کتاب هوش جمعی برنامه‌نویسان: ساخت سیستم‌های توصیه‌گر با پایتون با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب هوش جمعی برنامه‌نویسان: ساخت سیستم‌های توصیه‌گر با پایتون

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: الگوریتم‌های کلان‌داده و توصیه‌گرها

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مبانی هوش جمعی
• 2. معرفی کتاب Programming Collective Intelligence
• 3. چرا هوش جمعی؟
• 4. کاربردها و پتانسیل هوش جمعی
• 5. چالش‌های هوش جمعی
• 6. معرفی زبان برنامه‌نویسی پایتون برای هوش جمعی
• 7. محیط توسعه پایتون: نصب و تنظیمات
• 8. اولین گام‌ها با پایتون: مبانی
• 9. ساختارهای داده در پایتون: لیست‌ها، تاپل‌ها، دیکشنری‌ها
• 10. توابع و ماژول‌ها در پایتون
• 11. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 12. مفهوم سیستم‌های توصیه‌گر
• 13. انواع سیستم‌های توصیه‌گر
• 14. چالش‌های طراحی سیستم‌های توصیه‌گر
• 15. مبانی داده‌کاوی برای سیستم‌های توصیه‌گر
• 16. نمونه‌گیری و جمع‌آوری داده
• 17. پاکسازی و پیش‌پردازش داده
• 18. مفهوم فیلترینگ مشارکتی
• 19. فیلترینگ مشارکتی مبتنی بر کاربر (User-based Collaborative Filtering)
• 20. مفهوم شباهت بین کاربران
• 21. محاسبه شباهت: فاصله اقلیدسی
• 22. محاسبه شباهت: ضریب همبستگی پیرسون
• 23. محاسبه شباهت: شباهت کسینوسی
• 24. مثال عملی: توصیه‌گر مبتنی بر کاربر با پایتون
• 25. فیلترینگ مشارکتی مبتنی بر آیتم (Item-based Collaborative Filtering)
• 26. مفهوم شباهت بین آیتم‌ها
• 27. محاسبه شباهت بین آیتم‌ها
• 28. مثال عملی: توصیه‌گر مبتنی بر آیتم با پایتون
• 29. مقایسه رویکردهای کاربر-محور و آیتم-محور
• 30. محدودیت‌های فیلترینگ مشارکتی
• 31. مشکل شروع سرد (Cold-Start Problem)
• 32. دیوارهای سفید (Sparsity)
• 33. مقیاس‌پذیری (Scalability)
• 34. روش‌های ارزیابی سیستم‌های توصیه‌گر
• 35. متریک‌های ارزیابی: دقت (Precision) و بازیابی (Recall)
• 36. متریک‌های ارزیابی: میانگین خطای مطلق (MAE)
• 37. متریک‌های ارزیابی: ریشه میانگین مربع خطا (RMSE)
• 38. معرفی کتابخانه‌های پایتون برای یادگیری ماشین
• 39. NumPy برای محاسبات عددی
• 40. Pandas برای دستکاری داده
• 41. SciPy برای ابزارهای علمی
• 42. Scikit-learn: کتابخانه جامع یادگیری ماشین
• 43. مقدمه‌ای بر یادگیری ماشین
• 44. یادگیری با نظارت (Supervised Learning)
• 45. یادگیری بدون نظارت (Unsupervised Learning)
• 46. یادگیری تقویتی (Reinforcement Learning)
• 47. الگوریتم‌های طبقه‌بندی (Classification Algorithms)
• 48. رگرسیون خطی (Linear Regression)
• 49. رگرسیون لجستیک (Logistic Regression)
• 50. ماشین‌های بردار پشتیبان (Support Vector Machines - SVM)
• 51. درخت‌های تصمیم (Decision Trees)
• 52. جنگل‌های تصادفی (Random Forests)
• 53. الگوریتم‌های خوشه‌بندی (Clustering Algorithms)
• 54. خوشه‌بندی K-Means
• 55. خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
• 56. مفهوم کاهش ابعاد (Dimensionality Reduction)
• 57. تحلیل مولفه‌های اصلی (Principal Component Analysis - PCA)
• 58. تحلیل تفکیک‌کننده خطی (Linear Discriminant Analysis - LDA)
• 59. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 60. توکن‌سازی (Tokenization)
• 61. ریشه‌یابی (Stemming) و لماتیزاسیون (Lemmatization)
• 62. کیسه کلمات (Bag of Words)
• 63. TF-IDF (Term Frequency-Inverse Document Frequency)
• 64. شبکه‌های عصبی (Neural Networks)
• 65. مبانی شبکه‌های عصبی
• 66. شبکه‌های عصبی پرسپترون چندلایه (Multi-Layer Perceptron - MLP)
• 67. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 68. شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks - CNN)
• 69. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNN)
• 70. کاربرد شبکه‌های عصبی در سیستم‌های توصیه‌گر
• 71. فیلترینگ مبتنی بر محتوا (Content-based Filtering)
• 72. استخراج ویژگی از محتوا
• 73. مدل‌سازی پروفایل کاربر و آیتم
• 74. مقایسه فیلترینگ مشارکتی و محتوا-محور
• 75. ترکیب رویکردها (Hybrid Recommender Systems)
• 76. ترکیب وزن‌دار (Weighted Hybrid)
• 77. ترکیب خطی (Linear Hybrid)
• 78. ترکیب cascade
• 79. ترکیب switching
• 80. ترکیب mixed
• 81. ترکیب feature combination
• 82. ترکیب fuzzy
• 83. معرفی الگوریتم‌های کلان‌داده
• 84. چالش‌های کلان‌داده
• 85. معرفی Hadoop
• 86. معرفی Spark
• 87. کاربرد Spark در سیستم‌های توصیه‌گر
• 88. پردازش موازی با Spark
• 89. Spark MLlib برای یادگیری ماشین
• 90. ساخت سیستم توصیه‌گر مقیاس‌پذیر با Spark
• 91. تکنیک‌های پیشرفته در سیستم‌های توصیه‌گر
• 92. توصیه‌گرهای مبتنی بر دانش (Knowledge-based Recommenders)
• 93. توصیه‌گرهای مبتنی بر مدل (Model-based Recommenders)
• 94. تکنیک تجزیه ماتریس (Matrix Factorization)
• 95. تجزیه مقادیر منفرد (Singular Value Decomposition - SVD)
• 96. فاکتورگیری ماتریس تصادفی (Randomized Matrix Factorization)
• 97. یادگیری عمیق برای تجزیه ماتریس
• 98. شبکه‌های عصبی و توصیه‌گرها
• 99. معماری‌های شبکه‌های عصبی برای توصیه‌گرها
• 100. توصیه‌گرهای مبتنی بر گراف (Graph-based Recommenders)

