اپلیکیشن اندرویدی فلش‌کارت آموزشی پایتون برای مهندسان و دانشمندان: مبانی تا کاربردهای عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پایتون برای مهندسان و دانشمندان: مبانی تا کاربردهای عملی

موضوع کلی: علوم کامپیوتر و برنامه‌نویسی کاربردی

موضوع میانی: برنامه‌نویسی پایتون برای کاربردهای مهندسی و علمی

📋 سرفصل‌های دوره

• 1. مقدمه بر برنامه‌نویسی پایتون
• 2. نصب و راه‌اندازی پایتون
• 3. انواع داده‌های پایه در پایتون
• 4. عملگرها و عبارات در پایتون
• 5. دستورات شرطی و تصمیم‌گیری
• 6. حلقه‌های تکرار در پایتون
• 7. توابع در پایتون: تعاریف و فراخوانی
• 8. مدیریت خطا و استثناها
• 9. ساختارهای داده: لیست‌ها در پایتون
• 10. ساختارهای داده: تاپل‌ها در پایتون
• 11. ساختارهای داده: مجموعه‌ها در پایتون
• 12. ساختارهای داده: دیکشنری‌ها در پایتون
• 13. کار با رشته‌ها در پایتون
• 14. فایل‌های ورودی/خروجی در پایتون
• 15. ماژول‌ها و بسته‌های پایتون
• 16. مفاهیم شی‌گرایی در پایتون
• 17. کلاس‌ها و اشیاء در پایتون
• 18. وراثت و چندریختی در پایتون
• 19. مدیریت حافظه و زباله‌روبی
• 20. کار با تاریخ و زمان
• 21. کار با عبارات منظم (Regex)
• 22. مقدمه‌ای بر numpy
• 23. آرایه‌های numpy
• 24. عملیات برداری در numpy
• 25. توابع ریاضی numpy
• 26. مقدمه‌ای بر scipy
• 27. توابع بهینه‌سازی در scipy
• 28. توابع پردازش سیگنال در scipy
• 29. مقدمه‌ای بر matplotlib
• 30. رسم نمودارهای دوبعدی
• 31. رسم نمودارهای سه‌بعدی
• 32. شخصی‌سازی نمودارها
• 33. مقدمه‌ای بر pandas
• 34. ساختارهای داده Series و DataFrame
• 35. عملیات بر روی داده‌ها در pandas
• 36. خواندن و نوشتن داده‌ها
• 37. کار با داده‌های سری زمانی
• 38. مقدمه‌ای بر علم داده
• 39. جمع‌آوری و پاکسازی داده‌ها
• 40. تحلیل اکتشافی داده‌ها (EDA)
• 41. تجسم داده‌ها
• 42. آموزش ماشین با Scikit-learn: مقدمه
• 43. مدل‌های طبقه‌بندی
• 44. مدل‌های رگرسیون
• 45. خوشه‌بندی
• 46. کاهش ابعاد
• 47. ارزیابی مدل‌ها
• 48. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 49. کار با داده‌های متنی
• 50. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 51. کار با کتابخانه NLTK
• 52. کار با کتابخانه SpaCy
• 53. تحلیل احساسات
• 54. مدل‌سازی موضوعی
• 55. مقدمه‌ای بر شبکه‌های عصبی
• 56. کتابخانه TensorFlow
• 57. کتابخانه Keras
• 58. ساخت مدل‌های یادگیری عمیق
• 59. شبکه‌های عصبی کانولوشنال (CNN)
• 60. شبکه‌های عصبی بازگشتی (RNN)
• 61. شبکه‌های مولد تخاصمی (GAN)
• 62. کار با پایگاه‌های داده در پایتون
• 63. مقدمه‌ای بر SQL
• 64. کار با SQLite
• 65. کار با PostgreSQL
• 66. کار با MongoDB (با رویکرد سازگار)
• 67. مفاهیم مهندسی نرم‌افزار
• 68. اصول طراحی نرم‌افزار
• 69. الگوهای طراحی (Design Patterns)
• 70. مقدمه‌ای بر تست نرم‌افزار
• 71. تست واحد (Unit Testing)
• 72. تست یکپارچه‌سازی (Integration Testing)
• 73. تست پذیرش (Acceptance Testing)
• 74. مقدمه‌ای بر توسعه وب با پایتون
• 75. چارچوب Django: مبانی
• 76. چارچوب Django: مدل‌ها و نماها
• 77. چارچوب Django: قالب‌ها و URLها
• 78. چارچوب Flask: مبانی
• 79. چارچوب Flask: مسیریابی و قالب‌ها
• 80. مقدمه‌ای بر APIها
• 81. طراحی و ساخت RESTful API
• 82. امنیت در APIها
• 83. مقدمه‌ای بر محاسبات علمی
• 84. شبیه‌سازی‌های عددی
• 85. مدل‌سازی سیستم‌ها
• 86. تحلیل داده‌های علمی
• 87. کار با داده‌های بزرگ (Big Data)
• 88. مقدمه‌ای بر Apache Spark
• 89. کار با PySpark
• 90. مقدمه‌ای بر رایانش ابری
• 91. کار با AWS (با رویکرد سازگار)
• 92. کار با Google Cloud (با رویکرد سازگار)
• 93. مقدمه‌ای بر امنیت سایبری (با رویکرد دفاعی)
• 94. اصول رمزنگاری
• 95. کار با ابزارهای امنیتی پایتون
• 96. مقدمه‌ای بر هوش مصنوعی
• 97. کاربرد هوش مصنوعی در مهندسی
• 98. کاربرد هوش مصنوعی در علوم
• 99. اخلاق در هوش مصنوعی
• 100. آینده برنامه‌نویسی پایتون