دوره آموزش جامع زبان برنامه‌نویسی پایتون: از مبانی تا کاربردهای پیشرفته همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع زبان برنامه‌نویسی پایتون: از مبانی تا کاربردهای پیشرفته

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: برنامه‌نویسی و توسعه نرم‌افزار

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پایتون و کاربردهای آن
• 2. نصب و راه‌اندازی محیط توسعه پایتون
• 3. اولین برنامه در پایتون: سلام دنیا
• 4. انواع داده‌ها در پایتون: اعداد، رشته‌ها، بولین‌ها
• 5. متغیرها و قواعد نام‌گذاری
• 6. عملگرهای ریاضی و انتساب
• 7. عملگرهای مقایسه‌ای و منطقی
• 8. دستورات شرطی: if, elif, else
• 9. حلقه‌های تکرار: for و while
• 10. ساختارهای داده: لیست‌ها و تاپل‌ها
• 11. کار با دیکشنری‌ها و مجموعه‌ها
• 12. توابع: تعریف، فراخوانی و پارامترها
• 13. مفهوم Scope در توابع
• 14. ماژول‌ها و پکیج‌ها در پایتون
• 15. مدیریت خطاها و استثناها (try-except)
• 16. کار با فایل‌ها: خواندن و نوشتن
• 17. مقدمه‌ای بر برنامه‌نویسی شیءگرا (OOP)
• 18. کلاس‌ها و اشیاء در پایتون
• 19. وراثت و چندریختی
• 20. کپسوله‌سازی و دسترسی به اعضا
• 21. مقدمه‌ای بر کتابخانه‌های استاندارد پایتون
• 22. کار با تاریخ و زمان
• 23. کار با عبارات باقاعده (Regular Expressions)
• 24. مقدمه‌ای بر پایتون برای علم داده
• 25. نصب و استفاده از NumPy
• 26. کار با آرایه‌ها در NumPy
• 27. عملیات ریاضی بر روی آرایه‌های NumPy
• 28. مقدمه‌ای بر Pandas
• 29. ساختارهای داده در Pandas: Series و DataFrame
• 30. بارگذاری و ذخیره داده‌ها با Pandas
• 31. پاکسازی و پیش‌پردازش داده‌ها
• 32. کار با داده‌های گمشده
• 33. انتخاب و فیلتر کردن داده‌ها
• 34. گروه‌بندی و تجمیع داده‌ها
• 35. ادغام و پیوستن DataFrameها
• 36. مقدمه‌ای بر Matplotlib برای مصورسازی
• 37. رسم نمودارهای خطی و پراکندگی
• 38. رسم نمودارهای میله‌ای و هیستوگرام
• 39. شخصی‌سازی نمودارها
• 40. مقدمه‌ای بر Seaborn برای مصورسازی پیشرفته
• 41. نمودارهای توزیع و آماری
• 42. نمودارهای دسته‌بندی شده
• 43. مقدمه‌ای بر یادگیری ماشین
• 44. مفاهیم پایه یادگیری ماشین
• 45. انواع یادگیری ماشین (نظارتی، بدون نظارت)
• 46. مقدمه‌ای بر Scikit-learn
• 47. آماده‌سازی داده‌ها برای مدل‌سازی
• 48. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 49. مدل‌های رگرسیون خطی
• 50. ارزیابی مدل‌های رگرسیون
• 51. مدل‌های طبقه‌بندی (رگرسیون لجستیک)
• 52. ارزیابی مدل‌های طبقه‌بندی
• 53. مقدمه‌ای بر شبکه‌های عصبی
• 54. مفاهیم پایه شبکه‌های عصبی
• 55. پیاده‌سازی شبکه عصبی ساده
• 56. مقدمه‌ای بر توسعه وب با پایتون
• 57. فریم‌ورک Django: مقدمات
• 58. ساختار پروژه در Django
• 59. مدل‌ها و پایگاه داده در Django
• 60. نماها (Views) و الگوها (Templates) در Django
• 61. مقدمه‌ای بر فریم‌ورک Flask
• 62. ساختار پروژه در Flask
• 63. مسیرها (Routes) و توابع نما در Flask
• 64. کار با فرم‌ها در Flask
• 65. مقدمه‌ای بر پایگاه‌های داده رابطه‌ای
• 66. مفاهیم SQL
• 67. کار با SQLite در پایتون
• 68. مقدمه‌ای بر پایگاه‌های داده NoSQL
• 69. کار با MongoDB (مقدماتی)
• 70. آشنایی با ابزارهای خط فرمان پایتون
• 71. کار با محیط‌های مجازی (Virtual Environments)
• 72. مدیریت پکیج‌ها با Pip
• 73. نوشتن تست‌های واحد (Unit Tests)
• 74. اصول کدنویسی تمیز و خوانا
• 75. مستندسازی کد (Docstrings)
• 76. کار با Git برای کنترل نسخه
• 77. مقدمه‌ای بر برنامه‌نویسی همزمان (Concurrency)
• 78. مفاهیم Threading
• 79. مقدمه‌ای بر برنامه‌نویسی موازی (Parallelism)
• 80. مفاهیم Multiprocessing
• 81. کاربرد پایتون در اتوماسیون اداری
• 82. اتوماسیون پردازش فایل‌های متنی
• 83. اتوماسیون پردازش فایل‌های اکسل
• 84. مقدمه‌ای بر وب اسکرپینگ
• 85. استفاده از Beautiful Soup
• 86. استفاده از Scrapy (مقدماتی)
• 87. مقدمه‌ای بر APIها
• 88. کار با RESTful APIها
• 89. درخواست‌های HTTP با Requests
• 90. مقدمه‌ای بر پایتون برای تحلیل آماری
• 91. آمار توصیفی با SciPy
• 92. آزمون‌های آماری مقدماتی
• 93. مقدمه‌ای بر محاسبات علمی
• 94. کار با SymPy برای جبر نمادین
• 95. مقدمه‌ای بر امنیت در برنامه‌نویسی
• 96. اصول اولیه امنیت برنامه‌ها
• 97. تکنیک‌های جلوگیری از آسیب‌پذیری‌های رایج
• 98. مقدمه‌ای بر توسعه بازی با پایتون
• 99. کتابخانه Pygame: مبانی
• 100. ساخت یک بازی ساده با Pygame