کتاب صوتی یادگیری ماشین با جاوا (Machine Learning with Java)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین با جاوا (Machine Learning with Java)

موضوع کلی: برنامه نویسی

موضوع میانی: جاوا (Java)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین
• 2. نصب و پیکربندی محیط توسعه جاوا
• 3. مبانی زبان برنامه‌نویسی جاوا برای یادگیری ماشین
• 4. ساختارهای داده ضروری در جاوا
• 5. الگوریتم‌های پایه‌ای مرتب‌سازی و جستجو
• 6. مفاهیم پایه احتمال و آمار در یادگیری ماشین
• 7. مقدمه‌ای بر جبر خطی برای یادگیری ماشین
• 8. کار با کتابخانه‌های عددی در جاوا (مانند Apache Commons Math)
• 9. آشنایی با کتابخانه Weka برای یادگیری ماشین
• 10. مبانی یادگیری نظارت‌شده
• 11. رگرسیون خطی ساده با جاوا
• 12. رگرسیون خطی چندگانه با جاوا
• 13. ارزیابی مدل‌های رگرسیون
• 14. مقدمه‌ای بر طبقه‌بندی
• 15. رگرسیون لجستیک با جاوا
• 16. ماشین بردار پشتیبان (SVM) با جاوا
• 17. درخت‌های تصمیم با جاوا
• 18. ارزیابی مدل‌های طبقه‌بندی
• 19. ماتریس درهم‌ریختگی (Confusion Matrix)
• 20. دقت، صحت و بازیابی (Precision, Recall)
• 21. امتیاز F1
• 22. مقدمه‌ای بر یادگیری نظارت‌نشده
• 23. خوشه‌بندی K-Means با جاوا
• 24. تحلیل مولفه اصلی (PCA) با جاوا
• 25. کاهش ابعاد داده‌ها
• 26. مقدمه‌ای بر یادگیری تقویتی
• 27. مبانی شبکه‌های عصبی مصنوعی
• 28. معماری پرسپترون تک‌لایه
• 29. آموزش پرسپترون چندلایه
• 30. تابع فعال‌سازی در شبکه‌های عصبی
• 31. پس‌انتشار خطا (Backpropagation)
• 32. بهینه‌سازی پارامترهای شبکه عصبی
• 33. گرادیان کاهشی (Gradient Descent)
• 34. مقدمه‌ای بر یادگیری عمیق
• 35. شبکه‌های عصبی کانولوشنال (CNN) - مبانی
• 36. شبکه‌های عصبی بازگشتی (RNN) - مبانی
• 37. کاربرد CNN در پردازش تصویر
• 38. کاربرد RNN در پردازش زبان طبیعی
• 39. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 40. توکنیزاسیون و حذف کلمات توقف
• 41. مدل‌سازی موضوعی (Topic Modeling)
• 42. تحلیل احساسات (Sentiment Analysis)
• 43. بردارسازی کلمات (Word Embeddings)
• 44. مقدمه‌ای بر توصیه‌گرها (Recommender Systems)
• 45. فیلترینگ مبتنی بر محتوا
• 46. فیلترینگ مشارکتی
• 47. ارزیابی سیستم‌های توصیه‌گر
• 48. مقدمه‌ای بر یادگیری نیمه‌نظارت‌شده
• 49. یادگیری با داده‌های برچسب‌دار و بدون برچسب
• 50. کاربرد یادگیری نیمه‌نظارت‌شده
• 51. مقدمه‌ای بر یادگیری تقویتی عمیق
• 52. یادگیری Q-Learning
• 53. یادگیری Policy Gradients
• 54. مقدمه‌ای بر پردازش داده‌های بزرگ (Big Data)
• 55. مقدمه‌ای بر Spark و Scala برای یادگیری ماشین
• 56. کار با DataFrame در Spark
• 57. ساخت مدل‌های یادگیری ماشین با Spark MLlib
• 58. مقدمه‌ای بر یادگیری ماشین توضیح‌پذیر (XAI)
• 59. تفسیر مدل‌های یادگیری ماشین
• 60. روش‌های LIME و SHAP
• 61. مقدمه‌ای بر یادگیری ماشین در صنعت
• 62. کاربرد یادگیری ماشین در امور مالی
• 63. کاربرد یادگیری ماشین در بازاریابی
• 64. کاربرد یادگیری ماشین در سلامت
• 65. مقدمه‌ای بر یادگیری ماشین ایمن و قابل اعتماد
• 66. ملاحظات اخلاقی در یادگیری ماشین
• 67. حفظ حریم خصوصی در یادگیری ماشین
• 68. مقدمه‌ای بر یادگیری ماشین توزیع‌شده
• 69. آموزش مدل‌ها بر روی چندین ماشین
• 70. بهینه‌سازی ارتباطات در یادگیری ماشین توزیع‌شده
• 71. مقدمه‌ای بر یادگیری ماشین بر روی دستگاه (On-Device ML)
• 72. استفاده از TensorFlow Lite در جاوا
• 73. بهینه‌سازی مدل‌ها برای دستگاه‌های کم‌توان
• 74. مقدمه‌ای بر یادگیری ماشین بدون نظارت پیشرفته
• 75. تشخیص ناهنجاری (Anomaly Detection)
• 76. کشف اتصالات (Association Rule Mining)
• 77. مقدمه‌ای بر پردازش سیگنال در یادگیری ماشین
• 78. تحلیل سری‌های زمانی (Time Series Analysis)
• 79. کاربرد یادگیری ماشین در پیش‌بینی
• 80. مقدمه‌ای بر یادگیری ماشین قابل فهم
• 81. روش‌های بصری‌سازی مدل‌ها
• 82. نمودارهای واریانس-بایاس
• 83. مقدمه‌ای بر یادگیری ماشین برای امنیت سایبری
• 84. تشخیص بدافزار با یادگیری ماشین
• 85. تشخیص نفوذ با یادگیری ماشین
• 86. مقدمه‌ای بر بهینه‌سازی فراپارامترها
• 87. جستجوی شبکه‌ای (Grid Search)
• 88. جستجوی تصادفی (Random Search)
• 89. مقدمه‌ای بر یادگیری ماشین در رباتیک
• 90. کنترل ربات با یادگیری تقویتی
• 91. مسیریابی ربات با یادگیری ماشین
• 92. مقدمه‌ای بر یادگیری ماشین در بازی‌ها
• 93. هوش مصنوعی در بازی‌های ویدئویی
• 94. طراحی عامل‌های یادگیرنده در بازی‌ها
• 95. مقدمه‌ای بر یادگیری ماشین و بلاکچین
• 96. کاربرد یادگیری ماشین در قراردادهای هوشمند
• 97. امنیت قراردادهای هوشمند با یادگیری ماشین
• 98. مقدمه‌ای بر یادگیری ماشین در اینترنت اشیاء (IoT)
• 99. تحلیل داده‌های سنسور با یادگیری ماشین
• 100. پیش‌بینی خرابی تجهیزات در IoT