Course catalog

Course duration

Course provider

Topic

Categories

Showing 421-440 of 600 items.

coursera کمی سازی روابط با مدل های رگرسیون (Mitalearn-333639)

  • 1 hours 50 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Jennifer Bachner, PhD
درباره این دوره:

این دوره شما را با مدل رگرسیون خطی آشنا می کند که ابزار قدرتمندی است که محققان می توانند از آن برای اندازه گیری رابطه بین متغیرهای متعدد استفاده کنند. ما با بررسی مؤلفه‌های یک مدل رگرسیون دو متغیره، که رابطه بین یک متغیر مستقل و وابسته را تخمین می‌زند، شروع می‌کنیم. با تکیه بر این پایه، سپس نحوه ایجاد و تفسیر یک مدل چند متغیره، مدل متغیر وابسته باینری و مدل تعاملی را مورد بحث قرار خواهیم داد. ما همچنین در نظر خواهیم گرفت که چگونه انواع مختلف متغیرها، مانند متغیرهای طبقه بندی و ساختگی، می توانند به طور مناسب در یک مدل گنجانده شوند. به طور کلی، ما برخی از روش‌های مختلف استفاده از مدل رگرسیون را برای استنتاج توصیفی و علی و همچنین محدودیت‌های این ابزار تحلیلی مورد بحث قرار خواهیم داد. در پایان دوره، شما باید بتوانید تحلیل رگرسیون چند متغیره را تفسیر و ارزیابی انتقادی کنید.

coursera گردش کار هوش مصنوعی: استقرار مدل سازمانی (Mitalearn-336835)

  • 23 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Mark J Grover,Ray Lopez, Ph.D.
درباره این دوره:

این پنجمین دوره در تخصص IBM AI Enterprise Workflow Certification است.   شما قویاً تشویق می‌شوید که این دوره‌ها را به ترتیب تکمیل کنید، زیرا این دوره‌ها دوره‌های مستقل جداگانه نیستند، بلکه بخشی از جریان کاری هستند که هر دوره بر اساس دوره‌های قبلی است. این دوره شما را با حوزه ای آشنا می کند که تعداد کمی از دانشمندان داده قادر به تجربه آن هستند: استقرار مدل هایی برای استفاده در شرکت های بزرگ.  Apache Spark یک فریمورک بسیار رایج برای اجرای مدل های یادگیری ماشینی است.  بهترین شیوه های استفاده از Spark در این دوره پوشش داده خواهد شد.  بهترین شیوه ها برای دستکاری داده ها، آموزش مدل، و تنظیم مدل نیز پوشش داده خواهد شد.  مورد استفاده نیازمند ایجاد و استقرار یک سیستم توصیه‌کننده است. این دوره با مقدمه ای بر فناوری های استقرار مدل به پایان می رسد.   در پایان این دوره شما قادر خواهید بود: 1. از RDD ها، دیتافریم ها و خط لوله Apache Spark استفاده کنید 2. از اسکریپت‌های spark-submit برای ارتباط با محیط‌های Spark استفاده کنید 3. نحوه عملکرد فیلتر مشارکتی و فیلتر مبتنی بر محتوا را توضیح دهید 4. با استفاده از جریان Apache Spark و Apache Spark یک خط لوله انتقال داده بسازید 5. ابرپارامترها را در مدل‌های یادگیری ماشین در Apache Spark تجزیه و تحلیل کنید 6. الگوریتم‌های یادگیری ماشین را با استفاده از رابط یادگیری ماشین Apache Spark اجرا کنید 7. یک مدل یادگیری ماشینی را از Watson Studio به Watson Machine Learning مستقر کنید چه کسانی باید این دوره را بگذرانند؟ این دوره متخصصان علوم داده موجود را هدف قرار می دهد که در ساخت مدل های یادگیری ماشین تخصص دارند و می خواهند مهارت های خود را در ساخت و استقرار هوش مصنوعی در شرکت های بزرگ عمیق تر کنند. اگر شما یک دانشمند داده مشتاق هستید، این دوره برای شما مناسب نیست زیرا برای بهره مندی از محتوای این دوره ها به تخصص دنیای واقعی نیاز دارید. چه مهارت هایی باید داشته باشید؟ فرض بر این است که شما دوره های 1 تا 4 از تخصص گردش کار IBM AI Enterprise را تکمیل کرده اید و قبل از شروع این دوره، درک کاملی از موضوعات زیر دارید: درک بنیادی از جبر خطی. درک نمونه گیری، نظریه احتمال و توزیع احتمال. آشنایی با مفاهیم آماری توصیفی و استنباطی. درک کلی از تکنیک های یادگیری ماشین و بهترین شیوه ها؛ درک تمرینی پایتون و بسته‌هایی که معمولاً در علم داده استفاده می‌شوند: NumPy، Pandas، matplotlib، scikit-learn. آشنایی با IBM Watson Studio; آشنایی با فرآیند تفکر طراحی

coursera گردش کار هوش مصنوعی: تجزیه و تحلیل داده ها و آزمون فرضیه ها (Mitalearn-336784)

  • 41 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Mark J Grover,Ray Lopez, Ph.D.
درباره این دوره:

این دومین دوره در تخصص IBM AI Enterprise Workflow Certification است.  شما قویاً تشویق می‌شوید که این دوره‌ها را به ترتیب تکمیل کنید، زیرا این دوره‌ها دوره‌های مستقل جداگانه نیستند، بلکه بخشی از جریان کاری هستند که هر دوره بر اساس دوره‌های قبلی است.   در این دوره شما کار خود را برای یک شرکت رسانه ای فرضی با انجام تجزیه و تحلیل داده های اکتشافی (EDA) آغاز خواهید کرد.  بهترین روش‌ها برای تجسم داده‌ها، مدیریت داده‌های از دست رفته و آزمایش فرضیه به عنوان بخشی از کار شما به شما معرفی می‌شود.  شما تکنیک های تخمین با توزیع احتمال و گسترش این تخمین ها را برای اعمال آزمون های اهمیت فرضیه صفر خواهید آموخت. آنچه را که یاد می گیرید از طریق مطالعات موردی دو دستی به کار می گیرید: تجسم داده ها و آزمایش های متعدد با استفاده از یک خط لوله ساده.   در پایان این دوره شما باید بتوانید: 1. چندین روش برتر در مورد EDA و تجسم داده را فهرست کنید 2. یک داشبورد ساده در Watson Studio ایجاد کنید 3. استراتژی‌های مقابله با داده‌های از دست رفته را شرح دهید 4. تفاوت بین انتساب و انتساب چندگانه را توضیح دهید 5. توزیع‌های رایج را برای پاسخ به سؤالات در مورد احتمالات رویداد به کار ببرید 6. نقش تحقیقی آزمون فرضیه در EDA را توضیح دهید 7. روش‌های مختلفی را برای مقابله با آزمایش‌های چندگانه اعمال کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره متخصصان علوم داده موجود را هدف قرار می دهد که در ساخت مدل های یادگیری ماشین تخصص دارند و می خواهند مهارت های خود را در ساخت و استقرار هوش مصنوعی در شرکت های بزرگ عمیق تر کنند. اگر شما یک دانشمند داده مشتاق هستید، این دوره برای شما مناسب نیست زیرا برای بهره مندی از محتوای این دوره ها به تخصص دنیای واقعی نیاز دارید. چه مهارت هایی باید داشته باشید؟ فرض بر این است که شما دوره 1 تخصص گردش کار IBM AI Enterprise را تکمیل کرده اید و قبل از شروع این دوره، درک کاملی از موضوعات زیر دارید: درک بنیادی از جبر خطی. درک نمونه گیری، نظریه احتمال و توزیع احتمال. آشنایی با مفاهیم آماری توصیفی و استنباطی. درک کلی از تکنیک های یادگیری ماشین و بهترین شیوه ها؛ درک تمرینی پایتون و بسته‌هایی که معمولاً در علم داده استفاده می‌شوند: NumPy، Pandas، matplotlib، scikit-learn. آشنایی با IBM Watson Studio; آشنایی با فرآیند تفکر طراحی

coursera گردش کار هوش مصنوعی: مهندسی ویژگی و تشخیص تعصب (Mitalearn-336818)

