🐍 Python & Raspberry 🐍

🥚 سال جدید، یادگیری Django و ورود به بازار کار با کوئراکالج 🤩 🌱 توی قاب نوروزی ۱۴۰۱ #کوئرا_کالج، قراره در کنار هم قرن جدید رو با یک گام بلند برای استخدام شدن به عنوان توسعه‌دهنده Django شروع کنیم؛ با #نقشه_راهی که میتونی پیشرفت خودت و همراهانت رو ببینی و … همه اینا یعنی دیگه توی این مسیر تنها نیستی! 🎇 از ۲۱ اسفند تا ۱۹ فروردین همراه با یک #عیدی جذاب از کوئرا 🎉 از یادگیری Django تا استخدام در شرکت‌های مطرح تکنولوژی این بار در کنار هم :) 🤚 به جمع همراهان نوروزی ۱۴۰۱ کوئرا کالج بپیوند و هدیه‌ات رو دریافت کن:👇 #پیش_به_سوی_مسیر_یادگیری 🔗 https://quera.org/r/ub9gx ➖➖➖➖➖➖➖ @Quera_ir #Quera_College

📦 py-expression-eval ℹ️ Based on js-expression-eval (Safe and math-oriented mathematical expression evaluator in JavaScript), by Matthew Crumley ⬇️ installation: ▶️ pip install py-expression-eval 🐍 PyPI 🐈 github 📓 JS doc 🆔 @raspberry_python

📦 py-expression-eval ℹ️ Based on js-expression-eval (Safe and math-oriented mathematical expression evaluator in JavaScript), by Matthew Crumley ⬇️ installation: ▶️ pip install py-expression-eval 🐍 PyPI 🐈 github 📓 JS doc 🆔 @raspberry_python

🐼 Analyzing intraday and overnight stock returns with pandas https://www.wrighters.io/analyzing-intraday-and-overnight-stock-returns-with-pandas/ @raspberry_python

🐼 Analyzing intraday and overnight stock returns with pandas https://www.wrighters.io/analyzing-intraday-and-overnight-stock-returns-with-pandas/ @raspberry_python

Unravelling Python's classes https://snarky.ca/unravelling-pythons-classes/ @raspberry_python

Unravelling Python's classes https://snarky.ca/unravelling-pythons-classes/ @raspberry_python

Hello @raspberry_python

Hello @raspberry_python

یکی از مهم ترین مباحث موجود تو برنامه نویسی visualization هست. یکی از ویژگی‌های تصویرسازی مناسب اینه ک با یه نگاه ساده بتونه اطلاعات زیادی ارائه بده این نمودار بالا که توسط ناسا تهیه شده گرمایش زمین از سال ۱۸۸۰ تا ۲۰۲۱ رو نشون میده The 'climate spiral' is a visualization designed by climate scientist Ed Hawkins from the National Centre for Atmospheric Science, University of Reading. @raspberry_python

تست

تست

neural networks cnns decoder-encoders GANs @raspberry_python

به نظر شما بین این دو روش کدومش بهتره ؟ مزایا و معایب هرروش اگه ب ذهنتون میرسه بگید این نکته رو متذکر بشم که نمیشه درحالت کلی گفت کدوم بهتره یا کدوم بدتره مونده به موقعیت @raspberry_python

دانشجویان محترم مقطع کارشناسی ارشد و دکتری با سلام و احترام به استحضار می رساند شرکت برق منطقه ای یزد با هدف افزایش سطح بهره وری و اثر بخشی مشمولین وظیفه صنعت برق در سال 1401 به خدمت نخبگان واجد شرایط مندرج در سامانه امریه وزارت نیرونیاز دارد. https://research.kntu.ac.ir/Dorsapax/userfiles/Sub104/h65.pdf @raspberry_python

خب بریم ببینیم چرا اون لیست اولیه که sort نشده بود سریع تر بود: ما یه لیست داریم که توش ۱ میلیون اعداد رندوم که بین هزار تا ۱۰ میلیون قرار داره، وجود داره. وقتی این اعداد دارن داخل مموری ساخته میشن آدرس هایی از مموری که پشت هم هستن، بهشون تعلق میگیره، مثلا: (سمت چپ آدرس های مموری - سمت راست خود اعداد) 100....131 —> 34225 100....132 —> 775325 100....133 —> 1031 ... وقتی ما لیست رو به اون روش sort میکنیم چه اتفاقی میفته ؟ "رفرنس" ها جاشون عوض میشه. آبجکت های جدید ساخته نمیشه. تستش بکنیم: lst = ['b', 'a', 'c'] for i in lst: print(i, id(i)) print("------------------------------") for i in sorted(lst): print(i, id(i)) این تا اینجا. حالا ما چیو تست گرفتیم؟ iteration روی این دو لیست رو. وقتی cpu داره از ابتدا شروع میکنه به گرفتن آیتم ها، توی لیست اولیه با آدرس های متوالی از مموری طرف هست. یعنی آیتم اولی رو که گرفت، آیتم دومی بقل گوشش هست میگیره... ولی توی لیست دوم وقتی آیتم اول رو گرفت، آیتم بعدی ممکنه هزار تا خونه اونور تر باشه توی مموری. حالا دقیقا چی میشه که کند میشه؟ جواب: Cache misses. (این یه مثال کاملا ساده شده بدون پیچیدگی های موجود هست) ریل های قطار رو در نظر بگیرید که از یه جایی به بعد دو شاخه میشن و هر شاخه یه مسیر جدا رو میره. فرض کنید شما مسئول این هستید که قطار رو به مسیر درستش هدایت کنید. همچنین فرض کنید از قبل به شما برنامه ای ندادن که فلان قطار باید چه مسیری بره. حالا چیکار میکنید ؟ دو تا راه دارید: یا هر قطاری که اومد نگهش دارید و ازش بپرسید کدوم سمت میره تا وصلش کنید بهش... یا اینکه چپ و راست رفتنش رو حدس بزنید.... قطار ها باری هستن و بسیار سنگین... هزینه ی سنگینی باید بدیم تا قطار هارو وایسونیم و هزینه ی سنگینی باید بدیم تا دوباره شروع به حرکت کنن. میایم گزینه دوم رو انتخاب میکنیم... اگه درست گفتیم که خیلی عالی اگه غلط گفتیم چی؟ مسیر و اشتباه میره بعد راننده قطار وایمیسته مجبوره برگرده اون مسیر و تو راه ۲ تا حرف هم به ما میزنه و مسیر درست رو میره... این اتفاقی هست که داره توی cpu میفته و با نام Branch Prediction میشناسنش. امروزه cpu ها با توجه به الگوریتم هایی که دارن بیشتر از این که اشتباه پیشبینی کنن ، درست پیشبینی میکنن پس خیلی میتونن optimize تر عمل کنن ولی خب همچنان cache miss وجود داره مخصوصا توی الگوی رندوم و این میشه که کند تر میشه.

سوال: همانطور که در عکس میبینید،‌ یک لیست از اعداد رندوم داریم و یه لیست هم داریم که مرتب شده ی اون لیست هست. روی این دو iteration انجام دادیم. به نظر شما کدام گزینه صحیح هست؟