پایتون برای کاربردهای فضایی: گیت، FastAPI و یادگیری ماشین
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- تسلط به اصول پایتون، شامل انواع دادهها، کنترل جریان و توابع، برای ساخت یک اصول برنامهنویسی قوی برای کاربردهای فضایی
- استفاده از گیت (Git) برای کنترل نسخه و همکاری، که امکان مدیریت کارآمد مخازن کد برای پروژههای فضایی را فراهم میکند.
- استفاده از پکیجهای ضروری پایتون مانند NumPy و Matplotlib برای دستکاری، مصورسازی و تحلیل دادهها که برای اکتشافات فضایی حیاتی هستند.
- کسب مهارت در شبیهسازی مکانیک سماوی، از جمله مدارهای سیارهای و برهمکنشهای گرانشی، با استفاده از متدهای عددی
- کسب تجربه عملی در استقرار مدلهای یادگیری ماشین به عنوان API با استفاده از FastAPI، برای ادغام در سیستمهای فضایی دنیای واقعی جهت تحلیلهای پیشبینانه
پیشنیازهای دوره
- بدون نیاز به دانش یا تجربه برنامهنویسی
توضیحات دوره
به دوره «پایتون برای کاربردهای فضایی: گیت، FastAPI، و یادگیری ماشین» خوش آمدید - دروازه شما برای تسلط به پایتون برای اکتشافات فضایی و فراتر از آن! در این دوره جامع، ما به دنیای شگفتانگیز برنامهنویسی پایتون خواهیم پرداخت و با ابزارهای ضروری مانند گیت، FastAPI و الگوریتمهای یادگیری ماشین که به طور خاص برای کاربردهای فضایی طراحی شدهاند، مجهز خواهیم شد.
آنچه یاد خواهید گرفت:
- نصب و راهاندازی: با راهاندازی محیط پایتون خود شروع کنید، شامل نصب ابزارهای ضروری مانند ویرایشگر VS Code و گیت برای کنترل نسخه
- تسلط به مبانی پایتون: به بررسی عمیق اصول پایتون بپردازید، موضوعاتی مانند متغیرها، انواع دادهها، کنترل جریان، توابع و موارد دیگر را پوشش دهید و از پلتفرمهایی مانند Google Colab برای تمرینهای عملی استفاده کنید.
- ساخت یک راکت با استفاده از برنامهنویسی شیءگرا: اصول برنامهنویسی شیءگرا (OOP) را در حین ساخت یک راکت شبیهسازی شده بررسی کنید، یاد بگیرید که عملکردهای آن را بهبود بخشید و پیشرفت خود را برای همکاری در گیتهاب بارگذاری کنید.
- بررسی در پکیجهای ضروری پایتون: کتابخانههای کلیدی پایتون مانند NumPy و Matplotlib را کشف کنید و از قدرت آنها برای دستکاری دادهها، ایجاد مصورسازیها و کسب بینشهای حیاتی برای اکتشافات فضایی استفاده کنید.
- شبیهسازی مکانیک سماوی: یاد بگیرید چگونه مدار زمین به دور خورشید را با استفاده از روشهای عددی مانند اویلر و Runge-Kutta 4 شبیهسازی کنید و شبیهسازیهای خود را به مدار مریخ نیز گسترش دهید و بینشهای ارزشمندی در مورد مکانیک سماوی به دست آورید.
- ساخت یک شبیهساز منظومه شمسی: پروژهای برای توسعه یک شبیهساز پیشرفته منظومه شمسی با استفاده از Pygame را آغاز کنید، که شامل محاسبات نیروی گرانشی و مصورسازی بلادرنگ اجرام آسمانی است.
- حل معادله کپلر: با پرداختن به معادله کپلر، به دنیای مکانیک مداری وارد شوید و از روشهای عددی پیشرفته مانند Newton-Raphson برای حل آنومالیهای مداری و محاسبه مسیرهای ماهوارهای استفاده کنید.
- مقدمهای بر یادگیری ماشین: وارد قلمرو یادگیری ماشین شوید، کاربردهای آن در اکتشافات فضایی را درک کنید و به مفاهیمی مانند رگرسیون خطی از طریق تمرینهای کدنویسی عملی مسلط شوید.
- استقرار مدل یادگیری ماشین 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، که امکان ادغام یکپارچه در کاربردهای فضایی دنیای واقعی را فراهم میکند.
چرا این دوره اهمیت دارد: با پیشرفتهای سریع در فناوری فضایی، پایتون به ابزاری ضروری برای مهندسان فضا، دانشمندان و علاقهمندان تبدیل شده است. با تسلط به پایتون در کنار ابزارها و تکنیکهای ضروری که برای کاربردهای فضایی طراحی شدهاند، شما برای مشارکت در اکتشافات و نوآوریهای پیشگامانه در قلمرو اکتشافات فضایی مجهز خواهید شد.
این دوره برای چه کسانی مناسب است؟
- دانشجویان و علاقهمندان به نجوم که به دنبال کاربرد پایتون در مطالعات یا پروژههای خود هستند.
- دانشجویان مبتدی پایتون که به دنبال درک مفاهیم اصلی با دیدگاهی جدید هستند.
پایتون برای کاربردهای فضایی: گیت، FastAPI و یادگیری ماشین
-
معرفی برنامه و ماژولها 05:51
-
پلتفرمهای مختلف کدنویسی که استفاده خواهیم کرد 01:08
-
نصب پایتون 01:48
-
نصب ویرایشگر VS Code 03:51
-
گیت و گیت هاب 10:51
-
نصب Git 03:05
-
GitHub: راهاندازی حساب کاربری 03:06
-
GitHub: نمایش کوچک 22:13
-
GitHub: شاخهها و درخواست Pull 07:49
-
ویدئوی پایانی ماژول 1 00:32
-
آزمون 1 None
-
معرفی ماژول 2 01:07
-
معرفی Google Colab 05:58
-
نظرات (کامنتها) در پایتون 06:08
-
متغیرها و ثابتها 07:29
-
انواع داده پایه 12:18
-
f-Strings 10:00
-
ورودیهای کاربر 06:22
-
تبدیل نوع دادهها 12:44
-
جریان کنترل 20:54
-
توابع 25:37
-
نوتبوک پایتون در گیتهاب 03:28
-
ویدئوی پایانی ماژول 2 00:31
-
آزمون 2 None
-
معرفی ماژول 3 01:09
-
مقدمهای بر برنامهنویسی شیءگرا (OOP) و اصطلاحات عمومی 08:29
-
ساخت یک کلاس ساده راکت که کاری انجام نمیدهد 02:09
-
افزودن سازنده برای راکت 10:20
-
افزودن متد حرکت به بالا 07:32
-
ساخت چند راکت و جابهجایی برخی از آنها 08:01
-
بهبود کلاس راکت - افزودن پارامترها 09:58
-
افزودن روش جدید: محاسبه فاصله بین راکتها 13:35
-
آپلود نوتبوک پایتون در گیتهاب 01:37
-
ویدئوی پایانی بخش 3 00:59
-
آزمون 3 None
-
معرفی ماژول 4 00:40
-
معرفی کتابخانههای پایتون 05:18
-
ایمپورت کردن کتابخانهها در پایتون 03:07
-
ساخت آرایههای NumPy و استفاده از قابلیتهای آن 11:38
-
روشهای مختلف ساخت آرایههای NumPy 11:04
-
ماژول Random در NumPy 08:14
-
ایجاد اولین مصورسازی با Matplotlib 07:06
-
سفارشی کردن نمودار 07:28
-
آپلود نوتبوک پایتون در گیتهاب 01:46
-
ویدیوی پایانی ماژول 4 01:06
-
آزمون 4 None
-
معرفی ماژول 5 00:57
-
روش عددی: اویلر 18:11
-
روش عددی: RK4 21:28
-
راهاندازی محیط مجازی و ایمپورت کردن کتابخانهها 09:50
-
معرفی صورت مسئله 02:45
-
تنظیم شرایط اولیه برای شبیهسازی 09:38
-
افزودن تابع شتاب 03:58
-
افزودن متد اویلر 06:43
-
اعمال متد اویلر و بررسی زمین در اوج خورشیدی 05:45
-
افزودن متد RK4 و تست آن 15:16
-
نمودار سهبعدی برای مشاهده دادههای شبیهسازی شده 17:04
-
بازآرایی و بازسازی ساختار پروژه 18:32
-
شبیهسازی مدار مریخ به دور خورشید 03:37
-
ویدئوی پایانی ماژول 5 00:52
-
آزمون 5 None
-
معرفی ماژول 6 01:19
-
راهاندازی پروژه 04:57
-
پنجره Pygame 08:45
-
افزودن ستارهها 12:26
-
افزودن خورشید و سیارات زمینی 14:21
-
متد محاسبه نیروی گرانش 10:54
-
متد بروزرسانی موقعیت 08:09
-
دریافت داده و اجرای شبیهساز 06:05
-
افزودن قابلیت توقف موقت 03:33
-
افزودن نام و جزئیات فاصله در شبیهساز 11:37
-
روش دنبال کردن مدار 07:18
-
بازسازی کد و جایگزینی خورشید با سیاهچاله 12:07
-
ویدئوی پایانی ماژول 6 01:18
-
آزمون 6 None
-
معرفی ماژول 7 00:44
-
عناصر مداری 16:59
-
آنومالیهای مداری 10:28
-
استخراج فرمول r 11:42
-
استخراج فرمول v 07:34
-
متد نیوتن-رافسون 12:08
-
صورت مسئله پروژه: پیشبینی سرعت و فاصله ماهواره 02:32
-
بررسی گام به گام روند حل مسئله 05:36
-
یافتن آنومالی میانگین 04:12
-
یافتن آنومالی خارج از مرکز 17:11
-
یافتن آنومالی حقیقی 03:32
-
یافتن فاصله و سرعت ماهواره 03:26
-
جمعبندی صورت مسئله 02:02
-
آپلود نوتبوک پایتون در گیتهاب 02:38
-
ویدئوی پایانی ماژول 7 00:49
-
آزمون 7 None
-
ماژول 8 - مقدمه 01:00
-
هوش مصنوعی و یادگیری ماشین چیستند؟ 02:03
-
کاربردهای هوش مصنوعی 06:23
-
یادگیری نظارتشده در مقابل نظارتنشده در مقابل تقویتی 04:22
-
رگرسیون خطی: درک شهودی 14:48
-
رگرسیون خطی: تابع هزینه 08:22
-
رگرسیون خطی: گرادیان کاهشی 17:35
-
آماده شدن با فایل کدنویسی همزمان 02:33
-
تولید مجموعه داده تمرینی جعلی 14:40
-
سفارشیسازی نمودار و آمادهسازی پارامترهای مدل 04:52
-
ساخت توابع برای پیشبینی و هزینه 11:02
-
ساخت تابع برای بروزرسانی پارامترها 29:33
-
ساخت تابع آموزش و آموزش مدل 23:52
-
بررسی عملکرد مدل 11:41
-
تولید مجموعه داده تست و ارزیابی مدل 13:37
-
آپلود نوتبوک پایتون در گیتهاب 01:26
-
ویدئوی پایانی ماژول 8 01:41
-
آزمون 8 None
-
معرفی ماژول 9 01:10
-
معرفی رگرسیون لجستیک 17:44
-
مجموعه داده و هدف مدل 03:14
-
بررسی مجموعه دادهها 06:20
-
آمادهسازی مجموعه داده و پایپلاین 16:00
-
استفاده از پایپلاین برای آموزش و تست 17:12
-
دانلود پایپلاین و تست آن 06:51
-
معرفی FastAPI 12:40
-
راهاندازی پروژه و فایل model.pkl 07:46
-
بارگذاری مدل و انجام پیشبینیها 08:54
-
بازآرایی فایل predictor.py 01:56
-
ساخت اپلیکیشن FastAPI 15:43
-
BaseModel و Field از Pydantic 14:03
-
ست API روی دادههای واقعی ستارهها 08:42
-
افزودن فایل README.md برای پروژه نهایی 01:34
-
ویدئوی پایانی ماژول 9 00:53
-
آزمون 9 None
-
نتیجهگیری برنامه 02:21
-
گامهای بعدی به جلو 04:27
مشخصات آموزش
پایتون برای کاربردهای فضایی: گیت، FastAPI و یادگیری ماشین
- تاریخ به روز رسانی: 1404/09/07
- سطح دوره:مقدماتی
- تعداد درس:128
- مدت زمان :15:50:04
- حجم :8.13GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy