کتاب پایتون برای توسعه‌دهندگان: از مبتدی تا مسلط با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پایتون برای توسعه‌دهندگان: از مبتدی تا مسلط

موضوع کلی: برنامه‌نویسی

موضوع میانی: یادگیری ماشین و علم داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پایتون و محیط توسعه
• 2. نصب و راه‌اندازی پایتون و ویرایشگرها (VS Code, PyCharm)
• 3. سینتکس اولیه پایتون: متغیرها، انواع داده‌ها، عملگرها
• 4. ساختارهای کنترلی: شرط‌ها (if, elif, else)
• 5. حلقه‌ها: for و while
• 6. توابع: تعریف، فراخوانی، آرگومان‌ها و مقادیر بازگشتی
• 7. ماژول‌ها و پکیج‌ها: import کردن و استفاده
• 8. ساختمان داده‌های پایتون: لیست‌ها
• 9. ساختمان داده‌های پایتون: تاپل‌ها
• 10. ساختمان داده‌های پایتون: دیکشنری‌ها
• 11. ساختمان داده‌های پایتون: مجموعه‌ها
• 12. مدیریت خطا و استثناها (try, except, finally)
• 13. فایل‌خوانی و فایل‌نویسی
• 14. برنامه‌نویسی شیءگرا (OOP): کلاس‌ها و اشیاء
• 15. وراثت در برنامه‌نویسی شیءگرا
• 16. چندریختی و encapsulation
• 17. کار با کتابخانه NumPy: آرایه‌ها و عملیات ریاضی
• 18. کار با کتابخانه Pandas: دیتافریم‌ها و تحلیل داده
• 19. کار با کتابخانه Matplotlib: رسم نمودارها
• 20. مقدمه‌ای بر کتابخانه Scikit-learn: یادگیری ماشین
• 21. پیش‌پردازش داده‌ها با Scikit-learn
• 22. مدل‌های رگرسیون در Scikit-learn
• 23. مدل‌های طبقه‌بندی در Scikit-learn
• 24. ارزیابی مدل‌ها و معیارهای سنجش
• 25. اعتبارسنجی متقابل (Cross-Validation)
• 26. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 27. کار با داده‌های گمشده (Missing Data)
• 28. کار با داده‌های پرت (Outliers)
• 29. ویژگی‌گزینی (Feature Selection)
• 30. کاهش ابعاد (Dimensionality Reduction)
• 31. مقدمه‌ای بر شبکه‌های عصبی با TensorFlow/Keras
• 32. ساخت یک شبکه عصبی ساده
• 33. آموزش و ارزیابی یک شبکه عصبی
• 34. ذخیره و بارگذاری مدل‌ها
• 35. کار با APIها و وب‌اسکرپینگ با requests و BeautifulSoup
• 36. مقدمه‌ای بر پایگاه داده‌ها و اتصال به پایتون (SQLite)
• 37. کار با JSON و XML
• 38. Git و GitHub: کنترل نسخه و همکاری
• 39. بهینه‌سازی کد پایتون
• 40. تست‌نویسی با pytest
• 41. استقرار (Deployment) برنامه‌های پایتون