Course catalog

Course duration

Course provider

Topic

Categories

Showing 161-180 of 382 items.

datacamp روش های گروهی در پایتون (Mitalearn-403118)

  • 1 hours 5 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Román de las Heras
درباره این دوره:

با غواصی در دنیای شگفت انگیز روش های یادگیری گروهی به سفر یادگیری ماشینی خود ادامه دهید! اینها یک کلاس هیجان انگیز از تکنیک های یادگیری ماشین هستند که چندین الگوریتم فردی را برای افزایش عملکرد و حل مسائل پیچیده در مقیاس در صنایع مختلف ترکیب می کنند. تکنیک های گروه به طور منظم در مسابقات یادگیری ماشین آنلاین نیز برنده می شوند! در این دوره، شما همه چیز را در مورد این تکنیک های پیشرفته گروه، مانند کیسه کردن، تقویت، و انباشتن یاد خواهید گرفت. آنها را با استفاده از کتابخانه‌های پیشرفته یادگیری ماشین Python مانند scikit-learn، XGBoost، CatBoost و mlxtend در مجموعه‌های داده دنیای واقعی اعمال خواهید کرد.

coursera روش های یادگیری عمیق برای مراقبت های بهداشتی (Mitalearn-336682)

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

این دوره روش های یادگیری عمیق (DL)، داده های مراقبت های بهداشتی و برنامه های کاربردی با استفاده از روش های DL را پوشش می دهد. 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 روش های یادگیری عمیق پیشرفته برای مراقبت های بهداشتی (Mitalearn-336716)

  • 3 hours 28 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Jimeng Sun
درباره این دوره:

این دوره روش های یادگیری عمیق (DL)، داده های مراقبت های بهداشتی و برنامه های کاربردی با استفاده از روش های DL را پوشش می دهد. 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 روش های یادگیری مبتنی بر نمونه (Mitalearn-330205)

  • 3 hours 1 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Martha White,Adam White
درباره این دوره:

در این دوره، با چندین الگوریتم آشنا خواهید شد که می توانند سیاست های نزدیک به بهینه را بر اساس تعامل آزمون و خطا با محیط بیاموزند --- یادگیری از تجربه خود عامل. یادگیری از تجربه واقعی قابل توجه است زیرا نیازی به دانش قبلی در مورد پویایی محیط ندارد، اما هنوز می تواند به رفتار مطلوب دست یابد. ما روش های مونت کارلو ساده اما قدرتمند و روش های یادگیری تفاوت زمانی از جمله یادگیری Q را پوشش خواهیم داد. ما این دوره را با بررسی اینکه چگونه می‌توانیم بهترین‌ها را از هر دو دنیا بدست آوریم، به پایان می‌رسانیم: الگوریتم‌هایی که می‌توانند برنامه‌ریزی مبتنی بر مدل (مشابه برنامه‌نویسی پویا) و به‌روزرسانی‌های تفاوت زمانی را برای تسریع اساسی یادگیری ترکیب کنند. در پایان این دوره شما قادر خواهید بود: - یادگیری تفاوت زمانی و مونت کارلو را به عنوان دو استراتژی برای تخمین توابع ارزش از تجربه نمونه برداری شده درک کنید. - درک اهمیت اکتشاف، هنگام استفاده از تجربه نمونه برداری شده به جای برنامه نویسی پویا در یک مدل - ارتباط بین Monte Carlo و Dynamic Programming و TD را درک کنید. - پیاده سازی و اعمال الگوریتم TD، برای تخمین توابع مقدار - پیاده سازی و اعمال Expected Sarsa و Q-Learning (دو روش TD برای کنترل) - تفاوت بین کنترل در سیاست و خارج از سیاست را درک کنید - درک برنامه ریزی با تجربه شبیه سازی شده (بر خلاف استراتژی های برنامه ریزی کلاسیک) - یک رویکرد مبتنی بر مدل برای RL به نام Dyna پیاده سازی کنید که از تجربه شبیه سازی شده استفاده می کند - یک مطالعه تجربی برای مشاهده بهبود کارایی نمونه در هنگام استفاده از Dyna انجام دهید

coursera ریاضیات برای یادگیری ماشین: PCA (Mitalearn-332704)

  • 2 hours 19 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Marc Peter Deisenroth
درباره این دوره:

این دوره در سطح متوسط، مبانی ریاضی را برای استخراج تجزیه و تحلیل مؤلفه اصلی (PCA)، یک تکنیک کاهش ابعاد بنیادی معرفی می‌کند. ما برخی از آمارهای اولیه مجموعه داده‌ها را پوشش می‌دهیم، مانند مقادیر میانگین و واریانس، فاصله‌ها و زوایای بین بردارها را با استفاده از محصولات داخلی محاسبه می‌کنیم و پیش‌بینی‌های متعامد داده‌ها را بر روی فضاهای فرعی با ابعاد پایین‌تر استخراج می‌کنیم. با استفاده از همه این ابزارها، ما PCA را به عنوان روشی استخراج می کنیم که میانگین مربعات خطای بازسازی بین نقاط داده و بازسازی آنها را به حداقل می رساند. در پایان این دوره، شما با مفاهیم مهم ریاضی آشنا می شوید و می توانید PCA را به تنهایی پیاده سازی کنید. اگر مشکل دارید، مجموعه‌ای از نوت‌بوک‌های ژوپیتر را پیدا خواهید کرد که به شما امکان می‌دهند ویژگی‌های تکنیک‌ها را کشف کنید و آنچه را که برای رسیدن به مسیر باید انجام دهید، راهنمایی کنید. اگر قبلاً متخصص هستید، این دوره ممکن است بخشی از دانش شما را تازه کند. سخنرانی ها، مثال ها و تمرین ها نیاز دارند: 1. برخی از توانایی های تفکر انتزاعی 2. پیشینه خوب در جبر خطی (به عنوان مثال جبر ماتریسی و برداری، استقلال خطی، مبنا) 3. پیشینه اساسی در حساب چند متغیره (به عنوان مثال، مشتقات جزئی، بهینه سازی اساسی) 4. دانش اولیه در برنامه نویسی پایتون و numpy سلب مسئولیت: این دوره به طور قابل ملاحظه ای انتزاعی تر است و به برنامه نویسی بیشتری نسبت به دو دوره دیگر تخصصی نیاز دارد. با این حال، اگر می‌خواهید الگوریتم‌های یادگیری ماشین را درک و توسعه دهید، این نوع تفکر انتزاعی، دستکاری جبری و برنامه‌نویسی ضروری است.

coursera ریاضیات برای یادگیری ماشین: جبر خطی (Mitalearn-326499)

  • 3 hours 45 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: David Dye,Samuel J. Cooper,A. Freddie Page
درباره این دوره:

در این دوره در مورد جبر خطی، به بررسی این موضوع می پردازیم که جبر خطی چیست و چگونه با بردارها و ماتریس ها ارتباط دارد. سپس بررسی می کنیم که بردارها و ماتریس ها چیست و چگونه با آنها کار کنیم، از جمله مسئله گره ای مقادیر ویژه و بردارهای ویژه، و نحوه استفاده از آنها برای حل مسائل. در نهایت به نحوه استفاده از اینها برای انجام کارهای سرگرم کننده با مجموعه داده ها می پردازیم - مانند نحوه چرخش تصاویر چهره ها و نحوه استخراج بردارهای ویژه برای بررسی نحوه عملکرد الگوریتم Pagerank. از آنجایی که هدف ما برنامه‌های مبتنی بر داده است، برخی از این ایده‌ها را نه فقط روی مداد و کاغذ، به صورت کد پیاده‌سازی می‌کنیم. در پایان دوره، بلوک‌های کد می‌نویسید و با نوت‌بوک‌های Jupyter در پایتون مواجه می‌شوید، اما نگران نباشید، این‌ها کاملاً کوتاه هستند، روی مفاهیم متمرکز هستند و اگر قبلاً کدنویسی نکرده‌اید، شما را راهنمایی می‌کنند. در پایان این دوره، درک شهودی از بردارها و ماتریس ها خواهید داشت که به شما کمک می کند شکاف را به مسائل جبر خطی پر کنید و چگونه این مفاهیم را در یادگیری ماشین به کار ببرید.

coursera ساخت برنامه های کاربردی هوش مصنوعی با API های Watson (Mitalearn-330256)

  • 57 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Antonio Cangiano
درباره این دوره:

یک زبان آموز می تواند برنامه ای بنویسد که از چندین سرویس هوش مصنوعی Watson (کشف، گفتار به متن، دستیار و متن به گفتار) استفاده کند. در پایان دوره، آنها بهترین شیوه های ترکیب سرویس های Watson و نحوه ایجاد سیستم های بازیابی اطلاعات تعاملی با Discovery + Assistant را خواهند آموخت.

linkedin ساخت برنامه های یادگیری عمیق با Keras 2.0 (2017) (Mitalearn-120221)

  • 1 hours 24 minutes
  • متوسط
  • Release date: 1 August 2017
  • Author: Adam Geitgey
درباره این دوره:

Keras یک چارچوب برنامه نویسی محبوب برای یادگیری عمیق است که فرآیند ساخت برنامه های یادگیری عمیق را ساده می کند. به جای ارائه تمام عملکردها، از TensorFlow یا Theano در پشت صحنه استفاده می کند و یک رابط برنامه نویسی استاندارد و ساده را در بالا اضافه می کند. در این دوره آموزشی، نحوه نصب Keras را یاد بگیرید و از آن برای ساخت یک مدل یادگیری عمیق ساده استفاده کنید. بسیاری از مدل‌های یادگیری عمیق از قبل آموزش‌دیده قدرتمند موجود در Keras و نحوه استفاده از آنها را کاوش کنید. نحوه استقرار مدل‌های Keras و نحوه انتقال داده‌ها بین Keras و TensorFlow را بیابید تا بتوانید در حین استفاده از Keras از تمام ابزارهای TensorFlow بهره ببرید. هنگامی که این دوره را به پایان می رسانید، آماده شروع ساخت و استقرار مدل های خود با Keras خواهید بود.

datacamp ساخت چت ربات در پایتون (Mitalearn-402727)

  • 59 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Alan Nichol
درباره این دوره:

دستگاه‌های پیام‌رسان و کنترل‌شده صوتی پلتفرم‌های بزرگ بعدی هستند و محاسبات مکالمه نقش مهمی در ایجاد تجربه‌های جذاب واقعیت افزوده و مجازی دارد. این دوره شما را در مسیر ساخت چنین برنامه هایی آغاز می کند. تعدادی چالش منحصر به فرد برای ساخت این نوع برنامه ها وجود دارد، مانند اینکه چگونه زبان انسانی را به دستورالعمل برای ماشین ها تبدیل کنم؟ در این دوره، ابتدا با سیستم های مبتنی بر قوانین و سپس با یادگیری ماشینی به این موضوع می پردازید. برخی از سیستم های چت به گونه ای طراحی شده اند که مفید باشند، در حالی که برخی دیگر فقط سرگرم کننده هستند. شما یکی از هرکدام را خواهید ساخت و همه چیز را کنار هم می گذارید تا یک چت بات مفید و دوستانه بسازید. پس از تکمیل دوره، همچنین یاد خواهید گرفت که چگونه ربات چت خود را به Facebook Messenger متصل کنید!

coursera ساخت دریاچه های داده در AWS (Mitalearn-332738)

  • 2 hours 31 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Rafael Lopes,Alex G.
درباره این دوره:

دوره سطح پایه معمولاً برای افرادی طراحی شده است که درک پایه ای از مفاهیم ذخیره سازی و پردازش داده دارند، اما تجربه قبلی در مورد ساخت دریاچه های داده در AWS به طور خاص کم یا بدون تجربه هستند. پس از مقدمه ای کوتاه در مورد دریاچه های داده، دریافت داده ها، فهرست نویسی و آماده سازی را معرفی می کنیم و در پایان با مروری بر داده های پرس و جو با آمازون آتنا به پایان می رسیم. این دوره با مروری بر سازند دریاچه AWS، از جمله یک آزمایشگاه عملی که در آن یک دریاچه داده بسازید، ادامه خواهد یافت. سپس پردازش داده و تجزیه و تحلیل را با استفاده از چسب AWS قبل از فرو رفتن در ایجاد دریاچه داده‌های خودکار با استفاده از طرح‌های Lake Formation معرفی می‌کنیم. در نهایت، ما با Modern Data Architectures در AWS با آزمایشگاهی که انتشار و مصرف محصولات داده را به عنوان یک سرویس پوشش می دهد، پایان می دهیم.

linkedin ساخت سیستم‌های توصیه‌کننده با یادگیری ماشین و هوش مصنوعی (Mitalearn-184379)

  • 9 hours 5 minutes
  • متوسط
  • Update date: 22 June 2026
  • Author: Frank Kane
درباره این دوره:

توصیه های خودکار در همه جا وجود دارد: نتفلیکس، آمازون، یوتیوب و موارد دیگر. سیستم‌های توصیه‌کننده درباره علایق منحصربه‌فرد شما می‌آموزند و محصولات یا محتوایی را که فکر می‌کنند بیشتر دوست دارید نشان می‌دهند. کشف کنید که چگونه می توانید سیستم های توصیه کننده خود را از یکی از پیشگامان در این زمینه بسازید. فرانک کین بیش از 9 سال را در آمازون گذراند، جایی که او توسعه بسیاری از فناوری‌های سفارشی محصول شخصی‌شده شرکت را رهبری کرد. در این دوره، او الگوریتم‌های توصیه مبتنی بر فیلتر مشارکتی مبتنی بر همسایگی و تکنیک‌های مدرن‌تر، از جمله فاکتورسازی ماتریس و حتی یادگیری عمیق با شبکه‌های عصبی مصنوعی را پوشش می‌دهد. در طول مسیر، می‌توانید از تجربه گسترده فرانک در صنعت بیاموزید و چالش‌های دنیای واقعی استفاده از این الگوریتم‌ها را در مقیاس بزرگ با داده‌های دنیای واقعی درک کنید. همچنین می‌توانید با استفاده از فناوری‌هایی مانند Amazon DSSTNE، AWS SageMaker و TensorFlow، چارچوب خود را برای آزمایش الگوریتم‌ها توسعه دهید و شبکه‌های عصبی خود را بسازید.

coursera ساخت شبکه های متخاصم مولد اولیه (GAN) (Mitalearn-332245)

  • 2 hours 27 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Sharon Zhou,Eda Zhou,Eric Zelikman
درباره این دوره:

در این دوره، شما: - در مورد GAN ها و کاربردهای آنها بیاموزید - درک شهود پشت اجزای اساسی GAN ها - کاوش و پیاده سازی چندین معماری GAN - ساخت GAN های شرطی که قادر به تولید نمونه هایی از دسته های تعیین شده هستند تخصص شبکه‌های متخاصم مولد (GAN) DeepLearning.AI مقدمه‌ای هیجان‌انگیز برای تولید تصویر با GAN‌ها فراهم می‌کند و مسیری را از مفاهیم پایه به تکنیک‌های پیشرفته از طریق یک رویکرد آسان برای درک ترسیم می‌کند. همچنین پیامدهای اجتماعی، از جمله سوگیری در ML و راه های تشخیص آن، حفظ حریم خصوصی و موارد دیگر را پوشش می دهد. ایجاد یک پایگاه دانش جامع و کسب تجربه عملی در GAN. مدل خود را با استفاده از PyTorch آموزش دهید، از آن برای ایجاد تصاویر و ارزیابی انواع GAN های پیشرفته استفاده کنید. این تخصص مسیری قابل دسترس برای همه سطوح یادگیرندگانی که به دنبال نفوذ به فضای GAN یا استفاده از GAN در پروژه های خود هستند، حتی بدون آشنایی قبلی با تحقیقات پیشرفته ریاضی و یادگیری ماشین، فراهم می کند.

coursera ساخت شبکه‌های متخاصم مولد بهتر (GAN) (Mitalearn-332381)

  • 2 hours 22 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Sharon Zhou,Eda Zhou,Eric Zelikman
درباره این دوره:

در این دوره، شما: - چالش های ارزیابی GAN ها و مقایسه مدل های مختلف تولیدی را ارزیابی کنید - از روش Fréchet Inception Distance (FID) برای ارزیابی درستی و تنوع GAN ها استفاده کنید. - شناسایی منابع سوگیری و راه های تشخیص آن در GAN - تکنیک های مرتبط با StyleGAN های پیشرفته را بیاموزید و اجرا کنید تخصص شبکه‌های متخاصم مولد (GAN) DeepLearning.AI مقدمه‌ای هیجان‌انگیز برای تولید تصویر با GAN‌ها فراهم می‌کند و مسیری را از مفاهیم پایه به تکنیک‌های پیشرفته از طریق یک رویکرد آسان برای درک ترسیم می‌کند. همچنین پیامدهای اجتماعی، از جمله سوگیری در ML و راه های تشخیص آن، حفظ حریم خصوصی و موارد دیگر را پوشش می دهد. ایجاد یک پایگاه دانش جامع و کسب تجربه عملی در GAN. مدل خود را با استفاده از PyTorch آموزش دهید، از آن برای ایجاد تصاویر و ارزیابی انواع GAN های پیشرفته استفاده کنید. این تخصص مسیری قابل دسترس برای همه سطوح یادگیرندگانی که به دنبال نفوذ به فضای GAN یا استفاده از GAN در پروژه های خود هستند، حتی بدون آشنایی قبلی با تحقیقات پیشرفته ریاضی و یادگیری ماشین، فراهم می کند.

coursera ساخت مدل های رگرسیون، طبقه بندی و خوشه بندی (Mitalearn-331531)

  • 1 hours 43 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Anastas Stoyanovsky
درباره این دوره:

در بیشتر موارد، هدف نهایی یک پروژه یادگیری ماشینی، تولید یک مدل است. مدل‌ها تصمیم‌گیری می‌کنند، پیش‌بینی می‌کنند – هر چیزی که می‌تواند به کسب‌وکار کمک کند تا بهتر از یک انسان، خود، مشتریان و محیطش را درک کند. مدل‌ها با استفاده از الگوریتم‌ها ساخته می‌شوند و در دنیای یادگیری ماشین، الگوریتم‌های مختلفی برای انتخاب وجود دارد. شما باید بدانید که چگونه بهترین الگوریتم را برای یک کار مشخص انتخاب کنید، و چگونه از آن الگوریتم برای تولید یک مدل کاری استفاده کنید که ارزشی برای کسب و کار فراهم کند. این دوره سوم در گواهینامه حرفه‌ای متخصص هوش مصنوعی (CAIP) شما را با برخی از الگوریتم‌های اصلی یادگیری ماشینی آشنا می‌کند که برای حل دو مشکل رایج تحت نظارت استفاده می‌شوند: رگرسیون و طبقه‌بندی، و یکی از رایج‌ترین مشکلات بدون نظارت: خوشه‌بندی. . با استفاده از گردش کار یادگیری ماشینی که در دوره قبلی در مورد آن آموختید، چندین مدل برای رفع هر یک از این مشکلات خواهید ساخت. در نهایت، این دوره یک کاوش فنی از الگوریتم های مختلف یادگیری ماشین و نحوه استفاده از آنها برای ساخت مدل های حل مسئله را آغاز می کند.

datacamp ساخت موتورهای پیشنهادی با PySpark (Mitalearn-405124)

  • 50 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Jamen Long
درباره این دوره:

این دوره به شما نشان می دهد که چگونه موتورهای توصیه را با استفاده از حداقل مربعات متناوب در PySpark بسازید. با استفاده از مجموعه داده محبوب MovieLens و مجموعه داده میلیون آهنگ، این دوره شما را گام به گام از طریق شهود الگوریتم حداقل مربعات متناوب و همچنین کد آموزش، آزمایش و پیاده‌سازی مدل‌های ALS بر روی انواع مختلف داده‌های مشتری، راهنمایی می‌کند.

datacamp ساخت موتورهای پیشنهادی در پایتون (Mitalearn-403526)

  • 59 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Robert O'Callaghan
درباره این دوره:

ما انتظار تجربه‌های شخصی‌سازی شده آنلاین را داریم—خواه نتفلیکس نمایشی را توصیه می‌کند یا خرده‌فروشی آنلاینی که اقلامی را پیشنهاد می‌کند که شما نیز بخواهید بخرید. اما این پیشنهادات چگونه تولید می شوند؟ در این دوره، همه چیزهایی را که برای ایجاد موتور توصیه خود نیاز دارید، یاد خواهید گرفت. از طریق تمرینات عملی، با دو سیستم رایج، فیلتر مشارکتی و فیلتر مبتنی بر محتوا، آشنا خواهید شد. در مرحله بعد، نحوه اندازه‌گیری شباهت‌هایی مانند فاصله ژاکارد و شباهت کسینوس و نحوه ارزیابی کیفیت توصیه‌ها در داده‌های آزمایشی با استفاده از ریشه میانگین مربعات خطا (RMSE) را یاد خواهید گرفت. در پایان این دوره، شما موتور پیشنهاد فیلم خود را ساخته اید و می توانید مهارت های پایتون خود را برای ایجاد این سیستم ها برای هر صنعتی به کار ببرید.

linkedin ساخت و استقرار برنامه های یادگیری عمیق با TensorFlow (Mitalearn-120204)

  • 1 hours 46 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Adam Geitgey
درباره این دوره:

TensorFlow یکی از محبوب ترین چارچوب های یادگیری عمیق موجود است. این برای همه چیز استفاده می شود، از تحقیقات پیشرفته یادگیری ماشین گرفته تا ایجاد ویژگی های جدید برای داغ ترین استارت آپ ها در Silicon Valley. در این دوره آموزشی، نحوه نصب TensorFlow را یاد بگیرید و از آن برای ساخت یک مدل یادگیری عمیق ساده استفاده کنید. بعد از اینکه مربی Adam Geitgey نشان داد که چگونه TensorFlow را راه اندازی و اجرا کنید، نحوه ایجاد و آموزش یک مدل یادگیری ماشینی و همچنین نحوه استفاده از ابزارهای تجسم برای تجزیه و تحلیل و بهبود مدل خود را نشان می دهد. در نهایت، او نحوه استقرار مدل ها را به صورت محلی یا در فضای ابری توضیح می دهد. وقتی این دوره را به پایان می رسانید، آماده شروع ساخت و استقرار مدل های خود با TensorFlow خواهید بود.

linkedin ساخت یک سیستم توصیه با یادگیری ماشین پایتون و هوش مصنوعی (Mitalearn-110123)

  • 1 hours 38 minutes
  • متوسط
  • Release date: 28 June 2026
  • Author: Lillian Pierson, P.E.
درباره این دوره:

نحوه استفاده از پایتون – و برخی مفاهیم ضروری یادگیری ماشین – برای ساخت برنامه‌هایی که می‌توانند توصیه‌هایی ارائه کنند را بیابید. در این دوره آموزشی، لیلیان پیرسون، P.E. انواع مختلف سیستم های توصیه را پوشش می دهد و نحوه ساخت هر یک را نشان می دهد. او به شما کمک می‌کند مفاهیمی را که در پس نحوه عملکرد سیستم‌های توصیه وجود دارد، با ارائه یک سری مثال‌ها و تمرین‌ها بیاموزید. هنگامی که با مفاهیم زیربنایی آشنا شدید، لیلیان توضیح می‌دهد که چگونه از روش‌های آماری و یادگیری ماشینی برای ایجاد توصیه‌کننده‌های خود استفاده کنید. او نشان می‌دهد که چگونه با استفاده از کتابخانه Pandas یک توصیه‌کننده مبتنی بر محبوبیت بسازیم، چگونه موارد مشابه را بر اساس همبستگی توصیه کنیم، و چگونه الگوریتم‌های مختلف یادگیری ماشین را برای ارائه توصیه‌ها به کار ببریم. در پایان دوره، او نشان می دهد که چگونه ارزیابی شود که کدام توصیه کننده بهترین عملکرد را داشته است.

coursera ساخت، آموزش، و استقرار خطوط لوله ML با استفاده از BERT (Mitalearn-336563)

  • 2 hours 20 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Antje Barth
درباره این دوره:

در دوره دوم تخصص عملی علم داده، شما یاد خواهید گرفت که یک کار پردازش زبان طبیعی را با ایجاد یک خط لوله یادگیری ماشینی انتها به انتها با استفاده از اجرای بسیار بهینه شده Hugging Face از پیشرفته ترین الگوریتم BERT، خودکار کنید. با آمازون SageMaker Pipelines. خط لوله شما ابتدا مجموعه داده را به ویژگی های قابل خواندن BERT تبدیل می کند و ویژگی ها را در فروشگاه ویژگی Amazon SageMaker ذخیره می کند. سپس یک مدل طبقه‌بندی متن را با استفاده از یک مدل از پیش آموزش‌دیده Hugging Face که درک زبان انسان را از میلیون‌ها سند ویکی‌پدیا آموخته است، به مجموعه داده تنظیم می‌کند. در نهایت، خط لوله شما دقت مدل را ارزیابی می کند و تنها در صورتی مدل را به کار می گیرد که دقت از یک آستانه معین فراتر رود. 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.

Suggestions