• صفحه اصلی
  • دوره های آموزشی

    About Courses

    • فیزیک 1
    • ترکیبیات مقدماتی (المپیاد)
    روشهای پایه ای در انتگرالگیری(انتگرال نامعین)

    روشهای پایه ای در انتگرالگیری(انتگرال نامعین)

    رایگان
    مطالعه بیشتر
  • فروشگاه کتاب
  • آرشیو نوشته ها
  • همکاری با ما
  • درباره ما
  • راهنمای سفارش
  • تماس با ما
      • Cart

        0
    سوالی دارید؟
    info@talimestan.com اگر ایمیل های تعلیمستان به شما نمیرسند پوشه اسپم خود را چک کنید.
    عضویتورود
    تعلیمستانتعلیمستان
    • صفحه اصلی
    • دوره های آموزشی

      About Courses

      • فیزیک 1
      • ترکیبیات مقدماتی (المپیاد)
      روشهای پایه ای در انتگرالگیری(انتگرال نامعین)

      روشهای پایه ای در انتگرالگیری(انتگرال نامعین)

      رایگان
      مطالعه بیشتر
    • فروشگاه کتاب
    • آرشیو نوشته ها
    • همکاری با ما
    • درباره ما
    • راهنمای سفارش
    • تماس با ما
        • Cart

          0

      یادگیری ماشین

      • خانه
      • همه دوره ها
      • یادگیری ماشین
      • دوره جامع یادگیری ماشین

      دوره جامع یادگیری ماشین

      Admin bar avatar
      دکتر فرشاد مریخ بیات
      یادگیری ماشین
      (0 نظر)
      292,000 تومان
      1_M9le42saJxWlOYyYvhKtPA
      • مرور کلی
      • برنامه تحصیلی
      • مدرس
      • بررسی ها

      دوره جامع یادگیری ماشین تعلیمستان، یکی از کامل ترین دوره های موجود برای یادگیری Machine Learning میباشد که تمامی مفاهیم را از ابتدایی ترین تعریفات تا مسائل پیچیده تر به صورت کامل پوشش میدهد. برای استفاده از این دوره نیاز به هیج پیشنیازی ندارید و حتی مقدمات متلب و جبر خطی برای دانشجویانی که آشنایی ندارند آموزش داده شده است. در کنار مطالب این دوره یکی از پرکاربرد ترین الگوریتم های هوش مصنوعی یعنی الگوریتم ژنتیک آموزش داده شده و یک مثال بسیار جالب از این الگوریتم به صورت عملی حل شده است. شما برای گذراندن این دوره نیازی به دانش عمیق از هوش مصنوعی ندارید و تمامی مفاهیم مورد نیاز از ابتدایی ترین تعریفات به صورت کامل توضیح داده شده است.

      پیشنمایش دوره

      همانطور که از ویدئوهای پیشنمایش مشخص است، در این دوره علاوه بر پوشش کامل  مسائل تئوری، مثالهای عملی زیادی نیز بررسی شده است.

      این دوره از 5 بخش اصلی تشکیل شده است: (برای مشاهده سرفصلها به صورت کامل به سربرگ برنامه تحصیلی مراجعه کنید.)

      • آشنایی شبکه های عصبی MLP
      • آشنایی ماشین یادگیرنده بردار پشتیبان
      • آموزش الگوریتم ژنتیک در متلب
      • آموزش مقدمات متلب
      • آموزش جبر خطی

      در ادامه توضیحات و پیشنمایش مربوط به هر بخش به صورت مجزا آورده شده است. درضمن سعی شده است بخشهای مختلف دوره به صورت مجزا از هم تدوین شوند تا مرور و مراجعه مجدد به دوره برای دانشجویان راحت تر باشد و بتوانند به صورت منبع مرجع از بخشهای مختلف استفاده کنند.

