#فصل_سوم
#آموزش_قدم‌به‌قدم_هوش_مصنوعی

✅ قسمت 2: متغیرها چیه؟ صندوقچه‌های اطلاعات پایتون! 🤖📦

سلام رفقااا 😍
امروز می‌ریم سراغ یکی از مهم‌ترین مفاهیم برنامه‌نویسی…
چیزی که بدون اون هیچ پروژه هوش مصنوعی‌ای ساخته نمیشه: متغیرها!

---

✨ متغیر چیه؟

متغیر مثل یک جعبه یا صندوقچه است که یک مقدار داخلش می‌ذاریم.
مثلاً عدد، متن، یا حتی نتیجه یک مدل هوش مصنوعی! 😎

در پایتون خیلی راحت می‌نویسیم:

name = "Ali"
age = 15

حالا پایتون این اطلاعات رو نگه می‌داره.

---

✨ انواع داده مهم در پایتون

🔹 عدد (int, float)
مثل 10 ، 3.14 ، 2000

🔹 متن (string)
مثل "سلام" یا "StudentAI"

🔹 داده منطقی (bool)
True یا False
(خیلی تو هوش مصنوعی کاربرد داره!)

---

✨ چطوری از متغیرها استفاده کنیم؟

name = "Sara"
score = 18.75

print(name)
print("نمره:", score)

پایتون هر دفعه مقدار داخل متغیر رو نمایش می‌ده.

---

✨ تمرین امروز — ساخت یک ماشین‌حساب کوچولو! 🔢🤩

در گوگل کولب کد زیر رو بنویس:

a = 10
b = 5

print("جمع:", a + b)
print("تفریق:", a - b)
print("ضرب:", a * b)
print("تقسیم:", a / b)

حالا خودت یک ماشین‌حساب با مقادیر جدید بساز
و یک پیام دلخواه به شکل print هم اضافه کن! 💙

---

👀 قسمت بعدی:
«لیست و دیکشنری؛ چطور داده‌ها رو مثل دیتاست ذخیره کنیم؟ 📊🤖»

✔️ هوش مصنوعی برای دانش‌آموزان
➖➖➖➖➖
🪙 : @StudentAI

📰فایل تمرین جلسه دوم (در گوگل کولب بازش کنید)

✔️ هوش مصنوعی برای دانش‌آموزان
➖➖➖➖➖
🪙 : @StudentAI

#فصل_سوم
#آموزش_قدم‌به‌قدم_هوش_مصنوعی

✅ قسمت 3: کار با داده‌ها — لیست‌ها و دیکشنری‌ها 📊🤖

سلام بچه‌ها 😍
تا حالا با متغیرها و انواع داده‌ها آشنا شدیم.
امروز می‌خوایم یاد بگیریم چطور داده‌ها رو جمع کنیم و سازماندهی کنیم تا آماده‌ی پروژه‌های هوش مصنوعی باشن!

---

✨ لیست‌ها (Lists)

لیست مثل یک کشوی چند خانه‌ای است که می‌تونی چندین داده توش ذخیره کنی.
مثال:

numbers = [10, 20, 30, 40]
fruits = ["سیب", "موز", "هندوانه"]
print(numbers)
print(fruits)

می‌تونی با اندیس به هر خانه دسترسی داشته باشی:

print(fruits[1])  # خروجی: موز

---

✨ دیکشنری‌ها (Dictionaries)

دیکشنری مثل یک دفترچه است که کلید و مقدار داره.
مثال:

student = {
    "name": "Ali",
    "age": 15,
    "grade": 20
}

print(student)
print(student["name"])  # خروجی: Ali

خیلی کاربردیه برای ذخیره اطلاعات هر دانش‌آموز، محصول یا ویژگی یک مدل هوش مصنوعی.

---

✨ تمرین امروز — ساخت دیتاست کوچک 📝

۱. یک لیست بساز با ۵ عدد دلخواه
۲. یک دیکشنری بساز برای ۳ دانش‌آموز با مشخصات: نام، سن، نمره
۳. مقادیر هر دانش‌آموز رو چاپ کن

مثال:

numbers = [1, 2, 3, 4, 5]
students = {
    "Sara": {"age": 16, "score": 18},
    "Ali": {"age": 15, "score": 20},
    "Nima": {"age": 17, "score": 19}
}

print(numbers)
print(students["Sara"])

---

👀 قسمت بعدی:
«شرط‌ها و حلقه‌ها — چطور برنامه‌ها تصمیم می‌گیرن؟ 🔄💡»

✔️ هوش مصنوعی برای دانش‌آموزان
➖➖➖➖➖
🪙 : @StudentAI

📰فایل تمرین جلسه سوم (در گوگل کولب بازش کنید)

✔️ هوش مصنوعی برای دانش‌آموزان
➖➖➖➖➖
🪙 : @StudentAI

#فصل_سوم
#آموزش_قدم‌به‌قدم_هوش_مصنوعی

✅ جلسه چهارم: شرط‌ها و حلقه‌ها؛ کنترل رفتار برنامه

🔥 امروز وارد مرحله‌ای می‌شیم که برنامه می‌تونه خودش تصمیم بگیره و کارها رو تکرار کنه!

🧩 موضوع جلسه

در این جلسه با دو ابزار مهم آشنا می‌شیم:

🔹 شرط‌ها (if / else): تصمیم‌گیری
🔹 حلقه‌ها (for): انجام کارهای تکراری


🟢 شرط‌ها (if / else)

📌 مثال ۱

score = 19

if score >= 18:
    print("عالی! 👏")
else:
    print("می‌تونی بهتر هم باشی 🙂")

🔄 حلقه‌ها (for)

📌 مثال ۲

for i in range(5):
    print("سلام! این پیام شماره:", i)

🎁 تمرین امروز: «ربات انتخاب هدیه»

📌 یک لیست از علایق دوستت بساز

interests = ["کتاب", "فوتبال", "بازی"]

📌 سپس با شرط تصمیم بگیر چه هدیه‌ای مناسب است

if "فوتبال" in interests:
    print("هدیه پیشنهادی: توپ ⚽️")
elif "نقاشی" in interests:
    print("هدیه پیشنهادی: مدادرنگی 🎨")
else:
    print("هدیه پیشنهادی: کارت هدیه 🎁")

📌 حالا با حلقه، علایق را یکی‌یکی چاپ کنیم

for item in interests:
    print("دوستت علاقه داره به:", item)

🌟 تبریک! تو امروز یاد گرفتی برنامه چطور فکر می‌کنه و تصمیم می‌گیره.

✔️ هوش مصنوعی برای دانش‌آموزان
➖➖➖➖➖
🪙 : @StudentAI

📰فایل تمرین جلسه چهارم (در گوگل کولب بازش کنید)

✔️ هوش مصنوعی برای دانش‌آموزان
➖➖➖➖➖
🪙 : @StudentAI

#فصل_سوم
#آموزش_قدم‌به‌قدم_هوش_مصنوعی

🔵 قسمت 5: آشنایی کامل با کتابخانه‌های مهم هوش مصنوعی + اولین کدنویسی‌های جدی!

در دنیای هوش مصنوعی، پایتون یک زبان فوق‌العاده قدرتمند است…
اما چیزی که پایتون را تبدیل به سلطان هوش مصنوعی می‌کند، کتابخانه‌های آن هستند!
امروز با سه کتابخانه اصلی آشنا می‌شیم و اولین تحلیل داده واقعی‌مون را انجام می‌دیم 🤖🔥



🔸کتابخانه NumPy — قلب محاسبات هوش مصنوعی

کتابخانه NumPy مثل یک ماشین‌حساب فوق سریع عمل می‌کنه.
هوش مصنوعی پشت صحنه از هزاران عدد (ماتریس) استفاده می‌کنه، و NumPy این محاسبات را برق‌آسا انجام می‌دهد ⚡️

📌 نصب و وارد کردن NumPy

در گوگل کولب فقط کافیه بنویسی:

import numpy as np

📌 ساخت آرایه (Array)

import numpy as np

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

📌 چند عملیات مهم:

print(numbers + 10)      # جمع
print(numbers * 2)       # ضرب
print(np.mean(numbers))  # میانگین
print(np.max(numbers))   # بزرگ‌ترین مقدار

⭐️ چرا مهمه؟

چون تمام مدل‌های هوش مصنوعی روی ماتریس‌ها کار می‌کنن
و NumPy استاد ماتریس‌هاست.


🔸کتابخانه Pandas — استاد سامان‌دهی و تحلیل داده‌ها

وقتی یک فایل داده داری (مثل نمرات دانش‌آموزان، قد/وزن، قیمت طلا و…)، کتابخانه pandas کمک می‌کنه مثل اکسل سریع‌تر اونو مدیریت کنی 📊🐼

📌 وارد کردن pandas

import pandas as pd

📌 ساخت یک دیتاست ساده

data = {
    "نام": ["علی", "سارا", "مهدی"],
    "سن": [15, 16, 15],
    "نمره": [18, 19, 17]
}

df = pd.DataFrame(data)
print(df)

📌 خواندن یک فایل CSV

df = pd.read_csv("sample.csv")
df.head()   # نمایش ۵ ردیف اول

📌 عملیات مهم:

print(df.describe())      # خلاصه آماری
print(df["نمره"].mean())  # میانگین نمره‌ها
print(df[df["سن"] > 15])  # فیلتر کردن

🔸کتابخانه Matplotlib — نقاش داده‌ها

قبل از ساخت مدل هوش مصنوعی، باید داده را ببینیم.
کتابخانه Matplotlib کمک می‌کند نمودار رسم کنیم و الگوها را بفهمیم 🎨📈

📌 وارد کردن matplotlib

import matplotlib.pyplot as plt

📌 رسم یک نمودار ساده

x = [1, 2, 3, 4]
y = [10, 20, 15, 25]

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

📌 نمودار میله‌ای

plt.bar(["علی", "سارا", "مهدی"], [18, 19, 17])
plt.title("نمرات دانش‌آموزان")
plt.show()

🔷 تمرین اصلی: تحلیل یک دیتاست واقعی 🔍

این تمرین دانش‌آموز را برای اولین پروژه‌های هوش مصنوعی آماده می‌کند.

📌 دیتاست نمونه (می‌تونی در کولب بسازی)

import pandas as pd

data = {
    "روز": ["شنبه", "یکشنبه", "دوشنبه", "سه‌شنبه", "چهارشنبه"],
    "دانش‌آموزان حاضر": [28, 30, 27, 29, 31]
}

df = pd.DataFrame(data)
df

📌 تحلیل داده

print("میانگین حضور:", df["دانش‌آموزان حاضر"].mean())
print("بیشترین حضور:", df["دانش‌آموزان حاضر"].max())

📌 رسم نمودار

import matplotlib.pyplot as plt

plt.plot(df["روز"], df["دانش‌آموزان حاضر"])
plt.title("میزان حضور دانش‌آموزان در هفته")
plt.xlabel("روز")
plt.ylabel("تعداد")
plt.show()

🔥 این بخش برای اولین بار به دانش‌آموز نشون می‌ده که می‌تونه داده‌های واقعی رو بخونه، تحلیل کنه و نتیجه رو به شکل گراف ببینه.
این یعنی ورود رسمی به دنیای Data Science 🌟

👀 قسمت بعدی: مفهوم مدل‌سازی در یادگیری ماشین — مدل یعنی چی و چطور پیش‌بینی می‌کنه؟

✔️ هوش مصنوعی برای دانش‌آموزان
➖➖➖➖➖
🪙 : @StudentAI

📰فایل تمرین جلسه پنجم (در گوگل کولب بازش کنید)

✔️ هوش مصنوعی برای دانش‌آموزان
➖➖➖➖➖
🪙 : @StudentAI

🤍ما در فصل سوم بخاطر سنگین تر بودن محتوا و درک مفاهیم، پست های آموزشی رو با فاصله زمانی بیشتری قرار میدیم که شما در این زمان بتونید تمرین کنید و کدنویسی رو انجام بدید.
اگر تا الان شروع نکردید لطفا هر چه سریعتر مطالب رو پیگیری و کدها رو بنویسید.

اگه امروز حتی یک قدم کوچک در مسیر یادگیری هوش مصنوعی برداری، فردا همین قدم کوچک می‌تونه شروع مسیر شغلی‌ای باشه که دنیا رو تغییر می‌ده—پس ادامه بده، تو دقیقاً در مسیر درستی هستی

✔️ هوش مصنوعی برای دانش‌آموزان
➖➖➖➖➖
🪙 : @StudentAI

🤖 معاون آموزش متوسطه وزارت آموزش و پرورش گفت: برنامه آموزش هوش مصنوعی برای دانش‌آموزان دوره اول متوسطه با همکاری معاونت علمی ریاست‌جمهوری و وزارت ارتباطات در حال پیگیری است و به‌زودی در سطح ملی اجرایی خواهد شد.


✔️ هوش مصنوعی برای دانش‌آموزان
➖➖➖➖➖
🪙 : @StudentAI

🔡🔡بهترین ابزارهای هوش مصنوعی های سال 2025

در قالب فایل PDF (به صورت اسلایدی)

✔️ هوش مصنوعی برای دانش‌آموزان
➖➖➖➖➖
🪙 : @StudentAI

#فصل_سوم
#آموزش_قدم‌به‌قدم_هوش_مصنوعی

🔵 قسمت 6: مفهوم مدل‌سازی در یادگیری ماشین (با کدنویسی واقعی)

تا اینجا یاد گرفتیم با پایتون داده بسازیم و تحلیل کنیم 📊
حالا وقتشه به برنامه‌مون قدرت فکر کردن و پیش‌بینی بدیم 🤖🧠

🔸 مدل یعنی چی؟

مدل یعنی برنامه‌ای که:

* از داده‌های قبلی یاد می‌گیره
* بعد می‌تونه برای داده‌های جدید پیش‌بینی انجام بده

مثال ساده:
اگر بدونیم:

* ۲ ساعت مطالعه → نمره ۱۲
* ۴ ساعت مطالعه → نمره ۱۶

مدل یاد می‌گیره هرچی بیشتر درس بخونیم، نمره بالاتر می‌ره 📈

🔸 ورودی و خروجی مدل

در این درس:

* ورودی (Input): ساعت مطالعه
* خروجی (Output): نمره امتحان

🔸 ساخت اولین مدل هوش مصنوعی با پایتون

1️⃣ وارد کردن کتابخانه‌ها

import numpy as np
from sklearn.linear_model import LinearRegression

2️⃣ ساخت دیتاست آموزشی

# ساعت مطالعه
hours = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)

# نمره‌ها
scores = np.array([10, 12, 14, 16, 18])

print(hours)
print(scores)

3️⃣ ساخت و آموزش مدل

model = LinearRegression()
model.fit(hours, scores)

print("مدل آموزش دید ✅")

اینجا مدل تلاش می‌کنه رابطه بین ساعت مطالعه و نمره رو یاد بگیره.

4️⃣ پیش‌بینی برای داده جدید

new_hours = np.array([[6]])
predicted_score = model.predict(new_hours)

print("نمره پیش‌بینی‌شده برای ۶ ساعت مطالعه:", predicted_score[0])

🎯 یعنی اگر دانش‌آموز ۶ ساعت درس بخونه، مدل نمره حدودی رو حدس می‌زنه.

🔸 دیدن نتیجه مدل به‌صورت تصویری 📊

import matplotlib.pyplot as plt

plt.scatter(hours, scores)
plt.plot(hours, model.predict(hours))
plt.xlabel("ساعت مطالعه")
plt.ylabel("نمره")
plt.title("مدل پیش‌بینی نمره")
plt.show()

🔍 نقطه‌ها داده‌های واقعی هستن
📈 خط، تصمیم مدل هوش مصنوعی

🔥 چرا این درس خیلی مهمه؟

چون:

* این اولین مدل واقعی یادگیری ماشین شماست
* پایه تمام پروژه‌های بزرگ AI از همین جا ساخته می‌شه
* از اینجا به بعد فقط نوع داده و مدل تغییر می‌کنه

👀 قسمت بعدی:
پروژه اول — تشخیص احساسات جملات 😊😡

✔️ هوش مصنوعی برای دانش‌آموزان
➖➖➖➖➖
🪙 : @StudentAI

سایت Edcafe.ai یک پلتفرم هوشمند مبتنی بر هوش مصنوعی است که به‌طور اختصاصی برای معلمان و مربیان طراحی شده تا فرآیند تهیه و مدیریت مواد آموزشی را ساده و کارآمد سازد.

با ابزارهای قدرتمند این سایت، معلمان می‌توانند در عرض چند ثانیه درس‌نامه‌ها، اسلایدها، فلش‌کارت‌ها، آزمون‌های تعاملی، چت‌بات‌های آموزشی، تصاویر و سایر منابع شخصی‌سازی‌شده تولید کنند.

این پلتفرم زمان آماده‌سازی درس را به‌طور قابل‌توجهی کاهش می‌دهد، امکان یادگیری شخصی‌سازی‌شده برای دانش‌آموزان را فراهم می‌آورد و با استانداردهای امنیتی بالا (مانند GDPR و FERPA) سازگار است.

سایت Edcafe.ai گزینه‌ای ایده‌آل برای معلمان در سطوح مختلف آموزشی است که به دنبال افزایش تعامل دانش‌آموزان و بهبود کیفیت تدریس هستند.


✔️ هوش مصنوعی برای دانش‌آموزان
➖➖➖➖➖
🪙 : @StudentAI

#فصل_سوم
#آموزش_قدم‌به‌قدم_هوش_مصنوعی

🔵 قسمت 7: پروژه اول — تشخیص احساسات جملات

امروز وارد اولین پروژه عملی متن می‌شویم!
هدف: ساخت یک برنامه کوچک که بتواند احساس جملات را تشخیص دهد 🤩😡

🔸 مرحله 1: ساخت دیتاست

برای اینکه مدل یاد بگیرد، اول باید یک دیتاست داشته باشیم.
دیتاست ما خیلی ساده است، شامل جملات مثبت و منفی:

import pandas as pd

data = {
    "text": [
        "این فیلم عالی بود",
        "خیلی از این کتاب خوشم آمد",
        "این محصول افتضاح است",
        "اصلاً خوب نبود",
        "تجربه فوق‌العاده‌ای داشتم",
        "خیلی بد بود و ناراحت شدم"
    ],
    "sentiment": ["positive", "positive", "negative", "negative", "positive", "negative"]
}

df = pd.DataFrame(data)
df

📌 این دیتاست شامل دو ستون است:

* text → جمله
* sentiment → احساس جمله (مثبت یا منفی)

🔸 مرحله 2: تبدیل متن به عدد

مدل‌های یادگیری ماشین نمی‌توانند متن را مستقیم بخوانند،
پس باید آن را به اعداد تبدیل کنیم:

from sklearn.feature_extraction.text import CountVectorizer

vectorizer = CountVectorizer()
X = vectorizer.fit_transform(df["text"])
y = df["sentiment"]

print("شکل داده‌های عددی:", X.shape)

🔹کد CountVectorizer هر کلمه را به یک ستون عددی تبدیل می‌کند،
و هر جمله یک ردیف از داده‌های عددی می‌شود.

🔸 مرحله 3: آموزش مدل

برای این پروژه از مدل Multinomial Naive Bayes استفاده می‌کنیم:

from sklearn.naive_bayes import MultinomialNB

model = MultinomialNB()
model.fit(X, y)

print("مدل آموزش دید ✅")

✅ حالا مدل ما یاد گرفته که چه جملاتی مثبت و چه جملاتی منفی هستند.

🔸 مرحله 4: تست مدل با جملات جدید

حالا می‌توانیم جملات جدید را بررسی کنیم:

test_sentences = [
    "این فیلم خیلی خوب بود",
    "از خرید این کالا ناراضی هستم"
]

X_test = vectorizer.transform(test_sentences)
predictions = model.predict(X_test)

for sentence, sentiment in zip(test_sentences, predictions):
    print(sentence, "→", sentiment)

🔹 مدل به ما می‌گوید که جمله مثبت است یا منفی، حتی برای جملاتی که قبلاً ندیده است!

🔸 نکات مهم

* این پروژه یک نمونه ساده از پردازش زبان طبیعی (NLP) است
* الگوریتم Naive Bayes برای متن خیلی سریع و کارآمد است
* ایده اصلی: دیتا → مدل → پیش‌بینی

👀 قسمت بعدی:
پروژه دوم — دسته‌بندی تصاویر ساده 🖼

✔️ هوش مصنوعی برای دانش‌آموزان
➖➖➖➖➖
🪙 : @StudentAI