⭕️Functions

# Function declaration
def function_name(parameter1, parameter2):
# code block
return result
# Function call
function_name(argument1, argument2)

#PYTHON_CHEAT_SHEET
◦•◉✿ @python_rd ✿◉•◦

⭕️Lists

# List declaration
list_name = [item1, item2, item3]
# Accessing list items
first_item = list_name[0]
last_item = list_name[-1]
# Modifying list items
list_name[0] = new_item
# Adding items to a list
list_name.append(new_item)
list_name.insert(index, new_item)
# Removing items from a list
list_name.remove(item)
list_name.pop(index)
# List slicing
sliced_list =
list_name[start_index:end_index:step]

#PYTHON_CHEAT_SHEET
◦•◉✿ @python_rd ✿◉•◦

⭕️Dictionaries

# Dictionary declaration
dictionary_name = {"k1": v1,
"k2": v2}
# Accessing dictionary values
value1 = dictionary_name["k1"]
# Modifying dictionary values
dictionary_name["k1"] = new_value
# Adding items to a dictionary
dictionary_name["new_key"] = new_value
# Removing items from a dictionary
del dictionary_name["key"]
# Getting keys and values from a
dictionary
keys = dictionary_name.keys()
values = dictionary_name.values()

#PYTHON_CHEAT_SHEET
◦•◉✿ @python_rd ✿◉•◦

سلام
ببخشید من یه دو هفته ای نتونستم به خاطر فوت پدرم
مطلبی تو کانال بزارم
اگه وضعیت روحیم بهتر شد دوباره شروع به قرار دادن مطالب در کانال خواهم کرد🖤

چند روز پیش یکی از همکارانم حرکت جالبی زده بودند.
در یک شرکت خارجی کار میکردند که حقوقشون رو بر حسب مقدار زمانی که به VPN اون شرکت وصل بودند حساب میکردند. گاها پیش می آمد که اتصالشون به VPN قطع میشد و ایشون متوجه نمیشدند. برای رفع این مشکل خودشون با فلاتر برنامه ای نوشتند که بتونه IP پابلیک خودشون رو هر لحظه مانیتور کنه.

من هم کنجکاو شدم و شبیه این برنامه رو با #پایتون نوشتم:


https://medium.com/@melanee-melanee/monitor-your-public-ip-address-using-python-7956d18be9ec


⭐@python_rd

بات هوش مصنوعی برای چک کردن رزومه های استخدامی

امروزه شرکت ها به دلیل دریافت تعداد زیادی رزومه، مرحله ی اول گزینش را به کمک بات های هوش مصنوعی انجام میدهند و در این مرحله عموما رزومه هایی که نمره ی ATS
(Applicant Tracking System)
کمتر از ۸۰
داشته باشند از گزینش اولیه رد میشوند!

یک نمونه پروژه راجب این موضوع با زبان #پایتون به کمک ابزارهای NLP :


https://github.com/Spidy20/Smart_Resume_Analyser_App


⚙@python_rd

میدونستید تو گیت هاب یه جایی هست که میتونید سورس کدهاتون رو بفروشید؟

تو قسمت GitHub Matketplace

منم تازه دیروز فهمیدم اینو و الان فرصت نمیکنم راجبش تحقیق کنم ببینم چطوریه، اگر کسی میدونه به منم بگه ممنونم❤🙏.


⚙@python_rd

راهنمای جامع یادگیری پردازش زبان طبیعی (NLP) با زبان #پایتون:

https://blog.faradars.org/practitioners-guide-to-natural-language-processing-part-i-processing-understanding-text/



در ادامه اگه علاقه مند باشید میتونید این پروژه ی NLP فارسی رو انجام بدید که تشخیص ایمیل های اسپم هست:

https://github.com/MohammadrezaAmani/HamSpam/tree/main




👩‍💻@python_rd

سلام
متشکرم از همه دوستان به خاطر پیام های تسلیت
و محبتشون نسبت به من

آشنایی با فریم ورک ها و کتابخانه های پایتون
قسمت سیزدهم
کتابخانه os در پایتون شامل توابعی است که به شما اجازه می دهد با سیستم عامل ارتباط برقرار کنید. این کتابخانه شامل توابعی است که به شما اجازه می دهد با فایل ها، دایرکتوری ها، فرآیندهای سیستمی و غیره کار کنید. برخی از توابع مفید این کتابخانه عبارتند از:

- os.getcwd():
برای دریافت مسیر کاری جاری شما.
- os.chdir(path):
برای تغییر مسیر کاری جاری شما.
- os.listdir(path):
برای دریافت لیست فایل ها و دایرکتوری های موجود در یک مسیر مشخص.
- os.mkdir(path):
برای ایجاد یک دایرکتوری جدید در یک مسیر مشخص.
- os.remove(path):
برای حذف یک فایل در یک مسیر مشخص.
- os.rmdir(path):
برای حذف یک دایرکتوری خالی در یک مسیر مشخص.
- os.path.exists(path):
برای بررسی وجود یک فایل یا دایرکتوری در یک مسیر مشخص.
- os.path.isfile(path):
برای بررسی اینکه آیا یک مسیر مشخص به یک فایل اشاره دارد یا خیر.
- os.path.isdir(path):
برای بررسی اینکه آیا یک مسیر مشخص به یک دایرکتوری اشاره دارد یا خیر.

به طور کلی، کتابخانه os برای کار با فایل ها و دایرکتوری ها در پایتون بسیار مفید است. با استفاده از این کتابخانه، می توانید فایل ها و دایرکتوری ها را ایجاد، حذف، جابجا کردن و مدیریت کنید.
#کتابخانه
#فریم_ورک
#os
@python_rd

✨ با این ابزار هوش مصنوعی می‌تونین درمورد مباحث مختلف یاد بگیرین!

💯 کافیه موضوعی که می‌خواین بررسی کنین یادداشت کنین، تا بلافاصله توصیه‌های مربوط بهش رو بهتون بده.

💯 بعد از کلیک روی هر کدوم از توصیه‌ها، صفحه بیشتر باز می‌شه و اطلاعات کامل‌تری بهتون می‌ده!

👈 این‌جا می‌تونین تستش کنین:‌
➡️ https://www.albus.org/

#معرفی_سایت #Introduce_Site #هوش_مصنوعی #AI
@python_rd

نمونه سوالات لینکدین برای ارزیابی مهارت پایتون (Skill assesment):

https://github.com/Ebazhanov/linkedin-skill-assessments-quizzes/blob/main/python/python-quiz.md

🌍@python_rd

آشنایی با فریم ورک ها و کتابخانه های پایتون
قسمت چهاردهم
کتابخانه sys در پایتون شامل توابعی است که ارتباط برنامه با محیط اجرایی سیستم را مدیریت می‌کنند. این کتابخانه برای انجام وظایفی مانند دسترسی به پارامترهای خط فرمان، مدیریت مسیرهای سیستم، و به دست آوردن اطلاعاتی مانند نسخه پایتون و سیستم عامل استفاده می‌شود.

برخی از توابع مفید در کتابخانه sys عبارتند از:
- sys.argv:
لیستی از رشته‌هایی که به برنامه از طریق خط فرمان ارسال می‌شود.
- sys.path:
یک لیست از مسیرهایی که پایتون برای جستجوی ماژول‌ها در آن‌ها استفاده می‌کند.
- sys.platform:
نام سیستم عاملی که برنامه در آن اجرا می‌شود.
- sys.version:
نسخه پایتونی که در حال حاضر در حال اجرا است.
- sys.exit():
برنامه را خاتمه می‌دهد.

برای استفاده از توابع کتابخانه sys، ابتدا باید آن را با استفاده از دستور import وارد کنید. به عنوان مثال:

import sys

print(sys.argv)
print(sys.path)
print(sys.platform)
print(sys.version)


توجه داشته باشید که برخی از توابع در کتابخانه sys برای استفاده در سیستم‌عامل‌های خاصی مانند ویندوز یا لینوکس طراحی شده‌اند. لذا بهتر است قبل از استفاده از آن‌ها، مستندات رسمی پایتون را مطالعه کنید.
#فریم_ورک
#کتابخانه
#sys
@python_rd

