Course catalog

Course duration

Course provider

Topic

Categories

Showing 17,161-17,180 of 17,361 items.

datacamp یادگیری ماشین با کارت در R (Mitalearn-404869)

  • 51 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Zachary Deane-Mayer,Max Kuhn
درباره این دوره:

یادگیری ماشینی مطالعه و کاربرد الگوریتم‌هایی است که از داده‌ها یاد می‌گیرند و پیش‌بینی می‌کنند. از نتایج جستجو گرفته تا خودروهای خودران، در همه زمینه‌های زندگی ما ظاهر شده است و یکی از هیجان‌انگیزترین و سریع‌ترین زمینه‌های تحقیقاتی در دنیای علم داده است. این دوره ایده های بزرگ در یادگیری ماشین را آموزش می دهد: چگونه مدل های پیش بینی بسازیم و ارزیابی کنیم، چگونه آنها را برای عملکرد بهینه تنظیم کنیم، چگونه داده ها را برای نتایج بهتر پردازش کنیم و خیلی چیزهای دیگر. بسته محبوب caret R، که یک رابط ثابت برای همه قدرتمندترین امکانات یادگیری ماشین R ارائه می‌کند، در طول دوره استفاده می‌شود.

Related Skills

linkedin یادگیری ماشین برای iOS: Core ML و Create ML (Mitalearn-227355)

  • 38 minutes
  • مناسب همه
  • Release date: 22 June 2026
  • Author: Emmanuel Henri
درباره این دوره:

آیا می خواهید یادگیری ماشینی را در برنامه iOS خود بگنجانید؟ با Core ML SDK و برنامه Create ML Apple، می‌توانید به سرعت ویژگی‌های یادگیری ماشین را در پروژه‌های خود ادغام کنید. در این دوره آموزشی، امانوئل هنری اصول یادگیری ماشینی و همچنین نحوه کار با Core ML و Create ML را برای افزودن مدل های یادگیری ماشین به برنامه های خود پوشش می دهد. امانوئل بخش‌های مختلف Core ML SDK، نحوه راه‌اندازی یک پروژه جدید با استفاده از Create ML، و نحوه دریافت مقادیر ورودی و آزمایش یک مدل را پوشش می‌دهد. او همچنین نحوه ادغام مدل یادگیری ماشینی خود را در یک برنامه iOS و تبدیل مدل‌ها از منابع غیر iOS را بررسی می‌کند.

datacamp یادگیری ماشین برای امور مالی در پایتون (Mitalearn-402829)

  • 1 hours
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Nathan George
درباره این دوره:

داده های سری زمانی در اطراف ما هستند. برخی از نمونه ها آب و هوا، الگوهای رفتاری انسان به عنوان مصرف کنندگان و اعضای جامعه و داده های مالی هستند. در این دوره آموزشی، نحوه محاسبه شاخص‌های فنی از داده‌های سهام تاریخی و نحوه ایجاد ویژگی‌ها و اهداف از داده‌های تاریخی سهام را خواهید آموخت. خواهید فهمید که چگونه ویژگی های ما را برای مدل های خطی، مدل های xgboost و مدل های شبکه عصبی آماده کنید. سپس از مدل های خطی، درخت تصمیم، جنگل های تصادفی و شبکه های عصبی برای پیش بینی قیمت آتی سهام در بازارهای ایالات متحده استفاده خواهیم کرد. همچنین یاد می‌گیرید که چگونه عملکرد مدل‌های مختلفی را که آموزش می‌دهیم ارزیابی کنید تا آنها را بهینه کنیم، بنابراین پیش‌بینی‌های ما دقت کافی برای سودآور کردن استراتژی معاملات سهام دارند.

datacamp یادگیری ماشین برای بازاریابی در پایتون (Mitalearn-405022)

  • 1 hours 14 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Karolis Urbonas
درباره این دوره:

ظهور یادگیری ماشینی (تقریباً مانند "ظهور ماشین ها" به نظر می رسد؟) و کاربرد روش های آماری در بازاریابی، این حوزه را برای همیشه تغییر داده است. یادگیری ماشینی برای بهینه‌سازی سفرهای مشتری استفاده می‌شود که رضایت و ارزش طول عمر آنها را به حداکثر می‌رساند. این دوره ابزارهای اساسی را در اختیار شما قرار می دهد که می توانید بلافاصله برای بهبود استراتژی بازاریابی شرکت خود به کار ببرید. شما یاد خواهید گرفت که چگونه از تکنیک‌های مختلف برای پیش‌بینی ریزش مشتری و تفسیر محرک‌های آن، اندازه‌گیری و پیش‌بینی ارزش طول عمر مشتری، و در نهایت، ساخت بخش‌های مشتری بر اساس الگوهای خرید محصول استفاده کنید. از داده‌های مشتری از یک شرکت مخابراتی برای پیش‌بینی ریزش استفاده می‌کنید، یک مجموعه داده پولی اخیر-فرکانس-پولی از یک خرده‌فروش آنلاین برای پیش‌بینی ارزش طول عمر مشتری ایجاد می‌کنید، و بخش‌های مشتری را از داده‌های خرید محصول از یک فروشگاه مواد غذایی ایجاد می‌کنید.

coursera یادگیری ماشین برای بینایی کامپیوتر (Mitalearn-333078)

  • 1 hours 31 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Amanda Wang,Matt Rich,Brandon Armstrong
درباره این دوره:

در دوره دوم گرایش بینایی کامپیوتر برای مهندسی و علوم، دو مورد از رایج ترین کارهای بینایی کامپیوتر را انجام خواهید داد: طبقه بندی تصاویر و تشخیص اشیا. شما کل گردش کار یادگیری ماشین را، از آماده سازی داده های خود تا ارزیابی نتایج خود، اعمال خواهید کرد. در پایان این دوره، مدل‌های یادگیری ماشینی را برای طبقه‌بندی تصاویر تابلوهای خیابان و تشخیص عیوب مواد آموزش می‌دهید. شما در طول این دوره از MATLAB استفاده خواهید کرد.  متلب برای میلیون‌ها نفر از افرادی که در زمینه‌های مهندسی و علوم کار می‌کنند، گزینه‌ای است و قابلیت‌های مورد نیاز برای انجام وظایف بینایی رایانه‌تان را فراهم می‌کند.  در طول دوره برای تکمیل کار، دسترسی رایگان به متلب در اختیار شما قرار خواهد گرفت. برای موفقیت در این تخصص، داشتن تجربه قبلی در پردازش تصویر کمک خواهد کرد.  اگر با داده های تصویری تازه کار هستید، توصیه می شود ابتدا تخصص پردازش تصویر برای مهندسی و علوم را تکمیل کنید.

datacamp یادگیری ماشین برای تجزیه و تحلیل بازاریابی در R (Mitalearn-406688)

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

این فرصتی است که با استفاده از R به دنیای بازاریابی و تجزیه و تحلیل تجاری شیرجه بزنید. روز به روز تصمیمات زیادی وجود دارد که شرکت ها باید با آنها روبرو شوند. با کمک مدل‌های آماری، می‌توانید از فرآیند تصمیم‌گیری کسب‌وکار بر اساس داده‌ها پشتیبانی کنید، نه احساس درونی‌تان. اجازه دهید به شما نشان دهیم که مدل سازی آماری چه تاثیر زیادی می تواند بر عملکرد کسب و کارها داشته باشد. شما می‌خواهید در مورد استراتژی‌هایی بیاموزید و از آنها استفاده کنید تا با نتایج خود ارتباط برقرار کنید و به آنها کمک کنید تفاوت ایجاد کنند.

Related Skills

linkedin یادگیری ماشین برای توسعه دهندگان iOS (Mitalearn-141930)

  • 1 hours 25 minutes
  • پیشرفته
  • Release date: 22 June 2026
  • Author: Brian Advent
درباره این دوره:

آیا می خواهید مدل های یادگیری ماشینی سفارشی بسازید تا برنامه های iOS خود را ارتقا دهید؟ حتی اگر متخصص یادگیری ماشینی نیستید، Core ML ادغام یک مدل یادگیری ماشین موجود را در یک برنامه iOS آسان می کند. و با Turi Create، اپل همچنین یک چارچوب پایتون ارائه می‌کند که توسعه مدل‌های یادگیری ماشین سفارشی را ساده می‌کند. این دوره مقدمه ای بر یادگیری ماشین و چارچوب Core ML ارائه می دهد و نحوه ساخت مدل یادگیری ماشینی سفارشی خود و ادغام آن در یک برنامه iOS را پوشش می دهد. پس از پایان دادن به این دوره، شما یک طبقه بندی تصویر ساخته اید که می تواند گربه ها را از سگ ها در یک تصویر ارائه شده تشخیص دهد.

datacamp یادگیری ماشین برای داده های سری زمانی در پایتون (Mitalearn-401843)

  • 51 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Chris Holdgraf
درباره این دوره:

داده های سری زمانی در همه جا وجود دارند. خواه نوسانات بازار سهام، داده های حسگر ثبت تغییرات آب و هوا یا فعالیت در مغز باشد، هر سیگنالی که در طول زمان تغییر می کند را می توان به عنوان یک سری زمانی توصیف کرد. یادگیری ماشینی به عنوان روشی قدرتمند برای استفاده از پیچیدگی در داده‌ها به منظور ایجاد پیش‌بینی‌ها و بینش‌هایی در مورد مشکلی که فرد در تلاش برای حل آن است، ظهور کرده است. این دوره تلاقی بین این دو دنیای یادگیری ماشین و داده‌های سری زمانی است و مهندسی ویژگی‌ها، طیف‌نگاری‌ها و سایر تکنیک‌های پیشرفته را برای طبقه‌بندی صداهای ضربان قلب و پیش‌بینی قیمت سهام پوشش می‌دهد.

linkedin یادگیری ماشین برای هکرهای تیم قرمز توسط Infosec (Mitalearn-427649)

  • 3 hours 39 minutes
  • مناسب همه
  • Release date: 12 June 2025
  • Author: Infosec Institute
درباره این دوره: 

 

در مورد یادگیری ماشین های هک با کارشناسان آموزش امنیت سایبری در انستیتوی Infosec ، INS و Outs of Hacking Machine Learning را کشف کنید. عمیق به موضوعاتی مانند هک کردن یک سیستم Captcha ، فازی یک هدف ، فرار از تشخیص بدافزار و حمله به سیستم های یادگیری ماشین. به علاوه ، در مورد Deepfakes و نحوه انجام حملات پشتی به یادگیری ماشین آشنا شوید.

این دوره توسط موسسه Infosec ایجاد شده است. ما خوشحالیم که این آموزش را در کتابخانه خود میزبانی می کنیم.


coursera یادگیری ماشین برای هوشمند بتا (Mitalearn-295848)

  • 4 hours 30 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Youngju Nielsen,Haeram Joo
درباره این دوره:

در این دوره 4 هفته ای با محصولات اسمارت بتا آشنا می شوید. محصولات هوشمند بتا دارای ویژگی‌های سرمایه‌گذاری غیرفعال (دارای قوانین از پیش تعیین‌شده) و سرمایه‌گذاری‌های فعال (اجازه سرمایه‌گذاری عاملی) هستند. ما مکانیسم‌های ایجاد پشت محصولات مختلف بتا هوشمند را مرور می‌کنیم و برخی از آنها را با استفاده از برنامه‌نویسی R بازسازی می‌کنیم. سپس روش های یادگیری ماشین را اعمال خواهیم کرد. پردازش داده ها، تکنیک های پیشگیری از برازش بیش از حد پوشش داده خواهد شد. در نهایت سعی خواهیم کرد با استفاده از روش‌های CART، bagging، boosting و ensemble یک مدل چند عاملی بهبودیافته ایجاد کنیم. انتظار می رود که دانش آموزان به اولین و دومین دوره من با عنوان «مبانی سرمایه گذاری مبتنی بر داده» و «استفاده از R برای رگرسیون و یادگیری ماشین در سرمایه گذاری» گوش داده باشند، یا دانشی معادل در مفاهیم سرمایه گذاری و درک محکمی از برنامه نویسی R داشته باشند.

coursera یادگیری ماشین پیشرفته و پردازش سیگنال (Mitalearn-336614)

  • 6 hours 4 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Romeo Kienzler
درباره این دوره:

