Python Visualization

#pdf@voidcompile
#book@voidcompile

💻@voidcompile

🎨🌈 ساخت گل رنگین‌کمانی با پایتون و Turtle 🌸💻

اگر به برنامه‌نویسی پایتون علاقه‌مند هستی و می‌خوای چیزی باحال و جذاب بسازی، این پروژه بهترین انتخابه! 🚀 با کتابخونه‌ی Turtle می‌تونی فقط با چند خط کد، یه گل رنگی و انیمیشنی روی صفحه طراحی کنی.

✅ مناسب برای مبتدی‌ها و حرفه‌ای‌ها
✅ تمرین عالی برای گرافیک در پایتون
✅ بدون نیاز به کتابخونه اضافی
✅ سرگرم‌کننده و خلاقانه

import turtle
import colorsys

# Setup screen
screen = turtle.Screen()
screen.bgcolor("black")
screen.noscript("Spinning Colorful Flower 🌸")

# Setup turtle
t = turtle.Turtle()
t.speed(0)
turtle.colormode(255)  # Use RGB colors

# Number of petals and circles
num_petals = 36
num_circles = 36

for i in range(num_circles):
    # Generate rainbow colors
    color = colorsys.hsv_to_rgb(i/num_circles, 1, 1)
    t.pencolor(int(color[0]*255), int(color[1]*255), int(color[2]*255))
    t.circle(100)
    t.right(360/num_circles)

t.hideturtle()
turtle.done()

#LearnPython@voidcompile
💻@voidcompile

🚀 پایتون و زیست‌شناسی مولکولی؛ آینده‌ای هوشمندتر 🧬🐍

🔹 پژوهشگران اخیراً با ترکیب Python و ابزارهای Bioinformatics تونستن مدل‌های دقیق‌تری برای پیش‌بینی ساختار پروتئین‌ها و تحلیل داده‌های ژنومی بسازن.

📊 کتابخانه‌هایی مثل Biopython، NumPy و TensorFlow توی پردازش داده‌های زیستی (مثل توالی DNA و RNA) نقش کلیدی دارن. این یعنی سرعت بیشتر، دقت بالاتر و کاهش خطا در تحقیقات پزشکی.

🌱 حتی در ژنتیک و داروسازی هم پایتون داره به کشف داروهای جدید و شناسایی بیماری‌های نادر کمک می‌کنه.

⚡️ اگه هنوز با این حوزه آشنا نشدی، وقتشه پایتون رو فراتر از برنامه‌نویسی معمولی ببینی؛ چون این زبان داره علم زیست‌شناسی رو متحول می‌کنه.

#dna
#python
💻@voidcompile

🤯 این نقاشی رو پایتون کشیده!
فقط با چند خط کد می‌تونی طرح‌های هنری و فرکتالی درست کنی 🎨🐍

import numpy as np
import matplotlib.pyplot as plt

# ایجاد مختصات
x = np.linspace(-2, 2, 1000)
y = np.linspace(-2, 2, 1000)
X, Y = np.meshgrid(x, y)
Z = X2 - Y2 + 1j*(2*X*Y)

# محاسبه تعداد تکرار
C = Z
for i in range(20):
    Z = Z**2 + C

# نمایش طرح
plt.imshow(np.angle(Z), cmap="twilight", extent=(-2,2,-2,2))
plt.axis("off")
plt.show()

#LearnPython@voidcompile
💻@voidcompile

🔥 محبوب‌ترین زبان‌های برنامه‌نویسی در ۵ قدرت بزرگ دنیا!

🌍 هر کشوری براساس نیازهای تکنولوژی و صنعت خودش، زبان برنامه‌نویسی خاصی رو بیشتر استفاده می‌کنه:

🇨🇳 چین → Java (برای اپلیکیشن‌های بانکی، دولتی و مقیاس‌پذیر)
🇷🇺 روسیه → C++ (پروژه‌های امنیتی، شبیه‌سازی و بازی‌سازی)
🇺🇸 آمریکا → Python (هوش مصنوعی، یادگیری ماشین و استارتاپ‌ها)
🇩🇪 آلمان → JavaScript (وب‌سایت‌ها، اپلیکیشن‌های مدرن و صنعت خودرو)
🇯🇵 ژاپن → C (سیستم‌های تعبیه‌شده، رباتیک و صنعت سخت‌افزار)

📌 نکته جالب اینجاست که انتخاب زبان فقط به صنعت وابسته نیست؛ بلکه به فرهنگ کدنویسی و تاریخچه فناوری هر کشور هم مربوط میشه.

✅البته که هر زبان برنامه نویسی جایگاه خودش را دارد و این آمار تقریبی است ...

#python #cpp #Ruby #java #js #php
💻@voidcompile

🔍 آموزش الگوریتم Binary Search با پایتون
جستجوی دودویی یکی از مهم‌ترین و سریع‌ترین الگوریتم‌ها در علوم کامپیوتره. این الگوریتم به جای این که کل لیست رو خط به خط بگرده، در هر مرحله فضای جستجو رو نصف می‌کنه و خیلی سریع به جواب می‌رسه! 🚀

📌 توی این آموزش یاد می‌گیری:
✅ پیاده‌سازی الگوریتم Binary Search با Python
✅ تفاوت جستجوی خطی (Linear Search) و جستجوی دودویی
✅ کاهش پیچیدگی زمانی از O(n) به O(log n)
✅ کاربرد این الگوریتم در داده‌های بزرگ، مرتب‌سازی، و حتی موتورهای جستجو

💡 مثال کد: با استفاده از لیست [1, 3, 5, 7, 9, 11, 13, 15] و جستجوی عدد 9، الگوریتم بلافاصله مکان درست رو پیدا می‌کنه.

در پست بعدی کد را می بینیم .

💻@voidcompile

اگر از این سبک پست ها دوست دارید حتما ری اکشن بزنید ...

# Binary Search Algorithm in Python

# Function to perform binary search
def binary_search(arr, target):
    left, right = 0, len(arr) - 1
    
    while left <= right:
        mid = (left + right) // 2  # پیدا کردن نقطه میانی
        
        if arr[mid] == target:
            return mid  # عنصر پیدا شد
        elif arr[mid] < target:
            left = mid + 1  # جستجو در نیمه راست
        else:
            right = mid - 1  # جستجو در نیمه چپ
    
    return -1  # اگر عنصر وجود نداشت

# Example usage
numbers = [1, 3, 5, 7, 9, 11, 13, 15]
target = 9
result = binary_search(numbers, target)

if result != -1:
    print(f"Element {target} found at index {result}")
else:
    print(f"Element {target} not found")

@voidcompile

🌌 کد زدن روی مریخ؛ وقتی Python به فضا میره! 👨‍💻🚀

می‌دونستی بیشتر پروژه‌های فضایی مثل Mars Rover ناسا و تحقیقات SpaceX برای آنالیز داده‌ها از Python استفاده می‌کنن؟ 🐍✨

🔹 پایتون به خاطر سرعت توسعه، کتابخونه‌های قدرتمند (مثل NumPy, Pandas, Matplotlib) و سادگی کدنویسی، انتخاب اول دانشمندای داده در پروژه‌های فضاییه.
🔹 داده‌هایی مثل فشار هوا، ترکیبات خاک مریخ، دما و حرکت مریخ‌نورد، همه با پایتون تحلیل و مدل‌سازی می‌شن.
🔹 حتی شبیه‌سازی پرتاب موشک و پردازش تصویرهای سطح مریخ با پایتون انجام میشه!

🔥 پس اگه فکر می‌کنی پایتون فقط واسه پروژه‌های ساده‌ست، باید بدونی همین الان روی مریخ هم داره کار می‌کنه.

#spaceX
#python
💻@voidcompile

👨‍💻✨ روز جهانی برنامه‌نویس مبارک!

امروز روز ماست؛ کسایی که با چند خط کد،
دنیایی از ایده‌ها رو زنده می‌کنن. 🌍💻

🔹 چرا ۱۳ سپتامبر؟
چون ۲۵۶مین روز ساله؛ عددی که یادآور پایه دنیای دیجیتال و صفر و یک‌هاست.

📌 برنامه‌نویسی فقط نوشتن کد نیست؛
یه جور خلق کردنه، یه جور قدرت دادن به رویاها.

💻@voidcompile

☕🤖 وقتی قهوه با هوش مصنوعی ملاقات می‌کنه!

تصور کن قبل از اولین جرعه، هوش مصنوعی بتونه فقط با نگاه به رنگ، دما و نوع قهوه، طعمش رو برات پیش‌بینی کنه! 😯✨

🔹 توی گیت‌هاب یه پروژه جذاب به اسم Coffee Roasting Deep Learning Model وجود داره:
👉 github.com/HoomKh/Coffee-Roasting-Deeplearning

این پروژه با استفاده از مدل‌های یادگیری عمیق، روند برشته‌کردن قهوه رو بر اساس دما، زمان و نوع دانه تحلیل می‌کنه و حتی کیفیت نهایی رو پیش‌بینی می‌کنه.

🍵 ترکیب علم داده با طعم زندگی...
آینده‌ای رو تصور کن که هوش مصنوعی قبل از تو می‌دونه قهوه‌ات تلخه یا شیرین! 🚀

#repo@voidcompile
💻@voidcompile

🌍🚀 کد زدن برای نجات زمین با Python

آیا می‌دونستی پایتون تو خط مقدم تحقیقات زیست‌محیطیه؟ از پیش‌بینی تغییرات اقلیمی گرفته تا مدیریت انرژی‌های تجدیدپذیر و مدل‌سازی داده‌های زیستی، برنامه‌نویس‌ها با چند خط کد دارن آینده‌ی زمین رو تغییر میدن! 💻🌱

📌 با Python میشه:
✅ مدل‌سازی تغییرات آب‌وهوا و شبیه‌سازی اثرات گرمایش جهانی
✅ تحلیل داده‌های ماهواره‌ای برای ردیابی جنگل‌ها و یخچال‌های طبیعی
✅ بهینه‌سازی مصرف انرژی در شهرهای هوشمند
✅ استفاده از یادگیری ماشین برای پیش‌بینی بلایای طبیعی

🔥 این یعنی هر بار که کد می‌زنی، شاید داری بخشی از آینده‌ی پایدارتر برای زمین می‌سازی!

#Python
#ClimateChange
💻@voidcompile

🧠💻 هک مغز با پایتون؛ وقتی کد به علوم اعصاب می‌رسه

🔹 محقق‌ها با ترکیب Python و Neuroscience تونستن ابزارهایی بسازن که سیگنال‌های مغزی رو بخونن، تحلیل کنن و حتی پیش‌بینی کنن. با استفاده از داده‌های EEG (ثبت فعالیت الکتریکی مغز) و fMRI (تصویربرداری مغزی)، مغز انسان رو به‌طور دقیق‌تر مطالعه می‌کنن.
🔹 به‌طور خاص، کتابخانه‌هایی مثل MNE-Python و TensorFlow برای پردازش داده‌های مغزی و شبیه‌سازی الگوهای مغزی استفاده می‌شن. با این ابزارها، داده‌های EEG و fMRI به ابزاری برای تشخیص زودهنگام بیماری‌ها و تحقیقات علمی تبدیل می‌شن.
🔹 به‌عنوان مثال، کدهای پایتون می‌تونن سیگنال‌های مغزی رو به صورت آنلاین تحلیل کنن و حتی پیش‌بینی کنن که فرد در حالت خواب یا بیداری چطور فعالیت مغزی داره.

🚀 این یعنی چند خط کد پایتون می‌تونه پلی بزنه بین برنامه‌نویسی و رمزگشایی مغز انسان، و کمک کنه که پیچیدگی‌های مغزی به‌طور هوشمندانه شبیه‌سازی بشن.
#MachineLearning
#Neuroscience
💻@voidcompile

پایتون و ربات‌های خودران: علم به واقعیت

🔹 امروز پایتون به یکی از زبان‌های اصلی در ساخت ربات‌های خودران تبدیل شده. با استفاده از پایتون و کتابخانه‌های قدرتمندی مثل OpenCV، TensorFlow و ROS، ربات‌ها می‌تونن مسیرهای پیچیده رو شبیه‌سازی و از موانع عبور کنن.
🔹 هوش مصنوعی و یادگیری ماشین در سیستم‌های خودران، به ربات‌ها این امکان رو می‌ده که با دقت بالا از محیط اطرافشون اطلاعات جمع‌آوری کنن و تصمیم‌گیری بهینه انجام بدن.
🔹 یکی از بزرگترین چالش‌ها در طراحی ربات‌های خودران، تشخیص و پیش‌بینی رفتار انسان‌ها و موانع غیرمنتظره است که پایتون با مدل‌های پیشرفته‌ی یادگیری ماشین این مشکلات رو به سادگی حل کرده.
🔹 به عنوان مثال، سیستم‌هایی مثل Tesla Autopilot از پایتون برای پردازش داده‌های دوربین‌ها و سنسورها، شبیه‌سازی حرکت خودرو و تصادفی نبودن مسیرها استفاده می‌کنن.

🚗 این یعنی چند خط کد پایتون می‌تونه به ربات‌ها کمک کنه تا خودران و هوشمند بشن و دنیای جدیدی از حمل‌ونقل بیافرینیم!

#Python #SelfDrivingCars

💻@voidcompile

⏳ تایمر گرافیکی با پایتون (Python GUI Timer)

اگر به دنبال یک پروژه‌ی جذاب برای یادگیری برنامه‌نویسی پایتون هستی، ساخت تایمر گرافیکی (Graphical Timer) با استفاده از کتابخانه‌ی Tkinter یکی از بهترین انتخاب‌هاست!

🔹 در این پروژه یاد می‌گیری:
✅ طراحی رابط کاربری (GUI) با پایتون
✅ کار با دکمه‌ها و رویدادها (Start / Reset)
✅ شمارش معکوس (Countdown) به صورت گرافیکی
✅ شخصی‌سازی رنگ‌ها و استایل تایمر

💡 این پروژه مناسب تازه‌کارهاست که می‌خوان هم پایتون رو بهتر یاد بگیرن و هم یک اپلیکیشن واقعی و کاربردی بسازن.

🚀 نتیجه؟ یک تایمر شیک و نئونی که می‌تونی توی پروژه‌های دیگه هم ازش استفاده کنی!

کد رو در پست بعدی گذاشتم

#python
💻@voidcompile

کد تایمر گرافیکی ساده

import tkinter as tk

class TimerApp:
    def __init__(self, root):
        self.root = root
        self.root.noscript("⏳ Timer")
        self.root.geometry("300x200")
        self.root.configure(bg="black")

        self.time_left = 60  # ⏱ زمان اولیه تایمر (به ثانیه)

        # 🎨 برچسب نمایش زمان
        self.label = tk.Label(
            root,
            text=self.format_time(self.time_left),
            font=("Helvetica", 48),
            fg="cyan",
            bg="black"
        )
        self.label.pack(expand=True)

        # ▶ دکمه شروع تایمر
        self.start_button = tk.Button(root, text="▶ Start", command=self.start_timer, bg="green", fg="white")
        self.start_button.pack(side="left", expand=True, fill="both")

        # 🔄 دکمه ریست تایمر
        self.reset_button = tk.Button(root, text="🔄 Reset", command=self.reset_timer, bg="red", fg="white")
        self.reset_button.pack(side="right", expand=True, fill="both")

        self.running = False  # 📌 وضعیت تایمر (در حال اجرا یا متوقف)

    def format_time(self, seconds):
        # ⏱ تبدیل ثانیه به دقیقه:ثانیه (mm:ss)
        mins = seconds // 60
        secs = seconds % 60
        return f"{mins:02}:{secs:02}"

    def update_timer(self):
        # ⏳ کاهش یک ثانیه و آپدیت صفحه
        if self.running and self.time_left > 0:
            self.time_left -= 1
            self.label.config(text=self.format_time(self.time_left))
            self.root.after(1000, self.update_timer)  # هر ۱۰۰۰ میلی‌ثانیه (۱ ثانیه) اجرا بشه
        elif self.time_left == 0:
            self.label.config(text="⏰ Time's up!")  # وقتی تایمر تموم شد

    def start_timer(self):
        # ▶ شروع تایمر
        if not self.running:
            self.running = True
            self.update_timer()

    def reset_timer(self):
        # 🔄 ریست تایمر به مقدار اولیه
        self.running = False
        self.time_left = 60
        self.label.config(text=self.format_time(self.time_left))


if __name__ == "__main__":
    root = tk.Tk()
    app = TimerApp(root)
    root.mainloop()

ری اکشن یادتون نره رفقا

#code #python
#LearnPython@voidcompile
💻@voidcompile

🧠💻 هک مغز با پایتون؛ وقتی کد به علوم اعصاب می‌رسه

🔹 محقق‌ها با ترکیب Python و Neuroscience تونستن ابزارهایی بسازن که سیگنال‌های مغزی رو بخونن، تحلیل کنن و حتی پیش‌بینی کنن. با استفاده از داده‌های EEG (ثبت فعالیت الکتریکی مغز) و fMRI (تصویربرداری مغزی)، مغز انسان رو به‌طور دقیق‌تر مطالعه می‌کنن.
🔹 به‌طور خاص، کتابخانه‌هایی مثل MNE-Python و TensorFlow برای پردازش داده‌های مغزی و شبیه‌سازی الگوهای مغزی استفاده می‌شن. با این ابزارها، داده‌های EEG و fMRI به ابزاری برای تشخیص زودهنگام بیماری‌ها و تحقیقات علمی تبدیل می‌شن.
🔹 به‌عنوان مثال، کدهای پایتون می‌تونن سیگنال‌های مغزی رو به صورت آنلاین تحلیل کنن و حتی پیش‌بینی کنن که فرد در حالت خواب یا بیداری چطور فعالیت مغزی داره.

🚀 این یعنی چند خط کد پایتون می‌تونه پلی بزنه بین برنامه‌نویسی و رمزگشایی مغز انسان، و کمک کنه که پیچیدگی‌های مغزی به‌طور هوشمندانه شبیه‌سازی بشن.

#MachineLearning
#Neuroscience
💻@voidcompile

🚀 ۵ ترفند پایتون که باید بلد باشی!
اینجا ۵ تا ترفند کاربردی پایتون داری که سرعت و تمیزی کدنویسیت رو می‌بره بالا:

1. List Comprehension


2. zip برای ترکیب لیست‌ها


3. Unpacking


4. Lambda Functions


5. معکوس کردن رشته با Slice

# 🔹 ۵ ترفند خفن پایتون 🔹

# 1) List Comprehension: ساخت سریع لیست
squares = [x**2 for x in range(1, 6)]
print(squares)  # [1, 4, 9, 16, 25]

# 2) zip: ترکیب چند لیست همزمان
names = ["Ali", "Sara", "Reza"]
scores = [95, 88, 76]
for n, s in zip(names, scores):
    print(n, s)

# 3) Unpacking: بازکردن عناصر به چند متغیر
a, b, *rest = [1, 2, 3, 4, 5]
print(a, b, rest)  # 1 2 [3, 4, 5]

# 4) Lambda: تابع جمع کوتاه
add = lambda x, y: x + y
print(add(5, 7))  # 12

# 5) Slice معکوس رشته
text = "Python"
print(text[::-1])  # nohtyP

#python #LearnPython@voidcompile
💻@voidcompile

پایتون vs جاوا: کد کدوم کوتاه‌تره؟

با یک مثال ساده (فیبوناچی) می‌بینی پایتون چقدر کد رو کوتاه و خوانا می‌نویسه، درحالی‌که جاوا با نوع‌دهی و ساختار صریح، کنترل بیشتری می‌ده.
نتیجه؟ اگر می‌خوای سریع نمونه‌سازی کنی و اسکریپت بزنی، پایتون انتخاب خوبیه. اگر پروژه‌ی بزرگ و استاندارد سازمانی داری، جاوا می‌درخشه.

پایتون :

# Fibonacci up to n
n = int(input("n: "))
a, b = 0, 1
while a <= n:
    print(a, end=" ")
    a, b = b, a + b

جاوا :

import java.util.Scanner;

public class Fib {
    public static void main(String[] args) {
        Scanner sc = new Scanner(System.in);
        System.out.print("n: ");
        long n = sc.nextLong();
        long a = 0, b = 1;
        while (a <= n) {
            System.out.print(a + " ");
            long next = a + b;
            a = b;
            b = next;
        }
        sc.close();
    }
}

#java #python
💻@voidcompile

🚀 ۵ کتابخونه ضروری پایتون برای شروع هوش مصنوعی

اگه می‌خوای وارد دنیای AI و یادگیری ماشین بشی، این کتابخونه‌ها باید همیشه توی جعبه‌ابزارت باشن:

1️⃣ NumPy → پایه‌ی محاسبات عددی
2️⃣ Pandas → تحلیل و مدیریت داده‌ها
3️⃣ Matplotlib → ترسیم نمودارها
4️⃣ Scikit-learn → الگوریتم‌های ML آماده
5️⃣ TensorFlow / PyTorch → غول‌های یادگیری عمیق

🔹 با این ۵ تا می‌تونی اولین پروژه‌های هوش مصنوعی و ML خودت رو شروع کنی.
📌 کد رو سیو کن تا همیشه دم دستت باشه!

# 1. NumPy → پایه ریاضی و ماتریس‌ها
import numpy as np
arr = np.array([1, 2, 3])
print(arr * 2)

# 2. Pandas → مدیریت داده‌ها
import pandas as pd
data = pd.DataFrame({"Name": ["B", "A"], "Score": [90, 85]})
print(data)

# 3. Matplotlib → ترسیم نمودار
import matplotlib.pyplot as plt
plt.plot([1,2,3],[2,4,6])
plt.show()

# 4. Scikit-learn → الگوریتم‌های یادگیری ماشین
from sklearn.linear_model import LinearRegression

# 5. TensorFlow / PyTorch → یادگیری عمیق و شبکه‌های عصبی
import torch
print(torch.tensor([1.0, 2.0, 3.0]))

💻@voidcompile

🚀 ۵ میانبر ترمینال که زندگیتو عوض می‌کنه!

اگه اهل لینوکس، مک یا حتی WSL ویندوز باشی، این میانبرها می‌تونن سرعت کدنویسی و مدیریتت رو چند برابر کنن:

1️⃣ Ctrl+R → جستجوی سریع دستورهای قبلی
2️⃣ Ctrl+A → رفتن به اول خط
3️⃣ Ctrl+E → رفتن به آخر خط
4️⃣ Ctrl+U → پاک کردن کل خط
5️⃣ Ctrl+K → پاک کردن از مکان‌نما تا آخر خط

🔹 با همین ۵ میانبر ساده، کار با ترمینال برات خیلی راحت‌تر و حرفه‌ای‌تر میشه.

Ctrl + R   → جستجوی دستورات قبلی (History Search)
Ctrl + A   → رفتن به اول خط
Ctrl + E   → رفتن به آخر خط
Ctrl + U   → پاک کردن کل خط
Ctrl + K   → پاک کردن از مکان‌نما تا آخر خط

📌 این پست رو سیو کن چون حتماً به کارت میاد!


💻@voidcompile