کاتالوگ دوره‌ها

مدت زمان دوره

ارائه دهنده

موضوع

طبقه‌ها

نمایش 18,201 تا 18,220 مورد از کل 18,566 مورد.

linkedin یادگیری تجزیه و تحلیل اکسل What-If (2014) (Mitalearn-49892)

  • 1 ساعت 10 دقیقه
  • متوسط
  • انتشار: 25 July 2026
  • مدرس: Curt Frye
درباره این دوره:

با استفاده از ابزارهای تجزیه و تحلیل مایکروسافت اکسل، برای کسب و کار خود تصمیمات بهتری بگیرید. در این دوره پیشرفته، Curt Frye نشان می دهد که چگونه می توان موارد تجاری فرضی را با استفاده از فرمول ها و داده های متغیر تجزیه و تحلیل کرد. او به شما نشان می دهد که چگونه جداول داده بسازید، مجموعه داده های جایگزین را با سناریوها تعریف کنید، مقادیر هدف را با Goal Seek پیدا کنید، و مشکلات پیچیده را با حل کننده تجزیه و تحلیل کنید. دو فصل آخر به شما نحوه ایجاد یک مدل قابل تنظیم با اسلایدرها و چک باکس ها و نحوه اجرای شبیه سازی مونت کارلو را نشان می دهد.

مهارت‌های مرتبط

linkedin یادگیری تجزیه و تحلیل خوشه ای اکسل (Mitalearn-55791)

  • 1 ساعت 9 دقیقه
  • پیشرفته
  • انتشار: 22 June 2026
  • مدرس: Curt Frye
درباره این دوره:

بیاموزید که چگونه از توابع مدیریت داده و محاسبات داخلی اکسل برای شناسایی خوشه‌هایی از نقاط داده استفاده کنید - با VBA کم یا بدون VBA! نویسنده Curt Frye به شما نشان می دهد که چگونه یک کاربرگ برای تجزیه و تحلیل خوشه ای تنظیم کنید، فرمول هایی ایجاد کنید که نزدیک ترین نقطه کانونی (مرکز) را برای هر ردیف مشخص می کند، و نتایج خود را در جدول Excel یا نمودار پراکندگی XY تجزیه و تحلیل کنید. اعضایی که برای ضبط ماکروها یا نوشتن کد VBA اهمیتی ندارند، می‌توانند یاد بگیرند که چگونه برخی از بخش‌های فرآیند را خودکار کنند.

مهارت‌های مرتبط

linkedin یادگیری تجزیه و تحلیل داده ها (Mitalearn-187830)

  • 1 ساعت 39 دقیقه
  • مبتدی
  • انتشار: 21 June 2026
  • مدرس: Robin Hunt
درباره این دوره:

هر فردی که با داده ها کار می کند باید در نقطه ای تجزیه و تحلیل انجام دهد. این دوره آموزشی پرطرفدار - که به طور چشمگیری برای سال 2018 گسترش یافته و افزایش یافته است - به تحلیلگران و غیر تحلیلگران به طور یکسان اصول تجزیه و تحلیل داده و گزارش را آموزش می دهد. رابین هانت تعریف می کند که تجزیه و تحلیل داده چیست و تحلیلگران داده چه کاری انجام می دهند. سپس نشان می دهد که چگونه مجموعه داده های خود را شناسایی کنید - از جمله داده هایی که ندارید - و داده ها را تفسیر و خلاصه کنید. او همچنین نحوه انجام وظایف تخصصی مانند ایجاد نمودارهای گردش کار، تمیز کردن داده ها و پیوستن به مجموعه داده ها برای گزارش را نشان می دهد. پوشش با بهترین روش‌ها برای پروژه‌های تجزیه و تحلیل داده‌ها، مانند تأیید داده‌ها و برگزاری جلسات مؤثر، و اشتباهات رایجی که باید اجتناب شود، ادامه می‌یابد. سپس تکنیک‌هایی را برای استفاده مجدد، ترسیم نمودار و چرخش داده‌ها بیاموزید. بعلاوه، میانبرهای مفید برای افزایش بهره وری و نکات عیب یابی محبوب ترین برنامه تجزیه و تحلیل داده، مایکروسافت اکسل را دریافت کنید.

مهارت‌های مرتبط

linkedin یادگیری تجزیه و تحلیل کسب و کار دیجیتال (Mitalearn-143103)

  • 1 ساعت 26 دقیقه
  • متوسط
  • انتشار: 25 July 2026
  • مدرس: Angela Wick
درباره این دوره:

سازمان‌های بیشتری روی فناوری‌های دیجیتالی مانند هوش مصنوعی، یادگیری ماشینی و روباتیک سرمایه‌گذاری می‌کنند. این فناوری‌های جدید باعث ایجاد تغییراتی در مدل‌های کسب‌وکار، عملیات تجاری و انتظارات و تجربیات مشتریان شده‌اند. این دوره برای کمک به تحلیلگران کسب و کار و متخصصان پروژه طراحی شده است تا بدانند این تغییرات به چه معناست و چگونه آنها را از منظر تجاری پیاده سازی کنند. آنجلا ویک به بررسی تولید زبان طبیعی، تشخیص گفتار، هوش ازدحام، بلاک چین و دیگر فناوری‌های جدید هیجان‌انگیز می‌پردازد و نشان می‌دهد که چگونه هر یک می‌توانند در فرآیندهای تجاری شما قرار بگیرند. به علاوه، او نحوه تأثیرگذاری این نوآوری‌ها بر شیوه‌های تحلیل سنتی کسب‌وکار را پوشش می‌دهد و توضیح می‌دهد که چگونه سفر مشتری تحت تأثیر پروژه‌های دیجیتال و هوش مصنوعی قرار می‌گیرد.

مهارت‌های مرتبط

linkedin یادگیری تجزیه و تحلیل وب (Mitalearn-139652)

  • 1 ساعت 14 دقیقه
  • مبتدی
  • انتشار: 21 June 2026
  • مدرس: Matt Bailey
درباره این دوره:

بیاموزید که چگونه تجزیه و تحلیل وب می تواند بازی بازاریابی شما را بهبود بخشد. در این دوره، مت بیلی، متخصص بازاریابی، توضیح می دهد که تجزیه و تحلیل چیست، چه کاری می تواند انجام دهد، و چگونه کسب و کار آنلاین شما را تغییر می دهد. بیاموزید که چگونه اندازه‌گیری ارزش را در وب‌سایت خود اعمال کنید و بفهمید کدام صفحات مردم را متقاعد می‌کنند که مشتری شوند و کدام صفحات آنها را از بین می‌برند. مت نشان می‌دهد که مهم‌ترین اعداد از کجا آمده‌اند، برخی از اصطلاحات اولیه را معرفی می‌کند، و نشان می‌دهد که چگونه می‌توان برخی از گزارش‌های اساسی را پیدا کرد - با ابزارهای رایگانی مانند Google Analytics - که می‌توانند داده‌های فوری و کاربردی را در اختیار شما قرار دهند. در پایان دوره، می‌توانید ارزش اقدامات و تبدیل‌ها را اندازه‌گیری و درک کنید و سرمایه‌گذاری بازاریابی خود را به سمت حوزه‌هایی هدایت کنید که بیشتر به آن نیاز دارند.

مهارت‌های مرتبط

linkedin یادگیری تجسم داده ها (Mitalearn-276315)

  • 1 ساعت 51 دقیقه
  • مناسب همه
  • انتشار: 21 June 2026
  • مدرس: Bill Shander
درباره این دوره:


ایده بزرگی دارید؟ شما باید آن را به سرعت و کارآمد منتقل کنید، در غیر این صورت مخاطبان مدرن به سراغ داستان بعدی خواهند رفت و برای جلب توجه خود فریاد می زنند. تجسم داده ها به شما امکان می دهد پیچیده را ساده، انتزاعی را ملموس و نامرئی را قابل مشاهده کنید. در این دوره، بیل شاندر نشان می دهد که چگونه در مورد داده ها، مخاطبان و اهداف خود فکر کنید تا تصاویری بسازید که تأثیر را به حداکثر برسانید. بعلاوه، درباره درک بصری انسان و استراتژی‌های انتخاب نمودار بیاموزید، که در هنگام تجسم داده‌ها تفاوت ایجاد می‌کند.

مهارت‌های مرتبط

datacamp یادگیری تحت نظارت با Sicit-Learn (Mitalearn-399412)

  • 1 ساعت
  • مناسب همه
  • انتشار: 28 June 2026
  • مدرس: George Boorman
درباره این دوره:

مهارت های یادگیری ماشین خود را با scikit-learn رشد دهید و نحوه استفاده از این کتابخانه محبوب Python را برای آموزش مدل ها با استفاده از داده های برچسب گذاری شده کشف کنید. در این دوره، شما یاد خواهید گرفت که چگونه پیش‌بینی‌های قدرتمندی انجام دهید، مانند اینکه آیا مشتری از کسب‌وکار شما خارج می‌شود یا خیر، آیا یک فرد مبتلا به دیابت است یا خیر، و حتی نحوه طبقه‌بندی ژانر یک آهنگ. با استفاده از مجموعه داده‌های دنیای واقعی، نحوه ساخت مدل‌های پیش‌بینی، تنظیم پارامترهای آن‌ها و تعیین میزان عملکرد آنها با داده‌های دیده نشده را خواهید یافت.

مهارت‌های مرتبط

datacamp یادگیری تحت نظارت در R: طبقه بندی (Mitalearn-401826)

  • 57 دقیقه
  • مناسب همه
  • انتشار: 28 June 2026
  • مدرس: Brett Lantz
درباره این دوره:

این مقدمه در سطح مبتدی برای یادگیری ماشین، چهار مورد از رایج‌ترین الگوریتم‌های طبقه‌بندی را پوشش می‌دهد. شما با درک اساسی از نحوه نزدیک شدن هر الگوریتم به یک کار یادگیری و همچنین توابع R مورد نیاز برای اعمال این ابزارها در کار خود خواهید آموخت.

مهارت‌های مرتبط

coursera یادگیری تحت نظارت و کاربردهای آن در بازاریابی (Mitalearn-283778)

  • 4 ساعت 48 دقیقه
  • مبتدی
  • انتشار: 23 June 2026
  • مدرس: Ambica Ghai
درباره این دوره:

به دوره آموزشی تحت نظارت و کاربردهای آن در بازاریابی خوش آمدید! یادگیری تحت نظارت فرآیند ساخت الگوریتمی برای یادگیری ترسیم یک ورودی به یک خروجی خاص است. الگوریتم‌های یادگیری تحت نظارت می‌توانند به پیش‌بینی داده‌های نادیده جدید کمک کنند. در این دوره از زبان برنامه نویسی پایتون که ابزاری موثر برای برنامه های یادگیری ماشین است استفاده خواهید کرد. شما با تکنیک های یادگیری تحت نظارت آشنا خواهید شد: رگرسیون و طبقه بندی. این دوره بر کاربردهای این تکنیک ها در حوزه بازاریابی متمرکز خواهد بود. با افزایش حجم داده ها و کاربردهای یادگیری ماشینی در بازاریابی، ما به راحتی می توانیم نمونه هایی از استفاده از یادگیری ماشین را در تلاش های بازاریابی پیدا کنیم. شرکت ها شروع به استفاده از یادگیری ماشینی برای درک بهتر رفتارهای مشتری و شناسایی بخش های مختلف مشتری بر اساس الگوهای فعالیت خود کرده اند. بسیاری از سازمان‌ها همچنین از یادگیری ماشینی برای پیش‌بینی رفتارهای آینده مشتریان استفاده می‌کنند، مثلاً چه اقلامی را احتمالاً خریداری می‌کنند، از کدام وب‌سایت‌ها بازدید می‌کنند و چه کسانی احتمالاً از بین خواهند رفت. با استفاده بی پایان از یادگیری ماشینی برای بازاریابی، شرکت ها در هر اندازه می توانند از استفاده از یادگیری ماشین برای تلاش های بازاریابی خود بهره مند شوند. برای موفقیت در این دوره، باید درک اولیه ای از پایتون داشته باشید. شما همچنین به نیازهای نرم افزاری خاصی از جمله ناوبر Anaconda نیاز دارید.

linkedin یادگیری ترانه سرایی: دلیل (Mitalearn-71584)

  • 2 ساعت 13 دقیقه
  • مبتدی
  • بروزرسانی: 28 June 2026
  • مدرس: Matt Piper
درباره این دوره:

ایده های آهنگ خود را قبل از ناپدید شدن با Reason حذف کنید. در این دوره کوتاه، نوازنده مت پایپر دو نوع جریان کاری را برای نوشتن، ضبط و میکس یک آهنگ نشان می‌دهد: یکی برای اینکه ایده‌های آزمایشی شما سریع ضبط شود و دیگری برای صیقل دادن آهنگ‌های شما برای ارائه به شرکا، ناشران و شرکت‌های ضبط. او از یک پروژه خالی Reason شروع می کند، یک آهنگ اسکرچ را ضبط می کند و بهترین تمپو را برای ایده آهنگ جدید پیدا می کند. سپس او یک بیت ایجاد می کند، آهنگ های اضافی را می گذارد و افکت ها را اضافه می کند. Next Matt تکنیک هایی را برای ویرایش آهنگ ها و ترکیب آهنگ ها با استفاده از افکت هایی مانند EQ، فشرده سازی، Reverb و Delay نشان می دهد. در نهایت، او نشان می دهد که چگونه می توان از مسیر پرش کرد و آن را با جهان به اشتراک گذاشت.

مهارت‌های مرتبط

coursera یادگیری ترکیبی: شخصی سازی آموزش برای دانش آموزان (Mitalearn-362454)

  • 5 ساعت 13 دقیقه
  • مناسب همه
  • انتشار: 23 June 2026
  • مدرس: Brian Greenberg,Rob Schwartz,Michael Horn
درباره این دوره:

سر و صدای زیادی در مورد یادگیری ترکیبی و پتانسیل تحول آفرین آن وجود دارد. اما یادگیری ترکیبی واقعاً به چه معناست؟ در این دوره، مدل‌های مختلف یادگیری ترکیبی را بررسی خواهیم کرد و به موضوعات کلیدی که بر دانش‌آموزان، معلمان و مدارس تأثیر می‌گذارند، خواهیم پرداخت. به طور خاص، ما به این مسائل از دریچه سه مدرسه با عملکرد بالا نگاه خواهیم کرد که هر کدام از نوع متفاوتی از یادگیری ترکیبی استفاده می کنند. برخی از موضوعات کلیدی عبارتند از: - نقش دانش آموز و نحوه حمایت از دانش آموزان در گذار از یادگیری سنتی به ترکیبی - پیامدهایی برای معلمان در کار روزمره و نقش کلی آنها - تأثیر بر نحوه طراحی مدارس از جمله مدل های کارکنان، استفاده از زمان، انتخاب سخت افزار/نرم افزار و استفاده از داده ها - چالش های پیاده سازی، راه حل های بالقوه، و سوالات باز باقی مانده ما در این دوره با ویژگی‌های یادگیری ترکیبی زندگی خواهیم کرد و دانش‌آموزان را تشویق می‌کنیم تا در ابتدای ماژول در آزمون‌هایی شرکت کنند تا درک خود را ارزیابی کنند و از مطالبی که قبلاً می‌دانند صرف نظر کنند. به طور کلی، ما یک رویکرد عملی را در پیش خواهیم گرفت و دوره به اوج خود می رسد که شرکت کنندگان مدل یادگیری ترکیبی خود را نمونه سازی کنند. اگر علاقه مند به یادگیری بیشتر در مورد چگونگی به کارگیری بهترین فناوری در آموزش و بازنگری در نحوه اداره مدارس هستید، به این MOOC بپیوندید و همکاران خود را به انجام همین کار تشویق کنید. بخشی از این جنبش رو به رشد باشید و از طریق دست اول یاد بگیرید که چگونه یادگیری ترکیبی می تواند به دانش آموزان کمک کند تا تجربه یادگیری شخصی تری را ارائه دهند.

مهارت‌های مرتبط

linkedin یادگیری تفکر طراحی (Mitalearn-223462)

  • 33 دقیقه
  • مناسب همه
  • انتشار: 21 June 2026
  • مدرس: Randall Elliott
درباره این دوره:

با کاوش در روشی که به عنوان تفکر طراحی شناخته می شود، یاد بگیرید که چگونه یک رویکرد انسان محور برای طراحی داشته باشید. در این دوره، رندال الیوت توضیح می‌دهد که چگونه از تفکر طراحی برای همدلی، تعریف، ایده‌پردازی، نمونه‌سازی اولیه، آزمایش و اصلاح استفاده می‌شود. او توضیح می دهد که هدف هر مرحله چیست و چگونه آن را در فرآیندهای برنامه ریزی و طراحی خود اعمال کنید. او همچنین مثال‌ها و کاربردهای عملی مفاهیم زیربنایی را به اشتراک می‌گذارد. در پایان این دوره، شما به روش‌هایی مجهز می‌شوید که می‌توانید برای کشف نیازهای مشتریان خود، تعریف یافته‌ها، استخراج بینش و ایجاد راه‌حل‌های نوآورانه پیاده‌سازی کنید.

مهارت‌های مرتبط

datacamp یادگیری تقویتی از بازخورد انسانی (RLHF) (Mitalearn-447624)

  • 47 دقیقه
  • مناسب همه
  • انتشار: 28 June 2026
  • مدرس: Mina Parham
درباره این دوره:

در این دوره آموزشی در مورد یادگیری تقویتی از بازخورد انسانی، کارایی هوش مصنوعی تولیدی را با درک تخصص انسانی ترکیب کنید. شما یاد خواهید گرفت که چگونه مدل‌های GenAI را واقعاً منعکس‌کننده ارزش‌ها و ترجیحات انسانی کنید، در حالی که تجربه عملی با LLM کسب می‌کنید. همچنین پیچیدگی‌های مدل‌های پاداش را بررسی می‌کنید و یاد می‌گیرید که چگونه بر اساس LLMها برای تولید هوش مصنوعی که نه تنها یاد می‌گیرد بلکه با سناریوهای دنیای واقعی سازگار می‌شود، بسازید.

مهارت‌های مرتبط

coursera یادگیری تقویتی برای استراتژی های معاملاتی (Mitalearn-332857)

  • 2 ساعت 36 دقیقه
  • متوسط
  • انتشار: 23 June 2026
  • مدرس: Jack Farmer
درباره این دوره:

در دوره پایانی از تخصص یادگیری ماشین برای تجارت، شما با یادگیری تقویتی (RL) و مزایای استفاده از یادگیری تقویتی در استراتژی های معاملاتی آشنا می شوید. شما یاد خواهید گرفت که چگونه RL با شبکه های عصبی یکپارچه شده است و LSTM ها را بررسی می کنید و چگونه می توان آنها را برای داده های سری زمانی اعمال کرد. در پایان دوره، می‌توانید استراتژی‌های معاملاتی را با استفاده از یادگیری تقویتی بسازید، بین سیاست‌های مبتنی بر بازیگر و سیاست‌های مبتنی بر ارزش تفاوت قائل شوید و RL را در استراتژی معاملاتی حرکتی بگنجانید. برای موفقیت در این دوره، باید صلاحیت پیشرفته در برنامه نویسی پایتون و آشنایی با کتابخانه های مربوط به یادگیری ماشین، مانند Scikit-Learn، StatsModels و Pandas داشته باشید. تجربه با SQL توصیه می شود. شما باید پیشینه ای در زمینه آمار (مقادیر مورد انتظار و انحراف استاندارد، توزیع های گاوسی، ممان های بالاتر، احتمال، رگرسیون های خطی) و دانش پایه ای از بازارهای مالی (سهام، اوراق قرضه، مشتقات، ساختار بازار، پوشش ریسک) داشته باشید.

linkedin یادگیری تقویتی برای تراز و استدلال LLM توسط پیرسون (Mitalearn-467684)

  • 3 ساعت 46 دقیقه
  • مناسب همه
  • انتشار: 1 May 2026
  • مدرس: Pearson
درباره این دوره:

<p>پیش‌آموزش به LLMها قابلیت می‌دهد، نه قضاوت. در این دوره، یاد بگیرید که چگونه تکنیک‌های یادگیری تقویتی مانند بهینه‌سازی اولویت مستقیم (DPO) و بهینه‌سازی خط مشی نسبی گروهی (GRPO) رفتار مدل، ایمنی و استدلال را شکل می‌دهند و چگونه سیستم‌های ارزیابی و حاکمیتی را ایجاد کنید که همسویی را در مسیر نگه می‌دارند. این دوره برای توسعه دهندگان، دانشمندان داده و مهندسان ML که در حال تنظیم دقیق یا به کارگیری LLM هستند و می خواهند ایمنی، اثربخشی و قابلیت های استدلال خود را بهبود بخشند، مناسب است.</p><p>توجه: این دوره توسط Pearson ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.</p>

coursera یادگیری تقویتی در امور مالی (Mitalearn-336750)

  • 5 ساعت 18 دقیقه
  • پیشرفته
  • انتشار: 23 June 2026
  • مدرس: Igor Halperin
درباره این دوره:

هدف این دوره معرفی مفاهیم اساسی یادگیری تقویتی (RL) و توسعه موارد استفاده برای کاربردهای RL برای ارزش گذاری اختیار، معاملات و مدیریت دارایی است. تا پایان این دوره، دانشجویان قادر خواهند بود - از یادگیری تقویتی برای حل مسائل کلاسیک امور مالی مانند بهینه سازی سبد، معاملات بهینه و قیمت گذاری گزینه و مدیریت ریسک استفاده کنید. - با استفاده از مشکلات مالی روی مثال های ارزشمندی مانند یادگیری کیو معروف تمرین کنید. - دانش خود را در دوره به یک مدل ساده برای پویایی بازار که با استفاده از یادگیری تقویتی به عنوان پروژه دوره به دست می آید، اعمال کنند. پیش نیاز دوره های "تور راهنمای یادگیری ماشین در امور مالی" و "مبانی یادگیری ماشینی در امور مالی" است. از دانش آموزان انتظار می رود که فرآیند lognormal و نحوه شبیه سازی آن را بدانند. آگاهی از قیمت گذاری گزینه فرضی نیست اما مطلوب است.

datacamp یادگیری تقویتی عمیق در پایتون (Mitalearn-403067)

  • 57 دقیقه
  • مناسب همه
  • انتشار: 28 June 2026
  • مدرس: Timothée Carayol
درباره این دوره:

سفری را برای توانمندسازی ماشین‌ها از طریق یادگیری تقویتی عمیق (DRL) آغاز کنید. این دوره تجربه عملی با الگوریتم های قدرتمند با استفاده از PyTorch و Gymnasium را ارائه می دهد. با پایه های DRL و یادگیری تقویتی سنتی شروع کنید، سپس Deep Q-Networks (DQN) را با اصلاحات پیشرفته مانند تکرار تجربه اولویت دار پیاده سازی کنید. قبل از بهینه‌سازی مدل‌های خود با استفاده از Optuna، مهارت‌های خود را با روش‌های مبتنی بر سیاست ارتقا دهید و الگوریتم‌های استاندارد صنعتی مانند بهینه‌سازی سیاست پروگزیمال (PPO) را بررسی کنید.

مهارت‌های مرتبط

linkedin یادگیری توابع درجه بالاتر با سوئیفت (Mitalearn-161633)

  • 1 ساعت 6 دقیقه
  • پیشرفته
  • انتشار: 22 June 2026
  • مدرس: Bear Cahill
درباره این دوره:

با صرف زمان برای درک واقعی توابع درجه بالاتر، از درک صرف زبان سوئیفت به تسلط بر آن خواهید رفت. در این دوره، Bear Cahill به توابع درجه بالاتر در سوئیفت توجه می کند و به بررسی اینکه آنها چیست و چگونه از آنها استفاده می کند، می پردازد. Bear با بحث در مورد اهمیت توابع درجه بالاتر و اصول بسته شدن و توابع به عنوان پایه ای برای بقیه دوره شروع می کند. او سپس انواع توابع درجه بالاتر - از جمله مرتب‌سازی، کاهش، و compactMap - را با تفکیک مفاهیم پشت هر یک پوشش می‌دهد (بنابراین می‌دانید چه زمانی بهتر است آنها را اعمال کنید). درباره توابع ارسال، بهینه سازی بسته شدن، توابع مرتبه بالاتر در رشته ها و موارد دیگر بیاموزید.

linkedin یادگیری توسعه FPGA (Mitalearn-160919)

  • 1 ساعت 9 دقیقه
  • متوسط
  • انتشار: 21 June 2026
  • مدرس: Eduardo Corpeño
درباره این دوره:

آرایه‌های دروازه‌ای قابل برنامه‌ریزی میدانی (FPGA) در مرز بین سخت‌افزار و نرم‌افزار قرار دارند. آنها مدارهای قابل تنظیمی هستند که می توانند توسط مشتریان یا طراحان پس از ساخت یا استقرار در میدان به روز شوند. توسعه دهندگان FPGA به جای برنامه ریزی تراشه با یک سری دستورالعمل، یک ساختار منطقی از دروازه های داخل تراشه ایجاد می کنند و مسیرهایی را برای داده های آینده ایجاد می کنند. یک گزینه کم هزینه برای نمونه سازی و آزمایش های الکترونیکی، برنامه نویسی FPGA نقطه ورود عالی به طراحی سیستم های دیجیتال است. این دوره جهت گیری برای FPGA ها، بررسی آناتومی بردهای توسعه و زبان های توصیف سخت افزار اختصاصی، امکانات پیاده سازی و مقایسه دو پلتفرم اصلی رقیب، Xilinx و Intel، ارائه می دهد. مربی Eduardo Corpeño همچنین دموهایی را ارائه می دهد که یک برنامه واقعی را نشان می دهد که بر روی هر دو سیستم عامل کار می کند.

مهارت‌های مرتبط

linkedin یادگیری توسعه MySQL (2020) (Mitalearn-193219)

  • 1 ساعت 48 دقیقه
  • مبتدی
  • انتشار: 18 August 2020
  • مدرس: Brad Wheeler
درباره این دوره:

آیا در زمینه توسعه پایگاه داده جدید هستید؟ پس از 25 سال، MySQL هنوز محبوب ترین و قابل دسترس ترین سیستم مدیریت پایگاه داده است – ایده آل برای توسعه دهندگانی که می خواهند برنامه نویسی برنامه های مبتنی بر داده را شروع کنند. این دوره مروری بر ابزارها و تکنیک های MySQL برای توسعه نرم افزار ارائه می دهد. کشف کنید که پایگاه داده چیست و چگونه ساختار یافته است و انواع داده های زیربنای رکوردهای MySQL را بررسی کنید. نحوه ایجاد جداول، تعریف کلیدهای اصلی و خارجی و بارگیری داده ها از منابع خارجی را بیابید. مربی براد ویلر سپس شما را با اصول نوشتن پرس و جوها و عبارات برای انتخاب، به روز رسانی، حذف و تبدیل داده ها آشنا می کند. بعلاوه، با مفاهیم پیشرفته مانند پیوستن به جداول موجود آشنا شوید. در پایان این دوره، شما مهارت‌های اساسی لازم برای ایجاد و نگهداری پایگاه‌های داده MySQL خود را خواهید داشت و برنامه‌های خود را به سطح جدیدی از پیچیدگی می‌رسانید.

مهارت‌های مرتبط

دوره‌های پیشنهادی