کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش پایتون برای کاربردهای فضایی: گیت، فست‌اپی، یادگیری ماشین - آخرین آپدیت

دانلود Python for Space Applications: Git FastAPI Machine Learning

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

آزاد کردن پتانسیل پایتون در اکتشاف فضا

با پایتون برای اکتشاف فضا آماده شوید: گیت، FastAPI و یادگیری ماشین

به دوره "پایتون برای کاربردهای فضایی: گیت، FastAPI، یادگیری ماشین" خوش آمدید – دروازه شما برای تسلط بر پایتون در اکتشاف فضا و فراتر از آن! در این دوره جامع، به دنیای جذاب برنامه‌نویسی پایتون با ابزارهای ضروری مانند گیت، FastAPI و الگوریتم‌های یادگیری ماشین که به طور خاص برای کاربردهای فضایی طراحی شده‌اند، خواهیم پرداخت.

آنچه یاد خواهید گرفت:

  • نصب و راه‌اندازی: با راه‌اندازی محیط پایتون خود، شامل نصب ابزارهای ضروری مانند ویرایشگر VS Code و گیت برای کنترل نسخه، شروع کنید.

  • تسلط بر اصول اولیه پایتون: عمیقاً در اصول پایتون کاوش کنید، موضوعاتی مانند متغیرها، انواع داده، جریان کنترل، توابع و موارد دیگر را پوشش دهید، در حالی که از پلتفرم‌هایی مانند Google Colab برای تمرین‌های عملی استفاده می‌کنید.

  • ساخت موشک با برنامه‌نویسی شیءگرا: اصول برنامه‌نویسی شیءگرا (OOP) را هنگام ساخت یک موشک شبیه‌سازی شده کاوش کنید، یاد بگیرید تا قابلیت‌های آن را اصلاح کرده و پیشرفت خود را برای همکاری در گیت‌هاب آپلود کنید.

  • کاوش بسته‌های ضروری پایتون: کتابخانه‌های کلیدی پایتون مانند NumPy و Matplotlib را کشف کنید و از قدرت آنها برای دستکاری داده‌ها، ایجاد تجسم‌ها و دستیابی به بینش‌های حیاتی برای اکتشاف فضا استفاده کنید.

  • شبیه‌سازی مکانیک سماوی: یاد بگیرید چگونه مدار زمین به دور خورشید را با استفاده از روش‌های عددی مانند اویلر و رونگه-کوتا 4 شبیه‌سازی کنید و شبیه‌سازی‌های خود را برای شامل شدن مدار مریخ گسترش دهید و بینش‌های ارزشمندی در مورد مکانیک سماوی به دست آورید.

  • ساخت شبیه‌ساز منظومه شمسی: با پروژه‌ای برای توسعه یک شبیه‌ساز پیچیده منظومه شمسی با استفاده از Pygame، که شامل محاسبات نیروی گرانش و تجسم در زمان واقعی اجرام سماوی است، شروع کنید.

  • حل معادله کپلر: با پرداختن به معادله کپلر، با استفاده از روش‌های عددی پیشرفته مانند نیوتن-رافسون برای حل ناهنجاری‌های مداری و محاسبه مسیرهای ماهواره، وارد مکانیک مداری شوید.

  • مقدمه‌ای بر یادگیری ماشین: وارد حوزه یادگیری ماشین شوید، کاربردهای آن را در اکتشاف فضا درک کنید و مفاهیمی مانند رگرسیون خطی را از طریق تمرین‌های کدنویسی عملی تسلط یابید.

  • استقرار مدل ML به عنوان API با استفاده از FastAPI: سفر خود را با استقرار مدل یادگیری ماشین خود به عنوان یک API با استفاده از FastAPI به پایان برسانید و ادغام یکپارچه را در برنامه‌های فضایی واقعی امکان‌پذیر سازید.

چرا این دوره مهم است:

با پیشرفت سریع فناوری فضایی، پایتون به ابزاری ضروری برای مهندسان فضا، دانشمندان و علاقه‌مندان تبدیل شده است. با تسلط بر پایتون در کنار ابزارها و تکنیک‌های ضروری که برای کاربردهای فضایی طراحی شده‌اند، شما آماده خواهید شد تا در اکتشافات و نوآوری‌های پیشگامانه در قلمرو اکتشاف فضا مشارکت کنید.

پیش نیازها:

هیچ دانش یا تجربه برنامه‌نویسی لازم نیست.

سرفصل ها و درس ها

نصب و راه‌اندازی Installation and Setup

  • مقدمه‌ای بر برنامه و ماژول‌ها Introduction to the program and modules

  • پلتفرم‌های مختلف کدنویسی که استفاده خواهیم کرد Different Coding Platforms we will be using

  • نصب پایتون Python Installation

  • نصب ویرایشگر VS Code VS Code Editor Installation

  • Git و GitHub Git and GitHub

  • نصب Git Git Installation

  • GitHub: راه‌اندازی حساب کاربری GitHub: Account Setup

  • GitHub: دموی کوتاه GitHub: Mini Demonstration

  • GitHub: شاخه‌ها - درخواست ادغام (Pull Request) GitHub: Branches - Pull Request

  • ویدیوی پایانی ماژول ۱ Module 1 Outro Video

  • آزمون ۱ Quiz 1

تسلط بر اصول اولیه پایتون Master the Basics of Python

  • مقدمه ماژول ۲ Module 2 Introduction

  • مقدمه‌ای بر Google Colab Google Colab Introduction

  • کامنت‌ها در پایتون Comments in Python

  • متغیرها و ثابت‌ها Variables and Constants

  • انواع داده پایه Basic Data Types

  • f-Strings f-Strings

  • ورودی‌های کاربر User Inputs

  • تبدیل نوع داده Data Type Conversion

  • جریان کنترل Control Flow

  • توابع Functions

  • نوت‌بوک پایتون به GitHub Python Notebook to GitHub

  • ویدیوی پایانی ماژول ۲ Module 2 Outro Video

  • آزمون ۲ Quiz 2

ساخت یک موشک با استفاده از برنامه‌نویسی شی‌گرا Build a Rocket using Object Oriented Programming

  • مقدمه ماژول ۳ Introduction to Module 3

  • مقدمه‌ای بر OOPs و اصطلاحات عمومی Introduction to OOPs and General Terminologies

  • ایجاد یک کلاس ساده موشک که کاری انجام نمی‌دهد Create a Simple Rocket Class that does Nothing

  • اضافه کردن سازنده (Constructor) برای موشک Adding Constructor for Rocket

  • اضافه کردن متد حرکت به بالا (Move Up) Adding Move Up Method

  • ایجاد چندین موشک و حرکت دادن به برخی از آن‌ها Create multiple Rockets and move some of them

  • بهبود کلاس موشک - اضافه کردن پارامترها Refining the Rocket Class - Adding Parameters

  • اضافه کردن متد جدید: دریافت فاصله بین موشک‌ها Addinging a new Method: Get Distance between the Rockets

  • بارگذاری نوت‌بوک پایتون در GitHub Upload the Python Notebook to GitHub

  • ویدیوی پایانی بخش ۳ Section 3 Outro Video

  • آزمون ۳ Quiz 3

رفتن به بسته‌های پایتون برای دانستن Goto Python Packages to Know

  • مقدمه ماژول ۴ Module 4 Introduction

  • مقدمه‌ای بر کتابخانه‌های پایتون Introduction to Python Libraries

  • وارد کردن کتابخانه‌ها در پایتون Import libraries in Python

  • ایجاد آرایه‌های Numpy و استفاده از قابلیت‌های آن Create Numpy arrays and use its functionalities

  • روش‌های مختلف برای ایجاد آرایه‌های Numpy Different ways to create Numpy Arrays

  • ماژول تصادفی (Random Module) NumPy Random Module of NumPy

  • ایجاد اولین تجسم (visualisation) با استفاده از Matplotlib Create first visualisation using Matplotlib