  • 47 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Mark J Grover,Ray Lopez, Ph.D.
درباره این دوره:

این سومین دوره در تخصص IBM AI Enterprise Workflow Certification است.    شما قویاً تشویق می‌شوید که این دوره‌ها را به ترتیب تکمیل کنید، زیرا این دوره‌ها دوره‌های مستقل جداگانه نیستند، بلکه بخشی از جریان کاری هستند که هر دوره بر اساس دوره‌های قبلی است.   دوره 3 شما را با مرحله بعدی گردش کار برای شرکت رسانه فرضی ما آشنا می کند.  در این مرحله از کار، بهترین روش‌ها را برای مهندسی ویژگی، مدیریت عدم تعادل کلاس و تشخیص سوگیری در داده‌ها خواهید آموخت.  عدم تعادل طبقاتی می تواند اعتبار مدل های یادگیری ماشین شما را به طور جدی تحت تاثیر قرار دهد، و کاهش سوگیری در داده ها برای کاهش ریسک مرتبط با مدل های مغرضانه ضروری است.  این عناوین با بخش‌هایی در مورد بهترین شیوه‌ها برای کاهش ابعاد، تشخیص پرت، و تکنیک‌های یادگیری بدون نظارت برای یافتن الگوها در داده‌های شما دنبال می‌شوند.  مطالعات موردی بر مدل‌سازی موضوع و تجسم داده‌ها متمرکز خواهد بود.   در پایان این دوره شما قادر خواهید بود: 1. از ابزارهایی استفاده کنید که به رفع مشکلات عدم تعادل کلاس و کلاس کمک می کند 2. ملاحظات اخلاقی در مورد سوگیری در داده ها را توضیح دهید 3.  از کتابخانه‌های منبع باز ai Fairness 360 برای تشخیص سوگیری در مدل‌ها استفاده کنید 4. تکنیک های کاهش ابعاد را برای هر دو مرحله EDA و تبدیل به کار ببرید 5. تکنیک‌های مدل‌سازی موضوع را در پردازش زبان طبیعی شرح دهید 6. از مدل‌سازی و تجسم موضوع برای کاوش داده‌های متنی استفاده کنید 7. بهترین شیوه‌های رسیدگی به داده‌های با ابعاد بالا را به کار بگیرید 8. الگوریتم‌های تشخیص پرت را به‌عنوان ابزار تضمین کیفیت و ابزار مدل‌سازی به کار بگیرید. 9. تکنیک های یادگیری بدون نظارت را با استفاده از خطوط لوله به عنوان بخشی از گردش کار هوش مصنوعی به کار بگیرید 10. از الگوریتم‌های خوشه‌بندی اولیه استفاده کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره متخصصان علوم داده موجود را هدف قرار می دهد که در ساخت مدل های یادگیری ماشین تخصص دارند و می خواهند مهارت های خود را در ساخت و استقرار هوش مصنوعی در شرکت های بزرگ عمیق تر کنند. اگر شما یک دانشمند داده مشتاق هستید، این دوره برای شما مناسب نیست زیرا برای بهره مندی از محتوای این دوره ها به تخصص دنیای واقعی نیاز دارید.   چه مهارت هایی باید داشته باشید؟ فرض بر این است که شما دوره های 1 و 2 تخصص گردش کار IBM AI Enterprise را تکمیل کرده اید و قبل از شروع این دوره درک کاملی از موضوعات زیر دارید: درک بنیادی جبر خطی. درک نمونه گیری، نظریه احتمال و توزیع احتمال. آشنایی با مفاهیم آماری توصیفی و استنباطی. درک کلی از تکنیک های یادگیری ماشین و بهترین شیوه ها؛ درک تمرینی پایتون و بسته‌هایی که معمولاً در علم داده استفاده می‌شوند: NumPy، Pandas، matplotlib، scikit-learn. آشنایی با IBM Watson Studio; آشنایی با فرآیند تفکر طراحی

coursera گردش کار هوش مصنوعی: یادگیری ماشین، تشخیص بصری و NLP (Mitalearn-336767)

  • 32 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Mark J Grover,Ray Lopez, Ph.D.
درباره این دوره:

این چهارمین دوره در تخصص IBM AI Enterprise Workflow Certification است.    شما قویاً تشویق می‌شوید که این دوره‌ها را به ترتیب تکمیل کنید، زیرا این دوره‌ها دوره‌های مستقل جداگانه نیستند، بلکه بخشی از جریان کاری هستند که هر دوره بر اساس دوره‌های قبلی است.  دوره 4 مرحله بعدی گردش کار را پوشش می دهد، که مدل ها و خطوط لوله داده مرتبط با آنها را برای یک شرکت رسانه جریان فرضی تنظیم می کند.  مبحث اول مبحث پیچیده معیارهای ارزیابی را پوشش می‌دهد، جایی که شما بهترین شیوه‌ها را برای تعدادی از معیارهای مختلف از جمله معیارهای رگرسیون، معیارهای طبقه‌بندی، و معیارهای چند طبقه‌ای را یاد خواهید گرفت که از آنها برای انتخاب بهترین مدل برای چالش تجاری خود استفاده خواهید کرد.  موضوعات بعدی بهترین شیوه‌ها را برای انواع مختلف مدل‌ها از جمله مدل‌های خطی، مدل‌های مبتنی بر درخت و شبکه‌های عصبی پوشش می‌دهند.  از مدل های خارج از جعبه واتسون برای درک زبان طبیعی و تشخیص بصری استفاده خواهد شد.  مطالعات موردی با تمرکز بر پردازش زبان طبیعی و تجزیه و تحلیل تصویر برای ارائه زمینه واقعی برای خطوط لوله مدل وجود خواهد داشت.   در پایان این دوره شما قادر خواهید بود: در مورد معیارهای رگرسیون، طبقه بندی و طبقه بندی چند برچسبی رایج بحث کنید کاربرد رگرسیون خطی و لجستیک در کاربردهای یادگیری نظارت شده را توضیح دهید استراتژی های رایج برای جستجوی شبکه و اعتبارسنجی متقابل را شرح دهید از معیارهای ارزیابی برای انتخاب مدل ها برای استفاده در تولید استفاده کنید استفاده از الگوریتم های مبتنی بر درخت در برنامه های کاربردی یادگیری نظارت شده را توضیح دهید استفاده از شبکه های عصبی در برنامه های کاربردی یادگیری تحت نظارت را توضیح دهید انواع عمده شبکه های عصبی و پیشرفت های اخیر را مورد بحث قرار دهید یک مدل شبکه عصبی در تنسورفلو ایجاد کنید یک نمونه از Watson Visual Recognition ایجاد و آزمایش کنید یک نمونه از Watson NLU ایجاد و آزمایش کنید چه کسانی باید این دوره را بگذرانند؟ این دوره متخصصان علوم داده موجود را هدف قرار می دهد که در ساخت مدل های یادگیری ماشین تخصص دارند و می خواهند مهارت های خود را در ساخت و استقرار هوش مصنوعی در شرکت های بزرگ عمیق تر کنند. اگر شما یک دانشمند داده مشتاق هستید، این دوره برای شما مناسب نیست زیرا برای بهره مندی از محتوای این دوره ها به تخصص دنیای واقعی نیاز دارید.   چه مهارت هایی باید داشته باشید؟ فرض بر این است که شما دوره های 1 تا 3 تخصص گردش کار IBM AI Enterprise را تکمیل کرده اید و قبل از شروع این دوره، درک کاملی از موضوعات زیر دارید: درک اساسی از جبر خطی. درک نمونه گیری، نظریه احتمال و توزیع احتمال. آشنایی با مفاهیم آماری توصیفی و استنباطی. درک کلی از تکنیک های یادگیری ماشین و بهترین شیوه ها؛ درک تمرینی پایتون و بسته‌هایی که معمولاً در علم داده استفاده می‌شوند: NumPy، Pandas، matplotlib، scikit-learn. آشنایی با IBM Watson Studio; آشنایی با فرآیند تفکر طراحی

coursera گوگل چگونه یادگیری ماشینی را انجام می دهد (Mitalearn-326669)

