این دوره روش های یادگیری عمیق (DL)، داده های مراقبت های بهداشتی و برنامه های کاربردی با استفاده از روش های DL را پوشش می دهد. 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.

این دوره روش های یادگیری عمیق (DL)، داده های مراقبت های بهداشتی و برنامه های کاربردی با استفاده از روش های DL را پوشش می دهد. 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 این دوره، با چندین الگوریتم آشنا خواهید شد که می توانند سیاست های نزدیک به بهینه را بر اساس تعامل آزمون و خطا با محیط بیاموزند --- یادگیری از تجربه خود عامل. یادگیری از تجربه واقعی قابل توجه است زیرا نیازی به دانش قبلی در مورد پویایی محیط ندارد، اما هنوز می تواند به رفتار مطلوب دست یابد. ما روش های مونت کارلو ساده اما قدرتمند و روش های یادگیری تفاوت زمانی از جمله یادگیری Q را پوشش خواهیم داد. ما این دوره را با بررسی اینکه چگونه می‌توانیم بهترین‌ها را از هر دو دنیا بدست آوریم، به پایان می‌رسانیم: الگوریتم‌هایی که می‌توانند برنامه‌ریزی مبتنی بر مدل (مشابه برنامه‌نویسی پویا) و به‌روزرسانی‌های تفاوت زمانی را برای تسریع اساسی یادگیری ترکیب کنند. در پایان این دوره شما قادر خواهید بود: - یادگیری تفاوت زمانی و مونت کارلو را به عنوان دو استراتژی برای تخمین توابع ارزش از تجربه نمونه برداری شده درک کنید. - درک اهمیت اکتشاف، هنگام استفاده از تجربه نمونه برداری شده به جای برنامه نویسی پویا در یک مدل - ارتباط بین Monte Carlo و Dynamic Programming و TD را درک کنید. - پیاده سازی و اعمال الگوریتم TD، برای تخمین توابع مقدار - پیاده سازی و اعمال Expected Sarsa و Q-Learning (دو روش TD برای کنترل) - تفاوت بین کنترل در سیاست و خارج از سیاست را درک کنید - درک برنامه ریزی با تجربه شبیه سازی شده (بر خلاف استراتژی های برنامه ریزی کلاسیک) - یک رویکرد مبتنی بر مدل برای RL به نام Dyna پیاده سازی کنید که از تجربه شبیه سازی شده استفاده می کند - یک مطالعه تجربی برای مشاهده بهبود کارایی نمونه در هنگام استفاده از Dyna انجام دهید

در این دوره در مورد جبر خطی، به بررسی این موضوع می پردازیم که جبر خطی چیست و چگونه با بردارها و ماتریس ها ارتباط دارد. سپس بررسی می کنیم که بردارها و ماتریس ها چیست و چگونه با آنها کار کنیم، از جمله مسئله گره ای مقادیر ویژه و بردارهای ویژه، و نحوه استفاده از آنها برای حل مسائل. در نهایت به نحوه استفاده از اینها برای انجام کارهای سرگرم کننده با مجموعه داده ها می پردازیم - مانند نحوه چرخش تصاویر چهره ها و نحوه استخراج بردارهای ویژه برای بررسی نحوه عملکرد الگوریتم Pagerank. از آنجایی که هدف ما برنامه‌های مبتنی بر داده است، برخی از این ایده‌ها را نه فقط روی مداد و کاغذ، به صورت کد پیاده‌سازی می‌کنیم. در پایان دوره، بلوک‌های کد می‌نویسید و با نوت‌بوک‌های Jupyter در پایتون مواجه می‌شوید، اما نگران نباشید، این‌ها کاملاً کوتاه هستند، روی مفاهیم متمرکز هستند و اگر قبلاً کدنویسی نکرده‌اید، شما را راهنمایی می‌کنند. در پایان این دوره، درک شهودی از بردارها و ماتریس ها خواهید داشت که به شما کمک می کند شکاف را به مسائل جبر خطی پر کنید و چگونه این مفاهیم را در یادگیری ماشین به کار ببرید.

دوره سطح پایه معمولاً برای افرادی طراحی شده است که درک پایه ای از مفاهیم ذخیره سازی و پردازش داده دارند، اما تجربه قبلی در مورد ساخت دریاچه های داده در AWS به طور خاص کم یا بدون تجربه هستند. پس از مقدمه ای کوتاه در مورد دریاچه های داده، دریافت داده ها، فهرست نویسی و آماده سازی را معرفی می کنیم و در پایان با مروری بر داده های پرس و جو با آمازون آتنا به پایان می رسیم. این دوره با مروری بر سازند دریاچه AWS، از جمله یک آزمایشگاه عملی که در آن یک دریاچه داده بسازید، ادامه خواهد یافت. سپس پردازش داده و تجزیه و تحلیل را با استفاده از چسب AWS قبل از فرو رفتن در ایجاد دریاچه داده‌های خودکار با استفاده از طرح‌های Lake Formation معرفی می‌کنیم. در نهایت، ما با Modern Data Architectures در AWS با آزمایشگاهی که انتشار و مصرف محصولات داده را به عنوان یک سرویس پوشش می دهد، پایان می دهیم.

در این دوره، شما: - در مورد GAN ها و کاربردهای آنها بیاموزید - درک شهود پشت اجزای اساسی GAN ها - کاوش و پیاده سازی چندین معماری GAN - ساخت GAN های شرطی که قادر به تولید نمونه هایی از دسته های تعیین شده هستند 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.

در این دوره، شما: - چالش های ارزیابی GAN ها و مقایسه مدل های مختلف تولیدی را ارزیابی کنید - از روش Fréchet Inception Distance (FID) برای ارزیابی درستی و تنوع GAN ها استفاده کنید. - شناسایی منابع سوگیری و راه های تشخیص آن در GAN - تکنیک های مرتبط با StyleGAN های پیشرفته را بیاموزید و اجرا کنید 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.

در بیشتر موارد، هدف نهایی یک پروژه یادگیری ماشینی، تولید یک مدل است. مدل‌ها تصمیم‌گیری می‌کنند، پیش‌بینی می‌کنند – هر چیزی که می‌تواند به کسب‌وکار کمک کند تا بهتر از یک انسان، خود، مشتریان و محیطش را درک کند. مدل‌ها با استفاده از الگوریتم‌ها ساخته می‌شوند و در دنیای یادگیری ماشین، الگوریتم‌های مختلفی برای انتخاب وجود دارد. شما باید بدانید که چگونه بهترین الگوریتم را برای یک کار مشخص انتخاب کنید، و چگونه از آن الگوریتم برای تولید یک مدل کاری استفاده کنید که ارزشی برای کسب و کار فراهم کند. این دوره سوم در گواهینامه حرفه‌ای متخصص هوش مصنوعی (CAIP) شما را با برخی از الگوریتم‌های اصلی یادگیری ماشینی آشنا می‌کند که برای حل دو مشکل رایج تحت نظارت استفاده می‌شوند: رگرسیون و طبقه‌بندی، و یکی از رایج‌ترین مشکلات بدون نظارت: خوشه‌بندی. . با استفاده از گردش کار یادگیری ماشینی که در دوره قبلی در مورد آن آموختید، چندین مدل برای رفع هر یک از این مشکلات خواهید ساخت. در نهایت، این دوره یک کاوش فنی از الگوریتم های مختلف یادگیری ماشین و نحوه استفاده از آنها برای ساخت مدل های حل مسئله را آغاز می کند.

Este curso ensina a criar modelos de ML com o TensorFlow e o Keras، melhorar acurácia deles e desenvolver modelos para uso em escala.

در دوره دوم تخصص عملی علم داده، شما یاد خواهید گرفت که یک کار پردازش زبان طبیعی را با ایجاد یک خط لوله یادگیری ماشینی انتها به انتها با استفاده از اجرای بسیار بهینه شده Hugging Face از پیشرفته ترین الگوریتم BERT، خودکار کنید. با آمازون SageMaker Pipelines. خط لوله شما ابتدا مجموعه داده را به ویژگی های قابل خواندن BERT تبدیل می کند و ویژگی ها را در فروشگاه ویژگی Amazon SageMaker ذخیره می کند. سپس یک مدل طبقه‌بندی متن را با استفاده از یک مدل از پیش آموزش‌دیده Hugging Face که درک زبان انسان را از میلیون‌ها سند ویکی‌پدیا آموخته است، به مجموعه داده تنظیم می‌کند. در نهایت، خط لوله شما دقت مدل را ارزیابی می کند و تنها در صورتی مدل را به کار می گیرد که دقت از یک آستانه معین فراتر رود. 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 دوره سوم تخصص یادگیری عمیق، یاد خواهید گرفت که چگونه یک پروژه یادگیری ماشینی موفق بسازید و به عنوان رهبر پروژه یادگیری ماشین تصمیم گیری را تمرین کنید. در پایان، شما قادر خواهید بود خطاها را در سیستم یادگیری ماشینی تشخیص دهید. اولویت بندی استراتژی ها برای کاهش خطاها؛ تنظیمات پیچیده ML را درک کنید، مانند مجموعه‌های آموزشی/آزمون ناهماهنگ، و مقایسه و/یا پیشی گرفتن از عملکرد در سطح انسانی. و یادگیری سرتاسر، انتقال یادگیری و یادگیری چند وظیفه ای را اعمال کنید. این همچنین یک دوره مستقل برای زبان آموزانی است که دانش اولیه یادگیری ماشین را دارند. این دوره از تجربه Andrew Ng در ساخت و ارسال بسیاری از محصولات یادگیری عمیق استفاده می کند. اگر می‌خواهید به یک رهبر فنی تبدیل شوید که می‌تواند مسیر یک تیم هوش مصنوعی را تعیین کند، این دوره «تجربه صنعت» را ارائه می‌دهد که در غیر این صورت ممکن است تنها پس از سال‌ها تجربه کاری ML به دست آورید. تخصص یادگیری عمیق برنامه اساسی ما است که به شما کمک می کند قابلیت ها، چالش ها و پیامدهای یادگیری عمیق را درک کنید و شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده کند. این مسیری را برای شما فراهم می کند تا دانش و مهارت هایی را به دست آورید تا از یادگیری ماشینی در کار خود استفاده کنید، حرفه فنی خود را ارتقا دهید و گامی قطعی در دنیای هوش مصنوعی بردارید.

به این دوره سفارشی سازی مدل های خود با TensorFlow 2 خوش آمدید! در این دوره، دانش و مهارت‌های خود را با TensorFlow تعمیق می‌دهید تا مدل‌های یادگیری عمیق و گردش کار کاملاً سفارشی‌سازی شده را برای هر برنامه کاربردی ایجاد کنید. شما از API های سطح پایین تر در TensorFlow برای توسعه معماری های مدل پیچیده، لایه های کاملا سفارشی شده و گردش کار داده های انعطاف پذیر استفاده خواهید کرد. همچنین دانش خود را در مورد APIهای TensorFlow گسترش می‌دهید تا مدل‌های توالی را نیز شامل شود. 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 می آورید، جایی که یک مدل ترجمه عصبی سفارشی را از ابتدا توسعه می دهید. TensorFlow یک کتابخانه ماشینی منبع باز است و یکی از پرکاربردترین فریم ورک ها برای یادگیری عمیق است. انتشار TensorFlow 2 با تمرکز اصلی بر سهولت استفاده برای همه کاربران، از سطح مبتدی تا پیشرفته، یک تغییر مرحله‌ای را در توسعه محصول نشان می‌دهد. این دوره مستقیماً از دوره قبلی شروع به کار با TensorFlow 2 پیروی می کند. دانش پیش نیاز اضافی مورد نیاز برای موفقیت در این دوره، تسلط بر زبان برنامه نویسی پایتون (این دوره از پایتون 3 استفاده می کند)، دانش مفاهیم کلی یادگیری ماشین است. (مانند تطبیق بیش از حد/کمتر، وظایف یادگیری تحت نظارت، اعتبارسنجی، منظم‌سازی و انتخاب مدل)، و دانش کاری در زمینه یادگیری عمیق، از جمله معماری‌های مدل معمولی (MLP، CNN، RNN، ResNet) و مفاهیمی مانند یادگیری انتقالی ، افزایش داده ها و جاسازی کلمات.

آوردن یک مدل یادگیری ماشینی به دنیای واقعی بسیار بیشتر از مدل سازی است. این تخصص به شما می آموزد که چگونه در سناریوهای مختلف استقرار پیمایش کنید و از داده ها به طور مؤثرتری برای آموزش مدل خود استفاده کنید. در این دوره نهایی، چهار سناریو مختلف را که هنگام استقرار مدل‌ها با آن‌ها مواجه خواهید شد، بررسی خواهید کرد. با TensorFlow Serving آشنا خواهید شد، فناوری که به شما امکان استنتاج در وب را می دهد. به TensorFlow Hub می روید، مخزنی از مدل هایی که می توانید برای یادگیری انتقال استفاده کنید. سپس از TensorBoard برای ارزیابی و درک نحوه عملکرد مدل‌های خود و همچنین اشتراک‌گذاری ابرداده‌های مدل خود با دیگران استفاده خواهید کرد. در نهایت، یادگیری فدرال و نحوه آموزش مجدد مدل‌های مستقر شده با داده‌های کاربر و حفظ حریم خصوصی داده‌ها را بررسی خواهید کرد. این تخصص مبتنی بر تخصص TensorFlow در عمل ما است. اگر تازه وارد TensorFlow هستید، توصیه می کنیم ابتدا TensorFlow in Practice Specialization را انتخاب کنید. برای ایجاد درک عمیق تر و اساسی از نحوه عملکرد شبکه های عصبی، توصیه می کنیم که تخصص یادگیری عمیق را انتخاب کنید.

سیستم‌های یادگیری ماشینی که در سیستم‌های پشتیبانی تصمیم‌گیری بالینی (CDSS) استفاده می‌شوند، نیاز به اعتبارسنجی خارجی، تحلیل کالیبراسیون، ارزیابی سوگیری و انصاف دارند. در این دوره، مفاهیم اصلی ارزیابی یادگیری ماشین پذیرفته شده در CDSS توضیح داده خواهد شد. علاوه بر این، تجزیه و تحلیل منحنی تصمیم همراه با CDSS انسان محور که نیاز به توضیح دارد، مورد بحث قرار خواهد گرفت. در نهایت، نگرانی‌های مربوط به حریم خصوصی مدل‌های یادگیری عمیق و حملات خصمانه احتمالی همراه با چشم‌انداز نسل جدیدی از CDSS قابل توضیح و حفظ حریم خصوصی ارائه خواهد شد.

در این دوره، نحوه استفاده از تکنیک های پیشرفته یادگیری ماشینی برای ساختن سیستم های توصیه گر پیچیده تر را خواهید دید. یادگیری ماشینی با بهره گیری از نظرات تاریخی کاربران و ساخت خودکار مدل، بدون نیاز به فکر کردن به تمام جزئیات مدل، قادر به ارائه توصیه ها و پیش بینی های بهتر است. در پایان سیستم‌های توصیه‌کننده پیشرفته، می‌دانید که چگونه اطلاعات ترکیبی را مدیریت کنید و چگونه تکنیک‌های مختلف فیلتر را با هم ترکیب کنید و از هر رویکرد بهترین‌ها را بگیرید. بیشتر، می‌دانید چگونه از ماشین‌های فاکتورسازی استفاده کنید و داده‌های ورودی را بر اساس آن نشان دهید و بتوانید سیستم‌های توصیه‌گر پیچیده‌تری را طراحی کنید، که می‌تواند مشکل توصیه بین دامنه‌ای را حل کند. این دوره از دو پیامد یادگیری فراگیر دیجیتال EIT (OLO) که مربوط به خلاقیت و مهارت‌های نوآوری شماست، استفاده می‌کند. در تلاش برای طراحی یک سیستم توصیه‌کننده جدید، باید فراتر از مرزها فکر کنید و سعی کنید دریابید که چگونه می‌توانید کیفیت نتایج را بهبود بخشید. شما همچنین باید بتوانید از دانش، ایده ها و فناوری برای ایجاد ابزارهای توصیه جدید یا بهبود قابل توجهی برای پشتیبانی از فرآیندهای انتخاب و حل مشکلات زندگی واقعی در سناریوهای پیچیده و نوآورانه استفاده کنید.

این دوره پروژه اصلی برای تخصص سیستم‌های توصیه‌کننده، همه چیزهایی را که در مورد الگوریتم‌ها و ارزیابی سیستم‌های توصیه‌گر آموخته‌اید را در یک پروژه تحلیل و طراحی توصیه‌گر جامع گرد هم می‌آورد. به شما یک مطالعه موردی داده می شود تا جایی که باید طراحی یک سیستم توصیه گر را از طریق تجزیه و تحلیل اهداف توصیه گر و عملکرد الگوریتم انتخاب و توجیه کنید. فراگیران در مسیر افتخارات بر ارزیابی تجربی الگوریتم ها در برابر مجموعه داده های با اندازه متوسط ​​تمرکز خواهند کرد. مسیر استاندارد شامل ترکیبی از نتایج ارائه شده و کاوش صفحه گسترده خواهد بود. هر دو گروه گزارشی را تهیه خواهند کرد که تجزیه و تحلیل، راه حل انتخاب شده و توجیه آن راه حل را مستند می کند.

در این دوره با نحوه ارزیابی سیستم های توصیه گر آشنا می شوید. شما با چندین خانواده از معیارها، از جمله مواردی برای اندازه‌گیری دقت پیش‌بینی، دقت رتبه‌بندی، پشتیبانی از تصمیم‌گیری، و عوامل دیگری مانند تنوع، پوشش محصول و سرندیپیتی آشنا خواهید شد. شما خواهید آموخت که چگونه معیارهای مختلف با اهداف مختلف کاربر و اهداف تجاری مرتبط است. همچنین یاد خواهید گرفت که چگونه ارزیابی های آفلاین را به دقت انجام دهید (به عنوان مثال، چگونه داده ها را تهیه و نمونه برداری کنید، و چگونه نتایج را جمع آوری کنید). و با ارزیابی آنلاین (تجربی) آشنا خواهید شد. در پایان این دوره، ابزارهایی را خواهید داشت که برای مقایسه گزینه های مختلف سیستم توصیه گر برای کاربردهای مختلف نیاز دارید.

Dans ce cours، nous abordons en detail les composants و les bonnes Pratiques destruction de systems de ML Hautes performs dans des environnements de production. Nous verrons aussi sures des considérations les plus courantes concernant la construction de ces systemes, telles que l'entraînement statique, l'entraînement dynamique, l'inférence statique, l'inférence dynamique, les tâches distribués PUesF. Ce cours a pour objectif d'explorer les caractéristiques d'un bon system de ML, au-delà de sa capacité à effectuer des predictions correctes.

اگر توسعه‌دهنده نرم‌افزاری هستید که می‌خواهید الگوریتم‌های مقیاس‌پذیر مبتنی بر هوش مصنوعی بسازید، باید بدانید که چگونه از ابزارهای ساخت آنها استفاده کنید. این دوره بخشی از DeepLearning.AI TensorFlow Developer Specialization است و بهترین روش ها برای استفاده از TensorFlow، یک چارچوب منبع باز محبوب برای یادگیری ماشین را به شما آموزش می دهد. در دوره 2 از تخصص DeepLearning.AI TensorFlow Developer، شما تکنیک های پیشرفته ای را برای بهبود مدل بینایی کامپیوتری که در دوره 1 ساخته اید، یاد خواهید گرفت. نحوه کار با تصاویر دنیای واقعی در اشکال و اندازه های مختلف را بررسی می کنید، سفر را تجسم می کنید. یک تصویر از طریق کانولوشن برای درک اینکه چگونه یک کامپیوتر اطلاعات را "می بیند"، از دست دادن و دقت نمودار، و کشف استراتژی هایی برای جلوگیری از تطبیق بیش از حد، از جمله افزایش و ترک تحصیل در نهایت، دوره 2 شما را با انتقال یادگیری و چگونگی استخراج ویژگی های آموخته شده از مدل ها آشنا می کند. 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 جدید Deeplearning.ai TensorFlow به شما می آموزد که چگونه از TensorFlow برای پیاده سازی آن اصول استفاده کنید تا بتوانید شروع به ساخت و استفاده از مدل های مقیاس پذیر 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.

در چهارمین دوره تخصصی یادگیری عمیق، نحوه تکامل بینایی کامپیوتر را خواهید فهمید و با کاربردهای هیجان انگیز آن مانند رانندگی خودکار، تشخیص چهره، خواندن تصاویر رادیولوژی و غیره آشنا خواهید شد. در پایان، شما قادر خواهید بود یک شبکه عصبی کانولوشنال، از جمله تغییرات اخیر مانند شبکه های باقیمانده بسازید. استفاده از شبکه های کانولوشن برای کارهای تشخیص و شناسایی بصری؛ و از انتقال سبک عصبی برای تولید هنر و اعمال این الگوریتم ها بر روی انواع تصاویر، ویدئوها و سایر داده های دو بعدی یا سه بعدی استفاده کنید. تخصص یادگیری عمیق برنامه اساسی ما است که به شما کمک می کند قابلیت ها، چالش ها و پیامدهای یادگیری عمیق را درک کنید و شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده کند. این مسیری را برای شما فراهم می کند تا دانش و مهارت هایی را به دست آورید تا از یادگیری ماشینی در کار خود استفاده کنید، حرفه فنی خود را ارتقا دهید و گامی قطعی در دنیای هوش مصنوعی بردارید.