Course catalog

Course duration

Course provider

Topic

Categories

Showing 421-440 of 587 items.

coursera مبانی تجزیه و تحلیل کلان داده با SQL (Mitalearn-327094)

  • 4 hours 40 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Glynn Durham
درباره این دوره:

در این دوره آموزشی، تصویر بزرگی از استفاده از SQL برای داده های بزرگ دریافت خواهید کرد که با مروری بر داده ها، سیستم های پایگاه داده و زبان رایج پرس و جو (SQL) شروع می شود. سپس با ویژگی های داده های بزرگ و ابزارهای SQL برای کار بر روی پلتفرم های کلان داده آشنا خواهید شد. شما همچنین یک محیط تمرینی (ماشین مجازی) را برای استفاده در دوره های تخصصی نصب خواهید کرد و فرصتی خواهید داشت که در آن محیط اطلاعات اولیه و جداول را کاوش کنید. در پایان دوره، شما قادر خواهید بود • پایگاه داده های عملیاتی را از تحلیلی تشخیص دهید و درک کنید که چگونه آنها در داده های بزرگ اعمال می شوند. • درک اینکه چگونه طراحی پایگاه داده و جدول ساختارهایی را برای کار با داده ها فراهم می کند. • درک کنید که چگونه تفاوت در حجم و تنوع داده ها بر انتخاب یک سیستم پایگاه داده مناسب تأثیر می گذارد. • ویژگی ها و مزایای گویش های SQL را که برای کار با سیستم های کلان داده برای ذخیره سازی و تجزیه و تحلیل طراحی شده اند، تشخیص دهد. و • پایگاه‌های داده و جداول را در یک پلتفرم کلان داده کاوش کنید. برای استفاده از محیط عملی این دوره، باید یک ماشین مجازی و نرم افزاری که روی آن اجرا می شود را دانلود و نصب کنید. قبل از ادامه، مطمئن شوید که به رایانه ای دسترسی دارید که شرایط سخت افزاری و نرم افزاری زیر را برآورده می کند: • سیستم عامل Windows، macOS، یا لینوکس (iPads و تبلت‌های Android کار نمی‌کنند) • سیستم عامل 64 بیتی (سیستم عامل های 32 بیتی کار نمی کنند) • 8 گیگابایت رم یا بیشتر • ۲۵ گیگابایت فضای دیسک رایگان یا بیشتر • پشتیبانی مجازی سازی Intel VT-x یا AMD-V فعال است (در رایانه های مک با پردازنده های اینتل، این همیشه فعال است. در رایانه های ویندوز و لینوکس، ممکن است لازم باشد آن را در بایوس فعال کنید) • فقط برای رایانه‌های Windows XP: باید یک ابزار unzip مانند 7-Zip یا WinZip نصب کرده باشید (ابزار Unzip داخلی Windows XP کار نخواهد کرد)

coursera مبانی تجسم با تابلو (Mitalearn-328165)

  • 1 hours 44 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Desiree' Abbott
درباره این دوره:

در اولین دوره از این تخصص، خواهید فهمید که تجسم داده چیست و چگونه می توانیم از آن برای دیدن و درک بهتر داده ها استفاده کنیم. با استفاده از Tableau، مفاهیم اساسی تجسم داده ها را بررسی می کنیم و رابط Tableau را بررسی می کنیم، ابزارهای مختلفی را که Tableau ارائه می دهد شناسایی و به کار خواهیم برد. در پایان دوره شما قادر خواهید بود داده ها را به Tableau آماده و وارد کنید و رابطه بین تجزیه و تحلیل داده ها و تجسم داده ها را توضیح دهید. این دوره برای دانش‌آموزانی طراحی شده است که قبلاً از Tableau استفاده نکرده‌اند یا ممکن است نیاز به تجدید نظر داشته باشند یا بخواهند Tableau را عمیق‌تر بررسی کنند. هیچ پیش زمینه فنی یا تحلیلی قبلی مورد نیاز نیست. این دوره شما را از طریق مراحل لازم برای ایجاد اولین تجسم خود از ابتدا بر اساس زمینه داده ها راهنمایی می کند و زمینه را برای پیشرفت شما به دوره بعدی در تخصص فراهم می کند.

coursera مبانی تجسم داده ها (Mitalearn-333265)

