الصفحة الرئيسية>المتعلقة بالبرمجة>شفرة المصدر الأخرى
تنزيل

تعلُّم

سجل مستمر للأشياء التي أتعلمها لبناء مهارات هندسة برمجيات أساسية قوية مع توسيع معرفتي بالتقنيات المجاورة قليلاً كل يوم.

تم التحديث : مرة واحدة في الشهر | التركيز الحالي : الذكاء الاصطناعي التوليدي

المهارات الأساسية

برمجة بايثون

الموارد تقدم
Datacamp: كتابة كود بايثون الفعال ✅
Datacamp: وظائف الكتابة في بيثون ✅
Datacamp: البرمجة الشيئية في بيثون ✅
Datacamp: البرمجة الشيئية المتوسطة في بيثون ✅
Datacamp: استيراد البيانات في لغة بايثون (الجزء الأول) ✅
Datacamp: استيراد البيانات في لغة بايثون (الجزء الثاني) ✅
Datacamp: لغة بايثون المتوسطة لعلوم البيانات ✅
مخيم البيانات: مجموعة أدوات علم بيانات بايثون (الجزء الأول) ✅
مخيم البيانات: مجموعة أدوات علم بيانات بايثون (الجزء الثاني) ✅
Datacamp: تطوير حزم بايثون ✅
معسكر البيانات: أساسيات كوندا ✅
يوتيوب: البرنامج التعليمي: سيباستيان ويتوفسكي - مجموعة أدوات مطور بايثون الحديثة ✅
Datacamp: العمل مع التواريخ والأوقات في بيثون ✅
Datacamp: أتمتة سطر الأوامر في بيثون ⬜
Datacamp: اختبار الوحدة لعلوم البيانات في بايثون ✅
الكتاب: بايثون 201 ⬜
الكتاب: الكتابة الاصطلاحية لبايثون 3 ⬜
الكتاب: التطوير الموجه بالاختبار باستخدام بايثون ⬜
مقال: العديد من أدوات سطر الأوامر المساعدة في بايثون ⬜
المقال: مقدمة مبرمج إلى Unicode ⬜
المقال: مقدمة لتنميط الذاكرة في بايثون ✅
مقال: تحديد ملامح كود بايثون باستخدام Memory_profiler ✅
مقال: كيفية استخدام "memory_profiler" لملف تعريف استخدام الذاكرة بواسطة Python Code؟ ✅

هياكل البيانات والخوارزميات

الموارد تقدم
الكتاب: خوارزميات جروكينج ✅
الكتاب: السيرة الذاتية التقنية من الداخل إلى الخارج ✅
Neetcode: الخوارزميات وهياكل البيانات للمبتدئين ✅
الجرأة: مقدمة إلى هياكل البيانات والخوارزميات ✅

لينكس وسطر الأوامر

الموارد تقدم
Datacamp: مقدمة إلى Shell لعلوم البيانات ✅
Datacamp: مقدمة إلى برمجة Bash ✅
Datacamp: معالجة البيانات في شل ✅
معهد ماساتشوستس للتكنولوجيا: الفصل المفقود ✅
Udacity: أساسيات سطر أوامر Linux ✅
الجرأة: ورشة شل ✅
Udacity: تكوين خوادم الويب Linux ✅

التحكم في الإصدار

الموارد تقدم
Udacity: التحكم في الإصدار باستخدام Git ✅
Datacamp: مقدمة إلى Git لعلوم البيانات ✅
الجرأة: جيثب والتعاون ✅
الجرأة: كيفية استخدام Git وGitHub ✅

قواعد البيانات

الموارد تقدم
Udacity: مقدمة إلى قاعدة البيانات العلائقية ✅
Udacity: مفاهيم وتصميم أنظمة قواعد البيانات ⬜
معسكر البيانات: تصميم قاعدة البيانات ⬜
Datacamp: مقدمة لقواعد البيانات في بايثون ⬜
Datacamp: مقدمة إلى SQL لعلوم البيانات ✅
معسكر البيانات: SQL المتوسطة ⬜
Datacamp: الانضمام إلى البيانات في PostgreSQL ⬜
Udacity: SQL لتحليل البيانات ⬜
Datacamp: تحليل البيانات الاستكشافية في SQL ⬜
Datacamp: تطبيق SQL على مشاكل العالم الحقيقي ⬜
Datacamp: تحليل بيانات الأعمال في SQL ⬜
Datacamp: إعداد التقارير في SQL ⬜
Datacamp: اتخاذ القرارات المستندة إلى البيانات في SQL ⬜
معسكر البيانات: مفاهيم NoSQL ⬜
Datacamp: مقدمة إلى MongoDB في بايثون ⬜

الهندسة الخلفية

الموارد تقدم
الجرأة: المصادقة والترخيص: OAuth ⬜
Udacity: HTTP وخوادم الويب ⬜
Udacity: التواصل بين العميل والخادم ⬜
الجرأة: تصميم واجهات برمجة تطبيقات RESTful ⬜
Datacamp: مقدمة إلى واجهات برمجة التطبيقات في بايثون ⬜
Udacity: الشبكات لمطوري الويب ⬜

تصميم نظام الإنتاج

الموارد تقدم
الكتاب: تصميم أنظمة التعلم الآلي ✅
Neetcode: تصميم النظام للمبتدئين ✅
Neetcode: مقابلة تصميم النظام ✅
Datacamp: تحليلات العملاء واختبار A/B في بايثون ✅
معسكر البيانات: اختبار أ/ب في بايثون ⬜
الجرأة: اختبار أ/ب ⬜
معسكر البيانات: مفاهيم MLOps ✅
Datacamp: مفاهيم مراقبة التعلم الآلي ✅

رياضيات

الموارد تقدم
Datacamp: أسس الاحتمالية في بيثون ✅
معسكر البيانات: مقدمة في الإحصاء ✅
Datacamp: مقدمة في الإحصاء في بايثون ✅
Datacamp: اختبار الفرضيات في بيثون ✅
معسكر البيانات: التفكير الإحصائي في لغة بايثون (الجزء الأول) ✅
معسكر البيانات: التفكير الإحصائي في لغة بايثون (الجزء الثاني) ✅
معسكر البيانات: التصميم التجريبي في بيثون ✅
Datacamp: ممارسة أسئلة المقابلة الإحصائية في بيثون ⬜
edX: الإحصائيات الأساسية لتحليل البيانات باستخدام Excel ✅
الجرأة: مقدمة في الإحصائيات الاستدلالية ✅
معهد ماساتشوستس للتكنولوجيا 18.06 الجبر الخطي، ربيع 2005 ✅
الجرأة: المتجهات الذاتية والقيم الذاتية ✅
الجرأة: تجديد الجبر الخطي ⬜
يوتيوب: جوهر الجبر الخطي ⬜

المعرفة الأساسية للواجهة الأمامية

HTML

الموارد تقدم
Codecademy: تعلم HTML ✅
Codecademy: إنشاء موقع على شبكة الإنترنت ✅
المادة: النص البديل ⬜

CSS

الموارد تقدم
Pluralsight: تحديد المواقع CSS ✅
Pluralsight: مقدمة إلى CSS ✅
Pluralsight: CSS: الخصوصية، نموذج الصندوق، وأفضل الممارسات ✅
Pluralsight: CSS: استخدام Flexbox للتخطيط ✅
مدرسة الكود: الانطلاق باستخدام Bootstrap ✅
تعدد البصر: أساسيات تجربة المستخدم ✅
Codecademy: تعلم SASS ✅
CSS لمطوري جافا سكريبت ✅
مقال: إنشاء رسم توضيحي في تصميم Figma ✅
الكتاب: إعادة هيكلة واجهة المستخدم ⬜
يوتيوب: كيفية جعل موقع الويب الخاص بك ليس قبيحًا: تجربة المستخدم الأساسية للمبرمجين ⬜

جافا سكريبت

الموارد تقدم
الجرأة: ES6 - تحسين جافا سكريبت ✅
الجرأة: مقدمة إلى جافا سكريبت ✅
الجرأة: كائنية التوجه JS 1 ✅
الجرأة: وجوه المنحى JS 2 ✅
Udemy: فهم الآلة الكاتبة ✅
Codecademy: تعلم جافا سكريبت ✅
أكاديمية الكود: مسار مسج ✅
Pluralsight: استخدام أدوات مطوري Chrome ✅

موضوعات متخصصة

التعلم الآلي

الموارد تقدم
مقال: نظرة عامة على خوارزميات تحسين النسب المتدرجة ✅
الكتاب: التدريب العملي على التعلم الآلي باستخدام Scikit-Learn وKeras وTensorFlow، الإصدار الثاني ⬜
الكتاب: كتاب تمهيدي للتعلم الآلي ✅
كتاب: اصنع شبكتك العصبية الخاصة ✅
الكتاب: تعلم الآلة ✅
الكتاب: الدليل المصور StatQuest للتعلم الآلي ✅
Fast.ai: التعلم العميق العملي للمبرمجين (الجزء الأول) ✅
Fast.ai: التعلم العميق العملي للمبرمجين (الجزء الثاني) ⬜
Datacamp: طرق المجموعة في بيثون ✅
Datacamp: تعزيز التدرج الشديد باستخدام XGBoost ⬜
Datacamp: طرق التجميع باستخدام SciPy ✅
معسكر البيانات: التعلم غير الخاضع للرقابة في بيثون ✅
الجرأة: التجزئة والتكتل ✅
Datacamp: مقدمة إلى بايثون لعلوم البيانات ✅
edX: تنفيذ التحليلات التنبؤية باستخدام Spark في Azure HDInsight ✅
Datacamp: التعلم الخاضع للإشراف باستخدام scikit-Learn ✅
Datacamp: التعلم الآلي باستخدام النماذج المستندة إلى الأشجار في بايثون ✅
Datacamp: المصنفات الخطية في بيثون ✅
Datacamp: الشبكات العصبية التلافيفية لمعالجة الصور ✅
Datacamp: التحقق من صحة النموذج في بيثون ✅
Datacamp: ضبط المعلمة الفائقة في بايثون ✅
Datacamp: تحليلات الموارد البشرية في بيثون: التنبؤ بحركة الموظفين ✅
Datacamp: التنبؤ بحركة العملاء في بيثون ✅
معسكر البيانات: تخفيض الأبعاد في بيثون ✅
Datacamp: المعالجة المسبقة للتعلم الآلي في بيثون ✅
Datacamp: أنواع البيانات لعلم البيانات ✅
Datacamp: تنظيف البيانات في بايثون ✅
Datacamp: هندسة الميزات للتعلم الآلي في بيثون ✅
Datacamp: توقع نسبة النقر إلى الظهور باستخدام التعلم الآلي في بايثون ✅
Datacamp: مقدمة للمفاهيم المالية باستخدام بايثون ✅
Datacamp: كشف الاحتيال في بيثون ✅
كارباثي: الشبكات العصبية: من الصفر إلى البطل ✅
مقال: تهيئة الوزن في الشبكات العصبية: رحلة من الأساسيات إلى Kaiming ⬜

معالجة اللغات الطبيعية

الموارد تقدم
كتاب: معالجة اللغة الطبيعية بالمحولات ✅
ستانفورد CS224U: فهم اللغة الطبيعية | ربيع 2019 ✅
ستانفورد CS224N: ستانفورد CS224N: البرمجة اللغوية العصبية مع التعلم العميق | شتاء 2019 ✅
CMU: معسكر تدريب البرمجة اللغوية العصبية منخفض الموارد 2020 ✅
جامعة كارنيجي ميلون البرمجة اللغوية العصبية متعددة اللغات 2020 ✅
Datacamp: هندسة الميزات للبرمجة اللغوية العصبية في بايثون ✅
Datacamp: أساسيات معالجة اللغة الطبيعية في بيثون ✅
Datacamp: التعبيرات العادية في بيثون ✅
Datacamp: RNN لنمذجة اللغة ✅
Datacamp: إنشاء اللغة الطبيعية في بايثون ✅
Datacamp: بناء Chatbots في بايثون ✅
Datacamp: تحليل المشاعر في بيثون ✅
Datacamp: الترجمة الآلية في بايثون ✅
مقال: الفعالية غير المعقولة للمتضافرات ⬜
مقال: FuzzyWuzzy: مطابقة السلسلة الغامضة في بايثون ✅
مقال: شرح مامبا ⬜
مقال: دليل مرئي لنماذج مامبا ودولة الفضاء ⬜
مقال: أساسيات التكمية مع العناق ✅

الذكاء الاصطناعي التوليدي

نظرية LLM

الموارد تقدم
المقال: SolidGoldMagikarp (إضافة إلى الإنشاء الفوري) ⬜
DeepLearning.AI: التدريب المسبق على LLMs ✅
DeepLearning.AI: كيف تعمل نماذج الانتشار ⬜
كارباثي: مقدمة إلى نماذج اللغات الكبيرة [ 1hr ] ✅
كارباثي: لنبني أداة GPT Tokenizer [ 2hr13m ] ✅
كارباثي: لنعيد إنتاج GPT-2 (124 مليونًا) [ 4hr1m ] ⬜
يوتيوب: دليل المتسللين لنماذج اللغة [ 1hr30m ] ✅
يوتيوب: 5 سنوات من GPTs مع Finbarr Timbers ⬜
المادة: أخذ العينات لتوليد النص ⬜
DeepLearning.AI: تعزيز التعلم من ردود الفعل البشرية ✅
يوتيوب: شرح LLaMA: KV-Cache، التضمين الموضعي الدوار، RMS Norm، تنبيه الاستعلام المجمع، SwiGLU [ 1h10m ] ⬜

استرجاع المعلومات / RAG

الموارد تقدم
نماذج لغة المحولات المدربة مسبقًا للبحث - الجزء الأول ⬜
نماذج لغة المحولات المدربة مسبقًا للبحث - الجزء 2 ⬜
نماذج لغة المحولات المدربة مسبقًا للبحث - الجزء 3 ⬜
نماذج لغة المحولات المدربة مسبقًا للبحث - الجزء 4 ⬜
فهم مؤشر IVF-PQ الخاص بـ LanceDB ⬜
القليل من التجميع يقطع شوطا طويلا بالنسبة للتمثيلات متعددة المتجهات ✅
دورة استرجاع Fullstack
مقال: مستويات التعقيد: تطبيقات RAG ✅
مقال: تحسين RAG الخاص بك بشكل منهجي ⬜
مقال: توقف عن استخدام LGTM@Few كمقياس (أفضل RAG) ⬜
مقال: الفاكهة المعلقة لبحث RAG ⬜
مقال: ما يجب أن يعرفه مهندسو الذكاء الاصطناعي عن البحث ✅
المقال: تقييم استراتيجيات التقطيع للاسترجاع ⬜
المقال: تضمينات الجملة. مقدمة لتضمين الجملة ⬜
DeepLearning.AI: بناء وتقييم تطبيقات RAG المتقدمة ✅
DeepLearning.AI: قواعد بيانات المتجهات: من التضمين إلى التطبيقات ✅
DeepLearning.AI: الاسترجاع المتقدم للذكاء الاصطناعي باستخدام Chroma ✅
DeepLearning.AI: الضغط الفوري وتحسين الاستعلام ✅
DeepLearning.AI: نماذج اللغات الكبيرة مع البحث الدلالي [ 1hr ] ✅
DeepLearning.AI: بناء التطبيقات باستخدام قواعد بيانات المتجهات ✅
DeepLearning.AI: بناء بحث متعدد الوسائط وRAG ⬜
DeepLearning.AI: الرسوم البيانية المعرفية لـ RAG ⬜
DeepLearning.AI: الوظائف والأدوات والوكلاء مع LangChain ⬜
DeepLearning.AI: بناء RAG الوكيل باستخدام LlamaIndex ⬜
DeepLearning.AI: أنظمة متعددة للذكاء الاصطناعي مع CrewAI ⬜
DeepLearning.AI: أنماط تصميم وكيل الذكاء الاصطناعي مع AutoGen ⬜
DeepLearning.AI: وكلاء الذكاء الاصطناعي في LangGraph ⬜
DeepLearning.AI: بناء وكيل قاعدة البيانات الخاص بك ⬜
DeepLearning.AI: المعالجة المسبقة للبيانات غير المنظمة لتطبيقات LLM ⬜
DeepLearning.AI: تضمين النماذج: من الهندسة المعمارية إلى التنفيذ ✅
كوز الصنوبر: قواعد بيانات المتجهات في الإنتاج للمهندسين المشغولين ⬜
كوز الصنوبر: استرجاع الجيل المعزز ⬜
كوز الصنوبر: دليل LangChain AI ⬜
كوز الصنوبر: طرق التضمين للبحث عن الصور ⬜
كوز الصنوبر: فايس: الدليل المفقود ⬜
كوز الصنوبر: بحث المتجهات في البرية ⬜
كوز الصنوبر: معالجة اللغة الطبيعية للبحث الدلالي ⬜
يوتيوب: تحسين تطبيقات RAG بشكل منهجي ✅
يوتيوب: العودة إلى أساسيات RAG مع جو بيرجوم ✅
يوتيوب: ما وراء أساسيات الاسترجاع من أجل زيادة الجيل (مع بن كلافيه) ✅
يوتيوب: RAG من الصفر 0/14
مقال: LambdaMART في العمق ⬜
مقال: الجيل الموجه مع الخطوط العريضة ✅

الهندسة السريعة

الموارد تقدم
مقال: هندسة OpenAI السريعة ⬜
مقال: أساسيات الحث وكيفية تطبيقها بفعالية ✅
الدورات الأنثروبولوجية ⬜
مقال: الهندسة السريعة (ليليانج ونج) ✅
مقال: الهندسة السريعة 201: الأساليب والأدوات المتقدمة ✅
المادة: تحسين LLMs من أجل الدقة ✅
المادة: الاشعال • الهندسة السريعة ⬜
مقال: نقاط نهاية Anyscale: ميزات وضع JSON واستدعاء الوظائف ⬜
مقال: إنشاء نص موجه باستخدام نماذج لغوية كبيرة ⬜
مقال: بدائل الرؤية GPT-4 ⬜
DeepLearning.AI: هندسة ChatGPT الفورية للمطورين ⬜
DeepLearning.AI: الهندسة السريعة لنماذج الرؤية ⬜
DeepLearning.AI: الهندسة السريعة مع اللاما 2 و3 ⬜
Wandb: هندسة LLM: المخرجات المنظمة ⬜
DeepLearning.AI: استدعاء الوظائف واستخراج البيانات باستخدام LLMs ⬜
السلسلة: الحقن الفوري ⬜
يوتيوب: نظرة عامة سريعة على الهندسة [ 1hr4m ] ✅
يوتيوب: الجيل المنظم مع LLMs ⬜

