معرفی چند سایت خوب برای یادگیری پایتون

🔹https://calmcode.io/

🔹https://superfastpython.com/

🔹https://realpython.com/

#Python



🆔 @code_pedia

📚 Introduction to Computer Programming with Python (2024)

#python


🆔 @code_pedia

اگه میخواهید یک code interpreter یا دستیار برای کد نویسی داشته باشید Qwen-2.5-Coder 1.5B خیلی خوبه. کاملا آفلاین/لوکال و توی خود browser، سریع، و دقتش هم خیلی خوب هست.
Github: https://github.com/cfahlgren1/qwen-2.5-code-interpreter


#python #machinelearning #deeplearning #artificialintelligence
#AI #LLM #ML #Machine_Learning

🆔 @code_pedia

کتابخانه های پایتون مورد استفاده در حوزه علم داده

🔹پردازش داده‌:

CuPy
Datatable
Vaex
Pandas
Modin
Polars
NumPy

🔹 تحلیل آماری:

SciPy
PyMC3
PyStan
Statsmodels
Lifelines
Pingouin

🔹 مصورسازی داده‌ها:

Plotly
Altair
Matplotlib
Seaborn
Geoplotlib
Pygal
Folium
Bokeh

🔹 پایگاه داده:

Dask
PySpark
Ray
Koalas
Kafka
Hadoop

🔹 استخراج داده‌ها از وب:

Beautiful Soup
Scrapy
Octoparse
Selenium


#DataAnalytics #python #programming




🆔 @code_pedia

یادگیری پایتون برای پروژه های علم داده

در این دوره Tatev و Vahe به شما Python for Data Science را آموزش می دهند. پروژه‌ها را می‌سازید و در مورد تجزیه و تحلیل داده‌های اکتشافی، آزمایش AB، هوش تجاری و موارد دیگر یاد خواهید گرفت

www.freecodecamp.org/news/learn-python-for-data-science-hands-on-projects-with-eda-ab-testing-business-intelligence/



#DataAnalytics #python #programming

🆔 @code_pedia

یادگیری پایتون برای پروژه های علم داده

در این دوره Tatev و Vahe به شما Python for Data Science را آموزش می دهند. پروژه‌ها را می‌سازید و در مورد تجزیه و تحلیل داده‌های اکتشافی، آزمایش AB، هوش تجاری و موارد دیگر یاد خواهید گرفت

www.freecodecamp.org/news/learn-python-for-data-science-hands-on-projects-with-eda-ab-testing-business-intelligence/



#DataAnalytics #python #programming



🆔 @code_pedia

Learn Python and Machine Learning



#Python #Machine_Learning


🆔 @code_pedia

🔅 Machine Learning with Python: Foundations

در این آموزش اصول یادگیری ماشین و نحوه ایجاد یک مدل یادگیری ماشین با پایتون را یلد خواهید گرفت



#Python #Machine_Learning


🆔 @code_pedia

Free Python ebook for statistics:

؛Think Stats مقدمه ای بر احتمالات و آمار برای برنامه نویسان پایتون است.

اگر مهارت های اولیه در پایتون دارید، می توانید از آن برای یادگیری مفاهیم احتمال و آمار و مهارت های عملی برای کار با داده ها استفاده کنید.



https://allendowney.github.io/ThinkStats/


#pdf #Python

🆔 @code_pedia

منابع رایگان برای یادگیری پایتون

⬗ Free Book - Think Python (O'Reilly)
❯ v2 (PDF)
https://greenteapress.com/thinkpython2/thinkpython2.pdf
❯ v3 (HTML)
https://allendowney.github.io/ThinkPython/

⬘ Free Course - Harvard CS50
https://cs50.harvard.edu/python/

⬖ YouTube - Python for Everybody (freeCodeCamp)
https://www.youtube.com/watch?v=8DvywoWv6fI
➖➖➖➖➖➖➖➖➖➖➖



#Python

🆔 @code_pedia

“Machine Learning using #Python ”

This 366 pages text book for engineering students is now FREE.

