9525
یادگیری سریع و آسان برنامه نویسی بهمراه نقشه راه
👆👆نقشه راه کامل یادگیری عمیق (Deep learning) بدون اتلاف وقت تماس با مشاور و کلاس
قبل از این نقشه راه باید نقشه راه یادگیری ماشین رو شروع کنید (Machine learning)
/channel/pyfaw3schools/1633
⚙تفاوت بین import
و* from package import
کاربرد اسکریپینگ با یه مثال که فریلنسرها زیاد سروکار دارند:
فرض کنید که مشتری سایتتون یک فروشگاه آنلاین تخصصی در زمینه مد و پوشاک به نام "شیکپوش" راهاندازی کنه و سایت زارا (Zara) رو به عنوان الگوی خود در نظر گرفته است.
👗 مشکل دستهبندیها
وبسایت مرجع، یک ساختار دستهبندی فوقالعاده پیچیده و زیاد داره که نمیتونی دستی خودت داده هارو از سایتکپی پیست کنی(مگه سواد برنامه نویسی نداشته باشی):
زنان:
لباس: (پیراهنهای ماکسی، میدی، مینی، بلوزهای ابریشمی، تاپهای بندی...)
کفش: (بوتهای چلسی، اسنیکرهای کژوال، صندلهای لژدار...)
اکسسوری: (عینکهای آفتابی کَتآی، کیفهای دوشی کوچک، کمربندهای چرمی...)
و همین جزئیات برای دستهبندیهای مردانه و بچگانه.
اگر برنامه نویس بخاد همه این کتگوری ها رو رو به صورت دستی داخل دیتابیس ثبت کنه و کسی هم نداشته باشه، وقتش گرفته میشه.
🤖برنامه نویس عاقل با استفاده از تکنیک وب اسکریپینگ و یک ابزار مثل فریمورک اسکرپی (Scrapy) یا BeautifulSoup در پایتون، دست به کار میشه
الگوریتم های یادگیری ماشین سنتی که باید برای استخدام بلد باشید
Читать полностью…
۴ دلیل مهم که چرا یادگیری Numpy اولین و اصلی ترین قدم در مسیر متخصص یادگیری ماشین و هوش مصنوعی شدنه؟
Читать полностью…
۱۳۰ صفحه آموزش پیاده سازی ۲ الگوریتم رگرسیون خطی و XGBoostروی دیتاست قیمت خانه برای پیش بینی قیمت
این دیتاست شامل بیش از 100هزار ردیف اطلاعاتی درباره قیمت
خانه ها در یکی از ایالات آمریکا می باشد، و شامل دو دیتاست
csv.train و csv.test می باشد. لینک این دو دیتاست به عنوان
پارامتر csv_read در پانداس قرار داده شده اند. با کپی کردن
لینک داخل مرورگر می توانید دیتاست ها را دانلود نمایید و روی
سیستم خود و حتی روی گوشی هم اجرا کنید
۴۷ صفحه کوییز پایتون با جواب از کتاب بیش از ۱۰۱ کوییز پایتون(در حال ترجمه)
Читать полностью…
💡 نکته NumPy: فیلتر کردن سریع آرایه ها با استفاده از ماسک بولی (Boolean Mask)
به جای استفاده از حلقههای کند پایتون برای فیلتر کردن دادهها، در Numpy از آرایهای از مقادیر True / False بهعنوان «ماسک» استفاده کنید.
وقتی این ماسک را روی آرایه اصلی اعمال میکنید، فقط عناصری که مقدارشان True است انتخاب میشوند — و این روش بسیار سریعتر است
import numpy as npЧитать полностью…
# ایجاد یک آرایه از دادهها
data = np.array([10, 55, 8, 92, 43, 77, 15])
# ساخت یک ماسک بولی برای مقادیر بزرگتر از ۵۰
high_values_mask = data > 50
# استفاده از ماسک برای انتخاب عناصر مورد نظر
filtered_data = data[high_values_mask]
print(filtered_data)
# خروجی: [55 92 77]
🎁پک ماشین لرنینگ خصوص چه کسانی است ؟
اگر شرایط بالا رو دارید این پک رو با دو کتاب رایگان از دست ندید فقط تا آخر امشب فرصت هست
سفارش: @W3schoolfaadmin
نره بالای ۲۰ تا ری اکشن؟
Читать полностью…
مهلت استفاده از تخفیف ها و هدایا فقط تا آخر فردا شب
Читать полностью…
این پست بره بالای ۲۰ تا ری اکشن ❤️❤️لینکام اگر بار نشد و پ ان بزنید یا با نت ایرانسل وارد شید
Читать полностью…
🎁🎁تخفیف ویژه کتاب های آسان آموز یادگیری ماشین فقط تا اخر این هفته
سفارش: @W3schoolfaadmin
یه ادیت سریع براتون از انواع حلقه ها درست کردم امیدوارم خوشتون بیاد 😊❤️🌷🌷🌷
Читать полностью…
مشاغلی که باید pandas را یاد بگیرند (برای بهرهوری و درآمد بیشتر)
Читать полностью…
با همین چند خط کد ساده دگه نیازی نیست وقت بزاری beautifulsoup و selenium رو برای کارهای ساده یاد بگیری!!!!
Читать полностью…
چطوری با جمینای زیر ۱ دقیقه هرسایتی رو اسکریپ کرد ؟ (بدون نیاز به یادگیری beautifulsoup)
from google import genai
from google.genai.types import Tool, GenerateContentConfig
from google.colab import userdata
API_KEY = userdata.get('GOOGLE_API_KEY')
client = genai.Client(api_key=API_KEY)
model_id = "gemini-2.5-flash"
tools = [
{"url_context": {}},
]
url1 = "https://books.toscrape.com/?hl=en-GB"
response = client.models.generate_content(
model=model_id,
contents=f" extract all of the books titles and prices and put them in json format {url1} ",
config=GenerateContentConfig(
tools=tools,
)
)
for each in response.candidates[0].content.parts:
print(each.text)
url1 = "https://books.toscrape.com/?hl=en-GB"
response = client.models.generate_content(
model=model_id,
contents=f" extract all of the books titles and prices and put them in json format {url1} ",
config=GenerateContentConfig(
tools=tools,
)
آموزش وب اسکریپینگ قسمت اول: وب اسکریپینگ (Web Scraping) به زبان ساده یعنی استخراج خودکار اطلاعات از صفحات وب با استفاده از نرمافزار یا اسکریپتهای کامپیوتری.
وب اسکریپینگ چطور کار میکنه؟
به جای اینکه یک نفر به صورت دستی و با کپی و پیست کردن، اطلاعات رو از یک وبسایت جمعآوری کنه، یک برنامه (اسکریپت) این کار رو انجام میده.
🍁درخواست (Request): اسکریپت مثل یک مرورگر، به آدرس وبسایت مورد نظر درخواست میفرسته تا محتوای صفحه (کد HTML) رو دریافت کنه.
🍁تجزیه (Parsing): اسکریپت کد HTML رو میخونه و تحلیل میکنه تا بفهمه اطلاعات مورد نظر (مثلاً قیمت یک محصول، عنوان یک خبر، یا شماره تماس) دقیقاً کجای صفحه قرار گرفته.
🍁استخراج و ذخیره (Extract & Save): اسکریپت اون اطلاعات رو استخراج میکنه و معمولاً اونها رو به یک فرمت قابل استفاده و منظم (مثل یک فایل CSV، Excel یا SQL) ذخیره میکنه.
چرا مهارت گیت و استفاده از سایت های مثل گیت های یه مهارت ضروری برای همه برنامه نویساس؟
🍁مدیریت نسخه و سوابق کار (Source Control)
گیتهاب بر اساس سیستم گیت (Git) کار میکنه. گیت مثل یک ماشین زمان برای کد شماست.
🍁ذخیره سوابق: به شما اجازه میده که از تمام تغییراتی که در طول زمان در کدتون ایجاد کردید، سوابق کامل و دقیقی داشته باشید. اگه اشتباهی کردید، میتونید به نسخههای قبلی برگردید.
🍁امنیت و بکاپ: کد شما رو روی یک سرور کلاد (Cloud) ذخیره میکنه. اگه کامپیوترتون خراب بشه یا فایلی پاک بشه، کدتون امن باقی میمونه.
🍁 همکاری تیمی (Collaboration)
برنامهنویسی به ندرت یک کار انفرادیه. گیتهاب باعث میشه کار تیمی آسون و منظم بشه.
🍁کار همزمان: چندین برنامهنویس میتونن همزمان روی قسمتهای مختلف یک پروژه کار کنن بدون اینکه کد همدیگه رو خراب کنن.
🍁ادغام تغییرات (Merge): گیتهاب کمک میکنه تا تغییراتی که هر فرد ایجاد کرده، به روشی منظم با هم ترکیب و ادغام بشن.
بررسی کد (Code Review): اعضای تیم میتونن کد همدیگه رو بررسی کنن و قبل از نهایی شدن، پیشنهادها و اصلاحاتشون رو ارائه بدن.
🍁رزومه کاری و پورتفولیو (Portfolio)
گیتهاب مثل رزومه زنده و نمونه کارهای یک برنامهنویس عمل میکنه.
🍁نشان دادن مهارت: کارفرماها و شرکتها به گیتهاب شما نگاه میکنن تا ببینن شما در چه پروژههایی شرکت کردید و چقدر فعال هستید.
🍁کدهای واقعی: به جای اینکه فقط ادعا کنید که مهارتی دارید، میتونید کد واقعی و کیفیت کارتون رو مستقیماً به دیگران نشون بدید. این از مهمترین عوامل استخدام در دنیای برنامهنویسیه.
بیش از 100 صفحه آموزش رایگان SQL با ترجمه W3schools
آموزش مهمترین دستورات SQL از صفر
مهم نیس تو چه حوزه ای از کامپیوتر میخواهید وارد شید،یادگیری حداقل یه دیتابیس SQL ازنون شب واجب تره
20 تا ری اکشن به این پست جذاب نمیرسه؟😊❤️
Читать полностью…
💡 ساخت یک شبکه عصبی کانولوشنی (CNN) ساده:
ساخت یک شبکه عصبی کانولوشن(CNN) یک گام اساسی در یادگیری عمیق برای پردازش تصویر است. با استفاده از API کراس (Keras) در تنسورفلو (TensorFlow)، میتوانیم یک شبکه با لایههای کانولوشن (Convolutional)، تجمیع (Pooling)، و متراکم (Dense) برای طبقهبندی تصاویر تعریف کنیم. این مثال یک CNN ساده را برای تشخیص ارقام دستنویس از مجموعه داده MNIST تنظیم میکند:
import tensorflow as tf
from tensorflow.keras import layers, models
from tensorflow.keras.datasets import mnist
import numpy as np
# ۱. بارگذاری و پیشپردازش مجموعه داده MNIST
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
# تغییر شکل تصاویر برای CNN: (اندازه_دسته، ارتفاع، عرض، کانالها)
# تصاویر MNIST ۲۸x۲۸ و در مقیاس خاکستری هستند، بنابراین کانالها = ۱
# ۶۰۰۰۰ = تعداد تصاویر آموزشی
train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
# ۱۰۰۰۰ = تعداد تصاویر آزمایشی
test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255
# ۲. تعریف ساختار CNN
model = models.Sequential()
# بلوک پیچشی اول
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))
# بلوک پیچشی دوم
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
# مسطح کردن خروجی ۳ بعدی به ۱ بعدی برای لایههای متراکم
model.add(layers.Flatten())
# لایههای متراکم (کاملاً متصل)
model.add(layers.Dense(64, activation='relu'))
# لایه خروجی برای ۱۰ کلاس (ارقام ۰-۹)
model.add(layers.Dense(10, activation='softmax'))
# ۳. کامپایل (گردآوری) مدل
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# چاپ خلاصهای از لایههای مدل
model.summary()
# ۴. آموزش مدل (برای اجرا، از حالت کامنت خارج کنید)
# print("\nدر حال آموزش مدل...")
# model.fit(train_images, train_labels, epochs=5, batch_size=64, validation_split=0.1)
# ۵. ارزیابی مدل (برای اجرا، از حالت کامنت خارج کنید)
# print("\nدر حال ارزیابی مدل...")
# test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
# print(f"دقت آزمایشی: {test_acc:.4f}")
رضایت یکی از مشتری های عزیزمون از جزوه های آسان آموز ما
Читать полностью…
۲۰ صفحه رایگان کتاب Numpy با ترجمه سایت w3schools
✅اولین و مهم ترین کتابخانه پایتون برای ورود به حوزه دیتاساینس و هوش مصنوعی
✅مطالب ساده و روان بهمراه لینک اجرای هر کد یه گزینه عالی برای یادگیری Numpy است
برای سفارش کامل این کتاب ساده و روان به آیدی @W3schoolfaadmin
پیام دهید
🤖 ایجنت های A.I در ۲ دقیقه
ایجنت های A.I یک تحول بنیادین در تولید نرم افزار به وجود آوردند،به جای نوشتن دستورالعملهای صریح برای قسمت از عملکرد یک برنامه، اکنون به سوی دنیایی حرکت میکنیم که در آن هدف خود را توصیف میکنیم و ایجنت ها خودشان راه رسیدن به آن را پیدا میکنند.
نقش عاملها در توسعه نرم افزار به سرعت در حال رشد است.
امروزه شاهد عاملهایی هستیم که code مینویسند، برنامهها را debug میکنند، دادهها را تحلیل میکنند، workflowها را مدیریت میکنند و عملیاتهای چندسیستمی پیچیده را هماهنگ میسازند. با رشد این تکنولوژی ها، توسعهدهندگان بیش از پیش در کنار ایجنت ها به عنوان همکار خواهند بود، نه صرفاً سازندگان برنامههای سنتی.
🍁🍁🍁🍁🍁🍁🍁🍁🍁🍁🍁🍁🍁
منبع مقاله سایت Byte Byte go
💶پردرآمدترین دیتاساینتیست ها مال کدوم شهرن ؟
💰Menlo Park,California, 240,000$
💰Mountain View ,
California,240,000$
💰San francisco ,California,260,000 - 350,000$
💰Santa Clara, California,240,000$
💰Seattle ,Washington,300,000$
۱۳۰ صفحه آموزش پیاده سازی ۲ الگوریتم رگرسیون خطی و XGBoostروی دیتاست لیست قیمت خانه برای پیش بینی قیمت
این دیتاست شامل بیش از 100هزار ردیف اطلاعاتی درباره قیمت
خانه ها در یکی از ایاالت آمریکا می باشد، و شامل دو دیتاست
csv.train و csv.test می باشد. لینک این دو دیتاست به عنوان
پارامتر csv_read در پانداس قرار داده شده اند. با کپی کردن
لینک داخل مرورگر می توانید دیتاست ها را دانلود نمایید و روی
سیستم خود و حتی روی گوشی هم اجرا کنید
🎁🎁تخفیف ویژه کتاب های آسان آموز یادگیری ماشین فقط تا اخر این هفته
سفارش: @W3schoolfaadmin
"در پایتون، حلقهها برای اینکه کدها را به شکل کارآمدی تکرار کنیم، خیلی ضروری هستند:
✅حلقههای for زمانی استفاده میشوند که شما از قبل میدانید چند بار قرار است یک کار تکرار شود. این حلقهها روی مجموعههای مشخصی (مثل لیستها یا یک محدوده عددی) حرکت میکنند و هر بار یک عنصر را برمیدارند.
✅حلقههای while بر اساس یک شرط خاص اجرا میشوند و تا زمانی ادامه پیدا میکنند که آن شرط درست باشد و به محض اینکه شرط نادرست شد، متوقف میشوند. این حلقهها برای وقتی مناسب هستند که از تعداد دقیق تکرارها خبر ندارید یا منتظر یک مقدار خاص (به نام سنتینل) هستید تا حلقه متوقف شود.
✅حلقههای تو در تو (Nested Loops) هم زمانی به کار میآیند که با دادههای چند بعدی (مثلاً یک جدول یا ماتریس) سروکار دارید. در این حالت، یک حلقه داخل حلقه دیگری قرار میگیرد.
✅برای کنترل بهتر حلقهها میتوانید از دستورات break (برای توقف کامل حلقه) و continue (برای رد شدن از یک مرحله و رفتن به مرحله بعدی) استفاده کنید. و برای اینکه در مصاحبهها راهحلهای کوتاهتر و زیباتری ارائه دهید، میتوانید از comprehensionها (مثل List Comprehension) به عنوان جایگزینهای مختصرتر استفاده کنید.
# For loop: Use for fixed iterations over iterables (e.g., processing lists)Читать полностью…
fruits = ["apple", "banana", "cherry"]
for fruit in fruits: # Iterates each element
print(fruit) # Output: apple \n banana \n cherry
for i in range(3): # Numeric sequence (start=0, stop=3)
print(i) # Output: 0 \n 1 \n 2
# While loop: Use when iterations depend on a dynamic condition (e.g., user input, convergence)
count = 0
while count < 3: # Runs as long as condition is True
print(count)
count += 1 # Increment to avoid infinite loop! Output: 0 \n 1 \n 2
# Nested loops: Use for 2D data (e.g., matrices, grids); outer for rows, inner for columns
matrix = [[1, 2], [3, 4]]
for row in matrix: # Outer: each sublist
for num in row: # Inner: elements in row
print(num) # Output: 1 \n 2 \n 3 \n 4
# Control statements: break (exit loop), continue (skip iteration)
for i in range(5):
if i == 2:
continue # Skip 2
if i == 4:
break # Exit at 4
print(i) # Output: 0 \n 1 \n 3
# List comprehension: Concise for loop alternative (use for simple transformations/filtering)
squares = [x**2 for x in range(5) if x % 2 == 0] # Even squares
print(squares) # Output: [0, 4, 16]
پروژه های اتوماسیون با پانداس که فقط وب دولوپرهای حرفه ای بلدن:
✅سیستم خودکار ساخت ریدایرکتها و نگهداری SEO
import pandas as pd
redirects = pd.read_excel("redirects.xlsx")
redirects["rule"] = redirects.apply(lambda r: f"Redirect 301 {r.old_url} {r.new_url}", axis=1)
redirects["rule"].to_csv(".htaccess", index=False, header=False)
import pandas as pd
logs = pd.read_csv("access_logs.csv")
stats = logs.groupby("url").agg({"response_time":"mean", "status":"count"}).reset_index()
slow_pages = stats[stats["response_time"] > 2.0]
slow_pages.to_excel("slow_pages_report.xlsx")
df = pd.read_csv("users.csv")
df.drop_duplicates(subset="email", inplace=True)
df.dropna(subset=["email"], inplace=True)
df.to_csv("clean_users.csv", index=False)import pandas as pd
from sqlalchemy import create_engine
engine = create_engine("mysql+pymysql://user:pass@localhost/mydb")
df = pd.read_json("https://api.example.com/products")
df.to_sql("products", con=engine, if_exists="replace", index=False)