کتاب آموزش جامع پایتون: از مقدمات تا حل مسائل کاربردی و مهندسی داده با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع پایتون: از مقدمات تا حل مسائل کاربردی و مهندسی داده

موضوع کلی: علوم رایانه و فناوری اطلاعات

موضوع میانی: برنامه‌نویسی و توسعه نرم‌افزار

📋 سرفصل‌های دوره

  • 1. مبانی علوم رایانه و الگوریتم‌ها
  • 2. معرفی محیط برنامه‌نویسی پایتون و نصب مفسر
  • 3. ساختار یک برنامه ساده در پایتون
  • 4. متغیرها و انواع داده‌های عددی
  • 5. کار با رشته‌ها و عملیات متنی
  • 6. ورودی و خروجی استاندارد در پایتون
  • 7. عملگرهای ریاضی و منطقی
  • 8. ساختارهای تصمیم‌گیری و دستورات شرطی
  • 9. حلقه‌های تکرار و پیمایش داده‌ها
  • 10. مدیریت خطاها و رفع اشکالات برنامه‌نویسی
  • 11. توابع و سازماندهی کد
  • 12. کار با لیست‌ها و مجموعه‌ها
  • 13. ساختمان داده دیکشنری و کاربردهای آن
  • 14. کار با چندتایی‌ها و مجموعه‌های غیرتکراری
  • 15. مدیریت فایل‌ها و ذخیره‌سازی داده‌ها
  • 16. کار با کتابخانه‌های استاندارد پایتون
  • 17. مبانی برنامه‌نویسی شیءگرا در پایتون
  • 18. کلاس‌ها و اشیاء در توسعه نرم‌افزار
  • 19. وراثت و چندریختی در پایتون
  • 20. کار با ماژول‌ها و بسته‌های نرم‌افزاری
  • 21. مقدمه‌ای بر کتابخانه نام‌پای برای محاسبات عددی
  • 22. کار با آرایه‌ها و عملیات برداری
  • 23. مقدمه‌ای بر تحلیل داده با کتابخانه پانداز
  • 24. بارگذاری و پیش‌پردازش داده‌های ساختاریافته
  • 25. تمیزسازی داده‌ها و مدیریت مقادیر مفقود
  • 26. فیلتر کردن و مرتب‌سازی مجموعه‌های داده
  • 27. گروه‌بندی و تجمیع داده‌ها
  • 28. کار با سری‌های زمانی در پایتون
  • 29. مبانی مصورسازی داده‌ها با متپلات‌لیب
  • 30. رسم نمودارهای آماری و تحلیلی
  • 31. اتصال به پایگاه‌های داده رابطه‌ای با اس‌کیو‌ال
  • 32. اجرای پرس‌وجوهای پایگاه داده در پایتون
  • 33. مفاهیم پایه وب‌اسکرپینگ و دریافت داده از وب
  • 34. کار با فرمت‌های داده‌ای جیسون و ایکس‌ام‌ال
  • 35. مقدمه‌ای بر یادگیری ماشین و کتابخانه سایکیت‌لرن
  • 36. آماده‌سازی داده برای مدل‌های پیش‌بینی
  • 37. ارزیابی دقت مدل‌های داده‌محور
  • 38. اصول کدنویسی تمیز و استاندارد
  • 39. مدیریت محیط‌های مجازی و وابستگی‌های پروژه
  • 40. پروژه نهایی: طراحی یک سامانه تحلیل داده کاربردی
تگ‌ها: آموزش پایتون آموزش علوم رایانه برنامه‌نویسی مقدماتی پایتون ۵.۰ توسعه نرم‌افزار زبان برنامه‌نویسی Python کدنویسی پایتون مهندسی داده با پایتون

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.