این دوره شما را با موضوعات اضافی در یادگیری ماشینی آشنا می کند که مکمل وظایف ضروری از جمله پیش بینی و تجزیه و تحلیل داده های سانسور شده است. شما یاد خواهید گرفت که چگونه داده های تجزیه و تحلیل را با مولفه زمانی و داده های سانسور شده که نیاز به استنتاج نتیجه دارند، پیدا کنید. شما چند تکنیک برای تجزیه و تحلیل سری های زمانی و تجزیه و تحلیل بقا خواهید آموخت. بخش عملی این دوره بر استفاده از بهترین شیوه ها و تأیید مفروضات به دست آمده از یادگیری آماری متمرکز است. در پایان این دوره شما باید بتوانید: چالش های رایج مدل سازی را با داده های سری زمانی شناسایی کنید نحوه تجزیه داده های سری زمانی: روند، فصلی و باقیمانده را توضیح دهید نحوه عملکرد مدل های اتورگرسیو، میانگین متحرک و ARIMA را توضیح دهید نحوه انتخاب و پیاده سازی مدل های مختلف سری زمانی را بدانید روش های مدل سازی خطر و بقا را شرح دهید انواع مشکلات مناسب برای تجزیه و تحلیل بقا را شناسایی کنید چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با تجزیه و تحلیل سری های زمانی و تجزیه و تحلیل بقا هستند، هدف قرار می دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی از پاکسازی داده ها، تجزیه و تحلیل داده های اکتشافی، حساب دیفرانسیل و انتگرال، جبر خطی، یادگیری ماشین نظارت شده، یادگیری ماشین بدون نظارت، احتمال و آمار.

این دوره شما را با معماری ترانسفورماتور و مدل رمزگذار دوطرفه از ترانسفورماتورها (BERT) آشنا می کند. شما در مورد اجزای اصلی معماری ترانسفورماتور، مانند مکانیسم توجه به خود، و نحوه استفاده از آن برای ساخت مدل BERT آشنا می شوید. همچنین در مورد وظایف مختلفی که BERT می تواند برای آنها استفاده شود، مانند طبقه بندی متن، پاسخ به سؤال و استنتاج زبان طبیعی، آشنا می شوید. این دوره تقریباً 45 دقیقه طول می کشد.

در این مقاله، معماری تبدیل‌شده و مدل بازنمودهای رمزگذار دوطرفه از ترانسفورماتورها (BERT) ارائه می‌شود. Aprenderás sobre los componentes principales de la arquitectura de transformadores, como el mecanismo de autoatención, y como se usa para crear el modelo BERT. También aprenderás sobre las diferentes tareas para las que puede usarse BERT، como la clasificación de texto، la respuesta de preguntas y la inferencia de lenguaje natural. زمان تقریبی 45 دقیقه و تکمیل آن.

Ce cours presente l'architecture Transformer et le modèle BERT (بازنمودهای رمزگذار دو جهته از ترانسفورماتورها). Vous découvrirez quels sont les principaux composants de l'architecture Transformer, teles que le mécanisme d'auto-attention, et comment ils sont utilisés pour créer un modele BERT. Vous verrez également les différentes tâches pour lesquelles le modèle BERT peut être utilisé، comme la classification de texte، les question-responses و l'inférence en langage naturel. دوره های آموزشی در محیطی 45 دقیقه.

Questo corso همه‌ی ترانسفورماتور و مدل BERT (نمایندگی رمزگذار دوطرفه از ترانسفورماتور) را معرفی می‌کند. Scopri i componenti principali dell'architettura transformer, come il meccanismo di auto attenzione, e come viene utilizata per creare il modello BERT. Imparerai anche le diverse attività per le quali può essere utilizzato il modello BERT, come la classificazione del testo, la risposta alle domande e l'inferenza del linguaggio naturale. در حدود 45 دقیقه در questo corso richieda کامل می شود.

این مقاله به معرفی تبدیل رمزگذار و مدل بازنمودهای رمزگذار دو جهته از ترانسفورماتورها (BERT، na sigla em inglês) می‌پردازد. Você vai aprender sobre os principais componentes da arquitetura de transformador, como o mecanismo de autoatenção, e como eles são usados ​​para construir o modelo de BERT. Também vai conhecer as diferentes tarefas onde é possível usar o BERT، como classificação de texto، repostas a perguntas e inferência de linguagem natural. O curso leva تقریبی 45 دقیقه.

בקורס הזה נציג את הארכיטקטורה של טרנספורמרים ואת המודל יםודל שולי של מקודד מטרנספורמרים (BERT). תלמדו על החלקים השונים בארכיטקטורת הטרנספורמר، כלמו מנשתון התפקיד שלו בבניית מודל BERT. תלמדו גם על המשימות השונות שאפשר להשתש ב-BERT כדי לבצע אוכונוס מענה על שאלות והֶקֵּשׁ משפה בעית. נדרשות כ-45 דקות כדי להשלים את הקורס הזה.

Kursus ini memperkenalkan Anda pada arsitektur Transformer dan model Representasi Encoder Dua Arah dari Transformer (نمایندگی رمزگذار دوطرفه از Transformers atau BERT). Anda akan belajar tentang komponen utama arsitektur Transformer, seperti mekanisme self-attention, dan cara penggunaannya untuk membangun model BERT. Anda juga akan belajar tentang berbagai tugas yang dapat memanfaatkan BERT, seperti klasifikasi teks, menjawab pertanyaan, dan inferensi language natural. Kursus ini diperkirakan memakan waktu sekitar 45 menit untuk menyelesaikannya.

本课程向您介绍 ترانسفورماتور 架构和 بازنمایی رمزگذار دو جهته از ترانسفورماتورها (BERT) 模型。您将了解 ترانسفورماتور意力机制，以及该架构如何用于构建 BERT 模型。您还将了解可以使用 BERT 的不同任务，例如文本分类、问答和自然语言推理。完成本课程估课程估计需

這堂課程將說明變換器架構，以及基於變換器的雙向編碼器表示技術 (BERT)變換器架構的主要組成 (如自我注意力機制) 和如何用架構建立 BERT 模型。椑 ，也會介紹 BERT 適用的各種任務，像是文字分類、問題回答和自然語言文字分類、問題回答和自然語言推論4鐘.

در این دوره که در دانشکده تجارت Darden در دانشگاه ویرجینیا توسعه یافته و توسط اساتید برتر تدریس می شود، در مورد ظهور یک داستان جدید در مورد تجارت بحث خواهیم کرد. این داستان جدید کسب و کار را در یک چارچوب اجتماعی قرار می دهد. تقریباً هر کسب‌وکاری علاوه بر سهامداران و سایر تأمین‌کنندگان مالی، ارزشی را برای مشتریان، تأمین‌کنندگان، کارکنان، جوامع و جامعه ایجاد یا از بین می‌برد. تعدادی از مدل های جدید کسب و کار را می توان بر اساس این ایده ایجاد کرد، مانند مسئولیت پذیری شرکتی، بشردوستی، ارزش مشترک و پایداری. سود و ارزش سهامداران با هم هستند و این دوره نحوه انجام آن را توضیح می دهد. جلسه آخر به بررسی این ایده می پردازد که چگونه می توان به یک کارآفرین ذینفع تبدیل شد و کسب و کاری ایجاد کرد که پول درآورد و جهان را به مکانی بهتر تبدیل کرد.

به مدل های خطی پیشرفته برای علم داده کلاس 1: حداقل مربعات خوش آمدید. این کلاس مقدمه ای بر حداقل مربعات از منظر جبری خطی و ریاضی است. قبل از شروع کلاس مطمئن شوید که موارد زیر را دارید: - درک اولیه از جبر خطی و حساب دیفرانسیل و انتگرال چند متغیره. - درک اولیه از آمار و مدل های رگرسیون. - حداقل آشنایی کمی با ریاضیات مبتنی بر اثبات. - آشنایی اولیه با زبان برنامه نویسی R پس از گذراندن این دوره، دانش‌آموزان پایه محکمی در درمان جبری خطی مدل‌سازی رگرسیون خواهند داشت. این به میزان زیادی درک عمومی دانشمندان داده کاربردی از مدل‌های رگرسیون را افزایش می‌دهد.

به مدل های خطی پیشرفته برای علم داده کلاس 2: مدل های خطی آماری خوش آمدید. این کلاس مقدمه ای بر حداقل مربعات از منظر جبری خطی و ریاضی است. قبل از شروع کلاس مطمئن شوید که موارد زیر را دارید: - درک اولیه از جبر خطی و حساب دیفرانسیل و انتگرال چند متغیره. - درک اولیه از آمار و مدل های رگرسیون. - حداقل آشنایی کمی با ریاضیات مبتنی بر اثبات. - آشنایی اولیه با زبان برنامه نویسی R پس از گذراندن این دوره، دانش‌آموزان پایه محکمی در درمان جبری خطی مدل‌سازی رگرسیون خواهند داشت. این به میزان زیادی درک عمومی دانشمندان داده کاربردی از مدل‌های رگرسیون را افزایش می‌دهد.

در دوره پایانی برنامه مدل‌سازی آماری برای علم داده، فراگیران مجموعه گسترده‌ای از ابزارهای مدل‌سازی آماری پیشرفته‌تر را مطالعه خواهند کرد. چنین ابزارهایی شامل مدل های خطی تعمیم یافته (GLM) خواهند بود که مقدمه ای برای طبقه بندی (از طریق رگرسیون لجستیک) ارائه می دهند. مدل‌سازی ناپارامتریک، از جمله تخمین‌گرهای هسته، هموارسازی خطوط. و مدل های افزایشی تعمیم یافته نیمه پارامتریک (GAMs). تاکید بر درک مفهومی محکم از این ابزارها خواهد بود. همچنین به مسائل اخلاقی مطرح شده با استفاده از مدل‌های آماری پیچیده توجه خواهد شد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، گذراند. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید. لوگوی اقتباس شده از عکس وینسنت لدوینا در Unsplash

هدف این دوره آموزش مفاهیم مدل های داده بالینی و مدل های داده رایج است. پس از اتمام این دوره، فراگیران می‌توانند طرح‌های مدل داده‌ها را با استفاده از نمودارهای نهادی-رابطه (ERDs) تفسیر و ارزیابی کنند، بین مدل‌های داده تمایز قائل شوند و نحوه استفاده از هر کدام برای حمایت از مراقبت‌های بالینی و علم داده را بیان کنند، و عبارات SQL را در Google ایجاد کنند. BigQuery برای پرس و جو از مدل داده های بالینی MIMIC3 و مدل داده های رایج OMOP.

چشم انداز شغلی برای کسانی که واجد شرایط کار در تجزیه و تحلیل داده های مراقبت های بهداشتی هستند، روشن است. شاید شما در تجزیه و تحلیل داده ها کار می کنید، اما به فکر انتقال به بخش مراقبت های بهداشتی هستید که در آن کار شما می تواند کیفیت زندگی افراد را بهبود بخشد. اگر چنین است، این دوره به شما نگاهی اجمالی به این موضوع می دهد که چرا این کار اهمیت دارد، چه کاری در این نقش انجام می دهید، و چه چیزی در مسیر ارزش که در آن داده ها از بیماران در محل مراقبت جمع آوری می شود، به انبارهای داده منتقل می شود. برای تجزیه و تحلیل آماده شود، سپس در طول خط لوله داده حرکت می کند تا به بینش های ارزشمندی تبدیل شود که می تواند جان انسان ها را نجات دهد، هزینه ها را کاهش دهد، مراقبت های بهداشتی را بهبود بخشد و آن را در دسترس تر و مقرون به صرفه تر کند. شاید شما در بخش مراقبت های بهداشتی کار می کنید اما در حال بررسی انتقال به یک نقش جدید هستید. اگر چنین است، این دوره به شما کمک می کند ببینید آیا این مسیر شغلی یکی از مواردی است که می خواهید دنبال کنید. شما یک نمای کلی از مدل های داده رایج و کاربردهای آن ها دریافت خواهید کرد. شما یاد خواهید گرفت که چگونه سیستم های مختلف داده ها را یکپارچه می کنند، چگونه از ارتباطات واضح اطمینان حاصل کنید، کیفیت داده ها را اندازه گیری و بهبود بخشید. تجزیه و تحلیل داده ها در مراقبت های بهداشتی به پزشکان، پزشکان، بیماران، ارائه دهندگان مراقبت و کسانی که تجارت بهبود نتایج سلامت را انجام می دهند، خدمت می کند. این دوره از مطالعه تصویر واضحی از تجزیه و تحلیل داده ها در زمینه مراقبت های بهداشتی در حال تغییر امروز و فرصت هایی که برای شما دارد به شما می دهد.

در پنجمین دوره تخصصی Deep Learning با مدل های توالی و کاربردهای هیجان انگیز آنها مانند تشخیص گفتار، سنتز موسیقی، چت بات ها، ترجمه ماشینی، پردازش زبان طبیعی (NLP) و غیره آشنا می شوید. در پایان، می‌توانید شبکه‌های عصبی بازگشتی (RNN) و انواع پرکاربرد مانند GRU و LSTM را بسازید و آموزش دهید. RNN ها را برای مدل سازی زبان در سطح کاراکتر اعمال کنید. کسب تجربه با پردازش زبان طبیعی و تعبیه کلمه. و از توکن سازها و مدل های ترانسفورماتور HuggingFace برای حل وظایف مختلف NLP مانند NER و Question Answering استفاده کنید. Deep Learning Specialization یک برنامه اساسی است که به شما کمک می کند توانایی ها، چالش ها و پیامدهای یادگیری عمیق را درک کنید و شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده کند. این مسیری را برای شما فراهم می کند تا گامی قطعی در دنیای هوش مصنوعی بردارید و به شما کمک می کند دانش و مهارت هایی را برای ارتقاء سطح حرفه خود به دست آورید.

مدل‌های خطی، همانطور که از نامشان پیداست، یک نتیجه را به مجموعه‌ای از پیش‌بینی‌کننده‌های مورد علاقه با استفاده از مفروضات خطی مرتبط می‌کنند. مدل‌های رگرسیون، زیرمجموعه‌ای از مدل‌های خطی، مهم‌ترین ابزار تحلیل آماری در جعبه ابزار یک دانشمند داده هستند. این دوره تحلیل رگرسیون، حداقل مربعات و استنتاج با استفاده از مدل های رگرسیون را پوشش می دهد. موارد خاص مدل رگرسیون، ANOVA و ANCOVA نیز پوشش داده خواهد شد. تجزیه و تحلیل باقیمانده ها و تنوع بررسی خواهد شد. این دوره تفکر مدرن در مورد انتخاب مدل و استفاده های جدید از مدل های رگرسیون از جمله هموارسازی پراکندگی را پوشش می دهد.

این دوره به زبان آموزان اجازه می دهد تا مدل های رگرسیون را بررسی کنند تا از این مدل ها برای پیش بینی کسب و کار استفاده کنند. برخلاف مدل‌های سری زمانی، مدل‌های رگرسیون مدل‌های علی هستند، که در آن ما متغیرهای خاصی را در کسب‌وکار خود شناسایی می‌کنیم که بر متغیرهای دیگر تأثیر می‌گذارند. رگرسیون ها این علیت را مدل می کنند و سپس می توانیم از این مدل ها برای پیش بینی و سپس برنامه ریزی برای نیازهای کسب و کار خود استفاده کنیم. ما مدل های رگرسیون ساده، مدل های رگرسیون چندگانه، رگرسیون های متغیر ساختگی، رگرسیون های متغیر فصلی و همچنین خودرگرسیون ها را بررسی خواهیم کرد. هر کدام از اینها اشکال مختلفی از مدل‌های رگرسیون هستند که برای سناریوهای تجاری منحصر به فرد به منظور پیش‌بینی و تولید هوش تجاری برای سازمان‌ها طراحی شده‌اند.

این دوره به شما می آموزد که چگونه با استفاده از یادگیری عمیق یک مدل زیرنویس تصویر ایجاد کنید. شما در مورد اجزای مختلف یک مدل شرح تصویر، مانند رمزگذار و رمزگشا، و نحوه آموزش و ارزیابی مدل خود یاد می گیرید. در پایان این دوره، شما قادر خواهید بود مدل های زیرنویس تصویر خود را بسازید و از آنها برای ایجاد زیرنویس برای تصاویر استفاده کنید.