  • 2 hours 39 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

این دوره به بررسی این موضوع می پردازد که ML چیست و چه مشکلاتی را می تواند حل کند. این دوره همچنین بهترین شیوه ها برای پیاده سازی یادگیری ماشین را مورد بحث قرار می دهد. شما با Vertex AI، یک پلت فرم یکپارچه برای ساخت، آموزش و استقرار سریع مدل های یادگیری ماشینی AutoML آشنا شده اید. این دوره، پنج مرحله تبدیل یک مورد استفاده نامزد را که توسط یادگیری ماشین هدایت می‌شود، و اینکه چرا مهم است که آنها را نادیده نگیرید، مورد بحث قرار می‌دهد. این دوره با شناخت سوگیری هایی که ML می تواند تقویت کند و نحوه تشخیص آنها به پایان می رسد.

coursera مایکروسافت Azure Machine Learning (Mitalearn-328437)

  • 11 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

یادگیری ماشینی هسته اصلی هوش مصنوعی است و بسیاری از برنامه‌ها و خدمات مدرن به مدل‌های یادگیری ماشینی پیش‌بینی‌کننده وابسته هستند. آموزش یک مدل یادگیری ماشینی یک فرآیند تکراری است که به زمان و منابع محاسباتی نیاز دارد. یادگیری ماشین خودکار می تواند به آسان تر کردن آن کمک کند. در این دوره یاد خواهید گرفت که چگونه از یادگیری ماشینی Azure برای ایجاد و انتشار مدل ها بدون نوشتن کد استفاده کنید. این دوره به شما کمک می کند تا برای آزمون AI-900: Microsoft Azure AI Fundamentals آماده شوید. این دومین دوره از یک برنامه پنج دوره ای است که شما را برای شرکت در آزمون گواهینامه AI-900 آماده می کند. این دوره به شما مفاهیم و مهارت های اصلی را می آموزد که در حوزه های امتحانی اصول هوش مصنوعی ارزیابی می شوند. این دوره مبتدی برای پرسنل فناوری اطلاعات که تازه شروع به کار با Microsoft Azure کرده‌اند و می‌خواهند در مورد پیشنهادات Microsoft Azure بیاموزند و تجربه عملی با محصول را کسب کنند مناسب است. Microsoft Azure AI Fundamentals می تواند برای آماده شدن برای سایر گواهینامه های مبتنی بر نقش Azure مانند Microsoft Azure Data Scientist Associate یا Microsoft Azure AI Engineer Associate استفاده شود، اما پیش نیاز هیچ یک از آنها نیست. این دوره برای داوطلبان با سوابق فنی و غیر فنی در نظر گرفته شده است. علم داده و تجربه مهندسی نرم افزار مورد نیاز نیست. با این حال، برخی از دانش یا تجربه برنامه نویسی عمومی مفید خواهد بود. برای موفقیت در این دوره، باید سواد کامپیوتری اولیه و تسلط به زبان انگلیسی را داشته باشید. شما باید با مفاهیم اولیه محاسبات و اصطلاحات، مفاهیم کلی فناوری، از جمله مفاهیم یادگیری ماشین و هوش مصنوعی آشنا باشید.

coursera مایکروسافت Azure Machine Learning برای دانشمندان داده (Mitalearn-332840)

  • 12 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

یادگیری ماشینی هسته اصلی هوش مصنوعی است و بسیاری از برنامه‌ها و خدمات مدرن به مدل‌های یادگیری ماشینی پیش‌بینی‌کننده وابسته هستند. آموزش یک مدل یادگیری ماشینی یک فرآیند تکراری است که به زمان و منابع محاسباتی نیاز دارد. یادگیری ماشین خودکار می تواند به آسان تر کردن آن کمک کند. در این دوره یاد خواهید گرفت که چگونه از یادگیری ماشینی Azure برای ایجاد و انتشار مدل ها بدون نوشتن کد استفاده کنید. این دومین دوره از یک برنامه پنج دوره ای است که شما را برای شرکت در آزمون DP-100: طراحی و پیاده سازی راه حل علم داده در آزمون Azurectification آماده می کند. آزمون گواهینامه فرصتی برای اثبات دانش و تخصص راه حل های یادگیری ماشین در مقیاس ابری با استفاده از یادگیری ماشینی Azure است. این تخصص به شما می آموزد که از دانش موجود خود از پایتون و یادگیری ماشین برای مدیریت جذب و آماده سازی داده ها، آموزش مدل و استقرار، و نظارت راه حل یادگیری ماشین در Microsoft Azure استفاده کنید. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند. این تخصص برای دانشمندان داده با دانش موجود از Python و چارچوب‌های یادگیری ماشینی مانند Scikit-Learn، PyTorch و Tensorflow در نظر گرفته شده است، که می‌خواهند راه‌حل‌های یادگیری ماشین را در فضای ابری بسازند و کار کنند. این به دانشمندان داده می آموزد که چگونه راه حل های سرتاسری را در Microsoft Azure ایجاد کنند. دانش آموزان یاد خواهند گرفت که چگونه منابع Azure را برای یادگیری ماشین مدیریت کنند. آزمایش ها و مدل های قطار را اجرا کنید. راه حل های یادگیری ماشین را مستقر و عملیاتی کنید و یادگیری ماشینی مسئولانه را پیاده سازی کنید. آنها همچنین یاد خواهند گرفت که از Azure Databricks برای کاوش، آماده سازی و مدل سازی داده ها استفاده کنند. و فرآیندهای یادگیری ماشین Databricks را با یادگیری ماشینی Azure ادغام کنید.

coursera مبانی استخراج داده های پزشکی غیرساختارمند (Mitalearn-327706)

  • 4 hours 17 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Alejandro Rodríguez González,Consuelo Gonzalo-Martín,Ernestina Menasalvas
درباره این دوره:

هشدار دوره نادر! این دوره بسیار خاص است و به شما برتری لازم را در حرفه خود می دهد! همه چیز را در مورد مبانی داده های بزرگ و داده هایی که در حوزه سلامت تولید می شود و اینکه چگونه استفاده از فناوری به ادغام و بهره برداری از همه این داده ها برای استخراج اطلاعات معنی دار کمک می کند که می تواند بعداً در بخش های مختلف حوزه سلامت استفاده شود، بیاموزید. از پزشکان تا مدیریت، از بیماران تا مراقبان و غیره. این دوره دیدگاه سطح بالایی از اهمیت زمینه پزشکی در زمینه اروپایی، انواع داده‌هایی که در زمینه سلامت (بالینی) مدیریت می‌شوند، چالش‌هایی که در کاوی داده‌های پزشکی بدون ساختار باید مورد توجه قرار گیرند، ارائه می‌دهد (متن و تصویر) و همچنین فرصت ها از دیدگاه تحلیلی با مقدمه ای بر مبانی حوزه تجزیه و تحلیل داده ها. قدم بعدی را در حرفه خود بردارید و به کار با کلان داده، هوش مصنوعی و تجزیه و تحلیل ساختاریافته نزدیکتر شوید. ایده پردازی کنید. با EIT Digital نوآوری و تکرار کنید.

coursera مبانی تجزیه و تحلیل داده ها (Mitalearn-327417)

  • 2 hours 7 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Erik Herman
درباره این دوره:

این دوره اولین دوره از مجموعه ای است که هدف آن آماده سازی شما برای نقشی در تجزیه و تحلیل داده ها است. در این دوره، شما با بسیاری از انواع اولیه تجزیه و تحلیل داده ها و مفاهیم اصلی آشنا خواهید شد. شما در مورد ابزارها و مهارت های مورد نیاز برای انجام تجزیه و تحلیل داده ها یاد خواهید گرفت. ما برخی از ریاضیات و آمارهای اساسی مورد استفاده در تجزیه و تحلیل داده ها و گردش کار را برای انجام تجزیه و تحلیل داده های کارآمد و مؤثر بررسی خواهیم کرد. این دوره طیف گسترده ای از موضوعات را پوشش می دهد که برای کار در تجزیه و تحلیل داده ها حیاتی هستند و به گونه ای طراحی شده اند که همزمان با شروع به ایجاد دانش و مهارت های مرتبط، مقدمه و نمای کلی را به شما ارائه دهند.

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.

Suggestions