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

✅برای آشنایی و یادگیری و استفاده الگوریتم های ماشین لرنینگ نظارت شده میتونید این تصویر رو ذخیره داشته باشید و استفاده کنید .

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

لینک آموزش کامل در گیت هاب :
Repo


@voidcompile

✅کتابخانه های پایتونی برای رسم گراف
توی این این پست می خواهم به شما 6 کتابخانه رو معرفی کنم که در آنالیز دیتا و تحقیقات بسیار پر کارد هستنند.

1⃣Matplotlib
2⃣Seaborn
3⃣Plotly
4⃣ggplot
5⃣Bokeh
6⃣Altair

@voidcompile

🐍 پایتون 3.15؛ چه قابلیت‌های جدیدی اضافه شده؟

نسخه جدید پایتون با مجموعه‌ای از تغییرات در عملکرد، ابزارهای توسعه و تجربه برنامه‌نویسی منتشر شده است.

🚀 ۶ قابلیت مهم Python 3.15:

⚡ بهبود عملکرد کامپایلر آزمایشی JIT
📦 واردکردن تنبل ماژول‌ها (Lazy Imports)
🔒 نوع داده جدید "frozendict"
🧩 انعطاف‌پذیری بیشتر در Comprehensions
📝 استفاده پیش‌فرض از UTF-8
📊 ابزارهای بهتر برای پروفایلینگ و تحلیل عملکرد کد

💡 این تغییرات چه اهمیتی دارند؟

برای برنامه‌نویسان پایتون، توسعه‌دهندگان هوش مصنوعی، متخصصان علم داده و بیوانفورماتیک، شناخت قابلیت‌های جدید می‌تواند به نوشتن و بهینه‌سازی بهتر نرم‌افزار کمک کند.

البته همه این تغییرات الزاماً باعث افزایش سرعت تمام برنامه‌ها نمی‌شوند؛ نتیجه به نوع پروژه و کتابخانه‌های مورد استفاده بستگی دارد.

📚 مستندات رسمی:
https://docs.python.org/3.15/whatsnew/

@voidcompile

🚨 هشدار امنیتی فوری | آسیب‌پذیری‌های بحرانی در PHP

دو آسیب‌پذیری بحرانی با شناسه‌های CVE-2026-109618 و CVE-2026-109619 در PHP شناسایی شده‌اند که می‌توانند امکان اجرای کد از راه دور (RCE) بدون نیاز به احراز هویت را فراهم کنند. شدت هر دو آسیب‌پذیری CVSS 9.2 از 10 گزارش شده است. <Cite refs={["turn314886search4","turn314886search1"]}/>

🔴 اقدامات ضروری:

- نسخه PHP تمام سرورها و محیط‌های اجرایی را بررسی کنید.
- به نسخه‌های اصلاح‌شده 8.5.12، 8.4.27، 8.3.36 یا 8.2.35 ارتقا دهید.
- در صورت عدم امکان وصله‌کردن فوری، دسترسی عمومی سامانه آسیب‌پذیر را محدود کنید.
- لاگ‌ها و نشانه‌های احتمالی نفوذ را بررسی کنید.

⚠️ گزارش‌های امنیتی از احتمال سوءاستفاده فعال از این آسیب‌پذیری‌ها خبر می‌دهند؛ بنابراین بررسی و به‌روزرسانی باید در اولویت قرار گیرد. <Cite refs={["turn314886search3","turn314886search5"]}/>

🔗 اطلاعیه رسمی PHP:
https://www.php.net/archive/2026.php


#PHP #CyberSecurity #InfoSec #امنیت_سایبری


@voidcompile

تکنولوژی CUDA چیست؟

تکنولوژی CUDA یک پلتفرم محاسبات موازی از شرکت NVIDIA است که به برنامه‌نویسان اجازه می‌دهد از قدرت GPU برای اجرای محاسبات سنگین استفاده کنند.

⚡ کاربردها:
🔹 آموزش مدل‌های هوش مصنوعی و Deep Learning
🔹 پردازش داده‌های حجیم
🔹 شبیه‌سازی‌های علمی و محاسبات زیستی
🔹 اجرای سریع‌تر برخی الگوریتم‌های محاسباتی

💡 تکنولوژی CUDA یک زبان برنامه‌نویسی نیست؛ بلکه مجموعه‌ای از ابزارها و کتابخانه‌ها برای بهره‌گیری از توان پردازشی GPU است. با C++ می‌توان مستقیماً برای CUDA برنامه نوشت و در Python نیز از طریق ابزارهایی مثل PyTorch از آن استفاده کرد.

#CUDA #NVIDIA #هوش_مصنوعی #برنامه_نویسی

@voidcompile

🐍 شرط‌ها در پایتون | Python Conditions

با if، elif و else به کدت یاد بده تصمیم بگیره!

📌 یک چیت‌شیت کاربردی برای مرور شرط‌ها، عملگرهای مقایسه‌ای و منطقی پایتون.

💻 ذخیره‌اش کن که موقع کدنویسی به کارت میاد!

#Python #برنامه_نویسی #آموزش_پایتون

@voidcompile

لایه‌های هوش مصنوعی؛ از داده تا تصمیم‌گیری هوشمند

هوش مصنوعی فقط ChatGPT یا مدل‌های مولد نیست! پشت سیستم‌های هوشمند، مجموعه‌ای از فناوری‌ها قرار دارند:

🔹 Classical AI
🔹 Machine Learning
🔹 Neural Networks
🔹 Deep Learning
🔹 Generative AI
🔹 Agentic AI

هرکدام نقش متفاوتی دارند و در کنار داده و زیرساخت محاسباتی، امکان ساخت سیستم‌های هوشمندتر را فراهم می‌کنند.

اگر می‌خواهی در AI عمیق‌تر شوی، فقط ابزارها را یاد نگیر؛ معماری پشت آن‌ها را هم بشناس.

#هوش_مصنوعی #یادگیری_ماشین

@voidcompile

🧠 شبکه‌های عصبی چطور یاد می‌گیرند؟

پشت آموزش هر مدل Deep Learning دو فرآیند اساسی وجود دارد:

🔵 Forward Propagation
داده‌ها از لایه ورودی عبور می‌کنند و مدل یک پیش‌بینی تولید می‌کند.

🟣 Backpropagation
مدل خطای پیش‌بینی را بررسی می‌کند، گرادیان‌ها را محاسبه می‌کند و وزن‌ها و بایاس‌ها را برای بهبود عملکرد به‌روزرسانی می‌کند.

⚙️ به زبان ساده:

Forward = Prediction
Backpropagation = Learning

این دو فرآیند در کنار الگوریتم‌هایی مثل Gradient Descent، هسته اصلی آموزش شبکه‌های عصبی را تشکیل می‌دهند.

#DeepLearning #Python #ArtificialIntelligence #MachineLearning

@voidcompile

🔥 حقیقتی که خیلی‌ها در آموزش پایتون دوست ندارن بشنون!

اینکه چند تا حلقه بنویسی، با pandas دیتافریم بسازی یا چند پروژه کپی کنی، لزوماً ازت برنامه‌نویس نمی‌سازه!
💻 مشکل خیلی از آموزش‌های پایتون چیه؟

همه‌چیز از سینتکس شروع می‌شه و همون‌جا تموم می‌شه؛ اما کمتر کسی ازت می‌پرسه:
🧠 الگوریتمی که نوشتی چقدر بهینه‌ست؟
📐 پیچیدگی زمانی کدت چقدره؟ ⚙️ حافظه چطور مصرف می‌شه؟ 🧩 اصلاً چرا این راه‌حل بهتر از راه‌حل‌های دیگه‌ست؟
اینجاست که علوم کامپیوتر (Computer Science) اهمیت پیدا می‌کنه.

پایتون بهت یاد می‌ده چطور کد بنویسی؛ علوم کامپیوتر کمکت می‌کنه بفهمی پشت اون کد چه اتفاقی می‌افته.

اگه می‌خوای از کدنویسی فراتر بری، باید الگوریتم، ساختمان داده، سیستم‌عامل و مبانی محاسبات رو هم جدی بگیری.

⚠️ حالا سؤال :
اگه کسی ۵۰ تا پروژه پایتون ساخته باشه، ولی از الگوریتم و ساختمان داده چیزی ندونه، واقعاً برنامه‌نویس هست ؟
#پایتون #برنامه_نویسی #علوم_کامپیوتر #هوش_مصنوعی #الگوریتم


@voidcompile

🔍 ۵ وب‌سایت کاربردی برای پیدا کردن دیتاست

اگر در حوزه‌های Data Science، Machine Learning یا Bioinformatics فعالیت می‌کنید، این ۵ منبع می‌توانند برای پیدا کردن داده‌های مناسب به شما کمک کنند:

1️⃣ Kaggle
2️⃣ UCI Machine Learning Repository
3️⃣ Hugging Face
4️⃣ NCBI
5️⃣ Google Dataset Search

از دیتاست‌های عمومی و یادگیری ماشین گرفته تا داده‌های ژنومی و زیستی.

📌 این منابع را ذخیره کنید؛ احتمالاً در پروژه‌های بعدی به آن‌ها نیاز پیدا می‌کنید.

#Python #DataScience #MachineLearning #Bioinformatics

@voidcompile

🐍 ۵ قابلیت کاربردی پایتون که کدنویسی را ساده‌تر می‌کنند!

در پایتون همیشه لازم نیست برای انجام کارهای ساده، کدهای طولانی بنویسیم. گاهی شناخت چند قابلیت کوچک می‌تواند تفاوت زیادی در کیفیت کدنویسی ایجاد کند.

در این پست با ۵ قابلیت کاربردی آشنا شدیم:

🔹 "enumerate()" برای دسترسی به اندیس و مقدار
🔹 "zip()" برای پیمایش هم‌زمان چند مجموعه
🔹 "List Comprehension" برای ساخت لیست‌ها
🔹 "any()" و "all()" برای بررسی شرط‌ها
🔹 "Unpacking" برای استخراج هم‌زمان مقادیر

💡 برنامه‌نویس حرفه‌ای فقط بیشتر کد نمی‌نویسد؛ بلکه راه ساده‌تر و بهتری برای حل مسئله پیدا می‌کند.



#Python #برنامه_نویسی #PythonProgramming

@voidcompile

💻 ۳ کتاب که برنامه‌ نویسیان برای شروع می توانند بخوانند!

برنامه‌ نویس خوب فقط کسی نیست که کد می‌نویسد؛ بلکه باید بتواند مسئله را تحلیل کند، کد قابل نگهداری بنویسد و مثل یک مهندس نرم‌ افزار فکر کند.

اگر بخواهیم از بین کتاب‌های ارزشمند دنیای برنامه‌ نویسی سه مورد را انتخاب کنیم:

۱. Clean Code — Robert C. Martin
📖 یادگیری اصول نوشتن کد تمیز، خوانا و قابل نگهداری.

۲. The Pragmatic Programmer — Andrew Hunt & David Thomas
📖 تغییر طرز فکر از یک کدنویس ساده به یک برنامه‌نویس حرفه‌ای و مسئله‌محور.

۳. Design Patterns: Elements of Reusable Object-Oriented Software — Gang of Four
📖 آشنایی با الگوهای طراحی و راهکارهای استاندارد برای حل مسائل تکرارشونده در مهندسی نرم‌افزار.

#برنامه_نویسی #کتاب #Python #SoftwareEngineering

@voidcompile