Course catalog

Course duration

Course provider

Topic

Categories

Showing 321-340 of 600 items.

coursera ذخیره سازی داده ها با Microsoft Azure Synapse Analytics (Mitalearn-331174)

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

در این دوره، ابزارها و تکنیک‌هایی را که می‌توان برای کار با انباره‌های داده مدرن به صورت مولد و ایمن در Azure Synapse Analytics استفاده کرد، بررسی خواهید کرد. شما یاد خواهید گرفت که چگونه Azure Synapse Analytics شما را قادر می سازد تا با استفاده از الگوهای معماری مدرن، انبارهای داده بسازید و چگونه طرحواره رایج در یک انبار داده پیاده سازی می شود. شما بهترین شیوه هایی را که برای بارگذاری داده ها در انبار داده نیاز دارید و تکنیک هایی را که می توانید برای بهینه سازی عملکرد پرس و جو در Azure Synapse Analytics استفاده کنید، یاد خواهید گرفت. این دوره بخشی از یک تخصص در نظر گرفته شده برای مهندسین داده و توسعه دهندگان است که می خواهند تخصص خود را در طراحی و پیاده سازی راه حل های داده ای که از خدمات داده Microsoft Azure استفاده می کنند برای هر کسی که علاقه مند به آماده شدن برای آزمون DP-203: مهندسی داده در Microsoft Azure (بتا) نشان دهد. ). این پنجمین دوره از یک برنامه 10 دوره ای است که به شما کمک می کند تا برای شرکت در آزمون آماده شوید تا بتوانید در طراحی و پیاده سازی راه حل های داده ای که از خدمات داده مایکروسافت آژور استفاده می کنند تخصص داشته باشید. مهندسی داده در آزمون Microsoft Azure فرصتی برای اثبات تخصص دانش در یکپارچه‌سازی، تبدیل و تلفیق داده‌ها از سیستم‌های داده‌های مختلف ساختاریافته و بدون ساختار به ساختارهایی است که برای ساخت راه‌حل‌های تحلیلی که از خدمات داده مایکروسافت آژور استفاده می‌کنند، مناسب هستند. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند. در پایان این تخصص، شما آماده شرکت و ثبت نام در آزمون DP-203: مهندسی داده در Microsoft Azure (بتا) خواهید بود.

coursera ذخیره سازی داده ها در Microsoft Azure (Mitalearn-330596)

  • 1 hours 36 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

Azure راه های مختلفی را برای ذخیره داده ها ارائه می دهد: بدون ساختار، بایگانی، رابطه ای و غیره. در این دوره آموزشی با اصول مدیریت ذخیره سازی در Azure، نحوه ایجاد یک Storage Account و نحوه انتخاب مدل مناسب برای داده هایی که می خواهید در فضای ابری ذخیره کنید آشنا خواهید شد. این دوره بخشی از یک تخصص برای مهندسین داده و توسعه دهندگانی است که می خواهند تخصص خود را در طراحی و پیاده سازی راه حل های داده ای که از سرویس های داده Microsoft Azure استفاده می کنند، نشان دهند. این دومین دوره از یک برنامه 10 دوره ای است که به شما کمک می کند تا برای شرکت در آزمون آماده شوید تا بتوانید در طراحی و پیاده سازی راه حل های داده ای که از خدمات داده Microsoft Azure استفاده می کنند، تخصص داشته باشید. مهندسی داده در آزمون Microsoft Azure فرصتی برای اثبات تخصص دانش در یکپارچه‌سازی، تبدیل و تلفیق داده‌ها از سیستم‌های داده‌های مختلف ساختاریافته و بدون ساختار به ساختارهایی است که برای ساخت راه‌حل‌های تحلیلی که از خدمات داده مایکروسافت آژور استفاده می‌کنند، مناسب هستند. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند. در پایان این تخصص، شما آماده شرکت و ثبت نام در آزمون DP-203: مهندسی داده در Microsoft Azure (بتا) خواهید بود.

coursera راه حل های یادگیری ماشین را با Azure بسازید و اجرا کنید (Mitalearn-330664)

  • 1 hours 18 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

Azure Machine Learning یک پلتفرم ابری برای آموزش، استقرار، مدیریت و نظارت بر مدل‌های یادگیری ماشین است. در این دوره آموزشی، نحوه استفاده از Azure Machine Learning Python SDK را برای ایجاد و مدیریت راه حل های ML آماده سازمانی یاد خواهید گرفت. این سومین 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 راهنمای شغلی تحلیلگر داده و آماده سازی مصاحبه (Mitalearn-329457)

  • 1 hours 38 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: IBM Skills Network Team
درباره این دوره:

متخصصان تجزیه و تحلیل داده در سراسر جهان تقاضای زیادی دارند و این روند هیچ نشانه ای از کندی نشان نمی دهد. بسیاری از مشاغل عالی در دسترس هستند، اما تعداد زیادی نامزد عالی نیز وجود دارد. چگونه می توانید در چنین زمینه رقابتی به برتری برسید؟ این دوره شما را برای ورود به بازار کار به عنوان یک کاندیدای عالی برای موقعیت تحلیلگر داده آماده می کند. تکنیک‌های عملی برای ایجاد مطالب ضروری برای جستجوی کار مانند رزومه و نمونه کارها و همچنین ابزارهای کمکی مانند نامه پوششی و آسانسور ارائه می‌دهد. شما یاد خواهید گرفت که چگونه موقعیت های شغلی آینده نگر را پیدا کرده و ارزیابی کنید، برای آنها درخواست دهید و زمینه را برای مصاحبه فراهم کنید. با این حال، دوره در اینجا متوقف نمی شود. همچنین نکات و مراحلی را دریافت خواهید کرد که می توانید از آنها برای انجام حرفه ای و موثر در مصاحبه ها استفاده کنید. شما یاد می گیرید که چگونه به چالش های خانه نشین نزدیک شوید و تکمیل آنها را تمرین کنید. علاوه بر این، اطلاعاتی در مورد عملکردها و وظایف منظم تحلیلگران داده و همچنین فرصت های این حرفه و برخی گزینه ها برای توسعه شغلی ارائه می دهد. از طریق این دوره از تعدادی متخصص در صنعت داده راهنمایی خواهید گرفت. آنها در مورد مسیرهای شغلی خود صحبت خواهند کرد و در مورد چیزهایی که در مورد شبکه سازی، مصاحبه، حل مشکلات کدنویسی، و سایر سوالاتی که ممکن است به عنوان یک نامزد با آنها مواجه شوید، صحبت خواهند کرد. به متخصصان باتجربه تجزیه و تحلیل داده ها اجازه دهید تجربیات خود را به اشتراک بگذارند تا به شما کمک کنند تا به شغل مورد نظر خود دست پیدا کنید.

coursera راهنمای شغلی دانشمند داده و آماده سازی مصاحبه (Mitalearn-328964)

  • 3 hours 1 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: IBM Skills Network Team
درباره این دوره:

متخصصان علوم داده در سرتاسر جهان تقاضای زیادی دارند و این روند هیچ نشانه ای از کندی نشان نمی دهد. بسیاری از مشاغل عالی در دسترس هستند، اما تعداد زیادی نامزد عالی نیز وجود دارد. چگونه می توانید در چنین زمینه رقابتی به برتری برسید؟ این دوره شما را برای ورود به بازار کار به عنوان یک کاندیدای عالی برای موقعیت دانشمند داده آماده می کند. تکنیک‌های عملی برای ایجاد مطالب ضروری برای جستجوی کار مانند رزومه و نمونه کارها و همچنین ابزارهای کمکی مانند نامه پوششی و آسانسور ارائه می‌دهد. شما یاد خواهید گرفت که چگونه موقعیت های شغلی آینده نگر را پیدا کرده و ارزیابی کنید، برای آنها درخواست دهید و زمینه را برای مصاحبه فراهم کنید. با این حال، دوره در اینجا متوقف نمی شود. همچنین نکات و مراحلی را دریافت خواهید کرد که می توانید از آنها برای انجام حرفه ای و موثر در مصاحبه ها استفاده کنید. شما یاد خواهید گرفت که چگونه به چالش کد نزدیک شوید و تکمیل آنها را تمرین کنید. علاوه بر این، در مورد عملکردها و وظایف منظم دانشمندان داده، و همچنین فرصت های این حرفه و برخی گزینه ها برای توسعه شغلی راهنمایی می کند. اجازه دهید متخصصان باتجربه تجربیات خود را به اشتراک بگذارند تا به شما کمک کنند تا به شغل مورد نظر خود دست پیدا کنید!

linkedin راهنمای کامل Tableau for Data Scientists (Mitalearn-443255)

  • 10 hours 29 minutes
  • مناسب همه
  • Release date: 25 July 2026
  • Author: Matt Francis
درباره این دوره:

اگر کار شما به هر نوع تجسم گرافیکی داده ها نیاز دارد، به احتمال زیاد با Tableau مواجه شده اید. اگر از Tableau استفاده می‌کنید اما می‌خواهید یاد بگیرید که چگونه واقعاً از تمام قدرت آن برای علم داده استفاده کنید، در این دوره به متخصص مت فرانسیس بپیوندید تا به شما نشان دهد چگونه مهارت‌های خود را به سطح بعدی ببرید. Matt با یکی از مهمترین ویژگی‌های Tableau شروع می‌کند: تفاوت بین قرص‌های سبز و آبی (داده‌های گسسته و پیوسته) و نحوه تأثیرگذاری این امر بر هر عملی که Tableau انجام می‌دهد. سپس نحوه اتصال و ترکیب داده ها از منابع داده های مختلف، نحوه ایجاد نمودارهای مختلف برای درک داده ها، راه هایی برای تبدیل داده های خود با محاسبات و نحوه ایجاد نقشه های تعاملی را نشان می دهد. در نهایت، مت روش های ارائه موثر داده ها و نحوه ساخت داشبوردهای جذاب را توضیح می دهد. چه بخواهید در مورد Tableau به طور کلی اطلاعات بیشتری کسب کنید، یا اگر فقط می خواهید دانش خود را در مورد یک موضوع واحد بهبود بخشید، این دوره به ارتقاء بازی Tableau شما کمک می کند.

coursera رگرسیون خطی برای آمار کسب و کار (Mitalearn-213245)

  • 4 hours 24 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Sharad Borle
درباره این دوره:

تحلیل رگرسیون شاید مهم ترین ابزار آمار کسب و کار مورد استفاده در صنعت باشد. رگرسیون موتور پشت بسیاری از برنامه های کاربردی تجزیه و تحلیل داده است که برای بسیاری از اشکال پیش بینی و پیش بینی استفاده می شود. این چهارمین دوره تخصصی "آمار و تحلیل کسب و کار" است. این دوره شما را با ابزار بسیار مهمی به نام رگرسیون خطی آشنا می کند. شما یاد خواهید گرفت که از رویه های مختلفی مانند رگرسیون های متغیر ساختگی، متغیرهای تبدیل و اثرات متقابل استفاده کنید. همه اینها با استفاده از مثال‌های قابل فهم در مایکروسافت اکسل معرفی و توضیح داده شده‌اند. تمرکز این دوره به جای مشتقات دقیق ریاضی بر درک و کاربرد است. توجه: این دوره از جعبه ابزار "تجزیه و تحلیل داده ها" استفاده می کند که با نسخه ویندوز مایکروسافت اکسل استاندارد است. همچنین با نسخه مک 2016 یا جدیدتر اکسل استاندارد است. با این حال، با نسخه های قبلی اکسل برای مک استاندارد نیست. هفته 1 ماژول 1: تحلیل رگرسیون: مقدمه در این ماژول با مدل رگرسیون خطی آشنا می شوید. ما یک مدل رگرسیون می سازیم و با استفاده از اکسل آن را تخمین می زنیم. ما از مدل تخمین زده شده برای استنتاج روابط بین متغیرهای مختلف و استفاده از مدل برای پیش بینی استفاده خواهیم کرد. این ماژول همچنین مفهوم خطاها، باقیمانده ها و R-square را در یک مدل رگرسیونی معرفی می کند. موضوعات تحت پوشش عبارتند از: • معرفی رگرسیون خطی • ساخت یک مدل رگرسیون و تخمین آن با استفاده از اکسل • استنتاج با استفاده از مدل برآورد شده • استفاده از مدل رگرسیون برای پیش بینی • Errors، Residuals و R-square هفته 2 ماژول 2: تحلیل رگرسیون: آزمون فرضیه و خوبی برازش این ماژول آزمون های فرضیه های مختلفی را ارائه می دهد که می توانید با استفاده از خروجی رگرسیون انجام دهید. این تست ها بخش مهمی از استنتاج هستند و ماژول آنها را با استفاده از مثال های مبتنی بر اکسل معرفی می کند. مقادیر p همراه با اندازه‌های خوب تناسب R-square و R-square تعدیل شده معرفی می‌شوند. در پایان ماژول "رگرسیون متغیر ساختگی" را معرفی می کنیم که برای ترکیب متغیرهای طبقه بندی در یک رگرسیون استفاده می شود. موضوعات تحت پوشش عبارتند از: • آزمون فرضیه در رگرسیون خطی • معیارهای «خوبی تناسب» (R-square، R-square تعدیل شده) • رگرسیون متغیر ساختگی (با استفاده از متغیرهای طبقه بندی شده در یک رگرسیون) هفته 3 ماژول 3: تحلیل رگرسیون: متغیرهای ساختگی، چند خطی این ماژول با استفاده از رگرسیون متغیر ساختگی ادامه می یابد. شما می توانید تفسیر خروجی رگرسیون را در حضور متغیرهای طبقه بندی درک کنید. نمونه هایی برای تقویت مجدد مفاهیم مختلف معرفی شده کار شده است. این ماژول همچنین توضیح می دهد که Multicolinearity چیست و چگونه با آن برخورد کنیم. موضوعات تحت پوشش عبارتند از: • رگرسیون متغیر ساختگی (با استفاده از متغیرهای طبقه بندی شده در یک رگرسیون) • تفسیر ضرایب و مقادیر p در حضور متغیرهای ساختگی • چند خطی بودن در مدل های رگرسیونی هفته 4 ماژول 4: تجزیه و تحلیل رگرسیون: پسوندهای مختلف این ماژول درک شما را از رگرسیون خطی گسترش می‌دهد و تکنیک‌هایی مانند میانگین‌مرکزی متغیرها و ایجاد مرزهای اطمینان برای پیش‌بینی‌ها با استفاده از مدل رگرسیون را معرفی می‌کند. یک پسوند رگرسیون قدرتمند به نام «متغیرهای تعامل» معرفی و با استفاده از مثال توضیح داده شده است. ما همچنین تبدیل متغیرها را در یک رگرسیون مطالعه می کنیم و در آن زمینه مدل های log-log و semi-log regression را معرفی می کنیم. موضوعات تحت پوشش عبارتند از: • میانگین مرکزیت متغیرها در مدل رگرسیون • ایجاد مرزهای اطمینان برای پیش بینی ها با استفاده از مدل رگرسیون • اثرات متقابل در یک رگرسیون • تبدیل متغیرها • مدل های رگرسیون log-log و semi-log

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.

Suggestions