کتاب صوتی معماری نرم‌افزار: Applying Machine Learning for Fraud Detection in Financial Institutions

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره معماری نرم‌افزار: Applying Machine Learning for Fraud Detection in Financial Institutions

موضوع کلی: برنامه نویسی

موضوع میانی: معماری نرم‌افزار

📋 سرفصل‌های دوره

• 1. مبانی معماری نرم‌افزار
• 2. مفاهیم اولیه سیستم‌های توزیع‌شده
• 3. اصول طراحی نرم‌افزار
• 4. الگوهای طراحی (Design Patterns)
• 5. معرفی SOLID Principles
• 6. اصول مهندسی نرم‌افزار
• 7. آشنایی با UML و نمودارهای آن
• 8. مدل‌سازی معماری نرم‌افزار
• 9. معماری‌های لایه ای (Layered Architectures)
• 10. معماری کلاینت-سرور (Client-Server Architecture)
• 11. معماری میکروسرویس (Microservices Architecture)
• 12. معماری مبتنی بر رویداد (Event-Driven Architecture)
• 13. معماری منولیث (Monolithic Architecture)
• 14. مقایسه معماری‌های مختلف
• 15. آشنایی با زبان Python
• 16. نصب و راه‌اندازی Python و محیط توسعه
• 17. مبانی برنامه‌نویسی Python
• 18. کتابخانه‌های ضروری Python برای یادگیری ماشین (Machine Learning)
• 19. آشنایی با NumPy
• 20. آشنایی با Pandas
• 21. آشنایی با Matplotlib
• 22. مفاهیم اولیه یادگیری ماشین
• 23. انواع یادگیری ماشین (Supervised, Unsupervised, Reinforcement)
• 24. معرفی الگوریتم‌های یادگیری ماشین (Regression, Classification, Clustering)
• 25. ارزیابی مدل‌های یادگیری ماشین
• 26. انتخاب و آماده‌سازی داده‌ها
• 27. پیش‌پردازش داده‌ها (Data Preprocessing)
• 28. مهندسی ویژگی (Feature Engineering)
• 29. آشنایی با TensorFlow و Keras
• 30. ساخت و آموزش مدل‌های یادگیری عمیق
• 31. مفاهیم شبکه‌های عصبی
• 32. آشنایی با Scikit-learn
• 33. شناسایی تقلب در تراکنش‌های مالی
• 34. داده‌های تراکنش مالی و ویژگی‌های آن‌ها
• 35. مبانی تشخیص تقلب
• 36. روش‌های تشخیص تقلب مبتنی بر قوانین (Rule-Based Fraud Detection)
• 37. روش‌های تشخیص تقلب مبتنی بر یادگیری ماشین
• 38. تشخیص ناهنجاری (Anomaly Detection)
• 39. الگوریتم‌های تشخیص ناهنجاری (Isolation Forest, One-Class SVM)
• 40. تشخیص تقلب با استفاده از رگرسیون
• 41. تشخیص تقلب با استفاده از طبقه‌بندی
• 42. تشخیص تقلب با استفاده از خوشه‌بندی
• 43. ارزیابی مدل‌های تشخیص تقلب
• 44. شاخص‌های ارزیابی (Precision, Recall, F1-Score, AUC)
• 45. ماتریس درهم‌ریختگی (Confusion Matrix)
• 46. مدل‌سازی داده‌های سری زمانی
• 47. تکنیک‌های کاهش بعد (Dimensionality Reduction)
• 48. شناسایی الگوهای رفتاری مشکوک
• 49. مدل‌سازی رفتار کاربران
• 50. بهینه‌سازی و تنظیم مدل‌ها (Hyperparameter Tuning)
• 51. مدل‌های ترکیبی (Ensemble Methods)
• 52. پیاده‌سازی تشخیص تقلب در مقیاس بزرگ
• 53. چالش‌های داده‌های بزرگ (Big Data)
• 54. استفاده از Hadoop و Spark
• 55. فریمورک‌های پردازش داده‌های بزرگ
• 56. آشنایی با پایگاه‌های داده NoSQL
• 57. ذخیره‌سازی و مدیریت داده‌ها
• 58. استقرار مدل‌های یادگیری ماشین
• 59. استفاده از Docker و Kubernetes
• 60. آشنایی با CI/CD برای مدل‌های یادگیری ماشین
• 61. مانیتورینگ و پایش مدل‌ها
• 62. امنیت در معماری نرم‌افزار
• 63. امنیت داده‌ها و حریم خصوصی
• 64. اصول رمزنگاری
• 65. شناسایی و مقابله با حملات
• 66. جلوگیری از حملات SQL injection
• 67. طراحی معماری امن
• 68. ارتباطات امن
• 69. استفاده از API ها
• 70. طراحی API های امن
• 71. مستندسازی API
• 72. مدیریت خطا و استثناها
• 73. مدیریت لاگ‌ها
• 74. نظارت بر سیستم و هشدارها
• 75. نحوه برخورد با داده‌های نامتعادل
• 76. روش‌های مواجهه با داده‌های گمشده
• 77. مقایسه و انتخاب بهترین الگوریتم‌ها
• 78. فاکتورهای مؤثر بر انتخاب الگوریتم
• 79. بهبود عملکرد مدل
• 80. افزایش سرعت آموزش و پیش‌بینی
• 81. مدیریت ریسک در تشخیص تقلب
• 82. اهمیت تفسیرپذیری مدل
• 83. ابزارهای تفسیر مدل (SHAP, LIME)
• 84. مقررات و قوانین مربوط به تشخیص تقلب
• 85. اخلاق در هوش مصنوعی
• 86. پیاده‌سازی یک سیستم تشخیص تقلب (end-to-end)
• 87. معماری سیستم تشخیص تقلب
• 88. اجزای سیستم تشخیص تقلب
• 89. رابط کاربری و تجربه کاربری
• 90. استفاده از هوش مصنوعی برای بهبود سیستم‌های مالی
• 91. آینده تشخیص تقلب و هوش مصنوعی
• 92. چالش‌ها و فرصت‌های پیش رو
• 93. بهترین روش‌های ارزیابی مداوم
• 94. بروزرسانی مدل‌ها و داده‌ها
• 95. استفاده از یادگیری انتقالی (Transfer Learning)
• 96. استفاده از یادگیری فدراسیونی (Federated Learning)
• 97. مدل‌سازی با داده‌های گراف
• 98. معرفی شبکه‌های GNN
• 99. آشنایی با کتابخانه‌های تشخیص تقلب
• 100. مقایسه ابزارهای موجود برای تشخیص تقلب