آموزش A.I کامل و یادگیری ماشین، بوت کمپ علم داده

سرفصل ها و درس ها

مقدمه Introduction

• طرح کلی دوره Course Outline

• به کلاس آنلاین ما بپیوندید! Join Our Online Classroom!

• تمرین: با همکلاسی ها و مربی خود آشنا شوید Exercise: Meet Your Classmates & Instructor

• پرسیدن سوال + دریافت کمک Asking Questions + Getting Help

• اولین روز شما Your First Day

یادگیری ماشینی 101 Machine Learning 101

• یادگیری ماشینی چیست؟ What Is Machine Learning?

• هوش مصنوعی/یادگیری ماشین/علم داده AI/Machine Learning/Data Science

• منابع ZTM ZTM Resources

• تمرین: زمین بازی یادگیری ماشینی Exercise: Machine Learning Playground

• چگونه به اینجا رسیدیم؟ How Did We Get Here?

• تمرین: موتور توصیه یوتیوب Exercise: YouTube Recommendation Engine

• انواع یادگیری ماشینی Types of Machine Learning

• آیا هنوز آن را دریافت می کنید؟ Are You Getting It Yet?

• یادگیری ماشینی چیست؟ دور 2 What Is Machine Learning? Round 2

• بررسی بخش Section Review

• چالش های کدنویسی ماهانه، منابع و راهنماهای رایگان Monthly Coding Challenges, Free Resources and Guides

چارچوب یادگیری ماشین و علم داده Machine Learning and Data Science Framework

• نمای کلی بخش Section Overview

• معرفی چارچوب ما Introducing Our Framework

• چارچوب یادگیری ماشین 6 مرحله ای 6 Step Machine Learning Framework

• انواع مشکلات یادگیری ماشینی Types of Machine Learning Problems

• انواع داده ها Types of Data

• انواع ارزشیابی Types of Evaluation

• ویژگی ها در داده ها Features In Data

• مدل سازی - تقسیم داده ها Modelling - Splitting Data

• مدلسازی - انتخاب مدل Modelling - Picking the Model

• مدلسازی - تیونینگ Modelling - Tuning

• مدلسازی - مقایسه Modelling - Comparison

• تعاریف Overfitting و Underfitting Overfitting and Underfitting Definitions

• آزمایش Experimentation

• ابزارهایی که استفاده خواهیم کرد Tools We Will Use

• اختیاری: عناصر هوش مصنوعی Optional: Elements of AI

2 مسیر The 2 Paths

• 2 مسیر The 2 Paths

• ماهنامه پایتون + یادگیری ماشین Python + Machine Learning Monthly

• تاییدیه ها در LinkedIN Endorsements On LinkedIN

راه اندازی محیط علم داده Data Science Environment Setup

• نمای کلی بخش Section Overview

• معرفی ابزارهای ما Introducing Our Tools

• کوندا چیست؟ What is Conda?

• محیط های کوندا Conda Environments

• راه اندازی محیط مک Mac Environment Setup

• راه اندازی محیط مک 2 Mac Environment Setup 2

• راه اندازی محیط ویندوز Windows Environment Setup

• راه اندازی محیط ویندوز 2 Windows Environment Setup 2

• راه اندازی محیط لینوکس Linux Environment Setup

• محیط Conda خود را به اشتراک بگذارید Sharing your Conda Environment

• مروری بر نوت بوک Jupyter Jupyter Notebook Walkthrough

• نوت بوک Jupyter Walkthrough 2 Jupyter Notebook Walkthrough 2

• نوت بوک Jupyter Walkthrough 3 Jupyter Notebook Walkthrough 3

پانداها: تجزیه و تحلیل داده ها Pandas: Data Analysis

• نمای کلی بخش Section Overview

• دانلود کتاب های کار و تکالیف Downloading Workbooks and Assignments

• معرفی پانداها Pandas Introduction

• سری ها، فریم های داده و CSV ها Series, Data Frames and CSVs

• داده ها از URL ها Data from URLs

• توجه سریع: ویدیوهای آینده Quick Note: Upcoming Videos

• توصیف داده ها با پانداها Describing Data with Pandas

• انتخاب و مشاهده داده ها با پانداها Selecting and Viewing Data with Pandas

• توجه سریع: ویدیوهای آینده Quick Note: Upcoming Videos

• انتخاب و مشاهده داده ها با پانداها قسمت 2 Selecting and Viewing Data with Pandas Part 2

• دستکاری داده ها Manipulating Data

• دستکاری داده ها 2 Manipulating Data 2

• دستکاری داده ها 3 Manipulating Data 3

• تکلیف: تمرین پانداها Assignment: Pandas Practice

• نحوه دانلود تکالیف دوره How To Download The Course Assignments

NumPy NumPy

• نمای کلی بخش Section Overview

• معرفی NumPy NumPy Introduction

• توجه سریع: تصحیح در ویدیوی بعدی Quick Note: Correction In Next Video

• انواع داده ها و ویژگی های NumPy NumPy DataTypes and Attributes

• ایجاد آرایه های NumPy Creating NumPy Arrays

• NumPy Random Seed NumPy Random Seed

• مشاهده آرایه ها و ماتریس ها Viewing Arrays and Matrices

• دستکاری آرایه ها Manipulating Arrays

• دستکاری آرایه ها 2 Manipulating Arrays 2

• انحراف معیار و واریانس Standard Deviation and Variance

• تغییر شکل و جابجایی Reshape and Transpose

• محصول نقطه ای در مقابل عنصر ویز Dot Product vs Element Wise

• تمرین: فروش فروشگاه کره آجیل Exercise: Nut Butter Store Sales

• اپراتورهای مقایسه Comparison Operators

• مرتب سازی آرایه ها Sorting Arrays

• تبدیل تصاویر به آرایه های NumPy Turn Images Into NumPy Arrays

• ورزش: سندرم ایمپوستر Exercise: Imposter Syndrome

• تکلیف: تمرین NumPy Assignment: NumPy Practice

• اختیاری: منابع NumPy اضافی Optional: Extra NumPy resources

Matplotlib: رسم و تجسم داده ها Matplotlib: Plotting and Data Visualization

• نمای کلی بخش Section Overview

• مقدمه Matplotlib Matplotlib Introduction

• وارد کردن و استفاده از Matplotlib Importing And Using Matplotlib

• آناتومی یک شکل Matplotlib Anatomy Of A Matplotlib Figure

• پلات پراکنده و نوار میله Scatter Plot And Bar Plot

• هیستوگرام ها و نمودارهای فرعی Histograms And Subplots

• طرح های فرعی گزینه 2 Subplots Option 2

• نکته سریع: تجسم داده ها Quick Tip: Data Visualizations

• ترسیم از دیتا فریم های پاندا Plotting From Pandas DataFrames

• توجه سریع: عبارات منظم Quick Note: Regular Expressions

• ترسیم از پانداهای دیتا فریم 2 Plotting From Pandas DataFrames 2

• ترسیم از Pandas DataFrames 3 Plotting from Pandas DataFrames 3

• ترسیم از Pandas DataFrames 4 Plotting from Pandas DataFrames 4

• ترسیم از Pandas DataFrames 5 Plotting from Pandas DataFrames 5

• ترسیم از Pandas DataFrames 6 Plotting from Pandas DataFrames 6

• ترسیم از Pandas DataFrames 7 Plotting from Pandas DataFrames 7

• سفارشی کردن نقشه های خود Customizing Your Plots

• سفارشی کردن نقشه های خود 2 Customizing Your Plots 2

• ذخیره و به اشتراک گذاری نقشه های خود Saving And Sharing Your Plots

• تکلیف: تمرین Matplotlib Assignment: Matplotlib Practice

Scikit-learn: ایجاد مدل های یادگیری ماشینی Scikit-learn: Creating Machine Learning Models

• نمای کلی بخش Section Overview

• Scikit-Learn مقدمه Scikit-learn Introduction

• توجه سریع: ویدیوی آینده Quick Note: Upcoming Video

• Refresher: یادگیری ماشینی چیست؟ Refresher: What Is Machine Learning?

• توجه سریع: ویدیوهای آینده Quick Note: Upcoming Videos

• چت شیت یادگیری Scikit Scikit-learn Cheatsheet

• جریان کاری معمولی با یادگیری اسکی Typical scikit-learn Workflow

• اختیاری: هشدارهای اشکال زدایی در Jupyter Optional: Debugging Warnings In Jupyter

• آماده کردن داده های شما: تقسیم داده های شما Getting Your Data Ready: Splitting Your Data

• نکته سریع: تمیز کردن، تغییر شکل دادن، کاهش Quick Tip: Clean, Transform, Reduce

• آماده سازی داده های خود: داده ها را به اعداد تبدیل کنید Getting Your Data Ready: Convert Data To Numbers

• توجه: به‌روزرسانی به ویدیوی بعدی (OneHotEncoder می‌تواند مقادیر NaN/None را مدیریت کند) Note: Update to next video (OneHotEncoder can handle NaN/None values)

• آماده کردن داده های خود: مدیریت ارزش های گمشده با پانداها Getting Your Data Ready: Handling Missing Values With Pandas

• پسوند: مقیاس بندی ویژگی Extension: Feature Scaling

• توجه: تصحیح در ویدیوی آینده (تقسیم داده ها) Note: Correction in the upcoming video (splitting data)

• آماده کردن داده های خود: مدیریت ارزش های گمشده با Scikit-learn Getting Your Data Ready: Handling Missing Values With Scikit-learn

• جدید: انتخاب مدل مناسب برای داده های شما NEW: Choosing The Right Model For Your Data

• جدید: انتخاب مدل مناسب برای داده های شما 2 (رگرسیون) NEW: Choosing The Right Model For Your Data 2 (Regression)

• توجه سریع: درختان تصمیم Quick Note: Decision Trees

• نکته سریع: الگوریتم های ML چگونه کار می کنند Quick Tip: How ML Algorithms Work

• انتخاب مدل مناسب برای داده های شما 3 (طبقه بندی) Choosing The Right Model For Your Data 3 (Classification)

• برازش یک مدل به داده ها Fitting A Model To The Data

• پیش بینی با مدل ما Making Predictions With Our Model

• predict() در مقابل predict_proba() predict() vs predict_proba()

• جدید: پیش بینی با مدل ما (رگرسیون) NEW: Making Predictions With Our Model (Regression)

• جدید: ارزیابی مدل یادگیری ماشین (نمره) قسمت 1 NEW: Evaluating A Machine Learning Model (Score) Part 1

• جدید: ارزیابی مدل یادگیری ماشین (امتیاز) قسمت 2 NEW: Evaluating A Machine Learning Model (Score) Part 2

• ارزیابی مدل 2 یادگیری ماشینی (اعتباری متقابل) Evaluating A Machine Learning Model 2 (Cross Validation)

• ارزیابی مدل طبقه بندی 1 (دقت) Evaluating A Classification Model 1 (Accuracy)

• ارزیابی مدل طبقه بندی 2 (منحنی ROC) Evaluating A Classification Model 2 (ROC Curve)

• ارزیابی مدل طبقه بندی 3 (منحنی ROC) Evaluating A Classification Model 3 (ROC Curve)

• پسوند خواندن: منحنی ROC + AUC Reading Extension: ROC Curve + AUC

• ارزیابی مدل طبقه بندی 4 (ماتریس سردرگمی) Evaluating A Classification Model 4 (Confusion Matrix)

• جدید: ارزیابی مدل طبقه بندی 5 (ماتریس سردرگمی) NEW: Evaluating A Classification Model 5 (Confusion Matrix)

• ارزیابی مدل طبقه بندی 6 (گزارش طبقه بندی) Evaluating A Classification Model 6 (Classification Report)

• جدید: ارزیابی مدل رگرسیون 1 (امتیاز R2) NEW: Evaluating A Regression Model 1 (R2 Score)

• جدید: ارزیابی مدل رگرسیون 2 (MAE) NEW: Evaluating A Regression Model 2 (MAE)

• جدید: ارزیابی مدل رگرسیون 3 (MSE) NEW: Evaluating A Regression Model 3 (MSE)

• ارزیابی مدل یادگیری ماشین Machine Learning Model Evaluation

• جدید: ارزیابی یک مدل با پارامتر اعتبارسنجی متقاطع و امتیازدهی NEW: Evaluating A Model With Cross Validation and Scoring Parameter

• جدید: ارزیابی یک مدل با توابع Scikit-Learn NEW: Evaluating A Model With Scikit-learn Functions

• بهبود مدل یادگیری ماشینی Improving A Machine Learning Model

• تنظیم فراپارامترها Tuning Hyperparameters

• تنظیم فراپارامترها 2 Tuning Hyperparameters 2

• تنظیم فراپارامترها 3 Tuning Hyperparameters 3

• توجه: بهبود مقایسه متریک Note: Metric Comparison Improvement

• نکته سریع: تحلیل همبستگی Quick Tip: Correlation Analysis

• ذخیره و بارگذاری یک مدل Saving And Loading A Model

• ذخیره و بارگذاری مدل 2 Saving And Loading A Model 2

• قرار دادن آن همه با هم Putting It All Together

• قرار دادن همه چیز در کنار هم 2 Putting It All Together 2

• Scikit-Learn Practice Scikit-Learn Practice

یادگیری تحت نظارت: طبقه بندی + رگرسیون Supervised Learning: Classification + Regression

• پروژه های نقطه عطف! Milestone Projects!

پروژه Milestone 1: یادگیری تحت نظارت (طبقه بندی) Milestone Project 1: Supervised Learning (Classification)

• نمای کلی بخش Section Overview

• بررسی اجمالی پروژه Project Overview

• راه اندازی محیط پروژه Project Environment Setup

• اختیاری: Windows Project Environment Setup Optional: Windows Project Environment Setup

• مرحله 1 تا 4 راه اندازی چارچوب Step 1~4 Framework Setup

• توجه: به روز رسانی کد برای ویدیوی بعدی Note: Code update for next video

• آماده کردن ابزارهای ما Getting Our Tools Ready

• کاوش در داده های ما Exploring Our Data

• پیدا کردن الگوها Finding Patterns

• پیدا کردن الگوها 2 Finding Patterns 2

• یافتن الگوها 3 Finding Patterns 3

• آماده سازی داده های ما برای یادگیری ماشینی Preparing Our Data For Machine Learning

• انتخاب مدل های مناسب Choosing The Right Models

• آزمایش با مدل های یادگیری ماشینی Experimenting With Machine Learning Models

• تنظیم/بهبود مدل ما Tuning/Improving Our Model

• تنظیم فراپارامترها Tuning Hyperparameters

• تنظیم فراپارامترها 2 Tuning Hyperparameters 2

• تنظیم فراپارامترها 3 Tuning Hyperparameters 3

• توجه سریع: برچسب های ماتریس سردرگمی Quick Note: Confusion Matrix Labels

• توجه: تغییر کد در ویدیوی بعدی Note: Code change in upcoming video

• ارزیابی مدل ما Evaluating Our Model

• ارزیابی مدل 2 ما Evaluating Our Model 2

• ارزیابی مدل 3 ما Evaluating Our Model 3

• یافتن مهمترین ویژگی ها Finding The Most Important Features

• بررسی پروژه Reviewing The Project

پروژه Milestone 2: یادگیری تحت نظارت (داده های سری زمانی) Milestone Project 2: Supervised Learning (Time Series Data)

• نمای کلی بخش Section Overview

• بررسی اجمالی پروژه Project Overview

• دانلود داده های دو پروژه بعدی Downloading the data for the next two projects

• راه اندازی محیط پروژه Project Environment Setup

• مرحله 1 تا 4 راه اندازی چارچوب Step 1~4 Framework Setup

• کاوش در داده های ما Exploring Our Data

• کاوش در داده های ما 2 Exploring Our Data 2

• مهندسی ویژگی Feature Engineering

• تبدیل داده ها به اعداد Turning Data Into Numbers

• پر کردن مقادیر عددی از دست رفته Filling Missing Numerical Values

• پر کردن مقادیر مقوله ای از دست رفته Filling Missing Categorical Values

• برازش یک مدل یادگیری ماشینی Fitting A Machine Learning Model

• تقسیم داده ها Splitting Data

• چالش: چه اشکالی دارد که داده ها را پس از پر کردن تقسیم کنیم؟ Challenge: What's wrong with splitting data after filling it?

