یادگیری ماشین فولاستک، Django REST Framework و ریاکت
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- توسعه REST API
- توسعه بکاند با جنگو و فرانتاند با ریاکت
- یادگیری ماشین با شبکههای عصبی
- یادگیری عمیق با مدلهای LSTM
- تحلیل داده، دستکاری داده و مصورسازی داده
- چگونه تصمیم بگیریم کدام نوع یادگیری ماشین را برای مشکلات خاص به کار ببریم؟
- کاربرد یادگیری عمیق در کجاست و شبکههای عصبی چگونه کار میکنند؟
- چرا شبکه عصبی بهترین گزینه برای این مورد استفاده خاص، یعنی پیشبینی سهام است؟
- یکپارچهسازی مدلهای یادگیری ماشین با وب اپلیکیشنها
پیشنیازهای دوره
- دانش اولیه پایتون و جنگو
- دانش اولیه سی اس اس، اچ تی ام ال و جاوا اسکریپت
توضیحات دوره
این آموزش فقط یک دوره دیگر نیست، بلکه یک برنامه عملی است که در آن یک پورتال کامل پیشبینی سهام با Django REST Framework، ریاکت و یادگیری ماشین خواهید ساخت.
جریان دوره:
- ابتدا، با اصول Django REST Framework، از جمله اینکه REST APIها چه هستند و چگونه ساخته میشوند، آشنا خواهید شد. اگر از قبل با Django REST Framework آشنا هستید، میتوانید این بخش را رد کنید.
- در مرحله بعد، به اصول ریاکت برای ساخت فرانتاند اپلیکیشن میپردازید.
- سپس، Django REST Framework و ریاکت را برای ساخت پورتال متصل میکنید. این بخش شامل پیادهسازی سیستم احراز هویت کاربر و ویژگیهای ضروری دیگر برای یک اپلیکیشن کاربردی است.
- بعد از اینکه ساختار پورتال آماده شد، زمان بررسی یادگیری ماشین خواهد بود. این دوره یک بوتکمپ کامل یادگیری ماشین نیست، بنابراین تمام مفاهیم این حوزه را پوشش نمیدهد، بلکه رویکردی عملی دارد که بر ساخت یک پورتال پیشبینی سهام به عنوان یک مورد استفاده واقعی تمرکز دارد.
بخش یادگیری ماشین:
- مبانی یادگیری ماشین و انواع مختلف آن
- چگونه رویکرد یادگیری ماشین مناسب را برای یک مشکل خاص انتخاب کنیم؟
- چه زمانی و چرا از یادگیری عمیق استفاده کنیم و شبکههای عصبی چگونه کار میکنند؟
- چرا یک شبکه عصبی بهترین گزینه برای پیشبینی سهام است؟
به صورت عملی، یک مدل LSTM را در Jupyter Notebook خواهید ساخت تا داده قیمت سهام را تحلیل کرده و پیشبینی کنید. بعد از اینکه مدل شما آماده شد، یک API برای یکپارچهسازی آن در پورتال و نمایش نتایج خواهید ساخت.
این دوره به شما تجربه کامل ساخت یک پورتال پیشبینی سهام واقعی را میدهد، یک پروژه فولاستک که Django REST Framework، ریاکت و یادگیری ماشین را ترکیب میکند.
مهارتهای دیگری که یاد میگیرید:
- دستکاری داده با پانداس و NumPy
- مصورسازی داده با Matplotlib
در پایان این دوره، شما یک پروژه کامل ساختهاید، در حالی که تجربه عملی هم در توسعه وب و هم یادگیری ماشین کسب کردهاید.
سلب مسئولیت مهم: این مدل پیشبینی را نباید در معاملات واقعی بازار سهام پیادهسازی کنید. این مدل صرفاً برای اهداف آموزشی ساخته شده است تا اصول یادگیری ماشین و داده بازار سهام را درک کنید. تکیه بر این مدل در سرمایهگذاریهای واقعی ممکن است ریسکهای مالی قابل توجهی به همراه داشته باشد.
این دوره برای چه کسانی مناسب است؟
- برنامهنویسان مبتدی که میخواهند یاد بگیرند چگونه وب اپلیکیشنهایی با پایتون، جنگو و ریاکت بسازند.
- توسعهدهندگان با تجربه در زبانهای برنامهنویسی دیگر که میخواهند وارد حوزه یادگیری ماشین شوند.
- دانشجویانی که قصد دارند شغلی را در حوزه توسعه یادگیری ماشین فولاستک دنبال کنند.
- کسانی که میخواهند دانش خود را درباره جنگو ارتقاء دهند و مهارتهای فعلی خود را در پایتون گسترش دهند.
