عدم قطعیت در دنیای قطعیت! 

کاربرد احتمال(Probability) در علم داده:

آیا فکرش رو می‌کنید با تاسی که داخل منچ باهاش بازی می‌کردید بشه صاحب شغل شد؟🧐

در دنیایی که همه چیز عوض شده و هر چیزی امکان پذیره، چرا که نه؟😁
اگر قصد دارید در این زمینه خاص، حرفه ای به نظر بیاید، یادگیری مباحث زیر رو به شما توصیه میکنیم، شاید همین چیزای کوچیک، باعث شد کار که هدف نهایی هست به شما واگذار بشه!

- متغیر های تصادفی (Random Variable)
- میانگین (Mean)
- واریانس (Variance)
- انحراف معیار (Standard Deviation)
- کوواریانس (Covariance)
- همبستگی (Correlation)
- توابع توزیع احتمال (Probability distribution functions)
- رگرسیون خطی (Linear Regression)

اگر به دنبال متخصص شدن در حوزه دیتا ساینس هستید حتما با احتمال برخواهید خورد.😊

#Learning
➖️➖️➖️➖️➖️
انجمن علمی علوم کامپیوتر | @CS_KHU

برنامه نویسی شی‌گرا(Object-Oriented Programming)
برنامه‌نویسی شی‌گرا رویکردی از برنامه‌نویسی است که ماهیت‌های موجود در دنیای واقعی و ارتباط میان آن‌ها را مدل‌سازی می‌کند. شاید بپرسید که خب این یعنی چه؟
ادامه مطلب

(Part1️⃣)
#Learning
➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️
@CS_KHU | انجمن علمی علوم کامپیوتر

شی‌گرایی در پایتون
پایتون یکی از زبان‌های شی‌گرایی است که امروزه بسیار پرکاربرد و پراستفاده است، به همین دلیل یادگیری مفهوم شی‌گرایی در آن از اهمیت بالایی برخوردار است.
ادامه مطلب
(Part2️⃣)
#Learning
➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️➖️
@CS_KHU | انجمن علمی علوم کامپیوتر

سلام به همه صفر و یکی‌های عزیز🤗

🔲 شماره یازدهم نشریه صفر و یک مدتی پیش منتشر شد و امیدواریم از خوندنش لذت برده باشید.
از شما دعوت می‌کنیم فرم زیر را که سؤالاتی درباره عملکرد نشریه یازدهم پرسیده شده پاسخ دهید و انتقادات و پیشنهادات‌تون و به اشتراک بذارید تا به ما کمک کنه، عملکرد بهتری در شماره‌های بعدی نشریه داشته باشیم.
ممنون از همراهی‌ شما❤️
لینک فرم

کتابخانه NumPy چیست؟
یک کتابخانه پایتون است که برای کار با آرایه ها استفاده می شود. همچنین دارای توابعی برای کار در حوزه جبر خطی و ماتریس ها است.
کتابخانه NumPy در سال 2005 توسط Travis Oliphant ایجاد شد. این یک پروژه متن باز است و می توانید آزادانه از آن استفاده کنید.
نامپای (NumPy) مخفف Numerical Python است.

چرا از NumPy استفاده کنیم؟
در پایتون ما لیست هایی داریم که هدف آرایه ها را انجام می دهند، اما پردازش آنها کند است.
هدف NumPy ارائه یک شی آرایه است که تا 50 برابر سریعتر از لیست های سنتی پایتون است.
شی آرایه در نامپای ndarray نامیده می شود.

کتابخانه NumPy به کدام زبان نوشته شده است؟
این کتابخانه تا حدی در پایتون نوشته شده است، اما بیشتر قسمت هایی که نیاز به محاسبه سریع دارند به زبان C یا C++ نوشته شده اند.

برخی منابع یادگیری:
Coursera
youtube

#Learning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
@CS_KHU | انجمن علمی علوم کامپیوتر

برخی از ویژگی های مهم کتابخانه NumPy:

1.آرایه‌های چند بعدی:

import numpy as np
a = np.array([1, 2, 3])
print(a)

توضیح: این کد یک آرایه سه عنصری ایجاد می‌کند و آن را چاپ می‌کند. خروجی [1 2 3] خواهد بود.

2.عملیات جبر خطی:

b = np.array([[1, 2, 3], [4, 5, 6]])
c = np.dot(a, b.transpose())
print(c)

توضیح: این کد یک عملیات ضرب داخلی بین آرایه a و ترانهاده b انجام می‌دهد. خروجی [14 32] است که نتیجه ضرب داخلی است.

3.توابع ریاضی پیشرفته:

d = np.sin(a)
print(d)

توضیح: این کد مقدار سینوس هر عنصر در آرایه a را محاسبه و چاپ می‌کند. خروجی مقادیر سینوس برای [1 2 3] است.

4.پردازش داده‌ها:

e = np.sort(b, axis=1)
print(e)

توضیح: این کد آرایه b را بر اساس ردیف‌ها مرتب می‌کند. خروجی دو ردیف مرتب شده [1 2 3] و [4 5 6] است.

5.تولید داده‌های تصادفی:

f = np.random.random((2,2))
print(f)

توضیح: این کد یک آرایه 2x2 از اعداد تصادفی بین 0 و 1 ایجاد می‌کند

دو نمونه از کاربرد های این کتابخانه:

1.این کد نحوه ایجاد یک آرایه NumPy دوبعدی و انجام یک عملیات پیچیده ریاضی مانند ضرب ماتریس و به دنبال آن یک تبدیل ساده را نشان می دهد.

import numpy as np

# Create two 2D arrays
array1 = np.array([[1, 2], [3, 4]])
array2 = np.array([[5, 6], [7, 8]])
 
# Perform matrix multiplication
result = np.dot(array1, array2)

# Apply a transformation: Transpose the result
transpose = result.T

print("Matrix Multiplication Result:\n", result)
print("Transpose of the Result:\n", transpose)

ایجاد آرایه ها: دو آرایه دو بعدی (آرایه 1 و آرایه 2) با استفاده از تابع آرایه NumPy ایجاد می شوند.
ضرب ماتریس: تابع نقطه برای انجام ضرب ماتریس بین آرایه 1 و آرایه 2 استفاده می شود.
تبدیل: از ویژگی T برای به دست آوردن جابجایی نتیجه استفاده می شود.
نتایج چاپ: نتیجه ضرب ماتریس اصلی و جابجایی آن چاپ می شود.
این مثال نشان می‌دهد که NumPy می‌تواند با آن عملیات پیچیده‌ای مانند ضرب ماتریس و تبدیل‌ها را انجام دهد و آن را به ابزاری قدرتمند برای محاسبات ریاضی در پایتون تبدیل می‌کند.

2.این کد NumPy نشان دهنده قابلیت‌های پیشرفته‌ی آن در پردازش تصاویر است. این کد یک تصویر را به صورت آرایه‌ای در NumPy بارگذاری می‌کند و سپس یک فیلتر ساده برای تبدیل تصویر به خاکستری (grayscale) اعمال می‌کند.

import numpy as np
from PIL import Image

# Load an image as a NumPy array
image = Image.open('path_to_your_image.jpg')
image_array = np.array(image)

# Convert the image to grayscale using the mean of RGB colors
gray_image = np.mean(image_array, axis=2)

# Show the grayscale image
Image.fromarray(gray_image).show()

بارگذاری تصویر: ابتدا یک تصویر با استفاده از کتابخانه
PIL (Python Imaging Library)
بارگذاری می‌شود. سپس، این تصویر به یک آرایه NumPy تبدیل می‌گردد.
تبدیل به خاکستری: با استفاده از تابع np.mean، رنگ‌های RGB هر پیکسل میانگین گرفته می‌شوند تا تصویری خاکستری ایجاد شود. این روش یک روش ساده برای ایجاد تصویر خاکستری است.
نمایش تصویر: در نهایت، تصویر خاکستری شده نمایش داده می‌شود.
برای اجرای این کد، شما به یک تصویر در مسیر داده شده و کتابخانه PIL برای پایتون نیاز دارید. این کد نمونه‌ای از توانایی‌های NumPy در پردازش تصاویر و داده‌های چندبعدی است.

#Learning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
@CS_KHU  |  انجمن علمی علوم کامپیوتر

‼️یادآوری

🛑زمان برگزاری انتخابات شورای صنفی:
فردا دوشنبه ۱۸دی ماه ۱۴۰۲

لیست کاندیدا های انتخابات شورای صنفی دانشگاه خوارزمی

برای شرکت در انتخابات شورای صنفی، در زمان مقرر وارد سامانه گلستان شوید و با کلیک روی گزینه ارزشیابی و نظرسنجی و انتخاب پاسخگویی به سوال‌های نظرسنجی به کاندید‌های مورد نظر خود رای دهید.

➖➖➖➖➖➖➖➖➖➖➖➖➖➖
@CS_KHU  |  انجمن علمی علوم کامپیوتر