یادگیری پایتون در پنج مرحله

مسیر یادگیری اختصاصی پایتونیک

این مسیر یادگیری پایتون از صفر تا پیشرفته، از اولین برنامه آغاز می‌شود و به طراحی کلاس‌ها و درک سازوکار درونی زبان می‌رسد. این مسیر، پنج دورهٔ یودمی از Dr. Fred Baptiste را از مبانی پایتون ۳ تا چهار بخش Python Deep Dive به هم پیوند می‌دهد.

زیرنویس فارسی تخصصی با نظارت انسانیترجمهٔ فارسی تمام ویدئوهای این پنج دوره با نظارت مستقیم و انسانی مدیر پایتونیک منتشر شده است.

نقطهٔ شروع

یادگیری پایتون را از کجا شروع کنم؟

تازه‌کار پایتون

اگر هنوز تابع و کلاس ساده نمی‌نویسید، از مبانی شروع کنید. برای رفتن به مرحلهٔ بعد، ابتدا تمرینِ فایل و مدیریت خطا را انجام دهید.

مرحلهٔ ۱، مبانی پایتون

آشنا با مبانی

اگر با حلقه‌ها، ساختارهای داده، توابع و کلاس‌های ساده کار کرده‌اید، از بخش اول Deep Dive شروع کنید.

مرحلهٔ ۲، توابع پیشرفته

در حال مرور یک مهارت

اگر دنبال پیمایش، ساختارهای داده یا شیءگرایی هستید، پیش‌نیاز مرحلهٔ هدف را با چیزی که خودتان می‌توانید پیاده کنید بسنجید.

بررسی پیش‌نیازهای مراحل

مسیر آموزش پایتون از پایه تا پیشرفته

ترتیب دوره‌های پایتون یودمی

در هر مرحله، ابتدا مفاهیم را یاد بگیرید، سپس تمرین پیشنهادی را انجام دهید. معیار آمادگی کمک می‌کند تصمیم بگیرید چه زمانی به دورهٔ بعد بروید.

  1. مرحلهٔ ۱ · شروع از پایه

    مبانی پایتون ۳

    Python 3 Fundamentals

    پیش‌نیاز مهارت پایهٔ کار با رایانه و آشنایی مقدماتی با خط فرمان.

    • راه‌اندازی محیط، انواع داده، شرط‌ها و حلقه‌ها
    • توابع، خطاها، فایل‌ها و کلاس‌های ساده
    • کار مقدماتی با CSV، NumPy، pandas و Matplotlib

    تمرین پیشنهادی پایتونیک

    یک فایل CSV هزینه‌ها را بخوانید. ردیف‌های نامعتبر را جدا کنید و مجموع هر دسته را گزارش دهید.

    معیار آمادگی برای مرحلهٔ بعد

    می‌توانید مسئله‌ای را به چند تابع تقسیم کنید، ورودی خراب را مدیریت کنید و نتیجه را از روی فایل بازتولید کنید.

    فهرست ۳۳ فصل به ترتیب تدریس
    1. معرفی دوره
    2. راه‌اندازی و اجرای پایتون
    3. مبانی پایتون
    4. اجرای شرطی
    5. انواع دادهٔ دنباله‌ای
    6. رشته‌ها
    7. تکرار و حلقه‌ها
    8. دیکشنری‌ها
    9. مجموعه‌ها
    10. ساخت فشردهٔ مجموعه‌ها و دنباله‌ها
    11. استثناها
    12. اشیای پیمایش‌پذیر و پیمایشگرها
    13. توابع
    14. توابع کاربردی دیگر
    15. ارزیابی آموخته‌ها — بخش اول
    16. توابع مرتبه‌بالا
    17. مرتب‌سازی و فیلترکردن
    18. دکوراتورها
    19. فایل‌های متنی
    20. ماژول‌ها و واردکردن آن‌ها
    21. تاریخ و زمان
    22. ماژول CSV
    23. ماژول random
    24. ماژول‌های math و statistics
    25. ماژول decimal
    26. کلاس‌های سفارشی
    27. ارزیابی آموخته‌ها — بخش دوم
    28. کتابخانه‌های جانبی
    29. کتابخانهٔ NumPy
    30. کتابخانهٔ pandas
    31. کتابخانهٔ Matplotlib
    32. ارزیابی آموخته‌ها — بخش سوم
    33. جمع‌بندی دوره

    ریز درس‌ها و زمان هر بخش

    مشاهدهٔ دورهٔ مبانی پایتون ۳
  2. مرحلهٔ ۲ · تعمیق مبانی

    توابع پیشرفتهٔ پایتون

    Deep Dive 1

    پیش‌نیاز توانایی نوشتن حلقه، تابع و کلاس ساده و کار با ساختارهای داده.

    • مدل حافظه، ارجاع‌ها و نوع‌های عددی
    • پارامترها، توابع درجه‌اول و محدودهٔ نام‌ها
    • بستارها، دکوراتورها، ماژول‌ها و بسته‌ها

    تمرین پیشنهادی پایتونیک

    پردازش گزارش را به توابع قابل آزمون تقسیم کنید. با یک دکوراتور زمان اجرای تابع‌ها را ثبت کنید.

    معیار آمادگی برای مرحلهٔ بعد

    می‌توانید رفتار پارامترها و محدودهٔ نام‌ها را توضیح دهید و برای یک وظیفهٔ تکراری دکوراتور بنویسید.

    فهرست ۱۱ فصل به ترتیب تدریس
    1. معرفی
    2. مرور سریع مبانی پایتون
    3. متغیرها و حافظه
    4. نوع‌های عددی
    5. پارامترهای تابع
    6. توابع به‌عنوان اشیای درجه‌اول
    7. محدوده‌ها، بستارها و دکوراتورها
    8. تاپل‌ها به‌عنوان ساختار داده و تاپل‌های نام‌دار
    9. ماژول‌ها، بسته‌ها و فضاهای نام
    10. به‌روزرسانی‌های پایتون
    11. مباحث تکمیلی

    ریز درس‌ها و زمان هر بخش

    مشاهدهٔ دورهٔ توابع پیشرفتهٔ پایتون
  3. مرحلهٔ ۳ · پردازش تدریجی داده

    مولدها و پیمایشگرهای پایتون

    Deep Dive 2

    پیش‌نیاز توابع، بستارها، دکوراتورها و مبانی کلاس‌ها.

    • دنباله‌ها، برش‌ها و پروتکل پیمایش
    • مولدها، عبارت‌های مولد و itertools
    • مدیریت منابع با with (Context Manager)

    تمرین پیشنهادی پایتونیک

    گزارش مرحلهٔ قبل را طوری بازنویسی کنید که فایل بزرگ را سطر به سطر بخواند و فایل را با دستور with ببندد.

    معیار آمادگی برای مرحلهٔ بعد

    می‌توانید تفاوت پیمایشگر و شیء پیمایش‌پذیر را توضیح دهید و داده را بدون بارگذاری کل فایل پردازش کنید.

    دو فصل پایانی به کوروتین‌های قدیمی مبتنی بر مولد مربوط‌اند. آن‌ها را به‌عنوان مطالعهٔ تکمیلی ببینید.

    فهرست ۱۴ فصل به ترتیب تدریس
    1. معرفی
    2. نوع‌های دنباله‌ای
    3. پروژهٔ اول
    4. اشیای پیمایش‌پذیر و پیمایشگرها
    5. پروژهٔ دوم
    6. مولدها
    7. پروژهٔ سوم
    8. ابزارهای پیمایش
    9. پروژهٔ چهارم
    10. مدیریت منابع با with (Context Manager)
    11. پروژهٔ پنجم
    12. به‌روزرسانی‌های پایتون
    13. مولدها به‌عنوان کوروتین — بخش منسوخ‌شده
    14. پروژهٔ ششم — وابسته به بخش منسوخ‌شدهٔ قبلی

    ریز درس‌ها و زمان هر بخش

    مشاهدهٔ دورهٔ مولدها و پیمایشگرهای پایتون
  4. مرحلهٔ ۴ · مدل‌سازی و تبادل داده

    دیکشنری‌ها، مجموعه‌ها و JSON

    Deep Dive 3

    پیش‌نیاز توابع، دکوراتورها، مولدها و مبانی کلاس‌ها.

    • جدول هش، برابری و هش‌پذیری
    • دیکشنری‌ها، عملیات مجموعه و نگاشت‌های تخصصی
    • سریال‌سازی و بازیابی داده با JSON

    تمرین پیشنهادی پایتونیک

    رکوردهای تکراری را با یک مجموعه پیدا کنید، گزارش را با دیکشنری گروه‌بندی کنید و خروجی JSON بسازید.

    معیار آمادگی برای مرحلهٔ بعد

    می‌توانید دلیل انتخاب یک ساختار داده را توضیح دهید و رفت‌وبرگشت دادهٔ معتبر از JSON را بررسی کنید.

    فهرست ۱۲ فصل به ترتیب تدریس
    1. معرفی
    2. آرایه‌های انجمنی — مبانی نظری
    3. دیکشنری‌ها
    4. تمرین‌های کدنویسی
    5. مجموعه‌ها
    6. پروژهٔ اول
    7. سریال‌سازی و بازیابی داده
    8. تمرین‌های کدنویسی
    9. دیکشنری‌های تخصصی
    10. تمرین‌های کدنویسی
    11. به‌روزرسانی‌های پایتون
    12. مباحث تکمیلی

    ریز درس‌ها و زمان هر بخش

    مشاهدهٔ دورهٔ دیکشنری‌ها، مجموعه‌ها و JSON
  5. مرحلهٔ ۵ · طراحی اشیا و رفتار کلاس‌ها

    شیءگرایی پیشرفته در پایتون

    Deep Dive 4

    پیش‌نیاز توابع، بستارها، دکوراتورها، پیمایش و مبانی شیءگرایی.

    • کلاس‌ها، چندریختی، متدهای ویژه و وراثت
    • توصیف‌گرها، Enum و استثناهای سفارشی
    • ساخت کلاس، متاکلاس‌ها و فرابرنامه‌نویسی

    تمرین پیشنهادی پایتونیک

    مدل‌های گزارش و تراکنش را با کلاس‌ها بسازید. قواعد اعتبارسنجی و استثناهای دامنه را مشخص کنید و چند حالت خطا را بیازمایید.

    معیار آمادگی برای مرحلهٔ بعد

    می‌توانید مدل دامنه و قرارداد کلاس‌ها را توضیح دهید و برای انتخاب بین ترکیب، وراثت و سازوکارهای پیشرفته دلیل بیاورید.

    فهرست ۱۵ فصل به ترتیب تدریس
    1. معرفی
    2. کلاس‌ها
    3. پروژهٔ اول
    4. چندریختی و متدهای ویژه
    5. پروژهٔ دوم
    6. وراثت تک‌والدی
    7. پروژهٔ سوم
    8. توصیف‌گرها
    9. پروژهٔ چهارم
    10. نوع‌های شمارشی
    11. پروژهٔ پنجم
    12. استثناها با وراثت تک‌والدی
    13. پروژهٔ ششم
    14. فرابرنامه‌نویسی
    15. به‌روزرسانی‌های پایتون

    ریز درس‌ها و زمان هر بخش

    مشاهدهٔ دورهٔ شیءگرایی پیشرفته در پایتون
دکتر فرد بپتیست، مدرس دوره‌های یادگیری پایتون

مدرس و منبع دوره‌ها

Dr. Fred Baptiste

فرد بپتیست، مهندس نرم‌افزار و ریاضی‌دان، مدرس هر پنج دوره است. پایتونیک ترتیب یادگیری و تمرین‌های پیشنهادی این مسیر را بر پایهٔ سرفصل‌های نسخه‌های منتشرشده تنظیم کرده است.

پروژهٔ پایانی پیشنهادی

یک گزارش‌ساز تراکنش بسازید

تمرین‌های مسیر را به یک پروژهٔ کوچک تبدیل کنید. برای یک فایل تراکنش نمونه، سه خروجی زیر را آماده کنید.

  1. ورودی قابل اعتمادرکوردها را مرحله‌ای بخوانید و سطرهای نامعتبر و تکراری را گزارش کنید.
  2. خروجی قابل استفادهجمع هر دسته را محاسبه کنید و گزارش را با قالب JSON ذخیره کنید.
  3. کد قابل توضیحمسئولیت کلاس‌ها را روشن کنید و برای ورودی خالی، دادهٔ خراب و تراکنش تکراری آزمون بنویسید.

پیش از انتخاب دوره

پرسش‌های متداول یادگیری پایتون

آیا دوره‌های پایتون یودمی در این مسیر دوبلهٔ فارسی دارند؟

این پنج دورهٔ یودمی با صدای اصلی انگلیسی مدرس و زیرنویس فارسی تخصصی ارائه می‌شوند و دوبلهٔ فارسی ندارند. ترجمهٔ فارسی همهٔ ویدئوها با نظارت انسانی در پایتونیک منتشر شده است.

بهترین ترتیب دیدن دوره‌های پایتون Fred Baptiste چیست؟

ابتدا مبانی پایتون ۳ را بگذرانید. سپس بخش‌های ۱ تا ۴ Deep Dive را به ترتیب دنبال کنید. اگر مبانی را بلد هستید، پیش‌نیازهای بخش اول را بررسی کنید و از همان‌جا شروع کنید.

آیا می‌توانم از یک دورهٔ پیشرفته شروع کنم؟

بله، اگر بتوانید تمرین مرحلهٔ قبلی را مستقل انجام دهید و مفاهیم پیش‌نیاز مرحلهٔ هدف را به کار ببرید. برای نمونه، پیش از بخش مولدها باید با توابع، بستارها و دکوراتورها راحت باشید.

این مسیر برای ورود به توسعهٔ وب یا علم داده چقدر کافی است؟

این مسیر پایهٔ زبان، پردازش داده و طراحی کلاس‌ها را پوشش می‌دهد. برای توسعهٔ وب، کار با چارچوب و استقرار را جداگانه تمرین کنید. برای علم داده، تحلیل آماری، ارزیابی مدل و کار با دادهٔ واقعی را ادامه دهید.

پیمایش به بالا