Course catalog

Course duration

Course provider

Topic

Categories

Showing 41-60 of 382 items.

linkedin آموزش ضروری پاسخگویی هوش مصنوعی (2019) (Mitalearn-155581)

  • 2 hours 21 minutes
  • متوسط
  • Release date: 9 January 2019
  • Author: Barton Poulson
درباره این دوره:

هوش مصنوعی (AI) به کسب و کارها پتانسیل افزایش چشمگیر عملکرد و سودآوری را ارائه می دهد، اما همچنین می تواند مجموعه ای از چالش های پیچیده اخلاقی، قانونی و اجتماعی را ایجاد کند. در این دوره غیرفنی و مفهومی، بارتون پولسون خطرات هوش مصنوعی را بررسی می کند و راه حل های بالقوه ای را برای نگرانی های کلیدی ارائه می دهد. بارتون مسائل اخلاقی مطرح شده توسط هوش مصنوعی، از جمله مفاهیم رقابتی انصاف و استدلال اخلاقی را بررسی می کند. او همچنین به نگرانی‌های اجتماعی و چالش‌های ایمنی برای هوش مصنوعی، مانند سناریوهای احتمالی مرگ و زندگی در رانندگی خودمختار می‌پردازد. بارتون با توصیه‌هایی که برای توسعه‌دهندگان، مدیران اجرایی، متخصصان روابط عمومی، تنظیم‌کننده‌ها و مصرف‌کنندگان طراحی شده است، به پایان می‌رسد تا به آن‌ها کمک کند تا از پتانسیل هوش مصنوعی به‌گونه‌ای بهره ببرند که ارزش اعتماد داشته باشد و برای همه سودآور باشد.

linkedin آموزش ضروری پایتون برای علوم داده قسمت 2 (Mitalearn-183818)

  • 3 hours 44 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Lillian Pierson, P.E.
درباره این دوره:

Python for Data Science Essential Training یکی از محبوب ترین دوره های علوم داده در LinkedIn Learning است. در حال حاضر به روز شده و به دو بخش گسترش یافته است - برای تجربه بیشتر عملی با پایتون. در این دوره، مربی لیلیان پیرسون شما را گام به گام از طریق یک پروژه عملی علم داده راهنمایی می‌کند: ساخت مدل‌های یادگیری ماشینی که می‌توانند پیش‌بینی‌ها و توصیه‌ها را تولید کنند و کارهای روتین را خودکار کنند. در طول مسیر، او نحوه انجام رگرسیون خطی و لجستیک، استفاده از K-means و خوشه‌بندی سلسله مراتبی، شناسایی روابط بین متغیرها و استفاده از سایر ابزارهای یادگیری ماشین مانند شبکه‌های عصبی و مدل‌های بیزی را نشان می‌دهد. شما باید این آموزش را با تجربه کدنویسی عملی که می توانید به سرعت در پروژه های علم داده خود اعمال کنید، کنار بگذارید.

linkedin آموزش ضروری شبکه های عصبی و شبکه های عصبی کانولوشنال (Mitalearn-140672)

  • 1 hours 19 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Jonathan Fernandes
درباره این دوره:

به شبکه‌های عصبی و شبکه‌های عصبی کانولوشنال، دو مفهوم کلیدی در حوزه یادگیری ماشین نگاهی عمیق بیندازید. در این دوره آموزشی، استاد جاناتان فرناندز مفاهیم اساسی شبکه عصبی عصبی و کانولوشنال را پوشش می دهد. جاناتان با ارائه مقدمه ای بر اجزای شبکه های عصبی، بحث در مورد توابع فعال سازی و انتشار پس زمینه شروع می کند. او سپس به شبکه‌های عصبی کانولوشنال نگاه می‌کند و توضیح می‌دهد که چرا آن‌ها به ویژه در وظایف تشخیص تصویر خوب هستند. او همچنین نحوه ساخت یک مدل شبکه عصبی با استفاده از Keras را بررسی می کند. به علاوه، در مورد VGG16، تاریخچه چالش ImageNet و موارد دیگر بیاموزید.

