کتاب یادگیری کاتلین برای Data Science و Machine Learning
, ,

کتاب یادگیری کاتلین برای Data Science و Machine Learning

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000006256 دسته: , ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب یادگیری کاتلین برای Data Science و Machine Learning

موضوع کلی: برنامه نویسی

موضوع میانی: کاتلین (Kotlin)

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. معرفی برنامه‌نویسی و اهمیت کاتلین
  • 2. نصب و راه‌اندازی محیط توسعه (IDE)
  • 3. اولین برنامه کاتلین: Hello World!
  • 4. متغیرها و انواع داده (Variables and Data Types)
  • 5. اپراتورها: محاسباتی، منطقی، مقایسه‌ای
  • 6. عبارات شرطی: If, When
  • 7. حلقه‌ها: For, While, Do-While
  • 8. توابع (Functions) و پارامترها
  • 9. توابع با مقدار بازگشتی و توابع تک‌عبارتی
  • 10. مفهوم برنامه‌نویسی شی‌گرا (OOP)
  • 11. کلاس‌ها و اشیاء (Classes and Objects)
  • 12. سازنده‌ها (Constructors) و ویژگی‌ها (Properties)
  • 13. اصول کپسوله‌سازی (Encapsulation)
  • 14. وراثت (Inheritance) و کلاس‌های Open
  • 15. رابط‌ها (Interfaces) در کاتلین
  • 16. کلاس‌های انتزاعی (Abstract Classes)
  • 17. کلاس‌های داده (Data Classes)
  • 18. Enumerated Classes و Sealed Classes
  • 19. آبجکت‌ها و کامپنیون آبجکت‌ها (Objects and Companion Objects)
  • 20. توابع توسعه‌دهنده (Extension Functions)
  • 21. Delegated Properties در کاتلین
  • 22. Generic ها برای تایپ‌های انعطاف‌پذیر
  • 23. مدیریت خطاها و استثناها (Exception Handling)
  • 24. Null Safety در کاتلین
  • 25. کار با رشته‌ها (Strings) و String Templates
  • 26. مقدمه‌ای بر Collections در کاتلین
  • 27. لیست‌ها (Lists): Mutable و Immutable
  • 28. مجموعه‌ها (Sets): Mutable و Immutable
  • 29. نقشه‌ها (Maps): Mutable و Immutable
  • 30. توابع مرتبه بالاتر (Higher-Order Functions)
  • 31. توابع لامبدا (Lambda Expressions)
  • 32. مفهوم Function Types
  • 33. فیلتر کردن و نگاشت (Filter and Map)
  • 34. توابع FlatMap و ForEach
  • 35. کاهش‌دهنده‌ها (Reduce) و Fold
  • 36. کار با توالی‌ها (Sequences) برای عملکرد بهتر
  • 37. مفهوم Lazy Evaluation
  • 38. مدیریت داده‌های بزرگ با Streams/Sequences
  • 39. کوروتین‌ها (Coroutines) برای برنامه‌نویسی ناهمگام
  • 40. مدیریت همزمانی با Coroutines و Contexts
  • 41. کانال‌ها (Channels) برای ارتباط بین کوروتین‌ها
  • 42. مقدمه‌ای بر علم داده و یادگیری ماشین با کاتلین
  • 43. نقش کاتلین در اکوسیستم علم داده و JVM
  • 44. ابزارهای کلیدی برای علم داده با کاتلین
  • 45. خواندن و نوشتن فایل‌های متنی (Text Files)
  • 46. کار با فایل‌های CSV در کاتلین
  • 47. خواندن و نوشتن داده‌های JSON
  • 48. معرفی KMath: یک کتابخانه ریاضیاتی برای کاتلین
  • 49. آرایه‌ها و ماتریس‌ها با KMath و NDField
  • 50. عملیات پایه روی آرایه‌ها و ماتریس‌ها
  • 51. مقدمه‌ای بر جبر خطی برای علم داده
  • 52. ضرب ماتریس‌ها و بردارها
  • 53. وارون ماتریس، دترمینان و رتبه ماتریس
  • 54. سیستم‌های معادلات خطی و حل آن‌ها
  • 55. معرفی ND4J برای کاتلین (یکپارچه‌سازی و مفاهیم)
  • 56. کار با NDArray در ND4J و عملیات مربوطه
  • 57. اصول آمار توصیفی (Descriptive Statistics)
  • 58. میانگین، میانه، مد، واریانس و انحراف معیار
  • 59. کوواریانس و همبستگی (Covariance and Correlation)
  • 60. مقدمه‌ای بر آمار استنباطی (Inferential Statistics)
  • 61. توزیع‌های احتمالی (Probability Distributions)
  • 62. آزمایش فرضیه (Hypothesis Testing) مقدماتی
  • 63. نمونه‌گیری و استنتاج آماری
  • 64. داده‌کاوی و پیش‌پردازش داده‌ها (Data Preprocessing)
  • 65. مدیریت داده‌های از دست رفته (Missing Data)
  • 66. تبدیل متغیرهای طبقه‌بندی (Categorical Encoding)
  • 67. نرمال‌سازی و استانداردسازی داده‌ها (Scaling)
  • 68. تقسیم داده‌ها به مجموعه‌های آموزش و آزمون (Train/Test Split)
  • 69. مقدمه‌ای بر رگرسیون خطی (Linear Regression)
  • 70. پیاده‌سازی رگرسیون خطی ساده
  • 71. ارزیابی مدل رگرسیون (MSE, RMSE, R-squared)
  • 72. رگرسیون چندگانه (Multiple Regression)
  • 73. مقدمه‌ای بر رگرسیون لجستیک (Logistic Regression)
  • 74. پیاده‌سازی رگرسیون لجستیک برای طبقه‌بندی دوتایی
  • 75. ارزیابی مدل طبقه‌بندی (Accuracy, Precision, Recall, F1-Score)
  • 76. ماتریس درهم‌ریختگی (Confusion Matrix)
  • 77. منحنی ROC و AUC در طبقه‌بندی
  • 78. الگوریتم K-نزدیکترین همسایه (KNN)
  • 79. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
  • 80. درخت تصمیم (Decision Trees) برای طبقه‌بندی و رگرسیون
  • 81. جنگل تصادفی (Random Forests) و اهمیت ویژگی‌ها
  • 82. مقدمه‌ای بر الگوریتم‌های Boosting (مانند Gradient Boosting)
  • 83. خوشه‌بندی K-Means (K-Means Clustering)
  • 84. معیارهای ارزیابی خوشه‌بندی (Silhouette Score)
  • 85. کاهش ابعاد (Dimensionality Reduction): مقدمه
  • 86. تحلیل مؤلفه‌های اصلی (PCA)
  • 87. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
  • 88. شبکه‌های عصبی مصنوعی (Artificial Neural Networks): ساختار و لایه‌ها
  • 89. توابع فعال‌سازی (Activation Functions)
  • 90. مفهوم Gradient Descent و Backpropagation
  • 91. معرفی Deeplearning4j برای Kotlin/JVM
  • 92. ساخت یک مدل شبکه عصبی ساده با Deeplearning4j
  • 93. آموزش و ارزیابی مدل‌های Deeplearning4j
  • 94. مقدمه‌ای بر شبکه‌های عصبی پیچشی (CNN)
  • 95. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
  • 96. ذخیره و بارگذاری مدل‌های ML
  • 97. مفهوم Data Pipelines با کاتلین و JVM
  • 98. معرفی Apache Spark با کاتلین برای داده‌های بزرگ (مفاهیم پایه)
  • 99. بهینه‌سازی عملکرد کد کاتلین برای علم داده
  • 100. تعامل با کتابخانه‌های پایتون از طریق JVM

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب یادگیری کاتلین برای Data Science و Machine Learning”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا