Course catalog

Course duration

Course provider

Topic

Categories

Showing 381-400 of 588 items.

linkedin کارگاه هوش مصنوعی: دستی با GAN ها با استفاده از شبکه های عمیق Convolution (Mitalearn-411040)

  • 1 hours 46 minutes
  • مناسب همه
  • Release date: 29 August 2025
  • Author: Janani Ravi
درباره این دوره: 

 اگر به دنبال تمرین AI دستی هستید ، این دوره برنامه نویسی به سبک کارگاه برای شما طراحی شده است. به مربی Janani Ravi بپیوندید زیرا او به شما نشان می دهد که چگونه می توانید شبکه های ژنرال تولیدی عمیق (GANS) را بسازید و آموزش دهید. اجزای اصلی لایه های حلقوی و جمع آوری ، از جمله تنظیم نوت بوک های میزبان Google Colab ، تبدیل تصاویر چند کاناله به تنش ، استفاده از لایه ها و مشاهده جلوه های فیلتر را کاوش کنید. Janani اصول اولیه آموزش یک تبعیض آمیز را به عنوان یک مدل طبقه بندی و آموزش یک GAN حلقوی عمیق مانند یک حرفه ای ، از تنظیم داده ها برای آموزش GAN ، تنظیم ژنراتور و تبعیض آمیز ، و خروجی از یک ژنراتور و تبعیض آمیز برای ایجاد یک حلقه آموزشی ، مشاهده و ارزیابی نتایج و موارد دیگر پوشش می دهد.

linkedin کارگاه هوش مصنوعی: ساخت یک شبکه عصبی با PyTorch Lightning (2023) (Mitalearn-442575)

  • 1 hours 30 minutes
  • مناسب همه
  • Release date: 8 December 2023
  • Author: Janani Ravi
درباره این دوره: 

 

اگر به دنبال تمرین عملی هوش مصنوعی هستید، این دوره کدنویسی به سبک کارگاهی برای شما طراحی شده است. به مربی Janani Ravi بپیوندید تا به شما نحوه ایجاد یک شبکه عصبی با PyTorch Lightning را نشان دهد، کتابخانه منبع باز پایتون که یک رابط برای چارچوب یادگیری عمیق محبوب PyTorch ارائه می دهد. اجزای اصلی ساخت یک شبکه عصبی با PyTorch، از جمله راه اندازی محیط مجازی، بارگیری و کاوش داده ها، پیش پردازش داده ها برای آموزش، ایجاد و آموزش یک شبکه عصبی ساده، راه اندازی Dataset و DataLoader، تجسم تلفات و موارد دیگر را کاوش کنید. در طول مسیر، جانانی اصول استفاده از ماژول ها در PyTorch Lightning را برای ساخت، آموزش و ارزیابی هر دو مدل رگرسیون و طبقه بندی پوشش می دهد.

این دوره توسط Loonycorn ایجاد شده است. ما خوشحالیم که این محتوا را در کتابخانه خود میزبانی می کنیم.


coursera کامپیوتر ویژن در Microsoft Azure (Mitalearn-320192)

  • 46 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

در Microsoft Azure، سرویس شناختی Computer Vision از مدل های از پیش آموزش دیده برای تجزیه و تحلیل تصاویر استفاده می کند و به توسعه دهندگان نرم افزار این امکان را می دهد تا به راحتی برنامه هایی را بسازند که جهان را «دیدن» و درک کنند. این توانایی برای پردازش تصاویر، کلید ایجاد نرم افزاری است که می تواند ادراک بصری انسان را تقلید کند. در این دوره آموزشی، برخی از این قابلیت ها را در حین یادگیری نحوه استفاده از سرویس Computer Vision برای تجزیه و تحلیل تصاویر، بررسی خواهید کرد. این دوره به شما کمک می کند تا برای آزمون AI-900: Microsoft Azure AI Fundamentals آماده شوید. این سومین دوره از یک برنامه پنج دوره ای است که شما را برای شرکت در آزمون گواهینامه AI-900 آماده می کند. این دوره به شما مفاهیم و مهارت های اصلی را می آموزد که در حوزه های امتحانی اصول هوش مصنوعی ارزیابی می شوند. این دوره مبتدی برای پرسنل فناوری اطلاعات که تازه شروع به کار با Microsoft Azure کرده‌اند و می‌خواهند در مورد پیشنهادات Microsoft Azure بیاموزند و تجربه عملی با محصول را کسب کنند مناسب است. Microsoft Azure AI Fundamentals می تواند برای آماده شدن برای سایر گواهینامه های مبتنی بر نقش Azure مانند Microsoft Azure Data Scientist Associate یا Microsoft Azure AI Engineer Associate استفاده شود، اما پیش نیاز هیچ یک از آنها نیست. این دوره برای داوطلبان با سوابق فنی و غیر فنی در نظر گرفته شده است. علم داده و تجربه مهندسی نرم افزار مورد نیاز نیست. با این حال، برخی از دانش یا تجربه برنامه نویسی عمومی مفید خواهد بود. برای موفقیت در این دوره، باید سواد کامپیوتری اولیه و تسلط به زبان انگلیسی را داشته باشید. شما باید با مفاهیم اولیه محاسبات و اصطلاحات، مفاهیم کلی فناوری، از جمله مفاهیم یادگیری ماشین و هوش مصنوعی آشنا باشید.

linkedin کامپیوتر ویژن در Raspberry Pi 4 (Mitalearn-231418)

  • 1 hours 43 minutes
  • مناسب همه
  • Release date: 22 June 2026
  • Author: Matt Scarpino
درباره این دوره:

برنامه های کاربردی بیشتر و بیشتری از بینایی کامپیوتر برای شناسایی و تشخیص اشیا استفاده می کنند. این برنامه‌ها معمولاً روی رایانه‌های بزرگ اجرا می‌شوند، اما توسعه‌دهندگان می‌توانند با اجرای آن‌ها بر روی رایانه‌های تک‌برد (SBC) در هزینه و انرژی صرفه‌جویی کنند. Raspberry Pi 4 یکی از محبوب ترین SBC های موجود است. همچنین این اولین کامپیوتر از خانواده Raspberry Pi است که به اندازه کافی قدرتمند برای اجرای برنامه های بینایی کامپیوتری است. همچنین نرم افزار مورد نیاز برای ساخت این اپلیکیشن ها به صورت رایگان از اینترنت قابل دانلود است. در این دوره، مدرس Matt Scarpino به برنامه نویسان نحوه نوشتن و اجرای برنامه های بینایی کامپیوتری را در Raspberry Pi 4 نشان می دهد. مت شما را با استفاده از Thonny IDE، کتابخانه OpenCV و عملیات آرایه NumPy آشنا می کند. او از طریق تشخیص اشیا و شبکه‌های عصبی گام برمی‌دارد، سپس شبکه‌های عصبی کانولوشنال (CNN)، از جمله بسته Keras و بسته TensorFlow را بررسی می‌کند. مت همچنین شما را در مورد کارهایی که می توانید با دوربین Raspberry Pi HQ انجام دهید راهنمایی می کند.

linkedin کاوش در جریان کار AI در طراحی FIGMA (Mitalearn-420101)

  • 56 minutes
  • مناسب همه
  • Release date: 23 June 2025
  • Author: Joseph Labrecque
درباره این دوره: 

 FIGMA یکی از ابزارهای نرم افزاری پیشرو برای طراحی و نمونه سازی تجربیات کاربر است و اکنون با ادغام ابزارهای هوش مصنوعی ، می توانید گردش کار خود را تقویت و گسترش دهید تا حتی از FIGMA نیز خارج شوید. در این دوره ، ویژگی ها و گردش کار AI را در FIGMA با متخصص طراحی UX و UI ، جوزف لابرک ، کاوش کنید.

linkedin کد خود را با هوش مصنوعی اشکال زدایی کنید (Mitalearn-417466)

  • 1 hours 9 minutes
  • مناسب همه
  • Release date: 22 September 2025
  • Author: Pragmatic AI Labs,Alfredo Deza
درباره این دوره: 

 

اشکال زدایی با هوش مصنوعی فقط در مورد اصلاح کد نیست - این در مورد تغییر روش کار شما است. در این دوره از آزمایشگاه های Pragmatic AI ، بیاموزید که چگونه هوش مصنوعی را به شریک اشکال زدایی جدید خود تبدیل کنید ، آن را برای حرکت به سمت کد های مسلمین ، با استفاده از اشکالات پیچیده ، انجام آزمایشات با اعتماد به نفس بیشتر و موارد دیگر ، استفاده کنید. در طول راه ، راه های باهوش تر و سریعتر برای عیب یابی مشکلات ، کشف مسائل پنهان و صرف وقت کمتری در ایجاد و زمان بیشتر در ساخت. در پایان این دوره ، شما فقط اشکال زدایی نخواهید کرد - شما بهتر ، سریعتر و به طور مؤثرتر با هوش مصنوعی در کنار خود اشکال زدایی خواهید کرد. ما خوشحالیم که این آموزش را در کتابخانه خود میزبانی می کنیم.


linkedin کلان داده در عصر هوش مصنوعی (Mitalearn-167923)

  • 2 hours 7 minutes
  • مبتدی
  • Release date: 19 September 2019
  • Author: Barton Poulson
درباره این دوره: 

 هیاهو در مورد کلان داده ممکن است چندین سال پیش به اوج خود رسیده باشد، اما کلان داده هنوز از بین رفته است. در عوض شالوده برخی از هیجان انگیزترین فناوری های امروزی را تشکیل می دهد. هوش مصنوعی (AI)، یادگیری ماشین و علم داده بر داده‌های بزرگ یا داده‌هایی تکیه می‌کنند که - به دلیل سرعت، حجم یا تنوع - نمی‌توانند به راحتی با روش‌های سنتی ذخیره یا تجزیه و تحلیل شوند. در این دوره غیر فنی، بارتون پولسون به مبحث کلان داده می پردازد و توضیح می دهد که چگونه کار می کند و جهان داده مدرن ما را شکل می دهد. بارتون رابطه کلان داده ها را با هوش مصنوعی، علم داده، رسانه های اجتماعی و اینترنت اشیا (IoT) توضیح می دهد. او برخی از مسائل اخلاقی پشت استفاده از داده های بزرگ را بررسی می کند. به علاوه، او تکنیک های مربوط به تجزیه و تحلیل داده های بزرگ، از جمله داده کاوی و تجزیه و تحلیل پیش بینی را پوشش می دهد.

linkedin کمک تست نرم افزار با GitHub Copilot AI (Mitalearn-435486)

  • 1 hours 16 minutes
  • مناسب همه
  • Release date: 23 August 2024
  • Author: Gary Kovar
درباره این دوره: 

 برای تقویت آزمایش خودکار در فرآیند توسعه نرم افزار خود ، چگونه می توانید از AI ، به ویژه GitHub Copilot استفاده کنید. مربی گری کوار نحوه نوشتن ، اصلاح مجدد و تولید تست ها را به طور مؤثر نشان می دهد و از کیفیت و ثبات کد اطمینان حاصل می کند. گری با بررسی قابلیت های Copilot ، اصول آزمایش خودکار و اینکه چگونه AI می تواند به طور قابل توجهی پوشش آزمون و کیفیت کد شما را تقویت کند ، شروع می کند. بیاموزید که یک مجموعه تست را پیکربندی کنید ، کد قابل آزمایش را شناسایی کنید و با سهولت تست های معنی دار تولید کنید. جلسات عملی در مورد اصلاح مجدد با تست ها اطمینان حاصل می کند که لایه ای از ایمنی را به فرآیند توسعه خود اضافه می کنید. پس از اتمام این دوره ، شما آماده استفاده از GitHub Copilot برای تولید تست های خودکار از کد موجود و ایجاد کد جدید پس از نوشتن تست هستید.

linkedin کنترل Chatgpt با دستورالعمل های سفارشی یا پیام های سیستم API (Mitalearn-415800)

  • 14 minutes
  • مناسب همه
  • Release date: 13 October 2023
  • Author: Morten Rand-Hendriksen
درباره این دوره: 

 دستورالعمل های سفارشی در ChatGPT به شما امکان می دهد زمینه اضافی را ارائه دهید و حتی هر بار که با آن تعامل دارید ، نوع پاسخ مورد نظر خود را از سیستم قالب بندی کنید. در API OpenAi Chat Complions API می توانید با استفاده از پیام های سیستم و دستیار به همان عملکرد دسترسی پیدا کنید. در این دوره کوتاه ، یاد بگیرید که چگونه از این ویژگی ها استفاده کنید تا پاسخ های سازگار و قابل تنظیم تر از هر دو سیستم بدست آورید.

linkedin گرایش های هوش مصنوعی (Mitalearn-278695)

  • 1 hours 15 minutes
  • مناسب همه
  • Update date: 24 August 2023
  • Author: Xavier Amatriain,Denys Linkov,Ray Villalobos,Morten Rand-Hendriksen,Vilas Dhar
درباره این دوره: 

 

هوش مصنوعی به سرعت از قلمرو علمی تخیلی به استفاده روزمره تغییر کرده است. اما از میان انبوهی از ابزارها و فناوری‌های موجود، کدام یک برای گردش کار و سازمان شما مناسب‌تر است؟ در این مجموعه در حال انجام، کارشناسان صنعت شما را از طریق محصولات و مفاهیم هوش مصنوعی که در آنجا وجود دارد راهنمایی می‌کنند - و چگونه تشخیص دهید چه چیزی بیشتر به نفع سازمان شما است.

برای ارائه دیدگاه‌های مختلف به شما، هر درس توسط یک رهبر فکری هوش مصنوعی متفاوت آموزش داده می‌شود: مربی ارشد کارکنان مورتن رند-هندریکسن، اخلاق‌شناس هوش مصنوعی ویلاس دار، معاون مهندسی و استراتژی محصول هوش مصنوعی در LinkedIn، خاویر آمتریاین، و بیشتر! برای شروع شناسایی بهترین راه‌ها برای وارد کردن هوش مصنوعی به سازمان خود هماهنگ شوید!

