13517
یادگیری برنامه نویسی، هوش مصنوعی، دیتا ساینس و پروژههای تحقیقاتی Python | Machine Learning | Biopython | C++ | AI مطالب آموزشی ، تحقیقاتی ، پروژه محور و پژوهشی برای علاقه مندان به یادگیری برنامه نویسی برای تبلیغات یا ارسال پیشنهاد: @void_compile
🧠 نقشه جامع الگوریتمهای یادگیری ماشین (Machine Learning)
یادگیری ماشین فقط چند الگوریتم مثل درخت تصمیم و رگرسیون خطی نیست؛ بلکه مجموعهای گسترده از روشها و رویکردها برای یادگیری از دادههاست.
📌 چند نکته علمی مهم:
۱. یادگیری عمیق (Deep Learning) زیرمجموعهای از یادگیری ماشین است.
۲. یادگیری ترکیبی (Ensemble Learning) با ترکیب چند مدل، میتواند عملکرد و پایداری پیشبینی را بهبود دهد.
۳. رگرسیون لجستیک (Logistic Regression) برخلاف نامش، یک الگوریتم طبقهبندی است.
۴. الگوریتم PCA برای کاهش ابعاد داده استفاده میشود؛ درحالیکه t-SNE و UMAP کاربرد گستردهای در مصورسازی دادههای چندبعدی دارند.
۵. در یادگیری خودنظارتی (Self-Supervised Learning)، مدل سیگنال آموزشی را از خود دادهها استخراج میکند.
۶. انتخاب الگوریتم مناسب به نوع مسئله، ویژگیهای داده، منابع محاسباتی و هدف ارزیابی بستگی دارد.
این نقشه، نمایی کلی از خانوادههای اصلی الگوریتمهای یادگیری ماشین است.
در پستهای آینده، هرکدام از این دستهها را جداگانه و عمیقتر بررسی میکنیم.
#MachineLearning #AI #DataScience #DeepLearning
@voidcompile
🐻کتابخانه ی Polars چیست؟ سریعتر و بهینهتر از Pandas دادهها را پردازش کنیم!
کتابخانه ی Polars یک کتابخانه متنباز برای پردازش و تحلیل دادهها (DataFrame Library) است که با زبان Rust توسعه یافته و رابط کاربری قدرتمندی برای Python ارائه میدهد.
اما چه چیزی آن را متمایز میکند؟
🔹 High Performance:
پردازش سریع دادهها با استفاده از موتور محاسباتی بهینهشده و اجرای چندریسمانی (Multithreading).
🔹 Memory Efficiency:
مدیریت بهینه حافظه و استفاده از فرمت ستونی Apache Arrow.
🔹 Lazy Evaluation:
بهجای اجرای فوری دستورات، ابتدا یک Query Plan میسازد و سپس عملیات را بهینه اجرا میکند.
🔹 Parallel Execution:
امکان اجرای موازی عملیات برای استفاده بهتر از منابع سختافزاری.
🔹 Expression API:
رویکردی قدرتمند و بهینه برای فیلتر کردن، تبدیل و تحلیل دادهها.
📌 Polars یا Pandas
کتابخانه ی Pandas همچنان یکی از مهمترین ابزارهای تحلیل داده در پایتون است و اکوسیستم گستردهای دارد؛ اما Polars برای پردازش سریع و بهینه دادهها، بهخصوص در دیتاستهای بزرگ،
گزینه بسیار جذابی است.
#polars #python
@voidcompile
🧠فریمورک هاق Keras، PyTorch و TensorFlow چه تفاوتی با یکدیگر دارند؟
هر سه از محبوبترین فریمورکها و ابزارهای توسعه در حوزه یادگیری عمیق (Deep Learning) هستند؛ اما فلسفه طراحی و نحوه استفاده از آنها متفاوت است.
🔹فریمورک Keras: یک API سطحبالا (High-Level API) برای ساخت و آموزش شبکههای عصبی با کدنویسی سادهتر و سریعتر است. تمرکز آن بر سادگی، خوانایی و توسعه سریع مدلهاست.
🔹فریمورک PyTorch: یک فریمورک یادگیری عمیق با انعطافپذیری بالا است که بهویژه در پژوهشهای هوش مصنوعی، آزمایش ایدههای جدید و توسعه معماریهای پیچیده کاربرد گستردهای دارد.
