آموزش مبانی یادگیری ماشین برای توسعه‌دهندگان جاوا - آخرین آپدیت

مقدمه‌ای بر یادگیری ماشین و جاوا Introduction to Machine Learning and Java

• ویدئوی خوش‌آمدگویی دوره! Course Welcome Video!

• مقدمه‌ای بر یادگیری ماشین Introduction to Machine Learning

• یادگیری نظارت شده، بدون نظارت و تقویتی Supervised, Unsupervised, and Reinforcement Learning

• کاربردهای واقعی یادگیری ماشین Real-World Applications of Machine Learning

• مرور سریع سینتکس جاوا برای یادگیری ماشین Java Syntax Refresher for Machine Learning

• راه‌اندازی محیط جاوا برای توسعه ML (JDK, IDE, Maven) Setting Up Java for ML Development (JDK, IDE, Maven)

• بررسی کتابخانه‌های ML در جاوا: Weka, Smile, Deeplearning4j Overview of ML Libraries in Java: Weka, Smile, Deeplearning4j

• جریان کاری یادگیری ماشین: از داده‌ها تا استقرار Machine Learning Workflow: From Data to Deployment

• بررسی پروژه دوره و انتظارات Course Project Walkthrough and Expectations

یادگیری نظارت شده در جاوا Supervised Learning in Java

• نمای کلی یادگیری نظارت شده Overview of Supervised Learning

• درک رگرسیون خطی Understanding Linear Regression

• پیاده‌سازی رگرسیون خطی در جاوا Implementing Linear Regression in Java

• مبانی طبقه‌بندی: دوتایی در مقابل چندکلاسه Classification Basics: Binary vs Multiclass

• درک رگرسیون لجستیک Understanding Logistic Regression

• پیاده‌سازی رگرسیون لجستیک در جاوا Implementing Logistic Regression in Java

• مفاهیم پشت درخت‌های تصمیم و معیارهای تقسیم Concepts Behind Decision Trees and Splitting Criteria

• ساخت درخت‌های تصمیم در جاوا Building Decision Trees in Java

• معیارهای ارزیابی: دقت، صحت و فراخوانی Evaluation Metrics: Accuracy, Precision, Recall

• توضیح ماتریس اغتشاش و امتیاز F1 Confusion Matrix and F1 Score Explained

یادگیری بدون نظارت در جاوا Unsupervised Learning in Java

• مقدمه‌ای بر یادگیری بدون نظارت Introduction to Unsupervised Learning

• توضیح خوشه‌بندی K-Means K-Means Clustering Explained

• پیاده‌سازی K-Means در جاوا Implementing K-Means in Java

• تکنیک‌های ارزیابی خوشه: اینرسی و امتیاز سیلوئت Cluster Evaluation Techniques: Inertia and Silhouette Score

• زمان و دلیل استفاده از کاهش ابعاد When and Why to Use Dimensionality Reduction

• تحلیل مؤلفه‌های اصلی (PCA) در جاوا Principal Component Analysis (PCA) in Java

کاربرد یادگیری ماشین با جاوا Applied ML with Java

• تکنیک‌های پیش‌پردازش داده‌ها: مدیریت مقادیر گمشده و نرمال‌سازی Data Preprocessing Techniques: Handling Missing Values and Normalization

• استراتژی‌های تقسیم داده‌ها و اعتبارسنجی متقاطع Data Splitting and Cross-Validation Strategies

• ساخت خط لوله‌های ML در جاوا Building ML Pipelines in Java

• پروژه جامع طبقه‌بندی با جاوا End-to-End Classification Project with Java

• عیب‌یابی و بهینه‌سازی مدل‌های ML Debugging and Optimizing ML Models

• نمایش پروژه نهایی و جمع‌بندی دوره Final Project Demonstration and Course Wrap-Up

• پایان دوره! Course Closure!