دوره آموزشی - جستجوی «سرپرست معدن بیمه تکمیلی»

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

آموزش اسپیکینگ آیلتس - IELTS Speaking Booster

بخش اسپیکینگ آیلتس (IELTS Speaking) یکی از دغدغه‌های داوطلبان این آزمون بین‌المللی است. این بخش شامل یک مصاحبه‌ی حضوری است که بین ۱۱ الی ۱۴ دقیقه به طول می‌انجامد و ممتحن صدای متقاضی را ضبط می‌کند و در طول مصاحبه، زمان تحت کنترل دقیق ممتحن است. اسپیکینگ آیلتس شامل ۳ قسمت است: ۱- قسمت اول شامل Introduction و سپس حدود ۴ الی ۵ دقیقه پرسش در خصوص موضوعاتی که اصطلاحا Familiar هستند مانند: شغل، تحصیلات، سرگرمی ها، محل زندگی، علایق، آب و هوا و... ۲- قسمت دوم (Cue Card): در این قسمت یک Task Card توسط ممتحن به متقاضی داده می شود. روی این Card موضوعی نوشته شده که با تعدادی سوال تحت عنوان Follow-up Questions همراه است و متقاضی می‌بایست پس از ۱ دقیقه آماده‌سازی، پاسخ خود را در قالب یک Short Presentation که طول آن حداقل ۱ دقیقه و حداکثر ۲ دقیقه است به ممتحن ارائه کند. ۳- قسمت سوم تحت عنوان Discussion: در این قسمت که بین ۴ الی ۵ دقیقه زمان می برد، ممتحن سوالاتی را بر پایه‌ی موضوع بخش قبلی مطرح می‌کند و متقاضی می‌بایست پاسخ‌های جامع و متقاعدکننده‌ای برای هریک از این سوالات داشته باشد. کدام قسمت از همه مهم‌تر است؟ آیا زمان محاسبه‌ی نمره نهایی اسپیکینگ، هر یک از این ۳ قسمت بالا امتیازهای جداگانه و البته برابر با همدیگر دارند یا یک قسمت خاص از بقیه مهم‌تر است؟ قسمت‌های مختلف آزمون اسپیکینگ به صورت جداگانه نمره‌دهی نمی‌شوند بلکه عملکرد کلی شماست که مورد ارزیابی قرار می‌گیرد، اما می‌توان این چنین گفت: ۱- قسمت اول (Part 1) را می توان آسان‌ترین بخش این آزمون دانست، بنابراین اگر شما صرفا در این قسمت عملکرد عالی داشته باشید، تضمینی برای کسب نمره‌ی بالا وجود ندارد. ۲- قسمت Cue Card میدانی برای محک زدن دانش اسپیکینگی متقاضی است. این بخش می تواند تصویر کلی از نمره‌ی احتمالی متقاضی را در ذهن ممتحن شکل دهد. ۳- قسمت سوم (Discussion) جاییست که ممتحن تصمیم نهایی خود را درباره‌ی عملکرد متقاضی اتخاذ می‌کند.

1,325,150 تومان

آموزش ASP.NET Core

دوره آموزش ASP.Net Core چیست؟ ASP.NET Core یکی از بهترین فریم‌­ورک­‌های ساخته‌ شده تحت زبان سی­‌شارپ است و یادگیری و آشنایی با آن برای هر برنامه­‌نویس مفید و کاربردی خواهد بود. این دوره به آموزش ASP.net Core با استفاده از زبان برنامه‌نویسی C# می­‌پردازیم. به‌ این‌ ترتیب که در ابتدای دوره به مفاهیم ابتدایی سی‌شارپ پرداخته می­‌شود و در ادامه با پیشرفت دوره و مطرح‌ شدن موضوعات جدید به مفاهیم مختلف دنیای وب و ASP.NET Core خواهیم پرداخت. از آنجایی‌ که برای یادگیری این دوره در ابتدا نیاز به آشنایی با زبان سی‌شارپ وجود دارد، در ابتدای دوره به مقدمات زبان C# پرداخته می‌­شود و در ادامه دوره مباحث پیشرفته‌­تر مطرح می­‌گردد. دوره آموزش ASP.NET Core بر پایه ساختار MVC تدوین‌ شده است و در طول دوره به‌ صورت کامل تدریس می‌­شود. در این دوره آموزشی در ابتدای هر فصل خلاصه‌­ای از آن فصل به مخاطبان داده می­‌شود. در ابتدای دوره نیز مسیر کلی آموزش دوره و روندی که در این دوره طی خواهد شد به مخاطبان آموزش داده خواهد شد. هدف از دوره آموزش ASP.NET Core چیست؟ هدف اصلی در دوره آموزش asp net core، آموزش فریم‌­ورک ASP.NET Core به شرکت­‌کنندگان در این دوره است. به‌این‌ترتیب به‌ منظور آموزش این فریم‌­ورک در جای‌جای این دوره آموزشی به آموزش مفاهیم پایه­‌ای و پیش­‌نیازهای این دوره نیز پرداخته‌ شده است. به‌ این‌ ترتیب می­‌توان گفت هدف این دوره آشنایی مخاطب با طیف گسترده‌­ای از موضوعات است و همه این آموزش­‌ها با رویکرد آموزش ASP در اختیار مخاطب قرار می­‌گیرد. دوره آموزش ASP مناسب چه کسانی است؟ دوره آموزشی ASP به‌گونه‌ای تهیه و تدوین شده است که افراد برای شرکت در این دوره نیازمند آشنایی اولیه با مفاهیم برنامه‌­نویسی، آشنایی با زبان C# و دارا بودن دانش کلی در زمینه برنامه­‌نویسی هستند. دوره آموزش ASP برای افرادی تهیه‌ شده است که قصد شروع یادگیری ASP.NET Core را دارند؛ بنابراین دوره آموزشی ASP برای افرادی که دوره­‌های مشابه را گذرانده‌اند و قصد ارتقاء دانش خود در این موضوعات را دارند توصیه نمی‌­شود. پس از شرکت در این دوره شرکت‌کنندگان چه دستاوردی خواهند داشت؟ در پایان دوره آموزش ASP.NET Core شرکت­‌کنندگان با مفاهیم اولیه و پایه­‌ای لازم در موضوع ASP آشنایی کامل خواهند داشت و در این دوره در رابطه با بک‌اند مطالب گسترده‌­ای خواهند آموخت. البته لازم به ذکر است که علاوه بر این شرکت­‌کنندگان در این دوره در انتهای دوره با بسیاری از مفاهیم دیگری که برای یادگیری این موضوع لازم است نیز آشنا شده­‌اند. البته برای تسلط بیشتر بر این موضوع انجام تمرین‌­های بیشتر به همه شرکت­‌کنندگان توصیه‌ شده است.

466,650 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

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
چهارشنبه 16 خرداد 1403، ساعت 23:48