توی سایر گزینه ها یه سری گزینه دیگه بودن که اینجا تعریفشون می کنم براتون.

اولیش : punctuation
که شامل کارکتر های اینطوریه: ()*&^%$#@!×؟><{}"\

دومیش هم : digits
که اینم همونطور که از اسمش بر میاد شامل اعداده : 0123456789

اگر کاربرد خلاقانه ای از این متد هایی که امشب راجع بهشون صحبت کردیم تو ذهنت بود، کدش رو بنویس و برام بفرست که توی کانال برای سایر دوستان هم به اشتراک بزارم☺️

@mohammad_j_p_1

به فال اعتقادی دارید؟

بریم با هم یه کد بنویسم که بتونه فال بگیره.

کد:

import pandas as pd
import random

# ایجاد یک دیتافریم 
data = {
    "event": [
        "یک دوست قدیمی بهت پیام می‌ده ",
        "یه غذای خوشمزه نصیبت می‌شه ",
        "یه ایده ناب به ذهنت می‌رسه! ",
        "امروز کلی کار انجام می‌دی و حس خوبی داری ",
        "یه اتفاق عجیب ولی بامزه برات می‌افته! ",
        "یه پول غیرمنتظره گیرت میاد ",
        "یه نفر مخفیانه بهت علاقه داره ",
        "امروز گیتار تمرین می‌کنی و کلی حال می‌کنی ",
        "یه باگ پیدا می‌کنی ولی به طرز عجیبی درست می‌شه ",
        "یه جمله انگیزشی می‌بینی که روزتو می‌سازه ",
    ]
}

df = pd.DataFrame(data)

# انتخاب یک رویداد به‌صورت تصادفی
lucky_event = random.choice(df["event"])

print(" فال روز شما:")
print(f" {lucky_event} ")

اول اینکه Pandas چیه؟
تصور کن:
تو مدیر یه باغ وحش عجیب و غریب هستی که توش کلی حیوانات خاص داری! 🦁🐼🦄
می‌خوای اطلاعات این حیوونا رو مدیریت کنی، بفهمی کدوماشون خوشحال‌ترن، چند تا مهمون روزانه دارن، و حتی اینکه کدوم غذا رو بیشتر دوست دارن!

📊 اینجاست که Pandas میاد وسط و همه‌ی این کارها رو راحت می‌کنه! 📊
Pandas یه کتابخونه‌ی پایتونه که برای کار با داده‌های جدولی، مثل اکسل و CSV ساخته شده.



🐼 اولین قدم: نصب Pandas
قبل از اینکه شروع کنیم، باید Pandas رو نصب کنیم. یه ترمینال باز کن و اینو تایپ کن:

pip install pandas

همین! الان پانداس نصب شده.



بریم سراغ اول تمرین : اولین باغ‌وحش دیتافریمی ما!

✅ مأموریت:
یک DataFrame بساز که اطلاعات چند حیوان باغ‌وحشت رو نگه داره!

🔧 چطور انجامش بدیم؟

import pandas as pd

# ساختن دیتا برای باغ‌وحش عجیب ما!
data = {
    "حیوان": ["پاندا", "شیر", "لاک‌پشت", "فیل", "میمون"],
    "قدرت (از ۱۰)": [8, 9, 3, 10, 6],
    "سرعت (کیلومتر بر ساعت)": [30, 50, 1, 25, 60],
    "غذای مورد علاقه": ["بامبو", "گوشت", "کاهو", "میوه", "موز"]
}

# تبدیل به DataFrame
zoo_df = pd.DataFrame(data)

# نمایش داده‌ها
print(zoo_df)

@python_with_mohammad

اولین متدی که راجع به پانداس یاد گرفتی DataFrame هست. چی کار می کنه؟
ساختار های مختلف رو تبدیل به دیتافرم می کنه.
اگه لیست ، دیکشنری یا هر چیز دیگه ای داشته باشی با یه خط کد تبدیل می شه به یه جدول.
این جدول همون دیتافریم ماست.

📊 بریم سراغ تمرین دوم : فیلتر کردن داده‌ها!

✅ مأموریت:
می‌خوایم ببینیم کدوم حیوان از همه سریع‌تره! 🏎💨

🔧 چطور انجامش بدیم؟

# پیدا کردن سریع‌ترین حیوان
fastest_animal = zoo_df[zoo_df["سرعت (کیلومتر بر ساعت)"] == zoo_df["سرعت (کیلومتر بر ساعت)"].max()]

print("🚀 سریع‌ترین حیوان:")
print(fastest_animal)

📉 کمی ریاضی بیشتر و تحلیل داده‌ها!

✅ مأموریت:
ببینیم میانگین سرعت حیوانات باغ‌وحش چقدره!

