اپلیکیشن اندرویدی فلش‌کارت آموزشی جاوا برای توسعه‌دهندگان Spring Cloud ByteDance AI

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جاوا برای توسعه‌دهندگان Spring Cloud ByteDance AI

موضوع کلی: برنامه نویسی

موضوع میانی: جاوا (Java)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر جاوا و اکوسیستم آن
• 2. مبانی زبان برنامه‌نویسی جاوا
• 3. ساختارهای داده در جاوا
• 4. الگوریتم‌های پایه در جاوا
• 5. برنامه‌نویسی شیءگرا در جاوا
• 6. مفاهیم پیشرفته جاوا
• 7. کار با فایل‌ها و ورودی/خروجی در جاوا
• 8. هندلینگ استثنا در جاوا
• 9. رشته‌ها و کار با آن‌ها در جاوا
• 10. مجموعه‌ها در جاوا (Collections Framework)
• 11. موازی‌سازی و تردها در جاوا
• 12. تست واحد در جاوا (JUnit)
• 13. مقدمه‌ای بر Spring Framework
• 14. اصول طراحی در Spring
• 15. Dependency Injection و IoC در Spring
• 16. Spring Boot: ساخت برنامه‌های مستقل
• 17. پیکربندی برنامه‌های Spring Boot
• 18. Spring Data JPA برای دسترسی به داده
• 19. مدیریت تراکنش‌ها در Spring
• 20. Spring Security: امنیت برنامه‌ها
• 21. مقدمه‌ای بر Microservices
• 22. اصول طراحی Microservices
• 23. ارتباطات بین Microservices
• 24. Spring Cloud: الگوهای Microservices
• 25. Spring Cloud Eureka: کشف سرویس
• 26. Spring Cloud Config: پیکربندی متمرکز
• 27. Spring Cloud Gateway: مدیریت API
• 28. Spring Cloud Circuit Breaker (Resilience4j)
• 29. Spring Cloud Stream: پردازش پیام
• 30. Quartz Scheduler برای زمان‌بندی وظایف
• 31. مقدمه‌ای بر پایگاه داده‌های رابطه‌ای
• 32. طراحی و مدل‌سازی پایگاه داده
• 33. SQL پیشرفته
• 34. مقدمه‌ای بر NoSQL
• 35. MongoDB: پایگاه داده سندگرا
• 36. Redis: حافظه نهان و صف پیام
• 37. اصول RESTful API
• 38. طراحی API با Spring Boot
• 39. مستندسازی API (Swagger/OpenAPI)
• 40. اعتبارسنجی ورودی‌ها در API
• 41. مدیریت خطا در API
• 42. مقدمه‌ای بر Docker
• 43. ساخت Image با Docker
• 44. استقرار برنامه‌ها با Docker Compose
• 45. Kubernetes: مدیریت کانتینرها
• 46. مفاهیم پایه Kubernetes
• 47. Deployments و Services در Kubernetes
• 48. Ingress در Kubernetes
• 49. Helm: مدیریت بسته‌های Kubernetes
• 50. مقدمه‌ای بر ByteDance AI
• 51. مفاهیم یادگیری ماشین
• 52. انواع یادگیری ماشین (نظارت‌شده، بدون نظارت)
• 53. پیش‌پردازش داده‌ها برای AI
• 54. مهندسی ویژگی (Feature Engineering)
• 55. مدل‌های رگرسیون خطی
• 56. مدل‌های طبقه‌بندی (Logistic Regression)
• 57. ماشین‌های بردار پشتیبان (SVM)
• 58. درخت‌های تصمیم
• 59. جنگل‌های تصادفی (Random Forests)
• 60. مدل‌های یادگیری عمیق
• 61. شبکه‌های عصبی کانولوشنال (CNN)
• 62. شبکه‌های عصبی بازگشتی (RNN)
• 63. پردازش زبان طبیعی (NLP)
• 64. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 65. مدل‌های Transformer
• 66. استفاده از LLMs در برنامه‌ها
• 67. Fine-tuning مدل‌های زبانی
• 68. تولید متن با LLMs
• 69. خلاصه‌سازی متن با LLMs
• 70. ترجمه ماشینی با LLMs
• 71. پاسخ به سوالات با LLMs
• 72. تولید کد با LLMs
• 73. مقدمه‌ای بر هوش مصنوعی مولد
• 74. تولید تصویر با AI
• 75. تولید صدا با AI
• 76. تولید ویدئو با AI
• 77. اصول اخلاقی در AI
• 78. حریم خصوصی و امنیت در AI
• 79. سوگیری در مدل‌های AI
• 80. ارزیابی مدل‌های AI
• 81. مقدمه‌ای بر MLOps
• 82. مدیریت چرخه حیات مدل‌های ML
• 83. استقرار مدل‌های ML
• 84. پایش و نگهداری مدل‌های ML
• 85. اتوماسیون در MLOps
• 86. ابزارهای MLOps (Kubeflow, MLflow)
• 87. مقدمه‌ای بر مفاهیم داده‌کاوی
• 88. تکنیک‌های خوشه‌بندی
• 89. قوانین وابستگی (Association Rules)
• 90. پیش‌بینی سری‌های زمانی
• 91. مدل‌سازی پیش‌بینانه
• 92. امنیت در برنامه‌های Microservices
• 93. رمزنگاری در ارتباطات
• 94. مدیریت کلیدها و گواهینامه‌ها
• 95. ملاحظات امنیتی در Spring Cloud
• 96. بهینه‌سازی عملکرد برنامه‌های جاوا
• 97. پروفایلینگ و تحلیل عملکرد
• 98. مدیریت حافظه در جاوا
• 99. Garbage Collection
• 100. مقدمه‌ای بر معماری‌های داده‌محور