  • 5 hours 47 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Danielle Szafir
درباره این دوره:

داده ها همه جا هستند. نمودارها، نمودارها و انواع دیگر تجسم اطلاعات به افراد کمک می‌کنند تا این داده‌ها را درک کنند. این دوره به بررسی طراحی، توسعه و ارزیابی چنین تجسم‌های اطلاعاتی می‌پردازد. با ترکیب جنبه های طراحی، گرافیک کامپیوتری، HCI و علم داده، تجربه عملی در ایجاد تجسم، استفاده از ابزارهای اکتشافی، و معماری روایت های داده به دست خواهید آورد. موضوعات شامل طراحی کاربر محور، تجسم مبتنی بر وب، شناخت و ادراک داده، و ارزیابی طراحی است. 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

coursera مبانی جبر خطی (Mitalearn-331837)

  • 3 hours 24 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Dr. S. K. Gupta
درباره این دوره:

یادگیری ماشین و علم داده محبوب ترین موضوعات تحقیقاتی امروزه هستند. آنها در تمام زمینه های مهندسی و علوم کاربرد دارند. ابزارهای مختلف یادگیری ماشین راه حلی مبتنی بر داده برای مشکلات مختلف زندگی واقعی ارائه می دهند. دانش اولیه جبر خطی برای توسعه الگوریتم‌های جدید برای یادگیری ماشین و علم داده ضروری است. در این دوره با مفاهیم ریاضی مرتبط با جبر خطی که شامل فضاهای برداری، زیرفضاها، دهانه خطی، مبنا و بعد است آشنا می شوید. همچنین تبدیل خطی، رتبه و بی‌ثباتی تبدیل خطی، مقادیر ویژه، بردارهای ویژه و مورب‌سازی ماتریس‌ها را پوشش می‌دهد. مفاهیم تجزیه ارزش منفرد، فضای محصول درونی، و هنجار بردارها و ماتریس ها، محتوای دوره را بیشتر غنی می کند.

coursera مبانی داده های تاریک - درک ناشناخته (Mitalearn-327570)

  • 3 hours 41 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Curtis Thompson
درباره این دوره:

این دوره به شما کمک می کند واژگان و مفاهیم لازم برای درک و استفاده از Dark Data را برای ایجاد ارزش برای سازمان خود بیاموزید.

coursera مبانی طراحی تجربی (Mitalearn-330494)

  • 4 hours 46 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Douglas C. Montgomery
درباره این دوره:

این یک دوره ابتدایی در طراحی آزمایش ها و تجزیه و تحلیل داده های حاصل است. هدف دوره یادگیری نحوه برنامه ریزی، طراحی و اجرای آزمایش ها به طور کارآمد و مؤثر و تجزیه و تحلیل داده های حاصل برای به دست آوردن نتایج عینی است. هر دو طراحی و مسائل تجزیه و تحلیل آماری مورد بحث قرار می گیرند. فرصت‌هایی برای استفاده از اصول آموزش داده شده در این دوره در تمام جنبه‌های محیط صنعتی و تجاری امروزی به وجود می‌آید. برنامه های کاربردی از زمینه های مختلف در طول دوره به تصویر کشیده خواهد شد. بسته‌های نرم‌افزاری کامپیوتری (JMP، Design-Expert، Minitab) برای پیاده‌سازی روش‌های ارائه‌شده استفاده خواهد شد و به طور گسترده نشان داده خواهد شد. همه آزمایش ها آزمایش های طراحی شده هستند. برخی از آنها طراحی ضعیفی دارند و برخی دیگر به خوبی طراحی شده اند. آزمایش‌هایی که به خوبی طراحی شده‌اند به شما این امکان را می‌دهند که نتایج قابل اعتماد و معتبری را سریع‌تر، آسان‌تر و با منابع کمتر نسبت به آزمایش‌هایی با طراحی ضعیف به دست آورید. شما در این دوره یاد خواهید گرفت که چگونه آزمایشات را به طور موثر برنامه ریزی، اجرا و تجزیه و تحلیل کنید.

coursera مبانی علم داده (Mitalearn-335917)

  • 1 hours 43 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Google Career Certificates
درباره این دوره:

این اولین دوره از هفت دوره در گواهی تجزیه و تحلیل داده های پیشرفته Google است که به توسعه مهارت های مورد نیاز برای درخواست نقش های حرفه ای داده های پیشرفته تر، مانند دانشمند داده در سطح ورودی یا تحلیلگر داده در سطح پیشرفته، کمک می کند. متخصصان داده ها داده ها را تجزیه و تحلیل می کنند تا به کسب و کارها در تصمیم گیری بهتر کمک کنند. برای انجام این کار، آنها از تکنیک های قدرتمندی مانند داستان سرایی داده، آمار و یادگیری ماشینی استفاده می کنند. در این دوره، شما سفر یادگیری خود را با کاوش در نقش متخصصان داده در محل کار آغاز خواهید کرد. همچنین در مورد گردش کار پروژه PACE (طرح، تجزیه و تحلیل، ساخت، اجرا) و اینکه چگونه می تواند به شما در سازماندهی پروژه های داده کمک کند، خواهید آموخت. کارمندان Google که در حال حاضر در این زمینه کار می‌کنند، با ارائه فعالیت‌های عملی که وظایف مرتبط را شبیه‌سازی می‌کنند، به اشتراک گذاشتن نمونه‌هایی از کارهای روزانه‌شان، و کمک به شما در تقویت مهارت‌های تجزیه و تحلیل داده‌ها برای آماده شدن برای حرفه‌تان، شما را در این دوره راهنمایی می‌کنند. فراگیرانی که هفت دوره در این برنامه را تکمیل می کنند، مهارت های مورد نیاز برای درخواست برای مشاغل علوم داده و تجزیه و تحلیل داده های پیشرفته را خواهند داشت. این گواهی مستلزم آگاهی قبلی از اصول، مهارت‌ها و ابزارهای تحلیلی پایه است که در گواهی تجزیه و تحلیل داده‌های Google پوشش داده شده است. در پایان این دوره، شما: -کارکردهای تجزیه و تحلیل داده و علم داده را در یک سازمان توصیف کنید -ابزارهای استفاده شده توسط متخصصان داده را شناسایی کنید کاوش در ارزش نقش های مبتنی بر داده در سازمان ها فرصت های شغلی را برای یک متخصص داده بررسی کنید - گردش کار پروژه داده را توضیح دهید - مهارت های ارتباط موثر را توسعه دهید

coursera مبانی علم داده برای تحلیلگران داده (Mitalearn-330681)

  • 4 hours 16 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Emma Freeman
درباره این دوره:

در این دوره ما شما را از طریق بلوک های ساختمانی اساسی علم داده، یکی از سریع ترین زمینه های در حال رشد در جهان، راهنمایی می کنیم! با کمک دانشمندان پیشرو در صنعت خود، ما این دوره را برای ایجاد مهارت های علمی داده آماده و کاربردی در تنها 15 ساعت یادگیری طراحی کرده ایم. ابتدا، ما به شما یک مقدمه سریع از علم داده ارائه می دهیم - چیست و چگونه برای حل مشکلات دنیای واقعی استفاده می شود. برای بقیه دوره، ما مهارت‌هایی را به شما آموزش می‌دهیم که برای استفاده از مفاهیم و تکنیک‌های پایه علم داده برای حل این مشکلات دنیای واقعی نیاز دارید. در پایان این دوره، شما قادر خواهید بود از مهارت های موجود در تجزیه و تحلیل داده ها برای طراحی، اجرا، ارزیابی و انتقال نتایج پروژه های علم داده خود استفاده کنید.

coursera مبانی علم داده های مقیاس پذیر (Mitalearn-328335)

  • 1 hours 49 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Romeo Kienzler
درباره این دوره:

آپاچی اسپارک استاندارد واقعی برای پردازش داده در مقیاس بزرگ است. این اولین دوره از یک سری دوره ها به سمت تخصص IBM Advanced Data Science است. ما قویاً معتقدیم که برای موفقیت در شروع یادگیری یک پلتفرم علم داده مقیاس‌پذیر بسیار مهم است زیرا محدودیت‌های حافظه و CPU برای ساختن مدل‌های پیشرفته یادگیری ماشینی عامل محدودکننده هستند. در این دوره ما اصول Apache Spark را با استفاده از پایتون و pyspark به شما آموزش می دهیم. ما Apache Spark را در دو هفته اول معرفی خواهیم کرد و یاد خواهیم گرفت که چگونه از آن برای محاسبه وظایف اولیه اکتشافی و پیش پردازش داده در دو هفته گذشته استفاده کنیم. از طریق این تمرین شما همچنین با اساسی ترین معیارهای آماری و فناوری های تجسم داده ها آشنا می شوید. این به شما دانش کافی برای به عهده گرفتن نقش یک مهندس داده در هر محیط مدرن می دهد. اما به شما مبنایی برای پیشبرد حرفه خود به سمت علم داده نیز می دهد. لطفاً به برنامه درسی تخصصی کامل نگاهی بیندازید: https://www.coursera.org/specializations/advanced-data-science-ibm اگر این دوره را بگذرانید و گواهی دوره Coursera را دریافت کنید، یک IBM دیجیتال نیز کسب خواهید کرد. نشان برای کسب اطلاعات بیشتر در مورد نشان های دیجیتال IBM پیوند ibm.biz/badging را دنبال کنید. پس از تکمیل این دوره، شما قادر خواهید بود: • توضیح دهید که چگونه معیارهای آماری اساسی برای آشکار کردن الگوهای موجود در داده ها استفاده می شود. • شناسایی تکنیک های مفید برای کار با داده های بزرگ مانند روش های کاهش ابعاد و انتخاب ویژگی • استفاده از ابزارهای پیشرفته و کتابخانه های نموداری برای: o بهبود کارایی تجزیه و تحلیل داده های بزرگ با تجزیه و تحلیل موازی و پارتیشن بندی o تجسم داده ها به صورت تعدادی دو بعدی و فرمت های سه بعدی (Box Plot، Run Chart، Scatter Plot، Pareto Chart، و Multidimensional Scaling) برای تکمیل موفقیت آمیز دوره، پیش نیازهای زیر توصیه می شود: • مهارت های برنامه نویسی اولیه در پایتون • ریاضی پایه • SQL پایه (شما می توانید آن را به راحتی دریافت کنید. از https://www.coursera.org/learn/sql-data-science در صورت نیاز) برای تکمیل این دوره از فناوری های زیر استفاده می شود: (این فناوری ها در دوره در صورت لزوم معرفی شده اند بنابراین هیچ دانش قبلی وجود ندارد. لازم است.) • نوت بوک های Jupyter (به صورت رایگان توسط IBM Watson Studio برای شما آورده شده است) • ApacheSpark (به صورت رایگان توسط IBM Watson Studio برای شما آورده شده است) • Python گزارش شده است که برخی از مطالب این دوره بسیار پیشرفته است. بنابراین اگر شما هم همین احساس را دارید، لطفا قبل از شروع این دوره ابتدا به مطالب زیر نگاهی بیندازید، گزارش شده است که این واقعا کمک می کند. البته می توانید ابتدا این دوره را امتحان کنید و سپس در صورت نیاز دوره ها/مواد زیر را بگذرانید. این برنامه رایگان است... https://cognitiveclass.ai/learn/spark https://dataplatform.cloud.ibm.com/analytics/notebooks/v2/f8982db1-5e55-46d6-a272-fd11b670be38/view?access3311a945333333333333333333333333333333333333333333694=533311a9455 b3eae2a99e0dc923ec0775d891c31c5bbbc68 این دوره چهار هفته طول می کشد، 4-6 ساعت در هفته

linkedin مبانی علم داده: پشته علمی پایتون [CoderPad] (Mitalearn-443561)

  • 2 hours 25 minutes
  • مناسب همه
  • Release date: 9 November 2022
  • Author: Miki Tebeka
درباره این دوره: 

 به مربی Miki Tebeka بپیوندید که در پشته علمی پایتون شیرجه می‌زند و به شما نشان می‌دهد چگونه از آن برای حل مشکلات استفاده کنید. Miki بسته‌های اصلی مورد استفاده در فرآیند علم داده را پوشش می‌دهد: numpy، pandas، matplotlib، scikit-learn، و موارد دیگر. او همچنین شما را از طریق نحوه بارگیری داده ها، تجزیه و تحلیل داده ها، اجرای مدل ها و نمایش نتایج راهنمایی می کند.

