مقدمه‌ای بر ویرایش گفتگوی ویدیویی تاریخچه گفتگو در فیلم را بررسی می‌کند و گردش کار را برای ویرایش مؤثر صحنه‌های مبتنی بر دیالوگ معرفی می‌کند. اشلی کندی، نویسنده کارکنان، جریان کار را به چهار مرحله تقسیم می‌کند: بازبینی فیلمنامه و فیلم، مونتاژ پایه‌ی پروژه، اصلاح مراحل انتقال و زمان‌بندی، و اضافه کردن کارهای نهایی مانند صدا، افکت‌ها و تصحیح رنگ. او سپس سه مطالعه موردی را با استفاده از اسکریپت هایی با دیالوگ های یکسان ویرایش می کند. اشلی با ترکیب استراتژی‌های ویرایش دیالوگ از دوره با قدرت اجرا، سه برش نهایی کاملاً متفاوت تولید می‌کند.

رویکردی مبتنی بر پروژه به جنبه های زیبایی شناختی و فنی ویرایش ویدیو دریافت کنید. اشلی کندی، نویسنده کارکنان، این دوره مقدماتی را با بررسی داستان سرایی و نقش یک ویراستار در آن آغاز می کند. او با استفاده از مثال‌های کلاسیک و معاصر در سینما، «گرامر» ویرایش را بررسی می‌کند و نشان می‌دهد که چگونه تصمیمات یک ویراستار بر احساسات، معنا و پیشرفت داستان تأثیر می‌گذارد. سپس، پس از معرفی کوتاهی بر NLE های اصلی (کاربردهای ویرایش غیرخطی)، او دو پروژه را ویرایش می کند: یک فیلم داستانی کوتاه و یک قطعه مستند به سبک مصاحبه و B-roll. این دوره، هر پروژه را در یک مفهوم گسترده بررسی می کند، گردش کار مناسب را از ابتدا تا انتها نشان می دهد، اما از درس های خاصی از ابتدای دوره استفاده می کند.

یادگیری عمیق تکنیکی است که برای بسیاری از کاربردها، از پردازش زبان طبیعی گرفته تا زیست پزشکی، مورد استفاده قرار می گیرد. یادگیری عمیق می تواند انواع مختلفی از داده ها مانند تصاویر، متون، صدا/صدا، نمودارها و غیره را مدیریت کند. این دوره اصول اولیه DL از جمله نحوه ساخت و آموزش پرسپترون چندلایه، شبکه های عصبی کانولوشن (CNN)، شبکه های عصبی تکراری (RNN)، رمزگذارهای خودکار (AE) و شبکه های متخاصم مولد (GAN) را پوشش می دهد. این دوره شامل چندین پروژه عملی، از جمله تشخیص سرطان با CNN، RNN در توییت‌های بلایا، و تولید تصاویر سگ با GAN است. دانش کدنویسی یا برنامه نویسی قبلی مورد نیاز است. ما در طول دوره به طور گسترده از پایتون استفاده خواهیم کرد. توصیه می کنیم دو دوره قبلی در زمینه تخصصی، مقدمه یادگیری ماشین: یادگیری نظارت شده و الگوریتم های بدون نظارت در یادگیری ماشین را بگذرانید، اما نیازی به آنها نیست. مهارت های ریاضی در سطح دانشگاه، از جمله حساب دیفرانسیل و انتگرال و جبر خطی، مورد نیاز است. برخی از بخش های کلاس نسبتا فشرده ریاضی خواهد بود. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder تصویر لوگوی دوره توسط رایان والاس در Unsplash.

یادگیری عمیق شاخه ای نسبتاً جدید و بسیار محبوب از هوش مصنوعی (AI) است که الگوها و بینش ها را در داده ها، از جمله تصاویر و ویدیوها، پیدا می کند. لایه بندی و انتزاع آن به مدل های یادگیری عمیق توانایی هایی تقریباً شبیه انسان می دهد - از جمله تشخیص تصویر پیشرفته. با استفاده از OpenCV - یک نرم‌افزار بینایی کامپیوتری که به طور گسترده مورد استفاده قرار گرفته است - می‌توانید مدل‌های یادگیری عمیق آموزش‌دیده قبلی را روی سخت‌افزار ارزان‌قیمت اجرا کنید و بینش‌های قدرتمندی را از تصاویر دیجیتال و ویدیو ایجاد کنید. در این دوره آموزشی، استاد جاناتان فرناندز با استفاده از ماژول OpenCV شبکه های عصبی عمیق (dnn) شما را با دنیای یادگیری عمیق از طریق استنتاج آشنا می کند. می توانید یک نمای کلی از مفاهیم و معماری یادگیری عمیق داشته باشید و سپس نحوه مشاهده و بارگذاری تصاویر و ویدیوها را با استفاده از OpenCV و Python کشف کنید. جاناتان همچنین نشان می‌دهد که چگونه می‌توان برای تصاویر و ویدیوها طبقه‌بندی کرد، از حباب‌ها (معادل تانسورها در سایر چارچوب‌ها) استفاده کرد و از YOLOv3 برای تشخیص شی سفارشی استفاده کرد.

به دنبال شروع حرفه ای در یادگیری عمیق هستید؟ دیگر نگاه نکنید. این دوره شما را با زمینه یادگیری عمیق آشنا می کند و به شما کمک می کند به بسیاری از سوالاتی که امروزه مردم می پرسند پاسخ دهید، مانند یادگیری عمیق چیست و مدل های یادگیری عمیق چگونه با شبکه های عصبی مصنوعی مقایسه می شوند؟ شما با مدل های مختلف یادگیری عمیق آشنا خواهید شد و اولین مدل یادگیری عمیق خود را با استفاده از کتابخانه Keras خواهید ساخت. پس از اتمام این دوره، فراگیران قادر خواهند بود: • توضیح دهید که شبکه عصبی چیست، مدل یادگیری عمیق چیست و تفاوت بین آنها چیست. • درکی از مدل های یادگیری عمیق بدون نظارت مانند رمزگذارهای خودکار و ماشین های محدود بولتزمن نشان دهید. • نشان دادن درک درستی از مدل های یادگیری عمیق تحت نظارت مانند شبکه های عصبی کانولوشن و شبکه های تکراری. • با استفاده از کتابخانه Keras، مدل ها و شبکه های یادگیری عمیق بسازید.

KNIME یک ابزار منبع باز به سبک میز کار برای تجزیه و تحلیل پیش بینی و یادگیری ماشین است. این بسیار سازگار با بسیاری از فناوری های علوم داده، از جمله R، Python، Scala، و Spark است. با KNIME، می‌توانید راه‌حل‌هایی تولید کنید که عملاً مستندسازی شده و آماده استفاده هستند. این دلایل و موارد دیگر KNIME را به یکی از محبوب‌ترین و سریع‌ترین پلتفرم‌های تحلیلی در حال رشد تبدیل کرده است. در این دوره، کیت مک کورمیک متخصص نشان می دهد که چگونه KNIME از تمام مراحل فرآیند استاندارد متقابل صنعت برای داده کاوی (CRISP-DM) در یک پلت فرم پشتیبانی می کند. به سرعت - در 15 دقیقه یا کمتر - شروع به کار کنید یا برای آموزش عمیق‌تر که ادغام و تجمیع، مدل‌سازی و امتیازدهی داده‌ها را پوشش می‌دهد، همراه باشید. به علاوه، نحوه افزایش قدرت KNIME با برنامه های افزودنی و ادغام R و Python را بیاموزید.

این دوره به شما مقدمه ای برای یادگیری ماشین با زبان برنامه نویسی پایتون می دهد. شما در مورد یادگیری تحت نظارت، یادگیری بدون نظارت، یادگیری عمیق، پردازش تصویر و شبکه های متخاصم مولد خواهید آموخت. شما مدل‌های یادگیری ماشین را با استفاده از پایتون پیاده‌سازی خواهید کرد و با بسیاری از کاربردهای یادگیری ماشینی که امروزه در صنعت استفاده می‌شود آشنا خواهید شد. همچنین در مورد الگوریتم های مختلف یادگیری ماشینی برای ایجاد مدل های خود یاد خواهید گرفت و از آنها استفاده خواهید کرد. برای یادگیری مطالب در این دوره نیازی به پیشینه برنامه نویسی یا علوم کامپیوتر ندارید. این دوره برای همه کسانی که علاقه مند به یادگیری نحوه کدنویسی و نوشتن برنامه در پایتون هستند آزاد است. ما بسیار هیجان زده هستیم که با ما یاد خواهید گرفت و امیدواریم از این دوره لذت ببرید!

یادگیری ماشینی (ML) به ما این امکان را می‌دهد که به رایانه‌ها آموزش دهیم تا بر اساس داده‌ها پیش‌بینی و تصمیم بگیرند و از تجربیات بیاموزند. در سال‌های اخیر، بهینه‌سازی‌های باورنکردنی برای الگوریتم‌های یادگیری ماشین، چارچوب‌های نرم‌افزاری و سخت‌افزار تعبیه‌شده انجام شده است. به لطف این، اجرای شبکه های عصبی عمیق و سایر الگوریتم های پیچیده یادگیری ماشینی در دستگاه های کم مصرف مانند میکروکنترلرها امکان پذیر است. این دوره به شما یک نمای کلی از نحوه کار یادگیری ماشین، نحوه آموزش شبکه های عصبی و نحوه استقرار آن شبکه ها در میکروکنترلرها را ارائه می دهد که به عنوان یادگیری ماشین جاسازی شده یا TinyML شناخته می شود. برای گذراندن این دوره نیازی به دانش قبلی یادگیری ماشین ندارید. آشنایی با آردوینو و میکروکنترلرها برای درک برخی از موضوعات و همچنین مقابله با پروژه ها توصیه می شود. مقداری ریاضی (خواندن نمودار، حساب، جبر) نیز برای آزمون ها و پروژه ها مورد نیاز است. ما مفاهیم و واژگان لازم برای درک اصول یادگیری ماشین و همچنین ارائه نمایش ها و پروژه هایی را برای ارائه تجربه عملی به شما پوشش خواهیم داد.

در این دوره، ما با برخی از خدمات شروع می کنیم که مدل آموزشی و استنتاج خام توسط آمازون برای شما انجام می شود. ما خدماتی را پوشش خواهیم داد که کارهای سنگین بینایی کامپیوتر، استخراج و تجزیه و تحلیل داده ها، پردازش زبان، تشخیص گفتار، ترجمه، آموزش مدل ML و عوامل مجازی را انجام می دهند. شما به راه حل های فعلی خود فکر خواهید کرد و خواهید دید که کجا می توانید این راه حل ها را با استفاده از هوش مصنوعی، ML یا یادگیری عمیق بهبود بخشید. همه این راه حل ها می توانند با برنامه های فعلی شما کار کنند تا در تجربه کاربری یا نیازهای تجاری برنامه شما پیشرفت هایی ایجاد کنند.

این دوره یک درک اساسی از مدل های یادگیری ماشین (رگرسیون لجستیک، پرسپترون های چندلایه، شبکه های عصبی کانولوشن، پردازش زبان طبیعی و غیره) ارائه می دهد و نشان می دهد که چگونه می توانند مشکلات پیچیده در صنایع مختلف، از تشخیص پزشکی گرفته تا تشخیص تصویر تا پیش بینی متن را حل کنند. از طریق تمرین‌های عملی، این مدل‌های علم داده را بر روی مجموعه داده‌ها پیاده‌سازی خواهید کرد و در الگوریتم‌های یادگیری ماشین با PyTorch که توسط شرکت‌های فناوری پیشرو مانند Google و NVIDIA استفاده می‌شود، مهارت کسب خواهید کرد.

