Course catalog

Course duration

Course provider

Topic

Categories

Showing 41-55 of 55 items.

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.

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.

linkedin ساختن یک نقشه حرارتی دینامیک در اکسل (Mitalearn-80492)

  • 1 hours 34 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Maven Analytics,Chris Dutton
درباره این دوره:

برای ایجاد تجسم داده ها به نرم افزار خاصی نیاز ندارید. با برخی از توابع، قالب‌بندی و فیلترهای پیشرفته، می‌توانید این نقشه‌های حرارتی را مستقیماً در Microsoft Excel ایجاد کنید. تکنیک های نشان داده شده در این دوره اکسل را از یک برنامه صفحه گسترده اولیه به یک ابزار تحلیلی پویا و قدرتمند برای نقشه برداری حرارتی تبدیل می کند.

rnrn او همچنین نشان می‌دهد که چگونه می‌توان از قالب‌بندی در مقیاس رنگی شرطی برای ترسیم ماتریس داده‌های خود استفاده کرد و با استفاده از فیلترهای پویا، راه‌های مختلفی برای بررسی داده‌های مشابه با معیارهای مختلف پیدا کرد. این دوره با چند کار تکمیلی به پایان می رسد تا نقشه گرمایی شما مفیدتر و جذاب تر شود، از جمله پیش نمایشی از آنچه با افزونه Power Map ممکن است.

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+.

linkedin علم داده در Google Cloud Platform: طراحی انبارهای داده (Mitalearn-143290)

  • 1 hours
  • متوسط
  • Release date: 22 June 2026
  • Author: Kumaran Ponnambalam
درباره این دوره:

رایانش ابری مقیاس پذیری و کشش نامحدودی را برای کاربردهای علم داده به ارمغان می آورد. تخصص در پلتفرم‌های اصلی، مانند Google Cloud Platform (GCP)، برای متخصصان فناوری اطلاعات ضروری است. این دوره - یکی از مجموعه‌هایی است که توسط متخصص باسابقه مهندسی ابر و دانشمند داده Kumaran Ponnambalam - نحوه طراحی و ساخت انبارهای داده با استفاده از GCP را نشان می‌دهد. انواع مختلف گزینه‌های ذخیره‌سازی موجود در GCP برای فایل‌ها، داده‌های رابطه‌ای، اسناد و داده‌های بزرگ، از جمله Cloud SQL، Cloud Bigtable، و Cloud BigQuery را کاوش کنید. سپس یاد بگیرید که چگونه از یک راه حل، BigQuery، برای انجام عملیات ذخیره سازی داده و پرس و جو استفاده کنید و موارد استفاده پیشرفته را مرور کنید، مانند کار با جداول پارتیشن و منابع داده خارجی. در نهایت، بهترین روش ها برای طراحی جدول، ذخیره سازی و بهینه سازی پرس و جو و نظارت بر انبارهای داده در BigQuery را بیاموزید.

linkedin عناصر اساسی تجزیه و تحلیل پیش بینی و داده کاوی (Mitalearn-113982)

  • 1 hours 28 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Keith McCormick
درباره این دوره:

یک پروژه تجزیه و تحلیل پیش بینی و داده کاوی مناسب می تواند افراد زیادی و چندین هفته را درگیر کند. همچنین خطاهای احتمالی زیادی وجود دارد که باید از آنها اجتناب کرد. چشم انداز تصویر بزرگ برای حفظ پروژه در مسیر ضروری است. این دوره این دیدگاه را از طریق دریچه یک تمرین‌کننده کهنه‌کار که ده‌ها پروژه در دنیای واقعی را تکمیل کرده است، ارائه می‌کند. کیت مک کورمیک یک داده کاوی مستقل و نویسنده است که در مدل‌های پیش‌بینی و تجزیه و تحلیل بخش‌بندی، از جمله درخت‌های طبقه‌بندی، تجزیه و تحلیل خوشه‌ای و قوانین تداعی تخصص دارد. در اینجا او دانش خود را با شما به اشتراک می گذارد. در هر مرحله از یک پروژه معمولی، از تعریف مشکل و جمع‌آوری داده‌ها و منابع گرفته تا اجرای راه‌حل را طی کنید. کیت همچنین یک نمای کلی از CRISP-DM (روش شناسی داده کاوی بالفعل) و نه قانون داده کاوی ارائه می دهد که شما را بر استراتژی و ارزش تجاری متمرکز می کند.

linkedin مدل سازی داده های Power BI با DAX (Mitalearn-186232)

  • 1 hours 22 minutes
  • متوسط
  • Update date: 21 June 2026
  • Author: Gini von Courter
درباره این دوره:

Power BI Desktop ایجاد مدل های داده پایه را آسان می کند. اما اگر نیاز به گزارش در دوره‌های زمانی دارید - برای مثال، رشد سال به سال را تجسم کنید یا فروش یا سایر داده‌ها را بر اساس ماه یا سه ماهه مقایسه کنید - به عبارات تحلیل داده (DAX) نیاز دارید. DAX زبانی است که می توانید از آن برای ایجاد فرمول هایی برای Power BI استفاده کنید که مدل داده شما را گسترش می دهد. در این دوره، Gini von Courter اصول کار با DAX، به اشتراک گذاری بهترین روش ها برای طراحی مدل داده و بهینه سازی در طول مسیر را پوشش می دهد. نحوه کار با توابع جمع DAX، اضافه کردن ستون های محاسبه شده، ایجاد اندازه گیری و کار با توابع منطقی و فیلتر DAX را بیاموزید.

coursera مدل سازی در AWS (Mitalearn-329712)

  • 1 hours 45 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Whizlabs Instructor
درباره این دوره:

مدل سازی در AWS سومین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. تمرکز اصلی این دوره آموزش مدل های یادگیری ماشین با تجزیه و تحلیل مفاهیم مدل سازی در AWS است. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره با سخنرانی‌های ویدئویی تقریباً 1:30 ساعت تا 2:00 ساعت که دانش تئوری و دستی را ارائه می‌کند، زبان‌آموزان را تسهیل می‌کند. همچنین آزمون های درجه بندی شده و بدون درجه بندی به منظور سنجش توانایی فراگیران به همراه هر ماژول ارائه می شود. ماژول 1: مدل سازی و آموزش مدل های یادگیری ماشین در AWS ماژول 2: مدل های یادگیری ماشین: ارزیابی عملکرد و تنظیم در پایان این دوره، فراگیران قادر خواهند بود: 1. تجزیه و تحلیل مفاهیم مدل سازی و آموزش مدل های یادگیری ماشین 2. عملکرد مدل های یادگیری ماشین را بررسی کنید 3. با آموزش یک مدل، تنظیم خودکار مدل را پیاده سازی کنید

linkedin مقدمه ای بر Stata 15 (Mitalearn-151314)

  • 4 hours 26 minutes
  • مبتدی
  • Update date: 25 July 2026
  • Author: Franz Buscha
درباره این دوره:

یادگیری و به کارگیری تکنیک های آماری جدید اغلب می تواند یک تجربه دلهره آور باشد. نرم افزاری مانند Stata، یک بسته نرم افزاری آماری یکپارچه، می تواند کمک کند. Stata چابک و آسان برای استفاده، خودکارسازی و گسترش است و به شما کمک می کند تا برای مجموعه داده های بسیار بزرگ دستکاری، تجسم و مدل سازی داده ها را انجام دهید. در این دوره، فرانتس بوشا مقدمه ای جامع بر Stata و کاربردهای مختلف آن در تحلیل داده های مدرن ارائه می دهد. گزینه های مختلفی را که Stata در دستکاری، کاوش، تجسم و مدل سازی انواع پیچیده داده به شما می دهد، مرور کنید. کاربرد عملی - و تفسیر - تکنیک های آماری رایج مانند تجزیه و تحلیل توزیعی و رگرسیون بر روی داده های واقعی را کاوش کنید. هر درس نقاط قوت برنامه را نشان می دهد و به شما یک پایه محکم برای انجام تجزیه و تحلیل کمی خود می دهد.

توجه: این دوره با استفاده از نسخه 15 Stata ثبت شده است، اما همه پوشش ها دقیق و به روز هستند. برای نسخه های 15 و 16.

coursera مقدمه ای بر پایگاه های داده NoSQL (Mitalearn-317030)

  • 3 hours 39 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Rav Ahuja,Ramesh Sannareddy,Steve Ryan
درباره این دوره:

با این دوره مقدماتی مبتدی، با پایگاه های داده NoSQL شروع کنید! این دوره دانش فنی و عملی از پایگاه‌های داده NoSQL و ارائه‌های پایگاه داده به‌عنوان سرویس (DaaS) ارائه می‌کند. با ظهور Big Data و متدولوژی های توسعه چابک، پایگاه های داده NoSQL ارتباط زیادی در چشم انداز پایگاه داده پیدا کرده اند. مزیت اصلی آنها توانایی رسیدگی به مسائل مقیاس پذیری و انعطاف پذیری است که برنامه های کاربردی مدرن مطرح می کنند. شما این دوره را با یادگیری تاریخچه و مبانی پایگاه های داده NoSQL (سند، کلید-مقدار، ستون و نمودار) آغاز خواهید کرد و ویژگی ها و مزایای کلیدی آنها را کشف خواهید کرد. شما با چهار دسته از پایگاه های داده NoSQL و تفاوت آنها آشنا خواهید شد. همچنین تفاوت‌های بین مدل‌های سازگاری ACID و BASE، مزایا و معایب سیستم‌های توزیع‌شده و زمان استفاده از RDBMS و NoSQL را بررسی خواهید کرد. همچنین در مورد پایگاه‌های داده برداری، یک کلاس در حال ظهور از پایگاه‌های داده که در هوش مصنوعی محبوب هستند، یاد خواهید گرفت. در مرحله بعد، معماری و ویژگی های چندین پیاده سازی پایگاه داده NoSQL، یعنی MongoDB، Cassandra و IBM Cloudant را بررسی خواهید کرد. شما در مورد وظایف مشترکی که هر یک از آنها انجام می دهند و ویژگی های کلیدی و تعیین کننده آنها یاد خواهید گرفت. سپس تجربه عملی با استفاده از آن پایگاه‌های داده NoSQL برای انجام وظایف مدیریت پایگاه داده استاندارد، مانند ایجاد و تکثیر پایگاه‌های داده، بارگیری و جستجوی داده‌ها، اصلاح مجوزهای پایگاه داده، فهرست‌سازی و تجمیع داده‌ها، و تقسیم (یا پارتیشن‌بندی) داده‌ها به دست خواهید آورد. در پایان این دوره، شما یک پروژه نهایی را تکمیل خواهید کرد که در آن تمام دانش خود را از محتوای دوره در یک سناریو خاص به کار خواهید برد و با چندین پایگاه داده NoSQL کار خواهید کرد. این دوره برای هر کسی که می خواهد مجموعه مهارت های مدیریت داده و فناوری اطلاعات خود را گسترش دهد مناسب است.

coursera مقدمه ای بر پایگاه های داده رابطه ای (RDBMS) (Mitalearn-319376)

  • 2 hours 59 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Rav Ahuja,Sandip Saha Joy
درباره این دوره:

آیا برای شیرجه زدن به دنیای مهندسی داده آماده هستید؟ در این دوره سطح مبتدی، شما درک کاملی از نحوه ذخیره، پردازش و دسترسی به داده ها در پایگاه داده های رابطه ای (RDBMS) خواهید داشت. شما با انواع مختلفی از پایگاه داده ها کار خواهید کرد که برای نیازهای مختلف پردازش داده ها مناسب هستند. شما این دوره را با آشنایی با مفاهیم پایگاه داده رابطه ای و همچنین چندین پایگاه داده استاندارد رابطه ای صنعتی از جمله IBM DB2، MySQL و PostgreSQL آغاز خواهید کرد. در مرحله بعد، از ابزارهای RDBMS استفاده شده توسط افراد حرفه ای مانند phpMyAdmin و pgAdmin برای ایجاد و نگهداری پایگاه داده های رابطه ای استفاده می کنید. همچنین از خط فرمان و دستورات SQL برای ایجاد و مدیریت جداول استفاده خواهید کرد. این دوره شامل تمرینات عملی و عملی است که به شما کمک می کند تا یادگیری خود را نشان دهید. شما با پایگاه های داده واقعی کار خواهید کرد و مجموعه داده های دنیای واقعی را کاوش خواهید کرد. شما نمونه های پایگاه داده ایجاد می کنید و آنها را با جداول و داده ها پر می کنید. در پایان این دوره، شما یک تکلیف نهایی را تکمیل می کنید که در آن دانش انباشته شده خود را از این دوره به کار می گیرید و نشان می دهید که مهارت های زیر را دارید: طراحی پایگاه داده برای یک نیاز تجزیه و تحلیل خاص، عادی سازی جداول، ایجاد جداول و نماها در پایگاه داده، بارگیری و دسترسی به داده ها. هیچ دانش قبلی از پایگاه داده یا برنامه نویسی مورد نیاز نیست. هر کس می تواند این دوره را بدون هزینه بررسی کند. اگر این دوره را انتخاب کنید و گواهی دوره Coursera را کسب کنید، می توانید پس از اتمام موفقیت آمیز دوره، نشان دیجیتال IBM را نیز کسب کنید.

coursera مقدمه ای بر تحلیل داده ها (Mitalearn-287841)

  • 4 hours 45 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Anke Audenaert
درباره این دوره:

این دوره یک درک عملی و چارچوبی برای وظایف اصلی تجزیه و تحلیل، از جمله استخراج داده، تمیز کردن، دستکاری و تجزیه و تحلیل ارائه می دهد. این چرخه OSEMN را برای مدیریت پروژه های تحلیلی معرفی می کند و شما نمونه های واقعی از نحوه استفاده شرکت ها از بینش داده ها برای بهبود تصمیم گیری را بررسی خواهید کرد. در پایان این دوره شما قادر خواهید بود: • اهداف تجاری، KPI و معیارهای مرتبط را تدوین کنید • یک فرآیند تجزیه و تحلیل داده ها را با استفاده از چارچوب OSEMN اعمال کنید • داده های مربوطه را که برای بازاریابی جمع آوری می شود، شناسایی و تعریف کنید • فرمت های مختلف داده و کاربردهای آنها را در سناریوهای مختلف مقایسه و مقایسه کنید • شکاف های داده ها را شناسایی کنید و نقاط قوت و ضعف داده های جمع آوری شده را بیان کنید شما نیازی به تجربه بازاریابی یا تجزیه و تحلیل داده ندارید، اما باید مهارت های ناوبری اینترنتی اولیه را داشته باشید و مشتاق مشارکت باشید. در حالت ایده آل، شما قبلاً دوره 1: بنیاد تجزیه و تحلیل بازاریابی را در این برنامه تکمیل کرده اید.

linkedin یادگیری علم داده: سوالات بزرگ بپرسید (Mitalearn-91627)

  • 1 hours 14 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Doug Rose
درباره این دوره:

اکتشافات بزرگ علم داده اغلب به کسی برمی‌گردد که یک سؤال مهم می‌پرسد. به همین دلیل برای تیم شما مهم است که از تفکر انتقادی برای ارائه سوالات زیرکانه و معنادار که ارزش واقعی را اضافه می کند، استفاده کند. یک سوال خوب می تواند مانع از انحراف تیم شما در فرضیات بد و نتیجه گیری های نادرست شود. در این دوره، نویسنده داگ رز مؤلفه‌های کلیدی استدلال انتقادی و چگونگی جستجوی طلا در جریان داده‌ها را برای جستجوی سؤالات جدید بررسی می‌کند. شما یاد خواهید گرفت که چگونه به عنوان یک تیم برای اجرای جلسات سؤال، سازماندهی ایده های مهم در درختان سؤال، و ایجاد سؤالات با کیفیت با روشن کردن اصطلاحات کلیدی، شواهد چالش برانگیز، کشف آمارهای گمراه کننده و موارد دیگر با یکدیگر همکاری کنید.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: درختان تصمیم با SPSS (Mitalearn-104173)

  • 1 hours 27 minutes
  • مبتدی
  • Update date: 25 July 2026
  • Author: Keith McCormick
درباره این دوره:

بسیاری از متخصصان علوم داده به دنبال تمرکز بر یادگیری ماشین هستند. این دوره، ملزومات یادگیری ماشین، از جمله تجزیه و تحلیل پیش‌بینی‌کننده و کار با درخت‌های تصمیم را پوشش می‌دهد. چندین الگوریتم درختی محبوب را کاوش کنید و یاد بگیرید که چگونه از مهندسی معکوس برای شناسایی متغیرهای خاص استفاده کنید. نمایش های استفاده از IBM SPSS Modeler گنجانده شده است تا بتوانید نحوه عملکرد درختان تصمیمات را درک کنید. این دوره طراحی شده است تا به شما یک پایه محکم برای ایجاد مهارت های پیشرفته تری در علم داده ارائه دهد.

linkedin یک پروژه مستقل: با استفاده از NLP یک مدل ایجاد کنید تا تشخیص دهد که آیا یک خبر خاص واقعی است یا جعلی (Mitalearn-411652)

  • 12 minutes
  • مناسب همه
  • Release date: 7 July 2025
  • Author: SkillUp Online
درباره این دوره: 

 

مجموعه داده های اخبار جعلی یکی از مجموعه داده های کلاسیک تجزیه و تحلیل متن است که در Kaggle موجود است. این مجموعه از عناوین مقاله و جعلی و متن از نویسندگان مختلف تشکیل شده است. در این پروژه ، با این مجموعه داده در دنیای واقعی کار کنید تا یک مدل تشخیص خبری جعلی تهیه کنید. بیاموزید که چگونه داده های متن را تمیز و پیش پردازش کنید ، ویژگی های معنی دار را استخراج کنید ، یک مدل طبقه بندی را آموزش دهید و عملکرد آن را ارزیابی کنید. این پروژه به گونه ای طراحی شده است که تقریباً در 10 ساعت به پایان برسد.

این پروژه توسط Skillup Online ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.


Suggestions