Python Machine Learning Projects: Learn how to build Machine Learning projects from scratch
Dr. Deepali R Vora
2023

The book begins by explaining how important machine learning is today and what technologies are needed to make it work. The book then walks you through the core concepts behind machine learning, including the basics of Python programming. It explains the different types of machine learning algorithms and their applications in various fields such as recommender systems, text analysis and mining, image processing, and social network analysis. At the end, the book briefly introduces you to the most popular metaheuristic optimization algorithms.

#python



برای دانلود کتابهای بیشتر در کانال عضو شوید
👇
🆔 @code_pedia

معرفی چند سایت خوب برای یادگیری پایتون

🔹https://calmcode.io/

🔹https://superfastpython.com/

🔹https://realpython.com/

#Python



🆔 @code_pedia

📚 Introduction to Computer Programming with Python (2024)

#python


🆔 @code_pedia

اگه میخواهید یک code interpreter یا دستیار برای کد نویسی داشته باشید Qwen-2.5-Coder 1.5B خیلی خوبه. کاملا آفلاین/لوکال و توی خود browser، سریع، و دقتش هم خیلی خوب هست.
Github: https://github.com/cfahlgren1/qwen-2.5-code-interpreter


#python #machinelearning #deeplearning #artificialintelligence
#AI #LLM #ML #Machine_Learning

🆔 @code_pedia

کتابخانه های پایتون مورد استفاده در حوزه علم داده

🔹پردازش داده‌:

CuPy
Datatable
Vaex
Pandas
Modin
Polars
NumPy

🔹 تحلیل آماری:

SciPy
PyMC3
PyStan
Statsmodels
Lifelines
Pingouin

🔹 مصورسازی داده‌ها:

Plotly
Altair
Matplotlib
Seaborn
Geoplotlib
Pygal
Folium
Bokeh

🔹 پایگاه داده:

Dask
PySpark
Ray
Koalas
Kafka
Hadoop

🔹 استخراج داده‌ها از وب:

Beautiful Soup
Scrapy
Octoparse
Selenium


#DataAnalytics #python #programming




🆔 @code_pedia

یادگیری پایتون برای پروژه های علم داده

در این دوره Tatev و Vahe به شما Python for Data Science را آموزش می دهند. پروژه‌ها را می‌سازید و در مورد تجزیه و تحلیل داده‌های اکتشافی، آزمایش AB، هوش تجاری و موارد دیگر یاد خواهید گرفت

www.freecodecamp.org/news/learn-python-for-data-science-hands-on-projects-with-eda-ab-testing-business-intelligence/



#DataAnalytics #python #programming

🆔 @code_pedia

یادگیری پایتون برای پروژه های علم داده

در این دوره Tatev و Vahe به شما Python for Data Science را آموزش می دهند. پروژه‌ها را می‌سازید و در مورد تجزیه و تحلیل داده‌های اکتشافی، آزمایش AB، هوش تجاری و موارد دیگر یاد خواهید گرفت

www.freecodecamp.org/news/learn-python-for-data-science-hands-on-projects-with-eda-ab-testing-business-intelligence/



#DataAnalytics #python #programming



🆔 @code_pedia

Learn Python and Machine Learning



#Python #Machine_Learning


🆔 @code_pedia

🔅 Machine Learning with Python: Foundations

در این آموزش اصول یادگیری ماشین و نحوه ایجاد یک مدل یادگیری ماشین با پایتون را یلد خواهید گرفت



#Python #Machine_Learning


🆔 @code_pedia

Free Python ebook for statistics:

؛Think Stats مقدمه ای بر احتمالات و آمار برای برنامه نویسان پایتون است.

اگر مهارت های اولیه در پایتون دارید، می توانید از آن برای یادگیری مفاهیم احتمال و آمار و مهارت های عملی برای کار با داده ها استفاده کنید.



https://allendowney.github.io/ThinkStats/


#pdf #Python

🆔 @code_pedia

منابع رایگان برای یادگیری پایتون

⬗ Free Book - Think Python (O'Reilly)
❯ v2 (PDF)
https://greenteapress.com/thinkpython2/thinkpython2.pdf
❯ v3 (HTML)
https://allendowney.github.io/ThinkPython/

⬘ Free Course - Harvard CS50
http://cs50.harvard.edu/python/

⬖ YouTube - Python for Everybody (freeCodeCamp)
https://www.youtube.com/watch?v=8DvywoWv6fI
➖➖➖➖➖➖➖➖➖➖➖



#Python

🆔 @code_pedia

“Machine Learning using #Python ”

This 366 pages text book for engineering students is now FREE.

🔗 https://ggnindia.dronacharya.info/Downloads/Sub-info/RelatedBook/4thSem/Fundamentals-of-AIML-text-book-4.pdf




#یادگیری_ماشین #Machine_Learning

🆔 @code_pedia

🐍 نکات و ترفندهای پایتون

امروز با ۴ تکنیک کاربردی #پایتون آشنا می‌شوید که کدهایتان را حرفه‌ای‌تر می‌کند:

🔄 تعویض مقادیر بدون متغیر موقت

a, b = 10, 20
a, b = b, a  # حالا a=20 و b=10

📋 چک کردن چند شرط به زیبایی

color = "red"
if color in ["red", "blue", "green"]:
    print("رنگ معتبر است")

🔤 اتصال رشته‌ها با کارایی بالا

words = ["Python", "Tips", "Tricks"]
result = " ".join(words)  # "Python Tips Tricks"

🎯 بازیابی آخرین عنصر لیست با چسبندگی

numbers = [1, 2, 3, 4, 5]
last = numbers[-1]  # 5
two_last = numbers[-2:]  # [4, 5]

نکته طلایی: از enumerate برای دریافت ایندکس و مقدار همزمان استفاده کنید:

for idx, value in enumerate(["a", "b", "c"]):
    print(f"ایندکس: {idx}, مقدار: {value}")

#Python #Programming #CodingTips #PythonTricks

🆔@code_pedia

🐍 نکات و ترفندهای پایتون

با ۴ تکنیک کاربردی دیگر پایتون آشنا شوید:

🌀 چک کردن یک شرط در تمامی عناصر لیست

numbers = [2, 4, 6, 8]
all_even = all(x % 2 == 0 for x in numbers)  # True

🔄 چرخش و برعکس کردن رشته‌ها

text = "Python"
reversed_text = text[::-1]  # "nohtyP"

💡 استفاده از get() برای دیکشنری‌ها

data = {"name": "Ahmed", "age": 25}
city = data.get("city", "قاهره")  # "قاهره"

🔢 تولید اعداد تصادفی با seed ثابت

import random
random.seed(42)
print(random.randint(1, 100))  # همیشه یک عدد ثابت

نکته طلایی:** از zip برای پیمایش همزمان چند لیست استفاده کنید:

names = ["Ali", "Sara"]
ages = [25, 30]
for name, age in zip(names, ages):
    print(f"{name}: {age} سال")

#Python #Programming #CodingTips #PythonTricks

🆔@code_pedia

🐍 آنچه در پایتون ۳.۱۴ جدید است

پایتون ۳.۱۴ با بهبودهای عملکردی و قابلیت‌های جدید ارائه شده است:

⚡ بهبودهای عملکرد:
•سرعت اجرای کلی ۵-۱۰٪ افزایش یافته
•بهینه‌سازی مدیریت حافظه
•بهبود عملکرد ماژول‌های استاندارد

🆕 ویژگی‌های جدید زبان:
•سینتکس پیشرفته برای pattern matching
•قابلیت‌های جدید نوع‌دهی (Type Hints)
•بهبود مدیریت خطاها

📚 کتابخانه استاندارد:
•اضافه شدن ماژول graphlib برای کار با گراف
•بهبودهای asyncio برای برنامه‌نویسی ناهمگام
•اضافه شدن توابع کمکی جدید در itertools

🔧 تغییرات مهم:

· حذف برخی ماژول‌های منسوخ شده
· تغییرات در APIهای قدیمی
· به روزرسانی ماژول‌های امنیتی

💡 نکات مهاجرت:
•تست کامل کدهای موجود قبل از ارتقا
•بررسی تغییرات ماژول‌های استفاده شده
•به روزرسانی نوع‌دهی‌ها

این نسخه بر بهبود عملکرد و توسعه‌پذیری متمرکز است.

#Python #Python314 #Programming #WhatsNew #Coding

🆔@code_pedia

💌 چالش هفتگی: من به دوستم یک نامه فرستادم!

یک چالش برنامه‌نویسی جالب برای تقویت مهارت‌های کدنویسی:

🎯 هدف چالش:
برنامه‌ای بنویسید که یک نامه عاشقانه قدیمی را به صورت دیجیتال تولید کند

🛠 تکنیک‌های مورد استفاده:
- تولید متن تصادفی
- قالب‌بندی خروجی
- کار با تاریخ و زمان
- مدیریت رشته‌ها

💡 مثال خروجی:

عزیزم،
امروز 20 مهر 1403 است
و من همچنان تو را 
به یاد می‌آورم...

🚀 سطح: مبتدی - متوسط

#CodingChallenge #Programming #BeginnerFriendly #Python

🆔@code_pedia

🎲 کاربردهای ماژول Random در پایتون

ماژول random پایتون برای تولید اعداد و انتخاب‌های تصادفی:

🔧 کاربردهای عملی:

• تولید عدد تصادفی

import random
print(random.randint(1, 100))  # عدد بین ۱ تا ۱۰۰

• انتخاب تصادفی از لیست

colors = ["قرمز", "آبی", "سبز"]
print(random.choice(colors))  # انتخاب یک رنگ

• ترتیب تصادفی لیست

cards = ["A", "K", "Q", "J"]
random.shuffle(cards)  # برزدن کارت‌ها

• نمونه‌گیری تصادفی

sample = random.sample(range(100), 5)  # ۵ عدد غیرتکراری

🎯 کاربردهای واقعی:

· شبیه‌سازی و بازی‌ها
· تست نرم‌افزار با داده تصادفی
· تقسیم داده برای یادگیری ماشین
· امنیت (توکن‌ها و کلیدها)

#Python #Random #Programming #Coding

🆔@code_pedia

🐍 نکات و ترفندهای پایتون - روز سوم

۴ تکنیک کاربردی دیگر برای حرفه‌ای شدن در پایتون:

🌀 ادغام دیکشنری‌ها (Python 3.9+)

dict1 = {"a": 1, "b": 2}
dict2 = {"c": 3, "d": 4}
merged = dict1 | dict2  # {'a': 1, 'b': 2, 'c': 3, 'd': 4}

🔄 چرخش لیست با سرعت

my_list = [1, 2, 3, 4, 5]
rotated = my_list[-2:] + my_list[:-2]  # [4, 5, 1, 2, 3]

💡 فشرده کردن دو لیست به دیکشنری

keys = ["name", "age", "city"]
values = ["Ali", 25, "Tehran"]
data = dict(zip(keys, values))  # {'name': 'Ali', 'age': 25, 'city': 'Tehran'}

🎯 فیلتر کردن None از لیست

data = [1, None, "hello", None, 42]
cleaned = list(filter(None, data))  # [1, 'hello', 42]

نکته طلایی: استفاده از any() و all() برای چک کردن شرایط:

numbers = [0, 1, 2, 3]
print(any(numbers))  # True (حداقل یک مقدار True)
print(all(numbers))  # False (همه مقادیر True نیستند)

#Python #Programming #CodingTips #PythonTricks

🆔@code_pedia

❄️ فریز کردن اپلیکیشن‌های پایتون: راهنمای کامل

فریز کردن (Freezing) تبدیل اسکریپت‌های پایتون به فایل‌های اجرایی مستقل است.

🎯 ابزارهای محبوب فریز کردن:

• PyInstaller - ساده و چندپلتفرمه

pyinstaller --onefile script.py

• cx_Freeze - قابل تنظیم و سبک

cxfreeze script.py --target-dir dist

• PyOxidizer - مدرن و پرسرعت

pyoxidizer build

🛠️ مزایای فریز کردن:

· اجرا بدون نیاز به نصب پایتون
· توزیع آسان بین کاربران
· محافظت از سورس کد (نسبی)

⚡ نکات مهم:

· تست روی سیستم‌عامل هدف
· مدیریت فایل‌های استاتیک
· بهینه‌سازی حجم فایل نهایی

#Python #Packaging #Freezing #PyInstaller #Development

🆔@code_pedia