eitaa logo
آموزش پایتون
63 دنبال‌کننده
244 عکس
106 ویدیو
52 فایل
ارتباط: https://eitaa.com/joinchat/956171922Cb501d5a32f لینک همین کانال: @LearnPythonIcy لینک کانال تلگرام: https://t.me/learnpythonicy
مشاهده در ایتا
دانلود
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!
"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 | | @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.
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؟
😱 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! 🤩
✔️ 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! | @learnpython
«شبکه عصبی کانولوشن (CNN) چشم‌های هوش مصنوعی هستن 👁. از فیلترهای اینستاگرام تا تشخیص تومور، دنیای ما رو تغییر دادن. »