python_developer
1.54K subscribers
3.74K photos
1.97K videos
232 files
434 links
کانال اموزش پایتون @Real_developer
تبلیغات پذیرفته میشود.
Download Telegram
💻نحوه ی تمیز کردن لپ تاپ

#ترفند
Media is too big
VIEW IN TELEGRAM
🎞 نحوه استفاده ازpipدر پایتون
📥 حجم:20mb
داده کاوی میکنی؟🤔
برنامه نویسی؟🤔
کد میزنی؟ پایتون؟🤔

⁉️سخت افزار مناسب نداری؟🧐
⁉️تاحالا به ابزار دست برنامه نویس از دید سخت افزاری نگاه کردی؟؟!!؟؟😳

فروشگاه تخصصی BBMROBOTICS برای شما پیشنهادات ویژه ای داره...

ابزار مناسب دست برنامه نویس!
ابزار داده کاوی !

📭ارسال رایگان سراسرکشور به مدت محدود📬

✔️مشاوره رایگان قبل از خرید

🆔 https://t.me/+YxPpLbNXOaZkODA0
This media is not supported in your browser
VIEW IN TELEGRAM
🗂 چطور یه فایل بزرگ رو به چند فایل کوچکتر تبدیل کنیم؟

1️⃣ روی پوشه یا فایل مورد نظرکلیک راست و گزینه Add to archive را انتخاب کنید.

2️⃣در پایین پنجره گزینه‌ای به نام Split to volumes,size قرار دارد. مقدار وارد شده در این بخش مشخص می‌کند که هر فایل باید چه اندازه‌ای داشته باشد.

⬅️عدد وارد شده در این بخش می‌تواند بر مبنای یکی از واحدهای بایت B کیلوبایت KB مگابایت MB یا گیگابایت GB تعیین شود.

3️⃣اندازه فایل خروجی را تعیین و ok کنید.

⬅️فایل‌های خروجی به نام‌های Part1,part2 و... با همان اندازه‌ایی که آن‌ها را مشخص کرده‌اید ساخته خواهند شد.

*️⃣ در مقصد برای یکپارچه کردن فایل‌ها و بازگرداندن آن‌ها به حالت عادی روی یکی از فایل‌ها کلیک راست کرده و گزینهHere Extract را انتخاب کنید.

#ترفند
awesome Python notebooks.
نت بوک های آماده پایتون برای یادگیری ژرف و علم داده


github.com/donnemartin/data-science-ipython-notebooks
برای استفاده از این لینک باید روش کار IPython notebook رو بدونید.
اگر برنامه نویس پایتون هستید و با ipython آشنایی ندارید توصیه میکنم این ویدیو از جادی میرمیرانی رو حتما ببینید که درباره آشنایی با محیط IPython و مفهوم نت بوک هست.



dideo.ir/v/ap/0BT7e
This media is not supported in your browser
VIEW IN TELEGRAM
🌐 برترین ویرایشگر ها برای توسعه وب

#دانستنی_ها
 آموزش Python for Data Science and Machine Learning Bootcamp
dive into machine learning with python
نکات مفید برای آموزش یادگیری ماشین با پایتون

#machine_learning #python #github

github.com/hangtwenty/dive-into-machine-learning
Space strategy game where coding is your extra weapon.
بازی شبیه به clash of clans که در آن میتوان از برنامه نویسی استفاده کرد


#python #js #gamification

empireofcode.com
This media is not supported in your browser
VIEW IN TELEGRAM
📤4 روش برای افزایش حجم آپلود تصاویر در وردپرس

#ترفند
👍2
pyimagesearch.com #python #opencv #vision #image_processing
Image processing tutorials with python and opencv
یادگیری پردازش تصویر و بینایی ماشین با پایتون و opencv
thanks to : Peyman
🤩3👍1
pylie.com #python #farsi #kids #tutorial #mooc
interactive python learning for teens
محیط تعاملی و یادگیری برنامه نویسی با پایتون برای نوآموزان برنامه نویسی
thanks to : Farzaneh Mohammadi
👍2🎉1🤩1
دوستان لطفا از این به بعد اگر مطالب براتون مفید بوذ نظرات خودتون رو توسط استیکر ها بیان کنید خوشحال میشیم برای بهبود کانال از نظرات شما استفاده کنیم .

برای ارسال نظر فقط کافی روی متن بزنید و یکی از استیکر هایی که در بالا براتون نمایش داده میشه رو بزنید تا ثبت بشه .
👍146👎1🎉1
python_developer pinned «دوستان لطفا از این به بعد اگر مطالب براتون مفید بوذ نظرات خودتون رو توسط استیکر ها بیان کنید خوشحال میشیم برای بهبود کانال از نظرات شما استفاده کنیم . برای ارسال نظر فقط کافی روی متن بزنید و یکی از استیکر هایی که در بالا براتون نمایش داده میشه رو بزنید تا…»
This media is not supported in your browser
VIEW IN TELEGRAM
🔷 نکات موثر در #طراحی_سایت

#دانستنی_ها
👍1
#درونیابی_و_هموارسازی:
درونیابی و هموار سازی در R به صور مختلفی قابل اعمال اند که بعضی از آنها را به شرح ذیل می آوریم:
#درونیابی_خطی: تابع ()approx
که بین نقاط انجام می شود.
#درونیابی_با_استفاده_ازمکانیسم
_تابع()spline: نسبت به روش قبل هموار تر است.
#تابع_()smooth.spline:مجموعه نقاطی که قدری هموارتر شده است اما نقاط اصلی را بهم متصل نمی کند.
#مثالی در این باره را در نرم افزار اجرا می کنیم
> x<-1:10

> y<-c(9,7,6,8,5,8,9,6,3,5)

> plot(x,y,cex=2,main="interpolation,smoothing",sub="Reducational")

> lines(spline(x,y,n=100),lty=1)

> points(approx(x,y,xout=seq(1,10,0.1)),pch=1)

> lines(smooth.spline(x,y),lty=2)

> legend("bottomleft",lty=c(1,NA,2),pch=c(NA,1,NA),legend=c("spline","approx",
"smooth.spline"))
👍2