Media is too big
VIEW IN TELEGRAM
❤1👍1👨💻1
عمرا اگه با کاربرد کلید F8 در ورد آشنا باشی...!
یکی از کلید های تابعی به شدت کاربردی F8 هستش و به نظرم اون قدری که باید بهش توجه میشد تا الان نشده ؛ شما کلید F8 رو تا 5 مرتبه میتونید فشار بدید تا با هر بار فشردن یه قسمتی از متنتون سلکت بشه :)
• دو بار فشردن F8 : انتخاب کلمه
• سه بار فشردن F8 : انتخاب جمله
• چهار بار فشردن F8 : انتخاب پاراگراف
• پنج بار فشردن F8 : انتخاب کل سکشن
• فشردن همزمان F8 + Shift :
- بخش انتخاب شده رو کاهش میده.
https://t.iss.one/programming_python_90
https://t.iss.one/programmingpythons
یکی از کلید های تابعی به شدت کاربردی F8 هستش و به نظرم اون قدری که باید بهش توجه میشد تا الان نشده ؛ شما کلید F8 رو تا 5 مرتبه میتونید فشار بدید تا با هر بار فشردن یه قسمتی از متنتون سلکت بشه :)
• دو بار فشردن F8 : انتخاب کلمه
• سه بار فشردن F8 : انتخاب جمله
• چهار بار فشردن F8 : انتخاب پاراگراف
• پنج بار فشردن F8 : انتخاب کل سکشن
• فشردن همزمان F8 + Shift :
- بخش انتخاب شده رو کاهش میده.
https://t.iss.one/programming_python_90
https://t.iss.one/programmingpythons
❤3🤔1
Server:
Port:
Secret:
@ProxyMTProto
Unknown
Port:
9090
Secret:
FgMBAgABAAH8AwOG4kw63QtY2RueWVrdGFuZXQuY29tZmFyYWthdi5jb212YW4ubmFqdmEuY29tAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA
@ProxyMTProto
❤2
from turtle import *
from random import choice
screen = Screen()
pens = 'black', 'indigo', 'red'
turtles = 'blue', 'green', 'yellow'
bgs = 'white', 'lightgreen', 'lightblue'
t = Turtle('turtle')
t.shapesize(10)
t.speed(0)
t.lt(90)
number = Turtle()
number.ht()
number.pu()
number.goto(-225, 300)
num = 0
number.write(f'${num:.4f}', font=('ffcx', 20))
sh = 10
def turtle(x, y):
global num, sh, pens, turtles, bgs
num += 0.0001
number.clear()
a = choice(pens)
b = choice(bgs)
c = choice(turtles)
number.pencolor(a)
screen.bgcolor(b)
t.color(c)
number.write(f'${num:.4f}', font=('ffcx', 20))
for i in range (1, 5):
if i <= 2:
sh += 1
elif i > 2:
sh -= 1
t.shapesize (sh)
onscreenclick(turtle)
done()
📚 آموزش الگوریتمی برای حل مسائل پیچیده ریاضی در پایتون 📚
سلام دوستان! امروز میخوایم یاد بگیریم چطور یک الگوریتم برای حل مسائل پیچیده ریاضی رو در پایتون پیادهسازی کنیم. این آموزش برای کسانی که میخوان اصول پایه حل مسائل ریاضی با استفاده از الگوریتمها رو بفهمند بسیار مناسب هست.
1. تنظیمات اولیه 🛠️
ابتدا نیاز داریم که کتابخانههای ضروری پایتون رو وارد کنیم. برای این کار از کتابخانهی math و numpy استفاده میکنیم.
نصب numpy
برای نصب numpy از دستور زیر استفاده کنید:
برای حل مسائل پیچیده ریاضی، نیاز به برخی توابع پایهای داریم. در اینجا الگوریتمی برای حل معادلات خطی با استفاده از روش گاوس-ژردن (Gaussian Elimination) رو پیادهسازی میکنیم.
حل معادلات خطی با استفاده از روش گاوس-ژردن
حالا که الگوریتم رو پیادهسازی کردیم، میتونیم اون رو تست کنیم.
تعریف ماتریس A و بردار b
مزایا:
1. دقت بالا: روش گاوس-ژردن دقت بالایی در حل معادلات خطی دارد.
2. سرعت: این الگوریتم نسبت به روشهای دیگر برای حل سیستمهای خطی سریعتر عمل میکند.
3. سادگی پیادهسازی: الگوریتم گاوس-ژردن ساده و قابل فهم است و پیادهسازی آن پیچیدگی زیادی ندارد.
کاربردها:
1. حل مسائل فیزیک و مهندسی: این الگوریتم در حل مسائل مختلف فیزیک و مهندسی که به حل سیستمهای خطی نیاز دارند، استفاده میشود.
2. بهینهسازی: در بسیاری از مسائل بهینهسازی، حل معادلات خطی ضروری است و این الگوریتم کاربرد دارد.
3. مدلسازی مالی: در تحلیلهای مالی و اقتصادی برای مدلسازی و پیشبینی از این الگوریتم استفاده میشود.
https://t.iss.one/programming_python_90
https://t.iss.one/programmingpythons
سلام دوستان! امروز میخوایم یاد بگیریم چطور یک الگوریتم برای حل مسائل پیچیده ریاضی رو در پایتون پیادهسازی کنیم. این آموزش برای کسانی که میخوان اصول پایه حل مسائل ریاضی با استفاده از الگوریتمها رو بفهمند بسیار مناسب هست.
1. تنظیمات اولیه 🛠️
ابتدا نیاز داریم که کتابخانههای ضروری پایتون رو وارد کنیم. برای این کار از کتابخانهی math و numpy استفاده میکنیم.
نصب numpy
برای نصب numpy از دستور زیر استفاده کنید:
pip install numpy2. ایجاد توابع مورد نیاز 📋
برای حل مسائل پیچیده ریاضی، نیاز به برخی توابع پایهای داریم. در اینجا الگوریتمی برای حل معادلات خطی با استفاده از روش گاوس-ژردن (Gaussian Elimination) رو پیادهسازی میکنیم.
حل معادلات خطی با استفاده از روش گاوس-ژردن
import numpy as np3. تست الگوریتم 📈
def gaussian_elimination(A, b):
n = len(b)
M = A
for i in range(n):
M[i] = M[i] / M[i, i]
b[i] = b[i] / M[i, i]
for j in range(i + 1, n):
ratio = M[j, i]
M[j] = M[j] - ratio * M[i]
b[j] = b[j] - ratio * b[i]
x = np.zeros(n)
for i in range(n - 1, -1, -1):
x[i] = b[i] - np.dot(M[i, i + 1:], x[i + 1:])
return x
حالا که الگوریتم رو پیادهسازی کردیم، میتونیم اون رو تست کنیم.
تعریف ماتریس A و بردار b
A = np.array([[2, 1, -1],4. مزایا و کاربردهای استفاده از الگوریتم گاوس-ژردن ✅
[-3, -1, 2],
[-2, 1, 2]], dtype=float)
b = np.array([8, -11, -3], dtype=float)
solution = gaussian_elimination(A, b)
print("راهحل معادلات:")
print(solution)
مزایا:
1. دقت بالا: روش گاوس-ژردن دقت بالایی در حل معادلات خطی دارد.
2. سرعت: این الگوریتم نسبت به روشهای دیگر برای حل سیستمهای خطی سریعتر عمل میکند.
3. سادگی پیادهسازی: الگوریتم گاوس-ژردن ساده و قابل فهم است و پیادهسازی آن پیچیدگی زیادی ندارد.
کاربردها:
1. حل مسائل فیزیک و مهندسی: این الگوریتم در حل مسائل مختلف فیزیک و مهندسی که به حل سیستمهای خطی نیاز دارند، استفاده میشود.
2. بهینهسازی: در بسیاری از مسائل بهینهسازی، حل معادلات خطی ضروری است و این الگوریتم کاربرد دارد.
3. مدلسازی مالی: در تحلیلهای مالی و اقتصادی برای مدلسازی و پیشبینی از این الگوریتم استفاده میشود.
https://t.iss.one/programming_python_90
https://t.iss.one/programmingpythons
❤1👍1🔥1
📚 آموزش ساخت سیستم مکانیابی ساده (GPS) در پایتون بدون ماژولهای خارجی 📚
سلام دوستان! امروز میخوایم یاد بگیریم چطور یک سیستم مکانیابی ساده (GPS) رو بدون استفاده از هیچ ماژول خارجی در پایتون پیادهسازی کنیم. این آموزش برای کسانی که میخوان اصول پایه مکانیابی رو بفهمند بسیار مناسب هست.
1. تنظیمات اولیه 🛠️
ابتدا نیاز داریم که کتابخانههای ضروری پایتون رو وارد کنیم.
2. ایجاد توابع مورد نیاز 📋
برای پیادهسازی سیستم GPS، نیاز به برخی توابع پایهای داریم:
محاسبه فاصله بین دو نقطه جغرافیایی با استفاده از فرمول هاروسین
تعیین موقعیت جغرافیایی ی **📍
فرض کنیم چند موقعیت جغرافیایی داریم و میخواهیم فاصله بین آنها را محاسبه کنیم.
#Python #library
سلام دوستان! امروز میخوایم یاد بگیریم چطور یک سیستم مکانیابی ساده (GPS) رو بدون استفاده از هیچ ماژول خارجی در پایتون پیادهسازی کنیم. این آموزش برای کسانی که میخوان اصول پایه مکانیابی رو بفهمند بسیار مناسب هست.
1. تنظیمات اولیه 🛠️
ابتدا نیاز داریم که کتابخانههای ضروری پایتون رو وارد کنیم.
import math
2. ایجاد توابع مورد نیاز 📋
برای پیادهسازی سیستم GPS، نیاز به برخی توابع پایهای داریم:
محاسبه فاصله بین دو نقطه جغرافیایی با استفاده از فرمول هاروسین
def haversine(lat1, lon1, lat2, lon2):
R = 6371 # شعاع زمین به کیلومتر
dlat = math.radians(lat2 - lat1)
dlon = math.radians(lon2 - lon1)
a = math.sin(dlat / 2) ** 2 + math.cos(math.radians(lat1)) * math.cos(math.radians(lat2)) * math.sin(dlon / 2) ** 2
c = 2 * math.atan2(math.sqrt(a), math.sqrt(1 - a))
distance = R * c
return distance
تعیین موقعیت جغرافیایی ی **📍
فرض کنیم چند موقعیت جغرافیایی داریم و میخواهیم فاصله بین آنها را محاسبه کنیم.
locations = {
"location1": (35.6892, 51.3890), # تهران
"location2": (34.0522, -118.2437), # لسآنجلس
"location3": (48.8566, 2.3522) # پاریس
}
def calculate_distances(locations):
distances = {}
keys = list(locations.keys())
for i in range(len(keys)):
for j in range(i + 1, len(keys)):
loc1, loc2 = keys[i], keys[j]
lat1, lon1 = locations[loc1]
lat2, lon2 = locations[loc2]
distance = haversine(lat1, lon1, lat2, lon2)
distances[(loc1, loc2)] = distance
return distances
distances = calculate_distances(locations)
for loc_pair, dist in distances.items():
print(f"فاصله بین {loc_pair[0]} و {loc_pair[1]}: {dist:.2f} کیلومتر")
#Python #library
🔥1😁1🐳1
📌 متد Template چیست؟
💬 در 3 درصد از مصاحبه ها پرسیده شده است
الگوی روش الگو یک الگوی طراحی رفتاری است که اسکلت یک الگوریتم را در یک روش تعریف میکند و مراحلی را به زیر کلاسها واگذار میکند. زیر کلاس ها می توانند این مراحل را بدون تغییر ساختار الگوریتم لغو کنند.
🤔 چرا این الگو مورد نیاز است؟
1️⃣ استفاده مجدد از کد : امکان استفاده مجدد از یک الگوریتم رایج را فراهم می کند تا از تکرار کد جلوگیری شود.
2️⃣ کنترل بر ساختار الگوریتم : کنترلی بر ساختار اصلی الگوریتم فراهم میکند و اجازه میدهد فقط مراحل خاصی تغییر کند.
3️⃣ کپسولهسازی قسمتهای تغییرناپذیر الگوریتم : به شما امکان میدهد قسمتهایی از الگوریتم را که نباید تغییر کنند، کپسوله کنید و فقط مراحل لازم را قابل تغییر کنید.
🤔 این الگو چگونه کار می کند؟
این الگو شامل اجزای زیر است:
➕ کلاس Abstract : یک متد الگو را تعریف میکند که اسکلت الگوریتم را پیادهسازی میکند، و روشهای انتزاعی را برای مراحلی که باید در زیر کلاسها پیادهسازی شوند، تعریف میکند.
