Course catalog

Course duration

Course provider

Topic

Categories

Showing 81-100 of 382 items.

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.

coursera پروژه علم داده: متلب برای دنیای واقعی (Mitalearn-333605)

  • 30 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Michael Reardon,Maria Gavilan-Alfonso,Erin Byrne
درباره این دوره:

مانند بسیاری از موضوعات، تمرین در علم داده کامل می شود. در پروژه Capstone، مهارت‌های آموخته‌شده در دوره‌های علوم داده‌های عملی با تخصص MATLAB را برای کاوش، پردازش، تجزیه و تحلیل و مدل‌سازی داده‌ها به کار خواهید برد. شما مسیر خود را برای پاسخ به سوالات کلیدی با داده های ارائه شده انتخاب خواهید کرد. برای تکمیل پروژه، باید بر مهارت های تحت پوشش در سایر دوره های تخصصی تسلط داشته باشید. این پروژه توانایی شما را برای وارد کردن و کاوش داده های شما، آماده سازی داده ها برای تجزیه و تحلیل، آموزش یک مدل پیش بینی، ارزیابی و بهبود مدل شما، و ارتباط نتایج شما را آزمایش می کند.

coursera پلتفرم های MLOps: Amazon SageMaker و Azure ML (Mitalearn-336104)

  • 3 hours 39 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Noah Gift,Alfredo Deza
درباره این دوره:

در پلت‌فرم‌های MLOps (عملیات یادگیری ماشین): Amazon SageMaker و Azure ML، مهارت‌های لازم برای ساخت، آموزش و استقرار راه‌حل‌های یادگیری ماشین را در یک محیط تولید با استفاده از دو پلتفرم ابری پیشرو خواهید آموخت: خدمات وب آمازون (AWS) و Microsoft Azure. این دوره همچنین یک منبع عالی برای افرادی است که به دنبال آماده شدن برای گواهینامه های یادگیری ماشینی AWS یا Azure هستند یا به عنوان دانشمندان داده، مهندسان نرم افزار، توسعه دهندگان نرم افزار، تحلیلگران داده یا سایر نقش هایی که از یادگیری ماشینی استفاده می کنند، کار می کنند (یا به دنبال کار هستند). از طریق یک سری تمرین‌های عملی، شهودی برای الگوریتم‌های یادگیری ماشین اولیه و تجربه عملی کار با این پلت‌فرم‌های پیشرو Cloud به دست خواهید آورد. در پایان دوره، شما قادر خواهید بود راه حل های یادگیری ماشین را در یک محیط تولید با استفاده از فناوری AWS و Azure استقرار دهید. هفته 1. مهندسی داده را با فناوری AWS کاوش کنید. ما در مورد موضوعاتی مانند شروع یادگیری ماشین در AWS، ایجاد مخازن داده، و شناسایی و اجرای راه‌حل‌هایی برای جذب و تبدیل داده بحث خواهیم کرد. هفته 2. با فناوری AWS، مهارت های پایه علوم داده را به دست آورید. شما تکنیک های پاکسازی داده ها، مهندسی ویژگی ها، تجزیه و تحلیل داده ها و تجسم داده ها را برای یادگیری ماشینی خواهید آموخت. ما استفاده از راه‌حل‌های بدون سرور را که در AWS در دسترس هستند، در اولویت قرار می‌دهیم تا فرآیند کارآمدتر شود. هفته 3. مدل‌های یادگیری ماشینی را با فناوری AWS بیاموزید. ما نحوه انتخاب مدل‌های مناسب برای کار در دست، انتخاب ابرپارامترها، آموزش مدل‌ها بر روی پلت فرم و ارزیابی مدل‌ها را بررسی خواهیم کرد. هفته 4. آموزش MLOps با AWS: مرحله نهایی قرار دادن یادگیری ماشینی در تولید. ما در مورد موضوعاتی مانند عملیاتی کردن یک مدل یادگیری ماشین، تصمیم گیری بین CPU و GPU، و استقرار و حفظ مدل بحث خواهیم کرد. هفته 5. نحوه کار با داده ها و یادگیری ماشین را در دومین پلتفرم پیشرو مبتنی بر Cloud بیاموزید: Azure ML.

coursera پیاده سازی و عملیات یادگیری ماشین در AWS (Mitalearn-329695)

  • 1 hours 43 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Whizlabs Instructor
درباره این دوره:

عملیات پیاده سازی یادگیری ماشین در AWS پنجمین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. این دوره تمرکز عمده ای بر طراحی و پیاده سازی راه حل های یادگیری ماشین برای عملکرد، در دسترس بودن، مقیاس پذیری، انعطاف پذیری و تحمل خطا دارد. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره آموزشی با سخنرانی‌های ویدیویی تقریباً 1:00 تا 1:30 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: عملیات پیاده سازی یادگیری ماشین در AWS-Part 1 ماژول 2: عملیات پیاده سازی یادگیری ماشین در AWS-Part 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: -طراحی راه حل های یادگیری ماشین برای عملکرد، در دسترس بودن، مقیاس پذیری، انعطاف پذیری و تحمل خطا -اجرای خدمات و ویژگی های یادگیری ماشین مناسب برای یک مشکل خاص -راه حل های یادگیری ماشین را با آزمایشگاه توسعه دهید

datacamp پیش بینی CTR با یادگیری ماشین در پایتون (Mitalearn-406246)

  • 51 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Kevin Huo
درباره این دوره:

آیا تا به حال فکر کرده اید که چگونه شرکت هایی مانند فیس بوک و گوگل می توانند تبلیغات هدفمند شگفت انگیزی را که گهگاه روی آنها کلیک می کنید به شما ارائه دهند؟ خوب، در پشت صحنه، آنها مدل‌های یادگیری ماشینی پیچیده را اجرا می‌کنند و از داده‌های غنی کاربر برای پیش‌بینی نرخ کلیک (CTR) برای هر کاربری که آن تبلیغات را می‌بیند، استفاده می‌کنند. این دوره به شما یاد می دهد که چگونه مدل های پایه را در پایتون پیاده سازی کنید تا بتوانید نحوه بهینه سازی بهتر تبلیغات با یادگیری ماشین را مشاهده کنید. با استفاده از داده‌های تبلیغات واقعی، می‌آموزید که چگونه ویژگی‌ها را مهندسی کنید، مدل‌های یادگیری ماشینی را با استفاده از آن ویژگی‌ها بسازید، و مدل‌های خود را در زمینه پیش‌بینی CTR ارزیابی کنید. در پایان این دوره، درک قوی از نحوه استفاده از یادگیری ماشینی برای موثرتر کردن تبلیغات خود خواهید داشت.

coursera پیش بینی تقاضا با استفاده از سری زمانی (Mitalearn-333928)

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

این دوره دومین دوره تخصصی در زمینه یادگیری ماشین برای مبانی زنجیره تامین است. در این دوره، تمام جنبه های سری های زمانی، به ویژه برای پیش بینی تقاضا را بررسی می کنیم. ما با به دست آوردن جای پایی در مفاهیم اساسی پیرامون سری های زمانی، از جمله ایستایی، روند (رانش)، چرخه ای بودن، و فصلی شروع خواهیم کرد. سپس، مدتی را صرف تحلیل روش‌های همبستگی در رابطه با سری‌های زمانی (خودهمبستگی) خواهیم کرد. در نیمه دوم دوره، ما بر روی روش‌هایی برای پیش‌بینی تقاضا با استفاده از سری‌های زمانی، مانند مدل‌های خودرگرسیون تمرکز خواهیم کرد. در نهایت، با پروژه ای نتیجه گیری می کنیم که تقاضا را با استفاده از مدل های ARIMA در پایتون پیش بینی می کند.

Suggestions