Course catalog

Course duration

Course provider

Topic

Categories

Showing 561-580 of 587 items.

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.

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

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 در سازمان - Português Brasileiro (Mitalearn-332109)

  • 2 hours 10 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

Este curso tem uma abordagem realista para o fluxo de trabalho de ML usando um estudo de caso em que uma equipe tem vários casos de uso e exigências comerciais em ML. Essa equipe precisa conhecer as ferramentas necessárias برای یک حکومت و یا گرنسیامنتو د دادوس و تصمیم گیری یک ملهور ابوردجم برای فرآیندهای کاری. A equipe terá três opções para criar modelos de ML em dois casos de uso. Neste curso، explicamos quando usar o AutoML، o BigQuery ML یا Treinamento personalizado برای alcançar osjetivos.

coursera یادگیری ماشینی زیر سرپوش: نکات فنی، ترفندها و مشکلات (Mitalearn-329202)

  • 7 hours 7 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Eric Siegel
درباره این دوره:

یادگیری ماشینی تیم شما به آن نیاز دارد، رئیس شما به آن نیاز دارد و حرفه شما آن را دوست دارد. به هر حال، لینکدین آن را به عنوان یکی از معدود «مهارت‌هایی که شرکت‌ها بیشتر به آن نیاز دارند» و به عنوان برترین شغل در حال ظهور در ایالات متحده معرفی می‌کند. اگر می خواهید در استقرار یادگیری ماشین (معروف به تجزیه و تحلیل پیش بینی کننده) شرکت کنید، باید نحوه کارکرد آن را بیاموزید. حتی اگر به‌عنوان یک رهبر کسب‌وکار به جای یک متخصص عملی کار می‌کنید - حتی اگر خودتان اعداد را خرد نکنید - باید مکانیزم‌های اساسی را درک کنید تا به هدایت پروژه کلی کمک کنید. چه یک مدیر اجرایی، تصمیم گیرنده یا مدیر عملیاتی باشید که بر نحوه ادغام مدل های پیش بینی برای تصمیم گیری نظارت می کنید، هرچه بیشتر بدانید، بهتر است. و با این حال، نگاه کردن به زیر کاپوت شما را خوشحال خواهد کرد. علم نهفته در یادگیری ماشینی باعث فتنه و شگفتی می شود و درک شهودی آن کار سختی نیست. با توجه به رشد سریع تاثیر آن بر جهان، زمان آن رسیده است که قدرت پیش‌بینی داده‌ها و نحوه بهره‌برداری علمی از آن را کشف کنیم. این دوره به شما نشان می دهد که یادگیری ماشین چگونه کار می کند. این زیربنای اساسی، نحوه جمع‌آوری بینش‌ها از داده‌ها، اینکه چگونه می‌توانیم به این بینش‌ها اعتماد کنیم، و اینکه مدل‌های پیش‌بینی چقدر خوب عمل می‌کنند را پوشش می‌دهد - که می‌توان با محاسبات بسیار ساده آن را ایجاد کرد. اینها چیزهایی است که هر حرفه ای باید بداند، علاوه بر مقادیر. و این دوره فراتر از استانداردهای یادگیری ماشین ادامه می‌یابد تا روش‌های پیشرفته و پیشرفته را نیز پوشش دهد، و همچنین شما را برای دور زدن دام‌های رایجی که به ندرت به آن توجه می‌کنند، آماده می‌کند. این دوره عمیقاً به این موضوعات می پردازد، و در عین حال برای فراگیران غیر فنی و تازه واردان قابل دسترسی است. با این دوره، یاد خواهید گرفت که چه چیزهایی کار می کنند و چه چیزهایی خوب، بد و مبهم: - نحوه عملکرد الگوریتم های مدل سازی پیش بینی، از جمله درخت های تصمیم، رگرسیون لجستیک و شبکه های عصبی - دام های خیانت آمیز مانند بیش از حد، هک کردن p، و فرض علت از همبستگی ها - چگونه یک مدل پیش بینی را با جزئیات تفسیر کنیم و نحوه عملکرد آن را توضیح دهیم - روش‌های پیشرفته مانند گروه‌ها و مدل‌سازی بالابرنده (با نام مستعار مدل‌سازی متقاعدسازی) – نحوه انتخاب ابزار، انتخاب از میان بسیاری از گزینه های نرم افزار یادگیری ماشین - نحوه ارزیابی یک مدل پیش بینی، گزارش عملکرد آن در شرایط تجاری – نحوه غربالگری یک مدل پیش‌بینی برای سوگیری احتمالی در برابر کلاس‌های محافظت‌شده – با نام اخلاق AI در عمق و در عین حال قابل دسترسی است. این برنامه درسی که توسط رهبر صنعت اریک سیگل - برنده جوایز تدریس در زمان استادی در دانشگاه کلمبیا - به شما ارائه شد، به عنوان یکی از کامل‌ترین، جذاب‌ترین و به‌طور شگفت‌انگیزترین برنامه‌های درسی در موضوع یادگیری ماشینی برجسته است. بدون دستی و بدون ریاضیات سنگین. این دوره به جای یک آموزش عملی، به رهبران کسب و کار و دانشمندان در حال رشد داده به طور یکسان با پوشش گسترده ای از تکنیک های پیشرفته و مخرب ترین دام ها خدمت می کند. هیچ تمرینی برای کدنویسی یا استفاده از نرم افزار یادگیری ماشین وجود ندارد. با این حال، برای یکی از ارزیابی‌ها، یک تمرین عملی انجام می‌دهید، یک مدل پیش‌بینی را با دست در Excel یا Google Sheets ایجاد می‌کنید و نحوه بهبود آن را در مقابل چشمان خود تجسم می‌کنید. اما فراگیران فنی باید نگاهی دیگر بیندازند. قبل از اینکه مستقیماً وارد عمل شوید، همانطور که کوانت ها تمایل به انجام آن دارند، یک چیز را در نظر بگیرید: این برنامه درسی دانش تکمیلی را ارائه می دهد که همه فناوران بزرگ نیز باید بر آن مسلط شوند. این فناوری اصلی را با یک چارچوب مفهومی قوی مرتبط می‌کند و موضوعاتی را پوشش می‌دهد که به طور کلی حتی از فنی‌ترین دوره‌ها حذف می‌شوند، از جمله مدل‌سازی ارتقاء (معروف به مدل‌سازی متقاعد کردن) و برخی از دام‌های خائنانه. فروشنده-خنثی. این دوره شامل دموی نرم افزاری روشنگر یادگیری ماشین در عمل با استفاده از محصولات SAS است. با این حال، برنامه درسی از نظر فروشنده خنثی و قابل اجرا است. محتویات و اهداف یادگیری، صرف نظر از اینکه در نهایت با کدام ابزار نرم افزار یادگیری ماشینی برای کار انتخاب می کنید، اعمال می شود. پیش نیازها قبل از این دوره، فراگیران باید دو دوره اول از سه دوره این تخصص، "قدرت یادگیری ماشین" و "راه اندازی یادگیری ماشینی" را بگذرانند.

coursera یادگیری ماشینی عملی (Mitalearn-335560)

  • 4 hours 9 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jeff Leek, PhD,Roger D. Peng, PhD,Brian Caffo, PhD
درباره این دوره:

یکی از رایج ترین کارهایی که توسط دانشمندان داده و تحلیلگران داده انجام می شود، پیش بینی و یادگیری ماشین است. این دوره مولفه های اساسی ساخت و کاربرد توابع پیش بینی را با تاکید بر کاربردهای عملی پوشش می دهد. این دوره در مفاهیمی مانند مجموعه های آموزشی و آزمایشی، تطبیق بیش از حد، و میزان خطا، پایه های اساسی را ارائه می دهد. این دوره همچنین طیف وسیعی از روش‌های یادگیری ماشینی مبتنی بر مدل و الگوریتمی از جمله رگرسیون، درختان طبقه‌بندی، Naive Bayes و جنگل‌های تصادفی را معرفی می‌کند. این دوره فرآیند کامل ساخت توابع پیش بینی شامل جمع آوری داده ها، ایجاد ویژگی، الگوریتم ها و ارزیابی را پوشش می دهد.

coursera یادگیری ماشینی عملی با AWS و NVIDIA (Mitalearn-332653)

  • 3 hours 7 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Isaac Privitera
درباره این دوره:

پروژه های یادگیری ماشینی (ML) می تواند پیچیده، خسته کننده و زمان بر باشد. AWS و NVIDIA این چالش را با قابلیت‌های سریع، مؤثر و آسان برای پروژه ML شما حل می‌کنند. این دوره برای پزشکان ML، از جمله دانشمندان داده و توسعه دهندگان، که دانش کاری در مورد گردش کار یادگیری ماشین دارند، طراحی شده است. در این دوره، شما تجربه عملی در ساخت، آموزش و استقرار مدل‌های یادگیری ماشینی مقیاس‌پذیر با نمونه‌های Amazon SageMaker و Amazon EC2 که توسط پردازنده‌های گرافیکی NVIDIA ارائه می‌شوند، به دست خواهید آورد. Amazon SageMaker به دانشمندان و توسعه دهندگان داده کمک می کند تا با گردآوری مجموعه گسترده ای از قابلیت های ساخته شده برای ML، مدل های ML با کیفیت بالا را به سرعت آماده، بسازند، آموزش دهند و به کار گیرند. نمونه‌های آمازون EC2 که توسط پردازنده‌های گرافیکی NVIDIA به همراه نرم‌افزار NVIDIA ارائه می‌شوند، نمونه‌های بهینه‌شده برای GPU با کارایی بالا را در فضای ابری برای آموزش مدل کارآمد و میزبانی استنتاج مدل مقرون‌به‌صرفه ارائه می‌کنند. در این دوره ابتدا مروری بر پردازنده های گرافیکی Amazon SageMaker و NVIDIA خواهید داشت. سپس، با اجرای یک نمونه نوت بوک آمازون SageMaker مجهز به GPU، به کار عملی دست خواهید یافت. سپس یاد خواهید گرفت که چگونه یک مجموعه داده برای آموزش مدل آماده کنید، یک مدل بسازید، آموزش مدل را اجرا کنید، و مدل ML را به کار بگیرید و بهینه کنید. همچنین به صورت عملی یاد خواهید گرفت که چگونه این گردش کار را برای موارد استفاده بینایی کامپیوتر (CV) و پردازش زبان طبیعی (NLP) اعمال کنید. پس از اتمام این دوره، می‌توانید گردش‌های کاری ML را با شتاب GPU در آمازون SageMaker بسازید، آموزش دهید، مستقر کنید و بهینه‌سازی کنید و خدمات کلیدی Amazon SageMaker را که برای کارهای بینایی کامپیوتر و NLP ML قابل اجرا هستند، درک کنید.

coursera یادگیری ماشینی عملی در H2O (Mitalearn-331888)

  • 5 hours 35 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Darren Cook
درباره این دوره:

در این دوره، ما تمام تکنیک های اصلی مورد نیاز برای استفاده موثر از H2O را یاد خواهیم گرفت. حتی اگر هیچ تجربه قبلی از یادگیری ماشین نداشته باشید، حتی اگر ریاضی شما ضعیف باشد، در پایان این دوره می توانید مدل های یادگیری ماشینی را با استفاده از الگوریتم های مختلف بسازید. ما از مدل های خطی، جنگل تصادفی، GBM و البته یادگیری عمیق و همچنین برخی از الگوریتم های یادگیری بدون نظارت استفاده خواهیم کرد. همچنین می‌توانید مدل‌های خود را ارزیابی کنید و بهترین مدل را انتخاب کنید تا نه تنها با داده‌های خود، بلکه با سایر محدودیت‌های تجاری که ممکن است تحت آن قرار داشته باشید، مطابقت داشته باشد.

coursera یادگیری ماشینی مقیاس پذیر روی داده های بزرگ با استفاده از اسپارک آپاچی (Mitalearn-333843)

  • 2 hours 28 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Romeo Kienzler
درباره این دوره:

این دوره شما را با مهارت‌های مقیاس‌بندی وظایف علم داده و یادگیری ماشین (ML) در مجموعه‌های کلان داده با استفاده از اسپارک آپاچی توانمند می‌سازد. بیشتر کارهای یادگیری ماشین در دنیای واقعی شامل مجموعه داده های بسیار بزرگی است که فراتر از محدودیت های CPU، حافظه و ذخیره سازی یک کامپیوتر است. Apache Spark یک چارچوب متن باز است که از محاسبات خوشه ای و ذخیره سازی توزیع شده برای پردازش مجموعه داده های بسیار بزرگ به شیوه ای کارآمد و مقرون به صرفه استفاده می کند. بنابراین دانش کاربردی کار با Apache Spark یک دارایی عالی و تمایز بالقوه برای یک مهندس یادگیری ماشین است. پس از اتمام این دوره، شما قادر خواهید بود: - درک عملی Apache Spark را به دست آورید و از آن برای حل مشکلات یادگیری ماشینی که شامل داده های کوچک و بزرگ هستند استفاده کنید. - درک نحوه نوشتن کد موازی که قادر به اجرا بر روی هزاران CPU است. - از خوشه های محاسباتی در مقیاس بزرگ برای اعمال الگوریتم های یادگیری ماشین بر روی پتابایت داده با استفاده از Apache SparkML Pipelines استفاده کنید. - حذف خطاهای خارج از حافظه ایجاد شده توسط چارچوب های یادگیری ماشین سنتی، زمانی که داده ها در حافظه اصلی رایانه جا نمی شوند. - هزاران مدل مختلف ML را به صورت موازی آزمایش کنید تا بهترین عملکرد را پیدا کنید - تکنیکی که توسط بسیاری از کاگلرهای موفق استفاده می شود. - (اختیاری) دستورات SQL را با استفاده از Apache SparkSQL و Apache Spark DataFrame API روی مجموعه داده های بسیار بزرگ اجرا کنید. برای یادگیری تکنیک های یادگیری ماشینی برای کار با Big Data که توسط شرکت هایی مانند Alibaba، Apple، Amazon، Baidu، eBay، IBM، NASA، Samsung، SAP، TripAdvisor، Yahoo!، Zalando و بسیاری دیگر با موفقیت به کار گرفته شده اند، اکنون ثبت نام کنید. توجه: در طول دوره بدون پرداخت هزینه در کلاستر Apache Spark که توسط IBM ارائه شده است، کارهای یادگیری ماشین را بصورت دستی تمرین خواهید کرد و پس از آن می توانید به استفاده از آن ادامه دهید. پیش نیازها: - برنامه نویسی پایه پایتون - یادگیری ماشین اولیه (فیلم های معرفی اختیاری در این دوره نیز ارائه شده است) - مهارت های اولیه SQL برای محتوای اختیاری دوره های زیر قبل از شرکت در این کلاس توصیه می شود (مگر اینکه قبلاً مهارت داشته باشید) https://www.coursera.org/learn/python-for-applied-data-science یا مشابه https://www.coursera.org/learn/machine-learning-with-python یا مشابه https://www.coursera.org/learn/sql-data-science برای سخنرانی های اختیاری

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 یادگیری ماشینی: طبقه بندی (Mitalearn-334931)

  • 8 hours 26 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Emily Fox,Carlos Guestrin
درباره این دوره:

مطالعات موردی: تحلیل احساسات و پیش‌بینی پیش‌فرض وام در مطالعه موردی ما در مورد تجزیه و تحلیل احساسات، شما مدل هایی ایجاد خواهید کرد که یک کلاس (احساس مثبت/منفی) را از ویژگی های ورودی (متن نظرات، اطلاعات نمایه کاربر،...) پیش بینی می کنند. در مطالعه موردی دوم ما برای این دوره، پیش‌بینی پیش‌فرض وام، به داده‌های مالی می‌پردازید و پیش‌بینی می‌کنید که چه زمانی وام برای بانک خطرناک یا بی‌خطر است. این وظایف نمونه‌هایی از طبقه‌بندی، یکی از پرکاربردترین حوزه‌های یادگیری ماشینی، با طیف وسیعی از کاربردها، از جمله هدف‌گیری تبلیغات، تشخیص هرزنامه، تشخیص پزشکی و طبقه‌بندی تصویر هستند. در این دوره، طبقه‌بندی‌کننده‌هایی ایجاد می‌کنید که عملکردی پیشرفته را در کارهای مختلف ارائه می‌دهند. شما با موفق ترین تکنیک ها آشنا خواهید شد که بیشترین کاربرد را در عمل دارند، از جمله رگرسیون لجستیک، درخت تصمیم و تقویت. علاوه بر این، می‌توانید الگوریتم‌های زیربنایی را طراحی و پیاده‌سازی کنید که می‌توانند این مدل‌ها را در مقیاس با استفاده از گرادیان صعودی تصادفی یاد بگیرند. شما این تکنیک را در کارهای یادگیری ماشینی در مقیاس بزرگ در دنیای واقعی پیاده سازی خواهید کرد. شما همچنین به وظایف مهمی که در کاربردهای دنیای واقعی ML با آنها مواجه خواهید بود، از جمله رسیدگی به داده های از دست رفته و اندازه گیری دقت و یادآوری برای ارزیابی یک طبقه بندی کننده، رسیدگی خواهید کرد. این دوره آموزشی عملی، پر عمل و پر از تجسم ها و تصاویری از نحوه رفتار این تکنیک ها در داده های واقعی است. ما همچنین محتوای اختیاری را در هر ماژول گنجانده‌ایم که موضوعات پیشرفته‌ای را برای کسانی که می‌خواهند حتی عمیق‌تر شوند را پوشش می‌دهد! اهداف آموزشی: در پایان این دوره، شما قادر خواهید بود: - ورودی و خروجی یک مدل طبقه بندی را شرح دهید. -مسائل طبقه بندی باینری و چند کلاسه را برطرف کنید. -اجرای مدل رگرسیون لجستیک برای طبقه بندی در مقیاس بزرگ. یک مدل غیر خطی با استفاده از درخت های تصمیم ایجاد کنید. -با استفاده از تقویت عملکرد هر مدلی را بهبود بخشید. روش های خود را با صعود شیب تصادفی مقیاس کنید. -مرزهای تصمیم گیری اساسی را شرح دهید. - ساخت یک مدل طبقه بندی برای پیش بینی احساسات در مجموعه داده بررسی محصول. تجزیه و تحلیل داده های مالی برای پیش بینی عدم پرداخت وام. استفاده از تکنیک ها برای مدیریت داده های از دست رفته. مدل های خود را با استفاده از معیارهای فراخوان دقیق ارزیابی کنید. -این تکنیک ها را در پایتون (یا به زبان انتخابی خود، هرچند پایتون به شدت توصیه می شود) پیاده سازی کنید.

coursera یادگیری ماشینی: مفاهیم و کاربردها (Mitalearn-331633)

  • 4 hours 9 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Dr. Nick Feamster
درباره این دوره:

این دوره به شما مقدمه ای جامع برای تئوری و عمل یادگیری ماشین می دهد. شما یاد خواهید گرفت که از پایتون در کنار کتابخانه ها و ابزارهای استاندارد صنعتی، از جمله Pandas، Scikit-learn و Tensorflow برای جذب، کاوش، و آماده سازی داده ها برای مدل سازی و سپس آموزش و ارزیابی مدل ها با استفاده از طیف گسترده ای از تکنیک ها استفاده کنید. این تکنیک ها شامل رگرسیون خطی با حداقل مربعات معمولی، رگرسیون لجستیک، ماشین های بردار پشتیبان، درختان تصمیم گیری و مجموعه ها، خوشه بندی، تحلیل مولفه های اصلی، مدل های مارکوف پنهان و یادگیری عمیق است. یکی از ویژگی‌های کلیدی این دوره این است که شما نه تنها یاد می‌گیرید که چگونه این تکنیک‌ها را به کار ببرید، بلکه پایه‌های مفهومی زیربنای آنها را نیز یاد می‌گیرید تا درک کنید که چگونه کار می‌کنند، چرا کاری را انجام می‌دهید، و نتایج شما به چه معناست. این دوره همچنین دارای مجموعه داده های دنیای واقعی است که عمدتاً از قلمرو سیاست عمومی استخراج شده است. این بر اساس یک دوره مقدماتی یادگیری ماشین ارائه شده به دانشجویان فارغ التحصیل در دانشگاه شیکاگو است و به عنوان پایه ای قوی برای مطالعه عمیق تر و تخصصی تر عمل می کند.

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

Suggestions