اپلیکیشن اندرویدی فلش‌کارت آموزشی SQL و Machine Learning Services in SQL Server

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره SQL و Machine Learning Services in SQL Server

موضوع کلی: برنامه نویسی

موضوع میانی: SQL

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پایگاه داده رابطه‌ای و SQL
• 2. مفاهیم کلیدی پایگاه داده رابطه‌ای
• 3. طراحی پایگاه داده رابطه‌ای
• 4. مقدمه‌ای بر زبان SQL
• 5. دستورات پایه SQL: SELECT
• 6. فیلتر کردن داده‌ها با WHERE
• 7. مرتب‌سازی داده‌ها با ORDER BY
• 8. دستورات پایه SQL: INSERT, UPDATE, DELETE
• 9. عملیات روی جداول: CREATE, ALTER, DROP
• 10. مفهوم کلید اصلی و کلید خارجی
• 11. روابط بین جداول: یک به یک، یک به چند، چند به چند
• 12. دستورات JOIN: INNER JOIN
• 13. دستورات JOIN: LEFT JOIN, RIGHT JOIN
• 14. دستورات JOIN: FULL OUTER JOIN
• 15. توابع تجمعی (Aggregate Functions): COUNT, SUM, AVG
• 16. توابع تجمعی: MIN, MAX
• 17. گروه‌بندی داده‌ها با GROUP BY
• 18. فیلتر کردن گروه‌ها با HAVING
• 19. زیرپرس‌وجوها (Subqueries)
• 20. استفاده از زیرپرس‌وجوها در SELECT, FROM, WHERE
• 21. پرس‌وجوهای همبسته (Correlated Subqueries)
• 22. نماها (Views)
• 23. ایندکس‌ها (Indexes) برای بهینه‌سازی
• 24. انواع ایندکس‌ها در SQL Server
• 25. مقدمه‌ای بر امنیت پایگاه داده
• 26. مدیریت دسترسی کاربران و سطوح دسترسی
• 27. تراکنش‌ها (Transactions) و ACID Properties
• 28. کنترل همزمانی (Concurrency Control)
• 29. قفل‌گذاری (Locking) در SQL Server
• 30. مقدمه‌ای بر SQL Server
• 31. نصب و پیکربندی SQL Server
• 32. مدیریت نمونه‌های SQL Server
• 33. ساختار پایگاه داده در SQL Server
• 34. مفاهیم ذخیره‌سازی (Storage)
• 35. فایل‌های داده و لاگ (Data and Log Files)
• 36. مقدمه‌ای بر Machine Learning
• 37. مفاهیم اساسی یادگیری ماشین
• 38. یادگیری با نظارت (Supervised Learning)
• 39. یادگیری بدون نظارت (Unsupervised Learning)
• 40. یادگیری تقویتی (Reinforcement Learning)
• 41. یادگیری عمیق (Deep Learning)
• 42. پردازش زبان طبیعی (Natural Language Processing)
• 43. بینایی ماشین (Computer Vision)
• 44. مقدمه‌ای بر خدمات Machine Learning در SQL Server
• 45. SQL Server Machine Learning Services
• 46. فعال‌سازی و پیکربندی ML Services
• 47. اجرای اسکریپت‌های R در SQL Server
• 48. اجرای اسکریپت‌های Python در SQL Server
• 49. محیط‌های توسعه برای ML Services
• 50. مفاهیم کلیدی در مدل‌سازی
• 51. انتخاب ویژگی (Feature Selection)
• 52. مهندسی ویژگی (Feature Engineering)
• 53. آموزش مدل‌های یادگیری ماشین
• 54. ارزیابی مدل‌های یادگیری ماشین
• 55. معیارهای ارزیابی مدل (Accuracy, Precision, Recall)
• 56. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 57. مدل‌های طبقه‌بندی (Classification Models)
• 58. رگرسیون (Regression Models)
• 59. خوشه‌بندی (Clustering Models)
• 60. مدل‌های سری زمانی (Time Series Models)
• 61. مقدمه‌ای بر یادگیری عمیق در SQL Server
• 62. استفاده از مدل‌های از پیش آموزش‌دیده
• 63. آموزش مدل‌های یادگیری عمیق در SQL Server
• 64. استقرار مدل‌های یادگیری ماشین
• 65. پیش‌بینی (Prediction) با مدل‌های مستقر شده
• 66. ذخیره‌سازی نتایج پیش‌بینی
• 67. نظارت بر عملکرد مدل
• 68. بازآموزی مدل‌ها
• 69. کاربرد Machine Learning در تحلیل داده‌های مالی
• 70. کاربرد Machine Learning در تحلیل داده‌های بازاریابی
• 71. کاربرد Machine Learning در تحلیل داده‌های عملیاتی
• 72. کاربرد Machine Learning در پیش‌بینی تقاضا
• 73. کاربرد Machine Learning در تشخیص تقلب
• 74. کاربرد Machine Learning در پردازش متن
• 75. کاربرد Machine Learning در تحلیل احساسات
• 76. کاربرد Machine Learning در پردازش تصویر
• 77. کاربرد Machine Learning در سیستم‌های توصیه‌گر
• 78. کاربرد Machine Learning در بهینه‌سازی فرآیندها
• 79. مقدمه‌ای بر هوش مصنوعی مولد (Generative AI)
• 80. مفاهیم کلیدی هوش مصنوعی مولد
• 81. کاربرد هوش مصنوعی مولد در تولید متن
• 82. کاربرد هوش مصنوعی مولد در تولید تصویر
• 83. کاربرد هوش مصنوعی مولد در تولید کد
• 84. استفاده از مدل‌های زبانی بزرگ (LLMs)
• 85. ملاحظات اخلاقی در هوش مصنوعی
• 86. امنیت در Machine Learning
• 87. حریم خصوصی داده‌ها در Machine Learning
• 88. پایش و نگهداری سیستم‌های Machine Learning
• 89. مقدمه‌ای بر ابزارهای هوش تجاری (BI)
• 90. کاربرد هوش تجاری در تصمیم‌گیری
• 91. مقدمه‌ای بر Power BI
• 92. اتصال Power BI به SQL Server
• 93. ایجاد داشبوردهای تعاملی
• 94. مقدمه‌ای بر Azure Machine Learning
• 95. یکپارچه‌سازی SQL Server با Azure ML
• 96. ملاحظات پیاده‌سازی در مقیاس بزرگ
• 97. بهینه‌سازی عملکرد پرس‌وجوها
• 98. بهینه‌سازی عملکرد مدل‌های ML
• 99. مدیریت چرخه عمر مدل (MLOps)
• 100. آخرین روندها در Machine Learning