🔴 کلی کانال کسب و کار ریختم اینجا براتون 👇🏽

🔹 /channel/addlist/PA8O1moOGl40MjRk
.

Читать полностью…

👑🌍 بزرگ‌ترین بازارهای سهام جهان کدام‌اند؟

📊 نگاهی به ارزش بازار بورس کشورهای جهان در اوایل سال ۲۰۲۶ نشان می‌دهد که آمریکا با ارزش خیره‌کننده ۶۹.۸ تریلیون دلار در صدر قرار دارد؛ رقمی حدود ۶ برابر بازار سهام چین! 🇺🇸💰

🔹 🇺🇸 آمریکا؛ ۶۹.۸ تریلیون دلار
🔹 🇨🇳 چین؛ ۱۱ تریلیون دلار
🔹 🇯🇵 ژاپن؛ ۶.۷ تریلیون دلار
🔹 🇬🇧 بریتانیا و 🇮🇳 هند؛ هرکدام ۴.۴ تریلیون دلار

📈 این آمار نشان می‌دهد که قدرت و عمق بازارهای مالی در کشورهای مختلف تا چه اندازه متفاوت است. اما به نظر شما، در سال‌های آینده کدام کشور می‌تواند جایگاه قدرتمندتری در بازارهای سهام جهان به دست آورد؟ 👇

📌 منبع: فدراسیون جهانی بورس‌ها (WFE) | اوایل ۲۰۲۶

💜 برای دنبال کردن مطالب آماری، اقتصادی و داده‌های جذاب، همراه ما باشید:

#آمار #بورس #بازار_سهام #اقتصاد_جهان #سرمایه_گذاری #بازارهای_مالی #داده_کاوی #آمارکده

┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

Читать полностью…

📊 قانون زیف؛ نظمی پنهان در دل کلمات
تا حالا به این فکر کردید که چرا در یک متن، بعضی کلمات مدام تکرار می‌شوند، اما تعداد زیادی از کلمات را شاید فقط یک یا دو بار ببینیم؟
مثلاً در یک کتاب، کلماتی مثل «و»، «از»، «به» و «که» بارها تکرار می‌شوند؛ درحالی‌که کلمات تخصصی یا کم‌کاربرد ممکن است فقط یک بار در کل کتاب آمده باشند.
این موضوع در نگاه اول کاملاً طبیعی به نظر می‌رسد. بالاخره بعضی کلمات کاربرد بیشتری دارند. اما نکته‌ی جالب اینجاست که وقتی کلمات را بر اساس تعداد تکرارشان مرتب می‌کنیم، به الگویی می‌رسیم که می‌توان آن را با یک رابطه‌ی ریاضی ساده توصیف کرد.
این الگو به نام قانون زیف (Zipf's Law) شناخته می‌شود.
━━━━━━━━━━━━━━
🔹 قانون زیف دقیقاً چه می‌گوید؟
جرج کینگزلی زیف، زبان‌شناس آمریکایی، توزیع فراوانی کلمات را بررسی کرد و متوجه شد که در بسیاری از متن‌های طبیعی، فراوانی کلمات تقریباً از یک رابطه‌ی معکوس با رتبه‌ی آن‌ها پیروی می‌کند.
فرض کنید تمام کلمات یک کتاب را بر اساس تعداد دفعات تکرارشان مرتب کرده‌ایم:
رتبه‌ی ۱: پرتکرارترین کلمه
رتبه‌ی ۲: دومین کلمه‌ی پرتکرار
رتبه‌ی ۳: سومین کلمه‌ی پرتکرار
و به همین ترتیب...
قانون زیف می‌گوید فراوانی یک کلمه تقریباً با رتبه‌ی آن رابطه‌ی معکوس دارد.
به زبان ریاضی:
f(r) ∝ 1 / r^α
در این رابطه:
‏🔸 r: رتبه‌ی کلمه بر اساس فراوانی
‏🔸 f(r): فراوانی کلمه‌ای که در رتبه‌ی r قرار دارد
‏🔸 α: پارامتری که در بسیاری از متن‌ها مقداری نزدیک به ۱ دارد.
اگر α = 1 باشد، رابطه به شکل ساده‌ی زیر درمی‌آید:
f(r) = C / r
که در آن C یک ثابت وابسته به متن و شیوه‌ی شمارش کلمات است.
یعنی اگر پرتکرارترین کلمه ۱۰۰۰ بار تکرار شده باشد، طبق این تقریب انتظار داریم:
رتبه‌ی کلمه فراوانی تقریبی‏
۱ ۱۰۰۰‏
‏۲ ۵۰۰
‏۳ ۳۳۳
‏۴ ۲۵۰
‏۵ ۲۰۰
‏۱۰ ۱۰۰
‏۱۰۰ ۱۰
این اعداد یک مثال فرضی‌اند، نه داده‌های واقعی یک کتاب.
نکته این است که با دو برابر شدن رتبه، فراوانی تقریباً به نصف می‌رسد؛ با سه برابر شدن رتبه، به حدود یک‌سوم و به همین ترتیب.
البته این رابطه تقریبی است و قرار نیست فراوانی تک‌تک کلمات دقیقاً با آن منطبق باشد.
━━━━━━━━━━━━━━
🔹 یک مثال ساده‌تر برای درک شهودی
فرض کنید یک مجموعه‌ی بزرگ از متن‌های فارسی را جمع‌آوری کرده‌ایم و می‌خواهیم بفهمیم کدام کلمات بیشتر از بقیه استفاده شده‌اند.
بعد از شمارش، کلمات را مرتب می‌کنیم و به آن‌ها رتبه می‌دهیم.
فرض کنید کلمه‌ای که رتبه‌ی اول را دارد، ۱۰ درصد از کل موارد شمارش‌شده را تشکیل می‌دهد.
اگر قانون زیف با α = 1 تقریب مناسبی باشد، انتظار داریم سهم کلمه‌ی رتبه‌ی دوم حدود ۵ درصد و سهم کلمه‌ی رتبه‌ی سوم حدود ۳٫۳ درصد باشد.
اما اینجا یک نکته وجود دارد: قانون زیف درباره‌ی رابطه‌ی رتبه و فراوانی است، نه اینکه همیشه سهم کلمه‌ی اول دقیقاً ۱۰ درصد باشد.
مقدار واقعی به زبان، نوع متن، حجم داده‌ها و روش شمارش بستگی دارد.
برای مثال، اگر در یک مجموعه‌ی متنی فقط کتاب‌های تخصصی پزشکی را بررسی کنیم، احتمالاً توزیع کلمات با مجموعه‌ای از گفت‌وگوهای روزمره متفاوت خواهد بود؛ حتی اگر هر دو تقریباً از الگویی شبیه قانون زیف پیروی کنند.
━━━━━━━━━━━━━━
🔹 چطور این رابطه را از نظر ریاضی بررسی می‌کنیم؟
اینجا بخش جالب ماجرا برای علاقه‌مندان به آمار شروع می‌شود.
رابطه‌ی قانون زیف را می‌توانیم به شکل زیر بنویسیم:
f(r) = C / r^α
از دو طرف لگاریتم می‌گیریم:
log f(r) = log C − α log r
حالا اگر log(r) را روی محور افقی و log(f(r)) را روی محور عمودی رسم کنیم، رابطه‌ی بالا شکل یک خط راست را پیدا می‌کند:
y = a + bx
که در آن:
‌‎y = log f(r)
x = log r
a = log C
b = −α
پس اگر قانون زیف تقریب مناسبی برای داده‌های ما باشد، نمودار لگاریتم فراوانی برحسب لگاریتم رتبه، در بخش قابل‌توجهی از داده‌ها تقریباً خطی خواهد بود و شیب خط به −α نزدیک می‌شود.
اگر شیب نزدیک به −1 باشد، با شکل کلاسیک قانون زیف سازگار است.
این روش یکی از راه‌های بررسی الگوست؛ اما صرفاً دیدن یک خط تقریباً مستقیم روی نمودار لگاریتمی، به‌تنهایی اثبات نمی‌کند که داده‌ها دقیقاً از قانون زیف پیروی می‌کنند. برای نتیجه‌گیری دقیق‌تر باید مدل‌های جایگزین و کیفیت برازش را هم بررسی کرد.

┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

Читать полностью…

📊 سیگما-میدان و فضای احتمال دقیقا چه چیزی رو نشون می‌دن؟

#احتمال
#نظریه_اندازه
#ریاضی

Читать полностью…

🗂 با این لیست مرتب و دسته بندی شده فقط یک ثانیه تا محتوا، آموزش و ابزاری که نیاز داری فاصله داری 👌🏼😍

❌ تا حذف نشده استفاده کنید! ✅

/channel/addlist/K3AvMXwNDVdmYzQ8

Читать полностью…

📚 معرفی کتاب Think Stats | آمار با پایتون

اگه دانشجوی آمار هستی و دوست داری مفاهیم آماری رو با استفاده از پایتون یاد بگیری کتاب Think Stats می‌تونه منبع مفیدی برات باشه

📖 نویسنده: Allen B. Downey
💻 موضوع: آمار، تحلیل اکتشافی داده‌ها و برنامه‌نویسی پایتون
📌 ویرایش: سوم

🔗 مطالعه کتاب و دسترسی به تمرین‌ها:
https://allendowney.github.io/ThinkStats/

📂 کدها و فایل‌های تمرینی کتاب:
https://github.com/AllenDowney/ThinkStats
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

Читать полностью…

#ریاضی_عمومی
#عدد_نپر
#توابع_هذلولی

┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

Читать полностью…

چیزی که در اینترنت عادی پیدا نمیکنی دقیقا اینجاست!☝️☝️☝️

Читать полностью…

اینم یه مثال برای شفاف سازی محتوایی که گفته شد که اصلا چه کاربردی داره👀

فرض کن توی یه شرکت بزرگ به اسم «فروشگاه زنجیره‌ای الف» کار می‌کنی. نقش تو کارشناس تحلیل داده در واحد فروشه و قراره گزارش فروش ماهانه رو برای مدیرعامل آماده کنی.

توی این شرکت یه تیم سه‌نفره دیتا دارن:

علی مهندس داده‌ست و مسئول جمع‌آوری داده‌های خام از دیتابیس‌ها و تمیزکاری اولیه.
مریم تحلیلگر ارشد و مسئول ساخت مدل معنایی و تعریف شاخص‌های کلیدی.
تو هم کارشناس اکسل هستی که قراره از این مدل توی اکسل استفاده کنی و گزارش نهایی رو بسازی.


مرحله اول: ساخت Semantic Model (توسط مریم)

مریم میاد توی Power BI Desktop و داده‌های خام رو از دیتابیس SQL شرکت می‌کشه بیرون. داده‌ها شامل سه تا جدول به هم ریخته‌ست: یکی جدول فروش که توش شماره سفارش، شماره مشتری، شماره محصول، تعداد، قیمت و تاریخ هست. یکی جدول مشتریان که اسم و شهر مشتری‌ها توشه. و یکی جدول محصولات که اسم و دسته‌بندی محصولات توشه.

مریم این سه تا جدول رو توی Power BI ایمپورت می‌کنه. حالا اینجا Semantic Model شکل می‌گیره. مریم بین شماره مشتری جدول فروش و جدول مشتریان رابطه برقرار می‌کنه. همین کار رو برای شماره محصول و جدول محصولات هم انجام می‌ده. بعد اسم ستون‌ها رو از چیزهای عجیب‌وغریب به اسم‌های تجاری تغییر می‌ده. مثلاً به جای «qty» می‌ذاره «تعداد فروش» و به جای «prc» می‌ذاره «قیمت واحد».

بعد یه معیار (Measure) به اسم «فروش کل» می‌سازه که تعداد فروش رو در قیمت واحد ضرب می‌کنه و جمعشون رو حساب می‌کنه. یه سلسله مراتب هم به اسم «مکان» می‌سازه که شامل کشور، استان و شهر می‌شه.

حالا مریم یه «فرهنگ لغت» کامل ساخته. هر کسی توی شرکت که به این مدل دسترسی داشته باشه، می‌تونه با کشیدن «فروش کل» و «شهر» توی یه نمودار، سریع جواب بگیره، بدون اینکه نیاز باشه فرمول بنویسه یا بدونه جدول فروش اصلاً چیه.


مرحله دوم: اعمال Endorsement Labels (توسط مریم و مدیر)

مریم می‌دونه این مدلش خیلی خوب و دقیقه. میاد و بهش برچسب Promoted می‌ده. یعنی «من مریم، به عنوان سازنده، تأیید می‌کنم این مدل خوب و کاربردی‌ست، بیاید استفاده کنید.»

بعد از یه هفته، مدیر دیتای شرکت که دسترسی Certified کردن رو داره، مدل مریم رو بررسی می‌کنه. می‌بینه واقعاً بی‌نقصه. پس بهش برچسب Certified می‌ده. یعنی «این مدل از نظر سازمانی تأیید شده. این منبع رسمی و معتبر فروشه. هر کی از این استفاده نکنه، مسئول اعداد اشتباهش خودشه!»

حالا تو که توی اکسل دنبال داده می‌گردی، وقتی Power BI رو باز می‌کنی، کنار اسم مدل مریم، یه تیک آبی (Certified) می‌بینی. خیالت راحت می‌شه که این داده‌ها معتبرن.


مرحله سوم: اعمال Sensitivity Labels (توسط واحد امنیت اطلاعات)

واحد امنیت شرکت میاد و روی این مدل، یه برچسب حساسیت می‌ذاره: Highly Confidential. یعنی «این داده‌ها خیلی محرمانه‌ست. فقط مدیرعامل و معاون فروش حق دیدنش رو دارن. اگه کسی این گزارش رو اکسپورت کنه، فایل خروجی هم خودکار رمزنگاری میشه و هر کسی نمی‌تونه بازش کنه.»

حالا اگه تو توی اکسل، از این مدل یه پیوت‌تیبل بسازی و فایل رو با ایمیل برای یکی بیرون از شرکت بفرستی، اون فایل رمزنگاری شده و گیرنده نمی‌تونه ببینتش. سیستم خودش جلوی لو رفتن داده رو می‌گیره.



مرحله چهارم: دسترسی از توی Excel (نقش تو)

حالا نوبت توئه. توی اکسل، از تب Data میری سراغ Get Data و بعد From Power BI. یه پنل باز می‌شه و لیست مدل‌های Power BI که بهشون دسترسی داری رو می‌بینی. دو تا مدل اونجا هست: یکی «فروش فروشگاه الف» که برچسب Certified و Highly Confidential داره، و یکی «داده‌های خام تستی» که هیچ برچسبی نداره.

تو مدل «فروش فروشگاه الف» رو انتخاب می‌کنی. اکسل خودکار این دو تا برچسب رو از Power BI ارث‌بری می‌کنه. توی نوار بالای اکسل یه نشان می‌بینی که این داده معتبره. توی نوار پایین اکسل هم یه قفل می‌بینی که این فایل حساسه. اگه بخوای سیو کنی یا بفرستی، خودکار رمزنگاری میشه.

نتیجه نهایی اینه که تو توی اکسل، با خیال راحت، از یه داده‌ی معتبر (Certified) و امن (Highly Confidential) استفاده می‌کنی، بدون اینکه نیاز باشه خودت فرمول بنویسی یا نگران لو رفتن داده باشی.

خلاصه‌ی نقش هر اصطلاح توی این سناریو:

Semantic Model
مثل دستور پخت و فرهنگ لغت مریمه که به داده‌های خام معنی می‌ده.
Promoted
مهر تأیید خودِ مریمه که می‌گه «این مدل خوبه، استفاده کنید».
Certified
مهر تأیید رسمی شرکته که می‌گه «این مدل حرف آخره، معتبره».
Sensitivity Label
هم نگهبان امنیتیه که می‌گه «این داده محرمانه‌ست، مراقب باش». و در نهایت، ارث‌بری در اکسل یعنی وقتی تو مدل رو توی اکسل باز می‌کنی، همه‌ی این مهرها و قفل‌ها خودکار میان روی فایل تو.

┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

Читать полностью…

روزتون مبارک فرشته های آسمونی....🖤

و دختران میناب🖤

Читать полностью…

🎓 انجمن علمی آمار با همکاری آموزشگاه کسری برگزار می‌کند:


💻 دوره آنلاین مهارت‌های هفت‌گانه ICDL
با ۵۰٪ تخفیف ویژه دانشجویان دانشگاه کردستان ❤️

✅ آموزش کامل هر ۷ مهارت کاربردی کامپیوتر
✅ تدریس توسط اساتید مجرب
✅ برگزاری آنلاین، بدون محدودیت مکانی
✅طول دوره 25 جلسه 1.5 ساعتی هر هفته سه جلسه
✅ مدرک معتبر فنی‌وحرفه‌ای، قابل
ترجمه + گواهی شرکت در دروه از طرف انجمن علمی آمار

🚀 یه قدم به رزومه قوی‌تر و فرصت‌های شغلی بهتر نزدیک‌تر شو!
این فرصت رو از دست نده! 🔥

🔴 ثبت‌نام و دریافت اطلاعات دوره:
👇 همین الان روی لینک زیر بزن:
🔗 https://rcrm.ir/7YIse9hcfd84 

📅 شروع کلاس‌ها: از ۲۲ مهر ۱۴۰۵

📌 برگزارکننده: مجتمع فنی آموزشی کسری با همکاری انجمن علمی آمار دانشگاه کردستان

در صورت بروز هرگونه مشکل میتوانید با ای دی زیر در ارتباط باشید:
@Dr_hamidalipanah

#دانشگاه_کردستان #ICDL #آموزش_آنلاین #تخفیف_دانشجویی #مجتمع_فنی_کسری #مهارت_آموزی

Читать полностью…

📊 Friday Code #3|

✍️از عدد تا تصمیم

یک دیتاست به دستت می‌رسد.
هزاران ردیف، ده‌ها ستون و کلی عدد.
اولین وسوسه این است که سریع mean() بزنیم، چند نمودار بکشیم و نتیجه بگیریم.
اما تحلیل داده از کد زدن شروع نمی‌شود؛
از سؤال درست شروع می‌شود.
فرض کنید می‌خواهیم بدانیم عملکرد دانشجوها چگونه است.
با Python می‌توانیم در چند خط، یک نگاه اولیه به داده داشته باشیم:

import pandas as pd

df = pd.read_csv("students.csv")

print(df.shape)
print(df.dtypes)
print(df.isna().sum())
print(df.describe())

این چند خط فقط چند دستور ساده نیستند.
هرکدام یک سؤال پشت خود دارند:
shape → اصلاً با چه حجمی از داده روبه‌رو هستیم؟
dtypes → داده‌ها با چه نوعی ذخیره شده‌اند؟
isna() → چیزی را از دست داده‌ایم؟
describe() → وضعیت اولیه متغیرهای عددی چگونه است؟
اینجا یک نکته مهم وجود دارد:
Python می‌تواند داده را پردازش کند؛
اما این ما هستیم که باید بفهمیم چه چیزی را باید بررسی کنیم.
به همین دلیل، برای یک دانشجوی آمار، برنامه‌نویسی فقط یاد گرفتن syntax و نوشتن کد نیست.
برنامه‌نویسی یعنی بتوانیم سؤال آماری خودمان را به یک فرآیند قابل اجرا قابل تکرار و قابل بررسی تبدیل کنیم.
و شاید جذاب‌ترین بخش ماجرا همین باشد:

داده به ما عدد می‌دهد؛
آمار به عدد معنا می‌دهد؛
برنامه‌نویسی کمک می‌کند این مسیر را در مقیاس واقعی انجام دهیم.

┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

Читать полностью…

داده زیاد تضمین نتیجه درست نیست!
مهم نیست چند نفر جواب داده‌اند
مهم این است که چه کسانی جواب داده‌اند
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

Читать полностью…

♨️ هدیه ما به شما مجموعه ای از بهترین کانالهای تخصصی

/channel/addlist/QJjykYw3ioAyNDg0

👌🏻سریعتر عضو شوید لینک ها تا ساعاتی دیگر برداشته میشود

Читать полностью…

خب دوستان برای اعلام نتایج نهایی کنکور ارشد ۴۰۵ هم یه آپدیت و یسری اخبار بدم خدمتتون

امروز بورسیه سامان که آخرین رشته ی مصاحبه ای هست برای واجدین شرایط پیامک زده و تایم مصاحبه رو شنبه و یکشنبه هفته بعد اعلام کرده
از طرفی معاون سازمان سنجش بعد اعلام نتایج کارشناسی گفت که نتایج ارشد رو آخر مهر اعلام میکنیم و منتظر نتایج مصاحبه هستیم
و از طرفی مهم تر با آموزش دانشگاهمون که دیروز صحبت میکردم گفت از طرف سنجش براشون اطلاعیه اومده که ثبت نام ارشد دانشگاه ها از ۱ ابان شروع میشه

اگه این پازل ها رو کنار هم قرار بدیم یک سناریوی محتمل این هست که تو تاریخ های ۲۲ یا ۲۳ مهرماه باید منتظر اعلام نتایج مصاحبه ها باشیم چون همیشه قبل از نتایج اصلی میاد و تو تاریخ های ۲۵ یا ۲۶ مهر ماه هم منتظر نتایج اصلی

باز هم این اخباری هست که تو این چند روز به دستم رسید و گفتم باهاتون به اشتراک بذارم
طبیعتا امکان تغییر تاریخ ها وجود داره
ولی امیدوارم که این انتظار تموم بشه و زودتر تکلیف امسال مشخص بشه

┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

Читать полностью…

📲اشتراک های هوش مصنوعی رو با بهترین قیمت تهیه کن!! @GptPluserBot

▪️▪️▪️▪️▪️▪️▪️▪️▪️

🟡 @Armisstab
.

Читать полностью…

🔹 آیا قانون زیف فقط درباره‌ی زبان است؟
خیر. این قانون بیشتر به خاطر کاربردش در تحلیل فراوانی کلمات شناخته شده، اما الگوهای مشابهی در حوزه‌های دیگر هم بررسی شده‌اند.
📚 ۱. زبان و تحلیل متن
در پردازش زبان طبیعی، فراوانی کلمات اهمیت زیادی دارد. شناخت این توزیع می‌تواند به تحلیل متن، بررسی واژگان و طراحی روش‌های بازیابی اطلاعات کمک کند.
🔎 ۲. موتورهای جست‌وجو و اطلاعات
در مجموعه‌های بزرگ اسناد، همه‌ی واژه‌ها به یک اندازه رایج نیستند. تعداد کمی از واژه‌ها در اسناد زیادی ظاهر می‌شوند و بسیاری از واژه‌ها بسیار کم‌تکرارند. این مسئله در طراحی و ارزیابی روش‌های جست‌وجو اهمیت دارد.
🌐 ۳. وب و شبکه‌ها
در بعضی مجموعه‌های داده‌ی مربوط به وب، محبوبیت صفحات یا میزان استفاده از منابع مختلف توزیع بسیار نامتوازنی دارد. گاهی الگوهایی شبیه قانون زیف دیده می‌شود، هرچند باید هر مورد را جداگانه بررسی کرد.
📈 ۴. اندازه‌ی شهرها و توزیع‌های دیگر
در برخی مطالعات، رابطه‌ی رتبه و اندازه‌ی شهرها نیز با الگوهای شبیه قانون زیف مقایسه شده است. بااین‌حال، همه‌ی کشورها و همه‌ی دوره‌های زمانی دقیقاً از یک رابطه پیروی نمی‌کنند.
━━━━━━━━━━━━━━
🔹 چرا اصلاً چنین الگویی به وجود می‌آید؟
این قسمت از همه جذاب‌تر است؛ چون پیدا کردن یک الگوی ریاضی با توضیح علت آن یکسان نیست.
زیف در کتاب Human Behavior and the Principle of Least Effort که در سال ۱۹۴۹ منتشر شد، تلاش کرد الگوهای فراوانی زبان را با ایده‌ی «اصل کمترین تلاش» توضیح دهد؛ یعنی اینکه افراد در ارتباط برقرار کردن و استفاده از زبان، با محدودیت‌های مختلفی روبه‌رو هستند و به دنبال راه‌هایی برای برقراری ارتباط مؤثر می‌گردند.
اما این تنها توضیح مطرح‌شده نیست.
پژوهشگران بعدها مدل‌های مختلفی برای توضیح توزیع فراوانی کلمات پیشنهاد کردند. مسئله این است که زبان پدیده‌ای پیچیده است و ممکن است چندین سازوکار مختلف در شکل‌گیری این توزیع نقش داشته باشند.
در واقع، هنوز یک توضیح واحد وجود ندارد که بتواند تمام ویژگی‌های توزیع فراوانی کلمات در زبان طبیعی را به‌طور کامل توضیح دهد.
بنابراین بهتر است قانون زیف را یک الگوی تجربی مهم بدانیم، نه یک قانون قطعی که علت تمام پدیده‌های مشابه را مشخص کرده باشد.
━━━━━━━━━━━━━━
💡 چرا این موضوع از دیدگاه آماری اهمیت دارد؟
قانون زیف نمونه‌ی خوبی است از اینکه چطور می‌توانیم از دل داده‌های ظاهراً نامنظم، یک الگوی ریاضی پیدا کنیم.
در عین حال، این قانون یک یادآوری مهم هم برای تحلیل داده‌هاست:
دیدن یک رابطه‌ی ساده در داده‌ها به این معنی نیست که تمام رفتار داده‌ها را توضیح داده‌ایم.
باید بپرسیم این الگو در چه محدوده‌ای برقرار است، چقدر دقیق است، آیا مدل‌های دیگری هم می‌توانند داده‌ها را توضیح دهند و چه سازوکاری ممکن است پشت آن قرار داشته باشد.
شاید همین ترکیبِ پیدا کردن الگو و زیر سؤال بردن توضیح آن است که آمار را جذاب می‌کند.
📚 منابع برای مطالعه‌ی بیشتر:
۱. Zipf, G. K. (1949). Human Behavior and the Principle of Least Effort.
۲. Piantadosi, S. T. (2014). Zipf’s word frequency law in natural language: A critical review and future directions.
🔗 متن کامل مقاله‌ی مروری:
https://pmc.ncbi.nlm.nih.gov/articles/PMC4176592/

Читать полностью…

💻 Friday Code #4

وقتی می‌گوییم «برنامه‌نویسی»، معمولاً اولین چیزی که به ذهن می‌آید کد است.
اما قبل از اینکه حتی یک خط کد بنویسیم، یک اتفاق مهم‌تر باید بیفتد:
مسئله را درست بفهمیم.
مثلاً فرض کنید قرار است از بین ۱۰۰ هزار رکورد، افرادی را پیدا کنیم که:
سن‌شان بیشتر از ۲۵ سال است؛
درآمدشان از یک مقدار مشخص بیشتر است؛
و در سه ماه اخیر فعالیت داشته‌اند.
مسئله ساده به نظر می‌رسد.
اما یک برنامه‌نویس قبل از نوشتن کد باید فکر کند:
🔹 داده‌ها کجا هستند؟
🔹 ساختارشان چیست؟
🔹 شرط‌ها را با چه منطقی ترکیب کنیم؟
🔹 چطور این کار را طوری بنویسیم که برای ۱۰۰ رکورد و ۱۰ میلیون رکورد قابل استفاده باشد؟
اینجاست که چیزی به نام Computational Thinking وارد می‌شود.
یعنی قبل از اینکه بگوییم:

«چه کدی بنویسم؟»

بپرسیم:

«چطور این مسئله را به بخش‌های قابل حل تبدیل کنم؟»

این مهارت به یک زبان خاص محدود نیست.
چه با Python کار کنی، چه R، چه SQL، چه JavaScript یا هر زبان دیگری، این نوع فکر کردن همراهت می‌ماند.
و برای دانشجوی آمار، این موضوع حتی جذاب‌تر است؛ چون بسیاری از مسائل آماری در نهایت به یک مسئله محاسباتی هم تبدیل می‌شود💬 حالا شما بگویید:
وقتی با یک مسئله جدید روبه‌رو می‌شوید، معمولاً اول راه‌حل را تصور می‌کنید یا مستقیم شروع به کدنویسی می‌کنید؟
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

Читать полностью…

📊 وبینار رایگان «نقشه راه شغلی علم داده در ۱۴۰۵»

به Data Science علاقه‌مندید، اما نمی‌دانید از کجا شروع کنید، چه مهارت‌هایی یاد بگیرید و چطور وارد بازار کار شوید؟ 🎯

✅ این وبینار برای شماست!

💡 در این وبینار چه می‌آموزید؟

◀️ تفاوت علم داده با سایر مشاغل حوزه داده

◀️ بررسی بازار کار علم داده در ایران ۱۴۰۵

◀️ نقشه راه یادگیری قدم‌به‌قدم

◀️ مهارت‌های کلیدی: Python، SQL، آمار و مصورسازی

◀️ حل یک مسئله واقعی از 0 تا 100

◀️ مسیر تبدیل مدل به Data Product

◀️ راهکارهای گرفتن اولین شغل در علم داده

🗓 زمان برگزاری: شنبه ۲۵ مهر | ساعت ۱۹

🎁 شرکت #رایگان | ظرفیت محدود

👈 برای ثبت‌نام رایگان کلیک کنید👇
https://httb.ir/uYmKn

➖➖➖➖➖➖
✨ موسسه آموزشی توسعه

Читать полностью…

🌍 هر مجله‌ای که بخوای، اینجاست

🆔 @EnglishMagazines_PDF

➖➖➖➖➖➖➖➖➖

📣طراحی وب سایت از صفر + سئو
@AmoozeshWebsite

📣آموزش 0 تا 100 هک ،امنیت(رایگان)
@Black_Security

📣آموزش تکنیک های زبان انگلیسی
@PTEnglishtest1

📣انگلیسی از مبتدی تا پیشرفته
@Eng_Online

📣تافل و آیلتس
@class_englysh

📣ترجمه کتاب ومقاله های دانشجویی
@tarjjommee

📣آموزش مقاله نویسی و research
@med_article

📣آموزش 0 تا 100 هک
@Mahdiihack

📣دنیای آموزش های جذاب کامپیوتر
@VIP30T

📣آموزش Grammer آیلتس
@english_uniquee

📣گرگ والستریت کارخانه پول سازی
@wolfofws

📣پروژه یابی
@prozhebegir_ir

📣تصاویر جذاب مهندسی
@Shimi95_ir

📣مکالمات انگلیسی با ترجمه و صوتی
@ESL4You

📣گروه معماری " چهارسوق "
@CHAHAR_SOOGH_archi_gp

📣زبان انگلیسی با سریال اکسترا
@Englishwithmima

📣❰❰❰ انگلیسی را حرفه‌ای بیاموز ❱❱❱
@novinenglish_new

📣آموزش های رایگان کامپیوتر
@spcware

📣ایدهای دکوراسیون داخلی
@Design_groooup

📣سیرتاپیاز برنامه نویسی رو قورت بده
@devloper98

📣آرشیو کامل آبجکتهای رویت
@VoxelObjectRevit

📣داستانهای مصور صوتی انگلیسی
@anime4english

📣اخبار روز دنیا موبایل
@ChilliTech

📣دریافت تمام هوش‌مصنوعی‌ها رایگان
@project_hq

📣ترفند های طلایی کامپیوتر و موبایل
@info_digital66

📣انفجار اسپیکینگ و لیسنینگ
@tactics4listening123

📣آموزش طراحی لوگو ، ایلوستریتور
@mrkhalaqq

📣آموزش کامل « دستورات ترموکس هک »
@Bia2Termux

📣دانلود پکیج های پولی فرادرس رایگان
@VipPackages66

📣انگلیسی 5 دقیقه ای با استاد نیتیو
@EnglishListeningPractice1

📣شغل دانشجویی با درآمد 3/000/000
@proghe_sezin

📣آموزش فتوشاپ از مقدماتی تا پیشرفته
@azphotoshopp

📣قبولی صد در صد نظام مهندسی معماری
@tarrahimemari

📣سخت افزار کامپیوتر و لپ‌تاپ (FREE)
@PC_Laptop_Hardwares

📣آبجکت های 3بعدی 3DDD
@Voxel3DDVray

📣چطوری کار دلاری بگیریم؟
@INFORMATIONINSTITUTE

📣آموزش شبکه های Cisco و مایکروسات
@modirshabake

📣دنیای کتاب حل المسائل اساتید برتر
@manabe_daneshjooi

📣آموزش حرفه ای برنامه نویسی
@programmer_best

📣کلی فیلم امریکایی با دو زیرنویس
@howimetyourmotherrr

📣مقاله ISI و رزومه نداری؟ با ما
@resumedaran

📣تحلیل داده و هوش مصنوعی
@Amar_kadeh

📣آموزش های جذاب برنامه نویسی
@amozesh_co

📣هوش مصنوعی | علم داده
@ailearncamp

📣برنامه نویسی و طراحی سایت
@hedcode

📣مقاله ❖ISI❖ با هوش مصنوعی
@akhtar_electronic_group

📣دنیای پکیج های رایگان
@wolfofwsfile

📣اموزش هک غیرقانونی با (موبایل)
@EngineeringReverse

📣مرکز تعمیرات موبایل
@repairms

📣پروکسی، VPN و کانفیگ ((مجانی))
@Proxysarver

📣دانلود برنامه اندرویدی ها
@Android_best

📣آموزش برنامه نویسی اندروید از پایه
@Android0to100

📣آبجکت ویری و کرونا
@Voxel3DVray

📣آموزش هوش مصنوعی، موبایل و PC
@Pc_IT_Mob

‌‌‏🔻🔻🔻🔻🔻
‏🔹 @Armisstab
‏.

Читать полностью…

📊 معماری محاسبات در Power BI؛ کالبدشکافی تفاوت ساختاری Measure و Calculated Column

در مسیر پیاده‌سازی پروژه‌های هوش تجاری، گذار از ابزارهای صفحه گسترده (مانند اکسل) به پلتفرم‌های تحلیلی مدرن، نیازمند تغییر بنیادین در شیوه تفکر نسبت به «مدل‌سازی داده» است. یکی از متداول‌ترین خطاهای ساختاری که کارشناسان داده در مراحل نخست با آن مواجه می‌شوند، عدم تفکیک عملکردی میان Calculated Column و Measure در زبان DAX است.

این اشتباه در داده‌های کم‌حجم خود را نشان نمی‌دهد؛ اما با افزایش ابعاد پایگاه‌داده به چندصد هزار یا چند میلیون رکورد، موتور پردازشی VertiPaq با افت محسوس کارایی روبه‌رو شده، فایل پروژه متورم می‌شود و گزارش‌ها به کندی بارگذاری می‌گردند.

برای بهینه‌سازی عملکرد داشبوردها، باید درک عمیقی از معماری این دو مؤلفه داشته باشیم:

🔹 ۱. ستون محاسباتی (Calculated Column)؛ هزینه در ذخیره‌سازی

ستون محاسباتی درست همانند یک فیلد فیزیکی در جدول عمل می‌کند. مقدار آن یک‌بار در هنگام بارگذاری داده‌ها (Data Refresh) محاسبه شده و به‌صورت سطر‌به‌سطر در حافظه رم ذخیره می‌شود.

• بستر محاسباتی (Context):
این مفهوم در محیط Row Context عمل می‌کند؛ به این معنا که موتور محاسباتی فقط به اطلاعات همان سطر دسترسی مستقیم دارد و مقادیر سایر سطرها را در نظر نمی‌گیرد.

• تاثیر بر کارایی سیستم:
از آنجا که نتایج مستقیماً در حافظه RAM قرار می‌گیرند و به حجم فایل پروژه اضافه می‌شوند، تولید ستون‌های غیرضروری به فشرده‌سازی موتور دیتابیس ضربه زده و کارایی مدل را کاهش می‌دهد.

• کاربردهای استاندارد:
ساخت ستون محاسباتی تنها زمانی توجیه‌پذیر است که نتیجه به عنوان یک بعد تحلیلی جدید مورد استفاده قرار گیرد؛ یعنی:
۱. استفاده در بخش فیلترها و برش‌دهنده‌ها (Slicers)
۲. قرارگیری در محور نمودارها (Axis) برای دسته‌بندی داده‌ها
۳. تعریف شرایط منطقی در سطح ردیف (مانند طبقه‌بندی مشتریان به گروه‌های مختلف بر اساس متغیرهای ثابت)


🔹 ۲. سنجه یا معیار (Measure)؛ قدرت در پردازش پویا

سنجه‌ها نقطه قوت اصلی زبان DAX به شمار می‌روند. مژرها برخلاف ستون‌ها، فضایی در رم یا دیسک به عنوان داده فیزیکی اشغال نمی‌کنند؛ بلکه در زمان تعامل کاربر با داشبورد و به‌صورت کاملاً پویا (On-the-Fly) فراخوانی و محاسبه می‌شوند.

• بستر محاسباتی (Context):
این مفهوم در محیط Filter Context متولد می‌شود؛ یعنی مقدار نهایی آن دقیقاً تابع فیلترهای فعال در صفحه، برش‌دهنده‌ها و متغیرهای بصری است که در همان لحظه توسط کاربر اعمال شده است.

• تاثیر بر کارایی سیستم:
به دلیل ماهیت لحظه‌ای محاسبات، حجم مدل داده کاملاً بهینه باقی می‌ماند و سرعت به‌روزرسانی گزارش‌ها به شکل چشمگیری افزایش می‌یابد.

• کاربردهای استاندارد:
تقریباً تمام شاخص‌های کلیدی عملکرد (KPIs)، محاسبات تجمیعی، ارقام مالی، تحلیل‌های مقایسه‌ای زمانی (Time Intelligence) و نسبت‌های آماری باید منحصراً در قالب Measure تعریف شوند.


⚖️ قاعده طراحی بهینه (Best Practice) در مهندسی هوش تجاری:

اصل راهنمای متخصصان داده این است:
> «محاسبات را همواره در قالب Measure پیاده‌سازی کنید، مگر آنکه الزام قطعی برای ایجاد یک بعد جدید جهت فیلترسازی یا تفکیک محور نمودار وجود داشته باشد.»

برای نمونه، به جای ایجاد یک ستون جدید جهت ضرب «قیمت در تعداد» و سپس جمع زدن آن، باید از توابع تکرارکننده (Iterators) نظیر SUMX در قالب یک Measure استفاده کرد تا از بار حافظه سیستم به شدت کاسته شود.


بهینه‌سازی مدل داده (Data Modeling) و شناخت دقیق جریان کارکرد موتور تحلیل در Power BI، مرز میان یک گزارش‌سازی معمولی و یک معمار حرفه‌ای هوش تجاری است.

#هوش_تجاری
#تحلیل_داده
#مدل_سازی_داده


┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

Читать полностью…

🔴 اعلام نتایج نهایی کارشناسی ارشد ۱۴۰۵ در هفته پایانی مهر

معاون آزمون‌های سازمان سنجش: نتایج نهایی آزمون کارشناسی ارشد امسال در هفته پایانی مهر اعلام می‌شود.

┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

Читать полностью…

📊 دوره آنلاین جامع آموزش تحلیل داده با SPSS

توی دنیای امروز، مهارت تحلیل داده یه برگ برنده حساب می‌شه.
توی این دوره، قدم‌ به‌ قدم یاد می‌گیری چطور با SPSS کار کنی، آزمون‌های آماری رو اجرا کنی و خروجی‌ها رو درست و اصولی تفسیر کنی؛ مهارتی که هم تو دانشگاه و هم تو بازار کار به کارت میاد.

👨‍🏫 مدرس دوره: امیرحسین باقرپور
- دانش‌آموخته کارشناسی ارشد آمار دانشگاه شهید بهشتی
- تحلیل‌گر داده و مدرس آمار

📅 زمان شروع: ۲۹ مهر ماه

⏰ روزها و ساعت: چهارشنبه، پنجشنبه و جمعه‌ها(به مدت دو هفته) | ساعت ۱۷ الی ۱۹

⏳ مدت دوره: ۶ جلسه (معادل ۱۲ ساعت)

♾ به همراه پشتیبانی و دسترسی دائمی به فیلم های ضبط شده‌ی جلسات.

💬 عضویت در گروه تلگرام برای پرسش و پاسخ و رفع اشکال

🔻هیچ پیش‌نیازی برای شرکت در این دوره نیاز نیست!

💰 هزینه ثبت‌نام:
عموم: ۱,۸۹۰,۰۰۰ تومان
دانشجویان: ۱,۴۹۰,۰۰۰ تومان

⚠️ ظرفیت این دوره محدوده! پس اگه تصمیم گرفتید، تعلل نکنید.

📞 راه‌های ارتباطی برای ثبت نام در دوره:
09378412323
آیدی پیام‌رسان تلگرام و بله:
@amir78227

Читать полностью…

🔗 اکسل و Power BI: چرا باید به هم وصلشون کنی؟

تا اینجا حرف از Power BI و اکسل و تفاوت‌هاشون بوده. بیاید ببینیم چطور میشه این دو تا رو به هم وصل کرد و ازشون یه زوج قدرتمند یافت.

وقتی اکسلو به Power BI وصل می‌کنی، یه چیز جالب اتفاق میفته:
|دیگه لازم نیست هر بار داده‌ها رو از اول توو اکسل ایمپورت کنی و فرمول بنویسی.|

-داده‌های معتبر و تأییدشده‌ای که توو Power BI داری، مستقیم میان توو اکسلی که باهاش راحتیو کار می‌کنی.
یعنی؟!
-هم سرعتت بالا میره.
-هم خیالت راحته که داری با داده‌ی درست کار می‌کنی.

🧠 یه نکته مهم درباره امنیت:

وقتی از توی اکسل به یه مدل Power BI وصل میشی، اکسلم خودکار خیلی از ویژگی‌های اون مدل رو به ارث می‌بره، مثلاً:

برچسب‌های حساسیت (Sensitivity Labels)›
که از Microsoft Purview میاد و باعث میشه داده‌هات امن بمونن.

برچسب‌های تأیید (Endorsement Labels)›
مثل Certified یا Promoted که بهت میگن این داده معتبره یا نه.

🔌 چطور وصلشون کنیم ؟ دو راه داره

راه اول: از خود Power BI
توو سرویس Power BI، مدل معنایی (Semantic Model) مورد نظرت رو پیدا کن، گزینه Analyze in Excel رو بزن و فایل رو دانلود کن.

راه دوم: از خود Excel
توی اکسل، از تب
Data
Get Data
و
Power BI
مورد نظرت رو انتخاب کن.

📋 قبل از شروع، این رو چک کن:

- برای فعال بودن سرویس اشتراکش باید خریداری شده باشه


┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

Читать полностью…

📊🎀 روز دختر مبارک!

امیدوارم در آزمون زندگی، میانگین شادی‌هات همیشه صعودی، واریانس غم‌هات نزدیک صفر، احتمال موفقیتت برابر با یک و ضریب همبستگی‌ات با خوشبختی، مثبت و معنادار باشه! 💗

فرض صفرِ غم رد بشه و فرض مقابلِ خوشبختی با سطح اطمینان ۹۹٪ تأیید بشه! 😂📈

تو در جامعه‌ی زندگی، یک مشاهده‌ی تکرارنشدنی هستی؛ نه داده‌ی پرت، نه نمونه‌ی تصادفی! 👑💕

روزت مبارک، دخترِ خاصِ دنیای آمار! 🌸📊

Читать полностью…

📌 پروژه داری؟

همین الان رایگان ثبتش کن و فریلنسر مناسب خودت رو پیدا کن! 🚀

🌐 http://akafreelancer.com

Читать полностью…

چقدر در مورد میدان تصادفی می‌دونی؟
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

Читать полностью…

🚀 چالش خفن پرامپت‌نویسی «حافظ و مولانا در قاب هوش مصنوعی»! 🤖✨

تا حالا به این فکر کردی که شعرای بزرگ ما مثل حافظ و مولانا اگر توی دنیای سایبرپانک و هوش مصنوعی زندگی می‌کردند، چطور دیده می‌شدن؟ 🤔

انجمن علمی هوش مصنوعی دانشگاه رازی با همکاری اتحادیه مهندسی کامپیوتر یه مسابقه خفن براتون تدارک دیده!

🎯 ماجرا چیه؟
خیلی راحته؛ یک بیت از حافظ یا مولانا رو انتخاب کن، برو سراغ ابزارهای هوش مصنوعی (مثل Bing, Midjourney یا Ideogram) و با پرامپت‌نویسی، اون بیت رو به تصویر بکش! 🎨

💡 یه ترفند خفن برای عکسا:
برای اینکه هوش مصنوعی توی تصویرت کلمات عجیب‌غریب و نامفهوم تولید نکنه، حتماً این عبارت رو به پرامپتت اضافه کن:
No text, no letters, no calligraphy

🏆 جایزه‌ش چیه؟
💰 ۵۰۰ هزار تومان جایزه نقدی برای نفرات برگزیده!

⏰ کی وقت داریم؟
فقط تا ۲۰ مهرماه فرصت داری اثرت رو بفرستی.

📩 چطوری بفرستیم؟
عکس خروجی + پرامپتی که زدی + اون بیت شعر رو برامون بفرست به آیدی تلگرام:
🆔 @anjomanrazi1405

✨در راستای طرح «از مولانا تا حافظ؛ ادبیات فارسی در زندگی امروز»

#هوش_مصنوعی
#پرامپت_نویسی
#حافظ_مولانا

🆔@RaziAlA

Читать полностью…

🔰 گروه تبادلات آرمیس : @Armisstab

➿➿➿➿➿➿➿➿
🔺آرشیو "فونت تایپوگرافی" رایگان

🔺دانلود" فونت پولی" رایگان

🔺ازکانال زیر PDF درست و دانلود کن

🔺ژست و فیگور عکاسی

🔺بانک لایه باز رایگان

🔺آموزش 0 تا 100 هک ،امنیت(رایگان)

🔺آموزش تکنیک های زبان انگلیسی

🔺آرشیو کامل PSD های فتوشاپ

🔺کتاب‌های کمیاب و نایاب

🔺معدن PSD آلبوم ژورنال

🔺آموزش مبتدی تا حرفه ای فتوشاپ

🔺آموزش نرم‌افزار های مهندسی

🔺تافل و آیلتس

🔺نحوه ساخت هرچی فکر کنی اینجاست!

🔺مرکز تعمیرات موبایل

🔺ساخت و تولید(طراحی و ماشینسازی)

🔺آموزش لغات انگلیسی فلش کارت

🔺اموزش هک غیرقانونی با (موبایل)

🔺پکیج رایگان فرادرس

🔺دنیای آموزش های جذاب کامپیوتر

🔺آموزش Grammer آیلتس

🔺فونت های کمیاب فتوشاپ

🔺آموزش لغات انگلیسی به روش کدینگ

🔺گرگ والستریت کارخانه پول سازی

🔺دنیای رباتیک و تازه های تکنولوژی

🔺تحلیل داده و هوش مصنوعی

🔺هک و امنیت

🔺مکالمات انگلیسی با ترجمه و صوتی

🔺ایده‌ کسب‌ وکار پول ساز

🔺گروه معماری " چهارسوق "

🔺بورسیه و مشاوره تحصیلی

🔺آموزش های رایگان کامپیوتر

🔺آبجکت های 3بعدی 3DDD

🔺آبجکتهای رویـــــت

🔺آزمون های رایگان نظام مهندسی معماری

🔺داستانهای مصور صوتی انگلیسی

🔺شغل دانشجویی با درآمد 3/000/000

🔺برنامه نویسی و طراحی سایت

🔺مستندهای سیاسی اجتماعی

🔺دنیای موسیقی ملل فول آلبوم

🔺آموزش رایگان جمنای و GPT

🔺انفجار اسپیکینگ و لیسنینگ

🔺ترفند های طلایی کامپیوتر و موبایل

🔺اخبار روز دنیا موبایل ( قیمت )

🔺جشنواره زنگ شروع IT

🔺لپ‌تاپ و سختافزار کامپیوتر (رایگان)

🔺انگلیسی ۵ دقیقه ای با استاد نیتیو

🔺سیرتاپیاز برنامه نویسی رو قورت بده

🔺ایدهای دکوراسیون داخلی

🔺کمک پروژه اساتید برتر جزوه کتاب

🔺آموزش حرفه ای برنامه نویسی

🔺کلی فیلم امریکایی با دو زیرنویس

🔺مهندسی هوافضا و تکنولوژی جنگنده ها

🔺مقاله ISI و رزومه نداری؟ با ما

🔺تصاویر جذاب مهندسی

🔺کانال استخدامی نفت

🔺پروژه یابی

🔺آموزش های جذاب برنامه نویسی

🔺آموزش‌ نرم افزارهای مهندسی مکانیک

🔺هوش مصنوعی و علم داده

🔺مقاله ❖ISI❖ با هوش مصنوعی

🔺دنیای پکیج های رایگان

🔺آموزش 0 تا 100 هک

🔺آموزش مقاله نویسی و research

🔺نشریه زرد دانشگاه

🔺ترجمه کتاب ومقاله های دانشجویی

🔺بانک PDF فایل  کتاب جزوه همینجاست

🔺پایان نامه،پروپزال،مهاجرت تحصیلی

🔺پکیج پریمیوم گرافیکاران

🔺کانون زبان

🔺کتابخانه کانال ما را دنبال کنید

🔺دانلود نرم افزارهای کامپیوتر

🔺دانلود برنامه اندرویدی ها

🔺اشتباهات رایج زبان

🔺آموزش طراحی لوگو و جلد کتاب

🔺آبجکت و تکسچرهای 3بعدی

🔺هوش مصنوعی"ایده"خلاقیت

🔺آموزش فتوشاپ | AI رایگان

🔺دانلود " ابزار های گرافیکی" رایگان

🔺دانلود مستقیم فونت رایگان

▪️▪️▪️▪️▪️▪️▪️▪️▪️
📚 آرشیو معتبرترین مجلات جهان

🆔 @EnglishMagazines_PDF

.

Читать полностью…

جزوه سری ها در ریاضی عمومی ۱
دانشگاه شهید بهشتی
دکتر صمد حاج جباری

┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

Читать полностью…