دوره آموزشی - جستجوی «برنامه‌نویس هوش مصنوعی»

نتایج جستجوی «برنامه‌نویس هوش مصنوعی» در دوره‌های آموزشی مرتبط با مقاطع تحصیلی و مهارت‌های شغلی مختلف، مانند دوره‌های برنامه‌نویسی، حسابداری، مدیریت و ...

آموزش درک مقدماتی شبکه

کاربرد دوره آموزش رایگان درک شبکه چیست؟ شبکه‌ها مجموعه‌ای از کامپیوتر‌ها، سخت‌افزارها و نرم‌افزارها هستند که می‌توانند به شکل معناداری اطلاعات و داده‌ها را با یکدیگر به اشتراک بگذارند. شبکه‌های کامپیوتری تنها مختص مهندسان کامپیوتر نیست. این رشته می‌تواند شاخه‌ای از مهندسی برق، مهندسی الکترونیک، ارتباطات راه دور، علوم رایانه و حتی فناوری اطلاعات باشد. حوزه استفاده از شبکه‌های کامپیوتری بسیار گسترده است. تمام مکان‌های تجاری و غیرتجاری نیاز به شبکه دارند. تقریبا می‌توان گفت هیچ مکانی وجود ندارد که شبکه‌ها به آن راه نیافته باشد. موسسات، سازمان‌ها، شرکت‌ها، کارگاه‌ها، مراکز درمانی و آموزشی و همچنین فروشگاه‌ها از این فناوری بهره می‌برند. در این دوره به یادگیری عمیق شبکه نمی‌پردازیم. تنها در طی 14 جلسه سعی می‌کنیم مسیر درک شبکه را برای شما هموار کنیم تا بتوانید گام‌های بعدی را خودتان بردارید. در واقع دوره درک شبکه جادی به توضیح دقیق دستورها، اسامی و سایر اطلاعات نمی‌پردازد. بلکه این دوره قصد دارد مفاهیم کاربردی شبکه‌های کامپیوتری را طوری به شما ارائه دهد که بتوانید به صورت عملی کار با این فناوری مهم را یاد بگیرید. شبکه یک مفهوم بسیار گسترده است. برای اینکه بتوانید آن را به خوبی یاد بگیرید، بهتر است از یک مدل لایه‌بندی شده استفاده کنید. مدل osi پردازش کامل شبکه را به چند وظیفه کوچک‌تر تقسیم می‌کند. سپس برای هر لایه وظایف خاص خودش را تعریف می‌کند. بدین ترتیب با یادگیری گام به گام لایه‌های شبکه می‌توانید به درک شبکه برسید. در مدل osi هر لایه یک وظیفه منحصربه‌فرد دارد و تنها به لایه قبل و بعد خودش سرویس می‌دهد. در این دوره تا حد امکان به لایه‌های مهمی می‌پردازیم که مورد کاربرد هر برنامه‌نویسی می‌تواند باشد. لایه اول لایه فیزیکال است. این لایه همانطور که از اسمش پیداست با مشخصات فیزیکی محیط انتقال سروکار دارد. روتر، کابل، کامپیوتر و هر وسیله فیزیکی دیگری می‌تواند در این لایه قرار بگیرد. لایه دوم دیتا لینک نام دارد. این لایه به انتقال اطلاعات و داده‌ها می‌پردازد. این لایه همچنین وظیفه تشخیص و اصلاح خطا را هم به عهده دارد. سوئیچ‌ها، پل‌ها، ایستگاه‌های اتصال بی‌سیم و همچنین اصطلاحاتی مانند ppp و Ethernet در این لایه قرار می‌گیرند. لایه سوم از مدل osi لایه نتورک یا شبکه است. پروتکل معروف IP در این لایه قرار دارد که وظیفه مسیریابی را برعهده دارد. لایه چهارم که لایه انتقال یا transport نام دارد که این اتصال منطقی بین دو پایانه در شبکه ایجاد می‌کند. در مورد این لایه‌ها و کارهایی که می‌توان در هرکدام انجام داد، به طور مفصل‌تر در دوره آموزش رایگان درک شبکه مقدماتی می‌پردازیم. لایه‌های بعدی شامل session (نشست)، presentation (نمایش)و application (کابردی) می‌شود. این لایه‌ها مختص برنامه‌نویسان شبکه بوده و از حوزه این دوره خارج است. سوئیچینگ در شبکه‌های کامپیوتری از دیگر مباحث مهم در این حوزه است که انتظار می‌رود هر مهندس کامپیوتر و برنامه‌نویسی با آن آشنایی داشته باشد. سوئیچینگ باارزش‌ترین دارایی یک شبکه کامپیوتری است. سوئیچینگ همان فرایند انتقال پکت‌ها از یک پورت به پورت دیگر به عنوان مقصد نهایی است. به وضعیتی که داده‌ها به یک پورت وارد می‌شوند، ingress و هنگامی که آن‌ها از پورت خارج می‌شوند، egress می‌گویند. یک سیستم ارتباطی ممکن است شامل چندین سوئیچ و گره باشد. در سطح گسترده‌تر سوئیچینگ را به دو دسته عمده تقسیم می‌کنند؛ سوئیچینگ بدون اتصال و سوئیچینگ اتصال محور. دوره درک شبکه جادی به شما کمک می‌کند تا بتوانید راه‌اندازی لب و سوئیچینگ را فرابگیرید. هدف از یادگیری دوره آموزش رایگان درک شبکه چیست؟ آشنایی مقدماتی با شبکه بعد از فراگیری دوره آموزش رایگان درک شبکه چه مهارت‌هایی کسب خواهید کرد؟ راه‌اندازی لب و سوییچینگ نحوه گرفتن اتوماتیک IP و DHCP روتینگ و مسیریابی آشنایی و نحوه کار با DNSها آشنایی با ابزارهای ترابل شوتینگ و حل مشکلات مربوط به اینترنت و شبکه آشنایی با nat آشنایی با پروتکل‌های TCP و UDP و کار با آن‌ها

67,150 تومان
آموزش یادگیری عمیق با پایتون – تنسورفلو و کراس TensorFlow و Keras

آموزش یادگیری عمیق با پایتون – تنسورفلو و کراس TensorFlow و Keras

در سال‌های اخیر، یادگیری عمیق، تحول بزرگی را در یادگیری ماشین و هوش مصنوعی ایجاد کرده است. یکی از مهم‌ترین شاخه‌های مبحث یادگیری عمیق، بسترهای نرم‌افزاری و برنامه‌نویسی هستند که به منظور پیاده‌سازی و آموزش مدل‌ها به کار می‌روند. همچنین، فعالیت‌های زیادی در زمینه ایجاد بسترها و کتابخانه‌های نرم‌افزاری مخصوص یادگیری عمیق، توسط شرکت‌ها و دانشگاه‌های معتبر دنیا، انجام شده است؛ در میان این بسترها، با اطمینان می‌توان بستر TensorFlow شرکت گوگل را پرکاربردترین و محبوب‌ترین و در عین حال، قدرتمندترین بستر نرم‌افزاری در این زمینه معرفی کرد. در این زمینه نیز پرکاربردترین کتابخانه سطح بالا که به طور رسمی توسط بستر TensorFlow گوگل پشتیبانی می‌شود، کتابخانه Keras است. در این فرادرس به آموزش عملی کدنویسی Python در کتابخانه Keras بر پایه بستر TensorFlow خواهیم پرداخت.

399,000 تومان

آموزش یادگیری عمیق پیشرفته: مدل‌سازی سطح پایین

دوره آموزش «یادگیری عمیق پیشرفته: مدل‌سازی سطح پایین» چیست؟ یکی از انواع روش‌های یادگیری ماشین (Machine Learning) و هوش مصنوعی، یادگیری عمیق (Deep learning) است. طی این روش، تلاش بر این است که قابلیتی به ماشین (سیستم کامپیوتری) اضافه شود تا ماشین در تصمیم‌گیری‌ها روشی مشابه فرایند ذهن انسان را داشته باشد و به نوعی فعالیت‌های ذهن انسان را تقلید کند. در دوره «آموزش یادگیری عمیق پیشرفته: مدل‌سازی سطح پایین» شرکت‌کنندگان با موضوعات مختلفی از جمله مدل‌سازی سطح پایین در تنسورفلو آشنا خواهند شد. «تنسورفلو» (TensorFlow)، یک کتابخانه رایگان و اوپن سورس است و به دلیل ویژگی‌های جذابی که در اختیار کاربران قرار می‌دهد، کاربردهای زیادی در یادگیری ماشین دارد. یکی از اصلی‌ترین کاربردهای تنسورفلو در پیاده‌سازی شبکه‌های عصبی است؛ به همین دلیل این کتابخانه، به عنوان پراستفاده‌ترین کتابخانه در یادگیری عمیق شناخته می‌شود. شرکت‌کنندگان این دوره با همه مباحث مربوط به یادگیری عمیق، مدل‌سازی سطح پایین و کتابخانه تنسورفلو آشنا خواهند شد. به طور مشخص شرکت‌کنندگان در این دوره با مباحث زیر سروکار خواهند داشت: آشنایی با تعاریف کلی و مفاهیم مربوط به یادگیری عمیق و مدل‌سازی سطح پایین چگونگی طراحی دلخواه اِلمان‌های مختلف یک شبکه عصبی مانند loss، metric، activation function و حتی لایه‌ها و مدل‌ها چگونگی پیاده‌سازی training loop به صورت کامل و دلخواه آشنایی با تعاریف و عملیات‌های ممکن روی تنسورها آشنایی با امکانات پردازش داده تنسورفلو شرکت‌کنندگان این دوره پس از گذراندن این دوره علاوه بر آشنایی با مباحث و تعاریف کلی موارد زیر را نیز به طور کامل فرا خواهند گرفت: آشنایی با تنسورها و انجام محاسبات با آن‌ها پیاده‌سازی loss، activation function، initializer، regularizer، metric، لایه و مدل دلخواه آشنایی با GradientTape و طراحی حلقه آموزش دلخواه آشنایی با Data API تنسورفلو هدف از برگزاری دوره «یادگیری عمیق پیشرفته: مدل‌سازی سطح پایین» چیست؟ مدل‌سازی سفارشی و سطح پایین یکی از مهم‌ترین مهارت‌ها برای افرادی است که قصد دارند در زمینه یادگیری عمیق فعالیت داشته باشند. شما ممکن است بخواهید ایده‌های جدیدی را برای طراحی یک شبکه عصبی پیاده‌سازی کنید. یعنی شبکه‌ای طراحی کنید که تعدادی از اِلمان‌ها به‌صورت default در آن وجود نداشته باشد. به‌عنوان مثال می‌خواهید یک loss جدید تعریف کنید و یا عملکرد شبکه را با یک متریک جدید ارزیابی کنید؛ یا لایه‌ای بسازید که عملکرد جدیدی داشته باشد. پس از گذراندن این دوره با امکانات لازم در تنسورفلو برای این محاسبات آشنا می‌شوید و می‌توانید شبکه‌ای کاملا دلخواه با نیازها و ایده‌آل‌های خودتان ایجاد کنید. هدف اصلی این دوره آشنایی با همه مباحثی است که در این مسیر مورد نیاز شما خواهند بود و برای کار در این مسیر باید به آن‌ها تسلط پیدا کنید. دوره «یادگیری عمیق پیشرفته: مدل‌سازی سطح پایین» برای چه کسانی مناسب است؟ مباحث مطرح شده در این دوره برای همه افرادی که به موضوعاتی همچون یادگیری عمیق و هرآنچه به این موضوع مربوط می‌شود علاقه‌مند هستند، مفید و کاربردی خواهد بود. به طور خاص این دوره برای کسانی است که با تنسورفلو و کراس آشنایی دارند و قصد دارند با گذراندن یک دوره آموزشی علاوه بر مرور مجدد مباحث مربوط به این عناوین، گامی بزرگ در جهت ماهرتر شدن در مدل سازی شبکه‌های عصبی برای یادگیری عمیق بردارند.

203,150 تومان

آموزش تابلوخوانی در بازار سرمایه ایران

تابه‌حال به خوانش درست و دقیق تابلوی بازار سرمایه ایران و تابلوخوانی در بازار سرمایه ایران اصولی فکر کرده‌اید؟ به نظر شما چند درصد از خطای سرمایه‌گذاران ناشی از عدم تسلط بر تابلوخوانی است؟ تابلوخوانی در بازار سرمایه ایران به معنای پیش‌بینی آینده قیمت‌ها، با تکیه بر مشاهدات تابلوی معاملات سهم در بازار سرمایه است. در روش تابلوخوانی بازار سرمایه ایران، فرد با شناخت امواج ورودی و خروجی پول، معاملات کد به کد و سایر عوامل مرتبط بدون اینکه نیاز مستقیمی به تحلیل تکنیکال یا تحلیل بنیادی داشته باشد، می‌تواند با پیگیری جریان سفارشات آینده، قیمت یک سهم را پیش‌بینی نماید. بنابراین اگر شما بتوانید این موارد را صرفاً بر اساس تابلوخوانی اصولی یک سهم تشخیص دهید، قاعدتاً معامله‎‌گر موفقی خواهید بود. همچنین مشخص است اگر سایر روش‌ها را در کنار این روش استفاده کنید، معاملات موفق‌تری خواهید داشت. بهترین معاملات، ناشی از شناسایی نکات ساده و استفاده مکرر از آن‌هاست. تابلوخوانی بازار سرمایه ایران نیز کمک می‌کند تا حرفه‌ای، اصولی و با ریسک کمتر به معامله بپردازید. اما تابلوخوانی در بازار سرمایه ایران مخاطبان گسترده‌ای نیز دارد، مخاطبان این دوره تمامی تحلیلگران بازار سرمایه ایران که از دانش تکنیکال برخوردار باشند هستند. یکی از نیازهای سرمایه‌گذار بعد از ورود به بازار سرمایه و به ویژه بورس، این است که به تابلوخوانی در بازار سرمایه ایران به اندازه کافی تسلط داشته باشد. سرمایه‌گذار با تابلوخوانی درست و اصولی می‌تواند اتفاقاتی که در تابلو بورس می‌افتد را تجزیه‌وتحلیل کند. شناخت اصطلاحات رایجی که در حوزه بازار سرمایه وجود دارد، یکی از نیازهای اساسی هر سرمایه‌گذاری برای ورود به این بازار است. هر سرمایه‌گذار در هنگام ورود به بورس باید با این اصطلاحات آشنا شود. تابلوخوانی به‌عنوان یک ابزار برای سرمایه‌گذاران شناخته می‌شود. درواقع سرمایه‌گذاران ابتدا با روش تحلیلی خود پیش می‌روند و برای اطمینان بیشتر از ابزار تابلوخوانی استفاده می‌کنند. تابلوخوانی در بازار سرمایه ایران را می‌توان بررسی هر نماد، میزان خریدوفروش، نوسان‌های قیمت، میزان عرضه و تقاضای سهامداران حقیقی و حقوقی که منجر به شناخت و درک بهتر وضعیت حال حاضر سهم می‌شود نیز دانست. اولین چیزی که برای تابلوخوانی باید با آن آشنا باشیم، اطلاعات معاملات سهم است. برای کسب این اطلاعات باید به سایت شرکت مدیریت فناوری بورس تهران مراجعه کنید. در این دوره به بررسی معاملات نوسانی در طی روز و الگوهای مثبت و منفی همچون الگوی تیک نیز می‌پردازیم. اما فاکتورهای مهم تابلوخوانی در بورس ایران چیست؟ از مهم‌ترین فاکتورهای تابلوخوانی تعداد معاملات است. در صفحه تعداد معاملات آن نماد نوشته‌شده است که نشان‌دهنده تعداد دفعات انجام معامله در نماد است. این عدد به تنهایی نمی‌تواند معیاری برای تابلوخوانی در بازار باشد؛ زیرا هر شخص برای خرید ۵۰۰۰ سهم ممکن است چندین بار سفارش خود را وارد سامانه کند. به‌عنوان‌مثال سرمایه‌گذار می‌تواند برای خرید ۵۰۰۰ سهم، ۵ سفارش ۱۰۰۰ تایی و یا تعداد دفعات سفارش بالاتر همراه با حجم‌های کمتر در سامانه معاملاتی قرار دهد. فاکتور بعدی در تابلوخوانی بازار سرمایه ایران، حجم معاملات سهم خواهد بود که فرد با مقایسه حجم معاملات روز سهم با میانگین حجم ماه می‌تواند اطلاعات مفیدی به دست بیاورد. حجم مبنا نیز در تابلوخوانی اهمیت پیدا می‌کند؛ زیرا برای بالا یا پایین رفتن قیمت پایانی سهم، حجم مبنا نقش زیادی دارد. EPS و EPS: P/E و P/E هر سهم در تابلو معاملاتی آن سهم قرار دارد. این اطلاعات برای افرادی که با تحلیل بنیادی معامله می‌کنند، می‌تواند مفید باشد. در این بخش مقایسه‌ای نیز بین این سهم با هم‌گروهی‌های آن صورت گرفته است. در دوره آموزش تابلوخوانی در بازار سرمایه ایران به بررسی تمامی فاکتورهای مورد نیاز در تابلوخوانی خواهیم پرداخت.

126,650 تومان

هنر حل مسئله با داده

دوره هنر حل مسئله با داده مناسب چه کسانی است؟ جمع‌آوری داده و تجزیه و تحلیل آن‌ها به سازمان کمک می‌کند تا درآمد و جایگاه خود را در بین رقبا ارتقا دهد. بنابراین اگر با مفاهیم اولیه تحلیل داده و یادگیری ماشین آشنا هستید و قصد ورود به بازار کار در این حوزه را دارید، دوره هنر حل مسئله با داده مکتب‌پلاس برای شما تهیه شده است. همچنین اگر تمایل دارید با مفاهیم علوم داده به صورت حرفه‌ای آشنا شوید و آن‌ها را در حل مسئله‌های واقعی به‌کار بگیرید، این دوره کمک شایانی به شما خواهد کرد. بعد از فراگیری دوره آموزش هنر حل مسئله با داده چه مهارت‌هایی کسب خواهید کرد؟ به طور کامل با مفهوم volatility آشنایی خواهید داشت و چگونگی استفاده از آن را فرا خواهید گرفت. می‌توانید نوع مدل‌سازی و حل مسئله را بررسی کنید. توانایی جمع‌آوری داده‌ها، تجزیه تحلیل و آماده‌سازی آن‌ها را خواهید داشت. می‌توانید مسئله را مدل‌سازی کنید. با استفاده از مدل ساخته شده می‌توانید مسئله را حل کنید. می‌توانید تکنیک مناسب را با توجه به نوع مسئله انتخاب کنید. می‌توانید نتایج تحلیل‌های خود را به زیبایی و به درستی به مخاطبان منتقل کنید. پیش‌نیاز فراگیری دوره آموزش هنر حل مسئله با داده چیست؟ برای داشتن هنر حل مسئله با داده اول از هر چیز، باید بتوانید مشکلی که کسب‌وکار شما با آن روبه‌رو است را به خوبی درک کنید. آشنایی با چگونگی جمع‌‌آوری داده هم مهم است. چرا که با تحلیل داده‌های مناسب می‌توانید اطلاعات موردنیازتان را کسب کنید. از طرفی هنر حل مسئله نیاز به آشنایی با اصول یادگیری ماشین دارد. در واقع، شما باید بتوانید الگوریتم‌ها را به خوبی درک و آن‌ها را پیاده‌سازی کنید. سفر از یک مشکل واقعی در کسب‌وکار به یک مسئله در حوزه علوم داده کار چندان آسانی نیست. بنابراین باید به طور دقیق بدانید که در هر مرحله از فرایند حل مسئله، می‌خواهید چه کاری انجام دهید.

449,650 تومان

آموزش الگوریتم‌های بهینه ‌سازی در R

در این درس دانشجویان با مفاهیم بهینه‌سازی و نحوه اجرای آن در R آشنا می‌شوند. تمرکز این درس کاربرد روش‌های بهینه‌سازی در حوزه کسب‌وکار و مدیریت است. پرسش‌هایی اساسی در کسب‌وکار نظیر موارد زیر با الگوریتم‌های بهینه‌سازی قابل پاسخ‌دادن هستند: · یک شرکت تحت محدودیت‌های مختلف تولید و بازار، چگونه ترکیب بهینه محصولات خود را تعیین ‌کند تا سود خود را افزایش دهد؟ · یک شرکت چگونه ساختار لجستیک خود را طراحی کند تا هزینه حمل‌ونقل خود را کمینه کند؟ · باتوجه ‌به الگوی تقاضا، چگونه نیروی انسانی را در شیفت‌های مختلف کاری تخصیص دهیم تا هزینه منابع انسانی کمینه شود؟ · سبدی از دارایی‌ها را چگونه تخصیص دهیم تا با کم‌ترین ریسک، بازدهی سبد دارایی‌ها بیشینه شود؟ مخاطب اصلی این درس کسانی هستند که می‌خواهند از روش‌های داده‌محور برای تصمیمات کسب‌وکار استفاده کنند. هدف از درس این نیست که دانشجویان بیش از اندازه درگیر روش‌های ریاضی و آماری شوند، بلکه هدف آموزش مفاهیم به زبان ساده به همراه نشان‌دادن کاربردها و روش‌های پیاده‌سازی الگوریتم‌های بهینه‌سازی در عمل است. این یک درس پیشرفته است و بنابراین انتظار می‌رود مخاطبان این درس با مفاهیم کار با داده آشنا باشند و بتوانند با زبان برنامه‌نویسی R به راحتی کار کنند. دانشجویان در پایان این دوره باید روی یک پروژه کاربردی کار کنند و آن را تحویل دهند. کارکردن روی این پروژه و بازخوردهایی که از استاد دوره می‌گیرند، به آنان کمک خواهد کرد تا مفاهیم آموخته شده در درس را بهتر بفهمند و برای حل مسائل کسب‌وکار با روش‌های داده‌محور آماده‌تر شوند. این پنجمین درس از مجموع دوره Business Analytics در مکتب‌خونه است که هدف آن کاربرد روش‌های داده‌محور در کسب‌وکار است.

381,650 تومان

ساخت ربات معامله‌گر با زبان MQL4 و MQL5

پلتفرم معاملاتی متا تریدر محبوب‌ترین پلتفرم معاملاتی دنیاست. علت محبوبیت بسیار زیاد این پلتفرم را می‌توان در امکانات فوق‌العاده و زیادی که به کاربران خود می‌دهد، جستجو کرد. امکان ساخت، تست و اجرای ربات‌های معاملاتی از جمله این امکانات است. اکسپرت ادوایزر (Expert Advisor) به آن دسته از برنامه‌های کامپیوتری می‌گویند که روی پلتفرم متا تریدر راه‌اندازی می‌شود و بازارهای مالی را رصد می‌کند. ربات معامله‌گر یا ربات تریدر در واقع همان نرم‌افزاری است که به مانند یک معامله‌گر تحت نظارت و برنامه‌های مشخص در بازارهای مالی حضور پیدا کرده و خرید و فروش انجام می‌دهد. این ربات‌ها می‌توانند برای حضور حرفه‌ای در بازارهای مالی از جمله فارکس، ارز دیجیتال، بورس اوراق بهادار و ... به معامله گران کمک کند.هدف از یادگیری آموزش ساخت ربات معامله‌گر با زبان MQL4 و MQL5 چیست؟ فعالیت در بازارهای مالی و سرمایه‌گذاری در آن امروزه به یک کار مفرح و درعین‌حال پرسود تبدیل شده است. کسانی که با این بازار آشنا هستند به‌خوبی می‌توانند سرمایه‌گذاری کرده و سودهای کلانی به دست آورند. بااین‌حال باز هم معامله‌گران در تمام شرایط نمی‌توانند یک ترید موفق داشته باشند یا هم‌زمان بازارهای متعدد را بررسی کنند؛ بنابراین در این شرایط وجود یک ربات معامله‌گر مانند اکسپرت ادوایزر (expert advisor) ضروری است. هدف از ساخت این ربات‌ها کمک به معامله‌گران برای پیداکردن سیگنال‌های خریدوفروش در بازارها (مشاور) و همچنین معامله به‌جای آن‌ها (تریدر) است.دوره آموزش ساخت ربات معامله‌گر با زبان MQL4 و MQL5 مناسب چه کسانی است؟ کسانی که به فعالیت در بازارهای مالی علاقه‌مندند. معامله‌گرانی که به استفاده از ربات معامله‌گر در معاملات خود علاقه دارند. کسانی که با اصول معامله‌گری در بورس و بازارهای مالی آشنایی دارند. کسانی که به‌صورت حرفه‌ای در بورس فعالیت دارند. بعد از فراگیری دوره آموزش ساخت ربات معامله‌گر با زبان MQL4 و MQL5 چه مهارت‌هایی کسب خواهید کرد؟ برنامه‌نویسی به زبان‌های MQL4 و MQL5 ساخت یک ربات معامله‌گر یا اکسپرت ادوایزر آشنایی با اندیکاتورها و دستورات آن نوشتن اندیکاتور آشنایی با توابع خریدوفروش و مدیریت پوزیشن در MQL5

1,444,150 تومان

آموزش تحلیل داده با زبان برنامه نویسی R (پیشرفته)

در دوره آموزش تحلیل داده با زبان برنامه نویسی R (پیشرفته) دانشجویان با کاربردهای برخی از الگوریتم‌های یادگیری ماشین (Machine Learning) در کسب‌وکار و نحوه به‌کارگیری این الگوریتم‌ها روی داده‌های واقعی آشنا می‌شوند. رگرسیون خطی، رگرسیون لجستیک، خوشه‌بندی سلسله مراتبی، خوشه بندی kmeans و الگوریتم Naive Bayes و الگوریتم Apriori روش‌هایی هستند که در این درس آموزش داده می‌شوند. مباحث به‌گونه‌ای انتخاب شدند که بیشترین کاربردها را در دنیای کسب‌وکار داشته باشند و دانشجویان پس از یادگیری بتوانند آن‌ها را برای حل مسائل دنیای واقعی بکار ببرند. الگوریتم‌هایی آموزش داده‌شده در این درس، عمدتاً برای پیش‌بینی و کشف الگوها بکار می‌روند. پرسش‌هایی اساسی در کسب‌وکار نظیر موارد زیر با الگوریتم‌های بالا قابل پاسخ دادن هستند: • چگونه می‌توان رضایت مشتریان را از خدمات سازمان افزایش داد؟ • کدام‌یک از مشتریان سازمان سودآورتر از بقیه هستند؟ • چگونه تقلب را در حوزه‌های مختلف مانند ادعای خسارت در بیمه، پول‌شویی، هزینه‌های بیمارستانی و فرار مالیاتی شناسایی کنیم؟ • احتمال آن‌که فردی که متقاضی وام است، نتواند وام خود را پس دهد، چقدر است؟ • چگونه کاربران را بر اساس رفتار آن‌ها خوشه‌بندی کنیم و به هریک از آنان خدمات سفارشی‌شده ارائه دهیم؟ • چه بسته‌ای از محصولات را در کنار یکدیگر قرار دهیم تا فروش افزایش یابد؟

381,650 تومان

دوره یادگیری عمیق با تنسورفلو و کراس

دوره آموزش یادگیری عمیق با تنسورفلو و کراس چیست؟ دوره آموزش یادگیری عمیق با تنسورفلو و کراس به آموزش کاربردی یادگیری عمیق و تمام مباحث مربوط به کتابخانه‌­های تنسورفلو و کراس می‌­پردازد. به طور مشخص­‌تر موضوعاتی که در این دوره دنبال می‌­شود شامل موارد زیر است: پیاده‌­سازی شبکه‌­های عصبی (یادگیری عمیق) در پایتون پیاده‌­سازی شبکه­‌های Multi-layer perceptron (MLP) و Convolutional بحث و بررسی در رابطه با موضوعات گوناگون یادگیری عمیق مانند: Transfer learning، Overfitting و Regularization بررسی دقیق و عمیق تنسورفلو و کراس آشنایی با یادگیری عمیق، تنسورفلو و کراس در یک تعریف کلی، یادگیری عمیق یکی از شاخه­‌های یادگیری ماشین و هوش مصنوعی است که در آن سعی می­‌شود از روش کارکرد مغز برای یادگیری موضوعات استفاده شود. در یادگیری عمیق به کامپیوترها آموزش داده می‌­شود که برای حل مسائل از روش­‌هایی استفاده کنند که مغز انسان برای حل مسائل از آن روش‌­ها استفاده می‌­کند. به طور کلی یادگیری عمیق سعی می‌­کند به شبیه‌سازی مغز انسان بپردازد. «تنسورفلو» (TensorFlow)، یک کتابخانه رایگان و اوپن سورس است که کاربردهای زیادی در یادگیری ماشین دارد. یکی از اصلی‌­ترین کاربردهای تنسورفلو در پیاده‌­سازی شبکه­‌های عصبی است. به همین دلیل است که این کتابخانه، پراستفاده‌­ترین کتابخانه در یادگیری عمیق است. کراس یک کتابخانه در تنسورفلو است که با هدف توسعه شبکه‌­های عصبی ایجاد شده است. هدف از برگزاری دوره آموزش یادگیری عمیق با تنسورفلو و کراس چیست؟ امروزه اهمیت یادگیری عمیق در بسیاری از تکنولوژی‌­ها بر کسی پوشیده نیست؛ تا جایی که در دنیای امروز یادگیری عمیق به مغز محاسباتی در بسیاری از زمینه­‌های علم و تکنولوژی تبدیل شده است. به همین دلیل است که در دنیایی از صنایع مختلف تا تکنولوژی‌­های مختلف، تقریبا هیچ موردی را نمی‌­توان پیدا کرد که در آن ردپایی از یادگیری عمیق دیده نشود. به این ترتیب، اصلی­‌ترین هدف این دوره آموزش کاربردی یادگیری عمیق و شناخت ابعاد گوناگون آن است. در این دوره شما با این ابزار بسیار مهم به ­صورت عملیاتی آشنا می‌­شوید و جزئیات لازم برای پیاده‌­سازی بهینه این الگوریتم‌ها را در عمل می­‌آموزید. در ادامه راه می‌­توانید از این ابزار در هر زمینه‌­ای که با داده روبه‌­رو می‌شوید و به دنبال پیدا کردن الگوهای آن هستید، استفاده کنید. دوره آموزش یادگیری عمیق با تنسورفلو و کراس برای چه کسانی مناسب است؟ محتوای این دوره به نحوی انتخاب شده که مناسب افرادی باشد که دوره یادگیری ماشین را گذرانده‌اند و با مفاهیم ابتدایی هوش مصنوعی آشنایی دارند و به دنبال ادامه مسیر یادگیری/شغلی در این زمینه هستند. با توجه به اینکه این دوره ترکیب آموزش مفاهیم تئوری و عملی در کنار یکدیگر است، دانشجویان این دوره می‌توانند مسائل دنیای واقعی مثل پردازش تصویر، پردازش زبان طبیعی، پیش‌بینی‌های دنباله‌های عددی و ترافیک و غیره را حل کنند. بنابراین این دوره مناسب کسانی خواهند بود که علاقه‌مند به مباحث پیشرفته هوش مصنوعی و چالش‌های لبه‌ی تکنولوژی هستند. در انتهای دوره آموزش یادگیری عمیق با تنسورفلو و کراس مخاطب چه دستاوردی خواهد داشت؟ با توجه به محتوایی که در این دوره به شرکت‌­کنندگان آموزش داده می‌­شود، در انتهای دوره مخاطبان محترم با موارد زیر آشنایی خواهند داشت: پیاده­‌سازی شبکه‌­های MLP پیاده‌­سازی شبکه­‌های Sequential، Functional و Subclass بهینه­‌سازی پارامترهای شبکه­‌های عصبی شناخت ترکیب مناسب activation function و initialization شناخت بهینه‌­ساز­ها و برنامه‌­های زمانی متناسب شناخت راهکارهای مقابله با Overfitting شناخت ابزار لازم برای ارزیابی عدم قطعیت پیش‌بینی شبکه­‌های عصبی پیاده‌سازی Transfer learning و استفاده از شبکه­‌های قدرتمند آماده پیاده‌­سازی شبکه­‌های Convolutional

832,150 تومان
دوشنبه 10 اردیبهشت 1403، ساعت 03:39