W3schoolsfa | پایتون ،برنامه نویسی و هوش مصنوعی آموزش رایگان
前往频道在 Telegram
📈 Telegram 频道 W3schoolsfa | پایتون ،برنامه نویسی و هوش مصنوعی آموزش رایگان 的分析概览
频道 W3schoolsfa | پایتون ،برنامه نویسی و هوش مصنوعی آموزش رایگان (@pyfaw3schools) 波斯语 语言赛道中的 是活跃参与者。目前社区聚集了 10 297 名订阅者，在 教育 类别中位列第 18 919，并在 伊朗 地区排名第 30 265 位。
📊 受众指标与增长动态
自 невідомо 创建以来，项目保持高速增长，吸引了 10 297 名订阅者。
根据 08 十月, 2026 的最新数据，频道保持稳定运转。过去 30 天订阅人数变化为 62，过去 24 小时变化为 -1，整体触达仍然可观。
- 认证状态： 未认证
- 互动率 (ER)： 平均受众互动率为 13.97%。内容发布后 24 小时内通常能获得 4.74% 的反应，占订阅者总量。
- 帖子覆盖： 每篇帖子平均可获得 1 439 次浏览，首日通常累积 488 次浏览。
- 互动与反馈： 受众积极参与，单帖平均反应数为 4。
- 主题关注点： 内容集中在 پایتون, لرنینگ, دیتاساینس, فرمت, داده 等核心主题上。
📝 描述与内容策略
作者将该频道定位为表达主观观点的平台：
“یادگیری سریع و آسان برنامه نویسی بهمراه نقشه راه”
凭借高频更新（最新数据采集于 09 十月, 2026），频道始终保持新鲜度与高覆盖。分析显示受众积极互动，使其成为 教育 类别中的关键影响点。
10 297
订阅者
-124 小时
+27 天
+6230 天
数据加载中...
相似频道
标签云
进出提及
---
---
---
---
---
---
吸引订阅者
十月 '2610月 '26
十月 '26
+17
在0个频道中
九月 '26
+128
在0个频道中
Get PRO
八月 '26
+215
在0个频道中
Get PRO
七月 '26
+463
在2个频道中
Get PRO
六月 '26
+358
在2个频道中
Get PRO
五月 '26
+48
在0个频道中
Get PRO
四月 '26
+27
在0个频道中
Get PRO
三月 '26
+8
在0个频道中
Get PRO
二月 '26
+582
在2个频道中
Get PRO
一月 '26
+283
在2个频道中
Get PRO
十二月 '25
+175
在2个频道中
Get PRO
十一月 '25
+317
在2个频道中
Get PRO
十月 '25
+482
在2个频道中
Get PRO
九月 '25
+454
在3个频道中
Get PRO
八月 '25
+320
在3个频道中
Get PRO
七月 '25
+717
在5个频道中
Get PRO
六月 '25
+451
在4个频道中
Get PRO
五月 '25
+594
在4个频道中
Get PRO
四月 '25
+463
在2个频道中
Get PRO
三月 '25
+509
在8个频道中
Get PRO
二月 '25
+535
在2个频道中
Get PRO
一月 '25
+439
在3个频道中
Get PRO
十二月 '24
+417
在2个频道中
Get PRO
十一月 '24
+476
在5个频道中
Get PRO
十月 '24
+618
在2个频道中
Get PRO
九月 '24
+956
在6个频道中
Get PRO
八月 '24
+1 938
在13个频道中
Get PRO
七月 '24
+518
在12个频道中
Get PRO
六月 '24
+1 813
在26个频道中
Get PRO
五月 '24
+3 330
在3个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 08 十月 | +1 | |||
| 07 十月 | +1 | |||
| 06 十月 | +3 | |||
| 05 十月 | +2 | |||
| 04 十月 | 0 | |||
| 03 十月 | +3 | |||
| 02 十月 | +5 | |||
| 01 十月 | +2 |
频道帖子
| 2 | 🚀 مهندسی هوش مصنوعی؛ یکی از پردرآمدترین و پرتقاضاترین مشاغل ایران و دنیا هستش 🌍💼
ولی برای شروعش باید هزینه و زمان زیادی بذارید و ممکنه خیلی مواقع حتی هزینه زیادی برای دوره کرده باشی، اما یا خیلی طولانی بوده و خسته شدی یا اینکه اون چیزی که میخواستی نبوده 😩
ما این مسیر رو به این شکل براتون کوتاه کردیم: 📉
✅پیدا کردن پرطرفدارترین دوره های ویدیویی udemy برای هر مبحث با زیرنویس فارسی و فایل های تمرین 🎥
✅ دسترسی به جزوه های پرطرفدارمون یعنی بخون ، اجرا کن ، یاد بگیر که شامل پایتون، ریاضیات هوش مصنوعی ، نامپای، و کلی جزوه های مرتبط با یادگیری پایتون و هوش مصنوعی 📚🧠
✅ دوره های ویدیویی به ترتیب نقشه راه و ویژه شروع از صفر مطلق آپلود شدند
عضویت در کانال مادام العمر+ پشتیبانی مادام العمر
برای سفارش سریع کلمه"کانال" رو به آیدی زیر ارسال کنید
@w3schoolfaadmin | 175 |
| 3 |  یکی از هدایایی که به قراره به ۲۰ عضو اول کانال تعلق بگیره، همین کتاب ارزشمنده،
هم مهندسی پرامپت یاد میگیری و هم اخرش یاد میگیری چطوری پرامپت بنویسی که شانس پروژه گرفتنت بره بالا
برای سفارش کلمه "کانال"
رو به آیدب زیر بفرست:
@w3schoolfaadmin | 325 |
| 4 | آخرین بار کِی یه دوره AI رو شروع کردی و نیمه‌کاره ول کردی؟ 😢
مشکل تو نیستی؛ مشکل اینه که مسیر نداری. یه ویدیو از اینجا، یه ویدیو از اونجا، بدون ترتیب.
ما این مسیر رو چیدیم: پایتون ← یادگیری عمیق ← FastAPI ← ایجنت‌ها ← ساخت پروژه واقعی
بهترین دوره‌های جهانی، ترجمه‌شده، به ترتیب درست.
🎁به ۲۰ نفر اولی که واریز کنن و رسید ارسال کنند، ۲ کتاب پرامپت + ۱۰۰ کوییز پایتون هدیه داده خواهد
سفارش : @w3schoolfaadmin | 364 |
| 5 | لیست آموزشها :
آموزش پایتون از صفر مطلق
آموزش گیت هاب
آموزش ساخت ۵ ربات تریدینگ با پایتون
آموزش ترید با الگوریتم های ماشین لرنینگ
آموزش یادگیری عمیق با گوگل کولب
آموزش صفر تا صد هوش مصنوعی(یادگیری ماشین+عمیق+مدل های llm+ترنسفورمرها+RAG)
آموزش fast API +داکر
آموزش کار با API جمنای
آموزش وایب کدینگ
آموزش ایجنت های AI
آموزش Claude Cowork | 407 |
| 6 |  با 700 هزارتومن مهندس هوش مصنوعی شو و به درامد عالی برس :
🚀 کانال VIP مهندسی هوش مصنوعی؛ از صفر تا ساخت پروژه واقعی
بهترین دوره‌های جهانی AI با ارزش بالای 1000 دلار، ترجمه‌شده و مرحله‌به‌مرحله
+
پی دی اف های بخون،اجرا کن، یاد بگیز
📚محتویات کانال به ترتیب نقشه راه:
🐍 پایتون از صفر مطلق
🤖 ساخت ۵ ربات تریدینگ با پایتون
📈 ترید با الگوریتم‌های ماشین لرنینگ
🧠 یادگیری عمیق با گوگل کولب
🎯 هوش مصنوعی از صفر تا صد
🍁آموزش ساخت اپلیکشن با fast api
✨ آموزش کار با GEMINI API
💻 وایب کدینگ وب سایت و اپلیکشن
🕹 آموزش پروژه محور ساخت ایجنت های AI
آموزش Claude Cowork
🔥 و آپدیت‌های آینده هم بدون هزینه
📕کتاب های پی دی اف آسان آموز با لین‌ک اجرای مثال(نامپای،پانداس،ماشین لرنینگ،دیپ لرنینگ، آمار دیتاساینس)
📕کتاب پی دی اف پرامپت های هوش مصنوعی برای یادگیری پایتون
با پشتیبانی رایگان مادام العمر
برای سفارش کلمه "کانال" رو به آیدی زیر بفرست
@w3schoolfaadmin | 509 |
| 7 | ۴۰ کوئیز که به شما کمک می‌کند مفاهیم چت‌بات‌های RAG را سریع یاد بگیرید.
یکی از مهم‌ترین وظایف مهندس هوش مصنوعی، پیاده‌سازی چت‌بات‌های RAG برای وب‌سایت‌ها، اپلیکیشن‌ها و حتی ربات‌های تلگرام است.
تکنیک RAG به این دلیل استفاده می‌شود که مدل‌های زبانی مثل چت جی پی تی، دانش عمومی دارند.
اگر بخواهیم برای سایت یا اپلیکیشن خود یک چت‌بات بسازیم که مانند ChatGPT پاسخ‌های انسانی تولید کند و به مشتریان درباره موجودی محصولات یا وضعیت سفارش‌ها پاسخ دهد، باید بتوانیم اطلاعات مورد نیاز را با تکنیک RAG تزریق کنیم. | 518 |
| 8 | قسمت آخر
۸. Deployment، Docker و MLOps
در نهایت باید یاد بگیرید چطور پروژه هوش مصنوعی خود را روی یک سرور یا سیستم واقعی اجرا و مدیریت کنید.
این بخش معمولاً با مفاهیمی مثل Deployment، Docker و MLOps مرتبط است.
برای پروژه‌های معمولی هوش مصنوعی بهتر است یاد بگیرید چطور:
مدل را روی سرور اجرا کنید
داده‌ها را مدیریت کنید
مدل را دوباره آموزش دهید
عملکرد مدل را بررسی و کنترل کنید
نسخه‌های مختلف مدل را مدیریت کنید
برای پروژه‌هایی که با LLMها کار می‌کنند، بهتر است موارد دیگری را هم یاد بگیرید، مثل:
مدیریت نسخه‌های مختلف Prompt و مدل
ارزیابی عملکرد مدل
بررسی عملکرد مدل در زمان استفاده واقعی
بررسی و کنترل هزینه استفاده از مدل
در نهایت، بازار کار بیشتر به دنبال افرادی است که فقط یک نمونه اولیه از یک سیستم هوش مصنوعی نمی‌سازند، بلکه می‌توانند آن را واقعاً اجرا کنند، روی سرور قرار دهند و در ادامه هم مدیریت و نگهداری کنند. | 727 |
| 9 | مهارت‌های هوش مصنوعی که باید تا آخر امسال یاد بگیرید، قسمت دوم:
۴. RAG و پیدا کردن اطلاعات
RAG یکی از روش‌های کاربردی برای وصل کردن مدل‌های هوش مصنوعی مثل ChatGPT به اطلاعات و داده‌های خارج از مدل است.
برای مثال، فرض کنید یک شرکت هزاران فایل و سند دارد. به‌جای اینکه مدل را دوباره آموزش دهیم، می‌توانیم کاری کنیم که هنگام پاسخ دادن، اطلاعات موردنیازش را از این فایل‌ها پیدا کند و از آن‌ها استفاده کند.
بعد از یادگیری اصول اولیه RAG، بهتر است با روش‌های پیشرفته‌تر هم آشنا شوید:
Hybrid Search — ترکیب چند روش جستجو برای پیدا کردن اطلاعات بهتر
Reranking — مرتب کردن دوباره نتایج و قرار دادن مرتبط‌ترین نتیجه‌ها در اول لیست
Metadata Filtering — فیلتر کردن اطلاعات بر اساس مواردی مثل تاریخ، نوع فایل یا نویسنده
Multimodal RAG — استفاده از RAG برای اطلاعات مختلف مثل متن، عکس و فایل‌های دیگر
Agentic RAG — استفاده از Agentها برای پیدا کردن اطلاعات موردنیاز به شکل هوشمندانه‌تر
Graph-based Retrieval — پیدا کردن اطلاعات بر اساس ارتباط بین داده‌ها
SQL و Structured-data Retrieval — گرفتن اطلاعات از دیتابیس‌ها و داده‌های ساختاریافته
در این مرحله، یاد گرفتن اصول جستجو و بازیابی اطلاعات (Information Retrieval) اهمیت زیادی دارد.
۵. AI Agentها و استفاده از ابزارها
یکی از مهارت‌هایی که بهتر است قبل از سال ۲۰۲۷ زمان زیادی برای یادگیری آن بگذارید، AI Agentها هستند.
یک Agent فقط یک مدل زبانی مثل ChatGPT نیست که یک پرامپت خوب به آن داده باشیم.
یک Agent می‌تواند برای رسیدن به یک هدف مشخص، تصمیم بگیرد از چه ابزاری استفاده کند، یک کار را انجام دهد، نتیجه را بررسی کند و در صورت نیاز مرحله بعدی را خودش انتخاب کند.
برای مثال، می‌توانیم یک Agent بسازیم که وقتی از آن می‌خواهیم درباره چند شرکت تحقیق کند، خودش اطلاعات موردنیاز را جستجو کند، نتایج را بررسی کند و در نهایت یک گزارش آماده کند.
برای کار با Agentها بهتر است این موارد را یاد بگیرید:
Function Calling — اینکه مدل بتواند یک تابع یا ابزار مشخص را اجرا کند
Tool Design — طراحی ابزارهایی که Agent بتواند از آن‌ها استفاده کند
State — نگه داشتن وضعیت فعلی کار
Memory — نگه داشتن اطلاعات برای استفاده در مراحل بعد
Planning — برنامه‌ریزی مراحل لازم برای رسیدن به یک هدف
Human-in-the-loop — وارد کردن انسان در بعضی مراحل برای بررسی یا تأیید تصمیم‌ها
Multi-agent Systems — استفاده از چند Agent که هرکدام وظیفه متفاوتی دارند
اهمیت این مهارت در بازار کار هم در حال بیشتر شدن است. طبق تحلیل مربوط به Stanford AI Index 2026، مهارت‌های مربوط به Agentهای هوش مصنوعی به‌عنوان یک حوزه مهارتی جدید در حال شکل‌گیری هستند و تعداد آگهی‌های شغلی مرتبط با Agentها بین سال‌های ۲۰۲۴ و ۲۰۲۵ به‌سرعت افزایش پیدا کرده است.
اما لازم نیست هر فریم‌ورک جدیدی که برای ساخت Agent معرفی می‌شود را یاد بگیرید.
فریم‌ورک‌ها ممکن است به‌سرعت تغییر کنند، اما مفاهیم و ساختار اصلی Agentها ماندگارتر هستند. بنابراین بهتر است تمرکز اصلی شما روی یادگیری این مفاهیم باشد.
۶. هوش مصنوعی چندرسانه‌ای (Multimodal AI)
هوش مصنوعی دیگر فقط با متن کار نمی‌کند. مدل‌های جدید می‌توانند اطلاعات مختلفی را هم‌زمان پردازش کنند.
برای مثال، می‌توانند با این نوع اطلاعات کار کنند:
تصویر
صدا
ویدیو
اسناد و فایل‌ها
اسکرین‌شات
جدول‌ها
متن
برای مثال، می‌توانید یک پروژه بسازید که در آن یک مدل بینایی-زبانی (Vision-Language Model) را با RAG ترکیب کنید.
در چنین سیستمی، برنامه می‌تواند درباره متن و تصاویر موجود در یک سند به سؤال‌های کاربر پاسخ دهد.
این نوع سیستم‌ها برای پروژه‌هایی مثل موارد زیر بسیار کاربردی هستند:
کار با اسناد و فایل‌ها
ساخت Agentهایی که با کامپیوتر کار می‌کنند
پشتیبانی از مشتریان
پروژه‌های تحقیقاتی
کار با اطلاعات و داده‌های شرکت‌ها
۷. APIها و ساخت برنامه‌های هوش مصنوعی
در این مرحله باید یاد بگیرید چطور یک مدل هوش مصنوعی را به یک برنامه واقعی و قابل استفاده تبدیل کنید.
برای این کار بهتر است با موارد زیر آشنا شوید:
REST API — روشی برای ارتباط بین برنامه‌ها
FastAPI — ابزاری در پایتون برای ساخت API
Authentication — روش شناسایی و تأیید هویت کاربران
Database — برای ذخیره و مدیریت اطلاعات
Webhooks — برای دریافت خودکار اطلاعات از سرویس‌های دیگر
Background Jobs — انجام بعضی کارها در پس‌زمینه
Streaming — ارسال اطلاعات به‌صورت مرحله‌به‌مرحله، مثل زمانی که پاسخ ChatGPT کم‌کم روی صفحه ظاهر می‌شود
Rate Limiting — محدود کردن تعداد درخواست‌ها برای جلوگیری از فشار زیاد روی سیستم | 681 |
| 10 | مهارت‌های هوش مصنوعی که باید تا آخر امسال یاد بگیرید، قسمت اول
۱. پایتون و برنامه‌نویسی
اول از همه پایتون (Python) را یاد بگیرید. لازم نیست از همان اول خیلی حرفه‌ای شوید، اما باید با چیزهایی مثل تابع، کلاس، کار با داده‌ها، API، برنامه‌نویسی، تست کردن کد، Git و پیدا کردن و درست کردن خطاها آشنا باشید.
امروزه کار در حوزه هوش مصنوعی فقط این نیست که یک مدل را آموزش بدهید. باید بتوانید مدل هوش مصنوعی را به چیزهای دیگری مثل دیتابیس، API، ابزارهای مختلف و برنامه‌های دیگر وصل کنید و کاری کنید که مدل واقعاً داخل یک برنامه قابل استفاده باشد.
پایتون هنوز یکی از مهم‌ترین زبان‌های برنامه‌نویسی برای کار در حوزه هوش مصنوعی است. طبق گزارش AI Index 2026، در سال ۲۰۲۵ در بیش از ۲۵۸ هزار آگهی شغلی در آمریکا به پایتون اشاره شده بود.
۲. یادگیری ماشین و آمار
فقط به خاطر محبوب شدن ChatGPT و مدل‌های زبانی، یادگیری ماشین قدیمی‌تر را کنار نگذارید.
بهتر است این موضوعات را یاد بگیرید:
رگرسیون و دسته‌بندی — مثلاً پیش‌بینی قیمت خانه یا تشخیص اینکه یک ایمیل اسپم است یا نه
درخت تصمیم و مدل‌های ترکیبی
خوشه‌بندی — پیدا کردن گروه‌های مشابه در بین داده‌ها
مهندسی ویژگی‌ها — آماده کردن اطلاعات به شکلی که مدل بهتر بتواند از آن‌ها استفاده کند
ارزیابی مدل — بررسی اینکه مدل چقدر خوب کار می‌کند
احتمال و آمار
بایاس و واریانس — دو مورد مهم که روی عملکرد مدل تأثیر می‌گذارند
Cross-validation — روشی برای اینکه مطمئن شویم مدل واقعاً خوب یاد گرفته و فقط روی داده‌های آموزشی خوب عمل نمی‌کند
آماده‌سازی و تمیز کردن داده‌ها
لازم نیست همه الگوریتم‌ها را حفظ کنید.
مهم‌تر این است که بفهمید یک مدل چرا خوب کار می‌کند، چه زمانی ممکن است اشتباه کند و چطور می‌توانیم بفهمیم عملکردش خوب است یا نه.
اگر این مفاهیم پایه را خوب یاد بگیرید، بعداً فهمیدن سیستم‌های جدید هوش مصنوعی هم خیلی راحت‌تر می‌شود.
