leestott
cfd74ebbf1
|
4 weeks ago | |
|---|---|---|
| .. | ||
| README.md | 4 weeks ago | |
| assignment.md | 4 weeks ago | |
README.md
کار با داده‌ها: پایتون و کتابخانه Pandas
 |
|---|
| کار با پایتون - طرح دستی توسط @nitya |
در حالی که پایگاه‌های داده روش‌های بسیار کارآمدی برای ذخیره‌سازی داده‌ها و جستجوی آن‌ها با استفاده از زبان‌های پرس‌وجو ارائه می‌دهند، انعطاف‌پذیرترین روش پردازش داده‌ها نوشتن برنامه‌ای است که داده‌ها را به صورت دلخواه دستکاری کند. در بسیاری از موارد، انجام یک پرس‌وجوی پایگاه داده راه‌حل مؤثرتری است. اما در برخی موارد که پردازش پیچیده‌تری نیاز است، این کار به راحتی با SQL قابل انجام نیست.
پردازش داده‌ها را می‌توان در هر زبان برنامه‌نویسی انجام داد، اما برخی زبان‌ها برای کار با داده‌ها سطح بالاتری دارند. دانشمندان داده معمولاً یکی از زبان‌های زیر را ترجیح می‌دهند:
- پایتون، یک زبان برنامه‌نویسی عمومی که به دلیل سادگی‌اش اغلب به عنوان یکی از بهترین گزینه‌ها برای مبتدیان در نظر گرفته می‌شود. پایتون دارای کتابخانه‌های اضافی زیادی است که می‌توانند به شما در حل بسیاری از مشکلات عملی کمک کنند، مانند استخراج داده‌ها از یک فایل ZIP یا تبدیل تصویر به مقیاس خاکستری. علاوه بر علم داده، پایتون اغلب برای توسعه وب نیز استفاده می‌شود.
- R یک جعبه‌ابزار سنتی است که با هدف پردازش داده‌های آماری توسعه یافته است. این زبان همچنین دارای مخزن بزرگی از کتابخانه‌ها (CRAN) است که آن را به گزینه‌ای مناسب برای پردازش داده‌ها تبدیل می‌کند. با این حال، R یک زبان برنامه‌نویسی عمومی نیست و به ندرت خارج از حوزه علم داده استفاده می‌شود.
- Julia زبان دیگری است که به طور خاص برای علم داده توسعه یافته است. این زبان برای ارائه عملکرد بهتر نسبت به پایتون طراحی شده است و آن را به ابزاری عالی برای آزمایش‌های علمی تبدیل می‌کند.
در این درس، ما بر استفاده از پایتون برای پردازش ساده داده‌ها تمرکز خواهیم کرد. فرض می‌کنیم که با این زبان آشنایی اولیه دارید. اگر می‌خواهید با پایتون بیشتر آشنا شوید، می‌توانید به یکی از منابع زیر مراجعه کنید:
- یادگیری پایتون به روشی سرگرم‌کننده با گرافیک لاک‌پشت و فراکتال‌ها - دوره مقدماتی سریع در GitHub برای برنامه‌نویسی پایتون
- اولین قدم‌های خود را با پایتون بردارید - مسیر یادگیری در Microsoft Learn
داده‌ها می‌توانند اشکال مختلفی داشته باشند. در این درس، ما سه شکل داده را بررسی خواهیم کرد: داده‌های جدولی، متن و تصاویر.
ما بر چند مثال از پردازش داده‌ها تمرکز خواهیم کرد، به جای اینکه نمای کلی از تمام کتابخانه‌های مرتبط ارائه دهیم. این کار به شما ایده اصلی از آنچه ممکن است را می‌دهد و شما را با درک اینکه کجا می‌توانید راه‌حل‌های مشکلات خود را پیدا کنید، تنها می‌گذارد.
مهم‌ترین توصیه. وقتی نیاز دارید عملیاتی خاص روی داده‌ها انجام دهید که نمی‌دانید چگونه انجام دهید، سعی کنید آن را در اینترنت جستجو کنید. Stackoverflow معمولاً شامل نمونه‌های کد مفید زیادی در پایتون برای بسیاری از وظایف معمول است.
پیش‌سنجش درس
داده‌های جدولی و Dataframeها
شما قبلاً با داده‌های جدولی آشنا شده‌اید، زمانی که درباره پایگاه‌های داده رابطه‌ای صحبت کردیم. وقتی داده‌های زیادی دارید و این داده‌ها در جداول مختلفی که به هم مرتبط هستند ذخیره شده‌اند، استفاده از SQL برای کار با آن‌ها کاملاً منطقی است. با این حال، در بسیاری از موارد، وقتی یک جدول داده داریم و نیاز داریم تا درک یا بینش خاصی از این داده‌ها به دست آوریم، مانند توزیع، همبستگی بین مقادیر و غیره، در علم داده، بسیاری از مواقع نیاز داریم تا برخی از تغییرات را روی داده‌های اصلی انجام دهیم و سپس آن‌ها را تجسم کنیم. هر دو این مراحل به راحتی با پایتون قابل انجام هستند.
دو کتابخانه بسیار مفید در پایتون وجود دارند که می‌توانند به شما در کار با داده‌های جدولی کمک کنند:
- Pandas به شما امکان می‌دهد تا با Dataframeها کار کنید، که مشابه جداول رابطه‌ای هستند. شما می‌توانید ستون‌های نام‌گذاری شده داشته باشید و عملیات مختلفی روی ردیف‌ها، ستون‌ها و Dataframeها به طور کلی انجام دهید.
- Numpy کتابخانه‌ای برای کار با تنسورها، یعنی آرایه‌های چندبعدی است. آرایه دارای مقادیر از یک نوع پایه یکسان است و ساده‌تر از Dataframe است، اما عملیات ریاضی بیشتری ارائه می‌دهد و سربار کمتری ایجاد می‌کند.
چند کتابخانه دیگر نیز وجود دارند که باید با آن‌ها آشنا باشید:
- Matplotlib کتابخانه‌ای برای تجسم داده‌ها و رسم نمودارها
- SciPy کتابخانه‌ای با برخی توابع علمی اضافی. ما قبلاً هنگام صحبت درباره احتمال و آمار با این کتابخانه آشنا شده‌ایم.
در اینجا یک قطعه کد آورده شده است که معمولاً برای وارد کردن این کتابخانه‌ها در ابتدای برنامه پایتون خود استفاده می‌کنید:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy import ... # you need to specify exact sub-packages that you need
Pandas بر چند مفهوم اساسی متمرکز است.
Series
Series دنباله‌ای از مقادیر است که شبیه به یک لیست یا آرایه numpy است. تفاوت اصلی این است که سری‌ها همچنین دارای یک ایندکس هستند و وقتی روی سری‌ها عملیات انجام می‌دهیم (مثلاً آن‌ها را جمع می‌کنیم)، ایندکس در نظر گرفته می‌شود. ایندکس می‌تواند به سادگی شماره ردیف صحیح باشد (این ایندکس به طور پیش‌فرض هنگام ایجاد یک سری از لیست یا آرایه استفاده می‌شود)، یا می‌تواند ساختار پیچیده‌ای مانند بازه زمانی داشته باشد.
توجه: کد مقدماتی Pandas در دفترچه همراه
notebook.ipynbموجود است. ما فقط برخی از مثال‌ها را اینجا بیان می‌کنیم و شما قطعاً می‌توانید دفترچه کامل را بررسی کنید.
یک مثال را در نظر بگیرید: ما می‌خواهیم فروش یک مغازه بستنی‌فروشی را تحلیل کنیم. بیایید یک سری از اعداد فروش (تعداد اقلام فروخته شده در هر روز) را برای یک بازه زمانی تولید کنیم:
start_date = "Jan 1, 2020"
end_date = "Mar 31, 2020"
idx = pd.date_range(start_date,end_date)
print(f"Length of index is {len(idx)}")
items_sold = pd.Series(np.random.randint(25,50,size=len(idx)),index=idx)
items_sold.plot()
حالا فرض کنید که هر هفته یک مهمانی برای دوستان برگزار می‌کنیم و ۱۰ بسته بستنی اضافی برای مهمانی می‌گیریم. می‌توانیم یک سری دیگر ایجاد کنیم که بر اساس هفته ایندکس شده باشد تا این موضوع را نشان دهیم:
additional_items = pd.Series(10,index=pd.date_range(start_date,end_date,freq="W"))
وقتی دو سری را با هم جمع می‌کنیم، تعداد کل را به دست می‌آوریم:
total_items = items_sold.add(additional_items,fill_value=0)
total_items.plot()
توجه که ما از سینتکس ساده
total_items+additional_itemsاستفاده نمی‌کنیم. اگر این کار را می‌کردیم، تعداد زیادی مقدارNaN(Not a Number) در سری حاصل دریافت می‌کردیم. این به این دلیل است که مقادیر گمشده‌ای برای برخی از نقاط ایندکس در سریadditional_itemsوجود دارد و جمع کردنNaNبا هر چیزی نتیجهNaNمی‌دهد. بنابراین باید پارامترfill_valueرا هنگام جمع مشخص کنیم.
با سری‌های زمانی، می‌توانیم سری را با بازه‌های زمانی مختلف بازنمونه‌گیری کنیم. به عنوان مثال، فرض کنید می‌خواهیم میانگین حجم فروش را به صورت ماهانه محاسبه کنیم. می‌توانیم از کد زیر استفاده کنیم:
monthly = total_items.resample("1M").mean()
ax = monthly.plot(kind='bar')
DataFrame
یک DataFrame اساساً مجموعه‌ای از سری‌ها با ایندکس یکسان است. می‌توانیم چند سری را با هم ترکیب کنیم تا یک DataFrame ایجاد کنیم:
a = pd.Series(range(1,10))
b = pd.Series(["I","like","to","play","games","and","will","not","change"],index=range(0,9))
df = pd.DataFrame([a,b])
این یک جدول افقی مانند این ایجاد می‌کند:
| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | |
|---|---|---|---|---|---|---|---|---|---|
| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
| 1 | I | like | to | use | Python | and | Pandas | very | much |
همچنین می‌توانیم از سری‌ها به عنوان ستون‌ها استفاده کنیم و نام ستون‌ها را با استفاده از دیکشنری مشخص کنیم:
df = pd.DataFrame({ 'A' : a, 'B' : b })
این جدول زیر را به ما می‌دهد:
| A | B | |
|---|---|---|
| 0 | 1 | I |
| 1 | 2 | like |
| 2 | 3 | to |
| 3 | 4 | use |
| 4 | 5 | Python |
| 5 | 6 | and |
| 6 | 7 | Pandas |
| 7 | 8 | very |
| 8 | 9 | much |
توجه که می‌توانیم این چیدمان جدول را با ترانهاده کردن جدول قبلی نیز به دست آوریم، مثلاً با نوشتن:
df = pd.DataFrame([a,b]).T..rename(columns={ 0 : 'A', 1 : 'B' })
اینجا .T به معنای عملیات ترانهاده کردن DataFrame است، یعنی تغییر ردیف‌ها و ستون‌ها، و عملیات rename به ما اجازه می‌دهد تا ستون‌ها را برای مطابقت با مثال قبلی تغییر نام دهیم.
در اینجا چند عملیات مهم که می‌توانیم روی DataFrameها انجام دهیم آورده شده است:
انتخاب ستون‌ها. می‌توانیم ستون‌های جداگانه را با نوشتن df['A'] انتخاب کنیم - این عملیات یک سری را برمی‌گرداند. همچنین می‌توانیم زیرمجموعه‌ای از ستون‌ها را به یک DataFrame دیگر انتخاب کنیم با نوشتن df[['B','A']] - این یک DataFrame دیگر برمی‌گرداند.
فیلتر کردن فقط ردیف‌های خاص بر اساس معیارها. به عنوان مثال، برای نگه داشتن فقط ردیف‌هایی که ستون A بزرگ‌تر از ۵ است، می‌توانیم بنویسیم df[df['A']>5].
توجه: نحوه کار فیلتر کردن به این صورت است. عبارت
df['A']<5یک سری بولی برمی‌گرداند که نشان می‌دهد آیا عبارت برای هر عنصر از سری اصلیdf['A']درست یا غلط است. وقتی سری بولی به عنوان ایندکس استفاده می‌شود، زیرمجموعه‌ای از ردیف‌ها را در DataFrame برمی‌گرداند. بنابراین نمی‌توان از عبارات بولی دلخواه پایتون استفاده کرد، برای مثال نوشتنdf[df['A']>5 and df['A']<7]اشتباه است. در عوض، باید از عملیات خاص&روی سری بولی استفاده کنید، مثلاً نوشتنdf[(df['A']>5) & (df['A']<7)](پرانتزها اینجا مهم هستند).
ایجاد ستون‌های محاسباتی جدید. می‌توانیم به راحتی ستون‌های محاسباتی جدیدی برای DataFrame خود ایجاد کنیم با استفاده از عبارات شهودی مانند این:
df['DivA'] = df['A']-df['A'].mean()
این مثال انحراف A از مقدار میانگین آن را محاسبه می‌کند. آنچه در اینجا واقعاً اتفاق می‌افتد این است که ما یک سری محاسبه می‌کنیم و سپس این سری را به سمت چپ اختصاص می‌دهیم و یک ستون دیگر ایجاد می‌کنیم. بنابراین نمی‌توانیم از هیچ عملیاتی که با سری‌ها سازگار نیست استفاده کنیم، برای مثال کد زیر اشتباه است:
# Wrong code -> df['ADescr'] = "Low" if df['A'] < 5 else "Hi"
df['LenB'] = len(df['B']) # <- Wrong result
مثال آخر، در حالی که از نظر نحوی درست است، نتیجه اشتباهی به ما می‌دهد، زیرا طول سری B را به تمام مقادیر ستون اختصاص می‌دهد، نه طول عناصر جداگانه همان‌طور که قصد داشتیم.
اگر نیاز به محاسبه عبارات پیچیده‌ای مانند این داریم، می‌توانیم از تابع apply استفاده کنیم. مثال آخر را می‌توان به صورت زیر نوشت:
df['LenB'] = df['B'].apply(lambda x : len(x))
# or
df['LenB'] = df['B'].apply(len)
پس از عملیات بالا، به DataFrame زیر خواهیم رسید:
| A | B | DivA | LenB | |
|---|---|---|---|---|
| 0 | 1 | I | -4.0 | 1 |
| 1 | 2 | like | -3.0 | 4 |
| 2 | 3 | to | -2.0 | 2 |
| 3 | 4 | use | -1.0 | 3 |
| 4 | 5 | Python | 0.0 | 6 |
| 5 | 6 | and | 1.0 | 3 |
| 6 | 7 | Pandas | 2.0 | 6 |
| 7 | 8 | very | 3.0 | 4 |
| 8 | 9 | much | 4.0 | 4 |
انتخاب ردیف‌ها بر اساس شماره‌ها را می‌توان با استفاده از ساختار iloc انجام داد. به عنوان مثال، برای انتخاب ۵ ردیف اول از DataFrame:
df.iloc[:5]
گروه‌بندی اغلب برای به دست آوردن نتیجه‌ای مشابه جدول‌های محوری در اکسل استفاده می‌شود. فرض کنید که می‌خواهیم مقدار میانگین ستون A را برای هر تعداد مشخص LenB محاسبه کنیم. سپس می‌توانیم DataFrame خود را بر اساس LenB گروه‌بندی کنیم و mean را فراخوانی کنیم:
df.groupby(by='LenB').mean()
اگر نیاز به محاسبه میانگین و تعداد عناصر در گروه داریم، می‌توانیم از تابع پیچیده‌تر aggregate استفاده کنیم:
df.groupby(by='LenB') \
.aggregate({ 'DivA' : len, 'A' : lambda x: x.mean() }) \
.rename(columns={ 'DivA' : 'Count', 'A' : 'Mean'})
این جدول زیر را به ما می‌دهد:
| LenB | Count | Mean |
|---|---|---|
| 1 | 1 | 1.000000 |
| 2 | 1 | 3.000000 |
| 3 | 2 | 5.000000 |
| 4 | 3 | 6.333333 |
| 6 | 2 | 6.000000 |
دریافت داده‌ها
ما دیده‌ایم که ساخت Series و DataFrame از اشیاء پایتون چقدر آسان است. با این حال، داده‌ها معمولاً به صورت یک فایل متنی یا یک جدول اکسل ارائه می‌شوند. خوشبختانه، Pandas راه ساده‌ای برای بارگذاری داده‌ها از دیسک به ما ارائه می‌دهد. به عنوان مثال، خواندن یک فایل CSV به سادگی زیر است:
df = pd.read_csv('file.csv')
ما مثال‌های بیشتری از بارگذاری داده‌ها، از جمله دریافت آن از وب‌سایت‌های خارجی، در بخش "چالش" خواهیم دید.
چاپ و ترسیم
یک دانشمند داده اغلب باید داده‌ها را بررسی کند، بنابراین توانایی تجسم آن بسیار مهم است. وقتی DataFrame بزرگ است، بسیاری از اوقات می‌خواهیم فقط مطمئن شویم که همه چیز را به درستی انجام می‌دهیم، با چاپ چند ردیف اول. این کار با فراخوانی df.head() انجام می‌شود. اگر این را از Jupyter Notebook اجرا کنید، DataFrame را به صورت یک جدول زیبا چاپ می‌کند.
ما همچنین استفاده از تابع plot را برای تجسم برخی ستون‌ها دیده‌ایم. در حالی که plot برای بسیاری از وظایف بسیار مفید است و از انواع مختلف نمودارها از طریق پارامتر kind= پشتیبانی می‌کند، شما همیشه می‌توانید از کتابخانه خام matplotlib برای ترسیم چیزی پیچیده‌تر استفاده کنید. ما تجسم داده‌ها را به طور مفصل در درس‌های جداگانه پوشش خواهیم داد.
این مرور کلی، مهم‌ترین مفاهیم Pandas را پوشش می‌دهد، اما این کتابخانه بسیار غنی است و هیچ محدودیتی برای آنچه می‌توانید با آن انجام دهید وجود ندارد! حالا بیایید این دانش را برای حل یک مسئله خاص به کار ببریم.
🚀 چالش ۱: تحلیل گسترش کووید
اولین مسئله‌ای که روی آن تمرکز خواهیم کرد، مدل‌سازی گسترش اپیدمی کووید-۱۹ است. برای این کار، از داده‌های مربوط به تعداد افراد مبتلا در کشورهای مختلف استفاده خواهیم کرد که توسط مرکز علوم سیستم‌ها و مهندسی (CSSE) در دانشگاه جانز هاپکینز ارائه شده است. این مجموعه داده در این مخزن گیت‌هاب موجود است.
از آنجا که می‌خواهیم نحوه کار با داده‌ها را نشان دهیم، از شما دعوت می‌کنیم notebook-covidspread.ipynb را باز کرده و از ابتدا تا انتها بخوانید. همچنین می‌توانید سلول‌ها را اجرا کنید و برخی از چالش‌هایی که در انتها برای شما گذاشته‌ایم را انجام دهید.
اگر نمی‌دانید چگونه کد را در Jupyter Notebook اجرا کنید، به این مقاله نگاهی بیندازید.
کار با داده‌های غیرساختاریافته
در حالی که داده‌ها اغلب به صورت جدولی ارائه می‌شوند، در برخی موارد باید با داده‌های کمتر ساختاریافته، مانند متن یا تصاویر، کار کنیم. در این حالت، برای اعمال تکنیک‌های پردازش داده که در بالا دیده‌ایم، باید به نوعی داده‌های ساختاریافته را استخراج کنیم. در اینجا چند مثال آورده شده است:
- استخراج کلمات کلیدی از متن و بررسی تعداد دفعات ظاهر شدن آن‌ها
- استفاده از شبکه‌های عصبی برای استخراج اطلاعات درباره اشیاء موجود در تصویر
- دریافت اطلاعات درباره احساسات افراد در فید دوربین ویدئویی
🚀 چالش ۲: تحلیل مقالات کووید
در این چالش، موضوع همه‌گیری کووید را ادامه می‌دهیم و بر پردازش مقالات علمی در این زمینه تمرکز می‌کنیم. یک مجموعه داده CORD-19 وجود دارد که شامل بیش از ۷۰۰۰ مقاله (در زمان نگارش) درباره کووید است و با متادیتا و چکیده‌ها (و برای حدود نیمی از آن‌ها متن کامل) ارائه شده است.
یک مثال کامل از تحلیل این مجموعه داده با استفاده از سرویس شناختی Text Analytics for Health در این پست وبلاگ توضیح داده شده است. ما نسخه ساده‌شده‌ای از این تحلیل را بررسی خواهیم کرد.
NOTE: ما نسخه‌ای از این مجموعه داده را به عنوان بخشی از این مخزن ارائه نمی‌دهیم. ممکن است ابتدا نیاز باشد فایل
metadata.csvرا از این مجموعه داده در Kaggle دانلود کنید. ممکن است نیاز به ثبت‌نام در Kaggle باشد. همچنین می‌توانید مجموعه داده را بدون ثبت‌نام از اینجا دانلود کنید، اما شامل تمام متن‌های کامل علاوه بر فایل متادیتا خواهد بود.
notebook-papers.ipynb را باز کرده و از ابتدا تا انتها بخوانید. همچنین می‌توانید سلول‌ها را اجرا کنید و برخی از چالش‌هایی که در انتها برای شما گذاشته‌ایم را انجام دهید.
پردازش داده‌های تصویری
اخیراً مدل‌های هوش مصنوعی بسیار قدرتمندی توسعه یافته‌اند که به ما امکان درک تصاویر را می‌دهند. بسیاری از وظایف را می‌توان با استفاده از شبکه‌های عصبی از پیش آموزش‌دیده یا خدمات ابری حل کرد. برخی از مثال‌ها عبارتند از:
- طبقه‌بندی تصویر، که می‌تواند به شما کمک کند تصویر را در یکی از کلاس‌های از پیش تعریف‌شده دسته‌بندی کنید. شما می‌توانید به راحتی طبقه‌بندی‌کننده‌های تصویر خود را با استفاده از خدماتی مانند Custom Vision آموزش دهید.
- تشخیص اشیاء برای شناسایی اشیاء مختلف در تصویر. خدماتی مانند computer vision می‌توانند تعداد زیادی از اشیاء رایج را شناسایی کنند و شما می‌توانید مدل Custom Vision را برای شناسایی اشیاء خاص مورد علاقه آموزش دهید.
- تشخیص چهره، شامل تشخیص سن، جنسیت و احساسات. این کار را می‌توان از طریق Face API انجام داد.
تمام این خدمات ابری را می‌توان با استفاده از Python SDKs فراخوانی کرد و به راحتی در جریان کاری اکتشاف داده‌های شما گنجاند.
در اینجا چند مثال از اکتشاف داده‌ها از منابع تصویری آورده شده است:
- در پست وبلاگ چگونه علم داده را بدون کدنویسی یاد بگیریم ما عکس‌های اینستاگرام را بررسی می‌کنیم و سعی می‌کنیم بفهمیم چه چیزی باعث می‌شود افراد به یک عکس بیشتر لایک بدهند. ابتدا تا حد ممکن اطلاعات را از تصاویر با استفاده از computer vision استخراج می‌کنیم و سپس از Azure Machine Learning AutoML برای ساخت مدل قابل تفسیر استفاده می‌کنیم.
- در کارگاه مطالعات چهره ما از Face API برای استخراج احساسات افراد در عکس‌های رویدادها استفاده می‌کنیم تا سعی کنیم بفهمیم چه چیزی باعث خوشحالی افراد می‌شود.
نتیجه‌گیری
چه داده‌های ساختاریافته داشته باشید و چه غیرساختاریافته، با استفاده از پایتون می‌توانید تمام مراحل مربوط به پردازش و درک داده‌ها را انجام دهید. این احتمالاً انعطاف‌پذیرترین روش برای پردازش داده‌ها است و به همین دلیل است که اکثر دانشمندان داده از پایتون به عنوان ابزار اصلی خود استفاده می‌کنند. یادگیری عمیق پایتون احتمالاً ایده خوبی است اگر در مسیر علم داده جدی هستید!
آزمون پس از درس
مرور و مطالعه خودآموز
کتاب‌ها
منابع آنلاین
- آموزش رسمی 10 دقیقه با Pandas
- مستندات تجسم داده‌ها در Pandas
یادگیری پایتون
- یادگیری پایتون به روشی سرگرم‌کننده با Turtle Graphics و Fractals
- اولین قدم‌های خود را با پایتون بردارید در مسیر یادگیری Microsoft Learn
تکلیف
مطالعه دقیق‌تر داده‌ها برای چالش‌های بالا انجام دهید
اعتبارها
این درس با ♥️ توسط Dmitry Soshnikov نوشته شده است.
سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما تلاش می‌کنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌هایی باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما هیچ مسئولیتی در قبال سوءتفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.