👨‍💻 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

در این مثال از برنامه‌ نویسی پایتون، با یک تابع بازگشتی به نام memory_trick سروکار داریم که از ویژگی‌های خاص زبان Python مثل آرگومان‌های پیش‌فرض قابل‌تغییر (mutable default arguments)، بازنویسی تابع در حافظه سراسری (global function reassignment) و بستن (closure) استفاده می‌کند. این تابع با هر بار اجرا، بسته به شرط عمق (depth)، خودش را بازنویسی می‌کند تا فقط یک خروجی نهایی بدهد.

💡 در این کد چه اتفاقی می‌افتد؟

ابتدا memory_trick() برای اولین بار اجرا می‌شود. این تابع با استفاده از لیست‌ها به عنوان آرگومان‌های پیش‌فرض، عمق (depth) را تا ۳ افزایش داده و مقادیر ۰، ۱، ۲ را در لیست ذخیره می‌کند.

سپس تابع memory_trick خودش را با یک تابع جدید به نام final_form جایگزین می‌کند که فقط خروجی نهایی را نمایش می‌دهد.

از دفعات دوم به بعد، فقط همین خروجی ثابت نمایش داده می‌شود.


✅ پاسخ صحیح سؤال:

گزینه: تابع خودش را بازنویسی می‌کند و نسخه نهایی فقط یک خروجی دارد.

💻@voidcompile

🎯 معرفی یکی از بهترین سایت های برنامه نویسی آنلاین برای تمرین کد نویسی به زبان های مختلف
🚀 سایت Replit یک محیط برنامه نویسی آنلاین رایگان است که به برنامه نویس ها اجازه میده بدون نصب هیچ نرم افزاری کد بزنن، تست بگیرن و پروژه هاشون رو اجرا کنن

🔹 پشتیبانی از زبان های مختلف مثل python، c++، java، javanoscript، html و css
🔹 امکان ساخت پروژه تیمی
🔹 ترمینال واقعی برای اجرای دستورات لینوکس
🔹 مناسب برای آموزش برنامه نویسی، تمرین برای مصاحبه و توسعه پروژه های شخصی

🌐 لینک سایت: https://replit.com

📌 اگه دنبال یه سایت باحال برای تمرین کدنویسی و اجرای آنلاین کد هستی، حتما امتحانش کن

#برنامه_نویسی #کدنویسی

💻@voidcompile

🛡️ آموزش هک و امنیت شبکه – قسمت ۵: لایه چهارم (Transport Layer)

لایه چهارم مدل OSI که با نام Transport Layer شناخته میشه، مسئول انتقال مطمئن، کامل و منظم داده‌ها بین دو سیستم در شبکه‌ست.
اینجا جاییه که پورت‌ها، اتصال TCP/UDP، کنترل خطا و جریان نقش اصلی رو ایفا می‌کنن.

✅ وظایف اصلی Transport Layer:

🔹 مدیریت اتصال با استفاده از پروتکل‌های TCP و UDP
🔹 تضمین دریافت کامل و به ترتیب داده‌ها (در TCP)
🔹 تخصیص پورت‌ها به اپلیکیشن‌های مختلف (مثل پورت 80 برای HTTP)
🔹 کنترل خطا و ازدحام با Windowing و Checksum
🔹وظیفه Multiplexing و Demultiplexing برای مدیریت چندین ارتباط همزمان

🚨 تهدیدهای امنیتی در لایه چهارم:

⚠️ TCP SYN Flood
پر کردن جدول اتصال سرور با درخواست‌های ناقص و قطع عملکردش

⚠️ UDP Flood
ارسال انبوه بسته‌های UDP به پورت‌های تصادفی برای مصرف منابع

⚠️ Port Scanning
شناسایی پورت‌های باز روی سیستم با ابزارهایی مثل nmap


🔐 روش‌های دفاع در این لایه:

✅ تشخیص و بلاک ترافیک غیرعادی با IDS/IPS
✅ مانیتورینگ نشست‌ها و تحلیل لاگ‌ها

#Transport_Layer #امنیت_شبکه

💻@voidcompile

آموزش پایتون قسمت ۱۳
🛡️ بررسی قدرت پسورد با پایتون (Password Strength Checker)
🔐 یه اسکریپت ساده اما کاربردی با Python برای تحلیل امنیت رمز عبور ✅

با این برنامه می‌تونی یاد بگیری چطور با استفاده از Regex، شرط‌ها و ورودی کاربر، یه ابزار بررسی امنیت پسورد بسازی که فاکتورهایی مثل:

– طول پسورد
– حروف کوچک و بزرگ
– اعداد
– کاراکترهای خاص

رو بررسی می‌کنه و در پایان یه خروجی قابل فهم (ضعیف، متوسط، قوی) می‌ده.

