دوره Typescript: ساخت یک machine learning model همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Typescript: ساخت یک machine learning model

موضوع کلی: برنامه نویسی

موضوع میانی: تایپ اسکریپت (TypeScript)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین با TypeScript
• 2. نصب و راه‌اندازی محیط توسعه TypeScript
• 3. آشنایی با ساختار داده‌ها در یادگیری ماشین
• 4. بارگذاری و پیش‌پردازش داده‌ها با TypeScript
• 5. کار با آرایه‌ها و ماتریس‌ها در TypeScript
• 6. پیاده‌سازی الگوریتم رگرسیون خطی ساده
• 7. رگرسیون خطی چندمتغیره با TypeScript
• 8. ارزیابی مدل با معیارهای خطا (MSE, MAE, RMSE)
• 9. نرمال‌سازی و استانداردسازی داده‌ها
• 10. الگوریتم نزدیک‌ترین همسایگان (KNN) برای طبقه‌بندی
• 11. پیاده‌سازی KNN از صفر در TypeScript
• 12. آموزش مدل با روش Gradient Descent
• 13. پیاده‌سازی Gradient Descent در TypeScript
• 14. الگوریتم رگرسیون لجستیک برای طبقه‌بندی دودویی
• 15. رگرسیون لجستیک با TypeScript
• 16. مفاهیم دسته‌بندی چندکلاسه
• 17. درخت تصمیم و پیاده‌سازی آن در TypeScript
• 18. جنگل تصادفی و کاربرد آن در طبقه‌بندی
• 19. الگوریتم ماشین بردار پشتیبان (SVM) مقدماتی
• 20. پیاده‌سازی SVM ساده در TypeScript
• 21. خوشه‌بندی با الگوریتم K-Means
• 22. پیاده‌سازی K-Means در TypeScript
• 23. ارزیابی خوشه‌بندی با معیار Silhouette
• 24. کاهش ابعاد با PCA (تحلیل مؤلفه اصلی)
• 25. پیاده‌سازی PCA در TypeScript
• 26. شبکه‌های عصبی مصنوعی مقدماتی
• 27. ساخت یک پرسپترون ساده در TypeScript
• 28. معماری شبکه عصبی با یک لایه پنهان
• 29. فعال‌سازی با سیگموئید و ReLU در TypeScript
• 30. پس‌انتشار خطا (Backpropagation) در TypeScript
• 31. آموزش شبکه عصبی با داده‌های ساده
• 32. استفاده از کتابخانه TensorFlow.js در TypeScript
• 33. ایجاد مدل رگرسیون با TensorFlow.js
• 34. ایجاد مدل طبقه‌بندی با TensorFlow.js
• 35. نرمال‌سازی داده‌ها با TensorFlow.js
• 36. مدل‌های ذخیره و بارگذاری شده در TypeScript
• 37. پیش‌بینی سری‌های زمانی با TypeScript
• 38. پیاده‌سازی میانگین متحرک ساده
• 39. مدل ARIMA مقدماتی در TypeScript
• 40. ارزیابی مدل سری زمانی با خطاهای پیش‌بینی
• 41. مهندسی ویژگی (Feature Engineering) در TypeScript
• 42. مدیریت داده‌های گمشده با TypeScript
• 43. کدگذاری ویژگی‌های دسته‌ای (One-Hot Encoding)
• 44. مقیاس‌سازی ویژگی‌ها برای بهبود عملکرد
• 45. جلوگیری از بیش‌برازش (Overfitting) با Regularization
• 46. پیاده‌سازی L1 و L2 Regularization
• 47. اعتبارسنجی متقابل (Cross-Validation) در TypeScript
• 48. تقسیم داده به آموزش، اعتبارسنجی و تست
• 49. بهینه‌سازی هایپرپارامترها با Grid Search
• 50. بهینه‌سازی هایپرپارامترها با Random Search
• 51. مدل‌های Ensemble: Bagging و Boosting
• 52. پیاده‌سازی AdaBoost ساده در TypeScript
• 53. مدل XGBoost مقدماتی در TypeScript
• 54. پردازش متن برای یادگیری ماشین با TypeScript
• 55. بردارسازی متن با Bag of Words
• 56. بردارسازی متن با TF-IDF در TypeScript
• 57. طبقه‌بندی متن با الگوریتم‌های ساده
• 58. پردازش تصویر مقدماتی در TypeScript
• 59. تبدیل تصویر به داده‌های عددی
• 60. طبقه‌بندی تصاویر با شبکه عصبی ساده
• 61. استفاده از APIهای یادگیری ماشین در TypeScript
• 62. مدل‌های از پیش آموزش‌دیده و استفاده در TypeScript
• 63. پایپلاین یادگیری ماشین در TypeScript
• 64. تست و دیباگ مدل‌های یادگیری ماشین
• 65. معرفی کتابخانه mljs و کاربرد آن
• 66. استفاده از کتابخانه synaptic در TypeScript
• 67. مدل‌های احتمالی: Naive Bayes در TypeScript
• 68. پیاده‌سازی Naive Bayes برای طبقه‌بندی
• 69. خوشه‌بندی سلسله‌مراتبی مقدماتی
• 70. ارزیابی مدل با ماتریس درهم‌ریختگی (Confusion Matrix)
• 71. معیارهای Precision، Recall و F1-Score
• 72. منحنی ROC و AUC در TypeScript
• 73. مدیریت خطاها و استثناها در کد یادگیری ماشین
• 74. بهینه‌سازی عملکرد با حلقه‌ها و آرایه‌ها
• 75. استفاده از Web Workers برای پردازش موازی
• 76. مدل‌های ساده توصیه‌گر (Recommendation) در TypeScript
• 77. پیاده‌سازی فیلتر همکارانه (Collaborative Filtering)
• 78. مدل‌های مبتنی بر محتوا برای توصیه
• 79. ذخیره‌سازی و بارگذاری مدل با JSON
• 80. ایجاد یک API ساده برای سرویس مدل
• 81. تست واحد (Unit Testing) برای کد یادگیری ماشین
• 82. مدیریت وابستگی‌ها با npm در پروژه TypeScript
• 83. مستندسازی کد و مدل با TypeScript
• 84. اشکال‌زدایی با ابزارهای TypeScript
• 85. بهبود دقت مدل با تنظیم هایپرپارامترها
• 86. مدل‌های خطی با Kernel (SVM Kernel) مقدماتی
• 87. خوشه‌بندی DBSCAN و کاربرد آن
• 88. پیاده‌سازی DBSCAN در TypeScript
• 89. پیش‌بینی با مدل‌های ترکیبی (Hybrid Models)
• 90. مرور پروژه نهایی: ساخت یک مدل پیش‌بینی کامل