کتاب کار با انواع داده های جدول (Table Data Types) در کاتلین با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کار با انواع داده های جدول (Table Data Types) در کاتلین

موضوع کلی: برنامه نویسی

موضوع میانی: کاتلین (Kotlin)

📋 سرفصل‌های دوره

• 1. آشنایی با انواع داده‌های جدول در کاتلین
• 2. تعریف ساختار داده‌های جدول
• 3. کار با آرایه‌ها در کاتلین
• 4. کار با لیست‌ها در کاتلین
• 5. کار با مجموعه‌ها (Sets) در کاتلین
• 6. کار با نقشه‌ها (Maps) در کاتلین
• 7. اصول اولیه کار با داده‌های جدولی
• 8. ذخیره‌سازی داده‌های جدول در حافظه
• 9. خواندن داده‌های جدول از منابع خارجی
• 10. نوشتن داده‌های جدول در فایل‌ها
• 11. کار با فایل‌های CSV
• 12. کار با فایل‌های JSON
• 13. کار با فایل‌های XML
• 14. فیلتر کردن داده‌های جدول
• 15. مرتب‌سازی داده‌های جدول
• 16. دسته‌بندی داده‌های جدول
• 17. تجمیع داده‌های جدول
• 18. محاسبه آمارهای توصیفی
• 19. میانگین، میانه و مد در داده‌های جدول
• 20. انحراف معیار و واریانس
• 21. تحلیل داده‌های پرت
• 22. نمایش بصری داده‌های جدول
• 23. نمودارهای میله‌ای
• 24. نمودارهای خطی
• 25. نمودارهای پراکندگی
• 26. نمودارهای دایره‌ای
• 27. کار با کتابخانه‌های رسم نمودار در کاتلین
• 28. مقدمه‌ای بر پردازش داده‌های بزرگ
• 29. مفاهیم اولیه پایگاه داده
• 30. کار با پایگاه داده‌های رابطه‌ای
• 31. اصول SQL
• 32. کوئری‌نویسی پایه در SQL
• 33. فیلتر کردن داده‌ها با WHERE
• 34. مرتب‌سازی نتایج با ORDER BY
• 35. تجمیع داده‌ها با GROUP BY
• 36. اتصال جداول با JOIN
• 37. مقدمه‌ای بر NoSQL
• 38. انواع پایگاه داده‌های NoSQL
• 39. کار با پایگاه داده‌های کلید-مقدار
• 40. کار با پایگاه داده‌های سندی
• 41. کار با پایگاه داده‌های ستونی
• 42. کار با پایگاه داده‌های گراف
• 43. امنیت داده‌ها در پایگاه داده
• 44. پشتیبان‌گیری و بازیابی داده‌ها
• 45. اصول طراحی پایگاه داده
• 46. نرمال‌سازی پایگاه داده
• 47. مقدمه‌ای بر داده‌کاوی
• 48. انواع الگوریتم‌های داده‌کاوی
• 49. یادگیری نظارت شده
• 50. یادگیری نظارت نشده
• 51. طبقه‌بندی (Classification)
• 52. رگرسیون (Regression)
• 53. خوشه‌بندی (Clustering)
• 54. قوانین وابستگی (Association Rules)
• 55. تشخیص ناهنجاری (Anomaly Detection)
• 56. ارزیابی مدل‌های داده‌کاوی
• 57. مقدمه‌ای بر هوش مصنوعی
• 58. مقدمه‌ای بر یادگیری ماشین
• 59. انواع مدل‌های یادگیری ماشین
• 60. شبکه‌های عصبی مصنوعی
• 61. یادگیری عمیق (Deep Learning)
• 62. پردازش زبان طبیعی (NLP)
• 63. بینایی ماشین (Computer Vision)
• 64. مقدمه‌ای بر تحلیل آماری پیشرفته
• 65. آزمون فرض آماری
• 66. رگرسیون خطی چندگانه
• 67. تحلیل سری‌های زمانی
• 68. تکنیک‌های کاهش ابعاد
• 69. تحلیل مؤلفه‌های اصلی (PCA)
• 70. تجزیه مقادیر منفرد (SVD)
• 71. کار با داده‌های مکانی
• 72. سیستم‌های اطلاعات جغرافیایی (GIS)
• 73. مقدمه‌ای بر پردازش داده‌های جریانی
• 74. معماری سیستم‌های پردازش داده‌های جریانی
• 75. ابزارهای پردازش داده‌های جریانی
• 76. کار با Apache Kafka
• 77. کار با Apache Spark Streaming
• 78. کار با Apache Flink
• 79. اصول مهندسی داده
• 80. خطوط لوله داده (Data Pipelines)
• 81. مدیریت کلان داده (Big Data Management)
• 82. کیفیت داده‌ها (Data Quality)
• 83. حاکمیت داده‌ها (Data Governance)
• 84. مقدمه‌ای بر حریم خصوصی داده‌ها
• 85. قوانین و مقررات مرتبط با داده‌ها
• 86. اصول حفاظت از داده‌ها
• 87. رمزنگاری داده‌ها
• 88. مقدمه‌ای بر پردازش موازی
• 89. مفاهیم موازی‌سازی
• 90. الگوهای موازی‌سازی
• 91. مقدمه‌ای بر محاسبات توزیع شده
• 92. معماری‌های محاسبات توزیع شده
• 93. فریم‌ورک‌های محاسبات توزیع شده
• 94. کار با Apache Hadoop
• 95. کار با Apache Spark
• 96. مقدمه‌ای بر یادگیری تقویتی
• 97. کاربردهای یادگیری تقویتی
• 98. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 99. الگوریتم‌های سیستم‌های توصیه‌گر
• 100. ارزیابی سیستم‌های توصیه‌گر