قالب اتم شماره ی 2

دانلود کد ✌️😎

https://github.com/ArtemisAsadii/atom2.git

1 اردیبهشت روز بزرگداشت سعدی 😍
به همراه کمی طنز روز رو تبریک میگم 🙏🌹 😅

از GPT ی سوال پرسیدم
گفت برو خودت سرچ کن 🫠🫠

فایل رو داخل github هم قرار دادم
https://github.com/ArtemisAsadii/atom2.git

الکترونیک کاربردی برای مخترعان

مقالک✍️

خب اصلا LeetCode چیه؟
یک پلتفرم آنلاین برای تمرین و یادگیری مهارت‌های برنامه‌نویسی، به‌ویژه در زمینه الگوریتم‌ها و ساختار داده‌ ست . این سایت شامل هزاران مسئله در سطوح مختلف (آسان، متوسط، سخت) است که اغلب در مصاحبه‌های شغلی شرکت‌های بزرگ فناوری مثل Google، Meta، Amazon، Microsoft و غیره استفاده میشه .

ویژگی‌های اصلی LeetCode:

تمرین الگوریتم و ساختار داده

دسته‌بندی بر اساس موضوع (مثل Graph، Dynamic Programming، Array و...)

پشتیبانی از چند زبان برنامه‌نویسی مثل Python، Java، C++ و...

آزمون‌های شبیه‌سازی مصاحبه

بخش بحث و راه‌حل‌ها برای تبادل ایده بین کاربران

مسابقات آنلاین (Contests) هفتگی و ماهانه برای رقابت زنده


اگر می‌خوای برای مصاحبه‌های شغلی در حوزه برنامه‌نویسی آماده شی یا مهارت کدنویسی‌ات رو ارتقا بدی، LeetCode یکی از بهترین منابعه.

لینک برای ورود 👇

https://leetcode.com/

این استک‌ها محبوبیت زیادی در توسعه‌ی اپلیکیشن‌های مدرن دارند، چون کاملاً مبتنی بر جاوااسکریپت هستند و MongoDB به‌دلیل انعطاف‌پذیری بالا، گزینه‌ای عالی برای ذخیره داده‌هاست.

تمرین شماره ی 9 ( Menu) :

این منو با کمک css, html, js زده شده

به زودی کدش رو براتون میفرستم 😍

قبلا کد میزدم یکم از AI کمک میگرفتم

الان اون کد میزنه یکم از من کمک میگیره 🫠👌

فایل منو اضافه شد 🌹🙏

تمرین 10 :

HTML, css, js

دانلود فایل در گیت هاب

مراحل اتصال فایل به Google Colab از طریق Google Drive

ایجاد یک فولدر در Google Drive
ابتدا در Google Drive خود یک فولدر جدید ایجاد کنید و نام آن را مثلاً «پروژه» بگذارید.

اتصال Google Drive به محیط Colab
در نوت‌بوک Colab، این کد را اجرا کنید :

from google.colab import drive
drive.mount('/content/drive')

پس از اجرای این کد، یک پنجره باز می‌شود که از شما می‌خواهد اجازه دسترسی به Google Drive خود را بدهید. پس از اجازه دادن، درایو شما به Colab متصل می‌شود.

تعیین مسیر فایل در Google Drive
حالا مسیر فایل خود را مشخص کنید. فرض کنید فولدری که ساختید نامش «پروژه» است و فایل شما به نام dataset.json داخل آن قرار دارد. مسیر به شکل زیر خواهد بود:

file_path = '/content/drive/MyDrive/پروژه/dataset.json'

نکته:
برای پیدا کردن مسیر دقیق فایل، می‌توانید از بخش «My Drive» در Google Drive مسیر فایل خود را به دست آورید و آن را در کد بالا جایگزین کنید.

فایل تمرین در گیت هاب اضافه شد 🌹

https://github.com/ArtemisAsadii/Gallery.git

کد تست برای بارگذاری فایل دیتاست یا هر فایل دیگری از گوگل درایو :

import json
from google.colab import drive
import os # برای بررسی وجود فایل

# --- 1. اتصال به Google Drive ---
# این بخش را فقط یک بار در ابتدای هر جلسه Colab اجرا کنید.
# اگر قبلاً mount شده باشد، پیامی مبنی بر اینکه درایو از قبل mount شده است، نمایش داده می‌شود.
drive.mount('/content/drive')

# --- 2. تعیین مسیر فایل در Google Drive ---
# مسیر فایل dataset.json خود را در Google Drive اینجا وارد کنید.
# مثال: اگر فایل شما در پوشه 'nlp' در درایو من باشد
file_path = '/content/drive/MyDrive/nlp/dataset.json' # مسیر فایل خود را اینجا به روز کنید!

