Machine Learning Specialization

این دوره یک برنامه سه‌ساله برای یادگیری Machine Learning است که توسط Stanford Online و DeepLearning.AI طراحی شده و توسط Andrew Ng تدریس می‌شه. ۷۹۸,۵۲۲ نفر قبلاً ثبت‌نام کرده‌اند و دوره‌ها برای مبتدیان مناسب هستند.

Free Courses: https://www.clcoding.com/2024/11/machine-learning-specialization.html


🆔 @python4all_pro


🧩لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro

40 curated PyTorch implementation challenges for ML interviews

این ریپو شامل ۴۰ چالش پیاده‌سازی PyTorch برای مصاحبه‌های ML است برای افرادی که می‌خواهند مهارت‌های پیاده‌سازی PyTorch را توسعه دهند، این ریپو بسیار ارزشمنده

https://github.com/duoan/TorchCode


🆔 @python4all_pro


🧩لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro

یه Blog ساده آموزشی برای دوستانی که دارن جنگو رو یاد میگیرند و نیازه کمی با مباحث اولیه آشنا بشن و یک پروژه ساده بسازن تا دستشون بیاد

قراره به مرور کامل تر و آپدیت تر بشه

https://github.com/MisaghMomeniB/django-blog-backend

🆔 @python4all_pro

✅ ۷۵٪ تخفیف برای تهیه اشتراک فرادرس – برای اولین بار
 
اشتراک فرادرس را با ۷۵ درصد تخفیف فعال کنید و به مدت یکسال به بیش از ۱۸,۰۰۰ آموزش، دسترسی رایگان داشته باشید.
 
➕ امکان پرداخت قسطی
 
1️⃣ پلن یک ساله (به صرفه و اقتصادی):
💰 با ۷۵% تخفیف: ۱,۹۸۰,۰۰۰ تومن
 
2️⃣ پلن شش ماهه:
💰 با ۷۵% تخفیف: ۱,۴۷۰,۰۰۰ تومن
 
🔗 فعال‌سازی اشتراک — [کلیک کنید]
 
🎉 در صورتی که قصد فعال کردن اشتراک ندارید، تمامی آموزش‌ها با ۸۰ درصد تخفیف در دسترس شماست:👇
 
💯 تمامی آموزش‌ها با دسته بندی موضوعی [+]

🔄 FaraDars - فرادرس

چند ریپوی کاربردی برای علاقمندان یادگیری ماشین و علم داده و AI Agents

👉Python 100 Days —
مسیر ۱۰۰ روزه یادگیری
پایتون
http://github.com/jackfrued/Python-100-Days

👉GenAI for Beginners —
۲۱ درس برای یادگیری مدل‌های زبانی
http://github.com/microsoft/generative-ai-for-beginners

👉ML for Beginners —
آموزش عملی یادگیری ماشین
http://github.com/microsoft/ML-For-Beginners

👉LLMs from scratch —
ساخت مدل زبانی از صفر با PyTorch
http://github.com/rasbt/LLMs-from-scratch

👉OpenAI Cookbook —
راهنمای عملی برای APIهای OpenAI
http://github.com/openai/openai-cookbook

👉Python Data Science Handbook —
کتاب معروف در قالب Jupyter
http://github.com/jakevdp/PythonDataScienceHandbook

👉TensorFlow Examples —
مثال‌های TensorFlow
http://github.com/aymericdamien/TensorFlow-Examples

👉Made with ML —
چطور یک اپلیکیشن ML بسازی
http://github.com/GokuMohandas/Made-With-ML

👉LLM App Templates

دوره ۱۲ هفته‌ای قالب‌های اپلیکیشن LLM
http://github.com/pathwaycom/llm-app

👉AI Agents for Beginners —
۱۲ درس برای یادگیری AI Agents

http://github.com/microsoft/ai-agents-for-beginners

👉The Data Engineering Handbook — مهندسی داده

http://github.com/DataExpert-io/data-engineer-handbook

👉Data Engineering Zoomcamp —
دوره رایگان مهندسی داده
http://github.com/DataTalksClub/data-engineering-zoomcamp

👉Data Science for Beginners —
دوره ۱۰ هفته‌ای مایکروسافت
http://github.com/microsoft/Data-Science-For-Beginners


🆔 @python4all_pro


🧩لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro

Create Yoga day wish card using Python Turtle 🐢

Code with explanation: https://www.clcoding.com/2026/06/celebrate-international-yoga-day-with.html


🆔 @python4all_pro


🧩لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro

Create Yoga day wish card using Python Turtle 🧘

import turtle

screen = turtle.Screen()
screen.title("🌿 International Yoga Day 🧘")
screen.bgcolor("#FFF8E7")

t = turtle.Turtle()
t.speed(3)
t.width(3)
t.hideturtle()

# --- رسم برگ ---
t.penup()
t.goto(0, 100)
t.pendown()
t.color("#2E8B57", "#90EE90")
t.begin_fill()
t.circle(60, 90)
t.circle(60, -90)
t.end_fill()

# --- متن اصلی ---
t.penup()
t.goto(0, 30)
t.color("#1B5E20")
t.write("Happy International Yoga Day!",
         align="center", font=("Arial", 24, "bold"))

t.goto(0, -10)
t.color("#388E3C")
t.write("🧘 Breathe. Stretch. Grow. 🌿",
         align="center", font=("Arial", 16, "italic"))

t.goto(0, -60)
t.color("#6D4C41")
t.write("#InternationalYogaDay  #YogaForWellness",
         align="center", font=("Arial", 12, "normal"))

turtle.done()

توضیح کوتاه درمورد اینکه هر بخش کارش چیه
screen.bgcolor(...)
رنگ پس‌زمینه‌ی کارت (کرم روشن)

t.circle(60, 90)
رسم یک برگ سبز ساده با دو کمان

t.write(...)
نوشتن متن اصلی، زیرنویس و هشتگ‌ها

align="center"
متن‌ها از مرکز تراز می‌شن

ایده‌هایی برای شخصی‌سازی
✨ رنگ برگ: #2E8B57 (سبز تیره) و #90EE90 (سبز روشن) رو با هر رنگ دلخواه عوض کن
🪷 شکل متفاوت: به جای برگ، یه نماد Om (ॐ) یا خورشید بکش
💐 گل لوتوس: با چند تا circle کوچک‌تر یه گل ساده بکش
🎨 خروجی تصویر:
با
screen.getcanvas().postscript(file="yoga.eps")
کارت رو ذخیره کن (بعد با ابزار دیگه‌ای به PNG تبدیل کن)

🆔 @python4all_pro


🧩لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro

چطور با #Python و matplotlib یک نمودار حاشیه‌نویسی‌شده بسازیم 🐍📊

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure(figsize=(8, 6))

X = list(range(10))
plt.plot(X, np.exp(X))
plt.title('Annotating Exponential Plot using plt.annotate()')
plt.xlabel('x-axis')
plt.ylabel('y-axis')

plt.annotate('Point 1', xy=(6, 400),
             arrowprops=dict(arrowstyle='->'),
             xytext=(4, 600))

plt.annotate('Point 2', xy=(7, 1150),
             arrowprops=dict(arrowstyle='->',
                             connectionstyle='arc3,rad=-.2'),
             xytext=(4.5, 2000))

plt.annotate('Point 3', xy=(8, 3000),
             arrowprops=dict(arrowstyle='-|>',
                             connectionstyle='angle,angleA=90,angleB=0'),
             xytext=(8.5, 2200))

plt.show()

توضیح مرحله به مرحله
۱. ایمپورت کتابخونه‌ها

import matplotlib.pyplot as plt
import numpy as np

matplotlib.pyplot برای رسم نمودار و numpy برای محاسبات عددی (مثل تابع exp) لازمه.
۲. ساخت شکل و رسم داده

fig = plt.figure(figsize=(8, 6))
X = list(range(10))
plt.plot(X, np.exp(X))

یک شکل با اندازه‌ی ۸×۶ ساخته می‌شه و تابع نمایی e^x روی بازه‌ی ۰ تا ۹ رسم می‌شه.

۳. عنوان و برچسب محورها

plt.title('Annotating Exponential Plot using plt.annotate()')
plt.xlabel('x-axis')
plt.ylabel('y-axis')

۴. حاشیه‌نویسی‌ها با plt.annotate()
تابع annotate() سه پارامتر کلیدی داره:
پارامتر
کارش
text
متنی که می‌خوای نشون بدی
xy
نقطه‌ای که فلش بهش اشاره می‌کنه
xytext
موقعیت متن روی نمودار
arrowprops
استایل فلش
Point 1 — فلش ساده:

plt.annotate('Point 1', xy=(6, 400),
             arrowprops=dict(arrowstyle='->'),
             xytext=(4, 600))

فقط یه فلش معمولی از متن به نقطه.

Point 2 — فلش منحنی:

plt.annotate('Point 2', xy=(7, 1150),
             arrowprops=dict(arrowstyle='->',
                             connectionstyle='arc3,rad=-.2'),
             xytext=(4.5, 2000))

با connectionstyle='arc3,rad=-.2' فلش به صورت کمان با انحنای -0.2 رسم می‌شه (منفی یعنی انحنا به یه سمت خاص).

