Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-11 of 11 items.

linkedin LinkedIn AI Academy AI-100: 2 یادگیری تحت نظارت با شبکه های عصبی (Mitalearn-390827)

  • 1 hours 9 minutes
  • مناسب همه
  • Release date: 4 May 2023
  • Author: Daniel Hewlett,Ananth Sankar
درباره این دوره: 

 هوش مصنوعی یکی از مهم ترین اما کمتر شناخته شده ترین زمینه ها در جهان است. طرز تفکر ما در مورد تجارت را تغییر می دهد، اما آنقدر سریع در حال تغییر است که پیگیری آن دشوار است. این دوره که توسط مهندسان لینکدین آنانت سانکار و دانیل هیولت تدریس می‌شود، نشان می‌دهد که چگونه شبکه‌های عصبی و یادگیری عمیق هوش مصنوعی را در دهه گذشته متحول کرده‌اند و برنامه‌هایی را که قبلا غیرممکن بودند، فعال می‌کنند. Ananth و Daniel برخی از محبوب ترین معماری های شبکه عصبی را پوشش می دهند. آنها موضوعات کلیدی مانند شبکه‌های عصبی طبقه‌بندی خطی ساده، شبکه‌های عصبی کانولوشنال، و یادگیری توالی، و همچنین شبکه‌های عصبی نموداری و نحوه اعمال آنها را برای پیش‌بینی نمودارهای شبکه‌های اجتماعی مورد بحث قرار می‌دهند.

linkedin آموزش شبکه های عصبی در C++ (2021) (Mitalearn-199220)

  • 1 hours 46 minutes
  • پیشرفته
  • Release date: 26 February 2021
  • Author: Eduardo Corpeño
درباره این دوره:

در مورد هدف، ساختار و فرآیند آموزش شبکه های عصبی برای بهبود مهارت های یادگیری ماشینی خود بیاموزید. در این دوره پروژه محور، مدرس Eduardo Corpeño به شما یاد می دهد که چگونه یک سیستم هوشمند با یک شبکه عصبی را از ابتدا در C++ ایجاد کنید، همچنین نحوه انتخاب معماری شبکه عصبی و روش آموزش مناسب برای هر مشکل را به شما آموزش می دهد. ادواردو با توضیح تفاوت بین شبکه عصبی و سایر ابزارهای برنامه نویسی شروع می کند. او توضیح می دهد که چرا این دوره از C++ استفاده می کند و چگونه می توان انواع مختلف شبکه های عصبی را به جعبه ابزار خود اضافه کرد. الهام‌بخش شبکه‌های عصبی مصنوعی مغز است و ادواردو بخش‌هایی از یک نورون بیولوژیکی را به عناصر C++ مرتبط می‌کند، سپس نحوه استفاده از توابع فعال‌سازی و پرسپترون‌ها را در ساخت مدل‌های عصبی نشان می‌دهد. ادواردو مراحلی را که برای ساخت و آموزش شبکه خود نیاز دارید را پوشش می دهد. او تشخیص بخش نمایشگر را توضیح می دهد، سپس شما را از طریق طراحی و آموزش شبکه عصبی SDR خود راهنمایی می کند.

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.

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 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.

linkedin کارگاه هوش مصنوعی: دستی با GAN ها با استفاده از شبکه های عصبی متراکم (Mitalearn-411057)

  • 1 hours 31 minutes
  • مناسب همه
  • Release date: 23 September 2025
  • Author: Janani Ravi
درباره این دوره: 

 اگر به دنبال تمرین AI دستی هستید ، این دوره برنامه نویسی به سبک کارگاه برای شما طراحی شده است. به مربی Janani Ravi بپیوندید زیرا او به شما نشان می دهد که چگونه می توانید شبکه های مخالف تولیدی (GANS) را بسازید و آموزش دهید. اجزای اصلی GAN ها را کشف کنید ، از جمله نحوه تنظیم محیط مجازی ، اجرای سرور نوت بوک ، فوری مجموعه داده Pytorch ، Dataloader و موارد دیگر. Janani اصول آموزش مستقل مخالفان ، آموزش GAN ها و تجسم نتایج را در بر می گیرد. Janani همچنین در مورد چگونگی رسیدگی به مشکلات مشترک مرتبط با GAN ها و کاهش مؤثر آنها در طول فرآیند آموزش بحث می کند.

linkedin کارگاه هوش مصنوعی: ساخت یک شبکه عصبی با PyTorch Lightning (2023) (Mitalearn-442575)

  • 1 hours 30 minutes
  • مناسب همه
  • Release date: 8 December 2023
  • Author: Janani Ravi
درباره این دوره: 

 

اگر به دنبال تمرین عملی هوش مصنوعی هستید، این دوره کدنویسی به سبک کارگاهی برای شما طراحی شده است. به مربی Janani Ravi بپیوندید تا به شما نحوه ایجاد یک شبکه عصبی با PyTorch Lightning را نشان دهد، کتابخانه منبع باز پایتون که یک رابط برای چارچوب یادگیری عمیق محبوب PyTorch ارائه می دهد. اجزای اصلی ساخت یک شبکه عصبی با PyTorch، از جمله راه اندازی محیط مجازی، بارگیری و کاوش داده ها، پیش پردازش داده ها برای آموزش، ایجاد و آموزش یک شبکه عصبی ساده، راه اندازی Dataset و DataLoader، تجسم تلفات و موارد دیگر را کاوش کنید. در طول مسیر، جانانی اصول استفاده از ماژول ها در PyTorch Lightning را برای ساخت، آموزش و ارزیابی هر دو مدل رگرسیون و طبقه بندی پوشش می دهد.

این دوره توسط Loonycorn ایجاد شده است. ما خوشحالیم که این محتوا را در کتابخانه خود میزبانی می کنیم.


linkedin مبانی هوش مصنوعی: شبکه های عصبی (Mitalearn-381545)

  • 1 hours 45 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Gwendolyn Stripling
درباره این دوره:

یک شبکه عصبی مصنوعی از مغز انسان به عنوان الهام برای ایجاد یک سیستم یادگیری ماشینی پیچیده استفاده می کند. آن‌ها می‌توانند میلیون‌ها صدا، ویدیو و تصویر را طبقه‌بندی کنند، به سؤالات ما پاسخ دهند، رفتارهای ما را درک کنند و حتی اتومبیل‌های ما را برانند. شبکه های عصبی همچنین پایه و اساس هوش مصنوعی مولد هستند.

این دوره به معرفی تکنیک ها و اصول اساسی شبکه های عصبی، مدل های رایج و کاربردهای آنها می پردازد. مربی Gwendolyn Stripling شما را از طریق معماری های مختلف شبکه عصبی، اجزای آنها، موارد استفاده مناسب و بهترین شیوه ها برای بهبود عملکرد مدل شبکه عصبی راهنمایی می کند. به علاوه، با استفاده از Keras Sequential API، یک کتابخانه منبع باز که طراحی و آموزش شبکه های عصبی را ابهام می کند، تجربه عملی در ساخت و آموزش یک شبکه عصبی به دست آورید. اگر به دنبال دستیابی به درک کاملی از نحوه ساخت، آموزش، بهبود و استفاده از شبکه های عصبی هستید، در این دوره آموزشی به Gwendolyn بپیوندید.

coursera مقدمه ای بر یادگیری ماشینی (Mitalearn-332313)

  • 10 hours 24 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Lawrence Carin ,David Carlson,Timothy Dunn
درباره این دوره:

این دوره یک درک اساسی از مدل های یادگیری ماشین (رگرسیون لجستیک، پرسپترون های چندلایه، شبکه های عصبی کانولوشن، پردازش زبان طبیعی و غیره) ارائه می دهد و نشان می دهد که چگونه می توانند مشکلات پیچیده در صنایع مختلف، از تشخیص پزشکی گرفته تا تشخیص تصویر تا پیش بینی متن را حل کنند. از طریق تمرین‌های عملی، این مدل‌های علم داده را بر روی مجموعه داده‌ها پیاده‌سازی خواهید کرد و در الگوریتم‌های یادگیری ماشین با PyTorch که توسط شرکت‌های فناوری پیشرو مانند Google و NVIDIA استفاده می‌شود، مهارت کسب خواهید کرد.

coursera یادگیری عمیق با Keras و Tensorflow (Mitalearn-330188)

  • 2 hours 13 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Samaya Madhavan,Ricky Shi,Alex Aklson
درباره این دوره:

یادگیری عمیق در بسیاری از زمینه ها از جمله بینایی کامپیوتر، پردازش زبان طبیعی و روباتیک انقلابی ایجاد کرده است. علاوه بر این، Keras، یک API شبکه های عصبی سطح بالا که به زبان پایتون نوشته شده است، به بخشی ضروری از TensorFlow تبدیل شده است و یادگیری عمیق را در دسترس و ساده می کند. تسلط بر این تکنیک ها فرصت های زیادی را در تحقیقات و صنعت باز خواهد کرد. شما یاد خواهید گرفت که لایه ها و مدل های سفارشی را در Keras ایجاد کنید و Keras را با TensorFlow 2.x برای عملکرد بهبودیافته ادغام کنید. شما شبکه های عصبی کانولوشنال پیشرفته (CNN) را با استفاده از Keras توسعه خواهید داد. همچنین با استفاده از TensorFlow با Keras، مدل‌های ترانسفورماتور را برای داده‌های متوالی و سری‌های زمانی خواهید ساخت. این دوره همچنین اصول یادگیری بدون نظارت در Keras و TensorFlow را برای بهینه سازی مدل و حلقه های آموزشی سفارشی پوشش می دهد. در نهایت، شبکه‌های Q عمیق (DQN) را با Keras برای وظایف یادگیری تقویتی توسعه داده و آموزش خواهید داد (مروری از مدل‌سازی تولیدی و یادگیری تقویتی ارائه شده است). شما می توانید مفاهیم آموخته شده را با استفاده از آزمایشگاه های عملی در هر درس تمرین کنید. یک پروژه نهایی نهایی در آخرین ماژول به شما فرصتی می دهد تا دانش خود را برای ایجاد یک مدل طبقه بندی با استفاده از یادگیری انتقالی به کار ببرید. این دوره برای همه مهندسین مشتاق هوش مصنوعی که می خواهند TensorFlow و Keras را یاد بگیرند مناسب است. این نیاز به دانش کاربردی برنامه نویسی پایتون و مفاهیم پایه ریاضی مانند گرادیان و ماتریس، و همچنین اصول یادگیری عمیق با استفاده از Keras دارد.

Suggestions