Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-20 of 49 items.

coursera آشنایی با هوش مصنوعی (AI) (Mitalearn-327876)

  • 5 hours 7 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Rav Ahuja
درباره این دوره:

هوش مصنوعی (AI) در اطراف ماست و یکپارچه در زندگی و کار روزمره ما ادغام شده است. برای درک اصطلاحات و برنامه های کلیدی هوش مصنوعی در این دوره ثبت نام کنید ، حرفه هوش مصنوعی خود را راه اندازی کنید یا مورد موجود خود را تغییر دهید. این دوره مفاهیم اصلی هوش مصنوعی ، از جمله یادگیری عمیق ، یادگیری ماشین و شبکه های عصبی را در بر می گیرد. شما مدل های AI تولیدی ، از جمله مدل های بزرگ زبان (LLM) و قابلیت های آنها را بررسی خواهید کرد. علاوه بر این ، شما برنامه های کاربردی AI را در حوزه ها ، مانند پردازش زبان طبیعی (NLP) ، بینایی رایانه و روباتیک ، تجزیه و تحلیل خواهید کرد ، و از نحوه این پیشرفت ها نوآوری و استفاده از موارد استفاده می کنید. این دوره به شما کمک می کند تا کشف کنید که چگونه هوش مصنوعی ، به ویژه هوش مصنوعی ، در حال تغییر شکل مجدد محیط های تجاری و کاری است. شما همچنین فرصت های شغلی در حال ظهور را در این زمینه به سرعت در حال تحول کشف خواهید کرد و بینش در مورد ملاحظات اخلاقی و مدیریت هوش مصنوعی که نوآوری مسئولیتی را شکل می دهد ، به دست می آورید. این دوره شامل آزمایشگاه های دستی و یک پروژه است که فرصتی مفید برای کشف موارد و برنامه های کاربردی AI فراهم می کند. همچنین از پزشکان متخصص در مورد قابلیت ها ، برنامه ها و ملاحظات اخلاقی پیرامون هوش مصنوعی می شنوید. این دوره برای همه مناسب است ، از جمله متخصصان ، علاقه مندان و دانشجویان علاقمند به یادگیری اصول هوش مصنوعی.

linkedin آموزش انتقال تصاویر با استفاده از PyTorch: Essential Training (Mitalearn-183546)

  • 58 minutes
  • متوسط
  • Release date: 22 June 2026
  • Author: Jonathan Fernandes
درباره این دوره:

PyTorch پس از معرفی خود در سال 2017 به سرعت به ابزار انتخابی بسیاری از محققان یادگیری عمیق تبدیل شد. در این دوره، جاناتان فرناندز به شما نشان می‌دهد که چگونه از این چارچوب یادگیری ماشینی محبوب برای تکنیکی مشابه استفاده کنید: یادگیری انتقال. جاناتان با استفاده از یک رویکرد عملی، اصول یادگیری انتقالی را توضیح می‌دهد، که به شما امکان می‌دهد از پارامترهای از پیش آموزش‌دیده‌شده یک مدل یادگیری عمیق موجود برای کارهای دیگر استفاده کنید. سپس نحوه پیاده‌سازی یادگیری انتقال برای تصاویر را با استفاده از PyTorch نشان می‌دهد، از جمله نحوه ایجاد یک استخراج کننده ویژگی ثابت و فریز کردن لایه‌های شبکه عصبی. به علاوه، در مورد استفاده از نرخ های یادگیری و نرخ های یادگیری متفاوت اطلاعات کسب کنید.

linkedin آموزش ضروری Apache Spark Deep Learning (Mitalearn-162721)

  • 42 minutes
  • متوسط
  • Release date: 28 June 2026
  • Author: Jonathan Fernandes
درباره این دوره:

Apache Spark به طور گسترده به عنوان پلتفرم برتر برای حرفه ای ها در نظر گرفته می شود که باید بینش های جامع تری را از داده های خود به دست آورند. در این دوره آموزشی، یکی از هیجان انگیزترین جنبه های این پلتفرم کلان داده را بررسی کنید – توانایی آن در انجام یادگیری عمیق با تصاویر. جاناتان فرناندز، مربی، قبل از اینکه به طور کامل به یادگیری عمیق در اسپارک با استفاده از پایتون بپردازد، راه‌های مختلف برای انجام یادگیری عمیق در Spark و همچنین کتابخانه‌های کلیدی موجود در حال حاضر را بررسی می‌کند. سپس نشان می دهد که چگونه محیط یادگیری عمیق Spark خود را راه اندازی کنید، با استفاده از کتابخانه یادگیری عمیق Databricks با تصاویر در Spark کار کنید، از یک مدل از پیش آموزش دیده استفاده کنید و یادگیری را انتقال دهید، و مدل ها را به عنوان توابع SQL به کار ببرید.

linkedin آموزش ضروری Pytorch: یادگیری عمیق (Mitalearn-433803)

  • 1 hours 21 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Terezija Semenski
درباره این دوره:

Pytorch انعطاف پذیرترین و بیانگر ترین کتابخانه برای یادگیری عمیق است و API ساده Python ، پشتیبانی GPU و انعطاف پذیری را ارائه می دهد. این طراحی شده است تا داده ها را بارگیری کند ، از Transforms استفاده کند و مدل های یادگیری عمیق را فقط با چند خط کد بسازد. بسیاری از توسعه دهندگان و محققان یادگیری ماشین از Pytorch برای تسریع در تحقیقات عمیق یادگیری ، آزمایش و نمونه سازی استفاده می کنند. در این دوره ، توسعه دهنده نرم افزار Terezija Semenski ویژگی های مهم Pytorch را با یک رویکرد مفید به شما می آموزد تا به شما در توسعه مهارت های مورد نیاز برای شیرجه زدن به پروژه های یادگیری عمیق خود کمک کند.

این دوره شامل چالش های کد است که توسط CoderPad تهیه شده است. چالش های کد تمرینات برنامه نویسی تعاملی با بازخورد در زمان واقعی است ، بنابراین می توانید برای پیشبرد مهارت های برنامه نویسی خود ، در کنار محتوای دوره ، تمرین کدگذاری دستی را انجام دهید.

linkedin آموزش ضروری PyTorch: یادگیری عمیق (2019) (Mitalearn-183529)

  • 56 minutes
  • متوسط
  • Release date: 3 October 2019
  • Author: Jonathan Fernandes
درباره این دوره: 

 PyTorch به سرعت در حال تبدیل شدن به یکی از محبوب ترین فریم ورک های یادگیری عمیق در سراسر جهان است، و همچنین به یک مهارت ضروری در کیت ابزار هوش مصنوعی شما تبدیل می شود. به دلیل ادغام عمیق آن با پایتون، تحسین رهبران صنعت را به دست آورده است. ادغام آن با پلتفرم های ابری برتر، از جمله Amazon SageMaker و Google Cloud Platform. و نمودارهای محاسباتی آن که می توان در پرواز تعریف کرد. در این دوره، به جاناتان فرناندز بپیوندید تا به اصول یادگیری عمیق با استفاده از PyTorch بپردازد. با شروع با یک مدل تشخیص تصویر کارآمد، او نشان می‌دهد که چگونه اجزای مختلف در پشت سر هم قرار می‌گیرند و کار می‌کنند - از تانسورها، توابع از دست دادن، و خودکار تا عیب‌یابی شبکه PyTorch.

linkedin آموزش عمیق تمام پشته با پایتون (Mitalearn-392272)

  • 1 hours 58 minutes
  • مناسب همه
  • Release date: 6 February 2024
  • Author: Janani Ravi
درباره این دوره: 

 اگر به دنبال درک عمیق تری از یادگیری عمیق و پایتون هستید، این دوره عملی می تواند به شما کمک کند. در این دوره، مهندس معمار ابر و مهندس داده خبره گوگل، جانانی راوی، شما را از طریق پیچیدگی های یادگیری عمیق تمام پشته با پایتون راهنمایی می کند. پس از بررسی آموزش عمیق پشته کامل، MLOps و MLflow، به راه‌اندازی محیط خود در Google Colab و اجرای MLflow بپردازید. نحوه بارگیری و کاوش یک مجموعه داده و همچنین نحوه ثبت معیارها، پارامترها و مصنوعات را بیاموزید. آموزش مدل، ارزیابی و تنظیم فراپارامتر را کاوش کنید. به علاوه، به استقرار مدل و پیش‌بینی‌ها بپردازید.

coursera اصول هوش مصنوعی برای دانشمندان بدون داده (Mitalearn-298823)

  • 4 hours 46 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Kartik Hosanagar,Prasanna Tambe
درباره این دوره:

در این دوره، به طور عمیق خواهید فهمید که چگونه یادگیری ماشین برای مدیریت و تفسیر داده های بزرگ استفاده می شود. شما با ابزارهایی مانند Teachable Machine و TensorFlow نگاهی دقیق به راه‌ها و روش‌های مختلف برای ایجاد الگوریتم‌هایی برای ادغام در کسب‌وکار خود خواهید داشت. شما همچنین روش‌های مختلف ML، یادگیری عمیق، و همچنین محدودیت‌ها را یاد می‌گیرید، اما همچنین نحوه دقت و استفاده از بهترین داده‌های آموزشی را برای الگوریتم‌های خود خواهید آموخت. سپس GAN ها و VAE ها را بررسی می کنید و از دانش جدید خود برای تعامل با AutoML استفاده می کنید تا به شما کمک کند شروع به ساخت الگوریتم هایی کنید که مطابق با نیازهای شما کار می کنند. همچنین مصاحبه‌های انحصاری با رهبران صنعت را خواهید دید که Big Data را برای شرکت‌هایی مانند مک‌دونالد و ویزا مدیریت می‌کنند. در پایان این دوره، روش‌های مختلفی برای کدنویسی، از جمله نحوه استفاده از ابزارهای بدون کد، درک عمیق یادگیری، نحوه اندازه‌گیری و بررسی خطاها در الگوریتم‌ها و نحوه استفاده از داده‌های بزرگ نه تنها برای حفظ حریم خصوصی مشتری، بلکه نحوه استفاده از این داده‌ها برای توسعه استراتژی‌های مختلف که کسب‌وکار شما را هدایت می‌کنند، یاد خواهید گرفت.

linkedin اصول یادگیری عمیق برای مراقبت های بهداشتی (Mitalearn-441878)

  • 2 hours 26 minutes
  • مناسب همه
  • Release date: 16 April 2025
  • Author: Wuraola Oyewusi
درباره این دوره: 

 دنیای هیجان انگیز کاربردهای یادگیری عمیق در مراقبت های بهداشتی را از طریق این دوره عمیق کاوش کنید. بیاموزید که چگونه ناهنجاری‌ها را در تصاویر اشعه ایکس از طریق شبکه‌های عصبی کانولوشنال (CNN)، تنظیم دقیق مدل‌های از پیش آموزش‌دیده، و استفاده از یادگیری شات صفر، طبقه‌بندی و تشخیص دهید. اصول یادگیری عمیق، از جمله شبکه های عصبی، آموزش مدل، و تنظیم فراپارامتر که به طور خاص برای مراقبت های بهداشتی طراحی شده است را درک کنید. در فعالیت‌های عملی شرکت کنید که در آن داده‌ها را از قبل پردازش می‌کنید، مدل‌هایی را با پایتون می‌سازید، و از چارچوب‌هایی مانند TensorFlow و PyTorch استفاده می‌کنید. توسعه مهارت های عملی در تشخیص و تقسیم بندی اشیا برای تشخیص و تشخیص موثر شرایط پزشکی. در مورد ملاحظات اخلاقی و محدودیت های داده مربوط به استفاده از هوش مصنوعی در زمینه پزشکی بینش به دست آورید. در پایان این دوره، شما مجهز به استفاده از تکنیک های یادگیری عمیق در چالش های مراقبت های بهداشتی در دنیای واقعی، بهبود دقت تشخیصی و نتایج بیمار خواهید شد.

coursera برنامه های یادگیری عمیق برای بینایی کامپیوتر (Mitalearn-331378)

  • 7 hours 31 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Ioana Fleming
درباره این دوره:

در این دوره آموزشی، با کامپیوتر ویژن به عنوان یک زمینه مطالعه و تحقیق آشنا خواهید شد. ابتدا چندین کار Computer Vision و رویکردهای پیشنهادی را از دیدگاه کلاسیک Computer Vision بررسی خواهیم کرد. سپس روش‌های یادگیری عمیق را معرفی می‌کنیم و آنها را برای برخی از مشکلات مشابه به کار می‌بریم. ما نتایج را تجزیه و تحلیل خواهیم کرد و مزایا و معایب هر دو نوع روش را مورد بحث قرار خواهیم داد. ما از آموزش‌هایی استفاده می‌کنیم تا به شما اجازه دهیم برخی از ابزارهای مدرن یادگیری ماشین و کتابخانه‌های نرم‌افزار را به‌طور عملی کشف کنید. نمونه‌هایی از وظایف بینایی کامپیوتری که در آن‌ها می‌توان از یادگیری عمیق استفاده کرد، عبارتند از: طبقه‌بندی تصویر، طبقه‌بندی تصویر با محلی‌سازی، تشخیص اشیا، تقسیم‌بندی شی، تشخیص چهره، و تخمین فعالیت یا حالت. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder

coursera بنیاد علوم داده های سلامت (Mitalearn-336648)

  • 3 hours 45 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Jimeng Sun
درباره این دوره:

این دوره برای افراد درگیر در یادگیری ماشین و علاقه مند به کاربردهای پزشکی یا بالعکس، متخصصان پزشکی که علاقه مند به روش هایی هستند که علوم کامپیوتر مدرن به رشته خود ارائه می دهند، در نظر گرفته شده است. ما تجزیه و تحلیل داده های سلامت، انواع مختلف شبکه های عصبی، و همچنین آموزش و کاربرد شبکه های عصبی را در سناریوهای پزشکی دنیای واقعی پوشش خواهیم داد. ما روش های یادگیری عمیق (DL)، داده های مراقبت های بهداشتی و برنامه های کاربردی را با استفاده از روش های DL پوشش می دهیم. 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 بهبود شبکه های عصبی عمیق: تنظیم فراپارامتر، منظم سازی و بهینه سازی (Mitalearn-212922)

  • 5 hours 26 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Andrew Ng,Kian Katanforoosh,Younes Bensouda Mourri
درباره این دوره:

در دوره دوم تخصص یادگیری عمیق، جعبه سیاه یادگیری عمیق را برای درک فرآیندهایی که عملکرد را هدایت می کنند و به طور سیستماتیک نتایج خوبی ایجاد می کنند را باز خواهید کرد. در پایان، بهترین شیوه‌ها را برای آموزش و توسعه مجموعه‌های تست و تجزیه و تحلیل سوگیری/واریانس برای ساخت برنامه‌های یادگیری عمیق یاد خواهید گرفت. قادر به استفاده از تکنیک های شبکه عصبی استاندارد مانند مقداردهی اولیه، تنظیم L2 و حذف، تنظیم هایپرپارامتر، نرمال سازی دسته ای و بررسی گرادیان باشد. انواع الگوریتم‌های بهینه‌سازی مانند نزول گرادیان دسته‌ای کوچک، Momentum، RMSprop و Adam را پیاده‌سازی و اعمال کنید و همگرایی آنها را بررسی کنید. و یک شبکه عصبی را در TensorFlow پیاده سازی 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 تصمیم گیری و یادگیری تقویتی (Mitalearn-308734)

  • 5 hours 4 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Tony Dear
درباره این دوره:

این دوره مقدمه ای بر تصمیم گیری متوالی و یادگیری تقویتی است. ما با بحث در مورد نظریه مطلوبیت شروع می کنیم تا یاد بگیریم که چگونه ترجیحات را می توان برای تصمیم گیری نشان داد و مدل سازی کرد. ما ابتدا مسائل تصمیم گیری ساده را به عنوان مشکلات راهزن چند مسلح مدل می کنیم و چندین رویکرد را برای ارزیابی بازخورد مورد بحث قرار می دهیم. سپس مسائل تصمیم‌گیری را به‌عنوان فرآیندهای تصمیم‌گیری مارکوف محدود (MDP) مدل‌سازی می‌کنیم و راه‌حل‌های آن‌ها را از طریق الگوریتم‌های برنامه‌نویسی پویا مورد بحث قرار می‌دهیم. ما مفهوم مشاهده پذیری جزئی در مسائل واقعی را که توسط POMDP مدل شده و سپس با روش های برنامه ریزی آنلاین حل شده است، لمس می کنیم. در نهایت، مسئله یادگیری تقویتی را معرفی می کنیم و دو پارادایم را مورد بحث قرار می دهیم: روش های مونت کارلو و یادگیری تفاوت زمانی. ما دوره را با یادآوری اینکه چگونه این دو پارادایم بر روی طیفی از روش‌های تفاوت زمانی n مرحله‌ای قرار دارند، به پایان می‌رسانیم. تاکید بر الگوریتم ها و مثال ها بخش کلیدی این دوره خواهد بود.

coursera توزیع متوسط ​​اینتل از OpenVINO™ برای کاربردهای یادگیری عمیق (Mitalearn-313647)

  • 1 hours 21 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Vu Q Nguyen
درباره این دوره:

این دوره برای توسعه دهندگان برنامه طراحی شده است که می خواهند بارهای کاری استنتاج بینایی کامپیوتر را با استفاده از کیت ابزار OpenVINOTM Intel® Distribution توسعه دهند. این دوره به مدل‌های شبکه عصبی بینایی کامپیوتر از انواع چارچوب‌های یادگیری ماشینی معروف می‌پردازد و نوشتن یک برنامه کاربردی قابل حمل را پوشش می‌دهد که قادر به استقرار استنتاج بر روی طیف وسیعی از دستگاه‌های محاسباتی است. این دوره برای توسعه دهندگان برنامه هدف گذاری شده است و بر روی مثال ها و بحث در مورد گردش کار توسعه تمرکز می کند. به این ترتیب، بحث‌ها نه تنها شامل جزئیات نحوه استفاده از خود جعبه ابزار می‌شود، بلکه موضوعاتی مانند نحوه گرفتن معیار برای مقایسه دستگاه‌های محاسباتی یا کارهایی که باید در هنگام مواجهه با مشکلات انجام دهید را شامل می‌شود. این دوره به گونه ای ساخته شده است که به عنوان راهنمای چگونگی توسعه استقرار استنتاج بینایی کامپیوتر با جعبه ابزار عمل می کند. در پایان دوره، دانش‌آموزان مهارت لازم برای استقرار برنامه بینایی کامپیوتر خود را با استفاده از جعبه ابزار خواهند داشت.

coursera حساب دیفرانسیل و انتگرال برای یادگیری ماشین و علم داده (Mitalearn-303821)

  • 4 hours 20 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Luis Serrano
درباره این دوره:

به تازگی برای سال 2024 به روز شده است! Mathematics for Machine Learning and Data Science یک برنامه آنلاین پایه است که توسط DeepLearning.AI ایجاد شده و توسط Luis Serrano تدریس می شود. در یادگیری ماشینی، شما مفاهیم ریاضی را از طریق برنامه نویسی به کار می برید. و بنابراین، در این تخصص، مفاهیم ریاضی را که با استفاده از برنامه نویسی پایتون یاد می گیرید، در تمرینات آزمایشگاهی عملی به کار خواهید برد. به عنوان یک زبان آموز در این برنامه، برای موفقیت به مهارت های برنامه نویسی پایتون اولیه تا متوسط ​​نیاز دارید. پس از اتمام این دوره، فراگیران قادر خواهند بود: • بهینه سازی تحلیلی انواع مختلف توابع که معمولاً در یادگیری ماشین استفاده می شوند با استفاده از ویژگی های مشتقات و گرادیان ها • بهینه سازی تقریباً انواع مختلف توابع که معمولاً در یادگیری ماشین استفاده می شوند با استفاده از روش های تکراری مرتبه اول (نزول گرادیان) و مرتبه دوم (روش نیوتن). • تفکیک بصری تمایز انواع مختلف توابع که معمولاً در یادگیری ماشین استفاده می شوند • اجرای گرادیان نزول در شبکه های عصبی با توابع مختلف فعال سازی و هزینه بسیاری از مهندسان یادگیری ماشین و دانشمندان داده در زمینه ریاضیات به کمک نیاز دارند، و حتی تمرین‌کنندگان با تجربه نیز می‌توانند از کمبود مهارت‌های ریاضی عقب‌مانده شوند. این تخصص از آموزش نوآورانه در ریاضیات استفاده می‌کند تا به شما کمک کند تا سریع و شهودی یاد بگیرید، با دوره‌هایی که از تجسم‌های ساده برای پیگیری استفاده می‌کنند تا به شما کمک کنند تا ببینید که چگونه ریاضیات پشت یادگیری ماشین واقعاً کار می‌کند.  ما به شما توصیه می کنیم سطح ریاضی دبیرستان (توابع، جبر پایه) و آشنایی با برنامه نویسی (ساختارهای داده، حلقه ها، توابع، دستورات شرطی، اشکال زدایی) داشته باشید. تکالیف و آزمایشگاه‌ها در پایتون نوشته شده‌اند، اما این دوره تمام کتابخانه‌های یادگیری ماشینی را که استفاده می‌کنید معرفی می‌کند.

coursera درختان تصمیم گیری، SVM ها و شبکه های عصبی مصنوعی بسازید (Mitalearn-331480)

  • 3 hours 13 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Stacey McBrine
درباره این دوره:

انواع مختلفی از الگوریتم های یادگیری ماشین وجود دارد که هر کدام دارای ویژگی های خاصی هستند که ممکن است آن را کم و بیش برای حل یک مشکل خاص مناسب کند. درخت‌های تصمیم و ماشین‌های بردار پشتیبان (SVM) دو نمونه از الگوریتم‌هایی هستند که هم می‌توانند مشکلات رگرسیون و طبقه‌بندی را حل کنند، اما کاربردهای متفاوتی دارند. به همین ترتیب، یک رویکرد پیشرفته تر به یادگیری ماشین، به نام یادگیری عمیق، از شبکه های عصبی مصنوعی (ANN) برای حل این نوع مشکلات و موارد دیگر استفاده می کند. افزودن همه این الگوریتم ها به مجموعه مهارت شما برای انتخاب بهترین ابزار برای کار بسیار مهم است. این چهارمین دوره و آخرین دوره با گواهینامه حرفه‌ای متخصص هوش مصنوعی (CAIP) با معرفی الگوریتم‌های بیشتر و در برخی موارد پیشرفته‌تر مورد استفاده در یادگیری ماشین و یادگیری عمیق، از دوره قبلی ادامه می‌یابد. مانند قبل، چندین مدل خواهید ساخت که می تواند مشکلات تجاری را حل کند، و این کار را در یک گردش کار انجام خواهید داد. در نهایت، این دوره به کاوش فنی الگوریتم های مختلف یادگیری ماشین و نحوه استفاده از آنها برای ساخت مدل های حل مسئله پایان می دهد.

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.

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.

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.

coursera ساخت، آموزش و استقرار مدل‌های ML با Keras در Google Cloud - Español (Mitalearn-309856)

  • 1 hours 52 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

در این روش، توضیحی برای ایجاد مدل‌های AA con TensorFlow و Keras، و یا مدل‌های دقیق برای مدل‌های AA و نوشتن مدل‌های AA برای استفاده از escalado.

Suggestions