کاهش خطر بلایا و کمک های بشردوستانه در محیط های درگیری این MOOC به شما می آموزد که پاسخگویانه، با کیفیت بالا و اخلاقی را در برابر فاجعه در مناطق متاثر از درگیری ایجاد کنید. دوره الکترونیکی عمدتاً برای شاغلین در نظر گرفته شده است، اما برای دانشجویان یا افراد علاقه مند نیز آزاد است. این شرکت‌کنندگان را تحریک می‌کند تا در مورد کمک‌های بشردوستانه، DRR و واکنش به بلایا در زمینه‌هایی که درگیری ادامه دارد، ادامه دارد یا در زمان‌های اخیر شرایط را مشخص کرده است، و همچنین درباره انتخاب‌های سخت و معضلاتی که بازیگران بشردوستانه در محیط‌های درگیری با آن مواجه هستند، فکر کنند. علاوه بر این، شما یاد خواهید گرفت که چالش‌های مختلف و نمونه‌های موثر و مثبت کمک‌ها را در سه نوع محیط درگیری تشخیص دهید. از طریق فیلم ها، مصاحبه ها، سخنرانی های مهمان و استودیو موردی واقع بینانه، یادگیری هم مرتبط و هم سرگرم کننده می شود. هر چیزی که یاد می گیرید برای تمرین در این زمینه قابل اجرا خواهد بود. کنجکاو؟ تریلر ما را در اولین ماژول MOOC در زیر بررسی کنید.

این دوره علمی و اثرات اجتماعی بیماری های عفونی ویروسی را پوشش می دهد. ما با پوشش دادن اصول اولیه شروع خواهیم کرد: ویروس چیست، تنوع ساختاری و عملکردی ویروس‌ها، و اینکه ویروس‌ها چگونه از بدن ما و بدن موجودات دیگر برای تکثیر استفاده می‌کنند. سپس به پاسخ انسان می پردازیم: چگونه سیستم ایمنی ما برای محافظت از ما در برابر ویروس های بیماری زا کار می کند و چگونه از علم و سیستم های اجتماعی برای دفع ویروس ها از طریق واکسن ها و اقدامات بهداشت عمومی استفاده می کنیم. ما از نزدیک به همه‌گیری COVID-19 نگاه خواهیم کرد و ظهور ویروس SARS-CoV-2، توسعه واکسن‌ها و چگونگی تأثیر نابرابری‌های اجتماعی و اقتصادی بر خطر در طول همه‌گیری را بررسی خواهیم کرد. در طول دوره، ما از کارشناسان در زمینه‌های زیست‌شناسی مولکولی، اپیدمیولوژی، زیست‌شناسی محیطی، پزشکی و بهداشت عمومی خواهیم شنید تا بدانیم چگونه فناوری و راه‌حل‌های مهندسی به دانشمندان در درک، ردیابی و مدل‌سازی ویروس‌ها و شیوع بیماری‌ها کمک می‌کنند.

در این دوره آموزشی یاد خواهید گرفت که چگونه برنامه های تحت وب مبتنی بر جنگو را مناسب برای استفاده توسط کاربران نهایی بسازید. با کوکی ها، جلسات و فرآیندهای احراز هویت در جنگو آشنا خواهید شد. شما مسیریابی را در برنامه های خود ایجاد می کنید و راه هایی را برای بهبود آسان ظاهر و احساس برنامه های جنگو کشف خواهید کرد. شما شروع به توسعه یک برنامه کاربردی ساده برای پشتیبانی از یک وب سایت تبلیغات طبقه بندی شده خواهید کرد که شما را از طریق بسیاری از مسائل و تکنیک هایی که در توسعه وب سایت با آن مواجه می شوید راهنمایی می کند. شما همچنین یاد خواهید گرفت که چگونه یک برنامه را از توسعه به تولید منتقل کنید.

در این دوره، خدمات امنیتی مانند سیستم پیشگیری از نفوذ (IPS)، فایروال های مبتنی بر کاربر و نحوه پیکربندی آنها را شرح خواهیم داد. شما با ویژگی های امنیتی Juniper مانند آنتی ویروس، آنتی اسپم، فیلتر محتوا و فیلتر وب، به همراه عملکرد و کاربرد آنها آشنا خواهید شد. Juniper ATP Cloud (سرویس پیشگیری از تهدید پیشرفته (ATP) مبتنی بر ابر Juniper) همراه با ویژگی‌ها، اجرا و نظارت آن معرفی خواهد شد. این دوره همچنین یک ویژگی بسیار مهم امنیت فایروال - ترجمه آدرس شبکه (NAT) را توضیح خواهد داد.

