اپلیکیشن اندرویدی فلشکارت آموزشی برنامهنویسی شیءگرا در حوزههای خاص: هوش مصنوعی، یادگیری ماشین
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره برنامهنویسی شیءگرا در حوزههای خاص: هوش مصنوعی، یادگیری ماشین
موضوع کلی: برنامه نویسی
موضوع میانی: برنامهنویسی شیءگرا (OOP)
📋 سرفصلهای دوره
- 1. مقدمهای بر برنامهنویسی شیءگرا (OOP)
- 2. مفاهیم اصلی OOP
- 3. کلاسها و اشیاء
- 4. خاصیت و متد
- 5. کپسولهسازی (Encapsulation)
- 6. انتزاع (Abstraction)
- 7. وراثت (Inheritance)
- 8. چندریختی (Polymorphism)
- 9. دستور زبان زبانهای برنامهنویسی شیءگرا (مانند Python)
- 10. مفاهیم پیشرفته OOP
- 11. کلاسهای انتزاعی (Abstract Classes)
- 12. اینترفیسها (Interfaces)
- 13. متدهای استاتیک (Static Methods)
- 14. ویژگیهای استاتیک (Static Properties)
- 15. متدهای ویژه (Special Methods/Magic Methods)
- 16. الگوهای طراحی (Design Patterns)
- 17. الگوی Singleton
- 18. الگوی Factory
- 19. الگوی Builder
- 20. الگوی Observer
- 21. الگوی Strategy
- 22. الگوی Decorator
- 23. الگوی Facade
- 24. الگوی Proxy
- 25. الگوی Command
- 26. الگوی Iterator
- 27. معرفی حوزه هوش مصنوعی (AI)
- 28. مبانی هوش مصنوعی
- 29. یادگیری ماشین (ML) چیست؟
- 30. انواع یادگیری ماشین (نظارت شده، بدون نظارت، تقویتی)
- 31. مبانی ریاضیات برای ML (جبر خطی، حساب دیفرانسیل و انتگرال، آمار و احتمال)
- 32. نصب و راهاندازی محیط توسعه
- 33. معرفی Python برای AI/ML
- 34. کتابخانههای کلیدی Python (NumPy, Pandas, Matplotlib, Scikit-learn)
- 35. نصب و تنظیم محیط
- 36. اولین گامها با NumPy
- 37. عملیات برداری با NumPy
- 38. عملیات ماتریسی با NumPy
- 39. آرایههای چندبعدی در NumPy
- 40. Pandas برای تجزیه و تحلیل داده
- 41. ساختار DataFrame
- 42. عملیات بر روی DataFrame
- 43. خواندن و نوشتن داده (CSV, Excel)
- 44. پاکسازی و آمادهسازی داده
- 45. Visualizing Data with Matplotlib
- 46. نمودارهای خطی
- 47. نمودارهای پراکندگی
- 48. نمودارهای میلهای
- 49. نمودارهای هیستوگرام
- 50. کتابخانه Seaborn برایVisualization
- 51. یادگیری ماشین نظارت شده (Supervised Learning)
- 52. رگرسیون خطی (Linear Regression)
- 53. رگرسیون لجستیک (Logistic Regression)
- 54. ماشینهای بردار پشتیبان (Support Vector Machines - SVM)
- 55. درختهای تصمیم (Decision Trees)
- 56. جنگلهای تصادفی (Random Forests)
- 57. مدلهای بوستینگ (Boosting Models - XGBoost, LightGBM)
- 58. دستهبندی (Classification)
- 59. معیارهای ارزیابی مدلهای دستهبندی (Accuracy, Precision, Recall, F1-Score)
- 60. ماتریس درهمریختگی (Confusion Matrix)
- 61. اعتبارسنجی متقابل (Cross-Validation)
- 62. یادگیری ماشین بدون نظارت (Unsupervised Learning)
- 63. خوشهبندی (Clustering)
- 64. K-Means Clustering
- 65. Hierarchical Clustering
- 66. DBSCAN
- 67. کاهش ابعاد (Dimensionality Reduction)
- 68. تحلیل مؤلفههای اصلی (Principal Component Analysis - PCA)
- 69. t-SNE
- 70. یادگیری تقویتی (Reinforcement Learning)
- 71. مفاهیم پایه RL (Agent, Environment, State, Action, Reward)
- 72. الگوریتمهای Q-Learning
- 73. Deep Q-Networks (DQN)
- 74. مقدمهای بر شبکههای عصبی (Neural Networks)
- 75. نورون مصنوعی
- 76. توابع فعالسازی (Activation Functions)
- 77. ساختار شبکههای عصبی (لایه ورودی، لایههای پنهان، لایه خروجی)
- 78. پسانتشار خطا (Backpropagation)
- 79. آموزش شبکههای عصبی
- 80. شبکههای عصبی عمیق (Deep Neural Networks - DNN)
- 81. شبکههای عصبی کانولوشنی (Convolutional Neural Networks - CNN)
- 82. کاربرد CNN در بینایی ماشین
- 83. شبکههای عصبی بازگشتی (Recurrent Neural Networks - RNN)
- 84. کاربرد RNN در پردازش زبان طبیعی (NLP)
- 85. شبکههای حافظه طولانی کوتاهمدت (LSTM)
- 86. واحد بازگشتی دروازهای (GRU)
- 87. مقدمهای بر پردازش زبان طبیعی (NLP)
- 88. تحلیل احساسات (Sentiment Analysis)
- 89. مدلسازی موضوعی (Topic Modeling)
- 90. مدلهای زبانی (Language Models)
- 91. استفاده از OOP در پیادهسازی مدلهای ML
- 92. طراحی کلاس برای مدلهای رگرسیون
- 93. طراحی کلاس برای مدلهای دستهبندی
- 94. استفاده از وراثت برای مدلهای مشابه
- 95. کپسولهسازی پارامترهای مدل
- 96. پیادهسازی الگوهای طراحی در ML
- 97. الگوی Factory برای ایجاد مدلها
- 98. الگوی Strategy برای الگوریتمهای بهینهسازی
- 99. الگوی Observer برای مانیتورینگ آموزش
- 100. استفاده از OOP در هوش مصنوعی
این اپلیکیشن فارسی برای یادگیری و مرور محتوای آموزشی از طریق فلشکارت طراحی شده است. کارتها را یکییکی مرور کنید، پاسخ پرسشها را به یاد بیاورید و نتیجه هر پاسخ را ثبت کنید. محتوای دوره پس از نصب درون برنامه در دسترس است تا برای مطالعه روزمره معمولاً به اتصال مداوم اینترنت نیاز نداشته باشید.
محتوای آموزشی در قالبهای متنوع ارائه میشود تا هم برای یادگیری مفاهیم جدید و هم برای تثبیت آموختهها قابل استفاده باشد.
- رابط کاربری فارسی و راستچین با فونت وزیر.
- تم روشن و تیره مطابق تنظیمات سیستم.
- صفحهبندی ساده برای انتخاب دوره و شروع مرور.
- نمایش تعداد دفعات مرور هر فصل.
- انتخاب چند فصل برای مرور همزمان.
- امکان تمرکز بر فصلهایی که هنوز مرور نشدهاند.
این اپلیکیشن برای دانشآموزان، دانشجویان، داوطلبان آزمونها و علاقهمندان به یادگیری طراحی شده است؛ بهویژه کسانی که میخواهند مطالب آموزشی را در زمانهای کوتاه مرور کنند، دانستههای خود را بسنجند و مطالعه منظمتری داشته باشند.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.