"
16 | ]
17 | },
18 | {
19 | "cell_type": "markdown",
20 | "metadata": {
21 | "nbpresent": {
22 | "id": "af3a8905-c12c-47cf-81a3-a4f25f5b560a"
23 | },
24 | "slideshow": {
25 | "slide_type": "slide"
26 | }
27 | },
28 | "source": [
29 | "## Get the first Link from Web\n",
30 | "
"
31 | ]
32 | },
33 | {
34 | "cell_type": "markdown",
35 | "metadata": {
36 | "nbpresent": {
37 | "id": "c65a9bb6-a01e-4af4-8931-16ff76a365c2"
38 | },
39 | "slideshow": {
40 | "slide_type": "slide"
41 | }
42 | },
43 | "source": [
44 | "# Three Basic Functions:\n",
45 | "**Crawling** (week 1, 2, 3)\n",
46 | "--\n",
47 | "
"
48 | ]
49 | },
50 | {
51 | "cell_type": "markdown",
52 | "metadata": {
53 | "slideshow": {
54 | "slide_type": "slide"
55 | }
56 | },
57 | "source": [
58 | "**Indexing** (week 4, 5)\n",
59 | "--\n",
60 | "
"
61 | ]
62 | },
63 | {
64 | "cell_type": "markdown",
65 | "metadata": {
66 | "slideshow": {
67 | "slide_type": "slide"
68 | }
69 | },
70 | "source": [
71 | "**Ranking** (week 6)\n",
72 | "--\n",
73 | "
"
74 | ]
75 | },
76 | {
77 | "cell_type": "markdown",
78 | "metadata": {
79 | "nbpresent": {
80 | "id": "8213fc7c-ed51-4189-a63f-33914b22ca65"
81 | },
82 | "slideshow": {
83 | "slide_type": "slide"
84 | }
85 | },
86 | "source": [
87 | "### QUIZ! \n",
88 | "Write a program to print number of minues in seven weeks"
89 | ]
90 | },
91 | {
92 | "cell_type": "code",
93 | "execution_count": 1,
94 | "metadata": {
95 | "nbpresent": {
96 | "id": "e1d2d182-5e88-46d6-b4dd-56224572810f"
97 | },
98 | "slideshow": {
99 | "slide_type": "slide"
100 | }
101 | },
102 | "outputs": [
103 | {
104 | "name": "stdout",
105 | "output_type": "stream",
106 | "text": [
107 | "70560\n"
108 | ]
109 | }
110 | ],
111 | "source": [
112 | "print 7 * 7 * 24 * 60"
113 | ]
114 | },
115 | {
116 | "cell_type": "markdown",
117 | "metadata": {
118 | "nbpresent": {
119 | "id": "c87c8fce-ca69-4b92-8f51-5ca5726dc588"
120 | }
121 | },
122 | "source": [
123 | "### Syntax Errors"
124 | ]
125 | },
126 | {
127 | "cell_type": "code",
128 | "execution_count": 2,
129 | "metadata": {
130 | "collapsed": true,
131 | "nbpresent": {
132 | "id": "b3e4a732-15d4-4533-8484-fda6d4917c8e"
133 | }
134 | },
135 | "outputs": [],
136 | "source": [
137 | "# print 2 + 3 *"
138 | ]
139 | },
140 | {
141 | "cell_type": "markdown",
142 | "metadata": {
143 | "nbpresent": {
144 | "id": "92eaab02-79ed-4cbf-807a-eb6402d36ab7"
145 | }
146 | },
147 | "source": [
148 | "### QUIZ!\n",
149 | "How far light travels in centimeters in 1 nano seconds?\n",
150 | "- Speed of lights = 299792458 meters/seconds\n",
151 | "- 1 meter = 100 centimeters\n",
152 | "- 1 nano seconds = $10^{-9}$ seconds"
153 | ]
154 | },
155 | {
156 | "cell_type": "code",
157 | "execution_count": 3,
158 | "metadata": {
159 | "nbpresent": {
160 | "id": "c19593d0-3e17-4a75-a441-2ecfba0056a1"
161 | }
162 | },
163 | "outputs": [
164 | {
165 | "name": "stdout",
166 | "output_type": "stream",
167 | "text": [
168 | "29.9792458\n"
169 | ]
170 | }
171 | ],
172 | "source": [
173 | "print 299792458 * 100 * 10 ** (-9)"
174 | ]
175 | },
176 | {
177 | "cell_type": "markdown",
178 | "metadata": {
179 | "nbpresent": {
180 | "id": "edca49c4-eafc-4ede-81e3-8008e9486c56"
181 | }
182 | },
183 | "source": [
184 | "### Variables"
185 | ]
186 | },
187 | {
188 | "cell_type": "code",
189 | "execution_count": 4,
190 | "metadata": {
191 | "nbpresent": {
192 | "id": "2b73c2b5-843c-4efe-8900-47ed30621743"
193 | }
194 | },
195 | "outputs": [
196 | {
197 | "name": "stdout",
198 | "output_type": "stream",
199 | "text": [
200 | "299792458\n"
201 | ]
202 | }
203 | ],
204 | "source": [
205 | "speed_of_lights = 299792458\n",
206 | "\n",
207 | "print speed_of_lights"
208 | ]
209 | },
210 | {
211 | "cell_type": "code",
212 | "execution_count": 5,
213 | "metadata": {
214 | "nbpresent": {
215 | "id": "80706a09-8b5b-4129-bc63-84c1d0130183"
216 | }
217 | },
218 | "outputs": [
219 | {
220 | "name": "stdout",
221 | "output_type": "stream",
222 | "text": [
223 | "29.9792458\n"
224 | ]
225 | }
226 | ],
227 | "source": [
228 | "nanostick = speed_of_lights * 10 ** (-9) * 100\n",
229 | "print nanostick"
230 | ]
231 | },
232 | {
233 | "cell_type": "markdown",
234 | "metadata": {
235 | "nbpresent": {
236 | "id": "c3161d79-7623-48f1-8ae1-68e0f26ac5c6"
237 | }
238 | },
239 | "source": [
240 | "### Strings\n",
241 | "A **sequence** of characters between single quotes ' ' or double quotes \" \"."
242 | ]
243 | },
244 | {
245 | "cell_type": "code",
246 | "execution_count": 6,
247 | "metadata": {
248 | "nbpresent": {
249 | "id": "34e5e8c9-3a82-4355-ad33-9b2fade4175e"
250 | }
251 | },
252 | "outputs": [
253 | {
254 | "name": "stdout",
255 | "output_type": "stream",
256 | "text": [
257 | "Hello, World!\n"
258 | ]
259 | }
260 | ],
261 | "source": [
262 | "first_string = 'Hello, World!'\n",
263 | "\n",
264 | "print first_string"
265 | ]
266 | },
267 | {
268 | "cell_type": "code",
269 | "execution_count": 7,
270 | "metadata": {
271 | "nbpresent": {
272 | "id": "db7e627d-601b-4227-85e3-f52cd299cf42"
273 | }
274 | },
275 | "outputs": [
276 | {
277 | "name": "stdout",
278 | "output_type": "stream",
279 | "text": [
280 | "Hello, World!\n"
281 | ]
282 | }
283 | ],
284 | "source": [
285 | "second_string = \"Hello, World!\"\n",
286 | "\n",
287 | "print second_string"
288 | ]
289 | },
290 | {
291 | "cell_type": "code",
292 | "execution_count": 8,
293 | "metadata": {
294 | "nbpresent": {
295 | "id": "954f88b6-872c-4a74-8867-0a8692f66297"
296 | }
297 | },
298 | "outputs": [
299 | {
300 | "name": "stdout",
301 | "output_type": "stream",
302 | "text": [
303 | "To be or not to be, that's the question.\n"
304 | ]
305 | }
306 | ],
307 | "source": [
308 | "third_string = \"To be or not to be, that's the question.\"\n",
309 | "\n",
310 | "print third_string"
311 | ]
312 | },
313 | {
314 | "cell_type": "markdown",
315 | "metadata": {},
316 | "source": [
317 | "### String Concatination"
318 | ]
319 | },
320 | {
321 | "cell_type": "code",
322 | "execution_count": 9,
323 | "metadata": {
324 | "nbpresent": {
325 | "id": "62b0bafd-38a4-4c62-832c-e1a5e5632c1b"
326 | }
327 | },
328 | "outputs": [
329 | {
330 | "name": "stdout",
331 | "output_type": "stream",
332 | "text": [
333 | "HelloJohn\n"
334 | ]
335 | }
336 | ],
337 | "source": [
338 | "name = \"John\"\n",
339 | "print \"Hello\" + name"
340 | ]
341 | },
342 | {
343 | "cell_type": "code",
344 | "execution_count": 10,
345 | "metadata": {
346 | "nbpresent": {
347 | "id": "019f3f69-0039-457c-bbcf-599b762897dc"
348 | }
349 | },
350 | "outputs": [
351 | {
352 | "name": "stdout",
353 | "output_type": "stream",
354 | "text": [
355 | "Hello John\n"
356 | ]
357 | }
358 | ],
359 | "source": [
360 | "print \"Hello \" + name"
361 | ]
362 | },
363 | {
364 | "cell_type": "code",
365 | "execution_count": 11,
366 | "metadata": {
367 | "nbpresent": {
368 | "id": "a437cbed-6d6a-4aee-9409-6c6a8382b7aa"
369 | }
370 | },
371 | "outputs": [
372 | {
373 | "name": "stdout",
374 | "output_type": "stream",
375 | "text": [
376 | "Hello John!\n"
377 | ]
378 | }
379 | ],
380 | "source": [
381 | "print \"Hello \" + name + \"!\""
382 | ]
383 | },
384 | {
385 | "cell_type": "code",
386 | "execution_count": 12,
387 | "metadata": {
388 | "collapsed": true,
389 | "nbpresent": {
390 | "id": "a7c691d8-718b-4b01-9bd2-cd0bff871717"
391 | }
392 | },
393 | "outputs": [],
394 | "source": [
395 | "age = 30\n",
396 | "\n",
397 | "# print \"I have \" + age + \" years old.\""
398 | ]
399 | },
400 | {
401 | "cell_type": "code",
402 | "execution_count": 13,
403 | "metadata": {
404 | "nbpresent": {
405 | "id": "614d896e-a972-4898-a748-40b4b086fc3b"
406 | }
407 | },
408 | "outputs": [
409 | {
410 | "name": "stdout",
411 | "output_type": "stream",
412 | "text": [
413 | "I have 30 years old.\n"
414 | ]
415 | }
416 | ],
417 | "source": [
418 | "print \"I have \" + str(age) + \" years old.\""
419 | ]
420 | },
421 | {
422 | "cell_type": "markdown",
423 | "metadata": {},
424 | "source": [
425 | "### Data Types"
426 | ]
427 | },
428 | {
429 | "cell_type": "code",
430 | "execution_count": 14,
431 | "metadata": {
432 | "nbpresent": {
433 | "id": "8396d068-62d1-4037-abc4-9314dc357f71"
434 | }
435 | },
436 | "outputs": [
437 | {
438 | "name": "stdout",
439 | "output_type": "stream",
440 | "text": [
441 | "
"
563 | ]
564 | },
565 | {
566 | "cell_type": "code",
567 | "execution_count": 20,
568 | "metadata": {
569 | "nbpresent": {
570 | "id": "2ec8f011-f298-4c1e-9db1-3513ee8e622e"
571 | }
572 | },
573 | "outputs": [
574 | {
575 | "name": "stdout",
576 | "output_type": "stream",
577 | "text": [
578 | "U\n"
579 | ]
580 | }
581 | ],
582 | "source": [
583 | "print university_name[0]"
584 | ]
585 | },
586 | {
587 | "cell_type": "code",
588 | "execution_count": 21,
589 | "metadata": {
590 | "nbpresent": {
591 | "id": "d88160ef-368e-4cfc-aa3e-6f76ad77b5ad"
592 | }
593 | },
594 | "outputs": [
595 | {
596 | "name": "stdout",
597 | "output_type": "stream",
598 | "text": [
599 | "n\n"
600 | ]
601 | }
602 | ],
603 | "source": [
604 | "print university_name[1]"
605 | ]
606 | },
607 | {
608 | "cell_type": "code",
609 | "execution_count": 22,
610 | "metadata": {
611 | "nbpresent": {
612 | "id": "2bd0edae-177a-422c-b923-ae9378f173d5"
613 | }
614 | },
615 | "outputs": [
616 | {
617 | "name": "stdout",
618 | "output_type": "stream",
619 | "text": [
620 | "v\n"
621 | ]
622 | }
623 | ],
624 | "source": [
625 | "print university_name[1 + 2]"
626 | ]
627 | },
628 | {
629 | "cell_type": "code",
630 | "execution_count": 23,
631 | "metadata": {
632 | "nbpresent": {
633 | "id": "741b4c82-909c-4fa8-9aa8-305d44bc5aed"
634 | }
635 | },
636 | "outputs": [
637 | {
638 | "name": "stdout",
639 | "output_type": "stream",
640 | "text": [
641 | "20\n"
642 | ]
643 | }
644 | ],
645 | "source": [
646 | "print len(university_name) # len() returns the length of any string"
647 | ]
648 | },
649 | {
650 | "cell_type": "code",
651 | "execution_count": 24,
652 | "metadata": {
653 | "nbpresent": {
654 | "id": "369ceb34-cbd0-4d05-8913-4320ca13eb4f"
655 | }
656 | },
657 | "outputs": [
658 | {
659 | "name": "stdout",
660 | "output_type": "stream",
661 | "text": [
662 | "z\n"
663 | ]
664 | }
665 | ],
666 | "source": [
667 | "print university_name[len(university_name) - 1]"
668 | ]
669 | },
670 | {
671 | "cell_type": "code",
672 | "execution_count": 25,
673 | "metadata": {
674 | "nbpresent": {
675 | "id": "c49cbece-f142-43b5-8d8b-de9197a491e8"
676 | },
677 | "scrolled": true
678 | },
679 | "outputs": [
680 | {
681 | "name": "stdout",
682 | "output_type": "stream",
683 | "text": [
684 | "z\n"
685 | ]
686 | }
687 | ],
688 | "source": [
689 | "n = len(university_name)\n",
690 | "\n",
691 | "print university_name[n - 1]"
692 | ]
693 | },
694 | {
695 | "cell_type": "markdown",
696 | "metadata": {},
697 | "source": [
698 | "### Reverse Indexing"
699 | ]
700 | },
701 | {
702 | "cell_type": "markdown",
703 | "metadata": {},
704 | "source": [
705 | "
"
706 | ]
707 | },
708 | {
709 | "cell_type": "code",
710 | "execution_count": 26,
711 | "metadata": {
712 | "nbpresent": {
713 | "id": "54222e84-b7d7-42f2-b839-a244f096932b"
714 | }
715 | },
716 | "outputs": [
717 | {
718 | "name": "stdout",
719 | "output_type": "stream",
720 | "text": [
721 | "z\n"
722 | ]
723 | }
724 | ],
725 | "source": [
726 | "print university_name[-1]"
727 | ]
728 | },
729 | {
730 | "cell_type": "code",
731 | "execution_count": 27,
732 | "metadata": {
733 | "nbpresent": {
734 | "id": "3f0477b2-54ca-4a13-a3e8-7442096436b8"
735 | }
736 | },
737 | "outputs": [
738 | {
739 | "name": "stdout",
740 | "output_type": "stream",
741 | "text": [
742 | "i\n"
743 | ]
744 | }
745 | ],
746 | "source": [
747 | "print university_name[-2]"
748 | ]
749 | },
750 | {
751 | "cell_type": "code",
752 | "execution_count": 28,
753 | "metadata": {
754 | "collapsed": true,
755 | "nbpresent": {
756 | "id": "cbbf7198-d887-4514-9a55-28462421fc27"
757 | }
758 | },
759 | "outputs": [],
760 | "source": [
761 | "# print university_name[20] # Index Error"
762 | ]
763 | },
764 | {
765 | "cell_type": "code",
766 | "execution_count": 29,
767 | "metadata": {
768 | "nbpresent": {
769 | "id": "33cb0602-ee83-4c9b-9f3f-1206968ea92f"
770 | }
771 | },
772 | "outputs": [
773 | {
774 | "name": "stdout",
775 | "output_type": "stream",
776 | "text": [
777 | "University\n"
778 | ]
779 | }
780 | ],
781 | "source": [
782 | "print university_name[0:10]"
783 | ]
784 | },
785 | {
786 | "cell_type": "code",
787 | "execution_count": 30,
788 | "metadata": {
789 | "nbpresent": {
790 | "id": "28d16f97-650e-4d0f-ab15-7307c999d97e"
791 | }
792 | },
793 | "outputs": [
794 | {
795 | "name": "stdout",
796 | "output_type": "stream",
797 | "text": [
798 | "University\n"
799 | ]
800 | }
801 | ],
802 | "source": [
803 | "print university_name[:10]"
804 | ]
805 | },
806 | {
807 | "cell_type": "code",
808 | "execution_count": 31,
809 | "metadata": {
810 | "nbpresent": {
811 | "id": "1240ad92-4c26-484d-b493-06c378838ff5"
812 | }
813 | },
814 | "outputs": [
815 | {
816 | "name": "stdout",
817 | "output_type": "stream",
818 | "text": [
819 | "of\n"
820 | ]
821 | }
822 | ],
823 | "source": [
824 | "print university_name[11:13]"
825 | ]
826 | },
827 | {
828 | "cell_type": "code",
829 | "execution_count": 32,
830 | "metadata": {
831 | "nbpresent": {
832 | "id": "9a9a2566-abc3-4598-a3f5-48f857f8ee65"
833 | }
834 | },
835 | "outputs": [
836 | {
837 | "name": "stdout",
838 | "output_type": "stream",
839 | "text": [
840 | "Tabriz\n"
841 | ]
842 | }
843 | ],
844 | "source": [
845 | "print university_name[14:20]"
846 | ]
847 | },
848 | {
849 | "cell_type": "code",
850 | "execution_count": 33,
851 | "metadata": {
852 | "nbpresent": {
853 | "id": "7175e031-6035-404d-a5cd-3918aa909f60"
854 | }
855 | },
856 | "outputs": [
857 | {
858 | "name": "stdout",
859 | "output_type": "stream",
860 | "text": [
861 | "Tabriz\n"
862 | ]
863 | }
864 | ],
865 | "source": [
866 | "print university_name[14:]"
867 | ]
868 | },
869 | {
870 | "cell_type": "code",
871 | "execution_count": 34,
872 | "metadata": {
873 | "nbpresent": {
874 | "id": "be1b0660-0cde-4c11-81cd-57e64ea1fcc4"
875 | }
876 | },
877 | "outputs": [
878 | {
879 | "name": "stdout",
880 | "output_type": "stream",
881 | "text": [
882 | "University of Tabriz\n"
883 | ]
884 | }
885 | ],
886 | "source": [
887 | "print university_name[:]"
888 | ]
889 | },
890 | {
891 | "cell_type": "code",
892 | "execution_count": 35,
893 | "metadata": {
894 | "nbpresent": {
895 | "id": "c69c425a-72b2-4a73-9853-b62d7c1d9117"
896 | }
897 | },
898 | "outputs": [
899 | {
900 | "name": "stdout",
901 | "output_type": "stream",
902 | "text": [
903 | "11\n"
904 | ]
905 | }
906 | ],
907 | "source": [
908 | "print university_name.find('of') # return the index of first occurance of the input string "
909 | ]
910 | },
911 | {
912 | "cell_type": "code",
913 | "execution_count": 36,
914 | "metadata": {
915 | "nbpresent": {
916 | "id": "10e719f2-8f96-4f43-beab-4c263bfd0965"
917 | }
918 | },
919 | "outputs": [
920 | {
921 | "name": "stdout",
922 | "output_type": "stream",
923 | "text": [
924 | "14\n"
925 | ]
926 | }
927 | ],
928 | "source": [
929 | "print university_name.find('Tabriz')"
930 | ]
931 | },
932 | {
933 | "cell_type": "code",
934 | "execution_count": 37,
935 | "metadata": {
936 | "nbpresent": {
937 | "id": "1426daa0-0569-4328-9209-e477ca12e9d8"
938 | }
939 | },
940 | "outputs": [
941 | {
942 | "name": "stdout",
943 | "output_type": "stream",
944 | "text": [
945 | "-1\n"
946 | ]
947 | }
948 | ],
949 | "source": [
950 | "print university_name.find('tabriz')"
951 | ]
952 | },
953 | {
954 | "cell_type": "code",
955 | "execution_count": 38,
956 | "metadata": {
957 | "nbpresent": {
958 | "id": "2a963a78-0419-4f66-bfeb-13eaf9a006c8"
959 | }
960 | },
961 | "outputs": [
962 | {
963 | "name": "stdout",
964 | "output_type": "stream",
965 | "text": [
966 | "2\n"
967 | ]
968 | }
969 | ],
970 | "source": [
971 | "print university_name.find('i')"
972 | ]
973 | },
974 | {
975 | "cell_type": "code",
976 | "execution_count": 39,
977 | "metadata": {
978 | "collapsed": true,
979 | "nbpresent": {
980 | "id": "029dd76f-0422-46d3-b645-548b1812680b"
981 | }
982 | },
983 | "outputs": [],
984 | "source": [
985 | "s = \"To be or not to be, that's the question\""
986 | ]
987 | },
988 | {
989 | "cell_type": "markdown",
990 | "metadata": {},
991 | "source": [
992 | "
"
993 | ]
994 | },
995 | {
996 | "cell_type": "code",
997 | "execution_count": 40,
998 | "metadata": {
999 | "nbpresent": {
1000 | "id": "e9196682-a4fc-464f-a341-cfe5f15114cf"
1001 | }
1002 | },
1003 | "outputs": [
1004 | {
1005 | "name": "stdout",
1006 | "output_type": "stream",
1007 | "text": [
1008 | "3\n"
1009 | ]
1010 | }
1011 | ],
1012 | "source": [
1013 | "print s.find('be')"
1014 | ]
1015 | },
1016 | {
1017 | "cell_type": "code",
1018 | "execution_count": 41,
1019 | "metadata": {
1020 | "nbpresent": {
1021 | "id": "7433520d-e1ca-4793-a909-86fbd7660bb9"
1022 | }
1023 | },
1024 | "outputs": [
1025 | {
1026 | "name": "stdout",
1027 | "output_type": "stream",
1028 | "text": [
1029 | "3\n"
1030 | ]
1031 | }
1032 | ],
1033 | "source": [
1034 | "print s.find('be', 3)"
1035 | ]
1036 | },
1037 | {
1038 | "cell_type": "code",
1039 | "execution_count": 42,
1040 | "metadata": {
1041 | "nbpresent": {
1042 | "id": "9e440165-c678-4e32-9ed5-cefb19c900fc"
1043 | }
1044 | },
1045 | "outputs": [
1046 | {
1047 | "name": "stdout",
1048 | "output_type": "stream",
1049 | "text": [
1050 | "16\n"
1051 | ]
1052 | }
1053 | ],
1054 | "source": [
1055 | "print s.find('be', 4)"
1056 | ]
1057 | },
1058 | {
1059 | "cell_type": "markdown",
1060 | "metadata": {
1061 | "nbpresent": {
1062 | "id": "93bd2ee2-4857-4903-8ce0-959446a0fcf8"
1063 | }
1064 | },
1065 | "source": [
1066 | "### Getting Help"
1067 | ]
1068 | },
1069 | {
1070 | "cell_type": "code",
1071 | "execution_count": 43,
1072 | "metadata": {
1073 | "collapsed": true,
1074 | "nbpresent": {
1075 | "id": "a6a4439d-61ec-494a-9d64-9f89439dc25f"
1076 | }
1077 | },
1078 | "outputs": [],
1079 | "source": [
1080 | "# s.find?"
1081 | ]
1082 | },
1083 | {
1084 | "cell_type": "code",
1085 | "execution_count": 44,
1086 | "metadata": {
1087 | "nbpresent": {
1088 | "id": "7a431b66-251d-42a0-a9a7-6fb6847e09fa"
1089 | }
1090 | },
1091 | "outputs": [
1092 | {
1093 | "name": "stdout",
1094 | "output_type": "stream",
1095 | "text": [
1096 | "Help on built-in function find:\n",
1097 | "\n",
1098 | "find(...)\n",
1099 | " S.find(sub [,start [,end]]) -> int\n",
1100 | " \n",
1101 | " Return the lowest index in S where substring sub is found,\n",
1102 | " such that sub is contained within S[start:end]. Optional\n",
1103 | " arguments start and end are interpreted as in slice notation.\n",
1104 | " \n",
1105 | " Return -1 on failure.\n",
1106 | "\n"
1107 | ]
1108 | }
1109 | ],
1110 | "source": [
1111 | "help(s.find)"
1112 | ]
1113 | },
1114 | {
1115 | "cell_type": "code",
1116 | "execution_count": 45,
1117 | "metadata": {
1118 | "nbpresent": {
1119 | "id": "99e0c81b-5cc5-46cb-a356-01f1280f2cee"
1120 | }
1121 | },
1122 | "outputs": [
1123 | {
1124 | "data": {
1125 | "text/plain": [
1126 | "['__add__',\n",
1127 | " '__class__',\n",
1128 | " '__contains__',\n",
1129 | " '__delattr__',\n",
1130 | " '__doc__',\n",
1131 | " '__eq__',\n",
1132 | " '__format__',\n",
1133 | " '__ge__',\n",
1134 | " '__getattribute__',\n",
1135 | " '__getitem__',\n",
1136 | " '__getnewargs__',\n",
1137 | " '__getslice__',\n",
1138 | " '__gt__',\n",
1139 | " '__hash__',\n",
1140 | " '__init__',\n",
1141 | " '__le__',\n",
1142 | " '__len__',\n",
1143 | " '__lt__',\n",
1144 | " '__mod__',\n",
1145 | " '__mul__',\n",
1146 | " '__ne__',\n",
1147 | " '__new__',\n",
1148 | " '__reduce__',\n",
1149 | " '__reduce_ex__',\n",
1150 | " '__repr__',\n",
1151 | " '__rmod__',\n",
1152 | " '__rmul__',\n",
1153 | " '__setattr__',\n",
1154 | " '__sizeof__',\n",
1155 | " '__str__',\n",
1156 | " '__subclasshook__',\n",
1157 | " '_formatter_field_name_split',\n",
1158 | " '_formatter_parser',\n",
1159 | " 'capitalize',\n",
1160 | " 'center',\n",
1161 | " 'count',\n",
1162 | " 'decode',\n",
1163 | " 'encode',\n",
1164 | " 'endswith',\n",
1165 | " 'expandtabs',\n",
1166 | " 'find',\n",
1167 | " 'format',\n",
1168 | " 'index',\n",
1169 | " 'isalnum',\n",
1170 | " 'isalpha',\n",
1171 | " 'isdigit',\n",
1172 | " 'islower',\n",
1173 | " 'isspace',\n",
1174 | " 'istitle',\n",
1175 | " 'isupper',\n",
1176 | " 'join',\n",
1177 | " 'ljust',\n",
1178 | " 'lower',\n",
1179 | " 'lstrip',\n",
1180 | " 'partition',\n",
1181 | " 'replace',\n",
1182 | " 'rfind',\n",
1183 | " 'rindex',\n",
1184 | " 'rjust',\n",
1185 | " 'rpartition',\n",
1186 | " 'rsplit',\n",
1187 | " 'rstrip',\n",
1188 | " 'split',\n",
1189 | " 'splitlines',\n",
1190 | " 'startswith',\n",
1191 | " 'strip',\n",
1192 | " 'swapcase',\n",
1193 | " 'title',\n",
1194 | " 'translate',\n",
1195 | " 'upper',\n",
1196 | " 'zfill']"
1197 | ]
1198 | },
1199 | "execution_count": 45,
1200 | "metadata": {},
1201 | "output_type": "execute_result"
1202 | }
1203 | ],
1204 | "source": [
1205 | "dir(s)"
1206 | ]
1207 | },
1208 | {
1209 | "cell_type": "markdown",
1210 | "metadata": {
1211 | "nbpresent": {
1212 | "id": "9cca194d-e406-44ae-af19-2b6ad5947b80"
1213 | }
1214 | },
1215 | "source": [
1216 | "### Multi-line Strings"
1217 | ]
1218 | },
1219 | {
1220 | "cell_type": "code",
1221 | "execution_count": 46,
1222 | "metadata": {
1223 | "collapsed": true,
1224 | "nbpresent": {
1225 | "id": "7882009b-8226-4032-92e3-0f36b5812c94"
1226 | }
1227 | },
1228 | "outputs": [],
1229 | "source": [
1230 | "s = \"\"\"Sometimes a string may be very long.\n",
1231 | "In this case we can use triple quotes for\n",
1232 | "strings which are multi-line strings.\"\"\""
1233 | ]
1234 | },
1235 | {
1236 | "cell_type": "code",
1237 | "execution_count": 47,
1238 | "metadata": {
1239 | "nbpresent": {
1240 | "id": "6e0b640d-7fd1-4df9-afaf-7a2cedb94f8a"
1241 | }
1242 | },
1243 | "outputs": [
1244 | {
1245 | "name": "stdout",
1246 | "output_type": "stream",
1247 | "text": [
1248 | "Sometimes a string may be very long.\n",
1249 | "In this case we can use triple quotes for\n",
1250 | "strings which are multi-line strings.\n"
1251 | ]
1252 | }
1253 | ],
1254 | "source": [
1255 | "print s"
1256 | ]
1257 | },
1258 | {
1259 | "cell_type": "markdown",
1260 | "metadata": {
1261 | "nbpresent": {
1262 | "id": "e0a07bbe-7ea1-4703-9588-d074bac0d126"
1263 | }
1264 | },
1265 | "source": [
1266 | "## Extracting links from a web page"
1267 | ]
1268 | },
1269 | {
1270 | "cell_type": "code",
1271 | "execution_count": 48,
1272 | "metadata": {
1273 | "nbpresent": {
1274 | "id": "38984b24-d19a-4e75-8ada-e405fc3ed8c2"
1275 | }
1276 | },
1277 | "outputs": [
1278 | {
1279 | "name": "stdout",
1280 | "output_type": "stream",
1281 | "text": [
1282 | "\r\n",
1283 | "\r\n",
1284 | "\r\n",
1285 | " \r\n",
1286 | " \r\n",
1287 | " \r\n",
1288 | " \r\n",
1289 | " ![\"یادگیری](\"http://www.snrazavi.ir/wp-content/uploads/2017/10/Neuron-150x150.png\")
\r\n",
1661 | " در چند سال گذشته، یادگیری ژرف یا یادگیری عمیق به یکی از جذابترین زمینههای پژوهشی تبدیل گشته و دستاوردهای بسیاری نیز در حوزههای گوناگون به دنبال داشته است. در این نوشته نکاتی چند به منظور راهنمایی افراد علاقمند به پژوهش در این حوزه بسیار جذاب ارائه میگردد.
\n", 1662 | "![\"برنامه](\"http://www.snrazavi.ir/wp-content/uploads/2017/10/java_book_sedgewick_2nd_2017-150x150.jpg\")
\r\n",
1711 | " در این درس با زبان برنامهنویسی جاوا که یکی از پرطرفدارترین و پرکاربردترین زبانهای برنامهنویسی روز دنیا است آشنا میشوید. در مطالب ارائه شده در این درس تلاش گردیده است به شیوهای کاربردی و از طریق حل مسائل گوناگون در حوزههای مختلف علمی (مانند بازیابی اطلاعات، مسئله تراوش در فیزیک، مسئله شبیهسازی چندجسمی)، مفاهیم مهم برنامهنویسی و برنامهنویسی شیگرایی با استفاده از زبان جاوا معرفی گردند.
\n",
1712 | "دانشگاه تبریز، دانشکده مهندسی برق و کامپیوتر، گروه مهندسی کامپیوتر
![\"کتاب](\"http://www.snrazavi.ir/wp-content/uploads/2017/10/alg-sedgewick-150x150.png\")
\r\n",
1737 | " ساختمان دادهها یا داده ساختارها، از بنیادیترین مباحث مورد نیاز جهت یادگیری و درک بسیاری از مفاهیم عمده در علوم رایانه و یکی از مهمترین دروس دوره کارشناسی برای دانشجویان رشته کامپیوتر است. هدف از مطالعه این درس یادگیری روشهای پرکاربرد به منظور سازمان دادن دادهها در حافظه رایانه به یک روش ویژه و بر پایه یک مدل منطقی یا ریاضی است؛ به گونهای که بتوان از دادههای موجود به صورت بهینه استفاده نمود. داده ساختارها انواع گوناگونی دارند که هر کدام مناسب برنامههای مختلفی هستند. در این درس با پرکاربردترین آنها مانند لیست، صف و پشته، درخت و گراف آشنا میشوید.
\n",
1738 | "دانشگاه تبریز، دانشکده مهندسی برق و کامپیوتر، گروه مهندسی کامپیوتر
![\"یادگیری](\"http://www.snrazavi.ir/wp-content/uploads/2017/10/Alg-book-150x150.jpg\")
\r\n",
1763 | " اسلایدهای درس تحلیل و طراحی الگوریتمها بر اساس کتاب «مبانی طراحی الگوریتمها» (ریچارد نیپولیتان و کیومرث نعیمیپور). در این درس با روشهای تحلیل الگوریتمها و همچنین برخی از مهمترین روشهای طراحی الگوریتمها مانند تقسیم و حل، برنامهریزی پویا و حریصانه آشنا میشوید.
\n",
1764 | "دانشگاه تبریز، دانشکده مهندسی برق و کامپیوتر، گروه مهندسی کامپیوتر
![\"فارسی](\"http://www.snrazavi.ir/wp-content/uploads/2017/10/farsi-150x150.jpg\")
\r\n",
1789 | " در سالهایی که گذشت، هر روز با یک فراخوان برای انجام یک چالش جدید روبهرو شدیم (از چاش آب یخ تا چالش مانکن و …). من هم امروز میخواهم همه ایرانیها و به ویژه اساتید، دانشجویان، دانشآموختگان و پژوهشگران گرامی را به انجام یک چالش جدید فرا بخوانم: «چالش فارسی بنویسیم».
\n", 1791 | "گزاف نیست اگر بگویم شمار بسیاری از پژوهشگران، دانشجویان و دانشآموختگان و اساتید، کمتر به فارسینویسی میاندیشند و بدتر آن که میبینیم شماری بر استفاده از واژههای زبانهای بیگانه (به ویژه انگلیسی و فرانسه و حتی عربی) پافشاری میکنند و به نوعی به کار بردن این گونه واژگان را در گفتار و نوشتار خویش نشانی بر باسوادی و روشنفکری و فرهنگ بالاتر میدانند. در نشستهای گوناگون بسیاری بودهام (همانند نشستهایی در پیوند با دفاعیه از پایاننامههای کارشناسی ارشد و رسالههای دکترا) که سخنران تنها در برخی موارد، برخی از افعال را به زبان فارسی میگفت و دیگر واژههایش همگی انگلیسی بودهاند (آن هم با گویش نادرست). حتی در مواردی که به استفاده از واژگان فارسی گوشزد نمودهام، شماری بودند که میگفتند واژگان تخصصی را نباید ترجمه کرد و باید به همان زبان اصلی بیان نمود.
\n", 1792 | "من از این پس در زمینه کاری خودم هرجا با واژهای غیر از فارسی روبهرو شوم که برابر فارسی داشته باشد و یا بتوانم جایگزین فارسی مناسبی پیشنهاد دهم، در همین نوشته به آن اشاره خواهم نمود. از همه آنهایی که با من همعقیده هستند نیز میخواهم اگر دوست داشتند به این چالش بپیوندند و واژه بیگانه و افزون بر آن واژه جایگزین پیشنهادی خود را در اینجا بیاورند.
\n", 1793 | "یک پیشنهاد. در بیشتر موارد با یک جستجوی ساده در تارنمای ویکیپدیا، میتوان جایگزینهای مناسبی برای واژههای تخصصی بیگانه پیدا نمود.
\n", 1794 | "\n", 1795 | "
![\"هوش](\"http://www.snrazavi.ir/wp-content/uploads/2017/10/proposal-150x150.jpg\")
\r\n",
1819 | " نوشتن یک پروپوزال خوب همواره یکی از دغدغههای اصلی دانشجویان دوره کارشناسی ارشد و دکترا و همچنین اساتید (!) بوده و هست. (البته اگر راستش را بخواهید، خودم نسبت به درستی این گفته بسیار تردید دارم؛ ولی به هر روی به نگارش در این باره ادامه میدهم، به امید آن که دستکم برای شمار اندکی از دوستان که چنین دغدغههایی دارند کمک کننده باشد). برای نوشتن یک پروپوزال خوب، در کنار برگزیدن یک موضوع خوب، باید در نگارش درست پروپوزال نیز تلاش نمود. در این نوشته میخواهم به نکات مهم و اشکالاتی که در نگارش نخستین نسخه پروپوزال در میان بیشتر دانشجوها به چشم میخورد بپردازم. در این راستا، یک نمونه پروپوزال با نگارش نامناسب (پروپوزال ۱) را با یک نمونه پروپوزال با نگارش درست و مناسب (پروپوزال ۲) مقایسه خواهیم نمود.
\n", 1821 | "یادآوری ۱. گفتنی است پروپوزالهایی که در ادامه این نوشته به آنها اشاره شده است، مربوط به دانشجویان دورههای قبلی اینجانب است و موضوع آنها پیشتر ثبت گردیده است. بنابراین خواهش میکنم به جای نسخهبرداری از روی آنها، به نکات اشاره شده دقت بفرمایید.
\n", 1822 | "یادآوری ۲. بسیار دوست داشتم و میپسندیدم در این نوشته به جای واژه «پروپوزال»، واژه «طرحنامه» را به کار ببرم؛ اما از آنجا که شاید این واژه برای شمار زیادی ناآشنا باشد، همان واژه پروپوزال را به کار خواهم برد (پس بر من خرده نگیرید).
\n", 1823 | "در آغاز به پروپوزال (۱) بپردازیم که از نگارش خوبی برخوردار نیست (دانلود).
\n", 1824 | "۱ – خواهش میکنم فایل پیدیاف پروپوزال بالا را دانلود کرده و آن را مطالعه کنید.
\n", 1825 | "۲ – به واژهها و جملات برجسته شده (به گویش فرنگیها، هایلایت شده) و توضیحاتی که در کنار آنها نوشتهام، دقت فرمایید.
\n", 1826 | "۳ – اشکالات مطرح شده را برای خودتان دستهبندی کنید و سپس بر اساس نظر خودتان، آنها را اولویتبندی نمایید (اگر دوست داشتید، نتیجه را با ما در میان بگذارید).
\n", 1827 | "اکنون به پروپوزال (۲) بپردازیم که شیوه نگارش آن (به نسبت!) پذیرفتنی است (دانلود).
\n", 1828 | "۱ – خواهش میکنم فایل پیدیاف مربوط به پروپوزال (۲) را دانلود نموده و به دقت مطالعه کنید (بدون توجه به موضوع و با تأکید بر ساختار)
\n", 1829 | "۲ – سعی کنید نمونه ایرادات مطرح شده در پروپوزال (۱) را در این پروپوزال پیدا کنید.
\n", 1830 | "۳ – نکاتی را که به منظور بهبود این پروپوزال به نظرتان میآید، یادداشت کنید (و اگر دوست داشتید، با ما نیز در میان بگذارید).
\n", 1831 | "![\"هوش](\"http://www.snrazavi.ir/wp-content/uploads/2017/10/AIMA-150x150.jpg\")
\r\n",
1855 | " تا کنون تعاریف متفاوتی برای هوش مصنوعی ارائه شده و رویکردهای گوناگونی نیز برای رسیدن به اهداف هوش مصنوعی دنبال شده است. در این درس که مطالب آن بر اساس ویراست سوم پرطرفدارترین کتاب هوش مصنوعی یعنی «هوش مصنوعی: رویکردی نوین» تهیه و تنظیم شده است، هوش مصنوعی به صورت «دانش مطالعه و ساخت عاملهای هوشمند» تعریف شده است و در بخشهای آن مختلف سعی شده است عاملهایی برای حل مسائل گوناگون (از سادهترین مسائل مانند مسیریابی روی نقشه تا پیچیدهترین مسائل در دنیای واقعی مانند طراحی یک خودروی هوشمند و بدون راننده) طراحی و پیادهسازی گردد.
\n", 1856 | "![\"کتاب](\"http://www.snrazavi.ir/wp-content/uploads/2017/10/ML_KevinMurphy-150x150.jpg\")
\r\n",
1880 | " یادگیری ماشین یکی از مهمترین دروس رشته هوش مصنوعی در دوره کارشناسی ارشد و پایه بسیاری از دروس دیگر مانند بازشناسی الگو، پردازش تصویر، بینایی ماشین، پردازش زبان طبیعی و پردازش گفتار است. در این درس با مفاهیم پایه و برخی از مهمترین روشها و الگوریتمهای یادگیری ماشین مانند رگرسیون، رگرسیون لجستیک، شبکههای عصبی، ماشینهای بردار پشتیبان، خوشهبندی، کاهش ابعاد و تحلیل مؤلفههای اصلی، سامانههای توصیهگر و تشخیص آنومالی آشنا میشوید.
\n",
1881 | "دانشگاه تبریز، دانشکده مهندسی برق و کامپیوتر، گروه مهندسی کامپیوتر
![\"پوستر](\"http://www.snrazavi.ir/wp-content/uploads/2017/10/Python-150x150.jpg\")
\r\n",
1906 | " هدف این دوره آشنایی با زبان برنامهنویسی پایتون از طریق پیادهسازی بخشهای اصلی یک جویشگر متنی شامل خزشگر، نمایهساز و رتبهبند صفحات است. دانشجویان در هر جلسه در کنار پیادهسازی هر یک از بخشهای اصلی جویشگر، با مفاهیم مهم برنامهنویسی و پیادهسازی این مفاهیم با استفاده از زبان برنامهنویسی پرطرفدار پایتون آشنا میشوند.
\n",
1907 | "دانشکده مهندسی برق و کامپیوتر دانشگاه تبریز
عناوین پروژههای پیشنهادی در آزمایشگاه هوش محاسباتی و یادگیری ماشین پردازش تصویر و یادگیری عمیق طراحی و پیادهسازی جویشگر چهره یک سامانه بازیابی تصویر بر اساس ویژگیهای عمیق تشخیص نوع فعالیت انسان به وسیلهی یادگیری عمیق جستجوی شخص در تصویر به وسیلهی یادگیری عمیق قطعهبندی تصویر برای کاربردهای مختلف (پزشکی و غیره) طبقهبندی عکسهای سلفی با استفاده از یادگیری ماشین پردازش تصویر و خودروی هوشمند تشخیص حواسپرتی راننده با استفاده از یادگیری عمیق تشخیص عابر پیاده، دوچرخه، موتورسیکلت تشخیص تابلوهای رانندگی با یادگیری عمیق تشخیص چراغ راهنمایی رانندگی با شبکههای عصبی کانولوشن مترجم ماشینی توسعه مترجم ماشینی با چند زبان۸۸
\n", 1983 | "![\"یادگیری](\"http://www.snrazavi.ir/wp-content/uploads/2017/12/photo_2017-12-03_00-00-00-150x150.jpg\")
![\"پوستر](\"http://www.snrazavi.ir/wp-content/uploads/2017/10/DL_Poster_ITRC-150x150.jpg\")
![\"دوره](\"http://www.snrazavi.ir/wp-content/uploads/2017/10/photo_2017-10-13_13-09-01.jpg\")