https://lyndakade.ir/learning/ai-model-trends-the-latest-you-need-to-know 2026-05-28T21:41:44+03:30 weekly 1 https://dl.lyndakade.ir/courses/2026/05/AI%20Model%20Trends%20-%20The%20Latest%20You%20Need%20to%20Know/preview.webp دوره آموزشی روندهای مدل‌های هوش مصنوعی: آخرین اطلاعاتی که باید بدانید ارائه‌دهندگان بزرگ هوش مصنوعی مدل‌های جدید رو با سرعتی منتشر می‌کنن که دنبال کردنش سخته. این دوره یه مرجع قابل‌اعتماد و جامع رو در اختیارتون قرار می‌ده تا بتونید همه‌چیز رو درک کنید. با پوشش مدل‌های OpenAI، Anthropic، Google Gemini و بهترین مدل‌های متن‌باز (open-weight)، هر ویدیو به جزئیات تازه‌ها می‌پردازه. بررسی می‌کنیم که عملکرد مدل‌ها چطوره، قابلیت‌هاشون چطور کار می‌کنن، هزینه‌هاشون چقدره و آیا این به‌روزرسانی‌ها برای پروژه‌های شما اهمیت دارن یا نه. نگاهی به موارد استفاده توسعه‌دهندگان‌محور، مقایسه‌های بنچمارک و ارزیابی‌های صادقانه در مورد ریسک منسوخ شدن (deprecation risk) خواهیم داشت. برای دریافت آخرین اخبار با ما همراه باشید — این دوره به‌طور منظم به‌روزرسانی می‌شه تا محتواش همیشه جدید و کاربردی بمونه. اهداف یادگیری تفاوت‌های کلیدی بین خانواده‌های اصلی مدل‌های هوش مصنوعی از OpenAI، Anthropic، Google و ارائه‌دهندگان پیشرو متن‌باز را شناسایی کنید. عملکرد مدل‌های هوش مصنوعی را با استفاده از بنچمارک‌ها، معیارهای سرعت و قیمت‌گذاری ارزیابی کنید تا بهترین گزینه را برای یک پروژه معین تعیین کنید. تغییرات در هر نسخه جدید مدل را توصیف کنید و ارتقاهای معنی‌دار را از به‌روزرسانی‌های جزئی تشخیص دهید. از مثال‌ها و موارد استفاده عملی برای انتخاب مدل مناسب برای وظایفی مانند تولید کد، گردش کار چندوجهی و ویژگی‌های عاملی استفاده کنید. چشم‌انداز رقابتی بین OpenAI، Anthropic، Google Gemini و اکوسیستم متن‌باز را توضیح دهید. تعیین کنید که چه زمانی یک نسخه جدید مدل نیاز به اقدام فوری دارد در مقابل چه زمانی امن است که منتظر بمانید. https://dl.lyndakade.ir/courses/2026/05/AI%20Model%20Trends%20-%20The%20Latest%20You%20Need%20to%20Know/preview.webp دوره آموزشی روندهای مدل‌های هوش مصنوعی: آخرین اطلاعاتی که باید بدانید ارائه‌دهندگان بزرگ هوش مصنوعی مدل‌های جدید رو با سرعتی منتشر می‌کنن که دنبال کردنش سخته. این دوره یه مرجع قابل‌اعتماد و جامع رو در اختیارتون قرار می‌ده تا بتونید همه‌چیز رو درک کنید. با پوشش مدل‌های OpenAI، Anthropic، Google Gemini و بهترین مدل‌های متن‌باز (open-weight)، هر ویدیو به جزئیات تازه‌ها می‌پردازه. بررسی می‌کنیم که عملکرد مدل‌ها چطوره، قابلیت‌هاشون چطور کار می‌کنن، هزینه‌هاشون چقدره و آیا این به‌روزرسانی‌ها برای پروژه‌های شما اهمیت دارن یا نه. نگاهی به موارد استفاده توسعه‌دهندگان‌محور، مقایسه‌های بنچمارک و ارزیابی‌های صادقانه در مورد ریسک منسوخ شدن (deprecation risk) خواهیم داشت. برای دریافت آخرین اخبار با ما همراه باشید — این دوره به‌طور منظم به‌روزرسانی می‌شه تا محتواش همیشه جدید و کاربردی بمونه. اهداف یادگیری تفاوت‌های کلیدی بین خانواده‌های اصلی مدل‌های هوش مصنوعی از OpenAI، Anthropic، Google و ارائه‌دهندگان پیشرو متن‌باز را شناسایی کنید. عملکرد مدل‌های هوش مصنوعی را با استفاده از بنچمارک‌ها، معیارهای سرعت و قیمت‌گذاری ارزیابی کنید تا بهترین گزینه را برای یک پروژه معین تعیین کنید. تغییرات در هر نسخه جدید مدل را توصیف کنید و ارتقاهای معنی‌دار را از به‌روزرسانی‌های جزئی تشخیص دهید. از مثال‌ها و موارد استفاده عملی برای انتخاب مدل مناسب برای وظایفی مانند تولید کد، گردش کار چندوجهی و ویژگی‌های عاملی استفاده کنید. چشم‌انداز رقابتی بین OpenAI، Anthropic، Google Gemini و اکوسیستم متن‌باز را توضیح دهید. تعیین کنید که چه زمانی یک نسخه جدید مدل نیاز به اقدام فوری دارد در مقابل چه زمانی امن است که منتظر بمانید. https://dl.lyndakade.ir/courses/2026/05/AI%20Model%20Trends%20-%20The%20Latest%20You%20Need%20to%20Know/0.%20Introduction/01%20-%20Welcome%20to%20AI%20Model%20Trends.mp4 50 2026-05-04T00:00:00+03:30 دوره آموزشی روندهای مدل‌های هوش مصنوعی: آخرین اطلاعاتی که باید بدانید AI Model Trends: The Latest You Need to Know Ray Villalobos https://lyndakade.ir/learning/data-cleaning-with-claude 2026-05-28T21:35:26+03:30 weekly 1 https://dl.lyndakade.ir/courses/2026/05/Data%20Cleaning%20with%20Claude/preview.webp دوره آموزشی پاک‌سازی داده‌ها با Claude وقتی داده‌ها ناهماهنگ، ناقص یا غیرقابل‌اعتماد باشن، کل کار داده‌محور ممکنه به‌هم بریزه. توی این دوره، کریس فرنچ (Chris French)، تحلیلگر داده، به شما نشون می‌ده چطور یک فایل CSV واقعی رو داخل Claude آپلود کنید و با یه گفت‌وگوی ساختاریافته، از صفر تا صد تمیزش کنید؛ طوری که همون حس و دقتی رو بسازید که توی تحلیل‌های حرفه‌ای و تولیدی بهش نیاز دارید. یاد می‌گیرید چطور از Claude بخواید یه دیتاست رو پروفایل کنه، مشکلاتی رو که روی متریک‌های پایین‌دستی اثر می‌ذارن تشخیص بده، مقادیر گمشده و داده‌های تکراری رو رفع کنه، فیلدهای به‌هم‌ریخته رو استاندارد کنه و نتیجه رو با چک‌های هدفمند اعتبارسنجی کنه. علاوه بر این، یاد می‌گیرید تصمیم‌هاتون رو مستندسازی کنید و پرامپت‌هاتون رو به یه گردش‌کار تکرارپذیر تبدیل کنید که بشه توی خروجی‌های ذی‌نفعان، تحلیل‌های موردی، و تحویل‌دادن داده به پایپ‌لاین‌ها دوباره ازش استفاده کرد. اهداف یادگیری از Claude بخواهید یک دیتاست CSV را بررسی و پروفایل کند و ساختار، نوع داده‌ها، الگوهای null و ناسازگاری‌ها را شناسایی کند. مشکلات رایج کیفیت داده شامل داده‌های تکراری، مقادیر گمشده، ناسازگاری‌های فرمت و داده‌های پرت را تشخیص دهید و اولویت‌بندی کنید. استراتژی‌های مناسب پاک‌سازی برای داده‌های تکراری و مقادیر گمشده را بر اساس هدف تحلیل و ملاحظات انتخاب و اجرا کنید. فیلدهای به‌هم‌ریخته شامل داده‌های متنی، دسته‌بندی‌شده، تاریخ و عددی را با الگوهای پرامپت‌نویسی قابل‌استفاده‌مجدد استاندارد و تبدیل کنید. دیتاست پاک‌سازی‌شده را با بررسی‌های پس از پاک‌سازی و چک‌های هدفمند اعتبارسنجی کنید تا برای تحلیل آماده باشد. یک گردش‌کار پاک‌سازی تکرارپذیر و مستند بسازید، همراه با لاگ واضح تصمیم‌ها برای شفافیت و استفاده مجدد. https://dl.lyndakade.ir/courses/2026/05/Data%20Cleaning%20with%20Claude/preview.webp دوره آموزشی پاک‌سازی داده‌ها با Claude وقتی داده‌ها ناهماهنگ، ناقص یا غیرقابل‌اعتماد باشن، کل کار داده‌محور ممکنه به‌هم بریزه. توی این دوره، کریس فرنچ (Chris French)، تحلیلگر داده، به شما نشون می‌ده چطور یک فایل CSV واقعی رو داخل Claude آپلود کنید و با یه گفت‌وگوی ساختاریافته، از صفر تا صد تمیزش کنید؛ طوری که همون حس و دقتی رو بسازید که توی تحلیل‌های حرفه‌ای و تولیدی بهش نیاز دارید. یاد می‌گیرید چطور از Claude بخواید یه دیتاست رو پروفایل کنه، مشکلاتی رو که روی متریک‌های پایین‌دستی اثر می‌ذارن تشخیص بده، مقادیر گمشده و داده‌های تکراری رو رفع کنه، فیلدهای به‌هم‌ریخته رو استاندارد کنه و نتیجه رو با چک‌های هدفمند اعتبارسنجی کنه. علاوه بر این، یاد می‌گیرید تصمیم‌هاتون رو مستندسازی کنید و پرامپت‌هاتون رو به یه گردش‌کار تکرارپذیر تبدیل کنید که بشه توی خروجی‌های ذی‌نفعان، تحلیل‌های موردی، و تحویل‌دادن داده به پایپ‌لاین‌ها دوباره ازش استفاده کرد. اهداف یادگیری از Claude بخواهید یک دیتاست CSV را بررسی و پروفایل کند و ساختار، نوع داده‌ها، الگوهای null و ناسازگاری‌ها را شناسایی کند. مشکلات رایج کیفیت داده شامل داده‌های تکراری، مقادیر گمشده، ناسازگاری‌های فرمت و داده‌های پرت را تشخیص دهید و اولویت‌بندی کنید. استراتژی‌های مناسب پاک‌سازی برای داده‌های تکراری و مقادیر گمشده را بر اساس هدف تحلیل و ملاحظات انتخاب و اجرا کنید. فیلدهای به‌هم‌ریخته شامل داده‌های متنی، دسته‌بندی‌شده، تاریخ و عددی را با الگوهای پرامپت‌نویسی قابل‌استفاده‌مجدد استاندارد و تبدیل کنید. دیتاست پاک‌سازی‌شده را با بررسی‌های پس از پاک‌سازی و چک‌های هدفمند اعتبارسنجی کنید تا برای تحلیل آماده باشد. یک گردش‌کار پاک‌سازی تکرارپذیر و مستند بسازید، همراه با لاگ واضح تصمیم‌ها برای شفافیت و استفاده مجدد. https://dl.lyndakade.ir/courses/2026/05/Data%20Cleaning%20with%20Claude/1.%20Clean%20Data%20with%20Claude/01%20-%20Audit%20your%20data.mp4 328 2026-05-04T00:00:00+03:30 دوره آموزشی پاک‌سازی داده‌ها با Claude Data Cleaning with Claude Chris French https://lyndakade.ir/learning/using-spatial-data-in-ai-workflows 2026-05-28T21:32:34+03:30 weekly 1 https://dl.lyndakade.ir/courses/2026/05/Using%20Spatial%20Data%20in%20AI%20Workflows/preview.webp دوره آموزشی استفاده از داده‌های مکانی در گردش‌کارهای هوش مصنوعی هوش مصنوعی (AI) داره نحوه‌ی تحلیل، تفسیر و تعامل ما با داده‌های مکانی (spatial data) رو متحول می‌کنه، و این دوره به شما نشون می‌ده چطور در خط مقدم این تغییر قرار بگیرید. با مت فورست (Matt Forrest)، متخصص داده‌های ژئواسپشیال، همراه بشید تا یاد بگیرید مدل‌های زبانی (language models) چطور کار می‌کنن، چه مزایایی دارن و چه محدودیت‌هایی موقع استفاده برای داده‌های مکانی دارن. شما یاد می‌گیرید چطور یه ابزار مکانی مبتنی بر هوش مصنوعی رو طراحی و محدوده‌بندی (scope) کنید؛ ابزاری که معماری واضح، مرزهای منطقی و مرحله‌ی بازبینی انسانی داشته باشه. راه‌هایی رو برای ساخت یه یکپارچه‌سازی MCP (MCP integration) کشف می‌کنید که به Claude اجازه می‌ده اطلاعات مکانی رو تحلیل و به اون‌ها پاسخ بده. همچنین، یه گردش کار عاملی (agentic workflow) می‌سازید که بینش‌های مبتنی بر مکان رو به وظایف مبتنی بر زبان متصل می‌کنه. در نهایت، یاد می‌گیرید چطور یه اپلیکیشن نقشه پویا (dynamic map application) بسازید که از هوش مصنوعی برای فیلتر کردن نتایج و تعامل لحظه‌ای با داده‌های مکانی استفاده می‌کنه. این دوره برای توسعه‌دهندگان هوش مصنوعی، تحلیلگران داده، و متخصصان ژئواسپشیال و GIS ایده‌آل هست. اهداف یادگیری درک نحوه‌ی کار مدل‌های زبانی و مزایا و محدودیت‌های آن‌ها در کار با داده‌های مکانی ایجاد و طراحی دامنه (scope) برای یک ابزار مکانی مبتنی بر هوش مصنوعی با دامنه کامل، معماری، محدودیت‌های منطقی و بازبینی انسانی توسعه و ساخت یکپارچه‌سازی MCP برای تحلیل و ارائه اطلاعات مکانی با Claude ساخت یک گردش کار عاملی برای اتصال بینش‌های مبتنی بر مکان به یک گردش کار مبتنی بر زبان ایجاد یک اپلیکیشن نقشه که از هوش مصنوعی برای فیلتر کردن نتایج و جابجایی نقشه استفاده می‌کند https://dl.lyndakade.ir/courses/2026/05/Using%20Spatial%20Data%20in%20AI%20Workflows/preview.webp دوره آموزشی استفاده از داده‌های مکانی در گردش‌کارهای هوش مصنوعی هوش مصنوعی (AI) داره نحوه‌ی تحلیل، تفسیر و تعامل ما با داده‌های مکانی (spatial data) رو متحول می‌کنه، و این دوره به شما نشون می‌ده چطور در خط مقدم این تغییر قرار بگیرید. با مت فورست (Matt Forrest)، متخصص داده‌های ژئواسپشیال، همراه بشید تا یاد بگیرید مدل‌های زبانی (language models) چطور کار می‌کنن، چه مزایایی دارن و چه محدودیت‌هایی موقع استفاده برای داده‌های مکانی دارن. شما یاد می‌گیرید چطور یه ابزار مکانی مبتنی بر هوش مصنوعی رو طراحی و محدوده‌بندی (scope) کنید؛ ابزاری که معماری واضح، مرزهای منطقی و مرحله‌ی بازبینی انسانی داشته باشه. راه‌هایی رو برای ساخت یه یکپارچه‌سازی MCP (MCP integration) کشف می‌کنید که به Claude اجازه می‌ده اطلاعات مکانی رو تحلیل و به اون‌ها پاسخ بده. همچنین، یه گردش کار عاملی (agentic workflow) می‌سازید که بینش‌های مبتنی بر مکان رو به وظایف مبتنی بر زبان متصل می‌کنه. در نهایت، یاد می‌گیرید چطور یه اپلیکیشن نقشه پویا (dynamic map application) بسازید که از هوش مصنوعی برای فیلتر کردن نتایج و تعامل لحظه‌ای با داده‌های مکانی استفاده می‌کنه. این دوره برای توسعه‌دهندگان هوش مصنوعی، تحلیلگران داده، و متخصصان ژئواسپشیال و GIS ایده‌آل هست. اهداف یادگیری درک نحوه‌ی کار مدل‌های زبانی و مزایا و محدودیت‌های آن‌ها در کار با داده‌های مکانی ایجاد و طراحی دامنه (scope) برای یک ابزار مکانی مبتنی بر هوش مصنوعی با دامنه کامل، معماری، محدودیت‌های منطقی و بازبینی انسانی توسعه و ساخت یکپارچه‌سازی MCP برای تحلیل و ارائه اطلاعات مکانی با Claude ساخت یک گردش کار عاملی برای اتصال بینش‌های مبتنی بر مکان به یک گردش کار مبتنی بر زبان ایجاد یک اپلیکیشن نقشه که از هوش مصنوعی برای فیلتر کردن نتایج و جابجایی نقشه استفاده می‌کند https://dl.lyndakade.ir/courses/2026/05/Using%20Spatial%20Data%20in%20AI%20Workflows/0.%20Introduction/01%20-%20Unlocking%20the%20power%20of%20spatial%20data%20in%20AI%20workflows.mp4 52 2026-05-04T00:00:00+03:30 دوره آموزشی استفاده از داده‌های مکانی در گردش‌کارهای هوش مصنوعی Using Spatial Data in AI Workflows Matt Forrest