⭕️فریم‌ورک‌ها و کتابخانه‌های دیتاساینسی در زبان پایتون
1. NumPY
2. SciPY
3. TensorFlow
4. Keras
5. Matplotlib
6. Pandas
@python_rd
1. NumPY
2. SciPY
3. TensorFlow
4. Keras
5. Matplotlib
6. Pandas
@python_rd
PyCoders (پایتون)
Photo
بدینوسیله با افتخار اعلام میکنم داکیومنت پروژه ی رمزگشایی کتیبه های باستانی گیلگمش (eBL) رو نوشتم.
مدتی بود که روی این پروژه کلی کار کردم و در مدیوم هم مقاله نوشتم و آخر سر به پروفسور انریکه جیمنز ایمیل زدم و به ایشون اطلاع دادم که برای ریپازیتوری داکیومنت پروژه اشون (پروژه مون🥺) پول رکئوست زدم و ایشون هم رکوئست من رو merge کردند و الان من یکی از contributor های این پروژه هستم! اصلا خودم باورم نمیشه🥺.
پروفسور انریکه جیمنز پاسخ ایمیلم هم دادند؛ چقدر با گرمی ازم استقبال کردند🥰.
خدایا شکرت💖
به وقت ۱۳ ژون ۲۰۲۴ میلادی
لینک پروژه:
https://github.com/Melanee-Melanee/Electronic-Babylonian-Library-eBL-documentation
مدتی بود که روی این پروژه کلی کار کردم و در مدیوم هم مقاله نوشتم و آخر سر به پروفسور انریکه جیمنز ایمیل زدم و به ایشون اطلاع دادم که برای ریپازیتوری داکیومنت پروژه اشون (پروژه مون🥺) پول رکئوست زدم و ایشون هم رکوئست من رو merge کردند و الان من یکی از contributor های این پروژه هستم! اصلا خودم باورم نمیشه🥺.
پروفسور انریکه جیمنز پاسخ ایمیلم هم دادند؛ چقدر با گرمی ازم استقبال کردند🥰.
خدایا شکرت💖
به وقت ۱۳ ژون ۲۰۲۴ میلادی
لینک پروژه:
https://github.com/Melanee-Melanee/Electronic-Babylonian-Library-eBL-documentation
✅ خطا ها در زبان پایتون
◽️ در زبان پایتون، خطاها به دو دسته تقسیم می‌شوند: خطاهای معمولی (Exceptions) و خطاهای زمان اجرا (Runtime Errors). اینجا چند خطا اصلی همراه با معانیشان آمده است:
1. خطای (SyntaxError): زمانی رخ می‌دهد که کد نوشته شده با قواعد زبان پایتون مغایرت داشته باشد.
2. خطای فاصله گذاری (IndentationError): وقتی فاصله‌گذاری در کد ناقص یا نادرست باشد.
3. خطای (NameError): وقتی یک نام متغیر یا فراخوانی وجود نداشته باشد.
4. خطای (TypeError): وقتی عملیاتی روی نوع اشیاء نامناسب باشد.
5. خطای (IndexError): وقتی شاخصی برای دسترسی به یک عنصر در یک لیست یا رشته وجود نداشته باشد.
6. خطای (ValueError): زمانی اتفاق می‌افتد که یک عملیات با یک مقدار نامناسب انجام شود.
7. خطای (KeyError): وقتی یک کلید در یک دیکشنری وجود نداشته باشد.
8. خطای (FileNotFoundError): وقتی یک پرونده مورد نظر برای عملیات فایل مورد نظر پیدا نشود.
9. خطای (ModuleNotFoundError): وقتی یک ماژولی که قرار استفاده شود پیدا نشود.
10. خطای (ZeroDivisionError): وقتی تلاش برای تقسیم عددی بر صفر انجام شود.
@python_rd
◽️ در زبان پایتون، خطاها به دو دسته تقسیم می‌شوند: خطاهای معمولی (Exceptions) و خطاهای زمان اجرا (Runtime Errors). اینجا چند خطا اصلی همراه با معانیشان آمده است:
1. خطای (SyntaxError): زمانی رخ می‌دهد که کد نوشته شده با قواعد زبان پایتون مغایرت داشته باشد.
2. خطای فاصله گذاری (IndentationError): وقتی فاصله‌گذاری در کد ناقص یا نادرست باشد.
3. خطای (NameError): وقتی یک نام متغیر یا فراخوانی وجود نداشته باشد.
4. خطای (TypeError): وقتی عملیاتی روی نوع اشیاء نامناسب باشد.
5. خطای (IndexError): وقتی شاخصی برای دسترسی به یک عنصر در یک لیست یا رشته وجود نداشته باشد.
6. خطای (ValueError): زمانی اتفاق می‌افتد که یک عملیات با یک مقدار نامناسب انجام شود.
7. خطای (KeyError): وقتی یک کلید در یک دیکشنری وجود نداشته باشد.
8. خطای (FileNotFoundError): وقتی یک پرونده مورد نظر برای عملیات فایل مورد نظر پیدا نشود.
9. خطای (ModuleNotFoundError): وقتی یک ماژولی که قرار استفاده شود پیدا نشود.
10. خطای (ZeroDivisionError): وقتی تلاش برای تقسیم عددی بر صفر انجام شود.
@python_rd
مدل YOLO v10 هم منتشر شد!
مدل های YOLO جزو قوی ترین مدل های پردازش دیتای تصویری هستند که تا الان ده تا ورژن از این مدل دولوپ شده.
این مدل در ۶ سایز معرفی شده:
نانو (N): ۲/۳ میلیون پارامتر
کوچک (S): ۷/۲ میلیون پارامتر
متوسط (M): ۱۵/۴ میلیون پارامتر
بزرگ (B): ۱۹/۱ میلیون پارامتر
بزرگ (L): ۲۴/۴ میلیون پارامتر
خیلی بزرگ (X): ۲۹/۵ میلیون پارامتر
این مدل، دقت (mAP) بهتری روی دیتاست عظیم COCO داشته و به‌خاطر عدم استفاده از NMS به مراتب سریع‌تر هست؛ به صورتیکه کوچک‌ترین سایز هر تصویر رو در یک میلی‌ثانیه پردازش می‌کنه.
https://github.com/THU-MIG/yolov10/
mPA: mean Pixel Accuracy
#پردازش_تصویر
مدل های YOLO جزو قوی ترین مدل های پردازش دیتای تصویری هستند که تا الان ده تا ورژن از این مدل دولوپ شده.
این مدل در ۶ سایز معرفی شده:
نانو (N): ۲/۳ میلیون پارامتر
کوچک (S): ۷/۲ میلیون پارامتر
متوسط (M): ۱۵/۴ میلیون پارامتر
بزرگ (B): ۱۹/۱ میلیون پارامتر
بزرگ (L): ۲۴/۴ میلیون پارامتر
خیلی بزرگ (X): ۲۹/۵ میلیون پارامتر
این مدل، دقت (mAP) بهتری روی دیتاست عظیم COCO داشته و به‌خاطر عدم استفاده از NMS به مراتب سریع‌تر هست؛ به صورتیکه کوچک‌ترین سایز هر تصویر رو در یک میلی‌ثانیه پردازش می‌کنه.
https://github.com/THU-MIG/yolov10/
mPA: mean Pixel Accuracy
#پردازش_تصویر