آموزش یادگیری TensorFlow با JavaScript
Learning TensorFlow with JavaScript
- استفاده از TensorFlow
- اصول یادگیری ماشین (ML)
- ایجاد پروژه با TensorFlow
- کار با تانسورها و متغیرها
- عملیات TensorFlow ML
- کار با مدلها و لایه ها
- وارد کردن پروژه
- کاوش مجموعه داده ها
- آموزش مدل
- استفاده از مدلهای مبتنی بر Python در JS
- تبدیل SavedModel به وب
مقدمه Introduction
-
یادگیری TensorFlow Learning TensorFlow
-
پیش نیازهای دوره Course prerequisites
1. معرفی و راه اندازی 1. Introduction and Setup
-
آشنایی با TensorFlow Introduction to TensorFlow
-
تفاوت بین نسخه ها Differences between versions
-
آشنایی با یادگیری ماشین Introduction to machine learning
-
نسخه ی نمایشی TensorFlow A TensorFlow demo
-
ایجاد پروژه اولیه با TensorFlow Initial project creation with TensorFlow
2. مبانی TensorFlow 2. TensorFlow Basics
-
اولین تنسور شما Your first tensor
-
متغیرها و متغیرها Tensors and variables
-
عملیات یا گزینه ها Operations, or ops
-
معرفی مدل Model introduction
-
معرفی لایه ها Layers introduction
3. اکتشاف یک پروژه کامل 3. Exploration of a Full Project
-
پروژه نمونه واردات Import example project
-
اکتشاف مجموعه داده Exploration of the dataset
-
اکتشاف مدل ها و لایه ها Exploration of the models and layers
-
اکتشاف آموزش مدل Exploration of training the model
-
مثال زنده را ببینید See the live example
4- موضوعات پیشرفته 4. Advanced Subjects
-
از مدلهای مبتنی بر پایتون در JS استفاده کنید Use Python-based models in JS
-
SavedModel را به وب تبدیل کنید Convert SavedModel to web
نتیجه Conclusion
-
مراحل بعدی Next steps
نمایش نظرات
نظری ارسال نشده است.
https://donyad.com/d/06e5
آموزش یادگیری علم داده: با استفاده از روش چابک
Learning Data Science: Using Agile Methodology
هر دو هفته بینش ارزشمندی در زمینه داده های علمی ارائه دهید. بیاموزید که چگونه در چرخه زندگی علوم داده (DSLC) کار کنید و با استفاده از ابزارهایی مانند صفحه سوالات کار خود را خراب کنید.
آموزش نکات ، ترفندها و تکنیک های تجسم داده ها و داشبورد Power BI
Power BI Data Visualization and Dashboard Tips, Tricks, & Techniques
با استفاده از Power BI ، با تمرکز بر نحوه طراحی گزارش ها و نمودارهایی که داده ها را به خوبی برقرار می کنند ، بیاموزید.
آموزش آینده اثبات شغل علمی اطلاعات شما
Future Proofing Your Data Science Career
بیاموزید که آینده متخصصان علوم داده چه مهارتهایی را برای یک حرفه موفق و پایدار لازم دارید.
آموزش مهارت های غیر فنی دانشمندان داده موثر
The Non-Technical Skills of Effective Data Scientists
مهارت های غیرتکنیکی را که دانشمندان داده های م mustثر برای تبدیل اولین شغل خود به یک شغل موفق و مادام العمر باید پرورش دهند ، بیاموزید.
Emmanuel Henri
مدیر اجرایی با بیش از 20 سال تجربه در برنامه نویسی و طراحی
> امانوئل مسئول تمام جنبه های پروژه های وب و تلفن همراه مبتنی بر مشتری، از جمله جدول زمانی و محدوده بوده است. این پروژه‌ها از ابزارهای JIRA/Atlassian، متدولوژی‌های چابک، و زبان‌ها و چارچوب‌هایی مانند React، Angular، Node، Meteor، GraphQL، JavaScript، Swift، HTML، CSS (Sass)، MongoDB و MySQL استفاده کرده‌اند. او همچنین در دنیای بازی های سه بعدی با استفاده از ابزارهایی مانند Unreal، ZBrush، Maya و چندین ابزار دیگر کار می کند. او علاقه زیادی به ایجاد برنامه‌ها و بازی‌هایی دارد که از جدیدترین فناوری‌ها در ابزارها، چارچوب‌ها و زبان‌های فوق استفاده می‌کنند.
برای اطلاعات بیشتر، به mannyhenri.com.
Linkedin (لینکدین)
لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی
لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.
لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.