📘 با مفهوم حلقه‌ی for آشنا شدیم، وقت آن رسیده است که با حل مجموعه‌ای از ۲۰ تمرین ساده و کاربردی، این مفهوم مهم را در عمل تجربه کنیم.
این تمرین‌ها کمک می‌کنند منطق تکرار، پیمایش داده‌ها و پردازش مرحله‌ای را بهتر درک کنیم و درک خود را یک پله بالاتر ببریم. 🐍💡

در پست‌ها، پاسخ تمام تمرین‌ها در کنار هم قرار گرفته تا بتوانیم روند حل را به‌صورت یک‌جا مشاهده و به‌راحتی مرور کنیم.

یادگیری زمانی مؤثرتر است که هم بخوانیم و هم تمرین کنیم.✨

#️⃣ #پایتون #تمرین_پایتون #حلقه #کدنویسی #یادگیری_پایتون #پای_ویژن
#Python #CodingPractice #ForLoop #LearnPython #PyVision

🌐 @PyVision

📚 معرفی کتاب:
قسمت هجدهم

Introduction to Probability for Data Science

نویسنده:
Stanley H. Chan

📊 سطح: متوسط
🗣 زبان‌: انگلیسی

💎 ویژگی‌های منحصر به فرد کتاب:
● آموزش احتمال با رویکرد علمِ داده
● تاکید بر کاربردهای عملی در تحلیل داده و یادگیری ماشین
● ارائه مثال‌های واقعی از پروژه‌های داده‌کاوی

✨ آنچه این کتاب را خاص می‌کند:
● پیوند مستقیم تئوریِ احتمال با مسائل علم داده
● آموزش از مبانی پایه تا پیشرفته با زبانی قابل فهم
● دسترسی رایگان از طریق انتشارات دانشگاه میشیگان

📖 سرفصل‌های کلیدی:
● اصول پایه احتمال و توزیع‌ها
● متغیرهای تصادفی و انتظار ریاضی
● قوانین حدی و تقریب‌ها
● کاربردهای احتمال در یادگیری ماشین
● روش‌های مونت کارلو و شبیه‌سازی

📎 این کتاب پایه‌های دانش احتمال مورد نیاز برای درک الگوریتم‌های یادگیری ماشین و علم داده را فراهم می‌کند.

📌 منبع:
🔘 Michigan Publishing


#️⃣ #احتمال #علم_داده #یادگیری_پایتون #هوش_مصنوعی #کتاب_هجدهم #پای_ویژن
#Probability #DataScience #AI #MachineLearning #PyVision

🌐 @PyVision

❓با توجه به کد زیر، خروجی نهایی دو دستور print چیست؟
و کدام یک از دو آبجکت a و b شناسهٔ (id) جدید می‌گیرد؟

❓️Given the code below, what is the final output of the two print?
And which one of the two objects, a or b, receives a new id?

a = (1, 2, 3)
b = [1, 2, 3]

a += (4, 5)
b += [4, 5]

print(a)
print(b)

🔍 نکتهٔ

● تاپل‌ (tuple) غیرقابل‌تغییر است و += یک آبجکت جدید می‌سازد.
● لیست (list) قابل‌تغییر است و += روی همان آبجکت قبلی اعمال می‌شود.



#️⃣ #برنامه_نویسی #آموزش_پایتون #پای_ویژن
#Python #PythonChallenge #PythonTypes #CodingChallenge #PyVision

🌐 @PyVision

📘 گزارش مجمع جهانی اقتصاد یک پیام روشن دارد:
دنیا به سرعت در حال تغییر است؛ مهارت‌ها هم همین‌طور.

بعد از مطالعهٔ این گزارش، احتمالاً یک سؤال مهم ذهن ما را درگیر می‌کند:

«برای موفقیت در آینده چه کاری باید انجام بدهیم؟»


🔹 ۱. روی مهارت‌های دیجیتال سرمایه‌گذاری کنیم.

یادگیری زبان برنامه‌نویسی، تحلیل داده، هوش مصنوعی، امنیت سایبری و سواد فناوری
در حال تبدیل شدن به کلیدی‌ترین مهارت‌های آینده هستند.



🔹 ۲. یادگیری مداوم را به یک عادت تبدیل کنیم.

