Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-15 of 15 items.

linkedin استفاده از Microsoft SharePoint Syntex برای مدیریت اسناد هوش مصنوعی (2021) (Mitalearn-228851)

  • 1 hours 30 minutes
  • مناسب همه
  • Release date: 29 June 2026
  • Author: Phil Gold
درباره این دوره:

SharePoint Syntex ابزار جدیدی است که از هوش مصنوعی برای استخراج اطلاعات از اسناد و فرم های کتابخانه های شیرپوینت استفاده می کند. برای مثال، می‌توانید صدها قرارداد را وارد کنید و شیرپوینت به‌طور خودکار شرکت‌کنندگان در قراردادها و مبالغ قرارداد را شناسایی کند، یا می‌توانید مجموع‌ها را از مجموعه‌ای از فاکتورها بیرون بکشید و آن اطلاعات را مستقیماً به ستون کتابخانه شیرپوینت اضافه کنید. در این دوره، مدرس فیل گلد با استفاده از هوش مصنوعی Syntex به آموزش مدل‌هایی می‌پردازد تا انواع اسناد و فرم‌ها را شناسایی کنند و اطلاعات خاصی را که می‌خواهید ضبط کنید، تعریف کند. پس از تعریف برخی مفاهیم اساسی و بهترین شیوه ها، فیل به راه اندازی Syntex و ایجاد مدل های درک سند و مدل های پردازش فرم گام بر می دارد. او نحوه ساخت طبقه‌بندی‌کننده و استخراج‌کننده برای اسناد، ایجاد و برچسب‌گذاری مجموعه‌هایی از فرم‌های مشابه، و افزودن مدل‌های خود را به کتابخانه‌های شیرپوینت شما نشان می‌دهد تا به‌طور خودکار داده‌هایی را که قبلاً فقط از طریق کار دستی وقت‌گیر در دسترس بوده است، ضبط کند.

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 چهار مهارت نادر یادگیری ماشینی که همه دانشمندان داده به آن نیاز دارند (Mitalearn-336886)

  • 2 hours 14 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Eric Siegel
درباره این دوره:

این دوره نادیده گرفته‌شده‌ترین و در عین حال حیاتی‌ترین مهارت‌ها در یادگیری ماشینی را پوشش می‌دهد، چهار تکنیک حیاتی که به ندرت پوشش داده می‌شوند – بیشتر دوره‌ها و کتاب‌ها آن‌ها را کاملاً حذف می‌کنند. 1) مدل سازی بالا (AKA PERSUASION MODELING): وقتی در حال مدلینگ هستید، آیا حتی کار درست را پیش بینی می کنید؟ 2) مغالطه دقت: هنگام ارزیابی اینکه یک مدل چقدر خوب کار می کند، آیا حتی در مورد چیز درستی گزارش می دهید؟ 3) P-HACKING: آیا ساده ترین کشفیات شما از داده ها حتی واقعی است؟ 4) پارادوکس مدل‌های گروه: آیا می‌دانید چگونه کار می‌کنند، حتی اگر به نظر می‌رسد که تیغ اوکام را به چالش می‌کشند؟ >> چرا این روش‌های پیشرفته ضروری هستند: هر یک به سؤالی می‌پردازد که برای یادگیری ماشینی اساسی است (در بالا). برای بسیاری از پروژه ها، موفقیت به این مهارت های خاص بستگی دارد. >> عملی نیست - اما برای یادگیرندگان فنی: این دوره بدون کدنویسی و بدون استفاده از نرم افزار یادگیری ماشین است. در عوض، قبل از اینکه تمرین عملی را انجام دهید، زمینه مفهومی را ایجاد می کند. وقتی نوبت به این تکنیک‌های پیشرفته و مشکلات رایج می‌رسد، پایه‌ای از دانش مفهومی وجود دارد که باید قبل از دست زدن به کار ایجاد کنید – و از انجام آن خوشحال خواهید شد. >> VENDOR-NEUTRAL: این دوره شامل دموی نرم افزاری روشنگر یادگیری ماشین در عمل با استفاده از محصولات SAS است. با این حال، برنامه درسی از نظر فروشنده خنثی و قابل اجرا است. محتویات و اهداف یادگیری، صرف نظر از اینکه در نهایت با کدام ابزار نرم افزار یادگیری ماشینی برای کار انتخاب می کنید، اعمال می شود.

linkedin راهنمای کامل هوش مصنوعی و علوم داده برای SQL: از مبتدی تا پیشرفته (Mitalearn-414899)

  • 5 hours 29 minutes
  • مناسب همه
  • Update date: 28 March 2025
  • Author: Walter Shields
درباره این دوره: 

 ممکن است لازم باشد از SQL در هماهنگی با هوش مصنوعی و علم داده استفاده کنید، اما اگر قبلاً نمی دانید چگونه می توانید از کجا یاد بگیرید؟ در این دوره آموزشی عمیق، مدرس فناوری و نویسنده پرفروش والتر شیلدز با مفاهیم و پروژه‌های سطح مبتدی شروع می‌کند و شما را از طریق مجموعه‌ای از ویدئوهای جذاب و چالش‌ها به سمت مفاهیم پیشرفته‌تر راهنمایی می‌کند. مقدمه ای کامل با علم داده و همچنین هوش مصنوعی، ML و DL داشته باشید، سپس به آمار و احتمال، رگرسیون خطی، و آماده سازی و کاوش داده ها بپردازید. علاوه بر ساخت و ارزیابی مدل، تجسم و پیش پردازش داده ها را کاوش کنید. در مورد تفسیر مدل بیاموزید، سپس آنچه را که در دوره یاد گرفته اید با پروژه نهایی نشان دهید.

coursera کلان داده، هوش مصنوعی و اخلاق (Mitalearn-329049)

  • 5 hours 27 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Martin Hilbert
درباره این دوره:

این دوره زمینه و تجربه دست اول را با دو کاتالیزور اصلی انقلاب علوم محاسباتی به شما می دهد: داده های بزرگ و هوش مصنوعی. با بیش از 99 درصد از تمام اطلاعات رسانه ای در قالب دیجیتال و با استفاده از 98 درصد از جمعیت جهان از فناوری دیجیتال، بشریت ردپای دیجیتالی چشمگیری ایجاد می کند. در تئوری، این فرصت‌های بی‌سابقه‌ای برای درک و شکل دادن به جامعه فراهم می‌کند. در عمل، تنها راهی که می‌توان این سیل اطلاعات را پردازش کرد، استفاده از همان فناوری‌های دیجیتالی است که آن را تولید کرده‌اند. داده ها سوخت هستند، اما یادگیری ماشینی موتوری است که دانش جدید قابل توجهی را از حجم عظیمی از داده ها استخراج می کند. از آنجایی که بخش مهمی از این داده‌ها مربوط به خودمان است، استفاده از الگوریتم‌ها به منظور کسب اطلاعات بیشتر در مورد خود، به طور طبیعی منجر به پرسش‌های اخلاقی می‌شود. بنابراین، ما نمی‌توانیم این دوره را بدون صحبت در مورد اخلاق تحقیق و برخی از خطوط قدیمی و جدیدی که دانشمندان علوم اجتماعی محاسباتی باید در نظر داشته باشند، به پایان برسانیم. به‌عنوان آزمایشگاه‌های عملی، از هوش مصنوعی IBM Watson برای استخراج شخصیت افراد از ردپای متن دیجیتالی آن‌ها استفاده خواهید کرد و با آموزش دو ماشین قابل آموزش از Google خودتان، قدرت و محدودیت‌های یادگیری ماشینی را تجربه خواهید کرد.

coursera مقدمه ای بر هوش مصنوعی و یادگیری ماشین در GC - Español (Mitalearn-318934)

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

این برنامه، ارائه خدمات هوشمند مصنوعی (IA) و Aprendizaje Automático (AA) در Google Cloud است که می‌تواند اطلاعات مربوط به IA را در گزارش‌های پایه‌های IA، el desarrollo de la IA و راه‌حل‌های IA، پذیرفته باشد. برای ایجاد مدل‌های کانال‌های AA، کاوش در فناوری‌های مختلف، محصولات و محصولات موجود برای ایجاد مدل‌های کانال‌های AA، به‌عنوان برنامه‌های IA ژنراتیو در عملکردهای مختلف، اهداف los usuarios، como de cienterosarios. د IA.

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 نجوم داده محور (Mitalearn-351387)

  • 3 hours 31 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Tara Murphy,Simon Murphy
درباره این دوره:

علم دستخوش انفجار داده است و نجوم پیشرو است. تلسکوپ‌های مدرن در هر رصد، ترابایت داده تولید می‌کنند و شبیه‌سازی‌های مورد نیاز برای مدل‌سازی جهان قابل مشاهده ما، ابررایانه‌ها را به حد خود می‌رساند. برای تجزیه و تحلیل این داده ها، دانشمندان باید بتوانند به صورت محاسباتی برای حل مسائل فکر کنند. در این دوره شما چالش های کار با مجموعه داده های بزرگ را بررسی خواهید کرد: نحوه پیاده سازی الگوریتم هایی که کار می کنند. چگونه از پایگاه های داده برای مدیریت داده های خود استفاده کنید. و چگونه از داده های خود با ابزارهای یادگیری ماشین یاد بگیرید. تمرکز بر مهارت های عملی است - تمام فعالیت ها در پایتون 3، یک زبان برنامه نویسی مدرن که در سراسر نجوم استفاده می شود، انجام می شود. صرف نظر از اینکه قبلاً یک دانشمند هستید، در حال مطالعه برای تبدیل شدن به یک دانشمند هستید یا فقط علاقه مند به نحوه عملکرد نجوم مدرن "زیر سرپوش" هستید، این دوره به شما کمک می کند تا نجوم را کشف کنید: از سیارات، تپ اخترها تا سیاهچاله ها. خلاصه دوره: هفته 1: فکر کردن به داده ها - اصول تفکر محاسباتی - کشف تپ اخترها در تصاویر رادیویی هفته دوم: کلان داده کارها را کند می کند - نحوه تعیین پیچیدگی زمانی الگوریتم ها - کاوش سیاهچاله ها در مراکز کهکشان های عظیم هفته 3: پرس و جو داده ها با استفاده از SQL - نحوه استفاده از پایگاه های داده برای تجزیه و تحلیل داده های خود - بررسی سیارات فراخورشیدی در سایر منظومه های خورشیدی هفته 4: مدیریت داده های خود - نحوه راه اندازی پایگاه داده برای مدیریت داده های خود - کاوش چرخه زندگی ستارگان در کهکشان ما هفته پنجم: یادگیری از داده ها: رگرسیون - استفاده از ابزارهای یادگیری ماشین برای بررسی داده های شما - محاسبه انتقال به سرخ کهکشان های دور هفته 6: یادگیری از داده ها: طبقه بندی - استفاده از ابزارهای یادگیری ماشین برای طبقه بندی داده های خود - بررسی انواع کهکشان ها هر هفته همچنین با یک کارشناس نجوم مبتنی بر داده مصاحبه می شود. توجه داشته باشید که برخی از دانش پایتون از جمله متغیرها، ساختارهای کنترلی، ساختارهای داده، توابع و کار با فایل ها فرض شده است.

linkedin هوش مصنوعی کاربردی: شروع به کار با ترانسفورماتورهای بغل کردن صورت (Mitalearn-277760)

  • 1 hours 14 minutes
  • مناسب همه
  • Update date: 21 August 2025
  • Author: Kumaran Ponnambalam
درباره این دوره: 

 

استفاده از ترانسفورماتورهای از پیش آموزش دیده برای پردازش زبان طبیعی (NLP) در بین مهندسان ML و دانشمندان داده بسیار محبوب شده است. اگر در این زمینه کار می کنید، یا حتی نقشی در مجاورت آن دارید، باید با جدیدترین ابزارهای نوآورانه همگام باشید. در این دوره، مربی کوماران پونامبالام به شما نشان می‌دهد که چگونه با استفاده از مخزن ترانسفورماتورهای از پیش آموزش‌دیده موجود در پلتفرم Hugging Face، مهارت‌های هوش مصنوعی خود را به سطح بعدی ارتقا دهید.

استراتژی‌هایی را برای استفاده از ترانسفورماتورها برای موارد استفاده مختلف برای حل کردن کاوش کنید. مشکلات پیچیده و ارائه نتایج ثابت و به موقع. Kumaran به شما نشان می‌دهد که چگونه دو مورد ساده NLP را پیاده‌سازی کنید - تجزیه و تحلیل احساسات و شناسایی موجودیت نام‌گذاری شده - با استفاده از ترانسفورماتورهای از قبل آموزش‌دیده شده از Hugging Face و سفارشی کردن آنها در حین حرکت. پس از تکمیل این دوره، شما آماده خواهید بود که مهارت های هوش مصنوعی جدید خود را در پروژه هایی در نقش فعلی یا آینده خود به کار ببرید.


coursera یادگیری ماشین برای هوشمند بتا (Mitalearn-295848)

  • 4 hours 30 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Youngju Nielsen,Haeram Joo
درباره این دوره:

در این دوره 4 هفته ای با محصولات اسمارت بتا آشنا می شوید. محصولات هوشمند بتا دارای ویژگی‌های سرمایه‌گذاری غیرفعال (دارای قوانین از پیش تعیین‌شده) و سرمایه‌گذاری‌های فعال (اجازه سرمایه‌گذاری عاملی) هستند. ما مکانیسم‌های ایجاد پشت محصولات مختلف بتا هوشمند را مرور می‌کنیم و برخی از آنها را با استفاده از برنامه‌نویسی R بازسازی می‌کنیم. سپس روش های یادگیری ماشین را اعمال خواهیم کرد. پردازش داده ها، تکنیک های پیشگیری از برازش بیش از حد پوشش داده خواهد شد. در نهایت سعی خواهیم کرد با استفاده از روش‌های CART، bagging، boosting و ensemble یک مدل چند عاملی بهبودیافته ایجاد کنیم. انتظار می رود که دانش آموزان به اولین و دومین دوره من با عنوان «مبانی سرمایه گذاری مبتنی بر داده» و «استفاده از R برای رگرسیون و یادگیری ماشین در سرمایه گذاری» گوش داده باشند، یا دانشی معادل در مفاهیم سرمایه گذاری و درک محکمی از برنامه نویسی R داشته باشند.

linkedin یادگیری ماشین کاربردی: مبانی (Mitalearn-411482)

  • 2 hours 17 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Matt Harrison
درباره این دوره:

مدل های

AI در حال تغییر محل کار هستند. دانستن آنچه در پشت این مدل ها پیش می رود می تواند به شما در استفاده موثرتر از تکنیک های یادگیری ماشین (ML) کمک کند. در این دوره ، مربی مت هریسون به شما نشان می دهد که چگونه می توانید با استفاده از قدرت زبان برنامه نویسی پایتون ، تسلط بر ضروری یادگیری ماشین را شروع کنید. در طول راه ، مهارت های برنامه نویسی جدید خود را در چالش های تمرین در پایان هر بخش آزمایش کنید.

linkedin یادگیری ماشین کاربردی: مهندسی ویژگی (2020) (Mitalearn-227593)

  • 2 hours 26 minutes
  • مناسب همه
  • Release date: 10 August 2020
  • Author: Derek Jedamski
درباره این دوره: 

 کیفیت پیش‌بینی‌هایی که از مدل یادگیری ماشین شما به دست می‌آید بازتاب مستقیم داده‌هایی است که در طول آموزش به آن‌ها می‌دهید. مهندسی ویژگی به شما کمک می کند تا آخرین بیت ارزش را از داده ها استخراج کنید. این دوره ابزارهایی را برای گرفتن مجموعه داده، حذف سیگنال و حذف نویز به منظور بهینه سازی مدل های خود ارائه می دهد. این مفاهیم تقریباً به هر نوع الگوریتم یادگیری ماشینی تعمیم می یابد. مدرس درک جدامسکی در مورد اصول یادگیری ماشین و مقدمه ای کامل برای مهندسی ویژگی ها تجدید نظر می کند. او ویژگی های پیوسته و طبقه بندی شده را بررسی می کند و نحوه تمیز کردن، عادی سازی و تغییر آنها را نشان می دهد. بیاموزید که چگونه مقادیر از دست رفته را آدرس‌دهی کنید، نقاط پرت را حذف کنید، داده‌ها را تبدیل کنید، شاخص‌ها ایجاد کنید و ویژگی‌ها را تبدیل کنید. در فصل‌های پایانی، درک نحوه آماده‌سازی ویژگی‌ها برای مدل‌سازی را توضیح می‌دهد و چهار تغییر را برای مقایسه ارائه می‌دهد، بنابراین می‌توانید تأثیر تمیز کردن، تبدیل و ایجاد ویژگی‌ها را از طریق لنز عملکرد مدل ارزیابی کنید.

linkedin یادگیری ماشین کاربردی: یادگیری گروه (2022) (Mitalearn-411465)

  • 2 hours 25 minutes
  • مناسب همه
  • Release date: 24 February 2022
  • Author: Derek Jedamski
درباره این دوره: 

 آیا می خواهید مهارت های خود را به عنوان یک پزشک یادگیری ماشین رشد دهید ، اما نمی دانید از کجا شروع کنید؟ برای شروع کار به سمت هدف خود ، نیازی به آموزش رسمی در علم داده ندارید. در این دوره ، مربی درک جیدامسکی به شما نشان می دهد که چگونه می توانید داده های کثیف را مهار کنید ، سیگنال را در آن پیدا کنید و مدلهایی بسازید که پیش بینی های قدرتمندی را با زبان آموزان گروهی ایجاد می کند ، یکی از رایج ترین کلاس های الگوریتم های یادگیری ماشین. در مورد نظریه اساسی که زبان آموزان گروه را هدایت می کند ، بیاموزید و نمونه هایی از یادگیری گروه را در پایتون و سپس اجرای مدل های خود را پوشش دهید. مفاهیمی مانند تقویت ، کیسه و انباشت و نحوه استفاده از هر یک و چه زمانی را کاوش کنید. ابزارهایی را که برای تقویت قدرت پیش بینی خود و پیشبرد مهارت های یادگیری ماشین خود امروز دارید ، بدست آورید.

linkedin یادگیری ماشین کاربردی: یادگیری گروهی (Mitalearn-442643)

  • 1 hours 28 minutes
  • مناسب همه
  • Release date: 28 February 2025
  • Author: Matt Harrison
درباره این دوره: 

 

آیا می‌خواهید مهارت‌های خود را به عنوان یک متخصص یادگیری ماشینی افزایش دهید، اما نمی‌دانید از کجا شروع کنید؟ برای شروع کار به سمت هدف خود نیازی به آموزش رسمی در علم داده ندارید. در این دوره، مربی مت هریسون شما را از طریق مفاهیم کلیدی یادگیری گروهی راهنمایی می کند. روش‌های مختلف مجموعه مانند bagging، boosting و stacking را کاوش کنید و یاد بگیرید که آنها را با استفاده از کتابخانه‌های محبوب Python مانند scikit-learn و XGBoost پیاده‌سازی کنید. در پایان این دوره، شما به مهارت‌هایی که برای پیاده‌سازی و بهینه‌سازی مدل‌های مجموعه در کارهای یادگیری ماشین در دنیای واقعی نیاز دارید، مجهز می‌شوید.

این دوره با GitHub Codespaces، یک محیط توسعه‌دهنده ابری فوری که تمام عملکردهای IDE مورد علاقه‌تان را بدون نیاز به راه‌اندازی ماشین محلی ارائه می‌کند، یکپارچه شده است. با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید، در حالی که از ابزاری استفاده می‌کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای آشنایی با نحوه شروع کار، «استفاده از فضاهای کد GitHub» را با این دوره بررسی کنید.


coursera یادگیری ماشین نظارت شده: رگرسیون (Mitalearn-270297)

  • 5 hours 17 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mark J Grover,Miguel Maldonado,Svitlana (Lana) Kramar
درباره این دوره:

این دوره شما را با یکی از انواع اصلی خانواده مدل سازی یادگیری ماشینی تحت نظارت آشنا می کند: رگرسیون. شما یاد خواهید گرفت که چگونه مدل های رگرسیون را برای پیش بینی نتایج مستمر آموزش دهید و چگونه از معیارهای خطا برای مقایسه بین مدل های مختلف استفاده کنید. این دوره همچنین شما را از طریق بهترین شیوه‌ها، از جمله تقسیم‌های آموزشی و آزمایشی، و تکنیک‌های منظم‌سازی راهنمایی می‌کند. در پایان این دوره شما باید بتوانید: کاربردها و کاربردهای طبقه بندی و رگرسیون را در زمینه یادگیری ماشینی نظارت شده متمایز کنید  مدل های رگرسیون خطی را توصیف و استفاده کنید از انواع معیارهای خطا برای مقایسه و انتخاب یک مدل رگرسیون خطی که به بهترین وجه با داده های شما مطابقت دارد، استفاده کنید توضیح دهید که چرا منظم کردن ممکن است به جلوگیری از برازش بیش از حد کمک کند از رگرسیون های منظم سازی استفاده کنید: Ridge، LASSO، و Elastic net   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده‌ای را که علاقه‌مند به کسب تجربه عملی با تکنیک‌های رگرسیون یادگیری ماشین نظارت شده در یک محیط تجاری هستند، هدف قرار می‌دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی از پاکسازی داده ها، تجزیه و تحلیل داده های اکتشافی، حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.

Suggestions