Course catalog

Course duration

Course provider

Topic

Categories

Showing 21-40 of 99 items.

coursera الگوریتم های توالی یابی DNA (Mitalearn-335288)

  • 6 hours 40 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Ben Langmead, PhD,Jacob Pritt
درباره این دوره:

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.

linkedin الگوریتم های جاوا (Mitalearn-253569)

  • 2 hours 37 minutes
  • مناسب همه
  • Update date: 18 December 2023
  • Author: Kathryn Hodge
درباره این دوره: 

 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.

Related Skills

coursera الگوریتم های جستجو، مرتب سازی و نمایه سازی (Mitalearn-310145)

  • 9 hours 47 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Sriram Sankaranarayanan
درباره این دوره:

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.

coursera الگوریتم های رشته ها (Mitalearn-310859)

  • 3 hours 55 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Neil Rhodes,Michael Levin,Michael Levin
درباره این دوره:

دنیا و اینترنت پر از اطلاعات متنی است. ما اطلاعات را با استفاده از پرس و جوهای متنی جستجو می کنیم، وب سایت ها، کتاب ها، ایمیل ها را می خوانیم. همه اینها از نقطه نظر علم کامپیوتر رشته هایی هستند. برای درک همه آن اطلاعات و کارآمد کردن جستجو، موتورهای جستجو از الگوریتم های رشته ای زیادی استفاده می کنند. علاوه بر این، حوزه نوظهور پزشکی شخصی از الگوریتم‌های جستجوی بسیاری برای یافتن جهش‌های بیماری‌زا در ژنوم انسان استفاده می‌کند. در این دوره آنلاین، مفاهیم کلیدی تطبیق الگو را خواهید آموخت: سعی، درخت پسوند، آرایه پسوند و حتی تبدیل Burrows-Wheeler.

linkedin الگوریتم های سی شارپ (Mitalearn-218430)

  • 2 hours 46 minutes
  • مناسب همه
  • Update date: 28 June 2026
  • Author: Kathryn Hodge
درباره این دوره:

الگوریتم ها یکی از ارکان اساسی در هر برنامه نرم افزاری هستند و زمانی که آنها را درک کنید، می توانید برنامه های کارآمدتر و قابل نگهداری ایجاد کنید. در این دوره، مربی کاترین هاج به شما نشان می دهد که چگونه با استفاده از الگوریتم های کارآمد، برنامه های C# بهتر ایجاد کنید. کاترین در مورد اینکه چه چیزی یک الگوریتم را موثر می‌کند و همچنین چگونگی ایجاد فرضیات آگاهانه در مورد داده‌های خود برای ایجاد الگوریتم‌های بهتر بحث می‌کند. او بر چگونگی ایجاد الگوریتم‌های کارآمد برای کار با انواع مختلف داده‌ها، از جمله رشته‌ها، آرایه‌ها، لیست‌های پیوندی، صف‌ها، پشته‌ها، ساختارهای مبتنی بر هش و درختان تمرکز می‌کند. بسیاری از الگوریتم‌ها در زبان سی شارپ ساخته شده‌اند، و کاترین نحوه استفاده از آن‌ها را برای ایجاد الگوریتم‌های سفارشی خود توضیح می‌دهد، بنابراین می‌توانید با داده‌های خود دقیقاً همانطور که می‌خواهید کار کنید. او همچنین به چگونگی استفاده از ساختارهای داده مختلف برای ایجاد الگوریتم های بهتر در تجزیه و تحلیل یا دستکاری داده های آنها می پردازد.

Related Skills

coursera الگوریتم های کارآمد ورودی/خروجی (Mitalearn-315976)

  • 2 hours 54 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Mark de Berg
درباره این دوره:

الگوریتم‌های کارآمد ورودی/خروجی، که به‌عنوان الگوریتم‌های حافظه خارجی یا الگوریتم‌های حافظه پنهان نیز شناخته می‌شوند، دسته‌ای از الگوریتم‌ها هستند که برای پردازش کارآمد داده‌هایی طراحی شده‌اند که خیلی بزرگ هستند و نمی‌توانند به طور کامل در حافظه اصلی (RAM) رایانه جای بگیرند. این الگوریتم‌ها به‌ویژه هنگام برخورد با مجموعه داده‌های عظیم، مانند مواردی که در پردازش داده‌های مقیاس بزرگ، مدیریت پایگاه داده و سیستم‌های فایل یافت می‌شوند، مفید هستند. زمانی که آیتم داده در سلسله مراتب حافظه بالاتر قرار گیرد، عملیات روی داده گران تر می شود. یک عملیات روی داده در رجیسترهای CPU تقریباً یک میلیون بار سریعتر از عملیات روی یک آیتم داده است که در حافظه خارجی قرار دارد و ابتدا باید واکشی شود. این واکشی داده ها را عملیات ورودی/خروجی نیز می نامند و باید در طول طراحی الگوریتم مورد توجه قرار گیرند. هدف از این دوره آشنایی با مفاهیم و تکنیک های الگوریتمی مهم مورد نیاز برای مقابله موثر با چنین مسائلی است. ما با یک سلسله مراتب حافظه ساده کار خواهیم کرد، اما مفاهیم به طور طبیعی به مدل های واقعی تر گسترش می یابد. 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. ما همه چیز را از یادداشت های دوره پوشش نمی دهیم. یادداشت های دوره هم برای دانش آموزانی که سخنرانی ها را به طور کامل درک نمی کنند و هم برای دانش آموزانی که مایلند عمیق تر در موضوعات غوطه ور شوند وجود دارد. سخنرانی های ویدیویی حاوی چند اشتباه بسیار جزئی است. فهرستی از این اشتباهات را می توان در زیر منابع یافت. اگر فکر می‌کنید خطایی پیدا کرده‌اید، با کلیک کردن روی علامت مربع در پایین سخنرانی یا امتحانی که در آن خطا را پیدا کردید، مشکل را گزارش کنید.

coursera الگوریتم های هندسی (Mitalearn-313562)

  • 1 hours 53 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Kevin Buchin
درباره این دوره:

الگوریتم‌های هندسی دسته‌ای از روش‌های محاسباتی هستند که برای حل مسائل مربوط به اشکال هندسی و ویژگی‌های آنها استفاده می‌شوند. این الگوریتم ها با اشیایی مانند نقاط، خطوط، چندضلعی ها و سایر اشکال هندسی سروکار دارند. در بسیاری از زمینه‌های علوم کامپیوتر مانند رباتیک، گرافیک کامپیوتری، واقعیت مجازی و سیستم‌های اطلاعات جغرافیایی، ذخیره، تجزیه و تحلیل و ایجاد یا دستکاری داده‌های مکانی ضروری است. این دوره به جنبه های الگوریتمی این وظایف می پردازد: ما تکنیک ها و مفاهیم مورد نیاز برای طراحی و تجزیه و تحلیل الگوریتم های هندسی و ساختارهای داده را مطالعه می کنیم. هر تکنیک و مفهوم بر اساس مشکلی که در یکی از زمینه های کاربردی ذکر شده در بالا ایجاد می شود، نشان داده می شود. اهداف: در پایان این دوره شرکت کنندگان باید بتوانند - تصمیم بگیرید که از کدام الگوریتم یا ساختار داده برای حل یک مسئله هندسی اساسی استفاده کنید. - تجزیه و تحلیل مسائل جدید و ارائه راه حل های کارآمد خود با استفاده از مفاهیم و تکنیک های دوره. 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، درخت های جستجوی باینری و غیره. - اصطلاحات نمودار - مهارت های برنامه نویسی برای تکالیف عملی بیشتر مطالب این دوره بر اساس کتاب زیر است: M. de Berg، O. Cheong، M. van Kreveld و M. Overmars. هندسه محاسباتی: الگوریتم ها و کاربردها (ویرایش سوم). Springer-Verlag، 2008. خرید این کتاب اجباری نیست. با این حال، اگر شرکت‌کنندگان می‌خواهند بیشتر از آنچه در این دوره ارائه می‌شود بدانند یا می‌خواهند نگاهی دوباره به مطالب مطرح شده در سخنرانی‌ها داشته باشند، خرید این کتاب را توصیه می‌کنیم. سخنرانی های ویدیویی حاوی چند اشتباه بسیار جزئی است. فهرستی از این اشتباهات را می توان در زیر منابع یافت. اگر فکر می‌کنید خطایی پیدا کرده‌اید، با کلیک کردن روی علامت مربع در پایین سخنرانی یا امتحانی که در آن خطا را پیدا کردید، مشکل را گزارش کنید.

linkedin الگوریتم های هوش مصنوعی برای بازی (Mitalearn-178055)

  • 2 hours 5 minutes
  • پیشرفته
  • Release date: 21 June 2026
  • Author: Eduardo Corpeño
درباره این دوره:

در سال 1997، یک کامپیوتر IBM به نام دیپ بلو، گری کاسپاروف، قهرمان شطرنج جهان را پس از یک مسابقه شش بازی شکست داد. در حالی که فناوری هوش مصنوعی از زمان پیروزی دیپ بلو در صفحه شطرنج در اواخر دهه 90 به شیوه‌های هیجان‌انگیز و اغلب انقلابی رشد کرده است، بسیاری از تکنیک‌هایی که آن‌ها به کار می‌برند امروزه نیز مرتبط هستند. در این دوره آموزشی، برخی از این تکنیک‌ها را بررسی کنید، زیرا یاد می‌گیرید چگونه از الگوریتم‌های کلیدی هوش مصنوعی برای ایجاد بازی‌های دو نفره و نوبتی استفاده کنید که به اندازه کافی چالش برانگیز هستند تا بازیکنان را حدس بزند. مربی Eduardo Corpeño استفاده از الگوریتم حداقل برای تصمیم‌گیری، الگوریتم عمیق‌سازی تکراری برای گرفتن بهترین تصمیم ممکن در مهلت مقرر، و هرس آلفا-بتا برای بهبود زمان اجرا را از جمله روش‌های هوشمندانه دیگر پوشش می‌دهد. به علاوه، او به شما این فرصت را می‌دهد که خودتان این تکنیک‌ها را امتحان کنید، در حالی که در توسعه یک بازی تله گربه با استفاده از پایتون قدم می‌گذارد.

coursera انصاف و تعصب داده های هوش مصنوعی (Mitalearn-306456)

  • 1 hours 13 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Brent Summers
درباره این دوره:

در این دوره، مسائل اساسی انصاف و تعصب در یادگیری ماشین را بررسی خواهیم کرد. زمانی که مدل‌های پیش‌بینی تصمیم‌گیری‌های مهم را آغاز می‌کنند، از پذیرش دانشگاه گرفته تا تصمیم‌گیری برای وام، حفظ مدل‌ها از پیش‌بینی‌های ناعادلانه بسیار مهم می‌شود. از سوگیری انسانی گرفته تا آگاهی از مجموعه داده‌ها، ما بسیاری از جنبه‌های ساخت مدل‌های اخلاقی‌تر را بررسی خواهیم کرد.

coursera بازسازی سه بعدی - دیدگاه های متعدد (Mitalearn-302954)

