Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-6 of 6 items.

coursera Neural Networks and Random Forests (Mitalearn-334115)

  • 26 minutes
  • متوسط
  • Release date: 27 June 2026
  • Author: Rajvir Dua,Neelesh Tiruviluamala
درباره این دوره:

در این دوره، دانش خود را در مورد مدل‌های پایه ایجاد می‌کنیم و تکنیک‌های پیشرفته هوش مصنوعی را بررسی می‌کنیم. ما با یک فرو رفتن عمیق در شبکه های عصبی شروع می کنیم و دانش خود را از پایه با بررسی ساختار و ویژگی ها ایجاد می کنیم. سپس چند مدل ساده شبکه عصبی را کدنویسی می‌کنیم و یاد می‌گیریم که از تطبیق بیش‌ازحد، منظم‌سازی و دیگر ترفندهای فراپارامتری خودداری کنیم. پس از پروژه ای که احتمال بیماری قلبی را با توجه به ویژگی های سلامتی پیش بینی می کند، به جنگل های تصادفی می رویم. ما تفاوت‌های بین این دو تکنیک را شرح می‌دهیم و ریشه‌های متفاوت آن‌ها را با جزئیات بررسی می‌کنیم. در نهایت، ما پروژه ای را تکمیل می کنیم که شباهت بین بیماران سلامت را با استفاده از جنگل های تصادفی پیش بینی می کند.

coursera تجزیه و تحلیل پیش بینی عملی: مدل ها و روش ها [coursera] (Mitalearn-335662)

  • 4 hours 53 minutes
  • مناسب همه
  • Release date: 27 June 2026
  • Author: Bill Howe
درباره این دوره:

طراحی آزمایش آماری و تجزیه و تحلیل در قلب علم داده است. در این دوره به طراحی آزمایش های آماری و تجزیه و تحلیل نتایج با استفاده از روش های مدرن می پردازید. همچنین مشکلات رایج در تفسیر استدلال های آماری، به ویژه آنهایی که با کلان داده مرتبط هستند را بررسی خواهید کرد. در مجموع، این دوره به شما کمک می کند مجموعه ای اصلی از روش ها و مفاهیم یادگیری ماشینی کاربردی و موثر را درونی کنید و آنها را برای حل برخی از مشکلات دنیای واقعی به کار ببرید. اهداف آموزشی: پس از اتمام این دوره، شما قادر خواهید بود: 1. طراحی آزمایش های موثر و تجزیه و تحلیل نتایج 2. از روش‌های نمونه‌گیری مجدد برای ایجاد استدلال‌های آماری واضح و ضد گلوله بدون استناد به نمادهای باطنی استفاده کنید. 3. یک مجموعه اصلی از روش‌های طبقه‌بندی افزایش پیچیدگی (قوانین، درختان، جنگل‌های تصادفی)، و روش‌های بهینه‌سازی مرتبط (نزول گرادیان و انواع) را توضیح داده و اعمال کنید. 4. مجموعه ای از مفاهیم و روش های یادگیری بدون نظارت را توضیح دهید و به کار ببرید 5. اصطلاحات رایج تجزیه و تحلیل گراف در مقیاس بزرگ، از جمله پرس و جو ساختاری، پیمایش و پرس و جوهای بازگشتی، رتبه صفحه، و تشخیص جامعه را شرح دهید.

coursera مدل های یادگیری ماشین در علم (Mitalearn-334030)

  • 1 hours
  • متوسط
  • Release date: 23 June 2026
  • Author: Sabrina Moore,Rajvir Dua,Neelesh Tiruviluamala
درباره این دوره:

هدف این دوره برای هر کسی است که علاقه مند به استفاده از تکنیک های یادگیری ماشینی در مسائل علمی است. در این دوره آموزشی، در مورد خط لوله یادگیری ماشینی کامل، از خواندن، تمیز کردن و تبدیل داده ها تا اجرای الگوریتم های یادگیری ماشینی اولیه و پیشرفته، خواهیم آموخت. ما با تکنیک های پیش پردازش داده ها مانند PCA و LDA شروع می کنیم. سپس، به الگوریتم های اساسی هوش مصنوعی می پردازیم: SVMs و K-means clustering. در طول راه، جعبه ابزار ریاضی و برنامه‌نویسی خود را می‌سازیم تا خود را برای کار با مدل‌های پیچیده‌تر آماده کنیم. در نهایت، روش‌های پیشرفته‌ای مانند جنگل‌های تصادفی و شبکه‌های عصبی را بررسی خواهیم کرد. در طول مسیر، از مجموعه داده های پزشکی و نجومی استفاده خواهیم کرد. در پروژه نهایی، ما مهارت های خود را برای مقایسه مدل های مختلف یادگیری ماشین در پایتون به کار خواهیم گرفت.

coursera هوش مصنوعی برای پیش آگهی پزشکی (Mitalearn-332415)

  • 2 hours 55 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Pranav Rajpurkar,Bora Uyumazturk
درباره این دوره:

هوش مصنوعی عمل پزشکی را متحول می کند. این به پزشکان کمک می کند تا بیماران را با دقت بیشتری تشخیص دهند، در مورد سلامت آینده بیماران پیش بینی کنند و درمان های بهتری را توصیه کنند. این تخصص به شما تجربه عملی در به کارگیری یادگیری ماشینی برای مشکلات عینی در پزشکی می دهد. یادگیری ماشینی ابزاری قدرتمند برای پیش آگهی است، شاخه ای از پزشکی که در پیش بینی سلامت آینده بیماران تخصص دارد. در این دوره دوم، نمونه‌های متعددی از کارهای پیش‌آگهی را مرور خواهید کرد. سپس از درخت‌های تصمیم برای مدل‌سازی روابط غیرخطی، که معمولاً در داده‌های پزشکی مشاهده می‌شوند، استفاده می‌کنید و آنها را برای پیش‌بینی دقیق‌تر میزان مرگ و میر به کار می‌گیرید. در نهایت، یاد خواهید گرفت که چگونه داده های از دست رفته را مدیریت کنید، یک چالش کلیدی در دنیای واقعی. این دوره‌ها فراتر از پایه‌های یادگیری عمیق هستند تا تفاوت‌های ظریف را در استفاده از هوش مصنوعی در موارد استفاده پزشکی به شما آموزش دهند. این دوره بر یادگیری ماشینی مبتنی بر درخت تمرکز دارد، بنابراین برای این دوره به پایه ای در یادگیری عمیق نیازی نیست. با این حال، پایه ای در یادگیری عمیق برای دوره 1 و 3 این تخصص بسیار توصیه می شود. شما می توانید با استفاده از تخصص یادگیری عمیق که توسط deeplearning.ai ارائه شده و توسط Andrew Ng تدریس می شود، پایه ای در یادگیری عمیق کسب کنید.

coursera هوش مصنوعی برای درمان پزشکی (Mitalearn-332568)

  • 1 hours 44 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Pranav Rajpurkar,Bora Uyumazturk,Amirhossein Kiani
درباره این دوره:

هوش مصنوعی عمل پزشکی را متحول می کند. این به پزشکان کمک می کند تا بیماران را با دقت بیشتری تشخیص دهند، در مورد سلامت آینده بیماران پیش بینی کنند و درمان های بهتری را توصیه کنند. این تخصص به شما تجربه عملی در به کارگیری یادگیری ماشینی برای مشکلات عینی در پزشکی می دهد. درمان پزشکی ممکن است بر اساس شرایط سلامت موجود بر بیماران تأثیر متفاوتی داشته باشد. در این دوره سوم، با استفاده از داده‌های کارآزمایی‌های تصادفی‌سازی شده، درمان‌هایی را توصیه می‌کنید که برای بیماران فردی مناسب‌تر هستند. در هفته دوم، روش‌های تفسیر یادگیری ماشین را برای توضیح تصمیم‌گیری در مدل‌های پیچیده یادگیری ماشین اعمال خواهید کرد. در نهایت، شما از روش‌های استخراج موجودیت زبان طبیعی و پاسخ به سؤال برای خودکار کردن کار برچسب‌گذاری مجموعه داده‌های پزشکی استفاده خواهید کرد. این دوره‌ها فراتر از پایه‌های یادگیری عمیق هستند تا تفاوت‌های ظریف را در استفاده از هوش مصنوعی در موارد استفاده پزشکی به شما آموزش دهند. اگر در یادگیری عمیق تازه کار هستید یا می خواهید پایه و اساس عمیق تری از نحوه عملکرد شبکه های عصبی به دست آورید، توصیه می کنیم که تخصص یادگیری عمیق را انتخاب کنید.

coursera یادگیری ماشینی عملی (Mitalearn-335560)

  • 4 hours 9 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jeff Leek, PhD,Roger D. Peng, PhD,Brian Caffo, PhD
درباره این دوره:

یکی از رایج ترین کارهایی که توسط دانشمندان داده و تحلیلگران داده انجام می شود، پیش بینی و یادگیری ماشین است. این دوره مولفه های اساسی ساخت و کاربرد توابع پیش بینی را با تاکید بر کاربردهای عملی پوشش می دهد. این دوره در مفاهیمی مانند مجموعه های آموزشی و آزمایشی، تطبیق بیش از حد، و میزان خطا، پایه های اساسی را ارائه می دهد. این دوره همچنین طیف وسیعی از روش‌های یادگیری ماشینی مبتنی بر مدل و الگوریتمی از جمله رگرسیون، درختان طبقه‌بندی، Naive Bayes و جنگل‌های تصادفی را معرفی می‌کند. این دوره فرآیند کامل ساخت توابع پیش بینی شامل جمع آوری داده ها، ایجاد ویژگی، الگوریتم ها و ارزیابی را پوشش می دهد.

Suggestions