‍ ‍💠 انجمن علمی دانشجویی روابط عمومی
دانشگاه علامه طباطبائی برگزار می کند :

🔵 کارگاه #پایتون برای علم داده 🔵

#آنلاین

👨‍⚕️ مدرس: مهندس امیررضا تجلی


🪪 همراه با ارائه #مدرک معتبر آموزشی دارای هولوگرام رسمی

🔙سرفصل های دوره را می توانید به صورت کامل در فایل pdf مشاهده کنید.

⏰ تاریخ برگزاری: روزهای جمعه
🫥به مدت ۳۶ ساعت
🗓 شروع دوره از ۲۷ بهمن

💰هزینه دوره برای دانشجویان
دانشگاه های دولتی ۹۸۰ تومان

💻 ثبت نام از طریق نشانی زیر :
📩 @vahabomat

☑️  اطلاعات بیشتر در :
✅ @atu_pr

Читать полностью…

کد تخفیف ۳۵ درصدی:
ca-kha

Читать полностью…

📌 بازدیدهای استادمحور دانشجویی

✅ بازدید علمی و کارگاه آموزشی آشنایی با  اکوسیستم کارآفرینی و کسب و کار پارک علم و فناوری البرز

⌛️ زمان برگزاری: چهارشنبه ۱۸ بهمن ساعت ۹ الی ۱۴

🟧 مهلت و ظرفیت ثبت نام محدود است.

🟩 جامعه مخاطب: دانشجویان و دانش آموختگان دانشگاه های استان البرز و تهران


✅ لینک ثبت نام:
https://alborz.bmn.ir/alborzstp


🖌 برگزارکنندگان:
#بنیاد_نخبگان_استان_البرز
#پارک_علم_و_فناوری_البرز

Читать полностью…

انجمن علمی دانشجویی رباتیک و مکاترونیک معاونت فرهنگی و اجتماعی دانشگاه الزهرا(س) برگزار می‌کند:

📍دوره مجازی نرم افزار ANSYS FLUENT

👤مدرس :
جناب آقای محمدحسن احمدزاده
دانش‌آموخته کارشناسی ارشد مهندسی مکانیک دانشگاه صنعتی اصفهان
مدرس نرم افزار انسیس و دارای دو ثبت اختراع صنعتی


📅زمان برگزاری:
یکشنبه ها و چهارشنبه ها از ۹ اسفند ۱۴۰۲
ساعت ۲۰ الی ۲۱:۳۰ در بستر اسکای روم.
(۲۴ ساعت آموزش)


شرکت برای عموم آزاد است.

با ارائه گواهی معتبر دو زبانه از دانشگاه الزهرا (س)
جهت کسب اطلاعات بیشتر و ثبت نام به آیدی زیر پیام دهید:
Telegram:
                 @ALZ_robotics_admin
Eitaa:
                 @H_2B00I3

🔰با انجمن علمی دانشجویی رباتیک و مکاترونیک دانشگاه الزهرا (س) همراه باشید.
🌐 تلگرام
🌐 لینکدین
🌐اینستاگرام

Читать полностью…

#فرصت
#فراخوان

🌐 رویداد فرصت فناوری اطلاعات و ارتباطات

💠 محورهای رویداد:
• نقشه برداری جغرافیایی(GIS)
• شبکه
• هوش مصنوعی
• برنامه‌نویسی و توسعه نرم‌افزار
• تجزیه و تحلیل تصویر و فیلم

📌طرح‌ها پس از پایش ابتدایی، در جلسه داوری مورد ارزیابی قرار می‌گیرند و جوایز رویداد به طرح‌‌های برتر اعطا خواهد شد.

🎁 جوایز رویداد:
🏅 ۲ تا ۶ ماه کسری خدمت سربازی
🏅 امکان جذب به صورت امریه
🏅 امکان استخدام

⏳ مهلت نهایی ارسال طرح: ۱۵ بهمن ۱۴۰۲

📣 برای کسب اطلاعات بیشتر و ثبت نام به پیوند و یا سایت رویداد فرصت به نشانی Oppevent.ir مراجعه فرمایید.

🆔 Oppevent.ir | دبیرخانه رویداد فرصت

Читать полностью…

تابع‌های SQL

توابع SQL شامل توابع رشته‌ای، عددی، تاریخی، تبدیل، و توابع پیشرفته‌ مانند توابع تحلیلی و توابع رتبه‌بندی در SQL Server و سایر سیستم‌های مدیریت پایگاه داده‌ها مانند MySQL، Oracle، PostgreSQL و غیره هستند. توابع رشته‌ای شامل توابعی مانند CONCAT، LEN، LOWER، UPPER، LEFT، RIGHT، SUBSTRING و REPLACE هستند. توابع عددی شامل توابعی مانند ABS، CEILING، FLOOR، ROUND، EXP، LOG، LOG10، POWER و SQRT هستند. توابع تاریخی شامل توابعی مانند GETDATE، DATEADD، DATEDIFF، YEAR، MONTH و DAY هستند. توابع تبدیل شامل توابعی مانند CAST و CONVERT هستند. توابع پیشرفته‌ شامل توابعی مانند SUM، AVG، COUNT، MAX، MIN، GROUP BY، HAVING، DISTINCT، UNION و JOIN هستند.
به عنوان مثال، برای استفاده از تابع LEN در SQL ، می‌توانید از دستور زیر استفاده کنید:

SELECT LEN(name) FROM Students;

این دستور، طول ستون name را برای هر ردیف در جدول محاسبه می‌کند.

همچنین، برای استفاده از تابع CONCAT می‌توانید از دستور زیر استفاده کنید:

SELECT CONCAT(name, ' ', stud_id) AS student FROM Students;

این دستور، دو ستون مورد نظر را به همراه یک فاصله بین آن‌ها به صورت یک ستون جدید با نام student در جدول نمایش می‌دهد.

Nested Queries

در Nested Query یا Subquery، یک کوئری داخلی درون یک کوئری بیرونی است که به منظور بازیابی داده‌ها از چندین جدول یا اعمال شرایط بر اساس نتایج یک کوئری دیگر به کار می‌رود. در Nested Query، نتیجه کوئری داخلی به عنوان ورودی برای کوئری بیرونی استفاده می‌شود. از Nested Query می‌توان برای حل مسائل پیچیده‌تری نظیر بازیابی داده‌هایی با شرایط چندگانه، و یا بازیابی داده‌هایی با شرایطی که بر اساس نتایج یک کوئری دیگر تعیین می‌شوند، استفاده کرد.
برای مثال، فرض کنید که می‌خواهید تمامی دانش‌آموزانی را که معدل بالاتری از معدل کلاس دارند، بازیابی کنید. می‌توانید از دستور زیر استفاده کنید:

SELECT * FROM students WHERE GPA > (SELECT AVG(GPA) FROM students);

در این دستور، کوئری داخلی
SELECT AVG(GPA) FROM students
میانگین معدل دانش‌آموزان را محاسبه می‌کند. سپس، کوئری بیرونی
SELECT * FROM students WHERE GPA > (SELECT AVG(GPA) FROM students)
تمامی دانش‌آموزانی را که معدل بالاتری از معدل کلاس دارند، بازیابی می‌کند.

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

Читать полностью…

فرض می‌کنیم که یک فایل پایگاه داده به نام School وجود دارد که شامل جدول Students با ستون‌های زیر است:

- stud_id: کلید اصلی جدول که شناسه هر دانش‌آموز را نشان می‌دهد
- name: نام دانش‌آموز
- age: سن دانش‌آموز
- major: رشته تحصیلی دانش‌آموز
-GPA: معدل دانش‌آموز

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

Читать полностью…

◼️آشنایی با SQL

زبان برنامه نویسی‌ای است که برای مدیریت و ارتباط با پایگاه داده‌های رابطه‌ای استفاده می‌شود. SQL مخفف عبارت Structured Query Language است که به معنی زبان پرس‌وجوی ساختاریافته است. SQL یک زبان استاندارد بین‌المللی است که توسط بسیاری از سیستم‌های مدیریت پایگاه داده مانند Oracle, MySQL, SQL Server و SQLite پشتیبانی می‌شود.
در دیتاساینس، SQL می‌تواند برای انجام عملیات‌هایی مانند جستجو، فیلتر کردن، مرتب‌سازی، ترکیب و تحلیل داده‌ها به کار رود. با استفاده از دستورات SQL می‌توانید داده‌های مورد نیاز خود را از پایگاه داده استخراج کنید و آن‌ها را به صورت مرتب شده و یا فیلتر شده نمایش دهید. در SQL نوشتن کوئری به‌معنای اجرای همین دستورات است.
در ادامه کدهایی را بررسی می‌کنیم که فقط بخشی از کارهایی هستند که می‌توانید با SQL انجام دهید. برای یادگیری بیشتر در مورد SQL می‌توانید از دوره‌ زیر استفاده کنید.

دوره رایگان دانشگاه هاروارد

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

Читать полностью…

کتابخانه‌ matplotlib

در دنیای کار با داده‌ها، حجم فراوان داده‌ها کار با آن‌ها و نمایش نتایج حاصل از بررسی آن ها را سخت می‌کند؛ لذا افرادی که با حجم وسیعی از داده‌ها کار می‌کنند نیازمند ابزاری برای انتقال مفاهیم به ساده ترین شکل ممکن هستند. Matplotlib و Seaborn کتابخانه‌های پایتون برای مصورسازی هستند. هر دوی این کتابخانه‌ها جزو کتابخانه‌های بسیار پرکاربرد رسم نمودار و مصور سازی داده در پایتون هستند.
مصورسازی داده یا تجسم‌سازی داده ارائه‌ی گرافیکی داده است که هدف اصلی آن انتقال بهینه‌ی اطلاعات به کاربران از طریق نمایش روابط میان داده‌ها به کمک نمودارها است.
حال به رسم نمودار‌های مهم توسط کتابخانه matplotlib میپردازیم.

ادامه مطلب



PART1️⃣
#Learning
➖➖➖➖➖➖➖➖➖➖➖➖➖
@CS_KHU  |  انجمن علمی علوم کامپیوتر

Читать полностью…

کاربرد های این کتابخانه:

1.خواندن و ذخیره سازی داده‌ها:

df = pd.read_csv('data.csv')
df.to_csv('output.csv')

توضیح: : دستور اول فایل CSV با نام data.csv را می‌خواند و داده‌های آن را به صورت یک DataFrame در متغیر df ذخیره می‌کند و دستور دوم DataFrame را به یک فایل CSV با نام output.csv تبدیل و ذخیره می‌کند.

2.پاک‌سازی داده‌ها:

df_cleaned = df.dropna()
df_filled = df.fillna(0)

توضیح: کد برای حذف ردیف‌هایی با مقادیر گمشده یا جایگزین کردن آن‌ها با صفر است.
دستور اول تمام ردیف‌ها یا ستون‌هایی را که حاوی مقادیر گمشده (NaN) هستند از df حذف می‌کند و نتیجه را در df_cleaned ذخیره می‌کند.
دستور دوم تمام مقادیر گمشده (NaN) در df را با صفر جایگزین می‌کند و نتیجه را در df_filled ذخیره می‌کند.

3.تغییر داده‌ها:

df['column'] = df['column'].astype('category
df['new_column'] = df['existing_column'].apply(lambda x: x * 2)

توضیح: تغییر نوع داده‌های یک ستون و ایجاد ستون جدید با اعمال یک تابع.
دستور اول نوع داده‌های ستون مشخص شده در df را به نوع داده‌ی دسته‌بندی شده (category) تبدیل می‌کند. این کار بهینه‌سازی حافظه و سرعت پردازش را در مواردی که داده‌ها دارای تعداد محدودی از دسته‌های تکراری هستند، فراهم می‌کند.
دستور دوم یک تابع (در این مورد، تابع lambda که مقدار هر عنصر را دو برابر می‌کند) را به هر عنصر در ستون موجود از df اعمال می‌کند و نتایج را در یک ستون جدید به نام 'new_column' ذخیره می‌کند.

4.گروه‌بندی و تجمیع داده‌ها:

grouped_df = df.groupby('column_name').mean()

توضیح: گروه‌بندی داده‌ها بر اساس ستون خاص و محاسبه میانگین برای هر گروه.
ابتدا یک گروه‌بندی بر اساس مقادیر موجود در ستون 'column_name' از df ایجاد می‌کند. در واقع، داده‌ها بر اساس مقادیر منحصر به فرد در این ستون دسته‌بندی می‌شوند.
سپس، mean(). میانگین تمام ستون‌های عددی در هر یک از این گروه‌ها را محاسبه می‌کند.
نتیجه، یک DataFrame جدید grouped_df است که میانگین هر ستون عددی را برای هر دسته منحصر به فرد در ستون 'column_name' نمایش می‌دهد. این برای تحلیل گروه‌های مختلف داده‌ها و درک روابط بین آن‌ها مفید است.

5.ترکیب و ادغام داده‌ها:

merged_df = pd.merge(df1, df2, on='common_column')
concatenated_df = pd.concat([df1, df2])

توضیح: ادغام یا اتصال دو DataFrame مختلف بر اساس یک ستون مشترک یا ساده‌تر، قرار دادن آن‌ها بالای هم.
دستور اول df1 و df2، را بر اساس ستون مشترک 'common_column' با هم ادغام (merge) می‌کند. نتیجه، یک DataFrame جدید به نام merged_df است که تمام ردیف‌ها و ستون‌هایی را دارد که در هر دو DataFrame وجود دارند و بر اساس مقادیر مشترک در 'common_column' ترکیب شده‌اند.
دستور دوم df1 و df2، را به صورت عمودی (پشت سر هم) با یکدیگر ترکیب (concatenate) می‌کند. نتیجه، یک DataFrame جدید به نام concatenated_df است که شامل تمام ردیف‌های df1 و سپس تمام ردیف‌های df2 می‌باشد. این دستور به خصوص وقتی مفید است که دو DataFrame دارای ستون‌های مشابه هستند.

6.جابجایی و تغییر شکل داده‌ها:

pivot_table = df.pivot_table(index='row', columns='column', values='value')
melted_df = pd.melt(df, id_vars=['id_column'], value_vars=['value_column'])

توضیح: تغییر شکل داده‌ها با استفاده از جدول‌های دورانی یا تبدیل ساختار DataFrame.
دستور اول یک جدول محوری (pivot table) ایجاد می‌کند. در این جدول، ستون‌های مشخص شده در 'column' به عنوان سرستون‌های جدید قرار می‌گیرند، و مقادیر موجود در 'value' درون جدول قرار می‌گیرند. مقادیر 'row' به عنوان شاخص‌های ردیف‌های جدول مورد استفاده قرار می‌گیرند. این روش برای خلاصه کردن و بازسازی داده‌ها بر اساس دسته‌بندی‌های مختلف مفید است.
دستور دوم DataFrame را "ذوب" می‌کند و یک ساختار طولانی‌تر ایجاد می‌کند. id_vars ستون‌هایی هستند که نباید تغییر کنند، در حالی که value_vars ستون‌هایی هستند که باید ذوب شوند. نتیجه این است که هر ردیف از df به چندین ردیف در melted_df تبدیل می‌شود، به طوری که هر ستون از value_vars به یک ردیف جداگانه تبدیل می‌شود. این روش برای تغییر ساختار داده‌ها از فرمت عریض به فرمت طولانی مورد استفاده قرار می‌گیرد

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

Читать полностью…

سلام به دوستان علوم کامپیوتری👋🏻
ممنون که تا اینجا با ما همراه بودید و ازمون حمایت کردید.✨

ما در انجمن علوم کامپیوتر خوارزمی، رودمپی رو با محوریت Data Science آماده کردیم؛ تا به عنوان یک ابزار کاربردی برای ورود به این دنیای جذاب همراه‌تون باشه.🛣🗺

تا الان در جهت شرح پیچ و خم‌های این مسیر و آشنایی با مفاهیم هر بخش، مطالبی رو در مورد
جبرخطی➖➗➕
آمار📊📉📈
احتمال🎲
با شما به اشتراک گذاشتیم.ویژگی‌های
شی گرایی🅿️🅾🅾
رو شناختیم و از بین کتابخانه‌ها
کتابخانهNumpy 📚💻
رو بررسی کردیم.
حالا اینبار نوبت اینه که به Pandas به عنوان ایستگاه بعدی سری بزنیم.🚏🐼

با ما در این مسیر همراه باشید😉😊

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

Читать полностью…

🔻مدرسه فناوری های راهبردی افرا با همکاری بنیاد ملی نخبگان و معاونت علمی ریاست جمهوری برگزار میکند :

🎯 در راستای تسهیل نقش آفرینی موثر نخبگان در اقتصاد صنعتی

💢حوزه های تخصصی:

🔸نفت و گاز و پتروشیمی
🔹هوش مصنوعی
🔸فناوری اطلاعات و ارتباطات
🔹نانو و مواد پیشرفته
🔸امنیت غذایی.کشاورزی و صنایع غذایی
🔹انرژی های نوپاک
🔸حمل و نقل
🔹صنایع هوایی و فضایی
🔸زیست فناوری
🔹علوم شناختی
🔸تجهیزات پزشکی
🔹نساجی

💢محور ها:
◽️آشنایی با زیست بوم نوآوری
◾️آشنایی با ادبیات کسب و کار
◽️آموزش مهارت های نرم
◾️بررسی کلان صنعت تخصصی
◽️بررسی نظام مسائل اولویت دار

💢 مزایای شرکت در دوره:

🔹30 ساعت آموزش مجازی با محوریت دید ماکروسکوپی از صنعت تخصصی
🔹امکان شرکت در دوره حضوری برای افراد برتر بخش مجازی
🔹حمایت های مادی و معنوی متنوع برای افراد برتر بخش حضوری
🔹گواهینامه رسمی شرکت در دوره
🔹امتیاز بنیاد نخبگان

🔸هزینه ثبت نام: 295هزار تومان

📢 کد تخفیف اختصاصی کانال :
po-af-389
⏳مهلت ثبت نام: تا ۲۶ دی ماه

👨‍💻جهت اطلاعات بیشتر و ثبت نام به سایت زیر مراجعه فرمایید
🌐 | https://afra-ts.ir

#افرا
#بنیاد_ملی_نخبگان
#معاونت_علمی_ریاست_جمهوری


🆔@afra_ts

Читать полностью…

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

Читать полностью…

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

Читать полностью…

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

Читать полностью…

🏫مدرسه علم و فناوری کوانتوم "سایکت"‌، به عنوان اولین مدرسه کوانتومی، تحت نظر مرکز تحقیقات مهندسی کوانتوم و فناوری فوتونیک دانشگاه صنعتی شریف،‌ برگزار می‌کند:

✴ دومین کارگاه آموزشی "فناوری‌های کوانتومی"

📰 سرفصل‌ها:
۱. مخابرات کوانتومی
۲. حسگرهای کوانتومی
۳. کوانتوم بیولوژی
۴. الگوریتم‌های کوانتومی
۵. سخت‌افزار کامپیوترهای کوانتومی
📌 در طول کارگاه به تجزیه و تحلیل ظرفیت بازار و همچنین فرصت‌ها و چالش‌های این حوزه نیز اشاره خواهد شد.

✅ زمان برگزاری:
📆  ۱۷ لغایت ۱۹ اسفند ماه ۱۴۰۲
⏱  ساعت ۸:۳۰ صبح الی ۱۷ بعدازظهر

👥 مخاطبان:
دانشجویان، فارغ التحصیلان، اساتید علوم پایه، مهندسی، پزشکی و سایر علاقه‌مندان به کسب دانش در این حوزه

🔖 تخفیف ۲۰ درصدی ویژه‌ی دانشجویان 
🔖 تخفیف ۱۰ درصدی ثبت نام زودهنگام تا ۲۳ بهمن
کد: earlypsiket

🏅ارائه گواهی حضور در کارگاه توسط آموزش‌های آزاد دانشگاه صنعتی شریف

📒 این کارگاه به صورت حضوری برگزار می‌گردد.

⚠️مهلت ثبت نام تا تاریخ ۱۲ اسفند ۱۴۰۲

🔗جهت کسب اطلاعات بیشتر و ثبت‌نام کارگاه وارد لینک زیر شوید:

B2n.ir/PSIKET32

〰️〰️〰️〰️〰️〰️〰️〰️
⭐@Psiket_Admin
🔗Instagram | Telegram | Linkdin

Читать полностью…

📣 ۳۵ درصد تخفیف تکرار نشدنی بر روی تمامی دوره های کوئرا کالج مخصوص اعضای انجمن علمی

🎁 اگر دنبال یه فرصت استثنایی برای یادگرفتن برنامه‌نویسی بودی اون فرصت همین الانه!
فرصتی برای رشد، یادگیری اصولی و حرفه ای شدن در دنیای برنامه نویسی.

✅ گواهی معتبر کوئراکالج
✅ از مقدماتی تا پیشرفته
✅ تمرین و پروژه محور
✅ داوری خودکار

💳 با امکان پرداخت قسطی
⌛️فقط یک هفته فرصت داری از این تخفیف استفاده کنی

🚀 با کوئراکالج توانایی‌هات رو به چالش بکش.

💎 اطلاعات بیشتر و مشاهده کوئراکالج:
🔗 https://quera.org/r/e1xv3

کوئرا، جامعه برنامه‌نویسان ایران

Читать полностью…

📣 فراخوان همکاری نشریه علمی-تخصصی صفر و یک در بخش‌های :

🔴 نویسندگی
🟠 صفحه آرایی
🟢 ویراستاری

🔵 اگر به نوشتن مطالب مرتبط با علوم کامپیوتر و تحقیق در این زمینه ها علاقه‌مند هستین و یا می‌تونید در زمینه ویرایش متن بهمون کمک کنید و یا تجربه و علاقه به کار در بخش گرافیکی (Photoshop, Illustrator و ..) رو دارین، نشریه‌ی صفر و یک برای ادامه کارش از شما دعوت به همکاری می‌کنه.
از هر رشته ای که هستین و به هر کدوم از مباحث بالا علاقه دارین یا فکر می‌کنین در زمینه خاصی می‌تونین به ما کمک کنید حتما بهمون اطلاع بدین ما هم خیلی خوشحال می‌شیم :)

برای تماس با ما به آیدی زیر پیام بدین:

🆔 @Kosar_d10

Читать полностью…

انجمن علمی ریاضی و علوم کامپیوتر دانشگاه اصفهان با همکاری سایر مراکز علمی کشور برگزار می‌کند:

🏆  مسابقه آموزشی-رقابتی و کشوری «PsyCity»

📣  بشتابید بشتابید!

🏛  سای‌سیتی! شهری پر هرج و مرج با چاشنی طنز، که در آن هیجان علوم کامپیوتر با قصه‌های جنایی ترکیب می‌شود!

🔎  آیا آماده‌اید تا در این رویداد مجازی بازی‌وار شده -با فرصت حضور در اصفهان- با حل سوال برنامه‌نویسی، رمزنگاری، ترکیبیات و... همراه با تیم‌سازی و استراتژی‌های زیرکانه، باقی شهروندان را فریب دهید و به آرمان‌شهر برسید؟

با ما همراه شوید تا با هم به دنیایی موازی پا بگذاریم!

🔖  مزایای رویداد:
•  دوره‌های آموزشی همراه با اعطای گواهی
•  بیش از ۲۵ میلیون تومان جایزه نقدی
•  فرصت مصاحبه، کارآموزی و استخدام

🎫  ثبت‌نام اصلی: از ۵ الی ۱۲ بهمن‌ماه
       جهت ثبت‌نام کلیک کنید.
⚠️  برای دریافت کد تخفیف ۴۰٪ ویژه‌ی دانشجویان دانشگاه اصفهان پیام دهید!

📌  برگزارکنندگان:
انجمن ریاضی و علوم کامپیوتر UI | شرکت نیک سپهر | مرکز آپا UI | اتحادیه کامپیوتر کشور | انجمن  UI ACM | انجمن مهندسی کامپیوتر UI | انجمن کامپیوتر اشرفی

🧠  سای‎سیتی | زی‎لینک | ارتباط با ما

Читать полностью…

ورود به دنیای برنامه نویسی با کوئرا

📣 ۳۰ درصد تخفیف بر روی تمامی دوره‌های برنامه‌نویسی کوئرا برای تویی که اولین بار تو دوره‌های کوئراکالج شرکت می‌کنی.

🎁 فرصتی برای رشد، یادگیری اصولی و آشنایی با دنیای برنامه‌نویسی

✅ گواهی معتبر کوئراکالج
✅ از مقدماتی تا پیشرفته
✅ تمرین و پروژه محور
✅ داوری خودکار

💳 با امکان پرداخت قسطی

💎 اطلاعات بیشتر و مشاهده کوئراکالج:
🔗 https://quera.org/r/mxbcn

کوئرا، جامعه برنامه‌نویسان ایران

Читать полностью…

مثال۱:

SELECT * FROM Students;

این کد تمام ستون‌های جدول را بازیابی می‌کند.

مثال۲:

/*اضافه کردن چند دانش‌آموز جدید به جدول Students...*/
INSERT INTO Students (stud_id, name, age, major) VALUES
(1001, 'Ali', 19, 'Computer Science'),
(1002, 'Sara', 20, 'Mathematics'),
(1003, 'Reza', 18, 'Physics');

این کد، سه سطر جدید به جدول Students اضافه می‌کند و مقادیر ستون‌های مشخص شده را برای آن‌ها وارد می‌کند.

مثال۳:

--تغییر رشته تحصیلی دانش‌آموزی که شناسه آن ۱۰۰۱ است به 'Mathematics'.
UPDATE Students SET major = 'Mathematics' WHERE stud_id = 1001;

این کد، مقدار ستون major را برای سطری که شرط WHERE را برآورده می‌کند، تغییر می‌دهد.

مثال۴:

--حذف دانش‌آموزی که شناسه آن ۱۰۰۳ است از جدول Students.
DELETE FROM Students WHERE stud_id = 1003;

این کد، سطری را که شرط WHERE را برآورده می‌کند، از جدول Students حذف می‌کند.

مثال۵:

--بازیابی نام و سن دانش‌آموزانی که بیشتر از ۱۹ سال دارند.
SELECT name, age FROM Students WHERE age > 19;

این کد، فقط ستون‌های name و age را از جدول Students انتخاب می‌کند و با استفاده از شرط WHERE، فقط سطرهایی را نمایش می‌دهد که مقدار ستون age بیشتر از ۱۹ باشد.

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

Читать полностью…

برای استفاده از SQL در پایتون، می‌توانید از کتابخانه‌هایی مانند sqlite3، mysql-connector-python، psycopg2 و pyodbc استفاده کنید. برای مثال، برای اتصال به یک پایگاه داده SQLite با استفاده از کتابخانه sqlite3، می‌توانید از کد زیر استفاده کنید:

import sqlite3

# Connect to database
conn = sqlite3.connect('example.db')

# Create a cursor
c = conn.cursor()

# Execute a query
c.execute('SELECT * FROM table_name')

# Fetch the results
results = c.fetchall()

# Close the connection
conn.close()

اگر یک فایل پایگاه داده مانند School.db داشته باشید با وارد کردن کد زیر در ترمینال می‌توانید از آن استفاده کنید:

sqlite3 School.db
--با استفاده از دستور schema.، می‌توانید ساختار فایل داده‌ها و جداول آن را به صورت دقیق مشاهده کنید، از جمله نام ستون‌ها، نوع داده‌ها و محدودیت‌هایی که برای هر ستون تعریف شده‌اند.
sqlite> .schema

زبان SQL شامل بسیاری از دستورات است که برای انجام عملیات‌های مختلف بر روی داده‌ها مورد نیاز هستند. برخی از دستورات مهم SQL عبارتند از:

- SELECT:
برای استخراج داده‌ها از یک یا چند جدول استفاده می‌شود.
- INSERT:
برای اضافه کردن داده‌های جدید به یک جدول استفاده می‌شود.
- UPDATE:
برای به‌روزرسانی داده‌های موجود در یک جدول استفاده می‌شود.
- DELETE:
برای حذف داده‌های مشخص شده از یک جدول استفاده می‌شود.
- CREATE TABLE:
برای ایجاد یک جدول جدید با ستون‌ها و نوع داده‌های مشخص شده استفاده می‌شود.
- ALTER TABLE:
برای تغییر ساختار یک جدول موجود، مانند اضافه، حذف یا تغییر نام ستون‌ها استفاده می‌شود.
- DROP TABLE:
برای حذف یک جدول کاملاً از پایگاه داده استفاده می‌شود.
- JOIN:
برای اتصال داده‌های مربوط از دو یا چند جدول استفاده می‌شود.
- WHERE:
برای فیلتر کردن داده‌ها بر اساس شرط‌های مشخص شده استفاده می‌شود.
- GROUP BY:
برای گروه‌بندی داده‌ها بر اساس یک یا چند ستون استفاده می‌شود.
- HAVING:
برای فیلتر کردن گروه‌های ایجاد شده توسط GROUP BY بر اساس شرط‌های مشخص شده استفاده می‌شود.
- ORDER BY:
برای مرتب‌سازی داده‌ها بر اساس یک یا چند ستون به صورت صعودی یا نزولی استفاده می‌شود.
- CASE:
برای ایجاد شرط‌های متعدد و اعمال عملیات‌های مختلف بر روی داده‌ها استفاده می‌شود.

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

Читать полностью…

کتابخانه‌ seaborn

در ادامه کار با داده ها، یکی دیگر از کتابخانه های کاربردی و مهم، کتابخانه seaborn است. برای مصور سازی نیاز به یادگیری این کتابخانه داریم.
حال به بررسی کتابخانه seaborn میپردازیم.

ادامه مطلب

PART2⃣
#Learning
➖➖➖➖➖➖➖➖➖➖➖➖➖
@CS_KHU  |  انجمن علمی علوم کامپیوتر

Читать полностью…

7.تصویرسازی داده‌ها:

df.plot(kind='line', x='x_column', y='y_column')

توضیح: ایجاد نمودار خطی ساده (این کد نیازمند matplotlib برای تصویرسازی داده‌ها است).
این دستور در کتابخانه Pandas پایتون یک نمودار خطی را ایجاد می‌کند. با استفاده از دستور داده‌های موجود در ستون 'x_column' به عنوان محور افقی (محور x) و داده‌های موجود در ستون 'y_column' به عنوان محور عمودی (محور y) در نمودار استفاده می‌شوند. نوع نمودار به عنوان خطی (line) تعریف شده است، بنابراین داده‌ها به صورت خطی نمایش داده می‌شوند. این روش برای نمایش روند تغییرات یا رابطه بین دو متغیر مختلف مفید است.

این کدها نمونه‌هایی از قابلیت‌های متنوع Pandas در پایتون هستند که برای پردازش، تحلیل و تصویرسازی داده‌ها به کار می‌روند.

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

Читать полностью…

کتابخانه Pandas چیست؟
یک کتابخانه پایتون است که برای کار با مجموعه داده ها استفاده می شود و دارای عملکردهایی برای تجزیه و تحلیل، تمیز کردن، کاوش و دستکاری داده‌ ها است.
نام Pandas هم به "پنل داده" و هم به "تحلیل داده پایتون" اشاره دارد و توسط وس مک کینی در سال 2008 ایجاد شد.

چرا از Pandas استفاده کنیم؟
پانداز به ما این امکان را می دهند که داده های بزرگ را تجزیه و تحلیل کنیم و بر اساس تئوری های آماری نتیجه گیری کنیم.
پانداز می توانند مجموعه داده های نامرتب را تمیز کنند و آنها را خوانا و مرتبط کنند.
داده های مرتبط در علم داده بسیار مهم است.

برخی منابع یادگیری:
Coursera
youtube

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

Читать полностью…

‼️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

Читать полностью…

💢گزارش‌تصویری ویژه‌برنامه‌ی هفته‌ی پژوهش دانشکده علوم ریاضی و کامپیوتر

این ویژه‌برنامه در تاریخ ۲۷ آذرماه در سالن غدیر دانشکده‌ ادبیات همراه با اجرای زنده موسیقی، سخنرانی ریاست محترم دانشکده علوم ریاضی و کامپیوتر و مراسم تقدیر از دانشجویان برگزار شد.
📷 #گزارش_تصویری

@CS_KHU | انجمن علمی علوم کامپیوتر
@AI_KHU | انجمن علمی هوش‌مصنوعی

Читать полностью…

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

Читать полностью…

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

Читать полностью…

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

Читать полностью…