Course catalog

Course duration

Course provider

Topic

Categories

Showing 781-800 of 803 items.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: استراتژی مدل‌سازی پیش‌بینی‌کننده در مقیاس (Mitalearn-151297)

  • 1 hours 2 minutes
  • مبتدی
  • Update date: 25 July 2026
  • Author: Keith McCormick
درباره این دوره:

ساخت راه‌حل‌های تحلیلی پیش‌بینی‌کننده در سطح جهانی مستلزم درک این نکته است که چالش‌های مقیاس و اندازه نمونه در مراحل مختلف یک پروژه بسیار نوسان دارند. چگونه می دانید چه مقدار داده باید استفاده کنید؟ چه چیزی کم است، چه چیزی زیاد است؟ زیرساخت شما چگونه باید با حجم و تقاضای پروژه مقیاس شود؟ این دوره گام به گام جنبه های استراتژیک و تاکتیکی تعیین میزان داده مورد نیاز برای ساختن یک راه حل مدل سازی پیش بینی کننده موثر بر اساس یادگیری ماشین و حجم داده ها آنقدر زیاد است که چالش هایی را ایجاد می کند. مربی، کیت مک کورمیک، هر مرحله (انتخاب داده، آماده‌سازی داده، مدل‌سازی، امتیازدهی، و استقرار) را با مقیاس‌پذیری در ذهن مرور می‌کند و بینش‌ها، دیدگاه‌ها و ابزارهای همکاری جدید را به متخصصان فناوری اطلاعات، دانشمندان داده و رهبری ارائه می‌کند.

rnrn تاکید بر استراتژی و برنامه ریزی است. نمونه ها، محاسبات و نتایج نرم افزار نشان داده شده فقط برای اهداف آموزشی هستند.

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: برآورد ارزش (Mitalearn-107369)

  • 1 hours 4 minutes
  • متوسط
  • Release date: 25 July 2026
  • Author: Adam Geitgey
درباره این دوره:

تخمین ارزش - یکی از رایج ترین انواع الگوریتم های یادگیری ماشین - می تواند به طور خودکار مقادیر را با مشاهده اطلاعات مرتبط تخمین بزند. به عنوان مثال، یک وب سایت می تواند بر اساس موقعیت و ویژگی های ملک، ارزش یک خانه را تعیین کند. در این دوره مبتنی بر پروژه، نحوه استفاده از یادگیری ماشین را برای ساختن یک سیستم تخمین ارزش که می تواند ارزش یک خانه را استنتاج کند، کشف کنید. آدام گیتگی را دنبال کنید تا در مورد نحوه استفاده از داده های نمونه برای ساختن یک مدل یادگیری ماشینی صحبت کند و سپس از آن مدل در برنامه های خود استفاده کنید. اگرچه پروژه ارائه شده در این دوره بر روی املاک و مستغلات تمرکز دارد، شما می توانید از همین رویکرد برای حل هر نوع مشکل تخمین ارزش با یادگیری ماشین استفاده کنید.

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: توصیه‌ها (Mitalearn-110072)

  • 58 minutes
  • متوسط
  • Release date: 25 July 2026
  • Author: Adam Geitgey
درباره این دوره:

این دوره مبتنی بر پروژه به برنامه نویسان در تمام سطوح مهارت نشان می دهد که چگونه از یادگیری ماشین برای ساخت برنامه هایی استفاده کنند که می توانند توصیه هایی را ارائه دهند. در این دوره، آدام گیتگی شما را در یک آزمایشگاه عملی راهنمایی می کند که یک سیستم توصیه می سازد که می تواند محصولات مشابه را بر اساس محصولات قبلی که آنها بررسی یا خریداری کرده اند به مشتریان پیشنهاد دهد. این سیستم همچنین می تواند تشخیص دهد که کدام محصولات مشابه یکدیگر هستند.\r\n\r\n این سیستم ها با کمک به مشتریان در کشف محصولات و خدماتی که ممکن است هرگز خودشان را پیدا نکنند، به تعامل و فروش با مشتری کمک می کند. این دوره از ابزارهای رایگان و متن باز Python 3.5، pandas و numpy استفاده می کند. در پایان دوره، شما مجهز به استفاده از یادگیری ماشینی برای حل مشکلات توصیه می شوید. آنچه یاد می گیرید می تواند مستقیماً در پروژه های خود اعمال شود.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: خوشه بندی و انجمن (Mitalearn-131220)

  • 3 hours 33 minutes
  • متوسط
  • Update date: 25 July 2026
  • Author: Keith McCormick
درباره این دوره:

یادگیری بدون نظارت نوعی یادگیری ماشینی است که در آن الگوریتم ها داده های بدون برچسب را تجزیه می کنند. تمرکز بر مرتب‌سازی داده‌ها در دسته‌های شناخته‌شده نیست، بلکه کشف الگوهای پنهان است. یادگیری بدون نظارت نقش بزرگی در تقسیم بندی بازاریابی مدرن، کشف تقلب و تجزیه و تحلیل سبد بازار ایفا می کند. این دوره نحوه استفاده از تکنیک‌های پیشرو یادگیری ماشینی - تجزیه و تحلیل خوشه‌ای، تشخیص ناهنجاری، و قوانین مرتبط - را برای به دست آوردن نتایج دقیق و معنی‌دار از داده‌های بزرگ نشان می‌دهد.\r\n\r\n او از همان الگوریتم‌ها برای تشخیص ناهنجاری‌ها استفاده می‌کند، با توابع تخصصی اضافی موجود در IBM SPSS Modeler. او دوره را با مرور قوانین ارتباط و تشخیص توالی پایان می دهد و همچنین منابعی را برای یادگیری بیشتر فراهم می کند.\r\n\r\n

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.

linkedin یادگیری هوش مصنوعی برای تجزیه و تحلیل تجارت (Mitalearn-425541)

  • 1 hours 38 minutes
  • مناسب همه
  • Release date: 20 December 2024
  • Author: Angela Wick
درباره این دوره: 

 سازمان های بیشتر و بیشتر در حال سرمایه گذاری در فن آوری های دیجیتالی مانند هوش مصنوعی ، یادگیری ماشین و روباتیک هستند. این فن آوری های جدید باعث ایجاد تغییراتی در مدل های تجاری ، عملیات تجاری و انتظارات و تجربیات مشتری شده است. این دوره به منظور کمک به تحلیلگران تجارت و متخصصان پروژه طراحی شده است که این تغییرات را درک می کنند و چگونه آنها را از دیدگاه تجاری پیاده سازی می کنند. به مربی آنجلا ویک بپیوندید ، زیرا او به بررسی تولید زبان طبیعی ، تشخیص گفتار ، هوش ازدحام ، blockchain و سایر فن آوری های جدید هیجان انگیز می پردازد ، و این را بیان می کند که چگونه هرکدام می توانند در فرآیندهای تجاری شما قرار بگیرند. به علاوه ، او چگونگی تأثیر این نوآوری ها می تواند بر شیوه های سنتی تجزیه و تحلیل تجارت تأثیر بگذارد و توضیح می دهد که چگونه سفر مشتری تحت تأثیر پروژه های دیجیتال و هوش مصنوعی قرار می گیرد.

linkedin یافتن خلاقیت در عصر هوش مصنوعی (Mitalearn-420458)

  • 1 hours 1 minutes
  • مناسب همه
  • Release date: 16 October 2024
  • Author: Nick Harauz
درباره این دوره: 

 

با گسترش هوش مصنوعی ، بسیاری از متخصصان خلاق در حال ارزیابی مکان در روند خلاق هستند. چه مناطقی می توانند از هوش مصنوعی بهره مند شوند؟ چه مناطقی ممکن است توسط آن تهدید شود؟ و چگونه جوانب مثبت می توانند از هوش مصنوعی استفاده کنند که آنها را قادر به کار دقیق تر ، سریعتر و خلاقانه تر می کند؟

در این دوره ، نیک هاروز - یک مربی متخصص ویرایش ویدیویی و میزبان پادکست خلاق - روشهایی را ارائه می دهد که متخصصان انواع مختلف می توانند از هوش مصنوعی استفاده کنند تا داده ها را تجزیه و تحلیل کنند ، تصمیمات هوشمندانه تری بگیرند ، به سرعت ایده آل و طوفان مغزی شوند و هوش مصنوعی را سفارشی کنند تا با دید خود هماهنگ شوند. بیاموزید که چگونه پایه خلاق خود را شناسایی کنید. روشهای سوخت ، اشتعال ، پرورش ، دفاع و به اشتراک گذاشتن تلاشهای خلاقانه خود و همچنین راه هایی را که می تواند (و نمی تواند) به شما کمک کند ، کاوش کنید. به علاوه ، با یک چارچوب مفید برای ایجاد بدون هوش مصنوعی آزمایش کنید.


linkedin یک ابزار زیرنویس تصویر برای کاربران کم بینایی با جمینی بسازید (Mitalearn-413029)

  • 1 hours 7 minutes
  • مناسب همه
  • Release date: 29 May 2024
  • Author: Fikayo Adepoju
درباره این دوره: 

 هنگامی که شما برای وب طراحی می کنید ، ضروری است که طرح های شما برای هرچه بیشتر افراد در دسترس باشد ، و این شامل کاربران کم بینایی است. در حالی که ابزارهای زیادی برای کمک به شما در این کار طراحی وجود دارد ، هوش مصنوعی این کار را از همیشه آسانتر می کند. در این دوره ، توسعه دهنده نرم افزار Fikayo Adepoju به شما نشان می دهد که چگونه می توانید از API Gemini Google برای ساخت یک زیرنویس تصویر استفاده کنید که به کاربران کم بینا کمک می کند تا وب را بهتر تجربه کنند. با API Gemini تجربه کنید زیرا Fikayo از ابتدا تا انتها شما را از طریق ساختمان برنامه راهنمایی می کند. بیاموزید که چگونه رابط کاربری را بسازید ، باطن را به جمینی وصل کنید و سپس جلوی آن را به API وصل کنید. این که آیا شما یک توسعه دهنده ، دانشمند داده هستید ، یا فقط به هوش مصنوعی علاقه دارید ، به Fikayo بپیوندید تا ببینید که چگونه API Gemini می تواند زندگی را هم برای شما و هم برای کاربران خود آسان تر کند.

linkedin یک پروژه مستقل: با استفاده از NLP یک مدل ایجاد کنید تا تشخیص دهد که آیا یک خبر خاص واقعی است یا جعلی (Mitalearn-411652)

  • 12 minutes
  • مناسب همه
  • Release date: 7 July 2025
  • Author: SkillUp Online
درباره این دوره: 

 

مجموعه داده های اخبار جعلی یکی از مجموعه داده های کلاسیک تجزیه و تحلیل متن است که در Kaggle موجود است. این مجموعه از عناوین مقاله و جعلی و متن از نویسندگان مختلف تشکیل شده است. در این پروژه ، با این مجموعه داده در دنیای واقعی کار کنید تا یک مدل تشخیص خبری جعلی تهیه کنید. بیاموزید که چگونه داده های متن را تمیز و پیش پردازش کنید ، ویژگی های معنی دار را استخراج کنید ، یک مدل طبقه بندی را آموزش دهید و عملکرد آن را ارزیابی کنید. این پروژه به گونه ای طراحی شده است که تقریباً در 10 ساعت به پایان برسد.

این پروژه توسط Skillup Online ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.


coursera یک تور سریع در کلان داده و هوش تجاری (Mitalearn-350231)

  • 46 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Elio Masciari
درباره این دوره:

این دوره به مبتدیان و شاغلین حوزه های Big Data و AI اختصاص داده شده است. این یک مرور سریع از برخی مفاهیم اساسی است که می تواند توسط متخصصان بیشتر توضیح داده شود. از قضیه CAP تا فرض تورینگ، راهنمای شروعی برای غواصی در این موضوعات جذاب ارائه خواهیم داد.

linkedin یک راهنمای عملی برای پیشبرد سازمان خود در AI (Mitalearn-411516)

  • 28 minutes
  • مناسب همه
  • Update date: 2 April 2025
  • Author: Brandi Shailer,Megan Leatham
درباره این دوره: 

 

LinkedIn Learning در حال سرمایه گذاری در هوش مصنوعی در تمام نقش ها و موضوعات برای خدمت به کل سازمان شما است و بیش از 800 دوره هوش مصنوعی را ارائه می دهد. سرمایه گذاری "یک کتابخانه" ما ضمن پاسخگویی به مهارت و نیازهای خاص برای مشارکت کنندگان و رهبران فردی در سازمان شما ، تسلط عمومی را در کلیه متخصصان و سطوح فنی فراهم می کند. در این دوره ، یاد بگیرید که چگونه می توانید از ارائه محتوای هوش مصنوعی LinkedIn Learning در سازمان خود ، بر اساس تخصص یادگیرنده و آمادگی AI استفاده کنید. به جای یک اندازه متناسب با همه رویکرد ، چارچوب محتوای هوش مصنوعی LinkedIn LinkedIn آموزش در پنج سطح-درک ، استفاده ، ساخت ، مدل سازی و آموزش و تخصص عمیق-برای بهینه سازی سفر هوش مصنوعی سازمان شما ارائه می دهد.

این دوره بخشی از گواهی حرفه ای از LinkedIn.


coursera یک سیستم آموزشی کامل تقویتی (Capstone) (Mitalearn-330443)

  • 2 hours 35 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Martha White,Adam White
درباره این دوره:

در این دوره نهایی، دانش خود را از دوره های 1، 2 و 3 برای پیاده سازی یک راه حل کامل RL برای یک مشکل گرد هم می آورید. این سنگ بنا به شما اجازه می دهد تا ببینید که چگونه هر جزء --- فرمول بندی مسئله، انتخاب الگوریتم، انتخاب پارامتر و طراحی نمایش --- در یک راه حل کامل با هم تطبیق می یابد و چگونه می توانید انتخاب های مناسب را هنگام استقرار RL در دنیای واقعی انجام دهید. این پروژه از شما می خواهد که هم محیط را برای تحریک مشکل خود پیاده سازی کنید و هم یک عامل کنترل با تقریب تابع شبکه عصبی. علاوه بر این، شما یک مطالعه علمی در مورد سیستم یادگیری خود انجام خواهید داد تا توانایی خود را برای ارزیابی استحکام عوامل RL توسعه دهید. برای استفاده از RL در دنیای واقعی، ضروری است که (الف) مسئله را به‌عنوان یک MDP به‌طور مناسب رسمی‌سازی کنید، (ب) الگوریتم‌های مناسب را انتخاب کنید، (ج) شناسایی کنید که چه انتخاب‌هایی در پیاده‌سازی شما تأثیرات زیادی بر عملکرد خواهند داشت و (د) اعتبارسنجی رفتار مورد انتظار الگوریتم های شما این سنگ بنا برای هر کسی که قصد دارد از RL برای حل مشکلات واقعی استفاده کند ارزشمند است. برای موفقیت در این دوره، باید دوره های 1، 2 و 3 این تخصص یا معادل آن را گذرانده باشید. در پایان این دوره، شما قادر خواهید بود: تکمیل یک راه حل RL برای یک مسئله، شروع از فرمول بندی مسئله، انتخاب الگوریتم مناسب و پیاده سازی و مطالعه تجربی تا اثربخشی راه حل.

Suggestions