Course catalog

Course duration

Course provider

Topic

Categories

Showing 5,681-5,700 of 17,361 items.

linkedin الکس مک داول: ساختمان جهان و روایت (Mitalearn-67674)

  • 28 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Alex McDowell
درباره این دوره:

گزارش اقلیت حرفه الکس مک داول طراح تولید را تغییر داد. فیلم با فیلمنامه شروع نشد. در عوض، استیون اسپیلبرگ کارگردان دنیایی می‌خواست که داستان را شروع کند. بنابراین، الکس با کمک یک اتاق فکر فرارسانه‌ای، یک محیط دیجیتالی دقیق و کامل با جامعه، سیاست، فناوری، زمین و زیرساخت‌های خودش را ایجاد کرد. الکس دهه بعد را صرف ساختن جهان کرد و روی فیلم هایی مانند چارلی و کارخانه شکلات سازی و دیده بان کار کرد. اکنون او 5D GlobalStudio و World Building Media Lab را در دانشگاه کالیفرنیای جنوبی اداره می‌کند، جایی که دانش‌آموزان یاد می‌گیرند چگونه مسائل داستان‌گویی را از طریق طراحی حل کنند.

rnrn

Related Skills

coursera الگوریتم ها روی نمودارها (Mitalearn-308020)

  • 6 hours 47 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Neil Rhodes,Daniel M Kane,Michael Levin
درباره این دوره:

اگر تا به حال از یک سرویس ناوبری برای یافتن مسیر بهینه و تخمین زمان رسیدن به مقصد استفاده کرده اید، از الگوریتم هایی روی نمودارها استفاده کرده اید. نمودارها در موقعیت‌های مختلف دنیای واقعی به وجود می‌آیند، زیرا شبکه‌های جاده‌ای، شبکه‌های رایانه‌ای و اخیراً شبکه‌های اجتماعی وجود دارد! اگر به دنبال سریع‌ترین زمان برای رسیدن به محل کار، ارزان‌ترین راه برای اتصال مجموعه‌ای از رایانه‌ها به شبکه یا الگوریتم کارآمد برای یافتن خودکار جوامع و رهبران افکار در فیسبوک هستید، می‌خواهید با نمودارها و الگوریتم‌ها روی نمودارها کار کنید. . در این دوره آنلاین، ابتدا یاد خواهید گرفت که نمودار چیست و برخی از مهمترین ویژگی ها چیست. سپس چندین روش برای پیمایش نمودارها و نحوه انجام کارهای مفید در حین پیمایش نمودار را به ترتیب یاد خواهید گرفت. سپس در مورد الگوریتم‌های کوتاه‌ترین مسیرها صحبت خواهیم کرد - از الگوریتم‌های اصلی تا الگوریتم‌هایی که در را برای الگوریتم‌های 1000000 برابر سریع‌تر مورد استفاده در Google Maps و سایر خدمات ناوبری باز می‌کنند. اگر بخواهید روی پروژه سنگ بنای صنعتی Fast Shortest Routes ما کار کنید، از این الگوریتم ها استفاده خواهید کرد. ما با حداقل درخت‌های پوشا که برای برنامه‌ریزی شبکه‌های راه، تلفن و کامپیوتر و همچنین یافتن کاربردها در خوشه‌بندی و الگوریتم‌های تقریبی استفاده می‌شوند، به پایان می‌رسانیم.

coursera الگوریتم ها، بخش اول (Mitalearn-314004)

  • 11 hours 45 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Kevin Wayne,Robert Sedgewick
درباره این دوره:

این دوره اطلاعات ضروری را که هر برنامه نویس جدی باید در مورد الگوریتم ها و ساختارهای داده بداند، با تأکید بر برنامه ها و تجزیه و تحلیل عملکرد علمی پیاده سازی های جاوا پوشش می دهد. بخش اول ساختارهای داده اولیه، مرتب‌سازی و الگوریتم‌های جستجو را پوشش می‌دهد. بخش دوم بر روی الگوریتم های پردازش گراف و رشته تمرکز دارد. تمامی امکانات این دوره به صورت رایگان در دسترس است. افرادی که علاقه مند به کاوش عمیق تر در محتوا هستند، ممکن است بخواهند کتاب درسی الگوریتم ها، نسخه چهارم (که دوره بر اساس آن است) را دریافت کنند یا از وب سایت algs4.cs.princeton.edu برای انبوهی از مطالب اضافی بازدید کنند. این دوره پس از اتمام مدرک ارائه نمی دهد.

coursera الگوریتم های ML (Mitalearn-329678)

  • 2 hours 15 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Whizlabs Instructor
درباره این دوره:

الگوریتم‌های ML چهارمین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. این دوره فراگیران را قادر می‌سازد تا الگوریتم‌های یادگیری ماشینی را عمیقاً غواصی کنند. این دوره به دو ماژول تقسیم می شود و هر ماژول توسط درس ها و سخنرانی های ویدیویی تقسیم بندی می شود. این دوره آموزشی با سخنرانی‌های ویدیویی تقریباً 2:00 تا 2:30 ساعته که هم تئوری و هم دانش عملی را ارائه می‌کند، به فراگیران کمک 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: الگوریتم های ML- قسمت 1 ماژول 2: الگوریتم های ML- قسمت 2 حداقل دو سال تجربه عملی در معماری، ساخت یا اجرای بارهای کاری ML/یادگیری عمیق در AWS Cloud. در پایان این دوره، فراگیران قادر خواهند بود: - تعیین مفاهیم الگوریتم در ML - طراحی الگوریتم های رگرسیون و الگوریتم های مبتنی بر طبقه بندی - الگوریتم های یادگیری تقویتی و الگوریتم های پیش بینی را بررسی کنید

coursera الگوریتم های بدون نظارت در یادگیری ماشین (Mitalearn-333197)

  • 2 hours 29 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Geena Kim
درباره این دوره:

یکی از مفیدترین زمینه ها در یادگیری ماشین، کشف الگوهای پنهان از داده های بدون برچسب است. اصول اولیه این مهارت مورد تقاضا را به جعبه ابزار علم داده خود اضافه کنید. در این دوره، روش‌های یادگیری بدون نظارت منتخب برای کاهش ابعاد، خوشه‌بندی و یادگیری ویژگی‌های نهفته را یاد می‌گیریم. ما همچنین بر برنامه های کاربردی دنیای واقعی مانند سیستم های توصیه کننده با مثال های عملی از الگوریتم های توصیه محصول تمرکز خواهیم کرد. دانش کدنویسی یا برنامه نویسی قبلی مورد نیاز است. ما در طول دوره به طور گسترده از پایتون استفاده خواهیم کرد. مهارت های ریاضی در سطح دانشگاه، از جمله حساب دیفرانسیل و انتگرال و جبر خطی، مورد نیاز است. توصیه می شود، اما نه الزامی، برای گذراندن اولین دوره در تخصص، مقدمه ای بر یادگیری ماشین: یادگیری نظارت شده. 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 الگوریتم های پیشرفته و پیچیدگی (Mitalearn-315823)

  • 7 hours 41 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Neil Rhodes,Daniel M Kane,Michael Levin
درباره این دوره:

در دوره‌های قبلی تخصص آنلاین ما، الگوریتم‌های اولیه را آموخته‌اید، و اکنون آماده هستید تا به حوزه مسائل پیچیده‌تر و الگوریتم‌های حل آنها قدم بگذارید. الگوریتم‌های پیشرفته بر اساس الگوریتم‌های پایه ساخته می‌شوند و از ایده‌های جدید استفاده می‌کنند. ما با جریان‌های شبکه‌ای شروع می‌کنیم که در کاربردهای معمولی‌تر مانند تطابق بهینه، یافتن مسیرهای غیرمتناسب و برنامه‌ریزی پرواز و همچنین موارد شگفت‌انگیزتر مانند تقسیم‌بندی تصویر در بینایی رایانه استفاده می‌شوند. سپس به برنامه‌ریزی خطی با کاربردهایی در بهینه‌سازی تخصیص بودجه، بهینه‌سازی پورتفولیو، یافتن ارزان‌ترین رژیم غذایی که همه نیازها را برآورده می‌کند و بسیاری موارد دیگر ادامه می‌دهیم. در ادامه، مشکلات ذاتاً سختی را که هیچ راه‌حل خوب دقیقی برای آنها شناخته شده نیست (و احتمالاً یافت نمی‌شوند) و چگونگی حل آنها در عمل مورد بحث قرار می‌دهیم. ما با مقدمه ای نرم از الگوریتم های جریانی که به شدت در پردازش داده های بزرگ استفاده می شوند، پایان می دهیم. چنین الگوریتم‌هایی معمولاً به گونه‌ای طراحی می‌شوند که بتوانند مجموعه‌های داده عظیمی را بدون اینکه حتی قادر به ذخیره یک مجموعه داده باشند، پردازش کنند.

coursera الگوریتم های تقریب (Mitalearn-313800)

  • 3 hours 9 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mark de Berg
درباره این دوره:

برای مثال، بسیاری از مسائل الگوریتمی دنیای واقعی را نمی توان به طور موثر با استفاده از ابزارهای الگوریتمی سنتی حل کرد، زیرا مسائل NP-hard هستند. هدف از درس الگوریتم های تقریب، آشنایی با مفاهیم و تکنیک های مهم الگوریتمی مورد نیاز برای مقابله موثر با چنین مسائلی است. این تکنیک‌ها زمانی اعمال می‌شوند که برای مسائل خاصی به راه‌حل بهینه نیاز نداریم، بلکه تقریبی نزدیک به راه‌حل بهینه است. خواهیم دید که چگونه می توان چنین تقریب هایی را به طور موثر پیدا کرد. پیش نیازها: برای گذراندن موفقیت آمیز این دوره، باید از قبل دانش پایه ای از الگوریتم ها و ریاضیات داشته باشید. در اینجا لیست کوتاهی از آنچه باید بدانید آمده است: - O-notation، Ω-notation، Θ-notation; نحوه تجزیه و تحلیل الگوریتم ها - حساب پایه: دستکاری جمع، حل عود، کار با لگاریتم و غیره. - نظریه احتمال پایه: رویدادها، توزیع های احتمال، متغیرهای تصادفی، مقادیر مورد انتظار و غیره. - ساختارهای داده پایه: لیست های پیوندی، پشته ها، صف ها، پشته ها - درختان جستجوی دودویی (متوازن). - الگوریتم های مرتب سازی اولیه، به عنوان مثال MergeSort، InsertionSort، QuickSort - اصطلاحات نمودار، نمایش گراف ها (لیست مجاورت و ماتریس مجاورت)، الگوریتم های اصلی گراف (BFS، DFS، مرتب سازی توپولوژیکی، کوتاه ترین مسیرها) مطالب این دوره بر اساس یادداشت های دوره است که در زیر برگه منابع یافت می شود.

coursera الگوریتم های تقریب قسمت اول (Mitalearn-314820)

  • 5 hours 8 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Claire Mathieu
درباره این دوره:

الگوریتم های تقریب، بخش اول چقدر کارآمد می توانید اشیاء را در حداقل تعداد جعبه بسته بندی کنید؟ چگونه می توانید گره ها را به گونه ای خوشه بندی کنید که شبکه را به قطعاتی در اطراف چند مرکز به طور ارزان تقسیم کنید؟ اینها نمونه هایی از مسائل بهینه سازی ترکیبی NP-hard هستند. به احتمال زیاد حل چنین مسائلی به طور موثر غیرممکن است، بنابراین هدف ما ارائه یک راه حل تقریبی است که بتوان آن را در زمان چند جمله ای محاسبه کرد و در عین حال دارای ضمانت های قابل اثبات در هزینه آن نسبت به بهینه باشد. این دوره دانش یک دوره استاندارد الگوریتم در مقطع کارشناسی را در نظر می گیرد، و به ویژه بر الگوریتم هایی تأکید می کند که می توان با استفاده از برنامه نویسی خطی، یک تکنیک مورد علاقه و شگفت انگیز موفق در این زمینه، طراحی کرد. با گذراندن این دوره، شما در معرض طیف وسیعی از مشکلات در مبانی علم کامپیوتر نظری و تکنیک های قدرتمند طراحی و تجزیه و تحلیل قرار خواهید گرفت. پس از تکمیل، شما قادر خواهید بود، زمانی که با یک مسئله بهینه سازی ترکیبی جدید مواجه می شوید، تشخیص دهید که آیا این مسئله به یکی از معدود مسائل اساسی شناخته شده نزدیک است یا خیر، و قادر خواهید بود برنامه نویسی آرام سازی خطی طراحی کنید و از گرد کردن تصادفی برای تلاش برای حل مشکل خود استفاده کنید. مشکل خود محتوای دوره و به ویژه تکالیف درسی ماهیت نظری و بدون تکالیف برنامه نویسی دارد. این اولین دوره از یک دوره دو قسمتی در مورد الگوریتم های تقریب است.

coursera الگوریتم های تقریب قسمت دوم (Mitalearn-315619)

  • 5 hours
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Claire Mathieu
درباره این دوره:

الگوریتم های تقریب، قسمت 2 این ادامه الگوریتم‌های تقریب، قسمت 1 است. در اینجا شما دوگانگی برنامه‌نویسی خطی را که برای طراحی برخی از الگوریتم‌های تقریبی اعمال می‌شود، و برنامه‌نویسی نیمه معین که برای Maxcut اعمال می‌شود، یاد خواهید گرفت. با گذراندن دو بخش از این دوره، شما با طیف وسیعی از مشکلات در مبانی علم کامپیوتر نظری و تکنیک های طراحی و تحلیل قدرتمند مواجه خواهید شد. پس از تکمیل، شما قادر خواهید بود، زمانی که با یک مسئله بهینه سازی ترکیبی جدید مواجه می شوید، تشخیص دهید که آیا این مسئله به یکی از معدود مسائل اساسی شناخته شده نزدیک است یا خیر، و قادر خواهید بود برنامه نویسی آرام سازی خطی طراحی کنید و از گرد کردن تصادفی برای تلاش برای حل مشکل خود استفاده کنید. مشکل خود محتوای دوره و به ویژه تکالیف درسی ماهیت نظری و بدون تکالیف برنامه نویسی دارد. این دومین دوره از یک دوره دو قسمتی در مورد الگوریتم های تقریب است.

coursera الگوریتم های تقریب و برنامه ریزی خطی (Mitalearn-316214)

  • 9 hours 7 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Sriram Sankaranarayanan
درباره این دوره:

این دوره با تمرکز بر استفاده از فرمول‌های برنامه‌نویسی خطی و صحیح برای حل مسائل الگوریتمی که به دنبال راه‌حل‌های بهینه برای مشکلات ناشی از حوزه‌هایی مانند تخصیص منابع، زمان‌بندی، تخصیص کار، و انواع مسئله فروشنده دوره گرد است، تخصص ساختار داده‌ها و الگوریتم‌های ما را ادامه می‌دهد. . در مرحله بعد، الگوریتم‌هایی را برای مسائل NP-hard مطالعه خواهیم کرد که راه‌حل‌های آن تضمین شده است که در برخی از ضریب‌های تقریبی بهترین راه‌حل‌های ممکن قرار دارند. چنین الگوریتم‌هایی اغلب بسیار کارآمد هستند و محدودیت‌های مفیدی را برای راه‌حل‌های بهینه ارائه می‌کنند. یادگیری توسط یادداشت های ارائه شده توسط مربی، خواندن از کتاب های درسی و تکالیف پشتیبانی می شود. تکالیف شامل سوالات مفهومی چند گزینه ای و همچنین تکالیف حل مسئله است که شامل برنامه نویسی و الگوریتم های تست می شود. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد علوم کامپیوتر (MS-CS) CU Boulder که در پلت فرم Coursera ارائه می شود، گذراند. این مدرک تحصیلات تکمیلی کاملا معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه را ارائه می دهد. 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 علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder

coursera الگوریتم های توالی یابی DNA (Mitalearn-335288)

  • 6 hours 40 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Ben Langmead, PhD,Jacob Pritt
درباره این دوره:

ما روش های محاسباتی -- الگوریتم ها و ساختارهای داده -- برای تجزیه و تحلیل داده های توالی یابی DNA را یاد خواهیم گرفت. ما کمی در مورد DNA، ژنومیک و نحوه استفاده از توالی یابی DNA خواهیم آموخت. ما از پایتون برای پیاده سازی الگوریتم های کلیدی و ساختارهای داده و تجزیه و تحلیل ژنوم های واقعی و مجموعه داده های توالی DNA استفاده خواهیم کرد.

linkedin الگوریتم های جاوا (Mitalearn-253569)

  • 2 hours 37 minutes
  • مناسب همه
  • Update date: 18 December 2023
  • Author: Kathryn Hodge
درباره این دوره: 

 الگوریتم ها یکی از ارکان اساسی در هر برنامه نرم افزاری هستند، زیرا آنها مجموعه ای از دستورالعمل ها را برای انجام یک کار به برنامه ها می دهند. در این دوره کاترین هاج قصد دارد با استفاده از الگوریتم های کارآمد به شما کمک کند تا برنامه های جاوا بهتری ایجاد کنید. او با توضیح اصول اولیه شروع می‌کند، جزئیات اینکه چه چیزی یک الگوریتم معین را موثر می‌سازد و همچنین نحوه ایجاد فرضیات آگاهانه در مورد داده‌های آنها برای ایجاد الگوریتم‌های کارآمدتر شروع می‌کند. او سپس بر چگونگی ایجاد الگوریتم‌هایی که با انواع مختلف داده‌ها، از جمله رشته‌ها و آرایه‌ها کار می‌کنند، و چگونگی استفاده از ساختارهای داده برای کارآمدتر کردن الگوریتم‌ها تمرکز می‌کند. بسیاری از الگوریتم‌ها در زبان جاوا ساخته شده‌اند و کاترین نحوه استفاده از آن‌ها و همچنین نحوه ایجاد الگوریتم‌های سفارشی خود را نشان می‌دهد تا بتوانید دقیقاً به روشی که می‌خواهید با داده‌های خود کار کنید.

Related Skills

coursera الگوریتم های جستجو، مرتب سازی و نمایه سازی (Mitalearn-310145)

  • 9 hours 47 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Sriram Sankaranarayanan
درباره این دوره:

این دوره اصول طراحی و تحلیل الگوریتم و همچنین الگوریتم های مرتب سازی آرایه ها، ساختارهای داده مانند صف های اولویت، توابع هش و برنامه هایی مانند فیلترهای بلوم را پوشش می دهد. الگوریتم‌های جستجو، مرتب‌سازی و نمایه‌سازی را می‌توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد علوم داده (MS-DS) CU Boulder در پلتفرم Coursera در نظر گرفت. 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 الگوریتم های رشته ها (Mitalearn-310859)

  • 3 hours 55 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Neil Rhodes,Michael Levin,Michael Levin
درباره این دوره:

دنیا و اینترنت پر از اطلاعات متنی است. ما اطلاعات را با استفاده از پرس و جوهای متنی جستجو می کنیم، وب سایت ها، کتاب ها، ایمیل ها را می خوانیم. همه اینها از نقطه نظر علم کامپیوتر رشته هایی هستند. برای درک همه آن اطلاعات و کارآمد کردن جستجو، موتورهای جستجو از الگوریتم های رشته ای زیادی استفاده می کنند. علاوه بر این، حوزه نوظهور پزشکی شخصی از الگوریتم‌های جستجوی بسیاری برای یافتن جهش‌های بیماری‌زا در ژنوم انسان استفاده می‌کند. در این دوره آنلاین، مفاهیم کلیدی تطبیق الگو را خواهید آموخت: سعی، درخت پسوند، آرایه پسوند و حتی تبدیل Burrows-Wheeler.

linkedin الگوریتم های سی شارپ (Mitalearn-218430)

  • 2 hours 46 minutes
  • مناسب همه
  • Update date: 28 June 2026
  • Author: Kathryn Hodge
درباره این دوره:

الگوریتم ها یکی از ارکان اساسی در هر برنامه نرم افزاری هستند و زمانی که آنها را درک کنید، می توانید برنامه های کارآمدتر و قابل نگهداری ایجاد کنید. در این دوره، مربی کاترین هاج به شما نشان می دهد که چگونه با استفاده از الگوریتم های کارآمد، برنامه های C# بهتر ایجاد کنید. کاترین در مورد اینکه چه چیزی یک الگوریتم را موثر می‌کند و همچنین چگونگی ایجاد فرضیات آگاهانه در مورد داده‌های خود برای ایجاد الگوریتم‌های بهتر بحث می‌کند. او بر چگونگی ایجاد الگوریتم‌های کارآمد برای کار با انواع مختلف داده‌ها، از جمله رشته‌ها، آرایه‌ها، لیست‌های پیوندی، صف‌ها، پشته‌ها، ساختارهای مبتنی بر هش و درختان تمرکز می‌کند. بسیاری از الگوریتم‌ها در زبان سی شارپ ساخته شده‌اند، و کاترین نحوه استفاده از آن‌ها را برای ایجاد الگوریتم‌های سفارشی خود توضیح می‌دهد، بنابراین می‌توانید با داده‌های خود دقیقاً همانطور که می‌خواهید کار کنید. او همچنین به چگونگی استفاده از ساختارهای داده مختلف برای ایجاد الگوریتم های بهتر در تجزیه و تحلیل یا دستکاری داده های آنها می پردازد.

Related Skills

coursera الگوریتم های کارآمد ورودی/خروجی (Mitalearn-315976)

  • 2 hours 54 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Mark de Berg
درباره این دوره:

الگوریتم‌های کارآمد ورودی/خروجی، که به‌عنوان الگوریتم‌های حافظه خارجی یا الگوریتم‌های حافظه پنهان نیز شناخته می‌شوند، دسته‌ای از الگوریتم‌ها هستند که برای پردازش کارآمد داده‌هایی طراحی شده‌اند که خیلی بزرگ هستند و نمی‌توانند به طور کامل در حافظه اصلی (RAM) رایانه جای بگیرند. این الگوریتم‌ها به‌ویژه هنگام برخورد با مجموعه داده‌های عظیم، مانند مواردی که در پردازش داده‌های مقیاس بزرگ، مدیریت پایگاه داده و سیستم‌های فایل یافت می‌شوند، مفید هستند. زمانی که آیتم داده در سلسله مراتب حافظه بالاتر قرار گیرد، عملیات روی داده گران تر می شود. یک عملیات روی داده در رجیسترهای CPU تقریباً یک میلیون بار سریعتر از عملیات روی یک آیتم داده است که در حافظه خارجی قرار دارد و ابتدا باید واکشی شود. این واکشی داده ها را عملیات ورودی/خروجی نیز می نامند و باید در طول طراحی الگوریتم مورد توجه قرار گیرند. هدف از این دوره آشنایی با مفاهیم و تکنیک های الگوریتمی مهم مورد نیاز برای مقابله موثر با چنین مسائلی است. ما با یک سلسله مراتب حافظه ساده کار خواهیم کرد، اما مفاهیم به طور طبیعی به مدل های واقعی تر گسترش می یابد. پیش نیازها: برای گذراندن موفقیت آمیز این دوره، باید از قبل دانش پایه ای از الگوریتم ها و ریاضیات داشته باشید. در اینجا لیست کوتاهی از آنچه باید بدانید آمده است: - O-notation، Ω-notation، Θ-notation; نحوه تجزیه و تحلیل الگوریتم ها - حساب پایه: دستکاری جمع، حل عود، کار با لگاریتم و غیره. - نظریه احتمال پایه: رویدادها، توزیع های احتمال، متغیرهای تصادفی، مقادیر مورد انتظار و غیره. - ساختارهای داده پایه: لیست های پیوندی، پشته ها، صف ها، پشته ها - درختان جستجوی دودویی (متوازن). - الگوریتم های مرتب سازی اولیه، به عنوان مثال MergeSort، InsertionSort، QuickSort - اصطلاحات نمودار، نمایش گراف ها (لیست مجاورت و ماتریس مجاورت)، الگوریتم های اصلی گراف (BFS، DFS، مرتب سازی توپولوژیکی، کوتاه ترین مسیرها) مطالب این دوره بر اساس یادداشت های دوره است که در زیر برگه منابع یافت می شود. ما همه چیز را از یادداشت های دوره پوشش نمی دهیم. یادداشت های دوره هم برای دانش آموزانی که سخنرانی ها را به طور کامل درک نمی کنند و هم برای دانش آموزانی که مایلند عمیق تر در موضوعات غوطه ور شوند وجود دارد. سخنرانی های ویدیویی حاوی چند اشتباه بسیار جزئی است. فهرستی از این اشتباهات را می توان در زیر منابع یافت. اگر فکر می‌کنید خطایی پیدا کرده‌اید، با کلیک کردن روی علامت مربع در پایین سخنرانی یا امتحانی که در آن خطا را پیدا کردید، مشکل را گزارش کنید.

coursera الگوریتم های معاملاتی (Mitalearn-295763)

  • 3 hours 36 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Prasanna Tantri
درباره این دوره:

این دوره دو مورد از هفت استراتژی معاملاتی که در بازارهای نوظهور کار می کنند را پوشش می دهد. این هفت شامل استراتژی‌های مبتنی بر حرکت، سقوط حرکت، معکوس شدن قیمت، تداوم درآمد، کیفیت سود، رشد زیربنایی کسب‌وکار، سوگیری‌های رفتاری و تحلیل متنی گزارش‌های تجاری درباره شرکت است. در قسمت اول دوره، نحوه خواندن یک مقاله دانشگاهی را یاد خواهید گرفت. در اینجا به چه قسمت هایی توجه کنیم و چه قسمت هایی را مرور کنیم. برای هر استراتژی، ابتدا با تحقیق اصلی و سپس نحوه اجرای استراتژی آشنا می شوید. اولین استراتژی، امتیاز F Piotroski به تفصیل مورد بحث قرار خواهد گرفت. نحوه محاسبه F - Score و نحوه استفاده از این امتیاز در استراتژی به شما آموزش داده خواهد شد. این با استراتژی بعدی، پس از اعلام درآمد (PEAD) دنبال می شود.

coursera الگوریتم های معاملاتی پیشرفته (Mitalearn-295661)

  • 3 hours 54 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Prasanna Tantri
درباره این دوره:

این دوره نتایج آزمون برگشتی را برای همه استراتژی ها در بازارهای توسعه یافته و در حال ظهور ارائه می دهد. همچنین به یادگیرنده روش‌های علمی آزمون‌های برگشتی بدون تسلیم شدن به پیش‌بینی (یا) سوگیری بقا آموزش داده می‌شود. شما روش های مختلف ساخت یک سیستم تست پشتی قوی را برای استراتژی هایی که در دوره قبلی مورد بحث قرار گرفت، یاد خواهید گرفت. به شما آموزش داده می شود که چگونه بین داده کاوی صرف و نتایج بر اساس پایه های تجربی یا نظری محکم تمایز قائل شوید. در ادامه، راه‌ها و روش‌های بک‌آزمایی نتایج و قرار دادن نتایج آزمون برگشتی را در معرض تست‌های استرس خواهید آموخت. پس از آن، روش‌های مختلفی را یاد خواهید گرفت که هزینه‌های تراکنش و سایر اصطکاک‌ها را می‌توان در الگوریتم تست برگشتی گنجاند. در نهایت، تکنیک‌هایی برای اندازه‌گیری عملکرد استراتژی‌ها و مفهوم بازده تعدیل‌شده ریسک را یاد خواهید گرفت. شما از برخی از معیارهای معروف برای بازده تعدیل شده ریسک مانند نسبت شارپ، نسبت ترینور و آلفای جنسون استفاده خواهید کرد. خواهید دید که چگونه یک معیار مناسب برای صندوق پیشنهادی انتخاب کنید.

Related Skills

coursera الگوریتم های هندسی (Mitalearn-313562)

  • 1 hours 53 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Kevin Buchin
درباره این دوره:

الگوریتم‌های هندسی دسته‌ای از روش‌های محاسباتی هستند که برای حل مسائل مربوط به اشکال هندسی و ویژگی‌های آنها استفاده می‌شوند. این الگوریتم ها با اشیایی مانند نقاط، خطوط، چندضلعی ها و سایر اشکال هندسی سروکار دارند. در بسیاری از زمینه‌های علوم کامپیوتر مانند رباتیک، گرافیک کامپیوتری، واقعیت مجازی و سیستم‌های اطلاعات جغرافیایی، ذخیره، تجزیه و تحلیل و ایجاد یا دستکاری داده‌های مکانی ضروری است. این دوره به جنبه های الگوریتمی این وظایف می پردازد: ما تکنیک ها و مفاهیم مورد نیاز برای طراحی و تجزیه و تحلیل الگوریتم های هندسی و ساختارهای داده را مطالعه می کنیم. هر تکنیک و مفهوم بر اساس مشکلی که در یکی از زمینه های کاربردی ذکر شده در بالا ایجاد می شود، نشان داده می شود. اهداف: در پایان این دوره شرکت کنندگان باید بتوانند - تصمیم بگیرید که از کدام الگوریتم یا ساختار داده برای حل یک مسئله هندسی اساسی استفاده کنید. - تجزیه و تحلیل مسائل جدید و ارائه راه حل های کارآمد خود با استفاده از مفاهیم و تکنیک های دوره. پیش نیازها: برای گذراندن موفقیت آمیز این دوره، باید از قبل دانش پایه ای از الگوریتم ها و ریاضیات داشته باشید. در اینجا لیست کوتاهی از آنچه باید بدانید آمده است: - O-notation، Ω-notation، Θ-notation; نحوه تجزیه و تحلیل الگوریتم ها - حساب پایه: دستکاری جمع، حل عود، کار با لگاریتم و غیره. - نظریه احتمال پایه: رویدادها، توزیع های احتمال، متغیرهای تصادفی، مقادیر مورد انتظار و غیره. - ساختارهای داده پایه: لیست های پیوندی، درخت های جستجوی باینری و غیره. - اصطلاحات نمودار - مهارت های برنامه نویسی برای تکالیف عملی بیشتر مطالب این دوره بر اساس کتاب زیر است: M. de Berg، O. Cheong، M. van Kreveld و M. Overmars. هندسه محاسباتی: الگوریتم ها و کاربردها (ویرایش سوم). Springer-Verlag، 2008. خرید این کتاب اجباری نیست. با این حال، اگر شرکت‌کنندگان می‌خواهند بیشتر از آنچه در این دوره ارائه می‌شود بدانند یا می‌خواهند نگاهی دوباره به مطالب مطرح شده در سخنرانی‌ها داشته باشند، خرید این کتاب را توصیه می‌کنیم. سخنرانی های ویدیویی حاوی چند اشتباه بسیار جزئی است. فهرستی از این اشتباهات را می توان در زیر منابع یافت. اگر فکر می‌کنید خطایی پیدا کرده‌اید، با کلیک کردن روی علامت مربع در پایین سخنرانی یا امتحانی که در آن خطا را پیدا کردید، مشکل را گزارش کنید.

linkedin الگوریتم های هوش مصنوعی برای بازی (Mitalearn-178055)

  • 2 hours 5 minutes
  • پیشرفته
  • Release date: 21 June 2026
  • Author: Eduardo Corpeño
درباره این دوره:

در سال 1997، یک کامپیوتر IBM به نام دیپ بلو، گری کاسپاروف، قهرمان شطرنج جهان را پس از یک مسابقه شش بازی شکست داد. در حالی که فناوری هوش مصنوعی از زمان پیروزی دیپ بلو در صفحه شطرنج در اواخر دهه 90 به شیوه‌های هیجان‌انگیز و اغلب انقلابی رشد کرده است، بسیاری از تکنیک‌هایی که آن‌ها به کار می‌برند امروزه نیز مرتبط هستند. در این دوره آموزشی، برخی از این تکنیک‌ها را بررسی کنید، زیرا یاد می‌گیرید چگونه از الگوریتم‌های کلیدی هوش مصنوعی برای ایجاد بازی‌های دو نفره و نوبتی استفاده کنید که به اندازه کافی چالش برانگیز هستند تا بازیکنان را حدس بزند. مربی Eduardo Corpeño استفاده از الگوریتم حداقل برای تصمیم‌گیری، الگوریتم عمیق‌سازی تکراری برای گرفتن بهترین تصمیم ممکن در مهلت مقرر، و هرس آلفا-بتا برای بهبود زمان اجرا را از جمله روش‌های هوشمندانه دیگر پوشش می‌دهد. به علاوه، او به شما این فرصت را می‌دهد که خودتان این تکنیک‌ها را امتحان کنید، در حالی که در توسعه یک بازی تله گربه با استفاده از پایتون قدم می‌گذارد.

Suggestions