AI-102: طراحی و اجرای آزمون گواهینامه Microsoft Azure AI Solution، تجربه و دانش داوطلب را از راه‌حل‌های هوش مصنوعی آزمایش می‌کند که از خدمات شناختی Azure و خدمات Azure بیشترین استفاده را می‌کند. علاوه بر این، این آزمون همچنین توانایی داوطلب را برای پیاده‌سازی این دانش با شرکت در تمام مراحل توسعه راه‌حل‌های هوش مصنوعی - از تعریف الزامات، و طراحی گرفته تا توسعه، استقرار، یکپارچه‌سازی، نگهداری، تنظیم عملکرد و نظارت، آزمایش می‌کند. در این آزمون طراحی و پیاده‌سازی راه حل هوش مصنوعی Microsoft Azure: AI-102 شرکت کنید و بخشی از دنیای آینده‌نگر هوش مصنوعی شوید و با کسب گواهینامه Azure AI-102 شغل خود را رشد دهید. مهندسان هوش مصنوعی Azure تجربه توسعه راه‌حل‌هایی را دارند که از زبان‌هایی مانند پایتون یا سی شارپ استفاده می‌کنند و باید بتوانند از APIهای مبتنی بر REST و کیت‌های توسعه نرم‌افزار (SDK) برای ایجاد پردازش امن تصویر، پردازش ویدیو، پردازش زبان طبیعی (NLP)، استخراج دانش و راه‌حل‌های هوش مصنوعی مکالمه در Azure استفاده کنند. آنها باید با تمام روش های پیاده سازی راه حل های هوش مصنوعی آشنا باشند. بعلاوه، آنها اجزای تشکیل دهنده مجموعه هوش مصنوعی Azure و گزینه های ذخیره داده موجود را درک می کنند. مهندسان هوش مصنوعی Azure همچنین باید اصول هوش مصنوعی مسئولانه را درک کرده و قادر به اعمال آن باشند. این دوره شامل بیش از 5 ساعت فیلم آموزشی است. فراگیران می توانند در مجموع بیش از 90 سخنرانی را در دوره آموزشی با پوشش جامع همه موضوعات مربوط به آزمون AI-102 بیابند: طراحی و پیاده سازی راه حل هوش مصنوعی Microsoft Azure. این سخنرانی ها به 5 ماژول تقسیم می شوند و هر ماژول بیشتر به دروس تقسیم می شود. کل دوره شامل ارزیابی هایی برای اعتبارسنجی بررسی های دانش فراگیران است. همچنین، مجموعه ای از سوالات درجه بندی شده در پایان هر ماژول موجود است. ماژول 1: راه حل های هوش مصنوعی Azure: برنامه ریزی و مدیریت ماژول 2: راه حل های پردازش تصویر و ویدئو ماژول 3: راه حل های پردازش زبان طبیعی (NLP). ماژول 4: راه حل های دانش معدن ماژول 5: راه حل های هوش مصنوعی محاوره ای در دوره آمادگی آزمون AI-102: Microsoft Azure AI Engineer Course ثبت نام کنید و مهارت های Azure AI Solution Workload خود را با Microsoft Azure ارتقا دهید. این دوره آموزشی به شما کمک می کند تا مهارت ها و دانش خود را در AI-102 توسعه دهید. می توانید با گواهینامه های اساسی مانند آزمون AI-900 شروع کنید. هنگامی که بر تمام مراحل توسعه راه حل های هوش مصنوعی فرمان به دست آوردید، آماده هستید تا برای آزمون AI-102 آماده شوید. این دوره آموزشی AI-102 عمدتاً برای کسانی است که به فرصت هایی در نقش های شغلی مختلف مانند توسعه دهندگان ابر، مهندسان ابر، معماران راه حل ها و معماران ابری نیاز دارند. با پایان این دوره، شما قادر خواهید بود در آزمون AI-102 در اولین تلاش موفق شوید و در طراحی و پیاده سازی راه حل هوش مصنوعی Microsoft Azure مسلط شوید.

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.

این دوره تکنیک های اصلی مورد استفاده در داده کاوی، از جمله تجزیه و تحلیل الگوی مکرر، طبقه بندی، خوشه بندی، تجزیه و تحلیل پرت، و همچنین استخراج داده های پیچیده و مرزهای تحقیقاتی در زمینه داده کاوی را پوشش می دهد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder تصویر لوگوی دوره توسط Lachlan Cormie، در اینجا در Unsplash موجود است: https://unsplash.com/photos/jbJp18srifE

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.

Este curso ensina a criar modelos de ML com o TensorFlow e o Keras، melhorar acurácia deles e desenvolver modelos para uso em escala.

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

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. به عنوان یک پزشک هوش مصنوعی، شما این فرصت را دارید که به این تحول در پزشکی مدرن بپیوندید. اگر قبلاً با برخی از ریاضیات و کدنویسی پشت الگوریتم‌های هوش مصنوعی آشنا هستید و مشتاق هستید که مهارت‌های خود را برای مقابله با چالش‌های صنعت مراقبت‌های بهداشتی بیشتر توسعه دهید، پس این تخصص برای شما مناسب است. هیچ تخصص پزشکی قبلی لازم نیست! این برنامه به شما تجربه عملی در به کارگیری تکنیک های پیشرفته یادگیری ماشینی برای مشکلات عینی در پزشکی مدرن می دهد: - در دوره 1، شما مدل های طبقه بندی و تقسیم بندی تصویر شبکه عصبی کانولوشنال را برای تشخیص اختلالات ریوی و مغز ایجاد خواهید کرد. - در دوره 2، با استفاده از روش های آماری و پیش بینی جنگل تصادفی برای تعیین پیش آگهی بیمار، مدل های خطر و برآوردگرهای بقا را برای بیماری های قلبی می سازید. - در دوره 3، شما یک پیش بینی کننده اثر درمان می سازید، تکنیک های تفسیر مدل را اعمال می کنید و از پردازش زبان طبیعی برای استخراج اطلاعات از گزارش های رادیولوژی استفاده می کنید. این دوره ها فراتر از پایه های یادگیری عمیق هستند تا به شما بینشی در مورد تفاوت های ظریف استفاده از هوش مصنوعی در موارد استفاده پزشکی ارائه دهند. به عنوان یک یادگیرنده، اگر از قبل با برخی از ریاضیات و کدنویسی پشت الگوریتم های هوش مصنوعی راحت باشید، برای موفقیت در این برنامه آماده خواهید شد. لازم نیست شما یک متخصص هوش مصنوعی باشید، اما دانش کاری شبکه های عصبی عمیق، به ویژه شبکه های کانولوشن، و مهارت در برنامه نویسی پایتون در سطح متوسط ​​ضروری است. اگر در یادگیری ماشین یا شبکه های عصبی نسبتاً تازه کار هستید، توصیه می کنیم ابتدا تخصص یادگیری عمیق را که توسط deeplearning.ai ارائه شده و توسط Andrew Ng آموزش داده شده است، استفاده کنید. تقاضا برای پزشکان هوش مصنوعی با مهارت ها و دانش برای مقابله با بزرگترین مسائل در پزشکی مدرن به طور تصاعدی در حال افزایش است. در این تخصص به ما بپیوندید و سفر خود را به سوی ساختن آینده مراقبت های بهداشتی آغاز کنید.

در این دوره با چهار مرحله از چرخه مدیریت بلایا آشنا می شوید. کاهش، آماده سازی، پاسخ و بازیابی. شما در این دوره از طریق دو مطالعه موردی کار خواهید کرد. در مرحله اول، از بینایی کامپیوتری برای تجزیه و تحلیل تصاویر ماهواره ای طوفان هاروی در سال 2017 برای شناسایی آسیب در مناطق آسیب دیده استفاده خواهید کرد. در مرحله دوم، از تکنیک‌های پردازش زبان طبیعی برای بررسی روند درخواست‌های کمک پس از زلزله 2010 در هائیتی استفاده خواهید کرد.

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.

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.