#C کلید ورود به بازار کار

دوره پروژه‌محور #C و ASP.NET Core

C#
C#
ورود کاربر جدید هستید؟ ثبت نام کنید
مشاوره رایگان
دوره های آموزش برنامه نویسی

دوره آموزش هوش مصنوعی (یادگیری ماشین و یادگیری عمیق)

در این دوره یادگیری ماشین هم الگوریتم‌های پرکاربرد رو با استفاده از scikit-learn یاد می‌گیریم و هم ریاضیات و تئوری پشت این الگوریتم‌ها رو با مثال‌های عملی در پایتون بررسی می‌کنیم.

طول دوره
84 ساعت
نحوه برگزاری
حضوری + آنلاین
پشتیبانی
گروه پشتیبانی بعد از اتمام دوره
دوره آموزش هوش مصنوعی (یادگیری ماشین و یادگیری عمیق)
دوره در یک نگاه

دوره آموزش هوش مصنوعی؛ یادگیری ماشین و یادگیری عمیق

از تحلیل داده و الگوریتم‌های Machine Learning با Python و scikit-learn شروع می‌کنی، بعد با PyTorch وارد شبکه‌های عصبی، بینایی ماشین، Transformer و مدل‌های مولد می‌شی. در طول دوره مدل‌ها رو آموزش می‌دی، ارزیابی می‌کنی و بهبود می‌دی.

۸۴ ساعت آموزش عملی

از تحلیل داده و Machine Learning تا Deep Learning

پروژه‌های متنوع هوش مصنوعی

پیش‌بینی، تشخیص تصویر، پردازش متن و مدل‌های مولد

Python و PyTorch

از scikit-learn تا CNN، RNN، Transformer و LLM

مدرک و پشتیبانی آموزشی

حضوری و آنلاین، فیلم جلسات و گروه پشتیبانی

چرا این مسیر؟

از اجرای کدهای آماده تا درک و ساخت مدل‌های هوش مصنوعی

یادگیری هوش مصنوعی فقط اجرای چند الگوریتم یا استفاده از مدل‌های آماده نیست. برای حل مسئله واقعی باید داده رو آماده کنی، مدل مناسب انتخاب کنی و نتیجه رو ارزیابی کنی.

از تحلیل داده با NumPy و Pandas و ریاضیات الگوریتم‌ها شروع می‌کنیم و بعد با PyTorch وارد معماری‌های Deep Learning می‌شیم.

با پروژه‌های مختلف یاد می‌گیری مدل بسازی، مشکلات آموزش رو شناسایی کنی و عملکردش رو بهبود بدی.

پروژه‌های عملی دوره

یادگیری هوش مصنوعی با پروژه‌های واقعی و متنوع

مفاهیم Machine Learning و Deep Learning رو با پروژه‌هایی در پیش‌بینی، بینایی ماشین، پردازش متن و مدل‌های مولد تمرین می‌کنی.

معرفی پروژه های دوره هوش مصنوعی

پروژه تشخیص بافت سرطانی
پروژه تشخیص دیابت
پروژه ارزیابی کیفیت معدن
پروژه تشخیص تومور از روی MRI
پروژه پیش‌ بینی قیمت مسکن

پروژه ۱ — پیش‌بینی و تحلیل داده

  • پیش‌بینی دیابت براساس داده‌های بالینی
  • پیش‌بینی قیمت خانه‌های تهران با شبکه عصبی چندلایه
  • پیش‌بینی بورس با داده‌های واقعی

پروژه ۲ — بینایی ماشین و پردازش تصویر

  • تشخیص حالات دست در بازی سنگ، کاغذ، قیچی
  • تشخیص بافت سرطانی با PyTorch Lightning و ResNet-50
  • Image Classification و تشخیص اشیا و شمارش آن‌ها در ویدئو
  • Semantic Segmentation و Instance Segmentation

پروژه ۳ — پردازش متن و مدل‌های مولد

  • Image Captioning و جست‌وجوی تصویر با توضیح متنی
  • تبدیل متن به تصویر و دسته‌بندی و خلاصه‌سازی متن
  • افزایش رزولوشن تصویر و تولید تصاویر غذا با GAN
  • تبدیل تصویر ماهواره‌ای به نقشه دوبعدی
  • تشخیص تصاویر با SimCLR

این پروژه آموزشیه و برآورد کالریش تقریبی و غیرپزشکیه.

خروجی قابل ارائه

بعد از ۸۴ ساعت چه مهارت‌هایی به دست میاری؟

با ابزارها و معماری‌های اصلی Machine Learning و Deep Learning کار می‌کنی و تجربه ساخت، ارزیابی و بهبود مدل‌ها رو به دست میاری. پروژه‌های تکمیل‌شده رو می‌تونی همراه با کد و نتایج ارزیابی در رزومه فنی ارائه بدی.

تحلیل داده با NumPy و Pandas و مصورسازی
شبکه‌های عصبی با PyTorch و PyTorch Lightning
Image Segmentation و معماری‌های بینایی ماشین
تحلیل خطا، Overfitting و ارزیابی مدل
Regression، Classification، SVM و Random Forest
CNN، Transfer Learning و Object Detection
RNN، LSTM، Transformer و GAN
بهبود عملکرد مدل‌های یادگیری ماشین

این دوره برای چه کسانی مناسبه؟

اگه پایتون بلدی و می‌خوای مدل‌های هوش مصنوعی بسازی

  • پایتون بلدی و می‌خوای وارد Machine Learning و Deep Learning بشی.
  • با آموزش‌های پراکنده جلو رفتی و دنبال مسیر منظم هستی.
  • می‌خوای ریاضیات و منطق الگوریتم‌ها رو هم یاد بگیری.
  • به تحلیل داده، شبکه‌های عصبی و بینایی ماشین علاقه داری.
  • می‌خوای مدل‌ها رو خودت پیاده‌سازی و ارزیابی کنی.

برای چه کسانی مناسب نیست؟

اگه هنوز پیش‌نیاز فنی یا زمان تمرین نداری

  • هنوز برنامه‌نویسی پایتون رو بلد نیستی.
  • فقط دنبال استفاده از ابزارهای آماده هوش مصنوعی هستی.
  • نمی‌خوای وارد مباحث فنی، ریاضیات یا کدنویسی بشی.
  • برای تمرین و انجام پروژه‌ها وقت نمی‌ذاری.
سرفصل‌های دوره یادگیری هوش مصنوعی

از آماده‌سازی داده تا ساخت و استقرار مدل‌های یادگیری ماشین و عمیق

در ۱۱ بخش، از تعریف مسئله تا ساخت و ارائه یک مدل قابل استفاده جلو می‌ریم.

بخش 1 از مسئله خام تا یک پروژه داده‌محور
  • آشنایی با Data Analysis، Data Science، Machine Learning، Deep Learning و Computer Vision
  • تشخیص نوع مسئله: Regression، Classification، Clustering، Detection و Segmentation
  • تبدیل سؤال کسب‌وکار به Target، Feature، واحد تحلیل و معیار موفقیت
  • مراحل پروژه ML: تعریف مسئله، داده، EDA، Baseline، آموزش، ارزیابی، تحلیل خطا، ارائه و پایش
  • آماده‌سازی محیط با venv یا Conda، فایل requirements.txt و ساختار استاندارد پوشه‌های پروژه
  • کار با Git و GitHub: Commit، README، ثبت تغییرات و مدیریت امن فایل‌ها و Tokenها
  • آشنایی با CPU، GPU، CUDA و کاربرد Cloud GPU

کارگاه — تبدیل سه مسئله کسب‌وکار به مسئله ML (Target، ورودی، معیار و ریسک خطا) و ساخت Repository در GitHub

خروجی قابل ارائه: سند یک‌صفحه‌ای تعریف مسئله و مخزن GitHub آماده اجرای پروژه

بخش 2 EDA، پاک‌سازی و یکپارچه‌سازی داده
  • کار با Jupyter Notebook و تفاوت Notebook اکتشافی با کد ماژولار
  • NumPy: آرایه‌ها، dtype، Shape، Indexing، Slicing، Masking، Broadcasting، Reshape، Copy/View و محاسبات برداری
  • Pandas: Series، DataFrame، خواندن CSV/Excel/JSON/Query، groupby، apply، MultiIndex، pivot و melt
  • شناخت نوع داده، تاریخ، متن، دسته‌ها، Population، Sample، واحد مشاهده، Attribute و Target
  • EDA تک‌متغیره و مقایسه گروه‌ها با Histogram، Boxplot، Bar Chart و شاخص‌های آماری
  • تحلیل روابط با Scatter Plot، Crosstab، نمودارهای چندبعدی، Facet و Annotation
  • تحلیل Trend، فصل‌گرایی، جهش و نقاط غیرعادی؛ گزارش EDA با مشاهده، شواهد و تفسیر
  • پاک‌سازی سطح اول: اصلاح Header و نام ستون‌ها، Reindex، حذف داده‌های تکراری، خالی و بی‌استفاده
  • پاک‌سازی سطح دوم: Unpack اطلاعات، تبدیل Wide/Long، melt، pivot و بازسازی جدول برای تحلیل یا رگرسیون
  • پاک‌سازی سطح سوم: کشف Missing Valueهای آشکار و پنهان و روش‌های حذف، Imputation و Missing Flag
  • تشخیص Outlier با IQR و Z-score؛ مقایسه Winsorization، Transformation و روش‌های مقاوم
  • شناسایی خطاهای تصادفی و سیستماتیک؛ اختلاف واحد، تاریخ نامعتبر و الگوهای ثبت اشتباه
  • Data Integration و Data Fusion؛ تعیین Grain جدول‌ها، Entity Identification و رفع ناسازگاری کلیدها
  • رفع Index/Aggregation Mismatch، Duplicate Objects و Data Redundancy
  • Merge با روابط one-to-one، one-to-many و many-to-many؛ استفاده از indicator و validation و کنترل تعداد ردیف‌ها
  • آماده‌سازی دیتاست یکپارچه و مستندسازی تصمیم‌های پاک‌سازی

پروژه‌ها — بازسازی جدول بدساخت؛ گزارش جهانی شادی با ادغام WH Report.csv، populations.csv و Countries.csv؛ یکپارچه‌سازی داده‌های Billboard، آهنگ و هنرمند؛ گزارش کیفیت داده قبل و بعد از پاک‌سازی

خروجی قابل ارائه: Notebook تحلیلی EDA، دیتاست تمیز، جدول یکپارچه، Data Quality Report و مستند تصمیم‌ها

بخش 3 آمار کاربردی، Split صحیح، Pipeline و مهندسی ویژگی
  • آمار توصیفی: Mean، Median، Mode، Variance، Standard Deviation، Quartile، Percentile و IQR
  • Population و Sample، هم‌بستگی و تفاوت Correlation با Causation
  • Train/Validation/Test Split، Stratified Split، Time-based Split و پیشگیری از Data Leakage
  • Scaling: استانداردسازی، نرمال‌سازی و حساسیت مدل‌ها به مقیاس ویژگی‌ها
  • One-Hot و Ordinal Encoding و مدیریت دسته‌های جدید در زمان Prediction
  • ساخت ColumnTransformer و Pipeline با Fit کردن پیش‌پردازش فقط روی Train
  • Feature Engineering برای عدد، تاریخ، دسته، متن کوتاه و ویژگی‌های دامنه‌محور
  • Feature Selection مقدماتی، Multicollinearity، PCA و تعریف Baseline

کارگاه — Pipeline داده‌های عددی و دسته‌ای، بررسی Data Leakage و ساخت ویژگی‌های جدید برای داده خانه یا مشتری

بخش 4 رگرسیون؛ پیش‌بینی خروجی‌های عددی
  • تشخیص Target پیوسته و ساخت Baseline با Mean یا Median
  • Linear Regression و Multiple Linear Regression؛ ضریب‌ها، Intercept، فرض خطی و Multicollinearity
  • Regularization با Ridge و Lasso
  • Decision Tree Regressor، Random Forest و Gradient Boosting با XGBoost یا LightGBM
  • MLP Regressor و مقایسه شبکه عصبی با مدل‌های کلاسیک روی داده جدولی
  • معیارهای ارزیابی: MAE، MSE، RMSE، MAPE، R² و Median AE؛ کاربرد و محدودیت هر معیار
  • Residual Analysis، Cross Validation و ارزیابی نهایی روی Test
  • تحلیل خطا در Segmentهای مختلف و انتخاب مدل متناسب با مسئله

پروژه‌ها — پیش‌بینی تعداد درخواست‌های پذیرش با Linear Regression و MLP؛ پیش‌بینی قیمت خانه‌های تهران با مدل خطی، Random Forest و Gradient Boosting

خروجی قابل ارائه: گزارش مقایسه مدل‌ها بر اساس MAE، RMSE، تحلیل Residual و قابل‌قبول‌بودن خطا

بخش 5 طبقه‌بندی و ارزیابی مدل‌های تصمیم‌گیر
  • Binary، Multiclass و Multilabel Classification؛ Probability، Score و Threshold
  • Logistic Regression: Logit، Sigmoid، ضریب‌ها و تنظیم Threshold
  • KNN و SVM: فاصله، Scaling، انتخاب k، Margin و Kernel
  • Decision Tree، Random Forest و Ensemble؛ کنترل Overfitting و محدودیت Feature Importance
  • Gradient Boosting، XGBoost یا LightGBM؛ Hyperparameter و Probability Calibration
  • Confusion Matrix: TP، TN، FP و FN و بررسی هزینه خطا
  • معیارها: Accuracy، Balanced Accuracy، Precision، Recall/Sensitivity، Specificity و F1-score
  • ROC-AUC، PR-AUC/Average Precision و Log Loss؛ انتخاب معیار مناسب برای داده نامتوازن
  • Stratified Split/Cross Validation و مقایسه با DummyClassifier
  • مدیریت Imbalanced Data: Class Weight، Cost-sensitive Learning، Over/Undersampling و SMOTE فقط روی Train داخل Pipeline
  • تنظیم Threshold، تحلیل ROC/PR Curve، گزارش Macro/Weighted Average و بررسی خطا در Subgroupها

پروژه‌ها — ارزیابی درخواست وام با KNN و Decision Tree؛ پیش‌بینی ریسک دیابت یا بیماری با تمرکز بر Recall و False Negative؛ تشخیص تقلب یا ریزش مشتری با PR-AUC و تنظیم Threshold

خروجی قابل ارائه: Classification Report، Confusion Matrix، ROC/PR Curve و تحلیل Threshold و عدم توازن داده

بخش 6 یادگیری بدون ناظر و خوشه‌بندی
  • تفاوت Supervised و Unsupervised Learning و ارزیابی بدون Label
  • K-Means، Centroid، Inertia، Elbow و Silhouette Score
  • اثر Scaling، Outlier و ویژگی‌های نامرتبط بر خوشه‌ها
  • DBSCAN و تشخیص Noise در خوشه‌های غیرکروی
  • PCA برای مصورسازی داده چندبعدی
  • Centroid Analysis و تفسیر و نام‌گذاری خوشه‌ها

پروژه — بخش‌بندی مشتریان یا مناطق با K-Means و تهیه پروفایل رفتاری هر خوشه

بخش 7 یادگیری عمیق با PyTorch
  • مبانی شبکه عصبی: Weight، Bias، Layer، Forward Pass، Loss و Backpropagation
  • Activation Functionها: ReLU، LeakyReLU، Sigmoid و Tanh برای Regression و Classification
  • Vanishing/Exploding Gradient، Initialization، Batch Normalization و Residual Connection
  • Tensor، Shape، dtype، CPU/GPU، Device و تبدیل NumPy در PyTorch
  • Autograd، requires_grad، backward، zero_grad و به‌روزرسانی پارامترها
  • ساخت مدل با nn.Module و Sequential و نوشتن forward
  • Dataset، TensorDataset، DataLoader، Batch، Shuffle و چرخه Train/Validation
  • Loss Functionهای MSE، BCEWithLogitsLoss و CrossEntropyLoss
  • Optimizerهای SGD و Adam، Learning Rate Scheduler، Early Stopping، Dropout و Weight Decay
  • TensorBoard، Checkpoint، State Dict، Resume Training و اسکریپت Inference
  • PyTorch Lightning برای کاهش کد تکراری پس از یادگیری Training Loop

