Course catalog

Course duration

Course provider

Topic

Categories

Showing 501-507 of 507 items.

coursera یادگیری ماشینی بدون نظارت (Mitalearn-270331)

  • 4 hours 52 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mark J Grover,Miguel Maldonado,Joseph Santarcangelo
درباره این دوره:

این دوره شما را با یکی از انواع اصلی یادگیری ماشینی آشنا می کند: یادگیری بدون نظارت. شما یاد خواهید گرفت که چگونه از مجموعه داده هایی که متغیر هدف یا برچسب گذاری شده ندارند، بینش پیدا کنید. چندین الگوریتم خوشه بندی و کاهش ابعاد را برای یادگیری بدون نظارت و همچنین نحوه انتخاب الگوریتمی که به بهترین وجه با داده های شما مطابقت دارد، یاد خواهید گرفت. بخش عملی این دوره بر استفاده از بهترین شیوه ها برای یادگیری بدون نظارت متمرکز است. در پایان این دوره شما باید بتوانید: انواع مشکلات مناسب برای رویکردهای یادگیری بدون نظارت را توضیح دهید نفرین ابعاد را توضیح دهید و اینکه چگونه خوشه بندی را با بسیاری از ویژگی ها دشوار می کند توصیف و استفاده از الگوریتم های متداول خوشه بندی و کاهش ابعاد در صورت لزوم، نقاط خوشه‌بندی را امتحان کنید، عملکرد مدل‌های هر خوشه را مقایسه کنید معیارهای مربوط به توصیف خوشه ها را درک کنید چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با تکنیک های یادگیری ماشینی بدون نظارت در یک محیط تجاری هستند، هدف قرار می دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی از پاکسازی داده ها، تجزیه و تحلیل داده های اکتشافی، حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.

coursera یادگیری ماشینی برای تجزیه و تحلیل داده ها (Mitalearn-335730)

  • 2 hours 18 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jen Rose,Lisa Dierker
درباره این دوره:

آیا علاقه مند به پیش بینی نتایج آینده با استفاده از داده های خود هستید؟ این دوره به شما کمک می کند تا دقیقاً این کار را انجام دهید! یادگیری ماشینی فرآیند توسعه، آزمایش و بکارگیری الگوریتم های پیش بینی برای دستیابی به این هدف است. قبل از فرو رفتن در این مفاهیم یادگیری ماشینی، حتماً با دوره 3 این تخصص آشنا شوید. این دوره بر اساس دوره 3، که دانش آموزان را با مفاهیم یادگیری ماشینی نظارت شده یکپارچه آشنا می کند، مروری بر بسیاری از مفاهیم، ​​تکنیک ها و الگوریتم های اضافی در یادگیری ماشین، از طبقه بندی اولیه تا درخت های تصمیم گیری و خوشه بندی ارائه می دهد. با تکمیل این دوره، یاد خواهید گرفت که چگونه الگوریتم های یادگیری ماشینی را به عنوان روش های جایگزین برای پاسخگویی به سوالات تحقیق خود اعمال، آزمایش و تفسیر کنید.

coursera یادگیری ماشینی: خوشه بندی و بازیابی (Mitalearn-334812)

  • 7 hours 30 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Emily Fox,Carlos Guestrin
درباره این دوره:

مطالعات موردی: یافتن اسناد مشابه یک خواننده به یک مقاله خبری خاص علاقه دارد و شما می خواهید مقالات مشابهی را برای توصیه پیدا کنید. تصور درست از شباهت چیست؟ علاوه بر این، اگر میلیون ها سند دیگر وجود داشته باشد چه؟ هر بار که می‌خواهید یک سند جدید را بازیابی کنید، آیا باید در میان سایر اسناد جستجو کنید؟ چگونه اسناد مشابه را با هم گروه بندی می کنید؟ چگونه موضوعات جدید و نوظهوری را که اسناد پوشش می دهند کشف می کنید؟ در این مطالعه موردی سوم، با یافتن اسناد مشابه، الگوریتم های مبتنی بر شباهت را برای بازیابی بررسی خواهید کرد. در این دوره، شما همچنین نمایش های ساختار یافته برای توصیف اسناد موجود در مجموعه، از جمله خوشه بندی و مدل های عضویت ترکیبی، مانند تخصیص دیریکله پنهان (LDA) را بررسی خواهید کرد. شما برای یادگیری خوشه‌بندی اسناد، حداکثرسازی انتظارات (EM) را پیاده‌سازی خواهید کرد و نحوه مقیاس‌بندی روش‌ها را با استفاده از MapReduce مشاهده خواهید کرد. نتایج یادگیری: در پایان این دوره، شما قادر خواهید بود: ایجاد یک سیستم بازیابی اسناد با استفاده از k-نزدیکترین همسایه. -شناسایی معیارهای شباهت مختلف برای داده های متنی. -کاهش محاسبات در جستجوی k-نزدیکترین همسایه با استفاده از درختان KD. با استفاده از هش کردن حساس به محلی، نزدیکترین همسایگان را تقریبی تولید کنید. -مقایسه و مقایسه وظایف یادگیری تحت نظارت و بدون نظارت. -دسته بندی اسناد بر اساس موضوع با استفاده از k-means. - نحوه موازی کردن k-means را با استفاده از MapReduce توضیح دهید. -رویکردهای خوشه‌بندی احتمالی را با استفاده از مدل‌های مخلوط بررسی کنید. - برازش مخلوطی از مدل گاوسی با استفاده از حداکثرسازی انتظار (EM). -انجام مدل‌سازی عضویت مختلط با استفاده از تخصیص دیریکله نهفته (LDA). -مراحل نمونه‌بردار گیبس و نحوه استفاده از خروجی آن برای استنتاج را شرح دهید. -تکنیک های اولیه سازی را برای اهداف بهینه سازی غیر محدب مقایسه و کنتراست کنید. -این تکنیک ها را در پایتون پیاده سازی کنید.

coursera یک پروژه علم داده را نهایی کنید (Mitalearn-333758)

  • 2 hours 21 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Sarah Haq,Stacey McBrine
درباره این دوره:

این دوره برای متخصصان کسب و کار طراحی شده است که می خواهند یاد بگیرند که چگونه نتایج مراحل قبلی پروژه علم داده را جمع آوری کرده و به ذینفعان ارائه دهند. یادگیرندگان نتایج یک مدل را به ذینفعان منتقل می‌کنند، نحوه ساخت یک برنامه وب پایه برای نشان دادن مدل‌های یادگیری ماشین و پیاده‌سازی و آزمایش خطوط لوله که فرآیندهای آموزش، تنظیم و استقرار مدل را خودکار می‌کنند، نشان خواهند داد. دانشجوی معمولی در این دوره دوره های قبلی را در برنامه گواهینامه حرفه ای CDSP گذرانده است و چندین سال تجربه در زمینه فناوری محاسبات از جمله برخی استعدادها در برنامه نویسی رایانه دارد.

coursera یک دوره آموزشی تصادفی در علم داده (Mitalearn-328692)

  • 1 hours 18 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Jeff Leek, PhD,Brian Caffo, PhD,Roger D. Peng, PhD
درباره این دوره:

تا به حال قطعاً در مورد علم داده و کلان داده شنیده اید. در این کلاس یک هفته‌ای، دوره‌ای را ارائه می‌کنیم که این اصطلاحات به چه معنا هستند و چگونه در سازمان‌های موفق نقش دارند. این کلاس برای هرکسی است که می‌خواهد بداند همه اقدامات علم داده درباره چیست، از جمله کسانی که در نهایت نیاز به مدیریت دانشمندان داده دارند. هدف این است که شما را در سریع ترین زمان ممکن در علم داده ها و بدون هیچ مشکلی به سرعت بالا ببرید. ما این دوره را طوری طراحی کرده‌ایم که تا حد امکان راحت باشد بدون اینکه هیچ یک از موارد ضروری را از بین ببریم. این یک دوره متمرکز طراحی شده است تا به سرعت شما را در زمینه علم داده به سرعت بشناساند. هدف ما این بود که این کار را تا حد امکان برای شما راحت کنیم بدون اینکه هیچ محتوای ضروری را قربانی کنیم. ما اطلاعات فنی را کنار گذاشته ایم تا بتوانید روی مدیریت تیم خود و پیشبرد آن تمرکز کنید. پس از اتمام این دوره خواهید دانست. 1. چگونه می توان نقش علم داده در زمینه های مختلف را توصیف کرد 2. چگونه آمار، یادگیری ماشین و مهندسی نرم افزار در علم داده نقش دارند 3. نحوه توصیف ساختار یک پروژه علم داده 4. اصطلاحات و ابزارهای کلیدی مورد استفاده توسط دانشمندان داده را بشناسید 5. چگونه یک پروژه علمی داده موفق و ناموفق را شناسایی کنیم 3. نقش مدیر علم داده تصویر جلد دوره توسط r2hox. Creative Commons BY-SA: https://flic.kr/p/gdMuhT

coursera یک گردش کار یادگیری ماشین را دنبال کنید (Mitalearn-331497)

  • 2 hours 35 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Renée Cummings
درباره این دوره:

یادگیری ماشینی فقط یک کار یا حتی یک گروه کوچک از وظایف نیست. این یک فرآیند کامل است، فرآیندی که تمرین‌کنندگان باید از ابتدا تا انتها آن را دنبال کنند. این فرآیند - که گردش کار نیز نامیده می شود - است که سازمان را قادر می سازد مفیدترین نتایج را از فناوری های یادگیری ماشین خود به دست آورد. مهم نیست محصول یا خدمات نهایی به چه شکلی باشد، استفاده از گردش کار کلید موفقیت راه حل هوش مصنوعی کسب و کار است. این دوره دوم در گواهینامه حرفه‌ای متخصص هوش مصنوعی (CAIP) هر مرحله از روند کار یادگیری ماشین را بررسی می‌کند، از فرمول‌بندی مشکل تا ارائه مدل و استقرار. گردش کار کلی در دوره قبلی معرفی شد، اما اکنون شما به بررسی عمیق‌تر هر یک از وظایف مهمی که گردش کار را تشکیل می‌دهند، می‌پردازید، از جمله دو مورد از عملی‌ترین کارها: تجزیه و تحلیل داده‌ها و آموزش مدل. همچنین با نحوه خودکارسازی وظایف یادگیری ماشینی آشنا خواهید شد و اطمینان حاصل می‌کنید که گردش کار می‌تواند در صورت لزوم تکرار شود، مانند بسیاری از فرآیندهای تجاری مهم. در نهایت، این دوره یک چارچوب عملی ارائه می‌کند که بر اساس آن مدل‌های یادگیری ماشینی بیشتری را در دوره‌های باقی‌مانده می‌سازید.

coursera یکپارچه سازی و پردازش داده های بزرگ (Mitalearn-327230)

  • 5 hours 8 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Ilkay Altintas,Amarnath Gupta
درباره این دوره:

در پایان دوره، شما قادر خواهید بود: *بازیابی داده ها از پایگاه داده نمونه و سیستم های مدیریت داده های بزرگ *ارتباطات بین عملیات مدیریت داده و الگوهای پردازش کلان داده مورد نیاز برای استفاده از آنها در کاربردهای تحلیلی در مقیاس بزرگ را شرح دهید. * شناسایی زمانی که یک مشکل داده بزرگ نیاز به یکپارچه سازی داده دارد * یکپارچه سازی و پردازش کلان داده ساده را در پلتفرم های Hadoop و Spark اجرا کنید این دوره برای کسانی است که تازه وارد علم داده می شوند. تکمیل Intro to Big Data توصیه می شود. هیچ تجربه برنامه نویسی قبلی مورد نیاز نیست، اگرچه توانایی نصب برنامه ها و استفاده از ماشین مجازی برای تکمیل تکالیف عملی ضروری است. برای مشخصات کامل سخت افزار و نرم افزار به الزامات فنی تخصصی مراجعه کنید. الزامات سخت افزاری: (الف) پردازنده چهار هسته ای (پشتیبانی VT-x یا AMD-V توصیه می شود)، 64 بیتی؛ (ب) 8 گیگابایت رم؛ (C) 20 گیگابایت دیسک رایگان. نحوه پیدا کردن اطلاعات سخت افزاری خود: (ویندوز): با کلیک بر روی دکمه Start، روی Computer راست کلیک کرده و سپس روی Properties کلیک کنید. (Mac): با کلیک بر روی منوی اپل و کلیک کردن روی «درباره این مک»، نمای کلی را باز کنید. اکثر رایانه‌های با رم 8 گیگابایتی خریداری شده در 3 سال گذشته حداقل شرایط لازم را برآورده می‌کنند. شما به اتصال اینترنت پرسرعت نیاز دارید زیرا فایل‌هایی تا حجم 4 گیگابایت را دانلود خواهید کرد. نرم افزار مورد نیاز: این دوره متکی بر چندین ابزار نرم افزار منبع باز از جمله Apache Hadoop است. تمام نرم افزارهای مورد نیاز را می توان به صورت رایگان دانلود و نصب کرد (به جز هزینه های داده از ارائه دهنده اینترنت شما). الزامات نرم افزار عبارتند از: Windows 7+، Mac OS X 10.10+، Ubuntu 14.04+ یا CentOS 6+ VirtualBox 5+.

Suggestions