در این دوره، رایان کیتلسون یک خودروی شلبی کبرا با جزئیات کامل را با استفاده از تکنیک های مدل سازی چند ضلعی و NURBS مدل می کند. بدنه، چرخ‌ها و فضای داخلی همگی از ابتدا با استفاده از نقشه‌ها و عکس‌های مرجع مدل‌سازی شده‌اند. این دوره جنبه‌هایی از مدل‌سازی مفید برای بسیاری از انواع اشیاء را پوشش می‌دهد که فراتر از اتومبیل‌ها هستند، مانند مدل‌سازی اشکال پیچیده، ویرایش اشیاء NURBs و ایجاد مدل‌های تمیز از داده‌های اسکن.

آیا تا به حال خواسته اید دنیای مدل سازی مفهومی را کاوش کنید اما وقت کافی برای یادگیری یک رابط کاربری یا برنامه جدید را نداشته اید؟ با گسترش Autodesk قابلیت های Alias ​​به مدل سازی زیربخش، اکنون می توانید بدون نیاز به یادگیری یک رابط یا برنامه جدید به توسعه مفهوم بپردازید. در این دوره، Veejay Gahir یک گردش کار معمولی را با گرفتن طرحی از فرمان ماشین مسابقه فرمول 1 و نشان دادن نحوه مدل‌سازی و ارائه یک نسخه کاملاً واقعی در Alias ​​نشان می‌دهد. Veejay نحوه وارد کردن طرح، استفاده از تکنیک‌های مدل‌سازی subdivision (SubD) برای ایجاد شکل اولیه و اضافه کردن جزئیاتی مانند دکمه‌ها و سوئیچ‌ها و لوگوها را نشان می‌دهد. با قابلیت های Alias ​​همراه با دستورات منحصر به فرد توسعه یافته به طور انحصاری برای زیربخش ها، کاربران Alias ​​اکنون می توانند از یک رابط آشنا برای یادگیری یک مهارت جدید استفاده کنند.

هنگامی که طرح اولیه محصول خود را ترسیم کردید، وقت آن است که آن را به یک برنامه سه بعدی برای مدل سازی ببرید. Veejay Gahir طرح اولیه فرمان فرمول 1 را از قسمت اول این مجموعه می گیرد و به شما نشان می دهد که چگونه یک نسخه کاملا واقعی را در مایا مدل سازی و رندر کنید. او نحوه وارد کردن طرح، استفاده از تکنیک‌های مدل‌سازی جعبه و فرم آزاد را برای ایجاد شکل اولیه و اضافه کردن جزئیاتی مانند دکمه‌ها، صفحه‌ها و برگردان‌ها نشان می‌دهد. در نهایت، Veejay نشان می دهد که چگونه می توانید بافت و نور اضافه کنید و نمای نهایی مدل خود را ارائه دهید.

rnrn برای اطلاعات بیشتر قسمت اول این مجموعه طراحی یک چرخ F1 در SketchBook را تماشا کنید.

بیاموزید که چگونه یک شخصیت کارتونی ساده را در مایا مدل کنید و مهارت ایجاد موجودات کارتونی بزرگ و کوچک خود را به دست آورید. در این دوره، نویسنده جورج ماستری اصول طراحی شخصیت را مرور می‌کند و نحوه مدل‌سازی بدن، بازوها و پاهای یک شخصیت و اضافه کردن جزئیاتی مانند ویژگی‌های صورت را نشان می‌دهد. او همچنین نحوه ترسیم UV مدل خود را برای استفاده یکپارچه از بافت ها و متریال ها توضیح می دهد، که در آخرین فصل دوره با استفاده از Adobe Photoshop و ابزار 3D Paint خود مایا اضافه خواهید کرد.

به دوره 3 خوش آمدید - مدل ها و چارچوب ها برای پشتیبانی از برنامه ریزی فروش - در این دوره، شما یک رویکرد مفهومی برای فروش مدل ها و چارچوب ها را مرور خواهید کرد. به عنوان یک نتیجه یادگیری اولیه این دوره، ما بر بهبود شایستگی ها و مهارت های تحلیلی برای توسعه برنامه ریزی و مدیریت فروش تاکید می کنیم. و فرآیند یادگیری از طریق استفاده از مدل‌ها و چارچوب‌هایی می‌گذرد که به پشتیبانی از این فرآیندها کمک می‌کنند. هدف این دوره حرفه ای هایی است که به دنبال بهبود در پشتیبانی مفهومی از فرآیند برنامه ریزی فروش هستند، به ویژه با تأکید بر استفاده از مدل های فروش و روش شناسی چارچوب ها. در این مرحله از تخصص مدیریت فروش استراتژیک، شما درک عالی از ادغام برنامه ریزی فروش با استراتژی شرکت دارید. شما همچنین چشم اندازی از نسخه ها و توصیه های اصلی برای پشتیبانی از این ادغام دارید و با استفاده از تجزیه و تحلیل هوشمند به برنامه ریزی استراتژیک فروش ادامه دهید. اکنون در این دوره، مدل‌ها و چارچوب‌های فروش از دیدگاه مفهومی برای افزودن ساختار روش‌شناختی به فرآیند برنامه‌ریزی فروش مورد بحث قرار می‌گیرد. بنابراین، در سراسر ماژول های این دوره، موضوعات مورد بحث شامل موضوعات مدیریت فروش (ماژول 1)، مدل ها و چارچوب های فروش (ماژول 2) خواهد بود که از برنامه ریزی فروش پشتیبانی می کند، که به مهارت های سختی که ممکن است اعمال شود مربوط می شود. در ماژول سوم این دوره، مهارت های نرم به بحث آورده می شود، زیرا آنها یک جزء ضروری را تشکیل می دهند زیرا عملکردهای فروش شامل بسیاری از جنبه های تعاملات انسانی است. لطفاً مراحل دوره را دنبال کنید، و برای اهداف آکادمیک، به شما توصیه می‌کنیم که آن را به ترتیب ماژول‌های پیشنهادی انجام دهید، هرچند ممکن است آنها را به ترتیب دیگری انتخاب کنید. ما مشتاقانه منتظر حضور شما در طول دوره ها و دروس هستیم.

ما در عصری زندگی می کنیم که به طور فزاینده ای تحت سلطه الگوریتم ها است. همانطور که مدل های یادگیری ماشین تصمیمات مهمی را بر اساس مجموعه داده های عظیم شروع می کنند، ما باید از محدودیت های آنها در دنیای واقعی آگاه باشیم. مدل‌های یادگیری ماشینی چه تصمیم‌گیری برای وام یا مسیریابی مجدد ترافیک باشد، باید ارزش‌های مشترک ما را به دقت منعکس کند. در این دوره، ظهور الگوریتم‌ها را، از ابتدایی‌ترین تا کاملاً مستقل، مورد بررسی قرار می‌دهیم و در مورد چگونگی ایجاد آنها از نظر اخلاقی درست‌تر بحث می‌کنیم.

در طول همه‌گیری COVID-19، هم وعده و هم خطرات استفاده از مدل‌های انتقال بیماری‌های عفونی برای تصمیم‌گیری سیاست‌های بهداشت عمومی واضح‌تر از همیشه شد. استفاده بهینه از خروجی مدل‌سازی‌شده مستلزم آن است که سیاست‌گذاران سلامت عمومی به مصرف‌کنندگان مدل‌ها آگاه باشند، نقاط قوت و محدودیت‌های رویکردهای ممکن را درک کنند، و سؤالات درستی را در مورد آسیب‌پذیری‌های نتایج مدل بپرسند. هدف این دوره این است که به افرادی که در مورد سیاست‌ها و برنامه‌های بهداشت عمومی تصمیم می‌گیرند، درک روشنی از نحوه عملکرد مدل‌های انتقال بیماری‌های عفونی، انواع مختلف و عملکردها و نحوه استفاده مناسب از آنها برای تصمیم‌گیری ارائه دهد. هیچ الزامی برای داشتن پیشینه قبلی در مدل های بیماری عفونی وجود ندارد و دوره شامل هیچ معادله ای نمی شود. هر کسی که دارای پیشینه اولیه در بهداشت عمومی و بیماری های عفونی باشد و علاقه مند به یادگیری بیشتر در مورد مدل های بیماری های عفونی باشد، از این دوره بهره مند خواهد شد. در این دوره، شرکت کنندگان اصول اولیه مدل های انتقال بیماری های عفونی، از جمله مقایسه با انواع دیگر پیش بینی های مورد استفاده در زندگی روزمره و مروری بر اجزای کلیدی یک مدل و ساختار مدل سازی را بررسی خواهند کرد. در مرحله بعد، شرکت‌کنندگان انواع مدل‌های بیماری عفونی را بررسی خواهند کرد: مدل‌های پیش‌بینی، استنباطی و نظری. سپس، شرکت‌کنندگان در مورد ارزیابی مفید، معقول و مرتبط بودن یک مدل و همچنین آسیب‌پذیری‌های این مدل‌ها یاد خواهند گرفت. این مفاهیم برای مطالعات موردی شیوع ابولا در غرب آفریقا از سال 2014 تا 2016 و همه‌گیری کووید-19 به کار می‌رود. این دوره با مروری بر نحوه اطلاع‌رسانی مدل‌ها به تصمیم‌گیری‌های خط‌مشی، از جمله منابع اصلی عدم قطعیت برای تصمیم‌گیری، کامل می‌شود. فراگیرانی که این دوره را تکمیل می‌کنند، دید وسیعی از مدل‌های انتقال بیماری‌های عفونی، نحوه ارزیابی سودمندی یک مدل معین، و نحوه اطلاع‌رسانی این مدل‌ها در تصمیم‌گیری‌های خط‌مشی خواهند داشت. چه کسانی باید این دوره را بگذرانند؟ -سیاست گذاران بهداشت عمومی -هرکسی که علاقه مند به یادگیری در مورد چگونگی مدل های انتقال بیماری های عفونی می تواند خط مشی بهداشت عمومی را راهنمایی کند توسعه این آموزش توسط مرکز پیش بینی و تجزیه و تحلیل شیوع بیماری مرکز کنترل و پیشگیری از بیماری ها تامین شده است. ما از Coursera برای چشم پوشی از هزینه های ثبت نام تا سال 2025 سپاسگزاریم.

این دوره به بررسی محرک های هزینه مراقبت های بهداشتی و راه حل هایی می پردازد که برای پرداختن به هزینه، کیفیت و ارزش مراقبت های بهداشتی ارائه شده اند. بسیاری از مدل‌های پرداخت هزینه‌های بالا را سرزنش می‌کنند که به ارائه‌دهندگان مراقبت‌های بهداشتی برای هر خدماتی که به بیماران ارائه می‌دهند، پرداخت می‌کنند و اساساً هزینه بیشتری برای حجم و شدت خدمات پرداخت می‌کنند. این مدل پرداخت هزینه خدمات (FFS) نامیده می شود. برخی راه‌حل‌ها، احتمالاً راه‌حل‌های پایدارتر، استراتژی‌های ترکیبی مدل‌های پرداخت جدید، مدیریت مراقبت، طرح‌های طرح بیمه، ابزارهای مشارکت مصرف‌کننده و فناوری هستند. با استفاده از این اطلاعات، موقعیت‌های مختلف را بررسی می‌کنیم، استراتژی‌های مراقبت و پرداخت هماهنگ را که می‌توان برای بهبود سلامت بیمار و هزینه ارائه خدمات مراقبت‌های بهداشتی اجرا کرد، به نمایش گذاشت. در پایان این دوره، فراگیر باید بتواند: 1. شناسایی محرک ها و روند هزینه های مراقبت های بهداشتی از دیدگاه ذینفعان مختلف، از جمله ارائه دهندگان پزشکی، بیمه ها، خریداران دولتی و خصوصی و پرداخت ها. 2. ارزیابی انتقادی تأثیر رویکردهای استراتژیک و مالی که توسط ACA اعمال شده است و اصلاحات مختلف. 3. نحوه عملکرد مدل‌های پرداخت مراقبت‌های بهداشتی در حال حاضر و مسیر جدیدی را که پرداخت مبتنی بر ارزش در پیش گرفته است، ارزیابی کنید. 4. شناسایی کنید که چگونه معیارهای مالی و غیر مالی می توانند به طور مناسب برای بهبود ارزش پیشنهادی ذینفعان مراقبت های بهداشتی ترکیب شوند.

مشتریان در آینده چگونه عمل خواهند کرد؟ تقاضا برای محصولات و خدمات ما چقدر خواهد بود؟ چه مقدار موجودی باید برای فصل بعد سفارش دهیم؟ فراتر از پیش‌بینی ساده آنچه مشتریان انجام خواهند داد، بازاریابان باید بدانند که چگونه اقدامات آنها می‌تواند رفتار آینده را شکل دهد. در توسعه ابزارهای پیش‌بینی با اکسل، فراگیران درک درستی از اجزای اصلی یک مدل پیش‌بینی، نحوه ساخت مدل‌های پیش‌بینی خود و نحوه ارزیابی عملکرد مدل‌های پیش‌بینی ایجاد خواهند کرد. همه اینها با استفاده از مایکروسافت اکسل انجام می‌شود و این اطمینان را می‌دهد که فراگیران می‌توانند مهارت‌های خود را به کار ببرند و آن‌ها را برای مشکلات تجاری خود به کار ببرند.

تحلیلگران کسب و کار باید بتوانند راه حل بهینه را برای مشکلات تجویز کنند. اما دوره‌های تجزیه و تحلیل اغلب بر آموزش دانش‌آموزان در تجزیه و تحلیل داده‌ها و تجسم تمرکز می‌کنند، نه این که به آنها کمک کند چگونه داده‌های موجود را جمع‌آوری کنند و آن را با مدل ریاضی مناسب برای فرمول‌بندی راه‌حل جفت کنند. این دوره برای اتصال داده ها و مدل ها به سناریوهای تصمیم گیری در دنیای واقعی در تولید، زنجیره تامین، امور مالی، مدیریت منابع انسانی و غیره طراحی شده است. به طور خاص، ما درک می کنیم که چگونه بهینه سازی خطی - یک روش تجزیه و تحلیل تجویزی - می تواند برای تصمیم گیری استفاده شود. مشکلات و ارائه راه حل های بهینه مبتنی بر داده ها. در طول این دوره ما روی مشکلات کاربردی در صنایع مختلف کار خواهیم کرد، مانند: (الف) تصمیمات مالی: چگونه یک مدیر سرمایه گذاری باید یک سبد بهینه ایجاد کند که بازده خالص را به حداکثر برساند و در عین حال ریسک زیادی را در سرمایه گذاری های مختلف انجام ندهد؟ (ب) تصمیمات تولید: با توجه به تقاضای پیش بینی شده، عرضه مواد خام و هزینه های حمل و نقل، حجم بهینه محصولات برای تولید در مکان های مختلف کارخانه چقدر خواهد بود؟ (ج) تصمیمات منابع انسانی: چه تعداد کارگر باید در یک افق برنامه ریزی استخدام یا اخراج شوند تا در حین رفع نیازهای عملیاتی یک شرکت، هزینه ها به حداقل برسد؟ (ج) تولید: با توجه به در دسترس بودن مواد خام و تقاضای مشتری، ترکیب محصولی که باید حداکثر سود را تولید کند، چه خواهد بود؟ ما یاد خواهیم گرفت که چگونه این مسائل را به عنوان مدل های ریاضی فرموله کرده و با استفاده از صفحه گسترده اکسل حل کنیم.

این دوره شما را با موضوعات اضافی در یادگیری ماشینی آشنا می کند که مکمل وظایف ضروری از جمله پیش بینی و تجزیه و تحلیل داده های سانسور شده است. شما یاد خواهید گرفت که چگونه داده های تجزیه و تحلیل را با مولفه زمانی و داده های سانسور شده که نیاز به استنتاج نتیجه دارند، پیدا کنید. شما چند تکنیک برای تجزیه و تحلیل سری های زمانی و تجزیه و تحلیل بقا خواهید آموخت. بخش عملی این دوره بر استفاده از بهترین شیوه ها و تأیید مفروضات به دست آمده از یادگیری آماری متمرکز است. در پایان این دوره شما باید بتوانید: چالش های رایج مدل سازی را با داده های سری زمانی شناسایی کنید نحوه تجزیه داده های سری زمانی: روند، فصلی و باقیمانده را توضیح دهید نحوه عملکرد مدل های اتورگرسیو، میانگین متحرک و ARIMA را توضیح دهید نحوه انتخاب و پیاده سازی مدل های مختلف سری زمانی را بدانید روش های مدل سازی خطر و بقا را شرح دهید انواع مشکلات مناسب برای تجزیه و تحلیل بقا را شناسایی کنید چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با تجزیه و تحلیل سری های زمانی و تجزیه و تحلیل بقا هستند، هدف قرار می دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی از پاکسازی داده ها، تجزیه و تحلیل داده های اکتشافی، حساب دیفرانسیل و انتگرال، جبر خطی، یادگیری ماشین نظارت شده، یادگیری ماشین بدون نظارت، احتمال و آمار.

این دوره شما را با معماری ترانسفورماتور و مدل رمزگذار دوطرفه از ترانسفورماتورها (BERT) آشنا می کند. شما در مورد اجزای اصلی معماری ترانسفورماتور، مانند مکانیسم توجه به خود، و نحوه استفاده از آن برای ساخت مدل BERT آشنا می شوید. همچنین در مورد وظایف مختلفی که BERT می تواند برای آنها استفاده شود، مانند طبقه بندی متن، پاسخ به سؤال و استنتاج زبان طبیعی، آشنا می شوید. این دوره تقریباً 45 دقیقه طول می کشد.

در این مقاله، معماری تبدیل‌شده و مدل بازنمودهای رمزگذار دوطرفه از ترانسفورماتورها (BERT) ارائه می‌شود. Aprenderás sobre los componentes principales de la arquitectura de transformadores, como el mecanismo de autoatención, y como se usa para crear el modelo BERT. También aprenderás sobre las diferentes tareas para las que puede usarse BERT، como la clasificación de texto، la respuesta de preguntas y la inferencia de lenguaje natural. زمان تقریبی 45 دقیقه و تکمیل آن.

Ce cours presente l'architecture Transformer et le modèle BERT (بازنمودهای رمزگذار دو جهته از ترانسفورماتورها). Vous découvrirez quels sont les principaux composants de l'architecture Transformer, teles que le mécanisme d'auto-attention, et comment ils sont utilisés pour créer un modele BERT. Vous verrez également les différentes tâches pour lesquelles le modèle BERT peut être utilisé، comme la classification de texte، les question-responses و l'inférence en langage naturel. دوره های آموزشی در محیطی 45 دقیقه.

Questo corso همه‌ی ترانسفورماتور و مدل BERT (نمایندگی رمزگذار دوطرفه از ترانسفورماتور) را معرفی می‌کند. Scopri i componenti principali dell'architettura transformer, come il meccanismo di auto attenzione, e come viene utilizata per creare il modello BERT. Imparerai anche le diverse attività per le quali può essere utilizzato il modello BERT, come la classificazione del testo, la risposta alle domande e l'inferenza del linguaggio naturale. در حدود 45 دقیقه در questo corso richieda کامل می شود.

این مقاله به معرفی تبدیل رمزگذار و مدل بازنمودهای رمزگذار دو جهته از ترانسفورماتورها (BERT، na sigla em inglês) می‌پردازد. Você vai aprender sobre os principais componentes da arquitetura de transformador, como o mecanismo de autoatenção, e como eles são usados ​​para construir o modelo de BERT. Também vai conhecer as diferentes tarefas onde é possível usar o BERT، como classificação de texto، repostas a perguntas e inferência de linguagem natural. O curso leva تقریبی 45 دقیقه.

בקורס הזה נציג את הארכיטקטורה של טרנספורמרים ואת המודל יםודל שולי של מקודד מטרנספורמרים (BERT). תלמדו על החלקים השונים בארכיטקטורת הטרנספורמר، כלמו מנשתון התפקיד שלו בבניית מודל BERT. תלמדו גם על המשימות השונות שאפשר להשתש ב-BERT כדי לבצע אוכונוס מענה על שאלות והֶקֵּשׁ משפה בעית. נדרשות כ-45 דקות כדי להשלים את הקורס הזה.

Kursus ini memperkenalkan Anda pada arsitektur Transformer dan model Representasi Encoder Dua Arah dari Transformer (نمایندگی رمزگذار دوطرفه از Transformers atau BERT). Anda akan belajar tentang komponen utama arsitektur Transformer, seperti mekanisme self-attention, dan cara penggunaannya untuk membangun model BERT. Anda juga akan belajar tentang berbagai tugas yang dapat memanfaatkan BERT, seperti klasifikasi teks, menjawab pertanyaan, dan inferensi language natural. Kursus ini diperkirakan memakan waktu sekitar 45 menit untuk menyelesaikannya.

本课程向您介绍 ترانسفورماتور 架构和 بازنمایی رمزگذار دو جهته از ترانسفورماتورها (BERT) 模型。您将了解 ترانسفورماتور意力机制，以及该架构如何用于构建 BERT 模型。您还将了解可以使用 BERT 的不同任务，例如文本分类、问答和自然语言推理。完成本课程估课程估计需

這堂課程將說明變換器架構，以及基於變換器的雙向編碼器表示技術 (BERT)變換器架構的主要組成 (如自我注意力機制) 和如何用架構建立 BERT 模型。椑 ，也會介紹 BERT 適用的各種任務，像是文字分類、問題回答和自然語言文字分類、問題回答和自然語言推論4鐘.