Course catalog

Course duration

Course provider

Topic

Categories

Showing 321-340 of 587 items.

coursera رگرسیون خطی و مدل سازی (Mitalearn-328539)

  • 2 hours 10 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Mine Çetinkaya-Rundel
درباره این دوره:

این دوره به معرفی مدل های رگرسیون خطی ساده و چندگانه می پردازد. این مدل‌ها به شما امکان می‌دهند تا رابطه بین متغیرها در یک مجموعه داده و یک متغیر پاسخ پیوسته را ارزیابی کنید. آیا بین جذابیت فیزیکی استاد و نمرات ارزشیابی دانشجو رابطه وجود دارد؟ آیا می توانیم نمره آزمون کودک را بر اساس ویژگی های خاصی از مادرش پیش بینی کنیم؟ در این دوره، با استفاده از نرم افزار آماری رایگان R و RStudio، تئوری اساسی پشت رگرسیون خطی را می آموزید و از طریق مثال های داده، برازش، بررسی و استفاده از مدل های رگرسیون برای بررسی روابط بین متغیرهای متعدد را یاد می گیرید.

coursera رگرسیون و طبقه بندی (Mitalearn-331327)

  • 3 hours 49 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: James Bird
درباره این دوره:

مقدمه ای بر یادگیری آماری مفاهیمی را در مدل سازی آماری بررسی می کند، مانند زمان استفاده از مدل های خاص، نحوه تنظیم آن مدل ها، و اینکه آیا گزینه های دیگر معاوضه های خاصی را ارائه می دهند. ما رگرسیون، طبقه‌بندی، درختان، نمونه‌برداری مجدد، تکنیک‌های بدون نظارت و موارد دیگر را پوشش خواهیم داد! 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.

linkedin روانی داده: کاوش و توصیف داده ها (Mitalearn-272745)

  • 5 hours 14 minutes
  • مناسب همه
  • Update date: 16 February 2024
  • Author: Barton Poulson
درباره این دوره: 

 تجزیه و تحلیل داده ها فقط برای متخصصانی نیست که نیاز به درک مجموعه داده های عظیم دارند. تصمیم گیرندگان در هر صنعتی می توانند از درک اساسی اهداف و مفاهیم تحلیل داده های کاربردی بهره مند شوند. در این دوره، بارتون پولسون بر اصول روانی داده ها یا توانایی کار با داده ها برای استخراج بینش و تعیین مراحل بعدی شما تمرکز می کند. بارتون نشان می دهد که چگونه کاوش داده ها با نمودارها و توصیف داده ها با آمار می تواند به شما در رسیدن به اهداف و تصمیم گیری بهتر کمک کند. او به جای تمرکز بر ابزارهای خاص، روی روش های کلی تمرکز می کند که می تواند به شما در حل مشکلات خاص کمک کند. بارتون نحوه تهیه و تطبیق داده ها، کاوش بصری آنها و استفاده از روش های آماری برای توصیف آنها را پوشش می دهد. او به عمق احتمالات و تداخل می پردازد و همچنین به اخلاق داده ها و هوش مصنوعی قابل توضیح اشاره می کند.

Related Skills

coursera روش شناسی DataOps (Mitalearn-326533)

  • 3 hours 2 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Elaine Hanley
درباره این دوره:

DataOps توسط گارتنر اینگونه تعریف شده است: "یک رویه مدیریت داده مشارکتی متمرکز بر بهبود ارتباطات، یکپارچه سازی و اتوماسیون جریان داده بین مدیران داده و مصرف کنندگان در سراسر یک سازمان. درست مانند DevOps، DataOps یک جزم نیست، بلکه یک عمل مبتنی بر اصول است. تأثیرگذاری بر نحوه ارائه و به روز رسانی داده ها برای پاسخگویی به نیاز مصرف کنندگان داده های سازمان. متدولوژی DataOps به گونه ای طراحی شده است که سازمان را قادر می سازد از یک فرآیند تکرارپذیر برای ساخت و استقرار تجزیه و تحلیل و خطوط لوله داده استفاده کند. با پیروی از شیوه های مدیریت داده و مدیریت مدل، آنها می توانند داده های سازمانی با کیفیت بالا را برای فعال کردن هوش مصنوعی ارائه دهند. اجرای موفقیت‌آمیز این روش به سازمان اجازه می‌دهد تا اطلاعات را بشناسد، اعتماد کند و از آن برای ایجاد ارزش استفاده کند. در دوره آموزشی DataOps Methodology با بهترین شیوه ها برای تعریف یک چارچوب قابل تکرار و کسب و کار محور برای ارائه داده های قابل اعتماد آشنا خواهید شد. این دوره بخشی از تخصص مهندسی داده است که مهارت های اساسی مورد نیاز برای مهندس داده بودن را در اختیار زبان آموزان قرار می دهد.

