🔹 ۶. تمرین: تابع با چند ورودی و خروجی جمع آن‌ها

def myfunction(x, y, z):
return x + y + z # خروجی تابع

p = int(input("Enter p: "))
n = int(input("Enter n: "))
m = int(input("Enter m: "))

print(myfunction(p, n, m)) # فراخوانی تابع

سلام دوستان 🙌
امروز براتون یک مثال خیلی خوب از مبحث توابع در پایتون آماده کردم 🎥

🔢 آموزش خط به خط کد برای جمع دو عدد ➕ و شمارش تعداد دفعات اجرای تابع 🔄
به همراه توضیحات کامل و نکته‌های مهم درباره‌ی متغیرهای global

نکات مهم و کاربردی درباره append() و extend() :

🔹 ۱. نوع ورودی

append(x): یک عنصر واحد می‌گیرد.

extend(iterable): یک iterable می‌گیرد (لیست، تاپل، رشته، مجموعه و …).

🔹 ۲. تعداد عناصر اضافه‌شده

append(x): فقط یک عنصر اضافه می‌کند، حتی اگر آن عنصر خود یک لیست باشد.

extend(iterable): همه عناصر iterable را به لیست اضافه می‌کند.

🔹 ۳. نتیجه روی ساختار لیست

append(x): ممکن است یک لیست درون لیست بسازد.

extend(iterable): عناصر را یک‌به‌یک اضافه می‌کند، لیست را صاف نگه می‌دارد.

🔹 ۴. تأثیر روی طول لیست

append(x): طول لیست +1 می‌شود.

extend(iterable): طول لیست به اندازه تعداد عناصر iterable افزایش می‌یابد.

🔹 ۵. سرعت و کارایی

برای یک عنصر: append() سریع‌تر است.

برای چند عنصر: extend() سریع‌تر و بهینه‌تر از چند بار append است.

🔹 ۶. کاربردها

append(x): وقتی می‌خواهید یک مقدار یا یک آبجکت (حتی لیست) را به‌عنوان یک واحد اضافه کنید.

extend(iterable): وقتی می‌خواهید یک مجموعه عناصر (لیست، رشته، تاپل و غیره) را به لیست اضافه کنید.

🔹 ۷. مثال‌ها
append:
lst = [1, 2, 3]
lst.append([4,5])
print(lst)   # [1, 2, 3, [4, 5]]

extend:
lst = [1, 2, 3]
lst.extend([4,5])
print(lst)   # [1, 2, 3, 4, 5]

نکته جانبی با رشته:
lst = [1,2]
lst.extend("ab")
print(lst)  # [1, 2, 'a', 'b']


➡️ extend() رشته را به کاراکترهای جداگانه تبدیل می‌کند.

🔹 ۸. نکته پیشرفته

اگر بخواهید یک لیست از لیست‌ها بسازید، append() بهتر است.

اگر بخواهید عناصر یک لیست را به لیست دیگر اضافه کنید، extend() مناسب‌تر است.

تفاوت بین متغیرهای محلی (Local) و سراسری (Global) در پایتون

🔹 متغیر محلی (Local Variable)

تنها داخل همان تابع معتبر است.

پس از پایان اجرای تابع، حافظه آن آزاد می‌شود.

می‌تواند هم‌نام متغیر سراسری باشد، اما مستقل از آن است.

با دستور global نمی‌توان آن را خارج از تابع در دسترس قرار داد.


✅ مثال متغیر محلی:

def my_function():
x = 5 # متغیر محلی
print("داخل تابع:", x)

my_function()
# print(x) # ❌ خطا، چون x خارج از تابع تعریف نشده


---

🔹 متغیر سراسری (Global Variable)

در همه توابع و بخش‌های برنامه قابل استفاده است.

اگر داخل تابع بخواهید مقدار آن را تغییر دهید، باید از کلمه کلیدی global استفاده کنید.

اگر بدون global تغییر داده شود، یک متغیر محلی جدید ساخته می‌شود و متغیر سراسری تغییر نمی‌کند.


✅ مثال متغیر سراسری:

y = 10 # متغیر سراسری

def my_function():
global y
y += 5 # تغییر مقدار متغیر سراسری
print("داخل تابع:", y)

my_function()
print("خارج از تابع:", y) # مقدار y تغییر کرده


---

🔹 نکته: بدون استفاده از global

y = 10

def my_function():
y = 20 # این y محلی است و متغیر سراسری را تغییر نمی‌دهد
print("داخل تابع:", y)

my_function()
print("خارج از تابع:", y) # هنوز 10 است


---

📊 جمع‌بندی نکات کلیدی

1. محدوده دسترسی:

محلی فقط داخل تابع معتبر است.

سراسری در کل برنامه قابل دسترسی است.



2. مدت زمان زندگی:

محلی تا پایان اجرای تابع زنده است.

سراسری تا پایان اجرای کل برنامه.



3. تغییر مقدار:

برای تغییر مقدار متغیر سراسری داخل تابع، باید از global استفاده شود.



4. نام‌گذاری:

یک متغیر محلی می‌تواند هم‌نام متغیر سراسری باشد، اما مستقل عمل می‌کند.





---

🔹 تعریف ساده

متغیر محلی: جعبه‌ای که فقط در اتاق (تابع) خودش باز می‌شود.

متغیر سراسری: جعبه‌ای که همه اتاق‌ها (توابع) می‌توانند به آن دسترسی داشته باشند.

global: اجازه می‌دهد در یک اتاق (تابع)، جعبه سراسری را تغییر دهیم.



---

✅ مثال نهایی (ساده برای یادگیری):

# متغیر سراسری
number = 10

def my_local():
# متغیر محلی
x = 5
print("محلی داخل تابع:", x)

def my_global():
global number # مشخص می‌کنیم که می‌خواهیم متغیر سراسری را تغییر دهیم
number += 5
print("سراسری تغییر کرده داخل تابع:", number)

my_local()
# print(x) # ❌ خطا، چون x فقط داخل تابع تعریف شده

my_global()
print("سراسری بیرون تابع:", number)

خروجی:

محلی داخل تابع: 5
سراسری تغییر کرده داخل تابع: 15
سراسری بیرون تابع: 15

✨️ توابع داخلی پایتون (Built-in Functions)

توابع داخلی، توابعی هستن که پایتون به‌صورت پیش‌فرض و بدون نیاز به import در اختیار ما گذاشته.
این‌ها همیشه در دسترسن و می‌تونن کارهای خیلی پرکاربردی رو انجام بدن؛ مثل:

محاسبات ریاضی (sum, max, min, round, pow, abs)

کار با انواع داده‌ها (len, sorted, reversed, enumerate)

تبدیل نوع‌ها (int, float, str, list, dict)

کار با ورودی/خروجی (print, input, open)

ابزارهای کمکی (isinstance, zip, map, filter, any, all)


به همین دلیل اسمشون رو گذاشتن built-in چون “درون خود زبان پایتون ساخته‌شده” هستن.



🔹 مثال کوتاه:

print(len([1,2,3])) # 3
print(max(10, 20, 5)) # 20
print(sum([1,2,3,4])) # 10



🔹 نمایش همه توابع داخلی + شمارش:

import builtins
funcs = [f for f in dir(builtins) if callable(getattr(builtins, f))]
print(funcs)
print(f"Total Built-in Functions: {len(funcs)}")

اصطلاحات پایه و مفاهیم اصلی

1. IDE (Integrated Development Environment): محیط توسعه یکپارچه برای نوشتن، تست و مدیریت کد.
مثال: PyCharm, VS Code


2. Library: مجموعه‌ای از توابع و کلاس‌ها که می‌توان دوباره استفاده کرد.
مثال: import numpy as np


3. Framework: ساختار و ابزار آماده برای توسعه سریع برنامه.
مثال: import django


4. Interpreter: برنامه‌ای که کد را خط به خط اجرا می‌کند.
مثال: Python Interpreter


5. Variable: نامی برای نگهداری داده‌ها در برنامه.
مثال: x = 10


6. Constant: مقداری که در طول برنامه تغییر نمی‌کند.
مثال: PI = 3.14


7. Data Type: نوع داده‌ها در برنامه (عدد، متن، بولین و غیره).
مثال: int, float, str


8. Function: مجموعه‌ای از دستورات برای انجام کاری مشخص.
مثال: def add(a, b): return a + b


9. Parameter: مقداری که به تابع داده می‌شود.
مثال: a و b در تابع add(a,b)


10. Return Value: مقداری که تابع برمی‌گرداند.
مثال: return a+b


11. Loop: ساختار تکرار در برنامه.
مثال: for i in range(5): print(i)


12. While Loop: حلقه‌ای که تا برقرار بودن شرط ادامه دارد.
مثال: while x > 0: x -= 1


13. Conditional Statement: دستور شرطی برای تصمیم‌گیری در برنامه.
مثال: if x > 0: print("Positive")


14. Boolean: نوع داده درست/نادرست.
مثال: True, False


15. Operator: نماد یا عملکردی که روی داده‌ها عمل می‌کند.
مثال: +, -, *, /


16. Arithmetic Operator: عملگرهای ریاضی.
مثال: 3 + 2


17. Comparison Operator: عملگرهای مقایسه‌ای.
مثال: x == y, x > y


18. Logical Operator: عملگرهای منطقی.
مثال: x and y, x or y, not x


19. Array / List: مجموعه‌ای از داده‌ها با اندیس.
مثال: numbers = [1, 2, 3]


20. Tuple: مجموعه داده غیرقابل تغییر.
مثال: coords = (10, 20)


21. Dictionary: مجموعه کلید-مقدار.
مثال: person = {"name": "Ali", "age": 25}


22. Set: مجموعه بدون تکرار.
مثال: s = {1, 2, 3}


23. Object: نمونه‌ای از کلاس که داده و رفتار را نگه می‌دارد.
مثال:

class Dog: pass
d = Dog()


24. Class: قالب ساخت شیء در برنامه‌نویسی شیءگرا.
مثال: class Dog: pass


25. Inheritance: ارث‌بری کلاس‌ها برای استفاده مجدد کد.
مثال:

class Puppy(Dog): pass


26. Encapsulation: مخفی کردن داده‌ها و ارائه دسترسی کنترل‌شده.


27. Polymorphism: توانایی اشیاء مختلف برای پاسخ به یک تابع یکسان.


28. Recursion: وقتی یک تابع خودش را فراخوانی می‌کند.
مثال:

def factorial(n):
return 1 if n==0 else n*factorial(n-1)


29. Lambda Function: تابع کوتاه یک خطی.
مثال: f = lambda x: x+1


30. Map: اعمال یک تابع روی تمام عناصر لیست.
مثال: list(map(lambda x: x*2, [1,2,3]))


31. Filter: انتخاب عناصر لیست با شرط خاص.
مثال: list(filter(lambda x: x>1, [0,1,2,3]))


32. List Comprehension: ساخت سریع لیست جدید از لیست موجود.
مثال: [x*2 for x in range(5)]


33. Exception: رویدادی که برنامه را متوقف می‌کند و باید مدیریت شود.
مثال: ZeroDivisionError


34. Try/Except: مدیریت خطاها در برنامه.
مثال:

try:
x = 1/0
except ZeroDivisionError:
print("Division by zero")


