کتاب Node.js و Machine Learning: استفاده از Node.js برای مدل‌های یادگیری ماشین با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Node.js و Machine Learning: استفاده از Node.js برای مدل‌های یادگیری ماشین

موضوع کلی: برنامه نویسی

موضوع میانی: نود جی‌اس (Node.js)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر برنامه نویسی
• 2. مقدمه ای بر جاوا اسکریپت
• 3. مفاهیم پایه جاوا اسکریپت
• 4. متغیرها و انواع داده در جاوا اسکریپت
• 5. عملگرها در جاوا اسکریپت
• 6. ساختارهای کنترلی (شرطی ها)
• 7. حلقه ها در جاوا اسکریپت
• 8. توابع در جاوا اسکریپت
• 9. شیء گرایی در جاوا اسکریپت
• 10. کلاس ها و وراثت در جاوا اسکریپت
• 11. ماژول ها در جاوا اسکریپت
• 12. مدیریت خطا در جاوا اسکریپت
• 13. برنامه نویسی ناهمزمان (Asynchronous Programming)
• 14. Promises در جاوا اسکریپت
• 15. Async/Await در جاوا اسکریپت
• 16. مقدمه ای بر Node.js
• 17. چرا Node.js؟
• 18. نصب و راه اندازی Node.js
• 19. محیط اجرایی Node.js (V8 Engine)
• 20. مدیریت پکیج ها با npm
• 21. فایل سیستم (fs Module) در Node.js
• 22. ماژول Http در Node.js
• 23. ساخت وب سرور پایه با Node.js
• 24. Express.js: فریمورک وب محبوب Node.js
• 25. نصب و راه اندازی Express.js
• 26. مسیریابی (Routing) در Express.js
• 27. Middleware ها در Express.js
• 28. مدیریت درخواست ها (Request Handling)
• 29. مدیریت پاسخ ها (Response Handling)
• 30. کار با تمپلیت ها (Templating Engines)
• 31. کار با پایگاه داده ها در Node.js
• 32. مقدمه ای بر پایگاه داده های NoSQL (MongoDB)
• 33. اتصال به MongoDB با Mongoose
• 34. عملیات CRUD در MongoDB
• 35. مقدمه ای بر علم داده (Data Science)
• 36. مفاهیم پایه یادگیری ماشین (Machine Learning)
• 37. انواع یادگیری ماشین (نظارت شده، بدون نظارت، تقویتی)
• 38. فرآیند کلی پروژه یادگیری ماشین
• 39. مقدمه ای بر کتابخانه TensorFlow.js
• 40. نصب و راه اندازی TensorFlow.js
• 41. TensorFlow.js: Tensor ها
• 42. عملیات پایه با Tensor ها
• 43. کار با داده های عددی در TensorFlow.js
• 44. بارگذاری و پردازش داده ها
• 45. مقدمه ای بر Dense Layers
• 46. ساخت اولین مدل با TensorFlow.js (Model Building)
• 47. کامپایل کردن مدل (Model Compilation)
• 48. آموزش مدل (Model Training)
• 49. ارزیابی مدل (Model Evaluation)
• 50. پیش بینی با مدل (Model Prediction)
• 51. شبکه های عصبی کانولوشنال (CNN)
• 52. ساخت CNN با TensorFlow.js
• 53. شبکه های عصبی بازگشتی (RNN)
• 54. ساخت RNN با TensorFlow.js
• 55. پردازش زبان طبیعی (NLP) با TensorFlow.js
• 56. کار با مدل های از پیش آموزش دیده (Pre-trained Models)
• 57. تشخیص اشیاء (Object Detection)
• 58. مدل های انتقال یادگیری (Transfer Learning)
• 59. یادگیری تقویتی (Reinforcement Learning)
• 60. مقدمه ای بر محیط های یادگیری تقویتی
• 61. کار با کتابخانه های NLP در Node.js (مانند Natural)
• 62. مفهوم Feature Engineering
• 63. تکنیک های Preprocessing داده ها
• 64. کار با داده های متنی
• 65. کار با داده های تصویری
• 66. مقدمه ای بر Keras.js
• 67. استفاده از Keras.js برای مدل های ML
• 68. ذخیره و بارگذاری مدل ها
• 69. Deploy کردن مدل های ML با Node.js
• 70. ساخت API برای مدل ML
• 71. امنیت در API های ML
• 72. مقیاس پذیری برنامه های Node.js
• 73. مقدمه ای بر Docker
• 74. کانتینرسازی برنامه Node.js با Docker
• 75. Deploy کردن برنامه Node.js و مدل ML با Docker
• 76. مقدمه ای بر Kubernetes
• 77. مدیریت استقرار با Kubernetes
• 78. مانیتورینگ برنامه های Node.js
• 79. لاگینگ (Logging) پیشرفته
• 80. تست نویسی (Testing) در Node.js (Unit Tests, Integration Tests)
• 81. مقدمه ای بر Microservices
• 82. طراحی معماری Microservices با Node.js
• 83. ارتباط بین Microservices (REST, gRPC)
• 84. کار با Message Queues (RabbitMQ, Kafka)
• 85. معرفی ZeroMQ
• 86. امنیت در Microservices
• 87. مدیریت وضعیت (State Management)
• 88. مقدمه ای بر Serverless Computing
• 89. ساخت Serverless Functions با AWS Lambda یا Azure Functions
• 90. کار با Serverless Framework
• 91. مدیریت داده های توزیع شده (Distributed Data)
• 92. مقدمه ای بر Graph Databases
• 93. کار با Neo4j در Node.js
• 94. مقدمه ای بر Blockchain
• 95. امنیت پیشرفته در Node.js
• 96. مفاهیم Encryption و Decryption
• 97. مدیریت Secrets
• 98. پیاده سازی OAuth2 در Node.js
• 99. مقدمه ای بر GraphQL
• 100. ساخت API های GraphQL با Node.js