(زیر نویس فارسی)در گروه قرار گرفت
لینک گروه👇👇
https://t.iss.one/joinchat/B77HHA83pT8Xx8okYCuBYw
GroupPython

کاربرد یادگیری ماشین

در ادامه ۱۰ کاربرد اصلی هوش مصنوعی برای حل مشکلات و چالش‌های دنیای فناوری را از نظر می‌گذرانیم
1.امنیت داده‌ها
بدافزارها یکی از مشکلات کاربران و کمپانی‌ها در فضای آنلاین است که قدمت آن به روزهای ابتدایی شکل‌گیری اینترنت بازمی‌گردد. در سال ۲۰۱۴، موسسه‌ی کسپراسکی اعلام کرد که روزانه بیش از ۳۲۵٫۰۰۰ بدافزار کشف می‌کند. براساس اطلاعات ارائه شده توسط موسسه‌ی تحقیقاتی Deep Instinct، اغلب بدافزار‌های جدید از کد مشابهی که در بدافزار‌های پیشین مورد استفاده قرار گرفته، بهره می‌برند، حال آنکه دامنه‌ی تغییرات اعمال شده بین ۲ تا ۱۰ درصد است. تحقیقات انجام شده نشان از این دارد که مدل یادگیری مورد استفاده در هوش مصنوعی قادر است تغییرات ۲ تا ۱۰ درصدی در کد پیاده‌سازی شده را شناسایی کرده و تشخیص دهد که کدام فایل‌ها بدافزار هستند. همچنین باید به این نکته اشاره کرد که الگوریتم‌های یادگیری ماشین می‌توانند الگوی‌های مربوط به رد و بدل شدن اطلاعات در سرورهای ابری را تحت نظر گرفته و موارد مشکوک را که احتمالا منجر به سوءاستفاده‌های امنیتی خواهند شد، شناسایی کنند.
2.جستجوی آنلاین
به جرات می‌توان جستجوی اینترنتی را شناخته شده‌ترین نمونه از کاربرد یادگیری ماشین خواند. گوگل و رقبای این کمپانی همواره در حال بهبود نتایج جستجو هستند. هر زمانی که کاربر جستجویی را در گوگل انجام می‌دهد، الگوریتم گوگل نحوه‌ی واکنش شما با نتایج نمایش داده شده را تحت نظر می‌گیرد. در صورتی که کاربر روی نتایج اولیه‌ی جستجو کلیک کند و به صفحه‌ی وب مورد نظر مراجعه کند، الگوریتم گوگل به این نتیجه می‌رسد که کاربر نتیجه‌ی مدنظر خود را یافته است. در صورتی که کاربر بدون کلیک روی هیچ یک از نتایج به صفحه‌ی دوم مراجعه کند یا عبارت دیگری را برای جستجو وارد کند، گوگل به این نتیجه می‌رسد که کاربر به مواردی که در نظر داشته، دست نیافته است. الگوریتم هوشمند مبتنی بر یادگیری ماشین قادر است با دریافت اطلاعات این چنینی، نتایج جستجو را در مقایسه با گذشته بهبود دهد.
3.خودروهای هوشمند
در IBM اخیرا تحقیقی انجام داده که براساس آن بیش از ۷۴ درصد متخصصان در حوزه‌ی خودرو از پیش‌بینی خود برای عرضه‌ی تجاری خودروهای هوشمند تا سال ۲۰۲۵ سخن گفته‌اند. یک خودروی هوشمند نه تنها با استفاده از مفهوم اینترنت اشیا قادر است با خودروهای دیگر و تابلوهای کنار جاده ارتباط برقرار کند، بلکه قادر است تا با یادگیری ماشین، عادت‌های کاربر یا به بیان راننده را نیز بشناسد. این عادات شامل دمای داخلی خودرو، تنظیمات سیستم صوتی و وضعیت صندلی است. خودرو قادر است با تکیه بر قابلیت‌های هوشمند تنظیمات را تغییر داده و در صورت بروز مشکل، خود مساله را حل کند. همچنین باید به ارائه‌ی پیشنهاد در مورد مسیر رسیدن به مقصد براساس داده‌های ترافیکی و وضعیت جاده نیز اشاره کرد.
4.امنیت در دنیای واقعی
5.مبادلات مالی
6.سرویس‌های سلامتی و مراقبت‌های بهداشتی
7.بازاریابی
8.جلوگیری از تقلب
9.سیستم ارائه‌ی پیشنهاد
10.تشخیص گفتار
@Pythonforeveryone

🙏با معرفی کانال به دیگران ما را همراهی کنید 🙏👇👇👇
@Pythonforeveryone
لینک گروه👇👇
https://t.iss.one/joinchat/B77HHA83pT8Xx8okYCuBYw

#بخش_چهارم
4- Flask
فلاسک یک محیط توسعه وب سایت نسبتا جدید است، سازندگان آن را به یک وظیفه برای تجزیه و تحلیل جوانب مثبت و منفی از همه محبوب ترین فریم ورک وب پایتون و ایجاد چیزی است که بهترین تجسم از همه مزایا، در حالی که محروم از معایب است .
فلاسک برای یادگیری آسان است ، ساده، و اغلب در پروژه های کوچک استفاده می شود که یک یا دو توابع را حل کند. به عنوان مثال، در ایجاد راه حل httpbin دخیل بود. مانند CherryPy، این کتابخانه معمول وارد شده است، که اجازه استفاده از هر DBMS و موتور قالب را می دهد. در میان مزایای فلاسک اجرای بسیاری از مراحل ایجاد نرم افزار مبتنی بر وب در پس زمینه است (که باید تازه واردان را به کار با آن الهام بخشید)، کد بسیار مختصر و واضح (برنامه "Hello، world!" که در صفحه اصلی حاوی تنها 3 (!!!) کد خطوط)است توانایی نوشتن برنامه های مدولار با استفاده از طرح ها، پشتیبانی از Jinja2 که از زبان قالب جنگو الهام گرفته است، و همچنین یک رویکرد ساده برای ایجاد راه حل های مبتنی بر API و ابزار یک بار (در مورد دیگر چارچوب ها زمان بیشتری را صرف خواهد کرد).
@Pythonforeveryone

#بخش_سوم
#یادگیری_ماشین
سه طبقه بندی اصلی از وظایف یادگیری ماشین وجود دارد:
یادگیری تحت نظارت: مدل با استفاده از یک مجموعه شناخته شده “داده های آموزشی” ساخته شده است که شامل تمام ویژگی ها و همچنین مقادیر شناخته شده (“برچسب ها”) خروجی است که ما در حال تلاش برای مدل سازی آن هستیم. هدف از تکنیک های یادگیری تحت نظارت، رسیدن به یک مدل است که ویژگی های ورودی را برحسب ها نشان می دهد.
یادگیری بدون نظارت: خروجی این الگوریتم یادگیری، برچسب ها نیستند؛ هدف این روش کشف ساختار ناشناخته مانند خوشه ها(clutsters ) و یا الگوهای دیگر است.
یادگیری تقویتی: الگوریتم پاداش و مجازات را بر اساس موفقیت آن در دستیابی به یک هدف خاص به ارمغان می آورد – به عنوان مثال، یک الگوریتم Go برای تغییرات در یک مدل که باعث افزایش نسبت زمان برنده شدن مدل و مجازات برای تغییراتی که قصد کاهش آن را دارد.این الگوریتم قصد دارد پاداش را به حداکثر و مجازات را به حداقل برساند.
وظایف همچنین می تواند بر اساس خروجی مورد نظر از مدل یادگیری طبقه بندی شود. سه تار از رایج ترین ها عبارتند از:
طبقه بندی: داده ها به دو یا چند کلاس یا “برچسب ها” تقسیم می شوند (مثلا “hotdog” در مقابل “not hotdog “) و هدف عمل یادگیری این است که یک مدل تولید کند که ورودی ها را به یکی یا بیشتر از این برچسبها اختصاص دهد.
رگرسیون: خروجی یک عدد پیوسته (به عنوان مثال قیمت کالای خاص، تولید یک چاه نفت ثابت شده) به جای طبقه بندی گسسته است، و همچنین فراهم سازی مدل و برآورد خروجی هدف.
خوشه بندي: آنالوگ بدون نظارت برای طبقه بندي؛ ورودی ها باید به گروه ها تقسیم شوند، اما قبل از ساخت مدل، گروه ها شناخته نمی شوند.مثال کاربرد: پیش بینی قیمت خانه.
@Pythonforeveryone

#بخش_هفتم :سیستم_شماره_دودویی در پایتون
آموزش جامع پایتون به زبان انگلیسی(زیر نویس انگلیسی)
@Pythonforeveryone

(زیر نویس فارسی)در گروه قرار گرفت
لینک گروه👇👇
https://t.iss.one/joinchat/B77HHA83pT8Xx8okYCuBYw
GroupPython

رسپیری پای

#رسپبری_پای
رسپبری پای یا رزبری پای یک کامپیوتر ارزان قیمت و هم اندازه یک کارت عابر بانک است که می تواند به مانیتور ها و تلویزیون متصل شود و همچنین می توان کیبورد و ماوس معمولی را نیز به آن متصل نمود. رسپبری پای یک دستگاه کوچک با توانایی های بالاست که افراد علاقه مند به کامپیوتر ها از هر سنی می توانند از آن استفاده کنند و لذت ببرند. همچنین می توان از رسپبری پای برای یادگیری چگونگی نوشتن یک برنامه برای کامپیوتر ها به زبان های مختلف مانند پایتون و اسکرچ استفاده نمود. رسپبری پای می تواند هر کاری که یک کامپیوتر دسکتاپ می تواند انجام دهد از مرور صفحات وب و پخش آهنگ و فیلم های HD گرفته تا نرم افزار های صفحه گسترده ، پردازش متن و تصویر و اجرای بازی را برای شما انجام دهد.
اما رسپبری پای قابلیت منحصر به فرد دیگری نیز دارد. رزبری پای می تواند به سادگی به دستگاه های الکترونیکی دیگر متصل شود و با آنها در تعامل باشد و به تبادل اطلاعات با آنها بپردازد. طراحان سیستم های دیجیتال از رسپبری پای برای طراحی دستگاه های مختلفی از پروژه های کوچک گرفته تا پروژه های بزرگ استفاده می کنند.
تیم رسپبری پای امیدوارند کودکان و نوجوانان با استفاده از رسپبری پای ، نحوه ی برنامه نویسی را بیاموزند و روش عملکرد کامپیوتر ها را درک کنند.
رسپبری پای توسط بنیاد خیریه رسپبری پای ( Raspberry Pi Foundation ) در کشور انگلستان و با هدف توسعه دانش کامپیوتر در میان دانش آموزان ساخته شده است اما کاربرد رسپبری پای تنها به موارد آموزشی محدود نمی شود و تا کنون پروژه های تجاری بسیاری با این دستگاه کار آمد به انجام رسیده است.
@Pythonforeveryone

🙏با معرفی کانال به دیگران ما را همراهی کنید 🙏👇👇👇
@Pythonforeveryone
لینک گروه👇👇
https://t.iss.one/joinchat/B77HHA83pT8Xx8okYCuBYw

#بخش_هشتم :دیکشنری و مجموعه در پایتون
آموزش جامع پایتون به زبان انگلیسی(زیر نویس انگلیسی)
@Pythonforeveryone

(زیر نویس فارسی)در گروه قرار گرفت
لینک گروه👇👇
https://t.iss.one/joinchat/B77HHA83pT8Xx8okYCuBYw
GroupPython

#بخش_پایانی
5- Pyramid
فریم ورک Python ما با Pyramid بسته می شود که به عنوان بخشی از پروژه Pylons ایجاد شده است. Pyramid به عنوان یکی از انعطاف پذیر ترین فریم ورک توسعه وب در پایتون (به ویژه در مقایسه با جنگو) شناخته می شود. این چارچوب اجازه می دهد تا توسعه دهنده هر چیزی را انتخاب کند - DBMSها، ساختار URL، قالب سبک و خیلی چیزهای دیگر. همانطور که توسط سازندگان نقل قول شده است:
"مگا فریم ورک ها برای شما تصمیم می گیرد. اما اگر دیدگاه خود را نادیده نگیرید، در نهایت تصمیمات خود را می گیرید. میکرو فریم ورک ها هیچ تصمیمی اتخاذ نمی کند و باعث می شود شروع به کار کند. اما همانطور که برنامه شما رشد می کند، شما خودتان هستید. در هر دو مورد، تمرکز بر روی شروع است: بیش از حد یا خیلی کم. در هر صورت، پایان دادن و ماندن به پایان رسیده است سخت است. شما نیاز به یک فریم ورک که متمرکز به پایان برسد با یک طراحی معماری که شروع به کار می کند، و سپس به عنوان یک برنامه شما رشد می کند. Pyramid برای این فقط ساخته شد. این یک راه حل Goldilocks است: نه خیلی کوچک، نه خیلی بزرگ، درست است. "
بنابراین، ممکن است برنامه های کاربردی RDBMS مسیریابی سنتی با استفاده از SQLAlchemy بدون تلاش زیادی ایجاد شود. Pyramid مانند فلاسک پشتیبانی از بسیاری از زبان های قالب و موتورها از جمله Jinja2 و Mako، اما همچنین دارای یک راه حل داخلی است. علاوه بر این، این چارچوب سازگار با Chameleon است - پیاده سازی راحت و جهانی قالب ZPT .
از جمله ویژگی های شناخته شده جهانی pyramid توانایی ایجاد یک پروژه تمام عیار در یک فایل است. قالب های قابل اصلاح دارایی قابل تنظیم؛ ابزار انعطاف پذیر برای ایجاد اسناد احراز هویت / مجوز؛ یک ابزار بوت پیشرفته اولیه - pcreate؛ مشاهده پیش فرض ها؛ پشتیبانی از تنظیمات ضروری و اعلام شده ذخیره سازی HTTP؛ پشتیبانی داخلی برای ذخیره سازی session و غیره. به طور کلی، این چارچوب یکی از محبوب ترین برنامه های بزرگ در حال حاضر است (به عنوان مثال، برای Dropbox). از سوی دیگر، این انعطاف پذیری یک مانع بزرگ برای مبتدیان است و می تواند به راحتی آنها را از مسیر درست جلوگیری کند.
کدام فریم ورک وب پایتون را انتخاب کنید: چگونه در انتخاب اشتباه نکنید
بیایید خلاصه کنیم همانطور که می بینید، انتخاب نهایی یکی از بسیاری از فریم ورک های وب پایتون امروز، بسته به نیازهای فردی شما و ویژگی های پروژه ای که در حال کار بر روی آنها هستید، باید رخ دهد. ما، برای یکی، تحت تاثیر تقریبا یکسان از هر یک از محیط های توسعه فوق ذکر شده است، بنابراین ما قطعا می توانیم بر روی انتخاب هر یک از آنها بر روی دیگران اصرار نداشته باشیم.(https://trypyramid.com)
@Pythonforeveryone

آشنایی با علم داده

آشنایی با علم داده
علم داده (Data Science)، دانشی میان‌رشته‌ای پیرامون استخراج دانش و آگاهی از مجموعه‌ای داده و اطلاعات است. علم داده از ترکیب مباحث مختلفی به وجود آمده و بر مبانی و روش‌های موجود در حوزه‌های مختلف علمی بنا شده‌است. تعدادی از این حوزه‌ها عبارتند از: ریاضیات، آمار، مهندسی داده، بازشناخت الگو و… هدف این علم، استخراج مفهوم از داده و تولید محصولات داده‌محور است.
به شاغلین در حوزهٔ علم داده، متخصص علم داده(Data Science) می‌گویند. این اصطلاح توسط دی جی پاتیل و جف همربارکر ابداع شده‌است در صورتی که سال‌ها قبل از آن که آن‌ها استفاده از اصطلاح فوق را به‌طور عمومی مطرح کنند، از آن استفاده شده‌است. چن فو جف وو در سال ۱۹۹۸ برای اولین بار در یک سخنرانی از واژهٔ متخصص علم داده استفاده کرد. متخصصین علم داده با عمیق شدن در چندین رشته علمی، مسائل پیچیده مطرح شده در حوزۀ داده را حل می‌کنند. به‌طور کلی انتظار می‌رود که متخصصین علم داده قادر باشند در بخش‌هایی از علوم ریاضیات و آمار و علوم کامپیوتر کار کنند.یک متخصص علم داده می‌بایست در یک یا دو رشته تخصص داشته باشد و در دیگر حوزه‌ها دارای مهارت کافی باشد. نتایج نظرسنجی‌ها حاکی از این موضوع است که برای متخصص علم داده شدن ۵ تا ۸ سال زمان لازم است
متخصصین علم داده می‌توانند مهارت‌هایشان را برای دست یابی به طیف وسیعی از نتایج نهایی به کار گیرند. تعدادی از این مهارتها به شرح زیرند:
توانایی استخراج و تفسیر منابع داده
مدیریت حجم زیاد اطلاعات با سخت‌افزار
محدودیت‌های نرم‌افزاری و پهنای باند
ادغام منابع داده با یک دیگر
تضمین پایداری مجموعه‌های داده
@Pythonforeveryone

به نظر می رسد که پایتون در حال محبوب شدن است.
@Pythonforeveryone

#بخش_نهم:ورودی و خروجی (I_O) در پایتون
آموزش جامع پایتون به زبان انگلیسی(زیر نویس انگلیسی)
@Pythonforeveryone

(زیر نویس فارسی)در گروه قرار گرفت
لینک گروه👇👇
https://t.iss.one/joinchat/B77HHA83pT8Xx8okYCuBYw
GroupPython