مقایسه کد زنی و استخراج دیتا به کمک SQL و Pandas


⚙@python_rd

🔴 هرکدوم چه‌ کاربردی دارن؟✌️

◦•◉✿ @python_rd ✿◉•◦

🔴 از این روش استفاده کنید👌

◦•◉✿ @python_rd ✿◉•◦

🔴 وبسایت های مورد نیاز برای دانشجو ها:

1. Doctranslator.com ترجمه فایل پی دی اف
2. Speechtext.ai تایپ صوتی
3. sci_hub.se دانلود رایگان مقاله
4. summarizer.org تبدیل پی دی اف به power

◦•◉✿ @python_rd ✿◉•◦

🔴 برای نوشتن رزومه از ChatGPT استفاده نکنید، به جاش از kickresume استفاده کنید.

یک الگوی رزومه انتخال کنید و اونو برای خودتون بسازید، همچنین به شما اجازه میده رزومه قبلی خودتون رو دوباره بنویسید و اون رو با رزومه های موجود توی پایگاه داده خودتون مقایسه کنید.

◦•◉✿ @python_rd ✿◉•◦

🔴 شمارش تعداد خودرو با پایتون

◦•◉✿ @python_rd ✿◉•◦

دوهزارتایی شدیم❤️

🔵 یادگیری زبان انگلیسی با هوش مصنوعی

1️⃣ با deep write اشتباهات متن خودتون تصحیح کنید
➡️ https://www.deepl.com/write

2️⃣ دوره‌های زبان انگلیسی با دستیاری هوش مصنوعی

➡️ https://alulaenglish.com

3️⃣ متن شما را به 100 زبان بازنویسی می‌کند.

➡️ https://alulaenglish.com

4️⃣ ادیت GPT، افزونه‌ی کروم برای بررسی متن و تصحیح آن
➡️ Chrome

5️⃣ کارنا یک اپلیکیشن مبتنی بر هوش مصنوعی برای یادگیری زبان انگلیسی
📥 IOS
📥 Android

6️⃣ معلم زبان انگلیسی
👨‍🏫 Slai

#هوش_مصنوعی #AI #معرفی_سایت #Introduce_Site #زبان

https://t.me/python_rd

آنالیز داده با پایتون
پایتون با داشتن کتابخانه‌های بسیار زیاد، یکی از بهترین ابزارهای برای انجام تحلیل داده است. در ادامه به برخی از کتابخانه‌های مهم برای انجام تحلیل داده با پایتون اشاره می‌کنم.

1. کتابخانه NumPy: کتابخانه‌ای برای محاسبات علمی که توانایی ایجاد آرایه‌های چند بعدی را دارد. این کتابخانه به عنوان پایه برای کتابخانه‌های دیگری مانند Pandas و Scikit-Learn استفاده می‌شود.

2. کتابخانه Pandas: کتابخانه‌ای برای تحلیل داده که به صورت مستقیم با داده‌های داخلی و خارجی کار می‌کند. این کتابخانه قابلیت‌هایی مانند ایجاد دیتافریم، انجام عملیات روی داده‌ها، ترکیب داده‌ها، تغییر شکل داده‌ها و غیره را دارد.

3. کتابخانه Matplotlib: یک کتابخانه برای ترسیم نمودارهای داده‌ای است. این کتابخانه امکان ترسیم انواع نمودارهای مختلف مانند نمودار خطی، نمودار نقطه‌ای، نمودار شعاعی و غیره را فراهم می‌کند.

4. کتابخانه Seaborn: یک کتابخانه برای ترسیم نمودارهای داده‌ای زیبا و جذاب است. این کتابخانه قابلیت‌هایی مانند ترسیم نمودارهای چند متغیره، نمودارهای توزیع، نمودارهای رابطه و غیره را دارد.

5. کتابخانه Scikit-Learn: یک کتابخانه برای یادگیری ماشین است که به صورت گسترده‌ای در تحلیل داده‌ها استفاده می‌شود. این کتابخانه قابلیت‌هایی مانند ایجاد مدل‌های یادگیری ماشین، ارزیابی مدل‌ها، پیش‌پردازش داده‌ها و غیره را دارد.

6. کتابخانه Statsmodels: یک کتابخانه برای مدل‌سازی آماری است. این کتابخانه قابلیت‌هایی مانند ایجاد مدل‌های آماری، تحلیل داده‌های زمانی، تحلیل رگرسیونی و غیره را دارد.

7. کتابخانه TensorFlow: یک کتابخانه برای یادگیری عمیق است که برای ایجاد مدل‌های پیچیده‌ی یادگیری ماشین استفاده می‌شود. این کتابخانه قابلیت‌هایی مانند ایجاد شبکه‌های عصبی، ارزیابی مدل‌ها، پردازش تصویر و غیره را دارد.

با استفاده از این کتابخانه‌ها، می‌توانید داده‌های خود را تحلیل کرده و به نتایج مورد نظر دست یابید.
◦•◉✿ @python_rd ✿◉•◦

🔴 بهترین چنل های یوتیوب برای پایتون:

1. Tech With TIM
2. FreeCodeCamp
3. CodewithHarry
4.Telusko
5. Corey Schafer

◦•◉✿ @python_rd ✿◉•◦

تصویر هوش مصنوعی Midjourney از یک جنگجو زن ایرانی:
#هوش‌_مصنوعی
◦•◉✿ @python_rd ✿◉•◦

✔️ 442 Startup failure Post-Mortems
۴۴۲ استارت‌آپ شکست خورده؛ داستان و علت شکست استارتاپهای مختلف در حوزه‌های هوش مصنوعی، کریپتوکارنسی، سلامت و ...
#مقاله
#هوش‌_مصنوعی
◦•◉✿ @python_rd ✿◉•◦

عملیات های پایه ریاضی در یک نگاه

◦•◉✿ @python_rd ✿◉•◦

در زمینه‌ی آموزش، اینترنت منبع بسیار خوبی است و شما می‌توانید از طریق سایت‌ها و پلتفرم‌های آنلاین به یادگیری موضوعات مختلف بپردازید. البته، بهترین سایت‌ها بستگی به نیاز‌ها و علاقه‌های شما دارد. اما من می‌توانم به شما تعدادی از سایت‌های معروف در زمینه‌ی آموزش را معرفی کنم:

1. Coursera (https://www.coursera.org/): این سایت یکی از بزرگترین پلتفرم‌های آموزش آنلاین است و دسترسی به دوره‌های مختلفی در زمینه‌های مختلف از جمله علوم کامپیوتر، مهندسی، هنر، علوم انسانی و غیره را فراهم می‌کند.

2. Udemy (https://www.udemy.com/): این سایت یکی دیگر از پرطرفدارترین سایت‌های آموزش آنلاین است. شما می‌توانید در اینجا دوره‌هایی در زمینه‌های مختلف را پیدا کنید و به صورت آنلاین آن‌ها را طی کنید.

3. Khan Academy (https://www.khanacademy.org/): این سایت رایگان است و دسترسی به دروسی در زمینه‌های مختلف از جمله ریاضیات، علوم، هنر و غیره را فراهم می‌کند. محتوای آموزشی آن به زبان‌های مختلف نیز موجود است.

4. Codecademy (https://www.codecademy.com/): اگر به برنامه‌نویسی علاقه‌مندید، این سایت برای یادگیری زبان‌های برنامه‌نویسی مختلف مانند Python، JavaScript و غیره بسیار مناسب است.

5. Udacity (https://www.udacity.com/): این سایت نیز دوره‌های آموزشی در زمینه‌های مختلف از جمله مهندسی نرم‌افزار، هوش‌مصنوعی و اندروید را ارائه می‌دهد.

این لیست تنها چند مثال از سایت‌های آموزشی است و هنوز بسیاری دیگر وجود دارند. برای پیدا کردن بهترین سایت‌های آموزشی، بهتر است نیازها و علاقه‌های خود را مشخص کنید و سپس با استفاده از موتورهای جستجو و نظرات کاربران، به سایت‌های مناسب دست پیدا کنید. همچنین، بهتر است منابع رسمی و معتبری را در نظر بگیرید و همیشه به تارنمای رسمی سایت‌ها و منابع آموزشی ارجاع دهید. 😉
◦•◉✿ @python_rd ✿◉•◦

➖ نقشه راه یادگیری هوش مصنوعی | AI

🔘 هوش مصنوعی برای هوشمندسازی ماشین‌ها استفاده میشه و مزایا و فایده‌ها زیادی برای جامعه و انسان داره.

👈 گام اول- ریاضیات
🔘 همون‌طور که اکثر دانشجویان رشته کامپیوتر می‌دانند ریاضیات و به خصوص مباحث جبرخطی، دیفرانسیل، حسابان، ساختمان گسسته و آمار و احتمال توی این رشته و گرایش نقش بزرگی رو ایفا می‌کنند؛ چرا که ماشین‌ها و کامپیوترها تنها راهی که می‌فهمند اعمال منطقی و ریاضیات است و برای این که ما برنامه‌ها و اهداف خودمون رو به اون‌ منتقل کنیم باید بهشون فعالیت منطقی و ریاضیات بدیم.

🔘 در نتیجه شما برای شروع در گرایش هوش مصنوعی و زیرشاخه آن که بخواین فعالیت کنید، ناچارید این دروس رو یاد بگیرید.

👈 گام دوم - برنامه نویسی
🔘 برنامه نویسی رکن اصلی تو زمینه هوش مصنوعی داره و شما قبل از تسلط به زبان برنامه نویسی، باید به ساختمان داده و طراحی الگوریتم که از دروس تخصصی کامپیوتر هستند مسلط شوید چرا که شرط لازم برای نوشتن یک برنامه درست و بهینه و با خطا کم، باید الگوریتم رو به درستی دانست تا بتواند باعث صرفه‌جویی و کارآمد بودن بیشتر یک کد رو داشته باشد.

🔘 از بین زبان‌های برنامه نویسی که با هوش مصنوعی تعامل خوبی دارند، می‌تو‌نیم به پایتون اشاره کنیم:
پایتون: به دلیل سادگی و داشتن پکیج‌هایی مثه sci-kit learn کار با این کتابخونه به طور عمده در زمینه‌های data mining و data analys است که طیف وسیعی از الگوریتم‌ها یادگیری ماشین در اون تعبیه شده، که از محبوب‌ترین زبان‌ها برنامه نویسی است.

🔘 بعد از یادگیری مقدماتی زبان برنامه نویسی، باید شیوه کار کردن با کتابخانه‌ها مختلف و مرتبط با هوش مصنوعی مثه numpy (کتابخونه‌ای که به کمکش می‌تونیم روی داده‌های عددی‌ایی که در حافظه موجوده، عملیات مختلفی رو انجام بدیم) رو یاد بگیرید و بارها و بارها تمرین کنید که در استفاده از اون متخصص شوید.

👈 گام سوم - مباحث و فیلدهای هوش مصنوعی
🔘 بعد از این که از مباحث اولیه عبور کردید، باید یه دانش عمومی از هوش مصنوعی رو آموزش ببینید.

🔘 بعد از پیشرفت هوش مصنوعی، این رشته به زیر رشته‌های مختلفی تقسیم شد که در عین ارتباطی که بین این زیرشاخه‌ها وجود داره، در موارد تخصصی و هدف‌های هر کدوم، تفاوت‌های چشم‌گیری رو شاهد هستیم.

🔘 بسته به علاقه و استعداد خودتون می‌تونید هر کدوم از این زیرشاخه‌ها رو انتخاب کنید که نقشه راه هر زیرشاخه با زیرشاخه دیگری تفاوت داره.

🔘 البته لازم به ذکر است که یکی دیگر از مهارت‌هایی که به پیشرفت شما در زمینه هوش مصنوعی کمک می‌کنه آشنایی کامل و تخصصی با زبان انگلیسی است چرا که به روز بودن و مطالعه‌ی مقالات روز دنیا در این رشته اهمیت بالایی داره اکثر این مقالات به زبان انگلیسی است و از آن‌جا که یه فیلد در رشته کامپیوتر است دانستن زبان انگلیسی لازم است.

📌 ریاضیات و برنامه نویسی برای همه زیرشاخه‌ها هوش مصنوعی موردنیازه و در واقع جز قدم‌های اولیه به عنوان پیش‌نیاز به حساب میاد.

