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
وقتی همه ی تسک هارو انجام دادی و دیگه میخوای بری خونه
همون لحظه کارفرما :
#fun
#fun@voidcompile
💻@voidcompile
🎓 آموزش هک و امنیت شبکه – قسمت ۹
تفاوت HTTP و HTTPS به زبان ساده
🧠پروتکل HTTP چیست؟
پروتکل HTTP یک پروتکل برای ارسال و دریافت اطلاعات بین مرورگر و سرور است. در این پروتکل دادهها بدون رمزنگاری منتقل میشوند. یعنی هر فردی در مسیر میتواند محتوای اطلاعات را مشاهده یا دستکاری کند.
🔐پروتکل HTTPS چیست؟
پروتوکل HTTPS نسخه امن HTTP است. اطلاعات در این پروتکل با استفاده از SSL/TLS رمزنگاری میشوند تا در برابر:
شنود (Eavesdropping)
تغییر داده (Data Tampering)
جعل هویت (Spoofing)
مقاوم باشند
چرا اهمیت دارد؟
تمام سایتهایی که اطلاعات حساس کاربران مثل فرم ورود، درگاه بانکی، یا شماره کارت دریافت میکنند، باید حتماً از HTTPS استفاده کنند.
#cybersecurity
💻@voidcompile
📘 یادگیری Rust با مثالهای واقعی و کاربردی
میخوای Rust رو با کد و تمرین یاد بگیری؟ ریپوی رسمی Rust by Example بهترین منبع برای یادگیری عملی و گامبهگام Rust هست!
✅ مجموعه مثالهای واضح و قابل اجرا
✅ پوشش تمامی مفاهیم اصلی Rust
✅ مناسب برای مبتدیان و کسانی که دوست دارند کدنویسی کنن و یاد بگیرن
✅ متنباز و رایگان
با دیدن مثالهای متنوع، مهارت Rust خودت رو سریعتر بالا ببر!
📥 لینک ریپو: https://github.com/rust-lang/rust-by-example
#repo@voidcompile
#Rust
💻@voidcompile
کد آموزش ساخت بازی سنگ کاغذ قیچی با پایتون
ری اکشن یادتون نره ممنوون
import random
# Define the possible choices
choices = ["rock", "paper", "scissors"]
print("Welcome to Rock, Paper, Scissors!")
print("Type 'quit' to exit the game.\n")
# Main game loop
while True:
# Get user input and convert to lowercase
user_choice = input("Enter your choice (rock, paper, scissors): ").lower()
# Exit condition
if user_choice == "quit":
print("Game over! Thanks for playing.")
break
# Validate user choice
if user_choice not in choices:
print("Invalid choice, please try again.\n")
continue
# Computer randomly selects one of the choices
computer_choice = random.choice(choices)
print(f"Computer chose: {computer_choice}")
# Determine the outcome
if user_choice == computer_choice:
print("It's a tie!\n")
elif (user_choice == "rock" and computer_choice == "scissors") or \
(user_choice == "scissors" and computer_choice == "paper") or \
(user_choice == "paper" and computer_choice == "rock"):
print("You win!\n")
else:
print("You lose!\n")
🎯 ۵۰ پروژه واقعی فرانتاند برای تمرین حرفهای HTML/CSS/JS
اگه دنبال تمرین عملی برای تقویت مهارتهات در فرانتاند هستی، این ریپو بهترین انتخابه. توی ۵۰ روز، با ۵۰ پروژه کوتاه اما کاربردی، مفاهیم اصلی مثل:
انیمیشن با CSS
رویدادهای جاوااسکریپت
طراحی ریسپانسیو
رو یاد میگیری و حرفهایتر میشی!
👨💻 مناسب برای:
مبتدی تا متوسط | پروژه محور | قابل استفاده در رزومه
📎 لینک ریپو:
github.com/bradtraversy/50projects50days
🔍
#برنامه_نویسی #پروژه_آموزشی
#repo@voidcompile
💻@voidcompile
📘 آموزش PHP، MySQL و JavaScript – از صفر تا ساخت پروژه واقعی!
اگر دنبال یه مسیر کامل برای یادگیری برنامه نویسی وب هستی، این ترکیب سهتایی یعنی PHP + MySQL + JavaScript یه تیر خلاص به بیهدفیته!
در این دوره یاد میگیری چطور بکاند حرفهای با PHP بسازی، اطلاعات رو با MySQL مدیریت کنی، و با JavaScript به رابط کاربری جون ببخشی.
💡 مناسب برای:
مبتدیها، علاقمندان به فول استک وب، طراحان سایت، و کسانی که دنبال ساخت اپلیکیشنهای داینامیک هستن.
📌 یاد میگیری:
🔹 پردازش درخواستها با PHP
🔹 ساخت دیتابیس و کوئریهای کاربردی با MySQL
🔹 تعامل با کاربر و آپدیت لحظهای با JavaScript و AJAX
🔹 ساخت یک شبکه اجتماعی ساده از صفر
🔹 نکات امنیتی، session و فرمهای امن
💻@voidcompile
🔍آموزش زبان برنامه نویسی پایتون با کد قسمت ۱۴ ام :
آموزش تشخیص زبان متن با پایتون | پروژه تشخیص زبان خودکار با آنالیز فرکانس حروف
در این آموزش برنامه نویسی پایتون، یک پروژه جالب و کاربردی داریم: تشخیص زبان متن ورودی فقط با کمک فرکانس حروف! 📊
این کد پایتونی به صورت خودکار متنهایی به زبانهای مختلف رو تحلیل میکنه و با محاسبه فاصله آماری، زبان اصلی متن رو شناسایی میکنه. بدون نیاز به کتابخانه سنگین یادگیری ماشین، فقط با منطق و ریاضی ساده! ✅
📌 نکات مهم:
آموزش تحلیل زبان در پایتون
پروژه ساده اما پیشرفته برای یادگیری الگوریتمهای آماری
مناسب برای پروژههای NLP، تحلیل داده، شناسایی زبان اتوماتیک و آموزش هوش مصنوعی
🧠 یاد میگیری:
استفاده از دیکشنری برای ذخیره فرکانس حروف
محاسبه فاصله اقلیدسی بین دو بردار فرکانس
مقایسه دادهها برای پیشبینی زبان متن
🔐 مناسب برای: آموزش پایتون، علوم داده، یادگیری ماشین، Natural Language Processing، پروژههای دانشجویی
# Reference frequency of letters in English and French
english_freq = {
'a': 8.167, 'b': 1.492, 'c': 2.782, 'd': 4.253, 'e': 12.702,
'f': 2.228, 'g': 2.015, 'h': 6.094, 'i': 6.966, 'j': 0.153,
'k': 0.772, 'l': 4.025, 'm': 2.406, 'n': 6.749, 'o': 7.507,
'p': 1.929, 'q': 0.095, 'r': 5.987, 's': 6.327, 't': 9.056,
'u': 2.758, 'v': 0.978, 'w': 2.361, 'x': 0.150, 'y': 1.974, 'z': 0.074
}
french_freq = {
'a': 7.636, 'b': 0.901, 'c': 3.260, 'd': 3.669, 'e': 14.715,
'f': 1.066, 'g': 0.866, 'h': 0.737, 'i': 7.529, 'j': 0.613,
'k': 0.049, 'l': 5.456, 'm': 2.968, 'n': 7.095, 'o': 5.796,
'p': 2.521, 'q': 1.362, 'r': 6.553, 's': 7.948, 't': 7.244,
'u': 6.311, 'v': 1.628, 'w': 0.114, 'x': 0.387, 'y': 0.308, 'z': 0.136
}
from collections import Counter
import string
def get_letter_frequency(text):
text = text.lower()
filtered_text = ''.join(filter(str.isalpha, text)) # Remove non-letter chars
total = len(filtered_text)
counter = Counter(filtered_text)
freq = {char: (counter.get(char, 0) / total) * 100 for char in string.ascii_lowercase}
return freq
def compare_lang(text_freq, ref_freq):
# Compute sum of squared differences
return sum((text_freq[char] - ref_freq[char]) ** 2 for char in string.ascii_lowercase)
# Sample input
text_input = "Bonjour, je m'appelle Jean et j'aime coder en Python!"
# Step 1: Get text letter frequencies
text_freq = get_letter_frequency(text_input)
# Step 2: Compare to each language
english_score = compare_lang(text_freq, english_freq)
french_score = compare_lang(text_freq, french_freq)
# Step 3: Determine language
detected_lang = "French" if french_score < english_score else "English"
print(f"📄 Input: {text_input}")
print(f"🔍 Detected Language: {detected_lang}")
print(f"📊 English Score: {english_score:.2f} | French Score: {french_score:.2f}")
📘 scikit-learn غول یادگیری ماشین با پایتون
اگر دنبال بهترین کتابخانه پایتون برای یادگیری ماشین و تحلیل داده هستی، همین حالا وارد دنیای scikit-learn شو!
این ریپوی گیتهاب با بیش از ۹۰هزار ستاره تبدیل به مرجع اصلی برای ماشین لرنینگ با پایتون شده.
✅ قابلیت های خفن scikit-learn:
🔹 اجرای انواع الگوریتم یادگیری ماشین مثل
رگرسیون خطی، درخت تصمیم، KMeans، جنگل تصادفی، Naive Bayes، SVM و دهها الگوریتم دیگه
🔹 پیش پردازش داده، نرمال سازی، انتخاب ویژگی، کاهش ابعاد
🔹 پیادهسازی کامل مدلهای کلاسیفیکیشن و ریگرشن
🔹 ابزارهای تحلیل و مصورسازی دقیق نتایج
🔹 محیط ساده اما حرفهای برای پیادهسازی مدلهای واقعی
🎓 مناسب برای: دانشجویان علوم داده، علاقهمندان یادگیری ماشین، توسعهدهندگان هوش مصنوعی، تحلیلگران داده و همه پایتون بازها!
📍 ریپوی رسمی: 🔗 https://github.com/scikit-learn/scikit-learn
#scikit_learn #پایتون #یادگیری_ماشین
💻@voidcompile
🛡️ آموزش هک و امنیت شبکه قسمت ۶: لایه پنجم (Session Layer)
لایه پنجم مدل OSI که به نام Session Layer شناخته میشه، وظیفهی ایجاد، مدیریت و پایان دادن به نشستهای ارتباطی بین دو دستگاه رو بر عهده داره.
هر زمان که شما یک ارتباط طولانیمدت مثل اتصال FTP یا جلسات ویدیویی برقرار میکنید، این لایه پشتصحنه فعاله.
✅ وظایف اصلی لایه نشست:
🔹 برقراری و مدیریت session (نشست) بین کلاینت و سرور
🔹 همگامسازی دادهها در ارتباطات طولانی
🔹 کنترل و ازسرگیری نشستها بعد از قطع موقت
🔹 مدیریت توالی انتقال داده برای جلوگیری از اختلال
🚨 تهدیدهای امنیتی در لایه پنجم:
⚠️ Session Hijacking
دزدیدن نشست کاربر برای دسترسی غیرمجاز
⚠️ Session Fixation
ثبت نشست تقلبی برای سوءاستفاده بعدی
⚠️ حملات MITM
دخالت در نشست فعال بین دو دستگاه برای شنود یا تغییر داده
⚠️ Replay Attack
بازپخش نشست قبلی برای فریب سیستم
🔐 روشهای دفاع در این لایه:
✅ استفاده از Session IDهای امن و تصادفی
✅ تنظیم مدت انقضا برای نشستها
✅ استفاده از رمزنگاری برای نشستها (SSL/TLS)
✅ مانیتورینگ نشستها و تشخیص فعالیت مشکوک
#Session_Layer #CyberSecurity
💻@voidcompile
📘 معرفی کتاب Head First Data Analysis
تحلیل داده به زبان ساده و تصویری! این کتاب جذاب از مجموعه Head First کمک میکنه تا تحلیل داده رو مثل یه تحلیلگر حرفهای یاد بگیری.
📊 چی یاد میگیری؟
✅ تبدیل مسائل پیچیده به دادههای قابل بررسی
✅ آزمون فرضیهها با روش علمی
✅ رگرسیون، احتمالات و تحلیل آماری به زبان ساده
✅ مصورسازی داده با ابزارهایی مثل R و Excel
✅ آموزش مفاهیم آمار بیزین، دادهکاوی و تحلیل کسبوکار
📌 مناسب برای:
مبتدیها، دانشجوهای علوم داده، مدیران محصول، و برنامه نویس هایی که میخوان وارد دنیای Data Science بشن
💻@voidcompile
کد قست ۱۳ ام :
import re
def check_password_strength(password):
strength = 0
remarks = ""
# Check password length
if len(password) >= 8:
strength += 1
else:
remarks += "❌ Too short (minimum 8 characters).\n"
# Check for lowercase letters
if re.search(r"[a-z]", password):
strength += 1
else:
remarks += "❌ Add lowercase letters.\n"
# Check for uppercase letters
if re.search(r"[A-Z]", password):
strength += 1
else:
remarks += "❌ Add uppercase letters.\n"
# Check for digits
if re.search(r"[0-9]", password):
strength += 1
else:
remarks += "❌ Include numbers.\n"
# Check for special characters
if re.search(r"[!@#$%^&*(),.?\":{}|<>]", password):
strength += 1
else:
remarks += "❌ Add special characters (!@#$...).\n"
# Evaluate total strength
if strength == 5:
result = "✅ Strong password!"
elif 3 <= strength < 5:
result = "⚠️ Medium strength. Improve it!"
else:
result = "🔴 Weak password!"
print("\n" + result)
if remarks:
print("Suggestions:")
print(remarks)
# Get user input
user_password = input("🔐 Enter your password to check: ")
check_password_strength(user_password)
🛡️ آموزش هک و امنیت شبکه – قسمت ۵: لایه چهارم (Transport Layer)
لایه چهارم مدل OSI که با نام Transport Layer شناخته میشه، مسئول انتقال مطمئن، کامل و منظم دادهها بین دو سیستم در شبکهست.
اینجا جاییه که پورتها، اتصال TCP/UDP، کنترل خطا و جریان نقش اصلی رو ایفا میکنن.
✅ وظایف اصلی Transport Layer:
🔹 مدیریت اتصال با استفاده از پروتکلهای TCP و UDP
🔹 تضمین دریافت کامل و به ترتیب دادهها (در TCP)
🔹 تخصیص پورتها به اپلیکیشنهای مختلف (مثل پورت 80 برای HTTP)
🔹 کنترل خطا و ازدحام با Windowing و Checksum
🔹وظیفه Multiplexing و Demultiplexing برای مدیریت چندین ارتباط همزمان
🚨 تهدیدهای امنیتی در لایه چهارم:
⚠️ TCP SYN Flood
پر کردن جدول اتصال سرور با درخواستهای ناقص و قطع عملکردش
⚠️ UDP Flood
ارسال انبوه بستههای UDP به پورتهای تصادفی برای مصرف منابع
⚠️ Port Scanning
شناسایی پورتهای باز روی سیستم با ابزارهایی مثل nmap
🔐 روشهای دفاع در این لایه:
✅ تشخیص و بلاک ترافیک غیرعادی با IDS/IPS
✅ مانیتورینگ نشستها و تحلیل لاگها
#Transport_Layer #امنیت_شبکه
💻@voidcompile
💯 برای دسترسی راحت تر، کاربردیترین کانالها رو براتون فولدر کردیم.👍🔽
💢 /channel/addlist/Uz4lEuZe1MwwZjI8
برای امشب یه کد آوردم بررسی کنین و بگین خروجی به نظرتون چی خواهد بود؟
def memory_trick(data=[], depth=[0]):
print(f"🧠 Depth: {depth[0]} | Data: {data}")
if depth[0] == 3:
def final_form():
print(f"📌 Final Output: {data}")
global memory_trick
memory_trick = final_form
return
data.append(depth[0])
depth[0] += 1
memory_trick(data, depth)
# اجرای چندباره تابع
memory_trick()
memory_trick()
memory_trick()
توی نظر سنجی بعدی جواب بدید و فردا تحلیل میکنیم کد رو
📘 معرفی یکی از کلاسیکترین کتابهای TensorFlow:
«TensorFlow for Machine Intelligence»
اولین منبع عملی یادگیری ماشین با تمرکز بر TensorFlow!
از نصب تا ساخت CNN و RNN با مثالهای واقعی.
مناسب برای کسانی که ریاضیات و پایتون رو بلدن و میخوان یادگیری ماشین رو واقعا درک کنن.
#TensorFlow
💻@voidcompile
معرفی ریپوی گیتهاب : آموزش TensorFlow
🗂این ریپو یکی از قدیمیترین و معتبرترین منابع یادگیری TensorFlow هست که بیش از ۹٫۳ هزار ستاره داره. مناسب برای کسایی که میخوان بدون دردسر قدمبهقدم با مفاهیم یادگیری عمیق آشنا بشن.
✅ در این ریپو:
1⃣آموزشهای کامل برای Linear Modeling، CNN، Transfer Learning و RL
2⃣مثالهای آماده اجرا در Jupyter Notebook یا Google Colab
3⃣توضیح ساده مفاهیم مثل Fine‑Tuning، Deep Learning و Visual Analysis
4⃣پروژههای واقعی برای تمرین مثل MNIST، CIFAR‑10، DeepDream، Autoencoder و GAN
🎯 برای کی مناسبه؟
☑️مبتدیها و علاقهمندان به یادگیری ماشین
☑️کسانی که دنبال مثالهای واقعی و قابل اجرا برای TensorFlow هستن
☑️دانشجوها، تحلیلگرها و برنامهنویسهایی که میخوان مهارتهای هوش مصنوعیشون رو تقویت کنن
#repo@voidcompile
📍 لینک ریپو: 🔗 https://github.com/Hvass-Labs/TensorFlow-Tutorials
✅ جمع اعداد تا اولین عدد منفی!
قسمت ۱۷ ام آموزش پایتون - بررسی کد
def sum_until_negative(numbers):
total = 0
for num in numbers:
if num < 0:
break # وقتی به عدد منفی رسید، حلقه رو متوقف کن
total += num # عدد رو به جمع کلی اضافه کن
return total
# مثال از ورودی
nums = [5, 3, 7, -2, 10]
result = sum_until_negative(nums)
print(f"مجموع تا قبل از عدد منفی: {result}")
🎯 یادگیری HTML و CSS با پروژههای واقعی در Frontend Mentor!
اگه دنبال یه سایت خفن برای یادگیری پروژه محور HTML، CSS و JavaScript هستی، Frontend Mentor همونه! این سایت بهت طراحیهای واقعی میده تا مثل یه برنامهنویس حرفهای تمرین کنی و نمونهکار بسازی.
✅ یاد میگیری چطوری طراحیهای حرفهای رو با HTML و CSS پیادهسازی کنی
✅ با چالشهای ریسپانسیو و کاملاً واقعی روبهرو میشی
✅ بدون کلی آموزش خستهکننده، مستقیم میری سر اصل کار!
✅ پروژههاتو آپلود میکنی و از جامعه برنامهنویسا بازخورد میگیری
✅ مناسب رزومه، گیتهاب، نمونهکار و شروع فریلنسری!
📌 سایت: frontendmentor.io
🪨✂️📄 آموزش ساخت بازی سنگ کاغذ قیچی با پایتون – پروژهای ساده اما کاربردی برای مبتدیها!
✅قسمت ۱۶ ام آموزش پایتون
در این آموزش با استفاده از زبان برنامهنویسی پایتون یک بازی کلاسیک و جذاب طراحی میکنیم:
سنگ، کاغذ، قیچی – بازیای که نه تنها مفاهیم پایهای مثل شرطها، حلقهها، ورودی کاربر و ماژول random رو پوشش میده، بلکه بهت کمک میکنه ذهنت رو برای ساخت پروژههای بزرگتر آماده کنی!
📌 مفاهیم مهم این پروژه:
✅ ورودی گرفتن از کاربر در پایتون
✅ استفاده از شرطها و حلقههای while
✅ پیادهسازی منطق بازی با if/elif
✅ استفاده از ماژول random در پایتون
🔥 این پروژه برای تمرین: الگوریتم نویسی، تفکر منطقی و آشنایی با ساختارهای کنترلی عالیه.
اگر تازه وارد دنیای پایتون شدی، این بازی یه شروع فوقالعادهست!
🔍 کلمات کلیدی: آموزش پایتون، پروژه پایتون، بازی با پایتون، سنگ کاغذ قیچی با python، آموزش شرط در پایتون، حلقه while، تمرین پایتون برای مبتدی، پروژه ساده python، یادگیری پایتون پروژه محور، بازی متنی در پایتون
#LearnPython@voidcompile
#LearnPython16@voidcompile
رفقا کد رو داخل پست بعدی قرار دادم.
💻@voidcompile
Learning PHP MySQL & JavaScript
#pdf #book
#book@voidcompile
#pdf@voidcompile
💻@voidcompile
🎲 آموزش شبیه سازی پرتاب تاس در پایتون – پروژهای ساده و جذاب برای مبتدیها!
در این آموزش یاد میگیری چطور با استفاده از توابع random، حلقه while و ورودی کاربر، یک تاس ۶ وجهی رو شبیهسازی کنی.
اگه تازه وارد دنیای برنامهنویسی پایتون شدی، این پروژه یه شروع عالیه!
👇 کدش اینجاست، تستش کن و نتیجه رو ببین.
import random # Import the random module to generate random numbers
print("Press Enter to roll the dice (type 'q' to quit):")
while True:
user_input = input("> ") # Wait for user input
if user_input.lower() == 'q': # If the user types 'q', exit the loop
print("Exiting the program. Goodbye!")
break
dice_roll = random.randint(1, 6) # Generate a random number between 1 and 6
print(f"🎲 You rolled: {dice_roll}") # Display the result
ری اکشن یادتون نره رفقا حمایت شما انگیزه ما برای ادامه دادنه
🛡️ آموزش هک و امنیت شبکه – قسمت ۸: لایه هفتم (Application Layer)
لایه هفتم مدل OSI که با نام Application Layer شناخته میشه، جاییه که کاربران مستقیماً با برنامههای تحت شبکه در تعامل هستن. این لایه بستر ارتباطی برای اپلیکیشنهایی مثل مرورگر، ایمیل، FTP و... فراهم میکنه.
✅ وظایف اصلی Application Layer:
🔹 برقراری ارتباط بین اپلیکیشن کاربر و شبکه
🔹 مدیریت پروتکلهایی مثل HTTP, HTTPS, FTP, SMTP, DNS
🔹 تبادل داده به شکل قابل فهم برای کاربر نهایی
🔹 هماهنگی بین نرمافزارها و سرورها
🚨 تهدیدهای امنیتی در لایه هفتم:
⚠️ حملات SQL Injection
⚠️ حملات Cross-Site Scripting (XSS)
⚠️ حملات Cross-Site Request Forgery (CSRF)
⚠️ سرقت کوکیها و نشستها (Session Hijacking)
⚠️ فیشینگ از طریق اپلیکیشنهای جعلی
⚠️ سوءاستفاده از آسیبپذیریهای REST API
🔐 روشهای دفاع در این لایه:
✅ استفاده از فایروالهای لایه ۷ (WAF)
✅ اعتبارسنجی ورودیها در اپلیکیشن
✅ رمزنگاری دادهها در مسیر (HTTPS)
✅ آموزش کاربران درباره حملات مهندسی اجتماعی
✅ اعمال محدودیت روی API و مانیتورینگ لاگها
#Application_Layer #امنیت_شبکه
💻@voidcompile
🛡️ آموزش هک و امنیت شبکه – قسمت ۷: لایه ششم (Presentation Layer)
لایه ششم مدل OSI که با نام Presentation Layer شناخته میشه، نقش مترجم رو بین اپلیکیشن و دادههای خام شبکه بازی میکنه.
این لایه مسئول تبدیل، فشردهسازی و رمزنگاری اطلاعات قبل از ارسال و بعد از دریافت دادهست.
✅ وظایف اصلی لایه پرزنتیشن:
🔹 تبدیل فرمت دادهها (مثلاً از ASCII به EBCDIC)
🔹 رمزگذاری (Encryption) و رمزگشایی (Decryption) اطلاعات
🔹 فشردهسازی (Compression) دادهها برای انتقال سریعتر
🔹 حفظ سازگاری داده بین دو سیستم مختلف
🚨 تهدیدهای امنیتی در لایه ششم:
⚠️ حملات به الگوریتمهای رمزنگاری ضعیف
⚠️ شنود داده رمزگشاییشده در سیستم مقصد
⚠️ تزریق داده در فرآیند تبدیل
⚠️ حملات مبتنی بر سوءاستفاده از فرمت داده (مثلاً فایلهای تصویری آلوده)
🔐 روشهای دفاع در این لایه:
✅ استفاده از الگوریتمهای رمزنگاری قوی و بهروز (مثل AES-256)
✅ بررسی و اعتبارسنجی فرمت دادههای ورودی
✅ استفاده از فشردهسازی امن و استاندارد
✅ پیادهسازی لایههای امنیتی در کنار رمزگذاری (مانند TLS)
#Presentation_Layer #CyberSecurity
@voidcompile
Head First Data Analysis
#pdf #book #Data_Analysis
#pdf@voidcompile
#book@voidcompile
💻@voidcompile
🎓 آموزش پایتون پروژه محور از صفر تا حرفهای با ریپوی learn-python
اگه دنبال یه منبع کامل برای یادگیری پایتون به صورت تمرینی و پروژهای هستی، ریپوی GitHub با نام learn-python از کاربر trekhleb دقیقا همون چیزیه که لازم داری!
این ریپو با آموزش قدم به قدم مفاهیم پایتون مثل متغیرها، توابع، حلقهها، شرطها، کلاسها، مدیریت فایل و خیلی چیزای دیگه، یکی از بهترین منابع یادگیری برای مبتدیها و کسانی هست که میخوان پایتون رو مرور کنن.
📌 یادگیری پایتون با مثالهای عملی
📌 آموزش اصولی برنامه نویسی پایتون
📌 مناسب برای دانشجویان، برنامه نویسان تازهکار، و کسانی که میخوان مهاجرت کاری کنن
💡 لینک مستقیم ریپو:
https://github.com/trekhleb/learn-python
#پایتون #آموزش_برنامه_نویسی
💻@voidcompile
آموزش پایتون قسمت ۱۳
🛡️ بررسی قدرت پسورد با پایتون (Password Strength Checker)
🔐 یه اسکریپت ساده اما کاربردی با Python برای تحلیل امنیت رمز عبور ✅
با این برنامه میتونی یاد بگیری چطور با استفاده از Regex، شرطها و ورودی کاربر، یه ابزار بررسی امنیت پسورد بسازی که فاکتورهایی مثل:
– طول پسورد
– حروف کوچک و بزرگ
– اعداد
– کاراکترهای خاص
رو بررسی میکنه و در پایان یه خروجی قابل فهم (ضعیف، متوسط، قوی) میده.
📌 مناسب برای یادگیری اولیه و تمرین مباحث:
#شرط_گذاری #امنیت_رمز #یادگیری_پایتون
#LearnPython@voidcompile
#LearnPython13@voidcompile
🔍 اگر دنبال تمرینهای واقعی برای تقویت کدنویسی هستی یا میخوای پروژههای ساده اما پرکاربرد بزنی، این پست رو از دست نده!
کد را پست بعدی قرار میدم. ری اکشن یادتون نره
🎯 معرفی یکی از بهترین سایت های برنامه نویسی آنلاین برای تمرین کد نویسی به زبان های مختلف
🚀 سایت Replit یک محیط برنامه نویسی آنلاین رایگان است که به برنامه نویس ها اجازه میده بدون نصب هیچ نرم افزاری کد بزنن، تست بگیرن و پروژه هاشون رو اجرا کنن
🔹 پشتیبانی از زبان های مختلف مثل python، c++، java، javascript، html و css
🔹 امکان ساخت پروژه تیمی
🔹 ترمینال واقعی برای اجرای دستورات لینوکس
🔹 مناسب برای آموزش برنامه نویسی، تمرین برای مصاحبه و توسعه پروژه های شخصی
🌐 لینک سایت: https://replit.com
📌 اگه دنبال یه سایت باحال برای تمرین کدنویسی و اجرای آنلاین کد هستی، حتما امتحانش کن
#برنامه_نویسی #کدنویسی
💻@voidcompile
در این مثال از برنامه نویسی پایتون، با یک تابع بازگشتی به نام memory_trick سروکار داریم که از ویژگیهای خاص زبان Python مثل آرگومانهای پیشفرض قابلتغییر (mutable default arguments)، بازنویسی تابع در حافظه سراسری (global function reassignment) و بستن (closure) استفاده میکند. این تابع با هر بار اجرا، بسته به شرط عمق (depth)، خودش را بازنویسی میکند تا فقط یک خروجی نهایی بدهد.
💡 در این کد چه اتفاقی میافتد؟
ابتدا memory_trick() برای اولین بار اجرا میشود. این تابع با استفاده از لیستها به عنوان آرگومانهای پیشفرض، عمق (depth) را تا ۳ افزایش داده و مقادیر ۰، ۱، ۲ را در لیست ذخیره میکند.
سپس تابع memory_trick خودش را با یک تابع جدید به نام final_form جایگزین میکند که فقط خروجی نهایی را نمایش میدهد.
از دفعات دوم به بعد، فقط همین خروجی ثابت نمایش داده میشود.
✅ پاسخ صحیح سؤال:
گزینه: تابع خودش را بازنویسی میکند و نسخه نهایی فقط یک خروجی دارد.
💻@voidcompile
TensorFlow-for-Machine-Intelligence-A-Hands-On-Introduction-to-Learning-Algorithms
#pdf #book #programming
#pdf@voidcompile
#book@voidcompile
💻@voidcompile
در ادامه کد مدل نورون رو قرار میدم
پیاده سازی شبکه های عصبی و نوروساینس مبحث بزرگ و پیچیده ای هست ، در این مثال توضیح ابتدایی و کوچکی داده شده است.
import numpy as np
import matplotlib.pyplot as plt
# --------------------------
# پارامترهای نورون LIF
# --------------------------
tau = 20.0 # ثابت زمانی نشت غشا (میلیثانیه)
V_rest = -65.0 # پتانسیل استراحت (mV)
V_reset = -70.0 # ولتاژ ریست پس از اسپایک (mV)
V_th = -50.0 # آستانه شلیک (mV)
R = 1.0 # مقاومت غشا (MΩ)
dt = 0.1 # گام زمانی شبیهسازی (ms)
T = 500 # مدت زمان کل شبیهسازی (ms)
steps = int(T / dt)
# --------------------------
# تولید جریان ورودی شبیهسازی شده طبیعی
# ترکیبی از سینوس و نویز گاوسی
# --------------------------
time = np.arange(0, T, dt)
I_input = 12 + 5 * np.sin(2 * np.pi * time / 100) + 3 * np.random.randn(steps)
# --------------------------
# متغیرهای ذخیره ولتاژ و اسپایکها
# --------------------------
V = np.zeros(steps)
V[0] = V_rest
spikes = np.zeros(steps) # آرایه نشاندهنده زمان اسپایک
spike_times = [] # ذخیره زمان دقیق اسپایکها
# --------------------------
# حلقه شبیهسازی مدل LIF
# --------------------------
for t in range(1, steps):
# مشتق ولتاژ به روش اویلر
dV = (-(V[t-1] - V_rest) + R * I_input[t]) / tau
V[t] = V[t-1] + dt * dV
# چک کردن آستانه شلیک
if V[t] >= V_th:
V[t] = V_reset # ریست ولتاژ
spikes[t] = 1 # ثبت وقوع اسپایک
spike_times.append(time[t])
# --------------------------
# نمایش آمار اسپایک
# --------------------------
print(f"تعداد کل اسپایکها: {int(spikes.sum())}")
print(f"زمانهای شلیک (ms): {np.round(spike_times, 2)}")
# --------------------------
# رسم نتایج
# --------------------------
fig, axs = plt.subplots(3, 1, figsize=(14, 10), sharex=True)
# 1. ولتاژ غشا در زمان
axs[0].plot(time, V, color='navy', label='ولتاژ غشا (Membrane Potential)')
axs[0].axhline(V_th, color='red', linestyle='--', label='آستانه شلیک (Threshold)')
axs[0].scatter(spike_times, [V_th]*len(spike_times), color='red', s=50, label='نقاط شلیک', zorder=5)
axs[0].set_ylabel("ولتاژ (mV)")
axs[0].set_title("پتانسیل غشایی نورون LIF")
axs[0].legend()
axs[0].grid(True)
# 2. جریان ورودی به نورون
axs[1].plot(time, I_input, color='purple', label='جریان ورودی (Input Current)')
axs[1].set_ylabel("جریان (nA)")
axs[1].set_title("جریان ورودی شبیهسازیشده")
axs[1].legend()
axs[1].grid(True)
# 3. نمودار اسپایکها (Raster plot)
axs[2].eventplot(spike_times, lineoffsets=1, colors='black')
axs[2].set_yticks([1])
axs[2].set_yticklabels(['شلیک (Spike)'])
axs[2].set_xlabel("زمان (ms)")
axs[2].set_title("فعالیت شلیک نورون (Raster plot)")
axs[2].grid(True)
plt.tight_layout()
plt.show()