📌 مناسب برای یادگیری اولیه و تمرین مباحث:
#شرط_گذاری #امنیت_رمز #یادگیری_پایتون

#LearnPython@voidcompile
#LearnPython13@voidcompile

🔍 اگر دنبال تمرین‌های واقعی برای تقویت کدنویسی هستی یا می‌خوای پروژه‌های ساده اما پرکاربرد بزنی، این پست رو از دست نده!

کد را پست بعدی قرار میدم. ری اکشن یادتون نره

💻@voidcompile

کد قست ۱۳ ام :

import re

def check_password_strength(password):
    strength = 0
    remarks = ""

    # Check password length
    if len(password) >= 8:
        strength += 1
    else:
        remarks += "❌ Too short (minimum 8 characters).\n"

    # Check for lowercase letters
    if re.search(r"[a-z]", password):
        strength += 1
    else:
        remarks += "❌ Add lowercase letters.\n"

    # Check for uppercase letters
    if re.search(r"[A-Z]", password):
        strength += 1
    else:
        remarks += "❌ Add uppercase letters.\n"

    # Check for digits
    if re.search(r"[0-9]", password):
        strength += 1
    else:
        remarks += "❌ Include numbers.\n"

    # Check for special characters
    if re.search(r"[!@#$%^&*(),.?\":{}|<>]", password):
        strength += 1
    else:
        remarks += "❌ Add special characters (!@#$...).\n"

    # Evaluate total strength
    if strength == 5:
        result = "✅ Strong password!"
    elif 3 <= strength < 5:
        result = "⚠️ Medium strength. Improve it!"
    else:
        result = "🔴 Weak password!"

    print("\n" + result)
    if remarks:
        print("Suggestions:")
        print(remarks)

# Get user input
user_password = input("🔐 Enter your password to check: ")
check_password_strength(user_password)

💻@voidcompile

🎓 آموزش پایتون پروژه محور از صفر تا حرفه‌ای با ریپوی learn-python

اگه دنبال یه منبع کامل برای یادگیری پایتون به صورت تمرینی و پروژه‌ای هستی، ریپوی GitHub با نام learn-python از کاربر trekhleb دقیقا همون چیزیه که لازم داری!

این ریپو با آموزش قدم به قدم مفاهیم پایتون مثل متغیرها، توابع، حلقه‌ها، شرط‌ها، کلاس‌ها، مدیریت فایل و خیلی چیزای دیگه، یکی از بهترین منابع یادگیری برای مبتدی‌ها و کسانی هست که میخوان پایتون رو مرور کنن.

📌 یادگیری پایتون با مثال‌های عملی
📌 آموزش اصولی برنامه نویسی پایتون
📌 مناسب برای دانشجویان، برنامه نویسان تازه‌کار، و کسانی که میخوان مهاجرت کاری کنن

💡 لینک مستقیم ریپو:
https://github.com/trekhleb/learn-python

#پایتون #آموزش_برنامه_نویسی

💻@voidcompile

📘 معرفی کتاب Head First Data Analysis
تحلیل داده به زبان ساده و تصویری! این کتاب جذاب از مجموعه Head First کمک میکنه تا تحلیل داده‌ رو مثل یه تحلیلگر حرفه‌ای یاد بگیری.

📊 چی یاد می‌گیری؟
✅ تبدیل مسائل پیچیده به داده‌های قابل بررسی
✅ آزمون فرضیه‌ها با روش علمی
✅ رگرسیون، احتمالات و تحلیل آماری به زبان ساده
✅ مصورسازی داده‌ با ابزارهایی مثل R و Excel
✅ آموزش مفاهیم آمار بیزین، داده‌کاوی و تحلیل کسب‌وکار

📌 مناسب برای:
مبتدی‌ها، دانشجوهای علوم داده، مدیران محصول، و برنامه‌ نویس‌ هایی که می‌خوان وارد دنیای Data Science بشن

💻@voidcompile

Head First Data Analysis

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

💻@voidcompile

🛡️ آموزش هک و امنیت شبکه قسمت ۶: لایه پنجم (Session Layer)

لایه پنجم مدل OSI که به نام Session Layer شناخته میشه، وظیفه‌ی ایجاد، مدیریت و پایان دادن به نشست‌های ارتباطی بین دو دستگاه رو بر عهده داره.
هر زمان که شما یک ارتباط طولانی‌مدت مثل اتصال FTP یا جلسات ویدیویی برقرار می‌کنید، این لایه پشت‌صحنه فعاله.

✅ وظایف اصلی لایه نشست:

🔹 برقراری و مدیریت session (نشست) بین کلاینت و سرور
🔹 همگام‌سازی داده‌ها در ارتباطات طولانی
🔹 کنترل و ازسرگیری نشست‌ها بعد از قطع موقت
🔹 مدیریت توالی انتقال داده برای جلوگیری از اختلال

🚨 تهدیدهای امنیتی در لایه پنجم:

⚠️ Session Hijacking
دزدیدن نشست کاربر برای دسترسی غیرمجاز
⚠️ Session Fixation
ثبت نشست تقلبی برای سوءاستفاده بعدی
⚠️ حملات MITM
دخالت در نشست فعال بین دو دستگاه برای شنود یا تغییر داده
⚠️ Replay Attack
بازپخش نشست قبلی برای فریب سیستم

🔐 روش‌های دفاع در این لایه:

✅ استفاده از Session ID‌های امن و تصادفی
✅ تنظیم مدت انقضا برای نشست‌ها
✅ استفاده از رمزنگاری برای نشست‌ها (SSL/TLS)
✅ مانیتورینگ نشست‌ها و تشخیص فعالیت مشکوک

#Session_Layer #CyberSecurity
💻@voidcompile

🛡️ آموزش هک و امنیت شبکه – قسمت ۷: لایه ششم (Presentation Layer)

لایه ششم مدل OSI که با نام Presentation Layer شناخته میشه، نقش مترجم رو بین اپلیکیشن و داده‌های خام شبکه بازی می‌کنه.
این لایه مسئول تبدیل، فشرده‌سازی و رمزنگاری اطلاعات قبل از ارسال و بعد از دریافت داده‌ست.

✅ وظایف اصلی لایه پرزنتیشن:

🔹 تبدیل فرمت داده‌ها (مثلاً از ASCII به EBCDIC)
🔹 رمزگذاری (Encryption) و رمزگشایی (Decryption) اطلاعات
🔹 فشرده‌سازی (Compression) داده‌ها برای انتقال سریع‌تر
🔹 حفظ سازگاری داده بین دو سیستم مختلف

🚨 تهدیدهای امنیتی در لایه ششم:

⚠️ حملات به الگوریتم‌های رمزنگاری ضعیف
⚠️ شنود داده رمزگشایی‌شده در سیستم مقصد
⚠️ تزریق داده در فرآیند تبدیل
⚠️ حملات مبتنی بر سوءاستفاده از فرمت داده (مثلاً فایل‌های تصویری آلوده)

🔐 روش‌های دفاع در این لایه:

✅ استفاده از الگوریتم‌های رمزنگاری قوی و به‌روز (مثل AES-256)
✅ بررسی و اعتبارسنجی فرمت داده‌های ورودی
✅ استفاده از فشرده‌سازی امن و استاندارد
✅ پیاده‌سازی لایه‌های امنیتی در کنار رمزگذاری (مانند TLS)

#Presentation_Layer #CyberSecurity
@voidcompile

📘 scikit-learn غول یادگیری ماشین با پایتون

اگر دنبال بهترین کتابخانه پایتون برای یادگیری ماشین و تحلیل داده هستی، همین حالا وارد دنیای scikit-learn شو!
این ریپوی گیتهاب با بیش از ۹۰هزار ستاره تبدیل به مرجع اصلی برای ماشین لرنینگ با پایتون شده.

