برای شروع به کار با پایتون بهتر است، پلتفورم آناکوندا (یک پلتفورم مناسب برای علم داده) را از لینک زیر نصب نمایید.

https://www.anaconda.com/products/individual#windows

✅آناکوندا یک توزیع پایتون است در واقع محیطی با بیش از 1000 کتابخانه ی متن باز است که به صورت رایگان در اختیار کاربر قرار می گیرد و به سادگی قابل نصب و اجرا است. این نرم افزار شامل پایتون و چندین کتابخانه ی دیگر مخصوص تحلیل داده ها و کارهای تحقیقاتی ، پردازش و محاسبات علمی است. از آن جائیکه نصب هر کدام از این پکیج ها به دلیل وابستگیشان کار ساده ای نیست و هریک برای خود دردسرهایی دارد و به راحتی انجام نمی گیرد آناکوندا بیشتر این پکیج ها را جمع آوری کرده و به ما این امکان را می دهد که بدون استفاده از دستورات خط فرمان اپلیکیشن و پکیج های مورد نیاز خود را راه اندازی و مدیریت کنیم.

کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

✅پس از نصب آناکوندا، از قسمت سرچ ویندوز Jupyter Notebook را انتخاب و اجرا کنید، این محیط دارای کاربری ساده ای است که معمولا برای آموزش کدنویسی از آن استفاده می شود.

✅در نهایت در Jupyter Notebook از قسمت New، گزینه Python 3 را انتخاب کنید تا یک محیط کدنویسی جدید ایجاد گردد.

کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

انواع داده در پایتون

✅ اعداد
اعداد «صحیح» (Integer)، «ممیز شناور» (Float) و «مختلط» (Complex) در دسته انواع عددی پایتون قرار می‌گیرند. این اعداد به عنوان کلاس‌های float ،int و complex در پایتون تعریف می‌شوند. می‌توان از تابع ()type برای دانستن اینکه یک متغیر یا مقدار به کدام کلاس تعلق دارد (چه نوع داده‌ای دارد)، استفاده کرد.

✅ لیست ها
«لیست» (List) یک توالی دارای ترتیب از عناصر است. لیست یکی از انواع داده پرکاربرد در زبان برنامه‌نویسی پایتون است و انعطاف‌پذیری بالایی دارد. نیازی نیست که همه عناصر موجود در لیست از یک نوع باشند. اعلان یک لیست کار ساده‌ای است. عناصر لیست با استفاده از کاما از یکدیگر جدا می‌شوند و با استفاده از براکت محصور شده‌اند (در براکت قرار گرفته‌اند). لیست‌ها تغییر پذیر هستند. بدین معنا که مقدار عناصر یک لیست قابل جایگزینی است.

a = [5,10,15,20,25,30,35,40]
print("a[2] = ", a[2])

خروجی:
a[2] = 15

✅ تاپل ها
«تاپل» (Tuple) یک توالی دارای ترتیب از عناصر مانند لیست است. تنها تفاوت تاپل و لیست در این است که تاپل‌ها غیر قابل تغییر هستند. تاپل‌ها پس از آنکه ساخته شدند، قابل ویرایش نیستند. تاپل‌ها برای نوشتن داده‌های محافظت شده در مقابل نوشتن و غیر قابل تغییر، مورد استفاده قرار می‌گیرند و معمولا سریع‌تر از لیست‌ها هستند چون به صورت پویا تغییر نمی‌کنند. تاپل‌ها با استفاده از پرانتز تعریف می‌شوند و عناصر آن‌ها به وسیله کاما از یکدیگر جدا می‌شوند. می‌توان از عملگر برش زدن [ ] برای استخراج عناصر تاپل استفاده کرد، اما نمی‌توان مقادیر آن را تغییر داد.

t = (5,'program', 1+3j)
print("t[0:3] = ", t[0:3])

خروجی:
t[0:3] = (5, 'program', (1+3j))

✅ رشته‌ها
«رشته» (String) یک توالی از کاراکترهای یونیکد است. می‌توان از تک علامت نقل قول انگلیسی (سینگل کوتیشن | Single Quotation) یا دابل کوتیشن (Double Quotation) برای نمایش رشته‌ها استفاده کرد. رشته‌های چند خطی با استفاده از سه کوتیشن ”’ یا “”” قابل اعلان شدن هستند. مانند لیست و تاپل، عملگر برش‌زنی [ ] برای رشته‌ها نیز قابل استفاده است. رشته‌ها غیر قابل تغییر هستند.

s = 'Hello world!'
print("s[4] = ", s[4])

خروجی:

s[4] = 'o'

