دوره آموزشی - جستجوی «بیمه ای»

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

آموزش رایگان بهبود شبکه‌های عصبی عمیق

کاربرد دوره آموزش بهبود شبکه‌های عصبی عمیق چیست؟ شبکه عصبی عمیق یک شبکه عصبی با سطح مشخصی از پیچیدگی و بیش از دولایه است. این نوع شبکه‌ها از مدل‌سازی سطح بالای ریاضی برای پردازش داده‌ها به روش‌های پیچیده استفاده می‌کنند. به‌طورکلی شبکه عصبی یک فناوری است که برای شبیه‌سازی فعالیت مغز انسان ساخته شده‌است؛ شناخت الگو و عبور ورودی از طریق لایه‌های اتصالات عصبی شبیه‌سازی شده مختلف از مهم‌ترین این فعالیت‌هاست. بسیاری از کارشناسان شبکه‌های عصبی عمیق را شبکه‌هایی تعریف می‌کنند که یک‌لایه ورودی، یک‌لایه خروجی و حداقل یک‌لایه پنهان در بین آن‌ها دارند. هر لایه نوع خاصی از مرتب‌سازی و ترتیب را در فرایندها انجام می‌دهند. یکی از کاربردهای کلیدی شبکه عصبی عمیق سروکار داشتن با داده‌های بدون برچسب یا ساختار نیافته است. عبارت یادگیری عمیق هم برای توصیف این شبکه‌های عصبی عمیق به کار می‌رود؛ چراکه یادگیری عمیق شکل خاصی از یادگیری ماشین را نشان می‌دهد که در آن فناوری‌ها با استفاده از جنبه‌های هوش مصنوعی به دنبال طبقه‌بندی و تنظیم اطلاعات فراتر از پروتکل‌های ساده ورودی و خروجی هستند. هدف از یادگیری دوره آموزش بهبود شبکه‌های عصبی عمیق چیست؟ آموزش بهبود شبکه عصبی عمیق، دومین دوره از مجموعه تخصص یادگیری عمیق اندرو می‌باشد. هدف از این دوره این است که بتوانید فرایندهایی که منجر به کارایی می‌شوند و به طور سیستماتیک نتایج خوبی به بار می‌آورند، را درک کنید. در پایان این دوره شما خواهید توانست بهترین روش‌ها را برای آموزش و توسعه مجموعه‌های آزمون و تجزیه و تحلیل بایاس واریانس استفاده کرده و آن‌ها را برای ایجاد برنامه‌های یادگیری عمیق به کار ببرید. دوره آموزش بهبود شبکه‌های عصبی عمیق مناسب چه کسانی است؟ کسانی که با هوش مصنوعی آشنایی دارند و می‌خواهند مهارت‌های خود را ارتقا دهند. برنامه‌نویسانی که به کار کردن در حوزه بهبود شبکه عصبی عمیق علاقه‌مندند. دانشجویان علوم مهندسی، پزشکی و پایه بعد از فراگیری دوره آموزش بهبود شبکه‌های عصبی عمیق چه مهارت‌هایی کسب خواهید کرد؟ با گذراندن این دوره مهارت‌های شما در زمینه بهبود شبکه‌های عصبی عمیق ارتقا پیدا خواهد کرد و می‌توانید از تکنیک‌های استاندارد شبکه عصبی عمیق استفاده کنید. این تکنیک‌ها عبارت‌اند از: تنسورفلو (Tensorflow) یادگیری عمیق بهینه‌سازی ریاضی تنظیم هایپر پارامترها مقداردهی اولیه نرمال‌سازی بسته‌ها پیاده‌سازی و به‌کارگیری انواع الگوریتم‌های بهینه‌سازی

118,150 تومان

آموزش اصول وام قابل تبدیل به سهام برای جذب سرمایه استارتاپ

وام قابل تبدیل به سهام، یکی از جذاب‌ترین و پرکاربردترین روش‌های جذب سرمایه برای استارتاپ‎ها و کسب‌وکارهای نوپاست. خصوصاً وقتی در نظر بگیریم مهم‌ترین موضوعی که مذاکرات بین سرمایه‌‎گذار و استارتاپ را به بن ‎بست می‎کشاند عدم توافق طرفین بر سر ارزش شرکت است؛ فرمت قراردادی وام قابل تبدیل به سهام به زیبایی این معضل را حل کرده و احتمال رسیدن به یک معامله برد-برد را بالا می‎برد. اگر به دنبال راه‌اندازی استارتاپ خود و ارائه خدمات به مشتریان بوده باشید، به‌عنوان یکی از اصلی‌ترین چالش‌های کسب‌وکار خود با تأمین سرمایه برای پیشبرد اهداف خود روبرو بوده‌اید. روش‌های مختلفی برای تأمین مالی استارتاپ‌ها وجود دارد اما آنچه بیش از هر چیز اهمیت دارد، نحوه‌ی بررسی مزایای استفاده از هریک از موارد به‌طور اختصاصی برای استارتاپ‌ها می‌باشد. این در حالی است که هر کسب‌وکار یا استارتاپ در ابتدای فعالیت خویش نیاز مبرمی به سرمایه مالی دارد تا ابتدایی‌ترین نیازهای خویش را برآورده نماید. نیازهایی که می‌تواند سرمایه‌های انسانی استارتاپ را نیز در بهبود عملکرد خود یاری کند. ما در دوره آموزش وام قابل تبدیل به سهام برای جذب سرمایه استارتاپ سعی داریم تا به‌درستی توصیفی دقیق از آن داشته و مزایای استفاده از وام قابل تبدیل به سهام را در استارتاپ‌ها یادآور شویم، اجزای آن را بررسی کرده و ملاحظات و شرایط قانونی آن را بیاموزیم. همچنین نحوه‌ی دریافت وام قابل تبدیل به سهام را نیز گام‌به‌گام آموزش دهیم. در همین راستا استارتاپ‌ها به‌منظور تأمین برخی از هزینه‌های اولیه خویش متوسل به سرمایه‌گذارانی (Angel Investors) می‌شوند که با انتقال منابع مالی در قالب یک وام کوتاه‌مدت، خود را به هنگام سررسید مطالبه آن، سهامدار شرکت می‌دانند. اما به‌راستی «وام قابل تبدیل به سهام» چیست؟ می‌بایست گفت که Convertible Note نوعی سرمایه کوتاه‌مدت است که توسط شخص وام‌دهنده در قالب یک شخص حقیقی یا حقوقی به یک کسب‌وکار یا استارتاپ اعطاء می‌گردد. درواقع وام اعطایی در قالب یک قرارداد وام قابل تبدیل به سهام منعقد می‌شود؛ بدین معنا که پس از فرا رسیدن موعد بازپرداخت مبلغ وام، آن بخش از مبلغ واحد که حداکثر میزان ارزش‌گذاری آن لحاظ می‌گردد، به سهام ممتاز استارتاپ تبدیل می‌گردد و وام‌دهنده خود را با امتیازاتی از قبیل سود سالانه وام اعطایی، درصد تخفیف اعطای سهام و تخفیف در خرید سهام جدید به‌عنوان یک سهامدار استارتاپ در نظر می‌گیرد. البته قید سهام ممتاز بدین‌جهت است که سرمایه‌گذاران اغلب خواستار سهام ویژه و ممتاز هستند و به این دلیل نیست که نتوان سهام عادی را به ایشان پیشنهاد داد. تحقق مبلغ پرداختی قابل تبدیل به سهام، بستگی به موفقیت استارتاپ دارد به‌نحوی‌که اگر استارتاپ در بازه زمانی مشخص‌شده (سررسید وام) موفق به پیشبرد اهداف خویش نشود و فعالیت خویش منجر به سوددهی و افزایش سهام کسب‌وکار نشود، ملزم است اصل‌وفرع مبلغ وام را در زمان سررسید مطالبه وجه به سرمایه‌گذار پرداخت کند. در مقابل در صورت موفقیت استارتاپ به‌منظور تحکیم و افزایش ارزش سهام خویش، اقدام به ارزش‌گذاری مبلغ وام در زمان سررسید مطالبه وام می‌کند و به ازای آن، سهام (عادی یا ممتاز) با شرایط ویژه‌ای به سرمایه‌گذار پرداخت می‌کند. ما در دوره‌ی وام قابل تبدیل به سهام همچنین سعی داریم تا با ارائه موارد دقیق، مدل‌های تئوریک اعطای وام و همچنین تعارضات ناشی از حقوق صاحبان سهام استارتاپ‌ها را بررسی کنیم. البته باید در نظر داشت که برخلاف سایر مدل‎‌های دریافت سرمایه، وام قابل تبدیل به سهام پیچیدگی‌‌ها و ملاحظات حقوقی و نکته‌‎های مذاکراتی فراوانی دارد که اگر رعایت نشوند، می‎توانند منافع بنیان‌گذار و یا سرمایه‌گذار را درخطر قرار دهد. ما در این دوره، تلاش کرده‌‎ایم ضمن معرفی کامل تاریخچه، مکانیسم‌‌های مالی و نحوه طراحی، ملاحظات و الزامات حقوقی و ... به شرکت‎‌کننده درکی عمیق و دست اول از نحوه انعقاد این مدل قرارداد ارائه کنیم.

424,150 تومان

آموزش مدل‌های توالی و پردازش زبان طبیعی

ویدیوهای زبان اصلی دوره به صورت رایگان هستند اما برای دسترسی به زیرنویس فارسی ویدیوها می توانید محتوای دوره را خریداری کنید. کاربرد دوره آموزش مدل ‌های توالی (sequence model) و پردازش زبان طبیعی مدل‌های توالی در کاربردهایی که به تجزیه‌وتحلیل داده‌های ورودی به‌عنوان یک جریان هم‌بسته مداوم احتیاج دارد، نقشی اساسی ایفا می‌کند. این مقادیر می‌توانند داده‌های سری زمانی باشند که تقاضای یک محصول را در یک بازه زمانی خاص پیش‌بینی می‌کنند. کاربرد دیگر مدل‌های توالی می‌تواند در پیش‌بینی متن باشد. سیستم بر اساس توالی آخرین عبارت و مجموعه‌ای از شرایط و قوانین از قبل بارگذاری شده، قادر است کلمه بعدی را پیش‌بینی کند. یکی از انواع شبکه‌ها که در تشخیص گفتار، پردازش زبان طبیعی (NLP) و پردازش داده‌های متوالی استفاده می‌شود، شبکه عصبی بازگشتی یا RNN نام دارد. با فراگیری آموزش مدل‌های توالی به‌عنوان بخشی از RNN کسب‌وکارها می‌توانند عملیات خود را تقویت کنند و تصمیم‌گیری‌هایشان را بهبود بخشند. در این دوره از آموزش مدل‌های توالی و آموزش پردازش زبان شما با مدل‌های NLP و اپلیکیشن‌های جذابشان مانند تشخیص گفتار، ترکیب موسیقی، چت‌بات‌ها، ترجمه ماشینی، درک زبان طبیعی و تکامل الگوریتم‌های توالی آشنا خواهید شد. هدف از یادگیری دوره آموزش مدل‌ های توالی و پردازش زبان طبیعی چیست؟ آموزش sequence model، دومین دوره از مجموعه تخصص یادگیری عمیق اندرو می‌باشد. هدف از این دوره، این است که شما بتوانید با شبکه‌های عصبی بازگشتی (RNN) و انواع رایج‌تر آن مانند GRU و LSTM کار کنید. با استفاده از این مدل‌ها می‌توانید پردازش زبان طبیعی و Word Embedding را یاد بگیرید. دوره آموزش مدل‌‌های توالی و پردازش زبان طبیعی مناسب چه کسانی است؟ دانشجویان و فارغ‌التحصیلان مهندسی کامپیوتر و هوش مصنوعی کسانی که به ساخت اپلیکیشن‌های کاربردی با استفاده از یادگیری عمیق علاقه‌مندند. مهندسانی که نمی‌خواهند از دنیای تکنولوژی عقب بمانند. بعد از فراگیری دوره آموزش مدل‌‌های تربیتی (sequence model) و پردازش زبان طبیعی چه مهارت‌هایی کسب خواهید کرد؟ پس از فراگیری آموزش مدل‌های ترتیبی شاهد ارتقاء مهارت‌های زیر در خود خواهید بود: پردازش زبان طبیعی (NLP) حافظه طولانی کوتاه‌مدت (LSTM) واحد بازگشتی گیتی (GRU) شبکه عصبی بازگشتی (RNN) مدل‌های توجه

160,650 تومان

آموزش ساخت پروژه یادگیری ماشین موفق

کاربرد دوره آموزش ساخت پروژه یادگیری ماشین موفق چیست؟ یادگیری ماشین روشی برای تحلیل داده‌ها است که ساخت مدل‌های تحلیلی را خودکار می‌کند. ماشین لرنینگ شاخه‌ای از هوش مصنوعی محسوب می‌شود و مبتنی بر این ایده است که سیستم‌ها می‌توانند از داده‌ها بیاموزند، الگوها را شناسایی کنند و با حداقل دخالت انسان تصمیم بگیرند. آموزش ساخت پروژه یادگیری ماشین موفق، سومین دوره از مجموعه تخصص یادگیری عمیق اندرو می‌باشد. در این دوره یاد خواهید گرفت که چگونه یک پروژه را در این زمینه با موفقیت ایجاد کنید و به‌عنوان رهبر پروژه تصمیم‌گیری‌های لازم را انجام دهید. در پایان شما قادر خواهید بود خطاهای موجود در سیستم یادگیری ماشین را تشخیص دهید، استراتژی‌هایتان را برای کاهش خطاها اولویت‌بندی کنید و تنظیمات پیچیده ML مانند مجموعه‌های آموزش و آزمایش ناسازگار را درک کنید. یادگیری end-to-end، یادگیری انتقال و یادگیری چند وظیفه‌ای از دیگر کارهایی است که بعد از گذراندن این دوره قادر به انجام آن‌ها خواهید بود. هدف از یادگیری دوره آموزش ساخت پروژه یادگیری ماشین موفق چیست؟ هدف از دوره آموزش ساخت پروژه یادگیری ماشین این است که شما بتوانید توانایی‌ها، چالش‌ها و پیامدهای یادگیری عمیق را درک کنید. این دوره شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده می‌کند. علاوه بر این موارد، دوره حاضر مسیری برای شما فراهم می‌کند تا دانش و مهارت لازم را، برای استفاده از یادگیری ماشین در کار خود، ارتقا سطح فنی‌تان و برداشتن گام نهایی در دنیای هوش مصنوعی به دست آورید. دوره آموزش ساخت پروژه یادگیری ماشین موفق مناسب چه کسانی است؟ این دوره نحوه انجام پروژه یادگیری ماشین را به شما آموزش می‌دهد؛ بنابراین این دوره برای کسانی که دانش اولیه یادگیری ماشین دارند، بسیار مناسب است. دوره آموزش یادگیری ماشین با استفاده از تجربه اندریو انجی (Andrew Ng) در ساخت و حمل بسیاری از محصولات یادگیری عمیق تهیه دیده شده است. اگر شما دوست دارید یک رهبر فنی شوید و بتوانید یک تیم هوش مصنوعی را به‌خوبی هدایت کنید، این دوره قطعاً به شما در این راه کمک خواهد کرد. چراکه این دوره تجربه صنعت را به شما ارائه می‌دهد که تنها در صورت سال‌ها کار کردن در این حوزه به دست می‌آید. بعد از فراگیری دوره آموزش ساخت پروژه یادگیری ماشین موفق چه مهارت‌هایی کسب خواهید کرد؟ این دوره به شما می‌آموزد که چگونه پروژه‌های یادگیری ماشین را به بهترین نحو رهبری کرده و انجام دهید. در این راستا مهارت‌های زیر را فرامی‌گیرید: یادگیری عمیق Inductive Transfer یادگیری ماشین یادگیری چند وظیفه‌ای تصمیم‌گیری

50,150 تومان

آموزش رایتینگ آیلتس تسک دوم (IELTS Writing Task 2)

تسک دوم رایتینگ آیلتس (IELTS Writing Task 2) یکی از پرچالش‌ترین بخش‌ها برای داوطلبان آزمون آیلتس (IELTS) در سال‌های اخیر بوده‌است. اینکه چرا این موضوع تبدیل به یک دغدغه‌ی بزرگ برای داوطلبان شده ریشه در عدم رعایت استانداردهایی دارد که در Band Descriptors به آن‌ها اشاره شده، اما بعضا شخص متقاضی تصور و یا تعبیر درستی از آن‌ها ندارد و در نهایت باعث می‌شود اشراف کاملی به انتظارات مصحح Native نداشته باشد. تجربیات متعدد و چندین ساله در این حوزه نشان می‌دهد که از بین ۴ مولفه: 1- Task Response (TR) 2- Cohesion and Coherence (C.C) 3- Lexical Resource (LR) 4- Grammar (GRA) مولفه‌های شماره ۳،۴ به طور غریزی بیشتر مورد توجه متقاضی قرار می‌گیرند و شخص در تلاش است نمایشی بسیار چشمگیر از ساختارهای گرامری و واژگان Less Common ارائه دهد؛ این درحالیست که شخص با وجود علم به تعریف TR و C.C، درک کاملی از نحوه‌ی پیاده‌سازی آن‌ها در رایتینگ ندارد و نتیجه این خواهد شد که رایتینگ‌ها تبدیل به ویترینی از LR و GRA می‌شوند، درحالی‌که نمره‌ای که مصحح به متقاضی داده بیشتر از ۶ یا ۶.۵ نبوده‌است. لذا به جرات میتوان گفت ۲ نقطه ضعف اساسی شرکت‌کنندگان در آزمون آیلتس در بخش رایتینگ تسک ۲ عبارتند از: ۱- ضعف در نحوه‌ی ایده‌سازی و پردازش آن و چگونگی بسط و توسعه ایده‌ها به صورت منطقی بر اساس استانداردهای مصحح Native ۲- ضعف در ایجاد ارتباط و انسجام درونی، و نه مکانیکی، در سراسر متن ( C.C) با پوشش‌دهی این دو عامل TR و C.C شما می‌توانید رایتینگ خود را به استانداردهایی که مورد نظر مصحح است نزدیک کنید؛ این به معنی نادیده گرفتن نقش LR و GRA نیست، بلکه موید این مطلب است که این دو عامل زمانی می‌توانند به رایتینگ شما کمک کنند که شما توانسته باشید TR و C.C را به خوبی در متن اجرا کنید. این دوره تمرکز ویژه ای روی ۲ نقطه ضعف مطرح شده دارد و تلاش بر این است تا نوع تفکر متقاضیان محترم را با آنچه که در ذهن مصحح Native می‌گذرد منطبق سازد و آن‌ها را به سمت نمره‌ی بالای ۷ سوق دهد. اگرچه شایان ذکر است که پیش از همه‌ی این موارد، رمز موفقیت شخص در مطالعه‌ی بیشتر است. بدین معنی که قبل از اینکه نویسنده (Writer) خوبی باشیم می‌بایست ابتدا خواننده (Reader) خوبی باشیم و روزانه ۲ الی ۳ مقاله‌ی کوتاه را مطالعه و ایده‌های مناسب آن‌ها را ثبت کنیم، لغات و ساختارهای مفید آن‌ها را یاد بگیریم و سعی کنیم که از آن‌ها به صورت تمرین شده استفاده کنیم و موتور ایده‌پردازی خود را همواره روشن نگه داریم.

1,027,650 تومان
آموزش منابع انسانی داده محور – بخش یکم

آموزش منابع انسانی داده محور – بخش یکم

امروزه بيشتر فرایندها در محيط کار، قابل‌اندازه‌گیری هستند؛ از اين‌ رو، در رویکردهای اخیر، به موضوع داده‌های موجود در واحد منابع انسانی و تجزیه‌وتحلیل آن‌ها به‌عنوان اصلی‌ترین رویکرد در حوزه منابع انساني تاکید می‌شود. مفاهیمی همچون تحلیل افراد، تحلیل نیروی انسانی، تحليل نيروي کار و منابع انسانی هوشمند نمونه آشکار چنین رویکردهایی بوده که بیان‌گر عمق تغییر نقش‌های منابع انسانی در سازمان‌های معاصر است. در این رویکردها، تلاش می‌شود با گردآوری داده‌های نیروی انسانی و تجزیه‌وتحلیل آن‌ها برای سازمان‌ها، ارزش‌آفرینی شده، مزیت رقابتی خلق شود. در اين فرادرس، ابتدا به بررسی مفاهيم، پيش‌زمينه‌ها و زيرساخت‌های منابع انسانی داده‌محور پرداخته، سپس با رويکردی کاربردی چگونگی استفاده از داده‌ها را برای دستیابی به بینش لازم برای استفاده در فرایندهای روزمره منابع انسانی از قبیل جذب و استخدام، آموزش و توسعه، ایمنی و بهداشت، مدیریت عملکرد و نگرش‌های منابع انسانی بیان خواهيم کرد.

799,000 تومان
پنج‌شنبه 17 خرداد 1403، ساعت 02:53