کتاب صوتی آموزش مقدماتی پایتون و محیط ژوپیتر نوت‌بوک برای معلمان

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش مقدماتی پایتون و محیط ژوپیتر نوت‌بوک برای معلمان

موضوع کلی: علوم کامپیوتر و برنامه‌نویسی

موضوع میانی: مبانی برنامه‌نویسی پایتون

📋 سرفصل‌های دوره

• 1. آشنایی با مفاهیم اولیه علوم کامپیوتر
• 2. مقدمه‌ای بر زبان برنامه‌نویسی پایتون
• 3. نصب و راه‌اندازی پایتون و ابزارهای مرتبط
• 4. آشنایی با محیط توسعه ژوپیتر نوت‌بوک
• 5. ایجاد و اجرای اولین کد پایتون
• 6. کار با متغیرها و انواع داده در پایتون
• 7. انواع داده‌های عددی: اعداد صحیح و اعشاری
• 8. کار با رشته‌ها و عملیات متنی
• 9. ساختارهای داده: لیست‌ها و کار با آن‌ها
• 10. کار با تاپل‌ها و تفاوت آن‌ها با لیست‌ها
• 11. کار با مجموعه‌ها (Set) و کاربردهایشان
• 12. کار با دیکشنری‌ها و نحوه استفاده از آن‌ها
• 13. عملگرهای ریاضی و منطقی در پایتون
• 14. دستورات شرطی: if، elif، else
• 15. حلقه‌های تکرار: for و کاربردهای آن
• 16. حلقه‌های تکرار: while و شرایط اجرای آن
• 17. توابع در پایتون: تعریف و فراخوانی
• 18. پارامترها و آرگومان‌های توابع
• 19. مقدار بازگشتی توابع و نحوه استفاده
• 20. مدیریت خطاها با استفاده از try-except
• 21. کار با فایل‌ها: خواندن اطلاعات از فایل
• 22. کار با فایل‌ها: نوشتن اطلاعات در فایل
• 23. مقدمه‌ای بر برنامه‌نویسی شیءگرا (OOP)
• 24. مفاهیم کلاس و شیء در پایتون
• 25. وراثت در برنامه‌نویسی شیءگرا
• 26. چندریختی و کاربردهای آن
• 27. کپسوله‌سازی و اصول آن
• 28. مقدمه‌ای بر کتابخانه‌های پایتون
• 29. نصب و مدیریت بسته‌های پایتون با pip
• 30. استفاده از کتابخانه NumPy برای محاسبات عددی
• 31. آشنایی با آرایه‌ها در NumPy
• 32. عملیات برداری در NumPy
• 33. مقدمه‌ای بر کتابخانه Pandas
• 34. کار با ساختارهای داده DataFrame و Series
• 35. خواندن و نوشتن داده با Pandas
• 36. پاکسازی و پیش‌پردازش داده‌ها با Pandas
• 37. فیلتر کردن و انتخاب داده‌ها در Pandas
• 38. گروه‌بندی و تجمیع داده‌ها با Pandas
• 39. ترکیب و ادغام DataFrames
• 40. مقدمه‌ای بر مصورسازی داده‌ها
• 41. استفاده از Matplotlib برای رسم نمودار
• 42. رسم نمودارهای خطی
• 43. رسم نمودارهای میله‌ای
• 44. رسم نمودارهای پراکندگی
• 45. رسم نمودارهای دایره‌ای
• 46. تنظیمات و سفارشی‌سازی نمودارها
• 47. مقدمه‌ای بر Seaborn برای مصورسازی پیشرفته
• 48. ایجاد نمودارهای آماری با Seaborn
• 49. کار با Heatmaps
• 50. کار با Box Plots
• 51. کار با Violin Plots
• 52. کار با Pair Plots
• 53. مقدمه‌ای بر تحلیل داده
• 54. مراحل کلی تحلیل داده
• 55. جمع‌آوری و آماده‌سازی داده
• 56. شناخت و اکتشاف داده (EDA)
• 57. یافتن الگوها و روابط در داده
• 58. ارزیابی کیفیت داده
• 59. مقدمه‌ای بر مدل‌سازی داده
• 60. انواع مدل‌های یادگیری ماشین
• 61. یادگیری نظارت شده و بدون نظارت
• 62. انتخاب ویژگی مناسب برای مدل
• 63. آموزش مدل با داده‌های آموزشی
• 64. ارزیابی عملکرد مدل
• 65. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 66. مقدمه‌ای بر شبکه‌های عصبی
• 67. کاربرد شبکه‌های عصبی در تحلیل داده
• 68. مقدمه‌ای بر مفاهیم آماری پایه
• 69. میانگین، میانه، مد
• 70. انحراف معیار و واریانس
• 71. مفاهیم احتمال پایه
• 72. توزیع‌های آماری رایج
• 73. مقدمه‌ای بر کار با داده‌های جدولی
• 74. نرمال‌سازی و استانداردسازی داده‌ها
• 75. مدیریت مقادیر گمشده
• 76. کار با داده‌های متنی ساده
• 77. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 78. کاربرد NLP در تحلیل داده
• 79. مقدمه‌ای بر ساخت وب‌اپلیکیشن ساده با پایتون
• 80. استفاده از Flask برای توسعه وب
• 81. مفاهیم پایه HTTP و درخواست/پاسخ
• 82. ساخت APIهای ساده
• 83. مقدمه‌ای بر پایگاه داده
• 84. ذخیره‌سازی و بازیابی داده از پایگاه داده
• 85. کار با SQL Lite
• 86. مقدمه‌ای بر توسعه نرم‌افزارهای دسکتاپ
• 87. مقدمه‌ای بر امنیت در برنامه‌نویسی
• 88. اصول کدنویسی امن
• 89. جلوگیری از آسیب‌پذیری‌های رایج
• 90. مقدمه‌ای بر اصول مهندسی نرم‌افزار
• 91. چرخه حیات توسعه نرم‌افزار
• 92. مستندسازی کد و پروژه
• 93. اصول کار تیمی در توسعه نرم‌افزار
• 94. مقدمه‌ای بر آزمون نرم‌افزار
• 95. انواع تست‌ها (واحد، یکپارچه‌سازی)
• 96. نوشتن تست‌های واحد برای توابع
• 97. مقدمه‌ای بر مفاهیم کلود کامپیوتیینگ
• 98. کاربرد پایتون در محیط‌های کلود
• 99. مقدمه‌ای بر اینترنت اشیاء (IoT)
• 100. کاربرد پایتون در توسعه IoT