۳. آشنایی با مدل‌های زبانی بزرگ (LLM)
بعد از این‌ها، بهتر است یاد بگیرید مدل‌هایی مثل ChatGPT در سطح کلی چطور کار می‌کنند.
با این مفاهیم آشنا شوید:
Transformer — تکنولوژی اصلی که در بسیاری از مدل‌های زبانی جدید استفاده می‌شود.
Token و Tokenization — اینکه مدل متن را چطور به قسمت‌های کوچک‌تر تقسیم می‌کند تا بتواند آن را پردازش کند.
Attention — روشی که مدل با استفاده از آن متوجه می‌شود کدام قسمت‌های متن مهم‌تر هستند.
Embedding — تبدیل کلمات و اطلاعات به اعداد، تا مدل بتواند ارتباط بین آن‌ها را بهتر درک کند.
Context Window — مقدار اطلاعاتی که مدل می‌تواند در یک گفتگو یا درخواست در نظر داشته باشد.
Inference — زمانی که مدل از چیزهایی که یاد گرفته استفاده می‌کند و جواب می‌دهد.
Fine-tuning — آموزش بیشتر یک مدل آماده برای اینکه در یک کار خاص بهتر عمل کند.
Quantization — کم‌حجم‌تر کردن مدل تا بتواند با سرعت بیشتر و منابع کمتری اجرا شود.
Structured Output — گرفتن خروجی مرتب و مشخص از مدل؛ مثلاً خروجی به شکل JSON.
بعد از اینکه این مفاهیم را یاد گرفتید، قدم بعدی این است که با پایتون برنامه‌هایی بسازید که از مدل‌های زبانی مثل ChatGPT استفاده می‌کنند. | 725 |
| 11 | چطور با پایتون وارد دنیای دیتاساینس بشیم؟ | 1 006 |
| 12 |  ♦️پیش ثبت نام رایگان در اولین دوره تولوپ
✅ آغاز گروه بندی تیم ها از سه شنبه ۱۴ مهرماه ۱۴۰۵
🔶 در این مسیر یاد میگیری:
▪️اصول نرم افزار به زبان خودمونی
▪️طراحی وب و برنامه نویسی
▪️فرانت‌اند، بک‌اند و دیتابیس
▪️مدیریت سورس و تیکت
▪️هاستینگ و راه اندازی دامنه
▪️بکارگیری حرفه ای هوش مصنوعی
🔷 ویژگی‌های دوره:
▪️منتورینگ زنده و تعاملی
▪️شبیه‌سازی تیم‌های نرم‌افزاری
▪️آموزش پروژه‌محور و عملی
▪️رزومه‌سازی و آمادگی برای مصاحبه
🟢 بدون پیش نیاز
❗️فرصت پیش ثبت نام رو به پایانه، صندلی خودت رو همین حالا رزرو کن 👇🏻
🌐 toloop.ir
حرفه ای ها تولوپن، تو هم تولوپ باش!
📩 پاسخ به سؤال‌ها:
@toloopir_admin
@toloopir | 840 |
| 13 | دوره ریاضیات برای مهندسین هوش مصنوعی با ترجمه یکی از بهترین دوره های یودمی :
فایل تمرین دوره:
قسمت اول:
قسمت دوم:
قسمت سوم:
قسمت چهارم:
قسمت پنجم:
قسمت ششم:
قسمت هفتم:
قسمت هشتم:
قسمت نهم:
قسمت دهم:
قسمت یازدهم:
قسمت دوازدهم:
قسمت سیزدهم
قسمت چهاردهم:
قسمت پانزدهم:
قسمت شانزدهم:
قسمت هفدهم:
قسمت هجدهم
قسمت نوزدهم
قسمت بیستم:
قسمت بیست و یکم:
قسمت بیست و دوم:
قسمت بیست و سوم:
قسمت بیست و چهارم:
قسمت بیست و پنجم:
قسمت بیست و ششم: | 1 735 |
| 14 |  برگه تقلب(چیت شیت) الگوریتم های هوش مصنوعی | 1 501 |
| 15 | 🔹 یک مثال واقعی از Data Science
فرض کنید اطلاعات فروش یک فروشگاه را بررسی می‌کنید.
