برای استفاده از SQL در پایتون، می‌توانید از کتابخانه‌هایی مانند sqlite3، mysql-connector-python، psycopg2 و pyodbc استفاده کنید. برای مثال، برای اتصال به یک پایگاه داده SQLite با استفاده از کتابخانه sqlite3، می‌توانید از کد زیر استفاده کنید:

import sqlite3

# Connect to database
conn = sqlite3.connect('example.db')

# Create a cursor
c = conn.cursor()

# Execute a query
c.execute('SELECT * FROM table_name')

# Fetch the results
results = c.fetchall()

# Close the connection
conn.close()

اگر یک فایل پایگاه داده مانند School.db داشته باشید با وارد کردن کد زیر در ترمینال می‌توانید از آن استفاده کنید:

sqlite3 School.db
--با استفاده از دستور schema.، می‌توانید ساختار فایل داده‌ها و جداول آن را به صورت دقیق مشاهده کنید، از جمله نام ستون‌ها، نوع داده‌ها و محدودیت‌هایی که برای هر ستون تعریف شده‌اند.
sqlite> .schema

زبان SQL شامل بسیاری از دستورات است که برای انجام عملیات‌های مختلف بر روی داده‌ها مورد نیاز هستند. برخی از دستورات مهم SQL عبارتند از:

- SELECT:
برای استخراج داده‌ها از یک یا چند جدول استفاده می‌شود.
- INSERT:
برای اضافه کردن داده‌های جدید به یک جدول استفاده می‌شود.
- UPDATE:
برای به‌روزرسانی داده‌های موجود در یک جدول استفاده می‌شود.
- DELETE:
برای حذف داده‌های مشخص شده از یک جدول استفاده می‌شود.
- CREATE TABLE:
برای ایجاد یک جدول جدید با ستون‌ها و نوع داده‌های مشخص شده استفاده می‌شود.
- ALTER TABLE:
برای تغییر ساختار یک جدول موجود، مانند اضافه، حذف یا تغییر نام ستون‌ها استفاده می‌شود.
- DROP TABLE:
برای حذف یک جدول کاملاً از پایگاه داده استفاده می‌شود.
- JOIN:
برای اتصال داده‌های مربوط از دو یا چند جدول استفاده می‌شود.
- WHERE:
برای فیلتر کردن داده‌ها بر اساس شرط‌های مشخص شده استفاده می‌شود.
- GROUP BY:
برای گروه‌بندی داده‌ها بر اساس یک یا چند ستون استفاده می‌شود.
- HAVING:
برای فیلتر کردن گروه‌های ایجاد شده توسط GROUP BY بر اساس شرط‌های مشخص شده استفاده می‌شود.
- ORDER BY:
برای مرتب‌سازی داده‌ها بر اساس یک یا چند ستون به صورت صعودی یا نزولی استفاده می‌شود.
- CASE:
برای ایجاد شرط‌های متعدد و اعمال عملیات‌های مختلف بر روی داده‌ها استفاده می‌شود.

#Learning
➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️
@CS_KHU | انجمن علمی علوم کامپیوتر

Читать полностью…

کتابخانه‌ seaborn

در ادامه کار با داده ها، یکی دیگر از کتابخانه های کاربردی و مهم، کتابخانه seaborn است. برای مصور سازی نیاز به یادگیری این کتابخانه داریم.
حال به بررسی کتابخانه seaborn میپردازیم.

ادامه مطلب

PART2⃣
#Learning
➖➖➖➖➖➖➖➖➖➖➖➖➖
@CS_KHU  |  انجمن علمی علوم کامپیوتر

Читать полностью…

7.تصویرسازی داده‌ها:

df.plot(kind='line', x='x_column', y='y_column')

توضیح: ایجاد نمودار خطی ساده (این کد نیازمند matplotlib برای تصویرسازی داده‌ها است).
این دستور در کتابخانه Pandas پایتون یک نمودار خطی را ایجاد می‌کند. با استفاده از دستور داده‌های موجود در ستون 'x_column' به عنوان محور افقی (محور x) و داده‌های موجود در ستون 'y_column' به عنوان محور عمودی (محور y) در نمودار استفاده می‌شوند. نوع نمودار به عنوان خطی (line) تعریف شده است، بنابراین داده‌ها به صورت خطی نمایش داده می‌شوند. این روش برای نمایش روند تغییرات یا رابطه بین دو متغیر مختلف مفید است.

این کدها نمونه‌هایی از قابلیت‌های متنوع Pandas در پایتون هستند که برای پردازش، تحلیل و تصویرسازی داده‌ها به کار می‌روند.

#Learning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
@CS_KHU  |  انجمن علمی علوم کامپیوتر

Читать полностью…

کتابخانه Pandas چیست؟
یک کتابخانه پایتون است که برای کار با مجموعه داده ها استفاده می شود و دارای عملکردهایی برای تجزیه و تحلیل، تمیز کردن، کاوش و دستکاری داده‌ ها است.
نام Pandas هم به "پنل داده" و هم به "تحلیل داده پایتون" اشاره دارد و توسط وس مک کینی در سال 2008 ایجاد شد.

چرا از Pandas استفاده کنیم؟
پانداز به ما این امکان را می دهند که داده های بزرگ را تجزیه و تحلیل کنیم و بر اساس تئوری های آماری نتیجه گیری کنیم.
پانداز می توانند مجموعه داده های نامرتب را تمیز کنند و آنها را خوانا و مرتبط کنند.
داده های مرتبط در علم داده بسیار مهم است.

برخی منابع یادگیری:
Coursera
youtube

#Learning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
@CS_KHU | انجمن علمی علوم کامپیوتر

Читать полностью…

‼️یادآوری

🛑زمان برگزاری انتخابات شورای صنفی:
فردا دوشنبه ۱۸دی ماه ۱۴۰۲

لیست کاندیدا های انتخابات شورای صنفی دانشگاه خوارزمی

برای شرکت در انتخابات شورای صنفی، در زمان مقرر وارد سامانه گلستان شوید و با کلیک روی گزینه ارزشیابی و نظرسنجی و انتخاب پاسخگویی به سوال‌های نظرسنجی به کاندید‌های مورد نظر خود رای دهید.

➖➖➖➖➖➖➖➖➖➖➖➖➖➖
@CS_KHU  |  انجمن علمی علوم کامپیوتر

Читать полностью…

💢گزارش‌تصویری ویژه‌برنامه‌ی هفته‌ی پژوهش دانشکده علوم ریاضی و کامپیوتر

این ویژه‌برنامه در تاریخ ۲۷ آذرماه در سالن غدیر دانشکده‌ ادبیات همراه با اجرای زنده موسیقی، سخنرانی ریاست محترم دانشکده علوم ریاضی و کامپیوتر و مراسم تقدیر از دانشجویان برگزار شد.
📷 #گزارش_تصویری

@CS_KHU | انجمن علمی علوم کامپیوتر
@AI_KHU | انجمن علمی هوش‌مصنوعی

Читать полностью…

کتابخانه NumPy چیست؟
یک کتابخانه پایتون است که برای کار با آرایه ها استفاده می شود. همچنین دارای توابعی برای کار در حوزه جبر خطی و ماتریس ها است.
کتابخانه NumPy در سال 2005 توسط Travis Oliphant ایجاد شد. این یک پروژه متن باز است و می توانید آزادانه از آن استفاده کنید.
نامپای (NumPy) مخفف Numerical Python است.

چرا از NumPy استفاده کنیم؟
در پایتون ما لیست هایی داریم که هدف آرایه ها را انجام می دهند، اما پردازش آنها کند است.
هدف NumPy ارائه یک شی آرایه است که تا 50 برابر سریعتر از لیست های سنتی پایتون است.
شی آرایه در نامپای ndarray نامیده می شود.

کتابخانه NumPy به کدام زبان نوشته شده است؟
این کتابخانه تا حدی در پایتون نوشته شده است، اما بیشتر قسمت هایی که نیاز به محاسبه سریع دارند به زبان C یا C++ نوشته شده اند.

برخی منابع یادگیری:
Coursera
youtube

#Learning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
@CS_KHU | انجمن علمی علوم کامپیوتر

Читать полностью…

شی‌گرایی در پایتون
پایتون یکی از زبان‌های شی‌گرایی است که امروزه بسیار پرکاربرد و پراستفاده است، به همین دلیل یادگیری مفهوم شی‌گرایی در آن از اهمیت بالایی برخوردار است.
ادامه مطلب
(Part2️⃣)
#Learning
➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️
@CS_KHU | انجمن علمی علوم کامپیوتر

Читать полностью…

عدم قطعیت در دنیای قطعیت! 

کاربرد احتمال(Probability) در علم داده:

آیا فکرش رو می‌کنید با تاسی که داخل منچ باهاش بازی می‌کردید بشه صاحب شغل شد؟🧐

در دنیایی که همه چیز عوض شده و هر چیزی امکان پذیره، چرا که نه؟😁
اگر قصد دارید در این زمینه خاص، حرفه ای به نظر بیاید، یادگیری مباحث زیر رو به شما توصیه میکنیم، شاید همین چیزای کوچیک، باعث شد کار که هدف نهایی هست به شما واگذار بشه!

