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

✨ آموزش برنامه‌نویسی از صفر در تعطیلات نوروز! ✨

آیا همیشه دوست داشتی برنامه‌نویسی یاد بگیری ولی وقتش رو نداشتی؟ تعطیلات عید بهترین فرصته!

در دوره آنلاین آموزش برنامه‌نویسی با پایتون، از مفاهیم پایه‌ای تا کدنویسی حرفه‌ای رو یاد می‌گیری و قدم‌به‌قدم وارد دنیای جذاب برنامه‌نویسی می‌شی.

✅ بدون پیش‌نیاز
✅ کاملاً عملی و پروژه‌محور
✅ آموزش از صفر تا پیشرفته
✅ پشتیبانی و رفع اشکال
✅ گواهی پایان دوره
✅ دریافت ویدیو های دوره


📍شروع دوره: نوروز ۱۴۰۴

⚜ مدت دوره: ۲ هفته فشرده ( ۷ جلسه دو ساعته)

💠 هزینه دوره : ۴۹۹ هزارتومان

همین حالا ثبت‌نام کن و تعطیلاتت رو پربار کن!


برای اطلاعات بیشتر و ثبت‌نام پیام بدین 👇

@Poshtibani_admin91

این ای دی پشتیبانی مون هست، دوست داشتید توی این دوره ،همراه من باشید با پشتیبانی هماهنگ کنید.

فقط اینکه من به شخصه کلاس های شلوغ رو راحت نیستم باهاش، تعداد عزیزانی که ثبت نام خواهند شد محدود خواهد بود ، چون دوست دارم کلاس اکتیو و پر بازده ای باشه، مثل کلاس های تابستون امسال و سال های گذشته

حتما نظرات تون و چیزایی که مد نظرتون هست رو هم بگید (بهتره به ای دی خودم باشه که بتونم بخونمشون)

سوالی چیزی داشتیم هم حتما بپرسید.😘😘

هوش مصنوعی در اتاق عمل – وقتی ربات‌ها به چشم پزشک‌ها کمک می‌کنن!

تا اینجا دیدیم که هوش مصنوعی چطور می‌تونه بیماری‌های چشمی رو تشخیص بده.

ولی ماجرا همین‌جا تموم نمیشه! هوش مصنوعی فقط برای تشخیص نیست، بلکه می‌تونه وسط عمل جراحی هم کنار پزشک‌ها وایسته و کمکشون کنه .

هوش مصنوعی توی جراحی‌های چشمی چطور کمک می‌کنه؟
یکی از مهم‌ترین کاربردهای بینایی ماشین، سیستم‌های ردیابی چشم (Eye Tracking) هست.
مثلاً توی جراحی‌های لیزری مثل LASIK یا PRK (همین عملی که من کردم و هنوز منتظرم یکی بپرسه چطوری‌ام 😒)، دستگاه باید با دقت میلی‌متری قرنیه رو لیزر کنه.

حالا اگه مریض یه لحظه چشش رو تکون بده چی میشه؟

✅ اینجاست که هوش مصنوعی وارد میشه! سیستم‌های ردیابی هوشمند با سرعت بالا حرکات چشم رو دنبال می‌کنن و به دستگاه میگن که لیزر رو دقیقاً روی نقطه درست نگه داره.

بینایی ماشین و OCT
یکی دیگه از ابزارهای مهم توی چشم‌پزشکی، تصویربرداری مقطعی اپتیکال (OCT) هست. با این روش، پزشک می‌تونه لایه‌های مختلف شبکیه رو ببینه. حالا اگه حجم زیادی از این تصاویر گرفته بشه، تحلیل دستی همه‌شون سخته. اما الگوریتم‌های بینایی ماشین می‌تونن:

- لایه‌های شبکیه رو به صورت اتوماتیک اندازه‌گیری کنن
- وجود ادم ماکولا یا سوراخ ماکولا رو تشخیص بدن
- احتمال پیشرفت بیماری رو تخمین بزنن

هوش مصنوعی توی اتاق عمل آینده ما رو تغییر میده!
با ترکیب هوش مصنوعی، رباتیک و بینایی ماشین، توی آینده شاید عمل‌های جراحی به‌طور کامل توسط ربات‌ها انجام بشه و پزشک فقط بشینه و قهوه‌شو بخوره.

