HiTech | آموزش پایتون و هوش مصنوعی
685 subscribers
1.2K photos
210 videos
69 files
1.02K links
🔹HiTech Codes | مرجع آموزش پایتون از پایه تا پیشرفته
🔹 Data Science و Machine Learning پروژه‌محور
کدنویسی پایتون، ابزارهای ترند ، تمرین‌های چالشی و نکات
🔹 ویدیوهای هفتگی، مقاله‌های تخصصی و کدهای آماده
📌 همین حالا به جمع علاقه‌مندان بپیوندید!
#Pytho
Download Telegram
آموزش گرفتن API از remove bg رو هم بذارم؟
Anonymous Poll
100%
آره حتما بذار
0%
نه API که راحته
🔸 خطوط کدنویسی زندگی‌تان همیشه به شادی ختم شود.
🔸 الگوریتم‌تان پر از بهینه‌سازی‌های مثبت باشد.
🔸 و دیباگ‌های مسیرتان با لبخند حل شود!
یلدا را جشن بگیرید؛ چرا که حتی در بلندترین تاریکی‌ها، نور دانش و امید شماست که مسیر را روشن می‌کند. 🌌
🍉 با آرزوی شبی شاد کنار عزیزانتان🎁🎉

@HiTech_Codes
1
HiTech | آموزش پایتون و هوش مصنوعی pinned «آموزش گرفتن API از remove bg رو هم بذارم؟»
HiTech | آموزش پایتون و هوش مصنوعی pinned «https://youtube.com/shorts/KGPDzvSpxvo تمرین پایتون این ویدیو رو از دست ندین لطفا جواب هاتون رو توی قسمت کامنت ها بنویسین 💬 #پایتون #برنامه‌نویسی #کد_پایتون #تمرین_پایتون #خروجی_کد #HiTech #HieTech_Codes #HiTech_Studioo #Python #Programming #PythonCode…»
✔️ شرکت چینی Deepseek از بزرگ‌ترین و قدرتمندترین مدل هوش مصنوعی متن‌باز جهان رونمایی کرد!

این مدل که Deepseek V3 نام دارد، با 671 میلیارد پارامتر، رکورد بزرگ‌ترین مدل‌های متن‌باز را شکسته است. حجم این مدل بیش از 700 گیگابایت است و برای مقایسه، مدل LLAMA 2 (بزرگ‌ترین مدل متن‌باز قبلی) فقط 405 میلیارد پارامتر داشت. جالب‌تر اینکه این مدل تنها با هزینه‌ای حدود 5.5 میلیون دلار آموزش دیده است.

این مدل در تست‌های مختلف، نه‌تنها از GPT 4o پیشی گرفته، بلکه در برخی موارد حتی از Claude 3.5 Sonnet هم بهتر عمل کرده است، به‌ویژه در حوزه برنامه‌نویسی. این موفقیت برای یک مدل متن‌باز، دستاوردی شگفت‌انگیز محسوب می‌شود.

قیمت API این مدل نسبت به Sonnet بسیار ارزان‌تر است و همین موضوع، جذابیت استفاده از آن را بیشتر می‌کند.

شما می‌توانید این مدل را به‌صورت رایگان از لینک زیر امتحان کنید:
🌐 chat.deepseek.com

@HiTech_Codes
👍1
بخشی از کاربردهای زبان #پایتون 😉

@HiTech_Codes
👌1
خروجی این کد کدوم گزینه س؟ 🤔
لطفا توی کامنت ها بنویسین 🙏👨‍💻

#تمرین_پایتون #Python_Quiz

@HiTech_Codes
🎆 همه ابزارهای هوش مصنوعی موجودِ بازار رو تو جیبت داری❗️

اگه به دنبال استفاده از چت‌بات‌های متنوع و پیشرفته هستید، سایت OpenRouter یه انتخاب عالیه.

تو این سایت می‌تونید به رایگان به انواع چت‌بات‌ها دسترسی داشته باشید و کارهای مختلف مثل ترجمه، پاسخ به سوالات تخصصی، یا حتی تولید محتوا رو انجام بدید.

🔗 https://openrouter.ai/

#هوش_مصنوعی #AI  #ChatGPT #Artificial_Intelligence #OpenAI
┏━━━━━━━━┓
@HiTech_Codes
┗━━━━━━━━┛
خروجی این کد چیه؟

#Python#python_quiz#quiz

┏━━━━━━━━┓
@HiTech_Codes
┗━━━━━━━━┛
✔️ رونمایی از مدل o3 توسط OpenAI؛ گامی بزرگ به سوی AGI(هوش انسانی)!

شرکت OpenAI در پایان رویداد «12 روز با OpenAI» از مدل قدرتمند o3 پرده برداشت. این مدل در بنچمارک ARC-AGI، طراحی‌شده برای ارزیابی هوش عمومی مصنوعی (AGI)، به امتیاز شگفت‌انگیز 87.5% در حالت High-Computing دست یافته، در حالی که مدل قبلی o1 تنها 13% امتیاز داشت!

ویژگی‌های کلیدی:

+ عملکرد قوی در پردازش پیچیده: استفاده از میلیون‌ها توکن برای حل مسائل پیشرفته.

+ پیشرفت در استدلال و تصمیم‌گیری: با امتیاز 2727 در Codeforces، در بین برترین حل‌کنندگان مسائل جهانی قرار گرفته.

+ پتانسیل مدال المپیاد جهانی کامپیوتر (IOI): توانایی کسب مدال در مسابقات بین‌المللی.

- - با وجود این موفقیت‌ها، مدل هنوز در برخی وظایف پیچیده ضعف دارد و تا دستیابی به AGI کامل، راه درازی پیش روست.
#هوش_مصنوعی #AI
┏━━━━━━━━┓
@HiTech_Codes
┗━━━━━━━━┛
📱 استخراج تصویر از گوگل با استفاده از BeautifulSoup
import requests
from bs4 import BeautifulSoup as BSP

def get_image_urls(search_query):
url = f"https://www.google.com/search?q={search_query}&tbm=isch"
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3"
}
rss = requests.get(url, headers=headers)
soup = BSP(rss.content, "html.parser")

all_img = []
for img in soup.find_all('img'):
src = img['src']
if not src.endswith("gif"):
all_img.append(src)

return all_img

print(get_image_urls("boy"))

🎯استخراج تصاویر از گوگل با استفاده از BeautifulSoup در پایتون، شامل مراحل زیر است:

1. ارسال درخواست به گوگل: با استفاده از کتابخانه requests، یک درخواست HTTP به گوگل ارسال می‌کنید.

2. تجزیه محتوای HTML: با استفاده از کتابخانه BeautifulSoup، محتوای HTML دریافت شده از گوگل را تجزیه می‌کنید.

3. استخراج لینک‌های تصاویر: لینک‌های تصاویر موجود در محتوای HTML را شناسایی و استخراج می‌کنید.

4. نمایش یا ذخیره تصاویر: لینک‌های استخراج شده را نمایش داده یا تصاویر را دانلود و ذخیره می‌کنید.

این روش به شما امکان می‌دهد تا به راحتی تصاویر مورد نظر خود را از گوگل استخراج کنید.

#برنامه_نویسی #پایتون #Python #Programming
┏━━━━━━━━┓
@HiTech_Codes
┗━━━━━━━━┛
👨🏻‍💻 یکی از محبوب‌ترین مخازن گیت‌هاب برای «یادگیری و استفاده از الگوریتم‌ها در پایتون»، ریپوی The Algorithms - Python با 196K ستاره است.

✏️ یه عالمه کد مرتب و دسته‌بندی‌شده داره که می‌تونین الگوریتم‌های مختلف رو باهاش پیدا کنین، بخونین، و اجراشون کنین. هر چیزی که فکرشو بکنین اینجاست؛ از الگوریتم‌های ساده مثل مرتب‌سازی گرفته تا الگوریتم‌های پیشرفته برای یادگیری ماشین، هوش مصنوعی، شبکه‌های عصبی و...

چرا باید ازش استفاده کنیم؟

🔢 برای یادگیری: اگه دنبال اینی که الگوریتم‌ها رو در عمل یاد بگیری، اینجا عالیه.

🔢 برای تمرین: می‌تونی کدها رو برداری، اجرا کنی، و تغییر بدی تا بهتر درک کنی.

🔢 برای پروژه‌ها: حتی می‌تونی از کدهای اینجا تو پروژه‌های واقعی یا دانشگاهی استفاده کنی.

🔢 برای مصاحبه‌ها: اگه واسه مصاحبه‌های علوم داده آماده می‌شی، اینجا پر از الگوریتم‌های کاربردیه.


┌ The Algorithms - Python
🐱 GitHub-Repos


🌐 #پایتون #Python #علم_داده
#DataScience #HiTech

┏━━━━━━━━┓
@HiTech_Codes
┗━━━━━━━━┛
📱 مایکروسافت اخیرا یک کتابخانه پایتون به نام MarkItDown منتشر کرده که ابزاری کاربردی برای تبدیل فایل‌های مختلف (فایل‌های پاورپوینت، پی‌دی‌اف، ورد، اکسل و...) به Markdown است.

این موضوع برای تجزیه و تحلیل متون داخل فایل‌ها بسیار کاربردی‌ست.

این کتابخانه در حال حاضر از pdf، پاورپوینت (pptx.)، ورد (.docx)، اکسل (xlsx.)، تصاویر (متادیتای EXIF ​​و OCR)، فایل صوتی (متادیتای EXIF ​​و رونویسی گفتار)، HTML (به خصوص در مورد ویکی‌پدیا و...) و برخی از سایر فرمت‌های مبتنی بر متن مثل csv, json, xml پشتیبانی می‌کند.

شروع استفاده از این ابزار بسیار سریع و راحت است:

from markitdown import MarkItDown

markitdown = MarkItDown()
result = markitdown.convert("test.xlsx")
print(result.text_content)

🔗 مشاهده در GitHub

برای درک بهتر کاربرد آن می‌توانید از دمویی که یک برنامه‌نویس خارجی در آدرس زیر قرار داده استفاده کنید:
https://msftmd.replit.app


#برنامه_نویسی #پایتون #Python #Programming #HiTech
┏━━━━━━━━┓
@HiTech_Codes
┗━━━━━━━━┛
امشب ساعت 10 ویدیوی جدید داریم😉