linkedin آموزش ضروری یادگیری تحت نظارت (Mitalearn-199237)

  • 1 hours 28 minutes
  • متوسط
  • Release date: 20 June 2026
  • Author: Ayodele Odubela
درباره این دوره:

دانشمندان داده و دانشجویان ML/AI ممکن است به تجربه عملی با الگوریتم های یادگیری نظارت شده نیاز داشته باشند. در این دوره، مربی Ayodele Odubela به شما می آموزد که مدل هایی را که ایجاد کرده اید در داده های جدید اعمال کنید و عملکرد مدل را ارزیابی کنید. ابتدا، Ayodele بیان می کند که یادگیری تحت نظارت چیست و چگونه می توان با استفاده از داده های آموزشی برچسب دار پیش بینی کرد. او یک نمای کلی از الگوریتم رگرسیون لجستیک، نحوه ساخت یک مدل خطی در پایتون و نحوه محاسبه معیارهای مدل را به شما می دهد. سپس، Ayodele به شما کمک می‌کند اولین درخت‌های تصمیم خود و همچنین مدل‌های نزدیک‌ترین همسایگان را با استفاده از GridSearch ایجاد کنید. Ayodele نحوه ایجاد شبکه های عصبی مصنوعی را پوشش می دهد که برای اکثر کارهای یادگیری عمیق پایه ای هستند. او با یک مرور کلی هوش مصنوعی اخلاقی پایان می دهد و از شما می خواهد که تأثیر مدل های خود را در نظر بگیرید.

linkedin آموزش ضروری یادگیری ماشینی خدمات وب آمازون (Mitalearn-126885)

  • 3 hours 7 minutes
  • متوسط
  • Release date: 22 June 2026
  • Author: Lynn Langit
درباره این دوره:

خدمات وب آمازون (AWS) خدمات و ابزارهای زیادی را ارائه می دهد که به دانشمندان داده کمک می کند تا از یادگیری ماشینی برای ایجاد راه حل های بهتر و هوشمندتر استفاده کنند. در این دوره آموزشی، با الگوها، خدمات، فرآیندها و بهترین شیوه ها برای طراحی و پیاده سازی یادگیری ماشینی با استفاده از AWS آشنا شوید. مربی Lynn Langit نگاهی به مفاهیم کلی یادگیری ماشین، از جمله انواع الگوریتم های کلیدی یادگیری ماشین می اندازد. او همچنین انواع سرویس‌های موجود را بررسی می‌کند، مانند AWS Machine Learning، Lex، Polly، و Rekognition که می‌توانید از آنها برای پیش‌بینی برچسب‌های تصویر و ویدیو استفاده کنید. به‌علاوه، او نحوه کار با پلتفرم‌هایی مانند AWS SageMaker را که شامل نوت‌بوک‌های میزبان Jupyter می‌شود، طی می‌کند.

coursera آموزش ماشینی برای هوش مصنوعی مستقل (Mitalearn-329117)

  • 3 hours 32 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Kence Anderson
درباره این دوره:

(این برنامه قبلاً بخشی از یک تخصص سه دوره ای به نام هوش مصنوعی مستقل برای صنعت بود. به دلیل توقف برنامه نرم افزاری Bonsai، ارجاعات به Bonsai حذف شده است. شما همچنان می توانید از طریق دو دوره جداگانه ما "طراحی" در مورد هوش مصنوعی مستقل و آموزش ماشینی بیاموزید. هوش مصنوعی مستقل» و «آموزش ماشین برای هوش مصنوعی خودمختار».) همانطور که معلمان به دانش آموزان کمک می کنند تا مهارت های جدیدی کسب کنند، همین امر در مورد هوش مصنوعی (AI) نیز صادق است. الگوریتم‌های یادگیری ماشینی می‌توانند تطبیق داده و تغییر کنند، بسیار شبیه به خود فرآیند یادگیری. با استفاده از پارادایم آموزش ماشین، یک متخصص موضوعی (SME) می تواند هوش مصنوعی را برای بهبود و بهینه سازی انواع سیستم ها و فرآیندها آموزش دهد. نتیجه یک سیستم هوش مصنوعی مستقل است. در این دوره آموزشی، یاد خواهید گرفت که چگونه سیستم های خودکار تصمیم گیری می کنند و چگونه به طراحی یک سیستم هوش مصنوعی که از قابلیت های فعلی بهتر عمل می کند، نزدیک شوید. از آنجایی که 87 درصد از سیستم های یادگیری ماشین در مرحله اثبات مفهوم شکست می خورند، مهم است که بدانید چگونه یک سیستم موجود را تجزیه و تحلیل کنید و تعیین کنید که آیا این سیستم برای رویکردهای آموزش ماشین مناسب است یا خیر. برای پروژه دوره خود، یک مورد استفاده مناسب را انتخاب می‌کنید، با یک SME درباره یک فرآیند مصاحبه می‌کنید، و سپس داستانی را برای اینکه چرا و چگونه می‌توانید در مورد طراحی یک سیستم هوش مصنوعی مستقل انجام دهید، بیان کنید. در پایان این دوره، شما قادر خواهید بود: • مفهوم آموزش ماشین را شرح دهید • نقشی که SMEها در آموزش هوش مصنوعی پیشرفته ایفا می کنند را توضیح دهید • ارزیابی جوانب مثبت و منفی استفاده از تخصص انسانی در طراحی سیستم های هوش مصنوعی • بین سیستم های تصمیم گیری خودکار و مستقل تفاوت قائل شوید • محدودیت های سیستم های خودکار و انسان ها در تصمیم گیری بلادرنگ را شرح دهید • موارد استفاده را انتخاب کنید که در آن هوش مصنوعی مستقل از انسان ها و سیستم های خودکار بهتر عمل کند • یک راه حل هوش مصنوعی مستقل برای یک مشکل دنیای واقعی پیشنهاد دهید • طراحی خود را در برابر تخصص و تکنیک های موجود برای حل مشکلات اعتبار سنجی کنید

coursera آموزش مدل های یادگیری ماشین (Mitalearn-331769)

  • 5 hours 21 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Stacey McBrine,Sarah Haq
درباره این دوره:

این دوره برای حرفه ای های کسب و کار طراحی شده است که مایل به شناسایی مفاهیم اساسی تشکیل دهنده یادگیری ماشین، آزمایش فرضیه مدل با استفاده از طراحی آزمایش ها و آموزش، تنظیم و ارزیابی مدل ها با استفاده از الگوریتم هایی هستند که مشکلات طبقه بندی، رگرسیون و پیش بینی و خوشه بندی را حل می کنند. برای موفقیت در این دوره، زبان آموز باید پیشینه ای در زمینه فناوری محاسبات، از جمله استعداد در برنامه نویسی کامپیوتر داشته باشد.

coursera آموزش هوش مصنوعی (AI) برای معلمان (Mitalearn-358493)

  • 13 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Dr Anne Forbes,Dr Markus Powling
درباره این دوره:

یادگیرندگان امروزی باید بدانند که هوش مصنوعی (AI) چیست، چگونه کار می‌کند، چگونه از آن در زندگی روزمره خود استفاده کنند و چگونه می‌توان از آن در آینده استفاده کرد. استفاده از هوش مصنوعی نیازمند مهارت ها و ارزش هایی است که فراتر از داشتن دانش ساده در مورد کدنویسی و فناوری است. این دوره توسط معلمان برای معلمان طراحی شده است و شکاف بین باورهای رایج در مورد هوش مصنوعی و آنچه که واقعاً هست را پر خواهد کرد. هوش مصنوعی را می توان در تمام زمینه های برنامه درسی مدرسه تعبیه کرد و این دوره به شما نشان می دهد که چگونه. این دوره برای معلمانی جذاب خواهد بود که می خواهند درک عمومی خود را از هوش مصنوعی افزایش دهند، از جمله اینکه چرا برای زبان آموزان مهم است. و/یا برای کسانی که می خواهند هوش مصنوعی را در تمرینات آموزشی و یادگیری دانش آموزان خود قرار دهند. همچنین یک فرصت منحصر به فرد برای اجرای پروژه Capstone برای دانش آموزان در کنار این دوره آموزشی حرفه ای وجود دارد. دانشکده آموزش مک‌کواری در دانشگاه مک‌کواری و IBM استرالیا برای ایجاد این دوره که با استانداردهای حرفه‌ای استرالیایی AITSL «سطح مسلط» در سطح 8 AQF هماهنگ است، همکاری کرده‌اند.

coursera آموزش هوش مصنوعی مولد (Mitalearn-335815)

  • 4 hours 13 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Teach-Out Experts
درباره این دوره:

این Teach-Out یادگیرندگان را با هوش مصنوعی (AI) آشنا می‌کند و توضیح می‌دهد که چگونه مدل‌های زبان بزرگ و ابزارهای مولد هوش مصنوعی، مانند ChatGPT، کار می‌کنند. استفاده اخلاقی از هوش مصنوعی، پیامدهای تألیف، و چگونگی استفاده و تنظیم این ابزارها در حرکت رو به جلو را بررسی کنید. هوش مصنوعی مولد در سال گذشته به سرعت توسعه یافته است و تقاضای فزاینده ای برای انواع ابزارهای هوش مصنوعی مانند چت بات ها و تولیدکنندگان رسانه های بصری وجود دارد. به عنوان مثال، ChatGPT در نوامبر 2022 در تلاشی برای بهبود وظایف پردازش زبان طبیعی مانند ترجمه، خلاصه سازی متن و تولید متن راه اندازی شد. ظرف پنج روز پس از انتشار، ChatGPT از 1 میلیون کاربر گذشت. با دو ماه، از 100 میلیون کاربر فراتر رفت. نگرانی‌های مربوط به پیامدهای اخلاقی استفاده از هوش مصنوعی مولد، به‌ویژه در تجارت و آموزش در حال ظهور است. این Teach-Out متخصصان دانشگاه میشیگان را در زمینه فناوری ارتباطات، اقتصاد، هوش مصنوعی، پردازش زبان طبیعی، ارائه مراقبت‌های بهداشتی، معماری و قانون گرد هم می‌آورد تا درباره تأثیرات هوش مصنوعی مولد در حال حاضر و آینده بحث کند. این آموزش پاسخ خواهد داد: - هوش مصنوعی مولد چیست و چگونه کار می کند؟ - مزایا و معایب استفاده از هوش مصنوعی مولد چیست؟ - استفاده از هوش مصنوعی مولد چه پیامدهای اخلاقی و قانونی دارد؟ - جامعه، اقتصاد و آموزش چگونه به هوش مصنوعی مولد واکنش نشان داده اند؟ - چگونه ممکن است هوش مصنوعی مولد در جامعه رو به جلو ادغام شود؟ - چگونه زبان آموزان می توانند از هوش مصنوعی مولد در زندگی خود استفاده کنند؟ کلیه محتویات این Teach-Out به استثنای تصویر دوره دارای مجوز CC BY-SA هستند.

linkedin ابزار MLOps: MLflow و Hugging Face (Mitalearn-440467)

  • 5 hours 14 minutes
  • مناسب همه
  • Release date: 25 September 2024
  • Author: Alfredo Deza,Pragmatic AI Labs
درباره این دوره: 

 

در این دوره آموزشی، نحوه تسلط بر MLflow و Hugging Face، دو پلتفرم منبع باز قدرتمند برای MLOها را بیاموزید. با شروع MLflow، یاد بگیرید که چگونه چرخه زندگی یادگیری ماشین را ساده کنید، پروژه ها و مدل ها را مدیریت کنید، از سیستم UI ردیابی استفاده کنید و با مدل های ثبت شده تعامل کنید. سپس، با مروری بر Hugging Face Hub، مخازن، و Hugging Face Spaces، مقدمه ای برای Hugging Face دریافت کنید. نحوه همکاری و استقرار مدل‌ها، ذخیره مجموعه داده‌ها و مدل‌ها، ایجاد دموهای تعاملی زنده و استفاده از مخازن جامعه را بیاموزید.

توجه: این دوره توسط آزمایشگاه‌های هوش مصنوعی Pragmatic ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم


coursera ابزار MLOps: MLflow و Hugging Face [coursera] (Mitalearn-336699)

  • 5 hours 43 minutes
  • پیشرفته
  • Release date: 27 June 2026
  • Author: Noah Gift,Alfredo Deza
درباره این دوره:

این دوره دو مورد از محبوب ترین پلتفرم های منبع باز برای MLOps (عملیات یادگیری ماشین) را پوشش می دهد: MLflow و Hugging Face. ما اصول اولیه اقدامات لازم برای شروع در این پلتفرم ها را با عملیات مدل و مجموعه داده پایه بررسی خواهیم کرد. شما با MLflow با استفاده از پروژه‌ها و مدل‌ها با سیستم ردیابی قدرتمند آن شروع می‌کنید و یاد می‌گیرید که چگونه با این مدل‌های ثبت‌شده از MLflow با نمونه‌های چرخه حیات کامل تعامل داشته باشید. سپس، مخازن Hugging Face را کاوش خواهید کرد تا بتوانید مجموعه داده‌ها، مدل‌ها را ذخیره کنید و دموهای تعاملی زنده ایجاد کنید. در پایان دوره، می‌توانید مفاهیم MLOps مانند تنظیم دقیق و استقرار مدل‌های کانتینری را در Cloud اعمال کنید. این دوره برای کسانی که به دنبال ورود به حوزه MLOps هستند یا برای متخصصان با تجربه MLOps که می خواهند مهارت های برنامه نویسی خود را بهبود بخشند ایده آل است.

coursera ارتباط موثر در مورد چالش های اخلاقی در فناوری های داده محور (Mitalearn-327383)

  • 4 hours 3 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Renée Cummings,Jennifer Fischer
درباره این دوره:

رهبری یک سازمان مبتنی بر داده مستلزم ارتباط موثر برای ایجاد فرهنگ عمل اخلاقی است. ارتباط با ذینفعان استراتژی سازمان را هدایت می کند و به طور بالقوه بر آینده کاری آن سازمان یا نهاد تأثیر می گذارد. صحبت در مورد شیوه های اخلاقی کافی نیست، بلکه باید ارزش آنها را به ذینفعان مرتبط کنید. ایجاد راهبردهایی که فراگیر و قابل ربط هستند، می تواند اعتماد و وفاداری عمومی را ایجاد کند، و دانستن اینکه چگونه برای یک بحران برنامه ریزی کنیم، آسیب این اعتماد و وفاداری را کاهش می دهد. در این دوره چهارم از گواهینامه حرفه‌ای CertNexus Certified Ethical Emerging Technologist (CEET)، فراگیران استراتژی‌های فراگیر را برای برقراری ارتباط با تأثیرات تجاری به ذینفعان، طراحی استراتژی‌های ارتباطی که منعکس‌کننده اصول و خط‌مشی‌های اخلاقی هستند، توسعه می‌دهند و در صورت بروز بحران اخلاقی، آماده می‌شوند. مدیریت بحران و رسانه ها برای کاهش تأثیر کسب و کار. این دوره چهارمین دوره از پنج دوره در گواهینامه حرفه ای Certified Ethical Emerging Technologist (CEET) است. دوره های قبلی با عنوان ترویج استفاده اخلاقی از فناوری های داده محور، تبدیل چارچوب های اخلاقی به گام های عملی، و شناسایی و کاهش خطرات اخلاقی است.

