Course catalog

Course duration

Course provider

Topic

Categories

Showing 421-440 of 610 items.

coursera کارآمد کردن علم داده برای گزارش‌دهی بالینی (Mitalearn-331752)

  • 4 hours 52 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Dinakar Kulkarni,Kamila Duniec,Kamil Wais
درباره این دوره:

هدف این دوره نشان دادن چگونگی استفاده از اصول و روش های علم داده در گزارش گیری بالینی است. در پایان دوره، فراگیران متوجه خواهند شد که چه الزاماتی در گزارش کارآزمایی های بالینی وجود دارد و چگونه بر نحوه استفاده از علم داده تأثیر می گذارد. یادگیرنده می بیند که چگونه می تواند کارآمد و موثر کار کند و در عین حال اطمینان حاصل کند که استانداردهای مورد نیاز را برآورده می کند.

coursera کاربردهای تجاری آزمون فرضیه و تخمین فاصله اطمینان (Mitalearn-213228)

  • 3 hours 54 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Sharad Borle
درباره این دوره:

فواصل اطمینان و آزمون فرضیه ابزارهای بسیار مهمی در جعبه ابزار آمار کسب و کار هستند. تسلط بر این موضوعات به افزایش تصمیم گیری تجاری شما کمک می کند و به شما امکان می دهد میزان "ریسک" یا "عدم اطمینان" را در فرآیندهای مختلف تجاری درک و اندازه گیری کنید. این سومین دوره در زمینه تخصصی "آمار و تجزیه و تحلیل کسب و کار" است و این دوره با معرفی فواصل اطمینان و تست فرضیه دانش شما را در مورد آمار کسب و کار ارتقا می دهد. ابتدا به صورت مفهومی این ابزارها و کاربرد تجاری آنها را درک می کنیم. سپس محاسبات مختلفی را برای ساخت فواصل اطمینان و انجام انواع مختلف آزمون‌های فرضیه معرفی می‌کنیم. اینها توسط برنامه های کاربردی آسان انجام می شود. برای انجام موفقیت آمیز تکالیف دوره، دانش آموزان باید به نسخه ویندوز Microsoft Excel 2010 یا جدیدتر دسترسی داشته باشند. لطفاً توجه داشته باشید که نسخه های قبلی مایکروسافت اکسل (2007 و قبل از آن) با برخی از توابع اکسل که در این دوره توضیح داده شده اند سازگاری ندارند. هفته 1 ماژول 1: فاصله اطمینان - مقدمه در این ماژول به صورت مفهومی خواهید فهمید که فاصله اطمینان چیست و چگونه ساخته می شود. ما بلوک های ساختمانی مختلف برای فاصله اطمینان مانند توزیع t، آماره t، آمار z و فرمول های مختلف اکسل آنها را معرفی خواهیم کرد. سپس از این بلوک‌های سازنده برای ایجاد فواصل اطمینان استفاده خواهیم کرد. موضوعات تحت پوشش عبارتند از: • معرفی t-distribution، توابع اکسل T.DIST و T.INV • درک مفهومی فاصله اطمینان • آمار z و آمار t • ایجاد فاصله اطمینان با استفاده از آماره z و آماره t هفته 2 ماژول 2: فاصله اطمینان - برنامه های کاربردی این ماژول کاربردهای تجاری مختلفی از فاصله اطمینان را ارائه می دهد، از جمله برنامه ای که در آن از فاصله اطمینان برای محاسبه اندازه نمونه مناسب استفاده می کنیم. ما همچنین با یک برنامه، فاصله اطمینان برای نسبت جمعیت را معرفی می کنیم. در پایان ماژول ما شروع به معرفی مفهوم تست فرضیه می کنیم. موضوعات تحت پوشش عبارتند از: • کاربردهای فاصله اطمینان • فاصله اطمینان برای نسبت جمعیت • محاسبه اندازه نمونه • آزمون فرضیه، مقدمه هفته 3 ماژول 3: آزمون فرضیه این ماژول تست فرضیه را معرفی می کند. شما می توانید منطق پشت آزمون های فرضیه را درک کنید. چهار مرحله برای انجام یک آزمون فرضیه معرفی شده است و شما می توانید آنها را برای آزمون فرضیه برای میانگین جمعیت و همچنین نسبت جمعیت به کار ببرید. تفاوت بین آزمون های فرضیه دم تک و دو آزمون فرضیه دم و همچنین خطاهای نوع اول و دوم مرتبط با آزمون های فرضیه و راه های کاهش چنین خطاهایی را خواهید فهمید. موضوعات تحت پوشش عبارتند از: • منطق آزمون فرضیه • چهار مرحله برای انجام آزمون فرضیه • آزمون فرضیه تک دم و دو دم • دستورالعمل ها، فرمول ها و آزمون کاربرد فرضیه • آزمون فرضیه برای نسبت جمعیت • خطاهای نوع اول و دوم در یک فرضیه هفته 4 ماژول 4: آزمون فرضیه - تفاوت در میانگین در این ماژول، شما از آزمون های فرضیه برای آزمایش تفاوت بین دو داده مختلف استفاده می کنید، به این گونه آزمون های فرضیه، آزمون های تفاوت در میانگین می گویند. ما سه نوع تفاوت در آزمون میانگین ها را معرفی می کنیم و آنها را در برنامه های مختلف تجاری اعمال می کنیم. همچنین کادر محاوره ای اکسل را برای انجام چنین آزمون های فرضیه ای معرفی می کنیم. موضوعات تحت پوشش عبارتند از: • معرفی آزمون فرضیه تفاوت در میانگین • کاربردهای آزمون فرضیه تفاوت در میانگین • فرض واریانس برابر و نابرابر و آزمون t زوجی برای تفاوت میانگین ها. • برخی از برنامه های کاربردی دیگر

coursera کاربردهای هوش مصنوعی در مدیریت افراد (Mitalearn-335220)

  • 4 hours 25 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Prasanna Tambe,Matthew Bidwell,Peter Cappelli
درباره این دوره:

در این دوره آموزشی، با هوش مصنوعی و یادگیری ماشینی که در مدیریت منابع انسانی کاربرد دارد، آشنا خواهید شد. شما مفاهیم مرتبط با نقش داده ها در یادگیری ماشینی، کاربرد هوش مصنوعی، محدودیت های استفاده از داده ها در تصمیم گیری های منابع انسانی، و چگونگی کاهش تعصب با استفاده از فناوری بلاک چین را بررسی خواهید کرد. قدرت‌های یادگیری ماشینی سریع‌تر و ساده‌تر می‌شوند و شما به دانش دست اولی در مورد نحوه استفاده از فناوری فعلی و نوظهور برای مدیریت کل چرخه زندگی کارکنان دست خواهید یافت. از طریق مطالعه و تجزیه و تحلیل، شما یاد خواهید گرفت که چگونه حجم عظیمی از داده ها را غربال کنید تا الگوها را شناسایی کرده و پیش بینی هایی انجام دهید که به نفع کسب و کار شما باشد. در پایان این دوره، می‌توانید تشخیص دهید که چگونه می‌توانید هوش مصنوعی را برای ساده‌سازی تمام عملکردهای منابع انسانی و نحوه کار با داده‌ها برای استفاده از قدرت یادگیری ماشینی ترکیب کنید.

linkedin کتاب راهنما علم داده برای سهام خصوصی و سرمایه خطرپذیر (Mitalearn-470149)

  • 44 minutes
  • مناسب همه
  • Release date: 31 October 2023
  • Author: Howard Friedman
درباره این دوره:

<p>در چند سال گذشته، حوزه علم داده پیشرفت های سریعی داشته است و تغییرات اساسی جدیدی در نحوه طراحی کسب و کار روزمره برای عملکرد ایجاد کرده است. این دوره بسیاری از ملاحظات کلیدی برای استفاده سیستماتیک از علم داده برای هدایت رشد در شرکت‌های سرمایه‌گذاری مخاطره‌آمیز و سهام خصوصی را پوشش می‌دهد.</p><p>برای مروری بر چرخه حیات علم داده، به‌ویژه، نحوه عملکرد آن در امور مالی از اکتشاف و دقت لازم تا ایجاد ارزش پس از کسب، به دانشمند داده و استاد دانشگاه کلمبیا، هوارد فریدمن بپیوندید. در مورد مراحلی که یک شرکت سرمایه گذاری خصوصی و سرمایه گذاری خطرپذیر می تواند برای شروع به کارگیری علم داده در مجموعه های خود با ایجاد یک کتاب راهنما علم داده انجام دهد، بیاموزید. در پایان این دوره، شما به مهارت‌های جدیدی برای شناسایی فرصت‌های کلیدی برای علم داده در یک مجموعه و تشخیص زمان و نحوه استفاده از روش‌های علم داده برای جمع‌آوری بینش از شرکت‌های خاص مجهز خواهید شد.</p>

coursera کتابخانه های پیشرفته CUDA (Mitalearn-309652)

  • 2 hours 11 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Chancellor Thomas Pascale
درباره این دوره:

این دوره تخصص GPU را با تمرکز بر کتابخانه های پیشرو توزیع شده به عنوان بخشی از جعبه ابزار CUDA تکمیل می کند. دانش آموزان یاد خواهند گرفت که چگونه از CuFFT و کتابخانه های جبر خطی برای انجام محاسبات پیچیده ریاضی استفاده کنند. قابلیت های کتابخانه Thrust در نمایش ساختارهای داده رایج و الگوریتم های مرتبط معرفی خواهد شد. با استفاده از cuDNN و cuTensor آنها قادر خواهند بود برنامه های کاربردی یادگیری ماشینی را توسعه دهند که به تشخیص اشیا، ترجمه زبان انسانی و طبقه بندی تصاویر کمک می کند.

coursera کشف الگو در داده کاوی (Mitalearn-334948)

  • 4 hours 17 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jiawei Han
درباره این دوره:

مفاهیم کلی داده کاوی را همراه با متدولوژی ها و کاربردهای اساسی بیاموزید. سپس به یک زیرشاخه در داده کاوی بروید: کشف الگو. مفاهیم، ​​روش ها و کاربردهای کشف الگو در داده کاوی را عمیقاً بیاموزید. ما همچنین روش هایی را برای عبارت کاوی مبتنی بر داده و برخی کاربردهای جالب کشف الگو معرفی خواهیم کرد. این دوره به شما فرصتی برای یادگیری مهارت‌ها و محتوا برای تمرین و مشارکت در روش‌های کشف الگوی مقیاس‌پذیر بر روی داده‌های انبوه معاملاتی، بحث در مورد اقدامات ارزیابی الگو و مطالعه روش‌های استخراج انواع مختلف الگوها، الگوهای متوالی و الگوهای زیرگراف را می‌دهد.

coursera کلان داده - پروژه Capstone (Mitalearn-334744)

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

به پروژه Capstone برای داده های بزرگ خوش آمدید! در این پروژه اوج، شما یک اکوسیستم کلان داده را با استفاده از ابزارها و روش های دوره های قبلی در این تخصص می سازید. شما یک مجموعه داده شبیه سازی داده های بزرگ تولید شده از تعداد زیادی از کاربرانی را که بازی خیالی ما "Catch the Pink Flamingo" را بازی می کنند، تجزیه و تحلیل خواهید کرد. در طول پنج هفته پروژه Capstone، شما مراحل معمولی علم داده های بزرگ را برای به دست آوردن، کاوش، آماده سازی، تجزیه و تحلیل و گزارش گذرانده اید. در دو هفته اول، مجموعه داده ها را به شما معرفی می کنیم و با استفاده از ابزارهایی مانند Splunk و Open Office شما را از طریق برخی تحلیل های اکتشافی راهنمایی می کنیم. سپس به مشکلات چالش برانگیزتر کلان داده خواهیم پرداخت که نیازمند ابزارهای پیشرفته تری است که شما آموخته اید، از جمله KNIME، Spark's MLLib و Gephi. در نهایت، در هفته پنجم و آخر، به شما نشان خواهیم داد که چگونه همه اینها را برای ایجاد گزارش های جذاب و متقاعدکننده و ارائه اسلایدها کنار هم قرار دهید. در نتیجه همکاری ما با Splunk، یک شرکت نرم‌افزاری که بر تجزیه و تحلیل داده‌های بزرگ تولید شده توسط ماشین تمرکز دارد، یادگیرندگان با پروژه‌های برتر واجد شرایط ارائه به Splunk و ملاقات با استخدام‌کنندگان Splunk و رهبری مهندسی خواهند بود.

coursera کلان داده، هوش مصنوعی و اخلاق (Mitalearn-329049)

  • 5 hours 27 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Martin Hilbert
درباره این دوره:

این دوره زمینه و تجربه دست اول را با دو کاتالیزور اصلی انقلاب علوم محاسباتی به شما می دهد: داده های بزرگ و هوش مصنوعی. با بیش از 99 درصد از تمام اطلاعات رسانه ای در قالب دیجیتال و با استفاده از 98 درصد از جمعیت جهان از فناوری دیجیتال، بشریت ردپای دیجیتالی چشمگیری ایجاد می کند. در تئوری، این فرصت‌های بی‌سابقه‌ای برای درک و شکل دادن به جامعه فراهم می‌کند. در عمل، تنها راهی که می‌توان این سیل اطلاعات را پردازش کرد، استفاده از همان فناوری‌های دیجیتالی است که آن را تولید کرده‌اند. داده ها سوخت هستند، اما یادگیری ماشینی موتوری است که دانش جدید قابل توجهی را از حجم عظیمی از داده ها استخراج می کند. از آنجایی که بخش مهمی از این داده‌ها مربوط به خودمان است، استفاده از الگوریتم‌ها به منظور کسب اطلاعات بیشتر در مورد خود، به طور طبیعی منجر به پرسش‌های اخلاقی می‌شود. بنابراین، ما نمی‌توانیم این دوره را بدون صحبت در مورد اخلاق تحقیق و برخی از خطوط قدیمی و جدیدی که دانشمندان علوم اجتماعی محاسباتی باید در نظر داشته باشند، به پایان برسانیم. به‌عنوان آزمایشگاه‌های عملی، از هوش مصنوعی IBM Watson برای استخراج شخصیت افراد از ردپای متن دیجیتالی آن‌ها استفاده خواهید کرد و با آموزش دو ماشین قابل آموزش از Google خودتان، قدرت و محدودیت‌های یادگیری ماشینی را تجربه خواهید کرد.

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.

linkedin مایکروسافت فابریک: خدمات هوش مصنوعی برای مهندسی داده (Mitalearn-464131)

  • 44 minutes
  • مناسب همه
  • Release date: 29 January 2026
  • Author: Sam Nasr
درباره این دوره:

با جدیدترین ویژگی‌های مایکروسافت فابریک، پلتفرم تحلیلی پرکاربرد، مبتنی بر هوش مصنوعی، به سرعت برسید. در این دوره، مربی سام نصر مروری بر یکپارچه‌سازی قابلیت‌های هوش مصنوعی در Fabric ارائه می‌کند و شما را با مهارت‌هایی برای مهار خدمات هوش مصنوعی با استفاده از تماس‌های REST API مجهز می‌کند. توابع هوش مصنوعی طراحی شده برای پردازش کارآمد داده ها و استفاده از ابزارهای ریخته گری، که قبلاً به عنوان خدمات هوش مصنوعی Azure شناخته می شد را کاوش کنید. در طول مسیر، سام به موارد ضروری پیکربندی و ارزیابی مهارت‌های هوش مصنوعی می‌پردازد. در پایان این دوره، شما همچنین به بینش هایی در مورد بهترین شیوه ها برای استفاده از توابع و مهارت های هوش مصنوعی مجهز خواهید شد.

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)

Suggestions