# --- 3. بررسی و بارگیری داده‌ها و انجام عملیات تستی ---
raw_dataset = None # مقدار اولیه برای raw_dataset
dataset_loaded = False # پرچمی برای نشان دادن وضعیت بارگذاری

print(f"تلاش برای یافتن و بارگیری فایل: {file_path}")

# ابتدا بررسی می‌کنیم که فایل در مسیر مشخص شده وجود دارد یا خیر
if not os.path.exists(file_path):
    print(f"خطا: فایل {file_path} در مسیر مشخص شده یافت نشد. لطفا مسیر را بررسی کنید و از وجود فایل اطمینان حاصل کنید.")
else:
    print(f"فایل {file_path} در مسیر مشخص شده یافت شد. تلاش برای بارگیری...")
    try:
        with open(file_path, 'r', encoding='utf-8') as f:
            raw_dataset = json.load(f)
        print("فایل dataset.json با موفقیت بارگیری شد.")
        dataset_loaded = True
    except json.JSONDecodeError:
        print(f"خطا: فایل {file_path} دارای فرمت JSON معتبر نیست. لطفا ساختار فایل را بررسی کنید.")
    except Exception as e:
        print(f"خطا در بارگیری فایل: {e}")

# --- 4. انجام عملیات تستی روی دیتاست (فقط در صورت بارگیری موفق) ---
if dataset_loaded:
    print(f"\nتعداد کل آیتم‌ها در دیتاست: {len(raw_dataset)}")

    # یک حلقه تستی برای بررسی ساختار و نمایش چند نمونه
    print("\n--- نمایش چند نمونه از دیتاست برای بررسی ساختار ---")
    num_samples_to_check = min(5, len(raw_dataset)) # حداکثر 5 نمونه یا کمتر اگر دیتاست کوچک‌تر باشد

    for i in range(num_samples_to_check):
        item = raw_dataset[i]
        print(f"\n--- نمونه {i+1} ---")
        
        # بررسی کلید 'user'
        if 'user' in item:
            user_data = item['user']
            if isinstance(user_data, list):
                print(f"User (لیست): {user_data}")
            elif isinstance(user_data, str):
                print(f"User (رشته): {user_data}")
            else:
                print(f"User (نوع نامشخص): {type(user_data)} -> {user_data}")
        else:
            print("کلید 'user' یافت نشد.")

        # بررسی کلید 'AI'
        if 'AI' in item:
            ai_data = item['AI']
            if isinstance(ai_data, list):
                print(f"AI (لیست): {ai_data}")
            elif isinstance(ai_data, str):
                print(f"AI (رشته): {ai_data}")
            else:
                print(f"AI (نوع نامشخص): {type(ai_data)} -> {ai_data}")
        else:
            print("کلید 'AI' یافت نشد.")

        # بررسی کلید 'label'
        if 'label' in item:
            print(f"Label: {item['label']}")
        else:
            print("کلید 'label' یافت نشد.")
            
        # بررسی وجود تمام کلیدهای ضروری (به فرض 'user', 'AI', 'label' ضروری هستند)
        required_keys = ['user', 'AI', 'label']
        missing_keys = [key for key in required_keys if key not in item]
        if missing_keys:
            print(f"هشدار: کلیدهای ضروری {missing_keys} در این نمونه یافت نشدند.")

    print("\n--- بررسی اولیه دیتاست به پایان رسید. ---")
    print("اگر خروجی بالا صحیح به نظر می‌رسد، می‌توانید بقیه کد آموزش مدل را اجرا کنید.")
else:
    print("\n**عملیات تستی انجام نشد زیرا فایل دیتاست بارگیری نشد.**")

گاهی اوقات بارگذاری با کمک گوگل درایو ممکن نیست، در این صورت بارگذاری به صورت مستقیم رو امتحان کنید

کد :

from google.colab import files
import json

uploaded = files.upload() # این خط یک دکمه آپلود ایجاد می‌کند

file_name = list(uploaded.keys())[0] # نام اولین فایل آپلود شده را دریافت می‌کند
print(f"فایل '{file_name}' با موفقیت آپلود شد.")

# حالا می‌توانید فایل را بخوانید
try:
    with open(file_name, 'r', encoding='utf-8') as f:
        raw_dataset = json.load(f)
    print("فایل dataset.json با موفقیت بارگیری شد.")
    # حالا raw_dataset شما آماده است و می‌توانید ادامه کد را اجرا کنید.
    print(f"تعداد کل آیتم‌ها در دیتاست: {len(raw_dataset)}")
    # می‌توانید بخش تستی دیتاست را اینجا قرار دهید
    # ...
except json.JSONDecodeError:
    print(f"خطا: فایل '{file_name}' دارای فرمت JSON معتبر نیست. لطفا ساختار فایل را بررسی کنید.")
except Exception as e:
    print(f"خطا در خواندن فایل: {e}")

سه قانون‌ طلایی در برنامه نویسی

کدی که کار میکنه بهش دست نزن
کدی که کار میکنه بهش دست نزن
کدی که کار میکنه بهش دست نزن

ی کپی بگیر و روش کار کن ولی به کد که کار میکنه دست نزن 🤌🥲

این یک چت بات ساده ست از معماری transformers

کدش رو براتون همراه با دیتاست ارسال میکنم

⚙️ نحوه عملکرد چت‌بات:
بارگذاری مدل زبان فارسی (BERT-trained):
برای درک معنای جملات فارسی، از مدل HooshvareLab/bert-fa-zwnj-base استفاده شده است.

استخراج داده‌ها از دیتاست:
هر سوال و پاسخ (user/AI) از دیتاست استخراج و ذخیره می‌شود.

تبدیل سوالات به بردار معنایی (Embedding):
تمام سوالات دیتاست به بردارهای عددی تبدیل می‌شوند که نمایانگر معنای آن‌ها هستند.

پرسش کاربر و تحلیل شباهت:
سوال کاربر نیز به بردار تبدیل شده و سپس با تمامی سوالات دیتاست مقایسه می‌شود.

انتخاب بهترین پاسخ:
با استفاده از شباهت کسینوسی (Cosine Similarity)، نزدیک‌ترین سوال به سوال کاربر انتخاب شده و پاسخ متناظر با آن نمایش داده می‌شود.

📌 مزایا:
پشتیبانی کامل از زبان فارسی با نیم‌فاصله (زبان نوشتاری رسمی)

پاسخ‌های طبیعی و قابل درک (با فرض وجود دیتاست خوب)

⚠️ محدودیت‌ها:
چت‌بات پاسخ تولید نمی‌کند، فقط پاسخ مشابه را پیدا می‌کند.

کیفیت پاسخ کاملاً وابسته به کیفیت و تنوع دیتاست اولیه است.

مدل به سوالات خارج از حوزه‌ی دیتاست، پاسخ مناسبی نمی‌دهد.

دانلود کد ⬇️

دانلود دیتا ست ⬇️

چند تا App کاربردی برای امنیت شما و عزیزانتون 🌹🙏 :



🟢 bSafe

🎥 ضبط صدا و تصویر در لحظه خطر
📡 اشتراک‌گذاری موقعیت زنده با خانواده/دوستان
📞 تماس ساختگی (برای فرار از موقعیت ناراحت‌کننده)
🕵️ امکان دنبال‌کردن مسیرت
🌐 getbsafe.com
📱 موجود در Google Play و App Store


---

🟣 One Scream

🗣 جیغ بزنی = ارسال پیام اضطراری
📱 مناسب موقعی که گوشی دم‌دست نیست
🌐 جستجو در گوگل‌پلی یا اپ‌استور: One Scream


---

🟡 Life360

👨‍👩‍👧‍👦 موقعیت لحظه‌ای خانواده و دوستان
🚗 سابقه مسیرها، هشدار ورود به مناطق خاص
💡 خوب برای خانواده‌ها و پدرمادرهایی که می‌خوان بچه‌ها رو چک کنن
🌐 جستجو: Life360 در استورها

Cheat sheet for Python

مروری بر پژوهش لب خوانی خودکار