mdeck 3.7.0 → 3.8.0

package/examples/python/slides.fa.md

@@ -0,0 +1,492 @@
+---
+theme: academic
+meta:
+  title: "آشنایی با Python"
+  author: "Tilman Schieber"
+  organization: "FHNW"
+  date: "2026-05-19"
+palette: paper
+---
+
+---
+:::meta
+layout: title
+id: python-for-life-sciences
+:::
+# Python برای علوم زیستی.
+## آشنایی گام‌به‌گام برای دانشجویان کارشناسی ارشد.
+
+:::notes
+به درس Python خوش آمدید. این جلسه هیچ تجربهٔ قبلی در برنامه‌نویسی را فرض نمی‌کند.
+
+- گام‌به‌گام پیش می‌رویم؛ هر وقت سؤالی داشتید، بی‌درنگ بپرسید
+- همهٔ کدها مستقیم در مرورگر اجرا می‌شوند؛ امروز نیازی به نصب چیزی نیست
+- هدف: در پایان می‌توانید یک مجموعه‌داده را بارگذاری کنید، بررسی کنید و نمودارش را بکشید
+:::
+
+---
+:::meta
+layout: focus
+eyebrow: چرا Python؟
+id: the-tools-your-field-uses-are-written-in
+:::
+# ابزارهای رشتهٔ شما *با Python نوشته شده‌اند*.
+
+:::notes
+Python در دانشگاه و صنعت، زبان غالب برای کارهای داده‌محور است.
+علوم زیستی هم استثنا نیست: بیوانفورماتیک، تصویربرداری و تحلیل داده‌های بالینی همه روی Python اجرا می‌شوند.
+
+اکوسیستم آن (NumPy، Pandas، Matplotlib، scikit-learn، BioPython) بی‌رقیب است.
+اشاره کنید که R هنوز در آمار رایج است، اما Python تا حد زیادی به زبان مشترک تبدیل شده است.
+:::
+
+---
+:::meta
+layout: chapter
+number: 1
+part: شروع کار
+description: متغیرها، نوع‌ها و نخستین خطوط کد شما.
+id: variables-and-data-types
+:::
+# متغیرها و نوع‌های داده.
+
+:::notes
+حتی اگر دانشجویان قبلاً کمی Python دیده‌اند، از همین‌جا شروع کنید. از پایه می‌سازیم.
+زمان تقریبی این فصل: ۲۰ دقیقه.
+:::
+
+---
+:::meta
+layout: split
+section: متغیرها
+id: variables-store-data
+props:
+  ratio: [3, 2]
+:::
+# متغیر نامی برای یک مقدار است.
+:::slot left
+```python live editable copy
+name = "E. coli"
+genome_size = 4_641_652   # جفت باز
+gc_content = 0.506        # کسر
+
+print(name, genome_size, gc_content)
+print(f"GC content: {gc_content:.1%}")
+```
+:::
+:::slot right
+بدون اعلان: Python نوع را از خود مقدار تشخیص می‌دهد.
+
+**امتحان کنید:** `gc_content` را به `0.65` تغییر دهید و دوباره اجرا کنید.
+:::
+
+:::notes
+متغیر فقط نامی است که به یک مقدار وصل شده. Python نوع را خودکار تشخیص می‌دهد.
+
+یادآوری کنید: نه نقطه‌ویرگول، نه اعلان نوع، نه کد اضافی. رشتهٔ `f"…"` مقداری را درون متن قالب‌بندی می‌کند؛ `:.1%` کسر را به‌صورت درصد نشان می‌دهد.
+دانشجویان را تشویق کنید مقادیر را تغییر دهند و دوباره اجرا کنند؛ هدف بلوک زنده همین است.
+:::
+
+---
+:::meta
+section: نوع‌های داده
+id: four-types-cover-most-biology-data
+:::
+# چهار نوع، بیشتر داده‌های زیستی را پوشش می‌دهند.
+
+:::steps
+- **`int`** — اعداد صحیح: شمارش‌ها، موقعیت‌ها، اندیس‌ها
+- **`float`** — اعداد اعشاری: غلظت‌ها، p-value، تغییرات چندبرابری
+- **`str`** — متن: نام ژن‌ها، توالی‌ها، شناسهٔ نمونه‌ها
+- **`bool`** — True یا False: پرچم معناداری، فیلترهای کیفیت
+:::
+
+:::notes
+هر بار یک نوع را نشان دهید و پیش از نمایش بعدی، از تجربهٔ آزمایشگاهی دانشجویان مثالی بخواهید.
+
+تأکید کنید که مقادیر بولی معمولاً از مقایسه به دست می‌آیند، نه از نوشتن مستقیم True/False. اسلاید بعدی از همهٔ کلاس می‌پرسد.
+:::
+
+---
+:::meta
+section: نوع‌های داده
+title: "نظرسنجی: نوع p-value"
+id: poll-the-type-of-a-p-value
+:::
+# p-value از چه نوعی است؟
+
+<poll room="p-value" options="int|float|str|bool" answer="float" />
+
+:::notes
+یک بررسی کوتاه پیش از ادامه. گوشی‌ها با کد QR وصل می‌شوند؛ ارائه را با `mdeck run slides.fa.md --network` شروع کنید تا به این رایانه دسترسی داشته باشند.
+
+پاسخ: `float`؛ دکمهٔ تیک زیر نمودار آن را علامت می‌زند. اگر بسیاری `bool` را انتخاب کردند، به *پرچم معناداری* فکر می‌کنند که از آن محاسبه می‌شود (`p < 0.05`): فرصت خوبی است تا نشان دهید مقایسه‌ها مقدار بولی می‌سازند.
+:::
+
+---
+:::meta
+layout: split
+section: رشته‌ها
+props:
+  ratio: [3, 2]
+:::
+# رشته‌ها مثل توالی رفتار می‌کنند.
+:::slot left
+```python live editable copy
+dna = "ATGCGTAAGCTTGAC"
+
+print("Length:     ", len(dna))
+print("First codon:", dna[:3])
+print("A count:    ", dna.count("A"))
+print("Reversed:   ", dna[::-1])
+print("As RNA:     ", dna.replace("T", "U"))
+```
+:::
+:::slot right
+برش، شمارش و جایگزینی روی هر متنی یکسان کار می‌کنند.
+
+**امتحان کنید:** آخرین کدون را با `dna[-3:]` چاپ کنید.
+:::
+
+:::notes
+رشته‌ها توالی‌اند؛ می‌توانید آن‌ها را درست مثل یک توالی نوکلئوتیدی برش بزنید.
+`replace("T", "U")` رونویسی در یک خط است. این مفاهیم بعداً مستقیم به BioPython منتقل می‌شوند.
+:::
+
+---
+:::meta
+layout: chapter
+number: 2
+part: مجموعه‌ها
+description: نگه‌داشتن چند مقدار با هم و دسترسی به آن‌ها.
+:::
+# لیست‌ها و دیکشنری‌ها.
+
+:::notes
+بیشتر داده‌های واقعی یک مقدار تنها نیستند. لیست‌ها و دیکشنری‌ها دو مجموعهٔ پرکاربرد اصلی‌اند.
+زمان تقریبی این فصل: ۲۵ دقیقه.
+:::
+
+---
+:::meta
+layout: split
+section: لیست‌ها
+props:
+  ratio: [3, 2]
+:::
+# لیست مقادیر را به ترتیب نگه می‌دارد.
+:::slot left
+```python live editable copy
+conc = [0.12, 0.45, 0.33, 0.78, 0.21]
+
+print("Samples:", len(conc))
+print("First:  ", conc[0])
+print("Last:   ", conc[-1])
+print("Sorted: ", sorted(conc))
+print("Mean:   ", sum(conc) / len(conc))
+```
+:::
+:::slot right
+شمارش از صفر شروع می‌شود: `conc[0]` اولین عضو است و `conc[-1]` آخرین.
+
+**امتحان کنید:** مقدار ششمی اضافه کنید و تغییر میانگین را ببینید.
+:::
+
+:::notes
+لیست‌ها ترتیب را حفظ می‌کنند و مقدار تکراری را می‌پذیرند. اندیس از ۰ شروع می‌شود. اندیس‌های منفی از انتها می‌شمارند.
+مناسب برای: سری‌های زمانی، اندازه‌گیری‌های تکراری، مراحل پردازش به ترتیب.
+
+اشتباه رایج: دانشجویان برای اولین عضو اندیس ۱ را امتحان می‌کنند. اندیس‌گذاری از ۰ را زود جا بیندازید.
+:::
+
+---
+:::meta
+layout: split
+section: دیکشنری‌ها
+props:
+  ratio: [3, 2]
+:::
+# دیکشنری مقادیر را با نامشان پیدا می‌کند.
+:::slot left
+```python live editable copy
+sample = {
+    "id": "S042",
+    "organism": "Mus musculus",
+    "tissue": "liver",
+    "weight_mg": 312,
+}
+
+print(sample["organism"])
+sample["weight_mg"] = 318   # به‌روزرسانی یک فیلد
+print(sample)
+```
+:::
+:::slot right
+هر دیکشنری یک نمونه را توصیف می‌کند: لازم نیست شمارهٔ ستون‌ها را به خاطر بسپارید.
+
+**امتحان کنید:** `"treated": True` را اضافه کنید.
+:::
+
+:::notes
+دیکشنری‌ها کلیدها را به مقادیر نگاشت می‌کنند. برای رکوردهای ساختاریافته عالی‌اند: یک دیکشنری = یک نمونه.
+بعدها یک لیست از دیکشنری‌ها به یک DataFrame در Pandas تبدیل می‌شود. این بذر را همین حالا بکارید.
+:::
+
+---
+:::meta
+layout: chapter
+number: 3
+part: کنترل جریان
+description: تصمیم‌گیری و تکرار عملیات روی داده‌ها.
+:::
+# تصمیم‌ها و حلقه‌ها.
+
+:::notes
+این دو ساختار، if و for، بخش عمدهٔ منطق اسکریپت‌های پردازش داده را پوشش می‌دهند.
+زمان تقریبی این فصل: ۲۵ دقیقه.
+:::
+
+---
+:::meta
+layout: split
+section: شرط‌ها
+props:
+  ratio: [3, 2]
+:::
+# `if` یک مسیر را انتخاب می‌کند.
+:::slot left
+```python live editable copy
+p_value = 0.023
+fold_change = 2.4
+
+if p_value < 0.05 and fold_change > 2:
+    print("Significant upregulation")
+elif p_value < 0.05:
+    print("Significant, modest effect")
+else:
+    print("Not significant")
+```
+:::
+:::slot right
+تورفتگی همان بلوک است: Python از فاصله استفاده می‌کند، نه از آکولاد.
+
+**امتحان کنید:** `fold_change = 1.5` را قرار دهید.
+:::
+
+:::notes
+if / elif / else همهٔ شاخه‌ها را پوشش می‌دهد. در Python تورفتگی سلیقه‌ای نیست؛ بخشی از نحو است.
+دانشجویانی که از زبان‌های دیگر یا R می‌آیند اینجا گیر می‌کنند. دونقطه و تورفتگی اجباری‌اند.
+نشان دهید اگر دونقطه را فراموش کنید چه می‌شود: Python خطای SyntaxError می‌دهد.
+:::
+
+---
+:::meta
+layout: split
+section: حلقه‌ها
+props:
+  ratio: [3, 2]
+:::
+# `for` یک کار را برای هر عضو تکرار می‌کند.
+:::slot left
+```python live editable copy
+values = [1.2, 0.8, 2.1, 1.5, 0.9, 2.8]
+
+above = []
+for value in values:
+    if value > 1.0:
+        above.append(value)
+
+print(len(above), "of", len(values))
+print(above)
+```
+:::
+:::slot right
+حلقه، آزمون، جمع‌آوری: الگوی اصلی فیلتر کردن داده‌ها.
+
+**امتحان کنید:** به جای آن، مقادیر کمتر از 1.0 را بشمارید.
+:::
+
+:::notes
+حلقه‌های for روی هر مجموعه‌ای پیمایش می‌کنند. این الگو، یعنی حلقه، آزمون، جمع‌آوری، در قلب تقریباً هر اسکریپت پردازش داده‌ای است که دانشجویان خواهند نوشت.
+
+کلید **D** را بزنید و یک مقدار را روی اسلاید در حلقه دنبال کنید: به `value`، از میان `if`، به `above`. Escape طراحی را متوقف می‌کند؛ نقاشی با اسلاید می‌ماند.
+:::
+
+---
+:::meta
+layout: chapter
+number: 4
+part: تابع‌ها
+description: بسته‌بندی منطق برای استفادهٔ دوباره و آزمودن.
+:::
+# تابع‌ها منطق را برای استفادهٔ دوباره بسته‌بندی می‌کنند.
+
+:::notes
+تابع‌ها نخستین گام به سوی کدی قابل استفادهٔ دوباره و قابل آزمون‌اند.
+انگیزه دهید: «همین محاسبه را روی ۲۰۰ نمونه اجرا خواهید کرد؛ یک بار بنویسید، ۲۰۰ بار فراخوانی کنید.»
+زمان تقریبی این فصل: ۲۰ دقیقه.
+:::
+
+---
+:::meta
+layout: split
+section: تابع‌ها
+props:
+  ratio: [3, 2]
+:::
+# تابع ورودی‌ها را به خروجی تبدیل می‌کند.
+:::slot left
+```python live editable copy
+def gc_content(seq):
+    """کسر GC یک توالی را برمی‌گرداند."""
+    gc = seq.count("G") + seq.count("C")
+    return gc / len(seq)
+
+for seq in ["ATGCGC", "AATTAA", "GCGCGC"]:
+    print(seq, f"{gc_content(seq):.0%}")
+```
+:::
+:::slot right
+یک بار بنویسید، سپس آن را روی هر نمونه فراخوانی کنید.
+
+**امتحان کنید:** توالی خودتان را به لیست اضافه کنید.
+:::
+
+:::notes
+def، پارامترها، return: کل نحو همین است.
+مرحله‌به‌مرحله توضیح دهید: یک بار تعریف کنید، بارها با ورودی‌های مختلف فراخوانی کنید.
+docstring (رشتهٔ سه‌گیومه‌ای پس از def) روش درستی است؛ زود معرفی‌اش کنید.
+:::
+
+---
+:::meta
+layout: chapter
+number: 5
+part: Python علمی
+description: NumPy، Pandas و Matplotlib، سه ستون اصلی.
+:::
+# پشتهٔ علمی.
+
+:::notes
+همین سه کتابخانه‌اند که Python را به زبان غالب علم داده تبدیل کرده‌اند.
+دانشجویان در عمل Python خالص زیادی نمی‌نویسند؛ از این‌ها استفاده می‌کنند.
+زمان تقریبی این فصل: ۳۰ دقیقه.
+:::
+
+---
+:::meta
+section: Python علمی
+:::
+# سه کتابخانه بیشتر کارهای علوم زیستی را پوشش می‌دهند.
+
+:::steps
+- **NumPy** — آرایه‌های سریع: محاسبه روی کل مجموعه‌داده به‌یک‌باره
+- **Pandas** — جدول‌ها: بارگذاری، فیلتر، گروه‌بندی و خلاصه‌سازی داده‌های صفحه‌گسترده
+- **Matplotlib** — نمودارها، با کنترل روی تک‌تک اجزا
+:::
+
+:::notes
+مروری کوتاه پیش از ورود به جزئیات. پیام اصلی: این کتابخانه‌ها کارهای سنگین را انجام می‌دهند،
+پس دانشجویان کد کمتری می‌نویسند و نتایجی سریع‌تر و مطمئن‌تر از حلقه‌های Python خالص می‌گیرند.
+:::
+
+---
+:::meta
+layout: split
+section: NumPy
+props:
+  ratio: [3, 2]
+:::
+# NumPy روی کل آرایه محاسبه می‌کند.
