%40 تخفیف  برای خرید  مسیرهای یادگیری

logo mix

آموزش پردازش زبان طبیعی برای گفتار و متن: از مبتدی تا پیشرفته (با زیرنویس فارسی AI)
Natural Language Processing for Speech and Text: From Beginner to Advanced
کد محصول: FL10461-5937072
لیندا _ آموزش پردازش زبان طبیعی برای گفتار و متن: از مبتدی تا پیشرفته (با زیرنویس فارسی AI) - Lynda _ Natural Language Processing for Speech and Text: From Beginner to Advanced
سطح متوسـط
زیرنویس انگلیسی
زیرنویس فارسی AI
66,000 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
1403/7/12
2024-10-03
سطح آموزش
متوسط
زبان آموزش
انگلیسی
زیرنویس
فارسی و انگلیسی
نوع زیرنویس فارسی
ترجمه شده توسط هوش مصنوعی (AI)
مدت زمان آموزش
3ساعت و 9دقیقه
تعداد ویدیو‌ها
59 ویدیو
حجم فایل‌ها
380 مگابایت (دانلود با تعرفه داخلی)
زمان تقریبی دانلود فایل‌ها
6 دقیقه (با سرعت اینترنت 1 مگابایت در ثانیه)
تعداد بازدید : 92
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

با افزایش اخیر مدل‌های زبانی بزرگ، بررسی تکامل تکنیک‌های NLP، از روش‌های سنتی تا استانداردهای فعلی صنعت، بسیار مهم است. در این دوره مربی Wuraola Oyewusi - دانشمند داده با تجربه و حرفه ای در یادگیری ماشین و هوش مصنوعی - به شما کمک می کند پایه ای قوی در مفاهیم پردازش زبان طبیعی (NLP) ایجاد کنید و به کاربرد انتها به انتها NLP می پردازد. در حین بررسی پیشینه نظری مفاهیم NLP، تکامل تاریخی تکنیک‌های NLP و کاربردهای فعلی تکنیک‌های نمایش NLP برای داده‌های متنی و گفتاری، درباره داده‌های متنی و گفتاری اطلاعاتی کسب کنید. در تمرین‌های تمرینی مبتنی بر کد برای تکنیک‌ها و وظایف پیش‌پردازش برای داده‌های متنی و گفتاری، شیرجه بزنید. به‌علاوه، طیف گسترده‌ای از کتابخانه‌های پایتون، از جمله NLTK، spaCy، Hugging Face، Transformers، librosa، scikit-learn، gensim و torchaudio را بررسی کنید.

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 مبانی پردازش زبان طبیعی
استراتژی دوره NLP 01-02

02 مقدمه ای بر پردازش زبان طبیعی (NLP)
02-01 پردازش زبان طبیعی (NLP) چیست؟
02-02 دنباله ها چیست؟
02-03 کاربردهای پردازش زبان طبیعی در داده های متنی
02-04 کاربردهای پردازش زبان طبیعی در داده های گفتاری
02-05 تکامل تاریخی وظایف و تکنیک های NLP
02-06 چگونه کامپیوترها دنباله ها را در NLP درک می کنند

03 پردازش زبان طبیعی برای تکنیک های متن
03-01 پیش پردازش متن
03-02 پیش پردازش متن با استفاده از NLTK
03-03 نمایش متن
03-04 نمایش متن: رمزگذاری یک طرفه
03-05 رمزگذاری یکباره با استفاده از scikit-learn
03-06 نمایش متن: N-گرم
نمایش 03-07 N گرم با استفاده از NLTK
03-08 نمایش متن: کیسه کلمات (BoW)
03-09 نمایش کیسه ای از کلمات با استفاده از scikit-learn
03-10 نمایش متن: فرکانس معکوس فرکانس سند (TF-IDF)
03-11 نمایش TF-IDF با استفاده از scikit-learn
03-12 نمایش متن: جاسازی های کلمه
03-13 تعبیه Word2vec با استفاده از Gensim
03-14 تعبیه با مدل SpaCy از پیش آموزش دیده
03-15 جاسازی جمله با استفاده از کتابخانه Sentence Transformers
03-16 نمایش متن: مدل های زبان از پیش آموزش دیده (PLM)
03-17 مدل های زبان از پیش آموزش دیده با استفاده از ترانسفورماتور

04 پردازش زبان طبیعی برای تکنیک های گفتار
04-01 بازنمایی گفتار: ضرایب سپسترال فرکانس مل
04-02 ضرایب مغزی فرکانس مل (MFCCs) با استفاده از librosa
04-03 نمایش گفتار: ضرایب پیش‌بینی خطی مغزی (LPCC)
04-04 کدگذاری پیش بینی خطی (LPC) با استفاده از librosa
04-05 نمایش گفتار: ویژگی های بانک فیلتر گاماتون
04-06 ویژگی های بانک فیلتر Gammatone با استفاده از librosa
04-07 نمایش گفتار: طیف نگاری ها
04-08 طیف‌نگاری با استفاده از تبدیل فوریه سریع (FFT) در لیبروسا
04-09 بازنمایی گفتار: تعبیه گفتار
04-10 جاسازی گفتار با استفاده از wav2vec در ترانسفورماتورها

05 پردازش زبان طبیعی کاربردی: الگوریتم ها و وظایف
05-01 الگوریتم هایی برای وظایف پردازش زبان طبیعی
05-02 انواع الگوریتم ها در پردازش زبان طبیعی
05-03 مبتنی بر قانون: عبارات منظم
05-04 وظایف عبارت منظم با استفاده از کتابخانه re
05-05 مبتنی بر قانون: تجزیه مبتنی بر قانون
05-06 تجزیه جملات در ساختارهای نحوی با استفاده از گرامرهای بدون متن (CFG) در NLTK
05-07 برچسب گذاری قسمتی از گفتار (POS) با استفاده از spaCy
05-08 آماری: مدل های پنهان مارکوف (HMM)
05-09 مدل های پنهان مارکوف (HMM) برای برچسب گذاری POS در NLTK
05-10 آماری: فیلدهای تصادفی شرطی (CRF)
05-11 آماری: طبقه بندی کننده های ساده بیز
05-12 یادگیری ماشینی: ماشین‌های بردار پشتیبانی (SVM)
05-13 طبقه بندی داده های متنی با استفاده از SVM
05-14 یادگیری ماشینی: درختان تصمیم
05-15 مجموعه دستورات گفتاری را با استفاده از درخت های تصمیم طبقه بندی کنید
05-16 یادگیری ماشینی: K-به معنی خوشه بندی
05-17 K-به معنی خوشه بندی برای مجموعه داده نقد فیلم است
05-18 یادگیری عمیق: شبکه های عصبی مکرر (RNN)
05-19 تولید متن با استفاده از شبکه های عصبی بازگشتی (RNN)
05-20 یادگیری عمیق: ترانسفورماتورها
05-21 انتقال یادگیری در پردازش زبان طبیعی (NLP)
05-22 گفتار به متن (STT) با استفاده از wav2vec در کتابخانه Transformers
05-23 تبدیل متن به گفتار (TTS) با استفاده از Tacotron و WaveGlow

06 نتیجه گیری
06-01 بعدی: NLP در عمل

[ENGLISH]

01 Introduction
01-01 Fundamentals of natural language processing
01-02 NLP course strategy

02 Introduction to Natural Language Processing (NLP)
02-01 What is natural language processing (NLP)?
02-02 What are sequences?
02-03 Applications of natural language processing in text data
02-04 Applications of natural language processing in speech data
02-05 Historical evolution of NLP tasks and techniques
02-06 How computers understand sequences in NLP

03 Natural Language Processing for Text Techniques
03-01 Text preprocessing
03-02 Text preprocessing using NLTK
03-03 Text representation
03-04 Text representation: One-hot encoding
03-05 One-hot encoding using scikit-learn
03-06 Text representation: N-grams
03-07 N-grams representation using NLTK
03-08 Text representation: Bag-of-words (BoW)
03-09 Bag-of-words representation using scikit-learn
03-10 Text representation: Term frequency-inverse document frequency (TF-IDF)
03-11 TF-IDF representation using scikit-learn
03-12 Text representation: Word embeddings
03-13 Word2vec embedding using Gensim
03-14 Embedding with pretrained spaCy model
03-15 Sentence embedding using the Sentence Transformers library
03-16 Text representation: Pre-trained language models (PLMs)
03-17 Pre-trained language models using Transformers

04 Natural Language Processing for Speech Techniques
04-01 Speech representation: Mel-frequency cepstral coefficients
04-02 Mel-frequency cepstral coefficients (MFCCs) using librosa
04-03 Speech representation: Linear predictive cepstral coefficients (LPCCs)
04-04 Linear predictive coding (LPC) using librosa
04-05 Speech representation: Gammatone filterbank features
04-06 Gammatone filterbank features using librosa
04-07 Speech representation: Spectrograms
04-08 Spectrograms using fast Fourier transform (FFT) in librosa
04-09 Speech representation: Speech embeddings
04-10 Speech embeddings using wav2vec in Transformers

05 Applied Natural Language Processing: Algorithms and Tasks
05-01 Algorithms for natural language processing tasks
05-02 Types of algorithms in natural language processing
05-03 Rule-based: Regular expressions
05-04 Regular expression tasks using the re library
05-05 Rule-based: Rule-based parsing
05-06 Parsing sentences into syntactic structures using context-free grammars (CFG) in NLTK
05-07 Part-of-speech (POS) tagging using spaCy
05-08 Statistical: Hidden Markov models (HMMs)
05-09 Hidden Markov models (HMMs) for POS tagging in NLTK
05-10 Statistical: Conditional random fields (CRFs)
05-11 Statistical: Naive Bayes classifiers
05-12 Machine learning: Support vector machines (SVMs)
05-13 Classify text data using SVM
05-14 Machine learning: Decision trees
05-15 Classify the speech commands dataset using decision trees
05-16 Machine learning: K-means clustering
05-17 K-means clustering for the movie reviews dataset
05-18 Deep learning: Recurrent neural networks (RNNs)
05-19 Text generation using recurrent neural networks (RNNs)
05-20 Deep learning: Transformers
05-21 Transfer learning in natural language processing (NLP)
05-22 Speech-to-text (STT) using wav2vec in the Transformers library
05-23 Text-to-speech (TTS) using Tacotron and WaveGlow

06 Conclusion
06-01 Whats next: NLP in practice

 

مدرس: Wuraola Oyewusi - وراولا اویوسی

تعداد دوره های آموزشی: 9

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