کتاب صوتی اشکال‌زدایی هوشمند کدهای پایتون با هوش مصنوعی مولد

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اشکال‌زدایی هوشمند کدهای پایتون با هوش مصنوعی مولد

موضوع کلی: فناوری اطلاعات و برنامه‌نویسی

موضوع میانی: توسعه نرم‌افزار و اشکال‌زدایی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر اشکال‌زدایی در پایتون
• 2. شناخت انواع خطاها در پایتون
• 3. خطاهای نحوی (Syntax Errors)
• 4. خطاهای زمان اجرا (Runtime Errors)
• 5. خطاهای منطقی (Logical Errors)
• 6. ابزارهای سنتی اشکال‌زدایی
• 7. استفاده از print() برای ردیابی
• 8. اصول استفاده از دیباگرها (Debuggers)
• 9. آشنایی با pdb (Python Debugger)
• 10. تنظیم نقاط توقف (Breakpoints)
• 11. پیمایش کد گام به گام
• 12. بررسی مقادیر متغیرها
• 13. مفهوم استثناها (Exceptions)
• 14. مدیریت استثناها با try-except
• 15. انواع رایج استثناها
• 16. NoneType Error
• 17. IndexError
• 18. KeyError
• 19. ValueError
• 20. TypeError
• 21. AttributeError
• 22. ZeroDivisionError
• 23. FileNotFoundError
• 24. ImportError
• 25. NameError
• 26. SyntaxError
• 27. IndentationError
• 28. TabError
• 29. RecursionError
• 30. MemoryError
• 31. OverflowError
• 32. RuntimeError
• 33. SystemError
• 34. EnvironmentError
• 35. IOError
• 36. OSError
• 37. WindowsError
• 38. LookupError
• 39. ArithmeticError
• 40. BufferError
• 41. EOFError
• 42. GeneratorExit
• 43. KeyboardInterrupt
• 44. NotImplementedError
• 45. ReferenceError
• 46. StopIteration
• 47. UnicodeDecodeError
• 48. UnicodeEncodeError
• 49. UnicodeError
• 50. UnicodeTranslateError
• 51. UnboundLocalError
• 52. UserWarning
• 53. PendingDeprecationWarning
• 54. DeprecationWarning
• 55. SyntaxWarning
• 56. RuntimeWarning
• 57. ResourceWarning
• 58. FutureWarning
• 59. اهمیت مستندسازی کد
• 60. نوشتن کامنت‌های مفید
• 61. استفاده از docstrings
• 62. اصول کدنویسی تمیز (Clean Code)
• 63. اصول خوانایی کد
• 64. نام‌گذاری صحیح متغیرها و توابع
• 65. شکستن توابع طولانی
• 66. اصل تک مسئولیتی (Single Responsibility Principle)
• 67. مقدمه‌ای بر هوش مصنوعی مولد (Generative AI)
• 68. کاربرد هوش مصنوعی مولد در اشکال‌زدایی
• 69. معرفی مدل‌های زبانی بزرگ (LLMs)
• 70. چگونگی تعامل با LLMs برای اشکال‌زدایی
• 71. استفاده از ChatGPT برای اشکال‌زدایی
• 72. استفاده از GitHub Copilot
• 73. استفاده از Google Bard
• 74. تنظیم محیط برای استفاده از هوش مصنوعی مولد
• 75. طراحی پرامپت‌های مؤثر برای اشکال‌زدایی
• 76. نمونه پرامپت برای یافتن خطاهای نحوی
• 77. نمونه پرامپت برای یافتن خطاهای زمان اجرا
• 78. نمونه پرامپت برای یافتن خطاهای منطقی
• 79. تحلیل خروجی هوش مصنوعی
• 80. اعتبارسنجی پیشنهادات هوش مصنوعی
• 81. اصلاح کد بر اساس پیشنهادات
• 82. تکنیک‌های پیشرفته اشکال‌زدایی با هوش مصنوعی
• 83. اشکال‌زدایی کدهای پیچیده و بزرگ
• 84. اشکال‌زدایی کدهای ناآشنا
• 85. اشکال‌زدایی کدهای چندفایلی
• 86. اشکال‌زدایی در محیط‌های توزیع‌شده
• 87. اشکال‌زدایی ریس‌های همزمانی (Concurrency Bugs)
• 88. اشکال‌زدایی مشکلات کارایی (Performance Issues)
• 89. تکنیک‌های بازیابی پس از خطا
• 90. مطالعه موردی: اشکال‌زدایی یک پروژه واقعی با هوش مصنوعی
• 91. بررسی کد اولیه و شناسایی مشکلات
• 92. استفاده از هوش مصنوعی برای پیشنهاد راه‌حل
• 93. پیاده‌سازی و تست راه‌حل‌های پیشنهادی
• 94. بهینه‌سازی کد پس از اشکال‌زدایی
• 95. درس‌های آموخته از مطالعه موردی
• 96. نکات تکمیلی و بهترین شیوه‌ها
• 97. اهمیت تست واحد (Unit Testing)
• 98. توسعه مبتنی بر تست (Test-Driven Development - TDD)
• 99. استفاده از ابزارهای تحلیل استاتیک کد (Linters)
• 100. مدیریت وابستگی‌ها (Dependency Management)