فلش‌کارت‌های آموزشی مبانی برنامه‌نویسی علمی با پایتون: از صفر تا حل مسئله

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی برنامه‌نویسی علمی با پایتون: از صفر تا حل مسئله

موضوع کلی: علوم کامپیوتر و محاسبات علمی

موضوع میانی: اصول برنامه‌نویسی علمی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم کامپیوتر و برنامه‌نویسی علمی
• 2. نصب و راه‌اندازی پایتون و محیط توسعه
• 3. مروری بر انواع داده‌ها و متغیرها در پایتون
• 4. عملگرها و عبارات در پایتون
• 5. ساختارهای کنترلی: شرط‌ها (if/else)
• 6. ساختارهای کنترلی: حلقه‌ها (for/while)
• 7. توابع در پایتون: تعریف و فراخوانی
• 8. ماژول‌ها و بسته‌ها در پایتون
• 9. کار با ورودی و خروجی (I/O) در پایتون
• 10. آشنایی با کتابخانه NumPy: آرایه‌ها و عملیات پایه
• 11. شاخص‌گذاری و برش آرایه‌ها در NumPy
• 12. عملیات ریاضیاتی بر روی آرایه‌های NumPy
• 13. تولید اعداد تصادفی و توزیع‌ها در NumPy
• 14. آشنایی با کتابخانه Matplotlib: رسم نمودارهای پایه
• 15. رسم نمودارهای دو بعدی با Matplotlib
• 16. سفارشی‌سازی نمودارها در Matplotlib
• 17. رسم نمودارهای سه بعدی با Matplotlib
• 18. آشنایی با کتابخانه Pandas: ساختارهای داده‌ای
• 19. خواندن و نوشتن داده‌ها با Pandas
• 20. فیلتر کردن و دستکاری داده‌ها در Pandas
• 21. خوشه‌بندی و تحلیل آماری داده‌ها با Pandas
• 22. آشنایی با مفاهیم خطای محاسباتی
• 23. دقت اعداد ممیز شناور و مشکلات آن
• 24. روش‌های رفع خطای محاسباتی
• 25. معرفی برنامه‌نویسی شیءگرا (OOP)
• 26. کلاس‌ها و اشیاء در پایتون
• 27. وراثت و چندریختی در OOP
• 28. اصول طراحی نرم‌افزار و معماری
• 29. آزمایش واحد (Unit Testing)
• 30. اشکال‌زدایی (Debugging) در پایتون
• 31. مدیریت خطا و استثنائات در پایتون
• 32. الگوریتم‌های مرتب‌سازی پایه
• 33. الگوریتم‌های جستجو
• 34. ساختارهای داده‌ای: لیست‌ها، تاپل‌ها، مجموعه‌ها و دیکشنری‌ها
• 35. پیچیدگی زمانی و فضایی الگوریتم‌ها
• 36. معرفی به کتابخانه SciPy
• 37. انتگرال‌گیری عددی با SciPy
• 38. حل معادلات دیفرانسیل با SciPy
• 39. بهینه‌سازی با SciPy
• 40. تبدیلات فوریه با SciPy
• 41. پردازش سیگنال با SciPy
• 42. آشنایی با محاسبات عددی
• 43. درون‌یابی
• 44. برازش منحنی (Curve Fitting)
• 45. حل دستگاه معادلات خطی
• 46. مقادیر ویژه و بردارهای ویژه
• 47. معرفی به جبر خطی
• 48. آشنایی با مبانی فیزیک محاسباتی
• 49. شبیه‌سازی مونت کارلو
• 50. روش‌های تفاضل محدود
• 51. روش‌های المان محدود
• 52. معرفی به موازی‌سازی
• 53. موازی‌سازی با استفاده از Threading
• 54. موازی‌سازی با استفاده از Multiprocessing
• 55. موازی‌سازی با استفاده از MPI
• 56. آشنایی با کتابخانه Dask برای محاسبات موازی
• 57. آشنایی با کتابخانه Celery برای محاسبات توزیع‌شده
• 58. آشنایی با سیستم‌های کنترل نسخه (Git)
• 59. کار با Git: مفاهیم پایه
• 60. کار با Git: شاخه‌ها و ادغام
• 61. کار با Git: همکاری تیمی
• 62. آشنایی با محیط‌های مجازی پایتون
• 63. استفاده از pip برای مدیریت بسته‌ها
• 64. ساخت بسته‌های پایتون
• 65. انتشار بسته‌های پایتون
• 66. آشنایی با کتابخانه SymPy برای محاسبات نمادین
• 67. کار با عبارات جبری و معادلات در SymPy
• 68. مشتق‌گیری و انتگرال‌گیری با SymPy
• 69. حل معادلات دیفرانسیل با SymPy
• 70. آشنایی با بهینه‌سازی غیرخطی
• 71. روش‌های گرادیان
• 72. روش‌های بهینه‌سازی بدون گرادیان
• 73. بهینه‌سازی با محدودیت
• 74. آشنایی با پردازش تصویر
• 75. خواندن و نوشتن تصاویر
• 76. فیلترهای تصویر
• 77. تبدیلات تصویر
• 78. آشنایی با یادگیری ماشین
• 79. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 80. یادگیری نظارت‌شده: رگرسیون
• 81. یادگیری نظارت‌شده: طبقه‌بندی
• 82. یادگیری بدون نظارت: خوشه‌بندی
• 83. ارزیابی مدل‌های یادگیری ماشین
• 84. اعتبارسنجی متقابل (Cross-validation)
• 85. بهینه‌سازی پارامترها (Hyperparameter Tuning)
• 86. معرفی به شبکه‌های عصبی
• 87. آشنایی با TensorFlow
• 88. آشنایی با Keras
• 89. ساخت مدل‌های ساده با TensorFlow و Keras
• 90. آموزش و ارزیابی مدل‌های شبکه‌های عصبی
• 91. کاربردها و مثال‌هایی از برنامه‌نویسی علمی در عمل
• 92. برنامه‌نویسی علمی در حوزه فیزیک
• 93. برنامه‌نویسی علمی در حوزه شیمی
• 94. برنامه‌نویسی علمی در حوزه مهندسی
• 95. استفاده از هوش مصنوعی در برنامه‌نویسی علمی
• 96. معرفی به Big Data و محاسبات ابری
• 97. آینده برنامه‌نویسی علمی
• 98. جمع‌بندی و مرور کلی دوره
• 99. منابع و مراجع
• 100. پروژه‌های عملی و تمرین‌ها