پاسخ سوال تستی:
وقتی ما عبارت :
A = [1, 2, 3]
رو مینویسیم ، پایتون میدونه که دقیقا این لیست شامل 3 تا آبجکت هست پس به همین مقدار فضا براش توی مموری اختصاص میده.
حالا فرض کنید ما لیست خالی b رو داریم ، وقتی که یک آیتم بهش اضافه میکنیم پایتون مجبور هست تا اون فضایی که برای اون لیست اختصاص داده رو گسترش بده تا بتونه آیتم جدید رو اضافه کنه. دوباره آیتم جدید به همین ترتیب.
اتفاقی که میفته اینکه این کار خیلی هزینه بره که به ازای هر بار اضافه کردن یه آیتم نیاز باشه تا لیست ما اول بزرگ شه بعد آیتم جا بگیره داخلش.
برای حل این مشکل پایتون میگه موقع اضافه کردن آیتم اول بیایم یه تعداد بیشتری فضای خالی ایجاد کنیم به اصطلاح pre-allocating انجام بدیم تا وقتی آیتم های بعدی خواستن اضافه بشن فقط اضافه بشن و دوباره نیاز به بزرگ شدن لیست نباشه.
حالا سوال پیش میاد که خب اینکار خوبه ؟ ما یه عضو اضافه کردیم ولی به اندازه n عضو لیستمون بزرگ شده. سرعت یا حافظه مسئله این است ! یه چیزه میانه ، طبق سورس کد پایتون که لینکشو میزارم :
The growth pattern is: 0, 4, 8, 16, 25, 35, 46, 58, 72, 88, ...

جالبه بدونین توی list-comprehension هم دقیقا همین اتفاق میفته.

پ.ن : این جزئیات پیاده سازی مربوط به Cpython هست از دیگر implementaion های پایتون نظیر pypy ، Jython و ... اطلاعی ندارم.

https://github.com/python/cpython/blob/3.5/Objects/listobject.c#L42

@raspberry_python

دوستان این تست همون برنامه تشخیص ماسک رو صورته که نوشتم با پایتون نوشتم و میخوام رو سی پلاس پلاس و سی رانش کنم

انجام شده توسط مهندس @ooiioooiioo

@raspberry_python

برنامه تشخیص ماسک رو صورته که نوشتم با پایتون نوشتم و میخوام رو سی پلاس پلاس و سی رانش کنم

انجام شده توسط مهندس @ooiioooiioo

@raspberry_python

دوره یادگیری ماشین دانشگاه استنفورد (Andrew Ng) به فارسی!
🌐 وب سایت:
https://mehrdad-dev.github.io/ml-andrew-ng/
برای تکمیل و بهتر کردن ترجمه و وب سایت نیاز به مشارکت شما داریم:
https://github.com/mehrdad-dev/ml-andrew-ng-code
رایگان و اوپن سورس.


@raspberry_python

کتابی مناسب جهت اوقات فراغت

راه کارهای توانمند سازی مغز

نوشته ریچارد لویتون

@raspberry_python

Data science and machine learning. Mathematical and statistical methods

یادگیری ماشین و علم داده با استفاده از ریاضیات و پایتون

2020

@raspberry_python

Data science and machine learning. Mathematical and statistical methods

یادگیری ماشین و علم داده با استفاده از ریاضیات و پایتون

2020

@raspberry_python

حالا برید خدا تومن پول ایفون بدید 😂😂🙄

@raspberry_python

Data Types in Python

By default Python have these data types:

strings - used to represent text data, the text is given under quote marks. eg. "ABCD"

integer - used to represent integer numbers. eg. -1, -2, -3

float - used to represent real numbers. eg. 1.2, 42.42

boolean - used to represent True or False.

complex - used to represent a number in complex plain. eg. 1.0 + 2.0j, 1.5 + 2.5j

@raspberry_python

Data Types in NumPy

NumPy has some extra data types, and refer to data types with one character, like i for integers, u for unsigned integers etc.

Below is a list of all data types in NumPy and the characters used to represent them.

i - integer

b - boolean

u - unsigned integer

f - float

c - complex float

m - timedelta

M - datetime

O - object

S - string

U - unicode string

V - fixed chunk of memory for other type ( void )

@raspberry_python

https://youtu.be/qv6UVOQ0F44

انجام بازی ماریو توسط هوش مصنوعی

@raspberry_python

check here just for fun 😅✌️
loser.com

@raspberry_python

https://pabloinsente.github.io/intro-linear-algebra


Introduction to Linear Algebra for Applied Machine Learning with Python


@raspberry_python

مهارت کاربرد علم داده با پایتون
"Applied Data Science with Python Specialization"
تمامی این دوره ها در سطح متوسط هستند و برای مدت ۷ روز اول استفاده به شکل کامل رایگان می باشند.

1. Introduction to Data Science in Python
آموزش مقدماتی پایتون و استفاده از کتابخانه هابرای کار با داده ها


2. Applied Plotting, Charting & Data Representation in Python
مصورسازی و نمودار کشی با پایتون


3. Applied Machine Learning in Python
پیاده سازی الگوریتم های یادگیری ماشینی با پایتون


4. Applied Text Mining in Python
متن کاوی در پایتون


5. Applied Social Network Analysis in Python
تحلیل شبکه های اجتماعی در پایتونح

@raspberry_python

فرض کنید میخوایم مقدار سینوس رو توسط تبدیل فوریش حساب کنیم:

@raspberry_python

حالا ب نظر شما کدوم یک از توابع بالا برای محاسبه این مقدار سریع تر کار میکنن ؟