دوره آموزشی - جستجوی «پرستار نظام پزشکی تبریز»

نتایج جستجوی «پرستار نظام پزشکی تبریز» در دوره‌های آموزشی مرتبط با مقاطع تحصیلی و مهارت‌های شغلی مختلف، مانند دوره‌های برنامه‌نویسی، حسابداری، مدیریت و ...

تصحیح رایتینگ آیلتس (4 تایی)

شاید از خودتان بپرسید که تصحیح رایتینگ آیلتس چیست و چرا به عنوان زبان‌آموز به آن نیاز دارید؟ جواب آن ساده است. تصحیح رایتینگ این امکان را به شما می‌دهد تا توانایی خود را بسنجید و بتوانید نقاط ضعف خود را قبل از آزمون آیلتس بهبود ببخشید. رایتینگ یکی از چهار بخش آزمون آیلتس است که خود به دو بخش تسک 1 و تسک 2 تقسیم می‌شود. موضوع تسک 1 در آیلتس آکادمیک با تسک 1 در آیلتس جنرال متفاوت است. در تسک 1 آکادمیک شما باید اطلاعات تصویری، مانند نمودار، را به نوشتار تبدیل کنید و حداقل 150 کلمه در تفسیر تصویر ارائه شده بنویسید. در تسک 1 جنرال موضوعی ارائه می‌شود که باید درمورد آن نامه‌ای بنویسید که حداقل 150 کلمه داشته باشد. تسک 2 در آیلتس جنرال و آکادمیک یکسان بوده و باید درخصوص موضوعی که به شما داده شده است حداقل 250 کلمه بنویسید. بیشتر آزمون‌دهنده‌ها اشتباهاتشان را در آزمون تشخیص نمی‌دهند. لازم به ذکر است که ارزیابی نوشته خود، کار بسیار دشواری است. می‌توانید نکاتی در مورد نوشتن رایتینگ مطالعه کنید ولی بهتر است تصحیح آن را به شخص دیگری واگذار کنید. سعی کنید تمام تکنیک‌هایی که آموخته اید را به کار ببرید ولی در نهایت شخصی را پیدا کنید که در این کار تبحر داشته باشد و تصحیح نوشته را به او بسپارید. پیدا کردن معلم و یا کسی که به این مهارت‌ها تسلط داشته باشد، آسان نیست. از طرفی هرچقدر هم به توانایی‌های دوستان یا آشنایانتان در زمینه‌ی زبان انگلیسی باور داشته باشید، نمی‌توانید تصحیح رایتینگ آیلتس را به آن‌ها بسپارید. به خاطر داشته باشید که ارزیابی رایتینگ آیلتس با نوشته‌های دیگر بسیار متفاوت است و هر کسی نمی‌تواند نمره‌ دقیق و یا بازخورد مناسبی ارائه دهد. باور داریم که گرفتن بازخورد به صورت منظم در مورد رایتینگ و به طور کل هر نوشته‌ای اصلی‌ترین عامل موفقیت است. بیشتر آزمون‌دهنده‌ها فکر می‌کنند که با بیشتر نوشتن می‌توان نمره‌ی بالایی کسب کرد و روزانه وقت زیادی برای نوشتن اختصاص می‌دهند. نوشتن مقاله کار اشتباهی نیست و اتفاقا برای تمرین نوشتن بسیار مفید است. با این حال همیشه شخصی باید به تصحیح رایتینگ آیلتس شما بپردازد تا با گرفتن بازخورد مناسب، نوشته‌های بعدی خود را بهبود ببخشید.

228,650 تومان

اصطلاحات رایج انگلیسی

آیا شما هم از آن دسته از افراد هستید که علاقه دارید مهارت‌های زبان انگلیسی خود را تقویت کنید اما نمی‌دانید از کجا شروع بکنید؟ آیا شما تعداد بسیار زیادی لغت انگلیسی می‌دانید اما در ساختن جملات به انگلیسی مشکل دارید؟ آیا قبل از شروع یک مکالمه از خودتان می‌پرسید که نکند حرفی که می‌زنم اشتباه باشد؟ نگران نباشید زیرا دلیل اصلی این مساله این است که شما با اصطلاحات رایج انگلیسی و الگوهای جمله آشنا نیستید. هر زبانی دارای اصطلاحات خاص خود است و زبان انگلیسی از این قاعده مستثنی نیست. این زبان دارای اصطلاحات و عبارت‌های بسیاری است که یادگیری آن‌ها جهت درک بهتر این زبان ضروری است. این عبارت‌ها و اصطلاحات رایج در زبان انگلیسی به عنوان واحدهای اصلی جمله شناخته می‌شوند که به کمک آن‌ها می‌توانید جملات مختلف و واضح بسازید. اگر شما تنها و تنها یک الگو یا اصطلاح رایج در انگلیسی را یاد بگیرید به راحتی می‌توانید صدها جمله صحیح درست بکنید. در حقیقت این ساده‌ترین روش جهت ساخت جمله در انگلیسی است که زبان‌آموزان می‌توانند از آن جهت تقویت مهارت‌های مختلف به خصوص مهارت گفتاری استفاده بکنند. اصطلاحات رایج زبان انگلیسی بخش مهمی از این زبان روزمره است. یک انگلیسی زبان در طول روز مدام از این اصطلاحات در گفتار و نوشتار خود استفاده می‌کند. از آنجایی که ممکن است معنی این اصطلاح فرسنگ‌ها با آن چیزی که از ظاهر آن برداشت می‌شود متفاوت باشد باید با معنی و کاربرد آن‌ها آشنا شد. به احتمال زیاد شما با این اصطلاحات هنگام گوش دادن به آهنگ، خواندن مقاله یا دیدن فیلم یا سریال برخورد کرده‌اید و از خود پرسیده‌اید که چرا با وجود دانستن معنی کلمه‌ها نمی‌توانید این عبارت را به درستی درک بکنید. هنگامی که این اصطلاحات را با اصطلاحات فارسی مقایسه می‌کنید یادگیری آن‌ها سرگرم‌کننده خواهد شد. علاوه بر این به راحتی پس از یادگیری می‌توانید از آن‌ها در مکالمه‌ها یا یادداشت‌های خود استفاده بکنید.

237,150 تومان

آموزش نرم‌افزار رویت (Revit) با رویکرد BIM

هدف از یادگیری دوره آموزش رویت (Revit) چیست؟ یکی از ویژگی‌ها و انتظارات از شبیه‌سازی و پیاده‌سازی بیم بررسی تداخلات یا کلش دیتیکشن بوده که در سه نوع Hard Clash، Soft Clash و Workflow Clash در پروژه‌ها بررسی خواهد شد. باتوجه‌به نمودار هزینه اعمال تغییرات، نسبت به فازهای سپری شده یا زمان پروژه، شاهد این موضوع هستیم که با سپری شدن زمان و فاز‌های امکان‌سنجی و طراحی، اجرا، بهره‌برداری، نگهداری و تعمیرات، هزینه اعمال تغییرات با شتاب مثبت تغییر کرده و هزینه دوباره‌کاری‌ها به‌مراتب افزایش چشمگیری دارد. باتوجه ‌به این امر که لازمه شروع تعدادی از فعالیت‌ها اتمام کامل یا بخشی از فعالیت‌های قبلی آن‌هاست، شاهد فاصله‌گرفتن برنامه زمانی اجرا‌شده از برنامه زمانی پیش‌بینی شده هستیم. این مسئله باعث افزایش زمان و هزینه و کاهش کیفیت پروژه‌ها می‌شود. باتوجه‌به این مسئله و پیشرفت روش‌های نوین طراحی، ساخت و بهره‌برداری انتظار می‌رود به کمک روش بیم و ابزارهایی مانند رویت، پروژه در فازها و دیسیپلین‌های مختلف شبیه‌سازی شده و بتوان احتمال و شدت اثر موارد ناهماهنگی و تداخلات را کاهش داد. هدف از برگزاری دوره آموزش نرم‌افزار رویت ارتقای دانش موردنیاز و مهارت استفاده از ابزار پارامتریک رویت در فرایند بیم (BIM) است.

585,650 تومان

آموزش یادگیری عمیق پیشرفته: مدل‌سازی سطح پایین

دوره آموزش «یادگیری عمیق پیشرفته: مدل‌سازی سطح پایین» چیست؟ یکی از انواع روش‌های یادگیری ماشین (Machine Learning) و هوش مصنوعی، یادگیری عمیق (Deep learning) است. طی این روش، تلاش بر این است که قابلیتی به ماشین (سیستم کامپیوتری) اضافه شود تا ماشین در تصمیم‌گیری‌ها روشی مشابه فرایند ذهن انسان را داشته باشد و به نوعی فعالیت‌های ذهن انسان را تقلید کند. در دوره «آموزش یادگیری عمیق پیشرفته: مدل‌سازی سطح پایین» شرکت‌کنندگان با موضوعات مختلفی از جمله مدل‌سازی سطح پایین در تنسورفلو آشنا خواهند شد. «تنسورفلو» (TensorFlow)، یک کتابخانه رایگان و اوپن سورس است و به دلیل ویژگی‌های جذابی که در اختیار کاربران قرار می‌دهد، کاربردهای زیادی در یادگیری ماشین دارد. یکی از اصلی‌ترین کاربردهای تنسورفلو در پیاده‌سازی شبکه‌های عصبی است؛ به همین دلیل این کتابخانه، به عنوان پراستفاده‌ترین کتابخانه در یادگیری عمیق شناخته می‌شود. شرکت‌کنندگان این دوره با همه مباحث مربوط به یادگیری عمیق، مدل‌سازی سطح پایین و کتابخانه تنسورفلو آشنا خواهند شد. به طور مشخص شرکت‌کنندگان در این دوره با مباحث زیر سروکار خواهند داشت: آشنایی با تعاریف کلی و مفاهیم مربوط به یادگیری عمیق و مدل‌سازی سطح پایین چگونگی طراحی دلخواه اِلمان‌های مختلف یک شبکه عصبی مانند loss، metric، activation function و حتی لایه‌ها و مدل‌ها چگونگی پیاده‌سازی training loop به صورت کامل و دلخواه آشنایی با تعاریف و عملیات‌های ممکن روی تنسورها آشنایی با امکانات پردازش داده تنسورفلو شرکت‌کنندگان این دوره پس از گذراندن این دوره علاوه بر آشنایی با مباحث و تعاریف کلی موارد زیر را نیز به طور کامل فرا خواهند گرفت: آشنایی با تنسورها و انجام محاسبات با آن‌ها پیاده‌سازی loss، activation function، initializer، regularizer، metric، لایه و مدل دلخواه آشنایی با GradientTape و طراحی حلقه آموزش دلخواه آشنایی با Data API تنسورفلو هدف از برگزاری دوره «یادگیری عمیق پیشرفته: مدل‌سازی سطح پایین» چیست؟ مدل‌سازی سفارشی و سطح پایین یکی از مهم‌ترین مهارت‌ها برای افرادی است که قصد دارند در زمینه یادگیری عمیق فعالیت داشته باشند. شما ممکن است بخواهید ایده‌های جدیدی را برای طراحی یک شبکه عصبی پیاده‌سازی کنید. یعنی شبکه‌ای طراحی کنید که تعدادی از اِلمان‌ها به‌صورت default در آن وجود نداشته باشد. به‌عنوان مثال می‌خواهید یک loss جدید تعریف کنید و یا عملکرد شبکه را با یک متریک جدید ارزیابی کنید؛ یا لایه‌ای بسازید که عملکرد جدیدی داشته باشد. پس از گذراندن این دوره با امکانات لازم در تنسورفلو برای این محاسبات آشنا می‌شوید و می‌توانید شبکه‌ای کاملا دلخواه با نیازها و ایده‌آل‌های خودتان ایجاد کنید. هدف اصلی این دوره آشنایی با همه مباحثی است که در این مسیر مورد نیاز شما خواهند بود و برای کار در این مسیر باید به آن‌ها تسلط پیدا کنید. دوره «یادگیری عمیق پیشرفته: مدل‌سازی سطح پایین» برای چه کسانی مناسب است؟ مباحث مطرح شده در این دوره برای همه افرادی که به موضوعاتی همچون یادگیری عمیق و هرآنچه به این موضوع مربوط می‌شود علاقه‌مند هستند، مفید و کاربردی خواهد بود. به طور خاص این دوره برای کسانی است که با تنسورفلو و کراس آشنایی دارند و قصد دارند با گذراندن یک دوره آموزشی علاوه بر مرور مجدد مباحث مربوط به این عناوین، گامی بزرگ در جهت ماهرتر شدن در مدل سازی شبکه‌های عصبی برای یادگیری عمیق بردارند.

203,150 تومان

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 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
شنبه 8 اردیبهشت 1403، ساعت 12:29