🟦 1. معرف لیست (List Literal) لیست با براکت مربع ساخته می‌شود. انواع معرفی لیست: لیست خالی: [] لیست با مقدار: [1, 2, 3] لیست شامل انواع مختلف: [1, "Ali", 3.14] لیست تو در تو: [[1, 2], [3, 4]] لیست با list comprehension: [x * 2 for x in range(5)] مثال نهایی: my_list = [1, 2, 3, "hello"] --- 🟧 2. معرف تاپل (Tuple Literal) تاپل با پرانتز یا حتی بدون پرانتز ساخته می‌شود. انواع معرفی تاپل: تاپل خالی: () تاپل یک‌تایی (حتماً کاما لازم است): (5,) تاپل معمولی: (1, 2, 3) تاپل بدون پرانتز (پایتون خودش تشخیص می‌دهد): 1, 2, 3 تاپل تو در تو: ((1, 2), (3, 4)) مثال نهایی: my_tuple = (10, 20, 30) --- 🟩 3. معرف دیکشنری (Dictionary Literal) دیکشنری با {} ساخته می‌شود و داده‌ها به صورت کلید: مقدار هستند. انواع معرفی دیکشنری: دیکشنری خالی: {} دیکشنری معمولی: {"name": "Ali", "age": 20} دیکشنری تو در تو: {"user": {"name": "Ali"}} دیکشنری با dict comprehension: {x: x * 2 for x in range(3)} مثال نهایی: my_dict = {"name": "Sara", "age": 25} --- 🟫 4. معرف مجموعه (Set Literal) ست شبیه دیکشنری است ولی فقط مقدار دارد و تکراری‌ها را حذف می‌کند. انواع معرفی ست: مجموعه خالی (نکته: {} دیکشنری است!): set() مجموعه با مقدار: {1, 2, 3} مجموعه با set comprehension: {x * 2 for x in range(5)} مثال نهایی: my_set = {1, 2, 3}

🟦 1. لیست (List) ✔ اضافه کردن lst = [1, 2] lst.append(3) # اضافه به آخر lst.insert(1, 10) # اضافه در مکان مشخص lst.extend([4, 5]) # اضافه کردن چند مقدار ✔ حذف کردن lst.remove(10) # حذف بر اساس مقدار lst.pop() # حذف آخرین عنصر lst.pop(1) # حذف عنصر با اندیس del lst[0] # حذف با دل lst.clear() # خالی کردن کل لیست ✔ تغییر و ویرایش lst = [5, 6, 7] lst[1] = 100 # تغییر مقدار lst[0:2] = [1, 2] # تغییر چند مقدار --- 🟧 2. تاپل (Tuple) تاپل غیر قابل تغییر است. بنابراین اضافه، حذف یا ویرایش مستقیم ندارد. ✔ روش غیرمستقیم برای ویرایش با تبدیل به لیست: t = (1, 2, 3) lst = list(t) lst.append(4) t = tuple(lst) --- 🟩 3. دیکشنری (Dictionary) ✔ اضافه کردن (کلید جدید) d = {"a": 1} d["b"] = 2 ✔ ویرایش (تغییر مقدار یک کلید) d["a"] = 100 ✔ حذف کردن del d["a"] # حذف با دل d.pop("b") # حذف و برگرداندن مقدار d.clear() # خالی کردن کل دیکشنری ✔ اضافه و به‌روزرسانی با update d.update({"c": 3, "d": 4}) --- 🟫 4. مجموعه (Set) ✔ اضافه کردن s = {1, 2} s.add(3) # اضافه تک مقدار s.update([4, 5]) # اضافه چند مقدار ✔ حذف کردن s.remove(2) # حذف مقدار (اگر نباشد خطا می‌دهد) s.discard(3) # حذف مقدار (بدون خطا) s.pop() # حذف تصادفی یک مقدار s.clear() # خالی کردن مجموعه ✔ ویرایش مستقیم ندارد چون مثل لیست اندیس ندارد، فقط می‌توان اضافه/حذف کرد.

معرفی پروژه: این پروژه شبیه‌سازی حرکت پرتابه با سرعت و زاویه اولیه دلخواه است. با استفاده از معادلات فیزیکی حرکت پرتابه، مسیر جسم در میدان گرانش زمین محاسبه و به‌صورت گرافیکی نمایش داده می‌شود. هدف پروژه، درک بهتر رابطه بین سرعت اولیه، زاویه پرتاب و مسیر حرکت جسم است و می‌تواند به عنوان یک ابزار آموزشی در فیزیک کاربرد داشته باشد. ویژگی‌ها: ورود سرعت اولیه و زاویه پرتاب توسط کاربر محاسبه زمان پرواز، برد و ارتفاع بیشینه رسم مسیر حرکت پرتابه به صورت گرافیکی #پایتون #برنامه‌نویسی #محمودیان #پروژه_ایده #ابتکار #خلاقیت #جشنواره #مسابقات #رباتیک #برتر