➕ زیر کلاس های مشخص : روش های انتزاعی را برای مراحل خاص الگوریتم پیاده سازی کنید.
از abc import ABC، روش انتزاعی
# کلاس انتزاعی با متد قالب
کلاس نوشیدنی (ABC):
1️⃣ استفاده مجدد از کد : با ارائه یک الگوریتم مشترک با مراحل متغیر، از تکرار کد جلوگیری می کند.
2️⃣ تغییر کپسوله سازی : بخش های قابل تغییر یک الگوریتم را به زیر کلاس ها جدا می کند.
3️⃣ کنترل ساختار الگوریتم : کنترل دقیقی بر ساختار زیربنایی الگوریتم ارائه می دهد.
🤔 ایرادات:
1️⃣ انعطاف پذیری محدود : اگر یک روش الگو نیاز به تغییر داشته باشد، ممکن است همه زیر کلاس ها نیاز به تغییر داشته باشند.
2️⃣ پیچیده کردن ساختار کد : می تواند منجر به ایجاد تعداد زیادی زیر کلاس برای اجرای مراحل مختلف الگوریتم شود.
🤔 چه زمانی از این الگو استفاده کنیم؟
➕ زمانی که می خواهید از یک الگوریتم در چندین زیر کلاس با تفاوت در مراحل جداگانه استفاده کنید.
➕ زمانی که لازم است از تکرار کد با کپسوله کردن بخش های قابل تغییر الگوریتم جلوگیری شود.
➕ هنگامی که شما نیاز به کنترل ساختار الگوریتم دارید، توانایی تغییر تنها مراحل جداگانه آن را فراهم می کند.
الگوی روش الگو ابزاری قدرتمند برای سازماندهی کد و دستکاری الگوریتمها است که توانایی تغییر تک تک مراحل یک الگوریتم را بدون تغییر ساختار زیربنایی آن فراهم میکند.
🔥 سوالات برتر از SOBES
🔒 بانک اطلاعات تامین اجتماعی |🔒 پایگاه داده تست X
💬 در 3 درصد از مصاحبه ها پرسیده شده است
الگوی روش الگو یک الگوی طراحی رفتاری است که اسکلت یک الگوریتم را در یک روش تعریف میکند و مراحلی را به زیر کلاسها واگذار میکند. زیر کلاس ها می توانند این مراحل را بدون تغییر ساختار الگوریتم لغو کنند.
🤔 چرا این الگو مورد نیاز است؟
1️⃣ استفاده مجدد از کد : امکان استفاده مجدد از یک الگوریتم رایج را فراهم می کند تا از تکرار کد جلوگیری شود.
2️⃣ کنترل بر ساختار الگوریتم : کنترلی بر ساختار اصلی الگوریتم فراهم میکند و اجازه میدهد فقط مراحل خاصی تغییر کند.
3️⃣ کپسولهسازی قسمتهای تغییرناپذیر الگوریتم : به شما امکان میدهد قسمتهایی از الگوریتم را که نباید تغییر کنند، کپسوله کنید و فقط مراحل لازم را قابل تغییر کنید.
🤔 این الگو چگونه کار می کند؟
این الگو شامل اجزای زیر است:
➕ کلاس Abstract : یک متد الگو را تعریف میکند که اسکلت الگوریتم را پیادهسازی میکند، و روشهای انتزاعی را برای مراحلی که باید در زیر کلاسها پیادهسازی شوند، تعریف میکند.
➕ زیر کلاس های مشخص : روش های انتزاعی را برای مراحل خاص الگوریتم پیاده سازی کنید.
از abc import ABC، روش انتزاعی
# کلاس انتزاعی با متد قالب
کلاس نوشیدنی (ABC):
def ready_recipe(self):🤔 مزایا:
self.boil_water()
self.brew()
self.pour_in_cup()
self.add_condiments()
def boil_water(self):
چاپ ("آب جوش")
def pour_in_cup(self):
چاپ ("ریختن در فنجان")
@abstractmethod
def brew (خود):
عبور کند
@abstractmethod
def add_condiments(self):
عبور کند
# زیرگروه خاص برای قهوه
کلاس قهوه (نوشیدنی):
def brew (خود):
چاپ ("چکیدن قهوه از طریق فیلتر")
def add_condiments(self):
چاپ ("افزودن شکر و شیر")
# زیر کلاس خاص برای چای
کلاس چای (نوشیدنی):
def brew (خود):
چاپ ("خیساندن چای")
def add_condiments(self):
چاپ ("افزودن لیمو")
# کد مشتری
def ready_beverage(نوشیدنی: نوشیدنی):
beverage.prepare_recipe()
قهوه = قهوه ()
چای = چای ()
چاپ ("تهیه قهوه:")
آماده_نوشیدنی (قهوه)
print("\nتهیه چای:")
آماده_نوشیدنی (چای)
1️⃣ استفاده مجدد از کد : با ارائه یک الگوریتم مشترک با مراحل متغیر، از تکرار کد جلوگیری می کند.
2️⃣ تغییر کپسوله سازی : بخش های قابل تغییر یک الگوریتم را به زیر کلاس ها جدا می کند.
3️⃣ کنترل ساختار الگوریتم : کنترل دقیقی بر ساختار زیربنایی الگوریتم ارائه می دهد.
🤔 ایرادات:
1️⃣ انعطاف پذیری محدود : اگر یک روش الگو نیاز به تغییر داشته باشد، ممکن است همه زیر کلاس ها نیاز به تغییر داشته باشند.
2️⃣ پیچیده کردن ساختار کد : می تواند منجر به ایجاد تعداد زیادی زیر کلاس برای اجرای مراحل مختلف الگوریتم شود.
🤔 چه زمانی از این الگو استفاده کنیم؟
➕ زمانی که می خواهید از یک الگوریتم در چندین زیر کلاس با تفاوت در مراحل جداگانه استفاده کنید.
➕ زمانی که لازم است از تکرار کد با کپسوله کردن بخش های قابل تغییر الگوریتم جلوگیری شود.
➕ هنگامی که شما نیاز به کنترل ساختار الگوریتم دارید، توانایی تغییر تنها مراحل جداگانه آن را فراهم می کند.
الگوی روش الگو ابزاری قدرتمند برای سازماندهی کد و دستکاری الگوریتمها است که توانایی تغییر تک تک مراحل یک الگوریتم را بدون تغییر ساختار زیربنایی آن فراهم میکند.
🔥 سوالات برتر از SOBES
🔒 بانک اطلاعات تامین اجتماعی |🔒 پایگاه داده تست X
❤1👍1🐳1
🔰متد map در جاوا اسکریپت:
متد map در جاوا اسکریپت یکی از متدهای آرایه است که به شما این امکان را میدهد تا یک تابع را بر روی هر عنصر از آرایه اعمال کرده و یک آرایه جدید با نتایج آن تابع بسازید. این متد، آرایه اصلی را تغییر نمیدهد و یک آرایه جدید برمیگرداند.
🌀سینتکس:
فرض کنید که ما یک آرایه از اعداد داریم و میخواهیم هر عدد را دو برابر کنیم:
🌀استفاده از Arrow Function
میتوانیم از Arrow Function برای نوشتن کد کوتاهتر استفاده کنیم:
با حمایت خودتون انرژی بدید ♥️
متد map در جاوا اسکریپت یکی از متدهای آرایه است که به شما این امکان را میدهد تا یک تابع را بر روی هر عنصر از آرایه اعمال کرده و یک آرایه جدید با نتایج آن تابع بسازید. این متد، آرایه اصلی را تغییر نمیدهد و یک آرایه جدید برمیگرداند.
🌀سینتکس:
let newArray = array.map(callback(currentValue, index, array), thisArg);🌀مثال:
فرض کنید که ما یک آرایه از اعداد داریم و میخواهیم هر عدد را دو برابر کنیم:
const numbers = [1, 2, 3, 4, 5];console.log(doubled); // [2, 4, 6, 8, 10]
const doubled = numbers.map(function(num) {
return num * 2;
});
🌀استفاده از Arrow Function
میتوانیم از Arrow Function برای نوشتن کد کوتاهتر استفاده کنیم:
const numbers = [1, 2, 3, 4, 5];#map
const doubled = numbers.map(num => num * 2);
console.log(doubled); // [2, 4, 6, 8, 10]
#جاوا_اسکریپت
با حمایت خودتون انرژی بدید ♥️
❤1👍1