✅کتابخانه های کاربردی و جایگرین یا مشابه کتابخانه ی Pandas

دانستن چندین ابزار و استفاده ی درست از هر کدام میتونه مهارت های شمارو در حل مسئله قوی تر کند .

@voidcompile

NumPy Python Library

✅ یک منبع خوب برای علاقه مندان
به یادگیری کتابخانه numpy

#numpy
#book@voidcompile
#pdf@voidcompile

@voidcompile

دارم تلاش میکنم یکی از کاملترین دوره های آموزش پایتون رو درست کنم

✅یکی از مهمترین قدم های یادگیری برنامه نویسی این هست که با چالش های مختلف رو به رو شید ارور دریافت کنین و سعی کنید یک مسئله را از چند طریق حل کنید .

✅توی این دوره سعی میشه که این مورد مهم رعایت شه و برنامه نویسی را به صورت عمقی یاد بگیرید ! ...

به مناسبت روز برنامه نویس 🧠🫀

🧬‌ یه پروژه جالب برای علاقه‌مندان به Bioinformatics و Deep Learning:

🔹 survcraft
یک پکیج پایتونی برای ساخت و توسعه مدل‌های Survival Analysis با روش‌های یادگیری عمیق.

اگر روی Cancer AI، Bioinformatics یا Medical AI کار می‌کنید، ارزش یه نگاه رو داره.

🔗 GitHub:
https://github.com/compbiomed-unito/survcraft

#Python #Bioinformatics #DeepLearning #CancerAI #MedicalAI #GitHub #MachineLearning


@voidcompile

بهترین منبع برای پیشرفت، داکیومنت اصلی هست که خود آن توسعه دهنده در اختیار شما قرار میده برای آشنایی و یک دید کلی نیازی نیست هزینه کنید فقط به داکیومنت رسمی سر بزنید.

✅در حال ساختن یک ریپوی فوق العاده هستم که احتمالا زمانبر خواهد بود اما می خواهم نه تنها یک جزوه ی عادی بلکه به صورت پروژه ای بتونید استفاده کنید و یاد بگیرید .
✅از مباحث آنالیزدیتا تا ماشین لرنینگ و بیوانفورماتیک(بیوپایتون)

📎دوره ی طراحی شده که گفتم از همین خواهد بود و اپدیت ها قرار می گیره ...

📝این برای خود من یک چالش هست که گیتهاب را آنجوری که باید بلاخره راه اندازی کنم.

🔎ریپو اینجاست :
https://github.com/MobinZamanii/skills-and-learning


@voidcompile

نوت بوک کتابخانه seaborn که برای رسم گراف های علمی ازش استفاده میشه
در حال تکمیل است . پارت یک رو میتونید ببینید.
https://github.com/MobinZamanii/skills-and-learning/blob/main/00-data-analysis/Seaborn/01_Seaborn_Publication_Quality.ipynb


@voidcompile

در این قسمت شما یاد می گیرید چطوری گراف های سه بعدی و حرفه ای ایجاد کنید .

مشاهده در گیتهاب

@voidcompile

در این PDF سعی شده که الگوریتم knn به صورت کامل آموزش داده بشه
در این فایل مطالب

• The intuition behind KNN
• Distance metrics and their mathematics
• KNN Classification and Regression
• Choosing the value of K
• Overfitting, Underfitting, Bias, and Variance
• Feature Scaling and Data Leakage
• Decision Boundaries and Visualization
• From-Scratch KNN implementation
• Scikit-learn implementation
• Cross-Validation and Grid Search
• Evaluation metrics and Confusion Matrix
• Curse of Dimensionality
بررسی می شوند .

شما میتوانید سورس کد را در گیت هاب مشاهده کنید :
Algorithm Knn

@voidcompile

🔎در ریپوی آموزشی چی خواهد بود؟


✅شما می توانید به ریپو دسترسی داشته باشید تمامی کد ها آنجا قرار می گیرند
✅ریپو هر روز در حال اپدیت است .

💡لینک دسترسی :
گیت هاب

@voidcompile

یادگیری Machine Learning برای من از حفظ کردن الگوریتم‌ها شروع نشد؛ از فهمیدنِ پشتِ آن‌ها شروع شد.

همان طور که گفته بودم مدتیه دارم یک مسیر جدی برای یادگیری Machine Learning با Python می‌سازم و هم‌زمان تمام چیزهایی که یاد می‌گیرم رو داخل یک Repository مستند می‌کنم.

تا اینجا بخش Supervised Learning شامل این الگوریتم‌هاست:

🔹 Linear Regression
🔹 Logistic Regression
🔹 KNN
🔹 SVM
🔹 Naive Bayes
🔹 Decision Tree
🔹 Random Forest

اما هدفم این نیست که فقط چند تا الگوریتم بلد باشیم و با "sklearn" چند خط کد بنویسیم.

می خواهیم بفهمیم:

🧠 الگوریتم واقعاً چطور کار می‌کنه؟
📐 پشت ریاضیاتش چه خبره؟
💻 چطور میشه درست پیاده‌سازی و آزمایشش کرد؟
📊 چطور باید عملکردش رو ارزیابی کرد؟
🔬 و مهم‌تر از همه، چه زمانی باید ازش استفاده کرد؟

نکته جالب اینه که این Repository فقط برای نمایش پروژه نیست؛ خودم ازش برای یادگیری و آموزش استفاده می‌کنم.

این Repository قراره به مرور بزرگ‌تر بشه؛ از الگوریتم‌های بیشتر و مفاهیم عمیق‌تر گرفته تا آزمایش‌ها و پروژه‌های عملی‌تر.

ریپو اینجاست کلیک کنید.


@voidcompile