LLMOps

الموارد تقدم
المقال: أنماط بناء الأنظمة والمنتجات القائمة على LLM ✅
مقال: البنى الناشئة لتطبيقات LLM ✅
مقال: كيفية جعل LLMs تسير بسرعة ⬜
مقال: في الخط السريع! فك التشفير التخميني - نموذج أكبر بـ 10 مرات، بدون تكلفة إضافية ⬜
مقال: تنسيق وحدات معالجة الرسوميات المتعددة: التوسع الفعال لاستدلال LLM ⬜
مقال: الاهتمام بالاستعلام المتعدد هو كل ما تحتاجه ⬜
مقال: مجموعة أدوات تحسين استنتاج المحولات ⬜
DeepLearning.AI: خدمة LLMs بكفاءة ✅
DeepLearning.AI: الاختبار الآلي لـ LLMOps ✅
DeepLearning.AI: تطبيقات Red Teaming LLM ✅
DeepLearning.AI: تقييم وتصحيح نماذج الذكاء الاصطناعي التوليدية باستخدام الأوزان والتحيزات ⬜
DeepLearning.AI: الجودة والسلامة لتطبيقات LLM ⬜
DeepLearning.AI: LLMOps ⬜
DeepLearning.AI: تطبيقات LLM بدون خادم مع Amazon Bedrock ⬜
DeepLearning.AI: التكميم في العمق ⬜
DeepLearning.AI: مقدمة إلى الذكاء الاصطناعي على الجهاز ⬜
مقال: دليل مرئي للتكميم ⬜
المقال: QLoRA وتكميم 4 بت ⬜
مقال: فهم تقدير حجم الذكاء الاصطناعي/ماجستير القانون من خلال التصورات التفاعلية ⬜
المادة: سلسلة الاستدلال LLM: 3. شرح التخزين المؤقت لـ KV ⬜
المادة: سلسلة الاستدلال LLM: 4. التخزين المؤقت لـ KV، نظرة أعمق ⬜
المادة: سلسلة الاستدلال LLM: 5. تشريح أداء النموذج ⬜
يوتيوب: SBTB 2023: تشارلز فراي، المعالجات المتوازية: الاتصالات الماضية والمستقبلية بين LLMs وOS Kernels ⬜
المادة: حساب استنتاج المحولات ⬜

بناء الأنظمة القائمة على LLM

الموارد تقدم
مقال: ما تعلمناه من عام من البناء مع حاملي شهادات LLM ⬜
مقال: كيفية إنشاء واستخدام البيانات الاصطناعية للضبط الدقيق ✅
مقال: منتج الذكاء الاصطناعي الخاص بك يحتاج إلى تقييمات ✅
مقال: تقييمات LLM الخاصة بمهمة محددة والتي تنجح وما لا تنجح ✅
المقال: دولاب الموازنة البيانات لتطبيقات LLM ⬜
مقال: ماجستير في القانون من الخنادق: 10 دروس مستفادة من تفعيل النماذج في GoDaddy ✅
المقال: التقييم وكشف الهلوسة للملخصات المجردة ✅
مقال: أنماط تجربة المستخدم الناشئة لتطبيقات الذكاء الاصطناعي ومساعدي الطيارين ✅
مقال: دليل تدريب LLM للمبتدئين ⬜
مقال: دفع دعم البيانات المنظمة في ChatGPT إلى أقصى حدوده ✅
مقال: GPTed: استخدام GPT-3 للتدقيق النثري الدلالي ✅
المقال: لا تقلق بشأن LLMs ⬜
DeepLearning.AI: ضبط نماذج اللغات الكبيرة ✅
DeepLearning.AI: بناء الأنظمة باستخدام ChatGPT API ⬜
DeepLearning.AI: LangChain لتطوير تطبيقات LLM ⬜
DeepLearning.AI: LangChain: الدردشة مع بياناتك ⬜
DeepLearning.AI: بناء تطبيقات الذكاء الاصطناعي التوليدية باستخدام Gradio ✅
DeepLearning.AI: نماذج مفتوحة المصدر ذات وجه معانق ⬜
DeepLearning.AI: البدء مع ميسترال ⬜
Datacamp: تطوير تطبيقات LLM باستخدام LangChain ⬜
LLMOps: البناء باستخدام LLMs ⬜
المعسكر التدريبي للماجستير في القانون - ربيع 2023 ✅
يوتيوب: مسح للتقنيات لتحقيق أقصى قدر من الأداء LLM ✅
يوتيوب: اللبنات الأساسية لأنظمة ومنتجات LLM: يوجين يان ✅
يوتيوب: الضبط الدقيق لنماذج OpenAI - أفضل الممارسات ✅
يوتيوب: الدورة التدريبية: LLM Fine-Tuning مع Axolotl 0/4
يوتيوب: صقل LLMs 1/5
يوتيوب: تقييم LLM 0/5
يوتيوب: بناء تطبيقات LLM 0/8

المهارات الفنية (المكتبات/الأطر/الأدوات)

أوس

الموارد تقدم
Udemy: مطور AWS معتمد - مشارك 2018 ✅

جانغو

الموارد تقدم
مقال: Django وHTMX وAlpine.js: مواقع الويب الحديثة، JavaScript اختيارية ✅

ماتبلوتليب

الموارد تقدم
معسكر البيانات: مقدمة إلى Seaborn ✅
معسكر البيانات: مقدمة إلى Matplotlib ✅

MLFlow

الموارد تقدم
معسكر البيانات: مقدمة إلى MLFlow ✅

Next.JS

الموارد تقدم
المستندات: ابدأ الإنشاء باستخدام Next.js

الباندا

الموارد تقدم
معسكر البيانات: مؤسسات الباندا ✅
Datacamp: انضمام الباندا لمستخدمي جداول البيانات ✅
Datacamp: معالجة DataFrames باستخدام الباندا ✅
Datacamp: دمج DataFrames مع الباندا ✅
Datacamp: معالجة البيانات باستخدام الباندا ✅
Datacamp: تحسين كود بايثون باستخدام الباندا ✅
Datacamp: استيعاب البيانات المبسطة مع الباندا ✅
Datacamp: تحليل الحملات التسويقية باستخدام الباندا ✅
معسكر البيانات: تحليل نشاط الشرطة مع الباندا ✅

باي تورش

الموارد تقدم
المقال: الأجزاء الداخلية لـ PyTorch ⬜
مقال: أخذ PyTorch كأمر مسلم به ⬜
Datacamp: مقدمة للتعلم العميق باستخدام PyTorch ✅
Datacamp: التعلم العميق المتوسط ​​باستخدام PyTorch ⬜
Datacamp: التعلم العميق للنص باستخدام PyTorch ⬜
Datacamp: التعلم العميق للصور باستخدام PyTorch ⬜
Deeplizard: برمجة الشبكات العصبية - التعلم العميق باستخدام PyTorch ✅

ReactJS

الموارد تقدم
Codecademy: تعلم ReactJS: الجزء الأول ✅
Codecademy: تعلم ReactJS: الجزء الثاني ✅
NexxtJS: أسس التفاعل ⬜

سباسي

الموارد تقدم
Datacamp: البرمجة اللغوية العصبية المتقدمة مع spaCy ✅

تنسورفلو و كيراس

الموارد تقدم
Datacamp: مقدمة إلى TensorFlow في بايثون ✅
Datacamp: التعلم العميق في بيثون ✅
Datacamp: مقدمة للتعلم العميق مع Keras ✅
Datacamp: التعلم العميق المتقدم مع Keras ✅
Deeplizard: Keras - واجهة برمجة تطبيقات الشبكة العصبية للتعلم العميق من Python ✅
الجرأة: مقدمة إلى TensorFlow للتعلم العميق ✅
يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل