Course catalog

Course duration

Course provider

Topic

Categories

Showing 121-140 of 382 items.

datacamp تشخیص تقلب در پایتون (Mitalearn-402761)

  • 1 hours 2 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Charlotte Werger
درباره این دوره:

یک سازمان معمولی تقریباً 5٪ از درآمد سالانه خود را به دلیل تقلب از دست می دهد. در این دوره یاد می گیرید که چگونه با استفاده از داده ها با کلاهبرداری مبارزه کنید. به عنوان مثال، نحوه استفاده از الگوریتم‌های یادگیری تحت نظارت را برای شناسایی رفتارهای متقلبانه مشابه رفتارهای گذشته و همچنین روش‌های یادگیری بدون نظارت برای کشف انواع جدیدی از فعالیت‌های کلاهبرداری را خواهید آموخت. علاوه بر این، در تجزیه و تحلیل تقلب، هنگام طبقه‌بندی تقلب در مقابل غیرتقلب، اغلب با مجموعه داده‌های بسیار نامتعادل سروکار دارید، و در طول این دوره، تکنیک‌هایی را در مورد نحوه برخورد با آن انتخاب خواهید کرد. این دوره ترکیبی از بینش های فنی و نظری را ارائه می دهد و به شما نحوه پیاده سازی عملی مدل های تشخیص تقلب را نشان می دهد. علاوه بر این، نکات و توصیه هایی را از تجربه واقعی دریافت خواهید کرد تا به شما در جلوگیری از اشتباهات رایج در تجزیه و تحلیل تقلب کمک کند.

coursera تصمیم گیری عملی با استفاده از ML بدون کد در AWS (Mitalearn-328590)

  • 1 hours 36 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jared Heywood
درباره این دوره:

در این دوره، نحوه حل مشکلات تجاری با یادگیری ماشینی، بدون نیاز به کدنویسی را خواهید یافت. شما Amazon SageMaker Canvas را کاوش خواهید کرد، یک رابط بصری نقطه و کلیک که به شما امکان می دهد پیش بینی های دقیق ML را بدون نیاز به تجربه یادگیری ماشینی یا نیاز به نوشتن یک خط کد ایجاد کنید. در پایان دوره، شما از درک نحوه تصمیم گیری بهتر تجاری با استفاده از یادگیری ماشین بدون کد خارج خواهید شد.

coursera تصمیم گیری و یادگیری تقویتی (Mitalearn-308734)

  • 5 hours 4 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Tony Dear
درباره این دوره:

این دوره مقدمه ای بر تصمیم گیری متوالی و یادگیری تقویتی است. ما با بحث در مورد نظریه مطلوبیت شروع می کنیم تا یاد بگیریم که چگونه ترجیحات را می توان برای تصمیم گیری نشان داد و مدل سازی کرد. ما ابتدا مسائل تصمیم گیری ساده را به عنوان مشکلات راهزن چند مسلح مدل می کنیم و چندین رویکرد را برای ارزیابی بازخورد مورد بحث قرار می دهیم. سپس مسائل تصمیم‌گیری را به‌عنوان فرآیندهای تصمیم‌گیری مارکوف محدود (MDP) مدل‌سازی می‌کنیم و راه‌حل‌های آن‌ها را از طریق الگوریتم‌های برنامه‌نویسی پویا مورد بحث قرار می‌دهیم. ما مفهوم مشاهده پذیری جزئی در مسائل واقعی را که توسط POMDP مدل شده و سپس با روش های برنامه ریزی آنلاین حل شده است، لمس می کنیم. در نهایت، مسئله یادگیری تقویتی را معرفی می کنیم و دو پارادایم را مورد بحث قرار می دهیم: روش های مونت کارلو و یادگیری تفاوت زمانی. ما دوره را با یادآوری اینکه چگونه این دو پارادایم بر روی طیفی از روش‌های تفاوت زمانی n مرحله‌ای قرار دارند، به پایان می‌رسانیم. تاکید بر الگوریتم ها و مثال ها بخش کلیدی این دوره خواهد بود.

coursera تکنیک های پیشرفته هوش مصنوعی برای زنجیره تامین (Mitalearn-333622)

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

در این دوره آموزشی، با روش‌های پیشرفته‌تر یادگیری ماشینی آشنا می‌شویم که برای حل مشکلات در زنجیره تامین استفاده می‌شوند. ما با مروری بر پارادایم‌های مختلف ML (رگرسیون/طبقه‌بندی) و جایی که آخرین مدل‌ها در این تفکیک‌ها قرار می‌گیرند، شروع می‌کنیم. سپس، در برخی از تکنیک‌های خاص عمیق‌تر می‌شویم و از مواردی مانند استفاده از شبکه‌های عصبی برای پیش‌بینی تقاضای محصول و جنگل‌های تصادفی برای طبقه‌بندی محصولات استفاده می‌کنیم. بخش مهمی برای استفاده از این مدل ها، درک مفروضات آنها و مراحل پیش پردازش مورد نیاز است. ما با پروژه ای پایان خواهیم داد که شامل تکنیک های پیشرفته با مشکل طبقه بندی تصویر برای یافتن محصولات معیوب خارج شده از یک ماشین است.

datacamp تمرین سوالات مصاحبه یادگیری ماشین در پایتون (Mitalearn-404189)

  • 1 hours 21 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Lisa Stuart
درباره این دوره:

آیا تا به حال به این فکر کرده اید که چگونه برای مصاحبه یادگیری ماشینی به درستی آماده شوید؟ در این دوره، شما پاسخ 15 سوال رایج یادگیری ماشین (ML) در مصاحبه پایتون را برای نقش دانشمند داده آماده خواهید کرد. این سوالات حول هفت موضوع مهم می چرخد: پیش پردازش داده ها، تجسم داده ها، یادگیری تحت نظارت، یادگیری بدون نظارت، مجموعه مدل، انتخاب مدل، و ارزیابی مدل. شما با کار بر روی سوالات پیش پردازش داده و تجسم داده ها شروع خواهید کرد. پس از انجام تمام مراحل پیش پردازش، یک مدل ML پیش بینی برای تقویت مهارت های عملی خود ایجاد خواهید کرد. در مرحله بعد، برخی از تکنیک های یادگیری تحت نظارت را قبل از رفتن به یادگیری بدون نظارت پوشش خواهید داد. بسته به نقش، احتمالاً هر دو موضوع را در مصاحبه یادگیری ماشینی خود پوشش خواهید داد. در نهایت، با پوشش انتخاب و ارزیابی مدل، بررسی نحوه ارزیابی عملکرد برای تعمیم مدل، و نگاهی به تکنیک‌های مختلف هنگام ساخت یک مدل مجموعه، کار را به پایان می‌رسانید. در پایان دوره، شما هم پیشینه نظری مورد نیاز و هم توانایی توسعه کد پایتون برای پاسخگویی موفقیت آمیز به این 15 سوال را خواهید داشت. با توجه به سهولت استفاده و توانایی آن برای پوشش دادن مهم ترین تکنیک های یادگیری ماشین در زبان پایتون، نمونه های کدگذاری عمدتاً بر اساس بسته Sicit-Learn خواهند بود. این دوره اصول یادگیری ماشینی را آموزش نمی دهد، زیرا این موارد در پیش نیازهای دوره پوشش داده شده است.

datacamp تنظیم فراپارامتر در R (Mitalearn-405787)

  • 52 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Shirin Elsinghorst (formerly Glander)
درباره این دوره:

برای بسیاری از مشکلات یادگیری ماشین، اجرای یک مدل خارج از جعبه و دریافت پیش‌بینی کافی نیست. شما بهترین مدل را با دقیق ترین پیش بینی می خواهید. یکی از راه‌های کامل کردن مدل، تنظیم هایپرپارامتر است که به معنای بهینه‌سازی تنظیمات آن مدل خاص است. در این دوره، شما با بسته‌های caret، mlr و h2o کار می‌کنید تا با استفاده از جستجوی شبکه‌ای، جستجوی تصادفی، نمونه‌برداری مجدد تطبیقی ​​و یادگیری ماشین خودکار (AutoML) ترکیب بهینه ابرپارامترها را به شیوه‌ای کارآمد پیدا کنید. علاوه بر این، شما با مجموعه داده‌های مختلف کار می‌کنید و مدل‌های یادگیری تحت نظارت مختلف را تنظیم خواهید کرد، مانند جنگل‌های تصادفی، ماشین‌های تقویت گرادیان، ماشین‌های بردار پشتیبانی و حتی شبکه‌های عصبی. برای تنظیم آماده شوید!

Related Skills

datacamp تنظیم فراپارامتر در پایتون (Mitalearn-402948)

  • 52 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Alex Scriven
درباره این دوره:

ساخت مدل‌های یادگیری ماشینی قدرتمند به شدت به مجموعه فراپارامترهای مورد استفاده بستگی دارد. اما با مدل‌های پیچیده‌تر با گزینه‌های زیاد، چگونه می‌توانید بهترین تنظیمات را برای مشکل خاص خود به طور مؤثر پیدا کنید؟ در این دوره شما تجربه عملی در استفاده از برخی متدولوژی های رایج برای تنظیم خودکار فراپارامتر در پایتون با استفاده از Scikit Learn خواهید داشت. اینها عبارتند از جستجوی شبکه، جستجوی تصادفی و روش‌های بهینه‌سازی پیشرفته از جمله الگوریتم‌های بیزی و ژنتیک. از مجموعه داده‌ای استفاده خواهید کرد که پیش‌فرض‌های کارت اعتباری را پیش‌بینی می‌کند و مهارت‌هایی را ایجاد می‌کنید تا کارایی و اثربخشی ساخت مدل یادگیری ماشین خود را به‌طور چشمگیری افزایش دهید.

coursera تور راهنمای یادگیری ماشین در امور مالی (Mitalearn-332789)

  • 4 hours 22 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Igor Halperin
درباره این دوره:

هدف این دوره ارائه یک نمای کلی مقدماتی و کلی از حوزه ML با تمرکز بر برنامه های کاربردی در امور مالی است. روش های یادگیری ماشین نظارت شده در پروژه Capstone برای پیش بینی بسته شدن بانک ها استفاده می شود. به طور همزمان، در حالی که این دوره را می توان به عنوان یک دوره جداگانه در نظر گرفت، به عنوان پیش نمایشی از موضوعاتی عمل می کند که در ماژول های بعدی تخصصی یادگیری ماشین و یادگیری تقویتی در امور مالی با جزئیات بیشتر پوشش داده شده است. هدف تور راهنمای یادگیری ماشین در امور مالی این است که درک کنید که یادگیری ماشین چیست، برای چیست و در چند مشکل مالی مختلف می توان آن را اعمال کرد. این دوره برای سه دسته از دانشجویان طراحی شده است: پزشکان شاغل در مؤسسات مالی مانند بانک ها، شرکت های مدیریت دارایی یا صندوق های تامینی افراد علاقه مند به کاربردهای ML برای تجارت روزانه شخصی دانشجویان تمام وقت فعلی در حال تحصیل در رشته های مالی، آمار، علوم کامپیوتر، ریاضیات، فیزیک، مهندسی یا سایر رشته های مرتبط که می خواهند در مورد کاربردهای عملی ML در امور مالی بیاموزند. برای انجام تکالیف در این دوره، تجربه با پایتون (شامل نوت بوک های numpy، پانداها و IPython/Jupyter)، جبر خطی، تئوری احتمالات پایه و حساب دیفرانسیل و انتگرال ضروری است.

coursera توزیع متوسط ​​اینتل از OpenVINO™ برای کاربردهای یادگیری عمیق (Mitalearn-313647)

  • 1 hours 21 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Vu Q Nguyen
درباره این دوره:

این دوره برای توسعه دهندگان برنامه طراحی شده است که می خواهند بارهای کاری استنتاج بینایی کامپیوتر را با استفاده از کیت ابزار OpenVINOTM Intel® Distribution توسعه دهند. این دوره به مدل‌های شبکه عصبی بینایی کامپیوتر از انواع چارچوب‌های یادگیری ماشینی معروف می‌پردازد و نوشتن یک برنامه کاربردی قابل حمل را پوشش می‌دهد که قادر به استقرار استنتاج بر روی طیف وسیعی از دستگاه‌های محاسباتی است. این دوره برای توسعه دهندگان برنامه هدف گذاری شده است و بر روی مثال ها و بحث در مورد گردش کار توسعه تمرکز می کند. به این ترتیب، بحث‌ها نه تنها شامل جزئیات نحوه استفاده از خود جعبه ابزار می‌شود، بلکه موضوعاتی مانند نحوه گرفتن معیار برای مقایسه دستگاه‌های محاسباتی یا کارهایی که باید در هنگام مواجهه با مشکلات انجام دهید را شامل می‌شود. این دوره به گونه ای ساخته شده است که به عنوان راهنمای چگونگی توسعه استقرار استنتاج بینایی کامپیوتر با جعبه ابزار عمل می کند. در پایان دوره، دانش‌آموزان مهارت لازم برای استقرار برنامه بینایی کامپیوتر خود را با استفاده از جعبه ابزار خواهند داشت.

linkedin توسعه چت بات ها با Azure (Mitalearn-230483)

  • 1 hours 2 minutes
  • مناسب همه
  • Release date: 22 June 2026
  • Author: Bhavani Ravi
درباره این دوره:

چت بات دقیقا چیست؟ چه تفاوتی با یک ربات دارد، چگونه می توانید یکی را توسعه دهید، و چگونه می توانید از آن پس از توسعه استفاده کنید؟ مربی Bhavani Ravi شما را در یادگیری در مورد چت بات ها و توسعه اولین ربات خود راهنمایی می کند. Bhavani با توضیح اینکه چت بات چیست، چه نوع ربات‌های گفتگوی امروزی وجود دارد و چگونه یک ربات چت با ربات‌ها و برنامه‌های کاربردی متفاوت است، شروع می‌کند. او اجزای یک سیستم چت بات را بررسی می‌کند و در مورد پردازش زبان طبیعی (NLP) بحث می‌کند که به چت‌بات‌ها اجازه می‌دهد تا درخواست‌ها را به زبان انسان درک کنند. او در طراحی یک چت بات قدم می گذارد، سپس «مغز» یک چت بات را به شما نشان می دهد: مدل های ML. Bhavani به شما نشان می دهد که چگونه از مدل های ML برای آموزش ربات چت خود استفاده کنید، شما را به چالش می کشد تا چت بات خود را بنویسید، سپس با چند پروژه که می توانید روی آنها کار کنید و به GitHub ارسال کنید، نتیجه گیری می کند.

datacamp توسعه مدل های یادگیری ماشین برای تولید (Mitalearn-402795)

  • 51 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Sinan Ozdemir
درباره این دوره:

بسیاری از محتوای مرتبط با یادگیری ماشین امروزی بر آموزش مدل و تنظیم پارامترها متمرکز است، اما 90٪ از مدل‌های آزمایشی هرگز به تولید نمی‌رسند، عمدتاً به این دلیل که برای دوام ساخته نشده‌اند. در این دوره خواهید دید که چگونه تغییر ذهنیت خود از ذهنیت مهندسی یادگیری ماشین به طرز فکر MLOps (عملیات یادگیری ماشین) به شما این امکان را می‌دهد که مدل‌های خود را آموزش دهید، مستندسازی کنید، نگهداری کنید و مقیاس‌بندی کنید.

linkedin توسعه یادگیری ماشینی Azure: 3 مدل‌های استقرار و مدیریت (2018) (Mitalearn-149291)

  • 50 minutes
  • متوسط
  • Release date: 11 September 2018
  • Author: Sahil Malik
درباره این دوره:

استودیوی یادگیری ماشینی Azure قدرت هوش مصنوعی را به دست توسعه دهندگان حرفه ای می آورد. در این دوره آموزشی، نحوه استقرار و مدیریت مدل ها در استودیوی یادگیری ماشینی Azure را بیاموزید. مربی Sahil Malik از دوره های قبلی توسعه یادگیری ماشینی Azure استفاده می کند و مستقیماً به موضوعات پیشرفته تر استقرار، مقیاس بندی، ثبت و مدیریت مدل های آموزش دیده شما در سناریوهای تولید می پردازد. بیاموزید که چگونه یک آزمایش را به عنوان یک وب سرویس اجرا کنید، سرویس خود را در سطح جهانی در دسترس قرار دهید، گزارش‌ها را فعال و مشاهده کنید، از یادگیری ماشینی با مدیریت API استفاده کنید و موارد دیگر.

coursera جبر خطی برای یادگیری ماشین و علم داده (Mitalearn-303719)

  • 4 hours 39 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Luis Serrano
درباره این دوره:

به تازگی برای سال 2024 به روز شده است! Mathematics for Machine Learning and Data Science یک برنامه آنلاین پایه است که توسط DeepLearning.AI ایجاد شده و توسط Luis Serrano تدریس می شود. در یادگیری ماشینی، شما مفاهیم ریاضی را از طریق برنامه نویسی به کار می برید. و بنابراین، در این تخصص، مفاهیم ریاضی را که با استفاده از برنامه نویسی پایتون یاد می گیرید، در تمرینات آزمایشگاهی عملی به کار خواهید برد. به عنوان یک زبان آموز در این برنامه، برای موفقیت به مهارت های برنامه نویسی پایتون اولیه تا متوسط ​​نیاز دارید. پس از اتمام این دوره، شما قادر خواهید بود: • داده ها را به صورت بردارها و ماتریس ها نشان می دهد و ویژگی های آنها را با استفاده از مفاهیم تکینگی، رتبه و استقلال خطی و غیره شناسایی می کند. • اعمال مشترک عملیات جبر بردار و ماتریس مانند حاصل ضرب نقطه، معکوس، و دترمینال • انواع خاصی از عملیات ماتریس را به صورت تبدیل خطی بیان کنید • مفاهیم مقادیر ویژه و بردارهای ویژه را در مسائل یادگیری ماشین اعمال کنید بسیاری از مهندسان یادگیری ماشین و دانشمندان داده در زمینه ریاضیات به کمک نیاز دارند، و حتی تمرین‌کنندگان با تجربه نیز می‌توانند از کمبود مهارت‌های ریاضی عقب‌مانده شوند. این تخصص از آموزش نوآورانه در ریاضیات استفاده می‌کند تا به شما کمک کند تا سریع و شهودی یاد بگیرید، با دوره‌هایی که از تجسم‌های ساده برای پیگیری استفاده می‌کنند تا به شما کمک کنند تا ببینید که چگونه ریاضیات پشت یادگیری ماشین واقعاً کار می‌کند.  ما به شما توصیه می کنیم سطح ریاضی دبیرستان (توابع، جبر پایه) و آشنایی با برنامه نویسی (ساختارهای داده، حلقه ها، توابع، دستورات شرطی، اشکال زدایی) داشته باشید. تکالیف و آزمایشگاه‌ها در پایتون نوشته شده‌اند، اما این دوره تمام کتابخانه‌های یادگیری ماشینی را که استفاده می‌کنید معرفی می‌کند.

coursera جبر خطی: جبر ماتریسی، تعیین کننده ها و بردارهای ویژه (Mitalearn-334472)

  • 3 hours 53 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Joseph W. Cutrone, PhD
درباره این دوره:

این دوره دومین دوره در رشته تخصصی جبر خطی است. در این دوره، ما به توسعه تکنیک ها و تئوری برای مطالعه ماتریس ها به عنوان تبدیل های خطی ویژه (توابع) روی بردارها ادامه می دهیم. به طور خاص، ما تکنیک هایی را برای دستکاری ماتریس ها به صورت جبری توسعه می دهیم. این به ما امکان می دهد تا سیستم های معادلات خطی را بهتر تجزیه و تحلیل و حل کنیم. علاوه بر این، تعاریف و قضایای ارائه شده در این دوره امکان استفاده را برای شناسایی ویژگی‌های یک ماتریس معکوس، شناسایی زیرفضاهای مربوطه در R^n، سپس با مطالعه مقادیر ویژه و بردارهای ویژه ماتریس ها، بر روی هندسه تبدیل ماتریس تمرکز می کنیم. این اعداد برای مفاهیم خالص و کاربردی در ریاضیات، علوم داده، یادگیری ماشین، هوش مصنوعی و سیستم‌های دینامیکی مفید هستند. در پایان دوره شاهد کاربرد زنجیره مارکوف و الگوریتم رتبه صفحه گوگل خواهیم بود.

coursera جبر خطی: سیستم های خطی و معادلات ماتریسی (Mitalearn-328726)

  • 3 hours 29 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Joseph W. Cutrone, PhD
درباره این دوره:

این اولین دوره از یک تخصص سه دوره است که دانش آموزان را با مفاهیم جبر خطی، یکی از مهم ترین و اساسی ترین زمینه های ریاضیات، با کاربردهای بسیاری در زندگی آشنا می کند. این مطالب پایه هم تئوری و هم کاربردهایی را برای موضوعاتی در این زمینه فراهم می کند ریاضیات، مهندسی و علوم. محتوای دوره بر معادلات خطی، روش های ماتریسی، هندسه تحلیلی و تبدیل های خطی تمرکز دارد. علاوه بر تسلط بر تکنیک ها، دانش آموزان با ایده های انتزاعی تر جبر خطی نیز آشنا خواهند شد. سخنرانی‌ها، خواندن، آزمون‌ها و پروژه‌ها همگی به دانش‌آموزان کمک می‌کنند تا بر محتوای درسی تسلط پیدا کنند و خواندن، نوشتن و حتی تصحیح را بیاموزند. برهان های ریاضی در پایان دوره، دانش آموزان به زبان جبر خطی مسلط خواهند بود و تعاریف و قضایای جدید را همراه با مثال ها و مثال ها یاد می گیرند. دانش آموزان همچنین یاد خواهند گرفت که از تکنیک هایی برای طبقه بندی و حل سیستم های معادلات خطی استفاده کنند. این دوره دانشجویان را برای ادامه مطالعه تحولات خطی با دوره بعدی در تخصص آماده می کند. .

coursera جبر خطی: متعامد و قطری (Mitalearn-334081)

  • 2 hours 35 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Joseph W. Cutrone, PhD
درباره این دوره:

این سومین و آخرین دوره در تخصص جبر خطی است که بر نظریه و محاسباتی که از کار با بردارهای متعامد ناشی می شود تمرکز دارد. این شامل مطالعه تبدیل متعامد، پایه‌های متعامد و تبدیل‌های متعامد است. این دوره در تئوری ماتریس های متقارن به اوج خود می رسد و ویژگی های جبری را با معادل های هندسی مربوطه مرتبط می کند. این ماتریس ها بیشتر از هر کلاس دیگر از ماتریس ها در کاربردها ایجاد می شوند. تئوری، مهارت ها و تکنیک های آموخته شده در این دوره برای هوش مصنوعی و یادگیری ماشین کاربرد دارد. در این زمینه‌های پرطرفدار، اغلب موتور محرک سیستم‌هایی که در حال تفسیر، آموزش و استفاده از داده‌های خارجی هستند، دقیقاً تحلیل ماتریسی برخاسته از محتوای این دوره است. تکمیل موفقیت آمیز این تخصص، دانش آموزان را برای گذراندن دوره های پیشرفته در علوم داده، هوش مصنوعی و ریاضیات آماده می کند.

coursera چارچوب های اخلاقی را به گام های عملی تبدیل کنید (Mitalearn-327298)

  • 4 hours 21 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Eleanor 'Nell' Watson,Aaron Hui,Abhishek Gupta
درباره این دوره:

اصول اخلاقی پایه ای قوی برای هدایت فناوری های اخلاقی ایجاد می کند. اصول به تنهایی می توانند برای به کارگیری گریزان و غیرعملی باشند. چارچوب‌های اخلاقی مبتنی بر این اصول ساختاری را برای راهنمایی فن‌آوران در هنگام اجرای راه‌حل‌های مبتنی بر داده ارائه می‌دهند. با این حال، چارچوب‌های اخلاقی، همراه با استانداردها و مقررات، می‌توانند وظایف انطباق را پیچیده‌تر کنند و همچنین می‌توانند تنش بین وظایف اخلاقی و کارهای عملی تجاری را افزایش دهند. یک رویکرد برای تطبیق این مسائل مورد نیاز است. این دوره دوم در چارچوب گواهینامه حرفه‌ای Certified Ethical Emerging Technologist (CEET) برای یادگیرندگانی طراحی شده است که به دنبال تجزیه و تحلیل چارچوب‌های اخلاقی، مقررات، استانداردها و بهترین شیوه‌ها و ادغام آنها در راه‌حل‌های مبتنی بر داده‌ها هستند. دانش‌آموزان با چارچوب‌ها و اصول اخلاقی مشترکی که بر اساس آن‌ها هستند آشنا می‌شوند و اینکه چگونه می‌توان آن‌ها را در انواع معضلات اخلاقی به کار برد. شما قوانین قابل اجرا و بهترین شیوه های ایجاد شده در بین سازمان ها و دولت های جهانی و نحوه هدایت ادغام این استانداردها در زمینه نیازهای تجاری را خواهید آموخت. این دوره دومین دوره از پنج دوره است که دارای گواهینامه حرفه ای Certified Ethical Emerging Technologist (CEET) است. دوره قبلی با عنوان ترویج استفاده اخلاقی از فناوری های داده محور است.

coursera چرخه عمر داده های یادگیری ماشین در تولید (Mitalearn-336461)

  • 4 hours 13 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Robert Crowe
درباره این دوره:

در دوره دوم مهندسی یادگیری ماشین برای تخصص تولید، شما خطوط لوله داده را با جمع آوری، تمیز کردن و اعتبارسنجی مجموعه داده ها و ارزیابی کیفیت داده ایجاد می کنید. مهندسی ویژگی، تبدیل و انتخاب را با TensorFlow Extended پیاده سازی کنید و بیشترین قدرت پیش بینی را از داده های خود دریافت کنید. و چرخه عمر داده ها را با استفاده از ابزارهای ابرداده اصل و منشأ داده ایجاد کنید و تکامل داده ها را با طرحواره های داده سازمانی دنبال کنید. درک مفاهیم یادگیری ماشین و یادگیری عمیق ضروری است، اما اگر به دنبال ایجاد یک شغل موثر هوش مصنوعی هستید، به قابلیت‌های مهندسی تولید نیز نیاز دارید. مهندسی یادگیری ماشین برای تولید، مفاهیم اساسی یادگیری ماشین را با تخصص عملکردی توسعه نرم‌افزار مدرن و نقش‌های مهندسی ترکیب می‌کند تا به شما در توسعه مهارت‌های آماده تولید کمک کند. هفته 1: جمع‌آوری، برچسب‌گذاری و اعتبارسنجی داده‌ها هفته 2: مهندسی ویژگی، تبدیل و انتخاب هفته 3: سفر داده و ذخیره‌سازی داده هفته 4: روش‌های پیشرفته برچسب‌گذاری داده‌ها، افزایش داده‌ها و پیش پردازش انواع مختلف داده‌ها

coursera چهار مهارت نادر یادگیری ماشینی که همه دانشمندان داده به آن نیاز دارند (Mitalearn-336886)

  • 2 hours 14 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Eric Siegel
درباره این دوره:

این دوره نادیده گرفته‌شده‌ترین و در عین حال حیاتی‌ترین مهارت‌ها در یادگیری ماشینی را پوشش می‌دهد، چهار تکنیک حیاتی که به ندرت پوشش داده می‌شوند – بیشتر دوره‌ها و کتاب‌ها آن‌ها را کاملاً حذف می‌کنند. 1) مدل سازی بالا (AKA PERSUASION MODELING): وقتی در حال مدلینگ هستید، آیا حتی کار درست را پیش بینی می کنید؟ 2) مغالطه دقت: هنگام ارزیابی اینکه یک مدل چقدر خوب کار می کند، آیا حتی در مورد چیز درستی گزارش می دهید؟ 3) P-HACKING: آیا ساده ترین کشفیات شما از داده ها حتی واقعی است؟ 4) پارادوکس مدل‌های گروه: آیا می‌دانید چگونه کار می‌کنند، حتی اگر به نظر می‌رسد که تیغ اوکام را به چالش می‌کشند؟ >> چرا این روش‌های پیشرفته ضروری هستند: هر یک به سؤالی می‌پردازد که برای یادگیری ماشینی اساسی است (در بالا). برای بسیاری از پروژه ها، موفقیت به این مهارت های خاص بستگی دارد. >> عملی نیست - اما برای یادگیرندگان فنی: این دوره بدون کدنویسی و بدون استفاده از نرم افزار یادگیری ماشین است. در عوض، قبل از اینکه تمرین عملی را انجام دهید، زمینه مفهومی را ایجاد می کند. وقتی نوبت به این تکنیک‌های پیشرفته و مشکلات رایج می‌رسد، پایه‌ای از دانش مفهومی وجود دارد که باید قبل از دست زدن به کار ایجاد کنید – و از انجام آن خوشحال خواهید شد. >> VENDOR-NEUTRAL: 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.

coursera حریم خصوصی و راحتی هوش مصنوعی (Mitalearn-333860)

  • 54 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Brent Summers
درباره این دوره:

در این دوره، مفاهیم اساسی مرتبط با امنیت و حریم خصوصی پروژه های یادگیری ماشین را بررسی خواهیم کرد. با بررسی اصول اخلاقی پشت این تصمیم‌ها، نحوه محافظت از کاربران در برابر نقض حریم خصوصی و در عین حال ایجاد مدل‌های پیش‌بینی مفید را بررسی خواهیم کرد. ما همچنین سؤالات بزرگی در مورد نحوه پیاده سازی الگوریتم های کسب و کار و تأثیر آن بر حریم خصوصی و شفافیت کاربر در حال حاضر و آینده خواهیم پرسید.

Suggestions