🕶️ معرفی یکی از بهترین سایت ها برای یادگیری هک و امنیت – TryHackMe

اگه دنبال ورود حرفه ای به دنیای هک اخلاقی، تست نفوذ، امنیت شبکه و تحلیل آسیب پذیری هستی، سایت TryHackMe یکی از بهترین گزینه ها برای شروع و تمرین عملی با محیط های واقعیه! 🔥

✅ چرا TryHackMe یه انتخاب عالیه؟

🔹 یادگیری هک اخلاقی از صفر تا پیشرفته
🔹 تمرین تست نفوذ در محیط واقعی با سناریوهای واقعی
🔹 مسیرهای مشخص یادگیری مثل Junior Penetration Tester
🔹 آموزش ابزارهای امنیتی حرفه ای مثل Nmap، Burp Suite، Metasploit و Wireshark
🔹 حل چالش های CTF، با سیستم رنکینگ و رقابت
🔹 بدون نیاز به ماشین مجازی، همه چیز روی بستر ابری
🔹 مناسب برای فریلنسرهای امنیت، برنامه نویس های بک اند، و افراد علاقه مند به امنیت سایبری

📌 اگه میخوای بدونی هکرها چطور فکر می کنن، حمله ها چطور انجام میشن و چطور باید ازشون دفاع کنی، این سایت می تونه شروع مسیرت تو دنیای امنیت شبکه باشه.

🧠 سطح آموزش ها از پایه تا پیشرفته، مناسب همه ی کساییه که میخوان وارد دنیای Cybersecurity بشن.

🕸️ لینک سایت: tryhackme.com

#هک #امنیت_شبکه #cybersecurity

💻@voidcompile

👨‍💻 آموزش پایتون – قسمت ۱۱: ساخت پروژه To-Do List ساده

توی این بخش از آموزش زبان برنامه نویسی پایتون، یه پروژه کاربردی و کوتاه طراحی کردیم که مناسب مبتدی‌ها و علاقه‌مندان به شروع پروژه‌های واقعی با پایتونه.

✅ چی یاد می‌گیری؟

🔸 ساخت لیست وظایف با استفاده از نوع داده List در پایتون
🔸 تعریف تابع در پایتون با def و نحوه فراخوانی تابع
🔸 گرفتن ورودی کاربر با تابع input()
🔸 ساخت منوی تعاملی با استفاده از حلقه بی‌نهایت while True
🔸 کار با شرط‌های چندگانه if / elif / else برای کنترل تصمیم‌ها
🔸 استفاده از enumerate() برای نمایش لیست با شماره
🔸 مفهوم ساختار کنترلی، منطق شرطی و بازخورد به کاربر در برنامه‌نویسی

📘 این تمرین بهت کمک می‌کنه که مفاهیم پایه‌ای پایتون مثل لیست، حلقه، تابع، شرط و ورودی کاربر رو توی یک مثال واقعی درک و تمرین کنی.

درود رفقا در ادامه اگر ری اکشن خوب بود کد این بخش رو قابل کپی براتون می زارم و این که این آموزش در ادامه به مفاهیم یادگیری ماشین می رسه حتما یه آرشیو حرفه ای از آموزش به زودی طراحی میشه برای همه 😌💕

#LearnPython@voidcompile
#LearnPythonPart11@voidcompile
#python

💻@voidcompile

👨‍💻 کد قسمت ۱۱: ساخت پروژه To-Do List ساده

# Create an empty list to store tasks
tasks = []

# Function to add a new task to the list
def add_task(task):
    tasks.append(task)
    print("Task added:", task)

# Function to display all tasks in the list
def show_tasks():
    print("\nYour To-Do List:")
    for i, task in enumerate(tasks, 1):  # Enumerate starts from 1
        print(f"{i}. {task}")

# Main loop to run the menu
while True:
    print("\n1. Add Task\n2. Show Tasks\n3. Exit")
    choice = input("Enter your choice: ")  # Ask the user for an option

    if choice == "1":
        task = input("Enter a new task: ")  # Get task input from user
        add_task(task)  # Call function to add the task
    elif choice == "2":
        show_tasks()  # Show all tasks
    elif choice == "3":
        print("Exiting the program.")  # Exit message
        break  # Exit the loop
    else:
        print("Invalid choice. Please try again.")  # Handle wrong input

#python
#code

💻@voidcompile

🤖 جراحی خودکار بدون جراح؟! ربات SRT-H تاریخ‌ساز شد!

🔬 تیمی از دانشگاه جانز هاپکینز موفق شده رباتی بسازه که بدون دخالت انسان، عمل کامل برداشتن کیسه صفرا رو انجام بده!
این ربات با تماشای ویدیوهای جراحی واقعی و یادگیری زبان انسان، تونسته مراحل پیچیده جراحی رو خودکار، دقیق و بدون هدایت مستقیم انجام بده.

📌 قابلیت‌های ربات جراح SRT-H:
✅ اجرای تمام مراحل جراحی از تشخیص تا برش (۱۰۰٪ موفقیت در ۸ بار اجرا)
✅ آموزش با هوش مصنوعی و یادگیری از ویدیو
✅ تشخیص ساختارهای آناتومی، رسم مسیر برش، تعامل با ابزار
✅ پاسخ به دستورات صوتی مثل: «ابرو رو جابجا کن»
✅ تصمیم‌گیری خودکار در شرایط غیرمنتظره

💡 این عمل روی اندام‌های واقعی خوک در خارج از بدن (ex vivo) انجام شده؛ و گام بعدی آزمایش روی حیوانات زنده و انسانه.

🌐 منبع رسمی:
The Guardian – Robot surgery on humans could be trialled within a decade

لینک مستقیم : کلیک کنید

#اخبار_تکنولوژی
💻@voidcompile

📘 آموزش یادگیری ماشین – ریپوی آموزشی مایکروسافت

اگه می‌خوای یادگیری ماشین رو به صورت اصولی و پروژه محور یاد بگیری، این ریپوی خفن از مایکروسافت یکی از بهترین منابع دنیاست!

✅ چی داره این ریپو؟

🔹 آموزش یادگیری ماشین با پایتون در قالب ۱۲ هفته آموزشی
🔹 شامل بیش از ۲۵ درس کامل به همراه مثال، تمرین و پروژه
🔹 پوشش کامل مفاهیم پایه مثل داده، مدل، رگرسیون، دسته‌بندی، شبکه عصبی، درخت تصمیم و...
🔹 همراه با آزمون، کوییز و تمرینات گام به گام برای درک بهتر
🔹 مناسب برای مبتدی‌ها و کسانی که تازه می‌خوان وارد دنیای هوش مصنوعی و ML بشن
🔹 قابل استفاده برای آموزش دانشگاهی، پروژه‌های شخصی و محتوای آموزشی

📌 این ریپو از طرف تیم رسمی Microsoft ساخته شده و کاملاً رایگانه.
بهترین نقطه شروع برای یادگیری مفاهیم پایه‌ای و پیشرفته‌ی ماشین لرنینگ با پروژه واقعی.

📎 لینک ریپو:
🔗 https://github.com/microsoft/ML-For-Beginners

💻@voidcompile

آموزش الگوریتم DBSCAN
✅️معرفی الگورتیم قسمت نهم

📸 توضیح تصویر الگوریتم DBSCAN:

در تصویر بالا، داده‌های شبه‌ هلالی (moon-shaped) به کمک الگوریتم DBSCAN خوشه‌بندی شده‌اند.

🔹 این داده‌ها به‌صورت دو هلال کنار هم هستند (یکی بالا، یکی پایین) که با نویز همراهند – مثل داده‌های واقعی با ساختار پیچیده.

🔹 رنگ‌های مختلف نشان‌ دهنده خوشه‌ های شناسایی‌ شده توسط DBSCAN هستند.
در این مثال آموزشی یک خوشه داریم

🔹 نقاط خاکستری یا جدا از خوشه‌ها نمایانگر نقاط نویز یا داده‌های پرت (Outliers) هستن؛ داده‌هایی که با هیچ خوشه‌ای هم‌تراکم نیستن و حذف یا به‌صورت خاص تحلیل می‌شن.

📌 الگوریتم DBSCAN چطوری کار میکند؟

1. برای هر نقطه بررسی کرده چند همسایه نزدیک (با فاصله کمتر از eps) داره.

2. اگر تعداد همسایه‌ها ≥ min_samples بود، اون نقطه مرکز خوشه شد.

3. نقاط مجاور به‌تدریج به اون خوشه اضافه شدن.

4. نقاطی که با هیچ خوشه‌ای جور نبودن،
به عنوان نویز علامت‌گذاری شدن.

مثال آموزشی است و جهت معرفی کاربرد دارد .

#DBSCAN
#یادگیری_ماشین

💻@voidcompile

کد قسمت نهم آموزش الگورتیم .

اگر دوست داشتید میتونیم روی مثال های واقعی تر تمرکز کنیم ، برای این کار ری اکشن یادتون نره .
راستی میتونید بقیه الگوریتم هارو هم مشاهده کنین.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_moons
from sklearn.cluster import DBSCAN

# تولید داده‌های هلالی‌شکل با نویز
X, _ = make_moons(n_samples=300, noise=0.1, random_state=0)

# اعمال الگوریتم DBSCAN
db = DBSCAN(eps=0.2, min_samples=5)
labels = db.fit_predict(X)

# رنگ‌بندی بر اساس لیبل‌ها
unique_labels = set(labels)
colors = ['purple', 'gold', 'gray']

# رسم تصویر
plt.figure(figsize=(8, 6))
for k in unique_labels:
    color = 'gray' if k == -1 else colors[k % len(colors)]
    class_member_mask = (labels == k)
    xy = X[class_member_mask]
    plt.plot(xy[:, 0], xy[:, 1], 'o', markerfacecolor=color, markeredgecolor='k', markersize=8, label=f'Cluster {k}' if k != -1 else 'Noise')

plt.noscript("DBSCAN clustering on moon-shaped data", fontsize=14)
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()

#code
💻@voidcompile

📘 HTML & CSS: The Good Parts
تمرکز روی بخش های خوب، موثر و قابل اعتماد HTML و CSS برای ساخت سایت های بهینه، تمیز و قابل نگهداری.

📌 مناسب برای برنامه نویس هایی که می خوان:
✅ از اشتباهات رایج html و css دوری کنن
✅ سایت های قابل توسعه و سئو‌پذیر بسازن
✅ ساختار تمیز و تفکیک شده بین محتوا، استایل و اسکریپت ایجاد کنن
✅ با مفاهیم core مثل box model، float، layout، type، و فرم های استاندارد آشنا بشن

📎 این کتاب، راهیه برای طراحی بهتر و حرفه ای تر، بدون پیچیدگی اضافی

#pdf #programming

💻@voidcompile

HTML & CSS The Goof Parts

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

💻@voidcompile

🔐 آموزش امنیت شبکه – قسمت سوم: لایه دوم مدل OSI (Data Link Layer)

لایه دوم مدل OSI یا Data Link Layer، مسئول انتقال داده بین دو دستگاه متصل به یک شبکه محلیه.
این لایه نقش کلیدی در تشخیص خطا، آدرس‌دهی سخت‌افزاری و مدیریت فریم‌های دیتا داره.

📡 این لایه چه کار می‌کنه؟

✅ آدرس‌دهی با استفاده از MAC Address
✅ ساخت و ارسال Frame برای انتقال داده
✅ تشخیص خطا با استفاده از CRC
✅ مدیریت دسترسی به رسانه (Media Access Control)
✅ کنترل جریان داده بین دو دستگاه

🛡️ تهدیدهای امنیتی در لایه دوم:

1. MAC Spoofing
جعل آدرس مک برای دسترسی غیرمجاز


2. ARP Poisoning / ARP Spoofing
حمله برای شنود یا تغییر مسیر ترافیک

3. Switch Flooding
پر کردن جدول مک سوئیچ و ارسال ترافیک به همه پورت‌ها (مثل حملات MITM)

4. VLAN Hopping
دسترسی به شبکه‌های مجزا از طریق دستکاری تگ‌های VLAN

5. CAM Table Overflow
اشباع جدول آدرس سوئیچ برای هدایت ترافیک

✅ چطور از این لایه محافظت کنیم؟

🔒 استفاده از Port Security در سوییچ‌ها برای محدود کردن تعداد MAC
🛡️ فعال‌سازی Dynamic ARP Inspection برای جلوگیری از حملات ARP


💻@voidcompile

آموزش پایتون – قسمت ۱۲: ساخت برنامه دفترچه مخاطبین (Contact Manager)

توی این قسمت، با استفاده از تمام چیزایی که تا الان یاد گرفتیم (مثل لیست، حلقه، شرط، توابع و ورودی کاربر)، یه پروژه واقعی و ساده می‌سازیم: برنامه مدیریت مخاطبین

✅ توی این تمرین یاد می‌گیری:

🔸 استفاده ترکیبی از لیست و دیکشنری برای ذخیره‌سازی اطلاعات
🔸 تعریف توابع جداگانه برای افزودن، نمایش و جستجوی مخاطب
🔸 گرفتن ورودی از کاربر و اجرای دستورات در یک حلقه منوی دائمی
🔸 شرط‌های چندگانه برای کنترل منطق برنامه
🔸 نمایش منظم لیست مخاطبین و جستجوی دقیق با تطبیق نام


#LearnPython@voidcompile
#LearnPythonPart12@voidcompile
#python

💻@voidcompile

کد آموزش پایتون قسمت ۱۲ قابل کپی

# Create an empty list to store contact dictionaries
contacts = []

# Define a function to add a new contact to the list
def add_contact(name, phone):
    # Append a dictionary with name and phone number to the list
    contacts.append({"name": name, "phone": phone})
    # Print confirmation message
    print(f"Contact {name} added.")

# Define a function to show all saved contacts
def show_contacts():
    # Check if the list is empty
    if not contacts:
        print("No contacts yet.")  # Inform the user there's no data
    else:
        print("\nContact List:")  # Heading
        # Loop through the list and display each contact
        for i, c in enumerate(contacts, 1):
            print(f"{i}. {c['name']} - {c['phone']}")  # Print contact with number

# Define a function to search for a contact by name
def search_contact(name):
    found = False  # Flag to track if any contact is found
    # Loop through contacts to search for a match
    for c in contacts:
        if c["name"].lower() == name.lower():  # Case-insensitive comparison
            print(f"Found: {c['name']} - {c['phone']}")  # Print matched contact
            found = True
    # If not found, notify the user
    if not found:
        print("Contact not found.")

# Main program loop to display menu and handle user choices
while True:
    # Show menu options
    print("\n1. Add Contact\n2. Show All\n3. Search\n4. Exit")
    # Get user input for menu choice
    choice = input("Choose an option: ")

    # Handle user's choice
    if choice == "1":
        # Get contact name and phone from user
        name = input("Enter name: ")
        phone = input("Enter phone: ")
        # Call function to add contact
        add_contact(name, phone)
    elif choice == "2":
        # Call function to show all contacts
        show_contacts()
    elif choice == "3":
        # Get name to search
        name = input("Enter name to search: ")
        # Call search function
        search_contact(name)
    elif choice == "4":
        # Exit message
        print("Goodbye!")
        break  # Exit the loop and stop the program
    else:
        # Handle invalid menu choices
        print("Invalid option. Try again.")

#code
💻@voidcompile

آموزش ساخت فرم ورود حرفه‌ای با HTML & CSS (Login Form Tutorial)

🔹در این ویدیو می‌آموزید:
• چطور یک فرم لاگین ساده ولی زیبا با HTML بسازید
• استایل‌دهی فرم با CSS شامل فضای‌بندی، فونت، رنگ و بک‌دراپ
• استفاده از تکنیک‌هایی مثل backdrop-filter برای جلوه شفاف و حرفه‌ای

📌 ویژه برای دانشجویان، علاقه‌مندان به فرانت‌اند و توسعه‌دهندگان مبتدی!

🎯 مناسب برای:

یادگیری ساخت رابط ورود (Login UI)

درک کاربرد practical استایل‌ها و نحوه بهبود دیزاین

تمرین HTML/CSS همراه با مثال گام‌به‌گام

در یوتوب تماشا کنید : کلیک کنید

💻@voidcompile

🛡️ آموزش هک و امنیت شبکه – قسمت ۴: لایه سوم (Network Layer)

لایه سوم مدل OSI که با نام Network Layer شناخته میشه، مسئول انتقال داده بین شبکه‌های مختلفه.
در این لایه مسیر بسته‌ها مشخص میشه و از IP Address برای مسیریابی و شناسایی دستگاه‌ها استفاده میشه.

✅ وظایف اصلی Network Layer:

🔹 مسیریابی (Routing) بین شبکه‌های مختلف با کمک روترها
🔹 آدرس‌دهی IP و هدایت داده‌ها به مقصد درست
🔹 تقسیم بسته‌های بزرگ به قطعه‌های کوچکتر (Fragmentation)
🔹 پشتیبانی از پروتکل‌هایی مثل IP, ICMP, IGMP

🚨 تهدیدهای امنیتی در لایه سوم:

⚠️ IP Spoofing
جعل آدرس آی‌پی برای دور زدن فایروال یا فریب سرور
⚠️ ICMP Flood
حمله با بسته‌های پینگ برای ایجاد اختلال
⚠️ Route Manipulation
دستکاری مسیرها برای تغییر ترافیک
⚠️ Packet Sniffing
شنود اطلاعات در حال عبور از شبکه
⚠️ DoS/DDoS
حملات گسترده برای قطع دسترسی به شبکه

🔐 روش‌های دفاع در این لایه:

✅ استفاده از فایروال‌های لایه شبکه
✅ محدودسازی دسترسی IP با Access Control List (ACL)
✅ مانیتورینگ ترافیک مشکوک با ابزارهای امنیتی

#Network_Layer

@voidcompile

👨‍💻 Codeium
دستیار هوش مصنوعی برنامه‌ نویسا ها ، رایگان و حرفه‌ای!

اگه دنبال یه ابزار خفن برای تکمیل خودکار کد با هوش مصنوعی هستی،
Codeium
یکی از بهترین انتخاب‌هاست. سریع، سبک، رایگان و بدون دردسر!


✅ چی داره Codeium؟

🔹 تکمیل هوشمند کد در زبان‌های مختلف مثل Python, JS, Java
🔹 سازگار با VS Code, IntelliJ, Jupyter, Colab و Vim
🔹 بدون نیاز به پرداخت، کاملاً رایگان
🔹 حفظ حریم خصوصی بهتر نسبت به GitHub Copilot
🔹 مناسب برای دانشجوها، فریلنسرها و تیم‌های توسعه
🔹 بدون نیاز به ارسال کد به فضای ابری

🌐 لینک ابزار:
codeium.com

📌 این ابزار با قدرت هوش مصنوعی کدنویسی رو سریع‌تر، تمیزتر و دقیق‌تر می‌کنه
مخصوصاً اگه با GPT یا Copilot راحت نیستی یا دنبال یه ابزار سریع‌تر و ساده‌تری!

#codeium
#هوش_مصنوعی

💻@voidcompile

مدل نورون Leaky Integrate-and-Fire (LIF) — آموزش کامل همراه با شبیه‌سازی پایتون

در این آموزش، مدل نورون LIF را از صفر با کدی ساده و قابل فهم در پایتون پیاده‌سازی کرده‌ایم.
با استفاده از جریان ورودی طبیعی (ترکیبی از سینوس و نویز گاوسی)، رفتار نورون به‌صورت واقع‌گرایانه شبیه‌سازی شده است.
زمان‌های شلیک دقیق نورون (spikes) ثبت شده و با رنگ قرمز در نمودار ولتاژ نمایش داده شده‌اند.

🔍 ویژگی‌های کلیدی این مدل:

✅ استفاده از پارامترهای واقعی زیستی مانند τ (ثابت زمانی)، V_th (آستانه شلیک) و R (مقاومت غشا)
✅ حل معادله دیفرانسیل مدل با روش اویلر (Euler method)
✅ تولید جریان ورودی شبه‌طبیعی شامل نوسانات سینوسی و نویز تصادفی
✅ نمایش هم‌زمان نمودار ولتاژ غشایی، نمودار جریان ورودی و نمودار اسپایک‌ها (raster plot)
✅ پیاده‌سازی کامل بدون نیاز به کتابخانه‌های نوروساینس مانند Brian یا NEST

📌 این مدل پایه، شروعی مناسب برای یادگیری نوروساینس محاسباتی و ساخت مدل‌های شبکه عصبی زیستی است.
در گام‌های بعدی می‌توانید آن را به نسخه‌های پیچیده‌تر با سیناپس، یادگیری Hebbian یا شبکه‌های چند نورونی گسترش دهید.

💻@voidcompile

در ادامه کد مدل نورون رو قرار میدم

پیاده سازی شبکه های عصبی و نوروساینس مبحث بزرگ و پیچیده ای هست ، در این مثال توضیح ابتدایی و کوچکی داده شده است.

import numpy as np
import matplotlib.pyplot as plt

# --------------------------
# پارامترهای نورون LIF
# --------------------------
tau = 20.0        # ثابت زمانی نشت غشا (میلی‌ثانیه)
V_rest = -65.0    # پتانسیل استراحت (mV)
V_reset = -70.0   # ولتاژ ریست پس از اسپایک (mV)
V_th = -50.0      # آستانه شلیک (mV)
R = 1.0           # مقاومت غشا (MΩ)
dt = 0.1          # گام زمانی شبیه‌سازی (ms)
T = 500           # مدت زمان کل شبیه‌سازی (ms)
steps = int(T / dt)

# --------------------------
# تولید جریان ورودی شبیه‌سازی شده طبیعی
# ترکیبی از سینوس و نویز گاوسی
# --------------------------
time = np.arange(0, T, dt)
I_input = 12 + 5 * np.sin(2 * np.pi * time / 100) + 3 * np.random.randn(steps)

# --------------------------
# متغیرهای ذخیره ولتاژ و اسپایک‌ها
# --------------------------
V = np.zeros(steps)
V[0] = V_rest
spikes = np.zeros(steps)     # آرایه نشان‌دهنده زمان اسپایک
spike_times = []             # ذخیره زمان دقیق اسپایک‌ها

# --------------------------
# حلقه شبیه‌سازی مدل LIF
# --------------------------
for t in range(1, steps):
    # مشتق ولتاژ به روش اویلر
    dV = (-(V[t-1] - V_rest) + R * I_input[t]) / tau
    V[t] = V[t-1] + dt * dV
    
    # چک کردن آستانه شلیک
    if V[t] >= V_th:
        V[t] = V_reset           # ریست ولتاژ
        spikes[t] = 1            # ثبت وقوع اسپایک
        spike_times.append(time[t])

# --------------------------
# نمایش آمار اسپایک
# --------------------------
print(f"تعداد کل اسپایک‌ها: {int(spikes.sum())}")
print(f"زمان‌های شلیک (ms): {np.round(spike_times, 2)}")

# --------------------------
# رسم نتایج
# --------------------------
fig, axs = plt.subplots(3, 1, figsize=(14, 10), sharex=True)

# 1. ولتاژ غشا در زمان
axs[0].plot(time, V, color='navy', label='ولتاژ غشا (Membrane Potential)')
axs[0].axhline(V_th, color='red', linestyle='--', label='آستانه شلیک (Threshold)')
axs[0].scatter(spike_times, [V_th]*len(spike_times), color='red', s=50, label='نقاط شلیک', zorder=5)
axs[0].set_ylabel("ولتاژ (mV)")
axs[0].set_noscript("پتانسیل غشایی نورون LIF")
axs[0].legend()
axs[0].grid(True)

# 2. جریان ورودی به نورون
axs[1].plot(time, I_input, color='purple', label='جریان ورودی (Input Current)')
axs[1].set_ylabel("جریان (nA)")
axs[1].set_noscript("جریان ورودی شبیه‌سازی‌شده")
axs[1].legend()
axs[1].grid(True)

# 3. نمودار اسپایک‌ها (Raster plot)
axs[2].eventplot(spike_times, lineoffsets=1, colors='black')
axs[2].set_yticks([1])
axs[2].set_yticklabels(['شلیک (Spike)'])
axs[2].set_xlabel("زمان (ms)")
axs[2].set_noscript("فعالیت شلیک نورون (Raster plot)")
axs[2].grid(True)

plt.tight_layout()
plt.show()

💻@voidcompile

📘 معرفی یکی از کلاسیک‌ترین کتاب‌های TensorFlow:

«TensorFlow for Machine Intelligence»
اولین منبع عملی یادگیری ماشین با تمرکز بر TensorFlow!
از نصب تا ساخت CNN و RNN با مثال‌های واقعی.

مناسب برای کسانی که ریاضیات و پایتون رو بلدن و می‌خوان یادگیری ماشین رو واقعا درک کنن.


#TensorFlow
💻@voidcompile

TensorFlow-for-Machine-Intelligence-A-Hands-On-Introduction-to-Learning-Algorithms


#pdf #book #programming

#pdf@voidcompile
#book@voidcompile

💻@voidcompile

برای امشب یه کد آوردم بررسی کنین و بگین خروجی به نظرتون چی خواهد بود؟

def memory_trick(data=[], depth=[0]):
    print(f"🧠 Depth: {depth[0]} | Data: {data}")
    
    if depth[0] == 3:
        def final_form():
            print(f"📌 Final Output: {data}")
        global memory_trick
        memory_trick = final_form
        return
    
    data.append(depth[0])
    depth[0] += 1
    memory_trick(data, depth)

# اجرای چندباره تابع
memory_trick()
memory_trick()
memory_trick()

توی نظر سنجی بعدی جواب بدید و فردا تحلیل میکنیم کد رو

💻@voidcompile