پایتون برای مهندسان و دانشمندان - مبتدی تا پیشرفته
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- زبان پایتون (مبتدی تا پیشرفته) و بسته کاملی از کتابخانههای علمی پایتون: SymPy ،Numpy ،Matplotlib ،Scipy و پانداس
- دانشجو به کل کد کلاس دسترسی دارد.
- هم زبان و هم کتابخانهها رایگان هستند!
- موضوعات مفید برای تسکهای روزمره مانند خواندن و نوشتن فایلها
- موضوعات اولیه پایتون مانند نصب، متغیرها، متدها و حلقهها
- موضوعات پیشرفته مانند ایجاد شیء
- SymPy: حل سیستمهای خطی، سیستمهای غیرخطی و معادلات دیفرانسیل - تمرینها و چالشها
- Numpy: برای دستکاری داده در آرایههای چندبعدی
- پانداس: برای ایجاد جداول؛ جداول محوری؛ فیلترها؛ مصورسازی داده و غیره
- Matplotlib: برای ایجاد نمودارها و داشبوردها
- Scipy: برای ریاضیات و متدهای عددی
پیشنیازهای دوره
دانشجو باید با علوم دقیق آشنا باشد، اما نیازی به دانش قبلی در مورد پایتون نیست.
توضیحات دوره
هدف این دوره ارائه ابزارهای برنامهنویسی، ریاضی و گرافیکی برای متخصصان در زمینههای مختلف است.
چرا باید این دوره را بگذرانیم؟
هم پایتون و هم کتابخانههای اکوسیستم علمی که در اینجا تدریس میشوند ابزارهای رایگان و متنباز هستند. این موضوع پذیرش این ابزارها را هم در محیط کار و هم در محیطهای آکادمیک آسانتر میکند.
علاوه بر این، زبان و کتابخانههای آن در سراسر جهان با یک جامعه فعال رشد کردهاند.
به طور کلی، محتوای دوره شامل موارد زیر است:
- اصول پایتون: شما همه چیز از نصب تا موضوعات پیشرفتهتر مانند برنامهنویسی شیگرا را خواهید آموخت. همچنین موضوعات مفید روزمره مانند خودکارسازی وظایف را پوشش خواهیم داد.
- SymPy: شما به دستکاری جبر نمادین، حل سیستمهای معادلات و معادلات دیفرانسیل و توابع حساب و دیفرانسیل مسلط خواهید شد. علاوه بر این، تمرینها و چالشهای زیادی (پیشنهاد و حل شده) وجود دارد. SymPy جایگزینی عالی برای متلب است.
- Numpy: شما ساختار آرایه قدرتمند Numpy را عمیقا بررسی خواهید کرد.
- پانداس: شما بهترین جایگزین اکسل را یاد خواهید گرفت. ما با فیلترها، جداول محوری، نمودارها و مدیریت داده بلادرنگ با پانداس کار خواهیم کرد.
- Matplotlib: شما درک عمیقی از اشیاء Matplotlib برای ایجاد نمودارها و داشبوردها کسب خواهید کرد.
- Scipy: غول ریاضیات محاسباتی در پایتون را بررسی خواهید کرد. ما جبر خطی، انتگرالها و راهحلهای عددی برای معادلات دیفرانسیل معمولی را با تمرینها (پیشنهادی و حلشده) پوشش خواهیم داد.
از همه شما دعوت میکنیم درس مقدماتی را تماشا کنید که در آن ساختار یادگیری دوره را نشان میدهیم.
این دوره برای چه کسانی مناسب است؟
- مهندسان
- تحلیلگران داده
- دانشجویان ریاضیات یا فیزیک
- دانشجویان فعال دیگر: زمینشناسان، خبرنگاران، پزشکان، دانشمندان زیستپزشکی، کارشناسان آمار، دانشمندان داده و تحلیلگران مالی
پایتون برای مهندسان و دانشمندان - مبتدی تا پیشرفته
-
مقدمه - بررسی دوره 09:11
-
نصب آناکوندا - کاربران عمومی 16:12
-
نصب پایتون خالص - کاربران پیشرفته (pip install) 07:48
-
دانلود درسهای دوره 03:16
-
اجرا - cmd و اجرای اولیه ipython 07:24
-
اجرا - Spyder 06:56
-
اجرا - Jupyter notebook و Colab 10:13
-
انواع داخلی 11:12
-
عملیاتهای ریاضی پایه 11:06
-
عملیاتهای پایه با رشتهها (متن) 09:49
-
مقادیر بولی (*bool*) 10:36
-
کالکشنها 15:15
-
ساختارهای شرطی 14:13
-
ساختارهای حلقه - for 09:22
-
ساختارهای حلقه - while 07:17
-
عملیاتهای بولی 13:02
-
روشهای دیگر برای تولید بولی: in ،is و ()isinstance 09:27
-
Iterableها 04:32
-
()enumerate 08:26
-
تمرین 03:55
-
تمرین 01:55
-
تمرین 02:33
-
تمرین 04:29
-
تمرین 03:06
-
تمرین 02:27
-
متدهای لیست 15:35
-
List Comprehensions 05:48
-
ایندکسگذاری و اسلایس کردن لیست 09:51
-
متدهای تاپلها 05:10
-
Unpack کردن یک تاپل 05:25
-
متدهای مجموعهها 06:30
-
عملیاتهای مجموعه 08:25
-
متدهای دیکشنری 13:20
-
any و all 04:13
-
zip 03:59
-
تمرین 03:15
-
تمرین 01:52
-
تمرین 05:13
-
تمرین 02:57
-
تمرین 03:01
-
تمرین 02:45
-
توابع 10:19
-
آرگومانهای (نامگذاریشده) کلمه کلیدی و توابع 04:31
-
args* 06:18
-
kwargs** 03:08
-
Docstring 05:32
-
توابع لامبدا 03:31
-
تمرین 01:05
-
تمرین 01:32
-
تمرین 00:42
-
آشنایی با برنامهنویسی شیگرا (OOP) 09:04
-
وراثت و پلی مورفیسم 08:18
-
عملیاتهای رشته 09:04
-
متدهای رشته 11:42
-
فرمتبندی رشته 08:03
-
خواندن و نوشتن فایلها 13:03
-
تمرین 03:33
-
تمرین 05:28
-
تمرین 05:56
-
تمرین 06:05
-
دستوارت Try و Except 07:10
-
استثنائات داخلی پایتون 04:11
-
خطای Try و Except 08:07
-
استثنائات سفارشی 06:58
-
آرایهها 16:04
-
توابع ریاضی 07:38
-
ایجاد آرایه 19:35
-
عملیاتهای پایه با آرایهها 07:43
-
مدیریت حافظه Numpy 07:02
-
متدهای آماری برای آرایهها 09:27
-
ایندکسگذاری و اسلایس کردن آرایه 12:53
-
ماتریسها در Numpy 08:32
-
بردارها 07:02
-
تمرین 01:07
-
تمرین 01:45
-
تمرین 02:05
-
تمرین 01:13
-
سری 12:47
-
دیتافریم 14:49
-
متدهای اولیه برای دیتافریمها 12:34
-
خواندن و نوشتن فایلها 16:55
-
انتخاب ردیفها و ستونها با loc و iloc 09:22
-
فیلترها 08:27
-
پاکسازی داده - پیشپردازش 18:34
-
متد Join 10:44
-
تابع concat 09:12
-
جدول محوری 10:27
-
تمرین 05:13
-
تمرین 03:52
-
Pyplot و عناصر گرافیکی 11:14
-
نمودارهای فرعی 10:59
-
نمودار میلهای 08:18
-
نمودار پای 06:33
-
نمودارهای سطحی 09:05
-
عملیاتهای پایه 09:18
-
ماتریسها 07:47
-
توابع حساب و دیفرانسیل 06:23
-
حلکنندهها (سیستمهای جبری، خطی و غیرخطی) 12:49
-
حلکننده (معادلات دیفرانسیل) 06:16
-
تمرین 05:39
-
تمرین 03:09
-
تمرین 02:28
-
تمرین 08:30
-
تمرین 01:55
-
تمرین 03:19
-
تمرین 10:48
-
تمرین 11:57
-
توابع ماتریس 06:51
-
سیستمهای خطی 04:24
-
مقدارهای ویژه و بردارهای ویژه 10:20
-
انتگرال 06:48
-
معادلات دیفرانسیل معمولی (ODE) 11:49
-
تمرین 06:34
-
تمرین 03:18
-
تمرین 01:27
-
تمرین 03:13
-
تمرین 02:31
-
تمرین 08:30
مشخصات آموزش
پایتون برای مهندسان و دانشمندان - مبتدی تا پیشرفته
- تاریخ به روز رسانی: 1404/06/21
- سطح دوره:همه سطوح
- تعداد درس:118
- مدت زمان :14:42:02
- حجم :12.61GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy