Course catalog

Course duration

Course provider

Topic

Categories

Showing 141-160 of 382 items.

coursera حساب دیفرانسیل و انتگرال برای یادگیری ماشین و علم داده (Mitalearn-303821)

  • 4 hours 20 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، فراگیران قادر خواهند بود: • بهینه سازی تحلیلی انواع مختلف توابع که معمولاً در یادگیری ماشین استفاده می شوند با استفاده از ویژگی های مشتقات و گرادیان ها • بهینه سازی تقریباً انواع مختلف توابع که معمولاً در یادگیری ماشین استفاده می شوند با استفاده از روش های تکراری مرتبه اول (نزول گرادیان) و مرتبه دوم (روش نیوتن). • تفکیک بصری تمایز انواع مختلف توابع که معمولاً در یادگیری ماشین استفاده می شوند • اجرای گرادیان نزول در شبکه های عصبی با توابع مختلف فعال سازی و هزینه 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.

linkedin حفاظت از هوش مصنوعی (Mitalearn-176712)

  • 36 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Martin Kemka
درباره این دوره:

قدرت محاسباتی عظیم، تحقیق و کد منبع باز هوش مصنوعی (AI) را برای همه قابل دسترس کرده است. اما با قدرت زیاد مسئولیت بزرگی به همراه دارد. از آنجایی که کسب‌وکارهای بیشتری از هوش مصنوعی در استراتژی‌های خود استفاده می‌کنند، برای مدیران و تحلیلگران به طور یکسان بسیار مهم است که اطمینان حاصل کنند که هوش مصنوعی برای اهداف مضر استفاده نمی‌شود. این دوره به گونه ای طراحی شده است که مخاطبان عمومی، از رهبران تجاری و سازمانی گرفته تا متخصصانی که روی تیم های داده کار می کنند، بتوانند کاربرد مناسب هوش مصنوعی را شناسایی کرده و پیامدهای تصمیمات خود را در مورد استفاده از آن درک کنند. مربی مارتین کمکا با مرور سیاست‌ها و قوانین فعلی که تشخیص تصویر، اتوماسیون و سایر فناوری‌های مبتنی بر هوش مصنوعی را هدایت می‌کنند، یک چشم‌انداز جهانی ارائه می‌کند و آنچه را که هوش مصنوعی برای آینده ما ذخیره می‌کند، بررسی می‌کند.

datacamp حفظ حریم خصوصی داده ها و ناشناس سازی در پایتون (Mitalearn-403441)

  • 1 hours 12 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Rebeca Gonzalez
درباره این دوره:

حریم خصوصی داده ها هرگز مهمتر از این نبوده است. اما چگونه حریم خصوصی را با نیاز به جمع آوری و به اشتراک گذاری بینش های ارزشمند تجاری متعادل می کنید؟ در این دوره آموزشی، با استفاده از روش‌های مشابه گوگل و آمازون، از جمله تعمیم داده‌ها و مدل‌های حفظ حریم خصوصی، مانند K-Anonymity و حفظ حریم خصوصی متفاوت، یاد می‌گیرید که چگونه این کار را انجام دهید. علاوه بر لمس موضوعاتی مانند GDPR، نحوه ساخت و آموزش مدل‌های یادگیری ماشینی در پایتون و در عین حال محافظت از اطلاعات حساس کاربران مانند داده‌های کارمند و درآمد را نیز خواهید یافت. بیایید شروع کنیم!

linkedin خدمات مشتری با استفاده از هوش مصنوعی و یادگیری ماشین (2020) (Mitalearn-164557)

  • 1 hours 4 minutes
  • متوسط
  • Release date: 21 February 2020
  • Author: David Kay
درباره این دوره: 

 هوش مصنوعی (AI) روشی را که هر شرکتی انجام می دهد تغییر می دهد - و خدمات مشتری را متحول می کند. توانایی نه تنها خودکارسازی برخی وظایف، بلکه همچنین استفاده از هوش مصنوعی برای پیش‌صلاحیت و هدایت صف خدمات مشتری، صرفه‌جویی زیادی در زمان دارد. این دوره راه حل های جدید پیشگامانه ای را که توسط این فناوری نوظهور طراحی شده است را بررسی می کند. دیوید کی، مشاور خدمات مشتری، ابزارهایی را که می‌توانید از قفسه خریداری کنید - مانند ربات‌های گفتگو و تجزیه و تحلیل تعامل با مشتری - و همچنین برنامه‌های کاربردی سفارشی‌سازی شده که می‌توانند منافع تجاری هدفمندتری را ارائه کنند، بررسی می‌کند. او همچنین نحوه برنامه ریزی و استقرار موثر راه حل های مبتنی بر یادگیری ماشینی و هوش مصنوعی را توضیح می دهد. با استفاده از این بینش ها، می توانید به سازمان خدمات خود کمک کنید تا در عصر انقلاب هوش مصنوعی پیشرفت کند.

linkedin خدمات یادگیری ماشین SQL Server: Python (Mitalearn-174587)

  • 2 hours 31 minutes
  • پیشرفته
  • Update date: 22 June 2026
  • Author: Adam Wilbert
درباره این دوره:

با نحوه تجزیه و تحلیل داده های SQL Server با پایتون آشنا شوید. آدام ویلبرت، کارشناس پایگاه داده، نحوه استفاده از ترکیبی قدرتمند از ابزارها، از جمله کتابخانه‌های پایتون با کارایی بالا و افزونه خدمات یادگیری ماشین، را مستقیماً در SQL Server برای ساده‌سازی تحلیل نشان می‌دهد. آدام نحوه استفاده از اسکریپت های پایتون را برای انجام تحلیل های آماری، تولید گرافیک هایی مانند نمودارهای پراکنده و میله ای و پردازش داده های جدولی نشان می دهد. او همچنین توضیح می دهد که چگونه می توان یک اسکریپت پایتون را به یک رویه ذخیره شده تبدیل کرد و سرویس های ML مستقل را برای اجرای اسکریپت ها بدون تأثیر بر عملکرد SQL Server راه اندازی کرد.

linkedin خدمات یادگیری ماشین SQL Server: R (Mitalearn-175029)

  • 2 hours 20 minutes
  • پیشرفته
  • Update date: 22 June 2026
  • Author: Adam Wilbert
درباره این دوره:

SQL Server اکنون از اجرای مستقیم کد R پشتیبانی می کند. این ادغام به تجزیه و تحلیل های پیچیده علم داده اجازه می دهد تا به سرعت در یک محیط امن، بدون نیاز به صادرات مجموعه داده ها، انجام شوند. در این دوره، آدام ویلبرت، متخصص پایگاه داده، مراحل فعال کردن اجزای مورد نیاز - از جمله خدمات یادگیری ماشین برای R- و نوشتن اسکریپت‌های پایه R را طی می‌کند. او همچنین نحوه بازیابی و کار با داده های ذخیره شده در جداول SQL Server، ایجاد تجسم داده ها با کتابخانه های R خارجی و اسکریپت های بسته را به عنوان رویه های ذخیره شده نشان می دهد. در پایان دوره، کاربران سنتی SQL Server می‌توانند عمیق‌تر در استفاده از R غوطه ور شوند و توسعه‌دهندگان سنتی R می‌توانند از استفاده از SQL Server به عنوان منبع داده برای ایجاد تحلیل‌هایی با عملکرد بالاتر استفاده کنند.

linkedin خطر امنیتی یادگیری ماشین و هوش مصنوعی: دسته بندی حملات و حالت های شکست (Mitalearn-255252)

  • 1 hours 11 minutes
  • مناسب همه
  • Release date: 23 February 2022
  • Author: Diana Kelley
درباره این دوره: 

 از پیش‌بینی نتایج پزشکی گرفته تا مدیریت صندوق‌های بازنشستگی، ما به فناوری یادگیری ماشین (ML) و هوش مصنوعی (AI) اعتماد زیادی داریم، حتی اگر می‌دانیم که آنها در برابر حملات آسیب‌پذیر هستند و گاهی اوقات می‌توانند ما را کاملاً شکست دهند. در این دوره آموزشی، مدرس دایانا کلی مثال‌های واقعی را از آخرین تحقیقات ML می‌آورد و راه‌هایی را که ML و AI ممکن است شکست بخورند، ارائه می‌دهد و نکاتی را در مورد نحوه طراحی، ساخت و نگهداری سیستم‌های انعطاف‌پذیر ارائه می‌دهد.

درباره اطلاعات کسب کنید. شکست‌های عمدی ناشی از حملات و شکست‌های غیرعمدی ناشی از نقص‌های طراحی و مسائل اجرایی. تهدیدات امنیتی و خطرات حریم خصوصی جدی هستند، اما با ابزارها و آماده سازی مناسب می توانید خود را برای کاهش آنها آماده کنید. دیانا برخی از مؤثرترین روش‌ها و تکنیک‌ها را برای ایجاد ML قوی و انعطاف‌پذیر، مانند بهداشت مجموعه داده‌ها، آموزش دشمنان، و کنترل دسترسی به APIها توضیح می‌دهد.

coursera خطرات اخلاقی را شناسایی و کاهش دهید (Mitalearn-327213)

  • 7 hours 52 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Renée Cummings,Jennifer Fischer,Eleanor 'Nell' Watson
درباره این دوره:

فن‌آوری‌های مبتنی بر داده‌ها مانند هوش مصنوعی، زمانی که با رعایت اصول اخلاقی طراحی شوند، هم برای کسب‌وکار و هم برای جامعه در کل مفید هستند. اما این کافی نیست که بگوییم "اخلاق" خواهید بود و انتظار داشته باشید که این اتفاق بیفتد. ما به ابزارها و تکنیک هایی نیاز داریم که به ما کمک کنند تا شکاف های موجود در رفتارهای اخلاقی خود را ارزیابی کنیم و تهدیدات علیه اهداف اخلاقی خود را شناسایی و متوقف کنیم. ما همچنین باید بدانیم کجا و چگونه فرآیندهای اخلاقی خود را در طول چرخه عمر توسعه بهبود دهیم. آنچه ما نیاز داریم راهی برای مدیریت ریسک اخلاقی است. این دوره سوم در گواهینامه حرفه‌ای Certified Ethical Emerging Technologist (CEET) برای یادگیرندگانی طراحی شده است که به دنبال کشف و کاهش خطرات اخلاقی در طراحی، توسعه و استقرار فناوری‌های مبتنی بر داده هستند. دانش‌آموزان اصول تحلیل ریسک اخلاقی، منابع ریسک و نحوه مدیریت انواع مختلف ریسک را خواهند آموخت. در طول دوره، فراگیران راهبردهایی برای شناسایی و کاهش خطرات را خواهند آموخت. این دوره سومین دوره از پنج دوره با گواهینامه حرفه ای Certified Ethical Emerging Technologist (CEET) است. دوره های قبلی با عنوان ترویج استفاده اخلاقی از فناوری های داده محور و تبدیل چارچوب های اخلاقی به گام های عملی است.

coursera خطوط لوله ML در Google Cloud (Mitalearn-336206)

  • 3 hours 3 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

در این دوره، شما از مهندسان و مربیان ML که با پیشرفته ترین توسعه خطوط لوله ML در اینجا در Google Cloud کار می کنند، یاد خواهید گرفت. چند ماژول اول در مورد TensorFlow Extended (یا TFX) که پلتفرم یادگیری ماشین تولیدی گوگل بر اساس TensorFlow برای مدیریت خطوط لوله ML و ابرداده است، پوشش می‌دهد. در مورد اجزای خط لوله و ارکستراسیون خط لوله با TFX خواهید آموخت. همچنین یاد خواهید گرفت که چگونه می توانید خط لوله خود را از طریق یکپارچه سازی مداوم و استقرار مستمر خودکار کنید و چگونه ابرداده های ML را مدیریت کنید. سپس تمرکز را تغییر خواهیم داد تا در مورد چگونگی خودکارسازی و استفاده مجدد از خطوط لوله ML در چندین چارچوب ML مانند tensorflow، pytorch، scikit Learn و xgboost بحث کنیم. همچنین یاد خواهید گرفت که چگونه از ابزار دیگری در Google Cloud یعنی Cloud Composer برای تنظیم خطوط لوله آموزش مداوم خود استفاده کنید. و در نهایت به نحوه استفاده از MLflow برای مدیریت چرخه زندگی یادگیری ماشین کامل خواهیم پرداخت. لطفا توجه داشته باشید که این دوره یک دوره پیشرفته است و برای استفاده حداکثری از این دوره، در حالت ایده آل، پیش نیازهای زیر را دارید: شما پیشینه ML خوبی دارید و خطوط لوله ML را ایجاد/استقرار کرده اید شما دوره های ML را با Tensorflow در تخصص GCP (یا حداقل چند دوره) گذرانده اید. شما دوره MLOps Fundamentals را به پایان رسانده اید. >>> با ثبت نام در این دوره، با شرایط خدمات Qwiklabs که در پرسش های متداول و در آدرس زیر آمده است موافقت می کنید: https://qwiklabs.com/terms_of_service <<<

coursera خلاقیت مصنوعی (Mitalearn-308088)

  • 1 hours 38 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jeongki Lim
درباره این دوره:

خلاقیت مصنوعی زمینه نوظهور خلاقیت در هوش مصنوعی (AI) را از منظر طراحی بررسی می‌کند و بینش‌های علوم کامپیوتر و رشته‌های خلاق را گرد هم می‌آورد. در این دوره، تاریخچه و نظریه‌های پشت هوش مصنوعی خلاق امروزی را بررسی می‌کنید، رویکردهای غیرمتعارفی را که این زمینه را پیشرفت داده‌اند، تجزیه و تحلیل می‌کنید و ابزارهای خلاقانه هوش مصنوعی پیشرفته را تجربه می‌کنید. در عین حال، روش‌های تحقیق در مورد تفکر طراحی، نحوه پیاده‌سازی آن‌ها برای بینش خلاقانه خود و نحوه ترجمه آن‌ها به زمینه‌های حرفه‌ای و تجاری را یاد خواهید گرفت. در طول دوره، شما از کامپیوتر خود فاصله می گیرید تا تحقیقات طراحی را انجام دهید و تکنیک ها و تئوری هایی را که هر هفته یاد می گیرید در موضوع مورد نظر خود به کار ببرید. شما همچنین از طریق بحث و گفتگو با زبان آموزان دیگر درگیر خواهید شد و در عین حال درک خود را از خلاقیت به چالش می کشید و گسترش می دهید.

coursera داده کاوی پایگاه های داده بالینی - CDSS 1 (Mitalearn-333452)

  • 3 hours 32 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Fani Deligianni
درباره این دوره:

این دوره آموزشی MIMIC-III را معرفی می کند، که بزرگترین پایگاه داده عمومی ثبت الکترونیک سلامت (EHR) است که برای معیار الگوریتم های یادگیری ماشینی موجود است. به طور خاص، با طراحی این پایگاه داده رابطه‌ای آشنا خواهید شد که چه ابزارهایی برای پرس و جو، استخراج و تجسم تجزیه و تحلیل توصیفی در دسترس است. طرح‌واره و کدگذاری طبقه‌بندی بین‌المللی بیماری‌ها برای درک چگونگی ترسیم سؤالات تحقیقاتی به داده‌ها و چگونگی استخراج نتایج بالینی کلیدی به منظور توسعه الگوریتم‌های یادگیری ماشینی مفید بالینی مهم است.

coursera داده ها برای یادگیری ماشین (Mitalearn-333979)

  • 3 hours 38 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Anna Koop
درباره این دوره:

این دوره همه چیز در مورد داده ها است و اینکه چگونه برای موفقیت مدل یادگیری ماشین کاربردی شما بسیار مهم است. گذراندن این دوره به زبان آموزان این مهارت ها را می دهد: درک عناصر حیاتی داده ها در مراحل یادگیری، آموزش و عملیات سوگیری ها و منابع داده را درک کنید تکنیک هایی را برای بهبود کلیت مدل خود اجرا کنید عواقب بیش از حد برازش را توضیح دهید و اقدامات کاهشی را شناسایی کنید اقدامات آزمون و اعتبارسنجی مناسب را اجرا کنید. نشان دهید که چگونه می توان دقت مدل شما را با مهندسی ویژگی های متفکرانه بهبود بخشید. تأثیر پارامترهای الگوریتم بر قدرت مدل را بررسی کنید برای موفقیت در این دوره، باید حداقل پیشینه سطح مبتدی در برنامه نویسی پایتون داشته باشید (به عنوان مثال، بتوانید کدهای موجود را بخوانید و کدنویسی کنید، با شرط 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 سومین دوره از تخصص یادگیری ماشین کاربردی است که توسط Coursera و موسسه هوش ماشین آلبرتا برای شما آورده شده است.

linkedin داکر برای دانشمندان داده (Mitalearn-185637)

  • 46 minutes
  • مبتدی
  • Release date: 22 June 2026
  • Author: Jonathan Fernandes
درباره این دوره:

در زمینه‌ای که نتایج تکرارپذیر ضروری است، داکر به سرعت در حال ظهور به عنوان یکی از ابزارهای برتر برای کارآمدی در کاری است که تیم‌های علم داده – به‌ویژه آن‌هایی که در یادگیری ماشین (ML) کار می‌کنند – انجام می‌دهند. ایجاد و توسعه مدل های ML اغلب کثیف است. دانشمندان داده باتجربه می دانند که نسخه های مختلف یک نرم افزار می توانند نتایج متفاوتی تولید کنند. با Docker، می‌توانید نسخه‌های مناسب هر وابستگی و کتابخانه مورد نیاز را اضافه کنید، بنابراین هیچ‌کس نیازی به انجام هیچ گونه پیکربندی ندارد. پس از ساخته شدن Dockerfile، دقیقا همان چیزی را که نیاز دارید خواهید داشت. در این دوره، جاناتان فرناندز به دانشمندان داده کمک می‌کند تا با Docker راه‌اندازی کنند و نحوه ساخت یک برنامه Dockerized ML را نشان دهند که به راحتی قابل اشتراک‌گذاری باشد. در طول راه، او موارد استفاده رایج از این ابزار را به اشتراک می گذارد. پس از پایان این دوره، شما آماده خواهید بود که از قدرت کانتینرها در سایر پروژه های ML خود استفاده کنید.

coursera درختان تصمیم گیری، SVM ها و شبکه های عصبی مصنوعی بسازید (Mitalearn-331480)

  • 3 hours 13 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Stacey McBrine
درباره این دوره:

انواع مختلفی از الگوریتم های یادگیری ماشین وجود دارد که هر کدام دارای ویژگی های خاصی هستند که ممکن است آن را کم و بیش برای حل یک مشکل خاص مناسب کند. درخت‌های تصمیم و ماشین‌های بردار پشتیبان (SVM) دو نمونه از الگوریتم‌هایی هستند که هم می‌توانند مشکلات رگرسیون و طبقه‌بندی را حل کنند، اما کاربردهای متفاوتی دارند. به همین ترتیب، یک رویکرد پیشرفته تر به یادگیری ماشین، به نام یادگیری عمیق، از شبکه های عصبی مصنوعی (ANN) برای حل این نوع مشکلات و موارد دیگر استفاده می کند. افزودن همه این الگوریتم ها به مجموعه مهارت شما برای انتخاب بهترین ابزار برای کار بسیار مهم است. این چهارمین دوره و آخرین دوره با گواهینامه حرفه‌ای متخصص هوش مصنوعی (CAIP) با معرفی الگوریتم‌های بیشتر و در برخی موارد پیشرفته‌تر مورد استفاده در یادگیری ماشین و یادگیری عمیق، از دوره قبلی ادامه می‌یابد. مانند قبل، چندین مدل خواهید ساخت که می تواند مشکلات تجاری را حل کند، و این کار را در یک گردش کار انجام خواهید داد. در نهایت، این دوره به کاوش فنی الگوریتم های مختلف یادگیری ماشین و نحوه استفاده از آنها برای ساخت مدل های حل مسئله پایان می دهد.

datacamp درک یادگیری ماشینی (Mitalearn-398936)

  • 52 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Hadrien Lacroix,Sara Billen,Lis Sulmont
درباره این دوره:

چه چیزی پشت تبلیغات یادگیری ماشینی نهفته است؟ در این دوره غیر فنی، همه چیزهایی را که از پرسیدن در مورد یادگیری ماشین می‌ترسیدید، یاد خواهید گرفت. نیازی به کدنویسی نیست تمرین‌های عملی به شما کمک می‌کند از اصطلاحات واژگان رد شوید و بیاموزید که چگونه این فناوری هیجان‌انگیز همه چیز را از ماشین‌های خودران گرفته تا پیشنهادات خرید شخصی‌تان در آمازون را تقویت می‌کند.

یادگیری ماشین چگونه کار می کند، چه زمانی می توانید از آن استفاده کنید، و تفاوت بین هوش مصنوعی و یادگیری ماشینی چیست؟ همه آنها پوشیده شده اند در این زمینه بسیار پرتقاضا و تأثیرگذار مهارت‌هایی به دست آورید و کشف کنید که چرا یادگیری ماشین برای همه مناسب است!

coursera دنباله ها، سری های زمانی و پیش بینی (Mitalearn-332177)

  • 1 hours 34 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 این دوره چهارم با نحوه ساخت مدل های سری زمانی در TensorFlow آشنا می شوید. ابتدا بهترین شیوه ها را برای تهیه داده های سری زمانی پیاده سازی خواهید کرد. همچنین بررسی خواهید کرد که چگونه RNN و ConvNets 1D می توانند برای پیش بینی استفاده شوند. در نهایت، همه چیزهایی را که در سرتاسر Specialization آموخته‌اید، برای ساختن یک مدل پیش‌بینی لکه‌های خورشیدی با استفاده از داده‌های دنیای واقعی اعمال خواهید کرد! 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 راه حل های یادگیری ماشین را با Azure بسازید و اجرا کنید (Mitalearn-330664)

  • 1 hours 18 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

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

linkedin راهنمای کامل Google BigQuery برای داده ها و مهندسان ML (Mitalearn-415171)

  • 4 hours 22 minutes
  • مناسب همه
  • Release date: 15 August 2025
  • Author: Pearson,Dan Sullivan
درباره این دوره: 

 داده ها و امکان تجزیه و تحلیل آن و استفاده از آن برای ساخت مدل های یادگیری ماشین ، نوآوری و روش های جدید سازماندهی کار در مشاغل است. Google BigQuery ، پلت فرم داده گسترده استفاده شده را برای انبارداری داده ، تجزیه و تحلیل و یادگیری ماشین وارد کنید. BigQuery به عنوان یک پیشنهاد سرور مدیریت شده و بدون سرور از Google Cloud ارائه می شود که به شما امکان می دهد زمان کمتری را برای حفظ زیرساخت ها و زمان بیشتری برای ساختن سیستم های یادگیری ماشین و استخراج بینش از داده ها صرف کنید. در این دوره ، به مربی دن سالیوان بپیوندید زیرا او به شما نشان می دهد که چگونه می توانید از BigQuery به عنوان یک مهندس داده یا یادگیری ماشین استفاده کنید. در طول راه ، مهارت های اساسی را برای مصرف داده ها ، تبدیل داده ها برای تهیه آن برای تجزیه و تحلیل ، و ساخت ، ارزیابی ، استقرار و نظارت بر مدل ها در تولید کشف کنید.

coursera رگرسیون و طبقه بندی (Mitalearn-331327)

  • 3 hours 49 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: James Bird
درباره این دوره:

مقدمه ای بر یادگیری آماری مفاهیمی را در مدل سازی آماری بررسی می کند، مانند زمان استفاده از مدل های خاص، نحوه تنظیم آن مدل ها، و اینکه آیا گزینه های دیگر معاوضه های خاصی را ارائه می دهند. ما رگرسیون، طبقه‌بندی، درختان، نمونه‌برداری مجدد، تکنیک‌های بدون نظارت و موارد دیگر را پوشش خواهیم داد! این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، گذراند. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید.

coursera روش های جدید کار در دنیای هوش مصنوعی (Mitalearn-330885)

  • متوسط
  • Release date: 27 June 2026
  • Author: Michael A M Davies
درباره این دوره:

در حالی که سایر برنامه ها حول فناوری های هوش مصنوعی سازماندهی شده اند، این برنامه بر ایجاد ارزش در کسب و کار شما متمرکز است. در طول دو مرحله این برنامه، درک کاملی از ویژگی‌های فناوری به‌دست خواهید آورد و سپس برای شفاف‌سازی چالش کسب‌وکار و منبع داده‌تان تلاش می‌کنید، بنابراین می‌توانید فناوری‌های هوش مصنوعی مناسب را برای اتصال این دو انتخاب کنید.

Suggestions