Course catalog

Course duration

Course provider

Topic

Categories

Showing 341-360 of 507 items.

linkedin راهنمای کامل برای هوش مصنوعی تولیدی برای تجزیه و تحلیل داده ها و علوم داده (Mitalearn-415120)

  • 10 hours 21 minutes
  • مناسب همه
  • Release date: 27 September 2024
  • Author: Dan Sullivan
درباره این دوره: 

 GenAI این پتانسیل را دارد که افراد بیشتری را قادر به کار و تجزیه و تحلیل داده ها کند، اما برای موفقیت، به یک پایه محکم در مدیریت داده، آمار و یادگیری ماشین نیاز دارید. این دوره آن پایه را فراهم می کند. مدرس Dan Sullivan به شما آموزش می‌دهد که چگونه سؤالات کسب‌وکار و سؤالات علم داده را به اجزایی که می‌توان به صورت برنامه‌نویسی به آنها پرداخت و سپس چگونه از genAI برای ایجاد برنامه‌ها و اسکریپت‌ها برای پیاده‌سازی یک راه‌حل استفاده کرد. این دوره بر روی سه رکن مورد نیاز برای یک تحلیلگر داده یا دانشمند داده موفق تمرکز می کند: مهارت های حل مسئله، درک آمار و یادگیری ماشین، و تجربه عملی با رویه های مدیریت داده.

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 رهبری از طریق بازاریابی (Mitalearn-299690)

  • 2 hours 32 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Greg Carpenter,Florian Zettelmeyer,Sanjay Khosla
درباره این دوره:

موفقیت هر سازمانی به جذب و حفظ مشتریان بستگی دارد. اگرچه مفاهیم بازاریابی برای انجام این کار به خوبی تثبیت شده است، فناوری دیجیتال مشتریان را قدرتمند کرده است، در حالی که حجم عظیمی از داده را تولید می کند، و فرآیندهایی را که سازمان ها از طریق آن مشتریان را جذب و حفظ می کنند، متحول کرده است. در این دوره، دانش‌آموزان یاد می‌گیرند که چگونه فرصت‌های جدید را برای ایجاد ارزش برای مصرف‌کنندگان توانمند شناسایی کنند، استراتژی‌هایی را توسعه دهند که نسبت به رقبا برتری داشته باشند، و مهارت‌های علم داده را برای رهبری مؤثرتر، تخصیص منابع و مقابله با این محیط بسیار چالش برانگیز توسعه دهند. اعتماد به نفس

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 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

linkedin روشهای داده BI BI (Mitalearn-431899)

  • 3 hours 12 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Helen Wall
درباره این دوره:

Power BI یک ابزار قدرتمند اطلاعاتی تجاری است که برای کمک به کاربران در ایجاد تجسم داده های تعاملی پویا و کمک به شما در نظارت بر داده ها ، تجزیه و تحلیل روند و تصمیم گیری دقیق تر کمک می کند. قبل از اینکه بتوانید هرگونه تصویری ایجاد کنید ، باید داده های خود را وارد Power BI کنید تا در فرآیند مدل سازی استفاده کنید. در این دوره ، هلن وال به شما کمک می کند تا با استفاده از قدرت داخلی پرس و جو ، داده های خود را با کارآمدتر کنترل ، وارد و تغییر دهید. هلن به شما نشان می دهد که چگونه می توانید چارچوب های ETL را ایجاد کنید و از Power Query برای استخراج داده ها از منابع مختلف داده استفاده کنید ، آن را از طریق عملکردی مانند گروه بندی و محوری تغییر دهید و آن را در مدل Power BI بارگیری کنید.

linkedin روش‌های داده Power BI (2019) (Mitalearn-163248)

  • 3 hours 56 minutes
  • متوسط
  • Release date: 9 October 2019
  • Author: Helen Wall
درباره این دوره: 

 
Power BI یک ابزار قدرتمند تجزیه و تحلیل داده و تجسم است که به کاربران کمک می کند داده ها را نظارت کنند، روندها را تجزیه و تحلیل کنند و تصمیمات هوشمندانه تری بگیرند. وسعت قابلیت های این ابزار در کل برنامه بسیار گسترده است، از اتصال دهنده های داده سفارشی گرفته تا تصاویر سفارشی داشبورد. این دوره بر روی پایان داده‌های Power BI که به عنوان Power Query نیز شناخته می‌شود (همان Power Query موجود در اکسل) و اینکه چگونه این بخش از برنامه می‌تواند فرآیند جستجوی داده‌ها و بازسازی مجموعه داده‌ها را خودکار کند، تمرکز دارد. مربی هلن وال، آرایه ای از گزینه های اتصال داده Power BI، از فایل های ثابت گرفته تا اسکریپت های پایتون را بررسی می کند. تکنیک های کلیدی برای تبدیل داده های غیرقابل استفاده را به اشتراک می گذارد. نحوه استفاده از زبان فرمول M را برای بهبود کارایی و ایجاد پرس و جوهای سفارشی توضیح می دهد.

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 رویکرد مشاوره برای حل مسئله (Mitalearn-281381)

  • 3 hours 25 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: John Kim
درباره این دوره:

این دوره شماره 3 در تخصص در مشاوره مدیریت است. مشاوران مدیریت در حل مشکلات دشوار و پیچیده تجاری برتری دارند. چگونه این کار را انجام می دهند؟ آیا مشتریان نباید بیشتر از مشاوران خارجی در مورد وضعیت خود بدانند؟ مشاوران آموزش می بینند تا به طور سیستماتیک مسائل را به قطعات منطقی تقسیم کنند، سپس به طور تهاجمی پاسخ ها را با داده ها دنبال کنند: • در مورد مشکل به طور گسترده فکر کنید. استراتژی، عملیات، افراد، فناوری • مشکل را به وضوح تعریف کنید. بیان کنید "موفقیت چگونه است؟" • مشکل را به "سطل ها" تقسیم کنید تا درک آن آسان باشد • از فرضیه ها برای "حدس زدن" راه خود به پاسخ(های) بالقوه استفاده کنید. • داده های کثیف را پیدا کرده و پاکسازی کنید. تبدیل داده ها به توصیه های مفید

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 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.

linkedin ساخت با AI: برنامه تجزیه و تحلیل داده های LLM با Python و StreamLit (Mitalearn-413998)

  • 1 hours 35 minutes
  • مناسب همه
  • Release date: 12 September 2025
  • Author: Maggie Ma
درباره این دوره: 

 

در این دوره سریع و دستی ، یاد بگیرید که یک ابزار تجزیه و تحلیل داده های سبک و دارای هوش مصنوعی با استفاده از Python ، Streamlit و OpenAI API بسازید. مربی Maggie Ma به شما نشان می دهد که چگونه می توانید یک مجموعه داده را بارگذاری کنید و به زبان انگلیسی ساده بپرسید - برنامه شما ورودی را به کد (Python یا SQL) تبدیل می کند ، آن را اجرا می کند و بینش های مفیدی را باز می گرداند. ایده آل برای تیم های فنی که به دنبال پشتیبانی از ذینفعان غیر فنی هستند ، این دوره شما را از طریق ساختمان و آزمایش یک رابط زبان طبیعی برای داده های ساخت یافته می برد. هیچ تجربه قبلی با LLMS لازم نیست - فقط پایتون و کمی پاندا - و دوره را با یک نمونه اولیه کار می کنید که می توانید در داخل آن گسترش یا استقرار دهید.

این دوره با CodeSpaces GitHub ، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به تنظیمات محلی محلی ارائه می دهد ، یکپارچه شده است. با استفاده از Codepaces GitHub ، می توانید از هر دستگاهی ، در هر زمان استفاده کنید-همه در حالی که از ابزاری استفاده می کنید که احتمالاً در محل کار با آن روبرو خواهید شد. برای یادگیری نحوه شروع کار ، "تنظیمات Codepaces Github" را با این دوره بررسی کنید.


linkedin ساخت با AI: داشبوردهای دارای هوش مصنوعی با جریان (Mitalearn-413794)

  • 4 hours 51 minutes
  • مناسب همه
  • Release date: 19 September 2025
  • Author: Megan Silvey
درباره این دوره: 

 در این دوره دستی ، مشاور علوم داده ، مگان سیلوی شما را از طریق نحوه استفاده از StreamLit برای ساخت برنامه های وب راهنمایی می کند. به طور خاص ، زبان آموزان یک دستیار برنامه نویسی با قدرت AI را در جریان پخش می کنند که به تولید ، پالایش و حفظ داشبورد داده های تعاملی با استفاده از Python و API OpenAi کمک می کند. زبان آموزان با ساختن یک دستیار اساسی مبتنی بر چت مبتنی بر چت شروع می کنند. سپس زبان آموزان یاد می گیرند که چگونه داده های خود را در جریان پخش ، آماده سازی ، تهیه و تجزیه و تحلیل کنند. سپس ، زبان آموزان داشبورد پویا با تجسم و فیلترهای مختلف از طریق تعامل مکالمه با یک دستیار هوش مصنوعی تعبیه شده می سازند. سرانجام ، زبان آموزان یاد می گیرند که چگونه داشبورد کاملاً کاربردی AI خود را بر روی ابر Cloud Cloud ، آزمایش ، نگهداری و مستقر کنند.

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 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.

linkedin ساخت یک سیستم توصیه با یادگیری ماشین پایتون و هوش مصنوعی (Mitalearn-110123)

  • 1 hours 38 minutes
  • متوسط
  • Release date: 28 June 2026
  • Author: Lillian Pierson, P.E.
درباره این دوره:

نحوه استفاده از پایتون – و برخی مفاهیم ضروری یادگیری ماشین – برای ساخت برنامه‌هایی که می‌توانند توصیه‌هایی ارائه کنند را بیابید. در این دوره آموزشی، لیلیان پیرسون، P.E. انواع مختلف سیستم های توصیه را پوشش می دهد و نحوه ساخت هر یک را نشان می دهد. او به شما کمک می‌کند مفاهیمی را که در پس نحوه عملکرد سیستم‌های توصیه وجود دارد، با ارائه یک سری مثال‌ها و تمرین‌ها بیاموزید. هنگامی که با مفاهیم زیربنایی آشنا شدید، لیلیان توضیح می‌دهد که چگونه از روش‌های آماری و یادگیری ماشینی برای ایجاد توصیه‌کننده‌های خود استفاده کنید. او نشان می‌دهد که چگونه با استفاده از کتابخانه Pandas یک توصیه‌کننده مبتنی بر محبوبیت بسازیم، چگونه موارد مشابه را بر اساس همبستگی توصیه کنیم، و چگونه الگوریتم‌های مختلف یادگیری ماشین را برای ارائه توصیه‌ها به کار ببریم. در پایان دوره، او نشان می دهد که چگونه ارزیابی شود که کدام توصیه کننده بهترین عملکرد را داشته است.

Suggestions