کتاب Node.js Machine Learning Libraries: کتابخانه‌های یادگیری ماشین در Node.js با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Node.js Machine Learning Libraries: کتابخانه‌های یادگیری ماشین در Node.js

موضوع کلی: برنامه نویسی

موضوع میانی: نود جی‌اس (Node.js)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین
• 2. مقدمه‌ای بر Node.js
• 3. چرا Node.js برای یادگیری ماشین؟
• 4. نصب Node.js و NPM/Yarn
• 5. راه‌اندازی محیط توسعه Node.js
• 6. مبانی Node.js: رویدادها و Callbacks
• 7. مبانی Node.js: Promises و Async/Await
• 8. ماژول‌ها در Node.js
• 9. مدیریت پکیج‌ها با NPM/Yarn
• 10. مقدمه‌ای بر کتابخانه‌های یادگیری ماشین در Node.js
• 11. معرفی TensorFlow.js
• 12. نصب TensorFlow.js
• 13. مبانی TensorFlow.js: Tensors
• 14. عملیات پایه با Tensors
• 15. توابع ریاضی در TensorFlow.js
• 16. ایجاد مدل‌های ساده با TensorFlow.js
• 17. آموزش مدل‌های خطی با TensorFlow.js
• 18. نحوه ذخیره و بارگذاری مدل‌های TensorFlow.js
• 19. معرفی Keras.js (اگرچه کمتر رایج است، برای پوشش جامع)
• 20. مبانی Keras.js
• 21. ایجاد مدل‌های ساده با Keras.js
• 22. آموزش مدل‌های Keras.js
• 23. معرفی Brain.js
• 24. نصب Brain.js
• 25. مبانی Brain.js: شبکه‌های عصبی Feedforward
• 26. آموزش شبکه‌های عصبی با Brain.js
• 27. استفاده از Brain.js برای طبقه‌بندی
• 28. استفاده از Brain.js برای رگرسیون
• 29. مدل‌های پیشرفته‌تر در Brain.js
• 30. معرفی Synaptic
• 31. نصب Synaptic
• 32. مبانی Synaptic: لایه‌ها و نورون‌ها
• 33. ایجاد شبکه‌های عصبی با Synaptic
• 34. آموزش شبکه‌های عصبی با Synaptic
• 35. کاربرد Synaptic در مسائل پیچیده
• 36. جمع‌آوری داده برای یادگیری ماشین
• 37. پیش‌پردازش داده‌ها در Node.js
• 38. پاکسازی داده‌های از دست رفته
• 39. مقیاس‌بندی ویژگی‌ها (Scaling)
• 40. نرمال‌سازی داده‌ها (Normalization)
• 41. رمزگذاری داده‌های دسته‌ای (Categorical Encoding)
• 42. مهندسی ویژگی (Feature Engineering)
• 43. تقسیم داده‌ها به مجموعه‌های آموزشی، اعتبارسنجی و تست
• 44. آشنایی با الگوریتم‌های یادگیری بدون نظارت (Unsupervised Learning)
• 45. خوشه‌بندی (Clustering)
• 46. معرفی K-Means با TensorFlow.js
• 47. پیاده‌سازی K-Means در Node.js
• 48. کاهش ابعاد (Dimensionality Reduction)
• 49. تحلیل مؤلفه‌های اصلی (PCA) با TensorFlow.js
• 50. پیاده‌سازی PCA در Node.js
• 51. آشنایی با الگوریتم‌های یادگیری با نظارت (Supervised Learning)
• 52. رگرسیون خطی (Linear Regression)
• 53. پیاده‌سازی رگرسیون خطی با TensorFlow.js
• 54. رگرسیون لجستیک (Logistic Regression)
• 55. پیاده‌سازی رگرسیون لجستیک با TensorFlow.js
• 56. درختان تصمیم (Decision Trees)
• 57. معرفی کتابخانه‌های مرتبط با درختان تصمیم در Node.js (مثال: `decision-tree-js`)
• 58. ماشین‌های بردار پشتیبان (Support Vector Machines - SVM)
• 59. معرفی کتابخانه‌های مرتبط با SVM در Node.js (مثال: `svmjs`)
• 60. شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks - CNN)
• 61. مبانی CNN
• 62. پیاده‌سازی CNN ساده با TensorFlow.js
• 63. آموزش CNN برای تشخیص تصویر
• 64. کاربرد CNN در مسائل بینایی ماشین
• 65. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNN)
• 66. مبانی RNN
• 67. پیاده‌سازی RNN ساده با TensorFlow.js
• 68. کاربرد RNN در پردازش زبان طبیعی (NLP)
• 69. شبکه‌های عصبی LSTM و GRU
• 70. پیاده‌سازی LSTM/GRU با TensorFlow.js
• 71. پردازش زبان طبیعی (NLP) با Node.js
• 72. مبانی NLP
• 73. توکن‌سازی (Tokenization)
• 74. حذف کلمات پرت (Stop Words Removal)
• 75. ریشه‌یابی کلمات (Stemming) و لماتایزاسیون (Lemmatization)
• 76. مدل‌های Bag-of-Words
• 77. مدل‌های TF-IDF
• 78. کاربرد مدل‌های زبان با TensorFlow.js
• 79. تحلیل احساسات (Sentiment Analysis) با Node.js
• 80. پیاده‌سازی مدل تحلیل احساسات با TensorFlow.js
• 81. سیستم‌های توصیه‌گر (Recommender Systems)
• 82. فیلترینگ مشارکتی (Collaborative Filtering)
• 83. پیاده‌سازی سیستم توصیه‌گر ساده
• 84. یادگیری عمیق (Deep Learning) در Node.js
• 85. مفاهیم پیشرفته شبکه‌های عصبی
• 86. بهینه‌سازها (Optimizers) در TensorFlow.js
• 87. تابع هزینه (Loss Functions)
• 88. معیارهای ارزیابی مدل (Evaluation Metrics)
• 89. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 90. اعتبارسنجی متقابل (Cross-Validation)
• 91. مدیریت Overfitting و Underfitting
• 92. تکنیک‌های Regularization
• 93. تزریق داده (Data Augmentation)
• 94. معرفی مدل‌های از پیش آموزش‌دیده (Pre-trained Models)
• 95. استفاده از مدل‌های از پیش آموزش‌دیده برای Transfer Learning
• 96. کاربرد TensorFlow.js در مرورگر (Client-side ML)
• 97. کاربرد TensorFlow.js در Node.js (Server-side ML)
• 98. استقرار مدل‌های یادگیری ماشین در Node.js
• 99. ساخت API برای مدل‌های ML با Express.js
• 100. ذخیره و بازیابی داده‌ها برای آموزش مداوم