Course catalog

Course duration

Course provider

Topic

Categories

Showing 341-360 of 600 items.

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.

coursera ساخت شبکه های متخاصم مولد اولیه (GAN) (Mitalearn-332245)

  • 2 hours 27 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Sharon Zhou,Eda Zhou,Eric Zelikman
درباره این دوره:

در این دوره، شما: - در مورد GAN ها و کاربردهای آنها بیاموزید - درک شهود پشت اجزای اساسی GAN ها - کاوش و پیاده سازی چندین معماری GAN - ساخت GAN های شرطی که قادر به تولید نمونه هایی از دسته های تعیین شده هستند تخصص شبکه‌های متخاصم مولد (GAN) DeepLearning.AI مقدمه‌ای هیجان‌انگیز برای تولید تصویر با GAN‌ها فراهم می‌کند و مسیری را از مفاهیم پایه به تکنیک‌های پیشرفته از طریق یک رویکرد آسان برای درک ترسیم می‌کند. همچنین پیامدهای اجتماعی، از جمله سوگیری در ML و راه های تشخیص آن، حفظ حریم خصوصی و موارد دیگر را پوشش می دهد. ایجاد یک پایگاه دانش جامع و کسب تجربه عملی در GAN. مدل خود را با استفاده از PyTorch آموزش دهید، از آن برای ایجاد تصاویر و ارزیابی انواع GAN های پیشرفته استفاده کنید. این تخصص مسیری قابل دسترس برای همه سطوح یادگیرندگانی که به دنبال نفوذ به فضای GAN یا استفاده از GAN در پروژه های خود هستند، حتی بدون آشنایی قبلی با تحقیقات پیشرفته ریاضی و یادگیری ماشین، فراهم می کند.

coursera ساخت شبکه‌های متخاصم مولد بهتر (GAN) (Mitalearn-332381)

  • 2 hours 22 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Sharon Zhou,Eda Zhou,Eric Zelikman
درباره این دوره:

در این دوره، شما: - چالش های ارزیابی GAN ها و مقایسه مدل های مختلف تولیدی را ارزیابی کنید - از روش Fréchet Inception Distance (FID) برای ارزیابی درستی و تنوع GAN ها استفاده کنید. - شناسایی منابع سوگیری و راه های تشخیص آن در GAN - تکنیک های مرتبط با StyleGAN های پیشرفته را بیاموزید و اجرا کنید تخصص شبکه‌های متخاصم مولد (GAN) DeepLearning.AI مقدمه‌ای هیجان‌انگیز برای تولید تصویر با GAN‌ها فراهم می‌کند و مسیری را از مفاهیم پایه به تکنیک‌های پیشرفته از طریق یک رویکرد آسان برای درک ترسیم می‌کند. همچنین پیامدهای اجتماعی، از جمله سوگیری در ML و راه های تشخیص آن، حفظ حریم خصوصی و موارد دیگر را پوشش می دهد. ایجاد یک پایگاه دانش جامع و کسب تجربه عملی در GAN. مدل خود را با استفاده از PyTorch آموزش دهید، از آن برای ایجاد تصاویر و ارزیابی انواع GAN های پیشرفته استفاده کنید. این تخصص مسیری قابل دسترس برای همه سطوح یادگیرندگانی که به دنبال نفوذ به فضای GAN یا استفاده از GAN در پروژه های خود هستند، حتی بدون آشنایی قبلی با تحقیقات پیشرفته ریاضی و یادگیری ماشین، فراهم می کند.

coursera ساخت مدل های رگرسیون، طبقه بندی و خوشه بندی (Mitalearn-331531)

  • 1 hours 43 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Anastas Stoyanovsky
درباره این دوره:

در بیشتر موارد، هدف نهایی یک پروژه یادگیری ماشینی، تولید یک مدل است. مدل‌ها تصمیم‌گیری می‌کنند، پیش‌بینی می‌کنند – هر چیزی که می‌تواند به کسب‌وکار کمک کند تا بهتر از یک انسان، خود، مشتریان و محیطش را درک کند. مدل‌ها با استفاده از الگوریتم‌ها ساخته می‌شوند و در دنیای یادگیری ماشین، الگوریتم‌های مختلفی برای انتخاب وجود دارد. شما باید بدانید که چگونه بهترین الگوریتم را برای یک کار مشخص انتخاب کنید، و چگونه از آن الگوریتم برای تولید یک مدل کاری استفاده کنید که ارزشی برای کسب و کار فراهم کند. این دوره سوم در گواهینامه حرفه‌ای متخصص هوش مصنوعی (CAIP) شما را با برخی از الگوریتم‌های اصلی یادگیری ماشینی آشنا می‌کند که برای حل دو مشکل رایج تحت نظارت استفاده می‌شوند: رگرسیون و طبقه‌بندی، و یکی از رایج‌ترین مشکلات بدون نظارت: خوشه‌بندی. . با استفاده از گردش کار یادگیری ماشینی که در دوره قبلی در مورد آن آموختید، چندین مدل برای رفع هر یک از این مشکلات خواهید ساخت. در نهایت، این دوره یک کاوش فنی از الگوریتم های مختلف یادگیری ماشین و نحوه استفاده از آنها برای ساخت مدل های حل مسئله را آغاز می کند.

coursera ساخت یک سیستم پیش بینی خودکار در مقیاس بزرگ (Mitalearn-332058)

  • 3 hours 15 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Jay Laramore,Marc Huber
درباره این دوره:

در این دوره شما یاد می گیرید که یک پروژه پیش بینی در مقیاس بزرگ را با استفاده از ابزارهای SAS Visual Forecasting توسعه داده و نگهداری کنید. تاکید در ابتدا بر انتخاب روش های مناسب برای ایجاد داده ها و تبدیل متغیرها، تولید مدل و انتخاب مدل است. سپس می آموزید که چگونه با اصلاح فرآیندهای پیش فرض در سیستم، عملکرد پیش بینی پایه کلی را بهبود بخشید. این دوره برای تحلیلگرانی که علاقه مند به تقویت مهارت های یادگیری ماشینی خود با ابزارهای تجزیه و تحلیل مناسب برای سنجش، اصلاح، مدل سازی، پیش بینی و مدیریت داده هایی هستند که متشکل از متغیرهایی هستند که در طول زمان جمع آوری می شوند، مناسب است. این دوره ها عمدتاً مبتنی بر نحو است، بنابراین تحلیلگرانی که این دوره را می گذرانند نیاز به آشنایی با کدنویسی دارند. تجربه با یک زبان شی گرا و همچنین آشنایی با دستکاری جداول بزرگ مفید است.

coursera ساخت، آموزش، و استقرار خطوط لوله ML با استفاده از BERT (Mitalearn-336563)

  • 2 hours 20 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Antje Barth
درباره این دوره:

در دوره دوم تخصص عملی علم داده، شما یاد خواهید گرفت که یک کار پردازش زبان طبیعی را با ایجاد یک خط لوله یادگیری ماشینی انتها به انتها با استفاده از اجرای بسیار بهینه شده Hugging Face از پیشرفته ترین الگوریتم BERT، خودکار کنید. با آمازون SageMaker Pipelines. خط لوله شما ابتدا مجموعه داده را به ویژگی های قابل خواندن BERT تبدیل می کند و ویژگی ها را در فروشگاه ویژگی Amazon SageMaker ذخیره می کند. سپس یک مدل طبقه‌بندی متن را با استفاده از یک مدل از پیش آموزش‌دیده Hugging Face که درک زبان انسان را از میلیون‌ها سند ویکی‌پدیا آموخته است، به مجموعه داده تنظیم می‌کند. در نهایت، خط لوله شما دقت مدل را ارزیابی می کند و تنها در صورتی مدل را به کار می گیرد که دقت از یک آستانه معین فراتر رود. علم داده های عملی برای مدیریت مجموعه داده های عظیمی طراحی شده است که در سخت افزار محلی شما مناسب نیستند و می توانند از منابع متعدد نشات گرفته باشند. یکی از بزرگترین مزایای توسعه و اجرای پروژه‌های علم داده در فضای ابری، چابکی و انعطاف‌پذیری است که ابر برای افزایش و کاهش با حداقل هزینه ارائه می‌دهد. تخصص عملی علم داده به شما کمک می کند تا مهارت های عملی را برای به کارگیری مؤثر پروژه های علم داده خود و غلبه بر چالش ها در هر مرحله از گردش کار ML با استفاده از Amazon SageMaker توسعه دهید. این تخصص برای توسعه دهندگان، دانشمندان و تحلیلگران متمرکز بر داده طراحی شده است که با زبان های برنامه نویسی Python و SQL آشنا هستند و می خواهند یاد بگیرند که چگونه خطوط لوله ML مقیاس پذیر و سرتاسر مقیاس پذیر را بیاموزند - هم خودکار و هم انسانی. -the-loop - در ابر AWS.

coursera ساختار پروژه های یادگیری ماشینی (Mitalearn-212939)

  • 3 hours 51 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Andrew Ng,Younes Bensouda Mourri,Kian Katanforoosh
درباره این دوره:

در دوره سوم تخصص یادگیری عمیق، یاد خواهید گرفت که چگونه یک پروژه یادگیری ماشینی موفق بسازید و به عنوان رهبر پروژه یادگیری ماشین تصمیم گیری را تمرین کنید. در پایان، شما قادر خواهید بود خطاها را در سیستم یادگیری ماشینی تشخیص دهید. اولویت بندی استراتژی ها برای کاهش خطاها؛ تنظیمات پیچیده ML را درک کنید، مانند مجموعه‌های آموزشی/آزمون ناهماهنگ، و مقایسه و/یا پیشی گرفتن از عملکرد در سطح انسانی. و یادگیری سرتاسر، انتقال یادگیری و یادگیری چند وظیفه ای را اعمال کنید. این همچنین یک دوره مستقل برای زبان آموزانی است که دانش اولیه یادگیری ماشین را دارند. این دوره از تجربه Andrew Ng در ساخت و ارسال بسیاری از محصولات یادگیری عمیق استفاده می کند. اگر می‌خواهید به یک رهبر فنی تبدیل شوید که می‌تواند مسیر یک تیم هوش مصنوعی را تعیین کند، این دوره «تجربه صنعت» را ارائه می‌دهد که در غیر این صورت ممکن است تنها پس از سال‌ها تجربه کاری ML به دست آورید. تخصص یادگیری عمیق برنامه اساسی ما است که به شما کمک می کند قابلیت ها، چالش ها و پیامدهای یادگیری عمیق را درک کنید و شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده کند. این مسیری را برای شما فراهم می کند تا دانش و مهارت هایی را به دست آورید تا از یادگیری ماشینی در کار خود استفاده کنید، حرفه فنی خود را ارتقا دهید و گامی قطعی در دنیای هوش مصنوعی بردارید.

coursera سطوح پاسخ، مخلوط ها، و ساختمان مدل (Mitalearn-333537)

  • 7 hours 18 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Douglas C. Montgomery
درباره این دوره:

آزمایشات فاکتوریال اغلب در غربالگری فاکتور استفاده می شود. یعنی زیرمجموعه ای از عوامل را در یک فرآیند یا سیستم شناسایی کنید که برای پاسخ اهمیت اولیه دارند. هنگامی که مجموعه ای از عوامل مهم شناسایی شد، علاقه معمولاً به بهینه سازی تبدیل می شود. یعنی چه سطوحی از عوامل مهم بهترین مقادیر پاسخ را تولید می کنند. این دوره ابزارهای طراحی و بهینه سازی را برای پاسخ به این سؤالات با استفاده از چارچوب سطح پاسخ ارائه می دهد. سایر موضوعات مرتبط شامل طراحی و تجزیه و تحلیل آزمایش های رایانه ای، آزمایش با مخلوط ها و استراتژی های تجربی برای کاهش تأثیر عوامل غیرقابل کنترل بر تغییرپذیری ناخواسته در پاسخ است.

coursera سفارشی کردن مدل های خود با TensorFlow 2 (Mitalearn-330953)

  • 5 hours 38 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Dr Kevin Webster
درباره این دوره:

به این دوره سفارشی سازی مدل های خود با TensorFlow 2 خوش آمدید! در این دوره، دانش و مهارت‌های خود را با TensorFlow تعمیق می‌دهید تا مدل‌های یادگیری عمیق و گردش کار کاملاً سفارشی‌سازی شده را برای هر برنامه کاربردی ایجاد کنید. شما از API های سطح پایین تر در TensorFlow برای توسعه معماری های مدل پیچیده، لایه های کاملا سفارشی شده و گردش کار داده های انعطاف پذیر استفاده خواهید کرد. همچنین دانش خود را در مورد APIهای TensorFlow گسترش می‌دهید تا مدل‌های توالی را نیز شامل شود. مفاهیمی را که در مورد آنها یاد می گیرید بلافاصله در آموزش های عملی و عملی برنامه نویسی، که توسط دستیار آموزشی فارغ التحصیل راهنمایی می شوید، در عمل قرار می دهید. علاوه بر این، یک سری تکالیف برنامه نویسی با درجه بندی خودکار برای شما وجود دارد تا مهارت های خود را تثبیت کنید. در پایان دوره، بسیاری از مفاهیم را در یک پروژه Capstone گرد هم می آورید، جایی که یک مدل ترجمه عصبی سفارشی را از ابتدا توسعه می دهید. TensorFlow یک کتابخانه ماشینی منبع باز است و یکی از پرکاربردترین فریم ورک ها برای یادگیری عمیق است. انتشار TensorFlow 2 با تمرکز اصلی بر سهولت استفاده برای همه کاربران، از سطح مبتدی تا پیشرفته، یک تغییر مرحله‌ای را در توسعه محصول نشان می‌دهد. این دوره مستقیماً از دوره قبلی شروع به کار با TensorFlow 2 پیروی می کند. دانش پیش نیاز اضافی مورد نیاز برای موفقیت در این دوره، تسلط بر زبان برنامه نویسی پایتون (این دوره از پایتون 3 استفاده می کند)، دانش مفاهیم کلی یادگیری ماشین است. (مانند تطبیق بیش از حد/کمتر، وظایف یادگیری تحت نظارت، اعتبارسنجی، منظم‌سازی و انتخاب مدل)، و دانش کاری در زمینه یادگیری عمیق، از جمله معماری‌های مدل معمولی (MLP، CNN، RNN، ResNet) و مفاهیمی مانند یادگیری انتقالی ، افزایش داده ها و جاسازی کلمات.

coursera سیستم های NoSQL (Mitalearn-331259)

  • 1 hours 4 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: María del Pilar Ángeles
درباره این دوره:

به دوره تخصصی NoSQL Systems خوش آمدید. این دوره در شش هفته تکمیل خواهد شد و با فیلم ها و تمرین هایی پشتیبانی می شود که به شما امکان می دهد تفاوت های بین پایگاه داده رابطه ای و NoSQL را شناسایی کنید. به عنوان بخشی از این فناوری‌های جایگزین، دانش‌آموز ویژگی‌های اصلی و نحوه پیاده‌سازی پایگاه‌های داده معمولی NoSQL، مانند Key-value، ستونی، سند و نمودار را یاد می‌گیرد. بیایید شروع کنیم! پس از اتمام این دوره، زبان آموز قادر خواهد بود ● نوع پایگاه داده NoSQL را بر اساس الزامات تجاری (کلید-مقدار، سند، متن کامل، نمودار و غیره) شناسایی کنید. ● مدل‌سازی داده‌های NoSQL را از درخواست‌های خاص برنامه اعمال کنید ● از Aggregates اتمی و غیرعادی سازی به عنوان تکنیک های مدل سازی داده برای بهینه سازی پردازش پرس و جو استفاده کنید نرم افزار برای دانلود: MongoDB Neo4j SAPIQ کاساندرا در صورتی که سیستم عامل Mac / IOS دارید، باید از ماشین مجازی (VirtualBox، Vmware) استفاده کنید.

coursera سیستم های پایگاه داده رابطه ای (Mitalearn-331514)

  • 1 hours 26 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: María del Pilar Ángeles
درباره این دوره:

به دوره تخصصی سیستم های پایگاه داده رابطه ای خوش آمدید. این دوره در مدت شش هفته تکمیل می شود و با فیلم ها و اسناد مختلف پشتیبانی می شود که به شما این امکان را می دهد تا به روشی بسیار ساده یاد بگیرید که چگونه چندین نوع سیستم اطلاعاتی و پایگاه داده برای حل مشکلات و نیازهای مختلف شرکت ها در دسترس است. هدف: یک زبان آموز قادر خواهد بود با برنامه نویسی برنامه ها و منابع قابل اعتماد، مقیاس پذیر و قابل نگهداری با استفاده از اکوسیستم SQL و Hadoop، سیستم های پایگاه داده تحلیلی، تراکنشی یا NoSQL را با توجه به نیازهای تجاری طراحی، آزمایش و پیاده سازی کند. زبان های برنامه نویسی: برای دوره 1 از زبان MYSQL استفاده خواهید کرد. نرم افزار برای دانلود: MySQL میز کار در صورتی که سیستم عامل Mac / IOS دارید، باید از ماشین مجازی (VirtualBox، Vmware) استفاده کنید.

coursera سیستم های پشتیبانی تصمیم گیری بالینی - CDSS 4 (Mitalearn-334336)

  • 3 hours
  • متوسط
  • Release date: 23 June 2026
  • Author: Fani Deligianni
درباره این دوره:

سیستم‌های یادگیری ماشینی که در سیستم‌های پشتیبانی تصمیم‌گیری بالینی (CDSS) استفاده می‌شوند، نیاز به اعتبارسنجی خارجی، تحلیل کالیبراسیون، ارزیابی سوگیری و انصاف دارند. در این دوره، مفاهیم اصلی ارزیابی یادگیری ماشین پذیرفته شده در CDSS توضیح داده خواهد شد. علاوه بر این، تجزیه و تحلیل منحنی تصمیم همراه با CDSS انسان محور که نیاز به توضیح دارد، مورد بحث قرار خواهد گرفت. در نهایت، نگرانی‌های مربوط به حریم خصوصی مدل‌های یادگیری عمیق و حملات خصمانه احتمالی همراه با چشم‌انداز نسل جدیدی از CDSS قابل توضیح و حفظ حریم خصوصی ارائه خواهد شد.

coursera سیستم های پیشنهاد دهنده پیشرفته (Mitalearn-331650)

  • 1 hours 29 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Paolo Cremonesi
درباره این دوره:

در این دوره، نحوه استفاده از تکنیک های پیشرفته یادگیری ماشینی برای ساختن سیستم های توصیه گر پیچیده تر را خواهید دید. یادگیری ماشینی با بهره گیری از نظرات تاریخی کاربران و ساخت خودکار مدل، بدون نیاز به فکر کردن به تمام جزئیات مدل، قادر به ارائه توصیه ها و پیش بینی های بهتر است. در پایان سیستم‌های توصیه‌کننده پیشرفته، می‌دانید که چگونه اطلاعات ترکیبی را مدیریت کنید و چگونه تکنیک‌های مختلف فیلتر را با هم ترکیب کنید و از هر رویکرد بهترین‌ها را بگیرید. بیشتر، می‌دانید چگونه از ماشین‌های فاکتورسازی استفاده کنید و داده‌های ورودی را بر اساس آن نشان دهید و بتوانید سیستم‌های توصیه‌گر پیچیده‌تری را طراحی کنید، که می‌تواند مشکل توصیه بین دامنه‌ای را حل کند. این دوره از دو پیامد یادگیری فراگیر دیجیتال EIT (OLO) که مربوط به خلاقیت و مهارت‌های نوآوری شماست، استفاده می‌کند. در تلاش برای طراحی یک سیستم توصیه‌کننده جدید، باید فراتر از مرزها فکر کنید و سعی کنید دریابید که چگونه می‌توانید کیفیت نتایج را بهبود بخشید. شما همچنین باید بتوانید از دانش، ایده ها و فناوری برای ایجاد ابزارهای توصیه جدید یا بهبود قابل توجهی برای پشتیبانی از فرآیندهای انتخاب و حل مشکلات زندگی واقعی در سناریوهای پیچیده و نوآورانه استفاده کنید.

coursera سیستم های توصیه کننده (Mitalearn-334319)

  • 2 hours 55 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Jaekwang KIM
درباره این دوره:

در این دوره شما: الف) مفهوم اساسی سیستم های توصیه گر را درک کنید. ب) فیلتر مشارکتی را درک کنید. ج) سیستم توصیه‌کننده را با یادگیری عمیق درک کنید. د) مسائل بیشتر سیستم های توصیه گر را درک کنید. لطفاً مطمئن شوید که برنامه نویسی در پایتون راحت هستید و دانش پایه ای از ریاضیات از جمله ضرب ماتریس، احتمال شرطی و الگوریتم های اصلی یادگیری ماشین دارید.

Suggestions