کتاب TDD و Machine Learning: تست مدل‌های یادگیری ماشین با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره TDD و Machine Learning: تست مدل‌های یادگیری ماشین

موضوع کلی: برنامه نویسی

موضوع میانی: توسعه آزمون‌محور (TDD)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر توسعه آزمون‌محور (TDD)
• 2. اصول کلیدی TDD و چرخه Red-Green-Refactor
• 3. مزایای استفاده از TDD در پروژه‌های یادگیری ماشین
• 4. ابزارهای تست در پایتون برای یادگیری ماشین
• 5. نصب و پیکربندی pytest
• 6. آشنایی با unittest و pytest
• 7. نوشتن اولین تست واحد برای مدل یادگیری ماشین
• 8. تست توابع پیش‌پردازش داده
• 9. تست توابع مهندسی ویژگی
• 10. تست مدل‌های رگرسیون خطی
• 11. تست مدل‌های رگرسیون لجستیک
• 12. تست مدل‌های درخت تصمیم
• 13. تست مدل‌های جنگل تصادفی
• 14. تست مدل‌های ماشین بردار پشتیبان (SVM)
• 15. تست شبکه‌های عصبی ساده با Keras/TensorFlow
• 16. تست توابع ارزیابی مدل
• 17. تست معیارهای ارزیابی (Accuracy, Precision, Recall, F1-score)
• 18. تست اعتبارسنجی متقابل (Cross-Validation)
• 19. تست لوله‌کشی (Pipelines) در scikit-learn
• 20. تست داده‌های نامتعادل (Imbalanced Data)
• 21. تست مقاومت مدل در برابر داده‌های پرت (Outliers)
• 22. تست مدل‌های یادگیری ماشین با استفاده از داده‌های مصنوعی
• 23. تست مدل‌های یادگیری ماشین با استفاده از داده‌های واقعی
• 24. تست مدل‌های یادگیری ماشین در محیط‌های ابری
• 25. تست CI/CD برای مدل‌های یادگیری ماشین
• 26. استفاده از Mocking در تست مدل‌های یادگیری ماشین
• 27. تست یکپارچگی (Integration Testing) مدل‌های یادگیری ماشین
• 28. تست APIهای یادگیری ماشین
• 29. تست عملکرد (Performance Testing) مدل‌های یادگیری ماشین
• 30. تست امنیت (Security Testing) مدل‌های یادگیری ماشین
• 31. تست مدل‌های سری زمانی
• 32. تست مدل‌های پردازش زبان طبیعی (NLP)
• 33. تست مدل‌های بینایی کامپیوتر
• 34. تست مدل‌های یادگیری تقویتی
• 35. تست خودکار مدل‌های یادگیری ماشین
• 36. بهبود پوشش تست در پروژه‌های یادگیری ماشین
• 37. بهینه‌سازی تست‌ها برای سرعت و کارایی
• 38. مستندسازی تست‌های مدل‌های یادگیری ماشین
• 39. بهترین شیوه‌ها در تست مدل‌های یادگیری ماشین