Course catalog

Course duration

Course provider

Topic

Categories

Showing 141-160 of 176 items.

coursera هوش مصنوعی مولد: اصول اولیه مهندسی (Mitalearn-328029)

  • 47 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Antonio Cangiano,Rav Ahuja
درباره این دوره:

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.

coursera هوش مصنوعی مولد: مدل‌ها و پلتفرم‌های بنیاد (Mitalearn-328386)

  • 51 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Rav Ahuja
درباره این دوره:

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.  

coursera هوش مصنوعی مولد: مقدمه و کاربردها (Mitalearn-327944)

  • 1 hours 32 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Rav Ahuja
درباره این دوره:

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.

coursera هوش مصنوعی و بهداشت عمومی (Mitalearn-328063)

  • 4 hours
  • مبتدی
  • Release date: 23 June 2026
  • Author: Robert Monarch
درباره این دوره:

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.

coursera هوش مصنوعی و تغییرات آب و هوایی (Mitalearn-328199)

  • 4 hours 28 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Robert Monarch
درباره این دوره:

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.

coursera هوش مصنوعی و مدیریت بلایا (Mitalearn-328369)

  • 3 hours 44 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Robert Monarch
درباره این دوره:

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.

coursera یادگیری بدون نظارت، توصیه‌کنندگان، یادگیری تقویتی (Mitalearn-327859)

  • 7 hours 14 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Andrew Ng,Aarti Bagul,Geoff Ladwig
درباره این دوره:

در دوره سوم تخصص یادگیری ماشین، شما: • از تکنیک های یادگیری بدون نظارت برای یادگیری بدون نظارت استفاده کنید: از جمله خوشه بندی و تشخیص ناهنجاری. • ساخت سیستم های توصیه گر با رویکرد فیلتر مشترک و روش یادگیری عمیق مبتنی بر محتوا. • یک مدل یادگیری تقویتی عمیق بسازید. The Machine Learning Specialization یک برنامه آنلاین اساسی است که با همکاری DeepLearning.AI و Stanford Online ایجاد شده است. در این برنامه مبتدی دوستانه، اصول یادگیری ماشینی و نحوه استفاده از این تکنیک ها برای ساخت اپلیکیشن های هوش مصنوعی در دنیای واقعی را خواهید آموخت. این تخصص توسط اندرو انگ، یک آینده‌نگر هوش مصنوعی که تحقیقات انتقادی را در دانشگاه استنفورد و کارهای پیشگامانه در Google Brain، Baidu و Landing.AI برای پیشرفت در زمینه هوش مصنوعی رهبری کرده است، آموزش داده می‌شود. این تخصص 3 دوره ای، نسخه به روز شده و توسعه یافته دوره پیشگام یادگیری ماشین اندرو است که از زمان راه اندازی آن در سال 2012، دارای امتیاز 4.9 از 5 است و بیش از 4.8 میلیون زبان آموز آن را دریافت کرده اند. این مقدمه گسترده ای برای یادگیری ماشین مدرن، از جمله یادگیری نظارت شده (رگرسیون خطی چندگانه، رگرسیون لجستیک، شبکه های عصبی و درختان تصمیم)، یادگیری بدون نظارت (خوشه بندی، کاهش ابعاد، سیستم های توصیه گر) و برخی از بهترین شیوه های مورد استفاده در سیلیکون ارائه می کند. Valley برای نوآوری های هوش مصنوعی و یادگیری ماشین (ارزیابی و تنظیم مدل ها، اتخاذ رویکرد داده محور برای بهبود عملکرد، و موارد دیگر). در پایان این تخصص، شما بر مفاهیم کلیدی تسلط خواهید داشت و دانش عملی برای به کارگیری سریع و قدرتمند یادگیری ماشینی در مسائل چالش برانگیز دنیای واقعی را به دست خواهید آورد. اگر به دنبال ورود به هوش مصنوعی یا ایجاد حرفه ای در یادگیری ماشین هستید، تخصص جدید یادگیری ماشین بهترین مکان برای شروع است.

coursera یادگیری تقویتی برای استراتژی های معاملاتی (Mitalearn-332857)

  • 2 hours 36 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Jack Farmer
درباره این دوره:

در دوره پایانی از تخصص یادگیری ماشین برای تجارت، شما با یادگیری تقویتی (RL) و مزایای استفاده از یادگیری تقویتی در استراتژی های معاملاتی آشنا می شوید. شما یاد خواهید گرفت که چگونه RL با شبکه های عصبی یکپارچه شده است و LSTM ها را بررسی می کنید و چگونه می توان آنها را برای داده های سری زمانی اعمال کرد. در پایان دوره، می‌توانید استراتژی‌های معاملاتی را با استفاده از یادگیری تقویتی بسازید، بین سیاست‌های مبتنی بر بازیگر و سیاست‌های مبتنی بر ارزش تفاوت قائل شوید و RL را در استراتژی معاملاتی حرکتی بگنجانید. برای موفقیت در این دوره، باید صلاحیت پیشرفته در برنامه نویسی پایتون و آشنایی با کتابخانه های مربوط به یادگیری ماشین، مانند Scikit-Learn، StatsModels و Pandas داشته باشید. تجربه با SQL توصیه می شود. شما باید پیشینه ای در زمینه آمار (مقادیر مورد انتظار و انحراف استاندارد، توزیع های گاوسی، ممان های بالاتر، احتمال، رگرسیون های خطی) و دانش پایه ای از بازارهای مالی (سهام، اوراق قرضه، مشتقات، ساختار بازار، پوشش ریسک) داشته باشید.

coursera یادگیری تقویتی در امور مالی (Mitalearn-336750)

  • 5 hours 18 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Igor Halperin
درباره این دوره:

هدف این دوره معرفی مفاهیم اساسی یادگیری تقویتی (RL) و توسعه موارد استفاده برای کاربردهای RL برای ارزش گذاری اختیار، معاملات و مدیریت دارایی است. تا پایان این دوره، دانشجویان قادر خواهند بود - از یادگیری تقویتی برای حل مسائل کلاسیک امور مالی مانند بهینه سازی سبد، معاملات بهینه و قیمت گذاری گزینه و مدیریت ریسک استفاده کنید. - با استفاده از مشکلات مالی روی مثال های ارزشمندی مانند یادگیری کیو معروف تمرین کنید. - دانش خود را در دوره به یک مدل ساده برای پویایی بازار که با استفاده از یادگیری تقویتی به عنوان پروژه دوره به دست می آید، اعمال کنند. پیش نیاز دوره های "تور راهنمای یادگیری ماشین در امور مالی" و "مبانی یادگیری ماشینی در امور مالی" است. از دانش آموزان انتظار می رود که فرآیند lognormal و نحوه شبیه سازی آن را بدانند. آگاهی از قیمت گذاری گزینه فرضی نیست اما مطلوب است.

coursera یادگیری عمیق احتمالی با TensorFlow 2 (Mitalearn-336155)

  • 6 hours 14 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Dr Kevin Webster
درباره این دوره:

به این دوره آموزش عمیق احتمالی با TensorFlow خوش آمدید! این دوره مبتنی بر مفاهیم و مهارت‌های پایه تنسورفلو است که در دو دوره اول این تخصص تدریس شده است و بر رویکرد احتمالی یادگیری عمیق تمرکز دارد. این یک حوزه به طور فزاینده مهم یادگیری عمیق است که هدف آن تعیین کمیت نویز و عدم قطعیت است که اغلب در مجموعه داده های دنیای واقعی وجود دارد. این یک جنبه حیاتی در هنگام استفاده از مدل های یادگیری عمیق در برنامه هایی مانند وسایل نقلیه خودران یا تشخیص های پزشکی است. ما به مدل نیاز داریم تا بدانیم چه چیزی را نمی داند. شما یاد خواهید گرفت که چگونه مدل‌های احتمالی را با TensorFlow توسعه دهید و از کتابخانه احتمالی TensorFlow استفاده کنید، کتابخانه‌ای که برای آسان کردن ترکیب مدل‌های احتمالی با یادگیری عمیق طراحی شده است. به این ترتیب، این دوره همچنین می تواند به عنوان مقدمه ای برای کتابخانه TensorFlow Probability مشاهده شود. شما یاد خواهید گرفت که چگونه توزیع‌های احتمال را می‌توان در مدل‌های یادگیری عمیق در TensorFlow، از جمله شبکه‌های عصبی بیزی، جریان‌های عادی‌سازی و رمزگذارهای خودکار متغیر، نمایش داد و گنجاند. شما یاد خواهید گرفت که چگونه مدل هایی را برای تعیین کمیت عدم قطعیت و همچنین مدل های تولیدی ایجاد کنید که می توانند نمونه های جدیدی مشابه نمونه های موجود در مجموعه داده ایجاد کنند، مانند تصاویر چهره های افراد مشهور. 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 می‌آورید، جایی که یک الگوریتم رمزگذار خودکار متغیر را برای تولید یک مدل تولیدی از مجموعه داده‌های تصویر مصنوعی که خودتان ایجاد می‌کنید، ایجاد می‌کنید. این دوره از دو دوره قبلی در این تخصص پیروی می کند، شروع با TensorFlow 2 و سفارشی کردن مدل های خود با TensorFlow 2. دانش پیش نیاز اضافی مورد نیاز برای موفقیت در این دوره یک پایه محکم در احتمال و آمار است. به طور خاص، فرض بر این است که شما با توزیع‌های احتمال استاندارد، توابع چگالی احتمال، و مفاهیمی مانند برآورد حداکثر احتمال، فرمول تغییر متغیرها برای متغیرهای تصادفی و کران پایین شواهد (ELBO) مورد استفاده در استنتاج تغییرات آشنا هستید.

coursera یادگیری عمیق با Keras و Tensorflow (Mitalearn-330188)

  • 2 hours 13 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Samaya Madhavan,Ricky Shi,Alex Aklson
درباره این دوره:

یادگیری عمیق در بسیاری از زمینه ها از جمله بینایی کامپیوتر، پردازش زبان طبیعی و روباتیک انقلابی ایجاد کرده است. علاوه بر این، Keras، یک API شبکه های عصبی سطح بالا که به زبان پایتون نوشته شده است، به بخشی ضروری از TensorFlow تبدیل شده است و یادگیری عمیق را در دسترس و ساده می کند. تسلط بر این تکنیک ها فرصت های زیادی را در تحقیقات و صنعت باز خواهد کرد. شما یاد خواهید گرفت که لایه ها و مدل های سفارشی را در Keras ایجاد کنید و Keras را با TensorFlow 2.x برای عملکرد بهبودیافته ادغام کنید. شما شبکه های عصبی کانولوشنال پیشرفته (CNN) را با استفاده از Keras توسعه خواهید داد. همچنین با استفاده از TensorFlow با Keras، مدل‌های ترانسفورماتور را برای داده‌های متوالی و سری‌های زمانی خواهید ساخت. این دوره همچنین اصول یادگیری بدون نظارت در Keras و TensorFlow را برای بهینه سازی مدل و حلقه های آموزشی سفارشی پوشش می دهد. در نهایت، شبکه‌های Q عمیق (DQN) را با Keras برای وظایف یادگیری تقویتی توسعه داده و آموزش خواهید داد (مروری از مدل‌سازی تولیدی و یادگیری تقویتی ارائه شده است). شما می توانید مفاهیم آموخته شده را با استفاده از آزمایشگاه های عملی در هر درس تمرین کنید. یک پروژه نهایی نهایی در آخرین ماژول به شما فرصتی می دهد تا دانش خود را برای ایجاد یک مدل طبقه بندی با استفاده از یادگیری انتقالی به کار ببرید. این دوره برای همه مهندسین مشتاق هوش مصنوعی که می خواهند TensorFlow و Keras را یاد بگیرند مناسب است. این نیاز به دانش کاربردی برنامه نویسی پایتون و مفاهیم پایه ریاضی مانند گرادیان و ماتریس، و همچنین اصول یادگیری عمیق با استفاده از Keras دارد.

coursera یادگیری عمیق در پرونده الکترونیک سلامت - CDSS 2 (Mitalearn-333095)

  • 4 hours 3 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Fani Deligianni
درباره این دوره:

مروری بر اصول اصلی یادگیری عمیق به همراه معماری های رایج. مسئله را برای طبقه بندی سری های زمانی فرموله کنید و آن را برای سیگنال های حیاتی مانند ECG اعمال کنید. به کارگیری این روش در پرونده الکترونیک سلامت به دلیل مقادیر از دست رفته و ناهمگونی در EHR که شامل متغیرهای پیوسته، ترتیبی و طبقه‌ای است، چالش برانگیز است. متعاقبا، تکنیک‌های انتساب و استراتژی‌های مختلف رمزگذاری را برای رسیدگی به این مسائل بررسی کنید. این رویکردها را برای فرمول بندی معیارهای پیش بینی بالینی به دست آمده از اطلاعات موجود در پایگاه داده MIMIC-III به کار ببرید.

coursera یادگیری عمیق مولد با TensorFlow (Mitalearn-332585)

  • 1 hours 51 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laurence Moroney
درباره این دوره:

در این دوره، شما: الف) انتقال سبک عصبی را با استفاده از یادگیری انتقال بیاموزید: محتوای یک تصویر (مثلاً قو) و سبک یک نقاشی (مثلاً کوبیست یا امپرسیونیست) را استخراج کنید و محتوا و سبک را در یک تصویر جدید ترکیب کنید. ب) رمزگذارهای خودکار ساده را بر روی مجموعه داده آشنای MNIST بسازید، و معماری‌های پیچیده‌تر و پیچیده‌تر روی مجموعه داده‌های Fashion MNIST، تفاوت در نتایج مدل‌های رمزگذار خودکار DNN و CNN را درک کنید، راه‌هایی را برای حذف نویز تصاویر نویزدار شناسایی کنید، و یک CNN بسازید. AutoEncoder با استفاده از TensorFlow برای خروجی یک تصویر تمیز از یک تصویر پر سر و صدا. ج) رمزگذارهای خودکار متغیر (VAE) را برای تولید داده‌های کاملاً جدید کاوش کنید و چهره‌های انیمه را برای مقایسه آنها با تصاویر مرجع تولید کنید. د) درباره GAN ها بیاموزید. اختراع، ویژگی‌ها، معماری، و تفاوت آنها با VAE، عملکرد ژنراتور و تمایزکننده در مدل، مفهوم 2 مرحله آموزشی و نقش نویز معرفی شده را درک کنید و GAN خود را بسازید که می‌تواند چهره‌ها را تولید کند. تخصص DeepLearning.AI TensorFlow: Advanced Techniques ویژگی های TensorFlow را معرفی می کند که به زبان آموزان کنترل بیشتری بر معماری مدل خود می دهد و ابزارهایی را برای ایجاد و آموزش مدل های پیشرفته ML به آنها می دهد. 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.

coursera یادگیری ماشین با آپاچی اسپارک (Mitalearn-332619)

  • 2 hours 11 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: IBM Skills Network Team,Ramesh Sannareddy
درباره این دوره:

با این دوره آموزشی IBM دنیای هیجان انگیز یادگیری ماشینی را کاوش کنید. قبل از باز کردن قدرت Apache Spark برای ساخت و استقرار مدل‌های ML برای برنامه‌های مهندسی داده، با یادگیری اصول ML شروع کنید. در تکنیک های یادگیری تحت نظارت و بدون نظارت غوطه ور شوید و از طریق خواندن و ویدئوهای آموزشی، امکانات انقلابی هوش مصنوعی مولد را کشف کنید. تجربه عملی با جریان ساختار یافته Spark به دست آورید، درکی از مهندسی داده و خطوط لوله ML ایجاد کنید و در ارزیابی مدل های ML با استفاده از SparkML ماهر شوید. در آزمایشگاه‌های عملی، شما از SparkML برای رگرسیون، طبقه‌بندی و خوشه‌بندی استفاده می‌کنید که به شما امکان می‌دهد مدل‌های پیش‌بینی و طبقه‌بندی بسازید. به خوشه‌های Spark متصل شوید، مجموعه داده‌های SparkSQL را تجزیه و تحلیل کنید، فعالیت‌های ETL را انجام دهید و مدل‌های ML را با استفاده از Spark ML و sci-kit Learn ایجاد کنید. در نهایت، مهارت های کسب شده خود را از طریق یک تکلیف نهایی نشان دهید. این دوره متوسط ​​​​برای مهندسین داده مشتاق و با تجربه و همچنین متخصصان فعال در تجزیه و تحلیل داده ها و یادگیری ماشین مناسب است. دانش قبلی در Big Data، Hadoop، Spark، Python و ETL برای این دوره به شدت توصیه می شود.

coursera یادگیری ماشین برای بینایی کامپیوتر (Mitalearn-333078)

  • 1 hours 31 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Amanda Wang,Matt Rich,Brandon Armstrong
درباره این دوره:

در دوره دوم گرایش بینایی کامپیوتر برای مهندسی و علوم، دو مورد از رایج ترین کارهای بینایی کامپیوتر را انجام خواهید داد: طبقه بندی تصاویر و تشخیص اشیا. شما کل گردش کار یادگیری ماشین را، از آماده سازی داده های خود تا ارزیابی نتایج خود، اعمال خواهید کرد. در پایان این دوره، مدل‌های یادگیری ماشینی را برای طبقه‌بندی تصاویر تابلوهای خیابان و تشخیص عیوب مواد آموزش می‌دهید. شما در طول این دوره از MATLAB استفاده خواهید کرد.  متلب برای میلیون‌ها نفر از افرادی که در زمینه‌های مهندسی و علوم کار می‌کنند، گزینه‌ای است و قابلیت‌های مورد نیاز برای انجام وظایف بینایی رایانه‌تان را فراهم می‌کند.  در طول دوره برای تکمیل کار، دسترسی رایگان به متلب در اختیار شما قرار خواهد گرفت. برای موفقیت در این تخصص، داشتن تجربه قبلی در پردازش تصویر کمک خواهد کرد.  اگر با داده های تصویری تازه کار هستید، توصیه می شود ابتدا تخصص پردازش تصویر برای مهندسی و علوم را تکمیل کنید.

coursera یادگیری ماشین پیشرفته و پردازش سیگنال (Mitalearn-336614)

  • 6 hours 4 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Romeo Kienzler
درباره این دوره:

>>> 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 به مجوز در ناحیه منابع دسترسی داشته باشید <<< این دوره، یادگیری ماشین پیشرفته و پردازش سیگنال، بخشی از تخصص IBM Advanced Data Science است که IBM در حال حاضر در حال ایجاد آن است و به شما امکان دسترسی آسان به بینش های ارزشمند در مورد نظارت و کنترل را می دهد. مدل های یادگیری ماشینی بدون نظارت که توسط متخصصان در بسیاری از رشته های مرتبط استفاده می شود. ما در مورد اصول جبر خطی یاد خواهیم گرفت تا نحوه عملکرد حالت های یادگیری ماشین را درک کنیم. سپس محبوب‌ترین چارچوب‌های یادگیری ماشین برای پایتون Scikit-Learn و SparkML را معرفی می‌کنیم. SparkML بزرگترین بخش این دوره را تشکیل می دهد زیرا مقیاس پذیری کلید رفع تنگناهای عملکرد است. ما یاد می گیریم که چگونه مدل ها را به صورت موازی با ارزیابی صدها پارامتر مختلف به صورت موازی تنظیم کنیم. ما به طور مداوم از یک مثال واقعی از اینترنت اشیا (اینترنت اشیا) برای مثال زدن الگوریتم های مختلف استفاده خواهیم کرد. برای گذراندن دوره، حتی باید داده های حسگر ارتعاش خود را با استفاده از حسگرهای شتاب سنج در گوشی هوشمند خود ایجاد کنید. بنابراین شما در طول دوره بر روی یک مجموعه داده واقعی و خودساخته کار می کنید. 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.

coursera یادگیری ماشین نظارت شده: رگرسیون (Mitalearn-270297)

  • 5 hours 17 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mark J Grover,Miguel Maldonado,Svitlana (Lana) Kramar
درباره این دوره:

این دوره شما را با یکی از انواع اصلی خانواده مدل سازی یادگیری ماشینی تحت نظارت آشنا می کند: رگرسیون. شما یاد خواهید گرفت که چگونه مدل های رگرسیون را برای پیش بینی نتایج مستمر آموزش دهید و چگونه از معیارهای خطا برای مقایسه بین مدل های مختلف استفاده کنید. این دوره همچنین شما را از طریق بهترین شیوه‌ها، از جمله تقسیم‌های آموزشی و آزمایشی، و تکنیک‌های منظم‌سازی راهنمایی می‌کند. در پایان این دوره شما باید بتوانید: کاربردها و کاربردهای طبقه بندی و رگرسیون را در زمینه یادگیری ماشینی نظارت شده متمایز کنید  مدل های رگرسیون خطی را توصیف و استفاده کنید از انواع معیارهای خطا برای مقایسه و انتخاب یک مدل رگرسیون خطی که به بهترین وجه با داده های شما مطابقت دارد، استفاده کنید توضیح دهید که چرا منظم کردن ممکن است به جلوگیری از برازش بیش از حد کمک کند از رگرسیون های منظم سازی استفاده کنید: Ridge، LASSO، و Elastic net   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده‌ای را که علاقه‌مند به کسب تجربه عملی با تکنیک‌های رگرسیون یادگیری ماشین نظارت شده در یک محیط تجاری هستند، هدف قرار می‌دهد.   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، احتمالات و آمار آشنا باشید.

coursera یادگیری ماشین نظارت شده: رگرسیون و طبقه بندی (Mitalearn-327791)

  • 5 hours 52 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Andrew Ng,Aarti Bagul,Geoff Ladwig
درباره این دوره:

در اولین دوره تخصص یادگیری ماشین، شما: • ساخت مدل های یادگیری ماشین در پایتون با استفاده از کتابخانه های معروف یادگیری ماشین NumPy و scikit-learn. • ساخت و آموزش مدل‌های یادگیری ماشینی تحت نظارت برای پیش‌بینی و وظایف طبقه‌بندی باینری، از جمله رگرسیون خطی و رگرسیون لجستیک The Machine Learning Specialization یک برنامه آنلاین اساسی است که با همکاری DeepLearning.AI و Stanford Online ایجاد شده است. در این برنامه مبتدی دوستانه، اصول یادگیری ماشینی و نحوه استفاده از این تکنیک ها برای ساخت اپلیکیشن های هوش مصنوعی در دنیای واقعی را خواهید آموخت. این تخصص توسط اندرو انگ، یک آینده‌نگر هوش مصنوعی که تحقیقات انتقادی را در دانشگاه استنفورد و کارهای پیشگامانه در Google Brain، Baidu و Landing.AI برای پیشرفت در زمینه هوش مصنوعی رهبری کرده است، آموزش داده می‌شود. این تخصص 3 دوره ای، نسخه به روز شده و توسعه یافته دوره پیشگام یادگیری ماشین اندرو است که از زمان راه اندازی آن در سال 2012، دارای امتیاز 4.9 از 5 است و بیش از 4.8 میلیون زبان آموز آن را دریافت کرده اند. این مقدمه گسترده ای برای یادگیری ماشین مدرن، از جمله یادگیری نظارت شده (رگرسیون خطی چندگانه، رگرسیون لجستیک، شبکه های عصبی و درختان تصمیم)، یادگیری بدون نظارت (خوشه بندی، کاهش ابعاد، سیستم های توصیه گر) و برخی از بهترین شیوه های مورد استفاده در سیلیکون ارائه می کند. Valley برای نوآوری های هوش مصنوعی و یادگیری ماشین (ارزیابی و تنظیم مدل ها، اتخاذ رویکرد داده محور برای بهبود عملکرد، و موارد دیگر). در پایان این تخصص، شما بر مفاهیم کلیدی تسلط خواهید داشت و دانش عملی برای به کارگیری سریع و قدرتمند یادگیری ماشینی در مسائل چالش برانگیز دنیای واقعی را به دست خواهید آورد. اگر به دنبال ورود به هوش مصنوعی یا ایجاد حرفه ای در یادگیری ماشین هستید، تخصص جدید یادگیری ماشین بهترین مکان برای شروع است.

coursera یادگیری ماشین نظارت شده: طبقه بندی (Mitalearn-270314)

  • 6 hours 49 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mark J Grover,Svitlana (Lana) Kramar,Joseph Santarcangelo
درباره این دوره:

این دوره شما را با یکی از انواع اصلی خانواده های مدل سازی یادگیری ماشینی تحت نظارت آشنا می کند: طبقه بندی. شما یاد خواهید گرفت که چگونه مدل های پیش بینی را برای طبقه بندی نتایج طبقه بندی و نحوه استفاده از معیارهای خطا برای مقایسه بین مدل های مختلف آموزش دهید. بخش عملی این دوره بر استفاده از بهترین شیوه‌ها برای طبقه‌بندی، از جمله تقسیم‌بندی قطار و آزمایش، و مدیریت مجموعه داده‌ها با کلاس‌های نامتعادل تمرکز دارد. در پایان این دوره شما باید بتوانید: -متمایز کردن کاربردها و کاربردهای گروه های طبقه بندی و طبقه بندی -تشریح و استفاده از مدل های رگرسیون لجستیک -تشریح و استفاده از مدل های درخت تصمیم و مجموعه درخت -توصیف و استفاده از سایر روش های مجموعه برای طبقه بندی -از انواع معیارهای خطا برای مقایسه و انتخاب مدل طبقه بندی که به بهترین وجه با داده های شما مطابقت دارد، استفاده کنید -از نمونه برداری بیش از حد و نمونه برداری کم به عنوان تکنیک هایی برای مدیریت کلاس های نامتعادل در یک مجموعه داده استفاده کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با تکنیک های طبقه بندی یادگیری ماشین نظارت شده 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 از پاکسازی داده ها، تجزیه و تحلیل داده های اکتشافی، حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.

coursera یادگیری ماشین: رگرسیون (Mitalearn-334795)

  • 10 hours 18 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Emily Fox,Carlos Guestrin
درباره این دوره:

مطالعه موردی - پیش بینی قیمت مسکن در اولین مطالعه موردی ما، پیش‌بینی قیمت خانه، مدل‌هایی ایجاد می‌کنید که یک مقدار پیوسته (قیمت) را از ویژگی‌های ورودی (فیلم مربع، تعداد اتاق خواب و حمام،...) پیش‌بینی می‌کنند. این تنها یکی از مکان‌هایی است که می‌توان از رگرسیون استفاده کرد. کاربردهای دیگر از پیش‌بینی نتایج سلامت در پزشکی، قیمت سهام در امور مالی، و استفاده از توان در محاسبات با کارایی بالا تا تجزیه و تحلیل اینکه کدام تنظیم‌کننده برای بیان ژن مهم است، متغیر است. در این دوره، مدل های رگرسیون خطی منظم شده را برای کار پیش بینی و انتخاب ویژگی بررسی خواهید کرد. شما قادر خواهید بود مجموعه‌های بسیار بزرگی از ویژگی‌ها را مدیریت کنید و بین مدل‌هایی با پیچیدگی‌های مختلف انتخاب کنید. شما همچنین تأثیر جنبه‌های داده‌های خود - مانند مقادیر دورافتاده - بر مدل‌ها و پیش‌بینی‌های انتخابی خود را تجزیه و تحلیل خواهید کرد. برای تناسب با این مدل‌ها، الگوریتم‌های بهینه‌سازی را پیاده‌سازی خواهید کرد که به مجموعه داده‌های بزرگ مقیاس می‌شوند. نتایج یادگیری: در پایان این دوره، شما قادر خواهید بود: - ورودی و خروجی یک مدل رگرسیونی را شرح دهید. -مقایسه و کنتراست سوگیری و واریانس هنگام مدل‌سازی داده‌ها. -برآورد پارامترهای مدل با استفاده از الگوریتم های بهینه سازی. تنظیم پارامترها با اعتبار سنجی متقابل. -تحلیل عملکرد مدل - مفهوم پراکندگی و اینکه چگونه LASSO منجر به راه حل های پراکنده می شود را توضیح دهید. -استقرار روش ها برای انتخاب بین مدل ها. -از مدل برای ایجاد پیش بینی بهره برداری کنید. - ساخت یک مدل رگرسیون برای پیش بینی قیمت ها با استفاده از مجموعه داده مسکن. -این تکنیک ها را در پایتون پیاده سازی کنید.

Suggestions