دوره آموزش جامع برنامه‌نویسی پایتون: از مبانی تا پروژه‌های کاربردی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع برنامه‌نویسی پایتون: از مبانی تا پروژه‌های کاربردی

موضوع کلی: علوم کامپیوتر و برنامه‌نویسی

موضوع میانی: توسعه نرم‌افزار با پایتون

📋 سرفصل‌های دوره

• 1. مبانی پایتون و نصب
• 2. اولین برنامه در پایتون
• 3. متغیرها و انواع داده
• 4. عملگرها در پایتون
• 5. ساختارهای کنترلی: شرط‌ها
• 6. حلقه‌ها در پایتون: for
• 7. حلقه‌ها در پایتون: while
• 8. توابع در پایتون
• 9. مدیریت خطا و استثناها
• 10. کار با رشته‌ها
• 11. لیست‌ها در پایتون
• 12. تاپل‌ها در پایتون
• 13. دیکشنری‌ها در پایتون
• 14. مجموعه‌ها در پایتون
• 15. ماژول‌ها و بسته‌ها
• 16. کار با فایل‌ها
• 17. برنامه‌نویسی شیءگرا: مفاهیم پایه
• 18. کلاس‌ها و اشیاء
• 19. وراثت در پایتون
• 20. چندریختی در پایتون
• 21. استثناهای سفارشی
• 22. تزئین‌کننده‌ها (Decorators)
• 23. مولدها (Generators)
• 24. توابع لامبدا
• 25. فهم لیست (List Comprehensions)
• 26. فهم دیکشنری (Dictionary Comprehensions)
• 27. فهم مجموعه (Set Comprehensions)
• 28. کار با تاریخ و زمان
• 29. عبارات منظم (Regular Expressions)
• 30. کار با پایگاه داده (SQLite)
• 31. عملیات CRUD در SQLite
• 32. مقدمه‌ای بر وب در پایتون
• 33. فریم‌ورک وب: Flask (مقدمه)
• 34. مسیریابی در Flask
• 35. قالب‌ها در Flask
• 36. مدیریت فرم در Flask
• 37. کار با پایگاه داده در Flask
• 38. مقدمه‌ای بر RESTful API
• 39. طراحی API با Flask
• 40. احراز هویت در API
• 41. مستندسازی API
• 42. مقدمه‌ای بر پردازش داده
• 43. کتابخانه NumPy
• 44. عملیات ماتریسی با NumPy
• 45. کار با آرایه‌ها در NumPy
• 46. کتابخانه Pandas
• 47. ساختار داده DataFrame
• 48. بارگذاری و ذخیره داده با Pandas
• 49. پاکسازی داده‌ها
• 50. تحلیل اکتشافی داده‌ها (EDA)
• 51. تجمیع و گروه‌بندی داده‌ها
• 52. ادغام و پیوستن داده‌ها
• 53. کار با داده‌های سری زمانی
• 54. مقدمه‌ای بر مصورسازی داده
• 55. کتابخانه Matplotlib
• 56. رسم نمودارهای خطی
• 57. رسم نمودارهای پراکندگی
• 58. رسم نمودارهای میله‌ای
• 59. رسم نمودار هیستوگرام
• 60. تنظیمات پیشرفته Matplotlib
• 61. کتابخانه Seaborn
• 62. نمودارهای آماری با Seaborn
• 63. نقشه‌های حرارتی (Heatmaps)
• 64. نمودارهای دسته‌بندی شده
• 65. کار با داده‌های JSON
• 66. کار با داده‌های CSV
• 67. مقدمه‌ای بر تست نرم‌افزار
• 68. واحد تست (Unit Testing)
• 69. چارچوب unittest
• 70. نوشتن تست‌های مؤثر
• 71. پوشش کد (Code Coverage)
• 72. مقدمه‌ای بر محیط‌های مجازی
• 73. استفاده از venv
• 74. مدیریت وابستگی‌ها با pip
• 75. ساختار پروژه‌های پایتون
• 76. مستندسازی کد (Docstrings)
• 77. پیروی از PEP 8
• 78. مقدمه‌ای بر Git و GitHub
• 79. کنترل نسخه با Git
• 80. مدیریت مخازن در GitHub
• 81. مقدمه‌ای بر برنامه‌نویسی همزمان
• 82. موضوعات (Threads)
• 83. پردازش‌ها (Processes)
• 84. همگام‌سازی (Synchronization)
• 85. مقدمه‌ای بر یادگیری ماشین (با رویکرد کاربردی)
• 86. مقدمه کتابخانه Scikit-learn
• 87. آماده‌سازی داده برای ML
• 88. مدل‌های طبقه‌بندی (Classification)
• 89. مدل‌های رگرسیون (Regression)
• 90. ارزیابی مدل‌ها
• 91. تنظیم پارامترهای مدل
• 92. مقدمه‌ای بر شبکه‌های عصبی
• 93. کتابخانه TensorFlow (مقدمه)
• 94. کتابخانه Keras
• 95. ساخت مدل‌های ساده عصبی
• 96. آموزش مدل‌های عصبی
• 97. مقدمه‌ای بر هوش مصنوعی مولد (کاربردی)
• 98. کاربرد پایتون در اتوماسیون اداری
• 99. ساخت ربات‌های ساده
• 100. نمونه پروژه‌های کاربردی