Course catalog

Course duration

Course provider

Topic

Categories

Showing 181-200 of 409 items.

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.

coursera ساختار پروژه های یادگیری ماشینی (Mitalearn-212939)

  • 3 hours 51 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Andrew Ng,Younes Bensouda Mourri,Kian Katanforoosh
درباره این دوره:

در دوره سوم تخصص یادگیری عمیق، یاد خواهید گرفت که چگونه یک پروژه یادگیری ماشینی موفق بسازید و به عنوان رهبر پروژه یادگیری ماشین تصمیم گیری را تمرین کنید. در پایان، شما قادر خواهید بود خطاها را در سیستم یادگیری ماشینی تشخیص دهید. اولویت بندی استراتژی ها برای کاهش خطاها؛ تنظیمات پیچیده ML را درک کنید، مانند مجموعه‌های آموزشی/آزمون ناهماهنگ، و مقایسه و/یا پیشی گرفتن از عملکرد در سطح انسانی. و یادگیری سرتاسر، انتقال یادگیری و یادگیری چند وظیفه ای را اعمال کنید. این همچنین یک دوره مستقل برای زبان آموزانی است که دانش اولیه یادگیری ماشین را دارند. این دوره از تجربه Andrew Ng در ساخت و ارسال بسیاری از محصولات یادگیری عمیق استفاده می کند. اگر می‌خواهید به یک رهبر فنی تبدیل شوید که می‌تواند مسیر یک تیم هوش مصنوعی را تعیین کند، این دوره «تجربه صنعت» را ارائه می‌دهد که در غیر این صورت ممکن است تنها پس از سال‌ها تجربه کاری ML به دست آورید. تخصص یادگیری عمیق برنامه اساسی ما است که به شما کمک می کند قابلیت ها، چالش ها و پیامدهای یادگیری عمیق را درک کنید و شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده کند. این مسیری را برای شما فراهم می کند تا دانش و مهارت هایی را به دست آورید تا از یادگیری ماشینی در کار خود استفاده کنید، حرفه فنی خود را ارتقا دهید و گامی قطعی در دنیای هوش مصنوعی بردارید.

coursera سفارشی کردن مدل های خود با TensorFlow 2 (Mitalearn-330953)

  • 5 hours 38 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Dr Kevin Webster
درباره این دوره:

به این دوره سفارشی سازی مدل های خود با TensorFlow 2 خوش آمدید! در این دوره، دانش و مهارت‌های خود را با TensorFlow تعمیق می‌دهید تا مدل‌های یادگیری عمیق و گردش کار کاملاً سفارشی‌سازی شده را برای هر برنامه کاربردی ایجاد کنید. شما از API های سطح پایین تر در TensorFlow برای توسعه معماری های مدل پیچیده، لایه های کاملا سفارشی شده و گردش کار داده های انعطاف پذیر استفاده خواهید کرد. همچنین دانش خود را در مورد APIهای TensorFlow گسترش می‌دهید تا مدل‌های توالی را نیز شامل شود. مفاهیمی را که در مورد آنها یاد می گیرید بلافاصله در آموزش های عملی و عملی برنامه نویسی، که توسط دستیار آموزشی فارغ التحصیل راهنمایی می شوید، در عمل قرار می دهید. علاوه بر این، یک سری تکالیف برنامه نویسی با درجه بندی خودکار برای شما وجود دارد تا مهارت های خود را تثبیت کنید. در پایان دوره، بسیاری از مفاهیم را در یک پروژه Capstone گرد هم می آورید، جایی که یک مدل ترجمه عصبی سفارشی را از ابتدا توسعه می دهید. TensorFlow یک کتابخانه ماشینی منبع باز است و یکی از پرکاربردترین فریم ورک ها برای یادگیری عمیق است. انتشار TensorFlow 2 با تمرکز اصلی بر سهولت استفاده برای همه کاربران، از سطح مبتدی تا پیشرفته، یک تغییر مرحله‌ای را در توسعه محصول نشان می‌دهد. این دوره مستقیماً از دوره قبلی شروع به کار با TensorFlow 2 پیروی می کند. دانش پیش نیاز اضافی مورد نیاز برای موفقیت در این دوره، تسلط بر زبان برنامه نویسی پایتون (این دوره از پایتون 3 استفاده می کند)، دانش مفاهیم کلی یادگیری ماشین است. (مانند تطبیق بیش از حد/کمتر، وظایف یادگیری تحت نظارت، اعتبارسنجی، منظم‌سازی و انتخاب مدل)، و دانش کاری در زمینه یادگیری عمیق، از جمله معماری‌های مدل معمولی (MLP، CNN، RNN، ResNet) و مفاهیمی مانند یادگیری انتقالی ، افزایش داده ها و جاسازی کلمات.

coursera سناریوهای استقرار پیشرفته با TensorFlow (Mitalearn-311233)

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

آوردن یک مدل یادگیری ماشینی به دنیای واقعی بسیار بیشتر از مدل سازی است. این تخصص به شما می آموزد که چگونه در سناریوهای مختلف استقرار پیمایش کنید و از داده ها به طور مؤثرتری برای آموزش مدل خود استفاده کنید. در این دوره نهایی، چهار سناریو مختلف را که هنگام استقرار مدل‌ها با آن‌ها مواجه خواهید شد، بررسی خواهید کرد. با TensorFlow Serving آشنا خواهید شد، فناوری که به شما امکان استنتاج در وب را می دهد. به TensorFlow Hub می روید، مخزنی از مدل هایی که می توانید برای یادگیری انتقال استفاده کنید. سپس از TensorBoard برای ارزیابی و درک نحوه عملکرد مدل‌های خود و همچنین اشتراک‌گذاری ابرداده‌های مدل خود با دیگران استفاده خواهید کرد. در نهایت، یادگیری فدرال و نحوه آموزش مجدد مدل‌های مستقر شده با داده‌های کاربر و حفظ حریم خصوصی داده‌ها را بررسی خواهید کرد. این تخصص مبتنی بر تخصص TensorFlow در عمل ما است. اگر تازه وارد TensorFlow هستید، توصیه می کنیم ابتدا TensorFlow in Practice Specialization را انتخاب کنید. برای ایجاد درک عمیق تر و اساسی از نحوه عملکرد شبکه های عصبی، توصیه می کنیم که تخصص یادگیری عمیق را انتخاب کنید.

coursera سیستم های پشتیبانی تصمیم گیری بالینی - CDSS 4 (Mitalearn-334336)

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

سیستم‌های یادگیری ماشینی که در سیستم‌های پشتیبانی تصمیم‌گیری بالینی (CDSS) استفاده می‌شوند، نیاز به اعتبارسنجی خارجی، تحلیل کالیبراسیون، ارزیابی سوگیری و انصاف دارند. در این دوره، مفاهیم اصلی ارزیابی یادگیری ماشین پذیرفته شده در CDSS توضیح داده خواهد شد. علاوه بر این، تجزیه و تحلیل منحنی تصمیم همراه با CDSS انسان محور که نیاز به توضیح دارد، مورد بحث قرار خواهد گرفت. در نهایت، نگرانی‌های مربوط به حریم خصوصی مدل‌های یادگیری عمیق و حملات خصمانه احتمالی همراه با چشم‌انداز نسل جدیدی از CDSS قابل توضیح و حفظ حریم خصوصی ارائه خواهد شد.

coursera سیستم های پیشنهاد دهنده پیشرفته (Mitalearn-331650)

  • 1 hours 29 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Paolo Cremonesi
درباره این دوره:

در این دوره، نحوه استفاده از تکنیک های پیشرفته یادگیری ماشینی برای ساختن سیستم های توصیه گر پیچیده تر را خواهید دید. یادگیری ماشینی با بهره گیری از نظرات تاریخی کاربران و ساخت خودکار مدل، بدون نیاز به فکر کردن به تمام جزئیات مدل، قادر به ارائه توصیه ها و پیش بینی های بهتر است. در پایان سیستم‌های توصیه‌کننده پیشرفته، می‌دانید که چگونه اطلاعات ترکیبی را مدیریت کنید و چگونه تکنیک‌های مختلف فیلتر را با هم ترکیب کنید و از هر رویکرد بهترین‌ها را بگیرید. بیشتر، می‌دانید چگونه از ماشین‌های فاکتورسازی استفاده کنید و داده‌های ورودی را بر اساس آن نشان دهید و بتوانید سیستم‌های توصیه‌گر پیچیده‌تری را طراحی کنید، که می‌تواند مشکل توصیه بین دامنه‌ای را حل کند. این دوره از دو پیامد یادگیری فراگیر دیجیتال EIT (OLO) که مربوط به خلاقیت و مهارت‌های نوآوری شماست، استفاده می‌کند. در تلاش برای طراحی یک سیستم توصیه‌کننده جدید، باید فراتر از مرزها فکر کنید و سعی کنید دریابید که چگونه می‌توانید کیفیت نتایج را بهبود بخشید. شما همچنین باید بتوانید از دانش، ایده ها و فناوری برای ایجاد ابزارهای توصیه جدید یا بهبود قابل توجهی برای پشتیبانی از فرآیندهای انتخاب و حل مشکلات زندگی واقعی در سناریوهای پیچیده و نوآورانه استفاده کنید.

coursera سیستم های توصیه کننده Capstone (Mitalearn-335866)

  • 6 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Michael D. Ekstrand,Joseph A Konstan
درباره این دوره:

این دوره پروژه اصلی برای تخصص سیستم‌های توصیه‌کننده، همه چیزهایی را که در مورد الگوریتم‌ها و ارزیابی سیستم‌های توصیه‌گر آموخته‌اید را در یک پروژه تحلیل و طراحی توصیه‌گر جامع گرد هم می‌آورد. به شما یک مطالعه موردی داده می شود تا جایی که باید طراحی یک سیستم توصیه گر را از طریق تجزیه و تحلیل اهداف توصیه گر و عملکرد الگوریتم انتخاب و توجیه کنید. فراگیران در مسیر افتخارات بر ارزیابی تجربی الگوریتم ها در برابر مجموعه داده های با اندازه متوسط ​​تمرکز خواهند کرد. مسیر استاندارد شامل ترکیبی از نتایج ارائه شده و کاوش صفحه گسترده خواهد بود. هر دو گروه گزارشی را تهیه خواهند کرد که تجزیه و تحلیل، راه حل انتخاب شده و توجیه آن راه حل را مستند می کند.

coursera سیستم های توصیه کننده: ارزیابی و معیارها (Mitalearn-335152)

  • 4 hours 4 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Michael D. Ekstrand,Joseph A Konstan
درباره این دوره:

در این دوره با نحوه ارزیابی سیستم های توصیه گر آشنا می شوید. شما با چندین خانواده از معیارها، از جمله مواردی برای اندازه‌گیری دقت پیش‌بینی، دقت رتبه‌بندی، پشتیبانی از تصمیم‌گیری، و عوامل دیگری مانند تنوع، پوشش محصول و سرندیپیتی آشنا خواهید شد. شما خواهید آموخت که چگونه معیارهای مختلف با اهداف مختلف کاربر و اهداف تجاری مرتبط است. همچنین یاد خواهید گرفت که چگونه ارزیابی های آفلاین را به دقت انجام دهید (به عنوان مثال، چگونه داده ها را تهیه و نمونه برداری کنید، و چگونه نتایج را جمع آوری کنید). و با ارزیابی آنلاین (تجربی) آشنا خواهید شد. در پایان این دوره، ابزارهایی را خواهید داشت که برای مقایسه گزینه های مختلف سیستم توصیه گر برای کاربردهای مختلف نیاز دارید.

coursera سیستم های یادگیری ماشین تولید - فرانسه (Mitalearn-336410)

  • 2 hours 30 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

Dans ce cours، nous abordons en detail les composants و les bonnes Pratiques destruction de systems de ML Hautes performs dans des environnements de production. Nous verrons aussi sures des considérations les plus courantes concernant la construction de ces systemes, telles que l'entraînement statique, l'entraînement dynamique, l'inférence statique, l'inférence dynamique, les tâches distribués PUesF. Ce cours a pour objectif d'explorer les caractéristiques d'un bon system de ML, au-delà de sa capacité à effectuer des predictions correctes.

coursera شبکه های عصبی کانولوشن در TensorFlow (Mitalearn-332160)

  • 52 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 دوره بخشی از DeepLearning.AI TensorFlow Developer Specialization است و بهترین روش ها برای استفاده از TensorFlow، یک چارچوب منبع باز محبوب برای یادگیری ماشین را به شما آموزش می دهد. در دوره 2 از تخصص DeepLearning.AI TensorFlow Developer، شما تکنیک های پیشرفته ای را برای بهبود مدل بینایی کامپیوتری که در دوره 1 ساخته اید، یاد خواهید گرفت. نحوه کار با تصاویر دنیای واقعی در اشکال و اندازه های مختلف را بررسی می کنید، سفر را تجسم می کنید. یک تصویر از طریق کانولوشن برای درک اینکه چگونه یک کامپیوتر اطلاعات را "می بیند"، از دست دادن و دقت نمودار، و کشف استراتژی هایی برای جلوگیری از تطبیق بیش از حد، از جمله افزایش و ترک تحصیل در نهایت، دوره 2 شما را با انتقال یادگیری و چگونگی استخراج ویژگی های آموخته شده از مدل ها آشنا می کند. 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 جدید Deeplearning.ai TensorFlow به شما می آموزد که چگونه از TensorFlow برای پیاده سازی آن اصول استفاده کنید تا بتوانید شروع به ساخت و استفاده از مدل های مقیاس پذیر 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 شبکه های عصبی کانولوشنال (Mitalearn-212956)

  • 7 hours 32 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Andrew Ng,Kian Katanforoosh,Younes Bensouda Mourri
درباره این دوره:

در چهارمین دوره تخصصی یادگیری عمیق، نحوه تکامل بینایی کامپیوتر را خواهید فهمید و با کاربردهای هیجان انگیز آن مانند رانندگی خودکار، تشخیص چهره، خواندن تصاویر رادیولوژی و غیره آشنا خواهید شد. در پایان، شما قادر خواهید بود یک شبکه عصبی کانولوشنال، از جمله تغییرات اخیر مانند شبکه های باقیمانده بسازید. استفاده از شبکه های کانولوشن برای کارهای تشخیص و شناسایی بصری؛ و از انتقال سبک عصبی برای تولید هنر و اعمال این الگوریتم ها بر روی انواع تصاویر، ویدئوها و سایر داده های دو بعدی یا سه بعدی استفاده کنید. تخصص یادگیری عمیق برنامه اساسی ما است که به شما کمک می کند قابلیت ها، چالش ها و پیامدهای یادگیری عمیق را درک کنید و شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده کند. این مسیری را برای شما فراهم می کند تا دانش و مهارت هایی را به دست آورید تا از یادگیری ماشینی در کار خود استفاده کنید، حرفه فنی خود را ارتقا دهید و گامی قطعی در دنیای هوش مصنوعی بردارید.

coursera شبکه های عصبی و یادگیری عمیق (Mitalearn-212905)

  • 6 hours 48 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Andrew Ng,Kian Katanforoosh,Younes Bensouda Mourri
درباره این دوره:

در اولین دوره از تخصص یادگیری عمیق، مفهوم بنیادی شبکه های عصبی و یادگیری عمیق را مطالعه خواهید کرد. در پایان، شما با روندهای فن آوری قابل توجهی که باعث افزایش یادگیری عمیق می شود آشنا خواهید شد. شبکه های عصبی عمیق کاملا متصل را بسازید، آموزش دهید، و اعمال کنید. پیاده سازی شبکه های عصبی کارآمد (بردار)؛ شناسایی پارامترهای کلیدی در معماری شبکه عصبی؛ و یادگیری عمیق را در برنامه های خود اعمال کنید. تخصص یادگیری عمیق برنامه اساسی ما است که به شما کمک می کند قابلیت ها، چالش ها و پیامدهای یادگیری عمیق را درک کنید و شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده کند. این مسیری را برای شما فراهم می کند تا دانش و مهارت هایی را به دست آورید تا از یادگیری ماشینی در کار خود استفاده کنید، حرفه فنی خود را ارتقا دهید و گامی قطعی در دنیای هوش مصنوعی بردارید.

coursera شبیه سازی های کامپیوتری (Mitalearn-329338)

  • 6 hours 19 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Martin Hilbert
درباره این دوره:

کلان داده ها و هوش مصنوعی بیشتر مطبوعات را در مورد علوم اجتماعی محاسباتی دریافت می کنند، اما شاید پیچیده ترین جنبه آن به استفاده از ابزارهای محاسباتی برای کشف و توسعه نظریه علوم اجتماعی اشاره داشته باشد. این دوره نشان می دهد که چگونه از شبیه سازی های کامپیوتری برای کشف قلمرو آنچه از نظر تئوری ممکن است استفاده می شود. شبیه‌سازی‌های رایانه‌ای به ما این امکان را می‌دهند تا بررسی کنیم که چرا جوامع به این شکل هستند، و در مورد جهانی که دوست داریم در آن زندگی کنیم، رویاپردازی کنیم. درست مانند بازی ویدیویی معروف SimCity که برای ساخت و مدیریت یک شهر مصنوعی استفاده می شود، ما از مدل های مبتنی بر عامل برای رشد و مطالعه جوامع مصنوعی استفاده می کنیم. بدون آسیب رساندن به کسی در دنیای واقعی، شبیه‌سازی‌های رایانه‌ای به ما امکان می‌دهند که چگونه جهان را به مکانی بهتر تبدیل کنیم. ما با چندین مدل شبیه‌سازی کامپیوتری عملی بازی می‌کنیم و چگونگی ترکیب مدل‌های فرضی را با داده‌های دنیای واقعی بررسی می‌کنیم. در نهایت، شما خودتان یک جامعه مصنوعی ساده، از پایین به بالا برنامه ریزی خواهید کرد. این به شما امکان می‌دهد پیچیدگی‌هایی را که هنگام طراحی سیستم‌های اجتماعی به وجود می‌آید احساس کنید، و در عین حال سهولتی را که ابزارهای محاسباتی جدید ما به ما امکان می‌دهند چنین تلاش‌های دلهره‌آوری را دنبال کنیم، تجربه کنید.

coursera شروع کار با TensorFlow 2 (Mitalearn-330698)

  • 4 hours 13 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Dr Kevin Webster
درباره این دوره:

به این دوره آموزشی در مورد شروع با TensorFlow 2 خوش آمدید! در این دوره شما یک گردش کار کامل برای توسعه مدل‌های یادگیری عمیق با Tensorflow، از ساخت، آموزش، ارزیابی و پیش‌بینی مدل‌ها با استفاده از Sequential API، اعتبارسنجی مدل‌های خود و از جمله منظم‌سازی، اجرای callbacks، و ذخیره و مدل های بارگیری مفاهیمی را که در مورد آنها یاد می گیرید بلافاصله در آموزش های عملی و عملی برنامه نویسی، که توسط دستیار آموزشی فارغ التحصیل راهنمایی می شوید، در عمل قرار می دهید. علاوه بر این، یک سری تکالیف برنامه نویسی با درجه بندی خودکار برای شما وجود دارد تا مهارت های خود را تثبیت کنید. در پایان دوره، بسیاری از مفاهیم را در یک پروژه Capstone گرد هم می آورید، جایی که یک مدل یادگیری عمیق طبقه بندی کننده تصویر را از ابتدا توسعه می دهید. Tensorflow یک کتابخانه ماشینی منبع باز است و یکی از پرکاربردترین چارچوب ها برای یادگیری عمیق است. انتشار Tensorflow 2 با تمرکز اصلی بر سهولت استفاده برای همه کاربران، از سطح مبتدی تا پیشرفته، یک تغییر مرحله‌ای را در توسعه محصول نشان می‌دهد. این دوره هم برای کاربرانی که کاملاً با Tensorflow آشنا هستند و هم برای کاربران با تجربه در Tensorflow 1.x در نظر گرفته شده است. دانش لازم برای موفقیت در این دوره، تسلط به زبان برنامه نویسی پایتون (این دوره از پایتون 3 استفاده می کند)، دانش مفاهیم کلی یادگیری ماشین (مانند برازش/زیاد برازش، وظایف یادگیری نظارت شده، اعتبارسنجی، منظم سازی و مدل سازی است). انتخاب)، و دانش کاری در زمینه یادگیری عمیق، از جمله معماری های مدل معمولی (MLP/feedforward و شبکه های عصبی کانولوشن)، توابع فعال سازی، لایه های خروجی، و بهینه سازی.

datacamp طبقه بندی کننده های خطی در پایتون (Mitalearn-402217)

  • 46 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Mike Gelbart
درباره این دوره:

در این دوره شما همه چیز را در مورد استفاده از طبقه‌بندی‌کننده‌های خطی، به‌ویژه رگرسیون لجستیک و ماشین‌های بردار پشتیبان، با scikit-learn خواهید آموخت. هنگامی که نحوه به کارگیری این روش ها را یاد گرفتید، در ایده های پشت آن ها غوطه ور خواهید شد و متوجه خواهید شد که واقعاً چه چیزی باعث می شود که این روش ها عمل کنند. در پایان این دوره شما می‌دانید که چگونه این طبقه‌بندی‌کننده‌های خطی را در پایتون آموزش، آزمایش و تنظیم کنید. شما همچنین یک پایه مفهومی برای درک بسیاری از الگوریتم های یادگیری ماشین دیگر خواهید داشت.

Suggestions