Course catalog

Course duration

Course provider

Topic

Categories

Showing 301-320 of 382 items.

coursera هوش مصنوعی مولد با مدل های زبان بزرگ (Mitalearn-309907)

  • 5 hours 35 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Chris Fregly,Antje Barth,Shelbee Eigenbrode
درباره این دوره:

در هوش مصنوعی مولد با مدل‌های زبان بزرگ (LLM)، اصول اولیه نحوه عملکرد هوش مصنوعی مولد و نحوه استقرار آن در برنامه‌های کاربردی دنیای واقعی را خواهید آموخت. با گذراندن این دوره، یاد خواهید گرفت: - درک عمیق هوش مصنوعی مولد، توصیف مراحل کلیدی در چرخه عمر AI مولد مبتنی بر LLM، از جمع‌آوری داده‌ها و انتخاب مدل، تا ارزیابی عملکرد و استقرار - معماری ترانسفورماتور را که به LLM ها نیرو می دهد، نحوه آموزش آنها و اینکه چگونه تنظیم دقیق LLM ها را قادر می سازد تا با انواع موارد استفاده خاص سازگار شوند را با جزئیات شرح دهید. - از قوانین مقیاس‌گذاری تجربی برای بهینه‌سازی تابع هدف مدل در اندازه مجموعه داده، بودجه محاسبه و الزامات استنتاج استفاده کنید. - برای به حداکثر رساندن عملکرد مدل ها در محدودیت های خاص پروژه خود، آموزش، تنظیم، استنتاج، ابزارها و روش های پیشرفته را به کار ببرید. - بحث در مورد چالش ها و فرصت هایی که هوش مصنوعی مولد برای مشاغل پس از شنیدن داستان هایی از محققان و متخصصان صنعت ایجاد می کند. توسعه دهندگانی که درک بنیادی خوبی از نحوه کار LLM و همچنین بهترین شیوه های آموزش و استقرار آنها دارند، می توانند تصمیمات خوبی برای شرکت خود بگیرند و با سرعت بیشتری نمونه های اولیه کار را بسازند. این دوره از زبان آموزان در ایجاد شهود عملی در مورد نحوه بهترین استفاده از این فناوری جدید هیجان انگیز پشتیبانی می کند. این یک دوره متوسط ​​است، بنابراین باید تجربه کدنویسی در پایتون را داشته باشید تا از آن نهایت استفاده را ببرید. همچنین باید با اصول یادگیری ماشینی، مانند یادگیری تحت نظارت و بدون نظارت، توابع از دست دادن، و تقسیم داده ها به مجموعه های آموزشی، اعتبار سنجی و آزمایش آشنا باشید. اگر تخصص یادگیری ماشین یا تخصص یادگیری عمیق را از DeepLearning.AI گرفته اید، آماده گذراندن این دوره و غوطه ور شدن عمیق تر در اصول هوش مصنوعی مولد هستید.

coursera هوش مصنوعی مولد برای همه (Mitalearn-327774)

  • 3 hours 14 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Andrew Ng
درباره این دوره:

با آموزش اندرو نگ، پیشگام هوش مصنوعی، هوش مصنوعی مولد برای همه دیدگاه منحصر به فرد خود را در توانمندسازی شما و کارتان با هوش مصنوعی مولد ارائه می دهد. اندرو شما را در مورد نحوه عملکرد هوش مصنوعی مولد و کارهایی که می تواند (و نمی تواند) انجام دهد، راهنمایی می کند. این شامل تمرین‌های عملی است که در آنها یاد می‌گیرید از هوش مصنوعی مولد برای کمک به کارهای روزمره و دریافت نکاتی در مورد مهندسی سریع مؤثر استفاده کنید، و همچنین یاد می‌گیرید که چگونه فراتر از درخواست برای استفاده‌های پیشرفته‌تر از هوش مصنوعی بروید. بینش هایی در مورد آنچه که هوش مصنوعی مولد می تواند انجام دهد، پتانسیل و محدودیت های آن به دست خواهید آورد. شما به برنامه های دنیای واقعی کاوش خواهید کرد و موارد استفاده رایج را یاد خواهید گرفت. شما با پروژه‌های هوش مصنوعی مولد وقت خواهید داشت تا دانش خود را عملی کنید و بینشی از تأثیر آن بر تجارت و جامعه کسب کنید. این دوره برای اطمینان از اینکه همه می توانند در آینده مبتنی بر هوش مصنوعی ما شرکت کنند ایجاد شده است.

coursera هوش مصنوعی مولد قابل اعتماد (Mitalearn-328046)

  • 1 hours 41 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Dr. Jules White
درباره این دوره:

ما شاهد بسیاری از گزارش‌های خبری از ابزارهای هوش مصنوعی Generative، مانند ChatGPT هستیم که اشتباه می‌کنند و اطلاعات نادرست تولید می‌کنند. بسیاری از این اشتباهات به این دلیل اتفاق می‌افتند که انسان‌ها از ابزارها به روشی اشتباه استفاده می‌کنند - تلاش برای حل مشکلات نامناسب و عدم فکر کردن به خطر. توهم یک اشکال نیست، این ویژگی زمانی است که به درستی به مشکلات برخورد کنید. این دوره تکنیک‌هایی را برای تعیین اینکه آیا مشکلی با قابلیت‌های هوش مصنوعی مولد مطابقت دارد، چارچوب‌بندی مشکلات برای کاهش ریسک، مهندسی سریع برای اعتماد و مشارکت انسانی مناسب در فرآیند را آموزش می‌دهد. دانش‌آموزان طرح‌های سریع، نحوه بررسی خروجی‌ها، نحوه استفاده از هوش مصنوعی مولد برای ایده‌پردازی و خلق، راه‌هایی برای تقویت مهارت‌های انسانی، و کاربردهای اخلاقی‌تر و مفیدتر را می‌آموزند. این دوره نشان می دهد که چگونه می توانید: - از تکنیک های مهندسی سریع برای تولید خروجی های مطمئن تر استفاده کنید - استاد روش‌ها برای تأیید و اعتبارسنجی خروجی‌ها - مشکلات را به روش های جایگزین برای کاهش ریسک چارچوب بندی کنید - از هوش مصنوعی مولد برای ایده پردازی خلاقانه استفاده کنید - از هوش مصنوعی مولد به روشی استفاده کنید که به جای جایگزینی استدلال و خلاقیت انسان، تقویت شود

coursera هوش مصنوعی مولد: اصول اولیه مهندسی (Mitalearn-328029)

  • 47 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Antonio Cangiano,Rav Ahuja
درباره این دوره:

این دوره برای همه طراحی شده است، از جمله متخصصان، مدیران اجرایی، دانش‌آموزان و علاقه‌مندان به استفاده از تکنیک‌های مهندسی سریع و مؤثر برای باز کردن پتانسیل کامل ابزارهای هوش مصنوعی (AI) مانند ChatGPT. مهندسی سریع فرآیندی است برای هدایت موثر مدل‌های هوش مصنوعی مولد و کنترل خروجی آنها برای تولید نتایج دلخواه. در این دوره، تکنیک ها، رویکردها و بهترین روش ها برای نوشتن اعلان های موثر را خواهید آموخت. شما در مورد تکنیک های سریع مانند شات صفر و چند شات، که می تواند قابلیت اطمینان و کیفیت مدل های زبان بزرگ (LLM) را بهبود بخشد، آشنا خواهید شد. شما همچنین رویکردهای مهندسی سریع مختلف مانند الگوی مصاحبه، زنجیره فکر و درخت فکر را بررسی خواهید کرد که هدف آنها ایجاد پاسخ های دقیق و مرتبط است. شما با ابزارهای مهندسی سریع مانند IBM watsonx Prompt Lab، Spellbook و Dust آشنا خواهید شد. آزمایشگاه‌های عملی موجود در این دوره فرصتی برای بهینه‌سازی نتایج با ایجاد اعلان‌های مؤثر در کلاس درس هوش مصنوعی IBM ارائه می‌دهند. همچنین از زبان پزشکان در مورد ابزارها و رویکردهای مورد استفاده در مهندسی سریع و هنر نوشتن اعلان های مؤثر خواهید شنید.

coursera هوش مصنوعی مولد: مدل‌ها و پلتفرم‌های بنیاد (Mitalearn-328386)

  • 51 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Rav Ahuja
درباره این دوره:

این دوره برای همه علاقه مندان و شاغلان با علاقه واقعی به زمینه به سرعت در حال توسعه هوش مصنوعی مولد است که دنیای ما را متحول می کند. این دوره بر مفاهیم اصلی و مدل‌های هوش مصنوعی مولد تمرکز دارد که بلوک‌های سازنده هوش مصنوعی مولد را تشکیل می‌دهند. شما یادگیری عمیق و مدل های زبان بزرگ (LLM) را کشف خواهید کرد. با GAN ها، VAE ها، ترانسفورماتورها و مدل های انتشار آشنا خواهید شد. بلوک های سازنده هوش مصنوعی مولد با مفهوم مدل های فونداسیون آشنا می شوید. همچنین با قابلیت‌های مدل‌ها و پلتفرم‌های از پیش آموزش‌دیده‌شده برای توسعه برنامه‌های هوش مصنوعی و نحوه استفاده مدل‌های بنیادی از آن‌ها برای تولید متن، تصاویر و کد آشنا خواهید شد. پلتفرم های مختلف هوش مصنوعی مانند IBM watsonx و Hugging Face را بررسی خواهید کرد. آزمایشگاه‌های عملی، که در این دوره گنجانده شده‌اند، فرصتی را برای کشف موارد استفاده از هوش مصنوعی مولد از طریق کلاس درس هوش مصنوعی مولد IBM و پلتفرم‌هایی مانند IBM watsonx فراهم می‌کنند. در این دوره، مدل های مختلفی مانند IBM Granite، OpenAI GPT، Google flan و Meta Llama را بررسی خواهید کرد. همچنین از پزشکان متخصص در مورد قابلیت ها، برنامه ها و ابزارهای هوش مصنوعی مولد خواهید شنید.  

coursera هوش مصنوعی مولد: مقدمه و کاربردها (Mitalearn-327944)

  • 1 hours 32 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Rav Ahuja
درباره این دوره:

این دوره برای همه - حرفه ای ها، مدیران اجرایی، دانشجویان و علاقه مندان - که علاقه مند به یادگیری در مورد هوش مصنوعی مولد و استفاده از قابلیت های آن در کار و زندگی خود هستند طراحی شده است. این اولین قدم شما به سمت درک قدرت هوش مصنوعی مولد است که توسط مدل هایی مانند مدل های زبان بزرگ (LLM) هدایت می شود. در این دوره، اصول و تکامل هوش مصنوعی مولد را با خواندن های اضافی و بینش های تخصصی که دید عمیق تری از تاریخچه و پیشرفت های آن ارائه می دهد، خواهید آموخت. قابلیت‌های آن را در متن، تصویر، صدا، ویدیو، دنیای مجازی، کد و داده با نکات کلیدی و خلاصه‌های پیشرفته در پایان هر بخش برای تقویت یادگیری بررسی خواهید کرد. شما کاربردهای هوش مصنوعی مولد را در صنایعی مانند فناوری اطلاعات، مالی، مراقبت های بهداشتی، آموزشی، سرگرمی و منابع انسانی درک خواهید کرد. همچنین ویژگی‌های ابزارها و مدل‌های محبوب، از جمله GPT، DALL-E، Stable Diffusion و Synthesia را خواهید دید. آزمایشگاه‌های عملی فرصت‌هایی را برای تمرین با استفاده از کلاس IBM Generative AI و ابزارهایی مانند ChatGPT فراهم می‌کنند. همچنین از متخصصان صنعت که بینش‌های دنیای واقعی را به اشتراک می‌گذارند خواهید شنید. فعالیت‌های تعاملی، پادکست‌ها و تمرین‌های مبتنی بر سناریو به شما کمک می‌کنند تا مفاهیم را به کار ببرید، در حالی که یک پروژه عملی نهایی، مهارت‌های شما را با تولید و اصلاح خروجی‌ها در قالب‌های مختلف تثبیت می‌کند.

coursera هوش مصنوعی و بهداشت عمومی (Mitalearn-328063)

