arr + 1 # اضافه کردن 1 به تمام عناصر arr * 2 # ضرب عناصر
تفاوت بین DataFrame و Series در Pandas چیست؟
Series یک ستون است، DataFrame چندین ستون
چگونه می‌توان داده‌ها را در Pandas خواند و نوشت؟
import pandas as pd df = pd.read_csv("data.csv") df.to_csv("out.csv", index=False)
چگونه می‌توان ستون‌های یک DataFrame را انتخاب کرد؟
df['column_name'] df[['col1','col2']]
روش‌های فیلتر کردن داده‌ها در Pandas چیست؟
df[df['age'] > 30]
چگونه داده‌های گمشده (NaN) را مدیریت کنیم؟
df.dropna() df.fillna(0)
روش‌های ادغام (merge/join) DataFrameها چیست؟
pd.merge(df1, df2, on='id', how='inner')
تفاوت بین Matplotlib و Seaborn چیست؟
Matplotlib پایه‌ای، Seaborn ساده‌تر و زیباتر برای نمودارهای آماری
چگونه یک نمودار خطی ساده در Matplotlib رسم می‌کنیم؟
import matplotlib.pyplot as plt plt.plot([1,2,3], [4,5,6]) plt.show()
چگونه می‌توان یک نمودار هیستوگرام رسم کرد؟
plt.hist([1,2,2,3,3,3]) plt.show()
روش‌های سفارشی‌سازی نمودار در Matplotlib چیست؟
عنوان، رنگ، لیبل محور، سبک خط، اندازه figure
چگونه می‌توان با Seaborn نمودارهای پیچیده رسم کرد؟
import seaborn as sns sns.boxplot(x='category', y='value', data=df)
تفاوت بین plot, scatter و bar chart چیست؟
plot: خطی، scatter: نقاط، bar: میله‌ای

سوال بعدی را شامل یادگیری ماشین، شبکه‌های عصبی و مباحث پیشرفته AI همراه با پاسخ .


---

۴. یادگیری ماشین پایه (۲۰ سوال با جواب)

51. تفاوت بین یادگیری نظارت‌شده (Supervised) و بدون نظارت (Unsupervised) چیست؟



Supervised: داده‌ها برچسب دارند، مدل یاد می‌گیرد.

Unsupervised: داده‌ها بدون برچسب، مدل الگوها را پیدا می‌کند.


52. Linear Regression چیست و چه کاربردی دارد؟



مدل پیش‌بینی مقدار عددی با خط مستقیم برای کمینه کردن خطای میانگین مربعات (MSE).


53. Logistic Regression برای چه نوع مسأله‌ای استفاده می‌شود؟



برای دسته‌بندی دودویی (Binary Classification).


54. K-Nearest Neighbors (KNN) چگونه کار می‌کند؟



با بررسی نزدیک‌ترین k نمونه به نمونه جدید، کلاس آن را پیش‌بینی می‌کند.


55. Decision Tree چیست؟



مدل سلسله‌مراتبی تصمیم‌گیری که بر اساس ویژگی‌ها تقسیم می‌شود.


56. Random Forest چیست و چرا بهتر از Decision Tree است؟



مجموعه‌ای از درخت‌های تصمیم، خطای overfitting کمتر و دقت بیشتر.


57. Support Vector Machine (SVM) چه کاری انجام می‌دهد؟



خط یا صفحه‌ای پیدا می‌کند که دو کلاس را با بیشترین حاشیه جدا کند.


58. K-Means چیست؟



الگوریتم خوشه‌بندی بدون نظارت که داده‌ها را به k خوشه تقسیم می‌کند.


59. چگونه داده‌های متنی را برای مدل‌های ML آماده می‌کنیم؟



تبدیل به اعداد با روش‌هایی مثل TF-IDF، CountVectorizer، یا Embedding.


60. چگونه داده‌های عددی را استاندارد یا نرمال می‌کنیم؟



StandardScaler (میانگین صفر و واریانس یک) یا MinMaxScaler (۰ تا ۱).


61. Overfitting چیست و چگونه جلوگیری می‌کنیم؟



مدل بیش‌ازحد به داده‌های آموزش چسبیده، با Regularization، Cross-validation، Dropout جلوگیری می‌کنیم.


62. Cross-validation چیست؟



داده‌ها به چند بخش تقسیم می‌شوند، مدل چند بار آموزش و تست می‌شود تا دقت واقعی مشخص شود.


63. Precision و Recall چیست؟



Precision: درصد پیش‌بینی‌های درست مثبت نسبت به کل پیش‌بینی مثبت.

Recall: درصد پیش‌بینی‌های درست مثبت نسبت به کل نمونه‌های مثبت واقعی.


64. F1-score چیست؟



میانگین هارمونیک Precision و Recall.


65. Confusion Matrix چیست؟



جدول مقایسه پیش‌بینی مدل و داده واقعی شامل TP, TN, FP, FN.


66. Feature Selection چیست؟



انتخاب ویژگی‌های مهم برای کاهش پیچیدگی و افزایش دقت.


67. Feature Engineering چیست؟



ساخت ویژگی‌های جدید یا تغییر داده‌ها برای بهبود مدل.


68. Grid Search و Random Search چه کاری انجام می‌دهند؟



بهینه‌سازی هایپرپارامترهای مدل.


69. Regularization چیست و انواع آن کدام است؟



کاهش Overfitting با اضافه کردن جریمه به ضرر: L1 (Lasso)، L2 (Ridge).


70. ROC Curve چیست و چه کاربردی دارد؟



نمایش trade-off بین True Positive Rate و False Positive Rate برای ارزیابی مدل دسته‌بندی.



---

۵. شبکه‌های عصبی و Deep Learning (۱۵ سوال با جواب)

71. شبکه عصبی مصنوعی (ANN) چیست؟



مدل الهام‌گرفته از مغز، شامل لایه‌های ورودی، پنهان و خروجی با نورون‌ها.


72. Activation Function چیست؟



توابعی که خروجی نورون را غیرخطی می‌کنند، مثل ReLU، Sigmoid، Tanh.


73. Loss Function چیست؟



تابعی که خطای پیش‌بینی مدل را اندازه می‌گیرد، مثل MSE، Cross-Entropy.


74. Optimizer چیست و چه کاری انجام می‌دهد؟



الگوریتم به‌روزرسانی وزن‌ها برای کمینه کردن خطا، مثل SGD، Adam.


75. Feedforward Neural Network چیست؟



شبکه‌ای که اطلاعات فقط به جلو (input→output) حرکت می‌کنند، بدون حلقه.


76. Backpropagation چیست؟



الگوریتم محاسبه گرادیان برای به‌روزرسانی وزن‌ها با استفاده از زنجیره مشتق.


77. Convolutional Neural Network (CNN) برای چه کاربردی است؟



پردازش تصویر، تشخیص اشیا و ویژگی‌های محلی تصویر.


78. Pool Layer در CNN چه کاری انجام می‌دهد؟



کاهش ابعاد داده‌ها و نگه داشتن ویژگی‌های مهم (MaxPooling, AvgPooling).


79. Recurrent Neural Network (RNN) چه کاربردی دارد؟



پردازش داده‌های دنباله‌ای مثل متن یا سری‌های زمانی.


80. LSTM چیست و چرا بهتر از RNN ساده است؟



Long Short-Term Memory، مشکل vanishing gradient را حل می‌کند.


81. Dropout چیست و چرا استفاده می‌شود؟



غیرفعال کردن تصادفی نورون‌ها در آموزش برای کاهش Overfitting.


82. Batch Normalization چیست؟



نرمال‌سازی لایه‌ها برای آموزش سریع‌تر و پایدارتر.


83. Epoch و Batch چیست؟



Epoch: کل داده‌ها یکبار آموزش داده می‌شوند، Batch: بخش کوچکی از داده‌ها برای یک قدم آموزش.


84. Transfer Learning چیست؟



استفاده از مدل آموزش دیده برای کار جدید با داده کمتر.


85. Early Stopping چیست؟

توقف آموزش وقتی مدل روی داده اعتبارسنجی بهتر نمی‌شود تا Overfitting جلوگیری شود.



---

۶. ارزیابی مدل و بهینه‌سازی (۱۰ سوال با جواب)

86. Accuracy چیست؟



نسبت پیش‌بینی‌های درست به کل پیش‌بینی‌ها.


87. Precision و Recall چه کاربردی در تشخیص بیماری دارند؟



Precision: درصد بیمارانی که درست تشخیص داده شده‌اند،

Recall: درصد واقعی بیماران که مدل شناسایی کرده.


88. Cross-validation چه مزیتی دارد؟



ارزیابی دقیق‌تر مدل و کاهش وابستگی به تقسیم داده.


89. Overfitting و Underfitting چه تفاوتی دارند؟



Overfitting: آموزش زیاد، تست ضعیف،

Underfitting: مدل ساده، آموزش و تست ضعیف.


90. Grid Search برای چه استفاده می‌شود؟



پیدا کردن بهترین هایپرپارامترها.


91. Random Search چیست؟



تست تصادفی ترکیبات مختلف هایپرپارامتر.


92. Learning Rate چیست؟



سرعت تغییر وزن‌ها در هر قدم آموزش.


93. Confusion Matrix شامل چه مواردی است؟



True Positive, True Negative, False Positive, False Negative.


94. ROC-AUC چیست؟



مساحت زیر منحنی ROC برای ارزیابی مدل دسته‌بندی.


95. Bias و Variance چیست؟



Bias: خطای مدل ساده، Variance: حساسیت به داده‌ها



---

۷. مباحث پیشرفته AI (۵ سوال با جواب)

96. Reinforcement Learning چیست؟



یادگیری با پاداش و مجازات برای گرفتن بهترین تصمیم در محیط.


97. Q-Learning چیست؟



الگوریتم RL برای یادگیری بهترین عمل در هر حالت بدون مدل محیط.


98. Transfer Learning چه مزیتی دارد؟



کاهش زمان آموزش و داده مورد نیاز با استفاده از مدل از قبل آموزش دیده.


99. NLP (پردازش زبان طبیعی) چیست؟



پردازش و تحلیل متن و زبان با کامپیوتر.


100. Word Embedding چیست؟



تبدیل کلمات به بردارهای عددی که شباهت معنایی را حفظ می‌کنند، مثل Word2Vec یا GloVe.



-

چرا یادگیری پایتون و هوش مصنوعی در دنیای امروز ضروری است؟

در دنیای امروز، آشنایی با زبان‌های برنامه‌نویسی به یک مهارت پایه تبدیل شده است؛ همان‌طور که دانستن زبان انگلیسی در گذشته، مسیر رشد و پیشرفت بسیاری از افراد را هموار کرد، امروز نیز یادگیری زبان‌هایی مانند پایتون، نقش کلیدی در موفقیت شغلی و علمی ایفا می‌کند.




🐍 پایتون چیست و چرا اهمیت دارد؟

پایتون یکی از محبوب‌ترین زبان‌های برنامه‌نویسی در جهان است.
سادگی سینتکس، خوانایی بالا و قدرت گسترده در توسعه انواع پروژه‌ها، این زبان را به انتخابی عالی برای مبتدیان و حرفه‌ای‌ها تبدیل کرده است.

پشت این سادگی، قدرتی بزرگ نهفته است؛ چرا که پایتون، ابزار اصلی بسیاری از حوزه‌های نوین فناوری است، از جمله:

🔹 هوش مصنوعی و یادگیری ماشین
🔹 علم داده (Data Science) و تحلیل اطلاعات
🔹 توسعه وب (Back-end Development)
🔹 اتوماسیون، رباتیک و برنامه‌نویسی سیستم
🔹 پژوهش‌های دانشگاهی و پروژه‌های بین‌المللی



🎯 یادگیری پایتون، دروازه‌ای است به دنیای آینده

با توجه به سرعت رشد فناوری و نیاز بازار کار به نیروهای متخصص در زمینه‌های داده‌محور و هوش مصنوعی، یادگیری پایتون نه‌تنها یک انتخاب هوشمندانه، بلکه یک سرمایه‌گذاری بلندمدت روی آینده شغلی شماست.



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

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

📚 دوره‌ها به صورت:
✅ خصوصی، نیمه‌خصوصی، کارگاه و وبینار
✅ قابل برگزاری برای مدارس، دانشگاه‌ها، مؤسسات و سازمان‌ها




📲 جهت ثبت‌نام و دریافت اطلاعات بیشتر با ما در ارتباط باشید:

🔹 تلگرام و روبیکا: @PyPlus_Admin
🔹 ایتا: @learns_py
🔹 اینستاگرام: instagram.com/learns.py

🌺دوستان عزیزی که تمایل دارند به دوره ملحق شوند، در صورتی که بتوانند جلسات برگزارشده‌ی قبلی را جبران کرده و با روند کلاس هماهنگ شوند، امکان شرکت در دوره برایشان فراهم است.

from turtle import *
from colorsys import *

pensize(4)
bgcolor('black')
tracer(20)
h = 0

for i in range(240):
c = hsv_to_rgb(h, 1, 1)
h += 0.005
color(c)
fillcolor('black')
begin_fill()
fd(i / 2)
rt(30)
fd(i)
rt(120)
rt(1020013)
end_fill()

done()

🚦 چراغ راهنمایی خودکار + کنترل دستی (با Turtle)

import turtle
import time

# تنظیم پنجره
win = turtle.Screen()
win.title("چراغ راهنمایی (خودکار + دستی)")
win.bgcolor("white")

# طراحی بدنه چراغ
box = turtle.Turtle()
box.penup()
box.goto(-40, 100)
box.pendown()
box.color("black", "gray")
box.begin_fill()
for _ in range(2):
    box.forward(80)
    box.right(90)
    box.forward(240)
    box.right(90)
box.end_fill()
box.hideturtle()

# تابع ساخت چراغ
def create_light(position):
    light = turtle.Turtle()
    light.shape("circle")
    light.color("black")
    light.penup()
    light.goto(0, position)
    light.shapesize(3)
    return light

# ساخت سه چراغ
red_light = create_light(80)
yellow_light = create_light(0)
green_light = create_light(-80)

# روشن و خاموش کردن چراغ‌ها
def turn_on(light, color):
    red_light.color("black")
    yellow_light.color("black")
    green_light.color("black")
    light.color(color)

# حالت خودکار
def auto_mode():
    while True:
        turn_on(red_light, "red")
        time.sleep(2)

        turn_on(yellow_light, "yellow")
        time.sleep(1)

        turn_on(green_light, "green")
        time.sleep(2)

# حالت دستی با کیبورد
win.listen()
win.onkey(lambda: turn_on(red_light, "red"), "r")
win.onkey(lambda: turn_on(yellow_light, "yellow"), "y")
win.onkey(lambda: turn_on(green_light, "green"), "g")

# اجرای خودکار در یک حلقه جداگانه
import threading
threading.Thread(target=auto_mode, daemon=True).start()

# اجرای برنامه
turtle.done()

📢 اطلاعیه

سلام به دوستان عزیز 🌹

🔸 لطفاً دوستانی که هنوز مدارک خود را تحویل آقای کفاشان نداده‌اند، حتماً تا فردا اقدام کنند.

🔸 با توجه به درخواست‌های زیاد برای برگزاری دوره‌های مجازی پایتون، فعلاً برنامه‌ی ما برگزاری کلاس‌های حضوری و همچنین آماده‌سازی برای مسابقات هست.
پس از پایان این مرحله، تمرکز ما بر روی تهیه و برنامه‌ریزی دوره‌های مقدماتی و متوسطه پایتون خواهد بود.

📌 جزئیات و زمان ثبت‌نام دوره‌ها به‌زودی اطلاع‌رسانی خواهد شد. 🙏✨

💡 چطور با هوش مصنوعی پول دربیاریم؟ 💰




روش اول: خودش برات درآمد می‌سازه
تولید محتوا
ترجمه و بازنویسی
گویندگی و دوبله
طراحی سریع
فروش محصولات دیجیتال




روش دوم: کسب‌وکارت رو تقویت می‌کنه
🚀 تحلیل بازار و تصمیم‌گیری
🤖 اتوماسیون خدمات مشتری
🎨 طراحی و مارکتینگ حرفه‌ای‌تر
📊 تحلیل داده‌های فروش
📑 آماده‌سازی پروپوزال و قرارداد




راز موفقیت با AI
✔️ یک خدمت مشخص انتخاب کن
✔️ نمونه کار جذاب بساز
✔️ قیمت شفاف بده
✔️ سریع تحویل بده






🔥 الان وقتشه!
از هوش مصنوعی به نفع خودت استفاده کن و درآمدتو بیشتر کن.

🐍 آموزش پایتون – بلوک (Block) چیه؟

اگه تازه با پایتون شروع کردی حتماً دیدی که بعضی خط‌ها جلوتر نوشته می‌شن (تورفتگی یا Indent).
این دقیقاً همون چیزیه که بهش می‌گیم بلوک.



✨ بلوک یعنی چی؟

🔹 بلوک = مجموعه‌ای از دستوراته که با هم اجرا می‌شن.
🔹 شروع بلوک همیشه بعد از : هست (مثل if:، for:، while:، def:).
🔹 دستورات داخل بلوک باید تورفتگی یکسان داشته باشن (معمولاً ۴ فاصله).




مثال ۱ – شرط if

x = 5

if x > 0: # شروع بلوک if
print("مثبت است")
print("بزرگتر از صفر")

print("تمام شد") # خارج از بلوک

✅ دو خط داخل if بلوک هستن.
⛔ خط آخر چون تورفتگی نداره → جزو بلوک نیست.



مثال ۲ – حلقه for

for i in range(3): # شروع بلوک for
print("i =", i)
if i == 1: # بلوک if داخل for
print("یعنی یک شد")
print("داخل حلقه")

print("بیرون حلقه") # خارج از بلوک



مثال ۳ – تابع

def salam(): # شروع بلوک تابع
print("سلام")
print("خوش اومدی")

salam()




⚠️ نکات خیلی مهم

1️⃣ تعداد فاصله‌ها باید همیشه یکسان باشه.
2️⃣ از ترکیب tab و space استفاده نکن → خطا می‌گیری.
3️⃣ پایتون بدون تورفتگی درست اجرا نمی‌شه → پس دقت کن.




✅ خلاصه:
بلوک در پایتون = دستورات با تورفتگی یکسان بعد از :
وقتی تورفتگی تموم شد → بلوک هم تموم شده.

خلاصه دسته‌بندی "تصورات اشتباه و واقعیت‌های هوش مصنوعی"

❌ تصورات اشتباه:

1. باید هزینه دلاری کنم → ✅ ابزارهای رایگان زیادی هست.


2. باید زبان انگلیسی قوی بلد باشم → ✅ فارسی هم به‌خوبی پشتیبانی میشه.


3. باید تخصص کامپیوتر داشته باشم → ✅ فقط با نوشتن یا گفتن دستور کار می‌کنه.


4. توی ایران کار نمی‌کنه → ✅ با ابزارهای ساده میشه تحریم‌ها رو دور زد.





👥 دسته‌های مخاطبان:

🔸 دسته اول: هنوز استفاده نکردن

هوش مصنوعی مثل اینترنت اوایلشه:

امروز یاد بگیری → چند برابر سریع‌تر و بهتر عمل می‌کنی.

یاد نگیری → عقب می‌مونی.


🔸 دسته دوم: فقط کمی تست کردن

چند بار امتحان کردی، ولی جدی واردش نشدی.

شبیه کسی هستی که ماشین داره، اما فقط دور پارکینگ رانندگی می‌کنه! 🚗

پیشنهاد: همین امروز یکی از ابزارها رو در کار روزمره‌ات وارد کن (نوشتن، تحلیل، یادگیری...).

تجربه عملی، مسیر یادگیری رو خیلی سریع‌تر می‌کنه.


🔸 دسته سوم: در حال استفاده هستن

شروع کردی؟ عالیه! ولی یادت باشه:

یادگیری یک سفر بی‌پایانه.

ابزارها و مدل‌ها هر روز تغییر می‌کنن.

کسی که امروز یاد می‌گیره و فردا رها می‌کنه، عقب می‌مونه.



نتیجه:
یادگیری و به‌کارگیری مداوم هوش مصنوعی = کلید موفقیت آینده

🐍 انواع توابع در پایتون

🔹 ۱. توابع داخلی (Built-in Functions)

توابعی که از قبل در پایتون آماده‌اند و فقط کافی است آن‌ها را صدا بزنیم:

print(len([1, 2, 3])) # خروجی: 3


---

🔹 ۲. توابع تعریف‌شده توسط کاربر (UDF: User Defined Function)

توابعی که خودمان تعریف می‌کنیم:

def my_function():
print("این یک تابع تعریف‌شده توسط کاربر است")


---

🔹 ۳. توابع بازگشتی (Recursive Functions)

تابعی که خودش را صدا می‌زند:

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

print(factorial(5)) # خروجی: 120


---

🔹 ۴. ورودی پیش‌فرض در توابع (Default Arguments)

وقتی برای پارامتر مقدار پیش‌فرض مشخص می‌کنیم:

def greet(name="Guest"):
print("Hello", name)

greet("Omid") # خروجی: Hello Omid
greet() # خروجی: Hello Guest


---

🔹 ۵. تمرین: تابعی که عدد بزرگ‌تر را برگرداند

def bigger(a, b):
if a > b:
return a
else:
return b

print(bigger(15, 9)) # خروجی: 15


---