کتاب برنامه‌نویسی شیءگرا در حوزه‌های خاص: هوش مصنوعی، یادگیری ماشین با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره برنامه‌نویسی شیءگرا در حوزه‌های خاص: هوش مصنوعی، یادگیری ماشین

موضوع کلی: برنامه نویسی

موضوع میانی: برنامه‌نویسی شیءگرا (OOP)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر برنامه‌نویسی شیءگرا (OOP)
• 2. مفاهیم اصلی OOP
• 3. کلاس‌ها و اشیاء
• 4. خاصیت و متد
• 5. کپسوله‌سازی (Encapsulation)
• 6. انتزاع (Abstraction)
• 7. وراثت (Inheritance)
• 8. چندریختی (Polymorphism)
• 9. دستور زبان زبان‌های برنامه‌نویسی شیءگرا (مانند Python)
• 10. مفاهیم پیشرفته OOP
• 11. کلاس‌های انتزاعی (Abstract Classes)
• 12. اینترفیس‌ها (Interfaces)
• 13. متدهای استاتیک (Static Methods)
• 14. ویژگی‌های استاتیک (Static Properties)
• 15. متدهای ویژه (Special Methods/Magic Methods)
• 16. الگوهای طراحی (Design Patterns)
• 17. الگوی Singleton
• 18. الگوی Factory
• 19. الگوی Builder
• 20. الگوی Observer
• 21. الگوی Strategy
• 22. الگوی Decorator
• 23. الگوی Facade
• 24. الگوی Proxy
• 25. الگوی Command
• 26. الگوی Iterator
• 27. معرفی حوزه هوش مصنوعی (AI)
• 28. مبانی هوش مصنوعی
• 29. یادگیری ماشین (ML) چیست؟
• 30. انواع یادگیری ماشین (نظارت شده، بدون نظارت، تقویتی)
• 31. مبانی ریاضیات برای ML (جبر خطی، حساب دیفرانسیل و انتگرال، آمار و احتمال)
• 32. نصب و راه‌اندازی محیط توسعه
• 33. معرفی Python برای AI/ML
• 34. کتابخانه‌های کلیدی Python (NumPy, Pandas, Matplotlib, Scikit-learn)
• 35. نصب و تنظیم محیط
• 36. اولین گام‌ها با NumPy
• 37. عملیات برداری با NumPy
• 38. عملیات ماتریسی با NumPy
• 39. آرایه‌های چندبعدی در NumPy
• 40. Pandas برای تجزیه و تحلیل داده
• 41. ساختار DataFrame
• 42. عملیات بر روی DataFrame
• 43. خواندن و نوشتن داده (CSV, Excel)
• 44. پاکسازی و آماده‌سازی داده
• 45. Visualizing Data with Matplotlib
• 46. نمودارهای خطی
• 47. نمودارهای پراکندگی
• 48. نمودارهای میله‌ای
• 49. نمودارهای هیستوگرام
• 50. کتابخانه Seaborn برایVisualization
• 51. یادگیری ماشین نظارت شده (Supervised Learning)
• 52. رگرسیون خطی (Linear Regression)
• 53. رگرسیون لجستیک (Logistic Regression)
• 54. ماشین‌های بردار پشتیبان (Support Vector Machines - SVM)
• 55. درخت‌های تصمیم (Decision Trees)
• 56. جنگل‌های تصادفی (Random Forests)
• 57. مدل‌های بوستینگ (Boosting Models - XGBoost, LightGBM)
• 58. دسته‌بندی (Classification)
• 59. معیارهای ارزیابی مدل‌های دسته‌بندی (Accuracy, Precision, Recall, F1-Score)
• 60. ماتریس درهم‌ریختگی (Confusion Matrix)
• 61. اعتبارسنجی متقابل (Cross-Validation)
• 62. یادگیری ماشین بدون نظارت (Unsupervised Learning)
• 63. خوشه‌بندی (Clustering)
• 64. K-Means Clustering
• 65. Hierarchical Clustering
• 66. DBSCAN
• 67. کاهش ابعاد (Dimensionality Reduction)
• 68. تحلیل مؤلفه‌های اصلی (Principal Component Analysis - PCA)
• 69. t-SNE
• 70. یادگیری تقویتی (Reinforcement Learning)
• 71. مفاهیم پایه RL (Agent, Environment, State, Action, Reward)
• 72. الگوریتم‌های Q-Learning
• 73. Deep Q-Networks (DQN)
• 74. مقدمه‌ای بر شبکه‌های عصبی (Neural Networks)
• 75. نورون مصنوعی
• 76. توابع فعال‌سازی (Activation Functions)
• 77. ساختار شبکه‌های عصبی (لایه ورودی، لایه‌های پنهان، لایه خروجی)
• 78. پس‌انتشار خطا (Backpropagation)
• 79. آموزش شبکه‌های عصبی
• 80. شبکه‌های عصبی عمیق (Deep Neural Networks - DNN)
• 81. شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks - CNN)
• 82. کاربرد CNN در بینایی ماشین
• 83. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNN)
• 84. کاربرد RNN در پردازش زبان طبیعی (NLP)
• 85. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 86. واحد بازگشتی دروازه‌ای (GRU)
• 87. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 88. تحلیل احساسات (Sentiment Analysis)
• 89. مدل‌سازی موضوعی (Topic Modeling)
• 90. مدل‌های زبانی (Language Models)
• 91. استفاده از OOP در پیاده‌سازی مدل‌های ML
• 92. طراحی کلاس برای مدل‌های رگرسیون
• 93. طراحی کلاس برای مدل‌های دسته‌بندی
• 94. استفاده از وراثت برای مدل‌های مشابه
• 95. کپسوله‌سازی پارامترهای مدل
• 96. پیاده‌سازی الگوهای طراحی در ML
• 97. الگوی Factory برای ایجاد مدل‌ها
• 98. الگوی Strategy برای الگوریتم‌های بهینه‌سازی
• 99. الگوی Observer برای مانیتورینگ آموزش
• 100. استفاده از OOP در هوش مصنوعی