نحوه یادگیری پایتون (گام به گام) در سال 2023

یادگیری پایتون برای من بسیار دشوار بود ، اما لازم نیست که باشد.

کمی بیش از یک دهه پیش ، من فارغ التحصیل کالج با مدرک تاریخ و چشم انداز معدودی بودم. سپس ، من به یک مهندس یادگیری ماشین موفق ، مشاور علوم داده و اکنون مدیرعامل DataQuest تبدیل شدم.

این یک داستان موفقیت یک شبه نیست. سفر من برای یادگیری پایتون طولانی ، ناکارآمد و غالباً دلسرد کننده بود.

اگر دوباره بتوانم این کار را انجام دهم ، مراحلی را که می خواهم در این مقاله با شما به اشتراک بگذارم ، دنبال می کنم. این کار به سرعت حرفه من را ردیابی می کرد ، هزاران ساعت وقت تلف شده را نجات می داد و از استرس زیادی جلوگیری می کرد.

این راهنما به شما نشان می دهد که چگونه پایتون را به روش صحیح یاد بگیرید.

مرحله 1: درک کنید که چرا بیشتر شکست می خورند

یادگیری پایتون لازم نیست دشوار باشد. در واقع ، اگر از منابع مناسب استفاده می کنید ، در واقع می تواند آسان (و سرگرم کننده) باشد.

مشکل بیشتر منابع یادگیری

بسیاری از دوره های موجود در آنجا ، یادگیری پایتون را دشوارتر از آنچه باید باشد. برای نشان دادن نظر من ، یک مثال شخصی به شما می دهم.

هنگامی که من برای اولین بار یادگیری پایتون را شروع کردم ، می خواستم کارهایی را انجام دهم که مرا هیجان زده می کند ، مثل ساختن وب سایت ها. متأسفانه ، دوره ای که من می گذراندم ، مرا مجبور به گذراندن چندین ماه برای نحو کردم. عذاب بود

در طول دوره ، کد پایتون همچنان خارجی و گیج کننده به نظر می رسید. مثل یک زبان بیگانه بود. جای تعجب نیست که من به سرعت علاقه خود را از دست دادم.

متأسفانه ، اکثر آموزش های پایتون بسیار شبیه به این هستند. آنها فرض می کنند شما قبل از شروع کار جالب ، باید تمام نحو های پایتون را یاد بگیرید. آیا جای تعجب نیست که بیشتر مردم تسلیم می شوند؟

به جای هدر رفتن وقت در این کارهای دنیوی ، می توانید هیجان های واقعی پایتون را تجربه کنید. به تجزیه و تحلیل داده ها ، ایجاد یک وب سایت یا ایجاد یک هواپیمای بدون سرنشین خودمختار با هوش مصنوعی فکر کنید!

یک راه آسان تر

بعد از تلاش های ناکام ، فرایندی را پیدا کردم که برای من بهتر عمل کند. در واقع ، من معتقدم که این بهترین راه برای یادگیری برنامه نویسی پایتون است.

اول ، من به همان اندازه زمان ممکن را صرف حفظ نحو پایتون کردم. سپس ، آنچه را که آموخته ام گرفتم و بلافاصله کبوتر را به پروژه ای که در واقع جالب دیدم ، کبوتر کردم.

پیروی از مراحل ذکر شده در زیر نه تنها سرگرم کننده تر است ، بلکه به شما امکان می دهد با یک نرخ باورنکردنی یاد بگیرید!

در حقیقت ، این روش بهتر برای یادگیری به همین دلیل است که من DataQuest را ساختم. دوره های علوم داده ما شما را بلافاصله با حداقل زمان صرف انجام کارهای خسته کننده می سازد. دوره های ما را اینجا ببینید. ثبت نام رایگان است.

مرحله 2: مشخص کنید چه چیزی شما را انگیزه می دهد

این خبر خوب است: هر کسی می تواند با انگیزه مناسب به سطح بالایی از مهارت در پایتون برسد.

من به عنوان یک مبتدی ، تلاش کردم تا هنگام تلاش برای حفظ نحو ، خودم را بیدار نگه دارم. با این حال ، هنگامی که من برای ساختن یک پروژه جالب نیاز به استفاده از اصول پایتون داشتم ، با خوشحالی تمام شب ماندم تا آن را تمام کنم.

در اینجا درس چیست؟شما باید پیدا کنید که چه چیزی به شما انگیزه می دهد و از آن هیجان زده می شوید! برای شروع ، یک یا دو حوزه را پیدا کنید که مورد علاقه شما هستند:

• علوم داده / یادگیری ماشین
• برنامه های همراه
• وب سایت ها
• علوم کامپیوتر
• بازی ها
• پردازش و تجزیه و تحلیل داده ها
• سخت افزار / سنسورها / روبات ها
• خودکار کردن وظایف کاری

مرحله 3: نحو اساسی را به سرعت یاد بگیرید

میدونم میدونم. من گفتم که ما تا حد ممکن زمان را برای نحو می گذرانیم. متأسفانه ، این مرحله به طور کامل قابل رد نیست.

در اینجا منابع خوبی برای کمک به شما در یادگیری اصول اولیه پایتون بدون کشتن انگیزه خود وجود دارد:

• DataQuest - Python for Science Data Fundamentals - من DataQuest را شروع کردم تا یادگیری پایتون و علم داده را آسان تر کنم. DataQuest در زمینه یادگیری علم داده ، نحو پایتون را آموزش می دهد. به عنوان مثال ، هنگام تجزیه و تحلیل داده های آب و هوا ، دستورات اصلی پایتون را یاد خواهید گرفت.
• Python را به سختی بیاموزید-کتابی که مفاهیم پایتون را از اصول اولیه گرفته تا برنامه های عمیق تر آموزش می دهد.
• آموزش پایتون - آموزش در سایت اصلی پایتون.

من نمی توانم به اندازه کافی تأکید کنم: بیاموزید که چه نحوی می توانید و حرکت کنید. در حالت ایده آل ، شما دو هفته را در این مرحله می گذرانید ، اما بیش از یک ماه نیست.

هرچه زودتر بتوانید روی پروژه ها کار کنید ، سریعتر یاد خواهید گرفت. در صورت لزوم همیشه می توانید بعداً به نحو مراجعه کنید.

توجه سریع: Python 3 را بیاموزید ، نه Python 2. متأسفانه ، بسیاری از منابع "Lea Python" آنلاین هنوز Python 2 را آموزش می دهند. اما پایتون 2 دیگر پشتیبانی نمی شود ، بنابراین اشکالات و سوراخ های امنیتی برطرف نمی شوند!

مرحله 4: پروژه های ساختاری را بسازید

پس از یادگیری نحو اساسی پایتون ، شروع به انجام پروژه ها کنید. استفاده از دانش خود بلافاصله به شما کمک می کند تا همه چیزهایی را که آموخته اید به خاطر بسپارید.

بهتر است با پروژه های ساختاری شروع کنید تا زمانی که به اندازه کافی احساس راحتی کنید تا به تنهایی پروژه ها را انجام دهید. در اینجا در DataQuest ، ما پروژه های ساختاری را تقریباً در تمام دوره های Python خود درج کرده ایم. به این ترتیب ، می توانید بلافاصله آنچه را که آموخته اید اعمال کنید.

در اینجا چند نمونه از پروژه های واقعی DataQuest آورده شده است. کدام یک کنجکاوی شما را مشتعل می کند؟

• شکستن زندان: بیشتر شکستگی های زندان هلیکوپتر در کجا و چه زمانی اتفاق می افتد؟با این پروژه هدایت شده برای مبتدیان پایتون اطلاعات کسب کنید.
• نظرسنجی های خروج کارمندان: برای کاربران پایتون با مهارت های متوسط طراحی شده است ، این پروژه ساخت یافته شما را برای یافتن پاسخ برای ذینفعان در وزارت آموزش و پرورش در کوئینزلند ، استرالیا ، داده های تمیز کردن را در اختیار شما قرار می دهد.
• تمیز کردن و تجسم داده ها به سبک جنگ ستارگان: طرفداران جنگ ستارگان نمی خواهند این پروژه ساختار یافته را با استفاده از داده های واقعی فیلم از دست بدهند.