coursera استفاده از دستیاران مجازی برای بهره وری شخصی (Mitalearn-329984)

  • 1 hours 11 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Arkadi Avanesyan
درباره این دوره:

در دنیای پر سرعت، مدیریت بهره وری شخصی بسیار مهم است. این دوره مبتدیان را با دنیای دستیاران مجازی و چت بات ها و نحوه استفاده از آنها برای افزایش بهره وری شخصی آشنا می کند. یاد بگیرید که چگونه از این ابزارهای مبتنی بر هوش مصنوعی به طور موثر برای ساده کردن وظایف، مدیریت زمان و افزایش کارایی کلی استفاده کنید. در پایان این دوره، شما نه تنها درک جامعی از مفاهیم اساسی در پشت دستیاران مجازی و ربات‌های چت به دست خواهید آورد، بلکه مهارت‌های عملی برای استفاده مؤثر از این فناوری تحول‌آفرین را نیز توسعه خواهید داد. با این دانش و تجربه عملی، به خوبی در مسیر مهارت قرار گرفتن در یک نوآوری پیشگامانه دیگر با هوش مصنوعی خواهید بود. علاوه بر این، شما مجهز به استفاده از این مهارت‌ها در سناریوهای عملی مختلف، مانند خودکار کردن پاسخ‌های ایمیل، زمان‌بندی قرار ملاقات‌ها، تنظیم یادآورها، و حتی توسعه ربات‌های چت سفارشی خود برای وظایف یا صنایع خاص خواهید بود. این دوره به شما قدرت می دهد تا مسئولیت بهره وری خود را بر عهده بگیرید و از دستیاران شخصی مبتنی بر هوش مصنوعی حداکثر استفاده را ببرید. این دوره برای مخاطبان متنوعی از جمله متخصصان اداری، مشاوران، دانشجویان، بازاریابان دیجیتال، کارآفرینان و صاحبان مشاغل کوچک طراحی شده است. برای به حداکثر رساندن مزایای این دوره، از زبان آموزان انتظار می رود که مهارت های اساسی کامپیوتر را داشته باشند، با استفاده از نرم افزارهای کاربردی راحت باشند، به فناوری های هوش مصنوعی علاقه نشان دهند، و مهمتر از همه، نیازی به دانش کدنویسی قبلی نداشته باشند. دسترسی به رایانه یا دستگاه برای تمرین عملی نیز برای شرکت موفق در دوره ضروری است.

linkedin استفاده از هوش مصنوعی و مهندسی داده ها برای راه حل های پایدار (Mitalearn-427054)

  • 57 minutes
  • مناسب همه
  • Release date: 18 February 2025
  • Author: Talal Gedeon
درباره این دوره: 

 در این دوره ، بیاموزید که چگونه فناوری و داده ها می توانند تلاش های پایداری را تغییر داده و راه را برای آینده ای باهوش تر و سبز تر هموار کنند. مربی Talal Gedeon پایه و اساس محکمی را در زمینه استفاده از هوش مصنوعی و مهندسی داده ها برای تدوین راه حل های نوآورانه برای رسیدگی به چالش های زیست محیطی ، ایجاد شکاف بین مهارت های پیشرفته فن آوری و کاربردهای عملی در پایداری فراهم می کند. تکنیک های جمع آوری داده ها ، از جمله راه حل های IoT و AI ، را کشف کنید تا ببینید که چگونه می توانید پروژه های پایداری خود را متحول کنید.

coursera استفاده از یادگیری ماشینی در تجارت و امور مالی (Mitalearn-330273)

  • 4 hours 28 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Jack Farmer
درباره این دوره:

این دوره پایه و اساس توسعه استراتژی های معاملاتی پیشرفته با استفاده از تکنیک های یادگیری ماشین را فراهم می کند. در این دوره، اجزای کلیدی را که در هر استراتژی معاملاتی مشترک هستند، مهم نیست که چقدر پیچیده هستند، مرور خواهید کرد. شما با چندین استراتژی معاملاتی از جمله تجارت کمی، تجارت جفتی و تجارت حرکتی آشنا خواهید شد. در پایان دوره، می‌توانید استراتژی‌های معاملاتی کمی را طراحی کنید، مدل‌های یادگیری ماشینی را با استفاده از Keras و TensorFlow بسازید، یک مدل پیش‌بینی استراتژی معاملاتی جفتی بسازید و آن را آزمایش مجدد کنید، و یک مدل معاملاتی مبتنی بر حرکت و آزمون برگشتی بسازید. آن را 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.

linkedin استفاده از یادگیری ماشینی مبتنی بر ابر در AWS: برنامه‌های دنیای واقعی (Mitalearn-227491)

  • 1 hours 28 minutes
  • مناسب همه
  • Release date: 22 June 2026
  • Author: David Linthicum
درباره این دوره:

هزینه و کارایی ابر، یادگیری ماشینی و هوش مصنوعی (AI) را در اختیار شرکت‌های بزرگ و کوچک قرار می‌دهد. با خدمات وب آمازون به سازمان خود کمک کنید تا از قدرت خود استفاده کند. این دوره یک رویکرد عملی برای استفاده از AWS برای کاربردهای مبتنی بر هوش مصنوعی در صنایع مختلف، از جمله مراقبت‌های بهداشتی، مالی، اجرای قانون، تولید و آموزش است. مربی دیوید لینتیکوم SageMaker، پلتفرم هوش مصنوعی آمازون را معرفی می کند و موارد استفاده مختلفی را ارائه می دهد که بهترین شیوه ها، ابزارها و تکنیک های فعلی را نشان می دهد. او نشان می دهد که چگونه می توان مدل های یادگیری ماشینی را با SageMaker ساخت و آموزش داد و آنها را در برنامه های دنیای واقعی ادغام کرد. دیوید همچنین با نمایش راه‌حل‌های واقعی AWS، نگرانی‌های مربوط به هوش مصنوعی مانند هزینه و امنیت را برطرف می‌کند.

linkedin استفاده از یادگیری ماشینی مبتنی بر ابر در Azure: برنامه های کاربردی در دنیای واقعی (Mitalearn-205510)

  • 1 hours 31 minutes
  • متوسط
  • Release date: 22 June 2026
  • Author: David Linthicum
درباره این دوره:

برای اینکه بتوانید هوش مصنوعی را با موفقیت در پلتفرم محبوب Azure ترکیب کنید، باید درک اساسی از چیستی هوش مصنوعی به دست آورید و با ابزارهای محلی ارائه شده توسط Azure آشنا شوید. در این دوره، David Linthicum اصول استفاده از Azure برای برنامه های مبتنی بر هوش مصنوعی، از جمله ابزارهای کلیدی و فرآیندهای استفاده صحیح از آنها را پوشش می دهد. دیوید پس از بررسی اصول اولیه پردازش هوش مصنوعی در Azure، ایجاد پایگاه‌های دانش و استفاده از سیستم‌های هوش مصنوعی در فضای ابری، موارد استفاده در دنیای واقعی را در صنایع مختلف از جمله مراقبت‌های بهداشتی، مالی، اجرای قانون و تولید ارائه می‌کند. سپس نحوه کار با سرویس ابری Azure Machine Learning (AML) برای ساخت، آموزش و استقرار مدل‌های یادگیری ماشین را نشان می‌دهد. از ابزار جستجوی Azure (AS) استفاده کنید. و یک برنامه AML بسازید.

linkedin استفاده از یادگیری ماشینی مبتنی بر ابر در Google Cloud Platform: برنامه های کاربردی دنیای واقعی (Mitalearn-177273)

  • 1 hours 19 minutes
  • متوسط
  • Release date: 22 June 2026
  • Author: David Linthicum
درباره این دوره:

به منظور استفاده موفقیت آمیز از هوش مصنوعی در Google Cloud Platform (GCP)، باید هوش مصنوعی چیست و با ابزارهای بومی ارائه شده توسط GCP آشنا شوید. این دوره عملی شما را با اصول استفاده از GCP برای برنامه های مبتنی بر هوش مصنوعی آشنا می کند، از جمله ابزارهایی که امروزه می توانید از آنها استفاده کنید و نحوه استفاده صحیح از آنها. مربی David Linthicum Vision AI را معرفی می‌کند، یک محصول کلیدی شناسایی تصویر از Google، و همچنین Kubeflow، ابزار یادگیری ماشین (ML) را که برای ساده‌سازی فرآیند استقرار گردش‌های کاری ML در Kubernetes طراحی شده است. در طول دوره، دیوید انواع مختلفی از موارد استفاده در دنیای واقعی را ارائه می دهد که نحوه عملکرد این مفاهیم را در عمل نشان می دهد.

datacamp استقرار MLOps و چرخه زندگی (Mitalearn-402370)

  • 59 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Nemanja Radojković
درباره این دوره:

چارچوب مدرن MLOps، از جمله چرخه عمر و استقرار مدل‌های یادگیری ماشین را کاوش کنید. در این دوره، یاد خواهید گرفت که کد ML بنویسید که بدهی فنی را به حداقل برساند، ابزارهایی را که برای استقرار و نظارت بر مدل‌های خود نیاز دارید، کشف کنید، و انواع مختلف محیط‌ها و تجزیه و تحلیل‌هایی را که با آنها مواجه خواهید شد، بررسی کنید.

بعد از اینکه داده‌های خود را جمع‌آوری، آماده و برچسب‌گذاری کردید، آزمایش‌های متعددی را روی مدل‌های مختلف انجام دادید و مفهوم خود را با یک مدل قهرمان اثبات کردید، نوبت به مراحل بعدی می‌رسد. ساخت. مستقر کنید. نظارت کنید. حفظ کنید. این چرخه عمر مدل شما پس از تولید است. این قسمت عملیات MLOps است.

این دوره به شما نشان می‌دهد که چگونه در فصل دوم سفر مدل خود به سمت ارائه ارزش حرکت کنید، و معیار را برای بسیاری موارد دیگر تعیین کنید.

linkedin استقرار یادگیری ماشین مقیاس پذیر برای علم داده (Mitalearn-145279)

  • 1 hours 43 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Dan Sullivan
درباره این دوره:

مدل‌های یادگیری ماشینی اغلب در محیط‌های تولیدی پیچیده اجرا می‌شوند که می‌توانند با جزر و مد داده‌های بزرگ سازگار شوند. ابزارها و شیوه هایی که به دانشمندان داده کمک می کند تا به سرعت مدل های یادگیری ماشین را ساخت کنند، برای استقرار آن مدل ها در مقیاس کافی نیستند. برای ارائه راه حل های مقیاس پذیر، به یک مجموعه ابزار کاملا جدید نیاز دارید. این دوره به دانشمندان داده و مهندسان DevOps یک مرور کلی از الگوهای طراحی رایج برای معماری‌های یادگیری ماشین مقیاس‌پذیر و همچنین ابزارهایی برای استقرار و حفظ مدل‌های یادگیری ماشین در تولید ارائه می‌دهد. مدرس دن سالیوان سه فناوری را بررسی می‌کند که یادگیری ماشینی مقیاس‌پذیر را امکان‌پذیر می‌سازد: خدماتی که مدل‌ها را از طریق APIها نشان می‌دهند، کانتینرهایی برای استقرار مدل‌ها، و ابزارهای هماهنگ‌سازی مانند Kubernetes که به مدیریت کانتینرها و خوشه‌ها کمک می‌کنند. به علاوه، نکاتی را برای نظارت بر عملکرد خدمات خود در محیط های تولیدی دریافت کنید.

Suggestions