Course catalog

Course duration

Course provider

Topic

Categories

Showing 441-460 of 600 items.

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

linkedin مبانی علم داده: مبانی (2019) (Mitalearn-166546)

  • 3 hours 41 minutes
  • مبتدی
  • Release date: 25 July 2026
  • 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 سریع‌تر رشد می‌کند و بیشترین پاداش را دارد و 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 مرور می‌کند: جمع‌آوری و تجزیه و تحلیل داده‌ها، تدوین قوانینی 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.

coursera مجازی سازی، داکر و کوبرنتیس برای مهندسی داده (Mitalearn-336597)

  • 3 hours 7 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Noah Gift,Kennedy Behrman,Matt Harrison
درباره این دوره:

در طول این دوره، مجازی‌سازی، کانتینری‌سازی و Kubernetes را کاوش خواهید کرد و بر ابزارهایی که مهندسی داده را در این صنعت نیرو می‌دهند، تسلط خواهید داشت. هر هفته مجموعه جدیدی از ابزارها و پلتفرم ها را ارائه می دهد که در مهندسی داده ضروری هستند. از تسلط بر Docker و Kubernetes گرفته تا کاوش در موضوعات پیشرفته مانند کدنویسی مبتنی بر هوش مصنوعی با GitHub Copilot، مدیریت تصویر کانتینر کارآمد با Azure و Amazon Elastic Container Registries، و روش‌های Site Reliability Engineering (SRE)، فراتر از اصول اولیه رفته و به تخصص مورد نیاز برای پیشرفت در چشم انداز پویا و مبتنی بر داده های مهندسی پیشرفته داده است. چه دانشجوی فعلی باشید که به دنبال گسترش مهارت های خود هستید یا یک حرفه ای که هدف آن ارتقای تخصص خود به سطح بعدی است، این دوره برای تجهیز شما به دانش پیشرفته و تجربه عملی لازم برای موفقیت طراحی شده است.

coursera محیط برنامه نویسی R (Mitalearn-331208)

  • 1 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Roger D. Peng, PhD,Brooke Anderson
درباره این دوره:

این دوره مقدمه ای دقیق بر زبان برنامه نویسی R با تمرکز ویژه بر استفاده از R برای توسعه نرم افزار در محیط علم داده ارائه می دهد. چه بخشی از یک تیم علم داده باشید و چه به صورت انفرادی در جامعه ای از توسعه دهندگان کار می کنید، این دوره به شما دانش R را می دهد که برای مشارکت مفید در آن تنظیمات لازم است. این دوره به عنوان اولین دوره در تخصص، پایه اساسی R مورد نیاز برای دوره های زیر را فراهم می کند. ما مفاهیم اصلی R و مبانی زبان، مفاهیم کلیدی مانند داده‌های مرتب و ابزارهای "tidyverse" مرتبط، پردازش و دستکاری مجموعه داده‌های پیچیده و بزرگ، مدیریت داده‌های متنی، و وظایف پایه علم داده را پوشش می‌دهیم. پس از اتمام این دوره، زبان آموزان به کنسول R تسلط خواهند داشت و می توانند مجموعه داده های مرتبی را از طیف گسترده ای از منابع داده ممکن ایجاد کنند.

coursera مدل سازی پیش بینی معنادار (Mitalearn-333962)

  • 1 hours 48 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Julian McAuley,Ilkay Altintas
درباره این دوره:

این دوره به ما در ارزیابی و مقایسه مدل هایی که در دوره های قبلی ایجاد کرده ایم کمک می کند. تاکنون تکنیک‌هایی برای رگرسیون و طبقه‌بندی توسعه داده‌ایم، اما قبل از اینکه تصمیم بگیریم که طبقه‌بندی‌کننده به اندازه کافی خوب است، خطای یک طبقه‌بندی‌کننده چقدر باید کم باشد (مثلا)؟ یا چگونه تصمیم بگیریم که کدام یک از دو الگوریتم رگرسیون بهتر است؟ در پایان این دوره شما با تکنیک های تشخیصی که به شما امکان ارزیابی و مقایسه طبقه بندی کننده ها را می دهد و همچنین معیارهای عملکردی که می توانند در سناریوهای رگرسیون و طبقه بندی مختلف استفاده شوند، آشنا خواهید شد. ما همچنین خط لوله آموزش/ اعتبارسنجی/آزمایش را مطالعه خواهیم کرد، که می‌تواند برای اطمینان از اینکه مدل‌هایی که توسعه می‌دهید به خوبی به داده‌های جدید (یا «غیره») تعمیم می‌یابند استفاده می‌شود.

coursera مدل سازی پیش بینی و یادگیری ماشین با متلب (Mitalearn-333554)

  • 3 hours 15 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Michael Reardon,Maria Gavilan-Alfonso,Erin Byrne
درباره این دوره:

در این دوره، شما بر مهارت های آموخته شده در تجزیه و تحلیل داده های اکتشافی با متلب و پردازش داده ها و مهندسی ویژگی با متلب برای افزایش توانایی خود در استفاده از قدرت متلب برای تجزیه و تحلیل داده های مرتبط با کاری که انجام می دهید، خواهید آموخت. این مهارت ها برای کسانی که دانش حوزه و مقداری در معرض ابزارهای محاسباتی هستند، اما هیچ پیشینه برنامه نویسی ندارند، ارزشمند است. برای موفقیت در این دوره باید پیشینه ای در زمینه آمار پایه (هیستوگرام، میانگین، انحراف معیار، برازش منحنی، درونیابی) داشته باشید و دروس 1 تا 2 این تخصص را گذرانده باشید. در پایان این دوره، شما از متلب برای شناسایی بهترین مدل یادگیری ماشینی برای به دست آوردن پاسخ از داده های خود استفاده خواهید کرد. شما داده‌های خود را آماده می‌کنید، یک مدل پیش‌بینی را آموزش می‌دهید، مدل خود را ارزیابی و بهبود می‌بخشید و می‌دانید که چگونه می‌توانید از مدل‌های خود بیشترین بهره را ببرید.

coursera مدل سازی پیش بینی، برازش مدل، و تحلیل رگرسیون (Mitalearn-333724)

  • 6 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Julie Pai
درباره این دوره:

به مدل سازی پیش بینی، برازش مدل و تحلیل رگرسیون خوش آمدید. در این دوره، رویکردهای مختلف در مدل‌سازی پیش‌بینی‌کننده را بررسی می‌کنیم و در مورد اینکه چگونه یک مدل می‌تواند تحت نظارت یا بدون نظارت باشد، بحث خواهیم کرد. ما بررسی خواهیم کرد که چگونه یک مدل را می توان برازش داد، آموزش داد و امتیاز داد تا در داده های تاریخی و آینده در تلاش برای رسیدگی به اهداف تجاری اعمال شود. در نهایت، این دوره شامل یک فعالیت عملی برای توسعه یک مدل رگرسیون خطی است.

coursera مدل سازی داده ها در Tidyverse (Mitalearn-334897)

  • مناسب همه
  • Release date: 27 June 2026
  • Author: Carrie Wright, PhD,Shannon Ellis, PhD,Stephanie Hicks, PhD
درباره این دوره:

ایجاد بینش در مورد سازمان، کسب و کار یا پروژه تحقیقاتی شما به مدل سازی و تجزیه و تحلیل موثر داده هایی که جمع آوری می کنید بستگی دارد. ساخت مدل‌های مؤثر مستلزم درک انواع مختلف سؤالاتی است که می‌توانید بپرسید و چگونه آن سؤالات را با داده‌های خود ترسیم کنید. برای شناسایی الگوهای جالب در داده‌ها و شناسایی روابط پنهان می‌توان رویکردهای مدل‌سازی مختلفی را انتخاب کرد. این دوره شامل انواع سوالاتی است که می توانید از داده ها بپرسید و روش های مدل سازی مختلفی که می توانید اعمال کنید. موضوعات تحت پوشش عبارتند از تست فرضیه، رگرسیون خطی، مدل سازی غیرخطی و یادگیری ماشین. با این مجموعه ابزارهایی که در اختیار دارید و همچنین تکنیک های آموخته شده در دوره های دیگر در این تخصص، می توانید اکتشافات کلیدی از داده های خود برای بهبود تصمیم گیری در سراسر سازمان خود داشته باشید. در این تخصص ما آشنایی با زبان برنامه نویسی R را فرض می کنیم. اگر هنوز با R آشنا نیستید، پیشنهاد می کنیم ابتدا برنامه نویسی R را قبل از بازگشت برای تکمیل این دوره کامل کنید.

