این تکمیل کننده پروژه درک عمیقی از پردازش داده های موازی عظیم، کاوش و تجسم داده ها، یادگیری ماشین پیشرفته و یادگیری عمیق و نحوه به کارگیری دانش خود در یک مورد استفاده عملی در دنیای واقعی که در آن تصمیمات معماری را توجیه می کند، درک ویژگی های الگوریتم‌ها، چارچوب‌ها و فناوری‌های مختلف و چگونگی تأثیر آنها بر عملکرد و مقیاس‌پذیری مدل. لطفا توجه داشته باشید: از شما درخواست می شود در پایان دوره یک ارائه ویدئویی کوتاه ایجاد کنید. این اجباری است. نیازی نیست ویدیو را به صورت عمومی به اشتراک بگذارید.

یاد بگیرید که چگونه از عملیات یادگیری ماشین (MLOps) برای حل مشکلات دنیای واقعی استفاده کنید. این دوره راه حل های انتها به انتها با برنامه نویسی جفت هوش مصنوعی (AI) را با استفاده از فناوری هایی مانند GitHub Copilot برای ساخت راه حل هایی برای یادگیری ماشین (ML) و برنامه های کاربردی هوش مصنوعی پوشش می دهد. این دوره برای افرادی است که به عنوان دانشمندان داده، مهندسان نرم افزار یا توسعه دهندگان، تحلیلگران داده یا سایر نقش هایی که از ML استفاده می کنند (یا به دنبال کار) هستند. در پایان دوره، می‌توانید از چارچوب‌های وب (مانند Gradio و Hugging Face) برای راه‌حل‌های ML استفاده کنید، یک ابزار خط فرمان با استفاده از چارچوب کلیک بسازید، و از Rust برای وظایف ML شتاب‌دهی شده توسط GPU استفاده کنید. هفته 1: فناوری های MLOps و مدل های از پیش آموزش دیده را برای حل مشکلات مشتریان کاوش کنید. هفته 2: ML و AI را در عمل از طریق بهینه سازی، اکتشافی و شبیه سازی اعمال کنید. هفته 3: خطوط لوله عملیات، از جمله DevOps، DataOps و MLOps را با Github توسعه دهید. هفته 4: کانتینرهایی برای راه حل های ML و بسته به شیوه ای یکسان بسازید تا امکان استقرار در سیستم های Cloud که کانتینرها را می پذیرند، فراهم شود. هفته 5: برای ایجاد راه حل برای Kubernetes، Docker، Serverless، Data Engineering، Data Science و MLOps، از Python به Rust بروید.

آیا آرزو دارید که یک توسعه دهنده Rust در خط مقدم انقلاب هوش مصنوعی باشید؟ این دوره پیشگامانه به طور خاص برای آموزش عملیات مدل زبان بزرگ (LLMOps) با استفاده از Rust طراحی شده است. این دوره فقط سطح را خراش نمی دهد. به بررسی چگونگی ادغام Rust با چارچوب های پیچیده LLM مانند HuggingFace Transformers نیاز است. ما همچنین چگونگی استقرار موثر این مدل‌های بزرگ را در زیرساخت‌های ابری مانند AWS بررسی می‌کنیم، همه اینها در حالی که متدولوژی‌های DevOps متناسب با LLMOps را شامل می‌شوند.

هدف از این دوره، توانمندسازی کاربران عمومی با درک دوستانه و غیر فنی از هوش مصنوعی Generative است. این بر اهمیت شفافیت در سیستم‌های هوش مصنوعی تأکید می‌کند و به یادگیرندگان کمک می‌کند تا چگونگی تصمیم‌گیری‌های هوش مصنوعی را درک کنند. با برجسته کردن اهمیت آگاهی کاربر، شفافیت و تصمیم گیری آگاهانه، یادگیرندگان برای انتخاب آگاهانه و تعامل مسئولانه و مطمئن با هوش مصنوعی مجهزتر خواهند شد. استراتژی ها و بینش های ارائه شده به یادگیرندگان کمک می کند تا پتانسیل خلاقانه هوش مصنوعی مولد را کشف کنند و در عین حال از اقدامات اخلاقی و محافظت در برابر خطرات احتمالی اطمینان حاصل کنند. این دوره مشارکت فعال را تشویق می کند و بر مسئولیت جمعی کاربران در شکل دادن به آینده هوش مصنوعی تأکید می کند. این دوره برای هر کارمند یا مدیر کسب و کاری که از هوش مصنوعی و هوش مصنوعی مولد استفاده می کند یا در فکر استفاده از آن است، یا هر کسی که به دنبال افزایش دانش خود در مورد این موضوع است، طراحی شده است. این دوره به گونه‌ای طراحی شده است که دانش‌آموزان را به زبان ساده درکی از موضوع و برخی از تفاوت‌های ظریف استفاده از هوش مصنوعی بدهد. هیچ پیش نیاز خاصی برای این دوره وجود ندارد. درک اولیه از کامپیوتر و تجارت مفید خواهد بود، اما اجباری نیست. ذهن باز و کنجکاوی در مورد تأثیر اجتماعی گسترده تر هوش مصنوعی، تجربه یادگیری را افزایش می دهد.

این Teach-Out یادگیرندگان را با هوش مصنوعی آشنا می‌کند و نحوه عملکرد مدل‌های زبان بزرگ و ربات‌های چت مانند ChatGPT را توضیح می‌دهد. استفاده اخلاقی از هوش مصنوعی، پیامدهای تألیف، و چگونگی استفاده از ابزارهایی مانند ChatGPT را بهتر درک خواهید کرد. ChatGPT در نوامبر 2022 راه اندازی شد تا وظایف پردازش زبان طبیعی مانند ترجمه، خلاصه سازی متن و تولید متن را بهبود بخشد. ظرف پنج روز پس از انتشار، ChatGPT از 1 میلیون کاربر گذشت. با دو ماه، از 100 میلیون کاربر فراتر رفت. بلافاصله پس از راه‌اندازی آن، نگرانی‌هایی در مورد پیامدهای اخلاقی استفاده از ChatGPT، به‌ویژه در آموزش، شروع شد. این Teach-Out متخصصان دانشگاه میشیگان را در زمینه فناوری ارتباطات، اقتصاد، هوش مصنوعی، پردازش زبان طبیعی، ارائه مراقبت‌های بهداشتی و قانون گرد هم می‌آورد تا درباره تأثیرات ChatGPT در حال حاضر و آینده بحث کند. این آموزش پاسخ خواهد داد: - ChatGPT چیست و چگونه کار می کند؟ - مزایا و معایب استفاده از ChatGPT چیست؟ - استفاده از ChatGPT چه پیامدهای قانونی دارد؟ - جامعه، اقتصاد و آموزش چگونه به ChatGPT پاسخ داده اند؟ - چگونه ChatGPT می تواند در جامعه رو به جلو ادغام شود؟ کلیه محتویات این Teach-Out به استثنای تصویر دوره دارای مجوز CC BY-SA هستند.

(این برنامه قبلاً بخشی از یک تخصص سه دوره ای به نام هوش مصنوعی مستقل برای صنعت بود. به دلیل توقف برنامه نرم افزاری Bonsai، ارجاعات به Bonsai حذف شده است. شما همچنان می توانید از طریق دو دوره جداگانه ما "طراحی" در مورد هوش مصنوعی مستقل و آموزش ماشینی بیاموزید. هوش مصنوعی مستقل» و «آموزش ماشین برای هوش مصنوعی خودمختار».) همانطور که معلمان به دانش آموزان کمک می کنند تا مهارت های جدیدی کسب کنند، همین امر در مورد هوش مصنوعی (AI) نیز صادق است. الگوریتم‌های یادگیری ماشینی می‌توانند تطبیق داده و تغییر کنند، بسیار شبیه به خود فرآیند یادگیری. با استفاده از پارادایم آموزش ماشین، یک متخصص موضوعی (SME) می تواند هوش مصنوعی را برای بهبود و بهینه سازی انواع سیستم ها و فرآیندها آموزش دهد. نتیجه یک سیستم هوش مصنوعی مستقل است. در این دوره آموزشی، یاد خواهید گرفت که چگونه سیستم های خودکار تصمیم گیری می کنند و چگونه به طراحی یک سیستم هوش مصنوعی که از قابلیت های فعلی بهتر عمل می کند، نزدیک شوید. از آنجایی که 87 درصد از سیستم های یادگیری ماشین در مرحله اثبات مفهوم شکست می خورند، مهم است که بدانید چگونه یک سیستم موجود را تجزیه و تحلیل کنید و تعیین کنید که آیا این سیستم برای رویکردهای آموزش ماشین مناسب است یا خیر. برای پروژه دوره خود، یک مورد استفاده مناسب را انتخاب می‌کنید، با یک SME درباره یک فرآیند مصاحبه می‌کنید، و سپس داستانی را برای اینکه چرا و چگونه می‌توانید در مورد طراحی یک سیستم هوش مصنوعی مستقل انجام دهید، بیان کنید. در پایان این دوره، شما قادر خواهید بود: • مفهوم آموزش ماشین را شرح دهید • نقشی که SMEها در آموزش هوش مصنوعی پیشرفته ایفا می کنند را توضیح دهید • ارزیابی جوانب مثبت و منفی استفاده از تخصص انسانی در طراحی سیستم های هوش مصنوعی • بین سیستم های تصمیم گیری خودکار و مستقل تفاوت قائل شوید • محدودیت های سیستم های خودکار و انسان ها در تصمیم گیری بلادرنگ را شرح دهید • موارد استفاده را انتخاب کنید که در آن هوش مصنوعی مستقل از انسان ها و سیستم های خودکار بهتر عمل کند • یک راه حل هوش مصنوعی مستقل برای یک مشکل دنیای واقعی پیشنهاد دهید • طراحی خود را در برابر تخصص و تکنیک های موجود برای حل مشکلات اعتبار سنجی کنید

این دوره برای حرفه ای های کسب و کار طراحی شده است که مایل به شناسایی مفاهیم اساسی تشکیل دهنده یادگیری ماشین، آزمایش فرضیه مدل با استفاده از طراحی آزمایش ها و آموزش، تنظیم و ارزیابی مدل ها با استفاده از الگوریتم هایی هستند که مشکلات طبقه بندی، رگرسیون و پیش بینی و خوشه بندی را حل می کنند. برای موفقیت در این دوره، زبان آموز باید پیشینه ای در زمینه فناوری محاسبات، از جمله استعداد در برنامه نویسی کامپیوتر داشته باشد.

این Teach-Out یادگیرندگان را با هوش مصنوعی (AI) آشنا می‌کند و توضیح می‌دهد که چگونه مدل‌های زبان بزرگ و ابزارهای مولد هوش مصنوعی، مانند ChatGPT، کار می‌کنند. استفاده اخلاقی از هوش مصنوعی، پیامدهای تألیف، و چگونگی استفاده و تنظیم این ابزارها در حرکت رو به جلو را بررسی کنید. هوش مصنوعی مولد در سال گذشته به سرعت توسعه یافته است و تقاضای فزاینده ای برای انواع ابزارهای هوش مصنوعی مانند چت بات ها و تولیدکنندگان رسانه های بصری وجود دارد. به عنوان مثال، ChatGPT در نوامبر 2022 در تلاشی برای بهبود وظایف پردازش زبان طبیعی مانند ترجمه، خلاصه سازی متن و تولید متن راه اندازی شد. ظرف پنج روز پس از انتشار، ChatGPT از 1 میلیون کاربر گذشت. با دو ماه، از 100 میلیون کاربر فراتر رفت. نگرانی‌های مربوط به پیامدهای اخلاقی استفاده از هوش مصنوعی مولد، به‌ویژه در تجارت و آموزش در حال ظهور است. این Teach-Out متخصصان دانشگاه میشیگان را در زمینه فناوری ارتباطات، اقتصاد، هوش مصنوعی، پردازش زبان طبیعی، ارائه مراقبت‌های بهداشتی، معماری و قانون گرد هم می‌آورد تا درباره تأثیرات هوش مصنوعی مولد در حال حاضر و آینده بحث کند. این آموزش پاسخ خواهد داد: - هوش مصنوعی مولد چیست و چگونه کار می کند؟ - مزایا و معایب استفاده از هوش مصنوعی مولد چیست؟ - استفاده از هوش مصنوعی مولد چه پیامدهای اخلاقی و قانونی دارد؟ - جامعه، اقتصاد و آموزش چگونه به هوش مصنوعی مولد واکنش نشان داده اند؟ - چگونه ممکن است هوش مصنوعی مولد در جامعه رو به جلو ادغام شود؟ - چگونه زبان آموزان می توانند از هوش مصنوعی مولد در زندگی خود استفاده کنند؟ کلیه محتویات این Teach-Out به استثنای تصویر دوره دارای مجوز CC BY-SA هستند.

در دنیای پر سرعت، مدیریت بهره وری شخصی بسیار مهم است. این دوره مبتدیان را با دنیای دستیاران مجازی و چت بات ها و نحوه استفاده از آنها برای افزایش بهره وری شخصی آشنا می کند. یاد بگیرید که چگونه از این ابزارهای مبتنی بر هوش مصنوعی به طور موثر برای ساده کردن وظایف، مدیریت زمان و افزایش کارایی کلی استفاده کنید. در پایان این دوره، شما نه تنها درک جامعی از مفاهیم اساسی در پشت دستیاران مجازی و ربات‌های چت به دست خواهید آورد، بلکه مهارت‌های عملی برای استفاده مؤثر از این فناوری تحول‌آفرین را نیز توسعه خواهید داد. با این دانش و تجربه عملی، به خوبی در مسیر مهارت قرار گرفتن در یک نوآوری پیشگامانه دیگر با هوش مصنوعی خواهید بود. علاوه بر این، شما مجهز به استفاده از این مهارت‌ها در سناریوهای عملی مختلف، مانند خودکار کردن پاسخ‌های ایمیل، زمان‌بندی قرار ملاقات‌ها، تنظیم یادآورها، و حتی توسعه ربات‌های چت سفارشی خود برای وظایف یا صنایع خاص خواهید بود. این دوره به شما قدرت می دهد تا مسئولیت بهره وری خود را بر عهده بگیرید و از دستیاران شخصی مبتنی بر هوش مصنوعی حداکثر استفاده را ببرید. این دوره برای مخاطبان متنوعی از جمله متخصصان اداری، مشاوران، دانشجویان، بازاریابان دیجیتال، کارآفرینان و صاحبان مشاغل کوچک طراحی شده است. برای به حداکثر رساندن مزایای این دوره، از زبان آموزان انتظار می رود که مهارت های اساسی کامپیوتر را داشته باشند، با استفاده از نرم افزارهای کاربردی راحت باشند، به فناوری های هوش مصنوعی علاقه نشان دهند، و مهمتر از همه، نیازی به دانش کدنویسی قبلی نداشته باشند. دسترسی به رایانه یا دستگاه برای تمرین عملی نیز برای شرکت موفق در دوره ضروری است.

این دوره جامع برنامه نویسی Rust پذیرای زبان آموزان در تمام سطوح، از جمله مبتدیان و کسانی که تجربه برنامه نویسی دارند، می باشد. هیچ دانش قبلی در مورد Rust مورد نیاز نیست، و آن را برای مبتدیان برنامه نویسی قابل دسترسی می کند. در طول دوره، شما پایه ای محکم در برنامه نویسی Rust به دست خواهید آورد و در مفاهیم پیشرفته مهارت کسب خواهید کرد و به شما امکان می دهد کدهای کارآمد، قابل اعتماد و با کارایی بالا بنویسید. شما مفاهیم اصلی و نحو Rust را درک خواهید کرد، سازماندهی کد موثر، تکنیک های رسیدگی به خطا را یاد خواهید گرفت و مدیریت بسته Rust را برای مدیریت کارآمد پروژه کشف خواهید کرد. با گذراندن این دوره، بدون توجه به تجربه قبلی خود در برنامه نویسی، مهارت های لازم برای توسعه برنامه های کاربردی قابل اعتماد و با کارایی بالا را خواهید داشت.

در این دوره، به طور عمیق خواهید فهمید که چگونه یادگیری ماشین برای مدیریت و تفسیر داده های بزرگ استفاده می شود. شما با ابزارهایی مانند Teachable Machine و TensorFlow نگاهی دقیق به راه‌ها و روش‌های مختلف برای ایجاد الگوریتم‌هایی برای ادغام در کسب‌وکار خود خواهید داشت. شما همچنین روش‌های مختلف ML، یادگیری عمیق، و همچنین محدودیت‌ها را یاد می‌گیرید، اما همچنین نحوه دقت و استفاده از بهترین داده‌های آموزشی را برای الگوریتم‌های خود خواهید آموخت. سپس GAN ها و VAE ها را بررسی می کنید و از دانش جدید خود برای تعامل با AutoML استفاده می کنید تا به شما کمک کند شروع به ساخت الگوریتم هایی کنید که مطابق با نیازهای شما کار می کنند. همچنین مصاحبه‌های انحصاری با رهبران صنعت را خواهید دید که Big Data را برای شرکت‌هایی مانند مک‌دونالد و ویزا مدیریت می‌کنند. در پایان این دوره، روش‌های مختلفی برای کدنویسی، از جمله نحوه استفاده از ابزارهای بدون کد، درک عمیق یادگیری، نحوه اندازه‌گیری و بررسی خطاها در الگوریتم‌ها و نحوه استفاده از داده‌های بزرگ نه تنها برای حفظ حریم خصوصی مشتری، بلکه نحوه استفاده از این داده‌ها برای توسعه استراتژی‌های مختلف که کسب‌وکار شما را هدایت می‌کنند، یاد خواهید گرفت.

الگوریتم‌های ML چهارمین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. این دوره فراگیران را قادر می‌سازد تا الگوریتم‌های یادگیری ماشینی را عمیقاً غواصی کنند. این دوره به دو ماژول تقسیم می شود و هر ماژول توسط درس ها و سخنرانی های ویدیویی تقسیم بندی می شود. این دوره آموزشی با سخنرانی‌های ویدیویی تقریباً 2:00 تا 2:30 ساعته که هم تئوری و هم دانش عملی را ارائه می‌کند، به فراگیران کمک می‌کند. همچنین آزمون های درجه بندی شده و بدون درجه بندی به منظور سنجش توانایی فراگیران به همراه هر ماژول ارائه می شود. ماژول 1: الگوریتم های ML- قسمت 1 ماژول 2: الگوریتم های ML- قسمت 2 حداقل دو سال تجربه عملی در معماری، ساخت یا اجرای بارهای کاری ML/یادگیری عمیق در AWS Cloud. در پایان این دوره، فراگیران قادر خواهند بود: - تعیین مفاهیم الگوریتم در ML - طراحی الگوریتم های رگرسیون و الگوریتم های مبتنی بر طبقه بندی - الگوریتم های یادگیری تقویتی و الگوریتم های پیش بینی را بررسی کنید

یکی از مفیدترین زمینه ها در یادگیری ماشین، کشف الگوهای پنهان از داده های بدون برچسب است. اصول اولیه این مهارت مورد تقاضا را به جعبه ابزار علم داده خود اضافه کنید. در این دوره، روش‌های یادگیری بدون نظارت منتخب برای کاهش ابعاد، خوشه‌بندی و یادگیری ویژگی‌های نهفته را یاد می‌گیریم. ما همچنین بر برنامه های کاربردی دنیای واقعی مانند سیستم های توصیه کننده با مثال های عملی از الگوریتم های توصیه محصول تمرکز خواهیم کرد. دانش کدنویسی یا برنامه نویسی قبلی مورد نیاز است. ما در طول دوره به طور گسترده از پایتون استفاده خواهیم کرد. مهارت های ریاضی در سطح دانشگاه، از جمله حساب دیفرانسیل و انتگرال و جبر خطی، مورد نیاز است. توصیه می شود، اما نه الزامی، برای گذراندن اولین دوره در تخصص، مقدمه ای بر یادگیری ماشین: یادگیری نظارت شده. 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 تصویر لوگوی دوره توسط رایان والاس در Unsplash.

در دوره دوم تخصص یادگیری ماشین، شما: • ساخت و آموزش شبکه عصبی با TensorFlow برای انجام طبقه بندی چند کلاسه • بهترین شیوه ها را برای توسعه یادگیری ماشین به کار ببرید تا مدل های شما به داده ها و وظایف در دنیای واقعی تعمیم یابد • ساخت و استفاده از درختان تصمیم و روش های مجموعه درختی، از جمله جنگل های تصادفی و درختان تقویت شده 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 نظری 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.

در این دوره آموزشی، شما یاد خواهید گرفت که چگونه از قدرت Apache Spark و خوشه های قدرتمندی که بر روی پلتفرم Azure Databricks اجرا می شوند برای اجرای بارهای کاری علم داده در فضای ابری استفاده کنید. این چهارمین دوره از یک برنامه پنج دوره ای است که شما را برای شرکت در آزمون DP-100: طراحی و پیاده سازی راه حل علم داده در آزمون گواهینامه Azurec آماده می کند. آزمون گواهینامه فرصتی برای اثبات دانش و تخصص راه حل های یادگیری ماشین در مقیاس ابری با استفاده از یادگیری ماشینی Azure است. این تخصص به شما می آموزد که از دانش موجود خود از پایتون و یادگیری ماشین برای مدیریت جذب و آماده سازی داده ها، آموزش مدل و استقرار، و نظارت راه حل یادگیری ماشین در Microsoft Azure استفاده کنید. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند. این تخصص برای دانشمندان داده با دانش موجود از Python و چارچوب‌های یادگیری ماشینی مانند Scikit-Learn، PyTorch و Tensorflow در نظر گرفته شده است، که می‌خواهند راه‌حل‌های یادگیری ماشین را در فضای ابری بسازند و کار کنند. این به دانشمندان داده می آموزد که چگونه راه حل های سرتاسری را در Microsoft Azure ایجاد کنند. دانش آموزان یاد خواهند گرفت که چگونه منابع Azure را برای یادگیری ماشین مدیریت کنند. آزمایش ها و مدل های قطار را اجرا کنید. راه حل های یادگیری ماشین را مستقر و عملیاتی کنید و یادگیری ماشینی مسئولانه را پیاده سازی کنید. آنها همچنین یاد خواهند گرفت که از Azure Databricks برای کاوش، آماده سازی و مدل سازی داده ها استفاده کنند. و فرآیندهای یادگیری ماشین Databricks را با یادگیری ماشینی Azure ادغام کنید.

یادگیری ماشینی پایه و اساس مدل‌سازی پیش‌بینی‌کننده و هوش مصنوعی است. اگر می‌خواهید در مورد مفاهیم اساسی و نحوه ورود به مدل‌های ساخت با رایج‌ترین ابزارهای یادگیری ماشین بیاموزید، این مسیر برای شما مناسب است. در این دوره، شما با اصول اصلی یادگیری ماشینی و نحوه استفاده از ابزارها و چارچوب های رایج برای آموزش، ارزیابی و استفاده از مدل های یادگیری ماشینی آشنا خواهید شد. این دوره برای آماده سازی شما برای نقش هایی طراحی شده است که شامل برنامه ریزی و ایجاد یک محیط کاری مناسب برای حجم کاری علم داده در Azure می شود. شما یاد خواهید گرفت که چگونه آزمایش های داده را اجرا کنید و مدل های پیش بینی را آموزش دهید. علاوه بر این، شما مدل‌های یادگیری ماشینی را مدیریت، بهینه‌سازی و به کار خواهید برد. از ابتدایی‌ترین مدل‌های یادگیری ماشینی کلاسیک، تا تجزیه و تحلیل داده‌های اکتشافی و سفارشی‌سازی معماری‌ها، شما با محتوای مفهومی هضم آسان و نوت‌بوک‌های تعاملی Jupyter هدایت می‌شوید. اگر از قبل ایده ای دارید که یادگیری ماشین در مورد چیست یا پیشینه ریاضی قوی دارید، این دوره برای شما عالی است. این ماژول ها برخی از مفاهیم یادگیری ماشین را آموزش می دهند، اما به سرعت حرکت می کنند تا بتوانند به قدرت استفاده از ابزارهایی مانند scikit-learn، TensorFlow و PyTorch دست یابند. اگر به دنبال آشنایی کافی برای درک مثال‌های یادگیری ماشینی برای محصولاتی مانند Azure ML یا Azure Databricks هستید، این مسیر یادگیری بهترین راه برای شماست. همچنین اگر قصد دارید فراتر از یادگیری ماشینی کلاسیک بروید و در زمینه یادگیری عمیق و شبکه های عصبی که ما در اینجا فقط آن ها را معرفی می کنیم، آموزش ببینید، مکان خوبی برای شروع است. این برنامه شامل 5 دوره است که به شما برای شرکت در آزمون DP-100: طراحی و پیاده سازی راه حل علم داده در Azure کمک می کند. آزمون گواهینامه فرصتی برای اثبات دانش و تخصص در راه‌حل‌های یادگیری ماشین در مقیاس ابری با استفاده از یادگیری ماشین Azure است. این تخصص به شما می آموزد که از دانش موجود خود از پایتون و یادگیری ماشین برای مدیریت جذب و آماده سازی داده ها، آموزش مدل و استقرار، و نظارت راه حل یادگیری ماشین در Microsoft Azure استفاده کنید. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند.

در این دوره آموزشی، با کامپیوتر ویژن به عنوان یک زمینه مطالعه و تحقیق آشنا خواهید شد. ابتدا چندین کار Computer Vision و رویکردهای پیشنهادی را از دیدگاه کلاسیک Computer Vision بررسی خواهیم کرد. سپس روش‌های یادگیری عمیق را معرفی می‌کنیم و آنها را برای برخی از مشکلات مشابه به کار می‌بریم. ما نتایج را تجزیه و تحلیل خواهیم کرد و مزایا و معایب هر دو نوع روش را مورد بحث قرار خواهیم داد. ما از آموزش‌هایی استفاده می‌کنیم تا به شما اجازه دهیم برخی از ابزارهای مدرن یادگیری ماشین و کتابخانه‌های نرم‌افزار را به‌طور عملی کشف کنید. نمونه‌هایی از وظایف بینایی کامپیوتری که در آن‌ها می‌توان از یادگیری عمیق استفاده کرد، عبارتند از: طبقه‌بندی تصویر، طبقه‌بندی تصویر با محلی‌سازی، تشخیص اشیا، تقسیم‌بندی شی، تشخیص چهره، و تخمین فعالیت یا حالت. 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

این دوره برای افراد درگیر در یادگیری ماشین و علاقه مند به کاربردهای پزشکی یا بالعکس، متخصصان پزشکی که علاقه مند به روش هایی هستند که علوم کامپیوتر مدرن به رشته خود ارائه می دهند، در نظر گرفته شده است. ما تجزیه و تحلیل داده های سلامت، انواع مختلف شبکه های عصبی، و همچنین آموزش و کاربرد شبکه های عصبی را در سناریوهای پزشکی دنیای واقعی پوشش خواهیم داد. ما روش های یادگیری عمیق (DL)، داده های مراقبت های بهداشتی و برنامه های کاربردی را با استفاده از روش های DL پوشش می دهیم. این دوره ها شامل فعالیت هایی مانند سخنرانی های ویدئویی، آزمایشگاه های برنامه نویسی خود هدایت شونده، تکالیف درسی (چه کتبی و چه برنامه نویسی) و یک پروژه بزرگ است. مرحله اول این دوره شامل سخنرانی های ویدئویی در مورد موضوعات مختلف DL و برنامه های کاربردی سلامت، آزمایشگاه های خود هدایت شونده و تکالیف متعدد در منزل خواهد بود. در این مرحله، دانش و تجربه خود را در توسعه مدل های یادگیری عمیق عملی بر روی داده های مراقبت های بهداشتی ایجاد خواهید کرد. مرحله دوم این دوره یک پروژه بزرگ خواهد بود که می تواند منجر به گزارش فنی و نسخه ی نمایشی عملکرد مدل های یادگیری عمیق برای رسیدگی به برخی از مشکلات خاص مراقبت های بهداشتی شود. ما انتظار داریم که بهترین پروژه ها به طور بالقوه به انتشارات علمی منجر شوند.

در سومین دوره تخصصی تخصصی علم داده های عملی، یک سری تکنیک های بهبود عملکرد و کاهش هزینه را برای تنظیم خودکار دقت مدل، مقایسه عملکرد پیش بینی و تولید داده های آموزشی جدید با هوش انسانی خواهید آموخت. پس از تنظیم طبقه‌بندی‌کننده متن خود با استفاده از تنظیم Hyper-Parameter Amazon SageMaker (HPT)، دو نامزد مدل را در یک آزمون A/B قرار می‌دهید تا عملکرد پیش‌بینی بلادرنگ آنها را مقایسه کرده و به طور خودکار مدل برنده را با استفاده از میزبانی Amazon SageMaker مقیاس کنید. در نهایت، شما یک خط لوله انسان در حلقه راه‌اندازی می‌کنید تا پیش‌بینی‌های طبقه‌بندی‌شده اشتباه را اصلاح کنید و داده‌های آموزشی جدیدی را با استفاده از هوش مصنوعی آمازون و آمازون SageMaker Ground Truth تولید کنید. علم داده های عملی برای مدیریت مجموعه داده های عظیمی طراحی شده است که در سخت افزار محلی شما مناسب نیستند و می توانند از منابع متعدد نشات گرفته باشند. یکی از بزرگترین مزایای توسعه و اجرای پروژه‌های علم داده در فضای ابری، چابکی و انعطاف‌پذیری است که ابر برای افزایش و کاهش با حداقل هزینه ارائه می‌دهد. تخصص عملی علم داده به شما کمک می کند تا مهارت های عملی را برای به کارگیری مؤثر پروژه های علم داده خود و غلبه بر چالش ها در هر مرحله از گردش کار ML با استفاده از Amazon SageMaker توسعه دهید. این تخصص برای توسعه دهندگان، دانشمندان و تحلیلگران متمرکز بر داده طراحی شده است که با زبان های برنامه نویسی Python و SQL آشنا هستند و می خواهند یاد بگیرند که چگونه خطوط لوله ML مقیاس پذیر و سرتاسر مقیاس پذیر را بیاموزند - هم خودکار و هم انسانی. -the-loop - در ابر AWS.

در این دوره، پیش‌بینی‌هایی در مورد استفاده از محصول انجام می‌دهیم و ذخیره‌سازی بهینه انبار ایمنی را محاسبه می‌کنیم. ما با یک سری زمانی فروش کفش در چندین فروشگاه در سه قاره مختلف شروع خواهیم کرد. برای شروع، با انجام گروه‌بندی و مقایسه محصولات در هر فروشگاه، به دنبال بینش‌های منحصربه‌فرد و چیزهای جالب دیگری می‌گردیم که می‌توانیم در داده‌ها پیدا کنیم. سپس، ما از مدل میانگین متحرک یکپارچه اتورگرسیو فصلی (SARIMA) برای پیش‌بینی فروش آینده استفاده می‌کنیم. علاوه بر پیش‌بینی، آمار ارائه شده (مانند p-score) را برای قضاوت در مورد قابلیت استفاده از مدل SARIMA برای پیش‌بینی تجزیه و تحلیل خواهیم کرد. سپس، ما فراپارامترهای مدل را تنظیم می کنیم تا نتایج بهتر و اهمیت آماری بالاتری به دست آوریم. در نهایت، با نگاه کردن به داده‌ها برای پیش‌بینی‌های استفاده ماهانه و محاسبه موجودی ایمنی از فرمول مربوط به زمان تحویل، پیش‌بینی‌هایی در مورد سهام ایمنی انجام خواهیم داد.