کتاب صوتی معماری نرم‌افزار: ساخت سیستم‌های توصیه گر (Recommender Systems)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره معماری نرم‌افزار: ساخت سیستم‌های توصیه گر (Recommender Systems)

موضوع کلی: برنامه نویسی

موضوع میانی: معماری نرم‌افزار

📋 سرفصل‌های دوره

• 1. مقدمه ای بر معماری نرم افزار
• 2. اصول طراحی سیستم های مقیاس پذیر
• 3. مقدمه ای بر سیستم های توصیه گر
• 4. انواع سیستم های توصیه گر
• 5. نمای کلی معماری سیستم های توصیه گر
• 6. مراحل توسعه سیستم های توصیه گر
• 7. جمع آوری و پردازش داده ها
• 8. انواع داده های مورد استفاده در سیستم های توصیه گر
• 9. پاکسازی و پیش پردازش داده ها
• 10. مهندسی ویژگی (Feature Engineering)
• 11. مفهوم ماتریس کاربر-آیتم (User-Item Matrix)
• 12. تکنیک های پر کردن مقادیر گمشده (Imputation Techniques)
• 13. تقسیم داده ها (Data Splitting)
• 14. مقدمه ای بر یادگیری ماشین
• 15. انواع الگوریتم های یادگیری ماشین
• 16. یادگیری با نظارت (Supervised Learning)
• 17. یادگیری بدون نظارت (Unsupervised Learning)
• 18. یادگیری تقویتی (Reinforcement Learning)
• 19. ارزیابی مدل های یادگیری ماشین
• 20. معیارهای ارزیابی برای سیستم های توصیه گر
• 21. دقت (Accuracy)
• 22. صحت (Precision)
• 23. بازیابی (Recall)
• 24. امتیاز F1 (F1 Score)
• 25. منحنی ROC و AUC
• 26. کاهش ابعاد (Dimensionality Reduction)
• 27. تجزیه مقادیر منفرد (Singular Value Decomposition - SVD)
• 28. فاکتورگیری ماتریس (Matrix Factorization)
• 29. مقدمه ای بر فیلترینگ مبتنی بر محتوا (Content-Based Filtering)
• 30. ویژگی های آیتم ها
• 31. نمایش برداری آیتم ها (Item Vector Representation)
• 32. محاسبه شباهت بین آیتم ها
• 33. الگوریتم های پیشنهادی مبتنی بر محتوا
• 34. مقدمه ای بر فیلترینگ مشارکتی (Collaborative Filtering)
• 35. فیلترینگ مشارکتی مبتنی بر کاربر (User-Based Collaborative Filtering)
• 36. فیلترینگ مشارکتی مبتنی بر آیتم (Item-Based Collaborative Filtering)
• 37. روش های همسایه نزدیک (Neighborhood Methods)
• 38. محاسبه شباهت بین کاربران/آیتم ها
• 39. مقدمه ای بر یادگیری عمیق (Deep Learning)
• 40. شبکه های عصبی (Neural Networks)
• 41. شبکه های عصبی کانولوشنال (CNN)
• 42. شبکه های عصبی بازگشتی (RNN)
• 43. حافظه طولانی کوتاه مدت (LSTM)
• 44. شبکه های عصبی ترانسفورمر (Transformers)
• 45. کاربرد یادگیری عمیق در سیستم های توصیه گر
• 46. مدل های فاکتورگیری ماتریس مبتنی بر یادگیری عمیق
• 47. مدل های مبتنی بر نمایش (Embedding-based Models)
• 48. مدل های توالی محور (Sequence-aware Models)
• 49. سیستم های توصیه گر ترکیبی (Hybrid Recommender Systems)
• 50. استراتژی های ترکیب (Combining Strategies)
• 51. ترکیب خطی (Linear Combination)
• 52. ترکیب وزنی (Weighted Combination)
• 53. روش های متا-یادگیری (Meta-Learning Approaches)
• 54. معماری سیستم های توصیه گر هیبریدی
• 55. ملاحظات مقیاس پذیری (Scalability Considerations)
• 56. مقیاس پذیری داده ها
• 57. مقیاس پذیری محاسباتی
• 58. مقیاس پذیری زمان واقعی (Real-time Scalability)
• 59. استراتژی های مقابله با مشکل سردی (Cold Start Problem)
• 60. مشکل سردی کاربر (User Cold Start)
• 61. مشکل سردی آیتم (Item Cold Start)
• 62. روش های حل مشکل سردی
• 63. سیستم های توصیه گر در دنیای واقعی
• 64. پلتفرم های بزرگ (مانند نتفلیکس، آمازون)
• 65. معماری سیستم های توصیه گر در مقیاس بزرگ
• 66. استفاده از پایگاه داده های NoSQL
• 67. استفاده از سیستم های پردازش توزیع شده (مانند Spark)
• 68. پردازش در زمان واقعی (Real-time Processing)
• 69. پردازش دسته ای (Batch Processing)
• 70. معماری میکروسرویس (Microservices Architecture)
• 71. نقش API ها در سیستم های توصیه گر
• 72. ذخیره سازی و بازیابی توصیه ها (Storing and Retrieving Recommendations)
• 73. کش کردن توصیه ها (Caching Recommendations)
• 74. مدیریت ترافیک و بار (Traffic and Load Management)
• 75. تست و اعتبارسنجی مدل ها
• 76. آزمایش A/B (A/B Testing)
• 77. ارزیابی مداوم عملکرد سیستم
• 78. بهینه سازی مدل ها (Model Optimization)
• 79. تنظیم ابر پارامترها (Hyperparameter Tuning)
• 80. یادگیری مداوم (Online Learning)
• 81. تکنیک های کاهش بایاس (Bias Mitigation Techniques)
• 82. مسائل اخلاقی در سیستم های توصیه گر
• 83. حریم خصوصی داده ها (Data Privacy)
• 84. شفافیت (Transparency)
• 85. منصفانه بودن (Fairness)
• 86. تفسیرپذیری مدل (Model Interpretability)
• 87. فیلترهای حباب (Filter Bubbles)
• 88. اکو چمبرها (Echo Chambers)
• 89. طراحی رابط کاربری برای نمایش توصیه ها
• 90. بازخورد کاربر (User Feedback)
• 91. رابط های کاربری تعاملی
• 92. اندازه گیری رضایت کاربر (Measuring User Satisfaction)
• 93. اهمیت مهندسی ویژگی در سیستم های توصیه گر
• 94. استخراج ویژگی های معنایی
• 95. استفاده از داده های خارجی
• 96. سیستم های توصیه گر مبتنی بر دانش (Knowledge-based Recommender Systems)
• 97. عوامل و روابط در سیستم های توصیه گر
• 98. طراحی پایگاه دانش
• 99. استفاده از گراف دانش (Knowledge Graphs)
• 100. کاربرد پردازش زبان طبیعی (NLP) در سیستم های توصیه گر