در قسمت 2 دوره خود در مورد نیازهای غیر عملکردی در محاسبات ابری ، گوننی هرشنیک شیرجه عمیق را به NFR های مشترک می برد. او اصول کلی را توضیح می دهد و به NFR ها مانند امنیت و حریم خصوصی ، دسترسی و قابلیت استفاده ، قابلیت اطمینان و موارد دیگر نگاه می کند. او سپس به شما نشان می دهد که چگونه NFR های خود را پیاده سازی کنید ، و توضیح می دهد که چگونه می توانید دامنه کار مورد نیاز را ارزیابی کنید و نحوه انتخاب مدل های مختلف مالکیت برای NFR را ارزیابی کنید. سرانجام ، Gwenny جزئیات نحوه مدیریت NFR ها را به مرور زمان ، از جمله ادغام آنها در گردش کار ، ردیابی آنها در دوره های زمانی و شناسایی سطح بلوغ عملیاتی که به دست آورده اید و چگونه می توانید در صورت لزوم سطح بندی کنید.

به "نوشتن الزامات" خوش آمدید. همانطور که عنوان نشان می دهد، در چهار هفته آینده، ما به وظیفه مهم نوشتن بیانیه های الزامی مبتنی بر متن خواهیم پرداخت. این دوره شما را گام به گام با قوانین نوشتن بیانیه های الزامات مطابق با "راهنمای الزامات نوشتن" منتشر شده توسط شورای بین المللی مهندسی سیستم ها (INCOSE) آشنا می کند. این دوره از هر کسی که می خواهد نحوه نوشتن الزامات را بیابد استقبال می کند. این برای هر کسی در مدیریت پروژه، مهندسی، QA، پشتیبانی لجستیک، عملیات، مدیریت، نگهداری و سایر زمینه های کاری مرتبط است. هیچ پیش زمینه خاصی مورد نیاز نیست و ما از زبان آموزانی با تمام سطوح علاقه و تجربه استقبال می کنیم.

این دوره به معرفی شخصیت‌های کره‌ای «هنگول» می‌پردازد و دانش سطح بالایی در رابطه با هانگول ارائه می‌دهد. در این دوره، پس زمینه هانگول ایجاد می شود که هانگول را چه کسی ساخته است و بر اساس چه اصل به طور سیستماتیک توضیح داده می شود. همچنین حکایات مربوط به مقاصد گردشگری کره مرتبط با هانگول را معرفی می کند و نحوه نوشتن هانگول را آموزش می دهد. زبان آموزان می توانند درک خود را از کره افزایش دهند، Hangeul را به طور دقیق یاد بگیرند، و دانش سطح بالایی از Hangeul را پرورش دهند.

این دوره ادامه کتاب Electrodynamics: An Introduction است. در اینجا به روش های مختلف محاسبه میدان الکتریکی می پردازیم. علاوه بر این، پلاریزاسیون، دی الکتریک ها و چگونگی ایجاد دوقطبی توسط میدان های الکتریکی را معرفی خواهیم کرد. فراگیران خواهد شد • قادر به اعمال تقارن و ابزارهای دیگر برای محاسبه میدان الکتریکی باشد. • درک کنید که حساسیت، قطبش و دوقطبی چیست. علاوه بر این، دانش‌آموزان یاد می‌گیرند که معادلات ماکسول را تجسم کنند تا ریاضیات مشتق‌شده را در زمینه‌های دیگر، مانند انتشار گرما/جرم و خواص الکترومکانیکی در مقیاس مزو، و ایجاد پتنت‌هایی ایجاد کنند که می‌تواند به نوآوری‌های بالقوه در ذخیره و برداشت انرژی منجر شود. رویکرد اتخاذ شده در این دوره تکمیل کننده رویکردهای سنتی است، و درمان نسبتاً کاملی از فیزیک الکتریسیته و مغناطیس را پوشش می دهد، و رویکرد منحصر به فرد و حیاتی فاینمن را برای درک تصویری از جهان فیزیکی اضافه می کند. علاوه بر این، این دوره به طور منحصر به فرد پیوند بین دانش الکترودینامیک و کاربردهای عملی آن برای تحقیقات در علم مواد، فناوری اطلاعات، مهندسی برق، شیمی، مهندسی شیمی، ذخیره انرژی، برداشت انرژی و سایر زمینه‌های مرتبط با مواد را فراهم می‌کند.

این دوره چهارمین دوره از مجموعه الکترودینامیک است و مستقیماً توسط Electrodynamics: Electric and Magnetic Fields ادامه می یابد. قبلاً در مورد تجسم زمینه ها و راه حل هایی که وابسته به زمان نبودند یاد گرفتیم. در اینجا، ما به معادلات ماکسول باز می گردیم و از آنها برای تولید معادلات موجی استفاده می کنیم که می توانند برای تجزیه و تحلیل سیستم های پیچیده مانند دوقطبی های نوسانی استفاده شوند. ما همچنین مدارهای AC را معرفی خواهیم کرد، و چگونه می توان آنها را ساده، حل کرد و اعمال کرد. فراگیران: • درک کاملی از معادلات ماکسول و نحوه ارتباط آنها با پتانسیل های مغناطیسی و الکتریکی داشته باشید. • بتواند مسائل مربوط به بارهای متحرک را حل کند و اصلاحات نسبیتی را به معادلات اضافه کند • درک اجزای مختلف در مدارهای AC، و اینکه چگونه حضور آنها می تواند عملکرد مدار را تغییر دهد. رویکرد اتخاذ شده در این دوره تکمیل کننده رویکردهای سنتی است، و درمان نسبتاً کاملی از فیزیک الکتریسیته و مغناطیس را پوشش می دهد، و رویکرد منحصر به فرد و حیاتی فاینمن را برای درک تصویری از جهان فیزیکی اضافه می کند. علاوه بر این، این دوره به طور منحصر به فرد پیوند بین دانش الکترودینامیک و کاربردهای عملی آن برای تحقیقات در علم مواد، فناوری اطلاعات، مهندسی برق، شیمی، مهندسی شیمی، ذخیره انرژی، برداشت انرژی و سایر زمینه‌های مرتبط با مواد را فراهم می‌کند.

عمق و وسعت الکترومغناطیس، پایه و اساس بسیاری از زمینه ها از جمله علم مواد، مهندسی برق، و شیمی فیزیک، نیازمند یک منحنی یادگیری طولانی، شیب دار و ثابت است. این دوره با هدف پر کردن شکاف بین اصول اساسی تدریس شده در الکترومغناطیس و کاربرد عملی آن در زمینه های خاص مانند مواد، فیزیک و شیمی مرتبط با ذخیره و برداشت انرژی است. هدف الکترودینامیک: مقدمه نه تنها آموزش الکترومغناطیس بلکه معرفی برخی از ابزارهای ریاضی است که می توان از آنها برای حل مسائل موضوع استفاده کرد. در این یادداشت‌های سخنرانی، حساب برداری را مرور می‌کنیم و نحوه استفاده از فیلدها را برای تجسم موضوعاتی که پوشش می‌دهیم توضیح می‌دهیم. این دوره پویا است، زیرا سخنرانی ها به طور مداوم بر اساس یادداشت های قبلی است و توضیحات متنوعی برای هر راه حل ارائه می شود. از آنجایی که این یک دوره سطح پایین تر است، ما بر روی مفهوم ساده الکترواستاتیک تمرکز خواهیم کرد. این در کاوش نیروهای بین مولکولی و کیفیت خازن ها کاربرد دارد. از این طریق، ما الکترومغناطیس را به موضوعات مورد مطالعه مرسوم تر و کاربرد آن به موضوعات تحقیقاتی خاص مرتبط با ذخیره و برداشت انرژی مرتبط می کنیم.

این درس ادامه کتاب الکترودینامیک: مقدمه و الکترودینامیک: تجزیه و تحلیل میدان های الکتریکی است. در اینجا، ما مغناطیس استاتیک را معرفی می کنیم و آن را با مطالبی که قبلا یاد گرفتیم مرتبط می کنیم. علاوه بر این، به اصول اولیه نیروی الکتروموتور و نحوه استفاده از آن برای ساخت وسایل مختلف خواهیم پرداخت. فراگیران خواهد شد • قادر به استفاده از راه حل های میدان های الکتریکی و ارتباط آنها با موضوعات دیگر (انتقال حرارت، انتشار، مدل سازی غشاء) باشد. • معادلات ماکسول را در زمینه مغناطیس استاتیک درک کنید • با انرژی و مکانیک کوانتومی مربوط به نیروهای مغناطیسی آشنا شوید با ارتباط مفاهیم این سخنرانی با زمینه‌های دیگر، مانند انتشار گرما/جرم، و تشریح کاربردهای بالقوه آن‌ها، امیدواریم بتوانیم این دوره را برای مشاغل دانشجویانمان کاربردی کنیم. از آنجا که این دوره هم مفاهیم اولیه و هم ساخت دستگاه را پوشش می دهد، ما آن را طوری طراحی کرده ایم که برای محققان و متخصصان صنعت مفید باشد. رویکرد اتخاذ شده در این دوره تکمیل کننده رویکردهای سنتی است، و درمان نسبتاً کاملی از فیزیک الکتریسیته و مغناطیس را پوشش می دهد، و رویکرد منحصر به فرد و حیاتی فاینمن را برای درک تصویری از جهان فیزیکی اضافه می کند. علاوه بر این، این دوره به طور منحصر به فرد پیوند بین دانش الکترودینامیک و کاربردهای عملی آن برای تحقیقات در علم مواد، فناوری اطلاعات، مهندسی برق، شیمی، مهندسی شیمی، ذخیره انرژی، برداشت انرژی و سایر زمینه‌های مرتبط با مواد را فراهم می‌کند.

گزارش اقلیت حرفه الکس مک داول طراح تولید را تغییر داد. فیلم با فیلمنامه شروع نشد. در عوض، استیون اسپیلبرگ کارگردان دنیایی می‌خواست که داستان را شروع کند. بنابراین، الکس با کمک یک اتاق فکر فرارسانه‌ای، یک محیط دیجیتالی دقیق و کامل با جامعه، سیاست، فناوری، زمین و زیرساخت‌های خودش را ایجاد کرد. الکس دهه بعد را صرف ساختن جهان کرد و روی فیلم هایی مانند چارلی و کارخانه شکلات سازی و دیده بان کار کرد. اکنون او 5D GlobalStudio و World Building Media Lab را در دانشگاه کالیفرنیای جنوبی اداره می‌کند، جایی که دانش‌آموزان یاد می‌گیرند چگونه مسائل داستان‌گویی را از طریق طراحی حل کنند.

rnrn

اگر تا به حال از یک سرویس ناوبری برای یافتن مسیر بهینه و تخمین زمان رسیدن به مقصد استفاده کرده اید، از الگوریتم هایی روی نمودارها استفاده کرده اید. نمودارها در موقعیت‌های مختلف دنیای واقعی به وجود می‌آیند، زیرا شبکه‌های جاده‌ای، شبکه‌های رایانه‌ای و اخیراً شبکه‌های اجتماعی وجود دارد! اگر به دنبال سریع‌ترین زمان برای رسیدن به محل کار، ارزان‌ترین راه برای اتصال مجموعه‌ای از رایانه‌ها به شبکه یا الگوریتم کارآمد برای یافتن خودکار جوامع و رهبران افکار در فیسبوک هستید، می‌خواهید با نمودارها و الگوریتم‌ها روی نمودارها کار کنید. . در این دوره آنلاین، ابتدا یاد خواهید گرفت که نمودار چیست و برخی از مهمترین ویژگی ها چیست. سپس چندین روش برای پیمایش نمودارها و نحوه انجام کارهای مفید در حین پیمایش نمودار را به ترتیب یاد خواهید گرفت. سپس در مورد الگوریتم‌های کوتاه‌ترین مسیرها صحبت خواهیم کرد - از الگوریتم‌های اصلی تا الگوریتم‌هایی که در را برای الگوریتم‌های 1000000 برابر سریع‌تر مورد استفاده در Google Maps و سایر خدمات ناوبری باز می‌کنند. اگر بخواهید روی پروژه سنگ بنای صنعتی Fast Shortest Routes ما کار کنید، از این الگوریتم ها استفاده خواهید کرد. ما با حداقل درخت‌های پوشا که برای برنامه‌ریزی شبکه‌های راه، تلفن و کامپیوتر و همچنین یافتن کاربردها در خوشه‌بندی و الگوریتم‌های تقریبی استفاده می‌شوند، به پایان می‌رسانیم.

این دوره اطلاعات ضروری را که هر برنامه نویس جدی باید در مورد الگوریتم ها و ساختارهای داده بداند، با تأکید بر برنامه ها و تجزیه و تحلیل عملکرد علمی پیاده سازی های جاوا پوشش می دهد. بخش اول ساختارهای داده اولیه، مرتب‌سازی و الگوریتم‌های جستجو را پوشش می‌دهد. بخش دوم بر روی الگوریتم های پردازش گراف و رشته تمرکز دارد. تمامی امکانات این دوره به صورت رایگان در دسترس است. افرادی که علاقه مند به کاوش عمیق تر در محتوا هستند، ممکن است بخواهند کتاب درسی الگوریتم ها، نسخه چهارم (که دوره بر اساس آن است) را دریافت کنند یا از وب سایت algs4.cs.princeton.edu برای انبوهی از مطالب اضافی بازدید کنند. این دوره پس از اتمام مدرک ارائه نمی دهد.

الگوریتم‌های ML چهارمین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. این دوره فراگیران را قادر می‌سازد تا الگوریتم‌های یادگیری ماشینی را عمیقاً غواصی کنند. این دوره به دو ماژول تقسیم می شود و هر ماژول توسط درس ها و سخنرانی های ویدیویی تقسیم بندی می شود. این دوره آموزشی با سخنرانی‌های ویدیویی تقریباً 2:00 تا 2:30 ساعته که هم تئوری و هم دانش عملی را ارائه می‌کند، به فراگیران کمک 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: الگوریتم های ML- قسمت 1 ماژول 2: الگوریتم های ML- قسمت 2 حداقل دو سال تجربه عملی در معماری، ساخت یا اجرای بارهای کاری ML/یادگیری عمیق در AWS Cloud. در پایان این دوره، فراگیران قادر خواهند بود: - تعیین مفاهیم الگوریتم در ML - طراحی الگوریتم های رگرسیون و الگوریتم های مبتنی بر طبقه بندی - الگوریتم های یادگیری تقویتی و الگوریتم های پیش بینی را بررسی کنید

یکی از مفیدترین زمینه ها در یادگیری ماشین، کشف الگوهای پنهان از داده های بدون برچسب است. اصول اولیه این مهارت مورد تقاضا را به جعبه ابزار علم داده خود اضافه کنید. در این دوره، روش‌های یادگیری بدون نظارت منتخب برای کاهش ابعاد، خوشه‌بندی و یادگیری ویژگی‌های نهفته را یاد می‌گیریم. ما همچنین بر برنامه های کاربردی دنیای واقعی مانند سیستم های توصیه کننده با مثال های عملی از الگوریتم های توصیه محصول تمرکز خواهیم کرد. دانش کدنویسی یا برنامه نویسی قبلی مورد نیاز است. ما در طول دوره به طور گسترده از پایتون استفاده خواهیم کرد. مهارت های ریاضی در سطح دانشگاه، از جمله حساب دیفرانسیل و انتگرال و جبر خطی، مورد نیاز است. توصیه می شود، اما نه الزامی، برای گذراندن اولین دوره در تخصص، مقدمه ای بر یادگیری ماشین: یادگیری نظارت شده. 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 رایان والاس در Unsplash.

در دوره‌های قبلی تخصص آنلاین ما، الگوریتم‌های اولیه را آموخته‌اید، و اکنون آماده هستید تا به حوزه مسائل پیچیده‌تر و الگوریتم‌های حل آنها قدم بگذارید. الگوریتم‌های پیشرفته بر اساس الگوریتم‌های پایه ساخته می‌شوند و از ایده‌های جدید استفاده می‌کنند. ما با جریان‌های شبکه‌ای شروع می‌کنیم که در کاربردهای معمولی‌تر مانند تطابق بهینه، یافتن مسیرهای غیرمتناسب و برنامه‌ریزی پرواز و همچنین موارد شگفت‌انگیزتر مانند تقسیم‌بندی تصویر در بینایی رایانه استفاده می‌شوند. سپس به برنامه‌ریزی خطی با کاربردهایی در بهینه‌سازی تخصیص بودجه، بهینه‌سازی پورتفولیو، یافتن ارزان‌ترین رژیم غذایی که همه نیازها را برآورده می‌کند و بسیاری موارد دیگر ادامه می‌دهیم. در ادامه، مشکلات ذاتاً سختی را که هیچ راه‌حل خوب دقیقی برای آنها شناخته شده نیست (و احتمالاً یافت نمی‌شوند) و چگونگی حل آنها در عمل مورد بحث قرار می‌دهیم. ما با مقدمه ای نرم از الگوریتم های جریانی که به شدت در پردازش داده های بزرگ استفاده می شوند، پایان می دهیم. چنین الگوریتم‌هایی معمولاً به گونه‌ای طراحی می‌شوند که بتوانند مجموعه‌های داده عظیمی را بدون اینکه حتی قادر به ذخیره یک مجموعه داده باشند، پردازش کنند.

برای مثال، بسیاری از مسائل الگوریتمی دنیای واقعی را نمی توان به طور موثر با استفاده از ابزارهای الگوریتمی سنتی حل کرد، زیرا مسائل NP-hard هستند. هدف از درس الگوریتم های تقریب، آشنایی با مفاهیم و تکنیک های مهم الگوریتمی مورد نیاز برای مقابله موثر با چنین مسائلی است. این تکنیک‌ها زمانی اعمال می‌شوند که برای مسائل خاصی به راه‌حل بهینه نیاز نداریم، بلکه تقریبی نزدیک به راه‌حل بهینه است. خواهیم دید که چگونه می توان چنین تقریب هایی را به طور موثر پیدا کرد. پیش نیازها: برای گذراندن موفقیت آمیز این دوره، باید از قبل دانش پایه ای از الگوریتم ها و ریاضیات داشته باشید. در اینجا لیست کوتاهی از آنچه باید بدانید آمده است: - O-notation، Ω-notation، Θ-notation; نحوه تجزیه و تحلیل الگوریتم ها - حساب پایه: دستکاری جمع، حل عود، کار با لگاریتم و غیره. - نظریه احتمال پایه: رویدادها، توزیع های احتمال، متغیرهای تصادفی، مقادیر مورد انتظار و غیره. - ساختارهای داده پایه: لیست های پیوندی، پشته ها، صف ها، پشته ها - درختان جستجوی دودویی (متوازن). - الگوریتم های مرتب سازی اولیه، به عنوان مثال MergeSort، InsertionSort، QuickSort - اصطلاحات نمودار، نمایش گراف ها (لیست مجاورت و ماتریس مجاورت)، الگوریتم های اصلی گراف (BFS، DFS، مرتب سازی توپولوژیکی، کوتاه ترین مسیرها) مطالب این دوره بر اساس یادداشت های دوره است که در زیر برگه منابع یافت می شود.

الگوریتم های تقریب، بخش اول چقدر کارآمد می توانید اشیاء را در حداقل تعداد جعبه بسته بندی کنید؟ چگونه می توانید گره ها را به گونه ای خوشه بندی کنید که شبکه را به قطعاتی در اطراف چند مرکز به طور ارزان تقسیم کنید؟ اینها نمونه هایی از مسائل بهینه سازی ترکیبی NP-hard هستند. به احتمال زیاد حل چنین مسائلی به طور موثر غیرممکن است، بنابراین هدف ما ارائه یک راه حل تقریبی است که بتوان آن را در زمان چند جمله ای محاسبه کرد و در عین حال دارای ضمانت های قابل اثبات در هزینه آن نسبت به بهینه باشد. این دوره دانش یک دوره استاندارد الگوریتم در مقطع کارشناسی را در نظر می گیرد، و به ویژه بر الگوریتم هایی تأکید می کند که می توان با استفاده از برنامه نویسی خطی، یک تکنیک مورد علاقه و شگفت انگیز موفق در این زمینه، طراحی کرد. با گذراندن این دوره، شما در معرض طیف وسیعی از مشکلات در مبانی علم کامپیوتر نظری و تکنیک های قدرتمند طراحی و تجزیه و تحلیل قرار خواهید گرفت. پس از تکمیل، شما قادر خواهید بود، زمانی که با یک مسئله بهینه سازی ترکیبی جدید مواجه می شوید، تشخیص دهید که آیا این مسئله به یکی از معدود مسائل اساسی شناخته شده نزدیک است یا خیر، و قادر خواهید بود برنامه نویسی آرام سازی خطی طراحی کنید و از گرد کردن تصادفی برای تلاش برای حل مشکل خود استفاده کنید. مشکل خود محتوای دوره و به ویژه تکالیف درسی ماهیت نظری و بدون تکالیف برنامه نویسی دارد. این اولین دوره از یک دوره دو قسمتی در مورد الگوریتم های تقریب است.

الگوریتم های تقریب، قسمت 2 این ادامه الگوریتم‌های تقریب، قسمت 1 است. در اینجا شما دوگانگی برنامه‌نویسی خطی را که برای طراحی برخی از الگوریتم‌های تقریبی اعمال می‌شود، و برنامه‌نویسی نیمه معین که برای Maxcut اعمال می‌شود، یاد خواهید گرفت. با گذراندن دو بخش از این دوره، شما با طیف وسیعی از مشکلات در مبانی علم کامپیوتر نظری و تکنیک های طراحی و تحلیل قدرتمند مواجه خواهید شد. پس از تکمیل، شما قادر خواهید بود، زمانی که با یک مسئله بهینه سازی ترکیبی جدید مواجه می شوید، تشخیص دهید که آیا این مسئله به یکی از معدود مسائل اساسی شناخته شده نزدیک است یا خیر، و قادر خواهید بود برنامه نویسی آرام سازی خطی طراحی کنید و از گرد کردن تصادفی برای تلاش برای حل مشکل خود استفاده کنید. مشکل خود محتوای دوره و به ویژه تکالیف درسی ماهیت نظری و بدون تکالیف برنامه نویسی دارد. این دومین دوره از یک دوره دو قسمتی در مورد الگوریتم های تقریب است.

این دوره با تمرکز بر استفاده از فرمول‌های برنامه‌نویسی خطی و صحیح برای حل مسائل الگوریتمی که به دنبال راه‌حل‌های بهینه برای مشکلات ناشی از حوزه‌هایی مانند تخصیص منابع، زمان‌بندی، تخصیص کار، و انواع مسئله فروشنده دوره گرد است، تخصص ساختار داده‌ها و الگوریتم‌های ما را ادامه می‌دهد. . در مرحله بعد، الگوریتم‌هایی را برای مسائل NP-hard مطالعه خواهیم کرد که راه‌حل‌های آن تضمین شده است که در برخی از ضریب‌های تقریبی بهترین راه‌حل‌های ممکن قرار دارند. چنین الگوریتم‌هایی اغلب بسیار کارآمد هستند و محدودیت‌های مفیدی را برای راه‌حل‌های بهینه ارائه می‌کنند. یادگیری توسط یادداشت های ارائه شده توسط مربی، خواندن از کتاب های درسی و تکالیف پشتیبانی می شود. تکالیف شامل سوالات مفهومی چند گزینه ای و همچنین تکالیف حل مسئله است که شامل برنامه نویسی و الگوریتم های تست می شود. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد علوم کامپیوتر (MS-CS) CU Boulder که در پلت فرم Coursera ارائه می شود، گذراند. این مدرک تحصیلات تکمیلی کاملا معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه را ارائه می دهد. 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 علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder

ما روش های محاسباتی -- الگوریتم ها و ساختارهای داده -- برای تجزیه و تحلیل داده های توالی یابی DNA را یاد خواهیم گرفت. ما کمی در مورد DNA، ژنومیک و نحوه استفاده از توالی یابی DNA خواهیم آموخت. ما از پایتون برای پیاده سازی الگوریتم های کلیدی و ساختارهای داده و تجزیه و تحلیل ژنوم های واقعی و مجموعه داده های توالی DNA استفاده خواهیم کرد.

 الگوریتم ها یکی از ارکان اساسی در هر برنامه نرم افزاری هستند، زیرا آنها مجموعه ای از دستورالعمل ها را برای انجام یک کار به برنامه ها می دهند. در این دوره کاترین هاج قصد دارد با استفاده از الگوریتم های کارآمد به شما کمک کند تا برنامه های جاوا بهتری ایجاد کنید. او با توضیح اصول اولیه شروع می‌کند، جزئیات اینکه چه چیزی یک الگوریتم معین را موثر می‌سازد و همچنین نحوه ایجاد فرضیات آگاهانه در مورد داده‌های آنها برای ایجاد الگوریتم‌های کارآمدتر شروع می‌کند. او سپس بر چگونگی ایجاد الگوریتم‌هایی که با انواع مختلف داده‌ها، از جمله رشته‌ها و آرایه‌ها کار می‌کنند، و چگونگی استفاده از ساختارهای داده برای کارآمدتر کردن الگوریتم‌ها تمرکز می‌کند. بسیاری از الگوریتم‌ها در زبان جاوا ساخته شده‌اند و کاترین نحوه استفاده از آن‌ها و همچنین نحوه ایجاد الگوریتم‌های سفارشی خود را نشان می‌دهد تا بتوانید دقیقاً به روشی که می‌خواهید با داده‌های خود کار کنید.

این دوره اصول طراحی و تحلیل الگوریتم و همچنین الگوریتم های مرتب سازی آرایه ها، ساختارهای داده مانند صف های اولویت، توابع هش و برنامه هایی مانند فیلترهای بلوم را پوشش می دهد. الگوریتم‌های جستجو، مرتب‌سازی و نمایه‌سازی را می‌توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد علوم داده (MS-DS) CU Boulder در پلتفرم Coursera 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.