Course catalog

Course duration

Course provider

Topic

Categories

Showing 241-260 of 409 items.

linkedin مبانی یادگیری ماشین: آمار (Mitalearn-394482)

  • 1 hours 26 minutes
  • مناسب همه
  • Update date: 25 July 2026
  • Author: Terezija Semenski
درباره این دوره:

مدل‌های یادگیری ماشینی نحوه کار ما را در بسیاری از صنایع متحول کرده است. اما عمیق‌تر شدن مدل‌های ML و در واقع درک نحوه عملکرد آنها به شما امکان می‌دهد عملکرد را بهینه کنید، نوآوری کنید، مشکلات را عیب‌یابی کنید و مدل‌های جدید و کارآمدتر ML ایجاد کنید. در این دوره آموزشی، قسمت چهارم از مجموعه مبانی یادگیری ماشینی، Terezija Semenski توضیح می‌دهد که چگونه درک عمیق آمار می‌تواند به شما کمک کند تا در پروژه‌های یادگیری ماشین برتر باشید. Terezija نشان می دهد که چگونه آمار نقش بزرگی در یادگیری ماشین ایفا می کند - فراتر از اعداد خرد - و به شما نشان می دهد که چگونه از آمار برای به دست آوردن بینش در مورد داده ها، درک عدم قطعیت های مرتبط با پیش بینی ها، و تصمیم گیری های مبتنی بر داده با اطمینان استفاده کنید.

linkedin مبانی یادگیری ماشین: احتمال (Mitalearn-394465)

  • 1 hours 29 minutes
  • مناسب همه
  • Update date: 9 June 2025
  • Author: Terezija Semenski
درباره این دوره: 

 

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

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


linkedin مبانی یادگیری ماشین: جبر خطی (Mitalearn-277131)

  • 1 hours 21 minutes
  • مناسب همه
  • Update date: 25 July 2026
  • Author: Terezija Semenski
درباره این دوره:

آیا تا به حال فکر کرده اید که واقعاً در زیر الگوریتم یادگیری ماشینی چه می گذرد؟ پاسخ جبر خطی است. بدون آن، یادگیری ماشینی نمی تواند وجود داشته باشد. جبر خطی پیش نیازی برای درک و ایجاد تقریباً همه الگوریتم‌های یادگیری ماشین است، به‌ویژه الگوریتم‌هایی که شبکه‌های عصبی، ابزارهای پردازش زبان طبیعی و مدل‌های یادگیری عمیق را پشتیبانی می‌کنند.

برای کاوش عمیق به مربی Terezija Semenski بپیوندید. مفاهیم اصلی جبر خطی در کنار تکنیک های مورد نیاز برای طراحی و پیاده سازی یک الگوریتم یادگیری ماشین موفق. اصول حساب برداری، هنجارهای برداری، ویژگی های ماتریس، عملیات پیشرفته، تبدیل ماتریس و الگوریتم هایی مانند رتبه صفحه گوگل را کشف کنید. در پایان این دوره، شما آماده خواهید بود که اصول جبر خطی را بپذیرید و آنها را در پروژه بزرگ بعدی یادگیری ماشین خود به کار ببرید.

linkedin مبانی یادگیری ماشین: حساب دیفرانسیل و انتگرال (Mitalearn-394448)

  • 1 hours 31 minutes
  • مناسب همه
  • Update date: 25 July 2026
  • Author: Terezija Semenski
درباره این دوره:

مطالعه هوش مصنوعی و یادگیری ماشینی می‌تواند به اندازه کافی دشوار باشد، اما اگر حساب دیفرانسیل و انتگرال را در ترکیب قرار دهید چه؟ ممکن است دلهره‌آور به نظر برسد، اما درک مبانی حساب دیفرانسیل و انتگرال می‌تواند به شما در طراحی و پیاده‌سازی الگوریتم‌های یادگیری ماشین کمک کند، و بدون پایه‌ای محکم در حساب دیفرانسیل و انتگرال، کار شما در یادگیری ماشینی می‌تواند به سرعت بسیار زیاد شود. در این دوره، Terezija Semenski به شما توابع، مشتقات، انتگرال ها و مبانی حساب چند متغیره را آموزش می دهد. اگر با مفاهیم و تکنیک‌های حساب دیفرانسیل و انتگرال مورد استفاده برای طراحی و پیاده‌سازی الگوریتم‌های ML مشکل دارید، این دوره آموزشی را با Terezija برای غلبه بر این چالش‌ها بررسی 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 مبانی یادگیری ماشین: نمونه سازی در لبه (Mitalearn-427666)

  • 1 hours 21 minutes
  • مناسب همه
  • Release date: 25 July 2026
  • Author: Robert Gallup
درباره این دوره:

به عنوان هوش مصنوعی و محاسبه قدرت همچنان در حال رشد است ، بنابراین نیاز و فرصت برای هوش یا اطلاعات غیر متمرکز "در لبه". نمونه سازی به طراحان محصول ، مدیران محصول و توسعه دهندگان اجازه می دهد تا بر کاوش در ایده های محصول تمرکز کنند ، بدون اینکه دانش عمیقی از تئوری داشته باشد ، و ابزارها و سخت افزار اکنون این امکان را فراهم می کند. در این دوره ، تکنسین ، طراح و بلندگو رابرت گالوپ شما را از طریق فرآیند یادگیری ماشین نمونه سازی در لبه راهنمایی می کند. رابرت با مروری بر یادگیری ماشین ، از جمله عناصر یادگیری ماشین ، گردش کار و اخلاق آغاز می شود. در مرحله بعد ، او سپس در مورد نمونه سازی بحث می کند ، و سناریویی را ارائه می دهد و برای نمونه اولیه تشخیص صدا که در این دوره تهیه شده است ، برنامه ریزی می کند. رابرت سپس شما را از طریق نحوه تهیه نرم افزار و سخت افزار و همچنین نحوه تعریف ، آموزش و استقرار یک مدل یادگیری ماشین پیاده می کند. سرانجام ، او به شما نشان می دهد که چگونه نمونه اولیه خود را گسترش دهید و در مورد ملاحظات در انجام حرکت از نمونه اولیه به تولید بحث می کند.

datacamp متن کاوی با کیسه کلمات در R (Mitalearn-406569)

  • 30 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Ted Kwartler
درباره این دوره:

تخمین زده شده است که بیش از 70٪ از اطلاعات تجاری بالقوه قابل استفاده، ساختاری ندارند، اغلب به شکل داده های متنی. متن کاوی مجموعه‌ای از تکنیک‌ها را فراهم می‌کند که به ما اجازه می‌دهد تا بینش‌های عملی را از داده‌های بدون ساختار استخراج کنیم. در این دوره به بررسی اصول متن کاوی با استفاده از روش کیسه کلمات می پردازیم. سه فصل اول انواع موضوعات ضروری برای تجزیه و تحلیل و تجسم داده های متنی را معرفی می کند. فصل آخر به شما امکان می‌دهد هر آنچه را که در یک مطالعه موردی در دنیای واقعی آموخته‌اید به کار ببرید تا بینش‌هایی را از بررسی‌های کارکنان دو شرکت بزرگ فناوری استخراج کنید.

Related Skills

coursera مجازی سازی، داکر و کوبرنتیس برای مهندسی داده (Mitalearn-336597)

  • 3 hours 7 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Noah Gift,Kennedy Behrman,Matt Harrison
درباره این دوره:

در طول این دوره، مجازی‌سازی، کانتینری‌سازی و Kubernetes را کاوش خواهید کرد و بر ابزارهایی که مهندسی داده را در این صنعت نیرو می‌دهند، تسلط خواهید داشت. هر هفته مجموعه جدیدی از ابزارها و پلتفرم ها را ارائه می دهد که در مهندسی داده ضروری هستند. از تسلط بر Docker و Kubernetes گرفته تا کاوش در موضوعات پیشرفته مانند کدنویسی مبتنی بر هوش مصنوعی با GitHub Copilot، مدیریت تصویر کانتینر کارآمد با Azure و Amazon Elastic Container Registries، و روش‌های Site Reliability Engineering (SRE)، فراتر از اصول اولیه رفته و به تخصص مورد نیاز برای پیشرفت در چشم انداز پویا و مبتنی بر داده های مهندسی پیشرفته داده است. چه دانشجوی فعلی باشید که به دنبال گسترش مهارت های خود هستید یا یک حرفه ای که هدف آن ارتقای تخصص خود به سطح بعدی است، این دوره برای تجهیز شما به دانش پیشرفته و تجربه عملی لازم برای موفقیت طراحی شده است.

datacamp مدل سازی با tidymodels در R (Mitalearn-404682)

  • 1 hours 2 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: David Svancer
درباره این دوره:

Tidymodels مجموعه قدرتمندی از بسته‌های R است که برای ساده‌سازی گردش‌های یادگیری ماشین طراحی شده است. تقسیم مجموعه داده ها برای اعتبارسنجی متقابل، پیش پردازش داده ها با بسته دستوری tidymodels و تنظیم دقیق الگوریتم های یادگیری ماشینی را بیاموزید. شما مفاهیم کلیدی مانند تعریف اشیاء مدل و ایجاد گردش کار مدلسازی را خواهید آموخت. سپس، مهارت‌های خود را برای پیش‌بینی قیمت خانه و طبقه‌بندی کارمندان بر اساس خطر ترک شرکت به کار خواهید گرفت.

Related Skills

coursera مدل سازی پیش بینی و یادگیری ماشین با متلب (Mitalearn-333554)

  • 3 hours 15 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Michael Reardon,Maria Gavilan-Alfonso,Erin Byrne
درباره این دوره:

در این دوره، شما بر مهارت های آموخته شده در تجزیه و تحلیل داده های اکتشافی با متلب و پردازش داده ها و مهندسی ویژگی با متلب برای افزایش توانایی خود در استفاده از قدرت متلب برای تجزیه و تحلیل داده های مرتبط با کاری که انجام می دهید، خواهید آموخت. این مهارت ها برای کسانی که دانش حوزه و مقداری در معرض ابزارهای محاسباتی هستند، اما هیچ پیشینه برنامه نویسی ندارند، ارزشمند است. برای موفقیت در این دوره باید پیشینه ای در زمینه آمار پایه (هیستوگرام، میانگین، انحراف معیار، برازش منحنی، درونیابی) داشته باشید و دروس 1 تا 2 این تخصص را گذرانده باشید. در پایان این دوره، شما از متلب برای شناسایی بهترین مدل یادگیری ماشینی برای به دست آوردن پاسخ از داده های خود استفاده خواهید کرد. شما داده‌های خود را آماده می‌کنید، یک مدل پیش‌بینی را آموزش می‌دهید، مدل خود را ارزیابی و بهبود می‌بخشید و می‌دانید که چگونه می‌توانید از مدل‌های خود بیشترین بهره را ببرید.

coursera مدل سازی در AWS (Mitalearn-329712)

  • 1 hours 45 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Whizlabs Instructor
درباره این دوره:

مدل سازی در AWS سومین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. تمرکز اصلی این دوره آموزش مدل های یادگیری ماشین با تجزیه و تحلیل مفاهیم مدل سازی در AWS است. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره با سخنرانی‌های ویدئویی تقریباً 1:30 ساعت تا 2:00 ساعت که دانش تئوری و دستی را ارائه می‌کند، زبان‌آموزان را تسهیل می‌کند. همچنین آزمون های درجه بندی شده و بدون درجه بندی به منظور سنجش توانایی فراگیران به همراه هر ماژول ارائه می شود. ماژول 1: مدل سازی و آموزش مدل های یادگیری ماشین در AWS ماژول 2: مدل های یادگیری ماشین: ارزیابی عملکرد و تنظیم در پایان این دوره، فراگیران قادر خواهند بود: 1. تجزیه و تحلیل مفاهیم مدل سازی و آموزش مدل های یادگیری ماشین 2. عملکرد مدل های یادگیری ماشین را بررسی کنید 3. با آموزش یک مدل، تنظیم خودکار مدل را پیاده سازی کنید

datacamp مدل های ARIMA در پایتون (Mitalearn-403254)

  • 54 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: James Fulton
درباره این دوره:

آیا تا به حال سعی کرده اید آینده را پیش بینی کنید؟ آنچه در پیش است رازی است که معمولاً فقط با انتظار حل می شود. در این دوره، شما از انتظار دست می کشید و یاد می گیرید که از مدل های قدرتمند کلاس ARIMA برای پیش بینی آینده استفاده کنید. شما یاد خواهید گرفت که چگونه از بسته statsmodels برای تجزیه و تحلیل سری های زمانی، ساخت مدل های مناسب و پیش بینی در شرایط عدم قطعیت استفاده کنید. بازار سهام در 24 ساعت آینده چگونه حرکت می کند؟ سطوح CO2 در دهه آینده چگونه تغییر خواهد کرد؟ سال آینده چند زلزله خواهد بود؟ شما یاد خواهید گرفت که همه این مشکلات و موارد دیگر را حل کنید.

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.

Suggestions