کتاب صوتی تسلط بر پایتون؛ از مبانی تا توسعه کاربردی در پروژه‌های مهندسی و تحلیل داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر پایتون؛ از مبانی تا توسعه کاربردی در پروژه‌های مهندسی و تحلیل داده

موضوع کلی: علوم رایانه و فناوری اطلاعات

موضوع میانی: برنامه‌نویسی و توسعه نرم‌افزار

📋 سرفصل‌های دوره

• 1. مبانی زبان برنامه‌نویسی پایتون و نصب محیط‌های توسعه استاندارد
• 2. ساختار داده‌های پایه و متغیرها در پایتون
• 3. عملگرهای ریاضی و منطقی در محاسبات پایه
• 4. مدیریت جریان کنترل و دستورات شرطی
• 5. حلقه‌های تکرار و پیمایش در ساختارهای داده
• 6. توابع و روش‌های ماژولار کردن کد
• 7. کار با رشته‌ها و پردازش متون
• 8. ساختارهای داده لیست و چندتایی‌ها
• 9. کار با دیکشنری‌ها و مجموعه‌ها
• 10. مدیریت خطاها و استثناها در برنامه‌نویسی
• 11. کار با فایل‌ها و ورودی و خروجی داده‌ها
• 12. برنامه‌نویسی شیءگرا و مفاهیم کلاس و شیء
• 13. وراثت و چندریختی در پایتون
• 14. کار با کتابخانه‌های استاندارد پایتون
• 15. مدیریت بسته‌ها و محیط‌های مجازی با پیپ
• 16. مقدمه‌ای بر کتابخانه نام‌پای برای محاسبات عددی
• 17. آرایه‌ها و عملیات ماتریسی در نام‌پای
• 18. تحلیل داده‌های آماری با پانداس
• 19. ساختار سری‌ها و دیتافریم‌ها در پانداس
• 20. فیلتر کردن و مرتب‌سازی داده‌ها در پانداس
• 21. ترکیب و ادغام مجموعه‌های داده
• 22. پاک‌سازی داده‌های ناقص و مدیریت مقادیر خالی
• 23. تجسم داده‌ها با کتابخانه مت‌پلات‌لیب
• 24. رسم نمودارهای کاربردی در تحلیل داده
• 25. کار با تاریخ و زمان در پایتون
• 26. برنامه‌نویسی تابعی و عبارات لامبدا
• 27. کار با دکوراتورها و ژنراتورها
• 28. مقدمه‌ای بر برنامه‌نویسی همزمان و چندنخی
• 29. ارتباط با پایگاه‌های داده رابطه‌ای با اس‌کیو‌ال‌لایت
• 30. طراحی کوئری‌های استاندارد در پایتون
• 31. آشنایی با فرمت‌های تبادل داده جی‌سون و اکس‌ام‌ال
• 32. کار با ای‌پی‌آی‌های وب و درخواست‌های اچ‌تی‌تی‌پی
• 33. مبانی تست‌نویسی خودکار و واحد
• 34. استفاده از سیستم‌های کنترل نسخه برای مدیریت پروژه
• 35. اصول کدنویسی تمیز و استاندارد پپ هشت
• 36. بهینه‌سازی کارایی و مدیریت حافظه در پایتون
• 37. مقدمه‌ای بر یادگیری ماشین با سایکیت‌لرن
• 38. پیش‌پردازش داده‌ها برای مدل‌های تحلیلی
• 39. آموزش مدل‌های رگرسیون خطی
• 40. آموزش مدل‌های طبقه‌بندی داده‌ها
• 41. ارزیابی عملکرد مدل‌های پیش‌بینی
• 42. کار با کتابخانه سی‌بورن برای نمودارهای پیشرفته
• 43. توسعه رابط کاربری ساده با کتابخانه‌های استاندارد
• 44. آشنایی با فریم‌ورک‌های وب سازگار با استانداردهای داخلی
• 45. استقرار پروژه‌های پایتون در محیط‌های عملیاتی
• 46. امنیت در کدنویسی و پیشگیری از نفوذ در برنامه‌ها
• 47. مستندسازی پروژه‌های نرم‌افزاری
• 48. مفاهیم پیشرفته در برنامه‌نویسی ناهمگام
• 49. تجزیه و تحلیل پروژه‌های مهندسی با پایتون
• 50. مسیر یادگیری و توسعه حرفه‌ای در حوزه فناوری اطلاعات