دوره افزایش سرعت و کیفیت کدنویسی با GitHub Copilot و مهندسی پرامپت همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره افزایش سرعت و کیفیت کدنویسی با GitHub Copilot و مهندسی پرامپت

موضوع کلی: هوش مصنوعی و توسعه نرم‌افزار

موضوع میانی: برنامه‌نویسی همکار با هوش مصنوعی

📋 سرفصل‌های دوره

• 1. آشنایی با هوش مصنوعی در توسعه نرم‌افزار
• 2. مقدمه‌ای بر برنامه‌نویسی همکار
• 3. نقش GitHub Copilot در افزایش بهره‌وری
• 4. نصب و پیکربندی GitHub Copilot
• 5. اولین گام‌ها با Copilot: تولید کد اولیه
• 6. درک بهتر پیشنهادات Copilot
• 7. سفارشی‌سازی Copilot برای سبک کدنویسی شما
• 8. استفاده از Copilot برای تکمیل کد
• 9. تولید توابع و کلاس‌ها با Copilot
• 10. نوشتن تست‌های واحد با کمک Copilot
• 11. دیباگ کردن کد با استفاده از Copilot
• 12. مستندسازی کد با Copilot
• 13. بازسازی کد (Refactoring) با Copilot
• 14. تبدیل کد بین زبان‌های برنامه‌نویسی
• 15. بهینه‌سازی عملکرد کد با Copilot
• 16. یادگیری الگوهای طراحی با Copilot
• 17. کاربردهای Copilot در توسعه وب (فرانت‌اند)
• 18. کاربردهای Copilot در توسعه وب (بک‌اند)
• 19. استفاده از Copilot در توسعه اپلیکیشن‌های موبایل
• 20. Copilot در توسعه بازی‌ها
• 21. Copilot در تحلیل داده و علم داده
• 22. مقدمه‌ای بر مهندسی پرامپت (Prompt Engineering)
• 23. اصول نوشتن پرامپت‌های مؤثر برای Copilot
• 24. انواع پرامپت‌ها: دستوری، توصیفی، پرسشی
• 25. ساختاردهی پرامپت‌ها برای نتایج بهتر
• 26. استفاده از مثال در پرامپت‌ها (Few-shot prompting)
• 27. تکرار و بهبود پرامپت‌ها
• 28. مدیریت تاریخچه مکالمه با Copilot
• 29. Copilot برای حل مسائل الگوریتمی
• 30. نوشتن کوئری‌های پایگاه داده با Copilot
• 31. استفاده از Copilot برای یادگیری زبان‌های جدید
• 32. Copilot و امنیت نرم‌افزار: شناسایی آسیب‌پذیری‌ها
• 33. تولید کد امن با راهنمایی Copilot
• 34. ملاحظات اخلاقی در استفاده از Copilot
• 35. مسئولیت‌پذیری در قبال کد تولید شده توسط AI
• 36. تفاوت بین Copilot و سایر ابزارهای AI
• 37. آینده برنامه‌نویسی همکار با هوش مصنوعی
• 38. مقدمه‌ای بر مفاهیم پایه برنامه‌نویسی (مرور)
• 39. متغیرها و انواع داده در برنامه‌نویسی
• 40. ساختارهای کنترلی: شرط‌ها و حلقه‌ها
• 41. توابع و روش‌ها در برنامه‌نویسی
• 42. مفاهیم شی‌گرایی (OOP)
• 43. وراثت و چندریختی
• 44. کار با رشته‌ها و متون
• 45. کار با ساختارهای داده: لیست‌ها و آرایه‌ها
• 46. کار با دیکشنری‌ها و نقشه‌ها
• 47. مقدمه‌ای بر الگوریتم‌ها
• 48. الگوریتم‌های مرتب‌سازی
• 49. الگوریتم‌های جستجو
• 50. پیچیدگی زمانی و مکانی الگوریتم‌ها
• 51. مقدمه‌ای بر پایگاه‌های داده
• 52. مفاهیم SQL
• 53. طراحی شمای پایگاه داده
• 54. مقدمه‌ای بر شبکه‌های کامپیوتری
• 55. پروتکل‌های اصلی شبکه
• 56. مقدمه‌ای بر مفاهیم امنیت سایبری
• 57. رمزنگاری و توابع هش
• 58. روش‌های احراز هویت
• 59. مدیریت دسترسی‌ها
• 60. مقدمه‌ای بر توسعه نرم‌افزار چابک (Agile)
• 61. متدولوژی اسکرام
• 62. ابزارهای مدیریت پروژه
• 63. مقدمه‌ای بر سیستم‌های عامل
• 64. مدیریت فرآیندها
• 65. مدیریت حافظه
• 66. مقدمه‌ای بر مفاهیم سیستم‌های توزیع‌شده
• 67. موازی‌سازی و همزمانی
• 68. مقدمه‌ای بر معماری نرم‌افزار
• 69. الگوهای معماری رایج
• 70. معماری میکروسرویس
• 71. مقدمه‌ای بر DevOps
• 72. یکپارچه‌سازی مداوم (CI)
• 73. تحویل مداوم (CD)
• 74. پایش و لاگ‌برداری
• 75. مقدمه‌ای بر طراحی رابط کاربری (UI)
• 76. مقدمه‌ای بر تجربه کاربری (UX)
• 77. اصول طراحی کاربر محور
• 78. تست کاربردپذیری
• 79. مقدمه‌ای بر مفاهیم ابری (Cloud Computing)
• 80. خدمات IaaS, PaaS, SaaS
• 81. مزایای استفاده از خدمات ابری
• 82. مقدمه‌ای بر contenedization (مانند Docker)
• 83. مزایای استفاده از Docker
• 84. مقدمه‌ای بر Kubernetes
• 85. مدیریت و ارکستراسیون contenedها
• 86. مقدمه‌ای بر هوش مصنوعی مولد (Generative AI)
• 87. کاربردهای Generative AI در تولید محتوا
• 88. Generative AI در کدنویسی
• 89. ملاحظات اخلاقی در Generative AI
• 90. آینده Generative AI و برنامه‌نویسی
• 91. چالش‌های پیاده‌سازی AI در سازمان‌ها
• 92. فرهنگ‌سازی برای استفاده از ابزارهای AI
• 93. مدیریت تغییر در تیم‌های توسعه
• 94. آموزش مداوم و به‌روزرسانی مهارت‌ها
• 95. منابع تکمیلی برای یادگیری عمیق‌تر
• 96. آینده شغلی برنامه‌نویسان در عصر AI
• 97. کاربردهای AI در حل مسائل اجتماعی
• 98. AI و توسعه پایدار
• 99. مباحث پیشرفته در مهندسی پرامپت
• 100. ارزیابی کیفیت کد تولید شده توسط AI