یادگیری ماشینی (ML) به ما این امکان را می‌دهد که به رایانه‌ها آموزش دهیم تا بر اساس داده‌ها پیش‌بینی و تصمیم بگیرند و از تجربیات بیاموزند. در سال‌های اخیر، بهینه‌سازی‌های باورنکردنی برای الگوریتم‌های یادگیری ماشین، چارچوب‌های نرم‌افزاری و سخت‌افزار تعبیه‌شده انجام شده است. به لطف این، اجرای شبکه های عصبی عمیق و سایر الگوریتم های پیچیده یادگیری ماشینی در دستگاه های کم مصرف مانند میکروکنترلرها امکان پذیر است. این دوره به شما یک نمای کلی از نحوه کار یادگیری ماشین، نحوه آموزش شبکه های عصبی و نحوه استقرار آن شبکه ها در میکروکنترلرها را ارائه می دهد که به عنوان یادگیری ماشین جاسازی شده یا TinyML شناخته می شود. برای گذراندن این دوره نیازی به دانش قبلی یادگیری ماشین ندارید. آشنایی با آردوینو و میکروکنترلرها برای درک برخی از موضوعات و همچنین مقابله با پروژه ها توصیه می شود. مقداری ریاضی (خواندن نمودار، حساب، جبر) نیز برای آزمون ها و پروژه ها مورد نیاز است. ما مفاهیم و واژگان لازم برای درک اصول یادگیری ماشین و همچنین ارائه نمایش ها و پروژه هایی را برای ارائه تجربه عملی به شما پوشش خواهیم داد.

این دوره برای حرفه‌ای‌هایی است که زمزمه‌های یادگیری ماشین را شنیده‌اند و می‌خواهند یادگیری ماشینی را در تجزیه و تحلیل داده‌ها و اتوماسیون به کار ببرند. چه امور مالی، پزشکی، مهندسی، تجارت یا سایر حوزه ها، این دوره شما را با تعریف مشکل و آماده سازی داده ها در پروژه یادگیری ماشینی آشنا می کند. در پایان دوره، شما قادر خواهید بود با استفاده از دو رویکرد، مشکل یادگیری ماشین را به وضوح تعریف کنید. شما یاد خواهید گرفت که منابع داده موجود را بررسی کنید و کاربردهای بالقوه ML را شناسایی کنید. شما یاد خواهید گرفت که یک نیاز تجاری را بپذیرید و آن را به یک برنامه یادگیری ماشینی تبدیل کنید. داده ها را برای برنامه های کاربردی یادگیری ماشینی موثر آماده خواهید کرد. این اولین دوره از تخصص یادگیری ماشین کاربردی است که توسط Coursera و موسسه هوش ماشین آلبرتا برای شما ارائه شده است.

در این دوره، شما الگوریتم‌های مختلف نظارت شده ML و وظایف پیش‌بینی اعمال شده روی داده‌های مختلف را یاد خواهید گرفت. شما یاد خواهید گرفت که چه زمانی از کدام مدل و چرا استفاده کنید و چگونه عملکرد مدل را بهبود ببخشید. ما مدل هایی مانند رگرسیون خطی و لجستیک، KNN، درختان تصمیم و روش های ترکیبی مانند جنگل تصادفی و تقویت، روش های هسته مانند SVM را پوشش خواهیم داد. دانش کدنویسی یا برنامه نویسی قبلی مورد نیاز است. ما در طول دوره به طور گسترده از پایتون استفاده خواهیم کرد. در این دوره، شما باید یک پایه محکم در پایتون یا تجربه قبلی کافی در کدنویسی با سایر زبان های برنامه نویسی داشته باشید تا پایتون را سریع انتخاب کنید. ما یاد خواهیم گرفت که چگونه از کتابخانه های علوم داده مانند NumPy، pandas، matplotlib، statsmodels و sklearn استفاده کنیم. این دوره برای برنامه نویسانی طراحی شده است که شروع به کار با آن کتابخانه ها می کنند. تجربه قبلی با آن کتابخانه ها مفید خواهد بود اما ضروری نیست. مهارت های ریاضی در سطح دانشگاه، از جمله حساب دیفرانسیل و انتگرال و جبر خطی، مورد نیاز است. امید ما برای این دوره این است که ریاضی قابل درک باشد اما ترسناک نباشد. 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

این دوره سه ماژول، یادگیری ماشین و علم داده را برای همه کسانی که درک اساسی از مدل‌های یادگیری ماشین دارند، معرفی می‌کند. شما در مورد تاریخچه یادگیری ماشینی، کاربردهای یادگیری ماشینی، چرخه عمر مدل یادگیری ماشینی و ابزارهایی برای یادگیری ماشینی خواهید آموخت. همچنین درباره یادگیری تحت نظارت در مقابل بدون نظارت، طبقه بندی، رگرسیون، ارزیابی مدل های یادگیری ماشین و موارد دیگر خواهید آموخت. آزمایشگاه‌های ما تجربه عملی با این مفاهیم یادگیری ماشینی و علم داده را به شما می‌دهند. شما مهارت های یادگیری ماشینی مشخص را توسعه خواهید داد و همچنین یک پروژه نهایی ایجاد خواهید کرد که مهارت شما را نشان می دهد. پس از تکمیل این برنامه، می‌توانید پتانسیل الگوریتم‌های یادگیری ماشین و هوش مصنوعی را در سناریوهای مختلف کسب‌وکار درک کنید. شما می توانید تشخیص دهید که چه زمانی از یادگیری ماشینی برای توضیح برخی رفتارها استفاده کنید و چه زمانی از آن برای پیش بینی نتایج آینده استفاده کنید. همچنین یاد خواهید گرفت که چگونه مدل‌های یادگیری ماشینی خود را ارزیابی کنید و بهترین روش‌ها را به کار ببرید. این دوره بخشی از برنامه های متعدد است همچنین می‌توانید از یادگیری این برنامه برای تکمیل دو دوره باقی‌مانده از گواهینامه حرفه‌ای یادگیری ماشینی IBM استفاده کنید و شغل جدیدی را در زمینه یادگیری ماشین ایجاد کنید.

مهندسی داده در AWS اولین دوره در تخصص AWS Certified Machine Learning تخصص است. این دوره به زبان آموزان کمک می کند تا تکنیک های مختلف جمع آوری داده ها را تجزیه و تحلیل کنند. آنها همچنین بینشی برای رسیدگی به داده های از دست رفته به دست خواهند آورد. 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 حدوداً 2:30 تا 3:00 ساعت که هم تئوری و هم دانش عملی را ارائه می‌کند، به زبان‌آموزان 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: مقدمه ای بر مهندسی داده ماژول 2: استخراج ویژگی و انتخاب ویژگی نامزد باید حداقل دو سال تجربه عملی در معماری و اجرای بارهای کاری ML در AWS Cloud داشته باشد. فرد باید دانش اولیه الگوریتم های ML را داشته باشد. در پایان این دوره، زبان آموز قادر خواهد بود: - تکنیک های مختلف جمع آوری داده ها را درک کنید - تجزیه و تحلیل تکنیک های مدیریت داده های از دست رفته - پیاده سازی استخراج ویژگی و انتخاب ویژگی با تجزیه و تحلیل مؤلفه اصلی و واریانس آستانه ها

ChatGPT و سایر مدل های زبان بزرگ در زندگی و تجارت شما مهمتر از گوشی هوشمند شما خواهند بود، اگر درست از آنها استفاده کنید. ChatGPT می تواند به کودک شما در ریاضیات آموزش دهد، برنامه غذایی و دستور العمل تهیه کند، برنامه های نرم افزاری برای کسب و کار شما بنویسد، به شما کمک کند امنیت سایبری شخصی خود را بهبود ببخشید، و این درست در اولین ساعتی است که از آن استفاده می کنید. این دوره به شما یاد می دهد که چگونه یک کاربر متخصص از این ابزارهای مولد هوش مصنوعی باشید. این دوره نمونه های شگفت انگیزی را نشان می دهد که چگونه می توانید از هوش و استدلال اضطراری این ابزارهای هوش مصنوعی بهره ببرید، چگونه می توانید از آنها برای بهره وری روز به روز استفاده کنید و به شما بینشی در مورد نحوه کار آنها می دهد. مدل‌های زبان بزرگ به دستورالعمل‌ها و سؤالات مطرح شده توسط کاربران در عبارات زبان طبیعی پاسخ می‌دهند که به «اعلان‌ها» معروف هستند. اگرچه مدل‌های بزرگ زبان بسیاری از زمینه‌ها را مختل می‌کنند، اکثر کاربران مهارت‌های لازم برای نوشتن پیام‌های مؤثر را ندارند. کاربران خبره، که نحوه نوشتن اعلان‌های خوب را می‌دانند، در مرتبه‌ای مولدتر هستند و می‌توانند کاربردهای خلاقانه‌تری را برای این ابزارها باز کنند. این دوره دانش آموزان را با الگوها و رویکردهای نوشتن دستورهای موثر برای مدل های زبان بزرگ آشنا می کند. هر کسی می‌تواند این دوره را بگذراند و تنها دانش مورد نیاز، مهارت‌های اولیه استفاده از رایانه، مانند استفاده از مرورگر و دسترسی به ChatGPT است. دانش‌آموزان با اعلان‌های اولیه شروع می‌کنند و به سمت نوشتن اعلان‌های پیچیده برای حل مشکلات در هر حوزه می‌روند. در پایان دوره، دانش‌آموزان مهارت‌های مهندسی سریع و قوی خواهند داشت و می‌توانند از مدل‌های زبانی بزرگ برای طیف وسیعی از وظایف در شغل، تجارت، زندگی شخصی و تحصیلات خود مانند نوشتن، خلاصه‌نویسی، بازی، برنامه‌ریزی استفاده کنند. ، شبیه سازی و برنامه نویسی

یونیکس پایه‌ای را تشکیل می‌دهد که اغلب برای دستیابی به اهداف دیگری که ممکن است برای خود و رایانه‌تان داشته باشید، بسیار مفید است، خواه این هدف راه اندازی یک تجارت، نوشتن کتاب، درمان بیماری یا ایجاد برنامه عالی بعدی باشد. ابزار دستیابی به این اهداف گاهی با نوشتن نرم افزار انجام می شود. نرم‌افزار را نمی‌توان از زمین استخراج کرد، و همچنین نمی‌توان بذرهای نرم‌افزار را در بهار برای برداشت تا پاییز کاشت. نرم افزار در کارخانه ها در خط مونتاژ تولید نمی شود. نرم افزار یک کالای دست ساز و اغلب سفارشی است. اگر یک توسعه دهنده نرم افزار یک صنعتگر باشد، یونیکس میز کار آنها است. یونیکس مجموعه ای ضروری و ساده از ابزارها را در محیطی بدون حواس پرتی فراهم می کند. حتی اگر توسعه‌دهنده نرم‌افزار نیستید، یادگیری یونیکس می‌تواند روش‌های جدید تفکر و راه‌های جدید برای مقیاس‌بندی ایده‌هایتان را در اختیار شما قرار دهد. این دوره برای افرادی در نظر گرفته شده است که تازه برنامه نویسی می کنند و با سیستم عامل های مشابه یونیکس مانند macOS و توزیع های لینوکس مانند اوبونتو جدید هستند. بیشتر فناوری های مورد بحث در این دوره از طریق یک رابط خط فرمان قابل دسترسی خواهند بود. رابط‌های خط فرمان در ابتدا می‌توانند بیگانه به نظر برسند، بنابراین این دوره سعی می‌کند بین استفاده از خط فرمان و اقداماتی که معمولاً هنگام استفاده از ماوس و صفحه‌کلید انجام می‌دهید، تشابهاتی را ترسیم کند. همچنین یاد خواهید گرفت که چگونه قطعات کوچکی از نرم افزار را در زبان برنامه نویسی به نام Bash بنویسید، که به شما امکان می دهد ابزارهایی را که در مورد آن صحبت خواهیم کرد به هم متصل کنید. امید من این است که در پایان این دوره بتوانید از ابزارهای مختلف یونیکس طوری استفاده کنید که گویی در حال اتصال آجرهای لگو هستند.

هوش مصنوعی عمل پزشکی را متحول می کند. این به پزشکان کمک می کند تا بیماران را با دقت بیشتری تشخیص دهند، در مورد سلامت آینده بیماران پیش بینی کنند و درمان های بهتری را توصیه کنند. این تخصص به شما تجربه عملی در به کارگیری یادگیری ماشینی برای مشکلات عینی در پزشکی می دهد. یادگیری ماشینی ابزاری قدرتمند برای پیش آگهی است، شاخه ای از پزشکی که در پیش بینی سلامت آینده بیماران تخصص دارد. در این دوره دوم، نمونه‌های متعددی از کارهای پیش‌آگهی را مرور خواهید کرد. سپس از درخت‌های تصمیم برای مدل‌سازی روابط غیرخطی، که معمولاً در داده‌های پزشکی مشاهده می‌شوند، استفاده می‌کنید و آنها را برای پیش‌بینی دقیق‌تر میزان مرگ و میر به کار می‌گیرید. در نهایت، یاد خواهید گرفت که چگونه داده های از دست رفته را مدیریت کنید، یک چالش کلیدی در دنیای واقعی. این دوره‌ها فراتر از پایه‌های یادگیری عمیق هستند تا تفاوت‌های ظریف را در استفاده از هوش مصنوعی در موارد استفاده پزشکی به شما آموزش دهند. این دوره بر یادگیری ماشینی مبتنی بر درخت تمرکز دارد، بنابراین برای این دوره به پایه ای در یادگیری عمیق نیازی نیست. با این حال، پایه ای در یادگیری عمیق برای دوره 1 و 3 این تخصص بسیار توصیه می شود. شما می توانید با استفاده از تخصص یادگیری عمیق که توسط deeplearning.ai ارائه شده و توسط Andrew Ng تدریس می شود، پایه ای در یادگیری عمیق کسب کنید.

هوش مصنوعی عمل پزشکی را متحول می کند. این به پزشکان کمک می کند تا بیماران را با دقت بیشتری تشخیص دهند، در مورد سلامت آینده بیماران پیش بینی کنند و درمان های بهتری را توصیه کنند. به عنوان یک پزشک هوش مصنوعی، شما این فرصت را دارید که به این تحول در پزشکی مدرن بپیوندید. اگر قبلاً با برخی از ریاضیات و کدنویسی پشت الگوریتم‌های هوش مصنوعی آشنا هستید و مشتاق هستید که مهارت‌های خود را برای مقابله با چالش‌های صنعت مراقبت‌های بهداشتی بیشتر توسعه دهید، پس این تخصص برای شما مناسب است. هیچ تخصص پزشکی قبلی لازم نیست! این برنامه به شما تجربه عملی در به کارگیری تکنیک های پیشرفته یادگیری ماشینی برای مشکلات عینی در پزشکی مدرن می دهد: - در دوره 1، شما مدل های طبقه بندی و تقسیم بندی تصویر شبکه عصبی کانولوشنال را برای تشخیص اختلالات ریوی و مغز ایجاد خواهید کرد. - در دوره 2، با استفاده از روش های آماری و پیش بینی جنگل تصادفی برای تعیین پیش آگهی بیمار، مدل های خطر و برآوردگرهای بقا را برای بیماری های قلبی می سازید. - در دوره 3، شما یک پیش بینی کننده اثر درمان می سازید، تکنیک های تفسیر مدل را اعمال می کنید و از پردازش زبان طبیعی برای استخراج اطلاعات از گزارش های رادیولوژی استفاده می کنید. این دوره ها فراتر از پایه های یادگیری عمیق هستند تا به شما بینشی در مورد تفاوت های ظریف استفاده از هوش مصنوعی در موارد استفاده پزشکی ارائه دهند. به عنوان یک یادگیرنده، اگر از قبل با برخی از ریاضیات و کدنویسی پشت الگوریتم های هوش مصنوعی راحت باشید، برای موفقیت در این برنامه آماده خواهید شد. لازم نیست شما یک متخصص هوش مصنوعی باشید، اما دانش کاری شبکه های عصبی عمیق، به ویژه شبکه های کانولوشن، و مهارت در برنامه نویسی پایتون در سطح متوسط ​​ضروری است. اگر در یادگیری ماشین یا شبکه های عصبی نسبتاً تازه کار هستید، توصیه می کنیم ابتدا تخصص یادگیری عمیق را که توسط deeplearning.ai ارائه شده و توسط Andrew Ng آموزش داده شده است، استفاده کنید. تقاضا برای پزشکان هوش مصنوعی با مهارت ها و دانش برای مقابله با بزرگترین مسائل در پزشکی مدرن به طور تصاعدی در حال افزایش است. در این تخصص به ما بپیوندید و سفر خود را به سوی ساختن آینده مراقبت های بهداشتی آغاز کنید.

هدف از این دوره ارائه دانش به دانشجویان از رویکردهای پردازش هوش مصنوعی برای تشخیص سرطان سینه است. دانش‌آموزان آزمون‌ها را می‌گیرند و در جلسات بحث شرکت می‌کنند تا مفاهیم مهمی را که در ماژول‌ها منتقل می‌شوند، تقویت کنند. تکالیف خواندن، از جمله مقالات مجلات برای درک موضوعات در ماژول ها، ارائه خواهد شد. این دوره برای دانشجویانی طراحی شده است که به حرفه توسعه محصول با استفاده از هوش مصنوعی علاقه مند هستند و می خواهند بدانند چگونه می توان هوش مصنوعی را در ماموگرافی به کار برد. محتوای دوره بر روی پارادایم پردازش هوش مصنوعی همراه با دانش حوزه تصویربرداری سینه متمرکز شده است. این رویکرد درسی منحصر به فرد است و به جای توجه به یک روش پیاده سازی خاص، چشم انداز وسیعی از هوش مصنوعی در اختیار دانش آموزان قرار می دهد. دانش‌آموزانی که این دوره را تکمیل می‌کنند نه تنها از دانش خود در یک شغل ابتدایی در زمینه هوش مصنوعی بهره می‌برند، بلکه در پروژه‌ها نیز عملکرد خوبی خواهند داشت، زیرا درک کاملی از پارادایم پردازش هوش مصنوعی دارند.

هوش مصنوعی عمل پزشکی را متحول می کند. این به پزشکان کمک می کند تا بیماران را با دقت بیشتری تشخیص دهند، در مورد سلامت آینده بیماران پیش بینی کنند و درمان های بهتری را توصیه کنند. این تخصص به شما تجربه عملی در به کارگیری یادگیری ماشینی برای مشکلات عینی در پزشکی می دهد. درمان پزشکی ممکن است بر اساس شرایط سلامت موجود بر بیماران تأثیر متفاوتی داشته باشد. در این دوره سوم، با استفاده از داده‌های کارآزمایی‌های تصادفی‌سازی شده، درمان‌هایی را توصیه می‌کنید که برای بیماران فردی مناسب‌تر هستند. در هفته دوم، روش‌های تفسیر یادگیری ماشین را برای توضیح تصمیم‌گیری در مدل‌های پیچیده یادگیری ماشین اعمال خواهید کرد. در نهایت، شما از روش‌های استخراج موجودیت زبان طبیعی و پاسخ به سؤال برای خودکار کردن کار برچسب‌گذاری مجموعه داده‌های پزشکی استفاده خواهید کرد. این دوره‌ها فراتر از پایه‌های یادگیری عمیق هستند تا تفاوت‌های ظریف را در استفاده از هوش مصنوعی در موارد استفاده پزشکی به شما آموزش دهند. اگر در یادگیری عمیق تازه کار هستید یا می خواهید پایه و اساس عمیق تری از نحوه عملکرد شبکه های عصبی به دست آورید، توصیه می کنیم که تخصص یادگیری عمیق را انتخاب کنید.

>>> با ثبت نام در این دوره، با توافقنامه مجوز کاربر نهایی همانطور که در سوالات متداول ذکر شده است موافقت می کنید. پس از ثبت نام، می توانید در بخش منابع به مجوز دسترسی داشته باشید <<< این دوره، هوش مصنوعی کاربردی با یادگیری عمیق، بخشی از گواهینامه پیشرفته علم داده IBM است که IBM در حال حاضر در حال ایجاد آن است و به شما امکان دسترسی آسان به بینش های ارزشمند در مورد مدل های یادگیری عمیق را می دهد. توسط متخصصان پردازش زبان طبیعی، بینایی کامپیوتر، تجزیه و تحلیل سری های زمانی و بسیاری از رشته های دیگر استفاده می شود. ما با اصول جبر خطی و شبکه های عصبی آشنا خواهیم شد. سپس محبوب ترین فریم ورک های DeepLearning مانند Keras، TensorFlow، PyTorch، DeepLearning4J و Apache SystemML را معرفی می کنیم. Keras و TensorFlow بیشترین بخش این دوره را تشکیل می دهند. با ساختن مدل‌هایی با استفاده از Keras بر روی نمونه‌های واقعی از اینترنت اشیا (اینترنت اشیا)، داده‌های علامت‌گذاری شده مالی، ادبیات یا پایگاه‌های داده تصویر، درباره تشخیص ناهنجاری، پیش‌بینی سری‌های زمانی، تشخیص تصویر و پردازش زبان طبیعی می‌آموزیم. در نهایت، ما یاد می‌گیریم که چگونه با استفاده از Kubernetes، Apache Spark و GPUها، آن مغزهای مصنوعی را مقیاس کنیم. مهم: این دوره به تنهایی برای دریافت «گواهینامه دانشمند داده گواهی IoT IoT IBM Watson» به تنهایی کافی نیست. شما باید سه دوره دیگر را بگذرانید که دو تا از آنها در حال حاضر ساخته شده است. تخصص در اواخر بهار، اوایل تابستان 2018 آماده خواهد شد. با استفاده از این رویکردها، مهم نیست که در چه سطح مهارتی در موضوعاتی که می خواهید به آنها تسلط داشته باشید، می توانید تفکر خود را تغییر دهید و زندگی خود را تغییر دهید. اگر قبلاً یک متخصص هستید، این نگاه کردن به ایده های شما برای ایجاد موفقیت آمیز توربوشارژ و استقرار مدل های DeepLearning را ارائه می دهد. اگر در حال مبارزه هستید، گنجینه ای ساختار یافته از تکنیک های عملی را خواهید دید که شما را از کارهایی که برای رسیدن به مسیر باید انجام دهید راهنمایی می کند. اگر تا به حال می‌خواهید در هر کاری بهتر شوید، این دوره به عنوان راهنمای شما کمک خواهد کرد. پیش نیاز: برخی مهارت های کدنویسی ضروری است. ترجیحاً پایتون، اما هر زبان برنامه نویسی دیگری خوب عمل می کند. همچنین برخی از درک اولیه ریاضی (جبر خطی) یک امتیاز مثبت است، اما ما آن قسمت را در هفته اول نیز پوشش خواهیم داد. اگر این دوره را انتخاب کنید و گواهی دوره Coursera را کسب کنید، نشان دیجیتال IBM نیز دریافت خواهید کرد. برای کسب اطلاعات بیشتر در مورد نشان های دیجیتال IBM پیوند ibm.biz/badging را دنبال کنید.

با آموزش اندرو نگ، پیشگام هوش مصنوعی، هوش مصنوعی مولد برای همه دیدگاه منحصر به فرد خود را در توانمندسازی شما و کارتان با هوش مصنوعی مولد ارائه می دهد. اندرو شما را در مورد نحوه عملکرد هوش مصنوعی مولد و کارهایی که می تواند (و نمی تواند) انجام دهد، راهنمایی می کند. این شامل تمرین‌های عملی است که در آنها یاد می‌گیرید از هوش مصنوعی مولد برای کمک به کارهای روزمره و دریافت نکاتی در مورد مهندسی سریع مؤثر استفاده کنید، و همچنین یاد می‌گیرید که چگونه فراتر از درخواست برای استفاده‌های پیشرفته‌تر از هوش مصنوعی بروید. بینش هایی در مورد آنچه که هوش مصنوعی مولد می تواند انجام دهد، پتانسیل و محدودیت های آن به دست خواهید آورد. شما به برنامه های دنیای واقعی کاوش خواهید کرد و موارد استفاده رایج را یاد خواهید گرفت. شما با پروژه‌های هوش مصنوعی مولد وقت خواهید داشت تا دانش خود را عملی کنید و بینشی از تأثیر آن بر تجارت و جامعه کسب کنید. این دوره برای اطمینان از اینکه همه می توانند در آینده مبتنی بر هوش مصنوعی ما شرکت کنند ایجاد شده است.

ما شاهد بسیاری از گزارش‌های خبری از ابزارهای هوش مصنوعی Generative، مانند ChatGPT هستیم که اشتباه می‌کنند و اطلاعات نادرست تولید می‌کنند. بسیاری از این اشتباهات به این دلیل اتفاق می‌افتند که انسان‌ها از ابزارها به روشی اشتباه استفاده می‌کنند - تلاش برای حل مشکلات نامناسب و عدم فکر کردن به خطر. توهم یک اشکال نیست، این ویژگی زمانی است که به درستی به مشکلات برخورد کنید. این دوره تکنیک‌هایی را برای تعیین اینکه آیا مشکلی با قابلیت‌های هوش مصنوعی مولد مطابقت دارد، چارچوب‌بندی مشکلات برای کاهش ریسک، مهندسی سریع برای اعتماد و مشارکت انسانی مناسب در فرآیند را آموزش می‌دهد. دانش‌آموزان طرح‌های سریع، نحوه بررسی خروجی‌ها، نحوه استفاده از هوش مصنوعی مولد برای ایده‌پردازی و خلق، راه‌هایی برای تقویت مهارت‌های انسانی، و کاربردهای اخلاقی‌تر و مفیدتر را می‌آموزند. این دوره نشان می دهد که چگونه می توانید: - از تکنیک های مهندسی سریع برای تولید خروجی های مطمئن تر استفاده کنید - استاد روش‌ها برای تأیید و اعتبارسنجی خروجی‌ها - مشکلات را به روش های جایگزین برای کاهش ریسک چارچوب بندی کنید - از هوش مصنوعی مولد برای ایده پردازی خلاقانه استفاده کنید - از هوش مصنوعی مولد به روشی استفاده کنید که به جای جایگزینی استدلال و خلاقیت انسان، تقویت شود

این دوره برای همه طراحی شده است، از جمله متخصصان، مدیران اجرایی، دانش‌آموزان و علاقه‌مندان به استفاده از تکنیک‌های مهندسی سریع و مؤثر برای باز کردن پتانسیل کامل ابزارهای هوش مصنوعی (AI) مانند ChatGPT. مهندسی سریع فرآیندی است برای هدایت موثر مدل‌های هوش مصنوعی مولد و کنترل خروجی آنها برای تولید نتایج دلخواه. در این دوره، تکنیک ها، رویکردها و بهترین روش ها برای نوشتن اعلان های موثر را خواهید آموخت. شما در مورد تکنیک های سریع مانند شات صفر و چند شات، که می تواند قابلیت اطمینان و کیفیت مدل های زبان بزرگ (LLM) را بهبود بخشد، آشنا خواهید شد. شما همچنین رویکردهای مهندسی سریع مختلف مانند الگوی مصاحبه، زنجیره فکر و درخت فکر را بررسی خواهید کرد که هدف آنها ایجاد پاسخ های دقیق و مرتبط است. شما با ابزارهای مهندسی سریع مانند IBM watsonx Prompt Lab، Spellbook و Dust آشنا خواهید شد. آزمایشگاه‌های عملی موجود در این دوره فرصتی برای بهینه‌سازی نتایج با ایجاد اعلان‌های مؤثر در کلاس درس هوش مصنوعی IBM ارائه می‌دهند. همچنین از زبان پزشکان در مورد ابزارها و رویکردهای مورد استفاده در مهندسی سریع و هنر نوشتن اعلان های مؤثر خواهید شنید.

این دوره برای همه علاقه مندان و شاغلان با علاقه واقعی به زمینه به سرعت در حال توسعه هوش مصنوعی مولد است که دنیای ما را متحول می کند. این دوره بر مفاهیم اصلی و مدل‌های هوش مصنوعی مولد تمرکز دارد که بلوک‌های سازنده هوش مصنوعی مولد را تشکیل می‌دهند. شما یادگیری عمیق و مدل های زبان بزرگ (LLM) را کشف خواهید کرد. با GAN ها، VAE ها، ترانسفورماتورها و مدل های انتشار آشنا خواهید شد. بلوک های سازنده هوش مصنوعی مولد با مفهوم مدل های فونداسیون آشنا می شوید. همچنین با قابلیت‌های مدل‌ها و پلتفرم‌های از پیش آموزش‌دیده‌شده برای توسعه برنامه‌های هوش مصنوعی و نحوه استفاده مدل‌های بنیادی از آن‌ها برای تولید متن، تصاویر و کد آشنا خواهید شد. پلتفرم های مختلف هوش مصنوعی مانند IBM watsonx و Hugging Face را بررسی خواهید کرد. آزمایشگاه‌های عملی، که در این دوره گنجانده شده‌اند، فرصتی را برای کشف موارد استفاده از هوش مصنوعی مولد از طریق کلاس درس هوش مصنوعی مولد IBM و پلتفرم‌هایی مانند IBM watsonx فراهم می‌کنند. در این دوره، مدل های مختلفی مانند IBM Granite، OpenAI GPT، Google flan و Meta Llama را بررسی خواهید کرد. همچنین از پزشکان متخصص در مورد قابلیت ها، برنامه ها و ابزارهای هوش مصنوعی مولد خواهید شنید.  

این دوره برای همه - حرفه ای ها، مدیران اجرایی، دانشجویان و علاقه مندان - که علاقه مند به یادگیری در مورد هوش مصنوعی مولد و استفاده از قابلیت های آن در کار و زندگی خود هستند طراحی شده است. این اولین قدم شما به سمت درک قدرت هوش مصنوعی مولد است که توسط مدل هایی مانند مدل های زبان بزرگ (LLM) هدایت می شود. در این دوره، اصول و تکامل هوش مصنوعی مولد را با خواندن های اضافی و بینش های تخصصی که دید عمیق تری از تاریخچه و پیشرفت های آن ارائه می دهد، خواهید آموخت. قابلیت‌های آن را در متن، تصویر، صدا، ویدیو، دنیای مجازی، کد و داده با نکات کلیدی و خلاصه‌های پیشرفته در پایان هر بخش برای تقویت یادگیری بررسی خواهید کرد. شما کاربردهای هوش مصنوعی مولد را در صنایعی مانند فناوری اطلاعات، مالی، مراقبت های بهداشتی، آموزشی، سرگرمی و منابع انسانی درک خواهید کرد. همچنین ویژگی‌های ابزارها و مدل‌های محبوب، از جمله GPT، DALL-E، Stable Diffusion و Synthesia را خواهید دید. آزمایشگاه‌های عملی فرصت‌هایی را برای تمرین با استفاده از کلاس IBM Generative AI و ابزارهایی مانند ChatGPT فراهم می‌کنند. همچنین از متخصصان صنعت که بینش‌های دنیای واقعی را به اشتراک می‌گذارند خواهید شنید. فعالیت‌های تعاملی، پادکست‌ها و تمرین‌های مبتنی بر سناریو به شما کمک می‌کنند تا مفاهیم را به کار ببرید، در حالی که یک پروژه عملی نهایی، مهارت‌های شما را با تولید و اصلاح خروجی‌ها در قالب‌های مختلف تثبیت می‌کند.

در این دوره آموزشی با مبانی هوش مصنوعی و یادگیری ماشینی و نحوه اعمال آنها در سناریوهای دنیای واقعی در AI for Good space آشنا می شوید. همچنین با چارچوبی برای حل مشکل آشنا خواهید شد که در آن هوش مصنوعی بخشی از راه حل است. این دوره با یک مطالعه موردی شامل سه آزمایشگاه نوت بوک Jupyter که در آن شما یک برنامه نظارت بر کیفیت هوا برای شهر بوگوتا، کلمبیا ایجاد خواهید کرد، به پایان می رسد.

در این دوره، شما با مروری بر مکانیسم‌های پشت سر تغییرات آب و هوایی انسانی و تأثیر آن بر دمای جهانی و الگوهای آب و هوایی شروع می‌کنید. شما از طریق دو مطالعه موردی کار خواهید کرد، یکی با استفاده از تحلیل سری های زمانی برای پیش بینی نیروی باد و دیگری با استفاده از بینایی کامپیوتری برای نظارت بر تنوع زیستی. هر دو مطالعه موردی نمونه‌هایی هستند که در آن تکنیک‌های هوش مصنوعی می‌توانند بخشی از راه‌حل برای کاهش تغییرات اقلیمی و سازگاری با آن باشند.

در این دوره با چهار مرحله از چرخه مدیریت بلایا آشنا می شوید. کاهش، آماده سازی، پاسخ و بازیابی. شما در این دوره از طریق دو مطالعه موردی کار خواهید کرد. در مرحله اول، از بینایی کامپیوتری برای تجزیه و تحلیل تصاویر ماهواره ای طوفان هاروی در سال 2017 برای شناسایی آسیب در مناطق آسیب دیده استفاده خواهید کرد. در مرحله دوم، از تکنیک‌های پردازش زبان طبیعی برای بررسی روند درخواست‌های کمک پس از زلزله 2010 در هائیتی استفاده خواهید کرد.