کتاب صوتی راهنمای کامل برای استفاده از SQLite در پروژه‌های یادگیری ماشین

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب راهنمای کامل برای استفاده از SQLite در پروژه‌های یادگیری ماشین

موضوع کلی: برنامه نویسی

موضوع میانی: SQLite

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر SQLite و کاربردهای آن در یادگیری ماشین
• 2. چرا SQLite برای پروژه‌های یادگیری ماشین مناسب است؟
• 3. نصب و راه‌اندازی SQLite در سیستم‌عامل‌های مختلف
• 4. آشنایی با ابزار خط فرمان SQLite (CLI)
• 5. مفاهیم پایه پایگاه داده: جداول، ستون‌ها و ردیف‌ها
• 6. انواع داده‌ها در SQLite و انتخاب نوع مناسب
• 7. ایجاد یک پایگاه داده جدید (مفهومی)
• 8. ساخت جداول: دستور CREATE TABLE و تعریف ستون‌ها
• 9. وارد کردن داده‌ها: دستور INSERT INTO برای افزودن رکوردها
• 10. بازیابی داده‌ها: دستور SELECT برای انتخاب اطلاعات
• 11. فیلتر کردن داده‌ها: استفاده از WHERE برای شرط‌گذاری
• 12. به‌روزرسانی داده‌ها: دستور UPDATE برای تغییر رکوردها
• 13. حذف داده‌ها: دستور DELETE FROM برای پاک کردن رکوردها
• 14. کلیدهای اصلی (PRIMARY KEY) و اهمیت آن‌ها
• 15. محدودیت‌های پایه (NOT NULL, UNIQUE) برای حفظ یکپارچگی
• 16. طراحی شمای پایگاه داده برای داده‌های اولیه یادگیری ماشین
• 17. پرس‌وجوهای پیچیده‌تر با عملگرهای منطقی (AND, OR, NOT)
• 18. مرتب‌سازی نتایج: دستور ORDER BY برای ترتیب‌بندی
• 19. محدود کردن تعداد نتایج: استفاده از LIMIT و OFFSET
• 20. توابع تجمیعی: COUNT, SUM, AVG, MIN, MAX
• 21. گروه‌بندی داده‌ها: دستور GROUP BY برای تحلیل دسته‌ای
• 22. فیلتر کردن گروه‌ها: دستور HAVING برای شرط‌گذاری روی گروه‌ها
• 23. پیوستن جداول: آشنایی با مفهوم JOIN
• 24. INNER JOIN برای بازیابی رکوردهای مشترک
• 25. LEFT JOIN برای حفظ تمام رکوردهای جدول چپ
• 26. سایر انواع JOIN: RIGHT, FULL (مفهومی در SQLite)
• 27. زیرپرس‌وجوها (Subqueries) برای بازیابی داده‌های تو در تو
• 28. ایجاد و مدیریت VIEWها برای ساده‌سازی پرس‌وجوها
• 29. مفهوم ایندکس‌ها (INDEXES) و کاربرد آن‌ها
• 30. ساخت ایندکس‌ها: دستور CREATE INDEX
• 31. بهینه‌سازی پرس‌وجوها با استفاده از ایندکس‌ها
• 32. تراکنش‌ها (TRANSACTIONS): BEGIN, COMMIT, ROLLBACK
• 33. اطمینان از یکپارچگی داده‌ها با ویژگی‌های ACID
• 34. تریگرها (TRIGGERS) برای اتوماسیون عملیات
• 35. توابع تعریف‌شده توسط کاربر (UDFs) در SQLite
• 36. عبارات جدول مشترک (CTEs) با WITH برای سازماندهی پرس‌وجوها
• 37. توابع پنجره‌ای (Window Functions) برای تحلیل‌های پیشرفته
• 38. ذخیره‌سازی داده‌های باینری بزرگ (BLOBs) برای مدل‌ها یا ویژگی‌ها
• 39. اتصال و جدا کردن پایگاه‌های داده متعدد
• 40. مقدمه‌ای بر ماژول sqlite3 پایتون
• 41. ایجاد اتصال به پایگاه داده SQLite در پایتون
• 42. ساخت شیء Cursor برای اجرای دستورات SQL
• 43. اجرای پرس‌وجوهای SQL از طریق پایتون
• 44. بازیابی نتایج: fetchone(), fetchall(), fetchmany()
• 45. جایگذاری پارامترها در پرس‌وجوها برای امنیت و کارایی
• 46. مدیریت تراکنش‌ها در پایتون (commit(), rollback())
• 47. مدیریت خطاها و استثناها در تعامل با پایگاه داده
• 48. استفاده از Context Managers برای اتصالات پایگاه داده
• 49. کار با پایگاه داده SQLite در حافظه (in-memory)
• 50. توسعه یک کلاس کمکی برای مدیریت پایگاه داده در پایتون
• 51. استراتژی‌های وارد کردن داده‌های خام به SQLite برای ML
• 52. وارد کردن دسته‌ای (Bulk Insertion) داده‌ها در پایتون
• 53. ذخیره و مدیریت مجموعه‌های داده خام در SQLite
• 54. پاکسازی داده‌ها با استفاده از SQL (مثلاً حذف رکوردهای تکراری)
• 55. مدیریت مقادیر گمشده با توابع SQL (مثلاً COALESCE)
• 56. تبدیل انواع داده‌ای برای مدل‌های یادگیری ماشین
• 57. نرمال‌سازی و استانداردسازی داده‌ها با پرس‌وجوهای SQL
• 58. مهندسی ویژگی (Feature Engineering) پایه با SQL
• 59. ایجاد ویژگی‌های مشتق‌شده از ستون‌های موجود
• 60. مدیریت داده‌های دسته‌بندی‌شده با جداول Lookup
• 61. بارگذاری داده‌های SQLite مستقیماً به Pandas DataFrame
• 62. نوشتن Pandas DataFrame به جداول SQLite
• 63. مدیریت کارآمد مجموعه‌های داده بزرگ بین SQLite و Pandas
• 64. استفاده از read_sql_query و read_sql_table در Pandas
• 65. ذخیره‌سازی آرایه‌های NumPy به عنوان BLOB در SQLite
• 66. بازیابی آرایه‌های NumPy از BLOBهای ذخیره‌شده
• 67. ترکیب Pandas برای تحلیل و SQLite برای ذخیره‌سازی پایدار
• 68. پیش‌محاسبه ویژگی‌ها با Pandas و ذخیره در SQLite
• 69. سریال‌سازی و دسیریال‌سازی برای اشیاء پیچیده در پایگاه داده
• 70. استراتژی‌های ذخیره‌سازی داده‌های پایدار در خطوط لوله ML
• 71. تقسیم‌بندی داده‌ها (Training, Validation, Test) با SQL
• 72. تکنیک‌های نمونه‌برداری تصادفی با SQLite
• 73. پیاده‌سازی نمونه‌برداری طبقه‌بندی‌شده (Stratified Sampling)
• 74. آماده‌سازی داده‌ها برای اعتبارسنجی متقابل (Cross-Validation)
• 75. مدیریت تقسیم‌بندی‌های مختلف داده برای آزمایش‌ها
• 76. نسخه‌بندی مجموعه‌های داده با استفاده از فراداده‌های Schema
• 77. ذخیره نسخه‌های مختلف داده‌های پیش‌پردازش‌شده
• 78. تضمین تکرارپذیری تقسیم‌بندی داده‌ها
• 79. بارگذاری دینامیک داده‌ها برای mini-batches در آموزش مدل
• 80. مدیریت مجموعه‌های بزرگ ویژگی در جداول مختلف
• 81. طراحی شمایی برای ردیابی آزمایش‌های یادگیری ماشین
• 82. ثبت پارامترهای مدل و هایپرپارامترها
• 83. ذخیره‌سازی پیکربندی‌های آموزش مدل
• 84. ردیابی معیارهای عملکرد مدل در طول زمان
• 85. ذخیره نتایج ارزیابی (مثلاً ماتریس‌های درهم‌ریختگی)
• 86. ذخیره مسیر مدل‌های آموزش‌دیده یا نمایش باینری آن‌ها
• 87. مدیریت نسخه‌های مختلف مدل‌های آموزش‌دیده
• 88. مقایسه عملکرد مدل‌ها در آزمایش‌های مختلف
• 89. پیاده‌سازی یک رجیستری مدل ساده با SQLite
• 90. پرس‌وجو از داده‌های آزمایش برای کشف الگوها
• 91. استفاده از SQLite برای ذخیره‌سازی ویژگی‌ها (Feature Store ساده)
• 92. مدیریت اجزای یادگیری ترکیبی (Ensemble Learning)
• 93. ذخیره پیش‌بینی‌های مدل برای تحلیل‌های بعدی
• 94. پیاده‌سازی و ثبت نتایج آزمایش A/B با SQLite
• 95. پایش رانش مدل (Model Drift) با داده‌های ذخیره‌شده
• 96. پیش‌محاسبه ویژگی‌ها برای فاز استنتاج (Inference)
• 97. استفاده از SQLite برای جداول جستجوی پیش‌بینی
• 98. مدیریت داده‌ها برای سناریوهای پیش‌بینی دسته‌ای
• 99. بهینه‌سازی عملکرد SQLite برای بارهای کاری یادگیری ماشین
• 100. زمان‌هایی که نباید از SQLite در پروژه‌های ML استفاده کرد و جایگزین‌ها