Course catalog

Course duration

Course provider

Topic

Categories

Showing 201-220 of 382 items.

coursera علم داده رایگان کد (Mitalearn-328420)

  • 3 hours 2 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Natasha Balac, Ph.D.
درباره این دوره:

کلاس Code Free Data Science برای زبان آموزانی طراحی شده است که به دنبال کسب یا گسترش دانش خود در زمینه علم داده هستند. شرکت‌کنندگان آموزش‌های پایه را در مورد رویکردهای تحلیلی پیش‌بینی‌کننده مؤثر همراه با رشته رو به رشد علم داده بدون هیچ گونه نیاز برنامه‌نویسی دریافت خواهند کرد. روش‌های یادگیری ماشین با استفاده از پلتفرم KNIME Analytics برای کشف الگوها و روابط در داده‌ها ارائه می‌شوند. پیش بینی روندها و رفتارهای آینده امکان تصمیم گیری های پیشگیرانه و مبتنی بر داده را فراهم می کند. در طول کلاس، فراگیران مهارت های جدیدی برای اعمال الگوریتم های پیش بینی بر داده های واقعی، ارزیابی، اعتبارسنجی و تفسیر نتایج بدون هیچ پیش نیازی برای هر نوع برنامه نویسی به دست خواهند آورد. شرکت کنندگان مهارت های ضروری برای طراحی، ساخت، تأیید و آزمایش مدل های پیش بینی را به دست خواهند آورد. شما یاد خواهید گرفت • نحوه طراحی گردش کار علم داده بدون نیاز به برنامه نویسی • مهارت های ضروری علوم داده برای طراحی، ساخت، آزمایش و ارزیابی مدل های پیش بینی • روش های دستکاری، آماده سازی و طبقه بندی و خوشه بندی داده ها • روش های اعمال الگوریتم های علم داده بر داده های واقعی و ارزیابی و تفسیر نتایج

coursera علم داده کاربردی برای تحلیلگران داده (Mitalearn-330868)

  • 4 hours 47 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Kevin Coyle
درباره این دوره:

در این دوره، مهارت های علم داده خود را در حین حل مشکلات دنیای واقعی توسعه خواهید داد. شما از طریق فرآیند علم داده کار خواهید کرد و از یادگیری بدون نظارت برای کاوش داده ها، مهندسی و انتخاب ویژگی های معنادار، و حل مشکلات یادگیری نظارت شده پیچیده با استفاده از مدل های درختی استفاده خواهید کرد. شما همچنین یاد خواهید گرفت که برای بهبود عملکرد مدل، از تنظیم هایپرپارامتر و استراتژی های اعتبار سنجی متقابل استفاده کنید. توجه: این سومین و آخرین دوره در رشته تخصصی Data Science with Databricks for Data Analysts Coursera است. برای موفقیت در این دوره، ما به شدت توصیه می کنیم قبل از گذراندن این دوره، دو دوره اول در آن تخصص را بگذرانید. این دوره ها عبارتند از: Apache Spark for Data Analysts و Data Science Fundamentals for Data Analysts.

coursera عملیات یادگیری ماشین (MLOps): شروع به کار (Mitalearn-332942)

  • 1 hours 2 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

این دوره شرکت کنندگان را با ابزارهای MLOps و بهترین شیوه ها برای استقرار، ارزیابی، نظارت و اجرای سیستم های تولید ML در Google Cloud آشنا می کند. MLOps رشته‌ای است که بر استقرار، آزمایش، نظارت و اتوماسیون سیستم‌های ML در تولید متمرکز است. متخصصان مهندسی یادگیری ماشین از ابزارهایی برای بهبود مستمر و ارزیابی مدل‌های مستقر استفاده می‌کنند. آنها با دانشمندان داده کار می کنند (یا می توانند باشند) که مدل هایی را توسعه می دهند تا سرعت و دقت را در به کارگیری بهترین مدل ها فراهم کنند. این دوره در درجه اول برای شرکت کنندگان زیر در نظر گرفته شده است: دانشمندان داده به دنبال این هستند که به سرعت از نمونه اولیه یادگیری ماشین به تولید برسند تا تأثیر تجاری را ارائه دهند. مهندسان نرم افزار به دنبال توسعه مهارت های مهندسی یادگیری ماشین هستند. مهندسان ML که می خواهند Google Cloud را برای پروژه های تولید ML خود بپذیرند. >>> با ثبت نام در این دوره، با شرایط خدمات Qwiklabs که در پرسش های متداول و در آدرس زیر آمده است موافقت می کنید: https://qwiklabs.com/terms_of_service <<<

coursera فاکتورسازی ماتریس و تکنیک های پیشرفته (Mitalearn-334863)

  • 5 hours 41 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Michael D. Ekstrand,Joseph A Konstan
درباره این دوره:

در این دوره شما انواع تکنیک های فاکتورسازی ماتریس و یادگیری ماشین ترکیبی برای سیستم های توصیه گر را خواهید آموخت. با شروع فاکتورسازی اولیه ماتریس، هم شهود و هم جزئیات عملی ساختن سیستم‌های توصیه‌گر را بر اساس کاهش ابعاد فضای ترجیحی کاربر-محصول درک خواهید کرد. سپس با تکنیک هایی آشنا می شوید که نقاط قوت الگوریتم های مختلف را به توصیه کننده های ترکیبی قدرتمند ترکیب می کند.

linkedin فن آوری های شناختی: فرصت های واقعی برای تجارت (Mitalearn-139244)

  • 1 hours 52 minutes
  • مبتدی
  • Release date: 21 June 2026
  • Author: Deloitte Insights
درباره این دوره:

فناوری‌های شناختی مانند هوش مصنوعی و رباتیک در حال تغییر نحوه عملکرد کسب‌وکارها و ماهیت کار هستند. این دوره، از انتشارات دانشگاه دیلویت، طراحی شده است تا مزایا و ارزش فناوری‌های شناختی را برای رهبران کسب‌وکار، تصمیم‌گیرندگان و سایرینی که می‌خواهند تأثیر آن‌ها بر تجارت را درک کنند، توضیح دهد. دیوید شاتسکی بر روی چی و چرا تمرکز می کند و به شما اجازه می دهد چگونه را ایجاد کنید که نیازهای سازمان شما را برآورده کند. او یادگیری ماشینی، زمینه های هوش مصنوعی مانند پردازش زبان طبیعی و بینایی کامپیوتر و روباتیک را پوشش می دهد. در فصل‌های بعدی، دیوید به بررسی موارد تجاری فناوری‌ها می‌پردازد و به کاربردهای عملی برای محصولات و فرآیندها نگاه می‌کند. در نهایت او تأثیر بر کارگران و طراحی کار را بررسی می کند و به آینده فناوری شناختی نگاه می کند. آزمون ها و ارزیابی های کوتاه به شما کمک می کند تا دانش خود را تمرین کنید. در پایان دوره، شما باید بتوانید در بحث های سازنده با همکاران، مشتریان و تامین کنندگان شرکت کنید و به شکل گیری استراتژی فناوری شناختی در سازمان خود کمک کنید.

coursera فیلتر مشارکتی نزدیکترین همسایه (Mitalearn-335169)

  • 4 hours 15 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Joseph A Konstan,Michael D. Ekstrand
درباره این دوره:

در این دوره، تکنیک های اساسی برای ایجاد توصیه های شخصی از طریق تکنیک های نزدیکترین همسایه را خواهید آموخت. ابتدا فیلترینگ مشترک کاربر-کاربر را یاد خواهید گرفت، الگوریتمی که افراد دیگر را با سلیقه های مشابه با یک کاربر هدف شناسایی می کند و رتبه بندی آنها را برای ارائه توصیه هایی برای آن کاربر ترکیب می کند. شما تغییرات الگوریتم کاربر-کاربر را بررسی و پیاده سازی خواهید کرد و مزایا و معایب رویکرد کلی را بررسی خواهید کرد. سپس الگوریتم فیلتر اشتراکی مورد-محصول را که به طور گسترده تمرین می‌شود، یاد می‌گیرید که انجمن‌های جهانی محصول را از رتبه‌بندی‌های کاربران شناسایی می‌کند، اما از این انجمن‌های محصول برای ارائه توصیه‌های شخصی بر اساس رتبه‌بندی محصول خود کاربر استفاده می‌کند.

linkedin قدرت BI: ادغام هوش مصنوعی (Mitalearn-432018)

  • 3 hours 34 minutes
  • مناسب همه
  • Release date: 17 July 2025
  • Author: Helen Wall
درباره این دوره: 

 Power BI یک ابزار قدرتمند تجزیه و تحلیل داده ها و تجسم است که به کاربران تجاری اجازه می دهد تا داده ها را کنترل کنند ، روند را تجزیه و تحلیل کنند و تصمیم گیری کنند. هر ماه ، مایکروسافت به روزرسانی های Power BI را به کاربران نهایی سوق می دهد ، و رشد Power BI بخش مهمی از استراتژی فعلی مایکروسافت است. این دوره قابلیت های موجود در هوش مصنوعی و یادگیری ماشین را که مستقیماً در قابلیت های قابل دسترسی BI در دسترس است ، به نمایش می گذارد. تجزیه و تحلیل داده ها و کارشناس تجزیه و تحلیل کسب و کار هلن وال یک مرور کلی از Power BI به شما ارائه می دهد ، سپس به مراحل پیکربندی پرس و جو قدرت و مدل داده خود می پردازد. هلن از طریق ملزومات تجزیه و تحلیل متغیرهای منفرد قدم می زند و ابزارها و تکنیک هایی را برای اندازه گیری روابط بین متغیرها به شما نشان می دهد. او تصاویری را که می توانید برای مطرح کردن و پاسخ دادن به سؤالات در Power BI استفاده کنید ، برجسته می کند ، تکنیک های مفیدی را برای تقویت تجزیه و تحلیل شما از داده های سری زمانی توضیح می دهد و شما را از طریق بهترین روشها برای به اشتراک گذاری تجزیه و تحلیل خود می گذراند.

coursera کاربردهای هوش مصنوعی در مدیریت افراد (Mitalearn-335220)

  • 4 hours 25 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Prasanna Tambe,Matthew Bidwell,Peter Cappelli
درباره این دوره:

در این دوره آموزشی، با هوش مصنوعی و یادگیری ماشینی که در مدیریت منابع انسانی کاربرد دارد، آشنا خواهید شد. شما مفاهیم مرتبط با نقش داده ها در یادگیری ماشینی، کاربرد هوش مصنوعی، محدودیت های استفاده از داده ها در تصمیم گیری های منابع انسانی، و چگونگی کاهش تعصب با استفاده از فناوری بلاک چین را بررسی خواهید کرد. قدرت‌های یادگیری ماشینی سریع‌تر و ساده‌تر می‌شوند و شما به دانش دست اولی در مورد نحوه استفاده از فناوری فعلی و نوظهور برای مدیریت کل چرخه زندگی کارکنان دست خواهید یافت. از طریق مطالعه و تجزیه و تحلیل، شما یاد خواهید گرفت که چگونه حجم عظیمی از داده ها را غربال کنید تا الگوها را شناسایی کرده و پیش بینی هایی انجام دهید که به نفع کسب و کار شما باشد. در پایان این دوره، می‌توانید تشخیص دهید که چگونه می‌توانید هوش مصنوعی را برای ساده‌سازی تمام عملکردهای منابع انسانی و نحوه کار با داده‌ها برای استفاده از قدرت یادگیری ماشینی ترکیب کنید.

datacamp کاهش ابعاد در R (Mitalearn-405940)

  • 1 hours 4 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Matt Pickard
درباره این دوره:

آیا تا به حال با مجموعه داده هایی با تعداد زیادی ویژگی کار می کنید؟ در این دوره، تکنیک‌های کاهش ابعاد را یاد می‌گیرید که به شما کمک می‌کند داده‌های خود و مدل‌هایی را که با داده‌های خود می‌سازید ساده کنید و در عین حال عملکرد پیش‌بینی خوبی را حفظ کنید. کاهش ابعاد، تیغ Occam شما در علم داده است. با استفاده از R، نحوه شناسایی و حذف ویژگی‌ها، نحوه استخراج ترکیبی از ویژگی‌ها به‌عنوان اجزای فشرده که حاوی حداکثر اطلاعات هستند و استفاده از داده‌های دنیای واقعی برای ساخت مدل‌هایی با ویژگی‌های کمتر بدون به خطر انداختن عملکرد قابل‌توجه را خواهید آموخت.

Related Skills

datacamp کاهش ابعاد در پایتون (Mitalearn-402489)

  • 52 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Jeroen Boeye
درباره این دوره:

مجموعه داده‌های با ابعاد بالا می‌توانند بسیار زیاد باشند و شما را ندانید از کجا شروع کنید. به طور معمول، ابتدا یک مجموعه داده جدید را به صورت بصری کاوش می‌کنید، اما وقتی ابعاد بسیار زیادی دارید، رویکردهای کلاسیک ناکافی به نظر می‌رسند. خوشبختانه، تکنیک های تجسم به طور خاص برای داده های با ابعاد بالا طراحی شده است و در این دوره با آنها آشنا می شوید. پس از کاوش در داده‌ها، اغلب متوجه می‌شوید که بسیاری از ویژگی‌ها اطلاعات کمی دارند، زیرا هیچ گونه واریسی را نشان نمی‌دهند یا به این دلیل که تکراری از ویژگی‌های دیگر هستند. شما یاد خواهید گرفت که چگونه این ویژگی ها را شناسایی کرده و آنها را از مجموعه داده حذف کنید تا بتوانید روی موارد آموزنده تمرکز کنید. در مرحله بعدی، ممکن است بخواهید یک مدل بر روی این ویژگی ها بسازید، و ممکن است معلوم شود که برخی از آنها هیچ تاثیری بر چیزی که می خواهید پیش بینی کنید ندارد. شما یاد خواهید گرفت که چگونه این ویژگی های نامربوط را نیز شناسایی و حذف کنید تا ابعاد و در نتیجه پیچیدگی را کاهش دهید. در نهایت، می‌آموزید که چگونه تکنیک‌های استخراج ویژگی می‌توانند ابعاد را برای شما از طریق محاسبه مؤلفه‌های اصلی ناهمبسته کاهش دهند.

coursera کتابخانه های پیشرفته CUDA (Mitalearn-309652)

  • 2 hours 11 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Chancellor Thomas Pascale
درباره این دوره:

این دوره تخصص GPU را با تمرکز بر کتابخانه های پیشرو توزیع شده به عنوان بخشی از جعبه ابزار CUDA تکمیل می کند. دانش آموزان یاد خواهند گرفت که چگونه از CuFFT و کتابخانه های جبر خطی برای انجام محاسبات پیچیده ریاضی استفاده کنند. قابلیت های کتابخانه Thrust در نمایش ساختارهای داده رایج و الگوریتم های مرتبط معرفی خواهد شد. با استفاده از cuDNN و cuTensor آنها قادر خواهند بود برنامه های کاربردی یادگیری ماشینی را توسعه دهند که به تشخیص اشیا، ترجمه زبان انسانی و طبقه بندی تصاویر کمک می کند.

datacamp کشف تقلب در R (Mitalearn-406484)

  • 1 hours 13 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Bart Baesens,Sebastiaan Höppner,Tim Verdonck
درباره این دوره:

انجمن بررسی‌کنندگان خبره تقلب تخمین می‌زند که تقلب برای سازمان‌ها در سراسر جهان 3.7 تریلیون دلار در سال هزینه دارد و یک شرکت معمولی پنج درصد از درآمد سالانه را به دلیل تقلب از دست می‌دهد. انتظار می‌رود که تلاش‌های تقلب در آینده حتی بیشتر شود و کشف تقلب در بیشتر صنایع بسیار ضروری باشد. این دوره نشان خواهد داد که چگونه یادگیری الگوهای تقلب از داده های تاریخی می تواند برای مبارزه با تقلب استفاده شود. برخی از تکنیک‌های آمار قوی و تجزیه و تحلیل رقمی برای شناسایی مشاهدات غیرعادی که احتمالاً با تقلب مرتبط هستند، ارائه شده‌اند. دو چالش اصلی هنگام ساخت یک ابزار نظارت شده برای کشف تقلب، عدم تعادل یا چولگی داده ها و هزینه های مختلف برای انواع مختلف طبقه بندی اشتباه است. ما تکنیک‌هایی را برای حل این مشکلات ارائه می‌کنیم و بر مجموعه داده‌های مصنوعی و واقعی از طیف گسترده‌ای از برنامه‌های تقلب تمرکز می‌کنیم.

Related Skills

coursera کلان داده، هوش مصنوعی و اخلاق (Mitalearn-329049)

  • 5 hours 27 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Martin Hilbert
درباره این دوره:

این دوره زمینه و تجربه دست اول را با دو کاتالیزور اصلی انقلاب علوم محاسباتی به شما می دهد: داده های بزرگ و هوش مصنوعی. با بیش از 99 درصد از تمام اطلاعات رسانه ای در قالب دیجیتال و با استفاده از 98 درصد از جمعیت جهان از فناوری دیجیتال، بشریت ردپای دیجیتالی چشمگیری ایجاد می کند. در تئوری، این فرصت‌های بی‌سابقه‌ای برای درک و شکل دادن به جامعه فراهم می‌کند. در عمل، تنها راهی که می‌توان این سیل اطلاعات را پردازش کرد، استفاده از همان فناوری‌های دیجیتالی است که آن را تولید کرده‌اند. داده ها سوخت هستند، اما یادگیری ماشینی موتوری است که دانش جدید قابل توجهی را از حجم عظیمی از داده ها استخراج می کند. از آنجایی که بخش مهمی از این داده‌ها مربوط به خودمان است، استفاده از الگوریتم‌ها به منظور کسب اطلاعات بیشتر در مورد خود، به طور طبیعی منجر به پرسش‌های اخلاقی می‌شود. بنابراین، ما نمی‌توانیم این دوره را بدون صحبت در مورد اخلاق تحقیق و برخی از خطوط قدیمی و جدیدی که دانشمندان علوم اجتماعی محاسباتی باید در نظر داشته باشند، به پایان برسانیم. به‌عنوان آزمایشگاه‌های عملی، از هوش مصنوعی IBM Watson برای استخراج شخصیت افراد از ردپای متن دیجیتالی آن‌ها استفاده خواهید کرد و با آموزش دو ماشین قابل آموزش از Google خودتان، قدرت و محدودیت‌های یادگیری ماشینی را تجربه خواهید کرد.

coursera گردش کار هوش مصنوعی: استقرار مدل سازمانی (Mitalearn-336835)

  • 23 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Mark J Grover,Ray Lopez, Ph.D.
درباره این دوره:

این پنجمین دوره در تخصص IBM AI Enterprise Workflow Certification است.   شما قویاً تشویق می‌شوید که این دوره‌ها را به ترتیب تکمیل کنید، زیرا این دوره‌ها دوره‌های مستقل جداگانه نیستند، بلکه بخشی از جریان کاری هستند که هر دوره بر اساس دوره‌های قبلی است. این دوره شما را با حوزه ای آشنا می کند که تعداد کمی از دانشمندان داده قادر به تجربه آن هستند: استقرار مدل هایی برای استفاده در شرکت های بزرگ.  Apache Spark یک فریمورک بسیار رایج برای اجرای مدل های یادگیری ماشینی است.  بهترین شیوه های استفاده از Spark در این دوره پوشش داده خواهد شد.  بهترین شیوه ها برای دستکاری داده ها، آموزش مدل، و تنظیم مدل نیز پوشش داده خواهد شد.  مورد استفاده نیازمند ایجاد و استقرار یک سیستم توصیه‌کننده است. این دوره با مقدمه ای بر فناوری های استقرار مدل به پایان می رسد.   در پایان این دوره شما قادر خواهید بود: 1. از RDD ها، دیتافریم ها و خط لوله Apache Spark استفاده کنید 2. از اسکریپت‌های spark-submit برای ارتباط با محیط‌های Spark استفاده کنید 3. نحوه عملکرد فیلتر مشارکتی و فیلتر مبتنی بر محتوا را توضیح دهید 4. با استفاده از جریان Apache Spark و Apache Spark یک خط لوله انتقال داده بسازید 5. ابرپارامترها را در مدل‌های یادگیری ماشین در Apache Spark تجزیه و تحلیل کنید 6. الگوریتم‌های یادگیری ماشین را با استفاده از رابط یادگیری ماشین Apache Spark اجرا کنید 7. یک مدل یادگیری ماشینی را از Watson Studio به Watson Machine Learning مستقر کنید چه کسانی باید این دوره را بگذرانند؟ این دوره متخصصان علوم داده موجود را هدف قرار می دهد که در ساخت مدل های یادگیری ماشین تخصص دارند و می خواهند مهارت های خود را در ساخت و استقرار هوش مصنوعی در شرکت های بزرگ عمیق تر کنند. اگر شما یک دانشمند داده مشتاق هستید، این دوره برای شما مناسب نیست زیرا برای بهره مندی از محتوای این دوره ها به تخصص دنیای واقعی نیاز دارید. چه مهارت هایی باید داشته باشید؟ فرض بر این است که شما دوره های 1 تا 4 از تخصص گردش کار IBM AI Enterprise را تکمیل کرده اید و قبل از شروع این دوره، درک کاملی از موضوعات زیر دارید: درک بنیادی از جبر خطی. درک نمونه گیری، نظریه احتمال و توزیع احتمال. آشنایی با مفاهیم آماری توصیفی و استنباطی. درک کلی از تکنیک های یادگیری ماشین و بهترین شیوه ها؛ درک تمرینی پایتون و بسته‌هایی که معمولاً در علم داده استفاده می‌شوند: NumPy، Pandas، matplotlib، scikit-learn. آشنایی با IBM Watson Studio; آشنایی با فرآیند تفکر طراحی

coursera گردش کار هوش مصنوعی: تجزیه و تحلیل داده ها و آزمون فرضیه ها (Mitalearn-336784)

  • 41 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Mark J Grover,Ray Lopez, Ph.D.
درباره این دوره:

این دومین دوره در تخصص IBM AI Enterprise Workflow Certification است.  شما قویاً تشویق می‌شوید که این دوره‌ها را به ترتیب تکمیل کنید، زیرا این دوره‌ها دوره‌های مستقل جداگانه نیستند، بلکه بخشی از جریان کاری هستند که هر دوره بر اساس دوره‌های قبلی است.   در این دوره شما کار خود را برای یک شرکت رسانه ای فرضی با انجام تجزیه و تحلیل داده های اکتشافی (EDA) آغاز خواهید کرد.  بهترین روش‌ها برای تجسم داده‌ها، مدیریت داده‌های از دست رفته و آزمایش فرضیه به عنوان بخشی از کار شما به شما معرفی می‌شود.  شما تکنیک های تخمین با توزیع احتمال و گسترش این تخمین ها را برای اعمال آزمون های اهمیت فرضیه صفر خواهید آموخت. آنچه را که یاد می گیرید از طریق مطالعات موردی دو دستی به کار می گیرید: تجسم داده ها و آزمایش های متعدد با استفاده از یک خط لوله ساده.   در پایان این دوره شما باید بتوانید: 1. چندین روش برتر در مورد EDA و تجسم داده را فهرست کنید 2. یک داشبورد ساده در Watson Studio ایجاد کنید 3. استراتژی‌های مقابله با داده‌های از دست رفته را شرح دهید 4. تفاوت بین انتساب و انتساب چندگانه را توضیح دهید 5. توزیع‌های رایج را برای پاسخ به سؤالات در مورد احتمالات رویداد به کار ببرید 6. نقش تحقیقی آزمون فرضیه در EDA را توضیح دهید 7. روش‌های مختلفی را برای مقابله با آزمایش‌های چندگانه اعمال کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره متخصصان علوم داده موجود را هدف قرار می دهد که در ساخت مدل های یادگیری ماشین تخصص دارند و می خواهند مهارت های خود را در ساخت و استقرار هوش مصنوعی در شرکت های بزرگ عمیق تر کنند. اگر شما یک دانشمند داده مشتاق هستید، این دوره برای شما مناسب نیست زیرا برای بهره مندی از محتوای این دوره ها به تخصص دنیای واقعی نیاز دارید. چه مهارت هایی باید داشته باشید؟ فرض بر این است که شما دوره 1 تخصص گردش کار IBM AI Enterprise را تکمیل کرده اید و قبل از شروع این دوره، درک کاملی از موضوعات زیر دارید: درک بنیادی از جبر خطی. درک نمونه گیری، نظریه احتمال و توزیع احتمال. آشنایی با مفاهیم آماری توصیفی و استنباطی. درک کلی از تکنیک های یادگیری ماشین و بهترین شیوه ها؛ درک تمرینی پایتون و بسته‌هایی که معمولاً در علم داده استفاده می‌شوند: NumPy، Pandas، matplotlib، scikit-learn. آشنایی با IBM Watson Studio; آشنایی با فرآیند تفکر طراحی

coursera گردش کار هوش مصنوعی: مهندسی ویژگی و تشخیص تعصب (Mitalearn-336818)

  • 47 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Mark J Grover,Ray Lopez, Ph.D.
درباره این دوره:

این سومین دوره در تخصص IBM AI Enterprise Workflow Certification است.    شما قویاً تشویق می‌شوید که این دوره‌ها را به ترتیب تکمیل کنید، زیرا این دوره‌ها دوره‌های مستقل جداگانه نیستند، بلکه بخشی از جریان کاری هستند که هر دوره بر اساس دوره‌های قبلی است.   دوره 3 شما را با مرحله بعدی گردش کار برای شرکت رسانه فرضی ما آشنا می کند.  در این مرحله از کار، بهترین روش‌ها را برای مهندسی ویژگی، مدیریت عدم تعادل کلاس و تشخیص سوگیری در داده‌ها خواهید آموخت.  عدم تعادل طبقاتی می تواند اعتبار مدل های یادگیری ماشین شما را به طور جدی تحت تاثیر قرار دهد، و کاهش سوگیری در داده ها برای کاهش ریسک مرتبط با مدل های مغرضانه ضروری است.  این عناوین با بخش‌هایی در مورد بهترین شیوه‌ها برای کاهش ابعاد، تشخیص پرت، و تکنیک‌های یادگیری بدون نظارت برای یافتن الگوها در داده‌های شما دنبال می‌شوند.  مطالعات موردی بر مدل‌سازی موضوع و تجسم داده‌ها متمرکز خواهد بود.   در پایان این دوره شما قادر خواهید بود: 1. از ابزارهایی استفاده کنید که به رفع مشکلات عدم تعادل کلاس و کلاس کمک می کند 2. ملاحظات اخلاقی در مورد سوگیری در داده ها را توضیح دهید 3.  از کتابخانه‌های منبع باز ai Fairness 360 برای تشخیص سوگیری در مدل‌ها استفاده کنید 4. تکنیک های کاهش ابعاد را برای هر دو مرحله EDA و تبدیل به کار ببرید 5. تکنیک‌های مدل‌سازی موضوع را در پردازش زبان طبیعی شرح دهید 6. از مدل‌سازی و تجسم موضوع برای کاوش داده‌های متنی استفاده کنید 7. بهترین شیوه‌های رسیدگی به داده‌های با ابعاد بالا را به کار بگیرید 8. الگوریتم‌های تشخیص پرت را به‌عنوان ابزار تضمین کیفیت و ابزار مدل‌سازی به کار بگیرید. 9. تکنیک های یادگیری بدون نظارت را با استفاده از خطوط لوله به عنوان بخشی از گردش کار هوش مصنوعی به کار بگیرید 10. از الگوریتم‌های خوشه‌بندی اولیه استفاده کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره متخصصان علوم داده موجود را هدف قرار می دهد که در ساخت مدل های یادگیری ماشین تخصص دارند و می خواهند مهارت های خود را در ساخت و استقرار هوش مصنوعی در شرکت های بزرگ عمیق تر کنند. اگر شما یک دانشمند داده مشتاق هستید، این دوره برای شما مناسب نیست زیرا برای بهره مندی از محتوای این دوره ها به تخصص دنیای واقعی نیاز دارید.   چه مهارت هایی باید داشته باشید؟ فرض بر این است که شما دوره های 1 و 2 تخصص گردش کار IBM AI Enterprise را تکمیل کرده اید و قبل از شروع این دوره درک کاملی از موضوعات زیر دارید: درک بنیادی جبر خطی. درک نمونه گیری، نظریه احتمال و توزیع احتمال. آشنایی با مفاهیم آماری توصیفی و استنباطی. درک کلی از تکنیک های یادگیری ماشین و بهترین شیوه ها؛ درک تمرینی پایتون و بسته‌هایی که معمولاً در علم داده استفاده می‌شوند: NumPy، Pandas، matplotlib، scikit-learn. آشنایی با IBM Watson Studio; آشنایی با فرآیند تفکر طراحی

coursera گردش کار هوش مصنوعی: یادگیری ماشین، تشخیص بصری و NLP (Mitalearn-336767)

  • 32 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Mark J Grover,Ray Lopez, Ph.D.
درباره این دوره:

این چهارمین دوره در تخصص IBM AI Enterprise Workflow Certification است.    شما قویاً تشویق می‌شوید که این دوره‌ها را به ترتیب تکمیل کنید، زیرا این دوره‌ها دوره‌های مستقل جداگانه نیستند، بلکه بخشی از جریان کاری هستند که هر دوره بر اساس دوره‌های قبلی است.  دوره 4 مرحله بعدی گردش کار را پوشش می دهد، که مدل ها و خطوط لوله داده مرتبط با آنها را برای یک شرکت رسانه جریان فرضی تنظیم می کند.  مبحث اول مبحث پیچیده معیارهای ارزیابی را پوشش می‌دهد، جایی که شما بهترین شیوه‌ها را برای تعدادی از معیارهای مختلف از جمله معیارهای رگرسیون، معیارهای طبقه‌بندی، و معیارهای چند طبقه‌ای را یاد خواهید گرفت که از آنها برای انتخاب بهترین مدل برای چالش تجاری خود استفاده خواهید کرد.  موضوعات بعدی بهترین شیوه‌ها را برای انواع مختلف مدل‌ها از جمله مدل‌های خطی، مدل‌های مبتنی بر درخت و شبکه‌های عصبی پوشش می‌دهند.  از مدل های خارج از جعبه واتسون برای درک زبان طبیعی و تشخیص بصری استفاده خواهد شد.  مطالعات موردی با تمرکز بر پردازش زبان طبیعی و تجزیه و تحلیل تصویر برای ارائه زمینه واقعی برای خطوط لوله مدل وجود خواهد داشت.   در پایان این دوره شما قادر خواهید بود: در مورد معیارهای رگرسیون، طبقه بندی و طبقه بندی چند برچسبی رایج بحث کنید کاربرد رگرسیون خطی و لجستیک در کاربردهای یادگیری نظارت شده را توضیح دهید استراتژی های رایج برای جستجوی شبکه و اعتبارسنجی متقابل را شرح دهید از معیارهای ارزیابی برای انتخاب مدل ها برای استفاده در تولید استفاده کنید استفاده از الگوریتم های مبتنی بر درخت در برنامه های کاربردی یادگیری نظارت شده را توضیح دهید استفاده از شبکه های عصبی در برنامه های کاربردی یادگیری تحت نظارت را توضیح دهید انواع عمده شبکه های عصبی و پیشرفت های اخیر را مورد بحث قرار دهید یک مدل شبکه عصبی در تنسورفلو ایجاد کنید یک نمونه از Watson Visual Recognition ایجاد و آزمایش کنید یک نمونه از Watson NLU ایجاد و آزمایش کنید چه کسانی باید این دوره را بگذرانند؟ این دوره متخصصان علوم داده موجود را هدف قرار می دهد که در ساخت مدل های یادگیری ماشین تخصص دارند و می خواهند مهارت های خود را در ساخت و استقرار هوش مصنوعی در شرکت های بزرگ عمیق تر کنند. اگر شما یک دانشمند داده مشتاق هستید، این دوره برای شما مناسب نیست زیرا برای بهره مندی از محتوای این دوره ها به تخصص دنیای واقعی نیاز دارید.   چه مهارت هایی باید داشته باشید؟ فرض بر این است که شما دوره های 1 تا 3 تخصص گردش کار IBM AI Enterprise را تکمیل کرده اید و قبل از شروع این دوره، درک کاملی از موضوعات زیر دارید: درک اساسی از جبر خطی. درک نمونه گیری، نظریه احتمال و توزیع احتمال. آشنایی با مفاهیم آماری توصیفی و استنباطی. درک کلی از تکنیک های یادگیری ماشین و بهترین شیوه ها؛ درک تمرینی پایتون و بسته‌هایی که معمولاً در علم داده استفاده می‌شوند: NumPy، Pandas، matplotlib، scikit-learn. آشنایی با IBM Watson Studio; آشنایی با فرآیند تفکر طراحی

coursera گوگل چگونه یادگیری ماشینی را انجام می دهد (Mitalearn-326669)

  • 2 hours 39 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

این دوره به بررسی این موضوع می پردازد که ML چیست و چه مشکلاتی را می تواند حل کند. این دوره همچنین بهترین شیوه ها برای پیاده سازی یادگیری ماشین را مورد بحث قرار می دهد. شما با Vertex AI، یک پلت فرم یکپارچه برای ساخت، آموزش و استقرار سریع مدل های یادگیری ماشینی AutoML آشنا شده اید. این دوره، پنج مرحله تبدیل یک مورد استفاده نامزد را که توسط یادگیری ماشین هدایت می‌شود، و اینکه چرا مهم است که آنها را نادیده نگیرید، مورد بحث قرار می‌دهد. این دوره با شناخت سوگیری هایی که ML می تواند تقویت کند و نحوه تشخیص آنها به پایان می رسد.

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.

datacamp ماشین‌های بردار پشتیبانی در R (Mitalearn-405719)

  • 46 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Kailash Awati
درباره این دوره:

این دوره یک طبقه‌بندی قدرتمند، ماشین بردار پشتیبانی (SVM) را با استفاده از یک رویکرد بصری بصری معرفی می‌کند. ماشین‌های بردار پشتیبانی در R به دانش‌آموزان کمک می‌کند تا درک درستی از مدل SVM به‌عنوان یک طبقه‌بندی کنند و تجربه عملی را با استفاده از پیاده‌سازی libsvm R از بسته e1071 کسب کنند. در طول مسیر، دانش آموزان درک شهودی از مفاهیم مهم، مانند حاشیه های سخت و نرم، ترفند هسته، انواع مختلف هسته ها، و نحوه تنظیم پارامترهای SVM به دست خواهند آورد. برای طبقه بندی داده ها با این مدل چشمگیر آماده شوید.

Related Skills

Suggestions