الگوریتم شبکه های عصبی Neural Networks

در ادامه کد تصویر بالا رو قرار داده ام می توانید کپی کنید تغییر بدید و استفاده کنید.

# Import required libraries
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier
import matplotlib.pyplot as plt
import numpy as np

# Create a non-linear 2D dataset shaped like moons
X, y = make_moons(n_samples=300, noise=0.2, random_state=42)

# Split the dataset into training and test sets
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42
)

# Initialize a neural network model with 2 hidden layers (10 and 5 neurons)
mlp = MLPClassifier(hidden_layer_sizes=(10, 5), max_iter=2000, random_state=42)

# Train the model using the training data
mlp.fit(X_train, y_train)

# Create a mesh grid to visualize decision boundaries
x_min, x_max = X[:, 0].min() - 0.5, X[:, 0].max() + 0.5
y_min, y_max = X[:, 1].min() - 0.5, X[:, 1].max() + 0.5
xx, yy = np.meshgrid(
    np.linspace(x_min, x_max, 500),
    np.linspace(y_min, y_max, 500)
)

# Predict the class for each point in the mesh grid
Z = mlp.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)

# Plot the decision boundary and original data points
plt.figure(figsize=(8, 6))
plt.contourf(xx, yy, Z, alpha=0.3)  # decision regions
plt.scatter(X[:, 0], X[:, 1], c=y, edgecolors='k', s=50)  # input points
plt.noscript("Neural Network Classification (MLPClassifier)")
plt.xlabel("Feature 1")
plt.ylabel("Feature 2")
plt.tight_layout()
plt.show()

💻@voidcompile

🧠📊 دیتابیس‌های معروف برای یادگیری ماشین – با چی مدل‌ هات رو آموزش بدی؟

اگه وارد دنیای یادگیری ماشین (Machine Learning) شدی، حتماً باید دیتاست‌های معروف مثل MNIST، CIFAR-10، ImageNet رو بشناسی! این دیتاست‌ها برای آموزش مدل‌های بینایی ماشین، دسته‌بندی تصویر، تشخیص اشیاء، و هزاران کاربرد دیگه استفاده می‌شن.

✅ دیتاست‌هایی برای شروع یادگیری ماشین
✅ دسته‌بندی تصویر، تشخیص دست‌خط، بینایی ماشین
✅ آماده برای آموزش مدل‌های هوش مصنوعی
✅ فرمت‌های مناسب برای Deep Learning و Scikit-learn
✅ قابل استفاده در پروژه‌های NLP، CV و طبقه‌بندی داده‌ها

📌 اگر دنبال تمرین، تست، یا آموزش یک مدل هوش مصنوعی هستی، این دیتابیس‌ها نقطه شروع حرفه‌ای هستن.

#یادگیری_ماشین
#هوش_مصنوعی
#بینایی_ماشین
💻 @voidcompile

🎨🧑‍💻 تبدیل کد به تصویر حرفه‌ای برای تولید محتوا – معرفی سایت carbon.now.sh

اگه برنامه نویسی می‌کنی و دوست داری کدتو به شکل شیک و گرافیکی منتشر کنی، سایت carbon.now.sh یکی از بهترین ابزارهای رایگان برای ساخت تصویر از کدهای برنامه نویسیه.

🔧 امکانات سایت Carbon:

✅ تبدیل کد پایتون، جاوااسکریپت، سی، جاوا، PHP و ده‌ها زبان دیگه به تصویر
✅ انتخاب تم های متنوع، فونت حرفه‌ای، رنگ پس زمینه، سایه و اندازه متن
✅ مناسب برای تولید محتوای برنامه نویسی در تلگرام، اینستاگرام، گیتهاب و بلاگ
✅ امکان دانلود با فرمت PNG یا SVG برای استفاده حرفه‌ای
✅ بدون نیاز به ثبت نام و کاملاً رایگان

📌 مناسب برای:

🔹 آموزش برنامه نویسی با ظاهر حرفه‌ای
🔹 ساخت پست های اینستاگرامی و تلگرامی برای آموزش کدنویسی
🔹 ساخت اسکرین شات های مرتب برای رزومه، پروژه یا اسلاید آموزشی


کافیه یه تیکه کد رو بندازی توی این سایت و یه تصویر جذاب ازش بگیری. سریع، حرفه‌ای و بدون دردسر!

لینک سایت : https://carbon.now.sh

❌️ممکن است برای دسترسی به سایت نیاز به فیلترشکن داشته باشید .
#برنامه_نویسی
#تولید_محتوا
#ابزار_برنامه_نویسان

💻@voidcompile

🧠🎲 الگوریتم مونت‌ کارلو (Monte Carlo Simulation) – شبیه‌سازی تصادفی برای حل مسائل پیچیده

✅معرفی الگوریتم قسمت۸

📌 یکی از پرکاربردترین روش‌های محاسباتی در علم داده، یادگیری ماشین، فیزیک، آمار و تحلیل ریسک، الگوریتم شبیه‌سازی مونت‌کارلو است. این الگوریتم با تولید حجم زیادی از داده‌های تصادفی، نتایج پیچیده و غیرقطعی را تقریب می‌زند.

🔍 در این روش به‌جای محاسبهٔ تحلیلی، از تکرار و احتمال برای پیش‌بینی نتیجه استفاده می‌کنیم. الگوریتم مونت‌کارلو پایهٔ بسیاری از مدل‌های پیش‌بینی، تحلیل مالی، مدل‌سازی آب‌وهوا، شبیه‌سازی ترافیک، تحلیل شبکه و بسیاری از کاربردهای مهندسی و علمی است.

کاربردهای مهم:

✅ مدل‌سازی ریسک پروژه‌ها
✅ شبیه‌سازی بازارهای مالی و پیش‌بینی سود/زیان
✅ تحلیل تصادفی در فیزیک و شیمی
✅ الگوریتم‌های یادگیری ماشین مبتنی بر نمونه‌گیری


🧩 الگوریتم مونت‌کارلو پایه‌ٔ مفهومی خیلی از مدل‌های پیشرفته در دنیای واقعی‌ه و یادگیریش برای هر برنامه‌نویس یا پژوهشگر داده واجبه!

#الگوریتم_مونت_کارلو
#تحلیل_احتمالاتی

💻@voidcompile

🎯 سناریو:

فرض کنیم پروژه‌ای داری که زمان تحویلش به ۳ عامل وابسته‌ست:

زمان خوشبینانه (Optimistic time)

زمان واقع‌گرایانه (Most likely time)

زمان بدبینانه (Pessimistic time)


برای هر تسک، زمان مورد انتظار با توزیع شبه‌سه‌گانه (مثل توزیع PERT) تخمین زده می‌شه.
ما از شبیه‌سازی مونت‌کارلو استفاده می‌کنیم تا هزاران بار پروژه رو شبیه‌سازی کنیم و بفهمیم چه زمانی بیشترین احتمال رو برای پایان داره.

✅ کد پایتون: شبیه‌سازی ریسک زمان تحویل پروژه

import numpy as np
import matplotlib.pyplot as plt

# Define tasks with their optimistic, most likely, and pessimistic durations (in days)
tasks = [
    {"name": "Requirements Analysis", "optimistic": 2, "most_likely": 4, "pessimistic": 6},
    {"name": "Software Design", "optimistic": 3, "most_likely": 5, "pessimistic": 9},
    {"name": "Implementation", "optimistic": 5, "most_likely": 10, "pessimistic": 15},
    {"name": "Testing & Review", "optimistic": 2, "most_likely": 3, "pessimistic": 5}
]

# Number of Monte Carlo simulations
n_simulations = 10000
project_durations = []

# Run the Monte Carlo simulation
for _ in range(n_simulations):
    total_duration = 0
    for task in tasks:
        o = task["optimistic"]
        m = task["most_likely"]
        p = task["pessimistic"]
        # Generate a duration using triangular distribution
        duration = np.random.triangular(o, m, p)
        total_duration += duration
    project_durations.append(total_duration)

