آموزش پایتون برای علم داده همراه با هوش مصنوعی - آخرین آپدیت

شروع کار با پایتون برای علم داده (مناسب مبتدیان) Getting Started with Python for Data Science (Beginner Friendly)

• مقدمه دوره Course Introduction

• آشنایی با مدرس Meet your instructor

• اهداف یادگیری Learning Objectives

• دمو: بررسی واقعیت عملی: کار با داده‌ها در دنیای واقعی چگونه است؟ Demo: Hands-on Reality Check: What Data Work Actually Looks Like

• چرا پایتون همچنان در علم داده و هوش مصنوعی مسلط است؟ Why Python Still Dominates Data Science and AI

• رویکرد آموزشی مورد استفاده در این دوره The Learning Approach Used in This Course

• دمو: شروع کار با Google Colab Demo: Getting Started with Google Colab

• دمو: نوشتن اولین برنامه پایتون در Google Colab Demo: Writing Your First Python Program on Google Colab

• اهداف یادگیری Learning Objectives

• مقدمه‌ای بر مطالعه موردی (Case Study) Introduction to the Case Study

• نحوه اتصال تمام مفاهیم آموزشی به مطالعه موردی How the Case Study Connects Every Concept You’ll Learn

• گردش کار کامل علم داده (End to End) The End-to-End Data Science Workflow

• برنامه‌ریزی برای رویکرد حل مسئله Planning Your Solution Approach

• خلاصه Summary

• اهداف یادگیری Learning Objectives

• داستانی از دو پایتون A Tale of Two Pythons

• پایتون برای توسعه نرم‌افزار در مقابل علم داده Python for Software Development vs Data Science

• چه چیزی در برنامه‌نویسی برای علم داده اهمیت دارد؟ What Matters for Programming for Data Science

• کد در مقابل شبه‌کد (Code vs. Pseudocode) Code vs. Pseudocode

• مثالی از کد در مقابل شبه‌کد Example of Code vs Pseudocode

• اهمیت شبه‌کد نوشتن Importance of Pseudo Code

• نحوه نوشتن شبه‌کد Writing Pseudo Code

• دمو: نوشتن شبه‌کد برای مسائل داده‌ای Demo : Writing Pseudocode for Data Problems

• خلاصه Summary

• اهداف یادگیری Learning Objectives

• اشتباهات رایج یادگیرندگان هنگام استفاده از هوش مصنوعی مولد Common Mistakes Learners Make with GenAI

• توهم "دانستن کد" The Illusion of “Knowing Code”

• راهی هوشمندانه‌تر برای استفاده از هوش مصنوعی در یادگیری A Smarter Way to Use Genai for Learning

• دمو: استفاده از هوش مصنوعی به عنوان دستیار کدنویسی Demo: Using GenAI as a Coding Assistant

• تامل و گام‌های بعدی Reflection & Next Steps

مبانی پایتون برای تحلیل داده: متغیرها، انواع داده و منطق Python Basics for Data Analysis: Variables, Data Types & Logic

• بازبینی الزامات مطالعه موردی Revisiting the Case Study Requirements

• شناسایی مفاهیم دقیق پایتون مورد نیاز Identifying the Exact Python Concepts Needed

• اهداف یادگیری Learning Objectives

• درک متغیرهای استفاده شده در مسائل داده‌ای Understanding Variables Used in Data Problems

• اعداد و رشته‌ها در پایتون Numbers and Strings in Python

• دمو: کار با اعداد Demo : Working with Numbers

• دمو: کار با رشته‌ها Demo : Working with Strings

• اندیس‌گذاری در رشته‌ها Indexing in Strings

• دمو: اندیس‌گذاری و عملیات رشته‌ای Demo : Indexing and String Operations

• لیست‌ها و اندیس‌گذاری لیست Lists and List Indexing

• دمو: اندیس‌گذاری و دسترسی در لیست‌ها Demo: Indexing and Access in Lists

• توابع لیست List Functions

• دمو: توابع کاربردی لیست برای کار با داده Demo: Useful List Functions for Data Work

• خلاصه Summary

• اهداف یادگیری Learning Objectives

• چرا ساختارهای کنترلی در منطق داده اهمیت دارند؟ Why Control Structures Matter in Data Logic

• دستورات if در پایتون 'if' Statements in Python

• دمو: شرایط ساده if Demo : Simple 'if' Conditions

• منطق if else 'if-else' Logic

• دمو: استفاده از if else Demo : Using "if-else"

• شرایط چندگانه (if elif else) Multiple Conditions (if-elif-else)

• دمو: استفاده از if elif else Demo: Using "if-elif-else"

• منطق تصمیم‌گیری تو در تو Nested Decision Logic

• دمو: دستورات if تو در تو Demo: Nested 'if' Statements

حلقه‌ها و توابع پایتون برای پردازش داده‌ها Python Loops and Functions for Data Processing

• اهداف یادگیری Learning Objectives

• بازبینی منطق مسئله Reviewing the Problem Logic

• شناسایی الگوهای تکرار شونده Identifying Repeated Patterns

• دمو: نوشتن شبه‌کد قبل از کدنویسی Demo: Writing Pseudocode Before Coding

• خلاصه Summary

• اهداف یادگیری Learning Objectives

• چرا حلقه‌ها در پردازش داده ضروری هستند؟ Why Loops Are Essential in Data Processing

• شبه‌کد برای حلقه‌های for Pseudocode for "for" Loops

• دمو: نوشتن حلقه‌های for - بخش اول Demo: Writing "for" Loops - Part-1

• دمو: نوشتن حلقه‌های for - بخش دوم Demo: Writing "for" Loops - Part-2

• حلقه‌های while و موارد استفاده “while” Loops and Use Cases

• دمو: حلقه while Demo: "while" Loop

• دمو: اجرای شرطی داخل حلقه while - بخش اول Demo: Conditional Execution Inside “while” Loop - Part-1

• دمو: اجرای شرطی داخل حلقه while - بخش دوم Demo: Conditional Execution Inside “while” Loop - Part-2

• دمو: اجرای شرطی داخل حلقه for Demo: Conditional Execution Inside “for” Loop

• خلاصه Summary

• اهداف یادگیری Learning Objectives

• چرا انتزاع (Abstraction) وضوح کار را بالا می‌برد؟ Why Abstraction Improves Clarity

• توابع در پایتون چگونه کار می‌کنند؟ How Functions Work in Python

• توابع داخلی پایتون Python Inbuilt Functions

• دمو: توابع داخلی Demo: Inbuilt Functions

• نوشتن شبه‌کد برای توابع سفارشی Write Pseudocode for Custom Functions

• نوشتن توابع سفارشی Writing Custom Functions

• دمo: توابع سفارشی Demo: Custom Functions

• خلاصه Summary

• اهداف یادگیری Learning Objectives

• بازبینی رویکرد حل مسئله Reviewing Solution Approach

• دمو: بازبینی شبه‌کد Demo : Reviewing Pseudo Code

• دمو: استفاده از Gemini برای تایید شبه‌کد Demo : Using Gemini to Verify Pseudo Code

تحلیل داده با Pandas Data Analysis with Pandas

• اهداف یادگیری Learning Objectives

• کتابخانه‌های ضروری پایتون برای تحلیل داده Essential Python Libraries for Data Analysis

• چرا Pandas ابزار اصلی داده است؟ Why Pandas Is the Core Data Tool

• درک Pandas Series Understanding Panda Series

• دمو: Pandas Series و توابع کاربردی Demo: Pandas Series & Useful Functions

• Pandas DataFrames: مجموعه‌ای از Series Pandas DataFrames: Collection of Series

• دمو: ایجاد DataFrame Demo: Creating Dataframes

• وارد کردن و خروجی گرفتن از داده‌ها Importing and Exporting Data

• دمو: وارد کردن داده‌ها (Import) Demo: Importing Data

• دمو: خروجی گرفتن از داده‌ها (Export) Demo: Exporting Data

• خلاصه Summary

• اهداف یادگیری Learning Objectives

• دسترسی به داده در Pandas (Loc, Iloc) Data Access in Pandas (Loc, Iloc)

• دمو: دسترسی به داده در Pandas Demo: Data Access in Pandas

• دمو: فیلتر کردن و پرس‌وجو از داده‌ها Demo: Filtering and Querying Data

• دمو: تغییر مقادیر Demo: Modifying Values

• دمو: مرتب‌سازی مجموعه‌داده‌ها Demo: Sorting Datasets

• خلاصه Summary

• اهداف یادگیری Learning Objectives

• دمو: ترکیب مجموعه‌داده‌ها با Concat Demo: Combining Datasets with Concat

• دمو: ادغام داده‌ها (Merging) Demo: Data Merging

• دسته‌بندی و تجمیع (Grouping and Aggregation) Grouping and Aggregation

• دمو: گروه‌بندی و خلاصه‌سازی داده‌ها Demo: Grouping and Summarizing Data

• جداول Pivot برای استخراج بینش Pivot Tables for Insights

• دمو: جداول Pivot Demo : Pivot Tables

• خلاصه Summary

• اهداف یادگیری Learning Objectives

• دمو: استفاده از Pandas برای مطالعه موردی ما Demo: Using Pandas for Our Case Study

• دمو: نوشتن شبه‌کد برای مطالعه موردی ما Demo: Writing Pseudocode for Our Case Study

• دمو: تایید شبه‌کد با استفاده از Gemini Demo - Verifying Pesudocode with Gemini

• دمو: تبدیل شبه‌کد به کد پایتون Demo - Converting Pseudo Code to Python Code

• دمو: ارزیابی کد با Gemini Demo - Evaluating the Code with Gemini

بصری‌سازی داده‌ها با Matplotlib و Seaborn Data visualization with Matplotlib and Seaborn

• مروری بر کتابخانه‌های بصری‌سازی پایتون Overview of Python Visualization Libraries

• چرا Matplotlib بنیادی است؟ Why Matplotlib Is Foundational

• انواع نمودارهای رایج برای تحلیل Common Plot Types for Analysis

• دمو: ایجاد نمودارهای خطی، میله‌ای و دایره‌ای Demo: Creating Line, Bar, Pie Charts

• دمو: ایجاد هیستوگرام، نمودار جعبه‌ای و نمودار پراکندگی Demo: Creating Histograms, Box Plots, Scatter Plots

• دمو: روش‌های مختلف رسم نمودار Demo: Many Ways to Plot

• دمو: ذخیره و خروجی گرفتن از نمودارها Demo: Saving and Exporting Visualizations

• خلاصه Summary

• اهداف یادگیری Learning Objectives

• چرا Seaborn برای تحلیل قدرتمند است؟ Why Seaborn Is Powerful for Analysis

• بصری‌سازی‌های آماری در Seaborn Statistical Visualizations in Seaborn

• دمو: نمودارهای جعبه‌ای (Boxplots)، ویولنی و هیستوگرام Demo: Boxplots, Violin Plots, Histograms

• دمo: نمودارهای پراکندگی، نمودارهای رگرسیون و Facets Demo: Scatter Plots, Regression Plots, and Facets

• دمو: نقشه‌های حرارتی (Heatmaps) برای همبستگی Demo: Heatmaps for Correlations

• سفارشی‌سازی ظاهر در Seaborn Customizing Visuals in Seaborn

• دمو: سفارشی‌سازی بصری‌سازی‌ها Demo: Customizing Visualizations

• خلاصه Summary

• اهداف یادگیری Learning Objectives

• دمو: بازبینی کامل گردش کار داده Demo: Reviewing the Full Data Workflow

• دمو: بررسی نهایی شبه‌کد Demo: Final Pseudocode Walkthrough

• دمو: تایید شبه‌کد با Gemini Demo: Validating Pseudocode with Gemini

• دمو: نوشتن راه حل کامل پایتون - بخش اول Demo: Writing the Complete Python Solution - Part-1

• دمو: نوشتن راه حل کامل پایتون - بخش دوم Demo: Writing the Complete Python Solution - Part-2

• دمو: تایید و اجرای کامل فرآیند Demo: Validating and Running the Full Process

• پایان دوره Course Completion