فلش‌کارت‌های آموزشی پروژه‌های عملی یادگیری ماشین با macOS: از ایده تا اجرا

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پروژه‌های عملی یادگیری ماشین با macOS: از ایده تا اجرا

موضوع کلی: آشنایی با سیستم‌عامل macOS

موضوع میانی: macOS for Machine Learning

📋 سرفصل‌های دوره

• 1. مقدمه: دنیای یادگیری ماشین در macOS
• 2. فصل ۱: شروع کار با macOS برای یادگیری ماشین
• 3. فصل ۲: نصب ابزارها و کتابخانه‌های کلیدی
• 4. فصل ۳: اولین پروژه: تحلیل احساسات توییت‌ها
• 5. فصل ۴: جمع‌آوری و پیش‌پردازش داده‌های متنی
• 6. فصل ۵: انتخاب و آموزش مدل‌های ساده
• 7. فصل ۶: ارزیابی مدل و تنظیم هایپرپارامترها
• 8. فصل ۷: پروژه دوم: تشخیص اشیاء در تصاویر
• 9. فصل ۸: کار با کتابخانه‌های بینایی ماشین
• 10. فصل ۹: پیاده‌سازی مدل‌های تشخیص اشیاء
• 11. فصل ۱۰: استفاده از مدل‌های از پیش آموزش‌دیده
• 12. فصل ۱۱: آموزش مدل سفارشی برای تشخیص اشیاء
• 13. فصل ۱۲: پروژه سوم: پیش‌بینی قیمت مسکن
• 14. فصل ۱۳: جمع‌آوری داده‌های مربوط به املاک
• 15. فصل ۱۴: مهندسی ویژگی و آماده‌سازی داده‌ها
• 16. فصل ۱۵: مدل‌های رگرسیون خطی و چندجمله‌ای
• 17. فصل ۱۶: مدل‌های درخت تصمیم و جنگل تصادفی
• 18. فصل ۱۷: ارزیابی و مقایسه مدل‌های پیش‌بینی
• 19. فصل ۱۸: پروژه چهارم: سیستم توصیه‌گر فیلم
• 20. فصل ۱۹: پایگاه داده فیلم و کاربران
• 21. فصل ۲۰: فیلترینگ مشارکتی مبتنی بر کاربر
• 22. فصل ۲۱: فیلترینگ مشارکتی مبتنی بر آیتم
• 23. فصل ۲۲: مدل‌های ماتریس فاکتورینگ
• 24. فصل ۲۳: ارزیابی سیستم توصیه‌گر
• 25. فصل ۲۴: پروژه پنجم: تشخیص چهره در macOS
• 26. فصل ۲۵: کتابخانه‌های پردازش تصویر چهره
• 27. فصل ۲۶: پیاده‌سازی الگوریتم‌های تشخیص چهره
• 28. فصل ۲۷: آموزش مدل برای شناسایی چهره‌های خاص
• 29. فصل ۲۸: ادغام با اپلیکیشن‌های macOS
• 30. فصل ۲۹: پروژه ششم: پردازش زبان طبیعی پیشرفته
• 31. فصل ۳۰: مدل‌های زبانی و توالی‌ها
• 32. فصل ۳۱: شبکه‌های عصبی بازگشتی (RNN)
• 33. فصل ۳۲: شبکه‌های حافظه طولانی کوتاه (LSTM)
• 34. فصل ۳۳: کاربردها: ترجمه ماشینی ساده
• 35. فصل ۳۴: پروژه هفتم: یادگیری تقویتی در عمل
• 36. فصل ۳۵: مفاهیم پایه یادگیری تقویتی
• 37. فصل ۳۶: الگوریتم‌های Q-Learning
• 38. فصل ۳۷: پیاده‌سازی یک محیط ساده
• 39. فصل ۳۸: آموزش عامل یادگیری تقویتی
• 40. فصل ۳۹: پروژه هشتم: کار با داده‌های سری زمانی
• 41. فصل ۴۰: تحلیل و پیش‌بینی داده‌های سری زمانی
• 42. فصل ۴۱: مدل‌های ARIMA و Prophet
• 43. فصل ۴۲: آموزش و ارزیابی مدل‌های سری زمانی
• 44. فصل ۴۳: پروژه نهم: پردازش تصویر پیشرفته
• 45. فصل ۴۴: شبکه‌های عصبی کانولوشنی (CNN)
