https://youtu.be/nwIgxrXP-X4


تاحالا شده که بخواید مسیر اجرای یک کدی رو قدم به قدم ببینید ؟

یا تاحالا شده برای تدریس پایتون و اینکه قدم به قدم توی کد چ اتفاقی میوفته ب مشکل خورده باشید و مجبور باشید روش trace کردن رو یاد بدید و این چیزا؟

میتونید خیلی راحت از ی ide ب اسم
Thonny
استفاده کنید :)))

#kasra
@raspberry_python

چن تا از مهم ترین توابع تو پانداز که هرکدوممون باید بلد باشیم

اگه نمیدونید اون توابع چیکار میکنن میتونید داکشو بخونید و اگه بازم متوجه نشدید، اون قسمتی که مشکل دارید زیر همین پست بپرسید

#kasra
@raspberry_python

چجور با داده ها و تاریخ های ایرانی تو پایتون کار کنیم؟
https://github.com/enabling-languages/python-i18n/blob/main/notebooks/persian_df.ipynb

برای نصب کردن اون کتابخونه هم اینجارو بخونید:
https://pypi.org/project/PyICU/


#kasra
@raspberry_python

هرراه حلی برا این سوال به ذهنتون میرسه بگید و در اخر پایتونیک ترین روش رو اعلام خواهیم کرد(خواهشا قبل از نوشتن توی جوابارو نگاه کنید که جواب تکراری نفرستید):

تعداد ۵هایی که بعد از یک داخل لیست اومدن رو بشمرید.

مثلا
lst = [1,2,3,4,5,1,4,1,5]
باید عدد یک برگردونه

به عبارت دیگه میخوایم تعداد جفت های
1,5
رو بشمریم
#kasra
@raspberry_python

how to flatten a nested list (i.e., matrixes or boards)
1- one easy way is to use np.reshape, np.ravel, np.flatten
(note: ravel and flatten has a slight difference. Check the documents if you don't know or ask in the comments if you couldn't find the difference)

2- using python for:

flatten = []
for row in mat:
    flatten.extend(row)

3- what if we don't want to use NumPy and still searching for an efficient way:

flatten = reduce(list.__add__, mat)

note: you can use operator.add if you want a more general function


#kasra
@raspberry_python

وقتی ک نمیتونم باگ کدمو رفع کنم:
میشه زود درست بشی و بعدش بگی من دوست خوبتم؟

@raspberry_python
#kasra

look-ahead and look-behind in Regular Expressions (Regex)

اگه فهم این ۴ تا موضوع براتون مشکل هست این پست خیلی کمکتون میکنه مطمینن

#kasra
@raspberry_python

ایا این کد درسته ؟
#kasra
@raspberry_python

Coursera had started with my machine learning class. I’m delighted to announce that I’ll soon be teaching a new Machine Learning Specialization. Please help me spread the word! You can sign up here:

https://www.deeplearning.ai/program/machine-learning-specialization/

🔗 Andrew Ng (@AndrewYNg)

این اقا رو ک حتما میشناسید
حالا اومده یه دور جدید ماشین لرنینگ بزاره که ب گفته خودش خیلی بهتر از قبلیه
لینک های ثبت نامش رو هم اون بالا گذاشتم :)
@raspberry_python
#kasra

جدیدنا گوگل یک فریم ورک شبکه عصبی بنام
flax
درسته که بر پایه
jax
کار میکنه.
و خب از ویژگی هایی که داره تغییر دادن و درست کردن چیزای جدید راحت تره و در عین حال سرعت و قدرت کافی رو داره

https://github.com/google/flax


هنوز خیلی کتابخونه تازه ای هست ممکنه کلی باگ داشته باشه و همه چیز توش پیاده نشده باشه ولی تا حد خیلی خوبی همه چیزای پایه و غیر عجیب غریب توش پیاده شدن

@raspberry_python
#kasra

بیاید باهم ی دوری تو کارخونه تسلا بزنیم :)


@raspberry_python
#kasra

از اونجایی ک میدونم خیلی هاتون حوصلتون نکشیده که برید این پست رو بخونید، تصمیم گرفتم تو چند خط و به زبان ساده براتون خلاصه کنمش :))))

کلیتش داره درمورد
EdgeDB
حرف میزنه
که میشه زیر شاخه ای از تکنولوژی
Edge Computing
بشناسیمش

حالا کلیت این ایده اینه ک نیازی نیست ما همه دیتاهارو داخل ی سرور مرکزی ذخیره کنیم که سرعت انتقال اطلاعات پایین بیاد. به جاش میتونیم از چندین دیتابیس غیر متمرکز تو نقاط مختلف جهان استفاده کنیم که اگه کسی تو نزدیکی های اون سرور اون اطلاعات رو لازم داشت سریع تر بهش برسونیم.

این ایده وختی پررنگ تر میشه که ما تو کل جهان تعداد زیادی دستگاه های IoT داریم و خب همه این دستگاه ها کلی اطلاعات مختلف تولید میکنن که نیازی نیست همه اونا توسط سرور مرکزی پردازش یا ذخیره بشن.


@raspberry_python
#kasra

https://technologynous.com/python-projects-for-intermediate/


تو این لینک میتونید ۱۰ تا پروژه متوسط(برای تمرین) در مورد پایتون رو ببینید :)


@raspberry_python
#kasra