حذف پس زمینه

دوره‌ی جدید OpenCV در بین پر مخاطب ترین دوره‌های جدید مکتب‌خونه:

https://www.instagram.com/p/ClwBklZo0pS/

به تعداد 5 کد تخفیف 50 درصدی برای دانشجوها بهم دادند؛ اگر کسی علاقه داشت و قبلا کلاسی با بنده داشته پیام بده

Advent of Code 2022

https://github.com/norvig/pytudes/blob/main/ipynb/Advent-2022.ipynb

🚀 A single line that makes your Python code blazingly fast.

Numba is a just-in-time (JIT) compiler for Python. This means that it takes your existing python code and generates a fast machine code (at run-time).

Thus, post compilation, your code runs at native machine code speed. Numba works best on code that uses NumPy arrays and functions, and loops. Find more info in the comments.

https://avichawla.substack.com/p/faster-python-with-one-line

با این ابزار با چند خط کد در لحظه نتیجه ی کلی طبقه بند را در لحظه ببینید...

https://github.com/shankarpandala/lazypredict

Human Language to SQL Translator. you can even set schema to query from it.

https://www.sqltranslate.app

نوشتن و استفاده از wrapper لاگ کردن سرعت اجرا

📽 Data analysis in Python with pandas
Learn how to use the pandas library for data analysis, manipulation, and visualization.

https://github.com/justmarkham/pandas-videos

وقتی برنامه‌ای می‌نویسیم، برای بررسی جزئی‌تر اجرای آن و منابع مصرفی از پروفایلینگ استفاده می‌کنیم. در پایتون، ابزار Memray یک پروفایلر حافظه قدرتمند است.

Memray شبیه به htop، مصرف حافظه را به‌صورت لحظه‌ای برای هر تابع نمایش می‌دهد و تغییرات مصرف حافظه را حین اجرای هر تابع پروفایل می‌کند. این ابزار به‌ویژه برای شناسایی نشت حافظه و بهینه‌سازی برنامه‌ها مفید است.

با این حال، برای ثبت حداکثر مصرف حافظه یک تابع در طول اجرای آن، باید دید آیا Memray امکان ثبت لحظه‌ای مصرف حافظه در فایل را دارد. در این صورت، می‌توانیم به‌طور دقیق‌تر حداکثر مصرف حافظه هر تابع را نیز به دست آوریم.

https://github.com/bloomberg/memray

یه لایبری ساده پایتون برای retry کردن، فقط کافیه کاری که میخوای اگر نشد مجدد تلاش کنه را براش یه دکوریتور بنویسید

https://pypi.org/project/retrying/

تشخیص زبان با استفاده از کتابخانه Langdetect

تولید بارکد با استفاده از کتابخانه بارکد

انواع متد هایی که برای استرینگ در پایتون وجود دارند.

اطلاعات کشورها در پایتون

Free Web scraping with Python

https://bit.ly/4a0ioBz

🐍 10 دوره رایگان برای یادگیری Python

👩🏻‍💻 این منابع فوق‌العاده می‌تونن مهارت‌هات در #Python رو چند سطح بالاتر ببرن و بهترین بخشش اینکه کاملاً رایگان هستن!

1️⃣ Comprehensive Python Course for Beginners
🔗 https://www.youtube.com/watch?v=H2EJuAcrZYU

📃 آموزش کامل از پایه تا پیشرفته با توضیحات شفاف و منظم.

2️⃣ Intensive Python Training
🔗 https://www.youtube.com/watch?v=rfscVS0vtbw

📃 دوره فشرده‌ی ۴ ساعته، سریع، دقیق و کاربردی.

3️⃣ Comprehensive Python Course
🔗 https://www.youtube.com/watch?v=ix9cRaBkVe0

📃 آموزش همراه با مثال‌ها و تمرین‌های واقعی.

4️⃣ Introduction to Python (CS50)
🔗 https://cs50.harvard.edu/python/

📃 یادگیری اصول با تمرکز بر منطق، کدنویسی تمیز و حل مسئله.

5️⃣ Automate Daily Tasks with Python
🔗 https://automatetheboringstuff.com/

📃 یاد بگیر چطور کارهای روزمره‌ت رو با Python خودکار کنی.

6️⃣ Learn Python with Interactive Practice
🔗 https://www.kaggle.com/learn/python

📃 آموزش تعاملی با داده‌های واقعی و تمرین‌های عملی.

7️⃣ Scientific Computing with Python
🔗 https://www.freecodecamp.org/learn/scientific-computing-with-python/

📃 پروژه‌محور برای کسانی که می‌خوان با داده و تحلیل علمی کار کنن.

8️⃣ Step-by-Step Python Training
🔗 https://www.w3schools.com/python/python_reference.asp

📃 آموزش مرحله‌به‌مرحله با تمرین‌های کوتاه و تعاملی.

9️⃣ Google's Python Class
🔗 https://developers.google.com/edu/python

📃 دوره‌ای از مهندسان گوگل با تمرین‌های واقعی و نکات حرفه‌ای.

🔟 Introduction to Programming with Python (MIT)
🔗 https://ocw.mit.edu/courses/6-0001-introduction-to-computer-science-and-programming-in-python-fall-2016/download/

📃 محتوای سطح دانشگاهی برای درک مفاهیم پایه و حل مسئله با تمرین و پروژه.

🌟 معرفی PandasAI: کاری راحت با داده‌ها بدون نیاز به کتابخانه‌های پیچیده!

این کتابخونه کار با داده‌ها رو خیلی ساده کرده، بدون اینکه شما لازم باشه با کتابخانه‌هایی مثل Pandas یا NumPy آشنا باشید. فقط کافیه سوالت رو به زبان ساده بپرسی و PandasAI جواب دقیق و حتی نمودارهای کاربردی رو برات آماده می‌کنه! ✨

نحوه کار کردن با PandasAI:

1️⃣ نصب کتابخانه:

pip install pandasai
pip install pandasai-litellm

2️⃣ راه‌اندازی مدل GPT-4.1-mini:

from pandasai_litellm.litellm import LiteLLM

llm = LiteLLM(model="gpt-4.1-mini", api_key="YOUR_OPENAI_API_KEY")

3️⃣ بارگذاری داده و پرسش از آن:

import pandasai as pai

pai.config.set({"llm": llm})
df = pai.read_csv("data/companies.csv")
response = df.chat("میانگین درآمد هر منطقه چقدره؟")
print(response)

اطلاع بیشتر :
https://github.com/sinaptik-ai/pandas-ai