖➖➖➖ @pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی 🧠 قسمت ۸: آشنایی با Pandas 🗂 سلام دوستان! 👋 امروز می‌خوایم با Pandas آشنا بشیم. این کتابخونه فوق‌العاده برای کار با داده‌های جدولی مثل فایل‌های Excel یا CSV استفاده می‌شه. 📊 --- ۱. نصب Pandas pip install pandas --- ۲. وارد کردن Pandas import pandas as pd ✅ معمولاً با اسم کوتاه pd استفاده می‌شه. --- ۳. ساخت جدول (DataFrame) import pandas as pd data = {"نام": ["علی", "سارا", "نیما"], "سن": [18, 20, 19]} df = pd.DataFrame(data) print(df) 📌 خروجی: نام سن 0 علی 18 1 سارا 20 2 نیما 19 --- ۴. دسترسی به ستون‌ها و سطرها print(df["نام"]) # دسترسی به یک ستون print(df.iloc[1]) # دسترسی به یک سطر بر اساس اندیس --- ۵. خواندن فایل‌های داده * خواندن فایل CSV: df = pd.read_csv("data.csv") * ذخیره جدول به CSV: df.to_csv("output.csv", index=False) --- ۶. عملیات روی داده‌ها print(df.describe()) # آمار خلاصه print(df["سن"].mean()) # میانگین سن‌ها --- ۷. پروژه کوچک ساخت جدول نمرات و محاسبه معدل هر دانش‌آموز: import pandas as pd data = { "نام": ["علی", "سارا", "نیما"], "ریاضی": [18, 19, 15], "فیزیک": [17, 20, 14], "شیمی": [16, 18, 13] } df = pd.DataFrame(data) df["معدل"] = df[["ریاضی", "فیزیک", "شیمی"]].mean(axis=1) print(df) 📌 خروجی نمونه: نام ریاضی فیزیک شیمی معدل 0 علی 18 17 16 17.0 1 سارا 19 20 18 19.0 2 نیما 15 14 13 14.0 --- 👀 قسمت بعدی: کار با داده‌های جدولی 📊 🗂 مرکز آموزش پایتون ➖➖➖➖➖➖➖➖ @pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی 🧠 قسمت ۷: آشنایی با NumPy ➕ سلام دوستان! 👋 امروز می‌خوایم وارد دنیای NumPy بشیم. این کتابخونه یکی از مهم‌ترین ابزارها برای کار با اعداد، آرایه‌ها و محاسبات ریاضی در پایتونه. 🚀 --- ۱. نصب NumPy اگر نصب نکردی، با این دستور می‌تونی نصبش کنی: pip install numpy --- ۲. وارد کردن NumPy import numpy as np ✅ معمولاً با اسم کوتاه np صداش می‌کنیم. --- ۳. ساخت آرایه (Array) * آرایه‌ها تو NumPy مثل لیست‌های پایتون هستن ولی خیلی سریع‌تر و حرفه‌ای‌تر! import numpy as np arr = np.array([1, 2, 3, 4, 5]) print(arr) --- ۴. عملیات ریاضی روی آرایه‌ها می‌تونیم مستقیم روی همه عناصر محاسبات انجام بدیم: arr = np.array([10, 20, 30]) print(arr + 5) # جمع با همه عناصر print(arr * 2) # ضرب در همه عناصر print(arr / 10) # تقسیم همه عناصر --- ۵. آرایه‌های چندبعدی (Matrix) matrix = np.array([[1, 2], [3, 4]]) print("ماتریس:\n", matrix) print("شکل:", matrix.shape) print("جمع همه عناصر:", matrix.sum()) --- ۶. توابع آماده NumPy arr = np.array([1, 2, 3, 4, 5]) print("میانگین:", np.mean(arr)) print("بیشترین مقدار:", np.max(arr)) print("کمترین مقدار:", np.min(arr)) --- ۷. پروژه کوچک محاسبه معدل نمرات با NumPy: grades = np.array([18, 15, 20, 12, 19]) average = np.mean(grades) print("معدل دانش‌آموز =", average) --- 👀 قسمت بعدی: آشنایی با Pandas 🗂 🗂 مرکز آموزش پایتون ➖➖➖➖➖➖➖➖ @pythonchallenge

🔹 فاز ۲: پردازش داده‌ها آشنایی با NumPy ➕ آشنایی با Pandas 🗂 کار با داده‌های جدولی 📊 پاک‌سازی و آماده‌سازی داده‌ها 🧹 تجسم داده‌ها با Matplotlib 🎨 پروژه عملی پردازش داده 📑 🗂 مرکز آموزش پایتون ➖➖➖➖➖➖➖➖ @pythonchallenge

فاز ۱ رو کامل کردیم ✅ حالا میریم سراغ فاز ۲: پردازش داده‌ها.

#چالش_پایتون_در_هوش_مصنوعی 🧠 قسمت ۶: پروژه کوچک عملی 🎯 و جمع‌بندی فاز ۱ سلام دوستان! 👋 تو این قسمت می‌خوایم تمام چیزهایی که تا حالا یاد گرفتیم رو جمع‌بندی کنیم و یک پروژه کوچک عملی بسازیم تا مطمئن بشیم همه مفاهیم رو خوب یاد گرفتیم! 🚀 ۱. اهداف پروژه * استفاده از متغیرها و انواع داده‌ها * استفاده از شرط‌ها و حلقه‌ها * استفاده از توابع و ماژول‌ها * استفاده از کتابخانه‌ها ۲. پروژه: تحلیل نمرات دانش‌آموزان فرض کنید سه دانش‌آموز داریم و نمراتشون رو می‌خوایم بررسی کنیم: import pandas as pd # داده‌ها students = {"نام": ["علی", "سارا", "نیما"], "نمره": [85, 92, 78]} df = pd.DataFrame(students) # تابع برای بررسی وضعیت نمره def check_grade(score): if score >= 90: return "عالی 🌟" elif score >= 75: return "خوب 👍" else: return "نیاز به تلاش بیشتر 💪" # اضافه کردن ستون وضعیت نمره df["وضعیت"] = df["نمره"].apply(check_grade) # نمایش جدول نهایی print(df) خروجی نمونه: نام نمره وضعیت 0 علی 85 خوب 👍 1 سارا 92 عالی 🌟 2 نیما 78 خوب 👍 ۳. نکات جمع‌بندی * پایتون ابزارهای قدرتمندی برای تحلیل داده‌ها و هوش مصنوعی داره * مفاهیم پایه: متغیر، شرط، حلقه، تابع، ماژول و کتابخانه‌ها پایه هر پروژه AI هستن * در فاز بعدی می‌ریم سراغ پردازش داده‌ها و تجسم داده‌ها 🎨 👀 قسمت بعدی: پردازش داده‌ها با Pandas و NumPy 🗂 مرکز آموزش پایتون ➖➖➖➖➖➖➖➖ @pythonchallenge

🏢 دانشگاه مجازی هوش مصنوعی 1️⃣ پایتون مقدماتی 🕔 234 دقیقه 📥 کلیک کنید 2️⃣ پایتون تکمیلی ⏰ 840 دقیقه 📥 کلیک کنید 3️⃣ یادگیری ماشین با پایتون ⏰ 890 دقیقه 📥 کلیک کنید 4️⃣ یادگیری عمیق با پایتون ⏰ 330 دقیقه 📥 کلیک کنید 5️⃣ مصورسازی داده با پایتون ⏰195 دقیقه 📥 کلیک کنید 6️⃣ آموزش پروژه محور ⏰ 270 دقیقه 📥 کلیک کنید 🔥تخفیف تا پایان تابستان🔥 🎁 کد تخفیف :  FC1404 گام به گام متخصص هوش مصنوعی شوید. مسیر یادگیری را در تصویر بالا مشاهده نمایید. توصیه میکنیم برای دریافت تخفیف بیشتر پکیج آموزش های هوش مصنوعی رو تهیه کنید. رضایت بالای مخاطبین از تهیه آموزش‌های این مرکز نشان دهنده کیفیت بالای آموزش‌ها خواهد بود. 🗂 مرکز آموزش آنلاین و ویدئویی ➖➖➖➖➖ 🆔 : @pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی 🧠 قسمت ۵: کار با کتابخانه‌ها و نصب پکیج‌ها 📦 سلام دوستان! 👋 تو این قسمت می‌خوایم با کتابخانه‌ها و نصب پکیج‌ها در پایتون آشنا بشیم. این‌ها ابزارهای آماده‌ای هستن که کار ما رو خیلی راحت می‌کنن! 🚀 ۱. کتابخانه چیست؟ * کتابخانه مجموعه‌ای از کدهای آماده است که می‌تونیم در برنامه‌ها استفاده کنیم * مثال: numpy برای کار با اعداد و ماتریس‌ها، pandas برای تحلیل داده‌ها، matplotlib برای رسم نمودار ۲. نصب پکیج‌ها با pip * pip ابزار رسمی نصب پکیج‌ها در پایتون هست * مثال نصب چند پکیج مهم: pip install numpy pandas matplotlib seaborn scikit-learn ۳. استفاده از کتابخانه‌ها * بعد از نصب، می‌تونیم اونا رو import کنیم و استفاده کنیم: import numpy as np import pandas as pd import matplotlib.pyplot as plt # مثال عملی: رسم نمودار ساده x = [1, 2, 3, 4, 5] y = [2, 4, 6, 8, 10] plt.plot(x, y) plt.title("نمودار ساده خطی 📈") plt.show() ۴. پروژه کوچک عملی * با pandas یک جدول کوچک بسازیم و نمایش بدیم: import pandas as pd data = {"نام": ["علی", "سارا", "نیما"], "سن": [18, 20, 19]} df = pd.DataFrame(data) print(df) 👀 قسمت بعدی: پروژه کوچک عملی 🎯 (جمع‌بندی فاز ۱) 🗂 مرکز آموزش پایتون ➖➖➖➖➖➖➖➖ @pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی 🧠 قسمت ۴: توابع و ماژول‌ها ⚙️ سلام دوستان! 👋 تو این قسمت می‌خوایم با توابع و ماژول‌ها در پایتون آشنا بشیم. این‌ها به ما کمک می‌کنن کدهای مرتب‌تر و قابل استفاده مجدد بنویسیم! 🚀 ۱. تعریف تابع * تابع یک بخش از کد هست که یک کار مشخص رو انجام می‌ده و می‌تونیم بارها ازش استفاده کنیم. * مثال ساده: def greet(name): print("سلام", name, "🤖") greet("علی") greet("سارا") ۲. پارامتر و مقدار بازگشتی * توابع می‌تونن ورودی (پارامتر) بگیرن و خروجی (return) بدهند: def add(a, b): return a + b result = add(5, 3) print("نتیجه جمع:", result) ۳. ماژول‌ها * ماژول یعنی فایل یا مجموعه‌ای از کدهای آماده که می‌تونیم ازش استفاده کنیم * استفاده از ماژول‌های آماده: import math print("جذر 16 =", math.sqrt(16)) * می‌تونیم ماژول خودمون رو بسازیم: 1️⃣ ایجاد فایل my_module.py با تابع: def say_hello(): print("سلام از ماژول! 👋") 2️⃣ استفاده در فایل اصلی: import my_module my_module.say_hello() ۴. پروژه کوچک عملی یک تابع بسازیم که میانگین دو عدد رو محاسبه کنه: def average(x, y): return (x + y) / 2 print("میانگین:", average(10, 20)) 👀 قسمت بعدی: کار با کتابخانه‌ها و نصب پکیج‌ها 📦 🗂 مرکز آموزش پایتون ➖➖➖➖➖➖➖➖ @pythonchallenge