کارگاه — بازنویسی رگرسیون NumPy با PyTorch و Autograd؛ ساخت MLP برای قیمت خانه و Binary Classifier با تحلیل Threshold

بخش 8 بینایی ماشین کاربردی
  • مبانی تصویر: Pixel، Channel، Resolution، Color Space و RGB/BGR
  • OpenCV: خواندن و ذخیره تصویر، Resize، Crop، تبدیل رنگ، Bounding Box، Camera و Video
  • Torchvision، ImageFolder، Dataset سفارشی و DataLoader تصاویر
  • Data Augmentation، Normalize، Aspect Ratio و مدیریت Imbalance با Weighted Sampler یا Class Weight
  • CNN: Kernel، Stride، Padding، Pooling، Feature Map و Shape خروجی؛ ساخت CNN از صفر
  • Transfer Learning و Fine-tuning با ResNet و EfficientNet؛ Freeze و Unfreeze
  • Object Detection: Bounding Box، IoU، NMS، Precision/Recall و mAP
  • YOLO روی دیتاست سفارشی و تشخیص اشیا در عکس و ویدئو
  • Semantic/Instance Segmentation؛ U-Net، IoU و Dice؛ آشنایی با Faster R-CNN و Mask R-CNN
  • تحلیل خطای تصویری: نور، زاویه، پس‌زمینه، Annotation، Data Drift و Confusion Matrix

پروژه‌ها — سنگ، کاغذ، قیچی با تصویر یا دوربین؛ تشخیص بافت سرطانی با Transfer Learning و بررسی Sensitivity/False Negative؛ تشخیص و شمارش اشیا در ویدئو با YOLO؛ Semantic Segmentation با U-Net و IoU/Dice

بخش 9 RNN، LSTM و GRU برای داده‌های ترتیبی
  • Sequential Data، Windowing، Lag و Split زمانی در برابر Split تصادفی
  • RNN Cell، Hidden State، Unrolling و پیاده‌سازی ساده Cell
  • nn.RNN، Stacked RNN و Bidirectional RNN و محدودیت مدل دوطرفه در Forecasting
  • Vanishing Gradient و سازوکار LSTM: Cell State و Gateها
  • GRU و مقایسه پارامترها، سرعت و عملکرد با LSTM
  • Variable-Length Sequences، Padding، Packing و Batch توالی‌ها
  • مقایسه با Naive Baseline و ارزیابی MAE، RMSE و MAPE
  • مصورسازی پیش‌بینی و خطا در تغییر روند و شوک‌های زمانی

پروژه — پیش‌بینی فروش، تقاضا یا مصرف انرژی و مقایسه RNN، LSTM و GRU با Baseline ساده

بخش 10 Autoencoder، VAE و GAN در حد پروژه
  • Autoencoder: Encoder، Latent Space و Decoder
  • Convolutional Autoencoder برای بازسازی تصویر و حذف نویز
  • VAE و Sampling در فضای نهان در حد کاربردی
  • GAN و DCGAN: Generator، Discriminator و Transposed Convolution
  • Mode Collapse، ناپایداری آموزش و مقایسه خروجی تصاویر در Epochهای مختلف

مینی‌پروژه — تولید تصاویر بشقاب غذا با DCGAN یا حذف نویز تصویر با Autoencoder

بخش 11 از Notebook تا محصول؛ استقرار مدل و MLOps مقدماتی
  • ذخیره و بازیابی مدل Scikit-learn با joblib/pickle و وزن‌ها و Checkpoint در PyTorch
  • ذخیره هم‌زمان Preprocessor، Encoder، Scaler و Model و ساخت Pipeline برای Prediction
  • جلوگیری از اختلاف داده زمان آموزش و پیش‌بینی و بارگذاری مدل بدون آموزش مجدد
  • تبدیل Notebook به پروژه Python با جداسازی Train، Evaluation و Inference
  • ساختار پوشه‌ها، requirements.txt، تنظیمات، Environment Variables، مدیریت خطا و Logging
  • FastAPI: طراحی Endpoint، اعتبارسنجی ورودی، Preprocessing، اجرای مدل و خروجی JSON
  • مدیریت خطاهای API، تست با Swagger و جداسازی مدل از منطق سرویس
  • ساخت Demo با Streamlit یا Gradio؛ دریافت داده عددی/متنی/تصویری و نمایش خروجی، احتمال و خطا
  • اتصال رابط کاربری به مدل یا API و آماده‌سازی Demo برای رزومه
  • Docker مقدماتی: Image، Container، Dockerfile، نصب وابستگی‌ها، Port و Environment Variable
  • اجرای FastAPI یا Demo در Docker و ساخت نسخه قابل انتقال پروژه
بعد از کلاس

پشتیبانی، دسترسی به فیلم‌ها و مدرک دوره

پشتیبانی و دسترسی

  • گروه پشتیبانی بعد از اتمام دوره هم فعال می‌مونه.
  • فیلم جلسات و منابع حداقل یک سال و حداکثر دو سال در دسترس‌اند.
  • دانشجوی آنلاین زنده در کلاس حضور داره و کدش بررسی می‌شه.
  • برای جلسه ازدست‌رفته فیلم کامل جلسه در دسترس قرار می‌گیره.
دانلود فایل کامل سرفصل دوره

مدرک نهایی

مدرک این دوره مورد تأیید سازمان فنی‌وحرفه‌ای است.

مدرک نهایی دوره C# و ASP.NET Core
مهندس سعید مصطفایی، مدرس دوره Python
مدرس دوره

مهندس سعید مصطفایی

هدف این دوره فقط اجرای الگوریتم‌های آماده هوش مصنوعی نیست. قراره یاد بگیری چطور داده‌ها رو تحلیل کنی، منطق و ریاضیات مدل‌های یادگیری ماشین و یادگیری عمیق رو درک کنی و با ابزارهایی مثل Python و PyTorch مدل بسازی، آموزش بدی و عملکردشون رو ارزیابی کنی.

  • کارشناس ارشد مهندسی فناوری اطلاعات از دانشگاه تربیت مدرس تهران
  • مدرس هوش مصنوعی، علم داده و برنامه‌نویسی Python
  • متخصص در Machine Learning، Deep Learning و شبکه‌های عصبی
  • فعال در حوزه بینایی ماشین (Computer Vision) و پردازش زبان طبیعی (NLP)
  • تجربه طراحی و توسعه سیستم‌های مبتنی بر LLM، RAG و هوش مصنوعی مولد
  • تجربه حرفه‌ای در تحلیل داده و توسعه سامانه‌های هوش مصنوعی مبتنی بر Python

رویکرد دوره: یادگیری مفهومی و پروژه‌محور هوش مصنوعی؛ از تحلیل داده و الگوریتم‌های Machine Learning تا ساخت شبکه‌های عصبی با PyTorch، پردازش تصویر و مدل‌های پیشرفته Deep Learning، با تمرکز بر حل مسئله، آموزش و ارزیابی مدل‌ها.

بعد از این دوره

بعد از یادگیری هوش مصنوعی چه مسیرهایی پیش روته؟

با توجه به علاقه‌ات می‌تونی یکی از مسیرهای تخصصی رو ادامه بدی.

FAQ

سؤالات متداول دوره هوش مصنوعی

آیا برای شرکت در دوره باید پایتون بلد باشم؟

بله. پیش‌نیاز دوره برنامه‌نویسی پایتونه.

آیا یادگیری ماشین از پایه آموزش داده می‌شه؟

بله. آموزش از مفاهیم پایه، تحلیل داده و الگوریتم‌های کلاسیک شروع می‌شه.

آیا ریاضیات الگوریتم‌ها هم آموزش داده می‌شه؟

بله. در کنار پیاده‌سازی، ریاضیات و منطق الگوریتم‌ها هم بررسی می‌شه.

آیا PyTorch در دوره آموزش داده می‌شه؟

بله. PyTorch و PyTorch Lightning از ابزارهای اصلی دوره هستن.

آیا دوره پروژه عملی داره؟

بله. پروژه‌هایی در پیش‌بینی، بینایی ماشین، پردازش متن و مدل‌های مولد داره.

آیا Transformer و LLM هم آموزش داده می‌شه؟

بله؛ GPT-2، Hugging Face و Fine-Tuning در سرفصل‌ها هستن، ولی تمرکز اصلی روی Machine Learning و Deep Learning است.

