کتاب صوتی پایتون برای توسعه‌دهندگان: یادگیری عمیق با ۱۵ پروژه کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پایتون برای توسعه‌دهندگان: یادگیری عمیق با ۱۵ پروژه کاربردی

موضوع کلی: علوم کامپیوتر و برنامه‌نویسی

موضوع میانی: توسعه نرم‌افزار با پایتون

📋 سرفصل‌های دوره

• 1. آشنایی با مبانی علوم کامپیوتر و برنامه‌نویسی
• 2. تاریخچه و تکامل زبان برنامه‌نویسی پایتون
• 3. نصب و پیکربندی محیط توسعه پایتون
• 4. مفاهیم اساسی برنامه‌نویسی در پایتون
• 5. انواع داده‌ها و متغیرها در پایتون
• 6. عملگرها و عبارات در پایتون
• 7. ساختارهای کنترلی: شرط‌ها و حلقه‌ها
• 8. توابع و ماژول‌ها در پایتون
• 9. کار با رشته‌ها و عملیات متنی
• 10. ساختارهای داده: لیست‌ها و تاپل‌ها
• 11. ساختارهای داده: دیکشنری‌ها و مجموعه‌ها
• 12. مدیریت خطاها و استثناها در پایتون
• 13. کار با فایل‌ها و ورودی/خروجی
• 14. مقدمه‌ای بر برنامه‌نویسی شیءگرا در پایتون
• 15. کلاس‌ها و اشیاء در پایتون
• 16. وراثت و چندریختی در پایتون
• 17. پروژه ۱: ساخت یک ماشین حساب ساده
• 18. پروژه ۲: بازی حدس عدد
• 19. پروژه ۳: مدیریت لیست وظایف (To-Do List)
• 20. پروژه ۴: تحلیلگر متن ساده
• 21. مقدمه‌ای بر کتابخانه‌های استاندارد پایتون
• 22. کار با تاریخ و زمان در پایتون
• 23. استفاده از کتابخانه `os` برای تعامل با سیستم‌عامل
• 24. استفاده از کتابخانه `sys` برای دسترسی به پارامترهای سیستم
• 25. مقدمه‌ای بر پایگاه‌های داده و پایتون
• 26. کار با پایگاه داده SQLite در پایتون
• 27. پروژه ۵: سیستم مدیریت کتابخانه با پایگاه داده
• 28. پروژه ۶: ابزار ساده برای ثبت هزینه‌ها
• 29. مقدمه‌ای بر توسعه وب با پایتون
• 30. فریم‌ورک Flask برای توسعه وب
• 31. ساخت یک وب‌سایت ساده با Flask
• 32. پروژه ۷: وبلاگ شخصی ساده
• 33. پروژه ۸: فرم تماس با ایمیل
• 34. مقدمه‌ای بر کتابخانه‌های تجزیه و تحلیل داده
• 35. کتابخانه NumPy برای محاسبات عددی
• 36. کتابخانه Pandas برای دستکاری داده‌ها
• 37. تجسم داده‌ها با Matplotlib
• 38. پروژه ۹: تحلیل داده‌های فروش
• 39. پروژه ۱۰: ساخت نمودار آماری
• 40. مقدمه‌ای بر یادگیری ماشین با پایتون
• 41. مفاهیم پایه یادگیری ماشین
• 42. کتابخانه Scikit-learn
• 43. آموزش مدل‌های ساده طبقه‌بندی
• 44. آموزش مدل‌های ساده رگرسیون
• 45. پروژه ۱۱: پیش‌بینی قیمت مسکن
• 46. پروژه ۱۲: تشخیص اسپم در ایمیل‌ها
• 47. مقدمه‌ای بر اتوماسیون وظایف
• 48. اسکریپت‌نویسی برای اتوماسیون
• 49. کار با APIها در پایتون
• 50. پروژه ۱۳: دریافت اطلاعات آب و هوا از یک API
• 51. پروژه ۱۴: جمع‌آوری داده از شبکه‌های اجتماعی (به صورت مجاز)
• 52. مقدمه‌ای بر تست نرم‌افزار
• 53. نوشتن تست‌های واحد (Unit Tests)
• 54. فریم‌ورک `unittest` در پایتون
• 55. پروژه ۱۵: نوشتن تست برای پروژه‌های قبلی
• 56. اصول مهندسی نرم‌افزار در پایتون
• 57. مدیریت وابستگی‌ها و محیط‌های مجازی
• 58. اصول کدنویسی تمیز و خوانا
• 59. مستندسازی کد و پروژه‌ها
• 60. مقدمه‌ای بر طراحی الگوهای نرم‌افزاری
• 61. الگوهای طراحی رایج در پایتون
• 62. برنامه‌نویسی موازی و هم‌روند در پایتون
• 63. مقدمه‌ای بر برنامه‌نویسی شبکه
• 64. ارتباطات سوکت در پایتون
• 65. کار با پروتکل‌های HTTP
• 66. مقدمه‌ای بر امنیت در توسعه نرم‌افزار
• 67. اصول امن‌نویسی در پایتون
• 68. مدیریت رمزهای عبور و اطلاعات حساس
• 69. مقدمه‌ای بر استقرار (Deployment) نرم‌افزار
• 70. محیط‌های توسعه و تولید
• 71. اصول DevOps برای پایتون
• 72. مقدمه‌ای بر معماری نرم‌افزار
• 73. معماری میکروسرویس با پایتون
• 74. معماری MVC در توسعه وب
• 75. مقدمه‌ای بر تحلیل الگوریتم‌ها
• 76. پیچیدگی زمانی و فضایی الگوریتم‌ها
• 77. الگوریتم‌های جستجو
• 78. الگوریتم‌های مرتب‌سازی
• 79. ساختارهای داده پیشرفته
• 80. درخت‌ها و گراف‌ها در پایتون
• 81. هرم‌ها (Heaps)
• 82. جداول هش (Hash Tables)
• 83. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 84. کتابخانه NLTK
• 85. تحلیل احساسات با پایتون
• 86. پردازش متن و استخراج اطلاعات
• 87. مقدمه‌ای بر یادگیری عمیق
• 88. شبکه‌های عصبی مصنوعی
• 89. کتابخانه TensorFlow یا PyTorch
• 90. ساخت مدل‌های یادگیری عمیق ساده
• 91. کاربرد شبکه‌های عصبی در پردازش تصویر
• 92. مقدمه‌ای بر توسعه بازی با پایتون
• 93. کتابخانه Pygame
• 94. ساخت یک بازی ساده دو بعدی
• 95. مقدمه‌ای بر توسعه اپلیکیشن دسکتاپ
• 96. کتابخانه Tkinter
• 97. ساخت یک برنامه دسکتاپ ساده
• 98. مقدمه‌ای بر مباحث پیشرفته در پایتون
• 99. کار با Generator ها و Iterator ها
• 100. مفاهیم Decorator ها