Course catalog

Course duration

Course provider

Topic

Categories

Showing 221-240 of 382 items.

coursera مایکروسافت Azure Machine Learning (Mitalearn-328437)

  • 11 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

یادگیری ماشینی هسته اصلی هوش مصنوعی است و بسیاری از برنامه‌ها و خدمات مدرن به مدل‌های یادگیری ماشینی پیش‌بینی‌کننده وابسته هستند. آموزش یک مدل یادگیری ماشینی یک فرآیند تکراری است که به زمان و منابع محاسباتی نیاز دارد. یادگیری ماشین خودکار می تواند به آسان تر کردن آن کمک کند. در این دوره یاد خواهید گرفت که چگونه از یادگیری ماشینی Azure برای ایجاد و انتشار مدل ها بدون نوشتن کد استفاده کنید. این دوره به شما کمک می کند تا برای آزمون AI-900: Microsoft Azure AI Fundamentals آماده شوید. این دومین دوره از یک برنامه پنج دوره ای است که شما را برای شرکت در آزمون گواهینامه AI-900 آماده می کند. این دوره به شما مفاهیم و مهارت های اصلی را می آموزد که در حوزه های امتحانی اصول هوش مصنوعی ارزیابی می شوند. این دوره مبتدی برای پرسنل فناوری اطلاعات که تازه شروع به کار با Microsoft Azure کرده‌اند و می‌خواهند در مورد پیشنهادات Microsoft Azure بیاموزند و تجربه عملی با محصول را کسب کنند مناسب است. Microsoft Azure AI Fundamentals می تواند برای آماده شدن برای سایر گواهینامه های مبتنی بر نقش Azure مانند Microsoft Azure Data Scientist Associate یا Microsoft Azure AI Engineer Associate استفاده شود، اما پیش نیاز هیچ یک از آنها نیست. این دوره برای داوطلبان با سوابق فنی و غیر فنی در نظر گرفته شده است. علم داده و تجربه مهندسی نرم افزار مورد نیاز نیست. با این حال، برخی از دانش یا تجربه برنامه نویسی عمومی مفید خواهد بود. برای موفقیت در این دوره، باید سواد کامپیوتری اولیه و تسلط به زبان انگلیسی را داشته باشید. شما باید با مفاهیم اولیه محاسبات و اصطلاحات، مفاهیم کلی فناوری، از جمله مفاهیم یادگیری ماشین و هوش مصنوعی آشنا باشید.

coursera مایکروسافت Azure Machine Learning برای دانشمندان داده (Mitalearn-332840)

  • 12 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

یادگیری ماشینی هسته اصلی هوش مصنوعی است و بسیاری از برنامه‌ها و خدمات مدرن به مدل‌های یادگیری ماشینی پیش‌بینی‌کننده وابسته هستند. آموزش یک مدل یادگیری ماشینی یک فرآیند تکراری است که به زمان و منابع محاسباتی نیاز دارد. یادگیری ماشین خودکار می تواند به آسان تر کردن آن کمک کند. در این دوره یاد خواهید گرفت که چگونه از یادگیری ماشینی Azure برای ایجاد و انتشار مدل ها بدون نوشتن کد استفاده کنید. این دومین دوره از یک برنامه پنج دوره ای است که شما را برای شرکت در آزمون DP-100: طراحی و پیاده سازی راه حل علم داده در آزمون Azurectification آماده می کند. آزمون گواهینامه فرصتی برای اثبات دانش و تخصص راه حل های یادگیری ماشین در مقیاس ابری با استفاده از یادگیری ماشینی Azure است. این تخصص به شما می آموزد که از دانش موجود خود از پایتون و یادگیری ماشین برای مدیریت جذب و آماده سازی داده ها، آموزش مدل و استقرار، و نظارت راه حل یادگیری ماشین در Microsoft Azure استفاده کنید. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند. این تخصص برای دانشمندان داده با دانش موجود از Python و چارچوب‌های یادگیری ماشینی مانند Scikit-Learn، PyTorch و Tensorflow در نظر گرفته شده است، که می‌خواهند راه‌حل‌های یادگیری ماشین را در فضای ابری بسازند و کار کنند. این به دانشمندان داده می آموزد که چگونه راه حل های سرتاسری را در Microsoft Azure ایجاد کنند. دانش آموزان یاد خواهند گرفت که چگونه منابع Azure را برای یادگیری ماشین مدیریت کنند. آزمایش ها و مدل های قطار را اجرا کنید. راه حل های یادگیری ماشین را مستقر و عملیاتی کنید و یادگیری ماشینی مسئولانه را پیاده سازی کنید. آنها همچنین یاد خواهند گرفت که از Azure Databricks برای کاوش، آماده سازی و مدل سازی داده ها استفاده کنند. و فرآیندهای یادگیری ماشین Databricks را با یادگیری ماشینی Azure ادغام کنید.

coursera مبانی جبر خطی (Mitalearn-331837)

  • 3 hours 24 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Dr. S. K. Gupta
درباره این دوره:

یادگیری ماشین و علم داده محبوب ترین موضوعات تحقیقاتی امروزه هستند. آنها در تمام زمینه های مهندسی و علوم کاربرد دارند. ابزارهای مختلف یادگیری ماشین راه حلی مبتنی بر داده برای مشکلات مختلف زندگی واقعی ارائه می دهند. دانش اولیه جبر خطی برای توسعه الگوریتم‌های جدید برای یادگیری ماشین و علم داده ضروری است. در این دوره با مفاهیم ریاضی مرتبط با جبر خطی که شامل فضاهای برداری، زیرفضاها، دهانه خطی، مبنا و بعد است آشنا می شوید. همچنین تبدیل خطی، رتبه و بی‌ثباتی تبدیل خطی، مقادیر ویژه، بردارهای ویژه و مورب‌سازی ماتریس‌ها را پوشش می‌دهد. مفاهیم تجزیه ارزش منفرد، فضای محصول درونی، و هنجار بردارها و ماتریس ها، محتوای دوره را بیشتر غنی می کند.

coursera مبانی علم داده برای تحلیلگران داده (Mitalearn-330681)

  • 4 hours 16 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Emma Freeman
درباره این دوره:

در این دوره ما شما را از طریق بلوک های ساختمانی اساسی علم داده، یکی از سریع ترین زمینه های در حال رشد در جهان، راهنمایی می کنیم! با کمک دانشمندان پیشرو در صنعت خود، ما این دوره را برای ایجاد مهارت های علمی داده آماده و کاربردی در تنها 15 ساعت یادگیری طراحی کرده ایم. ابتدا، ما به شما یک مقدمه سریع از علم داده ارائه می دهیم - چیست و چگونه برای حل مشکلات دنیای واقعی استفاده می شود. برای بقیه دوره، ما مهارت‌هایی را به شما آموزش می‌دهیم که برای استفاده از مفاهیم و تکنیک‌های پایه علم داده برای حل این مشکلات دنیای واقعی نیاز دارید. در پایان این دوره، شما قادر خواهید بود از مهارت های موجود در تجزیه و تحلیل داده ها برای طراحی، اجرا، ارزیابی و انتقال نتایج پروژه های علم داده خود استفاده کنید.

coursera مبانی علم داده: خوشه بندی K-Means در پایتون (Mitalearn-326652)

  • 2 hours 57 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Dr Matthew Yee-King,Dr Betty Fyn-Sydney,Dr Jamie A Ward
درباره این دوره:

سازمان‌ها در سراسر جهان از داده‌ها برای پیش‌بینی رفتارها و استخراج بینش‌های ارزشمند دنیای واقعی برای تصمیم‌گیری استفاده می‌کنند. مدیریت و تجزیه و تحلیل کلان داده ها به بخشی ضروری از امور مالی مدرن، خرده فروشی، بازاریابی، علوم اجتماعی، توسعه و تحقیقات، پزشکی و دولت تبدیل شده است. این MOOC که توسط یک تیم دانشگاهی از Goldsmiths، دانشگاه لندن طراحی شده است، به سرعت شما را با مفاهیم اصلی علم داده آشنا می کند تا شما را برای دوره های متوسط ​​و پیشرفته علوم داده آماده کند. این بر روی ریاضیات، آمار و مهارت های برنامه نویسی اساسی تمرکز دارد که برای کارهای معمولی تجزیه و تحلیل داده ها ضروری است. شما این مفاهیم اساسی را در یک کار نمونه‌ای خوشه‌بندی داده در نظر خواهید گرفت و از این مثال برای یادگیری مهارت‌های برنامه‌نویسی اولیه که برای تسلط بر تکنیک‌های علم داده ضروری هستند، استفاده خواهید کرد. در طول دوره، از شما خواسته می‌شود که یک سری تمرین‌های ریاضی و برنامه‌نویسی و یک پروژه خوشه‌بندی داده‌های کوچک برای یک مجموعه داده انجام دهید.

linkedin مبانی هوش مصنوعی: شبکه های عصبی (Mitalearn-381545)

  • 1 hours 45 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Gwendolyn Stripling
درباره این دوره:

یک شبکه عصبی مصنوعی از مغز انسان به عنوان الهام برای ایجاد یک سیستم یادگیری ماشینی پیچیده استفاده می کند. آن‌ها می‌توانند میلیون‌ها صدا، ویدیو و تصویر را طبقه‌بندی کنند، به سؤالات ما پاسخ دهند، رفتارهای ما را درک کنند و حتی اتومبیل‌های ما را برانند. شبکه های عصبی همچنین پایه و اساس هوش مصنوعی مولد هستند.

این دوره به معرفی تکنیک ها و اصول اساسی شبکه های عصبی، مدل های رایج و کاربردهای آنها می پردازد. مربی Gwendolyn Stripling شما را از طریق معماری های مختلف شبکه عصبی، اجزای آنها، موارد استفاده مناسب و بهترین شیوه ها برای بهبود عملکرد مدل شبکه عصبی راهنمایی می کند. به علاوه، با استفاده از Keras Sequential API، یک کتابخانه منبع باز که طراحی و آموزش شبکه های عصبی را ابهام می کند، تجربه عملی در ساخت و آموزش یک شبکه عصبی به دست آورید. اگر به دنبال دستیابی به درک کاملی از نحوه ساخت، آموزش، بهبود و استفاده از شبکه های عصبی هستید، در این دوره آموزشی به Gwendolyn بپیوندید.

linkedin مبانی هوش مصنوعی: ماشین های فکری (Mitalearn-120170)

  • 1 hours 36 minutes
  • مبتدی
  • Update date: 21 June 2026
  • Author: Doug Rose
درباره این دوره:

هوش مصنوعی پیشرفته کامپیوتری (AI) از دهه 1950 وجود داشته است، اما نوآوری‌های سخت‌افزاری اخیر این زمینه را دوباره تقویت کرده است. حسگرهای جدید به ماشین‌ها کمک می‌کنند دید دقیق‌تری داشته باشند، صداها را بشنوند و مکان را درک کنند. پردازنده‌های قدرتمند می‌توانند به رایانه‌ها کمک کنند تا تصمیمات پیچیده بگیرند، احتمالات را مرتب کنند، نتایج را برنامه‌ریزی کنند و از اشتباهات درس بگیرند. احتمالات هیجان انگیز است. پیامدها گسترده است.\r\n\r\n خواهید دید که چگونه هوش مصنوعی سوالاتی را در مورد معنای باهوش بودن و میزان اعتماد ما به ماشین ها ایجاد کرده است. مدرس داگ رز رویکردهای مختلف هوش مصنوعی از جمله یادگیری ماشینی و یادگیری عمیق و کاربردهای عملی فناوری‌های جدید تقویت‌شده هوش مصنوعی را توضیح می‌دهد. به علاوه، یاد بگیرید که چگونه هوش مصنوعی را با سایر فناوری‌ها مانند داده‌های بزرگ ادغام کنید و از برخی مشکلات رایج مرتبط با هوش مصنوعی برنامه‌نویسی اجتناب کنید.

linkedin مبانی هوش مصنوعی: یادگیری ماشینی (Mitalearn-388600)

  • 1 hours 50 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Kesha Williams
درباره این دوره:

یادگیری ماشینی هیجان انگیزترین شاخه هوش مصنوعی است. این به سیستم‌ها اجازه می‌دهد تا با شناسایی الگوها و تصمیم‌گیری بدون دخالت انسان، از داده‌ها بیاموزند. در این دوره، با تمرین عملی اولین مدل یادگیری ماشینی خود، چرخه زندگی یادگیری ماشینی را هدایت خواهید کرد. به مربی کشا ویلیامز بپیوندید تا روش‌های یادگیری ماشینی را مورد بررسی قرار دهد: تحت نظارت، بدون نظارت و تقویت. تمرکز روی منبع یابی و تهیه داده ها و انتخاب بهترین الگوریتم یادگیری برای پروژه شما وجود دارد. پس از آموزش یک مدل، ارزیابی عملکرد مدل را با استفاده از معیارهای استاندارد یاد بگیرید. در نهایت، کشا به شما نشان می‌دهد که چگونه فرآیند را با ایجاد خط لوله یادگیری ماشین ساده کنید. اگر به دنبال درک چرخه زندگی یادگیری ماشین و مراحل مورد نیاز برای ساخت سیستم هستید، این دوره را بررسی کنید.

linkedin مبانی یادگیری تقویتی (Mitalearn-198421)

  • 44 minutes
  • متوسط
  • Update date: 21 June 2026
  • Author: Khaulat Abdulhakeem
درباره این دوره:

نوآوری‌ها در امور مالی، بهداشت، رباتیک و بخش‌های مختلف دیگر با یادگیری تقویتی (RL) امکان‌پذیر شده‌اند که شامل آموزش ماشین‌ها برای یادگیری از محیطشان می‌شود. بسیاری از شرکت های برتر فناوری سرمایه گذاری زیادی در این زمینه انجام می دهند. در این دوره، مربی خلعت عبدالحکیم به شما کمک می کند تا اصول اولیه این مهارت نسبتا جدید، اما ارزشمند را بیاموزید. با اصطلاحات کلیدی مورد استفاده در RL، نحوه ایفای نقش اصلی RL در پیشرفت هوش مصنوعی و انواع مشکلاتی که می توانید از RL برای حل آنها استفاده کنید، آشنا شوید. Khaulat به شما نشان می دهد که چگونه مشکلات یادگیری تقویتی را تعریف و نشان دهید. او همچنین به الگوریتم‌های RL، از جمله مونت کارلو و روش‌های تفاوت زمانی می‌پردازد. به علاوه، او به بررسی RL عمیق و چند عاملی می‌پردازد، همچنین نحوه عملکرد یادگیری معکوس و چگونگی کمک به عوامل یادگیری با تقلید را بررسی می‌کند.

coursera مبانی یادگیری تقویتی (Mitalearn-330052)

  • 3 hours 51 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Martha White,Adam White
درباره این دوره:

یادگیری تقویتی زیرشاخه یادگیری ماشینی است، اما یک فرمالیسم با هدف کلی برای تصمیم گیری خودکار و هوش مصنوعی نیز هست. این دوره شما را با تکنیک های یادگیری آماری آشنا می کند که در آن یک عامل به صراحت اقداماتی انجام می دهد و با جهان تعامل دارد. درک اهمیت و چالش های عوامل یادگیری که تصمیم گیری می کنند امروزه از اهمیت حیاتی برخوردار است، زیرا شرکت های بیشتری به عوامل تعاملی و تصمیم گیری هوشمند علاقه مند هستند. این دوره شما را با اصول یادگیری تقویتی آشنا می کند. وقتی این دوره را تمام کردید، خواهید داشت: - رسمی کردن مشکلات به عنوان فرآیندهای تصمیم مارکوف - روش های اولیه اکتشاف و معاوضه اکتشاف / بهره برداری را بدانید - درک توابع ارزش، به عنوان یک ابزار همه منظوره برای تصمیم گیری بهینه - بدانید که چگونه برنامه نویسی پویا را به عنوان یک رویکرد راه حل کارآمد برای یک مشکل کنترل صنعتی پیاده سازی کنید این دوره مفاهیم کلیدی یادگیری تقویتی، زیربنای الگوریتم های کلاسیک و مدرن در RL را به شما آموزش می دهد. پس از اتمام این دوره، می توانید از RL برای مشکلات واقعی استفاده کنید، جایی که MDP را دارید یا می توانید مشخص کنید. این اولین دوره تخصصی آموزش تقویتی است.

coursera مبانی یادگیری ماشین برای مدیران محصول (Mitalearn-326482)

  • 4 hours 27 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Jon Reifschneider
درباره این دوره:

در این اولین دوره از تخصص مدیریت محصول هوش مصنوعی ارائه شده توسط دانشکده مهندسی پرت دانشگاه دوک، شما درک اساسی از چیستی یادگیری ماشین، نحوه کارکرد و زمان و چرایی کاربرد آن خواهید داشت. برای مدیریت موفقیت آمیز یک تیم یا محصول هوش مصنوعی و کار مشترک با دانشمندان داده، مهندسان نرم افزار و مشتریان، باید اصول اولیه فناوری یادگیری ماشین را بدانید. این دوره مقدمه‌ای بدون کدنویسی برای یادگیری ماشین، با تمرکز بر فرآیند توسعه مدل‌ها، ارزیابی و تفسیر مدل ML، و شهود پشت الگوریتم‌های رایج ML و یادگیری عمیق ارائه می‌کند. این دوره با یک پروژه عملی به پایان می رسد که در آن شما فرصتی برای آموزش و بهینه سازی یک مدل یادگیری ماشین بر روی یک مشکل ساده در دنیای واقعی خواهید داشت. در پایان این دوره، شما باید بتوانید: 1) نحوه عملکرد یادگیری ماشین و انواع یادگیری ماشین را توضیح دهید 2) چالش های مدل سازی و راهبردهای غلبه بر آنها را شرح دهید 3) الگوریتم های اولیه مورد استفاده برای کارهای رایج ML و موارد استفاده از آنها را شناسایی کنید 4) یادگیری عمیق و نقاط قوت و چالش های آن را نسبت به سایر اشکال یادگیری ماشین توضیح دهید 5) بهترین شیوه ها را در ارزیابی و تفسیر مدل های ML اجرا کنید

coursera مبانی یادگیری ماشین در امور مالی (Mitalearn-333282)

  • 4 hours 34 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Igor Halperin
درباره این دوره:

هدف این دوره کمک به دانش‌آموزان برای حل مشکلات عملی مرتبط با ML است که ممکن است در زندگی واقعی با آن‌ها مواجه شوند، که شامل موارد زیر است: (1) درک اینکه مشکلی که فرد با آن مواجه می‌شود در یک چشم‌انداز کلی از روش‌های ML موجود است، (2) درک اینکه رویکرد(های) خاص ML برای حل مشکل و (3) توانایی اجرای موفقیت آمیز راه حل و ارزیابی عملکرد آن مناسب ترین است. یک یادگیرنده با دانش قبلی یا بدون دانش قبلی در مورد یادگیری ماشین (ML) با الگوریتم های اصلی یادگیری تحت نظارت و بدون نظارت و یادگیری تقویتی آشنا می شود و می تواند از بسته های منبع باز Python ML برای طراحی، آزمایش و پیاده سازی الگوریتم های ML استفاده کند. در امور مالی مبانی یادگیری ماشین در امور مالی، دید عمیق تری از یادگیری تحت نظارت، بدون نظارت و تقویتی ارائه می دهد و در نهایت به پروژه ای در مورد استفاده از یادگیری بدون نظارت برای اجرای یک استراتژی معاملاتی ساده سبد سهام ختم می شود. این دوره برای سه دسته از دانشجویان طراحی شده است: پزشکان شاغل در مؤسسات مالی مانند بانک ها، شرکت های مدیریت دارایی یا صندوق های تامینی افراد علاقه مند به کاربردهای ML برای تجارت روزانه شخصی دانشجویان تمام وقت فعلی در حال تحصیل در رشته های مالی، آمار، علوم کامپیوتر، ریاضیات، فیزیک، مهندسی یا سایر رشته های مرتبط که می خواهند در مورد کاربردهای عملی ML در امور مالی بیاموزند. برای انجام تکالیف در این دوره، تجربه با پایتون (شامل نوت بوک های numpy، پانداها و IPython/Jupyter)، جبر خطی، تئوری احتمالات پایه و حساب دیفرانسیل و انتگرال ضروری است.

linkedin مبانی یادگیری ماشین: احتمال (Mitalearn-394465)

  • 1 hours 29 minutes
  • مناسب همه
  • Update date: 9 June 2025
  • Author: Terezija Semenski
درباره این دوره: 

 

اگر با مدل‌های یادگیری ماشین کار می‌کنید، احتمالاً می‌دانید که مدل‌های شما بر اساس تخمین و تقریب هستند. احتمال همه چیز و بیشتر است — اما چگونه از آن به نفع خود استفاده می کنید؟

در این دوره، سومین قسمت از مجموعه مبانی یادگیری ماشین، به مربی Terezija Semenski برای کاوش عمیق احتمالات بپیوندید. مفاهیم و عملکردهای اصلی آن و نحوه استفاده از آن برای طراحی، پیاده سازی و مدیریت الگوریتم های یادگیری ماشینی قابل اعتمادتر. در طول مسیر، برخی از ضروری‌ترین ابزارها و تکنیک‌هایی را که برای مدل‌سازی احتمالی موفق، بیرون کشیدن از قوانین احتمال، احتمال مشترک و حاشیه‌ای، توزیع‌های احتمال گسسته، توزیع‌های احتمال پیوسته، قضیه بیز و غیره باید بدانید، کشف کنید. /p>


coursera مبانی یادگیری ماشین: رویکرد مطالعه موردی (Mitalearn-334489)

  • 8 hours 39 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Emily Fox,Carlos Guestrin
درباره این دوره:

آیا داده ای دارید و نمی دانید چه چیزی می تواند به شما بگوید؟ آیا به درک عمیق تری از راه های اصلی که یادگیری ماشینی می تواند کسب و کار شما را بهبود بخشد نیاز دارید؟ آیا می خواهید بتوانید با متخصصان در مورد هر چیزی از رگرسیون و طبقه بندی گرفته تا یادگیری عمیق و سیستم های توصیه کننده صحبت کنید؟ در این دوره، از یک سری مطالعات موردی عملی، تجربه عملی در زمینه یادگیری ماشین کسب خواهید کرد. در پایان دوره اول، نحوه پیش بینی قیمت خانه بر اساس ویژگی های سطح خانه، تجزیه و تحلیل احساسات از نظرات کاربران، بازیابی اسناد مورد علاقه، توصیه محصولات و جستجوی تصاویر را مطالعه خواهید کرد. از طریق تمرین عملی با این موارد استفاده، می‌توانید روش‌های یادگیری ماشینی را در طیف گسترده‌ای از حوزه‌ها به کار ببرید. این اولین دوره، روش یادگیری ماشین را به عنوان یک جعبه سیاه در نظر می گیرد. با استفاده از این انتزاع، بر درک وظایف مورد علاقه، تطبیق این وظایف با ابزارهای یادگیری ماشین و ارزیابی کیفیت خروجی تمرکز خواهید کرد. در دوره های بعدی با بررسی مدل ها و الگوریتم ها به اجزای این جعبه سیاه می پردازید. این قطعات با هم خط لوله یادگیری ماشینی را تشکیل می دهند که از آن در توسعه برنامه های کاربردی هوشمند استفاده خواهید کرد. نتایج یادگیری: در پایان این دوره، شما قادر خواهید بود: - کاربردهای بالقوه یادگیری ماشین را در عمل شناسایی کنید. -تفاوت های اصلی در تحلیل های فعال شده با رگرسیون، طبقه بندی و خوشه بندی را شرح دهید. -وظیفه یادگیری ماشین مناسب را برای یک برنامه بالقوه انتخاب کنید. -استفاده از رگرسیون، طبقه بندی، خوشه بندی، بازیابی، سیستم های توصیه گر و یادگیری عمیق. -داده‌های خود را به‌عنوان ویژگی‌هایی نمایش دهید تا به عنوان ورودی مدل‌های یادگیری ماشینی استفاده شوند. -کیفیت مدل را از نظر معیارهای خطای مربوطه برای هر کار ارزیابی کنید. -از یک مجموعه داده برای تطبیق یک مدل برای تجزیه و تحلیل داده های جدید استفاده کنید. -یک اپلیکیشن سرتاسر بسازید که در هسته خود از یادگیری ماشینی استفاده می کند. -این تکنیک ها را در پایتون پیاده سازی کنید.

datacamp متن کاوی با کیسه کلمات در R (Mitalearn-406569)

  • 30 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Ted Kwartler
درباره این دوره:

تخمین زده شده است که بیش از 70٪ از اطلاعات تجاری بالقوه قابل استفاده، ساختاری ندارند، اغلب به شکل داده های متنی. متن کاوی مجموعه‌ای از تکنیک‌ها را فراهم می‌کند که به ما اجازه می‌دهد تا بینش‌های عملی را از داده‌های بدون ساختار استخراج کنیم. در این دوره به بررسی اصول متن کاوی با استفاده از روش کیسه کلمات می پردازیم. سه فصل اول انواع موضوعات ضروری برای تجزیه و تحلیل و تجسم داده های متنی را معرفی می کند. فصل آخر به شما امکان می‌دهد هر آنچه را که در یک مطالعه موردی در دنیای واقعی آموخته‌اید به کار ببرید تا بینش‌هایی را از بررسی‌های کارکنان دو شرکت بزرگ فناوری استخراج کنید.

Related Skills

coursera مجازی سازی، داکر و کوبرنتیس برای مهندسی داده (Mitalearn-336597)

  • 3 hours 7 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Noah Gift,Kennedy Behrman,Matt Harrison
درباره این دوره:

در طول این دوره، مجازی‌سازی، کانتینری‌سازی و Kubernetes را کاوش خواهید کرد و بر ابزارهایی که مهندسی داده را در این صنعت نیرو می‌دهند، تسلط خواهید داشت. هر هفته مجموعه جدیدی از ابزارها و پلتفرم ها را ارائه می دهد که در مهندسی داده ضروری هستند. از تسلط بر Docker و Kubernetes گرفته تا کاوش در موضوعات پیشرفته مانند کدنویسی مبتنی بر هوش مصنوعی با GitHub Copilot، مدیریت تصویر کانتینر کارآمد با Azure و Amazon Elastic Container Registries، و روش‌های Site Reliability Engineering (SRE)، فراتر از اصول اولیه رفته و به تخصص مورد نیاز برای پیشرفت در چشم انداز پویا و مبتنی بر داده های مهندسی پیشرفته داده است. چه دانشجوی فعلی باشید که به دنبال گسترش مهارت های خود هستید یا یک حرفه ای که هدف آن ارتقای تخصص خود به سطح بعدی است، این دوره برای تجهیز شما به دانش پیشرفته و تجربه عملی لازم برای موفقیت طراحی شده است.

datacamp مدل سازی با tidymodels در R (Mitalearn-404682)

  • 1 hours 2 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: David Svancer
درباره این دوره:

Tidymodels مجموعه قدرتمندی از بسته‌های R است که برای ساده‌سازی گردش‌های یادگیری ماشین طراحی شده است. تقسیم مجموعه داده ها برای اعتبارسنجی متقابل، پیش پردازش داده ها با بسته دستوری tidymodels و تنظیم دقیق الگوریتم های یادگیری ماشینی را بیاموزید. شما مفاهیم کلیدی مانند تعریف اشیاء مدل و ایجاد گردش کار مدلسازی را خواهید آموخت. سپس، مهارت‌های خود را برای پیش‌بینی قیمت خانه و طبقه‌بندی کارمندان بر اساس خطر ترک شرکت به کار خواهید گرفت.

Related Skills

coursera مدل سازی پیش بینی و یادگیری ماشین با متلب (Mitalearn-333554)

  • 3 hours 15 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Michael Reardon,Maria Gavilan-Alfonso,Erin Byrne
درباره این دوره:

در این دوره، شما بر مهارت های آموخته شده در تجزیه و تحلیل داده های اکتشافی با متلب و پردازش داده ها و مهندسی ویژگی با متلب برای افزایش توانایی خود در استفاده از قدرت متلب برای تجزیه و تحلیل داده های مرتبط با کاری که انجام می دهید، خواهید آموخت. این مهارت ها برای کسانی که دانش حوزه و مقداری در معرض ابزارهای محاسباتی هستند، اما هیچ پیشینه برنامه نویسی ندارند، ارزشمند است. برای موفقیت در این دوره باید پیشینه ای در زمینه آمار پایه (هیستوگرام، میانگین، انحراف معیار، برازش منحنی، درونیابی) داشته باشید و دروس 1 تا 2 این تخصص را گذرانده باشید. در پایان این دوره، شما از متلب برای شناسایی بهترین مدل یادگیری ماشینی برای به دست آوردن پاسخ از داده های خود استفاده خواهید کرد. شما داده‌های خود را آماده می‌کنید، یک مدل پیش‌بینی را آموزش می‌دهید، مدل خود را ارزیابی و بهبود می‌بخشید و می‌دانید که چگونه می‌توانید از مدل‌های خود بیشترین بهره را ببرید.

coursera مدل سازی در AWS (Mitalearn-329712)

  • 1 hours 45 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Whizlabs Instructor
درباره این دوره:

مدل سازی در AWS سومین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. تمرکز اصلی این دوره آموزش مدل های یادگیری ماشین با تجزیه و تحلیل مفاهیم مدل سازی در AWS است. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره با سخنرانی‌های ویدئویی تقریباً 1:30 ساعت تا 2:00 ساعت که دانش تئوری و دستی را ارائه می‌کند، زبان‌آموزان را تسهیل 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: مدل سازی و آموزش مدل های یادگیری ماشین در AWS ماژول 2: مدل های یادگیری ماشین: ارزیابی عملکرد و تنظیم در پایان این دوره، فراگیران قادر خواهند بود: 1. تجزیه و تحلیل مفاهیم مدل سازی و آموزش مدل های یادگیری ماشین 2. عملکرد مدل های یادگیری ماشین را بررسی کنید 3. با آموزش یک مدل، تنظیم خودکار مدل را پیاده سازی کنید

datacamp مدل های ARIMA در پایتون (Mitalearn-403254)

  • 54 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: James Fulton
درباره این دوره:

آیا تا به حال سعی کرده اید آینده را پیش بینی کنید؟ آنچه در پیش است رازی است که معمولاً فقط با انتظار حل می شود. در این دوره، شما از انتظار دست می کشید و یاد می گیرید که از مدل های قدرتمند کلاس ARIMA برای پیش بینی آینده استفاده کنید. شما یاد خواهید گرفت که چگونه از بسته statsmodels برای تجزیه و تحلیل سری های زمانی، ساخت مدل های مناسب و پیش بینی در شرایط عدم قطعیت استفاده کنید. بازار سهام در 24 ساعت آینده چگونه حرکت می کند؟ سطوح CO2 در دهه آینده چگونه تغییر خواهد کرد؟ سال آینده چند زلزله خواهد بود؟ شما یاد خواهید گرفت که همه این مشکلات و موارد دیگر را حل کنید.

Suggestions