جهان آینده متعلق به کسانی است که پیوسته یاد می‌گیرند و مهارت‌های خود را به‌روز نگه می‌دارند.



🔹 ۳. از فناوری نترسیم؛ آن را به نفع خودمان استفاده کنیم.

هوش مصنوعی بسیاری از کارهای تکراری را انجام می‌دهد،
اما کسی که از AI به‌عنوان ابزار استفاده می‌کند همیشه یک گام جلوتر است.



🔹 ۴. مهارت‌های نرم همچنان قدرت دارند.

تفکر تحلیلی، خلاقیت، چابکی، خودآگاهی و توان رهبری
از مهم‌ترین مهارت‌هایی هستند که هیچ ماشینی نمی‌تواند جایگزینشان کند.



🔹 ۵. امروز شروع کنیم.

حتی یادگیری یک کتابخانه جدید پایتون یا یک مهارت کوچک،
می‌تواند مسیر ما را در آینده کاملاً تغییر دهد.


⚠️ دنیا منتظر هیچ‌کسی نمی‌ماند؛
اما با مسیر یادگیری درست، آینده می‌تواند فرصت‌های بزرگی برای شما بسازد.

✨️ یاد بگیریم، تمرین کنیم، حرفه‌ای شویم.


#️⃣ #مهارت_های_دیجیتال #آینده_شغلها #آینده_مهارتها #هوش_مصنوعی #پایتون
#DigitalSkills #FutureOfJobs #AI #Python #FutureOfWork #Reskilling #Upskilling

🌐 @PyVision

✅ پاسخ چالش
🔢 خروجی دستور های ()print:

(1, 2, 3, 4, 5)
[1, 2, 3, 4, 5]

🟢 در این چالش با تفاوت بین دو نوع داده‌ی مهم روبه‌رو هستیم:

● تاپل (tuple) یک نوع داده غیرقابل‌تغییر (immutable) است.
بنابراین عملگر += نمی‌تواند آن را در همان حافظه تغییر دهد و یک آبجکت جدید می‌سازد؛ به همین دلیل id(a) تغییر می‌کند.

● لیست (list) یک نوع داده قابل‌تغییر (mutable) است.
عملگر += روی لیست به‌صورت in-place اجرا می‌شود و عناصر جدید به همان آبجکت قبلی اضافه می‌شوند؛ بنابراین id(b) تغییر نمی‌کند.

📌 نتیجه:

● a → آبجکت جدید می‌گیرد
● b → همان آبجکت قبلی باقی می‌ماند


🟢 This challenge highlights the difference between mutable and immutable types in Python:

● A tuple is immutable, so the += operator cannot modify it in place.
Instead, Python creates a new object, which means the id of a changes.

● A list is mutable, and += modifies it in place.
New elements are added to the same object, so the id of b remains unchanged.

📌 Final result:

● a → gets a new object (id changes)
● b → stays the same object (id does not change)


#️⃣ #آموزش_پایتون #چالش #نوع_داده #برنامه_نویسی
#Python #PythonChallenge #PythonTypes #Programming #PyVision

🌐 @PyVision

📌 معرفی شناخته‌شده ترین سایت‌های فریلنسری در ایران

اگر به‌عنوان برنامه‌نویس به دنبال پروژه و کسب درآمد هستید، این وبگاه‌ها می‌توانند نقطهٔ شروع خوبی باشند:

🔘 پونیشا ⬅️ بزرگترین بازار کار آنلاین فریلنسری ایران با طیف گسترده‌ای از پروژه‌ها

🔘 پارس فریلنسر ⬅️ قدیمی‌ترین پلتفرم فریلنسری با پایگاه ثابتی از کارفرماهای حرفه‌ای

🔘 پارسکدرز ⬅️ تخصصی‌ترین سایت برای برنامه‌نویسان و توسعه‌دهندگان با پروژه‌های فنی متنوع

🔘 کارلنسر ⬅️ سامانه‌ای مدرن با سیستم اِسکرو (ضمانت پرداخت) برای امنیت بیشتر فریلنسرها

🔘 انجام می‌دم ⬅️ مناسب برای پروژه‌های کوچک و سریع با قیمت مناسب و فرآیند ساده

✅️ برای شروع، همزمان در ۲ یا ۳ سایت پروفایل بسازید و با پذیرش و انجام پروژه‌ها بر اساس توانایی های خود، و دریافت نظرات متنوع، اعتبار خود را افزایش دهید.


