🎯 تبدیل تاریخ میلادی به شمسی و نمایش حرفه‌ای در پایتون


در این پست، یاد می‌گیریم چطور تاریخ میلادی را به تاریخ شمسی (هجری شمسی) تبدیل کنیم و به فرمت دلخواه نمایش دهیم

نصب کتابخانه
pip install jdatetime

کد کامل:
import datetime
import jdatetime

# دریافت تاریخ میلادی فعلی
today_gregorian = datetime.datetime.now()

# تبدیل به تاریخ شمسی
today_jalali = jdatetime.datetime.fromgregorian(datetime=today_gregorian)

# نمایش تاریخ به فرمت سفارشی
formatted_date = today_jalali.strftime("%Y/%m/%d - %A")

print("📅 تاریخ امروز (شمسی):", formatted_date)

#هوش_مصنوعی
#یادگیری_ماشین
#یادگیری_عمیق
#پایتون
#خلاقیت
#نوآوری
#ایده
#برنامه_نویسی
#تحلیل_داده
#علم_داده
#الگوریتم
#شبکه_های_عصبی
#ArtificialIntelligence
#MachineLearning
#DeepLearning
#PythonProgramming
#Creativity
#AIResearch
#DataScience
#NeuralNetworks
#TechInnovation
#DigitalTransformation
#FutureOfAI
#AIandML

🧠 ۳۰ کتابخانه کاربردی پایتون با مثال‌های ساده




1️⃣ NumPy – محاسبات عددی سریع و علمی

import numpy as np
arr = np.array([1, 2, 3])
print(arr.sum())




2️⃣ Pandas – تحلیل و مدیریت داده‌ها

import pandas as pd
df = pd.DataFrame({'نام': ['علی','سارا'], 'نمره':[18,20]})
print(df)



3️⃣ Matplotlib – ترسیم نمودارهای علمی

import matplotlib.pyplot as plt
plt.plot([1,2,3],[2,4,6])
plt.show()




4️⃣ Seaborn – گراف‌های آماری زیبا

import seaborn as sns
sns.lineplot(x=[1,2,3], y=[3,5,7])




5️⃣ OpenCV – پردازش تصویر و بینایی ماشین

import cv2
img = cv2.imread("photo.jpg", 0)
cv2.imshow("Gray", img)
cv2.waitKey(0)




6️⃣ Pillow (PIL) – ویرایش تصویر ساده

from PIL import Image
img = Image.open("photo.jpg")
img.rotate(45).save("rotated.jpg")




7️⃣ Requests – دریافت داده از اینترنت

import requests
res = requests.get("https://api.github.com")
print(res.status_code)




8️⃣ JSON – کار با داده‌های وب

import json
data = {"name": "Ali", "score": 19}
print(json.dumps(data, ensure_ascii=False))




9️⃣ os – مدیریت فایل‌ها و مسیرها

import os
print(os.listdir())




🔟 shutil – کپی و انتقال فایل‌ها

import shutil
shutil.copy("data.txt", "backup.txt")




1️⃣1️⃣ pathlib – مسیرهای مدرن فایل

from pathlib import Path
print(Path("example.txt").exists())




1️⃣2️⃣ re – جست‌وجو در متن با الگو

import re
txt = "Email: test@mail.com"
print(re.findall(r'\S+@\S+', txt))




1️⃣3️⃣ datetime – کار با تاریخ و زمان

from datetime import datetime
print(datetime.now())




1️⃣4️⃣ random – تولید داده‌های تصادفی

import random
print(random.choice(['🍎','🍌','🍉']))




1️⃣5️⃣ Tkinter – رابط کاربری گرافیکی ساده

import tkinter as tk
tk.Label(tk.Tk(), text="سلام!").pack()
tk.mainloop()



1️⃣6️⃣ customtkinter – رابط مدرن پایتون

import customtkinter as ctk
app = ctk.CTk()
ctk.CTkButton(app, text="شروع").pack(pady=10)
app.mainloop()




1️⃣7️⃣ Pygame – ساخت بازی‌های ساده

import pygame
pygame.init()
pygame.display.set_mode((300,300))
pygame.display.set_caption("بازی پایتون")
pygame.time.wait(2000)
pygame.quit()




1️⃣8️⃣ python-docx – ساخت فایل Word

from docx import Document
doc = Document()
doc.add_paragraph("گزارش پایتون")
doc.save("report.docx")




1️⃣9️⃣ openpyxl – کار با فایل Excel

from openpyxl import Workbook
wb = Workbook()
wb.active["A1"] = "Python"
wb.save("data.xlsx")




2️⃣0️⃣ PyPDF2 – خواندن PDF

from PyPDF2 import PdfReader
reader = PdfReader("file.pdf")
print(reader.pages[0].extract_text())




2️⃣1️⃣ Scikit-learn – یادگیری ماشین کلاسیک

from sklearn.linear_model import LinearRegression
model = LinearRegression().fit([[1],[2],[3]], [2,4,6])
print(model.predict([[4]]))




2️⃣2️⃣ TensorFlow – یادگیری عمیق گوگل

import tensorflow as tf
x = tf.constant([1, 2, 3])
print(tf.reduce_sum(x))




2️⃣3️⃣ PyTorch – چارچوب محبوب هوش مصنوعی

import torch
x = torch.tensor([1., 2., 3.])
print(x.mean())




2️⃣4️⃣ Keras – ساخت مدل‌های عصبی ساده

from keras.models import Sequential
from keras.layers import Dense
model = Sequential([Dense(5, input_shape=(3,))])




2️⃣5️⃣ FastAI – یادگیری سریع با PyTorch

from fastai.vision.all import *
print("FastAI آماده است!")




2️⃣6️⃣ XGBoost – الگوریتم‌های بوستینگ سریع

import xgboost as xgb
print("XGBoost فعال شد!")




2️⃣7️⃣ LightGBM – یادگیری ماشین بهینه از مایکروسافت

import lightgbm as lgb
print("LightGBM آماده است!")




2️⃣8️⃣ Hugging Face Transformers – مدل‌های زبان بزرگ

from transformers import pipeline
nlp = pipeline("sentiment-analysis")
print(nlp("Python is amazing!"))



2️⃣9️⃣ NLTK – ابزار کلاسیک پردازش زبان طبیعی

import nltk
nltk.download('punkt')
print(nltk.word_tokenize("سلام پایتون!"))




3️⃣0️⃣ Gensim – مدل‌سازی معنایی و Word2Vec

from gensim.models import Word2Vec
print("Gensim آماده تحلیل متن است!")


📢 ۳۰ کتابخانه طلایی پایتون برای مسیر حرفه‌ای شما!
از داده‌کاوی و بازی‌سازی تا هوش مصنوعی و پردازش تصویر —
با این کتابخانه‌ها یاد می‌گیری چگونه هر ایده‌ای را به کد تبدیل کنی 💡🐍

💻 تمرین کن، اجرا کن و خلاقیتت رو بساز!
#Python #پایتون #برنامه‌نویسی #هوش_مصنوعی #یادگیری_ماشین #AI #DataScience

Python برای همه چیز!
اگه فکر می‌کنی پایتون فقط برای علم داده‌ست، وقتشه دوباره فکر کنی!
از ساخت بازی تا طراحی وب، از یادگیری عمیق تا اتوماسیون مرورگر — پایتون با کتابخانه‌های قدرتمندش همه‌جا هست.
👇 لیست کامل کاربردها رو ببین و توی کامنت بگو کدومش رو بیشتر دوست داری یا باهاش کار کردی!

#Python #AI #MachineLearning #WebDev #DataScience #Automation #OpenCV #FastAPI #Django #Flask #پایتون #برنامه‌نویسی

شرکت در مسابقات برنامه‌نویسی پایتون (یا هر مسابقه‌ی الگوریتمی و کدنویسی) می‌تواند نقش بسیار مهمی در رشد مهارت‌های فردی و حرفه‌ای شما داشته باشد. اهمیت این مسابقات را می‌توان از چند جنبه بررسی کرد:

۱. تقویت مهارت‌های حل مسئله

مسابقات شما را مجبور می‌کنند مسائل پیچیده را در زمانی محدود حل کنید.

این تمرین مداوم باعث می‌شود ذهن شما ساختاریافته‌تر، سریع‌تر و خلاق‌تر فکر کند.


۲. یادگیری عمیق‌تر پایتون

برای رقابت باید از قابلیت‌های زبان پایتون، کتابخانه‌ها و بهترین روش‌ها (best practices) به درستی استفاده کنید.

در این مسیر به سینتکس، الگوریتم‌ها و ترفندهای کاربردی مسلط‌تر می‌شوید.


۳. افزایش سرعت و دقت

محدودیت زمانی مسابقات کمک می‌کند که مهارت شما در نوشتن کد کارا، تمیز و سریع به‌طور چشمگیری افزایش یابد.


۴. شناخت الگوریتم‌ها و ساختار داده‌ها

بسیاری از چالش‌ها بر پایه‌ی الگوریتم‌ها و ساختمان داده‌ها هستند.

این موضوع باعث می‌شود دانش نظری و عملی شما در این حوزه‌ها عمیق‌تر شود.


۵. فرصت‌های شغلی بهتر

شرکت‌ها (به‌ویژه حوزه‌های تکنولوژی) به مهارت در حل مسئله و الگوریتم‌نویسی اهمیت زیادی می‌دهند.

شرکت در مسابقات و کسب رتبه می‌تواند رزومه شما را تقویت کند و حتی باعث جذب مستقیم در برخی شرکت‌ها شود.


۶. افزایش اعتمادبه‌نفس

حل چالش‌ها و مشاهده‌ی پیشرفت، باعث افزایش اعتمادبه‌نفس و انگیزه می‌شود.


۷. ارتباط با جامعه‌ی برنامه‌نویسان

با شرکت در مسابقات آنلاین یا حضوری، با افراد علاقه‌مند دیگر آشنا می‌شوید.

این ارتباطات می‌تواند به یادگیری، همکاری و حتی فرصت‌های شغلی منجر شود.


۸. آمادگی برای مصاحبه‌های فنی

بسیاری از سوالات مصاحبه‌های فنی شبیه چالش‌های مسابقات هستند.

تمرین این مسائل بهترین آمادگی برای ورود به بازار کار است.


#برنامه‌نویسی #پایتون #کدنویسی #هوش_مصنوعی #یادگیری_ماشین #یادگیری_عمیق
#شبکه_های_عصبی #الگوریتم #آموزش #آموزش_پایتون #آموزش_هوش_مصنوعی
#تدریس_پایتون #تدریس_هوش_مصنوعی #مدرس_پایتون #مدرس_هوش_مصنوعی
#کلاس_پایتون #کلاس_هوش_مصنوعی #پایتون_کاربردی #هوش_مصنوعی_کاربردی
#طراحی #بازی‌سازی #چالش_برنامه_نویسی #تمرین_برنامه‌نویسی #ایده #ایده‌های_خلاقانه
#خلاقیت #مسابقات_برنامه_نویسی #جشنواره #افتخارآفرینی #برتر #نخبه
#دانش‌آموزان #دانشجویان #علاقمندان #مهارت_آموزی #ارتقای_مهارت
#محمودیان #درگز #مشهد #پروژه_پایتون #پروژه_هوش_مصنوعی
#آموزشگاه_مجازی #دوره_آنلاین #از_مبتدی_تا_پیشرفته #کدنویسی_خلاقانه
#Python #Coding #Programming #PythonDeveloper
#MachineLearning #DeepLearning #AI #ArtificialIntelligence
#NeuralNetworks #PythonCoding #CodeLife #TechSkills
#AIDeveloper #DataScience #LearnPython

راهنمای سریع داده در پایتون

#پایتون
#برنامه_نویسی
#کدنویسی
#تحلیل_داده
#علم_داده
#هوش_مصنوعی
#یادگیری_ماشین
#آموزش_پایتون
#پایتون_محمودیان
#داده_کاوی
#python
#PythonProgramming
#DataScience
#MachineLearning
#AI
حتماً ذخیره کنید ⭐
و اگر براتون مفید و دوست‌داشتنی بود، با به‌اشتراک‌گذاری و حمایتتون دلگرممون کنید 🙌💙

🚀 ایده‌ات را کدنویسی کن
دوستان عزیز 👩‍💻👨‍💻
هر ایده‌ای که دارید را در قالب یک برنامه‌ی پایتونی پیاده‌سازی کنید و ارسال کنید.
در این چالش خلاقیت و ایده از سختی کد مهم‌تر است.
📌 شرایط:
زبان برنامه‌نویسی: Python 🐍
موضوع آزاد
کد ساده هم قابل قبول است
توضیح کوتاه درباره ایده (متنی یا گفتاری)
🏆 به ایده‌های خلاقانه امتیاز ویژه داده می‌شود.
منتظر ایده‌های جذاب شما هستیم ✨


#پایتون
#هوش_مصنوعی
#برنامه_نویسی
#کدنویسی
#چالش_برنامه_نویسی
#ایده_خلاقانه
#خلاقیت
#فناوری
#توسعه_نرم_افزار
#دانشجو
#محمودیان
#درگز
#استارتاپ
#Python
#AI
#Programming
#Coding
#MachineLearning
#DataScience
#Tech

تعریف ۱ – مجموعه (Set):
مجموعه در پایتون یک ساختار داده نامرتب، یکتا و تغییرپذیر است که برای ذخیره‌سازی عناصر بدون تکرار و انجام عملیات ریاضی مجموعه‌ای مانند اجتماع، اشتراک و تفاوت به‌کار می‌رود.
تعریف ۲ – مجموعه خالی:
مجموعه‌ای که هیچ عنصری ندارد با set() ایجاد می‌شود. توجه داشته باشید که {} یک دیکشنری خالی است و نمی‌تواند به‌عنوان مجموعه خالی استفاده شود.
تعریف ۳ – عملیات پایه:
مجموعه‌ها از روش‌هایی مانند add(), update(), remove(), discard(), pop(), clear() برای افزودن، حذف یا خالی کردن عناصر پشتیبانی می‌کنند و عضویت با in یا not in بررسی می‌شود.
تعریف ۴ – عملیات ریاضی مجموعه‌ای:
مجموعه‌ها می‌توانند با عملگرها یا متدهای داخلی عملیات زیر را انجام دهند:
اجتماع (Union): A | B یا A.union(B)
اشتراک (Intersection): A & B یا A.intersection(B)
تفاوت (Difference): A - B یا A.difference(B)
تفاوت متقارن (Symmetric Difference): A ^ B یا A.symmetric_difference(B)
تعریف ۵ – زیرمجموعه و فوق‌مجموعه:
زیرمجموعه: A.issubset(B) یا A <= B
فوق‌مجموعه: B.issuperset(A) یا B >= A
مجموعه‌های مجزا: A.isdisjoint(B)
تعریف ۶ – Set Comprehension:
ساخت مجموعه جدید با شرایط مشخص:

{x for x in iterable if شرط}
تعریف ۷ – Frozen Set:
نوعی مجموعه ثابت (immutable) که نمی‌توان عناصر آن را تغییر داد و می‌تواند به‌عنوان کلید دیکشنری استفاده شود، ولی عملیات ریاضی مجموعه‌ای روی آن مجاز است.

#Python #پایتون #AI #هوش_مصنوعی #MachineLearning #یادگیری_ماشین #DeepLearning #یادگیری_عمیق #Coding #برنامه_نویسی #DataScience #علم_داده #PythonProgramming #برنامه_نویسی_پایتون #TechEducation #برنامه_نویسی_پیشرفته #ArtificialIntelligence #هوش_مصنوعی_پیشرفته #CodeLearning #کدنویسی

📌 راهنمای سریع تفاوت‌های None، NaN، Null و صفر (0)

در برنامه‌نویسی و علم داده، هر کدام از این مقادیر «خالی» معنا و کاربرد خاصی دارند. این خلاصه به شما کمک می‌کند تفاوتشان را سریع درک کنید:

- None: نشان‌دهنده نبود داده در پایتون.

🔹 *غیرعددی، محاسبه‌ناپذیر*
- NaN: عدد نامعتبر در داده‌های عددی.

🔹 *عددی، نتیجه محاسبه NaN می‌شود*
- Null: معادل None در زبان‌هایی مثل SQL و Java.

🔹 *وابسته به زبان، محاسبه‌ناپذیر*
- صفر (0): عدد واقعی با معنی مشخص.

🔹 *عددی، کاملاً محاسبه‌پذیر*


📊 #برنامه‌نویسی #علم_داده #پایتون #SQL #None #NaN #Null #صفر #DataScience #Python #کدنویسی #مفاهیم_پایه #آموزش_برنامه_نویسی