این دوره با GitHub Codespaces، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به هیچ گونه راه اندازی ماشین محلی ارائه می دهد، یکپارچه شده است. با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید، در حالی که از ابزاری استفاده می‌کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای یادگیری نحوه شروع، ویدیوی «استفاده از فضاهای کد GitHub با این دوره» را بررسی کنید.

coursera مبانی علم داده: خوشه بندی K-Means در پایتون (Mitalearn-326652)

  • 2 hours 57 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Dr Matthew Yee-King,Dr Betty Fyn-Sydney,Dr Jamie A Ward
درباره این دوره:

سازمان‌ها در سراسر جهان از داده‌ها برای پیش‌بینی رفتارها و استخراج بینش‌های ارزشمند دنیای واقعی برای تصمیم‌گیری استفاده می‌کنند. مدیریت و تجزیه و تحلیل کلان داده ها به بخشی ضروری از امور مالی مدرن، خرده فروشی، بازاریابی، علوم اجتماعی، توسعه و تحقیقات، پزشکی و دولت تبدیل شده است. این MOOC که توسط یک تیم دانشگاهی از Goldsmiths، دانشگاه لندن طراحی شده است، به سرعت شما را با مفاهیم اصلی علم داده آشنا می کند تا شما را برای دوره های متوسط ​​و پیشرفته علوم داده آماده کند. این بر روی ریاضیات، آمار و مهارت های برنامه نویسی اساسی تمرکز دارد که برای کارهای معمولی تجزیه و تحلیل داده ها ضروری است. شما این مفاهیم اساسی را در یک کار نمونه‌ای خوشه‌بندی داده در نظر خواهید گرفت و از این مثال برای یادگیری مهارت‌های برنامه‌نویسی اولیه که برای تسلط بر تکنیک‌های علم داده ضروری هستند، استفاده خواهید کرد. در طول دوره، از شما خواسته می‌شود که یک سری تمرین‌های ریاضی و برنامه‌نویسی و یک پروژه خوشه‌بندی داده‌های کوچک برای یک مجموعه داده انجام دهید.

linkedin مبانی علم داده: مبانی (Mitalearn-273085)

  • 5 hours 17 minutes
  • مناسب همه
  • Release date: 4 February 2022
  • Author: Barton Poulson
درباره این دوره: 

 علم داده در حال هدایت یک انقلاب جهانی است که همه چیز را از اتوماسیون کسب و کار گرفته تا تعاملات اجتماعی در بر می گیرد. همچنین یکی از مشاغلی است که سریع‌ترین رشد را دارد و با ارزش‌ترین شغل، تحلیلگران و مهندسان را در سراسر جهان به کار می‌گیرد. این دوره یک نمای کلی غیر فنی و قابل دسترس از این رشته را ارائه می دهد که واژگان، مهارت ها، مشاغل، ابزارها و تکنیک های علم داده را پوشش می دهد. مربی بارتون پولسون روابط را با سایر زمینه های اشباع شده از داده مانند یادگیری ماشین و هوش مصنوعی تعریف می کند. او شیوه‌های اولیه را بررسی می‌کند: جمع‌آوری و تجزیه و تحلیل داده‌ها، تدوین قوانین برای طبقه‌بندی و تصمیم‌گیری، و ترسیم بینش‌های عملی. او همچنین در مورد اخلاق و مسئولیت پذیری بحث می کند و جهت کسب اطلاعات بیشتر را ارائه می دهد. در پایان، خواهید دید که چگونه علم داده می تواند به شما در تصمیم گیری بهتر، به دست آوردن بینش عمیق تر و موثرتر و کارآمدتر کردن کارتان کمک کند.

Related Skills

coursera مبانی یادگیری تقویتی (Mitalearn-330052)

  • 3 hours 51 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Martha White,Adam White
درباره این دوره:

یادگیری تقویتی زیرشاخه یادگیری ماشینی است، اما یک فرمالیسم با هدف کلی برای تصمیم گیری خودکار و هوش مصنوعی نیز هست. این دوره شما را با تکنیک های یادگیری آماری آشنا می کند که در آن یک عامل به صراحت اقداماتی انجام می دهد و با جهان تعامل دارد. درک اهمیت و چالش های عوامل یادگیری که تصمیم گیری می کنند امروزه از اهمیت حیاتی برخوردار است، زیرا شرکت های بیشتری به عوامل تعاملی و تصمیم گیری هوشمند علاقه مند هستند. این دوره شما را با اصول یادگیری تقویتی آشنا می کند. وقتی این دوره را تمام کردید، خواهید داشت: - رسمی کردن مشکلات به عنوان فرآیندهای تصمیم مارکوف - روش های اولیه اکتشاف و معاوضه اکتشاف / بهره برداری را بدانید - درک توابع ارزش، به عنوان یک ابزار همه منظوره برای تصمیم گیری بهینه - بدانید که چگونه برنامه نویسی پویا را به عنوان یک رویکرد راه حل کارآمد برای یک مشکل کنترل صنعتی پیاده سازی کنید این دوره مفاهیم کلیدی یادگیری تقویتی، زیربنای الگوریتم های کلاسیک و مدرن در RL را به شما آموزش می دهد. پس از اتمام این دوره، می توانید از RL برای مشکلات واقعی استفاده کنید، جایی که MDP را دارید یا می توانید مشخص کنید. این اولین دوره تخصصی آموزش تقویتی است.

coursera مبانی یادگیری ماشین برای زنجیره تامین (Mitalearn-329406)

  • 1 hours 49 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Rajvir Dua,Neelesh Tiruviluamala
درباره این دوره:

این دوره به شما می آموزد که چگونه از قدرت پایتون برای درک مجموعه داده های زنجیره تامین پیچیده استفاده کنید. حتی اگر با اصول زنجیره تامین آشنا نباشید، مجموعه داده های غنی که به عنوان بوم از آنها استفاده خواهیم کرد به شما کمک می کند تا با چندین ابزار پایتونیک و بهترین شیوه ها برای تجزیه و تحلیل داده های اکتشافی (EDA) آشنا شوید. به این ترتیب، اگرچه همه مجموعه داده‌ها برای متخصصان حرفه‌ای زنجیره تامین طراحی شده‌اند، درس‌ها به راحتی به موارد استفاده دیگر قابل تعمیم هستند.

coursera مبانی یادگیری ماشین برای مدیران محصول (Mitalearn-326482)

  • 4 hours 27 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Jon Reifschneider
درباره این دوره:

در این اولین دوره از تخصص مدیریت محصول هوش مصنوعی ارائه شده توسط دانشکده مهندسی پرت دانشگاه دوک، شما درک اساسی از چیستی یادگیری ماشین، نحوه کارکرد و زمان و چرایی کاربرد آن خواهید داشت. برای مدیریت موفقیت آمیز یک تیم یا محصول هوش مصنوعی و کار مشترک با دانشمندان داده، مهندسان نرم افزار و مشتریان، باید اصول اولیه فناوری یادگیری ماشین را بدانید. این دوره مقدمه‌ای بدون کدنویسی برای یادگیری ماشین، با تمرکز بر فرآیند توسعه مدل‌ها، ارزیابی و تفسیر مدل ML، و شهود پشت الگوریتم‌های رایج ML و یادگیری عمیق ارائه می‌کند. این دوره با یک پروژه عملی به پایان می رسد که در آن شما فرصتی برای آموزش و بهینه سازی یک مدل یادگیری ماشین بر روی یک مشکل ساده در دنیای واقعی خواهید داشت. در پایان این دوره، شما باید بتوانید: 1) نحوه عملکرد یادگیری ماشین و انواع یادگیری ماشین را توضیح دهید 2) چالش های مدل سازی و راهبردهای غلبه بر آنها را شرح دهید 3) الگوریتم های اولیه مورد استفاده برای کارهای رایج ML و موارد استفاده از آنها را شناسایی کنید 4) یادگیری عمیق و نقاط قوت و چالش های آن را نسبت به سایر اشکال یادگیری ماشین توضیح دهید 5) بهترین شیوه ها را در ارزیابی و تفسیر مدل های ML اجرا کنید

coursera مبانی یادگیری ماشین در امور مالی (Mitalearn-333282)

  • 4 hours 34 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Igor Halperin
درباره این دوره:

هدف این دوره کمک به دانش‌آموزان برای حل مشکلات عملی مرتبط با ML است که ممکن است در زندگی واقعی با آن‌ها مواجه شوند، که شامل موارد زیر است: (1) درک اینکه مشکلی که فرد با آن مواجه می‌شود در یک چشم‌انداز کلی از روش‌های ML موجود است، (2) درک اینکه رویکرد(های) خاص ML برای حل مشکل و (3) توانایی اجرای موفقیت آمیز راه حل و ارزیابی عملکرد آن مناسب ترین است. یک یادگیرنده با دانش قبلی یا بدون دانش قبلی در مورد یادگیری ماشین (ML) با الگوریتم های اصلی یادگیری تحت نظارت و بدون نظارت و یادگیری تقویتی آشنا می شود و می تواند از بسته های منبع باز Python ML برای طراحی، آزمایش و پیاده سازی الگوریتم های ML استفاده کند. در امور مالی مبانی یادگیری ماشین در امور مالی، دید عمیق تری از یادگیری تحت نظارت، بدون نظارت و تقویتی ارائه می دهد و در نهایت به پروژه ای در مورد استفاده از یادگیری بدون نظارت برای اجرای یک استراتژی معاملاتی ساده سبد سهام ختم می شود. این دوره برای سه دسته از دانشجویان طراحی شده است: پزشکان شاغل در مؤسسات مالی مانند بانک ها، شرکت های مدیریت دارایی یا صندوق های تامینی افراد علاقه مند به کاربردهای ML برای تجارت روزانه شخصی دانشجویان تمام وقت فعلی در حال تحصیل در رشته های مالی، آمار، علوم کامپیوتر، ریاضیات، فیزیک، مهندسی یا سایر رشته های مرتبط که می خواهند در مورد کاربردهای عملی ML در امور مالی بیاموزند. برای انجام تکالیف در این دوره، تجربه با پایتون (شامل نوت بوک های numpy، پانداها و IPython/Jupyter)، جبر خطی، تئوری احتمالات پایه و حساب دیفرانسیل و انتگرال ضروری است.

coursera مبانی یادگیری ماشین: رویکرد مطالعه موردی (Mitalearn-334489)

  • 8 hours 39 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Emily Fox,Carlos Guestrin
درباره این دوره:

آیا داده ای دارید و نمی دانید چه چیزی می تواند به شما بگوید؟ آیا به درک عمیق تری از راه های اصلی که یادگیری ماشینی می تواند کسب و کار شما را بهبود بخشد نیاز دارید؟ آیا می خواهید بتوانید با متخصصان در مورد هر چیزی از رگرسیون و طبقه بندی گرفته تا یادگیری عمیق و سیستم های توصیه کننده صحبت کنید؟ در این دوره، از یک سری مطالعات موردی عملی، تجربه عملی در زمینه یادگیری ماشین کسب خواهید کرد. در پایان دوره اول، نحوه پیش بینی قیمت خانه بر اساس ویژگی های سطح خانه، تجزیه و تحلیل احساسات از نظرات کاربران، بازیابی اسناد مورد علاقه، توصیه محصولات و جستجوی تصاویر را مطالعه خواهید کرد. از طریق تمرین عملی با این موارد استفاده، می‌توانید روش‌های یادگیری ماشینی را در طیف گسترده‌ای از حوزه‌ها به کار ببرید. این اولین دوره، روش یادگیری ماشین را به عنوان یک جعبه سیاه در نظر می گیرد. با استفاده از این انتزاع، بر درک وظایف مورد علاقه، تطبیق این وظایف با ابزارهای یادگیری ماشین و ارزیابی کیفیت خروجی تمرکز خواهید کرد. در دوره های بعدی با بررسی مدل ها و الگوریتم ها به اجزای این جعبه سیاه می پردازید. این قطعات با هم خط لوله یادگیری ماشینی را تشکیل می دهند که از آن در توسعه برنامه های کاربردی هوشمند استفاده خواهید کرد. نتایج یادگیری: در پایان این دوره، شما قادر خواهید بود: - کاربردهای بالقوه یادگیری ماشین را در عمل شناسایی کنید. -تفاوت های اصلی در تحلیل های فعال شده با رگرسیون، طبقه بندی و خوشه بندی را شرح دهید. -وظیفه یادگیری ماشین مناسب را برای یک برنامه بالقوه انتخاب کنید. -استفاده از رگرسیون، طبقه بندی، خوشه بندی، بازیابی، سیستم های توصیه گر و یادگیری عمیق. -داده‌های خود را به‌عنوان ویژگی‌هایی نمایش دهید تا به عنوان ورودی مدل‌های یادگیری ماشینی استفاده شوند. -کیفیت مدل را از نظر معیارهای خطای مربوطه برای هر کار ارزیابی کنید. -از یک مجموعه داده برای تطبیق یک مدل برای تجزیه و تحلیل داده های جدید استفاده کنید. -یک اپلیکیشن سرتاسر بسازید که در هسته خود از یادگیری ماشینی استفاده می کند. -این تکنیک ها را در پایتون پیاده سازی کنید.

coursera متن کاوی کاربردی در پایتون (Mitalearn-332772)

  • 4 hours 13 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: V. G. Vinod Vydiswaran
درباره این دوره:

این دوره زبان آموز را با مبانی متن کاوی و دستکاری متن آشنا می کند. این دوره با درک نحوه مدیریت متن توسط پایتون، ساختار متن هم برای ماشین و هم برای انسان و مروری بر چارچوب nltk برای دستکاری متن آغاز می شود. هفته دوم بر نیازهای رایج دستکاری، از جمله عبارات منظم (جستجوی متن)، تمیز کردن متن، و آماده کردن متن برای استفاده توسط فرآیندهای یادگیری ماشین تمرکز دارد. هفته سوم روش‌های اصلی پردازش زبان طبیعی را در متن اعمال می‌کند و نشان می‌دهد که چگونه طبقه‌بندی متن انجام می‌شود. در هفته آخر روش های پیشرفته تری برای شناسایی موضوعات در اسناد و گروه بندی آنها بر اساس شباهت (مدل سازی موضوع) بررسی خواهد شد. این دوره باید بعد از: مقدمه ای بر علم داده در پایتون، نقشه برداری کاربردی، نمودار و نمایش داده ها در پایتون، و یادگیری ماشین کاربردی در پایتون گذرانده شود.

coursera متن کاوی و تجزیه و تحلیل (Mitalearn-334540)

  • 12 hours 4 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: ChengXiang Zhai
درباره این دوره:

این دوره تکنیک های اصلی استخراج و تجزیه و تحلیل داده های متنی را برای کشف الگوهای جالب، استخراج دانش مفید و پشتیبانی از تصمیم گیری، با تاکید بر رویکردهای آماری که می تواند به طور کلی برای داده های متن دلخواه در هر زبان طبیعی بدون یا حداقل اعمال شود، پوشش می دهد. تلاش انسان تجزیه و تحلیل دقیق داده های متنی مستلزم درک متن زبان طبیعی است که به عنوان یک کار دشوار برای رایانه ها شناخته شده است. با این حال، نشان داده شده است که تعدادی از رویکردهای آماری برای تجزیه و تحلیل "کم عمق" اما قوی داده های متنی برای الگویابی و کشف دانش به خوبی کار می کنند. شما با مفاهیم اولیه، اصول و الگوریتم های اصلی در متن کاوی و کاربردهای بالقوه آنها آشنا خواهید شد.

coursera متن کاوی و تجزیه و تحلیل عملی (Mitalearn-331922)

  • 5 hours 48 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Min Song
درباره این دوره:

این دوره فرصتی منحصر به فرد برای شما فراهم می کند تا اجزای کلیدی متن کاوی و تجزیه و تحلیل را با کمک مجموعه داده های دنیای واقعی و جعبه ابزار متن کاوی نوشته شده در جاوا بیاموزید. تجربه عملی در تکنیک‌های اصلی متن کاوی از جمله پیش پردازش متن، تجزیه و تحلیل احساسات و مدل‌سازی موضوع به زبان‌آموزان کمک می‌کند تا به‌عنوان یک دانشمند داده شایسته آموزش ببینند. با آوردن یادداشت‌های سخنرانی همراه با جلسات آزمایشگاهی مبتنی بر جعبه ابزار y-TextMiner که برای کلاس توسعه یافته است، زبان‌آموزان قادر خواهند بود برنامه‌های کاربردی متن کاوی جالبی را توسعه دهند.

Suggestions