- متغیر های تصادفی (Random Variable)
- میانگین (Mean)
- واریانس (Variance)
- انحراف معیار (Standard Deviation)
- کوواریانس (Covariance)
- همبستگی (Correlation)
- توابع توزیع احتمال (Probability distribution functions)
- رگرسیون خطی (Linear Regression)

اگر به دنبال متخصص شدن در حوزه دیتا ساینس هستید حتما با احتمال برخواهید خورد.😊

#Learning
➖️➖️➖️➖️➖️
انجمن علمی علوم کامپیوتر | @CS_KHU

Читать полностью…

📊کاربرد آمار توصیفی (descriptive statistics) در علم داده:
آمار توصیفی شاخه‌ای از آمار است که به توصیف، نمایش و خلاصه‌سازی داده‌ها می‌پردازد و برای تجزیه‌ و تحلیل داده‌ها و استخراج الگوها از داده‌ها ضروری است.

📈آمار توصیفی یک ابزار ضروری برای متخصصین علم داده محسوب می‌شود. در همین راستا با برخی کاربردهای مهم آن در علم داده آشنا می‌شویم:
توصیف داده‌ها: با محاسبه میانگین، انحراف معیار، واریانس، داده‌های پرت و ... می‌توانیم داده‌ها را به‌طور خلاصه و معنادار توصیف کنیم. این کار برای درک بهتر داده‌ها و شناسایی الگوها به ما کمک می‌کند.
تجزیه‌وتحلیل داده‌ها: در علم داده، ما معمولا به دنبال الگوها، روندها و ویژگی‌های مختلف داده‌ها هستیم و آمار توصیفی به ما کمک می‌کند تا این اطلاعات را به صورت کمی و کیفی تحلیل کنیم و روابط بین متغیرها را شناسایی کنیم.
پیش‌بینی: از آمار توصیفی می‌توان برای مدل‌سازی و پیش‌بینی رفتار و ویژگی‌های آینده داده‌ها استفاده کرد. این کار در گرفتن تصمیم‌ها و انتخاب‌های بهتر درمورد داده‌ها به ما کمک می‌کند.

#Learning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
@CS_KHU | انجمن علمی علوم کامپیوتر

Читать полностью…

🔅"جبر خطی اولین گام ورود به دنیای علم داده"

کاربرد جبر خطی(linear algebra) در علم داده :
جبر خطی شاخه‌ای از علم ریاضیات است که به بررسی و مطالعهٔ ماتریس‌ها، بردارها، فضاهای برداری، تبدیلات خطی و دستگاه‌های معادلات خطی می‌پردازد.
جبر خطی یکی از ابزار های قدرتمند در علم داده و تحلیل های آماری است.
برخی از کاربردهای مهم جبر خطی در علم داده عبارتند از:
- تحلیل مؤلفه‌های اصلی (PCA)
- رگرسیون خطی و عدم قطعیت (Linear Regression and Uncertainty)
- نگاشت خطی داده ها (Data Mapping):
- تجزیه و تحلیل عددی (Numerical Analysis)
- الگوریتم‌های یادگیری ماشین (Machine Learning Algorithms)

به طور خلاصه ، جبر خطی در علم داده این امکان را می‌دهد که داده ها و پدیده‌های پیچیده را به طور ساده مدل سازی کنیم و از طریق این مدل ها، الگوها و اطلاعات مفیدی را به دست آوریم و این ابزار ریاضی می‌تواند به بهبود فهم و تجزیه و تحلیل داده ها کمک کند.
#Learning
➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️
@CS_KHU | انجمن علمی علوم کامپیوتر

Читать полностью…

سلام به همه دوستان عزیز و همراهان همیشگی🤗

🔆 ما در انجمن علمی علوم کامپیوتر قصد داریم وبیناری با حضور افراد متخصص حوزه دیتا ساینس طبق سر فصل های رودمپی که قرار دادیم برگزار کنیم.💻
اگه سوالی درباره این حوزه دارید، از طریق فرم زیر با ما به اشتراک بذارید.☺️
لینک پرسش‌نامه
➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️
@CS_KHU | انجمن علمی علوم کامپیوتر

Читать полностью…

‌ 🟠 صفر و یک نشریه علمی-دانشجویی علوم کامپیوتر دانشگاه خوارزمی

🍁 آن‌چه در این شماره می‌خوانید:

📚 کتابخانه‌های پایتون
🧬 تغییر دنیا با چند کلیک
⛓ بلاک چین: زنجیره‌ استقلال دیجیتال  
🌐 ورود به دنیای وب
🎙گپ و گشت
✈️پرونده اپلای
🎬 لاگ لاین

دریافت از کانال تلگرام صفر و یک

#شماره_یازدهم
#پاییز_۱۴۰۲
➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️
@CS_KHU | انجمن علمی علوم کامپیوتر
@SefrOYekPub |نشریه علمی صفر و یک

Читать полностью…

📢 انجمن های علمی علوم کامپیوتر، مهندسی کامپیوتر و ریاضی برگزار می‌کنند:

🔶 بازدید از شرکت همکاران سیستم

🟣 آشنایی با فرصت های‌شغلی
🔵 امکان جذب دانشجویان توسط شرکت
🟢 برگزاری بوتکمپ‌های رایگان برای شرکت کنندگان

🎁 همراه با پذیرایی و هدیه برای شرکت کنندگان

‼️ظرفیت محدود‼️
هزینه بازدید رایگان است.

دانشجویان دختر: چهارشنبه ۶ دی
ساعت ۸ تا ۱۳:۳۰

دانشجویان پسر: شنبه ۹ دی
ساعت ۸ تا ۱۳:۳۰

✅ دوستان رشته علوم کامپیوتر جهت کسب اطلاعات بیشتر و ثبت‌نام به روابط عمومی انجمن(@CS_KHU_PR) اطلاع دهند.

➖➖➖➖➖➖➖➖➖➖➖➖
@CS_KHU  |  انجمن علمی علوم کامپیوتر

Читать полностью…

🖥|دوره جامع ICDL، مهارت های هفت گانه کامپیوتر|🖥

♨️هسته فناور مدیتا برگزار می کند:

اهم مباحث دوره:
✅ آموزش مقدماتی و اصولی آی سی دی ال
✅ (IT) آی تی
✅ویندوز ( Windoos )
✅آفیس( Word+ Access + Powerpoint + Excel)
✅اینترنت و مبانی (Internet)

🔹️مدرس: ابوالفضل دلاوری نژاد
دارای گواهینامه فنی حرفه ای آی سی دی ال
مدرس دوره های آفیس


💢 ۲۴ ساعت در ۱۲ جلسه، به صورت آنلاین ( همراه با فیلم جلسات ) + پشتیانی دائمی

🔸هزینه ثبت‌نام: ۱۲۰ هزارتومان( ثبت نام گروهی: ۱۰۰ هزار تومان)

🗓|زمان شروع جلسات :‌
از ۳ اسفند ماه، روز های پنجشنبه و جمعه

📌همراه با ارایه گواهینامه معتبر شرکت در دوره.
📌شرکت برای عموم آزاد می باشد.

💻جهت اطلاعات بیشتر و ثبت نام به آیدی تلگرامی زیر مراجعه کنید:
@abolfdelavar


💠TELEGRAM
💠INSTAGRAM

Читать полностью…

◼️آشنایی با SQL

زبان برنامه نویسی‌ای است که برای مدیریت و ارتباط با پایگاه داده‌های رابطه‌ای استفاده می‌شود. SQL مخفف عبارت Structured Query Language است که به معنی زبان پرس‌وجوی ساختاریافته است. SQL یک زبان استاندارد بین‌المللی است که توسط بسیاری از سیستم‌های مدیریت پایگاه داده مانند Oracle, MySQL, SQL Server و SQLite پشتیبانی می‌شود.
در دیتاساینس، SQL می‌تواند برای انجام عملیات‌هایی مانند جستجو، فیلتر کردن، مرتب‌سازی، ترکیب و تحلیل داده‌ها به کار رود. با استفاده از دستورات SQL می‌توانید داده‌های مورد نیاز خود را از پایگاه داده استخراج کنید و آن‌ها را به صورت مرتب شده و یا فیلتر شده نمایش دهید. در SQL نوشتن کوئری به‌معنای اجرای همین دستورات است.
در ادامه کدهایی را بررسی می‌کنیم که فقط بخشی از کارهایی هستند که می‌توانید با SQL انجام دهید. برای یادگیری بیشتر در مورد SQL می‌توانید از دوره‌ زیر استفاده کنید.

دوره رایگان دانشگاه هاروارد

#Learning
➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️
@CS_KHU | انجمن علمی علوم کامپیوتر

Читать полностью…

کتابخانه‌ matplotlib

در دنیای کار با داده‌ها، حجم فراوان داده‌ها کار با آن‌ها و نمایش نتایج حاصل از بررسی آن ها را سخت می‌کند؛ لذا افرادی که با حجم وسیعی از داده‌ها کار می‌کنند نیازمند ابزاری برای انتقال مفاهیم به ساده ترین شکل ممکن هستند. Matplotlib و Seaborn کتابخانه‌های پایتون برای مصورسازی هستند. هر دوی این کتابخانه‌ها جزو کتابخانه‌های بسیار پرکاربرد رسم نمودار و مصور سازی داده در پایتون هستند.
مصورسازی داده یا تجسم‌سازی داده ارائه‌ی گرافیکی داده است که هدف اصلی آن انتقال بهینه‌ی اطلاعات به کاربران از طریق نمایش روابط میان داده‌ها به کمک نمودارها است.
حال به رسم نمودار‌های مهم توسط کتابخانه matplotlib میپردازیم.

ادامه مطلب



PART1️⃣
#Learning
➖➖➖➖➖➖➖➖➖➖➖➖➖
@CS_KHU  |  انجمن علمی علوم کامپیوتر

Читать полностью…

کاربرد های این کتابخانه:

1.خواندن و ذخیره سازی داده‌ها:

df = pd.read_csv('data.csv')
df.to_csv('output.csv')

توضیح: : دستور اول فایل CSV با نام data.csv را می‌خواند و داده‌های آن را به صورت یک DataFrame در متغیر df ذخیره می‌کند و دستور دوم DataFrame را به یک فایل CSV با نام output.csv تبدیل و ذخیره می‌کند.

2.پاک‌سازی داده‌ها:

df_cleaned = df.dropna()
df_filled = df.fillna(0)

توضیح: کد برای حذف ردیف‌هایی با مقادیر گمشده یا جایگزین کردن آن‌ها با صفر است.
دستور اول تمام ردیف‌ها یا ستون‌هایی را که حاوی مقادیر گمشده (NaN) هستند از df حذف می‌کند و نتیجه را در df_cleaned ذخیره می‌کند.
دستور دوم تمام مقادیر گمشده (NaN) در df را با صفر جایگزین می‌کند و نتیجه را در df_filled ذخیره می‌کند.

3.تغییر داده‌ها:

df['column'] = df['column'].astype('category
df['new_column'] = df['existing_column'].apply(lambda x: x * 2)

توضیح: تغییر نوع داده‌های یک ستون و ایجاد ستون جدید با اعمال یک تابع.
دستور اول نوع داده‌های ستون مشخص شده در df را به نوع داده‌ی دسته‌بندی شده (category) تبدیل می‌کند. این کار بهینه‌سازی حافظه و سرعت پردازش را در مواردی که داده‌ها دارای تعداد محدودی از دسته‌های تکراری هستند، فراهم می‌کند.
دستور دوم یک تابع (در این مورد، تابع lambda که مقدار هر عنصر را دو برابر می‌کند) را به هر عنصر در ستون موجود از df اعمال می‌کند و نتایج را در یک ستون جدید به نام 'new_column' ذخیره می‌کند.

4.گروه‌بندی و تجمیع داده‌ها:

grouped_df = df.groupby('column_name').mean()

توضیح: گروه‌بندی داده‌ها بر اساس ستون خاص و محاسبه میانگین برای هر گروه.
ابتدا یک گروه‌بندی بر اساس مقادیر موجود در ستون 'column_name' از df ایجاد می‌کند. در واقع، داده‌ها بر اساس مقادیر منحصر به فرد در این ستون دسته‌بندی می‌شوند.
سپس، mean(). میانگین تمام ستون‌های عددی در هر یک از این گروه‌ها را محاسبه می‌کند.
نتیجه، یک DataFrame جدید grouped_df است که میانگین هر ستون عددی را برای هر دسته منحصر به فرد در ستون 'column_name' نمایش می‌دهد. این برای تحلیل گروه‌های مختلف داده‌ها و درک روابط بین آن‌ها مفید است.

5.ترکیب و ادغام داده‌ها:

merged_df = pd.merge(df1, df2, on='common_column')
concatenated_df = pd.concat([df1, df2])

توضیح: ادغام یا اتصال دو DataFrame مختلف بر اساس یک ستون مشترک یا ساده‌تر، قرار دادن آن‌ها بالای هم.
دستور اول df1 و df2، را بر اساس ستون مشترک 'common_column' با هم ادغام (merge) می‌کند. نتیجه، یک DataFrame جدید به نام merged_df است که تمام ردیف‌ها و ستون‌هایی را دارد که در هر دو DataFrame وجود دارند و بر اساس مقادیر مشترک در 'common_column' ترکیب شده‌اند.
دستور دوم df1 و df2، را به صورت عمودی (پشت سر هم) با یکدیگر ترکیب (concatenate) می‌کند. نتیجه، یک DataFrame جدید به نام concatenated_df است که شامل تمام ردیف‌های df1 و سپس تمام ردیف‌های df2 می‌باشد. این دستور به خصوص وقتی مفید است که دو DataFrame دارای ستون‌های مشابه هستند.

6.جابجایی و تغییر شکل داده‌ها:

pivot_table = df.pivot_table(index='row', columns='column', values='value')
melted_df = pd.melt(df, id_vars=['id_column'], value_vars=['value_column'])

توضیح: تغییر شکل داده‌ها با استفاده از جدول‌های دورانی یا تبدیل ساختار DataFrame.
دستور اول یک جدول محوری (pivot table) ایجاد می‌کند. در این جدول، ستون‌های مشخص شده در 'column' به عنوان سرستون‌های جدید قرار می‌گیرند، و مقادیر موجود در 'value' درون جدول قرار می‌گیرند. مقادیر 'row' به عنوان شاخص‌های ردیف‌های جدول مورد استفاده قرار می‌گیرند. این روش برای خلاصه کردن و بازسازی داده‌ها بر اساس دسته‌بندی‌های مختلف مفید است.
دستور دوم DataFrame را "ذوب" می‌کند و یک ساختار طولانی‌تر ایجاد می‌کند. id_vars ستون‌هایی هستند که نباید تغییر کنند، در حالی که value_vars ستون‌هایی هستند که باید ذوب شوند. نتیجه این است که هر ردیف از df به چندین ردیف در melted_df تبدیل می‌شود، به طوری که هر ستون از value_vars به یک ردیف جداگانه تبدیل می‌شود. این روش برای تغییر ساختار داده‌ها از فرمت عریض به فرمت طولانی مورد استفاده قرار می‌گیرد

#Learning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
@CS_KHU  |  انجمن علمی علوم کامپیوتر

Читать полностью…

سلام به دوستان علوم کامپیوتری👋🏻
ممنون که تا اینجا با ما همراه بودید و ازمون حمایت کردید.✨

ما در انجمن علوم کامپیوتر خوارزمی، رودمپی رو با محوریت Data Science آماده کردیم؛ تا به عنوان یک ابزار کاربردی برای ورود به این دنیای جذاب همراه‌تون باشه.🛣🗺

تا الان در جهت شرح پیچ و خم‌های این مسیر و آشنایی با مفاهیم هر بخش، مطالبی رو در مورد
جبرخطی➖➗➕
آمار📊📉📈
احتمال🎲
با شما به اشتراک گذاشتیم.ویژگی‌های
شی گرایی🅿️🅾🅾
رو شناختیم و از بین کتابخانه‌ها
کتابخانهNumpy 📚💻
رو بررسی کردیم.
حالا اینبار نوبت اینه که به Pandas به عنوان ایستگاه بعدی سری بزنیم.🚏🐼

با ما در این مسیر همراه باشید😉😊

➖➖➖➖➖➖➖➖➖➖➖➖➖➖
@CS_KHU  |  انجمن علمی علوم کامپیوتر

Читать полностью…

🔻مدرسه فناوری های راهبردی افرا با همکاری بنیاد ملی نخبگان و معاونت علمی ریاست جمهوری برگزار میکند :

🎯 در راستای تسهیل نقش آفرینی موثر نخبگان در اقتصاد صنعتی

💢حوزه های تخصصی:

🔸نفت و گاز و پتروشیمی
🔹هوش مصنوعی
🔸فناوری اطلاعات و ارتباطات
🔹نانو و مواد پیشرفته
🔸امنیت غذایی.کشاورزی و صنایع غذایی
🔹انرژی های نوپاک
🔸حمل و نقل
🔹صنایع هوایی و فضایی
🔸زیست فناوری
🔹علوم شناختی
🔸تجهیزات پزشکی
🔹نساجی

💢محور ها:
◽️آشنایی با زیست بوم نوآوری
◾️آشنایی با ادبیات کسب و کار
◽️آموزش مهارت های نرم
◾️بررسی کلان صنعت تخصصی
◽️بررسی نظام مسائل اولویت دار

💢 مزایای شرکت در دوره:

🔹30 ساعت آموزش مجازی با محوریت دید ماکروسکوپی از صنعت تخصصی
🔹امکان شرکت در دوره حضوری برای افراد برتر بخش مجازی
🔹حمایت های مادی و معنوی متنوع برای افراد برتر بخش حضوری
🔹گواهینامه رسمی شرکت در دوره
🔹امتیاز بنیاد نخبگان

🔸هزینه ثبت نام: 295هزار تومان

📢 کد تخفیف اختصاصی کانال :
po-af-389
⏳مهلت ثبت نام: تا ۲۶ دی ماه

👨‍💻جهت اطلاعات بیشتر و ثبت نام به سایت زیر مراجعه فرمایید
🌐 | https://afra-ts.ir

#افرا
#بنیاد_ملی_نخبگان
#معاونت_علمی_ریاست_جمهوری


🆔@afra_ts

Читать полностью…

برخی از ویژگی های مهم کتابخانه NumPy:

1.آرایه‌های چند بعدی:

import numpy as np
a = np.array([1, 2, 3])
print(a)

توضیح: این کد یک آرایه سه عنصری ایجاد می‌کند و آن را چاپ می‌کند. خروجی [1 2 3] خواهد بود.

2.عملیات جبر خطی:

b = np.array([[1, 2, 3], [4, 5, 6]])
c = np.dot(a, b.transpose())
print(c)

توضیح: این کد یک عملیات ضرب داخلی بین آرایه a و ترانهاده b انجام می‌دهد. خروجی [14 32] است که نتیجه ضرب داخلی است.

3.توابع ریاضی پیشرفته:

d = np.sin(a)
print(d)

توضیح: این کد مقدار سینوس هر عنصر در آرایه a را محاسبه و چاپ می‌کند. خروجی مقادیر سینوس برای [1 2 3] است.

4.پردازش داده‌ها:

e = np.sort(b, axis=1)
print(e)

توضیح: این کد آرایه b را بر اساس ردیف‌ها مرتب می‌کند. خروجی دو ردیف مرتب شده [1 2 3] و [4 5 6] است.

5.تولید داده‌های تصادفی:

f = np.random.random((2,2))
print(f)

توضیح: این کد یک آرایه 2x2 از اعداد تصادفی بین 0 و 1 ایجاد می‌کند

دو نمونه از کاربرد های این کتابخانه:

1.این کد نحوه ایجاد یک آرایه NumPy دوبعدی و انجام یک عملیات پیچیده ریاضی مانند ضرب ماتریس و به دنبال آن یک تبدیل ساده را نشان می دهد.

import numpy as np

# Create two 2D arrays
array1 = np.array([[1, 2], [3, 4]])
array2 = np.array([[5, 6], [7, 8]])
 
# Perform matrix multiplication
result = np.dot(array1, array2)

# Apply a transformation: Transpose the result
transpose = result.T

print("Matrix Multiplication Result:\n", result)
print("Transpose of the Result:\n", transpose)

ایجاد آرایه ها: دو آرایه دو بعدی (آرایه 1 و آرایه 2) با استفاده از تابع آرایه NumPy ایجاد می شوند.
ضرب ماتریس: تابع نقطه برای انجام ضرب ماتریس بین آرایه 1 و آرایه 2 استفاده می شود.
تبدیل: از ویژگی T برای به دست آوردن جابجایی نتیجه استفاده می شود.
نتایج چاپ: نتیجه ضرب ماتریس اصلی و جابجایی آن چاپ می شود.
این مثال نشان می‌دهد که NumPy می‌تواند با آن عملیات پیچیده‌ای مانند ضرب ماتریس و تبدیل‌ها را انجام دهد و آن را به ابزاری قدرتمند برای محاسبات ریاضی در پایتون تبدیل می‌کند.

2.این کد NumPy نشان دهنده قابلیت‌های پیشرفته‌ی آن در پردازش تصاویر است. این کد یک تصویر را به صورت آرایه‌ای در NumPy بارگذاری می‌کند و سپس یک فیلتر ساده برای تبدیل تصویر به خاکستری (grayscale) اعمال می‌کند.

import numpy as np
from PIL import Image

# Load an image as a NumPy array
image = Image.open('path_to_your_image.jpg')
image_array = np.array(image)

# Convert the image to grayscale using the mean of RGB colors
gray_image = np.mean(image_array, axis=2)

# Show the grayscale image
Image.fromarray(gray_image).show()

بارگذاری تصویر: ابتدا یک تصویر با استفاده از کتابخانه
PIL (Python Imaging Library)
بارگذاری می‌شود. سپس، این تصویر به یک آرایه NumPy تبدیل می‌گردد.
تبدیل به خاکستری: با استفاده از تابع np.mean، رنگ‌های RGB هر پیکسل میانگین گرفته می‌شوند تا تصویری خاکستری ایجاد شود. این روش یک روش ساده برای ایجاد تصویر خاکستری است.
نمایش تصویر: در نهایت، تصویر خاکستری شده نمایش داده می‌شود.
برای اجرای این کد، شما به یک تصویر در مسیر داده شده و کتابخانه PIL برای پایتون نیاز دارید. این کد نمونه‌ای از توانایی‌های NumPy در پردازش تصاویر و داده‌های چندبعدی است.

#Learning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
@CS_KHU  |  انجمن علمی علوم کامپیوتر

Читать полностью…

سلام به همه صفر و یکی‌های عزیز🤗

🔲 شماره یازدهم نشریه صفر و یک مدتی پیش منتشر شد و امیدواریم از خوندنش لذت برده باشید.
از شما دعوت می‌کنیم فرم زیر را که سؤالاتی درباره عملکرد نشریه یازدهم پرسیده شده پاسخ دهید و انتقادات و پیشنهادات‌تون و به اشتراک بذارید تا به ما کمک کنه، عملکرد بهتری در شماره‌های بعدی نشریه داشته باشیم.
ممنون از همراهی‌ شما❤️
لینک فرم

Читать полностью…

برنامه نویسی شی‌گرا(Object-Oriented Programming)
برنامه‌نویسی شی‌گرا رویکردی از برنامه‌نویسی است که ماهیت‌های موجود در دنیای واقعی و ارتباط میان آن‌ها را مدل‌سازی می‌کند. شاید بپرسید که خب این یعنی چه؟
ادامه مطلب

(Part1️⃣)
#Learning
➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️
@CS_KHU | انجمن علمی علوم کامپیوتر

Читать полностью…

📸 #گزارش_تصویری
بازدید جمعی از دانشجویان دانشگاه خوارزمی از شرکت همکاران سیستم

🚌 این بازدید با همکاری انجمن های علمی دانشجویی علوم کامپیوتر و مهندسی کامپیوتر و سرپرستی دکتر الهام تبریزی برگزار گردید.

🗓 ۶ دی ماه ۱۴۰۲

🍃انجمن علمی دانشجویی ریاضی:
🔻/channel/KHUmathematics

Читать полностью…

🔴 اطلاعیه:

با عرض پوزش، بازدید دانشجویان پسر از شرکت همکاران سیستم که قرار بود شنبه برگزار شود، به دلیل مشکلات حمل‌ونقلی کنسل شد.

حتما در اولین فرصت که شرایط فراهم باشد نسبت به برگزاری این بازدید اقدام خواهیم کرد و هماهنگی‌های لازم با دوستانی که ثبتنام کردند صورت خواهد گرفت.

Читать полностью…

🔴 یادآوری:

ساعت حرکت دانشجویان دختر، فردا (چهارشنبه) راس ۸ صبح می‌باشد.

دوستانی که ثبتنام کرده‌اند لطفا قبل از ۸ جلوی پارکینگ دانشکده علوم باشند تا طبق زمانبندی حرکت کنیم.

Читать полностью…

🔴 دوره‌ی تخصصی و محبوب ماشین‌لرنینگ آکادمی آمانج

🎁 کد تخفیف ۴۰۰ هزار تومانی: ml4

❓ قیمت دوره: ۵‌.۹ میلیون تومان | امکان پرداخت قسطی وجود داره

🗓 شروع دوره: ۱۵ دی ماه ۱۴۰۲ (جمعه‌ها ۱۵-۱۱)

➕ ۵۵ ساعت آموزش مقدماتی تا پیشرفته

💎 مدرک نمره‌دار پایان‌دوره | سرفصل‌های به‌روز و مطابق با نیاز بازار کار

🌐 اطلاعات بیشتر و ثبت‌نام کلیک کنید

🗣️ از شنبه تا چهارشنبه ۹ تا ۱۷ و پنجشنبه‌ها تا 13 پاسخگوی شما هستیم. راه‌های ارتباطی با ما:
🚀 @AmanjAdmin | 📞 09107603363 - 02191692911

Читать полностью…

🔵‌ کالبد شکافی بک و فرانت با بهترین های این حوزه

🔹تازه اول مسیری و نمیدونی کدوم راه مناسبته؟

🔹اصلاً میدونی یک Back-end developer و front-end developer چه وظایفی دارن؟

🔹️چه منابعی برای شروع این مسیر می‌تونه مناسبت باشه ؟

🔹️هنگام مسیر یادگیری با چه چالش هایی قراره روبه‌رو بشی ؟ چه جوری می‌تونی‌ به بهترین شکل حل‌شون کنی؟

🔹️میزان درآمد و بازارکار این حوزه چه جوریه؟

اگر شما هم دلتون لَک زده برای یک مصاحبه گرم و دلنشین پاییزی، با ما همراه باشید تا در بخش "گپ و گشت" شماره جدید نشریه صفر و یک به پاسخ سوال هاتون برسید. 😉

#پاییز_۱۴۰۲
➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️
@CS_KHU | انجمن علمی علوم کامپیوتر
@SefrOYekPub | نشریه علمی صفر و یک

Читать полностью…

دنیایی را تصور کنید که موجودات آن را می‌توان به سادگی و صرفا با چند حرکت تغییر داد.🪄✨
همان اتفاقی که بیشتر در فیلم‌های علمی-تخیلی شاهد آن هستیم، جایی که یک جادوگر مارمولکی را تبدیل به یک اسب می‌کند و یا دانشمندی بازوی از دست رفته خود را بازسازی می‌کند.🧙🏻‍♂🧑🏻‍🔬

اما در دنیای واقعی نیز همچین چیزی ممکن است؟چگونه؟

جواب‌ این سوال را می‌توانید در "تغییر دنیا با چند کلیک" نشریه صفر و یک پیدا کنید.😉

اینجا جایی است که علوم‌کامپیوتر و زیست‌شناسی به هم می‌پیوندند و مسیری جدید خلق می‌کنند.💻🧬


#پاییز_۱۴۰۲
➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️
@CS_KHU | انجمن علمی علوم کامپیوتر
@SefrOYekPub | نشریه علمی صفر و یک

Читать полностью…

🖥فرانت‌اند و بک‌اند، دو روی یک سکه

🔹تفاوت‌های اصلی فرانت‌اند و بک‌اند چیست؟
🔹چگونه وارد حوزه برنامه نویسی وب شویم؟
🔹برای طراحی وبسایت‌ نیازمند چه مهارت‌هایی هستیم؟

اگر به حوزه برنامه نویسی وب علاقه مندید، منتظر پاسخ این سوال‌ها در شماره جدید نشریه صفر و یک باشید.😉


#پاییز_۱۴۰۲
➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️
@CS_KHU | انجمن علمی علوم کامپیوتر
@SefrOYekPub | نشریه علمی صفر و یک

Читать полностью…