کتاب صوتی Rust and Data Science: Analysis and Visualization

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Rust and Data Science: Analysis and Visualization

موضوع کلی: برنامه نویسی

موضوع میانی: راست (Rust)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر Rust و علم داده
• 2. چرا Rust برای علم داده؟
• 3. مزایای Rust در علم داده
• 4. محدودیت های Rust در علم داده
• 5. نصب Rust و ابزارهای مرتبط
• 6. آشنایی با Cargo
• 7. مدیریت وابستگی ها
• 8. نوشتن اولین برنامهعلم داده با Rust
• 9. انواع داده های پایه در Rust
• 10. ساختارهای داده ای در Rust (Structs, Enums)
• 11. مفاهیم ownership، borrowing و lifetimes
• 12. مدیریت خطا در Rust (Result, Option)
• 13. توابع و closure ها
• 14. ماژول ها و crate ها
• 15. کار با رشته ها (Strings) و کاراکترها
• 16. مقدمه ای بر کتابخانه های علم داده Rust
• 17. Cargo.toml و مدیریت وابستگی ها
• 18. معرفی crates.io
• 19. جستجو و انتخاب crates مناسب
• 20. ساختار پروژه علم داده در Rust
• 21. مقدمه ای بر محاسبات عددی در Rust
• 22. آشنایی با crate `num`
• 23. عملیات ریاضی پایه
• 24. اعداد ممیز شناور و دقت
• 25. ماتریس ها و بردارها
• 26. آشنایی با crate `ndarray`
• 27. عملیات پایه با `ndarray`
• 28. اندیس گذاری و برش (Slicing)
• 29. تبدیل فرمت داده ها با `ndarray`
• 30. عملیات ماتریسی پیشرفته
• 31. توابع numpy-مانند در `ndarray`
• 32. مقدمه ای بر پردازش داده ها در Rust
• 33. آشنایی با crate `polars`
• 34. ساختار DataFrame در `polars`
• 35. بارگذاری داده ها از فایل های CSV، Parquet و JSON
• 36. انتخاب ستون ها و فیلتر کردن داده ها
• 37. مرتب سازی و گروه بندی داده ها
• 38. توابع تجمعی (Aggregation)
• 39. ادغام (Join) و الحاق (Concatenation) داده ها
• 40. تغییر شکل (Reshaping) و تبدیل داده ها
• 41. مدیریت مقادیر گمشده (Missing Values)
• 42. عملیات سری (Series Operations)
• 43. اعمال توابع سفارشی بر روی ستون ها
• 44. مقدمه ای بر مصورسازی داده ها در Rust
• 45. چالش های مصورسازی در Rust
• 46. معرفی crate `plotters`
• 47. ساخت نمودارهای خطی ساده
• 48. نمودارهای میله ای (Bar Charts)
• 49. نمودارهای پراکندگی (Scatter Plots)
• 50. نمودارهای هیستوگرام
• 51. تنظیمات پایه نمودار (عنوان، برچسب ها، محورها)
• 52. کار با رنگ ها و استایل ها
• 53. ذخیره سازی نمودارها در فرمت های تصویری
• 54. مقدمه ای بر مصورسازی های تعاملی
• 55. معرفی crate `plotly`
• 56. ساخت نمودارهای تعاملی با `plotly`
• 57. نمودارهای تعاملی از نوع `plotters`
• 58. کار با داده های زمان-سری
• 59. مصورسازی داده های جغرافیایی
• 60. مقدمه ای بر یادگیری ماشین در Rust
• 61. چالش های ML در Rust
• 62. معرفی crates ML در Rust (مثال: `linfa`)
• 63. مقدمه ای بر الگوریتم های خطی
• 64. رگرسیون خطی
• 65. طبقه بندی خطی
• 66. معرفی الگوریتم های درخت تصمیم
• 67. درختان تصمیم برای طبقه بندی
• 68. درختان تصمیم برای رگرسیون
• 69. مقدمه ای بر ماشین های بردار پشتیبان (SVM)
• 70. مقدمه ای بر شبکه های عصبی
• 71. معرفی crates برای Deep Learning (مثال: `tch-rs`)
• 72. پیاده سازی یک شبکه عصبی ساده
• 73. آموزش و ارزیابی مدل ها
• 74. تقسیم داده ها به مجموعه های آموزش و تست
• 75. معیارهای ارزیابی مدل (دقت، صحت، فراخوانی)
• 76. اعتبارسنجی متقابل (Cross-validation)
• 77. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 78. مقدمه ای بر پردازش زبان طبیعی (NLP) در Rust
• 79. چالش های NLP در Rust
• 80. معرفی crates NLP در Rust
• 81. توکنایز کردن (Tokenization) متن
• 82. حذف کلمات توقف (Stop Word Removal)
• 83. ریشه یابی کلمات (Stemming & Lemmatization)
• 84. مدل های Bag-of-Words
• 85. مدل های TF-IDF
• 86. کار با مدل های زبانی (مانند Word Embeddings)
• 87. مصورسازی ویژگی های متنی
• 88. پیاده سازی یک مدل طبقه بندی متن ساده
• 89. مقدمه ای بر سری های زمانی در Rust
• 90. آشنایی با crates سری های زمانی
• 91. خواندن و نوشتن داده های سری زمانی
• 92. عملیات پایه بر روی سری های زمانی
• 93. تجزیه و تحلیل سری های زمانی (Trend, Seasonality)
• 94. مدل های پیش بینی سری زمانی (ARIMA)
• 95. مصورسازی سری های زمانی
• 96. مقدمه ای بر کار با پایگاه داده در Rust
• 97. اتصال به پایگاه داده های SQL
• 98. خواندن و نوشتن داده از پایگاه داده
• 99. کار با پایگاه داده های NoSQL (مثال: MongoDB)
• 100. مدیریت داده های بزرگ در Rust