Course catalog

Course duration

Course provider

Topic

Categories

Showing 521-540 of 610 items.

coursera مقدمه ای بر سیستم های توصیه گر: غیر شخصی و مبتنی بر محتوا (Mitalearn-331191)

  • 8 hours 46 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Joseph A Konstan,Michael D. Ekstrand
درباره این دوره:

این دوره که به عنوان اولین دوره در تخصص سیستم های توصیه گر طراحی شده است، مفهوم سیستم های توصیه گر را معرفی می کند، چندین مثال را به طور مفصل بررسی می کند و شما را از طریق توصیه های غیر شخصی با استفاده از آمار خلاصه و انجمن های محصول، مبتنی بر کلیشه های اولیه راهنمایی می کند. یا توصیه های جمعیت شناختی، و توصیه های فیلترینگ مبتنی بر محتوا. پس از اتمام این دوره، می‌توانید با استفاده از ابزارهای صفحه گسترده اولیه، توصیه‌های مختلفی را از مجموعه داده‌ها محاسبه کنید، و اگر مسیر افتخارات را تکمیل کنید، این توصیه‌ها را نیز با استفاده از جعبه ابزار توصیه‌گر LensKit منبع باز برنامه‌ریزی کرده‌اید. علاوه بر سخنرانی‌های مفصل و تمرین‌های تعاملی، این دوره دارای مصاحبه با چندین رهبر در تحقیق و عمل در مورد موضوعات پیشرفته و جهت‌های جاری در سیستم‌های توصیه‌گر است.

linkedin مقدمه ای بر علم داده (Mitalearn-388413)

  • 2 hours
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Madecraft,Lavanya Vijayan
درباره این دوره:

دنیای علم داده در حال تغییر شکل هر کسب و کاری است، صرف نظر از صنعت، مکان یا نقش. و هرگز زمان بهتری برای سرعت گرفتن و یادگیری اصول اولیه این رشته پررونق وجود نداشته است. در این دوره که به طور خاص برای مبتدیان طراحی شده است، دنیای علم داده، فرصت ها و نوآوری های آن و مهارت های اساسی مورد نیاز برای موفقیت را بررسی کنید.

به مربی Python و متخصص علم داده Lavanya Vijayan بپیوندید تا چه داده هایی را به اشتراک بگذارد. علم است و تفاوت آن با سایر مشاغل رایج مرتبط با داده ها. برخی از مهمترین ابزارهای مورد استفاده در تجارت را کشف کنید تا درک خود را از کتابخانه های داده و دستکاری داده ها توسعه دهید. در طول مسیر، مقدمه ای بر تجزیه و تحلیل داده های اکتشافی، پاکسازی داده ها، تجسم داده ها، نمونه برداری، آزمایش، تخمین و موارد دیگر کسب کنید. در پایان این دوره، می‌دانید که چگونه از استنتاج و تجزیه و تحلیل آماری برای پیش‌بینی‌های مطمئن‌تر برای کسب‌وکار خود استفاده کنید.

این دوره توسط Madecraft. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.

آرم شرکت برای Madecraft؛ حرف M به عنوان بخشی پیکربندی شده است.  یک ماشین چاپ

Related Skills

linkedin مقدمه ای بر علم داده (2019) (Mitalearn-164302)

  • 1 hours 49 minutes
  • متوسط
  • Release date: 12 November 2019
  • Author: Madecraft,Lavanya Vijayan
درباره این دوره: 

 دنیای علم داده در حال تغییر شکل هر کسب و کاری است. هیچ زمانی بهتر از الان برای یادگیری آن وجود ندارد. در این دوره آموزشی Madecraft، مربی پایتون و دانشمند داده Lavanya Vijayan به اشتراک می‌گذارد که علم داده چیست و چه تفاوتی با سایر رشته‌های متمرکز بر اطلاعات دارد. سپس او به جریان کار - چرخه حیات علم داده - می پردازد و مجموعه ابزار دانشمند داده را از زبان های برنامه نویسی و کتابخانه های تخصصی گرفته تا ابزارهای بهره وری مانند نوت بوک های Jupyter معرفی می کند. در فصل های بعدی، Lavanya بر تکنیک های عملی مانند تجزیه و تحلیل داده های اکتشافی، پاکسازی داده ها و تجسم داده ها تمرکز می کند. در نهایت، در مورد نمونه گیری، آزمایش و طبقه بندی بیاموزید. در پایان دوره، دانش لازم برای انجام تجزیه و تحلیل داده‌ها و گزارش‌دهی اولیه و باز کردن فرصت‌هایی برای سرعت بخشیدن به شغل خود در این زمینه هیجان‌انگیز را خواهید داشت.nn ما خوشحالیم که این محتوا را در کتابخانه خود میزبانی می کنیم.

MadeCraft-Description-Logo.jpg

Related Skills

coursera مقدمه ای بر علم داده های بالینی (Mitalearn-333503)

  • 1 hours 14 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laura K. Wiley, PhD
درباره این دوره:

این دوره شما را برای تکمیل تمام بخش های تخصصی علوم داده های بالینی آماده می کند. در این دوره آموزشی نحوه تولید داده های بالینی، قالب این داده ها و محدودیت های اخلاقی و قانونی در مورد این داده ها را خواهید آموخت. همچنین به اندازه کافی مهارت های برنامه نویسی SQL و R را یاد خواهید گرفت تا بتوانید کل تخصص را تکمیل کنید - حتی اگر یک برنامه نویس مبتدی باشید. هنگامی که در حال گذراندن این دوره هستید، به مجموعه داده های بالینی واقعی و یک محیط محاسباتی آنلاین رایگان برای علم داده که توسط شریک صنعتی Google Cloud میزبانی می شود، دسترسی خواهید داشت. در پایان این دوره شما آماده خواهید شد تا سفر آموزش علوم داده های بالینی خود را آغاز کنید و یاد بگیرید که چگونه داده های ایجاد شده توسط سیستم مراقبت های بهداشتی را دریافت کنید و سلامت بیماران فردا را بهبود بخشید.

coursera مقدمه ای بر علم داده و یادگیری اسکییت در پایتون (Mitalearn-329236)

  • 1 hours 30 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Sabrina Moore,Rajvir Dua,Neelesh Tiruviluamala
درباره این دوره:

این دوره به شما یاد می دهد که چگونه از قدرت پایتون و هوش مصنوعی برای ایجاد و آزمایش فرضیه استفاده کنید. ما از ابتدا شروع می کنیم، و قبل از فرو رفتن در برخی از برنامه های کاربردی غنی تر آن برای آزمایش فرضیه ایجاد شده، چند پایتون پایه برای علم داده را یاد می گیریم. ما برخی از مهم‌ترین کتابخانه‌ها را برای تجزیه و تحلیل داده‌های اکتشافی (EDA) و یادگیری ماشینی مانند Numpy، Pandas و Sci-Kit یاد خواهیم گرفت. پس از یادگیری برخی از تئوری (و ریاضیات) پشت رگرسیون خطی، خط لوله کاملی از خواندن داده‌ها، پاکسازی آن‌ها و اعمال یک مدل رگرسیون برای تخمین پیشرفت دیابت را بررسی می‌کنیم. در پایان دوره، شما یک مدل طبقه بندی را برای پیش بینی وجود/عدم بیماری قلبی از داده های سلامت بیمار اعمال خواهید کرد.

coursera مقدمه ای بر فناوری های ژنومی (Mitalearn-335237)

  • 3 hours 19 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Steven Salzberg, PhD,Jeff Leek, PhD
درباره این دوره:

این دوره شما را با زیست شناسی پایه ژنومیک مدرن و ابزارهای تجربی که برای اندازه گیری آن استفاده می کنیم آشنا می کند. ما دگم مرکزی زیست شناسی مولکولی را معرفی خواهیم کرد و نحوه استفاده از توالی یابی نسل بعدی برای اندازه گیری DNA، RNA و الگوهای اپی ژنتیک را پوشش خواهیم داد. همچنین مقدمه ای بر مفاهیم کلیدی در محاسبات و علم داده دریافت خواهید کرد که برای درک نحوه تولید و تجزیه و تحلیل داده های آزمایش های توالی یابی نسل بعدی به آن نیاز دارید. این اولین دوره در تخصص علوم داده های ژنومی است.

coursera مقدمه ای بر مدل سازی پیش بینی کننده (Mitalearn-335577)

  • 6 hours 11 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: De Liu
درباره این دوره:

به مقدمه ای بر مدل سازی پیش بینی کننده، اولین دوره در تجزیه و تحلیل دانشگاه مینه سوتا برای تخصص تصمیم گیری خوش آمدید. این دوره مفاهیم، ​​فرآیندها و کاربردهای مدل سازی پیش بینی را با تمرکز بر مدل های پیش بینی رگرسیون خطی و سری های زمانی و استفاده عملی از آنها در مایکروسافت اکسل به شما معرفی می کند. در پایان دوره، شما قادر خواهید بود: - مفاهیم، ​​فرآیندها و کاربردهای مدل سازی پیش بینی را درک کنید. - ساختار و شهود پشت مدل های رگرسیون خطی را درک کنید. - قادر به برازش مدل های رگرسیون خطی ساده و چندگانه با داده ها، تفسیر نتایج، ارزیابی خوب بودن برازش و استفاده از مدل های برازش برای پیش بینی. - مشکل اضافه برازش و عدم تناسب را درک کرده و قادر به انتخاب مدل ساده باشد. - درک مفاهیم، ​​فرآیندها و کاربردهای پیش بینی سری های زمانی به عنوان یک نوع خاص از مدل سازی پیش بینی کننده. - بتوانید چندین مدل پیش‌بینی سری زمانی (به عنوان مثال، هموارسازی نمایی و روش Holt-Winter) را در اکسل جاسازی کنید، خوب بودن تناسب را ارزیابی کنید و از مدل‌های برازش برای پیش‌بینی استفاده کنید. - انواع مختلف داده ها و نحوه استفاده از آنها در مدل های پیش بینی را درک کنید. - از Excel برای آماده سازی داده ها برای مدل سازی پیش بینی، از جمله کاوش الگوهای داده، تبدیل داده ها و مقابله با مقادیر گمشده استفاده کنید. این یک دوره مقدماتی برای مدل سازی پیش بینی است. این دوره ترکیبی از یادگیری مفهومی و عملی را ارائه می دهد. در طول دوره، ما به شما فرصت هایی برای تمرین تکنیک های مدل سازی پیش بینی بر روی مجموعه داده های دنیای واقعی با استفاده از Excel ارائه می دهیم. برای موفقیت در این دوره باید ریاضی پایه (مفهوم توابع، متغیرها و نمادهای ریاضی پایه مانند جمع و شاخص ها) و آمار پایه (همبستگی، میانگین نمونه، انحراف معیار و واریانس) را بدانید. این دوره نیازی به پیشینه برنامه نویسی ندارد، اما شما باید با عملیات اصلی اکسل (به عنوان مثال، فرمول های اولیه و نمودار) آشنا باشید. برای بهترین تجربه، باید نسخه اخیر مایکروسافت اکسل را روی رایانه خود نصب کنید (به عنوان مثال، اکسل 2013، 2016، 2019، یا آفیس 365).

coursera مقدمه ای بر مهندسی داده (Mitalearn-319155)

  • 4 hours 18 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Rav Ahuja,Priya Kapoor
درباره این دوره:

سفر خود را در یکی از مشاغلی که به سرعت در حال رشد هستند، امروز با این دوره مهندسی داده مبتدی آغاز کنید! شما با مفاهیم اصلی، فرآیندها و ابزارهایی که برای به دست آوردن دانش پایه ای از مهندسی داده باید بدانید، آشنا خواهید شد. و همچنین نقش هایی که مهندسان داده، دانشمندان داده و تحلیلگران داده در اکوسیستم ایفا می کنند. شما این دوره را با درک اینکه مهندسی داده چیست و همچنین نقش هایی که مهندسان داده، دانشمندان داده و تحلیلگران داده در این زمینه هیجان انگیز ایفا می کنند آغاز خواهید کرد. در ادامه با اکوسیستم مهندسی داده، انواع مختلف ساختارهای داده، فرمت‌های فایل، منابع داده و زبان‌هایی که متخصصان داده در کارهای روزمره خود از آنها استفاده می‌کنند، آشنا خواهید شد. شما با اجزای یک پلتفرم داده آشنا می شوید و درکی از انواع مختلف مخازن داده مانند پایگاه داده های Relational (RDBMS) و NoSQL، انبارهای داده، Data Marts، Data Lakes و Data Lakehouse ها به دست خواهید آورد. سپس با ابزارهای پردازش داده های بزرگ مانند Apache Hadoop و Spark آشنا خواهید شد. همچنین با ETL، ELT، Data Pipelines و Data Integration آشنا خواهید شد. این دوره به شما درک یک چرخه عمر معمولی مهندسی داده را می دهد که شامل معماری پلتفرم های داده، طراحی فروشگاه های داده، و جمع آوری، وارد کردن، بحث، جست و جو، و تجزیه و تحلیل داده ها می شود. شما همچنین در مورد امنیت، حاکمیت، و انطباق یاد خواهید گرفت. شما در مورد فرصت های شغلی در زمینه مهندسی داده و مسیرهای مختلفی که می توانید برای مهارت یافتن به عنوان یک مهندس داده طی کنید، یاد خواهید گرفت. شما از چندین مهندس داده با تجربه خواهید شنید که بینش و توصیه های خود را به اشتراک می گذارند. در پایان این دوره، شما همچنین چندین آزمایشگاه عملی را تکمیل کرده اید و با یک پایگاه داده رابطه ای کار می کنید، داده ها را در پایگاه داده بارگذاری می کنید و برخی از عملیات پرس و جو اولیه را انجام می دهید.

coursera مقدمه ای بر یادگیری عمیق (Mitalearn-330749)

  • 6 hours 22 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Geena Kim
درباره این دوره:

یادگیری عمیق تکنیکی است که برای بسیاری از کاربردها، از پردازش زبان طبیعی گرفته تا زیست پزشکی، مورد استفاده قرار می گیرد. یادگیری عمیق می تواند انواع مختلفی از داده ها مانند تصاویر، متون، صدا/صدا، نمودارها و غیره را مدیریت کند. این دوره اصول اولیه DL از جمله نحوه ساخت و آموزش پرسپترون چندلایه، شبکه های عصبی کانولوشن (CNN)، شبکه های عصبی تکراری (RNN)، رمزگذارهای خودکار (AE) و شبکه های متخاصم مولد (GAN) را پوشش می دهد. این دوره شامل چندین پروژه عملی، از جمله تشخیص سرطان با CNN، RNN در توییت‌های بلایا، و تولید تصاویر سگ با GAN است. دانش کدنویسی یا برنامه نویسی قبلی مورد نیاز است. ما در طول دوره به طور گسترده از پایتون استفاده خواهیم کرد. توصیه می کنیم دو دوره قبلی در زمینه تخصصی، مقدمه یادگیری ماشین: یادگیری نظارت شده و الگوریتم های بدون نظارت در یادگیری ماشین را بگذرانید، اما نیازی به آنها نیست. مهارت های ریاضی در سطح دانشگاه، از جمله حساب دیفرانسیل و انتگرال و جبر خطی، مورد نیاز است. برخی از بخش های کلاس نسبتا فشرده ریاضی خواهد بود. 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 تصویر لوگوی دوره توسط رایان والاس در Unsplash.

coursera مقدمه ای بر یادگیری عمیق و شبکه های عصبی با Keras (Mitalearn-330035)

  • 1 hours 13 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Alex Aklson
درباره این دوره:

به دنبال شروع حرفه ای در یادگیری عمیق هستید؟ دیگر نگاه نکنید. این دوره شما را با زمینه یادگیری عمیق آشنا می کند و به شما کمک می کند به بسیاری از سوالاتی که امروزه مردم می پرسند پاسخ دهید، مانند یادگیری عمیق چیست و مدل های یادگیری عمیق چگونه با شبکه های عصبی مصنوعی مقایسه می شوند؟ شما با مدل های مختلف یادگیری عمیق آشنا خواهید شد و اولین مدل یادگیری عمیق خود را با استفاده از کتابخانه Keras خواهید ساخت. پس از اتمام این دوره، فراگیران قادر خواهند بود: • توضیح دهید که شبکه عصبی چیست، مدل یادگیری عمیق چیست و تفاوت بین آنها چیست. • درکی از مدل های یادگیری عمیق بدون نظارت مانند رمزگذارهای خودکار و ماشین های محدود بولتزمن نشان دهید. • نشان دادن درک درستی از مدل های یادگیری عمیق تحت نظارت مانند شبکه های عصبی کانولوشن و شبکه های تکراری. • با استفاده از کتابخانه Keras، مدل ها و شبکه های یادگیری عمیق بسازید.

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.

Suggestions