🌟 معرفی PandasAI: کاری راحت با داده‌ها بدون نیاز به کتابخانه‌های پیچیده!

این کتابخونه کار با داده‌ها رو خیلی ساده کرده، بدون اینکه شما لازم باشه با کتابخانه‌هایی مثل Pandas یا NumPy آشنا باشید. فقط کافیه سوالت رو به زبان ساده بپرسی و PandasAI جواب دقیق و حتی نمودارهای کاربردی رو برات آماده می‌کنه! ✨

نحوه کار کردن با PandasAI:

1️⃣ نصب کتابخانه:

pip install pandasai
pip install pandasai-litellm

2️⃣ راه‌اندازی مدل GPT-4.1-mini:

from pandasai_litellm.litellm import LiteLLM

llm = LiteLLM(model="gpt-4.1-mini", api_key="YOUR_OPENAI_API_KEY")

3️⃣ بارگذاری داده و پرسش از آن:

import pandasai as pai

pai.config.set({"llm": llm})
df = pai.read_csv("data/companies.csv")
response = df.chat("میانگین درآمد هر منطقه چقدره؟")
print(response)

اطلاع بیشتر :
https://github.com/sinaptik-ai/pandas-ai

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

📢 قابلیت جدید Hugging Face: Streaming Datasets 🚀

دیگه لازم نیست کل دیتاست‌هاتون رو دانلود کنید تا آموزش مدل‌هاتون شروع بشه!
با قابلیت Streaming Datasets، فقط با یه خط کد می‌تونید داده‌ها رو مستقیماً از اینترنت استریم کنید

dataset = load_dataset("HuggingFaceM4/FineVisionMax", split="train", streaming=True)

اطلاعات بیشتر:
https://huggingface.co/blog/streaming-datasets

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🧠 یه ریپازیتوری فوق‌العاده برای علاقه‌مندان به NLP و مدل‌های Transformer ✨

مجموعه‌ای گزیده و باکیفیت از منابع مربوط به شبکه‌های Transformer، مکانیزم Attention، مدل‌های GPT، BERT، ChatGPT، LLMs و Transfer Learning.

https://github.com/cedrickchee/awesome-transformer-nlp#readme

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🔥 چیت‌شیت کامل برای رسم نمودارها در Matplotlib (به همراه مثال‌های کد)

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer