دوره یادگیری ماشین در اپلیکیشن‌های iOS با Core ML و Swift همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین در اپلیکیشن‌های iOS با Core ML و Swift

موضوع کلی: توسعه نرم‌افزار macOS و iOS با Objective-C

موضوع میانی: توسعه اپلیکیشن های مبتنی بر Machine Learning (Core ML)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین در iOS
• 2. معرفی Core ML و مزایای استفاده از آن
• 3. پیش‌نیازهای توسعه با Core ML و Swift
• 4. بررسی ابزارهای توسعه Core ML (Xcode, Create ML)
• 5. آماده‌سازی داده‌ها برای مدل‌های یادگیری ماشین
• 6. فرمت‌های داده پشتیبانی شده توسط Core ML
• 7. ایجاد مدل‌های یادگیری ماشین با Create ML
• 8. آموزش مدل‌های طبقه‌بندی تصویر با Create ML
• 9. آموزش مدل‌های تشخیص شی با Create ML
• 10. آموزش مدل‌های پیش‌بینی متن با Create ML
• 11. آموزش مدل‌های رگرسیون با Create ML
• 12. استفاده از مدل‌های از پیش آموزش‌دیده Core ML
• 13. ادغام مدل Core ML در پروژه Swift
• 14. بارگیری و پیکربندی مدل Core ML
• 15. پیش‌بینی با مدل Core ML در Swift
• 16. مدیریت خطاها و اعتبارسنجی ورودی
• 17. بهینه‌سازی مدل Core ML برای عملکرد بهتر
• 18. کاهش حجم مدل Core ML
• 19. بهینه‌سازی مصرف انرژی مدل Core ML
• 20. استفاده از Core ML در برنامه‌های iOS واقعی
• 21. تشخیص چهره در تصاویر با Core ML
• 22. تشخیص اشیاء در ویدئو با Core ML
• 23. پیش‌بینی قیمت مسکن با Core ML
• 24. طبقه‌بندی ایمیل‌ها با Core ML
• 25. ایجاد فیلترهای واقعیت افزوده با Core ML
• 26. استفاده از Vision Framework با Core ML
• 27. تشخیص متن در تصاویر با Vision و Core ML
• 28. استفاده از Natural Language Processing (NLP) با Core ML
• 29. تحلیل احساسات متن با Core ML
• 30. ترجمه زبان با Core ML
• 31. بررسی APIهای Core ML و Swift
• 32. استفاده از MLMultiArray برای ورودی‌های چندبعدی
• 33. استفاده از MLFeatureProvider برای داده‌های ساختاریافته
• 34. به‌روزرسانی مدل Core ML در اپلیکیشن
• 35. استقرار مدل Core ML در App Store
• 36. تست و دیباگ مدل Core ML
• 37. معرفی Metal Performance Shaders (MPS) برای تسریع Core ML
• 38. ادغام Core ML با ARKit
• 39. ادغام Core ML با SpriteKit
• 40. ادغام Core ML با SceneKit
• 41. کار با مدل‌های سفارشی Core ML
• 42. تبدیل مدل‌های TensorFlow به Core ML
• 43. تبدیل مدل‌های PyTorch به Core ML
• 44. تبدیل مدل‌های scikit-learn به Core ML
• 45. بهبود دقت مدل Core ML با تنظیم پارامترها
• 46. استفاده از Core ML برای یادگیری انتقالی (Transfer Learning)
• 47. معرفی ابزارهای پروفایلینگ Core ML
• 48. بهینه‌سازی مصرف حافظه در Core ML
• 49. بهینه‌سازی سرعت پیش‌بینی در Core ML