• تابع ارزیابی سفارشی Custom Evaluation Function

• کاهش داده ها Reducing Data

• CV جستجوی تصادفی RandomizedSearchCV

• بهبود فراپارامترها Improving Hyperparameters

• پیش پردازش داده های ما Preproccessing Our Data

• انجام پیش بینی Making Predictions

• اهمیت ویژگی Feature Importance

مهندسی داده Data Engineering

• مقدمه مهندسی داده Data Engineering Introduction

• داده چیست؟ What Is Data?

• مهندس داده چیست؟ What Is A Data Engineer?

• مهندس داده 2 چیست؟ What Is A Data Engineer 2?

• مهندس داده 3 چیست؟ What Is A Data Engineer 3?

• مهندس داده 4 چیست؟ What Is A Data Engineer 4?

• انواع پایگاه های داده Types Of Databases

• توجه سریع: ویدیوی آینده Quick Note: Upcoming Video

• اختیاری: پایگاه های داده OLTP Optional: OLTP Databases

• اختیاری: یادگیری SQL Optional: Learn SQL

• Hadoop، HDFS و MapReduce Hadoop, HDFS and MapReduce

• آپاچی اسپارک و آپاچی فلینک Apache Spark and Apache Flink

• کافکا و پردازش جریان Kafka and Stream Processing

شبکه های عصبی: یادگیری عمیق، یادگیری انتقال و TensorFlow 2 Neural Networks: Deep Learning, Transfer Learning and TensorFlow 2

• نمای کلی بخش Section Overview

• یادگیری عمیق و داده های بدون ساختار Deep Learning and Unstructured Data

• راه اندازی با گوگل Setting Up With Google

• راه اندازی Google Colab Setting Up Google Colab

• Google Colab Workspace Google Colab Workspace

• بارگذاری داده های پروژه Uploading Project Data

• تنظیم داده های ما Setting Up Our Data

• تنظیم داده های ما 2 Setting Up Our Data 2

• وارد کردن TensorFlow 2 Importing TensorFlow 2

• اختیاری: مشکل پیش‌فرض TensorFlow 2.0 Optional: TensorFlow 2.0 Default Issue

• استفاده از GPU Using A GPU

• اختیاری: GPU و Google Colab Optional: GPU and Google Colab

• اختیاری: بارگیری مجدد نوت بوک Colab Optional: Reloading Colab Notebook

• بارگیری برچسب های داده ما Loading Our Data Labels

• آماده سازی تصاویر Preparing The Images

• تبدیل برچسب های داده ها به اعداد Turning Data Labels Into Numbers

• ایجاد مجموعه اعتبار سنجی خودمان Creating Our Own Validation Set

• پیش پردازش تصاویر Preprocess Images

• پیش پردازش تصاویر 2 Preprocess Images 2

• تبدیل داده ها به دسته Turning Data Into Batches

• تبدیل داده ها به دسته 2 Turning Data Into Batches 2

• تجسم داده های ما Visualizing Our Data

• آماده سازی ورودی ها و خروجی های ما Preparing Our Inputs and Outputs

• اختیاری: ماشین‌ها چگونه یاد می‌گیرند و در پشت صحنه چه می‌گذرد؟ Optional: How machines learn and what's going on behind the scenes?

• ساخت یک مدل یادگیری عمیق Building A Deep Learning Model

• ساختن یک مدل یادگیری عمیق 2 Building A Deep Learning Model 2

• ساختن یک مدل یادگیری عمیق 3 Building A Deep Learning Model 3

• ساخت یک مدل یادگیری عمیق 4 Building A Deep Learning Model 4

• خلاصه کردن مدل ما Summarizing Our Model

• ارزیابی مدل ما Evaluating Our Model

• جلوگیری از نصب بیش از حد Preventing Overfitting

• آموزش شبکه عصبی عمیق شما Training Your Deep Neural Network

• ارزیابی عملکرد با TensorBoard Evaluating Performance With TensorBoard

• پیش بینی ها را بسازید و تغییر دهید Make And Transform Predictions

• تبدیل پیش بینی ها به متن Transform Predictions To Text

• تجسم پیش بینی های مدل Visualizing Model Predictions

• تجسم و ارزیابی پیش بینی های مدل 2 Visualizing And Evaluate Model Predictions 2

• تجسم و ارزیابی پیش بینی های مدل 3 Visualizing And Evaluate Model Predictions 3

• ذخیره و بارگذاری یک مدل آموزش دیده Saving And Loading A Trained Model

• مدل آموزشی در مجموعه داده کامل Training Model On Full Dataset

• پیش بینی در تصاویر آزمایشی Making Predictions On Test Images

• ارائه مدل به Kaggle Submitting Model to Kaggle

• پیش بینی در تصاویر ما Making Predictions On Our Images

• Finishing Dog Vision: بعدی کجاست؟ Finishing Dog Vision: Where to next?

داستان سرایی + ارتباط: چگونه کار خود را ارائه دهید Storytelling + Communication: How To Present Your Work

• نمای کلی بخش Section Overview

• برقراری ارتباط با کار شما Communicating Your Work

• ارتباط با مدیران Communicating With Managers

• ارتباط با همکاران Communicating With Co-Workers

• اصل پروژه آخر هفته Weekend Project Principle

• ارتباط با دنیای خارج Communicating With Outside World

• داستان سرایی Storytelling

• برقراری ارتباط و به اشتراک گذاری کار شما: مطالعه بیشتر Communicating and sharing your work: Further reading

مشاوره شغلی + بیت های اضافی Career Advice + Extra Bits

• تاییدیه ها در لینکدین Endorsements On LinkedIn

• توجه سریع: ویدیوی آینده Quick Note: Upcoming Video

• اگر تجربه کافی نداشته باشم چه؟ What If I Don't Have Enough Experience?

• راهنمای یادگیری Learning Guideline

• توجه سریع: ویدیوهای آینده Quick Note: Upcoming Videos

• JTS: یاد بگیرید که یاد بگیرید JTS: Learn to Learn

• JTS: با چرا شروع کنید JTS: Start With Why

• توجه سریع: ویدیوهای آینده Quick Note: Upcoming Videos

• CWD: Git + Github CWD: Git + Github

• CWD: Git + Github 2 CWD: Git + Github 2

• مشارکت در منبع باز Contributing To Open Source

• مشارکت در منبع باز 2 Contributing To Open Source 2

• تمرین: به منبع باز کمک کنید Exercise: Contribute To Open Source

• چالش های کدنویسی Coding Challenges

پایتون را یاد بگیرید Learn Python

• زبان برنامه نویسی چیست؟ What Is A Programming Language

• مترجم پایتون Python Interpreter

• نحوه اجرای کد پایتون How To Run Python Code

• آخرین نسخه پایتون Latest Version Of Python

• اولین برنامه پایتون ما Our First Python Program

• پایتون 2 در مقابل پایتون 3 Python 2 vs Python 3

• تمرین: پایتون چگونه کار می کند؟ Exercise: How Does Python Work?

• یادگیری پایتون Learning Python

• انواع داده پایتون Python Data Types

• چگونه برای موفقیت How To Succeed

• اعداد Numbers

• توابع ریاضی Math Functions

• مبانی توسعه دهنده: I DEVELOPER FUNDAMENTALS: I

• اولویت اپراتور Operator Precedence

• تمرین: اولویت عملگر Exercise: Operator Precedence

• اختیاری: bin() و پیچیده Optional: bin() and complex

• متغیرها Variables

• عبارات در مقابل عبارات Expressions vs Statements

• اپراتور تخصیص افزوده Augmented Assignment Operator

• رشته ها Strings

• الحاق رشته String Concatenation

• تبدیل نوع Type Conversion

• دنباله های فرار Escape Sequences

• رشته های قالب بندی شده Formatted Strings

• شاخص های رشته ای String Indexes

• تغییرناپذیری Immutability

• توابع داخلی + روش ها Built-In Functions + Methods

• بولین ها Booleans

• تمرین: تبدیل نوع Exercise: Type Conversion

• مبانی توسعه دهنده: II DEVELOPER FUNDAMENTALS: II

• تمرین: جستجوگر رمز عبور Exercise: Password Checker

• لیست ها Lists

• فهرست برش List Slicing

• ماتریس Matrix

• فهرست روش ها List Methods

• فهرست روش ها 2 List Methods 2

• فهرست روش ها 3 List Methods 3

• الگوهای فهرست رایج Common List Patterns

• باز کردن لیست List Unpacking

• هیچ کدام None

• لغت نامه ها Dictionaries

• مبانی توسعه دهنده: III DEVELOPER FUNDAMENTALS: III

• کلیدهای دیکشنری Dictionary Keys

• روش های دیکشنری Dictionary Methods

• روش های دیکشنری 2 Dictionary Methods 2

• تاپل ها Tuples

• تاپل ها 2 Tuples 2

• مجموعه ها Sets

• مجموعه 2 Sets 2

آموزش پایتون قسمت 2 Learn Python Part 2

• شکستن جریان Breaking The Flow

• منطق شرطی Conditional Logic

• تورفتگی در پایتون Indentation In Python

• Truthy vs Falsey Truthy vs Falsey

• اپراتور سه تایی Ternary Operator

• اتصال کوتاه Short Circuiting

• عملگرهای منطقی Logical Operators

• تمرین: عملگرهای منطقی Exercise: Logical Operators

• در مقابل == است is vs ==

• برای حلقه ها For Loops

• تکرار شونده ها Iterables

• تمرین: شمارنده حیله‌گر Exercise: Tricky Counter

• محدوده () range()

• شمارش () enumerate()

• در حالی که حلقه ها While Loops

• while Loops 2 While Loops 2

• شکستن، ادامه دادن، عبور کردن break, continue, pass

• اولین رابط کاربری گرافیکی ما Our First GUI

• مبانی توسعه دهنده: IV DEVELOPER FUNDAMENTALS: IV

• تمرین: موارد تکراری را پیدا کنید Exercise: Find Duplicates

• توابع Functions

• پارامترها و آرگومان ها Parameters and Arguments

• پارامترهای پیش فرض و آرگومان های کلمه کلیدی Default Parameters and Keyword Arguments

• بازگشت return

• ورزش: تسلا Exercise: Tesla

• روش ها در مقابل توابع Methods vs Functions

• رشته های مستند Docstrings

• کد پاک Clean Code

• *آرگس و **کوارگ *args and **kwargs

• تمرین: توابع Exercise: Functions

• دامنه Scope

• قوانین محدوده Scope Rules

• کلمه کلیدی جهانی global Keyword

• کلمه کلیدی غیر محلی nonlocal Keyword

• چرا به Scope نیاز داریم؟ Why Do We Need Scope?

• توابع خالص Pure Functions

• نقشه () map()

• فیلتر() filter()

• zip() zip()

• کاهش () reduce()

• فهرست درک List Comprehensions

• مفاهیم را تنظیم کنید Set Comprehensions

• تمرین: درک Exercise: Comprehensions

• آزمون پایتون: آزمون درک شما Python Exam: Testing Your Understanding

• ماژول ها در پایتون Modules in Python

• توجه سریع: ویدیوهای آینده Quick Note: Upcoming Videos

• اختیاری: PyCharm Optional: PyCharm

• بسته ها در پایتون Packages in Python

• راه های مختلف برای واردات Different Ways To Import

• مراحل بعدی Next Steps

• منبع جایزه: چیت شیت پایتون Bonus Resource: Python Cheatsheet

اضافی: آمار و ریاضیات پیشرفته را به صورت رایگان بیاموزید! Extra: Learn Advanced Statistics and Mathematics for FREE!

• آمار و ریاضی Statistics and Mathematics

از اینجا به کجا برویم؟ Where To Go From Here?

• یک فارغ التحصیل شوید Become An Alumni

• متشکرم Thank You

• با تشکر از شما قسمت 2 Thank You Part 2

• بررسی دوره Course Review

• چالش نهایی The Final Challenge

بخش پاداش BONUS SECTION

• سخنرانی پاداش ویژه Special Bonus Lecture