Course catalog

Course duration

Course provider

Topic

Categories

Showing 561-580 of 600 items.

linkedin یادگیری علم داده (Mitalearn-425864)

  • 2 hours 45 minutes
  • مناسب همه
  • Release date: 4 April 2025
  • Author: Doug Rose
درباره این دوره: 

 بسیاری از افرادی که در تیم های علوم داده کار می کنند چیزی غیر از دانشمندان داده تبدیل می شوند. گفته می شود ، بسیاری از آنها مدیر و همکاران خواهند شد که می خواهند از داده های سازمان شما ارزش تجاری واقعی کسب کنند. این اعضای تیم باید زبان علوم داده را درک کنند تا بتوانند سؤالات بهتری بپرسند ، فرایندها را درک کنند و به طور مؤثر تیم ها و سازمان های خود را به سمت تصمیمات بهتر محور داده هدایت کنند. در این دوره ، برای افرادی که قصد کار به عنوان دانشمندان تمام وقت داده را ندارند ، مقدمه ای از علوم داده دریافت کنید. مفاهیم ، ابزارها و تکنیک های داده های بزرگ ، از جمله جمع آوری و مرتب سازی داده ها ، کار با پایگاه داده ها ، درک انواع داده های ساختار یافته و بدون ساختار ، استفاده از تحلیل آماری ، پرسیدن سؤالات مهم و گفتن داستانها را در مورد داده ها کشف کنید. مربی تجارت و نویسنده داگ رز به شما کمک می کند تا به زبان علوم داده صحبت کنید تا بتوانید سازمان خود را از طریق فرصت ها و محدودیت های موجود در این زمینه به طرز چشمگیری در حال رشد راهنمایی کنید.

linkedin یادگیری علم داده: با استفاده از روش شناسی چابک (Mitalearn-91576)

  • 1 hours 16 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Doug Rose
درباره این دوره:

یک تیم علم داده سوالات بزرگی می پرسد، داده ها را بررسی می کند و بینش های کلیدی را ارائه می دهد. اما در پایان روز تیم شما باید ارزش واقعی کسب و کار را اضافه کند. حتی بهترین تیم های علم داده اگر نتوانند درآمد یا هزینه های کمتری ایجاد کنند، در سازمان شما دوام زیادی نخواهند داشت. بهترین راه برای ایجاد ارزش تجاری، ارائه یک جریان ثابت از بینش های کلیدی در دو هفته دویدن کوتاه است. این دوی سرعت های کوتاه به شما بازخورد بلادرنگ می دهد تا به حفظ تیم شما در مسیر کمک کند. یک اسپرینت کوتاه همچنین به تیم شما کمک می‌کند تا بر اساس آنچه از داده‌ها می‌آموزند، سؤالات جدیدی بپرسند.

rnrn نحوه کار در چرخه حیات علم داده (DSLC) را ببینید - روشی برای دوچرخه‌سواری از طریق سؤالات، تحقیق و گزارش هر دو هفته یکبار. روش‌های کلیدی را کاوش کنید تا به تیم خود کمک کنید تا کار را به گونه‌ای که در یک دوی دو هفته‌ای مناسب باشد، تجزیه کند. یاد بگیرید که چگونه از ابزارهایی مانند تخته سوالات برای تشویق بحث و پیدا کردن سوالات ضروری استفاده کنید. و مهمتر از همه، یاد بگیرید که چگونه دانش مشترک تیم خود را افزایش دهید و از دام های رایج اجتناب کنید.

linkedin یادگیری علم داده: با داده داستان بگویید (Mitalearn-91610)

  • 1 hours 17 minutes
  • مبتدی
  • Release date: 21 June 2026
  • Author: Doug Rose
درباره این دوره:

بسیاری از مردم شناسان بر این باورند که اجداد اولیه ما جوامعی را حول داستان های آتش اردوگاه در مورد عدالت، رهبری و حکومت ساخته اند. تیم های علم داده شما نیز ایده های پیچیده ای در مورد داده ها و نتایج خود خواهند داشت. به همین دلیل است که برای انتقال این بینش‌ها به سایر اعضای سازمان، یک داستان ساختاریافته لازم است. این صرفاً ایجاد یک صفحه اکسل عالی یا یک نمودار زیبا نیست. شما باید داستانی تعریف کنید که تخیل مخاطب شما را جذب کند و آنها را تشویق به انجام اقداماتی کند. در این دوره، مدرس داگ رز توضیح می دهد که چگونه یک داستان عالی علم داده را با هم ببافید و مخاطبان خود را به داستان بکشانید تا ایده های پیچیده را منتقل کنید و همه را برای ایجاد تغییرات واقعی ترغیب کنید.

linkedin یادگیری علم داده: درک اصول (Mitalearn-91644)

  • 1 hours 16 minutes
  • مبتدی
  • Release date: 21 June 2026
  • Author: Doug Rose
درباره این دوره:

بسیاری از افرادی که در تیم های علم داده کار می کنند، دانشمندان داده نخواهند بود. آنها مدیران و همکارانی خواهند بود که می خواهند ارزش تجاری واقعی را از داده های سازمان شما به دست آورند. این اعضای تیم باید زبان علم داده را بدانند تا بتوانند سوالات بهتری بپرسند، فرآیندها را درک کنند و به هدایت موثر تیم‌ها و سازمان‌های خود برای تصمیم‌گیری بهتر مبتنی بر داده کمک کنند. این دوره مقدمه ای بر علم داده برای افرادی است که قصد ندارند دانشمند داده تمام وقت شوند. مفاهیم، ​​ابزارها و تکنیک‌های کلان داده را معرفی می‌کند، از جمله جمع‌آوری و مرتب‌سازی داده‌ها، کار با پایگاه‌های داده، درک انواع داده‌های ساختاریافته و بدون ساختار، و به‌کارگیری تحلیل‌های آماری. مربی کسب و کار و نویسنده داگ رز به شما کمک می کند تا به زبان علم داده صحبت کنید تا بتوانید سازمان خود را از طریق فرصت ها و محدودیت ها در این زمینه به طور چشمگیری در حال رشد راهنمایی کنید.

linkedin یادگیری علم داده: سوالات بزرگ بپرسید (Mitalearn-91627)

  • 1 hours 14 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Doug Rose
درباره این دوره:

اکتشافات بزرگ علم داده اغلب به کسی برمی‌گردد که یک سؤال مهم می‌پرسد. به همین دلیل برای تیم شما مهم است که از تفکر انتقادی برای ارائه سوالات زیرکانه و معنادار که ارزش واقعی را اضافه می کند، استفاده کند. یک سوال خوب می تواند مانع از انحراف تیم شما در فرضیات بد و نتیجه گیری های نادرست شود. در این دوره، نویسنده داگ رز مؤلفه‌های کلیدی استدلال انتقادی و چگونگی جستجوی طلا در جریان داده‌ها را برای جستجوی سؤالات جدید بررسی می‌کند. شما یاد خواهید گرفت که چگونه به عنوان یک تیم برای اجرای جلسات سؤال، سازماندهی ایده های مهم در درختان سؤال، و ایجاد سؤالات با کیفیت با روشن کردن اصطلاحات کلیدی، شواهد چالش برانگیز، کشف آمارهای گمراه کننده و موارد دیگر با یکدیگر همکاری کنید.

coursera یادگیری عمیق احتمالی با TensorFlow 2 (Mitalearn-336155)

  • 6 hours 14 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Dr Kevin Webster
درباره این دوره:

به این دوره آموزش عمیق احتمالی با TensorFlow خوش آمدید! این دوره مبتنی بر مفاهیم و مهارت‌های پایه تنسورفلو است که در دو دوره اول این تخصص تدریس شده است و بر رویکرد احتمالی یادگیری عمیق تمرکز دارد. این یک حوزه به طور فزاینده مهم یادگیری عمیق است که هدف آن تعیین کمیت نویز و عدم قطعیت است که اغلب در مجموعه داده های دنیای واقعی وجود دارد. این یک جنبه حیاتی در هنگام استفاده از مدل های یادگیری عمیق در برنامه هایی مانند وسایل نقلیه خودران یا تشخیص های پزشکی است. ما به مدل نیاز داریم تا بدانیم چه چیزی را نمی داند. شما یاد خواهید گرفت که چگونه مدل‌های احتمالی را با TensorFlow توسعه دهید و از کتابخانه احتمالی TensorFlow استفاده کنید، کتابخانه‌ای که برای آسان کردن ترکیب مدل‌های احتمالی با یادگیری عمیق طراحی شده است. به این ترتیب، این دوره همچنین می تواند به عنوان مقدمه ای برای کتابخانه TensorFlow Probability مشاهده شود. شما یاد خواهید گرفت که چگونه توزیع‌های احتمال را می‌توان در مدل‌های یادگیری عمیق در TensorFlow، از جمله شبکه‌های عصبی بیزی، جریان‌های عادی‌سازی و رمزگذارهای خودکار متغیر، نمایش داد و گنجاند. شما یاد خواهید گرفت که چگونه مدل هایی را برای تعیین کمیت عدم قطعیت و همچنین مدل های تولیدی ایجاد کنید که می توانند نمونه های جدیدی مشابه نمونه های موجود در مجموعه داده ایجاد کنند، مانند تصاویر چهره های افراد مشهور. مفاهیمی را که در مورد آنها یاد می گیرید بلافاصله در آموزش های عملی و عملی برنامه نویسی، که توسط دستیار آموزشی فارغ التحصیل راهنمایی می شوید، در عمل قرار می دهید. علاوه بر این، یک سری تکالیف برنامه نویسی با درجه بندی خودکار برای شما وجود دارد تا مهارت های خود را تثبیت کنید. در پایان دوره، بسیاری از مفاهیم را در یک پروژه Capstone گرد هم می‌آورید، جایی که یک الگوریتم رمزگذار خودکار متغیر را برای تولید یک مدل تولیدی از مجموعه داده‌های تصویر مصنوعی که خودتان ایجاد می‌کنید، ایجاد می‌کنید. این دوره از دو دوره قبلی در این تخصص پیروی می کند، شروع با TensorFlow 2 و سفارشی کردن مدل های خود با TensorFlow 2. دانش پیش نیاز اضافی مورد نیاز برای موفقیت در این دوره یک پایه محکم در احتمال و آمار است. به طور خاص، فرض بر این است که شما با توزیع‌های احتمال استاندارد، توابع چگالی احتمال، و مفاهیمی مانند برآورد حداکثر احتمال، فرمول تغییر متغیرها برای متغیرهای تصادفی و کران پایین شواهد (ELBO) مورد استفاده در استنتاج تغییرات آشنا هستید.

coursera یادگیری عمیق با Keras و Tensorflow (Mitalearn-330188)

  • 2 hours 13 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Samaya Madhavan,Ricky Shi,Alex Aklson
درباره این دوره:

یادگیری عمیق در بسیاری از زمینه ها از جمله بینایی کامپیوتر، پردازش زبان طبیعی و روباتیک انقلابی ایجاد کرده است. علاوه بر این، Keras، یک API شبکه های عصبی سطح بالا که به زبان پایتون نوشته شده است، به بخشی ضروری از TensorFlow تبدیل شده است و یادگیری عمیق را در دسترس و ساده می کند. تسلط بر این تکنیک ها فرصت های زیادی را در تحقیقات و صنعت باز خواهد کرد. شما یاد خواهید گرفت که لایه ها و مدل های سفارشی را در Keras ایجاد کنید و Keras را با TensorFlow 2.x برای عملکرد بهبودیافته ادغام کنید. شما شبکه های عصبی کانولوشنال پیشرفته (CNN) را با استفاده از Keras توسعه خواهید داد. همچنین با استفاده از TensorFlow با Keras، مدل‌های ترانسفورماتور را برای داده‌های متوالی و سری‌های زمانی خواهید ساخت. این دوره همچنین اصول یادگیری بدون نظارت در Keras و TensorFlow را برای بهینه سازی مدل و حلقه های آموزشی سفارشی پوشش می دهد. در نهایت، شبکه‌های Q عمیق (DQN) را با Keras برای وظایف یادگیری تقویتی توسعه داده و آموزش خواهید داد (مروری از مدل‌سازی تولیدی و یادگیری تقویتی ارائه شده است). شما می توانید مفاهیم آموخته شده را با استفاده از آزمایشگاه های عملی در هر درس تمرین کنید. یک پروژه نهایی نهایی در آخرین ماژول به شما فرصتی می دهد تا دانش خود را برای ایجاد یک مدل طبقه بندی با استفاده از یادگیری انتقالی به کار ببرید. این دوره برای همه مهندسین مشتاق هوش مصنوعی که می خواهند TensorFlow و Keras را یاد بگیرند مناسب است. این نیاز به دانش کاربردی برنامه نویسی پایتون و مفاهیم پایه ریاضی مانند گرادیان و ماتریس، و همچنین اصول یادگیری عمیق با استفاده از Keras دارد.

coursera یادگیری عمیق در پرونده الکترونیک سلامت - CDSS 2 (Mitalearn-333095)

  • 4 hours 3 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Fani Deligianni
درباره این دوره:

مروری بر اصول اصلی یادگیری عمیق به همراه معماری های رایج. مسئله را برای طبقه بندی سری های زمانی فرموله کنید و آن را برای سیگنال های حیاتی مانند ECG اعمال کنید. به کارگیری این روش در پرونده الکترونیک سلامت به دلیل مقادیر از دست رفته و ناهمگونی در EHR که شامل متغیرهای پیوسته، ترتیبی و طبقه‌ای است، چالش برانگیز است. متعاقبا، تکنیک‌های انتساب و استراتژی‌های مختلف رمزگذاری را برای رسیدگی به این مسائل بررسی کنید. این رویکردها را برای فرمول بندی معیارهای پیش بینی بالینی به دست آمده از اطلاعات موجود در پایگاه داده MIMIC-III به کار ببرید.

coursera یادگیری عمیق مولد با TensorFlow (Mitalearn-332585)

  • 1 hours 51 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laurence Moroney
درباره این دوره:

در این دوره، شما: الف) انتقال سبک عصبی را با استفاده از یادگیری انتقال بیاموزید: محتوای یک تصویر (مثلاً قو) و سبک یک نقاشی (مثلاً کوبیست یا امپرسیونیست) را استخراج کنید و محتوا و سبک را در یک تصویر جدید ترکیب کنید. ب) رمزگذارهای خودکار ساده را بر روی مجموعه داده آشنای MNIST بسازید، و معماری‌های پیچیده‌تر و پیچیده‌تر روی مجموعه داده‌های Fashion MNIST، تفاوت در نتایج مدل‌های رمزگذار خودکار DNN و CNN را درک کنید، راه‌هایی را برای حذف نویز تصاویر نویزدار شناسایی کنید، و یک CNN بسازید. AutoEncoder با استفاده از TensorFlow برای خروجی یک تصویر تمیز از یک تصویر پر سر و صدا. ج) رمزگذارهای خودکار متغیر (VAE) را برای تولید داده‌های کاملاً جدید کاوش کنید و چهره‌های انیمه را برای مقایسه آنها با تصاویر مرجع تولید کنید. د) درباره GAN ها بیاموزید. اختراع، ویژگی‌ها، معماری، و تفاوت آنها با VAE، عملکرد ژنراتور و تمایزکننده در مدل، مفهوم 2 مرحله آموزشی و نقش نویز معرفی شده را درک کنید و GAN خود را بسازید که می‌تواند چهره‌ها را تولید کند. تخصص DeepLearning.AI TensorFlow: Advanced Techniques ویژگی های TensorFlow را معرفی می کند که به زبان آموزان کنترل بیشتری بر معماری مدل خود می دهد و ابزارهایی را برای ایجاد و آموزش مدل های پیشرفته ML به آنها می دهد. این تخصص برای مهندسین نرم افزار و یادگیری ماشین در مراحل اولیه و اواسط حرفه ای با درک اساسی از TensorFlow است که به دنبال گسترش دانش و مجموعه مهارت های خود با یادگیری ویژگی های پیشرفته TensorFlow برای ساخت مدل های قدرتمند هستند.

coursera یادگیری ماشین با آپاچی اسپارک (Mitalearn-332619)

  • 2 hours 11 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: IBM Skills Network Team,Ramesh Sannareddy
درباره این دوره:

با این دوره آموزشی IBM دنیای هیجان انگیز یادگیری ماشینی را کاوش کنید. قبل از باز کردن قدرت Apache Spark برای ساخت و استقرار مدل‌های ML برای برنامه‌های مهندسی داده، با یادگیری اصول ML شروع کنید. در تکنیک های یادگیری تحت نظارت و بدون نظارت غوطه ور شوید و از طریق خواندن و ویدئوهای آموزشی، امکانات انقلابی هوش مصنوعی مولد را کشف کنید. تجربه عملی با جریان ساختار یافته Spark به دست آورید، درکی از مهندسی داده و خطوط لوله ML ایجاد کنید و در ارزیابی مدل های ML با استفاده از SparkML ماهر شوید. در آزمایشگاه‌های عملی، شما از SparkML برای رگرسیون، طبقه‌بندی و خوشه‌بندی استفاده می‌کنید که به شما امکان می‌دهد مدل‌های پیش‌بینی و طبقه‌بندی بسازید. به خوشه‌های Spark متصل شوید، مجموعه داده‌های SparkSQL را تجزیه و تحلیل کنید، فعالیت‌های ETL را انجام دهید و مدل‌های ML را با استفاده از Spark ML و sci-kit Learn ایجاد کنید. در نهایت، مهارت های کسب شده خود را از طریق یک تکلیف نهایی نشان دهید. این دوره متوسط ​​​​برای مهندسین داده مشتاق و با تجربه و همچنین متخصصان فعال در تجزیه و تحلیل داده ها و یادگیری ماشین مناسب است. دانش قبلی در Big Data، Hadoop، Spark، Python و ETL برای این دوره به شدت توصیه می شود.

coursera یادگیری ماشین برای بینایی کامپیوتر (Mitalearn-333078)

  • 1 hours 31 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Amanda Wang,Matt Rich,Brandon Armstrong
درباره این دوره:

در دوره دوم گرایش بینایی کامپیوتر برای مهندسی و علوم، دو مورد از رایج ترین کارهای بینایی کامپیوتر را انجام خواهید داد: طبقه بندی تصاویر و تشخیص اشیا. شما کل گردش کار یادگیری ماشین را، از آماده سازی داده های خود تا ارزیابی نتایج خود، اعمال خواهید کرد. در پایان این دوره، مدل‌های یادگیری ماشینی را برای طبقه‌بندی تصاویر تابلوهای خیابان و تشخیص عیوب مواد آموزش می‌دهید. شما در طول این دوره از MATLAB استفاده خواهید کرد.  متلب برای میلیون‌ها نفر از افرادی که در زمینه‌های مهندسی و علوم کار می‌کنند، گزینه‌ای است و قابلیت‌های مورد نیاز برای انجام وظایف بینایی رایانه‌تان را فراهم می‌کند.  در طول دوره برای تکمیل کار، دسترسی رایگان به متلب در اختیار شما قرار خواهد گرفت. برای موفقیت در این تخصص، داشتن تجربه قبلی در پردازش تصویر کمک خواهد کرد.  اگر با داده های تصویری تازه کار هستید، توصیه می شود ابتدا تخصص پردازش تصویر برای مهندسی و علوم را تکمیل کنید.

coursera یادگیری ماشین پیشرفته و پردازش سیگنال (Mitalearn-336614)

  • 6 hours 4 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Romeo Kienzler
درباره این دوره:

>>> با ثبت نام در این دوره، با توافقنامه مجوز کاربر نهایی همانطور که در سوالات متداول ذکر شده است موافقت می کنید. پس از ثبت نام می توانید به مجوز در ناحیه منابع دسترسی داشته باشید <<< این دوره، یادگیری ماشین پیشرفته و پردازش سیگنال، بخشی از تخصص IBM Advanced Data Science است که IBM در حال حاضر در حال ایجاد آن است و به شما امکان دسترسی آسان به بینش های ارزشمند در مورد نظارت و کنترل را می دهد. مدل های یادگیری ماشینی بدون نظارت که توسط متخصصان در بسیاری از رشته های مرتبط استفاده می شود. ما در مورد اصول جبر خطی یاد خواهیم گرفت تا نحوه عملکرد حالت های یادگیری ماشین را درک کنیم. سپس محبوب‌ترین چارچوب‌های یادگیری ماشین برای پایتون Scikit-Learn و SparkML را معرفی می‌کنیم. SparkML بزرگترین بخش این دوره را تشکیل می دهد زیرا مقیاس پذیری کلید رفع تنگناهای عملکرد است. ما یاد می گیریم که چگونه مدل ها را به صورت موازی با ارزیابی صدها پارامتر مختلف به صورت موازی تنظیم کنیم. ما به طور مداوم از یک مثال واقعی از اینترنت اشیا (اینترنت اشیا) برای مثال زدن الگوریتم های مختلف استفاده خواهیم کرد. برای گذراندن دوره، حتی باید داده های حسگر ارتعاش خود را با استفاده از حسگرهای شتاب سنج در گوشی هوشمند خود ایجاد کنید. بنابراین شما در طول دوره بر روی یک مجموعه داده واقعی و خودساخته کار می کنید. اگر این دوره را انتخاب کنید و گواهی دوره Coursera را کسب کنید، نشان دیجیتال IBM نیز دریافت خواهید کرد. برای کسب اطلاعات بیشتر در مورد نشان های دیجیتال IBM پیوند ibm.biz/badging را دنبال کنید.

coursera یادگیری ماشین کاربردی در پایتون (Mitalearn-332279)

  • 8 hours 1 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Kevyn Collins-Thompson
درباره این دوره:

این دوره یادگیرنده را با یادگیری ماشینی کاربردی آشنا می‌کند و بیشتر بر روی تکنیک‌ها و روش‌ها تمرکز می‌کند تا آمار پشت این روش‌ها. این دوره با بحث در مورد اینکه چگونه یادگیری ماشینی با آمار توصیفی متفاوت است شروع می شود و جعبه ابزار یادگیری scikit را از طریق یک آموزش معرفی می کند. موضوع ابعاد داده ها مورد بحث قرار خواهد گرفت و وظیفه خوشه بندی داده ها و همچنین ارزیابی آن خوشه ها مورد بررسی قرار خواهد گرفت. رویکردهای نظارت شده برای ایجاد مدل‌های پیش‌بینی شرح داده می‌شود و یادگیرندگان می‌توانند همزمان با درک مسائل فرآیند مربوط به تعمیم‌پذیری داده‌ها، از روش‌های مدل‌سازی پیش‌بینی یادگیری scicit استفاده کنند (مانند اعتبار سنجی متقابل، برازش بیش از حد). این دوره با نگاهی به تکنیک های پیشرفته تر مانند ساخت مجموعه ها و محدودیت های عملی مدل های پیش بینی پایان خواهد یافت. در پایان این دوره، دانش آموزان قادر خواهند بود تفاوت بین تکنیک نظارت شده (طبقه بندی) و بدون نظارت (خوشه بندی) را شناسایی کنند، تشخیص دهند که کدام تکنیک را برای یک مجموعه داده و نیاز خاص به کار می برند، ویژگی های مهندسی برای برآورده کردن آن نیاز، و کد پایتون را بنویسید تا تحلیل انجام شود. این دوره باید بعد از مقدمه ای بر علم داده در پایتون و رسم کاربردی، نمودار و بازنمایی داده در پایتون و قبل از متن کاوی کاربردی در پایتون و تحلیل اجتماعی کاربردی در پایتون گذرانده شود.

coursera یادگیری ماشین نظارت شده: رگرسیون (Mitalearn-270297)

  • 5 hours 17 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mark J Grover,Miguel Maldonado,Svitlana (Lana) Kramar
درباره این دوره:

این دوره شما را با یکی از انواع اصلی خانواده مدل سازی یادگیری ماشینی تحت نظارت آشنا می کند: رگرسیون. شما یاد خواهید گرفت که چگونه مدل های رگرسیون را برای پیش بینی نتایج مستمر آموزش دهید و چگونه از معیارهای خطا برای مقایسه بین مدل های مختلف استفاده کنید. این دوره همچنین شما را از طریق بهترین شیوه‌ها، از جمله تقسیم‌های آموزشی و آزمایشی، و تکنیک‌های منظم‌سازی راهنمایی می‌کند. در پایان این دوره شما باید بتوانید: کاربردها و کاربردهای طبقه بندی و رگرسیون را در زمینه یادگیری ماشینی نظارت شده متمایز کنید  مدل های رگرسیون خطی را توصیف و استفاده کنید از انواع معیارهای خطا برای مقایسه و انتخاب یک مدل رگرسیون خطی که به بهترین وجه با داده های شما مطابقت دارد، استفاده کنید توضیح دهید که چرا منظم کردن ممکن است به جلوگیری از برازش بیش از حد کمک کند از رگرسیون های منظم سازی استفاده کنید: Ridge، LASSO، و Elastic net   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده‌ای را که علاقه‌مند به کسب تجربه عملی با تکنیک‌های رگرسیون یادگیری ماشین نظارت شده در یک محیط تجاری هستند، هدف قرار می‌دهد.   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 ماشین نظارت شده: رگرسیون و طبقه بندی (Mitalearn-327791)

  • 5 hours 52 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Andrew Ng,Aarti Bagul,Geoff Ladwig
درباره این دوره:

در اولین دوره تخصص یادگیری ماشین، شما: • ساخت مدل های یادگیری ماشین در پایتون با استفاده از کتابخانه های معروف یادگیری ماشین NumPy و scikit-learn. • ساخت و آموزش مدل‌های یادگیری ماشینی تحت نظارت برای پیش‌بینی و وظایف طبقه‌بندی باینری، از جمله رگرسیون خطی و رگرسیون لجستیک The Machine Learning Specialization یک برنامه آنلاین اساسی است که با همکاری DeepLearning.AI و Stanford Online ایجاد شده است. در این برنامه مبتدی دوستانه، اصول یادگیری ماشینی و نحوه استفاده از این تکنیک ها برای ساخت اپلیکیشن های هوش مصنوعی در دنیای واقعی را خواهید آموخت. این تخصص توسط اندرو انگ، یک آینده‌نگر هوش مصنوعی که تحقیقات انتقادی را در دانشگاه استنفورد و کارهای پیشگامانه در Google Brain، Baidu و Landing.AI برای پیشرفت در زمینه هوش مصنوعی رهبری کرده است، آموزش داده می‌شود. این تخصص 3 دوره ای، نسخه به روز شده و توسعه یافته دوره پیشگام یادگیری ماشین اندرو است که از زمان راه اندازی آن در سال 2012، دارای امتیاز 4.9 از 5 است و بیش از 4.8 میلیون زبان آموز آن را دریافت کرده اند. این مقدمه گسترده ای برای یادگیری ماشین مدرن، از جمله یادگیری نظارت شده (رگرسیون خطی چندگانه، رگرسیون لجستیک، شبکه های عصبی و درختان تصمیم)، یادگیری بدون نظارت (خوشه بندی، کاهش ابعاد، سیستم های توصیه گر) و برخی از بهترین شیوه های مورد استفاده در سیلیکون ارائه می کند. Valley برای نوآوری های هوش مصنوعی و یادگیری ماشین (ارزیابی و تنظیم مدل ها، اتخاذ رویکرد داده محور برای بهبود عملکرد، و موارد دیگر). در پایان این تخصص، شما بر مفاهیم کلیدی تسلط خواهید داشت و دانش عملی برای به کارگیری سریع و قدرتمند یادگیری ماشینی در مسائل چالش برانگیز دنیای واقعی را به دست خواهید آورد. اگر به دنبال ورود به هوش مصنوعی یا ایجاد حرفه ای در یادگیری ماشین هستید، تخصص جدید یادگیری ماشین بهترین مکان برای شروع است.

coursera یادگیری ماشین نظارت شده: طبقه بندی (Mitalearn-270314)

  • 6 hours 49 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mark J Grover,Svitlana (Lana) Kramar,Joseph Santarcangelo
درباره این دوره:

این دوره شما را با یکی از انواع اصلی خانواده های مدل سازی یادگیری ماشینی تحت نظارت آشنا می کند: طبقه بندی. شما یاد خواهید گرفت که چگونه مدل های پیش بینی را برای طبقه بندی نتایج طبقه بندی و نحوه استفاده از معیارهای خطا برای مقایسه بین مدل های مختلف آموزش دهید. بخش عملی این دوره بر استفاده از بهترین شیوه‌ها برای طبقه‌بندی، از جمله تقسیم‌بندی قطار و آزمایش، و مدیریت مجموعه داده‌ها با کلاس‌های نامتعادل تمرکز دارد. در پایان این دوره شما باید بتوانید: -متمایز کردن کاربردها و کاربردهای گروه های طبقه بندی و طبقه بندی -تشریح و استفاده از مدل های رگرسیون لجستیک -تشریح و استفاده از مدل های درخت تصمیم و مجموعه درخت -توصیف و استفاده از سایر روش های مجموعه برای طبقه بندی -از انواع معیارهای خطا برای مقایسه و انتخاب مدل طبقه بندی که به بهترین وجه با داده های شما مطابقت دارد، استفاده کنید -از نمونه برداری بیش از حد و نمونه برداری کم به عنوان تکنیک هایی برای مدیریت کلاس های نامتعادل در یک مجموعه داده استفاده کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با تکنیک های طبقه بندی یادگیری ماشین نظارت شده 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.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: استراتژی مدل‌سازی پیش‌بینی‌کننده در مقیاس (Mitalearn-151297)

  • 1 hours 2 minutes
  • مبتدی
  • Update date: 25 July 2026
  • Author: Keith McCormick
درباره این دوره:

ساخت راه‌حل‌های تحلیلی پیش‌بینی‌کننده در سطح جهانی مستلزم درک این نکته است که چالش‌های مقیاس و اندازه نمونه در مراحل مختلف یک پروژه بسیار نوسان دارند. چگونه می دانید چه مقدار داده باید استفاده کنید؟ چه چیزی کم است، چه چیزی زیاد است؟ زیرساخت شما چگونه باید با حجم و تقاضای پروژه مقیاس شود؟ این دوره گام به گام جنبه های استراتژیک و تاکتیکی تعیین میزان داده مورد نیاز برای ساختن یک راه حل مدل سازی پیش بینی کننده موثر بر اساس یادگیری ماشین و حجم داده ها آنقدر زیاد است که چالش هایی را ایجاد می کند. مربی، کیت مک کورمیک، هر مرحله (انتخاب داده، آماده‌سازی داده، مدل‌سازی، امتیازدهی، و استقرار) را با مقیاس‌پذیری در ذهن مرور می‌کند و بینش‌ها، دیدگاه‌ها و ابزارهای همکاری جدید را به متخصصان فناوری اطلاعات، دانشمندان داده و رهبری ارائه می‌کند.

rnrn تاکید بر استراتژی و برنامه ریزی است. نمونه ها، محاسبات و نتایج نرم افزار نشان داده شده فقط برای اهداف آموزشی هستند.

coursera یادگیری ماشین: رگرسیون (Mitalearn-334795)

  • 10 hours 18 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Emily Fox,Carlos Guestrin
درباره این دوره:

مطالعه موردی - پیش بینی قیمت مسکن در اولین مطالعه موردی ما، پیش‌بینی قیمت خانه، مدل‌هایی ایجاد می‌کنید که یک مقدار پیوسته (قیمت) را از ویژگی‌های ورودی (فیلم مربع، تعداد اتاق خواب و حمام،...) پیش‌بینی می‌کنند. این تنها یکی از مکان‌هایی است که می‌توان از رگرسیون استفاده کرد. کاربردهای دیگر از پیش‌بینی نتایج سلامت در پزشکی، قیمت سهام در امور مالی، و استفاده از توان در محاسبات با کارایی بالا تا تجزیه و تحلیل اینکه کدام تنظیم‌کننده برای بیان ژن مهم است، متغیر است. در این دوره، مدل های رگرسیون خطی منظم شده را برای کار پیش بینی و انتخاب ویژگی بررسی خواهید کرد. شما قادر خواهید بود مجموعه‌های بسیار بزرگی از ویژگی‌ها را مدیریت کنید و بین مدل‌هایی با پیچیدگی‌های مختلف انتخاب کنید. شما همچنین تأثیر جنبه‌های داده‌های خود - مانند مقادیر دورافتاده - بر مدل‌ها و پیش‌بینی‌های انتخابی خود را تجزیه و تحلیل خواهید کرد. برای تناسب با این مدل‌ها، الگوریتم‌های بهینه‌سازی را پیاده‌سازی خواهید کرد که به مجموعه داده‌های بزرگ مقیاس می‌شوند. نتایج یادگیری: در پایان این دوره، شما قادر خواهید بود: - ورودی و خروجی یک مدل رگرسیونی را شرح دهید. -مقایسه و کنتراست سوگیری و واریانس هنگام مدل‌سازی داده‌ها. -برآورد پارامترهای مدل با استفاده از الگوریتم های بهینه سازی. تنظیم پارامترها با اعتبار سنجی متقابل. -تحلیل عملکرد مدل - مفهوم پراکندگی و اینکه چگونه LASSO منجر به راه حل های پراکنده می شود را توضیح دهید. -استقرار روش ها برای انتخاب بین مدل ها. -از مدل برای ایجاد پیش بینی بهره برداری کنید. - ساخت یک مدل رگرسیون برای پیش بینی قیمت ها با استفاده از مجموعه داده مسکن. -این تکنیک ها را در پایتون پیاده سازی کنید.

coursera یادگیری ماشینی با پایتون [coursera] (Mitalearn-330001)

  • 2 hours 55 minutes
  • متوسط
  • Release date: 27 June 2026
  • Author: SAEED AGHABOZORGI,Joseph Santarcangelo
درباره این دوره:

با استفاده از پایتون برای شیرجه زدن به دنیای یادگیری ماشینی (ML) آماده شوید! این دوره برای شما مناسب است چه بخواهید حرفه علم داده خود را پیش ببرید و چه در یادگیری ماشین و یادگیری عمیق شروع کنید. این دوره با مقدمه ای ملایم بر یادگیری ماشین و چیستی آن، با موضوعاتی مانند یادگیری نظارت شده در مقابل یادگیری بدون نظارت، رگرسیون خطی و غیر خطی، رگرسیون ساده و موارد دیگر آغاز خواهد شد. سپس با استفاده از الگوریتم‌های طبقه‌بندی مختلف، یعنی K-Nearest Neighbors (KNN)، درخت‌های تصمیم‌گیری و رگرسیون لجستیک، به تکنیک‌های طبقه‌بندی می‌پردازید. همچنین با اهمیت و انواع مختلف خوشه بندی مانند k-means، خوشه بندی سلسله مراتبی و DBSCAN آشنا خواهید شد. با تمام مفاهیم بسیاری که یاد خواهید گرفت، تاکید زیادی بر یادگیری عملی خواهد شد. شما با کتابخانه های پایتون مانند SciPy و scikit-learn کار خواهید کرد و دانش خود را از طریق آزمایشگاه ها به کار خواهید برد. در پروژه نهایی شما مهارت های خود را با ساخت، ارزیابی و مقایسه چندین مدل یادگیری ماشین با استفاده از الگوریتم های مختلف نشان خواهید داد. در پایان این دوره، شما مهارت های آماده کار برای اضافه کردن به رزومه و گواهی یادگیری ماشینی برای اثبات شایستگی خود خواهید داشت.

coursera یادگیری ماشینی با داده های بزرگ (Mitalearn-334676)

  • 4 hours 50 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Mai Nguyen,Ilkay Altintas
درباره این دوره:

آیا می خواهید حجم داده هایی را که جمع آوری کرده اید درک کنید؟ آیا باید تصمیمات مبتنی بر داده را در فرآیند خود بگنجانید؟ این دوره مروری بر تکنیک های یادگیری ماشین برای کاوش، تجزیه و تحلیل و استفاده از داده ها ارائه می دهد. شما با ابزارها و الگوریتم‌هایی آشنا می‌شوید که می‌توانید از آنها برای ایجاد مدل‌های یادگیری ماشینی که از داده‌ها یاد می‌گیرند، استفاده کنید و آن مدل‌ها را تا مشکلات داده‌های بزرگ مقیاس کنید. در پایان دوره، شما قادر خواهید بود: • با استفاده از مراحل فرآیند یادگیری ماشین، رویکردی برای استفاده از داده ها طراحی کنید. • از تکنیک های یادگیری ماشین برای کاوش و آماده سازی داده ها برای مدل سازی استفاده کنید. • نوع مشکل یادگیری ماشین را به منظور اعمال مجموعه تکنیک های مناسب شناسایی کنید. • مدل هایی بسازید که از داده ها با استفاده از ابزارهای منبع باز گسترده در دسترس یاد می گیرند. • مشکلات کلان داده را با استفاده از الگوریتم های یادگیری ماشینی مقیاس پذیر در Spark تجزیه و تحلیل کنید. نرم افزار مورد نیاز: Cloudera VM، KNIME، Spark

Suggestions