یادگیری تقویتی زیرشاخه یادگیری ماشینی است، اما یک فرمالیسم با هدف کلی برای تصمیم گیری خودکار و هوش مصنوعی نیز هست. این دوره شما را با تکنیک های یادگیری آماری آشنا می کند که در آن یک عامل به صراحت اقداماتی انجام می دهد و با جهان تعامل دارد. درک اهمیت و چالش های عوامل یادگیری که تصمیم گیری می کنند امروزه از اهمیت حیاتی برخوردار است، زیرا شرکت های بیشتری به عوامل تعاملی و تصمیم گیری هوشمند علاقه مند هستند. این دوره شما را با اصول یادگیری تقویتی آشنا می کند. وقتی این دوره را تمام کردید، خواهید داشت: - رسمی کردن مشکلات به عنوان فرآیندهای تصمیم مارکوف - روش های اولیه اکتشاف و معاوضه اکتشاف / بهره برداری را بدانید - درک توابع ارزش، به عنوان یک ابزار همه منظوره برای تصمیم گیری بهینه - بدانید که چگونه برنامه نویسی پویا را به عنوان یک رویکرد راه حل کارآمد برای یک مشکل کنترل صنعتی پیاده سازی کنید این دوره مفاهیم کلیدی یادگیری تقویتی، زیربنای الگوریتم های کلاسیک و مدرن در RL را به شما آموزش می دهد. پس از اتمام این دوره، می توانید از RL برای مشکلات واقعی استفاده کنید، جایی که MDP را دارید یا می توانید مشخص کنید. این اولین دوره تخصصی آموزش تقویتی است.

در این اولین دوره از تخصص مدیریت محصول هوش مصنوعی ارائه شده توسط دانشکده مهندسی پرت دانشگاه دوک، شما درک اساسی از چیستی یادگیری ماشین، نحوه کارکرد و زمان و چرایی کاربرد آن خواهید داشت. برای مدیریت موفقیت آمیز یک تیم یا محصول هوش مصنوعی و کار مشترک با دانشمندان داده، مهندسان نرم افزار و مشتریان، باید اصول اولیه فناوری یادگیری ماشین را بدانید. این دوره مقدمه‌ای بدون کدنویسی برای یادگیری ماشین، با تمرکز بر فرآیند توسعه مدل‌ها، ارزیابی و تفسیر مدل ML، و شهود پشت الگوریتم‌های رایج ML و یادگیری عمیق ارائه می‌کند. این دوره با یک پروژه عملی به پایان می رسد که در آن شما فرصتی برای آموزش و بهینه سازی یک مدل یادگیری ماشین بر روی یک مشکل ساده در دنیای واقعی خواهید داشت. در پایان این دوره، شما باید بتوانید: 1) نحوه عملکرد یادگیری ماشین و انواع یادگیری ماشین را توضیح دهید 2) چالش های مدل سازی و راهبردهای غلبه بر آنها را شرح دهید 3) الگوریتم های اولیه مورد استفاده برای کارهای رایج ML و موارد استفاده از آنها را شناسایی کنید 4) یادگیری عمیق و نقاط قوت و چالش های آن را نسبت به سایر اشکال یادگیری ماشین توضیح دهید 5) بهترین شیوه ها را در ارزیابی و تفسیر مدل های ML اجرا کنید

هدف این دوره کمک به دانش‌آموزان برای حل مشکلات عملی مرتبط با ML است که ممکن است در زندگی واقعی با آن‌ها مواجه شوند، که شامل موارد زیر است: (1) درک اینکه مشکلی که فرد با آن مواجه می‌شود در یک چشم‌انداز کلی از روش‌های ML موجود است، (2) درک اینکه رویکرد(های) خاص ML برای حل مشکل و (3) توانایی اجرای موفقیت آمیز راه حل و ارزیابی عملکرد آن مناسب ترین است. یک یادگیرنده با دانش قبلی یا بدون دانش قبلی در مورد یادگیری ماشین (ML) با الگوریتم های اصلی یادگیری تحت نظارت و بدون نظارت و یادگیری تقویتی آشنا می شود و می تواند از بسته های منبع باز Python ML برای طراحی، آزمایش و پیاده سازی الگوریتم های ML استفاده کند. در امور مالی مبانی یادگیری ماشین در امور مالی، دید عمیق تری از یادگیری تحت نظارت، بدون نظارت و تقویتی ارائه می دهد و در نهایت به پروژه ای در مورد استفاده از یادگیری بدون نظارت برای اجرای یک استراتژی معاملاتی ساده سبد سهام ختم می شود. 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.

در طول این دوره، مجازی‌سازی، کانتینری‌سازی و Kubernetes را کاوش خواهید کرد و بر ابزارهایی که مهندسی داده را در این صنعت نیرو می‌دهند، تسلط خواهید داشت. هر هفته مجموعه جدیدی از ابزارها و پلتفرم ها را ارائه می دهد که در مهندسی داده ضروری هستند. از تسلط بر Docker و Kubernetes گرفته تا کاوش در موضوعات پیشرفته مانند کدنویسی مبتنی بر هوش مصنوعی با GitHub Copilot، مدیریت تصویر کانتینر کارآمد با Azure و Amazon Elastic Container Registries، و روش‌های Site Reliability Engineering (SRE)، فراتر از اصول اولیه رفته و به تخصص مورد نیاز برای پیشرفت در چشم انداز پویا و مبتنی بر داده های مهندسی پیشرفته داده است. چه دانشجوی فعلی باشید که به دنبال گسترش مهارت های خود هستید یا یک حرفه ای که هدف آن ارتقای تخصص خود به سطح بعدی است، این دوره برای تجهیز شما به دانش پیشرفته و تجربه عملی لازم برای موفقیت طراحی شده است.

در این دوره، شما بر مهارت های آموخته شده در تجزیه و تحلیل داده های اکتشافی با متلب و پردازش داده ها و مهندسی ویژگی با متلب برای افزایش توانایی خود در استفاده از قدرت متلب برای تجزیه و تحلیل داده های مرتبط با کاری که انجام می دهید، خواهید آموخت. این مهارت ها برای کسانی که دانش حوزه و مقداری در معرض ابزارهای محاسباتی هستند، اما هیچ پیشینه برنامه نویسی ندارند، ارزشمند است. برای موفقیت در این دوره باید پیشینه ای در زمینه آمار پایه (هیستوگرام، میانگین، انحراف معیار، برازش منحنی، درونیابی) داشته باشید و دروس 1 تا 2 این تخصص را گذرانده باشید. در پایان این دوره، شما از متلب برای شناسایی بهترین مدل یادگیری ماشینی برای به دست آوردن پاسخ از داده های خود استفاده خواهید کرد. شما داده‌های خود را آماده می‌کنید، یک مدل پیش‌بینی را آموزش می‌دهید، مدل خود را ارزیابی و بهبود می‌بخشید و می‌دانید که چگونه می‌توانید از مدل‌های خود بیشترین بهره را ببرید.

مدل سازی در AWS سومین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. تمرکز اصلی این دوره آموزش مدل های یادگیری ماشین با تجزیه و تحلیل مفاهیم مدل سازی در AWS است. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره با سخنرانی‌های ویدئویی تقریباً 1:30 ساعت تا 2:00 ساعت که دانش تئوری و دستی را ارائه می‌کند، زبان‌آموزان را تسهیل 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: مدل سازی و آموزش مدل های یادگیری ماشین در AWS ماژول 2: مدل های یادگیری ماشین: ارزیابی عملکرد و تنظیم در پایان این دوره، فراگیران قادر خواهند بود: 1. تجزیه و تحلیل مفاهیم مدل سازی و آموزش مدل های یادگیری ماشین 2. عملکرد مدل های یادگیری ماشین را بررسی کنید 3. با آموزش یک مدل، تنظیم خودکار مدل را پیاده سازی کنید

این دوره شما را با موضوعات اضافی در یادگیری ماشینی آشنا می کند که مکمل وظایف ضروری از جمله پیش بینی و تجزیه و تحلیل داده های سانسور شده است. شما یاد خواهید گرفت که چگونه داده های تجزیه و تحلیل را با مولفه زمانی و داده های سانسور شده که نیاز به استنتاج نتیجه دارند، پیدا کنید. شما چند تکنیک برای تجزیه و تحلیل سری های زمانی و تجزیه و تحلیل بقا خواهید آموخت. بخش عملی این دوره بر استفاده از بهترین شیوه ها و تأیید مفروضات به دست آمده از یادگیری آماری متمرکز است. در پایان این دوره شما باید بتوانید: چالش های رایج مدل سازی را با داده های سری زمانی شناسایی کنید نحوه تجزیه داده های سری زمانی: روند، فصلی و باقیمانده را توضیح دهید نحوه عملکرد مدل های اتورگرسیو، میانگین متحرک و ARIMA را توضیح دهید نحوه انتخاب و پیاده سازی مدل های مختلف سری زمانی را بدانید روش های مدل سازی خطر و بقا را شرح دهید انواع مشکلات مناسب برای تجزیه و تحلیل بقا را شناسایی کنید چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با تجزیه و تحلیل سری های زمانی و تجزیه و تحلیل بقا 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 از پاکسازی داده ها، تجزیه و تحلیل داده های اکتشافی، حساب دیفرانسیل و انتگرال، جبر خطی، یادگیری ماشین نظارت شده، یادگیری ماشین بدون نظارت، احتمال و آمار.

در پنجمین دوره تخصصی Deep Learning با مدل های توالی و کاربردهای هیجان انگیز آنها مانند تشخیص گفتار، سنتز موسیقی، چت بات ها، ترجمه ماشینی، پردازش زبان طبیعی (NLP) و غیره آشنا می شوید. در پایان، می‌توانید شبکه‌های عصبی بازگشتی (RNN) و انواع پرکاربرد مانند GRU و LSTM را بسازید و آموزش دهید. RNN ها را برای مدل سازی زبان در سطح کاراکتر اعمال کنید. کسب تجربه با پردازش زبان طبیعی و تعبیه کلمه. و از توکن سازها و مدل های ترانسفورماتور HuggingFace برای حل وظایف مختلف NLP مانند NER و Question Answering استفاده کنید. Deep Learning Specialization یک برنامه اساسی است که به شما کمک می کند توانایی 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 گامی قطعی در دنیای هوش مصنوعی بردارید و به شما کمک می کند دانش و مهارت هایی را برای ارتقاء سطح حرفه خود به دست آورید.

این دوره به معرفی مفاهیم تفسیرپذیری و توضیح پذیری در کاربردهای یادگیری ماشین می پردازد. یادگیرنده تفاوت بین توضیحات کلی، محلی، مدل-آگنوستیک و مدل خاص را درک خواهد کرد. روش‌های توضیح‌پذیری پیشرفته مانند اهمیت ویژگی جایگشت (PFI)، توضیح‌های محلی قابل تفسیر مدل-آگنوستیک (LIME) و توضیح افزودنی SHapley (SHAP) توضیح داده شده‌اند و در طبقه‌بندی سری‌های زمانی اعمال می‌شوند. متعاقباً، توضیحات خاص مدل مانند نگاشت فعال‌سازی کلاس (CAM) و CAM با وزن گرادیان توضیح و پیاده‌سازی می‌شوند. فراگیران اسناد بدیهی و چرایی اهمیت آنها را درک خواهند کرد. در نهایت، مکانیسم‌های توجه قرار است بعد از لایه‌های بازگشتی گنجانده شوند و وزن‌های توجه برای تولید توضیحات محلی مدل تجسم خواهند شد.

در این دوره، شما: • APIهای عملکردی و ترتیبی را مقایسه کنید، مدل‌های جدیدی را که می‌توانید با Functional API بسازید، کشف کنید، و مدلی بسازید که خروجی‌های متعدد از جمله یک شبکه سیامی تولید کند. • توابع از دست دادن سفارشی (از جمله تابع تضاد متضاد مورد استفاده در شبکه سیامی) را بسازید تا میزان عملکرد یک مدل را اندازه گیری کنید و به شبکه عصبی شما کمک کنید تا از داده های آموزشی یاد بگیرد. • از لایه‌های استاندارد موجود برای ایجاد لایه‌های سفارشی برای مدل‌های خود بسازید، یک لایه شبکه را با لایه لامبدا سفارشی کنید، تفاوت‌های بین آن‌ها را درک کنید، بدانید چه چیزی یک لایه سفارشی را تشکیل می‌دهد و عملکردهای فعال‌سازی را بررسی کنید. • از مدل‌های موجود برای افزودن قابلیت‌های سفارشی بسازید، یاد بگیرید چگونه کلاس سفارشی خود را به جای استفاده از APIهای تابعی یا متوالی تعریف کنید، مدل‌هایی بسازید که می‌توانند از کلاس TensorFlow Model به ارث برده شوند، و از طریق تعریف کردن، یک شبکه باقی‌مانده (ResNet) بسازید. یک کلاس مدل سفارشی 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.

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. این دوره دوم به شما می آموزد که چگونه مدل های یادگیری ماشین خود را در برنامه های تلفن همراه اجرا کنید. شما یاد خواهید گرفت که چگونه مدل‌هایی را برای دستگاه‌های کم‌مصرف با باتری آماده کنید، سپس مدل‌ها را در هر دو پلتفرم اندروید و iOS اجرا کنید. در نهایت، نحوه استقرار در سیستم‌های جاسازی شده با استفاده از TensorFlow در Raspberry Pi و میکروکنترلرها 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.

متخصصان کسب و کار در نقش های غیر فنی فرصتی منحصر به فرد برای رهبری یا تأثیرگذاری بر پروژه های یادگیری ماشین دارند. اگر در مورد یادگیری ماشین سوالی دارید و می خواهید بدانید که چگونه از آن بدون اصطلاحات فنی استفاده کنید، این دوره برای شما مناسب است. بیاموزید که چگونه مشکلات تجاری را به موارد استفاده از یادگیری ماشین ترجمه کنید و آنها را از نظر امکان سنجی و تأثیر بررسی کنید. بیاموزید که چگونه می توانید موارد استفاده غیرمنتظره را کشف کنید، مراحل پروژه ML و ملاحظات هر کدام را بشناسید، و اطمینان حاصل کنید که یک مورد استفاده سفارشی ML را به تیم یا رهبری خود پیشنهاد دهید یا الزامات را به یک تیم فنی ترجمه کنید.

این دوره دوم از تخصص مدیریت محصول هوش مصنوعی توسط دانشکده مهندسی پرت دانشگاه دوک بر جنبه های عملی مدیریت پروژه های یادگیری ماشین تمرکز دارد. این دوره از طریق مراحل کلیدی یک پروژه ML از چگونگی شناسایی فرصت های خوب برای ML از طریق جمع آوری داده ها، ساخت مدل، استقرار و نظارت و نگهداری سیستم های تولید می پردازد. شرکت کنندگان در مورد فرآیند علم داده و نحوه اعمال فرآیند برای سازماندهی تلاش های ML، و همچنین ملاحظات و تصمیمات کلیدی در طراحی سیستم های ML یاد خواهند گرفت. در پایان این دوره، شما باید بتوانید: 1) فرصت هایی را برای اعمال ML برای حل مشکلات کاربران شناسایی کنید 2) از فرآیند علم داده برای سازماندهی پروژه های ML استفاده کنید 3) تصمیمات کلیدی فناوری را در طراحی سیستم ML ارزیابی کنید 4) پروژه های ML را از ایده پردازی تا تولید با استفاده از بهترین شیوه ها هدایت کنید

هوش مصنوعی (AI) و یادگیری ماشین (ML) به بخشی ضروری از مجموعه ابزار برای بسیاری از سازمان‌ها تبدیل شده‌اند. هنگامی که این ابزارها به طور مؤثر مورد استفاده قرار می گیرند، بینش عملی ارائه می دهند که تصمیمات حیاتی را هدایت می کند و سازمان ها را قادر می سازد محصولات و خدمات هیجان انگیز، جدید و نوآورانه ایجاد کنند. این اولین دوره از چهار دوره در گواهینامه حرفه ای متخصص هوش مصنوعی (CAIP) است. این دوره به عنوان نقطه ورود به دنیای AI/ML در نظر گرفته شده است. در مورد مشکلات تجاری که AI/ML می تواند حل کند و همچنین فناوری های AI/ML خاصی که می تواند آنها را حل کند، آشنا خواهید شد. علاوه بر این، یک نمای کلی از گردش کار کلی مربوط به یادگیری ماشین، و همچنین ابزارها و سایر منابعی که از آن پشتیبانی می‌کنند، دریافت خواهید کرد. این دوره همچنین اهمیت اخلاق در AI/ML را ترویج می کند و تکنیک هایی را برای رسیدگی به چالش های اخلاقی در اختیار شما قرار می دهد. در نهایت، این دوره شما را در مورد "چرا؟" فکر می کند. از AI/ML، و تضمین می کند که کارهای فنی بیشتر شما در دوره های بعدی با اهداف تجاری واضح در ذهن انجام می شود.

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. 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.

Computer Vision یکی از هیجان انگیزترین زمینه ها در یادگیری ماشینی و هوش مصنوعی است. در بسیاری از صنایع مانند اتومبیل های خودران، روباتیک، واقعیت افزوده و بسیاری موارد دیگر کاربرد دارد. در این دوره آموزشی مبتدی، بینایی کامپیوتر را درک خواهید کرد و با کاربردهای مختلف آن در بسیاری از صنایع آشنا خواهید شد. به عنوان بخشی از این دوره، شما از Python، Pillow و OpenCV برای پردازش اولیه تصویر و انجام طبقه بندی تصویر و تشخیص اشیا استفاده خواهید کرد. این یک دوره عملی است و شامل چندین آزمایشگاه و تمرین است. آزمایشگاه‌ها آزمایشگاه‌های Jupyter و Computer Vision Learning Studio (CV Studio) را که یک ابزار آموزشی رایگان برای بینایی کامپیوتر است، ترکیب می‌کنند. CV Studio به شما امکان آپلود، آموزش و آزمایش مدل‌های تشخیص و طبقه‌بندی تصویر سفارشی خود را می‌دهد. در پایان دوره، برنامه وب بینایی کامپیوتر خود را ایجاد کرده و آن را در Cloud مستقر خواهید کرد. این دوره نیازی به تجربه قبلی در زمینه یادگیری ماشین یا کامپیوتر ندارد. با این حال، دانش کمی از زبان برنامه نویسی پایتون و ریاضی دبیرستان ضروری است.

این دوره که به عنوان اولین دوره در تخصص سیستم های توصیه گر طراحی شده است، مفهوم سیستم های توصیه گر را معرفی می کند، چندین مثال را به طور مفصل بررسی می کند و شما را از طریق توصیه های غیر شخصی با استفاده از آمار خلاصه و انجمن های محصول، مبتنی بر کلیشه های اولیه راهنمایی می کند. یا توصیه های جمعیت شناختی، و توصیه های فیلترینگ مبتنی بر محتوا. پس از اتمام این دوره، می‌توانید با استفاده از ابزارهای صفحه گسترده اولیه، توصیه‌های مختلفی را از مجموعه داده‌ها محاسبه کنید، و اگر مسیر افتخارات را تکمیل کنید، این توصیه‌ها را نیز با استفاده از جعبه ابزار توصیه‌گر LensKit منبع باز برنامه‌ریزی کرده‌اید. علاوه بر سخنرانی‌های مفصل و تمرین‌های تعاملی، این دوره دارای مصاحبه با چندین رهبر در تحقیق و عمل در مورد موضوعات پیشرفته و جهت‌های جاری در سیستم‌های توصیه‌گر است.

این دوره به شما یاد می دهد که چگونه از قدرت پایتون و هوش مصنوعی برای ایجاد و آزمایش فرضیه استفاده کنید. ما از ابتدا شروع می کنیم، و قبل از فرو رفتن در برخی از برنامه های کاربردی غنی تر آن برای آزمایش فرضیه ایجاد شده، چند پایتون پایه برای علم داده را یاد می گیریم. ما برخی از مهم‌ترین کتابخانه‌ها را برای تجزیه و تحلیل داده‌های اکتشافی (EDA) و یادگیری ماشینی مانند Numpy، Pandas و Sci-Kit یاد خواهیم گرفت. پس از یادگیری برخی از تئوری (و ریاضیات) پشت رگرسیون خطی، خط لوله کاملی از خواندن داده‌ها، پاکسازی آن‌ها و اعمال یک مدل رگرسیون برای تخمین پیشرفت دیابت را بررسی می‌کنیم. در پایان دوره، شما یک مدل طبقه بندی را برای پیش بینی وجود/عدم بیماری قلبی از داده های سلامت بیمار اعمال خواهید کرد.

یادگیری عمیق تکنیکی است که برای بسیاری از کاربردها، از پردازش زبان طبیعی گرفته تا زیست پزشکی، مورد استفاده قرار می گیرد. یادگیری عمیق می تواند انواع مختلفی از داده ها مانند تصاویر، متون، صدا/صدا، نمودارها و غیره را مدیریت کند. این دوره اصول اولیه DL از جمله نحوه ساخت و آموزش پرسپترون چندلایه، شبکه های عصبی کانولوشن (CNN)، شبکه های عصبی تکراری (RNN)، رمزگذارهای خودکار (AE) و شبکه های متخاصم مولد (GAN) را پوشش می دهد. این دوره شامل چندین پروژه عملی، از جمله تشخیص سرطان با CNN، RNN در توییت‌های بلایا، و تولید تصاویر سگ با GAN است. دانش کدنویسی یا برنامه نویسی قبلی مورد نیاز است. ما در طول دوره به طور گسترده از پایتون استفاده خواهیم کرد. توصیه می کنیم دو دوره قبلی در زمینه تخصصی، مقدمه یادگیری ماشین: یادگیری نظارت شده و الگوریتم های بدون نظارت در یادگیری ماشین را بگذرانید، اما نیازی به آنها نیست. مهارت های ریاضی در سطح دانشگاه، از جمله حساب دیفرانسیل و انتگرال و جبر خطی، مورد نیاز است. برخی از بخش های کلاس نسبتا فشرده ریاضی خواهد بود. 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.

به دنبال شروع حرفه ای در یادگیری عمیق هستید؟ دیگر نگاه نکنید. این دوره شما را با زمینه یادگیری عمیق آشنا می کند و به شما کمک می کند به بسیاری از سوالاتی که امروزه مردم می پرسند پاسخ دهید، مانند یادگیری عمیق چیست و مدل های یادگیری عمیق چگونه با شبکه های عصبی مصنوعی مقایسه می شوند؟ شما با مدل های مختلف یادگیری عمیق آشنا خواهید شد و اولین مدل یادگیری عمیق خود را با استفاده از کتابخانه Keras خواهید ساخت. پس از اتمام این دوره، فراگیران قادر خواهند بود: • توضیح دهید که شبکه عصبی چیست، مدل یادگیری عمیق چیست و تفاوت بین آنها چیست. • درکی از مدل های یادگیری عمیق بدون نظارت مانند رمزگذارهای خودکار و ماشین های محدود بولتزمن نشان دهید. • نشان دادن درک درستی از مدل های یادگیری عمیق تحت نظارت مانند شبکه های عصبی کانولوشن و شبکه های تکراری. • با استفاده از کتابخانه Keras، مدل ها و شبکه های یادگیری عمیق بسازید.