دوره Stan برای دنیای چند زبانه: ادغام با Julia، C++ و ... همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Stan برای دنیای چند زبانه: ادغام با Julia، C++ و ...

موضوع کلی: روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC) در آمار بیزی

موضوع میانی: ادغام Stan با R، Python و سایر زبان‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زبان برنامه‌نویسی Julia
• 2. مبانی ساختار داده‌ها در Julia
• 3. کار با انواع داده‌های پایه در Julia
• 4. عملگرها و عبارات در Julia
• 5. دستورات شرطی و حلقه‌ها در Julia
• 6. توابع و ماژول‌ها در Julia
• 7. مدیریت خطا و استثناها در Julia
• 8. برنامه‌نویسی شیءگرا در Julia
• 9. مفاهیم پیشرفته در Julia
• 10. کار با آرایه‌ها و ماتریس‌ها در Julia
• 11. عملیات ریاضی و عددی در Julia
• 12. مقدمه‌ای بر محاسبات موازی در Julia
• 13. استفاده از کتابخانه‌های علمی در Julia
• 14. تجسم داده‌ها در Julia
• 15. مقدمه‌ای بر زبان C++
• 16. مبانی زبان C++
• 17. انواع داده‌ها و متغیرها در C++
• 18. عملگرها و عبارات در C++
• 19. ساختارهای کنترلی در C++
• 20. توابع در C++
• 21. اشاره‌گرها و ارجاع‌ها در C++
• 22. مدیریت حافظه در C++
• 23. کلاس‌ها و اشیاء در C++
• 24. وراثت و چندریختی در C++
• 25. قالب‌ها (Templates) در C++
• 26. استثناها (Exceptions) در C++
• 27. کتابخانه استاندارد C++ (STL)
• 28. مقدمه‌ای بر ادغام زبان‌ها
• 29. اصول ادغام زبان‌های برنامه‌نویسی
• 30. چالش‌های ادغام Julia و C++
• 31. تکنیک‌های فراخوانی توابع C++ از Julia
• 32. استفاده از Foreign Function Interface (FFI) در Julia
• 33. انتقال داده‌ها بین Julia و C++
• 34. مدیریت حافظه مشترک بین Julia و C++
• 35. مثال‌های عملی ادغام: محاسبات علمی
• 36. مثال‌های عملی ادغام: پردازش سیگنال
• 37. مثال‌های عملی ادغام: یادگیری ماشین
• 38. مقدمه‌ای بر زبان Python
• 39. مبانی Python
• 40. ساختارهای داده در Python
• 41. توابع و ماژول‌ها در Python
• 42. برنامه‌نویسی شیءگرا در Python
• 43. کار با NumPy
• 44. کار با Pandas
• 45. کار با Matplotlib
• 46. مقدمه‌ای بر مفاهیم آماری
• 47. مفاهیم پایه آمار توصیفی
• 48. نمودارهای آماری
• 49. اندازه‌گیری گرایش مرکزی
• 50. اندازه‌گیری پراکندگی
• 51. مقدمه‌ای بر آمار استنباطی
• 52. نمونه‌گیری آماری
• 53. آزمون فرضیه
• 54. مفاهیم توزیع‌های احتمالی
• 55. توزیع نرمال
• 56. توزیع‌های گسسته
• 57. مقدمه‌ای بر احتمال
• 58. قواعد احتمال
• 59. احتمال شرطی
• 60. قضیه بیز
• 61. مقدمه‌ای بر یادگیری ماشین
• 62. مفاهیم اساسی یادگیری ماشین
• 63. انواع یادگیری ماشین
• 64. رگرسیون خطی
• 65. رگرسیون لجستیک
• 66. درخت‌های تصمیم
• 67. ماشین‌های بردار پشتیبان (SVM)
• 68. خوشه‌بندی (Clustering)
• 69. کاهش ابعاد
• 70. مقدمه‌ای بر شبکه‌های عصبی
• 71. ساختار شبکه‌های عصبی
• 72. تابع فعال‌سازی
• 73. پس‌انتشار خطا
• 74. شبکه‌های عصبی کانولوشنی (CNN)
• 75. شبکه‌های عصبی بازگشتی (RNN)
• 76. کاربرد شبکه‌های عصبی در پردازش تصویر
• 77. کاربرد شبکه‌های عصبی در پردازش زبان طبیعی
• 78. مقدمه‌ای بر پایگاه داده‌ها
• 79. مبانی پایگاه داده‌های رابطه‌ای
• 80. طراحی پایگاه داده
• 81. زبان SQL
• 82. مقدمه‌ای بر پایگاه داده‌های NoSQL
• 83. مبانی پایگاه داده‌های گراف
• 84. کاربرد پایگاه داده در تحلیل داده
• 85. مقدمه‌ای بر مهندسی داده
• 86. مفاهیم ETL
• 87. معماری داده
• 88. امنیت داده‌ها
• 89. اخلاق در داده‌ها
• 90. مقدمه‌ای بر هوش مصنوعی
• 91. مفاهیم پایه هوش مصنوعی
• 92. کاربردهای هوش مصنوعی
• 93. پردازش زبان طبیعی (NLP)
• 94. بینایی ماشین (Computer Vision)
• 95. سیستم‌های توصیه‌گر
• 96. رباتیک
• 97. مقدمه‌ای بر توسعه وب
• 98. مبانی HTML و CSS
• 99. مبانی JavaScript
• 100. فریم‌ورک‌های فرانت‌اند