Course catalog

Course duration

Course provider

Topic

Categories

Showing 61-80 of 382 items.

coursera استنتاج بیزی با MCMC (Mitalearn-329610)

  • 1 hours 28 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Dr. Srijith Rajamohan
درباره این دوره:

هدف از این دوره معرفی روش های مونت کارلو زنجیره مارکوف برای مدل سازی و استنتاج بیزی است، شرکت کنندگان با یادگیری اصول اولیه روش های مونت کارلو شروع می کنند. این با مثال‌های عملی در پایتون تقویت می‌شود که برای نشان دادن نحوه کار این الگوریتم‌ها استفاده می‌شود. این دومین دوره از یک تخصص شامل سه دوره خواهد بود. از نوت بوک های پایتون و ژوپیتر در طول این دوره برای نشان دادن و انجام مدل سازی بیزی با PyMC3 استفاده می شود. وب سایت دوره در آدرس https://sjster.github.io/introduction_to_computational_statistics/docs/index.html قرار دارد. دفترچه های دوره را می توان با دنبال کردن دستورالعمل های صفحه https://sjster.github.io/introduction_to_computational_statistics/docs/getting_started.html از این وب سایت دانلود کرد. مدرس این دوره دکتر Srijith Rajamohan خواهد بود.

linkedin اشتباهاتی که در یادگیری ماشینی باید از آنها اجتناب کرد (Mitalearn-199305)

  • 39 minutes
  • متوسط
  • Release date: 22 June 2026
  • Author: Madecraft,Brett Vanderblock
درباره این دوره:

ساخت مدل های یادگیری ماشینی می تواند یک فرآیند هیجان انگیز باشد. اما اغلب اوقات، دانشمندان داده خود را درگیر خطاها، خروجی بد و تعداد زیادی مسائل دیگر می‌بینند که می‌تواند پیشرفت آنها را کند کند. در این دوره آموزشی سریع، نکات تخصصی در مورد چگونگی جلوگیری از رایج ترین اشتباهات دانشمندان داده در هنگام ساخت مدل های یادگیری ماشین را دریافت کنید. مربی برت واندربلاک، دانشمند ارشد داده در پاتاگونیا، تخصص خود را برای کمک به شما در تنظیم دقیق گردش کار یادگیری ماشین به اشتراک می گذارد. از کار با داده‌های بد، به تناسب بیش از حد، تا عدم دریافت بازخورد، چیزهای زیادی برای یادگیری وجود دارد.

این دوره توسط Madecraft. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.

MadeCraft-Description-Logo.jpg

Related Skills

coursera اصول Rust (Mitalearn-328131)

  • 6 hours 32 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Noah Gift,Alfredo Deza
درباره این دوره:

این دوره جامع برنامه نویسی Rust پذیرای زبان آموزان در تمام سطوح، از جمله مبتدیان و کسانی که تجربه برنامه نویسی دارند، می باشد. هیچ دانش قبلی در مورد Rust مورد نیاز نیست، و آن را برای مبتدیان برنامه نویسی قابل دسترسی می کند. در طول دوره، شما پایه ای محکم در برنامه نویسی Rust به دست خواهید آورد و در مفاهیم پیشرفته مهارت کسب خواهید کرد و به شما امکان می دهد کدهای کارآمد، قابل اعتماد و با کارایی بالا بنویسید. شما مفاهیم اصلی و نحو Rust را درک خواهید کرد، سازماندهی کد موثر، تکنیک های رسیدگی به خطا را یاد خواهید گرفت و مدیریت بسته Rust را برای مدیریت کارآمد پروژه کشف خواهید کرد. با گذراندن این دوره، بدون توجه به تجربه قبلی خود در برنامه نویسی، مهارت های لازم برای توسعه برنامه های کاربردی قابل اعتماد و با کارایی بالا را خواهید داشت.

coursera اصول هوش مصنوعی برای دانشمندان بدون داده (Mitalearn-298823)

  • 4 hours 46 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Kartik Hosanagar,Prasanna Tambe
درباره این دوره:

در این دوره، به طور عمیق خواهید فهمید که چگونه یادگیری ماشین برای مدیریت و تفسیر داده های بزرگ استفاده می شود. شما با ابزارهایی مانند Teachable Machine و TensorFlow نگاهی دقیق به راه‌ها و روش‌های مختلف برای ایجاد الگوریتم‌هایی برای ادغام در کسب‌وکار خود خواهید داشت. شما همچنین روش‌های مختلف ML، یادگیری عمیق، و همچنین محدودیت‌ها را یاد می‌گیرید، اما همچنین نحوه دقت و استفاده از بهترین داده‌های آموزشی را برای الگوریتم‌های خود خواهید آموخت. سپس GAN ها و VAE ها را بررسی می کنید و از دانش جدید خود برای تعامل با AutoML استفاده می کنید تا به شما کمک کند شروع به ساخت الگوریتم هایی کنید که مطابق با نیازهای شما کار می کنند. همچنین مصاحبه‌های انحصاری با رهبران صنعت را خواهید دید که Big Data را برای شرکت‌هایی مانند مک‌دونالد و ویزا مدیریت می‌کنند. در پایان این دوره، روش‌های مختلفی برای کدنویسی، از جمله نحوه استفاده از ابزارهای بدون کد، درک عمیق یادگیری، نحوه اندازه‌گیری و بررسی خطاها در الگوریتم‌ها و نحوه استفاده از داده‌های بزرگ نه تنها برای حفظ حریم خصوصی مشتری، بلکه نحوه استفاده از این داده‌ها برای توسعه استراتژی‌های مختلف که کسب‌وکار شما را هدایت می‌کنند، یاد خواهید گرفت.

linkedin اصول یادگیری ماشین برای مراقبت های بهداشتی (Mitalearn-441759)

  • 1 hours 36 minutes
  • مناسب همه
  • Release date: 11 July 2024
  • Author: Wuraola Oyewusi
درباره این دوره: 

 

تقاضای فزاینده ای برای ادغام جریان های کاری هوش مصنوعی و یادگیری ماشین در بسیاری از بخش های مختلف تجاری وجود دارد. این امر به‌ویژه در چشم‌انداز مراقبت‌های بهداشتی جهانی امروزی که دائماً در حال تحول است صادق است.

در این دوره، مربی Wuraola Oyewusi یک نمای کلی از این که چگونه هوش مصنوعی و یادگیری ماشینی می‌توانند فرآیندهای مراقبت‌های بهداشتی، تجزیه و تحلیل داده‌ها، نتایج سلامت و موارد دیگر را بهینه کنند، ارائه می‌دهد. در طول مسیر، بینش هایی را جمع آوری کنید که از نمونه های دنیای واقعی به دست آمده است تا به ملاحظات پیچیده حریم خصوصی و اخلاقی در صنعت رسیدگی کنید. Wuraola همچنین به شما نشان می‌دهد که چگونه از یادگیری ماشین برای مجموعه داده‌های مراقبت‌های بهداشتی جدولی با استفاده از نوت‌بوک Google Colab، از جمله سوابق بالینی، طبقه‌بندی، پیش‌بینی‌ها، رگرسیون، خوشه‌بندی، و محلی‌سازی استفاده کنید.


coursera اطلاعات کلان گوگل و اصول یادگیری ماشینی (Mitalearn-326465)

  • 2 hours 27 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

این دوره به معرفی محصولات و سرویس‌های کلان داده و یادگیری ماشین Google Cloud می‌پردازد که از چرخه عمر داده به هوش مصنوعی پشتیبانی می‌کنند. فرآیندها، چالش‌ها و مزایای ساخت خط لوله داده بزرگ و مدل‌های یادگیری ماشین با Vertex AI در Google Cloud را بررسی می‌کند.

datacamp اعتبار سنجی مدل در پایتون (Mitalearn-403169)

  • 56 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Kasey Jones
درباره این دوره:

مدل‌های یادگیری ماشینی اکنون بیش از هر زمان دیگری پیاده‌سازی می‌شوند. بدون اعتبار سنجی مناسب، نتایج اجرای داده های جدید از طریق یک مدل ممکن است به اندازه مورد انتظار دقیق نباشد. اعتبارسنجی مدل به تحلیلگران اجازه می دهد تا با اطمینان به این سوال پاسخ دهند که مدل شما چقدر خوب است؟ ما به این سوال برای مدل‌های طبقه‌بندی با استفاده از مجموعه کامل سناریوهای پایان بازی tic-tac-toe، و برای مدل‌های رگرسیون با استفاده از مجموعه داده‌های رتبه‌بندی قدرت آب نبات هالووین نهایی Fivethirtyeight پاسخ خواهیم داد. در این دوره، ما اصول اولیه اعتبارسنجی مدل را پوشش می‌دهیم، تکنیک‌های اعتبارسنجی مختلف را مورد بحث قرار می‌دهیم و شروع به توسعه ابزارهایی برای ایجاد مدل‌های معتبر و با کارایی بالا می‌کنیم.

coursera اعمال شبکه های متخاصم مولد (GAN) (Mitalearn-332466)

  • 1 hours 27 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Sharon Zhou,Eda Zhou,Eric Zelikman
درباره این دوره:

در این دوره، شما: - کاربردهای GAN ها را کاوش کنید و آنها را در افزایش داده ها، حفظ حریم خصوصی و ناشناس بودن بررسی کنید. - از چارچوب ترجمه تصویر به تصویر استفاده کنید و برنامه های کاربردی را برای روش های فراتر از تصاویر شناسایی کنید - پیاده سازی Pix2Pix، یک GAN ترجمه جفت تصویر به تصویر، برای تطبیق تصاویر ماهواره ای در مسیرهای نقشه (و بالعکس) - ترجمه جفت شده تصویر به تصویر را با ترجمه تصویر به تصویر بدون جفت مقایسه کنید و تشخیص دهید که تفاوت کلیدی آنها چگونه معماری های مختلف GAN را ضروری می کند. - پیاده سازی CycleGAN، یک مدل ترجمه تصویر به تصویر جفت نشده، برای تطبیق اسب ها با گورخرها (و بالعکس) با دو GAN در یک تخصص شبکه‌های متخاصم مولد (GAN) DeepLearning.AI مقدمه‌ای هیجان‌انگیز برای تولید تصویر با GAN‌ها فراهم می‌کند و مسیری را از مفاهیم پایه به تکنیک‌های پیشرفته از طریق یک رویکرد آسان برای درک ترسیم می‌کند. همچنین پیامدهای اجتماعی، از جمله سوگیری در ML و راه های تشخیص آن، حفظ حریم خصوصی و موارد دیگر را پوشش می دهد. ایجاد یک پایگاه دانش جامع و کسب تجربه عملی در GAN. مدل خود را با استفاده از PyTorch آموزش دهید، از آن برای ایجاد تصاویر و ارزیابی انواع GAN های پیشرفته استفاده کنید. این تخصص مسیری قابل دسترس برای همه سطوح یادگیرندگانی که به دنبال نفوذ به فضای GAN یا استفاده از GAN در پروژه های خود هستند، حتی بدون آشنایی قبلی با تحقیقات پیشرفته ریاضی و یادگیری ماشین، فراهم می کند.

datacamp افزایش گرادیان شدید با XGBoost (Mitalearn-402149)

  • 54 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Sergey Fogelson
درباره این دوره:

آیا اصول اولیه یادگیری تحت نظارت را می دانید و می خواهید از مدل های پیشرفته در مجموعه داده های دنیای واقعی استفاده کنید؟ افزایش گرادیان در حال حاضر یکی از محبوب‌ترین تکنیک‌ها برای مدل‌سازی کارآمد مجموعه داده‌های جدولی در همه اندازه‌ها است. XGboost یک پیاده‌سازی بسیار سریع و مقیاس‌پذیر برای تقویت گرادیان است، با مدل‌هایی که از XGBoost استفاده می‌کنند به طور منظم در مسابقات علمی داده آنلاین برنده می‌شوند و در مقیاس در صنایع مختلف مورد استفاده قرار می‌گیرند. در این دوره، یاد خواهید گرفت که چگونه از این کتابخانه قدرتمند در کنار پانداها و scikit-learn برای ساخت و تنظیم مدل های یادگیری نظارت شده استفاده کنید. شما با مجموعه داده های دنیای واقعی برای حل مشکلات طبقه بندی و رگرسیون کار خواهید کرد.

coursera اکتساب، تجزیه و تحلیل و کاربردهای تصویر سنجش از دور (Mitalearn-354022)

  • 10 hours 25 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: John Richards
درباره این دوره:

به جمع آوری، تجزیه و تحلیل و برنامه های کاربردی تصویر سنجش از دور خوش آمدید، که در آن ماهیت تصویربرداری از سطح زمین از فضا یا وسایل نقلیه هوابرد را بررسی می کنیم. این دوره ماهیت بنیادی سنجش از راه دور و پلتفرم ها و انواع حسگرهای مورد استفاده را پوشش می دهد. همچنین درمان عمیقی از الگوریتم‌های محاسباتی به کار رفته در درک تصویر ارائه می‌کند، از اولین تکنیک‌های مهم تاریخی تا رویکردهای جدیدتر مبتنی بر یادگیری عمیق. هیچ دانش قبلی از سنجش از دور را فرض نمی کند، اما مطالب را تا عمق قابل مقایسه با دوره کارشناسی ارشد سنجش از دور و تجزیه و تحلیل تصویر توسعه می دهد. که مستلزم استفاده از ریاضیات جبر بردار و ماتریسی و آمار است. مشخص است که همه شرکت‌کنندگان چنین پیش‌زمینه‌ای را ندارند، بنابراین خلاصه‌ها و نمونه‌های کار دستی برای نشان دادن همه مطالب مهم گنجانده شده است. مطالب دوره به طور گسترده با مثال ها و توضیحاتی در مورد نحوه استفاده از فناوری در عمل نشان داده شده است. این شرکت کنندگان را آماده می کند تا از مطالب در رشته های خود استفاده کنند و مطالعات دقیق تری در سنجش از دور و موضوعات مرتبط انجام دهند.

coursera الگوریتم های ML (Mitalearn-329678)

  • 2 hours 15 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Whizlabs Instructor
درباره این دوره:

الگوریتم‌های ML چهارمین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. این دوره فراگیران را قادر می‌سازد تا الگوریتم‌های یادگیری ماشینی را عمیقاً غواصی کنند. این دوره به دو ماژول تقسیم می شود و هر ماژول توسط درس ها و سخنرانی های ویدیویی تقسیم بندی می شود. این دوره آموزشی با سخنرانی‌های ویدیویی تقریباً 2:00 تا 2:30 ساعته که هم تئوری و هم دانش عملی را ارائه می‌کند، به فراگیران کمک می‌کند. همچنین آزمون های درجه بندی شده و بدون درجه بندی به منظور سنجش توانایی فراگیران به همراه هر ماژول ارائه می شود. ماژول 1: الگوریتم های ML- قسمت 1 ماژول 2: الگوریتم های ML- قسمت 2 حداقل دو سال تجربه عملی در معماری، ساخت یا اجرای بارهای کاری ML/یادگیری عمیق در AWS Cloud. در پایان این دوره، فراگیران قادر خواهند بود: - تعیین مفاهیم الگوریتم در ML - طراحی الگوریتم های رگرسیون و الگوریتم های مبتنی بر طبقه بندی - الگوریتم های یادگیری تقویتی و الگوریتم های پیش بینی را بررسی کنید

coursera الگوریتم های بدون نظارت در یادگیری ماشین (Mitalearn-333197)

  • 2 hours 29 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Geena Kim
درباره این دوره:

یکی از مفیدترین زمینه ها در یادگیری ماشین، کشف الگوهای پنهان از داده های بدون برچسب است. اصول اولیه این مهارت مورد تقاضا را به جعبه ابزار علم داده خود اضافه کنید. در این دوره، روش‌های یادگیری بدون نظارت منتخب برای کاهش ابعاد، خوشه‌بندی و یادگیری ویژگی‌های نهفته را یاد می‌گیریم. ما همچنین بر برنامه های کاربردی دنیای واقعی مانند سیستم های توصیه کننده با مثال های عملی از الگوریتم های توصیه محصول تمرکز خواهیم کرد. دانش کدنویسی یا برنامه نویسی قبلی مورد نیاز است. ما در طول دوره به طور گسترده از پایتون استفاده خواهیم کرد. مهارت های ریاضی در سطح دانشگاه، از جمله حساب دیفرانسیل و انتگرال و جبر خطی، مورد نیاز است. توصیه می شود، اما نه الزامی، برای گذراندن اولین دوره در تخصص، مقدمه ای بر یادگیری ماشین: یادگیری نظارت شده. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder تصویر لوگوی دوره توسط رایان والاس در Unsplash.

coursera الگوریتم های یادگیری پیشرفته (Mitalearn-327825)

  • 9 hours 57 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Andrew Ng,Aarti Bagul,Geoff Ladwig
درباره این دوره:

در دوره دوم تخصص یادگیری ماشین، شما: • ساخت و آموزش شبکه عصبی با TensorFlow برای انجام طبقه بندی چند کلاسه • بهترین شیوه ها را برای توسعه یادگیری ماشین به کار ببرید تا مدل های شما به داده ها و وظایف در دنیای واقعی تعمیم یابد • ساخت و استفاده از درختان تصمیم و روش های مجموعه درختی، از جمله جنگل های تصادفی و درختان تقویت شده 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 نظری 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.

coursera الگوریتم‌های یادگیری ماشینی: نکات یادگیری نظارت شده (Mitalearn-335679)

  • 3 hours 7 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Anna Koop
درباره این دوره:

این دوره شما را از درک اصول یک پروژه یادگیری ماشینی راهنمایی می کند. یادگیرندگان تکنیک های یادگیری نظارت شده را در مطالعات موردی واقعی برای تجزیه و تحلیل سناریوهای موردی تجاری که در آن درخت های تصمیم گیری، k-نزدیک ترین همسایه ها و ماشین های بردار پشتیبان به طور بهینه استفاده می شوند، درک کرده و اجرا خواهند کرد. فراگیران همچنین مهارت هایی را برای مقابله با پیامدهای عملی مراحل مختلف آماده سازی داده ها و توصیف مسائل رایج تولید در ML کاربردی به دست خواهند آورد. برای موفقیت، باید حداقل پیش زمینه سطح مبتدی در برنامه نویسی پایتون داشته باشید (به عنوان مثال، بتوانید کدهای موجود را بخوانید و کدنویسی کنید، با شرطی ها، حلقه ها، متغیرها، لیست ها، دیکشنری ها و آرایه ها راحت باشید). شما باید درک اولیه ای از جبر خطی (نماد برداری) و آمار (توزیع احتمال و میانگین / میانه / حالت) داشته باشید. این دومین دوره از تخصص یادگیری ماشین کاربردی است که توسط Coursera و موسسه هوش ماشین آلبرتا برای شما آورده شده است.

coursera انجام علم داده با Azure Databricks (Mitalearn-308394)

  • 55 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

در این دوره آموزشی، شما یاد خواهید گرفت که چگونه از قدرت Apache Spark و خوشه های قدرتمندی که بر روی پلتفرم Azure Databricks اجرا می شوند برای اجرای بارهای کاری علم داده در فضای ابری استفاده کنید. این چهارمین دوره از یک برنامه پنج دوره ای است که شما را برای شرکت در آزمون DP-100: طراحی و پیاده سازی راه حل علم داده در آزمون گواهینامه Azurec آماده می کند. آزمون گواهینامه فرصتی برای اثبات دانش و تخصص راه حل های یادگیری ماشین در مقیاس ابری با استفاده از یادگیری ماشینی Azure است. این تخصص به شما می آموزد که از دانش موجود خود از پایتون و یادگیری ماشین برای مدیریت جذب و آماده سازی داده ها، آموزش مدل و استقرار، و نظارت راه حل یادگیری ماشین در Microsoft Azure استفاده کنید. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند. این تخصص برای دانشمندان داده با دانش موجود از Python و چارچوب‌های یادگیری ماشینی مانند Scikit-Learn، PyTorch و Tensorflow در نظر گرفته شده است، که می‌خواهند راه‌حل‌های یادگیری ماشین را در فضای ابری بسازند و کار کنند. این به دانشمندان داده می آموزد که چگونه راه حل های سرتاسری را در Microsoft Azure ایجاد کنند. دانش آموزان یاد خواهند گرفت که چگونه منابع Azure را برای یادگیری ماشین مدیریت کنند. آزمایش ها و مدل های قطار را اجرا کنید. راه حل های یادگیری ماشین را مستقر و عملیاتی کنید و یادگیری ماشینی مسئولانه را پیاده سازی کنید. آنها همچنین یاد خواهند گرفت که از Azure Databricks برای کاوش، آماده سازی و مدل سازی داده ها استفاده کنند. و فرآیندهای یادگیری ماشین Databricks را با یادگیری ماشینی Azure ادغام کنید.

coursera ایجاد مدل های یادگیری ماشینی در Microsoft Azure (Mitalearn-310179)

  • 48 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

یادگیری ماشینی پایه و اساس مدل‌سازی پیش‌بینی‌کننده و هوش مصنوعی است. اگر می‌خواهید در مورد مفاهیم اساسی و نحوه ورود به مدل‌های ساخت با رایج‌ترین ابزارهای یادگیری ماشین بیاموزید، این مسیر برای شما مناسب است. در این دوره، شما با اصول اصلی یادگیری ماشینی و نحوه استفاده از ابزارها و چارچوب های رایج برای آموزش، ارزیابی و استفاده از مدل های یادگیری ماشینی آشنا خواهید شد. این دوره برای آماده سازی شما برای نقش هایی طراحی شده است که شامل برنامه ریزی و ایجاد یک محیط کاری مناسب برای حجم کاری علم داده در Azure می شود. شما یاد خواهید گرفت که چگونه آزمایش های داده را اجرا کنید و مدل های پیش بینی را آموزش دهید. علاوه بر این، شما مدل‌های یادگیری ماشینی را مدیریت، بهینه‌سازی و به کار خواهید برد. از ابتدایی‌ترین مدل‌های یادگیری ماشینی کلاسیک، تا تجزیه و تحلیل داده‌های اکتشافی و سفارشی‌سازی معماری‌ها، شما با محتوای مفهومی هضم آسان و نوت‌بوک‌های تعاملی Jupyter هدایت می‌شوید. اگر از قبل ایده ای دارید که یادگیری ماشین در مورد چیست یا پیشینه ریاضی قوی دارید، این دوره برای شما عالی است. این ماژول ها برخی از مفاهیم یادگیری ماشین را آموزش می دهند، اما به سرعت حرکت می کنند تا بتوانند به قدرت استفاده از ابزارهایی مانند scikit-learn، TensorFlow و PyTorch دست یابند. اگر به دنبال آشنایی کافی برای درک مثال‌های یادگیری ماشینی برای محصولاتی مانند Azure ML یا Azure Databricks هستید، این مسیر یادگیری بهترین راه برای شماست. همچنین اگر قصد دارید فراتر از یادگیری ماشینی کلاسیک بروید و در زمینه یادگیری عمیق و شبکه های عصبی که ما در اینجا فقط آن ها را معرفی می کنیم، آموزش ببینید، مکان خوبی برای شروع است. این برنامه شامل 5 دوره است که به شما برای شرکت در آزمون DP-100: طراحی و پیاده سازی راه حل علم داده در Azure کمک می کند. آزمون گواهینامه فرصتی برای اثبات دانش و تخصص در راه‌حل‌های یادگیری ماشین در مقیاس ابری با استفاده از یادگیری ماشین Azure است. این تخصص به شما می آموزد که از دانش موجود خود از پایتون و یادگیری ماشین برای مدیریت جذب و آماده سازی داده ها، آموزش مدل و استقرار، و نظارت راه حل یادگیری ماشین در Microsoft Azure استفاده کنید. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند.

coursera بازیابی متن و موتورهای جستجو (Mitalearn-334608)

  • 9 hours 24 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: ChengXiang Zhai
درباره این دوره:

سال‌های اخیر شاهد رشد چشم‌گیر داده‌های متنی زبان طبیعی، از جمله صفحات وب، مقالات خبری، ادبیات علمی، ایمیل‌ها، اسناد سازمانی و رسانه‌های اجتماعی مانند مقالات وبلاگ، پست‌های انجمن، بررسی محصول و توییت‌ها بوده‌ایم. داده‌های متنی از این جهت منحصربه‌فرد هستند که معمولاً به‌جای سیستم رایانه‌ای یا حسگرها، مستقیماً توسط انسان تولید می‌شوند، و بنابراین برای کشف دانش درباره نظرات و ترجیحات افراد، علاوه بر بسیاری از انواع دیگر دانش که در متن کدگذاری می‌کنیم، بسیار ارزشمند هستند. این دوره به فناوری های موتورهای جستجو می پردازد که به دو دلیل نقش مهمی در هر برنامه داده کاوی شامل داده های متنی دارند. اولا، در حالی که داده‌های خام ممکن است برای هر مشکل خاصی بزرگ باشند، اغلب یک زیرمجموعه نسبتا کوچک از داده‌های مرتبط هستند، و یک موتور جستجو ابزار ضروری برای کشف سریع زیرمجموعه کوچکی از داده‌های متنی مرتبط در یک متن بزرگ است. مجموعه دوم، موتورهای جستجو برای کمک به تحلیلگران برای تفسیر هر گونه الگوی کشف شده در داده ها با اجازه دادن به آنها برای بررسی داده های متن اصلی مربوطه برای درک هر الگوی کشف شده مورد نیاز هستند. شما مفاهیم اساسی، اصول و تکنیک های اصلی در بازیابی متن را که علم زیربنایی موتورهای جستجو است، یاد خواهید گرفت.

coursera برنامه های رایانش ابری، بخش 2: داده های بزرگ و برنامه های کاربردی در ابر (Mitalearn-314718)

  • 13 hours 47 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Reza Farivar,Roy H. Campbell
درباره این دوره:

به دوره آموزشی Cloud Computing Applications خوش آمدید، بخش دوم از مجموعه دو دوره ای که برای ارائه دیدی جامع از دنیای رایانش ابری و داده های بزرگ طراحی شده است! در این دوره دوم، ما برنامه‌های رایانش ابری را با بررسی اینکه چگونه ابر، تجزیه و تحلیل داده‌های حجم عظیمی از داده‌ها را که ثابت هستند یا با سرعت بالا پخش می‌شوند و نشان‌دهنده تنوع عظیمی از اطلاعات هستند، باز می‌کند، ادامه می‌دهیم. برنامه های کاربردی ابری و تجزیه و تحلیل داده ها نشان دهنده یک تغییر مخرب در روش هایی است که جامعه از آن مطلع می شود و از اطلاعات استفاده می کند. ما هفته اول را با معرفی برخی از سیستم های اصلی برای تجزیه و تحلیل داده ها از جمله Spark و چارچوب ها و توزیع های اصلی برنامه های تحلیلی از جمله Hortonworks، Cloudera و MapR آغاز می کنیم. در اواسط هفته اول، سیستم فایل توزیع شده و قوی HDFS را معرفی می کنیم که در بسیاری از برنامه ها مانند Hadoop استفاده می شود و هفته اول را با بررسی مدل برنامه نویسی قدرتمند MapReduce و اینکه چگونه سیستم عامل های توزیع شده مانند YARN و Mesos از یک محیط انعطاف پذیر و مقیاس پذیر پشتیبانی می کنند، معرفی می کنیم. تجزیه و تحلیل داده های بزرگ در هفته دوم، دوره ما ذخیره سازی داده در مقیاس بزرگ و مشکلات و مشکلات توافق در فروشگاه های عظیمی را که از مقادیری از پردازنده ها، حافظه ها و دیسک ها استفاده می کنند، معرفی می کند. ما سازگاری نهایی، ACID، و BASE و الگوریتم‌های اجماع مورد استفاده در مراکز داده از جمله Paxos و Zookeeper را مورد بحث قرار می‌دهیم. دوره ما فروشگاه‌های کلید-مقدار توزیع‌شده و پایگاه‌های داده حافظه مانند Redis را که در مراکز داده برای عملکرد استفاده می‌شوند، ارائه می‌کند. در ادامه پایگاه های داده NOSQL را ارائه می کنیم. ما از HBase بازدید می کنیم، پایگاه داده مقیاس پذیر و با تاخیر کم که از عملیات پایگاه داده در برنامه هایی که از Hadoop استفاده می کنند پشتیبانی می کند. سپس دوباره نشان می دهیم که چگونه Spark SQL می تواند پرس و جوهای SQL را روی داده های عظیم برنامه ریزی کند. هفته دوم را با ارائه‌ای در مورد سیستم‌های انتشار/اشتراک توزیع‌شده با استفاده از کافکا به پایان می‌رسانیم، یک سیستم پیام‌رسانی گزارش توزیع‌شده که کاربرد گسترده‌ای در اتصال داده‌های بزرگ و برنامه‌های پخش جریانی به یکدیگر برای تشکیل سیستم‌های پیچیده پیدا می‌کند. هفته سوم به سمت جریان سریع داده ها در زمان واقعی حرکت می کند و فناوری Storm را معرفی می کند که به طور گسترده در صنایعی مانند یاهو استفاده می شود. ما با معماری های Spark Streaming، Lambda و Kappa و ارائه اکوسیستم جریان ادامه می دهیم. هفته چهارم بر پردازش گراف، یادگیری ماشینی و یادگیری عمیق تمرکز دارد. ما ایده های پردازش گراف را معرفی می کنیم و Pregel، Giraph و Spark GraphX ​​را ارائه می کنیم. سپس با مثال هایی از Mahout و Spark به یادگیری ماشین می رویم. Kmeans، Naive Bayes، و fpm به عنوان مثال آورده شده است. Spark ML و Mllib موضوع برنامه نویسی و ساخت برنامه را ادامه می دهند. آخرین موضوعی که در هفته چهارم پوشش می دهیم، فناوری های یادگیری عمیق از جمله Theano، Tensor Flow، CNTK، MXnet و Caffe on Spark را معرفی می کند.

coursera برنامه های یادگیری عمیق برای بینایی کامپیوتر (Mitalearn-331378)

  • 7 hours 31 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Ioana Fleming
درباره این دوره:

در این دوره آموزشی، با کامپیوتر ویژن به عنوان یک زمینه مطالعه و تحقیق آشنا خواهید شد. ابتدا چندین کار Computer Vision و رویکردهای پیشنهادی را از دیدگاه کلاسیک Computer Vision بررسی خواهیم کرد. سپس روش‌های یادگیری عمیق را معرفی می‌کنیم و آنها را برای برخی از مشکلات مشابه به کار می‌بریم. ما نتایج را تجزیه و تحلیل خواهیم کرد و مزایا و معایب هر دو نوع روش را مورد بحث قرار خواهیم داد. ما از آموزش‌هایی استفاده می‌کنیم تا به شما اجازه دهیم برخی از ابزارهای مدرن یادگیری ماشین و کتابخانه‌های نرم‌افزار را به‌طور عملی کشف کنید. نمونه‌هایی از وظایف بینایی کامپیوتری که در آن‌ها می‌توان از یادگیری عمیق استفاده کرد، عبارتند از: طبقه‌بندی تصویر، طبقه‌بندی تصویر با محلی‌سازی، تشخیص اشیا، تقسیم‌بندی شی، تشخیص چهره، و تخمین فعالیت یا حالت. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder

datacamp برنده شدن در مسابقه Kaggle در پایتون (Mitalearn-402676)

  • 56 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Yauhen Babakhin
درباره این دوره:

Kaggle معروفترین پلتفرم برای مسابقات علم داده است. شرکت در چنین مسابقاتی به شما این امکان را می دهد که با مجموعه داده های دنیای واقعی کار کنید، مشکلات مختلف یادگیری ماشین را بررسی کنید، با سایر شرکت کنندگان رقابت کنید و در نهایت، تجربه عملی ارزشمندی کسب کنید. در این دوره، نحوه رویکرد و ساختار هر مسابقه علم داده را خواهید آموخت. شما می توانید طرح اعتبارسنجی محلی صحیح را انتخاب کنید و از تطبیق بیش از حد خودداری کنید. علاوه بر این، شما به مهندسی ویژگی های پیشرفته همراه با رویکردهای مدل سازی تسلط خواهید داشت. همه این تکنیک ها در مجموعه داده های مسابقات Kaggle تمرین خواهند شد.

Suggestions