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

coursera مدل سازی رگرسیون در عمل (Mitalearn-335713)

  • 3 hours 4 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jen Rose,Lisa Dierker
درباره این دوره:

این دوره بر یکی از مهمترین ابزارها در زرادخانه تجزیه و تحلیل داده شما تمرکز دارد: تجزیه و تحلیل رگرسیون. با استفاده از SAS یا Python، با رگرسیون خطی شروع می‌کنید و سپس یاد می‌گیرید که چگونه وقتی دو متغیر رابطه خطی واضحی ندارند، سازگار شوید. شما چندین پیش بینی کننده نتیجه خود را بررسی خواهید کرد و قادر خواهید بود متغیرهای گیج کننده را شناسایی کنید، که می تواند داستان قانع کننده تری در مورد نتایج شما بیان کند. شما با مفروضات زیربنایی تحلیل رگرسیون، نحوه تفسیر ضرایب رگرسیون، و نحوه استفاده از نمودارهای تشخیصی رگرسیون و سایر ابزارها برای ارزیابی کیفیت مدل رگرسیون خود آشنا خواهید شد. در طول دوره، مدل‌های رگرسیونی را که ایجاد کرده‌اید و داستان‌هایی که به شما می‌گویند را با دیگران به اشتراک می‌گذارید.

coursera مدل سازی سری های زمانی و داده های متوالی (Mitalearn-331939)

  • 5 hours 7 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Chip Wells,Ari Zitin,Danny Modlin
درباره این دوره:

در این دوره شما یاد می گیرید که مدل هایی را بسازید، اصلاح کنید، برون یابی کنید، و در برخی موارد، مدل هایی را که برای یک سری متوالی طراحی شده اند، تفسیر کنید. سه رویکرد مدلسازی ارائه شده است. رویکرد سنتی، باکس جنکینز برای مدل‌سازی سری‌های زمانی در بخش اول دوره پوشش داده شده است. این ارائه دانش‌آموزان را از مدل‌های داده‌های ثابت یا ARMA به مدل‌های روند و فصلی، ARIMA منتقل می‌کند و با اطلاعاتی در مورد مشخص کردن اجزای تابع انتقال در یک مدل ARIMAX یا رگرسیون سری زمانی به پایان می‌رسد. رویکرد بیزی برای مدل‌سازی سری‌های زمانی بعدی در نظر گرفته می‌شود. چارچوب بیزی پایه برای تطبیق تغییرات خودرگرسیون در داده ها و همچنین اثرات متغیر ورودی پویا گسترش یافته است. الگوریتم های یادگیری ماشین برای سری های زمانی رویکرد سوم است. تقویت گرادیان و الگوریتم های شبکه عصبی مکرر به ویژه برای تطبیق روابط غیرخطی در داده ها مناسب هستند. مثال هایی برای ایجاد شهود در استفاده موثر از این الگوریتم ها ارائه شده است. این دوره با در نظر گرفتن اینکه چگونه می توان با ترکیب نقاط قوت رویکردهای مختلف، دقت پیش بینی را بهبود بخشید، به پایان می رسد. درس آخر شامل نمایش هایی در مورد ایجاد پیش بینی های مدل ترکیبی (یا مجموعه ای) و ترکیبی است. این دوره برای تحلیلگرانی که علاقه مند به تقویت مهارت های یادگیری ماشینی خود با ابزارهای تجزیه و تحلیل مناسب برای سنجش، اصلاح، مدل سازی، پیش بینی و مدیریت داده هایی هستند که متشکل از متغیرهایی هستند که در طول زمان جمع آوری می شوند، مناسب است. در این دوره از ابزارهای نرم افزاری مختلف استفاده می شود. آشنایی با Base SAS، SAS/ETS، SAS/STAT و SAS Visual Forecasting و همچنین ابزارهای منبع باز برای پردازش و مدل‌سازی متوالی داده‌ها مفید است اما لازم نیست. درس‌های تحلیل بیزی و مدل‌های یادگیری ماشین، دانش قبلی از این موضوعات را فرض می‌کنند. یکی از راه‌هایی که دانش‌آموزان می‌توانند این پیش‌زمینه را کسب کنند، تکمیل این دوره‌های آموزشی SAS است: تحلیل‌های بیزی با استفاده از SAS و یادگیری ماشین با استفاده از SAS Viya.

Suggestions