  • شخصی‌سازی نمودار Customising the Plot

  • بارگذاری نوت‌بوک پایتون در GitHub Upload the Python Notebook to GitHub

  • ویدیوی پایانی ماژول ۴ Module 4 Outro Video

  • آزمون ۴ Quiz 4

شبیه‌سازی مدار زمین به دور خورشید Simulating the Earth’s Orbit around the Sun

  • مقدمه ماژول ۵ Module 5 Introduction

  • روش عددی: اویلر (Euler) Numerical Method: Euler

  • روش عددی: RK4 Numerical Method: RK4

  • راه‌اندازی محیط مجازی و وارد کردن کتابخانه‌ها Setting up a virtual environment and Importing Libraries

  • معرفی صورت مسئله Introducing Problem Statement

  • تنظیم شرایط اولیه برای شبیه‌سازی Setting up Initial Conditions for the Simulation

  • اضافه کردن تابع شتاب Adding the Acceleration Function

  • اضافه کردن روش اویلر Adding the Euler Method

  • به کارگیری روش اویلر و بررسی زمین در حضیض مداری (Aphelion) Applying the Euler Method and Check the Earth at its Aphelion

  • اضافه کردن روش RK4 و تست کردن آن Adding the RK4 Method and Testing it

  • نمودار سه‌بعدی برای مشاهده داده‌های شبیه‌سازی شده 3D Plot to See the Simulated Data

  • بازنگری و بازسازی پروژه Refactoring and Restructuring the Project

  • شبیه‌سازی مدار مریخ به دور خورشید Simulating the Orbit of Mars around the Sun

  • ویدیوی پایانی ماژول ۵ Module 5 Outro Video

  • آزمون ۵ Quiz 5

ساخت شبیه‌ساز منظومه شمسی Build a Solar System Simulator

  • مقدمه ماژول ۶ Module 6 Introduction

  • تنظیم پروژه Project Setup

  • پنجره Pygame Pygame Window

  • افزودن ستاره‌ها Add Stars

  • افزودن خورشید و سیارات زمینی Add Sun and Terrestrial Planets

  • متد محاسبه نیروی گرانشی Method to Calculate Gravitational Force

  • متد به‌روزرسانی موقعیت Method to Update the Position

  • دریافت داده‌ها و اجرای شبیه‌ساز Getting Data and Running the Simulator

  • اضافه کردن قابلیت مکث Add Pause Feature

  • اضافه کردن جزئیات نام و فاصله در شبیه‌ساز Add Name and Distance Details in Simulator

  • متد ردیابی مدار Method to Track the Orbit

  • بازنگری و جایگزینی خورشید با سیاه‌چاله Refactoring and Replace Sun with a Black Hole

  • ویدیوی پایانی ماژول ۶ Module 6 Outro Video

  • آزمون ۶ Quiz 6

حل معادله کپلر Solving Kepler’s Equation

  • مقدمه ماژول ۷ Module 7 Introduction

  • عناصر مداری Orbital Elements

  • ناهنجاری‌های مداری (Orbit Anomalies) Orbit Anomalies

  • مشتق‌گیری r Derivation of r

  • مشتق‌گیری v Derivation of v

  • روش نیوتن رافسون (Newton Raphson Method) Newton Raphson Method

  • صورت مسئله پروژه: پیش‌بینی سرعت و فاصله ماهواره Problem Statement for Project: Predict Velocity and Distance of Satellite

  • بحث در مورد روند حل گام به گام Discussing Step by Step Solution Procedure

  • یافتن ناهنجاری متوسط (Mean Anomaly) Finding the Mean Anomaly

  • یافتن ناهنجاری خارج از مرکز (Eccentric Anomaly) Finding the Eccentric Anomaly

  • یافتن ناهنجاری واقعی (True Anomaly) Finding the True Anomaly

  • یافتن فاصله و سرعت ماهواره Finding the Distance and Velocity of the Satellite

  • نتیجه‌گیری صورت مسئله Concluding the Problem Statement

  • بارگذاری نوت‌بوک پایتون در GitHub Upload the Python Notebook to GitHub

  • ویدیوی پایانی ماژول ۷ Module 7 Outro Video

  • آزمون ۷ Quiz 7

مقدمه‌ای بر یادگیری ماشین (Machine Learning) Introduction to Machine Learning

  • مقدمه ماژول ۸ Module 8 Introduction

  • هوش مصنوعی (AI) و یادگیری ماشین (ML) چیستند؟ What are AI and ML?

  • کاربردهای هوش مصنوعی Applications of AI

  • نظارت شده در مقابل نظارت نشده در مقابل تقویتی Supervised vs Unsupervised vs Reinforcement

  • رگرسیون خطی: شهود (Intuition) Linear Regression: Intuition

  • رگرسیون خطی: تابع هزینه (Cost Function) Linear Regression: Cost Function

  • رگرسیون خطی: نزول گرادیان (Gradient Descent) Linear Regression: Gradient Descent

  • آماده کردن فایل کد همراه! Get ready with the Code Along file!

  • تولید مجموعه داده آموزشی ساختگی (Dummy Training Dataset) Generate the Dummy Training Dataset

  • شخصی‌سازی نمودار و آماده‌سازی پارامترهای مدل Customise the Plot and Get Ready with Model Parameters

  • ساخت توابع برای پیش‌بینی و هزینه Build functions for prediction and cost

  • ساخت تابع برای به‌روزرسانی پارامترها Build function for Updating Parameters

  • ساخت تابع برای آموزش و آموزش مدل Build function for Training and Train the Model

  • بررسی عملکرد مدل Check the Model Performance

  • تولید مجموعه داده تست و ارزیابی مدل Generate the Testing Dataset and Evaluate the Model

  • بارگذاری نوت‌بوک پایتون در GitHub Upload the Python Notebook to GitHub

  • ویدیوی پایانی ماژول ۸ Module 8 Outro Video

  • آزمون ۸ Quiz 8

استقرار مدل ML به عنوان API با استفاده از FastAPI Deploy ML model as API using FastAPI

  • مقدمه ماژول ۹ Module 9 Introduction

  • مقدمه‌ای بر رگرسیون لجستیک (Logistic Regression) Introduction to Logistic Regression

  • مجموعه داده و هدف مدل Dataset and Aim of the Model

  • بررسی مجموعه داده Explore the Dataset

  • آماده‌سازی مجموعه داده و پایپ‌لاین (Pipeline) Prepare the Dataset and Pipeline

  • استفاده از پایپ‌لاین برای آموزش و تست Use Pipeline for Training and Testing

  • دانلود پایپ‌لاین و تست کردن آن Download the Pipeline and Test it

  • مقدمه‌ای بر FastAPI Introduction to FastAPI

  • تنظیم پروژه و model.pkl Project Setup and model.pkl

  • بارگذاری مدل و انجام پیش‌بینی‌ها Load the Model and Make Predictions

  • بازنگری فایل predictor.py Refactoring the predictor.py file

  • ایجاد برنامه FastAPI Create FastAPI App

  • BaseModel و Field از Pydantic BaseModel and Field from Pydantic

  • تست API بر روی داده‌های واقعی ستاره Testing API on the Real Star Data

  • اضافه کردن README.md برای پروژه نهایی Adding README.md for Final project

  • ویدیوی پایانی ماژول ۹ Module 9 Outro Video

  • آزمون ۹ Quiz 9

نتیجه‌گیری و بررسی‌های نهایی Conclusion and Final Checks

  • نتیجه‌گیری برنامه Conclusion of the Program

  • گام‌های بعدی Next Steps forward

برای الهام گرفتن صحبت کنید: چگونه با صدای خود الهام بخش و انگیزه دهید

برای الهام گرفتن صحبت کنید: چگونه با صدای خود الهام بخش و انگیزه دهید

Speak to inspire: How to inspire & motivate with your voice

آموزش ساخت کیسه کاغذی

آموزش ساخت کیسه کاغذی

Crafting a Paper Bag

آموزش تنظیم ناهمگام .NET کد با Rx

آموزش تنظیم ناهمگام .NET کد با Rx

Taming Asynchronous .NET Code with Rx

نمایش نظرات

آموزش پایتون برای کاربردهای فضایی: گیت، فست‌اپی، یادگیری ماشین
جزییات دوره
16 hours
119
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
240
4.1 از 5
دارد
دارد
دارد

https://donyad.com/d/4f9fce

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Spartificial Innovations Spartificial Innovations

هوش مصنوعی و موسسه علوم فضایی