# Calculate probability of finishing under 25 days
deadline = 25
prob = np.mean(np.array(project_durations) <= deadline)

# Plot the histogram
plt.figure(figsize=(10, 6))
plt.hist(project_durations, bins=50, color="#336699", alpha=0.85, edgecolor='black')
plt.noscript("Monte Carlo Simulation – Estimated Project Duration (10K Runs)", fontsize=14)
plt.xlabel("Project Duration (days)")
plt.ylabel("Frequency")
plt.grid(True)
plt.axvline(x=deadline, color='red', linestyle='--',
            label=f'Deadline = {deadline} days\nP ≈ {prob*100:.2f}%')
plt.legend()
plt.tight_layout()
plt.show()

✅💡تصویر بالا نتیجه خروجی کد است.

📌 خروجی چی می‌ده؟

یه نمودار هیستوگرام که نشون می‌ده پراکندگی زمان تحویل پروژه چطوریه

عددی که احتمال رسیدن به ددلاین ۲۵ روزه رو می‌گه
با افزایش تعداد شبیه‌سازی (مثلاً 100,000)، دقت بالاتر می‌ره


#code
💻@voidcompile

کد آموزش قسمت نهم

# Creating a list
fruits = ["apple", "banana", "cherry"]
print(fruits)  # Output: ['apple', 'banana', 'cherry']

# Accessing elements by index
print(fruits[1])  # Output: banana

# Changing an element
fruits[0] = "grape"
print(fruits)  # Output: ['grape', 'banana', 'cherry']

# Adding an item
fruits.append("orange")
print(fruits)  # Output: ['grape', 'banana', 'cherry', 'orange']

# Removing an item
fruits.remove("banana")
print(fruits)  # Output: ['grape', 'cherry', 'orange']

# Looping through a list
for fruit in fruits:
    print(fruit)  # Output: grape \n cherry \n orange

# Checking membership
print("cherry" in fruits)  # Output: True

#Code
💻@voidcompile

💻🔐 امنیت لپتاپ در برابر هک – راهنمای کامل برای محافظت از اطلاعات شخصی و سیستم شما

آیا می‌دونستی لپتاپت می‌تونه فقط با اتصال به یه وای فای عمومی، به راحتی هک بشه؟
امروزه هکرها با استفاده از ابزارهای پیشرفته امنیت سایبری، خیلی راحت به اطلاعات داخل لپتاپ‌ها نفوذ می‌کنن؛ از رمزهای عبور گرفته تا فایل‌های شخصی، پروژه‌ها و حتی وبکم سیستم!

🚨 تهدیدات واقعی برای لپتاپ:

✅ حملات فیشینگ و کی‌لاگرها
✅ بدافزار و بک‌دورهای ناشناس
✅ وای فای جعلی در مکان‌های عمومی
✅ دسترسی ریموت بدون اجازه
✅ کنترل سخت‌افزاری از طریق پورت USB

🛡️ راه‌های محافظت از لپتاپ:

🔹 استفاده از آنتی ویروس و فایروال قوی
🔹 رمزگذاری کامل اطلاعات (BitLocker / VeraCrypt)
🔹 اتصال امن به اینترنت با VPN
🔹 قفل کردن پورت‌های خارجی و USB
🔹 به‌روزرسانی مداوم سیستم عامل و نرم‌افزارها
🔹 حذف سرویس‌های غیرضروری و نرم‌افزارهای مشکوک
🔹 استفاده از سیستم عامل امن مثل لینوکس برای کارهای حساس

📌 این پست برای همه برنامه نویس‌ها، دانشجوها، فریلنسرها، و هر کسیه که لپتاپ براش وسیله کار و زندگیه.

هر لپتاپی بدون تنظیمات امنیتی، یه طعمه است.

#امنیت_لپتاپ
#هک
💻@voidcompile

📘 Statistics in a Nutshell
راهنمای سریع و کاربردی آمار برای برنامه نویس ها، دیتا ساینتیست ها و علاقه مندان به تحلیل داده و علم داده.

آیا دنبال یادگیری آمار کاربردی هستی؟ با این کتاب همه چیز رو سریع، ساده و مفهومی یاد میگیری!

🔹 مفاهیم پایه آمار
🔹 احتمال و توزیع های آماری
🔹 آزمون t، رگرسیون، همبستگی، ANOVA
🔹 آمار در پزشکی، روانشناسی، علوم اجتماعی، بیزین
🔹 آمار توصیفی و استنباطی، داده های کیفی و کمی
🔹 تحلیل داده، آمار ناپارامتریک
🔹 مقدمه ای بر SPSS، R، Minitab، Excel

مناسب برای:
👨‍💻 برنامه نویس هایی که با داده سر و کار دارن
📊 علاقه مندان به دیتا ساینس و مدل سازی آماری
📚 کسایی که میخوان آمار رو سریع، بدون پیچیدگی و کاربردی یاد بگیرن

#آمار
💻@voidcompile

Statistics in a Nutshell

#pdf #book
#pdf@voidcompile
#book@voidcompile

💻@voidcompile

🧠 کدومش سخت‌تره؟
دیباگ کد خودت ❤️
فهمیدن کد قدیمی یه نفر دیگه 👍

ری اکشن بزنین ببینیم نظر اکثریت چیه !

جهت حمایت از کانال ری اکشن بزنین
حمایت شما مهم ترین انگیزه برای ادامه دادن ما است.

معرفی سایت Ray.so – تبدیل کد به تصویر حرفه‌ای برای برنامه‌نویس‌ها

اگه برنامه نویسی می‌کنی و می‌خوای کدت رو با ظاهر شیک و رنگ‌بندی جذاب به تصویر تبدیل کنی، سایت ray.so دقیقاً همونه که دنبالش می‌گردی!

✅ تبدیل کد پایتون، جاوا اسکریپت، جاوا و... به عکس زیبا
✅ پشتیبانی از تم‌های متنوع (روشن، تاریک، نئونی)
✅ مناسب برای تولید محتوا، آموزش برنامه نویسی، پست تلگرام و اینستاگرام
✅ خروجی با کیفیت بالا، بدون واترمارک، آماده شیر کردن

📌 مخصوص توسعه‌دهنده‌ها، مدرس‌ها، تولیدکننده‌های محتوای فنی

لینک :
www.ray.so

❌️ممکن از برای دسترسی به سایت نیاز به فیلتر شکن داشته باشید.

#ابزار_برنامه_نویسی
#طراحی_کد
#rayso
@voidcompile

📱 Mobile Design and Development

کتابی فوق‌العاده برای برنامه‌نویس‌هایی که می‌خوان وارد دنیای طراحی و توسعه موبایل بشن!

📌 توی این کتاب یاد می‌گیری:
✅ طراحی رابط کاربری موبایل (UI/UX)
✅ تفاوت اپلیکیشن native و web app
✅ استراتژی ورود به بازار اپلیکیشن
✅ طراحی ریسپانسیو برای انواع گوشی و تبلت
✅ ساخت اپلیکیشن برای iOS و Android
✅ روش‌های واقعی درآمدزایی از اپ

📲 اگه برنامه‌نویسی و دنبال ورود حرفه‌ای به دنیای موبایل هستی، این کتاب برات یه نقشه راه کامله.

✨ شروع موفقیت گاهی فقط با یه کتاب شروع میشه...

#pdf #book
#mobile
💻@voidcompile

Mobile Design and Development

#pdf #book #programming
#pdf@voidcompile
#book@voidcompile

💻@voidcompile

explainshell– معنی کردن دستورات ترمینال به زبان ساده

دستور ترمینال لینوکس زدی ولی نمی‌دونی چی‌کار می‌کنه؟
با explainshell.com فقط کافیه دستور رو وارد کنی، خودش تک‌تک بخش‌هاش رو برات توضیح می‌ده!

✅ تحلیل خط به خط دستورهای bash و shell
✅ قابل فهم برای مبتدی‌ها و حرفه‌ای‌ها
✅ ابزار ضروری برای یادگیری امنیت شبکه، لینوکس، DevOps
✅ رایگان، سریع و بدون نیاز به ثبت‌نام

📌 مخصوص هکر های اخلاقی، لینوکسی‌ها، ادمین سیستم و برنامه نویسان CLI محور

#لینوکس
#shell
#ترمینال
#explainshell
💻@voidcompile

📦 معرفی يکی از سنگين ترين ريپوهای آموزشی گيت هاب برای پایتون

🔗 github.com/TheAlgorithms/Python
✅ مجموعه اي عظيم از الگوريتم های معروف دنيا با زبان برنامه نويسی پایتون

اگه دنبال يه مرجع کامل و حرفه اي براي يادگيری الگوريتم و ساختار داده هستی ، اين ريپو دقيقاً همونيه که بايد تو ليستت باشه!

🔍 چي توشه؟

✅ پياده سازي انواع الگوريتم هاي جستجو، مرتب سازی، گراف، بازگشتي، رمزنگاری، يادگيري ماشين و بيشتر
✅ تمام کدها تميز و به صورت ماژولار نوشته شدن
✅ دسته بندي حرفه اي براي موضوعات مختلف مثل dynamic programming، trees، strings و...
✅ مناسب براي آموزش برنامه نويسي، توليد محتوا، ساخت ويديو يا مصاحبه هاي شغلي
✅ کاملاً متن باز (open source) با بيش از ۱۷۰ هزار ستاره ⭐

📌 اين ريپو يه مرجع طلاييه براي کسانی که مي خوان الگوريتم ها رو با پایتون عملي ياد بگيرن، تمرين کنن يا آموزش بدن

#ريپو_پایتون
#کدنويسي
#python
💻@voidcompile

آموزش الگوریتم K-Means Clustering
✅ معرفی الگوریتم قسمت هشتم
الگوریتم K-Means یکی از پرکاربرد ترین الگوریتم‌ های یادگیری ماشین بدون نظارت (Unsupervised Learning) هست که برای خوشه‌دبندی داده‌ ها (Clustering) استفاده می‌شه.

📌 چی داریم توی تصویر؟

✅ نقاط رنگی (زرد، سبز، آبی)
این نقاط، نمونه‌ های داده (Data Points) هستن که الگوریتم با توجه به فاصله‌شون از مراکز خوشه، اون‌ها رو به ۳ دسته مختلف تقسیم کرده.
هر رنگ نمایان‌ گر یک خوشه (Cluster) جداگانه‌ ست.

✅ علامت‌های X قرمز بزرگ
این‌ها Centroid یا مرکز خوشه هستن.
الگوریتم KMeans بعد از چند بار تکرار، بهترین نقطه مرکزی برای هر گروه از داده‌ها رو محاسبه کرده و در این مکان‌ها قرار داده.

✅ محور افقی و عمودی
این دو محور نمایش دهنده ویژگی‌های ساختگی (Feature 1 و Feature 2) هستند که در دیتاست استفاده شدن.
در واقع هر نقطه بر اساس موقعیتش در این دو ویژگی خوشه‌ بندی شده.

✅ مرز بین خوشه‌ها (شفاف نیست، اما وجود داره)
در KMeans، نقاط بر اساس کمترین فاصله از مرکز خوشه به یک کلاس تعلق می‌گیرن.

✅در ادامه کد این بخش را قرار می دم (در صورت ری اکشن)

#يادگيري_ماشين
💻@voidcompile

کد قسمت هشتم آموزش الگوریتم

ری اکشن فراموش نشه دوستان

from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt

# Create sample data
X, _ = make_blobs(n_samples=300, centers=3, cluster_std=0.60, random_state=0)

# Fit KMeans model
kmeans = KMeans(n_clusters=3, n_init=10)
kmeans.fit(X)

# Get centers and labels
centers = kmeans.cluster_centers_
labels = kmeans.labels_

# Plot
plt.figure(figsize=(8, 6))
plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis', s=30)
plt.scatter(centers[:, 0], centers[:, 1], c='red', s=200, marker='X')
plt.noscript("K-Means Clustering (3 Clusters)")
plt.xlabel("Feature 1")
plt.ylabel("Feature 2")
plt.grid(True)
plt.tight_layout()

# Save the image
image_path = "/mnt/data/kmeans_output.png"
plt.savefig(image_path)
plt.show()

💻@voidcompile