Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-8 of 8 items.

linkedin آشنایی با شبکه های مخالف مولد (GANS) (Mitalearn-424130)

  • 1 hours 1 minutes
  • مناسب همه
  • Release date: 25 July 2026
  • Author: Gwendolyn Stripling
درباره این دوره:

شبکه های مخالف تولید کننده (GANS) یک نوآوری پیشگام در یادگیری عمیق ، قادر به تولید تصاویر واقع گرایانه ، داده های صوتی و مصنوعی هستند. در این دوره دستی ، Gwendolyn Stripling-یادگیری ماشین و هوش مصنوعی و دکترا-پایه و اساس محکمی را در معماری و آموزش GAN ها ایجاد می کند. بیاموزید که چگونه GAN ها کار می کنند و تمرین فعال می کنند ، با استفاده از GAN ها در کارهایی مانند داده های مصنوعی و تولید تصویر. این دوره به شما کمک می کند تا با اطمینان به دنیای مدل سازی تولیدی بروید و کشف کنید که چگونه این معماری ها در کارهای دنیای واقعی اعمال می شود.

linkedin آشنایی با شبکه های مخالف مولد (GANS) (2023) (Mitalearn-424113)

  • 29 minutes
  • مناسب همه
  • Release date: 25 July 2026
  • Author: Martin Kemka
درباره این دوره:

اخیراً ، احتمالاً تأثیرات هنری در مقیاس بزرگ ، متن تولیدی و فیلم های تولیدی را دیده اید. آیا می خواهید اصول اولیه نحوه عملکرد این نوع هوش مصنوعی را درک کنید؟ در این دوره ، مارتین کمکا ، بنیانگذار خانه تولید ماشین آلات Northraine ، شما را با یک مؤلفه بسیار مهم در دنیای AI تولیدی: شبکه های مخالف تولید کننده (GANS) معرفی می کند. در مورد تاریخ GAN ها ، از جمله از کجا آمده اند و چگونه آنها طی یک دهه گذشته تغییر کرده اند. با بررسی معماری مدل و نحوه ساختار چندین مدل در کنار هم ، چگونه می توانید یک مدل را آموزش دهید. تجربه یک مدل ساده را در نوت بوک Jupyter دریافت کنید. به علاوه ، در مورد وضعیت فعلی GAI و افکار در مورد جایی که در مرحله بعدی قرار دارد ، بینش بگیرید.

این دوره با CodeSpaces GitHub ، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به تنظیمات محلی محلی ارائه می دهد ، یکپارچه شده است. با استفاده از Codepaces GitHub ، می توانید از هر دستگاهی ، در هر زمان استفاده کنید-همه در حالی که از ابزاری استفاده می کنید که احتمالاً در محل کار با آن روبرو خواهید شد. برای یادگیری نحوه شروع کار ، از فیلم "استفاده از CodeSpaces GitHub با این دوره" دیدن کنید.

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 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: دستی با GAN ها با استفاده از شبکه های عمیق Convolution (Mitalearn-411040)

  • 1 hours 46 minutes
  • مناسب همه
  • Release date: 29 August 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 ژنرال تولیدی عمیق (GANS) را بسازید و آموزش دهید. اجزای اصلی لایه های حلقوی و جمع آوری ، از جمله تنظیم نوت بوک های میزبان Google Colab ، تبدیل تصاویر چند کاناله به تنش ، استفاده از لایه ها و مشاهده جلوه های فیلتر را کاوش کنید. Janani اصول اولیه آموزش یک تبعیض آمیز را به عنوان یک مدل طبقه بندی و آموزش یک GAN حلقوی عمیق مانند یک حرفه ای ، از تنظیم داده ها برای آموزش GAN ، تنظیم ژنراتور و تبعیض آمیز ، و خروجی از یک ژنراتور و تبعیض آمیز برای ایجاد یک حلقه آموزشی ، مشاهده و ارزیابی نتایج و موارد دیگر پوشش می دهد.

linkedin کارگاه هوش مصنوعی: عملی با GAN ها با استفاده از شبکه های عصبی متراکم (2023) (Mitalearn-442592)

  • 1 hours 24 minutes
  • مناسب همه
  • Release date: 25 July 2026
  • 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 و آموزش شبکه های متخاصم مولد (GAN) را نشان دهد. اجزای اصلی GAN ها از جمله نحوه راه اندازی محیط مجازی، اجرای سرور نوت بوک، نمونه سازی PyTorch Dataset، DataLoader و موارد دیگر را کاوش کنید. جانانی اصول آموزش مستقل دشمنان، آموزش GAN ها و تجسم نتایج را پوشش می دهد. در پایان این دوره، همچنین می‌دانید که چگونه به مشکلات رایج مرتبط با GAN رسیدگی کنید و آنها را به طور موثر در طول فرآیند آموزشی کاهش دهید.

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

linkedin هوش مصنوعی پیشرفته: ترانسفورماتورهای بینایی کامپیوتری (Mitalearn-388940)

  • 55 minutes
  • مناسب همه
  • Release date: 3 March 2023
  • Author: Jonathan Fernandes
درباره این دوره: 

 

ترانسفورماتورها به سرعت در حال تبدیل شدن به معماری مورد استفاده برای بسیاری از وظایف بینایی رایانه هستند. اگر در این زمینه کار می کنید، این یک مهارت ضروری است که در جعبه ابزار هوش مصنوعی خود در دست داشته باشید. در این دوره، جاناتان فرناندز مشاور هوش مصنوعی شما را در دنیای یادگیری انتقال و معماری مدل ترانسفورماتور راهنمایی می‌کند.

مبانی بینایی کامپیوتر، مجموعه داده‌های تصویر، پیش پردازش، و تنظیم دقیق تصویر را کاوش کنید. با مثال‌های عملی و نمایش‌های ساده با استفاده از Google Colab و کتابخانه Hugging Face. نکات و استراتژی‌های عملی را برای آموزش و آزمایش مدل کشف کنید و مجموعه مهارت‌های خود را با ابزارهای مدل‌سازی استنتاج محبوب Gradio و Hugging Face Spaces ایجاد کنید. در پایان این دوره، شما برای طراحی و آموزش مدل‌های زبانی بزرگ‌تر، پیشرفته‌تر و پیچیده‌تر آماده خواهید شد.


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