دوره جاوا برای توسعه‌دهندگان Scikit-learn همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جاوا برای توسعه‌دهندگان Scikit-learn

موضوع کلی: برنامه نویسی

موضوع میانی: جاوا (Java)

📋 سرفصل‌های دوره

• 1. مبانی جاوا
• 2. نصب و پیکربندی JDK و IDE (IntelliJ IDEA/Eclipse)
• 3. ساختار اولیه برنامه جاوا: کلاس، متد main
• 4. انواع داده‌های اولیه (primitive data types) در جاوا
• 5. متغیرها و عملگرها در جاوا
• 6. ورودی و خروجی در جاوا (System.in و System.out)
• 7. عبارات شرطی (if, else, switch)
• 8. حلقه‌ها (for, while, do-while)
• 9. آرایه‌ها در جاوا (Arrays)
• 10. رشته‌ها در جاوا (Strings)
• 11. متدها در جاوا (Methods)
• 12. مفهوم شیء گرایی (Object-Oriented Programming)
• 13. کلاس‌ها و اشیاء (Classes and Objects)
• 14. سازنده‌ها (Constructors)
• 15. وراثت (Inheritance)
• 16. چندریختی (Polymorphism)
• 17. کلاس‌های انتزاعی (Abstract Classes)
• 18. اینترفیس‌ها (Interfaces)
• 19. پکیج‌ها (Packages)
• 20. مدیریت خطا و استثناها (Exception Handling)
• 21. بلوک try-catch-finally
• 22. انواع استثناها (Checked vs. Unchecked Exceptions)
• 23. ایجاد استثناهای سفارشی (Custom Exceptions)
• 24. مقدمه‌ای بر Collection Framework
• 25. لیست‌ها (Lists)
• 26. مجموعه‌ها (Sets)
• 27. نگاشت‌ها (Maps)
• 28. Iteratorها
• 29. Generics (نوع‌های عمومی)
• 30. فایل‌ها و جریان‌ها (Files and Streams)
• 31. خواندن و نوشتن فایل‌ها
• 32. جریان‌های ورودی و خروجی
• 33. Serialisation و Deserialisation
• 34. Threads (مفهوم ریسه‌ها)
• 35. ایجاد و مدیریت ریسه‌ها
• 36. همگام‌سازی ریسه‌ها (Synchronization)
• 37. Deadlock و Race Condition
• 38. مقدمه‌ای بر Maven/Gradle (مدیریت وابستگی‌ها)
• 39. ساخت پروژه با Maven/Gradle
• 40. افزودن وابستگی‌ها به پروژه
• 41. مقدمه‌ای بر Git (کنترل نسخه)
• 42. ایجاد Repository
• 43. Commit، Push، Pull
• 44. Branches و Merging
• 45. آشنایی با Scikit-learn
• 46. نصب Scikit-learn
• 47. مفاهیم پایه‌ای یادگیری ماشین
• 48. انواع الگوریتم‌های یادگیری ماشین
• 49. داده‌های آموزشی و آزمایشی
• 50. پیش پردازش داده (Data Preprocessing)
• 51. مقیاس‌بندی داده (Scaling)
• 52. نرمال‌سازی داده (Normalization)
• 53. کدگذاری داده‌های دسته‌ای (Categorical Encoding)
• 54. تکمیل داده‌های از دست رفته (Missing Value Imputation)
• 55. ویژگی‌های داده (Feature Engineering)
• 56. انتخاب ویژگی (Feature Selection)
• 57. کاهش ابعاد (Dimensionality Reduction)
• 58. الگوریتم‌های رگرسیون (Regression) در Scikit-learn
• 59. رگرسیون خطی (Linear Regression)
• 60. رگرسیون چندجمله‌ای (Polynomial Regression)
• 61. رگرسیون لجستیک (Logistic Regression)
• 62. الگوریتم‌های طبقه‌بندی (Classification) در Scikit-learn
• 63. ماشین بردار پشتیبان (Support Vector Machine - SVM)
• 64. درخت تصمیم (Decision Tree)
• 65. جنگل تصادفی (Random Forest)
• 66. K-نزدیک‌ترین همسایه (K-Nearest Neighbors - KNN)
• 67. الگوریتم‌های خوشه‌بندی (Clustering) در Scikit-learn
• 68. K-Means
• 69. خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
• 70. DBSCAN
• 71. ارزیابی مدل (Model Evaluation)
• 72. معیارهای ارزیابی رگرسیون (MSE, R-squared)
• 73. معیارهای ارزیابی طبقه‌بندی (Accuracy, Precision, Recall, F1-score)
• 74. ماتریس درهم‌ریختگی (Confusion Matrix)
• 75. اعتبارسنجی متقابل (Cross-Validation)
• 76. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 77. جستجوی شبکه‌ای (Grid Search)
• 78. جستجوی تصادفی (Random Search)
• 79. Pipelines در Scikit-learn
• 80. ساخت Pipelines
• 81. استفاده از Transformers در Pipelines
• 82. ذخیره و بارگیری مدل (Model Persistence)
• 83. استفاده از Pickle
• 84. استفاده از Joblib
• 85. ادغام جاوا و Scikit-learn
• 86. استفاده از کتابخانه‌های جاوا برای خواندن و نوشتن فایل‌های داده
• 87. استفاده از JNI (Java Native Interface) برای فراخوانی کد C/C++
• 88. استفاده از Jython برای ادغام کد پایتون در جاوا
• 89. استفاده از پیش‌بینی‌های Scikit-learn در برنامه‌های جاوا
• 90. ساخت یک API REST برای مدل Scikit-learn با Spring Boot
• 91. ارسال درخواست‌ها به API
• 92. دریافت پاسخ‌ها و استفاده از آن‌ها
• 93. پیاده‌سازی یک برنامه کاربردی جاوا که از مدل Scikit-learn استفاده می‌کند
• 94. نمونه پروژه: پیش‌بینی قیمت مسکن
• 95. نمونه پروژه: تشخیص ایمیل‌های اسپم
• 96. نمونه پروژه: طبقه‌بندی تصاویر
• 97. بهینه‌سازی عملکرد مدل‌های Scikit-learn در جاوا
• 98. استفاده از الگوریتم‌های بهینه‌سازی حافظه
• 99. موازی‌سازی محاسبات
• 100. استفاده از کتابخانه‌های بومی جاوا برای محاسبات سریع‌تر