• 46. فصل ۴۵: ساختار و کارکرد CNN
• 47. فصل ۴۶: آموزش CNN برای طبقه‌بندی تصاویر
• 48. فصل ۴۷: استفاده از معماری‌های معروف CNN
• 49. فصل ۴۸: پروژه دهم: استقرار مدل‌های یادگیری ماشین
• 50. فصل ۴۹: آماده‌سازی مدل برای استقرار
• 51. فصل ۵۰: استقرار محلی روی macOS
• 52. فصل ۵۱: استفاده از Core ML
• 53. فصل ۵۲: تبدیل مدل‌ها به فرمت Core ML
• 54. فصل ۵۳: ادغام Core ML در اپلیکیشن Swift
• 55. فصل ۵۴: پروژه یازدهم: ابزارهای پیشرفته macOS
• 56. فصل ۵۵: استفاده از Metal Performance Shaders
• 57. فصل ۵۶: شتاب‌دهی محاسبات یادگیری ماشین
• 58. فصل ۵۷: کتابخانه Create ML
• 59. فصل ۵۸: آموزش مدل‌های سفارشی با Create ML
• 60. فصل ۵۹: پروژه‌های جانبی خلاقانه
• 61. فصل ۶۰: ساخت یک ربات چت ساده
• 62. فصل ۶۱: ایجاد ابزار تولید متن خودکار
• 63. فصل ۶۲: ساخت یک سیستم تشخیص صدا پایه
• 64. فصل ۶۳: پیاده‌سازی یک بازی ساده با یادگیری تقویتی
• 65. فصل ۶۴: پروژه دوازدهم: بهینه‌سازی عملکرد
• 66. فصل ۶۵: شناسایی گلوگاه‌های عملکردی
• 67. فصل ۶۶: تکنیک‌های بهینه‌سازی کد
• 68. فصل ۶۷: استفاده از پروفایلرهای macOS
• 69. فصل ۶۸: مقایسه اجرای CPU و GPU
• 70. فصل ۶۹: پروژه سیزدهم: مدل‌های گرافیکی
• 71. فصل ۷۰: شبکه‌های عصبی گراف (GNN)
• 72. فصل ۷۱: کاربردهای GNN
• 73. فصل ۷۲: پیاده‌سازی GNN ساده
• 74. فصل ۷۳: پروژه چهاردهم: پردازش صوت
• 75. فصل ۷۴: تحلیل و شناسایی الگوهای صوتی
• 76. فصل ۷۵: مدل‌های پردازش سیگنال صوتی
• 77. فصل ۷۶: کاربردها: تشخیص کلمات کلیدی
• 78. فصل ۷۷: پروژه پانزدهم: یادگیری انتقالی
• 79. فصل ۷۸: مفاهیم و مزایای یادگیری انتقالی
• 80. فصل ۷۹: استفاده از مدل‌های از پیش آموزش‌دیده
• 81. فصل ۸۰: تنظیم دقیق (Fine-tuning) مدل‌ها
• 82. فصل ۸۱: پروژه شانزدهم: بینایی ماشین پیشرفته
• 83. فصل ۸۲: قطعه‌بندی معنایی تصاویر
• 84. فصل ۸۳: مدل‌های U-Net و Mask R-CNN
• 85. فصل ۸۴: پیاده‌سازی قطعه‌بندی ساده
• 86. فصل ۸۵: پروژه هفدهم: پردازش زبان طبیعی پیشرفته‌تر
• 87. فصل ۸۶: مدل‌های ترنسفورمر (Transformer)
• 88. فصل ۸۷: معماری و کارکرد ترنسفورمرها
• 89. فصل ۸۸: کاربردها: مدل‌های GPT و BERT
• 90. فصل ۸۹: پروژه هجدهم: یادگیری عمیق مولد
• 91. فصل ۹۰: شبکه‌های مولد تخاصمی (GAN)
• 92. فصل ۹۱: مفاهیم و کاربردهای GAN
• 93. فصل ۹۲: پیاده‌سازی GAN ساده برای تولید تصویر
• 94. فصل ۹۳: پروژه نوزدهم: معماری‌های یادگیری عمیق
• 95. فصل ۹۴: مرور معماری‌های پیشرو
• 96. فصل ۹۵: انتخاب معماری مناسب برای هر پروژه
• 97. فصل ۹۶: پروژه بیستم: توسعه پایدار
• 98. فصل ۹۷: مدیریت کد و نسخه‌بندی
• 99. فصل ۹۸: تست و دیباگینگ پیشرفته
• 100. فصل ۹۹: مستندسازی پروژه