رهپویان امروز: همهٔ درس‌ها

10 درس‌ها

فنی و مهندسی

طراحی ایستگاه راه آهن

ایستگاه های راه آهن به عنوان یکی از مکانهایی که در جابجایی افراد در سطح شهری و برون شهری فعالیت دارند و از سوی دیگر میزبانی برای مسافرین می باشند از اهمیت ویژه ای برخوردار هستند و علاوه بر اینکه حجم زیادی از نیاز های مسافرین و افرادی که میخواهند جابجایی داشته باشد را برطرف میکنند سمبل و نماد یک شهر نیز هستند , همانطور که گفته شد این مکان میتواند برای برخی از افراد میزبان باشد یعنی مقصد برخی از افراد باشد و همچنین مبدا برخی از افراد است از این رو باید از طراحی ویژه ای برخوردار باشد تا بتواند به عنوان مکانی مناسب با نیاز افراد مورد استفاده قرار گیرد .

(0)

بوت‌کمپ جامع پایتون: سفر شما از صفر تا تخصص

فنی و مهندسی

پیش‌نمایش دوره

فنی و مهندسی

بوت‌کمپ جامع پایتون: سفر شما از صفر تا تخصص

یرعنوان: یک سفر پروژه-محور برای تبدیل شدن به یک توسعه‌دهنده پایتون، آماده برای ورود به بازار کار.

توضیحات کلی دوره: این بوت‌کمپ فقط یک دوره آموزشی نیست؛ یک سفر کامل برای تسلط بر زبان برنامه‌نویسی پایتون است. ما از اولین قدم‌ها، یعنی نصب پایتون و نوشتن “Hello, World!” شروع می‌کنیم و شما را قدم به قدم تا ساخت پروژه‌های واقعی و کاربردی در حوزه‌های مختلف مانند توسعه وب، تحلیل داده و اتوماسیون همراهی می‌کنیم. در پایان این بوت‌کمپ، شما نه تنها به پایتون مسلط خواهید بود، بلکه یاد می‌گیرید چگونه مانند یک برنامه‌نویس حرفه‌ای فکر و کدنویسی کنید.

سرفصل‌های تفصیلی بوت‌کمپ:

فصل ۰: مقدمات و آماده‌سازی محیط (شروع طوفانی)

چرا پایتون؟ آشنایی با قدرت و کاربردهای پایتون
نصب پایتون و ابزارهای مورد نیاز (VS Code) بر روی ویندوز، مک و لینوکس
آشنایی با محیط کدنویسی و اجرای اولین برنامه
مبانی کار با ترمینال (Command Line)
اصول نوشتن کد تمیز و خوانا (Clean Code)

فصل ۱: مبانی و اصول برنامه‌نویسی پایتون (بنیان‌های مستحکم)

متغیرها و انواع داده (Strings, Integers, Floats, Booleans)
عملگرهای حسابی، مقایسه‌ای و منطقی
کار با ورودی و خروجی (Input/Output)* دستکاری رشته‌ها (String Manipulation) و F-Strings
مینی پروژه ۱: ساخت یک ماشین حساب ساده

فصل ۲: ساختارهای کنترلی و منطق برنامه

دستورات شرطی: if, elif, else
حلقه‌های تکرار: for و while
کنترل حلقه‌ها با break و continue
مینی پروژه ۲: بازی حدس عدد

فصل ۳: ساختمان داده‌های پایتون (مدیریت حرفه‌ای داده‌ها)

لیست‌ها (Lists): ایجاد، دسترسی، و متدهای کاربردی
تاپل‌ها (Tuples): داده‌های تغییرناپذیر
مجموعه‌ها (Sets): داده‌های منحصربه‌فرد
دیکشنری‌ها (Dictionaries): ساختار قدرتمند کلید-مقدار
مینی پروژه ۳: مدیریت لیست تماس ساده

فصل ۴: توابع و ماژولار کردن کد (هنر کدنویسی تمیز)

تعریف و فراخوانی توابع (Functions)
پارامترها، آرگومان‌ها و مقادیر بازگشتی (Return)
محدوده متغیرها (Scope)
توابع لامبدا (Lambda) و کاربرد آن
کار با ماژول‌های استاندارد پایتون (مانند math و random)

فصل ۵: برنامه نویسی شیء گرا (OOP) - سطح حرفه‌ای

مفاهیم کلاس (Class) و شیء (Object)
سازنده‌ها (__init__) و متدها
اصول چهارگانه OOP: وراثت (Inheritance)، کپسوله‌سازی (Encapsulation)، چندریختی (Polymorphism)
متدهای ویژه (Magic Methods)
مینی پروژه ۴: ساخت یک سیستم ساده ثبت‌نام دوره

فصل ۶: کار با فایل‌ها و مدیریت خطاها

خواندن و نوشتن در فایل‌های متنی (txt, csv, json)
مدیریت خطاها با try, except, finally
کار با فایل‌ها به روش اصولی با دستور withفصل ۷: مباحث پیشرفته و کتابخانه‌های قدرتمند
List Comprehensions (کدنویسی به سبک پایتونیک)
مفاهیم Generator و Decorator
کار با تاریخ و زمان (ماژول datetime)
مقدمه‌ای بر API ها و درخواست‌های وب (با کتابخانه requests)

فصل ۸: ورود به دنیای واقعی (انتخاب تخصص و ساخت پروژه) در این بخش، شما بر اساس علاقه خود یکی از مسیرهای زیر را برای ساخت یک پروژه بزرگ انتخاب می‌کنید:* مسیر ۱: توسعه وب (Web Development) * مقدمه‌ای بر فریم‌ورک Django یا Flask * ساخت یک وبلاگ ساده یا یک API برای اپلیکیشن

مسیر ۲: تحلیل داده (Data Analysis)
- مقدمه‌ای بر کتابخانه‌های NumPy و Pandas
- تحلیل و پاکسازی یک مجموعه داده واقعی (مانند داده‌های فروش)
مسیر ۳: اتوماسیون و اسکریپت‌نویسی * ساخت یک ربات تلگرام ساده
- نوشتن اسکریپت برای استخراج اطلاعات از وب (Web Scraping) با BeautifulSoup

فصل ۹: پروژه نهایی و گام‌های بعدی (آماده برای پرواز)

تکمیل و ارائه پروژه نهایی انتخاب شده
آشنایی با Git و GitHub برای کنترل ورژن و کار تیمی
نکات مهم برای ساخت یک رزومه و پورتفولیوی حرفه‌ای
نقشه راه برای ادامه مسیر: یادگیری ماشین، هوش مصنوعی، توسعه بازی و…
جلسه پرسش و پاسخ نهایی و اعطای گواهینامه

(0)

فنی و مهندسی

پیش‌نمایش دوره

فنی و مهندسی

مهندسی داده و کلان‌داده

آنچه یاد خواهید گرفت:

درک اصول کلان‌داده: مفاهیم کلیدی کلان‌داده و تکامل از Hadoop به Spark را توضیح دهید.
یادگیری معماری اسپارک: کامپوننت ها و معماری اصلی Apache Spark، شامل RDDs ،DataFrames و Datasets را شرح دهید.
راه‌اندازی اسپارک: Spark را در حالت‌های محلی و مستقل برای توسعه و تست نصب و پیکربندی کنید.
نوشتن برنامه‌های PySpark: اپلیکیشن های PySpark را با استفاده از پایتون شامل عملیات‌های اولیه بر روی RDDs و DataFrames ایجاد و اجرا کنید.
تسلط به عملیات‌های RDD: تبدیل‌ها و عملیات‌هارا ضمن استفاده از کش و پایداری بر روی RDDs مانند map ،filter ،reduce و groupBy انجام دهید.
کار با SparkContext و SparkSession: نقش آن‌ها را درک کرده و آن‌ها را به طور مؤثر در اپلیکیشن های PySpark مدیریت کنید.
کار با DataFrames: DataFrames را برای پردازش داده‌ ساختاریافته ایجاد، دستکاری و بهینه کنید.
اجرای کوئری‌های SQL در SparkSQL: از SparkSQL برای کوئری گرفتن از DataFrames استفاده کنید و SQL را با عملیات‌های DataFrame یکپارچه کنید.
مدیریت فرمت‌های مختلف داده: داده‌ را ضمن بهینه‌سازی ذخیره‌سازی داده با پارتیشن‌بندی و باکتینگ در فرمت‌هایی مانند CSV ،JSON ،Parquet و Avro بخوانید و بنویسید.
ساخت پایپ‌لاین‌های داده: پایپ‌لاین‌های داده دسته‌ای و بلادرنگ را برای دریافت، تبدیل و تجمیع داده طراحی و پیاده‌سازی کنید.
یادگیری مبانی Spark Streaming: داده‌ بلادرنگ را با استفاده از Spark Streaming شامل کار با استریمینگ ساختاریافته و یکپارچه‌سازی با Kafka پردازش کنید.
بهینه‌سازی اپلیکیشن های اسپارک: با درک مدل‌های اجرایی، DAGs، عملیات‌های shuffle و مدیریت حافظه، اپلیکیشن های Spark را برای عملکرد بهینه تنظیم کنید.
استفاده از ویژگی‌های پیشرفته اسپارک: از عملیات‌های پیشرفته DataFrame، شامل joins، تجمیع‌ها و توابع پنجره‌ای، برای تبدیل‌های پیچیده داده استفاده کنید.
بررسی در جزئیات داخلی اسپارک: درک عمیقی از مدل اجرایی Spark ،Catalyst Optimizer و تکنیک‌هایی مانند Broadcasting و Partitioning به دست آورید.
یادگیری مبانی Spark MLlib: پایپ‌لاین‌های یادگیری ماشین را با استفاده از Spark MLlib بسازید و الگوریتم‌هایی مانند رگرسیون خطی و رگرسیون لجستیک را اعمال کنید.
توسعه اپلیکیشن های استریمینگ بلادرنگ: استریمینگ حالت‌مند را پیاده‌سازی کنید، داده‌ دیرهنگام را مدیریت کنید و تحمل خطا را با Checkpointing در Spark Streaming مدیریت کنید.
کار بر روی پروژه‌های پایانی: یک پایپ‌لاین داده کامل را طراحی و پیاده‌سازی کنید، که پردازش داده‌ دسته‌ای و استریمینگ را با یادگیری ماشین یکپارچه کند.
آماده شدن برای نقش‌های صنعتی: Spark را در موارد استفاده واقعی به کار ببرید، رزومه خود را با مهارت‌های Spark بهبود بخشید، برای مصاحبه‌های فنی در مهندسی داده و یادگیری ماشین آماده شوید.