گزینهی درست D. Error هست ✅
🧠 چرا؟
در کدی که در تصویر دیدیم:
Tuple = (50, 55, 'z')
Max = max(Tuple)
print(Max)
تابع
🧠 چرا؟
در کدی که در تصویر دیدیم:
Tuple = (50, 55, 'z')
Max = max(Tuple)
print(Max)
تابع
max() تلاش میکنه بزرگترین مقدار رو از بین اعضای Tuple پیدا کنه. ولی این Tuple ترکیبی از عدد صحیح (integers) و رشته (string) هست. مقایسهی عدد و رشته در پایتون مجاز نیست و باعث خطا میشه.
🔻 وقتی پایتون بخواد عدد مثل 55 رو با رشته 'z' مقایسه کنه، چون نمیتونه بفهمه کدوم بزرگتره، خطای TypeError رخ میده.تمام این مفاهیم را به ترتیب از داخلیترین دایره به بیرونیترین دایره
🟣 درونیترین لایه: Generative AI (هوش مصنوعی مولد)
RLHF
Hallucination
QLoRA
Few Shot Learning
Transfer Learning
One Shot Learning
Large Language Model
Multimodal AI
Langchain
Generative Adversarial Networks (GANs)
Auto Encoders
Transformers
Foundation Model
BigGAN
Agents
GPT
Bert
Deep Reinforcement Learning
Epochs
🟣 لایه دوم: Deep Learning (یادگیری عمیق)
Feed Forward
Recurrent Neural Network (RNN)
Hopfield Network
Convolution Neural Network (CNN)
Long Short Term Memory Network (LSTM)
Deep Feed Forward
Multi Layer Perceptron
Self Organising Maps
Liquid State Machine
Deep Belief Network
Boltzmann Machine
🟣 لایه سوم: Neural Networks (شبکههای عصبی)
Perceptron
Feed Forward
Backpropagation
Deep Feed Forward
Multi Layer Perceptron
🟣 لایه چهارم: Machine Learning (یادگیری ماشین)
K-Nearest Neighbors
Decision Trees
Linear Regression
Logistic Regression
PCA
Support Vector Machine
K Means
Supervised Learning
Unsupervised Learning
Dimensionality Reduction
Hypothesis Testing
🟣 بیرونیترین لایه: Artificial Intelligence (هوش مصنوعی)
Intelligent Robotics
Reinforcement Learning
Speech Recognition
Emergent Behavior
Augmented Programming
Algorithm Building
AI Ethics
🟣 درونیترین لایه: Generative AI (هوش مصنوعی مولد)
RLHF
Hallucination
QLoRA
Few Shot Learning
Transfer Learning
One Shot Learning
Large Language Model
Multimodal AI
Langchain
Generative Adversarial Networks (GANs)
Auto Encoders
Transformers
Foundation Model
BigGAN
Agents
GPT
Bert
Deep Reinforcement Learning
Epochs
🟣 لایه دوم: Deep Learning (یادگیری عمیق)
Feed Forward
Recurrent Neural Network (RNN)
Hopfield Network
Convolution Neural Network (CNN)
Long Short Term Memory Network (LSTM)
Deep Feed Forward
Multi Layer Perceptron
Self Organising Maps
Liquid State Machine
Deep Belief Network
Boltzmann Machine
🟣 لایه سوم: Neural Networks (شبکههای عصبی)
Perceptron
Feed Forward
Backpropagation
Deep Feed Forward
Multi Layer Perceptron
🟣 لایه چهارم: Machine Learning (یادگیری ماشین)
K-Nearest Neighbors
Decision Trees
Linear Regression
Logistic Regression
PCA
Support Vector Machine
K Means
Supervised Learning
Unsupervised Learning
Dimensionality Reduction
Hypothesis Testing
🟣 بیرونیترین لایه: Artificial Intelligence (هوش مصنوعی)
Intelligent Robotics
Reinforcement Learning
Speech Recognition
Emergent Behavior
Augmented Programming
Algorithm Building
AI Ethics
در ادامه، تمام مفاهیمی به ترتیب از داخلیترین دایره تا بیرونیترین دایره همراه با توضیحی کوتاه، ساده و کاربردی برای هرکدام آوردهام.
🟣 درونیترین لایه: Generative AI (هوش مصنوعی مولد)
مدلهایی که داده جدید مثل متن، تصویر یا صدا تولید میکنند.
RLHF: تنظیم مدلهای AI با بازخورد انسانی.
Hallucination: تولید محتوای نادرست توسط مدلها.
QLoRA: روشی سبک برای آموزش مدلهای زبانی.
Few Shot Learning: یادگیری با تعداد کمی نمونه.
Transfer Learning: استفاده از دانش مدل در وظایف جدید.
One Shot Learning: یادگیری با تنها یک نمونه.
Large Language Model: مدلهای زبانی بزرگ مثل GPT.
Multimodal AI: ترکیب ورودیهای مختلف (متن، تصویر...).
Langchain: فریمورک ساخت اپ با مدلهای زبانی.
GANs: مدلهایی برای تولید تصویر و ویدیو.
Auto Encoders: فشردهسازی دادهها و بازسازی آنها.
Transformers: معماری پایه مدلهای زبانی مدرن.
Foundation Model: مدلهای بزرگ پایه برای چند کاربرد.
BigGAN: نسخه قدرتمند GAN برای تولید تصاویر واقعی.
Agents: مدلهایی با قابلیت تعامل و تصمیمگیری.
GPT: مدل زبانی قدرتمند برای تولید متن.
BERT: مدل فهم زبان برای تحلیل متون.
Deep Reinforcement Learning: ترکیب یادگیری عمیق با یادگیری تقویتی.
Epochs: تعداد دفعات آموزش مدل روی کل داده.
---
🟣 لایه دوم: Deep Learning (یادگیری عمیق)
شبکههای عصبی عمیق برای یادگیری از دادههای پیچیده.
Feed Forward: جریان ساده اطلاعات به جلو.
RNN: پردازش دادههای ترتیبی مثل متن یا صدا.
Hopfield Network: شبکه حافظهدار برای ذخیره الگوها.
CNN: مناسب برای پردازش تصویر.
LSTM: نسخه پیشرفته RNN برای حافظه بلندمدت.
Deep Feed Forward: لایههای زیاد برای یادگیری بهتر.
Multi Layer Perceptron: شبکه چندلایه ساده و کاربردی.
Self Organising Maps: خوشهبندی و کاهش ابعاد.
Liquid State Machine: مدلهای عصبی پویا.
Deep Belief Network: ترکیبی از چند شبکه عصبی.
Boltzmann Machine: مدل احتمالاتی برای یادگیری ویژگیها.
---
🟣 لایه سوم: Neural Networks (شبکههای عصبی)
مدلهایی با ساختار نورونهای مصنوعی، الهامگرفته از مغز.
Perceptron: سادهترین نورون مصنوعی.
Feed Forward: انتقال داده از ورودی به خروجی.
Backpropagation: تنظیم وزنها برای یادگیری بهتر.
Deep Feed Forward: نسخه عمیقتر از مدل ساده.
Multi Layer Perceptron: شبکه عصبی چندلایه.
---
🟣 لایه چهارم: Machine Learning (یادگیری ماشین)
مدلهایی که از دادهها بدون برنامهریزی صریح یاد میگیرند.
K-Nearest Neighbors: طبقهبندی بر اساس نزدیکترین دادهها.
Decision Trees: درختی برای تصمیمگیریهای مرحلهای.
Linear Regression: پیشبینی بر اساس رابطه خطی.
Logistic Regression: طبقهبندی دادهها.
PCA: کاهش ابعاد دادهها.
Support Vector Machine (SVM): مرزبندی بین دستهها.
K Means: خوشهبندی دادهها.
Supervised Learning: یادگیری با دادههای برچسبدار.
Unsupervised Learning: یادگیری بدون برچسب.
Dimensionality Reduction: فشردهسازی دادههای پیچیده.
Hypothesis Testing: آزمون فرضیهها در دادهها.
---
🟣 بیرونیترین لایه: Artificial Intelligence (هوش مصنوعی)
شاخهای از علوم رایانه برای ساخت سیستمهای هوشمند.
Intelligent Robotics: رباتهای با توانایی تصمیمگیری.
Reinforcement Learning: یادگیری از طریق پاداش و تنبیه.
Speech Recognition: تبدیل صدا به متن.
Emergent Behavior: رفتارهای غیرمنتظره از سیستمهای AI.
Augmented Programming: کمک AI به برنامهنویسان.
Algorithm Building: طراحی الگوریتمهای هوشمند.
AI Ethics: اصول اخلاقی در استفاده از هوش مصنوعی.
-
🟣 درونیترین لایه: Generative AI (هوش مصنوعی مولد)
مدلهایی که داده جدید مثل متن، تصویر یا صدا تولید میکنند.
RLHF: تنظیم مدلهای AI با بازخورد انسانی.
Hallucination: تولید محتوای نادرست توسط مدلها.
QLoRA: روشی سبک برای آموزش مدلهای زبانی.
Few Shot Learning: یادگیری با تعداد کمی نمونه.
Transfer Learning: استفاده از دانش مدل در وظایف جدید.
One Shot Learning: یادگیری با تنها یک نمونه.
Large Language Model: مدلهای زبانی بزرگ مثل GPT.
Multimodal AI: ترکیب ورودیهای مختلف (متن، تصویر...).
Langchain: فریمورک ساخت اپ با مدلهای زبانی.
GANs: مدلهایی برای تولید تصویر و ویدیو.
Auto Encoders: فشردهسازی دادهها و بازسازی آنها.
Transformers: معماری پایه مدلهای زبانی مدرن.
Foundation Model: مدلهای بزرگ پایه برای چند کاربرد.
BigGAN: نسخه قدرتمند GAN برای تولید تصاویر واقعی.
Agents: مدلهایی با قابلیت تعامل و تصمیمگیری.
GPT: مدل زبانی قدرتمند برای تولید متن.
BERT: مدل فهم زبان برای تحلیل متون.
Deep Reinforcement Learning: ترکیب یادگیری عمیق با یادگیری تقویتی.
Epochs: تعداد دفعات آموزش مدل روی کل داده.
---
🟣 لایه دوم: Deep Learning (یادگیری عمیق)
شبکههای عصبی عمیق برای یادگیری از دادههای پیچیده.
Feed Forward: جریان ساده اطلاعات به جلو.
RNN: پردازش دادههای ترتیبی مثل متن یا صدا.
Hopfield Network: شبکه حافظهدار برای ذخیره الگوها.
CNN: مناسب برای پردازش تصویر.
LSTM: نسخه پیشرفته RNN برای حافظه بلندمدت.
Deep Feed Forward: لایههای زیاد برای یادگیری بهتر.
Multi Layer Perceptron: شبکه چندلایه ساده و کاربردی.
Self Organising Maps: خوشهبندی و کاهش ابعاد.
Liquid State Machine: مدلهای عصبی پویا.
Deep Belief Network: ترکیبی از چند شبکه عصبی.
Boltzmann Machine: مدل احتمالاتی برای یادگیری ویژگیها.
---
🟣 لایه سوم: Neural Networks (شبکههای عصبی)
مدلهایی با ساختار نورونهای مصنوعی، الهامگرفته از مغز.
Perceptron: سادهترین نورون مصنوعی.
Feed Forward: انتقال داده از ورودی به خروجی.
Backpropagation: تنظیم وزنها برای یادگیری بهتر.
Deep Feed Forward: نسخه عمیقتر از مدل ساده.
Multi Layer Perceptron: شبکه عصبی چندلایه.
---
🟣 لایه چهارم: Machine Learning (یادگیری ماشین)
مدلهایی که از دادهها بدون برنامهریزی صریح یاد میگیرند.
K-Nearest Neighbors: طبقهبندی بر اساس نزدیکترین دادهها.
Decision Trees: درختی برای تصمیمگیریهای مرحلهای.
Linear Regression: پیشبینی بر اساس رابطه خطی.
Logistic Regression: طبقهبندی دادهها.
PCA: کاهش ابعاد دادهها.
Support Vector Machine (SVM): مرزبندی بین دستهها.
K Means: خوشهبندی دادهها.
Supervised Learning: یادگیری با دادههای برچسبدار.
Unsupervised Learning: یادگیری بدون برچسب.
Dimensionality Reduction: فشردهسازی دادههای پیچیده.
Hypothesis Testing: آزمون فرضیهها در دادهها.
---
🟣 بیرونیترین لایه: Artificial Intelligence (هوش مصنوعی)
شاخهای از علوم رایانه برای ساخت سیستمهای هوشمند.
Intelligent Robotics: رباتهای با توانایی تصمیمگیری.
Reinforcement Learning: یادگیری از طریق پاداش و تنبیه.
Speech Recognition: تبدیل صدا به متن.
Emergent Behavior: رفتارهای غیرمنتظره از سیستمهای AI.
Augmented Programming: کمک AI به برنامهنویسان.
Algorithm Building: طراحی الگوریتمهای هوشمند.
AI Ethics: اصول اخلاقی در استفاده از هوش مصنوعی.
-
🎥 کاربردهای پردازش ویدیو با OpenCV – به زبان ساده
با OpenCV و Python میتونی:
🔹 ویدیو از فایل یا وبکم بخونی
🔹 تصویر زنده رو بهصورت آنی پردازش کنی
🔹 خروجی رو ذخیره کنی یا نمایش بدی
💡 کاربردها:
✅ سیستمهای امنیتی و نظارتی
✅ تشخیص چهره و پلاک خودرو
✅ روباتهای بیناییدار
✅ فیلترگذاری زنده (مثل اینستاگرام)
✅ ردیابی حرکت و اشیاء در ویدیو
📌 نتیجه؟
OpenCV چشم بینای هوش مصنوعیه! 👁️🤖
با OpenCV و Python میتونی:
🔹 ویدیو از فایل یا وبکم بخونی
🔹 تصویر زنده رو بهصورت آنی پردازش کنی
🔹 خروجی رو ذخیره کنی یا نمایش بدی
💡 کاربردها:
✅ سیستمهای امنیتی و نظارتی
✅ تشخیص چهره و پلاک خودرو
✅ روباتهای بیناییدار
✅ فیلترگذاری زنده (مثل اینستاگرام)
✅ ردیابی حرکت و اشیاء در ویدیو
📌 نتیجه؟
OpenCV چشم بینای هوش مصنوعیه! 👁️🤖
کدام گزینه برای گرفتن تصویر زنده از وبکم در OpenCV بهدرستی استفاده میشود؟
A) cv2.read(0)
B) cv2.VideoCapture('video.mp4')
C) cv2.VideoCapture(0)
D) cv2.imshow('Webcam')
A) cv2.read(0)
B) cv2.VideoCapture('video.mp4')
C) cv2.VideoCapture(0)
D) cv2.imshow('Webcam')
برای استفاده از هوش مصنوعی در پایتون، معمولاً از کتابخانههایی مثل scikit-learn، TensorFlow یا PyTorch استفاده میشود. در مثال زیر یک مدل یادگیری ماشین ساده برای طبقهبندی (classification) با استفاده از scikit-learn پیادهسازی شده است:
🔹 مثال با scikit-learn:
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
# بارگذاری دیتاست
data = load_iris()
X = data.data
y = data.target
# تقسیم داده به آموزش و تست
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# ایجاد مدل
model = LogisticRegression(max_iter=200)
model.fit(X_train, y_train)
# پیشبینی
y_pred = model.predict(X_test)
# محاسبه دقت
accuracy = accuracy_score(y_test, y_pred)
print("دقت مدل:", accuracy)
🔹 مثال با scikit-learn:
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
# بارگذاری دیتاست
data = load_iris()
X = data.data
y = data.target
# تقسیم داده به آموزش و تست
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# ایجاد مدل
model = LogisticRegression(max_iter=200)
model.fit(X_train, y_train)
# پیشبینی
y_pred = model.predict(X_test)
# محاسبه دقت
accuracy = accuracy_score(y_test, y_pred)
print("دقت مدل:", accuracy)
سوال : کدام کتابخانه برای یادگیری ماشین در پایتون رایجتر است؟
الف) matplotlib
ب) numpy
ج) scikit-learn
د) pandas
الف) matplotlib
ب) numpy
ج) scikit-learn
د) pandas
برای آموزش یک مدل یادگیری ماشین در پایتون از چه متدی استفاده میشود؟
الف) predict()
ب) fit()
ج) show()
د) train_test_split()
الف) predict()
ب) fit()
ج) show()
د) train_test_split()
کدام زبان برنامهنویسی بیشتر از همه در پروژههای هوش مصنوعی استفاده میشود؟
الف) Java
ب) Python
ج) PHP
د) HTML
الف) Java
ب) Python
ج) PHP
د) HTML
🔹 ۱. زبان برنامهنویسی:
کدام زبان برنامهنویسی بیشتر از همه در پروژههای هوش مصنوعی استفاده میشود؟
الف) Java
ب) Python ✅
ج) PHP
د) HTML
🔹 ۲. کتابخانهها:
کتابخانهی scikit-learn در پایتون برای چه کاربردی استفاده میشود؟
الف) طراحی گرافیکی
ب) یادگیری ماشین ✅
ج) طراحی سایت
د) کار با فایلهای PDF
🔹 ۳. مفاهیم پایه:
مدلی که خودش از دادهها یاد میگیرد و بدون برنامهریزی مستقیم تصمیم میگیرد، به چه چیزی معروف است؟
الف) الگوریتم سنتی
ب) یادگیری ماشین ✅
ج) برنامهنویسی شیءگرا
د) رمزنگاری
🔹 ۴. کاربردها:
کدام یک از این موارد یک کاربرد رایج هوش مصنوعی است؟
الف) تایپ با کیبورد
ب) رانندگی خودکار ✅
ج) ساخت اسلاید پاورپوینت
د) نصب ویندوز
🔹 ۵. یادگیری ماشین (Machine Learning):
در یادگیری ماشین، دادههایی که برای آموزش مدل استفاده میشوند، به چه نامی شناخته میشوند؟
الف) تست
ب) آموزش ✅
ج) خام
د) ورودی
🔹 ۶. یادگیری عمیق (Deep Learning):
کدام ساختار در یادگیری عمیق استفاده میشود؟
الف) حلقه for
ب) شبکه عصبی ✅
ج) تابع print
د) دکمه کلیک
🔹 ۷. پردازش تصویر:
برای شناسایی چهره در عکسها، کدام حوزه هوش مصنوعی کاربرد دارد؟
الف) رباتیک
ب) پردازش تصویر ✅
ج) پردازش زبان
د) شبیهسازی
🔹 ۸. پردازش زبان طبیعی (NLP):
هوش مصنوعیای که زبان انسان را تحلیل و تولید میکند، در چه حوزهای است؟
الف) بینایی ماشین
ب) یادگیری تقویتی
ج) پردازش زبان طبیعی ✅
د) کنترل حرکت
کدام زبان برنامهنویسی بیشتر از همه در پروژههای هوش مصنوعی استفاده میشود؟
الف) Java
ب) Python ✅
ج) PHP
د) HTML
🔹 ۲. کتابخانهها:
کتابخانهی scikit-learn در پایتون برای چه کاربردی استفاده میشود؟
الف) طراحی گرافیکی
ب) یادگیری ماشین ✅
ج) طراحی سایت
د) کار با فایلهای PDF
🔹 ۳. مفاهیم پایه:
مدلی که خودش از دادهها یاد میگیرد و بدون برنامهریزی مستقیم تصمیم میگیرد، به چه چیزی معروف است؟
الف) الگوریتم سنتی
ب) یادگیری ماشین ✅
ج) برنامهنویسی شیءگرا
د) رمزنگاری
🔹 ۴. کاربردها:
کدام یک از این موارد یک کاربرد رایج هوش مصنوعی است؟
الف) تایپ با کیبورد
ب) رانندگی خودکار ✅
ج) ساخت اسلاید پاورپوینت
د) نصب ویندوز
🔹 ۵. یادگیری ماشین (Machine Learning):
در یادگیری ماشین، دادههایی که برای آموزش مدل استفاده میشوند، به چه نامی شناخته میشوند؟
الف) تست
ب) آموزش ✅
ج) خام
د) ورودی
🔹 ۶. یادگیری عمیق (Deep Learning):
کدام ساختار در یادگیری عمیق استفاده میشود؟
الف) حلقه for
ب) شبکه عصبی ✅
ج) تابع print
د) دکمه کلیک
🔹 ۷. پردازش تصویر:
برای شناسایی چهره در عکسها، کدام حوزه هوش مصنوعی کاربرد دارد؟
الف) رباتیک
ب) پردازش تصویر ✅
ج) پردازش زبان
د) شبیهسازی
🔹 ۸. پردازش زبان طبیعی (NLP):
هوش مصنوعیای که زبان انسان را تحلیل و تولید میکند، در چه حوزهای است؟
الف) بینایی ماشین
ب) یادگیری تقویتی
ج) پردازش زبان طبیعی ✅
د) کنترل حرکت
📌 ۱. متدهای رشتهها (String Methods)
s = "Hello World"
s.lower() # 'hello world'
s.upper() # 'HELLO WORLD'
s.title() # 'Hello World'
s.strip() # حذف فاصلهها از ابتدا و انتها
s.replace("H", "J")
s.find("o")
s.startswith("He")
s.endswith("ld")
s.split(" ")
s.join(["Hello", "World"])
s.isalpha()
s.isdigit()
---
📌 ۲. متدهای لیست (List Methods)
l = [1, 2, 3]
l.append(4)
l.extend([5, 6])
l.insert(1, 10)
l.remove(2)
l.pop() # حذف آخرین عنصر
l.index(3)
l.count(3)
l.sort()
l.reverse()
l.copy()
l.clear()
---
📌 ۳. متدهای دیکشنری (Dictionary Methods)
d = {'a': 1, 'b': 2}
d.keys()
d.values()
d.items()
d.get('a')
d.update({'c': 3})
d.pop('b')
d.popitem() # حذف آخرین زوج
d.setdefault('d', 4)
d.clear()
---
📌 ۴. متدهای مجموعهها (Set Methods)
s1 = {1, 2, 3}
s2 = {3, 4, 5}
s1.add(6)
s1.update([7, 8])
s1.remove(2)
s1.discard(10)
s1.union(s2)
s1.intersection(s2)
s1.difference(s2)
s1.symmetric_difference(s2)
s1.issubset(s2)
s1.issuperset(s2)
s1.isdisjoint(s2)
s1.copy()
s1.clear()
---
📌 ۵. متدهای فایل (File Methods)
f = open("file.txt", "r")
f.read()
f.readline()
f.readlines()
f.write("Hello")
f.writelines(["line1\n", "line2\n"])
f.seek(0)
f.tell()
f.close()
s = "Hello World"
s.lower() # 'hello world'
s.upper() # 'HELLO WORLD'
s.title() # 'Hello World'
s.strip() # حذف فاصلهها از ابتدا و انتها
s.replace("H", "J")
s.find("o")
s.startswith("He")
s.endswith("ld")
s.split(" ")
s.join(["Hello", "World"])
s.isalpha()
s.isdigit()
---
📌 ۲. متدهای لیست (List Methods)
l = [1, 2, 3]
l.append(4)
l.extend([5, 6])
l.insert(1, 10)
l.remove(2)
l.pop() # حذف آخرین عنصر
l.index(3)
l.count(3)
l.sort()
l.reverse()
l.copy()
l.clear()
---
📌 ۳. متدهای دیکشنری (Dictionary Methods)
d = {'a': 1, 'b': 2}
d.keys()
d.values()
d.items()
d.get('a')
d.update({'c': 3})
d.pop('b')
d.popitem() # حذف آخرین زوج
d.setdefault('d', 4)
d.clear()
---
📌 ۴. متدهای مجموعهها (Set Methods)
s1 = {1, 2, 3}
s2 = {3, 4, 5}
s1.add(6)
s1.update([7, 8])
s1.remove(2)
s1.discard(10)
s1.union(s2)
s1.intersection(s2)
s1.difference(s2)
s1.symmetric_difference(s2)
s1.issubset(s2)
s1.issuperset(s2)
s1.isdisjoint(s2)
s1.copy()
s1.clear()
---
📌 ۵. متدهای فایل (File Methods)
f = open("file.txt", "r")
f.read()
f.readline()
f.readlines()
f.write("Hello")
f.writelines(["line1\n", "line2\n"])
f.seek(0)
f.tell()
f.close()
این متدها بخش مهمی از یادگیری اصول اولیه پایتون هستند و در اکثر پروژهها کاربرد دارند.
---
🧵 1. متدهای رشتهای (Strings)
s.lower() # تبدیل به حروف کوچک
s.upper() # تبدیل به حروف بزرگ
s.capitalize() # حروف اول بزرگ
s.title() # حروف اول همه واژهها بزرگ
s.strip() # حذف فاصله از ابتدا و انتها
s.lstrip() # حذف فاصله از سمت چپ
s.rstrip() # حذف فاصله از سمت راست
s.replace(old, new) # جایگزینی متن
s.split(sep) # جدا کردن متن
s.join(iterable) # اتصال لیستی از رشتهها
s.find(sub) # یافتن اندیس زیررشته
s.count(sub) # تعداد تکرار زیررشته
s.startswith(prefix)
s.endswith(suffix)
s.isalpha() # فقط حروف؟
s.isdigit() # فقط عدد؟
s.isalnum() # حروف یا عدد؟
s.islower()
s.isupper()
s.isspace()
s.swapcase() # تغییر حروف بزرگ به کوچک و برعکس
---
🧮 2. متدهای عددی (int, float)
اعداد در پایتون متدهای زیادی ندارند، اما برخی تابعهای مفید:
abs(x) # قدر مطلق
round(x, n) # گرد کردن به n رقم اعشار
pow(x, y) # توان
divmod(x, y) # تقسیم و باقیمانده
---
📋 3. متدهای لیست (List Methods)
l.append(x) # افزودن به انتها
l.extend(iterable) # افزودن چند مقدار
l.insert(i, x) # درج در مکان مشخص
l.remove(x) # حذف اولین مقدار x
l.pop([i]) # حذف مقدار با ایندکس
l.index(x) # یافتن موقعیت مقدار
l.count(x) # تعداد دفعات تکرار
l.sort() # مرتبسازی
l.reverse() # معکوس کردن
l.copy() # کپی سطحی
l.clear() # پاکسازی کامل
---
🧠 4. متدهای دیکشنری (Dict Methods)
d.get(key) # گرفتن مقدار بدون خطا
d.keys()
d.values()
d.items()
d.update(other_dict) # بهروزرسانی دیکشنری
d.pop(key)
d.popitem() # حذف آخرین آیتم
d.setdefault(k, default)
d.clear()
---
🔘 5. متدهای مجموعه (Set Methods)
s.add(x)
s.update(iterable)
s.remove(x)
s.discard(x)
s.pop()
s.clear()
s.union(other_set)
s.intersection(other_set)
s.difference(other_set)
s.symmetric_difference(other_set)
s.issubset(other_set)
s.issuperset(other_set)
s.isdisjoint(other_set)
---
📁 6. متدهای فایل (File Methods)
f = open("file.txt", "r")
f.read()
f.readline()
f.readlines()
f.write("text")
f.writelines(["a\n", "b\n"])
f.seek(0)
f.tell()
f.close()
---
🧰 7. توابع پایهای (Built-in Functions)
len(), type(), print(), input(), range(), list(), dict(), set(), str(), int(), float(),
sum(), min(), max(), sorted(), zip(), map(), filter(), any(), all(), enumerate()
---
🧵 1. متدهای رشتهای (Strings)
s.lower() # تبدیل به حروف کوچک
s.upper() # تبدیل به حروف بزرگ
s.capitalize() # حروف اول بزرگ
s.title() # حروف اول همه واژهها بزرگ
s.strip() # حذف فاصله از ابتدا و انتها
s.lstrip() # حذف فاصله از سمت چپ
s.rstrip() # حذف فاصله از سمت راست
s.replace(old, new) # جایگزینی متن
s.split(sep) # جدا کردن متن
s.join(iterable) # اتصال لیستی از رشتهها
s.find(sub) # یافتن اندیس زیررشته
s.count(sub) # تعداد تکرار زیررشته
s.startswith(prefix)
s.endswith(suffix)
s.isalpha() # فقط حروف؟
s.isdigit() # فقط عدد؟
s.isalnum() # حروف یا عدد؟
s.islower()
s.isupper()
s.isspace()
s.swapcase() # تغییر حروف بزرگ به کوچک و برعکس
---
🧮 2. متدهای عددی (int, float)
اعداد در پایتون متدهای زیادی ندارند، اما برخی تابعهای مفید:
abs(x) # قدر مطلق
round(x, n) # گرد کردن به n رقم اعشار
pow(x, y) # توان
divmod(x, y) # تقسیم و باقیمانده
---
📋 3. متدهای لیست (List Methods)
l.append(x) # افزودن به انتها
l.extend(iterable) # افزودن چند مقدار
l.insert(i, x) # درج در مکان مشخص
l.remove(x) # حذف اولین مقدار x
l.pop([i]) # حذف مقدار با ایندکس
l.index(x) # یافتن موقعیت مقدار
l.count(x) # تعداد دفعات تکرار
l.sort() # مرتبسازی
l.reverse() # معکوس کردن
l.copy() # کپی سطحی
l.clear() # پاکسازی کامل
---
🧠 4. متدهای دیکشنری (Dict Methods)
d.get(key) # گرفتن مقدار بدون خطا
d.keys()
d.values()
d.items()
d.update(other_dict) # بهروزرسانی دیکشنری
d.pop(key)
d.popitem() # حذف آخرین آیتم
d.setdefault(k, default)
d.clear()
---
🔘 5. متدهای مجموعه (Set Methods)
s.add(x)
s.update(iterable)
s.remove(x)
s.discard(x)
s.pop()
s.clear()
s.union(other_set)
s.intersection(other_set)
s.difference(other_set)
s.symmetric_difference(other_set)
s.issubset(other_set)
s.issuperset(other_set)
s.isdisjoint(other_set)
---
📁 6. متدهای فایل (File Methods)
f = open("file.txt", "r")
f.read()
f.readline()
f.readlines()
f.write("text")
f.writelines(["a\n", "b\n"])
f.seek(0)
f.tell()
f.close()
---
🧰 7. توابع پایهای (Built-in Functions)
len(), type(), print(), input(), range(), list(), dict(), set(), str(), int(), float(),
sum(), min(), max(), sorted(), zip(), map(), filter(), any(), all(), enumerate()
لیست کامل و رسمی توابع پایهای (Built-in Functions) پایتون — دقیقاً آنهایی که بدون نیاز به import میتوان استفاده کرد.
---
✅ لیست کامل توابع پایهای (Built-in Functions) در پایتون
تعداد آنها دقیقاً ۷۰ تابع است (در پایتون ۳.۱۰ به بعد):
تابع توضیح
abs() مقدار مطلق
all() اگر همه مقدارها True باشند → True
any() اگر حتی یک مقدار True باشد → True
ascii() نمایش ASCII یک آبجکت (برای نویسههای خاص)
bin() تبدیل عدد به باینری
bool() تبدیل به Boolean
breakpoint() توقف برای اشکالزدایی
bytearray() ایجاد آرایه بایت قابل تغییر
bytes() ایجاد آرایه بایت غیرقابل تغییر
callable() آیا یک شی قابل فراخوانی است؟
chr() تبدیل عدد به کاراکتر یونیکد
classmethod() تعریف متد کلاس
compile() تبدیل کد به شی اجرایی
complex() ایجاد عدد مختلط
delattr() حذف attribute از آبجکت
dict() ساخت دیکشنری
dir() لیست attributeها و متدهای شی
divmod() تقسیم + باقیمانده
enumerate() شمارش با ایندکس
eval() اجرای کد پایتون از رشته
exec() اجرای بلاک کد
filter() فیلتر کردن عناصر قابل تکرار
float() تبدیل به عدد اعشاری
format() فرمتدهی به رشتهها و اعداد
frozenset() ساخت مجموعه غیرقابل تغییر
getattr() گرفتن attribute با نام
globals() گرفتن دیکشنری متغیرهای سراسری
hasattr() بررسی وجود attribute
hash() گرفتن هش یک شی
help() راهنمای داخلی پایتون
hex() تبدیل به مبنای ۱۶
id() گرفتن ID آبجکت در حافظه
input() گرفتن ورودی از کاربر
int() تبدیل به عدد صحیح
isinstance() آیا شی از نوع خاصی است؟
issubclass() آیا کلاس زیرکلاس کلاس دیگر است؟
iter() ایجاد iterator
len() طول آبجکت
list() ساخت لیست
locals() متغیرهای محلی تابع
map() اعمال تابع روی iterable
max() بیشترین مقدار
memoryview() دید مستقیم به حافظه شی
min() کمترین مقدار
next() گرفتن مقدار بعدی از iterator
object() شی پایه در پایتون
oct() تبدیل به مبنای ۸
open() باز کردن فایل
ord() گرفتن عدد یونیکد یک کاراکتر
pow() توان (توان باقیمانده نیز برای رمزنگاری)
print() چاپ خروجی
property() تعریف ویژگی در کلاس
range() بازه عددی
repr() نمایش رسمی شی
reversed() معکوس کردن iterable
round() گرد کردن عدد
set() ساخت مجموعه (set)
setattr() تعیین attribute
slice() برش زدن لیست/رشته
sorted() مرتبسازی
staticmethod() تعریف متد ایستا
str() تبدیل به رشته
sum() جمع مقادیر iterable
super() ارجاع به کلاس والد
tuple() ساخت tuple
type() گرفتن نوع شی
vars() گرفتن dict یک شی
zip() ترکیب چند iterable
import() وارد کردن ماژول به صورت داینامیک
---
📌 نکات مهم
همه این توابع بدون نیاز به import در دسترس هستند.
برای مشاهده لیست بهصورت کدی:
import builtins
print(dir(builtins))
---
✅ لیست کامل توابع پایهای (Built-in Functions) در پایتون
تعداد آنها دقیقاً ۷۰ تابع است (در پایتون ۳.۱۰ به بعد):
تابع توضیح
abs() مقدار مطلق
all() اگر همه مقدارها True باشند → True
any() اگر حتی یک مقدار True باشد → True
ascii() نمایش ASCII یک آبجکت (برای نویسههای خاص)
bin() تبدیل عدد به باینری
bool() تبدیل به Boolean
breakpoint() توقف برای اشکالزدایی
bytearray() ایجاد آرایه بایت قابل تغییر
bytes() ایجاد آرایه بایت غیرقابل تغییر
callable() آیا یک شی قابل فراخوانی است؟
chr() تبدیل عدد به کاراکتر یونیکد
classmethod() تعریف متد کلاس
compile() تبدیل کد به شی اجرایی
complex() ایجاد عدد مختلط
delattr() حذف attribute از آبجکت
dict() ساخت دیکشنری
dir() لیست attributeها و متدهای شی
divmod() تقسیم + باقیمانده
enumerate() شمارش با ایندکس
eval() اجرای کد پایتون از رشته
exec() اجرای بلاک کد
filter() فیلتر کردن عناصر قابل تکرار
float() تبدیل به عدد اعشاری
format() فرمتدهی به رشتهها و اعداد
frozenset() ساخت مجموعه غیرقابل تغییر
getattr() گرفتن attribute با نام
globals() گرفتن دیکشنری متغیرهای سراسری
hasattr() بررسی وجود attribute
hash() گرفتن هش یک شی
help() راهنمای داخلی پایتون
hex() تبدیل به مبنای ۱۶
id() گرفتن ID آبجکت در حافظه
input() گرفتن ورودی از کاربر
int() تبدیل به عدد صحیح
isinstance() آیا شی از نوع خاصی است؟
issubclass() آیا کلاس زیرکلاس کلاس دیگر است؟
iter() ایجاد iterator
len() طول آبجکت
list() ساخت لیست
locals() متغیرهای محلی تابع
map() اعمال تابع روی iterable
max() بیشترین مقدار
memoryview() دید مستقیم به حافظه شی
min() کمترین مقدار
next() گرفتن مقدار بعدی از iterator
object() شی پایه در پایتون
oct() تبدیل به مبنای ۸
open() باز کردن فایل
ord() گرفتن عدد یونیکد یک کاراکتر
pow() توان (توان باقیمانده نیز برای رمزنگاری)
print() چاپ خروجی
property() تعریف ویژگی در کلاس
range() بازه عددی
repr() نمایش رسمی شی
reversed() معکوس کردن iterable
round() گرد کردن عدد
set() ساخت مجموعه (set)
setattr() تعیین attribute
slice() برش زدن لیست/رشته
sorted() مرتبسازی
staticmethod() تعریف متد ایستا
str() تبدیل به رشته
sum() جمع مقادیر iterable
super() ارجاع به کلاس والد
tuple() ساخت tuple
type() گرفتن نوع شی
vars() گرفتن dict یک شی
zip() ترکیب چند iterable
import() وارد کردن ماژول به صورت داینامیک
---
📌 نکات مهم
همه این توابع بدون نیاز به import در دسترس هستند.
برای مشاهده لیست بهصورت کدی:
import builtins
print(dir(builtins))
🧷 ۱. کلمات کلیدی (Keywords) در پایتون
اینها کلمات رزرو شده هستند که در کد نمیتونی برای متغیر یا تابع استفادهشون کنی.
✅ لیست کامل کلمات کلیدی (Python 3.12):
False await else import pass
None break except in raise
True class finally is return
and continue for lambda try
as def from nonlocal while
assert del global not with
async elif if or yield
match case
برای گرفتن این لیست در پایتون:
import keyword
print(keyword.kwlist)
---
🧷 ۲. ساختارهای کنترلی و نحوی (Special Syntax / Statements)
اینها توابع نیستند، ولی ستونهای زبان پایتون هستند:
✅ ساختارهای کنترلی:
if / elif / else
for / while
break, continue, pass
try / except / finally / else
with (مدیریت context)
match / case (از پایتون 3.10 برای الگوهای شرطی مثل switch-case)
---
🧷 ۳. تعریف و مدیریت توابع و کلاسها:
def : تعریف تابع
return : بازگرداندن مقدار از تابع
lambda : تابع بدون نام (ناشناس)
yield : تولید مقدار از ژنراتور
global / nonlocal : کنترل محدوده متغیرها
class : تعریف کلاس
@decorator : دکوراتور برای تغییر رفتار تابع یا کلاس
---
🧷 ۴. توابع پرکاربرد در کتابخانههای استاندارد
کتابخانههایی که خیلی استفاده میشن و تقریباً جزو "ابزار پایهای" حساب میشن:
✅ math – عملیات ریاضی
import math
math.sqrt(16)
math.pi
math.sin(), cos(), tan()
math.floor(), ceil()
math.log(), log10()
math.factorial()
✅ random – تولید تصادفی
import random
random.randint(1, 10)
random.choice(['a', 'b', 'c'])
random.shuffle(list)
random.random()
✅ os – مدیریت فایلها و سیستم
import os
os.getcwd()
os.listdir()
os.remove("file.txt")
os.mkdir("folder")
✅ sys – اطلاعات مربوط به سیستم
import sys
sys.argv
sys.exit()
sys.path
✅ datetime – تاریخ و زمان
import datetime
datetime.datetime.now()
datetime.date.today()
✅ functools, itertools, collections – ابزارهای پیشرفتهتر ولی بسیار مهم
---
🧷 ۵. انواع داده پایه (Built-in Types)
نوع داده مثال
int 1, -42
float 3.14, -0.5
str "hello"
list [1, 2, 3]
tuple (1, 2)
set {1, 2, 3}
dict {'a': 1}
bool True, False
NoneType None
---
✅ جمعبندی دستهبندیشده
دسته توضیح
🔑 کلمات کلیدی مثل if, for, def, class
🧠 ساختارهای کنترلی if/else, while, try/except, match/case
🧰 توابع پایهای مثل print(), len(), range()
📦 کتابخانههای استاندارد math, random, os, datetime
📋 انواع داده پایه int, str, list, dict, ...
اینها کلمات رزرو شده هستند که در کد نمیتونی برای متغیر یا تابع استفادهشون کنی.
✅ لیست کامل کلمات کلیدی (Python 3.12):
False await else import pass
None break except in raise
True class finally is return
and continue for lambda try
as def from nonlocal while
assert del global not with
async elif if or yield
match case
برای گرفتن این لیست در پایتون:
import keyword
print(keyword.kwlist)
---
🧷 ۲. ساختارهای کنترلی و نحوی (Special Syntax / Statements)
اینها توابع نیستند، ولی ستونهای زبان پایتون هستند:
✅ ساختارهای کنترلی:
if / elif / else
for / while
break, continue, pass
try / except / finally / else
with (مدیریت context)
match / case (از پایتون 3.10 برای الگوهای شرطی مثل switch-case)
---
🧷 ۳. تعریف و مدیریت توابع و کلاسها:
def : تعریف تابع
return : بازگرداندن مقدار از تابع
lambda : تابع بدون نام (ناشناس)
yield : تولید مقدار از ژنراتور
global / nonlocal : کنترل محدوده متغیرها
class : تعریف کلاس
@decorator : دکوراتور برای تغییر رفتار تابع یا کلاس
---
🧷 ۴. توابع پرکاربرد در کتابخانههای استاندارد
کتابخانههایی که خیلی استفاده میشن و تقریباً جزو "ابزار پایهای" حساب میشن:
✅ math – عملیات ریاضی
import math
math.sqrt(16)
math.pi
math.sin(), cos(), tan()
math.floor(), ceil()
math.log(), log10()
math.factorial()
✅ random – تولید تصادفی
import random
random.randint(1, 10)
random.choice(['a', 'b', 'c'])
random.shuffle(list)
random.random()
✅ os – مدیریت فایلها و سیستم
import os
os.getcwd()
os.listdir()
os.remove("file.txt")
os.mkdir("folder")
✅ sys – اطلاعات مربوط به سیستم
import sys
sys.argv
sys.exit()
sys.path
✅ datetime – تاریخ و زمان
import datetime
datetime.datetime.now()
datetime.date.today()
✅ functools, itertools, collections – ابزارهای پیشرفتهتر ولی بسیار مهم
---
🧷 ۵. انواع داده پایه (Built-in Types)
نوع داده مثال
int 1, -42
float 3.14, -0.5
str "hello"
list [1, 2, 3]
tuple (1, 2)
set {1, 2, 3}
dict {'a': 1}
bool True, False
NoneType None
---
✅ جمعبندی دستهبندیشده
دسته توضیح
🔑 کلمات کلیدی مثل if, for, def, class
🧠 ساختارهای کنترلی if/else, while, try/except, match/case
🧰 توابع پایهای مثل print(), len(), range()
📦 کتابخانههای استاندارد math, random, os, datetime
📋 انواع داده پایه int, str, list, dict, ...
✅ بخش 1: توابع پرکاربرد در کتابخانههای استاندارد پایتون
اینجا لیستی از مهمترین ماژولهای استاندارد پایتون میآورم با توابع و کاربردهای کلیدیشون:
---
📦 1. math – توابع ریاضی پایه
import math
math.sqrt(25) # ریشه دوم = 5.0
math.pow(2, 3) # توان = 8.0
math.floor(3.7) # پایینترین عدد صحیح = 3
math.ceil(3.1) # بالاترین عدد صحیح = 4
math.factorial(5) # فاکتوریل = 120
math.pi # عدد π
math.e # عدد e
---
🎲 2. random – تولید اعداد تصادفی
import random
random.random() # عدد بین 0 و 1
random.randint(1, 10) # عدد صحیح بین 1 تا 10
random.choice(['a', 'b']) # انتخاب تصادفی
random.shuffle(my_list) # درهمریختن لیست
---
🖥️ 3. os – کار با سیستم عامل و فایلها
import os
os.getcwd() # مسیر جاری
os.listdir() # لیست فایلهای مسیر
os.mkdir("new_folder") # ساخت پوشه
os.remove("file.txt") # حذف فایل
os.path.exists("file.txt") # بررسی وجود فایل
---
⚙️ 4. sys – اطلاعات سیستم و آرگومانها
import sys
sys.argv # آرگومانهای خط فرمان
sys.exit() # خروج از برنامه
sys.path # مسیرهای ماژولها
---
🕒 5. datetime – کار با تاریخ و زمان
import datetime
datetime.datetime.now() # زمان کنونی
datetime.date.today() # تاریخ امروز
---
🔁 6. itertools – ترکیب و تکرار حرفهای
from itertools import product, permutations, combinations
list(product([1, 2], [3, 4])) # ضرب دکارتی
list(permutations([1, 2, 3])) # جایگشتها
list(combinations([1, 2, 3], 2)) # ترکیبها
---
🔧 7. functools – توابع سطح بالا برای توابع!
from functools import reduce, lru_cache
reduce(lambda x, y: x + y, [1, 2, 3]) # جمع = 6
@lru_cache
def fib(n): # کش کردن
if n < 2:
return n
return fib(n - 1) + fib(n - 2)
اینجا لیستی از مهمترین ماژولهای استاندارد پایتون میآورم با توابع و کاربردهای کلیدیشون:
---
📦 1. math – توابع ریاضی پایه
import math
math.sqrt(25) # ریشه دوم = 5.0
math.pow(2, 3) # توان = 8.0
math.floor(3.7) # پایینترین عدد صحیح = 3
math.ceil(3.1) # بالاترین عدد صحیح = 4
math.factorial(5) # فاکتوریل = 120
math.pi # عدد π
math.e # عدد e
---
🎲 2. random – تولید اعداد تصادفی
import random
random.random() # عدد بین 0 و 1
random.randint(1, 10) # عدد صحیح بین 1 تا 10
random.choice(['a', 'b']) # انتخاب تصادفی
random.shuffle(my_list) # درهمریختن لیست
---
🖥️ 3. os – کار با سیستم عامل و فایلها
import os
os.getcwd() # مسیر جاری
os.listdir() # لیست فایلهای مسیر
os.mkdir("new_folder") # ساخت پوشه
os.remove("file.txt") # حذف فایل
os.path.exists("file.txt") # بررسی وجود فایل
---
⚙️ 4. sys – اطلاعات سیستم و آرگومانها
import sys
sys.argv # آرگومانهای خط فرمان
sys.exit() # خروج از برنامه
sys.path # مسیرهای ماژولها
---
🕒 5. datetime – کار با تاریخ و زمان
import datetime
datetime.datetime.now() # زمان کنونی
datetime.date.today() # تاریخ امروز
---
🔁 6. itertools – ترکیب و تکرار حرفهای
from itertools import product, permutations, combinations
list(product([1, 2], [3, 4])) # ضرب دکارتی
list(permutations([1, 2, 3])) # جایگشتها
list(combinations([1, 2, 3], 2)) # ترکیبها
---
🔧 7. functools – توابع سطح بالا برای توابع!
from functools import reduce, lru_cache
reduce(lambda x, y: x + y, [1, 2, 3]) # جمع = 6
@lru_cache
def fib(n): # کش کردن
if n < 2:
return n
return fib(n - 1) + fib(n - 2)