‏✳️ ‌آموزش ساخت ربات تلگرام با پایتون — از صفر تا صد

‏در این مقاله قصد داریم یک بات تلگرام ساده با استفاده از پایتون بسازیم و آن را روی سرور Heroku منتشر کنیم. تلگرام نیز در ظاهر مانند بسیاری از اپلیکیشن‌های پیام‌رسانی دیگر است. این اپلیکیشن خود را به صورت یک برنامه امن، سریع، بدون تبلیغ و غیره تبلیغ می‌کند. با این وجود، یک ویژگی هست که قطعاً آن را از اپلیکیشن‌های مشابه متمایز می‌سازد و آن بات‌ها هستند.

══ فهرست مطالب ══

‏ ○ ربات تلگرام چیست؟
‏ ○ چگونه اولین بات تلگرام را با پایتون بسازیم؟
‏ ○ آماده‌سازی پایتون برای ساخت بات تلگرام
‏ ○ کدنویسی ربات با پایتون
‏ ○ انتشار و استفاده عملی از بات تلگرام


‏🔸 ربات تلگرام چیست؟

‏بات‌ها را می‌توان یک حساب کاربری خودکار دانست که می‌توانند برخی کارهای جالب برای ما انجام دهند. برای نمونه اگر می‌خواهید لینکی به یک ویدئوی یوتیوب را در یک گروه به اشتراک بگذارید؛ اما هنوز چنین لینکی ندارید، می‌توانید از یک بات کمک بگیرید. بدون استفاده از بات باید مراحل زیر را طی کنید:

‏– وب‌سایت یوتیوب را در مرورگر وب خود باز کنید.
‏– به دنبال ویدئویی که می‌خواهید به اشتراک بگذارید، بگردید.
‏– گزینه share via… را انتخاب کنید و امیدوار باشید که اپلیکیشن موردنظرتان در فهرست اشتراک یوتیوب باشد.
‏– به اپلیکیشن پیام‌رسانی خود بازگردید و لینک را به اشتراک بگذارید.
‏البته اغلب ما به این فرایند عادت کرده‌ایم و به خوبی از آن استفاده می‌کنیم؛ اما اگر بک بات تلگرامی داشته باشید:

‏– زمانی که در حال ارتباط با افراد مختلف درون اپلیکیشن تلگرام هستید.
‏– کلمه vid@ را به همراه ویدئویی که دوست دارید یافته و به اشتراک بگذارید وارد می‌کنید.
‏– دکمه ارسال را می‌زنید تا ویدیو به اشتراک گذاشته شود.

‏مطمئناً موافق هستید که روش دوم بسیار آسان‌تر و کاربرپسندتر است و به زمان کمتری هم نیاز دارد. این تنها یک نمونه از قابلیت‌های بات‌ها است. تلگرام با ایجاد امکان بات به کاربران، کاری بسیار عالی انجام داده است. اگر بپرسید دلیل عالی بودن این امر چیست، باید پاسخ داد که این بهترین روش برای دریافت ایده API ها محسوب می‌شود.


‏🔸 چگونه اولین بات تلگرام را با پایتون بسازیم؟

‏برای ساخت ربات تلگرام با پایتون، نیاز است که مراحل زیر را طی کنید.

‏قبل از هر چیز باید یک حساب در تلگرام داشته باشید. پیشنهاد می‌کنیم جهت تست مفاهیم پایه از نسخه کلاینت وب تلگرام استفاده کنید.

‏اپلیکیشن تلگرام را باز کنید و به دنبال عبارت botFather بگردید و چت را آغاز کنید. دستور newbot/ را ارسال کرده و دستورالعمل‌ها را پیگیری کنید. پس از تکمیل کردن مراحل اولیه موارد زیر را خواهید داشت:



مطالعه ادامه مطلب 👇👇

‏🔗 آموزش ساخت ربات تلگرام با پایتون — از صفر تا صد — کلیک کنید (+)


📌 کانال اختصاصی آموزشی برنامه نویسی پایتون

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه نویسی پایتون را در کانال اختصاصی [@FaraPython] دنبال کنید. 👇

@FaraPython — مطالب و آموزش‌های برنامه نویسی پایتون فرادرس

‌

‏✳️ ‌نوع داده لیست در پایتون — به زبان ساده

‏در پایتون، شش «نوع داده» (Data Type) گوناگون وجود دارد. یکی از این موارد «لیست» (list) است. در این مطلب، به نوع داده لیست در پایتون پرداخته خواهد شد. در ابتدا، معرفی کوتاهی پیرامون این نوع داده انجام می‌شود و سپس، روش ساخت لیست، برش زدن یک لیست، حذف یا اضافه کردن عناصر به لیست و دیگر موارد مورد بررسی قرار می‌گیرد.

══ فهرست مطالب ══

‏ ○ نوع داده لیست در پایتون
‏ ○ روش ساخت نوع داده لیست در پایتون
‏ ○ روش دسترسی داشتن به عناصر یک لیست
‏ ○ روش برش زدن لیست در پایتون
‏ ○ روش تغییر عنصر کنونی و یا درج عنصر جدید در لیست
‏ ○ روش حذف یک عنصر از لیست
‏ ○ متدهای نوع داده لیست در پایتون
‏ ○ راهی برای ساخت یک لیست جدید
‏ ○ دیگر عملیات لیست در پایتون


‏🔸 نوع داده لیست در پایتون

‏پایتون، طیف وسیعی از نوع داده‌های ترکیبی را فراهم می‌کند که معمولا به عنوان یک دنباله به آن‌ها ارجاع داده می‌شود. لیست یکی از پر کاربردترین و متنوع‌ترین انواع عددی موجود در پایتون است.


‏🔸 روش ساخت نوع داده لیست در پایتون

‏در برنامه‌نویسی پایتون، نوع داده لیست با قرار دادن همه آیتم‌ها (عناصر) درون یک براکت (کمانک) یعنی ، ساخته می‌شود. عناصر یک لیست، با استفاده از علامت ویرگول، یعنی «,»، از هم جدا می‌شوند. لیست می‌تواند هر تعدادی عنصر داشته باشد و این عناصر ممکن است خود دارای انواع داده متفاوتی باشند. برای مثال، عناصر یک لیست ممکن است ترکیبی از نوع داده «صحیح» (integer)، «شناور» (float) و «رشته» (String) باشند. در کد زیر، مثال‌هایی پیرامون روش ساخت لیست آورده شده است:

# empty list
my_list = []

# list of integers
my_list = [1, 2, 3]

# list with mixed datatypes
my_list = [1, "Hello", 3.4]

‏در خط اول کد، یک لیست خالی ساخته شده است. از این مثال می‌توان فهمید که امکان ساختن لیست خالی در پایتون وجود دارد. در مثال دومی که در همین قطعه کد موجود است، یک لیست با سه عنصر ۱، ۲ و ۳ که هر سه دارای نوع داده عدد صحیح (int) هستند، ساخته شده است. در آخرین خط کد، یک لیست با سه عنصر ۱ (نوع داده عدد صحیح)، “Hello” (رشته) و ۳.۴ (ممیز شناور) ساخته شده است.

‏همانطور که از این مثال به خوبی مشهود است، نوع داده لیست در پایتون می‌تواند حاوی عناصری با انواع گوناگون باشد. همچنین، یک لیست می‌تواند شامل یک لیست دیگر باشد. به این موضوع، «لیست تو در تو» (Nested List) گفته می‌شود. مثالی از لیست تو در تو، در ادامه آمده است:

# nested list
my_list = ["mouse", [8, 4, 6], ['a']]


مطالعه ادامه مطلب 👇👇

‏🔗 نوع داده لیست در پایتون — به زبان ساده — کلیک کنید (+)

📌 کانال اختصاصی آموزشی برنامه نویسی پایتون

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه نویسی پایتون را در کانال اختصاصی [@FaraPython] دنبال کنید. 👇

@FaraPython — مطالب و آموزش‌های برنامه نویسی پایتون فرادرس

‌

‏✳️ ‌پایتون یا جاوا کدام بهتر است؟ — راهنمای جامع

‏زبان‌های برنامه‌نویسی، یکی از اساسی‌ترین بخش‌های «علم کامپیوتر» (Computer Science) محسوب می‌شوند. به عبارت دیگر، زبان‌های برنامه‌نویسی، یکی از مهم‌ترین ابزارهای در دسترس برنامه‌نویسان برای پیش‌برد اهداف خود و ابزاری حیاتی جهت تمامی فعالیت‌های برنامه‌نویسی محسوب می‌شوند. انتخاب بهترین زبان برنامه‌نویسی برای افراد مختلف، معمولا فرایندی بسیار گیج‌کننده است؛ حال فرض کنید که بخواهید چنین انتخابی را بین محبوب‌ترین زبان‌های برنامه‌نویسی موجود در جهان انجام دهید. انتخاب پایتون یا جاوا به عنوان زبان برنامه‌نویسی مقصد (برای تازه‌واردان به عرصه برنامه‌نویسی)، سؤالی است که ذهن بسیاری از فعالان و علاقه‌مندان به حوزه برنامه‌نویسی را به خود معطوف کرده است.

══ فهرست مطالب ══

‏ ○ زبان برنامه‌نویسی پایتون
‏ ○ زبان برنامه‌نویسی جاوا
‏ ○ پایتون یا جاوا: تفاوت‌های کلیدی
‏ ○ پایتون یا جاوا: موقعیت شغلی و درآمد
‏ ○ پایتون یا جاوا: محبوبیت زبان‌های پایتون و جاوا
‏ ○ پایتون یا جاوا: تفاوت‌های ساختاری پایتون و جاوا
‏ ○ پایتون یا جاوا: مقایسه عملکرد
‏ ○ جمع‌بندی


‏🔸 زبان برنامه‌نویسی پایتون

‏«زبان برنامه‌نویسی پایتون» (Python programming Language)، یک زبان برنامه‌نویسی با نوع‌های داده‌ای پویا است، یعنی، نوع داده‌ای متغیرها، بر حسب مقادیر آن‌ها و در زمان اجرا به طور خودکار توسط «مفسر» (Interpreter) مشخص می‌شوند. زبان برنامه نویسی پایتون، جزء زبان‌های برنامه‌نویسی همه منظوره محسوب می‌شود. توسعه ابتدایی زبان پایتون، در یک مؤسسه تحقیقاتی در کشور هلند آغاز شد.

‏انگیزه اصلی توسعه‌دهندگان، ساختن یک زبان برنامه‌نویسی «سطح بالا» (High Level) بود که قادر باشد شکاف میان زبان‌های C و «محیط‌های اسکریپتینگ» (Scripting Environment) نظیر Shell را بپوشاند. همانطور که یکی از نویسندگان اصلی زبان برنامه‌نویسی پایتون اظهار کرده است، ساختن «ابزارهای مدیریت سیستم» (System Administration Utilities) توسط زبان C کار بسیار دشواری بود و از بین بردن چنین نقیصه‌ای، یکی از انگیزه‌های اصلی توسعه زبان برنامه‌نویسی پایتون بود.

‏«قواعد دستوری» (Syntax) زبان پایتون نیز با الهام از زبان‌هایی نظیر Algol۶۸، پاسکال و ABC شکل گرفته است و هدف توسعه‌دهندگان، ایجاد بیشترین خوانایی ممکن در«قواعد دستوری» (Syntax) زبان پایتون بود.


‏🔸 زبان برنامه‌نویسی جاوا

‏زبان برنامه‌نویسی جاوا، یک زبان برنامه‌نویسی با نوع‌های داده‌ای «استاتیک یا ایستا» (Static) است، یعنی، نوع داده‌ای متغیرها، باید هنگام تعریف آن‌ها در برنامه مشخص شوند. زبان برنامه‌نویسی جاوا نیز، همانند زبان برنامه نویسی پایتون، جزء زبان‌های برنامه‌نویسی همه منظوره محسوب می‌شود.

‏«برنامه‌نویسی شیءگرا» (Object-Oriented programming | OOP)، به بهترین شکل ممکن در زبان برنامه‌نویسی جاوا نمود پیدا کرده است. همچنین، زبان جاوا در زمره زبان‌های برنامه‌نویسی «همزمان یا هم‌روند» (Concurrent) قرار می‌گیرد.

‏زبان برنامه‌نویسی جاوا، از ابتدا به شکلی توسعه داده شد که یک زبان برنامه‌نویسی WORA یا Write Once Run Anywhere باشد؛ یعنی زبانی که در آن، برنامه‌ها یکبار نوشته شوند و پس از آن در هر سیستمی قابل اجرا باشند. به عبارت دیگر، از همان ابتدا و در چشم‌انداز آینده زبان برنامه‌نویسی جاوا مشخص شده بود که برنامه‌های نوشته شده به این زبان باید قادر باشند به کمک «ماشین مجازی جاوا» (Java Virtual Machine | JVM) و بدون کمترین «وابستگی‌های برنامه‌نویسی» (Programming Dependencies) ممکن، روی هر پلتفرمی اجرا شوند.



مطالعه ادامه مطلب 👇👇

‏🔗 پایتون یا جاوا کدام بهتر است؟ — راهنمای جامع — کلیک کنید (+)


📌 کانال اختصاصی آموزشی برنامه‌نویسی جاوا

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی جاوا را در کانال اختصاصی [@Fara_Java] دنبال کنید. 👇

