مقدمه
زبان پایتون یکی از محبوب ترین و پر استفاده ترین زبان های برنامه نویسی می باشد که یادگیری آن به تمام افراد در حوزه های مختلف توصیه می شود. با یادگیری زبان پایتون می توانید در زمینه های مختلفی مانند هوش مصنوعی، یادگیری ماشین، طراحی وب سایت، اپلیکیشن های موبایل، بازی سازی و … فعالیت کنید. جهت ورود به هر حوزه ای ابتدا باید زبان پایتون را خیلی خوب یاد گرفت و در کنار آن تمرین های زیادی را نیز حل کرد تا به تسلط کافی در پایتون رسید. در این دوره علاوه بر حل مثال های بسیار زیاد در زبان پایتون، حوزه علوم داده را نیز مورد بررسی قرار داده ایم و شما می توانید با الگوریتم های این حوزه نیز آشنا شوید. در انتها نیز منابع، مراجع و ابزارهای مفیدی به شما معرفی می شوند تا دانش خود را ارتقاء دهید.
در دوره آموزش جامع زبان پایتون و یادگیری ماشین، مباحث زیادی مورد بررسی قرار گرفته است مانند: آموزش پایه تا پیشرفته زبان پایتون، حل بیش از 70 تمرین و مسئله متنوع جهت تقویت برنامه نویسی و حل مسئله، بیش از 40 تمرین چالشی جهت به چالش کشیدن توانایی های فرد، طراحی ربات های خزنده و استخراج داده ها از وب، کار با کتابخانه Numpy و Pandas جهت فهم و درک بهتر داده ها، بخش یادگیری ماشین و یادگیری عمیق که در آن مسائل مختلفی تحلیل شده اند و در نهایت نیز معرفی مراجع، وب سایت ها و ابزارهای مفیدی که با استفاده از آن ها می توان به بالاترین سطح از دانش برنامه نویسی رسید. یکی از تفاوت های بسیار مهم این دوره با دوره های مشابه آن است که در این دوره تمرین های برنامه نویسی بسیار زیادی حل شده است و همین باعث تقویت برنامه نویسی و مهارت حل مسئله در افراد می شود. سرفصل های دقیق دوره آموزش جامع زبان پایتون و یادگیری ماشین به شرح زیر است :
فصل اول: آشنایی با پایتون و مفهوم برنامه نویسی
در این فصل با زبان پایتون آشنا و مفهوم برنامه نویسی را درک خواهیم کرد و همچنین نقشه راه تبدیل شدن به یک فرد متخصص و نقشه راه یادگیری زبان پایتون را نیز بررسی خواهیم کرد. سپس در ادامه پایتون را نصب و با محیط های مختلف برنامه نویسی در آن آشنا خواهیم شد.
- جلسه اول : تفکر برنامه نویسی و حل مسئله
- جلسه دوم : مسیر یادگیری پایتون و ابزارهای مورد نیاز
فصل دوم : آموزش پایتون و حل مسائل مختلف
جلسه اول : عملگرها، رشته ها و ریاضیات
جلسه دوم : حل مسائل عملگرها، رشته ها و ریاضیات
- تمرین اول : پیاده سازی گیت های منطقی.
- تمرین دوم : طراحی یک مدار منطقی.
- تمرین سوم : حل یک معادله ریاضی.
- تمرین چهارم : محاسبه مساحت مثلث.
- تمرین پنجم : انتقال یک عدد از بازه ای به بازه دیگر.
- تمرین ششم : حل معادله طرفین وسطین.
- تمرین هفتم : تشخیص نوع شماره همراه.
- تمرین هشتم : چک کردن شماره همراه، نام فرد، مشخصات و … در متن.
- تمرین نهم : جدا سازی کلمات و جملات در یک متن.
- تمرین چالشی اول : بررسی توابع موجود در کتابخانه math و string.
- تمرین چالشی دوم : طراحی مدار منطقی.
- تمرین چالشی سوم : حل معادله ریاضی.
- تمرین چالشی چهارم : بررسی ویژگی های دلخواه در یک متن.
جلسه سوم : دستورات شرطی، تصمیم گیری و حلقه ها
جلسه چهارم : حل مسائل دستورات شرطی، تصمیم گیری و حلقه ها
- تمرین اول : محاسبه سری فیبوناچی.
- تمرین دوم : تشخیص عدد اول.
- تمرین سوم : فرمول ترکیب در ریاضیات.
- تمرین چهارم : حل معادله ریاضی.
- تمرین پنجم : استخراج هوشمند تمامی شماره موبایل های درون یک متن.
- تمرین ششم : بازی حدس عدد.
- تمرین هفتم : بازی سنگ کاغذ قیچی.
- تمرین هشتم : بازی گل یا پوچ.
- تمرین نهم : تشخیص گروه خونی افرادی که می توانند به هم خون اهدا کنند.
- تمرین دهم : بازی مار پله.
- تمرین یازدهم : تشخیص بیماری.
- تمرین چالشی اول : بررسی توابع موجود در کتابخانه random.
- تمرین چالشی دوم : مدل سازی یک بیماری در قالب درخت و لحاظ کردن شرایط.
- تمرین چالشی سوم : تشخیص معکوس بودن دو متن با همدیگر.
- تمرین چالشی چهارم : توسعه بازی سنگ کاغذ قیچی.
- تمرین چالشی پنجم : توسعه بازی مار پله.
جلسه پنجم : مجموعه ها (set)
جلسه ششم : حل مسائل مجموعه ها (set)
- تمرین اول : شمارش تعداد کاراکترهای یکتا.
- تمرین دوم : شمارش تعداد کلمات یکتا.
- تمرین سوم : برنامه شبیه سازی رأی گیری.
- تمرین چهارم : استخراج اطلاعات دلخواه از متن.
- تمرین پنجم : استخراج موجودیت های نامدار از متن.
- تمرین ششم : تشخیص شباهت بین دو متن.
- تمرین هفتم : دسته بندی کلمات یکتا با توجه به تعداد کاراکترها.
- تمرین چالشی اول : استفاده از تابع help جهت آشنایی با کتابخانه ها.
- تمرین چالشی دوم : تولید اعداد تصادفی بدون تکرار.
- تمرین چالشی سوم : توسعه برنامه تشخیص شباهت بین دو متن.
- تمرین چالشی چهارم : رمزگذاری و رمزگشایی اطلاعات.
جلسه هفتم : لیست ها (list)
جلسه هشتم : حل مسائل لیست ها (list)
- تمرین اول : کنترل ورود و خروج کارمندان.
- تمرین دوم : برنامه قرعه کشی.
- تمرین سوم : شمارش تعداد کمترین و بیش ترین نمرات درسی.
- تمرین چهارم : بازی دوز.
- تمرین پنجم : دستیار متنی ساده.
- تمرین ششم : دسته بندی داده ها در لیست های بدون ساختار.
- تمرین هفتم : پیشبینی محل قبولی دانشگاه بر اساس اطلاعات کارنامه.
- تمرین چالشی اول : بررسی کتابخانه datatime.
- تمرین چالشی دوم : توسعه برنامه پیشبینی محل قبولی دانشگاه بر اساس کارنامه.
- تمرین چالشی سوم : بازی موش و مانع.
جلسه نهم : تاپل ها (tuple)
جلسه دهم : دیکشنری ها (dictionary)
جلسه یازدهم : حل مسائل دیکشنری ها (dictionary)
- تمرین اول : ذخیره داده های درون دیکشنری در داده ساختارهای مختلف.
- تمرین دوم : جستجو متن درون یک دیکشنری.
- تمرین سوم : تشخیص بیماری کرونا از طریق سوال پرسیدن از فرد.
- تمرین چهارم : جستجو افراد، تخصص های مورد نظر و اطلاعات مهم.
- تمرین پنجم : رمز گذاری و رمز گشایی اطلاعات.
- تمرین ششم : رمز گذاری و رمز گشایی کلمات مهم درون متن.
- تمرین چالشی اول : بررسی متدهای دورن دیکشنری به کمک تابع help.
- تمرین چالشی دوم : تشخیص بیماری.
- تمرین چالشی سوم : توسعه برنامه جستجو افراد، تخصص های مورد نظر و اطلاعات مهم.
- تمرین چالشی چهارم : توسعه برنامه رمز گذاری و رمز گشایی اطلاعات.
جلسه دوازدهم : تابع (function)
جلسه سیزدهم : حل مسائل تابع (function)
- تمرین اول : استخراج شماره موبایل های درون متن با تابع.
- تمرین دوم : پیشبینی احتمال موفقیت افراد با داشتن ویژگی های مهم.
- تمرین سوم : تشخیص زبان متن.
- تمرین چهارم : استخراج اطلاعات افراد از متن با تابع.
- تمرین پنجم : تولید خودکار پسورد.
- تمرین ششم : بررسی درست بودن ایمیل.
- تمرین هفتم : حل یک معادله ریاضی.
- تمرین چالشی اول : توسعه برنامه تولید خودکار پسورد.
- تمرین چالشی دوم : محاسبه تعداد ماه، هفته، روز، ساعت، دقیقه و ثانیه عمر افراد.
- تمرین چالشی سوم : تبدیل برخی از مثال های جلسات قبل در قالب تابع.
جلسه چهاردهم : توابع داخلی پایتون
در زبان پایتون توابع داخلی زیادی وجود دارد که استفاده از آن ها باعث می شود تا سرعت برنامه نویسی افزایش یابد و همچنین بتوان برنامه ها را به صورت بهینه توسعه داد. در این جلسه به معرفی مهم ترین توابع داخلی در پایتون می پردازیم و از آن جهت حل برخی مسائل استفاده خواهیم کرد.
جلسه پانزدهم : خطاها و مدیریت آن ها
در حین برنامه نویسی حتما با خطاهای مختلفی مواجه خواهیم شد که درک بهتر این خطاها و رفع آن، یکی از مهم ترین مهارت هایی است که یک برنامه نویس باید آن را بیاموزد. در این جلسه با خطاهای مختلف و علت رخ دادن آن آشنا خواهیم شد و همچنین رویکردهایی را جهت مدیریت و کنترل آن اتخاذ خواهیم کرد.
جلسه شانزدهم : فایل ها
در این جلسه با فایل های مختلفی مانند فایل های متنی (txt)، فایل های word، فایل های PDF، فایل های JSON و … آشنا خواهیم شد و یاد خواهیم گرفت که چگونه این فایل ها را وارد محیط برنامه کنیم، اطلاعات آن ها را استخراج و در نهایت آن ها را در سیستم ذخیره کنیم. علاوه بر این روش های تبدیل این فرمت ها به یکدیگر را نیز بررسی خواهیم کرد.
- تمرین چالشی اول : تبدیل txt به word
- تمرین چالشی دوم : تبدیل word به txt
- تمرین چالشی سوم : تبدیل txt به PDF
- تمرین چالشی چهارم : تبدیل PDF به txt
- تمرین چالشی پنجم : ذخیره داده ها با پسوند PDF
- تمرین چالشی ششم : بررسی متدهای موجود در کتابخانه docx و PyPDF2
جلسه هفدهم : کتابخانه Numpy
کتابخانه Numpy جزو یکی از کتابخانه های پایه ای و مهم برای کار با ماتریس ها و عملیات مختلف ریاضی می باشد که البته در حوزه علوم داده و یادگیری ماشین نیز بسیار مورد استفاده قرار می گیرد. در این جلسه با توابع و بخش های مختلف آن آشنا خواهیم شد و تا حد بسیار خوبی به آن مسلط خواهیم شد.
جلسه هجدهم : کتابخانه Pandas
کتابخانه pandas یکی از مهم ترین کتابخانه های حوزه علوم داده و یادگیری ماشین است که به شدت مورد ستفاده قرار می گیرد. دیتاست های مختلف را می توان در داده ساختارهای pandas ذخیره کرد و روی آن ها پردازش های مختلف و تحلیل های پیشرفته ای انجام داد. در واقع دیتاست هایی که در حوزه علوم داده تحلیل و الگوریتم های یادگیری ماشین روی آن ها اعمال می شوند، بخش مهمی از آن به کمک کتابخانه pandas انجام می شود. در این جلسه تا حد بسیا خوبی با کتابخانه pandas آشنا خواهیم شد و توابع مختلف موجود در آن را نیز بررسی خواهیم کرد.
جلسه نوزدهم : استخراج اطلاعات از وب (Web Crawling)
- تمرین اول : استخراج بخشی از متن موجود در وب سایت کافی مافی.
- تمرین دوم : استخراج لیست محصولات موجود در وب سایت دیجی کالا.
- تمرین سوم : استحراج لیست کتاب های موجود دروب سایت پارس بوک.
- تمرین چهارم : استخراج کامنت های موجود در وب سایت طاقچه.
- تمرین چالشی اول : استخراج لیست تمام کتاب های موجود در وب سایت کتاب وب.
جلسه بیستم : کلاس ها و شی گرایی
جلسه بیست و یکم : ارث بری
فصل سوم : یادگیری ماشین و علوم داده
جلسه اول : مفهوم یادگیری ماشین و علوم داده
جلسه دوم : الگوریتم KNN
- تمرین اول : تشخیص اعداد یک رقمی و دو رقمی با KNN.
- تمرین دوم : بررسی وضعیت بدنی افراد با KNN.
- تمرین سوم : تشخیص بیماری دیابت با KNN.
- تمرین چهارم : تشخیص بیماری فیبروز کبدی با KNN.
- تمرین پنجم : تشخیص بیماری سکته با KNN.
- تمرین چالشی اول : طبقه بندی یک مسئله به دلخواه.
جلسه سوم : درخت تصمیم
- تمرین اول : تشخیص اعداد یک رقمی و دو رقمی با Decision Tree
- تمرین دوم : بررسی وضعیت بدنی افراد با Decision Tree
- تمرین سوم : پیش بینی انجام بازی با Decision Tree
- تمرین چهارم : تشخیص بیماری سرطان سینه با Decision Tree
- تمرین پنجم : تشخیص نوع گیاه با Decision Tree
- تمرین چالشی اول : تشخیص بیماری دیابت با درخت تصمیم.
- تمرین چالشی دوم : تشخیص بیماری فیبروز کبدی با درخت تصمیم.
- تمرین چالشی سوم : تشخیص بیماری سکته با درخت تصمیم.
جلسه چهارم : طبقه بند بیز
- تمرین اول : تشخیص اعداد یک رقمی و دو رقمی با naive bayes
- تمرین دوم : بررسی وضعیت بدنی افراد با naive bayes
- تمرین سوم : تشخیص بیماری سکته با naive bayes
- تمرین چهارم : پیشبینی حمله قلبی با naive bayes
- تمرین چالشی اول : تشخیص بیماری فیبروز کبدی با طبقه بند بیز.
- تمرین چالشی دوم : تشخیص بیماری سرطان سینه با طبقه بند بیز.
- تمرین چالشی سوم : حل مسئله به دلخواه.
جلسه پنجم : شبکه های عصبی و یادگیری عمیق
- تمرین اول : پیش بینی حمله قلبی مدل 1
- تمرین دوم : پیش بینی حمله قلبی مدل 2
- تمرین سوم : تشخیص مشتریان خوش حساب و بد حساب.
- تمرین چهارم : تشخیص حملات در شبکه مدل 1
- تمرین پنجم : تشخیص حملات در شبکه مدل 2
- تمرین چالشی اول : افزایش دقت مسائل حل شده.
- تمرین چالشی دوم : حل مسئله به دلخواه.
فصل چهارم : پایتون پلاس پلاس
بعد از گذراندن یک دوره آموزشی، همیشه برای افراد سوال پیش می آید که چگونه می توانند دانش خود را ارتقاء دهند و با انجام تمرین های مختلف مهارت خود را بالا ببرند؟ منابع، مراجع و ابزارهای استاندارد کدام هستند و چگونه می توانند به این منابع دسترسی داشته باشند؟ یا این که اصلا چگونه می توانند نمونه پروژه هایی که دیگران انجام داده اند را همراه با کد و توضیحات ببینند؟ در این فصل مراجع، منابع، ابزارها، کتاب های معروف و … در حوزه پایتون و بخش های مختلف آن معرفی خواهد شد. کتابخانه های مختلف را بررسی و یاد میگیریم که چگونه به مستندات و آموزش های رایگان این وب سایت ها دسترسی داشته باشیم. با بررسی نمونه پروژه های دیگران و توضیحات مربوط به آن یاد خواهیم گرفت که چگونه از طریق این پروژه ها دانش خود را ارتقاء دهیم و خود را با پروژه های واقعی محک بزنیم.
- جلسه اول : ارتقاء دانش
- جلسه دوم : ایده های خلاقانه و انتقال تجربه
پیش نیاز شرکت در دوره
جهت شرکت در دوره هیج پیش نیازی لازم نیست، تمامی مطالب از پایه آموزش داده شده اند.
شرکت کنندگان پس از سپری کردن دوره پیشنهادی به چه توانایی هایی دست پیدا می کنند؟
پس از گذراندن این دوره دانش شما در زمینه های زیر تقویت خواهد شد:
- زبان پایتون: در این دوره زبان پایتون از پایه توضیح داده می شود و هر فردی با هر سطح و رشته ای می تواند به راحتی این زبان را شروع و یاد بگیرد.
- قدرت حل مسئله: یکی از تفاوت های بسیار مهم این دوره با دوره های دیگر در این است که در این دوره تمرین های بسیار زیادی حل می شود (بیش از 70 تمرین متنوع) که می تواند دانش برنامه نویسی شما را بسیار تقویت کند. علاوه بر این بیش از 40 تمرین چالشی نیز وجود دارد که با حل آن ها می توانید خود را به چالش بکشید و دانش برنامه نویسی خود را محک بزنید.
- طراحی ربات های خزنده و استخراج داده ها از وب: با آموزش های این دوره می توانید به راحتی هر سایتی را کراول کنید و اطلاعات موجود در آن را استخراچ کنید. در این دوره اطلاعات و داده های چندین وب سایت معروف را استخراج می کنیم و راهکارهایی نیز جهت انجام ساده این فرآیند توضیح داده خواهد شد.
- یادگیری ماشین و علوم داده: در یک فصل جداگانه در مورد یادگیری ماشین و یادگیری عمیق توضیح خواهیم داد و شما با قانون یادگیری این الگوریتم ها آشنا خواهید شد. با حل مثال های زیاد و تحلیل دیتاست های مختلف به این دانش دست می یابید که می توانید بسیاری از دیتاست ها را تحلیل کنید و الگوریتم های یادگیری ماشین و یادگیری عمیق را با آن ها آموزش دهید. در نهایت نیز می توانید هر نوع الگوریتم یادگیری ماشین را بر روی تقریبا هر دیتاست طبقه بندی اعمال کنید.
- ارتقاء دانش: یکی از نقاط قوت این دوره، معرفی وب سایت های رایگان، کتاب های رایگان، منابع، ابزارهای مفید و … جهت رسیدن به بالاترین سطح دانش در حوزه برنامه نویسی و یادگیری ماشین می باشد. بعد از اتمام این دوره شما را تنها نخواهیم گذاشت و با دادن نقشه راه و ابزارهای مفید، شما را به سطح بالاتری از دانش هدایت می کنیم تا یادگیری شما متوقف نشود.
دانلود درسنامه های دوره آموزشی زبان برنامه نویسی پایتون با رویکرد یادگیری ماشین
گام اول: تفکر برنامه نویسی و حل مسئله ویدئو
40:53
گام دوم: مسیر یادگیری پایتون و ابزارهای مورد نیاز ویدئو
56:05
گام سوم: عملگرها، رشته ها و ریاضیات ویدئو
1:27:43
گام چهارم: حل مسائل عملگرها، رشته ها و ریاضیات ویدئو
41:50
گام پنجم: دستورات شرطی، تصمیم گیری و حلقه ها ویدئو
1:22:01
گام ششم: حل مسائل دستورات شرطی، تصمیم گیری و حلقه ها ویدئو
1:45:30
گام هفتم: مجموعه ها (set) ویدئو
38:35
گام هشتم: حل مسائل مجموعه ها (set) ویدئو
44:25
گام نهم: لیست ها (list) ویدئو
44:19
گام دهم: حل مسائل لیست ها (list) ویدئو
1:20:48
گام یازدهم: تاپل ها (tuple) ویدئو
14:48
گام دوازدهم: دیکشنری ها (Dictionary) ویدئو
39:17
گام سیزدهم: حل مسائل دیکشنری ها (dictionary) ویدئو
50:09
گام چهاردهم: تابع (function) ویدئو
1:05:27
گام پانزدهم: حل مسائل تابع (function) ویدئو
36:07
گام شانزدهم: توابع داخلی پایتون ویدئو
1:04:05
گام هفدهم: خطاها و مدیریت آن ها ویدئو
51:42
گام هجدهم: فایل ها ویدئو
1:01:34
گام نوزدهم: کتابخانه Numpy ویدئو
54:26
گام بیستم: کتابخانه Pandas ویدئو
1:09:58
گام بیست و یکم: استخراج اطلاعات از وب (Web Crawling) ویدئو
1:30:59
گام بیست و دوم: کلاس ها و شی گرایی ویدئو
1:02:14
گام بیست و سوم: ارث بری ویدئو
30:18
گام بیست و چهارم: مفهوم یادگیری ماشین و علوم داده ویدئو
53:07
گام بیست و پنجم: الگوریتم KNN ویدئو
1:09:42
گام بیست و ششم: درخت تصمیم ویدئو
46:21
گام بیست و هفتم: طبقه بند بیز ویدئو
33:55
گام بیست و هشتم: شبکه های عصبی و یادگیری عمیق ویدئو
1:42:00
گام بیست و نهم: ارتقاء دانش ویدئو
51:41
گام سی ام: ایده های خلاقانه ویدئو
27:19
دانلود دیتاست های دوره
دانلود دیتاست های دوره فایل های ضمیمه
با فرمت های CSV و XLSX
دانلود قطعه کدهای دوره
دانلود قطعه کدهای دوره با فرمت IPYNB تمرین
IPYNB Format
دوره های مرتبط
دوره آموزشی تحلیل شبکه های اجتماعی و پیچیده با پایتون
دوره آموزشی پروژه محور هوش تجاری با Tableau
کارگاه آموزشی پروژه محور شباهت سنجی رنگ ها و تصاویر با پایتون
دوره آموزشی پروژه محور جنگو، فروشگاه اینترنتی به همراه درگاه پرداخت آنلاین
دوره جامع پروژه محور یادگیری عمیق با پای تورچ (PyTorch)
Deep Learning with PyTorch Framework
بصری سازی پیشرفته تصاویر پزشکی بر بستر Google Colab
امتیاز دانشجویان دوره
نظرات
تنها اشخاصی که این محصول را خریداری کرده اند و وارد سایت شده اند می توانند در مورد این محصول بازبینی ارسال کنند.
500,000 تومان 249,000 تومان
علی نظری زاده
کارشناسی ارشد هوش مصنوعیفارغ التحصیل کارشناسی مهندسی کامپیوتر و کارشناسی ارشد هوش مصنوعی از دانشگاه تهران مرکز، مدرس فنی در مدرسه علوم داده
کورش فردوسیان( دانشجوی دوره )
بسیار عالی. یک دوره کامل و مفید و کاربردی. با گذراندن این دوره نیازی به گذراندن دوره مشابه دیگری نیست. درود و سپاس.
zworger( دانشجوی دوره )
سلام
ممنون از آموزش کامل و عالیتون
فقط در مبحث web crawling استخراج دیتا از صفحات وب که شماره صفحه ندارد و در حالت PageLoading هستند هم میشه توضیح بدید که به چه صورت است؟
مثلا وقتی یک سایتی رو که اسکرول میکنیم به پایین و وقتی به پایین صفحه که اسکرول میکنیم ،صفحه لود میشه و اطلاعاتش بیشتر میشه …..