آموزش پایتون
🐍 یک پروژه ساده و کاربردی پایتون: ماشین حساب BMI! یادگیری پایتون با پروژههای کوچک و کاربردی بهتری
📊 ساخت داشبورد گرافیکی BMI با پایتون
محاسبه BMI و نمایش نمودار زیبا با matplotlib!📈
✔️ کد کامل پروژه در پست بعد
✨ ویژوالیزیشن زیبا:
برنامه دو نمودار نشان میدهد:
1. نمودار میلهای ➡️ مقایسه BMI شما با ranges نرمال
2. نمودار دایرهای ➡️ درصد اختلاف با حد نرمال
💡 مهارتهای یادگیری:
- کار با matplotlib برای visualization
- ایجاد subplots چندگانه
- نمودار میلهای و دایرهای
- مدیریت رنگ و استایل نمودار
- نمایش اطلاعات به صورت گرافیکی
🚀 پیشنهاد توسعه:
- ذخیره نمودار به صورت فایل
- اضافه کردن تاریخچه محاسبات
- ساخت وب اپ با Flask + matplotlib
#پایتون #matplotlib #داده_نمایی #BMI #پروژه_گرافیکی | @LearnPythonIcy
آموزش پایتون
📊 ساخت داشبورد گرافیکی BMI با پایتون محاسبه BMI و نمایش نمودار زیبا با matplotlib!📈 ✔️ کد کامل پ
import matplotlib.pyplot as plt import numpy as np def bmi_dashboard(): print("📊 BMI Analysis Dashboard") # Get user input weight = float(input("Weight (kg): ")) height = float(input("Height (m): ")) # Calculate BMI bmi = weight / (height ** 2) # Determine status if bmi < 18.5: status = "Underweight" color = 'blue' elif 18.5 <= bmi < 25: status = "Normal" color = 'green' elif 25 <= bmi < 30: status = "Overweight" color = 'orange' else: status = "Obese" color = 'red' # Create visualization fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5)) # Plot 1: Comparison with normal ranges categories = ['Underweight', 'Normal', 'Overweight', 'Obese'] ranges = [18.5, 25, 30, 40] ax1.bar(categories, ranges, color=['blue', 'green', 'orange', 'red'], alpha=0.6) ax1.axhline(y=bmi, color=color, linestyle='--', linewidth=2, label=f'Your BMI: {bmi:.1f}') ax1.set_title('BMI Comparison with Normal Ranges') ax1.set_ylabel('BMI Value') ax1.legend() # Plot 2: Pie chart showing status if bmi < 25: sizes = [bmi, 25 - bmi] labels = [f'Your BMI', 'To Normal'] else: sizes = [bmi - 25, 50 - bmi] labels = [f'Excess BMI', 'To Obese'] ax2.pie(sizes, labels=labels, colors=[color, 'lightgray'], autopct='%1.1f%%') ax2.set_title(f'Your Status: {status}') plt.tight_layout() plt.show() print(f"\n✅ Your BMI: {bmi:.1f} - Status: {status}") # Run the program bmi_dashboard()
🧠 آیا میدانید "مغز" واقعی هوش مصنوعی چیست؟
ریاضیات!
یادگیری ماشین فقط کدنویسی نیست — بلکه درک ریاضیاتی است که پشت هر مدل هوش مصنوعی نهفته است.
📘 کتاب Mathematics for Machine Learning مانند یک راهنمای عملی است که:
✅ از جبر خطی تا بهینهسازی پیشرفته را پوشش میدهد
✅ بدون پیچیدگی غیرضروری، فقط مفاهیم کاربردی
✅ مناسب برای هرکسی که میخواهد الگوریتمها را درک کند، نه فقط اجرا!
🔗 دانلود رایگان:
https://mml-book.github.io/book/mml-book.pdf
💡 چرا این کتاب را بخوانیم؟
اگر از خود پرسیدهاید: «چرا گرادیان نزول کار میکند؟»
اگر میخواهید بدانید: «مکانیزم توجه در Transformerها چگونه ریاضیاتی است؟»
اگر به دنبال درک علت به جای صرفا چگونگی هستید!
#یادگیری_ماشین #هوش_مصنوعی #ریاضیات #کتاب_رایگان
"AI isn’t magic — it’s math, data, and lots of hidden work.
⁉️ What’s the biggest AI myth you’ve seen?"
«هوش مصنوعی جادو نیست! پشت این اسم پرزرقوبرق، ریاضیات پیچیده، دادههای عظیم و ساعتها تلاش پنهان است.
⁉️ به نظرتون بزرگترین افسانه یا باور غلط درباره هوش مصنوعی چیه؟»
✔️ واقعیت هوش مصنوعی (Artificial Intelligence)
آنچه مردم فکر میکنند: 🙄
🔹هوش مصنوعی = هوش در سطح انسان
🔹فشار یک دکمه → معجزه آنی
🔹مدلها خودشان را آموزش میدهند
🔹هوش مصنوعی یک شبه جایگزین همه مشاغل میشود
آنچه در واقعیت است: 🤓
🔸۸۰٪ کار، پاکسازی و برچسبزنی داده است، نه آموزش مدل
🔸مدلها قدرتمند اما شکننده هستند - به روشهای غیرمنتظرهای شکست میخورند
🔸استقرار هوش مصنوعی در محیط عملیاتی، سختتر از ساختن نمونه اولیه است
🔸بازآموزی مداوم به دلیل تغییر دادهها ضروری است
🔸دستاوردهای واقعی هوش مصنوعی تدریجی و تکرارشونده است، نه «یک شبه»
🔸ملاحظات اخلاقی، سوگیری و حکمرانی به اندازه دقت اهمیت دارند
JMESPath: خوانایی و قدرت در پردازش JSON ✔️
دیگه با JSONهای پیچیده و کدهای طولانی خداحافظی کنید! JMESPath به شما امکان میدهد با کوئریهای ساده و خوانا، دقیقاً همان دادهای که نیاز دارید را از ساختارهای JSON استخراج کنید.
چرا JMESPath؟
✅ کوئرینویسی ساده و declarative
✅ کاهش چشمگیر حجم کد
✅ خوانایی فوقالعاده
✅ پشتیبانی از فیلتر و جستجوی پیشرفته
✅ مناسب برای APIها و فایلهای پیکربندی
📌 اطلاعات بیشتر: https://github.com/jmespath/jmespath.py
#JSON | #JMESPath | @learnpythonicy
کتاب پیشنهادی: "Deep Learning with Python"
اثر François Chollet (خالق Keras)
چرا ارزش خواندن دارد؟🤓
مفاهیم عمیق یادگیری عمیق را بدون ریاضیات ترسناک، با مثالهای کدنویسی واقعی و توضیحات شهودی یاد میگیرید.
برای چه کسانی مناسب است؟🤔
اگر کمی با پایتون آشنایید و میخواهید سریع و کاربردی DL را یاد بگیرید.
ویژگی منحصربهفرد:🤨
تمرکز بر درک شهودی و تصویر ذهنی از شبکههای عصبی، نه فرمولهای پیچیده.
بعد از مطالعه چه بهدست میآورید؟😌
توانایی ساخت مدلهای واقعی مثل تشخیص تصویر یا تحلیل متن.
#book #dl
Old Deep Learning vs New Deep Learning — what's really changed?
از روزهایی که باید هر feature رو دستی طراحی میکردیم تا امروز که مدلهای عظیم آمادهی Fine-tune داریم…
دنیای DL توی ۵ سال گذشته زیر و رو شده!
کدوم دوره جذابتر بود؟
قدیما با سختی و لذت کشف، یا الان با سرعت و قدرت مدلهای آماده؟
#DeepLearning #AI #MachineLearning #LLMs #NeuralNetworks #DataScience
😱 ماه خونین 16 شهریور و از دست ندید!
این پدیدهٔ شگفتانگیز زمانی رخ میده که ماه در سایهٔ زمین قرار میگیره. نور خورشید از جو غلیظ زمین عبور میکنه، نور آبی پراکنده میشه و تنها نورهای قرمز به ماه میرسن و اونو به این رنگ تماشایی و اسرارآمیز درمیارن.
این یه اتفاق نادره که حتماً باید ببینیش! 🤩
#همینجوری
✔️ وقتی دادههات سوراخ سوراخ میشن، چی کار میکنی؟
دادههای واقعی هیچوقت اونقدر که فکر میکنیم مرتب و کامل نیستن. همیشه چندتا خونهی خالی (NaN) توی جدول پیدا میشن که مثل تکههای گمشدهی پازل جلوی تحلیل ما رو میگیرن. 😪
حالا این وسط یه قهرمان داریم:
📊 کتابخانهی Missingno
با چند خط کد ساده، میتونی کل دیتاستت رو اسکن کنی و خیلی شیک و بصری بفهمی کجاها دادهها ناقصن:
import pandas as pd
import missingno as msno
import matplotlib.pyplot as plt
df = pd.DataFrame({
'Age': [25, 30, None, 35, 40, None],
'Salary': [50000, None, 70000, None, 90000, 60000],
'Experience': [2, 5, None, 10, 15, 3],
'Python_Skill': [None, 7, 8, None, 9, 6]
})
msno.matrix(df)
plt.title("Finding the Missing Pieces!")
plt.show()
✨ خروجی چی میشه؟
یه تصویر جادویی! هر خط سفید یعنی یه دادهی گمشده. همین یک نگاه کافیه تا بفهمی کدوم ستونها و ردیفها ناقصن.
🔑 چرا باید از Missingno استفاده کنی؟
0️⃣ خیلی سریع و راحت وضعیت NaNها رو نشون میده.
1️⃣ خروجیهاش هم شیکه هم کاربردی (حتی برای ارائههات).
2️⃣ ابزارهای متنوع: از matrix گرفته تا bar و heatmap.
🚀 دفعه بعد که با یه دیتاست پر از سوراخسمبه روبهرو شدی، یادت باشه اول سراغ Missingno بری.
امتحانش کنی عاشقش میشی!
#missingno | @learnpython
«شبکه عصبی کانولوشن (CNN) چشمهای هوش مصنوعی هستن 👁.
از فیلترهای اینستاگرام تا تشخیص تومور، دنیای ما رو تغییر دادن. »