35. Debugging: پیدا کردن و رفع خطاهای برنامه.


36. Log: ثبت اتفاقات برنامه برای بررسی و تحلیل.




---

ساختار داده‌ها و الگوریتم‌ها

37. Stack: ساختار داده LIFO (Last In First Out).


38. Queue: ساختار داده FIFO (First In First Out).


39. Linked List: مجموعه داده با اتصال عناصر به هم با اشاره‌گر.


40. Hash Table / Dictionary: ذخیره سریع داده با کلید.


41. Tree: ساختار داده شاخه‌ای برای داده‌های سلسله‌مراتبی.


42. Binary Tree: درخت با حداکثر دو فرزند برای هر گره.


43. Graph: مجموعه گره‌ها و یال‌ها برای نمایش شبکه‌ها.


44. Algorithm: مجموعه مراحل حل یک مسئله.
مثال: MergeSort, Dijkstra


45. Sorting Algorithm: مرتب‌سازی داده‌ها.
مثال:

sorted([3,1,2])


46. Searching Algorithm: جستجوی داده‌ها در ساختار داده.


47. Binary Search: جستجوی سریع در لیست مرتب شده.
مثال:

import bisect
bisect.bisect_left([1,2,3,4],3)


48. Linear Search: جستجوی ساده خطی در لیست.
مثال:

lst = [4,5,6]
5 in lst




---

ابزارها و مفاهیم پیشرفته

49. Git: سیستم کنترل نسخه برای مدیریت تغییرات کد.


50. Branch: شاخه‌ای مستقل از کد در Git.


51. Merge: ترکیب تغییرات شاخه‌ها.


52. Pull / Push: دریافت و ارسال تغییرات در Git.


53. Multithreading: اجرای همزمان چند بخش از برنامه.
مثال: import threading


54. Concurrency: مدیریت همزمان چند پردازش یا کار.


55. Decorator: تابعی که رفتار تابع دیگر را تغییر می‌دهد.
مثال:

def decorator(f):
def wrapper():
print("Before")
f()
print("After")
return wrapper


56. Generator: تولید عناصر یک به یک به جای ذخیره همه در حافظه.
مثال:

def gen():
for i in range(5):
yield i


57. Iterator: شیئی که می‌توان روی آن حلقه زد.
مثال:

for x in [1,2,3]: print(x)


58. Context Manager / With Statement: مدیریت منابع مثل فایل به صورت امن.
مثال:

with open("file.txt") as f:
data = f.read()


59. Module: فایل پایتون حاوی توابع و کلاس‌ها.
مثال: import math


60. Package: مجموعه‌ای از ماژول‌ها.
مثال: import numpy


61. Regular Expression: الگو برای جستجو در متن.
مثال:

import re
re.findall(r'\d+', '123 abc 456')


62. Virtual Environment: محیط ایزوله برای پروژه‌های Python.


63. Unit Test: تست کوچک برای بررسی عملکرد بخش‌های برنامه.


64. Assertion: بررسی شرط و متوقف کردن برنامه در صورت نادرست بودن.
مثال: assert x > 0


65. Serialization / Pickle: ذخیره و بارگذاری داده‌ها.
مثال:

import pickle
pickle.dump(obj, open("file.pkl","wb"))


66. JSON: فرمت داده متنی برای تبادل اطلاعات.
مثال:

import json
json.dumps({"name":"Ali"})


67. Slicing: برش لیست‌ها و رشته‌ها.
مثال: lst[1:5:2]


68. Argument / Keyword Argument: ارسال داده به توابع.
مثال: func(a=1, b=2)


69. Docstring: توضیحات توابع یا کلاس‌ها.
مثال:

def f():
"""This function does nothing"""
pass


70. Mutable / Immutable: تغییرپذیری داده‌ها.
مثال: لیست mutable، tuple immutable


71. Comprehension: ساخت سریع لیست، دیکشنری یا ست.
مثال: [x*x for x in range(5)]


72. Set Operations: اجتماع، اشتراک، تفاضل.
مثال: {1,2} | {2,3}


73. Type Casting: تبدیل نوع داده‌ها.
مثال: int("10")


74. Input / Output: دریافت و نمایش داده.
مثال: x = input("Enter: ")


75. File Handling: خواندن و نوشتن فایل‌ها.
مثال:

with open("file.txt","w") as f:
f.write("Hello")


76. Exception Chaining: مدیریت چند خطا در یک بلوک.


77. Docopt / Argparse: پردازش آرگومان‌های خط فرمان.


78. Recursion Limit: محدودیت عمق فراخوانی توابع بازگشتی.
مثال: import sys; sys.setrecursionlimit(1000)


79. Garbage Collection: مدیریت خودکار حافظه در Python.


80. Monkey Patching: تغییر رفتار کد در زمان اجرا.

🌐 شبیه‌سازی ایجنت در محیط 8×8

✨ توضیح کوتاه

Agent (ایجنت): موجودی که تصمیم می‌گیرد (در اینجا با کلیدها کنترل شد).

Environment (محیط): شبکه‌ی 8×8 شامل موانع و هدف.

State (وضعیت): مختصات ایجنت در جدول.

Actions (اعمال): حرکت به بالا، پایین، چپ و راست.

Reward (پاداش): رسیدن به هدف و پیروزی 🏆.



---

📌 اهمیت

این مدل ساده، پایه‌ی بسیاری از بازی‌ها، روباتیک و الگوریتم‌های یادگیری تقویتی (Reinforcement Learning) است.
همان‌طور که ایجنت در این تمرین به‌صورت دستی حرکت داده شد، در هوش مصنوعی، ایجنت می‌آموزد به شکل خودکار بهترین مسیر را انتخاب کند.
این ایده در الگوریتم‌هایی مانند Q-Learning یا محیط‌های آموزشی مانند FrozenLake در OpenAI Gym پیاده‌سازی می‌شود.


---

💡 راهنمایی

برای تمرین هوش مصنوعی، می‌توان به جای کنترل دستی، الگوریتمی طراحی کرد که ایجنت به‌صورت خودکار مسیر درست را بیاموزد.

می‌توان اندازه‌ی محیط یا تعداد موانع را تغییر داد تا سطح سختی افزایش یابد.

راهنمای رسمی یادگیری هوش مصنوعی با پایتون

1️⃣ مقدمه

هوش مصنوعی (Artificial Intelligence – AI) شاخه‌ای از علوم کامپیوتر است که به ساخت سیستم‌هایی می‌پردازد که توانایی تصمیم‌گیری، یادگیری و حل مسئله دارند. پایتون یکی از محبوب‌ترین زبان‌ها برای توسعه AI است، زیرا کتابخانه‌های متنوع، جامعه بزرگ و کاربرد در صنعت و پژوهش دارد.


---

2️⃣ دسته‌بندی‌های اصلی هوش مصنوعی در پایتون

2.1 یادگیری ماشین (Machine Learning)

هدف: ساخت مدل‌هایی که از داده‌ها یاد می‌گیرند و پیش‌بینی یا تصمیم‌گیری می‌کنند.

کتابخانه‌ها: scikit-learn, xgboost, lightgbm

پروژه‌های پیشنهادی:

پیش‌بینی قیمت خانه

دسته‌بندی ایمیل اسپم

تحلیل داده‌های فروش و پیش‌بینی روند آینده




---

2.2 یادگیری عمیق (Deep Learning)

هدف: استفاده از شبکه‌های عصبی عمیق برای حل مسائل پیچیده.

کتابخانه‌ها: TensorFlow, Keras, PyTorch

پروژه‌های پیشنهادی:

تشخیص اشیا و چهره در تصاویر

تولید متن با مدل‌های RNN/Transformer

سیستم‌های ترجمه خودکار




---

2.3 پردازش تصویر و بینایی ماشین (Computer Vision)

هدف: استخراج اطلاعات و تحلیل تصاویر و ویدئوها.

کتابخانه‌ها: OpenCV, Pillow, scikit-image

پروژه‌های پیشنهادی:

تشخیص چهره یا اجسام

OCR (خواندن متن از تصویر)

فیلترگذاری و تغییر رنگ ویدئو




---

2.4 پردازش زبان طبیعی (Natural Language Processing)

هدف: تحلیل و تولید زبان و متن انسانی.

کتابخانه‌ها: NLTK, spaCy, Transformers (HuggingFace)

پروژه‌های پیشنهادی:

ساخت چت‌بات

تحلیل احساسات شبکه‌های اجتماعی

خلاصه‌سازی خودکار مقالات




---

2.5 یادگیری تقویتی (Reinforcement Learning)

هدف: آموزش ایجنت‌ها برای تصمیم‌گیری بهینه در محیط.

کتابخانه‌ها: gym (OpenAI), Stable Baselines3

پروژه‌های پیشنهادی:

بازی‌های ساده مانند Gridworld یا FrozenLake

رباتیک شبیه‌سازی‌شده

مسیریابی خودکار




---

2.6 الگوریتم‌ها و سیستم‌های هوشمند سنتی

هدف: استفاده از الگوریتم‌های جستجو، منطق فازی و سیستم‌های خبره.

کتابخانه‌ها: pyknow, DEAP (الگوریتم ژنتیک)

پروژه‌های پیشنهادی:

سیستم توصیه‌گر ساده

حل مسئله با جستجوی A*

تصمیم‌گیری هوشمند با قوانین




---

2.7 علوم داده و تحلیل (Data Science)

هدف: جمع‌آوری، تحلیل و مصورسازی داده‌ها برای استخراج الگو.

کتابخانه‌ها: pandas, numpy, matplotlib, seaborn

پروژه‌های پیشنهادی:

مصورسازی روند فروش

تحلیل داده‌های شبکه‌های اجتماعی

پیش‌بینی نتایج بر اساس داده‌های تاریخی




---

3️⃣ مسیر یادگیری پیشنهادی (قدم‌به‌قدم)

1. پایتون پایه‌ای و کتابخانه‌های پایه:

numpy, pandas, matplotlib, seaborn



2. یادگیری ماشین پایه:

مدل‌های رگرسیون و دسته‌بندی با scikit-learn



3. پردازش تصویر با OpenCV:

فیلترگذاری، تشخیص لبه و رنگ‌ها

تشخیص اشیا ساده



4. یادگیری عمیق با Keras/PyTorch:

شبکه‌های CNN برای تصویر

شبکه‌های RNN و Transformer برای متن



5. پردازش زبان طبیعی:

تحلیل متن و چت‌بات با spaCy و Transformers



6. یادگیری تقویتی و شبیه‌سازی محیط‌ها:

OpenAI Gym و Q-Learning

پروژه‌های بازی و رباتیک



7. پروژه عملی و انتشار:

GitHub: پروژه‌ها، کدها و مستندات

Kaggle: مسابقات و تمرین داده‌ها

انتشار مقاله یا آموزش آنلاین





---

4️⃣ نکات کلیدی برای موفقیت

تمرین با پروژه‌های واقعی مهم‌تر از صرفا خواندن تئوری است.

استفاده از کتابخانه‌ها و ابزارهای متن‌باز بهترین مسیر برای یادگیری سریع و تجربه صنعتی است.

مستند کردن پروژه‌ها و اشتراک‌گذاری آن‌ها باعث دیده شدن و اعتبار علمی می‌شود.

آزمون انتخابی پایتون – ۲۰ سوال


از هر بخش (سخت، متوسط، آسان) یک سوال انتخاب کنید.









سطح سخت (انتخاب 1)

1. بزرگ‌ترین عدد فرد در لیست


2. شمارش حروف بزرگ و کوچک در رشته


3. محاسبه معدل دانش‌آموزان از دیکشنری


4. فاکتوریل عدد n با تابع بازگشتی


5. صاف کردن لیست از لیست‌ها (flatten)


6. بررسی عدد اول


7. حذف حروف تکراری از رشته




---

سطح متوسط (انتخاب 1)

8. مجموع اعداد زوج تا n


9. شمارش معکوس با حلقه while


10. بزرگ‌ترین عدد از دو عدد با تابع


11. حذف عناصر تکراری از لیست


12. بررسی وجود مقدار در لیست


13. گرفتن مقدار از دیکشنری با بررسی کلید




---

سطح آسان (انتخاب 1)

14. چاپ جمله شخصی‌سازی‌شده از نام و سن


15. بررسی زوج یا فرد بودن عدد


16. چاپ اعداد ۱ تا ۱۰ با حلقه for


17. جمع اعداد ۱ تا n با حلقه


18. رسم مربع با Turtle


19. نمایش نوع داده ورودی


20. تابع ساده با پارامتر پیش‌فرض






سلام دوستان،

برای تمرین عملی، ۲۰ سوال پایتون داریم که به سه سطح سخت، متوسط و آسان تقسیم شده‌اند.

از هر سطح یک سوال انتخاب کنید.

پاسخ خود را در حد یک یا دو خط توضیحات بنویسید و کد کامل  برای بنده ارسال کنید.


هدف از این تمرین:

تقویت تسلط شما روی مفاهیم متغیرها، شرط‌ها، حلقه‌ها، لیست‌ها، دیکشنری، توابع و توابع داخلی.

تمرین عملی کوتاه و سریع که بتوانید مفاهیم را تثبیت کنید.


موفق باشید!


-

لیست و دسته‌بندی همه متدها و توابع مهم پایتون




# دسته‌بندی متدهای پایتون بر اساس نوع داده‌ها
types_to_check = {
"str (رشته)": str,
"list (لیست)": list,
"tuple (تاپل)": tuple,
"dict (دیکشنری)": dict,
"set (مجموعه)": set,
"int (عدد صحیح)": int,
"float (عدد اعشاری)": float,
"complex (عدد مختلط)": complex,
"bool (بولی)": bool,
}

print("📚 دسته‌بندی متدها و توابع در پایتون")
print("="*60)

for type_name, type_obj in types_to_check.items():
print(f"\n🔹 {type_name}")
print("-"*40)
methods = [m for m in dir(type_obj) if not m.startswith("_")]
for m in methods:
print(m)

لیست (کلیدواژه‌ها، استثناها، متدهای ویژه‌ی شی‌ءگرایی)


---

کد

import keyword
import builtins

print("📚 دایرةالمعارف پایتون")
print("="*60)

# 1. کلیدواژه‌ها
print("\n🔹 کلیدواژه‌های پایتون (Keywords):")
print("-"*40)
for kw in keyword.kwlist:
print(kw)

# 2. استثناها (Exceptions)
print("\n🔹 استثناها (Exceptions):")
print("-"*40)
exceptions = [name for name in dir(builtins)
if isinstance(getattr(builtins, name), type)
and issubclass(getattr(builtins, name), BaseException)]
for e in exceptions:
print(e)

# 3. متدهای ویژه (Magic / Dunder Methods)
print("\n🔹 متدهای ویژه (Magic Methods):")
print("-"*40)
magic_methods = [m for m in dir(object) if m.startswith("") and m.endswith("")]
for mm in magic_methods:
print(mm)


---
توضیح

Keywords → لیست همه کلیدواژه‌های رزرو شده پایتون مثل if, for, while, lambda, try …

Exceptions → لیست تمام خطاهای داخلی مثل ValueError, TypeError, ZeroDivisionError, KeyError …

Magic Methods → متدهای خاص پایتون که رفتار شی‌ها رو تعریف می‌کنن مثل init, str, add, len …

from turtle import *
import colorsys

speed(0)
bgcolor("black")
h = 0

penup()
goto(0, 0)
pendown()

for i in range(36):
penup()
goto(0, 0) # هر بار Turtle به مرکز بازمی‌گردد
pendown()

color = colorsys.hsv_to_rgb(h, 1, 1)
pencolor(color[0], color[1], color[2])

circle(150) # دایره بزرگ در مرکز
rt(10) # چرخش کلی برای مارپیچ
h += 0.03

done()

🔋 نمایش درصد شارژ و وضعیت باتری با پایتون



کد:

import psutil

# دریافت اطلاعات باتری
battery = psutil.sensors_battery()

if battery is not None:
print("Battery Percentage:", battery.percent, "%")
print("Power Plugged in:", battery.power_plugged)

# تبدیل ثانیه به ساعت:دقیقه:ثانیه
def convertTime(seconds):
minutes, seconds = divmod(seconds, 60)
hours, minutes = divmod(minutes, 60)
return "%d:%02d:%02d" % (hours, minutes, seconds)

print("Battery remaining time:", convertTime(battery.secsleft))
else:
print("No battery information available.")

📊 تحلیل همبستگی بازدهی سهام با پایتون




کد:

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

# لیست نمادهای سهام
tickers = ['AAPL', 'MSFT', 'GOOG', 'AMZN', 'META', 'TSLA', 'NVDA', 'JPM', 'V', 'DIS']

# تولید داده‌های تصادفی برای بازدهی روزانه
np.random.seed(42)
returns = pd.DataFrame(np.random.randn(100, len(tickers)), columns=tickers)

# محاسبه ماتریس همبستگی
correlation_matrix = returns.corr()

# ترسیم Heatmap
plt.figure(figsize=(14, 10))
sns.heatmap(correlation_matrix, annot=True, cmap="RdYlGn", center=0)
plt.title("Stock Return Correlation Heatmap")
plt.show()

📢 اطلاعیه برگزاری دوره مقدماتی پایتون

با سلام خدمت دانش‌آموزان گرامی و والدین محترم،

با توجه به استقبال خوب همشهریان عزیز از دوره‌های برنامه‌نویسی، به اطلاع می‌رسانیم که دوره مقدماتی پایتون برای آن دسته از عزیزانی که موفق به ثبت‌نام در نوبت قبل نشده بودند، به زودی آغاز خواهد شد.

🔹 زمان‌بندی دوره به گونه‌ای تنظیم شده است که کلاس‌ها تا پیش از آغاز سال تحصیلی (اول مهر) به پایان برسند.
🔹 در صورت تمایل به شرکت در این دوره، لطفاً هرچه سریع‌تر اطلاع دهید تا با تکمیل ظرفیت، کلاس‌ها از پایان همین هفته آغاز گردد.

با آرزوی موفقیت و پیشرفت برای همه دانش‌آموزان عزیز 🌱

🚀 دوره مقدماتی برنامه‌نویسی پایتون

با استقبال پرشور همشهریان عزیز، ثبت‌نام دوره جدید پایتون آغاز شد!
اگر به دنیای برنامه‌نویسی و هوش مصنوعی علاقه‌مندید، این فرصت ویژه را از دست ندهید.

🐍 چرا پایتون؟

ساده، خوانا و قدرتمند برای انواع پروژه‌ها

پایه اصلی هوش مصنوعی، یادگیری ماشین و علم داده

کاربرد در توسعه وب، اتوماسیون، رباتیک و پژوهش‌های علمی


🎯 مزایای یادگیری پایتون:

سرمایه‌گذاری بلندمدت روی آینده شغلی و علمی

دروازه ورود به دنیای فناوری‌های نوین


👨‍🏫 مدرس دوره: یاسر محمودیان – کارشناس ارشد کامپیوتر مدرس برنامه‌نویسی و هوش مصنوعی

🎓 مخاطبان: دانش‌آموزان، دانشجویان و علاقه‌مندان به برنامه‌نویسی (بدون نیاز به پیش‌زمینه)

📅 زمان‌بندی: کلاس‌ها تا قبل از آغاز سال تحصیلی (اول مهر)

📌 ثبت‌نام و اطلاعات بیشتر:

تلگرام و روبیکا: @PyPlus_Admin

ایتا: @learns_py

اینستاگرام: instagram.com/learns.py


✨ ظرفیت محدود، شروع کلاس‌ها از پایان همین هفته ✅

#خراسان‌_رضوی
#درگز
#کانون_فرهنگی_ورزشی_شهید_صیاد_شیرازی_بسیج_درگز
https://eitaa.com/saiad_shiirazi