  • 4 hours
  • مبتدی
  • Release date: 23 June 2026
  • Author: Robert Monarch
درباره این دوره:

در این دوره آموزشی با مبانی هوش مصنوعی و یادگیری ماشینی و نحوه اعمال آنها در سناریوهای دنیای واقعی در AI for Good space آشنا می شوید. همچنین با چارچوبی برای حل مشکل آشنا خواهید شد که در آن هوش مصنوعی بخشی از راه حل است. این دوره با یک مطالعه موردی شامل سه آزمایشگاه نوت بوک Jupyter که در آن شما یک برنامه نظارت بر کیفیت هوا برای شهر بوگوتا، کلمبیا ایجاد خواهید کرد، به پایان می رسد.

coursera هوش مصنوعی و تغییرات آب و هوایی (Mitalearn-328199)

  • 4 hours 28 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Robert Monarch
درباره این دوره:

در این دوره، شما با مروری بر مکانیسم‌های پشت سر تغییرات آب و هوایی انسانی و تأثیر آن بر دمای جهانی و الگوهای آب و هوایی شروع می‌کنید. شما از طریق دو مطالعه موردی کار خواهید کرد، یکی با استفاده از تحلیل سری های زمانی برای پیش بینی نیروی باد و دیگری با استفاده از بینایی کامپیوتری برای نظارت بر تنوع زیستی. هر دو مطالعه موردی نمونه‌هایی هستند که در آن تکنیک‌های هوش مصنوعی می‌توانند بخشی از راه‌حل برای کاهش تغییرات اقلیمی و سازگاری با آن باشند.

coursera هوش مصنوعی و مدیریت بلایا (Mitalearn-328369)

  • 3 hours 44 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Robert Monarch
درباره این دوره:

در این دوره با چهار مرحله از چرخه مدیریت بلایا آشنا می شوید. کاهش، آماده سازی، پاسخ و بازیابی. شما در این دوره از طریق دو مطالعه موردی کار خواهید کرد. در مرحله اول، از بینایی کامپیوتری برای تجزیه و تحلیل تصاویر ماهواره ای طوفان هاروی در سال 2017 برای شناسایی آسیب در مناطق آسیب دیده استفاده خواهید کرد. در مرحله دوم، از تکنیک‌های پردازش زبان طبیعی برای بررسی روند درخواست‌های کمک پس از زلزله 2010 در هائیتی استفاده خواهید کرد.

datacamp یادگیری بدون نظارت در R (Mitalearn-404223)

  • 40 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Hank Roark
درباره این دوره:

در بسیاری از مواقع در یادگیری ماشینی، هدف یافتن الگوها در داده‌ها بدون تلاش برای پیش‌بینی است. به این می گویند یادگیری بدون نظارت. یکی از موارد استفاده رایج از یادگیری بدون نظارت، گروه بندی مصرف کنندگان بر اساس جمعیت شناسی و سابقه خرید برای استقرار کمپین های بازاریابی هدفمند است. مثال دیگر این است که بخواهیم عوامل اندازه گیری نشده ای را توصیف کنیم که بیشتر بر تفاوت های جرم و جنایت بین شهرها تأثیر می گذارد. این دوره مقدمه‌ای برای خوشه‌بندی و کاهش ابعاد در R از دیدگاه یادگیری ماشینی ارائه می‌کند، به طوری که می‌توانید در سریع‌ترین زمان ممکن از داده‌ها به بینش‌ها برسید.

Related Skills

datacamp یادگیری بدون نظارت در پایتون (Mitalearn-400262)

  • 48 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Benjamin Wilson
درباره این دوره:

مثلاً مجموعه‌ای از مشتریان با ویژگی‌های مختلف مانند سن، موقعیت مکانی و سابقه مالی دارید و می‌خواهید الگوها را کشف کنید و آنها را در خوشه‌ها مرتب کنید. یا شاید شما مجموعه‌ای از متون مانند صفحات ویکی‌پدیا دارید و می‌خواهید آنها را بر اساس محتوایشان به دسته‌هایی تقسیم کنید. این دنیای یادگیری بدون نظارت است که به این دلیل نامیده می شود زیرا شما کشف الگو را با انجام برخی کارهای پیش بینی هدایت نمی کنید یا بر آن نظارت نمی کنید، بلکه در عوض ساختار پنهان را از داده های بدون برچسب کشف می کنید. یادگیری بدون نظارت شامل انواع تکنیک‌ها در یادگیری ماشین، از خوشه‌بندی تا کاهش ابعاد تا فاکتورسازی ماتریسی است. در این دوره، اصول یادگیری بدون نظارت را یاد می گیرید و الگوریتم های ضروری را با استفاده از scikit-learn و SciPy پیاده سازی می کنید. شما یاد خواهید گرفت که چگونه می توانید از مجموعه داده های بدون برچسب اطلاعات را خوشه بندی، تبدیل، تجسم و استخراج کنید و دوره را با ساختن یک سیستم توصیه کننده برای توصیه هنرمندان محبوب موسیقی به پایان برسانید.

coursera یادگیری بدون نظارت، توصیه‌کنندگان، یادگیری تقویتی (Mitalearn-327859)

  • 7 hours 14 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Andrew Ng,Aarti Bagul,Geoff Ladwig
درباره این دوره:

در دوره سوم تخصص یادگیری ماشین، شما: • از تکنیک های یادگیری بدون نظارت برای یادگیری بدون نظارت استفاده کنید: از جمله خوشه بندی و تشخیص ناهنجاری. • ساخت سیستم های توصیه گر با رویکرد فیلتر مشترک و روش یادگیری عمیق مبتنی بر محتوا. • یک مدل یادگیری تقویتی عمیق بسازید. The Machine Learning Specialization یک برنامه آنلاین اساسی است که با همکاری DeepLearning.AI و Stanford Online ایجاد شده است. در این برنامه مبتدی دوستانه، اصول یادگیری ماشینی و نحوه استفاده از این تکنیک ها برای ساخت اپلیکیشن های هوش مصنوعی در دنیای واقعی را خواهید آموخت. این تخصص توسط اندرو انگ، یک آینده‌نگر هوش مصنوعی که تحقیقات انتقادی را در دانشگاه استنفورد و کارهای پیشگامانه در Google Brain، Baidu و Landing.AI برای پیشرفت در زمینه هوش مصنوعی رهبری کرده است، آموزش داده می‌شود. این تخصص 3 دوره ای، نسخه به روز شده و توسعه یافته دوره پیشگام یادگیری ماشین اندرو است که از زمان راه اندازی آن در سال 2012، دارای امتیاز 4.9 از 5 است و بیش از 4.8 میلیون زبان آموز آن را دریافت کرده اند. این مقدمه گسترده ای برای یادگیری ماشین مدرن، از جمله یادگیری نظارت شده (رگرسیون خطی چندگانه، رگرسیون لجستیک، شبکه های عصبی و درختان تصمیم)، یادگیری بدون نظارت (خوشه بندی، کاهش ابعاد، سیستم های توصیه گر) و برخی از بهترین شیوه های مورد استفاده در سیلیکون ارائه می کند. Valley برای نوآوری های هوش مصنوعی و یادگیری ماشین (ارزیابی و تنظیم مدل ها، اتخاذ رویکرد داده محور برای بهبود عملکرد، و موارد دیگر). در پایان این تخصص، شما بر مفاهیم کلیدی تسلط خواهید داشت و دانش عملی برای به کارگیری سریع و قدرتمند یادگیری ماشینی در مسائل چالش برانگیز دنیای واقعی را به دست خواهید آورد. اگر به دنبال ورود به هوش مصنوعی یا ایجاد حرفه ای در یادگیری ماشین هستید، تخصص جدید یادگیری ماشین بهترین مکان برای شروع است.

datacamp یادگیری تحت نظارت با Sicit-Learn (Mitalearn-399412)

  • 1 hours
  • مناسب همه
  • Release date: 28 June 2026
  • Author: George Boorman
درباره این دوره:

مهارت های یادگیری ماشین خود را با scikit-learn رشد دهید و نحوه استفاده از این کتابخانه محبوب Python را برای آموزش مدل ها با استفاده از داده های برچسب گذاری شده کشف کنید. در این دوره، شما یاد خواهید گرفت که چگونه پیش‌بینی‌های قدرتمندی انجام دهید، مانند اینکه آیا مشتری از کسب‌وکار شما خارج می‌شود یا خیر، آیا یک فرد مبتلا به دیابت است یا خیر، و حتی نحوه طبقه‌بندی ژانر یک آهنگ. با استفاده از مجموعه داده‌های دنیای واقعی، نحوه ساخت مدل‌های پیش‌بینی، تنظیم پارامترهای آن‌ها و تعیین میزان عملکرد آنها با داده‌های دیده نشده را خواهید یافت.

datacamp یادگیری تحت نظارت در R: طبقه بندی (Mitalearn-401826)

  • 57 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Brett Lantz
درباره این دوره:

این مقدمه در سطح مبتدی برای یادگیری ماشین، چهار مورد از رایج‌ترین الگوریتم‌های طبقه‌بندی را پوشش می‌دهد. شما با درک اساسی از نحوه نزدیک شدن هر الگوریتم به یک کار یادگیری و همچنین توابع R مورد نیاز برای اعمال این ابزارها در کار خود خواهید آموخت.

Related Skills

coursera یادگیری تقویتی برای استراتژی های معاملاتی (Mitalearn-332857)

  • 2 hours 36 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Jack Farmer
درباره این دوره:

در دوره پایانی از تخصص یادگیری ماشین برای تجارت، شما با یادگیری تقویتی (RL) و مزایای استفاده از یادگیری تقویتی در استراتژی های معاملاتی آشنا می شوید. شما یاد خواهید گرفت که چگونه RL با شبکه های عصبی یکپارچه شده است و LSTM ها را بررسی می کنید و چگونه می توان آنها را برای داده های سری زمانی اعمال کرد. در پایان دوره، می‌توانید استراتژی‌های معاملاتی را با استفاده از یادگیری تقویتی بسازید، بین سیاست‌های مبتنی بر بازیگر و سیاست‌های مبتنی بر ارزش تفاوت قائل شوید و RL را در استراتژی معاملاتی حرکتی بگنجانید. برای موفقیت در این دوره، باید صلاحیت پیشرفته در برنامه نویسی پایتون و آشنایی با کتابخانه های مربوط به یادگیری ماشین، مانند Scikit-Learn، StatsModels و Pandas داشته باشید. تجربه با SQL توصیه می شود. شما باید پیشینه ای در زمینه آمار (مقادیر مورد انتظار و انحراف استاندارد، توزیع های گاوسی، ممان های بالاتر، احتمال، رگرسیون های خطی) و دانش پایه ای از بازارهای مالی (سهام، اوراق قرضه، مشتقات، ساختار بازار، پوشش ریسک) داشته باشید.

coursera یادگیری تقویتی در امور مالی (Mitalearn-336750)

  • 5 hours 18 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Igor Halperin
درباره این دوره:

هدف این دوره معرفی مفاهیم اساسی یادگیری تقویتی (RL) و توسعه موارد استفاده برای کاربردهای RL برای ارزش گذاری اختیار، معاملات و مدیریت دارایی است. تا پایان این دوره، دانشجویان قادر خواهند بود - از یادگیری تقویتی برای حل مسائل کلاسیک امور مالی مانند بهینه سازی سبد، معاملات بهینه و قیمت گذاری گزینه و مدیریت ریسک استفاده کنید. - با استفاده از مشکلات مالی روی مثال های ارزشمندی مانند یادگیری کیو معروف تمرین کنید. - دانش خود را در دوره به یک مدل ساده برای پویایی بازار که با استفاده از یادگیری تقویتی به عنوان پروژه دوره به دست می آید، اعمال کنند. پیش نیاز دوره های "تور راهنمای یادگیری ماشین در امور مالی" و "مبانی یادگیری ماشینی در امور مالی" است. از دانش آموزان انتظار می رود که فرآیند lognormal و نحوه شبیه سازی آن را بدانند. آگاهی از قیمت گذاری گزینه فرضی نیست اما مطلوب است.

coursera یادگیری عمیق احتمالی با TensorFlow 2 (Mitalearn-336155)

  • 6 hours 14 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Dr Kevin Webster
درباره این دوره:

به این دوره آموزش عمیق احتمالی با TensorFlow خوش آمدید! این دوره مبتنی بر مفاهیم و مهارت‌های پایه تنسورفلو است که در دو دوره اول این تخصص تدریس شده است و بر رویکرد احتمالی یادگیری عمیق تمرکز دارد. این یک حوزه به طور فزاینده مهم یادگیری عمیق است که هدف آن تعیین کمیت نویز و عدم قطعیت است که اغلب در مجموعه داده های دنیای واقعی وجود دارد. این یک جنبه حیاتی در هنگام استفاده از مدل های یادگیری عمیق در برنامه هایی مانند وسایل نقلیه خودران یا تشخیص های پزشکی است. ما به مدل نیاز داریم تا بدانیم چه چیزی را نمی داند. شما یاد خواهید گرفت که چگونه مدل‌های احتمالی را با TensorFlow توسعه دهید و از کتابخانه احتمالی TensorFlow استفاده کنید، کتابخانه‌ای که برای آسان کردن ترکیب مدل‌های احتمالی با یادگیری عمیق طراحی شده است. به این ترتیب، این دوره همچنین می تواند به عنوان مقدمه ای برای کتابخانه TensorFlow Probability مشاهده شود. شما یاد خواهید گرفت که چگونه توزیع‌های احتمال را می‌توان در مدل‌های یادگیری عمیق در TensorFlow، از جمله شبکه‌های عصبی بیزی، جریان‌های عادی‌سازی و رمزگذارهای خودکار متغیر، نمایش داد و گنجاند. شما یاد خواهید گرفت که چگونه مدل هایی را برای تعیین کمیت عدم قطعیت و همچنین مدل های تولیدی ایجاد کنید که می توانند نمونه های جدیدی مشابه نمونه های موجود در مجموعه داده ایجاد کنند، مانند تصاویر چهره های افراد مشهور. مفاهیمی را که در مورد آنها یاد می گیرید بلافاصله در آموزش های عملی و عملی برنامه نویسی، که توسط دستیار آموزشی فارغ التحصیل راهنمایی می شوید، در عمل قرار می دهید. علاوه بر این، یک سری تکالیف برنامه نویسی با درجه بندی خودکار برای شما وجود دارد تا مهارت های خود را تثبیت کنید. در پایان دوره، بسیاری از مفاهیم را در یک پروژه Capstone گرد هم می‌آورید، جایی که یک الگوریتم رمزگذار خودکار متغیر را برای تولید یک مدل تولیدی از مجموعه داده‌های تصویر مصنوعی که خودتان ایجاد می‌کنید، ایجاد می‌کنید. این دوره از دو دوره قبلی در این تخصص پیروی می کند، شروع با TensorFlow 2 و سفارشی کردن مدل های خود با TensorFlow 2. دانش پیش نیاز اضافی مورد نیاز برای موفقیت در این دوره یک پایه محکم در احتمال و آمار است. به طور خاص، فرض بر این است که شما با توزیع‌های احتمال استاندارد، توابع چگالی احتمال، و مفاهیمی مانند برآورد حداکثر احتمال، فرمول تغییر متغیرها برای متغیرهای تصادفی و کران پایین شواهد (ELBO) مورد استفاده در استنتاج تغییرات آشنا هستید.

coursera یادگیری عمیق با Keras و Tensorflow (Mitalearn-330188)

  • 2 hours 13 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Samaya Madhavan,Ricky Shi,Alex Aklson
درباره این دوره:

یادگیری عمیق در بسیاری از زمینه ها از جمله بینایی کامپیوتر، پردازش زبان طبیعی و روباتیک انقلابی ایجاد کرده است. علاوه بر این، Keras، یک API شبکه های عصبی سطح بالا که به زبان پایتون نوشته شده است، به بخشی ضروری از TensorFlow تبدیل شده است و یادگیری عمیق را در دسترس و ساده می کند. تسلط بر این تکنیک ها فرصت های زیادی را در تحقیقات و صنعت باز خواهد کرد. شما یاد خواهید گرفت که لایه ها و مدل های سفارشی را در Keras ایجاد کنید و Keras را با TensorFlow 2.x برای عملکرد بهبودیافته ادغام کنید. شما شبکه های عصبی کانولوشنال پیشرفته (CNN) را با استفاده از Keras توسعه خواهید داد. همچنین با استفاده از TensorFlow با Keras، مدل‌های ترانسفورماتور را برای داده‌های متوالی و سری‌های زمانی خواهید ساخت. این دوره همچنین اصول یادگیری بدون نظارت در Keras و TensorFlow را برای بهینه سازی مدل و حلقه های آموزشی سفارشی پوشش می دهد. در نهایت، شبکه‌های Q عمیق (DQN) را با Keras برای وظایف یادگیری تقویتی توسعه داده و آموزش خواهید داد (مروری از مدل‌سازی تولیدی و یادگیری تقویتی ارائه شده است). شما می توانید مفاهیم آموخته شده را با استفاده از آزمایشگاه های عملی در هر درس تمرین کنید. یک پروژه نهایی نهایی در آخرین ماژول به شما فرصتی می دهد تا دانش خود را برای ایجاد یک مدل طبقه بندی با استفاده از یادگیری انتقالی به کار ببرید. این دوره برای همه مهندسین مشتاق هوش مصنوعی که می خواهند TensorFlow و Keras را یاد بگیرند مناسب است. این نیاز به دانش کاربردی برنامه نویسی پایتون و مفاهیم پایه ریاضی مانند گرادیان و ماتریس، و همچنین اصول یادگیری عمیق با استفاده از Keras دارد.

coursera یادگیری عمیق برای کسب و کار (Mitalearn-284492)

  • 2 hours 47 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Jong-Moon Chung
درباره این دوره:

گوشی هوشمند، ساعت هوشمند و خودروی شما (اگر مدل جدیدتر باشد) هر روز هوش مصنوعی (هوش مصنوعی) را در خود جای داده است. در آینده نزدیک، فناوری پیشرفته‌تر «خودآموزی» DL (یادگیری عمیق) و ML (یادگیری ماشینی) تقریباً در هر جنبه از تجارت و صنعت شما استفاده خواهد شد. بنابراین اکنون زمان مناسبی است که یاد بگیرید DL و ML چیست و چگونه از آن به نفع شرکت خود استفاده کنید. این دوره دارای سه بخش است که بخش اول بر روی استراتژی تجاری آینده مبتنی بر فناوری DL و ML تمرکز دارد که شامل جزئیات محصولات/خدمات پیشرفته و نرم افزار منبع باز DL است که توانمندسازهای آینده هستند. بخش دوم بر روی فن‌آوری‌های اصلی سیستم‌های DL و ML متمرکز است که شامل سیستم‌های NN (شبکه عصبی)، CNN (NN Convolutional) و RNN (NN بازگشتی) می‌شود. بخش سوم بر چهار پروژه TensorFlow Playground متمرکز است، جایی که تجربه طراحی DL NN ها را می توان با استفاده از یک برنامه آسان و سرگرم کننده و در عین حال بسیار قدرتمند به نام TensorFlow Playground به دست آورد. این دوره برای کمک به شما در ایجاد استراتژی های تجاری طراحی شده است و شما را قادر می سازد تا برنامه ریزی فنی در مورد خدمات و محصولات جدید DL و ML انجام دهید.

coursera یادگیری عمیق در پرونده الکترونیک سلامت - CDSS 2 (Mitalearn-333095)

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

مروری بر اصول اصلی یادگیری عمیق به همراه معماری های رایج. مسئله را برای طبقه بندی سری های زمانی فرموله کنید و آن را برای سیگنال های حیاتی مانند ECG اعمال کنید. به کارگیری این روش در پرونده الکترونیک سلامت به دلیل مقادیر از دست رفته و ناهمگونی در EHR که شامل متغیرهای پیوسته، ترتیبی و طبقه‌ای است، چالش برانگیز است. متعاقبا، تکنیک‌های انتساب و استراتژی‌های مختلف رمزگذاری را برای رسیدگی به این مسائل بررسی کنید. این رویکردها را برای فرمول بندی معیارهای پیش بینی بالینی به دست آمده از اطلاعات موجود در پایگاه داده MIMIC-III به کار ببرید.

Suggestions