الهام بخش برای پروژه های ساخت یافته

وقتی صحبت از پروژه های ساختاری می شود ، هیچ مکان مناسبی برای شروع وجود ندارد. بهترین منابع برای شما به آنچه انگیزه شما را ایجاد می کند و همچنین اهداف شما برای برنامه نویسی پایتون بستگی دارد.

آیا به علوم داده عمومی یا یادگیری ماشین علاقه دارید؟آیا می خواهید چیزی خاص مانند برنامه یا وب سایت بسازید؟در اینجا برخی از منابع توصیه شده برای الهام بخش ، سازماندهی شده بر اساس گروه:

علوم داده / یادگیری ماشین

• DataQuest - به شما تعاملی Python و Data را به شما آموزش می دهد. شما مجموعه ای از مجموعه داده های جالب را تجزیه و تحلیل می کنید ، از اسناد CIA گرفته تا آمار پخش کننده NBA. سرانجام شما الگوریتم های پیچیده ای از جمله شبکه های عصبی و درختان تصمیم گیری می سازید.
• اسناد Scikit-Lea-Scikit-Lea کتابخانه اصلی یادگیری ماشین پایتون است. این مستندات و آموزش های عالی دارد.
• CS109 - این یک کلاس هاروارد است که پایتون را برای علم داده آموزش می دهد. آنها برخی از پروژه های خود و سایر مواد را بصورت آنلاین دارند.

برنامه های همراه

• Kivy Guide - Kivy ابزاری است که به شما امکان می دهد برنامه های تلفن همراه را با پایتون بسازید. آنها یک راهنما برای شروع کار دارند.

وب سایت ها

• آموزش بطری - بطری یک چارچوب وب دیگر برای پایتون است. در اینجا یک راهنما برای شروع کار با آن وجود دارد.
• نحوه Tango با Django - راهنمای استفاده از Django ، یک چارچوب پیچیده وب پایتون.

بازی ها

• آموزش Pygame - در اینجا لیستی از آموزش های Pygame ، یک کتابخانه محبوب Python برای ساخت بازی ها وجود دارد.
• ساخت بازی با Pygame - کتابی که آموزش نحوه ساخت بازی در پایتون را می آموزد.

بازی های رایانه ای خود را با Python اختراع کنید - کتابی که شما را از طریق نحوه ساخت چندین بازی با استفاده از Python پیاده می کند.

سخت افزار/سنسورها/روبات ها

• با استفاده از پایتون با آردوینو - یاد بگیرید که چگونه از پایتون برای کنترل سنسورهای متصل به آردوینو استفاده کنید.
• یادگیری پایتون با Raspberry Pi - ساخت پروژه های سخت افزاری با استفاده از Python و Raspberry Pi.
• یادگیری روباتیک با استفاده از پایتون - یاد بگیرید که چگونه با استفاده از پایتون روبات بسازید.
• کتاب آشپزی Raspberry Pi - یاد بگیرید که چگونه با استفاده از Raspberry Pi و Python ، روبات بسازید.

اسکریپت ها برای خودکار سازی کار خود

• خودکار کردن مطالب خسته کننده با پایتون - یاد بگیرید چگونه کارهای روزمره را با استفاده از پایتون خودکار کنید.

پروژه ها بسیار مهم هستند. آنها توانایی های شما را گسترش می دهند، به شما کمک می کنند مفاهیم جدید پایتون را یاد بگیرید و به شما امکان می دهند توانایی های خود را به کارفرمایان بالقوه نشان دهید. هنگامی که چند پروژه ساختاریافته را انجام دادید، می توانید به کار روی پروژه های خود ادامه دهید.

مرحله 5: خودتان روی پروژه های پایتون کار کنید

بعد از اینکه چند پروژه ساختاریافته را انجام دادید، وقت آن است که همه چیز را تقویت کنید. شما می توانید با کار بر روی پروژه های مستقل پایتون سرعت یادگیری خود را افزایش دهید.

کلید اینجاست: با یک پروژه کوچک شروع کنید. بهتر است یک پروژه کوچک را به پایان برسانید تا اینکه وارد یک پروژه بزرگ شوید که هرگز کامل نمی شود.

8 نکته برای کشف پروژه های جذاب پایتون

من می دانم که پیدا کردن یک پروژه پایتون خوب برای کار کردن می تواند دلهره آور باشد. در اینجا چند نکته برای یافتن پروژه های جالب آورده شده است:

• پروژه هایی را که قبلاً روی آنها کار می کردید گسترش دهید و قابلیت های بیشتری را اضافه کنید.
• لیست پروژه های پایتون ما را برای مبتدیان بررسی کنید.
• به جلسات پایتون در منطقه خود بروید و افرادی را پیدا کنید که روی پروژه های جالب کار می کنند.
• بسته های منبع باز را برای مشارکت پیدا کنید.
• ببینید آیا هیچ سازمان غیرانتفاعی محلی به دنبال توسعه دهندگان داوطلب است یا خیر.
• پروژه هایی را که دیگران ساخته اند پیدا کنید و ببینید که آیا می توانید آنها را گسترش دهید یا تطبیق دهید. Github مکان خوبی برای شروع است.
• برای یافتن ایده های پروژه جالب، پست های وبلاگ دیگران را مرور کنید.
• به ابزارهایی فکر کنید که زندگی روزمره شما را آسان تر می کند. سپس، آنها را بسازید.

17 ایده پروژه پایتون

به الهام بیشتری نیاز دارید؟در اینجا چند ایده اضافی برای شروع خلاقیت شما وجود دارد:

ایده های پروژه علم داده / یادگیری ماشین

• نقشه ای که نظرسنجی انتخابات را بر اساس ایالت به تصویر می کشد
• الگوریتمی که آب و هوای محلی را پیش بینی می کند
• ابزاری که بازار سهام را پیش بینی می کند
• الگوریتمی که بطور خودکار مقالات خبری را خلاصه می کند

ایده های پروژه اپلیکیشن موبایل

• برنامه ای برای پیگیری مسافتی که هر روز پیاده روی می کنید
• برنامه ای که اعلان های آب و هوا را برای شما ارسال می کند
• یک چت زمان واقعی و مبتنی بر مکان

ایده های پروژه وب سایت

• سایتی که به شما در برنامه ریزی وعده های غذایی هفتگی کمک می کند
• سایتی که به کاربران امکان بررسی بازی های ویدیویی را می دهد
• پلتفرمی برای یادداشت برداری

ایده های پروژه بازی پایتون

• یک بازی موبایل مبتنی بر مکان، که در آن قلمرو را تصرف می کنید
• بازی ای که در آن با برنامه نویسی پازل ها را حل می کنید

ایده های پروژه سخت افزار/حسگر/روبات

• حسگرهایی که خانه شما را از راه دور کنترل می کنند
• ساعت زنگ دار هوشمندتر
• یک ربات خودران که موانع را تشخیص می دهد

ایده های پروژه اتوماسیون کار

• اسکریپتی برای ورود خودکار داده ها
• ابزاری برای حذف داده ها از وب

نکته اصلی انتخاب کاری و انجام آن است. اگر در یافتن پروژه عالی بیش از حد آویزان شده اید ، خطر شروع هرگز را اجرا نمی کنید.

اولین پروژه مستقل من شامل تطبیق الگوریتم خودکار نمره دهی مقاله من از R به پایتون بود. به نظر نمی رسید که زیبا به نظر برسد ، اما این احساس موفقیت را به من داد و مرا در راه ساختن مهارتهای خود شروع کرد.

به یاد داشته باشید: موانع اجتناب ناپذیر است. با ساختن پروژه خود ، با کد خود با مشکلات و خطاها روبرو خواهید شد. در اینجا برخی از منابع برای کمک به شما آورده شده است.

3 از بهترین منابع پایتون برای ناپایدار شدن

اجازه ندهید که مشکلات شما را دلسرد کند. در عوض ، این منابع را که می توانند کمک کنند بررسی کنید:

• Stackoverflow - یک سایت سؤال و پاسخ در جامعه که در آن افراد در مورد مسائل برنامه نویسی بحث می کنند. می توانید سوالات خاص پایتون را در اینجا بیابید.
• Google - متداول ترین ابزار هر برنامه نویس باتجربه. هنگام تلاش برای حل و فصل خطاها بسیار مفید است. یک مثال است
• مستندات پایتون - مکان خوبی برای یافتن مطالب مرجع در پایتون.

