کتاب صوتی Rust for Machine Learning: A Practical Guide to Implementation

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Rust for Machine Learning: A Practical Guide to Implementation

موضوع کلی: برنامه نویسی

موضوع میانی: راست (Rust)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر Rust و یادگیری ماشین
• 2. چرا Rust برای یادگیری ماشین؟
• 3. مزایای Rust برای توسعه ML
• 4. چالش های Rust برای توسعه ML
• 5. نصب Rust و ابزارهای مرتبط
• 6. محیط توسعه Rust (IDE)
• 7. مدیریت بسته Cargo
• 8. ساختار پروژه Rust
• 9. مبانی زبان Rust
• 10. متغیرها و انواع داده
• 11. اپراتورها و عبارات
• 12. کنترل جریان (if/else, loops)
• 13. توابع و closures
• 14. ساختارها (structs) و enum ها
• 15. Ownership و Borrowing
• 16. Lifetimes
• 17. مدیریت خطا (Result, Option)
• 18. ماژول ها و کریت ها (traits)
• 19. کدنویسی همزمان در Rust
• 20. مقدمه ای بر موازی سازی
• 21. رشته ها (threads)
• 22. پیام رسانی بین رشته ها (channels)
• 23. قفل ها (mutex, RwLock)
• 24. کتابخانه های استاندارد Rust برای همزمانی
• 25. معرفی کتابخانه های یادگیری ماشین در Rust
• 26. معرفی کلی اکوسیستم Rust ML
• 27. بررسی اجمالی کتابخانه های محبوب
• 28. انتخاب کتابخانه مناسب برای پروژه شما
• 29. کار با داده ها در Rust
• 30. انواع ساختارهای داده برای داده های عددی
• 31. استفاده از slices و vectors
• 32. مقدمه ای بر کتابخانه ndarray
• 33. عملیات پایه با ndarray
• 34. توابع ریاضی و آماری با ndarray
• 35. بارگذاری و ذخیره سازی داده ها (CSV, NumPy)
• 36. پیش پردازش داده ها
• 37. پاکسازی داده ها (مقادیر گمشده، داده های پرت)
• 38. مقیاس بندی و نرمال سازی ویژگی ها
• 39. رمزگذاری دسته ای (one-hot encoding)
• 40. تقسیم داده ها (آموزش، اعتبارسنجی، تست)
• 41. مبانی یادگیری ماشین
• 42. انواع یادگیری ماشین (نظارت شده، بدون نظارت)
• 43. مسائل رگرسیون و طبقه بندی
• 44. معیارهای ارزیابی مدل (دقت، صحت، F1-score، MSE)
• 45. مدل های خطی
• 46. رگرسیون خطی (Linear Regression)
• 47. رگرسیون لجستیک (Logistic Regression)
• 48. پیاده سازی مدل های خطی با Rust
• 49. استفاده از ndarray برای عملیات ماتریسی
• 50. آموزش و پیش بینی با مدل های خطی
• 51. مدل های مبتنی بر درخت
• 52. درخت های تصمیم (Decision Trees)
• 53. جنگل های تصادفی (Random Forests)
• 54. گرادیان بوستینگ (Gradient Boosting)
• 55. پیاده سازی مدل های مبتنی بر درخت با Rust
• 56. کتابخانه های مرتبط با مدل های درختی
• 57. آموزش و پیش بینی با مدل های درختی
• 58. ماشین های بردار پشتیبان (SVM)
• 59. مبانی SVM
• 60. پیاده سازی SVM با Rust
• 61. کاربرد SVM در مسائل طبقه بندی
• 62. شبکه های عصبی (Neural Networks)
• 63. مبانی شبکه های عصبی
• 64. لایه های شبکه عصبی (ورودی، پنهان، خروجی)
• 65. توابع فعال سازی (ReLU, Sigmoid, Tanh)
• 66. انتشار رو به جلو (Forward Propagation)
• 67. انتشار رو به عقب (Backpropagation)
• 68. بهینه سازی گرادیان (Gradient Descent, Adam)
• 69. پیاده سازی یک شبکه عصبی ساده با Rust
• 70. استفاده از کتابخانه های ML تخصصی برای شبکه های عصبی
• 71. آموزش و پیش بینی با شبکه های عصبی
• 72. شبکه های عصبی کانولوشنال (CNN)
• 73. مبانی CNN
• 74. لایه های کانولوشنال و Pooling
• 75. کاربرد CNN در بینایی کامپیوتر
• 76. پیاده سازی CNN با Rust
• 77. شبکه های عصبی بازگشتی (RNN)
• 78. مبانی RNN
• 79. حافظه طولانی کوتاه مدت (LSTM) و واحدهای بازگشتی دروازه ای (GRU)
• 80. کاربرد RNN در پردازش زبان طبیعی
• 81. پیاده سازی RNN با Rust
• 82. یادگیری عمیق (Deep Learning)
• 83. معرفی چارچوب های یادگیری عمیق در Rust
• 84. استفاده از کتابخانه های قدرتمند برای DL
• 85. آموزش مدل های عمیق
• 86. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 87. اعتبارسنجی متقابل (Cross-validation)
• 88. تکنیک های منظم سازی (Regularization)
• 89. کاهش ابعاد (Dimensionality Reduction)
• 90. تجزیه مولفه های اصلی (PCA)
• 91. تکنیک های دیگر کاهش ابعاد
• 92. کاربرد کاهش ابعاد در ML
• 93. یادگیری بدون نظارت (Unsupervised Learning)
• 94. خوشه بندی (Clustering)
• 95. K-Means
• 96. DBSCAN
• 97. کاربرد خوشه بندی
• 98. تشخیص ناهنجاری (Anomaly Detection)
• 99. روش های مبتنی بر فاصله
• 100. روش های مبتنی بر چگالی