Course catalog

Course duration

Course provider

Topic

Categories

Showing 41-60 of 99 items.

coursera تحقیق در عملیات (1): مدل ها و کاربردها (Mitalearn-301917)

  • 9 hours 6 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: 孔令傑 (Ling-Chieh Kung)
درباره این دوره:

تحقیقات عملیات (OR) زمینه ای است که در آن افراد از روش های ریاضی و مهندسی برای مطالعه مسائل بهینه سازی در کسب و کار و مدیریت، اقتصاد، علوم کامپیوتر، مهندسی عمران، مهندسی صنایع و غیره استفاده می کنند. این دوره به معرفی چارچوب ها و ایده هایی در مورد انواع مسائل بهینه سازی می پردازد. در دنیای تجارت به طور خاص، ما بر چگونگی فرموله کردن مسائل واقعی کسب و کار در مدل های ریاضی که می توانند توسط رایانه حل شوند تمرکز می کنیم.

coursera تحقیق در عملیات (2): الگوریتم های بهینه سازی (Mitalearn-308071)

  • 9 hours 39 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: 孔令傑 (Ling-Chieh Kung)
درباره این دوره:

تحقیقات عملیاتی (OR) زمینه ای است که در آن افراد از روش های ریاضی و مهندسی برای مطالعه مسائل بهینه سازی در کسب و کار و مدیریت، اقتصاد، علوم کامپیوتر، مهندسی عمران، مهندسی برق و غیره استفاده می کنند. مجموعه دوره ها از سه بخش تشکیل شده است که ما بر روی تکنیک های بهینه سازی قطعی تمرکز می کنیم که بخش عمده ای از رشته OR است. به عنوان قسمت دوم این مجموعه، چند الگوریتم کارآمد برای حل برنامه های خطی، برنامه های عدد صحیح و برنامه های غیرخطی را مطالعه می کنیم. همچنین پیاده سازی کامپیوتری پایه حل برنامه های مختلف، برنامه های عدد صحیح و برنامه های غیرخطی را معرفی می کنیم و در نتیجه نمونه ای از کاربرد الگوریتم مورد بحث قرار می گیرد.

coursera تحقیق در عملیات (3): نظریه (Mitalearn-315857)

  • 11 hours 28 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: 孔令傑 (Ling-Chieh Kung)
درباره این دوره:

تحقیقات عملیاتی (OR) زمینه ای است که در آن افراد از روش های ریاضی و مهندسی برای مطالعه مسائل بهینه سازی در کسب و کار و مدیریت، اقتصاد، علوم کامپیوتر، مهندسی عمران، مهندسی برق و غیره استفاده می کنند. مجموعه دوره ها از سه بخش تشکیل شده است که ما بر روی تکنیک های بهینه سازی قطعی تمرکز می کنیم که بخش عمده ای از رشته OR است. به عنوان بخش سوم این مجموعه، ویژگی‌های ریاضی برنامه‌های خطی، برنامه‌های عدد صحیح و برنامه‌های غیرخطی را مطالعه می‌کنیم. ما همچنین کاربردهای این ویژگی های نظری را معرفی می کنیم: چگونه آنها به ما کمک می کنند تا راه های بهتری برای حل برنامه های ریاضی ایجاد کنیم.

coursera ترکیبات و احتمال (Mitalearn-302325)

  • 3 hours 22 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Владимир Подольский,Alexander S. Kulikov
درباره این دوره:

شمارش یکی از کارهای اساسی مرتبط با ریاضی است که ما روزانه با آن روبرو می شویم. سوال اصلی در اینجا موارد زیر است. اگر لازم باشد چیزی را بشماریم، آیا می‌توانیم کاری بهتر از شمردن همه اشیا یکی یکی انجام دهیم؟ آیا باید فهرستی از همه شماره‌های تلفن ایجاد کنیم تا اطمینان حاصل کنیم که شماره تلفن‌های کافی برای همه وجود دارد؟ آیا راهی وجود دارد که بگوییم الگوریتم ما قبل از پیاده سازی و اجرای واقعی آن در یک زمان معقول اجرا می شود؟ تمام این سوالات توسط یک رشته ریاضی به نام ترکیبیات بررسی می شود. در این دوره آنلاین، بیشتر تنظیمات ترکیبی استاندارد را مورد بحث قرار می‌دهیم که می‌تواند به پاسخگویی به سوالاتی از این نوع کمک کند. ما به ویژه بر توسعه توانایی تشخیص این تنظیمات در زندگی واقعی و مسائل الگوریتمی تمرکز خواهیم کرد. این به یادگیرنده کمک می کند تا در واقع دانش جدید را پیاده سازی کند. جدای از آن، در مورد تکنیک بازگشتی برای شمارش که برای پیاده سازی الگوریتمی مهم است بحث خواهیم کرد. یکی از «مصرف کنندگان» اصلی ترکیبیات، نظریه احتمال است. این حوزه با جنبه های متعدد زندگی مرتبط است، از یک سو مفهومی مهم در زندگی روزمره و از سوی دیگر ابزاری ضروری در زمینه های مدرن و مهمی مانند آمار و یادگیری ماشین است. در این دوره ما بر ارائه دانش کاری مبانی احتمالات و شهود خوب در این زمینه تمرکز خواهیم کرد. تمرین نشان می دهد که چنین شهودی به راحتی ایجاد نمی شود. در پایان دوره ما برنامه ای ایجاد خواهیم کرد که با موفقیت یک بازی تاس پیچیده و بسیار غیرمعمول را انجام می دهد. به‌عنوان پیش‌نیاز، ما فقط ریاضیات اولیه را فرض می‌کنیم (به عنوان مثال، ما انتظار داریم که بدانید مربع چیست یا چگونه کسرها را اضافه کنید)، برنامه‌نویسی اولیه در پایتون (توابع، حلقه‌ها، بازگشت)، عقل سلیم و کنجکاوی. مخاطبان مورد نظر ما همه افرادی هستند که از دانش‌آموزان با انگیزه دبیرستانی شروع می‌شوند که در زمینه فناوری اطلاعات کار می‌کنند یا قصد دارند در زمینه فناوری اطلاعات کار کنند.

coursera تسلط بر مصاحبه مهندسی نرم افزار (Mitalearn-309414)

  • 5 hours 49 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mia Minnes,Leo Porter,Christine Alvarado
درباره این دوره:

شما به عنوان یک دانشمند کامپیوتر به یک نقطه عطف بزرگ دست یافته اید و در حال تبدیل شدن به یک برنامه نویس توانا هستید. اکنون می دانید که چگونه مسائل را حل کنید، الگوریتم بنویسید و راه حل ها را تحلیل کنید. و شما ابزارهای زیادی (مانند ساختارهای داده) در اختیار دارید. اکنون ممکن است برای یک کارآموزی یا (احتمالا) یک شغل مهندسی نرم افزار سطح مقدماتی آماده باشید. اما آیا می توانید کارآموزی/شغل را دریافت کنید؟ این تا حدی به این بستگی دارد که چگونه می توانید مشکلات فنی جدید را حل کنید و در طول مصاحبه با هم ارتباط برقرار کنید. چگونه می توانید در این کار بهتر شوید؟ تمرین کن با پشتیبانی تیم‌های مهندسی و استخدام Google، نکات، مثال‌ها و فرصت‌های تمرینی را در این دوره ارائه کرده‌ایم که ممکن است در مورد تعدادی از شرکت‌های فناوری به شما کمک کند. ما به شما کمک می کنیم تا در تیم ها برای تمرین سازماندهی کنید. در نهایت، ما به شما توصیه های اساسی در مورد جستجوی کار و نکاتی برای موفقیت در زمانی که مشغول به کار هستید ارائه می دهیم.

coursera تصمیم گیری و یادگیری تقویتی (Mitalearn-308734)

  • 5 hours 4 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Tony Dear
درباره این دوره:

این دوره مقدمه ای بر تصمیم گیری متوالی و یادگیری تقویتی است. ما با بحث در مورد نظریه مطلوبیت شروع می کنیم تا یاد بگیریم که چگونه ترجیحات را می توان برای تصمیم گیری نشان داد و مدل سازی کرد. ما ابتدا مسائل تصمیم گیری ساده را به عنوان مشکلات راهزن چند مسلح مدل می کنیم و چندین رویکرد را برای ارزیابی بازخورد مورد بحث قرار می دهیم. سپس مسائل تصمیم‌گیری را به‌عنوان فرآیندهای تصمیم‌گیری مارکوف محدود (MDP) مدل‌سازی می‌کنیم و راه‌حل‌های آن‌ها را از طریق الگوریتم‌های برنامه‌نویسی پویا مورد بحث قرار می‌دهیم. ما مفهوم مشاهده پذیری جزئی در مسائل واقعی را که توسط POMDP مدل شده و سپس با روش های برنامه ریزی آنلاین حل شده است، لمس می کنیم. در نهایت، مسئله یادگیری تقویتی را معرفی می کنیم و دو پارادایم را مورد بحث قرار می دهیم: روش های مونت کارلو و یادگیری تفاوت زمانی. ما دوره را با یادآوری اینکه چگونه این دو پارادایم بر روی طیفی از روش‌های تفاوت زمانی n مرحله‌ای قرار دارند، به پایان می‌رسانیم. تاکید بر الگوریتم ها و مثال ها بخش کلیدی این دوره خواهد بود.

coursera تفکر الگوریتمی (قسمت دوم) (Mitalearn-312389)

  • 4 hours 2 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Luay Nakhleh,Scott Rixner,Joe Warren
درباره این دوره:

دانشمندان کامپیوتر با تجربه، مسائل محاسباتی را در سطحی از انتزاع که فراتر از هر زبان برنامه نویسی خاصی است، تحلیل و حل می کنند. این کلاس دو قسمتی برای آموزش مفاهیم ریاضی و فرآیند "تفکر الگوریتمی" به دانش آموزان طراحی شده است و به آنها امکان می دهد راه حل های ساده تر و کارآمدتری برای مسائل محاسباتی بسازند. در قسمت دوم این دوره به بررسی تکنیک های الگوریتمی پیشرفته مانند برنامه نویسی پویا و تفرقه بینداز می پردازیم. به عنوان بخش مرکزی دوره، دانش‌آموزان چندین الگوریتم را در پایتون پیاده‌سازی می‌کنند که این تکنیک‌ها را در خود جای داده و سپس از این الگوریتم‌ها برای تجزیه و تحلیل دو مجموعه داده بزرگ در دنیای واقعی استفاده می‌کنند. تمرکز اصلی این کارها درک تعامل بین الگوریتم ها و ساختار مجموعه داده هایی است که توسط این الگوریتم ها تجزیه و تحلیل می شوند. هنگامی که دانش‌آموزان این کلاس را کامل کردند، مهارت‌های ریاضی و برنامه‌نویسی برای تجزیه و تحلیل، طراحی و برنامه‌ریزی راه‌حل‌های طیف وسیعی از مسائل محاسباتی را خواهند داشت. در حالی که این کلاس از پایتون به عنوان وسیله انتخابی خود برای تمرین تفکر الگوریتمی استفاده می کند، مفاهیمی که در این کلاس خواهید آموخت فراتر از هر زبان برنامه نویسی خاصی است.

linkedin تفکر الگوریتمی پیشرفته با پایتون (Mitalearn-409221)

  • 1 hours 8 minutes
  • مناسب همه
  • Update date: 17 June 2024
  • Author: Robin Andrews
درباره این دوره: 

 نیاز به حل کننده های مشکل صالح هرگز بیشتر نبوده و پایتون به یک زبان برنامه نویسی مهم تبدیل شده است. پایتون به دلیل وضوح و بیان آن ، ابزاری ایده آل برای کشف تفکر الگوریتمی است. در این دوره ، رابین اندروز تفکر الگوریتمی را توضیح می دهد و شما را از طریق معماها ، مشکلات و نظریه ها راهنمایی می کند تا به شما در ایجاد و به چالش کشیدن مهارت های خود کمک کند. پس از یک مشکل گرم کردن ، رابین به شما نشان می دهد که چگونه می توانید از تکنیک حل مسئله تقسیم و فاتح و الگوریتم QuickSort استفاده کنید ، با معماها برای تمرین هر یک. او قبل از اجرای راه حل ، با پازل های اضافی برای تمرین ، به تکنیک تبدیل و فاتح می پردازد که از پیش پردازش داده ها برای یک مشکل استفاده می کند. رابین بیش از برنامه نویسی پویا ، هم از بالا به پایین و هم از پایین به بالا می رود و برای تمرین تئوری و اجرای به شما مشکلاتی می دهد. به علاوه ، او جداول هش و چگونگی استفاده از آنها را برای حل مشکلات در پایتون معرفی و توضیح می دهد.

coursera تفکر ریاضی در علوم کامپیوتر (Mitalearn-301798)

  • 3 hours 20 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Alexander S. Kulikov,Michael Levin,Владимир Подольский
درباره این دوره:

تفکر ریاضی در همه زمینه های علوم کامپیوتر بسیار حیاتی است: الگوریتم ها، بیوانفورماتیک، گرافیک کامپیوتری، علم داده، یادگیری ماشین و غیره. در این دوره، مهم ترین ابزارهای مورد استفاده در ریاضیات گسسته را می آموزیم: استقرا، بازگشت، منطق، متغیرها، مثال ها، بهینه بودن ما از این ابزارها برای پاسخ به سؤالات برنامه نویسی معمولی مانند: چگونه می توانیم مطمئن باشیم که یک راه حل وجود دارد، استفاده خواهیم کرد؟ آیا مطمئن هستم که برنامه من پاسخ بهینه را محاسبه می کند؟ آیا هر یک از این اشیاء الزامات داده شده را برآورده می کنند؟ در دوره آنلاین، ما از یک رویکرد سعی کنید قبل از اینکه همه چیز را توضیح دهیم: بسیاری از پازل های تعاملی (و سازگار با موبایل) را حل خواهید کرد که به دقت طراحی شده اند تا به شما امکان می دهند بسیاری از ایده ها و مفاهیم مهم را خودتان اختراع کنید. . پیش نیازها: 1. ما فقط ریاضیات پایه را فرض می کنیم (به عنوان مثال، ما از شما انتظار داریم که بدانید مربع چیست یا چگونه کسری را جمع کنید)، عقل سلیم و کنجکاوی. 2. دانش برنامه نویسی اولیه ضروری است زیرا برخی از آزمون ها نیاز به برنامه نویسی در پایتون دارند.

coursera جبر خطی برای یادگیری ماشین و علم داده (Mitalearn-303719)

  • 4 hours 39 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Luis Serrano
درباره این دوره:

به تازگی برای سال 2024 به روز شده است! Mathematics for Machine Learning and Data Science یک برنامه آنلاین پایه است که توسط DeepLearning.AI ایجاد شده و توسط Luis Serrano تدریس می شود. در یادگیری ماشینی، شما مفاهیم ریاضی را از طریق برنامه نویسی به کار می برید. و بنابراین، در این تخصص، مفاهیم ریاضی را که با استفاده از برنامه نویسی پایتون یاد می گیرید، در تمرینات آزمایشگاهی عملی به کار خواهید برد. به عنوان یک زبان آموز در این برنامه، برای موفقیت به مهارت های برنامه نویسی پایتون اولیه تا متوسط ​​نیاز دارید. پس از اتمام این دوره، شما قادر خواهید بود: • داده ها را به صورت بردارها و ماتریس ها نشان می دهد و ویژگی های آنها را با استفاده از مفاهیم تکینگی، رتبه و استقلال خطی و غیره شناسایی می کند. • اعمال مشترک عملیات جبر بردار و ماتریس مانند حاصل ضرب نقطه، معکوس، و دترمینال • انواع خاصی از عملیات ماتریس را به صورت تبدیل خطی بیان کنید • مفاهیم مقادیر ویژه و بردارهای ویژه را در مسائل یادگیری ماشین اعمال کنید بسیاری از مهندسان یادگیری ماشین و دانشمندان داده در زمینه ریاضیات به کمک نیاز دارند، و حتی تمرین‌کنندگان با تجربه نیز می‌توانند از کمبود مهارت‌های ریاضی عقب‌مانده شوند. این تخصص از آموزش نوآورانه در ریاضیات استفاده می‌کند تا به شما کمک کند تا سریع و شهودی یاد بگیرید، با دوره‌هایی که از تجسم‌های ساده برای پیگیری استفاده می‌کنند تا به شما کمک کنند تا ببینید که چگونه ریاضیات پشت یادگیری ماشین واقعاً کار می‌کند.  ما به شما توصیه می کنیم سطح ریاضی دبیرستان (توابع، جبر پایه) و آشنایی با برنامه نویسی (ساختارهای داده، حلقه ها، توابع، دستورات شرطی، اشکال زدایی) داشته باشید. تکالیف و آزمایشگاه‌ها در پایتون نوشته شده‌اند، اما این دوره تمام کتابخانه‌های یادگیری ماشینی را که استفاده می‌کنید معرفی می‌کند.

coursera جعبه ابزار الگوریتمی (Mitalearn-307697)

  • 7 hours 34 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Neil Rhodes,Daniel M Kane,Michael Levin
درباره این دوره:

این دوره آنلاین تکنیک‌ها و ایده‌های الگوریتمی پایه را برای مشکلات محاسباتی که اغلب در کاربردهای عملی ایجاد می‌شوند را پوشش می‌دهد: مرتب‌سازی و جستجو، تقسیم و غلبه، الگوریتم‌های حریصانه، برنامه‌نویسی پویا. ما تئوری های زیادی را یاد خواهیم گرفت: چگونه داده ها را مرتب کنیم و چگونه به جستجو کمک می کند. چگونه یک مسئله بزرگ را به قطعات تقسیم کنیم و آنها را به صورت بازگشتی حل کنیم. وقتی منطقی است که حریصانه پیش برویم. نحوه استفاده از برنامه نویسی پویا در مطالعات ژنومی حل مسائل محاسباتی، طراحی الگوریتم‌های جدید و پیاده‌سازی راه‌حل‌ها را به‌طور کارآمد تمرین خواهید کرد (به طوری که در کمتر از یک ثانیه اجرا شوند).

coursera چالش برنامه نویسی مونتاژ ژنوم (Mitalearn-316197)

  • 46 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Neil Rhodes,Michael Levin,Michael Levin
درباره این دوره:

در بهار 2011، هزاران نفر در آلمان با یک بیماری کشنده که به عنوان مسمومیت غذایی همراه با اسهال خونی شروع شد و اغلب به نارسایی کلیه منجر شد، در بیمارستان بستری شدند. این آغاز مرگبارترین شیوع در تاریخ اخیر بود که توسط یک سویه باکتریایی مرموز ایجاد شد که ما از آن به عنوان E. coli X یاد خواهیم کرد. در عرض یک هفته دچار اسهال خونی شد. در این مرحله، زیست‌شناسان می‌دانستند که با یک پاتوژن ناشناخته قبلی روبرو هستند و روش‌های سنتی کافی نیستند - زیست‌شناسان محاسباتی برای جمع‌آوری و تجزیه و تحلیل ژنوم پاتوژن تازه پدید آمده مورد نیاز هستند. برای بررسی منشأ تکاملی و پتانسیل بیماری‌زایی سویه شیوع، محققان یک برنامه تحقیقاتی جمع‌سپاری را آغاز کردند. آنها داده های توالی یابی DNA باکتریایی را از یکی از بیماران منتشر کردند که منجر به انبوهی از تجزیه و تحلیل های انجام شده توسط زیست شناسان محاسباتی در چهار قاره شد. آنها حتی از GitHub برای این پروژه استفاده کردند: https://github.com/ehec-outbreak-crowdsourced/BGI-data-analysis/wiki شیوع سال 2011 آلمان نمونه اولیه ای از اپیدمیولوژیست ها بود که با زیست شناسان محاسباتی برای جلوگیری از شیوع همکاری می کردند. در این دوره آنلاین، شما با توسعه برنامه‌ای برای جمع‌آوری ژنوم E.coli X از میلیون‌ها زیررشته ژنوم E.coli X، ردپای بیوانفورماتیک‌هایی را دنبال می‌کنید که شیوع بیماری را بررسی می‌کنند.

coursera چشم انداز محاسباتی (Mitalearn-307000)

  • 5 hours 43 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: David Quigley
درباره این دوره:

در این دوره، بینایی را به عنوان یک فضای مشکل شناختی گسترش خواهیم داد و مدل هایی را بررسی خواهیم کرد که به وظایف مختلف بینایی می پردازند. سپس بررسی خواهیم کرد که چگونه مرزهای این مشکلات منجر به تجزیه و تحلیل پیچیده تری از ذهن و مغز می شود و چگونه این کاوش ها به مدل های محاسباتی پیچیده تری از درک منجر می شوند.

coursera حساب دیفرانسیل و انتگرال برای یادگیری ماشین و علم داده (Mitalearn-303821)

  • 4 hours 20 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Luis Serrano
درباره این دوره:

به تازگی برای سال 2024 به روز شده است! Mathematics for Machine Learning and Data Science یک برنامه آنلاین پایه است که توسط DeepLearning.AI ایجاد شده و توسط Luis Serrano تدریس می شود. در یادگیری ماشینی، شما مفاهیم ریاضی را از طریق برنامه نویسی به کار می برید. و بنابراین، در این تخصص، مفاهیم ریاضی را که با استفاده از برنامه نویسی پایتون یاد می گیرید، در تمرینات آزمایشگاهی عملی به کار خواهید برد. به عنوان یک زبان آموز در این برنامه، برای موفقیت به مهارت های برنامه نویسی پایتون اولیه تا متوسط ​​نیاز دارید. پس از اتمام این دوره، فراگیران قادر خواهند بود: • بهینه سازی تحلیلی انواع مختلف توابع که معمولاً در یادگیری ماشین استفاده می شوند با استفاده از ویژگی های مشتقات و گرادیان ها • بهینه سازی تقریباً انواع مختلف توابع که معمولاً در یادگیری ماشین استفاده می شوند با استفاده از روش های تکراری مرتبه اول (نزول گرادیان) و مرتبه دوم (روش نیوتن). • تفکیک بصری تمایز انواع مختلف توابع که معمولاً در یادگیری ماشین استفاده می شوند • اجرای گرادیان نزول در شبکه های عصبی با توابع مختلف فعال سازی و هزینه بسیاری از مهندسان یادگیری ماشین و دانشمندان داده در زمینه ریاضیات به کمک نیاز دارند، و حتی تمرین‌کنندگان با تجربه نیز می‌توانند از کمبود مهارت‌های ریاضی عقب‌مانده شوند. این تخصص از آموزش نوآورانه در ریاضیات استفاده می‌کند تا به شما کمک کند تا سریع و شهودی یاد بگیرید، با دوره‌هایی که از تجسم‌های ساده برای پیگیری استفاده می‌کنند تا به شما کمک کنند تا ببینید که چگونه ریاضیات پشت یادگیری ماشین واقعاً کار می‌کند.  ما به شما توصیه می کنیم سطح ریاضی دبیرستان (توابع، جبر پایه) و آشنایی با برنامه نویسی (ساختارهای داده، حلقه ها، توابع، دستورات شرطی، اشکال زدایی) داشته باشید. تکالیف و آزمایشگاه‌ها در پایتون نوشته شده‌اند، اما این دوره تمام کتابخانه‌های یادگیری ماشینی را که استفاده می‌کنید معرفی می‌کند.

coursera درخت مرکل و ارزهای دیجیتال (Mitalearn-306745)

  • 28 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Stefano M. Stefan
درباره این دوره:

آنچه را که در مورد رمزنگاری و هش در بلاک‌چین قبلی آموخته‌اید، روی درخت Merkle اعمال کنید، که زیربنای فرآیند افزودن بلوک‌های جدید - نشان دهنده تراکنش‌های جدید - به بلاک چین است. این دوره همچنین مفاهیم اثبات کار و اثبات سهام را معرفی می کند که نقش مهمی در تضمین یکپارچگی بلاک چین ایفا می کند. این دوره برای تکمیل تکالیف نیاز به خرید دو کتاب دارد: درشر، دی (2017). مبانی بلاک چین: مقدمه ای غیر فنی در 25 مرحله. (ISBN-13: 978-1484226032) آنتونوپولوس، A. M. (2017). اینترنت پول، جلد دوم. (ISBN-13: 978-1947910065)

coursera درختان و نمودارها: مبانی (Mitalearn-316146)

  • 9 hours 14 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Sriram Sankaranarayanan
درباره این دوره:

الگوریتم های اساسی در ساختارهای داده درختی، درختان جستجوی دودویی، درختان خود متعادل کننده، ساختارهای داده گراف و الگوریتم های پیمایش اساسی بر روی نمودارها. این دوره همچنین موضوعات پیشرفته ای مانند kd-trees برای داده های مکانی و الگوریتم های داده های مکانی را پوشش می دهد. درختان و نمودارها: اصول اولیه 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، در نظر گرفت. 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 دوربین و تصویربرداری (Mitalearn-302291)

  • مبتدی
  • Release date: 27 June 2026
  • Author: Shree Nayar
درباره این دوره:

این دوره اصول تصویربرداری را پوشش می دهد - ایجاد تصویری که برای مصرف یا پردازش توسط انسان یا ماشین آماده است. تصویربرداری سابقه ای طولانی دارد و چندین قرن را در بر می گیرد. اما پیشرفت های انجام شده در سه دهه اخیر دوربین را متحول کرده و استحکام و دقت سیستم های بینایی کامپیوتری را به طرز چشمگیری بهبود بخشیده است. ما اصول تصویربرداری و همچنین نوآوری های اخیر در تصویربرداری را که تأثیر عمیقی بر بینایی رایانه داشته است، شرح می دهیم. این دوره با بررسی نحوه تشکیل یک تصویر با استفاده از دوربین لنز شروع می شود. ما ویژگی های نوری یک دوربین مانند بزرگنمایی، عدد F، عمق میدان و میدان دید را بررسی می کنیم. سپس، نحوه ضبط تصاویر را توسط حسگرهای حالت جامد (CCD و CMOS) و ویژگی‌های کلیدی حسگر تصویر مانند وضوح، ویژگی‌های نویز و محدوده دینامیکی آن شرح می‌دهیم. ما توضیح می دهیم که چگونه می توان از حسگرهای تصویر برای حس رنگ و همچنین گرفتن تصاویر با محدوده دینامیکی بالا استفاده کرد. در محیط های ساختاریافته خاصی، یک تصویر را می توان برای تولید یک تصویر باینری که از آن می توان ویژگی های هندسی مختلف اشیاء را محاسبه کرد و برای شناسایی و مکان یابی اشیا استفاده کرد، آستانه گذاری کرد. در نهایت، ما اصول پردازش تصویر را ارائه می‌دهیم - توسعه ابزارهای محاسباتی برای پردازش تصویر گرفته شده به منظور تمیزتر کردن آن (حذف نویز، محو کردن، و غیره) و تحلیل آسان‌تر برای سیستم‌های بینایی کامپیوتر (روش‌های فیلتر خطی و غیرخطی تصویر). .

coursera دیدگاه های بین فردی، رشدی و تکاملی ذهن (Mitalearn-306813)

  • 6 hours 27 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: David Quigley
درباره این دوره:

در این دوره، بررسی خواهیم کرد که چگونه حل مسئله، قضاوت و تصمیم گیری فردی می تواند تحت تأثیر عوامل بین فردی و رشدی قرار گیرد.

coursera رمزنگاری و نمای کلی هشینگ (Mitalearn-306031)

  • 1 hours 5 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Stefano M. Stefan
درباره این دوره:

با بررسی ماهیت مالکیت و اینکه چگونه زنجیره بلوکی یکی از راه‌های نزدیک شدن به مدیریت تراکنش‌های غیرمتمرکز است، به یادگیری فناوری بلاک چین ادامه دهید. این دوره همچنین رمزنگاری و هش را که برای احراز هویت کاربران و تضمین حریم خصوصی تراکنش‌ها حیاتی هستند، رفع می‌کند. این دوره برای تکمیل تکالیف نیاز به خرید دو کتاب دارد: درشر، دی (2017). مبانی بلاک چین: مقدمه ای غیر فنی در 25 مرحله. (ISBN-13: 978-1484226032) آنتونوپولوس، A. M. (2017). اینترنت پول، جلد دوم. (ISBN-13: 978-1947910065)

coursera روش های حل مسائل (Mitalearn-306235)

  • 2 hours 33 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: David Quigley
درباره این دوره:

در این دوره، انواع مختلف مسائل، مرزهای آنچه که یک مسئله را قابل حل می‌کند و الگوریتم‌ها، قوانین و اکتشافی‌های مختلفی که می‌توانیم برای حل این مسائل پیاده‌سازی کنیم را بررسی خواهیم کرد.

Suggestions