زبان برنامه نویسی پایتون

دوره مقدماتی و پیشرفته زبان برنامه نویسی پایتون (Python) در راستای آنالیز دیتا

تاریخ برگزاری کلاس: ۱۳۹۶/۱/۱۸

رزومه استاد

دکتر مهدی حبیب زاده
طول دوره: ۳۰ساعت
استاد دوره: دکتر مهدی حبیب زاده
ساعت شروع و پایان: ۱۷:۰۰ الی ۲۰:۳۰
هزینه ثبت نام: ۵۰۰ هزار تومان
(پرداختی در دوقسط، قسط اول قبل ازشروع کلاس 50% قسط دوم حداکثر تا جلسه 4ام 50% باقی مانده)
  مکان: آموزشگاه گروه علمی داج در غرب تهران

نحوه پرداخت:

خواهشمند است وجوه ثبت نام را به شماره کارت

5892-1011-2844-8236

احمد مرادی جوکار واریز نموده و تصویر فیش را در فرم ثبت نام قطعی وارد نمایید.


تخفیف آموزش



عزیزانی که تا تاریخ 95/12/20 ثبت نام قطعی انجام دهند، از ۱0٪ تخفیف برخوردار خواهند شد (پرداختی شما 450 هزار تومان)(پرداختی در دوقسط، قسط اول قبل ازشروع کلاس 50% قسط دوم حداکثر تا جلسه 4ام 50% باقی مانده).

خلاصه :

پایتون زبان برنامه نویسی رو به رشدی است که امروزه در علوم و کاربردهای مختلف نفوذ پیدا کرده و بسیار از سیستم های کلان آنالیز داده و تجزیه و تحلیل سیستم ها بر اساس ان طرح ریزی و دنبال می شوند. پایتون به دلیل سادگی و کارایی فوق العاده در اولین انتخاب های برنامه نویسان و به خصوص پروژه های کلان قرار می گیرد . هسته مرکزی پایتون همراه با کتابخانه های مختلفی که هر روزه به صورت اکثریت رایگان در اختیار کاربران قرار می گیرند قدرت فوق العاده به کاربران در صنایع مختلف می دهد . این دوره به دوستانی که پروژه های نسبتا متوسط به بالا را در نظر دارند توصیه می گردد.

پایتون یکی از بهترین زبان های کنترل دیتا در سیستم های کلان داده است

مدت دوره:

32 ساعت

پيش نياز:

اشنایی اولیه با مفاهیم اولیه برنامه نویسی و علاقه مند به یادگیری مباحث روز فن اوری
تحلیل دیتا

پيش نياز:

علاقه مندان علوم مختلف رایانهعلوم ریاضیات کاربردی

اهداف دوره:

اشنایی مقدماتی و پیشرفته با زبان مفسری پایتون با هدایت کاربر به سمت تحلیل بهتر دیتا

در انتهای اين دوره دانشجويان قادر خواهند بود:


دانشجویان با زبانی بسیار توانمند که امکان بسط و توسعه و کاربرد ان در علوم مختلف میسر است اشنا خواهند شد و همچنین دانشجویان در جلسات قسمت دوم با مباحث تجمیع دیتا- آنالیز دیتاپردازش تصویر - یادگیری ماشین وب کاوی نیز به خوبی اشنا می شوند.

سرفصل دوره:

Intro to Python Programming (Level 01)
Introduction to python
           Introduction to Open-Source Language        
         Python Core and Versions
                  o   Pycharm, Anaconda
                  o   Jupyter, Qt console, Notebook, Ipython, Anaconda Navigator
           Reserved Words and Naming Conventions
Python Structure
         Arithmetic operations
         Python Collections (Lists, Tuples, Sets and Dictionaries)
         Import Clause
         Copying Collections (Deep and Shallow Copy)
         Intro to Classes, Functions
         Read and write Output/Input
                  o   Formatting Output/Input and Dialog Boxes
                  o   Access and Permission
                  o   Handling I/O Exceptions
         Typecasting and Parsing
Functions and Classes
         Built-in Modules (Sys, Math, Time, Pickle, …)
         Access Modifiers (Public- Private -Protected)
         User-Defined Classes
                  o   Constructors, Copy Constructor, Object Instantiation
         User-defined Methods
                  o   Set and Get methods
                  o   Finalizers
                  o   Overloading versus Overriding Methods
Regular Expressions
         Simple Character Matches
         Special Characters
         Greedy Matches
         Grouping
         Substituting
         Splitting a given String
         Compiling Regular Expressions
Object Oriented concepts:
         Four fundamental Object-oriented programming (OOP) concepts
                  o   Inheritance, Polymorphism, Abstraction and Encapsulation
         Interfaces ( Abstract base ) and Packages
         Serialization and Deserialization (Pickle…)
         Database Connectivity
                  o   Oracle, SQL server, and MongoDB

Intro to Python Programming (Level 02)

Data Integration

         Plain Text (Standard and UTF-8)
         Excel /CSV Format
         Multimedia Files and Services (Read / Write)
         Web Crawler (urllib, request, soup, scrapy…)
         Data Serialization (Pickle, Dill, JSON, YAML…)
         PyDI: Python Data Integration package
         Introduction to Pentaho: Data Integration, Business Analytics and Big Data
         Database (SQL/NoSQL connections)

Essential Data Science Libraries

         NumPy - Numeric Computation
         Pandas - Data structures and Exploratory Analysis.
         Matplotlib - Plotting and Visualization Tool
         IPython - Interactive shell to Explore Data and Debug Errors.
         SciPy - Extends NumPy with more Mathematical Functionality

Image Processing (Essential Framework)

         Introduction to general concepts in image processing
         Scipy - Basic Image Manipulation and Processing
         PIL - Basics Creating an image. Save Image. Load Image. Show image
         OpenCV - Designed to solve Computer Vision problem
         Scikit-Image - Collection of Algorithms for Image Processing

Machine Learning (Essential Framework)

         Scikit-learn Package (Installation and Implementation)
                  o   Learning models in sklearn
                  o   k-means Clustering, Decision Trees, Linear Regression,
                  o   K-Nearest-Neighbors, Predictive Models, Logistic Regression,
                  o   Support Vector Machines,
                  o   Dimensionality Reduction
                  o   K-Fold Cross-Validation and Confusion matrices

           Deep Learning Package (Installation and Implementation)
                  o   GPU programming in Python (PyCUDA, PyOpenCL, …)
                  o   Theano; Python library speed and stability optimizations
                  o   TensorFlow; High-performance serving system for machine learning models
                  o   Caffe; Deep learning framework
                  o   Keras; Deep Learning library for Theano and TensorFlow
                  o   Pylearn2; Deep learning research library

Web and Text Mining

         Review on Web Crawler Library
         Introduction to Natural language processing (NLP)
         NLTK Exploration; The Natural Language Toolkit
         HAZM “Farsi Mining”; Library for Digesting Persian Text
         Pattern; natural language processing, Text Learning
         Elasticsearch; Full Text Search into Python

Bigdata Framework

         Introduction to big data frameworks
         Hadoop Python MapReduce
منبع درسی:

Tutorial webpage:

·        http://www.tutorialspoint.com/python3

E- Book:

·        Micha Gorelick and Ian Ozsvald , High Performance Python, O’Reilly Media, Inc. 2014
·        Michael T. Goodrich, Roberto Tamassia, Michael H. Goldwasser , Data Structures and Algorithms in Python, John Wiley & Sons, Inc.2013
·        Robert Layton, Learning Data Mining with Python, Packt Publishing. 2015
·        Zachary Radtka and Donald Miner, Hadoop with Python, O’Reilly Media, Inc. 2016


برای ثبت نام کلیک نمایید.