کاتالوگ دوره‌ها

مدت زمان دوره

ارائه دهنده

موضوع

طبقه‌ها

نمایش 61 تا 80 مورد از کل 137 مورد.

coursera تجسم و برقراری ارتباط نتایج در پایتون با Jupyter (Mitalearn-327587)

  • مبتدی
  • انتشار: 27 June 2026
  • مدرس: Kevin Noelsaint,Anh Le
درباره این دوره:

کدنویسی کنید و اولین برنامه پایتون خود را در چند دقیقه بدون نصب چیزی اجرا کنید! این دوره برای زبان آموزان با تجربه محدود در کدنویسی طراحی شده است و پایه ای برای ارائه داده ها با استفاده از ابزارهای تجسم در Jupyter Notebook فراهم می کند. این دوره به زبان آموزان کمک می کند تا توصیف و استنباط از داده ها داشته باشند و بهتر ارتباط برقرار کنند و داده ها را ارائه دهند. ماژول های این دوره طیف گسترده ای از تجسم ها را پوشش می دهند که به شما امکان می دهد ترکیب مجموعه داده را نشان داده و مقایسه کنید، توزیع مجموعه داده را تعیین کنید، و داده های پیچیده مانند داده های مبتنی بر جغرافیا را تجسم کنید. تکمیل تجزیه و تحلیل داده ها در پایتون با پانداها و matplotlib در Spyder قبل از گذراندن این دوره توصیه می شود. برای اینکه امکان یک تجربه یادگیری واقعی و خودآگاه را فراهم کنید، این دوره بدون ویدیو است. تکالیف حاوی توضیحات کوتاه با تصاویر و نمونه‌های کد قابل اجرا با ویرایش‌های پیشنهادی برای بررسی بیشتر نمونه‌های کد، ایجاد درک عمیق‌تر با انجام دادن هستند. شما از بازخورد فوری از انواع آیتم های ارزیابی در طول مسیر بهره مند خواهید شد، به آرامی از بررسی های درک سریع (چند انتخابی، پر کردن جای خالی و عدم درهم آمیختن بلوک های کد) تا تمرین های کدگذاری کوچک و قابل دسترس که به جای اینکه چند دقیقه طول می کشد، پیشرفت کنید. ساعت در نهایت، یک آزمایشگاه انباشته در پایان دوره به شما فرصتی می دهد تا همه مفاهیم آموخته شده را در یک زمینه دنیای واقعی به کار ببرید.

coursera تحلیل کاربردی شبکه های اجتماعی در پایتون (Mitalearn-332891)

  • 3 ساعت 43 دقیقه
  • متوسط
  • انتشار: 23 June 2026
  • مدرس: Daniel Romero
درباره این دوره:

این دوره از طریق آموزش با استفاده از کتابخانه NetworkX زبان آموز را با تجزیه و تحلیل شبکه آشنا می کند. این دوره با درک اینکه تحلیل شبکه چیست و انگیزه هایی برای اینکه چرا ممکن است پدیده ها را به عنوان شبکه مدل سازی کنیم آغاز می شود. هفته دوم مفهوم اتصال و استحکام شبکه را معرفی می کند. هفته سوم راه های اندازه گیری اهمیت یا مرکزیت یک گره در یک شبکه را بررسی خواهد کرد. هفته آخر سیر تکامل شبکه‌ها در طول زمان را بررسی می‌کند و مدل‌های تولید شبکه و مشکل پیش‌بینی لینک را پوشش می‌دهد. این دوره باید بعد از: مقدمه ای بر علم داده در پایتون، نقشه برداری کاربردی، نمودار و نمایش داده ها در پایتون، و یادگیری ماشین کاربردی در پایتون گذرانده شود.

coursera ترسیم، نمودار و نمایش داده های کاربردی در پایتون (Mitalearn-332755)

  • 3 ساعت 14 دقیقه
  • متوسط
  • انتشار: 23 June 2026
  • مدرس: Christopher Brooks
درباره این دوره:

این دوره زبان آموز را با مبانی تجسم اطلاعات، با تمرکز بر گزارش و ترسیم نمودار با استفاده از کتابخانه matplotlib آشنا می کند. این دوره با یک دیدگاه طراحی و سواد اطلاعاتی شروع می شود و به این موضوع می پردازد که چه چیزی یک تجسم خوب و بد را ایجاد می کند و معیارهای آماری از نظر تجسم به چه چیزی تبدیل می شوند. هفته دوم بر روی فناوری مورد استفاده برای تجسم سازی در پایتون، matplotlib و معرفی بهترین شیوه ها در هنگام ایجاد نمودارهای اساسی و نحوه تحقق تصمیمات طراحی در چارچوب تمرکز خواهد کرد. هفته سوم آموزش عملکردهای موجود در matplotlib خواهد بود و انواع نمودارهای آماری پایه را نشان می دهد که به یادگیرندگان کمک می کند تشخیص دهند که چه زمانی یک روش خاص برای یک مشکل خاص خوب است. این دوره با بحث در مورد اشکال دیگر ساختاردهی و تجسم داده ها به پایان می رسد. این دوره باید بعد از مقدمه ای بر علم داده در پایتون و قبل از باقیمانده دوره های علوم داده کاربردی با پایتون گذرانده شود: یادگیری ماشین کاربردی در پایتون، متن کاوی کاربردی در پایتون، و تحلیل شبکه های اجتماعی کاربردی در پایتون.

coursera تست فرضیه با پایتون و اکسل (Mitalearn-334285)

  • 24 دقیقه
  • متوسط
  • انتشار: 23 June 2026
  • مدرس: Gerald S. Brown,Kishore K. Pochampally
درباره این دوره:

در بازار کار امروزی، رهبران برای رقابتی بودن نیاز به درک اصول اساسی داده ها دارند. یک روش ضروری برای درک تجارت و تجزیه و تحلیل، آزمون فرضیه است. این دوره کوتاه که توسط اساتید متخصص دانشگاه تافتز طراحی شده است، مبانی آزمون فرضیه میانگین جمعیت و نسبت جمعیت را با استفاده از Excel و Python برای محاسبات آموزش می دهد. شما همچنین قضیه حد مرکزی را که برای آزمایش فرضیه ضروری است، کشف خواهید کرد. برای به پایان رساندن دوره، با ایجاد طرحی برای آزمایشی در محل کار خود که از آزمون فرضیه استفاده می کند، مهارت های جدید خود را به کار خواهید گرفت.

coursera تفکر الگوریتمی (قسمت دوم) (Mitalearn-312389)

  • 4 ساعت 2 دقیقه
  • متوسط
  • انتشار: 23 June 2026
  • مدرس: Luay Nakhleh,Scott Rixner,Joe Warren
درباره این دوره:

دانشمندان کامپیوتر با تجربه، مسائل محاسباتی را در سطحی از انتزاع که فراتر از هر زبان برنامه نویسی خاصی است، تحلیل و حل می کنند. این کلاس دو قسمتی برای آموزش مفاهیم ریاضی و فرآیند "تفکر الگوریتمی" به دانش آموزان طراحی شده است و به آنها امکان می دهد راه حل های ساده تر و کارآمدتری برای مسائل محاسباتی بسازند. در قسمت دوم این دوره به بررسی تکنیک های الگوریتمی پیشرفته مانند برنامه نویسی پویا و تفرقه بینداز می پردازیم. به عنوان بخش مرکزی دوره، دانش‌آموزان چندین الگوریتم را در پایتون پیاده‌سازی می‌کنند که این تکنیک‌ها را در خود جای داده و سپس از این الگوریتم‌ها برای تجزیه و تحلیل دو مجموعه داده بزرگ در دنیای واقعی استفاده می‌کنند. تمرکز اصلی این کارها درک تعامل بین الگوریتم ها و ساختار مجموعه داده هایی است که توسط این الگوریتم ها تجزیه و تحلیل می شوند. هنگامی که دانش‌آموزان این کلاس را کامل کردند، مهارت‌های ریاضی و برنامه‌نویسی برای تجزیه و تحلیل، طراحی و برنامه‌ریزی راه‌حل‌های طیف وسیعی از مسائل محاسباتی را خواهند داشت. در حالی که این کلاس از پایتون به عنوان وسیله انتخابی خود برای تمرین تفکر الگوریتمی استفاده می کند، مفاهیمی که در این کلاس خواهید آموخت فراتر از هر زبان برنامه نویسی خاصی است.

coursera توابع، فایل ها و دیکشنری های پایتون (Mitalearn-301713)

  • 7 ساعت 57 دقیقه
  • مبتدی
  • انتشار: 23 June 2026
  • مدرس: Paul Resnick,Steve Oney
درباره این دوره:

این دوره ساختار داده فرهنگ لغت و توابع تعریف شده توسط کاربر را معرفی می کند. شما با متغیرهای محلی و سراسری، انتقال پارامترهای اختیاری و کلید واژه، توابع نامگذاری شده و عبارات لامبدا آشنا خواهید شد. همچنین با تابع مرتب‌سازی شده پایتون و نحوه کنترل ترتیب مرتب‌سازی آن با ارسال تابع دیگری به عنوان ورودی آشنا خواهید شد. برای پروژه نهایی خود، داده‌های شبکه‌های اجتماعی شبیه‌سازی‌شده را از یک فایل می‌خوانید، امتیازات احساسات را محاسبه می‌کنید و فایل‌های csv. را می‌نویسید. این فصل‌های 10 تا 16 کتاب درسی «مبانی برنامه‌نویسی پایتون» را پوشش می‌دهد که متن همراه (اختیاری و رایگان) این دوره است. اگر قبلاً دوره "مبانی پایتون" را گذرانده اید و می خواهید دانش اساسی بیشتری از زبان پایتون کسب کنید، این دوره برای شما مناسب است. هر دو دوره با هم برای افراد تازه وارد در برنامه نویسی پایتون، کسانی که نیاز به تجدید نظر در مبانی پایتون دارند، یا کسانی که ممکن است تا حدودی با برنامه نویسی پایتون آشنا شده باشند اما خواهان شرح و واژگان عمیق تری برای توصیف و استدلال در مورد برنامه ها هستند، طراحی شده است. این دوره تکمیلی دوره "مبانی پایتون" (درس 1 از تخصص برنامه نویسی پایتون 3) است و دومین دوره از پنج دوره در این تخصص است.

coursera توزیع متوسط ​​اینتل از OpenVINO™ برای کاربردهای یادگیری عمیق (Mitalearn-313647)

  • 1 ساعت 21 دقیقه
  • مناسب همه
  • انتشار: 23 June 2026
  • مدرس: Vu Q Nguyen
درباره این دوره:

این دوره برای توسعه دهندگان برنامه طراحی شده است که می خواهند بارهای کاری استنتاج بینایی کامپیوتر را با استفاده از کیت ابزار OpenVINOTM Intel® Distribution توسعه دهند. این دوره به مدل‌های شبکه عصبی بینایی کامپیوتر از انواع چارچوب‌های یادگیری ماشینی معروف می‌پردازد و نوشتن یک برنامه کاربردی قابل حمل را پوشش می‌دهد که قادر به استقرار استنتاج بر روی طیف وسیعی از دستگاه‌های محاسباتی است. این دوره برای توسعه دهندگان برنامه هدف گذاری شده است و بر روی مثال ها و بحث در مورد گردش کار توسعه تمرکز می کند. به این ترتیب، بحث‌ها نه تنها شامل جزئیات نحوه استفاده از خود جعبه ابزار می‌شود، بلکه موضوعاتی مانند نحوه گرفتن معیار برای مقایسه دستگاه‌های محاسباتی یا کارهایی که باید در هنگام مواجهه با مشکلات انجام دهید را شامل می‌شود. این دوره به گونه ای ساخته شده است که به عنوان راهنمای چگونگی توسعه استقرار استنتاج بینایی کامپیوتر با جعبه ابزار عمل می کند. در پایان دوره، دانش‌آموزان مهارت لازم برای استقرار برنامه بینایی کامپیوتر خود را با استفاده از جعبه ابزار خواهند داشت.

coursera توسعه برنامه های کاربردی هوش مصنوعی با پایتون و فلاسک (Mitalearn-270195)

  • 1 ساعت 23 دقیقه
  • متوسط
  • انتشار: 23 June 2026
  • مدرس: Abhishek Gagneja,Ramesh Sannareddy
درباره این دوره:

این دوره کوتاه برای تجهیز زبان‌آموزان به مهارت‌های پایه در پایتون برای توسعه برنامه‌های کاربردی وب با قابلیت هوش مصنوعی با استفاده از چارچوب Flask و کتابخانه‌های هوش مصنوعی Watson طراحی شده است. شما چرخه عمر انتها به انتها ساخت برنامه های کاربردی وب مقیاس پذیر را بررسی خواهید کرد، از نوشتن کدهای پاک و ماژولار پایتون تا استقرار راه حل های کامل مبتنی بر هوش مصنوعی. این دوره با معرفی Flask، یک چارچوب وب سبک و انعطاف پذیر آغاز می شود و به زبان آموزان کمک می کند تا پایه ای قوی در برنامه های کاربردی وب، API ها و چرخه عمر کلی توسعه ایجاد کنند. آن‌ها تجربه عملی با IDE Cloud Network IBM Skills به دست خواهند آورد، بهترین روش‌های پایتون از جمله تجزیه و تحلیل کد استاتیک را یاد می‌گیرند، و تست‌های واحد را می‌نویسند و اجرا می‌کنند تا از قابلیت اطمینان کد خود اطمینان حاصل کنند. این دوره با آموزش ساختن برنامه های کاربردی وب با Flask که موضوعاتی مانند مسیریابی، رسیدگی به درخواست های GET و POST، مسیرهای پویا و مدیریت خطا را پوشش می دهد، عمیق تر به توسعه برنامه می پردازد. در پایان دوره، فراگیران یک پروژه تمرینی و یک پروژه نهایی بررسی شده را تکمیل خواهند کرد که توانایی آنها را برای توسعه، آزمایش و استقرار برنامه های کاربردی Flask مبتنی بر هوش مصنوعی نشان می دهد. تجربه عملی به‌دست‌آمده در طول این دوره تضمین می‌کند که زبان‌آموزان نه تنها به مهارت‌های پایتون و فلاسک خود اطمینان دارند، بلکه آماده ساخت اپلیکیشن‌های وب هوشمند در تنظیمات دنیای واقعی هستند.

coursera جبر خطی برای یادگیری ماشین و علم داده (Mitalearn-303719)

  • 4 ساعت 39 دقیقه
  • متوسط
  • انتشار: 23 June 2026
  • مدرس: Luis Serrano
درباره این دوره:

به تازگی برای سال 2024 به روز شده است! Mathematics for Machine Learning and Data Science یک برنامه آنلاین پایه است که توسط DeepLearning.AI ایجاد شده و توسط Luis Serrano تدریس می شود. در یادگیری ماشینی، شما مفاهیم ریاضی را از طریق برنامه نویسی به کار می برید. و بنابراین، در این تخصص، مفاهیم ریاضی را که با استفاده از برنامه نویسی پایتون یاد می گیرید، در تمرینات آزمایشگاهی عملی به کار خواهید برد. به عنوان یک زبان آموز در این برنامه، برای موفقیت به مهارت های برنامه نویسی پایتون اولیه تا متوسط ​​نیاز دارید. پس از اتمام این دوره، شما قادر خواهید بود: • داده ها را به صورت بردارها و ماتریس ها نشان می دهد و ویژگی های آنها را با استفاده از مفاهیم تکینگی، رتبه و استقلال خطی و غیره شناسایی می کند. • اعمال مشترک عملیات جبر بردار و ماتریس مانند حاصل ضرب نقطه، معکوس، و دترمینال • انواع خاصی از عملیات ماتریس را به صورت تبدیل خطی بیان کنید • مفاهیم مقادیر ویژه و بردارهای ویژه را در مسائل یادگیری ماشین اعمال کنید بسیاری از مهندسان یادگیری ماشین و دانشمندان داده در زمینه ریاضیات به کمک نیاز دارند، و حتی تمرین‌کنندگان با تجربه نیز می‌توانند از کمبود مهارت‌های ریاضی عقب‌مانده شوند. این تخصص از آموزش نوآورانه در ریاضیات استفاده می‌کند تا به شما کمک کند تا سریع و شهودی یاد بگیرید، با دوره‌هایی که از تجسم‌های ساده برای پیگیری استفاده می‌کنند تا به شما کمک کنند تا ببینید که چگونه ریاضیات پشت یادگیری ماشین واقعاً کار می‌کند.  ما به شما توصیه می کنیم سطح ریاضی دبیرستان (توابع، جبر پایه) و آشنایی با برنامه نویسی (ساختارهای داده، حلقه ها، توابع، دستورات شرطی، اشکال زدایی) داشته باشید. تکالیف و آزمایشگاه‌ها در پایتون نوشته شده‌اند، اما این دوره تمام کتابخانه‌های یادگیری ماشینی را که استفاده می‌کنید معرفی می‌کند.

coursera جمع آوری و پردازش داده ها با پایتون (Mitalearn-310094)

  • 5 ساعت 52 دقیقه
  • متوسط
  • انتشار: 23 June 2026
  • مدرس: Paul Resnick
درباره این دوره:

این دوره به شما می آموزد که داده ها را از سرویس های موجود در اینترنت واکشی و پردازش کنید. درک لیست پایتون را پوشش می دهد و فرصت هایی را برای تمرین استخراج و پردازش داده های عمیق تو در تو فراهم می کند. همچنین یاد خواهید گرفت که چگونه از ماژول درخواست‌های پایتون برای تعامل با APIهای REST استفاده کنید و در اسناد آن APIها به دنبال چه چیزی باشید. برای پروژه نهایی، شما یک «پیشنهادگر برچسب» برای سایت اشتراک‌گذاری عکس فلیکر می‌سازید. اگر قبلاً دوره های «مبانی پایتون» و «توابع، فایل ها و دیکشنری های پایتون» (دوره های 1 و 2 تخصص برنامه نویسی پایتون 3) را گذرانده باشید، این دوره برای شما مناسب است. اگر قبلاً با اصول پایتون آشنایی دارید اما می خواهید در بازیابی و پردازش داده های تو در تو پیچیده از سرویس های اینترنتی تمرین کنید، می توانید بدون گذراندن دو دوره قبلی نیز از این دوره بهره مند شوید. این سومین دوره از پنج دوره تخصصی برنامه نویسی پایتون 3 است.

coursera جنگو پیشرفته: APIهای خارجی و صف وظایف (Mitalearn-316316)

  • پیشرفته
  • انتشار: 27 June 2026
  • مدرس: Patrick Ester,Ben Shaw
درباره این دوره:

کدنویسی کنید و وب سایت های جنگو را بدون نصب هیچ چیزی اجرا کنید! این دوره برای زبان آموزانی طراحی شده است که با پایتون و مهارت های اولیه جنگو (مانند مواردی که در تخصص جنگو برای همه پوشش داده شده است) آشنا هستند. ماژول‌های این دوره شامل اتصال به APIهای خارجی، صف‌بندی وظایف، و جمع‌کردن موضوعات در سراسر تخصص در پروژه‌های capstone می‌شوند. برای اینکه امکان یک تجربه یادگیری واقعی و خودآگاه را فراهم کنید، این دوره بدون ویدیو است. تکالیف حاوی توضیحات کوتاه با تصاویر و نمونه‌های کد قابل اجرا با ویرایش‌های پیشنهادی برای بررسی بیشتر نمونه‌های کد، ایجاد درک عمیق‌تر با انجام دادن هستند. شما از بازخورد فوری از انواع آیتم های ارزیابی در طول مسیر بهره مند خواهید شد، به آرامی از بررسی های درک سریع (چند گزینه ای، پر کردن جای خالی، و عدم درهم آمیختن بلوک های کد) به ساخت آهسته ویژگی ها، که منجر به پروژه های برنامه نویسی بزرگ در پایان دوره اهداف آموزشی دوره: اتصال به APIهای خارجی اجرای صف بندی وظایف از مهارت های مختلف جنگو برای ایجاد پروژه های با کیفیت نمونه کارها استفاده کنید

coursera جنگو پیشرفته: ساختن یک وبلاگ (Mitalearn-316163)

  • پیشرفته
  • انتشار: 27 June 2026
  • مدرس: Patrick Ester,Ben Shaw
درباره این دوره:

کدنویسی کنید و وب سایت های جنگو را بدون نصب هیچ چیزی اجرا کنید! این دوره برای زبان آموزانی طراحی شده است که با پایتون و مهارت های اولیه جنگو (مانند مواردی که در تخصص جنگو برای همه پوشش داده شده است) آشنا هستند. ماژول‌های این دوره مروری بر مفاهیم هسته جنگو، تنظیمات پروژه‌های پیشرفته، نماهای مبتنی بر کلاس و سایر موضوعات پیشرفته مانند مدل‌های پروکسی، ورود به سیستم، کش کردن و بهینه‌سازی پرس و جو را پوشش می‌دهند. برای اینکه امکان یک تجربه یادگیری واقعی و خودآگاه را فراهم کنید، این دوره بدون ویدیو است. تکالیف حاوی توضیحات کوتاه با تصاویر و نمونه‌های کد قابل اجرا با ویرایش‌های پیشنهادی برای بررسی بیشتر نمونه‌های کد، ایجاد درک عمیق‌تر با انجام دادن هستند. شما از بازخورد فوری از انواع آیتم های ارزیابی در طول مسیر بهره مند خواهید شد، به آرامی از بررسی های درک سریع (چند گزینه ای، پر کردن جای خالی، و عدم درهم آمیختن بلوک های کد) به ساخت آهسته ویژگی ها، که منجر به پروژه های برنامه نویسی بزرگ در پایان دوره اهداف آموزشی دوره: راه اندازی پروژه پیشرفته جنگو را راه اندازی کنید و مزایای آن را از نظر یکپارچه سازی و امنیت توضیح دهید. نماهای مختلف مبتنی بر کلاس و موارد استفاده از آنها را شرح دهید تشخیص و بهینه سازی عملکرد کد با استفاده از لاگ، ذخیره سازی و بهینه سازی پرس و جو

coursera جنگو پیشرفته: مقدمه ای بر چارچوب استراحت جنگو (Mitalearn-316265)

  • پیشرفته
  • انتشار: 27 June 2026
  • مدرس: Patrick Ester,Ben Shaw
درباره این دوره:

کدنویسی کنید و وب سایت های جنگو را بدون نصب هیچ چیزی اجرا کنید! این دوره برای زبان آموزانی طراحی شده است که با پایتون و مهارت های اولیه جنگو (مانند مواردی که در تخصص جنگو برای همه پوشش داده شده است) آشنا هستند. ماژول‌های این دوره مقدمه‌ای بر چارچوب Django REST و مدیریت JSON در چارچوب APIها، اصولی مانند سریال‌سازی ViewSheets و احراز هویت/مجوزها را پوشش می‌دهند. برای اینکه امکان یک تجربه یادگیری واقعی و خودآگاه را فراهم کنید، این دوره بدون ویدیو است. تکالیف حاوی توضیحات کوتاه با تصاویر و نمونه‌های کد قابل اجرا با ویرایش‌های پیشنهادی برای بررسی بیشتر نمونه‌های کد، ایجاد درک عمیق‌تر با انجام دادن هستند. شما از بازخورد فوری از انواع آیتم های ارزیابی در طول مسیر بهره مند خواهید شد، به آرامی از بررسی های درک سریع (چند گزینه ای، پر کردن جای خالی، و عدم درهم آمیختن بلوک های کد) به ساخت آهسته ویژگی ها، که منجر به پروژه های برنامه نویسی بزرگ در پایان دوره اهداف آموزشی دوره: توضیح دهید که چگونه چارچوب Django REST به وب‌سایت‌های جنگو اجازه می‌دهد از APIها استفاده کنند چارچوب Django REST را اعمال کنید از ViewSets برای نگاشت نماها به منطق استفاده کنید احراز هویت را تنظیم و مجوزها را پیکربندی کنید

coursera حساب دیفرانسیل و انتگرال برای یادگیری ماشین و علم داده (Mitalearn-303821)

  • 4 ساعت 20 دقیقه
  • متوسط
  • انتشار: 23 June 2026
  • مدرس: Luis Serrano
درباره این دوره:

به تازگی برای سال 2024 به روز شده است! Mathematics for Machine Learning and Data Science یک برنامه آنلاین پایه است که توسط DeepLearning.AI ایجاد شده و توسط Luis Serrano تدریس می شود. در یادگیری ماشینی، شما مفاهیم ریاضی را از طریق برنامه نویسی به کار می برید. و بنابراین، در این تخصص، مفاهیم ریاضی را که با استفاده از برنامه نویسی پایتون یاد می گیرید، در تمرینات آزمایشگاهی عملی به کار خواهید برد. به عنوان یک زبان آموز در این برنامه، برای موفقیت به مهارت های برنامه نویسی پایتون اولیه تا متوسط ​​نیاز دارید. پس از اتمام این دوره، فراگیران قادر خواهند بود: • بهینه سازی تحلیلی انواع مختلف توابع که معمولاً در یادگیری ماشین استفاده می شوند با استفاده از ویژگی های مشتقات و گرادیان ها • بهینه سازی تقریباً انواع مختلف توابع که معمولاً در یادگیری ماشین استفاده می شوند با استفاده از روش های تکراری مرتبه اول (نزول گرادیان) و مرتبه دوم (روش نیوتن). • تفکیک بصری تمایز انواع مختلف توابع که معمولاً در یادگیری ماشین استفاده می شوند • اجرای گرادیان نزول در شبکه های عصبی با توابع مختلف فعال سازی و هزینه بسیاری از مهندسان یادگیری ماشین و دانشمندان داده در زمینه ریاضیات به کمک نیاز دارند، و حتی تمرین‌کنندگان با تجربه نیز می‌توانند از کمبود مهارت‌های ریاضی عقب‌مانده شوند. این تخصص از آموزش نوآورانه در ریاضیات استفاده می‌کند تا به شما کمک کند تا سریع و شهودی یاد بگیرید، با دوره‌هایی که از تجسم‌های ساده برای پیگیری استفاده می‌کنند تا به شما کمک کنند تا ببینید که چگونه ریاضیات پشت یادگیری ماشین واقعاً کار می‌کند.  ما به شما توصیه می کنیم سطح ریاضی دبیرستان (توابع، جبر پایه) و آشنایی با برنامه نویسی (ساختارهای داده، حلقه ها، توابع، دستورات شرطی، اشکال زدایی) داشته باشید. تکالیف و آزمایشگاه‌ها در پایتون نوشته شده‌اند، اما این دوره تمام کتابخانه‌های یادگیری ماشینی را که استفاده می‌کنید معرفی می‌کند.

coursera داده کاوی برای شهرهای هوشمند (Mitalearn-327757)

  • 7 ساعت 32 دقیقه
  • مبتدی
  • انتشار: 23 June 2026
  • مدرس: Dr. Dheeraj Kumar
درباره این دوره:

اینترنت اشیا (IoT) به یکی از اجزای مهم زندگی شهری تبدیل شده است و باعث ایجاد «شهرهای هوشمند» شده است. هدف این شهرهای هوشمند تبدیل مجتمع های شهری امروزی به فضاهای زندگی سازگار با محیط زیست و سازگار با محیط زیست است. زیرساخت دیجیتال شهرهای هوشمند حجم عظیمی از داده ها را تولید می کند که می تواند به ما در درک بهتر عملیات و سایر جنبه های مهم زندگی شهر کمک کند. در این دوره، شما با تکنیک های مختلف داده کاوی و یادگیری ماشین و مجموعه داده های مختلفی که می توان بر روی آنها اعمال کرد، آشنا خواهید شد. شما یاد خواهید گرفت که چگونه داده کاوی را در پایتون پیاده سازی کنید و نتایج را برای استخراج دانش عملی تفسیر کنید. این دوره شامل آزمایش‌های عملی با استفاده از مجموعه داده‌های زندگی واقعی مختلف است تا شما را قادر می‌سازد روی مجموعه داده‌های جدید مرتبط با دامنه خود آزمایش کنید. شما از زبان برنامه نویسی پایتون 3 برای خواندن و پیش پردازش داده ها استفاده می کنید و سپس وظایف مختلف داده کاوی را روی داده های پاک شده برای به دست آوردن نتایج دلخواه پیاده سازی می کنید. پس از آن، نتایج را برای کارآمدترین توصیف تجسم خواهید کرد.

coursera داده ها برای یادگیری ماشین (Mitalearn-333979)

  • 3 ساعت 38 دقیقه
  • متوسط
  • انتشار: 23 June 2026
  • مدرس: Anna Koop
درباره این دوره:

این دوره همه چیز در مورد داده ها است و اینکه چگونه برای موفقیت مدل یادگیری ماشین کاربردی شما بسیار مهم است. گذراندن این دوره به زبان آموزان این مهارت ها را می دهد: درک عناصر حیاتی داده ها در مراحل یادگیری، آموزش و عملیات سوگیری ها و منابع داده را درک کنید تکنیک هایی را برای بهبود کلیت مدل خود اجرا کنید عواقب بیش از حد برازش را توضیح دهید و اقدامات کاهشی را شناسایی کنید اقدامات آزمون و اعتبارسنجی مناسب را اجرا کنید. نشان دهید که چگونه می توان دقت مدل شما را با مهندسی ویژگی های متفکرانه بهبود بخشید. تأثیر پارامترهای الگوریتم بر قدرت مدل را بررسی کنید برای موفقیت در این دوره، باید حداقل پیشینه سطح مبتدی در برنامه نویسی پایتون داشته باشید (به عنوان مثال، بتوانید کدهای موجود را بخوانید و کدنویسی کنید، با شرط ها، حلقه ها، متغیرها، لیست ها، دیکشنری ها و آرایه ها راحت باشید). شما باید درک اولیه ای از جبر خطی (نماد برداری) و آمار (توزیع احتمال و میانگین / میانه / حالت) داشته باشید. این سومین دوره از تخصص یادگیری ماشین کاربردی است که توسط Coursera و موسسه هوش ماشین آلبرتا برای شما آورده شده است.

coursera درختان و نمودارها: مبانی (Mitalearn-316146)

  • 9 ساعت 14 دقیقه
  • پیشرفته
  • انتشار: 23 June 2026
  • مدرس: Sriram Sankaranarayanan
درباره این دوره:

الگوریتم های اساسی در ساختارهای داده درختی، درختان جستجوی دودویی، درختان خود متعادل کننده، ساختارهای داده گراف و الگوریتم های پیمایش اساسی بر روی نمودارها. این دوره همچنین موضوعات پیشرفته ای مانند kd-trees برای داده های مکانی و الگوریتم های داده های مکانی را پوشش می دهد. درختان و نمودارها: اصول اولیه را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، در نظر گرفت. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید.

coursera درک فناوری و داده ها (Mitalearn-291275)

  • 1 ساعت 57 دقیقه
  • مبتدی
  • انتشار: 23 June 2026
  • مدرس: Accenture Teaching Staff
درباره این دوره:

به دوره آموزشی درک فناوری و داده ها خوش آمدید. این دوره به منظور ارائه پایه ای در مورد نحوه استفاده از فناوری و داده ها در زندگی روزمره طراحی شده است. این به شما کمک می کند تا موفقیت در یک محیط کار دیجیتال را یاد بگیرید. در پایان این دوره، شما قادر خواهید بود: - تکامل دستگاه های الکترونیکی را بشناسید - شناسایی فناوری های جدید در صنایع مختلف - فناوری هایی مانند ابر، هوش مصنوعی، بلاک چین و غیره را تعریف کنید. - تشخیص دیجیتالی شدن چیست و چگونه بر زندگی روزمره تأثیر می گذارد - شناخت اصول اولیه یک کامپیوتر از جمله قسمت های مختلف و ویژگی های امنیتی آن - کدگذاری را تعریف کنید - ویژگی های کلیدی جاوا اسکریپت را شناسایی کنید - ویژگی های کلیدی پایتون را شناسایی کنید - تشخیص نحوه تفسیر داده ها این دوره به چهار ماژول تقسیم می شود: درک فناوری، فناوری در محل کار، کاوش کدگذاری و کشف داده ها. ماژول یک، درک فناوری، مبانی فناوری و تکامل آن را بررسی می‌کند و مسیر توسعه فناوری را روشن می‌کند. با فناوری های دیجیتال و کاربرد رو به رشد آنها در صنایع مختلف آشنا خواهید شد. شما همچنین خواهید آموخت که چگونه اتوماسیون نه تنها برای محل کار مفید است، بلکه در خانه نیز اهمیت می یابد. ابر، بلاک چین و هوش مصنوعی فناوری‌های پرطرفداری هستند که در این ماژول بررسی خواهید کرد. ماژول دو، فناوری در کار، به ایجاد سواد دیجیتالی شما ادامه خواهد داد. شما با اصول اولیه کامپیوتر و اینترنت و نحوه استفاده از آنها در محیط کار آشنا خواهید شد. شما با تکنیک هایی برای کارآمدتر کار کردن و برقراری ارتباط مجازی آشنا خواهید شد، از جمله نکات مفیدی برای استفاده از ایمیل. همچنین یاد خواهید گرفت که چگونه داده های خود را ایمن کنید. در ماژول سه، Exploring Coding، شما با دنیای کدنویسی و برخی از زبان های برنامه نویسی کلیدی مانند جاوا اسکریپت و پایتون آشنا خواهید شد. شما در مورد گزینه های شغلی مختلف در برنامه نویسی، مانند توسعه وب، توسعه برنامه و توسعه نرم افزار یاد خواهید گرفت. ماژول چهار، کشف داده، به شما کمک می‌کند تا راه‌های جمع‌آوری و تفسیر داده‌ها و نحوه بکارگیری آن‌ها برای تصمیم‌گیری‌های حیاتی را درک کنید. با تکنیک های مختلف برای تفسیر داده ها و نحوه استفاده از توابع اکسل برای کار راحت تر با داده ها آشنا خواهید شد. این یک دوره آموزشی پایه است که برای یادگیرندگانی در نظر گرفته شده است که با فناوری و داده ها تازه کار هستند و می خواهند برای دنیای کار دیجیتالی آماده شوند. برای گذراندن این دوره به تجربه قبلی خاصی نیاز نیست. حق چاپ © 2023 Accenture. تمامی حقوق محفوظ است. Accenture و لوگوی آن علائم تجاری ثبت شده Accenture هستند.

coursera درک و تجسم داده ها با پایتون (Mitalearn-328318)

  • 5 ساعت 55 دقیقه
  • مبتدی
  • انتشار: 23 June 2026
  • مدرس: Brenda Gunderson,Brady T. West,Kerby Shedden
درباره این دوره:

در این دوره، فراگیران با حوزه آمار، از جمله اینکه داده ها از کجا آمده اند، طراحی مطالعه، مدیریت داده ها و کاوش و تجسم داده ها، آشنا می شوند. یادگیرندگان انواع مختلف داده ها را شناسایی می کنند و یاد می گیرند که چگونه خلاصه ها را برای داده های تک متغیره و چند متغیره تجسم، تجزیه و تحلیل و تفسیر کنند. همچنین یادگیرندگان با تفاوت‌های بین نمونه‌گیری احتمالی و غیراحتمالی از جمعیت‌های بزرگ‌تر، این ایده که چگونه تخمین‌های نمونه متفاوت است و چگونه می‌توان در مورد جمعیت‌های بزرگ‌تر بر اساس نمونه‌گیری احتمالی استنتاج کرد، آشنا می‌شوند. در پایان هر هفته، فراگیران مفاهیم آماری را که با استفاده از پایتون آموخته‌اند، در محیط دوره به کار می‌گیرند. در طول این جلسات مبتنی بر آزمایشگاه، زبان آموزان کاربردهای مختلف پایتون را به عنوان یک ابزار، از جمله کتابخانه های Numpy، Pandas، Statsmodels، Matplotlib و Seaborn کشف خواهند کرد. فیلم‌های آموزشی ارائه شده است تا یادگیرندگان را در ایجاد تجسم‌ها و مدیریت داده‌ها، همه در پایتون، راهنمایی کند. این دوره از محیط نوت بوک Jupyter در Coursera استفاده می کند.

coursera دستکاری داده ها در مقیاس: سیستم ها و الگوریتم ها [coursera] (Mitalearn-334727)

  • 10 ساعت 26 دقیقه
  • مناسب همه
  • انتشار: 27 June 2026
  • مدرس: Bill Howe
درباره این دوره:

تجزیه و تحلیل داده ها به عنوان گلوگاه تصمیم گیری مبتنی بر شواهد جایگزین اکتساب داده شده است --- ما در حال غرق شدن در آن هستیم. استخراج دانش از مجموعه داده های بزرگ، ناهمگن و پر سر و صدا، نه تنها به منابع محاسباتی قدرتمند، بلکه به انتزاعات برنامه نویسی برای استفاده مؤثر از آنها نیاز دارد. انتزاعی‌هایی که در دهه گذشته پدیدار شدند، ایده‌هایی را از پایگاه‌های داده موازی، سیستم‌های توزیع‌شده و زبان‌های برنامه‌نویسی ترکیب می‌کنند تا کلاس جدیدی از پلت‌فرم‌های تجزیه و تحلیل داده مقیاس‌پذیر را ایجاد کنند که پایه و اساس علم داده را در مقیاس‌های واقعی تشکیل می‌دهند. در این دوره، چشم انداز سیستم های مربوطه، اصولی که آنها بر آن تکیه می کنند، معاوضه آنها و نحوه ارزیابی کاربرد آنها در برابر نیازهای خود را خواهید آموخت. شما خواهید آموخت که چگونه سیستم های عملی از مرز تحقیقات در علوم کامپیوتر استخراج شده اند و چه سیستم هایی در افق قرار دارند. رایانش ابری، پایگاه‌های داده SQL و NoSQL، MapReduce و اکوسیستمی که ایجاد کرده، Spark و هم‌عصران آن، و سیستم‌های تخصصی برای نمودارها و آرایه‌ها پوشش داده خواهد شد. شما همچنین تاریخچه و زمینه علم داده، مهارت‌ها، چالش‌ها و روش‌هایی که این اصطلاح به آن اشاره می‌کند، و نحوه ساختار یک پروژه علم داده را خواهید آموخت. در پایان این دوره، شما قادر خواهید بود: اهداف آموزشی: 1. الگوها، چالش ها و رویکردهای رایج مرتبط با پروژه های علم داده و اینکه چه چیزی آنها را از پروژه ها در زمینه های مرتبط متمایز می کند، شرح دهید. 2. مدل های برنامه نویسی مرتبط با دستکاری داده های مقیاس پذیر، از جمله جبر رابطه ای، کاهش نقشه و سایر مدل های جریان داده را شناسایی و استفاده کنید. 3. استفاده از فناوری پایگاه داده که برای تجزیه و تحلیل در مقیاس بزرگ، از جمله مفاهیم محرک پایگاه داده موازی، پردازش پرس و جو موازی، و تجزیه و تحلیل درون پایگاه داده سازگار شده است. 4. فروشگاه‌های ارزش کلیدی و سیستم‌های NoSQL را ارزیابی کنید، معاوضه‌های آنها را با سیستم‌های قابل مقایسه، جزئیات نمونه‌های مهم در فضا، و روندهای آینده را شرح دهید. 5. "Think" در MapReduce برای نوشتن موثر الگوریتم‌ها برای سیستم‌هایی از جمله Hadoop و Spark. شما محدودیت ها، جزئیات طراحی، رابطه آنها با پایگاه های داده و اکوسیستم مرتبط با الگوریتم ها، برنامه های افزودنی و زبان ها را درک خواهید کرد. نوشتن برنامه در Spark 6. چشم انداز سیستم های تخصصی داده های بزرگ را برای نمودارها، آرایه ها و جریان ها توصیف کنید.

دوره‌های پیشنهادی