تو پست بعدی می‌خوام از تحلیل داده‌های چشم‌پزشکی با پایتون بگم و اینکه چطور می‌تونیم با چند خط کد، خودمون اولین پروژه هوش مصنوعی توی چشم‌پزشکی رو شروع کنیم، البته اگه از این پست ها استقبال بشه.
برای این که من مطمین شم این پست ها رو دوست دارید با لایک و بقیه ایموجی ها بگید که منم پیام تون دریافت کنم.🙃

@python_with_mohammad

پایتون و چشم‌پزشکی – وقتی کدها به کمک چشم‌ها میان!

تا اینجا درباره تشخیص بیماری‌ها و کمک هوش مصنوعی توی جراحی‌های چشمی صحبت کردیم.

حالا وقتشه یه ذره خودمون دست‌به‌کد بشیم و ببینیم چطور می‌تونیم با پایتون یه پروژه کوچیک ولی خفن توی حوزه چشم‌پزشکی راه بندازیم.

پایتون چی کار می‌کنه؟
پایتون با داشتن کلی کتابخونه مثل OpenCV، TensorFlow، PyTorch و Scikit-learn**، یکی از محبوب‌ترین ابزارها برای بینایی ماشین و یادگیری ماشین توی پزشکیه.

**یه پروژه ساده: تشخیص رتینوپاتی دیابتی با پایتون
فرض کنید ما یه دیتاست از تصاویر شبکیه داریم و می‌خوایم با استفاده از یه مدل یادگیری ماشین، وجود یا عدم وجود رتینوپاتی دیابتی رو تشخیص بدیم.

مراحل کار:

1. بارگذاری داده‌ها:
اول باید تصاویر رو بخونیم. این کار با OpenCV یا PIL انجام میشه:

import cv2  
import matplotlib.pyplot as plt  

image = cv2.imread("retina.jpg")  
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)  
plt.imshow(image)  
plt.axis("off")  
plt.show()  

2. پیش‌پردازش:
تصاویر ممکنه نویز داشته باشن یا اندازه‌هاشون مختلف باشه. باید همه‌شون رو به یه اندازه استاندارد دربیاریم:

import cv2  

image = cv2.resize(image, (224, 224))  # اندازه استاندارد برای مدل‌های CNN

3. مدل‌سازی:
حالا وقتشه یه مدل ساده بسازیم. مثلا یه شبکه عصبی کانولوشنی:

from tensorflow.keras import Sequential  
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense  

model = Sequential()  
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(224, 224, 3)))  
model.add(MaxPooling2D(pool_size=(2, 2)))  
model.add(Flatten())  
model.add(Dense(128, activation='relu'))  
model.add(Dense(1, activation='sigmoid'))  
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])  

4. آموزش مدل:
اگه دیتاست داشته باشیم، می‌تونیم با چند خط کد مدل رو آموزش بدیم:

model.fit(x_train, y_train, epochs=10, validation_split=0.2)  

نتیجه چیه؟
با همین چند خط کد، ما می‌تونیم یه مدل هوش مصنوعی بسازیم که تصاویر شبکیه رو آنالیز کنه و احتمال وجود بیماری رو تخمین بزنه.

این تازه اول راهه!
تو پست‌های بعدی، می‌تونم درباره چطور ارزیابی کردن این مدل‌ها، ذخیره‌سازی نتایج و حتی ساخت یه اپلیکیشن ساده برای استفاده از این مدل‌ها هم صحبت کنم.

نظرتون چیه؟ آماده‌اید هوش مصنوعی رو با پایتون به خدمت چشم‌پزشکی دربیاریم؟ 😉

@python_with_mohammad

عزیزان ظرفیت این دوره کامل شد و متاسفانه امکان پذیرش سایر عزیزان در حال حاضر نیست.🙏

۵ ترفند باحال پایتون که برنامه‌نویس‌ها دوست دارن بدونن!

سلام به همه برنامه‌نویسای خوش‌ذوق!
امروز می‌خوام چند تا از اون ترفندهای خفن پایتون رو بگم که هم کدتونو شیک می‌کنه، هم ممکنه دوستاتون فکر کنن شما یه هکر حرفه‌ای هستید 😏💪

۱. چند مقدار رو با یه خط عوض کن!
تا حالا شده بخوای دو تا متغیر رو جابه‌جا کنی؟ تو زبان‌های دیگه باید کلی خط کد بنویسی، اما پایتون میگه چرا لقمه رو دور سرت بپیچونی؟

a, b = 5, 10 a, b = b, a print(a, b) # خروجی: 10 5 

پایتون: چون زندگی کوتاهه!

