Course catalog

Course duration

Course provider

Topic

Categories

Showing 541-560 of 803 items.

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 گزارش مالی خودکار با هوش مصنوعی (Mitalearn-411958)

  • 55 minutes
  • مناسب همه
  • Release date: 25 July 2026
  • Author: Glenn Hopper
درباره این دوره:

در این دوره ، گلن هاپر - یک CFO ، نویسنده ، سخنران و مشاور - از چگونگی انقلابی در گزارش های مالی از طریق اتوماسیون پیشرفته و داستان پردازی هوشمند استفاده می کند. بیاموزید که با استفاده از یادگیری ماشین برای تجزیه و تحلیل پیش بینی ، عملیات مالی را ساده کنید. کشف کنید که چگونه از هوش مصنوعی تولیدی برای خودکار سازی روایت های مالی خود استفاده کنید ، و گزارش های مالی را به داستانهای جامع تبدیل کنید که ذینفعان را درگیر می کند. برنامه های کاربردی عملی ، از جمله ساخت مدل های پیش بینی ساختمان و ساخت روایت های روشنگری را با استفاده از ابزارهایی مانند ChatGPT کاوش کنید. این دوره مباحث کلیدی مانند مهندسی ویژگی ، اعتبار سنجی داده ها ، اتوماسیون روایت و ملاحظات اخلاقی هوش مصنوعی در امور مالی را در بر می گیرد. هنگامی که این دوره را تمام می کنید ، می توانید با وضوح و دقت ، با پشتیبانی از گردش کار قوی ، تصمیمات محور داده را اتخاذ کنید.

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 برای اکسل (Mitalearn-428703)

  • 2 hours 22 minutes
  • مناسب همه
  • Release date: 25 July 2026
  • Author: Maven Analytics,Enrique Ruiz
درباره این دوره:

این یک دوره مبتنی بر پروژه است که برای کمک به شما در استفاده از Copilot در Microsoft Excel برای حل مشکلات تجزیه و تحلیل داده های دنیای واقعی طراحی شده است. با بررسی ویژگی ها و محدودیت های اصلی مایکروسافت Copilot ، نقاط قوت و ضعف را در برابر ابزارهایی مانند ChatGPT مقایسه کنید و با Copilot برای Microsoft 365 در دستگاه خود بلند شوید. از آنجا ، مربی Enrique Ruiz به موارد استفاده اصلی Copilot برای مدیریت و تجزیه و تحلیل داده ها شیرجه می زند. اضافه کردن ستون های فرمول جدید با استفاده از زبان طبیعی ، استفاده از قوانین قالب بندی مشروط برای برجسته کردن نقاط کلیدی داده ها و تجزیه و تحلیل داده ها برای یافتن بینش با استفاده از Pivottables و نمودارها. در طول راه ، یاد بگیرید که چگونه از موتور AI مولد Copilot برای موارد پیشرفته تر استفاده ، از جمله نوشتن فرمول های آرایه پویا و تولید کد پایتون در اکسل استفاده کنید. در طول دوره ، شما فرصتی برای تمرین مهارت های جدید خود در تمرینات نقش آفرینی به عنوان مدیر منابع انسانی شرکت خواهید داشت.

توجه: این دوره توسط Enrique Ruiz و Maven Analytics ایجاد شده است. ما خوشحالیم که این آموزش را در کتابخانه خود میزبانی می کنیم.

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.

linkedin مبانی مسئول هوش مصنوعی (Mitalearn-420713)

  • 1 hours 8 minutes
  • مناسب همه
  • Release date: 25 August 2025
  • Author: Vilas Dhar
درباره این دوره: 

 در این دوره ، ویلاس دار - یک کارآفرین ، تکنسین و مدافع حقوق بشر - مسئولیت هوش مصنوعی را از اصول انتزاعی به تصمیمات مهندسی عملی تبدیل می کند و راه هایی را برای شکل گیری مستقیم رفتار و پیامدهای سیستم هوش مصنوعی به شما نشان می دهد. دریابید که چگونه ادغام اولیه شیوه های کلیدی مانع از بازسازی سیستم های گران قیمت و آسیب شهرت می شود. از ابتدا نحوه ادغام نظارت ، تشخیص تعصب و شفافیت را بیاموزید. معماری مهم و تصمیمات طراحی را که رفتار سیستم را شکل می دهد ، بررسی کنید. سپس نحوه ادغام شیوه های مسئول AI را در گردش کار توسعه موجود بدون ایجاد تنگناها کشف کنید. بعلاوه ، چارچوبهای ارزیابی ریسک را که به جای شناسایی مشکلات ، با استفاده از ابزارهای عملی برای ارزیابی خطرات سیستم هوش مصنوعی و تصمیم گیری در مورد تجارت آگاهانه ، به جای شناسایی مشکلات ، به جای شناسایی مشکلات ، بیش از این کار می کنند.

linkedin مبانی هوش مصنوعی: شبکه های عصبی (Mitalearn-381545)

  • 1 hours 45 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Gwendolyn Stripling
درباره این دوره:

یک شبکه عصبی مصنوعی از مغز انسان به عنوان الهام برای ایجاد یک سیستم یادگیری ماشینی پیچیده استفاده می کند. آن‌ها می‌توانند میلیون‌ها صدا، ویدیو و تصویر را طبقه‌بندی کنند، به سؤالات ما پاسخ دهند، رفتارهای ما را درک کنند و حتی اتومبیل‌های ما را برانند. شبکه های عصبی همچنین پایه و اساس هوش مصنوعی مولد هستند.

این دوره به معرفی تکنیک ها و اصول اساسی شبکه های عصبی، مدل های رایج و کاربردهای آنها می پردازد. مربی Gwendolyn Stripling شما را از طریق معماری های مختلف شبکه عصبی، اجزای آنها، موارد استفاده مناسب و بهترین شیوه ها برای بهبود عملکرد مدل شبکه عصبی راهنمایی می کند. به علاوه، با استفاده از Keras Sequential API، یک کتابخانه منبع باز که طراحی و آموزش شبکه های عصبی را ابهام می کند، تجربه عملی در ساخت و آموزش یک شبکه عصبی به دست آورید. اگر به دنبال دستیابی به درک کاملی از نحوه ساخت، آموزش، بهبود و استفاده از شبکه های عصبی هستید، در این دوره آموزشی به Gwendolyn بپیوندید.

linkedin مبانی هوش مصنوعی: شبکه های عصبی (2018) (Mitalearn-120187)

  • 1 hours 16 minutes
  • مبتدی
  • Release date: 25 July 2026
  • Author: Doug Rose
درباره این دوره:

یک شبکه عصبی مصنوعی از مغز انسان به عنوان الهام برای ایجاد یک سیستم یادگیری ماشینی پیچیده استفاده می کند. در حال حاضر شبکه های عصبی وجود دارند که می توانند میلیون ها صدا، فیلم و تصویر را طبقه بندی کنند. این ماشین ها می توانند به سوالات ما پاسخ دهند، رفتارهای ما را درک کنند و حتی ماشین های ما را رانندگی کنند. شبکه به دنبال الگوهای ظریف در داده‌های ما می‌گردد و سپس خود را برای بهبود در طول زمان تنظیم می‌کند. آنها می توانند در پیش بینی رفتار ما، یادگیری زبان های ما و یافتن اکتشافات جدید متخصص شوند. در این دوره، مدرس داگ رز مروری بر شبکه های عصبی مصنوعی ارائه می دهد و توضیح می دهد که آنها چیستند و چگونه می توانید از آنها برای چالش های یادگیری ماشین خود استفاده کنید. راه هایی را کشف کنید که می توانید از این فناوری برای انجام کارهای جدید و جذاب برای پروژه ها یا کسب و کار خود استفاده کنید.

linkedin مبانی هوش مصنوعی: ماشین های فکری (Mitalearn-120170)

  • 1 hours 36 minutes
  • مبتدی
  • Update date: 21 June 2026
  • Author: Doug Rose
درباره این دوره:

هوش مصنوعی پیشرفته کامپیوتری (AI) از دهه 1950 وجود داشته است، اما نوآوری‌های سخت‌افزاری اخیر این زمینه را دوباره تقویت کرده است. حسگرهای جدید به ماشین‌ها کمک می‌کنند دید دقیق‌تری داشته باشند، صداها را بشنوند و مکان را درک کنند. پردازنده‌های قدرتمند می‌توانند به رایانه‌ها کمک کنند تا تصمیمات پیچیده بگیرند، احتمالات را مرتب کنند، نتایج را برنامه‌ریزی کنند و از اشتباهات درس بگیرند. احتمالات هیجان انگیز است. پیامدها گسترده است.\r\n\r\n خواهید دید که چگونه هوش مصنوعی سوالاتی را در مورد معنای باهوش بودن و میزان اعتماد ما به ماشین ها ایجاد کرده است. مدرس داگ رز رویکردهای مختلف هوش مصنوعی از جمله یادگیری ماشینی و یادگیری عمیق و کاربردهای عملی فناوری‌های جدید تقویت‌شده هوش مصنوعی را توضیح می‌دهد. به علاوه، یاد بگیرید که چگونه هوش مصنوعی را با سایر فناوری‌ها مانند داده‌های بزرگ ادغام کنید و از برخی مشکلات رایج مرتبط با هوش مصنوعی برنامه‌نویسی اجتناب کنید.

linkedin مبانی هوش مصنوعی: یادگیری ماشین (2018) (Mitalearn-120153)

  • 1 hours 17 minutes
  • مبتدی
  • Release date: 25 July 2026
  • Author: Doug Rose
درباره این دوره:

یادگیری ماشینی یکی از پر جنب و جوش ترین زمینه ها در هوش مصنوعی است. الگوریتم‌های یادگیری ماشینی به رایانه‌ها اجازه می‌دهند تا چیزهای جدید را بدون برنامه‌نویسی یاد بگیرند. آنها از آمار به عنوان راهی برای درک بهتر حجم عظیم داده ای که ما هر روز ایجاد می کنیم استفاده می کنند. این الگوریتم های جدیدتر به ماشین ها کمک می کنند تا تصاویر، صداها و فیلم ها را طبقه بندی کنند. آنها می توانند به سؤالات ما پاسخ دهند، داروهای جدید کشف کنند، و حتی آهنگ بنویسند. در این دوره به بررسی تعریف و انواع یادگیری ماشینی می پردازیم: تحت نظارت، بدون نظارت و تقویتی. سپس می‌توانید نحوه استفاده از الگوریتم‌های محبوب مانند درخت‌های تصمیم، خوشه‌بندی و تحلیل رگرسیون را برای مشاهده الگوها در مجموعه داده‌های عظیم خود مشاهده کنید. در نهایت، هنگام شروع یادگیری ماشینی، می‌توانید در مورد برخی از مشکلات یاد بگیرید.

linkedin مبانی هوش مصنوعی: یادگیری ماشینی (Mitalearn-388600)

  • 1 hours 50 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Kesha Williams
درباره این دوره:

یادگیری ماشینی هیجان انگیزترین شاخه هوش مصنوعی است. این به سیستم‌ها اجازه می‌دهد تا با شناسایی الگوها و تصمیم‌گیری بدون دخالت انسان، از داده‌ها بیاموزند. در این دوره، با تمرین عملی اولین مدل یادگیری ماشینی خود، چرخه زندگی یادگیری ماشینی را هدایت خواهید کرد. به مربی کشا ویلیامز بپیوندید تا روش‌های یادگیری ماشینی را مورد بررسی قرار دهد: تحت نظارت، بدون نظارت و تقویت. تمرکز روی منبع یابی و تهیه داده ها و انتخاب بهترین الگوریتم یادگیری برای پروژه شما وجود دارد. پس از آموزش یک مدل، ارزیابی عملکرد مدل را با استفاده از معیارهای استاندارد یاد بگیرید. در نهایت، کشا به شما نشان می‌دهد که چگونه فرآیند را با ایجاد خط لوله یادگیری ماشین ساده کنید. اگر به دنبال درک چرخه زندگی یادگیری ماشین و مراحل مورد نیاز برای ساخت سیستم هستید، این دوره را بررسی کنید.

linkedin مبانی یادگیری تقویتی (Mitalearn-198421)

  • 44 minutes
  • متوسط
  • Update date: 21 June 2026
  • Author: Khaulat Abdulhakeem
درباره این دوره:

نوآوری‌ها در امور مالی، بهداشت، رباتیک و بخش‌های مختلف دیگر با یادگیری تقویتی (RL) امکان‌پذیر شده‌اند که شامل آموزش ماشین‌ها برای یادگیری از محیطشان می‌شود. بسیاری از شرکت های برتر فناوری سرمایه گذاری زیادی در این زمینه انجام می دهند. در این دوره، مربی خلعت عبدالحکیم به شما کمک می کند تا اصول اولیه این مهارت نسبتا جدید، اما ارزشمند را بیاموزید. با اصطلاحات کلیدی مورد استفاده در RL، نحوه ایفای نقش اصلی RL در پیشرفت هوش مصنوعی و انواع مشکلاتی که می توانید از RL برای حل آنها استفاده کنید، آشنا شوید. Khaulat به شما نشان می دهد که چگونه مشکلات یادگیری تقویتی را تعریف و نشان دهید. او همچنین به الگوریتم‌های RL، از جمله مونت کارلو و روش‌های تفاوت زمانی می‌پردازد. به علاوه، او به بررسی RL عمیق و چند عاملی می‌پردازد، همچنین نحوه عملکرد یادگیری معکوس و چگونگی کمک به عوامل یادگیری با تقلید را بررسی می‌کند.

coursera مبانی یادگیری تقویتی (Mitalearn-330052)

  • 3 hours 51 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Martha White,Adam White
درباره این دوره:

یادگیری تقویتی زیرشاخه یادگیری ماشینی است، اما یک فرمالیسم با هدف کلی برای تصمیم گیری خودکار و هوش مصنوعی نیز هست. این دوره شما را با تکنیک های یادگیری آماری آشنا می کند که در آن یک عامل به صراحت اقداماتی انجام می دهد و با جهان تعامل دارد. درک اهمیت و چالش های عوامل یادگیری که تصمیم گیری می کنند امروزه از اهمیت حیاتی برخوردار است، زیرا شرکت های بیشتری به عوامل تعاملی و تصمیم گیری هوشمند علاقه مند هستند. این دوره شما را با اصول یادگیری تقویتی آشنا می کند. وقتی این دوره را تمام کردید، خواهید داشت: - رسمی کردن مشکلات به عنوان فرآیندهای تصمیم مارکوف - روش های اولیه اکتشاف و معاوضه اکتشاف / بهره برداری را بدانید - درک توابع ارزش، به عنوان یک ابزار همه منظوره برای تصمیم گیری بهینه - بدانید که چگونه برنامه نویسی پویا را به عنوان یک رویکرد راه حل کارآمد برای یک مشکل کنترل صنعتی پیاده سازی کنید این دوره مفاهیم کلیدی یادگیری تقویتی، زیربنای الگوریتم های کلاسیک و مدرن در RL را به شما آموزش می دهد. پس از اتمام این دوره، می توانید از RL برای مشکلات واقعی استفاده کنید، جایی که MDP را دارید یا می توانید مشخص کنید. این اولین دوره تخصصی آموزش تقویتی است.

Suggestions