توجه: از آنجایی که این سریال در حال انجام است، بینندگان گواهی پایان کار دریافت نخواهند کرد.


linkedin گردش کار خود را با هوش مصنوعی تولید کنید (Mitalearn-411975)

  • 20 minutes
  • مناسب همه
  • Release date: 13 November 2024
  • Author: Madecraft,Tamara Franklin
درباره این دوره: 

 آیا گردش کار شما نیاز به تقویت دارد؟ هوش مصنوعی تولید نه تنها وظایف را خودکار می کند بلکه تصمیم گیری و کارآیی را افزایش می دهد. در این دوره ، مشاور گردش کار تامرا فرانکلین شما را از طریق ملزومات ادغام هوش مصنوعی در فرآیندهای تجاری خود راهنمایی می کند. بیاموزید که از قابلیت های AI مولد بهره مند شوید و آن را برای نیازهای خاص خود آموزش دهید. بعد از این دوره ، شما آماده استفاده از AI برای تغییر کارهای روزانه و افزایش بهره وری خود خواهید بود.

coursera گردش کار هوش مصنوعی: استقرار مدل سازمانی (Mitalearn-336835)

  • 23 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Mark J Grover,Ray Lopez, Ph.D.
درباره این دوره:

این پنجمین دوره در تخصص IBM AI Enterprise Workflow Certification است.   شما قویاً تشویق می‌شوید که این دوره‌ها را به ترتیب تکمیل کنید، زیرا این دوره‌ها دوره‌های مستقل جداگانه نیستند، بلکه بخشی از جریان کاری هستند که هر دوره بر اساس دوره‌های قبلی است. این دوره شما را با حوزه ای آشنا می کند که تعداد کمی از دانشمندان داده قادر به تجربه آن هستند: استقرار مدل هایی برای استفاده در شرکت های بزرگ.  Apache Spark یک فریمورک بسیار رایج برای اجرای مدل های یادگیری ماشینی است.  بهترین شیوه های استفاده از Spark در این دوره پوشش داده خواهد شد.  بهترین شیوه ها برای دستکاری داده ها، آموزش مدل، و تنظیم مدل نیز پوشش داده خواهد شد.  مورد استفاده نیازمند ایجاد و استقرار یک سیستم توصیه‌کننده است. این دوره با مقدمه ای بر فناوری های استقرار مدل به پایان می رسد.   در پایان این دوره شما قادر خواهید بود: 1. از RDD ها، دیتافریم ها و خط لوله Apache Spark استفاده کنید 2. از اسکریپت‌های spark-submit برای ارتباط با محیط‌های Spark استفاده کنید 3. نحوه عملکرد فیلتر مشارکتی و فیلتر مبتنی بر محتوا را توضیح دهید 4. با استفاده از جریان Apache Spark و Apache Spark یک خط لوله انتقال داده بسازید 5. ابرپارامترها را در مدل‌های یادگیری ماشین در Apache Spark تجزیه و تحلیل کنید 6. الگوریتم‌های یادگیری ماشین را با استفاده از رابط یادگیری ماشین Apache Spark اجرا کنید 7. یک مدل یادگیری ماشینی را از Watson Studio به Watson Machine Learning مستقر کنید چه کسانی باید این دوره را بگذرانند؟ این دوره متخصصان علوم داده موجود را هدف قرار می دهد که در ساخت مدل های یادگیری ماشین تخصص دارند و می خواهند مهارت های خود را در ساخت و استقرار هوش مصنوعی در شرکت های بزرگ عمیق تر کنند. اگر شما یک دانشمند داده مشتاق هستید، این دوره برای شما مناسب نیست زیرا برای بهره مندی از محتوای این دوره ها به تخصص دنیای واقعی نیاز دارید. چه مهارت هایی باید داشته باشید؟ فرض بر این است که شما دوره های 1 تا 4 از تخصص گردش کار IBM AI Enterprise را تکمیل کرده اید و قبل از شروع این دوره، درک کاملی از موضوعات زیر دارید: درک بنیادی از جبر خطی. درک نمونه گیری، نظریه احتمال و توزیع احتمال. آشنایی با مفاهیم آماری توصیفی و استنباطی. درک کلی از تکنیک های یادگیری ماشین و بهترین شیوه ها؛ درک تمرینی پایتون و بسته‌هایی که معمولاً در علم داده استفاده می‌شوند: NumPy، Pandas، matplotlib، scikit-learn. آشنایی با IBM Watson Studio; آشنایی با فرآیند تفکر طراحی

coursera گردش کار هوش مصنوعی: تجزیه و تحلیل داده ها و آزمون فرضیه ها (Mitalearn-336784)

  • 41 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Mark J Grover,Ray Lopez, Ph.D.
درباره این دوره:

این دومین دوره در تخصص IBM AI Enterprise Workflow Certification است.  شما قویاً تشویق می‌شوید که این دوره‌ها را به ترتیب تکمیل کنید، زیرا این دوره‌ها دوره‌های مستقل جداگانه نیستند، بلکه بخشی از جریان کاری هستند که هر دوره بر اساس دوره‌های قبلی است.   در این دوره شما کار خود را برای یک شرکت رسانه ای فرضی با انجام تجزیه و تحلیل داده های اکتشافی (EDA) آغاز خواهید کرد.  بهترین روش‌ها برای تجسم داده‌ها، مدیریت داده‌های از دست رفته و آزمایش فرضیه به عنوان بخشی از کار شما به شما معرفی می‌شود.  شما تکنیک های تخمین با توزیع احتمال و گسترش این تخمین ها را برای اعمال آزمون های اهمیت فرضیه صفر خواهید آموخت. آنچه را که یاد می گیرید از طریق مطالعات موردی دو دستی به کار می گیرید: تجسم داده ها و آزمایش های متعدد با استفاده از یک خط لوله ساده.   در پایان این دوره شما باید بتوانید: 1. چندین روش برتر در مورد EDA و تجسم داده را فهرست کنید 2. یک داشبورد ساده در Watson Studio ایجاد کنید 3. استراتژی‌های مقابله با داده‌های از دست رفته را شرح دهید 4. تفاوت بین انتساب و انتساب چندگانه را توضیح دهید 5. توزیع‌های رایج را برای پاسخ به سؤالات در مورد احتمالات رویداد به کار ببرید 6. نقش تحقیقی آزمون فرضیه در EDA را توضیح دهید 7. روش‌های مختلفی را برای مقابله با آزمایش‌های چندگانه اعمال کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره متخصصان علوم داده موجود را هدف قرار می دهد که در ساخت مدل های یادگیری ماشین تخصص دارند و می خواهند مهارت های خود را در ساخت و استقرار هوش مصنوعی در شرکت های بزرگ عمیق تر کنند. اگر شما یک دانشمند داده مشتاق هستید، این دوره برای شما مناسب نیست زیرا برای بهره مندی از محتوای این دوره ها به تخصص دنیای واقعی نیاز دارید. چه مهارت هایی باید داشته باشید؟ فرض بر این است که شما دوره 1 تخصص گردش کار IBM AI Enterprise را تکمیل کرده اید و قبل از شروع این دوره، درک کاملی از موضوعات زیر دارید: درک بنیادی از جبر خطی. درک نمونه گیری، نظریه احتمال و توزیع احتمال. آشنایی با مفاهیم آماری توصیفی و استنباطی. درک کلی از تکنیک های یادگیری ماشین و بهترین شیوه ها؛ درک تمرینی پایتون و بسته‌هایی که معمولاً در علم داده استفاده می‌شوند: NumPy، Pandas، matplotlib، scikit-learn. آشنایی با IBM Watson Studio; آشنایی با فرآیند تفکر طراحی

coursera گردش کار هوش مصنوعی: مهندسی ویژگی و تشخیص تعصب (Mitalearn-336818)

  • 47 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Mark J Grover,Ray Lopez, Ph.D.
درباره این دوره:

این سومین دوره در تخصص IBM AI Enterprise Workflow Certification است.    شما قویاً تشویق می‌شوید که این دوره‌ها را به ترتیب تکمیل کنید، زیرا این دوره‌ها دوره‌های مستقل جداگانه نیستند، بلکه بخشی از جریان کاری هستند که هر دوره بر اساس دوره‌های قبلی است.   دوره 3 شما را با مرحله بعدی گردش کار برای شرکت رسانه فرضی ما آشنا می کند.  در این مرحله از کار، بهترین روش‌ها را برای مهندسی ویژگی، مدیریت عدم تعادل کلاس و تشخیص سوگیری در داده‌ها خواهید آموخت.  عدم تعادل طبقاتی می تواند اعتبار مدل های یادگیری ماشین شما را به طور جدی تحت تاثیر قرار دهد، و کاهش سوگیری در داده ها برای کاهش ریسک مرتبط با مدل های مغرضانه ضروری است.  این عناوین با بخش‌هایی در مورد بهترین شیوه‌ها برای کاهش ابعاد، تشخیص پرت، و تکنیک‌های یادگیری بدون نظارت برای یافتن الگوها در داده‌های شما دنبال می‌شوند.  مطالعات موردی بر مدل‌سازی موضوع و تجسم داده‌ها متمرکز خواهد بود.   در پایان این دوره شما قادر خواهید بود: 1. از ابزارهایی استفاده کنید که به رفع مشکلات عدم تعادل کلاس و کلاس کمک می کند 2. ملاحظات اخلاقی در مورد سوگیری در داده ها را توضیح دهید 3.  از کتابخانه‌های منبع باز ai Fairness 360 برای تشخیص سوگیری در مدل‌ها استفاده کنید 4. تکنیک های کاهش ابعاد را برای هر دو مرحله EDA و تبدیل به کار ببرید 5. تکنیک‌های مدل‌سازی موضوع را در پردازش زبان طبیعی شرح دهید 6. از مدل‌سازی و تجسم موضوع برای کاوش داده‌های متنی استفاده کنید 7. بهترین شیوه‌های رسیدگی به داده‌های با ابعاد بالا را به کار بگیرید 8. الگوریتم‌های تشخیص پرت را به‌عنوان ابزار تضمین کیفیت و ابزار مدل‌سازی به کار بگیرید. 9. تکنیک های یادگیری بدون نظارت را با استفاده از خطوط لوله به عنوان بخشی از گردش کار هوش مصنوعی به کار بگیرید 10. از الگوریتم‌های خوشه‌بندی اولیه استفاده کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره متخصصان علوم داده موجود را هدف قرار می دهد که در ساخت مدل های یادگیری ماشین تخصص دارند و می خواهند مهارت های خود را در ساخت و استقرار هوش مصنوعی در شرکت های بزرگ عمیق تر کنند. اگر شما یک دانشمند داده مشتاق هستید، این دوره برای شما مناسب نیست زیرا برای بهره مندی از محتوای این دوره ها به تخصص دنیای واقعی نیاز دارید.   چه مهارت هایی باید داشته باشید؟ فرض بر این است که شما دوره های 1 و 2 تخصص گردش کار IBM AI Enterprise را تکمیل کرده اید و قبل از شروع این دوره درک کاملی از موضوعات زیر دارید: درک بنیادی جبر خطی. درک نمونه گیری، نظریه احتمال و توزیع احتمال. آشنایی با مفاهیم آماری توصیفی و استنباطی. درک کلی از تکنیک های یادگیری ماشین و بهترین شیوه ها؛ درک تمرینی پایتون و بسته‌هایی که معمولاً در علم داده استفاده می‌شوند: NumPy، Pandas، matplotlib، scikit-learn. آشنایی با IBM Watson Studio; آشنایی با فرآیند تفکر طراحی

coursera گردش کار هوش مصنوعی: یادگیری ماشین، تشخیص بصری و NLP (Mitalearn-336767)

  • 32 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Mark J Grover,Ray Lopez, Ph.D.
درباره این دوره:

این چهارمین دوره در تخصص IBM AI Enterprise Workflow Certification است.    شما قویاً تشویق می‌شوید که این دوره‌ها را به ترتیب تکمیل کنید، زیرا این دوره‌ها دوره‌های مستقل جداگانه نیستند، بلکه بخشی از جریان کاری هستند که هر دوره بر اساس دوره‌های قبلی است.  دوره 4 مرحله بعدی گردش کار را پوشش می دهد، که مدل ها و خطوط لوله داده مرتبط با آنها را برای یک شرکت رسانه جریان فرضی تنظیم می کند.  مبحث اول مبحث پیچیده معیارهای ارزیابی را پوشش می‌دهد، جایی که شما بهترین شیوه‌ها را برای تعدادی از معیارهای مختلف از جمله معیارهای رگرسیون، معیارهای طبقه‌بندی، و معیارهای چند طبقه‌ای را یاد خواهید گرفت که از آنها برای انتخاب بهترین مدل برای چالش تجاری خود استفاده خواهید کرد.  موضوعات بعدی بهترین شیوه‌ها را برای انواع مختلف مدل‌ها از جمله مدل‌های خطی، مدل‌های مبتنی بر درخت و شبکه‌های عصبی پوشش می‌دهند.  از مدل های خارج از جعبه واتسون برای درک زبان طبیعی و تشخیص بصری استفاده خواهد شد.  مطالعات موردی با تمرکز بر پردازش زبان طبیعی و تجزیه و تحلیل تصویر برای ارائه زمینه واقعی برای خطوط لوله مدل وجود خواهد داشت.   در پایان این دوره شما قادر خواهید بود: در مورد معیارهای رگرسیون، طبقه بندی و طبقه بندی چند برچسبی رایج بحث کنید کاربرد رگرسیون خطی و لجستیک در کاربردهای یادگیری نظارت شده را توضیح دهید استراتژی های رایج برای جستجوی شبکه و اعتبارسنجی متقابل را شرح دهید از معیارهای ارزیابی برای انتخاب مدل ها برای استفاده در تولید استفاده کنید استفاده از الگوریتم های مبتنی بر درخت در برنامه های کاربردی یادگیری نظارت شده را توضیح دهید استفاده از شبکه های عصبی در برنامه های کاربردی یادگیری تحت نظارت را توضیح دهید انواع عمده شبکه های عصبی و پیشرفت های اخیر را مورد بحث قرار دهید یک مدل شبکه عصبی در تنسورفلو ایجاد کنید یک نمونه از Watson Visual Recognition ایجاد و آزمایش کنید یک نمونه از Watson NLU ایجاد و آزمایش کنید چه کسانی باید این دوره را بگذرانند؟ این دوره متخصصان علوم داده موجود را هدف قرار می دهد که در ساخت مدل های یادگیری ماشین تخصص دارند و می خواهند مهارت های خود را در ساخت و استقرار هوش مصنوعی در شرکت های بزرگ عمیق تر کنند. اگر شما یک دانشمند داده مشتاق هستید، این دوره برای شما مناسب نیست زیرا برای بهره مندی از محتوای این دوره ها به تخصص دنیای واقعی نیاز دارید.   چه مهارت هایی باید داشته باشید؟ فرض بر این است که شما دوره های 1 تا 3 تخصص گردش کار IBM AI Enterprise را تکمیل کرده اید و قبل از شروع این دوره، درک کاملی از موضوعات زیر دارید: درک اساسی از جبر خطی. درک نمونه گیری، نظریه احتمال و توزیع احتمال. آشنایی با مفاهیم آماری توصیفی و استنباطی. درک کلی از تکنیک های یادگیری ماشین و بهترین شیوه ها؛ درک تمرینی پایتون و بسته‌هایی که معمولاً در علم داده استفاده می‌شوند: NumPy، Pandas، matplotlib، scikit-learn. آشنایی با IBM Watson Studio; آشنایی با فرآیند تفکر طراحی

linkedin لاجورد برای توسعه دهندگان: نسل بازیابی-اوج (RAG) با Azure AI (Mitalearn-412366)

  • 1 hours 54 minutes
  • مناسب همه
  • Release date: 30 January 2025
  • Author: Ziggy Zulueta
درباره این دوره: 

 در این دوره آموزشی، Ziggy Zulueta - یک مربی حرفه ای و معتبر مایکروسافت هوش مصنوعی - از مثال ها و برنامه های کاربردی استفاده می کند تا به شما نشان دهد چگونه از Python با Azure Open AI، Cosmos DB و AI Search برای ایجاد راه حل های پیشرفته بازیابی-نسل تقویت شده (RAG) برای داده های پیشرفته استفاده کنید. در اصول RAG، پیاده سازی های مبتنی بر پایتون و روش های ارزیابی عملکرد غوطه ور شوید. نحوه راه اندازی منابع Azure، ایجاد نمایه های داده، اعمال مجموعه مهارت ها برای بهبود داده ها و خودکار کردن فرآیند نمایه سازی را بیاموزید. اهمیت پایگاه‌های داده برداری، توکن‌سازی، جاسازی‌ها و چگونگی تسهیل بازیابی و تقویت موثر داده‌ها را بررسی کنید. راه حل های RAG خود را برای اطمینان از دقت، ارتباط و ایمنی ارزیابی کنید. در پایان این دوره، شما مجهز به توسعه راه حل های پیچیده RAG خواهید بود که بینش دقیق و مرتبط متناسب با نیازهای کسب و کار شما را ارائه می دهد.

coursera مایکروسافت Azure Machine Learning (Mitalearn-328437)

  • 11 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

یادگیری ماشینی هسته اصلی هوش مصنوعی است و بسیاری از برنامه‌ها و خدمات مدرن به مدل‌های یادگیری ماشینی پیش‌بینی‌کننده وابسته هستند. آموزش یک مدل یادگیری ماشینی یک فرآیند تکراری است که به زمان و منابع محاسباتی نیاز دارد. یادگیری ماشین خودکار می تواند به آسان تر کردن آن کمک کند. در این دوره یاد خواهید گرفت که چگونه از یادگیری ماشینی Azure برای ایجاد و انتشار مدل ها بدون نوشتن کد استفاده کنید. این دوره به شما کمک می کند تا برای آزمون AI-900: Microsoft Azure AI Fundamentals آماده شوید. این دومین دوره از یک برنامه پنج دوره ای است که شما را برای شرکت در آزمون گواهینامه AI-900 آماده می کند. این دوره به شما مفاهیم و مهارت های اصلی را می آموزد که در حوزه های امتحانی اصول هوش مصنوعی ارزیابی می شوند. این دوره مبتدی برای پرسنل فناوری اطلاعات که تازه شروع به کار با Microsoft Azure کرده‌اند و می‌خواهند در مورد پیشنهادات Microsoft Azure بیاموزند و تجربه عملی با محصول را کسب کنند مناسب است. Microsoft Azure AI Fundamentals می تواند برای آماده شدن برای سایر گواهینامه های مبتنی بر نقش Azure مانند Microsoft Azure Data Scientist Associate یا Microsoft Azure AI Engineer Associate استفاده شود، اما پیش نیاز هیچ یک از آنها نیست. این دوره برای داوطلبان با سوابق فنی و غیر فنی در نظر گرفته شده است. علم داده و تجربه مهندسی نرم افزار مورد نیاز نیست. با این حال، برخی از دانش یا تجربه برنامه نویسی عمومی مفید خواهد بود. برای موفقیت در این دوره، باید سواد کامپیوتری اولیه و تسلط به زبان انگلیسی را داشته باشید. شما باید با مفاهیم اولیه محاسبات و اصطلاحات، مفاهیم کلی فناوری، از جمله مفاهیم یادگیری ماشین و هوش مصنوعی آشنا باشید.

linkedin مایکروسافت کوپیلوت چیست؟ مروری بر ابزارهای AI مایکروسافت (Mitalearn-439396)

  • 27 minutes
  • مناسب همه
  • Update date: 21 October 2024
  • Author: Nick Brazzi
درباره این دوره: 

 

مایکروسافت تعدادی از ابزارهای دارای قدرت AI را در زیر چتر Copilot ارائه می دهد که گردش کار شما را ساده تر می کند. در این دوره کوتاه ، نیک برزی محصولات مختلف Copilot را تغییر می دهد و گزینه های اشتراک موجود را توضیح می دهد. شما یک مرور کلی در مورد نحوه استفاده از Copilot در وب ، در برنامه تلفن همراه و در برنامه های اداری دریافت خواهید کرد. Target = "_ Blank"> گواهی حرفه ای از مایکروسافت.


linkedin مبانی آزمایش نرم افزار: ادغام هوش مصنوعی در فرایند کیفیت (Mitalearn-435520)

  • 41 minutes
  • مناسب همه
  • Release date: 4 October 2024
  • Author: Mike Fine
درباره این دوره: 

 در این دوره ، مربی مایک فین پتانسیل ادغام هوش مصنوعی را در آزمایش کیفیت برجسته می کند ، در عین حال از رویکرد انسان محور برای ارزیابی محصول اطمینان می دهد. مقدمه ای را برای پیش نیازها برای استفاده از هوش مصنوعی در آزمایش ، مشکلات احتمالی و اهمیت حفظ تعادل بین قابلیت های هوش مصنوعی و فاکتور ضروری انسانی و چگونگی شروع به ایجاد برنامه ها و استراتژی های آزمایشی با استفاده از هوش مصنوعی به عنوان یک ابزار اساسی بدست آورید. در طول راه ، مایک به شما نشان می دهد که چگونه می توانید برای تست های دستی و خودکار که توسط بهینه سازی های هوش مصنوعی تقویت شده است ، و همچنین نحوه تسلط بر هنر اجرای موارد آزمون ، سوئیت ها و ابزارهای مدیریت با استفاده از AI. در پایان این دوره ، شما همچنین آماده کشف هوش مصنوعی برای مدیریت داده های آزمایش و تعادل ابزارهای هوش مصنوعی خواهید بود. ایده آل برای متخصصان تضمین کیفیت ، آزمایش کنندگان نرم افزار و هر کسی که به دنبال بهبود کیفیت محصول است ، این دوره به منظور کمک به شما در حفظ مهارت های خود در خط مقدم پیشرفت های فناوری طراحی شده است.

linkedin مبانی برنامه نویسی: الگوریتم ها (Mitalearn-392221)

  • 2 hours 45 minutes
  • مناسب همه
  • Update date: 21 June 2026
  • Author: Joe Marini
درباره این دوره:

الگوریتم ها بلوک های سازنده جهانی برنامه نویسی هستند. آن‌ها نرم‌افزاری را که هر روز استفاده می‌کنید، چه صفحه‌گسترده، یک شبکه اجتماعی یا یک دستیار رانندگی، نیرو می‌دهند. الگوریتم‌ها روشی برای فکر کردن به چالش‌های برنامه‌نویسی به زبان انگلیسی ساده، قبل از اینکه به زبان خاصی مانند C# یا جاوا اسکریپت ترجمه شوند، ارائه می‌دهند. در این دوره، نویسنده و توسعه‌دهنده جو مارینی برخی از محبوب‌ترین و مفیدترین الگوریتم‌ها را برای جستجو و مرتب‌سازی اطلاعات، کار با تکنیک‌هایی مانند بازگشت، و درک ساختارهای داده رایج توضیح می‌دهد. او همچنین مفاهیم عملکرد الگوریتم های مختلف و چگونگی ارزیابی عملکرد یک الگوریتم معین را مورد بحث قرار می دهد. هر الگوریتم به طور عملی در پایتون نشان داده شده است، اما درس ها را می توان برای هر زبان برنامه نویسی اعمال کرد. این دوره همچنین با GitHub Codespace راه اندازی شده است، بنابراین می توانید بدون نصب چیزی بر روی رایانه خود، نمونه ها را دنبال کنید.

Suggestions