«آیا زمان پایان معماریهای سنگین در مدلهای زبانی رسیده؟
MoE دقیقاً همون نقطهایه که هوش مصنوعی هوشمندتر از قبل میشه؛
جایی که مدلها فقط بخشهای لازم رو فعال میکنن و با هزینه کمتر، عملکردی حتی بهتر ارائه میدن.
در این کروسل، بهصورت خلاصه توضیح دادم چرا MoE داره تبدیل میشه به انتخاب اصلی در نسل جدید مدلهای بزرگ.
اگه روی LLMها، Deep Learning یا معماریهای هوشمند کار میکنید، این یکی از مهمترین مفاهیم روز دنیاست.
👇 نظرتون رو بدونم:
آیا MoE آیندهی LLMهاست؟»
#carousel | @LearnPythonicy
MoE دقیقاً همون نقطهایه که هوش مصنوعی هوشمندتر از قبل میشه؛
جایی که مدلها فقط بخشهای لازم رو فعال میکنن و با هزینه کمتر، عملکردی حتی بهتر ارائه میدن.
در این کروسل، بهصورت خلاصه توضیح دادم چرا MoE داره تبدیل میشه به انتخاب اصلی در نسل جدید مدلهای بزرگ.
اگه روی LLMها، Deep Learning یا معماریهای هوشمند کار میکنید، این یکی از مهمترین مفاهیم روز دنیاست.
👇 نظرتون رو بدونم:
آیا MoE آیندهی LLMهاست؟»
#carousel | @LearnPythonicy
اول بگوو خروجی این کد چیه؟🤨
🧠 Python Mutability Trick — چرا جواب این عجیب میشه؟
کدی که میبینی ساده بهنظر میاد، ولی پشتش یکی از مهمترین مفاهیم پایتون قایمه:
لیست mutable هست و عمل ضرب روی لیست، فقط referenceها رو تکثیر میکنه، نه لیست جدید!
📌 نتیجه؟
چاپ میکنه: 1
چــــرا؟
چون x[0] یک لیست خالیه و وقتی میگی x * 3 پایتون همون یک لیست رو سه بار اشاره میده.
پس y[0]، y[1] و y[2] همگی در اصل یک لیست مشترک هستن.
هر تغییری روی یکی، روی همش اعمال میشه.
🔥 نکته تستیِ پست:
هر وقت تو پایتون لیست رو ضرب کردی، بدون copy چطور میتونی از این دام فرار کنی؟
جواب 👇
#تست_تایم | @learnpythonicy
🧠 Python Mutability Trick — چرا جواب این عجیب میشه؟
کدی که میبینی ساده بهنظر میاد، ولی پشتش یکی از مهمترین مفاهیم پایتون قایمه:
لیست mutable هست و عمل ضرب روی لیست، فقط referenceها رو تکثیر میکنه، نه لیست جدید!
x = [[]]
y = x * 3
y[0].append(1)
print(len(y[1]))
📌 نتیجه؟
چــــرا؟
چون x[0] یک لیست خالیه و وقتی میگی x * 3 پایتون همون یک لیست رو سه بار اشاره میده.
پس y[0]، y[1] و y[2] همگی در اصل یک لیست مشترک هستن.
هر تغییری روی یکی، روی همش اعمال میشه.
🔥 نکته تستیِ پست:
هر وقت تو پایتون لیست رو ضرب کردی، بدون copy چطور میتونی از این دام فرار کنی؟
جواب 👇
y = [list(x[0]) for _ in range(3)]
#تست_تایم | @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
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
آموزش پایتون pinned «🔍 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…»
Maml_ArefehKabiri.ipynb
7.4 KB
✔️ متالرنینگ (Meta-Learning) با پایتون — مدلی که خودش یاد میگیرد چطور یاد بگیرد!
در این پروژه یک نسخهی مینیمال از الگوریتم MAML را با PyTorch پیادهسازی کردم؛
مدلی که با دیدن فقط چند نمونه از یک تسک جدید، میتواند سریع خودش را فیت کند.
اینجا روی یک مسئلهی سادهی سینوسی تستش کردیم تا رفتار «یادگیریِ سریع» مدل مشخص شود.
🔹 ساخت دیتاستهای تصادفی (sine tasks)
🔹 تعریف مدل MLP
🔹 Inner loop و Outer loop
🔹 ذخیره مدل نهایی
🔹 مشاهده نوسان Meta-Loss در طول آموزش
متالرنینگ یکی از تکنیکهای مهم در حوزههای few-shot learning، رباتیک، پزشکی، personalization و AI adaptive systems است.
#meta_learning | #metaLearnig | #maml | @learnpythonicy
📌 برای دریافت نسخه کاملتر یا راهنماهای بعدی، پیام بدید یا نظر بذارید.
@learnpythonicyBot
در این پروژه یک نسخهی مینیمال از الگوریتم MAML را با PyTorch پیادهسازی کردم؛
مدلی که با دیدن فقط چند نمونه از یک تسک جدید، میتواند سریع خودش را فیت کند.
اینجا روی یک مسئلهی سادهی سینوسی تستش کردیم تا رفتار «یادگیریِ سریع» مدل مشخص شود.
🔹 ساخت دیتاستهای تصادفی (sine tasks)
🔹 تعریف مدل MLP
🔹 Inner loop و Outer loop
🔹 ذخیره مدل نهایی
🔹 مشاهده نوسان Meta-Loss در طول آموزش
متالرنینگ یکی از تکنیکهای مهم در حوزههای few-shot learning، رباتیک، پزشکی، personalization و AI adaptive systems است.
#meta_learning | #metaLearnig | #maml | @learnpythonicy
📌 برای دریافت نسخه کاملتر یا راهنماهای بعدی، پیام بدید یا نظر بذارید.
@learnpythonicyBot
✔️ خلاصهای از مهمترین دستورات Pandas برای شروع تحلیل داده.
با یادگیری اینها، اولین قدم جدیتان در Data Analysis برداشته میشود. 🚀
#pandas | #Cheat_Sheet
☀️@LearnPythonIcy
با یادگیری اینها، اولین قدم جدیتان در Data Analysis برداشته میشود. 🚀
#pandas | #Cheat_Sheet
☀️@LearnPythonIcy
❤1
This media is not supported in your browser
VIEW IN TELEGRAM
⭕️ شناسایی و اندازهگیری خودکار دانههای برنج با OpenCV
✔️ 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
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
🤓2
This media is not supported in your browser
VIEW IN TELEGRAM
🎯 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
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
✔️ 10 Python Dictionary Tricks You Should Know! 🐍✨
1️⃣ ساخت دیکشنری با مقدار پیشفرض
2️⃣ ادغام دو دیکشنری (Python 3.9+)
3️⃣ برعکس کردن key و value
4️⃣ گرفتن مقدار با مقدار پیشفرض امن
5️⃣ مرتبسازی دیکشنری بر اساس value
6️⃣ حذف آیتم و گرفتن مقدار همزمان
7️⃣ ساخت دیکشنری از دو لیست
8️⃣ بررسی وجود چند key بهصورت همزمان
9️⃣ دیکشنری کامپرهنشن
🔟 شمارش تکرار آیتمها
> ⚠️ دیکشنریها خیلی قدرتمندن؛ ولی خوانایی کد رو فدای کوتاهنویسی نکن!
#dict | #PythonTricks | @LearnPythonicy
👇 کدومش بیشتر به کارت خورد؟ کامنت کن!
1️⃣ ساخت دیکشنری با مقدار پیشفرض
from collections import defaultdict
d = defaultdict(int)
2️⃣ ادغام دو دیکشنری (Python 3.9+)
merged = dict1 | dict2
3️⃣ برعکس کردن key و value
reversed_dict = {v: k for k, v in my_dict.items()}4️⃣ گرفتن مقدار با مقدار پیشفرض امن
value = my_dict.get("key", 0)5️⃣ مرتبسازی دیکشنری بر اساس value
sorted_dict = dict(sorted(my_dict.items(), key=lambda x: x[1]))
6️⃣ حذف آیتم و گرفتن مقدار همزمان
value = my_dict.pop("key")7️⃣ ساخت دیکشنری از دو لیست
result = dict(zip(keys, values))
8️⃣ بررسی وجود چند key بهصورت همزمان
if {"a", "b"} <= my_dict.keys():
print("Exists")9️⃣ دیکشنری کامپرهنشن
squares = {x: x**2 for x in range(5)}🔟 شمارش تکرار آیتمها
from collections import Counter
count = Counter(["a", "b", "a", "c"])
> ⚠️ دیکشنریها خیلی قدرتمندن؛ ولی خوانایی کد رو فدای کوتاهنویسی نکن!
#dict | #PythonTricks | @LearnPythonicy
👇 کدومش بیشتر به کارت خورد؟ کامنت کن!
This media is not supported in your browser
VIEW IN TELEGRAM
✔️ یادت هست اون دایناسوری که وقتی اینترنت قطع میشد بازی میکردیم؟
میتونی خودت با پایتون بسازی! 🦖
تجربه بازی رو با پایتون از دست نده:
(لینک گیتهاب)
#pygame | #random | #sys | #os | @learnpythonicy
میتونی خودت با پایتون بسازی! 🦖
امکانات:
▫️ کنترل ساده با Space و Down
▫️ صداگذاری حرفهای
▫️ ذخیرهسازی High Score
تجربه بازی رو با پایتون از دست نده:
(لینک گیتهاب)
#pygame | #random | #sys | #os | @learnpythonicy
✔️ یافتن فایلها با الگوریتم glob
ماژول
مثالها:
1. جستجو برای تمامی فایلهای
2. جستجو برای فایلهایی که نام آنها با
3. جستجو بازگشتی در دایرکتوریها:
این ابزار در پایتون به طور پیشفرض موجود است و میتواند در پروژههای مختلف برای مدیریت و جستجوی فایلها مفید باشد.
#glob | @LearnPythonicy
ماژول
glob در پایتون، جستجوی فایلها را با استفاده از الگوهای خاص و ساده فراهم میکند. با استفاده از این ماژول میتوانید فایلها را از دایرکتوریهای مختلف جستجو کرده و حتی به صورت بازگشتی در زیرشاخهها نیز این کار را انجام دهید.مثالها:
1. جستجو برای تمامی فایلهای
.txt:glob.glob('*.txt') 2. جستجو برای فایلهایی که نام آنها با
test شروع میشود و پسوند .py دارند:glob.glob('test[0-9].py') 3. جستجو بازگشتی در دایرکتوریها:
glob.glob('selenium/**', recursive=True)این ابزار در پایتون به طور پیشفرض موجود است و میتواند در پروژههای مختلف برای مدیریت و جستجوی فایلها مفید باشد.
#glob | @LearnPythonicy
chess_game.py
31.5 KB
♟ بازی شطرنج با پایتون: قوانینی کامل، تجربهای واقعی! 🚀
از حرکتهای دقیق تا کیش/مات و پات، همه چیز در این پروژه به دقت پیادهسازی شده. آماده برای رقابت دو نفره، با کدی ماژولار و قابل توسعه. پروژهای که باهاش میتونی برنامهنویسی پیشرفته رو تجربه کنی!
#بازی | #شطرنج
#game | #chess | @learnpythonicy
از حرکتهای دقیق تا کیش/مات و پات، همه چیز در این پروژه به دقت پیادهسازی شده. آماده برای رقابت دو نفره، با کدی ماژولار و قابل توسعه. پروژهای که باهاش میتونی برنامهنویسی پیشرفته رو تجربه کنی!
#بازی | #شطرنج
#game | #chess | @learnpythonicy
✔️ کتابخانهی textwrap یک کتابخانهی استاندارد است که برای قالببندی متن در مواقعی استفاده میشود که به چاپ زیبا و منظم نیاز داریم.
این کتابخانه قابلیتهایی مشابه ویرایشگرهای متن و نرمافزارهای پردازش متن ارائه میدهد.
مروری کوتاه بر قابلیتها:
textwrap.fill() —
متن را دریافت کرده و یک متن قالببندیشده برمیگرداند؛ خط اول تورفتگی خود را حفظ میکند و فاصلههای ابتدای هر خط بعدی در قالب پاراگراف قرار داده میشوند.
textwrap.dedent() —
برای حذف تورفتگی (پیشوند فاصلهی مشترک) از تمام خطوط متن استفاده میشود.
textwrap.indent() —
برای افزودن یک پیشوند متنی به تمام خطوط یک پاراگراف بهکار میرود.
#textwrap | @learnpythonicy
این کتابخانه قابلیتهایی مشابه ویرایشگرهای متن و نرمافزارهای پردازش متن ارائه میدهد.
مروری کوتاه بر قابلیتها:
textwrap.fill() —
متن را دریافت کرده و یک متن قالببندیشده برمیگرداند؛ خط اول تورفتگی خود را حفظ میکند و فاصلههای ابتدای هر خط بعدی در قالب پاراگراف قرار داده میشوند.
textwrap.dedent() —
برای حذف تورفتگی (پیشوند فاصلهی مشترک) از تمام خطوط متن استفاده میشود.
textwrap.indent() —
برای افزودن یک پیشوند متنی به تمام خطوط یک پاراگراف بهکار میرود.
#textwrap | @learnpythonicy