Course catalog

Course duration

Course provider

Topic

Categories

Showing 221-240 of 409 items.

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

coursera مایکروسافت Azure Machine Learning (Mitalearn-328437)

  • 11 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

یادگیری ماشینی هسته اصلی هوش مصنوعی است و بسیاری از برنامه‌ها و خدمات مدرن به مدل‌های یادگیری ماشینی پیش‌بینی‌کننده وابسته هستند. آموزش یک مدل یادگیری ماشینی یک فرآیند تکراری است که به زمان و منابع محاسباتی نیاز دارد. یادگیری ماشین خودکار می تواند به آسان تر کردن آن کمک کند. در این دوره یاد خواهید گرفت که چگونه از یادگیری ماشینی Azure برای ایجاد و انتشار مدل ها بدون نوشتن کد استفاده کنید. این دوره به شما کمک می کند تا برای آزمون AI-900: Microsoft Azure AI Fundamentals آماده شوید. این دومین دوره از یک برنامه پنج دوره ای است که شما را برای شرکت در آزمون گواهینامه AI-900 آماده می کند. این دوره به شما مفاهیم و مهارت های اصلی را می آموزد که در حوزه های امتحانی اصول هوش مصنوعی ارزیابی می شوند. این دوره مبتدی برای پرسنل فناوری اطلاعات که تازه شروع به کار با Microsoft Azure کرده‌اند و می‌خواهند در مورد پیشنهادات Microsoft Azure بیاموزند و تجربه عملی با محصول را کسب کنند مناسب است. Microsoft Azure AI Fundamentals می تواند برای آماده شدن برای سایر گواهینامه های مبتنی بر نقش Azure مانند Microsoft Azure Data Scientist Associate یا Microsoft Azure AI Engineer Associate استفاده شود، اما پیش نیاز هیچ یک از آنها نیست. این دوره برای داوطلبان با سوابق فنی و غیر فنی در نظر گرفته شده است. علم داده و تجربه مهندسی نرم افزار مورد نیاز نیست. با این حال، برخی از دانش یا تجربه برنامه نویسی عمومی مفید خواهد بود. برای موفقیت در این دوره، باید سواد کامپیوتری اولیه و تسلط به زبان انگلیسی را داشته باشید. شما باید با مفاهیم اولیه محاسبات و اصطلاحات، مفاهیم کلی فناوری، از جمله مفاهیم یادگیری ماشین و هوش مصنوعی آشنا باشید.

coursera مایکروسافت Azure Machine Learning برای دانشمندان داده (Mitalearn-332840)

  • 12 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

یادگیری ماشینی هسته اصلی هوش مصنوعی است و بسیاری از برنامه‌ها و خدمات مدرن به مدل‌های یادگیری ماشینی پیش‌بینی‌کننده وابسته هستند. آموزش یک مدل یادگیری ماشینی یک فرآیند تکراری است که به زمان و منابع محاسباتی نیاز دارد. یادگیری ماشین خودکار می تواند به آسان تر کردن آن کمک کند. در این دوره یاد خواهید گرفت که چگونه از یادگیری ماشینی Azure برای ایجاد و انتشار مدل ها بدون نوشتن کد استفاده کنید. این دومین دوره از یک برنامه پنج دوره ای است که شما را برای شرکت در آزمون DP-100: طراحی و پیاده سازی راه حل علم داده در آزمون Azurectification آماده می کند. آزمون گواهینامه فرصتی برای اثبات دانش و تخصص راه حل های یادگیری ماشین در مقیاس ابری با استفاده از یادگیری ماشینی Azure است. این تخصص به شما می آموزد که از دانش موجود خود از پایتون و یادگیری ماشین برای مدیریت جذب و آماده سازی داده ها، آموزش مدل و استقرار، و نظارت راه حل یادگیری ماشین در Microsoft Azure استفاده کنید. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند. این تخصص برای دانشمندان داده با دانش موجود از Python و چارچوب‌های یادگیری ماشینی مانند Scikit-Learn، PyTorch و Tensorflow در نظر گرفته شده است، که می‌خواهند راه‌حل‌های یادگیری ماشین را در فضای ابری بسازند و کار کنند. این به دانشمندان داده می آموزد که چگونه راه حل های سرتاسری را در Microsoft Azure ایجاد کنند. دانش آموزان یاد خواهند گرفت که چگونه منابع Azure را برای یادگیری ماشین مدیریت کنند. آزمایش ها و مدل های قطار را اجرا کنید. راه حل های یادگیری ماشین را مستقر و عملیاتی کنید و یادگیری ماشینی مسئولانه را پیاده سازی کنید. آنها همچنین یاد خواهند گرفت که از Azure Databricks برای کاوش، آماده سازی و مدل سازی داده ها استفاده کنند. و فرآیندهای یادگیری ماشین Databricks را با یادگیری ماشینی Azure ادغام کنید.

coursera مبانی جبر خطی (Mitalearn-331837)

  • 3 hours 24 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Dr. S. K. Gupta
درباره این دوره:

یادگیری ماشین و علم داده محبوب ترین موضوعات تحقیقاتی امروزه هستند. آنها در تمام زمینه های مهندسی و علوم کاربرد دارند. ابزارهای مختلف یادگیری ماشین راه حلی مبتنی بر داده برای مشکلات مختلف زندگی واقعی ارائه می دهند. دانش اولیه جبر خطی برای توسعه الگوریتم‌های جدید برای یادگیری ماشین و علم داده ضروری است. در این دوره با مفاهیم ریاضی مرتبط با جبر خطی که شامل فضاهای برداری، زیرفضاها، دهانه خطی، مبنا و بعد است آشنا می شوید. همچنین تبدیل خطی، رتبه و بی‌ثباتی تبدیل خطی، مقادیر ویژه، بردارهای ویژه و مورب‌سازی ماتریس‌ها را پوشش می‌دهد. مفاهیم تجزیه ارزش منفرد، فضای محصول درونی، و هنجار بردارها و ماتریس ها، محتوای دوره را بیشتر غنی می کند.

coursera مبانی علم داده برای تحلیلگران داده (Mitalearn-330681)

  • 4 hours 16 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Emma Freeman
درباره این دوره:

در این دوره ما شما را از طریق بلوک های ساختمانی اساسی علم داده، یکی از سریع ترین زمینه های در حال رشد در جهان، راهنمایی می کنیم! با کمک دانشمندان پیشرو در صنعت خود، ما این دوره را برای ایجاد مهارت های علمی داده آماده و کاربردی در تنها 15 ساعت یادگیری طراحی کرده ایم. ابتدا، ما به شما یک مقدمه سریع از علم داده ارائه می دهیم - چیست و چگونه برای حل مشکلات دنیای واقعی استفاده می شود. برای بقیه دوره، ما مهارت‌هایی را به شما آموزش می‌دهیم که برای استفاده از مفاهیم و تکنیک‌های پایه علم داده برای حل این مشکلات دنیای واقعی نیاز دارید. در پایان این دوره، شما قادر خواهید بود از مهارت های موجود در تجزیه و تحلیل داده ها برای طراحی، اجرا، ارزیابی و انتقال نتایج پروژه های علم داده خود استفاده کنید.

coursera مبانی علم داده: خوشه بندی K-Means در پایتون (Mitalearn-326652)

  • 2 hours 57 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Dr Matthew Yee-King,Dr Betty Fyn-Sydney,Dr Jamie A Ward
درباره این دوره:

سازمان‌ها در سراسر جهان از داده‌ها برای پیش‌بینی رفتارها و استخراج بینش‌های ارزشمند دنیای واقعی برای تصمیم‌گیری استفاده می‌کنند. مدیریت و تجزیه و تحلیل کلان داده ها به بخشی ضروری از امور مالی مدرن، خرده فروشی، بازاریابی، علوم اجتماعی، توسعه و تحقیقات، پزشکی و دولت تبدیل شده است. این MOOC که توسط یک تیم دانشگاهی از Goldsmiths، دانشگاه لندن طراحی شده است، به سرعت شما را با مفاهیم اصلی علم داده آشنا می کند تا شما را برای دوره های متوسط ​​و پیشرفته علوم داده آماده کند. این بر روی ریاضیات، آمار و مهارت های برنامه نویسی اساسی تمرکز دارد که برای کارهای معمولی تجزیه و تحلیل داده ها ضروری است. شما این مفاهیم اساسی را در یک کار نمونه‌ای خوشه‌بندی داده در نظر خواهید گرفت و از این مثال برای یادگیری مهارت‌های برنامه‌نویسی اولیه که برای تسلط بر تکنیک‌های علم داده ضروری هستند، استفاده خواهید کرد. در طول دوره، از شما خواسته می‌شود که یک سری تمرین‌های ریاضی و برنامه‌نویسی و یک پروژه خوشه‌بندی داده‌های کوچک برای یک مجموعه داده انجام دهید.

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.

coursera مبانی یادگیری تقویتی (Mitalearn-330052)

  • 3 hours 51 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Martha White,Adam White
درباره این دوره:

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.

coursera مبانی یادگیری ماشین برای مدیران محصول (Mitalearn-326482)

  • 4 hours 27 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Jon Reifschneider
درباره این دوره:

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

coursera مبانی یادگیری ماشین در امور مالی (Mitalearn-333282)

  • 4 hours 34 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Igor Halperin
درباره این دوره:

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.

Suggestions