کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش اجتماع یادگیری ماشین ۲۰۲۵ [ویدئویی] - آخرین آپدیت

دانلود The Machine Learning Summit 2025 [Video]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: اجتماع یادگیری ماشین ۲۰۲۵، یک بررسی عمیق سه روزه در مورد تحول‌آفرین‌ترین پیشرفت‌هایی است که امروزه چشم‌انداز هوش مصنوعی (AI) و یادگیری ماشین (ML) را شکل می‌دهند. این رویداد با گردآوری پژوهشگران، مهندسان و متخصصان پیشرو، ترکیبی از بینش‌های استراتژیک، کارگاه‌های عملی و مطالعات موردی واقعی را در زمینه‌های هوش مصنوعی مولد، سیستم‌های عامل‌محور (Agentic)، LLMOps، گراف‌های دانش، هوش مصنوعی جدولی، استنتاج علی و استقرار ML در مقیاس سازمانی ارائه می‌دهد. از سخنرانی‌های کلیدی در مورد مسیر حرکت هوش مصنوعی مولد گرفته تا جلسات کاملاً کاربردی در مورد عامل‌های Graph RAG، خط لوله‌های شناختی، نوآوری‌های هوش مصنوعی جدولی و پیش‌بینی سری‌های زمانی Zero-shot، بینندگان هم مبانی نظری و هم شیوه‌های کاربردی را که عصر بعدی سیستم‌های هوشمند را پیش می‌برند، بررسی خواهند کرد. همچنین موضوعات حیاتی پیرامون ایمنی، عدالت، تفسیرپذیری و داده‌های مصنوعی پوشش داده خواهد شد تا یادگیرندگان بتوانند هوش مصنوعی‌ای بسازند که نه تنها قدرتمند، بلکه مسئولانه و همسو با اهداف کسب‌وکار باشد. از طریق ترکیبی از سخنرانی‌ها، پنل‌ها و کارگاه‌ها، شما دانش عملی به دست خواهید آورد؛ خواه ساخت عامل‌های خودمختار برای امور مالی باشد، یا استقرار LLMهای مقیاس‌پذیر با AWS و Snowflake، یا طراحی سیستم‌های ML که از اشتباهات رایج دوری می‌کنند. در پایان این مجموعه، شما استراتژی‌های کاربردی برای ساخت هوش مصنوعی‌ای را خواهید آموخت که فراتر از موج‌های تبلیغاتی، ارزش بلندمدتی برای سازمان ایجاد کند. درک کامل چرخه هوش مصنوعی مولد، از هایپ تا مدل‌های کسب‌وکار طراحی و استقرار سیستم‌های Graph RAG و هوش مصنوعی عامل‌محور ساخت عامل‌های شناختی در سطح سازمانی با حافظه و هماهنگی به‌کارگیری مدل‌های نسل جدید هوش مصنوعی جدولی مانند TabPFN و CARTE بررسی TimeGPT برای پیش‌بینی Zero-shot در حوزه‌های مختلف پیاده‌سازی LLMOps، داده‌های مصنوعی و استنتاج علی برای هوش مصنوعی عادلانه و مستحکم مهندسان ML، دانشمندان داده، مدیران AI/ML و معمارانی که به دنبال بینش‌های پیشرفته و کاربردی هستند. متخصصانی که در حال بررسی هوش مصنوعی مولد، LLMها، سیستم‌های عامل‌محور، گراف‌های دانش و هوش مصنوعی جدولی می‌باشند. تیم‌هایی که هدفشان مقیاس‌بندی زیرساخت ML با LLMOps، مشاهده‌پذیری، استراتژی‌های استقرار و هوش مصنوعی مسئولانه است. سازمان‌ها و افرادی که می‌خواهند در زمینه‌هایی مانند استنتاج علی، داده‌های مصنوعی و هوش مصنوعی در مقیاس سازمانی پیشرو باشند. یادگیری از متخصصان جهانی در زمینه هوش مصنوعی مولد، هوش مصنوعی عامل‌محور، LLMOps، گراف‌های دانش، استنتاج علی، داده‌های مصنوعی و ML سازمانی * کاربرد فوری آموخته‌ها از طریق جلسات تعاملی در Snowflake، PandaAGI و AWS SageMaker به همراه مطالعات موردی واقعی * ساخت مدل‌های هوش مصنوعی ایمن، عادلانه و همسو با کسب‌وکار در حالی که همگام با ترندهای نوظهور و بهترین شیوه‌ها باقی می‌مانید
سرفصل ها و درس ها

پشته ML در عمل The ML Stack in Action

  • هوش مصنوعی مولد: چه چیزی ما را به اینجا رساند و به کجا می‌رویم Generative AI: What Brought Us Here and Where We're Headed

  • مهندسی عامل‌های Graph RAG: از معماری تا تولید Engineering Graph RAG Agents: From Architecture to Production

  • ساخت گراف‌های دانش برای فعال‌سازی هوش مصنوعی عامل‌محور Building Knowledge Graphs to Enable Agentic AI

  • توسعه عامل‌های شناختی در سطح سازمانی با MCP و A2S Developing Enterprise-Grade Cognitive Agents with MCP and A2S

  • معرفی Granite Guardian: استفاده ایمن و مسئولانه از AI در برابر ریسک‌های GenAI Introducing Granite Guardian: Safe and Responsible AI Use from GenAI Risks

  • فراتر از یک جعبه سیاه: درک یادگیری ماشین از طریق ریاضیات Not Just a Black Box: Understanding ML Through Mathematics

  • بحث پنلی: «ساخت عامل‌های AI: تکنیک‌ها و سبک-سنگین کردن‌هایی که اهمیت دارند» Panel Discussion: "Building AI Agents: Techniques and Tradeoffs That Matter"

  • چرا راهکارهای AI/ML شکست می‌خورند و برای ساخت راهکارهای پایدار چه لازم است Why AI/ML Solutions Fail and What It Takes to Build Ones That Last

مقیاس‌بندی هوشمندی ML Scaling ML Intelligence

  • چرا پس-آموزش (Post Training) کلید واقعی LLMهای قدرتمند است Why Post-Training Is the Real Key to Powerful LLMs

  • فراتر از XGBoost: روزهای آغازین هوش مصنوعی جدولی Beyond XGBoost: The Early Days of Tabular AI

  • پیش‌بینی Zero-shot با TimeGPT Zero-Shot Forecasting with TimeGPT

  • پیاده‌سازی ML برای سیگنال‌های کاربردی در داده‌های مالی و بازار Implementing ML for Actionable Signals in Financial and Market Data

  • درک مقیاس‌بندی LLM به‌صورت دستی Understanding LLM Scaling by Hand

  • تفسیرپذیری در طراحی: بررسی مدل‌های مبتنی بر قانون در یادگیری ماشین Interpretability by Design: Exploring Rule-Based Models in Machine Learning

  • استنتاج علی تحت عوامل مخدوش‌کننده پنهان Causal Inference Under Hidden Confounding

  • از پرامپت‌نویسی تا عامل‌های AI: ساخت خط لوله‌های هوشمند AI در Snowflake From Prompting to AI Agents: Building Intelligent AI Pipelines in Snowflake

هوش مصنوعی مولد سازمانی Enterprise Generative AI

  • استفاده از هوش مصنوعی علی برای اندازه‌گیری تأثیر تجاری GenAI Using Causal AI to Measure the Business Impact of GenAI

  • اصول کلیدی LLMOps برای استقرار سیستم‌های AI قابل اعتماد Key LLMOps Principles for Deploying Reliable AI Systems

  • عامل‌های AI در امور مالی – معماری‌ها، الگوها و پارادایم‌های استدلال AI Agents in Finance – Architectures, Patterns, and Reasoning Paradigms

  • بهینه‌سازی، تنظیم دقیق (Fine Tuning) و استقرار GenAI در AWS Optimizing, Fine-Tuning, and Deploying GenAI on AWS

  • نقش داده‌های مصنوعی در توسعه LLM The Role of Synthetic Data in LLM Development

  • هوش مصنوعی داده-محور: ساخت مدل‌های عادلانه و قابل اعتماد به روش صحیح Data-Centric AI: Building Fair and Reliable Models the Right Way

  • مدیریت داده‌های آماده برای AI در مقیاس بالا با Apache Iceberg و معماری Lakehouse Managing AI-Ready Data at Scale with Apache Iceberg and Lakehouse Architecture

  • ساخت عامل‌های هوشمند AI با PandaAGI Build Intelligent AI Agents with PandaAGI

آموزش ذخیره‌سازی داده، امنیت و بهینه‌سازی عملکرد در آژور (Azure)

آموزش ذخیره‌سازی داده، امنیت و بهینه‌سازی عملکرد در آژور (Azure)

دانلود Azure Data Storage, Security, and Performance Optimization

آموزش دوره جامع LangChain برای توسعه اپلیکیشن‌های LLM

آموزش دوره جامع LangChain برای توسعه اپلیکیشن‌های LLM

دانلود LangChain Course for LLM Application Development

آموزش جامع Azure Stream Analytics

آموزش جامع Azure Stream Analytics

دانلود Learning Azure Stream Analytics

نمایش نظرات

آموزش اجتماع یادگیری ماشین ۲۰۲۵ [ویدئویی]
جزییات دوره
17h 52m
24
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد

https://donyad.com/d/d621ed

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Tom Yeh Tom Yeh

تام یه استادیار علوم کامپیوتر در دانشگاه کلرادو بولدر است که در زمینه تعامل انسان و کامپیوتر و اثرات اجتماعی آن تخصص دارد.

Aurimas Griciūnas Aurimas Griciūnas

اوریماس گریچیوناس متخصص شناخته شده AI، یکی از چهره‌های برتر لینکدین در حوزه AI و بنیان‌گذار SwirlAI است. او پیش از این به عنوان مدیر ارشد محصول در Neptune.ai فعالیت می‌کرد و با تیم‌های برتر ML برای مقیاس‌بندی زیرساخت‌ها، ارزیابی و روش‌های LLMOps در صنایع مختلف همکاری داشت. اوریماس با بیش از یک دهه تجربه در تقاطع علوم داده، یادگیری ماشین و مهندسی نرم‌افزار، ابتکارات AI را در استارت‌آپ‌ها و محیط‌های سازمانی رهبری کرده است. مأموریت او پر کردن شکاف بین تبلیغات و واقعیت از طریق آموزش مهندسان برای ساخت سیستم‌هایی است که در دنیای واقعی کار می‌کنند.

Eslam Kamal Abdelreheem Eslam Kamal Abdelreheem

اسلام کمال مدیر مهندسی AI و علوم کاربردی با بیش از ۱۸ سال تجربه حرفه‌ای است که در حال حاضر در Meta و پیش از آن در Microsoft فعالیت کرده است. زمینه‌های تمرکز او شامل LLMهای چندوجهی، AI محاوره‌ای، NLP، هوش مصنوعی مسئولانه و استراتژی‌های داده‌های ML است. اسلام مسئول کیفیت محاوره‌ای مدل‌های Live AI در عینک‌های هوشمند Ray Ban Meta و پوشیدنی‌های هوشمند نسل بعد است. پیش از این، او تیم‌های علوم کاربردی و مهندسی را برای Azure Responsible AI، GitHub Copilot، Microsoft Copilot و Azure AI Language رهبری کرده و بر روی مسائل مختلف NLP از جمله NLU چندزبانه و ترجمه ماشینی کار کرده است.

Luca Massaron Luca Massaron

لوکا ماسارون (Luca Massaron) دانشمند داده با بیش از یک دهه تجربه در تبدیل داده‌ها به دستاوردهای نوآورانه و تاثیرگذار، حل مسائل واقعی و ایجاد ارزش برای کسب‌وکارها و ذینفعان است. او نویسنده کتاب‌های پرفروش متعددی در زمینه هوش مصنوعی، یادگیری ماشین و الگوریتم‌ها است. لوکا همچنین سه بار Grandmaster در Kaggle شده و به دلیل عملکردش در مسابقات علوم داده، به رتبه ۷ جهانی در رده‌بندی کاربران دست یافته است. علاوه بر این، او به عنوان متخصص توسعه گوگل (GDE) در زمینه‌های هوش مصنوعی، Kaggle و رایانش ابری شناخته می‌شود.

Khuyen Tran Khuyen Tran

خوین تران (Khuyen Tran) مبلغ توسعه‌دهندگان در Nixtla است. او بیش از ۱۸۰ مقاله علوم داده با بیش از ۱۰۰ هزار بازدید ماهانه در Towards Data Science نوشته و بیش از ۸۰۰ نکته روزانه مرتبط با علوم داده و پایتون در CodeCut منتشر کرده است. ماموریت فعلی او دسترس‌پذیرتر کردن ابزارهای متن‌باز برای جامعه علوم داده و آموزش بهترین روش‌های مهندسی برای پروژه‌های علوم داده به دانشمندان داده است.

Anthony Alcaraz Anthony Alcaraz

آنتونی به عنوان استراتژیست ارشد AI ML شرکت AWS برای استارت‌آپ‌های منطقه EMEA، در راهنمایی شرکت‌های نوپای AI در مسیر توسعه فنی و استراتژی‌های ورود به بازار تخصص دارد. تجربه او حوزه‌های پیشرو بسیاری از جمله مدل‌های زبانی بزرگ، معماری‌های AI مولد، گراف‌های دانش، فضاهای برداری، MLOps و سیستم‌های Agentic AI را در بر می‌گیرد. او استراتژی AI را برای استارت‌آپ‌های سرمایه‌گذاری شده هدایت کرده، پلتفرم‌های یادگیری ماشین را برای مشتریان سازمانی مقیاس‌بندی نموده و در دانشگاه آکسفورد درباره آخرین راهکارهای LLM و گراف‌ها تدریس کرده است.

Andrea Gioia Andrea Gioia

آندرها جویا شریک و CTO شرکت Quantyca (متخصص در مدیریت داده) و یکی از بنیان‌گذاران blindata.io است. او با بیش از ۲۰ سال تجربه، تیم‌های بین‌رشته‌ای را برای اجرای پروژه‌های پیچیده داده در صنایع مختلف رهبری کرده است. آندرها به عنوان CTO به مشتریان در تعریف و اجرای استراتژی‌های داده مشاوره می‌دهد و سازمان‌دهنده اصلی Meetup مهندسی داده در ایتالیا است.

Imran Ahmad Imran Ahmad

عمران احمد نویسنده کتاب «۵۰ الگوریتمی که هر برنامه‌نویس باید بداند» است. او سال‌ها در تحقیقات پیشرو در زمینه الگوریتم‌ها و یادگیری ماشین فعالیت کرده و PhD خود را در سال ۲۰۱۰ با ارائه الگوریتمی برای تخصیص بهینه منابع در محیط‌های ابری مقیاس‌بزرگ به پایان رساند. او در حال حاضر به عنوان دانشمند داده در مرکز راهکارهای تحلیل پیشرفته (A2SC) دولت فدرال کانادا فعالیت می‌کند و استادH مدعو در دانشگاه کارلتون اتاوا است.

Raphaël MANSUY Raphaël MANSUY

رافائل مانسوی یک مدیر ارشد فناوری و کارآفرین با بیش از ۲۵ سال تجربه در توسعه نرم‌افزار، تحول دیجیتال و راهکارهای مبتنی بر AI است. او در طراحی و اجرای راهکارهای حیاتی برای شرکت‌های جهانی موفق بوده و در زمینه‌های AI، مهندسی داده، DevOps و توسعه Cloud-native به شرکت‌های Fortune 500 و استارت‌آپ‌ها مشاوره می‌دهد.

Sandipan Bhaumik Sandipan Bhaumik

ساندیپان رهبر بخش داده و AI در AWS است که در ساخت راهکارهای AI در مقیاس سازمانی تخصص دارد. او با بیش از ۱۷ سال تجربه، در زمینه‌های استراتژی، حاکمیت داده، انطباق مقرراتی و معماری‌های پایدار مشاوره می‌دهد و در حال حاضر در حال ایجاد جامعه‌ای از سازندگان عامل‌های AI برای یادگیری استفاده از این ابزارها در محیط کار و زندگی شخصی است.

Gabriele Venturi Gabriele Venturi

گابریله کارآفرین سریالی، مهندس نرم‌افزار و بنیان‌گذار پلتفرم‌های متن‌باز PandasAI و PandaAGI است که بر ساخت عامل‌های AI توضیح‌پذیر، برنامه‌ریزی‌پذیر و امن تمرکز دارند. او فارغ‌التحصیل Y Combinator است و با همکاری شرکت‌های Fortune 500، ابزارهای AI را برای اتوماسیون جریان‌های کاری پیچیده به مرحله تولید رسانده است.

Shankar Narayanan SGS Shankar Narayanan SGS

شانکار نارایانان معمار فنی با بیش از یک دهه تجربه متنوع در رهبری و اجرای پیاده‌سازی‌های داده و ابری در مقیاس بزرگ برای شرکت‌های Fortune 500 در صنایع مختلف است. او با موفقیت Snowflake Data Cloud را برای سازمان‌های بسیاری پیاده‌سازی کرده و مشتریان را به پذیرش Snowflake هدایت نموده است. او دارای مدرک کارشناسی و کارشناسی ارشد در علوم کامپیوتر و گواهینامه‌های متعددی در پلتفرم‌های چند-ابری و Snowflake است. او یک بلاگر برنده جایزه است و فعالانه در نشریات فنی و پروژه‌های متن‌باز مشارکت می‌کند. به دلیل مشارکت‌های فنی‌اش، او توسط SAP به عنوان رهبر موضوع جامعه SAP و توسط Snowflake به عنوان یکی از ۷۲ قهرمان داده Snowflake انتخاب شده است.

Vivekanandan SS Vivekanandan SS

ویکاناندنان رهبری تیم مهندسی پرامپت GenAI در Verizon را بر عهده دارد و از بیش از یک دهه تخصص در علوم داده و داده‌های بزرگ بهره می‌برد. مسیر حرفه‌ای او شامل ساخت راهکارهای تحلیلی و محصولات در دامنه‌های مختلف با تسلط بر تحلیل‌های ابری و انبارهای داده است. او به عنوان یک مدرس با تجربه، در Snowflake و GenAI تخصص دارد و به عنوان مدرس مهمان و مشاور در موسسات آموزشی مختلف فعالیت می‌کند. شایان ذکر است که راهکار او در رتبه ۱ درصد برتر جهانی در Kaggle Kernels قرار دارد.

Anastasia Tzeveleka Anastasia Tzeveleka

آناستازیا معمار ارشد راهکارهای متخصص GenAI/ML در AWS است. او در نقش فعلی خود با مشتریان خدمات مالی همکاری می‌کند تا چالش‌های پیچیده تجاری را به راهکارهای قدرتمند مبتنی بر هوش مصنوعی تبدیل کند. آناستازیا تجربه گسترده‌ای در AI دارد و با سازمان‌های دولتی و تحقیقاتی در سراسر EMEA برای پیش‌آموزش و تنظیم دقیق (Fine-tuning) مدل‌های زبانی بزرگ در AWS همکاری کرده است. پیش از آن، او در Amazon Alexa پیشگام تجربیات صوتی بود و با برندها برای ایجاد تعاملات جذاب مشتریان از طریق AI محاوره‌ای همکاری می‌کرد.

Alex Merced Alex Merced

Stephen Klein Stephen Klein

استیون کلاین، بنیان‌گذار و مدیرعامل Curiouser.AI است؛ یک مرکز مشاوره هوش مصنوعی ارزش‌محور که به رهبران کمک می‌کند تا از هوش مصنوعی مولد برای تفکر شفاف‌تر، طراحی هدفمند و رهبری خلاقانه استفاده کنند. او همچنین در دانشگاه برکلی در زمینه تلاقی استراتژی، اخلاق و فناوری‌های نوظهور تدریس می‌کند. کلاین با مدرک MBA از هاروارد و تجربه سه بار کارآفرینی، تجربه‌ای جهانی در استارت‌آپ‌ها، شرکت‌های Fortune 500 و آموزش عالی دارد. او پیش از این به عنوان مدیر ارشد بازاریابی (CMO) در بخش نوآوری Dentons، تلاش‌های جهانی در زمینه اخلاق هوش مصنوعی را رهبری کرده است. وی در حال حاضر با انتشارات دانشگاه جورج‌تاون برای تالیف کتابی به نام «عصر معنا: زندگی در دنیای پس از اتوماسیون» همکاری می‌کند. در Curiouser، او در حال ساخت Alice است؛ یک مربی استراتژیک هوش مصنوعی که از تصمیم‌گیری‌های متفکرانه حمایت می‌کند. پیام او این است: هوش مصنوعی فقط درباره تکنولوژی نیست، بلکه درباره پرسش‌های بهتر، ارزش‌های قوی‌تر و رهبری انسانی‌تر است.

Kush Varshney Kush Varshney

کوش وارشنی عضو کادر پژوهشی و مدیر در IBM Research AI است که در مرکز تحقیقات توماس جی. واتسون فعالیت می‌کند. او مدیریت مشترک ابتکار IBM Science for Social Good را بر عهده دارد.

Tivadar Danka Tivadar Danka

تیوادار دانکا در تحصیلات ریاضیات، در حرفه مهندسی یادگیری ماشین و در اشتیاق، یک مدرس است. او پس از اتمام دکتری خود در سال ۲۰۱۶ در مورد موضوع پیچیده چندجمله‌ای‌های متعامد، مسیر شغلی خود را تغییر داد و از آن زمان در زمینه یادگیری ماشین فعالیت می‌کند. کارهای او شامل به‌کارگیری یادگیری عمیق برای تصاویر میکروسکوپی سلولی جهت شناسایی و تعیین فنوتیپ سلول‌ها، ایجاد یکی از محبوب‌ترین بسته‌های متن‌باز پایتون برای یادگیری فعال، ساخت یک کتابخانه کامل یادگیری ماشین از صفر و جذب حدود ۱۰۰ هزار دنبال‌کننده در رسانه‌های اجتماعی از طریق انتشار محتوای آموزشی با کیفیت بالا است.

Lydia L.R. Ray Lydia L.R. Ray

لیدیا ری متخصص AWS در راهکارهای داده و هوش مصنوعی است که پلتفرم‌های تحلیلی و ML مقیاس‌پذیر و مقرون‌به‌صرفه را برای صنایع رسانه، سرگرمی، ورزش، شرط‌بندی و گیمینگ می‌سازد. او با بیش از ۱۰ سال تجربه در استارت‌آپ‌ها و شرکت‌های Fortune 100، تخصص فنی را با بینش صنعتی ترکیب می‌کند. لیدیا مشتاق هوش مصنوعی اخلاقی و فناوری فراگیر است و به عنوان یک نوآور عملی و حامی جوامع داده فراگیر، فضاهایی را برای رشد، اشتراک‌گذاری و همکاری در زمینه هوش مصنوعی مسئولانه ایجاد می‌کند.

Stefan Jansen Stefan Jansen

استفان مؤسس و مدیرعامل Applied AI است. او به شرکت‌های Fortune 500، شرکت‌های سرمایه‌گذاری و استارت‌آپ‌ها در صنایع مختلف در زمینه استراتژی داده و هوش مصنوعی، ساخت تیم‌های علوم داده و توسعه راهکارهای یادگیری ماشین جامع مشاوره می‌دهد.

Serg Masís Serg Masís

سرگ ماسیس در دو دهه گذشته در نقطه تلاقی اینترنت، توسعه اپلیکیشن و تحلیل داده‌ها بوده است. در حال حاضر، او دانشمند داده‌های اقلیمی و کشاورزی در Syngenta، یکی از شرکت‌های پیشرو در کشاورزی با ماموریت بهبود امنیت غذایی جهانی است. پیش از آن، او یک استارت‌آپ موتور جستجو را بنیان‌گذاری کرد که توسط آزمایشگاه‌های نوآوری هاروارد رشد یافته بود و قدرت رایانش ابری و یادگیری ماشین را با اصول علم تصمیم‌گیری ترکیب می‌کرد. سرگ مشتاق ایجاد حلقه مفقوده بین داده‌ها و تصمیم‌گیری است و معتقد است تفسیر یادگیری ماشین به پر کردن این شکاف کمک می‌کند.

Hanane D. Hanane D.

حنان دوپوی مدیر و معامله‌گر الگوریتمی در Bernstein است، جایی که استراتژی‌های معاملاتی سهام را برای اجرای سفارشات مشتریان با دقت و کارایی بالا طراحی و پیاده‌سازی می‌کند. او دارای مدرک مهندسی و کارشناسی ارشد تخصصی در امور مالی از مدارس بازرگانی پیشرو فرانسه است و مسیر شغلی خود را با مدیریت تیمی از دانشمندان داده و متخصصان هوش تجاری در یک بانک بزرگ فرانسوی آغاز کرد. در شش سال گذشته، حنان به‌طور کامل به معاملات الگوریتمی روی آورده و از یادگیری ماشین، هوش مصنوعی مولد، عامل‌های AI و RAG برای ساخت و بهینه‌سازی سیستم‌های معاملاتی که با شرایط سریع بازار سازگار می‌شوند، استفاده می‌کند. او همچنین تخصص خود را از طریق وبلاگ machinelearning basics.com به اشتراک می‌گذارد.

Mona M Mona M

مونا در حال حاضر به عنوان معمار ارشد راهکارهای متخصص Gen AI در جهانی در آمازون فعالیت می‌کند. او پیش از پیوستن به آمازون، متخصص ارشد هوش مصنوعی مولد در بخش دولتی گوگل بود. مونا نویسنده دو کتاب در زمینه پردازش زبان طبیعی با سرویس‌های AI آمازون و راهنمای مطالعه یادگیری ماشین حرفه‌ای گوگل کلاد است. کتاب اول او در برنامه درسی کارشناسی ارشد سیستم‌های اطلاعات کامپیوتری دانشگاه ایالتی جورجیا قرار دارد. او همچنین نویسنده ۱۹ وبلاگ در مورد AI/ML و فناوری ابری است و مقاله پژوهشی او در مورد جستجوی عصبی CORD19 برنده جایزه بهترین مقاله پژوهشی در کنفرانس معتبر AAAI شده است.

Thomas Nield Thomas Nield

توماس نیلد مؤسس Nield Consulting Group و همچنین مدرس در OReilly Media و دانشگاه کالیفرنیای جنوبی است. او از ساده‌سازی محتوای فنی برای افرادی که با آن آشنا نیستند لذت می‌برد. توماس به‌طور منظم کلاس‌های تحلیل داده، یادگیری ماشین، بهینه‌سازی ریاضی و هوش مصنوعی کاربردی را تدریس می‌کند. در USC، او ایمنی سیستم‌های AI را تدریس می‌کند و رویکردهای سیستماتیک برای شناسایی خطرات مرتبط با AI در هوانوردی و وسایل نقلیه زمینی را توسعه می‌دهد.

Python پایتون Data Data Science داده علوم داده