Eclipse یک ابزار ضروری برای توسعه دهندگان است - این نه تنها یک محیط توسعه یکپارچه (IDE) است، بلکه یک پلت فرم قابل توسعه برای توسعه ابزارها و برنامه های دیجیتال است. در حالی که در درجه اول با جاوا مرتبط است، می توانید از آن با زبان های دیگر از جمله C، C++ و PHP نیز استفاده کنید. در این دوره آموزشی، رینالد آدولف به شما کمک می کند تا با استفاده از این IDE قدرتمند، مثال ها و نکات کاربردی را با استفاده از جاوا به اشتراک بگذارید. نحوه کار با رابط Eclipse، ایجاد و مدیریت پروژه های جاوا و اشکال زدایی کد خود را بیاموزید. رینالد همچنین نکات و ترفندهایی را به اشتراک می گذارد که می تواند به شما کمک کند با Eclipse هوشمندتر کار کنید.

با Koa شروع کنید، یک چارچوب میان‌افزار محبوب برای Node.js که توسط تیم پشتیبان Express طراحی شده است. در این دوره آموزشی، امانوئل هنری به شما کمک می‌کند تا با این چارچوب وب محبوب راه‌اندازی کنید و نحوه کار با Koa را در برنامه‌های وب و APIهای خود شرح دهد. پس از ارائه یک نمای کلی از Koa - و همچنین تفاوت آن با Express - او نحوه کار با Context را مورد بحث قرار می دهد، که درخواست Node و اشیاء پاسخ را در یک شی کپسوله می کند. سپس به نحوه استفاده از async با Koa و نحوه ارتباط میان‌افزار cascading با محیط back-end شما و همچنین نحوه اعمال میان‌افزار cascading برای تماس‌های async در محیط Koa می‌پردازد.

 اجرای برنامه های جاوا، به ویژه در یک محیط بومی ابری کانتینری، می تواند یک تلاش پرهزینه و پر منابع باشد، و چشم انداز چارچوبی با ردپای کوچکتر با تمام قدرت جاوا بسیار جذاب است. Quarkus را وارد کنید، یک چارچوب مبتنی بر Kubernetes که قدرت زبان و اکوسیستم توسعه جاوا را با نیازهای کمتری به منابع ارائه می‌کند. در این دوره، فرانک مولی به معرفی کوارکوس می پردازد و با اصول اولیه شروع می کند و سپس چارچوب را از طریق یک سری چالش ها و راه حل ها به تصویر می کشد. در پایان دوره، باید مشخص شود که چرا کوارکوس به سرعت به یکی از هیجان‌انگیزترین چارچوب‌ها برای ساخت میکروسرویس‌های مبتنی بر جاوا و مؤلفه‌های بومی ابری تبدیل می‌شود.

Gatsby به توسعه دهندگان React و WordPress رویکرد جامع تری برای توسعه برنامه های کاربردی وب ارائه می دهد که با نگرانی های کامل در مورد پشتیبانی دسترسی کامل است. پایه های GraphQL گتسبی به آن اجازه می دهد اطلاعات را از منابع داده های مختلف استخراج کند. در این دوره آموزشی، مربی Morten Rand-Hendriksen به شما نشان می دهد که چگونه گتسبی می تواند به شما در ایجاد وب سایت های متمرکز بر عملکرد کمک کند. مورتن قدم در راه اندازی گتسبی و خراب کردن سایت گتسبی می گذارد. او نحوه استفاده از صفحات استاتیک، دارایی‌های استاتیک، مؤلفه‌ها و CSS را در گتسبی توضیح می‌دهد، سپس به سراغ گزینه‌های افزونه و افزودن تصاویر به صفحه می‌رود. مورتن داده‌ها را در گتسبی بررسی می‌کند، از جمله ایجاد یک جستجوی صفحه، ایجاد یک جستجوی پیشرفته GraphQL و افزودن تصاویر پویا. پس از طی کردن مراحل ایجاد صفحات به صورت پویا، او به شما نشان می دهد که چگونه سایت تولید را بسازید و عملکردهای PWA و آفلاین را اضافه کنید. با هر فصلی که شامل چالش ها و راه حل های عملی است، این دوره شما را در مسیر تسلط بر گتسبی قرار می دهد.

افزونه‌های گرافیک هوشمند می‌توانند به شما کمک کنند تا با Adobe Illustrator دقیق‌تر، کارآمدتر و خلاق‌تر باشید. در این دوره آموزشی، بیاموزید که چگونه این 18 پلاگین می توانند روش طراحی و ویرایش آثار هنری در ایلاستریتور را متحول کنند. مربی Mike Rankin توضیح می دهد که هر افزونه چه کاری انجام می دهد - برجسته کردن گردش کار و ویژگی هایی که در ابزارهای اصلی Illustrator موجود نیستند. مایک طراحی و ویرایش را با VectorScribe و InkScribe، تراز و چیدمان اشیا با ColliderScribe، ایجاد تقارن زیبا با MirrorMe، و تنظیم رنگ و اعمال افکت‌ها با Phantasm و Stylism را پوشش می‌دهد. او همچنین به ابزارهایی در DynamicSketch و WidthScribe می‌پردازد که طراحی با تبلت را حتی طبیعی‌تر و شهودی‌تر می‌کنند. به علاوه، یاد بگیرید که چگونه از ویژگی‌های صرفه‌جویی در زمان مانند Vector First Aid و Find/Replace برای پیدا کردن و اصلاح مشکلات آثار هنری خود استفاده کنید و مطمئن شوید که هرگز تغییرات خود را با Autosavior از دست ندهید.

 برای ویرایش ، سازماندهی و به اشتراک گذاری عکسهای خود با Lightroom ، سیستم قدرتمند و محور از Adobe شروع کنید. در این دوره ، جان کابیلی ، عکاس و مربی ، مقدمه ای قابل دسترسی را برای کمک به شما در کسب بیشترین استفاده از تجربه لایت روم ارائه می دهد. جان با استراتژی هایی که می توانید در Lightroom در رایانه ، تلفن ، رایانه لوحی یا مرورگر وب خود استفاده کنید ، ملزومات ویرایش عکس را به نمایش می گذارد. بیاموزید که چگونه عکس ها را وارد کنید و از کنترل های ویرایش بصری استفاده کنید تا عکسهای شما واقعاً بدرخشند. دریابید که چگونه روشنایی ، رنگ و چشم انداز را تنظیم کنید. بخش هایی از عکس را با استفاده از ابزارهای محلی ویرایش کنید. و خیلی بیشتر برای بسته بندی ، جان نکات مورد علاقه خود را برای سازماندهی ، یافتن ، صرفه جویی و به اشتراک گذاری عکس به اشتراک می گذارد تا بتوانید هر بار بهترین کار خود را مانند یک حرفه ای نشان دهید.

در این دوره آموزشی فقط صوتی، میزبان Sheneisha White با دکتر Jacquelyn Malcolm، مدیر ارشد اجرایی و معاون ثبت نام، بازاریابی و ارتباطات در کالج ایالتی بوفالو، در مورد مسیر غیر سنتی که برای رسیدن به جایی که هست و خیلی چیزها پیموده صحبت می کند. بیشتر. آنها ارزش یادگیری از طریق کار و اهمیت توسعه حرفه ای مستمر را مورد بحث قرار می دهند. پس از بررسی انقلاب فرهنگی آموزش عالی، آنها با توصیه هایی برای زنان سیاه پوست و قهوه ای، از جمله بحث مفصل در مورد رهبری به عنوان یک زن سیاه پوست، به پایان می رسند.

کارآفرین و پادکست Sheneisha White این دوره را برای Living Corporate ضبط کرده است، یک پلتفرم تنوع چندرسانه‌ای، برابری و دربرگیرنده که از طریق داستان سرایی روایی، متخصصان سیاه‌پوست و قهوه‌ای را در محیط کار متمرکز و تقویت می‌کند.

توجه: این دوره توسط Living Corporate ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.

این دوره آموزشی پایه ای طراحی شده است تا تکنیک هایی را در اختیار شما قرار دهد تا به شما در اتخاذ یک طرز فکر رشد، برخورد موثر با دیگران، حل مشکلات و تفکر از طریق تصمیم گیری کمک کند. این مجموعه ابزاری را در اختیار شما قرار می دهد تا به شما در حل چالش های روزمره در محل کار و زندگی روزمره کمک کند. در پایان این دوره، شما قادر خواهید بود: - مولفه های اصلی یادگیری مادام العمر را شناسایی کنید - استراتژی هایی را برای مدیریت احساسات، مقابله با استرس و برقراری ارتباط موثر کشف کنید - روش هایی را برای آسان تر کردن حل مسئله بشناسید - نحوه ارزیابی اطلاعات و تفکر از طریق تصمیمات را تجزیه و تحلیل کنید این دوره به چهار ماژول تقسیم می شود: یادگیری مادام العمر، هوش هیجانی، حل مسائل و تفکر انتقادی. در ماژول اول، آموزش مادام العمر، شما با اهمیت یادگیری در طول زندگی خود آشنا خواهید شد. شما در مورد توانایی مغز برای یادگیری چیزهای جدید و انواع طرز فکری که به این فرآیند کمک می کند، پی خواهید برد. همچنین خواهید آموخت که اشتباه کردن و دریافت راهنمایی در مورد چگونگی دستیابی به ذهنیت رشد اشکالی ندارد. ایجاد روابط مستحکم و خنثی کردن تعارض، توانایی های کلیدی برای حفظ یک زندگی حرفه ای و شخصی سالم است. در ماژول دو، هوش عاطفی، با این موارد آشنا خواهید شد. همچنین در مورد خود تنظیمی و اینکه چگونه تمرینات زمینی می توانند به شما در رسیدن به آن کمک کنند، خواهید آموخت. مهارت های اضافی که از این ماژول خواهید ساخت شامل شناخت مخاطبان، گوش دادن فعال و مدیریت تضاد است. توانایی شناسایی علت یک مشکل و فکر کردن از طریق راه حل های مناسب، مهارت های مهمی است. در ماژول سه، حل مسائل، با تفاوت بین مسائل ساده و پیچیده آشنا می شوید و استراتژی هایی را برای حل آنها بررسی می کنید. همچنین با تکنیک هایی برای ساده سازی تصمیم گیری آشنا خواهید شد. در آخرین ماژول، تفکر انتقادی، شما به درک عمیقی از اهمیت تفکر انتقادی دست خواهید یافت و همچنین با تکنیک هایی آشنا خواهید شد که به شما در ارزیابی موثر اطلاعات کمک می کند. این یک دوره پایه است و هیچ تجربه قبلی خاصی لازم نیست. مفاهیم و مهارت هایی که در این دوره یاد خواهید گرفت به شما کمک می کند نه تنها در زندگی حرفه ای بلکه در زندگی شخصی خود نیز موفق باشید. حق چاپ © 2023 Accenture. تمامی حقوق محفوظ است. Accenture و لوگوی آن علائم تجاری ثبت شده Accenture هستند.

به آموزش ماشین با ML.NET خوش آمدید. در این دوره، مربی پراناو راستوگی شما را در مورد مفاهیم یادگیری ماشینی، آنچه که می توانید با این مفاهیم بسازید و چگونه شروع کنید، راهنمایی می کند. ابتدا، پراناو توضیح می دهد که ML.NET چیست و چه کاری می توانید با فریم ورک انجام دهید. او نحوه ساخت یک مدل ML برای تجزیه و تحلیل احساسات نظرات مشتریان را پوشش می‌دهد و توضیح می‌دهد که چگونه مسائل ورودی GitHub را با استفاده از یک الگوریتم طبقه‌بندی چند کلاسه در یکی از چندین برچسب (برچسب) طبقه‌بندی کنیم. پراناو به شما نشان می دهد که چگونه با استفاده از رویکرد توصیه مبتنی بر فیلتر مشارکتی، فیلم ها را به کاربران توصیه کنید. او با بحث در مورد اینکه چگونه یادگیری عمیق سناریوهای بیشتری را با استفاده از صدا، تصاویر، متن و دیگر انواع داده‌ها ممکن می‌سازد، به پایان می‌رسد.

این دوره توسط Microsoft.NET ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.

با این دوره آموزشی IBM دنیای هیجان انگیز یادگیری ماشینی را کاوش کنید. قبل از باز کردن قدرت Apache Spark برای ساخت و استقرار مدل‌های ML برای برنامه‌های مهندسی داده، با یادگیری اصول ML شروع کنید. در تکنیک های یادگیری تحت نظارت و بدون نظارت غوطه ور شوید و از طریق خواندن و ویدئوهای آموزشی، امکانات انقلابی هوش مصنوعی مولد را کشف کنید. تجربه عملی با جریان ساختار یافته Spark به دست آورید، درکی از مهندسی داده و خطوط لوله ML ایجاد کنید و در ارزیابی مدل های ML با استفاده از SparkML ماهر شوید. در آزمایشگاه‌های عملی، شما از SparkML برای رگرسیون، طبقه‌بندی و خوشه‌بندی استفاده می‌کنید که به شما امکان می‌دهد مدل‌های پیش‌بینی و طبقه‌بندی بسازید. به خوشه‌های Spark متصل شوید، مجموعه داده‌های SparkSQL را تجزیه و تحلیل کنید، فعالیت‌های ETL را انجام دهید و مدل‌های ML را با استفاده از Spark ML و sci-kit Learn ایجاد کنید. در نهایت، مهارت های کسب شده خود را از طریق یک تکلیف نهایی نشان دهید. این دوره متوسط ​​​​برای مهندسین داده مشتاق و با تجربه و همچنین متخصصان فعال در تجزیه و تحلیل داده ها و یادگیری ماشین مناسب است. دانش قبلی در Big Data، Hadoop، Spark، Python و ETL برای این دوره به شدت توصیه می شود.

 خوشه بندی - یک رویکرد یادگیری ماشینی بدون نظارت که برای گروه بندی داده ها بر اساس شباهت استفاده می شود - برای کار در تجزیه و تحلیل شبکه، تقسیم بندی بازار، گروه بندی نتایج جستجو، تصویربرداری پزشکی و تشخیص ناهنجاری استفاده می شود. خوشه‌بندی K-means یکی از محبوب‌ترین و آسان‌ترین الگوریتم‌های خوشه‌بندی است. در این دوره آموزشی، Fred Nwanganga به شما نگاهی مقدماتی به خوشه‌بندی k-means می‌دهد – چگونه کار می‌کند، برای چه چیزی خوب است، چه زمانی باید از آن استفاده کنید، چگونه تعداد مناسبی از خوشه‌ها را انتخاب کنید، نقاط قوت و ضعف آن، و موارد دیگر. Fred راهنمایی عملی در مورد نحوه جمع‌آوری، کاوش و تبدیل داده‌ها در آماده‌سازی برای تقسیم‌بندی داده‌ها با استفاده از خوشه‌بندی k-means ارائه می‌کند و راهنمای گام به گام نحوه ساخت چنین مدلی در پایتون را ارائه می‌دهد.

 آیا به دنبال راهی عملی برای استفاده از یادگیری ماشین برای حل مشکلات پیچیده دنیای واقعی هستید؟ رگرسیون لجستیک رویکردی برای یادگیری ماشینی تحت نظارت است که مقادیر انتخاب شده را برای پیش‌بینی نتایج احتمالی مدل‌سازی می‌کند. در این دوره، فردریک نوانگانگا، استاد نوتردام، راهنمای گام به گام نحوه ساخت یک مدل رگرسیون لجستیک با استفاده از پایتون را در اختیار شما قرار می دهد. نکات عملی برای جمع آوری، کاوش، و تبدیل داده های خود را قبل از شروع بیاموزید. در پایان این دوره، شما مهارت های فنی برای دانستن زمان و نحوه طراحی، ساخت، ارزیابی و مدیریت موثر یک مدل رگرسیون لجستیک را به تنهایی خواهید داشت.

این دوره با GitHub یکپارچه شده است. Codespaces، 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.

 به مربی فردریک نوانگانگا بپیوندید زیرا او یک رویکرد کاربردی و قابل درک برای استفاده از یادگیری ماشین برای حل مشکلات دنیای واقعی را معرفی می کند و راهنمایی های گام به گام در مورد نحوه انجام این کار در پایتون ارائه می دهد. فردریک به طور خاص بر قوانین انجمن و نحوه اعمال آنها برای تجزیه و تحلیل سبد بازار تمرکز می کند. او توضیح می دهد که قوانین تداعی چیست و دو الگوریتم محبوب را بررسی می کند، سپس به این می پردازد که چه زمانی و چرا باید از قوانین تداعی استفاده کنید. به علاوه، فردریک نحوه ایجاد، تجسم، و تفسیر قوانین ارتباط در پایتون را پوشش می‌دهد.

این دوره با GitHub Codespaces، یک محیط توسعه‌دهنده ابر فوری که تمام قابلیت‌های IDE مورد علاقه شما را بدون نیاز به هیچ‌گونه نیازی ارائه می‌کند، یکپارچه شده است. راه اندازی ماشین محلی 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.

احتمالاً قبلاً در مورد یادگیری ماشینی شنیده اید، اما آیا تا به حال فکر کرده اید که این اصطلاح واقعاً به چه معناست؟ یک ماشین چگونه یاد می گیرد؟ آیا به ساخت یک مدل یادگیری ماشین فکر کرده اید، اما نمی دانید از کجا شروع کنید؟n فردریک دقیقاً با معنای یادگیری ماشین‌ها و روش‌های مختلف یادگیری آنها شروع می‌کند، سپس به نحوه جمع‌آوری، درک و آماده‌سازی داده‌ها برای یادگیری ماشین می‌پردازد. او همچنین مثال‌های راهنمایی از نحوه انجام هر مرحله با استفاده از پایتون ارائه می‌دهد. در نهایت، او همه آن‌ها را برای ساخت، ارزیابی و تفسیر نتایج یک مدل یادگیری ماشین در پایتون گرد هم می‌آورد.

Excel، R، و Power BI برنامه هایی هستند که به طور جهانی در علم داده و در بین مشاغل و سازمان ها در سراسر جهان استفاده می شوند. اگر زمان زیادی را صرف کرده اید تا بفهمید چگونه داده های خود را بهتر مدل کنید تا بینش مفیدی از آنها بدست آورید که می توانید بر اساس آنها عمل کنید، به احتمال زیاد با این برنامه ها روبرو شده اید. در این دوره، هلن وال نحوه استفاده از Excel، R و Power BI را برای رگرسیون لجستیک به منظور مدل‌سازی داده‌ها برای پیش‌بینی برچسب‌های طبقه‌بندی مانند کشف تقلب یا موفقیت‌های آزمایشی پزشکی نشان می‌دهد. هلن چندین نمونه از رگرسیون لجستیک را بررسی می کند. او نحوه استفاده از اکسل را برای محاسبه ملموس مدل رگرسیون نشان می دهد، سپس از R برای محاسبات و تجسم های فشرده تر استفاده می کند. سپس نحوه استفاده از Power BI برای ادغام قابلیت‌های محاسبات Excel و R در یک مدل مقیاس‌پذیر و قابل اشتراک‌گذاری را نشان می‌دهد.

آیا می خواهید یادگیری ماشینی را در برنامه iOS خود بگنجانید؟ با Core ML SDK و برنامه Create ML Apple، می‌توانید به سرعت ویژگی‌های یادگیری ماشین را در پروژه‌های خود ادغام کنید. در این دوره آموزشی، امانوئل هنری اصول یادگیری ماشینی و همچنین نحوه کار با Core ML و Create ML را برای افزودن مدل های یادگیری ماشین به برنامه های خود پوشش می دهد. امانوئل بخش‌های مختلف Core ML SDK، نحوه راه‌اندازی یک پروژه جدید با استفاده از Create ML، و نحوه دریافت مقادیر ورودی و آزمایش یک مدل را پوشش می‌دهد. او همچنین نحوه ادغام مدل یادگیری ماشینی خود را در یک برنامه iOS و تبدیل مدل‌ها از منابع غیر iOS را بررسی می‌کند.

در دوره دوم گرایش بینایی کامپیوتر برای مهندسی و علوم، دو مورد از رایج ترین کارهای بینایی کامپیوتر را انجام خواهید داد: طبقه بندی تصاویر و تشخیص اشیا. شما کل گردش کار یادگیری ماشین را، از آماده سازی داده های خود تا ارزیابی نتایج خود، اعمال خواهید کرد. در پایان این دوره، مدل‌های یادگیری ماشینی را برای طبقه‌بندی تصاویر تابلوهای خیابان و تشخیص عیوب مواد آموزش می‌دهید. شما در طول این دوره از MATLAB استفاده خواهید کرد.  متلب برای میلیون‌ها نفر از افرادی که در زمینه‌های مهندسی و علوم کار می‌کنند، گزینه‌ای است و قابلیت‌های مورد نیاز برای انجام وظایف بینایی رایانه‌تان را فراهم می‌کند.  در طول دوره برای تکمیل کار، دسترسی رایگان به متلب در اختیار شما قرار خواهد گرفت. برای موفقیت در این تخصص، داشتن تجربه قبلی در پردازش تصویر کمک خواهد کرد.  اگر با داده های تصویری تازه کار هستید، توصیه می شود ابتدا تخصص پردازش تصویر برای مهندسی و علوم را تکمیل کنید.

آیا می خواهید مدل های یادگیری ماشینی سفارشی بسازید تا برنامه های iOS خود را ارتقا دهید؟ حتی اگر متخصص یادگیری ماشینی نیستید، Core ML ادغام یک مدل یادگیری ماشین موجود را در یک برنامه iOS آسان می کند. و با Turi Create، اپل همچنین یک چارچوب پایتون ارائه می‌کند که توسعه مدل‌های یادگیری ماشین سفارشی را ساده می‌کند. این دوره مقدمه ای بر یادگیری ماشین و چارچوب Core ML ارائه می دهد و نحوه ساخت مدل یادگیری ماشینی سفارشی خود و ادغام آن در یک برنامه iOS را پوشش می دهد. پس از پایان دادن به این دوره، شما یک طبقه بندی تصویر ساخته اید که می تواند گربه ها را از سگ ها در یک تصویر ارائه شده تشخیص دهد.

 

در مورد یادگیری ماشین های هک با کارشناسان آموزش امنیت سایبری در انستیتوی Infosec ، INS و Outs of Hacking Machine Learning را کشف کنید. عمیق به موضوعاتی مانند هک کردن یک سیستم Captcha ، فازی یک هدف ، فرار از تشخیص بدافزار و حمله به سیستم های یادگیری ماشین. به علاوه ، در مورد Deepfakes و نحوه انجام حملات پشتی به یادگیری ماشین آشنا شوید.

این دوره توسط موسسه Infosec ایجاد شده است. ما خوشحالیم که این آموزش را در کتابخانه خود میزبانی می کنیم.