آموزش مبانی هوش مصنوعی، یادگیری ماشین و برنامه‌نویسی پایتون - آخرین آپدیت

دانلود Fundamentals of AI, Machine Learning, and Python Programming

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: به‌روزرسانی شده در می ۲۰۲۵. این دوره اکنون دارای قابلیت Coursera Coach است! روشی هوشمندتر برای یادگیری با گفتگوهای تعاملی و آنی که به شما کمک می‌کند تا دانش خود را آزمایش کنید، فرضیات را به چالش بکشید و در حین پیشروی در دوره، درک خود را عمیق‌تر کنید. در یک تجربه یادگیری تحول‌آفرین شرکت کنید که برای تجهیز شما به درکی جامع از هوش مصنوعی (AI)، یادگیری ماشین (Machine Learning) و برنامه‌نویسی پایتون طراحی شده است. این دوره با معرفی دقیقی از هوش مصنوعی و یادگیری ماشین آغاز می‌شود، مفاهیم اصلی را ساده می‌کند و بررسی می‌کند که چگونه الگوریتم‌ها و تکنیک‌های داده‌محور، کامپیوترها را قادر می‌سازند تا یاد بگیرند و سازگار شوند. با پیشروی در دوره، به معماری یادگیری عمیق و شبکه‌های عصبی خواهید پرداخت و درک خواهید کرد که چگونه این ساختارهای پیشرفته از شناخت انسانی برای پردازش داده‌های پیچیده و ارائه پیش‌بینی‌های دقیق تقلید می‌کنند. با انتقال از تئوری به کاربرد عملی، این دوره شما را در راه‌اندازی محیط توسعه با Anaconda راهنمایی می‌کند تا زیربنای کدنویسی بهینه و مدیریت پکیج‌ها فراهم شود. سپس در برنامه‌نویسی پایتون غوطه‌ور شده و بر مکانیسم‌های کنترل جریان، ساختارهای داده و توابع تسلط می‌یابید. این مسیر با بررسی کتابخانه‌های ضروری پایتون مانند NumPy، Matplotlib و Pandas ادامه می‌یابد تا ابزارهای لازم برای مدیریت و بصری‌سازی موثر داده‌ها را در اختیار داشته باشید. بخش انتهایی دوره بر موضوعات پیشرفته هوش مصنوعی، از جمله نصب و به‌کارگیری کتابخانه‌های یادگیری عمیق مانند TensorFlow و PyTorch تمرکز دارد. شما با ساختارهای بنیادی نورون‌های مصنوعی و شبکه‌های عصبی، و نقش‌های حیاتی توابع فعال‌ساز، توابع هزینه (Loss) و بهینه‌سازها در آموزش مدل‌ها آشنا خواهید شد. از طریق پروژه‌های عملی، مانند ساخت مدل‌های رگرسیون برای پیش‌بینی قیمت مسکن و مدل‌های طبقه‌بندی باینری برای پیش‌بینی بیماری‌های قلبی، دانش خود را در سناریوهای واقعی به کار می‌برید تا یادگیری خود را تقویت کرده و مهارت‌های عملی خود را ارتقا دهید. این دوره برای دانشمندان داده آینده، علاقه‌مندان به یادگیری ماشین و برنامه‌نویسان پایتون طراحی شده است. این دوره برای مبتدیانی که به دنبال یک معرفی جامع از AI و یادگیری ماشین هستند و همچنین متخصصانی که می‌خواهند درک خود را از این فناوری‌ها عمیق‌تر کنند، ایده‌آل است. پیش‌نیازها شامل دانش پایه برنامه‌نویسی و علاقه شدید به هوش مصنوعی و علم داده است.

سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه‌ای بر تخصص Introduction to the Specialization

آشنایی با هوش مصنوعی و یادگیری ماشین Introduction to AI and Machine Learning

  • آشنایی با هوش مصنوعی و یادگیری ماشین Introduction to AI and Machine Learning

آشنایی با یادگیری عمیق و شبکه‌های عصبی Introduction to Deep learning and Neural Networks

  • آشنایی با یادگیری عمیق و شبکه‌های عصبی Introduction to Deep learning and Neural Networks

آماده‌سازی سیستم و نصب آناکوندا Setting Up Computer - Installing Anaconda

  • آماده‌سازی سیستم و نصب آناکوندا Setting Up Computer - Installing Anaconda

مبانی پایتون: کنترل جریان Python Basics - Flow Control

  • مبانی پایتون: کنترل جریان - بخش اول Python Basics - Flow Control - Part 1

  • مبانی پایتون: کنترل جریان - بخش دوم Python Basics - Flow Control - Part 2

مبانی پایتون: لیست‌ها و تاپل‌ها Python Basics - Lists and Tuples

  • مبانی پایتون: لیست‌ها و تاپل‌ها Python Basics - Lists and Tuples

مبانی پایتون: دیکشنری‌ها و توابع Python Basics - Dictionaries and Functions

  • مبانی پایتون: دیکشنری‌ها و توابع - بخش اول Python Basics - Dictionaries and Functions - part 1

  • مبانی پایتون: دیکشنری‌ها و توابع - بخش دوم Python Basics - Dictionary and Functions - part 2

مبانی کتابخانه NumPy NumPy Basics

  • مبانی NumPy - بخش اول NumPy Basics - Part 1

  • مبانی NumPy - بخش دوم NumPy Basics - Part 2

مبانی کتابخانه Matplotlib Matplotlib Basics

  • مبانی Matplotlib - بخش اول Matplotlib Basics - part 1

  • مبانی Matplotlib - بخش دوم Matplotlib Basics - part 2

مبانی کتابخانه Pandas Pandas Basics

  • مبانی Pandas - بخش اول Pandas Basics - Part 1

  • مبانی Pandas - بخش دوم Pandas Basics - Part 2

نصب کتابخانه‌های یادگیری عمیق Installing Deep Learning Libraries

  • نصب کتابخانه‌های یادگیری عمیق Installing Deep Learning Libraries

ساختار پایه نورون مصنوعی و شبکه عصبی Basic Structure of Artificial Neuron and Neural Network

  • ساختار پایه نورون مصنوعی و شبکه عصبی Basic Structure of Artificial Neuron and Neural Network

مقدمه‌ای بر توابع فعال‌ساز Activation Functions Introduction

  • مقدمه‌ای بر توابع فعال‌ساز Activation Functions Introduction

انواع رایج توابع فعال‌ساز Popular Types of Activation Functions

  • انواع رایج توابع فعال‌ساز Popular Types of Activation Functions

انواع رایج توابع هزینه Popular Types of Loss Functions

  • انواع رایج توابع هزینه Popular Types of Loss Functions

بهینه‌سازهای رایج Popular Optimizers

  • بهینه‌سازهای رایج Popular Optimizers

انواع رایج شبکه‌های عصبی Popular Neural Network Types

  • انواع رایج شبکه‌های عصبی Popular Neural Network Types

مدل رگرسیون فروش مسکن کینگ کانتی: گام اول دریافت و بارگذاری داده‌ها King County House Sales Regression Model - Step 1 Fetch and Load Dataset

  • مدل رگرسیون فروش مسکن کینگ کانتی: گام اول دریافت و بارگذاری داده‌ها King County House Sales Regression Model - Step 1 Fetch and Load Dataset

گام‌های دوم و سوم: تحلیل اکتشافی داده‌ها (EDA) و آماده‌سازی Steps 2 and 3 - EDA and Data Preparation

  • گام‌های دوم و سوم: EDA و آماده‌سازی داده‌ها - بخش اول Steps 2 and 3 - EDA and Data Preparation - Part 1

  • گام‌های دوم و سوم: EDA و آماده‌سازی داده‌ها - بخش دوم Steps 2 and 3 - EDA and Data Preparation - Part 2

گام چهارم: تعریف مدل کراس (Keras) Step 4 - Defining the Keras Model

  • گام چهارم: تعریف مدل کراس - بخش اول Step 4 Defining the Keras Model - Part 1

  • گام چهارم: تعریف مدل کراس - بخش دوم Step 4 Defining the Keras Model - Part 2

گام‌های پنجم و ششم: کامپایل و برازش مدل Steps 5 and 6 - Compile and Fit Model

  • گام‌های پنجم و ششم: کامپایل و برازش مدل Steps 5 and 6 Compile and Fit Model

گام هفتم: بصری‌سازی آموزش و معیارها Step 7 Visualize Training and Metrics

  • گام هفتم: بصری‌سازی آموزش و معیارها Step 7 Visualize Training and Metrics

گام هشتم: پیش‌بینی با استفاده از مدل Step 8 Prediction Using the Model

  • گام هشتم: پیش‌بینی با استفاده از مدل Step 8 Prediction Using the Model

مدل طبقه‌بندی باینری بیماری‌های قلبی: مقدمه Heart Disease Binary Classification Model - Introduction

  • مدل طبقه‌بندی باینری بیماری‌های قلبی: مقدمه Heart Disease Binary Classification Model - Introduction

گام اول: دریافت و بارگذاری داده‌ها Step 1 - Fetch and Load Data

  • گام اول: دریافت و بارگذاری داده‌ها Step 1 - Fetch and Load Data

گام‌های دوم و سوم: تحلیل اکتشافی داده‌ها و آماده‌سازی Steps 2 and 3 - EDA and Data Preparation

  • گام‌های دوم و سوم: EDA و آماده‌سازی داده‌ها - بخش اول Steps 2 and 3 - EDA and Data Preparation - Part 1

  • گام‌های دوم و سوم: EDA و آماده‌سازی داده‌ها - بخش دوم Steps 2 and 3 - EDA and Data Preparation - Part 2

گام چهارم: تعریف مدل Step 4 - Defining the Model

  • گام چهارم: تعریف مدل Step 4 - Defining the Model

گام پنجم: کامپایل، برازش و رسم نمودار مدل Step 5 - Compile, Fit, and Plot the Model

  • گام پنجم: کامپایل، برازش و رسم نمودار مدل Step 5 - Compile, Fit, and Plot the Model

گام پنجم: پیش‌بینی بیماری قلبی با استفاده از مدل Step 5 - Predicting Heart Disease Using Model

  • گام پنجم: پیش‌بینی بیماری قلبی با استفاده از مدل Step 5 - Predicting Heart Disease Using Model

گام ششم: تست و ارزیابی مدل بیماری قلبی Step 6 - Testing and Evaluating Heart Disease Model

  • گام ششم: تست و ارزیابی مدل بیماری قلبی - بخش اول Step 6 - Testing and Evaluating Heart Disease Model - Part 1

  • گام ششم: تست و ارزیابی مدل بیماری قلبی - بخش دوم Step 6 - Testing and Evaluating Heart Disease Model - Part 2

نمایش نظرات

آموزش مبانی هوش مصنوعی، یادگیری ماشین و برنامه‌نویسی پایتون
جزییات دوره
8h 44m
39
(آخرین آپدیت)
1,234
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده