Course catalog

Course duration

Course provider

Topic

Categories

Showing 521-540 of 600 items.

coursera مقدمه ای بر یادگیری ماشین جاسازی شده (Mitalearn-332636)

  • 4 hours 19 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Shawn Hymel,Alexander Fred-Ojala
درباره این دوره:

یادگیری ماشینی (ML) به ما این امکان را می‌دهد که به رایانه‌ها آموزش دهیم تا بر اساس داده‌ها پیش‌بینی و تصمیم بگیرند و از تجربیات بیاموزند. در سال‌های اخیر، بهینه‌سازی‌های باورنکردنی برای الگوریتم‌های یادگیری ماشین، چارچوب‌های نرم‌افزاری و سخت‌افزار تعبیه‌شده انجام شده است. به لطف این، اجرای شبکه های عصبی عمیق و سایر الگوریتم های پیچیده یادگیری ماشینی در دستگاه های کم مصرف مانند میکروکنترلرها امکان پذیر است. این دوره به شما یک نمای کلی از نحوه کار یادگیری ماشین، نحوه آموزش شبکه های عصبی و نحوه استقرار آن شبکه ها در میکروکنترلرها را ارائه می دهد که به عنوان یادگیری ماشین جاسازی شده یا TinyML شناخته می شود. برای گذراندن این دوره نیازی به دانش قبلی یادگیری ماشین ندارید. آشنایی با آردوینو و میکروکنترلرها برای درک برخی از موضوعات و همچنین مقابله با پروژه ها توصیه می شود. مقداری ریاضی (خواندن نمودار، حساب، جبر) نیز برای آزمون ها و پروژه ها مورد نیاز است. ما مفاهیم و واژگان لازم برای درک اصول یادگیری ماشین و همچنین ارائه نمایش ها و پروژه هایی را برای ارائه تجربه عملی به شما پوشش خواهیم داد.

coursera مقدمه ای بر یادگیری ماشینی (Mitalearn-332313)

  • 10 hours 24 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Lawrence Carin ,David Carlson,Timothy Dunn
درباره این دوره:

این دوره یک درک اساسی از مدل های یادگیری ماشین (رگرسیون لجستیک، پرسپترون های چندلایه، شبکه های عصبی کانولوشن، پردازش زبان طبیعی و غیره) ارائه می دهد و نشان می دهد که چگونه می توانند مشکلات پیچیده در صنایع مختلف، از تشخیص پزشکی گرفته تا تشخیص تصویر تا پیش بینی متن را حل کنند. از طریق تمرین‌های عملی، این مدل‌های علم داده را بر روی مجموعه داده‌ها پیاده‌سازی خواهید کرد و در الگوریتم‌های یادگیری ماشین با PyTorch که توسط شرکت‌های فناوری پیشرو مانند Google و NVIDIA استفاده می‌شود، مهارت کسب خواهید کرد.

coursera مقدمه ای بر یادگیری ماشینی کاربردی (Mitalearn-333435)

  • 2 hours 26 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Anna Koop
درباره این دوره:

این دوره برای حرفه‌ای‌هایی است که زمزمه‌های یادگیری ماشین را شنیده‌اند و می‌خواهند یادگیری ماشینی را در تجزیه و تحلیل داده‌ها و اتوماسیون به کار ببرند. چه امور مالی، پزشکی، مهندسی، تجارت یا سایر حوزه ها، این دوره شما را با تعریف مشکل و آماده سازی داده ها در پروژه یادگیری ماشینی آشنا می کند. در پایان دوره، شما قادر خواهید بود با استفاده از دو رویکرد، مشکل یادگیری ماشین را به وضوح تعریف کنید. شما یاد خواهید گرفت که منابع داده موجود را بررسی کنید و کاربردهای بالقوه ML را شناسایی کنید. شما یاد خواهید گرفت که یک نیاز تجاری را بپذیرید و آن را به یک برنامه یادگیری ماشینی تبدیل کنید. داده ها را برای برنامه های کاربردی یادگیری ماشینی موثر آماده خواهید کرد. این اولین دوره از تخصص یادگیری ماشین کاربردی است که توسط Coursera و موسسه هوش ماشین آلبرتا برای شما ارائه شده است.

coursera مقدمه ای بر یادگیری ماشینی: یادگیری تحت نظارت (Mitalearn-330851)

  • 5 hours 42 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Geena Kim
درباره این دوره:

در این دوره، شما الگوریتم‌های مختلف نظارت شده ML و وظایف پیش‌بینی اعمال شده روی داده‌های مختلف را یاد خواهید گرفت. شما یاد خواهید گرفت که چه زمانی از کدام مدل و چرا استفاده کنید و چگونه عملکرد مدل را بهبود ببخشید. ما مدل هایی مانند رگرسیون خطی و لجستیک، KNN، درختان تصمیم و روش های ترکیبی مانند جنگل تصادفی و تقویت، روش های هسته مانند SVM را پوشش خواهیم داد. دانش کدنویسی یا برنامه نویسی قبلی مورد نیاز است. ما در طول دوره به طور گسترده از پایتون استفاده خواهیم کرد. در این دوره، شما باید یک پایه محکم در پایتون یا تجربه قبلی کافی در کدنویسی با سایر زبان های برنامه نویسی داشته باشید تا پایتون را سریع انتخاب کنید. ما یاد خواهیم گرفت که چگونه از کتابخانه های علوم داده مانند NumPy، pandas، matplotlib، statsmodels و sklearn استفاده کنیم. این دوره برای برنامه نویسانی طراحی شده است که شروع به کار با آن کتابخانه ها می کنند. تجربه قبلی با آن کتابخانه ها مفید خواهد بود اما ضروری نیست. مهارت های ریاضی در سطح دانشگاه، از جمله حساب دیفرانسیل و انتگرال و جبر خطی، مورد نیاز است. امید ما برای این دوره این است که ریاضی قابل درک باشد اما ترسناک نباشد. 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 مقدمه یادگیری ماشین برای همه (Mitalearn-328301)

  • 1 hours 23 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Aije Egwaikhide,Yasmine Hemmati
درباره این دوره:

این دوره سه ماژول، یادگیری ماشین و علم داده را برای همه کسانی که درک اساسی از مدل‌های یادگیری ماشین دارند، معرفی می‌کند. شما در مورد تاریخچه یادگیری ماشینی، کاربردهای یادگیری ماشینی، چرخه عمر مدل یادگیری ماشینی و ابزارهایی برای یادگیری ماشینی خواهید آموخت. همچنین درباره یادگیری تحت نظارت در مقابل بدون نظارت، طبقه بندی، رگرسیون، ارزیابی مدل های یادگیری ماشین و موارد دیگر خواهید آموخت. آزمایشگاه‌های ما تجربه عملی با این مفاهیم یادگیری ماشینی و علم داده را به شما می‌دهند. شما مهارت های یادگیری ماشینی مشخص را توسعه خواهید داد و همچنین یک پروژه نهایی ایجاد خواهید کرد که مهارت شما را نشان می دهد. پس از تکمیل این برنامه، می‌توانید پتانسیل الگوریتم‌های یادگیری ماشین و هوش مصنوعی را در سناریوهای مختلف کسب‌وکار درک کنید. شما می توانید تشخیص دهید که چه زمانی از یادگیری ماشینی برای توضیح برخی رفتارها استفاده کنید و چه زمانی از آن برای پیش بینی نتایج آینده استفاده کنید. همچنین یاد خواهید گرفت که چگونه مدل‌های یادگیری ماشینی خود را ارزیابی کنید و بهترین روش‌ها را به کار ببرید. این دوره بخشی از برنامه های متعدد است همچنین می‌توانید از یادگیری این برنامه برای تکمیل دو دوره باقی‌مانده از گواهینامه حرفه‌ای یادگیری ماشینی IBM استفاده کنید و شغل جدیدی را در زمینه یادگیری ماشین ایجاد کنید.

coursera مهارت های اساسی در بیوانفورماتیک (Mitalearn-328573)

  • 9 hours 37 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Jesper Tegner,Zafer Ali,Vincenzo Lagani
درباره این دوره:

این دوره یک نمای کلی و عمدتاً عملی از مهارت های اساسی برای بیوانفورماتیک (و به طور کلی، تجزیه و تحلیل داده ها) ارائه می دهد. هدف حمایت از توسعه همزمان مهارت های کمی و برنامه نویسی برای دانشجویان بیولوژیکی و زیست پزشکی با پیشینه کم یا بدون پیشینه در برنامه نویسی یا تجزیه و تحلیل کمی است. در طول دوره، دانش آموز مهارت های عملی لازم را برای انجام تجزیه و تحلیل داده های اولیه ایجاد می کند. مهم‌تر از همه، شرکت‌کنندگان مهارت‌های بلندمدت در برنامه‌نویسی (و تجزیه و تحلیل داده‌ها) و دستورالعمل‌هایی برای بهبود دانش خود در مورد آن را خواهند آموخت. این دوره شامل برنامه نویسی در R، برنامه نویسی در پایتون، سرور یونیکس و بررسی مفاهیم اولیه آمار خواهد بود.

linkedin مهارت های غیر فنی دانشمندان داده موثر (Mitalearn-174604)

  • 50 minutes
  • مبتدی
  • Update date: 21 June 2026
  • Author: Keith McCormick
درباره این دوره:

بیشتر آموزش‌های علوم داده فقط بر روی فناوری‌های کلیدی تمرکز دارند. اما مشاغل علم داده در دنیای واقعی به چیزی بیش از دانش فنی نیاز دارند. هنگامی که دانشمندان داده جدید تمرکز خود را از کلاس درس به اتاق هیئت مدیره تغییر می دهند، اگر می خواهند با موفقیت پروژه هایی را اجرا کنند که تحول کسب و کار ایجاد می کند، باید بتوانند دیگران را همدلی کنند، متقاعد کنند و رهبری کنند. این دوره برای کمک به شما در یادگیری این مهارت‌ها و سایر مهارت‌های غیر فنی طراحی شده است که می‌تواند به شما کمک کند اولین شغل علم داده خود را به یک شغل موفق و مادام‌العمر تبدیل کنید.

چالش‌های قابل پیش‌بینی وجود دارد که باید با مدل‌های پیش‌بینی‌کننده غلبه کرد. ایجاد تغییر در سازمان ها در طول این دوره، مربی کیت مک کورمیک به این چالش ها می پردازد و نحوه غلبه بر آنها را نشان می دهد. کشف کنید که چگونه با اطمینان از زمین خود در محل کار دفاع کنید، کنجکاوی طبیعی خود را تقویت کنید، تعهد خود را به حرفه خود عمیق تر کنید، زبان تجزیه و تحلیل را به طور موثر به زبان تجارت ترجمه کنید، دیپلماسی را تمرین کنید و موارد دیگر.

coursera مهره ها و پیچ ها در یادگیری ماشینی (Mitalearn-336053)

  • 3 hours 40 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Google Career Certificates
درباره این دوره:

این ششمین دوره از هفت دوره در گواهی تحلیل داده های پیشرفته گوگل است. در این دوره آموزشی، با یادگیری ماشینی آشنا می شوید که از الگوریتم ها و آمار برای آموزش سیستم های کامپیوتری برای کشف الگوها در داده ها استفاده می کند. متخصصان داده از یادگیری ماشینی برای کمک به تجزیه و تحلیل حجم زیادی از داده ها، حل مسائل پیچیده و پیش بینی های دقیق استفاده می کنند. شما روی دو نوع اصلی یادگیری ماشین تمرکز خواهید کرد: نظارت شده و بدون نظارت. شما یاد خواهید گرفت که چگونه مدل های مختلف یادگیری ماشین را برای مشکلات تجاری اعمال کنید و با مدل های خاصی مانند Naive Bayes، درخت تصمیم، جنگل تصادفی و غیره آشنا می شوید. 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: -استفاده از تکنیک های مهندسی ویژگی با استفاده از پایتون -یک مدل Naive Bayes بسازید -توضیح دهید که چگونه یادگیری بدون نظارت با یادگیری تحت نظارت متفاوت است - کد یک الگوریتم K-means در پایتون -ارزیابی و بهینه سازی نتایج مدل K-means مدل‌های درخت تصمیم، نحوه عملکرد و مزایای آن‌ها را نسبت به سایر انواع یادگیری ماشینی تحت نظارت کاوش کنید - مشخص کردن کیسه در یادگیری ماشین، به ویژه برای مدل‌های تصادفی جنگل تشخیص تقویت در یادگیری ماشین، به ویژه برای مدل های XGBoost - پارامترهای مدل تنظیم و چگونگی تأثیر آنها بر عملکرد و معیارهای ارزیابی را توضیح دهید

coursera مهندسی داده با MS Azure Synapse Apache Spark Pools (Mitalearn-333486)