دوره نهایی ویژگی های پیشرفته و اختیاری تری را پوشش می دهد که ممکن است در یک سیستم Cortex-M پیکربندی شوند. این ویژگی ها می توانند به نیازهای پروژه مانند امنیت و عملکرد کمک کنند. ممکن است همه این موضوعات برای پروژه های Cortex-M مرتبط نباشد، بنابراین با خیال راحت انتخاب کنید و انتخاب کنید که در صورت وجود کدام موضوعات برای شما اعمال می شود.

تکنیک های نوری و اشعه ایکس روش های قدرتمندی برای مشخص کردن لایه های نازک نیمه هادی هستند. آنها را می توان برای اندازه گیری ضخامت فیلم، خلوص و کیفیت کریستالی و برای تجزیه و تحلیل ترکیب استفاده کرد. تکنیک های مدرن سریع، کلید در دست، و به طور کلی غیر مخرب هستند و امکان ارزیابی سریع خواص مواد را فراهم می کنند. این دوره اصول خصوصیات نوری و اشعه ایکس را تشریح می کند و نمونه های واقعی از نحوه استفاده از آنها در تولید نیمه هادی ها را ارائه می دهد.

برنامه های یادگیری اجتماعی و عاطفی یا SEL در دهه گذشته در مدارس شکوفا شده است. در حالی که این رشد چشمگیر بوده است، توجه ناکافی به یادگیری اجتماعی و عاطفی معلمان شده است. در این دوره، دن لیستون و رندی تستا شما را با دلایل مختلف برای اینکه چرا معلم SEL نیاز دارد و همچنین احساسات مختلف در آموزش و یادگیری را بررسی و تأمل می کنند، آشنا می کنند. این دوره بخشی از 5 دوره تخصصی "معلم و یادگیری عاطفی اجتماعی (SEL)" است. علاقه مند به کسب 3 واحد دانشگاهی از دانشگاه کلرادو بولدر برای این تخصص هستید؟ اگر چنین است، برای اطلاعات بیشتر، خواندن "چگونه می توانید 3 واحد دانشگاهی از دانشگاه کلرادو-بولدر برای این تخصص کسب کنید" را در اولین ماژول این دوره مطالعه کنید. می خواهیم توجه داشته باشیم که دوره های این تخصص با در نظر گرفتن بار دوره دانشگاهی سه واحدی طراحی شده است. به عنوان یک شرکت کننده ممکن است متوجه محتوای خواندنی بیشتر و محتوای ویدیویی/سخنرانی کمتری شوید. تکمیل و گذراندن تخصص SEL به شرکت کننده اجازه می دهد تا برای 3 اعتبار فارغ التحصیلی برای صدور گواهینامه مجدد معلم و ارتقاء حرفه ای درخواست دهد. ما می خواهیم کیفیت و استانداردهای بالای تجربه یادگیری دانشگاه کلرادو را تضمین کنیم. علاقه مند به کسب 3 امتیاز فارغ التحصیلی از دانشگاه کلرادو بولدر برای تخصص معلم و یادگیری عاطفی اجتماعی (SEL) هستید؟ برای اطلاعات بیشتر، خواندن "چگونه می توانید 3 واحد دانشگاهی از دانشگاه کلرادو-بولدر برای این تخصص کسب کنید" را در هفته اول این دوره مطالعه کنید.

به دوره آموزش بدون نظارت و کاربردهای آن در بازاریابی خوش آمدید! در این دوره، به دنیای جذاب یادگیری ماشینی بدون نظارت و ارتباط آن با حوزه بازاریابی خواهید پرداخت. یادگیری بدون نظارت یک رویکرد قدرتمند است که به ما امکان می‌دهد الگوها و بینش‌های پنهان را از مقادیر گسترده داده‌های تاریخی بدون نیاز به برچسب‌های صریح یا مداخله انسانی کشف کنیم. از طریق تمرین‌های عملی و مثال‌های واقعی، یاد خواهید گرفت که چگونه از زبان برنامه‌نویسی پایتون برای اعمال الگوریتم‌های یادگیری بدون نظارت در زمینه‌های بازاریابی استفاده کنید. در طول دوره، تکنیک‌های مختلف یادگیری بدون نظارت، مانند خوشه‌بندی، کاهش ابعاد، و کاوی قواعد تداعی را بررسی خواهید کرد. این تکنیک‌ها شما را قادر می‌سازد تا بخش‌های مشتری را شناسایی کنید، روابط معنادار بین متغیرها را کشف کنید و بینش‌های ارزشمندی در مورد رفتار مصرف‌کننده به دست آورید. با تسلط بر کاربردهای یادگیری بدون نظارت در بازاریابی، مهارت هایی را برای استخراج دانش عملی از داده ها، اتخاذ تصمیمات مبتنی بر داده و باز کردن فرصت های جدید برای استراتژی های بازاریابی خود به دست خواهید آورد. بنابراین، با کاوش در دنیای جذاب یادگیری بدون نظارت و کاربردهای متحول کننده آن در بازاریابی، آماده سفری اکتشافی و نوآوری شوید. بیایید با هم غواصی کنیم و پتانسیل پنهان بازاریابی مبتنی بر داده را باز کنیم! برای موفقیت در این دوره، باید درک اولیه ای از پایتون داشته باشید. شما همچنین به نیازهای نرم افزاری خاصی از جمله Anaconda Navigator نیاز دارید.

در دوره سوم تخصص یادگیری ماشین، شما: • از تکنیک های یادگیری بدون نظارت برای یادگیری بدون نظارت استفاده کنید: از جمله خوشه بندی و تشخیص ناهنجاری. • ساخت سیستم های توصیه گر با رویکرد فیلتر مشترک و روش یادگیری عمیق مبتنی بر محتوا. • یک مدل یادگیری تقویتی عمیق بسازید. The Machine Learning Specialization یک برنامه آنلاین اساسی است که با همکاری DeepLearning.AI و Stanford Online ایجاد شده است. در این برنامه مبتدی دوستانه، اصول یادگیری ماشینی و نحوه استفاده از این تکنیک ها برای ساخت اپلیکیشن های هوش مصنوعی در دنیای واقعی را خواهید آموخت. این تخصص توسط اندرو انگ، یک آینده‌نگر هوش مصنوعی که تحقیقات انتقادی را در دانشگاه استنفورد و کارهای پیشگامانه در Google Brain، Baidu و Landing.AI برای پیشرفت در زمینه هوش مصنوعی رهبری کرده است، آموزش داده می‌شود. این تخصص 3 دوره ای، نسخه به روز شده و توسعه یافته دوره پیشگام یادگیری ماشین اندرو است که از زمان راه اندازی آن در سال 2012، دارای امتیاز 4.9 از 5 است و بیش از 4.8 میلیون زبان آموز آن را دریافت کرده اند. این مقدمه گسترده ای برای یادگیری ماشین مدرن، از جمله یادگیری نظارت شده (رگرسیون خطی چندگانه، رگرسیون لجستیک، شبکه های عصبی و درختان تصمیم)، یادگیری بدون نظارت (خوشه بندی، کاهش ابعاد، سیستم های توصیه گر) و برخی از بهترین شیوه های مورد استفاده در سیلیکون ارائه می کند. Valley برای نوآوری های هوش مصنوعی و یادگیری ماشین (ارزیابی و تنظیم مدل ها، اتخاذ رویکرد داده محور برای بهبود عملکرد، و موارد دیگر). در پایان این تخصص، شما بر مفاهیم کلیدی تسلط خواهید داشت و دانش عملی برای به کارگیری سریع و قدرتمند یادگیری ماشینی در مسائل چالش برانگیز دنیای واقعی را به دست خواهید آورد. اگر به دنبال ورود به هوش مصنوعی یا ایجاد حرفه ای در یادگیری ماشین هستید، تخصص جدید یادگیری ماشین بهترین مکان برای شروع است.