✅ قابلیت های خفن scikit-learn:

🔹 اجرای انواع الگوریتم یادگیری ماشین مثل
رگرسیون خطی، درخت تصمیم، KMeans، جنگل تصادفی، Naive Bayes، SVM و ده‌ها الگوریتم دیگه
🔹 پیش پردازش داده، نرمال سازی، انتخاب ویژگی، کاهش ابعاد
🔹 پیاده‌سازی کامل مدل‌های کلاسیفیکیشن و ریگرشن
🔹 ابزارهای تحلیل و مصورسازی دقیق نتایج
🔹 محیط ساده اما حرفه‌ای برای پیاده‌سازی مدل‌های واقعی

🎓 مناسب برای: دانشجویان علوم داده، علاقه‌مندان یادگیری ماشین، توسعه‌دهندگان هوش مصنوعی، تحلیلگران داده و همه پایتون بازها!

📍 ریپوی رسمی: 🔗 https://github.com/scikit-learn/scikit-learn

#scikit_learn #پایتون #یادگیری_ماشین

#repo@voidcompile
💻@voidcompile

🛡️ آموزش هک و امنیت شبکه – قسمت ۸: لایه هفتم (Application Layer)

لایه هفتم مدل OSI که با نام Application Layer شناخته میشه، جاییه که کاربران مستقیماً با برنامه‌های تحت شبکه در تعامل هستن. این لایه بستر ارتباطی برای اپلیکیشن‌هایی مثل مرورگر، ایمیل، FTP و... فراهم می‌کنه.

✅ وظایف اصلی Application Layer:

🔹 برقراری ارتباط بین اپلیکیشن کاربر و شبکه
🔹 مدیریت پروتکل‌هایی مثل HTTP, HTTPS, FTP, SMTP, DNS
🔹 تبادل داده به شکل قابل فهم برای کاربر نهایی
🔹 هماهنگی بین نرم‌افزارها و سرورها

🚨 تهدیدهای امنیتی در لایه هفتم:

⚠️ حملات SQL Injection
⚠️ حملات Cross-Site Scripting (XSS)
⚠️ حملات Cross-Site Request Forgery (CSRF)
⚠️ سرقت کوکی‌ها و نشست‌ها (Session Hijacking)
⚠️ فیشینگ از طریق اپلیکیشن‌های جعلی
⚠️ سوءاستفاده از آسیب‌پذیری‌های REST API

🔐 روش‌های دفاع در این لایه:

✅ استفاده از فایروال‌های لایه ۷ (WAF)
✅ اعتبارسنجی ورودی‌ها در اپلیکیشن
✅ رمزنگاری داده‌ها در مسیر (HTTPS)
✅ آموزش کاربران درباره حملات مهندسی اجتماعی
✅ اعمال محدودیت‌ روی API و مانیتورینگ لاگ‌ها

#Application_Layer #امنیت_شبکه
💻@voidcompile

🔍آموزش زبان برنامه نویسی پایتون با کد قسمت ۱۴ ام :

آموزش تشخیص زبان متن با پایتون | پروژه تشخیص زبان خودکار با آنالیز فرکانس حروف

در این آموزش برنامه نویسی پایتون، یک پروژه جالب و کاربردی داریم: تشخیص زبان متن ورودی فقط با کمک فرکانس حروف! 📊

این کد پایتونی به صورت خودکار متن‌هایی به زبان‌های مختلف رو تحلیل می‌کنه و با محاسبه فاصله آماری، زبان اصلی متن رو شناسایی می‌کنه. بدون نیاز به کتابخانه سنگین یادگیری ماشین، فقط با منطق و ریاضی ساده! ✅

📌 نکات مهم:

آموزش تحلیل زبان در پایتون

پروژه ساده اما پیشرفته برای یادگیری الگوریتم‌های آماری

مناسب برای پروژه‌های NLP، تحلیل داده، شناسایی زبان اتوماتیک و آموزش هوش مصنوعی


🧠 یاد می‌گیری:

استفاده از دیکشنری برای ذخیره فرکانس حروف

محاسبه فاصله اقلیدسی بین دو بردار فرکانس

مقایسه داده‌ها برای پیش‌بینی زبان متن


🔐 مناسب برای: آموزش پایتون، علوم داده، یادگیری ماشین، Natural Language Processing، پروژه‌های دانشجویی

# Reference frequency of letters in English and French
english_freq = {
    'a': 8.167, 'b': 1.492, 'c': 2.782, 'd': 4.253, 'e': 12.702,
    'f': 2.228, 'g': 2.015, 'h': 6.094, 'i': 6.966, 'j': 0.153,
    'k': 0.772, 'l': 4.025, 'm': 2.406, 'n': 6.749, 'o': 7.507,
    'p': 1.929, 'q': 0.095, 'r': 5.987, 's': 6.327, 't': 9.056,
    'u': 2.758, 'v': 0.978, 'w': 2.361, 'x': 0.150, 'y': 1.974, 'z': 0.074
}

french_freq = {
    'a': 7.636, 'b': 0.901, 'c': 3.260, 'd': 3.669, 'e': 14.715,
    'f': 1.066, 'g': 0.866, 'h': 0.737, 'i': 7.529, 'j': 0.613,
    'k': 0.049, 'l': 5.456, 'm': 2.968, 'n': 7.095, 'o': 5.796,
    'p': 2.521, 'q': 1.362, 'r': 6.553, 's': 7.948, 't': 7.244,
    'u': 6.311, 'v': 1.628, 'w': 0.114, 'x': 0.387, 'y': 0.308, 'z': 0.136
}

from collections import Counter
import string

def get_letter_frequency(text):
    text = text.lower()
    filtered_text = ''.join(filter(str.isalpha, text))  # Remove non-letter chars
    total = len(filtered_text)
    counter = Counter(filtered_text)
    freq = {char: (counter.get(char, 0) / total) * 100 for char in string.ascii_lowercase}
    return freq

def compare_lang(text_freq, ref_freq):
    # Compute sum of squared differences
    return sum((text_freq[char] - ref_freq[char]) ** 2 for char in string.ascii_lowercase)

# Sample input
text_input = "Bonjour, je m'appelle Jean et j'aime coder en Python!"

# Step 1: Get text letter frequencies
text_freq = get_letter_frequency(text_input)

# Step 2: Compare to each language
english_score = compare_lang(text_freq, english_freq)
french_score = compare_lang(text_freq, french_freq)

# Step 3: Determine language
detected_lang = "French" if french_score < english_score else "English"

print(f"📄 Input: {text_input}")
print(f"🔍 Detected Language: {detected_lang}")
print(f"📊 English Score: {english_score:.2f} | French Score: {french_score:.2f}")

🧠 این کد چیکار میکنه؟

1. فرکانس حروف متن ورودی رو حساب می‌کنه.

2. با جدول فرکانس زبان انگلیسی و فرانسوی مقایسه می‌کنه.

3. بررسی می‌کنه کدوم فاصله کمتره (یعنی به اون زبان نزدیک‌تره).

4. در نهایت زبان متن رو تشخیص میده.

#LearnPython@voidcompile
#LearnPython14@voidcompile
💻@voidcompile

🎲 آموزش شبیه‌ سازی پرتاب تاس در پایتون – پروژه‌ای ساده و جذاب برای مبتدی‌ها!
در این آموزش یاد می‌گیری چطور با استفاده از توابع random، حلقه while و ورودی کاربر، یک تاس ۶ وجهی رو شبیه‌سازی کنی.
اگه تازه وارد دنیای برنامه‌نویسی پایتون شدی، این پروژه یه شروع عالیه!
👇 کدش اینجاست، تستش کن و نتیجه رو ببین.

import random  # Import the random module to generate random numbers

print("Press Enter to roll the dice (type 'q' to quit):")

while True:
    user_input = input("> ")  # Wait for user input
    if user_input.lower() == 'q':  # If the user types 'q', exit the loop
        print("Exiting the program. Goodbye!")
        break
    dice_roll = random.randint(1, 6)  # Generate a random number between 1 and 6
    print(f"🎲 You rolled: {dice_roll}")  # Display the result

ری اکشن یادتون نره رفقا حمایت شما انگیزه ما برای ادامه دادنه

#LearnPython@voidcompile
#LearnPython15@voidcompile
💻@voidcompile