Course catalog

Course duration

Course provider

Topic

Categories

Showing 161-180 of 409 items.

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 اجرایی برای یادگیری ماشینی انسان در حلقه و حاشیه نویسی داده ها (Mitalearn-390164)

  • 1 hours 2 minutes
  • مناسب همه
  • Release date: 25 July 2026
  • Author: Keith McCormick
درباره این دوره:

یادگیری ماشینی انسان در حلقه همه چیز در مورد یادگیری مداوم است. و به عنوان یک فرآیند، در حال تبدیل شدن به یک جزء رایج و حیاتی فن آوری های در حال ظهور است. از تجزیه و تحلیل مراقبت های بهداشتی و بینایی کامپیوتر گرفته تا وسایل نقلیه خودران و پردازش زبان طبیعی، یادگیری ماشینی انسان در حلقه همه جا وجود دارد، اما هنوز به طور گسترده ای سوء تفاهم وجود دارد. این دوره برای پر کردن این شکاف ها و به سرعت شما را به سرعت در نظر گرفته است. به مربی کیت مک کورمیک بپیوندید تا صنعتی را که برای پشتیبانی از این چالش به وجود آمده است، چرایی اهمیت آن و نحوه ارتباط آن با وظایف دنیای واقعی در حاشیه نویسی داده ها بررسی می کند. برخی از رایج ترین موارد استفاده را در اکوسیستم بزرگتر انسان در حلقه کشف کنید. در طول مسیر، کیت به شما نشان می دهد که چگونه پروژه حاشیه نویسی داده های خود را با موفقیت پیاده سازی و مدیریت کنید، از جمله مهارت های اساسی مورد نیاز برای کنترل کیفیت، نمونه گیری، یادگیری فعال و پیشگیری از سوگیری.

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.

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.

Suggestions