      • آشنایی شبکه های عصبی MLP

      این دوره مجموعۀ کاملی از دروس مرتبط با شبکه های عصبی مصنوعی را در اختیار شما قرار می دهد. کل دوره حدود 14 ساعت است که مباحث گوناگونی از جمله بردار ویژگی و مفهوم کاهش بعد، شبکه عصبی تک لایه به همراه روشهای آموزش و مثالهای عددی و کاربردهای آن، شبکه عصبی پیشخور چند لایه (MLP)، آموزش MLP به روش پس انتشار خطا (یا همان الگوریتم گرادیان نزولی پیاده سازی شده با قانون دلتا)، آموزش MLP با قانون دلتای تعمیم یافته (یا همان قانون دلتا با اضافه کردن جمله لختی)، شگردهای افزایش کیفیت و سرعت آموزش MLP، هرس کردن MLP با الگوریتم جراح مغز بهینه و آموزش فشرده نحوه کار با دستورات شبکه عصبی MLP در متلب را در بر دارد. در آخرین درس دوره نیز پنج کاربرد MLP یعنی یادگیری پارک کردن خودکار یک اتومبیل (به عنوان یک مسالۀ کنترل غیرخطی چند متغیره)، پیش بینی سری زمانی آشوبی مکی-گلاس، فشرده سازی داده، شبیه سازی مسابقه فوتبال با یک MLP آموزش دیده به عنوان مغز هر بازیکن و طراحی فیلتر وارون غیرخطی (به عنوان مثال جهت حذف اعوجاج کانالهای مخابراتی) مرور شده است.

      • ماشین یادگیرنده بردار پشتیبان

      ماشین یادگیرنده بردار پشتیبان (Support Vector Machine: SVM) ماشینی با تئوری بسیار زیبا و بهینه است که به طور ویژه برای حل مسائل طبقه بندی الگو اعم از تفکیک پذیر خطی یا تفکیک ناپذیر خطی ابداع شده است. در بسیاری از مسائل کاربردی مشاهده شده که کارآیی SVM در حل مسائل طبقه بندی (دسته بندی) به طور محسوسی بالاتر از شبکه های عصبی چند لایه (MLP) است.

      در درس اول این بخش برخی مفاهیم پایه ای نظیر بردار ویژگی و کاهش بعد با ذکر مثالهای کاربردی مرور شده است. در درسهای بعدی فرمول بندی ریاضی طراحی ماشین یادگیرندۀ پشتیبان به طور دقیق و گام به گام با ذکر تمام جزئیات توضیح داده شده است. همچنین نحوۀ حل مسائل عددی با ذکر مثالهایی در نرم افزار متلب آموزش داده شده است.

       

      • آشنایی با الگوریتم ژنتیک

      این بخش از دوره به گونه ای طراحی شده که مخاطب آن بتواند توانایی حل مسائل بهینه سازی ریاضی و مهندسی را با استفاده از الگوریتم ژنتیک در MATLAB با صرف کمترین زمان و انرژی ممکن به دست آورد. این بخش از دوره شامل دو درس است. در درس اول، مفاهیم کلی بهینه سازی از قبیل تابع هزینه و انواع قیود (خطی، غیر خطی، برابری، نابرابری) مرور شده و نحوۀ نوشتن تابع هزینه و انواع قیود در متلب آموزش داده شده است. همچنین نحوۀ استفاده از دستور ga برای حل مسائل بهینه سازی در این درس توضیح داده شده است. در درس دوم پس از توضیح مختصر تئوری الگوریتم ژنتیک، نحوۀ تنظیم پارامترهای آن (از قبیل تعداد افراد، محدودۀ افراد تصادفی حاضر در نسل اول، پارامترهای مهاجرت، تعیین سهم عملگرها و …) با استفاده از دستور gaoptimset آموزش داده شده است. پس از یادگیری این بخش تقریباً دو ساعته خواهید توانست تقریباً هر مسالۀ بهینه سازی استانداردی را به آسانی حل کنید.

      • شبکه های عصبی بردار پشتیبان

      این بخش از دوره شامل پنج درس است. در درس اول با مبانی شبکه های RBF آشنا خواهیم شد. درس دوم به نحوۀ آموزش با ناظر شبکه زمانی که تعداد نرونهای لایۀ پنهان با تعداد داده های آموزشی برابر باشد می پردازد. این روش تنها زمانی سودمند است که تعداد داده های آموزشی کم باشند. در درسهای سوم و چهارم روش آموزش با ناظر ترکیبی (Hybrid) را خواهیم آموخت که برای تنظیم پارامترهای شبکه زمانی که تعداد داده های آموزشی زیاد باشند مناسب است. در این روش مراکز خوشه ها در لایۀ پنهان به صورت بدون ناظر با الگوریتم k-means و وزنهای لایۀ خروجی به صورت با ناظر با الگوریتم کمترین مربعات بازگشتی (Recursive Least Squares: RLS) آموزش خواهند دید. ایدۀ تفکیک پذیری بردارهای ویژگی در صورت افزایش بعد و نیز اولین شبکه ای که می توان آن را نسل اول شبکه های RBF امروزی به شمار آورد توسط فردی به نام توماس کاور (Thomas Cover) معرفی شد. با جزئیات مهم کارهای این فرد در درس پنجم آشنا خواهیم شد. پیشنیاز این دوره آشنایی مقدماتی با شبکه های عصبی چندلایه و مفهوم طبقه بندی الگو (Pattern Classification) است.

       

      • جبر خطی

      جبر خطی قطعا یکی از کاربردی ترین و مفید ترین درسهای ریاضی در تمام علوم می باشد. از جمله مهمترین کاربردهای به روز این درس ریاضی به کاربردهای جدی آن در ماشین لرنینگ، هوش مصنوعی، الگوریتمهای تکاملی، داده کاوی (دیتا ماینیگ) و آمار اشاره کرد. این دوره درس ارائه شده توسط مدرس در دانشگاه بریستول انگلستان می باشد. در این دوره دکتر فرهاد بابائی با بیانی شیوا و مثالهایی ملموس به تدریس جبرخطی و به ویژه مقادیر ویژه و بردارهای می پردازد و در میان این مباحث مهمی که با ** مشخص شده اند مانند تغییر مختصات، یادآوری در مورد نگاشت های خطی نیز برای ملموس بودن گنجانده شده اند. این بخش از دوره به زبان انگلیسی تدریس شده است.

       

      • متلب

      نرم‌افزار MATLAB از شناخته‌شده‌ترین و پرکاربردترین نرم‌افزارها در زمینه برنامه‌نویسی و محاسبات علمی و تکنیکی است. این نرم‌افزار مجموعه‌ای کامل از ابزارهایی است که کاربر را قادر می‌سازد تا در زمینه‌های مختلف مانند برنامه‌نویسی، ثبت و پردازش داده‌ها، محاسبات و گزارش نتایج مطالعات علمی کارهای ارزشمندی تهیه و ارایه دهد. در دوره حاضر بصورت فشرده به آموزش بخش‌های ضروری از نرم‌افزار MATLAB پرداخته‌ایم که هر کاربری برای شروع کار با این نرم‌افزار و برنامه‌نویسی به آن نیاز دارد.

      این دوره شامل ۱۱ درس مختلف است. در درس اول به معرفی محیط نرم‌افزار MATLAB پرداخته‌ایم. بخش‌های مختلف نرم‌افزار و کاربرد هرکدام توصیف شده‌اند. در درس‌های دوم تا ششم انواع داده‌ها در نرم‌افزار MATLAB بعنوان مواد خام اولیه هر برنامه‌نویسی توصیف شده‌اند. انواع داده‌ها در نرم‌افزار شامل داده‌های عددی، رشته‌ها، آرایه‌های عددی، آرایه‌های سلولی و داده‌های ساختمانی هستند. در درس‌های هفتم و هشتم ابزارهای کنترل جریان برنامه شامل ساختارهای شرطی (if-else-end)، حلقه‌های تکرار شونده (for و while)، ساختار سوئیچ (switch-case)، دستور break و continue توضیح داده شده‌اند. درس نهم به توضیح عملگرها، برخی آرایه‌های استاندارد و توابع اولیه مورد نیاز برای شروع به برنامه‌نویسی در MATLAB اختصاص داده شده است. در درس دهم دو مثال از رسم توابع (دو بعدی و سه‌بعدی) با استفاده از امکانات رسم نمودار این نرم‌افزار ارائه شده است. در نهایت در درس یازدهم در مورد توابع، روش تعریف و استفاده از آن‌ها توضیح داده شده است. مدت زمان این بخش 4 ساعت و 10 دقیقه است. با تماشای این بخش کاربر مبتدی نرم افزار قادر خواهد بود تا شروع به برنامه‌نویسی نموده و نیازهای خود را برآورده کند.

      پیشنمایش دوره

       

      ویژگی های دوره

      • عناوین 54
      • امتحانات 0
      • مدت 38 ساعت و 30 دقیقه
      • سطح مهارت همه مراحل
      • زبان فارسی
      • دانشجویان 33
      • گواهی نه
      • ارزیابی ها بله
      دوره هایادگیری ماشیندوره جامع یادگیری ماشین
      • راهنمای استفاده بهینه از دوره 0

        هیچ موردی در این بخش وجود ندارد
      • شبکه های عصبی MLP 14

        • سخنرانی2.1
          مقدمه 01 ساعت 15 دقیقه
        • سخنرانی2.2
          مفهوم بردار ویژگی (Feature Vector) و کاهش بعد 55 دقیقه
        • سخنرانی2.3
          شبکۀ عصبی تک لایه (Single-Layer Perceptron) 01 ساعت 29 دقیقه
        • سخنرانی2.4
          چند مثال و کاربرد از پرسپترون 54 دقیقه
        • سخنرانی2.5
          شبکۀ عصبی چند لایه (MLP) و بهینه سازی با گرادیان نزولی 01 ساعت
        • سخنرانی2.6
          آموزش MLP به روش پس انتشار خطا 01 ساعت 41 دقیقه
        • سخنرانی2.7
          نکات تکمیلی در ارتباط با آموزش MLP 01 ساعت 12 دقیقه
        • سخنرانی2.8
          قانون دلتای تعمیم یافته (آموزش با جملۀ لختی) 34 دقیقه
        • سخنرانی2.9
          مفهوم تعمیم (Generalization) و معیار پایان الگوریتم 27 دقیقه
        • سخنرانی2.10
          شگردهایی برای بهبود کیفیت و سرعت آموزش 54 دقیقه
        • سخنرانی2.11
          آموزش MLP با الگوریتم Levenberg-Marquardt 47 دقیقه
        • سخنرانی2.12
          هرس کردن شبکۀ عصبی با الگوریتم جراح مغز بهینه 43 دقیقه
        • سخنرانی2.13
          آموزش فشرده جعبه ابزار شبکۀ عصبی در متلب (MATLAB) 39 دقیقه
        • سخنرانی2.14
          مرور چند کاربرد شبکۀ عصبی پیشخور چند لایه (MLP) 01 ساعت 09 دقیقه
      • ماشین یادگیرنده بردار پشتیبان (SVM) 5

        • سخنرانی3.1
          ماشین یادگیرنده بردار پشتیبان: مفهوم بردار ویژگی و کاهش بعد 46 دقیقه
        • سخنرانی3.2
          ماشین یادگیرنده بردار پشتیبان: فرمول بندی مساله بهینه سازی تحت قید 01 ساعت 09 دقیقه
        • سخنرانی3.3
          ماشین یادگیرنده بردار پشتیبان: فرمول بندی و حل مساله بهینه سازی دوگان و محاسبه ابرصفحه بهینه 49 دقیقه
        • سخنرانی3.4
          ماشین یادگیرنده بردار پشتیبان: مثالهای عددی در حالت تفکیک پذیر خطی 40 دقیقه
        • سخنرانی3.5
          ماشین یادگیرنده بردار پشتیبان: حالت تفکیک ناپذیر خطی 01 ساعت
      • شبکه تابع پایه شعاعی (RBF) 5

        • سخنرانی4.1
          شبکه تابع پایه شعاعی: درس اول 47 دقیقه
        • سخنرانی4.2
          شبکه تابع پایه شعاعی: درس دوم 30 دقیقه
        • سخنرانی4.3
          شبکه تابع پایه شعاعی: درس سوم 01 ساعت 04 دقیقه
        • سخنرانی4.4
          شبکه تابع پایه شعاعی: درس چهارم 34 دقیقه
        • سخنرانی4.5
          شبکه تابع پایه شعاعی: درس پنجم 23 دقیقه
      • آشنایی با الگوریتم ژنتیک در متلب 2

        • سخنرانی5.1
          نحوۀ کار با دستور ga 01 ساعت 06 دقیقه
        • سخنرانی5.2
          تنظیمات الگوریتم ژنتیک با دستور gaoptimset 01 ساعت 06 دقیقه
      • حل مسئله n وزیر با الگوریتم ژنتیک 1

        • سخنرانی6.1
          حل پازل n وزیر با الگوریتم ژنتیک (تئوری و متلب) 56 دقیقه
      • جیر خطی بخش اول: LINEAR MAPS AND MATRICES (نگاشتهای خطی و ماتریسها) 2

        • سخنرانی7.1
          **Change of Coordinate (تغییر مختصات) 37 دقیقه
        • سخنرانی7.2
          **Linear Maps and Matrices (نگاشتهای خطی و ماتریسها) 43 دقیقه
      • جبر خطی بخش دوم: EIGENVALUES AND EIGENVECTORS (مقدارها و بردارهای ویژه) 5

        • سخنرانی8.1
          Eigenvalues and eigenvectors, Basics (مقدمات بردارهای ویژه و مقادیر ویژه) 13 دقیقه
        • سخنرانی8.2
          Eigenvalues, eigenvectors and diagonalisability with an example (مقادیر و بردارهای ویژه در قطری پذیری) 19 دقیقه
        • سخنرانی8.3
          A remark(یادآوری یک نکته از دستگاههای معادلات خطی) 11 دقیقه
        • سخنرانی8.4
          Diagonalisability (قطری پذیری) 47 دقیقه
        • سخنرانی8.5
          Further discussion on Characteristic Polynomial (مباحث تکمیلی درباره چندجمله ای مشخصه) 49 دقیقه
      • جبر خطی بخش سوم: INNER PRODUCT SPACES (فضای ضرب داخلی) 6

        • سخنرانی9.1
          Inner Product Spaces 1 (فضای ضرب داخلی 1) 58 دقیقه
        • سخنرانی9.2
          Inner Product Spaces 2(فضای ضرب داخلی 2) 41 دقیقه
        • سخنرانی9.3
          ( Inner Product Spaces (contd (ادامه فضاهای ضرب داخلی) 51 دقیقه
        • سخنرانی9.4
          Inner Product Spaces 3- Orthogonal Projections (فضای ضرب داخلی 3- تصویر متعامد) 43 دقیقه
        • سخنرانی9.5
          Inner Product Spaces 3- Gramm-Schmidt(فضای ضرب داخلی3 -گرام- اشمیت) 06 دقیقه
        • سخنرانی9.6
          An example of using Orthogonal Projection (مثالی از کاربردهای تصویر متعامد یکه) 12 دقیقه
      • جبر خطی بخش چهارم: LINEAR MAPS ON INNER PRODUCT SPACES (نگاشتهای خطی روی فضاهای ضرب داخلی) 3

        • سخنرانی10.1
          Linear Maps on Inner Product Spaces (نگاشتهای خطی روی فضاهای ضرب داخلی) 56 دقیقه
        • سخنرانی10.2
          (Linear Maps on Inner Product Spaces (contd (ادامه نگاشتهای فضاهای ضرب داخلی) 42 دقیقه
        • سخنرانی10.3
          **Orthogonal Projections (review), Associated Matrices (مروری بر تصاویر متعامد) 42 دقیقه
      • مقدمات متلب 11

        • سخنرانی11.1
          آشنایی با محیط نرم افزار متلب (MATLAB) 17 دقیقه
        • سخنرانی11.2
          داده‌های عددی در متلب 23 دقیقه
        • سخنرانی11.3
          داده‌های رشته‌ای در متلب 31 دقیقه
        • سخنرانی11.4
          آرایه‌ها در متلب 37 دقیقه
        • سخنرانی11.5
          آرایه‌های سلولی در متلب 17 دقیقه
        • سخنرانی11.6
          ساختمان‌ها در متلب 16 دقیقه
        • سخنرانی11.7
          کنترل جریان برنامه (۱) 14 دقیقه
        • سخنرانی11.8
          کنترل جریان برنامه (۲) 19 دقیقه
        • سخنرانی11.9
          ابزارهای برنامه‌نویسی ساده در متلب 37 دقیقه
        • سخنرانی11.10
          شکل‌ها در متلب 20 دقیقه
        • سخنرانی11.11
          توابع در متلب 20 دقیقه
      Admin bar avatar
      دکتر فرشاد مریخ بیات
      دکترای مهندسی برق گرایش کنترل از دانشگاه صنعتی شریف | مهندس ارشد کنترل در شرکت ASML، سن دیگو، آمریکا | دانشیار گروه مهندسی برق دانشگاه زنجان (1387-1400) | بیش از 15 سال سابقۀ تدریس دانشگاهی در مقاطع کارشناسی، کارشناسی ارشد و دکترا | نویسندۀ بیش از سی مقاله در ژورنالهای معتبر | مولف کتابهای مدلسازی و کنترل صنعتی، الگوریتمهای بهینه سازی فرا ابتکاری (همراه با کاربردهایی در مهندسی برق)، الگوریتمهای بهینه سازی الهام گرفته از طبیعت، رهیافت حل مساله در مخابرات 1، درس و کنکور سیگنالها و سیستمها، و مولف همکار کتاب رهیافت حل مساله در ریاضیات مهندسی | زمینه های آموزشی و پژوهشی تخصصی: تئوری کنترل و سیستمها، بهینه سازی، یادگیری ماشین
      Admin bar avatar
      دکتر فرهاد بابائی
      Farhad is a Lecturer (≅ Amer. Assistant Professor) in the School of Mathematics at the University of Bristol. His research interests include Combinatorial Algebraic Geometry: Tropical and Toric Geometry; Interplay between the Theory of Currents and Dynamical Systems with Tropical Geometry; Geometric Data Analysis. You may find more info at: https://people.maths.bris.ac.uk/~ki18754
      Admin bar avatar
      دکتر روح اله مرادحاصلی
      متولد 1361/11/22 دکتری فیزیک (گرایش اپتیک) از دانشگاه تحصیلات تکمیلی در علوم پایه زنجان. عضو هیأت علمی دانشگاه آزاد اسلامی از سال ۱۳۸۹. تدریس دروس فیزیک دانشگاهی به مدت بیش از ۱۴ سال. تدریس برنامه نویسی با استفاده از نرم افزار MATLAB در سطوح مقدماتی و پیشرفته.

      نظرات

      میانگین امتیازها

      0
      0 امتیاز

      جزئیات امتیاز

      5
      0%
      4
      0%
      3
      0%
      2
      0%
      1
      0%
      • مرور کلی
      • برنامه تحصیلی
      • مدرس
      • بررسی ها
      292,000 تومان
      • اشتراک گذاری :

      دوره های مرتبط

      روشهای پایه ای در انتگرالگیری(انتگرال نامعین) مطالعه بیشتر
      Admin bar avatar
      دکتر مهدی افشار

      روشهای پایه ای در انتگرالگیری(انتگرال نامعین)

      176
      0
      رایگان
      کنترل خطی مطالعه بیشتر
      Admin bar avatar
      دکتر فرشاد مریخ بیات

      کنترل خطی

      12
      0
      64,000 تومان
      روشهای پایه ای و پیشرفته در انتگرالگیری(انتگرال نامعین) مطالعه بیشتر
      Admin bar avatar
      دکتر مهدی افشار

      روشهای پایه ای و پیشرفته در انتگرالگیری(انتگرال نامعین)

      104
      0
      20,000 تومان
      تحقیق در عملیات یک (پژوهش عملیاتی یک-برنامه ریزی خطی) با حل مسائل آن در اکسل و متلب مطالعه بیشتر
      Admin bar avatar
      دکتر مهدی افشار

      تحقیق در عملیات یک (پژوهش عملیاتی یک-برنامه ریزی خطی) با حل مسائل آن در اکسل و متلب

      17
      0
      42,000 تومان
      جمع آوری داده با کارت صوتی تحت MATLAB مطالعه بیشتر
      Admin bar avatar
      دکتر فرشاد مریخ بیات

      جمع آوری داده با کارت صوتی تحت MATLAB

      این دوره به زودی در دسترس خواهد بود
      به زودی

        1 دیدگاه

      1. mohammady71
        27 شهریور 1401
        پاسخ

        سلام جناب اقای دکتر عزیز بی زحمت یک اموزش در خصوص طراحی کنترل کننده pid با کمک الگوریتم های یاد گیری عمیق هم ارائه بدید با تشکر از اموزشهای بسیارخوبتون

      یک دیدگاه ارسال کنید لغو پاسخ

      نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

      همه دوره ها

      • المپیاد
      • دانشگاه
      • فنی و مهندسی
      • متفرقه
      • نرم افزار کاربردی
      • یادگیری ماشین

      آخرین دوره ها

      تنظیم پارامترهای کنترل کنندۀ PID با متلب/سیمولینک

      تنظیم پارامترهای کنترل کنندۀ PID با متلب/سیمولینک

      رایگان
      یادگیری عمیق و کار با شبکه های عصبی عمیق در متلب

      یادگیری عمیق و کار با شبکه های عصبی عمیق در متلب

      100,000 تومان
      محاسبه مشتق توابع

      محاسبه مشتق توابع

      رایگان

      همه مطالب

      مصاحبه با دکتر کسری علیشاهی (در مورد رشته ریاضی و مسائل مربوط به آن)
      13دی1400
      گپی کوتاه با دانشجویان سال اولی دانشگاهها
      22مهر1400
      آیا کائنات با کامپیوترها دشمنی دارد؟
      19شهریور1400

      info@talimestan.com

      لینک های مفید

      • درباره ما
      • ثبت نام
      • حساب کاربری

      توصیه شده

      • تماس با ما
      • درباره ما
      • دوره ها

      نماد اعتماد الکترونیک

      کلیه ی حقوق مادی و معنوی این وبسایت متعلق به شرکت دانش گران هوشمند آکام است.

      با حساب کاربری خود وارد شوید

      رمز عبور خود را فراموش کرده اید؟

      آیا هنوز عضو نشده اید؟ ثبت نام کنید

      یک حساب جدید ثبت کنید

      آیا شما عضو هستید؟ اکنون وارد شوید