دوره یادگیری ماشین با جاوااسکریپت: از صفر تا ساخت مدل‌های کاربردی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین با جاوااسکریپت: از صفر تا ساخت مدل‌های کاربردی

موضوع کلی: یادگیری ماشین

موضوع میانی: برنامه‌نویسی یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و کاربردهای آن
• 2. یادگیری ماشین در مقابل برنامه‌نویسی سنتی
• 3. آشنایی با کتابخانه‌های یادگیری ماشین جاوااسکریپت (TensorFlow.js, Brain.js, ml5.js)
• 4. نصب و راه‌اندازی محیط توسعه برای یادگیری ماشین با جاوااسکریپت
• 5. مبانی ریاضی یادگیری ماشین: آمار و احتمال
• 6. مبانی ریاضی یادگیری ماشین: جبر خطی
• 7. مبانی ریاضی یادگیری ماشین: حساب دیفرانسیل و انتگرال
• 8. پیش‌پردازش داده‌ها: پاکسازی و آماده‌سازی داده‌ها
• 9. ویژگی‌سازی (Feature Engineering)
• 10. نمایش داده‌ها و تجسم‌سازی با جاوااسکریپت
• 11. مقدمه‌ای بر رگرسیون خطی
• 12. پیاده‌سازی رگرسیون خطی با جاوااسکریپت
• 13. ارزیابی مدل‌های رگرسیون
• 14. مقدمه‌ای بر رگرسیون لجستیک
• 15. پیاده‌سازی رگرسیون لجستیک با جاوااسکریپت
• 16. ارزیابی مدل‌های رگرسیون لجستیک
• 17. مقدمه‌ای بر الگوریتم‌های دسته‌بندی
• 18. الگوریتم k-نزدیک‌ترین همسایه (k-NN)
• 19. پیاده‌سازی k-NN با جاوااسکریپت
• 20. ارزیابی مدل‌های k-NN
• 21. درخت‌های تصمیم‌گیری
• 22. پیاده‌سازی درخت‌های تصمیم‌گیری با جاوااسکریپت
• 23. جنگل تصادفی (Random Forest)
• 24. پیاده‌سازی جنگل تصادفی با جاوااسکریپت
• 25. مقدمه‌ای بر خوشه‌بندی
• 26. الگوریتم k-میانگین (k-Means)
• 27. پیاده‌سازی k-Means با جاوااسکریپت
• 28. ارزیابی مدل‌های خوشه‌بندی
• 29. کاهش ابعاد با تحلیل مولفه‌های اصلی (PCA)
• 30. پیاده‌سازی PCA با جاوااسکریپت
• 31. شبکه‌های عصبی مصنوعی (ANN)
• 32. مقدمه‌ای بر TensorFlow.js
• 33. ساخت یک شبکه عصبی ساده با TensorFlow.js
• 34. آموزش و ارزیابی مدل‌های شبکه‌های عصبی
• 35. بهینه‌سازی مدل‌های شبکه‌های عصبی
• 36. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 37. شبکه‌های عصبی پیچشی (CNN) برای پردازش تصویر
• 38. پیاده‌سازی CNN با TensorFlow.js
• 39. شبکه‌های عصبی بازگشتی (RNN) برای پردازش متن
• 40. پیاده‌سازی RNN با TensorFlow.js
• 41. مدل‌های زبانی بزرگ (LLM) و جاوااسکریپت
• 42. کاربرد ml5.js در پروژه‌های یادگیری ماشین
• 43. استفاده از Brain.js برای شبکه‌های عصبی ساده
• 44. استقرار مدل‌های یادگیری ماشین در مرورگر
• 45. استقرار مدل‌های یادگیری ماشین در Node.js
• 46. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 47. پیاده‌سازی یک عامل یادگیری تقویتی ساده با جاوااسکریپت
• 48. ملاحظات اخلاقی در یادگیری ماشین
• 49. تفسیرپذیری مدل‌های یادگیری ماشین
• 50. بهبود عملکرد مدل‌های یادگیری ماشین
• 51. نگهداری و به‌روزرسانی مدل‌های یادگیری ماشین