🆕️میخاین یه متن از تصویر استخراج کنید
میتونید از برنامه زیر استفاده کنید 🥳

python
import cv2
import pytesseract

def extract_text_from_image(image_path):
image = cv2.imread(image_path)
text = pytesseract.image_to_string(image)
return text

image_path = 'image.jpg'
extracted_text = extract_text_from_image(image_path)
print(extracted_text)`

❗️❗️برای استفاده ازش یادتون باشه کتابخانه های

(pytesseract)و ( OpenCV)

رو دانلود کنید ❕️

دانلود نکردیم نکن برنامه کار نمیکنه😒

اگه پشماتون ریخت به کانال زیر یه سر بزن و عضو شو ☺️

🔗https://t.iss.one/hamidpython123

به دوستانتم معرفیش کن نامردی تا چه حد 😤

🆕️در مورد عملگرا
⁉️عملگرا چیزایی هستند که موقعی که بخاین عملیات ریاضی یا منطقی روی دوتا مقدار انجام بدین به کارتون میان پایین بیشتر توضیح داده‌شده 👇

1. عملگرهای محاسباتی (Arithmetic Operators):
این عملگرها برای انجام عملیات ریاضی مانند جمع، تفریق، ضرب، تقسیم و... استفاده می‌شوند.

مثال:

   a = 10
   b = 3

    جمع
   print(a + b)  # Output: 13

    تفریق
   print(a - b)  # Output: 7

    ضرب
   print(a * b)  # Output: 30

   تقسیم
   print(a / b)  # Output: 3.3333

    باقیمانده
   print(a % b)  # Output: 1

   توان
   print(a ** b) # Output: 1000

   تقسیم صحیح
   print(a // b) # Output: 3
   

2. عملگرهای مقایسه‌ای (Comparison Operators):
این عملگرها برای مقایسه دو مقدار و بررسی روابط مانند برابری، بزرگتری، کوچکتری و... مورد استفاده قرار می‌گیرند.

مثال:

   a = 10
   b = 3

    برابر
   print(a == b)  # Output: False

    نابرابر
   print(a != b)  # Output: True

    بزرگتر
   print(a > b)   # Output: True

    کوچکتر
   print(a < b)   # Output: False

    بزرگتر یا مساوی
   print(a >= b)  # Output: True

    کوچکتر یا مساوی
   print(a <= b)  # Output: False
   

3. عملگرهای منطقی (Logical Operators):**
این عملگرها برای انجام عملیات منطقی مانند AND، OR و NOT بر روی مقادیر منطقی استفاده می‌شوند.

مثال:

   a = True
   b = False

   # and منطقی
   print(a and b)  # Output: False

   # or منطقی
   print(a or b)   # Output: True

   # not منطقی
   print(not a)    # Output: False
   

🔗اگه این توضیحات به کارتون اومد توی کانال ما عضو شید❤️

🔗https://t.iss.one/hamidpython123

#اموزش

به سری مثال ازشون اگه بخاین ایناست

🆕️در اینجا به معرفی انواع عملگرها و مثال‌هایی از هر یک می‌پردازیم.❗️

1. عملگرهای محاسباتی (Arithmetic Operators)
عملگرهای محاسباتی برای انجام عملیات ریاضی استفاده می‌شوند:

a = 10
b = 3

print(a + b)  # جمع: 13
print(a - b)  # تفریق: 7
print(a * b)  # ضرب: 30
print(a / b)  # تقسیم: 3.3333
print(a % b)  # باقیمانده: 1
print(a ** b)  # توان: 1000
print(a // b)  # تقسیم صحیح: 3

2. عملگرهای مقایسه‌ای (Comparison Operators)
عملگرهای مقایسه‌ای برای مقایسه دو مقدار استفاده می‌شوند:

a = 10
b = 3

print(a == b)  # برابر: False
print(a != b)  # نابرابر: True
print(a > b)   # بزرگتر: True
print(a < b)   # کوچکتر: False
print(a >= b)  # بزرگتر یا مساوی: True
print(a <= b)  # کوچکتر یا مساوی: False

3. عملگرهای منطقی (Logical Operators)
عملگرهای منطقی برای انجام عملیات منطقی استفاده می‌شوند:

a = True
b = False

print(a and b)  # and منطقی: False
print(a or b)   # or منطقی: True
print(not a)    # not منطقی: False

4. عملگرهای انتسابی (Assignment Operators)
عملگرهای انتسابی برای اختصاص مقادیر به متغیرها استفاده می‌شوند:

a = 10

a += 3
print(a)  # جمع و اختصاص: 13

a -= 3
print(a)  # تفریق و اختصاص: 10

a *= 3
print(a)  # ضرب و اختصاص: 30

a /= 3
print(a)  # تقسیم و اختصاص: 10.0

a %= 3
print(a)  # باقیمانده و اختصاص: 1.0

a **= 2
print(a)  # توان و اختصاص: 1.0

a //= 2
print(a)  # تقسیم صحیح و اختصاص: 0.0

5. عملگرهای بیتی (Bitwise Operators)
عملگرهای بیتی برای کار با بیت‌ها استفاده می‌شوند:

a = 10  # در مبنای باینری: 1010
b = 4   # در مبنای باینری: 0100

print(a & b)  # AND بیتی: 0 (0000)
print(a | b)  # OR بیتی: 14 (1110)
print(a ^ b)  # XOR بیتی: 14 (1110)
print(~a)     # NOT بیتی: -11
print(a << 2) # شیفت به چپ: 40 (101000)
print(a >> 2) # شیفت به راست: 2 (0010)

6. عملگرهای عضویت (Membership Operators)
عملگرهای عضویت برای بررسی وجود یک عنصر در یک مجموعه استفاده می‌شوند:

a = [1, 2, 3, 4, 5]

print(3 in a)      # عضو بودن: True
print(6 not in a)  # عضو نبودن: True

7. عملگرهای هویت (Identity Operators)
عملگرهای هویت برای بررسی هویت دو شیء استفاده می‌شوند:

a = [1, 2, 3]
b = a
c = [1, 2, 3]

print(a is b)      # هویت یکسان: True
print(a is c)      # هویت متفاوت: False
print(a is not c)  # هویت متفاوت: True

این مثال‌ها به شما کمک می‌کند تا با انواع عملگرها در پایتون آشنا شوید و از آنها در برنامه‌های خود استفاده کنید.

🟥اگه این آموزش به کارتون میاد اینجا عضو شید و مارو به دوستانتون که میخان پایتون یاد بگیرن معرفی کنی 🙏

🔗https://t.iss.one/hamidpython123

# اموزش

🆕️سیستم لگ میزنه❓️ میخای اطلاعات Cpu رو ببینی اینو میتونی استفاده کنی❗️

import time

def get_cpu_info():
    
    stream = os.popen('top -bn1 | grep "Cpu(s)"')
    output = stream.read()
    
    
    os.system('cls' if os.name == 'nt' else 'clear')

    
    print("CPU Usage Information:")
    print(output.strip())

if __name__ == "__main__":
    while True:
        get_cpu_info()
        time.sleep(1)

🔺️دوستان اگه این به کارتون اومد در کانال من عضو بشین😁
🔗https://t.iss.one/hamidpython123

آموزش کامل True و False در پایتون

🆕️سلام به همه‌ی اعضای عزیز چنل!🫡
امروز می‌خوایم درباره‌ی مفاهیم True و False در پایتون صحبت کنیم. این دو مقدار پایه و اساس برنامه‌نویسی شرطی هستند و نقش بسیار مهمی در منطق برنامه‌ها دارند. با ما همراه باشید تا به طور کامل با این مفاهیم آشنا بشیم.❗️

مقدمه

در پایتون، True و False نمایانگر مقادیر بولی (Boolean) هستند. مقادیر بولی دو حالت دارند: یا صحیح (True) هستند یا غلط (False). این مقادیر معمولاً در شرط‌ها و حلقه‌ها برای تصمیم‌گیری و کنترل جریان برنامه استفاده می‌شوند.

تعریف و استفاده از مقادیر بولی

a = True
b = False

در کد بالا، متغیر a مقدار True و متغیر b مقدار False را دارند. این مقادیر را می‌توان مستقیماً در شرط‌ها و عبارات منطقی استفاده کرد.

عبارات شرطی

عبارات شرطی یکی از کاربردهای اصلی مقادیر بولی هستند. در ادامه مثال‌هایی از استفاده‌ی True و False در شرط‌ها را مشاهده می‌کنید.

ساختار if

if a:
    print("a is True")
else:
    print("a is False")

در این مثال، چون a مقدار True دارد، خروجی "a is True" خواهد بود.

عملگرهای مقایسه‌ای

عملگرهای مقایسه‌ای مقادیری بولی را تولید می‌کنند. مثال:

x = 5
y = 10

print(x < y)  # True
print(x > y)  # False

عملگرهای منطقی

در پایتون، از عملگرهای منطقی and، or و not برای ترکیب و معکوس کردن مقادیر بولی استفاده می‌شود.

عملگر and

a = True
b = False

print(a and b)  # False
print(a and True)  # True

عملگر and فقط وقتی مقدار True برمی‌گرداند که هر دو طرف آن True باشند.

عملگر or


a = True
b = False

print(a or b)  # True
print(b or False)  # False

عملگر or وقتی مقدار True برمی‌گرداند که حداقل یکی از طرف‌های آن True باشد.

عملگر not

a = True
b = False

print(not a)  # False
print(not b)  # True

عملگر not مقدار بولی را معکوس می‌کند.

مقداردهی صحیح به متغیرها

در پایتون، مقادیری مثل اعداد، رشته‌ها و لیست‌ها هم می‌توانند به مقادیر بولی تبدیل شوند. قواعد تبدیل به این صورت است که هر چیزی که تهی (empty) نباشد True است و هر چیزی که تهی باشد False است.

مثال‌هایی از مقادیر True و False

print(bool(1))  # True
print(bool(0))  # False
print(bool("Hello"))  # True
print(bool(""))  # False
print(bool([1, 2, 3]))  # True
print(bool([]))  # False

استفاده در حلقه‌ها

مقادیر بولی در حلقه‌ها نیز بسیار کاربرد دارند. به مثال زیر توجه کنید:

حلقه while

count = 0

while count < 5:
    print(count)
    count += 1

در اینجا، حلقه تا وقتی که شرط count < 5 مقدار True دارد، ادامه پیدا می‌کند.

تابع‌های بازگشتی مقادیر بولی

بسیاری از توابع در پایتون مقادیر بولی برمی‌گردانند. به چند مثال توجه کنید:

تابع isalpha()

این تابع بررسی می‌کند که آیا رشته فقط شامل حروف است یا خیر.

s = "Hello"
print(s.isalpha())  # True

s = "Hello123"
print(s.isalpha())  # False

تابع isdigit()

این تابع بررسی می‌کند که آیا رشته فقط شامل اعداد است یا خیر.

s = "12345"
print(s.isdigit())  # True

s = "12345a"
print(s.isdigit())  # False

نتیجه‌گیری❗️

مفاهیم True و False در پایتون اساسی هستند و در هر جایی که نیاز به تصمیم‌گیری یا کنترل جریان برنامه دارید، به کار می‌روند. آشنایی با این مفاهیم و استفاده صحیح از آنها به شما کمک می‌کند تا برنامه‌های پیچیده‌تری بنویسید و منطق برنامه‌نویسی خود را بهبود دهید.

