🤔🤔تفاوت Process و Thread؟

پاسخ: یک Process یک واحد اجرایی مستقل است که حافظه و منابع اختصاصی خود را دارد. اما یک Thread یک زیروظیفه در داخل یک Process است که حافظه خود را با سایر رشته‌های همان فرآیند به اشتراک می‌گذارد.

در پایتون، Threadها توسط GIL محدود شده‌اند؛ به این معنی که در هر لحظه فقط یک thread می‌تواند کدهای پایتون را اجرا کند. به همین دلیل، برای محاسبات سنگین و موازی از multiprocessing (که فرآیندهای مجزا ایجاد می‌کند) استفاده می‌شود. در مقابل، threading بیشتر برای کارهایی که نیاز به انتظار دارند (مثل درخواست‌های شبکه یا خواندن فایل) کاربرد دارد.

Читать полностью…

با آرزوی بهترین ها برای همه عزیزان🍉🍉🍉

Читать полностью…

در این کتابچه، به صورت خلاصه و کاربردی یاد می‌گیرید:

✨ مهم‌ترین میانبرها (Shortcuts)
✨ پرکاربردترین فرمول‌ها و توابع ضروری
✨ نکات پیشرفته و ترفندهایی که معمولاً فقط افراد حرفه‌ای بلدند
✨ نحوه‌ی انجام سریع‌تر کارهای روزمره

و بهترین بخشش اینکه:

⚡ تمام نکات، قابل یادگیری در یک روز هست!
یعنی با یک مطالعه‌ی کوتاه می‌تونید مهارت اکسل‌تون رو چند سطح ارتقا بدید.

Читать полностью…

📕📕مخاطبین کتاب:

اگر می‌خوای تو کار با اکسل حرفه‌ای و سریع بشی، این کتابچه بهترین شروعه.

💶💶

📥 برای سفارش پیام بده:
«اکسل 100»
به آیدی زیر:
@w3schoolfaadmin

Читать полностью…

الگوریتم K-means یک روش معروف برای گروه‌بندی(clustering) داده‌هاست.
این الگوریتم چند مرکز (center) انتخاب می‌کند و هر نقطه را به نزدیک‌ترین مرکز وصل می‌کند. بعد از آن، مرکز هر گروه را دوباره حساب می‌کند. این کار چند بار تکرار می‌شود تا جایی که جای مراکز تقریباً ثابت بماند؛ به این حالت می‌گویند همگرایی.

مزایا:
✔️ سریع است و روی داده‌های بزرگ خوب کار می‌کند
✔️ فهم و استفاده از آن ساده است
✔️ از نظر محاسباتی سبک است

معایب:
❌ نتیجه‌ها خیلی به انتخاب اولیه‌ی مراکز بستگی دارد
❌ اگر داده‌ها درست مقیاس‌بندی نشوند، الگوریتم اشتباه می‌کند
❌ ممکن است خوشه‌های خالی یا نامناسب بسازد

برای اینکه K-means بهتر کار کند:

* بهتر است از ++k-means برای انتخاب مراکز اولیه استفاده شود
* قبل از اجرا، داده‌ها را نرمال یا مقیاس‌بندی کنید
* تعداد تکرار و حد توقف را مناسب تنظیم کنید

فرایند انجام کار:
۱. هر نقطه به نزدیک‌ترین مرکز نسبت داده می‌شود
۲. مرکز جدید با میانگین همه‌ی نقاط همان گروه حساب می‌شود
۳. این دو مرحله آن‌قدر تکرار می‌شوند تا مراکز تقریباً ثابت شوند

Читать полностью…

۱۰ مثال کاربردی شی گرایی

اگر تازه با مفاهیم شی گرایی در پایتون آشنا شدید، این ۱۰ مثال ساده و درعین حال کاربردی برای شماست

👇👇👇👇
/channel/pyfaw3schools/722

Читать полностью…

آموزش مهم ترین متدهای لیست پایتون با پیشولی ها🐈🐈

Читать полностью…

ظرفیت تخفیف ۹۹ هزارتومنی کتاب یادگیری عمیق برای مبتدیان رسید به ۲ نفر
تا تموم نشده عجله کن که تو کمترز یه ماه تنسورفلو هم یادبگیری
@w3schoolfaadmin

Читать полностью…

بهمراه پشتیبانی رایگان مادام العمر فایلا هیچ جا با این تخفیف خفن پشتیبانی و لینگ اجرای مثال نداره

Читать полностью…

👇زیر ۲۰ ثانیه رگرسیون خطی یاد بگیر:
https://www.instagram.com/reel/DR6b9pYCLRK/?igsh=dGdhcjh6bWMzajIw

Читать полностью…

اصطلاح ORM یعنی چی و SQLalchemy به چه هدفی استفاده می شود؟
​ORM (نگاشت شیء-رابطه‌ای یا Object-Relational Mapping)
این امکان را فراهم می‌کند که به جای نوشتن دستی دستورات SQL، از طریق کلاس‌ها و اشیاء پایتون با دیتابیس ارتباط داشته باشیم.

​با استفاده از SQLAlchemy، شما می‌توانید جداول (Tables) را به عنوان کلاس‌ها، ردیف‌ها (Rows) را به عنوان اشیاء، تعریف کرده و عملیات SELECT، INSERT، UPDATE و DELETE را از طریق متدهای (Methods) پایتون انجام دهید.

Читать полностью…

توضیح کدمثال قبل:


نکته کلیدی در خط اول کد است:

def extend_list(val, lst=[]):

در پایتون، وقتی برای یک تابع آرگومان پیش‌فرض (در اینجا []) تعریف می‌کنید که از نوع Mutable (قابل تغییر مانند لیست) است، این لیست فقط یک‌بار (در زمان تعریف تابع) در حافظه ساخته می‌شود، نه هر بار که تابع را صدا می‌زنید.
بیایید خط به خط بررسی کنیم:

۱. ساخت list1:

 extend_list(10)

* چون لیست دوم داده نشده، پایتون از همان لیست پیش‌فرض استفاده می‌کند.
* عدد 10 به آن اضافه می‌شود.
* وضعیت لیست پیش‌فرض: [10]
* متغیر list1 به این لیست اشاره می‌کند.
۲. ساخت list2:

  extend_list(123, [])

* در اینجا ما خودمان یک لیست خالی جدید [] به تابع داده‌ایم. پس تابع کاری به لیست پیش‌فرض قدیمی ندارد.
* عدد 123 به این لیست جدید اضافه می‌شود.
* وضعیت list2: [123]
* وضعیت لیست پیش‌فرض (مربوط به مرحله قبل): همچنان [10] باقی می‌ماند.
۳. ساخت list3:

   extend_list('a')

* لیست دوم داده نشده، پس پایتون دوباره سراغ همان لیست پیش‌فرض قدیمی (که در حافظه مانده بود) می‌رود.
* این لیست قبلاً شامل 10 بود. حالا 'a' هم به آن اضافه می‌شود.
* وضعیت لیست پیش‌فرض: [10, 'a']
* متغیر list3 به این لیست اشاره می‌کند.
نتیجه‌گیری مهم:
چون list1 و list3 هر دو به یک شیء واحد در حافظه (همان لیست پیش‌فرض) اشاره می‌کنند، وقتی در مرحله سوم 'a' اضافه شد، محتوای list1 هم تغییر کرد. اما list2 چون لیست جداگانه‌ای داشت، مستقل ماند.||

Читать полностью…

کوییز پایتون بعد مدت ها قراره بزاریم

Читать полностью…

ظرفیت تخفیف ۹۹ هزارتومن فقط برای ۸ نفر
سفارش: @W3schoolfaadmin

Читать полностью…

۲۶ صفحه رابگان کتاب یادگیری عمیق برای مبتدیان با پیاده سازی در کتابخانه های keras و tensorflow

بیش از ۲۰۰ صفحه پی دی اف کتاب با لینک های اجرای مثال ( امکان یادگیری با گوشی)

تخفیف بلک فرایدی ۹۹ هزارتومن به جای ۳۰۰ هزارتومن

فقط برای ۱۰ نفر اول

سفارش: @w3schoolfaadmin

Читать полностью…

کتابخانه‌های پایتون که باید بشناسید ✅
NumPy: محاسبات عددی ⚙️
نام‌پای (NumPy) پایه و اساس عملیات ریاضی در پایتون است. این کتابخانه آرایه‌های سریع و توابع ریاضی کاربردی را در اختیار شما قرار می‌دهد.
مثال:

import numpy as np

arr = np.array([1, 2, 3])
print(arr * 2)  # [2 4 6]

چالش: یک ماتریس ۳x۳ از اعداد صحیح تصادفی بین ۱ تا ۱۰ بسازید.

matrix = np.random.randint(1, 11, size=(3, 3))
print(matrix)

Pandas: تحلیل داده 🐼
پانداس (Pandas) کار با داده‌های جدولی را با استفاده از ابزاری به نام DataFrame بسیار آسان می‌کند.
مثال:

import pandas as pd

data = {"Name": ["Alice", "Bob"], "Age": [25, 30]}
df = pd.DataFrame(data)
print(df)

چالش: یک فایل CSV را بارگذاری کرده و ۵ سطر اول آن را نمایش دهید.

df = pd.read_csv("data.csv")
print(df.head())

Matplotlib: تصویرسازی داده‌ها 📊
مات‌پلات‌لیب (Matplotlib) به شما کمک می‌کند تا انواع نمودارها و گراف‌ها را رسم کنید.
مثال:

import matplotlib.pyplot as plt

x = [1, 2, 3]
y = [2, 4, 1]

plt.plot(x, y)
plt.title("Simple Line Plot")
plt.show()

چالش: یک نمودار ستونی (Bar Chart) برای میزان فروش میوه‌ها رسم کنید.

fruits = ["Apples", "Bananas", "Cherries"]
sales = [30, 45, 25]

plt.bar(fruits, sales)
plt.title("Fruit Sales")
plt.show()

Seaborn: نمودارهای آماری 🎨
سی‌بورن (Seaborn) بر پایه Matplotlib ساخته شده و نمودارهای آماری زیباتر و پیشرفته‌تری ارائه می‌دهد.
مثال:

import seaborn as sns
import matplotlib.pyplot as plt

tips = sns.load_dataset("tips")
sns.boxplot(x="day", y="total_bill", data=tips)
plt.show()

چالش: یک نقشه حرارتی (Heatmap) از همبستگی داده‌ها ایجاد کنید.

corr = tips.corr()
sns.heatmap(corr, annot=True, cmap="coolwarm")
plt.show()

Requests: پروتکل HTTP برای انسان‌ها 🌐
کتابخانه Requests ارسال درخواست‌های HTTP (مثل باز کردن آدرس‌های اینترنتی) را بسیار ساده می‌کند.
مثال:

import requests

response = requests.get("https://api.github.com")
print(response.status_code)
print(response.json())

چالش: آدرس IP خود را دریافت و چاپ کنید.

res = requests.get("https://api.ipify.org?format=json")
print(res.json()["ip"])

Beautiful Soup: استخراج داده از وب 🍜
بیوتی‌فول سوپ (Beautiful Soup) به شما کمک می‌کند تا داده‌ها را از صفحات HTML استخراج (Scraping) کنید.
مثال:

from bs4 import BeautifulSoup
import requests

url = "https://example.com"
html = requests.get(url).text
soup = BeautifulSoup(html, "html.parser")

print(soup.title.text)

چالش: تمام لینک‌های موجود در یک صفحه وب را استخراج کنید.

links = soup.find_all("a")
for link in links:
    print(link.get("href"))

Читать полностью…

✅ مهمترین مباحث «بینایی ماشین» که همه باید بدانید 👁️‍🧠
بینایی ماشین (Computer Vision) به ماشین‌ها این امکان را می‌دهد که تصاویر یا ویدیوها را مانند انسان‌ها ببینند، تفسیر کنند و درک کنند.
1️⃣ بینایی ماشین چیست؟
شاخه‌ای از هوش مصنوعی است که به کامپیوترها آموزش می‌دهد تا اطلاعات معناداری را از ورودی‌های بصری (تصاویر/ویدیوها) استخراج کنند.
2️⃣ کاربردهای رایج:
• تشخیص چهره (Face ID)
• تشخیص اشیاء (خودروهای خودران)
• نویسه‌خوان نوری یا OCR (خواندن متن از روی تصاویر)
• تصویربرداری پزشکی (اشعه ایکس، MRI)
• نظارت و امنیت
• واقعیت افزوده (AR)
3️⃣ وظایف اصلی در بینایی ماشین:
• طبقه‌بندی تصویر (Classification): چه چیزی در تصویر است؟
• تشخیص اشیاء (Detection): شیء کجاست؟
• قطعه‌بندی (Segmentation): کدام پیکسل‌ها متعلق به کدام شیء هستند؟
• تخمین وضعیت (Pose Estimation): تشخیص حالت بدن/صورت
• تولید و بهبود تصویر
4️⃣ کتابخانه‌ها و ابزارهای محبوب:
• OpenCV
• TensorFlow / Keras
• PyTorch
• Mediapipe
• YOLO (You Only Look Once)
• Detectron2
5️⃣ مثال طبقه‌بندی تصویر:
from tensorflow.keras.applications import MobileNetV2
model = MobileNetV2(weights="imagenet")

6️⃣ تشخیص اشیاء (Object Detection):
از کادرهای محدودکننده (Bounding Boxes) برای تشخیص و برچسب‌گذاری اشیاء استفاده می‌کند.
مدل‌های YOLO، SSD و Faster R-CNN از برترین مدل‌ها هستند.
7️⃣ شبکه‌های عصبی کانولوشنی (CNNs):
هسته اصلی اکثر مدل‌های بینایی هستند. آن‌ها الگوهایی مانند لبه‌ها، بافت‌ها و شکل‌ها را تشخیص می‌دهند.
8️⃣ مراحل پیش‌پردازش تصویر:
• تغییر اندازه (Resizing)
• نرمال‌سازی (Normalization)
• تبدیل به خاکستری/سیاه و سفید (Grayscale)
• افزایش داده‌ها یا Data Augmentation (چرخش، معکوس کردن، برش)
9️⃣ چالش‌ها در بینایی ماشین:
• تغییرات نور
• انسداد یا پوشیدگی (وقتی چیزی جلوی شیء را گرفته باشد)
• ورودی‌های با کیفیت پایین (رزولوشن کم)
• عملکرد در زمان واقعی (Real-time)
🔟 موارد استفاده در دنیای واقعی:
• باز کردن قفل با چهره (Face unlock)
• تشخیص پلاک خودرو
• پرو مجازی (عینک، لباس)
• سیستم‌های ترافیک هوشمند

Читать полностью…

👆۴۷ صفحه کوییز پایتون با جواب از کتاب بیش از ۱۰۱ کوییز پایتون(در حال ترجمه)

Читать полностью…

📘معرفی ۱۰۰ نکته طلایی اکسل

می خوای اکسل رو تو یک روز یاد بگیری
؟
این کتابچه خلاصه‌ترین و کاربردی‌ترین نکاتی رو داره که سرعت کارت رو ۲ تا ۳ برابر بیشتر می‌کنه.

✅ مهم‌ترین شورتکات‌ها
✅ فرمول‌های ضروری
✅فرمت بندی اکسل و شیت ها
✅ نکات حرفه‌ای که معمولاً کسی نمیگه

اگر می‌خوای تو کار با اکسل حرفه‌ای و سریع بشی، این کتابچه بهترین شروعه.

💶💶 ۱۵۰ هزارتومن

📥 برای سفارش پیام بده:
«اکسل 100»
به آیدی زیر:
@w3schoolfaadmin

Читать полностью…

چیت شیت علم داده با پایتون از پایه تا پیشرفته

این چیت شیت :


✅مفاهیم پایه پایتون
✅کتابخانه Numpy
✅پاکسازی داده ها در Pandas
✅پیاده سازی الگوریتم های یادگیری ماشین با scikit-learn
✅شبکه عصبی

را پوشش می دهد‌.

آموزش رایگان پایتون و هوش مصنوعی در کانال
@pyfaw3schools

Читать полностью…

به مناسبت روز زن، ۱۰ تا ظرفیت تخفیف ۹۹ هزارتومانی( به جای ۲۸۰ هزارتومن) یادگیری ماشین برای مبتدیان اضافه شد

سفارش : @W3schoolfaadmin

Читать полностью…

👆👆نقشه راه اکسل 📊📊📊📉📊

Читать полностью…

متد dropna در کتابخانه Pandas یکی از پرکاربردترین ابزارها برای تمیز کردن داده‌هاست. وقتی با داده‌های واقعی کار می‌کنید، اغلب خانه‌های خالی یا «داده‌های گم‌شده» (Missing Values/NaN) وجود دارند. dropna مثل یک جاروبرقی عمل می‌کند که این خانه‌های خالی را حذف می‌کند.
در اینجا انواع روش‌های استفاده از dropna را به زبان ساده و با مثال توضیح می‌دهم.
۱. مفهوم اصلی: سطر یا ستون؟ (axis)
قبل از هر چیز، باید به پانداس بگویید که می‌خواهید سطرها (ردیف‌ها) را حذف کنید یا ستون‌ها را.
* حذف سطرها (axis=0): این حالت پیش‌فرض است. اگر یک سطر دارای داده خالی باشد، کل آن سطر حذف می‌شود.
* حذف ستون‌ها (axis=1): اگر یک ستون دارای داده خالی باشد، کل آن ستون حذف می‌شود.
> مثال ساده: فرض کنید یک لیست نمرات دانش‌آموزان دارید.
> * axis=0: دانش‌آموزی که نمره ندارد را از لیست خط می‌زنید.
> * axis=1: امتحانی که نمره ندارد را کلاً از کارنامه حذف می‌کنید.
>
۲. روش‌های حذف سطرها (حالت پیش‌فرض)
وقتی می‌خواهید سطرها را پاک کنید، چند استراتژی مختلف وجود دارد که با پارامتر how تعیین می‌شوند:
الف) حذف سخت‌گیرانه (how='any')
این حالت پیش‌فرض است. اگر حتی یک خانه خالی در سطر وجود داشته باشد، کل سطر حذف می‌شود.
* کاربرد: زمانی که داده‌های شما باید ۱۰۰٪ کامل باشند.

df.dropna(how='any')

# یا به صورت ساده:

df.dropna()

ب) حذف آسان‌گیرانه (how='all')
در این حالت، سطر فقط زمانی حذف می‌شود که تمام خانه‌های آن خالی باشند. اگر حتی یک مقدار سالم در سطر باشد، آن را نگه می‌دارد.
* کاربرد: زمانی که می‌خواهید سطرهای کاملاً پوچ و بی‌استفاده را دور بریزید.

df.dropna(how='all')

ج) تمرکز روی ستون‌های خاص (subset)
گاهی اوقات فقط مهم است که ستون‌های خاصی پر باشند. مثلاً اگر «نام» یا «شماره تلفن» خالی بود، سطر را حذف کن، اما اگر «سن» خالی بود اشکالی ندارد.
# فقط سطرهایی را حذف کن که در ستون 'name' یا 'phone' خالی هستند

df.dropna(subset=['name', 'phone'])

د) قانون حد نصاب (thresh)
این روش کمی پیشرفته‌تر است. شما تعیین می‌کنید که یک سطر باید حداقل چند مقدار سالم (غیر خالی) داشته باشد تا حذف نشود.
* مثلاً thresh=3 یعنی: «اگر سطر حداقل ۳ تا داده درست حسابی داشت، نگه‌ش دار. وگرنه حذفش کن.»

# سطر را نگه دار اگر حداقل ۲ مقدار غیر خالی دارد

df.dropna(thresh=2)

۳. روش حذف ستون‌ها (axis=1)
تمام قوانینی که در بالا گفتیم (مثل any, all, thresh) برای ستون‌ها هم صدق می‌کنند، فقط باید جهت را عوض کنید.
* حذف ستون‌های دارای نقص: اگر ستونی حتی یک داده خالی داشت، کل ستون می‌پرد.

df.dropna(axis=1)

۴. تغییر دائمی (inplace)
به طور پیش‌فرض، پانداس تغییرات را روی داده اصلی اعمال نمی‌کند و فقط یک کپی تمیز شده به شما نشان می‌دهد. اگر می‌خواهید داده اصلی واقعاً تغییر کند، باید از inplace=True استفاده کنید.
* inplace=False (پیش‌فرض): داده اصلی دست‌نخورده می‌ماند.
* inplace=True: داده اصلی تغییر می‌کند (مراقب باشید، راه برگشتی نیست!).

df.dropna(inplace=True)

Читать полностью…

به مناسبت روز دانشجو ۱۰ تا ظرفیت تخفیف یادگیری عمیق برای مبتدیان فقط با ۹۹ هزارتومن به جای ۳۰۰ هرارتومن اضافه شد

از تخفیف جا نمونی
سفارش:
@w3schoolfaadmin

Читать полностью…

❓پرسش:
​مکانیزم وارد کردن (ایمپورت کردن) ماژول در پایتون چطور کار می‌کند و sys.path چیست؟
✅​پاسخ:
​وقتی شما یک ماژول را وارد (ایمپورت) می‌کنید، پایتون آن را در آدرس‌هایی که در لیست sys.path نوشته شده‌اند، جستجو می‌کند. این لیست شامل این موارد است:

🍁​فولدر (پوشه) فعلی که در آن کار می‌کنید.
🍁​آدرس‌های استاندارد نصب پایتون
🍁​آدرس‌هایی که شما خودتان به صورت دستی اضافه کرده‌اید.

​اگر پایتون نتواند ماژول را پیدا کند، یک خطا به نام ModuleNotFoundError (خطای پیدا نشدن ماژول) نشان می‌دهد.

Читать полностью…

def extend_list(val, lst=[]):
    lst.append(val)
    return lst

list1 = extend_list(10)
list2 = extend_list(123)
list3 = extend_list('a')

print(list1, list2, list3)

Читать полностью…

def extend_list(val, lst=[]):
    lst.append(val)
    return lst

list1 = extend_list(10)
list2 = extend_list(123, [])
list3 = extend_list('a')

print(list1, list2, list3)

Читать полностью…

۲۰ تا ری اکشن هم بی زحمت بزنید😊❤️🌷

Читать полностью…

تخفیف بلک فرایدی کتاب یادگیری عمیق برای مبتدیان فقط ۹۹ هزارتومن به جای ۳۰۰ هزارتومن

با لینک اجرای مثال
مناسب دانشجوهاو شاغلینی که فرصت دوره رفتن ندارن

🍁🍁فقط برای ۱۰ نفر اول 🍁🍁

سفارش:
@W3schoolfaadmin

Читать полностью…

مقایسه انواع الگوریتم های ماشین لرنینگ

برای سفارش پک اقتصادی یادگیری ماشین بدون نیاز به دانش ریاضی به آیدی زیر پیام دهید :

@w3schoolfaadmin

Читать полностью…