Course catalog

Course duration

Course provider

Topic

Categories

Showing 12,041-12,060 of 12,178 items.

linkedin یادگیری ماشین با پایتون: مبانی (Mitalearn-218192)

  • 1 hours 54 minutes
  • مناسب همه
  • Update date: 21 June 2026
  • Author: Frederick Nwanganga
درباره این دوره:

احتمالاً قبلاً در مورد یادگیری ماشینی شنیده اید، اما آیا تا به حال فکر کرده اید که این اصطلاح واقعاً به چه معناست؟ یک ماشین چگونه یاد می گیرد؟ آیا به ساخت یک مدل یادگیری ماشین فکر کرده اید، اما نمی دانید از کجا شروع کنید؟n فردریک دقیقاً با معنای یادگیری ماشین‌ها و روش‌های مختلف یادگیری آنها شروع می‌کند، سپس به نحوه جمع‌آوری، درک و آماده‌سازی داده‌ها برای یادگیری ماشین می‌پردازد. او همچنین مثال‌های راهنمایی از نحوه انجام هر مرحله با استفاده از پایتون ارائه می‌دهد. در نهایت، او همه آن‌ها را برای ساخت، ارزیابی و تفسیر نتایج یک مدل یادگیری ماشین در پایتون گرد هم می‌آورد.

linkedin یادگیری ماشین با رگرسیون لجستیک در Excel، R و Power BI (Mitalearn-217903)

  • 2 hours 49 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Helen Wall
درباره این دوره:


Excel، R، و Power BI برنامه هایی هستند که به طور جهانی در علم داده و در بین مشاغل و سازمان ها در سراسر جهان استفاده می شوند. اگر زمان زیادی را صرف کرده اید تا بفهمید چگونه داده های خود را بهتر مدل کنید تا بینش مفیدی از آنها بدست آورید که می توانید بر اساس آنها عمل کنید، به احتمال زیاد با این برنامه ها روبرو شده اید. در این دوره، هلن وال نحوه استفاده از Excel، R و Power BI را برای رگرسیون لجستیک به منظور مدل‌سازی داده‌ها برای پیش‌بینی برچسب‌های طبقه‌بندی مانند کشف تقلب یا موفقیت‌های آزمایشی پزشکی نشان می‌دهد. هلن چندین نمونه از رگرسیون لجستیک را بررسی می کند. او نحوه استفاده از اکسل را برای محاسبه ملموس مدل رگرسیون نشان می دهد، سپس از R برای محاسبات و تجسم های فشرده تر استفاده می کند. سپس نحوه استفاده از Power BI برای ادغام قابلیت‌های محاسبات Excel و R در یک مدل مقیاس‌پذیر و قابل اشتراک‌گذاری را نشان می‌دهد.

linkedin یادگیری ماشین برای iOS: Core ML و Create ML (Mitalearn-227355)

  • 38 minutes
  • مناسب همه
  • Release date: 22 June 2026
  • Author: Emmanuel Henri
درباره این دوره:

آیا می خواهید یادگیری ماشینی را در برنامه iOS خود بگنجانید؟ با Core ML SDK و برنامه Create ML Apple، می‌توانید به سرعت ویژگی‌های یادگیری ماشین را در پروژه‌های خود ادغام کنید. در این دوره آموزشی، امانوئل هنری اصول یادگیری ماشینی و همچنین نحوه کار با Core ML و Create ML را برای افزودن مدل های یادگیری ماشین به برنامه های خود پوشش می دهد. امانوئل بخش‌های مختلف Core ML SDK، نحوه راه‌اندازی یک پروژه جدید با استفاده از Create ML، و نحوه دریافت مقادیر ورودی و آزمایش یک مدل را پوشش می‌دهد. او همچنین نحوه ادغام مدل یادگیری ماشینی خود را در یک برنامه iOS و تبدیل مدل‌ها از منابع غیر iOS را بررسی می‌کند.

linkedin یادگیری ماشین برای توسعه دهندگان iOS (Mitalearn-141930)

  • 1 hours 25 minutes
  • پیشرفته
  • Release date: 22 June 2026
  • Author: Brian Advent
درباره این دوره:

آیا می خواهید مدل های یادگیری ماشینی سفارشی بسازید تا برنامه های iOS خود را ارتقا دهید؟ حتی اگر متخصص یادگیری ماشینی نیستید، Core ML ادغام یک مدل یادگیری ماشین موجود را در یک برنامه iOS آسان می کند. و با Turi Create، اپل همچنین یک چارچوب پایتون ارائه می‌کند که توسعه مدل‌های یادگیری ماشین سفارشی را ساده می‌کند. این دوره مقدمه ای بر یادگیری ماشین و چارچوب Core ML ارائه می دهد و نحوه ساخت مدل یادگیری ماشینی سفارشی خود و ادغام آن در یک برنامه iOS را پوشش می دهد. پس از پایان دادن به این دوره، شما یک طبقه بندی تصویر ساخته اید که می تواند گربه ها را از سگ ها در یک تصویر ارائه شده تشخیص دهد.

linkedin یادگیری ماشین برای هکرهای تیم قرمز توسط Infosec (Mitalearn-427649)

  • 3 hours 39 minutes
  • مناسب همه
  • Release date: 12 June 2025
  • Author: Infosec Institute
درباره این دوره: 

 

در مورد یادگیری ماشین های هک با کارشناسان آموزش امنیت سایبری در انستیتوی Infosec ، INS و Outs of Hacking Machine Learning را کشف کنید. عمیق به موضوعاتی مانند هک کردن یک سیستم Captcha ، فازی یک هدف ، فرار از تشخیص بدافزار و حمله به سیستم های یادگیری ماشین. به علاوه ، در مورد Deepfakes و نحوه انجام حملات پشتی به یادگیری ماشین آشنا شوید.

این دوره توسط موسسه Infosec ایجاد شده است. ما خوشحالیم که این آموزش را در کتابخانه خود میزبانی می کنیم.


linkedin یادگیری ماشین داخلی به زبان Wolfram (Mitalearn-393921)

  • 19 minutes
  • مناسب همه
  • Release date: 5 January 2024
  • Author: Wolfram Research
درباره این دوره: 

 با کمک زبان Wolfram می‌توانید یادگیری ماشین را در زمینه‌های موضوعی مختلف بدون دانش سطح متخصص اعمال کنید. در حالی که می‌توانید مدل‌های پیچیده را از ابتدا بسازید، می‌توانید از هر یک از مدل‌های از پیش آموزش‌دیده موجود در ورودی‌های مختلف مانند متن، اعداد و تصاویر نیز استفاده کنید. این دوره مقدمه ای بر بسیاری از توابع یادگیری ماشینی در دسترس برای کارهای گسترده ای مانند شناسایی تصویر، تشخیص متن، طبقه بندی احساسات و موارد دیگر ارائه می دهد. قابلیت‌های یادگیری ماشین خودکار زبان Wolfram را از طریق مثال‌ها کاوش کنید، و یاد بگیرید که وظایف یادگیری ماشینی ساده را بر روی انواع ورودی‌های مختلف اجرا کنید، از مدل‌های نام‌گذاری‌شده و سفارشی آموزش‌دیده برای انجام وظایف طبقه‌بندی استفاده کنید، و یادگیری ماشین را در بینایی کامپیوتر، متن و استفاده کنید. وظایف پردازش زبان طبیعی

linkedin یادگیری ماشین در ارتباط از راه دور: از اصول اولیه گرفته تا موارد دنیای واقعی (Mitalearn-427683)

  • 2 hours 11 minutes
  • مناسب همه
  • Release date: 22 July 2025
  • Author: Itelcotech
درباره این دوره: 

 این دوره در سطح متوسط، کاوش متمرکزی را در مورد چگونگی تغییر شبکه‌های مخابراتی مدرن توسط یادگیری ماشین (ML) ارائه می‌کند. این دوره برای دانش‌آموزان و متخصصان با دانش پایه از مخابرات یا هوش مصنوعی طراحی شده است که می‌خواهند درک خود را از برنامه‌های ML در بهینه‌سازی شبکه، تجزیه و تحلیل پیش‌بینی‌کننده و اتوماسیون هوشمند عمیق‌تر کنند، این دوره چندین پارادایم یادگیری ماشین کلیدی را پوشش می‌دهد: تحت نظارت، بدون نظارت و یادگیری تقویتی. از طریق مطالعات موردی در دنیای واقعی، مفاهیم کلیدی ML مانند رگرسیون، طبقه‌بندی، خوشه‌بندی، آزمایش فرضیه، توابع هزینه، نزول گرادیان و ارزیابی مدل را بررسی کنید. بیاموزید که چگونه مدل‌ها معیارهای مخابراتی مانند قدرت سیگنال، بار شبکه، و تقاضای پهنای باند را پیش‌بینی می‌کنند و چگونه تکنیک‌های طبقه‌بندی به شناسایی خطاها و ناهنجاری‌ها کمک می‌کنند. در پایان این دوره، شما به مهارت هایی که برای استفاده از ML برای تقویت شبکه های مخابراتی هوشمندتر و سازگارتر نیاز دارید، مجهز خواهید شد.

linkedin یادگیری ماشین در برنامه های موبایل (Mitalearn-160154)

  • 3 hours 15 minutes
  • مبتدی
  • Release date: 21 March 2019
  • Author: Kevin Ford
درباره این دوره:

یادگیری ماشینی در حال رسیدن به جریان اصلی است. با ابزارهای جدید در دسترس توسعه دهندگان، اکنون امکان پیاده سازی ویژگی های یادگیری ماشینی وجود دارد - تشخیص صدا، چهره و تصویر. توصیه های شخصی؛ و بیشتر - در زمینه موبایل. این دوره به بررسی نحوه اعمال قدرت یادگیری ماشینی در توسعه اپلیکیشن موبایل، با استفاده از پلتفرم هایی مانند IBM Watson، Microsoft Azure Cognitive Services و Apple Core ML می پردازد. مربی کوین فورد هر محصول را نمایش می دهد و ویژگی ها و رویکردهای مختلف یادگیری ماشین را مرور می کند. او نحوه آموزش و استقرار مدل‌هایی برای زبان طبیعی و تشخیص بصری و نحوه تولید مدل‌های آماری برای استفاده در برنامه Xamarin را نشان می‌دهد. در فصل پنجم، او مدل‌های سمت مشتری و سمت سرور را مقایسه می‌کند و توضیح می‌دهد که یک توسعه‌دهنده چه زمانی ممکن است یک پلتفرم را بر پلتفرم دیگر انتخاب کند.

linkedin یادگیری ماشین کاربردی: الگوریتم ها (Mitalearn-411448)

  • 1 hours 58 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Matt Harrison
درباره این دوره:

با اهمیت روزافزون یادگیری ماشین در تقریباً در هر بخش ، متخصصان به درک عمیق تر و رویکرد عملی برای اجرای الگوریتم های ML به طور مؤثر نیاز دارند.

این دوره الگوریتم های یادگیری ماشین را که معمولاً استفاده می شود ، پوشش می دهد. مربی مت هریسون بر الگوریتم های یادگیری غیر عمق ، پوشش PCA ، خوشه بندی ، رگرسیون خطی و لجستیک ، درختان تصمیم گیری ، جنگل های تصادفی و تقویت شیب تمرکز دارد.

در این دوره به مت بپیوندید تا الگوریتم های مشترک ML را بفهمید ، جوانب مثبت و منفی خود را بیاموزید و مهارت های دستی را برای استفاده از آنها با دنبال کردن با چالش ها و راه حل ها در برنامه های GitHub ایجاد کنید.

linkedin یادگیری ماشین کاربردی: الگوریتم‌ها (2019) (Mitalearn-162738)

  • 2 hours 24 minutes
  • مبتدی
  • Release date: 25 July 2026
  • Author: Derek Jedamski
درباره این دوره:

در اولین قسمت از مجموعه یادگیری ماشین کاربردی، مدرس درک جدامسکی مفاهیم اساسی را پوشش داد و دستور العملی کلی برای حمله به هر مشکل یادگیری ماشینی به شیوه ای عملی و کامل در اختیار شما قرار داد. در این دوره - دومین و آخرین قسمت این مجموعه - درک با بررسی الگوریتم‌های مختلف، از رگرسیون لجستیک تا تقویت گرادیان، و نشان دادن نحوه تنظیم ساختاری که شما را در انتخاب بهترین ساختار راهنمایی می‌کند، بر روی آن معماری بنا می‌کند. مشکل در دست هر الگوریتم مزایا و معایب خود را دارد که هر کدام را به انتخاب ارجح برای انواع خاصی از مسائل تبدیل می کند. درک آنچه که در واقع هر الگوریتم را هدایت می کند، و همچنین مزایا و معایب آنها، می تواند به شما به عنوان یک دانشمند داده مزیت رقابتی قابل توجهی بدهد.

linkedin یادگیری ماشین کاربردی: مبانی (Mitalearn-411482)

  • 2 hours 17 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Matt Harrison
درباره این دوره:

مدل های

AI در حال تغییر محل کار هستند. دانستن آنچه در پشت این مدل ها پیش می رود می تواند به شما در استفاده موثرتر از تکنیک های یادگیری ماشین (ML) کمک کند. در این دوره ، مربی مت هریسون به شما نشان می دهد که چگونه می توانید با استفاده از قدرت زبان برنامه نویسی پایتون ، تسلط بر ضروری یادگیری ماشین را شروع کنید. در طول راه ، مهارت های برنامه نویسی جدید خود را در چالش های تمرین در پایان هر بخش آزمایش کنید.

linkedin یادگیری ماشین کاربردی: مهندسی ویژگی (2020) (Mitalearn-227593)

  • 2 hours 26 minutes
  • مناسب همه
  • Release date: 10 August 2020
  • Author: Derek Jedamski
درباره این دوره:

کیفیت پیش‌بینی‌هایی که از مدل یادگیری ماشین شما به دست می‌آید بازتاب مستقیم داده‌هایی است که در طول آموزش به آن‌ها می‌دهید. مهندسی ویژگی به شما کمک می کند تا آخرین بیت ارزش را از داده ها استخراج کنید. این دوره ابزارهایی را برای گرفتن مجموعه داده، حذف سیگنال و حذف نویز به منظور بهینه سازی مدل های خود ارائه می دهد. این مفاهیم تقریباً به هر نوع الگوریتم یادگیری ماشینی تعمیم می یابد. مدرس درک جدامسکی در مورد اصول یادگیری ماشین و مقدمه ای کامل برای مهندسی ویژگی ها تجدید نظر می کند. او ویژگی های پیوسته و طبقه بندی شده را بررسی می کند و نحوه تمیز کردن، عادی سازی و تغییر آنها را نشان می دهد. بیاموزید که چگونه مقادیر از دست رفته را آدرس‌دهی کنید، نقاط پرت را حذف کنید، داده‌ها را تبدیل کنید، شاخص‌ها ایجاد کنید و ویژگی‌ها را تبدیل کنید. در فصل‌های پایانی، درک نحوه آماده‌سازی ویژگی‌ها برای مدل‌سازی را توضیح می‌دهد و چهار تغییر را برای مقایسه ارائه می‌دهد، بنابراین می‌توانید تأثیر تمیز کردن، تبدیل و ایجاد ویژگی‌ها را از طریق لنز عملکرد مدل ارزیابی کنید.

linkedin یادگیری ماشین کاربردی: یادگیری گروه (2022) (Mitalearn-411465)

  • 2 hours 25 minutes
  • مناسب همه
  • Release date: 24 February 2022
  • Author: Derek Jedamski
درباره این دوره: 

 آیا می خواهید مهارت های خود را به عنوان یک پزشک یادگیری ماشین رشد دهید ، اما نمی دانید از کجا شروع کنید؟ برای شروع کار به سمت هدف خود ، نیازی به آموزش رسمی در علم داده ندارید. در این دوره ، مربی درک جیدامسکی به شما نشان می دهد که چگونه می توانید داده های کثیف را مهار کنید ، سیگنال را در آن پیدا کنید و مدلهایی بسازید که پیش بینی های قدرتمندی را با زبان آموزان گروهی ایجاد می کند ، یکی از رایج ترین کلاس های الگوریتم های یادگیری ماشین. در مورد نظریه اساسی که زبان آموزان گروه را هدایت می کند ، بیاموزید و نمونه هایی از یادگیری گروه را در پایتون و سپس اجرای مدل های خود را پوشش دهید. مفاهیمی مانند تقویت ، کیسه و انباشت و نحوه استفاده از هر یک و چه زمانی را کاوش کنید. ابزارهایی را که برای تقویت قدرت پیش بینی خود و پیشبرد مهارت های یادگیری ماشین خود امروز دارید ، بدست آورید.

linkedin یادگیری ماشین کاربردی: یادگیری گروهی (Mitalearn-442643)

  • 1 hours 28 minutes
  • مناسب همه
  • Release date: 28 February 2025
  • Author: Matt Harrison
درباره این دوره: 

 

آیا می‌خواهید مهارت‌های خود را به عنوان یک متخصص یادگیری ماشینی افزایش دهید، اما نمی‌دانید از کجا شروع کنید؟ برای شروع کار به سمت هدف خود نیازی به آموزش رسمی در علم داده ندارید. در این دوره، مربی مت هریسون شما را از طریق مفاهیم کلیدی یادگیری گروهی راهنمایی می کند. روش‌های مختلف مجموعه مانند bagging، boosting و stacking را کاوش کنید و یاد بگیرید که آنها را با استفاده از کتابخانه‌های محبوب Python مانند scikit-learn و XGBoost پیاده‌سازی کنید. در پایان این دوره، شما به مهارت‌هایی که برای پیاده‌سازی و بهینه‌سازی مدل‌های مجموعه در کارهای یادگیری ماشین در دنیای واقعی نیاز دارید، مجهز می‌شوید.

این دوره با GitHub Codespaces، یک محیط توسعه‌دهنده ابری فوری که تمام عملکردهای IDE مورد علاقه‌تان را بدون نیاز به راه‌اندازی ماشین محلی ارائه می‌کند، یکپارچه شده است. با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید، در حالی که از ابزاری استفاده می‌کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای آشنایی با نحوه شروع کار، «استفاده از فضاهای کد GitHub» را با این دوره بررسی کنید.


linkedin یادگیری ماشین کاربردی: یادگیری نظارت شده (Mitalearn-411499)

  • 2 hours 26 minutes
  • مناسب همه
  • Release date: 25 July 2025
  • Author: Matt Harrison
درباره این دوره: 

 در این دوره ، مت هریسون-یک مربی شرکتی پایتون و علوم داده ، نویسنده ، سخنران ، مشاور و مشاور-به شما نشان می دهد که چگونه می توانید از تکنیک های یادگیری نظارت شده برای مشکلات دنیای واقعی استفاده کنید ، با تمرکز بر هر دو طبقه بندی و رگرسیون. با مدلهای اساسی مانند رگرسیون خطی شروع کنید و سپس به الگوریتم های پیچیده تری مانند درختان تصمیم گیری و XGBOOST بروید. به علاوه ، تکنیک های ارزیابی ، بهینه سازی و استقرار مدل را کاوش کنید. با چالش ها و راه حل های عملی ، این دوره شما را برای استفاده از یادگیری نظارت شده برای حل مشکلات در صنایعی مانند مراقبت های بهداشتی ، امور مالی و املاک و مستغلات آماده می کند.

linkedin یادگیری ماشین و آمار در پایتون (Mitalearn-435656)

  • 1 hours 18 minutes
  • مناسب همه
  • Release date: 25 July 2026
  • Author: Milan Janosov, Ph.D.
درباره این دوره:

در این دوره ، میلان جانوسوف ، متخصص شناخته شده در سطح جهانی ، مقدمه ای را برای تقاطع یادگیری ماشین و تجزیه و تحلیل فضایی ، پوشش مفاهیم اصلی ، چالش ها و برنامه های دنیای واقعی فراهم می کند. در مورد اصول آمار مکانی ، از جمله همبستگی مکانی و درون یابی ، با استفاده از کتابخانه های پایتون مانند ژئوپاندا بیاموزید. به تکنیک های یادگیری ماشین بدون نظارت ، مانند تجزیه و تحلیل کانون ، K-Means و خوشه بندی DBSCAN شیرجه بزنید و این تکنیک ها را در داده های جغرافیایی اعمال کنید. روشهای یادگیری نظارت شده ، از جمله مهندسی ویژگی های مکانی ، مدل های رگرسیون و جنگل های تصادفی مکانی را برای تجزیه و تحلیل پیش بینی ، کاوش کنید و مرحله ای را برای اکتشافات بیشتر تعیین کنید. این دوره به شما مهارت هایی را برای انجام تجزیه و تحلیل آماری پیشرفته و اجرای وظایف یادگیری ماشین بر روی داده های مکانی می آموزد.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: استراتژی مدل‌سازی پیش‌بینی‌کننده در مقیاس (Mitalearn-151297)

  • 1 hours 2 minutes
  • مبتدی
  • Update date: 25 July 2026
  • Author: Keith McCormick
درباره این دوره:

ساخت راه‌حل‌های تحلیلی پیش‌بینی‌کننده در سطح جهانی مستلزم درک این نکته است که چالش‌های مقیاس و اندازه نمونه در مراحل مختلف یک پروژه بسیار نوسان دارند. چگونه می دانید چه مقدار داده باید استفاده کنید؟ چه چیزی کم است، چه چیزی زیاد است؟ زیرساخت شما چگونه باید با حجم و تقاضای پروژه مقیاس شود؟ این دوره گام به گام جنبه های استراتژیک و تاکتیکی تعیین میزان داده مورد نیاز برای ساختن یک راه حل مدل سازی پیش بینی کننده موثر بر اساس یادگیری ماشین و حجم داده ها آنقدر زیاد است که چالش هایی را ایجاد می کند. مربی، کیت مک کورمیک، هر مرحله (انتخاب داده، آماده‌سازی داده، مدل‌سازی، امتیازدهی، و استقرار) را با مقیاس‌پذیری در ذهن مرور می‌کند و بینش‌ها، دیدگاه‌ها و ابزارهای همکاری جدید را به متخصصان فناوری اطلاعات، دانشمندان داده و رهبری ارائه می‌کند.

rnrn تاکید بر استراتژی و برنامه ریزی است. نمونه ها، محاسبات و نتایج نرم افزار نشان داده شده فقط برای اهداف آموزشی هستند.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: استنتاج علی و مدلسازی (Mitalearn-385013)

  • 2 hours 51 minutes
  • مناسب همه
  • Release date: 22 July 2022
  • Author: Keith McCormick
درباره این دوره: 

 این دوره با مدرس کیت مک کورمیک مقدمه ای بر برخی از تکنیک های پیشرفته در استنتاج علی و مدل سازی علّی ارائه می دهد. این پایه بر پایه دوره کیث، یادگیری ماشین و مبانی هوش مصنوعی: پیش بینی، علیت و استنتاج آماری استوار است. کیت این دوره را بر روی سه موضوع اصلی متمرکز می کند: قدرت آزمایش ها (و واقعیت این است که آنها همیشه به عنوان یک گزینه در دسترس نیستند). فلسفه و رویکرد آمار بیزی و زمانی که انتخاب خوبی است. و مقدمه‌ای بر مدل‌سازی علی با تکنیک‌هایی مانند مدل‌سازی معادلات ساختاری و شبکه‌های بیزی. با کیت در این دوره همراه باشید تا با این تکنیک های پیشرفته و آنچه که آنها را قدرتمند و جالب می کند آشنا شوید.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: برآورد ارزش (Mitalearn-107369)

  • 1 hours 4 minutes
  • متوسط
  • Release date: 25 July 2026
  • Author: Adam Geitgey
درباره این دوره:

تخمین ارزش - یکی از رایج ترین انواع الگوریتم های یادگیری ماشین - می تواند به طور خودکار مقادیر را با مشاهده اطلاعات مرتبط تخمین بزند. به عنوان مثال، یک وب سایت می تواند بر اساس موقعیت و ویژگی های ملک، ارزش یک خانه را تعیین کند. در این دوره مبتنی بر پروژه، نحوه استفاده از یادگیری ماشین را برای ساختن یک سیستم تخمین ارزش که می تواند ارزش یک خانه را استنتاج کند، کشف کنید. آدام گیتگی را دنبال کنید تا در مورد نحوه استفاده از داده های نمونه برای ساختن یک مدل یادگیری ماشینی صحبت کند و سپس از آن مدل در برنامه های خود استفاده کنید. اگرچه پروژه ارائه شده در این دوره بر روی املاک و مستغلات تمرکز دارد، شما می توانید از همین رویکرد برای حل هر نوع مشکل تخمین ارزش با یادگیری ماشین استفاده کنید.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: پیش‌بینی، علیت و استنتاج آماری (Mitalearn-392612)

  • 2 hours 2 minutes
  • مناسب همه
  • Release date: 18 March 2022
  • Author: Keith McCormick
درباره این دوره: 

 در دنیای علم داده، یادگیری ماشین و آمار اغلب با هم ترکیب می‌شوند، اما اهداف متفاوتی را دنبال می‌کنند و تسلط به یکی به معنای تخصص در دیگری نیست. در واقع، استفاده از یک رویکرد آماری برای یک مشکل یادگیری ماشینی، یا بالعکس، می تواند بیش از روشن شدن منجر به سردرگمی شود. در این دوره، کیت مک کورمیک چگونگی متفاوت بودن آمار و یادگیری ماشین، زمان استفاده از هر یک و نحوه استفاده از تمام ابزارهایی که در اختیار دارید را برای شفاف و متقاعدکننده بودن هنگام به اشتراک گذاشتن نتایج خود پوشش می دهد. او موضوعاتی مانند: چرا همبستگی شواهد کافی برای علیت نیست. تفاوت بین داده های تجربی و مشاهده ای؛ و تفاوت بین آمار سنتی و آمار بیزی. کیت همچنین به علیت نگاه می کند، موضوعی پیچیده در استفاده از آمار و یادگیری ماشین برای اثبات چیزی که باعث چیز دیگری می شود. اگر مدل‌های یادگیری ماشینی می‌سازید، تحلیل‌های آماری را اجرا می‌کنید - یا به‌ویژه اگر هر دو را انجام می‌دهید، این دوره برای شما مناسب است.

Suggestions