💡 نکته #NoSQL

🟣 موضوع : ‏Schema Evolution در Document Stores

✨ نکته :

‏به جای تغییرات سنگین، معمولاً Document Stores از نسخه‌بندی پشتیبانی می‌کنن. 🔥 این یعنی میتونی به نسخه‌های قبلی برگردی!


ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

💡 نکته #NoSQL

🟣 موضوع : ‏Python – کتابخانه‌های PyMongo و redis‑py

✨ نکته :

‏کی MongoDB با PyMongo به کارت میاد؟ وقتی ساختار اطلاعاتت ممکنه تغییر کنه، داده‌های خیلی بزرگی داری یا به جستجوهای پیچیده نیاز داری. 📚 انعطاف‌پذیری فوق‌العاده‌ای بهت میده!


ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

🔵 نکته یادگیری ماشین


تقسیم داده‌ها (Data Splitting) ✂️

بزرگترین اشتباهی که یه تازه‌کار می‌تونه انجام بده اینه که مدلش رو با همون داده‌هایی که آموزش داده، تست کنه. 🤦‍♂️ این مثل این می‌مونه که یه دانش‌آموز برای امتحان، سوال و جواب‌ها رو از قبل حفظ کنه و سر جلسه امتحان هم دقیقاً همون سوال‌ها رو جواب بده. خب معلومه که نمره‌اش ۲۰ می‌شه، ولی آیا واقعاً مطلب رو یاد گرفته؟ نه!

برای اینکه از این فاجعه جلوگیری کنیم، داده‌هامون رو به سه بخش کاملاً مجزا تقسیم می‌کنیم:

مجموعه آموزشی (Training Set): 📚
این بخش اصلی داده‌هاست (معمولاً ۷۰٪ تا ۸۰٪) که مدل از روی اون یاد می‌گیره. مثل جزوه‌ها و کتاب‌هایی که یه دانش‌آموز برای درس خوندن استفاده می‌کنه. مدل هزاران بار این داده‌ها رو می‌بینه تا الگوها رو پیدا کنه.

مجموعه اعتبارسنجی (Validation Set): 📝
این بخش برای تنظیم کردن مدل و هایپرپارامترها استفاده می‌شه. مثل امتحان‌های آزمایشی که دانش‌آموز قبل از امتحان اصلی می‌ده تا ببینه چقدر آماده‌ست و کجا باید بیشتر تلاش کنه. این مجموعه به ما کمک می‌کنه جلوی بیش‌برازش (Overfitting) رو بگیریم.

مجموعه آزمون (Test Set): 💯
این بخش رو برای کل فرآیند آموزش و تنظیم مدل "کاملاً مخفی" نگه می‌داریم. فقط و فقط یک بار، در آخر کار، از این مجموعه استفاده می‌کنیم تا عملکرد نهایی و واقعی مدل رو روی داده‌های کاملاً جدید و ندیده بسنجیم. مثل امتحان نهایی و اصلی که نمره واقعی دانش‌آموز رو مشخص می‌کنه.

خلاصه که، داده‌های آزمون رو مثل یه راز مخفی برای مدل نگه دار تا وقتی که می‌خوای ببینی واقعاً چقدر یاد گرفته! 😉

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ


لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

💡 نکته #یادگیری_ماشین

🟣 موضوع : ‏یادگیری ماشین: ماشین‌های بردار پشتیبان (SVM) - SVM آنلاین (Online SVM) برای داده‌های جریانی

✨ نکته :

‏مهم‌ترین فایدش اینه که دیگه لازم نیست مدل رو از اول بسازی. داده جدید میاد؟ فقط یکم تنظیمش می‌کنی! 🔄 این یعنی صرفه‌جویی تو زمان و منابع. ⏱️


ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

💡 نکته #یادگیری_ماشین

🟣 موضوع : ‏یادگیری ماشین: شبکه‌های عصبی بازگشتی - تولید متن (Text Generation)

✨ نکته :

‏مواظب باش مدلت طوطی نشه و فقط دیتای آموزشی رو حفظ نکنه! 🦜 اگه دیدی داره تیکه‌های متن اصلی رو کپی می‌کنه، از تکنیک‌هایی مثل Dropout استفاده کن. 😉


ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

🔵 نکته یادگیری ماشین

سوگیری (Bias) 📏

یه مدل با سوگیری بالا 🤦‍♂️ مثل یه آدمیه که خیلی ساده‌نگر و کوته‌فکره. بهش یه عالمه داده نشون می‌دی (مثلاً یه عالمه نقطه که شکل یه منحنی رو ساختن) ولی اون فقط می‌گه: "خب، همه اینا تو یه خط صاف قرار دارن!" 🤷‍♂️
این مدل اونقدر ساده است که نمی‌تونه پیچیدگی و ظرافت‌های داده رو بفهمه. به این می‌گن کم‌برازش یا Underfitting. 📉 مدل ما از داده‌ها درس نمی‌گیره و خیلی ساده‌لوحانه عمل می‌کنه.

واریانس (Variance) 🎯

حالا یه مدل با واریانس بالا 🤯 برعکس قبلیه. این یکی خیلی ریزبین و وسواسیه. وقتی بهش داده‌ها رو نشون می‌دی، به جای اینکه الگو رو پیدا کنه، همه جزئیات و حتی اشتباهات کوچیک داده رو هم حفظ می‌کنه. 🤓
مثل این می‌مونه که یه دانش‌آموز به جای اینکه فرمول رو یاد بگیره، دقیقاً همه مثال‌های معلم رو با همه اعدادش حفظ کنه. برای همین، وقتی یه سوال جدید بهش می‌دی (داده‌های جدید)، کاملاً گیج می‌شه و نمی‌تونه جواب بده. 😫 به این می‌گن بیش‌برازش یا Overfitting. 📈

هدف اصلی ما چیه؟ ✨

هدف ما اینه که یه مدل بسازیم که نه خیلی ساده‌لوح باشه (سوگیری کم) و نه خیلی وسواسی (واریانس کم). باید یه تعادل طلایی پیدا کنیم! ⚖️
این تعادل به اسم Trade-off Bias-Variance معروفه و کل هنر یادگیری ماشین همینه: ساختن مدلی که هم خوب یاد بگیره و هم بتونه تو موقعیت‌های جدید عملکرد عالی داشته باشه. ✅

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ


لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

‏🔄 معکوس کردن دنباله‌ها با `reversed()` در پایتون!

‏آیا می‌دونستید می‌تونید به راحتی یک لیست، تاپل یا هر iterable دیگه‌ای رو برعکس کنید؟

‏`reversed()` یه iterator برمی‌گردونه که عناصر رو به ترتیب معکوس پیمایش می‌کنه.

‏مثال:
```python
my_list = [1, 2, 3, 4, 5]
reversed_list = list(reversed(my_list))
‏print(reversed_list) # خروجی: [5, 4, 3, 2, 1]
```

‏به همین سادگی! ✨ این تابع برای مرتب‌سازی معکوس یا پردازش داده‌ها به صورت برعکس خیلی کاربردیه. 👍

https://t.me/python7ir

💡 نکته #NoSQL

🟣 موضوع : ‏HBase Region Splitting و Compaction

✨ نکته :

‏برای Splitting، حواست به اندازه Region ها باشه. نه خیلی بزرگ، نه خیلی کوچیک. بهینه بودن مهمه! ⚖️


ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

🔵 نکته یادگیری ماشین

خب، حالا بریم سراغ یه نکته برای وقتی که یک نقطه داده، کل داستان رو به هم می‌ریزه! 🤯

داده‌های پرت (Outliers) 📈

تصور کن داری میانگین قد یک کلاس درس رو حساب می‌کنی. 🧑‍🎓 اکثر بچه‌ها قدی بین ۱.۵۰ تا ۱.۷۰ متر دارن. اما یکی از اون‌ها بازیکن بسکتباله و قدش ۲.۲۰ متره.

این یک مورد، یک داده پرت (Outlier) محسوب می‌شه. داده‌های پرت به نقاطی در داده‌ها گفته می‌شه که از بقیه نقاط خیلی خیلی دور هستن و الگوی کلی رو دنبال نمی‌کنن.

چرا داده‌های پرت خطرناکن؟

گمراه‌کننده هستن: 🤦‍♂️ وجود یک داده پرت می‌تونه میانگین یک گروه رو به شدت تغییر بده و تصویری نادرست از واقعیت نشون بده. در مثال بالا، قد متوسط کلاس خیلی بیشتر از حد واقعی می‌شه.

عملکرد مدل رو خراب می‌کنن: در یادگیری ماشین، داده‌های پرت مثل آهنربا عمل می‌کنن و خط بهترین برازش مدل رو به سمت خودشون می‌کشن. این باعث می‌شه مدل برای بقیه داده‌ها کمتر دقیق باشه.

چطور با این مشکل مقابله کنیم؟

کشف و حذف: 🗑 اولین قدم اینه که با ابزارهای بصری یا آماری، داده‌های پرت رو پیدا کنی. اگر مطمئن شدی که اون‌ها خطای ورودی داده بودن، می‌تونی اون‌ها رو حذف کنی. (اما حواست باشه اطلاعات مهمی رو از دست ندی!)

جایگزینی: می‌تونی اون‌ها رو با یک مقدار قابل قبول‌تر (مثلاً میانه) جایگزین کنی.

استفاده از مدل‌های مقاوم: بعضی از مدل‌ها به صورت طبیعی در برابر داده‌های پرت مقاوم‌تر هستن، مثل مدل‌های مبتنی بر درخت (درخت تصمیم و جنگل تصادفی).

خلاصه که، داده‌های پرت مثل مهمون‌های ناخونده هستن که می‌تونن مهمونی (مدل) رو خراب کنن! 😉

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ


لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

💡 نکته #SQL

🟣 موضوع : ‏دستورات DML: UPDATE

✨ نکته :

‏یه UPDATE خوب و دقیق میتونه دیتابیس رو تمیز و به‌روز نگه داره. از قدرت UPDATE به نفع خودت استفاده کن! 💪🌟


ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

🔵 نکته یادگیری ماشین

مقیاس‌گذاری ویژگی‌ها (Feature Scaling) 📏

تصور کن یه مدل برای پیش‌بینی قیمت خونه داری. دو تا ویژگی (ستون) داری:

مساحت خونه: از ۵۰ تا ۵۰۰ متر مربع.

تعداد اتاق‌ها: از ۱ تا ۵ اتاق.

همونطور که می‌بینی، عدد مربوط به مساحت خیلی بزرگ‌تر از عدد مربوط به تعداد اتاق‌ها است. 🤯 حالا یه مدل ساده مثل SVM (ماشین بردار پشتیبان) می‌خواد این دو تا رو با هم مقایسه کنه. به خاطر اختلاف بزرگ در مقیاس، مدل ممکنه به اشتباه فکر کنه که "مساحت" خیلی مهم‌تر از "تعداد اتاق‌ها" است.

مقیاس‌گذاری ویژگی‌ها دقیقاً برای حل همین مشکل طراحی شده. هدفش اینه که تمام ویژگی‌ها رو روی یک مقیاس مشابه قرار بده تا هیچ‌کدوم به خاطر عدد بزرگ‌ترشون، زورگو نباشن و مدل به همه به یک اندازه توجه کنه.

چطور کار می‌کنه؟

دو روش اصلی و پرکاربرد وجود داره:

استانداردسازی (Standardization):
این روش داده‌ها رو طوری تغییر می‌ده که میانگینشون صفر و انحراف معیار (Standard Deviation)شون یک بشه. این شبیه اینه که تمام داده‌ها رو به یک واحد استاندارد تبدیل کنی. 🧪

نرمال‌سازی (Normalization):
این روش داده‌ها رو در یک بازه مشخص، معمولاً بین ۰ و ۱، قرار می‌ده. مثل این می‌مونه که همه رو روی یه خط‌کش یکسان قرار بدی. 📏

چرا این کار مهمه؟

عملکرد بهتر: خیلی از الگوریتم‌ها، به خصوص اون‌هایی که با فاصله‌ها سروکار دارن (مثل KNN یا SVM) یا اون‌هایی که از نزول گرادیان (Gradient Descent) استفاده می‌کنن (مثل شبکه‌های عصبی)، با داده‌های مقیاس‌گذاری‌شده خیلی بهتر و سریع‌تر کار می‌کنن. ⚡️

عدالت: این کار تضمین می‌کنه که هیچ ویژگی، به خاطر اینکه اعداد بزرگ‌تری داره، بر مدل مسلط نمی‌شه.