تمرین 1: کار با لیست (List) صورت تمرین: یک برنامه بنویس که نام 5 میوه را از کاربر بگیرد و در یک لیست ذخیره کند. سپس: 1. لیست را چاپ کند. 2. طول لیست را نمایش دهد. 3. اولین و آخرین میوه لیست را چاپ کند. راهنمایی: از append() و len() استفاده کنید. --- تمرین 2: کار با مجموعه (Set) صورت تمرین: یک برنامه بنویس که 10 عدد وارد شده توسط کاربر را در یک مجموعه ذخیره کند. سپس: 1. تعداد اعداد یکتا را نمایش دهد. 2. کوچکترین و بزرگترین عدد را چاپ کند. راهنمایی: از set()، min() و max() استفاده کنید. --- تمرین 3: کار با دیکشنری (Dictionary) صورت تمرین: یک برنامه بساز که اطلاعات 3 دانش‌آموز (نام و نمره) را ذخیره کند. سپس: 1. نام و نمره هر دانش‌آموز را چاپ کند. 2. میانگین نمرات را محاسبه و نمایش دهد. 3. دانش‌آموز با بیشترین نمره را نشان دهد. راهنمایی: از دیکشنری {} و حلقه for key, value in dict.items() استفاده کنید.

جواب تمرینات داخل گروه برنامه‌نویسی پایتون قرار داده ایم

📌 چرا مهارت کار با فایل‌ها در پایتون اهمیت دارد؟ در دنیای امروز، داده‌ها همه‌جا هستند و هوش مصنوعی (AI – Artificial Intelligence) و یادگیری ماشین (ML – Machine Learning) بدون داده‌های مرتب و ساختاریافته، هیچ کاری نمی‌توانند انجام دهند. 📂 فایل‌ها قلب پردازش داده‌ها هستند و توانایی مدیریت آن‌ها مهارتی کلیدی محسوب می‌شود. ✨ انواع فایل‌ها و فرمت‌ها: TXT (.txt): متن ساده، مناسب ذخیره اطلاعات خام CSV (.csv): داده‌های جدولی با مقادیر جداشده با کاما (Comma-Separated Values) Excel (.xlsx, .xls): جداول پیشرفته، گزارش‌ها و داده‌های چندبرگه‌ای Word (.docx, .doc): مستندات متنی و گزارش‌های تحلیلی PDF (.pdf): فرم‌ها، مقالات و اسناد رسمی JSON (.json): داده‌های ساختاریافته برای API و ذخیره‌سازی ماشین‌خوان Parquet (.parquet): داده‌های حجیم، سریع و بهینه برای Big Data 💡 مزایای مهارت کار با فایل‌ها: خواندن، نوشتن و ویرایش داده‌ها به صورت خودکار استخراج اطلاعات ارزشمند برای تحلیل و گزارش‌دهی ترکیب و یکپارچه‌سازی داده‌ها از منابع مختلف تبدیل بین فرمت‌های مختلف (CSV → Excel، PDF → TXT و غیره) آماده‌سازی داده‌ها برای مدل‌های یادگیری ماشین و هوش مصنوعی 🔄 با مهارت در مدیریت فایل‌ها می‌توان داده‌های خام را به ورودی مناسب برای AI/ML تبدیل کرد، فرایندهای تکراری را خودکار نمود و تصمیم‌گیری مبتنی بر داده را سریع‌تر و دقیق‌تر انجام داد. 📈 یادگیری این مهارت، نه تنها در مدرسه و دانشگاه، بلکه در Data Science، AI و اتوماسیون صنعتی و اداری کاربرد عملی دارد. 🚀 پایتون ابزار قدرتمندی است که با کتابخانه‌های متعدد مانند pandas، openpyxl، docx، PyPDF2 و json امکان پردازش انواع فایل‌ها را ساده و سریع می‌کند. ✨ توانایی کار با فایل‌ها، شما را آماده می‌کند تا داده‌ها را تحلیل کنید، گزارش بسازید، مدل‌های هوش مصنوعی را تغذیه کنید و پروژه‌های واقعی را با اعتماد به نفس پیش ببرید.

