Course catalog

Course duration

Course provider

Topic

Categories

Showing 321-340 of 409 items.

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.

linkedin یادگیری XAI: هوش مصنوعی قابل توضیح (Mitalearn-149563)

  • 1 hours 14 minutes
  • مبتدی
  • Release date: 25 July 2026
  • Author: Aki Ohashi
درباره این دوره:

اکنون که هوش مصنوعی و یادگیری ماشینی گسترده شده‌اند، مردم شروع به پرسیدن کرده‌اند، "آیا این فناوری واقعاً بهترین تصمیم‌ها را می‌گیرد؟ آیا می‌توان به هوش مصنوعی اعتماد کرد؟ انسان‌ها چگونه و در کجا قرار می‌گیرند؟" هوش مصنوعی قابل توضیح (XAI) راه حلی است که شفافیت را در مورد نحوه تصمیم گیری و اقدامات سیستم های هوش مصنوعی افزایش می دهد. این دوره مقدمه ای محکم از نحوه عملکرد XAI و ارزشی که برای کسب و کارها و ابتکارات مرتبط با علم داده از دیدگاه حقوقی و تجاری ارائه می دهد ارائه می دهد. مربی آکی اوهاشی، مدیر توسعه کسب و کار PARC، یک شرکت زیراکس، شکاف بین پتانسیل و مشکلات هوش مصنوعی را پر می‌کند و به مدیران، کارآفرینان، مدیران و رهبران تیم دقیقاً آنچه را که باید بدانند برای آگاهی از نحوه تأثیرگذاری هوش مصنوعی بر آنها ارائه می‌کند. زمینه های.

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.

coursera یادگیری عمیق مولد با TensorFlow (Mitalearn-332585)

  • 1 hours 51 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laurence Moroney
درباره این دوره:

در این دوره، شما: الف) انتقال سبک عصبی را با استفاده از یادگیری انتقال بیاموزید: محتوای یک تصویر (مثلاً قو) و سبک یک نقاشی (مثلاً کوبیست یا امپرسیونیست) را استخراج کنید و محتوا و سبک را در یک تصویر جدید ترکیب کنید. ب) رمزگذارهای خودکار ساده را بر روی مجموعه داده آشنای MNIST بسازید، و معماری‌های پیچیده‌تر و پیچیده‌تر روی مجموعه داده‌های Fashion MNIST، تفاوت در نتایج مدل‌های رمزگذار خودکار DNN و CNN را درک کنید، راه‌هایی را برای حذف نویز تصاویر نویزدار شناسایی کنید، و یک CNN بسازید. AutoEncoder با استفاده از TensorFlow برای خروجی یک تصویر تمیز از یک تصویر پر سر و صدا. ج) رمزگذارهای خودکار متغیر (VAE) را برای تولید داده‌های کاملاً جدید کاوش کنید و چهره‌های انیمه را برای مقایسه آنها با تصاویر مرجع تولید کنید. د) درباره GAN ها بیاموزید. اختراع، ویژگی‌ها، معماری، و تفاوت آنها با VAE، عملکرد ژنراتور و تمایزکننده در مدل، مفهوم 2 مرحله آموزشی و نقش نویز معرفی شده را درک کنید و GAN خود را بسازید که می‌تواند چهره‌ها را تولید کند. تخصص DeepLearning.AI TensorFlow: Advanced Techniques ویژگی های TensorFlow را معرفی می کند که به زبان آموزان کنترل بیشتری بر معماری مدل خود می دهد و ابزارهایی را برای ایجاد و آموزش مدل های پیشرفته ML به آنها می دهد. 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.

linkedin یادگیری عمیق: تشخیص تصویر (Mitalearn-128024)

  • 1 hours 43 minutes
  • متوسط
  • Update date: 25 July 2026
  • Author: Adam Geitgey
درباره این دوره:

به لطف یادگیری عمیق، سیستم‌های تشخیص تصویر بهبود یافته‌اند و اکنون برای همه چیز از جستجو در کتابخانه‌های عکس گرفته تا تولید توضیحات مبتنی بر متن از عکس‌ها استفاده می‌شوند. در این دوره آموزشی یاد بگیرید که چگونه یک شبکه عصبی عمیق بسازید که بتواند اشیاء را در عکس ها تشخیص دهد. بیاموزید که چگونه شبکه های عصبی عمیق را برای تشخیص اشیاء جدید تنظیم کنید، بدون اینکه نیازی به آموزش مجدد شبکه باشد. API های تشخیص تصویر مبتنی بر ابر را که می توانید به عنوان جایگزینی برای ساختن سیستم های خود استفاده کنید، کاوش کنید. مراحل مربوط به شروع ساخت و استقرار سیستم تشخیص تصویر خود را بیاموزید.

linkedin یادگیری عمیق: تشخیص چهره (Mitalearn-128007)

  • 1 hours 25 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Adam Geitgey
درباره این دوره:

تشخیص چهره برای همه چیز از برچسب گذاری خودکار تصاویر گرفته تا باز کردن قفل تلفن های همراه استفاده می شود. و با پیشرفت های اخیر در یادگیری عمیق، دقت تشخیص چهره بهبود یافته است. در این دوره آموزشی، یاد بگیرید که چگونه یک سیستم تشخیص چهره ایجاد کنید که می تواند چهره ها را در تصاویر تشخیص دهد، چهره ها را شناسایی کند، و حتی چهره ها را با آرایش دیجیتال تغییر دهد، همانطور که در برنامه های محبوب تلفن همراه تجربه کرده اید. نحوه راه اندازی یک محیط توسعه را بیابید. ابزارهایی را که می توانید برای تشخیص چهره استفاده کنید، کشف کنید. ببینید چگونه می توان یک مدل یادگیری ماشینی را برای تجزیه و تحلیل تصاویر و شناسایی نشانه های چهره آموزش داد. مراحل مربوط به کدگذاری تشخیص ویژگی چهره، نمایش چهره به عنوان مجموعه ای از اندازه گیری ها و رمزگذاری چهره ها را بیاموزید. علاوه بر این، یاد بگیرید که چگونه سیستم های از قبل موجود را تغییر دهید و تنظیم کنید.

linkedin یادگیری عمیق: شروع به کار (Mitalearn-240428)

  • 1 hours 13 minutes
  • مناسب همه
  • Update date: 25 July 2026
  • Author: Kumaran Ponnambalam
درباره این دوره:

یادگیری عمیق به عنوان یک فناوری در چند سال اخیر رشد چشمگیری داشته است. راه‌حل‌های هوش مصنوعی بیشتر و بیشتر از یادگیری عمیق به عنوان فناوری پایه خود استفاده می‌کنند. با این حال، مطالعه این فناوری دارای چالش‌های متعددی است. بیشتر منابع یادگیری ریاضی سنگینی هستند و بدون داشتن مهارت های ریاضی خوب به سختی می توان آنها را جستجو کرد. متخصصان فناوری اطلاعات برای یادگیری مفاهیم و ساخت سریع مدل ها به یک منبع ساده نیاز دارند. هدف این دوره ارائه یک مسیر ساده برای مطالعه اصول یادگیری عمیق و رسیدن سریع به بهره‌وری است.n او در میان بلوک‌های ساختمانی مختلف شبکه‌های عصبی با توضیحات ساده و قابل درک حرکت می‌کند. کوماران همچنین کدی را در Keras برای پیاده سازی این بلوک های ساختمانی ایجاد می کند. سپس با یک تمرین انتها به انتها همه را جمع می کند. در نهایت، آنچه را که یاد گرفتید با یک مشکل یادگیری عمیق آزمایش کنید و راه حل خود را با کوماران مقایسه کنید.

linkedin یادگیری ماشین با ML.NET (Mitalearn-234393)

  • 1 hours 6 minutes
  • مناسب همه
  • Release date: 22 June 2026
  • Author: Microsoft .NET,Pranav Rastogi
درباره این دوره:

به آموزش ماشین با ML.NET خوش آمدید. در این دوره، مربی پراناو راستوگی شما را در مورد مفاهیم یادگیری ماشینی، آنچه که می توانید با این مفاهیم بسازید و چگونه شروع کنید، راهنمایی می کند. ابتدا، پراناو توضیح می دهد که ML.NET چیست و چه کاری می توانید با فریم ورک انجام دهید. او نحوه ساخت یک مدل ML برای تجزیه و تحلیل احساسات نظرات مشتریان را پوشش می‌دهد و توضیح می‌دهد که چگونه مسائل ورودی GitHub را با استفاده از یک الگوریتم طبقه‌بندی چند کلاسه در یکی از چندین برچسب (برچسب) طبقه‌بندی کنیم. پراناو به شما نشان می دهد که چگونه با استفاده از رویکرد توصیه مبتنی بر فیلتر مشارکتی، فیلم ها را به کاربران توصیه کنید. او با بحث در مورد اینکه چگونه یادگیری عمیق سناریوهای بیشتری را با استفاده از صدا، تصاویر، متن و دیگر انواع داده‌ها ممکن می‌سازد، به پایان می‌رسد.

این دوره توسط Microsoft.NET ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.

Suggestions