coursera روش شناسی علم داده (Mitalearn-327978)

  • 1 hours 1 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Alex Aklson,Polong Lin
درباره این دوره:

اگر راه میانبری برای تبدیل شدن به یک دانشمند داده وجود دارد، پس یادگیری تفکر و کار مانند یک دانشمند داده موفق همین است. در این دوره، شما این روش را یاد می گیرید و سپس از آن استفاده می کنید که می توانید برای مقابله با هر سناریو علم داده استفاده کنید. شما دو روش قابل توجه علم داده، روش شناسی علوم داده بنیادی، و روش علم داده شش مرحله ای CRISP-DM را بررسی خواهید کرد و نحوه به کارگیری این متدولوژی های علم داده را خواهید آموخت. بسیاری از دانشمندان داده‌های معتبر از این روش‌ها یا روش‌های مشابه برای حل مسائل علم داده پیروی می‌کنند. با یادگیری در مورد شکل‌گیری مشکل تجاری/تحقیق شروع کنید. بیاموزید که دانشمندان داده چگونه داده‌ها را بدست می‌آورند، آماده می‌کنند و تجزیه و تحلیل می‌کنند. کشف کنید که چگونه به کارگیری روش‌های روش‌شناسی علم داده کمک می‌کند تا اطمینان حاصل شود که داده‌های مورد استفاده برای حل مسئله مرتبط هستند و به درستی دستکاری شده‌اند تا به سؤال پاسخ دهند. در مرحله بعد، در مورد ساخت مدل داده، استقرار آن مدل، داستان سرایی داده ها و دریافت بازخورد بیاموزید. شما مانند یک دانشمند داده فکر می کنید و مهارت های روش علم داده خود را با استفاده از یک سناریوی الهام گرفته شده از دنیای واقعی از طریق آزمایشگاه های مترقی که در نوت بوک های Jupyter میزبانی می شوند و با استفاده از آنها توسعه می دهید. پایتون.

coursera روش های جدید کار در دنیای هوش مصنوعی (Mitalearn-330885)

  • متوسط
  • Release date: 27 June 2026
  • Author: Michael A M Davies
درباره این دوره:

در حالی که سایر برنامه ها حول فناوری های هوش مصنوعی سازماندهی شده اند، این برنامه بر ایجاد ارزش در کسب و کار شما متمرکز است. در طول دو مرحله این برنامه، درک کاملی از ویژگی‌های فناوری به‌دست خواهید آورد و سپس برای شفاف‌سازی چالش کسب‌وکار و منبع داده‌تان تلاش می‌کنید، بنابراین می‌توانید فناوری‌های هوش مصنوعی مناسب را برای اتصال این دو انتخاب کنید.

coursera روش های داده کاوی (Mitalearn-333214)

  • 8 hours 14 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Qin (Christine) Lv
درباره این دوره:

این دوره تکنیک های اصلی مورد استفاده در داده کاوی، از جمله تجزیه و تحلیل الگوی مکرر، طبقه بندی، خوشه بندی، تجزیه و تحلیل پرت، و همچنین استخراج داده های پیچیده و مرزهای تحقیقاتی در زمینه داده کاوی را پوشش می دهد. 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 Lachlan Cormie، در اینجا در Unsplash موجود است: https://unsplash.com/photos/jbJp18srifE

coursera روش های یادگیری عمیق برای مراقبت های بهداشتی (Mitalearn-336682)

  • 3 hours
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Jimeng Sun
درباره این دوره:

این دوره روش های یادگیری عمیق (DL)، داده های مراقبت های بهداشتی و برنامه های کاربردی با استفاده از روش های DL را پوشش می دهد. این دوره ها شامل فعالیت هایی مانند سخنرانی های ویدئویی، آزمایشگاه های برنامه نویسی خود هدایت شونده، تکالیف درسی (چه کتبی و چه برنامه نویسی) و یک پروژه بزرگ است. مرحله اول این دوره شامل سخنرانی های ویدئویی در مورد موضوعات مختلف DL و برنامه های کاربردی سلامت، آزمایشگاه های خود هدایت شونده و تکالیف متعدد در منزل خواهد بود. در این مرحله، دانش و تجربه خود را در توسعه مدل های یادگیری عمیق عملی بر روی داده های مراقبت های بهداشتی ایجاد خواهید کرد. مرحله دوم این دوره یک پروژه بزرگ خواهد بود که می تواند منجر به گزارش فنی و نسخه ی نمایشی عملکرد مدل های یادگیری عمیق برای رسیدگی به برخی از مشکلات خاص مراقبت های بهداشتی شود. ما انتظار داریم که بهترین پروژه ها به طور بالقوه به انتشارات علمی منجر شوند.

coursera روش های یادگیری عمیق پیشرفته برای مراقبت های بهداشتی (Mitalearn-336716)

  • 3 hours 28 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Jimeng Sun
درباره این دوره:

این دوره روش های یادگیری عمیق (DL)، داده های مراقبت های بهداشتی و برنامه های کاربردی با استفاده از روش های DL را پوشش می دهد. این دوره ها شامل فعالیت هایی مانند سخنرانی های ویدئویی، آزمایشگاه های برنامه نویسی خود هدایت شونده، تکالیف درسی (چه کتبی و چه برنامه نویسی) و یک پروژه بزرگ است. مرحله اول این دوره شامل سخنرانی های ویدئویی در مورد موضوعات مختلف DL و برنامه های کاربردی سلامت، آزمایشگاه های خود هدایت شونده و تکالیف متعدد در منزل خواهد بود. در این مرحله، دانش و تجربه خود را در توسعه مدل های یادگیری عمیق عملی بر روی داده های مراقبت های بهداشتی ایجاد خواهید کرد. مرحله دوم این دوره یک پروژه بزرگ خواهد بود که می تواند منجر به گزارش فنی و نسخه ی نمایشی عملکرد مدل های یادگیری عمیق برای رسیدگی به برخی از مشکلات خاص مراقبت های بهداشتی شود. ما انتظار داریم که بهترین پروژه ها به طور بالقوه به انتشارات علمی منجر شوند.

coursera روش های یادگیری مبتنی بر نمونه (Mitalearn-330205)

  • 3 hours 1 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Martha White,Adam White
درباره این دوره:

در این دوره، با چندین الگوریتم آشنا خواهید شد که می توانند سیاست های نزدیک به بهینه را بر اساس تعامل آزمون و خطا با محیط بیاموزند --- یادگیری از تجربه خود عامل. یادگیری از تجربه واقعی قابل توجه است زیرا نیازی به دانش قبلی در مورد پویایی محیط ندارد، اما هنوز می تواند به رفتار مطلوب دست یابد. ما روش های مونت کارلو ساده اما قدرتمند و روش های یادگیری تفاوت زمانی از جمله یادگیری Q را پوشش خواهیم داد. ما این دوره را با بررسی اینکه چگونه می‌توانیم بهترین‌ها را از هر دو دنیا بدست آوریم، به پایان می‌رسانیم: الگوریتم‌هایی که می‌توانند برنامه‌ریزی مبتنی بر مدل (مشابه برنامه‌نویسی پویا) و به‌روزرسانی‌های تفاوت زمانی را برای تسریع اساسی یادگیری ترکیب کنند. در پایان این دوره شما قادر خواهید بود: - یادگیری تفاوت زمانی و مونت کارلو را به عنوان دو استراتژی برای تخمین توابع ارزش از تجربه نمونه برداری شده درک کنید. - درک اهمیت اکتشاف، هنگام استفاده از تجربه نمونه برداری شده به جای برنامه نویسی پویا در یک مدل - ارتباط بین Monte Carlo و Dynamic Programming و TD را درک کنید. - پیاده سازی و اعمال الگوریتم TD، برای تخمین توابع مقدار - پیاده سازی و اعمال Expected Sarsa و Q-Learning (دو روش TD برای کنترل) - تفاوت بین کنترل در سیاست و خارج از سیاست را درک کنید - درک برنامه ریزی با تجربه شبیه سازی شده (بر خلاف استراتژی های برنامه ریزی کلاسیک) - یک رویکرد مبتنی بر مدل برای RL به نام Dyna پیاده سازی کنید که از تجربه شبیه سازی شده استفاده می کند - یک مطالعه تجربی برای مشاهده بهبود کارایی نمونه در هنگام استفاده از Dyna انجام دهید

linkedin روش‌های علم داده: ایجاد حس کسب‌وکار (Mitalearn-209930)

  • 1 hours 50 minutes
  • مناسب همه
  • Update date: 21 June 2026
  • Author: Neelam Dwivedi
درباره این دوره:

درک روزافزونی وجود دارد که علم داده باید فراتر از آزمایش در مقیاس کوچک به یک پیاده سازی در مقیاس بزرگ برود. در این دوره، Neelam Dwivedi روش‌های مهندسی نرم‌افزار و داده‌کاوی را برای دانشمندان داده ارائه می‌کند، سپس این ایده‌ها را با در نظر گرفتن یک نیاز ساده کسب‌وکار در طول یک چرخه زندگی به کار می‌گیرد - میزبانی یک مدل، مصرف آن در یک برنامه وب و راه‌اندازی CI/ خط لوله سی دی. Neelam با توضیح روش های مورد استفاده در دوره و نحوه ترکیب آنها شروع می کند. او به شما نشان می دهد که در توسعه معماری و استقرار یک مدل از کجا شروع کنید، سپس توضیح می دهد که چگونه برنامه های کاربردی وب بزرگتر ممکن است مدل را به عنوان یک سرویس مصرف کنند. Neelam نحوه مرحله بندی مدل و برنامه خود و همچنین نحوه برنامه ریزی پیش رو با یک نقشه راه کلی را پوشش می دهد. او با افکاری در مورد چگونگی کاربردهای بیشتر روش‌شناسی علم داده به پایان می‌رسد.

coursera روشهای علوم اجتماعی محاسباتی (Mitalearn-328828)

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

این دوره به شما یک نمای کلی از فرصت های فعلی و دسترسی همه جانبه علوم اجتماعی محاسباتی را ارائه می دهد. نتایج همه روزه در اطراف ما هستند، از خدمات ارائه شده توسط با ارزش ترین شرکت های جهان، از نفوذ پنهان سازمان های دولتی، تا قدرت جنبش های اجتماعی و سیاسی. همه آنها رفتار انسان را برای شکل دادن به آن مطالعه می کنند. به طور خلاصه، همه آنها علوم اجتماعی را با ابزار محاسباتی انجام می دهند. در این دوره به سه سوال پاسخ می دهیم: I. چرا علوم اجتماعی محاسباتی (CSS) در حال حاضر؟ II. CSS چه چیزی را پوشش می دهد؟ III. نمونه هایی از CSS چیست؟ در این بخش آخر، ما به چهار کاربرد اصلی CSS نگاهی می اندازیم. ابتدا، پروفسور Blumenstock از UC Berkeley بحث می‌کند که چگونه می‌توانیم با مطالعه ردپای عظیم دیجیتالی که از تعاملات اجتماعی امروزی به جا مانده، به‌ویژه برای تقویت توسعه بین‌المللی، بینش‌هایی به دست آوریم. دوم، پروفسور شلتون از UC Riverside ما را با دنیای یادگیری ماشینی آشنا می‌کند، از جمله مفاهیم اساسی پشت این محرک فعلی بسیاری از چشم‌انداز محاسباتی امروزی. پروفسور فاولر از UC San Diego ما را با قدرت شبکه های اجتماعی آشنا می کند و در نهایت پروفسور Smaldino از UC Merced توضیح می دهد که چگونه شبیه سازی کامپیوتری به ما کمک می کند تا برخی از رازهای ظهور اجتماعی را بگشاییم.

coursera رویکرد ساختاری به حل مسئله (Mitalearn-329321)

  • 3 hours 10 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Fractal Analytics ,Ajoy Singh
درباره این دوره:

این دوره یک دوره مقدماتی است که شما را با مفاهیم و ابزارهای تفکر مسئله ای مجهز می کند. در پایان این دوره، شما قادر خواهید بود: 1. مراحل مختلف یک پروژه علم داده را توضیح دهید 2. درباره برخی از ابزارها و تکنیک های مورد استفاده در علم داده بحث کنید. 3. از تفکر ساختاریافته برای حل مشکلات استفاده کنید و در حین انجام این کار از تله های رایج اجتناب کنید 4. از طراحی انسان محور در حل مسئله استفاده کنید. این دوره همچنین به عنوان اولین پله برای دانشمندان مشتاق داده عمل می کند. این دوره بخشی از برنامه با عنوان گواهی حرفه ای علم داده فراکتال است. این دوره برای دانش آموزانی که به دنبال تقویت توانایی های تحلیلی و تفکر انتقادی خود هستند طراحی شده است. این دوره ایده آل برای دانش آموزان، متخصصان و هر کسی که شیفته رویکردهای سیستماتیک است، مهارت های اساسی مورد نیاز برای برخورد با مشکلات را با وضوح و اطمینان به شما می دهد.

coursera ریاضی پشت مانی بال (Mitalearn-326890)

  • 14 hours 29 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Professor Wayne Winston
درباره این دوره:

بیاموزید که چگونه می توان از احتمال، ریاضی و آمار برای کمک به بهبود تیم های بیسبال، فوتبال و بسکتبال، انتخاب بازیکن و ترکیب و همچنین در استراتژی بازی استفاده کرد.

coursera ریاضیات برای یادگیری ماشین: PCA (Mitalearn-332704)

  • 2 hours 19 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Marc Peter Deisenroth
درباره این دوره:

این دوره در سطح متوسط، مبانی ریاضی را برای استخراج تجزیه و تحلیل مؤلفه اصلی (PCA)، یک تکنیک کاهش ابعاد بنیادی معرفی می‌کند. ما برخی از آمارهای اولیه مجموعه داده‌ها را پوشش می‌دهیم، مانند مقادیر میانگین و واریانس، فاصله‌ها و زوایای بین بردارها را با استفاده از محصولات داخلی محاسبه می‌کنیم و پیش‌بینی‌های متعامد داده‌ها را بر روی فضاهای فرعی با ابعاد پایین‌تر استخراج می‌کنیم. با استفاده از همه این ابزارها، ما PCA را به عنوان روشی استخراج می کنیم که میانگین مربعات خطای بازسازی بین نقاط داده و بازسازی آنها را به حداقل می رساند. در پایان این دوره، شما با مفاهیم مهم ریاضی آشنا می شوید و می توانید PCA را به تنهایی پیاده سازی کنید. اگر مشکل دارید، مجموعه‌ای از نوت‌بوک‌های ژوپیتر را پیدا خواهید کرد که به شما امکان می‌دهند ویژگی‌های تکنیک‌ها را کشف کنید و آنچه را که برای رسیدن به مسیر باید انجام دهید، راهنمایی کنید. اگر قبلاً متخصص هستید، این دوره ممکن است بخشی از دانش شما را تازه کند. سخنرانی ها، مثال ها و تمرین ها نیاز دارند: 1. برخی از توانایی های تفکر انتزاعی 2. پیشینه خوب در جبر خطی (به عنوان مثال جبر ماتریسی و برداری، استقلال خطی، مبنا) 3. پیشینه اساسی در حساب چند متغیره (به عنوان مثال، مشتقات جزئی، بهینه سازی اساسی) 4. دانش اولیه در برنامه نویسی پایتون و numpy سلب مسئولیت: این دوره به طور قابل ملاحظه ای انتزاعی تر است و به برنامه نویسی بیشتری نسبت به دو دوره دیگر تخصصی نیاز دارد. با این حال، اگر می‌خواهید الگوریتم‌های یادگیری ماشین را درک و توسعه دهید، این نوع تفکر انتزاعی، دستکاری جبری و برنامه‌نویسی ضروری است.

coursera ریاضیات برای یادگیری ماشین: جبر خطی (Mitalearn-326499)

  • 3 hours 45 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: David Dye,Samuel J. Cooper,A. Freddie Page
درباره این دوره:

در این دوره در مورد جبر خطی، به بررسی این موضوع می پردازیم که جبر خطی چیست و چگونه با بردارها و ماتریس ها ارتباط دارد. سپس بررسی می کنیم که بردارها و ماتریس ها چیست و چگونه با آنها کار کنیم، از جمله مسئله گره ای مقادیر ویژه و بردارهای ویژه، و نحوه استفاده از آنها برای حل مسائل. در نهایت به نحوه استفاده از اینها برای انجام کارهای سرگرم کننده با مجموعه داده ها می پردازیم - مانند نحوه چرخش تصاویر چهره ها و نحوه استخراج بردارهای ویژه برای بررسی نحوه عملکرد الگوریتم Pagerank. از آنجایی که هدف ما برنامه‌های مبتنی بر داده است، برخی از این ایده‌ها را نه فقط روی مداد و کاغذ، به صورت کد پیاده‌سازی می‌کنیم. در پایان دوره، بلوک‌های کد می‌نویسید و با نوت‌بوک‌های Jupyter در پایتون مواجه می‌شوید، اما نگران نباشید، این‌ها کاملاً کوتاه هستند، روی مفاهیم متمرکز هستند و اگر قبلاً کدنویسی نکرده‌اید، شما را راهنمایی می‌کنند. در پایان این دوره، درک شهودی از بردارها و ماتریس ها خواهید داشت که به شما کمک می کند شکاف را به مسائل جبر خطی پر کنید و چگونه این مفاهیم را در یادگیری ماشین به کار ببرید.

coursera زیست رسانا برای علم داده های ژنومی (Mitalearn-335424)

  • 6 hours 7 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Kasper Daniel Hansen, PhD
درباره این دوره:

یاد بگیرید که از ابزارهای پروژه Bioconductor برای انجام تجزیه و تحلیل داده های ژنومی استفاده کنید. این پنجمین دوره در تخصص ژنومیک داده های بزرگ از دانشگاه جان هاپکینز است.

coursera ساخت ابزار تجسم داده ها (Mitalearn-332007)

  • متوسط
  • Release date: 23 June 2026
  • Author: Roger D. Peng, PhD,Brooke Anderson
درباره این دوره:

انقلاب علم داده مجموعه‌ای از داده‌های جدید را از طیف گسترده‌ای از منابع جدید تولید کرده است. این مجموعه داده های جدید برای پاسخ به سؤالات جدید به گونه ای استفاده می شود که قبلا تصور نشده بود. تجسم یکی از قوی‌ترین روش‌های نتیجه‌گیری از داده‌ها است، اما هجوم انواع داده‌های جدید مستلزم توسعه تکنیک‌های تجسم جدید و بلوک‌های ساختمانی است. این دوره به شما مهارت هایی را برای ایجاد آن بلوک های ساختمانی تجسم جدید ارائه می دهد. ما بر چارچوب ggplot2 تمرکز می کنیم و نحوه استفاده و گسترش سیستم را برای مطابقت با نیازهای خاص سازمان یا تیم شما شرح می دهیم. پس از اتمام این دوره، فراگیران قادر خواهند بود ابزارهای مورد نیاز برای تجسم طیف گسترده ای از انواع داده ها را بسازند و اصول مورد نیاز برای پرداختن به انواع داده های جدید را در حین ظهور خواهند داشت.

coursera ساخت برنامه های کاربردی هوش مصنوعی با API های Watson (Mitalearn-330256)

  • 57 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Antonio Cangiano
درباره این دوره:

یک زبان آموز می تواند برنامه ای بنویسد که از چندین سرویس هوش مصنوعی Watson (کشف، گفتار به متن، دستیار و متن به گفتار) استفاده کند. در پایان دوره، آنها بهترین شیوه های ترکیب سرویس های Watson و نحوه ایجاد سیستم های بازیابی اطلاعات تعاملی با Discovery + Assistant را خواهند آموخت.

coursera ساخت دریاچه های داده در AWS (Mitalearn-332738)

  • 2 hours 31 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Rafael Lopes,Alex G.
درباره این دوره:

دوره سطح پایه معمولاً برای افرادی طراحی شده است که درک پایه ای از مفاهیم ذخیره سازی و پردازش داده دارند، اما تجربه قبلی در مورد ساخت دریاچه های داده در AWS به طور خاص کم یا بدون تجربه هستند. پس از مقدمه ای کوتاه در مورد دریاچه های داده، دریافت داده ها، فهرست نویسی و آماده سازی را معرفی می کنیم و در پایان با مروری بر داده های پرس و جو با آمازون آتنا به پایان می رسیم. این دوره با مروری بر سازند دریاچه AWS، از جمله یک آزمایشگاه عملی که در آن یک دریاچه داده بسازید، ادامه خواهد یافت. سپس پردازش داده و تجزیه و تحلیل را با استفاده از چسب AWS قبل از فرو رفتن در ایجاد دریاچه داده‌های خودکار با استفاده از طرح‌های Lake Formation معرفی می‌کنیم. در نهایت، ما با Modern Data Architectures در AWS با آزمایشگاهی که انتشار و مصرف محصولات داده را به عنوان یک سرویس پوشش می دهد، پایان می دهیم.

Suggestions