Python challenge️
Ir al canal en Telegram
Website : OnlineCourses.ir Email : help.onlinecourses@gmail.com Instagram : instagram.com/pythonchallenge تعرفه تبلیغات : @pythonchallengeAds Admin : @onlinecoursesadmin
Mostrar más4 681
Suscriptores
Sin datos24 horas
-27 días
-2230 días
Carga de datos en curso...
Canales Similares
Nube de Etiquetas
Menciones Entrantes y Salientes
---
---
---
---
---
---
Atraer Suscriptores
mayo '26
mayo '26
+5
en 0 canales
abril '26
+1
en 0 canales
Get PRO
marzo '26
+1
en 0 canales
Get PRO
febrero '26
+9
en 1 canales
Get PRO
enero '26
+5
en 0 canales
Get PRO
diciembre '25
+9
en 0 canales
Get PRO
noviembre '25
+5
en 1 canales
Get PRO
octubre '25
+12
en 1 canales
Get PRO
septiembre '25
+4
en 1 canales
Get PRO
agosto '25
+99
en 102 canales
Get PRO
julio '25
+13
en 0 canales
Get PRO
junio '25
+9
en 1 canales
Get PRO
mayo '25
+12
en 1 canales
Get PRO
abril '25
+8
en 1 canales
Get PRO
marzo '25
+10
en 1 canales
Get PRO
febrero '25
+25
en 2 canales
Get PRO
enero '25
+29
en 2 canales
Get PRO
diciembre '24
+121
en 1 canales
Get PRO
noviembre '24
+17
en 0 canales
Get PRO
octubre '24
+9
en 0 canales
Get PRO
septiembre '24
+6
en 0 canales
Get PRO
agosto '24
+49
en 0 canales
Get PRO
julio '24
+322
en 0 canales
Get PRO
junio '24
+256
en 0 canales
Get PRO
mayo '24
+160
en 0 canales
Get PRO
abril '24
+107
en 1 canales
Get PRO
marzo '24
+26
en 0 canales
Get PRO
febrero '24
+17
en 0 canales
Get PRO
enero '24
+9
en 0 canales
Get PRO
diciembre '23
+16
en 0 canales
Get PRO
noviembre '23
+10
en 0 canales
Get PRO
octubre '23
+14
en 0 canales
Get PRO
septiembre '23
+13
en 0 canales
Get PRO
agosto '23
+45
en 0 canales
Get PRO
julio '23
+21
en 0 canales
Get PRO
junio '23
+96
en 0 canales
Get PRO
mayo '23
+78
en 0 canales
Get PRO
abril '23
+23
en 0 canales
Get PRO
marzo '23
+32
en 0 canales
Get PRO
febrero '23
+65
en 0 canales
Get PRO
enero '23
+42
en 0 canales
Get PRO
diciembre '22
+96
en 0 canales
Get PRO
noviembre '22
+21
en 0 canales
Get PRO
octubre '22
+18
en 0 canales
Get PRO
septiembre '22
+83
en 0 canales
Get PRO
agosto '22
+179
en 0 canales
Get PRO
julio '22
+79
en 0 canales
Get PRO
junio '22
+25
en 0 canales
Get PRO
mayo '22
+185
en 0 canales
Get PRO
abril '22
+131
en 0 canales
Get PRO
marzo '22
+18
en 0 canales
Get PRO
febrero '22
+33
en 0 canales
Get PRO
enero '22
+16
en 0 canales
Get PRO
diciembre '21
+207
en 0 canales
Get PRO
noviembre '21
+34
en 0 canales
Get PRO
octubre '21
+75
en 0 canales
Get PRO
septiembre '21
+202
en 0 canales
Get PRO
agosto '21
+185
en 0 canales
Get PRO
julio '21
+135
en 0 canales
Get PRO
junio '21
+97
en 0 canales
Get PRO
mayo '21
+139
en 0 canales
Get PRO
abril '21
+51
en 0 canales
Get PRO
marzo '21
+129
en 0 canales
Get PRO
febrero '21
+181
en 0 canales
Get PRO
enero '21
+70
en 0 canales
Get PRO
diciembre '20
+6 092
en 0 canales
| Fecha | Crecimiento de Suscriptores | Menciones | Canales | |
| 28 mayo | 0 | |||
| 27 mayo | 0 | |||
| 26 mayo | 0 | |||
| 25 mayo | 0 | |||
| 24 mayo | 0 | |||
| 23 mayo | 0 | |||
| 22 mayo | 0 | |||
| 21 mayo | 0 | |||
| 20 mayo | +2 | |||
| 19 mayo | 0 | |||
| 18 mayo | 0 | |||
| 17 mayo | 0 | |||
| 16 mayo | 0 | |||
| 15 mayo | 0 | |||
| 14 mayo | 0 | |||
| 13 mayo | 0 | |||
| 12 mayo | 0 | |||
| 11 mayo | 0 | |||
| 10 mayo | 0 | |||
| 09 mayo | 0 | |||
| 08 mayo | 0 | |||
| 07 mayo | 0 | |||
| 06 mayo | +2 | |||
| 05 mayo | 0 | |||
| 04 mayo | 0 | |||
| 03 mayo | +1 | |||
| 02 mayo | 0 | |||
| 01 mayo | 0 |
Publicaciones del Canal
Repost from هشتگ تبلیغ تخصصی
🚀 مدیریت سرمایه با قدرت دادهها!
اگه هنوز تصمیمهات بر پایه حس و تجربهست، وقتشه دادهها رو وارد بازی کنی
🌐 دوره جامع مدیریت سرمایه دادهمحور (آنلاین)
در این دوره یاد میگیری:
📊 تحلیل بازار ایران و ارزیابی سهام و ETF
📈 بهینهسازی پرتفوی با مدل مارکوویتز
📉 پیشبینی روندها با سریهای زمانی
💡 طراحی استراتژی آپشن و دلتا هجینگ
🚀 اجرای پروژه واقعی با دادههای ایران
🔥 بدون نیاز به تسلط برنامهنویسی!
پایتون رو در حد کاربردی یاد میگیری و بلافاصله در بازار استفاده میکنی.
👥 مناسب برای:
✔️ فعالان بازار سرمایه، تحلیلگران، مدیران سرمایهگذاری، و علاقهمندان فینتک (FinTech)
📌 مشاوره رایگان + جزئیات کامل:
👉 httb.ir/z0Mql
🎓 موسسه توسعه
⚫️⚫️⚫️⚫️⚫️⚫️⚫️⚫️⚫️
| 2 | #چالش_پایتون_در_هوش_مصنوعی
🔵 فاز ۳ – قسمت ۴: الگوریتمهای طبقهبندی (Classification) 🔍🤖
طبقهبندی (Classification) یکی از مهمترین شاخههای یادگیری نظارتشده است.
هدف: دستهبندی دادهها در گروههای مشخص ✅
✨ طبقهبندی یعنی چی؟
فرض کن دادههایی داریم از ایمیلها و میخوایم تصمیم بگیریم که هر ایمیل اسپم است یا نه.
مدل با یادگیری از دادههای گذشته، به هر ایمیل جدید یک برچسب اختصاص میدهد.
📌 مثالهای رایج
* تشخیص اسپم در ایمیل
* پیشبینی نوع گل یا حیوان بر اساس ویژگیها
* تشخیص بیماری از روی علائم پزشکی
* شناسایی تصاویر: سگ، گربه، ماشین و …
🧩 الگوریتمهای معروف طبقهبندی
1️⃣ درخت تصمیم (Decision Tree) 🌳
یک نمودار شبیه درخت که با سوالهای بله/خیر دادهها را دستهبندی میکند.
2️⃣ جنگل تصادفی (Random Forest) 🌲🌲
چندین درخت تصمیم با هم کار میکنند و نتیجه نهایی رایگیری میشود.
دقت بیشتری نسبت به یک درخت ساده دارد.
3️⃣ الگوریتم K نزدیکترین همسایه (K-Nearest Neighbors) 👥
هر داده جدید به گروهی تعلق دارد که بیشترین شباهت را به آن دارد.
4️⃣ ماشین بردار پشتیبان (SVM)
یک خط یا صفحه برای جدا کردن گروهها در فضای چندبعدی پیدا میکند.
🧪 مثال کوتاه با Scikit-learn
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
predictions = model.predict(X_test)
در این مثال:
* مدل جنگل تصادفی ساخته شد
* آموزش دید
* پیشبینی روی دادههای جدید انجام شد ✔️
🎯 نکته مهم
طبقهبندی برای هر دادهای که برچسب مشخص دارد عالی است.
ولی اگر برچسب نداشته باشیم، باید از خوشهبندی (Clustering) استفاده کنیم که در فاز بعدی توضیح میدهیم.
👀 قسمت بعدی: درخت تصمیم و جنگل تصادفی 🌳
🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge | 256 |
| 3 | #چالش_پایتون_در_هوش_مصنوعی
🔵 فاز ۳ – قسمت ۳: رگرسیون خطی (Linear Regression) 📈🤖
رگرسیون خطی یکی از سادهترین و مهمترین الگوریتمهای یادگیری ماشینه.
مدل تلاش میکنه بین ورودیها و خروجیها یک خط رابطه پیدا کنه.
اگه ورودی تغییر کرد، از روی اون خط مقدار جدید رو پیشبینی میکنه. 😎
✨ رگرسیون خطی یعنی چی؟
فرض کن یک نمودار داری که روی محور افقی «متراژ خانه» و روی محور عمودی «قیمت» قرار گرفته.
نقاط مختلف پخش شدن، ولی یک خط راست میتونه نزدیکترین مسیر به همه نقاط باشه.
اون خط همان مدل رگرسیون خطی است.
📌 مدل چه کاری انجام میدهد؟
مدل یک فرمول مثل زیر میسازد:
Price = a * Area + b
که مقدار a و b را از روی دادههای واقعی یاد میگیرد.
🤔 چند مثال کاربردی
* پیشبینی قیمت خانه
* پیشبینی حقوق بر اساس سابقه
* پیشبینی قد بچه بر اساس قد والدین
* پیشبینی فروش ماه آینده فروشگاه
همه با یک «خط» ساده شروع میشود!
🧪 یک مثال کوتاه با Scikit-learn
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X_train, y_train)
predictions = model.predict(X_test)
در همین چند خط:
* مدل ساخته شد
* آموزش دید
* و روی دادههای جدید پیشبینی کرد ✔️
🎯 نکته مهم
رگرسیون خطی فقط رابطههای ساده و خطی رو خوب یاد میگیره.
برای الگوهای پیچیدهتر در قسمتهای بعدی میریم سراغ مدلهای حرفهایتر 🔥
👀 قسمت بعدی: آشنایی با الگوریتمهای طبقهبندی (Classification) 🔍
🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
🚀@pythonchallenge | 439 |
| 4 | #چالش_پایتون_در_هوش_مصنوعی
🔵 فاز ۳ – قسمت ۲: دادههای آموزشی و تست چیه؟ 📂🤖
برای اینکه یک مدل یادگیری ماشین درست تربیت بشه، باید دادههامون رو درست تقسیم کنیم. این کار باعث میشه مدل هم یاد بگیره و هم آزمون پس بده! 😎
🧩 چرا دادهها رو تقسیم میکنیم؟
وقتی همه دادهها رو بدیم به مدل، فقط حفظ میکنه!
ولی وقتی یک بخش رو نگه میداریم برای تست، مدل یاد میگیره عمومی فکر کنه و واقعیتر رفتار کنه.
📌 انواع دادهها:
1️⃣ دادههای آموزشی (Training Data)
اینا دادههایی هستن که مدل روشون یاد میگیره.
مثلاً یاد میگیره قیمت خانهها با متراژ چطور تغییر میکنه.
2️⃣ دادههای تست (Test Data)
این بخش رو به مدل نمیدیم تا آخر کار!
در پایان میخوایم ببینیم چقدر خوب یاد گرفته.
🔍 نکته مهم
معمولاً 70٪ تا 80٪ دادهها برای آموزش و 20٪ تا 30٪ برای تست استفاده میشه.
🧪 یک مثال واقعی با Scikit-learn:
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42
)
این یعنی ۸۰٪ آموزش — ۲۰٪ تست ✔️
🎯 چرا این مرحله مهمه؟
چون اگر مدل روی دادههای جدید (که ندیده) عملکرد خوبی داشته باشه، یعنی واقعا فهمیده!
وگرنه یعنی فقط حفظ کرده 😅
👀 قسمت بعدی: آشنایی با الگوریتم رگرسیون خطی 📈
🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
🚀@pythonchallenge | 382 |
| 5 | #چالش_پایتون_در_هوش_مصنوعی
🤖 فاز ۳ – مبانی یادگیری ماشین
🔵 قسمت ۱: یادگیری ماشین یعنی چی؟
یادگیری ماشین (Machine Learning) یک شاخه از هوش مصنوعی است که به کامپیوترها یاد میدهد از روی دادهها الگو پیدا کنند و بدون اینکه به آنها مرحلهبهمرحله بگوییم چهکار کنند، خودشان پیشبینی یا تصمیمگیری کنند 😎
✨ یک مثال ساده
فرض کن به کامپیوتر میگی:
«اگه قیمت، متراژ و تعداد اتاقهای چندتا خانه رو بهت بدم، یاد بگیر قیمت خانههای جدید رو حدس بزنی!»
بدون اینکه هیچ فرمولی بهش بدی! این یعنی یادگیری ماشین.
📌 سه نوع اصلی یادگیری ماشین
1️⃣ یادگیری نظارتشده (Supervised Learning)
به مدل «ورودی + خروجی» یاد میدیم و مدل رابطه بینشون رو یاد میگیره.
نمونهها: پیشبینی قیمت خانه، تشخیص اسپم، پیشبینی فروش.
2️⃣ یادگیری بدون نظارت (Unsupervised Learning)
فقط دادهها رو میدیم، خروجی مشخص نیست. مدل خودش الگو و گروهها رو پیدا میکنه.
نمونهها: دستهبندی مشتریان، گروهبندی اخبار.
3️⃣ یادگیری تقویتی (Reinforcement Learning)
مدل با آزمون و خطا یاد میگیره و با جایزه/جریمه بهتر میشه.
نمونهها: رباتها، بازیهای کامپیوتری، AlphaZero.
🎯 چرا یادگیری ماشین مهمه؟
* استفاده از دادههای بزرگ
* دقت و سرعت بالا
* کاربرد در همهجا: شبکههای اجتماعی، پزشکی، بانکها، فروشگاهها
🧪 پروژه کوچک این قسمت
در قسمتهای بعدی با هم یک مدل ساده میسازیم که از روی قد افراد، قد افراد جدید رو حدس بزنه!
قدمبهقدم و کاملاً عملی 😉
👀 قسمت بعدی:
دادههای آموزشی و تست — چرا دادهها رو نصف میکنیم؟
🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
🚀@pythonchallenge | 393 |
| 6 | 🚀 مدیریت سرمایه با قدرت دادهها!
اگه هنوز تصمیمهات بر پایه حس و تجربهست، وقتشه دادهها رو وارد بازی کنی
🔗 دوره جامع مدیریت سرمایه دادهمحور (آنلاین)
در این دوره یاد میگیری:
📊 تحلیل بازار ایران و ارزیابی سهام و ETF
📈 بهینهسازی پرتفوی با مدل مارکوویتز
📉 پیشبینی روندها با سریهای زمانی
💡 طراحی استراتژی آپشن و دلتا هجینگ
🚀 اجرای پروژه واقعی با دادههای ایران
🔥 بدون نیاز به تسلط برنامهنویسی!
پایتون رو در حد کاربردی یاد میگیری و بلافاصله در بازار استفاده میکنی.
👥 مناسب برای:
فعالان بازار سرمایه، تحلیلگران، مدیران سرمایهگذاری، و علاقهمندان فینتک (FinTech)
📌 مشاوره رایگان + جزئیات کامل:
👉 httb.ir/RYf24
🎓 موسسه توسعه | 138 |
| 7 |  ⁉️ از حل کردن معما و چالش لذت میبری؟
این یعنی ذهن تو برای برنامهنویس شدن ساخته شده!
🎯 میخوای مطمئن بشی؟
💯 در آزمون استعدادسنجی کاملاً رایگان ما شرکت کن و ببین چقدر برای ورود به دنیای برنامهنویسی آمادهای!
ما در این آزمون مهارتهای اصلی تو رو میسنجیم:
🔹 تفکر الگوریتمی و حل مسئله
🔹 روحیه چالشپذیری
🔹 عطش برای یادگیری چیزای جدید
✨ بدون نیاز به هیچ دانش قبلی از برنامهنویسی!
🔗 برای شروع ماجراجویی جدیدت، روی این لینک کلیک کن:
🌐 httb.ir/zM7zy ⬅️
➖➖➖➖➖ | 102 |
| 8 |  📣 شرکت در دوره بدون پیش نیاز است. (دانش پایه کامپیوتر نیاز است)
#حضوری و غیر حضوری در دانشگاه تهران
⌛ آموزش برنامه نویسی پایتون ⌛
➕ مدرک معتبر
✔️ دارای چند جلسه رایگان
🔹 پروژه محور و عملی
🔹 اعطای مدرک معتبر قابل ترجمه
🔹 پشتیبانی توسط دو مدرس باتجربه داخل و خارج کشور
🔹 مناسب جهت شروع یادگیری هوش مصنوعی
🔹 دوره عملی و مناسب بازار کار و مهاجرت
📞 مشاوره:
09394738323 02128422095
💡 ثبتنام و سرفصل ها در سایت خانه فناوری:
🌐 httb.ir/6fTLu
✅ عضویت در کانال تلگرام:
⭐ @websakht
➖➖➖➖➖ | 247 |
| 9 | 📊 مدیریت سرمایه با قدرت دادهها!
💯 اگه هنوز تصمیمهات بر پایه حس و تجربهست، وقتشه دادهها رو وارد بازی کنی
☯️ دوره جامع مدیریت سرمایه دادهمحور (آنلاین)
در این دوره یاد میگیری:
📊 تحلیل بازار ایران و ارزیابی سهام و ETF
📈 بهینهسازی پرتفوی با مدل مارکوویتز
📉 پیشبینی روندها با سریهای زمانی
💡 طراحی استراتژی آپشن و دلتا هجینگ
🚀 اجرای پروژه واقعی با دادههای ایران
🔥 بدون نیاز به تسلط برنامهنویسی!
پایتون رو در حد کاربردی یاد میگیری و بلافاصله در بازار استفاده میکنی.
👥 مناسب برای:
فعالان بازار سرمایه، تحلیلگران، مدیران سرمایهگذاری، و علاقهمندان فینتک (FinTech)
📌 مشاوره رایگان + جزئیات کامل:
🔗 httb.ir/NzIh8 ◀️
🎓 موسسه توسعه
⚫️⚫️⚫️⚫️⚫️⚫️⚫️⚫️ | 281 |
| 10 | ⏪ فرصتهای شغلی بیشتر و درآمدها بالاتر منتظرتن...
🔘 صفر تا صد زبان برنامه نویسی گولنگ رو:
ــ توی ۶۰ ساعت آموش ببین
ــ به کمک منتور، روی پروژه واقعی کار کن
ــ مدرک تخصصت رو بگیر
ــ و در معتبرترین شرکتهای ایران استخدام شو
شروع یادگیری🔻
https://dnkr.ir/y37ZV
https://dnkr.ir/y37ZV | 184 |
| 11 | میدونی AI agent همون هوش مصنوعیه که خودش فکر میکنه، عمل میکنه و به جای تو هر کاری رو انجام میده؟
متخصص هوش مصنوعی شو و آینده شغلیت رو در جهان تضمین کن
صفر تا صد آموزش👇
https://dnkr.ir/kg5ag
https://dnkr.ir/kg5ag
آکادمی دانشکار | 290 |
| 12 | #چالش_پایتون_در_هوش_مصنوعی
🧠 قسمت ۱۲: پروژه عملی پردازش داده 📑
سلام دوستان! 👋
تو این قسمت میخوایم همه چیزهایی که تو فاز ۲ یاد گرفتیم (NumPy، Pandas، Matplotlib) رو ترکیب کنیم و یک پروژه کامل انجام بدیم. 🎯
---
🎓 پروژه: تحلیل نمرات یک کلاس
۱. آمادهسازی دادهها
فرض کنید یک فایل CSV به اسم grades.csv داریم:
نام,ریاضی,فیزیک,شیمی
علی,18,17,16
سارا,20,19,18
نیما,15,14,13
رضا,19,20,18
---
۲. خواندن دادهها با Pandas
import pandas as pd
df = pd.read_csv("grades.csv")
print(df)
---
۳. پاکسازی دادهها
مثلاً اگر مقادیر گمشده باشه، پرشون میکنیم:
df = df.fillna(df.mean(numeric_only=True))
---
۴. محاسبه معدل هر دانشآموز
df["معدل"] = df[["ریاضی", "فیزیک", "شیمی"]].mean(axis=1)
print(df)
---
۵. تحلیل دادهها
