پایتون | Data Science | Machine Learning
24.2K subscribers
653 photos
81 videos
129 files
511 links
◀️اینجا با تمرین و چالش با هم پایتون رو یاد می گیریم

⏮بانک اطلاعاتی پایتون
پروژه / code/ cheat sheet
+ویدیوهای آموزشی

+کتابهای پایتون
تبلیغات:
@alloadv

🔁ادمین :
@maryam3771
Download Telegram
📘 پروژه‌های یادگیری ماشین

می‌خوای یادگیری ماشین رو با پروژهٔ عملی یاد بگیری؟ این pdf منبع خوبیه برای توسعه‌دهنده‌ها، دانشجوها و دانشمندان داده‌ای که می‌خوان مهارت ML خودشون رو با کار عملی تقویت کنن.

🎁 داخلش چیا هست؟
• ایده‌های عملی پروژه‌های Machine Learning
• فرصت‌هایی برای تقویت پایتون
• یادگیری hands-on و تجربهٔ مستقیم
• یادگیری مبتنی بر پروژه برای مبتدی‌ها و توسعه‌دهنده‌ها


🐍 به همراه تمام کدها Python

🔗 دریافت PDF رایگان:
https://www.clcoding.com/2026/08/machine-learning-projects-free-pdf.html

🌐 #علم_داده #DataScience #MachineLearning #Python #یادگیری_ماشین

@python4all_pro
Advanced Pandas.zip
126.2 MB
📘 آموزش«Pandas پیشرفته»

👨‍🏫 سطح: پیشرفته

📝 این دوره توابع پیشرفتهٔ Pandas رو آموزش می‌ده تا بتونی موثرتر با داده‌هات کار کنی.

🧠 چی یاد می‌گیری؟
• زنجیره‌سازی عملیات (method chaining) برای کد تمیزتر و سریع‌تر
• کار با داده‌های چندشاخصی (MultiIndex) و گروه‌بندی پیشرفته
• ؛groupby، pivot_table و merge برای بازآرایی و ترکیب داده
• ؛apply و توابع سفارشی روی Series و DataFrame
• مدیریت داده‌های گمشده (missing values) و مقادیر تکراری
• بهینه‌سازی عملکرد و کار با داده‌های بزرگ

🛠️ پیش‌نیاز: آشنایی با Pandas در سطح مقدماتی — عملیات پایه (خواندن CSV، انتخاب ستون و ردیف، فیلتر، گروه‌بندی).

🌐 #علم_داده #DataScience #Pandas #Python #DataAnalysis #پایتون

@python4all_pro
🤖 دستیار هوش مصنوعی محلی که خودش سر وقت کار می‌کنه

معمولاً AIها فقط وقتی کار می‌کنن که ازشون بخوای — ولی این آموزش به شما نشون می‌ده چطور یه دستیار محلی بسازی که روی زمان‌بندی اجرا بشه.

🛠️ جعبه‌ابزار:
• Python — مغز اجرا
• Ollama — اجرای مدل روی سیستم خودت
• Qwen — مدل زبانی
• LangChain — اتصال مدل به ابزارها
• cron (لینوکس/مک) و Task Scheduler (ویندوز) — زمان‌بندی اجرا

✅ نتیجه: ایجنت‌های روزانه برای کارهای تکراری، بدون اینکه دستی بهشون بزنی.

🔐 مزیت بزرگ: چون همه‌چیز لوکال اجرا می‌شه، داده‌هات از دستگاه خودت بیرون نمی‌رن — برای کارهای شخصی و حساس عالیه.

📖 لینک مقاله:
https://www.freecodecamp.org/news/how-to-build-and-schedule-local-ai-assistants-for-daily-tasks/

🌐 #هوش_مصنوعی #AI_Agents #Python #Ollama #LangChain

@python4all_pro
👍3
Convert PDF to DOCX Using Python!

Python makes it simple with the pdf2docx library.

Quick Steps:
Install pdf2docx
Import the Converter class.
Load your PDF file.
Convert it into a DOCX file.
Close the converter.

Install:
pip install pdf2docx

@python4all_pro
اندری کارپاتی (Andrej Karpathy)، یکی از چهره‌های شناخته‌شده دنیای هوش مصنوعی، تمام منابع دوره آموزشی خودش رو به‌صورت رایگان در GitHub منتشر کرده.

این مجموعه شامل ۷ پروژه است که به ترتیب مشخصی چیده شدن تا بتونی قدم‌به‌قدم یاد بگیری هوش مصنوعی چطور کار می‌کنه:

۱. nn-zero-to-hero
دوره ویدیویی آموزش ساخت Neural Network از صفر؛ با پیاده‌سازی تمام مراحل از پایه.
https://github.com/karpathy/nn-zero-to-hero

۲. micrograd
یادگیری ریاضیات پشت فرایند آموزش هوش مصنوعی، با کدنویسی بسیار کم و ساده.
https://github.com/karpathy/micrograd

۳. makemore
ساخت یک مدل کوچک که از روی الگوهای یادگرفته‌شده، اسم‌های جدید تولید می‌کنه.
https://github.com/karpathy/makemore

۴. minbpe
یاد می‌گیری هوش مصنوعی چطور کلمات و متن رو به Token تبدیل می‌کنه.
https://github.com/karpathy/minbpe

۵. nanoGPT
آموزش ساخت و Train کردن مدل GPT شخصی خودت.
https://github.com/karpathy/nanoGPT

۶. nanochat
ساخت یک نسخه جمع‌وجور از ChatGPT با هزینه‌ای در حدود ۱۰۰ دلار.
https://github.com/karpathy/nanochat

۷. autoresearch
ساخت Agentهایی که به‌صورت خودکار روی یک GPU آزمایش‌های مختلف هوش مصنوعی انجام می‌دن و نتایج رو بررسی می‌کنن.
https://github.com/karpathy/autoresearch

این ۷ مخزن در مجموع بیش از ۲۸۴ هزار GitHub Star دارن.

تقریباً تمام چیزهایی که برای درک سازوکار ChatGPT و نحوه کار مدل‌های زبانی بزرگ (LLM) نیاز داری، در این مجموعه به‌صورت رایگان و Open Source در دسترسه.

اگر می‌خوای هوش مصنوعی رو فراتر از استفاده روزمره بشناسی، این مسیر آموزشی ارزش دنبال کردن داره.

@python4all_pro
🧠 ساخت اولین سیستم multi_agent با پایتون و LangGraph

وقتی یه LLM باید هم‌زمان برنامه‌ریزی کنه، بنویسه و بازبینی کنه، پرامپت‌ها به‌هم می‌ریزن و خروجی آشفته می‌شه.

توی این آموزش یاد میگیرید چطور با پایتون و LangGraph یه سیستم چندایجنتی بسازید

ابزارهایی که استفاده می‌کنی:
• Ollama — اجرای مدل روی سیستم خودت
• Qwen — مدل زبانی محلی
• پرامپت‌های متمرکز — هر ایجنت یه وظیفهٔ مشخص
• shared state — وضعیت مشترک بین ایجنت‌ها
• nodes & edges — گره‌ها و یال‌ها در گرافِ جریان کار

📖 لینک آموزش:
https://www.freecodecamp.org/news/how-to-build-your-first-multi-agent-ai-system-in-python-and-langgraph/

🌐 #هوش_مصنوعی #LangGraph #Python #Ollama #Qwen #LLM

@python4all_pro
❤3🙏2
Forwarded from FaraDars_Course
🔴 فرصت محدود — با ۸۹ هزار تومن در فرادرس آموزش ببین!!
 
🎉 از بین آموزش‌های فرادرس یک تا ۳ آموزش رو انتخاب کن؛ هر آموزش رو با ۸۹ هزار تومن دریافت کن!!
 
🎁 کد تخفیف: FRNWT89
 
✅ دسترسی به آموزش‎‌ها - [کلیک کنید]
 
⚠️ توجه: از این کد فقط یک‌بار میتونی استفاده کنی؛ پس هر ۳ آموزش رو در یک سفارش ثبت کن.

@FaraDars — فرادرس
📊 افزودن و حذف ستون در Pandas

؛DataFrame ها خیلی منعطف‌اند؛ به‌راحتی ستون جدید بسازید یا ستون‌های اضافه را حذف کنید:
# افزودن ستون جدید
df['revenue'] = df['sales'] * df['price']

# ساخت ستون از ستون‌های موجود
df['full_name'] = df['first_name'] + ' ' + df['last_name']

# حذف ستون
df.drop(columns=['temp_col'], inplace=True)

# یا ساخت DataFrame جدید بدون تغییر دادن اصلی
clean_df = df.drop(columns=['old_col1', 'old_col2'])

💡 نکته: با inplace=True دیتاست اصلی مستقیماً تغییر می‌کند؛ اگر می‌خواهید داده‌های خام دست‌نخورده بماند، بدون inplace یک نسخهٔ جدید بسازید.

#Pandas #Python #DataScience

@python4all_pro
❤2
📦 ساخت و ایمپورت ماژول در پایتون

ایمپورت با تغییر نام (alias)

می‌توانید هنگام ایمپورت، نام ماژول را با کلیدواژهٔ as تغییر دهید.
import calculator as calc

print(calc.add(20, 10)) # 30
print(calc.subtract(20, 10)) # 10
print(calc.multiply(20, 10)) # 200
print(calc.divide(20, 10)) # 2.0

💡 نکته: با این روش می‌توانید نام ماژول‌های طولانی یا مبهم را کوتاه و خواناتر کنید، بدون اینکه فایل اصلی را تغییر دهید.

#Python #Modules #Programming #برنامه_نویسی #پایتون

@python4all_pro
👍3😍1
Forwarded from FaraDars_Course
💥 رایگان شد — آموزش «کاربرد ChatGPT برای برنامه‌نویسی پایتون» در فرادرس
 
⏳ فرصت محدود ⏳
 
💯 در این طرح رایگان، هر هفته امکان دسترسی رایگان به یک آموزش به مدت دو هفته فراهم می‌شود؛ فرصتی برای یادگیری یک مهارت تازه، بدون پرداخت هزینه.
 
🎁 کد تخفیف ۱۰۰ درصدی: FRQX46
 
✅ مهلت استفاده از کد تخفیف: جمعه، ۲۹ آبان ۱۴۰۵
 
🔻 از تبدیل ایده و الگوریتم به کد پایتون تا پیدا کردن ایرادهای برنامه، در این آموزش یاد می گیریم چطور از ChatGPT به عنوان یک دستیار برنامه نویسی استفاده کنیم.
 
🔗 لینک دریافت رایگان آموزش [+]

@FaraDars — فرادرس
👍1
📄 خواندن فایل CSV در پایتون

؛CSV مخفف Comma-Separated Values است؛ رایج‌ترین فرمت داده‌های جدولی در سراسر وب. با pandas، تبدیل یک CSV به یک DataFrame قدرتمند و قابل‌کوئری فقط چند خط ساده نیاز دارد.
# ایمپورت کتابخانه pandas
import pandas as pd

# مشخص کردن مسیر فایل CSV
filename = "data.csv"

# خواندن فایل CSV در یک DataFrame
df = pd.read_csv(filename)

# بررسی پنج سطر اول
df.head()

💡 نکته: df.head() یک نمای کوتاه از ابتدای داده‌ها نشان می‌دهد؛ برای دیدن انتهای دیتاست از df.tail() و برای خلاصهٔ کلی از df.info() استفاده کنید.

#Pandas #Python #CSV #DataFrame #تحلیل_داده #دیتاساینس

@python4all_pro
❤‍🔥2👍2
🐍 SQL to Python
یک جدول جمع‌وجور که معادل هر عملیات SQL را در Pandas نشان می‌دهد

این جدول برای کسی که از SQL به Pandas مهاجرت می‌کند، یک چک‌لیست عالی است


#Pandas #Python #SQL

@python4all_pro
Loading a JSON file in Python

JSON is the king of APIs, config files, NoSQL databases, and web data.
With Python’s built-in json module (or pandas), you go from file to usable data in seconds
# Import json module (built-in, no install needed!)
import json

# Or import pandas if you want it directly as a DataFrame
import pandas as pd

# Your JSON file path
filename = "data.json"

# Load JSON file into a Python dictionary/list
with open(filename, "r", encoding="utf-8") as file:
    data = json.load(file)

# Quick look at structure and first few items
print(type(data))        # usually dict or list
print(data.keys() if isinstance(data, dict) else len(data))

# Load the json file
df = pd.read_json(filename)        


df.head()

@python4all_pro
❤‍🔥2
🔥 کوئرا به مناسبت بلک‌فرایدی توی بزرگ‌ترین تخفیف سالشه!

🚀 اگه می‌خوای برنامه‌نویسی، هوش مصنوعی یا یه مهارت جدید یاد بگیری، الان بهترین فرصته!

🎯 همه دوره‌های کوئرا کالج ۵۰٪ تخفیف دارن!
تازه با انتخاب دوره‌های بیشتر، تخفیفت به ۶۰٪ و بعد ۷۰٪ می‌رسه!

📚 از پایتون و تحلیل داده تا فرانت‌اند، Agentic AI، هک و امنیت و وایب‌کدینگ!

💳 پرداخت قسطی با اسنپ‌پی


⏳ الان با تخفیف ثبت‌نام کن، هر وقت خواستی یاد بگیر!
🔗 https://quera.org/r/bw08g
🗺️ نقشهٔ راه توسعه‌دهندهٔ بک‌اند پایتون

۱. زبان برنامه‌نویسی — Python (پایه)

۲. فریم‌ورک‌ها
• Django — ب batteries included، ادمین، ORM
• Flask — مینیمال و سبک
• FastAPI — async، تایپ‌هینت، خودکارسازی مستندات

۳. دیتابیس
• PostgreSQL · MySQL · SQLite · MongoDB

۴. API
• JSON (فرمت) · REST · GraphQL · SOAP

۵. ابزارها
• VS Code
• Cloud Computing (AWS, Azure, GCP)
• Git & GitHub
• Testing (PyTest, Unittest)

💡 انتخاب فریم‌ورک مهم‌تر از ترتیب یادگیری است. برای شروع FastAPI یا Flask، برای پروژه‌های جدی و ادمین‌محور Django.

