Course catalog

Course duration

Course provider

Topic

Categories

Showing 241-260 of 382 items.

coursera مدل های تخصصی: سری زمانی و تحلیل بقا (Mitalearn-332449)

  • 6 hours 20 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mark J Grover,Miguel Maldonado
درباره این دوره:

این دوره شما را با موضوعات اضافی در یادگیری ماشینی آشنا می کند که مکمل وظایف ضروری از جمله پیش بینی و تجزیه و تحلیل داده های سانسور شده است. شما یاد خواهید گرفت که چگونه داده های تجزیه و تحلیل را با مولفه زمانی و داده های سانسور شده که نیاز به استنتاج نتیجه دارند، پیدا کنید. شما چند تکنیک برای تجزیه و تحلیل سری های زمانی و تجزیه و تحلیل بقا خواهید آموخت. بخش عملی این دوره بر استفاده از بهترین شیوه ها و تأیید مفروضات به دست آمده از یادگیری آماری متمرکز است. در پایان این دوره شما باید بتوانید: چالش های رایج مدل سازی را با داده های سری زمانی شناسایی کنید نحوه تجزیه داده های سری زمانی: روند، فصلی و باقیمانده را توضیح دهید نحوه عملکرد مدل های اتورگرسیو، میانگین متحرک و ARIMA را توضیح دهید نحوه انتخاب و پیاده سازی مدل های مختلف سری زمانی را بدانید روش های مدل سازی خطر و بقا را شرح دهید انواع مشکلات مناسب برای تجزیه و تحلیل بقا را شناسایی کنید چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با تجزیه و تحلیل سری های زمانی و تجزیه و تحلیل بقا هستند، هدف قرار می دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی از پاکسازی داده ها، تجزیه و تحلیل داده های اکتشافی، حساب دیفرانسیل و انتگرال، جبر خطی، یادگیری ماشین نظارت شده، یادگیری ماشین بدون نظارت، احتمال و آمار.

coursera مدل های دنباله ای (Mitalearn-212973)

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

در پنجمین دوره تخصصی Deep Learning با مدل های توالی و کاربردهای هیجان انگیز آنها مانند تشخیص گفتار، سنتز موسیقی، چت بات ها، ترجمه ماشینی، پردازش زبان طبیعی (NLP) و غیره آشنا می شوید. در پایان، می‌توانید شبکه‌های عصبی بازگشتی (RNN) و انواع پرکاربرد مانند GRU و LSTM را بسازید و آموزش دهید. RNN ها را برای مدل سازی زبان در سطح کاراکتر اعمال کنید. کسب تجربه با پردازش زبان طبیعی و تعبیه کلمه. و از توکن سازها و مدل های ترانسفورماتور HuggingFace برای حل وظایف مختلف NLP مانند NER و Question Answering استفاده کنید. Deep Learning Specialization یک برنامه اساسی است که به شما کمک می کند توانایی 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 گامی قطعی در دنیای هوش مصنوعی بردارید و به شما کمک می کند دانش و مهارت هایی را برای ارتقاء سطح حرفه خود به دست آورید.

coursera مدل های یادگیری عمیق قابل توضیح برای مراقبت های بهداشتی - CDSS 3 (Mitalearn-334217)

  • 3 hours 10 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Fani Deligianni
درباره این دوره:

این دوره به معرفی مفاهیم تفسیرپذیری و توضیح پذیری در کاربردهای یادگیری ماشین می پردازد. یادگیرنده تفاوت بین توضیحات کلی، محلی، مدل-آگنوستیک و مدل خاص را درک خواهد کرد. روش‌های توضیح‌پذیری پیشرفته مانند اهمیت ویژگی جایگشت (PFI)، توضیح‌های محلی قابل تفسیر مدل-آگنوستیک (LIME) و توضیح افزودنی SHapley (SHAP) توضیح داده شده‌اند و در طبقه‌بندی سری‌های زمانی اعمال می‌شوند. متعاقباً، توضیحات خاص مدل مانند نگاشت فعال‌سازی کلاس (CAM) و CAM با وزن گرادیان توضیح و پیاده‌سازی می‌شوند. فراگیران اسناد بدیهی و چرایی اهمیت آنها را درک خواهند کرد. در نهایت، مکانیسم‌های توجه قرار است بعد از لایه‌های بازگشتی گنجانده شوند و وزن‌های توجه برای تولید توضیحات محلی مدل تجسم خواهند شد.

coursera مدل های یادگیری ماشین در علم (Mitalearn-334030)

  • 1 hours
  • متوسط
  • Release date: 23 June 2026
  • Author: Sabrina Moore,Rajvir Dua,Neelesh Tiruviluamala
درباره این دوره:

هدف این دوره برای هر کسی است که علاقه مند به استفاده از تکنیک های یادگیری ماشینی در مسائل علمی است. در این دوره آموزشی، در مورد خط لوله یادگیری ماشینی کامل، از خواندن، تمیز کردن و تبدیل داده ها تا اجرای الگوریتم های یادگیری ماشینی اولیه و پیشرفته، خواهیم آموخت. ما با تکنیک های پیش پردازش داده ها مانند PCA و LDA شروع می کنیم. سپس، به الگوریتم های اساسی هوش مصنوعی می پردازیم: SVMs و K-means clustering. در طول راه، جعبه ابزار ریاضی و برنامه‌نویسی خود را می‌سازیم تا خود را برای کار با مدل‌های پیچیده‌تر آماده کنیم. در نهایت، روش‌های پیشرفته‌ای مانند جنگل‌های تصادفی و شبکه‌های عصبی را بررسی خواهیم کرد. در طول مسیر، از مجموعه داده های پزشکی و نجومی استفاده خواهیم کرد. در پروژه نهایی، ما مهارت های خود را برای مقایسه مدل های مختلف یادگیری ماشین در پایتون به کار خواهیم گرفت.

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

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

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

coursera مدل‌های سفارشی، لایه‌ها و توابع از دست دادن با TensorFlow (Mitalearn-330120)

  • 2 hours 30 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laurence Moroney
درباره این دوره:

در این دوره، شما: • APIهای عملکردی و ترتیبی را مقایسه کنید، مدل‌های جدیدی را که می‌توانید با Functional API بسازید، کشف کنید، و مدلی بسازید که خروجی‌های متعدد از جمله یک شبکه سیامی تولید کند. • توابع از دست دادن سفارشی (از جمله تابع تضاد متضاد مورد استفاده در شبکه سیامی) را بسازید تا میزان عملکرد یک مدل را اندازه گیری کنید و به شبکه عصبی شما کمک کنید تا از داده های آموزشی یاد بگیرد. • از لایه‌های استاندارد موجود برای ایجاد لایه‌های سفارشی برای مدل‌های خود بسازید، یک لایه شبکه را با لایه لامبدا سفارشی کنید، تفاوت‌های بین آن‌ها را درک کنید، بدانید چه چیزی یک لایه سفارشی را تشکیل می‌دهد و عملکردهای فعال‌سازی را بررسی کنید. • از مدل‌های موجود برای افزودن قابلیت‌های سفارشی بسازید، یاد بگیرید چگونه کلاس سفارشی خود را به جای استفاده از APIهای تابعی یا متوالی تعریف کنید، مدل‌هایی بسازید که می‌توانند از کلاس TensorFlow Model به ارث برده شوند، و از طریق تعریف کردن، یک شبکه باقی‌مانده (ResNet) بسازید. یک کلاس مدل سفارشی تخصص DeepLearning.AI TensorFlow: Advanced Techniques ویژگی‌های TensorFlow را معرفی می‌کند که به یادگیرندگان کنترل بیشتری بر معماری مدل و ابزارهایی می‌دهد که به آنها کمک می‌کند مدل‌های پیشرفته ML را ایجاد و آموزش دهند. این تخصص برای مهندسین نرم افزار و یادگیری ماشین در مراحل اولیه و اواسط حرفه ای با درک اساسی از TensorFlow است که به دنبال گسترش دانش و مجموعه مهارت های خود با یادگیری ویژگی های پیشرفته TensorFlow برای ساخت مدل های قدرتمند هستند.

coursera مدل‌های مبتنی بر دستگاه با TensorFlow Lite (Mitalearn-310672)

  • 2 hours 29 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laurence Moroney
درباره این دوره:

آوردن یک مدل یادگیری ماشینی به دنیای واقعی بسیار بیشتر از مدل سازی است. این تخصص به شما می آموزد که چگونه در سناریوهای مختلف استقرار پیمایش کنید و از داده ها به طور مؤثرتری برای آموزش مدل خود استفاده کنید. این دوره دوم به شما می آموزد که چگونه مدل های یادگیری ماشین خود را در برنامه های تلفن همراه اجرا کنید. شما یاد خواهید گرفت که چگونه مدل‌هایی را برای دستگاه‌های کم‌مصرف با باتری آماده کنید، سپس مدل‌ها را در هر دو پلتفرم اندروید و iOS اجرا کنید. در نهایت، نحوه استقرار در سیستم‌های جاسازی شده با استفاده از TensorFlow در Raspberry Pi و میکروکنترلرها را بررسی خواهید کرد. این تخصص مبتنی بر تخصص TensorFlow در عمل ما است. اگر تازه وارد TensorFlow هستید، توصیه می کنیم ابتدا TensorFlow in Practice Specialization را انتخاب کنید. برای ایجاد درک عمیق تر و اساسی از نحوه عملکرد شبکه های عصبی، توصیه می کنیم که تخصص یادگیری عمیق را انتخاب کنید.

coursera مدیریت پروژه های یادگیری ماشین با Google Cloud (Mitalearn-327111)

  • 4 hours 20 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

متخصصان کسب و کار در نقش های غیر فنی فرصتی منحصر به فرد برای رهبری یا تأثیرگذاری بر پروژه های یادگیری ماشین دارند. اگر در مورد یادگیری ماشین سوالی دارید و می خواهید بدانید که چگونه از آن بدون اصطلاحات فنی استفاده کنید، این دوره برای شما مناسب است. بیاموزید که چگونه مشکلات تجاری را به موارد استفاده از یادگیری ماشین ترجمه کنید و آنها را از نظر امکان سنجی و تأثیر بررسی کنید. بیاموزید که چگونه می توانید موارد استفاده غیرمنتظره را کشف کنید، مراحل پروژه ML و ملاحظات هر کدام را بشناسید، و اطمینان حاصل کنید که یک مورد استفاده سفارشی ML را به تیم یا رهبری خود پیشنهاد دهید یا الزامات را به یک تیم فنی ترجمه کنید.

coursera مدیریت پروژه های یادگیری ماشینی (Mitalearn-237096)

  • 4 hours 16 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Jon Reifschneider
درباره این دوره:

این دوره دوم از تخصص مدیریت محصول هوش مصنوعی توسط دانشکده مهندسی پرت دانشگاه دوک بر جنبه های عملی مدیریت پروژه های یادگیری ماشین تمرکز دارد. این دوره از طریق مراحل کلیدی یک پروژه ML از چگونگی شناسایی فرصت های خوب برای ML از طریق جمع آوری داده ها، ساخت مدل، استقرار و نظارت و نگهداری سیستم های تولید می پردازد. شرکت کنندگان در مورد فرآیند علم داده و نحوه اعمال فرآیند برای سازماندهی تلاش های ML، و همچنین ملاحظات و تصمیمات کلیدی در طراحی سیستم های ML یاد خواهند گرفت. در پایان این دوره، شما باید بتوانید: 1) فرصت هایی را برای اعمال ML برای حل مشکلات کاربران شناسایی کنید 2) از فرآیند علم داده برای سازماندهی پروژه های ML استفاده کنید 3) تصمیمات کلیدی فناوری را در طراحی سیستم ML ارزیابی کنید 4) پروژه های ML را از ایده پردازی تا تولید با استفاده از بهترین شیوه ها هدایت کنید

coursera مشکلات کسب و کار را با هوش مصنوعی و یادگیری ماشین حل کنید (Mitalearn-333418)

  • 2 hours 4 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Renée Cummings
درباره این دوره:

هوش مصنوعی (AI) و یادگیری ماشین (ML) به بخشی ضروری از مجموعه ابزار برای بسیاری از سازمان‌ها تبدیل شده‌اند. هنگامی که این ابزارها به طور مؤثر مورد استفاده قرار می گیرند، بینش عملی ارائه می دهند که تصمیمات حیاتی را هدایت می کند و سازمان ها را قادر می سازد محصولات و خدمات هیجان انگیز، جدید و نوآورانه ایجاد کنند. این اولین دوره از چهار دوره در گواهینامه حرفه ای متخصص هوش مصنوعی (CAIP) است. این دوره به عنوان نقطه ورود به دنیای AI/ML در نظر گرفته شده است. در مورد مشکلات تجاری که AI/ML می تواند حل کند و همچنین فناوری های AI/ML خاصی که می تواند آنها را حل کند، آشنا خواهید شد. علاوه بر این، یک نمای کلی از گردش کار کلی مربوط به یادگیری ماشین، و همچنین ابزارها و سایر منابعی که از آن پشتیبانی می‌کنند، دریافت خواهید کرد. این دوره همچنین اهمیت اخلاق در AI/ML را ترویج می کند و تکنیک هایی را برای رسیدگی به چالش های اخلاقی در اختیار شما قرار می دهد. در نهایت، این دوره شما را در مورد "چرا؟" فکر می کند. از AI/ML، و تضمین می کند که کارهای فنی بیشتر شما در دوره های بعدی با اهداف تجاری واضح در ذهن انجام می شود.

datacamp مفاهیم MLOps (Mitalearn-400568)

  • 50 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Folkert Stijnman
درباره این دوره:

درک عملیات یادگیری ماشین (MLOps) برای هر دانشمند داده، مهندس یا رهبر برای تبدیل مدل های یادگیری ماشین از یک نوت بوک محلی به یک مدل کارآمد در تولید ضروری است. این دوره شما را با فرآیندها، مراحل و سطوح کلیدی MLO ها از جمله طراحی، توسعه، استقرار و نظارت آشنا می کند. خواهید فهمید که چگونه اتوماسیون سازمان ها را قادر می سازد تا مدل های یادگیری ماشینی خود را به طور موثر راه اندازی، نظارت و به روز کنند.

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.

datacamp مقدمه ای بر MLflow (Mitalearn-401724)

  • 55 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Weston Bassler
درباره این دوره:

مدیریت چرخه حیات یک برنامه یادگیری ماشینی می‌تواند برای دانشمندان داده، مهندسان و توسعه‌دهندگان کار دلهره‌آوری باشد. برنامه‌های یادگیری ماشینی پیچیده هستند و سابقه اثبات شده‌ای دارند که ردیابی آنها دشوار است، بازتولید آن دشوار است و راه‌اندازی آن مشکل است.

در این دوره آموزشی، یاد خواهید گرفت که MLflow چیست و چگونه تلاش می کند تا مشکلات چرخه حیات یادگیری ماشین مانند ردیابی، تکرارپذیری و استقرار را ساده کند. پس از یادگیری MLflow، درک بهتری از نحوه غلبه بر پیچیدگی‌های ساخت برنامه‌های یادگیری ماشین و نحوه پیمایش مراحل مختلف چرخه زندگی یادگیری ماشین خواهید داشت.

linkedin مقدمه ای بر MLSecOps (Mitalearn-440501)

  • 1 hours 2 minutes
  • مناسب همه
  • Release date: 4 April 2024
  • Author: Diana Kelley
درباره این دوره: 

 

هر چه بیشتر به هوش مصنوعی (AI) و یادگیری ماشین (ML) تکیه کنیم، بیشتر به آن سیستم‌ها نیاز داریم که قابل اعتماد و انعطاف‌پذیر باشند. در این دوره - که برای مهندسان ML، دانشمندان داده، متخصصان AppSec یا MLSec و رهبران کسب و کار طراحی شده است - به مدرس Diana Kelley بپیوندید تا با تمرکز بر تاثیرگذارترین مسائل امنیتی و استراتژی‌های پیشگیری با استفاده از چارچوب MLSecOps و MLSecOps، مروری کلی از نحوه ایجاد امنیت در یادگیری ماشین و هوش مصنوعی ارائه دهد.

DevSecOps برای پیدا کردن اینکه چگونه و کجا امنیت را می توان در خط لوله ML بافته کرد. دیانا به شما نشان می‌دهد که چگونه می‌توانید مدل‌های یادگیری ماشین را ایمن کنید، ارزیابی‌های ریسک آگاه از هوش مصنوعی را انجام دهید، زنجیره‌های تامین را ممیزی و پایش کنید، طرح‌های واکنش به حادثه را اجرا کنید، و تیم رویایی MLSecOps خود را بسازید. در پایان این دوره، شما آماده خواهید بود که به افراد و سازمان ها کمک کنید تا در مورد ایمن سازی سیستم های هوش مصنوعی و ML خود فعال تر باشند.


coursera مقدمه ای بر PyMC3 برای مدل سازی و استنتاج بیزی (Mitalearn-329661)

  • 2 hours 3 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Dr. Srijith Rajamohan
درباره این دوره:

هدف از این دوره معرفی PyMC3 برای مدل سازی و استنتاج بیزی است، شرکت کنندگان با یادگیری اصول اولیه PyMC3 شروع می کنند و یاد می گیرند که چگونه استنتاج مقیاس پذیر را برای مسائل مختلف انجام دهند. این دوره نهایی در یک تخصص از سه دوره خواهد بود. از نوت بوک های پایتون و ژوپیتر در طول این دوره برای نشان دادن و انجام مدل سازی بیزی با PyMC3 استفاده می شود. وب سایت دوره در آدرس https://sjster.github.io/introduction_to_computational_statistics قرار دارد. /docs/index.html. دفترچه های دوره را می توان با دنبال کردن دستورالعمل های صفحه https://sjster.github.io/introduction_to_computational_statistics/docs/getting_started.html از این وب سایت دانلود کرد. مدرس این دوره دکتر Srijith Rajamohan خواهد بود.

coursera مقدمه ای بر TensorFlow برای هوش مصنوعی، یادگیری ماشینی و یادگیری عمیق (Mitalearn-309924)

  • 1 hours 16 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laurence Moroney
درباره این دوره:

اگر توسعه‌دهنده نرم‌افزاری هستید که می‌خواهید الگوریتم‌های مقیاس‌پذیر مبتنی بر هوش مصنوعی بسازید، باید بدانید که چگونه از ابزارهای ساخت آنها استفاده کنید. این دوره بخشی از DeepLearning.AI TensorFlow Developer Specialization است و بهترین روش ها برای استفاده از TensorFlow، یک چارچوب منبع باز محبوب برای یادگیری ماشین را به شما آموزش می دهد. دوره یادگیری ماشین و تخصص یادگیری عمیق از Andrew Ng مهمترین و اساسی ترین اصول یادگیری ماشین و یادگیری عمیق را آموزش می دهد. این تخصص توسعه‌دهنده DeepLearning.AI TensorFlow به شما می‌آموزد که چگونه از TensorFlow برای پیاده‌سازی این اصول استفاده کنید تا بتوانید شروع به ساخت و استفاده از مدل‌های مقیاس‌پذیر برای مشکلات دنیای واقعی کنید. برای ایجاد درک عمیق تر از نحوه عملکرد شبکه های عصبی، توصیه می کنیم که تخصص یادگیری عمیق را انتخاب کنید.

datacamp مقدمه ای بر TensorFlow در پایتون (Mitalearn-402302)

  • 57 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Isaiah Hull
درباره این دوره:

چندی پیش، الگوریتم‌های بینایی کامپیوتری پیشرفته نمی‌توانستند بین تصاویر گربه‌ها و سگ‌ها تفاوت قائل شوند. امروزه، یک دانشمند داده ماهر که به چیزی بیش از یک لپ تاپ مجهز نیست، می تواند ده ها هزار شی را با دقتی بیشتر از چشم انسان طبقه بندی کند. در این دوره، از TensorFlow 2.6 برای توسعه، آموزش و پیش‌بینی مدل‌هایی استفاده خواهید کرد که پیشرفت‌های عمده‌ای را در سیستم‌های توصیه، طبقه‌بندی تصاویر و فین‌تک انجام داده‌اند. شما هم API های سطح بالا را یاد خواهید گرفت که به شما امکان می دهد مدل های یادگیری عمیق را در 15 خط کد طراحی و آموزش دهید و هم API های سطح پایین را که به شما امکان می دهد فراتر از روال های معمولی بروید. همچنین یاد خواهید گرفت که قیمت مسکن، پیش‌فرض‌های کارت اعتباری وام گیرنده، و تصاویر حرکات زبان اشاره را به‌طور دقیق پیش‌بینی کنید.

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.

datacamp مقدمه ای بر پردازش زبان طبیعی در R (Mitalearn-399106)

  • 57 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Kasey Jones
درباره این دوره:

همانند هر دوره آموزشی دیگری، مقدمه ای بر پردازش زبان طبیعی در R طراحی شده است تا شما را به ابزارهای لازم برای شروع ماجراجویی در تجزیه و تحلیل متن مجهز کند. پردازش زبان طبیعی (NLP) یک زمینه دائماً در حال رشد در علم داده است که با پیشرفت‌های بسیار هیجان‌انگیزی در دهه گذشته انجام شده است. این دوره به مبانی این مباحث می پردازد و شما را برای گسترش قابلیت های تحلیل خود آماده می کند. ما در عبارات منظم، مدل‌سازی موضوع، شناسایی موجودیت نام‌گذاری شده و موارد دیگر غوطه‌ور می‌شویم، در حالی که نمونه‌های کاملی را ارائه می‌کنیم که می‌توانند برای شروع تحلیل آینده شما مورد استفاده قرار گیرند.

Related Skills

datacamp مقدمه ای بر پردازش زبان طبیعی در پایتون (Mitalearn-399208)

  • 49 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Katharine Jarmul
درباره این دوره:

در این دوره، اصول اولیه پردازش زبان طبیعی (NLP) مانند نحوه شناسایی و جداسازی کلمات، نحوه استخراج موضوعات در یک متن، و نحوه ساخت طبقه بندی اخبار جعلی خود را خواهید آموخت. شما همچنین یاد خواهید گرفت که چگونه از کتابخانه های پایه مانند NLTK، در کنار کتابخانه هایی که از یادگیری عمیق برای حل مشکلات رایج NLP استفاده می کنند، استفاده کنید. این دوره به شما پایه و اساس پردازش و تجزیه متن را در حین حرکت به سمت یادگیری پایتون می دهد.

Suggestions