امیدوارم این آموزش براتون مفید بوده باشه. 🙏

اگه این آموزشو دوست داشتی این کانال داخلش عضو شو👇

🔗https://t.iss.one/hamidpython123

#اموزش

میدونستید ما یک گروه دیگه هم داریم؟؟☺️❤️
https://t.iss.one/programmingpythons

❗️به گروه ها برای مشاوره گرفتن از برنامه نویسان بپیوندید☝️

🆕️حلقه‌ها در پایتون (با نام های حلقه یا حلقه های حلقه) یک ساختار کنترل جریان است که اجازه می‌دهد تا یک قطعه کد را تکرار کنید تا زمانی که یک شرط خاص برقرار باشد.

در پایتون، دو نوع حلقه اصلی وجود دارد:
1. حلقه for: این نوع حلقه به شما اجازه می‌دهد بر روی یک مجموعه از عناصر (مثل لیست، رشته، تاپل و غیره) حرکت کنید و برای هر عنصر، یک عمل مشخص را انجام دهید.
مثال:

    print(i)

2. حلقه while: این نوع حلقه تا زمانی که یک شرط مشخص را ارضا می‌کند، ادامه دارد.
مثال:

while num < 5:
    print(num)
    num += 1

حلقه‌ها یک ابزار قدرتمند برای تکرار عملیات است و به شما کمک می‌کنند تا کدهایتان را بهبود دهید و تکراری نشوند. از آن‌ها برای پیمایش لیست‌ها، اعمال بر روی هر عنصر یک لیست و یا بهبود کد مورد استفاده استفاده می‌کنید. 🔄🐍
برا آموزش های بیشتر و معرفی کد های کار بردی
داخل چنلمون عضو شید خواهش میکنم😭تولو خدا

🔗https://t.iss.one/programming_persian

🆕️ببینید چی آوردم براتون نصف شبی ❗️

👋 افزونه‌های مفید برای برنامه‌نویسان در Visual Studio Code:

1. Prettier: برای فرمت کردن خودکار کد
2. ESLint: بررسی استایل نوشتاری کد با استانداردهای خاص
3. Bracket Pair Colorizer: رنگ‌آمیزی جفت قوس‌ها برای راحتی در خوانایی کد
4. GitLens: نمایش اطلاعات گیت و خطوط تغییر در کد
5. Live Server: اجرای و پیش‌نمایش وبسایت‌ها به صورت لحظه‌ای
6. Path Intellisense: تکمیل خودکار مسیر فایل‌ها در کد نویسی
7. Code Spell Checker: بررسی املای صحیح کلمات در کدها
8. Color Highlight: نمایش رنگ کدها در کدنویسی CSS و فایل‌های مشابه
9. Docker: پشتیبانی از توسعه محیط‌های کانتینری Docker

امیدوارم این افزونه‌ها بهتون کمک کننده باشند! 🚀
داخل این کانال ما عضوشید نامردیه بخونی بری

😭🔗https://t.iss.one/hamidpython123

🤣چی آوردم براتون
میخاین با رفیقاتون شوخی کنید و بزاریدشون سرکار یه پکیج باحال دارم براتون 👇
اول از همه باید پکیج pyinstaller رو نصب کنید برای این کار دکمه win + R رو بگیرین تو صفحه واز شده cmd رو بزنید حالا با دستور

pip install pyinstaller

پکیج رو نصب کنید وداخل کامپیوتر این کد رو بزنید و ران کنید

import pyautogui as pag

import random
import time
mousemoves = 0
while mousemoves <= 100:
    mouse_x = random.randint(900, 1500)
    mouse_y = random.randint(400, 800)
    pag.moveTo(mouse_x, mouse_y, 0.2)
    time.sleep(0.01)
    mousemoves += 1

این کد موس دوستتون و به صورت رندوم چند جای صفحه میبره خود کار و دوستتون کلا باید بشینه یه چند دیقه به مانیتور نگاه کنه فقط 🤣

یه نکته :
این قسمت تعداد حرکت های موس رو تنظیم میکنه



while mousemoves <= 100:

حالا دیگه چنلموبه دوستات معرفی کن
البته فکر نکنم اینکارو کنی اونام از این یاد میگیرن😂

🔗https://t.iss.one/hamidpython123

🟥نظری دارید بگید چی بزارم دیگه
چیزی دیگه به زهنم نمیرسه فعلا 🥺

ساعت ۸ شب رای گیری تموم میشه

🆕️یه مشکل کلا ما داریم که وقتی داریم کارای ... .
مامان بابا هامون یه دفعه میان تو اتاق درسته 😤
❗️راه حلشو براتون آوردم 🥳

یه برنامه که وقتی اجراش کنید یه قابلیت اضافه می‌کنه که وقتی دکمه win + F5 رو بزنید تمام برنامه های بازتون رو میبنده و یک نوت میسازه و همشونو توش لیست میکنه 😁

کتابخانه های مورد نیاز با دستور زیر نصب میشن

pip install keyboard
pip install psutil

خود کد کاربردی هم

import psutil
import keyboard
import tkinter as tk
from tkinter import messagebox
import subprocess
import os

class App:
    def __init__(self, root):
        self.root = root
        self.root.title("Switcher")
        
        self.var = tk.IntVar()
        self.checkbox = tk.Checkbutton(root, text="Enable Win+F5", variable=self.var, command=self.toggle)
        self.checkbox.pack(pady=20)
        
        self.is_enabled = False
        self.process_list = []

    def toggle(self):
        self.is_enabled = not self.is_enabled
        if self.is_enabled:
            messagebox.showinfo("Info", "Win+F5 is enabled")
            keyboard.add_hotkey('win+f5', self.close_apps)
        else:
            messagebox.showinfo("Info", "Win+F5 is disabled")
            keyboard.remove_hotkey('win+f5')

    def close_apps(self):
        self.process_list.clear()
        for proc in psutil.process_iter(attrs=['pid', 'name']):
            try:
                if proc.info['name'] not in ['explorer.exe', 'python.exe', 'System Idle Process']:
                    proc.kill()
                    self.process_list.append(proc.info['name'])
            except (psutil.NoSuchProcess, psutil.AccessDenied, psutil.ZombieProcess):
                pass
        self.write_to_notepad()

    def write_to_notepad(self):
        notepad_path = "C:\\Windows\\system32\\notepad.exe"
        with open("closed_apps.txt", "w") as f:
            f.write("Closed Applications:\n")
            for name in self.process_list:
                f.write(name + "\n")
        subprocess.Popen([notepad_path, "closed_apps.txt"])

if __name__ == "__main__":
    root = tk.Tk()
    app = App(root)
    root.mainloop()

🟥البته که پسرا بهتر کار برد این کد رو میدونن 🥛😐
👇پس اینجا عضو شید برای کد های کار بردی بیشتر 👇
🔗https://t.iss.one/hamidpython123

نتیجه نهایی نظر سنجی آموزش کار با کتابخانه های پایتون
البته اینجا ما در باره کاربرد و مثال هایی از ۱۰ کتابخانه برتر پایتون هم تحقیق کردیم و اطلاعات ازش براتون گذاشتیم
صبح تا حالا دارم تحقیق میکنم این پیامو برای دوستاتون بفرستین اینجا عضو شن خدایی گناه دارم🥲🥺

🆕️اینام ۱۰ کتابخانه برتر و مثال و کار هایی که می‌کنند
همونطور که گفتم👇

1. NumPy
کاربردها:
- عملیات عددی کارآمد بر روی آرایه‌ها و ماتریس‌ها
- انجام محاسبات علمی و مهندسی
- تولید اعداد تصادفی
- انجام عملیات جبری مانند ضرب ماتریسی، تبدیل فوریه، و غیره

import numpy as np

# ایجاد آرایه و انجام عملیات عددی
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
print(a + b)  # جمع آرایه‌ها

# محاسبات علمی
matrix_a = np.array([[1, 2], [3, 4]])
matrix_b = np.array([[5, 6], [7, 8]])
print(np.dot(matrix_a, matrix_b))  # ضرب ماتریسی

# تولید اعداد تصادفی
random_numbers = np.random.rand(3, 3)
print(random_numbers)

# تبدیل فوریه
signal = np.array([1, 2, 1, 0, 1, 2, 1, 0])
fourier_transform = np.fft.fft(signal)
print(fourier_transform)

2. Pandas
کاربردها:
- تحلیل داده‌های ساختاریافته و نیمه‌ساختاریافته
- عملیات بر روی جداول داده
- پاکسازی داده‌ها
- تحلیل‌های آماری
- عملیات گروه‌بندی و پیوتینگ

import pandas as pd

# ایجاد DataFrame و تحلیل داده‌ها
data = {'name': ['Alice', 'Bob'], 'age': [25, 30]}
df = pd.DataFrame(data)
print(df.describe())  # نمایش خلاصه آماری داده‌ها

# پاکسازی داده‌ها
df['age'] = df['age'].replace(25, 26)
print(df)

# عملیات گروه‌بندی
data = {'name': ['Alice', 'Bob', 'Alice'], 'age': [25, 30, 26], 'score': [85, 90, 88]}
df = pd.DataFrame(data)
grouped = df.groupby('name').mean()
print(grouped)

3. Matplotlib
کاربردها:
- ترسیم نمودارها و گراف‌ها
- مصورسازی داده‌ها
- ایجاد انواع مختلف نمودار مانند خطی، میله‌ای، پراکنده و غیره

import matplotlib.pyplot as plt

# نمودار خطی
x = [1, 2, 3, 4]
y = [10, 20, 25, 30]
plt.plot(x, y)
plt.title("Linear Plot")
plt.xlabel("X-axis")
plt.ylabel("Y-axis")
plt.show()

# نمودار میله‌ای
labels = ['A', 'B', 'C']
values = [10, 20, 15]
plt.bar(labels, values)
plt.title("Bar Chart")
plt.show()

# نمودار پراکنده
x = [1, 2, 3, 4, 5]
y = [10, 20, 25, 30, 35]
plt.scatter(x, y)
plt.title("Scatter Plot")
plt.show()

4. Scikit-Learn
کاربردها:
- پیاده‌سازی الگوریتم‌های یادگیری ماشین
- آموزش و ارزیابی مدل‌های یادگیری
- پیش‌پردازش داده‌ها
- انجام عملیات خوشه‌بندی، دسته‌بندی و رگرسیون

from sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# تولید داده‌ها و پیاده‌سازی الگوریتم رگرسیون خطی
X, y = make_regression(n_samples=100, n_features=1, noise=0.1)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

model = LinearRegression()
model.fit(X_train, y_train)

# پیش‌بینی و ارزیابی مدل
y_pred = model.predict(X_test)
print(mean_squared_error(y_test, y_pred))

# پیش‌پردازش داده‌ها
from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
print(X_scaled)

# خوشه‌بندی
from sklearn.cluster import KMeans

kmeans = KMeans(n_clusters=3)
kmeans.fit(X)
print(kmeans.labels_)

5. TensorFlow
کاربردها:
- پیاده‌سازی شبکه‌های عصبی
- توسعه مدل‌های یادگیری عمیق
- آموزش مدل‌های پیچیده
- انجام پردازش موازی و کار با GPU

import tensorflow as tf

# ایجاد و آموزش یک مدل شبکه عصبی ساده
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(128, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

# آموزش مدل با داده‌های MNIST
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model.fit(x_train.reshape(-1, 784), y_train, epochs=5)
model.evaluate(x_test.reshape(-1, 784), y_test)
``


 6. Keras
کاربردها:
- ساخت مدل‌های یادگیری عمیق به سادگی
- رابط کاربری سطح بالا برای TensorFlow
- ایجاد و آموزش شبکه‌های عصبی پیچیده

python
from keras.models import Sequential
from keras.layers import Dense
from keras.datasets import mnist
from keras.utils import to_categorical

max'))

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# آموزش مدل با داده‌های MNIST
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
y_train, y_test = to_categorical(y_train), to_categorical(y_test)

model.fit(x_train.reshape(-1, 784), y_train, epochs=5)
model.evaluate(x_test.reshape(-1, 784), y_test)

7. Flask
کاربردها:
- توسعه وب اپلیکیشن‌های سبک و کوچک
- ساخت API های RESTful
- پیاده‌سازی سریع پروتوتایپ‌ها

from flask import Flask, request, jsonify

app = Flask(__name__)

@app.route('/')
def home():
    return "Hello, Flask!"

@app.route('/api', methods=['POST'])
def api():
    data = request.json
    return jsonify(data)

if __name__ == '__main__':
    app.run(debug=True)

8. Django
کاربردها:
- توسعه وب اپلیکیشن‌های بزرگ و پیچیده
- مدیریت پایگاه داده و ORM
- ایجاد و مدیریت پنل‌های ادمین

# در پروژه Django باید از طریق خط فرمان کدهای مربوطه را اجرا کنید

# ایجاد یک پروژه جدید
# django-admin startproject myproject

# ایجاد یک اپلیکیشن جدید
# python manage.py startapp myapp

# کدهای مربوط به views.py در اپلیکیشن
from django.http import HttpResponse

def home(request):
    return HttpResponse("Hello, Django!")

# تنظیم URL ها در urls.py
from django.urls import path
from . import views

urlpatterns = [
    path('', views.home, name='home'),
]

9. OpenCV
کاربردها:
- پردازش تصویر و ویدئو
- تشخیص الگو و شیء
- پیاده‌سازی الگوریتم‌های بینایی ماشین

import cv2

# خواندن و نمایش یک تصویر
image = cv2.imread('path/to/image.jpg')
cv2.imshow('Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

# تبدیل تصویر به خاکستری
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow('Gray Image', gray_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

10. Beautiful Soup
کاربردها:
- استخراج داده‌ها از صفحات وب
- پارس کردن HTML و XML
- استخراج داده‌های ساختاریافته از محتوای وب

from bs4 import BeautifulSoup
import requests

# ارسال درخواست و دریافت محتوا
response = requests.get('https://example.com')
soup = BeautifulSoup(response.content, 'html.parser')

# استخراج عنوان صفحه
title = soup.find('title').get_text()
print(title)

# استخراج تمام لینک‌ها
links = soup.find_all('a')
for link in links:
    print(link.get('href'))

🔺️این نمونه‌ها کاربردهای رایج هر کتابخانه را نشان می‌دهند و می‌توانند به شما در شروع کار با هر یک از این کتابخانه‌ها کمک کنن❗️

🟥اگه مفید بود کانال منو به دوستاتون معرفی کنید و اگه خودتون غضو نشدین عضو شین 😁

🔗https://t.iss.one/boost/hamidpython123

🆕️برای استفاده از کتابخانه‌ها در پایتون، به ترتیب مراحل زیر را دنبال کنید

1. نصب کتابخانه
ابتدا باید کتابخانه مورد نظر را نصب کنید. برای این کار از ابزار مدیریت بسته‌های پایتون (PIP) استفاده می‌شود. در خط فرمان دستور زیر را وارد کنید:

pip install library_name

به جای library_name نام کتابخانه مورد نظر را وارد کنید.

2. وارد کردن کتابخانه
پس از نصب کتابخانه، باید آن را در کد پایتون خود وارد کنید. برای این کار از دستور import استفاده می‌شود:

import library_name

به جای library_name نام کتابخانه مورد نظر را وارد کنید.

3. استفاده از توابع و قابلیت‌های کتابخانه
پس از وارد کردن کتابخانه، می‌توانید از توابع و قابلیت‌های آن استفاده کنید. معمولاً مستندات کتابخانه حاوی اطلاعات کامل و مثال‌هایی است که به شما در استفاده از آن کمک می‌کند. در اینجا مثال‌هایی برای کتابخانه‌های پرکاربرد آورده شده است

NumPy
کاربرد: عملیات عددی و محاسبات علمی

import numpy as np

 ایجاد آرایه
a = np.array([1, 2, 3, 4])
print(a)

 عملیات ریاضی
b = np.array([5, 6, 7, 8])
print(a + b)

Pandas
کاربرد: تحلیل داده‌ها

import pandas as pd

 ایجاد DataFrame
data = {'name': ['John', 'Anna'], 'age': [28, 24]}
df = pd.DataFrame(data)
print(df)

 فیلتر کردن داده‌ها
print(df[df['age'] > 25])

Matplotlib
کاربرد: مصورسازی داده‌ها

import matplotlib.pyplot as plt

 نمودار خطی
x = [1, 2, 3, 4]
y = [10, 20, 25, 30]
plt.plot(x, y)
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.title('Linear Plot')
plt.show()

Scikit-Learn
کاربرد: یادگیری ماشین

from sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

 تولید داده‌ها
X, y = make_regression(n_samples=100, n_features=1, noise=0.1)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

 مدل رگرسیون خطی
model = LinearRegression()
model.fit(X_train, y_train)

 پیش‌بینی و ارزیابی مدل
y_pred = model.predict(X_test)
print(mean_squared_error(y_test, y_pred))

TensorFlow
کاربرد: یادگیری عمی

import tensorflow as tf

 ایجاد مدل شبکه عصبی
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(128, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

 بارگیری داده‌های MNIST
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

 آموزش مدل
model.fit(x_train.reshape(-1, 784), y_train, epochs=5)
model.evaluate(x_test.reshape(-1, 784), y_test)

Keras
کاربرد: ساخت شبکه‌های عصبی

from keras.models import Sequential
from keras.layers import Dense
from keras.datasets import mnist
from keras.utils import to_categorical

# مدل شبکه عصبی
model = Sequential()
model.add(Dense(128, activation='relu', input_shape=(784,)))
model.add(Dense(10, activation='softmax'))

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# بارگیری داده‌های MNIST
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
y_train, y_test = to_categorical(y_train), to_categorical(y_test)

# آموزش مدل
model.fit(x_train.reshape(-1, 784), y_train, epochs=5)
model.evaluate(x_test.reshape(-1, 784), y_test)

Flask
کاربرد: توسعه وب اپلیکیشن‌ها

from flask import Flask, request, jsonify

app = Flask(__name__)

@app.route('/')
def home():
    return "Hello, Flask!"

@app.route('/api', methods=['POST'])
def api():
    data = request.json
    return jsonify(data)

if __name__ == '__main__':
    app.run(debug=True)

Django
کاربرد: توسعه وب اپلیکیشن‌های بزرگ
برای استفاده از Django، باید پروژه و اپلیکیشن را از طریق خط فرمان ایجاد کنید:

# ایجاد یک پروژه جدید
django-admin startproject myproject

# ورود به دایرکتوری پروژه
cd myproject

# ایجاد یک اپلیکیشن جدید
python manage.py startapp myapp

# تنظیمات اولیه و اجرای سرور
python manage.py runserver

### OpenCV
کاربرد: پردازش تصویر و ویدئو

import cv2

# خواندن و نمایش یک تصویر
image = cv2.imread('path/to/image.jpg')
cv2.imshow('Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

# تبدیل تصویر به خاکستری
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow('Gray Image', gray_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

Beautiful Soup
کاربرد: استخراج داده‌ها از صفحات وب

from bs4 import BeautifulSoup
import requests

 # ارسال درخواست و دریافت محتوا
response = requests.get('https://example.com')
soup = BeautifulSoup(response.content, 'html.parser')

# استخراج عنوان صفحه
title = soup.find('title').get_text()
print(title)

# استخراج تمام لینک‌ها
links = soup.find_all('a')
for link in links:
    print(link.get('href'))

🟥این راهنماهای کوتاه باید به شما کمک کند تا با نحوه استفاده از این کتابخانه‌های پرکاربرد آشنا شوید😁

🔗https://t.iss.one/boost/hamidpython123