@Fara_Java — مطالب و آموزش‌های برنامه‌نویسی جاوا فرادرس

‌

‌
📱 در شبکه‌های اجتماعی فرادرس چه مطالبی منتشر می‌شود؟

✔️ اطلاع‌رسانی فرصت‌های ویژه و جشنواره‌های تخفیف

✔️ اطلاع‌رسانی جدیدترین آموزش‌های منتشر شده همراه با تخفیف ویژه انتشار

✔️ انتشار مطالب، مقالات و ویدئوهای آموزشی رایگان

✔️ اطلاع‌رسانی آخرین رویدادها و وبینارها

✔️ برگزاری مسابقات و طرح‌های تخفیف همراه با هدایای آموزشی


☸️ فرادرس را در شبکه‌های اجتماعی و کانال‌های ارتباطی مختلف دنبال کنید.👇👇👇


📌 اینستاگرام
🔗 instagram.com/FaraDars

📌 یوتیوب
🔗 youtube.com/c/FaraDarsCourses

📌 لینکدین
🔗 linkedin.com/company/FaraDars

📌 توئیتر
🔗 twitter.com/FaraDars

📌 کانال رسمی تلگرام
🔗 t.me/FaraDars

📌 کانال فرصت‌های ویژه (فراپُن)
🔗 t.me/FaraPon

📌 کانال تازه‌های نشر
🔗 t.me/FDPub

📌 کانال‌های موضوعی و تخصصی
🔗 t.me/faradars/5006



_______________‏

📚 فرادرس
دانش در دسترس همه
همیشه و همه جا


@FaraDars — فرادرس
‌

‏✳️ ‌ژوپیتر پایتون Jupyter چیست — راهنمای کاربردی به زبان ساده

‏«نتفلیکس» (Netflix) برای یکی از پروژه‌های خود که قصد دارد طی آن محتوای سفارشی‌سازی شده را برای بیش از ۱۳۰ میلیون بازدیدکننده خود ارائه کند از «علم داده» (Data Science) و «یادگیری ماشین» (Machine Learning) بهره می‌برد. یکی از راهکارهای قابل توجهی که «دانشمندان داده» (Data Scientist) و «مهندسان داده» (Data Engineer) در نتفلیکس با بهره‌گیری از آن به تعامل با داده‌های خود می‌پردازند استفاده از «ژوپیتر نوت‌بوک» (Jupyter Notebook) است. ژوپیتر نوت‌بوک، امکان استفاده مشارکتی، گسترده، مقیاس‌پذیر و قابل بازتولید را فراهم می‌کند. هنگامی که صحبت از ساخت «نمونه اولیه» (prototyping) سریع و تحلیل اکتشافی می‌شود، ژوپیتر نوت‌بوک برای بسیاری از افراد یک پلتفرم بالفعل واقعی به شمار می‌آید. اگرچه، بسیاری از قابلیت‌های ژوپیتر از نظرها دورمانده است. در ادامه، به بررسی برخی از ویژگی‌های ژوپیتر پرداخته می‌شود که می‌تواند بهره‌وری را ضمن کار با این پلتفرم افزایش دهد.

══ فهرست مطالب ══

‏ ○ ۱. اجرای دستورهای شِل
‏ ○ ۲. تم‌های ژوپیتر نوت بوک
‏ ○ ۳. افزونه‌های نوت‌بوک
‏ ○ ۴. ویجت‌های Jupyter
‏ ○ URL‌ها، PDF‌ها و ویدئوهای توکار
‏ ○ جمع‌بندی


‏🔸 ۱. اجرای دستورهای شِل

‏«شِل» (Shell) راهکاری برای تعامل متنی با کامپیوتر است. محبوب‌ترین شل یونیکس، «بَش» (Bash) نام دارد. بَش، شل پیش‌فرض بسیاری از پیاده‌سازی‌های مدرن یونیکس و بسیاری از بسته‌هایی است که ابزارهای یونیکس مانند را برای ویندوز فراهم می‌کنند. هنگام کار با مفسر پایتون، در شرایطی که نیاز به استفاده از ابزارهای خط فرمان باشد نیاز به جا‌به‌جایی مرتب بین شل و IDLE است. اگرچه، Jupyter Notebook سهولت اجرای دستورات شل را از نوت‌بوک با قرار دادن یک «!» اضافی پیش از دستورات فراهم می‌کند. هر دستوری که در خط فرمان کار کند در IPython نیز با قرار دادن کاراکتر پیش‌وند «!» کار می‌کند.

In [1]: !ls
example.jpeg list tmp
In [2]: !pwd
/home/Parul/Desktop/Hello World Folder'
In [3]: !echo "Hello World"
Hello World

‏می‌توان مقادیر را به صورت زیر به شل پاس داد و از آن تحویل گرفت.

In [4]: files= !ls
In [5]: print(files)
['example.jpeg', 'list', 'tmp']
In [6]: directory = !pwd
In [7]: print(directory)
['/Users/Parul/Desktop/Hello World Folder']
In [8]: type(directory)
IPython.utils.text.SList

‏توجه به این نکته لازم است که نوع داده نتایج بازگردانده شده «لیست» (List) نیست.


مطالعه ادامه مطلب 👇👇

‏🔗 ژوپیتر پایتون Jupyter چیست — راهنمای کاربردی به زبان ساده — کلیک کنید (+)


📌 کانال اختصاصی آموزشی برنامه نویسی پایتون

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه نویسی پایتون را در کانال اختصاصی [@FaraPython] دنبال کنید. 👇

@FaraPython — مطالب و آموزش‌های برنامه نویسی پایتون فرادرس

‌

‏✳️ ‌عملگرها در پایتون (Operators) — به زبان ساده

‏در این مطلب، انواع «عملگرها در پایتون» (Python Operators)، نحو و چگونگی استفاده از آن‌ها همراه با مثال‌هایی آموزش داده شده است. برای مطالعه پیرامون انواع متغیرها در «زبان برنامه‌نویسی پایتون» (Python Programming Language) مطلب «انواع متغیرها در پایتون — به زبان ساده» توصیه می‌شود. در مطلب «انواع داده در پایتون (Data Types) — به زبان ساده» نیز انواع داده موجود در پایتون مورد بررسی قرار گرفته و در «تبدیل نوع در پایتون (Type Conversion) — به زبان ساده» روش تبدیل انواع داده‌ها به یکدیگر در پایتون شرح داده شده است.

══ فهرست مطالب ══

‏ ○ عملگرها در پایتون
‏ ○ عملگرهای حسابی
‏ ○ عملگرهای مقایسه
‏ ○ عملگرهای منطقی
‏ ○ عملگرهای بیتی
‏ ○ عملگرهای تخصیص
‏ ○ عملگرهای خاص


‏🔸 عملگرها در پایتون

‏«عملگرها» (Operators) سمبل‌های خاصی در پایتون هستند که پردازش‌های حسابی و منطقی را انجام می‌دهند. مثال زیر در این راستا شایان توجه است.

>>> 2+3
5

‏در اینجا، + عملگری است که عمل جمع را انجام می‌دهد. ۲ و ۳ «عملوندها» (Operands) هستند و ۵ خروجی عملیات است.


‏🔸 عملگرهای حسابی

‏«عملگرهای حسابی» (Arithmetic Operators) برای انجام پردازش‌های ریاضی مانند جمع، تفریق، ضرب و دیگر موارد استفاده می‌شود.

x = 15
y = 4

# Output: x + y = 19
print('x + y =',x+y)

# Output: x - y = 11
print('x - y =',x-y)

# Output: x * y = 60
print('x * y =',x*y)

# Output: x / y = 3.75
print('x / y =',x/y)

# Output: x // y = 3
print('x // y =',x//y)

# Output: x y = 50625
print('x y =',x**y)

‏خروجی حاصل از اجرای برنامه بالا به صورت زیر خواهد بود.

x + y = 19
x - y = 11
x * y = 60
x / y = 3.75
x // y = 3
x ** y = 50625


مطالعه ادامه مطلب 👇👇

‏🔗 عملگرها در پایتون (Operators) — به زبان ساده — کلیک کنید (+)


📌 کانال اختصاصی آموزشی برنامه نویسی پایتون

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه نویسی پایتون را در کانال اختصاصی [@FaraPython] دنبال کنید. 👇

@FaraPython — مطالب و آموزش‌های برنامه نویسی پایتون فرادرس

‌

‏✳️ ‌الگوریتم K-نزدیک‌ترین همسایگی به همراه کد پایتون

‏«k-نزدیک‌ترین همسایگی» (k-Nearest Neighbors) یک روش ناپارامتری است که در داده‌کاوی، یادگیری ماشین و تشخیص الگو مورد استفاده قرار می‌گیرد. بر اساس آمارهای ارائه شده در وب‌سایت kdnuggets الگوریتم k-نزدیک‌ترین همسایگی یکی از ده الگوریتمی است که بیشترین استفاده را در پروژه‌های گوناگون یادگیری ماشین و داده‌کاوی، هم در صنعت و هم در دانشگاه داشته است.

══ فهرست مطالب ══

‏ ○ چه زمانی باید از الگوریتم k-نزدیک‌ترین همسایگی استفاده کرد؟
‏ ○ الگوریتم k-نزدیک‌ترین همسایگی چگونه کار می‌کند؟
‏ ○ شبه کد k-نزدیک‌ترین همسایگی
‏ ○ مقایسه مدل ارائه شده در این نوشتار با scikit-learn
‏ ○ سخن پایانی


‏🔸 چه زمانی باید از الگوریتم k-نزدیک‌ترین همسایگی استفاده کرد؟

‏الگوریتم k-نزدیک‌ترین همسایگی برای مسائل طبقه‌بندی و رگرسیون قابل استفاده است. اگرچه، در اغلب مواقع از آن برای مسائل طبقه‌بندی استفاده می‌شود. برای ارزیابی هر روشی به طور کلی به سه جنبه مهم آن توجه می‌شود:

‏– سهولت تفسیر خروجی‌ها

‏– زمان محاسبه

‏– قدرت پیش‌بینی

‏در جدول ۱ الگوریتم نزدیک‌ترین همسایگی با الگوریتم‌های «رگرسیون لجستیک»، «CART» و «جنگل‌های تصادفی» (random forests) مقایسه شده است. همان‌گونه که از جدول مشخص است، الگوریتم k-نزدیک‌ترین همسایگی بر اساس جنبه‌های بیان شده در بالا، نسبت به دیگر الگوریتم‌های موجود در جایگاه مناسبی قرار دارد. این الگوریتم اغلب به دلیل سهولت تفسیر نتایج و زمان محاسبه پایین مورد استفاده قرار می‌گیرد.


‏🔸 الگوریتم k-نزدیک‌ترین همسایگی چگونه کار می‌کند؟

‏برای درک بهتر شیوه کار این الگوریتم، عملکرد آن با یک مثال ساده مورد بررسی قرار گرفته است.


مطالعه ادامه مطلب 👇👇

‏🔗 الگوریتم K-نزدیک‌ترین همسایگی به همراه کد پایتون — کلیک کنید (+)


📌 کانال اختصاصی آموزشی برنامه نویسی پایتون

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه نویسی پایتون را در کانال اختصاصی [@FaraPython] دنبال کنید. 👇

@FaraPython — مطالب و آموزش‌های برنامه نویسی پایتون فرادرس

‌

‌
📙 دسته داده کاوی: پربازدیدترین مطالب اخیر «داده کاوی» مجله فرادرس


1️⃣ رسم نمودار داده ها در پایتون

‏───────────────

2️⃣ پردازش زبان طبیعی (NLP) با پایتون

‏───────────────

3️⃣ یادگیری عمیق (Deep Learning) با پایتون

‏───────────────

4️⃣ آموزش یادگیری ماشین با مثال‌ های کاربردی

‏───────────────

5️⃣ مفاهیم کلان داده (Big Data) و انواع تحلیل داده


#داده_کاوی


📚 سایر مطالب مجله فرادرس
🔗 fdrs.ir/blog


@FaraDarsMag — مجله فرادرس

‏✳️ ‌تابع‌های لامبدا (Lambda) در پایتون — یک راهنمای مقدماتی

‏لامبداها در پایتون یکی از مفیدترین، مهم‌ترین و جالب‌ترین ویژگی‌هایی هستند که می‌توان آموخت. متأسفانه اغلب افراد در مورد این توابع دچار سوءبرداشت شده و مسیر اشتباهی را طی می‌کنند. در این نوشته می‌خواهیم هر چیزی که لازم است در مورد این توابع اسرارآمیز، شیوه استفاده از آن‌ها و میزان مفید بودنشان بدانید را توضیح دهیم.

══ فهرست مطالب ══

‏ ○ لامبدا در پایتون چیست؟
‏ ○ چگونه از لامبداها در پایتون استفاده کنیم؟
‏ ○ لامبداهای پایتون به همراه نگاشت، فیلتر و کاهش
‏ ○ مسائلی که هنگام استفاده از لامبدا باید در نظر داشت


‏🔸 لامبدا در پایتون چیست؟

‏لامبدا یک روش ساده برای تعریف تابع در پایتون است. این توابع غالباً به نام «عملگرهای لامبدا» یا «تابع‌های لامبدا» نامیده می‌شوند.

‏اگر قبلاً از پایتون استفاده کرده باشید، احتمالاً توابع خود را با استفاده از کلیدواژه def تعریف می‌کنید و این روش نیز تاکنون برای شما به خوبی جواب داده است. پس چرا باید از روش دیگری برای تعریف تابع‌ها استفاده کنیم؟

‏دلیل این مسئله آن است که تابع‌های لامبدا ناشناس هستند. بدین معنی که این‌ها توابعی هستند که لازم نیست نامی برایشان تعیین کنید. این روش برای تعریف تابع‌های کوچک یک‌بار مصرف در مواردی که تابع اصلی بسیار بزرگ و حجیم است، استفاده می‌شود.


‏🔸 چگونه از لامبداها در پایتون استفاده کنیم؟

‏پیش از آن‌که تابع‌های لامبدا را بررسی کنیم، می‌بایست به یک تابع بسیار مقدماتی که به روش سنتی تعریف شده است، نگاهی داشته باشیم:
def add_five(number):
return number + 5
print(add_five(number=4))


‏این تابع کاملاً ابتدایی است؛ اما به منظور نمایش کارکرد لامبداها ارائه شده است. تابعی که شما استفاده می‌کنید، ممکن است بسیار پیچیده‌تر از این باشد. این تابع به هر عددی که از طریق پارامتر number به آن ارسال می‌شود، ۵ واحد اضافه می‌کند.

‏تابع لامبدای معادل آن چنین است:
add_five = lambda number: number + 5
print(add_five(number=4))



مطالعه ادامه مطلب 👇👇

‏🔗 تابع‌های لامبدا (Lambda) در پایتون — یک راهنمای مقدماتی — کلیک کنید (+)


📌 کانال اختصاصی آموزشی برنامه نویسی پایتون

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه نویسی پایتون را در کانال اختصاصی [@FaraPython] دنبال کنید. 👇

@FaraPython — مطالب و آموزش‌های برنامه نویسی پایتون فرادرس

‌

‏✳️ ‌آموزش حلقه for در پایتون | + range در پایتون | به زبان ساده

‏در این مطلب، دستور for در پایتون همراه با مثال‌های متعدد، مورد بررسی قرار خواهد گرفت. حلقه for در پایتون یکی از مهم‌ترین انواع «دستورات کنترلی» (Control Flows) است که از آن برای حلقه زدن در توالی‌های گوناگون استفاده می‌شود. در ادامه، مفهوم حلقه for در پایتون و چگونگی نوشتن کد با استفاده از آن، همراه با مثال‌ها و قطعه کدهای مختلف، بررسی شده است.

══ فهرست مطالب ══

‏ ○ حلقه for در پایتون
‏ ○ تابع ()range در پایتون
‏ ○ حلقه for با else


‏🔸 حلقه for در پایتون

‏حلقه for در پایتون برای تکرار کردن کاری در یک توالی («لیست» (List)، «تاپل» (Tuple)، «رشته» (String)) یا دیگر اشیای قابل تکرار، مورد استفاده قرار می‌گیرد. تکرار کردن کاری در یک توالی، «پیمایش» (Traversal) نامیده می‌شود.

‏در ادامه، «نحو» (Syntax) حلقه for در پایتون، آورده شده است.
for val in sequence:
Body of for

‏در اینجا، val متغیری است که مقدار هر عنصر درون توالی را طی هر تکرار دریافت می‌کند. حلقه تا هنگامی ادامه پیدا می‌کند که به آخرین آیتم در توالی برسد. بدنه حلقه for، با استفاده از «دندانه‌گذاری» (Indentation)، از کل کد جدا می‌شود.


‏🔸 تابع ()range در پایتون

‏می‌توان یک توالی از اعداد را با استفاده از تابع ()range تولید کرد. (range(۱۰، اعداد از ۰ تا ۹ را تولید می‌کند (ده عدد). همچنین، می‌توان سایز شروع، پایان و گام را به عنوان (range(start,stop,step size تعریف کرد. سایز گام به طور پیش‌فرض و در صورتی که مقدار دهی نشده باشد، برابر با یک خواهد بود. این تابع، همه مقادیر را در حافظه ذخیره نمی‌کند زیرا موجب عدم کارایی می‌شود. این در حالی است که نقطه شروع، توقف و سایز گام را به خاطر دارد و عدد بعدی را ضمن تکرار می‌سازد. برای مجبور کردن این تابع به خروجی دادن همه عناصر، می‌توان از تابع ()list استفاده کرد. مثال زیر، این موضوع را شفاف خواهد کرد.

# Output: range(0, 10)
print(range(10))

# Output: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
print(list(range(10)))

# Output: [2, 3, 4, 5, 6, 7]
print(list(range(2, 8)))

# Output: [2, 5, 8, 11, 14, 17]
print(list(range(2, 20, 3)))

‏می‌توان از تابع ()range برای حلقه‌ها به منظور تکرار کردن یک توالی از اعداد استفاده کرد. این تابع را می‌توان با تابع ()len برای تکرار کردن کاری در یک توالی با استفاده از اندیس‌دهی، ترکیب کرد. در ادامه، مثالی در همین رابطه ارائه شده است.

# Program to iterate through a list using indexing

genre = ['pop', 'rock', 'jazz']

# iterate over the list using index
for i in range(len(genre)):
print("I like", genre[i])

‏خروجی حاصل از اجرای برنامه بالا، به صورت زیر خواهد بود.
I like pop
I like rock
​I like jazz


مطالعه ادامه مطلب 👇👇

‏🔗 آموزش حلقه for در پایتون | + range در پایتون | به زبان ساده — کلیک کنید (+)


📌 کانال اختصاصی آموزشی برنامه نویسی پایتون

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه نویسی پایتون را در کانال اختصاصی [@FaraPython] دنبال کنید. 👇

@FaraPython — مطالب و آموزش‌های برنامه نویسی پایتون فرادرس

‌

‌
‌
📘 آموزش کاربرد پایتون در بازارهای مالی - دریافت و پردازش قیمت رمزارزها


✳️ منتشر شد.

🔗 fdrs.ir/chkk

🔖 در این آموزش سعی می‌کنیم با استفاده از API (Aplication Programming Interface) اطلاعات مربوط به رمزارزها را با کتابخانه‌ Pandas به صورت برخط (Online) دریافت کرده و سپس توسط کتابخانه‌ NumPy پردازش کنیم. پس از آماده‌سازی داده‌ها با استفاده از کتابخانه‌ Matplotlib یک بررسی بر روی انواع نمودار و روش رسم نمودار خواهیم داشت. در نهایت گریزی به مبحث Correlation بین قیمت رمز‌ارزها خواهیم زد.


مناسب برای رشته‌های:
🔹 علاقه‌مندان به برنامه‌نویسی پایتون
🔹 علاقه‌مندان به بازار سرمایه


💲 هزینه اصلی آموزش: رایگان
‌
___________‏
‌‌‌
📚 فرادرس
دانش در دسترس همه
همیشه و همه جا
‌

@FaraDars — فرادرس
@FDPub — تازه‌های نشر فرادرس

.

‏✳️ ‌پایتون و روش کار با فایل های اکسل — از صفر تا صد

‏در این راهنما با روش خواندن و ایمپورت کردن فایل‌های اکسل در پایتون و روش نوشتن این داده‌ها در صفحات گسترده آشنا می‌شویم و همچنین بررسی می‌کنیم که کدام بسته به این منظور مناسب‌تر است.

══ فهرست مطالب ══

‏ ○ استفاده از پایتون و اکسل برای علم داده
‏ ○ داده‌ها به عنوان نقطه آغاز کار
‏ ○ آماده‌سازی فضای کاری
‏ ○ نصب بسته‌ها برای خواندن و نوشتن فایل‌های اکسل
‏ ○ بارگذاری فایل‌های اکسل به عنوان دیتافریم‌های Pandas
‏ ○ شیوه نوشتن دیتافریم‌های Pandas در فایل‌های اکسل
‏ ○ بسته‌هایی برای تجزیه فایل‌های اکسل و نوشتن دوباره آن‌ها با پایتون
‏ ○ بررسی نهایی داده‌ها
‏ ○ سخن پایانی


‏🔸 استفاده از پایتون و اکسل برای علم داده

‏احتمالاً می‌دانید که اکسل یک برنامه صفحه گسترده (spreadsheet) توسعه یافته از سوی مایکروسافت است. شما می‌توانید از این برنامه به سادگی به عنوان ابزاری برای سازماندهی، تحلیل و ذخیره‌سازی داده‌هایتان در جدول‌های مختلف استفاده کنید. به علاوه این نرم‌افزار به طور گسترده‌ای در حوزه‌های مختلف در سراسر جهان مورد استفاده قرار می‌گیرد و چه دوست داشته باشید یا نداشته باشید، زمینه علم داده نیز جزو همین حوزه‌ها محسوب می‌شود.

‏شما بالاخره زمانی نیاز خواهید داشت که با این اسپردشیت‌ها سر و کار داشته باشید؛ اما ممکن است دوست نداشته باشید همه فرایند تحلیل داده را روی آن‌ها انجام دهید. به همین دلیل توسعه‌دهندگان پایتون روش‌هایی برای خواندن، نوشتن و دستکاری این فایل‌ها و همچنین انواع دیگری از فایل‌ها تدارک دیده‌اند.

‏در این راهنما روش‌هایی برای استفاده همزمان از اکسل و پایتون به شما آموزش می‌دهیم. بدین منظور مروری خواهیم داشت بر بسته‌هایی که می‌توانید برای بارگذاری و نوشتن این اسپردشیت‌ها با استفاده از پایتون داشته باشید. همچنین یاد می‌گیرید که چگونه از بسته‌هایی مانند pandas، openpyxl، xlrd، xlutils و pyexcel استفاده کنید.


‏🔸 داده‌ها به عنوان نقطه آغاز کار

‏زمانی که شروع به ایجاد یک پروژه علم داده می‌کنید، در اغلب موارد داده‌هایی در اختیار دارید که یا از طریق وب اسکراپینگ به دست آورده‌اید و یا به احتمال بیشتر از مجموعه داده‌هایی استفاده می‌کنید که از جاهای مختلف مانند Kaggle، Quandl و غیره دانلود کرده‌اید.

‏اما به طور معمول داده‌ها را از طریق گوگل یا ریپازیتوری‌های که کاربران دیگر به اشتراک می‌گذارند به دست می‌آورید. این داده‌ها ممکن است در قالب فایل‌های اکسل باشند یا با پسوند CSV. ذخیره شده باشند. در برخی موارد وضعیت‌های احتمالی داده‌ها، واقعاً بی‌نهایت هستند. اما داده‌های خود را از هر کجا که تأمین می‌کنید، نخستین گام این است که مطمئن شوید داده‌هایتان کیفیت لازم را دارند.

‏در مورد اسپردشیت، می‌بایست تأیید کنید که داده‌ها دارای کیفیت مورد نیاز هستند، زیرا نه تنها باید بررسی کنید که داده‌ها می‌توانند به سؤال مورد تحقیق پاسخ دهند؛ بلکه باید مطمئن شود که داده‌هایی که در اسپردشیت ذخیره شده‌اند قابل اعتماد هستند.


مطالعه ادامه مطلب 👇👇

‏🔗 پایتون و روش کار با فایل های اکسل — از صفر تا صد — کلیک کنید (+)


📌 کانال اختصاصی آموزشی برنامه نویسی پایتون

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه نویسی پایتون را در کانال اختصاصی [@FaraPython] دنبال کنید. 👇

@FaraPython — مطالب و آموزش‌های برنامه نویسی پایتون فرادرس

‌

‌
‌
📘 آموزش نصب و راه اندازی پایتون در VS Code


✳️ منتشر شد.

🔗 fdrs.ir/n2a2


🔖 پایتون (Python) یکی از زبان‌های برنامه‌نویسی پرطرفدار و قدرتمند است که در حوزه هوش مصنوعی (Artificial Intelligence)، یادگیری ماشین (Machine Learning)، تحلیل داده (Data Analysis)، امنیت (Security) و وب (Web) پرکاربرد است. در این آموزش کوتاه قصد داریم تا اولین قدم برای آموزش پایتون را برداریم و اطلاعاتی عمومی در مورد آن کسب کنیم.


مناسب برای:
🔹 علاقه‌مندان به برنامه‌نویسی پایتون


💲 هزینه اصلی آموزش: رایگان
‌‌‌‌
___________‏
‌‌‌
📚 فرادرس
دانش در دسترس همه
همیشه و همه جا
‌

@FaraDars — فرادرس
@FDPub — تازه‌های نشر فرادرس

.

‏✳️ ‌۳۰ قطعه کد مفید پایتون که باید با آنها آشنا باشید — راهنمای کاربردی

‏پایتون به یکی از محبوب‌ترین زبان‌هایی تبدیل شده است که در حوزه‌های علم داده و یادگیری ماشین، توسعه وب، اسکریپت‌نویسی، اتوماسیون و حوزه‌های بسیار دیگر مورد استفاده قرار می‌گیرد. بخشی از دلیل این محبوبیت گسترده، سادگی و سهولت یادگیری آن است. شما که این مطلب را برای مطالعه انتخاب کرده‌اید، به احتمال بالا هم اینک از پایتون استفاده می‌کنید یا دست‌کم به آن علاقه‌مند هستید. در این مقاله به طور مختصر ۳۰ قطعه کد مفید پایتون را معرفی می‌کنیم که می‌توانید به سرعت آن‌ها را یاد بگیرید و در امور روزمره خود در زمینه‌های مختلف به کار بگیرید.

══ فهرست مطالب ══

‏ ○ ۱. همه عناصر یکتا
‏ ○ ۲. آناگرام
‏ ○ ۳. حافظه
‏ ○ ۴. اندازه بایت
‏ ○ ۵. پرینت یک رشته به میزان N بار
‏ ○ ۶. بزرگ‌نویسی حروف اول
‏ ○ ۷. Chunk
‏ ○ ۸. Compact
‏ ○ ۹. Count by
‏ ○ ۱۰. مقایسه زنجیری
‏ ○ ۱۱. جدا شده با کاما
‏ ○ ۱۲. به دست آوردن حروف صدادار
‏ ○ ۱۳. خروج از حالت حروف بزرگ
‏ ○ ۱۴. مسطح سازی
‏ ○ ۱۵. تفاوت
‏ ○ ۱۶. تفاوت با…
‏ ○ ۱۷. فراخوانی زنجیری توابع
‏ ○ ۱۸. بررسی وجود عناصر تکراری
‏ ○ ۱۹. ادغام دو دیکشنری
‏ ○ ۲۰. تبدیل دو لیست به یک دیکشنری
‏ ○ ۲۱. استفاده از enumerate
‏ ○ ۲۲. زمان صرف شده
‏ ○ ۲۳. Try else
‏ ○ ۲۴. بیشترین فراوانی
‏ ○ ۲۵. پالیندروم
‏ ○ ۲۶. ماشین حساب بدون if-else
‏ ○ ۲۷. Shuffle
‏ ○ ۲۸. Spread
‏ ○ ۲۹. تعویض مقادیر
‏ ○ ۳۰. دریافت مقدار پیش‌فرض برای کلیدهای مفقود


‏🔸 ۱. همه عناصر یکتا

‏متد زیر بررسی می‌کند که آیا در لیست مفروض عناصر تکراری وجود دارد یا نه. این متد از مشخصه ()set برای حذف عناصر تکراری از لیست استفاده می‌کند:

def all_unique(lst):
return len(lst) == len(set(lst))


x = [1,1,2,2,3,2,3,4,5,6]
y = [1,2,3,4,5]
all_unique(x) # False
all_unique(y) # True


‏🔸 ۲. آناگرام

‏این متد بررسی می‌کند که آیا دو رشته آناگرام هم هستند یا نه. منظور از آناگرام کلمه یا اصطلاحی است که از طریق بازچیدمان حروف کلمه یا اصطلاح دیگری به دست آمده باشد و به طور معمول حروف کلمه اصلی دقیقاً یک بار مورد استفاده قرار می‌گیرند:
from collections import Counter

def anagram(first, second):
return Counter(first) == Counter(second)


anagram("abcd3", "3acdb") # True



مطالعه ادامه مطلب 👇👇

‏🔗 ۳۰ قطعه کد مفید پایتون که باید با آنها آشنا باشید — راهنمای کاربردی — کلیک کنید (+)


📌 کانال اختصاصی آموزشی برنامه نویسی پایتون

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه نویسی پایتون را در کانال اختصاصی [@FaraPython] دنبال کنید. 👇

@FaraPython — مطالب و آموزش‌های برنامه نویسی پایتون فرادرس

‌

‌
🟢 رایگان آموزش ببینید و مهارت کسب کنید.

🌟 برای مشاهده آموزش‌های پرطرفدار فرادرس روی لینک زیر کلیک کنید و آموزش‌های مورد علاقه خود را رایگان دانلود کنید:👇

🔸 آموزش‌های رایگان پایتون Python [+]


🔹 تمامی آموزش‌های رایگان و پرمخاطب [+]


@FaraDars - فرادرس

‏✳️ ‌پردازش تصویر با پایتون — راهنمای کاربردی

‏در این مطلب، با مبحث پردازش تصویر با پایتون آشنا خواهید شد. «پردازش تصویر» (Image Processing) یکی از حوزه‌های تأثیرگذار و مهم در «هوش مصنوعی» (Artificial Intelligence) محسوب می‌شود و در حوزه‌های دیگر نظیر «بینایی کامپیوتر» (Computer Vision) و استخراج اطلاعات بامعنی از داده‌های تصویری، نقش بسیار مهمی ایفا می‌کند.

══ فهرست مطالب ══

‏ ○ پردازش تصویر با پایتون
‏ ○ پردازش تصاویر با پایتون با ابزار SciKit-Image
‏ ○ کتابخانه Numpy و پردازش تصویر با پایتون
‏ ○ کتابخانه SciPy
‏ ○ کتابخانه‌های PIL و Pillow
‏ ○ کتابخانه OpenCV-Python
‏ ○ کتابخانه SimpleCV
‏ ○ کتابخانه Mahotas
‏ ○ کتابخانه SimpleITK
‏ ○ کتابخانه pgmagick
‏ ○ ابزار Pycairo
‏ ○ جمع‌بندی‌


‏🔸 پردازش تصویر با پایتون

‏تاکنون ابزارهای متنوعی برای پردازش تصویر با پایتون معرفی شده‌اند. این دسته از ابزارها، «کتابخانه‌ها» (Libraries) و «بسته‌های» (Packages) برنامه‌نویسی، امکانات بسیار متنوع و مفیدی برای «تبدیل تصاویر» (Image Transformation)، فهمیدن اطلاعات موجود در این داده‌ها و به طور کلی، دستکاری و پردازش تصاویر در اختیار کاربران و برنامه‌نویسان قرار می‌دهند. به عبارت دیگر، ابزارهای پردازش تصویر با پایتون به کاربران این امکان را می‌دهند تا به شکل بسیار ساده و «شهودی» (Intuitive) داده‌های تصویری را تحلیل و اطلاعات بامعنی از آن‌ها استخراج کنند.

‏جهان امروز و زندگی انسان‌ها، توسط داده‌ها احاطه شده‌اند و تصاویر بخش عمده‌ای از این داده‌ها را تشکیل می‌دهند. با این حال، پیش از اینکه تصاویر دیجیتالی قابل استفاده شوند نیاز است تا پردازش، تحلیل و دستکاری شوند؛ پردازش، تحلیل و دستکاری تصاویر، با هدف بهبود کیفیت آن‌ها یا استخراج اطلاعات مفید از تصاویر انجام می‌شود.

‏زبان پایتون می‌تواند به عنوان ابزاری برای انجام عملیات پردازشی روی تصاویر دیجیتالی مورد استفاده قرار بگیرد. از جمله متداول‌ترین فرایندهای پردازش تصویر با پایتون که توسط ابزارها و کتابخانه‌های این زبان برنامه‌نویسی قابل اجرا هستند، می‌توان به مواردی نظیر «برش» (Cropping)، «برعکس کردن» (Flipping)، «چرخاندن» (Rotating)، «قطعه‌بندی تصویر» (Image Segmentation)، «دسته‌بندی تصویر» (Image Classification)، «استخراج ویژگی» (Feature Extraction)، «ترمیم تصاویر» (Image Restoration) و «بازشناسی تصویر» (Image Recognition) اشاره کرد.


‏🔸 پردازش تصاویر با پایتون با ابزار SciKit-Image

‏ابزار SciKit-Image، یک بسته برنامه‌نویسی «منبع باز» (Open Source) است که با ساختار آرایه‌ای تعریف شده توسط کتابخانه NumPy کار می‌کند. این ابزار، یکی از مهم‌ترین کتابخانه‌های پردازش تصویر با پایتون محسوب می‌شود که به طور رایگان در دسترس کاربران و برنامه‌نویسان قرار گرفته شده است. در بسته SciKit-Image، مجموعه‌ای از الگوریتم‌ها و ابزارهای پردازش تصویر، جهت استفاده در کاربردهای تحقیقاتی، آموزشی و صنعتی در اختیار کاربران قرار داده شده است.

‏کار کردن با توابع و الگوریتم‌های SciKit-Image (که جهت پردازش تصویر با پایتون استفاده می‌شوند)، حتی برای کسانی که برنامه‌نویس مبتدی هستند و آشنایی ابتدایی از اکوسیستم پایتون دارند، بسیار ساده و سر راست است. کدهای پیاده‌سازی شده در ابزار SciKit-Image از کیفیت بسیار بالایی برخوردارند و توسط جامعه برنامه‌نویسی بسیار فعال و متشکل از برنامه‌نویسان داوطلب پشتیبانی و به‌روزرسانی می‌شوند.

‏این بسته را می‌توان با استفاده از skimage در زبان پایتون import کرد. همچنین، بسیاری از توابع و الگوریتم‌های پیاده‌سازی شده را می‌توان در «زیر واحدهای» (Submodules) این بسته برنامه‌نویسی پیدا کرد و مورد استفاده قرار داد. در ادامه، برخی از فرایندهای پردازش تصویر با پایتون که توسط ابزار SciKit-Image قابل انجام است، نمایش داده خواهد شد.



مطالعه ادامه مطلب 👇👇

‏🔗 پردازش تصویر با پایتون — راهنمای کاربردی — کلیک کنید (+)


📌 کانال اختصاصی آموزشی هوش مصنوعی و علم داده

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی هوش مصنوعی و علم داده را در کانال اختصاصی [@FaraAI] دنبال کنید. 👇

@FaraAI — مطالب و آموزش‌های هوش مصنوعی و علم داده فرادرس

‌

‏✳️ ‌پیاده سازی الگوریتم های یادگیری ماشین با پایتون و R — به زبان ساده

‏«هوش مصنوعی» (Artificial Intelligence)، «یادگیری ماشین» (Machine Learning)، «علم داده» (Data Scientist) و «داده‌کاوی» (Data Mining) از جمله موضوعات داغ روز هستند. این روزها، کمتر صنعتی مشاهده می‌شود که در آن به طور مستقیم یا غیرمستقیم از یادگیری ماشین استفاده نشود. از جمله ابزارهای مهمی که برای پیاده‌سازی روش‌ها و الگوریتم‌های یادگیری ماشین از آن‌ها استفاده می‌شود، زبان‌های برنامه‌نویسی پایتون و R‌ هستند. در این مطلب، علاوه بر ارائه توضیحات پیرامون انواع روش‌های یادگیری ماشین، پیاده سازی الگوریتم های یادگیری ماشین با پایتون و R نیز انجام می‌شود.

══ فهرست مطالب ══

‏ ○ این راهنما برای چه افرادی مناسب است؟
‏ ○ الگوریتم‌های یادگیری ماشین
‏ ○ پیاده سازی الگوریتم های یادگیری ماشین با پایتون
‏ ○ ۱. رگرسیون خطی
‏ ○ ۲. رگرسیون لجستیک
‏ ○ ۳. درخت تصمیم
‏ ○ ۴. ماشین بردار پشتیبان
‏ ○ ۵. نایو بیز
‏ ○ ۶. k نزدیک‌ترین همسایگی
‏ ○ ۷. K-Means
‏ ○ ۸. جنگل تصادفی
‏ ○ ۹. الگوریتم‌های کاهش ابعاد
‏ ○ ۱۰. الگوریتم‌های گرادیان تقویتی
‏ ○ جمع‌بندی


‏🔸 این راهنما برای چه افرادی مناسب است؟

‏ایده نهفته در پس این راهنما آن است که سفر دانشمندان داده مشتاق و علاقمندان به یادگیری ماشین را آسان‌تر سازد. با بهره‌گیری از این راهنما، افراد قادر می‌شوند مسائل یادگیری ماشین را حل و ضمن آن تجربه کسب کنند. در ادامه، علاوه بر ارائه توضیحات مناسب و کافی که درک خوبی از الگوریتم‌های یادگیری ماشین متعدد مطرح شده در این مطلب ارائه می‌کنند، کدهای پایتون و R هر یک از الگوریتم‌ها نیز ارائه شده‌اند. اما از پرداختن به جزئیات مباحث آماری نهفته در پس این الگوریتم ها اجتناب شده است. زیرا افراد در آغاز راه، نیازی به دانستن حجم بالایی از مباحث ریاضیاتی ندارند. بنابراین، به افرادی که به دنبال یادگیری مفاهیم آماری نهفته در پس این الگوریتم‌ها هستند، استفاده از دیگر مطالب موجود در «مجله فرادرس» توصیه می‌شود.


‏🔸 الگوریتم‌های یادگیری ماشین

‏در حالت کلی، سه دسته از الگوریتم‌های یادگیری ماشین وجود دارند. این دسته‌ها عبارتند از «یادگیری نظارت شده» (Supervised Learning)، «یادگیری نظارت نشده» (Unsupervised Learning) و «یادگیری تقویتی» (Reinforcement Learning)، که هر یک در ادامه شرح داده شده‌اند.

‏این نوع از الگوریتم‌ها دارای یک متغیر «هدف» (Target)/«خروجی» (Outcome)/«متغیر وابسته» (Dependent Variable) هستند که باید برای یک مجموعه از «پیش‌بین‌ها» (Predictors)، پیش‌بینی شود. با استفاده از این مجموعه متغیرها، می‌توان تابعی ساخت که ورودی‌ها را به خروجی‌های موردنظر نگاشت کند. فرآیند آموزش تا هنگامی ادامه پیدا می‌کند که مدل به سطح مناسبی از «صحت» (Accuracy) روی داده‌های آموزش دست پیدا کند. از جمله الگوریتم‌های یادگیری نظارت شده می‌توان به «رگرسیون» (Regression)، «درخت تصمیم» (Decision Tree)، «جنگل تصادفی» (Random Forest)، «رگرسیون لوجستیک» (Logistic Regression) و «K-نزدیک‌ترین همسایگی» (K Nearest Neighbors) و دیگر موارد اشاره کرد.

‏در الگوریتم‌های یادگیری نظارت نشده، هیچ متغیر هدف یا خروجی وجود ندارد که برای پیش‌بینی/«برآورد» (Estimate) مورد استفاده قرار بگیرد. این الگوریتم‌ها برای «خوشه‌بندی» (Clustering) جامعه در گروه‌های مختلف مورد استفاده قرار می‌گیرند و برای مثال به طور گسترده‌ای برای بخش‌بندی مشتریان در گروه‌های مختلف استفاده می‌شوند. از جمله الگوریتم‌های نظارت نشده می‌توان به «K-میانگین» (K-means) و «اَپریوری» (Apriori) اشاره کرد.


مطالعه ادامه مطلب 👇👇

‏🔗 پیاده سازی الگوریتم های یادگیری ماشین با پایتون و R — به زبان ساده — کلیک کنید (+)


📌 کانال اختصاصی آموزشی علم داده

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی علم داده را در کانال اختصاصی [@Fara_DS] دنبال کنید. 👇

@Fara_DS — مطالب و آموزش‌های علم داده فرادرس

‌

‏✳️ ‌ساخت ربات تلگرام با پایتون و BigQuery گوگل برای خودکارسازی کارها — به زبان ساده

‏برخی از ما با وظایف تکراری سر و کار داریم و کار خاصی را باید هر هفته و یا هر روز انجام دهیم یا گزارشی هست که باید به صورت روزانه یا هفتگی به انجام برسد. برای نمونه باید یک کوئری داده بزنیم یا برخی کارهای بصری‌سازی انجام داده و به مافوق خود گزارش دهیم. اما چه می‌شود اگر این کارها را به جای این که دستی انجام دهیم، خودکار سازی کنیم و از شر این کارهای تکراری خسته‌کننده راحت شویم؟

══ فهرست مطالب ══

‏ ○ نصب کتابخانه‌ها
‏ ○ فعالسازی API BigQuery گوگل
‏ ○ ایجاد کلید حساب سرویس
‏ ○ نوشتن برنامه


‏🔸 نصب کتابخانه‌ها

‏ما قصد داریم از google-cloud-bigquery (+) برای کوئری زدن به داده‌های موجود در BigQuery گوگل استفاده کنیم. همچنین کتابخانه‌های matplotlib ،numpy و pandas به ما کمک می‌کنند که داده‌های خود را به صورت بصری ارائه کنیم. کتابخانه python-telegram-bot (+) تصاویر بصری‌سازی شده را در گفتگوهای تلگرام ارسال می‌کند.


‏🔸 فعالسازی API BigQuery گوگل

‏برای استفاده از خدمات BigQuery گوگل ابتدا API آن را فعال کنیم. به این منظور به کنسول توسعه‌دهندگان گوگل (+) بروید و یک پروژه جدید بسازید. البته می‌توانید در صورت تمایل از پروژه‌های موجود نیز استفاده کنید.

‏در بخش داشبورد پروژه روی گزینه ENABLE APIS AND SERVICES کلیک کنید و به دنبال API BigQuery بگردید.

‏روی گزینه Enable کلیک کنید تا API مورد نظر فعال شود.



مطالعه ادامه مطلب 👇👇

‏🔗 ساخت ربات تلگرام با پایتون و BigQuery گوگل برای خودکارسازی کارها — به زبان ساده — کلیک کنید (+)

📌 کانال اختصاصی آموزشی برنامه نویسی پایتون

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه نویسی پایتون را در کانال اختصاصی [@FaraPython] دنبال کنید. 👇

@FaraPython — مطالب و آموزش‌های برنامه نویسی پایتون فرادرس

‌

‏✳️ ‌۴ قابلیت جدید پایتون ۳.۹ — راهنمای پیشرفته

‏چندین ماه است که پایتون ۳.۹ با کلی قابلیت‌های ساختاری جدید و بهینه‌سازی‌های مختلف معرفی شده است. در این مقاله قصد داریم ۴ قابلیت جدید پایتون ۳.۹ را بررسی کنیم که بسیار مفید هستند. همچنین شیوه ارتقا به پایتون ۳.۹ را نیز بررسی خواهیم کرد.

══ فهرست مطالب ══

‏ ○ ادغام دیکشنر‌ی‌ها
‏ ○ به‌روزرسانی دیکشنری‌ها
‏ ○ حذف یک پیشوند از رشته‌ها
‏ ○ حذف پسوند از رشته‌ها
‏ ○
‏ ○ شیوه نصب پایتون ۳.۹
‏ ○ سخن پایانی


‏🔸 ادغام دیکشنر‌ی‌ها

‏از پایتون ۳.۹ امکان استفاده از عملگر | برای ادغام دو یا چند دیکشنری در هم وجود دارد. در صورت وجود کلیدهای تکراری، آن دیکشنری که در سمت راست قرار دارد تقدم خواهد داشت. این تغییر جزئی بخشی از PEP-۵۸۴ محسوب می‌شود.


‏🔸 به‌روزرسانی دیکشنری‌ها

‏اگر یک گام فراتر برویم، امکان استفاده از عملگر =| برای به‌روزرسانی درجای یک دیکشنری نیز وجود دارد. در واقع a |= b معادل a = a | b است، اما =| یک دیکشنری جدید بازگشت نمی‌دهد، بلکه a موجود آپدیت خواهد شد. این قابلیت جدید نیز بخشی از PEP-۵۸ است.



مطالعه ادامه مطلب 👇👇

‏🔗 ۴ قابلیت جدید پایتون ۳.۹ — راهنمای پیشرفته — کلیک کنید (+)


📌 کانال اختصاصی آموزشی برنامه‌نویسی

آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه‌نویسی را در کانال اختصاصی [@FaraProg] دنبال کنید. 👇

@FaraProg — مطالب و آموزش‌های برنامه‌نویسی فرادرس

‌

‌‌
🔴 رایگان آموزش ببینید و مهارت کسب کنید.

🌟 معرفی آموزش‌های رایگان و پرطرفدار فرادرس

♨️ صدها عنوان آموزش رایگان فرادرس در دسترس هستند که در طول ماه، توسط ده‌ها هزار دانشجو مورد مطالعه قرار می‌گیرند.

شما عزیزان نیز می‌توانید با مراجعه به لینک‌های زیر، آموزش‌های پرمخاطب در دسته‌بندی مورد نظر خود را مشاهده کرده و رایگان دانلود کنید👇


✅ آموزش‌های رایگان پایتون Python [+]


📚 تمامی آموزش‌های رایگان و پرمخاطب [+]


@FaraDars — فرادرس
‌‌

‌
❇️ فیلم آموزش «تولید اعداد تصادفی در پایتون - بخش اول» در ۲۳ دقیقه | به زبان ساده


📌 آخرین مطالب علمی، مقالات رایگان و ویدئوهای آموزشی برنامه نویسی پایتون را در کانال اختصاصی [@FaraPython] دنبال کنید.
‌‌‌
‌