آموزش ضروریات پایتون برای MLOps - آخرین آپدیت

مقدمه‌ای بر پایتون Introduction to Python

• آشنایی با مدرس دوره: Alfredo Deza Meet your Course Instructor: Alfredo Deza

• مقدمه درس: متغیرها و انواع داده‌ها Lesson Introduction: Variables and Types

• متغیرها و تخصیص مقادیر Variables and Assignments

• کار با انواع مختلف داده‌ها Working with Different Data Types

• شرط‌ها و ارزیابی‌ها Conditionals and Evaluations

• شناسایی و مدیریت استثناها (Exceptions) Catching and Handling Exceptions

• مرور درس: متغیرها و انواع داده‌ها Lesson Recap: Variables and Types

• مقدمه درس: ساختارهای داده در پایتون Lesson Introduction: Python Data Structures

• آشنایی با لیست‌ها (Lists) Introduction to Lists

• ایجاد و پیمایش در لیست‌ها Creating and Iterating Over Lists

• آشنایی با دیکشنری‌ها (Dictionaries) Introduction to Dictionaries

• ایجاد و پیمایش در دیکشنری‌ها Creating and Iterating Over Dictionaries

• سایر ساختارهای داده: تاپل‌ها و مجموعه‌ها Other Data Structures: Tuples and Sets

• مرور درس: ساختارهای داده در پایتون Lesson Recap: Python Data Structures

• مقدمه درس: افزودن و استخراج داده‌ها Lesson Introduction: Adding and Extracting Data

• افزودن داده به لیست‌ها Adding Data to Lists

• استخراج داده از لیست‌ها Extracting Data from Lists

• استخراج داده از دیکشنری‌ها Extracting Data from Dictionaries

• مرور درس: افزودن و استخراج داده‌ها Lesson Recap: Adding and Extracting Data

توابع و کلاس‌های پایتون Python Functions and Classes

• مقدمه درس: کار با توابع Lesson Introduction: Working with Functions

• ساختار توابع و مقادیر Function Structure and Values

• آرگومان‌های توابع Function Arguments

• آرگومان‌های متغیر و کلیدواژه‌ای Variable and Keyword Arguments

• مرور درس: کار با توابع Lesson Recap: Working with Functions

• مقدمه درس: ساخت کلاس‌ها و متدها Lesson Introduction: Building Classes and Methods

• آشنایی با کلاس‌ها Introduction to Classes

• استفاده از سازنده (Constructor) Using a Constructor

• افزودن متدها Adding Methods

• وراثت در کلاس‌ها Class Inheritance

• مرور درس: ساخت کلاس‌ها و متدها Lesson Recap: Building Classes and Methods

• مقدمه درس: ماژول‌ها و کاربردهای پیشرفته Lesson Introduction: Modules and Advanced Usages

• آشنایی با ماژول‌های پایتون Introduction to Python Modules

• کار با Importها Working with Imports

• کار با اسکریپت‌های پایتون Working with Python Scripts

• محیط‌های مجازی و وابستگی‌ها (Dependencies) Virtual Environments and Dependencies

• مرور درس: ماژول‌ها و کاربردهای پیشرفته Lesson Recap: Modules and Advanced Usages

تست‌نویسی در پایتون Testing in Python

• مقدمه درس: نوشتن و اجرای تست‌ها Lesson Introduction: Writing and Executing Tests

• انگیزه‌های تست‌نویسی در پایتون Motivations for Testing in Python

• قراردادهای تست‌نویسی Testing Conventions

• تست با استفاده از pytest Testing with pytest

• مرور درس: نوشتن و اجرای تست‌ها Lesson Recap: Writing and Executing Tests

• مقدمه درس: نوشتن تست‌های کاربردی Lesson Introduction: Writing Useful Tests

• استفاده از Plain Asserts در pytest Using Plan Asserts in pytest

• نوشتن کلاس‌های تست Writing Test Classes

• مقایسه کلاس‌های تست و توابع تست Test Classes vs. Test Functions

• پارامتری کردن تست‌ها Parameterizing Tests

• مرور درس: نوشتن تست‌های کاربردی Lesson Recap: Writing Useful Tests

• مقدمه درس: تست شکست‌ها و خطاها Lesson Introduction: Testing Failures

• خروجی‌های شکست تست Test Failure Output

• دیباگینگ پایتون با PDB Python Debugging with PDB

• سایر گزینه‌های اجرای pytest Other pytest Runner Options

• فیچر‌های pytest (Fixtures) pytest Fixtures

• مرور درس: تست شکست‌ها و خطاها Lesson Recap: Testing Failures

مقدمه‌ای بر Pandas و NumPy Introduction to Pandas and NumPy

• مقدمه درس: کاربردهای پایه Pandas Lesson Introduction: Basic Pandas Usage

• آشنایی با Pandas Introduction to Pandas

• بارگذاری داده‌ها در Pandas Loading Data into Pandas

• نوشتن داده‌ها از Pandas DataFrames Writing Data from Pandas DataFrames

• تحلیل اکتشافی با Pandas Exploratory Analysis with Pandas

• مرور درس: کاربردهای پایه Pandas Lesson Recap: Basic Pandas Usage

• مقدمه درس: کار با DataFrameها Lesson Introduction: Working with DataFrames

• عملیات رایج در DataFrame Common DataFrame Operations

• دستکاری متن در DataFrameها Manipulating Text in DataFrames

• اعمال توابع با Pandas Applying Functions with Pandas

• بصری‌سازی داده‌ها با Pandas Visualizing Data with Pandas

• مرور درس: کار با DataFrameها Lesson Recap: Working with DataFrames

• مقدمه درس: مبانی NumPy Lesson Introduction: NumPy Basics

• آشنایی با آرایه‌های NumPy Introduction to NumPy Arrays

• عملیات رایج آرایه‌های NumPy Common NumPy Array Operations

• عملیات پیشرفته‌تر آرایه‌های NumPy More NumPy Array Operations

• مرور درس: مبانی NumPy Lesson Recap: NumPy Basics

پایتون کاربردی برای MLOps Applied Python for MLOps

• مقدمه درس: APIها و SDKها Lesson Introduction: APIs and SDKs

• نصب رابط خط فرمان Azure (CLI) Installing Azure Command-Line Interface (CLI)

• استفاده از AzureML Studio با پایتون AzureML Studio with Python

• ترنسفورمرهای Hugging Face Hugging Face Transformers

• مجموعه داده‌های Hugging Face Hugging Face Datasets

• مجموعه داده‌های باز Azure Azure Open Datasets

• مرور درس: APIها و SDKها Lesson Recap: APIs and SDKs

• مقدمه درس: اتوماسیون با ابزارهای خط فرمان Lesson Introduction: Automation with Command-Line Tools

• ایجاد یک اسکریپت تک‌فایلی Creating a Single File Script

• استفاده از فریم‌ورک ArgParse Using the ArgParse Framework

• اعلام وابستگی‌ها Declaring Dependencies

• استفاده از فریم‌ورک Click Using the Click Framework

• بسته‌بندی پروژه شما Packaging your Project

• حل یک مسئله یادگیری ماشین با ابزار CLI Solving a Machine Learning Problem with a CLI Tool

• مرور درس: اتوماسیون با ابزارهای خط فرمان Lesson Recap: Automation with Command-Line Tools

• مقدمه درس: ساخت APIهای یادگیری ماشین Lesson Introduction: Building Machine Learning APIs

• آشنایی با فریم‌ورک Flask Introduction to Flask Framework

• ساخت یک API با Flask Building an API with Flask

• آشنایی با فریم‌ورک FastAPI Introduction to the FastAPI Framework

• ساخت یک API با FastAPI Building an API with FastAPI

• بهترین روش‌های پیاده‌سازی API در پایتون Python API Best Practices

• مرور درس: ساخت APIهای یادگیری ماشین Lesson Recap: Building Machine Learning APIs