دوره کدنویسی تمیز در یادگیری ماشین (Machine Learning) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کدنویسی تمیز در یادگیری ماشین (Machine Learning)

موضوع کلی: برنامه نویسی

موضوع میانی: کدنویسی تمیز (Clean Code)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و نیاز به کد تمیز
• 2. اهمیت خوانایی و نگهداری کد در پروژه‌های ML
• 3. اصول SOLID در کدنویسی تمیز
• 4. اصل مسئولیت واحد (SRP) و کاربرد آن در ML
• 5. اصل باز و بسته (OCP) و مدولار بودن کد ML
• 6. اصل جایگزینی لیسکوف (LSP) در توابع و کلاس‌های ML
• 7. اصل تفکیک واسط (ISP) و طراحی APIهای ML
• 8. اصل وارونگی وابستگی (DIP) در معماری پروژه‌های ML
• 9. نام‌گذاری معنی‌دار متغیرها، توابع و کلاس‌ها
• 10. انتخاب نام‌های توصیفی برای مجموعه داده‌ها
• 11. نام‌گذاری مناسب برای پارامترهای مدل و هایپرپارامترها
• 12. نام‌گذاری متدهای پردازش داده و آموزش مدل
• 13. نام‌گذاری واضح برای اجزای معماری ML
• 14. اهمیت فرمت‌بندی کد یکسان و خوانا
• 15. استفاده از Indentation و Whitespace صحیح
• 16. قوانین استاندارد برای طول خطوط کد
• 17. دسته‌بندی منطقی کد با کامنت‌ها و جداکننده‌ها
• 18. اهمیت کامنت‌نویسی موثر و هدفمند
• 19. کامنت‌گذاری برای توضیح دلایل پیچیدگی‌های کد
• 20. نوشتن کامنت برای بخش‌های غیر بدیهی منطق ML
• 21. استفاده از کامنت برای مستندسازی APIها و توابع
• 22. پرهیز از کامنت‌های زائد و تکراری
• 23. مدیریت خطاها و استثناها در پروژه‌های ML
• 24. نوشتن توابع مدیریت خطا قابل استفاده مجدد
• 25. مدیریت خطاهای ورودی داده و اعتبارسنجی
• 26. مدیریت خطاهای آموزش مدل و همگرایی
• 27. مدیریت خطاهای پیش‌بینی و ارزیابی
• 28. اهمیت ماژولار کردن و تفکیک کد
• 29. تقسیم کد به توابع کوچک و با مسئولیت مشخص
• 30. ایجاد کلاس‌های هدفمند برای هر بخش از سیستم ML
• 31. استفاده از پکیج‌ها و ماژول‌ها برای سازماندهی کد
• 32. طراحی APIهای داخلی ماژول‌ها
• 33. مدیریت وابستگی‌ها و ماژول‌های خارجی
• 34. مقدمه‌ای بر الگوهای طراحی (Design Patterns) در ML
• 35. الگوی کارخانه (Factory Pattern) برای ایجاد اشیاء ML
• 36. الگوی استراتژی (Strategy Pattern) برای الگوریتم‌های مختلف
• 37. الگوی مشاهده‌گر (Observer Pattern) برای مانیتورینگ آموزش
• 38. الگوی تزئین‌کننده (Decorator Pattern) برای افزودن قابلیت‌ها
• 39. الگوی سازنده (Builder Pattern) برای ساخت مدل‌های پیچیده
• 40. بررسی و نقد کد (Code Review) و اهمیت آن
• 41. فرآیند Code Review و ابزارهای کمکی
• 42. چک‌لیست‌های Code Review برای پروژه‌های ML
• 43. یادگیری از بازخوردهای Code Review
• 44. پیاده‌سازی بازخوردها و بهبود کد
• 45. تست‌نویسی در یادگیری ماشین
• 46. اهمیت تست واحد (Unit Testing) برای توابع ML
• 47. نوشتن تست برای پردازش داده و پیش‌پردازش
• 48. تست برای توابع محاسبه معیار ارزیابی
• 49. تست برای منطق آموزش و به‌روزرسانی مدل
• 50. تست برای اعتبارسنجی ورودی و خروجی
• 51. تست ادغام (Integration Testing) برای اجزای سیستم ML
• 52. تست End-to-End برای کل پایپ‌لاین ML
• 53. مقدمه‌ای بر توسعه مبتنی بر تست (TDD) در ML
• 54. پیاده‌سازی TDD برای بخش‌های حیاتی مدل
• 55. نوشتن تست قبل از پیاده‌سازی منطق ML
• 56. اصول Refactoring برای بهبود کیفیت کد
• 57. شناسایی بخش‌های نیازمند Refactoring
• 58. تکنیک‌های Refactoring رایج در Python (برای ML)
• 59. Refactoring توابع و کلاس‌های طولانی
• 60. Refactoring کد تکراری (Duplication)
• 61. مدیریت پیکربندی (Configuration) در پروژه‌های ML
• 62. استفاده از فایل‌های پیکربندی (JSON, YAML)
• 63. مدیریت پارامترهای آموزش و هایپرپارامترها
• 64. مدیریت مسیرهای فایل و داده‌ها
• 65. پیکربندی محیط‌های توسعه و اجرا
• 66. اصول Git و مدیریت نسخه در پروژه‌های ML
• 67. ایجاد ساختار پروژه‌ای منظم با Git
• 68. استفاده از Branching و Merging موثر
• 69. نوشتن Commit Messageهای معنی‌دار
• 70. مدیریت Pull Request و Code Review در Git
• 71. حل تعارضات (Conflicts) در Git
• 72. مستندسازی پروژه ML (Documentation)
• 73. نوشتن README.md جامع
• 74. مستندسازی توابع و کلاس‌ها (Docstrings)
• 75. ایجاد مستندات API
• 76. استفاده از ابزارهای تولید مستندات (Sphinx)
• 77. اهمیت مستندسازی برای همکاری و نگهداری
• 78. بهینه‌سازی عملکرد کد (Performance Optimization)
• 79. شناسایی Bottlenecks در کد ML
• 80. استفاده از ابزارهای Profiling
• 81. بهینه‌سازی پردازش داده و بارگذاری
• 82. بهینه‌سازی آموزش مدل
• 83. بهینه‌سازی محاسبات برداری و ماتریسی (NumPy, SciPy)
• 84. نکات پیشرفته در کدنویسی تمیز برای ML
• 85. مدیریت مجموعه داده‌های بزرگ
• 86. استفاده از Generatorها و Iteratorها
• 87. طراحی مدل‌های ماژولار با قابلیت تنظیم مجدد
• 88. مدیریت آزمایش‌ها (Experiment Management)
• 89. ردیابی هایپرپارامترها و نتایج
• 90. استفاده از ابزارهای MLflow یا TensorBoard
• 91. اهمیت کد قابل تکرار (Reproducible Code)
• 92. تضمین تکرارپذیری نتایج آزمایش‌ها
• 93. مدیریت Seedهای تصادفی
• 94. پکیج‌بندی و توزیع مدل‌های ML
• 95. آماده‌سازی کد برای استقرار (Deployment)
• 96. استفاده از Docker برای محیط‌های قابل حمل
• 97. اصول کدنویسی تمیز در فریم‌ورک‌های ML (TensorFlow, PyTorch)
• 98. نکات کدنویسی تمیز در کتابخانه‌های پردازش داده (Pandas, Dask)
• 99. چالش‌های کدنویسی تمیز در یادگیری عمیق
• 100. مدیریت کدنویسی در تیم‌های بزرگ ML