دوره راهنمای جامع SciPy: از مبانی تا کاربردهای پیشرفته همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع SciPy: از مبانی تا کاربردهای پیشرفته

موضوع کلی: برنامه‌نویسی کامپیوترهای شخصی

موضوع میانی: Scientific Computing Libraries (NumPy, SciPy)

📋 سرفصل‌های دوره

• 1. فصل ۱: مقدمه‌ای بر SciPy و اکوسیستم علمی پایتون
• 2. فصل ۲: نصب و پیکربندی SciPy
• 3. فصل ۳: مرور کلی ماژول‌های SciPy
• 4. فصل ۴: مبانی NumPy برای SciPy
• 5. فصل ۵: آرایه‌های چندبعدی با NumPy
• 6. فصل ۶: عملیات پایه‌ای روی آرایه‌ها
• 7. فصل ۷: شکل‌دهی و دستکاری آرایه‌ها
• 8. فصل ۸: شاخص‌گذاری و برش آرایه‌ها
• 9. فصل ۹: عملیات ریاضی و منطقی روی آرایه‌ها
• 10. فصل ۱۰: توابع ویژه NumPy (مانند linspace, arange)
• 11. فصل ۱۱: ورود به ماژول `scipy.integrate`
• 12. فصل ۱۲: انتگرال‌گیری عددی توابع یک‌بعدی
• 13. فصل ۱۳: انتگرال‌گیری توابع چند‌بعدی
• 14. فصل ۱۴: حل معادلات دیفرانسیل معمولی (ODE)
• 15. فصل ۱۵: روش‌های حل ODE (مانند RK45, LSODA)
• 16. فصل ۱۶: محاسبه انتگرال‌های خطی
• 17. فصل ۱۷: آشنایی با `scipy.optimize`
• 18. فصل ۱۸: یافتن ریشه‌های توابع
• 19. فصل ۱۹: بهینه‌سازی توابع بدون قید
• 20. فصل ۲۰: بهینه‌سازی توابع با قید
• 21. فصل ۲۱: الگوریتم‌های کوادراتیک برنامه‌ریزی (QP)
• 22. فصل ۲۲: برازش منحنی (Curve Fitting)
• 23. فصل ۲۳: معرفی `scipy.interpolate`
• 24. فصل ۲۴: درون‌یابی خطی و اسپلاین
• 25. فصل ۲۵: درون‌یابی چند‌بعدی
• 26. فصل ۲۶: درون‌یابی با توابع پایه شعاعی (RBF)
• 27. فصل ۲۷: کاربردهای عملی درون‌یابی
• 28. فصل ۲۸: کاوش در `scipy.fft`
• 29. فصل ۲۹: تبدیل فوریه گسسته (DFT)
• 30. فصل ۳۰: تبدیل فوریه سریع (FFT)
• 31. فصل ۳۱: FFT معکوس (IFFT)
• 32. فصل ۳۲: FFT دو‌بعدی و چند‌بعدی
• 33. فصل ۳۳: تحلیل طیفی با FFT
• 34. فصل ۳۴: معرفی `scipy.linalg`
• 35. فصل ۳۵: حل سیستم‌های معادلات خطی
• 36. فصل ۳۶: معکوس ماتریس و تعیین‌کننده
• 37. فصل ۳۷: تجزیه مقادیر منفرد (SVD)
• 38. فصل ۳۸: تجزیه مقادیر ویژه (Eigenvalue Decomposition)
• 39. فصل ۳۹: حل مسائل مقادیر ویژه
• 40. فصل ۴۰: محاسبات ماتریسی پیشرفته
• 41. فصل ۴۱: آشنایی با `scipy.signal`
• 42. فصل ۴۲: فیلترهای دیجیتال (FIR, IIR)
• 43. فصل ۴۳: طراحی فیلتر
• 44. فصل ۴۴: کانولوشن و همبستگی
• 45. فصل ۴۵: تحلیل سیگنال زمان-فرکانس
• 46. فصل ۴۶: تولید سیگنال‌های مصنوعی
• 47. فصل ۴۷: مقدمه‌ای بر `scipy.sparse`
• 48. فصل ۴۸: ماتریس‌های پراکنده (Sparse Matrices)
• 49. فصل ۴۹: ذخیره‌سازی ماتریس‌های پراکنده
• 50. فصل ۵۰: عملیات روی ماتریس‌های پراکنده
• 51. فصل ۵۱: حل سیستم‌های خطی پراکنده
• 52. فصل ۵۲: کاربردهای ماتریس‌های پراکنده
• 53. فصل ۵۳: ورود به `scipy.spatial`
• 54. فصل ۵۴: ساختارهای داده فضایی (KD-Tree, Ball Tree)
• 55. فصل ۵۵: محاسبه فاصله بین نقاط
• 56. فصل ۵۶: جستجوی نزدیکترین همسایگان
• 57. فصل ۵۷: هندسه محاسباتی
• 58. فصل ۵۸: مثلث‌بندی و مش‌بندی
• 59. فصل ۵۹: معرفی `scipy.ndimage`
• 60. فصل ۶۰: فیلتر کردن تصاویر (Image Filtering)
• 61. فصل ۶۱: عملیات مورفولوژیکی
• 62. فصل ۶۲: تبدیل‌های هندسی (تغییر مقیاس، چرخش)
• 63. فصل ۶۳: محاسبه ویژگی‌های تصویر
• 64. فصل ۶۴: برچسب‌گذاری اشیاء در تصاویر
• 65. فصل ۶۵: کاوش در `scipy.stats`
• 66. فصل ۶۶: توزیع‌های احتمالاتی گسسته
• 67. فصل ۶۷: توزیع‌های احتمالاتی پیوسته
• 68. فصل ۶۸: آزمون‌های آماری (t-test, ANOVA)
• 69. فصل ۶۹: آماره‌های توصیفی
• 70. فصل ۷۰: برازش توزیع‌ها
• 71. فصل ۷۱: مقدمه‌ای بر `scipy.misc`
• 72. فصل ۷۲: توابع کمکی متنوع
• 73. فصل ۷۳: تولید تصاویر ساده
• 74. فصل ۷۴: خواندن و نوشتن فایل‌های تصویری
• 75. فصل ۷۵: مثال‌های کاربردی از `scipy.misc`
• 76. فصل ۷۶: ترکیب ماژول‌های SciPy
• 77. فصل ۷۷: کاربرد SciPy در پردازش داده‌های علمی
• 78. فصل ۷۸: پیاده‌سازی مدل‌های فیزیکی با SciPy
• 79. فصل ۷۹: تحلیل داده‌های مهندسی با SciPy
• 80. فصل ۸۰: کاربرد SciPy در یادگیری ماشین (مبانی)
• 81. فصل ۸۱: حل معادلات دیفرانسیل در مهندسی
• 82. فصل ۸۲: بهینه‌سازی پارامترهای مدل‌ها
• 83. فصل ۸۳: تحلیل سیگنال‌های صوتی و تصویری
• 84. فصل ۸۴: پردازش داده‌های حسگرها
• 85. فصل ۸۵: حل مسائل شبکه‌های عصبی (مبانی)
• 86. فصل ۸۶: محاسبات علمی در زیست‌شناسی
• 87. فصل ۸۷: تحلیل داده‌های مالی
• 88. فصل ۸۸: بهینه‌سازی در رباتیک
• 89. فصل ۸۹: کاربرد SciPy در هوش مصنوعی
• 90. فصل ۹۰: تکنیک‌های پیشرفته درون‌یابی
• 91. فصل ۹۱: بهینه‌سازی مقیاس‌پذیر با SciPy
• 92. فصل ۹۲: مدیریت داده‌های بزرگ با SciPy
• 93. فصل ۹۳: محاسبات موازی با SciPy
• 94. فصل ۹۴: ارزیابی عملکرد توابع SciPy
• 95. فصل ۹۵: نکات و ترفندهای پیشرفته
• 96. فصل ۹۶: مقایسه SciPy با کتابخانه‌های مشابه
• 97. فصل ۹۷: منابع آموزشی بیشتر برای SciPy
• 98. فصل ۹۸: پروژه‌های عملی با SciPy
• 99. فصل ۹۹: آینده SciPy و اکوسیستم پایتون
• 100. فصل ۱۰۰: جمع‌بندی و چشم‌انداز نهایی