🎁 نقش های مهم در دنیای #برنامه‌نویسی در مقابل نقش ما در همان دنیا🤓

#Programming
#Python
@toobabigdatascience

🎁Deep Learning for Finance: Creating( Machine & Deep)Learning Models 🤓 for Trading in Python-O'Reilly Media (2024)
🌷 by Sofien Kaabar

انتشارات اوریلی ست.
📚کتابی در باب ساخت مدل های (ماشین+دیپ) لرنینگ برای تجارت و مالی در پایتون
کتاب بسیار آموزشی ! ست از پایین ترین سطوح جبر برای یادگیری عمیق در پایتون را( مثل فصل۴) تدریس کرده مثل یک معلم متعهد
تا مدلسازی های پیچیده در ادامه
احتمالا مناسبت برای ترم آتی برای همه گروه های مرتبط
#ML
#DL
#Python
@toobabigdatascience

🎁برگه تقلب "احتمالات" با پایتون
Probability Cheat Sheet
#Python
#Probability
#Uncertainty
@toobabigdatascience

🎁Top 5 Programming Languages for 2026
#Python
#Typescript ♨️
#js
@toobabigdatascience

🎁Data Analysis in Python:
#NumPy Cheat Sheet

#Python
@toobabigdatascience

🎁Python Programming for Engineers and Scientists
کتاب بسیار مفید با مباحث و تمرینات عالی برای طرح در کلاس
خواندن و مطالعه سه فصل آخر توصیه می شود :
Chapter 11 Data Analysis and Visualization ..............................................................353
Chapter 12 Multithreading, Networks, and Client/Server Programming ...............391
Chapter 13 Searching, Sorting, and Complexity Analysis ..

#Python
#DataAnalysis
@toobabigdatascience

👁‍🗨منم پایتون دوست دارم
ولی این دلیل نمی‌شه😳
#Python
#میم
@toobabigdatascience

📚Data Analysis with Python
#Python
@toobabigdatascience

♨️رمز‌نگاری با...#پایتون
#Cryptography
#Python
@toobabigdatascience

🎁Cheat sheet on string methods in Python
#Python
@toobabigdatascience

🎁Important Pandas Methods for Machine Learning

#Python
#ML
🐼

@toobabigdatascience

🎁 Top 9 Python Libraries for Building AI Agents

#Python
@toobabigdatascience

🔑🐼Key Pandas Functions for Data Importing, Cleaning, and Statistics. Boost your data analysis workflow with essential Python commands

#DATA
#PANDAS
#Python
@toobabigdatascience

🪶معرفی کتاب ارجمند ِ
🔰 Python Data Science Handbook 2nd Edition
بزودی...
#Python
#DataScience
@toobabigdatascience

#NumPy for Beginners
#Python
@toobabigdatascience

⚠️یک مقایسهٔ فشرده بین رایج‌ترین عملیات تحلیل داده در Python (با pandas) و R (با base R یا dplyr) را نشان می‌دهد.

🧐اگر هدفتان هوش مصنوعی، یادگیری ماشین، یادگیری عمیق و ساخت سیستم‌های عملیاتی است، امروزه پایتون انتخاب رایج‌تری است. اما اگر تمرکز اصلی روی آمار پیشرفته، آمارهای زیستی، اقتصادسنجی و تحقیقات دانشگاهی باشد، R همچنان جایگاه بسیار قدرتمندی دارد. بسیاری از تحلیلگران حرفه‌ای هر دو زبان را می‌دانند و بسته به مسئله از هر کدام استفاده می‌کنند.

ولی در نهایت یادگیری علم داده مهم‌تر از یادگیری یک زبان خاص است؛ زبان‌ها فقط ابزار هستند! و ابزار، هدف نیست

#علم_داده

#R 🆚 #Python
@toobabigdatascience

[🔴امنیت.......🔶.......اتوماسیون🔵]
🔶== پایتون
حلقه اتصال امنیت و اتوماسیون!
#Python
#Cybersecurity
#Automation
@toobabigdatascience

⬅️#کاهش_ابعاد در Numphy

مشکل اصلی کجاس؟ مشکل از اینجا ناشی می‌شود که بسیاری از افراد axis را با جهت حرکت اشتباه می‌گیرند.
در واقع در NumPy، محور (Axis) یک «جهت محاسبه» نیست؛ بلکه یک شمارهٔ بُعد (Dimension Index) است.

➡️⬆️محورها در NumPy واقعاً چه هستند؟

فرض کنید آرایه زیر را داریم:

X = np.array([
[1, 2, 3],
[4, 5, 6]
])

●شکل (Shape) آن:

X.shape

●خروجی:

(2, 3)

یعنی:

Dimension 0 = 2 rows
Dimension 1 = 3 columns

● نامپای از صفر شماره‌گذاری می‌کند :

axis=0 → بُعد اول
axis=1 → بُعد دوم

●بنابراین:

axis=1
┌───────────┐
axis=0 │ 1 2 3 │
│ 4 5 6 │
└───────────┘


↕️مفهوم واقعی axis

وقتی می‌نویسید:

np.mean(X, axis=0)

معنایش این نیست که:

«روی محور 0 حرکت کن»

●بلکه معنایش این است:
«بُعد شماره 0 را حذف کن.»
یا به زبان فنی‌تر:
● روی بعد 0 عمل Reduction انجام بده.

حالا خود ِ Reduction چیست؟
ادامه دارد
#NumPy
#python
@toobabigdatascience

🥁مقدمه‌ای سریع بر علوم‌داده با پایتون
#DataScience
#Python
@toobabigdatascience

🦚این کتاب که اثر ارزشمند دکتر دی وو (Di Wu) است صرفاً آموزش مقدماتی یا متوسطه ی پایتون نیست!؛ بلکه بر سه حوزهٔ مهم تمرکز دارد:
■برنامه‌نویسی شیءگرا،
■پردازش داده‌ها و...
■مصورسازی داده‌ها.
☘نسخهٔ نخست این کتاب در سال ۲۰۲۶ توسط انتشارات CRC Press منتشر شده و ۳۵۸ ص است.
1⃣ بخش اول کتاب :برنامه‌نویسی شیءگرا (OOP)
در این بخش با کلاس‌ها و اشیا، وراثت (Inheritance)، چندریختی (Polymorphism)، کپسوله‌سازی (Encapsulation) و انتزاع (Abstraction) آشنا می‌شوید

2⃣بخش دوم : آماده‌سازی،پردازش،تحلیل دیتا
موضوعاتی مانند آرایه‌های چندبعدی، کتابخانهٔ NumPy، ساختارهای Series و DataFrame و کتابخانهٔ Pandas آموزش داده می‌شوند.
3⃣بخش سوم:
مصور‌سازی دیتا
این بخش به آموزش Matplotlib در سطح مقدماتی و پیشرفته، کتابخانهٔ Seaborn و ابزار Plotly اختصاص دارد.
🤖

نکته جالب کتاب:
کتاب پیشنهاد می‌کند از ابزارهای هوش مصنوعی برای دریافت بازخورد، طراحی تمرین، بازبینی کد و شناسایی نقاط ضعف استفاده کنید.

#Python
#OOP
#DataVisualization
@toobabigdatascience