نام‌پای (به انگلیسی: NumPy) یک بستهٔ نرم‌افزاری قابل افزودن به پایتون است که کاربرد اصلی‌اش در مقاصد علمی و برای کار با اعداد است. پایتون به صورت پیش‌فرض تنها از آرایه‌ها و متغیرها برای عملیات ریاضی ساده پشتیبانی می‌کند. بستهٔ نام‌پای ویژهٔ کار با اعداد از راه ماتریس‌ها و آرایه‌های چندبعدی طراحی شده است. از ویژگی‌های آرایه‌ها در نام‌پای این است که می‌توان اندازهٔ آن‌ها به صورت پویا تغییر داد که این امر به افزایش سرعت برنامه‌نویسی کمک می‌کند.

❣ چگونه نسبت به خود #احساس بهتری داشته باشیم؟

بیاییم با خودمان قرار بگذاریم که:
راستگو و درستکار باشیم، به هر قیمتی! ممکن است در کوتاه‌مدت ضرر کنیم و فرصت‌هایی را از دست بدهیم
ولی باور کنید خیلی سودمند خواهد بود.

اولین و مهم‌ترین سود آن:
احترام‌ به‌ خود و رضایت از خویشتن خواهد بود. این را نمی‌ شود، خرید.

بلکه باید آن را در خودمان، فرزندانمان، شرکتمان، شهرمان ایجاد کنیم. این یک ارزش است. ارزشی که من و شما آن را درست و انتخاب می‌کنیم. تصمیم بگیریم که درستکار باشیم.

با هم تصمیم بگیریم:
کمک کنیم تا با رفتارمان، زندگی‌ مان را بسازیم.
شهر و شرکت‌ مان را بسازیم.
مشتری‌ ها و اداره و سازمان‌ مان را خوشحال نگه‌ داریم.
کشور و ملت‌ مان را سربلند کنیم.
ایمان و دین‌ مان را سربلند کنیم.

فقط با رفتاری که امروز، من و شما انتخاب می‌ کنیم.

اموزش توابع numpy

شکل بالا به خوبی مسیر مارو برای یادگیری روشن میکنه. از تمام موارد بالا اموزش خواهیم داشت و با قدرت پیش میریم.🔥

اموزش نصب و راه اندازی فریم ورک Django

یک کتابخانه متن باز برای زبان پایتون است که توسط گوگل در سال ۲۰۱۵ انتشار پیدا کرد. این کتابخانه در به برنامه نویسان کمک میکند تا بتواند طراحی و پیاده سازی شبکه های عصبی عمیق (Deep Learning Network) را به سادگی انجام دهند.


البته این که بخواهیم Tensorflow را فقط یک کتابخانه مربوط به شبکه های عصبی عمیق بدانیم، شاید کاره درستی نباشد. این کتابخانه در واقع یک چهارچوب نرم افزاری برای زبان پایتون است که به برنامه نویسان اجازه می دهد تا محاسبات خود را به صورت گراف (Graph) و جریان داده (Data Flow) انجام دهند. در Tensorflow همه چیز از گره (Node) و یال (Edge) تشکیل شده است. گره ها، در Tensorflow عملیات ریاضی هستند، این در حالی است که یال ها، همان داده ها را نمایش می دهند، که بین گره ها (عملیات ریاضی) جا به جا می شوند.

به خاطر پیاده سازی قدرتمند، کاربردهای بسیار زیادی در حوزه داده کاوی و یادگیری عمیق دارد. برای مثال از کاربردهای این چهارچوب نرم افزاری میتوان موارد زیر را بیان کرد:

» شناسایی کاراکتراهای عددی و حروفی
» شناسایی عناصر موجود در عکس
» تشخیص و طبقه بندی تصاویر (برای مثال اگر تصویر چند گربه را به شبکه بدهیم، میتواند این تصویر گربه را یادگرفته، و اگر از این به بعد تصاویر گربه به این شبکه داده شد، میتواند تشخیص دهد)

خودت رو دوست داشته باش...

عشق من نسبت به خودم
من را از قربانی بودن به برنده بودن تبدیل می کند!

عشق من نسبت به خودم
تجربیات شگفت انگیزی را جذب می کند!

افرادی که نسبت به خودشان احساس خوبی دارند، به طور طبیعی جذاب هستند...!

👤 لوئیز هی

اموزش پایتون طراحی سایت

اموزش رابط گرافیکی در پایتون

اشنایی با کتابخانه SciPy
سای پای یکی دیگر از کتابخانه های بی نظیر پایتون است. در واقع سای پای نسخه تکمیل شده Numpy است که در محاسباات ریاضی، اقتصادی و مالی بسیار کاربرد دارد.
مسائلی مانند تحلیل رگرسیون، بهینه یابی، محاسبات آماری، محاسبات مالی و ... به راحتی با scipy قابل انجام است.

اموزش matplotlib

اشنایی با ساختمان داده ها در پایتون

محیط مجازی (virtual environment) رو نصب کنید. محیط مجازی اصن چه بدرد میخوره؟ فرض کنید در یکی از پروژه‌هاتون از تنسورفلو نسخه ۰.۱۰ استفاده کردید و در یکی دیگه از تنسورفلو نسخه ۱.۱۰.مساله ای که خیلی متداول است اینه که اگر تنسورفلو خودتون رو به روزرسانی کنید خیلی از کدهایی که قبلا زدید اجرا نمیشن و اصلاحا کدهایی که زدید backward compatible نیستند. از طرف دیگه اگر نسخه اتون رو کاهش بدید به ۱.۱۰تبدیل کنیدخیلی از ویژگی‌های جدید رو از دست می‌دهید.برای رفع این مشکل درپایتون معمولا از محیط مجازی یا virtual environment استفاده می‌کنند. به صورت پیش‌فرض محیط مجازی با پایتون نصب نمیشه و بخاطر همین مجبوریم که خودمون نصب کنیم.

تنسرفلو برای این که بتواند توزیع پذیری داشته باشد و performance را بالا ببرد مدل برنامه نویسی graph base را ارائه داده و محاسبات را از اجرا جدا کرده است.

مثال: با توجه به شکل دو نود برای input ، یک نود برای mul و یک نود برای add داریم. خروجی نود mul و add می توانند به یک نود add دیگر بروند. حالا می توانیم به input ها عدد بدهیم و خروجی را ببینیم.

فیلم اموزش numpy

دستاوردهای داده های بزرگ (Big Data)


در این پست به دستاوردهای داده های بزرگ اشاره خواهم کرد:

1️⃣ داده های بزرگ به ما کمک می کنند تا به جای یک برش زمانی از داده ها ، از جریان پایدار داده ها استفاده کنیم. این به ما کمک می کند که نتایج به روز و تصمیم گیری در لحظه داشته باشیم.
2️⃣ داده های بزرگ ما را از انحراف در تحلیل نجات می دهند. با کمک داده های بزرگ و بررسی یک موضوع از مناظر مختلف و با حجم گسترده داده متنوع می توانیم با احتمال بسیار زیاد نتایج صحیحی داشته باشیم.
3️⃣ داده های بزرگ امکان تمرکز ما را بر روی جزئی ترین مسائل افزایش می دهند. یعنی در عین نگاه کلان، نگاه بسیار دقیق و جزئی هم به ما می دهد.