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.

اموزش تبدیل برنامه های پایتون به فایل اجرایی ویندوز

وب اسکرپینگ به عمل جمع آوری اطلاعات از وبسایت ها به صورت اتوماتیک با استفاده از یک bot میگویند.
هرچند که اگه شما به صورت دستی هم اطلاعات رو جمع آوری کنید یک scraper هستید.در زبان پایتون ابزارهای متنوعی برای این کار وجود داره اما چهارتا از معروف هاش: scrapy, selenium, request, beautifulSoup هستن.

چرا تحلیلگران به وب اسکرپینگ نیاز دارند؟
یک سازمان بزرگ نیاز دارد تا خود را با تغییرات اطلاعاتی که در تعداد زیادی از وب‌سایت‌ها به وقوع می‌پیوندد به روز نگه دارد. یک وب اسکرپر هوشمند (intelligent web scraper) وب‌سایت‌های جدیدی که باید داده‌ها را از آن‌ها اسکرپ کند می‌یابد. رویکردهای هوشمند، داده‌های تغییر یافته را تعیین کرده و آن‌ها را بدون بیرون آوردن لینک‌های غیر لازم موجود در محتوا، استخراج کرده و به منظور نظارت و استخراج اطلاعات زمان واقعی به طور موثر و کارآمدی در صفحه وب خزش می‌کنند. پژوهشگر می‌تواند به سادگی بر چندین وب‌سایت به طور همزمان نظارت کند، در حالیکه با فرکانس تکرارها نیز به روز است.

اموزش استانه گذاري در پردازش تصویر

تکرار گرها یا iterator ها در زبان های برنامه نویسی استفاده های زیادی دارند. برنامه نویسان در هنگام استفاده از ساختمان داده های آماده مکرراً از تکرارگرها استفاده میکنند. به عبارت ساده تر، با وجود iterator هاست که میتوانیم یک لیست، آرایه یا ساختمان داده خاص دیگری را پیمایش کرده و تک تک عناصر آنرا درون یک حلقه بررسی کنیم.