📚 فازهای آموزش پایتون و هوش مصنوعی 🔹 فاز ۱: مقدمات پایتون آشنایی با پایتون و نصب ابزارها 🖥 متغیرها و انواع داده‌ها 🔤🔢 شرط‌ها و حلقه‌ها 🔄 توابع و ماژول‌ها ⚙️ کار با کتابخانه‌ها و نصب پکیج‌ها 📦 پروژه کوچک عملی 🎯 (جمع‌بندی) 🔹 فاز ۲: پردازش داده‌ها آشنایی با NumPy ➕ آشنایی با Pandas 🗂 کار با داده‌های جدولی 📊 پاک‌سازی و آماده‌سازی داده‌ها 🧹 تجسم داده‌ها با Matplotlib 🎨 پروژه عملی پردازش داده 📑 🔹 فاز ۳: مبانی یادگیری ماشین مقدمه‌ای بر یادگیری ماشین 🤖 داده‌های آموزشی و تست 📂 الگوریتم رگرسیون خطی 📈 الگوریتم طبقه‌بندی (Classification) 🔍 درخت تصمیم و جنگل تصادفی 🌳 پروژه کوچک ML 🎯 🔹 فاز ۴: یادگیری ماشین پیشرفته آشنایی با Scikit-learn ⚡ بهینه‌سازی مدل‌ها و Cross Validation 🎯 ارزیابی مدل‌ها 📏 خوشه‌بندی (Clustering) 🌀 کاهش ابعاد (PCA) 🔽 پروژه عملی پیشرفته ML 🚀 🔹 فاز ۵: یادگیری عمیق (Deep Learning) مقدمه بر شبکه‌های عصبی 🧠 آشنایی با TensorFlow ⚙️ ساخت شبکه عصبی ساده 🔗 آموزش و تست شبکه عصبی 📊 شبکه‌های عمیق (Deep Networks) 🔥 پروژه عملی Deep Learning 🎯 🔹 فاز ۶: پروژه‌های کاربردی هوش مصنوعی پردازش تصویر با OpenCV 📷 پردازش زبان طبیعی (NLP) 📝 چت‌بات ساده 💬 سیستم توصیه‌گر (Recommendation) 🎥 پروژه نهایی 🗂 مرکز آموزش پایتون ➖➖➖➖➖➖➖➖ @pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی 🧠 قسمت ۳: شرط‌ها و حلقه‌ها 🔄 سلام دوستان! 👋 تو این قسمت می‌خوایم با شرط‌ها و حلقه‌ها در پایتون آشنا بشیم. این‌ها به ما کمک می‌کنن برنامه‌ها تصمیم بگیرن و کارهای تکراری انجام بدن! 🚀 ۱. شرط‌ها (if, elif, else) * شرط‌ها باعث می‌شن برنامه بر اساس وضعیت‌های مختلف تصمیم بگیره. * مثال: age = 18 if age >= 18: print("می‌تونی رای بدی ✅") else: print("هنوز کوچیک هستی ❌") * چند شرط با elif: score = 85 if score >= 90: print("عالی 🌟") elif score >= 75: print("خوب 👍") else: print("نیاز به تلاش بیشتر 💪") ۲. حلقه‌ها (Loops) 1️⃣ حلقه for – تکرار روی مجموعه‌ای از داده‌ها: fruits = ["سیب", "موز", "پرتقال"] for fruit in fruits: print("میوه:", fruit) 2️⃣ حلقه while – تکرار تا زمانی که شرط برقرار باشد: count = 1 while count <= 5: print("شماره:", count) count += 1 ۳. پروژه کوچک عملی بیاید بررسی کنیم اعداد زوج بین ۱ تا ۱۰ رو چاپ کنیم: for i in range(1, 11): if i % 2 == 0: print(i, "زوج است ✅") 👀 قسمت بعدی: توابع و ماژول‌ها ⚙️ 🗂 مرکز آموزش پایتون ➖➖➖➖➖➖➖➖ @pythonchallenge