Course catalog

Course duration

Course provider

Topic

Categories

Showing 621-628 of 628 items.

linkedin یادگیری ماشین با پایتون: k-Means Clustering (Mitalearn-392561)

  • 50 minutes
  • مناسب همه
  • Update date: 1 May 2024
  • Author: Frederick Nwanganga
درباره این دوره: 

 خوشه بندی - یک رویکرد یادگیری ماشینی بدون نظارت که برای گروه بندی داده ها بر اساس شباهت استفاده می شود - برای کار در تجزیه و تحلیل شبکه، تقسیم بندی بازار، گروه بندی نتایج جستجو، تصویربرداری پزشکی و تشخیص ناهنجاری استفاده می شود. خوشه‌بندی K-means یکی از محبوب‌ترین و آسان‌ترین الگوریتم‌های خوشه‌بندی است. در این دوره آموزشی، Fred Nwanganga به شما نگاهی مقدماتی به خوشه‌بندی k-means می‌دهد – چگونه کار می‌کند، برای چه چیزی خوب است، چه زمانی باید از آن استفاده کنید، چگونه تعداد مناسبی از خوشه‌ها را انتخاب کنید، نقاط قوت و ضعف آن، و موارد دیگر. Fred راهنمایی عملی در مورد نحوه جمع‌آوری، کاوش و تبدیل داده‌ها در آماده‌سازی برای تقسیم‌بندی داده‌ها با استفاده از خوشه‌بندی k-means ارائه می‌کند و راهنمای گام به گام نحوه ساخت چنین مدلی در پایتون را ارائه می‌دهد.

linkedin یادگیری ماشین با پایتون: قوانین انجمن (Mitalearn-392578)

  • 1 hours 27 minutes
  • مناسب همه
  • Update date: 25 April 2024
  • Author: Frederick Nwanganga
درباره این دوره: 

 به مربی فردریک نوانگانگا بپیوندید زیرا او یک رویکرد کاربردی و قابل درک برای استفاده از یادگیری ماشین برای حل مشکلات دنیای واقعی را معرفی می کند و راهنمایی های گام به گام در مورد نحوه انجام این کار در پایتون ارائه می دهد. فردریک به طور خاص بر قوانین انجمن و نحوه اعمال آنها برای تجزیه و تحلیل سبد بازار تمرکز می کند. او توضیح می دهد که قوانین تداعی چیست و دو الگوریتم محبوب را بررسی می کند، سپس به این می پردازد که چه زمانی و چرا باید از قوانین تداعی استفاده کنید. به علاوه، فردریک نحوه ایجاد، تجسم، و تفسیر قوانین ارتباط در پایتون را پوشش می‌دهد.

این دوره با GitHub Codespaces، یک محیط توسعه‌دهنده ابر فوری که تمام قابلیت‌های IDE مورد علاقه شما را بدون نیاز به هیچ‌گونه نیازی ارائه می‌کند، یکپارچه شده است. راه اندازی ماشین محلی 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 یادگیری نحوه شروع، ویدیوی «استفاده از فضاهای کد GitHub با این دوره» را بررسی کنید.

linkedin یادگیری ماشین با پایتون: مبانی (Mitalearn-218192)

  • 1 hours 54 minutes
  • مناسب همه
  • Update date: 21 June 2026
  • Author: Frederick Nwanganga
درباره این دوره:

احتمالاً قبلاً در مورد یادگیری ماشینی شنیده اید، اما آیا تا به حال فکر کرده اید که این اصطلاح واقعاً به چه معناست؟ یک ماشین چگونه یاد می گیرد؟ آیا به ساخت یک مدل یادگیری ماشین فکر کرده اید، اما نمی دانید از کجا شروع کنید؟n فردریک دقیقاً با معنای یادگیری ماشین‌ها و روش‌های مختلف یادگیری آنها شروع می‌کند، سپس به نحوه جمع‌آوری، درک و آماده‌سازی داده‌ها برای یادگیری ماشین می‌پردازد. او همچنین مثال‌های راهنمایی از نحوه انجام هر مرحله با استفاده از پایتون ارائه می‌دهد. در نهایت، او همه آن‌ها را برای ساخت، ارزیابی و تفسیر نتایج یک مدل یادگیری ماشین در پایتون گرد هم می‌آورد.

linkedin یادگیری متلب (2018) (Mitalearn-140026)

  • 1 hours 13 minutes
  • مبتدی
  • Release date: 25 July 2026
  • Author: Steven Moser
درباره این دوره:

متلب یکی از محبوب‌ترین زبان‌های برنامه‌نویسی امروزی برای مهندسان و دانشمندان است و با دلایل خوب به تحلیلگران اجازه می‌دهد تا با حجم زیادی از داده‌ها به طور موثر کار کنند. مربی استیون موزر به شما نشان می دهد که چگونه از ابزارهای متلب استفاده کنید و برنامه هایی برای مدل سازی داده ها و فرضیه های خود ایجاد کنید. ابتدا یاد بگیرید که چگونه متغیرهای پایه و آرایه های سلولی ایجاد کنید و با سینتکس اصلی MATLAB کار کنید که تفاوت قابل توجهی با سایر زبان های برنامه نویسی دارد. سپس نحوه ایجاد اسکریپت ها و توابع، کار با ماتریس ها، اشکال زدایی برنامه خود و وارد کردن داده ها را بیابید. برای نشان دادن یافته‌های شما، استیون نحوه ایجاد طرح‌های دو بعدی و سه بعدی، اضافه کردن حاشیه‌نویسی و ترکیب تصاویر را نشان می‌دهد. فصل آخر سیمولینک، ابزار بلوک دیاگرام متلب را پوشش می دهد.

Related Skills

linkedin یادگیری ملخ (Mitalearn-224040)

  • 4 hours 16 minutes
  • مناسب همه
  • Release date: 8 February 2021
  • Author: Chris Reilly
درباره این دوره:

Grasshopper راه های جدیدی برای گسترش و کنترل فرآیندهای طراحی و مدل سازی سه بعدی ارائه می دهد. این راه ها شامل خودکار کردن فرآیندهای تکراری است. تولید هندسه از طریق توابع ریاضی؛ ایجاد سریع تغییرات در مدل های پیچیده؛ و ایجاد اشکال پیچیده از طریق تکرار هندسه ساده. Grasshopper به دانش برنامه نویسی یا برنامه نویسی نیاز ندارد و به طراحان انعطاف پذیری بالایی می دهد. در این دوره، مربی کریس ریلی به شما نشان می‌دهد که چگونه با Grasshopper سریع بلند شوید و بدوید. کریس الگوریتم هایی را توضیح می دهد که برای استفاده حداکثری از Grasshopper به آنها نیاز دارید و شما را از طریق رابط Grasshopper راهنمایی می کند. کریس نحوه سرعت بخشیدن به گردش کار خود را با میانبرها در Grasshopper پوشش می دهد. او به تطبیق داده‌ها، دنباله‌های فیبوناچی، بردارها و بسیاری دیگر از توابع ریاضی و منطقی می‌پردازد. کریس در مورد منحنی‌ها، سطوح، تبدیل‌ها، درختان داده و موارد دیگر صحبت می‌کند. او با مجموعه‌ای از پروژه‌های نمونه پایان می‌دهد که آنچه را که در این دوره آموخته‌اید نشان می‌دهد.

linkedin یادگیری موضوعات جاوا (Mitalearn-105703)

  • 1 hours 9 minutes
  • پیشرفته
  • Release date: 21 June 2026
  • Author: Peggy Fisher
درباره این دوره:

Thread ها مسیرهای مستقل اجرای کد هستند که به طور همزمان در یک برنامه جاوا اجرا می شوند. برنامه شما می‌تواند از رشته‌ها برای انجام چند کار استفاده کند: کارهایی که زمان زیادی را صرف می‌کنند و آن‌ها را در پس‌زمینه اجرا کنید. این به برنامه اجازه می دهد تا به کاربران پاسخگو باقی بماند. در حالی که برنامه نویسی چند رشته ای در جاوا به سختی شهرت دارد، اکثر توسعه دهندگان می توانند آن را با ساختارهای هوشمند و طراحی شده برای همزمانی که استاندارد پلتفرم جاوا هستند، حل کنند. در این دوره به مربی کارکنان پگی فیشر بپیوندید زیرا او به شما کمک می کند تا موضوعات جاوا را باز کنید. تماشا کنید و یاد بگیرید که چگونه رشته‌ها را ایجاد، مدیریت، همگام‌سازی و قفل کنید، و ابزارهای همزمان را مرور کنید که برنامه‌نویسی چند رشته‌ای را بسیار آسان‌تر می‌کند.

linkedin یادگیری مولدهای پایتون (2016) (Mitalearn-93004)

  • 44 minutes
  • متوسط
  • Release date: 13 September 2016
  • Author: Josh McQuiston
درباره این دوره:

ژنراتورها مفهومی منحصر به فرد برای پایتون هستند. اگر بدانید چگونه و چه زمانی از آنها استفاده کنید، فوق العاده مفید هستند. به بیان ساده، ژنراتورها بهترین راه برای تکرار از طریق مجموعه داده های بزرگ و پیچیده هستند. Pythonista Josh McQuiston هر آنچه را که باید در مورد ژنراتورهای Python بدانید را توضیح می دهد و نمونه هایی از ژنراتورهای در حال کار را ارائه می دهد. یاد بگیرید که چگونه یک تابع مولد اولیه بسازید، از عبارات و اشیاء مولد استفاده کنید، و ببینید که چگونه ژنراتورها در پشت صحنه کار می کنند تا مدیران زمینه و برنامه های مشترک را تقویت کنند.

linkedin یک پروژه منبع باز در پایتون ایجاد کنید (Mitalearn-382259)

  • 1 hours 24 minutes
  • مناسب همه
  • Release date: 25 July 2026
  • Author: Cheuk Ting Ho
درباره این دوره:

برای پروژه های منبع باز، اطمینان از انسجام توسعه و جلوگیری از خطاها و اشکالات می تواند چالشی باشد. در این دوره، Cheuk Ting Ho، رهبر جامعه پایتون شما را از طریق فرآیند کامل شروع، ساخت، آزمایش و نگهداری یک پروژه منبع باز در پایتون راهنمایی می کند. Cheuk شما را با Poetry، یک ابزار مدیریت وابستگی محبوب آشنا می‌کند و به شما نشان می‌دهد که چگونه از آن در شروع یک پروژه پایتون استفاده کنید. او pytests را تعریف می‌کند و به نحوه نوشتن تست‌های ساده، تست با پارامترهای متعدد، و آزمایش اگر استثناء مطرح شود، می‌پردازد. Cheuk لوازم جانبی و نحوه استفاده از آنها را پوشش می دهد، و همچنین زمانی که رد شدن از یک آزمایش مشکلی ندارد. او در مورد استفاده از PEP 8، Black، linters مانند Flake8 بحث می کند و از قبل برای مرتب کردن کد شما تعهد می کند. Cheuk نحوه استفاده از ابزاری به نام tox را برای استاندارد کردن تست خود و همچنین نحوه تنظیم یک گردش کار در GitHub Action را نشان می دهد. به علاوه، او برخی از بهترین شیوه‌ها را برای پروژه‌های منبع باز برجسته می‌کند.

Suggestions