آیا کلاس‌ها آنلاین هم برگزار می‌شن؟

بله، حضوری و آنلاین هم‌زمان.

آیا بعد از پایان دوره پشتیبانی داریم؟

بله، گروه پشتیبانی آموزشی بعد از دوره هم در دسترس خواهد بود.

می‌خوای بدونی دوره LLM، RAG و GenAI برای سطح فعلی تو مناسبه؟

درباره پیش‌نیاز Python، پروژه نهایی، منتورینگ و نحوه برگزاری دوره قبل از ثبت‌نام سؤال کن.

شهریه 20,000,000
ثبت نام
معرفی دوره پروژه‌ها برای کی مناسبه؟ سرفصل‌های دوره مدرس دوره سوالات متداول

آخرین اخبار وبلاگ

تفاوت C#، .NET و ASP.NET Core چیست؟
تفاوت C#، .NET و ASP.NET Core چیست؟

C#، .NET و ASP.NET Core چه تفاوتی دارن؟ توی این مقاله با یک مثال فروشگاه اینترنتی، نقش هر سه فناوری رو یاد می‌گیری، یک برنامه Console می‌سازی و اولین Web API خودت رو با .NET 10 اجرا می‌کنی.

وبلاگ را بخوانید
JWT در ASP.NET Core چیست؟ راهنمای کامل Authentication و امن‌سازی Web API
JWT در ASP.NET Core چیست؟ راهنمای کامل Authentication و امن‌سازی Web API

اگر برات سواله JWT چیه و چرا در پروژه‌های ASP.NET Core ازش استفاده می‌کنن، این مقاله از پایه همه‌چیز رو توضیح می‌ده. از ساختار JWT و Secret Key گرفته تا ساخت Token، محافظت از API و تفاوت 401 و 403.

وبلاگ را بخوانید
Axios چیست و چه کاربردی در JavaScript دارد؟
Axios چیست و چه کاربردی در JavaScript دارد؟

اگه تازه با JavaScript و API آشنا شدی و هنوز نمی‌دونی Axios دقیقاً چه کاری انجام می‌ده، این آموزش خیلی ساده بهت نشون می‌ده چطور از سرور اطلاعات بگیری، اطلاعات بفرستی، خطاها رو مدیریت کنی و JavaScript رو به ASP.NET Core Web API وصل کنی.

وبلاگ را بخوانید
Docker چیست و چه کاربردی دارد؟ راهنمای ساده و کاربردی داکر
Docker چیست و چه کاربردی دارد؟ راهنمای ساده و کاربردی داکر

تا حالا شده یه پروژه روی سیستم خودت درست کار کنه ولی روی سیستم همکارت یا سرور به مشکل بخوره؟ Docker دقیقاً برای حل همین دردسرهاست. توی این مقاله خیلی ساده می‌بینیم Docker چیه، Container و Image چه کاری می‌کنن و داکر توی یه پروژه واقعی کجا به درد برنامه‌نویس می‌خوره.

وبلاگ را بخوانید
نظرات شما

نظرات خود را ثبت کنید...






آموزش برنامه نویسی محمد حسین هاشمی 1403/07/06
حضوری و انلاین؟

عرض سلام, خواستم بدونم اینکه یک جلسه رو اگر نتوانیم حضوری بیایم میتونیم همزمان به صورت انلاین شرکت کنیم ؟

آموزش برنامه نویسی ادمین 1403/07/08

سلام آقای هاشمی عزیز، لطفاً با هماهنگی تیم پشتیبانی، در کلاس‌ به صورت آنلاین شرکت کنید.

آموزش برنامه نویسی کاربر میهمان 1399/10/19
عوض شدن تاریخ یا زمان دوره داده کاوی و ماشین لرنیگ

امکانش هست روز یا تاریخ دوره عوض بشه .اخه من صبحش دوره ی پایتون با استاد مصطفایی دارم. بعد بلافاصله شروع دوره سخته.

آموزش برنامه نویسی ادمین 1399/10/19

درود کاربر عزيز با اتمام يا اواخر دوره پايتون ميتوانيد در دوره داده کاوي شرکت کنيد.