Course catalog

Course duration

Course provider

Topic

Categories

Showing 541-560 of 600 items.

coursera هوش مصنوعی برای برنامه نویسی کارآمد: استفاده از قدرت LLM (Mitalearn-307323)

  • 23 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Elizabeth Humphries, PhD,Carrie Wright, PhD,Candace Savonen, MS
درباره این دوره:

این دوره در زمینه هوش مصنوعی (AI) برای توسعه نرم افزار به بررسی استفاده از مدل های زبان بزرگ هوش مصنوعی مانند ChatGPT، Bard و سایرین و مزایا و چالش های بالقوه آنها می پردازد. از طریق مثال‌ها و فعالیت‌های عملی، درک درستی از روش‌هایی ایجاد خواهید کرد که هوش مصنوعی می‌تواند وظایف توسعه نرم‌افزار را سرعت بخشد و زمان را برای کارهای خلاقانه‌تر و استراتژیک‌تر آزاد کند. ویژگی های منحصر به فرد این دوره - کاوش چندین ابزار هوش مصنوعی مبتنی بر مرورگر - فعالیت های عملی و در عین حال ساده که نیازی به نصب نرم افزار ندارند - تاکید بر استفاده مسئولانه و اخلاقی از هوش مصنوعی - دوستانه مبتدی برای کسانی که می خواهند با استفاده از ابزارهای هوش مصنوعی مولد شروع کنند - ایده های مفید برای چگونگی استفاده از ابزارها برای بهتر و کارآمدتر کردن کار شما - راهبردهای آزمایش شده و آزمایش شده برای استفاده از ابزارهای هوش مصنوعی توسط دانشمندان داده و توسعه دهندگان نرم افزار علمی - یک رویکرد سرگرم کننده و بازیگوش برای یادگیری کلمات کلیدی هوش مصنوعی (AI)، ChatGPT، هوش مصنوعی مولد، مدل‌های زبان بزرگ (LLM)، توسعه نرم‌افزار، کدنویسی، علم داده مخاطب مورد نظر - افراد حرفه ای که به دنبال بهبود کارایی هستند - دانش آموزانی که امیدوارند در مورد برنامه نویسی بیشتر بیاموزند - هر کسی کنجکاو است که چگونه می توان از هوش مصنوعی برای فناوری استفاده کرد توجه: کسانی که کاملاً در برنامه نویسی جدید هستند، استفاده از ابزارهای هوش مصنوعی برای ایجاد راه حل های نرم افزاری را در این زمان چالش برانگیز خواهند یافت. داشتن مقداری دانش اساسی برای نوشتن اعلان های مناسب و تشخیص زمانی که کد طبق انتظار کار نمی کند مفید است. ما به تازه کارها توصیه می کنیم به دنبال بررسی متخصص باشند. اهداف یادگیری - مبانی هوش مصنوعی و پتانسیل آن برای بهبود گردش کار توسعه نرم افزار را توضیح دهید - پیاده سازی استراتژی برای نوشتن و اشکال زدایی کد با استفاده از ابزارهای مبتنی بر هوش مصنوعی - مزایای بازسازی کد با استفاده از تکنیک های مبتنی بر هوش مصنوعی، مانند خوانایی کد، مختصر نگه داشتن آن، و بهینه سازی کد را شرح دهید. - بهترین شیوه ها را برای حاشیه نویسی کد با استفاده از هوش مصنوعی اعمال کنید - شناخت استراتژی‌هایی برای استفاده از ابزارهای مبتنی بر هوش مصنوعی برای درک و تجزیه و تحلیل کد، مانند درک کد زبان‌ها یا توابع ناآشنا - در مورد چالش ها و پیامدهای اخلاقی استفاده از هوش مصنوعی برای جنبه های مختلف توسعه نرم افزار بحث کنید قابلیت دسترسی ما متعهد هستیم که محتوای خود را در دسترس و در دسترس همه قرار دهیم. ما از هرگونه بازخوردی که ممکن است در https://forms.gle/3sTZpctxzYyhj74NA داشته باشید استقبال می کنیم. سوالات مربوط به اقامتگاه های دسترسی باید به https://studentserviceportal.force.com/s/ هدایت شود. نسخه PDF این دوره را می توانید در https://leanpub.com/courses/fredhutch/ai_for_software بیابید.

coursera هوش مصنوعی برای پیش آگهی پزشکی (Mitalearn-332415)

  • 2 hours 55 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Pranav Rajpurkar,Bora Uyumazturk
درباره این دوره:

هوش مصنوعی عمل پزشکی را متحول می کند. این به پزشکان کمک می کند تا بیماران را با دقت بیشتری تشخیص دهند، در مورد سلامت آینده بیماران پیش بینی کنند و درمان های بهتری را توصیه کنند. این تخصص به شما تجربه عملی در به کارگیری یادگیری ماشینی برای مشکلات عینی در پزشکی می دهد. یادگیری ماشینی ابزاری قدرتمند برای پیش آگهی است، شاخه ای از پزشکی که در پیش بینی سلامت آینده بیماران تخصص دارد. در این دوره دوم، نمونه‌های متعددی از کارهای پیش‌آگهی را مرور خواهید کرد. سپس از درخت‌های تصمیم برای مدل‌سازی روابط غیرخطی، که معمولاً در داده‌های پزشکی مشاهده می‌شوند، استفاده می‌کنید و آنها را برای پیش‌بینی دقیق‌تر میزان مرگ و میر به کار می‌گیرید. در نهایت، یاد خواهید گرفت که چگونه داده های از دست رفته را مدیریت کنید، یک چالش کلیدی در دنیای واقعی. این دوره‌ها فراتر از پایه‌های یادگیری عمیق هستند تا تفاوت‌های ظریف را در استفاده از هوش مصنوعی در موارد استفاده پزشکی به شما آموزش دهند. این دوره بر یادگیری ماشینی مبتنی بر درخت تمرکز دارد، بنابراین برای این دوره به پایه ای در یادگیری عمیق نیازی نیست. با این حال، پایه ای در یادگیری عمیق برای دوره 1 و 3 این تخصص بسیار توصیه می شود. شما می توانید با استفاده از تخصص یادگیری عمیق که توسط deeplearning.ai ارائه شده و توسط Andrew Ng تدریس می شود، پایه ای در یادگیری عمیق کسب کنید.

coursera هوش مصنوعی برای تشخیص پزشکی (Mitalearn-332228)

  • 1 hours 35 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Pranav Rajpurkar,Bora Uyumazturk,Amirhossein Kiani
درباره این دوره:

هوش مصنوعی عمل پزشکی را متحول می کند. این به پزشکان کمک می کند تا بیماران را با دقت بیشتری تشخیص دهند، در مورد سلامت آینده بیماران پیش بینی کنند و درمان های بهتری را توصیه کنند. به عنوان یک پزشک هوش مصنوعی، شما این فرصت را دارید که به این تحول در پزشکی مدرن بپیوندید. اگر قبلاً با برخی از ریاضیات و کدنویسی پشت الگوریتم‌های هوش مصنوعی آشنا هستید و مشتاق هستید که مهارت‌های خود را برای مقابله با چالش‌های صنعت مراقبت‌های بهداشتی بیشتر توسعه دهید، پس این تخصص برای شما مناسب است. هیچ تخصص پزشکی قبلی لازم نیست! این برنامه به شما تجربه عملی در به کارگیری تکنیک های پیشرفته یادگیری ماشینی برای مشکلات عینی در پزشکی مدرن می دهد: - در دوره 1، شما مدل های طبقه بندی و تقسیم بندی تصویر شبکه عصبی کانولوشنال را برای تشخیص اختلالات ریوی و مغز ایجاد خواهید کرد. - در دوره 2، با استفاده از روش های آماری و پیش بینی جنگل تصادفی برای تعیین پیش آگهی بیمار، مدل های خطر و برآوردگرهای بقا را برای بیماری های قلبی می سازید. - در دوره 3، شما یک پیش بینی کننده اثر درمان می سازید، تکنیک های تفسیر مدل را اعمال می کنید و از پردازش زبان طبیعی برای استخراج اطلاعات از گزارش های رادیولوژی استفاده می کنید. این دوره ها فراتر از پایه های یادگیری عمیق هستند تا به شما بینشی در مورد تفاوت های ظریف استفاده از هوش مصنوعی در موارد استفاده پزشکی ارائه دهند. به عنوان یک یادگیرنده، اگر از قبل با برخی از ریاضیات و کدنویسی پشت الگوریتم های هوش مصنوعی راحت باشید، برای موفقیت در این برنامه آماده خواهید شد. لازم نیست شما یک متخصص هوش مصنوعی باشید، اما دانش کاری شبکه های عصبی عمیق، به ویژه شبکه های کانولوشن، و مهارت در برنامه نویسی پایتون در سطح متوسط ​​ضروری است. اگر در یادگیری ماشین یا شبکه های عصبی نسبتاً تازه کار هستید، توصیه می کنیم ابتدا تخصص یادگیری عمیق را که توسط deeplearning.ai ارائه شده و توسط Andrew Ng آموزش داده شده است، استفاده کنید. تقاضا برای پزشکان هوش مصنوعی با مهارت ها و دانش برای مقابله با بزرگترین مسائل در پزشکی مدرن به طور تصاعدی در حال افزایش است. در این تخصص به ما بپیوندید و سفر خود را به سوی ساختن آینده مراقبت های بهداشتی آغاز کنید.

coursera هوش مصنوعی برای تشخیص سرطان سینه (Mitalearn-332908)

  • 2 hours
  • متوسط
  • Release date: 23 June 2026
  • Author: Chung-Fu Chang,Emily Ambinder
درباره این دوره:

هدف از این دوره ارائه دانش به دانشجویان از رویکردهای پردازش هوش مصنوعی برای تشخیص سرطان سینه است. دانش‌آموزان آزمون‌ها را می‌گیرند و در جلسات بحث شرکت می‌کنند تا مفاهیم مهمی را که در ماژول‌ها منتقل می‌شوند، تقویت کنند. تکالیف خواندن، از جمله مقالات مجلات برای درک موضوعات در ماژول ها، ارائه خواهد شد. این دوره برای دانشجویانی طراحی شده است که به حرفه توسعه محصول با استفاده از هوش مصنوعی علاقه مند هستند و می خواهند بدانند چگونه می توان هوش مصنوعی را در ماموگرافی به کار برد. محتوای دوره بر روی پارادایم پردازش هوش مصنوعی همراه با دانش حوزه تصویربرداری سینه متمرکز شده است. این رویکرد درسی منحصر به فرد است و به جای توجه به یک روش پیاده سازی خاص، چشم انداز وسیعی از هوش مصنوعی در اختیار دانش آموزان قرار می دهد. دانش‌آموزانی که این دوره را تکمیل می‌کنند نه تنها از دانش خود در یک شغل ابتدایی در زمینه هوش مصنوعی بهره می‌برند، بلکه در پروژه‌ها نیز عملکرد خوبی خواهند داشت، زیرا درک کاملی از پارادایم پردازش هوش مصنوعی دارند.

coursera هوش مصنوعی برای درمان پزشکی (Mitalearn-332568)

  • 1 hours 44 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Pranav Rajpurkar,Bora Uyumazturk,Amirhossein Kiani
درباره این دوره:

هوش مصنوعی عمل پزشکی را متحول می کند. این به پزشکان کمک می کند تا بیماران را با دقت بیشتری تشخیص دهند، در مورد سلامت آینده بیماران پیش بینی کنند و درمان های بهتری را توصیه کنند. این تخصص به شما تجربه عملی در به کارگیری یادگیری ماشینی برای مشکلات عینی در پزشکی می دهد. درمان پزشکی ممکن است بر اساس شرایط سلامت موجود بر بیماران تأثیر متفاوتی داشته باشد. در این دوره سوم، با استفاده از داده‌های کارآزمایی‌های تصادفی‌سازی شده، درمان‌هایی را توصیه می‌کنید که برای بیماران فردی مناسب‌تر هستند. در هفته دوم، روش‌های تفسیر یادگیری ماشین را برای توضیح تصمیم‌گیری در مدل‌های پیچیده یادگیری ماشین اعمال خواهید کرد. در نهایت، شما از روش‌های استخراج موجودیت زبان طبیعی و پاسخ به سؤال برای خودکار کردن کار برچسب‌گذاری مجموعه داده‌های پزشکی استفاده خواهید کرد. این دوره‌ها فراتر از پایه‌های یادگیری عمیق هستند تا تفاوت‌های ظریف را در استفاده از هوش مصنوعی در موارد استفاده پزشکی به شما آموزش دهند. اگر در یادگیری عمیق تازه کار هستید یا می خواهید پایه و اساس عمیق تری از نحوه عملکرد شبکه های عصبی به دست آورید، توصیه می کنیم که تخصص یادگیری عمیق را انتخاب کنید.

coursera هوش مصنوعی کاربردی با DeepLearning (Mitalearn-336665)

  • 5 hours
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Romeo Kienzler
درباره این دوره:

>>> با ثبت نام در این دوره، با توافقنامه مجوز کاربر نهایی همانطور که در سوالات متداول ذکر شده است موافقت می کنید. پس از ثبت نام، می توانید در بخش منابع به مجوز دسترسی داشته باشید <<< این دوره، هوش مصنوعی کاربردی با یادگیری عمیق، بخشی از گواهینامه پیشرفته علم داده IBM است که IBM در حال حاضر در حال ایجاد آن است و به شما امکان دسترسی آسان به بینش های ارزشمند در مورد مدل های یادگیری عمیق را می دهد. توسط متخصصان پردازش زبان طبیعی، بینایی کامپیوتر، تجزیه و تحلیل سری های زمانی و بسیاری از رشته های دیگر استفاده می شود. ما با اصول جبر خطی و شبکه های عصبی آشنا خواهیم شد. سپس محبوب ترین فریم ورک های DeepLearning مانند Keras، TensorFlow، PyTorch، DeepLearning4J و Apache SystemML را معرفی می کنیم. Keras و TensorFlow بیشترین بخش این دوره را تشکیل می دهند. با ساختن مدل‌هایی با استفاده از Keras بر روی نمونه‌های واقعی از اینترنت اشیا (اینترنت اشیا)، داده‌های علامت‌گذاری شده مالی، ادبیات یا پایگاه‌های داده تصویر، درباره تشخیص ناهنجاری، پیش‌بینی سری‌های زمانی، تشخیص تصویر و پردازش زبان طبیعی می‌آموزیم. در نهایت، ما یاد می‌گیریم که چگونه با استفاده از Kubernetes، Apache Spark و GPUها، آن مغزهای مصنوعی را مقیاس کنیم. مهم: این دوره به تنهایی برای دریافت «گواهینامه دانشمند داده گواهی IoT IoT IBM Watson» به تنهایی کافی نیست. شما باید سه دوره دیگر را بگذرانید که دو تا از آنها در حال حاضر ساخته شده است. تخصص در اواخر بهار، اوایل تابستان 2018 آماده خواهد شد. با استفاده از این رویکردها، مهم نیست که در چه سطح مهارتی در موضوعاتی که می خواهید به آنها تسلط داشته باشید، می توانید تفکر خود را تغییر دهید و زندگی خود را تغییر دهید. اگر قبلاً یک متخصص هستید، این نگاه کردن به ایده های شما برای ایجاد موفقیت آمیز توربوشارژ و استقرار مدل های DeepLearning را ارائه می دهد. اگر در حال مبارزه هستید، گنجینه ای ساختار یافته از تکنیک های عملی را خواهید دید که شما را از کارهایی که برای رسیدن به مسیر باید انجام دهید راهنمایی می کند. اگر تا به حال می‌خواهید در هر کاری بهتر شوید، این دوره به عنوان راهنمای شما کمک خواهد کرد. پیش نیاز: برخی مهارت های کدنویسی ضروری است. ترجیحاً پایتون، اما هر زبان برنامه نویسی دیگری خوب عمل می کند. همچنین برخی از درک اولیه ریاضی (جبر خطی) یک امتیاز مثبت است، اما ما آن قسمت را در هفته اول نیز پوشش خواهیم داد. اگر این دوره را انتخاب کنید و گواهی دوره Coursera را کسب کنید، نشان دیجیتال IBM نیز دریافت خواهید کرد. برای کسب اطلاعات بیشتر در مورد نشان های دیجیتال IBM پیوند ibm.biz/badging را دنبال کنید.

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.

coursera وارد کردن داده ها در Tidyverse (Mitalearn-327332)

  • مبتدی
  • Release date: 27 June 2026
  • Author: Carrie Wright, PhD,Shannon Ellis, PhD,Stephanie Hicks, PhD
درباره این دوره:

دریافت داده ها در سیستم تجزیه و تحلیل آماری شما می تواند یکی از چالش برانگیزترین بخش های هر پروژه علم داده باشد. داده ها باید وارد شده و در قالبی منسجم هماهنگ شوند قبل از اینکه بتوان هر گونه بینشی را به دست آورد. شما یاد خواهید گرفت که چگونه داده ها را از فرمت های رایج به R وارد کنید و انواع مختلف مجموعه داده ها را از منابع مختلف هماهنگ کنید. اگر در سازمانی کار می‌کنید که در آن بخش‌های مختلف داده‌ها را با استفاده از سیستم‌های مختلف و فرمت‌های ذخیره‌سازی مختلف جمع‌آوری می‌کنند، این دوره ابزارهای ضروری برای گردآوری مجموعه‌های داده و درک اطلاعات فراوان در سازمان شما ارائه می‌کند. این دوره ابزارهای Tidyverse را برای وارد کردن داده ها به R معرفی می کند تا بتوان آن را برای تجزیه و تحلیل، تجسم و مدل سازی آماده کرد. قالب‌های داده‌های رایج، از جمله فایل‌های محدود، صفحات گسترده و پایگاه‌های داده رابطه‌ای معرفی شده‌اند، و تکنیک‌هایی برای به‌دست‌آوردن داده‌ها از وب نشان داده می‌شوند، مانند اسکراپینگ وب و APIهای وب. در این تخصص ما آشنایی با زبان برنامه نویسی R را فرض می کنیم. اگر هنوز با R آشنایی ندارید، پیشنهاد می کنیم ابتدا برنامه نویسی R را قبل از بازگشت برای تکمیل این دوره کامل کنید.

coursera وب داده ها (Mitalearn-332823)

  • 2 hours 35 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Catherine Faron Zucker,Fabien Gandon,Olivier Corby
درباره این دوره:

این MOOC - یک ابتکار مشترک بین EIT Digital، Université de Nice Sophia-Antipolis / Université Côte d'Azur، و INRIA - استانداردها و اصول داده های پیوندی را معرفی می کند که پایه وب معنایی را فراهم می کند. شما یاد خواهید گرفت که چگونه داده های ساختاریافته را مستقیماً از وب منتشر کنید، به دست آورید و استفاده کنید. یادگیری اصول، زبان ها و استانداردهای تبادل داده در وب شما را قادر می سازد تا برنامه های کاربردی، محصولات و خدمات جدیدی را طراحی و تولید کنید که از حجم و تنوع داده های موجود در وب استفاده می کند. ما این دوره را به چهار بخش تقسیم کردیم که مهارت‌ها و شایستگی‌های فنی اصلی را که برای استفاده از وب به‌عنوان فضایی برای تبادل داده‌های ساختاری غول‌پیکر نیاز دارید را پوشش می‌دهد: • در بخش اول، "اصول یک وب از داده های پیوندی": شما اصول انتشار و به دست آوردن داده ها را مستقیماً در وب به جای صفحات وب، یاد خواهید گرفت و تمرین می کنید. • در بخش دوم، "مدل داده RDF": شما مدل استاندارد داده برای وب و نحوهای آن را برای انتشار و پیوند داده ها در وب در برنامه ها و خدمات خود خواهید آموخت. • در بخش سوم، "زبان پرس و جو SPARQL": شما یاد خواهید گرفت که چگونه مستقیماً به منابع داده در وب پرس و جو کنید و به منابع داده دسترسی داشته باشید و داده های ساختار یافته مرتبط با فعالیت و دامنه خود را بدست آورید. • در بخش چهارم و پایانی، "ادغام سایر فرمت ها و منابع داده": شما یاد خواهید گرفت که چگونه استانداردهای وب با سایر قالب های داده تعامل و تعامل دارند تا امکان ادغام انواع منابع داده را فراهم کنند. هر هفته به طور متناوب ویدیوها و آزمون‌های کوتاه و همچنین منابع و انجمن‌های تکمیلی برای پیشرفت تدریجی در اصول و استانداردهای مختلف جایگزین می‌شود. پس از گذراندن موفقیت آمیز این دوره، مهارت هایی برای به دست آوردن مجموعه داده های متمرکز و ساختار یافته از وب خواهید داشت که می توانید از آنها برای تقویت مجموعه داده های خود، غنی سازی ابعاد آنها، تغذیه برنامه های کاربردی خود، انجام داده کاوی، یادگیری ماشین و آموزش، داده ها استفاده کنید. تجزیه و تحلیل، پردازش و استدلال هوش مصنوعی و سایر مدیریت داده ها.

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.

linkedin یادگیری تجسم داده ها (Mitalearn-276315)

  • 1 hours 51 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Bill Shander
درباره این دوره:


ایده بزرگی دارید؟ شما باید آن را به سرعت و کارآمد منتقل کنید، در غیر این صورت مخاطبان مدرن به سراغ داستان بعدی خواهند رفت و برای جلب توجه خود فریاد می زنند. تجسم داده ها به شما امکان می دهد پیچیده را ساده، انتزاعی را ملموس و نامرئی را قابل مشاهده کنید. در این دوره، بیل شاندر نشان می دهد که چگونه در مورد داده ها، مخاطبان و اهداف خود فکر کنید تا تصاویری بسازید که تأثیر را به حداکثر برسانید. بعلاوه، درباره درک بصری انسان و استراتژی‌های انتخاب نمودار بیاموزید، که در هنگام تجسم داده‌ها تفاوت ایجاد می‌کند.

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.

Suggestions