کتاب صوتی هوش جمعی برنامه‌نویسان: ساخت سیستم‌های توصیه‌گر با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره هوش جمعی برنامه‌نویسان: ساخت سیستم‌های توصیه‌گر با پایتون

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: الگوریتم‌های کلان‌داده و توصیه‌گرها

📋 سرفصل‌های دوره

• 1. مبانی هوش جمعی
• 2. معرفی کتاب Programming Collective Intelligence
• 3. چرا هوش جمعی؟
• 4. کاربردها و پتانسیل هوش جمعی
• 5. چالش‌های هوش جمعی
• 6. معرفی زبان برنامه‌نویسی پایتون برای هوش جمعی
• 7. محیط توسعه پایتون: نصب و تنظیمات
• 8. اولین گام‌ها با پایتون: مبانی
• 9. ساختارهای داده در پایتون: لیست‌ها، تاپل‌ها، دیکشنری‌ها
• 10. توابع و ماژول‌ها در پایتون
• 11. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 12. مفهوم سیستم‌های توصیه‌گر
• 13. انواع سیستم‌های توصیه‌گر
• 14. چالش‌های طراحی سیستم‌های توصیه‌گر
• 15. مبانی داده‌کاوی برای سیستم‌های توصیه‌گر
• 16. نمونه‌گیری و جمع‌آوری داده
• 17. پاکسازی و پیش‌پردازش داده
• 18. مفهوم فیلترینگ مشارکتی
• 19. فیلترینگ مشارکتی مبتنی بر کاربر (User-based Collaborative Filtering)
• 20. مفهوم شباهت بین کاربران
• 21. محاسبه شباهت: فاصله اقلیدسی
• 22. محاسبه شباهت: ضریب همبستگی پیرسون
• 23. محاسبه شباهت: شباهت کسینوسی
• 24. مثال عملی: توصیه‌گر مبتنی بر کاربر با پایتون
• 25. فیلترینگ مشارکتی مبتنی بر آیتم (Item-based Collaborative Filtering)
• 26. مفهوم شباهت بین آیتم‌ها
• 27. محاسبه شباهت بین آیتم‌ها
• 28. مثال عملی: توصیه‌گر مبتنی بر آیتم با پایتون
• 29. مقایسه رویکردهای کاربر-محور و آیتم-محور
• 30. محدودیت‌های فیلترینگ مشارکتی
• 31. مشکل شروع سرد (Cold-Start Problem)
• 32. دیوارهای سفید (Sparsity)
• 33. مقیاس‌پذیری (Scalability)
• 34. روش‌های ارزیابی سیستم‌های توصیه‌گر
• 35. متریک‌های ارزیابی: دقت (Precision) و بازیابی (Recall)
• 36. متریک‌های ارزیابی: میانگین خطای مطلق (MAE)
• 37. متریک‌های ارزیابی: ریشه میانگین مربع خطا (RMSE)
• 38. معرفی کتابخانه‌های پایتون برای یادگیری ماشین
• 39. NumPy برای محاسبات عددی
• 40. Pandas برای دستکاری داده
• 41. SciPy برای ابزارهای علمی
• 42. Scikit-learn: کتابخانه جامع یادگیری ماشین
• 43. مقدمه‌ای بر یادگیری ماشین
• 44. یادگیری با نظارت (Supervised Learning)
• 45. یادگیری بدون نظارت (Unsupervised Learning)
• 46. یادگیری تقویتی (Reinforcement Learning)
• 47. الگوریتم‌های طبقه‌بندی (Classification Algorithms)
• 48. رگرسیون خطی (Linear Regression)
• 49. رگرسیون لجستیک (Logistic Regression)
• 50. ماشین‌های بردار پشتیبان (Support Vector Machines - SVM)
• 51. درخت‌های تصمیم (Decision Trees)
• 52. جنگل‌های تصادفی (Random Forests)
• 53. الگوریتم‌های خوشه‌بندی (Clustering Algorithms)
• 54. خوشه‌بندی K-Means
• 55. خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
• 56. مفهوم کاهش ابعاد (Dimensionality Reduction)
• 57. تحلیل مولفه‌های اصلی (Principal Component Analysis - PCA)
• 58. تحلیل تفکیک‌کننده خطی (Linear Discriminant Analysis - LDA)
• 59. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 60. توکن‌سازی (Tokenization)
• 61. ریشه‌یابی (Stemming) و لماتیزاسیون (Lemmatization)
• 62. کیسه کلمات (Bag of Words)
• 63. TF-IDF (Term Frequency-Inverse Document Frequency)
• 64. شبکه‌های عصبی (Neural Networks)
• 65. مبانی شبکه‌های عصبی
• 66. شبکه‌های عصبی پرسپترون چندلایه (Multi-Layer Perceptron - MLP)
• 67. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 68. شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks - CNN)
• 69. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNN)
• 70. کاربرد شبکه‌های عصبی در سیستم‌های توصیه‌گر
• 71. فیلترینگ مبتنی بر محتوا (Content-based Filtering)
• 72. استخراج ویژگی از محتوا
• 73. مدل‌سازی پروفایل کاربر و آیتم
• 74. مقایسه فیلترینگ مشارکتی و محتوا-محور
• 75. ترکیب رویکردها (Hybrid Recommender Systems)
• 76. ترکیب وزن‌دار (Weighted Hybrid)
• 77. ترکیب خطی (Linear Hybrid)
• 78. ترکیب cascade
• 79. ترکیب switching
• 80. ترکیب mixed
• 81. ترکیب feature combination
• 82. ترکیب fuzzy
• 83. معرفی الگوریتم‌های کلان‌داده
• 84. چالش‌های کلان‌داده
• 85. معرفی Hadoop
• 86. معرفی Spark
• 87. کاربرد Spark در سیستم‌های توصیه‌گر
• 88. پردازش موازی با Spark
• 89. Spark MLlib برای یادگیری ماشین
• 90. ساخت سیستم توصیه‌گر مقیاس‌پذیر با Spark
• 91. تکنیک‌های پیشرفته در سیستم‌های توصیه‌گر
• 92. توصیه‌گرهای مبتنی بر دانش (Knowledge-based Recommenders)
• 93. توصیه‌گرهای مبتنی بر مدل (Model-based Recommenders)
• 94. تکنیک تجزیه ماتریس (Matrix Factorization)
• 95. تجزیه مقادیر منفرد (Singular Value Decomposition - SVD)
• 96. فاکتورگیری ماتریس تصادفی (Randomized Matrix Factorization)
• 97. یادگیری عمیق برای تجزیه ماتریس
• 98. شبکه‌های عصبی و توصیه‌گرها
• 99. معماری‌های شبکه‌های عصبی برای توصیه‌گرها
• 100. توصیه‌گرهای مبتنی بر گراف (Graph-based Recommenders)