Course catalog

Course duration

Course provider

Topic

Categories

Showing 181-200 of 382 items.

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.

coursera طبقه بندی متن بدون نظارت برای تجزیه و تحلیل بازاریابی (Mitalearn-331157)

  • 2 hours 16 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Chris J. Vargo,Scott Bradley
درباره این دوره:

داده‌های بازاریابی اغلب آنقدر بزرگ هستند که انسان‌ها نمی‌توانند نمونه‌ای از آن را بخوانند یا تجزیه و تحلیل کنند تا بفهمند چه بینش‌هایی ممکن است در آن نهفته باشد. در این دوره، زبان آموزان از یادگیری عمیق بدون نظارت برای آموزش الگوریتم هایی برای استخراج موضوعات و بینش از داده های متنی استفاده می کنند. یادگیرندگان یک مرور مفهومی از یادگیری ماشینی بدون نظارت را طی می‌کنند و از طریق آموزش‌های آموزشی در پایتون به مجموعه داده‌های دنیای واقعی می‌روند. دوره با یک پروژه بزرگ به پایان می رسد. این دوره از نوت بوک های Jupyter و محیط برنامه نویسی Google Colab، یک محیط نوت بوک مبتنی بر مرورگر Jupyter استفاده می کند. فایل ها در گوگل درایو ذخیره می شوند. 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.

datacamp طراحی خطوط لوله پیش بینی برای تولید (Mitalearn-446927)

  • 1 hours 7 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Rami Krispin
درباره این دوره:

نحوه طراحی، خودکارسازی و نظارت بر خطوط لوله پیش بینی مقیاس پذیر در پایتون را بیاموزید. این دوره پیشرفته با استفاده از ابزارهایی مانند MLflow و Airflow شما را در کل گردش کار تولید راهنمایی می کند - از منبع داده ها و مدل های آموزشی گرفته تا استقرار و نظارت.

شما با اتصال به منابع داده زنده و ایجاد اولین پیش بینی خود با داده های تقاضای برق ایالات متحده شروع می کنید. در مرحله بعد، شما اصول آزمایش را کشف خواهید کرد، از جمله بک تست، ارزیابی، و ثبت مدل با استفاده از MLflow.

سپس خطوط لوله پیش‌بینی خودکار را با فرآیندهای ETL، ثبت مدل، و هماهنگ‌سازی جریان هوا ایجاد می‌کنید. در نهایت، شما ملزومات استقرار تولید، از جمله نظارت بر سلامت خط لوله، تشخیص جابجایی مدل، و حفظ سیستم‌های پیش‌بینی در محیط‌های واقعی را خواهید آموخت.

datacamp طراحی گردش کار یادگیری ماشین در پایتون (Mitalearn-405226)

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

به‌کارگیری مدل‌های یادگیری ماشین در تولید با ابزارهای مدرن آسان به نظر می‌رسد، اما اغلب با ناامیدی به پایان می‌رسد، زیرا این مدل در تولید بدتر از توسعه عمل می‌کند. این دوره به شما چهار ابرقدرت می‌دهد که باعث می‌شوند شما را از گروه علم داده متمایز کنید و خطوط لوله‌ای بسازید که در آزمون زمان مقاومت کنند: چگونه تمام جنبه‌های مدل خود را در توسعه تنظیم کنید. چگونه از تخصص دامنه موجود به بهترین شکل ممکن استفاده کنیم. چگونه مدل خود را در عملکرد نظارت کنید و با هر گونه خرابی عملکرد مقابله کنید. و در نهایت نحوه برخورد با داده های ضعیف یا به ندرت برچسب گذاری شده است. این دوره با کاوش عمیق در لبه برش sklearn، و پرداختن به مجموعه داده های واقعی از مناطق داغ مانند مراقبت های بهداشتی شخصی و امنیت سایبری، نمایی از یادگیری ماشین را از خط مقدم نشان می دهد.

coursera طراحی هوش مصنوعی مستقل (Mitalearn-329593)

  • 3 hours 5 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Kence Anderson
درباره این دوره:

(این برنامه قبلاً بخشی از یک تخصص سه دوره ای به نام هوش مصنوعی مستقل برای صنعت بود. به دلیل توقف برنامه نرم افزاری Bonsai، ارجاعات به Bonsai حذف شده است. شما همچنان می توانید از طریق دو دوره جداگانه ما "طراحی" در مورد هوش مصنوعی مستقل و آموزش ماشینی بیاموزید. هوش مصنوعی مستقل» و «آموزش ماشین برای هوش مصنوعی خودمختار».) برای طراحی یک سیستم هوش مصنوعی مستقل، باید نحوه تقطیر یک چالش تجاری را در اجزای سازنده آن بیابید. وقتی بچه‌ها یاد می‌گیرند چطور بیس‌بال بزنند، با توپ‌های سریع شروع نمی‌کنند. مربیان آنها با اصول اولیه شروع می کنند: چگونه دسته خفاش را بگیرند، پاهای خود را کجا بگذارند و چگونه چشم خود را روی توپ نگه دارند. به طور مشابه، یک سیستم هوش مصنوعی مستقل به یک متخصص موضوعی (SME) نیاز دارد تا یک فرآیند پیچیده یا مشکل را به وظایف آسان‌تر تقسیم کند که سرنخ‌های مهمی در مورد چگونگی یافتن سریع‌تر راه‌حل به هوش مصنوعی بدهد. در این دوره، نحوه ایجاد یک طرح طراحی خودکار هوش مصنوعی را یاد خواهید گرفت. با تعیین اهداف، شناسایی مهارت‌های قابل آموزش، و به‌کارگیری آن مهارت‌ها در استراتژی‌های هدف‌گرا، دانش SME خود را مستقیماً در «مغز» هوش مصنوعی خود، عاملی که سیستم مستقل شما را نیرو می‌دهد، ترکیب می‌کنید. شما یاد خواهید گرفت که چه زمانی و چگونه الگوهای طراحی معماری هوش مصنوعی مختلف را با هم ترکیب کنید، همچنین یاد خواهید گرفت که چگونه یک هوش مصنوعی پیشرفته را در سطح معماری بدون نگرانی در مورد اجرای شبکه های عصبی یا الگوریتم های یادگیری ماشین طراحی کنید. در پایان این دوره، شما قادر خواهید بود: • مصاحبه با SMEها برای استخراج دانش منحصر به فرد آنها در مورد یک سیستم یا فرآیند • ترکیب یادگیری تقویتی با قوانین خبره، بهینه سازی و محاسبات ریاضی در مغز هوش مصنوعی • طراحی یک مغز هوش مصنوعی مستقل از اجزای مدولار برای هدایت فرآیند یادگیری برای یک کار خاص • طراحی مغز خود را در برابر تخصص و تکنیک های موجود برای حل مشکلات اعتبار سنجی کنید • یک سند مشخصات دقیق تهیه کنید تا شخص دیگری بتواند مغز هوش مصنوعی شما را بسازد

coursera علم داده چیست؟ (Mitalearn-327842)

  • 3 hours 34 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Rav Ahuja,Alex Aklson
درباره این دوره:

آیا می خواهید بدانید چرا علم داده به عنوان جذاب ترین حرفه قرن بیست و یکم شناخته شده است؟ پس از گذراندن این دوره، شما قادر خواهید بود به این سوال پاسخ دهید، بفهمید علم داده چیست و دانشمندان داده چه می کنند و در مورد مسیرهای شغلی در این زمینه بیاموزید. هنر کشف بینش ها و روندها در داده ها از زمان های قدیم وجود داشته است. مصریان باستان از داده های سرشماری برای افزایش کارایی در جمع آوری مالیات استفاده می کردند و سیل رودخانه نیل را هر ساله به طور دقیق پیش بینی می کردند. از آن زمان، مردم به استفاده از داده ها برای استخراج بینش و پیش بینی نتایج ادامه دادند. اخیراً آنها زمینه ای منحصر به فرد و متمایز را برای کاری که انجام می دهند ایجاد کرده اند. این رشته علم داده است. در دنیای امروز، ما از علم داده برای یافتن الگوها در داده ها و نتیجه گیری و پیش بینی های معنادار و مبتنی بر داده استفاده می کنیم. این دوره برای همه است و مفاهیمی مانند نحوه استفاده دانشمندان داده از یادگیری ماشینی و یادگیری عمیق و نحوه استفاده شرکت ها از علم داده در تجارت را آموزش می دهد. شما با چندین دانشمند داده ملاقات خواهید کرد که بینش و تجربیات خود را در علم داده به اشتراک خواهند گذاشت. با گذراندن این دوره مقدماتی، سفر خود را به این رشته پر رونق آغاز خواهید کرد.

coursera علم داده در مراقبت های بهداشتی طبقه بندی شده و پزشکی دقیق (Mitalearn-330375)

  • 4 hours 4 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Dr Areti Manataki,Dr Frances Wong
درباره این دوره:

حجم فزاینده ای از داده ها در زیست پزشکی و مراقبت های بهداشتی از داده های ژنومی گرفته تا پرونده های الکترونیکی بیماران و داده های جمع آوری شده توسط دستگاه های پوشیدنی در دسترس است. پیشرفت های اخیر در علم داده، علوم زیستی را متحول کرده و منجر به پزشکی دقیق و مراقبت های بهداشتی طبقه بندی شده می شود. در این دوره آموزشی، با انواع مختلف داده ها و روش های محاسباتی مربوط به مراقبت های بهداشتی طبقه بندی شده و پزشکی دقیق آشنا خواهید شد. شما تجربه عملی کار با چنین داده هایی را خواهید داشت. و از رهبران این حوزه در مورد مطالعات موردی موفق یاد خواهید گرفت. موضوعات عبارتند از: (i) پردازش توالی، (ii) تجزیه و تحلیل تصویر، (iii) مدل سازی شبکه، (iv) مدل سازی احتمالی، (v) یادگیری ماشین، (vi) پردازش زبان طبیعی، (vii) مدل سازی فرآیند و (viii) نمودار داده ها ویدیوی تبلیغاتی دوره را اینجا ببینید: http://edin.ac/2pn350P

Suggestions