کتاب صوتی TDD for Data Science Projects

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره TDD for Data Science Projects

موضوع کلی: برنامه نویسی

موضوع میانی: توسعه آزمون‌محور (TDD)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر TDD در علم داده
• 2. چرا TDD برای علم داده مهم است؟
• 3. مزایای TDD در چرخه عمر پروژه علم داده
• 4. مفاهیم کلیدی TDD
• 5. چرخه قرمز-سبز-بازنگری
• 6. نوشتن تست های کوچک و متمرکز
• 7. تست های واحد، تست های ادغام، تست های پذیرش
• 8. اهمیت بازنگری در TDD
• 9. ابزارهای TDD برای پایتون
• 10. Pytest: نصب و پیکربندی
• 11. Pytest: ساختار تست پایه
• 12. Pytest: Assertions (ادعاها)
• 13. Pytest: Fixtures (تجهیزات)
• 14. Pytest: Parameterization (پارامترسازی)
• 15. Pytest: Mocking (شبیه سازی)
• 16. Pytest: Fixture scopes (محدوده تجهیزات)
• 17. Pytest: Hooks (قلاب ها)
• 18. Pytest: Plugins (افزونه ها)
• 19. Unittest: نصب و پیکربندی
• 20. Unittest: ساختار تست پایه
• 21. Unittest: Assertions
• 22. Unittest: setUp و tearDown
• 23. Unittest: Test Suites (مجموعه تست)
• 24. Unittest: Mocking
• 25. Mocking در پایتون با unittest.mock
• 26. Mocking: Mock Objects
• 27. Mocking: Patches
• 28. Mocking: Assertions on Mocks
• 29. Mocking: Isolating Dependencies
• 30. مراحل TDD در پروژه علم داده
• 31. شناسایی نیازمندی ها و موارد استفاده
• 32. نوشتن تست های مورد استفاده (Use Case Tests)
• 33. نوشتن تست های واحد برای توابع و کلاس ها
• 34. توسعه کد برای گذراندن تست ها
• 35. بازنگری کد
• 36. تست داده ها
• 37. انواع داده ها و چالش های تست
• 38. تست کیفیت داده ها (Data Quality Testing)
• 39. تست اعتبارسنجی داده ها (Data Validation Testing)
• 40. تست یکپارچگی داده ها (Data Integrity Testing)
• 41. تست توزیع داده ها (Data Distribution Testing)
• 42. تست داده های گمشده (Missing Data Testing)
• 43. تست داده های پرت (Outlier Testing)
• 44. تست داده های تکراری (Duplicate Data Testing)
• 45. تست فرمت داده ها (Data Format Testing)
• 46. تست مقادیر نامعتبر (Invalid Value Testing)
• 47. تست داده های برچسب گذاری شده (Labeling Data Testing)
• 48. تست داده های متنی (Text Data Testing)
• 49. تست داده های تصویری (Image Data Testing)
• 50. تست داده های سری زمانی (Time Series Data Testing)
• 51. تست داده های جغرافیایی (Geospatial Data Testing)
• 52. کتابخانه های تست داده در پایتون
• 53. Pandera: نصب و پیکربندی
• 54. Pandera: نوشتن Schema ها
• 55. Pandera: اعتبارسنجی DataFrame ها
• 56. Pandera: انواع Schema ها
• 57. Pandera: سفارشی سازی قوانین اعتبارسنجی
• 58. Pandera: ادغام با Pytest
• 59. Great Expectations: نصب و پیکربندی
• 60. Great Expectations: Data Context
• 61. Great Expectations: Data Sources
• 62. Great Expectations: Expectations
• 63. Great Expectations: Checkpoints
• 64. Great Expectations: Data Docs
• 65. Great Expectations: ادغام با Pytest
• 66. Soda Core: نصب و پیکربندی
• 67. Soda Core: Data Sources
• 68. Soda Core: Checks
• 69. Soda Core: Datasets
• 70. Soda Core: ادغام با Pytest
• 71. TDD برای پیش پردازش داده ها
• 72. تست توابع پاکسازی داده ها
• 73. تست توابع نرمال سازی داده ها
• 74. تست توابع تبدیل داده ها
• 75. تست توابع مهندسی ویژگی (Feature Engineering)
• 76. تست توابع ترکیب داده ها (Data Merging)
• 77. تست توابع کاهش ابعاد (Dimensionality Reduction)
• 78. TDD برای مدل سازی داده ها
• 79. تست ساختار مدل (Model Architecture Testing)
• 80. تست مقداردهی اولیه وزن ها (Weight Initialization Testing)
• 81. تست تابع فعال سازی (Activation Function Testing)
• 82. تست تابع هزینه (Loss Function Testing)
• 83. تست تابع بهینه ساز (Optimizer Testing)
• 84. تست آموزش مدل (Model Training Testing)
• 85. تست ارزیابی مدل (Model Evaluation Testing)
• 86. تست پیش بینی مدل (Model Prediction Testing)
• 87. تست مدل های رگرسیون
• 88. تست مدل های طبقه بندی
• 89. تست مدل های خوشه بندی
• 90. تست مدل های کاهش ابعاد
• 91. تست مدل های سری زمانی
• 92. تست مدل های پردازش زبان طبیعی (NLP)
• 93. تست مدل های بینایی ماشین (Computer Vision)
• 94. TDD برای استقرار مدل (Model Deployment)
• 95. تست API های مدل
• 96. تست Pipeline های استقرار
• 97. تست مدیریت نسخه مدل (Model Versioning)
• 98. تست مقیاس پذیری (Scalability Testing)
• 99. تست عملکرد (Performance Testing)
• 100. تست امنیت (Security Testing)