سلام دوستان! خوش آمدید به جلسه آموزشی ما. امروز می‌خواهیم در مورد یکی از مهم‌ترین بخش‌های هر زبان برنامه‌نویسی صحبت کنیم: متغیرها. متغیرها در پایتون برای ذخیره اطلاعات مختلف مانند رشته‌ها، اعداد صحیح، اعداد اعشاری، اعداد مختلط و مقادیر بولی استفاده می‌شوند. بیایید با چند مثال ساده شروع کنیم:

# برای تعریف یک متغییر
name = 'Mohammad'
age = 12

در اینجا، ما دو متغییر به نام‌های name و age تعریف کرده‌ایم و به آن‌ها مقادیر 'Mohammad' و 12 را اختصاص داده‌ایم. این نشان می‌دهد که چگونه می‌توانیم اطلاعات را در متغیرها ذخیره کنیم.

نکته: برای اختصاص دادن یک رشته به متغییر، در ابتدا و انتهای رشته از نقل قول تکی (') یا دوتایی (") استفاده می‌کنیم.

برای نامگذاری متغیرها می‌توانیم از حروف انگلیسی و برخی علامت‌ها استفاده کنیم:

name = 'Hamid'
Name = 'Hamed'

در اینجا، ما دو متغییر با نام‌های مشابه اما با حروف بزرگ و کوچک متفاوت تعریف کرده‌ایم. این نشان می‌دهد که پایتون به حروف بزرگ و کوچک حساس است و name و Name دو متغییر جداگانه هستند.

نکته: استفاده از عدد در ابتدای نام یک متغییر مجاز نیست. برای نامگذاری نمی‌توانیم با عدد شروع کنیم:

# این کد اشتباه است و خطا ایجاد می‌کند

2name = 'Hamid'

این خط کد نشان می‌دهد که اگر سعی کنیم نام متغییر را با عدد شروع کنیم، پایتون خطا خواهد داد.

علامتی که می‌توان در ابتدای نام متغییر استفاده کرد، زیرخط یا اندرلاین (_) است:

_name = 'Hamid'

این نشان می‌دهد که می‌توانیم از زیرخط در ابتدای نام متغییر استفاده کنیم.

برای نمایش مقدار یک متغییر، از تابع print() استفاده می‌کنیم:

name = 'Hamid'
age = 12

# نمایش مقادیر متغیرها
print(name)
print(age)

این بخش نشان می‌دهد که چگونه می‌توانیم مقادیر متغیرها را با استفاده از تابع print() نمایش دهیم.

حالا بیایید به موضوعات جدیدی که مطرح کردید بپردازیم:

اختصاص چند مقدار به چند متغییر در یک خط:

در پایتون می‌توانیم در یک خط چند مقدار را به چند
متغییر نسبت دهیم

# می‌توانیم به صورت همزمان چند متغییر را تعریف کنیم و به آن‌ها مقدار دهیم.

name, age, city = "Ali", 30, "Tehran"
print(name)
print(age)
print(city)

نکته:
مقدار ها به ترتیب متغییر های تعریف شده به هم نسبت داده می‌شود یعنی اولین مقدار به اولین متغییر


اختصاص یک مقدار به چند متغییر:

در پایتون می‌توانید یک مقدار را به چند متغییر به صورت همزمان در یک خط بدهیم

# همچنین می‌توان یک مقدار را به چند متغییر اختصاص داد.

a = b = c = 100
print(a)
print(b)
print(c)

این بخش نشان می‌دهد که چگونه می‌توان یک مقدار را به چند متغییر اختصاص داد.

دادن یک لیست به متغییر:

در پایتون می‌توانیم یک لیست را به یک متغییر نسبت دهیم

# یک لیست از اعداد را می‌توان به یک متغییر اختصاص داد.

numbers = [1, 2, 3, 4, 5]
print(numbers)

این بخش نشان می‌دهد که چگونه می‌توان یک لیست از اعداد را به یک متغییر اختصاص داد.

نکته:
مقدار های داخل لیست در [ ] قرار می‌گیرند

اختصاص مقادیر یک لیست به چند متغییر:

در پایتون می‌توان مقدار های یک لیست رو به متغییر ها یه روش زیر اختصاص داد

# می‌توان مقادیر یک لیست را به چند متغییر اختصاص داد.

first_name, second_name, third_name = ["Ali", "Reza", "Maryam"]
print(first_name)
print(second_name)
print(third_name)

این بخش نشان می‌دهد که چگونه می‌توان مقادیر یک لیست را به چند متغییر اختصاص داد.

جمع دو رشته:

در پایتون می‌توانیم به صورت زیر بااستفاده از عملگر (+)دو رشته را با هم جمع کنیم

# دو رشته را می‌توان با هم جمع کرد تا یک رشته جدید ایجاد شود.

part_one = "Hello "
part_two = "Friends!"
combined_string = part_one + part_two
print(combined_string)

این بخش نشان می‌دهد که چگونه می‌توان دو رشته را با هم جمع کرد تا یک رشته جدید ایجاد کنیم.


امیدوارم این آموزش به شما کمک کرده باشه و کانال من رو به دوستان خود معرفی کنید😁

🔗https://t.iss.one/pythonhamid

#python

آموزش کتابخانه Theano برای پایتون 🐍

📌 Theano یک کتابخانه پایتون برای محاسبات عددی است که به ویژه برای یادگیری ماشین و شبکه‌های عصبی استفاده می‌شود. این کتابخانه توسط تیم تحقیقاتی دانشگاه مونترال توسعه یافته است و اولین بار در سال 2008 معرفی شد. نسخه پایدار نهایی آن 1.0.5 در سپتامبر 2017 منتشر شد.

ویژگی‌های کلیدی Theano 📊

- محاسبات کارآمد: محاسبات عددی با کارایی بالا، به ویژه برای GPU.
- دیفرانسیل‌گیری خودکار: محاسبه خودکار گرادیان‌ها برای بهینه‌سازی مدل‌ها.
- سازگاری با NumPy: استفاده آسان از آرایه‌های NumPy.
- پشتیبانی از توزیع و پردازش موازی: استفاده از توان پردازشی GPU و CPU به صورت همزمان.

## نصب کتابخانه Theano 🚀
ابتدا باید کتابخانه را نصب کنید. برای این کار از دستور زیر استفاده کنید:

pip install theano

ایجاد یک مدل ساده 📈
در این بخش، یک مدل ساده با استفاده از Theano ایجاد می‌کنیم. این مدل دو عدد را با هم جمع می‌کند.

توضیحات کد:

import theano
import theano.tensor as T

# تعریف متغیرها
x = T.dscalar('x')
y = T.dscalar('y')

# تعریف تابع
z = x + y

# کامپایل کردن تابع
f = theano.function([x, y], z)

# استفاده از تابع
result = f(2, 3)
print(result)  # خروجی: 5

🔹 تعریف متغیرها: در این قسمت، دو متغیر ورودی x و y با نوع dscalar (عدد اعشاری) تعریف شده‌اند.
🔹 تعریف تابع: تابع z به صورت جمع دو متغیر x و y تعریف شده است.
🔹 کامپایل کردن تابع: تابع f با استفاده از theano.function کامپایل شده است که ورودی‌های x و y را گرفته و z را محاسبه می‌کند.
🔹 استفاده از تابع: با فراخوانی f(2, 3)، تابع جمع دو عدد 2 و 3 را محاسبه و نتیجه 5 را برمی‌گرداند.

پیاده‌سازی یک شبکه عصبی ساده 🧠
در این قسمت، یک شبکه عصبی ساده با Theano ایجاد می‌کنیم.

توضیحات کد:

import numpy as np

# تعریف متغیرهای ورودی و وزن‌ها
X = T.dmatrix('X')
W = theano.shared(np.random.randn(2, 1), name='W')
b = theano.shared(0., name='b')

# تعریف تابع شبکه عصبی
output = T.nnet.sigmoid(T.dot(X, W) + b)

# کامپایل کردن تابع
predict = theano.function([X], output)

# ورودی نمونه
X_sample = np.array([[1, 2], [3, 4], [5, 6]])

# پیش‌بینی
predictions = predict(X_sample)
print(predictions)

🔹 تعریف متغیرهای ورودی و وزن‌ها: متغیر X به صورت ماتریس (dmatrix) تعریف شده است. وزن‌ها W و بایاس b نیز به صورت shared تعریف شده‌اند که به شبکه عصبی اجازه می‌دهد که آنها را در طول آموزش تغییر دهد.
🔹 تعریف تابع شبکه عصبی: تابع output با استفاده از sigmoid از theano.tensor.nnet تعریف شده است که خروجی شبکه عصبی را محاسبه می‌کند.
🔹 کامپایل کردن تابع: تابع predict با استفاده از theano.function کامپایل شده است که ورودی X را گرفته و خروجی شبکه را محاسبه می‌کند.
🔹 ورودی نمونه: یک نمونه ورودی X_sample به صورت آرایه‌ای از NumPy تعریف شده است.
🔹 پیش‌بینی: با فراخوانی predict(X_sample)، پیش‌بینی شبکه عصبی برای ورودی‌های نمونه محاسبه و نتیجه نمایش داده می‌شود.

نتیجه‌گیری
کتابخانه Theano ابزار قدرتمندی برای انجام محاسبات ریاضی پیچیده و پیاده‌سازی مدل‌های یادگیری ماشین است. با استفاده از این آموزش، شما می‌توانید شروع به کار با این کتابخانه کنید و پروژه‌های خود را بهبود بخشید.

[اینم کانال منه]

#Theano #Python #MachineLearning #DeepLearning #DataScience #آموزش_پایتون #یادگیری_ماشین #شبکه_عصبی