کتاب F# و تحلیل داده در هوش مصنوعی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره F# و تحلیل داده در هوش مصنوعی

موضوع کلی: برنامه‌نویسی تابعی

موضوع میانی: History of AI in Functional Programming Development Sector

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زبان برنامه‌نویسی F#
• 2. انواع داده و توابع در F#
• 3. ساختارهای کنترلی در F#
• 4. کار با انواع مجموعه‌ای در F#
• 5. تعریف و استفاده از رکوردهای F#
• 6. تعریف و استفاده از discriminated unions
• 7. کار با گزینه‌ها و مقادیر null
• 8. مدیریت خطا در F#
• 9. برنامه‌نویسی تابعی در F#
• 10. توابع مرتبه بالاتر و لامبدا
• 11. کار با الگوها (Pattern Matching)
• 12. کار با ماژول‌ها و فضاهای نام
• 13. تعریف انواع داده سفارشی
• 14. برنامه‌نویسی غیرهمزمان در F#
• 15. کار با Async Workflow
• 16. مقدمه‌ای بر کتابخانه Math.NET Numerics
• 17. آمار توصیفی با Math.NET Numerics
• 18. تحلیل رگرسیون خطی با Math.NET Numerics
• 19. تحلیل سری‌های زمانی با Math.NET Numerics
• 20. مقدمه‌ای بر یادگیری ماشین
• 21. پیش‌پردازش داده‌ها در یادگیری ماشین
• 22. انتخاب ویژگی در یادگیری ماشین
• 23. مدل‌های رگرسیون در یادگیری ماشین
• 24. مدل‌های طبقه‌بندی در یادگیری ماشین
• 25. ارزیابی مدل‌های یادگیری ماشین
• 26. مقدمه‌ای بر شبکه‌های عصبی
• 27. ساخت یک شبکه عصبی ساده با F#
• 28. بهینه‌سازی شبکه‌های عصبی
• 29. کاربرد شبکه‌های عصبی در تشخیص الگو
• 30. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 31. تحلیل احساسات با NLP
• 32. خلاصه‌سازی متن با NLP
• 33. مقدمه‌ای بر بینایی کامپیوتر
• 34. تشخیص اشیاء در تصاویر
• 35. دسته‌بندی تصاویر با F#
• 36. کار با کتابخانه Accord.NET
• 37. تحلیل داده‌های تصویر با Accord.NET
• 38. مقدمه‌ای بر خوشه‌بندی داده‌ها
• 39. الگوریتم‌های خوشه‌بندی K-Means
• 40. الگوریتم‌های خوشه‌بندی سلسله مراتبی
• 41. ارزیابی خوشه‌بندی
• 42. مقدمه‌ای بر کاهش ابعاد
• 43. تحلیل مولفه‌های اصلی (PCA)
• 44. مقدمه‌ای بر یادگیری تقویتی
• 45. کاربرد F# در تحلیل داده‌های مالی