فلش‌کارت‌های آموزشی آموزش جامع پایتون ۵: از مقدماتی تا کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع پایتون ۵: از مقدماتی تا کاربردی

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: برنامه‌نویسی و توسعه نرم‌افزار

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم کامپیوتر و برنامه‌نویسی
• 2. آشنایی با زبان پایتون و تاریخچه آن
• 3. نصب و راه‌اندازی محیط توسعه پایتون
• 4. اولین برنامه در پایتون: سلام دنیا
• 5. متغیرها و انواع داده در پایتون
• 6. عملگرهای ریاضی و منطقی
• 7. دستورات شرطی: if, elif, else
• 8. حلقه‌های تکرار: for و while
• 9. ساختارهای داده: لیست‌ها
• 10. کار با لیست‌ها: افزودن، حذف و دسترسی
• 11. لیست‌های تودرتو
• 12. ساختارهای داده: تاپل‌ها
• 13. کار با تاپل‌ها
• 14. ساختارهای داده: مجموعه‌ها (Sets)
• 15. کار با مجموعه‌ها
• 16. ساختارهای داده: دیکشنری‌ها
• 17. کار با دیکشنری‌ها
• 18. توابع در پایتون
• 19. تعریف و فراخوانی توابع
• 20. آرگومان‌های توابع
• 21. مقادیر بازگشتی توابع
• 22. توابع لامبدا (توابع بی‌نام)
• 23. مدیریت خطا و استثنا (Exceptions)
• 24. بلوک‌های try, except, finally
• 25. پرتاب استثنا (Raising Exceptions)
• 26. کلاس‌ها و اشیاء (مقدماتی)
• 27. مفاهیم اولیه برنامه‌نویسی شیءگرا
• 28. تعریف کلاس و ایجاد شیء
• 29. ویژگی‌ها (Attributes) و متدها (Methods)
• 30. متدهای خاص کلاس (Magic Methods)
• 31. وراثت (Inheritance)
• 32. چندریختی (Polymorphism)
• 33. ماژول‌ها و بسته‌ها در پایتون
• 34. وارد کردن ماژول‌ها
• 35. ساخت ماژول‌های سفارشی
• 36. نصب بسته‌های خارجی با pip
• 37. کار با فایل‌ها: خواندن و نوشتن
• 38. عملیات روی فایل‌ها
• 39. کار با فرمت‌های داده: JSON
• 40. کار با فرمت‌های داده: CSV
• 41. مقدمه‌ای بر پایگاه‌های داده رابطه‌ای
• 42. کار با SQLite در پایتون
• 43. مقدمه‌ای بر توسعه وب با پایتون
• 44. فریم‌ورک‌های وب: Flask (مقدماتی)
• 45. ساخت یک برنامه وب ساده با Flask
• 46. مقدمه‌ای بر APIها
• 47. طراحی و پیاده‌سازی APIهای ساده
• 48. کار با داده‌های متنی و رشته‌ها
• 49. توابع و متدهای رشته‌ای
• 50. عبارات منظم (Regular Expressions)
• 51. مقدمه‌ای بر تحلیل داده
• 52. کتابخانه NumPy برای محاسبات عددی
• 53. آرایه‌ها در NumPy
• 54. عملیات برداری در NumPy
• 55. مقدمه‌ای بر کتابخانه Pandas
• 56. ساختارهای داده DataFrame و Series
• 57. بارگذاری و ذخیره داده با Pandas
• 58. پاکسازی و پیش‌پردازش داده با Pandas
• 59. فیلتر کردن و انتخاب داده در Pandas
• 60. گروه‌بندی و تجمیع داده با Pandas
• 61. ادغام و اتصال DataFrames
• 62. مقدمه‌ای بر مصورسازی داده
• 63. کتابخانه Matplotlib برای رسم نمودار
• 64. رسم نمودارهای خطی
• 65. رسم نمودارهای میله‌ای
• 66. رسم نمودارهای پراکندگی
• 67. رسم نمودارهای دایره‌ای
• 68. سفارشی‌سازی نمودارها
• 69. کتابخانه Seaborn برای مصورسازی آماری
• 70. مصورسازی پیشرفته با Seaborn
• 71. مقدمه‌ای بر یادگیری ماشین
• 72. مفاهیم اولیه یادگیری ماشین
• 73. انواع یادگیری ماشین (نظارت شده، بدون نظارت)
• 74. کتابخانه Scikit-learn
• 75. پیش‌پردازش داده برای یادگیری ماشین
• 76. تقسیم داده به مجموعه آموزش و آزمون
• 77. مدل‌های طبقه‌بندی (Classification)
• 78. رگرسیون خطی (Linear Regression)
• 79. رگرسیون لجستیک (Logistic Regression)
• 80. درخت تصمیم (Decision Trees)
• 81. ماشین بردار پشتیبان (SVM)
• 82. مدل‌های خوشه‌بندی (Clustering)
• 83. الگوریتم K-Means
• 84. ارزیابی مدل‌های یادگیری ماشین
• 85. متریک‌های ارزیابی طبقه‌بندی
• 86. متریک‌های ارزیابی رگرسیون
• 87. مقدمه‌ای بر امنیت در برنامه‌نویسی
• 88. اصول امن کدنویسی
• 89. جلوگیری از حملات رایج (SQL Injection, XSS)
• 90. رمزنگاری مقدماتی در پایتون
• 91. کار با توابع هش (Hashing)
• 92. مقدمه‌ای بر شبکه‌های کامپیوتری
• 93. مفاهیم پروتکل‌های شبکه
• 94. کار با سوکت‌ها در پایتون
• 95. ساخت یک چت ساده کلاینت-سرور
• 96. مقدمه‌ای بر ابزارهای توسعه نرم‌افزار
• 97. سیستم‌های کنترل نسخه: Git
• 98. مفاهیم Git: مخزن، کامیت، شاخه
• 99. کار با Git: push, pull, merge
• 100. مقدمه‌ای بر تست نرم‌افزار