ایتا - آموزش پایتون

آموزش پایتون

🔥 چالش ۳۰ روزه Python for AI

#Day13

🎯 موضوع:
Searching & Filtering Data

⭐ سطح:
متوسط

⏳ زمان تخمینی:
25 تا 40 دقیقه

📝 صورت مسئله:

دیتاست زیر را در برنامه قرار دهید:

students = [
    {"name": "Ali", "gpa": 17.8},
    {"name": "Sara", "gpa": 18.5},
    {"name": "Reza", "gpa": 15.2},
    {"name": "Nima", "gpa": 18.1},
    {"name": "Parsa", "gpa": 16.4},
    {"name": "Arman", "gpa": 17.1},
    {"name": "Mina", "gpa": 19.0}
]

برنامه باید:

✅ تمام دانشجویان دارای GPA بالاتر از 18 را نمایش دهد.

✅ تمام دانشجویان دارای GPA کمتر از 16 را نمایش دهد.

✅ تعداد دانشجویان هر گروه را محاسبه کند.

📌 نمونه خروجی:

Students With GPA >= 18:
Sara
Nima
Mina

Count: 3

🎯 Bonus Challenge

دانشجویی را پیدا کنید که GPA او به 18 نزدیک‌تر است.

📋 هدف امروز:

تمرین فیلتر کردن داده‌ها؛ یکی از مهم‌ترین مهارت‌ها در Data Analysis.

⏰ مهلت ارسال پاسخ:
فردا ساعت 20:00

1 مشاهده16:52

آموزش پایتون

🔥 چالش ۳۰ روزه Python for AI

#Day14

🎯 موضوع:
Mini Project — Student Data Analysis System

⭐ سطح:
متوسط

⏳ زمان تخمینی:
40 تا 60 دقیقه

📝 صورت مسئله:

امروز قرار است با استفاده از مطالب روزهای قبل، یک سیستم کوچک تحلیل اطلاعات دانشجویان بسازید.

فایل زیر را با نام:

students.csv

ایجاد کنید:

name,gpa,credits
Ali,17.8,70
Sara,18.5,95
Reza,15.2,40
Nima,18.1,120
Parsa,16.4,55
Arman,17.1,80
Mina,19.0,140
Ava,16.8,35
Yasmin,18.7,110
Amir,15.9,65

یک کلاس به نام:

Student

ایجاد کنید که شامل ویژگی‌های زیر باشد:

✅ "name"

✅ "gpa"

✅ "credits"

و متدهای زیر را داشته باشد:

✅ "show_info()"

برای نمایش اطلاعات دانشجو

✅ "get_status()"

اگر تعداد واحدهای دانشجو حداقل 120 بود:

Graduated

و در غیر این صورت:

In Progress

برنامه باید:

✅ فایل CSV را بخواند.

✅ اطلاعات هر دانشجو را به یک شیء از کلاس "Student" تبدیل کند.

✅ تعداد کل دانشجویان را محاسبه کند.

✅ میانگین GPA را محاسبه کند.

✅ دانشجوی دارای بالاترین GPA را پیدا کند.

✅ دانشجویان دارای GPA برابر یا بیشتر از 18 را نمایش دهد.

✅ دانشجویان دارای GPA کمتر از 16 را نمایش دهد.

✅ نام یک دانشجو را از کاربر دریافت و اطلاعات او را جست‌وجو کند.

✅ اگر دانشجو پیدا نشد، پیام زیر را نمایش دهد:

Student not found!

✅ با استفاده از "try / except" خطاهای احتمالی خواندن فایل را مدیریت کند.

📌 نمونه خروجی:

===== Student Analysis System =====

Total Students: 10
Average GPA: 17.35
Top Student: Mina (19.0)

Students With GPA >= 18:
Sara
Nima
Mina
Yasmin

Count: 4

Students With GPA < 16:
Reza
Amir

Count: 2

Enter student name: Nima

Name: Nima
GPA: 18.1
Credits: 120
Status: Graduated

🎯 Bonus Challenge

یک منوی ساده طراحی کنید:

1. Show Summary
2. Search Student
3. Show Top Students
4. Show Graduated Students
5. Exit

برنامه باید تا زمانی که کاربر گزینه "5" را انتخاب نکرده است، متوقف نشود.

📋 هدف امروز:

ترکیب مهارت‌های روزهای قبل و ساخت اولین سیستم کوچک تحلیل داده با Python.

شما تا اینجا یاد گرفته‌اید:

✅ داده‌ها را از فایل بخوانید.

✅ داده‌ها را مدل‌سازی کنید.

✅ خطاها را مدیریت کنید.

✅ داده‌ها را جست‌وجو و فیلتر کنید.

✅ اطلاعات آماری استخراج کنید.

از روز بعد وارد NumPy می‌شویم تا همین محاسبات را سریع‌تر، کوتاه‌تر و حرفه‌ای‌تر انجام دهیم.

