مبانی برنامه‌نویسی پایتون: از صفر تا حرفه‌ای

 اهداف آموزشی🧠

:در پایان این دوره انتظار می‌رود دانشجو بتواند

• ماهیت و ویژگی‌های زبان برنامه‌نویسی پایتون و جایگاه آن در حوزه‌های نوین مانند هوش مصنوعی را توضیح دهد.

• محیط پایتون را نصب و پیکربندی کند.

• ساختارهای داده‌ای پایه (رشته، لیست، دیکشنری، تاپل و مجموعه‌ها) را درک و به‌کار گیرد.

• از دستورات شرطی و حلقه‌ها برای کنترل جریان برنامه استفاده کند.

• توابع را طراحی کرده و مفاهیم حوزه‌ی متغیرها را درک نماید.

• با اصول اولیه‌ی برنامه‌نویسی شیءگرا (OOP) آشنا شده و کلاس و شیء تعریف کند.

• با کتابخانه‌های پرکاربرد NumPy و Pandas برای تحلیل داده کار کند.

• برنامه‌های ساده و متوسط را به‌صورت ساخت‌یافته طراحی نماید.

• با مفاهیم مقدماتی و کتابخانه‌های کلیدی در هوش مصنوعی (مانند Scikit-learn) آشنا شود.

 سرفصل‌های دوره📚

فصل 1: مقدمه و آشنایی با پایتون

• معرفی زبان پایتون، تاریخچه و کاربردهای گسترده (وب، علم داده، اتوماسیون، هوش مصنوعی)

• نصب و راه‌اندازی مفسر پایتون

• آشنایی با محیط‌های توسعه (IDEs) مانند VS Code و PyCharm و محیط‌های خط فرمان (CMD, IDLE)

فصل 2: مبانی برنامه‌نویسی و انواع داده‌ها

• اولین برنامه پایتون: “Hello, World!”

• نحو (Syntax) پایتون: تورفتگی‌ها (Indentation) و قواعد نگارشی

• انواع داده‌های اصلی: اعداد (صحیح، اعشاری)، رشته‌ها، بولین

• عملیات پایه و متدهای کاربردی رشته‌ها (Indexing, Slicing, Formatting)

• مدیریت ورودی و خروجی (Input/Output)

فصل 3: ساختارهای کنترلی

• دستورات شرطی: if, elif, else برای تصمیم‌گیری در برنامه

• حلقه‌های تکرار: for (پیمایش لیست‌ها و رشته‌ها) و while (تکرار تا حصول شرط)

• کنترل جریان حلقه: break برای خروج از حلقه و continue برای پرش به تکرار بعدی

فصل 4: ساختارهای داده‌ای پیچیده‌تر

• لیست (List): تعریف، دسترسی، تغییر و عملیات روی لیست‌ها

• دیکشنری (Dictionary): کلید-مقدار، دسترسی و مدیریت داده‌ها

• مجموعه‌ها (Set): خواص مجموعه‌ها و عملیات ریاضی روی آن‌ها

• تاپل (Tuple): ویژگی‌ها و کاربردهای تاپل‌ها

فصل 5: توابع و ماژول‌ها

• تعریف تابع: پارامترها، آرگومان‌ها و مقادیر بازگشتی

• دامنه‌ی دید متغیرها (Local vs. Global Scope)

• وارد کردن ماژول‌ها و استفاده از کتابخانه‌های استاندارد پایتون (مانند math, random, datetime)

فصل 6: مقدمه‌ای بر برنامه‌نویسی شیءگرا (OOP)

• مفاهیم کلاس (Class) و شیء (Object)

• تعریف کلاس‌ها، ایجاد اشیاء و صفات (Attributes)

• متدها (Methods) و نحوه‌ی فراخوانی آن‌ها

• اصول اولیه ارث‌بری (Inheritance)

فصل 7: کتابخانه‌های علمی پایتون برای تحلیل داده

• NumPy: کار با آرایه‌های عددی چندبعدی، عملیات برداری و محاسبات علمی

• Pandas: معرفی سری (Series) و DataFrame، بارگذاری داده‌ها، فیلتر کردن، گروه‌بندی و خلاصه‌سازی داده‌ها

فصل 8: مقدمه‌ای بر هوش مصنوعی با پایتون

• آشنایی با کتابخانه‌ی Scikit-learn

• معرفی مفاهیم پایه یادگیری ماشین (مانند رگرسیون و طبقه‌بندی)

• پیاده‌سازی یک مدل ساده با استفاده از Scikit-learn (اختیاری، بسته به زمان دوره)

فصل 9: پروژه‌ی پایانی

• ادغام مفاهیم آموخته شده در یک پروژه‌ی کاربردی (مثلاً تحلیل داده‌های ساده با Pandas و NumPy)