Course catalog

Course duration

Course provider

Topic

Categories

Showing 561-580 of 588 items.

linkedin یادگیری ماشین با پایتون: مبانی (Mitalearn-218192)

  • 1 hours 54 minutes
  • مناسب همه
  • Update date: 21 June 2026
  • Author: Frederick Nwanganga
درباره این دوره:

احتمالاً قبلاً در مورد یادگیری ماشینی شنیده اید، اما آیا تا به حال فکر کرده اید که این اصطلاح واقعاً به چه معناست؟ یک ماشین چگونه یاد می گیرد؟ آیا به ساخت یک مدل یادگیری ماشین فکر کرده اید، اما نمی دانید از کجا شروع کنید؟n فردریک دقیقاً با معنای یادگیری ماشین‌ها و روش‌های مختلف یادگیری آنها شروع می‌کند، سپس به نحوه جمع‌آوری، درک و آماده‌سازی داده‌ها برای یادگیری ماشین می‌پردازد. او همچنین مثال‌های راهنمایی از نحوه انجام هر مرحله با استفاده از پایتون ارائه می‌دهد. در نهایت، او همه آن‌ها را برای ساخت، ارزیابی و تفسیر نتایج یک مدل یادگیری ماشین در پایتون گرد هم می‌آورد.

linkedin یادگیری ماشین با رگرسیون لجستیک در Excel، R و Power BI (Mitalearn-217903)

  • 2 hours 49 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Helen Wall
درباره این دوره:


Excel، R، و Power BI برنامه هایی هستند که به طور جهانی در علم داده و در بین مشاغل و سازمان ها در سراسر جهان استفاده می شوند. اگر زمان زیادی را صرف کرده اید تا بفهمید چگونه داده های خود را بهتر مدل کنید تا بینش مفیدی از آنها بدست آورید که می توانید بر اساس آنها عمل کنید، به احتمال زیاد با این برنامه ها روبرو شده اید. در این دوره، هلن وال نحوه استفاده از Excel، R و Power BI را برای رگرسیون لجستیک به منظور مدل‌سازی داده‌ها برای پیش‌بینی برچسب‌های طبقه‌بندی مانند کشف تقلب یا موفقیت‌های آزمایشی پزشکی نشان می‌دهد. هلن چندین نمونه از رگرسیون لجستیک را بررسی می کند. او نحوه استفاده از اکسل را برای محاسبه ملموس مدل رگرسیون نشان می دهد، سپس از R برای محاسبات و تجسم های فشرده تر استفاده می کند. سپس نحوه استفاده از Power BI برای ادغام قابلیت‌های محاسبات Excel و R در یک مدل مقیاس‌پذیر و قابل اشتراک‌گذاری را نشان می‌دهد.

linkedin یادگیری ماشین برای iOS: Core ML و Create ML (Mitalearn-227355)

  • 38 minutes
  • مناسب همه
  • Release date: 22 June 2026
  • Author: Emmanuel Henri
درباره این دوره:

آیا می خواهید یادگیری ماشینی را در برنامه iOS خود بگنجانید؟ با Core ML SDK و برنامه Create ML Apple، می‌توانید به سرعت ویژگی‌های یادگیری ماشین را در پروژه‌های خود ادغام کنید. در این دوره آموزشی، امانوئل هنری اصول یادگیری ماشینی و همچنین نحوه کار با Core ML و Create ML را برای افزودن مدل های یادگیری ماشین به برنامه های خود پوشش می دهد. امانوئل بخش‌های مختلف Core ML SDK، نحوه راه‌اندازی یک پروژه جدید با استفاده از Create ML، و نحوه دریافت مقادیر ورودی و آزمایش یک مدل را پوشش می‌دهد. او همچنین نحوه ادغام مدل یادگیری ماشینی خود را در یک برنامه iOS و تبدیل مدل‌ها از منابع غیر iOS را بررسی می‌کند.

linkedin یادگیری ماشین برای هکرهای تیم قرمز توسط Infosec (Mitalearn-427649)

  • 3 hours 39 minutes
  • مناسب همه
  • Release date: 12 June 2025
  • Author: Infosec Institute
درباره این دوره: 

 

در مورد یادگیری ماشین های هک با کارشناسان آموزش امنیت سایبری در انستیتوی Infosec ، INS و Outs of Hacking Machine Learning را کشف کنید. عمیق به موضوعاتی مانند هک کردن یک سیستم Captcha ، فازی یک هدف ، فرار از تشخیص بدافزار و حمله به سیستم های یادگیری ماشین. به علاوه ، در مورد Deepfakes و نحوه انجام حملات پشتی به یادگیری ماشین آشنا شوید.

این دوره توسط موسسه Infosec ایجاد شده است. ما خوشحالیم که این آموزش را در کتابخانه خود میزبانی می کنیم.


linkedin یادگیری ماشین داخلی به زبان Wolfram (Mitalearn-393921)

  • 19 minutes
  • مناسب همه
  • Release date: 5 January 2024
  • Author: Wolfram Research
درباره این دوره: 

 با کمک زبان Wolfram می‌توانید یادگیری ماشین را در زمینه‌های موضوعی مختلف بدون دانش سطح متخصص اعمال کنید. در حالی که می‌توانید مدل‌های پیچیده را از ابتدا بسازید، می‌توانید از هر یک از مدل‌های از پیش آموزش‌دیده موجود در ورودی‌های مختلف مانند متن، اعداد و تصاویر نیز استفاده کنید. این دوره مقدمه ای بر بسیاری از توابع یادگیری ماشینی در دسترس برای کارهای گسترده ای مانند شناسایی تصویر، تشخیص متن، طبقه بندی احساسات و موارد دیگر ارائه می دهد. قابلیت‌های یادگیری ماشین خودکار زبان Wolfram را از طریق مثال‌ها کاوش کنید، و یاد بگیرید که وظایف یادگیری ماشینی ساده را بر روی انواع ورودی‌های مختلف اجرا کنید، از مدل‌های نام‌گذاری‌شده و سفارشی آموزش‌دیده برای انجام وظایف طبقه‌بندی استفاده کنید، و یادگیری ماشین را در بینایی کامپیوتر، متن و استفاده کنید. وظایف پردازش زبان طبیعی

linkedin یادگیری ماشین در ارتباط از راه دور: از اصول اولیه گرفته تا موارد دنیای واقعی (Mitalearn-427683)

  • 2 hours 11 minutes
  • مناسب همه
  • Release date: 22 July 2025
  • Author: Itelcotech
درباره این دوره: 

 این دوره در سطح متوسط، کاوش متمرکزی را در مورد چگونگی تغییر شبکه‌های مخابراتی مدرن توسط یادگیری ماشین (ML) ارائه می‌کند. این دوره برای دانش‌آموزان و متخصصان با دانش پایه از مخابرات یا هوش مصنوعی طراحی شده است که می‌خواهند درک خود را از برنامه‌های ML در بهینه‌سازی شبکه، تجزیه و تحلیل پیش‌بینی‌کننده و اتوماسیون هوشمند عمیق‌تر کنند، این دوره چندین پارادایم یادگیری ماشین کلیدی را پوشش می‌دهد: تحت نظارت، بدون نظارت و یادگیری تقویتی. از طریق مطالعات موردی در دنیای واقعی، مفاهیم کلیدی ML مانند رگرسیون، طبقه‌بندی، خوشه‌بندی، آزمایش فرضیه، توابع هزینه، نزول گرادیان و ارزیابی مدل را بررسی کنید. بیاموزید که چگونه مدل‌ها معیارهای مخابراتی مانند قدرت سیگنال، بار شبکه، و تقاضای پهنای باند را پیش‌بینی می‌کنند و چگونه تکنیک‌های طبقه‌بندی به شناسایی خطاها و ناهنجاری‌ها کمک می‌کنند. در پایان این دوره، شما به مهارت هایی که برای استفاده از ML برای تقویت شبکه های مخابراتی هوشمندتر و سازگارتر نیاز دارید، مجهز خواهید شد.

linkedin یادگیری ماشین کاربردی: الگوریتم ها (Mitalearn-411448)

  • 1 hours 58 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Matt Harrison
درباره این دوره:

با اهمیت روزافزون یادگیری ماشین در تقریباً در هر بخش ، متخصصان به درک عمیق تر و رویکرد عملی برای اجرای الگوریتم های ML به طور مؤثر نیاز دارند.

این دوره الگوریتم های یادگیری ماشین را که معمولاً استفاده می شود ، پوشش می دهد. مربی مت هریسون بر الگوریتم های یادگیری غیر عمق ، پوشش PCA ، خوشه بندی ، رگرسیون خطی و لجستیک ، درختان تصمیم گیری ، جنگل های تصادفی و تقویت شیب تمرکز دارد.

در این دوره به مت بپیوندید تا الگوریتم های مشترک ML را بفهمید ، جوانب مثبت و منفی خود را بیاموزید و مهارت های دستی را برای استفاده از آنها با دنبال کردن با چالش ها و راه حل ها در برنامه های GitHub ایجاد کنید.

linkedin یادگیری ماشین کاربردی: مبانی (Mitalearn-411482)

  • 2 hours 17 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Matt Harrison
درباره این دوره:

مدل های

AI در حال تغییر محل کار هستند. دانستن آنچه در پشت این مدل ها پیش می رود می تواند به شما در استفاده موثرتر از تکنیک های یادگیری ماشین (ML) کمک کند. در این دوره ، مربی مت هریسون به شما نشان می دهد که چگونه می توانید با استفاده از قدرت زبان برنامه نویسی پایتون ، تسلط بر ضروری یادگیری ماشین را شروع کنید. در طول راه ، مهارت های برنامه نویسی جدید خود را در چالش های تمرین در پایان هر بخش آزمایش کنید.

linkedin یادگیری ماشین کاربردی: یادگیری گروه (2022) (Mitalearn-411465)

  • 2 hours 25 minutes
  • مناسب همه
  • Release date: 24 February 2022
  • Author: Derek Jedamski
درباره این دوره: 

 آیا می خواهید مهارت های خود را به عنوان یک پزشک یادگیری ماشین رشد دهید ، اما نمی دانید از کجا شروع کنید؟ برای شروع کار به سمت هدف خود ، نیازی به آموزش رسمی در علم داده ندارید. در این دوره ، مربی درک جیدامسکی به شما نشان می دهد که چگونه می توانید داده های کثیف را مهار کنید ، سیگنال را در آن پیدا کنید و مدلهایی بسازید که پیش بینی های قدرتمندی را با زبان آموزان گروهی ایجاد می کند ، یکی از رایج ترین کلاس های الگوریتم های یادگیری ماشین. در مورد نظریه اساسی که زبان آموزان گروه را هدایت می کند ، بیاموزید و نمونه هایی از یادگیری گروه را در پایتون و سپس اجرای مدل های خود را پوشش دهید. مفاهیمی مانند تقویت ، کیسه و انباشت و نحوه استفاده از هر یک و چه زمانی را کاوش کنید. ابزارهایی را که برای تقویت قدرت پیش بینی خود و پیشبرد مهارت های یادگیری ماشین خود امروز دارید ، بدست آورید.

linkedin یادگیری ماشین کاربردی: یادگیری گروهی (Mitalearn-442643)

  • 1 hours 28 minutes
  • مناسب همه
  • Release date: 28 February 2025
  • Author: Matt Harrison
درباره این دوره: 

 

آیا می‌خواهید مهارت‌های خود را به عنوان یک متخصص یادگیری ماشینی افزایش دهید، اما نمی‌دانید از کجا شروع کنید؟ برای شروع کار به سمت هدف خود نیازی به آموزش رسمی در علم داده ندارید. در این دوره، مربی مت هریسون شما را از طریق مفاهیم کلیدی یادگیری گروهی راهنمایی می کند. روش‌های مختلف مجموعه مانند bagging، boosting و stacking را کاوش کنید و یاد بگیرید که آنها را با استفاده از کتابخانه‌های محبوب Python مانند scikit-learn و XGBoost پیاده‌سازی کنید. در پایان این دوره، شما به مهارت‌هایی که برای پیاده‌سازی و بهینه‌سازی مدل‌های مجموعه در کارهای یادگیری ماشین در دنیای واقعی نیاز دارید، مجهز می‌شوید.

این دوره با GitHub Codespaces، یک محیط توسعه‌دهنده ابری فوری که تمام عملکردهای IDE مورد علاقه‌تان را بدون نیاز به راه‌اندازی ماشین محلی ارائه می‌کند، یکپارچه شده است. با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید، در حالی که از ابزاری استفاده می‌کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای آشنایی با نحوه شروع کار، «استفاده از فضاهای کد GitHub» را با این دوره بررسی کنید.


linkedin یادگیری ماشین کاربردی: یادگیری نظارت شده (Mitalearn-411499)

  • 2 hours 26 minutes
  • مناسب همه
  • Release date: 25 July 2025
  • Author: Matt Harrison
درباره این دوره: 

 در این دوره ، مت هریسون-یک مربی شرکتی پایتون و علوم داده ، نویسنده ، سخنران ، مشاور و مشاور-به شما نشان می دهد که چگونه می توانید از تکنیک های یادگیری نظارت شده برای مشکلات دنیای واقعی استفاده کنید ، با تمرکز بر هر دو طبقه بندی و رگرسیون. با مدلهای اساسی مانند رگرسیون خطی شروع کنید و سپس به الگوریتم های پیچیده تری مانند درختان تصمیم گیری و XGBOOST بروید. به علاوه ، تکنیک های ارزیابی ، بهینه سازی و استقرار مدل را کاوش کنید. با چالش ها و راه حل های عملی ، این دوره شما را برای استفاده از یادگیری نظارت شده برای حل مشکلات در صنایعی مانند مراقبت های بهداشتی ، امور مالی و املاک و مستغلات آماده می کند.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: استنتاج علی و مدلسازی (Mitalearn-385013)

  • 2 hours 51 minutes
  • مناسب همه
  • Release date: 22 July 2022
  • Author: Keith McCormick
درباره این دوره: 

 این دوره با مدرس کیت مک کورمیک مقدمه ای بر برخی از تکنیک های پیشرفته در استنتاج علی و مدل سازی علّی ارائه می دهد. این پایه بر پایه دوره کیث، یادگیری ماشین و مبانی هوش مصنوعی: پیش بینی، علیت و استنتاج آماری استوار است. کیت این دوره را بر روی سه موضوع اصلی متمرکز می کند: قدرت آزمایش ها (و واقعیت این است که آنها همیشه به عنوان یک گزینه در دسترس نیستند). فلسفه و رویکرد آمار بیزی و زمانی که انتخاب خوبی است. و مقدمه‌ای بر مدل‌سازی علی با تکنیک‌هایی مانند مدل‌سازی معادلات ساختاری و شبکه‌های بیزی. با کیت در این دوره همراه باشید تا با این تکنیک های پیشرفته و آنچه که آنها را قدرتمند و جالب می کند آشنا شوید.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: پیش‌بینی، علیت و استنتاج آماری (Mitalearn-392612)

  • 2 hours 2 minutes
  • مناسب همه
  • Release date: 18 March 2022
  • Author: Keith McCormick
درباره این دوره: 

 در دنیای علم داده، یادگیری ماشین و آمار اغلب با هم ترکیب می‌شوند، اما اهداف متفاوتی را دنبال می‌کنند و تسلط به یکی به معنای تخصص در دیگری نیست. در واقع، استفاده از یک رویکرد آماری برای یک مشکل یادگیری ماشینی، یا بالعکس، می تواند بیش از روشن شدن منجر به سردرگمی شود. در این دوره، کیت مک کورمیک چگونگی متفاوت بودن آمار و یادگیری ماشین، زمان استفاده از هر یک و نحوه استفاده از تمام ابزارهایی که در اختیار دارید را برای شفاف و متقاعدکننده بودن هنگام به اشتراک گذاشتن نتایج خود پوشش می دهد. او موضوعاتی مانند: چرا همبستگی شواهد کافی برای علیت نیست. تفاوت بین داده های تجربی و مشاهده ای؛ و تفاوت بین آمار سنتی و آمار بیزی. کیت همچنین به علیت نگاه می کند، موضوعی پیچیده در استفاده از آمار و یادگیری ماشین برای اثبات چیزی که باعث چیز دیگری می شود. اگر مدل‌های یادگیری ماشینی می‌سازید، تحلیل‌های آماری را اجرا می‌کنید - یا به‌ویژه اگر هر دو را انجام می‌دهید، این دوره برای شما مناسب است.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: درختان تصمیم با KNIME (Mitalearn-383823)

  • 2 hours 4 minutes
  • مناسب همه
  • Update date: 22 July 2025
  • Author: Keith McCormick
درباره این دوره: 

 

پیش نیازهای پیشنهادی

  • آشنایی کلی با یادگیری ماشینی تحت نظارت
  • درک عباراتی مانند متغیر هدف، متغیر ورودی، الگوریتم و پارتیشن قطار/آزمایش

درخت‌های تصمیم شفاف هستند، در هر پلتفرمی در دسترس هستند و برای تکنیک‌های پیشرفته‌تر مانند جنگل‌های تصادفی و XGBoost پایه‌ای هستند. و اگر شما یک دانشمند داده هستید که به دنبال تمرکز بر یادگیری ماشینی هستید، مسلماً موضوع بهتری برای شروع سفر یادگیری شما وجود ندارد. در این دوره، اصول یادگیری ماشینی مربوط به تجزیه و تحلیل پیش بینی و کار با درخت های تصمیم را بیاموزید. در طول مسیر، مربی کیت مک کورمیک با استفاده از پلتفرم KNIME Analytics نمایش هایی ارائه می دهد، بنابراین می توانید نحوه عملکرد این مفاهیم را در سناریوهای دنیای واقعی درک کنید.


linkedin یادگیری ماشین و مبانی هوش مصنوعی: درختان تصمیم گیری پیشرفته با KNIME (Mitalearn-383840)

  • 1 hours 38 minutes
  • مناسب همه
  • Update date: 22 July 2025
  • Author: Keith McCormick
درباره این دوره: 

 به نظر می رسد هر سال روند داغ جدیدی در علم داده وجود دارد. یکی از داغ‌ترین الگوریتم‌های تحلیل پیش‌بینی‌کننده در سال جاری، درخت‌های تقویت‌شده با گرادیان است. اگر اصول درخت های تصمیم را نفهمید، نمی توان امیدوار بود که بفهمد چرا این روش محبوب و موفق است. محبوبیت الگوریتم‌های درختی خاص افزایش و کاهش یافته است، اما مفاهیم اصلی برای حداقل 30 سال برای این رشته اساسی بوده‌اند. در این دوره، مربی کیت مک کورمیک، نیم دوجین الگوریتم درخت تصمیم گیری محبوب را نشان می دهد و بحث می کند. کیت نحوه دسترسی به آنها را با استفاده از گزینه های منبع باز دیگر از داخل پلت فرم KNIME نشان می دهد. او آنها را توضیح می دهد و آنها را مهندسی معکوس می کند تا پایه ای محکم برای ایجاد مهارت های پیشرفته تری در علم داده ایجاد کند.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: رگرسیون خطی (Mitalearn-131237)

  • 4 hours 5 minutes
  • متوسط
  • Update date: 28 June 2026
  • Author: Keith McCormick
درباره این دوره:

داشتن یک درک کامل از رگرسیون خطی - روشی برای مدل‌سازی رابطه بین یک متغیر وابسته و یک به چندین متغیر دیگر - می‌تواند به شما در حل بسیاری از مسائل دنیای واقعی کمک کند. حوزه های کاربردی شامل پیش بینی تقریباً هر مقدار عددی از جمله ارزش مسکن، هزینه مشتری و قیمت سهام است. این دوره مفاهیم مهم ترین تکنیک های رگرسیون خطی و نحوه استفاده موثر از آنها را نشان می دهد. در طول دوره، مدرس کیت مک کورمیک از آمار SPSS IBM استفاده می کند و در هر مفهوم قدم می زند، بنابراین مقداری قرار گرفتن در معرض آن نرم افزار فرض می شود. اما تاکید بر درک مفاهیم خواهد بود و نه مکانیک نرم افزار. کاربران SPSS این مزیت اضافی را خواهند داشت که تقریباً در معرض هر ویژگی رگرسیون در SPSS قرار می گیرند.

مربی کیت مک کورمیک رگرسیون خطی ساده را پوشش می دهد و نحوه ساختن نمودارهای پراکندگی موثر و محاسبه و تفسیر ضرایب رگرسیون را توضیح می دهد. او همچنین به چالش ها و مفروضات رگرسیون چندگانه می پردازد و از طریق سه استراتژی رگرسیون متمایز گام برمی دارد. برای جمع بندی، او برخی از جایگزین های رگرسیون، از جمله درختان رگرسیون و پیش بینی سری های زمانی را مورد بحث قرار می دهد.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: مدل‌سازی طبقه‌بندی (Mitalearn-131254)

  • 2 hours 5 minutes
  • متوسط
  • Update date: 21 June 2026
  • Author: Keith McCormick
درباره این دوره:

یک نوع مشکل کاملاً بر یادگیری ماشین و هوش مصنوعی غالب است: طبقه بندی. طبقه‌بندی باینری، روش غالب، داده‌ها را به یکی از دو دسته طبقه‌بندی می‌کند: خرید یا نه، تقلب یا نه، بیمار یا نه، و غیره. یادگیری ماشینی و راه‌حل‌های مبتنی بر هوش مصنوعی به الگوریتم‌های دقیق و خوب انتخاب شده نیاز دارند تا طبقه‌بندی را به درستی انجام دهند. این دوره توضیح می دهد که چرا پروژه های تجزیه و تحلیل پیش بینی در نهایت مشکلات طبقه بندی هستند و چگونه دانشمندان داده می توانند استراتژی (یا استراتژی) مناسب را برای پروژه های خود انتخاب کنند. مربی کیت مک کورمیک از تکنیک های آمار سنتی و یادگیری ماشینی مدرن استفاده می کند و نقاط قوت و ضعف آنها را آشکار می کند. کیت نحوه تعریف استراتژی طبقه بندی خود را توضیح می دهد و روشن می کند که انتخاب درست اغلب ترکیبی از رویکردها است. سپس، او 11 الگوریتم مختلف را برای ساخت مدل شما نشان می دهد، از تجزیه و تحلیل تفکیک کننده گرفته تا رگرسیون لجستیک و شبکه های عصبی مصنوعی. در نهایت، یاد بگیرید که چگونه بر چالش هایی مانند مقابله با داده های از دست رفته و کاهش داده ها غلبه کنید.\r\n\r\n هیچ نرم افزاری برای پیگیری همراه با دوره مورد نیاز نیست.

coursera یادگیری ماشینی زیر سرپوش: نکات فنی، ترفندها و مشکلات (Mitalearn-329202)

  • 7 hours 7 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Eric Siegel
درباره این دوره:

یادگیری ماشینی تیم شما به آن نیاز دارد، رئیس شما به آن نیاز دارد و حرفه شما آن را دوست دارد. به هر حال، لینکدین آن را به عنوان یکی از معدود «مهارت‌هایی که شرکت‌ها بیشتر به آن نیاز دارند» و به عنوان برترین شغل در حال ظهور در ایالات متحده معرفی می‌کند. اگر می خواهید در استقرار یادگیری ماشین (معروف به تجزیه و تحلیل پیش بینی کننده) شرکت کنید، باید نحوه کارکرد آن را بیاموزید. حتی اگر به‌عنوان یک رهبر کسب‌وکار به جای یک متخصص عملی کار می‌کنید - حتی اگر خودتان اعداد را خرد نکنید - باید مکانیزم‌های اساسی را درک کنید تا به هدایت پروژه کلی کمک کنید. چه یک مدیر اجرایی، تصمیم گیرنده یا مدیر عملیاتی باشید که بر نحوه ادغام مدل های پیش بینی برای تصمیم گیری نظارت می کنید، هرچه بیشتر بدانید، بهتر است. و با این حال، نگاه کردن به زیر کاپوت شما را خوشحال خواهد کرد. علم نهفته در یادگیری ماشینی باعث فتنه و شگفتی می شود و درک شهودی آن کار سختی نیست. با توجه به رشد سریع تاثیر آن بر جهان، زمان آن رسیده است که قدرت پیش‌بینی داده‌ها و نحوه بهره‌برداری علمی از آن را کشف کنیم. این دوره به شما نشان می دهد که یادگیری ماشین چگونه کار می کند. این زیربنای اساسی، نحوه جمع‌آوری بینش‌ها از داده‌ها، اینکه چگونه می‌توانیم به این بینش‌ها اعتماد کنیم، و اینکه مدل‌های پیش‌بینی چقدر خوب عمل می‌کنند را پوشش می‌دهد - که می‌توان با محاسبات بسیار ساده آن را ایجاد کرد. اینها چیزهایی است که هر حرفه ای باید بداند، علاوه بر مقادیر. و این دوره فراتر از استانداردهای یادگیری ماشین ادامه می‌یابد تا روش‌های پیشرفته و پیشرفته را نیز پوشش دهد، و همچنین شما را برای دور زدن دام‌های رایجی که به ندرت به آن توجه می‌کنند، آماده می‌کند. این دوره عمیقاً به این موضوعات می پردازد، و در عین حال برای فراگیران غیر فنی و تازه واردان قابل دسترسی است. با این دوره، یاد خواهید گرفت که چه چیزهایی کار می کنند و چه چیزهایی خوب، بد و مبهم: - نحوه عملکرد الگوریتم های مدل سازی پیش بینی، از جمله درخت های تصمیم، رگرسیون لجستیک و شبکه های عصبی - دام های خیانت آمیز مانند بیش از حد، هک کردن p، و فرض علت از همبستگی ها - چگونه یک مدل پیش بینی را با جزئیات تفسیر کنیم و نحوه عملکرد آن را توضیح دهیم - روش‌های پیشرفته مانند گروه‌ها و مدل‌سازی بالابرنده (با نام مستعار مدل‌سازی متقاعدسازی) – نحوه انتخاب ابزار، انتخاب از میان بسیاری از گزینه های نرم افزار یادگیری ماشین - نحوه ارزیابی یک مدل پیش بینی، گزارش عملکرد آن در شرایط تجاری – نحوه غربالگری یک مدل پیش‌بینی برای سوگیری احتمالی در برابر کلاس‌های محافظت‌شده – با نام اخلاق AI در عمق و در عین حال قابل دسترسی است. این برنامه درسی که توسط رهبر صنعت اریک سیگل - برنده جوایز تدریس در زمان استادی در دانشگاه کلمبیا - به شما ارائه شد، به عنوان یکی از کامل‌ترین، جذاب‌ترین و به‌طور شگفت‌انگیزترین برنامه‌های درسی در موضوع یادگیری ماشینی برجسته است. بدون دستی و بدون ریاضیات سنگین. این دوره به جای یک آموزش عملی، به رهبران کسب و کار و دانشمندان در حال رشد داده به طور یکسان با پوشش گسترده ای از تکنیک های پیشرفته و مخرب ترین دام ها خدمت می کند. هیچ تمرینی برای کدنویسی یا استفاده از نرم افزار یادگیری ماشین وجود ندارد. با این حال، برای یکی از ارزیابی‌ها، یک تمرین عملی انجام می‌دهید، یک مدل پیش‌بینی را با دست در Excel یا Google Sheets ایجاد می‌کنید و نحوه بهبود آن را در مقابل چشمان خود تجسم می‌کنید. اما فراگیران فنی باید نگاهی دیگر بیندازند. قبل از اینکه مستقیماً وارد عمل شوید، همانطور که کوانت ها تمایل به انجام آن دارند، یک چیز را در نظر بگیرید: این برنامه درسی دانش تکمیلی را ارائه می دهد که همه فناوران بزرگ نیز باید بر آن مسلط شوند. این فناوری اصلی را با یک چارچوب مفهومی قوی مرتبط می‌کند و موضوعاتی را پوشش می‌دهد که به طور کلی حتی از فنی‌ترین دوره‌ها حذف می‌شوند، از جمله مدل‌سازی ارتقاء (معروف به مدل‌سازی متقاعد کردن) و برخی از دام‌های خائنانه. فروشنده-خنثی. این دوره شامل دموی نرم افزاری روشنگر یادگیری ماشین در عمل با استفاده از محصولات SAS است. با این حال، برنامه درسی از نظر فروشنده خنثی و قابل اجرا است. محتویات و اهداف یادگیری، صرف نظر از اینکه در نهایت با کدام ابزار نرم افزار یادگیری ماشینی برای کار انتخاب می کنید، اعمال می شود. پیش نیازها قبل از این دوره، فراگیران باید دو دوره اول از سه دوره این تخصص، "قدرت یادگیری ماشین" و "راه اندازی یادگیری ماشینی" را بگذرانند.

coursera یادگیری ماشینی مقیاس پذیر روی داده های بزرگ با استفاده از اسپارک آپاچی (Mitalearn-333843)

  • 2 hours 28 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Romeo Kienzler
درباره این دوره:

این دوره شما را با مهارت‌های مقیاس‌بندی وظایف علم داده و یادگیری ماشین (ML) در مجموعه‌های کلان داده با استفاده از اسپارک آپاچی توانمند می‌سازد. بیشتر کارهای یادگیری ماشین در دنیای واقعی شامل مجموعه داده های بسیار بزرگی است که فراتر از محدودیت های CPU، حافظه و ذخیره سازی یک کامپیوتر است. Apache Spark یک چارچوب متن باز است که از محاسبات خوشه ای و ذخیره سازی توزیع شده برای پردازش مجموعه داده های بسیار بزرگ به شیوه ای کارآمد و مقرون به صرفه استفاده می کند. بنابراین دانش کاربردی کار با Apache Spark یک دارایی عالی و تمایز بالقوه برای یک مهندس یادگیری ماشین است. پس از اتمام این دوره، شما قادر خواهید بود: - درک عملی Apache Spark را به دست آورید و از آن برای حل مشکلات یادگیری ماشینی که شامل داده های کوچک و بزرگ هستند استفاده کنید. - درک نحوه نوشتن کد موازی که قادر به اجرا بر روی هزاران CPU است. - از خوشه های محاسباتی در مقیاس بزرگ برای اعمال الگوریتم های یادگیری ماشین بر روی پتابایت داده با استفاده از Apache SparkML Pipelines استفاده کنید. - حذف خطاهای خارج از حافظه ایجاد شده توسط چارچوب های یادگیری ماشین سنتی، زمانی که داده ها در حافظه اصلی رایانه جا نمی شوند. - هزاران مدل مختلف ML را به صورت موازی آزمایش کنید تا بهترین عملکرد را پیدا کنید - تکنیکی که توسط بسیاری از کاگلرهای موفق استفاده می شود. - (اختیاری) دستورات SQL را با استفاده از Apache SparkSQL و Apache Spark DataFrame API روی مجموعه داده های بسیار بزرگ اجرا کنید. برای یادگیری تکنیک های یادگیری ماشینی برای کار با Big Data که توسط شرکت هایی مانند Alibaba، Apple، Amazon، Baidu، eBay، IBM، NASA، Samsung، SAP، TripAdvisor، Yahoo!، Zalando و بسیاری دیگر با موفقیت به کار گرفته شده اند، اکنون ثبت نام کنید. توجه: در طول دوره بدون پرداخت هزینه در کلاستر Apache Spark که توسط IBM ارائه شده است، کارهای یادگیری ماشین را بصورت دستی تمرین خواهید کرد و پس از آن می توانید به استفاده از آن ادامه دهید. پیش نیازها: - برنامه نویسی پایه پایتون - یادگیری ماشین اولیه (فیلم های معرفی اختیاری در این دوره نیز ارائه شده است) - مهارت های اولیه SQL برای محتوای اختیاری دوره های زیر قبل از شرکت در این کلاس توصیه می شود (مگر اینکه قبلاً مهارت داشته باشید) https://www.coursera.org/learn/python-for-applied-data-science یا مشابه https://www.coursera.org/learn/machine-learning-with-python یا مشابه https://www.coursera.org/learn/sql-data-science برای سخنرانی های اختیاری

linkedin یادگیری ماشینی و مبانی هوش مصنوعی: تولید هوش مصنوعی قابل توضیح (XAI) و راه حل های یادگیری ماشینی قابل تفسیر (Mitalearn-244083)

  • 2 hours 14 minutes
  • مناسب همه
  • Update date: 22 July 2025
  • Author: Keith McCormick
درباره این دوره: 

 دانشمندان داده و متخصصان یادگیری ماشین باید با آخرین تکنیک ها و رویکردها در این زمینه همگام بمانند. در این دوره، مربی کیت مک کورمیک به شما نشان می دهد که چگونه راه حل های هوش مصنوعی قابل توضیح (XAI) و یادگیری ماشینی قابل تفسیر (IML) را تولید کنید.

یاد بگیرید که چرا نیاز به XAI در سال های اخیر به سرعت در حال افزایش است. روش‌های موجود و تکنیک‌های رایج برای XAI و IML و همچنین زمان و نحوه استفاده از هر کدام را بررسی کنید. کیت شما را در چالش‌ها و فرصت‌های مدل‌های جعبه سیاه راهنمایی می‌کند و به شما نشان می‌دهد که چگونه شفافیت را به مدل‌های خود بیاورید و از نمونه‌های واقعی استفاده کنید که ترفندهای تجارت را در پلتفرم KNIME Analytics با یادگیری آسان و منبع باز نشان می‌دهند. در پایان این دوره، شما درک بهتری از تکنیک های XAI و IML برای توضیحات جهانی و محلی خواهید داشت.

Suggestions