مرحله ششم: روی پروژه های سخت تر (و سخت تر) کار کنید

همانطور که با پروژه های مستقل موفقیت پیدا می کنید ، مشکل و دامنه پروژه های خود را افزایش دهید. یادگیری پایتون یک فرآیند است ، و برای رسیدن به آن نیاز به حرکت دارید.

هنگامی که با آنچه در حال ساختن هستید کاملاً راحت باشید ، وقت آن است که چیزی را سخت تر امتحان کنید. به پیدا کردن پروژه های جدید که مهارت های شما را به چالش می کشد و شما را به سمت رشد سوق می دهد.

5 مورد برای تسلط بر پایتون

در اینجا چند ایده برای زمان رسیدن آن زمان آورده شده است:

• سعی کنید به یک تازه کار آموزش دهید که چگونه یکی از پروژه های خود را بسازد.
• از خود بپرسید: آیا می توانید ابزار خود را مقیاس کنید؟آیا می تواند با داده های بیشتری کار کند ، یا می تواند ترافیک بیشتری را انجام دهد؟
• سعی کنید برنامه خود را سریعتر اجرا کنید.
• تصور کنید که چگونه ممکن است ابزار خود را برای افراد بیشتری مفید کند.
• تصور کنید که چگونه آنچه را که ساخته اید تجاری کنید.

رفتن با پایتون

به یاد داشته باشید ، پایتون به طور مداوم در حال تحول است. فقط تعداد معدودی از افراد در جهان وجود دارند که می توانند ادعا کنند که کاملاً پایتون را درک می کنند. و اینها افرادی هستند که آن را خلق کرده اند!

آن کجا شما را ترک کرد؟در حالت مداوم یادگیری و کار بر روی پروژه های جدید برای ایجاد مهارت خود.

شش ماه از این پس ، خود را پیدا خواهید کرد که به کد خود نگاه می کنید و به این فکر می کنید که چقدر وحشتناک است. ناامید نشو! وقتی به این نقطه رسیدید ، می دانید که در مسیر صحیح قرار دارید.

اگر شما نوع شخصی هستید که با ساختار حداقل شکوفا می شود ، پس تمام آنچه را که برای شروع سفر خود نیاز دارید ، دارید. با این حال ، اگر به راهنمایی کمی بیشتر نیاز دارید ، دوره های ما ممکن است کمک کند.

من DataQuest را برای کمک به افراد به سرعت یاد گرفتم و از چیزهایی که معمولاً باعث ترک افراد می شود ، جلوگیری کنم. شما در طی چند دقیقه کد واقعی را می نویسید و طی چند ساعت پروژه های واقعی را تکمیل می کنید.

اگر می خواهید پایتون را یاد بگیرید تا یک تحلیلگر تجارت ، تحلیلگر داده ها ، مهندس داده ها یا دانشمند داده شود ، ما مسیرهای شغلی داریم که به گونه ای طراحی شده است که شما را از مبتدی کامل به کار آماده می کند. یا ، می توانید انگشت خود را ابتدا در آب فرو کنید و دوره مقدماتی ما را در اینجا آزمایش کنید.

سوالات مشترک پایتون

آیا یادگیری پایتون سخت است؟

یادگیری پایتون مطمئناً می تواند چالش برانگیز باشد. با این حال ، اگر رویکرد گام به گام را که من در اینجا بیان کردم ، انجام دهید ، خواهید فهمید که این بسیار ساده تر از آنچه فکر می کنید است.

آیا می توانید پایتون را به صورت رایگان یاد بگیرید؟

تعداد زیادی از منابع یادگیری پایتون رایگان در آنجا وجود دارد. به عنوان مثال ، در DataQuest ، ده ها آموزش رایگان پایتون داریم. شما می توانید بدون هیچ گونه هزینه ای در پلت فرم یادگیری علوم داده تعاملی ما ثبت نام کنید.

یک نکته منفی برای یادگیری به صورت رایگان وجود دارد: برای یادگیری مؤثر ، باید چندین منبع رایگان را با هم جمع کنید. این بدان معناست که شما وقت اضافی را صرف تحقیق در مورد آنچه برای یادگیری بعدی و نحوه یادگیری آن می کنید ، صرف می کنید.

سیستم عامل های پریمیوم ممکن است روشهای تدریس بهتری را ارائه دهند (مانند پیشنهادات کدگذاری در مرورگر تعاملی ، در مرورگر). آنها همچنین در وقت نیاز به یافتن و ساخت برنامه درسی خود صرفه جویی می کنند.

آیا می توانید پایتون را از ابتدا (بدون تجربه برنامه نویسی) یاد بگیرید؟

آره. پایتون یک زبان عالی برای برنامه نویسی مبتدیان است زیرا برای انتخاب آن نیازی به تجربه قبلی با کد ندارید. DataQuest به دانشجویان بدون تجربه برنامه نویسی کمک می کند تا به عنوان تحلیلگران داده ، دانشمندان داده و مهندسین داده ، شغل خود را بدست آورند.

چه مدت طول می کشد تا پایتون را یاد بگیرید؟

یادگیری یک زبان برنامه نویسی کمی شبیه به یادگیری یک زبان گفتاری است - شما هرگز واقعاً انجام نشده اید! به این دلیل است که زبانها تکامل می یابند ، بنابراین همیشه چیزهای بیشتری برای یادگیری وجود دارد! با این وجود ، شما می توانید خیلی سریع به نوشتن کد پایتون ساده اما کاربردی تسلط داشته باشید.

چه مدت طول می کشد تا کار آماده شوید؟این بستگی به اهداف شما ، شغل خاص مورد نظر شما و چه مدت زمان می توانید برای مطالعه اختصاص دهید.

زبان آموزان DataQuest که در سال 2020 مورد بررسی قرار دادیم ، گزارش دادند که در کمتر از یک سال به اهداف یادگیری خود رسیده اند. بسیاری این کار را در کمتر از شش ماه انجام دادند. و این بیش از ده ساعت مطالعه در هفته نیست.

چگونه می توانم پایتون را سریعتر یاد بگیرم؟

سکویی را پیدا کنید که به Python (یا ایجاد یک برنامه درسی برای خودتان) به طور خاص برای مهارتی که می خواهید یاد بگیرید (به عنوان مثال ، پایتون برای بازی Dev یا Python برای علم داده).

به این ترتیب ، شما وقت خود را برای یادگیری چیزهای عجیب و غریب به کارهای روز به پایتون خود هدر نمی دهید.

آیا برای یافتن کار به گواهینامه پایتون نیاز دارید؟

احتمالا نه. در علوم داده ، گواهینامه ها وزن زیادی ندارند. کارفرمایان به مهارت ها اهمیت می دهند ، نه اعتبار کاغذ.

ترجمه؟یک github پر از کد بزرگ پایتون بسیار مهمتر از یک گواهی است.

آیا باید پایتون 2 یا 3 را یاد بگیرید؟

پایتون 3 ، دست پایین. چند سال پیش ، این هنوز موضوع بحث بود. برخی از افراط گرایان حتی ادعا می کردند که پایتون 3 "پایتون را می کشد". این اتفاق نیفتاده استامروز ، پایتون 3 در همه جا است.

آیا پایتون خارج از آموزش داده/یادگیری ماشین است؟

آره. پایتون یک زبان محبوب و انعطاف پذیر است که به صورت حرفه ای در زمینه های متنوعی مورد استفاده قرار می گیرد.

ما پایتون را برای علم داده و یادگیری ماشین آموزش می دهیم. شما می توانید مهارت های پایتون خود را در یک منطقه دیگر اعمال کنید. خواهید فهمید که از آن در امور مالی ، توسعه وب ، مهندسی نرم افزار ، توسعه بازی و موارد دیگر استفاده شده است.

داشتن برخی از مهارت های تجزیه و تحلیل داده ها با پایتون می تواند برای طیف گسترده ای از مشاغل دیگر نیز مفید باشد. به عنوان مثال ، اگر با صفحات گسترده کار می کنید ، احتمالاً مواردی وجود دارد که می توانید با پایتون سریعتر و بهتر انجام دهید.

واقعاً پایان رسیدن پایتون وجود ندارد. بخشی از انقلاب باشید. آماده شروع کار هستید؟اطلاعات بیشتری در مورد چگونگی DataQuest می تواند به شما در یادگیری پایتون بصورت آنلاین و ثبت نام امروز بدون خطر کمک کند.