Course catalog

Course duration

Course provider

Topic

Categories

Showing 261-280 of 382 items.

coursera مقدمه ای بر تجارت، یادگیری ماشین و GCP (Mitalearn-332347)

  • 4 hours
  • متوسط
  • Release date: 23 June 2026
  • Author: Jack Farmer
درباره این دوره:

در این دوره آموزشی، با اصول معاملاتی، از جمله مفهوم روند، بازده، توقف ضرر و نوسانات آشنا خواهید شد. شما یاد خواهید گرفت که چگونه منبع سود و ساختار استراتژی های معاملاتی کمی را شناسایی کنید. این دوره به شما کمک می‌کند اندازه‌گیری کنید که مدل چقدر یادگیری خود را تعمیم می‌دهد، تفاوت‌های بین رگرسیون و پیش‌بینی را توضیح می‌دهد و مراحل مورد نیاز برای ایجاد پشتیبان‌های توسعه و پیاده‌سازی را شناسایی می‌کند. در پایان دوره، می‌توانید از Google Cloud Platform برای ساخت مدل‌های یادگیری ماشینی اولیه در نوت‌بوک‌های Jupyter استفاده کنید. برای موفقیت در این دوره، باید صلاحیت پیشرفته در برنامه نویسی پایتون و آشنایی با کتابخانه های مربوط به یادگیری ماشین، مانند Scikit-Learn، StatsModels و Pandas داشته باشید. تجربه با SQL توصیه می شود. شما باید پیشینه ای در زمینه آمار (مقادیر مورد انتظار و انحراف استاندارد، توزیع های گاوسی، ممان های بالاتر، احتمال، رگرسیون های خطی) و دانش پایه ای از بازارهای مالی (سهام، اوراق قرضه، مشتقات، ساختار بازار، پوشش ریسک) داشته باشید.

datacamp مقدمه ای بر تجزیه و تحلیل پیش بینی کننده در پایتون (Mitalearn-404393)

  • 37 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Nele Verbiest
درباره این دوره:

در این دوره آموزشی یاد خواهید گرفت که چگونه یک مدل رگرسیون لجستیک با متغیرهای معنادار بسازید. همچنین نحوه استفاده از این مدل را برای پیش‌بینی و نحوه ارائه آن و عملکرد آن به سهامداران کسب‌وکار خواهید آموخت.

coursera مقدمه ای بر سیستم های توصیه گر: غیر شخصی و مبتنی بر محتوا (Mitalearn-331191)

  • 8 hours 46 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Joseph A Konstan,Michael D. Ekstrand
درباره این دوره:

این دوره که به عنوان اولین دوره در تخصص سیستم های توصیه گر طراحی شده است، مفهوم سیستم های توصیه گر را معرفی می کند، چندین مثال را به طور مفصل بررسی می کند و شما را از طریق توصیه های غیر شخصی با استفاده از آمار خلاصه و انجمن های محصول، مبتنی بر کلیشه های اولیه راهنمایی می کند. یا توصیه های جمعیت شناختی، و توصیه های فیلترینگ مبتنی بر محتوا. پس از اتمام این دوره، می‌توانید با استفاده از ابزارهای صفحه گسترده اولیه، توصیه‌های مختلفی را از مجموعه داده‌ها محاسبه کنید، و اگر مسیر افتخارات را تکمیل کنید، این توصیه‌ها را نیز با استفاده از جعبه ابزار توصیه‌گر LensKit منبع باز برنامه‌ریزی کرده‌اید. علاوه بر سخنرانی‌های مفصل و تمرین‌های تعاملی، این دوره دارای مصاحبه با چندین رهبر در تحقیق و عمل در مورد موضوعات پیشرفته و جهت‌های جاری در سیستم‌های توصیه‌گر است.

coursera مقدمه ای بر علم داده و یادگیری اسکییت در پایتون (Mitalearn-329236)

  • 1 hours 30 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Sabrina Moore,Rajvir Dua,Neelesh Tiruviluamala
درباره این دوره:

این دوره به شما یاد می دهد که چگونه از قدرت پایتون و هوش مصنوعی برای ایجاد و آزمایش فرضیه استفاده کنید. ما از ابتدا شروع می کنیم، و قبل از فرو رفتن در برخی از برنامه های کاربردی غنی تر آن برای آزمایش فرضیه ایجاد شده، چند پایتون پایه برای علم داده را یاد می گیریم. ما برخی از مهم‌ترین کتابخانه‌ها را برای تجزیه و تحلیل داده‌های اکتشافی (EDA) و یادگیری ماشینی مانند Numpy، Pandas و Sci-Kit یاد خواهیم گرفت. پس از یادگیری برخی از تئوری (و ریاضیات) پشت رگرسیون خطی، خط لوله کاملی از خواندن داده‌ها، پاکسازی آن‌ها و اعمال یک مدل رگرسیون برای تخمین پیشرفت دیابت را بررسی می‌کنیم. در پایان دوره، شما یک مدل طبقه بندی را برای پیش بینی وجود/عدم بیماری قلبی از داده های سلامت بیمار اعمال خواهید کرد.

datacamp مقدمه ای بر نسخه سازی داده با DVC (Mitalearn-405090)

  • 1 hours
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Ravi Bhadauria
درباره این دوره:

کاوش در کنترل نسخه داده (DVC)، ابزاری برای مدیریت و نسخه‌سازی داده‌های ML. نقش آن را در چرخه حیات ML بررسی کنید، نسخه‌سازی داده‌ها را از نسخه‌سازی کد متمایز کنید، و ویژگی‌ها و موارد استفاده DVC را بررسی کنید. درباره راه‌اندازی DVC، از جمله مدیریت حافظه پنهان و ریموت‌ها، بیاموزید و کاربردهای آن را در CI/CD، ردیابی آزمایشی، و خطوط لوله کشف کنید. خطوط لوله ML را خودکار کنید، با تأکید بر مدولارسازی کد، و اجرای کارآمد آنها را تمرین کنید. با ارزیابی مدل، کاوش در ردیابی متریک در DVC برای تصمیم‌گیری آگاهانه پایان دهید.

Related Skills

coursera مقدمه ای بر هوش مصنوعی در مرکز داده (Mitalearn-319393)

  • 2 hours 50 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: NVIDIA Training
درباره این دوره:

به مقدمه هوش مصنوعی در دوره مرکز داده خوش آمدید! همانطور که می دانید، هوش مصنوعی یا AI، جامعه را از بسیاری جهات متحول می کند. از تشخیص گفتار گرفته تا بهبود مدیریت زنجیره تامین، فناوری هوش مصنوعی قدرت محاسباتی، ابزارها و الگوریتم‌هایی را در اختیار شرکت‌ها قرار می‌دهد که تیم‌هایشان برای انجام کارهای زندگی خود به آن‌ها نیاز دارند. اما هوش مصنوعی چگونه در مرکز داده کار می کند؟ چه زیرساخت های سخت افزاری و نرم افزاری مورد نیاز است؟ اینها برخی از سوالاتی است که این دوره به شما کمک می کند تا به آنها بپردازید. این دوره مقدمه ای بر مفاهیم و اصطلاحات را پوشش می دهد که به شما کمک می کند سفر به سمت محاسبات هوش مصنوعی و GPU را در مرکز داده آغاز کنید. شما در مورد موارد زیر یاد خواهید گرفت: * موارد استفاده از هوش مصنوعی و هوش مصنوعی، یادگیری ماشین، یادگیری عمیق، و نحوه انجام آموزش و استنتاج در یک گردش کار یادگیری عمیق. * تاریخچه و معماری GPU ها، تفاوت آنها با CPU ها و اینکه چگونه هوش مصنوعی را متحول می کنند. * چارچوب‌های یادگیری عمیق، پشته نرم‌افزار هوش مصنوعی، و ملاحظات در هنگام استقرار بارهای کاری هوش مصنوعی در یک مرکز داده در prem، در ابر، در یک مدل ترکیبی یا در یک محیط چند ابری. * الزامات برای خوشه‌های هوش مصنوعی چند سیستمی، ملاحظات برای برنامه‌ریزی زیرساخت، از جمله سرورها، شبکه‌ها و ذخیره‌سازی و ابزارهایی برای مدیریت، نظارت و هماهنگ‌سازی خوشه‌ها. این دوره بخشی از مواد آماده سازی برای همکار تایید شده NVIDIA - گواهی "AI در مرکز داده" است. این گواهینامه تخصص شما را به سطح بالاتری می برد و از پیشرفت حرفه ای شما پشتیبانی می کند. کی این درس را برمیدارد؟ * متخصصان فناوری اطلاعات * مدیران سیستم و شبکه * DevOps * متخصصان مرکز داده بدون نیاز به تجربه قبلی. این یک دوره مقدماتی برای محاسبات هوش مصنوعی و GPU در مرکز داده است. برای کسب اطلاعات بیشتر در مورد برنامه صدور گواهینامه NVIDIA، به این آدرس مراجعه کنید: https://academy.nvidia.com/en/nvidia-certified-associate-data-center/ پس بیایید شروع کنیم!

coursera مقدمه ای بر هوش مصنوعی و یادگیری ماشین در GC - Español (Mitalearn-318934)

  • 2 hours 52 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

این برنامه، ارائه خدمات هوشمند مصنوعی (IA) و Aprendizaje Automático (AA) در Google Cloud است که می‌تواند اطلاعات مربوط به IA را در گزارش‌های پایه‌های IA، el desarrollo de la IA و راه‌حل‌های IA، پذیرفته باشد. برای ایجاد مدل‌های کانال‌های AA، کاوش در فناوری‌های مختلف، محصولات و محصولات موجود برای ایجاد مدل‌های کانال‌های AA، به‌عنوان برنامه‌های IA ژنراتیو در عملکردهای مختلف، اهداف los usuarios، como de cienterosarios. د IA.

coursera مقدمه ای بر هوش مصنوعی و یادگیری ماشین در GC - 日本語版 (Mitalearn-319036)

  • 2 hours 51 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

هوش مصنوعی このコースでは、予測 AI と生成 AI および機械学習(ML)サービスについて紹介します。AI هوش مصنوعی の基盤、開発 へのライフサイクル全体で利用可能なテクノロジー. 説明するとともに、魅力的な学習体験と実践的なハンズオン演習を通 サイエンティスト、AI 開発者、ML エンジニアの方々がスキルや知識を強化でき るようサポートすることを目指しています.

coursera مقدمه ای بر هوش مصنوعی و یادگیری ماشین در گوگل ابری (Mitalearn-317557)

  • 2 hours 51 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

این دوره، پیشنهادات هوش مصنوعی (AI) و یادگیری ماشین (ML) را در Google Cloud معرفی می کند که از چرخه عمر داده به AI از طریق پایه های AI، توسعه AI و راه حل های AI پشتیبانی می کند. این فن‌آوری‌ها، محصولات و ابزارهای موجود برای ساخت مدل ML، خط لوله ML، و یک پروژه هوش مصنوعی مولد بر اساس اهداف مختلف کاربران، از جمله دانشمندان داده، توسعه‌دهندگان هوش مصنوعی و مهندسان ML را بررسی می‌کند.

coursera مقدمه ای بر یادگیری عمیق (Mitalearn-330749)

  • 6 hours 22 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Geena Kim
درباره این دوره:

یادگیری عمیق تکنیکی است که برای بسیاری از کاربردها، از پردازش زبان طبیعی گرفته تا زیست پزشکی، مورد استفاده قرار می گیرد. یادگیری عمیق می تواند انواع مختلفی از داده ها مانند تصاویر، متون، صدا/صدا، نمودارها و غیره را مدیریت کند. این دوره اصول اولیه DL از جمله نحوه ساخت و آموزش پرسپترون چندلایه، شبکه های عصبی کانولوشن (CNN)، شبکه های عصبی تکراری (RNN)، رمزگذارهای خودکار (AE) و شبکه های متخاصم مولد (GAN) را پوشش می دهد. این دوره شامل چندین پروژه عملی، از جمله تشخیص سرطان با CNN، RNN در توییت‌های بلایا، و تولید تصاویر سگ با GAN است. دانش کدنویسی یا برنامه نویسی قبلی مورد نیاز است. ما در طول دوره به طور گسترده از پایتون استفاده خواهیم کرد. توصیه می کنیم دو دوره قبلی در زمینه تخصصی، مقدمه یادگیری ماشین: یادگیری نظارت شده و الگوریتم های بدون نظارت در یادگیری ماشین را بگذرانید، اما نیازی به آنها نیست. مهارت های ریاضی در سطح دانشگاه، از جمله حساب دیفرانسیل و انتگرال و جبر خطی، مورد نیاز است. برخی از بخش های کلاس نسبتا فشرده ریاضی خواهد بود. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder تصویر لوگوی دوره توسط رایان والاس در Unsplash.

linkedin مقدمه ای بر یادگیری عمیق با OpenCV (Mitalearn-185263)

  • 49 minutes
  • مبتدی
  • Release date: 21 June 2026
  • Author: Jonathan Fernandes
درباره این دوره:

یادگیری عمیق شاخه ای نسبتاً جدید و بسیار محبوب از هوش مصنوعی (AI) است که الگوها و بینش ها را در داده ها، از جمله تصاویر و ویدیوها، پیدا می کند. لایه بندی و انتزاع آن به مدل های یادگیری عمیق توانایی هایی تقریباً شبیه انسان می دهد - از جمله تشخیص تصویر پیشرفته. با استفاده از OpenCV - یک نرم‌افزار بینایی کامپیوتری که به طور گسترده مورد استفاده قرار گرفته است - می‌توانید مدل‌های یادگیری عمیق آموزش‌دیده قبلی را روی سخت‌افزار ارزان‌قیمت اجرا کنید و بینش‌های قدرتمندی را از تصاویر دیجیتال و ویدیو ایجاد کنید. در این دوره آموزشی، استاد جاناتان فرناندز با استفاده از ماژول OpenCV شبکه های عصبی عمیق (dnn) شما را با دنیای یادگیری عمیق از طریق استنتاج آشنا می کند. می توانید یک نمای کلی از مفاهیم و معماری یادگیری عمیق داشته باشید و سپس نحوه مشاهده و بارگذاری تصاویر و ویدیوها را با استفاده از OpenCV و Python کشف کنید. جاناتان همچنین نشان می‌دهد که چگونه می‌توان برای تصاویر و ویدیوها طبقه‌بندی کرد، از حباب‌ها (معادل تانسورها در سایر چارچوب‌ها) استفاده کرد و از YOLOv3 برای تشخیص شی سفارشی استفاده کرد.

coursera مقدمه ای بر یادگیری عمیق و شبکه های عصبی با Keras (Mitalearn-330035)

  • 1 hours 13 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Alex Aklson
درباره این دوره:

به دنبال شروع حرفه ای در یادگیری عمیق هستید؟ دیگر نگاه نکنید. این دوره شما را با زمینه یادگیری عمیق آشنا می کند و به شما کمک می کند به بسیاری از سوالاتی که امروزه مردم می پرسند پاسخ دهید، مانند یادگیری عمیق چیست و مدل های یادگیری عمیق چگونه با شبکه های عصبی مصنوعی مقایسه می شوند؟ شما با مدل های مختلف یادگیری عمیق آشنا خواهید شد و اولین مدل یادگیری عمیق خود را با استفاده از کتابخانه Keras خواهید ساخت. پس از اتمام این دوره، فراگیران قادر خواهند بود: • توضیح دهید که شبکه عصبی چیست، مدل یادگیری عمیق چیست و تفاوت بین آنها چیست. • درکی از مدل های یادگیری عمیق بدون نظارت مانند رمزگذارهای خودکار و ماشین های محدود بولتزمن نشان دهید. • نشان دادن درک درستی از مدل های یادگیری عمیق تحت نظارت مانند شبکه های عصبی کانولوشن و شبکه های تکراری. • با استفاده از کتابخانه Keras، مدل ها و شبکه های یادگیری عمیق بسازید.

linkedin مقدمه ای بر یادگیری ماشین با KNIME (Mitalearn-160222)

  • 1 hours 59 minutes
  • مبتدی
  • Update date: 21 June 2026
  • Author: Keith McCormick
درباره این دوره:

KNIME یک ابزار منبع باز به سبک میز کار برای تجزیه و تحلیل پیش بینی و یادگیری ماشین است. این بسیار سازگار با بسیاری از فناوری های علوم داده، از جمله R، Python، Scala، و Spark است. با KNIME، می‌توانید راه‌حل‌هایی تولید کنید که عملاً مستندسازی شده و آماده استفاده هستند. این دلایل و موارد دیگر KNIME را به یکی از محبوب‌ترین و سریع‌ترین پلتفرم‌های تحلیلی در حال رشد تبدیل کرده است. در این دوره، کیت مک کورمیک متخصص نشان می دهد که چگونه KNIME از تمام مراحل فرآیند استاندارد متقابل صنعت برای داده کاوی (CRISP-DM) در یک پلت فرم پشتیبانی می کند. به سرعت - در 15 دقیقه یا کمتر - شروع به کار کنید یا برای آموزش عمیق‌تر که ادغام و تجمیع، مدل‌سازی و امتیازدهی داده‌ها را پوشش می‌دهد، همراه باشید. به علاوه، نحوه افزایش قدرت KNIME با برنامه های افزودنی و ادغام R و Python را بیاموزید.

coursera مقدمه ای بر یادگیری ماشین جاسازی شده (Mitalearn-332636)

  • 4 hours 19 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Shawn Hymel,Alexander Fred-Ojala
درباره این دوره:

یادگیری ماشینی (ML) به ما این امکان را می‌دهد که به رایانه‌ها آموزش دهیم تا بر اساس داده‌ها پیش‌بینی و تصمیم بگیرند و از تجربیات بیاموزند. در سال‌های اخیر، بهینه‌سازی‌های باورنکردنی برای الگوریتم‌های یادگیری ماشین، چارچوب‌های نرم‌افزاری و سخت‌افزار تعبیه‌شده انجام شده است. به لطف این، اجرای شبکه های عصبی عمیق و سایر الگوریتم های پیچیده یادگیری ماشینی در دستگاه های کم مصرف مانند میکروکنترلرها امکان پذیر است. این دوره به شما یک نمای کلی از نحوه کار یادگیری ماشین، نحوه آموزش شبکه های عصبی و نحوه استقرار آن شبکه ها در میکروکنترلرها را ارائه می دهد که به عنوان یادگیری ماشین جاسازی شده یا TinyML شناخته می شود. برای گذراندن این دوره نیازی به دانش قبلی یادگیری ماشین ندارید. آشنایی با آردوینو و میکروکنترلرها برای درک برخی از موضوعات و همچنین مقابله با پروژه ها توصیه می شود. مقداری ریاضی (خواندن نمودار، حساب، جبر) نیز برای آزمون ها و پروژه ها مورد نیاز است. ما مفاهیم و واژگان لازم برای درک اصول یادگیری ماشین و همچنین ارائه نمایش ها و پروژه هایی را برای ارائه تجربه عملی به شما پوشش خواهیم داد.

coursera مقدمه ای بر یادگیری ماشین در AWS (Mitalearn-319427)

  • 1 hours 27 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Russell Sayers
درباره این دوره:

در این دوره، ما با برخی از خدمات شروع می کنیم که مدل آموزشی و استنتاج خام توسط آمازون برای شما انجام می شود. ما خدماتی را پوشش خواهیم داد که کارهای سنگین بینایی کامپیوتر، استخراج و تجزیه و تحلیل داده ها، پردازش زبان، تشخیص گفتار، ترجمه، آموزش مدل ML و عوامل مجازی را انجام می دهند. شما به راه حل های فعلی خود فکر خواهید کرد و خواهید دید که کجا می توانید این راه حل ها را با استفاده از هوش مصنوعی، ML یا یادگیری عمیق بهبود بخشید. همه این راه حل ها می توانند با برنامه های فعلی شما کار کنند تا در تجربه کاربری یا نیازهای تجاری برنامه شما پیشرفت هایی ایجاد کنند.

coursera مقدمه ای بر یادگیری ماشینی (Mitalearn-332313)

  • 10 hours 24 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Lawrence Carin ,David Carlson,Timothy Dunn
درباره این دوره:

این دوره یک درک اساسی از مدل های یادگیری ماشین (رگرسیون لجستیک، پرسپترون های چندلایه، شبکه های عصبی کانولوشن، پردازش زبان طبیعی و غیره) ارائه می دهد و نشان می دهد که چگونه می توانند مشکلات پیچیده در صنایع مختلف، از تشخیص پزشکی گرفته تا تشخیص تصویر تا پیش بینی متن را حل کنند. از طریق تمرین‌های عملی، این مدل‌های علم داده را بر روی مجموعه داده‌ها پیاده‌سازی خواهید کرد و در الگوریتم‌های یادگیری ماشین با PyTorch که توسط شرکت‌های فناوری پیشرو مانند Google و NVIDIA استفاده می‌شود، مهارت کسب خواهید کرد.

coursera مقدمه ای بر یادگیری ماشینی کاربردی (Mitalearn-333435)

  • 2 hours 26 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Anna Koop
درباره این دوره:

این دوره برای حرفه‌ای‌هایی است که زمزمه‌های یادگیری ماشین را شنیده‌اند و می‌خواهند یادگیری ماشینی را در تجزیه و تحلیل داده‌ها و اتوماسیون به کار ببرند. چه امور مالی، پزشکی، مهندسی، تجارت یا سایر حوزه ها، این دوره شما را با تعریف مشکل و آماده سازی داده ها در پروژه یادگیری ماشینی آشنا می کند. در پایان دوره، شما قادر خواهید بود با استفاده از دو رویکرد، مشکل یادگیری ماشین را به وضوح تعریف کنید. شما یاد خواهید گرفت که منابع داده موجود را بررسی کنید و کاربردهای بالقوه ML را شناسایی کنید. شما یاد خواهید گرفت که یک نیاز تجاری را بپذیرید و آن را به یک برنامه یادگیری ماشینی تبدیل کنید. داده ها را برای برنامه های کاربردی یادگیری ماشینی موثر آماده خواهید کرد. این اولین دوره از تخصص یادگیری ماشین کاربردی است که توسط Coursera و موسسه هوش ماشین آلبرتا برای شما ارائه شده است.

coursera مقدمه ای بر یادگیری ماشینی: یادگیری تحت نظارت (Mitalearn-330851)

  • 5 hours 42 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Geena Kim
درباره این دوره:

در این دوره، شما الگوریتم‌های مختلف نظارت شده ML و وظایف پیش‌بینی اعمال شده روی داده‌های مختلف را یاد خواهید گرفت. شما یاد خواهید گرفت که چه زمانی از کدام مدل و چرا استفاده کنید و چگونه عملکرد مدل را بهبود ببخشید. ما مدل هایی مانند رگرسیون خطی و لجستیک، KNN، درختان تصمیم و روش های ترکیبی مانند جنگل تصادفی و تقویت، روش های هسته مانند SVM را پوشش خواهیم داد. دانش کدنویسی یا برنامه نویسی قبلی مورد نیاز است. ما در طول دوره به طور گسترده از پایتون استفاده خواهیم کرد. در این دوره، شما باید یک پایه محکم در پایتون یا تجربه قبلی کافی در کدنویسی با سایر زبان های برنامه نویسی داشته باشید تا پایتون را سریع انتخاب کنید. ما یاد خواهیم گرفت که چگونه از کتابخانه های علوم داده مانند NumPy، pandas، matplotlib، statsmodels و sklearn استفاده کنیم. این دوره برای برنامه نویسانی طراحی شده است که شروع به کار با آن کتابخانه ها می کنند. تجربه قبلی با آن کتابخانه ها مفید خواهد بود اما ضروری نیست. مهارت های ریاضی در سطح دانشگاه، از جمله حساب دیفرانسیل و انتگرال و جبر خطی، مورد نیاز است. امید ما برای این دوره این است که ریاضی قابل درک باشد اما ترسناک نباشد. 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 مقدمه یادگیری ماشین برای همه (Mitalearn-328301)

  • 1 hours 23 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Aije Egwaikhide,Yasmine Hemmati
درباره این دوره:

این دوره سه ماژول، یادگیری ماشین و علم داده را برای همه کسانی که درک اساسی از مدل‌های یادگیری ماشین دارند، معرفی می‌کند. شما در مورد تاریخچه یادگیری ماشینی، کاربردهای یادگیری ماشینی، چرخه عمر مدل یادگیری ماشینی و ابزارهایی برای یادگیری ماشینی خواهید آموخت. همچنین درباره یادگیری تحت نظارت در مقابل بدون نظارت، طبقه بندی، رگرسیون، ارزیابی مدل های یادگیری ماشین و موارد دیگر خواهید آموخت. آزمایشگاه‌های ما تجربه عملی با این مفاهیم یادگیری ماشینی و علم داده را به شما می‌دهند. شما مهارت های یادگیری ماشینی مشخص را توسعه خواهید داد و همچنین یک پروژه نهایی ایجاد خواهید کرد که مهارت شما را نشان می دهد. پس از تکمیل این برنامه، می‌توانید پتانسیل الگوریتم‌های یادگیری ماشین و هوش مصنوعی را در سناریوهای مختلف کسب‌وکار درک کنید. شما می توانید تشخیص دهید که چه زمانی از یادگیری ماشینی برای توضیح برخی رفتارها استفاده کنید و چه زمانی از آن برای پیش بینی نتایج آینده استفاده کنید. همچنین یاد خواهید گرفت که چگونه مدل‌های یادگیری ماشینی خود را ارزیابی کنید و بهترین روش‌ها را به کار ببرید. این دوره بخشی از برنامه های متعدد است همچنین می‌توانید از یادگیری این برنامه برای تکمیل دو دوره باقی‌مانده از گواهینامه حرفه‌ای یادگیری ماشینی IBM استفاده کنید و شغل جدیدی را در زمینه یادگیری ماشین ایجاد کنید.

coursera مهره ها و پیچ ها در یادگیری ماشینی (Mitalearn-336053)

  • 3 hours 40 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Google Career Certificates
درباره این دوره:

این ششمین دوره از هفت دوره در گواهی تحلیل داده های پیشرفته گوگل است. در این دوره آموزشی، با یادگیری ماشینی آشنا می شوید که از الگوریتم ها و آمار برای آموزش سیستم های کامپیوتری برای کشف الگوها در داده ها استفاده می کند. متخصصان داده از یادگیری ماشینی برای کمک به تجزیه و تحلیل حجم زیادی از داده ها، حل مسائل پیچیده و پیش بینی های دقیق استفاده می کنند. شما روی دو نوع اصلی یادگیری ماشین تمرکز خواهید کرد: نظارت شده و بدون نظارت. شما یاد خواهید گرفت که چگونه مدل های مختلف یادگیری ماشین را برای مشکلات تجاری اعمال کنید و با مدل های خاصی مانند Naive Bayes، درخت تصمیم، جنگل تصادفی و غیره آشنا می شوید. کارمندان Google که در حال حاضر در این زمینه کار می‌کنند، با ارائه فعالیت‌های عملی که وظایف مرتبط را شبیه‌سازی می‌کنند، به اشتراک گذاشتن نمونه‌هایی از کارهای روزانه‌شان، و کمک به شما در تقویت مهارت‌های تجزیه و تحلیل داده‌ها برای آماده شدن برای حرفه‌تان، شما را در این دوره راهنمایی می‌کنند. فراگیرانی که هفت دوره در این برنامه را تکمیل می کنند، مهارت های مورد نیاز برای درخواست برای مشاغل علوم داده و تجزیه و تحلیل داده های پیشرفته را خواهند داشت. این گواهی مستلزم آگاهی قبلی از اصول، مهارت‌ها و ابزارهای تحلیلی پایه است که در گواهی تجزیه و تحلیل داده‌های Google پوشش داده شده است. در پایان این دوره، شما: -استفاده از تکنیک های مهندسی ویژگی با استفاده از پایتون -یک مدل Naive Bayes بسازید -توضیح دهید که چگونه یادگیری بدون نظارت با یادگیری تحت نظارت متفاوت است - کد یک الگوریتم K-means در پایتون -ارزیابی و بهینه سازی نتایج مدل K-means مدل‌های درخت تصمیم، نحوه عملکرد و مزایای آن‌ها را نسبت به سایر انواع یادگیری ماشینی تحت نظارت کاوش کنید - مشخص کردن کیسه در یادگیری ماشین، به ویژه برای مدل‌های تصادفی جنگل تشخیص تقویت در یادگیری ماشین، به ویژه برای مدل های XGBoost - پارامترهای مدل تنظیم و چگونگی تأثیر آنها بر عملکرد و معیارهای ارزیابی را توضیح دهید

Suggestions