>>> با ثبت نام در این دوره، با توافقنامه مجوز کاربر نهایی همانطور که در سوالات متداول ذکر شده است موافقت می کنید. پس از ثبت نام می توانید به مجوز در ناحیه منابع دسترسی داشته باشید <<< این دوره، یادگیری ماشین پیشرفته و پردازش سیگنال، بخشی از تخصص IBM Advanced Data Science است که IBM در حال حاضر در حال ایجاد آن است و به شما امکان دسترسی آسان به بینش های ارزشمند در مورد نظارت و کنترل را می دهد. مدل های یادگیری ماشینی بدون نظارت که توسط متخصصان در بسیاری از رشته های مرتبط استفاده می شود. ما در مورد اصول جبر خطی یاد خواهیم گرفت تا نحوه عملکرد حالت های یادگیری ماشین را درک کنیم. سپس محبوب‌ترین چارچوب‌های یادگیری ماشین برای پایتون Scikit-Learn و SparkML را معرفی می‌کنیم. SparkML بزرگترین بخش این دوره را تشکیل می دهد زیرا مقیاس پذیری کلید رفع تنگناهای عملکرد است. ما یاد می گیریم که چگونه مدل ها را به صورت موازی با ارزیابی صدها پارامتر مختلف به صورت موازی تنظیم کنیم. ما به طور مداوم از یک مثال واقعی از اینترنت اشیا (اینترنت اشیا) برای مثال زدن الگوریتم های مختلف استفاده خواهیم کرد. برای گذراندن دوره، حتی باید داده های حسگر ارتعاش خود را با استفاده از حسگرهای شتاب سنج در گوشی هوشمند خود ایجاد کنید. بنابراین شما در طول دوره بر روی یک مجموعه داده واقعی و خودساخته کار می کنید. اگر این دوره را انتخاب کنید و گواهی دوره Coursera را کسب کنید، نشان دیجیتال IBM نیز دریافت خواهید کرد. برای کسب اطلاعات بیشتر در مورد نشان های دیجیتال IBM پیوند ibm.biz/badging را دنبال کنید.

linkedin یادگیری ماشین داخلی به زبان Wolfram (Mitalearn-393921)

  • 19 minutes
  • مناسب همه
  • Release date: 5 January 2024
  • Author: Wolfram Research
درباره این دوره: 

 با کمک زبان Wolfram می‌توانید یادگیری ماشین را در زمینه‌های موضوعی مختلف بدون دانش سطح متخصص اعمال کنید. در حالی که می‌توانید مدل‌های پیچیده را از ابتدا بسازید، می‌توانید از هر یک از مدل‌های از پیش آموزش‌دیده موجود در ورودی‌های مختلف مانند متن، اعداد و تصاویر نیز استفاده کنید. این دوره مقدمه ای بر بسیاری از توابع یادگیری ماشینی در دسترس برای کارهای گسترده ای مانند شناسایی تصویر، تشخیص متن، طبقه بندی احساسات و موارد دیگر ارائه می دهد. قابلیت‌های یادگیری ماشین خودکار زبان Wolfram را از طریق مثال‌ها کاوش کنید، و یاد بگیرید که وظایف یادگیری ماشینی ساده را بر روی انواع ورودی‌های مختلف اجرا کنید، از مدل‌های نام‌گذاری‌شده و سفارشی آموزش‌دیده برای انجام وظایف طبقه‌بندی استفاده کنید، و یادگیری ماشین را در بینایی کامپیوتر، متن و استفاده کنید. وظایف پردازش زبان طبیعی

datacamp یادگیری ماشین در Tidyverse (Mitalearn-404631)

  • 47 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Dmitriy Gorenshteyn
درباره این دوره:

این دوره به شما می آموزد که از ابزارهای موجود در "tidyverse" برای تولید، کاوش و ارزیابی مدل های یادگیری ماشین استفاده کنید. با استفاده از ترکیبی از بسته‌های tidyr و purrr، شما پایه‌ای برای نحوه کار با اشیاء مدل پیچیده به روش "مرتب" خواهید ساخت. همچنین یاد می گیرید که چگونه از بسته جارو برای کشف مدل های به دست آمده استفاده کنید. سپس با ابزارهای موجود در گردش کار تست-ترن- اعتبارسنجی آشنا می شوید که به شما امکان ارزیابی عملکرد هر دو مدل طبقه بندی و رگرسیون و همچنین ارائه اطلاعات لازم برای بهینه سازی عملکرد مدل از طریق تنظیم فراپارامتر را می دهد.

Related Skills

linkedin یادگیری ماشین در ارتباط از راه دور: از اصول اولیه گرفته تا موارد دنیای واقعی (Mitalearn-427683)

  • 2 hours 11 minutes
  • مناسب همه
  • Release date: 22 July 2025
  • Author: Itelcotech
درباره این دوره: 

 این دوره در سطح متوسط، کاوش متمرکزی را در مورد چگونگی تغییر شبکه‌های مخابراتی مدرن توسط یادگیری ماشین (ML) ارائه می‌کند. این دوره برای دانش‌آموزان و متخصصان با دانش پایه از مخابرات یا هوش مصنوعی طراحی شده است که می‌خواهند درک خود را از برنامه‌های ML در بهینه‌سازی شبکه، تجزیه و تحلیل پیش‌بینی‌کننده و اتوماسیون هوشمند عمیق‌تر کنند، این دوره چندین پارادایم یادگیری ماشین کلیدی را پوشش می‌دهد: تحت نظارت، بدون نظارت و یادگیری تقویتی. از طریق مطالعات موردی در دنیای واقعی، مفاهیم کلیدی ML مانند رگرسیون، طبقه‌بندی، خوشه‌بندی، آزمایش فرضیه، توابع هزینه، نزول گرادیان و ارزیابی مدل را بررسی کنید. بیاموزید که چگونه مدل‌ها معیارهای مخابراتی مانند قدرت سیگنال، بار شبکه، و تقاضای پهنای باند را پیش‌بینی می‌کنند و چگونه تکنیک‌های طبقه‌بندی به شناسایی خطاها و ناهنجاری‌ها کمک می‌کنند. در پایان این دوره، شما به مهارت هایی که برای استفاده از ML برای تقویت شبکه های مخابراتی هوشمندتر و سازگارتر نیاز دارید، مجهز خواهید شد.

linkedin یادگیری ماشین در برنامه های موبایل (Mitalearn-160154)

  • 3 hours 15 minutes
  • مبتدی
  • Release date: 21 March 2019
  • Author: Kevin Ford
درباره این دوره:

یادگیری ماشینی در حال رسیدن به جریان اصلی است. با ابزارهای جدید در دسترس توسعه دهندگان، اکنون امکان پیاده سازی ویژگی های یادگیری ماشینی وجود دارد - تشخیص صدا، چهره و تصویر. توصیه های شخصی؛ و بیشتر - در زمینه موبایل. این دوره به بررسی نحوه اعمال قدرت یادگیری ماشینی در توسعه اپلیکیشن موبایل، با استفاده از پلتفرم هایی مانند IBM Watson، Microsoft Azure Cognitive Services و Apple Core ML می پردازد. مربی کوین فورد هر محصول را نمایش می دهد و ویژگی ها و رویکردهای مختلف یادگیری ماشین را مرور می کند. او نحوه آموزش و استقرار مدل‌هایی برای زبان طبیعی و تشخیص بصری و نحوه تولید مدل‌های آماری برای استفاده در برنامه Xamarin را نشان می‌دهد. در فصل پنجم، او مدل‌های سمت مشتری و سمت سرور را مقایسه می‌کند و توضیح می‌دهد که یک توسعه‌دهنده چه زمانی ممکن است یک پلتفرم را بر پلتفرم دیگر انتخاب کند.

coursera یادگیری ماشین کاربردی در پایتون (Mitalearn-332279)

  • 8 hours 1 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Kevyn Collins-Thompson
درباره این دوره:

این دوره یادگیرنده را با یادگیری ماشینی کاربردی آشنا می‌کند و بیشتر بر روی تکنیک‌ها و روش‌ها تمرکز می‌کند تا آمار پشت این روش‌ها. این دوره با بحث در مورد اینکه چگونه یادگیری ماشینی با آمار توصیفی متفاوت است شروع می شود و جعبه ابزار یادگیری scikit را از طریق یک آموزش معرفی می کند. موضوع ابعاد داده ها مورد بحث قرار خواهد گرفت و وظیفه خوشه بندی داده ها و همچنین ارزیابی آن خوشه ها مورد بررسی قرار خواهد گرفت. رویکردهای نظارت شده برای ایجاد مدل‌های پیش‌بینی شرح داده می‌شود و یادگیرندگان می‌توانند همزمان با درک مسائل فرآیند مربوط به تعمیم‌پذیری داده‌ها، از روش‌های مدل‌سازی پیش‌بینی یادگیری scicit استفاده کنند (مانند اعتبار سنجی متقابل، برازش بیش از حد). این دوره با نگاهی به تکنیک های پیشرفته تر مانند ساخت مجموعه ها و محدودیت های عملی مدل های پیش بینی پایان خواهد یافت. در پایان این دوره، دانش آموزان قادر خواهند بود تفاوت بین تکنیک نظارت شده (طبقه بندی) و بدون نظارت (خوشه بندی) را شناسایی کنند، تشخیص دهند که کدام تکنیک را برای یک مجموعه داده و نیاز خاص به کار می برند، ویژگی های مهندسی برای برآورده کردن آن نیاز، و کد پایتون را بنویسید تا تحلیل انجام شود. این دوره باید بعد از مقدمه ای بر علم داده در پایتون و رسم کاربردی، نمودار و بازنمایی داده در پایتون و قبل از متن کاوی کاربردی در پایتون و تحلیل اجتماعی کاربردی در پایتون گذرانده شود.

linkedin یادگیری ماشین کاربردی: الگوریتم ها (Mitalearn-411448)

  • 1 hours 58 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Matt Harrison
درباره این دوره:

با اهمیت روزافزون یادگیری ماشین در تقریباً در هر بخش ، متخصصان به درک عمیق تر و رویکرد عملی برای اجرای الگوریتم های ML به طور مؤثر نیاز دارند.

این دوره الگوریتم های یادگیری ماشین را که معمولاً استفاده می شود ، پوشش می دهد. مربی مت هریسون بر الگوریتم های یادگیری غیر عمق ، پوشش PCA ، خوشه بندی ، رگرسیون خطی و لجستیک ، درختان تصمیم گیری ، جنگل های تصادفی و تقویت شیب تمرکز دارد.

در این دوره به مت بپیوندید تا الگوریتم های مشترک ML را بفهمید ، جوانب مثبت و منفی خود را بیاموزید و مهارت های دستی را برای استفاده از آنها با دنبال کردن با چالش ها و راه حل ها در برنامه های GitHub ایجاد کنید.

linkedin یادگیری ماشین کاربردی: الگوریتم‌ها (2019) (Mitalearn-162738)

  • 2 hours 24 minutes
  • مبتدی
  • Release date: 25 July 2026
  • Author: Derek Jedamski
درباره این دوره:

در اولین قسمت از مجموعه یادگیری ماشین کاربردی، مدرس درک جدامسکی مفاهیم اساسی را پوشش داد و دستور العملی کلی برای حمله به هر مشکل یادگیری ماشینی به شیوه ای عملی و کامل در اختیار شما قرار داد. در این دوره - دومین و آخرین قسمت این مجموعه - درک با بررسی الگوریتم‌های مختلف، از رگرسیون لجستیک تا تقویت گرادیان، و نشان دادن نحوه تنظیم ساختاری که شما را در انتخاب بهترین ساختار راهنمایی می‌کند، بر روی آن معماری بنا می‌کند. مشکل در دست هر الگوریتم مزایا و معایب خود را دارد که هر کدام را به انتخاب ارجح برای انواع خاصی از مسائل تبدیل می کند. درک آنچه که در واقع هر الگوریتم را هدایت می کند، و همچنین مزایا و معایب آنها، می تواند به شما به عنوان یک دانشمند داده مزیت رقابتی قابل توجهی بدهد.

linkedin یادگیری ماشین کاربردی: مبانی (Mitalearn-152674)

  • 2 hours 38 minutes
  • مبتدی
  • Release date: 26 July 2026
  • Author: Derek Jedamski
درباره این دوره:

هر کسی که بتواند پایتون پایه بنویسد، می‌تواند یک مدل یادگیری ماشینی ساده را بر روی یک مجموعه داده تمیز قرار دهد. مزیت رقابتی در توانایی شخصی سازی و بهینه سازی آن مدل ها برای مشکلات خاص است. گردش کار مورد استفاده برای ساخت مدل‌های یادگیری ماشین مؤثر و روش‌های مورد استفاده برای بهینه‌سازی آن مدل‌ها معمولاً الگوریتم یا مشکل خاصی نیستند. در این دوره، اولین قسمت از مجموعه دو قسمتی یادگیری ماشین کاربردی، مدرس درک جدامسکی به مبانی یادگیری ماشین، از تجزیه و تحلیل داده‌های اکتشافی گرفته تا ارزیابی یک مدل برای اطمینان از تعمیم آن به نمونه‌های دیده نشده، می‌پردازد. درک به جای استفاده از هر الگوریتم یادگیری ماشینی خاص، بر ارائه ابزارهایی برای حل موثر تقریباً هر نوع مشکل یادگیری ماشینی تمرکز می کند.

linkedin یادگیری ماشین کاربردی: مبانی (Mitalearn-411482)

  • 2 hours 17 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Matt Harrison
درباره این دوره:

مدل های

AI در حال تغییر محل کار هستند. دانستن آنچه در پشت این مدل ها پیش می رود می تواند به شما در استفاده موثرتر از تکنیک های یادگیری ماشین (ML) کمک کند. در این دوره ، مربی مت هریسون به شما نشان می دهد که چگونه می توانید با استفاده از قدرت زبان برنامه نویسی پایتون ، تسلط بر ضروری یادگیری ماشین را شروع کنید. در طول راه ، مهارت های برنامه نویسی جدید خود را در چالش های تمرین در پایان هر بخش آزمایش کنید.

Suggestions