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

این دوره بر بازیابی ساختار سه بعدی یک صحنه از تصاویر گرفته شده از دیدگاه های مختلف تمرکز دارد. ابتدا با ساختن یک مدل هندسی جامع از دوربین شروع می کنیم و سپس روشی را برای یافتن (کالیبره کردن) پارامترهای داخلی و خارجی مدل دوربین ایجاد می کنیم. سپس، نشان می‌دهیم که چگونه می‌توان از دو دوربین کالیبره‌شده، که موقعیت‌ها و جهت‌گیری‌های نسبی آن‌ها مشخص است، برای بازیابی ساختار سه‌بعدی صحنه استفاده کرد. این همان چیزی است که ما از آن به عنوان استریو دوچشمی ساده یاد می کنیم. در مرحله بعد، به مشکل استریوی کالیبره نشده می پردازیم که موقعیت و جهت گیری نسبی دو دوربین ناشناخته است. جالب اینجاست که فقط از روی دو تصویر گرفته شده توسط دوربین ها، می توانیم موقعیت ها و جهت گیری های نسبی دوربین ها را تعیین کنیم و سپس از این اطلاعات برای تخمین ساختار سه بعدی صحنه استفاده کنیم. در مرحله بعد، ما بر روی مشکل صحنه های پویا تمرکز می کنیم. با توجه به دو تصویر از یک صحنه که شامل اجسام متحرک است، نشان می دهیم که چگونه می توان حرکت هر نقطه در تصویر را محاسبه کرد. به این حرکت ظاهری نقاط در تصویر، جریان نوری می گویند. تخمین جریان نوری به ما امکان می دهد نقاط صحنه را در یک توالی ویدیو ردیابی کنیم. در مرحله بعد، ویدئوی صحنه ای را در نظر می گیریم که با استفاده از دوربین متحرک گرفته شده است، جایی که حرکت دوربین ناشناخته است. ما ساختاری را از حرکت ارائه می‌کنیم که ویژگی‌های ردیابی شده ورودی را در چنین ویدیویی می‌گیرد و نه تنها ساختار سه‌بعدی صحنه را تعیین می‌کند، بلکه نحوه حرکت دوربین را با توجه به صحنه نیز تعیین می‌کند. روش‌هایی که در این دوره توسعه می‌دهیم به طور گسترده در مدل‌سازی شی، مدل‌سازی سه بعدی سایت، روباتیک، ناوبری مستقل، واقعیت مجازی و واقعیت افزوده استفاده می‌شوند.

coursera بازسازی سه بعدی - دیدگاه واحد (Mitalearn-303328)

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

این دوره بر بازیابی ساختار سه بعدی یک صحنه از تصاویر دو بعدی آن تمرکز دارد. به طور خاص، ما علاقه مند به بازسازی سه بعدی یک صحنه صلب از تصاویر گرفته شده توسط یک دوربین ثابت هستیم (همان دیدگاه). این مشکل از آنجایی جالب است که ما می‌خواهیم تصاویر متعدد از صحنه با وجود صلب بودن صحنه و ثابت بودن دوربین، اطلاعات تکمیلی را ثبت کنند. برای این منظور، ما چندین روش برای گرفتن تصاویر را بررسی می کنیم که در آن هر تصویر اطلاعات بیشتری در مورد صحنه ارائه می دهد. به منظور تخمین ویژگی های صحنه (عمق، جهت سطح، خواص مواد و غیره) ابتدا چندین مفهوم مهم رادیومتری مانند شدت منبع نور، روشنایی سطح، روشنایی سطح، روشنایی تصویر و بازتاب سطح را تعریف می کنیم. سپس، ما با مشکل چالش برانگیز شکل از سایه زدن - بازیابی شکل یک سطح از سایه آن در یک تصویر واحد، مقابله می کنیم. در مرحله بعد، نشان می‌دهیم که اگر چندین عکس از یک صحنه با بازتاب شناخته شده گرفته شود، در حالی که جهت روشنایی تغییر می‌کند، سطح نرمال در هر نقطه صحنه قابل محاسبه است. این روش که استریو فتومتریک نامیده می شود، یک نقشه نرمال سطح متراکم را ارائه می دهد که می تواند برای به دست آوردن شکل سطح یکپارچه شود. در مرحله بعد، عمق از فوکوس را مورد بحث قرار می دهیم، که از عمق میدان محدود دوربین برای تخمین ساختار صحنه استفاده می کند. از تعداد کمی از تصاویر گرفته شده با تغییر تنظیم فوکوس لنز، عمق متراکم صحنه بازیابی می شود. در نهایت، مجموعه‌ای از تکنیک‌ها را ارائه می‌کنیم که از روشنایی فعال (پرتاب‌کردن الگوهای نور بر روی صحنه) برای به دست آوردن بازسازی‌های سه‌بعدی دقیق صحنه استفاده می‌کنند. این روش‌های روشنایی فعال، پیشینه اتوماسیون کارخانه هستند. آنها در خطوط تولید برای مونتاژ محصولات و بررسی کیفیت بصری آنها استفاده می شوند. آنها همچنین به طور گسترده در حوزه های دیگری مانند اتومبیل های بدون راننده، روباتیک، نظارت، تصویربرداری پزشکی و جلوه های ویژه در فیلم ها استفاده می شوند.

coursera برنامه ریزی مسیر رباتیک و اجرای وظایف (Mitalearn-308955)

  • 2 hours 5 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Nikolaus Correll
درباره این دوره:

این دوره که آخرین و آخرین دوره در زمینه مقدماتی رباتیک با وب بات ها می باشد، رویکردهای اساسی برای برنامه ریزی مسیر ربات ها و توالی اجرای وظایف آن ها را به شما آموزش می دهد. در "برنامه ریزی مسیر رباتیک و اجرای کار"، الگوریتم های استانداردی مانند جستجوی عرض-اول، دیجکسترا، A* و درختان تصادفی سریع را از طریق تمرین های هدایت شده توسعه خواهید داد. شما درختان رفتار را برای توالی کارها پیاده سازی خواهید کرد و با ربات دستکاری سیار "Tiago Steel" آزمایش خواهید کرد. توصیه می شود قبل از شروع این دوره، دوره های اول و دوم این تخصص را با عنوان "مقدمه ای بر رباتیک: رفتارهای اساسی" و "نقشه برداری رباتیک و تولید مسیر" بگذرانید. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم کامپیوتر که در پلتفرم Coursera ارائه می شود، 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 علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder

coursera برنامه نویسی پویا، الگوریتم های حریص (Mitalearn-316129)

  • 12 hours 34 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Sriram Sankaranarayanan
درباره این دوره:

این دوره تکنیک های اصلی طراحی الگوریتم مانند تقسیم کن، برنامه نویسی پویا و الگوریتم های حریص را پوشش می دهد. این مقاله با مقدمه‌ای مختصر بر غیرقابل‌تکراری (NP-completeness) و استفاده از حل‌کننده‌های برنامه‌نویسی خطی/صحیح برای حل مسائل بهینه‌سازی به پایان می‌رسد. همچنین برخی از موضوعات پیشرفته در ساختار داده را پوشش خواهیم داد. 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

coursera برنامه نویسی جاوا: حل مشکلات با نرم افزار (Mitalearn-301900)

  • 5 hours 13 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Owen Astrachan,Robert Duvall,Andrew D. Hilton
درباره این دوره:

کدنویسی در جاوا را یاد بگیرید و مهارت های برنامه نویسی و حل مسئله خود را بهبود بخشید. شما طراحی الگوریتم ها و همچنین توسعه و اشکال زدایی برنامه ها را یاد خواهید گرفت. با استفاده از کلاس‌های منبع باز سفارشی، برنامه‌هایی را می‌نویسید که به تصاویر، وب‌سایت‌ها و دیگر انواع داده‌ها دسترسی دارند و آن‌ها را تغییر می‌دهند. در پایان دوره، برنامه ای خواهید ساخت که با تجزیه و تحلیل فایل های ارزش جدا شده با کاما (CSV) محبوبیت نام های مختلف نوزاد را در ایالات متحده در طول زمان تعیین می کند. پس از اتمام این دوره شما قادر خواهید بود: 1. یک برنامه جاوا را ویرایش، کامپایل و اجرا کنید. 2. از شرطی ها و حلقه ها در برنامه جاوا استفاده کنید. 3. از اسناد Java API در نوشتن برنامه ها استفاده کنید. 4. اشکال زدایی یک برنامه جاوا با استفاده از روش علمی. 5. یک متد جاوا برای حل یک مشکل خاص بنویسید. 6. مجموعه ای از موارد آزمایش را به عنوان بخشی از توسعه یک برنامه توسعه دهید. 7. ایجاد یک کلاس با چندین متد که با هم برای حل یک مشکل کار می کنند. و 8. برای برنامه ای که از روش های متعدد استفاده می کند، از تکنیک های طراحی تقسیم کن و حکومت کن استفاده کنید.

coursera برنامه نویسی موازی (نسخه اسکالا 2) (Mitalearn-313664)

  • 5 hours 14 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Prof. Viktor Kuncak,Dr. Aleksandar Prokopec
درباره این دوره:

با توجه به اینکه اکنون هر گوشی هوشمند و رایانه ای دارای چندین پردازنده است، استفاده از ایده های کاربردی برای تسهیل برنامه نویسی موازی به طور فزاینده ای در حال گسترش است. در این دوره، اصول برنامه نویسی موازی، از موازی کاری تا موازی سازی داده ها را خواهید آموخت. به طور خاص، خواهید دید که چه تعداد از ایده های آشنا از نقشه برنامه نویسی تابعی تا پارادایم موازی داده ها. ما نحوه موازی‌سازی مؤثر عملیات مجموعه‌های آشنا را شروع می‌کنیم، و مجموعه‌های موازی را ایجاد می‌کنیم، یک کتابخانه مجموعه‌های موازی داده‌های آماده برای تولید موجود در کتابخانه استاندارد اسکالا. در کل، ما این مفاهیم را از طریق چندین مثال عملی که داده‌های دنیای واقعی را تحلیل می‌کنند، مانند الگوریتم‌های محبوبی مانند خوشه‌بندی k-means، به کار خواهیم برد. نتایج یادگیری در پایان این دوره شما قادر خواهید بود: - دلیل در مورد برنامه های موازی کار و داده، - الگوریتم های رایج را به سبک عملکردی بیان کرده و آنها را به صورت موازی حل کنید. - کد موازی میکروبنچمارک شایسته، - برنامه هایی بنویسید که به طور موثر از مجموعه های موازی برای دستیابی به عملکرد استفاده کنند پیشینه پیشنهادی: شما باید حداقل یک سال تجربه برنامه نویسی داشته باشید. تسلط به جاوا یا سی شارپ ایده آل است، اما تجربه با زبان های دیگر مانند C/C++، Python، Javascript یا Ruby نیز کافی است. شما باید با استفاده از خط فرمان آشنایی داشته باشید. این دوره پس از طراحی برنامه کاربردی در اسکالا در نظر گرفته شده است: https://www.coursera.org/learn/progfun2.

coursera برنامه های کاربردی وب و ابزارهای خط فرمان برای مهندسی داده (Mitalearn-324221)

  • 4 hours 11 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Noah Gift,Kennedy Behrman,Alfredo Deza
درباره این دوره:

در این دوره چهارم از پایتون، Bash و SQL Essentials برای تخصص مهندسی داده، شما بر اساس مفاهیم مهندسی داده معرفی شده در سه دوره اول برای استفاده از تکنیک‌های Python، Bash و SQL در مقابله با مشکلات دنیای واقعی استوار می‌شوید. ابتدا، ما عمیق‌تر به استفاده از نوت‌بوک‌های Jupyter برای ایجاد و استقرار مدل‌هایی برای وظایف یادگیری ماشینی خواهیم پرداخت. سپس، نحوه استفاده از میکروسرویس‌های پایتون را برای تجزیه انبار داده‌های خود به راه‌حل‌های کوچک و قابل حمل که می‌توانند مقیاس شوند، بررسی خواهیم کرد. در نهایت، شما یک ابزار خط فرمان قدرتمند برای خودکارسازی تست و کنترل کیفیت برای انتشار و به اشتراک گذاری ابزار خود با یک رجیستری داده خواهید ساخت.

coursera بلاک چین (Mitalearn-305844)

  • 1 hours 7 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Stefano M. Stefan
درباره این دوره:

کاوش خود را در زمینه فناوری‌های بلاک چین با نگاهی به مفاهیم بنیادی بلاک چین همراه با برنامه‌ای که فناوری بلاک چین در آن نقش مهمی ایفا می‌کند - تامین مالی رمزنگاری شده، آغاز کنید. این دوره همچنین سیستم های دیجیتال توزیع شده را از نظر نرم افزار و معماری شبکه معرفی می کند و نشان می دهد که چگونه این سیستم ها زیربنای عملکرد بلاک چین هستند. در این دوره و دوره های بعدی در این تخصص، فرصتی برای تمرین عملی برای تقویت یادگیری خود خواهید داشت. این دوره برای تکمیل تکالیف نیاز به خرید دو کتاب دارد: درشر، دی (2017). مبانی بلاک چین: مقدمه ای غیر فنی در 25 مرحله. (ISBN-13: 978-1484226032) آنتونوپولوس، A. M. (2017). اینترنت پول، جلد دوم. (ISBN-13: 978-1947910065)

linkedin پایتون: بازگشتی (Mitalearn-209301)

  • 2 hours 10 minutes
  • مناسب همه
  • Update date: 21 June 2026
  • Author: Robin Andrews
درباره این دوره:

بازگشت بخشی از ساختار علم کامپیوتر و توسعه نرم افزار است، و چه به ندرت از آن استفاده کنید و چه اگر بخشی کلیدی از توسعه شما باشد، احتمال بازگشت مجدد در پشت صحنه وجود دارد. بازگشت یک ابزار قدرتمند در تقسیم مشکلات پیچیده به بخش های قابل مدیریت تر است، و دانش بازگشت یک ویژگی مطلوب است که کارفرمایان در موقعیت های توسعه دهنده به دنبال آن هستند. در این دوره، رابین اندروز به مفاهیم، ​​تکنیک ها و کاربردهای بازگشت با استفاده از پایتون می پردازد. او با چند نمونه واقعی از بازگشت شروع می کند و سپس نشان می دهد که چگونه به توسعه نرم افزار مربوط می شود. او قبل از اینکه نحوه نوشتن الگوریتم های بازگشتی در پایتون را از طریق تمرینات تمرینی نشان دهد، الگوریتم های بازگشتی کلاسیک مانند فاکتوریل و اعداد فیبوناچی را پوشش می دهد. پس از اتمام این دوره، ایده بهتری در مورد نحوه استفاده از الگوریتم های بازگشتی برای حل طیف گسترده ای از مسائل توسعه نرم افزار خواهید داشت.

coursera تجزیه و تحلیل کلان داده با اسکالا و اسپارک (Mitalearn-311777)

  • 5 hours 52 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Prof. Heather Miller
درباره این دوره:

دستکاری کلان داده های توزیع شده روی یک خوشه با استفاده از مفاهیم کاربردی در صنعت شایع است و مسلماً یکی از اولین استفاده های صنعتی گسترده از ایده های کاربردی است. محبوبیت MapReduce و Hadoop و اخیراً Apache Spark، یک چارچوب مجموعه‌های توزیع شده سریع و درون حافظه که در Scala نوشته شده است، گواه این موضوع است. در این دوره، خواهیم دید که چگونه پارادایم موازی داده را می توان با استفاده از Spark در سراسر مورد توزیع شده گسترش داد. ما مدل برنامه نویسی Spark را با جزئیات پوشش خواهیم داد، و مراقب باشیم که بدانیم چگونه و چه زمانی با مدل های برنامه نویسی آشنا، مانند مجموعه های موازی با حافظه مشترک یا مجموعه های متوالی Scala متفاوت است. از طریق مثال‌های عملی در Spark و Scala، یاد می‌گیریم که چه زمانی مسائل مهم مربوط به توزیع مانند تأخیر و ارتباطات شبکه باید در نظر گرفته شود و چگونه می‌توان به طور مؤثر برای بهبود عملکرد به آنها پرداخت. نتایج یادگیری در پایان این دوره شما قادر خواهید بود: - داده ها را از ذخیره سازی دائمی بخوانید و آن را در آپاچی اسپارک بارگذاری کنید. - دستکاری داده ها با Spark و Scala، - بیان الگوریتم برای تجزیه و تحلیل داده ها به سبک عملکردی، - تشخیص نحوه جلوگیری از تکرار و محاسبه مجدد در Spark، پیشینه پیشنهادی: شما باید حداقل یک سال تجربه برنامه نویسی داشته باشید. تسلط به جاوا یا سی شارپ ایده آل است، اما تجربه با زبان های دیگر مانند C/C++، Python، Javascript یا Ruby نیز کافی است. شما باید با استفاده از خط فرمان آشنایی داشته باشید. این دوره بعد از برنامه نویسی موازی در نظر گرفته شده است: https://www.coursera.org/learn/parprog1.

coursera تجزیه و تحلیل کلان داده با اسکالا و اسپارک (نسخه اسکالا 2) (Mitalearn-312899)

  • 5 hours 52 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Prof. Heather Miller
درباره این دوره:

دستکاری کلان داده های توزیع شده روی یک خوشه با استفاده از مفاهیم کاربردی در صنعت شایع است و مسلماً یکی از اولین استفاده های صنعتی گسترده از ایده های کاربردی است. محبوبیت MapReduce و Hadoop و اخیراً Apache Spark، یک چارچوب مجموعه‌های توزیع شده سریع و درون حافظه که در Scala نوشته شده است، گواه این موضوع است. در این دوره، خواهیم دید که چگونه پارادایم موازی داده را می توان با استفاده از Spark در سراسر مورد توزیع شده گسترش داد. ما مدل برنامه نویسی Spark را با جزئیات پوشش خواهیم داد، و مراقب باشیم که بدانیم چگونه و چه زمانی با مدل های برنامه نویسی آشنا، مانند مجموعه های موازی با حافظه مشترک یا مجموعه های متوالی Scala متفاوت است. از طریق مثال‌های عملی در Spark و Scala، یاد می‌گیریم که چه زمانی مسائل مهم مربوط به توزیع مانند تأخیر و ارتباطات شبکه باید در نظر گرفته شود و چگونه می‌توان به طور مؤثر برای بهبود عملکرد به آنها پرداخت. نتایج یادگیری در پایان این دوره شما قادر خواهید بود: - داده ها را از ذخیره سازی دائمی بخوانید و آن را در آپاچی اسپارک بارگذاری کنید. - دستکاری داده ها با Spark و Scala، - بیان الگوریتم برای تجزیه و تحلیل داده ها به سبک عملکردی، - تشخیص نحوه جلوگیری از تکرار و محاسبه مجدد در Spark، پیشینه پیشنهادی: شما باید حداقل یک سال تجربه برنامه نویسی داشته باشید. تسلط به جاوا یا سی شارپ ایده آل است، اما تجربه با زبان های دیگر مانند C/C++، Python، Javascript یا Ruby نیز کافی است. شما باید با استفاده از خط فرمان آشنایی داشته باشید. این دوره بعد از برنامه نویسی موازی در نظر گرفته شده است: https://www.coursera.org/learn/parprog1. توجه داشته باشید که این نسخه از دوره از Scala 2.13 استفاده می کند. می‌توانید نسخه جدیدتر دوره را که از Scala 3 استفاده می‌کند، در اینجا بیابید: https://www.coursera.org/learn/scala-spark-big-data

Suggestions