دوره مبانی یادگیری ماشین با کاتلین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری ماشین با کاتلین

موضوع کلی: برنامه نویسی

موضوع میانی: کاتلین (Kotlin)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زبان برنامه‌نویسی کاتلین
• 2. نصب و راه‌اندازی محیط توسعه کاتلین
• 3. انواع داده‌ها و متغیرها در کاتلین
• 4. عملگرها در کاتلین
• 5. دستورات شرطی (if, when) در کاتلین
• 6. حلقه‌ها (for, while) در کاتلین
• 7. توابع در کاتلین
• 8. کلاس‌ها و اشیاء در کاتلین
• 9. ارث‌بری در کاتلین
• 10. اینترفیس‌ها در کاتلین
• 11. کالکشن‌ها (لیست‌ها، مجموعه‌ها، نقشه‌ها) در کاتلین
• 12. کار با رشته‌ها (Strings) در کاتلین
• 13. کار با آرایه‌ها (Arrays) در کاتلین
• 14. مدیریت خطا (Exceptions) در کاتلین
• 15. کار با فایل‌ها و ورودی/خروجی در کاتلین
• 16. مقدمه‌ای بر یادگیری ماشین
• 17. انواع یادگیری ماشین (نظارت‌شده، بدون نظارت، تقویتی)
• 18. مفاهیم پایه یادگیری ماشین (داده، ویژگی، برچسب)
• 19. پیش‌پردازش داده‌ها در یادگیری ماشین
• 20. پاک‌سازی داده‌ها (Data Cleaning)
• 21. مقیاس‌بندی ویژگی‌ها (Feature Scaling)
• 22. انتخاب ویژگی (Feature Selection)
• 23. کاهش ابعاد (Dimensionality Reduction)
• 24. مقدمه‌ای بر الگوریتم‌های یادگیری ماشین
• 25. رگرسیون خطی (Linear Regression)
• 26. رگرسیون لجستیک (Logistic Regression)
• 27. درخت تصمیم (Decision Trees)
• 28. جنگل تصادفی (Random Forests)
• 29. ماشین‌های بردار پشتیبان (Support Vector Machines - SVM)
• 30. دسته‌بندی‌کننده‌های بیز ساده (Naive Bayes Classifiers)
• 31. دسته‌بندی‌کننده‌های K-نزدیک‌ترین همسایه (K-Nearest Neighbors - KNN)
• 32. خوشه‌بندی (Clustering)
• 33. الگوریتم K-Means
• 34. خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
• 35. مقدمه‌ای بر شبکه‌های عصبی مصنوعی (Artificial Neural Networks - ANN)
• 36. ساختار شبکه‌های عصبی
• 37. تابع فعال‌سازی (Activation Functions)
• 38. پس‌انتشار خطا (Backpropagation Algorithm)
• 39. یادگیری عمیق (Deep Learning)
• 40. شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks - CNN)
• 41. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNN)
• 42. کاربرد CNN در پردازش تصویر
• 43. کاربرد RNN در پردازش زبان طبیعی
• 44. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 45. توکنیزاسیون (Tokenization)
• 46. ریشه‌یابی (Stemming) و لماتیزاسیون (Lemmatization)
• 47. توقف کلمات (Stop Words Removal)
• 48. بردارسازی کلمات (Word Embeddings)
• 49. مدل‌سازی موضوعی (Topic Modeling)
• 50. تحلیل احساسات (Sentiment Analysis)
• 51. تولید متن (Text Generation)
• 52. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 53. مفاهیم پایه یادگیری تقویتی (عامل، محیط، پاداش)
• 54. مسئله مارکوف تصمیم‌گیری (Markov Decision Process - MDP)
• 55. الگوریتم‌های یادگیری تقویتی (Q-Learning)
• 56. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
• 57. معرفی کتابخانه‌های یادگیری ماشین در کاتلین
• 58. کتابخانه Apache Spark MLlib
• 59. استفاده از Spark MLlib برای پیش‌پردازش داده‌ها
• 60. پیاده‌سازی رگرسیون خطی با Spark MLlib
• 61. پیاده‌سازی دسته‌بندی با Spark MLlib
• 62. پیاده‌سازی خوشه‌بندی با Spark MLlib
• 63. مقدمه‌ای بر ابزارهای یادگیری ماشین در جاوا (قابل استفاده در کاتلین)
• 64. کتابخانه Weka
• 65. استفاده از Weka برای مدل‌سازی
• 66. کتابخانه Deeplearning4j
• 67. مقدمه‌ای بر توسعه اپلیکیشن‌های یادگیری ماشین
• 68. ساخت مدل پیش‌بینی در اپلیکیشن موبایل
• 69. استفاده از مدل‌های یادگیری ماشین در وب‌سرویس‌ها
• 70. رابط‌های برنامه‌نویسی کاربردی (APIs) برای یادگیری ماشین
• 71. ملاحظات اخلاقی در یادگیری ماشین
• 72. حریم خصوصی داده‌ها در یادگیری ماشین
• 73. سوگیری در مدل‌های یادگیری ماشین
• 74. تفسیرپذیری مدل‌های یادگیری ماشین
• 75. مقدمه‌ای بر یادگیری ماشین توزیع‌شده
• 76. کار با داده‌های حجیم (Big Data)
• 77. معماری‌های یادگیری ماشین توزیع‌شده
• 78. بهینه‌سازی مدل‌های یادگیری ماشین
• 79. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 80. اعتبارسنجی متقابل (Cross-Validation)
• 81. ارزیابی عملکرد مدل‌ها
• 82. معیارهای ارزیابی طبقه‌بندی (Accuracy, Precision, Recall, F1-Score)
• 83. معیارهای ارزیابی رگرسیون (MSE, RMSE, MAE)
• 84. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 85. کاربرد یادگیری انتقالی در پردازش تصویر
• 86. کاربرد یادگیری انتقالی در پردازش زبان طبیعی
• 87. مقدمه‌ای بر مدل‌های مولد (Generative Models)
• 88. شبکه‌های مولد تخاصمی (Generative Adversarial Networks - GANs)
• 89. کاربرد GANs در تولید تصویر
• 90. مقدمه‌ای بر یادگیری نیمه‌نظارت‌شده (Semi-Supervised Learning)
• 91. یادگیری خودنظارت‌شده (Self-Supervised Learning)
• 92. کاربردهای پیشرفته یادگیری ماشین
• 93. سیستم‌های توصیه‌گر (Recommender Systems)
• 94. تشخیص ناهنجاری (Anomaly Detection)
• 95. پردازش تصویر پیشرفته (Image Segmentation)
• 96. پردازش زبان طبیعی پیشرفته (Question Answering)
• 97. مقدمه‌ای بر یادگیری ماشین در حوزه سلامت (با رعایت پروتکل‌های وزارت بهداشت)
• 98. کاربرد یادگیری ماشین در تشخیص بیماری‌ها
• 99. کاربرد یادگیری ماشین در کشف دارو
• 100. مقدمه‌ای بر یادگیری ماشین در حوزه مالی (با رعایت مقررات بانک مرکزی)