دوره Streamlit با Python: ساخت و استقرار اپلیکیشن‌های داده واقعی

آنچه یاد خواهید گرفت:

• ساخت اپلیکیشن‌های داده‌ای تعاملی و آماده‌ی تولید با استفاده از Streamlit و Python
• طراحی طرح بندی‌های تمیز و واکنش‌گرا در Streamlit با استفاده از کامپوننت‌های قابل‌استفاده‌مجدد
• ثبت و مدیریت مؤثر ورودی‌های کاربر، رویدادها و session state
• مصورسازی داده با استفاده از جدول‌ها، شاخص‌ها، نمودارها و نمودارهای تعاملی
• ایجاد اپلیکیشن‌های چندصفحه‌ای Streamlit با استیت مشترک و ناوبری
• بهینه‌سازی عملکرد اپلیکیشن با استفاده از تکنیک‌های کشینگ و مدیریت استیت
• یکپارچه‌سازی اپلیکیشن‌های Streamlit با پایگاه‌های داده و APIهای خارجی
• شخصی‌سازی رابط کاربری با استفاده از تم‌ها، CSS و تکنیک‌های برندسازی
• استقرار اپلیکیشن‌های Streamlit در محیط‌های ابری و تولید
• ساخت و استقرار پروژه‌های واقعی، از جمله Personal Finance Tracker و Budget Planner

پیش‌نیازهای دوره

• اشتیاق و اراده برای اینکه اثر خود را در جهان بگذارید!

توضیحات دوره

به دوره‌ی Streamlit با Python: ساخت و استقرار اپلیکیشن‌های داده‌ای واقعی از طرف Uplatz خوش آمدید.

Streamlit یک فریم‌ورک Python متن‌باز است که به شما امکان می‌دهد اپلیکیشن‌های وب تعاملی برای داده، تحلیل و یادگیری ماشین - فقط با Python بسازید.

بدون نیاز به HTML ،CSS یا JavaScript. اگر بتوانید یک اسکریپت Python بنویسید، می‌توانید یک وب اپلیکیشن هم بسازید.

این ابزار به‌طور گسترده توسط دانشمندان داده، تحلیل‌گران، مهندسان ML و توسعه‌دهندگان Python استفاده می‌شود تا اسکریپت‌ها و نوت‌بوک‌ها را در چند دقیقه به اپلیکیشن‌های قابل‌اشتراک‌گذاری تبدیل کنند.

Streamlit چگونه کار می‌کند؟

Streamlit از یک مدل اجرای مبتنی بر اسکریپت پیروی می‌کند:

• شما یک اسکریپت Python معمولی می‌نویسید
• از فرمان های st * استفاده می‌کنید (مثل st button ،st dataframe ،st line_chart)
• Streamlit اسکریپت شما را از بالا به پایین اجرا می‌کند.
• هر تعامل کاربر (کلیک دکمه، جابه‌جایی اسلایدر) باعث اجرای مجدد اسکریپت می‌شود.
• Streamlit رابط کاربری را به‌صورت خودکار در مرورگر بروزرسانی می‌کند.

ایده‌ی اصلی

اسکریپت Python شما خود وب اپلیکیشن شماست

بدون route، بدون callback، و بدون دردسرهای استیت فرانت‌اند

در پشت صحنه (درون سیستم چه اتفاقی می‌افتد؟)

• کد Python در بک‌اند اجرا می‌شود

Streamlit:

• عناصر رابط کاربری را شناسایی می‌کند.
• استیت رابط کاربری را به مرورگر ارسال می‌کند.
• در هنگام تعامل، اسکریپت را دوباره اجرا می‌کند.
• Session state داده مخصوص هر کاربر را نگه می‌دارد.
• Caching از محاسبات غیرضروری جلوگیری می‌کند.

این ویژگی‌ها Streamlit را به ابزاری تبدیل می‌کنند که:

• برای توسعه، بسیار سریع است
• درک آن آسان است
• برای اپلیکیشن‌های داده‌محور ایده‌آل است

ویژگی‌های اصلی Streamlit

توسعه‌ی سریع اپلیکیشن

• ساخت اپلیکیشن در چند دقیقه، نه چند روز
• بدون نیاز به دانش فرانت‌اند
• کدهای boilerplate بسیار کم

کامپوننت‌های غنی رابط کاربری

پشتیبانی آماده از موارد زیر:

• متن، markdown، شاخص‌ها
• دکمه‌ها، اسلایدرها، چک‌باکس‌ها
• فرم‌ها و ویجت‌های ورودی
• جدول‌ها و dataframeهای قابل ویرایش

مصورسازی قدرتمند داده

• نمودارهای بومی (st line_chart ،st bar_chart)

پشتیبانی کامل از:

• Matplotlib
• Seaborn
• Plotly
• Altair
• داشبوردهای تعاملی با حداقل کد

Session State و Caching

• st session_state برای داده مخصوص هر کاربر

Caching برای:

• بارگذاری داده
• محاسبات پرهزینه
• افزایش چشمگیر عملکرد در اپلیکیشن‌های واقعی

اپلیکیشن‌های چندصفحه‌ای

• ساخت داشبوردهای چندصفحه‌ای
• ناوبری و استیت مشترک
• ساختار پروژه‌ی تمیز برای اپلیکیشن‌های بزرگ

مدیریت فایل و پشتیبانی از رسانه

• آپلود CSV ،Excel، تصویر، صوت و ویدئو
• دانلود فایل‌های پردازش‌شده
• مناسب برای ابزارها و utilityهای داخلی

یکپارچه‌سازی با پایگاه داده و API

اتصال به:

• پایگاه‌های داده SQL
• پایگاه‌های داده ابری
• REST APIها
• ساخت اپلیکیشن‌های کاملاً داده‌محور

استایل‌دهی و تم‌سازی

• تم‌های داخلی
• تزریق CSS سفارشی
• رابط‌های آماده برای برندسازی

استقرار آسان

• Streamlit Community Cloud
• Docker
• AWS ،Azure ،GCP
• سازگار با پایپ لاین های CI/CD

Streamlit برای چه مواردی بهترین گزینه است؟

• داشبوردهای داده
• دموی مدل‌های ML
• ابزارهای داخلی
• اپلیکیشن‌های تحلیلی
• نمونه‌سازی سریع
• پروژه‌های شخصی یا استارتاپی

برای موارد زیر گزینه‌ی ایده‌آلی نیست:

• انیمیشن‌های سنگین فرانت‌اند
• اپلیکیشن‌های پیچیده به سبک SPA
• منطق رابط کاربری بسیار سفارشی

Streamlit به شما اجازه می‌دهد اسکریپت‌های Python را بدون هیچ کد فرانت‌اندی به وب اپلیکیشن‌های تعاملی تبدیل کنید.

چرا این دوره‌ی Streamlit را بگذرانید؟

Streamlit یکی از سریع‌ترین راه‌ها برای تبدیل کد Python به اپلیکیشن‌های واقعی و قابل‌استفاده است. این دوره بر کاربرد عملی و واقعی تمرکز دارد، نه فقط روی قابلیت‌های جداگانه 

شما فقط Streamlit را یاد نمی‌گیرید - بلکه اپلیکیشن‌های کامل می‌سازید، بهترین شیوه‌های تولید را می‌آموزید و با اطمینان اپلیکیشن‌های خود را مستقر می‌کنید.

این دوره طوری طراحی شده که شما را از این مسیر عبور دهد:

• اسکریپت‌های Python ➜ وب اپلیکیشن‌های تعاملی
• نوت‌بوک‌ها ➜ داشبوردهای قابل‌اشتراک‌گذاری
• ایده‌ها ➜ محصولات قابل استقرار

بررسی دوره

این دوره با رویکردی عملی و پروژه‌محور به Streamlit می‌پردازد.

شما با مبانی Streamlit شروع می‌کنید و به‌تدریج وارد این مباحث می‌شوید:

• طرح بندی رابط کاربری و تعامل‌پذیری
• مصورسازی داده و اپلیکیشن‌های داده‌ای قابل ویرایش
• مدیریت استیت و بهینه‌سازی عملکرد
• معماری اپلیکیشن‌های چندصفحه‌ای
• یکپارچه‌سازی با پایگاه داده و API
• استایل‌دهی، تم‌سازی و برندسازی
• استقرار و گردش های کار تولید

هر مفهوم با مثال‌های روشن توضیح داده می‌شود و سپس در سناریوهای واقعی به کار گرفته می‌شود.

پروژه‌های عملی موجود در دوره

در طول دوره، اپلیکیشن‌های کاربردی زیر را خواهید ساخت:

• داشبوردهای تعاملی داده
• اپلیکیشن‌های چندصفحه‌ای Streamlit
• ابزارهای ویرایش و اعتبارسنجی داده
• اپلیکیشن‌های داده‌محور مبتنی بر API
• اپلیکیشن‌های مستقرشده و آماده‌ی تولید

پروژه‌های نهایی

• اپلیکیشن نهایی ابتدا تا انتها در Streamlit
• Personal Finance Tracker و Budget Planner

این پروژه‌ها همه‌ی آموخته‌های شما را تثبیت می‌کنند و می‌توانند به نمونه‌کار یا GitHub شما اضافه شوند.

چه چیزی این دوره را متفاوت می‌کند؟

• تمرکز بر ساخت اپلیکیشن‌های واقعی، نه مثال‌های ساده و آزمایشی
• پوشش استقرار و تولید، نه فقط توسعه
• شامل اپلیکیشن‌های چندصفحه‌ای و مدیریت استیت
• تعادل ایده‌آل بین سادگی + شیوه‌های حرفه‌ای
• مناسب برای مبتدیان، اما همچنان ارزشمند برای توسعه‌دهندگان باتجربه

این دوره چگونه تدریس می‌شود؟

• توضیحات روشن و گام‌به‌گام
• نمایش‌های عملی کدنویسی
• تأکید بر مثال‌های کاربردی به‌جای تئوری
• گردش های کار پروژه‌های واقعی
• پیشرفت منظم و ساختارمند

شما همواره نه فقط چگونگی استفاده از یک چیز، بلکه دلیل استفاده از آن را درک خواهید کرد.پس از پایان این دوره، قادر خواهید بود.

• اپلیکیشن‌های داده‌ای تعاملی با استفاده از Streamlit و Python بسازید.
• رابط‌های تمیز و مناسب کاربر در Streamlit طراحی کنید.
• استیت و عملکرد اپلیکیشن را به‌صورت کارآمد مدیریت کنید.
• اپلیکیشن‌های چندصفحه‌ای Streamlit ایجاد کنید.
• پایگاه‌های داده و APIها را در اپلیکیشن‌های خود یکپارچه کنید.
• اپلیکیشن‌های Streamlit را در محیط‌های ابری و تولید مستقر کنید.
• پروژه‌های Streamlit خود را با اطمینان و به‌صورت حرفه‌ای ارائه دهید.

Streamlit با Python: ساخت و استقرار اپلیکیشن‌های داده‌ای واقعی - سرفصل دوره

ماژول 1: شروع کار با Streamlit

• Streamlit چیست و چرا اهمیت دارد؟
• نصب Streamlit و راه‌اندازی محیط
• اجرای اولین اپلیکیشن Streamlit
• درک چرخه‌ی عمر اپلیکیشن Streamlit

ماژول 2: کامپوننت‌های اصلی و طرح بندی اپلیکیشن

• ساختار صفحه در Streamlit
• متن، Markdown و عناصر رسانه‌ای
• کنترل طرح بندی با Containerها، Columnها و Expanderها
• بهترین شیوه‌ها برای طراحی تمیز اپلیکیشن

ماژول 3: ویجت‌های ورودی کاربر و تعامل‌پذیری

• دکمه‌ها، اسلایدرها، چک‌باکس‌ها و دکمه‌های رادیویی
• ورودی‌های متنی و Select Boxها
• فرم‌ها و جریان تعامل کاربر
• مدیریت مؤثر رویدادهای کاربر

ماژول 4: مصورسازی داده با Streamlit

• نمایش جدول‌ها و شاخص‌ها
• رسم نمودار با Matplotlib و Seaborn
• نمودارهای تعاملی با Plotly
• انتخاب بهترین نوع مصورسازی برای داده شما

ماژول 5: DataFrameهای پیشرفته و ویرایشگرها

• نمایش کارآمد DataFrameهای بزرگ
• استفاده از st data_editor
• جدول‌های قابل ویرایش و اعتبارسنجی
• سناریوهای واقعی ویرایش داده

ماژول 6: مدیریت استیت و Caching

• درک Session State
• مدیریت سشن های کاربر
• Caching داده و توابع
• تکنیک‌های بهینه‌سازی عملکرد

ماژول 7: قابلیت‌های تخصصی Streamlit

• آپلود و دانلود فایل
• مدیریت رسانه (تصویر، صوت، ویدئو)
• نوارهای پیشرفت و پیام‌های استیت
• مروری بر کامپوننت‌های سفارشی

ماژول 8: ساخت اپلیکیشن‌های چندصفحه‌ای Streamlit

• ایجاد ساختارهای چندصفحه‌ای
• ناوبری و مسیریابی صفحات
• اشتراک‌گذاری استیت بین صفحات
• طراحی معماری‌های مقیاس‌پذیر برای اپلیکیشن

ماژول 9: استایل‌دهی، تم‌ها و شخصی‌سازی رابط کاربری

• تم‌های سفارشی و استایل‌دهی طرح بندی
• استفاده از CSS در Streamlit
• برندسازی اپلیکیشن Streamlit شما
• بهبود UX و جذابیت ویژوال

ماژول 10: یکپارچه‌سازی پایگاه داده و API

• اتصال Streamlit به پایگاه‌های داده
• کار با کوئری‌های SQL
• مصرف REST APIها
• ساخت اپلیکیشن‌های داده‌محور

ماژول 11: استقرار و تولید – بخش 1

• آماده‌سازی اپلیکیشن‌های Streamlit برای استقرار
• پیکربندی محیط
• مدیریت secrets
• اشتباهات رایج در استقرار

ماژول 12: استقرار و تولید – بخش 2

• استقرار در Streamlit Cloud
• استقرار در پلتفرم‌های ابری (مروری بر AWS / GCP / Azure)
• ملاحظات عملکرد و مقیاس‌پذیری
• نظارت و نگهداری

ماژول 13: پروژه‌ی نهایی – اپلیکیشن ابتدا تا انتها در Streamlit

• برنامه‌ریزی و معماری پروژه
• ساخت یک اپلیکیشن کامل و آماده‌ی تولید
• اعمال بهترین شیوه‌های آموخته‌شده
• بازبینی نهایی و بهبودها

ماژول 14: پروژه‌ی واقعی – Personal Finance Tracker و Budget Planner

• طراحی Finance Tracker
• ردیابی هزینه‌ها و منطق بودجه‌بندی
• مصورسازی داده و استخراج بینش
• استقرار پروژه‌ی نهایی

این دوره برای چه کسانی مناسب است؟

• توسعه‌دهندگان Python که می‌خواهند بدون یادگیری فریم‌ورک‌های فرانت‌اند، اپلیکیشن‌های وب تعاملی بسازند.
• تحلیل‌گران داده و دانشمندان داده که می‌خواهند نوت‌بوک‌ها را به داشبوردهای قابل‌اشتراک‌گذاری و آماده‌ی تولید تبدیل کنند.
• فعالان یادگیری ماشین که می‌خواهند مدل‌ها را به‌صورت اپلیکیشن‌های وب ساده مستقر کنند
• تحلیل‌گران کسب‌وکار و متخصصانی که می‌خواهند ابزارهای داده‌محور و داشبوردهای داخلی بسازند.
• دانشجویان و مبتدیان حوزه‌ی تحلیل داده یا Python که به دنبال یادگیری عملی و مبتنی رب پروژه‌ هستند.
• بنیان‌گذاران استارتاپ و سازندگان محصول که می‌خواهند به‌سرعت نمونه‌های اولیه‌ی اپلیکیشن‌های داده‌ای بسازند.
• هر کسی که به ساخت داشبورد، ابزار یا اپلیکیشن‌های داخلی با Python علاقه‌مند است.