✍️پکیج numpy در پایتون

میدونی Cheat Sheet (برگه تقلب) چیه؟!

⛔️اگر یه خلاصه بر ویژگی های اصلی پکیج numpy در پایتون میخوای این Cheat Sheet و از دست نده.

پکیج Numpy یک بسته اساسی برای محاسبات علمی در پایتون است. از آرایه ها و ماتریس ها به همراه مجموعه ای از توابع ریاضی برای کار بر روی این ساختارهای داده پشتیبانی می کند.

#برگه_تقلب | #Cheat_Sheet | آموزش پایتون | #numpy

import matplotlib.pyplot as plt
import numpy as np


def midpoints(x):
    sl = ()
    for _ in range(x.ndim):
        x = (x[sl + np.index_exp[:-1]] + x[sl + np.index_exp[1:]]) / 2.0
        sl += np.index_exp[:]
    return x

# prepare some coordinates, and attach rgb values to each
r, g, b = np.indices((17, 17, 17)) / 16.0
rc = midpoints(r)
gc = midpoints(g)
bc = midpoints(b)

# define a sphere about [0.5, 0.5, 0.5]
sphere = (rc - 0.5)**2 + (gc - 0.5)**2 + (bc - 0.5)**2 < 0.5**2

# combine the color components
colors = np.zeros(sphere.shape + (3,))
colors[..., 0] = rc
colors[..., 1] = gc
colors[..., 2] = bc

# and plot everything
ax = plt.figure().add_subplot(projection='3d')
ax.voxels(r, g, b, sphere,
          facecolors=colors,
          edgecolors=np.clip(2*colors - 0.5, 0, 1),  # brighter
          linewidth=0.5)
ax.set(xlabel='r', ylabel='g', zlabel='b')
ax.set_aspect('equal')

plt.show()

#matplotlib | #numpy

Image Processing Using OpenCV & MATPLOTLIB In Python

کد فوق به پردازش تصاویر با استفاده از OpenCV و Matplotlib پرداخته است.

برای مشاهده کد کلیک کنید👩‍💻

پردازش تصویر با استفاده از OpenCV، خواندن یک تصویر، تبدیل آن به فرمت‌های مختلف و نمایش نتایج شامل تصویر اصلی، تصویر خاکستری، تصویر بلور شده و لبه‌ها.💫

کد شامل مراحل زیر می‌باشد:

1. خواندن تصویر: تصویر از مسیر مشخص‌شده خوانده می‌شود.
2. بررسی خطا: اگر تصویر نتواند خوانده شود، پیغام خطا چاپ می‌شود.
3. تبدیل به RGB: تصویر از فرمت BGR به RGB تبدیل می‌شود تا در Matplotlib به‌درستی نمایش یابد.
4. تبدیل به خاکستری: تصویر به صورت خاکستری تبدیل می‌شود.
5. اعمال فیلتر بلور: یک فیلتر بلور Gaussian به تصویر RGB اعمال می‌شود.
6. استخراج لبه‌ها: با استفاده از فیلتر Canny، لبه‌ها از تصویر خاکستری استخراج می‌شود.
7. نمایش تصاویر: در نهایت، چهار تصویر (اصل، خاکستری، بلور شده و لبه‌ها) در یک شکل به نمایش در می‌آید.


#cv2 | #numpy | #matplotlib | #opencv | LearnPython

#بدانیم | #پردازش_تصویر | آموزش پایتون

✔️ تولید اعداد تصادفی در پایتون با ۷ روش حرفه‌ای!

برای تولید اعداد تصادفی در پایتون، این تکنیک‌های کاربردی را امتحان کنید:

1️⃣ ماژول random پایه

import random
print(random.random())  # عدد اعشاری بین 0 تا 1

2️⃣ محدوده عددی

print(random.randint(1, 100))  # عدد صحیح بین 1 تا 100

3️⃣ انتخاب تصادفی از لیست

items = ['a', 'b', 'c']
print(random.choice(items))  # انتخاب یک آیتم

4️⃣ نمونه‌گیری بدون جایگزینی

print(random.sample(range(100), 5))  # 5 عدد منحصر بفرد

5️⃣ توزیع نرمال

print(random.gauss(0, 1))  # توزیع گاوسی

6️⃣ برای نتایج تکرارپذیر

random.seed(42)  # ثابت کردن نتایج تصادفی

7️⃣ ماژول secrets برای امنیت

import secrets
print(secrets.randbelow(100))  # ایمن برای رمزنگاری

🗝 روش ویژه: NumPy برای آرایه‌های تصادفی

import numpy as np
print(np.random.rand(3,3))  # ماتریس 3x3 تصادفی

نکات طلایی
- برای امنیت از secrets استفاده کنید
- برای علم داده از numpy.random استفاده شود
- دستور seed برای دیباگ مفید است


#PythonMagic | #random | #seed | #secrets | #numpy | learnpythonicy

> *برای بازی‌ها، شبیه‌سازی‌ها و رمزنگاری کاربرد دارد*

🎭 تشخیص احساسات چهره با نمایش همزمان تصویر و نتایج

import deepface as DeepFace
import cv2
import matplotlib.pyplot as plt
import numpy as np

# شروع دوربین
cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break
    
    try:
        # تحلیل احساسات
        results = DeepFace.analyze(frame, actions=['emotion'], enforce_detection=False)
        emotion = results[0]['dominant_emotion']
        emotions = results[0]['emotion']
        
        # رسم نمودار احساسات
        plt.clf()  # پاک کردن نمودار قبلی
        plt.bar(emotions.keys(), emotions.values(), color='skyblue')
        plt.title(f'Dominant Emotion: {emotion}')
        plt.ylim(0, 100)
        
        # تبدیل نمودار به تصویر OpenCV
        fig = plt.gcf()
        fig.canvas.draw()
        plot_img = np.array(fig.canvas.renderer.buffer_rgba())
        plot_img = cv2.cvtColor(plot_img, cv2.COLOR_RGBA2BGR)
        
        # نمایش ترکیبی
        combined = np.vstack((
            cv2.resize(frame, (640, 360)), 
            cv2.resize(plot_img, (640, 360))
        ))
        
        cv2.imshow('Face Analysis - Live', combined)
        
    except Exception as e:
        print(f"خطا: {e}")
        cv2.imshow('Face Analysis - Live', frame)
    
    if cv2.waitKey(1) == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

✔️ ویژگی‌های منحصر به فرد

- نمایش زنده تصویر دوربین + نمودار احساسات در یک پنجره
- آپدیت لحظه‌ای نمودار با تغییر حالات چهره
- بهینه‌سازی عملکرد با enforce_detection=False برای جلوگیری از خطا

🛠 راه‌اندازی آسان

1. نصب کتابخانه‌ها:

pip install deepface opencv-python matplotlib numpy

2. اجرای کد:

python face_emotion.py

#deepface | #cv2 | #matplotlib | #numpy | @learnpythonicy

> *برای دقت بیشتر می‌توانید مدل‌های سفارشی مانند VGG-FER را بارگذاری کنید:*
> DeepFace.build_model("VGG-Fer")

✔️ تولید نقاشی دیجیتال با پایتون (ترکیب OpenCV + تصادفی‌سازی)

ویژگی‌ها
1. تولید هنر دیجیتال کاملاً تصادفی
2. ترکیب رنگ‌های رندوم در هر اجرا
3. خروجی منحصر به فرد در هر بار اجرا
4. ذخیره خودکار اثر تولیدی

نحوه کار
- ساخت بوم سفید 500x500 پیکسلی
- رسم 50 دایره با رنگ و موقعیت تصادفی
- اضافه کردن امضای "Python Art"
- نمایش و ذخیره نتیجه

#cv2 | #numpy | @learnpythonicy

> *برای اثر پیچیده‌تر، می‌توانید خطوط/مثلث‌های رندوم هم اضافه کنید!*

ماژول NumPy: این کتابخانه قدرتمند در پایتون برای محاسبات عددی طراحی شده است و از آرایه‌ها و ماتریس‌های بزرگ و چند بعدی پشتیبانی می‌کند.

در این تمرین، ما دو آرایه 1 بعدی ایجاد می‌کنیم و جمع و ضرب عنصر به عنصر را نشان می‌دهیم. این عملیات برای کار با داده‌های عددی به طور کارآمد در پایتون اساسی هستند.

#numpy | @LearnPythonicy

🔍 در این مثال، ما عمیق‌تر در قابلیت‌های NumPy غوطه ور می‌شویم و بر عملیات ماتریسی و جبر خطی تمرکز می‌کنیم.
ما ضرب ماتریس-بردار، معکوس ماتریس و محاسبه ویژه مقدار/ویژه بردار را نشان می‌دهیم.
این عملیات برای حل مسائل پیچیده‌تر در علم داده، یادگیری ماشین و محاسبات علمی ضروری هستند. با NumPy، مدیریت داده‌های عددی در مقیاس بزرگ هم کارآمد و هم شهودی می‌شود!

#numpy | @LearnPythonicy

🔍 راهنمای #هشتگ‌ها برای دسترسی سریع‌تر به مطالب کانال

برای اینکه راحت‌تر به مطالب دلخواهتون برسید، از هشتگ‌های زیر استفاده کنید:

---

### 😂 #طنز

مطالب فان و خنده‌دار برای فاصله گرفتن از دنیای کدنویسی.

### 🧪 #تست_تایم

تست‌ها و تمرین‌هایی که باید برای تقویت مهارت‌های برنامه‌نویسی بزنید.

### 📘 #بدانیم

نکات مهم و کاربردی درباره‌ی برنامه‌نویسی و پایتون.

### 📚 #بخوانیم

دانستنی‌ها و مقالاتی که پیشنهاد می‌کنم حتما مطالعه کنید.

### 📖 #معرفی_کتاب / #بوک_تایم

کتاب‌های پیشنهادی برای یادگیری اصولی‌تر.

### 🔥 #موتیو_تایم

پست‌های انگیزشی و انرژی‌بخش برای ادامه‌ی مسیر یادگیری.

### 📚 #کتابخانه

کتابخانه‌هایی که در کانال معرفی شده‌اند.

### 📃 #برگه_تقلب و #Cheat_Sheet

خلاصه و نکات کلیدی
---
### 🎮 #game

بازی های ساخته شده با پایتون

### 🛣 #roadmap

نقشه‌راه یادگیری پایتون و مهارت‌های لازم.

### 🧩 #project_time

پروژه‌های تمرینی برای افزایش تجربه و تسلط.

### 📄 #paper

مقالات علمی و تخصصی معرفی‌شده.

---

### ⚡️ #PythonTricks

میانبرها و ترفندهای کاربردی پایتون.

### ✨ #Pythonmagic

رفتارهای خاص و جالب پایتون که کمتر کسی می‌داند.

### 🧰 #functools

ابزارها و تکنیک‌های مرتبط با توابع.

### 🧱 #codeBites

خلاصه‌ی یک دستور همراه با نمونه‌کد کوتاه.

### ❗️ #error

خطاهای رایج پایتون و روش رفع آن‌ها.

### 📰 #news

اخبار روز پایتون و دنیای تکنولوژی.

### 🖼 #carousel

پست‌های اسلایدری برای آموزش موضوعات مختلف.

---

### 🤖 #AI

هوش مصنوعی

### 📊 #ML

یادگیری ماشین

### 🧠 #DL

یادگیری عمیق (ژرف)

---

## 🔎 جستجوی سریع دستورات و کتابخانه‌ها

هر دستور یا کتابخانه‌ای که لازم دارید کافیست هشتگش را جستجو کنید:

#split
#while
#class
#for
#dict
#list
#opencv
#cv2
#numpy
#matplotlib
#tkinter
و …

---

## 🎯 دوره‌ها و تمرین‌ها

📘 دوره آموزش مقدماتی پایتون

🧪 حل ۳۰ سؤال کاربردی برای تقویت مهارت‌های دوره مقدماتی

🎖چالش ۳۰ روزه Python for AI

⭕️ شناسایی و اندازه‌گیری خودکار دانه‌های برنج با OpenCV

در این آموزش یاد می‌گیری چطور:

✔️ بخش‌های سفید تصویر را استخراج کنی
✔️ نویز پس‌زمینه را حذف کنی
✔️ دانه‌های واقعی را فیلتر کنی
✔️ اندازه دقیق هر دانه را روی تصویر بنویسی

این یک مثال عالی برای پروژه‌های Machine Vision است.

کد کامل را میخوای؟؟
کلمه برنج را کامنت کن 👇

#opencv | #cv2 | #numpy

🌟@LearnPythonIcy

🎯 پیدا کردن دانه برنج با اندازه دلخواه

سیستم هوشمند ما
1️⃣ شناسایی تمام دانه‌های برنج در تصویر
2️⃣ دریافت عدد ورودی از کاربر
3️⃣ پیدا کردن دانه‌ای که مساحتش به عدد شما نزدیک‌تر است
4️⃣ مشخص کردن دانه انتخابی با کادر و نمایش اندازه دقیق

ویژگی‌ها
تشخیص خودکار دانه‌ها
جستجوی هوشمند نزدیک‌ترین اندازه
حذف نویز و ذرات ریز
نمایش واضح دانه انتخابی

📊 کاربرد
کنترل کیفیت، جداسازی دانه‌های خارج از سایز، پروژه‌های دانشگاهی، سیستم‌های درجه‌بندی کشاورزی


#opencv | #cv2 | #numpy

🌟@LearnPythonIcy