دوره آموزش جامع پایتون: از مبانی تا پروژه‌های کاربردی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع پایتون: از مبانی تا پروژه‌های کاربردی

موضوع کلی: علوم کامپیوتر و برنامه‌نویسی

موضوع میانی: زبان‌های برنامه‌نویسی کاربردی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم کامپیوتر و پایتون
• 2. نصب و پیکربندی محیط توسعه پایتون
• 3. آشنایی با مفاهیم اولیه برنامه‌نویسی
• 4. انواع داده‌ها در پایتون: اعداد و رشته‌ها
• 5. عملگرهای ریاضی و منطقی در پایتون
• 6. ساختارهای کنترلی: دستورات شرطی (if, elif, else)
• 7. ساختارهای کنترلی: حلقه‌ها (for, while)
• 8. ساختارهای داده: لیست‌ها و تاپل‌ها
• 9. ساختارهای داده: دیکشنری‌ها و مجموعه‌ها
• 10. توابع در پایتون: تعریف و فراخوانی
• 11. مدیریت خطا و استثنا (Error Handling)
• 12. کار با فایل‌ها: خواندن و نوشتن
• 13. مقدمه‌ای بر برنامه‌نویسی شیءگرا (OOP)
• 14. کلاس‌ها و اشیاء در پایتون
• 15. وراثت و چندریختی در پایتون
• 16. ماژول‌ها و بسته‌های پایتون
• 17. مدیریت وابستگی‌ها با pip
• 18. کار با تاریخ و زمان در پایتون
• 19. عبارات منظم (Regular Expressions)
• 20. مقدمه‌ای بر پایگاه‌های داده
• 21. کار با پایگاه داده SQLite
• 22. مقدمه‌ای بر وب و HTTP
• 23. ساخت وب‌اپلیکیشن ساده با Flask
• 24. مقدمه‌ای بر RESTful API
• 25. کار با APIهای خارجی
• 26. مفاهیم پایه علم داده
• 27. آشنایی با کتابخانه NumPy
• 28. آشنایی با کتابخانه Pandas
• 29. تجسم داده‌ها با Matplotlib
• 30. تجسم داده‌ها با Seaborn
• 31. مقدمه‌ای بر یادگیری ماشین
• 32. یادگیری ماشین نظارت شده (Supervised Learning)
• 33. رگرسیون خطی در پایتون
• 34. طبقه‌بندی با رگرسیون لجستیک
• 35. طبقه‌بندی با ماشین‌های بردار پشتیبان (SVM)
• 36. طبقه‌بندی با درختان تصمیم
• 37. طبقه‌بندی با جنگل‌های تصادفی
• 38. یادگیری ماشین بدون نظارت (Unsupervised Learning)
• 39. خوشه‌بندی با K-Means
• 40. کاهش ابعاد با PCA
• 41. مقدمه‌ای بر شبکه‌های عصبی
• 42. شبکه‌های عصبی پرسپترون چند لایه (MLP)
• 43. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 44. پردازش اولیه متن در پایتون
• 45. توکنیزه کردن و نرمال‌سازی متن
• 46. مدل‌سازی موضوعی (Topic Modeling)
• 47. تحلیل احساسات (Sentiment Analysis)
• 48. مقدمه‌ای بر یادگیری عمیق
• 49. شبکه‌های عصبی کانولوشنی (CNN)
• 50. شبکه‌های عصبی بازگشتی (RNN)
• 51. کار با داده‌های بزرگ
• 52. مقدمه‌ای بر پردازش موازی
• 53. مقدمه‌ای بر امنیت سایبری (مبانی)
• 54. اصول رمزنگاری در پایتون (مبانی)
• 55. آشنایی با ابزارهای توسعه نرم‌افزار
• 56. کنترل نسخه با Git
• 57. کار با GitHub
• 58. مقدمه‌ای بر تست نرم‌افزار
• 59. نوشتن تست‌های واحد (Unit Tests)
• 60. تست یکپارچه‌سازی (Integration Tests)
• 61. مقدمه‌ای بر توسعه نرم‌افزار چابک (Agile)
• 62. مدیریت پروژه با ابزارهای ساده
• 63. بهینه‌سازی کد پایتون
• 64. کار با داده‌های ساختاریافته (CSV, JSON)
• 65. مدیریت حافظه در پایتون
• 66. مقدمه‌ای بر مفاهیم شبکه (TCP/IP)
• 67. توسعه ابزارهای خط فرمان (CLI)
• 68. کار با سیستم‌عامل‌ها (مبانی)
• 69. مقدمه‌ای بر هوش مصنوعی (مبانی)
• 70. اخلاق در هوش مصنوعی و علم داده
• 71. مسئولیت‌پذیری در توسعه نرم‌افزار
• 72. مباحث پیشرفته‌تر توابع
• 73. توابع لامبدا و توابع مرتبه بالا
• 74. کار با داده‌های ساختاریافته (XML)
• 75. مقدمه‌ای بر معماری نرم‌افزار
• 76. الگوهای طراحی نرم‌افزار (مبانی)
• 77. مقدمه‌ای بر گرافیک کامپیوتری (مبانی)
• 78. مقدمه‌ای بر اینترنت اشیاء (IoT)
• 79. کار با سنسورها و دستگاه‌ها (مبانی)
• 80. مقدمه‌ای بر بلاکچین (مبانی)
• 81. کار با قراردادهای هوشمند (مبانی)
• 82. مقدمه‌ای بر محاسبات ابری (Cloud Computing)
• 83. کار با خدمات ابری (مبانی)
• 84. مقدمه‌ای بر DevOps (مبانی)
• 85. استقرار نرم‌افزار (Deployment)
• 86. مانیتورینگ و لاگ‌گیری (Logging)
• 87. مقدمه‌ای بر معماری میکروسرویس (مبانی)
• 88. اصول طراحی APIهای RESTful
• 89. مقدمه‌ای بر داده‌کاوی
• 90. تکنیک‌های پیش‌پردازش داده
• 91. ارزیابی مدل‌های یادگیری ماشین
• 92. انتخاب ویژگی (Feature Selection)
• 93. مهندسی ویژگی (Feature Engineering)
• 94. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 95. توصیه مبتنی بر محتوا
• 96. توصیه مبتنی بر فیلترینگ مشارکتی
• 97. مقدمه‌ای بر پردازش تصویر
• 98. کار با کتابخانه OpenCV
• 99. فیلترهای تصویر
• 100. تشخیص لبه و اشکال