دوره آموزشی - جستجوی «همکاری راننده ماشین»

نتایج جستجوی «همکاری راننده ماشین» 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 یادگیری ماشین با پایتون

دوره آموزش یادگیری ماشین با پایتون چیست؟ در این دوره آموزشی به یادگیری ماشین با استفاده از زبان برنامه‌­نویسی شناخته شده و کار­آمد پایتون پرداخته می­‌شود. دوره آموزش یادگیری ماشین با پایتون به این صورت برنامه‌ریزی شده است که از مقدمات شروع می‌­شود و به مباحث پیشرفته و جدید یادگیری ماشین با پایتون می­‌پردازد. دوره آموزش یادگیری ماشین جادی در دو بخش تدوین شده است؛ در بخش اول شما باهدف یادگیری ماشین و کاربرد آن در دنیای واقعی آشنا خواهید شد. در بخش دوم این دوره یک نمای کلی از مباحث یادگیری ماشین مانند یادگیری تحت نظارت و بدون نظارت، ارزیابی مدل­‌ها و الگوریتم­‌های ماشین لرنینگ به شرکت‌کنندگان ارائه خواهد شد. هدف از آموزش دوره یادگیری ماشین با پایتون چیست؟ هدف از برگزاری این دوره، آموزش ماشین لرنینگ به‌صورت مرحله‌به‌مرحله از مباحث مقدماتی تا مباحث جدید و پیشرفته است. شرکت در این دوره آموزشی به شما کمک خواهد کرد تا در محیط واقعی و کاربردی از زبان برنامه­‌نویسی پایتون استفاده کنید و مهارت خود را در زمینه برنامه­‌نویسی پایتون افزایش دهید. در کنار این موضوع، آموزش یادگیری ماشین را به‌عنوان هدف اصلی این دوره آموزشی دنبال خواهید کرد. در انتهای این دوره چه مهارت‌­هایی کسب خواهید کرد؟ با شرکت در این دوره علاوه بر آشنایی با کلیات یادگیری ماشین شما با مباحث دیگری از مانند مسائل زیر آشنا شوید: 1. یادگیری تحت نظارت و بدون نظارت 2. ارزیابی مدل­‌ها و الگوریتم‌­های یادگیری ماشین 3. رگرسیون 4. طبقه‌بندی 5. خوشه‌بندی 6. یادگیری کیت علمی 7. SciPy ویژگی متمایز این دوره نسبت به دوره‌­های مشابه چیست؟ مدرس این دوره جادی میرمیرانی است. در کنار مدرس حرفه‌­ای و مسلط این دوره ساختاری که برای آموزش این دوره در نظر گرفته شده است نسبت به دوره‌­های مشابه متمایز است. به این صورت که این دوره آموزشی در دو بخش تدوین شده است و در این دو بخش علاوه بر آموزش مقدمات به مباحث جدید و اساسی در آموزش یادگیری ماشین با پایتون پرداخته شده است. در کنار این موارد در تمام طول دوره شما می‌­توانید سوالات و ابهامات خود را با استاد دوره در میان بگذارید و پاسخ همه سوالات خود را به دست بیاورید. در پایان دوره یادگیری ماشین با پایتون و پس از انجام آزمون در صورت کسب نمره قبولی مدرک معتبر مکتب‌­خونه مربوط به گذراندن این دوره به شما داده می­‌شود و با استفاده از این مدرک شما می­‌توانید شرایط خود را در آزمون‌­های استخدامی و مصاحبه­‌های مربوط به استخدام بهبود ببخشید.

373,150 تومان

آموزش C# مقدماتی

هدف دوره‌ی آموزش #C (سی‌ شارپ) یادگیری اصول و مقدمات برنامه‌نویسی و تولید نرم‌افزار با استفاده از زبان برنامه‌نویسی سی‌شارپ (#C) و چارچوب دات‌نت (net.) است. مخاطبان دوره آموزش #C افرادی هستند که به دنبال کسب درآمد از ایجاد و توسعه‌ی نرم‌افزار با استفاده از یادگیری یک زبان برنامه‌نویسی ساده، قدرتمند و محبوب و همه‌کاره به‌عنوان شغل اصلی یا جانبی هستند و یا دانشجویانی که جهت انجام پروژه‌های درسی خود نیاز به یادگیری یک زبان برنامه‌نویسی ساده دارند. همچنین دوره‌ی آموزش #C به افرادی که به دنبال افزایش قدرت حل مسئله و خلاقیت ذهن خود با استفاده از به چالش کشیدن آن در حل مسائل با استفاده از برنامه‌نویسی هستند کمک می‌کند و به‌طورکلی تمام افرادی که علاقه‌مند به برنامه‌نویسی و ایجاد و توسعه‌ی انواع سیستم‌های نرم‌افزاری با استفاده از یک زبان مدرن هستند می‌توانند از دوره‌ی آموزش سی‌ شارپ بهره ببرند. چرا دوره آموزش #C؟ سادگی یادگیری #C و استفاده از آن امکان ایجاد و توسعه‌ی انواع و اقسام نرم‌افزارها به دلیل همه‌کاره بودن زبان برنامه‌نویسی #C و ارتباط با چارچوب دات‌نت از جمله موارد زیر: وب‌سایت‌ها و نرم‌افزارهای تحت وب با استفاده از تکنولوژی‌های NET و ASP.NET Core اپلیکیشن‌های اندروید و iOS با استفاده از تکنولوژی Xamarin نرم‌افزارهای قابل‌اجرا بر روی ویندوز با استفاده از تکنولوژی‌های Windows Forms ،WPF و UWP نرم‌افزارهای بازی با استفاده از تکنولوژی Unity وب‌سرویس با استفاده از تکنولوژی Web API کتابخانه‌ها، کامپوننت‌ها و برنامه‌های کنسولی برنامه‌های بلاکچین سرویس‌های داده‌ای و مدیریتی اپلیکیشن‌های ابری برنامه‌های مبتنی بر الگوریتم‌های یادگیری ماشین برنامه‌های دارای کاربرد در اینترنت اشیاء و مواردی دیگر ابزارهای قوی، به‌روز و گسترده موجود در اختیار برنامه‌نویسان این زبان در تمامی مراحل برنامه‌نویسی و تولید نرم‌افزار جامعه‌ی پشتیبانی بزرگ و گسترده در کنار تعداد زیاد فروم‌های پرسش و پاسخ شیءگرایی، سرعت، مدرن و چند پلتفرمی بودن این زبان درحال‌توسعه بودن به دلیل پشتیبانی کامل توسط مایکروسافت روند آموزش #C مفاهیم و اصول تئوری با استفاده از اسلاید، انیمیشن و توضیحات استاد آموزش داده می‌شود و درک عمیق و نحوه‌ی به‌کارگیری و استفاده از آن مفاهیم و اصول با استفاده از مثال‌های عملی آموزش داده می‌شود. در آموزش #C در قدم نخست اجزای این زبان معرفی می‌شوند و در قدم بعد مفهوم بسیار مهم شی‌گرایی معرفی و به‌صورت عملی پیاده‌سازی می‌شود. در ادامه مجموعه‌های مورد استفاده در زبان سی‌شارپ معرفی می‌شوند. همچنین در آموزش #C چند ساختار داده و الگوریتم پیاده‌سازی می‌شوند.

313,650 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

آموزش Git

گیت (Git) یک سامانه‌ی کنترل نسخه‌ی توزیع ‌شده است که طراحی شده تا بتواند تغییرات سورس کد را در طول توسعه‌ی نرم‌افزار شناسایی کرده و ردیابی کند. هدف اصلی از ساخته شدن این سامانه این است که همکاری و کار تیمی در میان برنامه‌نویسانی که بر روی پروژه‌های مشترک کار می‌کنند تسهیل شود، اما می‌توان از آن برای ردیابی هر نوع تغییراتی در انواع فایل‌های مختلف استفاده کرد. سایر اهداف این سامانه عبارت‌اند از سرعت بالاتر، انسجام داده‌ها، و پشتیبانی روال‌های کاری توزیع شده و غیر خطی. این دوره آموزش Git به شما کمک خواهد کرد تا با مفهوم Git و ابزارهای مختلف آن آشنا شوید و در مدت زمان کوتاهی بتوانید از آن به طور موثر استفاده کنید. Git در سال ۲۰۰۵ توسط لینوس تروالدز و در پی توسعه‌ی کرنل لینوکس ساخته شد تا سایر توسعه‌دهنده‌های کرنل بتوانند با راحتی و سرعت بیشتری در توسعه‌ی آن مشارکت کنند. از سال ۲۰۰۵ به بعد افرادی کلیدی از جمله جونیو هامانو از نگهداری‌کننده‌های اصلی آن بوده‌اند. درست مانند سایر سامانه‌های کنترل نسخه‌ی توزیع شده، و بر خلاف بسیاری از سامانه‌های کلاینت-سروری، تمام مخزن‌های گیت روی تمام کامپیوترهایی که روی آن‌ها بارگذاری شده‌است، نسخه‌ی کاملی از تاریخچه به همراه توانایی ردیابی نسخه، فارغ از اتصال یا عدم اتصال به شبکه یا سرور مرکزی، وجود دارد. امروزه میلیون‌ها پروژه از Git استفاده می‌کنند. با استفاده از گیت می‌توان تغییراتی که در هر مرحله از پروژه اعمال شده را پیگیری کرد، قسمتی از پروژه را به صورت مستقل توسعه داد و یا حتی در صورت بروز مشکل در هر مرحله به نقطه‌ای پایدار و بدون مشکل بازگشت و از بروز اشتباهات احتمالی در هر مرحله از توسعه نرم افزار جلوگیری کرد. پس از گذراندن دوره آموزش Git شما قادر خواهید بود که روی پروژه‌ای مشترک با همکاران خود روی توسعه محصولات مختلف کار کنید، حتی روی پروژه‌های شخصی که به صورت مستمر نیاز به بازبینی و ویرایش دارند یا روند تغییرات نسخه‌های مختلف را در مراحل متفاوت توسعه نرم‌افزار بررسی، پیگیری و کنترل کنید و غیره.

339,150 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

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 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
یک‌شنبه 6 خرداد 1403، ساعت 22:02