Course catalog

Course duration

Course provider

Topic

Categories

Showing 41-60 of 176 items.

coursera پیاده سازی و عملیات یادگیری ماشین در AWS (Mitalearn-329695)

  • 1 hours 43 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Whizlabs Instructor
درباره این دوره:

عملیات پیاده سازی یادگیری ماشین در AWS پنجمین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. این دوره تمرکز عمده ای بر طراحی و پیاده سازی راه حل های یادگیری ماشین برای عملکرد، در دسترس بودن، مقیاس پذیری، انعطاف پذیری و تحمل خطا دارد. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره آموزشی با سخنرانی‌های ویدیویی تقریباً 1:00 تا 1:30 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: عملیات پیاده سازی یادگیری ماشین در AWS-Part 1 ماژول 2: عملیات پیاده سازی یادگیری ماشین در AWS-Part 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: -طراحی راه حل های یادگیری ماشین برای عملکرد، در دسترس بودن، مقیاس پذیری، انعطاف پذیری و تحمل خطا -اجرای خدمات و ویژگی های یادگیری ماشین مناسب برای یک مشکل خاص -راه حل های یادگیری ماشین را با آزمایشگاه توسعه دهید

coursera پیش بینی و کنترل با تقریب تابع (Mitalearn-330222)

  • 3 hours 48 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Martha White,Adam White
درباره این دوره:

در این دوره یاد خواهید گرفت که چگونه مسائل را با فضاهای بزرگ، با ابعاد بالا و بالقوه بی نهایت حل کنید. خواهید دید که تخمین توابع ارزش را می توان به عنوان یک مشکل یادگیری تحت نظارت --- تقریب عملکرد --- به شما امکان می دهد تا نمایندگانی را بسازید که با دقت تعادل و تبعیض را به منظور حداکثر رساندن پاداش تعادل برقرار کنید. ما این سفر را با بررسی اینکه چگونه روش‌های ارزیابی خط‌مشی یا پیش‌بینی ما مانند مونت کارلو و TD را می‌توان به تنظیمات تقریب تابع گسترش داد، آغاز خواهیم کرد. شما در مورد تکنیک های ساخت ویژگی برای RL و یادگیری نمایش از طریق شبکه های عصبی و backprop یاد خواهید گرفت. ما این دوره را با یک فرو رفتن عمیق در روش‌های گرادیان سیاست به پایان می‌رسانیم. راهی برای یادگیری مستقیم سیاست ها بدون یادگیری تابع ارزش. در این دوره شما دو وظیفه کنترل حالت پیوسته را حل می کنید و مزایای روش های گرادیان خط مشی را در یک محیط کنش پیوسته بررسی می کنید. پیش نیازها: این دوره به شدت مبتنی بر مبانی دوره های 1 و 2 است و فراگیران باید قبل از شروع این دوره این موارد را تکمیل کرده باشند. همچنین زبان آموزان باید با احتمالات و انتظارات، جبر خطی پایه، حساب دیفرانسیل و انتگرال، پایتون 3.0 (حداقل 1 سال) و پیاده سازی الگوریتم ها از کد شبه راحت باشند. در پایان این دوره، شما قادر خواهید بود: - درک نحوه استفاده از رویکردهای یادگیری نظارت شده برای تقریبی توابع ارزش درک اهداف برای پیش بینی (تخمین ارزش) تحت تقریب تابع -اجرای TD با تقریب تابع (تجمع حالت)، در محیطی با فضای حالت نامحدود (فضای حالت پیوسته) - درک رویکردهای مبتنی بر شبکه های عصبی ثابت و شبکه های عصبی برای ساخت ویژگی پیاده سازی TD با تقریب تابع شبکه عصبی در یک محیط حالت پیوسته -در هنگام حرکت به سمت تقریب تابع، مشکلات جدید در اکتشاف را درک کنید -تضاد فرمول‌های مشکل با تخفیف برای کنترل در مقابل فرمول‌بندی مشکل پاداش متوسط -پیاده سازی Sarsa و Q-Learning مورد انتظار با تقریب تابع در یک کار کنترل حالت مستمر - درک اهداف برای برآورد مستقیم خط مشی ها (اهداف شیب سیاست) - یک روش گرادیان خط مشی (به نام Actor-Critic) روی یک محیط حالت گسسته پیاده سازی کنید

coursera تجزیه و تحلیل پیش بینی عملی: مدل ها و روش ها [coursera] (Mitalearn-335662)

  • 4 hours 53 minutes
  • مناسب همه
  • Release date: 27 June 2026
  • Author: Bill Howe
درباره این دوره:

طراحی آزمایش آماری و تجزیه و تحلیل در قلب علم داده است. در این دوره به طراحی آزمایش های آماری و تجزیه و تحلیل نتایج با استفاده از روش های مدرن می پردازید. همچنین مشکلات رایج در تفسیر استدلال های آماری، به ویژه آنهایی که با کلان داده مرتبط هستند را بررسی خواهید کرد. در مجموع، این دوره به شما کمک می کند مجموعه ای اصلی از روش ها و مفاهیم یادگیری ماشینی کاربردی و موثر را درونی کنید و آنها را برای حل برخی از مشکلات دنیای واقعی به کار ببرید. اهداف آموزشی: پس از اتمام این دوره، شما قادر خواهید بود: 1. طراحی آزمایش های موثر و تجزیه و تحلیل نتایج 2. از روش‌های نمونه‌گیری مجدد برای ایجاد استدلال‌های آماری واضح و ضد گلوله بدون استناد به نمادهای باطنی استفاده کنید. 3. یک مجموعه اصلی از روش‌های طبقه‌بندی افزایش پیچیدگی (قوانین، درختان، جنگل‌های تصادفی)، و روش‌های بهینه‌سازی مرتبط (نزول گرادیان و انواع) را توضیح داده و اعمال کنید. 4. مجموعه ای از مفاهیم و روش های یادگیری بدون نظارت را توضیح دهید و به کار ببرید 5. اصطلاحات رایج تجزیه و تحلیل گراف در مقیاس بزرگ، از جمله پرس و جو ساختاری، پیمایش و پرس و جوهای بازگشتی، رتبه صفحه، و تشخیص جامعه را شرح دهید.

coursera تجزیه و تحلیل داده ها با پروژه پایتون (Mitalearn-332024)

  • متوسط
  • Release date: 27 June 2026
  • Author: Di Wu
درباره این دوره:

دوره "پروژه تجزیه و تحلیل داده ها" دانش آموزان را قادر می سازد تا دانش و مهارت های خود را که در این تخصص به دست آورده اند برای انجام پروژه تجزیه و تحلیل داده های واقعی مورد علاقه خود به کار گیرند. شرکت‌کنندگان جهات مختلفی را در تجزیه و تحلیل داده‌ها، از جمله یادگیری تحت نظارت و بدون نظارت، رگرسیون، خوشه‌بندی، کاهش ابعاد، قوانین تداعی، و تشخیص موارد دور از دسترس را بررسی خواهند کرد. در سراسر ماژول ها، دانش آموزان تکنیک ها و روش های تجزیه و تحلیل داده های ضروری را یاد می گیرند و سفری از داده های خام به دانش و هوش را آغاز می کنند. با تکمیل دوره، دانش آموزان در تجزیه و تحلیل داده ها مهارت خواهند داشت، می توانند تخصص خود را در پروژه های مختلف به کار گیرند و تصمیمات مبتنی بر داده را بگیرند. در پایان این دوره، دانشجویان قادر خواهند بود: 1. درک مفاهیم اساسی و روش شناسی تجزیه و تحلیل داده ها در جهات مختلف، از جمله یادگیری تحت نظارت و بدون نظارت، رگرسیون، خوشه بندی، کاهش ابعاد، قوانین تداعی، و تشخیص موارد دور از دسترس. 2. محدوده و جهت پروژه تجزیه و تحلیل داده ها را مشخص کنید، تکنیک ها و روش های مناسب برای دستیابی به اهداف پروژه را شناسایی کنید. 3. از الگوریتم‌های طبقه‌بندی مختلف، مانند Nearest Neighbors، Decision Trees، SVM، Naive Bayes و Logistic Regression برای کارهای مدل‌سازی پیش‌بینی‌کننده استفاده کنید. 4. روش های اعتبارسنجی متقابل و مجموعه را برای افزایش عملکرد و قابلیت تعمیم مدل های طبقه بندی اجرا کنید. 5. از الگوریتم های رگرسیون، از جمله Simple Linear، Polynomial Linear و Linear با منظم سازی، برای مدل سازی و پیش بینی نتایج عددی استفاده کنید. 6. انجام رگرسیون چند متغیره و استفاده از روش های اعتبارسنجی متقابل و مجموعه در تحلیل رگرسیون. 7. تکنیک های خوشه بندی، از جمله روش های پارتیشن بندی، سلسله مراتبی، مبتنی بر چگالی و مبتنی بر شبکه را برای کشف الگوها و ساختارهای اساسی در داده ها کاوش کنید. 8. از تجزیه و تحلیل اجزای اصلی (PCA) برای کاهش ابعاد استفاده کنید تا داده های با ابعاد بالا را ساده کنید و به تجسم داده ها کمک کنید. 9. از الگوریتم‌های Apriori و FPGrowth برای استخراج قوانین مرتبط و کشف ارتباط آیتم‌های جالب در داده‌های تراکنشی استفاده کنید. 10. برای شناسایی نقاط داده های غیرعادی و نقاط پرت متنی، از روش های تشخیص پرت، از جمله Zscore، IQR، OneClassSVM، Isolation Forest، DBSCAN و LOF استفاده کنید. در طول دوره، دانش‌آموزان به طور فعال در آموزش‌ها، تمرین‌های عملی و مطالعه موردی پروژه تجزیه و تحلیل داده‌ها شرکت می‌کنند و تجربه عملی در تکنیک‌های مختلف تجزیه و تحلیل داده‌ها به دست می‌آورند. با دستیابی به اهداف یادگیری، شرکت کنندگان به خوبی مجهز خواهند شد تا در پروژه های تجزیه و تحلیل داده ها برتری پیدا کنند و در سناریوهای دنیای واقعی تصمیمات مبتنی بر داده اتخاذ کنند.

coursera تجزیه و تحلیل داده های اکتشافی برای یادگیری ماشینی (Mitalearn-270280)

  • 4 hours 52 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Joseph Santarcangelo,Svitlana (Lana) Kramar
درباره این دوره:

این اولین دوره در گواهینامه حرفه ای یادگیری ماشین آی بی ام شما را با یادگیری ماشین و محتوای گواهینامه حرفه ای آشنا می کند. در این دوره به اهمیت داده های خوب و با کیفیت پی خواهید برد. شما تکنیک های متداول برای بازیابی داده های خود، پاکسازی آن ها، اعمال مهندسی ویژگی ها و آماده سازی آن ها برای تجزیه و تحلیل اولیه و آزمایش فرضیه را خواهید آموخت. در پایان این دوره شما باید بتوانید: بازیابی داده ها از چندین منبع داده: SQL، پایگاه داده NoSQL، API ها، Cloud  توصیف و استفاده از تکنیک های رایج انتخاب ویژگی و مهندسی ویژگی ویژگی های دسته بندی و ترتیبی و همچنین مقادیر از دست رفته را کنترل کنید از تکنیک های مختلفی برای تشخیص و مقابله با موارد پرت استفاده کنید توضیح دهید که چرا مقیاس بندی ویژگی مهم است و از انواع تکنیک های مقیاس بندی استفاده کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با یادگیری ماشین و هوش مصنوعی در یک محیط تجاری هستند، هدف قرار می دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.

coursera تجزیه و تحلیل مجموعه داده ها و آموزش مدل های ML با استفاده از AutoML (Mitalearn-336512)

  • 2 hours 51 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Antje Barth
درباره این دوره:

در اولین دوره تخصصی تخصصی علم داده های عملی، مفاهیم اساسی برای تجزیه و تحلیل داده های اکتشافی (EDA)، یادگیری ماشین خودکار (AutoML) و الگوریتم های طبقه بندی متن را خواهید آموخت. با Amazon SageMaker Clarify و Amazon SageMaker Data Wrangler، یک مجموعه داده را برای سوگیری آماری تجزیه و تحلیل می‌کنید، مجموعه داده را به ویژگی‌های قابل خواندن ماشین تبدیل می‌کنید و مهم‌ترین ویژگی‌ها را برای آموزش یک طبقه‌بندی متن چند کلاسه انتخاب می‌کنید. سپس یادگیری ماشین خودکار (AutoML) را برای آموزش خودکار، تنظیم و استقرار بهترین الگوریتم طبقه بندی متن برای مجموعه داده داده شده با استفاده از Amazon SageMaker Autopilot انجام خواهید داد. در مرحله بعد، شما با Amazon SageMaker BlazingText، یک پیاده سازی بسیار بهینه و مقیاس پذیر از الگوریتم محبوب FastText، برای آموزش یک طبقه بندی متن با کد بسیار کمی کار خواهید کرد. 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.

coursera ترانسفورماتورهای از پیش آموزش دیده (GPT) (Mitalearn-332398)

  • 2 hours 15 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mary Ellen Foster,Sean MacAvaney,Jake Lever
درباره این دوره:

مدل‌های زبان بزرگ مانند GPT-3.5، که ChatGPT را تقویت می‌کند، نحوه تعامل انسان با رایانه‌ها و نحوه پردازش متن توسط رایانه‌ها را تغییر می‌دهد. این دوره ایده های اساسی پردازش زبان طبیعی و مدل سازی زبان را که زیربنای این مدل های زبانی بزرگ است، معرفی می کند. ما اصول اولیه نحوه عملکرد مدل‌های زبان و ویژگی‌های چگونگی ساخت رویکردهای مبتنی بر عصبی جدید را بررسی خواهیم کرد. ما نوآوری‌های کلیدی را بررسی خواهیم کرد که مدل‌های زبان بزرگ مبتنی بر Transformer را قادر می‌سازد تا در حل وظایف زبانی مختلف غالب شوند. در نهایت، چالش‌های اعمال این مدل‌های زبانی بزرگ را برای مشکلات مختلف از جمله مشکلات اخلاقی در ساخت و استفاده از آنها بررسی خواهیم کرد. از طریق آزمایشگاه‌های عملی، در مورد بلوک‌های سازنده ترانسفورماتورها یاد می‌گیریم و از آنها برای تولید متن جدید استفاده می‌کنیم. این تمرین‌های پایتون شما را در فرآیند بکارگیری یک مدل زبان کوچک‌تر و درک اینکه چگونه می‌توان آن را ارزیابی و برای مشکلات مختلف اعمال کرد، گام برمی‌دارد. آزمون های تمرینی منظم به تقویت دانش کمک می کند و شما را برای ارزیابی های درجه بندی شده آماده می کند.

coursera ترجمه ماشینی (Mitalearn-331463)

  • 7 hours 39 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Alexander Waibel,Jan Niehues
درباره این دوره:

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).

coursera ترویج استفاده اخلاقی از فناوری های داده محور (Mitalearn-327179)

  • 4 hours 46 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Tania De Gasperis,Aaron Hui,Eleanor 'Nell' Watson
درباره این دوره:

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.

coursera تست اسناد مبتنی بر هوش مصنوعی (Mitalearn-334353)

  • 1 hours 3 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Board Infinity
درباره این دوره:

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.

coursera تصمیم گیری عملی با استفاده از ML بدون کد در AWS (Mitalearn-328590)

  • 1 hours 36 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jared Heywood
درباره این دوره:

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.

coursera تصمیم گیری و یادگیری تقویتی (Mitalearn-308734)

  • 5 hours 4 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Tony Dear
درباره این دوره:

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.

coursera تکنیک های پیشرفته هوش مصنوعی برای زنجیره تامین (Mitalearn-333622)

  • 39 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Rajvir Dua,Neelesh Tiruviluamala
درباره این دوره:

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.

coursera تور راهنمای یادگیری ماشین در امور مالی (Mitalearn-332789)

  • 4 hours 22 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Igor Halperin
درباره این دوره:

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.

coursera جبر خطی: جبر ماتریسی، تعیین کننده ها و بردارهای ویژه (Mitalearn-334472)

  • 3 hours 53 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Joseph W. Cutrone, PhD
درباره این دوره:

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.

coursera جبر خطی: سیستم های خطی و معادلات ماتریسی (Mitalearn-328726)

  • 3 hours 29 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Joseph W. Cutrone, PhD
درباره این دوره:

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. .

coursera جبر خطی: متعامد و قطری (Mitalearn-334081)

  • 2 hours 35 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Joseph W. Cutrone, PhD
درباره این دوره:

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.

coursera چرخه عمر داده های یادگیری ماشین در تولید (Mitalearn-336461)

  • 4 hours 13 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Robert Crowe
درباره این دوره:

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

coursera چهار مهارت نادر یادگیری ماشینی که همه دانشمندان داده به آن نیاز دارند (Mitalearn-336886)

  • 2 hours 14 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Eric Siegel
درباره این دوره:

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.

coursera خطرات اخلاقی را شناسایی و کاهش دهید (Mitalearn-327213)

  • 7 hours 52 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Renée Cummings,Jennifer Fischer,Eleanor 'Nell' Watson
درباره این دوره:

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.

Suggestions