پایتون | Data Science | Machine Learning

کد تخفیف ویژه ۱۵۰ هزار تومانی: AI150 با این کد تخفیف می‌توانید به جای ۹۰۰ هزار تومان؛ با ۷۵۰ هزار تومان ثبت نام نمایید.

بقچه‌ی پژوهش با هوش مصنوعی 🔸️دکتر رضا حیدری سورشجانی

دکتری تخصصی پرستاری عضو ۱٪ دانشمندان پراستناد جهان، دانشجوی نمونه کشوری، دانشجو و مخترع برتر بنیاد ملی نخبگان، عضو انجمن‌های علمی بین‌المللی IFIA, GBD و ...

 📄سر فصل مباحث: ● نقش هوش مصنوعی در پژوهش‌های نوین علوم پزشکی ● ایده یابی و جست‌وجوی منابع مبتنی بر هوش مصنوعی ● مقاله نویسی به کمک هوش مصنوعی 📅 شروع از ۱ شهریور ۱۴۰۳ ۶ جلسه مجازی 💳 هزینه ثبت نام: ۹۰۰ هزار تومان پرداخت دو مرحله‌ای 📌گواهی معتبر از دانشگاه علوم پزشکی آزاد تهران برای اطلاعات بیشتر و ثبت‌نام به ادمین بقچه(@BoghcheyeRah_Admin) پیام بدید. @boghcheyerah | Instagram

Pdf To Audio using Python

💥 شرکت در دوره بدون پیش نیاز است. #حضوری و غیر حضوری در دانشگاه تهران 💯 اعطای مدرک معتبر قابل ترجمه 💎 آموزش راه اندازی کسب و کار اینترنتی ‌‌ ✔️ ⁦⁩ دارای چند جلسه رایگان ✔️ طراحی یک سایت حرفه ای+دیجیتال مارکتینگ ✔️ آموزش مقدماتی فتوشاپ ✔️ بازاریابی اینستاگرام و تلگرام ✔️ دوره عملی و مناسب بازار کار و مهاجرت ‌ 📞 مشاوره: 09394738323 02128422095 📎 ثبت‌نام و سرفصل ها در سایت خانه فناوری: 🌎 ‌www.fanavari.co/webdesign-course ‌ 💬 عضویت در کانال تلگرام: @websakht

هم برنامه‌نویسی یاد بگیر، هم PS5 ببر! فقط کافیه اینجا عضو بشی و ماموریت‌هاتو تکمیل کنی.

⏳ فقط تا امشب — ۶۰ درصد تخفیف برای آموزش‌های «پایتون، داده کاوی و هوش مصنوعی» در فرادرس   ☄️ فصل تابستان، فصل یادگیری مهارت‌های جدید...   🔹 برنامه نویسی پایتون - صفر تا صد   🔹 داده کاوی و یادگیری ماشین   🔹 هوش مصنوعی با پایتون   🔹 هوش مصنوعی – دروس دانشگاهی تا کاربردی   🔹 ابزارهای علم داده، Power BI و ...   👈 مشاهده سایر آموزش‌ها - [کلیک کنید]   کد تخفیف ۶۰ درصدی: TBS36   #فرادرس #آموزش_رایگان #تخفیف #رایگان #آموزش FaraDars - فرادرس

Generate a Wi-Fi QR code using Python #Code 🆔 @Python4all_pro

مجتمع فنی تهران نمایندگی اکباتان برگزار کننده تخصصی ترین دوره های برنامه نویسی پایتون تخفیف ویژه دانشجویان در طی فقط ۱۰ روز شما علاوه بر یادگیری پایتون به صورت پروژه محور ۲ مدرک از مجتمع فنی تهران دریافت میکنید جهت اطلاعات بیشتر و مشاوره تخصصی با شماره های زیر در تماس باشید : ۰۲۱۴۴۶۸۵۰۰۹ ویا ۰۹۳۷۶۶۰۴۹۳۱ ثبت نام غیر حضوری از طریق واتساپ ۰۹۳۷۶۶۰۴۹۳۱ @mftekbatan

دانشگاه شریف سال گذشته دوره‌ی «برنامه‌نویسی پایتون و خلاقیت الگوریتمی» را برای هزاران دانش‌آموز متوسطه‌ی سراسر کشور برگزار کرد. تمام محتوای این دوره شامل ویدئوی کلاس‌ها، تمرین‌های نظری و عملی «به صورت رایگان» به همه‌ی دانش‌آموزان ایران تقدیم می‌شود: http://www.learn-python.ir #پایتون 🆔 @Python4all_pro

✅لیست همین الان اعلام شد 😱👇👇👇👇 ✅List Vip

✅ لیستی از ارزشمندترین کانال های VIP  دانشجویی بصورت رایگان تقدیم شما دوستان عزیز 😍 https://t.me/addlist/hk7IMb3fXA83YjE0 🌟 کلیک کنید

import tkinter as tk
from tkinter import filedialog
from PIL import Image, ImageTk, ImageOps
import torch
import torchvision.transforms as transforms
import numpy as np

# تعریف مدل و بارگذاری وزن‌های آموزش‌دیده شده
class ComplexNN(nn.Module):
init__init__(self):
        super(ComplexNNinit__init__()
        self.conv1 = nn.Conv2d(1, 32, kernel_size=3, stride=1, padding=1)
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1)
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2, padding=0)
        self.fc1 = nn.Linear(64 * 7 * 7, 128)
        self.fc2 = nn.Linear(128, 10)
def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 64 * 7 * 7)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

net = ComplexNN()
net.load_state_dict(torch.load('model.pth'))
net.eval()

# تعریف تبدیل‌ها
transform = transforms.Compose([
    transforms.Grayscale(num_output_channels=1),
    transforms.Resize((28, 28)),
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))
])

# ساخت برنامه tkinter
class AIApp:
    def init(self, root):
        self.root = root
        self.root.title("AI Number Recognizer")
        
        self.label = tk.Label(root, text="Load an image to recognize the number")
        self.label.pack()

        self.button = tk.Button(root, text="Load Image", command=self.load_image)
        self.button.pack()

        self.canvas = tk.Canvas(root, width=200, height=200)
        self.canvas.pack()

        self.result_label = tk.Label(root, text="")
        self.result_label.pack()

    def load_image(self):
        file_path = filedialog.askopenfilename()
        if file_path:
            image = Image.open(file_path)
            self.show_image(image)
            number = self.predict_number(image)
            self.result_label.config(text=f"Predicted Number: {number}")

    def show_image(self, image):
        image = ImageOps.fit(image, (200, 200), Image.ANTIALIAS)
        photo = ImageTk.PhotoImage(image)
        self.canvas.create_image(0, 0, anchor=tk.NW, image=photo)
        self.canvas.image = photo

    def predict_number(self, image):
        image = transform(image).unsqueeze(0)
        output = net(image)
        _, predicted = torch.max(output.data, 1)
        return predicted.item()

root = tk.Tk()
app = AIApp(root)
root.mainloop()

8. توضیحات تکمیلی 📚 این برنامه یک شبکه عصبی پیچیده برای تشخیص اعداد دست‌نویس ساخته شده با PyTorch را در یک رابط کاربری ساده با استفاده از tkinter تلفیق می‌کند. کاربران می‌توانند یک تصویر دست‌نویس از عددی را بارگذاری کرده و برنامه به طور خودکار عدد موجود در تصویر را تشخیص می‌دهد. مزایا و کاربردهای استفاده از این سیستم AI ✅ 1. بهبود دقت: استفاده از شبکه عصبی پیچیده دقت بالایی در تشخیص اعداد دست‌نویس دارد. 2. انعطاف‌پذیری: می‌توان مدل را برای تشخیص اشیاء و الگوهای دیگر آموزش داد. 3. سهولت استفاده: رابط کاربری ساده به کاربران امکان می‌دهد به راحتی از مدل استفاده کنند #یادگیری_ماشین #شبکه_عصبی #هوش_مصنوعی #پایتون #PyTorch #AI

📚 آموزش ساخت و تلفیق سیستم AI در برنامه پایتون 📚 سلام دوستان! امروز می‌خوایم یک سیستم هوش مصنوعی (AI) رو با استفاده از PyTorch بسازیم و سپس اون رو در یک برنامه پایتون تلفیق کنیم. این آموزش برای کسانی که می‌خوان اصول پیاده‌سازی و استفاده از هوش مصنوعی در برنامه‌های کاربردی رو بفهمند بسیار مناسب هست. 1. تنظیمات اولیه 🛠️ نصب PyTorch برای نصب PyTorch از دستور زیر استفاده کنید:

pip install torch torchvision

2. آماده‌سازی داده‌ها 📋 در این آموزش از مجموعه داده‌های MNIST استفاده می‌کنیم که شامل تصاویر دست‌نویس اعداد 0 تا 9 است.

import torch
import torchvision
import torchvision.transforms as transforms

# تعریف تبدیل‌ها
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])

# دانلود و بارگذاری مجموعه داده‌های آموزشی و تست
trainset = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=32, shuffle=True)

testset = torchvision.datasets.MNIST(root='./data', train=False, download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=32, shuffle=False)

3. تعریف مدل AI 📈 یک شبکه عصبی پیچیده برای تشخیص اعداد دست‌نویس تعریف می‌کنیم.

import torch.nn as nn
import torch.nn.functional as F

class ComplexNN(nn.Module):
    def __init__(self):
        super(ComplexNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, kernel_size=3, stride=1, padding=1)
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1)
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2, padding=0)
        self.fc1 = nn.Linear(64 * 7 * 7, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 64 * 7 * 7)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

net = ComplexNN()

4. تعریف تابع هزینه و بهینه‌ساز 📉 ما از تابع هزینه CrossEntropy و بهینه‌ساز Adam استفاده می‌کنیم.

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(net.parameters(), lr=0.001)

5. آموزش مدل AI 📊 شبکه عصبی رو برای چندین ایپاک (epoch) آموزش می‌دهیم.

for epoch in range(5):  # تعداد ایپاک‌ها

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data

        optimizer.zero_grad()

        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 100 == 99:
            print(f'[Epoch {epoch + 1}, Batch {i + 1}] loss: {running_loss / 100:.3f}')
            running_loss = 0.0

print('آموزش تمام شد')

6. ذخیره مدل آموزش‌دیده شده 💾 مدل آموزش‌دیده شده رو ذخیره می‌کنیم تا در برنامه کاربردی از آن استفاده کنیم.

torch.save(net.state_dict(), 'model.pth')

7. بارگذاری مدل و استفاده از آن در برنامه کاربردی 📱 حالا یک برنامه پایتون جدید ایجاد می‌کنیم که شامل یک رابط کاربری ساده برای استفاده از مدل AI است. این برنامه با استفاده از کتابخانه tkinter یک رابط کاربری گرافیکی (GUI) ایجاد می‌کند. ساخت رابط کاربری با tkinter

صباویژن بزرگ‌ترین آژانس تبلیغات آنلاین ایران و مالک رسانه‌های فیلیمو و آپارات، منابع رایگان زیادی برای یادگیری دیجیتال مارکتینگ در اختیارتان قرار می‌دهد. 📚🎧💻 ▫️وبینارهای تخصصی ▫️کتاب‌های الکترونیکی مفید ▫️پادکست‌های جذاب ▫️ابزارگشایی‌های کاربردی همه این‌ها در کانال تلگرامی صباویژن☑️ 🔗  @sabavisionofficial 🔗  @sabavisionofficial 🔗  @sabavisionofficial 🔗  @sabavisionofficial 🔗  @sabavisionofficial

🔊رویداد رونمایی از ابزار هوش مصنوعی دادماتولز به صورت اوپن سورس در این رویداد ابزار NLP دادماتولز به صورت رسمی آزادرسانی شده و برنامه‌های توسعه جمعی با مشارکت دانشگاه و بخش خصوصی و حمایت‌های دولتی مطرح می‌شود.

با گردهمایی بزرگ متخصصان NLP کشور همراه باشید

🔹زمان: دوشنبه ۱۵ مرداد ساعت ۱۰ الی ۱۲ 🔹مکان: صندوق نوآوری و شکوفایی، سالن آمفی تئاتر 📎لینک ثبت نام: https://evand.com/events/dadmatools

🔊 فرصتی برای دانشجویان هوش مصنوعی 🔸رویداد رونمایی از دادماتولز، جامع‌ترین ابزار پردازش زبان طبیعی در فارسی

با گردهمایی بزرگ متخصصان NLP کشور همراه باشید

🔹زمان: دوشنبه ۱۵ مرداد ساعت ۱۰ الی ۱۲ 🔹مکان: صندوق نوآوری و شکوفایی، سالن آمفی تئاتر 📎لینک ثبت نام: https://evand.com/events/dadmatools

Create Font Art using Python #Code 🆔 @Python4all_pro

🔹 دوره آموزشی «SQL برای تحلیل داده» 🔍 چرا SQL یاد بگیریم؟ ۱. دسترسی مستقیم به داده‌ها ۲. تجزیه و تحلیل سریع ۳. مدیریت بهتر داده‌ها ۴. انعطاف‌پذیری بالا 👨‍🏫مدرسین مجید پورکاشانی فرزاد ملکی 📅 جزئیات دوره - بخش اول: آشنایی با پایگاه‌های داده و کوئری‌نویسی SQL (10 ساعت) - بخش دوم: تحلیل داده و کشف الگو در SQL Server (20 ساعت) 🎓 مزایای دوره - شروع از مفاهیم مقدماتی بدون پیش‌نیاز - انجام پروژه‌های واقعی - دسترسی به ویدئوهای ضبط‌شده جلسات - پشتیبانی آموزشی و شبکه‌سازی با دیگر شرکت‌کنندگان 🗓️ اطلاعات برگزاری - تاریخ شروع: ۳۱ مرداد ۱۴۰۳ - زمان برگزاری: چهارشنبه‌ها ۱۸:۰۰ تا ۲۱:۱۵ - شیوه برگزاری: آنلاین 💸 تخفیف‌ها - ۱۵٪ تخفیف ثبت‌نام زودهنگام تا ۱۸ مرداد - ۲۰٪ تخفیف برای دانشجویان - ۳۰٪ تخفیف پرداخت یکجا برای هر دو بخش دوره تا ۱۸ مرداد ثبت‌نام کنید و مهارت‌های خود را ارتقا دهید: B2n.ir/behsql03 @dlearn_ir #SQL #تحلیل_داده #پایگاه_داده #دوره_آموزشی #یادگیری_آنلاین #مهارتهای_شغلی #هوش_تجاری #businessintelligence

🤩 تمدید شد — ۶۰⁒ تخفیف تابستانی برای همه آموزش‌های فرادرس   🎉 فصل تابستان، بهترین فرصت برای یادگیری مهارت‌   ▫️ الگوریتم‌های بهینه سازی در یادگیری ماشین + پیاده سازی در متلب   ▫️ مجموعه آموزش آیلتس IELTS - صفر تا صد   ▫️ یادگیری تقویتی در پایتون Python   ▫️ پیش بینی نوسانات بازار سهام با هوش مصنوعی در پایتون   ▫️ تحلیل داده های فروش با پایتون   👈 مشاهده سایر آموزش‌ها - [کلیک کنید]   کد تخفیف ۶۰ درصدی: TBS36   #فرادرس #آموزش_رایگان #تخفیف #رایگان #آموزش FaraDars - فرادرس