Course catalog

Course duration

Course provider

Topic

Categories

Showing 361-380 of 600 items.

coursera سیستم های توصیه کننده Capstone (Mitalearn-335866)

  • 6 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Michael D. Ekstrand,Joseph A Konstan
درباره این دوره:

این دوره پروژه اصلی برای تخصص سیستم‌های توصیه‌کننده، همه چیزهایی را که در مورد الگوریتم‌ها و ارزیابی سیستم‌های توصیه‌گر آموخته‌اید را در یک پروژه تحلیل و طراحی توصیه‌گر جامع گرد هم می‌آورد. به شما یک مطالعه موردی داده می شود تا جایی که باید طراحی یک سیستم توصیه گر را از طریق تجزیه و تحلیل اهداف توصیه گر و عملکرد الگوریتم انتخاب و توجیه کنید. فراگیران در مسیر افتخارات بر ارزیابی تجربی الگوریتم ها در برابر مجموعه داده های با اندازه متوسط ​​تمرکز خواهند کرد. مسیر استاندارد شامل ترکیبی از نتایج ارائه شده و کاوش صفحه گسترده خواهد بود. هر دو گروه گزارشی را تهیه خواهند کرد که تجزیه و تحلیل، راه حل انتخاب شده و توجیه آن راه حل را مستند می کند.

coursera سیستم های توصیه کننده: ارزیابی و معیارها (Mitalearn-335152)

  • 4 hours 4 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Michael D. Ekstrand,Joseph A Konstan
درباره این دوره:

در این دوره با نحوه ارزیابی سیستم های توصیه گر آشنا می شوید. شما با چندین خانواده از معیارها، از جمله مواردی برای اندازه‌گیری دقت پیش‌بینی، دقت رتبه‌بندی، پشتیبانی از تصمیم‌گیری، و عوامل دیگری مانند تنوع، پوشش محصول و سرندیپیتی آشنا خواهید شد. شما خواهید آموخت که چگونه معیارهای مختلف با اهداف مختلف کاربر و اهداف تجاری مرتبط است. همچنین یاد خواهید گرفت که چگونه ارزیابی های آفلاین را به دقت انجام دهید (به عنوان مثال، چگونه داده ها را تهیه و نمونه برداری کنید، و چگونه نتایج را جمع آوری کنید). و با ارزیابی آنلاین (تجربی) آشنا خواهید شد. در پایان این دوره، ابزارهایی را خواهید داشت که برای مقایسه گزینه های مختلف سیستم توصیه گر برای کاربردهای مختلف نیاز دارید.

coursera سیستم های توصیه گر پایه (Mitalearn-333945)

  • 2 hours 5 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Paolo Cremonesi
درباره این دوره:

دوره آموزشی Basic Recommender Systems شما را با رویکردهای پیشرو در سیستم های توصیه گر آشنا می کند. تکنیک‌های توصیف‌شده هم رویکردهای مشارکتی و هم مبتنی بر محتوا را لمس می‌کنند و شامل مهم‌ترین الگوریتم‌های مورد استفاده برای ارائه توصیه‌ها می‌شوند. شما یاد خواهید گرفت که آنها چگونه کار می کنند، چگونه از آنها استفاده کنید و چگونه آنها را ارزیابی کنید و به مزایا و محدودیت های جایگزین های مختلف سیستم توصیه کننده اشاره کنید. پس از اتمام این دوره، می‌توانید الزامات و اهداف سیستم‌های توصیه‌گر را بر اساس حوزه‌های کاربردی مختلف شرح دهید. شما می‌دانید که چگونه سیستم‌های توصیه‌گر را بر اساس داده‌های ورودی، مکانیسم‌های کاری داخلی و اهدافشان متمایز کنید. شما ابزارهایی برای اندازه گیری کیفیت یک سیستم توصیه گر و بهبود تدریجی آن با طراحی الگوریتم های جدید خواهید داشت. همچنین یاد خواهید گرفت که چگونه سیستم‌های توصیه‌گر را متناسب با حوزه‌های کاربردی جدید طراحی کنید، همچنین با در نظر گرفتن مسائل اجتماعی و اخلاقی اطراف مانند هویت، حریم خصوصی و دستکاری. ارائه توصیه های مقرون به صرفه، شخصی و با کیفیت بالا همیشه یک چالش است! این دوره همچنین از دو پیامد یادگیری فراگیر EIT (OLO) مرتبط با خلاقیت و مهارت های نوآوری بهره می برد. در تلاش برای طراحی یک سیستم توصیه‌گر جدید، باید فراتر از مرزها فکر کنید و سعی کنید بفهمید که چگونه می‌توانید کیفیت پیش‌بینی‌ها را بهبود ببخشید. شما همچنین باید بتوانید از دانش، ایده ها و فناوری برای ایجاد ابزارهای توصیه جدید یا بهبود قابل توجهی برای پشتیبانی از فرآیندها و استراتژی های انتخاب در سناریوهای مختلف و نوآورانه برای کیفیت بهتر زندگی استفاده کنید.

coursera سیستم های مدل سازی و مدیریت داده های بزرگ (Mitalearn-334659)

  • 3 hours 54 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Ilkay Altintas,Amarnath Gupta
درباره این دوره:

هنگامی که یک مشکل کلان داده را برای تجزیه و تحلیل شناسایی کردید، چگونه داده های خود را با استفاده از راه حل های کلان داده جمع آوری، ذخیره و سازماندهی می کنید؟ در این دوره، ژانرهای مختلف داده و ابزارهای مدیریتی مناسب برای هر کدام را تجربه خواهید کرد. شما قادر خواهید بود دلایل پشت سرگذاشتن انبوهی از پلتفرم های جدید کلان داده را از دیدگاه سیستم های مدیریت داده های بزرگ و ابزارهای تحلیلی شرح دهید. از طریق آموزش های عملی هدایت شده، با تکنیک هایی با استفاده از نمونه های داده های بی درنگ و نیمه ساختاریافته آشنا خواهید شد. سیستم ها و ابزارهای مورد بحث عبارتند از: AsterixDB، HP Vertica، Impala، Neo4j، Redis، SparkSQL. این دوره تکنیک هایی را برای استخراج ارزش از منابع داده های دست نخورده موجود و کشف منابع داده جدید ارائه می دهد. در پایان این دوره، شما قادر خواهید بود: * عناصر داده های مختلف را در کار خود و مشکلات زندگی روزمره تشخیص دهید * توضیح دهید که چرا تیم شما نیاز به طراحی یک طرح زیرساخت داده بزرگ و طراحی سیستم اطلاعاتی دارد * عملیات داده های مکرر مورد نیاز برای انواع مختلف داده را شناسایی کنید * مدل داده ای را متناسب با ویژگی های داده های خود انتخاب کنید * تکنیک هایی را برای مدیریت داده های جریانی اعمال کنید * بین سیستم مدیریت پایگاه داده سنتی و سیستم مدیریت داده های بزرگ تفاوت قائل شوید * قدردانی کنید که چرا سیستم های مدیریت داده های زیادی وجود دارد * طراحی یک سیستم اطلاعات کلان داده برای یک شرکت بازی آنلاین این دوره برای کسانی است که تازه وارد علم داده می شوند. تکمیل Intro to Big Data توصیه می شود. هیچ تجربه برنامه نویسی قبلی مورد نیاز نیست، اگرچه توانایی نصب برنامه ها و استفاده از ماشین مجازی برای تکمیل تکالیف عملی ضروری است. برای مشخصات کامل سخت افزار و نرم افزار به الزامات فنی تخصصی مراجعه کنید. الزامات سخت افزاری: (الف) پردازنده چهار هسته ای (پشتیبانی VT-x یا AMD-V توصیه می شود)، 64 بیتی؛ (ب) 8 گیگابایت رم؛ (C) 20 گیگابایت دیسک رایگان. نحوه پیدا کردن اطلاعات سخت افزاری خود: (ویندوز): با کلیک بر روی دکمه Start، روی Computer راست کلیک کرده و سپس روی Properties کلیک کنید. (Mac): با کلیک بر روی منوی اپل و کلیک کردن روی «درباره این مک»، نمای کلی را باز کنید. اکثر رایانه های با رم 8 گیگابایتی خریداری شده در 3 سال گذشته حداقل شرایط را برآورده می کنند. شما به اتصال به اینترنت پرسرعت نیاز دارید زیرا فایل هایی تا حجم 4 گیگابایت را دانلود خواهید کرد. نرم افزار مورد نیاز: این دوره متکی بر چندین ابزار نرم افزار منبع باز از جمله Apache Hadoop است. تمام نرم افزارهای مورد نیاز را می توان به صورت رایگان دانلود و نصب کرد (به جز هزینه های داده از ارائه دهنده اینترنت شما). الزامات نرم افزار عبارتند از: Windows 7+، Mac OS X 10.10+، Ubuntu 14.04+ یا CentOS 6+ VirtualBox 5+.

coursera سیستم های یادگیری ماشین تولید - فرانسه (Mitalearn-336410)

  • 2 hours 30 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

Dans ce cours، nous abordons en detail les composants و les bonnes Pratiques destruction de systems de ML Hautes performs dans des environnements de production. Nous verrons aussi sures des considérations les plus courantes concernant la construction de ces systemes, telles que l'entraînement statique, l'entraînement dynamique, l'inférence statique, l'inférence dynamique, les tâches distribués PUesF. Ce cours a pour objectif d'explorer les caractéristiques d'un bon system de ML, au-delà de sa capacité à effectuer des predictions correctes.

coursera شبکه های عصبی کانولوشن در TensorFlow (Mitalearn-332160)

  • 52 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laurence Moroney
درباره این دوره:

اگر توسعه‌دهنده نرم‌افزاری هستید که می‌خواهید الگوریتم‌های مقیاس‌پذیر مبتنی بر هوش مصنوعی بسازید، باید بدانید که چگونه از ابزارهای ساخت آنها استفاده کنید. این دوره بخشی از DeepLearning.AI TensorFlow Developer Specialization است و بهترین روش ها برای استفاده از TensorFlow، یک چارچوب منبع باز محبوب برای یادگیری ماشین را به شما آموزش می دهد. در دوره 2 از تخصص DeepLearning.AI TensorFlow Developer، شما تکنیک های پیشرفته ای را برای بهبود مدل بینایی کامپیوتری که در دوره 1 ساخته اید، یاد خواهید گرفت. نحوه کار با تصاویر دنیای واقعی در اشکال و اندازه های مختلف را بررسی می کنید، سفر را تجسم می کنید. یک تصویر از طریق کانولوشن برای درک اینکه چگونه یک کامپیوتر اطلاعات را "می بیند"، از دست دادن و دقت نمودار، و کشف استراتژی هایی برای جلوگیری از تطبیق بیش از حد، از جمله افزایش و ترک تحصیل در نهایت، دوره 2 شما را با انتقال یادگیری و چگونگی استخراج ویژگی های آموخته شده از مدل ها آشنا می کند. دوره یادگیری ماشین و تخصص یادگیری عمیق از Andrew Ng مهمترین و اساسی ترین اصول یادگیری ماشین و یادگیری عمیق را آموزش می دهد. این تخصص جدید Deeplearning.ai TensorFlow به شما می آموزد که چگونه از TensorFlow برای پیاده سازی آن اصول استفاده کنید تا بتوانید شروع به ساخت و استفاده از مدل های مقیاس پذیر برای مشکلات دنیای واقعی کنید. برای ایجاد درک عمیق تر از نحوه عملکرد شبکه های عصبی، توصیه می کنیم که تخصص یادگیری عمیق را انتخاب کنید.

coursera شبکه های عصبی کانولوشنال (Mitalearn-212956)

  • 7 hours 32 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Andrew Ng,Kian Katanforoosh,Younes Bensouda Mourri
درباره این دوره:

در چهارمین دوره تخصصی یادگیری عمیق، نحوه تکامل بینایی کامپیوتر را خواهید فهمید و با کاربردهای هیجان انگیز آن مانند رانندگی خودکار، تشخیص چهره، خواندن تصاویر رادیولوژی و غیره آشنا خواهید شد. در پایان، شما قادر خواهید بود یک شبکه عصبی کانولوشنال، از جمله تغییرات اخیر مانند شبکه های باقیمانده بسازید. استفاده از شبکه های کانولوشن برای کارهای تشخیص و شناسایی بصری؛ و از انتقال سبک عصبی برای تولید هنر و اعمال این الگوریتم ها بر روی انواع تصاویر، ویدئوها و سایر داده های دو بعدی یا سه بعدی استفاده کنید. 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 شبکه های عصبی و یادگیری عمیق (Mitalearn-212905)

  • 6 hours 48 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Andrew Ng,Kian Katanforoosh,Younes Bensouda Mourri
درباره این دوره:

در اولین دوره از تخصص یادگیری عمیق، مفهوم بنیادی شبکه های عصبی و یادگیری عمیق را مطالعه خواهید کرد. در پایان، شما با روندهای فن آوری قابل توجهی که باعث افزایش یادگیری عمیق می شود آشنا خواهید شد. شبکه های عصبی عمیق کاملا متصل را بسازید، آموزش دهید، و اعمال کنید. پیاده سازی شبکه های عصبی کارآمد (بردار)؛ شناسایی پارامترهای کلیدی در معماری شبکه عصبی؛ و یادگیری عمیق را در برنامه های خود اعمال کنید. 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 شبیه سازی های کامپیوتری (Mitalearn-329338)

  • 6 hours 19 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Martin Hilbert
درباره این دوره:

کلان داده ها و هوش مصنوعی بیشتر مطبوعات را در مورد علوم اجتماعی محاسباتی دریافت می کنند، اما شاید پیچیده ترین جنبه آن به استفاده از ابزارهای محاسباتی برای کشف و توسعه نظریه علوم اجتماعی اشاره داشته باشد. این دوره نشان می دهد که چگونه از شبیه سازی های کامپیوتری برای کشف قلمرو آنچه از نظر تئوری ممکن است استفاده می شود. شبیه‌سازی‌های رایانه‌ای به ما این امکان را می‌دهند تا بررسی کنیم که چرا جوامع به این شکل هستند، و در مورد جهانی که دوست داریم در آن زندگی کنیم، رویاپردازی کنیم. درست مانند بازی ویدیویی معروف SimCity که برای ساخت و مدیریت یک شهر مصنوعی استفاده می شود، ما از مدل های مبتنی بر عامل برای رشد و مطالعه جوامع مصنوعی استفاده می کنیم. بدون آسیب رساندن به کسی در دنیای واقعی، شبیه‌سازی‌های رایانه‌ای به ما امکان می‌دهند که چگونه جهان را به مکانی بهتر تبدیل کنیم. ما با چندین مدل شبیه‌سازی کامپیوتری عملی بازی می‌کنیم و چگونگی ترکیب مدل‌های فرضی را با داده‌های دنیای واقعی بررسی می‌کنیم. در نهایت، شما خودتان یک جامعه مصنوعی ساده، از پایین به بالا برنامه ریزی خواهید کرد. این به شما امکان می‌دهد پیچیدگی‌هایی را که هنگام طراحی سیستم‌های اجتماعی به وجود می‌آید احساس کنید، و در عین حال سهولتی را که ابزارهای محاسباتی جدید ما به ما امکان می‌دهند چنین تلاش‌های دلهره‌آوری را دنبال کنیم، تجربه کنید.

coursera شروع بصری سازی داده ها در R (Mitalearn-329083)

  • 1 hours 22 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Collin Paschall
درباره این دوره:

تجسم داده ها یک مهارت حیاتی برای هر کسی است که به طور معمول از داده های کمی در کار خود استفاده می کند - به این معنی که تجسم داده ها ابزاری است که تقریباً هر کارگر امروزی به آن نیاز دارد. امروزه یکی از ابزارهای حیاتی برای تجسم داده ها، زبان برنامه نویسی آماری R است. به خصوص در ارتباط با بسته‌های نرم‌افزاری tidyverse، R به یک پلتفرم بسیار قدرتمند و انعطاف‌پذیر برای ساختن شکل‌ها، جداول و گزارش‌های قابل تکرار تبدیل شده است. با این حال، R می‌تواند برای کاربرانی که برای اولین بار استفاده می‌کنند ترسناک باشد، و منابع زیادی به صورت آنلاین وجود دارد که مرتب کردن آن بدون راهنمایی ممکن است دشوار باشد. برای رفع این نیاز، این دوره برای زبان آموزانی در نظر گرفته شده است که تجربه کمی با R دارند یا اصلاً تجربه ندارند اما به دنبال معرفی این ابزار هستند. در پایان این دوره، دانش‌آموزان می‌توانند داده‌ها را به R وارد کنند، آن داده‌ها را با استفاده از ابزارهای بسته محبوب tidyverse دستکاری کنند و با استفاده از R Markdown گزارش‌های ساده‌ای تهیه کنند. این دوره برای دانش آموزانی طراحی شده است که مهارت های محاسباتی اولیه خوبی دارند، اما در صورت داشتن تجربه در برنامه نویسی محدود است.

coursera شروع کار با CyberGIS (Mitalearn-327468)

  • 4 hours 5 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Shaowen Wang,Anand Padmanabhan
درباره این دوره:

این دوره در نظر گرفته شده است تا دانشجویان را با CyberGIS - علوم و سیستم‌های اطلاعات جغرافیایی (GIS) - بر اساس زیرساخت‌های سایبری پیشرفته و همچنین پیشرفت هنر در محاسبات با کارایی بالا، داده‌های بزرگ و رایانش ابری در زمینه علم داده‌های مکانی . تاکید بر یادگیری پیشرفت های پیشرفته سایبرجی آی اس و اصول علم داده های مکانی زیربنایی آن است.

coursera شروع کار با TensorFlow 2 (Mitalearn-330698)

  • 4 hours 13 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Dr Kevin Webster
درباره این دوره:

به این دوره آموزشی در مورد شروع با TensorFlow 2 خوش آمدید! در این دوره شما یک گردش کار کامل برای توسعه مدل‌های یادگیری عمیق با Tensorflow، از ساخت، آموزش، ارزیابی و پیش‌بینی مدل‌ها با استفاده از Sequential API، اعتبارسنجی مدل‌های خود و از جمله منظم‌سازی، اجرای callbacks، و ذخیره و مدل های بارگیری 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 یادگیری عمیق طبقه بندی کننده تصویر را از ابتدا توسعه می دهید. Tensorflow یک کتابخانه ماشینی منبع باز است و یکی از پرکاربردترین چارچوب 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 هم برای کاربرانی که کاملاً با Tensorflow آشنا هستند و هم برای کاربران با تجربه در Tensorflow 1.x در نظر گرفته شده است. دانش لازم برای موفقیت در این دوره، تسلط به زبان برنامه نویسی پایتون (این دوره از پایتون 3 استفاده می کند)، دانش مفاهیم کلی یادگیری ماشین (مانند برازش/زیاد برازش، وظایف یادگیری نظارت شده، اعتبارسنجی، منظم سازی و مدل سازی است). انتخاب)، و دانش کاری در زمینه یادگیری عمیق، از جمله معماری های مدل معمولی (MLP/feedforward و شبکه های عصبی کانولوشن)، توابع فعال سازی، لایه های خروجی، و بهینه سازی.

coursera شروع کار با تجزیه و تحلیل داده ها در AWS (Mitalearn-328556)

  • 1 hours 14 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Rafael Lopes
درباره این دوره:

با این دوره یک هفته‌ای، یاد بگیرید که چگونه با استفاده از AWS از داده‌های خام به بینش‌های معنادار بروید. در طول دوره، با اصول تحلیل داده ها از کارشناسان AWS آشنا خواهید شد. با مروری بر انواع مختلف تکنیک‌های تجزیه و تحلیل داده‌ها - توصیفی، تشخیصی، پیش‌بینی‌کننده و تجویزی، قبل از غواصی عمیق‌تر در تجزیه و تحلیل داده‌های توصیفی، شروع کنید. سپس، دانش خود را با یک پروژه هدایت‌شده به کار ببرید که از یک مجموعه داده ساده اما قدرتمند به‌طور پیش‌فرض در هر حساب AWS استفاده می‌کند: گزارش‌های AWS CloudTrail. سرویس CloudTrail مدیریت، انطباق، حسابرسی عملیاتی و حسابرسی ریسک حساب AWS شما را امکان پذیر می کند. از طریق این پروژه شما همچنین با آمازون آتنا و آمازون QuickSight آشنا خواهید شد. و، شما یاد خواهید گرفت که چگونه یک داشبورد امنیتی اولیه به عنوان یک روش ساده اما کاربردی برای به کارگیری دانش جدید تجزیه و تحلیل داده خود بسازید.

coursera شناسایی جمعیت بیماران (Mitalearn-331412)

  • 1 hours
  • متوسط
  • Release date: 23 June 2026
  • Author: Laura K. Wiley, PhD
درباره این دوره:

این دوره به شما اصول فنوتیپ محاسباتی، یک روش انفورماتیک زیست پزشکی برای شناسایی جمعیت بیماران را می آموزد. در این دوره آموزشی، نحوه عملکرد انواع داده های بالینی مختلف هنگام تلاش برای شناسایی بیماران مبتلا به یک بیماری یا ویژگی خاص را خواهید آموخت. همچنین یاد خواهید گرفت که چگونه دستکاری ها و ترکیب های مختلف داده را برای افزایش پیچیدگی و بهبود عملکرد الگوریتم های خود برنامه ریزی کنید. در نهایت، شما این شانس را خواهید داشت که مهارت های خود را با یک برنامه کاربردی واقعی در دنیای واقعی آزمایش کنید که در آن یک الگوریتم فنوتیپ محاسباتی برای شناسایی بیماران مبتلا به فشار خون بالا ایجاد می کنید. شما این کار را با استفاده از مجموعه داده‌های بالینی واقعی و در حالی که از یک محیط محاسباتی آنلاین رایگان برای علوم داده استفاده می‌کنید که توسط شریک صنعتی Google Cloud میزبانی می‌شود، تکمیل خواهید کرد.

coursera شناسایی نقش مناسب برای خود (Mitalearn-329780)

  • مبتدی
  • Release date: 27 June 2026
  • Author: Camille Funk
درباره این دوره:

علم داده و هوش مصنوعی رشته‌های در حال رشد و هیجان‌انگیزی هستند که می‌توانند به جویندگان کار آینده‌نگر ارائه دهند. با این حال، حتی با وجود رشد گسترده در فناوری و موقعیت ها، هنوز موانع زیادی برای ورود وجود دارد. این دوره چالش‌ها و فرصت‌های امروزی را در علم داده و هوش مصنوعی، مهارت‌ها و آموزش‌های مختلف لازم برای برخی از موقعیت‌های معمولاً گیج‌کننده، و همچنین وظایف شغلی خاص مرتبط با نقش‌های مورد تقاضا را بررسی می‌کند. با گذراندن این دوره، فراگیران می توانند کشف کنند که کدام نقش و صنعت به بهترین وجه با مهارت ها، علایق و پیشینه آنها مطابقت دارد و همچنین هرگونه آموزش اضافی مورد نیاز را شناسایی می کند، که هر دو آنها را برای درخواست و مصاحبه برای موقعیت های DS/AI آماده می کند. در پایان این دوره، دانشجویان قادر خواهند بود: • مهارت ها، تحصیلات و تجربه مورد نیاز را برای نقش های مختلف DS/AI شناسایی کنید. • شباهت ها و تفاوت های بین نقش های مختلف DS/AI که معمولاً اشتباه می شوند را به یاد بیاورید. • نقش علم داده/هوش مصنوعی را توصیف کنید که با اهداف شخصی و حوزه مورد علاقه همسو باشد. • ارزیابی کنید که برای وارد شدن به یک نقش خاص DS/AI به چه آموزش مهارت بیشتری نیاز است.

coursera طبقه بندی متن بدون نظارت برای تجزیه و تحلیل بازاریابی (Mitalearn-331157)

  • 2 hours 16 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Chris J. Vargo,Scott Bradley
درباره این دوره:

داده‌های بازاریابی اغلب آنقدر بزرگ هستند که انسان‌ها نمی‌توانند نمونه‌ای از آن را بخوانند یا تجزیه و تحلیل کنند تا بفهمند چه بینش‌هایی ممکن است در آن نهفته باشد. در این دوره، زبان آموزان از یادگیری عمیق بدون نظارت برای آموزش الگوریتم هایی برای استخراج موضوعات و بینش از داده های متنی استفاده می کنند. یادگیرندگان یک مرور مفهومی از یادگیری ماشینی بدون نظارت را طی می‌کنند و از طریق آموزش‌های آموزشی در پایتون به مجموعه داده‌های دنیای واقعی می‌روند. دوره با یک پروژه بزرگ به پایان می رسد. این دوره از نوت بوک های Jupyter و محیط برنامه نویسی Google Colab، یک محیط نوت بوک مبتنی بر مرورگر Jupyter استفاده می کند. فایل ها در گوگل درایو ذخیره می شوند. 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.

coursera طبقه بندی متن نظارت شده برای تجزیه و تحلیل بازاریابی (Mitalearn-329168)

  • 3 hours 3 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Chris J. Vargo,Scott Bradley
درباره این دوره:

داده های بازاریابی اغلب نیاز به دسته بندی یا برچسب گذاری دارند. در عصر امروز، داده‌های بازاریابی می‌تواند بسیار بزرگ یا بزرگ‌تر از آن چیزی باشد که انسان‌ها می‌توانند به طور منطقی با آن مقابله کنند. در این دوره، دانش آموزان یاد می گیرند که چگونه از یادگیری عمیق نظارت شده برای آموزش الگوریتم هایی برای مقابله با وظایف طبقه بندی متن استفاده کنند. دانش‌آموزان مروری مفهومی از یادگیری ماشینی نظارت‌شده را طی می‌کنند و از طریق آموزش‌های آموزشی در پایتون به مجموعه داده‌های دنیای واقعی می‌روند. دوره با یک پروژه بزرگ به پایان می رسد. 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.

coursera طراحی برنامه های کاربردی داده فشرده (Mitalearn-334200)

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

به دوره تخصصی طراحی برنامه های کاربردی داده فشرده خوش آمدید. این دوره به مدت چهار هفته تکمیل می شود و با فیلم و تمرین پشتیبانی می شود. در پایان این تخصص، فراگیران قادر خواهند بود با توجه به نوع داده ها و حجم اطلاعات، زمان پاسخگویی، نوع پردازش و پرس و جو به منظور پشتیبانی از مقیاس پذیری، قابلیت نگهداری و امنیت، سیستم های اطلاعاتی با قابلیت اطمینان بالا را پیشنهاد، طراحی، توجیه و توسعه دهند. و قابلیت اطمینان با در نظر گرفتن آخرین فناوری های اطلاعاتی. نرم افزار برای دانلود: میز کار MySQL Rapidminer چارچوب Hadoop Hortonworks MongoDB در صورتی که سیستم عامل Mac / IOS دارید، باید اقدامی به نام VirtualBox انجام دهید.

coursera طراحی داشبوردهای جذاب برای تجزیه و تحلیل مراقبت های بهداشتی (Mitalearn-335883)

  • 1 hours 3 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Kevin Hartman
درباره این دوره:

فرآیندها و اصول طراحی را برای ایجاد نمایش‌های معنی‌دار از اطلاعات معرفی می‌کند که از تصمیم‌گیری مؤثر تجاری پشتیبانی می‌کند. نحوه جمع آوری و پردازش داده ها را مطالعه می کند. ایجاد تجسم (هم ایستا و هم تعاملی)؛ و از آنها برای ارائه بینش نسبت به یک مشکل، موقعیت یا فرصت استفاده کنید. روش‌هایی را برای نقد تجسم‌سازی‌ها به همراه راه‌هایی برای پاسخ به این سوال مبهم معرفی می‌کند: «چه چیزی یک تجسم را مؤثر می‌کند؟» چالش‌های قابل درک کردن داده‌ها در طیف وسیعی از مخاطبان را مورد بحث قرار می‌دهد. اصول ارتباط مورد نیاز برای داستان سرایی داده موثر را معرفی می کند. موضوعات دیگر ممکن است شامل استفاده اخلاقی از نمایش اطلاعات، داستان سرایی، اینفوگرافیک، تجسم های همه جانبه و استفاده خوب از داشبورد داده باشد. به دانش آموزان فرصتی برای استفاده از یک یا چند ابزار نرم افزاری ارائه می دهد.

coursera طراحی هوش مصنوعی مستقل (Mitalearn-329593)

  • 3 hours 5 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Kence Anderson
درباره این دوره:

(این برنامه قبلاً بخشی از یک تخصص سه دوره ای به نام هوش مصنوعی مستقل برای صنعت بود. به دلیل توقف برنامه نرم افزاری Bonsai، ارجاعات به Bonsai حذف شده است. شما همچنان می توانید از طریق دو دوره جداگانه ما "طراحی" در مورد هوش مصنوعی مستقل و آموزش ماشینی بیاموزید. هوش مصنوعی مستقل» و «آموزش ماشین برای هوش مصنوعی خودمختار».) برای طراحی یک سیستم هوش مصنوعی مستقل، باید نحوه تقطیر یک چالش تجاری را در اجزای سازنده آن بیابید. وقتی بچه‌ها یاد می‌گیرند چطور بیس‌بال بزنند، با توپ‌های سریع شروع نمی‌کنند. مربیان آنها با اصول اولیه شروع می کنند: چگونه دسته خفاش را بگیرند، پاهای خود را کجا بگذارند و چگونه چشم خود را روی توپ نگه دارند. به طور مشابه، یک سیستم هوش مصنوعی مستقل به یک متخصص موضوعی (SME) نیاز دارد تا یک فرآیند پیچیده یا مشکل را به وظایف آسان‌تر تقسیم کند که سرنخ‌های مهمی در مورد چگونگی یافتن سریع‌تر راه‌حل به هوش مصنوعی بدهد. در این دوره، نحوه ایجاد یک طرح طراحی خودکار هوش مصنوعی را یاد خواهید گرفت. با تعیین اهداف، شناسایی مهارت‌های قابل آموزش، و به‌کارگیری آن مهارت‌ها در استراتژی‌های هدف‌گرا، دانش SME خود را مستقیماً در «مغز» هوش مصنوعی خود، عاملی که سیستم مستقل شما را نیرو می‌دهد، ترکیب می‌کنید. شما یاد خواهید گرفت که چه زمانی و چگونه الگوهای طراحی معماری هوش مصنوعی مختلف را با هم ترکیب کنید، همچنین یاد خواهید گرفت که چگونه یک هوش مصنوعی پیشرفته را در سطح معماری بدون نگرانی در مورد اجرای شبکه های عصبی یا الگوریتم های یادگیری ماشین طراحی کنید. در پایان این دوره، شما قادر خواهید بود: • مصاحبه با SMEها برای استخراج دانش منحصر به فرد آنها در مورد یک سیستم یا فرآیند • ترکیب یادگیری تقویتی با قوانین خبره، بهینه سازی و محاسبات ریاضی در مغز هوش مصنوعی • طراحی یک مغز هوش مصنوعی مستقل از اجزای مدولار برای هدایت فرآیند یادگیری برای یک کار خاص • طراحی مغز خود را در برابر تخصص و تکنیک های موجود برای حل مشکلات اعتبار سنجی کنید • یک سند مشخصات دقیق تهیه کنید تا شخص دیگری بتواند مغز هوش مصنوعی شما را بسازد

Suggestions