دوره‌های جامع داده و هوش مصنوعی، به‌صورت حضوری و آنلاین

آنچه شرکت‌کنندگان می‌آموزند

• نوشتن برنامه‌های پایتون از پایه: متغیرها، ساختارهای کنترلی، توابع و ساختمان‌های داده
• کار با فایل‌ها، مدیریت خطا و نوشتن کدی تمیز و قابل استفاده‌ی دوباره
• استفاده از آرایه‌های NumPy برای محاسبات عددی سریع به‌جای حلقه‌های دستی
• بارگذاری، پاک‌سازی، فیلتر، گروه‌بندی و ادغام داده‌های واقعی با pandas
• تبدیل نتیجه‌ی تحلیل به نمودارهایی گویا و قابل ارائه

بخش‌های دوره

1. مبانی پایتون۱۴ درس
2. پایتون پیشرفته۱۴ درس
3. مبانی NumPy۶ درس
4. تحلیل داده با pandas۲۱ درس
5. مصورسازی داده با پایتون۱۶ درس

آنچه شرکت‌کنندگان می‌آموزند

• نوشتن کوئری‌های SQL برای انتخاب، فیلتر، مرتب‌سازی و تجمیع داده در یک پایگاه داده‌ی واقعی
• ترکیب جدول‌ها با Join و پاسخ به پرسش‌های پیچیده‌تر با زیرکوئری، CTE و View
• رتبه‌بندی، مقایسه و محاسبه روی سطرها با توابع پنجره‌ای، بدون خروج از SQL
• طراحی، بارگذاری و مدیریت PostgreSQL و بهینه‌سازی کوئری‌های کند با ایندکس
• اجرای کوئری روی پایگاه داده از درون پایتون، به‌صورت مستقیم و با SQLAlchemy

بخش‌های دوره

1. شروع کار با SQL۷ درس
2. خلاصه‌سازی داده با SQL۴ درس
3. ترکیب جدول‌ها با Join۴ درس
4. زیرکوئری، CTE و View۶ درس
5. توابع پنجره‌ای۷ درس
6. کوئری‌نویسی روی پایگاه داده از پایتون۲ درس
7. PostgreSQL برای مهندسان داده۷ درس
8. بهینه‌سازی PostgreSQL۵ درس
9. ابزارهای پایگاه داده در محیط عملیاتی۳ درس
10. SQLAlchemy در پایتون۸ درس

آنچه شرکت‌کنندگان می‌آموزند

• تفکر بر پایه‌ی عبارت‌ها (Expression) با pl.col، select، with_columns و filter به‌عنوان الگوی اصلی کار
• پاک‌سازی، اعتبارسنجی و تبدیل نوع داده‌های واقعی و نامرتب
• تجمیع با group_by، توابع پنجره‌ای، Join و تغییر شکل داده
• کار با داده‌های تودرتو، سری‌های زمانی و اجرای Lazy روی فایل‌های CSV، JSON، Parquet و SQLite

بخش‌های دوره

1. شروع با یک جریان کاری واقعی۵ درس
2. DataFrame، Series و Schema۶ درس
3. یادگیری زودهنگام سیستم عبارت‌ها۶ درس
4. پاک‌سازی و اعتبارسنجی داده۶ درس
5. رشته‌ها، دسته‌ها و پردازش متن۵ درس
6. کار با داده‌های تودرتو۵ درس
7. تجمیع داده و توابع پنجره‌ای۶ درس
8. Join، تغییر شکل و ترکیب داده‌ها۶ درس
9. سری‌های زمانی و کار با تاریخ۶ درس
10. اجرای Lazy، فایل‌ها و مهندسی داده‌ی محلی۶ درس
11. آزمون، اشکال‌زدایی و کارایی۶ درس
12. پروژه‌ی پایانی۱ درس

آنچه شرکت‌کنندگان می‌آموزند

• نصب و اجرای DuckDB از خط فرمان و پایتون روی هر سیستم‌عامل
• اجرای کوئری SQL مستقیماً روی فایل‌های CSV، JSON و Parquet، بدون بارگذاری و بدون سرور پایگاه داده
• Join، تجمیع و تحلیل کارایی کوئری‌ها با توابع پنجره‌ای و EXPLAIN
• ساخت اپلیکیشن‌ها و داشبوردهای داده‌ی محلی با Streamlit و Apache Superset

بخش‌های دوره

1. آشنایی با DuckDB۶ درس
2. مبانی SQL به روش DuckDB۶ درس
3. خواندن مستقیم فایل‌ها: CSV، Parquet و چندین فایل۶ درس
4. ماندگاری داده: حافظه در برابر فایل پایگاه داده۵ درس
5. کار با JSON و داده‌های تودرتو۵ درس
6. SQL پیشرفته برای تحلیل۵ درس
7. DuckDB در اکوسیستم پایتون۵ درس
8. کوئری روی داده‌های راه دور و بزرگ‌تر از حافظه۵ درس
9. کارایی و تحلیل اجرای کوئری۵ درس
10. ساخت اپلیکیشن و داشبورد داده‌ی محلی۵ درس
11. پروژه‌ی پایانی۱ درس

آنچه شرکت‌کنندگان می‌آموزند

• ساخت و اجرای اپلیکیشن‌های Streamlit و درک دقیق اینکه چرا کل اسکریپت با هر تعامل دوباره اجرا می‌شود
• بارگذاری، کش‌کردن، فیلتر و مصورسازی داده با Plotly، Altair و نمودارهای داخلی Streamlit
• ساخت اپلیکیشن چندصفحه‌ای با فرم، بارگذاری فایل و الگوهای جدید ناوبری
• آزمون اپلیکیشن با AppTest، بهینه‌سازی کارایی و انتشار آنلاین روی Streamlit Community Cloud
• ارائه‌ی نتایج با نمودارهای matplotlib و seaborn، خروجی CSV، طراحی ظاهر سفارشی و نمادگذاری ریاضی LaTeX

بخش‌های دوره

1. شروع کار با Streamlit۵ درس
2. کار با داده‌های واقعی۵ درس
3. مصورسازی داده در Streamlit۵ درس
4. چیدمان، ساختار و اپلیکیشن چندصفحه‌ای۵ درس
5. آزمون، کارایی و انتشار۵ درس
6. ارائه‌ی نتایج۵ درس
7. پروژه‌ی پایانی۱ درس

آنچه شرکت‌کنندگان می‌آموزند

• توصیف درست یک مجموعه‌داده با شاخص‌های مناسب مرکزی و پراکندگی
• استدلال درباره‌ی احتمال، استقلال و احتمال شرطی
• به‌کارگیری قضیه‌ی بیز برای به‌روزرسانی باورها با رسیدن شواهد جدید
• نتیجه‌گیری از نمونه و بیان میزان اطمینان قابل‌قبول به آن نتیجه

بخش‌های دوره

1. مبانی آمار۶ درس
2. شاخص‌های مرکزی و پراکندگی۶ درس
3. مبانی احتمال۵ درس
4. احتمال شرطی و قضیه‌ی بیز۵ درس
5. استنباط آماری۵ درس

آنچه شرکت‌کنندگان می‌آموزند

• طراحی آزمایش کنترل‌شده‌ای که دقیقاً به پرسش مطرح‌شده پاسخ دهد
• محاسبه‌ی حجم نمونه و توان آزمون پیش از اجرای آزمایش
• تحلیل شاخص‌های نرخ تبدیل و درآمد با آزمون مناسب هر کدام
• شناخت خطاهایی که نتیجه را بی‌اعتبار می‌کنند؛ مانند نگاه زودهنگام به نتایج، مقایسه‌های چندگانه و تصادفی‌سازی معیوب

بخش‌های دوره

1. منطق آزمایش۵ درس
2. طراحی آزمایش۵ درس
3. توان آزمون و حجم نمونه۵ درس
4. تحلیل شاخص‌های نسبتی۵ درس
5. تحلیل شاخص‌های میانگین۵ درس
6. خطاها و اعتبار نتایج۵ درس
7. فراتر از آزمون A/B پایه۵ درس
8. پروژه‌ی پایانی۵ درس

آنچه شرکت‌کنندگان می‌آموزند

• ساخت، ارزیابی و تنظیم مدل‌های نظارت‌شده برای رگرسیون و طبقه‌بندی
• ساخت ویژگی و بهینه‌سازی مدل، به‌جای پذیرفتن اولین نتیجه
• به‌کارگیری مدل‌های درختی ترکیبی و روش‌های بدون نظارت روی داده‌های واقعی
• آموزش شبکه‌های عصبی با PyTorch و TensorFlow
• کار با تصویر، داده‌های ترتیبی و متن با CNN، RNN و روش‌های نوین پردازش زبان طبیعی

بخش‌های دوره

1. مبانی ریاضی یادگیری ماشین۷ درس
2. مبانی یادگیری ماشین۵ درس
3. رگرسیون۸ درس
4. طبقه‌بندی۵ درس
5. درخت‌ها و مدل‌های ترکیبی۵ درس
6. بهینه‌سازی مدل و ساخت ویژگی۶ درس
7. یادگیری بدون نظارت۵ درس
8. مبانی یادگیری عمیق۶ درس
9. یادگیری عمیق با PyTorch۶ درس
10. یادگیری عمیق با TensorFlow۶ درس
11. بینایی ماشین با CNN۶ درس
12. مدل‌های ترتیبی (RNN و LSTM)۶ درس
13. پردازش زبان طبیعی با یادگیری عمیق۶ درس

آنچه شرکت‌کنندگان می‌آموزند

• شناخت تفاوت داده‌های زمانی با داده‌های جدولی معمولی
• تجزیه‌ی سری زمانی به روند، فصلی‌بودن و باقیمانده
• آزمون ایستایی و تفاضل‌گیری تا رسیدن به سری قابل مدل‌سازی
• خواندن نمودارهای ACF و PACF برای انتخاب مدل‌های AR، MA، ARIMA و SARIMA
• ارزیابی صادقانه‌ی پیش‌بینی روی داده‌هایی که مدل پیش‌تر ندیده است

بخش‌های دوره

1. مبانی سری‌های زمانی۵ درس
2. مؤلفه‌ها و تجزیه‌ی سری۵ درس
3. ایستایی و تفاضل‌گیری۵ درس
4. خودهمبستگی: ACF و PACF۵ درس
5. مدل‌های AR، MA، ARMA و ARIMA۵ درس
6. فصلی‌بودن: مدل SARIMA۵ درس
7. هموارسازی نمایی۵ درس
8. ارزیابی و آزمون روی داده‌های گذشته۵ درس
9. پروژه‌ی پایانی۵ درس

آنچه شرکت‌کنندگان می‌آموزند

• توضیح سازوکار Boosting با پیاده‌سازی Gradient Boosting از پایه در NumPy
• آموزش، منظم‌سازی و اعتبارسنجی مدل‌های XGBoost روی داده‌های واقعی
• مدیریت داده‌های نامتوازن و دسته‌ای بدون فریب‌خوردن از نتایج
• تفسیر مدل با اهمیت ویژگی‌ها و SHAP و تنظیم آن با Optuna
• ذخیره و استقرار مدل آموزش‌دیده

بخش‌های دوره

1. مبانی Boosting۵ درس
2. بررسی عمیق XGBoost۵ درس
3. آموزش مدل‌های پایدار۵ درس
4. تفسیر، تنظیم و استقرار۵ درس
5. پروژه‌ی پایانی۱ درس

آنچه شرکت‌کنندگان می‌آموزند

• پیاده‌سازی توجه نقطه‌ای مقیاس‌شده و توجه چندسر در NumPy
• افزودن رمزگذاری موقعیت و بردارهای توکن و ساخت یک بلوک کامل ترنسفورمر
• به‌کارگیری ماسک علّی برای تبدیل معماری به یک GPT
• آموزش یک GPT کوچک در سطح کاراکتر با پس‌انتشار دست‌نویس
• تولید متن و کنترل آن با راهبردهای نمونه‌گیری

بخش‌های دوره

1. از دنباله‌ها تا سازوکار توجه۵ درس
2. خودتوجهی از پایه۵ درس
3. توجه چندسر۵ درس
4. رمزگذاری موقعیت و بردارهای توکن۵ درس
5. بلوک ترنسفورمر۵ درس
6. ماسک علّی و GPT۵ درس
7. آموزش یک GPT کوچک۵ درس
8. تولید متن و نمونه‌گیری۵ درس
9. پروژه‌ی پایانی۱ درس

آنچه شرکت‌کنندگان می‌آموزند

• فراخوانی مدل زبانی از پایتون و دریافت خروجی ساختاریافته و قابل‌اعتماد
• طراحی آگاهانه‌ی پرامپت به‌جای آزمون و خطا
• دادن ابزار به مدل از طریق فراخوانی تابع و پروتکل MCP
• ساخت RAG روی اسناد سازمان با بردارهای معنایی و پایگاه داده‌ی برداری
• ساخت اپلیکیشن با LangChain و LangGraph و آماده‌سازی آن برای استفاده‌ی واقعی

بخش‌های دوره

1. کار با مدل‌های زبانی در پایتون۷ درس
2. مهندسی پرامپت۸ درس
3. به‌کارگیری ابزار و فراخوانی تابع۵ درس
4. پروتکل Model Context Protocol (MCP)۴ درس
5. بردارهای معنایی و جست‌وجوی معنایی۴ درس
6. پایگاه‌های داده‌ی برداری۴ درس
7. تولید افزوده با بازیابی (RAG)۵ درس
8. ساخت ایجنت‌های هوش مصنوعی۵ درس
9. LangChain و LangGraph۵ درس
10. استقرار اپلیکیشن‌های هوش مصنوعی۵ درس

آنچه شرکت‌کنندگان می‌آموزند

• پیاده‌سازی حلقه‌ی ایجنت، به‌جای استفاده از ایجنت به‌عنوان جعبه‌ی سیاه
• طراحی ابزارهایی که ایجنت بتواند با اطمینان از آن‌ها استفاده کند و مدیریت خطاهای آن‌ها
• دادن حافظه و وضعیت ماندگار به ایجنت
• افزودن برنامه‌ریزی، بازبینی و بازیابی اطلاعات برای بهبود نتایج
• هماهنگ‌کردن چند ایجنت و ارزیابی اینکه آیا واقعاً جواب می‌دهد
• تبدیل یک ایجنت کارا به طرح اجرایی قابل دفاع در سازمان: فرصت، بستر فنی، هزینه، حاکمیت و شاخص‌های عملکرد

بخش‌های دوره

1. مبانی ایجنت۵ درس
2. حلقه‌ی ایجنت۵ درس
3. طراحی ابزار۵ درس
4. حافظه و وضعیت۵ درس
5. برنامه‌ریزی و استدلال۵ درس
6. ایجنت‌های مبتنی بر بازیابی اطلاعات۵ درس
7. سامانه‌های چندایجنتی۵ درس
8. پایداری و ارزیابی۵ درس
9. کسب‌وکار، حاکمیت و اجرا در سازمان۱۴ درس

آنچه شرکت‌کنندگان می‌آموزند

• توضیح اینکه چرا «ظاهراً درست کار می‌کند» دلیلی بر کارکرد درست یک قابلیت هوش مصنوعی نیست
• ساخت مجموعه‌داده‌ی مرجع که بازتاب استفاده‌ی واقعی باشد
• انتخاب میان معیارهای قطعی، مبتنی بر پاسخ مرجع و داوری با مدل زبانی
• ارزیابی تخصصی جریان‌های RAG و ایجنت‌های ابزارمحور
• ردگیری، پایش و محافظت از اپلیکیشن مبتنی بر مدل زبانی در محیط عملیاتی

بخش‌های دوره

1. چرا ارزیابی اهمیت دارد۵ درس
2. ساخت مجموعه‌داده‌ی ارزیابی۵ درس
3. معیارهای قطعی و مبتنی بر پاسخ مرجع۵ درس
4. داوری با مدل زبانی (LLM-as-Judge)۵ درس
5. ارزیابی RAG۵ درس
6. ارزیابی ایجنت‌ها و به‌کارگیری ابزار۵ درس
7. پایش‌پذیری و ردگیری۵ درس
8. پایش در محیط عملیاتی و سازوکارهای محافظتی۵ درس
9. پروژه‌ی پایانی۱ درس

آنچه شرکت‌کنندگان می‌آموزند

• تعریف هدف‌هایی که هوش مصنوعی واقعاً بتواند به پایان برساند، به‌جای درخواست‌های یک‌باره
• تعیین معیار بررسی که نشان دهد چرخه درست پیش می‌رود یا نه
• طراحی چرخه‌هایی که به پایان می‌رسند و بی‌پایان ادامه پیدا نمی‌کنند
• شناخت الگوهای کارآمد و الگوهایی که فقط وقت هدر می‌دهند
• اجرای چرخه‌ها در ChatGPT و Claude و سپردن کارهای طولانی‌تر به Claude Code یا Codex

بخش‌های دوره

1. چرا یک پرسش کافی نیست۵ درس
2. نوشتن هدفی که چرخه بتواند به پایان برساند۵ درس
3. معیار بررسی: چرخه از کجا می‌فهمد درست پیش می‌رود۵ درس
4. اجرای چرخه در ChatGPT و Claude۵ درس
5. سپردن چرخه به ابزار: Claude Code و Codex برای همه۵ درس
6. طراحی چرخه‌هایی که متوقف می‌شوند۵ درس
7. الگوهای درست و نادرست چرخه۵ درس
8. چرخه در کار واقعی و پروژه‌ی پایانی۵ درس

آنچه شرکت‌کنندگان می‌آموزند

• اندازه‌گیری هزینه‌ی واقعی داده در حافظه و کاهش آن با انتخاب نوع داده‌ی مناسب
• بارگذاری فقط داده‌ی موردنیاز و پردازش تکه‌تکه‌ی داده‌های بزرگ‌تر از حافظه
• استفاده از NumPy و pandas در مقیاسی که کد ساده دیگر جواب نمی‌دهد
• موازی‌سازی پردازش روی چند هسته‌ی پردازنده
• انتخاب ساختمان‌های داده‌ای که جریان‌های واقعی بر پایه‌ی آن‌ها ساخته می‌شوند

بخش‌های دوره

1. وقتی داده از حافظه بزرگ‌تر می‌شود۵ درس
2. NumPy برای مهندسی داده۵ درس
3. pandas در مقیاس بزرگ۵ درس
4. پردازش تکه‌تکه و فراتر از حافظه۵ درس
5. پردازش موازی۵ درس
6. ساختمان‌های داده برای کار با داده۵ درس
7. بازگشت و درخت۵ درس
8. پروژه‌ی پایانی۱ درس

آنچه شرکت‌کنندگان می‌آموزند

• توضیح نقش واقعی Driver، Executor و طرح اجرای Lazy
• کار با DataFrame و Spark SQL روی ده میلیون رکورد واقعی
• خواندن طرح اجرا و کنترل پارتیشن‌ها، Shuffle و کش
• ساخت جریان ETL در قالب محیط عملیاتی با کنترل کیفیت و ثبت رویداد

بخش‌های دوره

1. چرا پردازش توزیع‌شده؟۵ درس
2. SparkSession، RDD و ارزیابی Lazy۵ درس
3. DataFrame و تبدیل‌ها۵ درس
4. Spark SQL و طرح اجرا۵ درس
5. پارتیشن، Shuffle و کش۵ درس
6. ساخت جریان ETL در Spark۵ درس
7. کیفیت داده و ثبت رویداد۵ درس
8. پروژه‌ی پایانی۱ درس

آنچه شرکت‌کنندگان می‌آموزند

• نوشتن و سبک‌سازی Dockerfile برای پردازش‌های داده‌ای، از جمله ساخت چندمرحله‌ای
• تعریف پشته‌های چندکانتینری با Compose برای توسعه‌ی محلی
• استقرار یک پردازش داده روی خوشه‌ی محلی Kubernetes با Kind
• مدیریت پیکربندی، ذخیره‌سازی و پردازش‌های دسته‌ای زمان‌بندی‌شده در Kubernetes

بخش‌های دوره

1. شروع کار با Docker۵ درس
2. مبانی Docker۵ درس
3. ساخت Image برای پردازش‌های داده‌ای۵ درس
4. Docker Compose۵ درس
5. مفاهیم Kubernetes روی Kind۵ درس
6. پیکربندی، ذخیره‌سازی و پردازش‌های دسته‌ای۵ درس
7. اجرای پردازش داده روی Kubernetes۵ درس
8. پروژه‌ی پایانی۱ درس

آنچه شرکت‌کنندگان می‌آموزند

• طراحی و نوشتن DAG در Airflow با TaskFlow API و Operatorهای کلاسیک
• انتظار برای سامانه‌های بیرونی و اتصال به آن‌ها با Sensor، Hook و Connection
• آزمون، ثبت رویداد، پایش و هشدار در صورت شکست DAG
• اجرای یک پردازش PySpark روی Kubernetes از درون DAG در Airflow

بخش‌های دوره

1. جریان داده (Data Pipeline) چیست؟۵ درس
2. آشنایی با Airflow۵ درس
3. نوشتن DAG۵ درس
4. Sensor، Hook و Connection۵ درس
5. مدیریت جریان ETL۵ درس
6. آزمون، ثبت رویداد و پایش DAG۵ درس
7. Airflow، Spark و Kubernetes۵ درس
8. پروژه‌ی پایانی۱ درس

آنچه شرکت‌کنندگان می‌آموزند

• نصب و اجرای یک خوشه‌ی واقعی Apache Kafka 4.0 با سه Broker در حالت KRaft
• تولید و مصرف رویدادهای واقعی با گروه‌های مصرف‌کننده و تحویل قابل‌اعتماد
• اعمال قرارداد داده با Schema Registry و انتقال داده با Kafka Connect
• پردازش بلادرنگ جریان‌ها با Faust و Spark Structured Streaming

بخش‌های دوره

1. چرا Kafka؟ جریان رویداد و مسئله‌ی CityFlow۵ درس
2. Topic، Partition و پیام۵ درس
3. Producer: نوشتن رویداد در Kafka۵ درس
4. Consumer و گروه‌های مصرف‌کننده۵ درس
5. ساختار درونی Kafka: تکثیر، Leader و خرابی۵ درس
6. تحویل قابل‌اعتماد داده۵ درس
7. Schema Registry و قرارداد داده۵ درس
8. Kafka Connect: از پایگاه داده تا موتور جست‌وجو۵ درس
9. پردازش جریانی: Faust و Spark Structured Streaming۵ درس
10. مدیریت و پایش جریان‌های Kafka۵ درس
11. Kafka در مقیاس بزرگ: تکثیر، معماری و عملیات۵ درس
12. پروژه‌ی پایانی۱ درس

آنچه شرکت‌کنندگان می‌آموزند

• نصب و اجرای dbt Core روی یک انبار داده‌ی واقعی Postgres در Docker
• ساخت مدل‌های Staging، میانی و Mart که با ref() و source() به هم پیوند خورده‌اند
• آزمون و مستندسازی داده با آزمون‌های عمومی، اختصاصی و واحد dbt
• ساخت مدل‌های افزایشی و Snapshot و زمان‌بندی dbt با Airflow

بخش‌های دوره

1. آشنایی با مهندسی تحلیل۵ درس
2. مدل‌ها، DAG و Materialization۵ درس
3. منابع داده و مدل‌های Staging۵ درس
4. آزمون داده۵ درس
5. مدل‌های میانی و Martها۵ درس
6. Jinja و ماکروها۵ درس
7. مدل‌های افزایشی۵ درس
8. Snapshot و ابعاد با تغییر کند۵ درس
9. مستندسازی و سایت مستندات dbt۵ درس
10. آزمون واحد و آزمون پیشرفته۵ درس
11. استقرار، CI و الگوهای عملیاتی۵ درس
12. پروژه‌ی پایانی۱ درس

آنچه شرکت‌کنندگان می‌آموزند

• ساخت API مبتنی بر HTTP با پارامترهای مسیر، پرس‌وجو و بدنه‌ی درخواست دارای نوع مشخص
• اعتبارسنجی درخواست‌ها و پاسخ‌ها با Pydantic به‌جای بررسی‌های دست‌نویس
• ذخیره‌ی داده با SQLModel و ساختاردهی اپلیکیشن در حال رشد با Router و وابستگی‌ها
• افزودن احراز هویت، پردازش‌های پس‌زمینه و پاسخ جریانی
• آزمون و استقرار API

بخش‌های دوره

1. شروع کار با FastAPI۵ درس
2. بدنه‌ی درخواست و Pydantic۵ درس
3. HTTP به روش درست: وضعیت، خطا، فرم و فایل۵ درس
4. ساختار، وابستگی‌ها و Middleware۵ درس
5. پایگاه داده با SQLModel۵ درس
6. احراز هویت و امنیت۵ درس
7. برنامه‌نویسی ناهمگام، پردازش پس‌زمینه و پاسخ جریانی۵ درس
8. آزمون، تنظیمات، استقرار و پروژه‌ی پایانی۵ درس

آنچه شرکت‌کنندگان می‌آموزند

• ثبت کار با Commitهایی که بعدها به‌راحتی قابل فهم باشند
• ایجاد و ادغام شاخه‌ها با اطمینان، از جمله رفع تعارض‌ها
• کار با مخزن‌های راه دور، Pull Request و بازبینی کد در GitHub
• بازنویسی و بازیابی تاریخچه بدون ازدست‌دادن کار
• خودکارسازی بررسی‌ها با GitHub Actions

بخش‌های دوره

1. مبانی کنترل نسخه۵ درس
2. کار با تاریخچه۵ درس
3. شاخه‌سازی و ادغام۵ درس
4. GitHub و مخزن‌های راه دور۵ درس
5. همکاری با Pull Request۵ درس
6. روندهای کاری تیمی۵ درس
7. بازنویسی و بازیابی تاریخچه۵ درس
8. خودکارسازی با GitHub۵ درس
9. تسلط، ایمنی و پروژه‌ی پایانی۵ درس

آنچه شرکت‌کنندگان می‌آموزند

• تقسیم یک برنامه‌ی کارا به ماژول‌هایی با مسئولیت‌های روشن
• به‌کارگیری اصول SOLID و الگوهای طراحی رایج در جای مناسب
• نوشتن کد آزموده و استفاده از آزمون‌ها برای تغییر ایمن کد
• طراحی معماری اپلیکیشن پیش از آنکه از کنترل خارج شود
• مدیریت ملاحظات تحویل و عملیات: بسته‌بندی، پیکربندی و CI

بخش‌های دوره

1. مبانی مهندسی۵ درس
2. طراحی، معماری و برنامه‌نویسی شیءگرا۵ درس
3. نوشتن کد باکیفیت و آزموده۵ درس
4. تحویل و عملیات۴ درس
5. پروژه‌ی پایانی۱ درس