Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-20 of 35 items.

linkedin LinkedIn AI Academy AI-100: 2 یادگیری تحت نظارت با شبکه های عصبی (Mitalearn-390827)

  • 1 hours 9 minutes
  • مناسب همه
  • Release date: 4 May 2023
  • Author: Daniel Hewlett,Ananth Sankar
درباره این دوره: 

 هوش مصنوعی یکی از مهم ترین اما کمتر شناخته شده ترین زمینه ها در جهان است. طرز تفکر ما در مورد تجارت را تغییر می دهد، اما آنقدر سریع در حال تغییر است که پیگیری آن دشوار است. این دوره که توسط مهندسان لینکدین آنانت سانکار و دانیل هیولت تدریس می‌شود، نشان می‌دهد که چگونه شبکه‌های عصبی و یادگیری عمیق هوش مصنوعی را در دهه گذشته متحول کرده‌اند و برنامه‌هایی را که قبلا غیرممکن بودند، فعال می‌کنند. Ananth و Daniel برخی از محبوب ترین معماری های شبکه عصبی را پوشش می دهند. آنها موضوعات کلیدی مانند شبکه‌های عصبی طبقه‌بندی خطی ساده، شبکه‌های عصبی کانولوشنال، و یادگیری توالی، و همچنین شبکه‌های عصبی نموداری و نحوه اعمال آنها را برای پیش‌بینی نمودارهای شبکه‌های اجتماعی مورد بحث قرار می‌دهند.

linkedin ML.NET: Getting Started (Mitalearn-235566)

  • 38 minutes
  • مناسب همه
  • Release date: 22 June 2026
  • Author: Jonathan Wood
درباره این دوره:

اگر به دنبال ورود به دنیای مدل‌های یادگیری ماشینی هستید، اما نمی‌دانید از کجا شروع کنید، ML.NET یک کتابخانه نرم‌افزاری رایگان برای یادگیری ماشین برای سی شارپ است که به شما امکان می‌دهد بدون نیاز به دانستن تمام تئوری‌های پشت ماشین، مدل بسازید. یادگیری. در این دوره، جاناتان وود شما را با ML.NET آشنا می کند و نشان می دهد که چگونه می توانید از آن برای استفاده از یادگیری ماشین در برنامه های دات نت خود استفاده کنید. جاناتان با اصول اولیه یادگیری ماشین شروع می کند و هم مواردی را که برای آن خوب است و هم سناریوهایی را که بهترین گزینه نیست پوشش می دهد. سپس او وارد ابزارهایی می شود که می توانید از آنها برای کمک به شما در شروع ساخت مدل های یادگیری ماشین استفاده کنید. در پایان این دوره، شما ایده بهتری در مورد مزایای استفاده از ML.NET و اینکه چرا ابزاری عالی برای توسعه دهندگان سی شارپ است که به یادگیری ماشین علاقه مند هستند، خواهید داشت.

linkedin آموزش انتقال تصاویر با استفاده از PyTorch: Essential Training (Mitalearn-183546)

  • 58 minutes
  • متوسط
  • Release date: 22 June 2026
  • Author: Jonathan Fernandes
درباره این دوره:

PyTorch پس از معرفی خود در سال 2017 به سرعت به ابزار انتخابی بسیاری از محققان یادگیری عمیق تبدیل شد. در این دوره، جاناتان فرناندز به شما نشان می‌دهد که چگونه از این چارچوب یادگیری ماشینی محبوب برای تکنیکی مشابه استفاده کنید: یادگیری انتقال. جاناتان با استفاده از یک رویکرد عملی، اصول یادگیری انتقالی را توضیح می‌دهد، که به شما امکان می‌دهد از پارامترهای از پیش آموزش‌دیده‌شده یک مدل یادگیری عمیق موجود برای کارهای دیگر استفاده کنید. سپس نحوه پیاده‌سازی یادگیری انتقال برای تصاویر را با استفاده از PyTorch نشان می‌دهد، از جمله نحوه ایجاد یک استخراج کننده ویژگی ثابت و فریز کردن لایه‌های شبکه عصبی. به علاوه، در مورد استفاده از نرخ های یادگیری و نرخ های یادگیری متفاوت اطلاعات کسب کنید.

linkedin آموزش ضروری یادگیری تحت نظارت (Mitalearn-199237)

  • 1 hours 28 minutes
  • متوسط
  • Release date: 20 June 2026
  • Author: Ayodele Odubela
درباره این دوره:

دانشمندان داده و دانشجویان ML/AI ممکن است به تجربه عملی با الگوریتم های یادگیری نظارت شده نیاز داشته باشند. در این دوره، مربی Ayodele Odubela به شما می آموزد که مدل هایی را که ایجاد کرده اید در داده های جدید اعمال کنید و عملکرد مدل را ارزیابی کنید. ابتدا، Ayodele بیان می کند که یادگیری تحت نظارت چیست و چگونه می توان با استفاده از داده های آموزشی برچسب دار پیش بینی کرد. او یک نمای کلی از الگوریتم رگرسیون لجستیک، نحوه ساخت یک مدل خطی در پایتون و نحوه محاسبه معیارهای مدل را به شما می دهد. سپس، Ayodele به شما کمک می‌کند اولین درخت‌های تصمیم خود و همچنین مدل‌های نزدیک‌ترین همسایگان را با استفاده از GridSearch ایجاد کنید. Ayodele نحوه ایجاد شبکه های عصبی مصنوعی را پوشش می دهد که برای اکثر کارهای یادگیری عمیق پایه ای هستند. او با یک مرور کلی هوش مصنوعی اخلاقی پایان می دهد و از شما می خواهد که تأثیر مدل های خود را در نظر بگیرید.

linkedin ابزار MLOps: MLflow و Hugging Face (Mitalearn-440467)

  • 5 hours 14 minutes
  • مناسب همه
  • Release date: 25 September 2024
  • Author: Alfredo Deza,Pragmatic AI Labs
درباره این دوره: 

 

در این دوره آموزشی، نحوه تسلط بر MLflow و Hugging Face، دو پلتفرم منبع باز قدرتمند برای MLOها را بیاموزید. با شروع MLflow، یاد بگیرید که چگونه چرخه زندگی یادگیری ماشین را ساده کنید، پروژه ها و مدل ها را مدیریت کنید، از سیستم UI ردیابی استفاده کنید و با مدل های ثبت شده تعامل کنید. سپس، با مروری بر Hugging Face Hub، مخازن، و Hugging Face Spaces، مقدمه ای برای Hugging Face دریافت کنید. نحوه همکاری و استقرار مدل‌ها، ذخیره مجموعه داده‌ها و مدل‌ها، ایجاد دموهای تعاملی زنده و استفاده از مخازن جامعه را بیاموزید.

توجه: این دوره توسط آزمایشگاه‌های هوش مصنوعی Pragmatic ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم


linkedin اشتباهاتی که در یادگیری ماشینی باید از آنها اجتناب کرد (Mitalearn-199305)

  • 39 minutes
  • متوسط
  • Release date: 22 June 2026
  • Author: Madecraft,Brett Vanderblock
درباره این دوره:

ساخت مدل های یادگیری ماشینی می تواند یک فرآیند هیجان انگیز باشد. اما اغلب اوقات، دانشمندان داده خود را درگیر خطاها، خروجی بد و تعداد زیادی مسائل دیگر می‌بینند که می‌تواند پیشرفت آنها را کند کند. در این دوره آموزشی سریع، نکات تخصصی در مورد چگونگی جلوگیری از رایج ترین اشتباهات دانشمندان داده در هنگام ساخت مدل های یادگیری ماشین را دریافت کنید. مربی برت واندربلاک، دانشمند ارشد داده در پاتاگونیا، تخصص خود را برای کمک به شما در تنظیم دقیق گردش کار یادگیری ماشین به اشتراک می گذارد. از کار با داده‌های بد، به تناسب بیش از حد، تا عدم دریافت بازخورد، چیزهای زیادی برای یادگیری وجود دارد.

این دوره توسط Madecraft. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.

MadeCraft-Description-Logo.jpg

Related Skills

linkedin راهنمای اجرایی برای استقرار، نظارت و نگهداری مدل ها (Mitalearn-385659)

  • 57 minutes
  • مناسب همه
  • Release date: 8 April 2024
  • Author: Keith McCormick
درباره این دوره: 

 با پیشرفت های اخیر در فضای هوش مصنوعی، گردش کار برای استقرار، نظارت و نگهداری مدل های ML تغییر کرده است. در این دوره، کیت مک کورمیک - یک داده کاوی، مربی، سخنران و نویسنده مستقل - مراحل پروژه ML را تجزیه می کند و شما را از طریق ارزیابی مدل، امتیازدهی، استقرار و نگهداری مدل راهنمایی می کند. در مورد مهندسی داده و MLOps در چرخه حیات ML و همچنین اصول اولیه مدل سازی ML بیاموزید. یک چک لیست استقرار مفید دریافت کنید که می توانید در ارزیابی مدل از آن استفاده کنید. نحوه امتیاز دهی به مدل‌های سنتی ML، مدل «جعبه سیاه» و یک گروه را بیاموزید. برو بیش از دسته و به ثمر رساند زمان واقعی. به علاوه، نظارت بر مدل و بهترین فرکانس برای بازسازی مدل را کشف کنید.

linkedin ساخت سیستم‌های توصیه‌کننده با یادگیری ماشین و هوش مصنوعی (Mitalearn-184379)

  • 9 hours 5 minutes
  • متوسط
  • Update date: 22 June 2026
  • Author: Frank Kane
درباره این دوره:

توصیه های خودکار در همه جا وجود دارد: نتفلیکس، آمازون، یوتیوب و موارد دیگر. سیستم‌های توصیه‌کننده درباره علایق منحصربه‌فرد شما می‌آموزند و محصولات یا محتوایی را که فکر می‌کنند بیشتر دوست دارید نشان می‌دهند. کشف کنید که چگونه می توانید سیستم های توصیه کننده خود را از یکی از پیشگامان در این زمینه بسازید. فرانک کین بیش از 9 سال را در آمازون گذراند، جایی که او توسعه بسیاری از فناوری‌های سفارشی محصول شخصی‌شده شرکت را رهبری کرد. در این دوره، او الگوریتم‌های توصیه مبتنی بر فیلتر مشارکتی مبتنی بر همسایگی و تکنیک‌های مدرن‌تر، از جمله فاکتورسازی ماتریس و حتی یادگیری عمیق با شبکه‌های عصبی مصنوعی را پوشش می‌دهد. در طول مسیر، می‌توانید از تجربه گسترده فرانک در صنعت بیاموزید و چالش‌های دنیای واقعی استفاده از این الگوریتم‌ها را در مقیاس بزرگ با داده‌های دنیای واقعی درک کنید. همچنین می‌توانید با استفاده از فناوری‌هایی مانند Amazon DSSTNE، AWS SageMaker و TensorFlow، چارچوب خود را برای آزمایش الگوریتم‌ها توسعه دهید و شبکه‌های عصبی خود را بسازید.

linkedin ساخت یک سیستم توصیه با یادگیری ماشین پایتون و هوش مصنوعی (Mitalearn-110123)

  • 1 hours 38 minutes
  • متوسط
  • Release date: 28 June 2026
  • Author: Lillian Pierson, P.E.
درباره این دوره:

نحوه استفاده از پایتون – و برخی مفاهیم ضروری یادگیری ماشین – برای ساخت برنامه‌هایی که می‌توانند توصیه‌هایی ارائه کنند را بیابید. در این دوره آموزشی، لیلیان پیرسون، P.E. انواع مختلف سیستم های توصیه را پوشش می دهد و نحوه ساخت هر یک را نشان می دهد. او به شما کمک می‌کند مفاهیمی را که در پس نحوه عملکرد سیستم‌های توصیه وجود دارد، با ارائه یک سری مثال‌ها و تمرین‌ها بیاموزید. هنگامی که با مفاهیم زیربنایی آشنا شدید، لیلیان توضیح می‌دهد که چگونه از روش‌های آماری و یادگیری ماشینی برای ایجاد توصیه‌کننده‌های خود استفاده کنید. او نشان می‌دهد که چگونه با استفاده از کتابخانه Pandas یک توصیه‌کننده مبتنی بر محبوبیت بسازیم، چگونه موارد مشابه را بر اساس همبستگی توصیه کنیم، و چگونه الگوریتم‌های مختلف یادگیری ماشین را برای ارائه توصیه‌ها به کار ببریم. در پایان دوره، او نشان می دهد که چگونه ارزیابی شود که کدام توصیه کننده بهترین عملکرد را داشته است.

linkedin لاجورد برای توسعه دهندگان: نسل بازیابی-اوج (RAG) با Azure AI (Mitalearn-412366)

  • 1 hours 54 minutes
  • مناسب همه
  • Release date: 30 January 2025
  • Author: Ziggy Zulueta
درباره این دوره: 

 در این دوره آموزشی، Ziggy Zulueta - یک مربی حرفه ای و معتبر مایکروسافت هوش مصنوعی - از مثال ها و برنامه های کاربردی استفاده می کند تا به شما نشان دهد چگونه از Python با Azure Open AI، Cosmos DB و AI Search برای ایجاد راه حل های پیشرفته بازیابی-نسل تقویت شده (RAG) برای داده های پیشرفته استفاده کنید. در اصول RAG، پیاده سازی های مبتنی بر پایتون و روش های ارزیابی عملکرد غوطه ور شوید. نحوه راه اندازی منابع Azure، ایجاد نمایه های داده، اعمال مجموعه مهارت ها برای بهبود داده ها و خودکار کردن فرآیند نمایه سازی را بیاموزید. اهمیت پایگاه‌های داده برداری، توکن‌سازی، جاسازی‌ها و چگونگی تسهیل بازیابی و تقویت موثر داده‌ها را بررسی کنید. راه حل های RAG خود را برای اطمینان از دقت، ارتباط و ایمنی ارزیابی کنید. در پایان این دوره، شما مجهز به توسعه راه حل های پیچیده RAG خواهید بود که بینش دقیق و مرتبط متناسب با نیازهای کسب و کار شما را ارائه می دهد.

linkedin مبانی هوش مصنوعی: شبکه های عصبی (Mitalearn-381545)

  • 1 hours 45 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Gwendolyn Stripling
درباره این دوره:

یک شبکه عصبی مصنوعی از مغز انسان به عنوان الهام برای ایجاد یک سیستم یادگیری ماشینی پیچیده استفاده می کند. آن‌ها می‌توانند میلیون‌ها صدا، ویدیو و تصویر را طبقه‌بندی کنند، به سؤالات ما پاسخ دهند، رفتارهای ما را درک کنند و حتی اتومبیل‌های ما را برانند. شبکه های عصبی همچنین پایه و اساس هوش مصنوعی مولد هستند.

این دوره به معرفی تکنیک ها و اصول اساسی شبکه های عصبی، مدل های رایج و کاربردهای آنها می پردازد. مربی Gwendolyn Stripling شما را از طریق معماری های مختلف شبکه عصبی، اجزای آنها، موارد استفاده مناسب و بهترین شیوه ها برای بهبود عملکرد مدل شبکه عصبی راهنمایی می کند. به علاوه، با استفاده از Keras Sequential API، یک کتابخانه منبع باز که طراحی و آموزش شبکه های عصبی را ابهام می کند، تجربه عملی در ساخت و آموزش یک شبکه عصبی به دست آورید. اگر به دنبال دستیابی به درک کاملی از نحوه ساخت، آموزش، بهبود و استفاده از شبکه های عصبی هستید، در این دوره آموزشی به Gwendolyn بپیوندید.

linkedin مبانی هوش مصنوعی: شبکه های عصبی (2018) (Mitalearn-120187)

  • 1 hours 16 minutes
  • مبتدی
  • Release date: 25 July 2026
  • Author: Doug Rose
درباره این دوره:

یک شبکه عصبی مصنوعی از مغز انسان به عنوان الهام برای ایجاد یک سیستم یادگیری ماشینی پیچیده استفاده می کند. در حال حاضر شبکه های عصبی وجود دارند که می توانند میلیون ها صدا، فیلم و تصویر را طبقه بندی کنند. این ماشین ها می توانند به سوالات ما پاسخ دهند، رفتارهای ما را درک کنند و حتی ماشین های ما را رانندگی کنند. شبکه به دنبال الگوهای ظریف در داده‌های ما می‌گردد و سپس خود را برای بهبود در طول زمان تنظیم می‌کند. آنها می توانند در پیش بینی رفتار ما، یادگیری زبان های ما و یافتن اکتشافات جدید متخصص شوند. در این دوره، مدرس داگ رز مروری بر شبکه های عصبی مصنوعی ارائه می دهد و توضیح می دهد که آنها چیستند و چگونه می توانید از آنها برای چالش های یادگیری ماشین خود استفاده کنید. راه هایی را کشف کنید که می توانید از این فناوری برای انجام کارهای جدید و جذاب برای پروژه ها یا کسب و کار خود استفاده کنید.

linkedin مبانی هوش مصنوعی: ماشین های فکری (Mitalearn-120170)

  • 1 hours 36 minutes
  • مبتدی
  • Update date: 21 June 2026
  • Author: Doug Rose
درباره این دوره:

هوش مصنوعی پیشرفته کامپیوتری (AI) از دهه 1950 وجود داشته است، اما نوآوری‌های سخت‌افزاری اخیر این زمینه را دوباره تقویت کرده است. حسگرهای جدید به ماشین‌ها کمک می‌کنند دید دقیق‌تری داشته باشند، صداها را بشنوند و مکان را درک کنند. پردازنده‌های قدرتمند می‌توانند به رایانه‌ها کمک کنند تا تصمیمات پیچیده بگیرند، احتمالات را مرتب کنند، نتایج را برنامه‌ریزی کنند و از اشتباهات درس بگیرند. احتمالات هیجان انگیز است. پیامدها گسترده است.\r\n\r\n خواهید دید که چگونه هوش مصنوعی سوالاتی را در مورد معنای باهوش بودن و میزان اعتماد ما به ماشین ها ایجاد کرده است. مدرس داگ رز رویکردهای مختلف هوش مصنوعی از جمله یادگیری ماشینی و یادگیری عمیق و کاربردهای عملی فناوری‌های جدید تقویت‌شده هوش مصنوعی را توضیح می‌دهد. به علاوه، یاد بگیرید که چگونه هوش مصنوعی را با سایر فناوری‌ها مانند داده‌های بزرگ ادغام کنید و از برخی مشکلات رایج مرتبط با هوش مصنوعی برنامه‌نویسی اجتناب کنید.

linkedin مبانی هوش مصنوعی: یادگیری ماشین (2018) (Mitalearn-120153)

  • 1 hours 17 minutes
  • مبتدی
  • Release date: 25 July 2026
  • Author: Doug Rose
درباره این دوره:

یادگیری ماشینی یکی از پر جنب و جوش ترین زمینه ها در هوش مصنوعی است. الگوریتم‌های یادگیری ماشینی به رایانه‌ها اجازه می‌دهند تا چیزهای جدید را بدون برنامه‌نویسی یاد بگیرند. آنها از آمار به عنوان راهی برای درک بهتر حجم عظیم داده ای که ما هر روز ایجاد می کنیم استفاده می کنند. این الگوریتم های جدیدتر به ماشین ها کمک می کنند تا تصاویر، صداها و فیلم ها را طبقه بندی کنند. آنها می توانند به سؤالات ما پاسخ دهند، داروهای جدید کشف کنند، و حتی آهنگ بنویسند. در این دوره به بررسی تعریف و انواع یادگیری ماشینی می پردازیم: تحت نظارت، بدون نظارت و تقویتی. سپس می‌توانید نحوه استفاده از الگوریتم‌های محبوب مانند درخت‌های تصمیم، خوشه‌بندی و تحلیل رگرسیون را برای مشاهده الگوها در مجموعه داده‌های عظیم خود مشاهده کنید. در نهایت، هنگام شروع یادگیری ماشینی، می‌توانید در مورد برخی از مشکلات یاد بگیرید.

linkedin مبانی هوش مصنوعی: یادگیری ماشینی (Mitalearn-388600)

  • 1 hours 50 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Kesha Williams
درباره این دوره:

یادگیری ماشینی هیجان انگیزترین شاخه هوش مصنوعی است. این به سیستم‌ها اجازه می‌دهد تا با شناسایی الگوها و تصمیم‌گیری بدون دخالت انسان، از داده‌ها بیاموزند. در این دوره، با تمرین عملی اولین مدل یادگیری ماشینی خود، چرخه زندگی یادگیری ماشینی را هدایت خواهید کرد. به مربی کشا ویلیامز بپیوندید تا روش‌های یادگیری ماشینی را مورد بررسی قرار دهد: تحت نظارت، بدون نظارت و تقویت. تمرکز روی منبع یابی و تهیه داده ها و انتخاب بهترین الگوریتم یادگیری برای پروژه شما وجود دارد. پس از آموزش یک مدل، ارزیابی عملکرد مدل را با استفاده از معیارهای استاندارد یاد بگیرید. در نهایت، کشا به شما نشان می‌دهد که چگونه فرآیند را با ایجاد خط لوله یادگیری ماشین ساده کنید. اگر به دنبال درک چرخه زندگی یادگیری ماشین و مراحل مورد نیاز برای ساخت سیستم هستید، این دوره را بررسی کنید.

linkedin مبانی یادگیری تقویتی (Mitalearn-198421)

  • 44 minutes
  • متوسط
  • Update date: 21 June 2026
  • Author: Khaulat Abdulhakeem
درباره این دوره:

نوآوری‌ها در امور مالی، بهداشت، رباتیک و بخش‌های مختلف دیگر با یادگیری تقویتی (RL) امکان‌پذیر شده‌اند که شامل آموزش ماشین‌ها برای یادگیری از محیطشان می‌شود. بسیاری از شرکت های برتر فناوری سرمایه گذاری زیادی در این زمینه انجام می دهند. در این دوره، مربی خلعت عبدالحکیم به شما کمک می کند تا اصول اولیه این مهارت نسبتا جدید، اما ارزشمند را بیاموزید. با اصطلاحات کلیدی مورد استفاده در RL، نحوه ایفای نقش اصلی RL در پیشرفت هوش مصنوعی و انواع مشکلاتی که می توانید از RL برای حل آنها استفاده کنید، آشنا شوید. Khaulat به شما نشان می دهد که چگونه مشکلات یادگیری تقویتی را تعریف و نشان دهید. او همچنین به الگوریتم‌های RL، از جمله مونت کارلو و روش‌های تفاوت زمانی می‌پردازد. به علاوه، او به بررسی RL عمیق و چند عاملی می‌پردازد، همچنین نحوه عملکرد یادگیری معکوس و چگونگی کمک به عوامل یادگیری با تقلید را بررسی می‌کند.

linkedin مدلسازی پیشگویانه پیشرفته: تسلط بر گروه ها و متامدلینگ (Mitalearn-158131)

  • 1 hours 10 minutes
  • پیشرفته
  • Release date: 22 June 2026
  • Author: Keith McCormick
درباره این دوره:

گروه‌ها شامل گروه‌هایی از مدل‌ها هستند که با هم کار می‌کنند تا پیش‌بینی‌های دقیق‌تری انجام دهند. هنگام ایجاد راه‌حل‌های مستقر کامل، دانشمندان داده همچنین ممکن است از انتقال داده‌ها از یک مدل به مدل دیگر یا استفاده از مدل‌های ترکیبی استفاده کنند - همچنین به عنوان متامدلینگ نیز شناخته می‌شود. این تکنیک‌ها در میان برندگان مسابقات مدل‌سازی مانند Kaggle و همچنین تیم‌های پیشرو علم داده در سراسر جهان غالب هستند. در این دوره پیشرفته، می توانید یاد بگیرید که چگونه مجموعه ها و متامدلینگ را به مجموعه ابزار خود اضافه کنید. مربی Keith McCormick یک مقدمه مفهومی ارائه می دهد که می تواند در هر برنامه ای اعمال شود: R، Python، SPSS، یا SAS. او ضروری ترین الگوریتم های مجموعه را معرفی می کند و اصول متامدلینگ را توضیح می دهد. به‌علاوه، دو مطالعه موردی را مرور کنید که نشان می‌دهد چگونه مجموعه‌های تحت نظارت و بدون نظارت و نحوه مسیریابی زیرجمعیت‌های داده‌ها به مدل‌های مختلف در یک سناریوی فرامدل‌سازی را نشان می‌دهد.

linkedin هوش مصنوعی کاربردی: شروع به کار با ترانسفورماتورهای بغل کردن صورت (Mitalearn-277760)

  • 1 hours 14 minutes
  • مناسب همه
  • Update date: 21 August 2025
  • Author: Kumaran Ponnambalam
درباره این دوره: 

 

استفاده از ترانسفورماتورهای از پیش آموزش دیده برای پردازش زبان طبیعی (NLP) در بین مهندسان ML و دانشمندان داده بسیار محبوب شده است. اگر در این زمینه کار می کنید، یا حتی نقشی در مجاورت آن دارید، باید با جدیدترین ابزارهای نوآورانه همگام باشید. در این دوره، مربی کوماران پونامبالام به شما نشان می‌دهد که چگونه با استفاده از مخزن ترانسفورماتورهای از پیش آموزش‌دیده موجود در پلتفرم Hugging Face، مهارت‌های هوش مصنوعی خود را به سطح بعدی ارتقا دهید.

استراتژی‌هایی را برای استفاده از ترانسفورماتورها برای موارد استفاده مختلف برای حل کردن کاوش کنید. مشکلات پیچیده و ارائه نتایج ثابت و به موقع. Kumaran به شما نشان می‌دهد که چگونه دو مورد ساده NLP را پیاده‌سازی کنید - تجزیه و تحلیل احساسات و شناسایی موجودیت نام‌گذاری شده - با استفاده از ترانسفورماتورهای از قبل آموزش‌دیده شده از Hugging Face و سفارشی کردن آنها در حین حرکت. پس از تکمیل این دوره، شما آماده خواهید بود که مهارت های هوش مصنوعی جدید خود را در پروژه هایی در نقش فعلی یا آینده خود به کار ببرید.


linkedin هوش مصنوعی مولد در مقابل هوش مصنوعی سنتی (Mitalearn-387937)

  • 1 hours 17 minutes
  • مناسب همه
  • Update date: 16 May 2025
  • Author: Doug Rose
درباره این دوره: 

 هوش مصنوعی مولد یک موضوع داغ است که با انبوهی از مسائل حقوقی، اخلاقی و فناوری جدید پر شده است. توسعه هوش مصنوعی مولد ممکن است ناگهانی به نظر برسد، اما هنوز بر اساس دهه‌ها مفاهیم و شیوه‌های هوش مصنوعی پیش‌بینی‌کننده سنتی ساخته شده است. داگ رز در این دوره به تفاوت‌های بین هوش مصنوعی سنتی و مولد می‌پردازد. مفاهیم سنتی مانند شبکه‌های یادگیری عمیق تحت نظارت و بدون نظارت، الهام‌بخش مفاهیم جدید AI مولد مانند یادگیری خود نظارتی، مدل‌های پایه، مدل‌های انتشار و شبکه‌های متخاصم مولد هستند. برای درک اینکه یک فناوری به کجا می رود، مهم است که داستان آن را بدانید. این ابزارهای مولد هوش مصنوعی یک جهش بزرگ هستند، اما هنوز فصل دیگری از داستان هیجان انگیز هوش مصنوعی هستند.

linkedin یادگیری بستر آمازون (Mitalearn-425575)

  • 1 hours 53 minutes
  • مناسب همه
  • Release date: 19 March 2024
  • Author: Lee Assam
درباره این دوره: 

 در این دوره ، تکنسین اصلی ابر ، لی آسام شما را با آمازون Bedrock آشنا می کند و درک بنیادی از AI تولیدی و نحوه استفاده از مدل های پایه (FMS) را می توان برای حل مشکلاتی مانند خلاصه متن ، جستجوی معنایی/مکالمه و تولید محتوا ارائه داد. با استفاده از کتابخانه هایی مانند Python Boto3 ، Langchain و Streamlit ، می توانید نحوه ساخت برنامه های AI مولد را ایجاد کنید که از مدل های بزرگ زبان (LLMS) با استفاده از API بدون مدیریت زیرساخت استفاده می کنند. FMS از پیش ساخته موجود در Bedrock Amazon و ویژگی هایی را که آمازون Bedrock ارائه می دهد ، کاوش کنید. به علاوه ، آنچه را که یاد می گیرید هنگام ساختن یک برنامه اصلی Gen AI با استفاده از Amazon Bedrock برای نشان دادن قابلیت های آن ، تمرین کنید.

Suggestions