#️⃣ #فریلنسری #برنامه_نویسی #پایتون #اشتغال_آنلاین #پونیشا #کارلنسر #پارسکدرز #پارس_فریلنسر #انجام_میدم
#python #freelancer #programming #ponisha

🌐@PyVision

📰 افزایش شدید قیمت رم در جهان؛ هوش مصنوعی مقصر اصلی!

قیمت رم (RAM) در بازار جهانی در اواخر سال ۲۰۲۵ با جهشی بی‌سابقه روبه‌رو شده است؛ به‌طوری که قیمت DRAM نسبت به مدت مشابه سال قبل تا ۱۷۱ درصد افزایش یافته است. این رشد شدید، بازار رایانه‌های شخصی، سرورها و حتی گوشی‌های هوشمند را تحت‌تأثیر قرار داده و شرکت‌هایی مانند Dell و Lenovo از افزایش قیمت ۱۵ تا ۲۰ درصدی محصولات خود خبر داده‌اند.

❔️ علت اصلی چیست؟
افزایش انفجاری تقاضا از سوی دیتاسنترهای هوش مصنوعی برای حافظه‌های پرسرعت HBM باعث شده بخش زیادی از ظرفیت تولید از رم‌های معمولی DDR4 و DDR5 به سمت HBM هدایت شود. از آنجا که HBM سودآوری بیشتری دارد، تولیدکنندگان آن را در اولویت قرار داده‌اند و همین موضوع منجر به کمبود رم‌های مصرفی در بازار شده است.

❕️ عوامل تشدیدکننده
● مهاجرت صنعت به فناوری DDR5 که نیازمند فرایندهای تولید جدید است و سرعت افزایش عرضه را کاهش داده
● اختلالات زنجیره تأمین، تنش‌های ژئوپولیتیکی و افزایش هزینه مواد اولیه
● خرید و انبارسازی ناگهانی رم توسط شرکت‌های بزرگ برای پروژه‌های هوش مصنوعی

📈 تأثیر بر بازار
سازندگان PC اعلام کرده‌اند که سهم حافظه از هزینه نهایی سیستم‌ها اکنون به ۱۵ تا ۱۸ درصد رسیده؛ رقمی که در سال‌های گذشته به‌مراتب کمتر بود. طبق پیش‌بینی TrendForce، این روند افزایشی دست‌کم تا سال ۲۰۲۶ ادامه خواهد داشت و کاهش سریع قیمت‌ها بعید به نظر می‌رسد.


📌منابع:
🔘 TrendForce
🔘 Business insider

#️⃣ #افزایش_قیمت #رم #سخت_افزار #هوش_مصنوعی #دیتاسنتر
#RAM #DRAM #AI #HBM #PCMarket #TechNews

🌐 @PyVision

📘 معرفی فریم‌ورک Flask

فریم‌ورک Flask یک فریم‌ورک وب سبک (Micro Framework) در پایتون است که برای ساخت وب‌اپلیکیشن‌ها و APIها با سادگی و انعطاف‌پذیری بالا طراحی شده است.
در Flask هسته‌ی اصلی کوچک است و امکانات موردنیاز از طریق افزونه‌ها اضافه می‌شوند.

🔹 ویژگی‌های کلیدی
■مسیریابی (Routing) ساده
■ مدیریت Request / Response
■ قالب‌ساز Jinja2
■نشست کاربری (Session) امن با Signed Cookie
■ سرور توسعه با دیباگر
■ سازگار با WSGI

🔹 معماری و شیوه‌ی کار
در Flask همه‌چیزبا یک شیء ساده شروع می‌شود:

app = Flask(__name__)

مسیرهابا decoratorها تعریف می‌شوند و هر بخش از برنامه می‌تواند به‌صورت ماژولار توسعه پیدا کند.
برای امکانات پیشرفته‌تر(دیتابیس، احراز هویت و…)از افزونه‌هایی بسان:
■ Flask-SQLAlchemy
■ Flask-Login
استفاده می‌شود.

🔹 مناسب برای
■ پروژه‌های کوچک تا متوسط
■ برای APIها و Microservice
■ نمونه‌سازی (Prototype) سریع

📌 منابع:
🔘Flask (web framework)
🔘Build a Scalable Flask Web Project
🔘Introduction to Web Development using Flask

#️⃣ #توسعه_وب
#Flask #Python #WebDevelopment #Backend

🌐 @PyVision

🌍 معرفی برترین سکوهای فریلنسری جهان

🔘 Upwork
بزرگترین بازارِ کارِ فریلنسری با پروژه‌های متنوع از شرکت‌های معتبر جهانی با بیش از ۱۲ میلیون کاربر

🔘 Fiverr
پلتفرمِ مبتنی بر سرویس‌های آماده با مدل قیمت‌گذاری ثابت و شروع سریع

🔘 Toptal
شبکه‌ای انحصاری برای برترین ۳٪ توسعه‌دهندگان جهان با پروژه‌های پردرآمد

🔘 Freelancer
رقابتی‌ترین سکو (Platform) با سیستم مزایده‌ای و هزاران پروژه فعال روزانه

🔘 Guru
سایتی با امکانات مدیریت پروژه و مدل‌های قرارداد مختلف

🔘 PeoplePerHour
تخصص در پروژه‌های ساعتی و پاره‌وقت با الگوریتم هوشمند تطبیق پروژه، و پیشنهاد قیمت رقابتی

🔘 Flexiple
سکویی برای فریلنسرهای سطح senior با پروژه‌های تمام‌وقت با فضای حرفه‌ای فناوری

✅️ برای موفقیت در این پلتفرم‌ها، پروفایل حرفه‌ای، نمونه‌کار قوی و تسلط به زبان انگلیسی ضروری است.

⚠️ دسترسی به برخی از سکوها تنها با VPN امکان‌پذیر است.

#️⃣ #فریلنسری_بین‌المللی #برنامه‌نویسی #اشتغال_از_دور #پایتون
#Upwork #Fiverr #Toptal #Freelancer #Guru #PeoplePerHour #Flexiple

🌐 @PyVision

📘اصطلاحات پرکاربرد دنیای یادگیری ماشین (Machine Learning)
قسمت اول

1️⃣ Machine Learning (یادگیری ماشین)
شاخه‌ای از هوش مصنوعی که به سیستم‌ها این امکان را می‌دهد تا از داده‌ها یاد بگیرند و بدون نیاز به برنامه‌نویسی دقیق تصمیم بگیرند.

2️⃣ Dataset (دیتاست)
مجموعه‌ای از داده‌ها که برای آموزش، ارزیابی یا آزمایش مدل استفاده می‌شود.

3️⃣ Feature (ویژگی)
ویژگی یا خصوصیت داده‌ها که به عنوان ورودی به مدل داده می‌شود.

4️⃣ Label / Target (برچسب / هدف)
خروجی یا پاسخ صحیح هر نمونه داده که مدل باید آن را پیش‌بینی کند.

5️⃣ Supervised Learning (یادگیری نظارت‌شده)
یادگیری با داده‌های برچسب‌خورده برای پیش‌بینی خروجی. شامل مسائل طبقه‌بندی و رگرسیون است.

6️⃣ Classification (طبقه‌بندی)
پیش‌بینی یک دسته یا کلاس برای داده‌ها، مانند تشخیص اسپم یا غیر اسپم.

7️⃣ Regression (رگرسیون)
پیش‌بینی مقادیر پیوسته، مانند پیش‌بینی قیمت یک خانه بر اساس ویژگی‌های آن.

8️⃣ Overfitting (بیش‌برازش)
وقتی مدل خیلی به داده‌های آموزش تطبیق می‌یابد و عملکرد ضعیفی در داده‌های جدید دارد.

9️⃣ Accuracy (دقت)
نسبت پیش‌بینی‌های صحیح به کل نمونه‌ها. یکی از معیارهای ارزیابی مدل.

🔟 Cross-Validation
روش ارزیابی مدل که در آن داده‌ها به چند بخش تقسیم می‌شوند تا از آن‌ها برای آموزش و ارزیابی مدل استفاده شود.


📌 منبع:
🔘 Scikit-Learn

#️⃣ #یادگیری_ماشین #هوش_مصنوعی #علم_داده #آموزش_ماشین_لرنینگ
#MachineLearning #ArtificialIntelligence #DataScience #MLBasics #PyVision

🌐 @PyVision

📑 مرکز فناوری‌های کوانتومی دانشگاه شهید بهشتی برگزار می‌کند:

💠 کارگاه: مقدمه‌ای بر یادگیری ماشین کوانتومی (QML)

👤 مدرس: جناب آقای دکتر حسین داودی یگانه
رئیس مرکز محاسبات کوانتومی آریا کوانتا

🔻 محورها:
• مبانی ساختاری محاسبات کوانتومی و تفاوت آن با محاسبات کلاسیک
• الگوریتم‌های پایه در یادگیری ماشین کوانتومی
• ابزارهای نرم‌افزاری رایج در QML

🗓 تاریخ: سه‌شنبه ۹ دی‌ماه ۱۴۰۴
⏰ زمان: ۱۵ تا ۱۸
📍 مکان: پژوهشکده لیزر و پلاسما، دانشگاه شهید بهشتی (https://maps.app.goo.gl/BNSuRZD1ogTyAW9r6)

💵 هزینه شرکت در کارگاه: ۵۰۰ هزار تومان
هزینه ناهار: ۲۰۰ هزار تومان

سایت (https://quantumphotonicsbu.com/)
راهنمای ثبت نام (https://quantumphotonicsbu.com/wp-content/uploads/2025/12/%D8%B1%D8%A7%D9%87%D9%86%D9%85%D8%A7%DB%8C-%D8%AB%D8%A8%D8%AA-%D9%86%D8%A7%D9%85-2.pdf)
✅لینک ثبت نام (https://quantumphotonicsbu.com/workshop/)

🔗 راه‌های ارتباطی:
واتساپ (https://chat.whatsapp.com/JHe4wAmSGtkF9OzG0jlE2M) | تلگرام (https://news.1rj.ru/str/Qste_sbu) | بله (http://ble.ir/join/3FTq5ZjMD5)
ایمیل : iqste.sbu@gmail.com

📘معرفی ویژگی‌ها و قابلیت‌های Scikit-Learn
بخش اول: Supervised Learning

در مسیر آشنایی با کتابخانه‌ی Scikit-Learn، یکی از مهم‌ترین و پرکاربردترین بخش‌ها،
یادگیری نظارت‌شده (Supervised Learning) است؛
جایی که مدل‌ها با داده‌های برچسب‌خورده آموزش می‌بینند و یاد می‌گیرند چگونه پیش‌بینی کنند.

🔹️ این بخش مجموعه‌ای از الگوریتم‌ها و ابزارها را در اختیار ما می‌گذارد برای:

✔️ طبقه‌بندی (Classification)
برای پاسخ به سؤال‌هایی مثل:
«این داده متعلق به کدام دسته است؟»

✔️ رگرسیون (Regression)
برای پیش‌بینی مقادیر عددی مانند قیمت، زمان، میزان و…

🔹 چرا Scikit-Learn در این حوزه محبوب است؟
چون:

■ الگوریتم‌ها با یک الگوی ساده و یکسان (fit و predict) کار می‌کنند
■ پیاده‌سازی‌ها استاندارد و قابل مقایسه هستند
■ یادگیری مفاهیم پایه تا سطح کاربردی را ساده می‌کند

🔹 کاربردهای رایج Supervised Learning
■ پیش‌بینی روندها (بسان پیش‌بینی قیمت‌ها، پیش‌بینی روندهای آماری)
■ تحلیل رفتار کاربران
■ طبقه‌بندی داده‌های متنی و عددی و...


📌 منبع:
🔘 Scikit-Learn

#️⃣ #یادگیری_ماشین #هوش_مصنوعی #آموزش_پایتون #علم_داده #یادگیری_نظارت_شده #پای_ویژن
#SupervisedLearning
#MachineLearning #ArtificialIntelligence #ScikitLearn #DataScience #PyVision


🌐 @PyVision

📚 معرفی کتاب:
قسمت نوزدهم

The Mathematical Engineering of Deep Learning

نویسندگان:

Benoit Liquet, Sarat Moka, Yoni Nazarathy

📊 سطح: پیشرفته
🗣 زبان‌: انگلیسی

💎 ویژگی‌های منحصر به فرد کتاب:
● رویکرد مهندسی ریاضی به جای صرفاً نظری
● ترکیب مباحث پیشرفته ریاضی با پیاده‌سازی عملی
● منبع اختصاصی برای درک ریاضیات شبکه‌های عصبی عمیق (DNN)

✨ آنچه این کتاب را خاص می‌کند:
● آموزش ریاضیات پیشرفته به زبانی مهندسی و کاربردی
● تمرکز بر شبکه‌های عصبی عمیق و معماری‌های مدرن
● ارائه کدهای عملی و مثال‌های پیاده‌سازی شده

📖 سرفصل‌های کلیدی:
● مبانی ریاضی شبکه‌های عصبی
● بهینه‌سازی درفضای‌های ابعاد بالا
● نظریه تقریب (Approximation theory) و عمق شبکه‌ها
● یادگیری عمیق احتمالاتی
● ریاضیات پشتِ مکانیزیم توجه (Attention) و ترنسفورمرها

▫️این کتاب برای کسانی که می‌خواهند پایه‌های ریاضی قوی برای کاربا شبکه‌های عصبی عمیق بسازند، ایده‌آل است.

📌 منبع:
🔘 deeplearningmath.org

#️⃣ #ریاضیات_یادگیری_عمیق #مهندسی_ریاضی #هوش_مصنوعی #کتاب_تخصصی #کتاب_نوزدهم
#DeepLearningMath #AI #MachineLearning #NeuralNetworks #PyVision

🌐 @PyVision

📚 مرور کتاب‌ها
قسمت اول
در این پست مروری داریم بر معتبرترین کتاب‌ها و منابع آموزشی (۱۰ کتاب اول) که تا بدین لحظه در کانال معرفی شده‌اند:

1. Python Crash Course

2. Head First Python

3. Python Programming for Beginners

4. Automate the Boring Stuff with Python

5. Fluent Python

6. Effective Python

7. Programming Python

8. Python for Data Analysis

9. Hands-On Machine Learning

10. Introduction to Machine Learning with Python


✨️یاد بگیریم، تمرین کنیم، حرفه‌ای شویم.👨🏽‍💻

#️⃣ #کتاب_پایتون #آموزش_پایتون #منابع_آموزشی #پایتون #برنامه_نویسی #کتاب #پای_ویژن
#PythonBooks #PythonLearning #ProgrammingResources #book #Python #PyVision

🌐 @PyVision

🧩 خروجی کد زیر چیست؟

🧩 What's the output?

x = 1

while x < 10:
    if x % 3 == 0:
        x += 2
        continue
    x += 1

print(x)

#️⃣ #چالش_پایتون #حلقه_وایل #منطق_برنامه_نویسی #آموزش_کدنویسی
#PythonChallenge #WhileLoop #ProgrammingLogic #LearnPython #PyVision

🌐 @PyVision

🌀 حلقه while یکی از مهم‌ترین ابزارها برای اجرای تکرارهای شرطی در پایتون است؛
جایی که تا برقرار بودن یک شرط، کد بارها اجرا می‌شود.

در این پست، ۲۰ تمرین ساده اما کاملاً کاربردی را یکجا حل کرده‌ایم تا منطق حلقه‌ها، شمارنده‌ها و کنترل جریان برنامه را به‌صورت عملی تقویت کنیم.
اگر در حال یادگیری پایتون هستید، این تمرین‌ها دقیقاً همان چیزی است که به آن نیاز دارید 💡🐍

یاد بگیریم، تمرین کنیم و حرفه‌ای شویم 🚀

#️⃣ #پایتون #تمرین_پایتون #برنامه_نویسی #حلقه_تکرار
#Python #LearnPython #WhileLoop #CodingPractice

🌐 @PyVision

✅️ خروجی نهایی:

11

🟢 کد را مرحله‌به‌مرحله بررسی می‌کنیم:

x = 1

● مقدار اولیه x برابر ۱ است.

حلقه تا زمانی اجرا می‌شود که x < ۱۰:

۱. x = ۱ → بخش‌پذیر بر ۳ نیست → x += ۱ → x = ۲
۲. x = ۲ → بخش‌پذیر بر ۳ نیست → x += ۱ → x = ۳
۳. x = ۳ → بخش‌پذیر بر ۳ است →
ابتدا x += ۲ → x = ۵
سپس continue اجرا می‌شود (پرش به ابتدای حلقه)
۴. x = ۵ → بخش‌پذیر بر ۳ نیست → x += ۱ → x = ۶
۵. x = ۶ → بخش‌پذیر بر ۳ است →
x += ۲ → x = ۸ → continue
۶. x = ۸ → بخش‌پذیر بر ۳ نیست → x += ۱ → x = ۹
۷. x = ۹ → بخش‌پذیر بر ۳ است →
x += ۲ → x = ۱۱ → continue

اکنون شرط حلقه (x < ۱۰) برقرار نیست، بنابراین حلقه متوقف می‌شود.

✔ مقدار نهایی x برابر ۱۱ است.


🟢 Let’s analyze the code step by step:

x = 1

● The initial value of x is 1.

The loop runs as long as x < 10:

1. x = 1 → not divisible by 3 → x += 1 → x = 2
2. x = 2 → not divisible by 3 → x += 1 → x = 3
3. x = 3 → divisible by 3 →
x += 2 → x = 5
continue skips the rest of the loop
4. x = 5 → not divisible by 3 → x += 1 → x = 6
5. x = 6 → divisible by 3 →
x += 2 → x = 8 → continue
6. x = 8 → not divisible by 3 → x += 1 → x = 9
7. x = 9 → divisible by 3 →
x += 2 → x = 11 → continue

Now x is no longer less than 10, so the loop ends.

✔ Final value of x is 11.

🌐 @PyVision

📘 هوش مصنوعی (Artificial Intelligence) چیست؟

هوش مصنوعی به زبان ساده یعنی طراحی سیستم‌ها و برنامه‌هایی که می‌توانند رفتارهای هوشمندانه شبیه انسان از خود نشان دهند؛
مثل یادگیری از تجربه، تحلیل داده‌ها، تصمیم‌گیری و حل مسئله.
این سیستم‌ها به‌جای پیروی از دستورهای کاملاً ثابت، با داده‌ها آموزش می‌بینند و به‌مرور دقیق‌تر می‌شوند. 🤖✨

🔹 زیرمجموعه‌های اصلی هوش مصنوعی

1️⃣ یادگیری ماشین (Machine Learning)
در این روش، ماشین با بررسی داده‌ها الگوها را یاد می‌گیرد و بدون برنامه‌نویسی مستقیم، عملکرد خود را بهبود می‌دهد.
⚪️ مثال: سیستم‌های پیشنهاددهنده فیلم، موسیقی یا کالا

2️⃣ یادگیری عمیق (Deep Learning)
شاخه‌ای پیشرفته از یادگیری ماشین که از شبکه‌های عصبی چندلایه الهام‌گرفته از مغز انسان استفاده می‌کند.
⚪️ مثال: تشخیص چهره، تشخیص گفتار و تحلیل تصاویر پزشکی

3️⃣ پردازش زبان طبیعی (NLP)
این حوزه به ماشین کمک می‌کند زبان انسان را بفهمد، پردازش کند و پاسخ مناسب تولید کند.
⚪️ مثال: چت‌بات‌ها، ترجمه ماشینی و خلاصه‌سازی متن

4️⃣ بینایی ماشین (Computer Vision)
توانایی تحلیل و درک تصاویر و ویدئوها توسط سیستم‌های کامپیوتری.
⚪️ مثال: خودروهای خودران و سیستم‌های نظارت تصویری

5️⃣ سیستم‌های خبره (Expert Systems)
سیستم‌هایی که دانش و تجربه‌ی یک متخصص انسانی را شبیه‌سازی می‌کنند.
⚪️ مثال: سیستم‌های تشخیص بیماری یا تحلیل ریسک


✅️ در پست‌های بعدی، هر یک از این زیرشاخه‌ها را به‌صورت جداگانه و ساده بررسی می‌کنیم و با کاربردهای آن‌ها بیشتر آشنا می‌شویم.

📌 منابع:
🔘 www.ibm.com
🔘developers.google.com
🔘web.stanford.edu

#️⃣ #هوش_مصنوعی #یادگیری_ماشین #فناوری #تحلیل_داده #برنامه_نویسی
#ArtificialIntelligence #MachineLearning #DeepLearning #AI #DataScience #PyVision

🌐 @PyVision