🔹 فریمورک TensorFlow: یک فریمورک جامع یادگیری ماشین است که علاوه بر آموزش مدلها، ابزارهای متنوعی برای استقرار (Deployment)، مقیاسپذیری و توسعه سیستمهای مبتنی بر هوش مصنوعی ارائه میدهد.
@voidcompile
💻 ۳ کتاب که برنامه نویسیان برای شروع می توانند بخوانند!
برنامه نویس خوب فقط کسی نیست که کد مینویسد؛ بلکه باید بتواند مسئله را تحلیل کند، کد قابل نگهداری بنویسد و مثل یک مهندس نرم افزار فکر کند.
اگر بخواهیم از بین کتابهای ارزشمند دنیای برنامه نویسی سه مورد را انتخاب کنیم:
۱. Clean Code — Robert C. Martin
📖 یادگیری اصول نوشتن کد تمیز، خوانا و قابل نگهداری.
۲. The Pragmatic Programmer — Andrew Hunt & David Thomas
📖 تغییر طرز فکر از یک کدنویس ساده به یک برنامهنویس حرفهای و مسئلهمحور.
۳. Design Patterns: Elements of Reusable Object-Oriented Software — Gang of Four
📖 آشنایی با الگوهای طراحی و راهکارهای استاندارد برای حل مسائل تکرارشونده در مهندسی نرمافزار.
#برنامه_نویسی #کتاب #Python #SoftwareEngineering
@voidcompile
🔍 ۵ وبسایت کاربردی برای پیدا کردن دیتاست
اگر در حوزههای Data Science، Machine Learning یا Bioinformatics فعالیت میکنید، این ۵ منبع میتوانند برای پیدا کردن دادههای مناسب به شما کمک کنند:
1️⃣ Kaggle
2️⃣ UCI Machine Learning Repository
3️⃣ Hugging Face
4️⃣ NCBI
5️⃣ Google Dataset Search
از دیتاستهای عمومی و یادگیری ماشین گرفته تا دادههای ژنومی و زیستی.
📌 این منابع را ذخیره کنید؛ احتمالاً در پروژههای بعدی به آنها نیاز پیدا میکنید.
#Python #DataScience #MachineLearning #Bioinformatics
@voidcompile
🧠 شبکههای عصبی چطور یاد میگیرند؟
پشت آموزش هر مدل Deep Learning دو فرآیند اساسی وجود دارد:
🔵 Forward Propagation
دادهها از لایه ورودی عبور میکنند و مدل یک پیشبینی تولید میکند.
🟣 Backpropagation
مدل خطای پیشبینی را بررسی میکند، گرادیانها را محاسبه میکند و وزنها و بایاسها را برای بهبود عملکرد بهروزرسانی میکند.
⚙️ به زبان ساده:
Forward = Prediction
Backpropagation = Learning
این دو فرآیند در کنار الگوریتمهایی مثل Gradient Descent، هسته اصلی آموزش شبکههای عصبی را تشکیل میدهند.
#DeepLearning #Python #ArtificialIntelligence #MachineLearning
@voidcompile
🐍 شرطها در پایتون | Python Conditions
با if، elif و else به کدت یاد بده تصمیم بگیره!
📌 یک چیتشیت کاربردی برای مرور شرطها، عملگرهای مقایسهای و منطقی پایتون.
💻 ذخیرهاش کن که موقع کدنویسی به کارت میاد!
#Python #برنامه_نویسی #آموزش_پایتون
@voidcompile
🚨 هشدار امنیتی فوری | آسیبپذیریهای بحرانی در PHP
دو آسیبپذیری بحرانی با شناسههای CVE-2026-109618 و CVE-2026-109619 در PHP شناسایی شدهاند که میتوانند امکان اجرای کد از راه دور (RCE) بدون نیاز به احراز هویت را فراهم کنند. شدت هر دو آسیبپذیری CVSS 9.2 از 10 گزارش شده است. <Cite refs={["turn314886search4","turn314886search1"]}/>
🔴 اقدامات ضروری:
- نسخه PHP تمام سرورها و محیطهای اجرایی را بررسی کنید.
- به نسخههای اصلاحشده 8.5.12، 8.4.27، 8.3.36 یا 8.2.35 ارتقا دهید.
- در صورت عدم امکان وصلهکردن فوری، دسترسی عمومی سامانه آسیبپذیر را محدود کنید.
- لاگها و نشانههای احتمالی نفوذ را بررسی کنید.
⚠️ گزارشهای امنیتی از احتمال سوءاستفاده فعال از این آسیبپذیریها خبر میدهند؛ بنابراین بررسی و بهروزرسانی باید در اولویت قرار گیرد. <Cite refs={["turn314886search3","turn314886search5"]}/>
🔗 اطلاعیه رسمی PHP:
https://www.php.net/archive/2026.php
#PHP #CyberSecurity #InfoSec #امنیت_سایبری
@voidcompile
✅کتابخانه های پایتونی برای رسم گراف
توی این این پست می خواهم به شما 6 کتابخانه رو معرفی کنم که در آنالیز دیتا و تحقیقات بسیار پر کارد هستنند.
1⃣Matplotlib
2⃣Seaborn
3⃣Plotly
4⃣ggplot
5⃣Bokeh
6⃣Altair
@voidcompile
✅برای آشنایی و یادگیری و استفاده الگوریتم های ماشین لرنینگ نظارت شده میتونید این تصویر رو ذخیره داشته باشید و استفاده کنید .
🔹 Linear Regression
🔹 Logistic Regression
🔹 KNN
🔹 SVM
🔹 Naive Bayes
🔹 Decision Tree
🔹 Random Forest
لینک آموزش کامل در گیت هاب :
Repo
@voidcompile
🔎در ریپوی آموزشی چی خواهد بود؟
✅شما می توانید به ریپو دسترسی داشته باشید تمامی کد ها آنجا قرار می گیرند
✅ریپو هر روز در حال اپدیت است .
💡لینک دسترسی :
گیت هاب
@voidcompile
در این قسمت شما یاد می گیرید چطوری گراف های سه بعدی و حرفه ای ایجاد کنید .
مشاهده در گیتهاب
@voidcompile
✅در حال ساختن یک ریپوی فوق العاده هستم که احتمالا زمانبر خواهد بود اما می خواهم نه تنها یک جزوه ی عادی بلکه به صورت پروژه ای بتونید استفاده کنید و یاد بگیرید .
✅از مباحث آنالیزدیتا تا ماشین لرنینگ و بیوانفورماتیک(بیوپایتون)
📎دوره ی طراحی شده که گفتم از همین خواهد بود و اپدیت ها قرار می گیره ...
📝این برای خود من یک چالش هست که گیتهاب را آنجوری که باید بلاخره راه اندازی کنم.
🔎ریپو اینجاست :
https://github.com/MobinZamanii/skills-and-learning
@voidcompile
هر ابزاری نیاز به یک متخصص دارد بدون تخصص فقط خرابی به بار می آید.
برنامه نویسی با هوش مصنوعی نیازمند تخصص در زمینه برنامه نویسی است.
به مناسبت روز برنامه نویس 🧠🫀
Читать полностью…
🧬 هوش مصنوعی چگونه به تشخیص سرطان کمک میکند؟
شاید جالب باشد بدانید هوش مصنوعی میتواند تصاویر پزشکی و دادههای ژنتیکی را برای شناسایی الگوهای مرتبط با سرطان تحلیل کند.
چند نمونه از کاربردهای آن:
🔹 تصاویر MRI و CT:
شناسایی و قطعهبندی نواحی توموری با Deep Learning
🔹 پاتولوژی دیجیتال: بررسی تصاویر میکروسکوپی و شناسایی الگوهای بافتی سرطانی
🔹 دادههای ژنتیکی: تحلیل جهشها و الگوهای بیان ژن با Machine Learning
🔹مدل Multimodal AI: ترکیب تصاویر پزشکی، دادههای ژنتیکی و اطلاعات بالینی برای درک بهتر بیماری
🎯 هدف چیست؟
کمک به پزشکان برای تصمیمگیری دقیقتر و حرکت به سمت پزشکی شخصیسازیشده (Precision Medicine).
@voidcompile
🤖 AI Agent چیست؟
احتمالاً اسم هوش مصنوعی و چتباتها را زیاد شنیدهاید؛ اما نسل جدید هوش مصنوعی فقط به سؤالهای ما پاسخ نمیدهد، بلکه میتواند برای رسیدن به یک هدف، تصمیم بگیرد و اقدام کند!
اینجاست که مفهوم AI Agent (عامل هوشمند) مطرح میشود.
به زبان ساده، یک AI Agent سیستمی است که میتواند:
- 🎯 یک هدف را دریافت کند.
- 🧠 مسئله را تحلیل و برای آن برنامهریزی کند.
- 🛠️ از ابزارها و منابع مختلف استفاده کند.
- ⚙️ وظایف را بهصورت خودکار یا نیمهخودکار انجام دهد.
- 🔄 نتیجه اقداماتش را بررسی کند و در صورت نیاز مسیرش را تغییر دهد.
تفاوت اصلی چیست؟
یک چتبات معمولی عمدتاً با شما گفتگو میکند؛ اما یک AI Agent علاوه بر گفتگو، میتواند برای انجام یک وظیفه مشخص وارد عمل شود.
برای مثال، بهجای اینکه فقط از هوش مصنوعی بپرسید «وضعیت بازار را تحلیل کن»، میتوانید یک Agent طراحی کنید که دادهها را جمعآوری کند، آنها را تحلیل کند و در نهایت گزارشی ارائه دهد.
📌 در واقع، Agent حرکت از «پاسخ دادن» به سمت «اقدام کردن» کردن است.
@voidcompile
🧠 نورون مصنوعی (Artificial Neuron) چگونه در یادگیری عمیق کار میکند؟
یکی از بنیادیترین مفاهیم در یادگیری عمیق (Deep Learning)، نورون مصنوعی است.
نورون مصنوعی با دریافت دادههای ورودی، به هر ورودی یک وزن اختصاص میدهد و سپس با ترکیب آنها و افزودن مقدار بایاس، یک مقدار محاسبه میکند.
در ادامه، این مقدار از یک تابع فعالسازی (Activation Function) عبور میکند تا خروجی نهایی تولید شود.
مراحل اصلی عملکرد نورون:
1️⃣ Inputs: دریافت ویژگیهای ورودی
2️⃣ Weights: تعیین اهمیت هر ورودی
3️⃣ Weighted Sum: محاسبه مجموع وزندار و افزودن بایاس
4️⃣ Activation Function: اعمال غیرخطیسازی
5️⃣ Output: تولید خروجی نورون
📌 نکته مهم: وزنها و بایاسها در فرایند آموزش شبکه و با استفاده از الگوریتمهایی مانند Backpropagation بهروزرسانی میشوند.
ترکیب تعداد زیادی از این نورونها در لایههای مختلف، شبکههای عصبی عمیق را تشکیل میدهد؛ شبکههایی که میتوانند الگوهای پیچیده را یاد بگیرند و در کاربردهایی مانند تشخیص تصاویر پزشکی، پیشبینی بیماریها و پردازش زبان طبیعی استفاده شوند.
#DeepLearning
@voidcompile
🐍 ۵ قابلیت کاربردی پایتون که کدنویسی را سادهتر میکنند!
در پایتون همیشه لازم نیست برای انجام کارهای ساده، کدهای طولانی بنویسیم. گاهی شناخت چند قابلیت کوچک میتواند تفاوت زیادی در کیفیت کدنویسی ایجاد کند.
در این پست با ۵ قابلیت کاربردی آشنا شدیم:
🔹 "enumerate()" برای دسترسی به اندیس و مقدار
🔹 "zip()" برای پیمایش همزمان چند مجموعه
🔹 "List Comprehension" برای ساخت لیستها
🔹 "any()" و "all()" برای بررسی شرطها
🔹 "Unpacking" برای استخراج همزمان مقادیر
💡 برنامهنویس حرفهای فقط بیشتر کد نمینویسد؛ بلکه راه سادهتر و بهتری برای حل مسئله پیدا میکند.
#Python #برنامه_نویسی #PythonProgramming
@voidcompile
🔥 حقیقتی که خیلیها در آموزش پایتون دوست ندارن بشنون!
اینکه چند تا حلقه بنویسی، با pandas دیتافریم بسازی یا چند پروژه کپی کنی، لزوماً ازت برنامهنویس نمیسازه!
💻 مشکل خیلی از آموزشهای پایتون چیه؟
همهچیز از سینتکس شروع میشه و همونجا تموم میشه؛ اما کمتر کسی ازت میپرسه:
🧠 الگوریتمی که نوشتی چقدر بهینهست؟
📐 پیچیدگی زمانی کدت چقدره؟ ⚙️ حافظه چطور مصرف میشه؟ 🧩 اصلاً چرا این راهحل بهتر از راهحلهای دیگهست؟
اینجاست که علوم کامپیوتر (Computer Science) اهمیت پیدا میکنه.
پایتون بهت یاد میده چطور کد بنویسی؛ علوم کامپیوتر کمکت میکنه بفهمی پشت اون کد چه اتفاقی میافته.
اگه میخوای از کدنویسی فراتر بری، باید الگوریتم، ساختمان داده، سیستمعامل و مبانی محاسبات رو هم جدی بگیری.
⚠️ حالا سؤال :
اگه کسی ۵۰ تا پروژه پایتون ساخته باشه، ولی از الگوریتم و ساختمان داده چیزی ندونه، واقعاً برنامهنویس هست ؟
#پایتون #برنامه_نویسی #علوم_کامپیوتر #هوش_مصنوعی #الگوریتم
@voidcompile
لایههای هوش مصنوعی؛ از داده تا تصمیمگیری هوشمند
هوش مصنوعی فقط ChatGPT یا مدلهای مولد نیست! پشت سیستمهای هوشمند، مجموعهای از فناوریها قرار دارند:
🔹 Classical AI
🔹 Machine Learning
🔹 Neural Networks
🔹 Deep Learning
🔹 Generative AI
🔹 Agentic AI
هرکدام نقش متفاوتی دارند و در کنار داده و زیرساخت محاسباتی، امکان ساخت سیستمهای هوشمندتر را فراهم میکنند.
اگر میخواهی در AI عمیقتر شوی، فقط ابزارها را یاد نگیر؛ معماری پشت آنها را هم بشناس.
#هوش_مصنوعی #یادگیری_ماشین
@voidcompile
تکنولوژی CUDA چیست؟
تکنولوژی CUDA یک پلتفرم محاسبات موازی از شرکت NVIDIA است که به برنامهنویسان اجازه میدهد از قدرت GPU برای اجرای محاسبات سنگین استفاده کنند.
⚡ کاربردها:
🔹 آموزش مدلهای هوش مصنوعی و Deep Learning
🔹 پردازش دادههای حجیم
🔹 شبیهسازیهای علمی و محاسبات زیستی
🔹 اجرای سریعتر برخی الگوریتمهای محاسباتی
💡 تکنولوژی CUDA یک زبان برنامهنویسی نیست؛ بلکه مجموعهای از ابزارها و کتابخانهها برای بهرهگیری از توان پردازشی GPU است. با C++ میتوان مستقیماً برای CUDA برنامه نوشت و در Python نیز از طریق ابزارهایی مثل PyTorch از آن استفاده کرد.
#CUDA #NVIDIA #هوش_مصنوعی #برنامه_نویسی
@voidcompile
🐍 پایتون 3.15؛ چه قابلیتهای جدیدی اضافه شده؟
نسخه جدید پایتون با مجموعهای از تغییرات در عملکرد، ابزارهای توسعه و تجربه برنامهنویسی منتشر شده است.
🚀 ۶ قابلیت مهم Python 3.15:
⚡ بهبود عملکرد کامپایلر آزمایشی JIT
📦 واردکردن تنبل ماژولها (Lazy Imports)
🔒 نوع داده جدید "frozendict"
🧩 انعطافپذیری بیشتر در Comprehensions
📝 استفاده پیشفرض از UTF-8
📊 ابزارهای بهتر برای پروفایلینگ و تحلیل عملکرد کد
💡 این تغییرات چه اهمیتی دارند؟
برای برنامهنویسان پایتون، توسعهدهندگان هوش مصنوعی، متخصصان علم داده و بیوانفورماتیک، شناخت قابلیتهای جدید میتواند به نوشتن و بهینهسازی بهتر نرمافزار کمک کند.
البته همه این تغییرات الزاماً باعث افزایش سرعت تمام برنامهها نمیشوند؛ نتیجه به نوع پروژه و کتابخانههای مورد استفاده بستگی دارد.
📚 مستندات رسمی:
https://docs.python.org/3.15/whatsnew/
@voidcompile
✅یک موضوع جالبی بررسی شده که من بخشی ازش رو قرار میدم و شما می توانید کامل خبر را در لینک قرار داده شده مشاهده کنید .
چه کسی به هوش مصنوعی یاد داده فکر کند؟
پژوهشگران دانشگاه هاروارد به دنبال پاسخ این سؤال رفتند و به نتایجی رسیدند که چندان خوشایند نیست.
تیم پژوهشی آنها مدلهای GPT را با دادههای روانشناختی جمعآوریشده از مردم ۶۵ کشور مقایسه کرد. نتیجه قابلتوجه بود: پاسخهای هوش مصنوعی حدود ۷۰٪ بیشتر با الگوهای فکری آمریکاییها همخوانی داشت تا با الگوهای فکری اکثریت مردم جهان.
مشاهده کامل خبر
@voidcompile
یادگیری Machine Learning برای من از حفظ کردن الگوریتمها شروع نشد؛ از فهمیدنِ پشتِ آنها شروع شد.
همان طور که گفته بودم مدتیه دارم یک مسیر جدی برای یادگیری Machine Learning با Python میسازم و همزمان تمام چیزهایی که یاد میگیرم رو داخل یک Repository مستند میکنم.
تا اینجا بخش Supervised Learning شامل این الگوریتمهاست:
🔹 Linear Regression
🔹 Logistic Regression
🔹 KNN
🔹 SVM
🔹 Naive Bayes
🔹 Decision Tree
🔹 Random Forest
اما هدفم این نیست که فقط چند تا الگوریتم بلد باشیم و با "sklearn" چند خط کد بنویسیم.
می خواهیم بفهمیم:
🧠 الگوریتم واقعاً چطور کار میکنه؟
📐 پشت ریاضیاتش چه خبره؟
💻 چطور میشه درست پیادهسازی و آزمایشش کرد؟
📊 چطور باید عملکردش رو ارزیابی کرد؟
🔬 و مهمتر از همه، چه زمانی باید ازش استفاده کرد؟
نکته جالب اینه که این Repository فقط برای نمایش پروژه نیست؛ خودم ازش برای یادگیری و آموزش استفاده میکنم.
این Repository قراره به مرور بزرگتر بشه؛ از الگوریتمهای بیشتر و مفاهیم عمیقتر گرفته تا آزمایشها و پروژههای عملیتر.
ریپو اینجاست کلیک کنید.
@voidcompile
در این PDF سعی شده که الگوریتم knn به صورت کامل آموزش داده بشه
در این فایل مطالب
• The intuition behind KNN
• Distance metrics and their mathematics
• KNN Classification and Regression
• Choosing the value of K
• Overfitting, Underfitting, Bias, and Variance
• Feature Scaling and Data Leakage
• Decision Boundaries and Visualization
• From-Scratch KNN implementation
• Scikit-learn implementation
• Cross-Validation and Grid Search
• Evaluation metrics and Confusion Matrix
• Curse of Dimensionality
بررسی می شوند .
شما میتوانید سورس کد را در گیت هاب مشاهده کنید :
Algorithm Knn
@voidcompile
نوت بوک کتابخانه seaborn که برای رسم گراف های علمی ازش استفاده میشه
در حال تکمیل است . پارت یک رو میتونید ببینید.
https://github.com/MobinZamanii/skills-and-learning/blob/main/00-data-analysis/Seaborn/01_Seaborn_Publication_Quality.ipynb
@voidcompile
بهترین منبع برای پیشرفت، داکیومنت اصلی هست که خود آن توسعه دهنده در اختیار شما قرار میده برای آشنایی و یک دید کلی نیازی نیست هزینه کنید فقط به داکیومنت رسمی سر بزنید.
Читать полностью…
🧬 یه پروژه جالب برای علاقهمندان به Bioinformatics و Deep Learning:
🔹 survcraft
یک پکیج پایتونی برای ساخت و توسعه مدلهای Survival Analysis با روشهای یادگیری عمیق.
اگر روی Cancer AI، Bioinformatics یا Medical AI کار میکنید، ارزش یه نگاه رو داره.
🔗 GitHub:
https://github.com/compbiomed-unito/survcraft
#Python #Bioinformatics #DeepLearning #CancerAI #MedicalAI #GitHub #MachineLearning
@voidcompile
✅یکی از مهمترین قدم های یادگیری برنامه نویسی این هست که با چالش های مختلف رو به رو شید ارور دریافت کنین و سعی کنید یک مسئله را از چند طریق حل کنید .
✅توی این دوره سعی میشه که این مورد مهم رعایت شه و برنامه نویسی را به صورت عمقی یاد بگیرید ! ...