می‌خواهید ببینید کدام خریدها ارزش بیشتری داشته‌اند.
SELECT customer_id, product_id, quantity, price,
quantity * price AS transaction_value
FROM sales
ORDER BY transaction_value DESC;
این کد چه کمکی می‌کند؟
• پیدا کردن خریدهای گران‌تر
• پیدا کردن مشتری‌های مهم‌تر
• بررسی خریدهای خیلی بزرگ و غیرعادی
• آماده کردن اطلاعات برای تحلیل بیشتر
🔹 اشتباهات رایج
اشتباه ۱ — فراموش کردن DESC
اگر می‌خواهید بیشترین حقوق اول نمایش داده شود:
ORDER BY salary DESC;
اگر فقط بنویسید:
ORDER BY salary;
حقوق‌ها معمولاً از کم به زیاد مرتب می‌شوند.
اشتباه ۲ — انتخاب ستون اشتباه
دقت کنید ستونی که برای مرتب کردن استفاده می‌کنید، همان چیزی باشد که واقعاً می‌خواهید بررسی کنید.
مثلاً اگر می‌خواهید حقوق افراد را مرتب کنید، باید از ستون salary استفاده کنید.
اشتباه ۳ — اشتباه در مرتب کردن چند ستون
این دستور:
ORDER BY department, salary DESC;
یعنی:
department → از A تا Z
salary → از زیاد به کم
یعنی هر دو ستون نزولی نیستند.
اگر می‌خواهید هر دو نزولی باشند:
ORDER BY department DESC, salary DESC;
اشتباه ۴ — اشتباه گرفتن WHERE با ORDER BY
این دو دستور کار متفاوتی دارند:
WHERE → ردیف‌ها را فیلتر می‌کند؛ یعنی مشخص می‌کند چه اطلاعاتی نمایش داده شود.
ORDER BY → ردیف‌ها را مرتب می‌کند؛ یعنی مشخص می‌کند اطلاعات با چه ترتیبی نمایش داده شوند.
مثلاً:
WHERE salary > 5000
یعنی فقط افرادی را نشان بده که حقوقشان بیشتر از ۵۰۰۰ است.
اما:
ORDER BY salary DESC
یعنی افراد را از بیشترین حقوق به کمترین حقوق مرتب کن.
🔹 سؤالات
۱. ORDER BY چیست؟
ORDER BY برای مرتب کردن نتیجه یک Query استفاده می‌شود.
می‌توانیم اطلاعات را بر اساس یک یا چند ستون مرتب کنیم.
۲. حالت پیش‌فرض مرتب‌سازی چیست؟
به طور معمول، حالت پیش‌فرض:
ASC
است.
یعنی از کم به زیاد یا از A تا Z.
۳. چطور بیشترین حقوق را پیدا کنیم؟
SELECT * FROM employees
ORDER BY salary DESC;
یعنی کارکنان را بر اساس حقوق، از بیشترین به کمترین مرتب کن.
۴. آیا می‌توانیم بر اساس چند ستون مرتب کنیم؟
بله.
مثلاً:
ORDER BY department ASC, salary DESC;
یعنی:
اول دپارتمان‌ها را به ترتیب الفبایی مرتب کن.
بعد داخل هر دپارتمان، حقوق را از زیاد به کم مرتب کن.
۵. تفاوت ASC و DESC چیست؟
ASC یعنی صعودی:
1 → 2 → 3 → 4
A → B → C → D
DESC یعنی نزولی:
4 → 3 → 2 → 1
D → C → B → A
🎯 تمرین
۱.
یک Query بنویسید که همه محصولات را از ارزان‌ترین تا گران‌ترین نمایش دهد.
۲.
یک Query بنویسید که کارکنان را از بیشترین حقوق تا کمترین حقوق نمایش دهد.
۳.
یک Query بنویسید که مشتری‌ها را بر اساس نام، به ترتیب الفبایی نمایش دهد.
۴.
یک Query بنویسید که فروش‌ها را بر اساس تاریخ مرتب کند و جدیدترین فروش‌ها را اول نشان دهد.
۵.
یک Query بنویسید که:
اول کارکنان را بر اساس نام دپارتمان، الفبایی مرتب کند.
بعد داخل هر دپارتمان، کارکنان را بر اساس حقوق از بیشترین به کمترین مرتب کند.
🎯 نکات مهمی که باید یادتان بماند
• ORDER BY برای مرتب کردن اطلاعات است.
• ASC یعنی صعودی؛ از کم به زیاد.
• DESC یعنی نزولی؛ از زیاد به کم.
• حالت پیش‌فرض معمولاً ASC است.
• می‌توانیم عددها، متن‌ها و تاریخ‌ها را مرتب کنیم.
• می‌توانیم بر اساس چند ستون مرتب‌سازی انجام دهیم.
• WHERE اطلاعات را فیلتر می‌کند.
• ORDER BY اطلاعات را مرتب می‌کند.
• ORDER BY برای پیدا کردن موارد بیشترین، کمترین، بالاترین و پایین‌ترین خیلی کاربردی است. | 285 |
| 16 | اطلاعیه: دوستان عزیزی که کتاب یادگیری عمیق برای مبتدیان رو سفارش دادن ، نسخه آپدیت شدش منتشر شد، برای دریافت و دانلود نسخه جدید به پشتیبانی پیام بدید:
@w3schoolfaadmin | 1 700 |
| 17 | پرامپت های هوش مصنوعی برای یادگیری سریع و راحت اسکالرها:
اسکالر رو در ریاضیات و یادگیری ماشین با مثال روزمره توضیح بده.
فرقش با بردار و ماتریس چیه؟ در ۵ خط و بدون فرمول سنگین.
```
یک اسکالر (عدد ۵) رو در NumPy، PyTorch و TensorFlow بساز.
کد هر سه رو کنار هم بنویس و بگو تفاوت نوع داده‌ی خروجی هر کدوم چیه.
جمع، ضرب، توان و جذر روی اسکالرها رو در هر سه کتابخانه نشون بده.
هر خط کد رو با یک کامنت فارسی توضیح بده.
تفاوت اسکالر پایتون (float) با تنسور صفر بعدی (0-D tensor) رو توضیح بده.
چطور در PyTorch با .item() و در TensorFlow با .numpy() عدد رو بیرون بکشم؟
dtype و shape اسکالر رو هم نشون بده.
اسکالرها دقیقاً کجای شبکه‌ی عصبی استفاده میشن؟
(مثل learning rate، loss، bias) با یک مثال کوچک کدنویسی‌شده نشون بده.
` | 1 753 |
| 18 | سایت Hugging Face به «گیت‌هابِ هوش مصنوعی» معروفه ؛ یعنی جایی که می‌توانید مدل‌ها و ابزارهای هوش مصنوعی رو تغییر بدید، پروژه‌های خودتونو آپلود کنید و از مدل‌های اوپن سورس بقیه استفاده کنید. همچنین با کمک کتابخانه transformers می‌تونید به راحتی و با چند خط کد پایتون، این مدل‌ها را در پروژه‌های خود به کار بگیرید.
علاوه بر این، Hugging Face آموزش‌های بسیار خوبی درباره LLMها و ایجنت‌های هوش مصنوعی داره که ما بخش «معرفی ایجنت‌های هوش مصنوعی» رو برای شما ترجمه کردیم | 1 655 |
| 19 | کاربرد ماشین لرنینگ در مدیریت گروه های تلگرامی:
اگر دنبال پروژه های کاربردی مهندسی هوش مصنوعی و ماشین لرنینگ در ایرانی، مطالعه این فایل شدیدا پیشنهاد میشه | 1 774 |
| 20 | 🔹 چه زمانی نباید سراغ الگوریتم های Deep Learning بریم؟
🔹 چرا مدل پیچیده همیشه بهتر نیست؟
🔹 چطور برای هر مسئله، ابزار مناسب رو انتخاب کنیم؟
توی این پادکست به سوالات بالا پاسخ دادیم، اگر میخوای مهندس AI بشی، گوش دادن به این پادکست واجبه! | 2 085 |
