دوره آموزشی - جستجوی «فرصت های شغلی شهر»

نتایج جستجوی «فرصت های شغلی شهر» 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

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

آموزش طراحی و توسعه سیستم‌های پیشنهاد دهنده (Recommender Systems)

کاربرد دوره آموزش طراحی و توسعه سیستم‌های پیشنهاد دهنده (Recommender System) چیست؟ طی دهه‌های اخیر، با ظهور یوتیوب، آمازون، نتفلیکس و بسیاری از وب سرویس‌های دیگر، سیستم های پیشنهاد دهنده جایگاه ویژه‌ای در زندگی ما پیدا کرده‌اند. کاربرد این‌گونه سیستم‌ها در خدمات متنوعی از جمله تجارت الکترونیکی، تبلیغات آنلاین و حتی سفرهای آنلاین رومزه غیرقابل انکار است. وقتی یک محصولی را به صورت آنلاین خریداری می‌کنید، ممکن است مقالاتی به شما پیشنهاد داده شود؛ یا حتی وقتی در اینترنت در حال گشت‌وگذار هستید، مطالبی مناسب با شما و طبق ترجیحاتتان برایتان نمایش داده می‌شود. این قبیل موارد که هر روزه با آن‌ها مواجه هستید، با کمک Recommender System ها امکان‌پذیر است. با توجه به اهمیت سامانه‌های پیشنهاد دهنده در دنیای امروز، تصمیم گرفتیم دوره‌ای برای آموزش سیستم توصیه‌گر (Recommender Systems) طراحی کنیم. در این دوره بعد از معرفی این سیستم‌ها به روش ساخت آن‌ها با استفاده از تکنیک‌های مدرن هوش مصنوعی و یادگیری ماشین هم می‌پردازیم. طی این دوره با مقدمات و مفاهیم بازیابی اطلاعات (Information Retrieval) و سامانه‌های توصیه‌گر، لزوم طراحی و استفاده از آن‌ها در وب‌سایت‌ها و اپلیکیشن‌ها و تاثیر این سامانه‌ها بر افزایش نرخ تبدیل (Conversion Rate) در کسب‌وکارهای آنلاین آشنا خواهید شد. پس از آشنایی با این موارد، مدرن‌ترین روش‌ها و متدهای روز دنیا برای پیاده‌سازی سیستم‌های پیشنهاددهنده در پایتون را بررسی خواهیم کرد. دوره آموزش سیستم پیشنهاد دهنده تنها به این مباحث ختم نمی‌شود. مهم‌ترین بخش این دوره، تدریس گام به گام چگونگی پیاده‌سازی سیستم‌های پیشنهاد دهنده در پایتون است. طبق این برنامه آموزشی، شما یاد می‌گیرید که براساس علایق و سوابق جمع‌آوری شده از کاربران، با استفاده از هوش مصنوعی و شبکه‌های عصبی مصنوعی (Artificial Neural Networks) به کاربران خود فیلم پیشنهاد دهید. در این راستا از زبان برنامه‌نویسی Python و فریم‌ورک TensorFlow و Keras استفاده خواهیم کرد. در این دوره آموزشی خواهید توانست از مفاهیم پایه و معرفی سیستم تا استقرار روی سرورهای عملیاتی را قدم به قدم فرا بگیرید. بنابراین اگر قصد آموزش عملی و صفر تا صد پیاده سازی سیستم‌های پیشنهاد دهنده را دارید، دوره آموزش طراحی و توسعه سیستم‌های پیشنهاد دهنده (Recommender Systems) مکتب‌خونه را به شما پیشنهاد می‌دهیم.

296,650 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 09:22