+:::slot left
+```python live copy
+import numpy as np
+
+m = np.array([1.2, 0.8, 2.1, 1.5, 0.9, 2.8])
+
+print("Mean:  ", m.mean().round(3))
+print("Std:   ", m.std().round(3))
+print("Median:", np.median(m))
+print("> 1.5: ", m[m > 1.5])
+```
+:::
+:::slot right
+`m[m > 1.5]` بدون حلقه فیلتر می‌کند.
+
+آن را با حلقهٔ `for` دو فصل قبل مقایسه کنید.
+:::
+
+:::notes
+عملیات NumPy به‌یک‌باره روی کل آرایه اعمال می‌شوند؛ بدون حلقه. هم سریع‌تر است و هم خواناتر.
+عادت به این سبک برداری زمان می‌برد، اما ارزش دارد زود یاد گرفته شود.
+نمایش: پیش از اجرا از دانشجویان بخواهید حدس بزنند `m > 1.5` چه برمی‌گرداند.
+:::
+
+---
+:::meta
+layout: focus
+eyebrow: نکتهٔ کلیدی
+:::
+# عملیات را روی *آرایه‌ها* بنویسید، نه روی تک‌مقدارها.
+
+:::notes
+این مهم‌ترین تغییر ذهنی از Python خالص به Python علمی است.
+تکرارش کنید، بگذارید جا بیفتد. دانشجویانی که زود آن را درونی کنند، بعدها کد بسیار تمیزتری می‌نویسند.
+:::
+
+---
+:::meta
+layout: chapter
+number: 6
+part: گام‌های بعدی
+description: از اینجا به کجا برویم.
+id: keep-going
+:::
+# ادامه دهید.
+
+:::notes
+با یک نقشهٔ راه جمع‌بندی کنید. دانشجویان پس از یک درس مقدماتی اغلب احساس سردرگمی می‌کنند؛ گام‌های بعدی مشخص به آن‌ها بدهید
+و بهترین منابع رایگان را معرفی کنید.
+:::
+
+---
+:::meta
+section: گام‌های بعدی
+:::
+# بعد از این چه یاد بگیریم.
+
+- **Pandas** — بارگذاری CSV، فیلتر کردن سطرها، محاسبهٔ آمار گروه‌ها
+- **Matplotlib و Seaborn** — نمودار پراکندگی، نقشهٔ حرارتی، نمودار آتشفشانی
+- **scikit-learn** — طبقه‌بندی، خوشه‌بندی، کاهش ابعاد
+- **BioPython** — توالی‌ها، BLAST، فایل‌های GenBank و PDB
+
+:::notes
+برای خودآموزی: آموزش رسمی Python برای نحو، و مستندات Pandas برای کار با داده.
+دوره‌های رایگان Python و Pandas در Kaggle عالی‌اند و با سرعت دلخواه پیش می‌روند.
+به‌طور خاص برای علوم زیستی: مستندات BioPython و کتاب درسی Python for Bioinformatics (Bassi).
+:::
+
+---
+:::meta
+layout: focus
+eyebrow: به خاطر بسپارید
+:::
+# بهترین راه یادگیری برنامه‌نویسی، *نوشتن کد* است.
+
+:::notes
+با همین جمع‌بندی کنید. برنامه‌نویسی یک مهارت است و تمرین می‌خواهد. چند هفتهٔ اول کند به نظر می‌رسد،
+بعد همه‌چیز جا می‌افتد. به تمرین روزانه تشویق کنید، حتی با اسکریپت‌های کوچک. به تمرین‌ها اشاره کنید.
+:::
+
+---
+:::meta
+layout: title
+:::
+# سؤالی هست؟
+## سپاس‌گزارم؛ حالا لپ‌تاپ‌هایتان را باز کنید.
+
+:::notes
+برای پرسش‌ها وقت بگذارید.
+به دانشجویان یادآوری کنید مطالب درس را کجا پیدا کنند و چطور با شما تماس بگیرند.
+جلسهٔ بعد به Pandas و بارگذاری مجموعه‌داده‌های واقعی می‌پردازد.
+:::