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.

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.

تقاضای فزاینده ای برای استفاده از قدرت پردازش زبان طبیعی (NLP) و مدل های یادگیری عمیق وجود دارد تا بتوانیم داده های متنی را درک کنیم و مداخلات عاطفی انسان ها را برای تصمیم گیری بهتر کاهش دهیم. در این دوره، مدرس Harshit Tyagi یک راهنمای کامل برای درک NLP با استفاده از شبکه های عصبی بازگشتی (RNN) ارائه می دهد. Harshit با معرفی رمزگذاری کلمات و استفاده از TensorFlow برای توکن‌سازی شروع می‌کند. او مفهوم مهم جاسازی کلمات را توصیف می کند و به شما نشان می دهد که چگونه از TensorFlow برای طبقه بندی نقدهای فیلم و بردار پروژه استفاده کنید. Harshit RNN ها و حافظه کوتاه مدت بلند مدت (LSTM) را مورد بحث قرار می دهد، سپس به شما نشان می دهد که چگونه طبقه بندی بررسی فیلم را از قبل در دوره بهبود دهید. او با بحث در مورد اینکه چگونه می توانید RNN ها را برای پیش بینی کلمه بعدی در یک جمله آموزش دهید، به پایان می رسد، که به نوبه خود به شما امکان می دهد متن اصلی را ایجاد کنید.

در این دوره، شما: الف) مفاهیم اساسی یادگیری ماشین را درک کنید. ب) یک روش مبتنی بر حافظه معمولی، روش K نزدیکترین همسایه را درک کنید. ج) رگرسیون خطی را درک کنید. د) تجزیه و تحلیل مدل را درک کنید. لطفاً مطمئن شوید که برنامه نویسی در پایتون راحت هستید و دانش پایه ای از ریاضیات از جمله ضرب ماتریس و احتمال شرطی دارید.

این دوره به شما می آموزد که چگونه از قدرت پایتون برای درک مجموعه داده های زنجیره تامین پیچیده استفاده کنید. حتی اگر با اصول زنجیره تامین آشنا نباشید، مجموعه داده های غنی که به عنوان بوم از آنها استفاده خواهیم کرد به شما کمک می کند تا با چندین ابزار پایتونیک و بهترین شیوه ها برای تجزیه و تحلیل داده های اکتشافی (EDA) آشنا شوید. به این ترتیب، اگرچه همه مجموعه داده‌ها برای متخصصان حرفه‌ای زنجیره تامین طراحی شده‌اند، درس‌ها به راحتی به موارد استفاده دیگر قابل تعمیم هستند.

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.

 

اگر با مدل‌های یادگیری ماشین کار می‌کنید، احتمالاً می‌دانید که مدل‌های شما بر اساس تخمین و تقریب هستند. احتمال همه چیز و بیشتر است — اما چگونه از آن به نفع خود استفاده می کنید؟

در این دوره، سومین قسمت از مجموعه مبانی یادگیری ماشین، به مربی Terezija Semenski برای کاوش عمیق احتمالات بپیوندید. مفاهیم و عملکردهای اصلی آن و نحوه استفاده از آن برای طراحی، پیاده سازی و مدیریت الگوریتم های یادگیری ماشینی قابل اعتمادتر. در طول مسیر، برخی از ضروری‌ترین ابزارها و تکنیک‌هایی را که برای مدل‌سازی احتمالی موفق، بیرون کشیدن از قوانین احتمال، احتمال مشترک و حاشیه‌ای، توزیع‌های احتمال گسسته، توزیع‌های احتمال پیوسته، قضیه بیز و غیره باید بدانید، کشف کنید. /p>

آیا داده ای دارید و نمی دانید چه چیزی می تواند به شما بگوید؟ آیا به درک عمیق تری از راه های اصلی که یادگیری ماشینی می تواند کسب و کار شما را بهبود بخشد نیاز دارید؟ آیا می خواهید بتوانید با متخصصان در مورد هر چیزی از رگرسیون و طبقه بندی گرفته تا یادگیری عمیق و سیستم های توصیه کننده صحبت کنید؟ در این دوره، از یک سری مطالعات موردی عملی، تجربه عملی در زمینه یادگیری ماشین کسب خواهید کرد. در پایان دوره اول، نحوه پیش بینی قیمت خانه بر اساس ویژگی های سطح خانه، تجزیه و تحلیل احساسات از نظرات کاربران، بازیابی اسناد مورد علاقه، توصیه محصولات و جستجوی تصاویر را مطالعه خواهید کرد. از طریق تمرین عملی با این موارد استفاده، می‌توانید روش‌های یادگیری ماشینی را در طیف گسترده‌ای از حوزه‌ها به کار ببرید. این اولین دوره، روش یادگیری ماشین را به عنوان یک جعبه سیاه در نظر می گیرد. با استفاده از این انتزاع، بر درک وظایف مورد علاقه، تطبیق این وظایف با ابزارهای یادگیری ماشین و ارزیابی کیفیت خروجی تمرکز خواهید کرد. در دوره های بعدی با بررسی مدل ها و الگوریتم ها به اجزای این جعبه سیاه می پردازید. این قطعات با هم خط لوله یادگیری ماشینی را تشکیل می دهند که از آن در توسعه برنامه های کاربردی هوشمند استفاده خواهید کرد. نتایج یادگیری: در پایان این دوره، شما قادر خواهید بود: - کاربردهای بالقوه یادگیری ماشین را در عمل شناسایی کنید. -تفاوت های اصلی در تحلیل های فعال شده با رگرسیون، طبقه بندی و خوشه بندی را شرح دهید. -وظیفه یادگیری ماشین مناسب را برای یک برنامه بالقوه انتخاب کنید. -استفاده از رگرسیون، طبقه بندی، خوشه بندی، بازیابی، سیستم های توصیه گر و یادگیری عمیق. -داده‌های خود را به‌عنوان ویژگی‌هایی نمایش دهید تا به عنوان ورودی مدل‌های یادگیری ماشینی استفاده شوند. -کیفیت مدل را از نظر معیارهای خطای مربوطه برای هر کار ارزیابی کنید. -از یک مجموعه داده برای تطبیق یک مدل برای تجزیه و تحلیل داده های جدید استفاده کنید. -یک اپلیکیشن سرتاسر بسازید که در هسته خود از یادگیری ماشینی استفاده می کند. -این تکنیک ها را در پایتون پیاده سازی کنید.

در دنیایی که تقریباً همه از داده‌ها برای اطلاع از روش‌های کسب‌وکار خود استفاده می‌کنند، اجماع در حال ظهور این است که باید بر اعتبارسنجی داده‌ها تأکید بیشتری شود. تأیید صحت نتایج حاصل از داده ها؛ و خطر نادرست بودن نتایج خود را به حداقل برسانید. اگرچه اکثر محققان می دانند متاآنالیز چیست، اما تعداد کمی از آنها می دانند که چگونه اندازه اثر را از معیارهای رایج مانند نسبت ریسک محاسبه کنند، یا اینکه چگونه تمایز بین اثرات ثابت و تصادفی می تواند متاآنالیزور را به بیراهه بکشاند. این دوره در سطح پیشرفته برای دست اندرکاران و محققان علوم داده و آمار، تفاوت های میانگین خام - به ویژه برای گروه های آزمایشی و مقایسه - و نحوه تبدیل معیارهای نتیجه مفید مانند ریسک نسبی و نسبت شانس را به معیارهای متناسب اندازه اثر پوشش می دهد. بعلاوه، در مورد نحوه ایجاد فواصل اطمینان برای معیارهای نتیجه باینری بیاموزید.

 جهان در چند سال اخیر بیش از هر زمان دیگری در بیست سال گذشته مجازی شده است. به نظر می رسد اکنون همه در مورد متاوره صحبت می کنند - اما در واقعیت به چه معناست؟ به مربی کریستوفر لافایت بپیوندید تا در این دوره آموزشی مناسب برای مبتدیان، غواصی عمیقی در متاورز داشته باشید، و دریابید که چیست، امروز چگونه به کار می رود، و در آینده چه چیزی را می توان انتظار داشت.

تاریخ، زمینه، و را کشف کنید. ظهور فراجهان به عنوان یک فضای مجازی تاثیرگذار. در مورد تعامل اخلاقی، عادلانه و ایمن با اینترنت و بسیاری از کاربران آن بیاموزید. دریابید که متاورس چه کاری می تواند برای آموزش، چرخه عمر توسعه محصول، تحویل و عرضه، و اقتصاد تجهیزات انجام دهد. پس از اتمام این دوره، درک بهتری از صنایعی که در دنیای وب 3 رشد خواهند کرد، خواهید داشت.

Autodesk 3ds Max دارای مجموعه ای قوی از ابزارهای انیمیشن است که می توان از آنها برای زنده کردن شخصیت ها، ماشین آلات و حتی محیط ها استفاده کرد. در این دوره با برخی از ابزارهای اساسی که می توان از آنها برای ساخت و کنترل انیمیشن ها استفاده کرد، آشنا شوید. برای اینکه این دوره تا حد ممکن کاربردی باشد، مربی برایان بردلی هر ابزار (یا مجموعه ای از ابزارها) را در یک تمرین عملی معرفی می کند که به شما کمک می کند ابزار را در عمل ببینید. او کار با کنترل‌کننده‌ها، ایجاد واکنش‌ها، استفاده از ضبط حرکت، کار با محدودیت‌ها و پارامترهای سیم و موارد دیگر را پوشش می‌دهد.

هنگامی که از قبل با متحرک سازی تصاویر و تصاویر کوچک، صحنه ها را برنامه ریزی می کنید، می توانید کیفیت انیمیشن خود را افزایش دهید و به صحنه های خود علاقه مند شوید. در این دوره، درموت او کانر تکنیک های آزمایش شده خود را برای انیمیشن سازی شکستگی ها و تصاویر کوچک به اشتراک می گذارد. درموت با مرور اصول اولیه شروع می‌کند، و سپس به بحث در مورد خرابی‌ها، از جمله چرخش‌ها و واکنش‌های اساسی می‌پردازد. او دوره را با پوشش مفاهیم اولیه، متوسط \u200b\u200bو پیشرفته به پایان می رساند.

با این نکات انیمیشن دوبعدی درموت او کانر، انیماتور دان بلوث و شرکت دیزنی، شخصیت های طبیعی تر و انعطاف پذیرتری بسازید. این دوره کوتاه و متمرکز، بهترین نکات درموت را برای شل کردن انیمیشن، از جمله تکنیک‌هایی مانند معکوس کردن، همپوشانی، و دنبال کردن، جمع‌آوری می‌کند. به علاوه، یاد بگیرید که چگونه اعضای بدن را بکشید و آنها را بر اساس الگوهای زمان بندی مختلف حرکت دهید تا از ظاهر محدود انیمیشن های تلویزیونی فرار کنید.

علاقه مند به زنده کردن نقشه های خطی خود هستید؟ با استفاده از ادوبی فتوشاپ، می‌توانید آثار هنری دست‌کش خود را به سرعت به انیمیشن‌های جذاب تبدیل کنید و از نرم‌افزارهای تخصصی پیچیده با منحنی‌های یادگیری پرهیز کنید. در این دوره آموزشی با درموت او کانر، انیماتور کهنه کار، نحوه استفاده از فتوشاپ برای حرکت دادن نقاشی های خود را بیاموزید. بیاموزید که چگونه کاراکترهای جذاب را با قلم‌های رسانه طراحی کنید، نقاشی‌های خشن خود را تمیز کنید و رنگ و جوهر اضافه کنید. سپس Dermot شما را به جدول زمانی که انیمیشن در آن رخ می دهد می برد و نحوه ترسیم کلیدها یا ژست های اصلی یک انیمیشن را نشان می دهد. خرابی ها و بین. او همچنین نشان می دهد که چگونه قوس ها را برای تعیین زمان و فاصله ترسیم کنیم. در نهایت، یاد بگیرید که چگونه زمان بندی انیمیشن نهایی را تنظیم کنید و نتایج را ارائه دهید. در پایان این دوره، شما می توانید از این نرم افزار محبوب برای زنده کردن آثار هنری خود استفاده کنید.

این دوره توسط Dermot O' Connor ایجاد شده است. ما خوشحالیم که این آموزش را در کتابخانه خود ارائه می دهیم.

اکنون که شخصیت های خود را تقلب کرده اید، وقت آن است که آنها را به حرکت درآورید. با شروع از جایی که مدل سازی یک شخصیت کارتونی در مایا متوقف شد، جورج ماستری پنج مرحله ساده برای ایجاد انیمیشن کارتونی اغراق آمیز در مایا را آموزش می دهد. با استفاده از ریگ توسعه یافته در دوره قبلی، او نحوه متحرک کردن پیاده روی، ایجاد پرش، متحرک سازی تغییرات در حالت و حالت صورت، متحرک سازی یک "زیپ بیرون" یا خروج سریع را نشان می دهد و سپس نحوه نهایی کردن و رندر کردن پروژه کامل را نشان می دهد. . در طول دوره، جورج اصول انیمیشن مانند اسکواش و کشش، اغراق، دنباله رو و اکشن همپوشانی را لمس می کند.

بیاموزید که چگونه با استفاده از Adobe XD و Adobe Animate، حرکت و انیمیشن جذاب در طرح های تبلیغات دیجیتال خود ایجاد کنید. کارشناس جوزف لابرک شما را گام به گام از طراحی اولیه تا نمونه اولیه و تبلیغات کاری راهنمایی می کند. با نحوه طراحی یک چیدمان اولیه با تصاویر وارد شده و ابزارهای داخلی در XD آشنا شوید. نحوه بازتولید و اصلاح طرح آرتبورد را در فضای کاری XD Prototype کشف کنید و دارایی ها و مشخصات خود را برای تکمیل طرح بندی به Animate ارسال کنید. در Animate، جوزف نشان می‌دهد که چگونه می‌توان عناصر پروژه را متحرک کرد و تعاملی مانند دکمه فراخوانی را با جاوا اسکریپت و Actions Wizard اضافه کرد. در نهایت، یاد بگیرید که چگونه آگهی کامل خود را از Animate به عنوان یک GIF متحرک صادر کنید، قالبی که اکثر شبکه های تبلیغاتی بزرگ آن را پذیرفته اند.

ارائه یک منظره متحرک فوتورئالیستی با VUE امکان پذیر است، یک برنامه قدرتمند برای ایجاد محیط های طبیعی تولید شده توسط کامپیوتر که برای جلوه های بصری، انیمیشن، تجسم معماری و تصویرسازی لازم است. در این دوره، Aaron F. Ross گردش کار VUE را برای طبیعت دیجیتال، از جمله قابلیت همکاری با سایر برنامه های سه بعدی، مجسمه سازی زمین، پر کردن صحنه با گیاهان، نور روز و اتمسفر، توابع پیچیده مواد، انیمیشن فریم کلیدی، و رندر تولید را نشان می دهد.rn این دوره شامل افزودن انیمیشن به گیاهان، آب و ابرها با اثرات باد رویه ای است. آرون همچنین نحوه ایجاد حرکت دوربین را با استفاده از ابزارهای بصری Timeline از جمله انیمیشن و ویرایش منحنی نشان می دهد. رندر کردن بسیاری از فریم‌های انیمیشن چالش‌هایی را ایجاد می‌کند که در رندر تصویر ثابت تجربه نشده‌اند، و بنابراین این دوره با استراتژی‌های کلیدی برای بهینه‌سازی تعادل بین کیفیت تصویر و زمان رندر به پایان می‌رسد.

 ابزارهای تولیدی AI مانند Midjourney ، Dall-E و Firefly امکان ایجاد تصاویر شگفت انگیز از همه نوع را فراهم می کنند. اما آنها این تصاویر را در حال حرکت نیستند. در این دوره ، مربی و طراح حرکت Eran Stern به شما نشان می دهد که چگونه می توانید با استفاده از ابزارهای مختلف از جمله Adobe Photoshop و After Effects ، انیمیشن را به تصاویر تولید شده AI اضافه کنید. فرایند تولید تصویر را مرور کنید ، سپس یاد بگیرید که چگونه یک تصویر برای انیمیشن تهیه کنید و آن را تحریک کنید. به علاوه ، به روند تبدیل یک تصویر هوش مصنوعی به یک صحنه سه بعدی که می توانید آن را تحریک کنید ، شیرجه بزنید. یک چالش دستی به شما کمک می کند آنچه را که در این دوره می آموزید تمرین کنید.

 

هوش مصنوعی در حال تبدیل محاسبات ابری است. آیا شما آماده تغییر با آن هستید؟ بیاموزید که قدرت هوش مصنوعی را در استراتژی ابر خود - برای مدیریت زیرساخت ها و همچنین توسعه برنامه قرار دهید. با مربی Ziggy Zulueta ، یک شیرجه عمیق را در موارد استفاده در دنیای واقعی قرار دهید زیرا او نشان می دهد که چگونه می تواند از هوش مصنوعی برای مهندسی سریع ، نکات مربوط به بهره وری ، ملاحظات امنیتی و AI مسئول استفاده کند ، ضمن اینکه خدمات و ابزارهای کلیدی را نیز بررسی می کند تا از سه سیستم عامل ابر پیشرو آگاه باشد.

شما همچنین روند آینده در هوش مصنوعی را بررسی خواهید کرد تا به شما در به روز ماندن در یک منظره مداوم در حال تغییر کمک کند.