در این دوره، ما با برخی از خدمات شروع می کنیم که مدل آموزشی و استنتاج خام توسط آمازون برای شما انجام می شود. ما خدماتی را پوشش خواهیم داد که کارهای سنگین بینایی کامپیوتر، استخراج و تجزیه و تحلیل داده ها، پردازش زبان، تشخیص گفتار، ترجمه، آموزش مدل ML و عوامل مجازی را انجام می دهند. شما به راه حل های فعلی خود فکر خواهید کرد و خواهید دید که کجا می توانید این راه حل ها را با استفاده از هوش مصنوعی، ML یا یادگیری عمیق بهبود بخشید. همه این راه حل ها می توانند با برنامه های فعلی شما کار کنند تا در تجربه کاربری یا نیازهای تجاری برنامه شما پیشرفت هایی ایجاد کنند.

این دوره یک درک اساسی از مدل های یادگیری ماشین (رگرسیون لجستیک، پرسپترون های چندلایه، شبکه های عصبی کانولوشن، پردازش زبان طبیعی و غیره) ارائه می دهد و نشان می دهد که چگونه می توانند مشکلات پیچیده در صنایع مختلف، از تشخیص پزشکی گرفته تا تشخیص تصویر تا پیش بینی متن را حل کنند. از طریق تمرین‌های عملی، این مدل‌های علم داده را بر روی مجموعه داده‌ها پیاده‌سازی خواهید کرد و در الگوریتم‌های یادگیری ماشین با PyTorch که توسط شرکت‌های فناوری پیشرو مانند Google و NVIDIA استفاده می‌شود، مهارت کسب خواهید کرد.

این دوره برای حرفه‌ای‌هایی است که زمزمه‌های یادگیری ماشین را شنیده‌اند و می‌خواهند یادگیری ماشینی را در تجزیه و تحلیل داده‌ها و اتوماسیون به کار ببرند. چه امور مالی، پزشکی، مهندسی، تجارت یا سایر حوزه ها، این دوره شما را با تعریف مشکل و آماده سازی داده ها در پروژه یادگیری ماشینی آشنا می کند. در پایان دوره، شما قادر خواهید بود با استفاده از دو رویکرد، مشکل یادگیری ماشین را به وضوح تعریف کنید. شما یاد خواهید گرفت که منابع داده موجود را بررسی کنید و کاربردهای بالقوه ML را شناسایی کنید. شما یاد خواهید گرفت که یک نیاز تجاری را بپذیرید و آن را به یک برنامه یادگیری ماشینی تبدیل کنید. داده ها را برای برنامه های کاربردی یادگیری ماشینی موثر آماده خواهید کرد. این اولین دوره از تخصص یادگیری ماشین کاربردی است که توسط Coursera و موسسه هوش ماشین آلبرتا برای شما ارائه شده است.

در این دوره، شما الگوریتم‌های مختلف نظارت شده ML و وظایف پیش‌بینی اعمال شده روی داده‌های مختلف را یاد خواهید گرفت. شما یاد خواهید گرفت که چه زمانی از کدام مدل و چرا استفاده کنید و چگونه عملکرد مدل را بهبود ببخشید. ما مدل هایی مانند رگرسیون خطی و لجستیک، KNN، درختان تصمیم و روش های ترکیبی مانند جنگل تصادفی و تقویت، روش های هسته مانند SVM را پوشش خواهیم داد. دانش کدنویسی یا برنامه نویسی قبلی مورد نیاز است. ما در طول دوره به طور گسترده از پایتون استفاده خواهیم کرد. در این دوره، شما باید یک پایه محکم در پایتون یا تجربه قبلی کافی در کدنویسی با سایر زبان های برنامه نویسی داشته باشید تا پایتون را سریع انتخاب کنید. ما یاد خواهیم گرفت که چگونه از کتابخانه های علوم داده مانند NumPy، pandas، matplotlib، statsmodels و sklearn استفاده کنیم. این دوره برای برنامه نویسانی طراحی شده است که شروع به کار با آن کتابخانه ها می کنند. تجربه قبلی با آن کتابخانه ها مفید خواهد بود اما ضروری نیست. مهارت های ریاضی در سطح دانشگاه، از جمله حساب دیفرانسیل و انتگرال و جبر خطی، مورد نیاز است. امید ما برای این دوره این است که ریاضی قابل درک باشد اما ترسناک نباشد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder

برای اینکه یک توسعه‌دهنده ماهر باشید، باید قبل از تولید کد، درک کاملی از نوشتن تست داشته باشید. در این دوره، با نوشتن و اجرای تست ها به محض هفته اول، نگاهی عملی به توسعه تست محور خواهیم داشت. TDD با تست های واحد خوب شروع می شود، بنابراین ما از آنجا شروع خواهیم کرد. همچنین موضوعات مربوط به ترجمه مشخصات کاربر به تست های واحد، استفاده از مانترا Red-Green-Refactor، و استفاده از ماک ها در پایتون با ماژول unittest.mock خواهد بود. پس از اتمام، تمام مراحل TDD را قبل از توسعه پوشش داده اید

پس از خوش آمدگویی گرم به تخصص تدارکات و منبع یابی جهانی، معرفی مختصری از تخصص و دوره های آن ارائه خواهم کرد که شامل موارد زیر می شود: -بیوگرافی مربی -چه کسانی باید این دوره را بگذرانند -جریان دوره پس از مقدمه، دانش‌آموز این فرصت را پیدا می‌کند تا از طریق خواندن ده مقاله فعلی، از خرید تا نحوه همکاری با تامین‌کنندگان، در مورد برخی از چالش‌های فعلی که امروزه با آن‌ها مواجه است، بیاموزد. این مقالات/دانش پایه ای برای دوره های بعدی در مورد نحوه استفاده از ابزارها، فرآیندها و بهبود مهارت ها برای رسیدگی به بسیاری از این فرصت ها خواهد بود. ارزیابی مختصری (درست/نادرست) از دانش شما که از این مقالات به دست آمده است، وجود خواهد داشت.

این دوره سه ماژول، یادگیری ماشین و علم داده را برای همه کسانی که درک اساسی از مدل‌های یادگیری ماشین دارند، معرفی می‌کند. شما در مورد تاریخچه یادگیری ماشینی، کاربردهای یادگیری ماشینی، چرخه عمر مدل یادگیری ماشینی و ابزارهایی برای یادگیری ماشینی خواهید آموخت. همچنین درباره یادگیری تحت نظارت در مقابل بدون نظارت، طبقه بندی، رگرسیون، ارزیابی مدل های یادگیری ماشین و موارد دیگر خواهید آموخت. آزمایشگاه‌های ما تجربه عملی با این مفاهیم یادگیری ماشینی و علم داده را به شما می‌دهند. شما مهارت های یادگیری ماشینی مشخص را توسعه خواهید داد و همچنین یک پروژه نهایی ایجاد خواهید کرد که مهارت شما را نشان می دهد. پس از تکمیل این برنامه، می‌توانید پتانسیل الگوریتم‌های یادگیری ماشین و هوش مصنوعی را در سناریوهای مختلف کسب‌وکار درک کنید. شما می توانید تشخیص دهید که چه زمانی از یادگیری ماشینی برای توضیح برخی رفتارها استفاده کنید و چه زمانی از آن برای پیش بینی نتایج آینده استفاده کنید. همچنین یاد خواهید گرفت که چگونه مدل‌های یادگیری ماشینی خود را ارزیابی کنید و بهترین روش‌ها را به کار ببرید. این دوره بخشی از برنامه های متعدد است همچنین می‌توانید از یادگیری این برنامه برای تکمیل دو دوره باقی‌مانده از گواهینامه حرفه‌ای یادگیری ماشینی IBM استفاده کنید و شغل جدیدی را در زمینه یادگیری ماشین ایجاد کنید.

نظریه خود تعیینی (SDT) یک نظریه مبتنی بر تجربی انگیزش و رشد روانشناختی است که به ویژه بر نیازهای روانشناختی اساسی که انگیزه و سلامتی با کیفیت بالا را ارتقا می‌دهند و نحوه حمایت از آنها در زمینه‌های اجتماعی متمرکز است. SDT توضیح می دهد که چگونه سبک ها و استراتژی های محرک هایی مانند والدین، معلمان، مربیان، مدیران و متخصصان مراقبت های بهداشتی می توانند مشارکت و پیامدهای مثبت ناشی از آن را ترویج یا تضعیف کنند. در این دوره، پروفسور ریچارد رایان، یکی از بنیانگذاران این نظریه، مروری بر SDT با تأکید ویژه بر چگونگی حمایت و تسهیل استقلال، شایستگی و ارتباط از تداوم رفتاری، کیفیت روابط، و فرآیندهای رشد سالم، از جمله موضوعات دیگر ارائه خواهد کرد. . او همچنین در مورد همگرایی جنبه های پدیدارشناختی رفتاری و عصب روانشناختی خودمختاری در تحقیقات SDT بحث خواهد کرد. علاوه بر این، او کاربردهای عملی SDT را با تأکید بر تنظیمات آموزشی، کاری، ورزشی، مراقبت های بهداشتی و روان درمانی نشان خواهد داد.

