فلش‌کارت‌های آموزشی Rust and Machine Learning: A Practical Guide to Building Intelligent Systems

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب Rust and Machine Learning: A Practical Guide to Building Intelligent Systems

موضوع کلی: برنامه نویسی

موضوع میانی: راست (Rust)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. در اینجا 100 سرفصل آموزشی برای "Rust and Machine Learning: A Practical Guide to Building Intelligent Systems" آورده شده است:
• 2. مقدمه به Rust برای یادگیری ماشین
• 3. چرا Rust برای یادگیری ماشین؟
• 4. نصب و پیکربندی Rust
• 5. مفاهیم اساسی Rust: متغیرها، انواع داده، اپراتورها
• 6. مفاهیم اساسی Rust: شرط‌ها و حلقه‌ها
• 7. مفاهیم اساسی Rust: توابع و closureها
• 8. مفاهیم اساسی Rust: Structها و Enumها
• 9. مفاهیم اساسی Rust: Traits و Generics
• 10. مفاهیم اساسی Rust: مدیریت خطا (Error Handling)
• 11. مفاهیم اساسی Rust: Borrowing و Ownership
• 12. مفاهیم اساسی Rust: Lifetimes
• 13. مفاهیم اساسی Rust: Concurrency و Parallelism
• 14. مفاهیم اساسی Rust: Macroها
• 15. مقدمه به یادگیری ماشین
• 16. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 17. مراحل یک پروژه یادگیری ماشین
• 18. مقدمه به مفاهیم ریاضی در یادگیری ماشین: جبر خطی
• 19. مقدمه به مفاهیم ریاضی در یادگیری ماشین: حساب دیفرانسیل و انتگرال
• 20. مقدمه به مفاهیم ریاضی در یادگیری ماشین: احتمال و آمار
• 21. جمع‌آوری و پیش‌پردازش داده‌ها
• 22. کاوش داده‌ها (Exploratory Data Analysis - EDA)
• 23. پاکسازی داده‌ها (Data Cleaning)
• 24. مقیاس‌بندی و نرمال‌سازی داده‌ها (Scaling and Normalization)
• 25. مدیریت داده‌های گمشده (Handling Missing Data)
• 26. مهندسی ویژگی (Feature Engineering)
• 27. انتخاب ویژگی (Feature Selection)
• 28. مقدمه به کتابخانه‌های یادگیری ماشین در Rust
• 29. معرفی به `ndarray` برای محاسبات عددی
• 30. عملیات پایه با `ndarray`
• 31. عملیات پیشرفته با `ndarray`: ضرب ماتریس، ترانهاده و غیره
• 32. معرفی به `linfa` (چارچوب یادگیری ماشین در Rust)
• 33. نصب و استفاده از `linfa`
• 34. مقدمه به مدل‌های یادگیری ماشین
• 35. رگرسیون خطی (Linear Regression)
• 36. پیاده‌سازی رگرسیون خطی با `ndarray` و `linfa`
• 37. رگرسیون لجستیک (Logistic Regression)
• 38. پیاده‌سازی رگرسیون لجستیک با `linfa`
• 39. طبقه‌بندی‌کننده‌های K-نزدیکترین همسایه (K-Nearest Neighbors - KNN)
• 40. پیاده‌سازی KNN با `linfa`
• 41. ماشین‌های بردار پشتیبان (Support Vector Machines - SVM)
• 42. پیاده‌سازی SVM با `linfa`
• 43. درختان تصمیم (Decision Trees)
• 44. پیاده‌سازی درختان تصمیم با `linfa`
• 45. جنگل‌های تصادفی (Random Forests)
• 46. پیاده‌سازی جنگل‌های تصادفی با `linfa`
• 47. گرادیان بوستینگ (Gradient Boosting)
• 48. پیاده‌سازی گرادیان بوستینگ با `linfa`
• 49. خوشه‌بندی (Clustering)
• 50. الگوریتم K-Means
• 51. پیاده‌سازی K-Means با `linfa`
• 52. پروتکل‌های یادگیری ماشین
• 53. ارزیابی مدل (Model Evaluation)
• 54. معیارهای ارزیابی برای رگرسیون: MSE, RMSE, MAE
• 55. معیارهای ارزیابی برای طبقه‌بندی: Accuracy, Precision, Recall, F1-Score, AUC
• 56. اعتبارسنجی متقابل (Cross-Validation)
• 57. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 58. روش‌های Grid Search و Random Search
• 59. یادگیری عمیق (Deep Learning)
• 60. مقدمه به شبکه‌های عصبی (Neural Networks)
• 61. مقدمه به تنسورها (Tensors)
• 62. کتابخانه‌های یادگیری عمیق در Rust
• 63. معرفی به `tch-rs` (باندل‌های Rust برای PyTorch)
• 64. نصب و پیکربندی `tch-rs`
• 65. ساخت شبکه‌های عصبی ساده با `tch-rs`
• 66. تابع فعال‌سازی (Activation Functions)
• 67. تابع هزینه (Loss Functions)
• 68. بهینه‌سازها (Optimizers): SGD, Adam
• 69. پس‌انتشار خطا (Backpropagation)
• 70. شبکه‌های عصبی کانولوشنال (Convolutional Neural Networks - CNNs)
• 71. معماری‌های CNN: LeNet, AlexNet, VGG
• 72. پیاده‌سازی CNN برای طبقه‌بندی تصاویر با `tch-rs`
• 73. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNNs)
• 74. انواع RNN: LSTM, GRU
• 75. پیاده‌سازی RNN برای پردازش زبان طبیعی (NLP) با `tch-rs`
• 76. پردازش زبان طبیعی (NLP)
• 77. مقدمه به NLP
• 78. توکن‌سازی (Tokenization)
• 79. مدل‌های Bag-of-Words و TF-IDF
• 80. تعبیه‌های کلمه (Word Embeddings): Word2Vec, GloVe
• 81. مدل‌های زبانی (Language Models)
• 82. معماری‌های ترانسفورمر (Transformer Architectures)
• 83. پیاده‌سازی مدل‌های ترانسفورمر با `tch-rs`
• 84. کاربردها: تحلیل احساسات (Sentiment Analysis)
• 85. کاربردها: ترجمه ماشینی (Machine Translation)
• 86. کاربردها: خلاصه‌سازی متن (Text Summarization)
• 87. یادگیری تقویتی (Reinforcement Learning)
• 88. مفاهیم پایه RL: عامل، محیط، پاداش، حالت
• 89. الگوریتم‌های Q-Learning
• 90. الگوریتم‌های Policy Gradients
• 91. پیاده‌سازی RL با `linfa` یا کتابخانه‌های دیگر
• 92. کاربردها: بازی‌ها، رباتیک
• 93. سیستم‌های توصیه‌گر (Recommender Systems)
• 94. فیلترینگ مبتنی بر محتوا (Content-Based Filtering)
• 95. فیلترینگ مشارکتی (Collaborative Filtering)
• 96. مدل‌های ماتریس فاکتورسازی (Matrix Factorization)
• 97. پیاده‌سازی سیستم‌های توصیه‌گر با `linfa`
• 98. استقرار مدل‌های یادگیری ماشین
• 99. ذخیره‌سازی و بارگذاری مدل‌ها
• 100. ساخت API برای مدل‌ها با Rust