🔧 چطور انجامش بدیم؟

# محاسبه میانگین سرعت حیوانات
avg_speed = zoo_df["سرعت (کیلومتر بر ساعت)"].mean()
print(f"📊 میانگین سرعت حیوانات: {avg_speed:.2f} کیلومتر بر ساعت")

حالا بریم سراغ ترکیب کتابخونه پانداس و مت پلات لیب إ

✅ مأموریت:
یک نمودار بکشیم که نشون بده کدوم حیوان چقدر سریع یا قوی هست!

🔧 چطور انجامش بدیم؟

import matplotlib.pyplot as plt

# رسم نمودار سرعت حیوانات
plt.bar(zoo_df["حیوان"], zoo_df["سرعت (کیلومتر بر ساعت)"], color="orange")
plt.xlabel("حیوان")
plt.ylabel("سرعت (کیلومتر بر ساعت)")
plt.title("🚀 مقایسه سرعت حیوانات")
plt.show()

حالا برگردیم به سراغ تمرین اصلی مون.
df["event"]
کاری که می کنه اینه که میاد و یک ستون از جدولی که داریم رو انتخاب میکنه.
اسم ستون رو هم با " " مشخص می کنیم.

جلسه اول از فصل Pandas توی دوره جامع آموزش برنامه نویسی و پایتون

سوالی داشتید در خدمتتونم🫶

@mohammad_j_p_1

خیلی دوست دارم هر شب بتونم یه مبحث رو توی کانال به صورت پست به پست توضیح بدم، اما خستگی بیمارستان و نوشتن کتاب و ویدیو های آموزشی اکثر اوقات مانع می شه.

اما زمانی که پاسخ دهی تون رو می بینم ، ذوق می کنم و خستگیم در می ره.

تصویر بالا مربوط به کتاب پردازش داده های عددی هست که وقتی تموم شد کامل معرفی می کنم بهتون.

بریم سراغ موضوع امشب

تفاوت `is` و `==` در پایتون!


🔹 در پایتون، == مقدار دو متغیر را مقایسه می‌کند، اما is بررسی می‌کند که آیا دو متغیر به یک شیء یکسان در حافظه اشاره دارند یا نه!

a = [1, 2, 3]
b = [1, 2, 3]

print(a == b)  # خروجی: True
print(a is b)  # خروجی: False

🔸 چرا؟ چون a و b مقدار یکسانی دارند اما دو لیست جداگانه در حافظه‌اند!

حالا اگر نکته بالا رو با دقت خوندی و متوجه شدی بیا پایین و این کد رو بخون و بگو که کد زیر چه خروجی‌ای دارد؟

x = (1, 2, 3)
y = (1, 2, 3)

print(x is y)

در رابط با این کد ، اگر شما این تاپل ها رو تو پایتون بنویسید و اجرا کنید می بینید خروجی True می شه، چرا؟

پایتون در واقع برای شیءهای immutable مثل tuple‌ها، در بعضی شرایط حافظه اشتراکی استفاده می‌کنه.

وقتی دو متغیر به tuple مشابه اشاره کنند، ممکنه در حافظه یکسان ذخیره بشن، و به همین دلیل x is y می‌تونه True بشه.

پس در این مورد خروجی صحیح True خواهد بود، چون پایتون بهینه‌سازی انجام داده و از حافظه اشتراکی استفاده کرده!

چند تا نکته:

1. استفاده از `is` و `==` برای مقایسه:
- == برای مقایسه مقادیر استفاده میشه، یعنی آیا محتوای دو شیء مشابه هست یا نه. مثلاً برای لیست‌ها، دیکشنری‌ها و ...
- is برای مقایسه آدرس حافظه (یا همان identity) استفاده میشه. یعنی آیا دو متغیر به همان شیء در حافظه اشاره دارند یا نه.

2. استفاده از حافظه اشتراکی (Interning):
- در پایتون، برای برخی نوع داده‌ها مثل stringها و tupleها که immutable هستن، پایتون از تکنیک به نام "interning" استفاده می‌کنه. این یعنی وقتی که دو متغیر به مقدار مشابه اشاره می‌کنند، پایتون ممکنه از یک شیء مشترک در حافظه استفاده کنه تا حافظه بیشتری مصرف نشه.
- در مورد stringها، این رفتار حتی بیشتر دیده میشه، به طوری که پایتون از حافظه اشتراکی برای stringهای کوتاه و مشابه به شدت استفاده می‌کنه.

3. چرا این نکات مهم هستن؟
این اطلاعات مهم هستن چون می‌تونن به درک بهتر از چگونگی مدیریت حافظه در پایتون کمک کنن و در برنامه‌نویسی‌های پیچیده، تفاوت‌های ظریفی ایجاد کنن. مثلاً اگر انتظار داشته باشی که دو شیء کاملاً مشابه در حافظه به هم اشاره کنن و از is استفاده کنی، ممکنه نتیجه‌ای که انتظار داشتی رو نگیری.

همچنین در برخی موارد می‌تونی از is برای چک کردن اینکه متغیر به None اشاره می‌کنه یا نه استفاده کنی، چون None یک شیء واحد است در حافظه:

x = None
print(x is None)  # خروجی: True

@python_with_mohammad

بینایی ماشین در پزشکی – وقتی هوش مصنوعی بهتر از چشم ما می‌بینه!

چهار روز پیش من چشام رو عمل کردم، ولی هیچ‌کدومتون نگران نشدید، یه پیام ندادید ببینید زنده‌ام یا نه! واقعاً که...😝


حالا که این‌قدر بی‌رحمید، گفتم بیام یه چیزی از همین چشم‌پزشکی و هوش مصنوعی بگم.

یکی از جذاب‌ترین کاربردهای هوش مصنوعی، بینایی ماشینه، یعنی یاد دادن به کامپیوتر که دنیا رو مثل ما ببینه—یا حتی بهتر از ما!

این تکنولوژی توی پزشکی خیلی استفاده داره، مخصوصاً در چشم‌پزشکی، که دقیقاً با چیزی سروکار داره که خودمون برای دیدن بهش نیاز داریم.

بینایی ماشین چطوری توی پزشکی کمک می‌کنه؟
بینایی ماشین به کمک الگوریتم‌های یادگیری عمیق می‌تونه تصاویر پزشکی مثل عکس‌های شبکیه، اسکن‌های OCT، و حتی تصاویر قرنیه رو تحلیل کنه و بیماری‌هایی مثل رتینوپاتی دیابتی، گلوکوم و دژنراسیون ماکولا رو زودتر از چشم پزشک تشخیص بده.

حتی بعضی از مدل‌ها می‌تونن احتمال پیشرفت بیماری رو هم پیش‌بینی کنن!

یعنی چی؟ یعنی ممکنه یه الگوریتم هوش مصنوعی زودتر از خود من بفهمه که بعد از این عمل، قرنیه‌م خوب ترمیم شده یا نه!


حالا در پست‌های بعدی، دقیق‌تر بررسی می‌کنیم که چطور این تکنولوژی داره پزشکی رو متحول می‌کنه.

@python_with_mohammad

وقتی هوش مصنوعی چشم پزشک می‌شود!

تو پست قبل گفتم که بینایی ماشین چطور داره تو پزشکی، مخصوصاً چشم‌پزشکی، انقلاب به پا می‌کنه.

حالا بیایید ببینیم این تکنولوژی دقیقاً چطوری بیماری‌های چشمی رو تشخیص می‌ده.

ماجرا از کجا شروع شد؟
سال‌ها پیش، پزشکان فقط با معاینه فیزیکی و عکس‌های ساده می‌تونستن مشکلات چشم رو تشخیص بدن.

اما حالا با پیشرفت هوش مصنوعی و یادگیری عمیق، سیستم‌های کامپیوتری دارن تصاویر چشم رو مثل یه متخصص بررسی می‌کنن، اونم بدون خستگی و با دقتی که حتی از چشم پزشک‌های باتجربه هم بالاتره!


یک مثال واقعی: تشخیص رتینوپاتی دیابتی
یکی از بیماری‌های شایع چشمی که افراد دیابتی درگیرش می‌شن، رتینوپاتی دیابتیه. این بیماری در مراحل اولیه علائم خاصی نداره، اما اگه دیر تشخیص داده بشه، می‌تونه منجر به نابینایی بشه.

اینجاست که هوش مصنوعی می‌تونه کمک کنه!
✅ چطور؟ مدل‌های یادگیری عمیق، مثل شبکه‌های عصبی کانولوشنی (CNN)، تصاویر شبکیه رو آنالیز می‌کنن و الگوهایی رو تشخیص می‌دن که حتی پزشکان ممکنه متوجهش نشن.

مثلاً، سیستم Google DeepMind تونسته دقتی بالاتر از متخصصان انسانی در تشخیص بیماری‌های چشمی داشته باشه!

خب، فایده‌ش چیه؟

تشخیص زودهنگام: قبل از اینکه بیماری شدید بشه، می‌تونیم جلوی پیشرفتش رو بگیریم.

دسترسی بیشتر: مناطقی که پزشک متخصص ندارن، می‌تونن از این سیستم‌ها برای غربالگری بیماران استفاده کنن.

سرعت بالاتر: یه الگوریتم می‌تونه هزاران تصویر رو در چند ثانیه بررسی کنه، در حالی که یه پزشک ساعت‌ها زمان نیاز داره.


این فقط یه نمونه بود. تو پست بعدی می‌خوام درباره نقش بینایی ماشین در جراحی‌های چشمی و درمان بیماری‌ها براتون بگم.

@python_with_mohammad