Course catalog

Course duration

Course provider

Topic

Categories

Showing 341-360 of 610 items.

coursera روش های یادگیری عمیق برای مراقبت های بهداشتی (Mitalearn-336682)

  • 3 hours
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Jimeng Sun
درباره این دوره:

این دوره روش های یادگیری عمیق (DL)، داده های مراقبت های بهداشتی و برنامه های کاربردی با استفاده از روش های DL را پوشش می دهد. این دوره ها شامل فعالیت هایی مانند سخنرانی های ویدئویی، آزمایشگاه های برنامه نویسی خود هدایت شونده، تکالیف درسی (چه کتبی و چه برنامه نویسی) و یک پروژه بزرگ است. مرحله اول این دوره شامل سخنرانی های ویدئویی در مورد موضوعات مختلف DL و برنامه های کاربردی سلامت، آزمایشگاه های خود هدایت شونده و تکالیف متعدد در منزل خواهد بود. در این مرحله، دانش و تجربه خود را در توسعه مدل های یادگیری عمیق عملی بر روی داده های مراقبت های بهداشتی ایجاد خواهید کرد. مرحله دوم این دوره یک پروژه بزرگ خواهد بود که می تواند منجر به گزارش فنی و نسخه ی نمایشی عملکرد مدل های یادگیری عمیق برای رسیدگی به برخی از مشکلات خاص مراقبت های بهداشتی شود. ما انتظار داریم که بهترین پروژه ها به طور بالقوه به انتشارات علمی منجر شوند.

coursera روش های یادگیری عمیق پیشرفته برای مراقبت های بهداشتی (Mitalearn-336716)

  • 3 hours 28 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Jimeng Sun
درباره این دوره:

این دوره روش های یادگیری عمیق (DL)، داده های مراقبت های بهداشتی و برنامه های کاربردی با استفاده از روش های DL را پوشش می دهد. این دوره ها شامل فعالیت هایی مانند سخنرانی های ویدئویی، آزمایشگاه های برنامه نویسی خود هدایت شونده، تکالیف درسی (چه کتبی و چه برنامه نویسی) و یک پروژه بزرگ است. مرحله اول این دوره شامل سخنرانی های ویدئویی در مورد موضوعات مختلف DL و برنامه های کاربردی سلامت، آزمایشگاه های خود هدایت شونده و تکالیف متعدد در منزل خواهد بود. در این مرحله، دانش و تجربه خود را در توسعه مدل های یادگیری عمیق عملی بر روی داده های مراقبت های بهداشتی ایجاد خواهید کرد. مرحله دوم این دوره یک پروژه بزرگ خواهد بود که می تواند منجر به گزارش فنی و نسخه ی نمایشی عملکرد مدل های یادگیری عمیق برای رسیدگی به برخی از مشکلات خاص مراقبت های بهداشتی شود. ما انتظار داریم که بهترین پروژه ها به طور بالقوه به انتشارات علمی منجر شوند.

coursera روش های یادگیری مبتنی بر نمونه (Mitalearn-330205)

  • 3 hours 1 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Martha White,Adam White
درباره این دوره:

در این دوره، با چندین الگوریتم آشنا خواهید شد که می توانند سیاست های نزدیک به بهینه را بر اساس تعامل آزمون و خطا با محیط بیاموزند --- یادگیری از تجربه خود عامل. یادگیری از تجربه واقعی قابل توجه است زیرا نیازی به دانش قبلی در مورد پویایی محیط ندارد، اما هنوز می تواند به رفتار مطلوب دست یابد. ما روش های مونت کارلو ساده اما قدرتمند و روش های یادگیری تفاوت زمانی از جمله یادگیری Q را پوشش خواهیم داد. ما این دوره را با بررسی اینکه چگونه می‌توانیم بهترین‌ها را از هر دو دنیا بدست آوریم، به پایان می‌رسانیم: الگوریتم‌هایی که می‌توانند برنامه‌ریزی مبتنی بر مدل (مشابه برنامه‌نویسی پویا) و به‌روزرسانی‌های تفاوت زمانی را برای تسریع اساسی یادگیری ترکیب کنند. در پایان این دوره شما قادر خواهید بود: - یادگیری تفاوت زمانی و مونت کارلو را به عنوان دو استراتژی برای تخمین توابع ارزش از تجربه نمونه برداری شده درک کنید. - درک اهمیت اکتشاف، هنگام استفاده از تجربه نمونه برداری شده به جای برنامه نویسی پویا در یک مدل - ارتباط بین Monte Carlo و Dynamic Programming و TD را درک کنید. - پیاده سازی و اعمال الگوریتم TD، برای تخمین توابع مقدار - پیاده سازی و اعمال Expected Sarsa و Q-Learning (دو روش TD برای کنترل) - تفاوت بین کنترل در سیاست و خارج از سیاست را درک کنید - درک برنامه ریزی با تجربه شبیه سازی شده (بر خلاف استراتژی های برنامه ریزی کلاسیک) - یک رویکرد مبتنی بر مدل برای RL به نام Dyna پیاده سازی کنید که از تجربه شبیه سازی شده استفاده می کند - یک مطالعه تجربی برای مشاهده بهبود کارایی نمونه در هنگام استفاده از Dyna انجام دهید

linkedin روش‌های علم داده: ایجاد حس کسب‌وکار (Mitalearn-209930)

  • 1 hours 50 minutes
  • مناسب همه
  • Update date: 21 June 2026
  • Author: Neelam Dwivedi
درباره این دوره:

درک روزافزونی وجود دارد که علم داده باید فراتر از آزمایش در مقیاس کوچک به یک پیاده سازی در مقیاس بزرگ برود. در این دوره، Neelam Dwivedi روش‌های مهندسی نرم‌افزار و داده‌کاوی را برای دانشمندان داده ارائه می‌کند، سپس این ایده‌ها را با در نظر گرفتن یک نیاز ساده کسب‌وکار در طول یک چرخه زندگی به کار می‌گیرد - میزبانی یک مدل، مصرف آن در یک برنامه وب و راه‌اندازی CI/ خط لوله سی دی. Neelam با توضیح روش های مورد استفاده در دوره و نحوه ترکیب آنها شروع می کند. او به شما نشان می دهد که در توسعه معماری و استقرار یک مدل از کجا شروع کنید، سپس توضیح می دهد که چگونه برنامه های کاربردی وب بزرگتر ممکن است مدل را به عنوان یک سرویس مصرف کنند. Neelam نحوه مرحله بندی مدل و برنامه خود و همچنین نحوه برنامه ریزی پیش رو با یک نقشه راه کلی را پوشش می دهد. او با افکاری در مورد چگونگی کاربردهای بیشتر روش‌شناسی علم داده به پایان می‌رسد.

coursera روشهای علوم اجتماعی محاسباتی (Mitalearn-328828)

  • 5 hours 5 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Martin Hilbert
درباره این دوره:

این دوره به شما یک نمای کلی از فرصت های فعلی و دسترسی همه جانبه علوم اجتماعی محاسباتی را ارائه می دهد. نتایج همه روزه در اطراف ما هستند، از خدمات ارائه شده توسط با ارزش ترین شرکت های جهان، از نفوذ پنهان سازمان های دولتی، تا قدرت جنبش های اجتماعی و سیاسی. همه آنها رفتار انسان را برای شکل دادن به آن مطالعه می کنند. به طور خلاصه، همه آنها علوم اجتماعی را با ابزار محاسباتی انجام می دهند. در این دوره به سه سوال پاسخ می دهیم: I. چرا علوم اجتماعی محاسباتی (CSS) در حال حاضر؟ II. CSS چه چیزی را پوشش می دهد؟ III. نمونه هایی از CSS چیست؟ در این بخش آخر، ما به چهار کاربرد اصلی CSS نگاهی می اندازیم. ابتدا، پروفسور Blumenstock از UC Berkeley بحث می‌کند که چگونه می‌توانیم با مطالعه ردپای عظیم دیجیتالی که از تعاملات اجتماعی امروزی به جا مانده، به‌ویژه برای تقویت توسعه بین‌المللی، بینش‌هایی به دست آوریم. دوم، پروفسور شلتون از UC Riverside ما را با دنیای یادگیری ماشینی آشنا می‌کند، از جمله مفاهیم اساسی پشت این محرک فعلی بسیاری از چشم‌انداز محاسباتی امروزی. پروفسور فاولر از UC San Diego ما را با قدرت شبکه های اجتماعی آشنا می کند و در نهایت پروفسور Smaldino از UC Merced توضیح می دهد که چگونه شبیه سازی کامپیوتری به ما کمک می کند تا برخی از رازهای ظهور اجتماعی را بگشاییم.

coursera رویکرد ساختاری به حل مسئله (Mitalearn-329321)

  • 3 hours 10 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Fractal Analytics ,Ajoy Singh
درباره این دوره:

این دوره یک دوره مقدماتی است که شما را با مفاهیم و ابزارهای تفکر مسئله ای مجهز می کند. در پایان این دوره، شما قادر خواهید بود: 1. مراحل مختلف یک پروژه علم داده را توضیح دهید 2. درباره برخی از ابزارها و تکنیک های مورد استفاده در علم داده بحث کنید. 3. از تفکر ساختاریافته برای حل مشکلات استفاده کنید و در حین انجام این کار از تله های رایج اجتناب کنید 4. از طراحی انسان محور در حل مسئله استفاده کنید. این دوره همچنین به عنوان اولین پله برای دانشمندان مشتاق داده عمل می کند. این دوره بخشی از برنامه با عنوان گواهی حرفه ای علم داده فراکتال است. این دوره برای دانش آموزانی که به دنبال تقویت توانایی های تحلیلی و تفکر انتقادی خود هستند طراحی شده است. این دوره ایده آل برای دانش آموزان، متخصصان و هر کسی که شیفته رویکردهای سیستماتیک است، مهارت های اساسی مورد نیاز برای برخورد با مشکلات را با وضوح و اطمینان به شما می دهد.

coursera ریاضی پشت مانی بال (Mitalearn-326890)

  • 14 hours 29 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Professor Wayne Winston
درباره این دوره:

بیاموزید که چگونه می توان از احتمال، ریاضی و آمار برای کمک به بهبود تیم های بیسبال، فوتبال و بسکتبال، انتخاب بازیکن و ترکیب و همچنین در استراتژی بازی استفاده کرد.

coursera ریاضیات برای یادگیری ماشین: PCA (Mitalearn-332704)

  • 2 hours 19 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Marc Peter Deisenroth
درباره این دوره:

این دوره در سطح متوسط، مبانی ریاضی را برای استخراج تجزیه و تحلیل مؤلفه اصلی (PCA)، یک تکنیک کاهش ابعاد بنیادی معرفی می‌کند. ما برخی از آمارهای اولیه مجموعه داده‌ها را پوشش می‌دهیم، مانند مقادیر میانگین و واریانس، فاصله‌ها و زوایای بین بردارها را با استفاده از محصولات داخلی محاسبه می‌کنیم و پیش‌بینی‌های متعامد داده‌ها را بر روی فضاهای فرعی با ابعاد پایین‌تر استخراج می‌کنیم. با استفاده از همه این ابزارها، ما PCA را به عنوان روشی استخراج می کنیم که میانگین مربعات خطای بازسازی بین نقاط داده و بازسازی آنها را به حداقل می رساند. در پایان این دوره، شما با مفاهیم مهم ریاضی آشنا می شوید و می توانید PCA را به تنهایی پیاده سازی کنید. اگر مشکل دارید، مجموعه‌ای از نوت‌بوک‌های ژوپیتر را پیدا خواهید کرد که به شما امکان می‌دهند ویژگی‌های تکنیک‌ها را کشف کنید و آنچه را که برای رسیدن به مسیر باید انجام دهید، راهنمایی کنید. اگر قبلاً متخصص هستید، این دوره ممکن است بخشی از دانش شما را تازه کند. سخنرانی ها، مثال ها و تمرین ها نیاز دارند: 1. برخی از توانایی های تفکر انتزاعی 2. پیشینه خوب در جبر خطی (به عنوان مثال جبر ماتریسی و برداری، استقلال خطی، مبنا) 3. پیشینه اساسی در حساب چند متغیره (به عنوان مثال، مشتقات جزئی، بهینه سازی اساسی) 4. دانش اولیه در برنامه نویسی پایتون و numpy سلب مسئولیت: این دوره به طور قابل ملاحظه ای انتزاعی تر است و به برنامه نویسی بیشتری نسبت به دو دوره دیگر تخصصی نیاز دارد. با این حال، اگر می‌خواهید الگوریتم‌های یادگیری ماشین را درک و توسعه دهید، این نوع تفکر انتزاعی، دستکاری جبری و برنامه‌نویسی ضروری است.

coursera ریاضیات برای یادگیری ماشین: جبر خطی (Mitalearn-326499)

  • 3 hours 45 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: David Dye,Samuel J. Cooper,A. Freddie Page
درباره این دوره:

در این دوره در مورد جبر خطی، به بررسی این موضوع می پردازیم که جبر خطی چیست و چگونه با بردارها و ماتریس ها ارتباط دارد. سپس بررسی می کنیم که بردارها و ماتریس ها چیست و چگونه با آنها کار کنیم، از جمله مسئله گره ای مقادیر ویژه و بردارهای ویژه، و نحوه استفاده از آنها برای حل مسائل. در نهایت به نحوه استفاده از اینها برای انجام کارهای سرگرم کننده با مجموعه داده ها می پردازیم - مانند نحوه چرخش تصاویر چهره ها و نحوه استخراج بردارهای ویژه برای بررسی نحوه عملکرد الگوریتم Pagerank. از آنجایی که هدف ما برنامه‌های مبتنی بر داده است، برخی از این ایده‌ها را نه فقط روی مداد و کاغذ، به صورت کد پیاده‌سازی می‌کنیم. در پایان دوره، بلوک‌های کد می‌نویسید و با نوت‌بوک‌های Jupyter در پایتون مواجه می‌شوید، اما نگران نباشید، این‌ها کاملاً کوتاه هستند، روی مفاهیم متمرکز هستند و اگر قبلاً کدنویسی نکرده‌اید، شما را راهنمایی می‌کنند. در پایان این دوره، درک شهودی از بردارها و ماتریس ها خواهید داشت که به شما کمک می کند شکاف را به مسائل جبر خطی پر کنید و چگونه این مفاهیم را در یادگیری ماشین به کار ببرید.

coursera زیست رسانا برای علم داده های ژنومی (Mitalearn-335424)

  • 6 hours 7 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Kasper Daniel Hansen, PhD
درباره این دوره:

یاد بگیرید که از ابزارهای پروژه Bioconductor برای انجام تجزیه و تحلیل داده های ژنومی استفاده کنید. این پنجمین دوره در تخصص ژنومیک داده های بزرگ از دانشگاه جان هاپکینز است.

coursera ساخت ابزار تجسم داده ها (Mitalearn-332007)

  • متوسط
  • Release date: 23 June 2026
  • Author: Roger D. Peng, PhD,Brooke Anderson
درباره این دوره:

انقلاب علم داده مجموعه‌ای از داده‌های جدید را از طیف گسترده‌ای از منابع جدید تولید کرده است. این مجموعه داده های جدید برای پاسخ به سؤالات جدید به گونه ای استفاده می شود که قبلا تصور نشده بود. تجسم یکی از قوی‌ترین روش‌های نتیجه‌گیری از داده‌ها است، اما هجوم انواع داده‌های جدید مستلزم توسعه تکنیک‌های تجسم جدید و بلوک‌های ساختمانی است. این دوره به شما مهارت هایی را برای ایجاد آن بلوک های ساختمانی تجسم جدید ارائه می دهد. ما بر چارچوب ggplot2 تمرکز می کنیم و نحوه استفاده و گسترش سیستم را برای مطابقت با نیازهای خاص سازمان یا تیم شما شرح می دهیم. پس از اتمام این دوره، فراگیران قادر خواهند بود ابزارهای مورد نیاز برای تجسم طیف گسترده ای از انواع داده ها را بسازند و اصول مورد نیاز برای پرداختن به انواع داده های جدید را در حین ظهور خواهند داشت.

coursera ساخت برنامه های کاربردی هوش مصنوعی با API های Watson (Mitalearn-330256)

  • 57 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Antonio Cangiano
درباره این دوره:

یک زبان آموز می تواند برنامه ای بنویسد که از چندین سرویس هوش مصنوعی Watson (کشف، گفتار به متن، دستیار و متن به گفتار) استفاده کند. در پایان دوره، آنها بهترین شیوه های ترکیب سرویس های Watson و نحوه ایجاد سیستم های بازیابی اطلاعات تعاملی با Discovery + Assistant را خواهند آموخت.

coursera ساخت دریاچه های داده در AWS (Mitalearn-332738)

  • 2 hours 31 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Rafael Lopes,Alex G.
درباره این دوره:

دوره سطح پایه معمولاً برای افرادی طراحی شده است که درک پایه ای از مفاهیم ذخیره سازی و پردازش داده دارند، اما تجربه قبلی در مورد ساخت دریاچه های داده در AWS به طور خاص کم یا بدون تجربه هستند. پس از مقدمه ای کوتاه در مورد دریاچه های داده، دریافت داده ها، فهرست نویسی و آماده سازی را معرفی می کنیم و در پایان با مروری بر داده های پرس و جو با آمازون آتنا به پایان می رسیم. این دوره با مروری بر سازند دریاچه AWS، از جمله یک آزمایشگاه عملی که در آن یک دریاچه داده بسازید، ادامه خواهد یافت. سپس پردازش داده و تجزیه و تحلیل را با استفاده از چسب AWS قبل از فرو رفتن در ایجاد دریاچه داده‌های خودکار با استفاده از طرح‌های Lake Formation معرفی می‌کنیم. در نهایت، ما با Modern Data Architectures در AWS با آزمایشگاهی که انتشار و مصرف محصولات داده را به عنوان یک سرویس پوشش می دهد، پایان می دهیم.

coursera ساخت شبکه های متخاصم مولد اولیه (GAN) (Mitalearn-332245)

  • 2 hours 27 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Sharon Zhou,Eda Zhou,Eric Zelikman
درباره این دوره:

در این دوره، شما: - در مورد GAN ها و کاربردهای آنها بیاموزید - درک شهود پشت اجزای اساسی GAN ها - کاوش و پیاده سازی چندین معماری GAN - ساخت GAN های شرطی که قادر به تولید نمونه هایی از دسته های تعیین شده هستند تخصص شبکه‌های متخاصم مولد (GAN) DeepLearning.AI مقدمه‌ای هیجان‌انگیز برای تولید تصویر با GAN‌ها فراهم می‌کند و مسیری را از مفاهیم پایه به تکنیک‌های پیشرفته از طریق یک رویکرد آسان برای درک ترسیم می‌کند. همچنین پیامدهای اجتماعی، از جمله سوگیری در ML و راه های تشخیص آن، حفظ حریم خصوصی و موارد دیگر را پوشش می دهد. ایجاد یک پایگاه دانش جامع و کسب تجربه عملی در GAN. مدل خود را با استفاده از PyTorch آموزش دهید، از آن برای ایجاد تصاویر و ارزیابی انواع GAN های پیشرفته استفاده کنید. این تخصص مسیری قابل دسترس برای همه سطوح یادگیرندگانی که به دنبال نفوذ به فضای GAN یا استفاده از GAN در پروژه های خود هستند، حتی بدون آشنایی قبلی با تحقیقات پیشرفته ریاضی و یادگیری ماشین، فراهم می کند.

coursera ساخت شبکه‌های متخاصم مولد بهتر (GAN) (Mitalearn-332381)

  • 2 hours 22 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Sharon Zhou,Eda Zhou,Eric Zelikman
درباره این دوره:

در این دوره، شما: - چالش های ارزیابی GAN ها و مقایسه مدل های مختلف تولیدی را ارزیابی کنید - از روش Fréchet Inception Distance (FID) برای ارزیابی درستی و تنوع GAN ها استفاده کنید. - شناسایی منابع سوگیری و راه های تشخیص آن در GAN - تکنیک های مرتبط با StyleGAN های پیشرفته را بیاموزید و اجرا کنید تخصص شبکه‌های متخاصم مولد (GAN) DeepLearning.AI مقدمه‌ای هیجان‌انگیز برای تولید تصویر با GAN‌ها فراهم می‌کند و مسیری را از مفاهیم پایه به تکنیک‌های پیشرفته از طریق یک رویکرد آسان برای درک ترسیم می‌کند. همچنین پیامدهای اجتماعی، از جمله سوگیری در ML و راه های تشخیص آن، حفظ حریم خصوصی و موارد دیگر را پوشش می دهد. ایجاد یک پایگاه دانش جامع و کسب تجربه عملی در GAN. مدل خود را با استفاده از PyTorch آموزش دهید، از آن برای ایجاد تصاویر و ارزیابی انواع GAN های پیشرفته استفاده کنید. این تخصص مسیری قابل دسترس برای همه سطوح یادگیرندگانی که به دنبال نفوذ به فضای GAN یا استفاده از GAN در پروژه های خود هستند، حتی بدون آشنایی قبلی با تحقیقات پیشرفته ریاضی و یادگیری ماشین، فراهم می کند.

coursera ساخت مدل های رگرسیون، طبقه بندی و خوشه بندی (Mitalearn-331531)

  • 1 hours 43 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Anastas Stoyanovsky
درباره این دوره:

در بیشتر موارد، هدف نهایی یک پروژه یادگیری ماشینی، تولید یک مدل است. مدل‌ها تصمیم‌گیری می‌کنند، پیش‌بینی می‌کنند – هر چیزی که می‌تواند به کسب‌وکار کمک کند تا بهتر از یک انسان، خود، مشتریان و محیطش را درک کند. مدل‌ها با استفاده از الگوریتم‌ها ساخته می‌شوند و در دنیای یادگیری ماشین، الگوریتم‌های مختلفی برای انتخاب وجود دارد. شما باید بدانید که چگونه بهترین الگوریتم را برای یک کار مشخص انتخاب کنید، و چگونه از آن الگوریتم برای تولید یک مدل کاری استفاده کنید که ارزشی برای کسب و کار فراهم کند. این دوره سوم در گواهینامه حرفه‌ای متخصص هوش مصنوعی (CAIP) شما را با برخی از الگوریتم‌های اصلی یادگیری ماشینی آشنا می‌کند که برای حل دو مشکل رایج تحت نظارت استفاده می‌شوند: رگرسیون و طبقه‌بندی، و یکی از رایج‌ترین مشکلات بدون نظارت: خوشه‌بندی. . با استفاده از گردش کار یادگیری ماشینی که در دوره قبلی در مورد آن آموختید، چندین مدل برای رفع هر یک از این مشکلات خواهید ساخت. در نهایت، این دوره یک کاوش فنی از الگوریتم های مختلف یادگیری ماشین و نحوه استفاده از آنها برای ساخت مدل های حل مسئله را آغاز می کند.

coursera ساخت یک سیستم پیش بینی خودکار در مقیاس بزرگ (Mitalearn-332058)

  • 3 hours 15 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Jay Laramore,Marc Huber
درباره این دوره:

در این دوره شما یاد می گیرید که یک پروژه پیش بینی در مقیاس بزرگ را با استفاده از ابزارهای SAS Visual Forecasting توسعه داده و نگهداری کنید. تاکید در ابتدا بر انتخاب روش های مناسب برای ایجاد داده ها و تبدیل متغیرها، تولید مدل و انتخاب مدل است. سپس می آموزید که چگونه با اصلاح فرآیندهای پیش فرض در سیستم، عملکرد پیش بینی پایه کلی را بهبود بخشید. این دوره برای تحلیلگرانی که علاقه مند به تقویت مهارت های یادگیری ماشینی خود با ابزارهای تجزیه و تحلیل مناسب برای سنجش، اصلاح، مدل سازی، پیش بینی و مدیریت داده هایی هستند که متشکل از متغیرهایی هستند که در طول زمان جمع آوری می شوند، مناسب است. این دوره ها عمدتاً مبتنی بر نحو است، بنابراین تحلیلگرانی که این دوره را می گذرانند نیاز به آشنایی با کدنویسی دارند. تجربه با یک زبان شی گرا و همچنین آشنایی با دستکاری جداول بزرگ مفید است.

coursera ساخت، آموزش، و استقرار خطوط لوله ML با استفاده از BERT (Mitalearn-336563)

  • 2 hours 20 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Antje Barth
درباره این دوره:

در دوره دوم تخصص عملی علم داده، شما یاد خواهید گرفت که یک کار پردازش زبان طبیعی را با ایجاد یک خط لوله یادگیری ماشینی انتها به انتها با استفاده از اجرای بسیار بهینه شده Hugging Face از پیشرفته ترین الگوریتم BERT، خودکار کنید. با آمازون SageMaker Pipelines. خط لوله شما ابتدا مجموعه داده را به ویژگی های قابل خواندن BERT تبدیل می کند و ویژگی ها را در فروشگاه ویژگی Amazon SageMaker ذخیره می کند. سپس یک مدل طبقه‌بندی متن را با استفاده از یک مدل از پیش آموزش‌دیده Hugging Face که درک زبان انسان را از میلیون‌ها سند ویکی‌پدیا آموخته است، به مجموعه داده تنظیم می‌کند. در نهایت، خط لوله شما دقت مدل را ارزیابی می کند و تنها در صورتی مدل را به کار می گیرد که دقت از یک آستانه معین فراتر رود. علم داده های عملی برای مدیریت مجموعه داده های عظیمی طراحی شده است که در سخت افزار محلی شما مناسب نیستند و می توانند از منابع متعدد نشات گرفته باشند. یکی از بزرگترین مزایای توسعه و اجرای پروژه‌های علم داده در فضای ابری، چابکی و انعطاف‌پذیری است که ابر برای افزایش و کاهش با حداقل هزینه ارائه می‌دهد. تخصص عملی علم داده به شما کمک می کند تا مهارت های عملی را برای به کارگیری مؤثر پروژه های علم داده خود و غلبه بر چالش ها در هر مرحله از گردش کار ML با استفاده از Amazon SageMaker توسعه دهید. این تخصص برای توسعه دهندگان، دانشمندان و تحلیلگران متمرکز بر داده طراحی شده است که با زبان های برنامه نویسی Python و SQL آشنا هستند و می خواهند یاد بگیرند که چگونه خطوط لوله ML مقیاس پذیر و سرتاسر مقیاس پذیر را بیاموزند - هم خودکار و هم انسانی. -the-loop - در ابر AWS.

coursera ساختار پروژه های یادگیری ماشینی (Mitalearn-212939)

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

در دوره سوم تخصص یادگیری عمیق، یاد خواهید گرفت که چگونه یک پروژه یادگیری ماشینی موفق بسازید و به عنوان رهبر پروژه یادگیری ماشین تصمیم گیری را تمرین کنید. در پایان، شما قادر خواهید بود خطاها را در سیستم یادگیری ماشینی تشخیص دهید. اولویت بندی استراتژی ها برای کاهش خطاها؛ تنظیمات پیچیده ML را درک کنید، مانند مجموعه‌های آموزشی/آزمون ناهماهنگ، و مقایسه و/یا پیشی گرفتن از عملکرد در سطح انسانی. و یادگیری سرتاسر، انتقال یادگیری و یادگیری چند وظیفه ای را اعمال کنید. این همچنین یک دوره مستقل برای زبان آموزانی است که دانش اولیه یادگیری ماشین را دارند. این دوره از تجربه Andrew Ng در ساخت و ارسال بسیاری از محصولات یادگیری عمیق استفاده می کند. اگر می‌خواهید به یک رهبر فنی تبدیل شوید که می‌تواند مسیر یک تیم هوش مصنوعی را تعیین کند، این دوره «تجربه صنعت» را ارائه می‌دهد که در غیر این صورت ممکن است تنها پس از سال‌ها تجربه کاری ML به دست آورید. تخصص یادگیری عمیق برنامه اساسی ما است که به شما کمک می کند قابلیت 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 دانش و مهارت هایی را به دست آورید تا از یادگیری ماشینی در کار خود استفاده کنید، حرفه فنی خود را ارتقا دهید و گامی قطعی در دنیای هوش مصنوعی بردارید.

coursera سطوح پاسخ، مخلوط ها، و ساختمان مدل (Mitalearn-333537)

  • 7 hours 18 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Douglas C. Montgomery
درباره این دوره:

آزمایشات فاکتوریال اغلب در غربالگری فاکتور استفاده می شود. یعنی زیرمجموعه ای از عوامل را در یک فرآیند یا سیستم شناسایی کنید که برای پاسخ اهمیت اولیه دارند. هنگامی که مجموعه ای از عوامل مهم شناسایی شد، علاقه معمولاً به بهینه سازی تبدیل می شود. یعنی چه سطوحی از عوامل مهم بهترین مقادیر پاسخ را تولید می کنند. این دوره ابزارهای طراحی و بهینه سازی را برای پاسخ به این سؤالات با استفاده از چارچوب سطح پاسخ ارائه می دهد. سایر موضوعات مرتبط شامل طراحی و تجزیه و تحلیل آزمایش های رایانه ای، آزمایش با مخلوط ها و استراتژی های تجربی برای کاهش تأثیر عوامل غیرقابل کنترل بر تغییرپذیری ناخواسته در پاسخ است.

Suggestions