Train custom object detector with Detectron2 | Computer vision tutorial

https://www.youtube.com/watch?v=i54_GHj-wkY

Bookmark note on map | GeoDjango tutorial series

https://www.youtube.com/playlist?list=PLyWyQBSWLw1OUfqcPzO6AceuGpC5gr-_n

Deep learning for satellite imagery

https://www.youtube.com/playlist?list=PLyWyQBSWLw1MGjBAFaO62JMacKHT6_lvs

Large Language Models (LLMs)

https://www.youtube.com/playlist?list=PLz-ep5RbHosU2hnz5ejezwaYpdMutMVB0

Top 100 Most Liked Data Structures and Algorithm Problems

https://medium.com/techie-delight/top-100-most-liked-data-structures-and-algorithm-problems-29b8fc347db0

A Deep Dive into Object Segmentation : Framing Pixel

https://www.youtube.com/playlist?list=PLfYPZalDvZDI9jLmgXgUgBOz7YCNlT8DP

Try Flask API Development

https://www.youtube.com/playlist?list=PLOLrQ9Pn6caxBM0vaSzJdN4uD9V-DZ82L

Test-Driven Development With Django

https://www.youtube.com/playlist?list=PLEt8Tae2spYlWWMN5azuYjvoItXDkQ1DQ

هوش مصنوعی و یادگیری ماشین

https://www.youtube.com/playlist?list=PLPfOgUTsNpx6jz7rWRN7GIsNiZBgUUnFJ

Udemy – The Complete Course of GNS3 2024 2023

این دوره جامع به گونه ای طراحی شده است که متخصصان فناوری اطلاعات ، مهندسان/مدیران شبکه ، تحلیلگران امنیت ، علاقه مندان به فناوری و دانشجویان شبکه … بتوانند GNS3 (شبیه ساز شبکه گرافیکی-3) را از ابتدا یاد بگیرند تا از آن به صورت عملی و حرفه ای استفاده کنند .
مقدمه ای بر GNS3 و دینامیک دوره
برای شبیه سازی شبکه، GNS3 را پیمایش، نصب و مدیریت کنید
توپولوژی های شبکه متنوعی ایجاد کنید و سرویس های حیاتی مانند VLAN، DHCP و DNS را پیاده سازی کنید
اقدامات امنیتی از جمله NAT و تنظیمات فایروال را اجرا کنید
مشکلات رایج شبکه را به طور موثر تشخیص داده و حل کنید
GNS3 VM، نصب های فایروال را کاوش کنید و آنها را در سناریوهای عملی اعمال کنید
مهارت های کسب شده را در پروژه های نهایی جامع به کار ببرید و مهارت خود را در طراحی و پیکربندی شبکه به نمایش بگذارید.
تسلط و کاربرد کاملاً بر تمام عملکردهای GNS3
https://downloadly.ir/elearning/video-tutorials/the-complete-course-of-gns3/

Udemy – 2024 Bootcamp: Generative AI + LLM App Development

هوش مصنوعی مولد + توسعه برنامه LLM 2024. این بوت کمپ آنلاین یک نسخه فشرده و سریع از برنامه 400 ساعته استاد حضوری ما است. دارای دو بخش است:

– در قسمت 1، کلیدهای هوش مصنوعی و هوش مصنوعی مولد جدید و همچنین پتانسیل آن برای متحول کردن کسب و کارها، استارت آپ ها و اشتغال را خواهید آموخت.

– در قسمت 2، ساختن برنامه های LLM در سطح حرفه ای، بالقوه ترین برنامه های کاربردی هوش مصنوعی مولد را یاد خواهید گرفت

https://downloadly.ir/elearning/video-tutorials/bootcamp-generative-ai-llm-app-development/

Large Language Models (LLM's)

https://www.youtube.com/playlist?list=PLreVlKwe2Z0RTjOscF7ASiQX2lTrvnsuU

https://t.me/Pythonforeveryone

شما را با کتابخانه PyTorch آشنا می کند و مبحث شبکه های عصبی برای بینایی رایانه‌ای، پیش بینی سری زمانی، NLP، یادگیری تقویتی، GAN، و غیره را توضیح می دهد. PyTorch یک کتابخانه متن باز یادگیری ماشین است که توسط Facebook AI Research Lab ساخته شده و برای برنامه هایی نظیر بینایی رایانه ای و پردازش زبان‌های طبیعی مورد استفاده قرار می گیرد.

https://downloadly.ir/elearning/video-tutorials/pytorch-deep-learning-and-artificial-intelligence-1/

معماری جاسازی مشترک (Joint-Embedding Architecture)
به نوعی مدل یادگیری ماشین اشاره دارد که در آن انواع یا روش‌های داده‌ای متعدد (مانند متن، تصویر، صدا) در یک فضای بازنمایی مشترک نگاشت می‌شوند. هدف تولید داده‌های جدید نیست، بلکه درک روابط بین این روش‌ها است، به طوری که، برای مثال، یک تصویر بتواند با متن توصیفی مرتبط شود یا برعکس.

جاسازی: تبدیل داده‌ها از یک فضا به فضای دیگر، معمولاً فضایی با ابعاد پایین‌تر که در آن روابط معنایی یا ساختاری حفظ می‌شوند.

اتصال: ایده‌ای که این جاسازی‌ها به گونه‌ای ایجاد می‌شوند که می‌توان آنها را صرف نظر از شکل اصلی‌شان، با هم مقایسه یا درک کرد.
چرا از معماری‌های Joint-Embedding استفاده کنیم؟
1-امکان بازیابی اطلاعات از انواع مختلف داده را فراهم می‌کند. برای مثال، یافتن تصاویر با توصیف آنها در متن.
2-با تطبیق پروفایل‌های کاربر (داده‌های متنی) با موارد (تصاویر، ویدیوها) تجربه کاربری را بهبود بخشید.
3-عملکرد را در وظایفی که درک بیش از یک روش، زمینه غنی‌تری را فراهم می‌کند.

برای درک بهتر معماری Joint Embedding Predictive و Joint Embedding به این ویدئو مراجعه کنید تا درک بهتری داشته باشید
https://www.youtube.com/watch?v=vhDLp2VeVwE&pp=ygUiIEpvaW50IEVtYmVkZGluZyBQcmVkaWN0aXZlIHB5dGhvbg%3D%3D

کنترل پیش‌بینی مدل (Model Predictive Control یا MPC) یکی از پیشرفته‌ترین و قدرتمندترین روش‌های کنترل به‌ویژه در سیستم‌های چندمتغیره و با محدودیت است و می توان جایگزین یادگیری تقویتی (Reinforcement Learning) کرد.

کنترل پیش‌بینی مدل (MPC) یک روش کنترل بهینه است که در آن مدل دینامیکی سیستم برای پیش‌بینی رفتار آینده آن استفاده می‌شود.در هر لحظه، یک مسئله بهینه‌سازی حل می‌شود تا یک دنباله از اعمال کنترلی (ورودی‌ها) به دست آید. فقط اولین ورودی از این دنباله اعمال می‌شود و سپس سیستم دوباره اندازه‌گیری شده و فرایند تکرار می‌شود (بازخورد بسته).
مراحل اصلی MPC
1.پیش‌بینی رفتار آینده سیستم با استفاده از مدل ریاضی
2.تعریف تابع هدف (Cost Function) مثل کمینه کردن خطا + مصرف انرژی + سایر هزینه‌ها.
3.اعمال محدودیت‌ها روی ورودی، خروجی یا حالت سیستم (مانند محدودیت فیزیکی یا ایمنی)
4.حل بهینه‌سازی (معمولاً یک مسئله Quadratic Programming یا غیرخطی).
5.اعمال اولین ورودی محاسبه شده
6.تکرار فرآیند در گام زمانی بعدی.
برای مطالعه بیشتر به آدرس زیر مراجعه کنید
https://www.do-mpc.com/en/latest/