از 7 اکتبر تا 10 نوامبر 2024 برای اجرای آسان این دوره به ما بپیوندید که در آن فرصتی برای تعامل با تیم ما از دانشگاه ادینبورگ و یادگیری برای پایداری اسکاتلند خواهید داشت. تغییرات آب و هوایی، برابری جنسیتی، فروپاشی تنوع زیستی، سلامت، برابری اجتماعی و شمول تنها برخی از مسائلی است که همه ما را نگران می کند و بر رفاه انسان و سیاره و ثبات اقتصادی تأثیر می گذارد. نحوه زندگی پایدار بر همه و همه چیز تأثیر می گذارد – و به هم متصل می کند. در طی پنج هفته، شما با تیم ما و سایر شرکت کنندگان دوره خود درگیر خواهید شد تا پاسخی آگاهانه به این چالش های اصلی ایجاد کنید. این دوره بر آموزش و یادگیری تمرکز دارد. حمایت از کسانی که می خواهند برخی از فعالیت ها و موضوعات تحت پوشش را در عمل آموزشی خود بیاورند. شما در مورد مسائل جاری جهانی بیشتر خواهید آموخت و در نظر خواهید گرفت که چگونه همه ما می توانیم به صورت شخصی یا جمعی پاسخ دهیم. شما ارزش‌ها را بررسی می‌کنید و با دیگران کار می‌کنید تا راه‌هایی را که می‌توان از طریق آن اقدام محلی در مورد مشکلات در مقیاس جهانی انجام داد، بررسی کنید. شما این فرصت را خواهید داشت که ایده ها، دیدگاه ها و رویکردهای آموزشی و یادگیری را مورد بحث و تبادل نظر قرار دهید. کار به این روش، شروع از جایی که در بافت و فضاهای آموزشی خود هستید - و به اشتراک گذاشتن آن با دیگران در طول دوره - به ما کمک می کند تا به سمت یک تفکر و عمل جدید و جمعی برای آینده ای پایدار حرکت کنیم. همچنین ممکن است به دوره 2 هفته ای ما "یادگیری برای آینده ای پایدار: زنده در COP29" علاقه مند شوید https://www.coursera.org/learn/learning-live-at-cop29

بیست و هشتمین کنفرانس تغییرات آب و هوایی سازمان ملل متحد (COP28) از 30 نوامبر تا 12 دسامبر 2023 در دبی، امارات متحده عربی برگزار می شود. این کنفرانس سران کشورها، کارشناسان آب و هوا و مبارزان را برای توافق و تسریع اقدامات هماهنگ جهانی در مورد تغییرات آب و هوا گرد هم می آورد. این دوره دو هفته‌ای، که به موازات کنفرانس COP28 برگزار می‌شود، به شما فرصتی می‌دهد تا بررسی کنید COP28 چیست، چرا مهم است و در مورد اینکه چگونه می‌توانید صدای خود را به فراخوان اقدام جمعی برای آینده‌ای پایدار اضافه کنید، فکر کنید. شما زمینه گسترده تر COP28 را بررسی خواهید کرد و سایر چارچوب های کلیدی مانند اهداف توسعه پایدار سازمان ملل و کنوانسیون سازمان ملل در مورد تنوع زیستی را در نظر خواهید گرفت. در طول دوره، بینش‌های «زنده» را در مورد موضوعاتی که در COP28 مورد بحث قرار می‌گیرند، و همچنین پاسخ‌هایی به موضوعات کنفرانس از سوی کودکان و جوانان، گروه‌های اجتماعی و نهادهای وزارتی، چه در سطح ملی و چه در سطح بین‌المللی، به اشتراک می‌گذاریم. با استفاده از این «نقاط شروع»، از شما دعوت می‌کنیم تا در مورد آنچه شنیده‌اید، تماشا کرده‌اید و خوانده‌اید فکر کنید و در مورد اینکه این مکالمات و مسائل برای شما چه معنایی دارند فکر کنید. ما فرصت هایی را برای بحث و تأمل فراهم خواهیم کرد و ایده ها و الهامات را به اشتراک خواهیم گذاشت تا به همه ما کمک کند تا گام های بعدی خود را فراتر از کنفرانس برداریم. هرگز نیاز مبرمی به همکاری جهان و انجام اقدامات مشترک برای تضمین آینده ای پایدار برای مردم و سیاره زمین وجود نداشته است. به ما بپیوندید و بخشی از جامعه یادگیری مشترک ما شوید، جایی که همه، از جمله تیم دوره، تشویق می‌شوند تا در طول COP28 با یکدیگر و از یکدیگر فکر کنند، به اشتراک بگذارند و یاد بگیرند. همچنین ممکن است به دوره 5 هفته ای آموزش برای آینده ای پایدار علاقه مند شوید https://www.coursera.org/learn/learning-for-a-sustainable-future