✅ مجموعه‌ها
«مجموعه» (Set)، گروهی از عناصر فاقد ترتیب یکتا هستند. مجموعه به وسیله مقادیر درون کروشه { } که با کاما از یکدیگر جدا می‌شوند، تعریف می‌شود. عناصر مجموعه فاقد ترتیب هستند. می‌توان عملیات مجموعه‌ها مانند اتحاد و اشتراک را روی مجموعه‌ها در پایتون اجرا کرد. مجموعه دارای مقادیر یکتا است. مقادیر تکراری از مجموعه حذف می‌شوند. از آنجا که عناصر مجموعه‌ها فاقد ترتیب هستند، اندیس‌گذاری هیچ معنایی ندارد. بنابراین، عملگر [ ] روی مجموعه‌ها کار نمی‌کند.

a = {5,2,3,1,4}

✅ دیکشنری
«دیکشنری» (Dictionary) مجموعه‌ای فاقد ترتیب از جفت‌های کلید-مقدار است. به طور کلی، از مجموعه‌ها زمانی استفاده می‌شود که حجم زیادی از داده‌ها وجود داشته باشد. دیکشنری‌ها برای بازیابی داده‌ها بهینه شده‌اند. برای بازیابی یک مقدار از دیکشنری، باید کلید آن را دانست. در پایتون، دیکشنری‌ها با { } تعریف می‌شوند و هر عنصر در آن به شکل key:value است. کلیدها و مقادیر می‌توانند از هر نوعی باشند. از کلیدها برای بازیابی مقادیر متناظر آن‌ها استفاده می‌شود. اما راه دیگری برای بازیابی مقادیر دیکشنری‌ها وجود ندارد.

d = {1:'value','key':2}


کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

✅دستورات break و continue در پایتون

دستورات break و continue در پایتون، می‌توانند روال یک حلقه for معمولی (گاهی نیز while) را تغییر دهند. حلقه‌ها در یک بلوک از کد تا هنگامی تکرار می‌شوند که عبارت تست (شرط) غلط باشد، اما گاهی نیاز به متوقف کردن تکرار کنونی یا حتی کل حلقه بدون بررسی عبارت تست (شرط) است. دستورات break و continue در چنین شرایطی مورد استفاده قرار می‌گیرند.

کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

دستور break، حلقه‌ای که در آن قرار دارد را متوقف می‌کند و کنترل برنامه را به قسمت بعد از بدنه حلقه منتقل می‌کند. اگر دستور break درون یک حلقه تو در تو (حلقه‌ای درون حلقه‌ای دیگر) قرار داشته باشد، break، درونی‌ترین حلقه را متوقف می‌کند.

کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

دستور continue برای پریدن از روی کل کد درون حلقه برای تکرار کنونی، استفاده می‌شود. حلقه متوقف نمی‌شود اما کار خود را از تکرار بعدی از سر می‌گیرد.

کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

کتاب مفاهیم و تکنیکهای داده کاوی به قلم دکتر مهدی اسماعیلی

کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

نمایش یک تصویر دلخواه در محیط کدنویسی پایتون

from IPython.display import Image
Image("C:\\Users\\asus\\Desktop\\DSC_0057.JPG")

در داخل پرانتز باید آدرس عکس مورد نظر وارد شود.

کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

📣معرفی کتابخانه numpy پایتون

نامپای یا numpy یک کتابخانه پایتون است که برای کار با آرایه‌ها به وجود آمده است. کتابخانه numpy همچنین توابعی برای انجام عملیات‌های گوناگون در جبر خطی، تبدیل فوریه و ماتریس‌ها دارد. Numpy سرواژه‌ی عبارت Numerical Python به معنای پایتون عددی یا پایتون محاسباتی است.

✅چرا باید از numpy استفاده کنیم؟
در پایتون چیزی به عنوان آرایه وجود ندارد؛ با این حال می‌توان از لیست (list) به عنوان آرایه استفاده کرد. مشکل لیست آن است که سرعت پردازش داده‌ها در آن بسیار پایین است. Numpy تلاش دارد شیئی را به عنوان آرایه ارائه دهد که ۵۰ برابر از لیست سریع‌تر است. شیئی که به عنوان آرایه در numpy موجود است، ndarray نام دارد. نامپای توابع زیادی دارد که کار با ndarray را بسیار راحت کرده‌اند. توجه داشته باشید که با توجه به استفاده‌ی گسترده از آرایه‌ها در علوم داده و با توجه به حجیم بودن داده‌ها، سرعت مقوله‌ی بسیار مهمی برای ماست.

✅نصب کتابخانه numpy پایتون
اگر پایتون و PIP را بر روی سیستم خود نصب کرده باشید، نصب numpy به سادگی امکان‌پذیر است. کافی است در محیط خط فرمان (Cmd یا powershell در ویندوز یا ترمینال در لینوکس)، دستور زیر را تایپ کنید:

C:\Users\Your Name>pip install numpy

✅وارد کردن numpy به کد پایتون
پس از نصب نامپای، می‌توانید آن را به راحتی و با استفاده از کیورد import وارد اپلیکیشن پایتون خود کنید.

import numpy

✅وارد کردن numpy به کد پایتون با استفاده از اسم جایگزین np
در برنامه‌‌‌هایی که در آن‌‌‌ها به کرّات از کتابخانه نامپای استفاده می‌‌‌شود، به جای آن که هر دفعه واژه numpy را برای دسترسی به کتابخانه استفاده کنیم، می‌‌‌توان از واژه جایگزین دیگری مانند np که کوتاه‌‌‌تر است استفاده نمود. فقط توجه داشته باشید که برای انجام این کار نیاز به اجرای کد زیر دارید:

import numpy as np

کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

کتاب یادگیری عمیق: اصول، مفاهیم و رویکردها
کامل‌ترین منبع فارسی یادگیری عمیق.

کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

🎈 یک کتابچه خلاصه از دستورات ضروری پایتون شامل نحوه تعریف لیست ها، توابع، حلقه های تکرار، کلاس ها و غیره

کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

مزيت استفاده از داده هاي اعتبارسنجي (validation) در فرآيند آموزش

✅در حالت عادي، داده ها را به دو دسته داده هاي آموزش و داده هاي تست تقسيم مي كنند كه در آن داده هاي آموزش براي فرآيند يادگيري استفاده مي شوند و از داده هاي تست براي آزمايش استفاده مي شود.
✅اما در بعضي اوقات، داده ها به سه دسته تقسيم مي شوند؛ يعني در آن داده هاي اعتبار سنجي هم اضافه مي شوند. اگر فرايند آموزش خيلي طولاني باشد، بيش برازش پيش مي­آيد يعني شبكه خيلي به داده­هاي آموزش حساس مي­شود و اگر داده­هاي جديد كمي متفاوت باشند، نتيجه­ي دقيقي حاصل نمي­شود. به همين دليل داده­ها به سه دسته ­ي آموزش، اعتبارسنجي و آزمايش تقسيم مي­شوند.
✅اهميت داده­هاي اعتبارسنجي اين است كه از وقوع بيش برازش جلوگيري مي­كند. زماني كه فرايند آموزش توسط داده هاي بخش آموزش انجام مي گيرد، توسط داده هاي اعتبارسنجي بررسي مي كنيم كه سيستم خيلي وابسته به داده هاي آموزش نباشد.


کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

در شكل يك نمونه فرآيند آموزش و ميزان­ خطاهاي آموزش، اعتبارسنجي و آزمايش در هر تکرار نشان داده شده است. همانطور كه مشاهده مي­شود هر چه تعداد تکرارها بيشتر شود، ميزان خطاي آموزش كاهش مي­يايد اما به نقطه­اي مي­رسيم كه كم كم خطاي اعتبارسنجي افزايش مي­ يايد؛ اين نقطه همان جايي است كه ممكن است از آن به بعد بيش برازش اتفاق بيوفتد به همين دليل فرايند آموزش در آن متوقف مي­شود.

کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

آموزش نصب Anaconda و اجرای jupyter notebook

آناکوندا یک توزیع از زبان های برنامه نویسی Python و R می باشد. آناکوندا با داشتن کتابخانه های مورد نیاز برای کارهای محاسباتی مخصوصاً در زمینه ی علم داده ها Data science ، کار را برای محققان ساده تر کرده است.

کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

🎈 انواع یادگیری ماشین به همراه تکنیک ها

کانال آموزش برنامه نویسی پایتون:
🆔@Python_AI_ML

✨دوره های تابستان ۱۴۰۰ انجمن علمی برق دانشگاه شهید بهشتی✨

📇 ارائه دو مدرک معتبر برای هر دوره
1- مدرک فارسی از دانشگاه شهید بهشتی
2- مدرک انگلیسی از IEEE BZTE Student Branch

💸 شرکت در دوره ها برای عموم آزاد بوده و تمامی دوره ها دارای تخفیف های دانشجویی و گروهی می باشند.

⁉️ جهت کسب اطلاعات بیشتر و آگاهی از تخفیف ها به لینک زیر مراجعه فرمایید.
https://news.1rj.ru/str/AESA_PWUT/2097

@AESA_PWUT | اینستاگرام | وب‌سایت

فایل python cheat sheet که حاوی بیشتر دستور های مورد نیاز و مهم پایتون هست.

@Python_AI_ML

فایل بسیار ارزشمند و جمع آوری شده شامل مفاهیم هوش مصنوعی، انواع شبکه های عصبی، کتابخانه های مختلف، زبان پایتون و ...
@Python_AI_ML

✅"وبینار نقشه راه هوش مصنوعی"

ارائه مفاهیم و انتخاب مسیر درست جهت ورود و فعالیت در دنیای هوش مصنوعی

بزودی....

🌐@Python_AI_ML