🔗 https://ggnindia.dronacharya.info/Downloads/Sub-info/RelatedBook/4thSem/Fundamentals-of-AIML-text-book-4.pdf




#یادگیری_ماشین #Machine_Learning

🆔 @code_pedia

🐍 نکات و ترفندهای پایتون

امروز با ۴ تکنیک کاربردی #پایتون آشنا می‌شوید که کدهایتان را حرفه‌ای‌تر می‌کند:

🔄 تعویض مقادیر بدون متغیر موقت

a, b = 10, 20
a, b = b, a  # حالا a=20 و b=10

📋 چک کردن چند شرط به زیبایی

color = "red"
if color in ["red", "blue", "green"]:
    print("رنگ معتبر است")

🔤 اتصال رشته‌ها با کارایی بالا

words = ["Python", "Tips", "Tricks"]
result = " ".join(words)  # "Python Tips Tricks"

🎯 بازیابی آخرین عنصر لیست با چسبندگی

numbers = [1, 2, 3, 4, 5]
last = numbers[-1]  # 5
two_last = numbers[-2:]  # [4, 5]

نکته طلایی: از enumerate برای دریافت ایندکس و مقدار همزمان استفاده کنید:

for idx, value in enumerate(["a", "b", "c"]):
    print(f"ایندکس: {idx}, مقدار: {value}")

#Python #Programming #CodingTips #PythonTricks

🆔@code_pedia

🐍 نکات و ترفندهای پایتون

با ۴ تکنیک کاربردی دیگر پایتون آشنا شوید:

🌀 چک کردن یک شرط در تمامی عناصر لیست

numbers = [2, 4, 6, 8]
all_even = all(x % 2 == 0 for x in numbers)  # True

🔄 چرخش و برعکس کردن رشته‌ها

text = "Python"
reversed_text = text[::-1]  # "nohtyP"

💡 استفاده از get() برای دیکشنری‌ها

data = {"name": "Ahmed", "age": 25}
city = data.get("city", "قاهره")  # "قاهره"

🔢 تولید اعداد تصادفی با seed ثابت

import random
random.seed(42)
print(random.randint(1, 100))  # همیشه یک عدد ثابت

نکته طلایی:** از zip برای پیمایش همزمان چند لیست استفاده کنید:

names = ["Ali", "Sara"]
ages = [25, 30]
for name, age in zip(names, ages):
    print(f"{name}: {age} سال")

#Python #Programming #CodingTips #PythonTricks

🆔@code_pedia

🐍 آنچه در پایتون ۳.۱۴ جدید است

پایتون ۳.۱۴ با بهبودهای عملکردی و قابلیت‌های جدید ارائه شده است:

⚡ بهبودهای عملکرد:
•سرعت اجرای کلی ۵-۱۰٪ افزایش یافته
•بهینه‌سازی مدیریت حافظه
•بهبود عملکرد ماژول‌های استاندارد

🆕 ویژگی‌های جدید زبان:
•سینتکس پیشرفته برای pattern matching
•قابلیت‌های جدید نوع‌دهی (Type Hints)
•بهبود مدیریت خطاها

📚 کتابخانه استاندارد:
•اضافه شدن ماژول graphlib برای کار با گراف
•بهبودهای asyncio برای برنامه‌نویسی ناهمگام
•اضافه شدن توابع کمکی جدید در itertools

🔧 تغییرات مهم:

· حذف برخی ماژول‌های منسوخ شده
· تغییرات در APIهای قدیمی
· به روزرسانی ماژول‌های امنیتی

💡 نکات مهاجرت:
•تست کامل کدهای موجود قبل از ارتقا
•بررسی تغییرات ماژول‌های استفاده شده
•به روزرسانی نوع‌دهی‌ها

این نسخه بر بهبود عملکرد و توسعه‌پذیری متمرکز است.

#Python #Python314 #Programming #WhatsNew #Coding

🆔@code_pedia

💌 چالش هفتگی: من به دوستم یک نامه فرستادم!

یک چالش برنامه‌نویسی جالب برای تقویت مهارت‌های کدنویسی:

🎯 هدف چالش:
برنامه‌ای بنویسید که یک نامه عاشقانه قدیمی را به صورت دیجیتال تولید کند

🛠 تکنیک‌های مورد استفاده:
- تولید متن تصادفی
- قالب‌بندی خروجی
- کار با تاریخ و زمان
- مدیریت رشته‌ها

💡 مثال خروجی:

عزیزم،
امروز 20 مهر 1403 است
و من همچنان تو را 
به یاد می‌آورم...

🚀 سطح: مبتدی - متوسط

#CodingChallenge #Programming #BeginnerFriendly #Python

🆔@code_pedia

🎲 کاربردهای ماژول Random در پایتون

ماژول random پایتون برای تولید اعداد و انتخاب‌های تصادفی:

🔧 کاربردهای عملی:

• تولید عدد تصادفی

import random
print(random.randint(1, 100))  # عدد بین ۱ تا ۱۰۰

• انتخاب تصادفی از لیست

colors = ["قرمز", "آبی", "سبز"]
print(random.choice(colors))  # انتخاب یک رنگ

• ترتیب تصادفی لیست

cards = ["A", "K", "Q", "J"]
random.shuffle(cards)  # برزدن کارت‌ها

• نمونه‌گیری تصادفی

sample = random.sample(range(100), 5)  # ۵ عدد غیرتکراری

🎯 کاربردهای واقعی:

· شبیه‌سازی و بازی‌ها
· تست نرم‌افزار با داده تصادفی
· تقسیم داده برای یادگیری ماشین
· امنیت (توکن‌ها و کلیدها)

#Python #Random #Programming #Coding

🆔@code_pedia

🐍 نکات و ترفندهای پایتون - روز سوم

۴ تکنیک کاربردی دیگر برای حرفه‌ای شدن در پایتون:

🌀 ادغام دیکشنری‌ها (Python 3.9+)

dict1 = {"a": 1, "b": 2}
dict2 = {"c": 3, "d": 4}
merged = dict1 | dict2  # {'a': 1, 'b': 2, 'c': 3, 'd': 4}

🔄 چرخش لیست با سرعت

my_list = [1, 2, 3, 4, 5]
rotated = my_list[-2:] + my_list[:-2]  # [4, 5, 1, 2, 3]

💡 فشرده کردن دو لیست به دیکشنری

keys = ["name", "age", "city"]
values = ["Ali", 25, "Tehran"]
data = dict(zip(keys, values))  # {'name': 'Ali', 'age': 25, 'city': 'Tehran'}

🎯 فیلتر کردن None از لیست

data = [1, None, "hello", None, 42]
cleaned = list(filter(None, data))  # [1, 'hello', 42]

نکته طلایی: استفاده از any() و all() برای چک کردن شرایط:

numbers = [0, 1, 2, 3]
print(any(numbers))  # True (حداقل یک مقدار True)
print(all(numbers))  # False (همه مقادیر True نیستند)

#Python #Programming #CodingTips #PythonTricks

🆔@code_pedia

❄️ فریز کردن اپلیکیشن‌های پایتون: راهنمای کامل

فریز کردن (Freezing) تبدیل اسکریپت‌های پایتون به فایل‌های اجرایی مستقل است.

🎯 ابزارهای محبوب فریز کردن:

• PyInstaller - ساده و چندپلتفرمه

pyinstaller --onefile script.py

• cx_Freeze - قابل تنظیم و سبک

cxfreeze script.py --target-dir dist

• PyOxidizer - مدرن و پرسرعت

pyoxidizer build

🛠️ مزایای فریز کردن:

· اجرا بدون نیاز به نصب پایتون
· توزیع آسان بین کاربران
· محافظت از سورس کد (نسبی)

⚡ نکات مهم:

· تست روی سیستم‌عامل هدف
· مدیریت فایل‌های استاتیک
· بهینه‌سازی حجم فایل نهایی

#Python #Packaging #Freezing #PyInstaller #Development

🆔@code_pedia

🐍 پایتون ۳.۱۴ و پایان GIL: انقلابی در برنامه‌نویسی موازی

پایتون ۳.۱۴ با حذف Global Interpreter Lock (GIL) تحول بزرگی ایجاد می‌کند:

🎯 GIL چیست؟

· قفلی که اجرای همزمان تردها در پایتون را محدود می‌کرد
· مانع اصلی استفاده از چندین هسته CPU
· دلیل کندی برنامه‌های multi-threaded

⚡ تاثیرات حذف GIL:

· اجرای واقعی موازی تردها
· استفاده کامل از چندین هسته پردازنده
· بهبود عملکرد برنامه‌های CPU-intensive

🛠️ مثال عملی:

import threading
import time

def task():
    # حالا واقعاً موازی اجرا می‌شود!
    pass

# اجرای همزمان روی چندین هسته
threads = []
for i in range(4):
    t = threading.Thread(target=task)
    threads.append(t)
    t.start()

💡 مزایای کلیدی:

· سرعت بالاتر برای محاسبات سنگین
· رقابت بهتر با Rust, Go, C++
· امکان پردازش موازی واقعی در Data Science

#Python #GIL #Multithreading #Performance #DataScience

🆔@code_pedia