توسعه فول استک پایتون - ساخت اپلیکیشن‌های واقعی

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

تسلط به مبانی پایتون: درک عمیقی از سینتکس پایتون، ساختارهای داده، جریان کنترل و توابع بدست آورید.
ساخت رابط‌های کاربری پویا: سی اس اس، اچ تی ام ال و جاوا اسکریپت را برای ایجاد صفحات وب تعاملی و جذاب از نظر بصری یاد بگیرید.
توسعه منطق سمت سرور: از فریم‌ورک‌های پایتون مانند جنگو یا فلسک برای مدیریت درخواست‌های کاربر، مدیریت داده و قدرت‌دهی به وب اپلیکیشن‌های خود استفاده کنید.
اتصال به پایگاه داده‌های: با پایگاه داده‌های رابطه‌ای مانند PostgreSQL یا MySQL برای ذخیره و بازیابی داده برای اپلیکیشن‌های خود کار کنید.
استقرار اپلیکیشن‌ها: یاد بگیرید چگونه وب اپلیکیشن خود را در یک سرور لایو مستقر کنید تا برای کاربران در سرتاسر جهان قابل دسترسی باشد.

پیش‌نیازهای دوره

این دوره برای افراد مبتدی طراحی شده و نیازی به تجربه قبلی در برنامه‌نویسی ندارید.
شما با اصول شروع کرده و مهارت‌های خود را به صورت گام‌به‌گام ایجاد خواهید کرد.
داشتن درک اولیه از کامپیوترها و اینترنت مفید است، اما الزامی نیست.
یک کامپیوتر با اتصال مطمئن به اینترنت
علاقه به یادگیری و حل مسئله!
نیازی به تجربه قبلی برنامه‌نویسی نیست! این دوره برای افراد مبتدی علاقه‌مند به توسعه وب و تمایل به یادگیری طراحی شده است.
آشنایی با استفاده از کامپیوتر و ناوبری در سیستم‌عامل‌ها
توانایی دنبال کردن دستورالعمل‌های نوشتاری و عیب‌یابی مسائل اولیه کامپیوتری

توضیحات دوره

آیا آماده‌اید که به یک توسعه‌دهنده فول استک پایتون تبدیل شوید؟ این دوره راهنمای نهایی شما برای تسلط به توسعه فول استک، با تمرکز بر ساخت اپلیکیشن‌های واقعی و مقیاس‌پذیر است. چه مبتدی باشید، چه تجربه قبلی در برنامه‌نویسی داشته باشید، این دوره رویکردی عملی برای درک و پیاده‌سازی پایتون در توسعه فول استک ارائه می‌دهد.

در این دوره، شما:

اصول پایتون را برای توسعه سمت بک‌اند یاد خواهید گرفت.
به فریم‌ورک‌های فرانت‌اند مانند ری اکت، سی اس اس و اچ تی ام ال تسلط خواهید یافت.
API‌های قوی با فلسک و جنگو بسازید.
یکپارچه‌سازی پایگاه داده با MySQL ،PostgreSQL و MongoDB را درک کنید.
وب اپلیکیشن‌ها را بر روی پلتفرم‌های ابری مانند AWS و هروکو مستقر کنید.
با پیروی از گردش کارهای مبتنی بر گیت و اجایل کار کنید،در پروژه‌های واقعی همکاری کنید.

در پایان این دوره، شما یک اپلیکیشن واقعی و کاملاً کاربردی ساخته‌اید و اعتماد به نفس لازم برای مواجهه با چالش‌های توسعه وب مدرن را بدست خواهید آورد.

این دوره برای دانشجویان، متخصصان نرم‌افزار و هر کسی که به ایجاد راه‌حل‌های وب تاثیرگذار و مقیاس‌پذیر علاقه‌مند است، مناسب است.

همین حالا در این دوره شرکت کنید و سفر خود را برای تبدیل شدن به یک توسعه‌دهنده فول استک پایتون آغاز کنید!

این دوره برای چه کسانی مناسب است؟

افراد کاملا مبتدی بدون تجربه کدنویسی
افرادی که به دنبال تغییر شغل یا وارد شدن به توسعه وب هستند.
افراد دارای مهارت‌های اولیه کامپیوتر و کنجکاوی نسبت به کدنویسی
افراد کاملا مبتدی بدون تجربه برنامه‌نویسی
دانشجویان دارای دانش اولیه کد نویسی
افرادی که به دنبال تغییر شغل هستند یا علاقه‌مندان

توسعه فول استک پایتون - ساخت اپلیکیشن‌های واقعی

فصل 1: آشنایی با پایتون و لیست‌ها

لیست‌های پایتون: جعبه‌ابزار خلاقانه شما 06:47
تسلط به جادوی لیست: تکنیک‌های پیشرفته 06:22
از داده تا هنر: لیست‌ها و تاپل‌ها در عمل 05:43
خلاقیت خود را با مجموعه‌ها نمایان کنید 05:42
هنر خود را با دیکشنری‌ها سازمان‌دهی کنید 04:20
شیمی متن: دستکاری رشته در پایتون 06:06
زمان به‌عنوان هنر: کار با تاریخ‌ها و زمان‌ها در پایتون 04:00
داستان‌سرایی مبتنی بر داده: پیش‌بینی ریزش مشتری 14:11
قدرت لامبدا: برنامه‌نویسی تابعی برای هنرمندان 06:11
Reduce ،Map و غلبه: اصول برنامه‌نویسی تابعی 04:39
بلوک‌های سازنده: توابع در پایتون 04:47
تسلط به توابع: آرگومان‌ها، اسکوپ و فراتر 07:13

فصل 2: بازگشت و متغیرهای گلوبال

هنر بازگشت: کشف الگوها با پایتون 10:17
زمان به‌عنوان ویژگی: مهندسی با تاریخ و زمان 04:36
پرده‌برداری از مجموعه داده آیریس: مقدمه یادگیری ماشین 09:14
جعبه‌ابزار ریاضی و تصادفی پایتون 06:59
داده خود را بررسی کنید: مدیریت فایل و EDA 05:25
یافتن الگوها: همبستگی و مصورسازی 07:23
توزیع‌های داده: داستان خود را بگویید 06:24
شناسایی غیرمعمول‌ها: تکنیک‌های تشخیص داده پرت 06:45
تسلط به داده پرت: استراتژی‌های پیشرفته تشخیص 04:13
آماده‌سازی داده: پایه برای بینش‌های هنری 06:56

فصل 3: اصول رگرسیون لجستیک

رگرسیون لجستیک: از صفر تا متخصص 11:00
ابهام‌زدایی از ریاضیات رگرسیون لجستیک 09:37
رگرسیون لجستیک: مثال‌های واقعی که نمی‌توانید نادیده بگیرید 10:18
پاکسازی داده: قهرمان ناشناخته یادگیری ماشین 12:05
جادوی مهندسی ویژگی: داده خود را تبدیل کنید 08:42
مدل خود را بشناسید: متریک‌های ضروری ارزیابی 07:39
پردازش زبان طبیعی برای افراد مبتدی: شروع با رگرسیون لجستیک 08:16
پردازش زبان طبیعی خود را با تکنیک‌های پیشرفته تقویت کنید 13:04
یادگیری انتقالی: میانبر پردازش زبان طبیعی که نیاز دارید 07:15
کنترل داده کووید 19: راهنمای دانشمند داده 10:38
پرده‌برداری از روندهای کووید 19: بینش‌های مبتنی بر داده 07:03
چرخه عمر یادگیری ماشین: از داده تا استقرار 10:27
پیش‌پردازش متن: عملکرد خود را پاکسازی کنید 12:47
پیش‌پردازش متن پیشرفته: کشف الگوهای پنهان 14:28
داستان‌گویی با داده متنی: تسلط به EDA 10:24
مهندسی ویژگی: راز موفقیت پردازش زبان طبیعی 09:12
مدل خود را بهینه کنید: نکات تیونینگ هایپرپارامتر 07:55
یافتن هایپرپارامترهای عالی: یک راهنمای عملی 06:38
منظم‌سازی: جلوگیری از بیش‌برازش مانند یک حرفه‌ای 09:10
کدام مدل برنده است؟ یک رویارویی 09:41
رگرسیون خطی: بلوک سازنده یادگیری ماشین 07:04
رگرسیون خطی: مدل‌های ساده، تأثیر بزرگ 06:13
بازی رگرسیون خطی خود را ارتقا دهید 09:21
درخت‌های تصمیم‌گیری: آسان برای درک، قدرتمند برای استفاده 06:50
درخت‌های تصمیم‌گیری: بلوک‌های سازنده 08:05
تسلط به آنتروپی و کسب اطلاعات 07:17
اجتناب از بیش‌برازش: بررسی عمیق درخت‌های تصمیم‌گیری 07:36
مدیریت داده دسته‌بندی: استایل درخت تصمیم‌گیری 07:37
آموزش و غلبه: تسلط به درخت تصمیم‌گیری 07:11
مصورسازی داده: داستان خود را به‌صورت بصری بگویید 09:36
شناسایی روندها: داده پرت و همبستگی‌ها 10:55
مصورسازی پیشرفته: کشف بینش‌های پنهان 10:10
تحلیل دو متغیره: کشف روابط 15:40
تحلیل چندمتغیره: تسلط به پیچیدگی 07:54
تحلیل سری زمانی: پیش‌بینی آینده 11:20
خوشه‌بندی کی-میانگین: افراد خود را بیابید 13:04
تسلط به کی-میانگین: نکات و ترفندها 14:19
کی-میانگین در عمل: مثال‌های واقعی 12:13
فراتر از کی-میانگین: تکنیک‌های خوشه‌بندی پیشرفته 12:29
خوشه‌های خود را ارزیابی کنید: آیا منطقی است؟ 10:38

فصل 4: آشنایی با مفاهیم یادگیری عمیق

تاریخچه یادگیری عمیق و الهام‌گرفته از علم عصب‌شناسی 10:06
درک شبکه‌های عصبی: وزن‌ها، شبکه‌های چندعصبی 11:58
بررسی عمیق پس‌انتشار 10:53
آشنایی با شبکه‌های عصبی بازگشتی: شهود پشت شبکه‌های عصبی بازگشتی و سلول‌های مختلف 10:25
ساخت شبکه‌های عصبی بازگشتی با تنسورفلو: کار با چندین شبکه عصبی 09:08
آموزش شبکه‌های عصبی بازگشتی در تنسورفلو: برازش، کامپایل و اجرای مدل 07:19
بهینه‌سازی آموزش مدل: آموزش مدل با تعداد دور (Epochs) 09:34
مدل‌های توالی به توالی: مدل‌های رمزگذار و رمزگشا 10:13
شبکه‌های LSTM و کاربردها: مقداردهی اولیه تصادفی و شهود LSTM 09:32
پیاده‌سازی LSTMها با تنسورفلو: پیاده‌سازی سفارشی 07:46
آشنایی با بینایی کامپیوتر: ایده پیکسل و تبدیل به آرایه‌ها 05:26
مبانی شبکه‌های عصبی کانولوشن: پدینگ و کرنل 07:19
درک کرنل‌ها در شبکه‌های عصبی کانولوشن: کرنل‌های مختلف 09:55
پدینگ، گام‌ها و پولینگ در شبکه‌های عصبی کانولوشن 10:46
افزایش و بهینه‌سازی داده در شبکه‌های عصبی کانولوشن: کار عملی با تنسورفلو 10:46
ساخت و آموزش مدل‌های شبکه عصبی کانولوشن 11:06
پیاده‌سازی LSTMها با تنسورفلو: پیش‌پردازش داده 07:25
جدید! ساخت مدل‌های مولد با LSTMها: آموزش مدل‌ها با تیونینگ هایپرپارامتر 06:09
آشنایی با بینایی کامپیوتر با یادگیری عمیق: پیش‌پردازش و آموزش 01:12
آموزش مدل‌های یادگیری عمیق برای داده تصویری: 1500 تصویر در داده آموزش و تست 01:21
مدیریت کارآمد داده تصویری بزرگ: نمونه‌های آموزش 01:24
تکنیک‌های پیشرفته پردازش تصویر: پاکسازی و پیش‌پردازش داده 01:31
دسته‌بندی با یادگیری عمیق: 10 تسک دسته‌بندی 01:40
ارزیابی مدل و یادگیری انتقالی: ارزیابی مدل‌ها و ترنسفورمرها 06:21
تفسیر مدل‌های یادگیری عمیق: شهود هندسی مدل‌های VGG16 07:23
بهینه‌سازی مدل‌های یادگیری عمیق: کاهش گرادیان و کاهش گرادیان تصادفی 07:27
تکنیک‌های بهینه‌سازی پیشرفته 07:15
استقرار عملی مدل‌های یادگیری عمیق: معادلات ریاضی 06:40
استقرار مدل‌ها با فلسک: درک جزئیات داخلی 07:11
مدیریت درخواست‌ها با کراس و فلسک: مدل‌های کراس و متدهای Get و Post 09:57
مقیاس‌بندی مدل‌های یادگیری عمیق: شبکه عصبی کانولوشن تصویر حیوان در عمل 06:27
اطمینان از تأخیر کم در استقرار مدل: دریافت لاگ‌های اپلیکیشن فلسک 07:33
توضیح آسان استقرار فلسک: راهنمای گام‌به‌گام برای اپلیکیشن‌های واقعی 07:07
استقرار عملی فلسک برای افراد مبتدی: امروز آنلاین شوید! 06:21