دوره Rust and Artificial Intelligence: Building Intelligent Agents همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Rust and Artificial Intelligence: Building Intelligent Agents

موضوع کلی: برنامه نویسی

موضوع میانی: راست (Rust)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زبان برنامه‌نویسی Rust
• 2. مفاهیم اصلی Rust: متغیرها، انواع داده و عملیات
• 3. کنترل جریان در Rust: شرط‌ها و حلقه‌ها
• 4. توابع و مدیریت خطا در Rust
• 5. مالکیت (Ownership) و قرض گرفتن (Borrowing) در Rust
• 6. ساختارهای داده در Rust: Structs و Enums
• 7. روش‌ها (Methods) و پیاده‌سازی رفتار در Rust
• 8. مدیریت حافظه در Rust: Stacks و Heaps
• 9. مفاهیم پیشرفته‌تر مالکیت: lifetimes
• 10. کالکشن‌ها در Rust: Vector، String و HashMap
• 11. مدیریت خطا با Result و Option
• 12. استفاده از Crateها و مدیریت وابستگی‌ها
• 13. تست‌نویسی در Rust
• 14. موازی‌سازی در Rust
• 15. همزمانی (Concurrency) در Rust
• 16. مقدمه‌ای بر هوش مصنوعی
• 17. انواع یادگیری ماشین
• 18. یادگیری نظارت شده: رگرسیون
• 19. یادگیری نظارت شده: طبقه‌بندی
• 20. یادگیری نظارت نشده: خوشه‌بندی
• 21. یادگیری تقویتی
• 22. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 23. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 24. توابع فعال‌سازی در شبکه‌های عصبی
• 25. تابع هزینه و بهینه‌سازی در شبکه‌های عصبی
• 26. پس‌انتشار خطا (Backpropagation)
• 27. مقدمه‌ای بر Rust برای هوش مصنوعی
• 28. استفاده از Rust برای پردازش داده
• 29. کتابخانه‌های Rust برای محاسبات عددی
• 30. آرایه‌های N-بعدی در Rust
• 31. عملیات ماتریسی در Rust
• 32. مقدمه‌ای بر کتابخانه `ndarray` در Rust
• 33. استفاده از `ndarray` برای پردازش داده‌های هوش مصنوعی
• 34. پیاده‌سازی الگوریتم‌های یادگیری ماشین با Rust
• 35. ساخت مدل‌های رگرسیون با Rust
• 36. ساخت مدل‌های طبقه‌بندی با Rust
• 37. کار با داده‌های جدولی در Rust
• 38. پیش‌پردازش داده‌ها در Rust
• 39. مقیاس‌بندی و نرمال‌سازی داده‌ها در Rust
• 40. مدیریت داده‌های گم‌شده در Rust
• 41. استفاده از Rust برای ساخت عامل‌های هوشمند
• 42. مفهوم عامل هوشمند
• 43. معماری عامل‌های هوشمند
• 44. طراحی عامل‌های مبتنی بر قانون
• 45. طراحی عامل‌های مبتنی بر جستجو
• 46. طراحی عامل‌های یادگیرنده
• 47. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال (CNN)
• 48. کاربرد CNN در پردازش تصویر
• 49. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 50. کاربرد RNN در پردازش زبان طبیعی
• 51. استفاده از Rust برای پیاده‌سازی CNN
• 52. استفاده از Rust برای پیاده‌سازی RNN
• 53. مدل‌های زبانی در Rust
• 54. آموزش مدل‌های زبانی با Rust
• 55. استفاده از Rust برای ساخت سیستم‌های توصیه‌گر
• 56. الگوریتم‌های فیلترینگ مشارکتی با Rust
• 57. الگوریتم‌های مبتنی بر محتوا با Rust
• 58. ارزیابی سیستم‌های توصیه‌گر با Rust
• 59. مقدمه‌ای بر یادگیری عمیق
• 60. شبکه‌های عصبی ترنسفورمر
• 61. کاربرد ترنسفورمرها در پردازش زبان طبیعی
• 62. استفاده از Rust برای پیاده‌سازی ترنسفورمرها
• 63. آموزش مدل‌های ترنسفورمر با Rust
• 64. عامل‌های هوشمند مبتنی بر یادگیری عمیق
• 65. تکنیک‌های بهینه‌سازی در یادگیری عمیق
• 66. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 67. اعتبارسنجی متقابل (Cross-validation)
• 68. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 69. تحلیل احساسات با Rust
• 70. مدل‌سازی موضوعی با Rust
• 71. تشخیص موجودیت نام‌گذاری شده (NER) با Rust
• 72. ترجمه ماشینی با Rust
• 73. مقدمه‌ای بر بینایی ماشین
• 74. تشخیص اشیاء با Rust
• 75. تقسیم‌بندی تصویر (Image Segmentation) با Rust
• 76. تولید تصویر با Rust
• 77. مدل‌های مولد (Generative Models) در Rust
• 78. مقدمه‌ای بر یادگیری تقویتی پیشرفته
• 79. الگوریتم‌های Q-learning با Rust
• 80. الگوریتم‌های Deep Q-Network (DQN) با Rust
• 81. الگوریتم‌های Actor-Critic با Rust
• 82. پیاده‌سازی محیط‌های یادگیری تقویتی با Rust
• 83. ساخت عامل‌های بازی با Rust
• 84. عامل‌های هوشمند برای رباتیک
• 85. مقدمه‌ای بر هوش مصنوعی اخلاقی
• 86. سوگیری در مدل‌های هوش مصنوعی
• 87. شفافیت و تفسیرپذیری مدل‌ها
• 88. مسئولیت‌پذیری در هوش مصنوعی
• 89. امنیت در سیستم‌های هوش مصنوعی
• 90. کاربرد Rust در توسعه سیستم‌های هوش مصنوعی ایمن
• 91. مباحث پیشرفته در Rust برای هوش مصنوعی
• 92. بهینه‌سازی عملکرد کد Rust برای هوش مصنوعی
• 93. استقرار مدل‌های هوش مصنوعی با Rust
• 94. ساخت API برای مدل‌های هوش مصنوعی با Rust
• 95. آینده هوش مصنوعی و نقش Rust