Course catalog

Course duration

Course provider

Topic

Categories

Showing 241-260 of 587 items.

coursera تجسم داده ها با پروژه Tableau (Mitalearn-330834)

  • 17 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Suk S. Brar, M.B.A.,Hunter Whitney
درباره این دوره:

در این دوره مبتنی بر پروژه، شما علایق خود را دنبال خواهید کرد تا یک نمونه کار با ارزش تک فریم یعنی داستان داده چند فریمی ایجاد کنید که در Tableau Public به اشتراک گذاشته شود. شما از تمام مهارت های آموزش داده شده در این تخصص برای تکمیل این پروژه به صورت گام به گام و با راهنمایی مربیان خود در طول مسیر استفاده خواهید کرد. شما ابتدا یک طرح پیشنهادی برای شناسایی اهداف خود برای پروژه ایجاد خواهید کرد، از جمله سوالی که می خواهید به آن پاسخ دهید یا با داده ها بررسی کنید. سپس داده هایی را پیدا خواهید کرد که اطلاعاتی را که به دنبال آن هستید ارائه می دهد. سپس آن داده ها را به Tableau وارد کرده و برای تجزیه و تحلیل آماده می کنید. سپس یک داشبورد ایجاد می‌کنید که به شما امکان می‌دهد داده‌ها را عمیقاً بررسی کنید و بینش‌های معنادار را شناسایی کنید. سپس با نوشتن قوس داستان به صورت روایی به داستان داده خود ساختار می دهید. در نهایت، شما چک لیست طراحی خود را برای دستیابی به مفهوم نهایی یا داستان داده در Tableau مشورت خواهید کرد. این فرصت شماست تا به دنیا نشان دهید که چه توانایی هایی دارید - پس بزرگ فکر کنید و به مهارت های خود اطمینان داشته باشید!

coursera تجسم داده ها در Tidyverse (Mitalearn-334914)

  • مناسب همه
  • Release date: 27 June 2026
  • Author: Carrie Wright, PhD,Shannon Ellis, PhD,Stephanie Hicks, PhD
درباره این دوره:

تجسم داده ها بخش مهمی از هر پروژه علم داده است. هنگامی که داده ها وارد شده و در محل مورد بحث قرار می گیرند، تجسم داده های شما می تواند به شما کمک کند تا به آنچه در مجموعه داده می گذرد، رسیدگی کنید. به طور مشابه، هنگامی که تجزیه و تحلیل خود را کامل کردید و آماده ارائه یافته‌های خود هستید، تجسم داده‌ها روشی بسیار مؤثر برای انتقال نتایج به دیگران است. در این دوره آموزشی به نحوه تجسم داده ها می پردازیم و برخی از انواع اصلی تجسم داده ها را تعریف می کنیم. در این دوره آموزشی با بسته ggplot2 R آشنا می‌شوید، مجموعه‌ای از ابزارهای قدرتمند برای ساخت گرافیک‌های داده خیره‌کننده که به استاندارد صنعتی تبدیل شده است. شما در مورد انواع مختلف طرح ها، نحوه ساخت طرح های افکت و آنچه که باعث تجسم موفق یا ناموفق می شود، خواهید آموخت. در این تخصص ما آشنایی با زبان برنامه نویسی R را فرض می کنیم. اگر هنوز با R آشنا نیستید، پیشنهاد می کنیم ابتدا برنامه نویسی R را قبل از بازگشت برای تکمیل این دوره کامل کنید.

coursera تجسم داده ها و ارتباط با Tableau (Mitalearn-334438)

  • 6 hours 32 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Daniel Egger,Jana Schaich Borg
درباره این دوره:

یکی از مهارت هایی که مشخصه تحلیلگران بزرگ داده های کسب و کار است، توانایی برقراری ارتباط پیامدهای عملی تحلیل های کمی با هر نوع مخاطبی است. حتی پیچیده‌ترین تحلیل‌های آماری برای یک کسب‌وکار مفید نیستند، اگر به توصیه‌های عملی منتهی نشوند، یا اگر پاسخ به آن سؤالات تجاری به گونه‌ای که افراد غیر فنی بتوانند آن را درک کنند، منتقل نشود. در این دوره شما یاد خواهید گرفت که چگونه در برقراری ارتباط پیامدهای مرتبط با تجارت از تجزیه و تحلیل داده ها استاد شوید. در پایان، می‌دانید که چگونه پروژه‌های تجزیه و تحلیل داده‌های خود را ساختار دهید تا اطمینان حاصل کنید که ثمرات کار سخت شما نتایج را برای ذینفعان شما به ارمغان می‌آورد. همچنین می‌دانید که چگونه با استفاده از تجسم‌سازی‌ها در Tableau، محبوب‌ترین برنامه تجسم‌سازی در دنیای تجارت، تحلیل‌های خود را ساده کنید و پیامدهای آنها را به طور موثر برجسته کنید. با استفاده از سایر ویژگی‌های Tableau، می‌توانید تجسم‌های مؤثری ایجاد کنید که از تمایلات ادراکی و شناختی ذاتی مغز انسان برای انتقال مستقیم و واضح نتیجه‌گیری استفاده می‌کند. در نهایت، شما در طراحی و ارائه قانع‌کننده «داستان‌های داده» کسب‌وکار که از این تجسم‌ها استفاده می‌کند، با سرمایه‌گذاری بر روش‌های آزمایش‌شده تجاری و اصول طراحی، تمرین خواهید کرد.

coursera تجسم داده ها و ارتباط نتایج در R با RStudio (Mitalearn-327689)

  • مبتدی
  • Release date: 27 June 2026
  • Author: Anh Le
درباره این دوره:

کدنویسی کنید و اولین برنامه R خود را در عرض چند دقیقه بدون نصب چیزی اجرا کنید! این دوره برای زبان آموزانی طراحی شده است که تجربه کدنویسی محدودی دارند و دانش پایه ای از تجسم داده ها و R Markdown ارائه می دهند. ماژول های این دوره انواع مختلفی از مدل های تجسم مانند نمودار میله ای، هیستوگرام، و نقشه های حرارتی و همچنین R Markdown را پوشش می دهند. گذراندن دوره قبلی (تحلیل داده ها در R با RStudio & Tidyverse) در این تخصص یا تجربه مشابه 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 تجسم داده ها و داشبورد با Excel و Cognos (Mitalearn-327995)

  • 1 hours 27 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Sandip Saha Joy,Kevin McFaul,Steve Ryan
درباره این دوره:

با نحوه ایجاد تجسم داده ها و داشبورد با استفاده از صفحات گسترده و ابزارهای تجزیه و تحلیل آشنا شوید. این دوره برخی از اولین گام ها را برای بیان یک داستان قانع کننده با داده های شما با استفاده از انواع مختلف نمودارها و نمودارها پوشش می دهد. شما اصول تجسم داده ها را با Excel و IBM Cognos Analytics بدون نیاز به نوشتن کد یاد خواهید گرفت. شما با ایجاد نمودارهای ساده در اکسل مانند نمودارهای خطی، دایره ای و میله ای شروع می کنید. سپس تجسم های پیشرفته تری را با Treemaps، نمودارهای پراکنده، هیستوگرام ها، نمودارهای نقشه پر شده و Sparklines ایجاد خواهید کرد. در مرحله بعد با ویژگی Excel PivotChart نیز کار خواهید کرد و همچنین چندین تصویرسازی را در داشبورد اکسل جمع آوری خواهید کرد. این دوره همچنین به شما می آموزد که چگونه از ابزارهای هوش تجاری (BI) مانند Cognos Analytics برای ایجاد داشبوردهای تعاملی استفاده کنید. در پایان دوره، شما از نقش کلیدی که تجسم داده ها در انتقال یافته های تجزیه و تحلیل داده های شما ایفا می کند و توانایی ایجاد موثر آنها را قدردانی خواهید کرد. در طول این دوره، آزمایشگاه های عملی متعددی وجود خواهد داشت که به شما کمک می کند تا تجربه عملی را برای کار با Excel و Cognos ایجاد کنید. همچنین یک پروژه نهایی وجود دارد که در آن مجموعه ای از تجسم داده ها و یک داشبورد تعاملی برای اضافه کردن به مجموعه خود ایجاد می کنید، که می توانید آن را با همتایان، جوامع حرفه ای یا کارفرمایان آینده به اشتراک بگذارید.

coursera تجسم داده های سه بعدی برای ارتباطات علمی (Mitalearn-326958)

  • 5 hours 11 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Kalina Borkiewicz,AJ Christensen
درباره این دوره:

این دوره مقدمه ای بر تجسم داده های علمی سه بعدی، با تاکید بر ارتباطات علمی و طراحی سینمایی برای جذابیت برای مخاطبان گسترده است. شما سواد تجسم را از طریق توانایی در تفسیر/تحلیل (خواندن) تجسم ها و ایجاد (نوشتن) تجسم های خود توسعه خواهید داد. در پایان این دوره، شما: -سواد تجسم را توسعه دهید. عملی بودن کار با داده های مکانی را بیاموزید. - درک آنچه که تجسم علمی را معنادار می کند. -یاد بگیرید چگونه تجسم های آموزشی ایجاد کنید که دقت علمی را حفظ کند. - بفهمید چه چیزی یک تجسم علمی را سینمایی می کند. -یاد بگیرید چگونه تجسمی ایجاد کنید که برای مخاطبان گسترده جذاب باشد. -آموزش کار با نرم افزارهای تصویرسازی (برای کسانی که آهنگ Honors را تکمیل می کنند)

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

  • مبتدی
  • Release date: 27 June 2026
  • Author: 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 تحقیقات تکراری (Mitalearn-335458)

  • 4 hours 10 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Roger D. Peng, PhD,Jeff Leek, PhD,Brian Caffo, PhD
درباره این دوره:

این دوره بر مفاهیم و ابزارهای پشت گزارش تجزیه و تحلیل داده های مدرن به شیوه ای تکرارشونده تمرکز دارد. تحقیق تکرارپذیر این ایده است که تجزیه و تحلیل داده ها، و به طور کلی، ادعاهای علمی، با داده ها و کد نرم افزاری آنها منتشر می شود تا دیگران بتوانند یافته ها را تأیید کنند و بر اساس آنها بنا کنند. نیاز به تکرارپذیری به طور چشمگیری در حال افزایش است زیرا تجزیه و تحلیل داده ها پیچیده تر می شود و شامل مجموعه داده های بزرگتر و محاسبات پیچیده تر می شود. تکرارپذیری به افراد اجازه می دهد تا بر محتوای واقعی تجزیه و تحلیل داده ها تمرکز کنند، نه بر جزئیات سطحی گزارش شده در یک خلاصه کتبی. علاوه بر این، تکرارپذیری تجزیه و تحلیل را برای دیگران مفیدتر می کند زیرا داده ها و کدهایی که در واقع تجزیه و تحلیل را انجام داده اند در دسترس هستند. این دوره بر روی ابزارهای تحلیل آماری باسواد تمرکز می کند که به فرد امکان می دهد تجزیه و تحلیل داده ها را در یک سند منتشر کند که به دیگران امکان می دهد به راحتی همان تجزیه و تحلیل را برای به دست آوردن نتایج یکسان اجرا کنند.

coursera تحلیل رگرسیون (Mitalearn-331956)

  • 50 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Di Wu
درباره این دوره:

دوره «تحلیل رگرسیون» دانشجویان را با مفاهیم اساسی یکی از مهم ترین روش های یادگیری تحت نظارت یعنی رگرسیون مجهز می کند. شرکت کنندگان تکنیک های مختلف رگرسیون را بررسی می کنند و یاد می گیرند که چگونه آنها را به طور موثر ارزیابی کنند. علاوه بر این، دانش‌آموزان در موضوعات پیشرفته، از جمله رگرسیون چند جمله‌ای، تکنیک‌های منظم‌سازی (ریج، کمند، و شبکه الاستیک)، اعتبارسنجی متقاطع و روش‌های گروهی (کیسه‌بندی، تقویت، و انباشتن) تخصص کسب خواهند کرد. از طریق آموزش های تعاملی و مطالعات موردی عملی، دانش آموزان تجربه عملی در استفاده از تحلیل رگرسیون در سناریوهای داده های دنیای واقعی به دست خواهند آورد. در پایان این دوره، دانشجویان قادر خواهند بود: 1. درک اصول و اهمیت تحلیل رگرسیون در یادگیری تحت نظارت. 2. مفاهیم و کاربردهای رگرسیون خطی و تفسیر آن را در مجموعه داده های دنیای واقعی درک کنید. 3. رگرسیون چند جمله ای را برای به دست آوردن روابط غیرخطی بین متغیرها کاوش کنید. 4. برای جلوگیری از برازش بیش از حد و بهبود تعمیم مدل، از تکنیک های منظم سازی (ریج، کمند، و شبکه الاستیک) استفاده کنید. 5. روش های اعتبارسنجی متقابل را برای ارزیابی عملکرد مدل و بهینه سازی هایپرپارامترها اجرا کنید. 6. درک روش های مجموعه (کیسه، تقویت، و پشته) و نقش آنها در افزایش دقت مدل رگرسیون. 7. ارزیابی و مقایسه عملکرد مدل های رگرسیون مختلف با استفاده از معیارهای مناسب. 8. استفاده از تکنیک های تحلیل رگرسیون برای مطالعات موردی در دنیای واقعی، تصمیم گیری مبتنی بر داده. در طول دوره، دانش آموزان فعالانه در آموزش ها و مطالعات موردی شرکت می کنند، مهارت های تحلیل رگرسیون خود را تقویت می کنند و تجربه عملی در استفاده از تکنیک های رگرسیون در مجموعه داده های متنوع به دست می آورند. با دستیابی به اهداف یادگیری، شرکت کنندگان برای برتری در وظایف تحلیل رگرسیون و تصمیم گیری آگاهانه با استفاده از مدل های رگرسیون به خوبی مجهز خواهند شد.

coursera تحلیل رگرسیون مدرن در R (Mitalearn-330613)

  • 9 hours 46 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Brian Zaharatos
درباره این دوره:

این دوره مجموعه ای از ابزارهای مدل سازی آماری پایه را برای علم داده ارائه می دهد. به طور خاص، دانش‌آموزان با روش‌ها، نظریه‌ها و کاربردهای مدل‌های آماری خطی آشنا می‌شوند که موضوعات تخمین پارامتر، تشخیص باقی‌مانده، خوب بودن تناسب، و استراتژی‌های مختلف برای انتخاب متغیر و مقایسه مدل را پوشش می‌دهد. همچنین به استفاده نادرست از مدل های آماری و پیامدهای اخلاقی این سوء استفاده ها توجه خواهد شد. این دوره 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، گذراند. 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. لوگوی اقتباس شده از عکس وینسنت لدوینا در Unsplash

coursera تحلیل شبکه های اجتماعی (Mitalearn-327009)

  • 5 hours 20 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Martin Hilbert
درباره این دوره:

این دوره طراحی شده است تا به معنای واقعی کلمه از چیزی در قلب جامعه "علم بسازد": شبکه های اجتماعی. انسان‌ها دانشمندان شبکه طبیعی هستند، زیرا ما همیشه پیکربندی‌های شبکه جدید را محاسبه می‌کنیم، تقریباً بی‌اطلاع، هنگام فکر کردن به دوستان و خانواده (که اشکال خاصی از شبکه‌های اجتماعی هستند)، در مورد همکاران و روابط سازمانی (سایر، ساختارهای شبکه‌ای همپوشانی) و در مورد چگونه پیکربندی‌های شبکه‌ای ظریف یا فرصت‌طلبانه را برای حفظ حراست یا پیشرفت در جایگاه اجتماعی خود (که جامعه خود یک شبکه اجتماعی بزرگ است) هدایت کنیم. در حالی که چنین ساختارهای شبکه ای همیشه وجود داشته است، علوم اجتماعی محاسباتی به آشکارسازی و مطالعه سیستماتیک تر آنها کمک کرده است. در بخش اول دوره ما بر ساختار شبکه تمرکز می کنیم. این به عنوان عکس های فوری ثابت از شبکه ها به نظر می رسد که می تواند پیچیده باشد و جنبه های مهمی از سیستم های اجتماعی را نشان دهد. در آزمایشگاه عملی ما، شما همچنین خودتان یک شبکه را با یک نرم افزار تجسم و تجزیه و تحلیل خواهید کرد، که به درک پیچیدگی شبکه های اجتماعی کمک می کند. در بخش دوم دوره، به چگونگی تکامل شبکه ها در زمان خواهیم پرداخت. ما می‌پرسیم چگونه می‌توانیم پیش‌بینی کنیم که چه نوع شبکه‌ای شکل می‌گیرد و آیا و چگونه می‌توانیم بر پویایی شبکه تأثیر بگذاریم.

coursera تحلیل عملی سری زمانی (Mitalearn-330579)

  • 7 hours 54 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Tural Sadigov,William Thistleton
درباره این دوره:

به تحلیل سری زمانی عملی خوش آمدید! بسیاری از ما تحلیل گران داده «تصادفی» هستیم. ما در علوم، تجارت یا مهندسی آموزش دیدیم و سپس با داده هایی مواجه شدیم که هیچ آموزش تحلیلی رسمی برای آنها نداریم. این دوره برای افرادی با برخی شایستگی‌های فنی طراحی شده است که بیشتر از یک رویکرد «کتاب آشپزی» می‌خواهند، اما هنوز باید بر روی انواع ارائه و تحلیل معمول تمرکز کنند که درک موضوعات حرفه‌ای ما را عمیق‌تر می‌کند. در تجزیه و تحلیل سری زمانی عملی، ما به مجموعه داده هایی نگاه می کنیم که اطلاعات متوالی را نشان می دهند، مانند قیمت سهام، بارندگی سالانه، فعالیت لکه های خورشیدی، قیمت محصولات کشاورزی و غیره. ما به چندین مدل ریاضی نگاه می کنیم که ممکن است برای توصیف فرآیندهایی که این نوع داده ها را تولید می کنند استفاده شوند. ما همچنین به نمایش های گرافیکی نگاه می کنیم که بینش هایی را در مورد داده های ما ارائه می دهد. در نهایت، ما همچنین یاد می‌گیریم که چگونه پیش‌بینی‌هایی انجام دهیم که چیزهای هوشمندانه‌ای را در مورد انتظارات ما در آینده بیان کند. لطفا چند دقیقه وقت بگذارید و سایت دوره را بررسی کنید. شما سخنرانی های ویدیویی را با مطالب نوشته شده و همچنین آزمون هایی برای کمک به تأکید بر نکات مهم پیدا خواهید کرد. زبان دوره R است، یک پیاده سازی رایگان از زبان S. این یک محیط حرفه ای و نسبتا آسان برای یادگیری است. شما می توانید مطالب مربوط به دوره را با سایر فراگیران خود در میان بگذارید. لطفا کمی وقت بگذارید و خودتان را معرفی کنید! تجزیه و تحلیل سری های زمانی می تواند برای یادگیری تلاش کند - ما سعی کرده ایم ایده هایی را ارائه دهیم که "ماموریت حیاتی" هستند به گونه ای که شما به اندازه کافی از ریاضیات را درک کنید تا از آن راضی شوید و در عین حال فوراً سازنده باشید. امیدواریم از کلاس لذت ببرید!

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

  • 3 hours 43 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: 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 ترانسفورماتورهای از پیش آموزش دیده (GPT) (Mitalearn-332398)

  • 2 hours 15 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mary Ellen Foster,Sean MacAvaney,Jake Lever
درباره این دوره:

مدل‌های زبان بزرگ مانند GPT-3.5، که ChatGPT را تقویت می‌کند، نحوه تعامل انسان با رایانه‌ها و نحوه پردازش متن توسط رایانه‌ها را تغییر می‌دهد. این دوره ایده های اساسی پردازش زبان طبیعی و مدل سازی زبان را که زیربنای این مدل های زبانی بزرگ است، معرفی می کند. ما اصول اولیه نحوه عملکرد مدل‌های زبان و ویژگی‌های چگونگی ساخت رویکردهای مبتنی بر عصبی جدید را بررسی خواهیم کرد. ما نوآوری‌های کلیدی را بررسی خواهیم کرد که مدل‌های زبان بزرگ مبتنی بر Transformer را قادر می‌سازد تا در حل وظایف زبانی مختلف غالب شوند. در نهایت، چالش‌های اعمال این مدل‌های زبانی بزرگ را برای مشکلات مختلف از جمله مشکلات اخلاقی در ساخت و استفاده از آنها بررسی خواهیم کرد. از طریق آزمایشگاه‌های عملی، در مورد بلوک‌های سازنده ترانسفورماتورها یاد می‌گیریم و از آنها برای تولید متن جدید استفاده می‌کنیم. این تمرین‌های پایتون شما را در فرآیند بکارگیری یک مدل زبان کوچک‌تر و درک اینکه چگونه می‌توان آن را ارزیابی و برای مشکلات مختلف اعمال کرد، گام برمی‌دارد. آزمون های تمرینی منظم به تقویت دانش کمک می کند و شما را برای ارزیابی های درجه بندی شده آماده می کند.

coursera ترجمه ماشینی (Mitalearn-331463)

  • 7 hours 39 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Alexander Waibel,Jan Niehues
درباره این دوره:

به CLICS-Machine Translation MOOC خوش آمدید این MOOC اصول اولیه ترجمه ماشینی را توضیح می دهد. ترجمه ماشینی وظیفه ترجمه از یک زبان طبیعی به زبان طبیعی دیگر است. بنابراین، این الگوریتم ها می توانند به افراد در برقراری ارتباط به زبان های مختلف کمک کنند. چنین الگوریتم‌هایی در برنامه‌های رایج، از Google Translate گرفته تا برنامه‌های موجود در دستگاه تلفن همراه شما استفاده می‌شوند. پس از گذراندن این دوره، می توانید مشکلات اصلی ترجمه زبان های طبیعی و اصول روش های مختلف ترجمه ماشینی را درک کنید. تمرکز اصلی این دوره بر روی پیشرفته ترین فناوری ترجمه ماشینی عصبی فعلی خواهد بود که از روش های یادگیری عمیق برای مدل سازی فرآیند ترجمه استفاده می کند. شما قادر خواهید بود تصمیم بگیرید که کدام مفاهیم برای برنامه ترجمه ماشینی شما مناسب تر است. این دوره توسط پروفسور دکتر الکساندر وایبل (http://isl.anthropomatik.kit.edu/english/21_74.php) و استادیار دکتر یان نیهوس (https://www.maastrichtuniversity.nl/jan) تدریس می شود. نیهوس).

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

  • 3 hours 14 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: 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 ترکیب و تجزیه و تحلیل داده های پیچیده (Mitalearn-335628)

  • 2 hours 59 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Richard Valliant, Ph.D.
درباره این دوره:

در این دوره شما یاد خواهید گرفت که چگونه از وزن های نظرسنجی برای تخمین آمار توصیفی، مانند میانگین ها و مجموع، و کمیت های پیچیده تر مانند پارامترهای مدل برای رگرسیون های خطی و لجستیک استفاده کنید. قابلیت‌های نرم‌افزار با R® پوشش داده می‌شود که تاکید خاصی دارد. این دوره همچنین مبانی پیوند رکورد و تطبیق آماری را پوشش می دهد - که هر دو به عنوان روش هایی برای ترکیب داده ها از منابع مختلف اهمیت بیشتری پیدا می کنند. ترکیب مجموعه داده ها مسائل اخلاقی را مطرح می کند که دوره بررسی می کند. ممکن است لازم باشد رضایت آگاهانه از افراد گرفته شود تا داده‌های آنها پیوند داده شود. شما در مورد تفاوت در الزامات قانونی در کشورهای مختلف یاد خواهید گرفت.

coursera ترویج استفاده اخلاقی از فناوری های داده محور (Mitalearn-327179)

  • 4 hours 46 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Tania De Gasperis,Aaron Hui,Eleanor 'Nell' Watson
درباره این دوره:

بزرگترین خطر در فناوری های نوظهور، تداوم تعصب در فناوری های خودکار وابسته به مجموعه داده ها است. راه‌حل‌هایی که با تعصب نژادی، جنسیتی یا جمعیتی ایجاد می‌شوند، خواه ناخواسته یا غیرعمدی، می‌توانند نابرابری‌های غم انگیز را از نظر اجتماعی و اقتصادی تداوم بخشند. این اولین دوره از پنج دوره گواهینامه حرفه‌ای Certified Ethical Emerging Technologist (CEET) است و برای یادگیرندگانی طراحی شده است که به دنبال حمایت و ترویج استفاده اخلاقی از فناوری‌های مبتنی بر داده هستند. دانش آموزان یاد خواهند گرفت که فناوری های نوظهور چیست و چگونه می توان از آنها برای ایجاد راه حل های مبتنی بر داده استفاده کرد. انواع سوگیری ها و تئوری های اخلاقی رایج و نحوه استفاده از آنها در فناوری های نوظهور را یاد خواهید گرفت و مفاهیم حقوقی و اخلاقی حریم خصوصی را در ارتباط با فناوری هایی مانند هوش مصنوعی، یادگیری ماشین و زمینه های علم داده بررسی خواهید کرد. در طول دوره، فراگیران شروع به تشخیص اینکه کدام نوع سوگیری ممکن است بیشترین خطر را ایجاد کند و کدام اصول برای پاسخگویی استراتژیک به ملاحظات اخلاقی اعمال شود، شروع می شود.

coursera تست اسناد مبتنی بر هوش مصنوعی (Mitalearn-334353)

  • 1 hours 3 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Board Infinity
درباره این دوره:

به دوره آموزشی تست انتساب مبتنی بر هوش مصنوعی خوش آمدید، دوره ای جذاب و جامع که برای راهنمایی شما از طریق مفاهیم اساسی و کاربردهای عملی تست اسناد مبتنی بر هوش مصنوعی طراحی شده است. این دوره برای بازاریابان، تحلیلگران داده، دانشمندان داده و رهبران تجاری که قصد دارند از بینش های مبتنی بر داده برای تصمیم گیری استفاده کنند، مناسب است. همچنین برای دانشجویان و متخصصانی که علاقه زیادی به همگرایی هوش مصنوعی، تجزیه و تحلیل داده ها و بازاریابی دارند، مفید است. در ماژول 1: تست انتساب - مبانی، ما شما را با تست اسناد مبتنی بر هوش مصنوعی آشنا می کنیم و هدف و اهمیت آن را در دنیای داده محور امروزی توضیح می دهیم. این ماژول بیشتر شما را با درک قوی از اصول مدلسازی اسناد، که برای هر کسی که در این زمینه جسارت می کند ضروری است، مجهز می کند. در مرحله بعد، در ماژول 2: آزمایش اسناد مبتنی بر هوش مصنوعی - پیاده سازی، درک خود را در سناریوهای دنیای واقعی اعمال خواهید کرد و یاد می گیرید که چگونه به طور موثر تست انتساب مبتنی بر هوش مصنوعی را پیاده سازی کنید. شما همچنین بهترین شیوه ها و مطالعات موردی را برای تقویت یادگیری خود کاوش خواهید کرد. این دوره با نگاهی اجمالی به روندهای آینده در آزمون اسناد و بحث مهم در مورد ملاحظات اخلاقی در این زمینه به پایان می رسد. در پایان این دوره، درک کاملی از تست اسناد مبتنی بر هوش مصنوعی خواهید داشت، نحوه اجرای موثر آن را می‌دانید و با دستورالعمل‌های اخلاقی حاکم بر این زمینه آشنا خواهید شد. دانش و مهارت‌های تازه به‌دست‌آمده شما در تست اسناد مبتنی بر هوش مصنوعی می‌تواند به شما قدرت دهد تا تصمیم‌های مبتنی بر داده‌ها بگیرید و ارزش قابل‌توجهی برای سازمان یا شغل آینده‌تان به ارمغان بیاورد. دانشجویان سال دوم کارشناسی علاقه مند به مهندسی یا علوم، همراه با دانش آموزان دبیرستانی و متخصصان علاقه مند به برنامه نویسی.

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

  • 24 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: 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.

Suggestions