کار با فایل‌ها در پایتون: مهارت کلیدی برای داده و هوش مصنوعی پایتون به شما امکان می‌دهد با انواع فایل‌ها کار کنید و داده‌های خام را به اطلاعات ارزشمند تبدیل کنید. این مهارت پایه‌ای برای هوش مصنوعی (AI)، یادگیری ماشین (ML) و تحلیل داده است. 📂 انواع فایل‌ها و کاربردشان: TXT (.txt): متن ساده، یادداشت‌ها و داده خام CSV (.csv): داده‌های جدولی، مناسب برای تحلیل و گزارش Excel (.xlsx, .xls): جداول پیچیده، محاسبات و گزارش‌های چندبرگه‌ای Word (.docx, .doc): مستندات و گزارش‌های پروژه PDF (.pdf): اسناد رسمی و غیرقابل ویرایش، استخراج اطلاعات JSON (.json): داده‌های ساختاریافته، ارتباط با API و ذخیره‌سازی ماشین‌خوان XML (.xml): داده‌های ساختاریافته مشابه JSON، استاندارد وب Parquet (.parquet): داده‌های حجیم و بهینه برای Big Data HDF5 (.h5, .hdf5): داده‌های علمی و چندبعدی، علوم داده و ML Pickle (.pkl, .pickle): ذخیره و بازیابی اشیاء پایتون، مدل‌های آماده ML YAML (.yaml, .yml): فایل پیکربندی ساده و قابل خواندن SQL / SQLite (.db, .sqlite): پایگاه داده محلی برای داده‌های ساختاریافته Image (.jpg, .png, .bmp, .tiff): تصاویر برای پردازش بصری و AI Audio (.mp3, .wav, .flac): فایل‌های صوتی برای تحلیل صدا و پردازش گفتار Video (.mp4, .avi, .mov): ویدئوها برای پردازش و یادگیری عمیق 💡 مزایا و کاربردها: استخراج و ویرایش داده‌ها به صورت خودکار تبدیل بین فرمت‌ها (CSV ↔ Excel، PDF → TXT و غیره) آماده‌سازی داده‌ها برای مدل‌های AI و ML تحلیل آماری، تصویری و متنی خودکارسازی فرآیندهای اداری، دانشگاهی و صنعتی ✨ یادگیری مدیریت فایل‌ها با پایتون، مهارتی است که هم کاربرد عملی دارد و هم پایه‌ای برای پروژه‌های هوش مصنوعی و علم داده محسوب می‌شود.

نفرات دوره ویژه «پایتون کاربردی – مدیریت و پردازش فایل‌ها» ثبت‌نام کرده‌اند. لطفاً برای تکمیل ثبت‌نام اولیه، مشخصات زیر را به‌صورت کامل ارسال کنید: نام و نام خانوادگی تاریخ تولد کامل (روز / ماه / سال) کد ملی لیست نفرات ثبت‌نامی آقایان: ۱. آقای محمدحسین محسن‌آبادی خانم‌ها: (—) لیست در حال بروزرسانی…

🎯 دوره تخصصی و پروژه‌محور برنامه‌نویسی پایتون برای اولین بار در سطح حرفه‌ای برگزار می‌شود! این دوره به ویژه برای: دانش‌آموزان و دانشجویان علاقه‌مند به برنامه‌نویسی افرادی که قصد شرکت در مسابقات برنامه‌نویسی و جشنواره‌های علمی را دارند یک فرصت بی‌نظیر فراهم می‌کند تا با مهارت‌های عملی و پروژه محور آماده شوند. 📌 مزایا: آموزش کاملاً عملی و پروژه‌محور آمادگی برای مسابقات و جشنواره‌ها یادگیری مهارت‌های کاربردی و پیشرفته پایتون

🚀 یک مدل یادگیری ماشین که هر بار اجرا می‌شود خودش را به‌روزرسانی می‌کند! در این پروژه یک مدل خطی می‌سازیم که با هر بار اجرای برنامه، نسخه قبلی خود را بارگذاری می‌کند. اگر مدل از قبل وجود نداشت، یک مدل کاملاً جدید ساخته می‌شود. سپس با داده‌های تازه دوباره آموزش می‌بیند تا همیشه به‌روز بماند. بعد از آموزش، مدل نسخه جدید خود را در فایل ذخیره می‌کند تا اجرای بعدی از همان ادامه پیدا کند. این روش یک چرخه ساده و کاربردی برای سیستم‌هایی است که داده‌هایشان دائماً تغییر می‌کنند. مدل در نهایت مقدار جدیدی را دریافت کرده و خروجی آن را پیش‌بینی می‌کند. این ساختار پایه‌ای برای ایجاد سیستم‌های هوشمند و قابل گسترش در پروژه‌های واقعی است. از پیش‌بینی قیمت‌ها گرفته تا تحلیل روندها، چنین مدل‌هایی قابلیت سازگاری مداوم دارند. در این پروژه همه چیز به صورت خودکار، سبک و قابل فهم پیاده‌سازی شده است. نتیجه؟ یک مدل که همیشه به‌روز، همیشه آماده و همیشه قابل اعتماد است.

🔔 اطلاعیه شماره 4⃣ 🔖 تقویم اجرایی مراحل جشنواره: رعایت زمان برگزاری مراحل ۴ گانه جشنواره مطابق تقویم اجرایی زیر الزامی است:🔻 ⭕️ مرحله مدرسه‌ای - تا تا 30 بهمن ماه ۱۴۰۴ ⭕️ مرحله منطقه‌ای - تا 30 فروردین ماه ۱۴۰۵ ⭕️ مرحله استانی - تا 20 اردیبهشت ماه ۱۴۰۵ ⭕️ مرحله کشوری - تابستان ۱۴۰۵ دبیرخانه کشوری جشنواره استعدادیابی نوجوان خوارزمی🌵