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.

کلاس پروژه Capstone به دانش آموزان اجازه می دهد تا یک محصول داده قابل استفاده/عمومی ایجاد کنند که می تواند برای نشان دادن مهارت های شما به کارفرمایان بالقوه استفاده شود. پروژه ها از مشکلات دنیای واقعی استخراج می شوند و با صنعت، دولت و شرکای دانشگاهی انجام خواهند شد.

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.

هوش مصنوعی (AI) در اطراف ماست و یکپارچه در زندگی و کار روزمره ما ادغام شده است. برای درک اصطلاحات و برنامه های کلیدی هوش مصنوعی در این دوره ثبت نام کنید ، حرفه هوش مصنوعی خود را راه اندازی کنید یا مورد موجود خود را تغییر دهید. این دوره مفاهیم اصلی هوش مصنوعی ، از جمله یادگیری عمیق ، یادگیری ماشین و شبکه های عصبی را در بر می گیرد. شما مدل های AI تولیدی ، از جمله مدل های بزرگ زبان (LLM) و قابلیت های آنها را بررسی خواهید کرد. علاوه بر این ، شما برنامه های کاربردی AI را در حوزه ها ، مانند پردازش زبان طبیعی (NLP) ، بینایی رایانه و روباتیک ، تجزیه و تحلیل خواهید کرد ، و از نحوه این پیشرفت ها نوآوری و استفاده از موارد استفاده می کنید. این دوره به شما کمک می کند تا کشف کنید که چگونه هوش مصنوعی ، به ویژه هوش مصنوعی ، در حال تغییر شکل مجدد محیط های تجاری و کاری است. شما همچنین فرصت های شغلی در حال ظهور را در این زمینه به سرعت در حال تحول کشف خواهید کرد و بینش در مورد ملاحظات اخلاقی و مدیریت هوش مصنوعی که نوآوری مسئولیتی را شکل می دهد ، به دست می آورید. این دوره شامل آزمایشگاه های دستی و یک پروژه است که فرصتی مفید برای کشف موارد و برنامه های کاربردی AI فراهم می کند. همچنین از پزشکان متخصص در مورد قابلیت ها ، برنامه ها و ملاحظات اخلاقی پیرامون هوش مصنوعی می شنوید. این دوره برای همه مناسب است ، از جمله متخصصان ، علاقه مندان و دانشجویان علاقمند به یادگیری اصول هوش مصنوعی.

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.

گواهینامه های مایکروسافت با ارائه مدارک شناخته شده و مورد تایید صنعت در سطح جهانی مبنی بر تسلط بر مهارت های کسب و کارهای دیجیتال و ابری به شما یک مزیت حرفه ای می دهد. دانش خود را در مورد اصول اساسی یادگیری ماشین در Microsoft Azure تجدید خواهید کرد. شما به بررسی اصلی بارهای کاری هوش مصنوعی و ویژگی های بینایی کامپیوتر، پردازش زبان طبیعی (NLP) و بارهای کاری هوش مصنوعی محاوره ای در Azure باز خواهید گشت. به طور خلاصه، تمام مفاهیم و مهارت‌های اصلی را که با امتحان اندازه‌گیری می‌شوند، جمع‌بندی می‌کنید. شما دانش خود را در یک سری آزمون های عملی که با تمام موضوعات اصلی تحت پوشش آزمون AI-900 ترسیم شده است، آزمایش خواهید کرد و اطمینان حاصل می کند که برای موفقیت در صدور گواهینامه آمادگی خوبی دارید. با شرکت در آزمون های عملی با قالب ها و محتوای مشابه، برای قبولی در آزمون گواهینامه آماده می شوید. همچنین یک نمای کلی دقیق تر از برنامه صدور گواهینامه مایکروسافت و جایی که می توانید در حرفه خود ادامه دهید دریافت خواهید کرد. همچنین نکات و ترفندها، استراتژی‌های تست، منابع مفید و اطلاعاتی در مورد نحوه ثبت‌نام در آزمون AI-900 Proctored دریافت خواهید کرد. در پایان این دوره، شما آماده ثبت نام و شرکت در آزمون AZ-900 خواهید بود. این دوره برای داوطلبان با سوابق فنی و غیر فنی در نظر گرفته شده است. علم داده و تجربه مهندسی نرم افزار مورد نیاز نیست. با این حال، برخی از دانش یا تجربه برنامه نویسی عمومی مفید خواهد بود. برای موفقیت در این دوره، باید سواد کامپیوتری اولیه و تسلط به زبان انگلیسی را داشته باشید. شما باید با مفاهیم اولیه محاسبات و اصطلاحات، مفاهیم کلی فناوری، از جمله مفاهیم یادگیری ماشین و هوش مصنوعی آشنا باشید.

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.

در این دوره، شما: • در مورد اشیاء Tensor، بلوک های ساختمانی اصلی TensorFlow بیاموزید، تفاوت بین حالت های مشتاق و گراف در TensorFlow را درک کنید، و یاد بگیرید که چگونه از ابزار TensorFlow برای محاسبه گرادیان ها استفاده کنید. • حلقه های آموزشی سفارشی خود را با استفاده از GradientTape و TensorFlow Datasets بسازید تا با آموزش مدل خود انعطاف پذیری و دید بیشتری داشته باشید. • در مورد مزایای تولید کدی که در حالت نمودار اجرا می‌شود، بیاموزید، نگاهی به شکل کد نمودار بیندازید، و تولید خودکار این کد کارآمدتر را با ابزارهای TensorFlow تمرین کنید. • از قدرت آموزش توزیع‌شده برای پردازش داده‌های بیشتر و آموزش مدل‌های بزرگ‌تر، سریع‌تر استفاده کنید، یک مرور کلی از استراتژی‌های آموزشی توزیع‌شده مختلف دریافت کنید، و کار با استراتژی‌ای را تمرین کنید که روی چندین هسته GPU آموزش می‌دهد، و استراتژی دیگری که روی چندین هسته TPU آموزش می‌دهد. تخصص DeepLearning.AI TensorFlow: Advanced Techniques ویژگی‌های TensorFlow را معرفی می‌کند که به یادگیرندگان کنترل بیشتری بر معماری مدل و ابزارهایی می‌دهد که به آنها کمک می‌کند مدل‌های پیشرفته ML را ایجاد و آموزش دهند. 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.

(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.

هدف از این دوره معرفی روش های مونت کارلو زنجیره مارکوف برای مدل سازی و استنتاج بیزی است، شرکت کنندگان با یادگیری اصول اولیه روش های مونت کارلو شروع می کنند. این با مثال‌های عملی در پایتون تقویت می‌شود که برای نشان دادن نحوه کار این الگوریتم‌ها استفاده می‌شود. این دومین دوره از یک تخصص شامل سه دوره خواهد بود. از نوت بوک های پایتون و ژوپیتر در طول این دوره برای نشان دادن و انجام مدل سازی بیزی با PyMC3 استفاده می شود. وب سایت دوره در آدرس https://sjster.github.io/introduction_to_computational_statistics/docs/index.html قرار دارد. دفترچه های دوره را می توان با دنبال کردن دستورالعمل های صفحه https://sjster.github.io/introduction_to_computational_statistics/docs/getting_started.html از این وب سایت دانلود کرد. مدرس این دوره دکتر Srijith Rajamohan خواهد بود.

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.

این دوره به معرفی محصولات و سرویس‌های کلان داده و یادگیری ماشین Google Cloud می‌پردازد که از چرخه عمر داده به هوش مصنوعی پشتیبانی می‌کنند. فرآیندها، چالش‌ها و مزایای ساخت خط لوله داده بزرگ و مدل‌های یادگیری ماشین با Vertex AI در Google Cloud را بررسی می‌کند.

در این دوره، شما: - کاربردهای GAN ها را کاوش کنید و آنها را در افزایش داده ها، حفظ حریم خصوصی و ناشناس بودن بررسی کنید. - از چارچوب ترجمه تصویر به تصویر استفاده کنید و برنامه های کاربردی را برای روش های فراتر از تصاویر شناسایی کنید - پیاده سازی Pix2Pix، یک GAN ترجمه جفت تصویر به تصویر، برای تطبیق تصاویر ماهواره ای در مسیرهای نقشه (و بالعکس) - ترجمه جفت شده تصویر به تصویر را با ترجمه تصویر به تصویر بدون جفت مقایسه کنید و تشخیص دهید که تفاوت کلیدی آنها چگونه معماری های مختلف GAN را ضروری می کند. - پیاده سازی CycleGAN، یک مدل ترجمه تصویر به تصویر جفت نشده، برای تطبیق اسب ها با گورخرها (و بالعکس) با دو GAN در یک تخصص شبکه‌های متخاصم مولد (GAN) DeepLearning.AI مقدمه‌ای هیجان‌انگیز برای تولید تصویر با GAN‌ها فراهم می‌کند و مسیری را از مفاهیم پایه به تکنیک‌های پیشرفته از طریق یک رویکرد آسان برای درک ترسیم می‌کند. همچنین پیامدهای اجتماعی، از جمله سوگیری در ML و راه های تشخیص آن، حفظ حریم خصوصی و موارد دیگر را پوشش می دهد. ایجاد یک پایگاه دانش جامع و کسب تجربه عملی در GAN. مدل خود را با استفاده از PyTorch آموزش دهید، از آن برای ایجاد تصاویر و ارزیابی انواع GAN های پیشرفته استفاده کنید. این تخصص مسیری قابل دسترس برای همه سطوح یادگیرندگانی که به دنبال نفوذ به فضای GAN یا استفاده از GAN در پروژه های خود هستند، حتی بدون آشنایی قبلی با تحقیقات پیشرفته ریاضی و یادگیری ماشین، فراهم می کند.

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.