📚🐍یک بایت از پایتون
📖زبان فارسی
#book
#کتاب
◦•◉✿ @python_rd ✿◉•◦

ماشین لرنینگ
قسمت اول
ماشین لرنینگ یکی از زیرشاخه‌های هوش مصنوعی است که در آن الگوریتم‌ها و مدل‌هایی برای یادگیری روابط پنهان در داده‌ها به کار می‌روند. در واقع، ماشین لرنینگ به ما امکان می‌دهد تا با استفاده از الگوریتم‌های خاص و مدل‌های پیچیده، از داده‌های ورودی خود، الگوهایی را استخراج کرده و با استفاده از آن‌ها، پیش‌بینی‌هایی در مورد داده‌های جدید ارائه کنیم.

یکی از مزیت‌های بزرگ ماشین لرنینگ، قابلیت استفاده از داده‌های بزرگ و پیچیده است. با توجه به اینکه داده‌های بزرگ در دنیای امروز فراوان هستند، این امکان به ما داده شده است که با استفاده از ماشین لرنینگ، از این داده‌ها برای پیش‌بینی‌های دقیق‌تر و بهبود کارایی در بسیاری از حوزه‌ها استفاده کنیم. برخی از مثال‌های کاربردی ماشین لرنینگ شامل تشخیص چهره، تشخیص الگوهای موسیقی، پیش‌بینی رفتار مشتریان، تشخیص بیماری‌ها و غیره می‌شود.

در کل، ماشین لرنینگ با استفاده از الگوریتم‌های خاص و داده‌های ورودی، قادر است تا به طور خودکار الگوهای پنهان در داده‌ها را شناسایی کرده و با استفاده از آن‌ها، پیش‌بینی‌هایی را در مورد داده‌های جدید ارائه کند.
#machine_learning
@python_rd

🔴 این سایت یه موتور جستجوی هوش مصنوعی هست که می‌تونید هر کدوم از ابزارهای هوش مصنوعی که به دردتون می‌خوره، توش پیدا کنید.

➡️ https://www.futuretools.io

#هوش_مصنوعی #AI #معرفی_سایت #Introduce_Site
◦•◉✿ @python_rd ✿◉•◦

ماشین لرنینگ
قسمت دوم
الگوریتم ها و مدل ها برای یادگیری روابط پنهان داده ها

الگوریتم ها و مدل های یادگیری ماشین به منظور یادگیری روابط پنهان داده ها به کار می‌روند. در واقع، در بسیاری از موارد، داده های ما دارای الگوهای پنهان هستند که به راحتی قابل تشخیص نیستند. به عنوان مثال، در یادگیری ماشین، مدل ها و الگوریتم ها با استفاده از داده های آموزشی، روابط پنهان داده ها را یاد می‌گیرند و سپس با استفاده از این روابط، برای پیش‌بینی نتایج جدید استفاده می‌شوند.

برخی از الگوریتم های یادگیری ماشین برای یادگیری روابط پنهان داده ها عبارتند از:

- شبکه های عصبی: این الگوریتم ها مانند ساختار مغز انسان عمل می‌کنند و با استفاده از لایه های بسیار عمیق، روابط پنهان داده ها را یاد می‌گیرند.
- درخت تصمیم: این الگوریتم ها با استفاده از تصمیمات مشتق شده از داده های آموزشی، درختی از تصمیمات را ساخته و برای پیش‌بینی نتایج جدید استفاده می‌شوند.
- ماشین بردار پشتیبان: این الگوریتم ها با استفاده از داده های آموزشی، یک مدل ریاضی برای پیش‌بینی نتایج جدید ایجاد می‌کنند.
- کلاسیفایر بیز: این الگوریتم ها برای پیش‌بینی نتایج جدید، از احتمالات و اطلاعات موجود در داده های آموزشی استفاده می‌کنند.

در کل، الگوریتم ها و مدل های یادگیری ماشین برای یادگیری روابط پنهان داده ها بسیار موثر هستند و در بسیاری از حوزه های کاربردی مانند تشخیص چهره، تشخیص بیماری، پیش‌بینی رفتار مشتری و غیره، با موفقیت استفاده می‌شوند.
#machine_learning
◦•◉✿ @python_rd ✿◉•◦