* پیدا کردن بالاترین و پایینترین معدل:
print("بیشترین معدل:", df["معدل"].max())
print("کمترین معدل:", df["معدل"].min())
* میانگین کل کلاس:
print("میانگین کلاس:", df["معدل"].mean())
---
۶. تجسم دادهها با Matplotlib
import matplotlib.pyplot as plt
plt.bar(df["نام"], df["معدل"], color="orange")
plt.title("معدل دانشآموزان کلاس 📊")
plt.ylabel("معدل")
plt.show()
📌 خروجی: نمودار ستونی معدل هر دانشآموز
---
۷. نتیجهگیری
* یاد گرفتیم دادهها رو بخونیم، پاکسازی کنیم، تحلیل کنیم و تجسم کنیم ✅
* اینها پایهی اصلی کارهای هوش مصنوعی و یادگیری ماشین هستن. 🤖
* در فاز بعدی میریم سراغ مبانی یادگیری ماشین (Machine Learning) ✨
---
👀 قسمت بعدی (شروع فاز ۳): مقدمهای بر یادگیری ماشین 🤖
🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge | 709 |
| 13 | #چالش_پایتون_در_هوش_مصنوعی
🧠 قسمت ۱۱: تجسم دادهها با Matplotlib 🎨
سلام دوستان! 👋
یکی از بهترین روشها برای درک بهتر دادهها، نقاشی کردنشونه! 🎨
کتابخونهی Matplotlib به ما کمک میکنه دادهها رو به شکل نمودار نشون بدیم.
---
۱. نصب و import
pip install matplotlib
import matplotlib.pyplot as plt
---
۲. رسم نمودار خطی (Line Plot)
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
plt.plot(x, y)
plt.title("نمودار خطی 📈")
plt.xlabel("X")
plt.ylabel("Y")
plt.show()
---
۳. رسم نمودار ستونی (Bar Chart)
names = ["علی", "سارا", "نیما", "رضا"]
scores = [18, 20, 15, 19]
plt.bar(names, scores, color="skyblue")
plt.title("نمرات دانشآموزان 📊")
plt.show()
---
۴. رسم نمودار دایرهای (Pie Chart)
labels = ["ریاضی", "فیزیک", "شیمی"]
values = [30, 45, 25]
plt.pie(values, labels=labels, autopct="%1.1f%%")
plt.title("درصد نمرات 🥧")
plt.show()
---
۵. چند نمودار در یک شکل
import numpy as np
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
plt.plot(x, y1, label="sin(x)")
plt.plot(x, y2, label="cos(x)")
plt.legend()
plt.title("مقایسه سینوس و کسینوس 🔄")
plt.show()
---
۶. پروژه کوچک
نمودار معدل دانشآموزان:
import pandas as pd
import matplotlib.pyplot as plt
data = {"نام": ["علی", "سارا", "نیما"], "معدل": [17.5, 19, 16]}
df = pd.DataFrame(data)
plt.bar(df["نام"], df["معدل"], color="green")
plt.title("معدل دانشآموزان 📚")
plt.ylabel("معدل")
plt.show()
---
👀 قسمت بعدی: پروژه عملی پردازش داده 📑 (جمعبندی فاز ۲)
🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge | 459 |
| 14 | #چالش_پایتون_در_هوش_مصنوعی
🧠 قسمت ۱۰: پاکسازی و آمادهسازی دادهها 🧹
سلام دوستان! 👋
دادههای دنیای واقعی همیشه مرتب نیستن! 😅
گاهی دادهها ناقص، تکراری یا اشتباه هستن. برای همین قبل از تحلیل یا یادگیری ماشین، باید دادهها رو پاکسازی و آمادهسازی کنیم.
---
۱. شناسایی دادههای گمشده (NaN)
import pandas as pd
import numpy as np
data = {
"نام": ["علی", "سارا", "نیما", "رضا"],
"نمره": [18, np.nan, 15, 20]
}
df = pd.DataFrame(data)
print(df)
print(df.isnull()) # نمایش مقادیر گمشده
---
۲. حذف دادههای ناقص
df_clean = df.dropna() # حذف سطرهایی که مقدار گمشده دارن
print(df_clean)
---
۳. جایگزین کردن دادههای گمشده
df["نمره"].fillna(df["نمره"].mean(), inplace=True) # جایگزینی با میانگین
print(df)
---
۴. حذف دادههای تکراری
df = pd.DataFrame({
"نام": ["علی", "سارا", "علی"],
"نمره": [18, 19, 18]
})
print("قبل از حذف:\n", df)
df = df.drop_duplicates()
print("بعد از حذف:\n", df)
---
۵. تغییر نام ستونها
df.rename(columns={"نام": "Name", "نمره": "Score"}, inplace=True)
print(df)
---
۶. پروژه کوچک
پاکسازی دادههای ناقص و محاسبه معدل:
data = {
"نام": ["علی", "سارا", "نیما", "رضا"],
"ریاضی": [18, np.nan, 15, 20],
"فیزیک": [17, 19, np.nan, 18]
}
df = pd.DataFrame(data)
# پر کردن مقادیر گمشده با میانگین هر ستون
df = df.fillna(df.mean(numeric_only=True))
# محاسبه معدل
df["معدل"] = df[["ریاضی", "فیزیک"]].mean(axis=1)
print(df)
📌 خروجی نمونه:
نام ریاضی فیزیک معدل
0 علی 18.0 17.0 17.5
1 سارا 17.7 19.0 18.3
2 نیما 15.0 18.0 16.5
3 رضا 20.0 18.0 19.0
---
👀 قسمت بعدی: تجسم دادهها با Matplotlib 🎨
🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge | 276 |
| 15 | #چالش_پایتون_در_هوش_مصنوعی
🧠 قسمت ۹: کار با دادههای جدولی 📊
سلام دوستان! 👋
حالا که با Pandas آشنا شدیم، بیایید یاد بگیریم چطوری روی دادههای جدولی عملیات مختلف انجام بدیم. این بخش خیلی مهمه چون بیشتر دادههای دنیای واقعی به شکل جدول هستن. 🗂
---
۱. فیلتر کردن دادهها
import pandas as pd
data = {
"نام": ["علی", "سارا", "نیما", "رضا"],
"سن": [18, 20, 19, 21],
"نمره": [15, 19, 17, 20]
}
df = pd.DataFrame(data)
# فیلتر: نمایش فقط کسانی که نمره بالای 17 دارن
print(df[df["نمره"] > 17])
---
۲. مرتبسازی دادهها
# مرتبسازی بر اساس نمره
print(df.sort_values("نمره", ascending=False))
---
۳. انتخاب چند ستون
print(df[["نام", "نمره"]])
---
۴. اضافه کردن ستون جدید
df["وضعیت"] = df["نمره"].apply(lambda x: "قبول ✅" if x >= 18 else "مردود ❌")
print(df)
---
۵. محاسبات گروهی (GroupBy)
مثال: محاسبه میانگین نمرهها بر اساس سن 👇
print(df.groupby("سن")["نمره"].mean())
---
۶. پروژه کوچک
جدول نمرات دانشآموزان رو مرتب کنیم و وضعیت هر کس رو نشون بدیم:
students = {
"نام": ["علی", "سارا", "نیما", "رضا"],
"نمره": [15, 19, 17, 20]
}
df = pd.DataFrame(students)
df["وضعیت"] = df["نمره"].apply(lambda x: "قبول ✅" if x >= 18 else "مردود ❌")
print(df.sort_values("نمره", ascending=False))
📌 خروجی نمونه:
نام نمره وضعیت
3 رضا 20 قبول ✅
1 سارا 19 قبول ✅
2 نیما 17 مردود ❌
0 علی 15 مردود ❌
---
👀 قسمت بعدی: پاکسازی و آمادهسازی دادهها 🧹
🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge | 286 |
| 16 | #چالش_پایتون_در_هوش_مصنوعی
🧠 قسمت ۸: آشنایی با Pandas 🗂
سلام دوستان! 👋
امروز میخوایم با Pandas آشنا بشیم. این کتابخونه فوقالعاده برای کار با دادههای جدولی مثل فایلهای Excel یا CSV استفاده میشه. 📊
---
۱. نصب Pandas
pip install pandas
---
۲. وارد کردن Pandas
import pandas as pd
✅ معمولاً با اسم کوتاه pd استفاده میشه.
---
۳. ساخت جدول (DataFrame)
import pandas as pd
data = {"نام": ["علی", "سارا", "نیما"], "سن": [18, 20, 19]}
df = pd.DataFrame(data)
print(df)
📌 خروجی:
نام سن
0 علی 18
1 سارا 20
2 نیما 19
---
۴. دسترسی به ستونها و سطرها
print(df["نام"]) # دسترسی به یک ستون
print(df.iloc[1]) # دسترسی به یک سطر بر اساس اندیس
---
۵. خواندن فایلهای داده
* خواندن فایل CSV:
df = pd.read_csv("data.csv")
* ذخیره جدول به CSV:
df.to_csv("output.csv", index=False)
---
۶. عملیات روی دادهها
print(df.describe()) # آمار خلاصه
print(df["سن"].mean()) # میانگین سنها
---
۷. پروژه کوچک
ساخت جدول نمرات و محاسبه معدل هر دانشآموز:
import pandas as pd
data = {
"نام": ["علی", "سارا", "نیما"],
"ریاضی": [18, 19, 15],
"فیزیک": [17, 20, 14],
"شیمی": [16, 18, 13]
}
df = pd.DataFrame(data)
df["معدل"] = df[["ریاضی", "فیزیک", "شیمی"]].mean(axis=1)
print(df)
📌 خروجی نمونه:
نام ریاضی فیزیک شیمی معدل
0 علی 18 17 16 17.0
1 سارا 19 20 18 19.0
2 نیما 15 14 13 14.0
---
👀 قسمت بعدی: کار با دادههای جدولی 📊
🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge | 291 |
| 17 | #چالش_پایتون_در_هوش_مصنوعی
🧠 قسمت ۷: آشنایی با NumPy ➕
سلام دوستان! 👋
امروز میخوایم وارد دنیای NumPy بشیم. این کتابخونه یکی از مهمترین ابزارها برای کار با اعداد، آرایهها و محاسبات ریاضی در پایتونه. 🚀
---
۱. نصب NumPy
اگر نصب نکردی، با این دستور میتونی نصبش کنی:
pip install numpy
---
۲. وارد کردن NumPy
import numpy as np
✅ معمولاً با اسم کوتاه np صداش میکنیم.
---
۳. ساخت آرایه (Array)
* آرایهها تو NumPy مثل لیستهای پایتون هستن ولی خیلی سریعتر و حرفهایتر!
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr)
---
۴. عملیات ریاضی روی آرایهها
میتونیم مستقیم روی همه عناصر محاسبات انجام بدیم:
arr = np.array([10, 20, 30])
print(arr + 5) # جمع با همه عناصر
print(arr * 2) # ضرب در همه عناصر
print(arr / 10) # تقسیم همه عناصر
---
۵. آرایههای چندبعدی (Matrix)
matrix = np.array([[1, 2], [3, 4]])
print("ماتریس:\n", matrix)
print("شکل:", matrix.shape)
print("جمع همه عناصر:", matrix.sum())
---
۶. توابع آماده NumPy
arr = np.array([1, 2, 3, 4, 5])
print("میانگین:", np.mean(arr))
print("بیشترین مقدار:", np.max(arr))
print("کمترین مقدار:", np.min(arr))
---
۷. پروژه کوچک
محاسبه معدل نمرات با NumPy:
grades = np.array([18, 15, 20, 12, 19])
average = np.mean(grades)
print("معدل دانشآموز =", average)
---
👀 قسمت بعدی: آشنایی با Pandas 🗂
🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge | 329 |
| 18 | 🔹 فاز ۲: پردازش دادهها
آشنایی با NumPy ➕
آشنایی با Pandas 🗂
کار با دادههای جدولی 📊
پاکسازی و آمادهسازی دادهها 🧹
تجسم دادهها با Matplotlib 🎨
پروژه عملی پردازش داده 📑
🗂 مرکز آموزش پایتون
➖➖➖➖➖➖➖➖
@pythonchallenge | 418 |
| 19 | فاز ۱ رو کامل کردیم ✅ حالا میریم سراغ فاز ۲: پردازش دادهها. | 361 |
| 20 | ✳️ تا 100% تخفیف، برای یادگیری هر مهارتی که بخوای
◀️ آموزشهای مقدماتی تا پیشرفته
◀️ تخفیف اسکیلکمپهای آکادمی دانشکار
شروع یادگیری:
https://dnkr.ir/6QMRj
https://dnkr.ir/6QMRj | 189 |
