فلش‌کارت‌های آموزشی مبانی برنامه‌نویسی شیءگرا در پایتون برای تحلیل داده (کلاس‌ها و وراثت)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی برنامه‌نویسی شیءگرا در پایتون برای تحلیل داده (کلاس‌ها و وراثت)

موضوع کلی: علوم کامپیوتر و برنامه‌نویسی

موضوع میانی: برنامه‌نویسی پایتون برای تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده با پایتون
• 2. نصب و راه‌اندازی محیط پایتون
• 3. آشنایی با ساختارهای داده در پایتون
• 4. کار با لیست‌ها و تاپل‌ها
• 5. کار با دیکشنری‌ها و مجموعه‌ها
• 6. مبانی برنامه‌نویسی پایتون
• 7. متغیرها و انواع داده
• 8. عملگرها و عبارات
• 9. دستورات شرطی و حلقه‌ها
• 10. توابع در پایتون
• 11. ماژول‌ها و بسته‌های پایتون
• 12. مقدمه‌ای بر برنامه‌نویسی شیءگرا
• 13. مفاهیم کلاس و شیء
• 14. تعریف کلاس در پایتون
• 15. ایجاد اشیاء از کلاس‌ها
• 16. متدهای سازنده (Constructor)
• 17. متدهای نمونه (Instance Methods)
• 18. صفات (Attributes) در کلاس‌ها
• 19. ارتباط بین اشیاء
• 20. اصول برنامه‌نویسی شیءگرا
• 21. کپسوله‌سازی (Encapsulation)
• 22. تجرید (Abstraction)
• 23. چندریختی (Polymorphism)
• 24. وراثت (Inheritance)
• 25. وراثت تک‌شاخه
• 26. وراثت چندشاخه
• 27. وراثت ترکیبی
• 28. فوق کلاس (Superclass) و زیرکلاس (Subclass)
• 29. بازنویسی متدها (Method Overriding)
• 30. متدهای استاتیک (Static Methods)
• 31. متدهای کلاس (Class Methods)
• 32. استفاده از `self` و `cls`
• 33. محتوای خصوصی و عمومی در کلاس‌ها
• 34. پروتکل‌های دسترسی (Access Modifiers)
• 35. مدیریت خطا و استثناها (Exceptions)
• 36. مدیریت استثناهای سفارشی
• 37. کار با فایل‌ها در پایتون
• 38. خواندن و نوشتن فایل‌های متنی
• 39. کار با فایل‌های CSV
• 40. کار با فایل‌های JSON
• 41. مقدمه‌ای بر کتابخانه‌های تحلیل داده
• 42. نصب و آشنایی با NumPy
• 43. آرایه‌های NumPy
• 44. عملیات برداری در NumPy
• 45. توابع ریاضی در NumPy
• 46. آشنایی با کتابخانه Pandas
• 47. ساختار داده Series در Pandas
• 48. ساختار داده DataFrame در Pandas
• 49. بارگذاری داده‌ها در DataFrame
• 50. انتخاب و فیلتر کردن داده‌ها
• 51. عملیات پایه‌ای بر روی DataFrame
• 52. گروه‌بندی داده‌ها (Grouping)
• 53. توابع تجمعی (Aggregation Functions)
• 54. ادغام و پیوستن DataFrameها
• 55. کار با داده‌های گم‌شده (Missing Data)
• 56. پاکسازی داده‌ها
• 57. مقدمه‌ای بر مصورسازی داده‌ها
• 58. آشنایی با Matplotlib
• 59. رسم نمودارهای خطی
• 60. رسم نمودارهای پراکندگی
• 61. رسم نمودارهای میله‌ای
• 62. رسم هیستوگرام
• 63. کار با نمودارهای دایره‌ای
• 64. تنظیمات پیشرفته نمودارها
• 65. آشنایی با Seaborn
• 66. نمودارهای آماری در Seaborn
• 67. نمودارهای توزیع در Seaborn
• 68. نمودارهای رابطه‌ای در Seaborn
• 69. نمودارهای دسته‌ای در Seaborn
• 70. کار با تم‌ها و استایل‌ها در Seaborn
• 71. مقدمه‌ای بر یادگیری ماشین با پایتون
• 72. نصب و آشنایی با Scikit-learn
• 73. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 74. آماده‌سازی داده‌ها برای مدل‌سازی
• 75. یادگیری نظارت‌شده (Supervised Learning)
• 76. رگرسیون خطی (Linear Regression)
• 77. رگرسیون لجستیک (Logistic Regression)
• 78. ماشین بردار پشتیبان (SVM)
• 79. درخت تصمیم (Decision Tree)
• 80. جنگل تصادفی (Random Forest)
• 81. یادگیری نظارت‌نشده (Unsupervised Learning)
• 82. خوشه‌بندی (Clustering)
• 83. K-Means Clustering
• 84. تحلیل مؤلفه‌های اصلی (PCA)
• 85. ارزیابی مدل‌ها
• 86. معیارهای ارزیابی مدل‌های رگرسیون
• 87. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 88. مقدمه‌ای بر پایگاه داده و پایتون
• 89. کار با پایگاه داده SQLite
• 90. ذخیره و بازیابی داده‌ها از SQLite
• 91. مقدمه‌ای بر مفاهیم امنیت در برنامه‌نویسی
• 92. اصول کدنویسی ایمن
• 93. جلوگیری از تزریق کد
• 94. مدیریت امن اطلاعات حساس
• 95. مقدمه‌ای بر توسعه وب با پایتون (اختیاری)
• 96. آشنایی با فریم‌ورک Flask
• 97. ساخت یک برنامه وب ساده
• 98. اصول طراحی نرم‌افزار
• 99. الگوهای طراحی (Design Patterns)
• 100. الگوی کارخانه (Factory Pattern)