کتاب پایه‌های برنامه‌نویسی شیءگرا برای پیاده‌سازی یادگیری ماشین با پایتون با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پایه‌های برنامه‌نویسی شیءگرا برای پیاده‌سازی یادگیری ماشین با پایتون

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین با زبان‌های برنامه‌نویسی شیءگرا

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر برنامه‌نویسی شیءگرا و یادگیری ماشین
  • 2. مروری بر پایتون برای یادگیری ماشین
  • 3. مفاهیم اساسی برنامه‌نویسی شیءگرا: کلاس‌ها و اشیاء
  • 4. تعریف کلاس در پایتون
  • 5. ویژگی‌ها و متدها
  • 6. سازنده‌ها و تخریب‌گرها
  • 7. انواع داده و متغیرها در کلاس‌ها
  • 8. محدود کردن دسترسی به ویژگی‌ها (Encapsulation)
  • 9. وراثت در برنامه‌نویسی شیءگرا
  • 10. وراثت تکی و چندگانه
  • 11. Override کردن متدها
  • 12. استفاده از `super()`
  • 13. پلی‌مورفیسم (چندریختی)
  • 14. انواع پلی‌مورفیسم
  • 15. انتزاع (Abstraction)
  • 16. کلاس‌های انتزاعی و متدهای انتزاعی
  • 17. اینترفیس‌ها در پایتون (Protocol)
  • 18. طراحی کلاس‌ها برای مدل‌سازی داده‌های یادگیری ماشین
  • 19. کلاس‌های داده‌ای (Data Classes) در پایتون
  • 20. مجموعه‌ها و لیست‌ها در برنامه‌نویسی شیءگرا
  • 21. دیکشنری‌ها و کاربرد آن‌ها در کلاس‌ها
  • 22. مدیریت خطاها و استثناها در کلاس‌ها
  • 23. دیباگر (Debugger) و اشکال‌زدایی کد شیءگرا
  • 24. مفاهیم SOLID در طراحی شیءگرا
  • 25. اصل تک مسئولیتی (Single Responsibility Principle)
  • 26. اصل باز/بسته (Open/Closed Principle)
  • 27. اصل جایگزینی لیسکوف (Liskov Substitution Principle)
  • 28. اصل تفکیک رابط (Interface Segregation Principle)
  • 29. اصل وارونگی وابستگی (Dependency Inversion Principle)
  • 30. الگوهای طراحی شیءگرا (Design Patterns)
  • 31. الگوی Singleton
  • 32. الگوی Factory
  • 33. الگوی Observer
  • 34. الگوی Strategy
  • 35. پیاده‌سازی الگوریتم‌های یادگیری ماشین با استفاده از شیءگرایی
  • 36. کلاس‌بندی داده‌ها برای الگوریتم‌های یادگیری ماشین
  • 37. پیاده‌سازی یک مدل خطی با استفاده از کلاس‌ها
  • 38. پیاده‌سازی درخت تصمیم با استفاده از شیءگرایی
  • 39. استفاده از شیءگرایی در شبکه‌های عصبی
  • 40. مدیریت حافظه در پایتون و کلاس‌ها
  • 41. Garbage Collection
  • 42. بهینه‌سازی کد شیءگرا برای یادگیری ماشین
  • 43. مقدمه‌ای بر تست‌نویسی برای کلاس‌های شیءگرا
  • 44. Unit Testing در پایتون
  • 45. Mocking و تست ایزوله
  • 46. مستندسازی کد شیءگرا
  • 47. Docstrings
  • 48. تولید خودکار مستندات با Sphinx
تگ‌ها: Data Science Machine Learning Object Oriented Programming OOP Python OOP SOLID Principles الگوریتم یادگیری ماشین انتزاع برنامه‌نویسی شیءگرا پایتون پلی‌مورفیسم طراحی کلاس هوش مصنوعی وراثت یادگیری ماشین

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.