کتاب پیاده‌سازی الگوهای طراحی برای سیستم‌های هوش مصنوعی و یادگیری ماشین پیشرفته با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی الگوهای طراحی برای سیستم‌های هوش مصنوعی و یادگیری ماشین پیشرفته

موضوع کلی: برنامه نویسی

موضوع میانی: برنامه‌نویسی شیءگرا (OOP)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر برنامه نویسی شیءگرا (OOP)
• 2. مفاهیم پایه OOP: کلاس‌ها و اشیاء
• 3. انواع داده‌ها و متغیرها در OOP
• 4. اپراتورها در OOP
• 5. دستورات شرطی و حلقه‌ها در OOP
• 6. توابع و متدها در OOP
• 7. مدیریت خطا و استثناها در OOP
• 8. مقدمه‌ای بر زبان‌های برنامه نویسی شیءگرا (مثل پایتون)
• 9. نصب و پیکربندی محیط توسعه (IDE)
• 10. اولین برنامه شیءگرا: ساخت یک کلاس ساده
• 11. آشنایی با مفاهیم کلاس و شیء در عمل
• 12. ویژگی‌ها (Attributes) و رفتارها (Behaviors) در کلاس‌ها
• 13. کنسلکتور (Constructor) و مقداردهی اولیه اشیاء
• 14. مفهوم وراثت (Inheritance)
• 15. وراثت تکسطحی و چندسطحی
• 16. متدهای ویژه (Special Methods) یا Dunder Methods
• 17. مفهوم چندریختی (Polymorphism)
• 18. اورلودینگ متد (Method Overloading)
• 19. اوررایدینگ متد (Method Overriding)
• 20. مفهوم کپسوله‌سازی (Encapsulation)
• 21. سطوح دسترسی (Access Modifiers): عمومی، خصوصی، محافظت شده
• 22. پراپرتی‌ها (Properties) و گترها/سترها (Getters/Setters)
• 23. کلاس‌های انتزاعی (Abstract Classes)
• 24. متدهای انتزاعی (Abstract Methods)
• 25. رابط‌ها (Interfaces)
• 26. کوپلینگ (Coupling) و هاردکدینگ
• 27. دی‌کوپلینگ (Decoupling) و انعطاف‌پذیری کد
• 28. اصول SOLID در طراحی شیءگرا
• 29. اصل تک مسئولیتی (Single Responsibility Principle - SRP)
• 30. اصل باز/بسته (Open/Closed Principle - OCP)
• 31. اصل جایگزینی لیسکوف (Liskov Substitution Principle - LSP)
• 32. اصل جداسازی رابط (Interface Segregation Principle - ISP)
• 33. اصل وارونگی وابستگی (Dependency Inversion Principle - DIP)
• 34. الگوهای طراحی (Design Patterns) چیستند؟
• 35. طبقه‌بندی الگوهای طراحی: ایجاد، ساختاری، رفتاری
• 36. الگوهای طراحی ایجاد (Creational Patterns)
• 37. الگوی Singleton
• 38. الگوی Factory Method
• 39. الگوی Abstract Factory
• 40. الگوی Builder
• 41. الگوی Prototype
• 42. الگوهای طراحی ساختاری (Structural Patterns)
• 43. الگوی Adapter
• 44. الگوی Bridge
• 45. الگوی Composite
• 46. الگوی Decorator
• 47. الگوی Facade
• 48. الگوی Flyweight
• 49. الگوی Proxy
• 50. الگوهای طراحی رفتاری (Behavioral Patterns)
• 51. الگوی Chain of Responsibility
• 52. الگوی Command
• 53. الگوی Interpreter
• 54. الگوی Iterator
• 55. الگوی Mediator
• 56. الگوی Memento
• 57. الگوی Observer
• 58. الگوی State
• 59. الگوی Strategy
• 60. الگوی Template Method
• 61. الگوی Visitor
• 62. کاربرد OOP و الگوهای طراحی در هوش مصنوعی
• 63. مقدمه‌ای بر هوش مصنوعی (AI) و یادگیری ماشین (ML)
• 64. معماری سیستم‌های هوش مصنوعی
• 65. کاربرد OOP در مدل‌های ML
• 66. کلاس‌های داده (Data Classes) برای نمایندگی داده‌ها
• 67. مدیریت ویژگی‌ها (Features) با کلاس‌ها
• 68. کلاس‌های مدل (Model Classes) برای الگوریتم‌های ML
• 69. پیاده‌سازی الگوریتم‌های ML با رویکرد شیءگرا
• 70. مفهوم وراثت در ساخت مدل‌های ML
• 71. استفاده از چندریختی برای پیاده‌سازی الگوریتم‌های متنوع
• 72. کپسوله‌سازی پارامترهای مدل
• 73. الگوهای طراحی برای سیستم‌های ML
• 74. الگوی Factory Method برای ایجاد مدل‌های مختلف
• 75. الگوی Abstract Factory برای ساخت خانواده‌ای از مدل‌ها
• 76. الگوی Builder برای ساخت مدل‌های پیچیده
• 77. الگوی Strategy برای تغییر الگوریتم‌های آموزش
• 78. الگوی Observer برای نظارت بر فرآیند آموزش
• 79. الگوی Decorator برای افزودن قابلیت به مدل‌ها
• 80. الگوی Facade برای ساده‌سازی رابط کاربری ML
• 81. الگوهای طراحی برای داده‌های مصنوعی (Synthetic Data)
• 82. مدیریت داده‌ها با ساختارهای شیءگرا
• 83. الگوهای طراحی برای پیش‌پردازش داده‌ها (Data Preprocessing)
• 84. الگوهای طراحی برای مهندسی ویژگی (Feature Engineering)
• 85. الگوهای طراحی برای ارزیابی مدل (Model Evaluation)
• 86. الگوهای طراحی برای مدیریت پارامترهای هایپر (Hyperparameter Tuning)
• 87. الگوهای طراحی برای استقرار مدل (Model Deployment)
• 88. معماری‌های توزیع شده در ML و نقش OOP
• 89. الگوهای طراحی برای سیستم‌های یادگیری عمیق (Deep Learning)
• 90. استفاده از OOP در چارچوب‌های DL (TensorFlow, PyTorch)
• 91. ساخت کامپوننت‌های قابل استفاده مجدد با OOP
• 92. مدیریت وابستگی‌ها در پروژه‌های ML با الگوهای طراحی
• 93. الگوهای طراحی برای سیستم‌های پردازش زبان طبیعی (NLP)
• 94. الگوهای طراحی برای بینایی ماشین (Computer Vision)
• 95. الگوهای طراحی برای سیستم‌های توصیه‌گر (Recommender Systems)
• 96. الگوهای طراحی برای سیستم‌های یادگیری تقویتی (Reinforcement Learning)
• 97. تست‌نویسی (Testing) و تضمین کیفیت در پروژه‌های ML
• 98. مقدمه‌ای بر تست واحد (Unit Testing)
• 99. مقدمه‌ای بر تست یکپارچه‌سازی (Integration Testing)
• 100. اصول تست در پروژه‌های شیءگرا