تعویض نسخه دانلودی با نسخه فیزیکی و یا بالعکس امکان پذیر نمی باشد

فهرست آموزش پایتون :

آشنایی و راه اندازی

آشنایی با پایتون

نسخه ها و اسناد

راه اندازی

ساختار پروژه:

• ایجاد و اجرای پروژه
• معرفی توزیع WinPython
• انواع ادیتورها

دستور زبان(syntax)

انواع داده ها

معرفی داده های ساده عددی:

• معرفی int
• معرفی float
• معرفی Complex
• معرفیDesimal
• معرفی Fraction
• معرفی bool

داده های دنباله ای

قالب بندی رشته ها

list و متدهای مهم آن

• برش و اندیس دهی
• معرفی append
• معرفی copy
• معرفی count
• معرفی extend
• معرفی clear
• معرفی index
• معرفی pop
• معرفی remove
• معرفی reverse
• معرفی sort

Tuple و متدهای آن

Dict و OrderedDict و متدهای آن

• انواع تعریف دیکشنری و اندیس دهی
• معرفی get
• معرف item
• معرفی pop
• معرفی keys
• معرفی values
• معرفی update
• معرفی setdefault

Set و frozenset و متدهای آن

• اضافه کردن عضو به set
• معرفی اجتماع و اشتراک

تابع zip

تبدیل به انواع دیگر

دست به کد اول

ساختار کنترلی

مقدمه و معرفی

معرفی توابع داخلی و دستورات کاربردی

ساختار شرط

ساختار حلقه while

ساختار حلقه for

ساختار مدیریت خطا:

• معرفی انواع خطاهای موجود
• معرفی finally و else

دست به کد دوم

معرفی توابع داخلی بیشتر

دست به کد سوم

فایل ها

معرفی فایل و کار با آن

مثال های کار با فایل

معرفی ساختار with

راههای ورودی و خروجی دیگر

دست به کد چهارم - تمرین Genre

توابع

معرفی تعریف تابع

آرگومان های ورودی تابع

خروجی تابع

معرفی دستور lambda

متغیرهای محلی و سراسری

دست به کد پنجم

برنامه نویسی ماژولار

ماژول نویسی و تفکیک ساختارهای کد

معرفی کتابخانه های کاربردی استاندارد

دست به کد ششم - تمرین password

علم داده در سال‌های اخیر باعث تحولات شگرفی در زندگی بشر گردیده است که از جمله آن می‌توان به موتورهای جستجوی اینترنتی هوشمند، مترجم‌های هوشمند، خودروهای هوشمند و بسیاری از امکانات و تجهیزاتی که هم اکنون در اختیار ماست، اشاره کرد. هر روز حجم زیادی از داده‌ در سراسر جهان در حال تولید است و لحظه به لحظه سرعت تولید آن بیشتر و بیشتر می‌شود؛ اغلب این داده‌ها با تحلیل‌های ساده قابلیت تبدیل شدن به اطلاعات مفید و ارزشمند را دارند که برای این کار نیز ابزارهای زیادی ساخته شده است.

زبان برنامه نویسی پایتون به دلیل سادگی و سهولت در اجرا و بسیاری از امکانات دیگر، گزینه‌ی بسیار مناسبی جهت تحلیل داده‌ها برای متخصصان علم داده است. ابزارهای متنوع و قدرتمند پایتون برای استخراج، تحلیل و بصری‌سازی داده‌ها این امکان را به طیف بزرگی از دانشجویان و پژوهشگران در همه‌ی علوم می‌دهد تا به راحتی بتوانند از این ابزارها در حوزه‌ی تخصص خود بهره ببرند.

این آموزش با بهره‌گیری از به‌روزترین محیط‌های کدنویسی و بسته‌های نرم‌افزاری پایتون که شرکت‌های بزرگ نیز از آنها بهره می‌برند، ارائه شده است. محیط اصلی آموزش، برنامه JupyterLab است که یکی از جدیدترین محیط‌های کدنویسی پایتون بوده و شرکت‌های مهمی همچون گوگل و سایت معروف kaggle سرویس‌های کدنویسی خود یعنی Colab و DataStudio را روی این پلتفرم ارائه کرده‌اند.

راجع به پایتون همین بس که کمپانی های بزرگ مثل یوتیوب، نتفلیکس و اینستاگرام، در برنامه نویسی های وب خود از کدهای پایتون استفاده می کنند! استفاده از پایتون از سال ۲۰۱۷ رشد عجیبی پیدا کرده و شیب آن از تمام زبان های برنامه نویسی دیگر به مراتب بیشتر است. علت های مختلفی برای روی آوردن به زبان پایتون وجود دارد، ولی مهمترین آنها را می توان گستردگی استفاده از پایتون و همه جانبه گرایی آن عنوان کرد. 

در مقاله ((کاربرد پایتون در ۱۴ حوزه مختلف)) به کارکردهای مختلف پایتون و گستردگی بیشتر میپردازیم تا حوزه هایی که میتوان از پایتون در آنها استفاده کرد را بشناسیم