Create Yoga day wish card using Python Turtle 🧘

import turtle

screen = turtle.Screen()
screen.title("🌿 International Yoga Day 🧘")
screen.bgcolor("#FFF8E7")

t = turtle.Turtle()
t.speed(3)
t.width(3)
t.hideturtle()

# --- رسم برگ ---
t.penup()
t.goto(0, 100)
t.pendown()
t.color("#2E8B57", "#90EE90")
t.begin_fill()
t.circle(60, 90)
t.circle(60, -90)
t.end_fill()

# --- متن اصلی ---
t.penup()
t.goto(0, 30)
t.color("#1B5E20")
t.write("Happy International Yoga Day!",
         align="center", font=("Arial", 24, "bold"))

t.goto(0, -10)
t.color("#388E3C")
t.write("🧘 Breathe. Stretch. Grow. 🌿",
         align="center", font=("Arial", 16, "italic"))

t.goto(0, -60)
t.color("#6D4C41")
t.write("#InternationalYogaDay  #YogaForWellness",
         align="center", font=("Arial", 12, "normal"))

turtle.done()

توضیح کوتاه درمورد اینکه هر بخش کارش چیه
screen.bgcolor(...)
رنگ پس‌زمینه‌ی کارت (کرم روشن)

t.circle(60, 90)
رسم یک برگ سبز ساده با دو کمان

t.write(...)
نوشتن متن اصلی، زیرنویس و هشتگ‌ها

align="center"
متن‌ها از مرکز تراز می‌شن

ایده‌هایی برای شخصی‌سازی
✨ رنگ برگ: #2E8B57 (سبز تیره) و #90EE90 (سبز روشن) رو با هر رنگ دلخواه عوض کن
🪷 شکل متفاوت: به جای برگ، یه نماد Om (ॐ) یا خورشید بکش
💐 گل لوتوس: با چند تا circle کوچک‌تر یه گل ساده بکش
🎨 خروجی تصویر:
با
screen.getcanvas().postscript(file="yoga.eps")
کارت رو ذخیره کن (بعد با ابزار دیگه‌ای به PNG تبدیل کن)

🆔 @python4all_pro


🧩لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro

چطور با #Python و matplotlib یک نمودار حاشیه‌نویسی‌شده بسازیم 🐍📊

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure(figsize=(8, 6))

X = list(range(10))
plt.plot(X, np.exp(X))
plt.title('Annotating Exponential Plot using plt.annotate()')
plt.xlabel('x-axis')
plt.ylabel('y-axis')

plt.annotate('Point 1', xy=(6, 400),
             arrowprops=dict(arrowstyle='->'),
             xytext=(4, 600))

plt.annotate('Point 2', xy=(7, 1150),
             arrowprops=dict(arrowstyle='->',
                             connectionstyle='arc3,rad=-.2'),
             xytext=(4.5, 2000))

plt.annotate('Point 3', xy=(8, 3000),
             arrowprops=dict(arrowstyle='-|>',
                             connectionstyle='angle,angleA=90,angleB=0'),
             xytext=(8.5, 2200))

plt.show()

توضیح مرحله به مرحله
۱. ایمپورت کتابخونه‌ها

import matplotlib.pyplot as plt
import numpy as np

matplotlib.pyplot برای رسم نمودار و numpy برای محاسبات عددی (مثل تابع exp) لازمه.
۲. ساخت شکل و رسم داده

fig = plt.figure(figsize=(8, 6))
X = list(range(10))
plt.plot(X, np.exp(X))

یک شکل با اندازه‌ی ۸×۶ ساخته می‌شه و تابع نمایی e^x روی بازه‌ی ۰ تا ۹ رسم می‌شه.

۳. عنوان و برچسب محورها

plt.title('Annotating Exponential Plot using plt.annotate()')
plt.xlabel('x-axis')
plt.ylabel('y-axis')

۴. حاشیه‌نویسی‌ها با plt.annotate()
تابع annotate() سه پارامتر کلیدی داره:
پارامتر
کارش
text
متنی که می‌خوای نشون بدی
xy
نقطه‌ای که فلش بهش اشاره می‌کنه
xytext
موقعیت متن روی نمودار
arrowprops
استایل فلش
Point 1 — فلش ساده:

plt.annotate('Point 1', xy=(6, 400),
             arrowprops=dict(arrowstyle='->'),
             xytext=(4, 600))

فقط یه فلش معمولی از متن به نقطه.

Point 2 — فلش منحنی:

plt.annotate('Point 2', xy=(7, 1150),
             arrowprops=dict(arrowstyle='->',
                             connectionstyle='arc3,rad=-.2'),
             xytext=(4.5, 2000))

با connectionstyle='arc3,rad=-.2' فلش به صورت کمان با انحنای -0.2 رسم می‌شه (منفی یعنی انحنا به یه سمت خاص).

Point 3 — فلش با زاویه‌ی سفارشی:

plt.annotate('Point 3', xy=(8, 3000),
             arrowprops=dict(arrowstyle='-|>',
                             connectionstyle='angle,angleA=90,angleB=0'),
             xytext=(8.5, 2200))

اینجا connectionstyle='angle' با angleA=90 و angleB=0 یه فلش زاویه‌دار می‌سازه. سر فلش هم -|> یعنی پیکان کلاسیک با خط صاف.

💡 نکته: کلید اصلی plt.annotate() همینه: با xytext متن رو هر جا که دلت بخواد بذار، و با xy مشخص کن فلش به کدوم نقطه‌ی واقعی روی نمودار اشاره کنه.


🆔 @python4all_pro


🧩لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro

🐍معرفی  SQLModel — ترکیب Pydantic و SQLAlchemy با type hints

؛SQLModel کتابخونه‌ای از تیم FastAPI هست که با استفاده از type annotationهای پایتون، کار با پایگاه‌داده‌ی SQL رو ساده‌تر می‌کنه.

🚀 مثال

from sqlmodel import Field, SQLModel

class Hero(SQLModel, table=True):
    id: int | None = Field(default=None, primary_key=True)
    name: str
    secret_name: str
    age: int | None = None

فقط با همین چند خط:
✅ یه جدول SQL ساخته شد
✅ یه مدل Pydantic برای validation داری
✅ یه ORM برای کوئری زدن داری

🔧 استفاده در FastAPI

from fastapi import FastAPI, Depends
from sqlmodel import Session, select
from .models import Hero

app = FastAPI()

# ساخت session
def get_session():
    with Session(engine) as session:
        yield session

@app.post("/heroes/")
def create_hero(hero: Hero, session: Session = Depends(get_session)):
    session.add(hero)
    session.commit()
    session.refresh(hero)
    return hero

@app.get("/heroes/")
def read_heroes(session: Session = Depends(get_session)):
    heroes = session.exec(select(Hero)).all()
    return heroes

🎯 ویژگی‌های کلیدی

🔗 یکپارچگی با Pydantic
؛validation خودکار با همان type hints
🔗 یکپارچگی با SQLAlchemy
تمام قابلیت‌های ORM در دسترس
⚡ سازگاری کامل با FastAPI
🪶 کد کمتر
یک مدل به جای دو مدل جداگانه
خطاها در زمان توسعه گرفته می‌شن
مناسب برای پروژه‌های بزرگ

📦 نصب
pip install sqlmodel
🔗 لینک گیت‌هاب:
https://github.com/fastapi/sqlmodel

مستندات:
https://sqlmodel.tiangolo.com/


🆔 @python4all_pro


🧩لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro

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


🧩لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro

Python re(gex)? exercises

یک برنامه تمرینی عالی برای Regex در پایتون

📚 سرفصل‌های کتاب PyRegexExercises
۱. مفاهیم پایه Regex
الگوهای ساده (simple patterns)
کاراکترهای خاص (special characters)
کلاس‌های کاراکتر (character classes)
۲. عملگرهای اصلی
۳. کلاس‌های کاراکتر پیشرفته
۴. بازه‌ها و محدودکننده‌ها
۵. گروه‌بندی و بازگشت
۶. الگوهای پیشرفته
۷. ماژول re و regex
۸. تمرینات عملی
پاکسازی متن
استخراج اطلاعات
اعتبارسنجی فرم‌ها
تحلیل لاگ‌ها

✅ مناسب برای:
مبتدیان پایتون — که می‌خواهند Regex را یاد بگیرند
توسعه‌دهندگان — که با Regex کار می‌کنند ولی می‌خواهند مهارتشان را تقویت کنند
تحلیلگران داده — برای پاکسازی و پردازش متن
مهندسان نرم‌افزار — برای کار با APIها و لاگ‌ها
توسعه‌دهندگان وب — برای اعتبارسنجی فرم‌ها و پردازش ورودی
❌ مناسب برای:
کسی که Regex را کاملاً نمی‌داند — باید ابتدا مفاهیم پایه را یاد بگیرد
کسی که فقط Regex ساده کار می‌کند — ممکن است برایش مفید نباشد
این کتاب با یک TUI (رابط کاربری ترمینال) همراه است
بیش از ۱۰۰ تمرین دارد
با ماژول re و regex کار می‌کند

📚 Book


🆔 @python4all_pro

Architecture Patterns with Python Enabling Test-Driven Development, Domain-Driven Design, and Event-Driven Microservices

یک کتاب فوق‌العاده برای معماری نرم‌افزار در پایتون
این کتاب برای چه کسانی خوبه؟

✅ مناسب برای:
توسعه‌دهندگان پایتون — که می‌خواهند معماری نرم‌افزار را یاد بگیرند
مهندسان نرم‌افزار — که می‌خواهند الگوهای معماری را به‌کار بگیرند
توسعه‌دهندگان Microservices — که می‌خواهند معماری رویدادمحور یاد بگیرند
کسی که با DDD کار می‌کند — برای بهبود معماری دامنه
کسی که با TDD کار می‌کند — برای پیاده‌سازی TDD در پروژه‌های بزرگ
❌ مناسب برای:
مبتدیان پایتون — باید ابتدا مفاهیم پایه پایتون را یاد بگیرند
کسی که با معماری نرم‌افزار آشنایی ندارد — ممکن است برایش مفید نباشد
💡 نکات مهم
این کتاب روی TDD، DDD و معماری رویدادمحور تمرکز دارد
با Flask و Message Bus کار می‌کند
شامل پروژه‌های عملی است
برای توسعه‌دهندگان میانی تا پیشرفته عالی است

📚 Read


🆔 @python4all_pro

‌📣 ۷۵٪ تخفیف برای دسترسی رایگان به تمام آموزش‌های فرادرس
 
💯 از دروس دانشگاه و کنکور تا برنامه‌نویسی، هوش مصنوعی، نرم‌افزار، مهارت‌های شغلی، هنر و هزاران موضوع دیگر؛ همه با یک اشتراک در دسترس شماست!!
 
🔻 مزایای اشتراک فرادرس:
 
✅ دسترسی نامحدود به ۱۸,۰۰۰+ آموزش تخصصی
✅ ۲۰۰,۰۰۰+ تمرین و سؤال برای یادگیری عمیق و کاربردی
✅ دریافت گواهینامه در بیش از ۴,۰۰۰ آموزش
 
🔥 امکان پرداخت در ۴ قسط
 
🔗 فعالسازی اشتراک فرادرس – کلیک کنید

🔄 FaraDars - فرادرس

🚀 ۱۵ کتابخانه پایتون برای دیتاساینس ها


🥇 Pyro : https://github.com/pyro-ppl/pyro

یک فریم‌ورک قدرتمند برای مدل‌سازی احتمالاتی و بیزی که روی پایتورچ ساخته شده. برای ساخت مدل‌های مولد، تحلیل آماری پیشرفته و کار با شبکه‌بیزی عالی است. پشتیبانی کامل از Pyro Pro برای مدل‌های پیچیده‌تر.

🥈 Taipy : https://github.com/Avaiga/taipy

یک جعبه ابزار برای توضیح‌پذیری مدل‌های هوش مصنوعی که چندین الگوریتم برای تحلیل مدل‌های بلک‌باکس و شفاف دارد. برای گزارش‌دهی تحلیل مدل و ارائه نتایج به غیرمتخصصان عالی است.

🥉 Nevergrad : https://github.com/facebookresearch/nevergrad

یک کتابخانه پایتون برای بهینه‌سازی تکاملی و بدون مشتق که به درد تنظیم هایپرپارامترها و بهینه‌سازی مدل‌های پیچیده می‌خورد. از روش‌های مختلف بهینه‌سازی مانند Bayesian Optimization، Genetic Algorithms و... پشتیبانی می‌کند.
4️⃣ cvxpyLayers : https://github.com/cvxpy/cvxpylayers

یک لایه بهینه‌سازی محدب قابل تفکیک برای پایتورچ و TensorFlow که برای آموزش مدل‌هایی با محدودیت‌های ریاضی خاص مانند کنترل بهینه، برنامه‌ریزی خطی و غیره استفاده می‌شود.

5️⃣ PyCaret : https://github.com/pycaret/pycaret

یک جعبه ابزار کم‌کد برای آموزش، تیون و حتی دیپلوی مدل با چند خط ساده. برای پروژه‌های سریع و MVP عالی است و پشتیبانی کامل از انواع الگوریتم‌های ML دارد.

6️⃣ PyGWalker : https://github.com/Kanaries/pygwalker

یک ابزار تعاملی برای ژوپیتر که محیط Drag & Drop می‌دهد که راحت دیتاتو بگردی و نمودار تعاملی بسازی. برای تحلیل داده‌های سریع و تعاملی عالی است.

7️⃣ Featuretools : https://github.com/alteryx/featuretools

یک ابزار خودکار برای تولید ویژگی‌های جدید از داده‌های سری زمانی یا دیتاست‌های رابطه‌ای. برای Feature Engineering و ساخت دیتاست‌های پیشرفته استفاده می‌شود.

8️⃣ HyperTools : https://github.com/ContextLab/hypertools

یک کتابخانه برای تحلیل داده‌های چندبعدی و پیچیده که آن‌ها را می‌آورد در فضای دو بعدی یا سه بعدی و با تصویر و انیمیشن نشان می‌دهد. برای تحلیل و نمایش داده‌های پیچیده عالی است.

9️⃣ SHAPash : https://github.com/MAIF/shapash

یک کتابخانه برای توضیح پذیری مدل‌ها که یک داشبورد قابل فهم می‌دهد که بفهمی مدل چرا این خروجی را داده است. برای گزارش‌دهی تحلیل مدل و ارائه نتایج به غیرمتخصصان عالی است.
🔟 Cleanlab : https://github.com/cleanlab/cleanlab

یک کتابخانه برای شناسایی و اصلاح خطاهای برچسب در دیتاست‌ها که باعث بهبود کیفیت داده آموزشی مدل‌ها می‌شود. برای کار با دیتاست‌های پر از نویز و خطا استفاده می‌شود.

⏺ NannyML : https://github.com/NannyML/nannyml

یک ابزار مانیتورینگ آماده و بی‌دردسر برای مدل‌ها بعد از دیپلوی که تغییر در داده، افت عملکرد و مشکلات کیفیت داده را تشخیص می‌دهد. برای Monitoring و Alerting مدل‌ها عالی است.

⏺ STUMPY : https://github.com/stumpy-dev/stumpy

یک کتابخانه برای تحلیل داده‌های سری زمانی که پیدا کردن ناهنجاری‌ها، کشف الگوهای تکراری و تقسیم‌بندی داده‌ها را آسان می‌کند. برای تحلیل سری زمانی پیشرفته استفاده می‌شود.

⏺ Optuna : https://github.com/optuna/optuna

یکی از بهترین ابزارها برای تنظیم هایپرپارامترها که خیلی سریع و تمیز بهترین تنظیمات مدل را پیدا می‌کند و کلی نمودار برای تحلیل می‌دهد. برای Hyperparameter Tuning پیشرفته عالی است.

⏺ Gradio : https://github.com/gradio-app/gradio

یک ابزار که هر مدل ML را می‌تواند خیلی سریع (تقریباً در یک دقیقه) تبدیل به یک وب‌اپ ساده کند؛ بدون اینکه فرانت‌اند بلد باشد. برای دمو و ارائه مدل عالی است.

⏺ Kedro : https://github.com/kedro-org/kedro

یک فریم‌ورک که کل تمرکزش این است که پروژه را منظم کند؛ یک فریم‌ورک برای ماژولار ساختن پروژه‌های ML که خروجی‌هایش قابل تکرار و تمیز باشد. برای پروژه‌های بزرگ و تیمی استفاده می‌شود.

💡 نکات کلیدی
این کتابخانه‌ها برای دیتا ساینس‌های پیشرفته و حرفه‌ای عالی هستند
برخی از آن‌ها برای پروژه‌های سریع و MVP مناسب‌اند (مثل PyCaret و Gradio)
برخی دیگر برای پروژه‌های بزرگ و تیمی مناسب‌اند (مثل Kedro و NannyML)
برخی برای تحلیل داده‌های پیچیده استفاده می‌شوند (مثل HyperTools و STUMPY)
برخی برای توضیح پذیری مدل‌ها استفاده می‌شوند (مثل SHAPash و Taipy)

#پایتون #علم_داد
🆔 @python4all_pro

یک تابستون پر از یادگیری

لپ‌تاپ و آب‌میوه خنکت رو آماده کن💻🍹
چون با دانشکار قراره به یه برنامه‌نویس سی شارپ حرفه‌ای تبدیل بشی!
🏖 تابستون امسال بوت‌کمپ ASP.NET دانشکار رو شرکت کن
و صفر تا صد دات نت رو در ۵ ماه یاد بگیر👇
🔗https://dnkr.ir/6NgBr
🔴 فقط ۲ روز تا پایان مهلت ثبت‌نام

📊 اینجا یاد می‌گیری داده‌ها رو به تحلیل، داشبورد و رزومه تبدیل کنی!

🎯 بازار کار تحلیل داده دنبال کسیه که فقط ابزار بلد نباشه؛ بلکه بتونه از دل داده‌ها مسئله پیدا کنه، گزارش بسازه و تصمیم‌های واقعی پیشنهاد بده.

✨ «بوت‌کمپ تحلیل داده» کوئرا، دقیقا روی همین مسئله تمرکز کرده. توی این بوت‌کمپ، با مسیر مشخص جلو می‌ری، پروژه تیمی انجام می‌دی، از منتورها بازخورد می‌گیری و خروجی‌هایی می‌سازی که برای رزومه و مصاحبه به کارت میان.

🚀 اگر می‌خوای یادگیری تحلیل داده برات به یک مسیر جدی برای بازار کار و درآمد تبدیل بشه ثبت‌نام اولیه بوت‌کمپ رو رایگان انجام بده.

🔗 https://quera.org/r/hutmn

دوره جدید DeepLearning AI با همکاری Cerebras منتشر شد
موضوع دوره درباره «استنتاج سریع مدل‌های زبانی» است و نشان می‌دهد سرعت بالاتر LLMها چطور می‌تواند مسیر ساخت اپلیکیشن‌های Real-Time را تغییر دهد در این دوره ساخت ورک‌فلوهای چندابزاره، شخصی‌سازی لحظه‌ای صفحات وب و کار با Codex هم آموزش داده می‌شود

http://hubs.la/Q04pypry0 https://x.com/DeepLearningAI/status/2077415530965676236/video/1


🆔 @python4all_pro


🧩لینک کانال در بله 👇👇
https://ble.ir/Python4all_pro