Course catalog

Course duration

Course provider

Topic

Categories

Showing 81-100 of 409 items.

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.

coursera بنیاد علوم داده های سلامت (Mitalearn-336648)

  • 3 hours 45 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Jimeng Sun
درباره این دوره:

این دوره برای افراد درگیر در یادگیری ماشین و علاقه مند به کاربردهای پزشکی یا بالعکس، متخصصان پزشکی که علاقه مند به روش هایی هستند که علوم کامپیوتر مدرن به رشته خود ارائه می دهند، در نظر گرفته شده است. ما تجزیه و تحلیل داده های سلامت، انواع مختلف شبکه های عصبی، و همچنین آموزش و کاربرد شبکه های عصبی را در سناریوهای پزشکی دنیای واقعی پوشش خواهیم داد. ما روش های یادگیری عمیق (DL)، داده های مراقبت های بهداشتی و برنامه های کاربردی را با استفاده از روش های DL پوشش می دهیم. این دوره ها شامل فعالیت هایی مانند سخنرانی های ویدئویی، آزمایشگاه های برنامه نویسی خود هدایت شونده، تکالیف درسی (چه کتبی و چه برنامه نویسی) و یک پروژه بزرگ است. مرحله اول این دوره شامل سخنرانی های ویدئویی در مورد موضوعات مختلف DL و برنامه های کاربردی سلامت، آزمایشگاه های خود هدایت شونده و تکالیف متعدد در منزل خواهد بود. در این مرحله، دانش و تجربه خود را در توسعه مدل های یادگیری عمیق عملی بر روی داده های مراقبت های بهداشتی ایجاد خواهید کرد. مرحله دوم این دوره یک پروژه بزرگ خواهد بود که می تواند منجر به گزارش فنی و نسخه ی نمایشی عملکرد مدل های یادگیری عمیق برای رسیدگی به برخی از مشکلات خاص مراقبت های بهداشتی شود. ما انتظار داریم که بهترین پروژه ها به طور بالقوه به انتشارات علمی منجر شوند.

coursera بهبود شبکه های عصبی عمیق: تنظیم فراپارامتر، منظم سازی و بهینه سازی (Mitalearn-212922)

  • 5 hours 26 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Andrew Ng,Kian Katanforoosh,Younes Bensouda Mourri
درباره این دوره:

در دوره دوم تخصص یادگیری عمیق، جعبه سیاه یادگیری عمیق را برای درک فرآیندهایی که عملکرد را هدایت می کنند و به طور سیستماتیک نتایج خوبی ایجاد می کنند را باز خواهید کرد. در پایان، بهترین شیوه‌ها را برای آموزش و توسعه مجموعه‌های تست و تجزیه و تحلیل سوگیری/واریانس برای ساخت برنامه‌های یادگیری عمیق یاد خواهید گرفت. قادر به استفاده از تکنیک های شبکه عصبی استاندارد مانند مقداردهی اولیه، تنظیم L2 و حذف، تنظیم هایپرپارامتر، نرمال سازی دسته ای و بررسی گرادیان باشد. انواع الگوریتم‌های بهینه‌سازی مانند نزول گرادیان دسته‌ای کوچک، Momentum، RMSprop و Adam را پیاده‌سازی و اعمال کنید و همگرایی آنها را بررسی کنید. و یک شبکه عصبی را در TensorFlow پیاده سازی کنید. تخصص یادگیری عمیق برنامه اساسی ما است که به شما کمک می کند قابلیت ها، چالش ها و پیامدهای یادگیری عمیق را درک کنید و شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده کند. این مسیری را برای شما فراهم می کند تا دانش و مهارت هایی را به دست آورید تا از یادگیری ماشینی در کار خود استفاده کنید، حرفه فنی خود را ارتقا دهید و گامی قطعی در دنیای هوش مصنوعی بردارید.

coursera بهینه سازی عملکرد یادگیری ماشین (Mitalearn-335747)

  • 2 hours 27 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Anna Koop
درباره این دوره:

این دوره همه چیزهایی را که شما در تخصص یادگیری ماشین کاربردی آموخته اید ترکیب می کند. اکنون برای تهیه نقشه راه تعمیر و نگهداری یادگیری ماشین، یک پروژه کامل یادگیری ماشین را طی خواهید کرد. شما نحوه برخورد با تغییر داده ها را درک و تجزیه و تحلیل خواهید کرد. شما همچنین قادر خواهید بود اثرات ناخواسته احتمالی را در پروژه خود شناسایی و تفسیر کنید. شما روش هایی را برای عملیاتی کردن و حفظ مدل یادگیری ماشین کاربردی خود درک و تعریف خواهید کرد. در پایان این دوره، شما تمام ابزارها و درک لازم برای اجرای با اطمینان یک پروژه یادگیری ماشینی و آماده شدن برای بهینه سازی آن در زمینه کسب و کار خود را خواهید داشت. 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 آخرین دوره از تخصص یادگیری ماشین کاربردی است که توسط Coursera و موسسه هوش ماشین آلبرتا (Amii) برای شما آورده شده است.

coursera بهینه سازی مدل های ML و استقرار خطوط لوله انسانی در حلقه (Mitalearn-336631)

  • 2 hours 29 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Antje Barth
درباره این دوره:

در سومین دوره تخصصی تخصصی علم داده های عملی، یک سری تکنیک های بهبود عملکرد و کاهش هزینه را برای تنظیم خودکار دقت مدل، مقایسه عملکرد پیش بینی و تولید داده های آموزشی جدید با هوش انسانی خواهید آموخت. پس از تنظیم طبقه‌بندی‌کننده متن خود با استفاده از تنظیم Hyper-Parameter Amazon SageMaker (HPT)، دو نامزد مدل را در یک آزمون A/B قرار می‌دهید تا عملکرد پیش‌بینی بلادرنگ آنها را مقایسه کرده و به طور خودکار مدل برنده را با استفاده از میزبانی Amazon SageMaker مقیاس کنید. در نهایت، شما یک خط لوله انسان در حلقه راه‌اندازی می‌کنید تا پیش‌بینی‌های طبقه‌بندی‌شده اشتباه را اصلاح کنید و داده‌های آموزشی جدیدی را با استفاده از هوش مصنوعی آمازون و آمازون SageMaker Ground Truth تولید کنید. علم داده های عملی برای مدیریت مجموعه داده های عظیمی طراحی شده است که در سخت افزار محلی شما مناسب نیستند و می توانند از منابع متعدد نشات گرفته باشند. یکی از بزرگترین مزایای توسعه و اجرای پروژه‌های علم داده در فضای ابری، چابکی و انعطاف‌پذیری است که ابر برای افزایش و کاهش با حداقل هزینه ارائه می‌دهد. تخصص عملی علم داده به شما کمک می کند تا مهارت های عملی را برای به کارگیری مؤثر پروژه های علم داده خود و غلبه بر چالش ها در هر مرحله از گردش کار ML با استفاده از Amazon SageMaker توسعه دهید. این تخصص برای توسعه دهندگان، دانشمندان و تحلیلگران متمرکز بر داده طراحی شده است که با زبان های برنامه نویسی Python و SQL آشنا هستند و می خواهند یاد بگیرند که چگونه خطوط لوله ML مقیاس پذیر و سرتاسر مقیاس پذیر را بیاموزند - هم خودکار و هم انسانی. -the-loop - در ابر AWS.

coursera بینایی کامپیوتر با یادگیری ماشین جاسازی شده (Mitalearn-332602)

  • 6 hours 47 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Shawn Hymel
درباره این دوره:

بینایی کامپیوتر (CV) یک زمینه مطالعاتی جذاب است که تلاش می‌کند فرآیند انتساب معنا به تصاویر یا فیلم‌های دیجیتال را خودکار کند. به عبارت دیگر، ما به رایانه ها کمک می کنیم تا دنیای اطراف ما را ببینند و درک کنند! تعدادی از الگوریتم‌ها و تکنیک‌های یادگیری ماشین (ML) را می‌توان برای انجام وظایف CV مورد استفاده قرار داد، و با سریع‌تر و کارآمدتر شدن ML، می‌توانیم این تکنیک‌ها را در سیستم‌های تعبیه‌شده مستقر کنیم. این دوره که با مشارکت Edge Impulse، OpenMV، Seeed Studio و TinyML Foundation ارائه شده است، به شما درک می کند که چگونه می توان از یادگیری عمیق با شبکه های عصبی برای طبقه بندی تصاویر و تشخیص اشیاء در تصاویر و ویدیوها استفاده کرد. شما این فرصت را خواهید داشت که این مدل های یادگیری ماشینی را در سیستم های جاسازی شده، که به عنوان یادگیری ماشین جاسازی شده یا TinyML شناخته می شود، مستقر کنید. آشنایی با زبان برنامه نویسی پایتون و مفاهیم اولیه ML (مانند شبکه های عصبی، آموزش، استنتاج و ارزیابی) برای درک برخی از موضوعات و همچنین تکمیل پروژه ها توصیه می شود. مقداری ریاضی (خواندن نمودار، حساب، جبر) نیز برای آزمون ها و پروژه ها مورد نیاز است. اگر قبلاً این کار را نکرده اید، شرکت در دوره «مقدمه ای بر یادگیری ماشین جاسازی شده» توصیه می شود. این دوره مفاهیم و واژگان لازم برای درک نحوه عملکرد شبکه های عصبی کانولوشن (CNN) را پوشش می دهد و نحوه استفاده از آنها برای طبقه بندی تصاویر و تشخیص اشیا را پوشش می دهد. پروژه های عملی به شما این فرصت را می دهد که CNN های خود را آموزش دهید و آنها را روی یک میکروکنترلر و/یا کامپیوتر تک بردی مستقر کنید.

coursera بینایی کامپیوتر پیشرفته با TensorFlow (Mitalearn-332483)

  • 2 hours 41 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laurence Moroney
درباره این دوره:

در این دوره، شما: الف) طبقه بندی تصویر، تقسیم بندی تصویر، محلی سازی شی و تشخیص اشیا را کاوش کنید. استفاده از آموزش انتقال برای محلی سازی و تشخیص اشیا. ب) مدل‌های تشخیص اشیا مانند Regional-CNN و ResNet-50 را اعمال کنید، مدل‌های موجود را سفارشی کنید، و مدل‌های خود را برای شناسایی، بومی‌سازی و برچسب‌گذاری تصاویر اردک لاستیکی خود بسازید. ج) تقسیم‌بندی تصویر را با استفاده از تغییرات شبکه کاملاً کانولوشن (FCN) از جمله U-Net و د) Mask-RCNN برای شناسایی و شناسایی اعداد، حیوانات خانگی، زامبی‌ها و موارد دیگر اجرا کنید. د) مشخص کنید که مدل شما از کدام بخش‌های تصویر برای پیش‌بینی‌های خود با استفاده از نقشه‌های فعال‌سازی کلاس و نقشه‌های برجسته استفاده می‌کند و از این روش‌های تفسیر ML برای بازرسی و بهبود طراحی یک شبکه معروف، AlexNet استفاده می‌کند. تخصص DeepLearning.AI TensorFlow: Advanced Techniques ویژگی‌های TensorFlow را معرفی می‌کند که به یادگیرندگان کنترل بیشتری بر معماری مدل و ابزارهایی می‌دهد که به آنها کمک می‌کند مدل‌های پیشرفته ML را ایجاد و آموزش دهند. این تخصص برای مهندسین نرم افزار و یادگیری ماشین در مراحل اولیه و اواسط حرفه ای با درک اساسی از TensorFlow است که به دنبال گسترش دانش و مجموعه مهارت های خود با یادگیری ویژگی های پیشرفته TensorFlow برای ساخت مدل های قدرتمند هستند.

linkedin پایتون برای علوم داده و یادگیری ماشین آموزش ضروری قسمت 2 (Mitalearn-433599)

  • 5 hours 16 minutes
  • مناسب همه
  • Release date: 30 July 2024
  • Author: Lillian Pierson, P.E.
درباره این دوره: 

 

اگر شما یک حرفه ای کار هستید که می خواهید از داده های تجاری برای تصمیم گیری های بهبود یافته از طریق تجزیه و تحلیل پیش بینی استفاده کنید ، این دوره می تواند به شما کمک کند. لیلیان پیرسون-مهندس ، مدیرعامل و رئیس محصول در Data-Mania-شما را از طریق ترکیبی قوی از تجربه کدگذاری علوم داده های اساسی ، تظاهرات ، چالش ها ، راه حل ها و تمریناتی که می توانید به سرعت در تجزیه و تحلیل داده های سفارشی و پروژه های تحلیلی اعمال کنید ، هدایت می کند. بهترین روشها را برای تمیز کردن داده ها ، تجسم داده ها ، تجزیه و تحلیل داده ها و برنامه نویسی پایتون بیاموزید.

تا پایان دوره ، شما قادر خواهید بود از پایتون استفاده کنید:

  • تمیز ، تغییر شکل ، اصلاح مجدد و توصیف داده ها
  • تجسم داده ها را برای ارائه داده ها و تجزیه و تحلیل اکتشافی بصری ایجاد کنید
  • دور افتاده را شناسایی و حذف کنید
  • تجزیه و تحلیل داده های ساده را انجام دهید
  • منبع ، کلاهبرداری و تجزیه و تحلیل داده ها از اینترنت
  • دارایی های تجزیه و تحلیل مشترک با استفاده از plot.ly
تولید کنید

linkedin پایتون پیشرفته در اکسل: یادگیری ماشینی (Mitalearn-442422)

  • 36 minutes
  • مناسب همه
  • Release date: 12 September 2024
  • Author: Christian Martinez
درباره این دوره: 

 تقاضا برای تصمیم گیری مبتنی بر داده و ادغام سریع Python در Excel و ML در بخش های تجاری در حال افزایش است. در این دوره، کریستین مارتینز، مدیر ارشد تحول مالی، آموزش های به موقعی را ارائه می دهد که به شما این امکان را می دهد تا به طور کارآمد از حجم وسیعی از داده ها برای مزیت رقابتی، همسو با نیازهای فعلی بازار استفاده کنید.

datacamp پردازش تصویر در پایتون (Mitalearn-400109)

  • 1 hours 6 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Rebeca Gonzalez
درباره این دوره:

تصاویر همه جا هستند! ما در زمانی زندگی می کنیم که تصاویر حاوی اطلاعات زیادی هستند که گاهی اوقات به سختی به دست می آیند. به همین دلیل است که پیش پردازش تصویر به یک مهارت بسیار ارزشمند تبدیل شده است که در بسیاری از موارد کاربرد دارد. در این دوره، شما یاد خواهید گرفت که به میل خود پردازش، تبدیل و دستکاری تصاویر را حتی زمانی که به هزاران عدد می‌رسد، انجام دهید. همچنین یاد خواهید گرفت که تصاویر آسیب دیده را بازیابی کنید، کاهش نویز را انجام دهید، تصاویر را تغییر اندازه هوشمند دهید، تعداد نقاط روی یک تاس را بشمارید، تشخیص چهره را اعمال کنید، و خیلی چیزهای دیگر با استفاده از Sikit-Image. پس از اتمام این دوره، شما قادر خواهید بود دانش خود را در حوزه های مختلف مانند یادگیری ماشینی و هوش مصنوعی، بینایی ماشین و روباتیک، تجزیه و تحلیل تصاویر فضا و پزشکی، خرده فروشی و بسیاری دیگر اعمال کنید. قدم بردارید و به دنیای شگفت انگیزی که بینایی کامپیوتر است شیرجه بزنید!

datacamp پردازش زبان طبیعی با spaCy (Mitalearn-402812)

  • 1 hours 8 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Azadeh Mobasher
درباره این دوره:

SpaCy را بیاموزید، کتابخانه استاندارد صنعتی NLP که به سرعت در حال رشد است، برای کارهایی مانند رمزگذاری، تجزیه، و شناسایی موجودیت نامگذاری شده. بر عملیات اصلی مسلط شوید، از کلاس‌هایی مانند Doc و Token استفاده کنید و مدل‌های قطار را آموزش دهید. عبارات را با تطبیق الگو استخراج کنید، اجزای خط لوله سفارشی ایجاد کنید، و نمونه های واقعی را برای پروژه های NLP خود مدیریت کنید.

coursera پردازش زبان طبیعی با طبقه بندی و فضاهای برداری (Mitalearn-332126)

  • 3 hours 45 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Younes Bensouda Mourri,Łukasz Kaiser
درباره این دوره:

در دوره 1 تخصص پردازش زبان طبیعی، شما: الف) تجزیه و تحلیل احساسات توییت ها را با استفاده از رگرسیون لجستیک و سپس بیز ساده انجام دهید. ب) از مدل های فضای برداری برای کشف روابط بین کلمات استفاده کنید و از PCA برای کاهش ابعاد فضای برداری و تجسم آن روابط استفاده کنید. ج) یک الگوریتم ترجمه انگلیسی به فرانسوی ساده با استفاده از جاسازی‌های کلمه از پیش محاسبه‌شده و هش‌سازی حساس به موقعیت برای ارتباط کلمات از طریق جستجوی تقریبی k-نزدیک‌ترین همسایه بنویسید. در پایان این تخصص، شما برنامه های NLP را طراحی کرده اید که پاسخگویی به سوالات و تجزیه و تحلیل احساسات را انجام می دهند، ابزارهایی برای ترجمه زبان ها و خلاصه کردن متن ایجاد می کنید و حتی یک ربات چت می سازید! این تخصص توسط دو متخصص در NLP، یادگیری ماشینی و یادگیری عمیق طراحی و آموزش داده شده است. یونس بنسودا موری، مدرس هوش مصنوعی در دانشگاه استنفورد است که همچنین به ایجاد تخصص یادگیری عمیق کمک کرده است. Łukasz Kaiser یک دانشمند تحقیقاتی در Google Brain و یکی از نویسندگان Tensorflow، کتابخانه‌های Tensor2Tensor و Trax و مقاله Transformer است.

coursera پردازش زبان طبیعی در Microsoft Azure (Mitalearn-328794)

  • 45 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

پردازش زبان طبیعی از برنامه هایی پشتیبانی می کند که می توانند کاربران را ببینند، بشنوند، با آنها صحبت کنند و درک کنند. Microsoft Azure با استفاده از خدمات تجزیه و تحلیل متن، ترجمه و درک زبان، ساخت برنامه هایی را که از زبان طبیعی پشتیبانی می کنند آسان می کند. در این دوره آموزشی، نحوه استفاده از سرویس Text Analytics برای پردازش پیشرفته زبان طبیعی متن خام برای تجزیه و تحلیل احساسات، استخراج عبارت کلیدی، شناسایی موجودیت نام‌گذاری شده و تشخیص زبان را خواهید آموخت. نحوه تشخیص و ترکیب گفتار را با استفاده از خدمات شناختی Azure یاد خواهید گرفت. درکی خواهید داشت که چگونه قابلیت‌های ترجمه خودکار در یک راه‌حل هوش مصنوعی، با حذف موانع زبان، همکاری نزدیک‌تر را ممکن می‌سازد. شما با سرویس درک زبان آشنا می شوید و نحوه ایجاد برنامه هایی که زبان را درک می کنند به شما نشان داده می شود. این دوره به شما کمک می کند تا برای آزمون AI-900: Microsoft Azure AI Fundamentals آماده شوید. این چهارمین 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 یادگیری ماشین و مفاهیم هوش مصنوعی آشنا باشید.

coursera پردازش زبان طبیعی در TensorFlow (Mitalearn-332211)

  • 1 hours 32 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laurence Moroney
درباره این دوره:

اگر توسعه‌دهنده نرم‌افزاری هستید که می‌خواهید الگوریتم‌های مقیاس‌پذیر مبتنی بر هوش مصنوعی بسازید، باید بدانید که چگونه از ابزارهای ساخت آنها استفاده کنید. این تخصص به شما بهترین روش‌ها را برای استفاده از TensorFlow، یک چارچوب متن‌باز محبوب برای یادگیری ماشین، آموزش می‌دهد. در دوره 3 از تخصص توسعه دهنده DeepLearning.AI TensorFlow، شما سیستم های پردازش زبان طبیعی را با استفاده از TensorFlow خواهید ساخت. شما یاد خواهید گرفت که متن را پردازش کنید، از جمله نشانه گذاری و نمایش جملات به عنوان بردار، به طوری که آنها بتوانند به یک شبکه عصبی وارد شوند. همچنین استفاده از RNN، GRU و LSTM در TensorFlow را یاد خواهید گرفت. در نهایت، می‌توانید یک LSTM را بر روی متن موجود آموزش دهید تا شعر اصلی بسازید! دوره یادگیری ماشین و تخصص یادگیری عمیق از Andrew Ng مهمترین و اساسی ترین اصول یادگیری ماشین و یادگیری عمیق را آموزش می دهد. این تخصص توسعه‌دهنده DeepLearning.AI TensorFlow به شما می‌آموزد که چگونه از TensorFlow برای پیاده‌سازی این اصول استفاده کنید تا بتوانید شروع به ساخت و استفاده از مدل‌های مقیاس‌پذیر برای مشکلات دنیای واقعی کنید. برای ایجاد درک عمیق تر از نحوه عملکرد شبکه های عصبی، توصیه می کنیم که تخصص یادگیری عمیق را انتخاب کنید.

coursera پروژه Capstone: پیش بینی سهام ایمنی (Mitalearn-334302)

  • 10 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Rajvir Dua,Neelesh Tiruviluamala
درباره این دوره:

در این دوره، پیش‌بینی‌هایی در مورد استفاده از محصول انجام می‌دهیم و ذخیره‌سازی بهینه انبار ایمنی را محاسبه می‌کنیم. ما با یک سری زمانی فروش کفش در چندین فروشگاه در سه قاره مختلف شروع خواهیم کرد. برای شروع، با انجام گروه‌بندی و مقایسه محصولات در هر فروشگاه، به دنبال بینش‌های منحصربه‌فرد و چیزهای جالب دیگری می‌گردیم که می‌توانیم در داده‌ها پیدا کنیم. سپس، ما از مدل میانگین متحرک یکپارچه اتورگرسیو فصلی (SARIMA) برای پیش‌بینی فروش آینده استفاده می‌کنیم. علاوه بر پیش‌بینی، آمار ارائه شده (مانند p-score) را برای قضاوت در مورد قابلیت استفاده از مدل SARIMA برای پیش‌بینی تجزیه و تحلیل خواهیم کرد. سپس، ما فراپارامترهای مدل را تنظیم می کنیم تا نتایج بهتر و اهمیت آماری بالاتری به دست آوریم. در نهایت، با نگاه کردن به داده‌ها برای پیش‌بینی‌های استفاده ماهانه و محاسبه موجودی ایمنی از فرمول مربوط به زمان تحویل، پیش‌بینی‌هایی در مورد سهام ایمنی انجام خواهیم داد.

coursera پروژه Capstone: هوش مصنوعی پیشرفته برای کشف دارو (Mitalearn-334013)

  • 14 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Rajvir Dua,Neelesh Tiruviluamala
درباره این دوره:

در این دوره پروژه اصلی، توالی ژنوم جهش‌های COVID-19 را برای شناسایی مناطق بالقوه ای که درمان دارویی می‌تواند هدف قرار دهد، مقایسه می‌کنیم. اولین گام در کشف دارو شامل شناسایی دنباله های هدف از ژنوم آنها به هدف است. ما با مقایسه ژنوم جهش های ویروس برای جستجوی شباهت ها شروع می کنیم. سپس، ما PCA را برای کاهش تعداد ابعاد خود و شناسایی رایج ترین ویژگی ها انجام می دهیم. در مرحله بعد، از خوشه بندی K-means در پایتون برای یافتن تعداد بهینه گروه ها و ردیابی اصل و نسب ویروس استفاده می کنیم. در نهایت، شباهت بین دنباله‌ها را پیش‌بینی می‌کنیم و از آن برای انتخاب دنباله هدف استفاده می‌کنیم. در طول دوره، هر بخش شامل یک تکلیف برنامه نویسی همراه با یک ویدیوی راهنما و نکات مفید خواهد بود. در پایان، شما به خوبی در مسیر کشف راه های مبارزه با بیماری با توالی ژنوم خواهید بود.

Suggestions