  • 1 hours 5 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

در این دوره آموزشی، نحوه انجام مهندسی داده با Azure Synapse Apache Spark Pools را یاد می گیرید که به شما امکان می دهد عملکرد برنامه های تحلیلی کلان داده را با محاسبات خوشه ای درون حافظه افزایش دهید. شما یاد خواهید گرفت که چگونه بین Apache Spark، Azure Databricks، HDInsight و SQL Pools تفاوت قائل شوید و موارد استفاده مهندسی داده را با Apache Spark در Azure Synapse Analytics درک کنید. همچنین یاد خواهید گرفت که چگونه داده ها را با استفاده از نوت بوک های Apache Spark در Azure Synapse Analytics وارد کنید و داده ها را با استفاده از DataFrames در Apache Spark Pools در Azure Synapse Analytics تبدیل کنید. استخرهای SQL و Apache Spark را در Azure Synapse Analytics ادغام خواهید کرد. همچنین نحوه نظارت و مدیریت بارهای کاری مهندسی داده با Apache Spark در Azure Synapse Analytics را خواهید آموخت. این دوره بخشی از یک تخصص در نظر گرفته شده برای مهندسین داده و توسعه دهندگان است که می خواهند تخصص خود را در طراحی و پیاده سازی راه حل های داده ای که از خدمات داده Microsoft Azure استفاده می کنند برای هر کسی که علاقه مند به آماده شدن برای آزمون DP-203: مهندسی داده در Microsoft Azure (بتا) نشان دهد. ). شما در یک آزمون عملی شرکت خواهید کرد که شامل مهارت های کلیدی می شود که با آزمون گواهینامه اندازه گیری می شوند. این ششمین دوره از یک برنامه 10 دوره ای است که به شما برای شرکت در آزمون کمک می کند تا بتوانید در طراحی و پیاده سازی راه حل های داده ای که از خدمات داده مایکروسافت آژور استفاده می کنند تخصص داشته باشید. مهندسی داده در آزمون Microsoft Azure فرصتی برای اثبات تخصص دانش در یکپارچه‌سازی، تبدیل و تلفیق داده‌ها از سیستم‌های داده‌های مختلف ساختاریافته و بدون ساختار به ساختارهایی است که برای ساخت راه‌حل‌های تحلیلی که از خدمات داده مایکروسافت آژور استفاده می‌کنند، مناسب هستند. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند. در پایان این تخصص، شما آماده شرکت و ثبت نام در آزمون DP-203: مهندسی داده در Microsoft Azure (بتا) خواهید بود.

coursera مهندسی داده با Rust (Mitalearn-332806)

  • 7 hours 36 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Noah Gift,Alfredo Deza
درباره این دوره:

آیا شما یک مهندس داده، توسعه‌دهنده نرم‌افزار یا یک علاقه‌مند به فناوری با درک اولیه از Rust هستید و به دنبال افزایش مهارت‌های خود و غواصی عمیق در قلمرو مهندسی داده با Rust هستید؟ یا آیا شما یک حرفه ای از یک پیشینه زبان برنامه نویسی دیگر هستید و قصد دارید ویژگی های کارایی، ایمنی و همزمانی Rust را برای کارهای مهندسی داده کشف کنید؟ اگر چنین است، این دوره برای شما طراحی شده است. در حالی که انتظار می رود دانش بنیادی Rust داشته باشید، شما باید به طور ایده آل با اصول ساختار داده ها و الگوریتم ها راحت باشید و درک درستی از پایگاه های داده و پردازش داده داشته باشید. آشنایی با SQL، خط فرمان و کنترل نسخه با git مزیت دارد. این دوره چهار هفته ای بر استفاده از Rust برای ایجاد سیستم های پردازش داده کارآمد، ایمن و همزمان تمرکز دارد. سفر با غواصی عمیق در ساختارهای داده و مجموعه‌های Rust آغاز می‌شود و به دنبال آن ویژگی‌های ایمنی و امنیتی Rust در زمینه مهندسی داده بررسی می‌شود. در هفته بعد، کتابخانه ها و ابزارهای خاص مهندسی داده مانند Diesel، async، Polars، و Apache Arrow را کاوش خواهید کرد و یاد خواهید گرفت که با سیستم های پردازش داده، REST، پروتکل های gRPC و AWS SDK برای عملیات داده مبتنی بر ابر ارتباط برقرار کنید. . هفته آخر بر روی طراحی و پیاده سازی سیستم های پردازش داده کامل با استفاده از Rust تمرکز دارد. در پایان این دوره، شما به خوبی برای استفاده از Rust برای انجام وظایف مهندسی داده در مقیاس بزرگ، حل مشکلات دنیای واقعی با کارایی و سرعت مجهز خواهید شد. آزمایشگاه‌ها و پروژه‌های عملی در طول این دوره به شما اطمینان می‌دهند که تجربه عملی به دست آورید و دانش خود را عملی کنید. این دوره دروازه شما برای تسلط بر مهندسی داده با Rust است و شما را برای سطح بعدی در سفر مهندسی داده خود آماده می کند.

coursera مهندسی داده در AWS (Mitalearn-329287)

  • 1 hours 45 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Whizlabs Instructor
درباره این دوره:

مهندسی داده در AWS اولین دوره در تخصص AWS Certified Machine Learning تخصص است. این دوره به زبان آموزان کمک می کند تا تکنیک های مختلف جمع آوری داده ها را تجزیه و تحلیل کنند. آنها همچنین بینشی برای رسیدگی به داده های از دست رفته به دست خواهند آورد. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره آموزشی با سخنرانی‌های ویدیویی حدوداً 2:30 تا 3:00 ساعت که هم تئوری و هم دانش عملی را ارائه می‌کند، به زبان‌آموزان 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: مقدمه ای بر مهندسی داده ماژول 2: استخراج ویژگی و انتخاب ویژگی نامزد باید حداقل دو سال تجربه عملی در معماری و اجرای بارهای کاری ML در AWS Cloud داشته باشد. فرد باید دانش اولیه الگوریتم های ML را داشته باشد. در پایان این دوره، زبان آموز قادر خواهد بود: - تکنیک های مختلف جمع آوری داده ها را درک کنید - تجزیه و تحلیل تکنیک های مدیریت داده های از دست رفته - پیاده سازی استخراج ویژگی و انتخاب ویژگی با تجزیه و تحلیل مؤلفه اصلی و واریانس آستانه ها

coursera مهندسی سریع برای ChatGPT (Mitalearn-326295)

  • 5 hours 54 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Dr. Jules White
درباره این دوره:

ChatGPT و سایر مدل های زبان بزرگ در زندگی و تجارت شما مهمتر از گوشی هوشمند شما خواهند بود، اگر درست از آنها استفاده کنید. ChatGPT می تواند به کودک شما در ریاضیات آموزش دهد، برنامه غذایی و دستور العمل تهیه کند، برنامه های نرم افزاری برای کسب و کار شما بنویسد، به شما کمک کند امنیت سایبری شخصی خود را بهبود ببخشید، و این درست در اولین ساعتی است که از آن استفاده می کنید. این دوره به شما یاد می دهد که چگونه یک کاربر متخصص از این ابزارهای مولد هوش مصنوعی باشید. این دوره نمونه های شگفت انگیزی را نشان می دهد که چگونه می توانید از هوش و استدلال اضطراری این ابزارهای هوش مصنوعی بهره ببرید، چگونه می توانید از آنها برای بهره وری روز به روز استفاده کنید و به شما بینشی در مورد نحوه کار آنها می دهد. مدل‌های زبان بزرگ به دستورالعمل‌ها و سؤالات مطرح شده توسط کاربران در عبارات زبان طبیعی پاسخ می‌دهند که به «اعلان‌ها» معروف هستند. اگرچه مدل‌های بزرگ زبان بسیاری از زمینه‌ها را مختل می‌کنند، اکثر کاربران مهارت‌های لازم برای نوشتن پیام‌های مؤثر را ندارند. کاربران خبره، که نحوه نوشتن اعلان‌های خوب را می‌دانند، در مرتبه‌ای مولدتر هستند و می‌توانند کاربردهای خلاقانه‌تری را برای این ابزارها باز کنند. این دوره دانش آموزان را با الگوها و رویکردهای نوشتن دستورهای موثر برای مدل های زبان بزرگ آشنا می کند. هر کسی می‌تواند این دوره را بگذراند و تنها دانش مورد نیاز، مهارت‌های اولیه استفاده از رایانه، مانند استفاده از مرورگر و دسترسی به ChatGPT است. دانش‌آموزان با اعلان‌های اولیه شروع می‌کنند و به سمت نوشتن اعلان‌های پیچیده برای حل مشکلات در هر حوزه می‌روند. در پایان دوره، دانش‌آموزان مهارت‌های مهندسی سریع و قوی خواهند داشت و می‌توانند از مدل‌های زبانی بزرگ برای طیف وسیعی از وظایف در شغل، تجارت، زندگی شخصی و تحصیلات خود مانند نوشتن، خلاصه‌نویسی، بازی، برنامه‌ریزی استفاده کنند. ، شبیه سازی و برنامه نویسی

linkedin موفقیت در DevOps (Mitalearn-192403)

  • 32 minutes
  • مبتدی
  • Update date: 22 June 2026
  • Author: Laura Stone
درباره این دوره:

مهندس DevOps یکی از پرتقاضاترین مشاغل فناوری در بازار است. اما از آنجایی که این نقش هنوز نسبتاً جدید است، مهندسان مشتاق DevOps ممکن است درک تا حدی مبهم از آنچه این موقعیت مستلزم آن است داشته باشند. در این دوره، لورا استون به وضوح آنچه را که از تمرین‌کنندگان DevOps انتظار می‌رود، و همچنین آنچه برای تبدیل شدن به یک مهندس DevOps لازم است (و اینکه چگونه پس از رسیدن به این شغل به برتری نیاز دارد، بیان می‌کند). او با برجسته کردن صلاحیت‌ها و آموزش‌های اولیه مورد نیاز برای یافتن شغل به عنوان یک متخصص DevOps شروع می‌کند. در مرحله بعد، او یک نقشه راه فنی برای مهارت های مورد نیاز برای به دست آوردن یک نقش در سطح پایه در DevOps ارائه می دهد. نکاتی را از یک استخدام کننده DevOps به اشتراک می گذارد. و مراحلی را برای اندازه گیری پیشرفت و دستیابی به اهداف شما در طول حرفه DevOps ارائه می دهد.

coursera میز کار یونیکس (Mitalearn-327162)

  • 2 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Sean Kross,Jeff Leek, PhD,Brian Caffo, PhD
درباره این دوره:

یونیکس پایه‌ای را تشکیل می‌دهد که اغلب برای دستیابی به اهداف دیگری که ممکن است برای خود و رایانه‌تان داشته باشید، بسیار مفید است، خواه این هدف راه اندازی یک تجارت، نوشتن کتاب، درمان بیماری یا ایجاد برنامه عالی بعدی باشد. ابزار دستیابی به این اهداف گاهی با نوشتن نرم افزار انجام می شود. نرم‌افزار را نمی‌توان از زمین استخراج کرد، و همچنین نمی‌توان بذرهای نرم‌افزار را در بهار برای برداشت تا پاییز کاشت. نرم افزار در کارخانه ها در خط مونتاژ تولید نمی شود. نرم افزار یک کالای دست ساز و اغلب سفارشی است. اگر یک توسعه دهنده نرم افزار یک صنعتگر باشد، یونیکس میز کار آنها است. یونیکس مجموعه ای ضروری و ساده از ابزارها را در محیطی بدون حواس پرتی فراهم می کند. حتی اگر توسعه‌دهنده نرم‌افزار نیستید، یادگیری یونیکس می‌تواند روش‌های جدید تفکر و راه‌های جدید برای مقیاس‌بندی ایده‌هایتان را در اختیار شما قرار دهد. این دوره برای افرادی در نظر گرفته شده است که تازه برنامه نویسی می کنند و با سیستم عامل های مشابه یونیکس مانند macOS و توزیع های لینوکس مانند اوبونتو جدید هستند. بیشتر فناوری های مورد بحث در این دوره از طریق یک رابط خط فرمان قابل دسترسی خواهند بود. رابط‌های خط فرمان در ابتدا می‌توانند بیگانه به نظر برسند، بنابراین این دوره سعی می‌کند بین استفاده از خط فرمان و اقداماتی که معمولاً هنگام استفاده از ماوس و صفحه‌کلید انجام می‌دهید، تشابهاتی را ترسیم کند. همچنین یاد خواهید گرفت که چگونه قطعات کوچکی از نرم افزار را در زبان برنامه نویسی به نام Bash بنویسید، که به شما امکان می دهد ابزارهایی را که در مورد آن صحبت خواهیم کرد به هم متصل کنید. امید من این است که در پایان این دوره بتوانید از ابزارهای مختلف یونیکس طوری استفاده کنید که گویی در حال اتصال آجرهای لگو هستند.

linkedin نکات مهم یادگیری لینکدین: علم داده و تجزیه و تحلیل (Mitalearn-179517)

  • 42 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: LinkedIn Learning Staff Instructor
درباره این دوره:

در زمینه رو به رشد علم داده، همیشه چیز جدیدی برای یادگیری وجود دارد. و چه به دنبال ورود به این حوزه هیجان‌انگیز باشید - یا فقط مهارت‌های علم داده و تجزیه و تحلیل خود را واضح نگه دارید، LinkedIn Learning دوره‌هایی دارد که می‌تواند به شما کمک کند. از این مجموعه از نکات برجسته انتخاب شده از بهترین دوره های علوم داده ما لذت ببرید. به اصول اخلاقیات داده و حریم خصوصی شیرجه بزنید. نحوه کار با پلتفرم‌ها و ابزارهای تجزیه و تحلیل داده، کمک به دیگران در تجسم داده‌ها و استفاده از دانش پیشرفته در زمینه یادگیری ماشین، یادگیری عمیق و شبکه‌های عصبی را بیاموزید. به علاوه، نحوه حل مشکلات را با کار با ابزارهایی مانند R، Python، و SQL، کشف هوش تجاری و Power BI و موارد دیگر کشف کنید.

linkedin نکات، ترفندها و تکنیک های بیشتر پایتون برای علم داده (Mitalearn-194069)

  • 2 hours 15 minutes
  • متوسط
  • Update date: 13 September 2024
  • Author: Harshit Tyagi
درباره این دوره:

قدرت و تطبیق پذیری پایتون - همراه با اکوسیستم بزرگ آن از بسته های شخص ثالث - آن را برای دانشمندان داده ضروری می کند. در این دوره، مدرس Harshit Tyagi نکات و تکنیک‌های عملی را به اشتراک می‌گذارد که می‌تواند به شما در بهبود گردش کار علم داده پایتون کمک کند. Harshit نحوه کار با نوت بوک های IPython از جمله نحوه اشکال زدایی خطاها را پوشش می دهد. او نحوه استفاده از NumPy را برای دستکاری آرایه ها و همچنین نحوه کار با پانداها، ابزار دستکاری و تجزیه و تحلیل داده ها را نشان می دهد. او نکاتی را برای تجسم داده‌های شما با Matplotlib ارائه می‌کند و نحوه اضافه کردن متن به نمودارها و حاشیه‌نویسی عناصر در نمودار را توضیح می‌دهد. به‌علاوه، بهترین روش‌ها را برای کار با scikit-learn و همچنین سایر نکات یادگیری ماشینی دریافت کنید.

coursera نمونه برداری مجدد، انتخاب و اسپلاین (Mitalearn-331718)

  • 3 hours 40 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Osita Onyejekwe
درباره این دوره:

"یادگیری آماری برای علم داده" دوره پیشرفته ای است که برای تجهیز متخصصان کار به دانش و مهارت های لازم برای برتری در زمینه علم داده طراحی شده است. از طریق آموزش جامع در مورد موضوعات کلیدی مانند روش‌های کوچک کردن، تحلیل رگرسیون پارامتری، مدل‌های خطی تعمیم‌یافته، و مدل‌های افزایشی کلی، دانش‌آموزان می‌آموزند که چگونه روش‌های نمونه‌گیری مجدد را برای به دست آوردن اطلاعات اضافی در مورد مدل‌های برازش، بهینه‌سازی روش‌های برازش برای بهبود دقت پیش‌بینی و تفسیرپذیری اعمال کنند. و مزایا و رویکرد مدل های غیر خطی را شناسایی کنید. این دوره برای هر کسی که به دنبال ارتقاء مهارت یا انتقال به یک حرفه در علم داده است، انتخاب مناسبی است. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، گذراند. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید.

coursera نمونه سازی سریع یادگیری ماشین با IBM Watson Studio (Mitalearn-334234)

  • 1 hours 53 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mark J Grover,Meredith Mante
درباره این دوره:

یک روند در حال ظهور در هوش مصنوعی در دسترس بودن فناوری‌هایی است که در آن از اتوماسیون برای انتخاب بهترین مدل، انجام مهندسی ویژگی و بهبود عملکرد مدل از طریق بهینه‌سازی فراپارامتر استفاده می‌شود. این اتوماسیون نمونه‌سازی سریع مدل‌ها را فراهم می‌کند و به Data Scientist اجازه می‌دهد تا تلاش‌های خود را بر روی استفاده از دانش دامنه برای تنظیم دقیق مدل‌ها متمرکز کند. این دوره زبان آموز را از طریق ایجاد یک خط لوله خودکار سرتاسر ساخته شده توسط ابزار آزمایشی AutoAI استودیو Watson، توضیح می دهد که فناوری زیربنایی در حال کار را که توسط IBM Research توسعه داده شده است، توضیح می دهد. تمرکز روی کار با یک نوت بوک پایتون است که به طور خودکار تولید می شود. به فراگیران مجموعه داده های آزمون برای دو مورد استفاده ارائه می شود. این دوره برای تمرین دانشمندان داده در نظر گرفته شده است. در حالی که این دوره قابلیت‌های هوش مصنوعی خودکار IBM Watson Studio را با AutoAI به نمایش می‌گذارد، این دوره مفاهیم یادگیری ماشین یا علم داده را توضیح نمی‌دهد. برای موفقیت باید دانش زیر را داشته باشید: گردش کار علم داده پیش پردازش داده ها مهندسی ویژگی الگوریتم های یادگیری ماشین بهینه سازی هایپرپارامتر اقدامات ارزیابی برای مدل ها کتابخانه Python و scikit-learn (از جمله کلاس Pipeline)

coursera همنشین علم داده (Mitalearn-329746)

  • 1 hours 32 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: MathWorks Instructors
درباره این دوره:

Data Science Companion مقدمه ای برای علم داده ارائه می دهد. شما یک پس زمینه سریع در علم داده و مفاهیم اصلی یادگیری ماشین، مانند رگرسیون و طبقه بندی، به دست خواهید آورد. شما با دانش عملی پردازش و تجسم داده ها با استفاده از راه حل های کم کد، و همچنین مروری بر راه های ادغام چند ابزار به طور موثر برای حل مشکلات علم داده آشنا خواهید شد. سپس از منابع ابری خدمات وب آمازون برای مقیاس‌بندی پردازش داده‌ها و تسریع آموزش مدل یادگیری ماشین استفاده خواهید کرد. در پایان این دوره کوتاه، درک سطح بالایی از مفاهیم مهم علم داده خواهید داشت که می توانید از آنها به عنوان پایه ای برای یادگیری آینده استفاده کنید.

coursera هوش تجاری و انبار داده (Mitalearn-331599)

  • 1 hours 18 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: María del Pilar Ángeles
درباره این دوره:

به دوره تخصصی هوش تجاری و انبار داده خوش آمدید. این دوره در مدت شش هفته تکمیل خواهد شد و با فیلم ها و اسناد مختلف پشتیبانی می شود که به شما این امکان را می دهد تا به روشی بسیار ساده نحوه شناسایی، طراحی و توسعه سیستم های اطلاعاتی تحلیلی مانند هوش تجاری با تجزیه و تحلیل توصیفی داده ها را بیاموزید. انبارها شما قادر خواهید بود مشکل یکپارچه سازی و تحلیل پیش بینی حجم بالای داده های بدون ساختار (داده های بزرگ) را با داده کاوی و چارچوب Hadoop درک کنید. پس از اتمام این دوره، زبان آموز قادر خواهد بود ● یک نمودار مدل داده ستاره یا دانه برف از طریق طراحی چند بعدی از نیازمندی های تجاری تحلیلی و سیستم OLTP ایجاد کنید ● یک سیستم پایگاه داده فیزیکی ایجاد کنید ● استخراج، تبدیل و بارگذاری داده ها در انبار داده. ● پرس و جوهای تحلیلی را با SQL با استفاده از MySQL برنامه ریزی کنید ● تجزیه و تحلیل پیش بینی با RapidMiner ● داده های رابطه ای یا بدون ساختار را در Hortonworks HDFS بارگذاری کنید ● کارهای Map-Reduce را برای جستجوی داده ها در HDFS برای اهداف تحلیلی اجرا کنید زبان های برنامه نویسی: برای دوره 2 از زبان MYSQL استفاده خواهید کرد. نرم افزار برای دانلود: Rapidminer MYSQL اکسل چارچوب هادوپ Hortonworks در صورتی که سیستم عامل Mac / IOS دارید، باید از ماشین مجازی (VirtualBox، Vmware) استفاده کنید.

Suggestions