فلش‌کارت‌های آموزشی جاوا برای توسعه‌دهندگان Spring Cloud Autodesk AI Platform

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جاوا برای توسعه‌دهندگان Spring Cloud Autodesk AI Platform

موضوع کلی: برنامه نویسی

موضوع میانی: جاوا (Java)

📋 سرفصل‌های دوره

• 1. مقدمه و معرفی دوره
• 2. مروری بر جاوا و اکوسیستم آن
• 3. نصب و راه‌اندازی محیط توسعه جاوا (JDK, IDE)
• 4. مبانی زبان جاوا: متغیرها و انواع داده
• 5. عملگرها در جاوا
• 6. ساختارهای کنترلی: شرط‌ها (if, else, switch)
• 7. ساختارهای کنترلی: حلقه‌ها (for, while, do-while)
• 8. آرایه‌ها در جاوا
• 9. مقدمه‌ای بر برنامه‌نویسی شیءگرا (OOP)
• 10. مفاهیم اصلی OOP: کلاس‌ها و اشیاء
• 11. مفاهیم اصلی OOP: وراثت (Inheritance)
• 12. مفاهیم اصلی OOP: پلی‌مورفیسم (Polymorphism)
• 13. مفاهیم اصلی OOP: انتزاع (Abstraction)
• 14. مفاهیم اصلی OOP: کپسوله‌سازی (Encapsulation)
• 15. کلاس‌های انتزاعی (Abstract Classes)
• 16. اینترفیس‌ها (Interfaces)
• 17. مدیریت خطا و استثنا (Exception Handling)
• 18. کار با استثناهای رایج
• 19. مدیریت فایل‌ها و ورودی/خروجی (File I/O)
• 20. جریان‌های ورودی/خروجی (Streams)
• 21. کالکشن فریم‌ورک (Collections Framework): مقدمه
• 22. لیست‌ها (Lists): ArrayList, LinkedList
• 23. مجموعه‌ها (Sets): HashSet, TreeSet
• 24. نقشه‌ها (Maps): HashMap, TreeMap
• 25. کویوها (Queues) و دک‌ها (Deques)
• 26. مجموعه داده‌های همزمان (Concurrent Collections)
• 27. مبانی جاوا ۸: لامبدا اکسپرشن‌ها (Lambda Expressions)
• 28. مبانی جاوا ۸: متد رفِرنس‌ها (Method References)
• 29. مبانی جاوا ۸: استریم API (Stream API)
• 30. مبانی جاوا ۸: آپشنال (Optional)
• 31. مبانی جاوا ۸: تاریخ و زمان (Date and Time API)
• 32. مبانی جاوا ۱۱ و بالاتر: ماژول‌ها (Modules)
• 33. مبانی جاوا ۱۱ و بالاتر: var برای متغیرهای محلی
• 34. مبانی جاوا ۱۱ و بالاتر: Garbage Collection پیشرفته
• 35. مبانی جاوا ۱۱ و بالاتر: Record Classes
• 36. مبانی جاوا ۱۱ و بالاتر: Sealed Classes
• 37. مقدمه‌ای بر Spring Framework
• 38. نصب و پیکربندی Spring Boot
• 39. مبانی Spring Boot: Dependency Injection و IoC
• 40. مبانی Spring Boot: Autoconfiguration
• 41. مبانی Spring Boot: Profiles
• 42. مبانی Spring Boot: Actuator
• 43. مبانی Spring Boot: Properties و Configuration
• 44. توسعه RESTful APIs با Spring Boot
• 45. مبانی Spring Web MVC
• 46. کار با Request Mapping و Controllers
• 47. مدیریت Request Parameters و Path Variables
• 48. مدیریت Request Body و JSON
• 49. مدیریت Responses و Status Codes
• 50. Validation در Spring Boot
• 51. مبانی Spring Data JPA
• 52. پیکربندی Spring Data JPA
• 53. تعریف Entities و Repositories
• 54. عملیات CRUD با Spring Data JPA
• 55. کوئری‌های سفارشی در Spring Data JPA
• 56. مبانی Spring Security
• 57. پیکربندی Spring Security
• 58. Authentication و Authorization
• 59. مدیریت Session و Cookies
• 60. مبانی Spring Cloud
• 61. معماری Microservices
• 62. مفاهیم اصلی Spring Cloud
• 63. Service Discovery: Eureka Server و Client
• 64. Load Balancing: Ribbon (یا Spring Cloud LoadBalancer)
• 65. Circuit Breaker: Resilience4j (یا Hystrix)
• 66. Distributed Configuration: Spring Cloud Config
• 67. API Gateway: Spring Cloud Gateway
• 68. Fault Tolerance: Retry و Bulkhead
• 69. Messaging: RabbitMQ / Kafka با Spring Cloud Stream
• 70. Distributed Tracing: Sleuth و Zipkin
• 71. Service-to-Service Communication
• 72. API Design for Microservices
• 73. Testing Microservices
• 74. Containerization: Docker Basics
• 75. Docker Compose for Multi-container Applications
• 76. Deployment Strategies for Microservices
• 77. Introduction to Autodesk AI Platform
• 78. Overview of Autodesk AI Services
• 79. Integration with Java Applications
• 80. Using Autodesk AI Platform APIs
• 81. Authentication with Autodesk AI Platform
• 82. Data Handling for AI Models
• 83. Model Deployment on Autodesk AI Platform
• 84. Monitoring AI Model Performance
• 85. Scalability Considerations for AI Services
• 86. Security Best Practices for AI Platform Integration
• 87. Java Libraries for AI Integration
• 88. Machine Learning Concepts for Developers
• 89. Common AI/ML Use Cases with Autodesk Products
• 90. Working with Text Data and NLP
• 91. Working with Image Data and Computer Vision
• 92. Working with Time Series Data
• 93. Data Preprocessing and Feature Engineering
• 94. Model Training and Evaluation
• 95. Model Optimization and Performance Tuning
• 96. Responsible AI and Ethical Considerations
• 97. Customizing AI Models
• 98. Real-time AI Inference
• 99. Batch AI Processing
• 100. Leveraging Cloud-Native Architectures