این دوره به بررسی تحولاتی می پردازد که باعث ظهور شرکت های فین تک در سراسر جهان شده است. به دنبال تغییر محیط نظارتی، به ویژه پس از بحران مالی آسیایی 1997 و 2008 جهانی، دولت ها مقررات مالی گسترده ای را برای حفظ ثبات مالی وضع کرده اند. با این حال، بانک ها و مؤسسات مالی سودآوری در این محیط های نظارتی جدید را به طور فزاینده ای دشوار یافته اند. فناوری در هوش مصنوعی و بلاک چین جهش هایی به جلو می کند و این فرصت های جدیدی را برای کارآفرینان فین تک ایجاد کرده است. این دوره مقررات فین تک را با استفاده از مطالعات موردی از چین و آفریقای جنوبی مورد بحث قرار می دهد. این دوره توجه ویژه ای به محیط اجتماعی-اقتصادی در بازارهای نوظهور و همچنین به ریسک سیاسی به عنوان منبع اصلی عدم اطمینان برای کارآفرینان فین تک دارد. وام‌دهی و حواله‌های همتا به‌همتا به عنوان نمونه‌های پیشرو برای رشد نوآوری فین‌تک در بازارهای نوظهور استفاده می‌شود.

بلاک چین وعده می دهد که وقتی در مقیاس بزرگ کارآمد باشد، صنایع را مختل خواهد کرد. در این دوره آموزشی با نحوه ساخت مقیاس بلاک چین آشنا می شوید. شما در مورد مشکل اساسی محاسبات توزیع شده، اجماع، که کلید ایجاد بلوک های ایمن است، خواهید آموخت. با نشان دادن محدودیت‌های بلاک چین‌های اصلی، این دوره نحوه بهبود فناوری را از نظر امنیت و کارایی نشان می‌دهد. به طور خاص، این دوره به شما کمک می کند: * آسیب پذیری های امنیتی بلاک چین های اصلی را درک کنید. * طراحی الگوریتم‌های اجماع که حملات را تحمل می‌کنند و. * طراحی سیستم های بلاک چین مقیاس پذیر.

شما اصول اولیه گیتار را زیر پا گذاشته اید: می توانید گیتار خود را نواخته و تعدادی از آهنگ های مورد علاقه خود را بنوازید، اما آماده هستید که آهنگ ها را به سطح بعدی ببرید. در مقیاس‌های گیتار و پیشرفت‌های آکورد، دانش خود را در مورد مقیاس‌ها، انگشت‌گذاری وترها و پیشرفت‌های آکورد معمولی گسترش خواهید داد. همچنین مهارت های مهمی برای تک نوازی، ساختن ملودی ها و افزودن عمق و بعد به نواختن گیتار خود خواهید آموخت. این دوره نه تنها برای گیتاریست‌های مشتاقی که گیتار مبتدی برکلی را خوانده‌اند، بلکه برای گیتاریست‌هایی است که اجازه داده‌اند صدای شش سیم‌شان برای مدت طولانی گرد و خاک جمع شود و می‌خواهند تکنیک‌ها را تقویت کنند. هر درس چهار جنبه اساسی را که برای تیز کردن قطعات گیتار خود نیاز دارید را پوشش می دهد: مقیاس ها، آرپژ، پیشرفت آکورد و ریتم. رویکرد عملی آماندا برای یادگیری این عناصر مهم سرگرم کننده است و به شما کمک می کند تا از آنچه یاد می گیرید و تمرین می کنید در یک محیط موسیقی واقعی استفاده کنید. شما نوازندگی و خلاقیت خود را بهبود خواهید بخشید، چه به عنوان یک خواننده-ترانه سرا، یک گیتاریست همراه خواننده یا یک نوازنده در گروه. در پایان این دوره، با نواختن در سراسر گردن راحت‌تر خواهید بود و درک بهتری از ساختار آکورد و نحوه ارتباط هر آکورد با مراکز یا کلیدهای اهنگ به دست خواهید آورد. شما همچنین قادر خواهید بود با نواختن خطوط ساده گیتار لید بر اساس مقیاس پنتاتونیک مینور به تک نوازی و بداهه نوازی بپردازید. چه ترجیح شما برای آکوستیک باشد یا الکتریک، برنامه درسی طوری طراحی شده است که شما را به یک گیتاریست واقعی تبدیل کند.

سازمان‌ها در هر اندازه‌ای از قدرت و انعطاف‌پذیری ابر برای تغییر نحوه عملکرد خود استقبال می‌کنند. مقیاس‌پذیری با Google Cloud Operations مفاهیم اساسی عملیات مدرن، قابلیت اطمینان و انعطاف‌پذیری در فضای ابری را بررسی می‌کند و چگونه Google Cloud می‌تواند به حمایت از این تلاش‌ها کمک کند. بخشی از مسیر یادگیری Cloud Digital Leader، این دوره با هدف کمک به افراد در رشد نقش خود و ساختن آینده کسب و کارشان است.

کوچینگ می تواند الهام بخش و انگیزه افراد برای یادگیری، تغییر، و رهبران موثر، از جمله نقش های دیگر در زندگی باشد. اگرچه بیشتر تلاش‌ها «کوچینگ برای انطباق» (آموزش دادن به کسی در راستای خواسته‌ها یا انتظارات شما هستند)، دهه‌ها پژوهش رفتاری و علوم اعصاب به ما نشان می‌دهد که «کوچ با شفقت» (آموزش دادن کسی به رویاها و خواسته‌هایش) مؤثرتر است.

آیا شما یک پزشک یا دانشجوی یک رشته مراقبت های بهداشتی هستید؟ آیا می خواهید بیاموزید که چگونه با بیماران خود گفتگوهای توانمندتر داشته باشید و از آنها برای کنترل سلامت و رفاه خود حمایت کنید؟ آیا به دنبال دوره ای برای شروع یادگیری این مهارت ها هستید که با زندگی پرمشغله شما نیز متناسب باشد؟ اگر چنین است، این دوره برای شما مناسب است! در این دوره، شما با برخی از اصول و مهارت های کلیدی مربیگری سلامت بسیار بیشتر آشنا خواهید شد و برای شروع به کارگیری اینها در زمینه مراقبت های بهداشتی خود با بیماران و همچنین در زندگی خود مجهز خواهید شد.

این دوره شما را با مکانیسم توجه آشنا می‌کند، تکنیکی قدرتمند که به شبکه‌های عصبی اجازه می‌دهد بر روی بخش‌های خاصی از یک دنباله ورودی تمرکز کنند. یاد خواهید گرفت که توجه چگونه کار می کند، و چگونه می توان از آن برای بهبود عملکرد انواع وظایف یادگیری ماشینی، از جمله ترجمه ماشینی، خلاصه سازی متن، و پاسخ به سوال استفاده کرد.

Ce cours presente le mécanisme d'attention, une technology efficace permettant aux réseaux de neurones de se concentrer sur des partys écifiques d'une séquence d'entrée. نظرات découvrirez fonctionne l'attention et comment l'utiliser pour améliorer les performances diverses tâches de machine learning, dont la traduction automatique, la synthèse de texte et les reponses aux question.

Este curso é uma introdução ao mecanismo de atenção، uma técnica avançada که اجازه می دهد به عنوان redes neurais se concentrem em partes específicas de uma sequência de entrada معرفی شوند. Você vai entender como a atenção funciona e como ela pode ser usada para melhorar or desempenho de varias tarefas de learning machine (como tradução automática، resumo de texto e resposta a perguntas).

בקורס נלמד על מנגנון מקד בחלקים ספציפיים ברצף הקלט. נלמד איך עובד העיקרון של תשומת הלב, ואיך אפשר להשתמש בו כיעומת במגוון משימות של למידת מכונה، כולל תרגום אוטומטי، סישום טקסוענ

Este curso es una introducción al mecanismo de atención، una potente técnica که اجازه می دهد نورونال های نورون ها را ریدس در قسمت های ویژه ای از una secuencia de entrada قرار دهد. Sabrás cómo funciona la atención y como puede utilizarse para mejorar el rendimiento de diversas tareas de aprendizaje automático، como la traducción automática، el resumen de textos y la respuesta a preguntas.

Questo corso ti introdurrà al meccanismo di attenzione، una potente tecnica che consente alle reti neurali di concentrarsi su parti specifiche di una sequenza di input. Imparerai come funziona l'attenzione e come può essere utilizzata per milliorare le prestazioni di molte attività di machine learning, come la traduzione automatica, il compendio di testi e la riposta alle domande.