Point 3 — فلش با زاویه‌ی سفارشی:

plt.annotate('Point 3', xy=(8, 3000),
             arrowprops=dict(arrowstyle='-|>',
                             connectionstyle='angle,angleA=90,angleB=0'),
             xytext=(8.5, 2200))

اینجا connectionstyle='angle' با angleA=90 و angleB=0 یه فلش زاویه‌دار می‌سازه. سر فلش هم -|> یعنی پیکان کلاسیک با خط صاف.

💡 نکته: کلید اصلی plt.annotate() همینه: با xytext متن رو هر جا که دلت بخواد بذار، و با xy مشخص کن فلش به کدوم نقطه‌ی واقعی روی نمودار اشاره کنه.


🆔 @python4all_pro


🧩لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro

🎓 جمع‌بندی برای موفقیت در کنکور ارشد با فرادرس
 
📚 مرور مطالب مهم و تمرین سؤالات پرتکرار، همگی در «مجموعه دروس کنکور ارشد»...!
 
➕ ۸۰ درصد تخفیف برای همه آموزش‌ها
 
🔹 مهندسی کامپیوتر [+]
 
🔹 مهندسی برق [+]
 
🔹 مهندسی مکانیک [+]
 
🔹 مهندسی عمران [+]
 
🔹 مهندسی صنایع [+]
 
🔗 مشاهده سایر رشته‌های ارشد — [کلیک کنید]

🔄 FaraDars - فرادرس

🐍معرفی  SQLModel — ترکیب Pydantic و SQLAlchemy با type hints

؛SQLModel کتابخونه‌ای از تیم FastAPI هست که با استفاده از type annotationهای پایتون، کار با پایگاه‌داده‌ی SQL رو ساده‌تر می‌کنه.

🚀 مثال

from sqlmodel import Field, SQLModel

class Hero(SQLModel, table=True):
    id: int | None = Field(default=None, primary_key=True)
    name: str
    secret_name: str
    age: int | None = None

فقط با همین چند خط:
✅ یه جدول SQL ساخته شد
✅ یه مدل Pydantic برای validation داری
✅ یه ORM برای کوئری زدن داری

🔧 استفاده در FastAPI

from fastapi import FastAPI, Depends
from sqlmodel import Session, select
from .models import Hero

app = FastAPI()

# ساخت session
def get_session():
    with Session(engine) as session:
        yield session

@app.post("/heroes/")
def create_hero(hero: Hero, session: Session = Depends(get_session)):
    session.add(hero)
    session.commit()
    session.refresh(hero)
    return hero

@app.get("/heroes/")
def read_heroes(session: Session = Depends(get_session)):
    heroes = session.exec(select(Hero)).all()
    return heroes

🎯 ویژگی‌های کلیدی

🔗 یکپارچگی با Pydantic
؛validation خودکار با همان type hints
🔗 یکپارچگی با SQLAlchemy
تمام قابلیت‌های ORM در دسترس
⚡ سازگاری کامل با FastAPI
🪶 کد کمتر
یک مدل به جای دو مدل جداگانه
خطاها در زمان توسعه گرفته می‌شن
مناسب برای پروژه‌های بزرگ

📦 نصب
pip install sqlmodel
🔗 لینک گیت‌هاب:
https://github.com/fastapi/sqlmodel

مستندات:
https://sqlmodel.tiangolo.com/


🆔 @python4all_pro


🧩لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro

🏖 ۸۰ درصد تخفیف تابستانی فرادرس برای تمامی آموزش‌ها
 
✅ جدیدترین آموزش‌های منتشر شده 👇
 
🟡 توسعه نرم‌ افزار بدون کدنویسی با Cursor و ChatGPT Codex
 
🟡 هوش مصنوعی GPT برای مهندس نرم افزار
 
🟡 آموزش Gemini CLI – اجرای مدل‌های هوش مصنوعی
 
🟡 کسب درآمد با هوش مصنوعی GPT – تکمیلی
 
🟡 آموزش Vibe coding + ساخت اپلیکیشن بدون کدنویسی با هوش مصنوعی
 
🔗 مشاهده سایر آموزش‌ها [+]
 
➕ اشتراک فرادرس را با ۷۵ درصد تخفیف فعال کنید و به مدت یکسال به بیش از ۱۸,۰۰۰ آموزش، دسترسی رایگان داشته باشید.👇
 
🔗 فعال‌سازی اشتراک — [کلیک کنید]

🔄 FaraDars - فرادرس