#بخش_ششم
#آردوینو_با_Python

✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone

#بخش_چهارم
#شبکه‌_های_عصبی
شبکه عصبی چگونه یاد می‌گیرد؟
اطلاعات به دو طریق در شبکه‌ی عصبی جریان دارند: زمانی که در حال یادگیری است؛ یا بعد از اینکه عمل یادگیری انجام شد. در این زمان‌ها الگوهای یادگیری به‌وسیله‌ی واحدهای ورودی وارد شبکه می‌شوند و لایه‌های واحدهای مخفی را برانگیخته می‌کنند و این لایه‌ها به واحدهای خروجی می‌رسند. به این طراحی رایج، شبکه عصبی پیش‌خور می‌گویند. همه‌ی واحدها همیشه شلیک نمی‌شوند. هر واحدی اطلاعات ورودی را از واحدهای سمت چپ خود دریافت می‌کند و ورودی‌ها در وزن اتصالات مربوط‌به خود ضرب می‌شوند. هرواحدی تمامی ورودی‌هایی را که دریافت می‌کند به این طریق جمع می‌زند و (در ساده‌ترین نوع شبکه) اگر جمع بیش‌از یک مقدار آستانه مشخص شد، این واحد شلیک می‌کند و واحدهای متصل به‌خود را (که در سمت راست هستند) راه می‌اندازد.
برای یادگیری یک شبکه عصبی، باید بازخورد وجود داشته باشد؛ همان‌طور که به کودکان گفته می‌شود که چه چیزی درست است و چه چیزی غلط. درواقع همه‌ی ما همیشه از بازخورد استفاده می‌کنیم. زمانی را به‌خاطر بیاورید که می‌خواستیم برای اولین بار بازی بولینگ را یاد بگیریم. وقتی شما توپ سنگینی برمی‌دارید و آن را پرتاب می‌کنید، مغز شما به‌سرعت چگونگی حرکت توپ و مسیر آن را مشاهده می‌کند و میزان دقت شما را بررسی می‌کند. دفعه بعدی که دوباره نوبت شما رسید، اشتباهات دفعه قبلی خود را به‌یاد می‌آورید و حرکت خود را باتوجه به این اشتباهات اصلاح می‌کنید و امیدوارید که این‌بار توپ را بهتر از ‌قبل پرتاب کنید. بنابراین در این مثال از بازخورد برای مقایسه نتیجه قبلی با نتیجه دلخواه خود استفاده می‌کنید. این بازخورد تفاوت‌ها را مشخص می‌کند و تغییراتی در دستور کار شما برای دفعه بعدی ایجاد می‌کند: باشدت بیشتر پرتاب کردن؛ کمی به‌سمت چپ پرتاب کردن؛ دیرتر رها کردن، و غیره. هرچه تفاوت بین نتایج حقیقی و نتایج دلخواه بیشتر و بزرگ‌تر شود، تغییرات نیز بیشتر خواهد شد.

✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone

#بخش_سوم
#آموزش_جنگو

✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone

#بخش_پنجم
#شبکه‌_های_عصبی

شبکه‌های عصبی نیز به‌همین روش چیزهای مختلف را یاد می‌گیرند. یادگیری شبکه‌های عصبی با استفاده‌از یک روند بازخوردی را پس‌انتشار گویند. این عمل عبارت‌ است از: مقایسه‌ی خروجی تولیدی یک شبکه با خروجی‌ که دلخواه و مورد انتظار است. از تفاوت بین این دو خروجی، برای تغییر و اصلاح وزن‌های اتصالات بین واحدهای شبکه استفاده می‌شود، با این‌ تفاوت که این روش برعکس است، یعنی از واحدهای خروجی به‌سمت واحدهای مخفی و سپس از آنجا به‌سمت واحدهای ورودی می‌رویم. پس‌انتشار با کاهش تفاوت بین خروجی واقعی و خروجی دلخواه، تاحدی که این دو خروجی یکسان شوند، جلو می‌رود تا شبکه‌ی عصبی دقیقا همان‌طوری که باید و انتظار می‌رود، کار کند.
شبکه عصبی در عمل چگونه کار می‌کند؟
زمانی‌ که شبکه توسط نمونه‌های یادگیری کافی، آموزش داده شد، به نقطه‌ای می‌رسد که می‌توان یک سری جدید از ورودی‌ها را وارد آن کرد که قبلا آن‌ها را ندیده باشد و واکنش شبکه به این ورودی‌های جدید را مشاهده کرد. به‌عنوان مثال، فرض کنید که با نشان دادن تصاویر زیادی از صندلی و میز درحال آموزش دادن یک شبکه هستید و به‌گونه‌ای به شبکه آموزش می‌دهید که کامل مفاهیم شما را درک کند و به شما بگوید که تصویر متعلق به صندلی است یا میز. وقتی شما به‌اندازه‌ی کافی، تصویر صندلی و میز را به این شبکه نشان دادید؛ مثلا تعداد ۲۵ میز و ۲۵ صندلی، طرح جدیدی از صندلی یا میز را به آن نشان می‌دهید که قبلا آن را ندیده باشد و می‌بینید که شبکه‌ی شما چه واکنشی نشان می‌دهد. بسته به‌ نوع آموزش شما، شبکه تلاش می‌کند که نمونه‌ی جدید را دسته‌بندی کند و بگوید که آیا نمونه، تصویر صندلی است یا میز. شبکه کار دسته‌بندی را مانند انسان و با استفاده‌از تجارب گذشته انجام می‌دهد. درواقع شما به کامپیوتر یاد داده‌اید که چگونه لوازم را شناسایی کند.
البته این بدین معنی نیست که شبکه‌ی عصبی بتواند به نمونه‌ها نگاه کند و فورا مثل انسان به آن‌ها واکنش درست نشان دهد. مثالی را که زدیم درنظر بگیرید: این شبکه به میز یا صندلی نگاه نمی‌کند. ورودی‌های شبکه اعداد باینری هستند: هر واحد ورودی یا ۰ است یا ۱. بنابراین اگر شما ۵ واحد ورودی داشته باشید، می‌توانید اطلاعات ۵ مشخصه متفاوت صندلی‌های مختلف را با استفاده‌ از جواب باینری (بله/خیر) پاسخ دهید. سؤالات ممکن است به این طریق باشند:
آیا این شیء پشتی دارد؟
آیا قسمت بالایی دارد؟
آیا تکیه‌گاه آن نرم است؟
آیا می‌توان برای مدت طولانی به‌طور آسوده روی آن نشست؟
آیا می‌توان چیزهای بسیاری روی آن قرار داد؟
اگر نمونه‌ی ارائه‌شده یک صندلی معمولی باشد، جواب می‌شود: بله؛ خیر؛ بله؛ بله؛ خیر با کد باینری ۱۰۱۱۰. اگر نمونه یک میز معمولی باشد، جواب می‌شود: خیر؛ بله؛ خیر؛ خیر؛ بله با کد باینری ۰۱۰۰۱. بنابراین شبکه به اعداد باینری نگاه می‌کند و ازطریق خروجی این اعداد تشخیص می‌دهد که شی صندلی است یا میز.

✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone

#بخش_چهارم
#آموزش_جنگو

✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone

#بخش_ششم
#شبکه‌_های_عصبی
از شبکه‌های عصبی برای چه کاری استفاده می‌شود؟
احتمالا باتوجه به این مثال، می‌توانید کاربردهای مختلفی برای شبکه‌های عصبی متصور شوید که عبارت‌اند از شناسایی الگوها و تصمیم‌گیری‌های ساده درمورد آن‌ها. در هواپیماها از یک شبکه‌ی عصبی می‌توان به‌عنوان یک خلبان‌ خودکار استفاده کرد. در هواپیما، واحدهای ورودی، سیگنال‌های دستوری مختلف‌ از کابین خلبان را می‌خوانند و واحدهای خروجی هم کنترل و هدایت هواپیما را باتوجه به سیگنال‌ها تنظیم می‌کنند. درداخل یک کارخانه برای کنترل کیفیت، می‌توان از شبکه‌ی عصبی استفاده کرد. اگر کار کارخانه تولید مواد شوینده لباس در پروسه‌ای پیچیده و شیمیایی باشد، اندازه‌گیری ماده‌ی شیمیایی نهایی ازطریق راه‌های مختلفی (رنگ، میزان اسیدیته، غلظت، و غیره) انجام می‌شود. درنهایت این اندازه‌گیری‌ها به‌عنوان ورودی به شبکه عصبی وارد می‌شوند و سپس شبکه درمورد اینکه آیا ترکیب آن‌ها قابل‌ قبول است یا خیر، تصمیم‌گیری می‌کند.
شبکه‌ی عصبی در موارد امنیتی نیز استفاده‌های زیادی دارد. فرض کنید اداره‌ی بانکی را برعهده دارید که هزاران معامله با کارت اعتباری در دقیقه ازطریق سیستم کامپیوتری شما انجام می‌شود. معاملات باید سریعا شناسایی شوند تا از کلاهبرداری جلوگیری شود. شبکه‌ی عصبی برای جلوگیری‌ از این کلاهبرداری بسیار مناسب است. ورودی‌ها می‌توانند مواردی مثل این سؤالات باشند:
آیا دارنده‌ی ‌کارت واقعا حضور دارد؟
آیا شماره‌ی پین واردشده صحیح است؟
آیا تعداد ۴ یا ۵ معامله در ۱۰ دقیقه گذشته توسط این کارت صورت گرفته است؟
آیا موارد استفاده‌از این کارت، در کشوری خارج‌از جایی است که ثبت شده است؟
و سایر موراد مشابه.
یک شبکه‌ی عصبی می‌تواند با سرنخ‌های کافی، معاملات مشکوک را شناسایی کند و به متصدی انسانی خبر دهد تا این معاملات را دقیق‌تر بررسی کند. یک بانک نیز به‌همین روش می‌تواند از شبکه‌ی عصبی برای تصمیم‌گیری برای وام‌ دادن به افراد براساس سابقه‌ی کارت اعتباری، درآمد فعلی و اطلاعات و سابقه کاری آن‌ها استفاده کند.
بسیاری‌ از کارهای روزمره‌ مشمول شناسایی الگوها و استفاده‌ از این الگوها برای تصمیم‌گیری می‌شوند، بنابراین شبکه‌های عصبی می‌توانند در بی‌شمار روش‌ به ما کمک کنند. آن‌ها می‌توانند در پیش‌بینی بازار سهام و ارز، آب و هوا، سیستم‌های اسکن راداری که به‌طور خودکار هواپیما یا کشتی دشمن را شناسایی می‌کنند و حتی به دکترها برای تشخیص بیماری‌های پیچیده براساس نشانه‌های این بیماری‌ها، کمک کنند. درهمین لحظه نیز شبکه‌های عصبی در کامپیوتر یا موبایل شما وجود دارند. اگر شما از تلفن‌های هوشمندی استفاده می‌کنید که دست‌خط شما روی صفحه لمسی را شناسایی می‌کنند، احتمالا این تلفن‌ها از یک شبکه‌ی عصبی ساده برای تشخیص کاراکترهایی که می‌نویسید (براساس مشخصه‌های خاص و ترتیب آن‌ها) استفاده می‌کند. برخی‌ از نرم‌افزارهای تشخیص صدا نیز از شبکه عصبی استفاده می‌کنند.
همچنین برخی‌ از برنامه‌های ایمیلی که به‌طور خودکار ایمیل‌های واقعی را از اسپم‌ها جدا می‌کنند، از شبکه عصبی استفاده می‌کنند. شبکه‌های عصبی در ترجمه‌ی یک زبان به زبان دیگر نیز مؤثر هستند. به‌عنوان مثال، ترجمه‌ی خودکار گوگل در چند سال گذشته استفاده‌ی زیادی از فناوری شبکه عصبی کرده است. گوگل در سال ۲۰۱۶ اعلام کرد که از چیزی به‌ نام ماشین ترجمه عصبی برای ترجمه کامل جمله‌ها استفاده می‌کند که میزان خطای آن از ۵۵ تا ۸۵ درصد کاهش یافته است.
روی‌هم رفته، شبکه‌های عصبی، سیستم‌های کامپیوتری را مفیدتر از قبل‌ کرده‌اند؛ چراکه آن‌ها را شبیه‌ به مغز انسان کرده‌اند. شاید این بار اگر گمان کردید که دوست دارید مغزتان شبیه‌ به کامپیوتر شود، تجدید نظر کنید و خوشحال باشید که چنین شبکه‌ی عصبی‌ کارآمدی در سرتان دارید!

✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone

#بخش_هفتم
#آردوینو_با_Python

✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone

5 زبان برنامه نویسی برای یادگیری گرفتن کار در گوگل، فیس بوک، مایکروسافت و غیره

✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone

کجا دقیقا پایتون در گوگل استفاده می شود؟

Google Engine App :
زبان پایتون در اصل برای برنامه موتور گوگل طراحی شده بود. برنامه موتور گوگل یک نمونه برجسته از نرم افزار نوشته شده توسط پایتون است، این اجازه می دهد تا برنامه های کاربردی وب را با زبان برنامه نویسی پایتون، با استفاده از مجموعه ای غنی از کتابخانه ها، ابزارها و چارچوب ها، ساخت.
Youtube :
یک کاربر بزرگ پایتون است؛ کل سایت از پایتون برای اهداف مختلف استفاده می کند: نمایش ویدئو، قالب های کنترل وب سایت، مدیریت ویدیو، دسترسی به داده های قاعده و بسیاری دیگر. پایتون در همه جا در یوتیوب است.
code.google.com:
وب سایت اصلی برای توسعه دهندگان Google .
Google Data Python Client Library:
یک کتابخانه و کد منبع فراهم می کند که دسترسی به داده ها را از طریق API های Google Data آسان می کند.
Google APIs Client Library for Python
کوچک، قابل انعطاف و قدرتمند کتابخانه مشتری Python برای دسترسی به API های Google.
برنامه نویسان در گوگل نیز از Python برای سیستم گوگل استفاده می کنند، بسیاری از ابزارهای مدیریت سیستم (گزارش گیری، تجزیه و تحلیل ورود به سیستم ...)، فرمت بسته بندی داخلی گوگل، داده های باینری هل، ابزار بررسی کد، A / Q و آزمایش و بسیاری از Google برنامه های موتورهای

✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone

#بخش_پنجم
#آموزش_جنگو

✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone

#منطق_فازی
#بخش_اول

تاریخچه منطق فازی(Fuzzy logic)
یک نوع منطق است که روش های متنوع نتیجه گیری در مغزبشر را جایگزین الگوهای ساده تر ماشینی می کند. مفهوم منطق فازی نخستین بار درجهان، توسط دانشمند برجسته ایرانی، پروفسور لطفی زاده، پروفسور دانشگاه برکلی در کالیفرنیا در سال 1965 ارائه گردید و نه تنها به عنوان یک متدولوژی کنترل در حوزه هوش مصنوعی ارائه شد، بلکه راهی برای پردازش داده ها، بر مبنای مجاز کردن عضویت گروهی کوچک، به جای عضویت گروهی دسته ای، ارائه کرد.
به عبارتی پروفسورلطفی زاده اینطور استدلال کرد که مغز بشر به ورودی های اطلاعاتی دقیق نیازی ندارد، بلکه قادراست تا کنترل تطبیقی را به صورت بالایی انجام دهد و این در مورد ماشین نیز صادق است.

✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone

#بخش_هشتم
#آردوینو_با_Python

✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone

#منطق_فازی
#بخش_دوم
منطق فازی چیست؟
ساده ترین تلقی برای تعریف منطق فازی این است که " منطق فازی جواب یک سوال را به جای تقسیم به دو بخش درست یا نادرست،در اصل به یک محدوده جواب در این بین توسعه داده است". نمونه معمول آن،وجود رنگ خاکستری در طیف رنگی بین سیاه و سفید است.
اما دایره عمل منطق فازی،از این هم گسترده تر است و می توان با استفاده از قواعد منطق فازی ، جواب های فازی متناسب با پرسش را ارائه نمود. برای مثال، جمله " زمانی که باران می بارد، شما خیس می شوید" جمله نامفهومی نمی باشد، اما جمله " زمانی که مقداری باران می بارد، شما مقداری خیس می شوید" می تواند از نظرمقدار بارش باران یا مقدار خیس شدن ، واژه های مختلفی را به جای واژه " مقداری " بپذیرد.
واژگانی از قبیل { کم ، زیاد، خیلی کم ، خیلی زیاد، قدری و ... } این واژه ها واژه های زبان شناختی نام دارند، یعنی با مقادیر ریاضی نمی توان مقدار مشخصی را به آنها ربط داد.
اینجاست که منطق فازی وارد عمل می شود و با استفاده از مجموعه های فازی،برای متغیر میزان بارش باران، مجموعه ای را به شکل زیر صورت می دهد:
میزان بارش باران= { کم ، زیاد، خیلی کم ، خیلی زیاد، قدری و ... }

✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone

#بخش_ششم
#آموزش_جنگو

✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone

#منطق_فازی
#بخش_دوم
باید پذیرفت قواعدی نظیر این زیبا هستند، زیرا این ها قواعد بشری هستند. آنها نمونه خوبی هستند برای اینکه ما چطورفکر می کنیم و چطور نتیجه می گیریم. بیایید به سراغ نمونه دیگری برویم:
ازشما سوال می شود" آیا شغلتان را دوست دارید؟" پاسخ شما لزوماً بله یا خیر نمی باشد؛ بنابراین مجموعه جواب به صورت زیر خواهد بود:
جواب= { تا حدی، نه خیلی، تقریباً، اصلاً ، کم و بیش، خیلی و... }
به هر یک از این مقادیر،مقداری به عنوان " درجه عضویت" نسبت داده می شود، بدین معنا که مقدار مربوطه تا چه حد در این مجموعه عضو می باشد.
مجموعه های فازی و زبان طبیعی
لازم به ذکر است، در مجموعه های قطعی، یک شیء قطعاً ، یا عضو مجموعه، می باشد یا نمی باشد:
μA(x)=0 ,1
اگر xعضو مجموعه A باشد (1)
اگر X عضو مجموعه A نباشد(0)
اما در مجموعه های فازی، یک شیء می تواند تا حدودی به یک مجموعه متعلق باشد:
μ(X):X—>[0,1]
که در این حالت تابع عضویت، یک عدد حقیقی است:
0<=μA<=1
بدین معنا که شیء مورد نظر به طور نسبی در یک مجموعه وجود دارد. همچنین مقدار جزئی تابع عضویت، درجه عضویت نامیده می شود.

✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone

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

#بخش_تهم
#آردوینو_با_Python

✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone

#بخش_هفتم
#آموزش_جنگو

✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone

#منطق_فازی
#بخش_سوم
از سوی دیگر در نظر داشته باشید: مفاهیم ومجموعه های فازی ،عموماً در زبان طبیعی بکار می روند نظیر:
" جان قد بلند است."(جدول 1)
" هوا گرم است."
کلمات مشخص شده، به اسامی مقداری و مجموعه های فازی اشاره دارند. به عبارتی دیگر گزاره فازی که شامل لغاتی نظیر " بلند" و " گرم " است، نشان دهنده مجموعه فازی مربوطه است. برای روشن شدن مفهوم ، مجموعه فازی بلند می تواند از تابع عضویت زیر بهره بگیرد:
دراین تئوری، عضویت اعضای مجموعه از طریق تابع U ( X) مشخص می شود که X نمایانگر یک عضو مشخص و U تابعی فازی است که درجه عضویت X در مجموعه مربوطه را تعیین می کند و مقدار آن بین صفر و یک است:
A={(x,μA (x) )|x€ X }

همچنین به عنوان یک مجموعه متناهی از عناصر، برای عبارت بلند قد می توان زیر مجموعه فازی ذیل را تعریف کرد:
{ ( 8،1 )، ( 1، 705 )، ( 1، 7 )، (875،65 )، ( 05، 6 )،( 0125، 55 )،(0 ، 5 )}= بلند قد
در این مجموعه فازی، علامت "، " درجه عضویت را از اعداد مربوطه به قد افراد جدا می سازد.

✅جهت حمایت از ما کانال را به دیگران معرفی کنید.
@Pythonforeveryone