• ؛PostgreSQL را جدی بگیر — SQLite برای توسعه و تست، ولی MySQL/MongoDB وقتی ارزش دارند که پروژهٔ واقعی با ترافیک بالا باشد.

• مهم‌ترین چیزی که در نقشه نیست: Linux، Docker، CI/CD و مفاهیم شبکه/TCP. بدون Docker و استقرار روی یک سرور، بک‌اند یادگیری‌ات ناقص می‌ماند.

• تست را از روز اول با PyTest بنویس، نه از بعد. تستِ نوشته‌شده در آخر، همیشه بدتر از تستِ نوشته‌شده در اول است.

• ؛GraphQL و SOAP را آخر بگذار. REST را عمیق یاد بگیر؛ بقیه سطحی کافی است.

@python4all_pro
👈 🐍 ایده‌هات رو با پایتون به برنامه تبدیل کن!

در دوره جامع برنامه‌نویسی پایتون سماتک، از نوشتن اولین خط کد شروع کن و قدم‌به‌قدم سراغ ساخت نرم‌افزار، کار با دیتابیس و توسعه وب با Django، Flask و FastAPI برو.

💻 100 ساعت آموزش پروژه‌محور
👨‍🏫 با تدریس استاد وحید قربانی

✅ بدون پیش‌نیاز


👈 برای دریافت سرفصل‌ها، شهریه و شرایط ثبت‌نام، عدد 107 رو به آیدی @sematecr بفرستید.

➖➖➖➖
Please open Telegram to view this post
VIEW IN TELEGRAM
🔰 Join and split methods in Python

@python4all_pro
🔗 متدهای join() و split() در پایتون

join() — چسباندن
my_list = ["Hello", "world", "Python"]
result = " ".join(my_list)
print(result)
# Hello world Python

توضیح: join() عناصر یک iterable (مثل لیست یا تاپل) را با یک جداکنندهٔ مشخص به یک رشتهٔ واحد تبدیل می‌کند.

👉 آن " " داخل پرانتز، جداکننده است. هرچه بگذاری بین عناصر قرار می‌گیرد: "-".join(...)، ", ".join(...) و...

split() — شکستن
my_string = "Hello world Python"
result_list = my_string.split()
print(result_list)
# ['Hello', 'world', 'Python']

توضیح: split() یک رشته را بر اساس یک جداکننده به لیستی از زیررشته‌ها تبدیل می‌کند. به‌طور پیش‌فرض روی فاصله‌ها (whitespace) می‌شکند.

💡 نکته‌های کاربردی که معمولاً جا می‌افتند:

• ترتیب برعکس: split() رشته را می‌شکند، join() لیست را می‌چسباند. پس این دو، عملِ وارونهٔ هم هستند:
"a,b,c".split(",")      # ['a', 'b', 'c']
"-".join(['a','b','c']) # 'a-b-c'

• join فقط روی رشته‌ها کار می‌کند — اگر لیستت عدد دارد، اول تبدیل کن:
", ".join(str(x) for x in [1, 2, 3])   # '1, 2, 3'

(راه تمیزتر: map(str, ...))

• split() بدون آرگومان فاصله‌های اضافه را هم حذف می‌کند، ولی اگر جداکننده بدهی:
"a, b, c".split(",")    # ['a', ' b', ' c']  ← فاصله‌ها می‌مانند!

پس بعدش معمولاً .strip() لازم می‌شود.

• برای متن‌های چندخطی: splitlines() بهتر از split("\n") است، چون \r\n را هم درست هندل می‌کند.

• str.split() برعکس split(maxsplit=1) — وقتی فقط اولین جداکننده را می‌خواهی، maxsplit را تنظیم کن تا الگوریتم زودتر متوقف شود (بهینه‌تر).

• کاربرد واقعی: ساخت CSV/URL query، پارس کردن لاگ، و — خیلی رایج — چسباندن path‌ها: "/".join(parts).
🎓 تمرین کوتاه: یک تابع بنویس که نام و نام خانوادگی را بگیرد و email استاندارد بسازد، بعد همان email را برگرداند. با join و split هر دو مرحله.



@python4all_pro
😍3👍1