کتاب Rust and Machine Learning: A Practical Guide to Building Intelligent Systems
, ,

کتاب Rust and Machine Learning: A Practical Guide to Building Intelligent Systems

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000027566 دسته: , , برچسب: , , , , , , , , ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب Rust and Machine Learning: A Practical Guide to Building Intelligent Systems

موضوع کلی: برنامه نویسی

موضوع میانی: راست (Rust)

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. در اینجا 100 سرفصل آموزشی برای "Rust and Machine Learning: A Practical Guide to Building Intelligent Systems" آورده شده است:
  • 2. مقدمه به Rust برای یادگیری ماشین
  • 3. چرا Rust برای یادگیری ماشین؟
  • 4. نصب و پیکربندی Rust
  • 5. مفاهیم اساسی Rust: متغیرها، انواع داده، اپراتورها
  • 6. مفاهیم اساسی Rust: شرط‌ها و حلقه‌ها
  • 7. مفاهیم اساسی Rust: توابع و closureها
  • 8. مفاهیم اساسی Rust: Structها و Enumها
  • 9. مفاهیم اساسی Rust: Traits و Generics
  • 10. مفاهیم اساسی Rust: مدیریت خطا (Error Handling)
  • 11. مفاهیم اساسی Rust: Borrowing و Ownership
  • 12. مفاهیم اساسی Rust: Lifetimes
  • 13. مفاهیم اساسی Rust: Concurrency و Parallelism
  • 14. مفاهیم اساسی Rust: Macroها
  • 15. مقدمه به یادگیری ماشین
  • 16. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
  • 17. مراحل یک پروژه یادگیری ماشین
  • 18. مقدمه به مفاهیم ریاضی در یادگیری ماشین: جبر خطی
  • 19. مقدمه به مفاهیم ریاضی در یادگیری ماشین: حساب دیفرانسیل و انتگرال
  • 20. مقدمه به مفاهیم ریاضی در یادگیری ماشین: احتمال و آمار
  • 21. جمع‌آوری و پیش‌پردازش داده‌ها
  • 22. کاوش داده‌ها (Exploratory Data Analysis – EDA)
  • 23. پاکسازی داده‌ها (Data Cleaning)
  • 24. مقیاس‌بندی و نرمال‌سازی داده‌ها (Scaling and Normalization)
  • 25. مدیریت داده‌های گمشده (Handling Missing Data)
  • 26. مهندسی ویژگی (Feature Engineering)
  • 27. انتخاب ویژگی (Feature Selection)
  • 28. مقدمه به کتابخانه‌های یادگیری ماشین در Rust
  • 29. معرفی به `ndarray` برای محاسبات عددی
  • 30. عملیات پایه با `ndarray`
  • 31. عملیات پیشرفته با `ndarray`: ضرب ماتریس، ترانهاده و غیره
  • 32. معرفی به `linfa` (چارچوب یادگیری ماشین در Rust)
  • 33. نصب و استفاده از `linfa`
  • 34. مقدمه به مدل‌های یادگیری ماشین
  • 35. رگرسیون خطی (Linear Regression)
  • 36. پیاده‌سازی رگرسیون خطی با `ndarray` و `linfa`
  • 37. رگرسیون لجستیک (Logistic Regression)
  • 38. پیاده‌سازی رگرسیون لجستیک با `linfa`
  • 39. طبقه‌بندی‌کننده‌های K-نزدیکترین همسایه (K-Nearest Neighbors – KNN)
  • 40. پیاده‌سازی KNN با `linfa`
  • 41. ماشین‌های بردار پشتیبان (Support Vector Machines – SVM)
  • 42. پیاده‌سازی SVM با `linfa`
  • 43. درختان تصمیم (Decision Trees)
  • 44. پیاده‌سازی درختان تصمیم با `linfa`
  • 45. جنگل‌های تصادفی (Random Forests)
  • 46. پیاده‌سازی جنگل‌های تصادفی با `linfa`
  • 47. گرادیان بوستینگ (Gradient Boosting)
  • 48. پیاده‌سازی گرادیان بوستینگ با `linfa`
  • 49. خوشه‌بندی (Clustering)
  • 50. الگوریتم K-Means
  • 51. پیاده‌سازی K-Means با `linfa`
  • 52. پروتکل‌های یادگیری ماشین
  • 53. ارزیابی مدل (Model Evaluation)
  • 54. معیارهای ارزیابی برای رگرسیون: MSE, RMSE, MAE
  • 55. معیارهای ارزیابی برای طبقه‌بندی: Accuracy, Precision, Recall, F1-Score, AUC
  • 56. اعتبارسنجی متقابل (Cross-Validation)
  • 57. تنظیم ابرپارامترها (Hyperparameter Tuning)
  • 58. روش‌های Grid Search و Random Search
  • 59. یادگیری عمیق (Deep Learning)
  • 60. مقدمه به شبکه‌های عصبی (Neural Networks)
  • 61. مقدمه به تنسورها (Tensors)
  • 62. کتابخانه‌های یادگیری عمیق در Rust
  • 63. معرفی به `tch-rs` (باندل‌های Rust برای PyTorch)
  • 64. نصب و پیکربندی `tch-rs`
  • 65. ساخت شبکه‌های عصبی ساده با `tch-rs`
  • 66. تابع فعال‌سازی (Activation Functions)
  • 67. تابع هزینه (Loss Functions)
  • 68. بهینه‌سازها (Optimizers): SGD, Adam
  • 69. پس‌انتشار خطا (Backpropagation)
  • 70. شبکه‌های عصبی کانولوشنال (Convolutional Neural Networks – CNNs)
  • 71. معماری‌های CNN: LeNet, AlexNet, VGG
  • 72. پیاده‌سازی CNN برای طبقه‌بندی تصاویر با `tch-rs`
  • 73. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks – RNNs)
  • 74. انواع RNN: LSTM, GRU
  • 75. پیاده‌سازی RNN برای پردازش زبان طبیعی (NLP) با `tch-rs`
  • 76. پردازش زبان طبیعی (NLP)
  • 77. مقدمه به NLP
  • 78. توکن‌سازی (Tokenization)
  • 79. مدل‌های Bag-of-Words و TF-IDF
  • 80. تعبیه‌های کلمه (Word Embeddings): Word2Vec, GloVe
  • 81. مدل‌های زبانی (Language Models)
  • 82. معماری‌های ترانسفورمر (Transformer Architectures)
  • 83. پیاده‌سازی مدل‌های ترانسفورمر با `tch-rs`
  • 84. کاربردها: تحلیل احساسات (Sentiment Analysis)
  • 85. کاربردها: ترجمه ماشینی (Machine Translation)
  • 86. کاربردها: خلاصه‌سازی متن (Text Summarization)
  • 87. یادگیری تقویتی (Reinforcement Learning)
  • 88. مفاهیم پایه RL: عامل، محیط، پاداش، حالت
  • 89. الگوریتم‌های Q-Learning
  • 90. الگوریتم‌های Policy Gradients
  • 91. پیاده‌سازی RL با `linfa` یا کتابخانه‌های دیگر
  • 92. کاربردها: بازی‌ها، رباتیک
  • 93. سیستم‌های توصیه‌گر (Recommender Systems)
  • 94. فیلترینگ مبتنی بر محتوا (Content-Based Filtering)
  • 95. فیلترینگ مشارکتی (Collaborative Filtering)
  • 96. مدل‌های ماتریس فاکتورسازی (Matrix Factorization)
  • 97. پیاده‌سازی سیستم‌های توصیه‌گر با `linfa`
  • 98. استقرار مدل‌های یادگیری ماشین
  • 99. ذخیره‌سازی و بارگذاری مدل‌ها
  • 100. ساخت API برای مدل‌ها با Rust

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب Rust and Machine Learning: A Practical Guide to Building Intelligent Systems”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا