پایتون برای برنامه نویسان

قسمت 1: شروع سریع مبانی پایتون
توصیه می‌کنیم همه فصل ها را به ترتیب بخوانید:
فصل 1، مقدمه ای بر کامپیوترها و پایتون، مفاهیمی را معرفی می‌کند که زمینه ای برای برنامه‌نویسی پایتون در فصل های 2 تا 10 و کلان داده، هوش مصنوعی و مطالعات مبتنی بر ابر در فصول 11 تا 16 فراهم می‌کند. این فصل همچنین شامل تست های موردی از مفسر IPython و نوت بوک های Jupyter است.
فصل 2، مقدمه‌ای بر برنامه‌نویسی پایتون، اصول برنامه‌نویسی پایتون را با مثال‌هایی از کد شرح می‌دهد، این مثال ها ویژگی‌های اصلی این زبان را نشان می‌دهند.
فصل 3، دستورهای کنترلی، دستورهای کنترلی پایتون را شرح می‌دهد و مبانی پردازش لیست را معرفی می‌کند.
فصل 4، توابع، توابع سفارشی را معرفی می‌کند، تکنیک‌های شبیه‌سازی را با مولد اعداد تصادفی شرح می‌دهد و مبانی چندتایی را معرفی می‌کند.
فصل 5، دنباله ها: لیست‌ها و چندتایی ها، کالکشن های داخلی لیست و چندتایی ها در پایتون را جزئیات بیشتری شرح می دهد و معرفی برنامه‌نویسی به سبک تابعی را آغاز می‌کند.
قسمت 2: ساختمان داده های پایتون، رشته ها و فایل ها
در ادامه به‌طور خلاصه وابستگی‌های بین فصل‌های پایتون در فصل‌های 6 تا 9 را نشان می دهد و فرض بر آن است که شما فصل‌های 1 تا 5 را خوانده اید.
فصل 6، دیکشنری ها و مجموعه‌ها بخش مقدمه‌ای برای علوم داده در این فصل به مطالب این فصل بستگی ندارد.
فصل 7، برنامه‌نویسی آرایه‌گر با NumPy - بخش مقدمه‌ای برای علوم داده به دیکشنری‌ها (فصل 6) و آرایه‌ها (فصل 7) نیاز دارد.
فصل 8، رشته‌ها: نگاهی عمیق‌تر - به رشته‌های خام و عبارات منظم (بخش 11-8 تا 12-8) و ویژگی‌های سری pandas و دیتا فریم از 14-7 با نام معرفی علوم داده نیاز دارد.
فصل 9، فایل ها و استثناها برای سریال سازی JSON، درک اصول دیکشنری مفید است (بخش 2-6). همچنین، بخش مقدمه ای بر علوم داده به تابع open، دستور (بخش 3-9) with و ویژگی‌های دیتا فریم Pandas در قسمت مقدمه ای بر علوم داده از بخش 7.14 نیاز دارد.
قسمت 3: مباحث پیشرفته در پایتون
در ادامه به‌طور خلاصه وابستگی‌ها بین فصل‌های پایتون برای فصل 10 را نشان می¬دهد و فرض بر آن است که شما فصل‌های 1 تا 5 را خوانده‌اید.
فصل 10، برنامه‌نویسی شی‌ءگرا – به بخش مقدمه‌ای برای علوم داده ویژگی‌های دیتا فریم Pandas در بخش 14-7 در نیاز دارد. مدرسانی که می‌خواهند فقط کلاس‌ها و اشیا را تدریس کنند می‌توانند بخش¬های 1-10 تا 6-10 را آموزش دهند. مدرسانی که می‌خواهند مباحث پیشرفته‌تری مانند وراثت، چندشکلی و typing duck را تدریس کنند، می‌توانند از بخش های 7-10 و 9-10 استفاده کنند. بخش های 10-10 و 15-10 مباحث پیشرفته افزون تری ارائه می‌دهند.
قسمت 4: مطالعات موردی هوش مصنوعی، ابر و کلان داده
در ادامه به‌طور خلاصه وابستگی‌های بین فصل‌های پایتون در فصل‌های 11 تا 16 را نشان می دهد و فرض بر آن است که شما فصل‌های 1 تا 5 را خوانده‌اید. علاوه بر این قسمت عمده ای از فصل‌های 11 تا 16 به مبانی دیکشنری ها در بخش 6.2 نیاز دارند.
فصل 11، پردازش زبان طبیعی (NLP)، از ویژگی‌های دیتا فریم pandas از مبحث مقدمه ای بر علوم داده در بخش 14-7 استفاده می کند.
فصل 12، داده‌کاوی توییتر، از ویژگی‌های دیتا فریم pandas، متد join رشته (بخش 9-8) اصول JSON (بخش 5-9)، TextBlob (بخش 2-11) و ابرهای کلمات (بخش 3-11) استفاده می‌کند. چند مثال در این فصل به تعریف کلاس از طریق وراثت نیاز دارند (فصل 10)
فصل 13، واتسون IBM و محاسبات شناختی از توابع درونی open و دستور with (بخش 3-9) استفاده می‌کند.
فصل 14، یادگیری ماشین: طبقه‌بندی، رگرسیون و خوشه‌بندی، از مبانی آرایه NumPy و متد unique (فصل 7)، ویژگی‌های دیتافریم های Pandas از مبحث معرفی مقدمه‌ای برای علوم داده در بخش 14-7 و تابع subplots در matplotlib (بخش 6-10) استفاده می‌کند.
فصل 15، یادگیری عمیق، به اصول آرایه NumPy (فصل 7)، متد join رشته (بخش 9-8)، مفاهیم کلی یادگیری ماشینی فصل 14 و مطالعه موردی فصل 14، طبقه‌بندی با k نزدیک ترین همسایگی و دیتاست Digits نیاز دارد.
فصل 16، کلان داده: هادوپ، اسپارک، NoSQL و IoT، به متد split رشته (بخش 7-2-6) تابع FuncAnimation در matplotlib از قسمت مقدمه ای بر علوم داده در بخش 4-6، سری ها در pandas و ویژگی های دیتا فریم در pandas از قسمت مقدمه ای بر علوم داده در بخش 14-7 متد join رشته (بخش 9-8)، ماژول json (بخش 5-9)، ایست واژه ها NLTK (بخش 13-2-1) و برای بخش 12، احراز هویت توییتر، کلاس StreamListener برای استریمینگ توییت های و کتابخانه‌های geopy و folium تعدادی از مثال ها نیاز به تعریف کلاس از طریق وراثت (فصل 10) نیاز دارد، اما شما می‌توانید بدون خواندن فصل 10 تعاریف کلاس را انجام دهید.