⏰ مهلت ارسال پاسخ:
فردا ساعت 20:00

1 مشاهده16:30

آموزش پایتون

پاسخ روز سیزدهم

1 مشاهده16:30

آموزش پایتون

🔥 چالش ۳۰ روزه Python for AI

#Day15

🎯 موضوع:
Introduction to NumPy

⭐ سطح:
متوسط

⏳ زمان تخمینی:
20 تا 40 دقیقه

📝 صورت مسئله:

کتابخانه NumPy را نصب و import کنید.

آرایه زیر را در برنامه قرار دهید:

scores = [18, 15, 20, 17, 19, 14, 16, 18, 20, 17]

آن را به NumPy Array تبدیل کنید.

برنامه باید:

✅ میانگین نمرات را محاسبه کند.

✅ بیشترین نمره را پیدا کند.

✅ کمترین نمره را پیدا کند.

✅ مجموع نمرات را محاسبه کند.

📌 نمونه خروجی:

Average: 17.4
Maximum: 20
Minimum: 14
Sum: 174

🎯 Bonus Challenge

انحراف معیار (Standard Deviation) نمرات را محاسبه کنید.

📋 هدف امروز:

آشنایی با NumPy و انجام محاسبات عددی سریع‌تر از Python معمولی.

⏰ مهلت ارسال پاسخ:
فردا ساعت 20:00

1 مشاهده16:31

آموزش پایتون

🔥 چالش ۳۰ روزه Python for AI #Day14 🎯 موضوع: Mini Project — Student Data Analysis System ⭐ سطح: م

import csv
class Student:
    def init(self, name, gpa, credits):
        self.name = name
        self.gpa = gpa
        self.credits = credits

    def get_status(self):
        if self.credits >= 120:
            return "Graduated"

        return "In Progress"

    def show_info(self):
        print(f"Name: {self.name}")
        print(f"GPA: {self.gpa}")
        print(f"Credits: {self.credits}")
        print(f"Status: {self.get_status()}")

def load_students(filename):
    students = []

    try:
        with open(filename, "r", encoding="utf-8") as file:
            reader = csv.DictReader(file)

            for row in reader:
                student = Student(
                    name=row["name"].strip(),
                    gpa=float(row["gpa"]),
                    credits=int(row["credits"])
                )
                students.append(student)

    except FileNotFoundError:
        print(f"Error: {filename} was not found.")

    except (ValueError, KeyError):
        print("Error: Invalid data in CSV file.")

    except OSError as error:
        print(f"Error reading file: {error}")

    return students

def show_summary(students):
    if not students:
        print("No student data available.")
        return

    average_gpa = sum(student.gpa for student in students) / len(students)
    top_student = max(students, key=lambda student: student.gpa)

    high_gpa_students = [
        student for student in students
        if student.gpa >= 18
    ]

    low_gpa_students = [
        student for student in students
        if student.gpa < 16
    ]

    print("\n= Student Analysis System =")

    print(f"\nTotal Students: {len(students)}")
    print(f"Average GPA: {average_gpa:.2f}")
    print(
        f"Top Student: {top_student.name} "
        f"({top_student.gpa})"
    )

    print("\nStudents With GPA >= 18:")

    for student in high_gpa_students:
        print(student.name)

    print(f"\nCount: {len(high_gpa_students)}")

    print("\nStudents With GPA < 16:")

    for student in low_gpa_students:
        print(student.name)

    print(f"\nCount: {len(low_gpa_students)}")


def search_student(students):
    name = input("\nEnter student name: ").strip()

    if not name:
        print("Please enter a valid name.")
        return

    for student in students:
        if student.name.lower() == name.lower():
            print()
            student.show_info()
            return

    print("Student not found!")

def show_top_students(students):
    top_students = sorted(
        students,
        key=lambda student: student.gpa,
        reverse=True
    )

    print("\n= Top Students =")

    for rank, student in enumerate(top_students, start=1):
        print(f"{rank}. {student.name} - {student.gpa}")


def show_graduated_students(students):
    graduated_students = [
        student for student in students
        if student.get_status() == "Graduated"
    ]

    print("\n= Graduated Students =")

    if not graduated_students:
        print("No graduated students found.")
        return

    for student in graduated_students:
        print(
            f"{student.name} - "
            f"{student.credits} Credits"
        )

def show_menu():
    print("\n===== Student Analysis Menu =====")
    print("1. Show Summary")
    print("2. Search Student")
    print("3. Show Top Students")
    print("4. Show Graduated Students")
    print("5. Exit")

def main():
    students = load_students("students.csv")

    if not students:
        return

    while True:
        show_menu()
        choice = input("\nEnter your choice: ").strip()

        if choice == "1":
            show_summary(students)

        elif choice == "2":
            search_student(students)

        elif choice == "3":
            show_top_students(students)

        elif choice == "4":
            show_graduated_students(students)

        elif choice == "5":
            print("\nProgram closed.")
            break
        else:
            print("\nInvalid choice. Please select 1 to 5.")
if name == "__main__":
    main()

1 مشاهده16:36

آموزش پایتون

🔥 چالش ۳۰ روزه Python for AI #Day15 🎯 موضوع: Introduction to NumPy ⭐ سطح: متوسط ⏳ زمان تخمینی: 2

پاسخ روز 15ام

1 مشاهده16:30

آموزش پایتون

🔥 چالش ۳۰ روزه Python for AI

#Day16

🎯 موضوع:
NumPy Arrays & Data Analysis

⭐ سطح:
متوسط

⏳ زمان تخمینی:
25 تا 45 دقیقه

📝 صورت مسئله:

فرض کنید نمرات دانشجویان در یک آرایه NumPy ذخیره شده‌اند:

scores = [18, 15, 20, 17, 19, 14, 16, 18, 20, 17]

برنامه باید:

✅ تمام نمرات بالاتر از میانگین را نمایش دهد.

✅ تعداد نمرات بالاتر از میانگین را محاسبه کند.

✅ درصد نمرات بالاتر از میانگین را محاسبه کند.

📌 نمونه خروجی:

Average Score: 17.4

Scores Above Average:
18
20
19
18
20

Count: 5

Percentage: 50%

🎯 Bonus Challenge

تمام نمرات کمتر از میانگین را نیز نمایش دهید.

📋 هدف امروز:

تمرین Filtering و Boolean Indexing؛ مفهومی که بعدها در Pandas و Machine Learning بسیار استفاده می‌شود.

⏰ مهلت ارسال پاسخ:
فردا ساعت 20:00

1 مشاهده16:30

آموزش پایتون

🔥 چالش ۳۰ روزه Python for AI #Day16 🎯 موضوع: NumPy Arrays & Data Analysis ⭐ سطح: متوسط ⏳ زمان تخ

پاسخ روز 16ام

1 مشاهده16:29

آموزش پایتون

🔥 چالش ۳۰ روزه Python for AI

#Day17

🎯 موضوع:
Introduction to Pandas

📝 صورت مسئله:

دیتاست زیر را در قالب DataFrame ایجاد کنید:

data = {
    "Name": ["Ali", "Sara", "Reza", "Nima", "Parsa"],
    "GPA": [17.8, 18.5, 15.2, 18.1, 16.4],
    "Credits": [70, 95, 40, 120, 55]
}

برنامه باید:

✅ DataFrame را نمایش دهد.

✅ میانگین GPA را محاسبه کند.

✅ بهترین دانشجو را پیدا کند.

✅ دانشجویانی که GPA آن‌ها بیشتر از 18 است را نمایش دهد.

🎯 Bonus Challenge

یک ستون جدید به نام:

Status

اضافه کنید.

اگر GPA ≥ 18:

Excellent

در غیر این صورت:

Normal

📋 هدف امروز:

ورود به Pandas؛ مهم‌ترین ابزار تحلیل داده در Python.

1 مشاهده16:29

آموزش پایتون

پاسخ روز 17ام

1 مشاهده16:47

آموزش پایتون

0:26

2.7M حجم رسانه بالاست

مشاهده در ایتا

🚀 شهاب‌سنگ‌ها رو بترکون. 

با پایتون بازی بساز، شلیک کن و رکورد بزن! 🎮☄️

#game #pygame

1 مشاهده17:36

آموزش پایتون

1:42

16.7M حجم رسانه بالاست

مشاهده در ایتا

🔥 وقتشه قدرت واقعی چیزهایی که تا امروز یاد گرفتیم رو ببینیم!

از Day 1 تا Day 17 چیا یادگرفنیم؟!
✅ Variables
✅ Conditions
✅ Loops
✅ Functions
✅ Lists & Dictionaries
✅ File Handling
✅ CSV
✅ Error Handling
✅ OOP
✅ NumPy
✅ Pandas

شاید هرکدام از این تمرین‌ها به‌تنهایی ساده به نظر می‌رسیدند؛ اما وقتی کنار هم قرار می‌گیرند، می‌توانند به یک #پروژه کامل و حرفه‌ای تبدیل شوند.

🎥 ویدیویی که می‌بینید، نمونه‌ای از خروجی همین مسیر است:
Smart Student Success Dashboard

یک داشبورد هوشمند برای:
📊 تحلیل عملکرد دانشجویان
🔍 جست‌وجوی اطلاعات هر دانشجو
🏆 شناسایی دانشجویان برتر
⚠️ پیدا کردن دانشجویان نیازمند حمایت
📈 نمایش نمودارهای تحلیلی
🎓 بررسی میزان پیشرفت تا فارغ‌التحصیلی

1 مشاهده21:23

مطالب بعدی

پرسش‌ها

قوانین

داغ‌ترین‌ها

چندسکویی