به CLICS-Machine Translation MOOC خوش آمدید این MOOC اصول اولیه ترجمه ماشینی را توضیح می دهد. ترجمه ماشینی وظیفه ترجمه از یک زبان طبیعی به زبان طبیعی دیگر است. بنابراین، این الگوریتم ها می توانند به افراد در برقراری ارتباط به زبان های مختلف کمک کنند. چنین الگوریتم‌هایی در برنامه‌های رایج، از Google Translate گرفته تا برنامه‌های موجود در دستگاه تلفن همراه شما استفاده می‌شوند. پس از گذراندن این دوره، می توانید مشکلات اصلی ترجمه زبان های طبیعی و اصول روش های مختلف ترجمه ماشینی را درک کنید. تمرکز اصلی این دوره بر روی پیشرفته ترین فناوری ترجمه ماشینی عصبی فعلی خواهد بود که از روش های یادگیری عمیق برای مدل سازی فرآیند ترجمه استفاده می کند. شما قادر خواهید بود تصمیم بگیرید که کدام مفاهیم برای برنامه ترجمه ماشینی شما مناسب تر است. این دوره توسط پروفسور دکتر الکساندر وایبل (http://isl.anthropomatik.kit.edu/english/21_74.php) و استادیار دکتر یان نیهوس (https://www.maastrichtuniversity.nl/jan) تدریس می شود. نیهوس).

بزرگترین خطر در فناوری های نوظهور، تداوم تعصب در فناوری های خودکار وابسته به مجموعه داده ها است. راه‌حل‌هایی که با تعصب نژادی، جنسیتی یا جمعیتی ایجاد می‌شوند، خواه ناخواسته یا غیرعمدی، می‌توانند نابرابری‌های غم انگیز را از نظر اجتماعی و اقتصادی تداوم بخشند. این اولین دوره از پنج دوره گواهینامه حرفه‌ای Certified Ethical Emerging Technologist (CEET) است و برای یادگیرندگانی طراحی شده است که به دنبال حمایت و ترویج استفاده اخلاقی از فناوری‌های مبتنی بر داده هستند. دانش آموزان یاد خواهند گرفت که فناوری های نوظهور چیست و چگونه می توان از آنها برای ایجاد راه حل های مبتنی بر داده استفاده کرد. انواع سوگیری ها و تئوری های اخلاقی رایج و نحوه استفاده از آنها در فناوری های نوظهور را یاد خواهید گرفت و مفاهیم حقوقی و اخلاقی حریم خصوصی را در ارتباط با فناوری هایی مانند هوش مصنوعی، یادگیری ماشین و زمینه های علم داده بررسی خواهید کرد. در طول دوره، فراگیران شروع به تشخیص اینکه کدام نوع سوگیری ممکن است بیشترین خطر را ایجاد کند و کدام اصول برای پاسخگویی استراتژیک به ملاحظات اخلاقی اعمال شود، شروع می شود.

به دوره آموزشی تست انتساب مبتنی بر هوش مصنوعی خوش آمدید، دوره ای جذاب و جامع که برای راهنمایی شما از طریق مفاهیم اساسی و کاربردهای عملی تست اسناد مبتنی بر هوش مصنوعی طراحی شده است. این دوره برای بازاریابان، تحلیلگران داده، دانشمندان داده و رهبران تجاری که قصد دارند از بینش های مبتنی بر داده برای تصمیم گیری استفاده کنند، مناسب است. همچنین برای دانشجویان و متخصصانی که علاقه زیادی به همگرایی هوش مصنوعی، تجزیه و تحلیل داده ها و بازاریابی دارند، مفید است. در ماژول 1: تست انتساب - مبانی، ما شما را با تست اسناد مبتنی بر هوش مصنوعی آشنا می کنیم و هدف و اهمیت آن را در دنیای داده محور امروزی توضیح می دهیم. این ماژول بیشتر شما را با درک قوی از اصول مدلسازی اسناد، که برای هر کسی که در این زمینه جسارت می کند ضروری است، مجهز می کند. در مرحله بعد، در ماژول 2: آزمایش اسناد مبتنی بر هوش مصنوعی - پیاده سازی، درک خود را در سناریوهای دنیای واقعی اعمال خواهید کرد و یاد می گیرید که چگونه به طور موثر تست انتساب مبتنی بر هوش مصنوعی را پیاده سازی کنید. شما همچنین بهترین شیوه ها و مطالعات موردی را برای تقویت یادگیری خود کاوش خواهید کرد. این دوره با نگاهی اجمالی به روندهای آینده در آزمون اسناد و بحث مهم در مورد ملاحظات اخلاقی در این زمینه به پایان می رسد. در پایان این دوره، درک کاملی از تست اسناد مبتنی بر هوش مصنوعی خواهید داشت، نحوه اجرای موثر آن را می‌دانید و با دستورالعمل‌های اخلاقی حاکم بر این زمینه آشنا خواهید شد. دانش و مهارت‌های تازه به‌دست‌آمده شما در تست اسناد مبتنی بر هوش مصنوعی می‌تواند به شما قدرت دهد تا تصمیم‌های مبتنی بر داده‌ها بگیرید و ارزش قابل‌توجهی برای سازمان یا شغل آینده‌تان به ارمغان بیاورد. دانشجویان سال دوم کارشناسی علاقه مند به مهندسی یا علوم، همراه با دانش آموزان دبیرستانی و متخصصان علاقه مند به برنامه نویسی.

در این دوره، نحوه حل مشکلات تجاری با یادگیری ماشینی، بدون نیاز به کدنویسی را خواهید یافت. شما Amazon SageMaker Canvas را کاوش خواهید کرد، یک رابط بصری نقطه و کلیک که به شما امکان می دهد پیش بینی های دقیق ML را بدون نیاز به تجربه یادگیری ماشینی یا نیاز به نوشتن یک خط کد ایجاد کنید. در پایان دوره، شما از درک نحوه تصمیم گیری بهتر تجاری با استفاده از یادگیری ماشین بدون کد خارج خواهید شد.

این دوره مقدمه ای بر تصمیم گیری متوالی و یادگیری تقویتی است. ما با بحث در مورد نظریه مطلوبیت شروع می کنیم تا یاد بگیریم که چگونه ترجیحات را می توان برای تصمیم گیری نشان داد و مدل سازی کرد. ما ابتدا مسائل تصمیم گیری ساده را به عنوان مشکلات راهزن چند مسلح مدل می کنیم و چندین رویکرد را برای ارزیابی بازخورد مورد بحث قرار می دهیم. سپس مسائل تصمیم‌گیری را به‌عنوان فرآیندهای تصمیم‌گیری مارکوف محدود (MDP) مدل‌سازی می‌کنیم و راه‌حل‌های آن‌ها را از طریق الگوریتم‌های برنامه‌نویسی پویا مورد بحث قرار می‌دهیم. ما مفهوم مشاهده پذیری جزئی در مسائل واقعی را که توسط POMDP مدل شده و سپس با روش های برنامه ریزی آنلاین حل شده است، لمس می کنیم. در نهایت، مسئله یادگیری تقویتی را معرفی می کنیم و دو پارادایم را مورد بحث قرار می دهیم: روش های مونت کارلو و یادگیری تفاوت زمانی. ما دوره را با یادآوری اینکه چگونه این دو پارادایم بر روی طیفی از روش‌های تفاوت زمانی n مرحله‌ای قرار دارند، به پایان می‌رسانیم. تاکید بر الگوریتم ها و مثال ها بخش کلیدی این دوره خواهد بود.

در این دوره آموزشی، با روش‌های پیشرفته‌تر یادگیری ماشینی آشنا می‌شویم که برای حل مشکلات در زنجیره تامین استفاده می‌شوند. ما با مروری بر پارادایم‌های مختلف ML (رگرسیون/طبقه‌بندی) و جایی که آخرین مدل‌ها در این تفکیک‌ها قرار می‌گیرند، شروع می‌کنیم. سپس، در برخی از تکنیک‌های خاص عمیق‌تر می‌شویم و از مواردی مانند استفاده از شبکه‌های عصبی برای پیش‌بینی تقاضای محصول و جنگل‌های تصادفی برای طبقه‌بندی محصولات استفاده می‌کنیم. بخش مهمی برای استفاده از این مدل ها، درک مفروضات آنها و مراحل پیش پردازش مورد نیاز است. ما با پروژه ای پایان خواهیم داد که شامل تکنیک های پیشرفته با مشکل طبقه بندی تصویر برای یافتن محصولات معیوب خارج شده از یک ماشین است.

هدف این دوره ارائه یک نمای کلی مقدماتی و کلی از حوزه ML با تمرکز بر برنامه های کاربردی در امور مالی است. روش های یادگیری ماشین نظارت شده در پروژه Capstone برای پیش بینی بسته شدن بانک ها استفاده می شود. به طور همزمان، در حالی که این دوره را می توان به عنوان یک دوره جداگانه در نظر گرفت، به عنوان پیش نمایشی از موضوعاتی عمل می کند که در ماژول های بعدی تخصصی یادگیری ماشین و یادگیری تقویتی در امور مالی با جزئیات بیشتر پوشش داده شده است. هدف تور راهنمای یادگیری ماشین در امور مالی این است که درک کنید که یادگیری ماشین چیست، برای چیست و در چند مشکل مالی مختلف می توان آن را اعمال کرد. این دوره برای سه دسته از دانشجویان طراحی شده است: پزشکان شاغل در مؤسسات مالی مانند بانک ها، شرکت های مدیریت دارایی یا صندوق های تامینی افراد علاقه مند به کاربردهای ML برای تجارت روزانه شخصی دانشجویان تمام وقت فعلی در حال تحصیل در رشته های مالی، آمار، علوم کامپیوتر، ریاضیات، فیزیک، مهندسی یا سایر رشته های مرتبط که می خواهند در مورد کاربردهای عملی ML در امور مالی بیاموزند. برای انجام تکالیف در این دوره، تجربه با پایتون (شامل نوت بوک های numpy، پانداها و IPython/Jupyter)، جبر خطی، تئوری احتمالات پایه و حساب دیفرانسیل و انتگرال ضروری است.

این دوره دومین دوره در رشته تخصصی جبر خطی است. در این دوره، ما به توسعه تکنیک ها و تئوری برای مطالعه ماتریس ها به عنوان تبدیل های خطی ویژه (توابع) روی بردارها ادامه می دهیم. به طور خاص، ما تکنیک هایی را برای دستکاری ماتریس ها به صورت جبری توسعه می دهیم. این به ما امکان می دهد تا سیستم های معادلات خطی را بهتر تجزیه و تحلیل و حل کنیم. علاوه بر این، تعاریف و قضایای ارائه شده در این دوره امکان استفاده را برای شناسایی ویژگی‌های یک ماتریس معکوس، شناسایی زیرفضاهای مربوطه در R^n، سپس با مطالعه مقادیر ویژه و بردارهای ویژه ماتریس ها، بر روی هندسه تبدیل ماتریس تمرکز می کنیم. این اعداد برای مفاهیم خالص و کاربردی در ریاضیات، علوم داده، یادگیری ماشین، هوش مصنوعی و سیستم‌های دینامیکی مفید هستند. در پایان دوره شاهد کاربرد زنجیره مارکوف و الگوریتم رتبه صفحه گوگل خواهیم بود.

این اولین دوره از یک تخصص سه دوره است که دانش آموزان را با مفاهیم جبر خطی، یکی از مهم ترین و اساسی ترین زمینه های ریاضیات، با کاربردهای بسیاری در زندگی آشنا می کند. این مطالب پایه هم تئوری و هم کاربردهایی را برای موضوعاتی در این زمینه فراهم می کند ریاضیات، مهندسی و علوم. محتوای دوره بر معادلات خطی، روش های ماتریسی، هندسه تحلیلی و تبدیل های خطی تمرکز دارد. علاوه بر تسلط بر تکنیک ها، دانش آموزان با ایده های انتزاعی تر جبر خطی نیز آشنا خواهند شد. سخنرانی‌ها، خواندن، آزمون‌ها و پروژه‌ها همگی به دانش‌آموزان کمک می‌کنند تا بر محتوای درسی تسلط پیدا کنند و خواندن، نوشتن و حتی تصحیح را بیاموزند. برهان های ریاضی در پایان دوره، دانش آموزان به زبان جبر خطی مسلط خواهند بود و تعاریف و قضایای جدید را همراه با مثال ها و مثال ها یاد می گیرند. دانش آموزان همچنین یاد خواهند گرفت که از تکنیک هایی برای طبقه بندی و حل سیستم های معادلات خطی استفاده کنند. این دوره دانشجویان را برای ادامه مطالعه تحولات خطی با دوره بعدی در تخصص آماده می کند. .

این سومین و آخرین دوره در تخصص جبر خطی است که بر نظریه و محاسباتی که از کار با بردارهای متعامد ناشی می شود تمرکز دارد. این شامل مطالعه تبدیل متعامد، پایه‌های متعامد و تبدیل‌های متعامد است. این دوره در تئوری ماتریس های متقارن به اوج خود می رسد و ویژگی های جبری را با معادل های هندسی مربوطه مرتبط می کند. این ماتریس ها بیشتر از هر کلاس دیگر از ماتریس ها در کاربردها ایجاد می شوند. تئوری، مهارت ها و تکنیک های آموخته شده در این دوره برای هوش مصنوعی و یادگیری ماشین کاربرد دارد. در این زمینه‌های پرطرفدار، اغلب موتور محرک سیستم‌هایی که در حال تفسیر، آموزش و استفاده از داده‌های خارجی هستند، دقیقاً تحلیل ماتریسی برخاسته از محتوای این دوره است. تکمیل موفقیت آمیز این تخصص، دانش آموزان را برای گذراندن دوره های پیشرفته در علوم داده، هوش مصنوعی و ریاضیات آماده می کند.

در دوره دوم مهندسی یادگیری ماشین برای تخصص تولید، شما خطوط لوله داده را با جمع آوری، تمیز کردن و اعتبارسنجی مجموعه داده ها و ارزیابی کیفیت داده ایجاد می کنید. مهندسی ویژگی، تبدیل و انتخاب را با TensorFlow Extended پیاده سازی کنید و بیشترین قدرت پیش بینی را از داده های خود دریافت کنید. و چرخه عمر داده ها را با استفاده از ابزارهای ابرداده اصل و منشأ داده ایجاد کنید و تکامل داده ها را با طرحواره های داده سازمانی دنبال کنید. درک مفاهیم یادگیری ماشین و یادگیری عمیق ضروری است، اما اگر به دنبال ایجاد یک شغل موثر هوش مصنوعی هستید، به قابلیت‌های مهندسی تولید نیز نیاز دارید. مهندسی یادگیری ماشین برای تولید، مفاهیم اساسی یادگیری ماشین را با تخصص عملکردی توسعه نرم‌افزار مدرن و نقش‌های مهندسی ترکیب می‌کند تا به شما در توسعه مهارت‌های آماده تولید کمک کند. هفته 1: جمع‌آوری، برچسب‌گذاری و اعتبارسنجی داده‌ها هفته 2: مهندسی ویژگی، تبدیل و انتخاب هفته 3: سفر داده و ذخیره‌سازی داده هفته 4: روش‌های پیشرفته برچسب‌گذاری داده‌ها، افزایش داده‌ها و پیش پردازش انواع مختلف داده‌ها

این دوره نادیده گرفته‌شده‌ترین و در عین حال حیاتی‌ترین مهارت‌ها در یادگیری ماشینی را پوشش می‌دهد، چهار تکنیک حیاتی که به ندرت پوشش داده می‌شوند – بیشتر دوره‌ها و کتاب‌ها آن‌ها را کاملاً حذف می‌کنند. 1) مدل سازی بالا (AKA PERSUASION MODELING): وقتی در حال مدلینگ هستید، آیا حتی کار درست را پیش بینی می کنید؟ 2) مغالطه دقت: هنگام ارزیابی اینکه یک مدل چقدر خوب کار می کند، آیا حتی در مورد چیز درستی گزارش می دهید؟ 3) P-HACKING: آیا ساده ترین کشفیات شما از داده ها حتی واقعی است؟ 4) پارادوکس مدل‌های گروه: آیا می‌دانید چگونه کار می‌کنند، حتی اگر به نظر می‌رسد که تیغ اوکام را به چالش می‌کشند؟ >> چرا این روش‌های پیشرفته ضروری هستند: هر یک به سؤالی می‌پردازد که برای یادگیری ماشینی اساسی است (در بالا). برای بسیاری از پروژه ها، موفقیت به این مهارت های خاص بستگی دارد. >> عملی نیست - اما برای یادگیرندگان فنی: این دوره بدون کدنویسی و بدون استفاده از نرم افزار یادگیری ماشین است. در عوض، قبل از اینکه تمرین عملی را انجام دهید، زمینه مفهومی را ایجاد می کند. وقتی نوبت به این تکنیک‌های پیشرفته و مشکلات رایج می‌رسد، پایه‌ای از دانش مفهومی وجود دارد که باید قبل از دست زدن به کار ایجاد کنید – و از انجام آن خوشحال خواهید شد. >> VENDOR-NEUTRAL: این دوره شامل دموی نرم افزاری روشنگر یادگیری ماشین در عمل با استفاده از محصولات SAS است. با این حال، برنامه درسی از نظر فروشنده خنثی و قابل اجرا است. محتویات و اهداف یادگیری، صرف نظر از اینکه در نهایت با کدام ابزار نرم افزار یادگیری ماشینی برای کار انتخاب می کنید، اعمال می شود.

فن‌آوری‌های مبتنی بر داده‌ها مانند هوش مصنوعی، زمانی که با رعایت اصول اخلاقی طراحی شوند، هم برای کسب‌وکار و هم برای جامعه در کل مفید هستند. اما این کافی نیست که بگوییم "اخلاق" خواهید بود و انتظار داشته باشید که این اتفاق بیفتد. ما به ابزارها و تکنیک هایی نیاز داریم که به ما کمک کنند تا شکاف های موجود در رفتارهای اخلاقی خود را ارزیابی کنیم و تهدیدات علیه اهداف اخلاقی خود را شناسایی و متوقف کنیم. ما همچنین باید بدانیم کجا و چگونه فرآیندهای اخلاقی خود را در طول چرخه عمر توسعه بهبود دهیم. آنچه ما نیاز داریم راهی برای مدیریت ریسک اخلاقی است. این دوره سوم در گواهینامه حرفه‌ای Certified Ethical Emerging Technologist (CEET) برای یادگیرندگانی طراحی شده است که به دنبال کشف و کاهش خطرات اخلاقی در طراحی، توسعه و استقرار فناوری‌های مبتنی بر داده هستند. دانش‌آموزان اصول تحلیل ریسک اخلاقی، منابع ریسک و نحوه مدیریت انواع مختلف ریسک را خواهند آموخت. در طول دوره، فراگیران راهبردهایی برای شناسایی و کاهش خطرات را خواهند آموخت. این دوره سومین دوره از پنج دوره با گواهینامه حرفه ای Certified Ethical Emerging Technologist (CEET) است. دوره های قبلی با عنوان ترویج استفاده اخلاقی از فناوری های داده محور و تبدیل چارچوب های اخلاقی به گام های عملی است.

در این دوره، شما از مهندسان و مربیان ML که با پیشرفته ترین توسعه خطوط لوله ML در اینجا در Google Cloud کار می کنند، یاد خواهید گرفت. چند ماژول اول در مورد TensorFlow Extended (یا TFX) که پلتفرم یادگیری ماشین تولیدی گوگل بر اساس TensorFlow برای مدیریت خطوط لوله ML و ابرداده است، پوشش می‌دهد. در مورد اجزای خط لوله و ارکستراسیون خط لوله با TFX خواهید آموخت. همچنین یاد خواهید گرفت که چگونه می توانید خط لوله خود را از طریق یکپارچه سازی مداوم و استقرار مستمر خودکار کنید و چگونه ابرداده های ML را مدیریت کنید. سپس تمرکز را تغییر خواهیم داد تا در مورد چگونگی خودکارسازی و استفاده مجدد از خطوط لوله ML در چندین چارچوب ML مانند tensorflow، pytorch، scikit Learn و xgboost بحث کنیم. همچنین یاد خواهید گرفت که چگونه از ابزار دیگری در Google Cloud یعنی Cloud Composer برای تنظیم خطوط لوله آموزش مداوم خود استفاده کنید. و در نهایت به نحوه استفاده از MLflow برای مدیریت چرخه زندگی یادگیری ماشین کامل خواهیم پرداخت. لطفا توجه داشته باشید که این دوره یک دوره پیشرفته است و برای استفاده حداکثری از این دوره، در حالت ایده آل، پیش نیازهای زیر را دارید: شما پیشینه ML خوبی دارید و خطوط لوله ML را ایجاد/استقرار کرده اید شما دوره های ML را با Tensorflow در تخصص GCP (یا حداقل چند دوره) گذرانده اید. شما دوره MLOps Fundamentals را به پایان رسانده اید. >>> با ثبت نام در این دوره، با شرایط خدمات Qwiklabs که در پرسش های متداول و در آدرس زیر آمده است موافقت می کنید: https://qwiklabs.com/terms_of_service <<<

خلاقیت مصنوعی زمینه نوظهور خلاقیت در هوش مصنوعی (AI) را از منظر طراحی بررسی می‌کند و بینش‌های علوم کامپیوتر و رشته‌های خلاق را گرد هم می‌آورد. در این دوره، تاریخچه و نظریه‌های پشت هوش مصنوعی خلاق امروزی را بررسی می‌کنید، رویکردهای غیرمتعارفی را که این زمینه را پیشرفت داده‌اند، تجزیه و تحلیل می‌کنید و ابزارهای خلاقانه هوش مصنوعی پیشرفته را تجربه می‌کنید. در عین حال، روش‌های تحقیق در مورد تفکر طراحی، نحوه پیاده‌سازی آن‌ها برای بینش خلاقانه خود و نحوه ترجمه آن‌ها به زمینه‌های حرفه‌ای و تجاری را یاد خواهید گرفت. در طول دوره، شما از کامپیوتر خود فاصله می گیرید تا تحقیقات طراحی را انجام دهید و تکنیک ها و تئوری هایی را که هر هفته یاد می گیرید در موضوع مورد نظر خود به کار ببرید. شما همچنین از طریق بحث و گفتگو با زبان آموزان دیگر درگیر خواهید شد و در عین حال درک خود را از خلاقیت به چالش می کشید و گسترش می دهید.

این دوره آموزشی MIMIC-III را معرفی می کند، که بزرگترین پایگاه داده عمومی ثبت الکترونیک سلامت (EHR) است که برای معیار الگوریتم های یادگیری ماشینی موجود است. به طور خاص، با طراحی این پایگاه داده رابطه‌ای آشنا خواهید شد که چه ابزارهایی برای پرس و جو، استخراج و تجسم تجزیه و تحلیل توصیفی در دسترس است. طرح‌واره و کدگذاری طبقه‌بندی بین‌المللی بیماری‌ها برای درک چگونگی ترسیم سؤالات تحقیقاتی به داده‌ها و چگونگی استخراج نتایج بالینی کلیدی به منظور توسعه الگوریتم‌های یادگیری ماشینی مفید بالینی مهم است.

انواع مختلفی از الگوریتم های یادگیری ماشین وجود دارد که هر کدام دارای ویژگی های خاصی هستند که ممکن است آن را کم و بیش برای حل یک مشکل خاص مناسب کند. درخت‌های تصمیم و ماشین‌های بردار پشتیبان (SVM) دو نمونه از الگوریتم‌هایی هستند که هم می‌توانند مشکلات رگرسیون و طبقه‌بندی را حل کنند، اما کاربردهای متفاوتی دارند. به همین ترتیب، یک رویکرد پیشرفته تر به یادگیری ماشین، به نام یادگیری عمیق، از شبکه های عصبی مصنوعی (ANN) برای حل این نوع مشکلات و موارد دیگر استفاده می کند. افزودن همه این الگوریتم ها به مجموعه مهارت شما برای انتخاب بهترین ابزار برای کار بسیار مهم است. این چهارمین دوره و آخرین دوره با گواهینامه حرفه‌ای متخصص هوش مصنوعی (CAIP) با معرفی الگوریتم‌های بیشتر و در برخی موارد پیشرفته‌تر مورد استفاده در یادگیری ماشین و یادگیری عمیق، از دوره قبلی ادامه می‌یابد. مانند قبل، چندین مدل خواهید ساخت که می تواند مشکلات تجاری را حل کند، و این کار را در یک گردش کار انجام خواهید داد. در نهایت، این دوره به کاوش فنی الگوریتم های مختلف یادگیری ماشین و نحوه استفاده از آنها برای ساخت مدل های حل مسئله پایان می دهد.

اگر توسعه‌دهنده نرم‌افزاری هستید که می‌خواهید الگوریتم‌های مقیاس‌پذیر مبتنی بر هوش مصنوعی بسازید، باید بدانید که چگونه از ابزارهای ساخت آنها استفاده کنید. این تخصص به شما بهترین روش‌ها را برای استفاده از TensorFlow، یک چارچوب متن‌باز محبوب برای یادگیری ماشین، آموزش می‌دهد. در این دوره چهارم با نحوه ساخت مدل های سری زمانی در TensorFlow آشنا می شوید. ابتدا بهترین شیوه ها را برای تهیه داده های سری زمانی پیاده سازی خواهید کرد. همچنین بررسی خواهید کرد که چگونه RNN و ConvNets 1D می توانند برای پیش بینی استفاده شوند. در نهایت، همه چیزهایی را که در سرتاسر Specialization آموخته‌اید، برای ساختن یک مدل پیش‌بینی لکه‌های خورشیدی با استفاده از داده‌های دنیای واقعی اعمال خواهید کرد! دوره یادگیری ماشین و تخصص یادگیری عمیق از Andrew Ng مهمترین و اساسی ترین اصول یادگیری ماشین و یادگیری عمیق را آموزش می دهد. این تخصص توسعه‌دهنده DeepLearning.AI TensorFlow به شما می‌آموزد که چگونه از TensorFlow برای پیاده‌سازی این اصول استفاده کنید تا بتوانید شروع به ساخت و استفاده از مدل‌های مقیاس‌پذیر برای مشکلات دنیای واقعی کنید. برای ایجاد درک عمیق تر از نحوه عملکرد شبکه های عصبی، توصیه می کنیم که تخصص یادگیری عمیق را انتخاب کنید.

Azure Machine Learning یک پلتفرم ابری برای آموزش، استقرار، مدیریت و نظارت بر مدل‌های یادگیری ماشین است. در این دوره آموزشی، نحوه استفاده از Azure Machine Learning Python SDK را برای ایجاد و مدیریت راه حل های ML آماده سازمانی یاد خواهید گرفت. این سومین 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 Azurectification 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.

مقدمه ای بر یادگیری آماری مفاهیمی را در مدل سازی آماری بررسی می کند، مانند زمان استفاده از مدل های خاص، نحوه تنظیم آن مدل ها، و اینکه آیا گزینه های دیگر معاوضه های خاصی را ارائه می دهند. ما رگرسیون، طبقه‌بندی، درختان، نمونه‌برداری مجدد، تکنیک‌های بدون نظارت و موارد دیگر را پوشش خواهیم داد! 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.