#نقشه_راه #RoadMap #هوش_مصنوعی #AI

◦•◉✿ @python_rd ✿◉•◦

تکنولوژی‌های هوش مصنوعی به تفکیک زمینه‌های استفاده.
خصوصا در زمینه تحقیق و مقاله نویسی و ویراستاری نباید از هوش مصنوعی غافل شد.
#AI
#هوش_مصنوعی
◦•◉✿ @python_rd ✿◉•◦

🟠در زبان آلمانی بین دو جمله زیر تفاوت هست:
Shakespeare hat die Geschichte von Hamlet geschrieben.
شکسپیر، داستان هملت را نوشت.
Ein Mann namens Shakespeare schrieb die Geschichte von Hamlet.
مردی به نام شکسپیر، داستان هملت را نوشت.

🔵میگن، شکسپیر اون شخص نیست، بلکه ی اسمه که روی اون شخص گذاشته شده.
اون شخص میتونه هر اسمی داشته باشه.

ولی در انگلیسی این ی بحث لفظی و بی معنیه و تفاوت معنایی بینشون نیست.

🟠به متن زیر دقت کنید:
  “Suppose I say to Fat, or Kevin says to Fat, “You did not experience God. You merely experienced something with the qualities and aspects and nature and powers and wisdom and goodness of God.” This is like the joke about the German proclivity toward double abstractions; a German authority on English literature declares, “Hamlet was not written by Shakespeare; it was merely written by a man named Shakespeare.” In English the distinction is verbal and without meaning, although German as a language will express the difference (which accounts for some of the strange features of the German mind).”

Valis, p71 (Book-of-the-Month-Club Edition)

🔵حالا ربطش به برنامه‌نویسی چیه؟
دو رویکرد بسیار شناخته شده و قابل درک برای انتقال پارامتر در زبان‌های برنامه‌نویسی مختلف، عبارتند از:
pass by reference = بر اساس مرجع
pass by value = بر اساس مقدار

بعنوان مثال، کد زیر رو در نظر بگیرید:
def reassign(lst: list) -> list:
lst = [0, 1]
return lst

def append(lst: list) -> list:
lst.append(1)
return lst

lst = [0]
print(reassign(lst))
print(append(lst))

🟠حالا به این جمله دقت کنید:
«هملت توسط شکسپیر نوشته نشد، بلکه توسط مردی به نام شکسپیر نوشته شد.»

حالا بصورت کد:
a = []

🔵اینجا [] ی لیست تهی و a هم متغیری که به این لیست تهی اشاره داره، ولی a ی لیست تهی نیست.
pass by reference:
🟠در اینصورت، خود متغیر به تابع ارسال میشه و مقدار داخلش هم به تابع ارسال میشه.
مثل ی جعبه که با محتویات داخلش ارسال میشه.
اگه داخل تابع مقدارش رو تغییر بدیم، بیرون تابع هم مقدارش تغییر میکنه.

pass by value:
🔵در اینصورت تابع ی کپی از اون متغیر رو دریافت میکنه که مقادیرش تو ی خونه دیگه حافظه رم نگهداری میشن.
مثل ی سری مدارک که داخل ی جعبه بودن، اومدیم ی کپی ازشون گرفتیم، گذاشتیم داخل ی جعبه دیگه و ارسالش کردیم.
اینجا با تغییر مقادیر داخل تابع، مقادیرش بیرون تابع تغییر نمیکنه.

pass by object reference value(Pythonic):
🟠در اینصورت تابع ی رفرنس به اون آبجکت دریافت میکنه و میتونه به مقادیر اون آبجکت تو حافظه رم دسترسی داشته باشه، ولی خود اون جعبه‌ای که مقادیر توش هستن رو دریافت نمیکنه، بلکه تابع میاد جعبه خودش رو میسازه و ی متغیر جدید برای خودش داره که اینم به همون خونه‌ای که متغیر بیرونی اشاره میکرد اشاره میکنه.
متغیرها متفاوتن، گرچه اسمشون یکی باشه، اما رفرنس هر دو یکیه.
به تصویر بالا، shallow copy دقت کنید تا متوجه بشید چی میگم.
حالا اگه مقادیر رو داخل تابع تغییر بدیم، مقادیر بیرون تابع هم تغییر میکنن.



📚با تشکر از:
https://robertheaton.com/2014/02/09/pythons-pass-by-object-reference-as-explained-by-philip-k-dick/

◦•◉✿ @python_rd ✿◉•◦