📚 Beginner's Python Cheat Sheet 📚 برگه تقلب دستورات پایتون 😁 💯 @PythonForYou 🧑‍💻👩‍💻

همه مهندسای هوش مصنوعی از روش زیر استفاده می‌کنن 🤖 چطور هوش مصنوعی بسازیم؟ (نسخه کامل و ساده) 🧠 مرحله ۱: جمع‌آوری داده (Dataset) می‌تونی از جاهایی مثل: Kaggle (کگل) Google Dataset Search یا حتی خودت داده جمع کنی ✅ مثلاً عکس، متن، صدا یا ویدیو 🔁 مرحله ۲: آموزش مدل با ایپاک (Epoch) با پایتون و کتابخونه‌هایی مثل: TensorFlow یا Keras PyTorch تو چند ایپاک (Epoch) داده‌هاتو به مدل می‌دی تا کم‌کم یاد بگیره. مثلاً ۵ ایپاک یعنی ۵ بار داده‌ها کامل خونده بشن. ✅ ابزار آموزش: Google Colab Kaggle Notebooks Mytone (GPU) 💾 مرحله ۳: ذخیره مدل مدل آموزش‌دیده رو تو فایل ذخیره می‌کنی. مثلاً: .h5 .pt یا .pkl 🌍 مرحله ۴: استفاده از مدل (Inference) تو یه برنامه پایتون، مدل رو لود می‌کنی و ازش استفاده می‌کنی. مثلاً وقتی یه عکس بهش بدی، بگه چیه. 📦 مرحله ۵. استفاده از مدل‌های ترنسفورمر (Transformer) و هاگینگ فیس (Hugging Face) ✅ حالا اگه کار با متن و زبان طبیعی داری (مثل ترجمه، خلاصه کردن، سوال‌جواب)، ترنسفورمر بهترین گزینه‌ست. مدل‌هایی مثل: BERT، GPT ،T5, RoBERTa, DistilBERT میتونی مدل خودتو هم روی هاگینگ‌فیس آپلود کنی یا از مدل‌های آماده اونجا استفاده کنی یا با API اون مدل‌ها رو به پروژه‌ت وصل کنی 📌 هاگینگ‌فیس یه جور "گیت‌هاب برای مدل‌های هوش مصنوعی" حساب میشه. 🧑‍💻 مرحله ۶: ساخت API با پایتون بعد از اینکه مدل آماده شد، می‌تونی با پایتون یه API بسازی. مثلاً با: Flask یا FastAPI تا بقیه بتونن از مدل هوش مصنوعی تو سایت یا اپلیکیشن خودشون استفاده کنن. 📦 مثلا:

@app.route("/predict", methods=["POST"]) def predict(): # عکس یا متن رو بگیره # بده به مدل # نتیجه رو برگردونه 

🟩 خلاصه نهایی:

دیتاست → آموزش با ایپاک → مدل ذخیره → استفاده یا آپلود تو هاگینگ‌فیس → ساخت API با پایتون 

برای ساختار الگوریتم های عصبی هم اینارو بدونید کافیه البته خود LLM ها خیلی بهتر از ما ادما بلدن مثلا از چت‌جی‌بی‌تی بخواین انجام میده براتون

1. تعریف لایه‌ها و نورون‌ها
2. مقداردهی تصادفی به وزن‌ها
3. اجرای forward pass
4. محاسبه loss
5. اجرای backpropagation
6. آپدیت وزن‌ها با Gradient Descent
7. تکرار این چرخه تا یادگیری کامل

📌 و همه این مراحل با پایتون انجام میشه! 💯 @PythonForYou 🧑‍💻👩‍💻

الگوریتم مجموعه‌ای از دستورالعمل‌ها یا گام‌های مشخص و محدود است که به ترتیب خاصی اجرا می‌شوند تا یک مسئله را حل کنند یا به یک نتیجه مشخص برسند. به زبان ساده، الگوریتم راهنمایی گام به گامی است که به ما می‌گوید برای رسیدن به یک هدف خاص چه کارهایی را باید انجام دهیم. 🔴 تعریف دقیق‌تر الگوریتم: 1️⃣ مجموعه دستورالعمل‌های دقیق و مشخص: هر گام در الگوریتم باید به طور واضح تعریف شده باشد تا ابهامی وجود نداشته باشد. 2️⃣ ترتیب مشخص: دستورالعمل‌ها باید به ترتیب خاصی اجرا شوند. این ترتیب برای رسیدن به نتیجه مطلوب ضروری است. 3️⃣ متناهی بودن: یک الگوریتم باید در نهایت به پایان برسد و یک نتیجه نهایی تولید کند. قابل اجرا: دستورالعمل‌ها باید به گونه‌ای باشند که توسط کامپیوتر یا انسان قابل اجرا باشند. 🔰 مثال: فرض کنید می‌خواهید یک فنجان قهوه درست کنید. الگوریتم تهیه قهوه می‌تواند شامل مراحل زیر باشد: آب را بجوشانید. پودر قهوه را در فنجان بریزید. آب جوش را به فنجان قهوه اضافه کنید. بگذارید چند دقیقه دم بکشد. قهوه را هم بزنید. نوش جان! این مراحل به ترتیب مشخصی اجرا می‌شوند و به شما امکان می‌دهند تا یک فنجان قهوه درست کنید. ✅ کاربرد الگوریتم‌ها: الگوریتم‌ها در زمینه‌های مختلفی کاربرد دارند، از جمله: 🔻 برنامه‌نویسی: الگوریتم‌ها اساس برنامه‌نویسی هستند و برای حل مسائل پیچیده کامپیوتری استفاده می‌شوند. 🔻 ریاضیات: الگوریتم‌ها برای حل مسائل ریاضی و انجام محاسبات استفاده می‌شوند. 🔻 علوم کامپیوتر: الگوریتم‌ها در علوم کامپیوتر برای طراحی و پیاده‌سازی سیستم‌ها و نرم‌افزارها به کار می‌روند. 🔻 زندگی روزمره: ما به طور مداوم از الگوریتم‌ها در زندگی روزمره خود استفاده می‌کنیم، حتی بدون اینکه متوجه باشیم. 💯 انواع الگوریتم‌ها: الگوریتم‌ها انواع مختلفی دارند، از جمله: ▪️ الگوریتم‌های مرتب‌سازی: برای مرتب کردن داده‌ها به ترتیب خاصی استفاده می‌شوند (مانند مرتب‌سازی حبابی، ادغامی و ...) ▪️الگوریتم‌های جستجو: برای یافتن یک آیتم خاص در مجموعه داده‌ها استفاده می‌شوند. ▪️الگوریتم‌های بازگشتی: خود را به طور مکرر فراخوانی می‌کنند تا مشکل را حل کنند. ▪️الگوریتم‌های حریصانه: در هر مرحله بهترین گزینه را انتخاب می‌کنند تا به هدف برسند. ▪️الگوریتم‌های پویا: از حافظه برای ذخیره نتایج قبلی و جلوگیری از محاسبات تکراری استفاده می‌کنند. 🔥 در مجموع، الگوریتم‌ها ابزاری قدرتمند برای حل مسائل و انجام وظایف مختلف هستند و نقش مهمی در دنیای مدرن ایفا می‌کنند. 💯 @PythonForYou 🧑‍💻👩‍💻

این هم از جابجایی دو عدد بدون استفاده از متغیر کمکی 👆 اول خودتون حل کنید، بعد راه حل رو ببینید 😅 💯 @PythonForYou 🧑‍💻👩‍💻

✏️ متغیر کمکی (یا همون helper variable یا temporary variable) 💡 تعریف ساده متغیر کمکی: متغیر کمکی یک متغیر موقتیه که برای نگهداری یک مقدار استفاده می‌شه تا در انجام محاسبات، جابه‌جایی داده‌ها یا خوانایی کد کمک کنه. 🛠 کاربردهای اصلی متغیر کمکی در برنامه‌نویسی: 🔰 جابه‌جایی مقدار دو متغیر (Swap): وقتی می‌خوای مقدار دو متغیر رو با هم عوض کنی، معمولاً از یه متغیر کمکی استفاده می‌کنی تا مقدار یکی از اون‌ها موقتاً ذخیره بشه. 🔰 جلوگیری از تکرار محاسبات پیچیده: گاهی یه عبارت ریاضی یا تابع سنگین رو چند بار در کد لازم داری. به‌جای اینکه چند بار بنویسیش، یه بار توی متغیر کمکی ذخیره می‌کنی. 🔰 افزایش خوانایی کد: گاهی برای اینکه کد راحت‌تر فهمیده بشه، از متغیر کمکی استفاده می‌کنی. مثلاً وقتی یه شرط پیچیده داری. 🔰 ذخیره وضعیت قبل از تغییر: وقتی می‌خوای قبل از تغییر مقدار یه متغیر، مقدار قبلی رو نگه داری (مثلاً برای مقایسه بعدی یا ثبت تغییرات). 🔰 استفاده در حلقه‌ها یا توابع برای ذخیره‌سازی موقت: داخل حلقه‌ها و توابع هم خیلی وقت‌ها متغیر کمکی به کار می‌ره تا بتونی مقدارهایی رو موقت نگه داری. 🛑 نکته مهم: متغیر کمکی معمولاً اسم ساده و موقتی داره، مثل temp, helper, old_value یا result و بهتره معنی‌دار باشه تا بعداً فهمیدن کد راحت‌تر باشه. 💯 @PythonForYou 🧑‍💻👩‍💻

این هم الگوریتم هایی برای هر کاربرد که در بالا گفته شد: ✅ کاربرد ۱: جابه‌جایی مقدار دو متغیر (Swap) 1️⃣ مقدار متغیر اول را در یک متغیر کمکی ذخیره کن 2️⃣ مقدار متغیر دوم را در متغیر اول بریز 3️⃣ مقدار متغیر کمکی را در متغیر دوم بریز ✅ کاربرد ۲: جلوگیری از تکرار محاسبات 1️⃣ یک محاسبه پیچیده انجام بده و نتیجه‌اش را در یک متغیر کمکی ذخیره کن 2️⃣ هر جا لازم بود، به‌جای تکرار محاسبه، از مقدار داخل متغیر کمکی استفاده کن ✅ کاربرد ۳: خواناتر شدن شرط‌ها یا محاسبات 1️⃣ یک شرط یا عبارت طولانی و سخت را بررسی کن 2️⃣ نتیجه آن را در یک متغیر کمکی بریز 3️⃣ از این متغیر در شرط‌ها و تصمیم‌گیری‌ها استفاده کن ✅ کاربرد ۴: ذخیره مقدار قبلی قبل از تغییر 1️⃣ مقدار فعلی یک متغیر را در یک متغیر کمکی نگه دار 2️⃣ مقدار اصلی را تغییر بده 3️⃣ در صورت نیاز از مقدار قبلی (متغیر کمکی) استفاده کن ✅ کاربرد ۵: استفاده موقت در داخل حلقه یا تابع 1️⃣ در هر مرحله از حلقه، یک مقدار موقت محاسبه کن و در متغیر کمکی قرار بده 2️⃣ از مقدار این متغیر برای انجام محاسبه یا تصمیم استفاده کن 3️⃣ ادامه بده تا حلقه کامل شود 💯 @PythonForYou 🧑‍💻👩‍💻