کتاب NewsReX: ساخت یک سیستم توصیه‌گر خبری سریع و کارآمد با Keras 3 و JAX با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره NewsReX: ساخت یک سیستم توصیه‌گر خبری سریع و کارآمد با Keras 3 و JAX

موضوع کلی: یادگیری ماشین و پردازش زبان طبیعی

موضوع میانی: سیستم‌های توصیه‌گر خبری

📋 سرفصل‌های دوره

• 1. معرفی دوره: ساخت سیستم توصیه‌گر خبری NewsReX
• 2. اهمیت سیستم‌های توصیه‌گر خبری در دنیای امروز
• 3. مروری بر چالش‌ها و فرصت‌ها در توصیه‌ خبر
• 4. آشنایی با مفاهیم پایه‌ای یادگیری ماشین برای توصیه‌گرها
• 5. یادگیری نظارت‌شده، نظارت‌نشده و تقویتی در توصیه‌گرها
• 6. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 7. نقش NLP در درک محتوای خبری
• 8. آشنایی با محیط توسعه و ابزارهای مورد نیاز (Python)
• 9. نصب و راه‌اندازی Keras 3 و JAX
• 10. ساختار کلی سیستم‌های توصیه‌گر
• 11. انواع سیستم‌های توصیه‌گر: محتوامحور، همکارانه، ترکیبی
• 12. سیستم‌های توصیه‌گر مبتنی بر محتوا (Content-Based)
• 13. سیستم‌های توصیه‌گر مبتنی بر فیلترینگ همکارانه (Collaborative Filtering)
• 14. ماتریس‌های تعامل کاربر-خبر و چالش تنکی (Sparsity)
• 15. روش‌های کلاسیک کاهش ابعاد (SVD، PCA) در توصیه‌گرها
• 16. معرفی سیستم‌های توصیه‌گر مبتنی بر یادگیری عمیق
• 17. چالش‌های خاص توصیه‌ خبر: تازگی، پویایی، سوگیری
• 18. درک ساختار داده‌های خبری: عنوان، متن، دسته، متا دیتا
• 19. منابع داده برای سیستم‌های توصیه‌گر خبری (عمومی و داخلی)
• 20. جمع‌آوری و پاکسازی داده‌های خبری
• 21. توکنایزیشن (Tokenization) متن خبر
• 22. نرمال‌سازی و استانداردسازی متن (Lemmatization, Stemming)
• 23. حذف کلمات توقف (Stop Words Removal) و عبارات بی‌معنی
• 24. مدیریت کلمات خارج از واژگان (OOV)
• 25. پدینگ (Padding) و ترانکیت کردن (Truncating) توالی‌ها
• 26. رمزگذاری ویژگی‌های دسته‌بندی (Categorical Features Encoding)
• 27. ساخت مجموعه داده‌های آموزش، اعتبارسنجی و تست
• 28. مفاهیم اولیه Word Embeddings
• 29. مدل Word2Vec (Skip-gram, CBOW) و کاربرد آن در اخبار
• 30. GloVe و FastText برای نمایش کلمات
• 31. مقدمه‌ای بر Embeddings مبتنی بر ترنسفورمر (BERT, RoBERTa)
• 32. استفاده از Embeddings از پیش آموزش‌دیده برای اخبار
• 33. ساختار و نحوه آموزش Embeddings برای کلمات و اسناد خبری
• 34. Embeddings برای کاربران و تعاملات آن‌ها
• 35. نمایش جامع خبر: ترکیب Embeddings متنی و متا دیتا
• 36. نمایش جامع کاربر: ترکیب تاریخچه تعامل و ویژگی‌ها
• 37. چالش نمایش پویا در محیط خبری
• 38. فلسفه و معماری Keras 3
• 39. Keras 3: یک API یکپارچه برای بک‌اندهای مختلف
• 40. انتخاب و پیکربندی بک‌اند (TensorFlow, PyTorch, JAX)
• 41. ساخت مدل‌های ترتیبی (Sequential API) در Keras 3
• 42. ساخت مدل‌های تابعی (Functional API) برای معماری‌های پیچیده
• 43. لایه‌های رایج در Keras 3 (Dense, Embedding, LSTM, GRU, Conv1D)
• 44. تعریف توابع ضرر (Loss Functions) و بهینه‌سازها (Optimizers)
• 45. آموزش مدل‌ها (model.fit) و کال‌بک‌ها (Callbacks)
• 46. ذخیره و بارگذاری مدل‌های Keras 3
• 47. سفارشی‌سازی لایه‌ها و مدل‌ها در Keras 3
• 48. JAX چیست؟ محاسبات عددی با کارایی بالا
• 49. تفاوت JAX با NumPy: JIT Compilation و AutoDiff
• 50. JAX NumPy: استفاده از توابع NumPy با قدرت JAX
• 51. تحول توابع در JAX: `jax.jit` برای کامپایل لحظه‌ای
• 52. `jax.grad` برای مشتق‌گیری خودکار
• 53. `jax.vmap` برای موازی‌سازی خودکار بر روی دسته‌ها (Batching)
• 54. `jax.pmap` برای موازی‌سازی بر روی چندین دستگاه (GPU/TPU)
• 55. استفاده از XLA (Accelerated Linear Algebra) در JAX
• 56. مدیریت وضعیت و تصادفی بودن در JAX (PRNGKey)
• 57. مزایای JAX برای یادگیری عمیق و مدل‌های بزرگ
• 58. Keras 3 با بک‌اند JAX: راه‌اندازی و تنظیمات
• 59. مزایای استفاده از JAX به عنوان بک‌اند Keras 3
• 60. نوشتن لایه‌ها و مدل‌های سفارشی Keras با توابع JAX
• 61. بهره‌گیری از قابلیت `jax.jit` در آموزش Keras
• 62. بهینه‌سازی عملکرد با `jax.vmap` و `jax.pmap` در Keras 3
• 63. ردیابی و پروفایل‌سازی عملکرد مدل در Keras/JAX
• 64. مقایسه عملکرد Keras با بک‌اند JAX در مقابل سایر بک‌‌اندها
• 65. مدیریت حافظه در Keras 3 با بک‌اند JAX
• 66. استراتژی‌های توزیع شده برای آموزش (Distributed Training)
• 67. چالش‌ها و نکات عملی در ترکیب Keras 3 و JAX
• 68. مروری بر معماری NewsReX: ایده‌های اصلی مقاله
• 69. بخش Encoder خبر: پردازش متن و ویژگی‌های خبر
• 70. بخش Encoder کاربر: مدل‌سازی تاریخچه تعاملات کاربر
• 71. ترکیب اطلاعات خبر و کاربر: لایه Attention
• 72. معرفی لایه‌های Self-Attention و Multi-Head Attention
• 73. مکانیزم توجه در سیستم‌های توصیه‌گر خبری
• 74. لایه تجمیع (Aggregation Layer) برای تولید بردار کاربری
• 75. لایه پیش‌بینی (Prediction Layer) برای امتیازدهی خبر
• 76. طراحی تابع ضرر (Loss Function) مناسب برای توصیه‌ خبر
• 77. مدل‌سازی تازگی خبر و تأثیر آن بر توصیه
• 78. مدیریت اخبار جدید (Cold Start News Problem)
• 79. مدیریت کاربران جدید (Cold Start User Problem)
• 80. معماری کامل NewsReX: از ورودی تا خروجی
• 81. آماده‌سازی داده‌ها برای آموزش مدل NewsReX
• 82. پیاده‌سازی Encoder خبر در Keras 3 (با JAX backend)
• 83. پیاده‌سازی Encoder کاربر در Keras 3 (با JAX backend)
• 84. پیاده‌سازی مکانیزم Attention در Keras 3
• 85. اتصال اجزا و ساخت مدل NewsReX end-to-end
• 86. آموزش مدل NewsReX: جزئیات پارامترها و هایپرپارامترها
• 87. تکنیک‌های کاهش زمان آموزش با JAX: XLA Compilation
• 88. بهینه‌سازی مصرف حافظه: استفاده از fp16 (Mixed Precision)
• 89. استراتژی‌های زمان‌بندی نرخ یادگیری (Learning Rate Scheduling)
• 90. نظارت بر فرآیند آموزش و شناسایی گلوگاه‌ها
• 91. معیارهای ارزیابی سیستم‌های توصیه‌گر (Precision, Recall, NDCG, MAP)
• 92. ارزیابی آفلاین (Offline Evaluation) مدل NewsReX
• 93. پیاده‌سازی استراتژی‌های نمونه‌برداری منفی (Negative Sampling)
• 94. بهینه‌سازی مدل برای سرعت و مقیاس‌پذیری
• 95. استقرار مدل NewsReX برای توصیه‌های بلادرنگ (Real-time)
• 96. مفاهیم A/B Testing برای سیستم‌های توصیه‌گر
• 97. شخصی‌سازی پیشرفته و توصیه‌های پویا
• 98. جنبه‌های اخلاقی و سوگیری در سیستم‌های توصیه‌گر خبری
• 99. روندهای آینده در سیستم‌های توصیه‌گر خبری و JAX/Keras
• 100. جمع‌بندی دوره و گام‌های بعدی