دوره جامع پایتون، جنگو، علم داده و یادگیری ماشین برای توسعه‌دهندگان ایرانی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع پایتون، جنگو، علم داده و یادگیری ماشین برای توسعه‌دهندگان ایرانی

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: توسعه نرم‌افزار و علم داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زبان برنامه‌نویسی پایتون
• 2. نصب و راه‌اندازی محیط توسعه پایتون
• 3. ساختار پایه و سینتکس پایتون
• 4. انواع داده‌ها در پایتون: اعداد، رشته‌ها، بولین
• 5. ساختارهای داده: لیست‌ها، تاپل‌ها، دیکشنری‌ها، مجموعه‌ها
• 6. عملگرها در پایتون: حسابی، مقایسه‌ای، منطقی
• 7. دستورات شرطی: if, elif, else
• 8. حلقه‌های تکرار: for, while
• 9. توابع در پایتون: تعریف، فراخوانی، پارامترها
• 10. حوزه‌های دید متغیرها: محلی، سراسری
• 11. مدیریت خطا و استثناء (Exception Handling)
• 12. کار با فایل‌ها: خواندن و نوشتن
• 13. ماژول‌ها و پکیج‌ها در پایتون
• 14. مقدمه‌ای بر برنامه‌نویسی شیءگرا (OOP)
• 15. مفاهیم کلاس و اشیاء
• 16. وراثت در پایتون
• 17. چندریختی (Polymorphism)
• 18. کپسوله‌سازی (Encapsulation)
• 19. مقدمه‌ای بر کتابخانه NumPy
• 20. آرایه‌ها در NumPy
• 21. عملیات برداری در NumPy
• 22. توابع ریاضی در NumPy
• 23. مقدمه‌ای بر کتابخانه Pandas
• 24. ساختار داده Series در Pandas
• 25. ساختار داده DataFrame در Pandas
• 26. خواندن و نوشتن داده‌ها با Pandas
• 27. عملیات فیلترینگ و انتخاب داده در Pandas
• 28. عملیات گروه‌بندی و تجمیع در Pandas
• 29. پاکسازی و پیش‌پردازش داده‌ها
• 30. کار با داده‌های گمشده (Missing Data)
• 31. مقدمه‌ای بر علم داده
• 32. چرخه حیات پروژه‌های علم داده
• 33. جمع‌آوری و اکتشاف داده
• 34. مصورسازی داده‌ها با Matplotlib
• 35. انواع نمودارها و کاربردها
• 36. مصورسازی داده‌ها با Seaborn
• 37. مقدمه‌ای بر یادگیری ماشین
• 38. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
• 39. مدل‌های یادگیری نظارت‌شده: رگرسیون خطی
• 40. مدل‌های یادگیری نظارت‌شده: رگرسیون لجستیک
• 41. مدل‌های یادگیری نظارت‌شده: ماشین بردار پشتیبان (SVM)
• 42. مدل‌های یادگیری نظارت‌شده: درخت تصمیم
• 43. مدل‌های یادگیری نظارت‌شده: جنگل تصادفی
• 44. مدل‌های یادگیری نظارت‌شده: K-نزدیک‌ترین همسایه (KNN)
• 45. ارزیابی مدل‌های طبقه‌بندی: دقت، صحت، بازیابی
• 46. ارزیابی مدل‌های رگرسیون: MSE، RMSE، MAE
• 47. مقدمه‌ای بر یادگیری بدون نظارت
• 48. خوشه‌بندی: K-Means
• 49. کاهش ابعاد: تحلیل مؤلفه‌های اصلی (PCA)
• 50. مقدمه‌ای بر کتابخانه Scikit-learn
• 51. پیاده‌سازی مدل‌ها با Scikit-learn
• 52. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 53. اعتبارسنجی متقابل (Cross-Validation)
• 54. مقدمه‌ای بر چارچوب جنگو (Django)
• 55. نصب و راه‌اندازی پروژه جنگو
• 56. مفاهیم مدل‌ها، ویوها و تمپلیت‌ها (MTV)
• 57. طراحی پایگاه داده با ORM جنگو
• 58. مدیریت URLها در جنگو
• 59. کار با فرم‌ها در جنگو
• 60. مدیریت کاربران و احراز هویت
• 61. مقدمه‌ای بر RESTful API
• 62. ساخت API با Django REST Framework
• 63. تست APIها
• 64. استقرار (Deployment) برنامه‌های جنگو
• 65. مقدمه‌ای بر پایگاه‌های داده رابطه‌ای
• 66. مفاهیم SQL
• 67. دستورات پایه SQL: SELECT, INSERT, UPDATE, DELETE
• 68. طراحی پایگاه داده
• 69. مقدمه‌ای بر پایگاه‌های داده NoSQL
• 70. کاربرد پایگاه‌های داده NoSQL
• 71. مقدمه‌ای بر Big Data
• 72. مفاهیم Hadoop و Spark
• 73. کاربرد پایتون در Big Data
• 74. امنیت در توسعه نرم‌افزار
• 75. اصول کدنویسی امن
• 76. مقدمه‌ای بر DevOps
• 77. ابزارهای DevOps
• 78. مقدمه‌ای بر مفاهیم پیشرفته پایتون
• 79. برنامه‌نویسی ناهمگام (Asynchronous Programming)
• 80. مفاهیم Generator و Iterator
• 81. مقدمه‌ای بر یادگیری عمیق
• 82. شبکه‌های عصبی کانولوشنی (CNN)
• 83. شبکه‌های عصبی بازگشتی (RNN)
• 84. کاربرد یادگیری عمیق در پردازش تصویر
• 85. کاربرد یادگیری عمیق در پردازش زبان طبیعی
• 86. مقدمه‌ای بر ابزارهای تحلیل داده پیشرفته
• 87. کاربرد ابزارهای BI
• 88. مقدمه‌ای بر اخلاق در علم داده
• 89. حریم خصوصی داده‌ها
• 90. مسئولیت‌پذیری در هوش مصنوعی
• 91. مقدمه‌ای بر آخرین روندها در مهندسی نرم‌افزار
• 92. معماری‌های میکروسرویس
• 93. کانتینرسازی با Docker
• 94. ارکستراسیون با Kubernetes
• 95. تکنیک‌های بهینه‌سازی کد
• 96. مقدمه‌ای بر توسعه نرم‌افزار متن‌باز
• 97. مشارکت در پروژه‌های متن‌باز
• 98. آینده علم داده و یادگیری ماشین
• 99. جمع‌بندی و گام‌های بعدی