Course catalog

Course duration

Course provider

Topic

Categories

Showing 541-560 of 587 items.

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.

linkedin یادگیری علم داده (Mitalearn-425864)

  • 2 hours 45 minutes
  • مناسب همه
  • Release date: 4 April 2025
  • Author: Doug Rose
درباره این دوره: 

 بسیاری از افرادی که در تیم های علوم داده کار می کنند چیزی غیر از دانشمندان داده تبدیل می شوند. گفته می شود ، بسیاری از آنها مدیر و همکاران خواهند شد که می خواهند از داده های سازمان شما ارزش تجاری واقعی کسب کنند. این اعضای تیم باید زبان علوم داده را درک کنند تا بتوانند سؤالات بهتری بپرسند ، فرایندها را درک کنند و به طور مؤثر تیم ها و سازمان های خود را به سمت تصمیمات بهتر محور داده هدایت کنند. در این دوره ، برای افرادی که قصد کار به عنوان دانشمندان تمام وقت داده را ندارند ، مقدمه ای از علوم داده دریافت کنید. مفاهیم ، ابزارها و تکنیک های داده های بزرگ ، از جمله جمع آوری و مرتب سازی داده ها ، کار با پایگاه داده ها ، درک انواع داده های ساختار یافته و بدون ساختار ، استفاده از تحلیل آماری ، پرسیدن سؤالات مهم و گفتن داستانها را در مورد داده ها کشف کنید. مربی تجارت و نویسنده داگ رز به شما کمک می کند تا به زبان علوم داده صحبت کنید تا بتوانید سازمان خود را از طریق فرصت ها و محدودیت های موجود در این زمینه به طرز چشمگیری در حال رشد راهنمایی کنید.

linkedin یادگیری علم داده: با استفاده از روش شناسی چابک (Mitalearn-91576)

  • 1 hours 16 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Doug Rose
درباره این دوره:

یک تیم علم داده سوالات بزرگی می پرسد، داده ها را بررسی می کند و بینش های کلیدی را ارائه می دهد. اما در پایان روز تیم شما باید ارزش واقعی کسب و کار را اضافه کند. حتی بهترین تیم های علم داده اگر نتوانند درآمد یا هزینه های کمتری ایجاد کنند، در سازمان شما دوام زیادی نخواهند داشت. بهترین راه برای ایجاد ارزش تجاری، ارائه یک جریان ثابت از بینش های کلیدی در دو هفته دویدن کوتاه است. این دوی سرعت های کوتاه به شما بازخورد بلادرنگ می دهد تا به حفظ تیم شما در مسیر کمک کند. یک اسپرینت کوتاه همچنین به تیم شما کمک می‌کند تا بر اساس آنچه از داده‌ها می‌آموزند، سؤالات جدیدی بپرسند.

rnrn نحوه کار در چرخه حیات علم داده (DSLC) را ببینید - روشی برای دوچرخه‌سواری از طریق سؤالات، تحقیق و گزارش هر دو هفته یکبار. روش‌های کلیدی را کاوش کنید تا به تیم خود کمک کنید تا کار را به گونه‌ای که در یک دوی دو هفته‌ای مناسب باشد، تجزیه کند. یاد بگیرید که چگونه از ابزارهایی مانند تخته سوالات برای تشویق بحث و پیدا کردن سوالات ضروری استفاده کنید. و مهمتر از همه، یاد بگیرید که چگونه دانش مشترک تیم خود را افزایش دهید و از دام های رایج اجتناب کنید.

linkedin یادگیری علم داده: با داده داستان بگویید (Mitalearn-91610)

  • 1 hours 17 minutes
  • مبتدی
  • Release date: 21 June 2026
  • Author: Doug Rose
درباره این دوره:

بسیاری از مردم شناسان بر این باورند که اجداد اولیه ما جوامعی را حول داستان های آتش اردوگاه در مورد عدالت، رهبری و حکومت ساخته اند. تیم های علم داده شما نیز ایده های پیچیده ای در مورد داده ها و نتایج خود خواهند داشت. به همین دلیل است که برای انتقال این بینش‌ها به سایر اعضای سازمان، یک داستان ساختاریافته لازم است. این صرفاً ایجاد یک صفحه اکسل عالی یا یک نمودار زیبا نیست. شما باید داستانی تعریف کنید که تخیل مخاطب شما را جذب کند و آنها را تشویق به انجام اقداماتی کند. در این دوره، مدرس داگ رز توضیح می دهد که چگونه یک داستان عالی علم داده را با هم ببافید و مخاطبان خود را به داستان بکشانید تا ایده های پیچیده را منتقل کنید و همه را برای ایجاد تغییرات واقعی ترغیب کنید.

linkedin یادگیری علم داده: درک اصول (Mitalearn-91644)

  • 1 hours 16 minutes
  • مبتدی
  • Release date: 21 June 2026
  • Author: Doug Rose
درباره این دوره:

بسیاری از افرادی که در تیم های علم داده کار می کنند، دانشمندان داده نخواهند بود. آنها مدیران و همکارانی خواهند بود که می خواهند ارزش تجاری واقعی را از داده های سازمان شما به دست آورند. این اعضای تیم باید زبان علم داده را بدانند تا بتوانند سوالات بهتری بپرسند، فرآیندها را درک کنند و به هدایت موثر تیم‌ها و سازمان‌های خود برای تصمیم‌گیری بهتر مبتنی بر داده کمک کنند. این دوره مقدمه ای بر علم داده برای افرادی است که قصد ندارند دانشمند داده تمام وقت شوند. مفاهیم، ​​ابزارها و تکنیک‌های کلان داده را معرفی می‌کند، از جمله جمع‌آوری و مرتب‌سازی داده‌ها، کار با پایگاه‌های داده، درک انواع داده‌های ساختاریافته و بدون ساختار، و به‌کارگیری تحلیل‌های آماری. مربی کسب و کار و نویسنده داگ رز به شما کمک می کند تا به زبان علم داده صحبت کنید تا بتوانید سازمان خود را از طریق فرصت ها و محدودیت ها در این زمینه به طور چشمگیری در حال رشد راهنمایی کنید.

linkedin یادگیری علم داده: سوالات بزرگ بپرسید (Mitalearn-91627)

  • 1 hours 14 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Doug Rose
درباره این دوره:

اکتشافات بزرگ علم داده اغلب به کسی برمی‌گردد که یک سؤال مهم می‌پرسد. به همین دلیل برای تیم شما مهم است که از تفکر انتقادی برای ارائه سوالات زیرکانه و معنادار که ارزش واقعی را اضافه می کند، استفاده کند. یک سوال خوب می تواند مانع از انحراف تیم شما در فرضیات بد و نتیجه گیری های نادرست شود. در این دوره، نویسنده داگ رز مؤلفه‌های کلیدی استدلال انتقادی و چگونگی جستجوی طلا در جریان داده‌ها را برای جستجوی سؤالات جدید بررسی می‌کند. شما یاد خواهید گرفت که چگونه به عنوان یک تیم برای اجرای جلسات سؤال، سازماندهی ایده های مهم در درختان سؤال، و ایجاد سؤالات با کیفیت با روشن کردن اصطلاحات کلیدی، شواهد چالش برانگیز، کشف آمارهای گمراه کننده و موارد دیگر با یکدیگر همکاری کنید.

coursera یادگیری عمیق احتمالی با TensorFlow 2 (Mitalearn-336155)

  • 6 hours 14 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Dr Kevin Webster
درباره این دوره:

به این دوره آموزش عمیق احتمالی با TensorFlow خوش آمدید! این دوره مبتنی بر مفاهیم و مهارت‌های پایه تنسورفلو است که در دو دوره اول این تخصص تدریس شده است و بر رویکرد احتمالی یادگیری عمیق تمرکز دارد. این یک حوزه به طور فزاینده مهم یادگیری عمیق است که هدف آن تعیین کمیت نویز و عدم قطعیت است که اغلب در مجموعه داده های دنیای واقعی وجود دارد. این یک جنبه حیاتی در هنگام استفاده از مدل های یادگیری عمیق در برنامه هایی مانند وسایل نقلیه خودران یا تشخیص های پزشکی است. ما به مدل نیاز داریم تا بدانیم چه چیزی را نمی داند. شما یاد خواهید گرفت که چگونه مدل‌های احتمالی را با TensorFlow توسعه دهید و از کتابخانه احتمالی TensorFlow استفاده کنید، کتابخانه‌ای که برای آسان کردن ترکیب مدل‌های احتمالی با یادگیری عمیق طراحی شده است. به این ترتیب، این دوره همچنین می تواند به عنوان مقدمه ای برای کتابخانه TensorFlow Probability مشاهده شود. شما یاد خواهید گرفت که چگونه توزیع‌های احتمال را می‌توان در مدل‌های یادگیری عمیق در TensorFlow، از جمله شبکه‌های عصبی بیزی، جریان‌های عادی‌سازی و رمزگذارهای خودکار متغیر، نمایش داد و گنجاند. شما یاد خواهید گرفت که چگونه مدل هایی را برای تعیین کمیت عدم قطعیت و همچنین مدل های تولیدی ایجاد کنید که می توانند نمونه های جدیدی مشابه نمونه های موجود در مجموعه داده ایجاد کنند، مانند تصاویر چهره های افراد مشهور. مفاهیمی را که در مورد آنها یاد می گیرید بلافاصله در آموزش های عملی و عملی برنامه نویسی، که توسط دستیار آموزشی فارغ التحصیل راهنمایی می شوید، در عمل قرار می دهید. علاوه بر این، یک سری تکالیف برنامه نویسی با درجه بندی خودکار برای شما وجود دارد تا مهارت های خود را تثبیت کنید. در پایان دوره، بسیاری از مفاهیم را در یک پروژه Capstone گرد هم می‌آورید، جایی که یک الگوریتم رمزگذار خودکار متغیر را برای تولید یک مدل تولیدی از مجموعه داده‌های تصویر مصنوعی که خودتان ایجاد می‌کنید، ایجاد می‌کنید. این دوره از دو دوره قبلی در این تخصص پیروی می کند، شروع با TensorFlow 2 و سفارشی کردن مدل های خود با TensorFlow 2. دانش پیش نیاز اضافی مورد نیاز برای موفقیت در این دوره یک پایه محکم در احتمال و آمار است. به طور خاص، فرض بر این است که شما با توزیع‌های احتمال استاندارد، توابع چگالی احتمال، و مفاهیمی مانند برآورد حداکثر احتمال، فرمول تغییر متغیرها برای متغیرهای تصادفی و کران پایین شواهد (ELBO) مورد استفاده در استنتاج تغییرات آشنا هستید.

coursera یادگیری عمیق با Keras و Tensorflow (Mitalearn-330188)

  • 2 hours 13 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Samaya Madhavan,Ricky Shi,Alex Aklson
درباره این دوره:

یادگیری عمیق در بسیاری از زمینه ها از جمله بینایی کامپیوتر، پردازش زبان طبیعی و روباتیک انقلابی ایجاد کرده است. علاوه بر این، Keras، یک API شبکه های عصبی سطح بالا که به زبان پایتون نوشته شده است، به بخشی ضروری از TensorFlow تبدیل شده است و یادگیری عمیق را در دسترس و ساده می کند. تسلط بر این تکنیک ها فرصت های زیادی را در تحقیقات و صنعت باز خواهد کرد. شما یاد خواهید گرفت که لایه ها و مدل های سفارشی را در Keras ایجاد کنید و Keras را با TensorFlow 2.x برای عملکرد بهبودیافته ادغام کنید. شما شبکه های عصبی کانولوشنال پیشرفته (CNN) را با استفاده از Keras توسعه خواهید داد. همچنین با استفاده از TensorFlow با Keras، مدل‌های ترانسفورماتور را برای داده‌های متوالی و سری‌های زمانی خواهید ساخت. این دوره همچنین اصول یادگیری بدون نظارت در Keras و TensorFlow را برای بهینه سازی مدل و حلقه های آموزشی سفارشی پوشش می دهد. در نهایت، شبکه‌های Q عمیق (DQN) را با Keras برای وظایف یادگیری تقویتی توسعه داده و آموزش خواهید داد (مروری از مدل‌سازی تولیدی و یادگیری تقویتی ارائه شده است). شما می توانید مفاهیم آموخته شده را با استفاده از آزمایشگاه های عملی در هر درس تمرین کنید. یک پروژه نهایی نهایی در آخرین ماژول به شما فرصتی می دهد تا دانش خود را برای ایجاد یک مدل طبقه بندی با استفاده از یادگیری انتقالی به کار ببرید. این دوره برای همه مهندسین مشتاق هوش مصنوعی که می خواهند TensorFlow و Keras را یاد بگیرند مناسب است. این نیاز به دانش کاربردی برنامه نویسی پایتون و مفاهیم پایه ریاضی مانند گرادیان و ماتریس، و همچنین اصول یادگیری عمیق با استفاده از Keras دارد.

coursera یادگیری عمیق در پرونده الکترونیک سلامت - CDSS 2 (Mitalearn-333095)

  • 4 hours 3 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Fani Deligianni
درباره این دوره:

مروری بر اصول اصلی یادگیری عمیق به همراه معماری های رایج. مسئله را برای طبقه بندی سری های زمانی فرموله کنید و آن را برای سیگنال های حیاتی مانند ECG اعمال کنید. به کارگیری این روش در پرونده الکترونیک سلامت به دلیل مقادیر از دست رفته و ناهمگونی در EHR که شامل متغیرهای پیوسته، ترتیبی و طبقه‌ای است، چالش برانگیز است. متعاقبا، تکنیک‌های انتساب و استراتژی‌های مختلف رمزگذاری را برای رسیدگی به این مسائل بررسی کنید. این رویکردها را برای فرمول بندی معیارهای پیش بینی بالینی به دست آمده از اطلاعات موجود در پایگاه داده MIMIC-III به کار ببرید.

coursera یادگیری عمیق مولد با TensorFlow (Mitalearn-332585)

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

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

coursera یادگیری ماشین با آپاچی اسپارک (Mitalearn-332619)

  • 2 hours 11 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: IBM Skills Network Team,Ramesh Sannareddy
درباره این دوره:

با این دوره آموزشی IBM دنیای هیجان انگیز یادگیری ماشینی را کاوش کنید. قبل از باز کردن قدرت Apache Spark برای ساخت و استقرار مدل‌های ML برای برنامه‌های مهندسی داده، با یادگیری اصول ML شروع کنید. در تکنیک های یادگیری تحت نظارت و بدون نظارت غوطه ور شوید و از طریق خواندن و ویدئوهای آموزشی، امکانات انقلابی هوش مصنوعی مولد را کشف کنید. تجربه عملی با جریان ساختار یافته Spark به دست آورید، درکی از مهندسی داده و خطوط لوله ML ایجاد کنید و در ارزیابی مدل های ML با استفاده از SparkML ماهر شوید. در آزمایشگاه‌های عملی، شما از SparkML برای رگرسیون، طبقه‌بندی و خوشه‌بندی استفاده می‌کنید که به شما امکان می‌دهد مدل‌های پیش‌بینی و طبقه‌بندی بسازید. به خوشه‌های Spark متصل شوید، مجموعه داده‌های SparkSQL را تجزیه و تحلیل کنید، فعالیت‌های ETL را انجام دهید و مدل‌های ML را با استفاده از Spark ML و sci-kit Learn ایجاد کنید. در نهایت، مهارت های کسب شده خود را از طریق یک تکلیف نهایی نشان دهید. این دوره متوسط ​​​​برای مهندسین داده مشتاق و با تجربه و همچنین متخصصان فعال در تجزیه و تحلیل داده ها و یادگیری ماشین مناسب است. دانش قبلی در Big Data، Hadoop، Spark، Python و ETL برای این دوره به شدت توصیه می شود.

coursera یادگیری ماشین برای بینایی کامپیوتر (Mitalearn-333078)

  • 1 hours 31 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Amanda Wang,Matt Rich,Brandon Armstrong
درباره این دوره:

در دوره دوم گرایش بینایی کامپیوتر برای مهندسی و علوم، دو مورد از رایج ترین کارهای بینایی کامپیوتر را انجام خواهید داد: طبقه بندی تصاویر و تشخیص اشیا. شما کل گردش کار یادگیری ماشین را، از آماده سازی داده های خود تا ارزیابی نتایج خود، اعمال خواهید کرد. در پایان این دوره، مدل‌های یادگیری ماشینی را برای طبقه‌بندی تصاویر تابلوهای خیابان و تشخیص عیوب مواد آموزش می‌دهید. شما در طول این دوره از MATLAB استفاده خواهید کرد.  متلب برای میلیون‌ها نفر از افرادی که در زمینه‌های مهندسی و علوم کار می‌کنند، گزینه‌ای است و قابلیت‌های مورد نیاز برای انجام وظایف بینایی رایانه‌تان را فراهم می‌کند.  در طول دوره برای تکمیل کار، دسترسی رایگان به متلب در اختیار شما قرار خواهد گرفت. برای موفقیت در این تخصص، داشتن تجربه قبلی در پردازش تصویر کمک خواهد کرد.  اگر با داده های تصویری تازه کار هستید، توصیه می شود ابتدا تخصص پردازش تصویر برای مهندسی و علوم را تکمیل کنید.

coursera یادگیری ماشین پیشرفته و پردازش سیگنال (Mitalearn-336614)

  • 6 hours 4 minutes
  • 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 به مجوز در ناحیه منابع دسترسی داشته باشید <<< این دوره، یادگیری ماشین پیشرفته و پردازش سیگنال، بخشی از تخصص IBM Advanced Data Science است که IBM در حال حاضر در حال ایجاد آن است و به شما امکان دسترسی آسان به بینش های ارزشمند در مورد نظارت و کنترل را می دهد. مدل های یادگیری ماشینی بدون نظارت که توسط متخصصان در بسیاری از رشته های مرتبط استفاده می شود. ما در مورد اصول جبر خطی یاد خواهیم گرفت تا نحوه عملکرد حالت های یادگیری ماشین را درک کنیم. سپس محبوب‌ترین چارچوب‌های یادگیری ماشین برای پایتون Scikit-Learn و SparkML را معرفی می‌کنیم. SparkML بزرگترین بخش این دوره را تشکیل می دهد زیرا مقیاس پذیری کلید رفع تنگناهای عملکرد است. ما یاد می گیریم که چگونه مدل ها را به صورت موازی با ارزیابی صدها پارامتر مختلف به صورت موازی تنظیم کنیم. ما به طور مداوم از یک مثال واقعی از اینترنت اشیا (اینترنت اشیا) برای مثال زدن الگوریتم های مختلف استفاده خواهیم کرد. برای گذراندن دوره، حتی باید داده های حسگر ارتعاش خود را با استفاده از حسگرهای شتاب سنج در گوشی هوشمند خود ایجاد کنید. بنابراین شما در طول دوره بر روی یک مجموعه داده واقعی و خودساخته کار می کنید. 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.

Suggestions