Course catalog

Course duration

Course provider

Topic

Categories

Showing 21-40 of 49 items.

coursera ساختار پروژه های یادگیری ماشینی (Mitalearn-212939)

  • 3 hours 51 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Andrew Ng,Younes Bensouda Mourri,Kian Katanforoosh
درباره این دوره:

در دوره سوم تخصص یادگیری عمیق، یاد خواهید گرفت که چگونه یک پروژه یادگیری ماشینی موفق بسازید و به عنوان رهبر پروژه یادگیری ماشین تصمیم گیری را تمرین کنید. در پایان، شما قادر خواهید بود خطاها را در سیستم یادگیری ماشینی تشخیص دهید. اولویت بندی استراتژی ها برای کاهش خطاها؛ تنظیمات پیچیده ML را درک کنید، مانند مجموعه‌های آموزشی/آزمون ناهماهنگ، و مقایسه و/یا پیشی گرفتن از عملکرد در سطح انسانی. و یادگیری سرتاسر، انتقال یادگیری و یادگیری چند وظیفه ای را اعمال کنید. این همچنین یک دوره مستقل برای زبان آموزانی است که دانش اولیه یادگیری ماشین را دارند. این دوره از تجربه Andrew Ng در ساخت و ارسال بسیاری از محصولات یادگیری عمیق استفاده می کند. اگر می‌خواهید به یک رهبر فنی تبدیل شوید که می‌تواند مسیر یک تیم هوش مصنوعی را تعیین کند، این دوره «تجربه صنعت» را ارائه می‌دهد که در غیر این صورت ممکن است تنها پس از سال‌ها تجربه کاری ML به دست آورید. تخصص یادگیری عمیق برنامه اساسی ما است که به شما کمک می کند قابلیت ها، چالش ها و پیامدهای یادگیری عمیق را درک کنید و شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده کند. این مسیری را برای شما فراهم می کند تا دانش و مهارت هایی را به دست آورید تا از یادگیری ماشینی در کار خود استفاده کنید، حرفه فنی خود را ارتقا دهید و گامی قطعی در دنیای هوش مصنوعی بردارید.

coursera سفارشی کردن مدل های خود با TensorFlow 2 (Mitalearn-330953)

  • 5 hours 38 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Dr Kevin Webster
درباره این دوره:

به این دوره سفارشی سازی مدل های خود با TensorFlow 2 خوش آمدید! در این دوره، دانش و مهارت‌های خود را با TensorFlow تعمیق می‌دهید تا مدل‌های یادگیری عمیق و گردش کار کاملاً سفارشی‌سازی شده را برای هر برنامه کاربردی ایجاد کنید. شما از API های سطح پایین تر در TensorFlow برای توسعه معماری های مدل پیچیده، لایه های کاملا سفارشی شده و گردش کار داده های انعطاف پذیر استفاده خواهید کرد. همچنین دانش خود را در مورد APIهای TensorFlow گسترش می‌دهید تا مدل‌های توالی را نیز شامل شود. 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 می آورید، جایی که یک مدل ترجمه عصبی سفارشی را از ابتدا توسعه می دهید. TensorFlow یک کتابخانه ماشینی منبع باز است و یکی از پرکاربردترین فریم ورک ها برای یادگیری عمیق است. انتشار TensorFlow 2 با تمرکز اصلی بر سهولت استفاده برای همه کاربران، از سطح مبتدی تا پیشرفته، یک تغییر مرحله‌ای را در توسعه محصول نشان می‌دهد. این دوره مستقیماً از دوره قبلی شروع به کار با TensorFlow 2 پیروی می کند. دانش پیش نیاز اضافی مورد نیاز برای موفقیت در این دوره، تسلط بر زبان برنامه نویسی پایتون (این دوره از پایتون 3 استفاده می کند)، دانش مفاهیم کلی یادگیری ماشین است. (مانند تطبیق بیش از حد/کمتر، وظایف یادگیری تحت نظارت، اعتبارسنجی، منظم‌سازی و انتخاب مدل)، و دانش کاری در زمینه یادگیری عمیق، از جمله معماری‌های مدل معمولی (MLP، CNN، RNN، ResNet) و مفاهیمی مانند یادگیری انتقالی ، افزایش داده ها و جاسازی کلمات.

coursera شبکه های عصبی کانولوشنال (Mitalearn-212956)

  • 7 hours 32 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Andrew Ng,Kian Katanforoosh,Younes Bensouda Mourri
درباره این دوره:

در چهارمین دوره تخصصی یادگیری عمیق، نحوه تکامل بینایی کامپیوتر را خواهید فهمید و با کاربردهای هیجان انگیز آن مانند رانندگی خودکار، تشخیص چهره، خواندن تصاویر رادیولوژی و غیره آشنا خواهید شد. در پایان، شما قادر خواهید بود یک شبکه عصبی کانولوشنال، از جمله تغییرات اخیر مانند شبکه های باقیمانده بسازید. استفاده از شبکه های کانولوشن برای کارهای تشخیص و شناسایی بصری؛ و از انتقال سبک عصبی برای تولید هنر و اعمال این الگوریتم ها بر روی انواع تصاویر، ویدئوها و سایر داده های دو بعدی یا سه بعدی استفاده کنید. تخصص یادگیری عمیق برنامه اساسی ما است که به شما کمک می کند قابلیت ها، چالش ها و پیامدهای یادگیری عمیق را درک کنید و شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده کند. این مسیری را برای شما فراهم می کند تا دانش و مهارت هایی را به دست آورید تا از یادگیری ماشینی در کار خود استفاده کنید، حرفه فنی خود را ارتقا دهید و گامی قطعی در دنیای هوش مصنوعی بردارید.

coursera شبکه های عصبی و یادگیری عمیق (Mitalearn-212905)

  • 6 hours 48 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Andrew Ng,Kian Katanforoosh,Younes Bensouda Mourri
درباره این دوره:

در اولین دوره از تخصص یادگیری عمیق، مفهوم بنیادی شبکه های عصبی و یادگیری عمیق را مطالعه خواهید کرد. در پایان، شما با روندهای فن آوری قابل توجهی که باعث افزایش یادگیری عمیق می شود آشنا خواهید شد. شبکه های عصبی عمیق کاملا متصل را بسازید، آموزش دهید، و اعمال کنید. پیاده سازی شبکه های عصبی کارآمد (بردار)؛ شناسایی پارامترهای کلیدی در معماری شبکه عصبی؛ و یادگیری عمیق را در برنامه های خود اعمال کنید. تخصص یادگیری عمیق برنامه اساسی ما است که به شما کمک می کند قابلیت ها، چالش ها و پیامدهای یادگیری عمیق را درک کنید و شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده کند. این مسیری را برای شما فراهم می کند تا دانش و مهارت هایی را به دست آورید تا از یادگیری ماشینی در کار خود استفاده کنید، حرفه فنی خود را ارتقا دهید و گامی قطعی در دنیای هوش مصنوعی بردارید.

coursera علم داده چیست؟ (Mitalearn-327842)

  • 3 hours 34 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Rav Ahuja,Alex Aklson
درباره این دوره:

آیا می خواهید بدانید چرا علم داده به عنوان جذاب ترین حرفه قرن بیست و یکم شناخته شده است؟ پس از گذراندن این دوره، شما قادر خواهید بود به این سوال پاسخ دهید، بفهمید علم داده چیست و دانشمندان داده چه می کنند و در مورد مسیرهای شغلی در این زمینه بیاموزید. هنر کشف بینش ها و روندها در داده ها از زمان های قدیم وجود داشته است. مصریان باستان از داده های سرشماری برای افزایش کارایی در جمع آوری مالیات استفاده می کردند و سیل رودخانه نیل را هر ساله به طور دقیق پیش بینی می کردند. از آن زمان، مردم به استفاده از داده ها برای استخراج بینش و پیش بینی نتایج ادامه دادند. اخیراً آنها زمینه ای منحصر به فرد و متمایز را برای کاری که انجام می دهند ایجاد کرده اند. این رشته علم داده است. در دنیای امروز، ما از علم داده برای یافتن الگوها در داده ها و نتیجه گیری و پیش بینی های معنادار و مبتنی بر داده استفاده می کنیم. این دوره برای همه است و مفاهیمی مانند نحوه استفاده دانشمندان داده از یادگیری ماشینی و یادگیری عمیق و نحوه استفاده شرکت ها از علم داده در تجارت را آموزش می دهد. شما با چندین دانشمند داده ملاقات خواهید کرد که بینش و تجربیات خود را در علم داده به اشتراک خواهند گذاشت. با گذراندن این دوره مقدماتی، سفر خود را به این رشته پر رونق آغاز خواهید کرد.

linkedin مبانی یادگیری عمیق: پردازش زبان طبیعی با TensorFlow (Mitalearn-220572)

  • 1 hours 47 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Harshit Tyagi
درباره این دوره:

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.

coursera مبانی یادگیری ماشین: رویکرد مطالعه موردی (Mitalearn-334489)

  • 8 hours 39 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Emily Fox,Carlos Guestrin
درباره این دوره:

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.

linkedin مقدمه ای بر AWS DeepLens (Mitalearn-190941)

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

AWS DeepLens اولین دوربین فیلمبرداری با قابلیت یادگیری عمیق در جهان برای توسعه دهندگان است. در این دوره عملی، مربی جاناتان فرناندز به شما کمک می کند تا با این ابزار جدید هیجان انگیز شروع کنید. جاناتان این دوره را با آشنایی شما با نحوه عملکرد DeepLens، نحوه تنظیم آن و نحوه عیب یابی مشکلات رایج آغاز می کند. سپس، او شما را از طریق انواع پروژه های موجود با DeepLens، از جمله پروژه هایی که با تشخیص اشیا سروکار دارند، راهنمایی می کند. برای جمع بندی، جاناتان یک نمای کلی از پروژه های آینده ارائه می دهد که می توانید در نظر بگیرید.

coursera مقدمه ای بر بینایی کامپیوتری و پردازش تصویر (Mitalearn-326550)

  • 2 hours 3 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Aije Egwaikhide,Joseph Santarcangelo
درباره این دوره:

Computer Vision یکی از هیجان انگیزترین زمینه ها در یادگیری ماشینی و هوش مصنوعی است. در بسیاری از صنایع مانند اتومبیل های خودران، روباتیک، واقعیت افزوده و بسیاری موارد دیگر کاربرد دارد. در این دوره آموزشی مبتدی، بینایی کامپیوتر را درک خواهید کرد و با کاربردهای مختلف آن در بسیاری از صنایع آشنا خواهید شد. به عنوان بخشی از این دوره، شما از Python، Pillow و OpenCV برای پردازش اولیه تصویر و انجام طبقه بندی تصویر و تشخیص اشیا استفاده خواهید کرد. این یک دوره عملی است و شامل چندین آزمایشگاه و تمرین است. آزمایشگاه‌ها آزمایشگاه‌های Jupyter و Computer Vision Learning Studio (CV Studio) را که یک ابزار آموزشی رایگان برای بینایی کامپیوتر است، ترکیب می‌کنند. CV Studio به شما امکان آپلود، آموزش و آزمایش مدل‌های تشخیص و طبقه‌بندی تصویر سفارشی خود را می‌دهد. در پایان دوره، برنامه وب بینایی کامپیوتر خود را ایجاد کرده و آن را در Cloud مستقر خواهید کرد. این دوره نیازی به تجربه قبلی در زمینه یادگیری ماشین یا کامپیوتر ندارد. با این حال، دانش کمی از زبان برنامه نویسی پایتون و ریاضی دبیرستان ضروری است.

coursera مقدمه ای بر توزیع اینتل از جعبه ابزار OpenVINO™ برای برنامه های کاربردی بینایی کامپیوتری (Mitalearn-307170)

  • 54 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Vu Q Nguyen
درباره این دوره:

به مقدمه اینتل توزیع بسته ابزار OpenVINO™ برای دوره برنامه های کاربردی بینایی کامپیوتر خوش آمدید! این دوره دسترسی آسان به مفاهیم بنیادی Intel Distribution of OpenVINO را فراهم می کند. در طول این دوره، شما با دموهایی آشنا می شوید که قابلیت های این جعبه ابزار را به نمایش می گذارد. با مهارت‌هایی که از این دوره کسب می‌کنید، می‌توانید ارزش ابزارها و ابزارهای ارائه شده در جعبه ابزار OpenVINO توزیع اینتل، مانند دانلودکننده مدل، بهینه‌ساز مدل و موتور استنتاج را توصیف کنید. این کلاس برای چه کسانی است: این دوره برای زبان آموزانی در نظر گرفته شده است که تجربه قبلی در زمینه بینایی کامپیوتر ندارند، اگرچه دانش قبلی مفید است. این دوره برای هر کسی که علاقه مند به یادگیری بیشتر در مورد مفاهیم اصلی برنامه های بینایی کامپیوتر و کیت ابزار توزیع اینتل OpenVINO است ایده آل است. حجم کار تخمینی: باید انتظار داشته باشید که حدود 3 ساعت برای تکمیل این دوره اختصاص دهید. پیش نیازهای زبان آموز: هیچ دانش قبلی از بینایی کامپیوتر لازم نیست، اگرچه تجربه قبلی مفید است.

coursera مقدمه ای بر یادگیری عمیق (Mitalearn-330749)

  • 6 hours 22 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Geena Kim
درباره این دوره:

یادگیری عمیق تکنیکی است که برای بسیاری از کاربردها، از پردازش زبان طبیعی گرفته تا زیست پزشکی، مورد استفاده قرار می گیرد. یادگیری عمیق می تواند انواع مختلفی از داده ها مانند تصاویر، متون، صدا/صدا، نمودارها و غیره را مدیریت کند. این دوره اصول اولیه DL از جمله نحوه ساخت و آموزش پرسپترون چندلایه، شبکه های عصبی کانولوشن (CNN)، شبکه های عصبی تکراری (RNN)، رمزگذارهای خودکار (AE) و شبکه های متخاصم مولد (GAN) را پوشش می دهد. این دوره شامل چندین پروژه عملی، از جمله تشخیص سرطان با CNN، RNN در توییت‌های بلایا، و تولید تصاویر سگ با GAN است. دانش کدنویسی یا برنامه نویسی قبلی مورد نیاز است. ما در طول دوره به طور گسترده از پایتون استفاده خواهیم کرد. توصیه می کنیم دو دوره قبلی در زمینه تخصصی، مقدمه یادگیری ماشین: یادگیری نظارت شده و الگوریتم های بدون نظارت در یادگیری ماشین را بگذرانید، اما نیازی به آنها نیست. مهارت های ریاضی در سطح دانشگاه، از جمله حساب دیفرانسیل و انتگرال و جبر خطی، مورد نیاز است. برخی از بخش های کلاس نسبتا فشرده ریاضی خواهد بود. 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 تصویر لوگوی دوره توسط رایان والاس در Unsplash.

linkedin مقدمه ای بر یادگیری عمیق با OpenCV (Mitalearn-185263)

  • 49 minutes
  • مبتدی
  • Release date: 21 June 2026
  • Author: Jonathan Fernandes
درباره این دوره:

یادگیری عمیق شاخه ای نسبتاً جدید و بسیار محبوب از هوش مصنوعی (AI) است که الگوها و بینش ها را در داده ها، از جمله تصاویر و ویدیوها، پیدا می کند. لایه بندی و انتزاع آن به مدل های یادگیری عمیق توانایی هایی تقریباً شبیه انسان می دهد - از جمله تشخیص تصویر پیشرفته. با استفاده از OpenCV - یک نرم‌افزار بینایی کامپیوتری که به طور گسترده مورد استفاده قرار گرفته است - می‌توانید مدل‌های یادگیری عمیق آموزش‌دیده قبلی را روی سخت‌افزار ارزان‌قیمت اجرا کنید و بینش‌های قدرتمندی را از تصاویر دیجیتال و ویدیو ایجاد کنید. در این دوره آموزشی، استاد جاناتان فرناندز با استفاده از ماژول OpenCV شبکه های عصبی عمیق (dnn) شما را با دنیای یادگیری عمیق از طریق استنتاج آشنا می کند. می توانید یک نمای کلی از مفاهیم و معماری یادگیری عمیق داشته باشید و سپس نحوه مشاهده و بارگذاری تصاویر و ویدیوها را با استفاده از OpenCV و Python کشف کنید. جاناتان همچنین نشان می‌دهد که چگونه می‌توان برای تصاویر و ویدیوها طبقه‌بندی کرد، از حباب‌ها (معادل تانسورها در سایر چارچوب‌ها) استفاده کرد و از YOLOv3 برای تشخیص شی سفارشی استفاده کرد.

coursera مقدمه ای بر یادگیری عمیق و شبکه های عصبی با Keras (Mitalearn-330035)

  • 1 hours 13 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Alex Aklson
درباره این دوره:

به دنبال شروع حرفه ای در یادگیری عمیق هستید؟ دیگر نگاه نکنید. این دوره شما را با زمینه یادگیری عمیق آشنا می کند و به شما کمک می کند به بسیاری از سوالاتی که امروزه مردم می پرسند پاسخ دهید، مانند یادگیری عمیق چیست و مدل های یادگیری عمیق چگونه با شبکه های عصبی مصنوعی مقایسه می شوند؟ شما با مدل های مختلف یادگیری عمیق آشنا خواهید شد و اولین مدل یادگیری عمیق خود را با استفاده از کتابخانه Keras خواهید ساخت. پس از اتمام این دوره، فراگیران قادر خواهند بود: • توضیح دهید که شبکه عصبی چیست، مدل یادگیری عمیق چیست و تفاوت بین آنها چیست. • درکی از مدل های یادگیری عمیق بدون نظارت مانند رمزگذارهای خودکار و ماشین های محدود بولتزمن نشان دهید. • نشان دادن درک درستی از مدل های یادگیری عمیق تحت نظارت مانند شبکه های عصبی کانولوشن و شبکه های تکراری. • با استفاده از کتابخانه Keras، مدل ها و شبکه های یادگیری عمیق بسازید.

coursera مقدمه ای بر یادگیری ماشین در AWS (Mitalearn-319427)

  • 1 hours 27 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Russell Sayers
درباره این دوره:

در این دوره، ما با برخی از خدمات شروع می کنیم که مدل آموزشی و استنتاج خام توسط آمازون برای شما انجام می شود. ما خدماتی را پوشش خواهیم داد که کارهای سنگین بینایی کامپیوتر، استخراج و تجزیه و تحلیل داده ها، پردازش زبان، تشخیص گفتار، ترجمه، آموزش مدل ML و عوامل مجازی را انجام می دهند. شما به راه حل های فعلی خود فکر خواهید کرد و خواهید دید که کجا می توانید این راه حل ها را با استفاده از هوش مصنوعی، ML یا یادگیری عمیق بهبود بخشید. همه این راه حل ها می توانند با برنامه های فعلی شما کار کنند تا در تجربه کاربری یا نیازهای تجاری برنامه شما پیشرفت هایی ایجاد کنند.

coursera مقدمه ای بر یادگیری ماشینی (Mitalearn-332313)

  • 10 hours 24 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Lawrence Carin ,David Carlson,Timothy Dunn
درباره این دوره:

این دوره یک درک اساسی از مدل های یادگیری ماشین (رگرسیون لجستیک، پرسپترون های چندلایه، شبکه های عصبی کانولوشن، پردازش زبان طبیعی و غیره) ارائه می دهد و نشان می دهد که چگونه می توانند مشکلات پیچیده در صنایع مختلف، از تشخیص پزشکی گرفته تا تشخیص تصویر تا پیش بینی متن را حل کنند. از طریق تمرین‌های عملی، این مدل‌های علم داده را بر روی مجموعه داده‌ها پیاده‌سازی خواهید کرد و در الگوریتم‌های یادگیری ماشین با PyTorch که توسط شرکت‌های فناوری پیشرو مانند Google و NVIDIA استفاده می‌شود، مهارت کسب خواهید کرد.

coursera مقدمه یادگیری ماشین برای همه (Mitalearn-328301)

  • 1 hours 23 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Aije Egwaikhide,Yasmine Hemmati
درباره این دوره:

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.

coursera هوش مصنوعی برای پیش آگهی پزشکی (Mitalearn-332415)

  • 2 hours 55 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Pranav Rajpurkar,Bora Uyumazturk
درباره این دوره:

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.

coursera هوش مصنوعی برای تشخیص پزشکی (Mitalearn-332228)

  • 1 hours 35 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Pranav Rajpurkar,Bora Uyumazturk,Amirhossein Kiani
درباره این دوره:

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.

coursera هوش مصنوعی کاربردی با DeepLearning (Mitalearn-336665)

  • 5 hours
  • 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 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.

Suggestions