هدف از برگزاری دوره‌ی پیش‌رو، آموزش نرم‌افزار AutoCad در محیط دو بعدی آن است. مباحث این دوره، شامل توانایی رسم نقشه و یا طرح‌های مختلف، لایه‌بندی آن‌ها، اندازه‌گیری و خروجی‌گرفتن از آن‌ها، می‌شود. در طول دوره‌ی آموزش، علاوه بر معرفی و آموزش نحوه‌ی استفاده و کار با نرم‌افزار، تمرینات مربوط با درس جلسات هر فصل نیز ترسیم می‌شود، تا فن‌آموزان، با نمونه‌های موردی هم آشنا شوند.
90 ساعت آموزش ، 600 دقیقه تمرین اضافی ، ارائه مثال‌ها و فایل‌های جانبی ، pdf رنگی جزوات ، مدرک پایان دوره ، پشتیبانی Vip تلگرامی
در این دوره، ابتدا سیستم دریافت و پرداخت سپیدار آموزش داده می‌شود و سپس مفاهیم اولیه حسابداری بازرگانی شامل حسابداری موجودی کالا در دو سیستم ادواری و دائمی مرور و بررسی می‌شود، سپس فرایندهای کاری شرکت‌های بازرگانی مورد بررسی قرار گرفته و همچنین سیستم های تامین‌کنندگان و انبار و مشتریان و فروش نرم‌افزار سپیدار همکاران‌سیستم به‌صورت کامل آموزش داده می‌شود.
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
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.
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.
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.
75 ساعت فیلم آموزشی ، مدرک پایان دوره ، پشتیبانی Vip تلگرامی ، دسترسی به سمپل ها و اسکریپت‌های دوره
اگر بخواهیم برای شروع فراگیری فن شبیه‌سازی، از یک نرم‌افزار که هم به روز و هم ساده باشد، بی شک Aspen Hysys بهترین گزینه است. Aspen Hysys ، با اینکه توانایی‌ها و قابلیت‌های بسیار پیشرفته و منحصر به فردی دارد، محیطی بسیار ساده و اصطلاحاً User Friendly دارد. شاید برخی بگویند که نرم افزار Aspen Plus که نرم‌افزار شبیه‌ساز دیگری از شرکت Aspen Tech است، بسیار قوی تر از Aspen Hysys است. اما نکته‌ای که باید به آن توجه کرد این است که برخی قابلیت‌های Aspen Hysys منحصر به فرد است.
نرم افزار اسپن پلاس به عنوان یک مهندس شیمی یا مهندس فرایند، پس از آشنایی با تجهیزات پیشرفته فرایندی، نیاز به یک ابزار کامپیوتری که انجام محاسبات مربوط به این تجهیزات را برعهده بگیرد، احساس می‌شود. به عنوان مثال پس از مدل‌سازی یک برج تقطیر ساده با تعداد سینی‌های کم و 4 یا 5 جزء در خوراک ورودی ممکن است گاهی با صدها معادله از جمله موازنه‌های انتقال جرم و انرژی و سیالات مواجه شویم. پیاده‌سازی و حل این معادلات می‌تواند بسیار زمان‌بر و خسته‌کننده باشد. لذا باید برای حل این مشکل باید به دنبال راه حل بود؛ چرا که یک مهندس شیمی بدون توانایی مدل‌سازی و شبیه‌سازی فرایند عملا دچار مشکل خواهد شد و از گردونه رقابت‌ها در بازار کار و تحقیقات علمی عقب خواهد ماند. حتی در کارهای آزمایشگاهی هم گاهی به جایی می‌رسیم که به صرفه و منطقی است که ابتدا فرایند را هر چند کوچک، شبیه‌سازی کنیم و بعدا سراغ پیاده‌سازی و ساخت آن برویم. برای رفع این مشکل، تعداد کثیری بسته نرم‌افزاری از گذشته تا کنون در حال گسترش است و هر ساله نرمافزارهای جدیدتر و کامل‌تری وارد بازار شده و مورد استفاده مهندسین شیمی قرار می‌گیرد. در میان تمامی این بسته‌های نرم‌افزاری یکی از پرکاربردترین، دقیق‌ترین و کامل‌ترین بسته‌ها، نرم افزار aspen plus یکی از نرمافزارهای ارائه شده توسط کمپانی ASPEN One است. مزایای نرم افزار اسپن پلاس در مقایسه با دیگر نرم‌افزارها، نرم افزار aspen plus تجهیزات فرایندی و مدلهای ترمودینامیکی بیشتر و حل‌کننده‌های سریع‌تر و دقیق‌تری دارد و برای شبیه‌سازی یک واحد فرایندی کامل هیچگونه محدودیت یا کمبودی ندارد. تجهیزات فرایندی نرم افزار اسپن پلاس از جمله تجهیزات فرایندی یا Unit Operation که در نرم‌افزار aspen plus شبیه‌ساز، پوشش داده می‌شود می‌توان به · پمپ · کمپرسور · شیر · خطوط لوله · راکتور · برج تقطیر · مبدل حرارتی و ... اشاره کرد. لازم به ذکر است که این تجهیزات تحت مدلهای متفاوتی ارائه شده‌اند که بسته به فرضیاتی که در فرایند در نظر گرفته می‌شود می‌توان از تجهیز مربوطه استفاده کرد. به عنوان مثال در مورد راکتورها می‌توان به راکتورهایCSTR ، PFR و راکتورهای تعادلی اشاره کرد. کاربرد نرم افزار اسپن پلاس با توجه به گستردگی و کاربرد‌های ذکر شده یادگیری این شبیه‌ساز می‌تواند در زمینه‌های مختلف از جمله تحقیقات علمی و حتی ورود به بازار کار مفید و سودمند باشد. از این دسته نرم‌افزارها در شرکت‌های طراحی مهندسی و بخش R&D کارخانه‌ها به وفور استفاده می‌شود و مهندس فرایندی که با یک یا چند مورد از این نرم‌افزارها آشنایی داشته باشد در مصاحبه‌های کاری یک سر و گردن از دیگران بالاتر خواهد بود و شانس بیشتری برای کسب موقعیت شغلی خواهد داشت.
