فلش‌کارت‌های آموزشی React Native و Machine Learning: استفاده از هوش مصنوعی در اپلیکیشن

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره React Native و Machine Learning: استفاده از هوش مصنوعی در اپلیکیشن

موضوع کلی: برنامه نویسی

موضوع میانی: ری‌اکت نیتیو (React Native)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر React Native و هوش مصنوعی
• 2. نصب و راه‌اندازی محیط توسعه React Native
• 3. مفاهیم پایه React Native: کامپوننت‌ها و JSX
• 4. مدیریت وضعیت (State Management) در React Native
• 5. کار با Props و ارتباط بین کامپوننت‌ها
• 6. هوک‌های React Native: useState و useEffect
• 7. کار با لیست‌ها و کلیدها در React Native
• 8. استایل‌دهی در React Native: StyleSheet
• 9. نویگیشن در React Native: React Navigation
• 10. کار با فرم‌ها و ورودی‌های کاربر
• 11. ارتباط با API و دریافت داده‌ها
• 12. ذخیره‌سازی داده‌ها در React Native: AsyncStorage
• 13. مقدمه‌ای بر Machine Learning
• 14. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 15. مبانی آمار و احتمال در Machine Learning
• 16. جبر خطی برای Machine Learning
• 17. مفاهیم اولیه شبکه‌های عصبی
• 18. یادگیری عمیق (Deep Learning)
• 19. کار با داده‌ها: پیش‌پردازش و مهندسی ویژگی
• 20. مقدمه‌ای بر کتابخانه‌های Python برای ML: NumPy و Pandas
• 21. مقدمه‌ای بر Scikit-learn
• 22. مدل‌های یادگیری ماشین نظارت شده: رگرسیون خطی
• 23. مدل‌های یادگیری ماشین نظارت شده: رگرسیون لجستیک
• 24. مدل‌های یادگیری ماشین نظارت شده: ماشین‌های بردار پشتیبان (SVM)
• 25. مدل‌های یادگیری ماشین نظارت شده: درخت‌های تصمیم
• 26. مدل‌های یادگیری ماشین نظارت شده: جنگل‌های تصادفی
• 27. مدل‌های یادگیری ماشین نظارت شده: K-نزدیکترین همسایه (KNN)
• 28. ارزیابی مدل‌های یادگیری ماشین: معیارهای دقت و صحت
• 29. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 30. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 31. مدل‌های یادگیری ماشین بدون نظارت: خوشه‌بندی K-Means
• 32. مدل‌های یادگیری ماشین بدون نظارت: تحلیل مولفه‌های اصلی (PCA)
• 33. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 34. کار با متون: پاکسازی و توکنیزه کردن
• 35. بردارسازی متن: TF-IDF
• 36. مدل‌های زبان: N-grams
• 37. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 38. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 39. شبکه‌های حافظه طولانی کوتاه‌مدت (GRU)
• 40. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال (CNN)
• 41. کاربرد CNN در تشخیص تصویر
• 42. مقدمه‌ای بر یادگیری تقویتی
• 43. مفاهیم پایه یادگیری تقویتی: عامل، محیط، پاداش
• 44. الگوریتم‌های یادگیری تقویتی: Q-Learning
• 45. کاربرد هوش مصنوعی در اپلیکیشن‌های موبایل
• 46. تشخیص تصویر در اپلیکیشن‌ها
• 47. پردازش زبان طبیعی در اپلیکیشن‌ها
• 48. سیستم‌های توصیه‌گر در اپلیکیشن‌ها
• 49. پیش‌بینی رفتار کاربر
• 50. پیاده‌سازی مدل‌های ML در React Native
• 51. استفاده از TensorFlow.js در React Native
• 52. استفاده از PyTorch Mobile در React Native
• 53. تبدیل مدل‌های ML به فرمت‌های قابل استفاده در موبایل
• 54. استفاده از سرویس‌های ابری ML: Google Cloud ML
• 55. استفاده از سرویس‌های ابری ML: AWS SageMaker
• 56. ملاحظات امنیتی در استفاده از ML در اپلیکیشن‌ها
• 57. حفظ حریم خصوصی داده‌ها
• 58. اخلاق در هوش مصنوعی
• 59. تکنیک‌های یادگیری انتقالی (Transfer Learning)
• 60. مقدمه‌ای بر مدل‌های از پیش آموزش دیده
• 61. استفاده از مدل‌های از پیش آموزش دیده برای تشخیص تصویر
• 62. استفاده از مدل‌های از پیش آموزش دیده برای پردازش زبان طبیعی
• 63. بهینه‌سازی مدل‌های ML برای دستگاه‌های موبایل
• 64. کوانتیزاسیون مدل‌ها
• 65. هرس کردن مدل‌ها (Pruning)
• 66. مدل‌های سبک‌وزن: MobileNet
• 67. مدل‌های سبک‌وزن: EfficientNet
• 68. ملاحظات مربوط به مصرف باتری و حافظه
• 69. مدیریت چرخه حیات مدل‌های ML در اپلیکیشن
• 70. به‌روزرسانی مدل‌ها در زمان اجرا
• 71. تست و دیباگ کردن مدل‌های ML در React Native
• 72. سناریوهای استفاده پیشرفته در React Native
• 73. تشخیص اشیاء در تصاویر زنده
• 74. تحلیل احساسات متن ورودی کاربر
• 75. تولید متن خودکار
• 76. ساخت چت‌بات‌های ساده
• 77. کاربرد ML در بازی‌های موبایل
• 78. مقدمه‌ای بر بینایی کامپیوتر (Computer Vision)
• 79. پردازش تصویر در زمان واقعی
• 80. تشخیص چهره و ویژگی‌های صورت
• 81. ردیابی اشیاء
• 82. تحلیل ویدئو
• 83. مقدمه‌ای بر درک زبان طبیعی (NLU)
• 84. تفسیر دستورات کاربر
• 85. استخراج موجودیت‌ها (Entity Extraction)
• 86. تشخیص قصد کاربر (Intent Recognition)
• 87. ساخت رابط‌های کاربری هوشمند
• 88. مقدمه‌ای بر مدل‌های مولد (Generative Models)
• 89. شبکه‌های مولد تخاصمی (GANs)
• 90. تولید تصاویر
• 91. تولید متن خلاقانه
• 92. ملاحظات مربوط به داده‌های آموزشی
• 93. جمع‌آوری داده‌های معتبر و بی‌طرف
• 94. برچسب‌گذاری داده‌ها
• 95. مدل‌های یادگیری فدرال (Federated Learning)
• 96. ملاحظات مربوط به پیاده‌سازی در مقیاس بزرگ
• 97. معماری اپلیکیشن برای ML
• 98. مدیریت خطا و بازخورد
• 99. آینده هوش مصنوعی در اپلیکیشن‌های موبایل