Statistics & Probability.pdf
۲.۲۷ مگابایت
این جزوه مفاهیم پایهای آمار و احتمال را برای ورود به علم داده (Data Science) آموزش میدهد. مفاهیم اصلی شامل:تعریف داده و فضای نمونهرویدادها (Events)توزیعهای گسسته و پیوسته (Discrete & Continuous Distributions)احتمال شرطی (Conditional Probability)قانون بیز (Bayes' Theorem)متغیرهای تصادفی (Random Variables)هدف اصلی: تبدیل آمار و احتمال از فرمولهای خشک به یک ابزار قابلفهم برای تحلیل داده در پروژههای واقعی و Machine Learning.
این جزوه بر اساس این ویدیو گردآوری شده https://www.youtube.com/playlist?list=PLWv23ocV_hYb7d2LS4W4FrO108B7uz-M0
@python4all_pro
این جزوه بر اساس این ویدیو گردآوری شده https://www.youtube.com/playlist?list=PLWv23ocV_hYb7d2LS4W4FrO108B7uz-M0
۱.۱K
۱۴:۲۶
این دوره دقیقاً همون چیزیه که برای گذر از "فقط پایتون" به "پایتون برای ساخت عاملهای هوش مصنوعی" لازم داری — همراه با پروژههای عملی.
نه فقط سینتکس، بلکه مستقیم ادغام با LLM و Agent ها
استک با NumPy، Pandas، SQLite، REST API
کار با ابزارهای : ChatGPT، Gemini، HuggingFace
بعد دیدن این دوره می تونی یک هوش مصنوعی برای یک کار خاص بسازی
https://freecodecamp.org/news/learn-python-and-build-autonomous-agents/
@python4all_pro
بعد دیدن این دوره می تونی یک هوش مصنوعی برای یک کار خاص بسازی
https://freecodecamp.org/news/learn-python-and-build-autonomous-agents/
۱K
۱۴:۵۴
یه لیست فوقالعاده از ریپوهای GitHub که واقعاً ارزشمندن. اکثراً توسط شرکتها و دولوپرهای حرفهای ساخته شدن و کاملاً رایگان و open source هستن.
ویژگیهای کلیدی:
بیش از ۵۰ provider رایگان
فشردهسازی توکن بین ۱۵ تا ۹۵ درصد
؛fallback خودکار — اگه یه provider قطع بشه، خودش سوئیچ میکنه
github.com/diegosouzapw/OmniRoute
یه ابزار CLI که به agentهای AI اجازه میده Word، Excel و PowerPoint رو کنترل کنن. بدون نیاز به نصب Microsoft Office، بدون dependency، فقط یه باینری.
کاربرد: عالی برای اتوماسیون اسناد، گزارشگیری خودکار، و ساخت presentation با AI.
github.com/iOfficeAI/OfficeCLI
یه آرشیو کامل از system promptهای داخلی Claude، GPT، Gemini، Grok، Cursor، Copilot و ابزارهای دیگه که بهطور منظم بهروز میشه.
چرا مفیده: با مطالعه این پرامپتها میفهمی هر شرکت چطور AI خودش رو هدایت میکنه. اگه میخوای prompt حرفهای بنویسی، این یه گنج واقعیه.
github.com/asgeirtj/system-prompts-leaks
یه ویرایشگر ویدیوی کامل که بدون حساب کاربری، بدون telemetry، بدون اشتراک کار میکنه. مستقیم در مرورگر.
مناسب برای: کسانی که نمیخوان ابزارهای ویرایش ویدیوی تجاری استفاده کنن یا دنبال یه راهحل privacy-friendly هستن.
github.com/OpenCut-app/OpenCut
یه agent که بهجای تو برای شغل درخواست میفرسته. آگهیها رو تحلیل میکنه، رزومهات رو customize میکنه، cover letter مینویسه و سوالهای مصاحبه آماده میکنه.
کاربرد: صرفهجویی عظیم در زمان برای job seekerها. بهجای اینکه برای هر شغل ۴۵ دقیقه وقت بذاری، agent این کار رو میکنه.
github.com/MadsLorentzen/AI-job-search
با استفاده از Whisper (رونویسی صدا) و Ollama (پردازش محلی با LLM)، جلساتت رو رونویسی و خلاصه میکنه. کاملاً محلی اجرا میشه، یعنی اطلاعاتت به جایی نمیره.
ویژگی خاص: نوشته شده با Rust که سرعت و امنیت بالایی داره.
github.com/Zaid-maker/meetily
به جای کدنویسی استراتژیهای پیچیده ترید، کافیه به زبان طبیعی بگی چی میخوای. AI agent اون رو به استراتژی قابل اجرا تبدیل میکنه.
مناسب برای: تریدرهایی که میخوان بدون کدنویسی استراتژی تست کنن.
github.com/HKUDS/Vibe-Trading
کاربرد: تیمهای توسعه و امنیت که میخوان security audit خودکار داشته باشن.
github.com/usestrix/strix
یه محیط کاری AI که روی سرور خودت اجرا میشه. با بیش از ۲۵۰ هزار ستاره در GitHub، یکی از محبوبترین پروژههای این لیسته.
مزیت: کنترل کامل روی دادهها و حریم خصوصی.
github.com/superpowerlabs/superpower
کاربرد: ساخت chatbot روی محتوای سایتها، data pipeline، و تحلیل محتوای وب.
github.com/mendableai/firecrawl
۱.۱K
۱۵:۰۰
بیا با هم لیست متدهای پایتون رو مرور کنیم. این یکی از پرکاربردترین ساختارهای داده در پایتونه و دونستن متدهاش حسابی سرعت کدنویسیت رو بالا میبره.
سادهترین راه تعریف لیست استفاده از براکت [] هست.
fruits = ["apple", "banana", "cherry"]
empty_list = []
append() — اضافه کردن به انتهایک آیتم به انتهای لیست اضافه میکنه.
fruits = ["apple", "banana"]
fruits.append("cherry")
print(fruits) # ['apple', 'banana', 'cherry']extend() — اضافه کردن چند آیتمچند آیتم از یک iterable رو به انتهای لیست اضافه میکنه.
fruits = ["apple", "banana"]
fruits.extend(["cherry", "date"])
print(fruits) # ['apple', 'banana', 'cherry', 'date']insert() — اضافه کردن در موقعیت خاصیک آیتم رو در اندیس مشخص قرار میده.
fruits = ["apple", "cherry"]
fruits.insert(1, "banana")
print(fruits) # ['apple', 'banana', 'cherry']remove() — حذف بر اساس مقدار
اولین occurrence از مقدار مشخص شده رو حذف میکنه.
fruits = ["apple", "banana", "cherry"]
fruits.remove("banana")
print(fruits) # ['apple', 'cherry']pop() — حذف و بازگشت آیتمآیتم در یک اندیس خاص رو حذف و برمیگردونه. اگه اندیس ندادی، آخرین آیتم رو حذف میکنه.
fruits = ["apple", "banana", "cherry"]
removed = fruits.pop(1)
print(removed) # banana
print(fruits) # ['apple', 'cherry']clear() — خالی کردن لیستتمام آیتمهای لیست رو حذف میکنه.
fruits = ["apple", "banana", "cherry"]
fruits.clear()
print(fruits) # []index() — پیدا کردن اندیس
اندیس اولین occurrence از مقدار مورد نظر رو برمیگردونه.
fruits = ["apple", "banana", "cherry"]
print(fruits.index("cherry")) # 2count() — شمارش تعداد تکرارتعداد تکرار یک مقدار در لیست رو میشماره.
nums = [1, 2, 2, 3, 2, 4]
print(nums.count(2)) # 3sort() — مرتبسازی درجا
لیست رو به ترتیب صعودی مرتب میکنه. با reverse=True نزولی میشه.
nums = [3, 1, 4, 1, 5, 9, 2]
nums.sort()
print(nums) # [1, 1, 2, 3, 4, 5, 9]
nums.sort(reverse=True)
print(nums) # [9, 5, 4, 3, 2, 1, 1]reverse() — معکوس کردنترتیب آیتمهای لیست رو برعکس میکنه.
fruits = ["apple", "banana", "cherry"]
fruits.reverse()
print(fruits) # ['cherry', 'banana', 'apple']copy() — کپی سطحی
یه کپی از لیست برمیگردونه.
original = [1, 2, 3]
new_list = original.copy()
print(new_list) # [1, 2, 3]عملگر in برای بررسی وجود:
fruits = ["apple", "banana", "cherry"]
print("banana" in fruits) # Trueعملگر + برای اتصال:
list1 = [1, 2]
list2 = [3, 4]
print(list1 + list2) # [1, 2, 3, 4]عملگر برای تکرار:```
print([0] 4) # [0, 0, 0, 0]```List Comprehension — روش پایتونی:
squares = [x**2 for x in range(5)]
print(squares) # [0, 1, 4, 9, 16]len() برای گرفتن طول:
print(len([1, 2, 3])) # 3
min() و max():
nums = [3, 1, 4, 1, 5, 9, 2]
print(min(nums)) # 1
print(max(nums)) # 9۱.۲K
۱۲:۲۸
اینجا تمام کد ها و آموزش های لازم برای تشخیص چهره و اشیا توی عکس با پاییتون رو گذاشه و توی 3 ساعت کلش رو می تونید یاد بگیرید، کلی چیز آماده هم داره که در طول مسیر یادگیری به دردتون میخوره:
github.com/murtazahassan/Learn-OpenCV-in-3-hours
@python4all_pro
github.com/murtazahassan/Learn-OpenCV-in-3-hours
۱K
۱۲:۳۲
فریمورک Pytest چیه 
یه ابزار تست برای پایتونه که کدها رو خیلی ساده و خوانا میکنه. معمولاً هر وقت یه برنامهنویس پایتون میخواد مطمئن بشه کدش درست کار میکنه، ازش استفاده میکنه.
چرا محبوبه؟
سینتکس خیلی ساده و تمیزپیام خطای واضح نشون میدهپلاگینهای فراوون دارههم برای پروژههای کوچیک و هم بزرگ مناسبه
یه مثال ساده:
سایت رسمی: https://docs.pytest.org
گیتهاب: https://github.com/pytest-dev/pytest
PyPI: https://pypi.org/project/pytest/
@python4all_pro
یه ابزار تست برای پایتونه که کدها رو خیلی ساده و خوانا میکنه. معمولاً هر وقت یه برنامهنویس پایتون میخواد مطمئن بشه کدش درست کار میکنه، ازش استفاده میکنه.
سینتکس خیلی ساده و تمیزپیام خطای واضح نشون میدهپلاگینهای فراوون دارههم برای پروژههای کوچیک و هم بزرگ مناسبه
# math_tools.py
def add(a, b):
return a + b# test_math_tools.py
from math_tools import add
def test_add():
assert add(2, 3) == 5
assert add(-1, 1) == 0بعد فقط میزنی:pytestو خودش همهی تستها رو اجرا میکنه و میگه کدوم رد شد، کدوم شکست خورد.۸۳۲
۱۷:۵۰
بیشتر از ۵۰ درصد فایلهای PDF که وارد پایپلاینهای RAG یا پردازش داده میشن، کاملاً متنی هستن و اصلاً نیازی به مدلهای گرانقیمت Vision یا سرویسهای سنگین OCR ندارند. اما خیلی از سیستمها بدون تفکیک، همه فایلها رو سمت مدلهای بصری یا سرویسهای ابری میفرستن که هم هزینه رو بالا میبره و هم چند ثانیه تاخیر به فرایند اضافه میکنه.
تیم Firecrawl برای حل این چالش کتابخانه متنباز pdf-inspector رو با Rust توسعه داده که با سرعت فوقالعاده بالا فایلهای PDF رو کلاسیفای و استخراج میکنه:
• تشخیص هوشمند نوع سند (۱۰ تا ۵۰ میلیثانیه):* فایل رو بررسی میکنه تا ببینه متنی (TextBased)، اسکنشده (Scanned) یا ترکیبی (Mixed) هست. با این کار فقط صفحاتی که واقعاً عکس هستن رو سمت OCR میفرستید.• تبدیل به مارکداون تمیز (زیر ۲۰۰ میلیثانیه): اسناد متنی رو بهصورت محلی به Markdown تبدیل میکنه؛ همراه با حفظ ساختار چندستونی، جدولها، تیترها و فونتها.• سرعت بینظیر: در بنچمارک روی ۲۰۰ سند، کل مجموعه رو ظرف ۰.۴۷ ثانیه پردازش کرده (در مقایسه با ۱۶ تا ۱۷ ثانیه برای PyMuPDF4LLM و MarkItDown).• بدون مدل ML و سبک: کاملاً با Rust نوشته شده و هیچ مدل سنگینی نداره. بایندرهای آماده برای Python، Node.js، WebAssembly و CLI هم داره.
نمونه استفاده در پایتون:
لینک ریپوزیتوری گیتهاب:https://github.com/firecrawl/pdf-inspector
@Python4all_pro *
تیم Firecrawl برای حل این چالش کتابخانه متنباز pdf-inspector رو با Rust توسعه داده که با سرعت فوقالعاده بالا فایلهای PDF رو کلاسیفای و استخراج میکنه:
• تشخیص هوشمند نوع سند (۱۰ تا ۵۰ میلیثانیه):* فایل رو بررسی میکنه تا ببینه متنی (TextBased)، اسکنشده (Scanned) یا ترکیبی (Mixed) هست. با این کار فقط صفحاتی که واقعاً عکس هستن رو سمت OCR میفرستید.• تبدیل به مارکداون تمیز (زیر ۲۰۰ میلیثانیه): اسناد متنی رو بهصورت محلی به Markdown تبدیل میکنه؛ همراه با حفظ ساختار چندستونی، جدولها، تیترها و فونتها.• سرعت بینظیر: در بنچمارک روی ۲۰۰ سند، کل مجموعه رو ظرف ۰.۴۷ ثانیه پردازش کرده (در مقایسه با ۱۶ تا ۱۷ ثانیه برای PyMuPDF4LLM و MarkItDown).• بدون مدل ML و سبک: کاملاً با Rust نوشته شده و هیچ مدل سنگینی نداره. بایندرهای آماده برای Python، Node.js، WebAssembly و CLI هم داره.
نمونه استفاده در پایتون:
import pdf_inspector
result = pdf_inspector.process_pdf("document.pdf")
# تشخیص نوع سند
print(result.pdf_type) # "text_based", "scanned", "mixed"
# خروجی مارکداون
print(result.markdown)لینک ریپوزیتوری گیتهاب:https://github.com/firecrawl/pdf-inspector
۷۷۷
۱۲:۳۹
معرفی کتابخانه پایتونی xy (توسعهیافته توسط تیم Reflex)؛ یک جایگزین متنباز و فوقسریع برای Matplotlib، Plotly و Bokeh که با زبان Rust نوشته شده و در رندر ۱۰ میلیون نقطه داده، عملکردی بینظیر از خود نشان میدهد.
عملکرد محاسباتی (بنچمارک رسمی ۱۰ میلیون نقطه):
XY
۰.۰۲۳ ثانیه
Matplotlib
۲.۷۸ ثانیه
Plotly
۹.۵۸ ثانیه
به این ترتیب، xy در مقایسه با Plotly تا ۴۱۳ برابر و در مقایسه با Matplotlib تا ۱۲۰ برابر سریعتر عمل میکند.
این کتابخانه علاوه بر امکان مصورسازی بلادرنگ در Jupyter Notebook و وباپلیکیشنها، از خروجی در قالبهای PNG، HTML و PDF نیز پشتیبانی میکند.
نصب و راهاندازی
pip install xy
مستندات: reflex.dev/docs/xy/
گیتهاب: github.com/reflex-dev/xy
@python4all_pro
عملکرد محاسباتی (بنچمارک رسمی ۱۰ میلیون نقطه):
به این ترتیب، xy در مقایسه با Plotly تا ۴۱۳ برابر و در مقایسه با Matplotlib تا ۱۲۰ برابر سریعتر عمل میکند.
این کتابخانه علاوه بر امکان مصورسازی بلادرنگ در Jupyter Notebook و وباپلیکیشنها، از خروجی در قالبهای PNG، HTML و PDF نیز پشتیبانی میکند.
نصب و راهاندازی
pip install xy
۷۰۱
۱۲:۴۲
Python Interview Handbook.pdf
۲۷۷.۰۳ کیلوبایت
نویسنده: Balawant Kadam
مبانی پایتون (۴۰ سوال)
برنامهنویسی شیءگرا (۲۵ سوال)
پایتون پیشرفته (۲۵ سوال)
ساختمان داده و الگوریتمها (۲۰ سوال)
NumPy و Pandas (۳۰ سوال)
یادگیری ماشین با پایتون (۲۵ سوال)
یادگیری عمیق (۲۰ سوال)
هوش مصنوعی مولد و مدلهای زبانی بزرگ (۴۰ سوال)
سوالات کدنویسی مصاحبه
مرور سریع و چیتشیتها
.
این هندبوک با تمرکز ویژه برای متخصصین هوش مصنوعی طراحی شده و تمام مفاهیم رو هم از نظر تئوری و هم از نظر پیادهسازی پوشش میده. تعداد کل سوالات به ۲۲۵ سوال میرسه که هر کدوم با توضیح و نکته کلیدی همراه هستن.
۷۸۰
۱۸:۵۲
۵۸۲
۱۵:۱۸