۲. فشرده‌نویسی با List Comprehension
فرض کن یه لیست از اعداد داری و می‌خوای فقط اعداد زوج رو استخراج کنی.
راه معمولی:

even_numbers = [] for i in range(10): if i % 2 == 0: even_numbers.append(i)

راه پایتونی:

even_numbers = [i for i in range(10) if i % 2 == 0]

هم قشنگ‌تر، هم سریع‌تر!

۳. تبدیل لیست به رشته با یه خط
می‌خوای یه لیست از کلمات رو با فاصله بهم بچسبونی؟

words = ['من', 'پایتون', 'دوست', 'دارم'] sentence = ' '.join(words) print(sentence) # خروجی: من پایتون دوست دارم

۴. Counter برای شمردن تکرارها
وقتی می‌خوای تعداد تکرار هر آیتم توی لیست رو بشمری، نیازی نیست با حلقه‌ها خودتو اذیت کنی.

from collections import Counter nums = [1, 2, 2, 3, 3, 3, 4, 4, 4, 4] counter = Counter(nums) print(counter)

خروجی:

Counter({4: 4, 3: 3, 2: 2, 1: 1})

۵. unpack کردن لیست‌ها مثل حرفه‌ای‌ها
فرض کن یه تابع داری که چند تا ورودی می‌گیره:

def greet(name, age): print(f'سلام {name}! تو {age} سالته.')

حالا اگه اطلاعاتتو تو یه تاپل یا لیست داشته باشی، اینجوری صداش می‌زنی:

info = ('محمد', 24) greet(*info)

اگه خوشتون اومده، بگید که تو قسمت بعدی بریم سراغ ترفندهای پیشرفته‌تر یا ترفندهای پنهان توی کتابخونه‌هایی مثل Pandas و NumPy! 😉

@python_with_mohammad

هوش مصنوعی در بازارهای مالی – وقتی کدها پول درمیارن! 💰🤖
سلام به همه برنامه‌نویسای عزیززز!

این روزا بازارهای مالی مثل بورس، کریپتو و فارکس پر از نوسانات عجیب‌غریبه. حالا فکر کن یه ماشین هوشمند داشته باشیم که بتونه روند بازار رو تحلیل کنه و حتی قیمت‌ها رو پیش‌بینی کنه! 😏

هوش مصنوعی چطور می‌تونه توی بازارهای مالی کمک کنه؟
هوش مصنوعی با استفاده از یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) می‌تونه:

قیمت‌ها رو پیش‌بینی کنه
الگوهای مخفی توی داده‌های بازار رو پیدا کنه
احساسات بازار رو از توی اخبار و توییت‌ها بفهمه
سبد سرمایه‌گذاری رو بهینه کنه


انواع مدل‌های هوش مصنوعی توی بازارهای مالی:

رگرسیون خطی (Linear Regression):
برای پیش‌بینی قیمت‌های آینده با استفاده از داده‌های گذشته.

شبکه‌های عصبی (Neural Networks):
برای پیدا کردن الگوهای پیچیده توی روند قیمت‌ها.

شبکه‌های حافظه کوتاه‌مدت بلندمدت (LSTM):
مدل‌هایی که مخصوص پیش‌بینی سری‌های زمانی طراحی شدن (مثل قیمت بیت‌کوین در هفته آینده).

تحلیل احساسات (Sentiment Analysis):
تشخیص احساسات مثبت یا منفی از توییت‌ها و اخبار مالی.

یه مثال ساده با پایتون:
بیایم قیمت بیت‌کوین رو با استفاده از کتابخونه Scikit-learn پیش‌بینی کنیم.

import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression

 # بارگذاری داده‌ها
 df = pd.read_csv("bitcoin_prices.csv") df['Date'] = pd.to_datetime(df['Date']) df.set_index('Date', inplace=True)

 # انتخاب ویژگی‌ها
 X = np.array(df.index.factorize()[0]).reshape(-1, 1) y = df['Close'].values 

# تقسیم داده‌ها
 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) 

# ساخت مدل
 model = LinearRegression() model.fit(X_train, y_train) 
# پیش‌بینی 
predictions = model.predict(X_test) print("پیش‌بینی قیمت‌ها: ", predictions[:5]) 

چالش‌ها:
❗ بازارهای مالی قابل پیش‌بینی نیستن
❗ اتفاقات سیاسی و اجتماعی می‌تونن همه چیزو به هم بریزن
❗ الگوریتم‌های هوش مصنوعی همیشه درست نمیگن (مثل بعضی از کارشناسای تلویزیونی!)
تو پست بعدی می‌ریم سراغ تحلیل احساسات بازار با هوش مصنوعی!
دوست دارید بدونید چطور میشه با چند خط کد فهمید مردم درباره بیت‌کوین خوشحالن یا ناراحت؟ 😏

@python_with_mohammad

تحلیل احساسات بازار – وقتی هوش مصنوعی حرف مردم رو می‌فهمه! 😏📊


سلام رفقا، بازم با کمی تاخیر و فاصله برگشتم.

بریم سراغ ادامه موضوع قبلی

تا حالا شده ببینید یه خبر توی توییتر منتشر میشه و قیمت بیت‌کوین یهویی میره بالا یا پایین؟ 🤯

اینجاست که تحلیل احساسات (Sentiment Analysis) وارد بازی میشه!

ایده اینه که هوش مصنوعی میاد همه توییت‌ها، اخبار یا حتی کامنت‌ها رو می‌خونه و می‌فهمه مردم نسبت به بازار حس خوبی دارن یا نه.

هوش مصنوعی چطوری احساسات رو تشخیص میده؟
الگوریتم‌های پردازش زبان طبیعی (NLP) میان متن‌ها رو بررسی می‌کنن و به هر متن یه امتیاز میدن:
مثبت 😊
منفی 😡
خنثی 😐

مثلاً:
"بیت‌کوین داره میترکونه!" → مثبت

"بازار افتضاحه! دیگه پامو تو کریپتو نمی‌ذارم" → منفی

ابزارهایی که به درد ما می‌خورن:
NLTK
TextBlob
VADER (برای توییت‌ها)
Hugging Face Transformers (مدل‌های پیشرفته مثل BERT)

مثال کدنویسی با TextBlob:
بیایم چند تا جمله رو بررسی کنیم:

from textblob import TextBlob
text1 = "Bitcoin is going to the moon!" 
text2 = "The market is crashing, sell everything!" 
blob1 = TextBlob(text1)
blob2 = TextBlob(text2)
print(f"جمله: {text1} → احساس: {blob1.sentiment.polarity}") print(f"جمله: {text2} → احساس: {blob2.sentiment.polarity}") 

خروجی:

Bitcoin is going to the moon! → 0.5 The market is crashing, sell everything! → -0.8

چطوری میشه اینو توی بازار مالی استفاده کرد؟
جمع‌آوری توییت‌ها با API توییتر
تحلیل احساسات هر توییت
حساب کردن میانگین احساسات
تصمیم‌گیری برای خرید یا فروش

یه نکته مهم 🚨
احساسات مردم همیشه با قیمت واقعی بازار یکی نیست!
مثلاً ممکنه همه بگن بیت‌کوین میره بالا، ولی همون موقع نهنگ‌ها (Whales) دارن می‌فروشن!


@python_with_mohammad

پروژه ساخت بات تلگرام هواشناسی با پایتون

می‌خوایم یه بات تلگرام بسازیم که کاربر بتونه بهش اسم شهر رو بده و بات اطلاعات آب‌وهوای اون شهر رو بهش برگردونه. این پروژه ترکیبی از کار با API، کتابخانه‌های پایتون و ساخت بات تلگرامه.

مرحله ۱: آماده‌سازی محیط و نصب کتابخانه‌ها
اول از همه، باید محیطمون رو آماده کنیم. برای این کار، به چند کتابخانه نیاز داریم:

کتابخانه python-telegram-bot: برای کار با تلگرام و ساخت بات.

کتابخانه requests: برای ارسال درخواست به API هواشناسی.

نصب کتابخانه‌ها:
تو ترمینال یا cmd دستورات زیر رو اجرا کن:

pip install python-telegram-bot requests