Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-20 of 99 items.

coursera "ذهن" چیست و هوش مصنوعی چیست؟ (Mitalearn-306252)

  • 2 hours 30 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: David Quigley
درباره این دوره:

در این دوره، تاریخچه علوم شناختی و روشی را که این ایده‌ها نحوه تفکر ما از شناخت مصنوعی را شکل می‌دهند را بررسی می‌کنیم.

coursera CUDA at Scale for the Enterprise (Mitalearn-309584)

  • 3 hours
  • متوسط
  • Release date: 23 June 2026
  • Author: Chancellor Thomas Pascale
درباره این دوره:

این دوره به دانش‌آموزان در یادگیری مفاهیمی کمک می‌کند که استفاده از پردازنده‌های گرافیکی و پردازنده‌هایی را که استفاده از آن‌ها را فراتر از رایج‌ترین نصب‌های GPU درجه مصرف‌کننده مدیریت می‌کنند، مقیاس می‌دهند. آنها یاد خواهند گرفت که چگونه گردش های کاری ناهمزمان، ارسال و دریافت رویدادها را برای کپسوله کردن انتقال داده ها و سیگنال های کنترلی مدیریت کنند. همچنین، دانش‌آموزان از طریق کاربرد GPUها برای مرتب‌سازی داده‌ها و پردازش تصاویر، پیاده‌سازی نرم‌افزار خود با استفاده از این تکنیک‌ها و کتابخانه‌ها، قدم خواهند گذاشت. در پایان دوره، شما قادر خواهید بود موارد زیر را انجام دهید: - توسعه نرم افزاری که بتواند از چندین CPU و GPU استفاده کند - توسعه نرم افزاری که از رویدادهای CUDA و قابلیت استریم ها برای ایجاد گردش کار ناهمزمان استفاده می کند. - از مدل محاسباتی CUDA برای حل چالش های برنامه نویسی متعارف از جمله مرتب سازی داده ها و پردازش تصویر استفاده کنید. برای موفقیت در این دوره، باید درک درستی از برنامه نویسی موازی داشته باشید و برنامه نویسی در C/C++ را تجربه کنید. این دوره برای توسعه دهندگان نرم افزار و دانشمندان داده که در زمینه های محاسباتی با کارایی بالا، پردازش داده ها و یادگیری ماشین کار می کنند بسیار کاربردی خواهد بود.

coursera Excel/VBA for Creative Problem Solving, Part 3 (Projects) (Mitalearn-315908)

  • 6 hours 55 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Charlie Nuttelman
درباره این دوره:

در این دوره، فراگیران چندین پروژه VBA را تکمیل خواهند کرد. به شدت توصیه می شود که زبان آموزان ابتدا "Excel/VBA for Creative Problem Solving, Part 1" و "Excel/VBA for Creative Problem Solving, Part 2" را امتحان کنند. این دوره بر پایه مهارت های آموخته شده در این دو دوره است. این یک دوره پروژه محور است. بنابراین، پروژه ها کاملاً باز هستند و راه های متعددی برای حل مشکلات وجود دارد. از طریق استفاده از Peer Review، سایر فراگیران پروژه های فراگیران را بر اساس یک مبحث درجه بندی درجه بندی می کنند.

coursera آماده سازی مصاحبه کدگذاری (Mitalearn-310077)

  • 2 hours 42 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Taught by Meta Staff
درباره این دوره:

دوره نهایی در این برنامه به شما کمک می کند تا برای جنبه های منحصر به فرد یک مصاحبه شغلی کدنویسی، با رویکردهای حل مسئله و مبانی علوم کامپیوتری مورد نیاز برای ایجاد شغل آماده شوید. در نهایت شما بینش های استراتژیک و نکاتی برای مصاحبه موفق به دست خواهید آورد. در پایان این دوره، دانشی در این زمینه خواهید داشت: • ارتباط مناسب در طول مصاحبه کدگذاری • استراتژی های مصاحبه موفق • استفاده از شبه کد • مبانی علوم کامپیوتر • قابلیت های ساختارهای داده و نحوه پیاده سازی آنها • نحوه بررسی ساختارهای داده در زمینه مصاحبه کدگذاری • مفهوم الگوریتم ها و رویکردهای رایج کار با آنها • نحوه تجسم یک الگوریتم • ترکیب الگوهای کدگذاری جدید و قبلاً آموخته شده برای حل مسائل در حالت ایده آل، شما باید تمام دوره های این مدرک حرفه ای را گذرانده باشید.

linkedin آموزش الگوریتم های سی شارپ (Mitalearn-121496)

  • 1 hours 28 minutes
  • مبتدی
  • Release date: 28 June 2026
  • Author: Reynald Adolphe
درباره این دوره:

درک الگوریتم ها یک نیاز کلیدی برای همه برنامه نویسان است. الگوریتم ها مجموعه ای از دستورالعمل ها را برای انجام یک کار به برنامه ها می دهند. دانش خود را در مورد الگوریتم های رایج سی شارپ برای مرتب سازی، جستجو، توالی و موارد دیگر گسترش دهید. بیاموزید که چگونه آنها را برای بهینه سازی مهارت های توسعه دهنده سی شارپ خود و پاسخ به سوالات مهم مصاحبه به کار ببرید. رینالد آدولف لیست‌های مرتبط، پشته‌ها، صف‌ها و جستجوی باینری و خطی را بررسی می‌کند.

Related Skills

coursera احتمال و آمار برای یادگیری ماشین و علم داده (Mitalearn-303872)

  • 8 hours 24 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: 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: • با استفاده از مفاهیم احتمال، متغیرهای تصادفی، و توزیع احتمال، عدم قطعیت ذاتی در پیش‌بینی‌های مدل‌های یادگیری ماشین را توصیف و کمی کنید. • درک بصری و شهودی خواص توزیع‌های احتمال رایج در یادگیری ماشین و علم داده مانند توزیع‌های برنولی، دوجمله‌ای و گاوسی • روش‌های آماری رایج مانند برآورد حداکثر احتمال (MLE) و حداکثر تخمین پیشینی (MAP) را برای مشکلات یادگیری ماشین اعمال کنید. • ارزیابی عملکرد مدل های یادگیری ماشین با استفاده از تخمین های بازه ای و حاشیه خطاها • استفاده از مفاهیم آزمون فرضیه های آماری در آزمون های رایج در علم داده مانند آزمون AB • تجزیه و تحلیل داده های اکتشافی را روی یک مجموعه داده برای یافتن، اعتبارسنجی و کمی کردن الگوها انجام دهید. 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 اخلاق هوش مصنوعی (Mitalearn-304484)

  • 1 hours 58 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Viola Schiaffonati
درباره این دوره:

این دوره به مشکلات ایجاد شده، تشدید یا تغییر یافته توسط هوش مصنوعی می پردازد. در نظر گرفته شده است که به دانش آموزان فرصتی بدهد تا با تمرکز بر مسائلی که توسط متخصصان هوش مصنوعی و همچنین شهروندان، مؤسسات و جوامع با آن مواجه هستند و توسط آنها ایجاد می شود، در مورد تأثیر اخلاقی، اجتماعی و فرهنگی هوش مصنوعی فکر کنند. این دوره با استفاده از مطالعات موردی و مثال‌هایی که در پرتو چارچوب‌های اخلاقی اصلی تحلیل شده‌اند، به این موضوعات می‌پردازد.

coursera ادراک بصری (Mitalearn-303379)

  • مبتدی
  • Release date: 27 June 2026
  • Author: Shree Nayar
درباره این دوره:

هدف نهایی یک سیستم بینایی کامپیوتری ایجاد یک توصیف نمادین دقیق از هر تصویر نشان داده شده است. این دوره بر روی مشکل بسیار مهم ادراک تمرکز می کند. ابتدا مشکل ردیابی اجسام در صحنه های پیچیده را شرح می دهیم. ما به دو چالش کلیدی در این زمینه نگاه می کنیم. اولین مورد، جداسازی یک تصویر به شی و پس زمینه با استفاده از تکنیکی به نام تشخیص تغییر است. دومی ردیابی یک یا چند شی در یک ویدیو است. در مرحله بعد، مشکل تقسیم یک تصویر را به مناطق معنی دار بررسی می کنیم. به طور خاص، ما یک رویکرد از پایین به بالا را در نظر می گیریم که در آن پیکسل هایی با ویژگی های مشابه با هم گروه بندی می شوند تا یک منطقه به دست آید. در نهایت، ما به مشکل تشخیص شیء می پردازیم. ما دو رویکرد را برای حل مشکل توضیح می دهیم. اولین ها مستقیماً یک شی و وضعیت آن را با استفاده از ظاهر جسم تشخیص می دهند. این روش مبتنی بر مفهوم کاهش ابعاد است که با استفاده از تحلیل مؤلفه های اصلی به دست می آید. رویکرد دوم استفاده از یک شبکه عصبی برای حل مشکل شناسایی به عنوان یکی از یادگیری نقشه برداری از ورودی (تصویر) به خروجی (کلاس شی، هویت شی، فعالیت و غیره) است. ما نحوه ساخت یک شبکه عصبی و نحوه آموزش آن را با استفاده از الگوریتم پس انتشار توضیح می دهیم.

coursera استدلال خودکار: رضایت پذیری (Mitalearn-310655)

  • 3 hours 22 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Hans Zantema
درباره این دوره:

در این دوره یاد خواهید گرفت که چگونه از ابزارهای رضایتمندی (SAT/SMT) برای حل طیف وسیعی از مسائل استفاده کنید. چندین مثال اساسی برای به دست آوردن طعم برنامه ها ارائه شده است: مستطیل های مناسب برای چاپ پوستر، مشکلات زمان بندی، حل پازل ها و صحت برنامه. همچنین، نظریه اساسی ارائه شده است: وضوح به عنوان یک رویکرد اساسی برای رضایت‌پذیری گزاره، چارچوب CDCL برای مقیاس‌بندی برای فرمول‌های بزرگ، و روش سیمپلکس برای مقابله با نابرابری‌های خطی. رویکرد سبک برای دنبال کردن دوره استدلال خودکار: رضایت‌مندی، فقط تماشای سخنرانی‌ها و انجام آزمون‌های مربوطه است. برای دریافت طعمی از موضوع، ممکن است این کار به خوبی انجام شود. با این حال، رویکرد بسیار جالب‌تر این است که از این به عنوان مبنایی برای اعمال SAT/SMT بر روی چندین مشکل استفاده کنید، به عنوان مثال در مورد مشکلات ارائه شده در تکلیف افتخار.

coursera اصول برنامه نویسی پایتون (Mitalearn-303889)

  • 2 hours 31 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Andrew D. Hilton,Nick Eubank,Genevieve M. Lipp
درباره این دوره:

این دوره مقدماتی برای مبتدیان و افرادی با تجربه برنامه نویسی محدود طراحی شده است که می خواهند با استفاده از پایتون شروع به توسعه نرم افزار یا سفر علم داده خود کنند. در طول دوره، فراگیران درک کاملی از تفکر الگوریتمی، نحو پایتون، تست کد، تکنیک‌های اشکال‌زدایی و توسعه کدهای مدولار - مهارت‌های ضروری برای یک حرفه موفق در مهندسی نرم‌افزار، توسعه، یا علم داده را به دست خواهند آورد. در پایان این دوره یاد می گیرید که: - با استفاده از الگوریتم ها و منطق برنامه نویسی، رویکردی گام به گام برای حل مسئله به دست آورید. - برای ساختن اسکریپت ها و برنامه های پایتون از توابع رایج، عبارات شرطی و حلقه ها استفاده کنید. - برای افزایش مهارت کدنویسی با محیط برنامه نویسی VS Code کار کنید. - از استراتژی های تست و اشکال زدایی برای اطمینان از قابلیت اطمینان کد استفاده کنید. - انجام عملیات منطقی و ریاضی بر روی مجموعه داده ها. در هفته پایانی دوره، شما مهارت های طراحی الگوریتم و برنامه نویسی جدید خود را برای یک مشکل تجزیه و تحلیل داده ها اعمال خواهید کرد: تجزیه و تحلیل داده های ضربان قلب.

coursera اصول محاسبات (قسمت اول) (Mitalearn-308768)

  • 5 hours 24 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Scott Rixner,Joe Warren,Luay Nakhleh
درباره این دوره:

این دوره دو قسمتی مبتنی بر مهارت های برنامه نویسی است که در دوره مقدماتی ما بر برنامه نویسی تعاملی در پایتون آموختید. ما این مهارت‌ها را با تمرین‌های مهم برنامه‌نویسی و مهارت‌های مهم حل مسئله ریاضی تقویت خواهیم کرد. این مهارت ها زیربنای حل مسئله محاسباتی و برنامه نویسی در مقیاس بزرگتر است. تمرکز اصلی کلاس، برنامه نویسی مینی پروژه های هفتگی در پایتون خواهد بود که بر اساس اصول ریاضی و برنامه نویسی که در کلاس آموزش داده می شود، ساخته می شود. برای اینکه کلاس سرگرم کننده و جذاب باشد، بسیاری از پروژه ها شامل کار با بازی های مبتنی بر استراتژی است. در قسمت 1 این دوره، جنبه برنامه نویسی کلاس بر روی استانداردهای کدنویسی و تست تمرکز خواهد داشت. بخش ریاضی کلاس بر احتمالات، ترکیبات و شمارش با توجه به کاربردهای عملی این مفاهیم در علوم کامپیوتر تمرکز خواهد کرد. پیشینه توصیه شده - دانش آموزان باید با استفاده از ساختارهایی مانند لیست ها، دیکشنری ها و کلاس ها برنامه های کوچک (100+ خط) را در پایتون بنویسند و همچنین دارای پیش زمینه ریاضی دبیرستانی باشند که شامل جبر و پیش حساب است.

coursera اصول محاسبات (قسمت دوم) (Mitalearn-315364)

  • 5 hours 5 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Scott Rixner,Joe Warren,Luay Nakhleh
درباره این دوره:

این دوره دو قسمتی، اصول اولیه ریاضی و برنامه نویسی را که زیربنای بسیاری از علوم کامپیوتر هستند، معرفی می کند. درک این اصول برای فرآیند ایجاد راه حل های کارآمد و ساختار یافته برای مسائل محاسباتی بسیار مهم است. برای به دست آوردن تجربه عملی در کار با این مفاهیم، ​​از زبان برنامه نویسی پایتون استفاده می کنیم. تمرکز اصلی کلاس بر روی مینی پروژه های هفتگی خواهد بود که بر اساس اصول ریاضی و برنامه نویسی که در کلاس آموزش داده می شود، ساخته می شود. برای سرگرمی و جذاب نگه داشتن کلاس، بسیاری از پروژه ها شامل کار با بازی های مبتنی بر استراتژی است. در بخش 2 این دوره، بخش برنامه نویسی کلاس بر روی مفاهیمی مانند بازگشت، ادعاها و ثابت ها تمرکز می کند. بخش ریاضی کلاس بر جستجو، مرتب‌سازی و ساختارهای داده بازگشتی تمرکز خواهد کرد. با گذراندن این دوره، پایه محکمی در اصول محاسبات و برنامه نویسی خواهید داشت. این شما را برای دوره بعدی در تخصص آماده می کند، که شروع به معرفی یک رویکرد ساختاریافته برای توسعه و تجزیه و تحلیل الگوریتم ها می کند. توسعه چنین مهارت های تفکر الگوریتمی برای نوشتن نرم افزار در مقیاس بزرگ و حل مسائل محاسباتی دنیای واقعی حیاتی خواهد بود.

coursera اصول هوش مصنوعی برای دانشمندان بدون داده (Mitalearn-298823)

  • 4 hours 46 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Kartik Hosanagar,Prasanna Tambe
درباره این دوره:

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.

coursera الگوریتم ها روی نمودارها (Mitalearn-308020)

  • 6 hours 47 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Neil Rhodes,Daniel M Kane,Michael Levin
درباره این دوره:

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.

coursera الگوریتم ها، بخش اول (Mitalearn-314004)

  • 11 hours 45 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Kevin Wayne,Robert Sedgewick
درباره این دوره:

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.

coursera الگوریتم های پیشرفته و پیچیدگی (Mitalearn-315823)

  • 7 hours 41 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Neil Rhodes,Daniel M Kane,Michael Levin
درباره این دوره:

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.

coursera الگوریتم های تقریب (Mitalearn-313800)

  • 3 hours 9 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mark de Berg
درباره این دوره:

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.

coursera الگوریتم های تقریب قسمت اول (Mitalearn-314820)

  • 5 hours 8 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Claire Mathieu
درباره این دوره:

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.

coursera الگوریتم های تقریب قسمت دوم (Mitalearn-315619)

  • 5 hours
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Claire Mathieu
درباره این دوره:

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.

coursera الگوریتم های تقریب و برنامه ریزی خطی (Mitalearn-316214)

  • 9 hours 7 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Sriram Sankaranarayanan
درباره این دوره:

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

Suggestions