به دوره آموزشی تحت نظارت و کاربردهای آن در بازاریابی خوش آمدید! یادگیری تحت نظارت فرآیند ساخت الگوریتمی برای یادگیری ترسیم یک ورودی به یک خروجی خاص است. الگوریتم‌های یادگیری تحت نظارت می‌توانند به پیش‌بینی داده‌های نادیده جدید کمک کنند. در این دوره از زبان برنامه نویسی پایتون که ابزاری موثر برای برنامه های یادگیری ماشین است استفاده خواهید کرد. شما با تکنیک های یادگیری تحت نظارت آشنا خواهید شد: رگرسیون و طبقه بندی. این دوره بر کاربردهای این تکنیک ها در حوزه بازاریابی متمرکز خواهد بود. با افزایش حجم داده ها و کاربردهای یادگیری ماشینی در بازاریابی، ما به راحتی می توانیم نمونه هایی از استفاده از یادگیری ماشین را در تلاش های بازاریابی پیدا کنیم. شرکت ها شروع به استفاده از یادگیری ماشینی برای درک بهتر رفتارهای مشتری و شناسایی بخش های مختلف مشتری بر اساس الگوهای فعالیت خود کرده اند. بسیاری از سازمان‌ها همچنین از یادگیری ماشینی برای پیش‌بینی رفتارهای آینده مشتریان استفاده می‌کنند، مثلاً چه اقلامی را احتمالاً خریداری می‌کنند، از کدام وب‌سایت‌ها بازدید می‌کنند و چه کسانی احتمالاً از بین خواهند رفت. با استفاده بی پایان از یادگیری ماشینی برای بازاریابی، شرکت ها در هر اندازه می توانند از استفاده از یادگیری ماشین برای تلاش های بازاریابی خود بهره مند شوند. برای موفقیت در این دوره، باید درک اولیه ای از پایتون داشته باشید. شما همچنین به نیازهای نرم افزاری خاصی از جمله ناوبر Anaconda نیاز دارید.

سر و صدای زیادی در مورد یادگیری ترکیبی و پتانسیل تحول آفرین آن وجود دارد. اما یادگیری ترکیبی واقعاً به چه معناست؟ در این دوره، مدل‌های مختلف یادگیری ترکیبی را بررسی خواهیم کرد و به موضوعات کلیدی که بر دانش‌آموزان، معلمان و مدارس تأثیر می‌گذارند، خواهیم پرداخت. به طور خاص، ما به این مسائل از دریچه سه مدرسه با عملکرد بالا نگاه خواهیم کرد که هر کدام از نوع متفاوتی از یادگیری ترکیبی استفاده می کنند. برخی از موضوعات کلیدی عبارتند از: - نقش دانش آموز و نحوه حمایت از دانش آموزان در گذار از یادگیری سنتی به ترکیبی - پیامدهایی برای معلمان در کار روزمره و نقش کلی آنها - تأثیر بر نحوه طراحی مدارس از جمله مدل های کارکنان، استفاده از زمان، انتخاب سخت افزار/نرم افزار و استفاده از داده ها - چالش های پیاده سازی، راه حل های بالقوه، و سوالات باز باقی مانده ما در این دوره با ویژگی‌های یادگیری ترکیبی زندگی خواهیم کرد و دانش‌آموزان را تشویق می‌کنیم تا در ابتدای ماژول در آزمون‌هایی شرکت کنند تا درک خود را ارزیابی کنند و از مطالبی که قبلاً می‌دانند صرف نظر کنند. به طور کلی، ما یک رویکرد عملی را در پیش خواهیم گرفت و دوره به اوج خود می رسد که شرکت کنندگان مدل یادگیری ترکیبی خود را نمونه سازی کنند. اگر علاقه مند به یادگیری بیشتر در مورد چگونگی به کارگیری بهترین فناوری در آموزش و بازنگری در نحوه اداره مدارس هستید، به این MOOC بپیوندید و همکاران خود را به انجام همین کار تشویق کنید. بخشی از این جنبش رو به رشد باشید و از طریق دست اول یاد بگیرید که چگونه یادگیری ترکیبی می تواند به دانش آموزان کمک کند تا تجربه یادگیری شخصی تری را ارائه دهند.

در دوره پایانی از تخصص یادگیری ماشین برای تجارت، شما با یادگیری تقویتی (RL) و مزایای استفاده از یادگیری تقویتی در استراتژی های معاملاتی آشنا می شوید. شما یاد خواهید گرفت که چگونه RL با شبکه های عصبی یکپارچه شده است و LSTM ها را بررسی می کنید و چگونه می توان آنها را برای داده های سری زمانی اعمال کرد. در پایان دوره، می‌توانید استراتژی‌های معاملاتی را با استفاده از یادگیری تقویتی بسازید، بین سیاست‌های مبتنی بر بازیگر و سیاست‌های مبتنی بر ارزش تفاوت قائل شوید و RL را در استراتژی معاملاتی حرکتی بگنجانید. برای موفقیت در این دوره، باید صلاحیت پیشرفته در برنامه نویسی پایتون و آشنایی با کتابخانه های مربوط به یادگیری ماشین، مانند Scikit-Learn، StatsModels و Pandas داشته باشید. تجربه با SQL توصیه می شود. شما باید پیشینه ای در زمینه آمار (مقادیر مورد انتظار و انحراف استاندارد، توزیع های گاوسی، ممان های بالاتر، احتمال، رگرسیون های خطی) و دانش پایه ای از بازارهای مالی (سهام، اوراق قرضه، مشتقات، ساختار بازار، پوشش ریسک) داشته باشید.

هدف این دوره معرفی مفاهیم اساسی یادگیری تقویتی (RL) و توسعه موارد استفاده برای کاربردهای RL برای ارزش گذاری اختیار، معاملات و مدیریت دارایی است. تا پایان این دوره، دانشجویان قادر خواهند بود - از یادگیری تقویتی برای حل مسائل کلاسیک امور مالی مانند بهینه سازی سبد، معاملات بهینه و قیمت گذاری گزینه و مدیریت ریسک استفاده کنید. - با استفاده از مشکلات مالی روی مثال های ارزشمندی مانند یادگیری کیو معروف تمرین کنید. - دانش خود را در دوره به یک مدل ساده برای پویایی بازار که با استفاده از یادگیری تقویتی به عنوان پروژه دوره به دست می آید، اعمال کنند. پیش نیاز دوره های "تور راهنمای یادگیری ماشین در امور مالی" و "مبانی یادگیری ماشینی در امور مالی" است. از دانش آموزان انتظار می رود که فرآیند lognormal و نحوه شبیه سازی آن را بدانند. آگاهی از قیمت گذاری گزینه فرضی نیست اما مطلوب است.

به این دوره آموزش عمیق احتمالی با TensorFlow خوش آمدید! این دوره مبتنی بر مفاهیم و مهارت‌های پایه تنسورفلو است که در دو دوره اول این تخصص تدریس شده است و بر رویکرد احتمالی یادگیری عمیق تمرکز دارد. این یک حوزه به طور فزاینده مهم یادگیری عمیق است که هدف آن تعیین کمیت نویز و عدم قطعیت است که اغلب در مجموعه داده های دنیای واقعی وجود دارد. این یک جنبه حیاتی در هنگام استفاده از مدل های یادگیری عمیق در برنامه هایی مانند وسایل نقلیه خودران یا تشخیص های پزشکی است. ما به مدل نیاز داریم تا بدانیم چه چیزی را نمی داند. شما یاد خواهید گرفت که چگونه مدل‌های احتمالی را با TensorFlow توسعه دهید و از کتابخانه احتمالی TensorFlow استفاده کنید، کتابخانه‌ای که برای آسان کردن ترکیب مدل‌های احتمالی با یادگیری عمیق طراحی شده است. به این ترتیب، این دوره همچنین می تواند به عنوان مقدمه ای برای کتابخانه TensorFlow Probability مشاهده شود. شما یاد خواهید گرفت که چگونه توزیع‌های احتمال را می‌توان در مدل‌های یادگیری عمیق در TensorFlow، از جمله شبکه‌های عصبی بیزی، جریان‌های عادی‌سازی و رمزگذارهای خودکار متغیر، نمایش داد و گنجاند. شما یاد خواهید گرفت که چگونه مدل هایی را برای تعیین کمیت عدم قطعیت و همچنین مدل های تولیدی ایجاد کنید که می توانند نمونه های جدیدی مشابه نمونه های موجود در مجموعه داده ایجاد کنند، مانند تصاویر چهره های افراد مشهور. مفاهیمی را که در مورد آنها یاد می گیرید بلافاصله در آموزش های عملی و عملی برنامه نویسی، که توسط دستیار آموزشی فارغ التحصیل راهنمایی می شوید، در عمل قرار می دهید. علاوه بر این، یک سری تکالیف برنامه نویسی با درجه بندی خودکار برای شما وجود دارد تا مهارت های خود را تثبیت کنید. در پایان دوره، بسیاری از مفاهیم را در یک پروژه Capstone گرد هم می‌آورید، جایی که یک الگوریتم رمزگذار خودکار متغیر را برای تولید یک مدل تولیدی از مجموعه داده‌های تصویر مصنوعی که خودتان ایجاد می‌کنید، ایجاد می‌کنید. این دوره از دو دوره قبلی در این تخصص پیروی می کند، شروع با TensorFlow 2 و سفارشی کردن مدل های خود با TensorFlow 2. دانش پیش نیاز اضافی مورد نیاز برای موفقیت در این دوره یک پایه محکم در احتمال و آمار است. به طور خاص، فرض بر این است که شما با توزیع‌های احتمال استاندارد، توابع چگالی احتمال، و مفاهیمی مانند برآورد حداکثر احتمال، فرمول تغییر متغیرها برای متغیرهای تصادفی و کران پایین شواهد (ELBO) مورد استفاده در استنتاج تغییرات آشنا هستید.

یادگیری عمیق در بسیاری از زمینه ها از جمله بینایی کامپیوتر، پردازش زبان طبیعی و روباتیک انقلابی ایجاد کرده است. علاوه بر این، Keras، یک API شبکه های عصبی سطح بالا که به زبان پایتون نوشته شده است، به بخشی ضروری از TensorFlow تبدیل شده است و یادگیری عمیق را در دسترس و ساده می کند. تسلط بر این تکنیک ها فرصت های زیادی را در تحقیقات و صنعت باز خواهد کرد. شما یاد خواهید گرفت که لایه ها و مدل های سفارشی را در Keras ایجاد کنید و Keras را با TensorFlow 2.x برای عملکرد بهبودیافته ادغام کنید. شما شبکه های عصبی کانولوشنال پیشرفته (CNN) را با استفاده از Keras توسعه خواهید داد. همچنین با استفاده از TensorFlow با Keras، مدل‌های ترانسفورماتور را برای داده‌های متوالی و سری‌های زمانی خواهید ساخت. این دوره همچنین اصول یادگیری بدون نظارت در Keras و TensorFlow را برای بهینه سازی مدل و حلقه های آموزشی سفارشی پوشش می دهد. در نهایت، شبکه‌های Q عمیق (DQN) را با Keras برای وظایف یادگیری تقویتی توسعه داده و آموزش خواهید داد (مروری از مدل‌سازی تولیدی و یادگیری تقویتی ارائه شده است). شما می توانید مفاهیم آموخته شده را با استفاده از آزمایشگاه های عملی در هر درس تمرین کنید. یک پروژه نهایی نهایی در آخرین ماژول به شما فرصتی می دهد تا دانش خود را برای ایجاد یک مدل طبقه بندی با استفاده از یادگیری انتقالی به کار ببرید. این دوره برای همه مهندسین مشتاق هوش مصنوعی که می خواهند TensorFlow و Keras را یاد بگیرند مناسب است. این نیاز به دانش کاربردی برنامه نویسی پایتون و مفاهیم پایه ریاضی مانند گرادیان و ماتریس، و همچنین اصول یادگیری عمیق با استفاده از Keras دارد.

