برنامه درسی

لیست برنامه های درسی

پیش نیاز درس

- انگیزه و اشتیاق به مطالعه و پژوهش و دانش‌جویی

- رعایت نظم و احترام

منابع

- Cormen, T.H., Leiserson, C.E., Rivest, R.L. and Stein, C., Introduction to algorithms. MIT press, 2022.

- Deitel H., Deitel P., How to Program

تعداد واحد ۳
روش تدریس

حضوری 

نحوه ارزیابی

تکلیف‌ها و پروژه‌های طول ترم (6 نمره)

آزمون کتبی میان ترم (4 نمره)

آزمون کتبی پایان ترم (10 نمره)

زمان بندی و نحوه ارائه درس

هفته 1

آشنایی کلی با درس

معرفی منابع و مراجع

معرفی سرفصل­ها

بیان نحوه ارزیابی درس

بیان مقررات کلاس

هفته 2

مبانی برنامه‌نویسی، معرفی سازمان کامپیوتر، سخت‌افزار و نرم‌افزار، انواع زبان‌های برنامه‌نویسی، مراحل ساخت و اجرای یک برنامه

هفته 3

مبانی برنامه‌نویسی، معرفی سازمان کامپیوتر، سخت‌افزار و نرم‌افزار، انواع زبان‌های برنامه‌نویسی، مراحل ساخت و اجرای یک برنامه

هفته 4

مبانی نظریه الگوریتم‌ها، شبه کد و فلوچارت

هفته 5

مبانی نظریه الگوریتم‌ها، شبه کد و فلوچارت

هفته 6

مفهوم حافظه و متغیرها، انواع عملگرها و تقدم آنها

هفته 7

انواع مبناهای عددی

هفته 8

مفهوم برنامه ساخت یافته و دستورات کنترل برنامه (if، if-else و switch)

هفته 9

دستورات و اصول تکرار (while، do-while و for) و کنترل آن‌ها (continue و break)

هفته 10

اصول نوشتن کد قابل استفاده مجدد، تعریف و فراخوانی توابع، مفهوم پشته، متغیرهای محلی و عمومی، توابع ریاضی و توابع بازگشتی

هفته 11

اصول نوشتن کد قابل استفاده مجدد، تعریف و فراخوانی توابع، مفهوم پشته، متغیرهای محلی و عمومی، توابع ریاضی و توابع بازگشتی

هفته 12

اصول نوشتن کد قابل استفاده مجدد، تعریف و فراخوانی توابع، مفهوم پشته، متغیرهای محلی و عمومی، توابع ریاضی و توابع بازگشتی

هفته 13

آرایه‌های عددی و کاراکتری، ارسال آرایه‌ها به توابع، اشاره‌گرها و ارسال آرگومان‌ها به توابع با مرجع

هفته 14

آرایه‌های عددی و کاراکتری، ارسال آرایه‌ها به توابع، اشاره‌گرها و ارسال آرگومان‌ها به توابع با مرجع

هفته 15

فایل‌ها و اعمال روی آن‌ها

هفته 16

رفع اشکال

هفته 17

امتحان پایان­ترم

اطلاعات کلاس

زمان برگزاری مکان برگزاری توضیحات فایل پیوست اول فایل پیوست دوم فایل پیوست سوم
ساختمان 11 - کلاس B - - -
پیش نیاز درس

درس اصول سیستم‌های عامل

منابع
  1. James Kurose, Keith Ross., Computer Networking. A Top-Down Approach (8th.Edition)., Pearson Education Limited, 2022.
  2. Andrew S. Tanenbaum, Nick Feamster, David J. Wetherall., Computer Networks., Pearson, 2021.
  3. احسان ملکیان.، اصول مهندسی اینترنت (ویراست دوم).، موسسه علمی فرهنگی نص، 1396.
تعداد واحد ۳
روش تدریس

سخنرانی و کار عملی

نحوه ارزیابی
  1. تکلیف‌ها و پروژه‌های طول ترم (6 نمره)
  2. آزمون کتبی میان ترم (4 نمره)
  3. آزمون کتبی پایان ترم (10 نمره)

بنا به شرایط ممکن است بارم‌بندی تغییر یابد.

اطلاعات کلاس

زمان برگزاری مکان برگزاری توضیحات فایل پیوست اول فایل پیوست دوم فایل پیوست سوم
ساختمان 11 - کلاس B - - -
پیش نیاز درس

درس اصول سیستم‌های عامل

 
منابع
  1. James Kurose, Keith Ross., Computer Networking. A Top-Down Approach., 8th Edition (9th Edition)., Pearson Education Limited, 2022 (2025).
  2. Andrew S. Tanenbaum, Nick Feamster, David J. Wetherall., Computer Networks., Pearson, 2021.
فایل پیوست اول شبکه‌های کامپیوتری.pdf
طرح درس

لطفا به پیوست مراجعه شود.

 

منابع
  1. Robert Lafore. Data Structures and Algorithms in Java
  2. Nell Dale, Daniel T. Joyce, Chip Weems. Object-Oriented Data Structures Using Java
  3. Michael T. Goodrich, Roberto Tamassia, Michael H. Goldwasser. Data Structures and Algorithms in Python
  4. Hector Garcia-Molina, Jeffrey Ullman, Jennifer Widom. Database Systems: The Complete Book
  5. Raghu Ramakrishnan, Johannes Gehrke. Database Management Systems
  6. Elmasri Ramez And Navathe Shamka. Fundamentals Of Database System
تعداد واحد ۳
روش تدریس

سخنرانی، ارایه و کارگاه

زمان بندی و نحوه ارائه درس
هفته 1

آشنایی کلی با درس

معرفی منابع و مراجع

معرفی سرفصل­ها

بیان نحوه ارزیابی درس

بیان مقررات کلاس
هفته 2 آشنایی با ابعاد رایانش (الگوریتم و داده)

هفته 3

ساختمان داده‌های پایه مقیم در حافظه (نظیر آرایه، structure، صف، پشته، لیست پیوندی، گراف، درخت، صف‌های با اولویت، و ...)

هفته 4

ساختمان داده‌های پایه مقیم در حافظه (نظیر آرایه، structure، صف، پشته، لیست پیوندی، گراف، درخت، صف‌های با اولویت، و ...)

هفته 5

ساختمان داده‌های پایه مقیم در حافظه (نظیر آرایه، structure، صف، پشته، لیست پیوندی، گراف، درخت، صف‌های با اولویت، و ...)

هفته 6

ساختمان داده مقیم در حافظه جانبی (فایل)

هفته 7

تحلیل پیچیدگی و حافظه الگوریتم‌ها - جمع‌بندی ساختمان داده‌ها

هفته 8

مفاهیم پایه پایگاه داده و معماری لایه‌ای پایگاه داده

هفته 9

طراحی مدل مفهومی و نمودار ER

هفته 10

مفهوم مدل داده، مدل داده رابطه‌ای و ابزارهای نظری مدل رابطه‌ای

هفته 11

زبان SQL

هفته 12

نرمال‌سازی

هفته 13

مدل شیء-رابطه‌ای

هفته 14

مدل داده XML

هفته 15

امنیت پایگاه داده

هفته 16

رفع اشکال

هفته 17

امتحان پایان­ترم

اطلاعات کلاس

زمان برگزاری مکان برگزاری توضیحات فایل پیوست اول فایل پیوست دوم فایل پیوست سوم
دانشکده ریاضی - کلاس 203 - - -
پیش نیاز درس

برنامه‌سازی پیشرفته

منابع
  1. Aho, A. V., Hopcroft, J. E., Ullman, J. D.,  Data Structures and Algorithms.Addison-Wesley, 1985.
  2. Cormen, T.H., Leiserson, C.E., Rivest, R.L. and Stein, C., Introduction to algorithms. MIT press, 2022.
  3. Kurt Mehlhorn, Peter Sanders., Algorithms and Data Structures. The Basic Toolbox., Springer, 2010.
تعداد واحد ۳
روش تدریس

سخنرانی

نحوه ارزیابی
  1. تکلیف‌ها و پروژه‌های طول ترم (6 نمره)
  2. آزمون کتبی میان ترم (4 نمره)
  3. آزمون کتبی پایان ترم (10 نمره)

بنا به شرایط ممکن است بارم‌بندی تغییر یابد.

زمان بندی و نحوه ارائه درس

هفته 1

آشنایی کلی با درس

معرفی منابع و مراجع

معرفی سرفصل­ها

بیان نحوه ارزیابی درس

بیان مقررات کلاس

بیان تاثیر در کنکور و مطالعات پژوهشی آتی دانشجویان

هفته 2

مقدمه‌ای بر الگوریتم‌ها و ساختمان داده‌ها

هفته 3

روابط بازگشتی

هفته 4

تحلیل پیچیدگی زمان و حافظه الگوریتم‌ها

هفته 5

تحلیل پیچیدگی زمان و حافظه الگوریتم‌ها

هفته 6

لیست پیوندی

هفته 7

پشته

هفته 8

صف

هفته 9

الگوریتم‌های مرتب‌سازی

هفته 10

آرایه‌ها و ماتریس‌ها

هفته 11

درخت‌ها

هفته 12

گراف‌ها

هفته 13

گراف‌ها

هفته 14

جستجو در گراف

هفته 15

الگوریتم‌های درهم‌سازی (Hash)

هفته 16

رفع اشکال

هفته 17

امتحان پایان­ترم

اطلاعات کلاس

زمان برگزاری مکان برگزاری توضیحات فایل پیوست اول فایل پیوست دوم فایل پیوست سوم
ساختمان 11 - کلاس B - - -
پیش نیاز درس

مبانی کامپیوتر و برنامه‌سازی

منابع

Intro to Python for Computer Science and Data Science: Learning to Program with AI, Big Data and The Cloud 1st Edition (by Paul Deitel, Harvey Deitel)

مستندات نرم‌افزارهای مورد استفاده، مراجع آنلاین و MIT OCW.

تعداد واحد ۳
روش تدریس

سخنرانی 

نحوه ارزیابی
  • تکلیف‌ها و پروژه‌های طول ترم (6 نمره)
  • آزمون کتبی میان ترم (4 نمره)
  • آزمون کتبی پایان ترم (10 نمره)

- بنا به شرایط، ممکن است بارم‌بندی تغییر کند.

زمان بندی و نحوه ارائه درس

Week 1     

Introduction to the course, syllabus, resources and references

Explanation course evaluation and class regulations

Week 2

Control Statements and Program Development

Week 3

Functions

Week 4

Sequences: Lists and Tuples

Week 5

Recursion and Dictionaries

Week 6

Recursion and Dictionaries

Week 7

Sets and Arrays

Week 8

Files and Exceptions

Week 9

Files and Exceptions

Week 10

Object-Oriented Programming

Week 11

Object-Oriented Programming

Week 12

Object-Oriented Programming

Week 13

Understanding Program Efficiency

Week 14

Understanding Program Efficiency

Week 15

Searching and Sorting Algorithms

Week 16

Covering Gaps

Week 17

Final Exam

اطلاعات کلاس

زمان برگزاری مکان برگزاری توضیحات فایل پیوست اول فایل پیوست دوم فایل پیوست سوم
دوشنبه هر هفته 10:00-12:00، سه‌شنبه (فرد) 14:00-16:00، حل تمرین: سه‌شنبه (زوج) 14:00-16:00 ساختمان 11 - کلاس B

انتظار می‌رود دانشجو کلیه شئونات اخلاق آکادمیک را رعایت نماید.

دانشجو موظف به یادداشت برداری و نوشتن مطالب درسی و مرور دوره‌ای است.

 - - -
پیش نیاز درس

ساختمان داده‌ها و پایگاه داده‌ها

منابع
  • (Data-Intensive Research) Computing for Data Analysis, Theory and Practices., Sanjay Chakraborty, Lopamudra Dey.,Springer (2023).
  • Designing data-intensive applications-- the big ideas behind reliable, scalable, and maintainable systems., Kleppmann, Martin., O'Reilly Media Inc. (2018_2017).
  • Intro to Python for Computer Science and Data Science: Learning to Program with AI, Big Data and The Cloud 1st Edition (by Paul Deitel, Harvey Deitel)., Pearson Education Limited (2022).
تعداد واحد ۳
روش تدریس

به صورت سخنرانی و کارگاه در صورت لزوم

نحوه ارزیابی

 

تکلیف‌ها و پروژه‌های طول ترم (6 نمره)

آزمون کتبی میان ترم (4 نمره)

آزمون کتبی پایان ترم (10 نمره)

بنا به شرایط، ممکن است بارم‌بندی تغییر کند.

زمان بندی و نحوه ارائه درس

هفته 1

  آشنایی با درس، سرفصل‌ها، منابع و مراجع

  نحوه ارزیابی و قوانین کلاس

هفته 2

  پردازش ابری و کلان داده

هفته 3

  پردازش ابری و کلان داده

هفته 4

  فایل‌ سیستم‌های بزرگ

هفته 5

  پایگاه داده

هفته 6

  پایگاه داده NoSQL

هفته 7

  انواع پردازش‌ها

هفته 8

  انواع پردازش‌ها

هفته 9

  پردازش داده ساخت‌یافته

هفته 10

  پردازش داده ساخت‌یافته

هفته 11

  پردازش جریان داده

هفته 12

  پردازش جریان مقیاس‌پذیر

هفته 13

  پردازش گراف در مقیاس بزرگ

هفته 14

  پردازش گراف در مقیاس بزرگ

هفته 15

  مدیریت منابع

هفته 16

  رفع اشکال

هفته 17

  امتحان پایان‌ترم

اطلاعات کلاس

زمان برگزاری مکان برگزاری توضیحات فایل پیوست اول فایل پیوست دوم فایل پیوست سوم
یكشنبه 14:00 الی 16:00 - دوشنبه (فرد) 14:00 الی 16:00 دانشکده ریاضی - کلاس 203

انتظار می‌رود دانشجو کلیه شئونات اخلاق آکادمیک را رعایت نماید.

دانشجو موظف به یادداشت برداری و نوشتن مطالب درسی و مرور مطالب قبل از جلسه جدید است.

استفاده از گوشی تلفن همراه مجاز نمی‌باشد.
- - -