به عنوان یک برنامه نویس، زمان بیشتری را صرف خواندن کد می کنیم تا نوشتن آن.

یکی از مهمترین جنبه های نوشتن کد قابل نگهداری، نام هایی است که برای نمایش کد و انتزاعات خود استفاده می کنید. کد بسیار بیشتر از آنچه نوشته شده خوانده می شود.

هنر نامگذاری چیزها در برنامه نویسی جنبه مهمی از نوشتن کدهای تمیز، قابل نگهداری و قابل فهم است. در اینجا چند اصل و نکاتی که هنگام نامگذاری چیزها در برنامه نویسی باید در نظر گرفته شود آورده شده است:

📌 وضوح و توصیفی بودن: نام هایی را انتخاب کنید که به طور دقیق و واضح هدف، عملکرد یا هدف متغیر، تابع، کلاس یا سایر عناصری را که نام گذاری می کنید، توصیف کند. از نام‌های مبهم یا بیش از حد عمومی که ممکن است منجر به سردرگمی شود اجتناب کنید. 🧐

📌 یکنواخت باشید: قوانین نامگذاری خود را در سرتاسر پایگاه کدتان یکنواخت حفظ کنید. از الگوهای نامگذاری مشابه برای عناصر مرتبط برای ایجاد حس انسجام و بهبود خوانایی استفاده کنید. 🔄

📌 از نام‌های افشاکننده قصد استفاده کنید: نام‌هایی را هدف بگیرید که قصد یا رفتار کد را آشکار می‌کنند. از استفاده از نام‌های مبهم یا گمراه‌کننده که درک کد را سخت‌تر می‌کنند، خودداری کنید. 💡 📌 مختصر نگه دارید: در حالی که وضوح مهم است، سعی کنید نام خود را مختصر نگه دارید و از پرحرفی های غیر ضروری خودداری کنید. نام های طولانی و پیچیده می توانند خواندن و درک کد را سخت تر کنند. 📏

📌 از اختصارات و کلمات اختصاری اجتناب کنید: مگر اینکه به طور گسترده در دامنه شناخته شده و پذیرفته شده باشند، از اختصارات یا کلمات اختصاری بیش از حد که ممکن است خوانندگان را سردرگم کند خودداری کنید. اسامی صریح و معنی دار را به اختصارات مرموز ترجیح دهید. 🚫

📌 استفاده از CamelCase یا snake_case: یک سبک نام‌گذاری ثابت، CamelCase (با حروف بزرگ برای هر کلمه شروع می‌شود) یا snake_case (استفاده از زیرخط برای جدا کردن کلمات) انتخاب کنید. به قراردادی که پس از آن زبان برنامه نویسی یا چارچوبی که استفاده می کنید پایبند باشید. 🐫_قاب یا قاب_مار

📌 جستجوی بازخورد: وقتی در مورد نامی شک دارید، از همکاران یا همسالان خود بازخورد بگیرید. دریافت دیدگاه تازه می تواند به شناسایی پیشرفت های بالقوه یا روشن شدن هر گونه جنبه گیج کننده کمک کند. 🗣

📌 اجتناب از نامگذاری بیش از حد: از استفاده مجدد از یک نام برای اهداف متعدد در یک زمینه خودداری کنید. هر نام باید در محدوده خود معنای روشن و متمایز داشته باشد. 🚫🔄

به یاد داشته باشید، نامگذاری فقط به ترجیح شخصی نیست، بلکه به این معنی است که کد شما را برای خود و دیگرانی که ممکن است در آینده با آن کار کنند قابل خواندن و نگهداری شوند. وقت گذاشتن برای انتخاب نام های واضح و معنی دار می تواند درک و قابلیت نگهداری کد شما را تا حد زیادی افزایش دهد. 💻🛠

کم گوی و گزیده گوی چون for
تا ز اندک تو RAM بشود پُر


🧬

مکالمه دو برنامه نویس که ما هیچی ازش نمیفهمیم



🧬

چیت شیت مَشتی برای SQL

🐏

✅معرفی پلاگین هوشمند codesnippets

▪️ این پلاگین به شما اجازه میده تا قطعات کوچکی از کد رو به راحتی تو وبسایت خودتون اضافه کنید.

▪️علاوه بر این می‌تونید از کد‌های آماده PHP، HTML، CSS و JS استفاده کنید یا کد‌های خودتون رو بسازید، این نرم افزار از ابزارهای ساخت وبسایت مانند Elementor و Gutenberg پشتیبانی هم می‌کنه.

▪️با این ابزار شما می‌تونید کد‌های خودتون رو فعال یا غیرفعال کنید، اون هارو با برچسب‌ها دسته‌بندی کنید، اون هارو با فرمت JSON وارد یا خارج کنید و یا اون هارو به صورت پلاگین یا تم PHP تبدیل کنی.

👉 https://codesnippets.pro/

✨

سلام :)

من خودم از اون دسته از آدم‌هایی هستم که همه چیز رو خود‌آموز ياد گرفتم و اینطوری برام راحت‌تر بوده، این وسط یکی از مشکلاتی که همیشه تو یادگیری داشتم کمبود منابع تمرین محور بود، این که بتونم در قالب یک پروژه و تمرین یک مبحثی رو یاد بگیریم.

امروز به صورت اتفاقی چشمم به این ریپو افتاد، اگه دوست دارید به صورت پروژه محور یک زبان برنامه‌نویسی رو یاد بگیرید، این ریپو با ۱۳۸ هزار ستاره تو گیت‌هاب نجاتتون می‌ده و لیست خیلی خوبی از آموزش‌های پروژه محور داره و مطمئنم خیلی به دردتون می‌خوره:

https://github.com/practical-tutorials/project-based-learning

#ProgrammingCourse

💋
‌ ‌‌ ‌‌

باگ‌بانتی (جایزه دادن به گزارش باگ امنیتی) #اصطلاحات

📁 چیت‌شیت جامع پایتون برای علم داده

این چیت‌شیت یکی از جامع‌ترین مجموعه‌های برگه‌ تقلب پایتون توی حوزه علوم داده است و برای سطح مبتدی تا پیشرفته مفید و کاربردیه.



🐔

سازنده پایتون:
"دنبال یک پروژه به عنوان سرگرمی میگشتم که منو سرگرم کنه تو تعطیلات کریسمس، فقط یک کامپیوتر داشتم پس تصمیم گرفتم یک مفسر بنویسم برای یک زبان اسکریپت نویسی که بعدا اسمش رو گذاشتم پایتون"


بنیاد ماشین لرنینگ روی سرگرمی ایشون بنا شده





🦋

⌨️ برای تمرین برنامه‌نویسی یه سر به اینا بزن!

▪️سایت آوردم واست که هرکدوم یه عالمه تمرین برنامه نویسی توش هست ؛ مهم نیست چه زبانی کار میکنی ، این سایتا تقریباً از تمامی زبان های برنامه نویسی پشتیبانی میکنن.

1️⃣ سایت اول : leetcode

🔗این سایت به شما سوال برنامه نویسی میده و محیطی رو هم اختصاص داده برای نوشتن کدهای شما ؛ از 14 زبان برنامه‌نویسی پشتیبانی میکنه و بیش 3.500 سوال داره.

🔢 سایت دوم : hackerrank

🔗این سایت براساس دسته‌بندیی که شما انتخاب میکنید یک عالمه سوال برنامه نویسی بهتون نمایش میده ؛ درجه بندی سوال هم داره و میتونید به ترتیب سختی اونارو مرتب کنید.

🔢 سایت سوم : codesignal

🔗این سایت هم مشابه دو سایت قبلی کلی سوال بهتون میده فقط فرقش اینه که برای خیلی از پاسخ‌هاش ویدیو آپلود کرده و سعی میکنه با عکس و انیمیشن پاسخ سوالاتش رو بده.
#معرفی_سایت #کد
🌼

نقشه راه دیتا ساینس

🍇

📢مسیر دیتا ساینس به چه شکله؟



🐏

📊برای داده هام از چه نموداری استفاده کنم بهتره؟

💡 کدوم کمک میکنه که رفتار داده م رو بهتر بفهمم؟

🎯🔍 فرقی نمیکنه از چه ابزاری استفاده میکنی، این شکل بت ایده میده چه نموداری مناسب تره!

🔥جزو ابتدایی ترین کارهای یه دیتا ساینتیست، اینه که اول ببینه تو داده هاش چه خبره!

📉توی صنعت و وقتایی که با داده های واقعی سر و کار داریم، بخش زیادی از زمان ما صرف مرتب کردن و اصلاح داده ها میشه قبل از اینکه بخوایم کار دیگه ای کنیم


🦢

🔥 یکی از ابتدایی ترین کارهای Data Scientist، ارزیابی کیفیت داده ست..

📉 از بین ستون ها، کدوم هاشون داده های خالی داره

🚀کتابخونه missingo با یک خط یه شماتیک کلی از وضعیت پراکندگی کیفیت داده هاتون میده [شکل و ببین]

💯امکان ارزیابی جداگانه ی هر ستون

🛎

🧠 شبکه‌های عصبی، یکی از پرقدرت‌ترین ابزارهای یادگیری ماشینی هستند. این شبکه‌ها با استفاده از ساختارهای پیچیده، مانند شبکه‌های عمیق انتقالی (DBN) و گیت‌های بازگشتی گیبس (GRU)، توانایی یادگیری و تشخیص الگوها را دارند. 🌟

🤖 همچنین، در علم داده ما شاهد استفاده از روش‌های دیگری نیز هستیم. SVM که یک تقسیم‌بندی با حاشیه بیشینه است، با استفاده از داده‌های برچسب‌دار، به تشخیص الگوها می‌پردازد. در حالی که شبکه حافظه ترتیبی نئوترون (NTM) با قابلیت حافظه و دسترسی به اطلاعات گذشته، وظایف پیچیده‌تری را انجام می‌دهد. 📚

🔌 شبکه‌های تغذیه جلو (Feed Forward)، پرسپترون (Perceptron) و شبکه‌های عمیق تماماً متصل (DFF) نیز در دسته‌بندی و پیش‌بینی داده‌ها مورد استفاده قرار می‌گیرند. این شبکه‌ها با استفاده از لایه‌های متصل خطی و توابع غیرخطی، قادر به مدل‌سازی روابط پیچیده می‌باشند. 📊

با توجه به تنوع این ابزارها، شبکه‌های عصبی به عنوان یکی از اصولی‌ترین و مفیدترین روش‌ها در زمینه یادگیری ماشینی شناخته می‌شوند. 💡✨