خلاصه که، با مقیاس‌گذاری ویژگی‌ها، مطمئن می‌شی که همه ویژگی‌ها به اندازه خودشون مهم تلقی می‌شن و مدل به همه به طور عادلانه نگاه می‌کنه. 😉

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ


لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

🔵 کوییز #یادگیری_ماشین

🟣 موضوع : ‏یادگیری ماشین برای پردازش ویدیو

🟢 سوال :

‏کدام مدل یادگیری ماشین برای تولید فریم‌های ویدیو جدید به کار می‌رود؟

گزینه 1:
Autoencoder
گزینه 2:
GAN
گزینه 3:
SVM
گزینه 4:
Kalman Filter

🔵 گزینه صحیح: 2

🟢 توضیح :

‏GANها با یادگیری توزیع داده‌ها قادر به تولید فریم‌های واقع‌نمایانه جدید هستند.


ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

🔵 نکته یادگیری ماشین

حالا بریم سراغ یه ابزار خیلی کاربردی که بهت می‌گه مدل‌ت چقدر دقیق و چقدر خوب عمل کرده! 📊

ماتریس درهم‌ریختگی (Confusion Matrix) 🧐

اغلب اوقات، ما برای سنجش عملکرد مدل‌مون فقط به "دقت" (Accuracy) نگاه می‌کنیم و فکر می‌کنیم اگه دقتش ۹۹٪ باشه، مدل عالیه. اما این نمره همه چیز رو بهمون نمی‌گه.

مثلاً تصور کن یه مدل برای تشخیص ایمیل‌های اسپم داری. اگه مدل‌ت همیشه بگه "این ایمیل اسپم نیست"، دقتش ۹۹٪ می‌شه (چون فقط ۱٪ ایمیل‌ها اسپم هستن!). اما آیا این مدل واقعاً خوبه؟ معلومه که نه! 🤦‍♂️

ماتریس درهم‌ریختگی یک جدول ساده اما قدرتمنده که بهمون می‌گه مدل ما دقیقاً کجا درست پیش‌بینی کرده و کجا اشتباه. این ماتریس چهار بخش داره:
پیش‌بینی: مثبت پیش‌بینی: منفی
واقعی: مثبت درست مثبت (TP) نادرست منفی (FN)
واقعی: منفی نادرست مثبت (FP) درست منفی (TN)

این چهار بخش به چه معنا هستند؟

تصور کن یه مدل برای تشخیص بیماری داری:

درست مثبت (True Positive): ✅ مدل می‌گه شخص بیمار است و واقعاً هم هست. (یک پیش‌بینی درست)

درست منفی (True Negative): ✅ مدل می‌گه شخص بیمار نیست و واقعاً هم نیست. (یک پیش‌بینی درست)

نادرست مثبت (False Positive): ❌ مدل می‌گه شخص بیمار است، اما نیست. (یک هشدار دروغین)

نادرست منفی (False Negative): ❌ مدل می‌گه شخص بیمار نیست، اما هست. (یک تشخیص از دست‌رفته خطرناک)

چرا ماتریس درهم‌ریختگی مهمه؟

این ماتریس به ما کمک می‌کنه تا بفهمیم مدل ما در مورد هر دسته چقدر خوب عمل کرده و آیا خطاهای مدل برای ما قابل قبول هستند یا نه. بر اساس این ماتریس، می‌تونیم معیارهای مهم‌تری مثل Precision و Recall رو هم محاسبه کنیم که تصویر دقیق‌تری از عملکرد مدل بهمون می‌دن.

خلاصه که، ماتریس درهم‌ریختگی مثل یک گزارش کار دقیق و کامل عمل می‌کنه که نشون می‌ده مدل‌ت در هر قسمت چه عملکردی داشته! 😉

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ


لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

💡 نکته #یادگیری_ماشین

🟣 موضوع : ‏یادگیری ماشین: مفاهیم اصلی - کاربرد در بینایی کامپیوتر - طبقه‌بندی تصاویر (Image Classification)

✨ نکته :

‏دیتات کمه؟ نگران نباش! با تکنیک‌های افزایش داده (Data Augmentation) مثل چرخوندن و زوم کردن عکسا، می‌تونی حجم دیتاست رو به صورت مصنوعی زیاد کنی و مدل قوی‌تری بسازی. 💪🖼️


ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

🔵 نکته یادگیری ماشین

بریم سراغ یه مدل یادگیری که مثل یه بازی ویدیویی می‌مونه! 🎮

یادگیری تقویتی (Reinforcement Learning) 🤖

تا حالا در مورد یادگیری نظارت‌شده (با برچسب) و بدون نظارت (بدون برچسب) صحبت کردیم. حالا می‌خوام یه نوع کاملاً متفاوت از یادگیری رو بهت بگم که نه برچسب داره و نه داده‌ی آموزشی!

یادگیری تقویتی مثل آموزش دادن به یه حیوان یا یه کودک کوچیک می‌مونه. 🐕

تصور کن می‌خوای به سگ‌ت یاد بدی بشینه. هر بار که کار درست (نشستن) رو انجام می‌ده، بهش یه جایزه (پاداش) می‌دی. 🦴 و هر وقت کار اشتباه می‌کنه، هیچ جایزه‌ای نمی‌دی (جریمه). سگ به مرور زمان از طریق آزمون و خطا و با توجه به پاداش‌ها و جریمه‌ها، یاد می‌گیره که باید بشینه.

یادگیری تقویتی هم دقیقاً بر همین اساس کار می‌کنه:

یه عامل (Agent) داریم (مثلاً یه ربات یا یه برنامه هوش مصنوعی).

عامل در یک محیط (Environment) قرار داره (مثلاً یه اتاق یا یه بازی).

عامل عملیاتی (Actions) رو انجام می‌ده.

برای کارهای خوب، پاداش (Reward) می‌گیره و برای کارهای بد، جریمه می‌شه.

این فرآیند تا جایی ادامه پیدا می‌کنه که عامل بهترین استراتژی رو برای گرفتن بیشترین پاداش پیدا کنه.

این تکنیک برای مسائلی عالیه که جواب درست مشخصی ندارن و عامل باید خودش راه رو پیدا کنه. مثل:

آموزش یک ربات برای راه رفتن.

ساخت هوش مصنوعی برای بازی‌هایی مثل شطرنج یا Go. ♟

یادگیری یک ماشین خودران برای مسیریابی در ترافیک. 🚗

خلاصه که، یادگیری تقویتی یعنی آموزش با پاداش و تنبیه، درست مثل اینکه به یه ربات یاد بدیم چطور از طریق تجربه یاد بگیره. 🤩

ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ


لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

💡 نکته #SQL

🟣 موضوع : ‏نمای (View) و نحوه ایجاد آن

✨ نکته :

‏با استفاده از View ها، گزارش‌گیری و تحلیل داده‌ها خیلی راحت‌تر می‌شه. 😎


ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

💡 نکته #SQL

🟣 موضوع : Connection Pooling

✨ نکته :

‏برای تست Connection Pooling، از ابزارهای مانیتورینگ دیتابیس استفاده کن تا ببینی چقدر داره بهت کمک میکنه! 📈


ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

💡 نکته #NoSQL

🟣 موضوع : ‏Gremlin و زبان‌های گرافی

✨ نکته :

‏دستور coalesce() مثل یه if/else تو یه خطه. مثلاً coalesce(findX, createX) برای منطق "اگه نبود بسازش" (upsert) معرکه است. ✨🛠️


ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

💡 نکته #یادگیری_ماشین

🟣 موضوع : ‏ماشین‌های بردار پشتیبان (SVM) - کاربردهای SVM در یادگیری ماشین و داده‌کاوی

✨ نکته :

‏برای اینکه ببینی SVM چقدر خوب کار می‌کنه، از معیارهای ارزیابی مثل دقت، بازخوانی و F1-score استفاده کن. این معیارها بهت میگن SVM چقدر خوب تونسته دسته‌بندی رو انجام بده. 💯📊


ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

💡 نکته #NoSQL

🟣 موضوع : ‏Java – استفاده از Spring Data NoSQL

✨ نکته :

‏یادت باشه که transaction ها تو NoSQL ها یه کم فرق دارن. پس با دقت ازشون استفاده کن. 🧐


ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

لطفا ما رو به دیگران هم معرفی کنید...

آدرس کانال اصلی :
https://t.me/Tu_24

آدرس وبسایت:
https://Tutorial24.ir

‏پایتون کارها سلام! 👋

‏توی توابع پایتون، پارامترها خیلی مهم‌ان! 🤔

‏میتونیم به پارامترها مقدار پیش‌فرض بدیم. اینجوری اگه موقع صدا زدن تابع، مقداری ندیم، از همون مقدار پیش‌فرض استفاده می‌شه.

‏مثال:
```python
‏def سلام(اسم="کاربر"):
‏ print(f"سلام {اسم}!")

‏سلام() # خروجی: سلام کاربر!
‏سلام("علی") # خروجی: سلام علی!
```

‏خیلی کاربردیه، نه؟ 👌
‏#پایتون #آموزش #تابع

https://t.me/python7ir