📝 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

فاز ۱ رو کامل کردیم ✅ حالا میریم سراغ فاز ۲: پردازش داده‌ها.

🔹 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 📑

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

#چالش_پایتون_در_هوش_مصنوعی

🧠 قسمت ۷: آشنایی با NumPy ➕

سلام دوستان! 👋
امروز می‌خوایم وارد دنیای NumPy بشیم. این کتابخونه یکی از مهم‌ترین ابزارها برای کار با اعداد، آرایه‌ها و محاسبات ریاضی در پایتونه. 🚀

---
۱. نصب NumPy

اگر نصب نکردی، با این دستور می‌تونی نصبش کنی:

pip install numpy

---
۲. وارد کردن NumPy

import numpy as np

✅ معمولاً با اسم کوتاه np صداش می‌کنیم.

---
۳. ساخت آرایه (Array)

* آرایه‌ها تو NumPy مثل لیست‌های پایتون هستن ولی خیلی سریع‌تر و حرفه‌ای‌تر!

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
print(arr)

---
۴. عملیات ریاضی روی آرایه‌ها

می‌تونیم مستقیم روی همه عناصر محاسبات انجام بدیم:

arr = np.array([10, 20, 30])
print(arr + 5)   # جمع با همه عناصر
print(arr * 2)   # ضرب در همه عناصر
print(arr / 10)  # تقسیم همه عناصر

---
۵. آرایه‌های چندبعدی (Matrix)

matrix = np.array([[1, 2], [3, 4]])
print("ماتریس:\n", matrix)
print("شکل:", matrix.shape)
print("جمع همه عناصر:", matrix.sum())

---

۶. توابع آماده NumPy

arr = np.array([1, 2, 3, 4, 5])
print("میانگین:", np.mean(arr))
print("بیشترین مقدار:", np.max(arr))
print("کمترین مقدار:", np.min(arr))

---

۷. پروژه کوچک

محاسبه معدل نمرات با NumPy:

grades = np.array([18, 15, 20, 12, 19])
average = np.mean(grades)
print("معدل دانش‌آموز =", average)

---

👀 قسمت بعدی: آشنایی با Pandas 🗂

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

#چالش_پایتون_در_هوش_مصنوعی

🧠 قسمت ۸: آشنایی با Pandas 🗂

سلام دوستان! 👋
امروز می‌خوایم با Pandas آشنا بشیم. این کتابخونه فوق‌العاده برای کار با داده‌های جدولی مثل فایل‌های Excel یا CSV استفاده می‌شه. 📊

---
۱. نصب Pandas

pip install pandas

---
۲. وارد کردن Pandas

import pandas as pd

✅ معمولاً با اسم کوتاه pd استفاده می‌شه.

---
۳. ساخت جدول (DataFrame)

import pandas as pd

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

📌 خروجی:

     نام   سن
0   علی   18
1  سارا   20
2  نیما   19

---
۴. دسترسی به ستون‌ها و سطرها

print(df["نام"])      # دسترسی به یک ستون
print(df.iloc[1])     # دسترسی به یک سطر بر اساس اندیس

---
۵. خواندن فایل‌های داده

* خواندن فایل CSV:

df = pd.read_csv("data.csv")

* ذخیره جدول به CSV:

df.to_csv("output.csv", index=False)

---
۶. عملیات روی داده‌ها

print(df.describe())   # آمار خلاصه
print(df["سن"].mean())  # میانگین سن‌ها

---
۷. پروژه کوچک

ساخت جدول نمرات و محاسبه معدل هر دانش‌آموز:

import pandas as pd

data = {
    "نام": ["علی", "سارا", "نیما"],
    "ریاضی": [18, 19, 15],
    "فیزیک": [17, 20, 14],
    "شیمی": [16, 18, 13]
}

df = pd.DataFrame(data)
df["معدل"] = df[["ریاضی", "فیزیک", "شیمی"]].mean(axis=1)
print(df)

📌 خروجی نمونه:

     نام  ریاضی  فیزیک  شیمی   معدل
0   علی    18     17     16   17.0
1  سارا    19     20     18   19.0
2  نیما    15     14     13   14.0

---

👀 قسمت بعدی: کار با داده‌های جدولی 📊

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

#چالش_پایتون_در_هوش_مصنوعی

🧠 قسمت ۹: کار با داده‌های جدولی 📊

سلام دوستان! 👋
حالا که با Pandas آشنا شدیم، بیایید یاد بگیریم چطوری روی داده‌های جدولی عملیات مختلف انجام بدیم. این بخش خیلی مهمه چون بیشتر داده‌های دنیای واقعی به شکل جدول هستن. 🗂

---
۱. فیلتر کردن داده‌ها

import pandas as pd

data = {
    "نام": ["علی", "سارا", "نیما", "رضا"],
    "سن": [18, 20, 19, 21],
    "نمره": [15, 19, 17, 20]
}

df = pd.DataFrame(data)

# فیلتر: نمایش فقط کسانی که نمره بالای 17 دارن
print(df[df["نمره"] > 17])

---
۲. مرتب‌سازی داده‌ها

# مرتب‌سازی بر اساس نمره
print(df.sort_values("نمره", ascending=False))

---
۳. انتخاب چند ستون

print(df[["نام", "نمره"]])

---
۴. اضافه کردن ستون جدید

df["وضعیت"] = df["نمره"].apply(lambda x: "قبول ✅" if x >= 18 else "مردود ❌")
print(df)

---

۵. محاسبات گروهی (GroupBy)

مثال: محاسبه میانگین نمره‌ها بر اساس سن 👇

print(df.groupby("سن")["نمره"].mean())

---

۶. پروژه کوچک

جدول نمرات دانش‌آموزان رو مرتب کنیم و وضعیت هر کس رو نشون بدیم:

students = {
    "نام": ["علی", "سارا", "نیما", "رضا"],
    "نمره": [15, 19, 17, 20]
}

df = pd.DataFrame(students)
df["وضعیت"] = df["نمره"].apply(lambda x: "قبول ✅" if x >= 18 else "مردود ❌")
print(df.sort_values("نمره", ascending=False))

📌 خروجی نمونه:

     نام  نمره     وضعیت
3   رضا    20    قبول ✅
1  سارا    19    قبول ✅
2  نیما    17   مردود ❌
0   علی    15   مردود ❌

---

👀 قسمت بعدی: پاک‌سازی و آماده‌سازی داده‌ها 🧹

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

#چالش_پایتون_در_هوش_مصنوعی

🧠 قسمت ۱۰: پاک‌سازی و آماده‌سازی داده‌ها 🧹

سلام دوستان! 👋
داده‌های دنیای واقعی همیشه مرتب نیستن! 😅
گاهی داده‌ها ناقص، تکراری یا اشتباه هستن. برای همین قبل از تحلیل یا یادگیری ماشین، باید داده‌ها رو پاک‌سازی و آماده‌سازی کنیم.

---
۱. شناسایی داده‌های گمشده (NaN)

import pandas as pd
import numpy as np

data = {
    "نام": ["علی", "سارا", "نیما", "رضا"],
    "نمره": [18, np.nan, 15, 20]
}

df = pd.DataFrame(data)
print(df)
print(df.isnull())   # نمایش مقادیر گمشده

---
۲. حذف داده‌های ناقص

df_clean = df.dropna()   # حذف سطرهایی که مقدار گمشده دارن
print(df_clean)

---
۳. جایگزین کردن داده‌های گمشده

df["نمره"].fillna(df["نمره"].mean(), inplace=True)  # جایگزینی با میانگین
print(df)

---
۴. حذف داده‌های تکراری

df = pd.DataFrame({
    "نام": ["علی", "سارا", "علی"],
    "نمره": [18, 19, 18]
})

print("قبل از حذف:\n", df)
df = df.drop_duplicates()
print("بعد از حذف:\n", df)

---
۵. تغییر نام ستون‌ها

df.rename(columns={"نام": "Name", "نمره": "Score"}, inplace=True)
print(df)

---
۶. پروژه کوچک

پاک‌سازی داده‌های ناقص و محاسبه معدل:

data = {
    "نام": ["علی", "سارا", "نیما", "رضا"],
    "ریاضی": [18, np.nan, 15, 20],
    "فیزیک": [17, 19, np.nan, 18]
}

df = pd.DataFrame(data)

# پر کردن مقادیر گمشده با میانگین هر ستون
df = df.fillna(df.mean(numeric_only=True))

# محاسبه معدل
df["معدل"] = df[["ریاضی", "فیزیک"]].mean(axis=1)
print(df)

📌 خروجی نمونه:

     نام   ریاضی  فیزیک   معدل
0   علی   18.0   17.0   17.5
1  سارا   17.7   19.0   18.3
2  نیما   15.0   18.0   16.5
3   رضا   20.0   18.0   19.0

---

👀 قسمت بعدی: تجسم داده‌ها با Matplotlib 🎨

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

#چالش_پایتون_در_هوش_مصنوعی

🧠 قسمت ۱۱: تجسم داده‌ها با Matplotlib 🎨

سلام دوستان! 👋
یکی از بهترین روش‌ها برای درک بهتر داده‌ها، نقاشی کردنشونه! 🎨
کتابخونه‌ی Matplotlib به ما کمک می‌کنه داده‌ها رو به شکل نمودار نشون بدیم.

---
۱. نصب و import

pip install matplotlib

import matplotlib.pyplot as plt

---
۲. رسم نمودار خطی (Line Plot)

x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

plt.plot(x, y)
plt.title("نمودار خطی 📈")
plt.xlabel("X")
plt.ylabel("Y")
plt.show()

---
۳. رسم نمودار ستونی (Bar Chart)

names = ["علی", "سارا", "نیما", "رضا"]
scores = [18, 20, 15, 19]

plt.bar(names, scores, color="skyblue")
plt.title("نمرات دانش‌آموزان 📊")
plt.show()

---
۴. رسم نمودار دایره‌ای (Pie Chart)

labels = ["ریاضی", "فیزیک", "شیمی"]
values = [30, 45, 25]

plt.pie(values, labels=labels, autopct="%1.1f%%")
plt.title("درصد نمرات 🥧")
plt.show()

---
۵. چند نمودار در یک شکل

import numpy as np

x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

plt.plot(x, y1, label="sin(x)")
plt.plot(x, y2, label="cos(x)")
plt.legend()
plt.title("مقایسه سینوس و کسینوس 🔄")
plt.show()

---
۶. پروژه کوچک

نمودار معدل دانش‌آموزان:

import pandas as pd
import matplotlib.pyplot as plt

data = {"نام": ["علی", "سارا", "نیما"], "معدل": [17.5, 19, 16]}
df = pd.DataFrame(data)

plt.bar(df["نام"], df["معدل"], color="green")
plt.title("معدل دانش‌آموزان 📚")
plt.ylabel("معدل")
plt.show()

---

👀 قسمت بعدی: پروژه عملی پردازش داده 📑 (جمع‌بندی فاز ۲)

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

#چالش_پایتون_در_هوش_مصنوعی

🧠 قسمت ۱۲: پروژه عملی پردازش داده 📑

سلام دوستان! 👋
تو این قسمت می‌خوایم همه چیزهایی که تو فاز ۲ یاد گرفتیم (NumPy، Pandas، Matplotlib) رو ترکیب کنیم و یک پروژه کامل انجام بدیم. 🎯

---

🎓 پروژه: تحلیل نمرات یک کلاس

۱. آماده‌سازی داده‌ها

فرض کنید یک فایل CSV به اسم grades.csv داریم:

نام,ریاضی,فیزیک,شیمی
علی,18,17,16
سارا,20,19,18
نیما,15,14,13
رضا,19,20,18

---
۲. خواندن داده‌ها با Pandas

import pandas as pd

df = pd.read_csv("grades.csv")
print(df)

---
۳. پاک‌سازی داده‌ها

مثلاً اگر مقادیر گمشده باشه، پرشون می‌کنیم:

df = df.fillna(df.mean(numeric_only=True))

---
۴. محاسبه معدل هر دانش‌آموز

df["معدل"] = df[["ریاضی", "فیزیک", "شیمی"]].mean(axis=1)
print(df)

---
۵. تحلیل داده‌ها

* پیدا کردن بالاترین و پایین‌ترین معدل:

print("بیشترین معدل:", df["معدل"].max())
print("کمترین معدل:", df["معدل"].min())

* میانگین کل کلاس:

print("میانگین کلاس:", df["معدل"].mean())

---
۶. تجسم داده‌ها با Matplotlib

import matplotlib.pyplot as plt

plt.bar(df["نام"], df["معدل"], color="orange")
plt.title("معدل دانش‌آموزان کلاس 📊")
plt.ylabel("معدل")
plt.show()

📌 خروجی: نمودار ستونی معدل هر دانش‌آموز

---

۷. نتیجه‌گیری

* یاد گرفتیم داده‌ها رو بخونیم، پاک‌سازی کنیم، تحلیل کنیم و تجسم کنیم ✅
* این‌ها پایه‌ی اصلی کارهای هوش مصنوعی و یادگیری ماشین هستن. 🤖
* در فاز بعدی می‌ریم سراغ مبانی یادگیری ماشین (Machine Learning) ✨

---

👀 قسمت بعدی (شروع فاز ۳): مقدمه‌ای بر یادگیری ماشین 🤖

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