codingcogs' logo
کارگاه پایتون

کارگاه پایتون (Python)

1,989,000 تومان

16 فصل
مدرک اتمام دوره
پشتیبانی دائمی

اگر میخواهید...

  • یادگیری پایتون را شروع کنید و هیچ ایده ای برای شروع ندارید!
  • پایتون را به صورت اصولی، از پایه و تنها یک بار بیاموزید!
  • آشنایی خود با پایتون را تقویت کنید!

این دوره برای شما مناسب است.


تعداد اپلیکیشن هایی که با پایتون توسعه داده شده اند بسیار بیشتر از تصور ماست. زبان پایتون نسبت به زبان های مرسوم دیگه روند یادگیری ساده تری دارد و خواندن و نوشتن کد ها به زبان پایتون نسبتا ساده است. حالا شما میتوانید یادگیری را به سرعت و موثر با کمک این آموزش تعاملی آغاز کنید.

کارگاه یادگیری پایتون در ۱۳ فصل با ۱۷۰ مثال و ۲۷ تمرین به شما نشان میدهد که چگونه به درستی از زبان پایتون استفاده کنید و برنامه های ساده بنویسید، از ساختارهای موجود در پایتون استفاده کنید تا داده ها را ایجاد، ذخیره و بازیابی کنید، فایل ها را مدیریت کنید، خطاها را بررسی و رفع کنید و از کلاس ها و متد ها استفاده کنید تا کدهای دقیق، قابل استفاده مجدد و کارا بنویسید.

با پیشرفت در دوره، شما میتوانید از کتابخانه های استاندارد استفاده کنید، کد خود را خطایابی کنید و مشکلات را به صورت اصولی رفع کنید و تست هایی بنویسید که رفتار برنامه را ارزیابی کنند.

در کنار موارد گفته شده، شما کارکردن با کتابخانه های pandas و Numpy را به منظور تحلیل داده، کتابخانه های Matplotlib و Seaborn را به منظور بصری سازی داده ها، کار تیمی، مدیریت کد در پایتون، هسته های مختلف پایتون، کنترل نسخه و مباحث ابتدایی یادگیری ماشین را می آموزید.

در انتهای دوره با مباحث ساختار داده آشنا خواهید شد و بخش آخر هم به حل تمرین های دوره اختصاص دارد.

پس از گذراندن این دوره قادر خواهید بود تا برنامه هایی که به زبان پایتون نوشته شده اند را بخوانید و درک کنید و از دانش پایه ای خود برای ورود به دنیای توسعه ی Back-end، هوش مصنوعی(تحلیل داده و یادگیری ماشین) و توسعه ی نرم افزار استفاده کنید. با دانشی که در این دوره کسب می کنید دیگر نیازی به هیچ دوره ی پایتون دیگری نخواهد داشت و دوره به طور کامل با تغییرات مهم پایتون بروز می شود.

در این دوره به ترتیب با پایتون های 3.11 (conda)، 3.12(نسخه ی فعلی استیبل پایتون CPython) و 3.10(pypy) کار خواهید کرد؛ ضمنا کدهای پایتون را به زبان C (یعنی Cython)نیز کامپایل می کنیم.


زمان تقریبی مطالعه و یادگیری دوره:

محتوای ویدیویی: ۱۵ ساعت

زمان پیشنهادی برای یادگیری : ۱ ماه

سطح بندی و سرفصل ها

پایتون مقدماتی(صفر تا متوسط)

فصل های 1 تا 5

بعد از گذراندن این 5 فصل می توانید وارد حوزه های مختلف برنامه نویسی با استفاده از زبان پایتون شوید و برای شروع و یادگیری خود در این زمینه ها نیازی به فصل های 6 تا 9 ندارید.

زمینه های

پایتون حرفه ای(تکنیک های پیشرفته و ابزار تخصصی)

فصل های 6 تا 9 و 11

این فصل ها شامل موارد بسیار کاربردی و متفاوت پایتون هستند و با آشنایی و درک آنها به برنامه نویس Python بهتری تبدیل می شوید. به نظر ما در کدینگ کاگز این بخش از دوره به اندازه ی بخش اول (فصل های 1 تا 5) ضروری است و بهتر است کنار شروع حوزه ی تخصصی خود، از بررسی فصل های 6 تا 9 و 11 غافل نشوید!

همچنین دانش ضروری برای کار تیمی نیز در این فصل ها مطرح شده اند و به آینده ی بهتر شغلی شما کمک می کنند.

پایتون برای مصاحبه

فصل 10

سوالات مصاحبه معمولا به 3 دسته تقسیم می شوند:

  1. سوالات فنی: برای پاسخ دادن به این سوالات نیاز به دانش زبانی (فصل های قبلی) دارید.
  2. سوالات الگوریتمی و ساختار داده: برای پاسخ دادن به این سوالات نیاز به آشنایی با ساختارهای داده ی پایتون(فصل 2)، ساختار های داده ی پیشرفته (بخش اول فصل 10)، الگوریتم های مقدماتی (فصل 3)و الگوریتم های پیشرفته(بخش دوم فصل 10) دارید.
  3. حل مسئله: تمرین ها و مثال های این دوره با هدف ایجاد توانایی حل مسئله در شما تدوین شده اند. اگر در حل مسئله ضعف دارید به هیچ عنوان این بخش ها را از دست ندهید!

مقدمات هوش مصنوعی

فصل های 12 تا 14

در این بخش از دوره به دنیای تحلیل داده(data analytics)، علم داده(data science)، یادگیری ماشین(machine learning)، یادگیری عمیق (deep learning)و هوش مصنوعی(artificial intelligence) وارد می شویم. اگر به این حوزه ها علاقه ندارید هیچ لزومی ندارد که به یادگیری این فصل ها بپردازید.

فصل های دوره

  • 1- درباره ی سر فصل ها
  • 2- قراردادها و کلمات تخصصی
  • 3- دسترسی به پشتیبانی
  • 4- قبل از شروع
  • 1- معرفی
  • 2- پایتون ضروری
  • 3- اعداد: عملیات، نوع پارامتر ها و متغیر ها
  • 4- شروع کار با نوت بوک ژوپیتر
  • 5- پایتون به جای ماشین حساب
  • 6- عملیات ریاضی استاندارد
  • 7- عملیات ریاضی پایه ای
  • 8- ترتیب انجام عملیات ریاضی
  • 9- مثال 1: ریاضیات خود را بشناسیم
  • 10- اسپیس در پایتون
  • 11- انواع عدد: Integers & Floats
  • 12- مثال 2: انواع intو float
  • 13- اعداد مختلط
  • 14- خطاها در پایتون
  • 15- متغیر ها
  • 16- مقدار دهی به متغیر
  • 17- مثال 3: مقدار دهی به متغیر ها
  • 18- تغییر نوع متغیر
  • 19- مقداردهی مجدد متغیر ها با استفاده از خود متغیر
  • 20- تمرین 1: مقدار دهی به متغیر ها
  • 21- نامگذاری متغیر ها
  • 22- مثال 4: نامگذاری متغیر ها
  • 23- چند متغیر داشتن
  • 24- مثال 5: چند متغیر در پایتون
  • 25- کامنت ها
  • 26- مثال 6: کامنت ها در پایتون
  • 27- داک استرینگ ها
  • 28- تمرین 2: پیدا کردن فاصله ی فیثاغورثی بین 3 نقطه
  • 29- رشته ها: Concatenation, Methods, and input()
  • 30- ساختار رشته
  • 31- مثال 7: خطا در رشته ها
  • 32- فرار از مشکلات قرار دادن <'> در رشته
  • 33- رشته های چند خطی
  • 34- تابع print()
  • 35- مثال 8: نمایش رشته ها
  • 36- عملیات بر روی رشته ها
  • 37- مثال 9: Concatenation در رشته ها
  • 38- درونیابی رشته ها
  • 39- جدا کردن با کاما <,>
  • 40- فرمت
  • 41- تابع len()
  • 42- متد های رشته
  • 43- مثال 10:متد های رشته
  • 44- Casting
  • 45- مثال 11: Types and Casting
  • 46- تابع input()
  • 47- مثال 12: تابع input()
  • 48- تمرین 3: از تابع input استفاده کنید تا به روز خود امتیاز دهید
  • 49- String Indexing and Slicing
  • 50- Indexing
  • 51- Slicing
  • 52- رشته ها و متد هایشان
  • 53- Booleans and Coditionals
  • 54- Booleans
  • 55- مثال 13: متغیر های بولین
  • 56- عملگرهای منطقی
  • 57- عملگرهای مقایسه ای
  • 58- مثال 14: عملگرهای مقایسه ای
  • 59- مقایسه ی رشته ها
  • 60- مثال 15: مقایسه رشته ها
  • 61- Conditionals
  • 62- ساختار if
  • 63- Indentation
  • 64- مثال 16: استفاده از if
  • 65- if else
  • 66- مثال 17: استفاده از if-else
  • 67- elif
  • 68- حلقه ها
  • 69- حلقه های while
  • 70- حلقه ی بی نهایت
  • 71- break
  • 72- تمرین 4: پیدا کردن کوچکترین مضرب مشترک (ک.م.م)
  • 73- برنامه ها
  • 74- مثال 18: محاسبه مربع کامل
  • 75- مثال 19: پیشنهاد خرید ملک
  • 76- حلقه for
  • 77- مثال 20: استفاده از حلقه for
  • 78- کلمه کلیدی continue
  • 79- تمرین 5: ساخت بات گفتگو با آموخته های این فصل
  • 80- خلاصه ی این فصل
  • 1- معرفی
  • 2- لیست های قدرتمند
  • 3- مثال 21: کار با لیست های پایتون
  • 4- ماتریس ها به عنوان Nested List
  • 5- مثال 22: استفاده از Nested List برای ذخیره ی داده از یک ماتریس
  • 6- تمرین 6: استفاده از Nested List برای ذخیره ی داده های کارمندان
  • 7- عملیات ماتریسی
  • 8- مثال 23: عملیات ماتریسی (جمع و منها)
  • 9- عملیات ضرب ماتریسی
  • 10- مثال 24: پیاده سازی عملیات ماتریسی (ضرب)
  • 11- متدهای لیست
  • 12- مثال 25: عملیات ساده لیست ها
  • 13- دسترسی به المان های یک لیست
  • 14- مثال 26: دسترسی به داده های یک لیست خرید
  • 15- اضافه کردن المان به لیست
  • 16- مثال 27: اضافه کردن المان ها به لیست خرید
  • 17- دیکشنری: کلید ها و مقادیر
  • 18- مثال 28: استفاده از دیکشنری برای ذخیره ی داده های فیلم پدر خوانده
  • 19- تمرین 7: ترکیب آموخته های لیست و دیکشنری
  • 20- استفاده از zip()
  • 21- مثال 29: استفاده از zip() برای دستکاری دیکشنری ها
  • 22- متدهای دیکشنری
  • 23- مثال 30: دسترسی به داده های دیکشنری با استفاده از متدهای دیکشنری
  • 24- تاپل ها (Tuples)
  • 25- مثال 31: بیاید با تاپل ها کار کنیم!
  • 26- آشنایی با Set ها
  • 27- مثال 32: استفاده از Set ها در پایتون
  • 28- عملیات بر روی Set ها
  • 29- مثال 33: استفاده از عملیات Set ها
  • 30- انتخاب ساختار مناسب
  • 31- خلاصه ی این فصل
  • 1- معرفی
  • 2- اسکریپت ها و ماژول های پایتون
  • 3- مثال 34: نوشتن و اجرای اولین اسکریپت
  • 4- مثال 35: نوشتن و import کردن اولین ماژول
  • 5- اجرای ساده ی کد در Ubuntu
  • 6- بازهم داک استرینگ!
  • 7- مثال 36: اضافه کردن داک استرینگ به ماژول
  • 8- import
  • 9- مثال 37: دریافت تاریخ سیستم
  • 10- if __name__ == "__main__"
  • 11- تمرین 8: ساعت چنده؟
  • 12- الگوریتم های پایتون
  • 13- مثال 38: بزرگترین عدد
  • 14- پیچیدگی زمانی
  • 15- پیچیدگی زمانی برای الگوریتم بزرگترین عدد
  • 16- الگوریتم های مرتب سازی
  • 17- مثال 39: مرتب سازی حبابی
  • 18- الگوریتم های جستجو
  • 19- مثال 40: جستجوی خطی
  • 20- مثال 41: جستجوی باینری
  • 21- توابع ابتدایی
  • 22- مثال 42: تعریف و فراخوانی تابع در Shell
  • 23- مثال 43: تعریف و فراخوانی تابع در اسکریپت پایتون
  • 24- مثال 44: وارد کردن و فراخوانی تابع از طریق Shell
  • 25- آرگومان های موقعیتی
  • 26- Keyword Arguments
  • 27- مثال 45: تعریف تابع با Keyword Arguments
  • 28- مثال 46: تعریف تابع با Positional and Keyword Arguments
  • 29- مثال 47: استفاده از **kwargs
  • 30- تمرین 9: فرمت توابع
  • 31- توابع تکرار شونده
  • 32- تمرین 48: یک تابع ساده با حلقه for
  • 33- خروج زودهنگام از توابع
  • 34- مثال 49: خروج از تابع در زمان عملکرد حلقه ی for
  • 35- تمرین 10: تابع فیبوناچی با تکرار
  • 36- توابع بازگشتی
  • 37- پایان توابع بازگشتی
  • 38- مثال 50: شمارش معکوس بازگشتی
  • 39- مثال 51: فاکتوریل <!> با استفاده از تکرار و بازگشت
  • 40- تمرین 11: تابع فیبوناچی با بازگشت
  • 41- برنامه نویسی دینامیک
  • 42- مثال 52: جمع اعداد صحیح
  • 43- زمان بندی کد
  • 44- مثال 53: زمان بندی کد
  • 45- تمرین 12: تابع فیبوناچی با برنامه نویسی دینامیک
  • 46- توابع کمک کننده
  • 47- خودتان را تکرار نکنید(DRY)
  • 48- مثال 54: تابع کمک کننده ی تبدیل واحد پولی
  • 49- Variable Scope
  • 50- متغیرها (Variables)
  • 51- تعریف درون تابع در مقابل بیرون تابع
  • 52- Global Keyword
  • 53- Nonlocal Keyword
  • 54- توابع Lambda
  • 55- مثال 55: اولین آیتم لیست
  • 56- Mapping با Lambda
  • 57- مثال 56: Mapping با Logistic Transform
  • 58- فیلتر کردن با توابع Lambda
  • 59- مثال 57: استفاده از فیلتر Lambda
  • 60- مرتب سازی با توابع Lambda
  • 61- خلاصه ی این فصل
  • 1- معرفی
  • 2- خواندن فایل ها
  • 3- مثال 58: خواندن یک فایل متنی با استفاده از پایتون
  • 4- مثال 59: خواندن بخشی از یک فایل متنی
  • 5- نوشتن فایل ها
  • 6- مثال 60: ایجاد و نوشتن محتوا روی فایل ها برای ذخیره ی تاریخ و زمان در یک فایل متنی
  • 7- آماده شدن برای دیباگ (کد دفاعی)
  • 8- نوشتن Assertion ها
  • 9- مثال 61: کار با پارامترهای نادرست برای بررسی عملکرد Assert
  • 10- تکنیک های رسم نمودار
  • 11- مثال 62: رسم نمودار پرکندگی برای بررسی داده ها
  • 12- مثال 63: رسم نمودار خطی برای بررسی رشد قیمت سهام
  • 13- مثال 64: رسم نمودار میله ای برای نمایش نمره ی دانش آموزان
  • 14- مثال 65: رسم نمودار دایره ای برای بصری سازی تعداد رای ها
  • 15- مثال 66: رسم نقشه حرارتی (heatmap) برای بصری سازی نمره ی دانش آموزان
  • 16- مثال 67: رسم نمودار چگالی برای بصری سازی نمره دانش آموزان
  • 17- مثال 68: نمودار کانتور (contour)
  • 18- گسترش گراف ها
  • 19- مثال 69: رسم نمودار سه بعدی موج سینوسی
  • 20- نباید های رسم نمودار
  • 21- دستکاری محور های مختصات
  • 22- گلچین کردن داده ها
  • 23- گراف اشتباه و بستر اشتباه
  • 24- تمرین 13: بصری سازی دیتاست تایتانیک با نمودار دایره ای و ستونی
  • 25- خلاصه ی این فصل
  • 1- معرفی
  • 2- کلاس ها و آبجکت ها
  • 3- مثال 70: بررسی استرینگ ها به عنوان String Object
  • 4- تعریف کردن کلاس ها
  • 5- مثال 71: ایجاد یک کلاس
  • 6- متد __init__
  • 7- مثال 72: ایجاد یک کلاس دارای ویژگی
  • 8- Keyword Arguments (آرگیومنت های کلیدواژه ای)
  • 9- مثال 73: ایجاد یک کلاس با Keyword Arguments
  • 10- متدها
  • 11- متد های نمونه (Instance Methods)
  • 12- مثال 74: اضافه کردن متد های instance به کلاس
  • 13- اضافه کردن آرگیومنت به متد های instance
  • 14- مثال 76: محاسبه اندازه یک کشور
  • 15- متد __str__
  • 16- مثال 76: اضافه کردن متد __str__ به کلاس
  • 17- متد های استاتیک
  • 18- مثال 77: ریفکتور (اصلاح) کردن متد های instance با یک متد استاتیک
  • 19- Class Method ها
  • 20- مثال 78: گسترش کلاس با استفاده از Class Method ها
  • 21- ویژگی (property) های کلاس ها
  • 22- دکوراتور property
  • 23- مثال 79: استفاده از دکوراتور property
  • 24- Setter Method
  • 25- مثال 80: نوشتن یک متد setter
  • 26- ارزیابی با Setter Method
  • 27- وراثت (Inheritance)
  • 28- برگردیم سراغ DRY
  • 29- وراثت منفرد (Single Inheritance)
  • 30- مثال 81: ایجاد ساب کلاس از کلاس Person
  • 31- ایجاد ساب کلاس از کلاس های پکیج های پایتون
  • 32- مثال 82: ایجاد ساب کلاس از کلاس datetime.date
  • 33- جایگزین کردن متد های کلاس های اصلی
  • 34- فراخوانی متد کلاس اصلی با ()super
  • 35- مثال 83: بازنویسی / جایگزینی متد ها با ()super
  • 36- وراثت چندگانه (Multiple Inheritance)
  • 37- مثال 84: ساخت سیستم قرار ملاقات با وراثت چندگانه
  • 38- ترتیب قرارگیری و تشخیص متد ها
  • 39- تمرین 14: ایجاد چندین کلاس و وراثت از کلاس اصلی
  • 40- خلاصه ی این فصل
  • 1- معرفی
  • 2- اهمیت کتابخانه ای استاندارد
  • 3- ماژول های سطح بالا
  • 4- ماژول های سطح پایین
  • 5- استفاده ی درست از کتابخانه های استاندارد
  • 6- مثال 85: استفاده از ماژول dataclasses
  • 7- مثال 86: گسترش echo.py که در بخشهای قبل ایجاد کردیم
  • 8- تاریخ و زمان
  • 9- مثال 87: مقایسه datetime در تایم زون های مختلف
  • 10- مثال 88: محاسبه اختلاف زمانی بین 2 آبجکت datetime
  • 11- مثال 89: محاسبه Unix Epoch Time
  • 12- تمرین 15: محاسبه زمان اجرای یک حلقه
  • 13- تعامل با سیستم عامل
  • 14- اطلاعات سیستم عامل
  • 15- مثال 90: بررسی اطلاعات پردازش فعلی
  • 16- pathlib
  • 17- مثال 91: استفاده از glob Pattern
  • 18- پیدا کردن فایل های نهان دایرکتوری
  • 19- ماژول subprocess
  • 20- مثال 92: شخصی سازی پروسس با متغیر های محیطی
  • 21- تمرین 16: ارزیابی کد پایتون
  • 22- Logging
  • 23- لاگ گرفتن
  • 24- آبجکت Logger
  • 25- مثال 93: استفاده از آبجکت Logger
  • 26- باید و نباید های لاگ گرفتن
  • 27- تنظیم Logging Stack
  • 28- مثال 94: تنظیم Logging Stack
  • 29- Collections
  • 30- Counters
  • 31- مثال 95: شمارش کلمات در یک Text document
  • 32- defaultdict
  • 33- مثال 96: اصلاح و ریفکتور کد با defaultdict
  • 34- ChainMap
  • 35- Functools
  • 36- Caching with functools.lru_cache
  • 37- مثال 97: استفاده از Iru_cache برای افزایش سرعت کد
  • 38- Partial
  • 39- مثال 98: ایجاد یک تابع پرینت که روی stderr مینویسد
  • 40- تمرین 17: استفاده از partial روی متدهای کلاس
  • 41- خلاصه ی این فصل
  • 1- معرفی
  • 2- استفاده از List Comprehension ها
  • 3- مثال 99: معرفی List Comprehension
  • 4- مثال 100: استفاده از چندین لیست برای ورودی list comprehension
  • 5- تمرین 18: ساخت یک تورنومنت شطرنج
  • 6- Comprehension های دیکشنری ها و ست ها
  • 7- مثال 101: استفاده از Set Comprehension ها
  • 8- مثال 102: استفاده از Dictionary Comprehension ها
  • 9- تمرین 19: ساخت سیستم امتیاز دهی با Dictionary Comprehension و چند لیست
  • 10- دیتاتایپ collections.defaultdic
  • 11- مثال 103: بکارگیری Default Dict
  • 12- Iterator ها
  • 13- مثال 104: ساده ترین Iterator ممکن
  • 14- مثال 105: Iterator سفارشی
  • 15- مثال 106: کنترل Iteration
  • 16- Itertools
  • 17- مثال 107: استفاده از sequence های بینهایت با فانکشن takewhile
  • 18- مثال 108: تبدیل sequence محدود به بینهایت و برعکس
  • 19- Generator ها
  • 20- مثال 109: تولید یک غربالگر
  • 21- تمرین 20: استفاده از اعداد تصادفی برای پیدا کردن مقدار عدد π
  • 22- Regular Expressions
  • 23- مثال 110: تشخیص الگوی متن با Regular Expressions
  • 24- مثال 111: استفاده از Regular Expressions برای جایگزینی متن
  • 25- تمرین 21: Regular Expressions
  • 26- خلاصه ی این فصل
  • 1- مقدمه
  • 2- دیباگ کردن
  • 3- مثال 112: دیباگ کردن ماشین حساب حقوق با pdb
  • 4- تمرین 22: دیباگ کردن کد پایتون
  • 5- Automated Testing
  • 6- دسته بندی تست ها
  • 7- پوشش دهی تست ها(Test Coverage)
  • 8- نوشتن تست ها در پایتون با Unit Testing
  • 9- مثال 113: بررسی کد با Unit Testing
  • 10- تست با pytest
  • 11- ایجاد یک پکیج PIP
  • 12- مثال 114: ساخت و توزیع یک Package که دارای چند فایل است
  • 13- اضافه کردن اطلاعات بیشتر به پکیج توسعه یافته
  • 14- داکیومنتیشن از راه ساده
  • 15- Docstrings
  • 16- استفاده از Sphinx
  • 17- مثال 115: Sphinx
  • 18- Documentation پیچیده
  • 19- Source Management
  • 20- Repository
  • 21- Commit
  • 22- Staging
  • 23- Undoing Local Changes
  • 24- History
  • 25- Ignoring Files
  • 26- مثال 116: ایجاد تغییر در CPython با استفاده از git
  • 27- خلاصه ی این فصل
  • 1- معرفی
  • 2- توسعه گروهی
  • 3- مثال 117: مدیریت کد پایتون روی گیتهاب برای تیم
  • 4- مدیریت وابستگی
  • 5- Virtual Environments
  • 6- مثال 118: ساخت وتنظیم محیط مجازی conda
  • 7- ذخیره سازی و اشتراک محیط مجازی
  • 8- مثال 119: به اشتراک گذاری محیط های مجازی conda
  • 9- Deploying Code into Production and pipenv
  • 10- مثال 120: داکرایز کردن پروژه ی پایتون
  • 11- Multiprocessing
  • 12- execnet
  • 13- مثال 121: کار کردن با execnet
  • 14- Multiprocessing with the Multiprocessing Package
  • 15- مثال 122: استفاده از پکیج Multiprocessing
  • 16- Multiprocessing with the Threading Package
  • 17- مثال 123: استفاده از پکیج Threading
  • 18- استفاده از فرامین Command-Line در اسکریپت
  • 19- مثال 124: معرفی argparse برای دریافت ورودی از کاربر
  • 20- Positional Arguments
  • 21- مثال 125: استفاده از Positional Arguments برای دریافت مبدا و مقصد ورودی ها از کاربر
  • 22- Performance and Profiling
  • 23- تغییر هسته ی پایتون
  • 24- PyPy
  • 25- مثال 126: استفاده از pypy
  • 26- Cython
  • 27- مثال 127: بکارگیری Cython
  • 28- Profiling
  • 29- Profiling with cProfile
  • 30- تمرین 23: استفاده از آموخته های این فصل
  • 31- خلاصه ی این فصل
  • 1- معرفی
  • 2- Big O
  • 3- Classes & Pointers
  • 4- Linked Lists
  • 5- Doubly Linked Lists
  • 6- Stacks & Queues
  • 7- Trees
  • 8- Hash Tables
  • 9- Graphs
  • 10- Recursion
  • 11- Basic Sorts
  • 12- Merge Sort
  • 13- Quick Sort
  • 14- Tree Traversal
  • 15- سخن پایانی
  • 1- معرفی فصل
  • 2- Python Enhancement Proposals(PEP)
  • 3- Python 3.7
  • 4- Python 3.8
  • 5- Python 3.9
  • 6- Python 3.10
  • 7- Python 3.11
  • 8- Python 3.12
  • 9- Python 3.13
  • 1- معرفی فصل
  • 2- Numpy چیست؟
  • 3- مثال 128: تبدیل لیست به آرایه ی Numpy
  • 4- مثال 129: محاسبه ی Mean
  • 5- مثال 130: محاسبه ی Median
  • 6- داده های پخش و پلا
  • 7- انحراف معیار
  • 8- مثال 131: محاسبه ی انحراف معیار
  • 9- ماتریس ها
  • 10- مثال 132: ماتریس ها
  • 11- زمان انجام محاسبات ماتریسی بزرگ
  • 12- مثال 133: آرایه، Numpy و محاسبات
  • 13- کتابخانه ی pandas
  • 14- مثال 134: DataFrames
  • 15- مثال 135: محاسبات DataFrame
  • 16- مثال 136: DataFrames در DataFrames
  • 17- مثال 137: ترکیب Numpy و pandas
  • 18- Cast Column Types
  • 19- Data
  • 20- دانلود Data
  • 21- دانلود DataSet
  • 22- خواندن Data
  • 23- مثال 138: خواندن و بررسی داده ها
  • 24- مثال 139: دریافت اطلاعات از داده ها
  • 25- Null Values
  • 26- مثال 140: بررسی Null Value ها در دیتاست
  • 27- جاگذاری Null Value ها
  • 28- تحلیل بصری
  • 29- matplotlib
  • 30- Histograms
  • 31- مثال 141: ایجاد Histogram
  • 32- توابع Histogram
  • 33- Scatter Plots
  • 34- مثال 142: رسم Scatter Plot
  • 35- Correlation
  • 36- مثال 143: مقادیر Correlation
  • 37- Regression
  • 38- رسم نمودار Regression
  • 39- StatsModel Regression Output
  • 40- مدل های دیگر
  • 41- مثال 144: Box Plots
  • 42- Violin Plots
  • 43- تمرین 24: هرچیزی که در این فصل یاد گرفتیم در یک تمرین
  • 44- خلاصه ی این فصل
  • 1- معرفی فصل
  • 2- آشنایی با رگرسیون خطی
  • 3- ساده سازی مسئله
  • 4- از یک بعد به چند بعد
  • 5- الگوریتم رگرسیون خطی
  • 6- مثال 145: پیشبینی با رگرسیون خطی
  • 7- تابع رگرسیون خطی
  • 8- Cross-Validation
  • 9- مثال 146: تابع cross_val_score
  • 10- Regularization: Ridge و Lasso
  • 11- K-Nearest Neighbors, Decision Trees, and Random Forests
  • 12- K-Nearest Neighbors
  • 13- مثال 147: استفاده از KNN
  • 14- مثال 148: KNN با GridSearchCV
  • 15- Decision Trees and Random Forests
  • 16- مثال 149: Decision Trees and Random Forests
  • 17- Random Forest Hyperparameters
  • 18- مثال 150: تنظیم Random Forest برای پیش بینی
  • 19- Classification Models
  • 20- مثال 151: آماده سازی دیتاست
  • 21- Logistic Regression
  • 22- مثال 152: Logistic Regression برای پیشبینی
  • 23- دیگر Classifier ها
  • 24- Naive Bayes
  • 25- مثال 153: استفاده از GaussianNB, KneighborsClassifier, DecisionTreeClassifier و RandomForestClassifi
  • 26- Confusion Matrix
  • 27- مثال 154: محاسبه ی Pulsar Percentage از دیتاست
  • 28- مثال 155: Confusion Matrix و گزارش Classification
  • 29- روش های Boosting
  • 30- مثال 156: استفاده از AdaBoost
  • 31- تمرین 25: استفاده از یادگیری ماشین برای بررسی نرخ بازگشت مشتری
  • 32- خلاصه ی این فصل
  • 1- مقدمه
  • 2- Colab notebooks
  • 3- محیط مجازی conda و Jupyter Notebook
  • 4- آشنایی با deep learning
  • 5- اولین مدل deep learning
  • 6- کتابخانه های مقدماتی deep learning
  • 7- مثال 157: آماده سازی دیتاست
  • 8- مثال 158: sequential deep learning
  • 9- تنظیم مدل ها در Keras
  • 10- Hidden layers
  • 11- مثال 159: modifying densely connected layers to improve the score
  • 12- epochs
  • 13- مثال 160: modifying the number of epochs to improve the score
  • 14- Early Stopping
  • 15- مثال 161: optimizing the number of epochs with Early Stopping
  • 16- Dropout
  • 17- مثال 162: Dropout in neural networks
  • 18- classification
  • 19- مثال 163: classification
  • 20- تمرین 26: تشخیص بیماری قلبی
  • 21- Convolutional neural networks(CNN)
  • 22- MNIST dataset
  • 23- مثال 164: استفاده از MNIST
  • 24- CNN kernel
  • 25- مثال 165: تشخیص دست خط
  • 26- تمرین 27: classifying MNIST Fashion images
  • 27- خلاصه ی این فصل