📚 محتوای این محصول آموزشی (پکیج کامل)

🎁 محتویات کامل بسته دانلودی

• کتاب صدها نکته فارسی (خودمونی) – نسخه فرمت AZW3 (برای کتاب خوان های کیندل) و فرمت EPUB (برای سایر کتاب خوان ها) — زبان ساده و کاربردی
  
• کتاب صدها نکته رسمی فارسی – نسخه فرمت AZW3 (برای کتاب خوان های کیندل) و فرمت EPUB (برای سایر کتاب خوان ها) — نگارش استاندارد، علمی و مناسب چاپ
• کتاب صدها پرسش و پاسخ تشریحی – نسخه فرمت AZW3 (برای کتاب خوان های کیندل) و فرمت EPUB (برای سایر کتاب خوان ها)
  — هر سؤال بلافاصله همراه با پاسخ کامل و شفاف ارائه شده است؛ مناسب درک عمیق مفاهیم و رفع ابهام.
• کتاب صدها پرسش و پاسخ چهارگزینه‌ای – نسخه فرمت AZW3 (برای کتاب خوان های کیندل) و فرمت EPUB (برای سایر کتاب خوان ها) (نسخه یادگیری سریع)
  — پاسخ‌ها بلافاصله پس از سؤال قرار دارند؛ مناسب یادگیری سریع و تثبیت مطالب.
• کتاب صدها پرسش و پاسخ چهارگزینه‌ای – نسخه فرمت AZW3 (برای کتاب خوان های کیندل) و فرمت EPUB (برای سایر کتاب خوان ها) (نسخه خودآزمایی پایان‌بخش)
  — پاسخ‌ها در انتهای هر بخش آمده‌اند؛ مناسب آزمون واقعی و سنجش میزان یادگیری.

🎯 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