🚀 تا حالا شده کلی کد بزنی و یهو بفهمی که کیبوردت فارسی بوده؟ یا برعکس، متنی رو بخوای به فارسی بنویسی ولی انگلیسی تایپ شده؟

برای من زیاد پیش می‌اومد، برای همین یه اکستنشن ساده برای VS Code نوشتم تا این مشکل رو حل کنه ✅
🎯 فقط کافیه متن مورد نظر رو انتخاب کنی و Ctrl + Alt + K رو بزنی.

یه گزینه بهت میده که انتخاب کنی تبدیل از فارسی به انگلیسی باشه یا انگلیسی به فارسی.

و به همین راحتی متن درست میشه 😄
🔧 پروژه هنوز جای پیشرفت داره و خوشحال میشم اگر کسی علاقه‌مند بود مشارکت کنه.
📌 سورس‌کد این اکستنشن به صورت Open Source روی گیت‌هاب در دسترسه:

👉 github.com/MrMrProgrammer/keyboard-switcher
ویدیوی دمو 👇

✔️ پیش‌بینی قیمت خانه با استفاده از رگرسیون خطی در پایتون

در این پروژه:
🌻 داده‌های مربوط به متراژ، تعداد اتاق، پارکینگ، انباری، آسانسور و آدرس بررسی شده
🌻 داده‌ها پیش‌پردازش شدن
🌻 مدل آموزش دیده و ارزیابی شده (با MSE و R²)

👈 یه مثال ساده و کاربردی برای یادگیری رگرسیون در یادگیری ماشین

📎 سورس کامل پروژه در گیت‌هاب:
https://github.com/ArefehKabiri/housePrice/tree/main

#sklearn | #pandas | #LinearRegression | @LearnPythonIcy

✔️ اگه تازه‌کاری تو یادگیری ماشین یا می‌خوای Logistic Regression رو عملی یاد بگیری، این پروژه رو از دست نده.

🌼 دیتا پیش‌پردازش شده
🌼 مدل آموزش دیده
🌼 نتایج ارزیابی شده

📎 سورس کامل پروژه در گیت‌هاب:
https://github.com/ArefehKabiri/titanicLogisticRegression/tree/main

#sklearn | #pandas | #LogisticRegression | @LearnPythonIcy

وقتی مدل‌های هوش مصنوعی مثل نوزادان رفتار می‌کنند! 👶🤖


🔍 ماجرا:
امروز یک مدل تشخیص تصویر رو تست می‌کردم. فقط با کمی تغییر نور، همه‌چیز رو اشتباه گرفت!
واقعاً یاد نوزاد افتادم که:

پدربزرگ با کلاه رو نمی‌شناسه! (Overfitting)
اسب آبی رو با گراز اشتباه می‌گیره! (Underfitting)


💡 چرا این اتفاق می‌افته؟

1. یادگیری سطحی: مدل‌ها مفهوم رو نمی‌فهمن، فقط الگو رو حفظ می‌کنن.

2. حساسیت شدید: کوچک‌ترین تغییر در ورودی = پیش‌بینی اشتباه!

3. توهم (Hallucination): چیزهایی می‌بینن یا می‌سازن که اصلاً وجود نداره.


🚀 راهکارها:
✔ گسترش داده‌های آموزشی (مثل دنیای پرماجرای یک نوزاد)
✔ استفاده از Regularization برای یادگیری پایدارتر
✔ تست در شرایط واقعی و متنوع


❓ سؤال از شما:
عجیب‌ترین رفتار مدل هوش مصنوعی که دیدید چی بوده؟
👇 تو کامنت‌ها بگید، شاید یک لیست خنده‌دار درست کنیم!

#DeepLearning #AI #Overfitting #Underfitting #MachineLearning

📌 🔄 Merging Dictionaries with the Operator

In Python 3.9+, you can merge dictionaries as easily as sets, using the operator. This makes your code cleaner and easier to understand, especially when merging configurations or data.

🎯 Summary
The operator is a fast and readable way to merge dictionaries, with the values from the right dictionary taking precedence.


📌 🔄 ادغام دیکشنری‌ها با عملگر

در پایتون ۳.۹+، می‌توانید دیکشنری‌ها را به راحتی مجموعه‌ها، با استفاده از عملگر ادغام کنید. این کار کد شما را تمیزتر و قابل فهم‌تر می‌کند، به خصوص هنگام ادغام پیکربندی‌ها یا داده‌ها.

🎯 خلاصه
عملگر روشی سریع و خوانا برای ادغام دیکشنری‌ها است که در آن مقادیر دیکشنری مناسب اولویت دارند.


Source | @learnpythonicy

Transformers are the secret sauce behind ChatGPT’s human-like text generation.
From attention mechanisms to parallel processing, this architecture is revolutionizing AI — but it’s not without challenges.

🤔 Debate time:
Is this true intelligence… or just advanced pattern-matching?

Drop your take in the comments! 👇

#AI #ChatGPT #ML #Transformers

🐍 یک پروژه ساده و کاربردی پایتون: ماشین حساب BMI!

یادگیری پایتون با پروژه‌های کوچک و کاربردی بهترین راه است! امروز یک ماشین حساب شاخص توده بدنی (BMI) می‌سازیم.

کد پروژه:

def bmi_calculator():
    print("--- ماشین حساب BMI ---")
    
    weight = float(input("وزن خود را به کیلوگرم وارد کنید: "))
    height = float(input("قد خود را به متر وارد کنید: "))
    
    bmi = weight / (height ** 2)
    
    print(f"\nشاخص توده بدنی (BMI) شما: {bmi:.2f}")
    
    if bmi < 18.5:
        print("وضعیت: کم‌وزن")
    elif 18.5 <= bmi < 25:
        print("وضعیت: طبیعی")
    elif 25 <= bmi < 30:
        print("وضعیت: اضافه‌وزن")
    else:
        print("وضعیت: چاقی")

# اجرای برنامه
bmi_calculator()

💡 چه چیزهایی یاد می‌گیرید؟
- دریافت ورودی از کاربر (input)
- محاسبات ریاضی ساده
- شرط‌های if, elif, else
- قالب‌بندی خروجی با f-string

#project_time | @LearnPythonIcy