Course catalog

Course duration

Course provider

Topic

Categories

Showing 281-300 of 409 items.

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

coursera مهندسی داده با Rust (Mitalearn-332806)

  • 7 hours 36 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Noah Gift,Alfredo Deza
درباره این دوره:

آیا شما یک مهندس داده، توسعه‌دهنده نرم‌افزار یا یک علاقه‌مند به فناوری با درک اولیه از Rust هستید و به دنبال افزایش مهارت‌های خود و غواصی عمیق در قلمرو مهندسی داده با Rust هستید؟ یا آیا شما یک حرفه ای از یک پیشینه زبان برنامه نویسی دیگر هستید و قصد دارید ویژگی های کارایی، ایمنی و همزمانی Rust را برای کارهای مهندسی داده کشف کنید؟ اگر چنین است، این دوره برای شما طراحی شده است. در حالی که انتظار می رود دانش بنیادی Rust داشته باشید، شما باید به طور ایده آل با اصول ساختار داده ها و الگوریتم ها راحت باشید و درک درستی از پایگاه های داده و پردازش داده داشته باشید. آشنایی با SQL، خط فرمان و کنترل نسخه با git مزیت دارد. این دوره چهار هفته ای بر استفاده از Rust برای ایجاد سیستم های پردازش داده کارآمد، ایمن و همزمان تمرکز دارد. سفر با غواصی عمیق در ساختارهای داده و مجموعه‌های Rust آغاز می‌شود و به دنبال آن ویژگی‌های ایمنی و امنیتی Rust در زمینه مهندسی داده بررسی می‌شود. در هفته بعد، کتابخانه ها و ابزارهای خاص مهندسی داده مانند Diesel، async، Polars، و Apache Arrow را کاوش خواهید کرد و یاد خواهید گرفت که با سیستم های پردازش داده، REST، پروتکل های gRPC و AWS SDK برای عملیات داده مبتنی بر ابر ارتباط برقرار کنید. . هفته آخر بر روی طراحی و پیاده سازی سیستم های پردازش داده کامل با استفاده از Rust تمرکز دارد. در پایان این دوره، شما به خوبی برای استفاده از Rust برای انجام وظایف مهندسی داده در مقیاس بزرگ، حل مشکلات دنیای واقعی با کارایی و سرعت مجهز خواهید شد. آزمایشگاه‌ها و پروژه‌های عملی در طول این دوره به شما اطمینان می‌دهند که تجربه عملی به دست آورید و دانش خود را عملی کنید. این دوره دروازه شما برای تسلط بر مهندسی داده با Rust است و شما را برای سطح بعدی در سفر مهندسی داده خود آماده می کند.

coursera مهندسی داده در AWS (Mitalearn-329287)

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

مهندسی داده در AWS اولین دوره در تخصص AWS Certified Machine Learning تخصص است. این دوره به زبان آموزان کمک می کند تا تکنیک های مختلف جمع آوری داده ها را تجزیه و تحلیل کنند. آنها همچنین بینشی برای رسیدگی به داده های از دست رفته به دست خواهند آورد. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره آموزشی با سخنرانی‌های ویدیویی حدوداً 2:30 تا 3:00 ساعت که هم تئوری و هم دانش عملی را ارائه می‌کند، به زبان‌آموزان 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: مقدمه ای بر مهندسی داده ماژول 2: استخراج ویژگی و انتخاب ویژگی نامزد باید حداقل دو سال تجربه عملی در معماری و اجرای بارهای کاری ML در AWS Cloud داشته باشد. فرد باید دانش اولیه الگوریتم های ML را داشته باشد. در پایان این دوره، زبان آموز قادر خواهد بود: - تکنیک های مختلف جمع آوری داده ها را درک کنید - تجزیه و تحلیل تکنیک های مدیریت داده های از دست رفته - پیاده سازی استخراج ویژگی و انتخاب ویژگی با تجزیه و تحلیل مؤلفه اصلی و واریانس آستانه ها

coursera مهندسی سریع برای ChatGPT (Mitalearn-326295)

  • 5 hours 54 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Dr. Jules White
درباره این دوره:

ChatGPT و سایر مدل های زبان بزرگ در زندگی و تجارت شما مهمتر از گوشی هوشمند شما خواهند بود، اگر درست از آنها استفاده کنید. ChatGPT می تواند به کودک شما در ریاضیات آموزش دهد، برنامه غذایی و دستور العمل تهیه کند، برنامه های نرم افزاری برای کسب و کار شما بنویسد، به شما کمک کند امنیت سایبری شخصی خود را بهبود ببخشید، و این درست در اولین ساعتی است که از آن استفاده می کنید. این دوره به شما یاد می دهد که چگونه یک کاربر متخصص از این ابزارهای مولد هوش مصنوعی باشید. این دوره نمونه های شگفت انگیزی را نشان می دهد که چگونه می توانید از هوش و استدلال اضطراری این ابزارهای هوش مصنوعی بهره ببرید، چگونه می توانید از آنها برای بهره وری روز به روز استفاده کنید و به شما بینشی در مورد نحوه کار آنها می دهد. مدل‌های زبان بزرگ به دستورالعمل‌ها و سؤالات مطرح شده توسط کاربران در عبارات زبان طبیعی پاسخ می‌دهند که به «اعلان‌ها» معروف هستند. اگرچه مدل‌های بزرگ زبان بسیاری از زمینه‌ها را مختل می‌کنند، اکثر کاربران مهارت‌های لازم برای نوشتن پیام‌های مؤثر را ندارند. کاربران خبره، که نحوه نوشتن اعلان‌های خوب را می‌دانند، در مرتبه‌ای مولدتر هستند و می‌توانند کاربردهای خلاقانه‌تری را برای این ابزارها باز کنند. این دوره دانش آموزان را با الگوها و رویکردهای نوشتن دستورهای موثر برای مدل های زبان بزرگ آشنا می کند. هر کسی می‌تواند این دوره را بگذراند و تنها دانش مورد نیاز، مهارت‌های اولیه استفاده از رایانه، مانند استفاده از مرورگر و دسترسی به ChatGPT است. دانش‌آموزان با اعلان‌های اولیه شروع می‌کنند و به سمت نوشتن اعلان‌های پیچیده برای حل مشکلات در هر حوزه می‌روند. در پایان دوره، دانش‌آموزان مهارت‌های مهندسی سریع و قوی خواهند داشت و می‌توانند از مدل‌های زبانی بزرگ برای طیف وسیعی از وظایف در شغل، تجارت، زندگی شخصی و تحصیلات خود مانند نوشتن، خلاصه‌نویسی، بازی، برنامه‌ریزی استفاده کنند. ، شبیه سازی و برنامه نویسی

datacamp مهندسی ویژگی برای NLP در پایتون (Mitalearn-401248)

  • 1 hours
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Rounak Banik
درباره این دوره:

در این دوره، تکنیک هایی را یاد می گیرید که به شما امکان می دهد اطلاعات مفیدی را از متن استخراج کنید و آنها را در قالبی مناسب برای استفاده از مدل های ML پردازش کنید. به طور خاص، شما در مورد برچسب گذاری POS، شناسایی موجودیت نام، امتیازات خوانایی، مدل های n-gram و tf-idf و نحوه پیاده سازی آنها با استفاده از scikit-learn و spaCy خواهید آموخت. شما همچنین یاد خواهید گرفت که محاسبه کنید دو سند چقدر شبیه به یکدیگر هستند. در این فرآیند، احساسات نقدهای فیلم را پیش‌بینی می‌کنید و توصیه‌کنندگان فیلم و تد تاک را می‌سازید. پس از این دوره، می‌توانید ویژگی‌های حیاتی را از هر متنی مهندسی کنید و برخی از چالش‌برانگیزترین مشکلات در علم داده را حل کنید!

datacamp مهندسی ویژگی برای یادگیری ماشین در پایتون (Mitalearn-401180)

  • 56 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Robert O'Callaghan
درباره این دوره:

هر روز در مورد پیشرفت های شگفت انگیزی که چگونه جدیدترین برنامه های کاربردی یادگیری ماشینی در حال تغییر جهان هستند، می خوانید. اغلب این گزارش این واقعیت را پنهان می‌کند که حجم عظیمی از داده‌ها و مهندسی ویژگی‌ها باید قبل از استفاده از هر یک از این مدل‌های فانتزی انجام شود. در این دوره یاد خواهید گرفت که چگونه این کار را انجام دهید. شما با نظرسنجی Stack Overflow Developers و سخنرانی‌های تاریخی مراسم تحلیف ریاست‌جمهوری ایالات متحده کار خواهید کرد تا بفهمید چگونه می‌توانید ویژگی‌ها را از داده‌های طبقه‌بندی، پیوسته و بدون ساختار به بهترین شکل پیش پردازش و مهندسی کنید. این دوره به شما تجربه عملی در مورد نحوه آماده سازی هر داده ای برای مدل های یادگیری ماشین خود می دهد.

datacamp مهندسی ویژگی در R (Mitalearn-405821)

  • 47 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Jorge Zazueta
درباره این دوره:

در این دوره، با مهندسی ویژگی‌ها آشنا می‌شوید، که در قلب بسیاری از مدل‌های یادگیری ماشین قرار دارد. از آنجایی که عملکرد هر مدلی نتیجه مستقیم ویژگی هایی است که تغذیه می شود، مهندسی ویژگی دانش دامنه را در مرکز فرآیند قرار می دهد. شما با اصول مهندسی ویژگی صدا آشنا خواهید شد که به کاهش تعداد متغیرها در صورت امکان کمک می‌کند، الگوریتم‌های یادگیری را سریع‌تر اجرا می‌کند، تفسیرپذیری را بهبود می‌بخشد و از برازش بیش از حد جلوگیری می‌کند.

می‌آموزید که چگونه تکنیک‌های مهندسی ویژگی را با استفاده از چارچوب R tidymodels پیاده‌سازی کنید، با تأکید بر بسته دستوری که به شما امکان می‌دهد بهترین ویژگی‌ها را برای مدل خود ایجاد، استخراج، تبدیل و انتخاب کنید.

وقتی با یک مجموعه داده جدید مواجه می‌شوید، می‌توانید ویژگی‌های مرتبط را شناسایی و انتخاب کنید و از موارد غیر آموزنده صرف نظر کنید تا مدل خود را سریع‌تر بدون کاهش دقت اجرا کنید. همچنین با اعمال تغییرات و ایجاد ویژگی‌های جدید برای کارآمدتر، قابل تفسیر و دقیق‌تر کردن مدل‌های خود راحت خواهید بود!

Related Skills

coursera میز کار یونیکس (Mitalearn-327162)

  • 2 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Sean Kross,Jeff Leek, PhD,Brian Caffo, PhD
درباره این دوره:

یونیکس پایه‌ای را تشکیل می‌دهد که اغلب برای دستیابی به اهداف دیگری که ممکن است برای خود و رایانه‌تان داشته باشید، بسیار مفید است، خواه این هدف راه اندازی یک تجارت، نوشتن کتاب، درمان بیماری یا ایجاد برنامه عالی بعدی باشد. ابزار دستیابی به این اهداف گاهی با نوشتن نرم افزار انجام می شود. نرم‌افزار را نمی‌توان از زمین استخراج کرد، و همچنین نمی‌توان بذرهای نرم‌افزار را در بهار برای برداشت تا پاییز کاشت. نرم افزار در کارخانه ها در خط مونتاژ تولید نمی شود. نرم افزار یک کالای دست ساز و اغلب سفارشی است. اگر یک توسعه دهنده نرم افزار یک صنعتگر باشد، یونیکس میز کار آنها است. یونیکس مجموعه ای ضروری و ساده از ابزارها را در محیطی بدون حواس پرتی فراهم می کند. حتی اگر توسعه‌دهنده نرم‌افزار نیستید، یادگیری یونیکس می‌تواند روش‌های جدید تفکر و راه‌های جدید برای مقیاس‌بندی ایده‌هایتان را در اختیار شما قرار دهد. این دوره برای افرادی در نظر گرفته شده است که تازه برنامه نویسی می کنند و با سیستم عامل های مشابه یونیکس مانند macOS و توزیع های لینوکس مانند اوبونتو جدید هستند. بیشتر فناوری های مورد بحث در این دوره از طریق یک رابط خط فرمان قابل دسترسی خواهند بود. رابط‌های خط فرمان در ابتدا می‌توانند بیگانه به نظر برسند، بنابراین این دوره سعی می‌کند بین استفاده از خط فرمان و اقداماتی که معمولاً هنگام استفاده از ماوس و صفحه‌کلید انجام می‌دهید، تشابهاتی را ترسیم کند. همچنین یاد خواهید گرفت که چگونه قطعات کوچکی از نرم افزار را در زبان برنامه نویسی به نام Bash بنویسید، که به شما امکان می دهد ابزارهایی را که در مورد آن صحبت خواهیم کرد به هم متصل کنید. امید من این است که در پایان این دوره بتوانید از ابزارهای مختلف یونیکس طوری استفاده کنید که گویی در حال اتصال آجرهای لگو هستند.

coursera نجوم داده محور (Mitalearn-351387)

  • 3 hours 31 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Tara Murphy,Simon Murphy
درباره این دوره:

علم دستخوش انفجار داده است و نجوم پیشرو است. تلسکوپ‌های مدرن در هر رصد، ترابایت داده تولید می‌کنند و شبیه‌سازی‌های مورد نیاز برای مدل‌سازی جهان قابل مشاهده ما، ابررایانه‌ها را به حد خود می‌رساند. برای تجزیه و تحلیل این داده ها، دانشمندان باید بتوانند به صورت محاسباتی برای حل مسائل فکر کنند. در این دوره شما چالش های کار با مجموعه داده های بزرگ را بررسی خواهید کرد: نحوه پیاده سازی الگوریتم هایی که کار می کنند. چگونه از پایگاه های داده برای مدیریت داده های خود استفاده کنید. و چگونه از داده های خود با ابزارهای یادگیری ماشین یاد بگیرید. تمرکز بر مهارت های عملی است - تمام فعالیت ها در پایتون 3، یک زبان برنامه نویسی مدرن که در سراسر نجوم استفاده می شود، انجام می شود. صرف نظر از اینکه قبلاً یک دانشمند هستید، در حال مطالعه برای تبدیل شدن به یک دانشمند هستید یا فقط علاقه مند به نحوه عملکرد نجوم مدرن "زیر سرپوش" هستید، این دوره به شما کمک می کند تا نجوم را کشف کنید: از سیارات، تپ اخترها تا سیاهچاله ها. خلاصه دوره: هفته 1: فکر کردن به داده ها - اصول تفکر محاسباتی - کشف تپ اخترها در تصاویر رادیویی هفته دوم: کلان داده کارها را کند می کند - نحوه تعیین پیچیدگی زمانی الگوریتم ها - کاوش سیاهچاله ها در مراکز کهکشان های عظیم هفته 3: پرس و جو داده ها با استفاده از SQL - نحوه استفاده از پایگاه های داده برای تجزیه و تحلیل داده های خود - بررسی سیارات فراخورشیدی در سایر منظومه های خورشیدی هفته 4: مدیریت داده های خود - نحوه راه اندازی پایگاه داده برای مدیریت داده های خود - کاوش چرخه زندگی ستارگان در کهکشان ما هفته پنجم: یادگیری از داده ها: رگرسیون - استفاده از ابزارهای یادگیری ماشین برای بررسی داده های شما - محاسبه انتقال به سرخ کهکشان های دور هفته 6: یادگیری از داده ها: طبقه بندی - استفاده از ابزارهای یادگیری ماشین برای طبقه بندی داده های خود - بررسی انواع کهکشان ها هر هفته همچنین با یک کارشناس نجوم مبتنی بر داده مصاحبه می شود. توجه داشته باشید که برخی از دانش پایتون از جمله متغیرها، ساختارهای کنترلی، ساختارهای داده، توابع و کار با فایل ها فرض شده است.

Suggestions