%40 تخفیف  برای خرید  مسیرهای یادگیری

logo mix

آموزش حاشیه نویسی داده ها: یادگیری ماشین کاربردی (با زیرنویس فارسی AI)
Hands-On Data Annotation: Applied Machine Learning
کد محصول: FL9700-3338020
لیندا _ آموزش حاشیه نویسی داده ها: یادگیری ماشین کاربردی (با زیرنویس فارسی AI) - Lynda _ Hands-On Data Annotation: Applied Machine Learning
سطح مقدماتی
زیرنویس انگلیسی
زیرنویس فارسی AI
80,000 تومان
اضافه به سبد خرید add_shopping_cart
تولید کننده محتوا
Lynda.com (Linkedin Learning)
تولید کننده زیرنویس فارسی
فارسی لینـدا FarsiLynda.com
مدرس
Wuraola Oyewusi - وراولا اویوسی
تاریخ انتشار
1402/10/1
2023-12-22
سطح آموزش
مقدماتی
زبان آموزش
انگلیسی
زیرنویس
فارسی و انگلیسی
نوع زیرنویس فارسی
ترجمه شده توسط هوش مصنوعی (AI)
مدت زمان آموزش
3ساعت و 51دقیقه
تعداد ویدیو‌ها
59 ویدیو
حجم فایل‌ها
577 مگابایت (دانلود با تعرفه داخلی)
زمان تقریبی دانلود فایل‌ها
10 دقیقه (با سرعت اینترنت 1 مگابایت در ثانیه)
تعداد بازدید : 578
درباره تولید کننده

lynda1

 

Lynda Weinman

بسیاری لیندا واینمن را "مادر آموزش اینترنتی" لقب داده اند. وی که هم اکنون (2016) ۶۰ سال سن دارد در ۱۹۹۵ سایتی را راه اندازی کرد که به عنوان منبعی رایگان برای دانش آموزان محسوب می شد. طی آن دوران لیندا به صورت خودآموز در حال یادگیری طراحی وب بود و تلاش داشت تا آموخته هایش را با سایرین نیز به اشتراک بگذارد. هر چند این روزها مسئله یاد شده امری عادی به حساب می آید اما در اواسط دهه نود -روزگاری که هنوز یوتیوبی نبود- یادگیری طراحی وب به صورت خودجوش چندان مسئله رایجی محسوب نمی گشت.

اشتیاق آن روزهای لیندا در یادگیری ، حالا به لطف وب سایت و سرویسی هایی همانند آنچه خود او راه اندازی کرده به میلیون ها نفر دیگر در سراسر دنیا نیز سرایت نموده و آنها می توانند با اندک هزینه ای و در هر جا و مکانی آنچه که دوست دارند را فرا بگیرند.
ناگفته نماند که پیدا کردن مسیر صحیح کسب و کار، حتی برای لیندا واینمن نیز بدون فراز و نشیب نبوده و وی هم مانند هر فرد موفق دیگری در راه رسیدن به پیروزی پستی و بلندی های بسیاری را از سر گذرانده.

درک نیازی که هیچکس به آن پاسخ نداده بود

وقتی در سال ۱۹۹۳ واینمن طراحی وب را اندک اندک فرا گرفته و قصد آموزش دادن آن را پیدا کرد، ابتدا به کتاب فروشی مراجع نمود و سعی کرد کتابی را به عنوان مرجع انتخاب و از روی آن به دانش آموزان خود درس بدهد. اما وی متوجه شد کتاب فروشی ها و کتابخانه ها تنها راهنماهایی بسیار فنی و پیچیده را ارائه می نمایند که درک شان برای افراد معمولی و با دانش متوسط تقریباً غیر ممکن محسوب می شود.

لیندا واینمن میگوید: به یاد می آورم که با خود فکر کردم شاید چنین کتابی هنوز وجود ندارد. بلافاصله از کتاب فروشی به خانه رفتم و ایده ی اولیه نوشتن آن را پیاده سازی کردم.

کمی بعد کتاب "طراحی گرافیک های تحت وب" که به باور بسیاری اولین کتاب ساده و قابل درک توسط عموم در رابطه با حرفه طراحی وب بود، توسط افراد بسیاری در سراسر دنیا به عنوان یک مرجع غیر فنی مورد استفاده قرار می گرفت و محبوبیتی غیر قابل باور به دست آورده بود.

درست در همان زمان و در سال ۱۹۹۵ واینمن آدرس ایمیل فردی را مشاهده نمود که به صورت debbie@debbie.com بود و مشتاق شد بداند آیا دامنه ی لیندا نیز برای ثبت کردن در دسترس قرار دارد یا خیر. وی این دامنه را خریداری و وبسایتی تحت آن راه انداخت تا از طریقش بتواند با دانش آموزان و همچنین خوانندگان کتاب خود ارتباط برقرار نماید.

lynda2

شروعی کوچک و توسعه ای آهسته و پیوسته

بعد از موفقیت کتاب واینمن همسر او، بروس هون (Bruce Heavin)، که در اصل موسس کمپانی لیندا نیز محسوب می شود، پیشنهاد داد در طول تعطیلات بهاره یکی از سالن های کامپیوتر دانشگاهی را اجاره نموده و در آن به مدت یک هفته دوره آموزش طراحی وب برگزار نمایند.
آنها این ایده را عملی کردند و سپس به منظور جذب افراد علاقه مند بنر تبلیغاتی را روی سایت لیندا قرار دادند. نه تنها ظرفیت کلاس یاد شده بسیار سریع پر گشت، بلکه افراد از گوشه و کنار دنیا و حتی مثلاً شهر وین برای حضور در آن ثبت نام نمودند.

اینکه تنها یک بنر در سایت خود قرار دهیم و سپس مردم از سراسر دنیا برای حضور در کلاس مان ثبت نام نمایند، باعث شده بود تا شوکه شویم.
آن کارگاه های یک هفته ای بسیار زود باعث شدند تا کسب و کار امروزی لیندا و همسرش پایه گذاری گردد. واینمن از درآمد حق امتیاز کتاب خود با ارزش ۲۰ هزار دلار استفاده کرد و مدرسه طراحی وبی را راه اندازی نمود که دوره هایش در هر ماه به سرعت پیش فروش شده و ظرفیت شان تکمیل می گشت. لیندا می گوید: "مشتریان زیادی وجود داشتند که مجبور بودیم به آنها نه بگوییم، زیرا ظرفیتی برای پذیرش شان وجود نداشت".

اوج گیری پس از بحران

کسب و کار لیندا پس از چند سال توانست ۳۵ فرصت شغلی را ایجاد و درآمدی ۳.۵ میلیون دلاری را فراهم کند. اما در سال ۲۰۰۱ و پس از انفجار حباب دات کام و حوادث مرتبط به یازده سپتامبر، تمایل افراد به یادگیری دروس طراحی وب کاهشی عجیب پیدا کرد، تا جایی که واینمن و همسرش در ادامه دادن مسیر مردد شده بودند.

کمپانی آنها دچار بحرانی جدی گشت، واینمن و هون ۷۵ درصد کارمندان خود را اخراج کردند و تنها ۹ نفر در استخدام شان باقی ماند. دفتر و مقر برگزاری دوره های لیندا نیز کوچک تر گشت و سعی را بر این گذاشتند تا واحد هایی با قیمت ارزان تر اجاره نمایند.

روز های سیاهی بود و حتی خودم تردید داشتم که می توانیم این کسب و کار را ادامه دهیم یا خیر.

خود واینمن در مورد آن ایام می گوید: "همه در حال نبرد برای بقا بودند و سعی می کردند سر خود را بالای آب نگه دارند. ما نیز وضعیتی مشابه را تجربه می کردیم و در نهایت درست همین زمان بود که تصمیم گرفتیم خدمات خود را به صورت کاملاً آنلاین ارائه نماییم."

روزگاری که ایده یاد شده شکل گرفت و سپس عملی گشت (ارائه خدمات به صورت آنلاین) تماشای فیلم بر روی کامپیوترها تازه در حال رواج یافتن بود. لیندا دات کام تصمیم گرفت در ازای سرویسی که ارائه می کند هزینه حق اشتراکی ۲۵ دلاری را به صورت ماهیانه دریافت نماید.

افراد اندکی از این راهکار استقبال کردند. واینمن می گوید: "درآمد مان به شدت افت کرده بود. روز های سیاهی بود و حتی خودم تردید داشتم که می توانیم این کسب و کار را ادامه دهیم یا خیر."

با تنها ۱۰۰۰ نفر پرداخت کننده حق اشتراک ماهیانه، بقای کمپانی به نظر بسیار سخت می رسید. ایجاد یک جامعه ی آنلاین زمان بر است و لیندا به خود امید می داد که آنها مسیر شان را عوض نکرده اند بلکه راهی تازه را شروع نموده اند پس باید صبر پیشه کنند. او توضیح می دهد که "همه چیز بسیار آهسته پیش رفت. ولی کم کم پرداخت حق اشتراک ماهیانه آنلاین رواج پیدا کرد و مقدار آن هر ساله چندین برابر شد".

در ۲۰۰۶ تعداد مشترکین به ۱۰۰.۰۰۰ نفر رسید و واینمن و همسرش ۱۵۰ کارمند خود را به همراه خانواده هایشان به دیزنی لند بردند تا موفقیت بزرگی که رقم خورده بود را جشن بگیرند.

lynda4

ایجاد فرهنگ سازمانی مناسب در زمان رشد

اینکه اعضا و کارمندان شرکت همانند یک خانواده با یکدیگر در تعامل باشند همواره برای لیندا حائز اهمیت بوده و او حتی همیشه تلاش داشته تا افراد تحت استخدام خود را با اسم کوچک بشناسد و صدا بزند. ولی رشد سریع کمپانی و رسیدن تعداد کارمندان به عدد ۵۰۰، رفته رفته چالش هایی تازه را پدید می آورد و سبب می گردد واینمن در ایده آل های خود بازنگری نماید.

وی می گوید: "چالش اصلی بر سر تعیین سمت و مقام افراد بود. اینکه با هر کس چه برخوردی باید صورت بگیرد. همه ی کسانی که رشدی سریع را در شرکت خود تجربه کرده اند می دانند که ایجاد سلسله مراتب تا چه حد اهمیت دارد."

در ۲۰۰۷ تصمیم بر این شد تا یک مدیرعامل جهت اداره ی بهتر مجموعه به آن اضافه گردد. به گفته ی خود لیندا "درست در همان زمان بود که او تصمیم گرفت در رفتارها و برخوردهای خود سیاست بیشتری داشته و بروکراتیک تر عمل نماید".

ایجاد فرهنگ سازمانی برای شرکتی با بیش از ۵۰۰ کارمند کاری بسیار دشوار خواهد بود ولی حتی آنچه از این مسئله نیز دشوارتر به حساب می آید پایه ریزی درست و مطابقت دادن افراد با فرهنگ یاد شده است. اینکار در زمانی که یک شرکت نوپا و کوچک محسوب می شود چندان سخت نیست و شاید ضروری هم نباشد ولی با رشد آن صورت پذیرفتنش الزام می یابد.

 پیش به سوی موفقیت

مدتی است که بسیاری تصور می کنند دوره های آموزش ویدئویی می توانند آینده آموزش به حساب بیایند.

در طی سال های اخیر کمپانی واینمن توسط افراد گوناگونی که در حرفه ی خود بهترین هستند دوره های آنلاین متعددی را ایجاد نموده و سعی کرده نشان دهد این دوره های آنلاین راه و روش یادگیری را برای همیشه متحول کرده اند.

لیندا دات کام قالبی معین و کارآمد را برای دوره های آموزشی اش پدید آورده و سپس کوشش کرده تا از نظر موضوعی نیز در بین مطالب مورد تدریس خود تنوع ایجاد نماید. روزگاری در وب سایت مورد بحث تنها ۲۰ دوره آموزش ویدئویی آنلاین وجود داشت، اما اکنون این رقم به ۶۳۰۰ رسیده که شامل ۲۶۷.۰۰۰ ویدئوی آموزشی می گردد.

ارائه ی کتابخانه ای ویدئویی به جای اینکه از افراد درخواست شود تا در دوره هایی مشخص با روال معمول و پیوسته شرکت نمایند، عاملی بوده که سبب گشته شیوه ی آموزشی لیندا دات کام نسبت به سایرین کاملاً متفاوت گردد.

واینمن می گوید: "مدتی است که بسیاری تصور می کنند دوره های آموزش ویدئویی می توانند آینده آموزش به حساب بیایند. ما به خاطر همین تفاوت مان مورد توجه قرار داشته و تحت نظر سایرین هستیم".

lynda6

فروش به لینکدین Linked in

من به شخصه بر روی اثری که از همکاری دو کمپانی با یکدیگر پدید می آید متمرکز هستم.

واینمن زمانی که متوجه می شود لینکدین قصد خرید کمپانی اش را دارد، در ابتدا شوکه می گردد. او و همسرش هرگز به دنبال فروش شرکت خود و یافتن مشتری برای آن نبوده اند و البته در سن ۶۰ سالگی وی هنوز هم احساس می نموده که برای بازنشستگی بسیار زود است.

اما رفته رفته به این نتیجه می رسند که این فروش و ادغام دو کمپانی با یکدیگر احتمالاً امری منطقی و موثر خواهد بود. هر دو شرکت به نوعی تلاش داشته اند به افراد کمک کنند تا وضعیت شغلی خود را بهبود بخشند و احتمالاً در کنار یکدیگر بسیار بهتر از گذشته می توانند این هدف را محقق کنند.

واینمن می گوید: "بسیاری از مردم بر روی رقم معامله صورت پذیرفته تمرکز دارند و شاید این مسئله برای افرادی که با صنعت ما آشنا نیستند یک شگفتی محسوب شود. ولی خود من به شخصه بر روی اثری که از همکاری دو کمپانی با یکدیگر پدید می آید متمرکز هستم و اولین چیزی که در رابطه با این موضوع به ذهنم می رسد، میزان بزرگی این اثرگذاری است."

به نظر می آید حتی لیندا واینمن هم از موفقیت خودش شگفت زده است و تصور چنین روزی را نداشته. بر خلاف بسیاری از بنیانگذاران کمپانی ها مهم تکنولوژیک امروزی ، وی با هدف کسب درآمد های کلان شروع به کار نکرده و قصد اولیه اش هرگز ایجاد کمپانی نبوده که توسط لینکدین به ارزش ۱.۵ میلیارد دلار خریداری شد. او تنها سعی داشته آنچه که برای خودش جذاب بوده، یعنی طراحی وب را به سایرین نیز بیاموزد.

واینمن که بر حسب اتفاق بدل به یک معلم گشته، می گوید: "من نه چندان گنگ بودم و نه به آن صورت خوره ی دنیای تکنولوژی. افراد زیادی پیش من می آمدند و می پرسیدند چگونه این کار را انجام می دهی؟ یا چگونه آن کار را انجام می دهی؟ هرگز با خودم فکر نکرده بودم به اشتراک گذاشتن دانش در رابطه با آنچه که برایت جالب است، در واقع همان تدریس کردن محسوب می شود."

در حالکیه لیندا اعتقاد دارد تنها در زمان و مکان مناسبی حضور داشته، سخت است بدل شدن یک دامنه ی ۳۵ دلاری به کسب و کاری ۱.۵ میلیارد دلاری را حاصل یک اتفاق بدانیم.

فارسی لیندا

آیا کنجکاو هستید که چگونه داده ها به یادگیری ماشین و علم داده نیرو می دهند؟ در این دوره مربی Wuraola Oyewusi به پیچیدگی‌های حاشیه‌نویسی داده‌ها برای یادگیری ماشین می‌پردازد و نشان می‌دهد که چگونه داده‌ها برای آموزش مدل‌های یادگیری ماشینی آماده و استفاده می‌شوند. او با نگاهی بزرگ به اصول، انواع و اهمیت حاشیه نویسی داده ها در خطوط لوله یادگیری ماشین شروع می کند. او سپس با استفاده از ابزارهای مختلف، به سراغ موارد استفاده عملی برای حاشیه نویسی داده ها در پردازش زبان طبیعی، بینایی رایانه و علم داده های عمومی می رود. موضوعات دیگر شامل استفاده از هر دو ابزار منبع باز و اختصاصی مانند نمادگذاری داده ها و همچنین برچسب گذاری داده ها در پلتفرم های ابری اصلی مانند AWS، Azure و GCP است.

سطح آموزشی
خرید آنلاین و دانلود فوری
به همراه فایلهای تمرین
ویدئوهای آموزشی با زیرنویس
ویدئوهای آموزشی با زیرنویس فارسی
کیفیت HD ویدئوهای آموزشی
قابل استفاده برای ناشنوایان
 
 
 

نمونه ویدیوی آموزشی ( زیرنویس‌ها جدا از ویدیو است و میتوانید آنرا نمایش ندهید ) :

 

[فارسی]

01 مقدمه
01-01 حاشیه نویسی داده برای یادگیری ماشین

02 حاشیه نویسی داده ها
02-01 حاشیه نویسی داده چیست؟
02-02 چرا حاشیه نویسی داده ها در یادگیری ماشین مهم است؟
02-03 اصول حاشیه نویسی داده ها
02-04 انواع حاشیه نویسی داده ها
02-05 ساختار ذخیره سازی داده ها
02-06 ابزارها و قالب های حاشیه نویسی داده ها
02-07 کیفیت حاشیه نویسی داده ها

03 حاشیه نویسی داده برای کامپیوتر ویژن
03-01 برچسب گذاری برای طبقه بندی تصاویر در نوت بوک با استفاده از کبوتر
03-02 حاشیه نویسی داده ها با ابزار حاشیه نویسی بینایی رایانه (CVAT)
03-03 حاشیه نویسی برای طبقه بندی تصاویر با استفاده از CVAT
03-04 برچسب گذاری داده ها برای تشخیص اشیا با استفاده از CVAT
03-05 برچسب زدن به کمک مدل برای تشخیص اشیا با استفاده از CVAT
03-06 پوشش چند ضلعی در CVAT برای تقسیم بندی معنایی
03-07 Segment Anything Model (SAM) برای پوشش چند ضلعی در CVAT
03-08 حاشیه نویسی داده با Roboflow Annotate (راه اندازی)
03-09 برچسب واحد برای طبقه بندی تصویر در Roboflow Annotate
03-10 چند برچسب برای طبقه بندی تصاویر در Roboflow Annotate
03-11 برچسب زدن تصویر برای تشخیص اشیا با استفاده از Roboflow Annotate
03-12 حاشیه نویسی را در قالب دیگری در Roboflow Annotate صادر کنید
03-13 Smart Polygon در Roboflow Annotate
03-14 حاشیه نویسی ویدیویی به کمک مدل در Roboflow Annotate
03-15 همکاری در Roboflow Annotate

04 حاشیه نویسی داده برای پردازش زبان طبیعی
04-01 برچسب گذاری متن برای تجزیه و تحلیل احساسات در صفحات گسترده
04-02 حاشیه نویسی داده با ابزار Universal Data Tool (UDT)
04-03 برچسب‌گذاری شناسایی نهاد با استفاده از ابزار جهانی داده
04-04 متن را برای طبقه بندی با استفاده از ابزار جهانی داده برچسب بزنید
04-05 حاشیه نویسی داده های متنی با Prodigy (راه اندازی)
04-06 حاشیه نویسی دستی برای شناسایی موجودیت نامگذاری شده با Prodigy
04-07 حاشیه نویسی متنی نیمه خودکار برای NER با Prodigy
04-08 حاشیه نویسی متن خط فرمان برای NER با Prodigy
برچسب زدن 04-09 برای طبقه بندی متن با Prodigy
04-10 بخشی از برچسب زدن گفتار (POS) با Prodigy
04-11 برچسب زدن مرز جمله با Prodigy
04-12 برچسب زدن داده های صوتی با Prodigy
04-13 رونویسی داده های صوتی با Prodigy

05 حاشیه نویسی داده در پلتفرم های رایانش ابری
05-01 حاشیه نویسی داده در AWS SageMaker Ground Truth (راه اندازی)
05-02 حاشیه نویسی طبقه بندی تصویر تک برچسب در AWS
05-03 حاشیه نویسی طبقه بندی تصویر چند برچسبی در AWS
05-04 حاشیه نویسی جعبه محدود کردن تصویر برای تشخیص شی در AWS
05-05 حاشیه نویسی تقسیم بندی معنایی تصویر در AWS
05-06 حاشیه نویسی ردیابی شی ویدیویی در AWS
05-07 برچسب گذاری متن برای طبقه بندی در AWS
05-08 برچسب زدن متن NER در AWS
05-09 حاشیه نویسی داده در استودیوی یادگیری ماشینی Azure (راه اندازی)
05-10 حاشیه نویسی طبقه بندی تصاویر چند کلاسه در Azure ML
05-11 حاشیه نویسی طبقه بندی تصاویر چند برچسبی در Azure ML
05-12 حاشیه نویسی جعبه محدود کردن تصویر برای تشخیص شی در Azure
05-13 حاشیه نویسی قطعه بندی نمونه تصویر در Azure
05-14 برچسب گذاری متن برای طبقه بندی در لاجورد
برچسب زدن متن 05-15 NER در Azure
05-16 رونویسی صوتی در Azure ML Studio
05-17 حاشیه نویسی داده در GCP Vertex AI (راه اندازی)
05-18 حاشیه نویسی تصویر چند برچسبی در GCP
05-19 حاشیه نویسی جعبه محدود کردن تصویر برای تشخیص شی در GCP
05-20 حاشیه نویسی موجودیت متنی در GCP
05-21 برچسب‌گذاری مقیاس احساسات متنی در GCP
05-22 برچسب زدن متن تک برچسبی در GCP
05-23 حاشیه نویسی طبقه بندی ویدیو در GCP

[ENGLISH]

01 Introduction
01-01 Data annotation for machine learning

02 Data Annotation
02-01 What is data annotation?
02-02 Why is data annotation important in machine learning?
02-03 Principles of data annotation
02-04 Types of data annotation
02-05 Data storage structure
02-06 Data annotation tools and formats
02-07 Data annotation quality

03 Data Annotation for Computer Vision
03-01 Labeling for image classification in notebook using Pigeon
03-02 Data annotation with Computer Vision Annotation Tool (CVAT)
03-03 Annotation for image classification using CVAT
03-04 Data labeling for object detection using CVAT
03-05 Model-assisted labeling for object detection using CVAT
03-06 Polygon masking in CVAT for semantic segmentation
03-07 Segment Anything Model (SAM) for Polygon masking in CVAT
03-08 Data annotation with Roboflow Annotate (setup)
03-09 Single label for image classification in Roboflow Annotate
03-10 Multi-label for image classification in Roboflow Annotate
03-11 Image labeling for object detection using Roboflow Annotate
03-12 Export annotation in a different format in Roboflow Annotate
03-13 Smart Polygon in Roboflow Annotate
03-14 Model-assisted video annotation in Roboflow Annotate
03-15 Collaboration in Roboflow Annotate

04 Data Annotation for Natural Language Processing
04-01 Text labeling for sentiment analysis in spreadsheets
04-02 Data annotation with Universal Data Tool (UDT)
04-03 Named Entity Recognition labeling using Universal Data Tool
04-04 Label text for classification using the Universal Data Tool
04-05 Text data annotation with Prodigy (setup)
04-06 Manual annotation for named entity recognition with Prodigy
04-07 Semi-automatic text annotation for NER with Prodigy
04-08 Command line text annotation for NER with Prodigy
04-09 labeling for text classification with Prodigy
04-10 Part of speech (POS) labeling with Prodigy
04-11 Sentence boundary labeling with Prodigy
04-12 Audio data labeling with Prodigy
04-13 Audio data transcription with Prodigy

05 Data Annotation on Cloud Computing Platforms
05-01 Data annotation on AWS SageMaker Ground Truth (setup)
05-02 Single label image classification annotation in AWS
05-03 Multi-label image classification annotation in AWS
05-04 Image bounding box annotation for object detection in AWS
05-05 Image semantic segmentation annotation in AWS
05-06 Video object tracking annotation in AWS
05-07 Text labeling for classification in AWS
05-08 NER text labeling in AWS
05-09 Data annotation on Azure Machine Learning Studio (setup)
05-10 Multi-class image classification annotation in Azure ML
05-11 Multi-label image classification annotation in Azure ML
05-12 Image bounding box annotation for object detection in Azure
05-13 Image instance segmentation annotation in Azure
05-14 Text labeling for classification in Azure
05-15 NER text labeling in Azure
05-16 Audio transcription in Azure ML Studio
05-17 Data annotation on GCP Vertex AI (setup)
05-18 Multi-label image annotation in GCP
05-19 Image bounding box annotation for object detection in GCP
05-20 Text entity annotation in GCP
05-21 Text sentiment scale labeling in GCP
05-22 Single-label text labeling in GCP
05-23 Video classification annotation in GCP

 

مدرس: Wuraola Oyewusi - وراولا اویوسی

تعداد دوره های آموزشی: 5

Wuraola Oyewusi یک دانشمند داده با تجربه، یادگیری ماشین و متخصص هوش مصنوعی است.
Wuraola در پردازش زبان طبیعی (NLP)، مراقبت های بهداشتی، نگهداری داده ها و تحقیقات تخصص دارد. او مدرک لیسانس داروسازی (BPharm) را از دانشگاه اولابیسی اونابانجو گرفت و در حال حاضر به عنوان دریافت کننده ویزای استعدادهای جهانی (علم داده و هوش مصنوعی) در بریتانیا زندگی می کند.

جدیدترین آموزشهای مرتبط

تمامی زیرنویس‌های فارسی و مطالب ترجمه شده در سایت، بطور انحصاری متعلق به فارسی لینـدا بوده و هر گونه کپی‌ برداری و یا استفاده از آنها به هر شکلی در سایتها یا برنامه‌های دیگر پیگرد قانونی دارد
logo-samandehi
فارسی کلاس