گوشی هوشمند، ساعت هوشمند و خودروی شما (اگر مدل جدیدتر باشد) هر روز هوش مصنوعی (هوش مصنوعی) را در خود جای داده است. در آینده نزدیک، فناوری پیشرفته‌تر «خودآموزی» DL (یادگیری عمیق) و ML (یادگیری ماشینی) تقریباً در هر جنبه از تجارت و صنعت شما استفاده خواهد شد. بنابراین اکنون زمان مناسبی است که یاد بگیرید DL و ML چیست و چگونه از آن به نفع شرکت خود استفاده کنید. این دوره دارای سه بخش است که بخش اول بر روی استراتژی تجاری آینده مبتنی بر فناوری DL و ML تمرکز دارد که شامل جزئیات محصولات/خدمات پیشرفته و نرم افزار منبع باز DL است که توانمندسازهای آینده هستند. بخش دوم بر روی فن‌آوری‌های اصلی سیستم‌های DL و ML متمرکز است که شامل سیستم‌های NN (شبکه عصبی)، CNN (NN Convolutional) و RNN (NN بازگشتی) می‌شود. بخش سوم بر چهار پروژه TensorFlow Playground متمرکز است، جایی که تجربه طراحی DL NN ها را می توان با استفاده از یک برنامه آسان و سرگرم کننده و در عین حال بسیار قدرتمند به نام TensorFlow Playground به دست آورد. این دوره برای کمک به شما در ایجاد استراتژی های تجاری طراحی شده است و شما را قادر می سازد تا برنامه ریزی فنی در مورد خدمات و محصولات جدید DL و ML انجام دهید.

مروری بر اصول اصلی یادگیری عمیق به همراه معماری های رایج. مسئله را برای طبقه بندی سری های زمانی فرموله کنید و آن را برای سیگنال های حیاتی مانند ECG اعمال کنید. به کارگیری این روش در پرونده الکترونیک سلامت به دلیل مقادیر از دست رفته و ناهمگونی در EHR که شامل متغیرهای پیوسته، ترتیبی و طبقه‌ای است، چالش برانگیز است. متعاقبا، تکنیک‌های انتساب و استراتژی‌های مختلف رمزگذاری را برای رسیدگی به این مسائل بررسی کنید. این رویکردها را برای فرمول بندی معیارهای پیش بینی بالینی به دست آمده از اطلاعات موجود در پایگاه داده MIMIC-III به کار ببرید.

در این دوره، شما: الف) انتقال سبک عصبی را با استفاده از یادگیری انتقال بیاموزید: محتوای یک تصویر (مثلاً قو) و سبک یک نقاشی (مثلاً کوبیست یا امپرسیونیست) را استخراج کنید و محتوا و سبک را در یک تصویر جدید ترکیب کنید. ب) رمزگذارهای خودکار ساده را بر روی مجموعه داده آشنای MNIST بسازید، و معماری‌های پیچیده‌تر و پیچیده‌تر روی مجموعه داده‌های Fashion MNIST، تفاوت در نتایج مدل‌های رمزگذار خودکار DNN و CNN را درک کنید، راه‌هایی را برای حذف نویز تصاویر نویزدار شناسایی کنید، و یک CNN بسازید. AutoEncoder با استفاده از TensorFlow برای خروجی یک تصویر تمیز از یک تصویر پر سر و صدا. ج) رمزگذارهای خودکار متغیر (VAE) را برای تولید داده‌های کاملاً جدید کاوش کنید و چهره‌های انیمه را برای مقایسه آنها با تصاویر مرجع تولید کنید. د) درباره GAN ها بیاموزید. اختراع، ویژگی‌ها، معماری، و تفاوت آنها با VAE، عملکرد ژنراتور و تمایزکننده در مدل، مفهوم 2 مرحله آموزشی و نقش نویز معرفی شده را درک کنید و GAN خود را بسازید که می‌تواند چهره‌ها را تولید کند. تخصص DeepLearning.AI TensorFlow: Advanced Techniques ویژگی های TensorFlow را معرفی می کند که به زبان آموزان کنترل بیشتری بر معماری مدل خود می دهد و ابزارهایی را برای ایجاد و آموزش مدل های پیشرفته ML به آنها می دهد. این تخصص برای مهندسین نرم افزار و یادگیری ماشین در مراحل اولیه و اواسط حرفه ای با درک اساسی از TensorFlow است که به دنبال گسترش دانش و مجموعه مهارت های خود با یادگیری ویژگی های پیشرفته TensorFlow برای ساخت مدل های قدرتمند هستند.