این دوره برای حرفه‌ای‌هایی است که زمزمه‌های یادگیری ماشین را شنیده‌اند و می‌خواهند یادگیری ماشینی را در تجزیه و تحلیل داده‌ها و اتوماسیون به کار ببرند. چه امور مالی، پزشکی، مهندسی، تجارت یا سایر حوزه ها، این دوره شما را با تعریف مشکل و آماده سازی داده ها در پروژه یادگیری ماشینی آشنا می کند. در پایان دوره، شما قادر خواهید بود با استفاده از دو رویکرد، مشکل یادگیری ماشین را به وضوح تعریف کنید. شما یاد خواهید گرفت که منابع داده موجود را بررسی کنید و کاربردهای بالقوه ML را شناسایی کنید. شما یاد خواهید گرفت که یک نیاز تجاری را بپذیرید و آن را به یک برنامه یادگیری ماشینی تبدیل کنید. داده ها را برای برنامه های کاربردی یادگیری ماشینی موثر آماده خواهید کرد. این اولین دوره از تخصص یادگیری ماشین کاربردی است که توسط Coursera و موسسه هوش ماشین آلبرتا برای شما ارائه شده است.

در این دوره، شما الگوریتم‌های مختلف نظارت شده ML و وظایف پیش‌بینی اعمال شده روی داده‌های مختلف را یاد خواهید گرفت. شما یاد خواهید گرفت که چه زمانی از کدام مدل و چرا استفاده کنید و چگونه عملکرد مدل را بهبود ببخشید. ما مدل هایی مانند رگرسیون خطی و لجستیک، KNN، درختان تصمیم و روش های ترکیبی مانند جنگل تصادفی و تقویت، روش های هسته مانند SVM را پوشش خواهیم داد. دانش کدنویسی یا برنامه نویسی قبلی مورد نیاز است. ما در طول دوره به طور گسترده از پایتون استفاده خواهیم کرد. در این دوره، شما باید یک پایه محکم در پایتون یا تجربه قبلی کافی در کدنویسی با سایر زبان های برنامه نویسی داشته باشید تا پایتون را سریع انتخاب کنید. ما یاد خواهیم گرفت که چگونه از کتابخانه های علوم داده مانند NumPy، pandas، matplotlib، statsmodels و sklearn استفاده کنیم. این دوره برای برنامه نویسانی طراحی شده است که شروع به کار با آن کتابخانه ها می کنند. تجربه قبلی با آن کتابخانه ها مفید خواهد بود اما ضروری نیست. مهارت های ریاضی در سطح دانشگاه، از جمله حساب دیفرانسیل و انتگرال و جبر خطی، مورد نیاز است. امید ما برای این دوره این است که ریاضی قابل درک باشد اما ترسناک نباشد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder

 

این دوره جدیدترین فناوری مالی (FinTech) را پوشش می دهد و جزئیات تکامل آن ، بازیکنان کلیدی ، محیط نظارتی و روندهای آینده را شرح می دهد. در مورد تأثیر FinTech بر خدمات مالی سنتی ، از جمله نحوه تغییر فناوری ، بانکداری ، سرمایه گذاری و پرداخت ها اطلاعات کسب کنید. تعریف کنید که fintech ، اهمیت آن ، تاریخچه چگونگی تکامل آن و پیش بینی پیشرفت های آینده است. مناطق گسترده FinTech را از بانکداری دیجیتال و پرداخت به هوش مصنوعی و فناوری blockchain کشف کنید. در پایان این دوره ، دانش کاملی برای حرکت در اکوسیستم fintech ، شناسایی مقررات کلیدی و درک پیامدهای مربوط به مشاغل و مصرف کنندگان خواهید داشت. این یک دوره مقدماتی است که برای هر کسی که علاقه مند به تقاطع فناوری و دارایی باشد ، از متخصصان صنعت گرفته تا تازه واردان کنجکاو طراحی شده است. target = "_ blank"> cfi . ما خوشحالیم که این محتوا را در کتابخانه خود میزبانی می کنیم.

 

بانکهای اطلاعاتی رابطه ای و سرورهای SQL چندین دهه است که سنگ بنای مشاغل بوده است و با افزایش رشد داده با سرعت نمایی ، یادگیری کار با داده های نگهداری شده در پایگاه داده های سرور SQL از همیشه مهمتر است. در این دوره ، جس پومفرت Transact-SQL را معرفی می کند ، پسوند SQL که برای تعامل با پایگاه داده های رابطه ای استفاده می شود که شامل سازه های برنامه نویسی اضافی و ویژگی های فراتر از SQL استاندارد ، به ویژه برنامه نویسی رویه است. جس با اصول اولیه شروع می کند و شما را از طریق اولین جمله انتخابی خود راهنمایی می کند تا به شما در دریافت داده های مورد نیاز خود از یک پایگاه داده کمک کند. او سپس نحوه اضافه کردن عملکرد برای کمک به فیلتر ، دستکاری و ارائه نتایج مورد نیاز خود را نشان می دهد. در پایان این دوره ، شما برای نوشتن T-SQL مورد نیاز برای انجام کار به خوبی مجهز خواهید بود.

این دوره شامل چالش های کد است که توسط CoderPad تهیه شده است. چالش های کد تمرینات برنامه نویسی تعاملی با بازخورد در زمان واقعی است ، بنابراین می توانید برای پیشبرد مهارت های برنامه نویسی خود ، در کنار محتوای دوره ، تمرین کدگذاری دستی را انجام دهید.

خدمات رایانه ای ابر-مانند مواردی که توسط مایکروسافت ، گوگل و آمازون ارائه شده است-از ذخیره سازی ، تهیه نسخه پشتیبان ، هماهنگ سازی پرونده ، امنیت و سایر کارهایی که می توانند زمان و منابع را از تجارت اصلی شما دور کنند ، مراقبت کنید. اما چگونه می دانید ابر انتخاب مناسبی برای سازمان شما است؟ در این دوره ، دیوید ریورز ملزومات محاسبات ابری را توضیح می دهد - فقط برای جوانب مثبت. وی به بررسی مزایا و اشکالاتی از محاسبات ابری ، از جمله معاینه عملی نحوه تعادل مسائل مربوط به اشتراک و حفظ حریم خصوصی با دستاوردهای بهره وری ابر می پردازد. دیوید همچنین خدمات محبوب مانند Google Workspace ، Microsoft 365 ، OneDrive ، Icloud ، Box.com و Microsoft را مرور می کند. به علاوه ، او نکاتی را برای انجام یک حرکت یکپارچه به ابر ارائه می دهد و عملکرد خدمات شما را ارزیابی و تنظیم می کند.

 

یاد بگیرید که چگونه می توانید از ابزارهای تولیدی برای ابزارهای تولیدی استفاده کنید. این که آیا شما یک مبتدی هستید یا در حال آزمایش با ابزارهای تولید کننده AI هستید ، این دوره مقدمه ای عالی برای هنر مهندسی سریع ارائه می دهد. مهندس ارشد AI Ronnie Sheer شما را از طریق مدل های بزرگ زبان راهنمایی می کند و چه مشکلاتی را می توان آنها را حل کرد. رونی به نسل متن فرو می رود و با هشدار برای استفاده از نسل AI با مسئولیت پذیری ، شروع می شود و سپس به سمت Copilot ، Chatgpt ، Gemini و Claude حرکت می کند. او شما را با منظره تصویر تولید شده AI آشنا می کند ، سپس به شما نشان می دهد که چگونه می توانید از Dall-E و Midjourney استفاده کنید. بعلاوه ، رونی بیش از مفاهیم پیشرفته مانند تنظیم دقیق شما و تعامل با مدل های زبان با استفاده از API می رود. مایکروسافت.

برای اینکه یک توسعه‌دهنده ماهر باشید، باید قبل از تولید کد، درک کاملی از نوشتن تست داشته باشید. در این دوره، با نوشتن و اجرای تست ها به محض هفته اول، نگاهی عملی به توسعه تست محور خواهیم داشت. TDD با تست های واحد خوب شروع می شود، بنابراین ما از آنجا شروع خواهیم کرد. همچنین موضوعات مربوط به ترجمه مشخصات کاربر به تست های واحد، استفاده از مانترا Red-Green-Refactor، و استفاده از ماک ها در پایتون با ماژول unittest.mock خواهد بود. پس از اتمام، تمام مراحل TDD را قبل از توسعه پوشش داده اید

پس از خوش آمدگویی گرم به تخصص تدارکات و منبع یابی جهانی، معرفی مختصری از تخصص و دوره های آن ارائه خواهم کرد که شامل موارد زیر می شود: -بیوگرافی مربی -چه کسانی باید این دوره را بگذرانند -جریان دوره پس از مقدمه، دانش‌آموز این فرصت را پیدا می‌کند تا از طریق خواندن ده مقاله فعلی، از خرید تا نحوه همکاری با تامین‌کنندگان، در مورد برخی از چالش‌های فعلی که امروزه با آن‌ها مواجه است، بیاموزد. این مقالات/دانش پایه ای برای دوره های بعدی در مورد نحوه استفاده از ابزارها، فرآیندها و بهبود مهارت ها برای رسیدگی به بسیاری از این فرصت ها خواهد بود. ارزیابی مختصری (درست/نادرست) از دانش شما که از این مقالات به دست آمده است، وجود خواهد داشت.

 آیا شما در JavaScript کاملاً جدید برای برنامه نویسی هستید؟ یا فقط به دنبال یادگیری کمی بیشتر هستید؟ گاهی اوقات ، هنگامی که یک چارچوب جدید را یاد می گیرید ، باید به سمت راست پرش کنید و کارها را انجام دهید. به مربی ارشد LinkedIn LinkedIn LinkedIn ، Morten Rand-Hendriksen بپیوندید ، زیرا او به شما نشان می دهد که چه چیزی را برای شروع نوشتن JavaScript بدون تلاش برای آشنایی با آن از قبل نشان می دهد. این آغازگر تعاملی و آسان برای دنبال کردن را در ایجاد تغییرات مستقیم در کد خود ، آزمایش مهارت های جدید خود را هنگام رفتن ، و ساخت ویرایش های خود در زمان واقعی کشف کنید. نکاتی را از Morten در مورد انتخاب JS از هم جدا کنید ، کد ساختمان را از ابتدا و سپس گسترش آن ، و همچنین دریافت داده های API ها برای ساخت اجزای جدید JS که به شما امکان می دهد از داده های خود استفاده کنید ، دریافت کنید. در پایان این دوره ، شما آماده خواهید بود که دستان خود را با کد خود کثیف کنید ، بدون توجه به سطح تجربه یا پیشینه حرفه ای شما.

بهترین راه برای یادگیری یک زبان استفاده از آن در عمل است. به همین دلیل این دوره با GitHub Codespaces یکپارچه شده است ، یک محیط توسعه دهنده ابر فوری که تمام قابلیت های IDE مورد علاقه شما را بدون نیاز به تنظیم دستگاه محلی ارائه می دهد. با استفاده از Codepaces GitHub ، می توانید از هر دستگاهی ، در هر زمان استفاده کنید-همه در حالی که از ابزاری استفاده می کنید که احتمالاً در محل کار با آن روبرو خواهید شد. برای یادگیری نحوه شروع کار ، از فیلم "استفاده از Codepaces GitHub با این دوره" دیدن کنید.

 به مربی Deepa Maddala بپیوندید زیرا او از درس های عملی برای آموزش ابزارها، تکنیک ها و دانش لازم برای شروع استفاده از SQL از همان روز اول به شما استفاده می کند. Deepa شما را از طریق استفاده از عبارت Select برای واکشی و فیلتر کردن داده ها، ایجاد و افزودن به جداول و داده ها، اصلاح جداول موجود و مواردی که در سناریوهای مختلف استفاده کنید راهنمایی می کند. او با هر موضوعی که پوشش می دهد، مثال های ساده ای ارائه می دهد.

بهترین راه برای یادگیری زبان، استفاده از آن در عمل است. به همین دلیل است که این دوره با GitHub Codespaces یکپارچه شده است، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به هیچ گونه راه اندازی ماشین محلی ارائه می دهد. با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید، در حالی که از ابزاری استفاده می‌کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای یادگیری نحوه شروع، ویدیوی «استفاده از فضاهای کد GitHub با این دوره» را بررسی کنید.