#دوره_تکمیلی_پایتون

✅کار با متدهای numpy - بخش پنجم

⏪با استفاده متد linspace میتوانیم در یک بازه مشخص n عدد تولید کنیم،این متد سه ورودی دارد،که اول و آخر بازه را مشخص می نمایید و وروی سوم تعداد عددی (n) که قرار هست تولید گردد نمایش میدهد.
🔵توجه کنید برای استفاده از متد linspace باید کتابحانه pi از ابزار numpy رو ابتدا فراخوانی کنیم

»> from numpy import pi
»> a9 = np.linspace(0,3,5)
»> print a9
[ 0.    0.75  1.5   2.25  3.  ]

⏪برای تغییر شکل (تغییر بُعد) در آرایه ها میتوانیم از متد reshape استفاده کنیم،بعنوان مثال میخواهیم یک آرایه یک بعدی رو تبدیل به یک آرایه سه در سه نماییم:

»> a10 = np.array([1,2,3,4,5,6,7,8,9]).reshape(3,3)
»> print a10
[[1 2 3]
 [4 5 6]
 [7 8 9]]

🔵نکته مهمی که وجود داره تعداد عناصر آرایه باید با ضرب ابعاد یکسان باشد.

⏪برای تولید آرایه سه بعدی هم میتوانیم طبق مثال زیر انجام دهیم:

»> a11 = np.array([1,2,3,4,5,6,7,8,9,10,11,12]).reshape(2,3,2)
»> print a11
[[[ 1  2]
  [ 3  4]
  [ 5  6]]

 [[ 7  8]
  [ 9 10]
  [11 12]]]
»> a11.ndim
3

⏪حالا میخواهیم تغییر شکل برای آرایه های که با arange ساختیم انجام دهیم،بصورت زیر میباشد:

»> a12 = np.arange(30).reshape(2,3,5)
»> print a12
[[[ 0  1  2  3  4]
  [ 5  6  7  8  9]
  [10 11 12 13 14]]

 [[15 16 17 18 19]
  [20 21 22 23 24]
  [25 26 27 28 29]]]

🔵نکته مهمی که وجود داره از روی خود آرایه نمیتوانید تعداد ابعاد رو متوجه شوید و حتما باید از متد ndim استفاده کنید.

⏪اگر بخواهیم از دو آرایه یک بعدی ، یک آرایه دو بعدی ایجاد کنیم کافیه از متد vstack استفاده کنیم،نحوه کار با این متد بصورت زیر می باشد:
🔵از متد hstack هم برای نوشتن آرایه بصورت افقی استفاده کنیم:

»> a13 = np.array([1,2,3])
»> a14 = np.array([4,5,6])
»> a15 = np.vstack([a13,a14])
»> print a15
[[1 2 3]
 [4 5 6]]

☸️مبجث بعدی ما در بخش بعدی محاسبات عددی روی آرایه هاست،امیدوارم خوب مطالعه کنید و در ادامه با ما همراه باشید

🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge

#مقدماتی_پایتون

✍️بولین

نوع دیگر داده در پایتون، نوع بولین است که دارای یکی از دو مقدار صحیح ( True) یا غلط (False) است.
هم چنین، در مقایسه ی مقادیر، خروجی True یا False ایجاد می شود.

برای مثال، با استفاده از عملگر برابری که نشانه ی آن == است.

>>> my_boolean = True
>>> my_boolean
True

>>> 2 == 3
False
>>> "hello" == "hello"
True

📌 مراقب باشید که عملگر == را با عملگر انتساب که دارای یک مساوی (=) است، اشتباه نگیرید.

🗂 مرکز آموزش پایتون
➖➖➖➖➖
🆔 : @pythonchallenge

#مقدماتی_پایتون

✍️مقایسه

عملگر بعدی عملگر مقایسه ای است. عملگر نامساوی، که با نماد =! نشان داده میشود، بررسی میکند که ایا حاصل مقایسه دو مقدار باهم برابر نیست؟ اگر یکسان بود یعنی false و اگر یکسان نبود یعنی true

>>> 1 != 1
False
>>> "eleven" != "seven"
True
>>> 2 != 10
True

❓بعد مطالعه متن فوق به سوال زیر لطفا پاسخ بدهید:

🗂 مرکز آموزش پایتون
➖➖➖➖➖
🆔 : @pythonchallenge

#بازی_سازی_در_پایتون

✅نوشتن متن روی صفحه نمایش

برای این کار باید مراحل زیر رو طی کنید

ابتدا نوع فونت و اندازهش رو بصورت زیر مشخص میکنیم

fontObj = pygame.font.Font('tahoma.ttf',12)

سپس ورودی اول متن دلخواه خودمون رو مینویسیم و رنگهای پس زمینه و رنگ متن رو با سه عدد مشخص میکنیم.

textSurfaceObj = fontObj.render('@pythonchallenge', True,(255,0,0),(0,255,0))

در صورتی که میخواهید در مکان خاصی نوشته تان رسم شود به اینصورت مکان ان را تنظیم میکنید

textRectObj = textSurfaceObj.get_rect()
textRectObj.center = (300,200)

پس از انجام تنظیمات بالا میتوانید مانند یک عکس متنتان را روی صفحه چاپ کنید:

screen.blit(textSurfaceObj, textRectObj)

🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge

#متن_کاوی_با_پایتون

❇️ متاکارکترها - انطباق کارکترها

1️⃣ . (نقطه) : تنها یک کارکتر (هر نوع کارکتری) میتواند ظاهر گردد.
2️⃣ ^ : این علامت در داخل یک کروشه به معنی این است که کارکترهای بعد از آن نباید ظاهر گردند.
3️⃣ $ : این علامت در پایان یک رشته به این معنی که عبارت مورد جستجو باید با عبارتی که قبل از $ می آید شروع شود.
4️⃣ [ ] : انطباق با مجموعه از کارکترهای درون کروشه
5️⃣ متاکارکتر [a-z] : مطابقت با یکی از رشته های a,b,...,z
6️⃣ متاکارکتر [abc^] : مطابقت با کارکترهای که a,b,c نیستند.
7️⃣ متاکارکتر a|b : مطابقت میکند با کارکتری که a یا b باشد. در جاییکه a و b رشته هستند.
8️⃣ ( ) : محدوده ای برای عملگرها
9️⃣ \ : کارکترهای خاص (t , \n , \b\)


❇️ متاکارکترها - نمادهای کارکتری

1️⃣ متاکارکتر b\ : انطباق مرز کلمات
2️⃣ متاکارکتر d\ : رقم ها ، همه اعداد شامل [0-9]
3️⃣ متاکارکتر D\ : غیر از رقم، هر موردی جز اعداد [9-0^]
4️⃣ متاکارکتر s\ : تمام فضاهای خالی، مانند [t\n\r\f\v\ ]
5️⃣ متاکارکتر S\ : عدم فضاهای خالی، مانند [t\n\r\f\v\ ^]
6️⃣ متاکارکتر w\ : تمام کارکترهای الفبایی و عددی، شامل [ _a-zA-Z0-9]
7️⃣ متاکارکتر W\ : تمام کارکترهای غیر الفبایی و عددی، شامل [ _a-zA-Z0-9 ^]

❇️ متاکارکترها - تکرار

1️⃣ * : تکرار صفر یا بیشتر
2️⃣ + : تکرار یک بار یا بیشتر
3️⃣ ؟ : تکرار صفر یا یک عبارت قبل از علامت سوال
4️⃣ متاکارکتر {n} : دقیقا n بار تکرار که n بزرگتر و مساوی صفر خواهد بود.
5️⃣ متاکارکتر { ,n} : حداقل n بار تکرار
6️⃣ متاکارکتر {n, } : حداکثر n بار تکرار
7️⃣ متاکارکتر {m,n} : حداقل m بار و حداکثر n بار تکرار

🔵 اگر متاکارکتری رو متوجه نشدید نگران نباشید، در بخش های بعدی مثالهای خواهیم زد که کاملا متوجه گردید. و اگر دوست داشتید اطلاعات بیشتری در مورد این متاکارکترها داشته باشید لینک زیر رو میتونید مشاهده کنید:
https://www.rexegg.com/regex-quickstart.html


🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
🆔 : @pythonchallenge

#دوره_تکمیلی_پایتون

✅تولید یک کپی در آرایه ها

⏪فرض کنید یک آرایه سه در سه داریم و میخواهیم یک کپی از سطرهای اول و دوم و ستون های دوم و سوم ایجاد کنیم،نحوه انجام اینکار بصورت زیر می باشد:

»> import numpy as np
»> x = np.array([[1,3,5],[2,4,6],[8,9,0]])
»> x
array([[1, 3, 5],
       [2, 4, 6],
       [8, 9, 0]])
»> xc1 = x[0:2,1:3]
»> xc1
array([[3, 5],
       [4, 6]])

⏪برای کپی کردن یک عنصر آرایه بعنوان مثال سطر یک ستون یک از کد زیر استفاده میکنیم:

»> xc2 = x[1,1]
»> xc2
4

⏪طول مبحث قبلی گفته بودیم میتونیم مثل لیست ها ، عناصر آرایه رو هم تغییر بدهیم،بعنوان مثال اگر بخواهیم همون آرایه x فوق رو مقدار سطر یک و ستون یک رو به عدد 24 تغییر بدهیم میتوانیم از دستور زیر استفاده کنیم:

»> x[1,1] = 24
»> x
array([[ 1,  3,  5],
       [ 2, 24,  6],
       [ 8,  9,  0]])

🔵دقت کنید وقتی x تغییر دادیم اتوماتیک کپی که قبل از این ایجاد کرده بودیم هم تغییر میکنه،کپیش رو ببنید:

»> print xc1
[[ 3  5]
 [24  6]

🔵اما کپی دوم ما تغییر نخواهد کرد (دلیلش اینه که وقتی ما فقط و فقط یک عنصر رو کپی میکنیم در این حالت کپی ما تغییر نخواهد کرد.)

»> print xc2
4

حتما کد بالا رو بنویسید تا متوجه دقیق منظورم شده باشید.


⏪اگر بخواهیم با تغییر آرایه اولیه،کپی ما تغییر نکنه و ثابت بمونه،برای اینکار کافیه موقع کپی کردن یک علامت پلاس (+) قبلش قرار بدهیم.ببینید:

»> xc3 = +x[0:2,1:3]
»> xc3
array([[ 3,  5],
       [24,  6]])
»> x[1,1] = 13
»> print x
[[ 1  3  5]
 [ 2 13  6]
 [ 8  9  0]]
»> print xc3
[[ 3  5]
 [24  6]]

🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge

#مقدماتی_پایتون

✍️بولین

نوع دیگر داده در پایتون، نوع بولین است که دارای یکی از دو مقدار صحیح ( True) یا غلط (False) است.
هم چنین، در مقایسه ی مقادیر، خروجی True یا False ایجاد می شود.

برای مثال، با استفاده از عملگر برابری که نشانه ی آن == است.

>>> my_boolean = True
>>> my_boolean
True

>>> 2 == 3
False
>>> "hello" == "hello"
True

📌 مراقب باشید که عملگر == را با عملگر انتساب که دارای یک مساوی (=) است، اشتباه نگیرید.

❓بعد مطالعه متن فوق به سوال زیر لطفا پاسخ بدهید:

🗂 مرکز آموزش پایتون
➖➖➖➖➖
🆔 : @pythonchallenge

📝 ثبت‌نام کلاس‌های هوش مصنوعی برای دانش‌آموزان و معلمان در خرداد

آموزش هوش مصنوعی برای دو میلیون دانش آموز و ۱۰۰ هزار معلم است که در طول خرداد ماه کار ثبت‌نام آن‌ها انجام و در طول تابستان بخش اول کار با همکاری وزارت ارتباطات و معاونت علمی ریاست جمهوری برگزار می‌شود.

📌در صورت مشخص شدن سامانه و نحوه ثبت نام در کانال هوش مصنوعی برای دانش آموزان اطلاع رسانی خواهیم کرد. البته احتمالا این آموزش برای دانش آموزان متوسطه اول اجرا خواهد شد.

📖 هوش مصنوعی برای دانش آموزان
➖➖➖➖➖
🆔 : @StudentAI

#بازی_سازی_در_پایتون

✅استفاده از صدا در بازی

این امکان در جذاب کردن بازی شما نقش مهمی دارد. شما میتوانید دو نوع صدا داشته باشید، یکی صدایی در پس زمینه و صداهایی هم در هنگام رویداد (مثلا در هنگام شلیک کردن)
برای پخش کردن صدایی در پس زمینه بصورت زیر عمل میکنیم:

pygame.mixer.music.load('backgroundmusic.mp3')
pygame.mixer.music.play(-1, 0.0)

با این دو دستور یک فایل صوتی را لود کرده و آن را اجرا میکنید.و هر وقت خواستید میتوانید آن را قطع کنید.

pygame.mixer.music.stop()

همچنین با دستور زیر میتوانید صدا رو کم و زیاد کنید:

pygame.mixer.music.set_volume(میزان صدا)

امکانات دیگر را خودتان میتوانید با دستکاری دیگر خاصیت های pygame.mixer.music یاد بگیرید.

✅صدا هنگام رویداد

صدایی که شما برای پس زمینه انتخاب میکنید در هر زمان فقط میتوان یک صدا را پخش کرد چون با نسبت دادن یک فایل جدید به pygame.mixer.music فایل پیشین پاک میشود.برای رفع این مشکل شما باید یک متغیر صدا تعریف و مقدار دهی کنید سپس هر وقت خواستید آن را اجرا و قطع کنید.

import time
soundObj = pygame.mixer.Sound(' پسوند. صدا')
soundObj.play()
time.sleep(ثانیه )
soundObj.stop()

🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی

🧠 قسمت ۱: مقدمه و نصب پایتون 🐍

سلام دوستان! 👋
میخوایم سفرمون به دنیای جذاب هوش مصنوعی با پایتون رو شروع کنیم. اما قبلش باید ابزارها رو آماده کنیم! 🛠

۱. نصب پایتون

* به سایت [python.org] بروید و آخرین نسخه Python 3 رو دانلود و نصب کنید.
* حتماً تیک “Add Python to PATH” رو موقع نصب بزنید ✅

۲. محیط‌های برنامه‌نویسی

دو تا گزینه عالی داریم:
1️⃣ Jupyter Notebook – برای تست سریع کدها و یادداشت‌ها عالیه
2️⃣ Google Colab – نیازی به نصب نداره و روی مرورگر اجرا می‌شه 🌐

۳. نصب کتابخانه‌های ضروری

بعد از نصب پایتون، ترمینال یا کامند پرامپت رو باز کن و این‌ها رو نصب کن:

pip install numpy pandas matplotlib seaborn scikit-learn

۴. پروژه کوچک عملی

بیایید بررسی کنیم پایتون نصب شده درست کار می‌کنه:

print("سلام هوش مصنوعی! 🤖")

اگر خروجی بالا رو دیدید یعنی همه چیز آماده است 🎉

👀 قسمت بعدی: متغیرها و انواع داده‌ها در پایتون

🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی

🧠 قسمت ۲: متغیرها و انواع داده‌ها 💾

سلام دوستان! 👋
تو این قسمت می‌خوایم با متغیرها و انواع داده‌ها در پایتون آشنا بشیم. این‌ها پایه‌ی همه برنامه‌های پایتون و هوش مصنوعی هستن! 🚀

۱. متغیر چیست؟

* متغیر مثل یک جعبه هست که می‌تونه داده‌ها رو نگه داره 📦
* مثال:

name = "علی"
age = 18

۲. انواع داده‌ها در پایتون

1️⃣ اعداد (Numbers)

* int: اعداد صحیح → age = 18
* float: اعداد اعشاری → height = 1.75

2️⃣ رشته‌ها (Strings)

* متن‌ها و حروف → "سلام دنیا!"
* مثال:

greeting = "سلام هوش مصنوعی! 🤖"
print(greeting)

3️⃣ لیست‌ها (Lists)

* مجموعه‌ای از داده‌ها که می‌توان آن‌ها را تغییر داد
* مثال:

fruits = ["سیب", "موز", "پرتقال"]
print(fruits[0])  # سیب

4️⃣ تاپل‌ها (Tuple)

* مشابه لیست اما غیر قابل تغییر
* مثال:

colors = ("قرمز", "سبز", "آبی")

5️⃣ دیکشنری‌ها (Dictionary)

* ذخیره داده‌ها به صورت کلید و مقدار
* مثال:

person = {"name": "علی", "age": 18}
print(person["name"])  # علی

6️⃣ مجموعه‌ها (Set)

* مجموعه‌ای بدون ترتیب و بدون تکرار
* مثال:

numbers = {1, 2, 3, 3}
print(numbers)  # {1, 2, 3}

۳. پروژه کوچک عملی

بیاید یک لیست از دوستان بسازیم و چاپ کنیم:

friends = ["سارا", "رضا", "نیما"]
for friend in friends:
    print("سلام", friend)

👀 قسمت بعدی: شرط‌ها و حلقه‌ها 🔄

🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی

🧠 قسمت ۳: شرط‌ها و حلقه‌ها 🔄

سلام دوستان! 👋
تو این قسمت می‌خوایم با شرط‌ها و حلقه‌ها در پایتون آشنا بشیم. این‌ها به ما کمک می‌کنن برنامه‌ها تصمیم بگیرن و کارهای تکراری انجام بدن! 🚀

۱. شرط‌ها (if, elif, else)

* شرط‌ها باعث می‌شن برنامه بر اساس وضعیت‌های مختلف تصمیم بگیره.
* مثال:

age = 18
if age >= 18:
    print("می‌تونی رای بدی ✅")
else:
    print("هنوز کوچیک هستی ❌")

* چند شرط با elif:

score = 85
if score >= 90:
    print("عالی 🌟")
elif score >= 75:
    print("خوب 👍")
else:
    print("نیاز به تلاش بیشتر 💪")

۲. حلقه‌ها (Loops)

1️⃣ حلقه for – تکرار روی مجموعه‌ای از داده‌ها:

fruits = ["سیب", "موز", "پرتقال"]
for fruit in fruits:
    print("میوه:", fruit)

2️⃣ حلقه while – تکرار تا زمانی که شرط برقرار باشد:

count = 1
while count <= 5:
    print("شماره:", count)
    count += 1

۳. پروژه کوچک عملی

بیاید بررسی کنیم اعداد زوج بین ۱ تا ۱۰ رو چاپ کنیم:

for i in range(1, 11):
    if i % 2 == 0:
        print(i, "زوج است ✅")

👀 قسمت بعدی: توابع و ماژول‌ها ⚙️

🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge

📚 فازهای آموزش پایتون و هوش مصنوعی

🔹 فاز ۱: مقدمات پایتون
آشنایی با پایتون و نصب ابزارها 🖥
متغیرها و انواع داده‌ها 🔤🔢
شرط‌ها و حلقه‌ها 🔄
توابع و ماژول‌ها ⚙️
کار با کتابخانه‌ها و نصب پکیج‌ها 📦
پروژه کوچک عملی 🎯 (جمع‌بندی)
🔹 فاز ۲: پردازش داده‌ها
آشنایی با NumPy ➕
آشنایی با Pandas 🗂
کار با داده‌های جدولی 📊
پاک‌سازی و آماده‌سازی داده‌ها 🧹
تجسم داده‌ها با Matplotlib 🎨
پروژه عملی پردازش داده 📑
🔹 فاز ۳: مبانی یادگیری ماشین
مقدمه‌ای بر یادگیری ماشین 🤖
داده‌های آموزشی و تست 📂
الگوریتم رگرسیون خطی 📈
الگوریتم طبقه‌بندی (Classification) 🔍
درخت تصمیم و جنگل تصادفی 🌳
پروژه کوچک ML 🎯
🔹 فاز ۴: یادگیری ماشین پیشرفته
آشنایی با Scikit-learn ⚡
بهینه‌سازی مدل‌ها و Cross Validation 🎯
ارزیابی مدل‌ها 📏
خوشه‌بندی (Clustering) 🌀
کاهش ابعاد (PCA) 🔽
پروژه عملی پیشرفته ML 🚀
🔹 فاز ۵: یادگیری عمیق (Deep Learning)
مقدمه بر شبکه‌های عصبی 🧠
آشنایی با TensorFlow ⚙️
ساخت شبکه عصبی ساده 🔗
آموزش و تست شبکه عصبی 📊
شبکه‌های عمیق (Deep Networks) 🔥
پروژه عملی Deep Learning 🎯
🔹 فاز ۶: پروژه‌های کاربردی هوش مصنوعی
پردازش تصویر با OpenCV 📷
پردازش زبان طبیعی (NLP) 📝
چت‌بات ساده 💬
سیستم توصیه‌گر (Recommendation) 🎥
پروژه نهایی

🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی

🧠 قسمت ۴: توابع و ماژول‌ها ⚙️

سلام دوستان! 👋
تو این قسمت می‌خوایم با توابع و ماژول‌ها در پایتون آشنا بشیم. این‌ها به ما کمک می‌کنن کدهای مرتب‌تر و قابل استفاده مجدد بنویسیم! 🚀

۱. تعریف تابع

* تابع یک بخش از کد هست که یک کار مشخص رو انجام می‌ده و می‌تونیم بارها ازش استفاده کنیم.
* مثال ساده:

def greet(name):
    print("سلام", name, "🤖")
    
greet("علی")
greet("سارا")

۲. پارامتر و مقدار بازگشتی

* توابع می‌تونن ورودی (پارامتر) بگیرن و خروجی (return) بدهند:

def add(a, b):
    return a + b

result = add(5, 3)
print("نتیجه جمع:", result)

۳. ماژول‌ها

* ماژول یعنی فایل یا مجموعه‌ای از کدهای آماده که می‌تونیم ازش استفاده کنیم
* استفاده از ماژول‌های آماده:

import math
print("جذر 16 =", math.sqrt(16))

* می‌تونیم ماژول خودمون رو بسازیم:
1️⃣ ایجاد فایل my_module.py با تابع:

def say_hello():
    print("سلام از ماژول! 👋")

2️⃣ استفاده در فایل اصلی:

import my_module
my_module.say_hello()

۴. پروژه کوچک عملی

یک تابع بسازیم که میانگین دو عدد رو محاسبه کنه:

def average(x, y):
    return (x + y) / 2

print("میانگین:", average(10, 20))

👀 قسمت بعدی: کار با کتابخانه‌ها و نصب پکیج‌ها 📦

🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی

🧠 قسمت ۵: کار با کتابخانه‌ها و نصب پکیج‌ها 📦

سلام دوستان! 👋
تو این قسمت می‌خوایم با کتابخانه‌ها و نصب پکیج‌ها در پایتون آشنا بشیم. این‌ها ابزارهای آماده‌ای هستن که کار ما رو خیلی راحت می‌کنن! 🚀

۱. کتابخانه چیست؟

* کتابخانه مجموعه‌ای از کدهای آماده است که می‌تونیم در برنامه‌ها استفاده کنیم
* مثال: numpy برای کار با اعداد و ماتریس‌ها، pandas برای تحلیل داده‌ها، matplotlib برای رسم نمودار

۲. نصب پکیج‌ها با pip

* pip ابزار رسمی نصب پکیج‌ها در پایتون هست
* مثال نصب چند پکیج مهم:

pip install numpy pandas matplotlib seaborn scikit-learn

۳. استفاده از کتابخانه‌ها

* بعد از نصب، می‌تونیم اونا رو import کنیم و استفاده کنیم:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# مثال عملی: رسم نمودار ساده
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

plt.plot(x, y)
plt.title("نمودار ساده خطی 📈")
plt.show()

۴. پروژه کوچک عملی

* با pandas یک جدول کوچک بسازیم و نمایش بدیم:

import pandas as pd

data = {"نام": ["علی", "سارا", "نیما"], "سن": [18, 20, 19]}
df = pd.DataFrame(data)
print(df)

👀 قسمت بعدی: پروژه کوچک عملی 🎯 (جمع‌بندی فاز ۱)

🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge

🏢 دانشگاه مجازی هوش مصنوعی

1️⃣ پایتون مقدماتی
🕔 234 دقیقه
📥 کلیک کنید

2️⃣ پایتون تکمیلی
⏰ 840 دقیقه
📥 کلیک کنید

3️⃣ یادگیری ماشین با پایتون
⏰ 890 دقیقه
📥 کلیک کنید

4️⃣ یادگیری عمیق با پایتون
⏰ 330 دقیقه
📥 کلیک کنید

5️⃣ مصورسازی داده با پایتون
⏰195 دقیقه
📥 کلیک کنید

6️⃣ آموزش پروژه محور
⏰ 270 دقیقه
📥 کلیک کنید


🔥تخفیف تا پایان تابستان🔥

🎁 کد تخفیف :  FC1404

گام به گام متخصص هوش مصنوعی شوید. مسیر یادگیری را در تصویر بالا مشاهده نمایید. توصیه میکنیم برای دریافت تخفیف بیشتر پکیج آموزش های هوش مصنوعی رو تهیه کنید.

رضایت بالای مخاطبین از تهیه آموزش‌های این مرکز نشان دهنده کیفیت بالای آموزش‌ها خواهد بود.

🗂 مرکز آموزش آنلاین و ویدئویی
➖➖➖➖➖
🆔 : @pythonchallenge

#چالش_پایتون_در_هوش_مصنوعی

🧠 قسمت ۶: پروژه کوچک عملی 🎯 و جمع‌بندی فاز ۱

سلام دوستان! 👋
تو این قسمت می‌خوایم تمام چیزهایی که تا حالا یاد گرفتیم رو جمع‌بندی کنیم و یک پروژه کوچک عملی بسازیم تا مطمئن بشیم همه مفاهیم رو خوب یاد گرفتیم! 🚀

۱. اهداف پروژه

* استفاده از متغیرها و انواع داده‌ها
* استفاده از شرط‌ها و حلقه‌ها
* استفاده از توابع و ماژول‌ها
* استفاده از کتابخانه‌ها

۲. پروژه: تحلیل نمرات دانش‌آموزان

فرض کنید سه دانش‌آموز داریم و نمراتشون رو می‌خوایم بررسی کنیم:

import pandas as pd

# داده‌ها
students = {"نام": ["علی", "سارا", "نیما"], "نمره": [85, 92, 78]}
df = pd.DataFrame(students)

# تابع برای بررسی وضعیت نمره
def check_grade(score):
    if score >= 90:
        return "عالی 🌟"
    elif score >= 75:
        return "خوب 👍"
    else:
        return "نیاز به تلاش بیشتر 💪"

# اضافه کردن ستون وضعیت نمره
df["وضعیت"] = df["نمره"].apply(check_grade)

# نمایش جدول نهایی
print(df)

خروجی نمونه:

    نام  نمره           وضعیت
0   علی    85           خوب 👍
1  سارا    92          عالی 🌟
2  نیما    78           خوب 👍

۳. نکات جمع‌بندی

* پایتون ابزارهای قدرتمندی برای تحلیل داده‌ها و هوش مصنوعی داره
* مفاهیم پایه: متغیر، شرط، حلقه، تابع، ماژول و کتابخانه‌ها پایه هر پروژه AI هستن
* در فاز بعدی می‌ریم سراغ پردازش داده‌ها و تجسم داده‌ها 🎨

👀 قسمت بعدی: پردازش داده‌ها با Pandas و NumPy

🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge

✳️ تا 100% تخفیف، برای یادگیری هر مهارتی که بخوای


◀️ آموزش‌های مقدماتی تا پیشرفته
◀️ تخفیف اسکیل‌کمپ‌های آکادمی دانشکار

شروع یادگیری:

https://dnkr.ir/6QMRj
https://dnkr.ir/6QMRj