- افرادی که کمی تجربه با جنگو دارند، ولی میخواهند مهارتهای خود را با ساخت پروژههای پیشرفته و سفارشی، ارتقا دهند.
یادگیری ماشین فولاستک، Django REST Framework و ریاکت
-
مقدمه 02:08
-
نصب نرمافزار 03:07
-
API چیست؟ 03:48
-
REST API چیست؟ 04:05
-
نصب جنگو و شروع پروژه 07:07
-
نصب Django Rest Framework 01:42
-
اندپوینت وب اپلیکیشن 08:29
-
اندپوینت Simple API 07:24
-
ایجاد مدل 07:00
-
سریالسازی دستی 07:36
-
سریالسازها 02:37
-
View مبتنی بر تابع برای متد Get 11:05
-
ذخیره داده با سریالسازها 05:55
-
عملیات دریافت یک شی از کلید اصلی 07:16
-
عملیات بروزرسانی روی دانشجو 04:58
-
عملیات حذف 03:11
-
آشنایی با Viewهای مبتنی بر کلاس 01:55
-
مدل کارمند 04:41
-
سریالساز کارمند 01:31
-
View مبتنی بر کلاس برای دریافت همه کارمندان 07:12
-
ایجاد کارمند مبتنی بر کلاس 04:09
-
دریافت یک شی 07:16
-
بروزرسانی و حذف کارمند 06:43
-
بررسی Mixins 04:21
-
لیست و ایجاد Mixins مدل 06:01
-
بازیابی، بروزرسانی و تخریب Mixins 05:36
-
بررسی جنریکها 04:01
-
ListCreateAPIView 06:03
-
RetrieveUpdateDestroyAPIView 03:52
-
آشنایی با Viewsetها 01:52
-
لیست و ایجاد داده با Viewsetها 09:01
-
بازیابی یک شی 03:29
-
ModelViewsets 04:12
-
آشنایی با سریالسازهای تودرتو 02:23
-
مدل وبلاگ و کامنت 04:42
-
ایجاد سریالسازها 02:41
-
پیادهسازی سریالسازهای تودرتو 09:51
-
عملیاتهای مبتنی بر کلید اصلی روی کامنت وبلاگ 06:04
-
بررسی صفحهبندی 04:53
-
صفحهبندی سراسری 07:28
-
صفحهبندی سفارشی 07:42
-
فیلترینگ 07:24
-
فیلتر سفارشی کارمند بر اساس عنوان شغلی 05:31
-
فیلترینگ سفارشی کارمندان بر اساس نام و ID 07:06
-
فیلترینگ پیشرفته 07:24
-
فیلترهای جستجو 07:33
-
فیلتر ترتیبدهی 04:05
-
جمعبندی DRF 01:09
-
آشنایی با ریاکت 00:51
-
کامپوننتها و Virtual DOM 02:46
-
پیشنیازهای ریاکت 00:33
-
نصب نود جی اس 03:36
-
ایجاد پروژه ریاکت با NPX 04:58
-
ایجاد پروژه ریاکت با Vite 04:47
-
ساختار دایرکتوری 14:04
-
ویرایش اپلیکیشن پیشفرض ریاکت 03:29
-
حذف اپلیکیشن پیشفرض ریاکت 05:32
-
کامپوننتها 08:00
-
فرگمنت 03:12
-
JSX 10:00
-
Propها 06:41
-
رویدادها 06:52
-
بالا بردن State 08:33
-
State 07:03
-
هوک useState با اشیاء 06:00
-
اپلیکیشن شمارنده 05:42
-
هوک useEffect 12:05
-
توابع پاکسازی در useEffect 03:03
-
هوک useMemo 17:34
-
Prop Drilling 07:39
-
Context API 15:55
-
هوک useContext 04:37
-
هوک useRef 16:49
-
هوکهای سفارشی 08:44
-
رندرینگ شرطی 05:50
-
تابع map 05:43
-
سی اس اس درونخطی در ریاکت 07:40
-
سی اس اس داخلی و خارجی در ریاکت 07:15
-
بارگذاری تصاویر 04:01
-
فرمها - قسمت 1 08:46
-
فرمها - قسمت 2 07:37
-
جمعبندی ریاکت 01:17
-
مقدمه و راهاندازی بکاند جنگو 06:55
-
راهاندازی فرانتاند ریاکت 04:59
-
پاکسازی کد پیشفرض از ریاکت 03:16
-
ذخیره اطلاعات مخفی 06:17
-
راهاندازی گیت 06:08
-
CDN بوتاسترپ 06:43
-
راهاندازی کامپوننت 04:34
-
طراحی هدر 03:47
-
طراحی کامپوننت اصلی 08:36
-
کامپوننت فوتر 03:15
-
کامپوننت دکمه 08:01
-
Push کردن در گیت 01:00
-
مهاجرت و ایجاد ابرکاربر 02:48
-
نصب Django REST Framework 02:42
-
سریالساز کاربر 10:10
-
View ثبتنام 03:02
-
راهاندازی و تست API URL 07:58
-
Push کردن در گیت 00:51
-
ایجاد مسیرها در ریاکت 10:24
-
استفاده از کامپوننت لینک برای ناوبری 06:29
-
طراحی صفحه ثبتنام 07:21
-
ثبتنام - قسمت 1 09:43
-
ثبتنام با Axios 09:48
-
اضافه کردن هدر CORS 05:38
-
مدیریت خطا 08:16
-
پاکسازی خطاها و نمایش پیام موفقیت 04:01
-
دکمه بارگذاری با آیکون FontAwesome 08:29
-
Push کردن در گیت 00:46
-
پیادهسازی ساده JWT 07:38
-
درخواست Login API 11:24
-
ورود با مدیریت خطا 07:59
-
AuthContext 13:59
-
قابلیت خروج و Push کردن در گیت 05:00
-
گردش کار توکن دسترسی و توکن رفرش 03:49
-
ساخت یک View محافظتشده 09:24
-
کامپوننت داشبورد 03:45
-
دسترسی به اندپوینت محافظتشده از ریاکت 08:03
-
رهگیرهای Axios 03:40
-
AxiosInstance 08:10
-
استفاده از رهگیر درخواست 12:45
-
استفاده از رهگیر پاسخ 15:38
-
مسیر خصوصی 07:47
-
مسیر عمومی 04:02
-
نکتهای درباره بخش بعدی و Push کردن در گیتهاب 01:35
-
بررسی و آنچه میتوانید انتظار داشته باشید 03:19
-
یادگیری ماشین چیست؟ 01:22
-
یادگیری تحت نظارت 01:28
-
یادگیری بدون نظارت 01:58
-
یادگیری تقویتی 02:58
-
چشمانداز یادگیری ماشین 01:58
-
طبقهبندی 01:52
-
رگرسیون 01:51
-
درک شرح مسئله 02:13
-
آشنایی با شبکههای عصبی 05:13
-
انواع شبكههای عصبی 03:30
-
شبکههای عصبی بازگشتی و LSTM 05:47
-
بررسی آناکوندا و Miniconda 01:28
-
نصب Miniconda در ویندوز 05:15
-
نصب Miniconda در مک 04:43
-
نصب Jupyter Notebook 05:21
-
خواندن CSV با پانداس 06:55
-
دیتافریم و Series 04:16
-
دستکاری داده با پانداس - قسمت 1 17:25
-
دستکاری داده با پانداس - قسمت 2 08:44
-
آرایههای یک بعدی، دوبعدی و سهبعدی Numpy 12:46
-
دسترسی و خواندن آرایههای Numpy 07:53
-
بروزرسانی آرایهها 10:26
-
Append کردن و درج 04:49
-
ذخیره، بارگذاری و حذف آرایهها 02:58
-
نمودارهای خطی و میلهای در Matplotlib 10:17
-
هیستوگرام و نمودار پراکندگی 09:42
-
نمودارهای فرعی و Legendها 11:42
-
نمودارها با دیتافریم پانداس 05:48
-
بررسی پیشبینی سهام 03:19
-
جمعآوری داده 06:17
-
بررسی و مصورسازی داده 05:09
-
مهندسی ویژگی 13:58
-
پیشپردازش داده 11:33
-
ایجاد توالی 07:12
-
ساخت مدل یادگیری ماشین 08:19
-
آموزش مدل 03:26
-
آمادهسازی داده تست 07:20
-
ایجاد پیشبینی 08:04
-
ارزیابی مدل 05:26
-
Push کردن در گیت 01:09
-
پذیرش نماد سهام از ریاکت 06:05
-
ایجاد View سریالساز و URL 05:55
-
مدیریت ارسال فرم 04:44
-
واکشی داده از Yfinance 09:29
-
مدیریت خطا و اسپینر بارگذاری 06:15
-
تولید نمودار با بکاندهای AGG 10:57
-
نمایش نمودار در ریاکت 08:38
-
نمایش نمودار میانگین متحرک 100 روزه 10:05
-
نمایش نمودار میانگین متحرک 200 روزه 04:21
-
ایجاد پیشبینی 10:45
-
نمایش پیشبینی نهایی 04:31
-
ارزیابی مدل 05:42
-
Push کردن در گیت 00:50
-
تشکرم و پایان 00:34
مشخصات آموزش
یادگیری ماشین فولاستک، Django REST Framework و ریاکت
- تاریخ به روز رسانی: 1404/09/07
- سطح دوره:همه سطوح
- تعداد درس:181
- مدت زمان :18:35:26
- حجم :8.89GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy