Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-7 of 7 items.

linkedin Debiasing AI Using Amazon SageMaker (Mitalearn-203351)

  • 1 hours 42 minutes
  • متوسط
  • Release date: 22 June 2026
  • Author: Kesha Williams
درباره این دوره:

هوش مصنوعی (AI) می تواند تعصب عمیقی داشته باشد. این وظیفه دانشمندان و توسعه دهندگان داده است که مطمئن شوند الگوریتم هایشان منصفانه، شفاف و قابل توضیح است. این مسئولیت هنگام ساختن مدل هایی که ممکن است خط مشی را تعیین کند یا مسیر زندگی مردم را شکل دهد، بسیار مهم است. در این دوره، کشا ویلیامز، مهندس نرم‌افزار برنده جایزه، نحوه انحراف هوش مصنوعی با Amazon SageMaker را توضیح می‌دهد. او نشان می دهد که چگونه می توان از SageMaker برای ایجاد یک مدل یادگیری ماشینی پلیسی پیش بینی کننده استفاده کرد که Rekognition و AWS DeepLens را ادغام می کند و یک مدل مبارزه با جرم و جنایت ایجاد می کند که می تواند آنچه را که در یک صحنه زنده اتفاق می افتد "ببیند". با دنبال کردن روند توسعه، می‌توانید بیاموزید که چه چیزی برای ساخت مدلی که از تعصبات فرهنگی رنج نمی‌برد، می‌آید. کشا همچنین در مورد چگونگی حذف سوگیری در داده های آموزشی، آزمایش یک مدل برای انصاف و ایجاد اعتماد در هوش مصنوعی با ساخت مدل های قابل توضیح بحث می کند.

linkedin آموزش Amazon SageMaker (Mitalearn-190023)

  • 1 hours 11 minutes
  • متوسط
  • Release date: 30 April 2019
  • Author: Martin Kemka
درباره این دوره:

SageMaker راه حل آمازون برای توسعه دهندگانی است که می خواهند مدل های یادگیری ماشینی پیش بینی را در یک محیط تولید مستقر کنند. برنامه نویسی در پایتون انجام می شود و نتایج را می توان به راحتی در برنامه های مبتنی بر ابر ادغام کرد. این درس‌ها کل گردش کار Amazon SageMaker را بررسی می‌کنند: تجزیه و تحلیل، ساخت، و استقرار نهایی. مربی Martin Kemka مزایای Amazon SageMaker را معرفی می کند و رابط و مجموعه ابزار مبتنی بر مرورگر آن را بررسی می کند. در فصل دوم، او نحوه وارد کردن، بررسی، تجسم و خلاصه کردن داده های خود را نشان می دهد. مرحله بعدی استفاده از یک نمونه داده تمیز برای آموزش یک مدل یادگیری ماشین برای انجام یک وظیفه اساسی است. در نهایت، مارتین نشان می دهد که چگونه مدل مستقر شده است. تقریباً هر فصل با چالشی به پایان می رسد که به شما امکان می دهد مهارت های جدید SageMaker خود را تمرین کنید.

linkedin استفاده از یادگیری ماشینی مبتنی بر ابر در AWS: برنامه‌های دنیای واقعی (Mitalearn-227491)

  • 1 hours 28 minutes
  • مناسب همه
  • Release date: 22 June 2026
  • Author: David Linthicum
درباره این دوره:

هزینه و کارایی ابر، یادگیری ماشینی و هوش مصنوعی (AI) را در اختیار شرکت‌های بزرگ و کوچک قرار می‌دهد. با خدمات وب آمازون به سازمان خود کمک کنید تا از قدرت خود استفاده کند. این دوره یک رویکرد عملی برای استفاده از AWS برای کاربردهای مبتنی بر هوش مصنوعی در صنایع مختلف، از جمله مراقبت‌های بهداشتی، مالی، اجرای قانون، تولید و آموزش است. مربی دیوید لینتیکوم SageMaker، پلتفرم هوش مصنوعی آمازون را معرفی می کند و موارد استفاده مختلفی را ارائه می دهد که بهترین شیوه ها، ابزارها و تکنیک های فعلی را نشان می دهد. او نشان می دهد که چگونه می توان مدل های یادگیری ماشینی را با SageMaker ساخت و آموزش داد و آنها را در برنامه های دنیای واقعی ادغام کرد. دیوید همچنین با نمایش راه‌حل‌های واقعی AWS، نگرانی‌های مربوط به هوش مصنوعی مانند هزینه و امنیت را برطرف می‌کند.

coursera برنامه های کاربردی وب و ابزارهای خط فرمان برای مهندسی داده (Mitalearn-324221)

  • 4 hours 11 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Noah Gift,Kennedy Behrman,Alfredo Deza
درباره این دوره:

در این دوره چهارم از پایتون، Bash و SQL Essentials برای تخصص مهندسی داده، شما بر اساس مفاهیم مهندسی داده معرفی شده در سه دوره اول برای استفاده از تکنیک‌های Python، Bash و SQL در مقابله با مشکلات دنیای واقعی استوار می‌شوید. ابتدا، ما عمیق‌تر به استفاده از نوت‌بوک‌های Jupyter برای ایجاد و استقرار مدل‌هایی برای وظایف یادگیری ماشینی خواهیم پرداخت. سپس، نحوه استفاده از میکروسرویس‌های پایتون را برای تجزیه انبار داده‌های خود به راه‌حل‌های کوچک و قابل حمل که می‌توانند مقیاس شوند، بررسی خواهیم کرد. در نهایت، شما یک ابزار خط فرمان قدرتمند برای خودکارسازی تست و کنترل کیفیت برای انتشار و به اشتراک گذاری ابزار خود با یک رجیستری داده خواهید ساخت.

coursera پیاده سازی و عملیات یادگیری ماشین در AWS (Mitalearn-329695)

  • 1 hours 43 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Whizlabs Instructor
درباره این دوره:

عملیات پیاده سازی یادگیری ماشین در AWS پنجمین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. این دوره تمرکز عمده ای بر طراحی و پیاده سازی راه حل های یادگیری ماشین برای عملکرد، در دسترس بودن، مقیاس پذیری، انعطاف پذیری و تحمل خطا دارد. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره آموزشی با سخنرانی‌های ویدیویی تقریباً 1:00 تا 1:30 ساعته که هم تئوری و هم دانش عملی را ارائه می‌کند، به فراگیران کمک می‌کند. همچنین آزمون های درجه بندی شده و بدون درجه بندی به منظور سنجش توانایی فراگیران به همراه هر ماژول ارائه می شود. ماژول 1: عملیات پیاده سازی یادگیری ماشین در AWS-Part 1 ماژول 2: عملیات پیاده سازی یادگیری ماشین در AWS-Part 2 حداقل دو سال تجربه عملی در معماری، ساخت یا اجرای بارهای کاری ML/یادگیری عمیق در AWS Cloud. در پایان این دوره، فراگیران قادر خواهند بود: -طراحی راه حل های یادگیری ماشین برای عملکرد، در دسترس بودن، مقیاس پذیری، انعطاف پذیری و تحمل خطا -اجرای خدمات و ویژگی های یادگیری ماشین مناسب برای یک مشکل خاص -راه حل های یادگیری ماشین را با آزمایشگاه توسعه دهید

coursera مدل سازی در AWS (Mitalearn-329712)

  • 1 hours 45 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Whizlabs Instructor
درباره این دوره:

مدل سازی در AWS سومین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. تمرکز اصلی این دوره آموزش مدل های یادگیری ماشین با تجزیه و تحلیل مفاهیم مدل سازی در AWS است. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره با سخنرانی‌های ویدئویی تقریباً 1:30 ساعت تا 2:00 ساعت که دانش تئوری و دستی را ارائه می‌کند، زبان‌آموزان را تسهیل می‌کند. همچنین آزمون های درجه بندی شده و بدون درجه بندی به منظور سنجش توانایی فراگیران به همراه هر ماژول ارائه می شود. ماژول 1: مدل سازی و آموزش مدل های یادگیری ماشین در AWS ماژول 2: مدل های یادگیری ماشین: ارزیابی عملکرد و تنظیم در پایان این دوره، فراگیران قادر خواهند بود: 1. تجزیه و تحلیل مفاهیم مدل سازی و آموزش مدل های یادگیری ماشین 2. عملکرد مدل های یادگیری ماشین را بررسی کنید 3. با آموزش یک مدل، تنظیم خودکار مدل را پیاده سازی کنید

coursera مهندسی داده در AWS (Mitalearn-329287)

  • 1 hours 45 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Whizlabs Instructor
درباره این دوره:

مهندسی داده در AWS اولین دوره در تخصص AWS Certified Machine Learning تخصص است. این دوره به زبان آموزان کمک می کند تا تکنیک های مختلف جمع آوری داده ها را تجزیه و تحلیل کنند. آنها همچنین بینشی برای رسیدگی به داده های از دست رفته به دست خواهند آورد. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره آموزشی با سخنرانی‌های ویدیویی حدوداً 2:30 تا 3:00 ساعت که هم تئوری و هم دانش عملی را ارائه می‌کند، به زبان‌آموزان تسهیل می‌کند. همچنین آزمون های درجه بندی شده و بدون درجه بندی به منظور سنجش توانایی فراگیران به همراه هر ماژول ارائه می شود. ماژول 1: مقدمه ای بر مهندسی داده ماژول 2: استخراج ویژگی و انتخاب ویژگی نامزد باید حداقل دو سال تجربه عملی در معماری و اجرای بارهای کاری ML در AWS Cloud داشته باشد. فرد باید دانش اولیه الگوریتم های ML را داشته باشد. در پایان این دوره، زبان آموز قادر خواهد بود: - تکنیک های مختلف جمع آوری داده ها را درک کنید - تجزیه و تحلیل تکنیک های مدیریت داده های از دست رفته - پیاده سازی استخراج ویژگی و انتخاب ویژگی با تجزیه و تحلیل مؤلفه اصلی و واریانس آستانه ها

Suggestions