Course catalog

Course duration

Course provider

Topic

Categories

Showing 601-610 of 610 items.

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

coursera یک دوره تصادف در علیت: استنتاج اثرات علی از داده های مشاهده ای (Mitalearn-330171)

  • 10 hours 29 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Jason A. Roy, Ph.D.
درباره این دوره:

همه ما این جمله را شنیده‌ایم که «همبستگی مساوی علیت نیست». پس علت برابر چیست؟ هدف این دوره پاسخگویی به این سوال و موارد دیگر است! در طی یک دوره 5 هفته ای، یاد خواهید گرفت که چگونه اثرات علی تعریف می شوند، چه فرضیاتی در مورد داده ها و مدل های شما ضروری است، و چگونه برخی از روش های آماری رایج را پیاده سازی و تفسیر کنید. فراگیران این فرصت را خواهند داشت تا از این روش ها برای داده های مثال در R (محیط نرم افزار آماری رایگان) استفاده کنند. در پایان دوره، فراگیران باید بتوانند: 1. اثرات علی را با استفاده از پیامدهای بالقوه تعریف کنید 2. تفاوت بین ارتباط و علیت را شرح دهید 3. فرضیات را با نمودارهای علی بیان کنید 4. چندین نوع روش استنتاج علّی (به عنوان مثال تطبیق، متغیرهای ابزاری، احتمال معکوس وزن دهی درمان) را اجرا کنید. 5. مشخص کنید کدام فرض های علی برای هر نوع روش آماری ضروری است پس به ما بپیوندید و خودتان کشف کنید که چرا روش های آماری مدرن برای تخمین اثرات علی در بسیاری از زمینه های مطالعاتی ضروری هستند!

linkedin یک روز از زندگی یک دانشمند داده (Mitalearn-194222)

  • 1 hours 3 minutes
  • مبتدی
  • Release date: 21 June 2026
  • Author: Sara Anstey,Madecraft,Alfonso Berumen,Sam Cvetkovski,Louis Tremblay,Lacey Westphal
درباره این دوره:

بهترین راه برای درک اینکه واقعاً کار به عنوان یک دانشمند داده چگونه است، گذراندن روز با یک دانشمند است. در این دوره می توانید یک روز از زندگی دانشمندان داده واقعی را که بر روی پروژه های واقعی کار می کنند دنبال کنید. کاوش کنید که کار علم داده دقیقاً چگونه به نظر می رسد - به دست آوردن بینش در محل کار برای کمک به آماده شدن شما برای مقابله با چالش بعدی یا انتخاب نقش بعدی علم داده خود. کشف کنید که چگونه متخصصان شاغل با مدیریت زمان، از اولین ساعت روز کاری شروع می‌شوند، و به وظایف عمده‌ای مانند بررسی داده‌ها، کاهش تعصب و ارائه یافته‌های خود رسیدگی می‌کنند. یکی دیگر از مواردی که حرفه‌ای‌ها را از بقیه جدا می‌کند، فرآیند است و در فصل سوم، می‌توانید ببینید که چگونه دانشمندان داده، اتوماسیون، همکاری متقابل و سایر تکنیک‌ها را در جریان کاری خود ایجاد می‌کنند. به علاوه، نحوه انتخاب و استفاده از ابزارها، ساختار و کارکردن خوب در تیم ها و خدمات رسانی به مشتریان خود را بیاموزید.nn ما خوشحالیم که این محتوا را در کتابخانه خود میزبانی می کنیم.

MadeCraft-Description-Logo.jpg

coursera یک سازمان مبتنی بر داده‌های اخلاقی ایجاد و رهبری کنید (Mitalearn-327366)

  • 3 hours 5 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Aaron Hui,Abhishek Gupta
درباره این دوره:

ایجاد و رهبری یک سازمان مبتنی بر داده های اخلاقی، زمانی که با موفقیت انجام شود، یک تحول فرهنگی برای یک سازمان است. حرکت در یک تغییر فرهنگی نیازمند خرید رهبری، تامین منابع، آموزش و حمایت از طریق ایجاد هیئت‌ها، سیاست‌ها و حکومت است. فراتر از رهبری و سازمان، مشارکت دادن کارکنان از طریق انجمن ها و برنامه های تشویقی برای مشارکت مستمر ضروری است. درک قوی از سیاست‌های سازمانی اخلاقی، پایه و اساس نظارت مستمر برای حفظ فرهنگ اخلاقی را فراهم می‌کند. در این دوره پنجم از گواهینامه حرفه‌ای CertNexus Ethical Emerging Technologist (CEET)، فراگیران استراتژی‌هایی را برای رهبری یک ابتکار عمل اخلاقی، حمایت از اهمیت حیاتی آن و ترویج فرهنگ سازمانی اخلاقی توسعه خواهند داد. فراگیران یاد خواهند گرفت که چگونه خط مشی های سازمانی اخلاقی و کدهای اخلاقی را توسعه و اجرا کنند. آنها همچنین آماده ارزیابی اثربخشی سیاست ها با ذینفعان داخلی و خارجی خواهند بود. این دوره پنجمین دوره از پنج دوره با گواهینامه حرفه ای Certified Ethical Emerging Technologist (CEET) است. دوره های قبلی با عنوان ترویج استفاده اخلاقی از فناوری های داده محور، تبدیل چارچوب های اخلاقی به گام های عملی، شناسایی و کاهش خطرات اخلاقی، و ارتباط موثر در مورد چالش های اخلاقی در فناوری های داده محور است.

coursera یک سیستم آموزشی کامل تقویتی (Capstone) (Mitalearn-330443)

  • 2 hours 35 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Martha White,Adam White
درباره این دوره:

در این دوره نهایی، دانش خود را از دوره های 1، 2 و 3 برای پیاده سازی یک راه حل کامل RL برای یک مشکل گرد هم می آورید. این سنگ بنا به شما اجازه می دهد تا ببینید که چگونه هر جزء --- فرمول بندی مسئله، انتخاب الگوریتم، انتخاب پارامتر و طراحی نمایش --- در یک راه حل کامل با هم تطبیق می یابد و چگونه می توانید انتخاب های مناسب را هنگام استقرار RL در دنیای واقعی انجام دهید. این پروژه از شما می خواهد که هم محیط را برای تحریک مشکل خود پیاده سازی کنید و هم یک عامل کنترل با تقریب تابع شبکه عصبی. علاوه بر این، شما یک مطالعه علمی در مورد سیستم یادگیری خود انجام خواهید داد تا توانایی خود را برای ارزیابی استحکام عوامل RL توسعه دهید. برای استفاده از RL در دنیای واقعی، ضروری است که (الف) مسئله را به‌عنوان یک MDP به‌طور مناسب رسمی‌سازی کنید، (ب) الگوریتم‌های مناسب را انتخاب کنید، (ج) شناسایی کنید که چه انتخاب‌هایی در پیاده‌سازی شما تأثیرات زیادی بر عملکرد خواهند داشت و (د) اعتبارسنجی رفتار مورد انتظار الگوریتم های شما این سنگ بنا برای هر کسی که قصد دارد از RL برای حل مشکلات واقعی استفاده کند ارزشمند است. برای موفقیت در این دوره، باید دوره های 1، 2 و 3 این تخصص یا معادل آن را گذرانده باشید. در پایان این دوره، شما قادر خواهید بود: تکمیل یک راه حل RL برای یک مسئله، شروع از فرمول بندی مسئله، انتخاب الگوریتم مناسب و پیاده سازی و مطالعه تجربی تا اثربخشی راه حل.

linkedin یک شغل علوم داده از راه دور دریافت کنید (Mitalearn-443986)

  • 27 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Madecraft,Michael Galarnyk
درباره این دوره:

هیچ زمان بهتری برای یافتن تعادل بین زندگی کاری و زندگی شخصی تان وجود نداشته است. در این دوره، مایکل گالارنیک، مدرس و وبلاگ نویس شناخته شده پایتون، مؤثرترین راه‌ها برای یافتن شغل رویایی علم داده از راه دور را برجسته می‌کند. یاد بگیرید که چگونه یک رزومه کارآمد بنویسید، شبکه خود را کار کنید، و یک نمونه کار از علم داده ایجاد کنید. به ایجاد حضور آنلاین خود و یافتن فرصت های شغلی از راه دور بروید. به‌علاوه، بیاموزید که چگونه می‌توانید مصاحبه‌های خود را تسریع کنید، از راه دور برجسته شوید و یک استراتژی پیگیری سازنده ایجاد کنید.

این دوره توسط Madecraft ایجاد شده است. ما خوشحالیم که این آموزش را در کتابخانه خود میزبانی می کنیم.

آرم شرکت برای Madecraft؛ حرف M به عنوان بخشی از چاپ پیکربندی شده است

coursera یک گردش کار یادگیری ماشین را دنبال کنید (Mitalearn-331497)

  • 2 hours 35 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Renée Cummings
درباره این دوره:

یادگیری ماشینی فقط یک کار یا حتی یک گروه کوچک از وظایف نیست. این یک فرآیند کامل است، فرآیندی که تمرین‌کنندگان باید از ابتدا تا انتها آن را دنبال کنند. این فرآیند - که گردش کار نیز نامیده می شود - است که سازمان را قادر می سازد مفیدترین نتایج را از فناوری های یادگیری ماشین خود به دست آورد. مهم نیست محصول یا خدمات نهایی به چه شکلی باشد، استفاده از گردش کار کلید موفقیت راه حل هوش مصنوعی کسب و کار است. این دوره دوم در گواهینامه حرفه‌ای متخصص هوش مصنوعی (CAIP) هر مرحله از روند کار یادگیری ماشین را بررسی می‌کند، از فرمول‌بندی مشکل تا ارائه مدل و استقرار. گردش کار کلی در دوره قبلی معرفی شد، اما اکنون شما به بررسی عمیق‌تر هر یک از وظایف مهمی که گردش کار را تشکیل می‌دهند، می‌پردازید، از جمله دو مورد از عملی‌ترین کارها: تجزیه و تحلیل داده‌ها و آموزش مدل. همچنین با نحوه خودکارسازی وظایف یادگیری ماشینی آشنا خواهید شد و اطمینان حاصل می‌کنید که گردش کار می‌تواند در صورت لزوم تکرار شود، مانند بسیاری از فرآیندهای تجاری مهم. در نهایت، این دوره یک چارچوب عملی ارائه می‌کند که بر اساس آن مدل‌های یادگیری ماشینی بیشتری را در دوره‌های باقی‌مانده می‌سازید.

coursera یکپارچه سازی و پردازش داده های بزرگ (Mitalearn-327230)

  • 5 hours 8 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Ilkay Altintas,Amarnath Gupta
درباره این دوره:

در پایان دوره، شما قادر خواهید بود: *بازیابی داده ها از پایگاه داده نمونه و سیستم های مدیریت داده های بزرگ *ارتباطات بین عملیات مدیریت داده و الگوهای پردازش کلان داده مورد نیاز برای استفاده از آنها در کاربردهای تحلیلی در مقیاس بزرگ را شرح دهید. * شناسایی زمانی که یک مشکل داده بزرگ نیاز به یکپارچه سازی داده دارد * یکپارچه سازی و پردازش کلان داده ساده را در پلتفرم های Hadoop و Spark اجرا کنید این دوره برای کسانی است که تازه وارد علم داده می شوند. تکمیل Intro to Big Data توصیه می شود. هیچ تجربه برنامه نویسی قبلی مورد نیاز نیست، اگرچه توانایی نصب برنامه ها و استفاده از ماشین مجازی برای تکمیل تکالیف عملی ضروری است. برای مشخصات کامل سخت افزار و نرم افزار به الزامات فنی تخصصی مراجعه کنید. الزامات سخت افزاری: (الف) پردازنده چهار هسته ای (پشتیبانی VT-x یا AMD-V توصیه می شود)، 64 بیتی؛ (ب) 8 گیگابایت رم؛ (C) 20 گیگابایت دیسک رایگان. نحوه پیدا کردن اطلاعات سخت افزاری خود: (ویندوز): با کلیک بر روی دکمه Start، روی Computer راست کلیک کرده و سپس روی Properties کلیک کنید. (Mac): با کلیک بر روی منوی اپل و کلیک کردن روی «درباره این مک»، نمای کلی را باز کنید. اکثر رایانه‌های با رم 8 گیگابایتی خریداری شده در 3 سال گذشته حداقل شرایط لازم را برآورده می‌کنند. شما به اتصال اینترنت پرسرعت نیاز دارید زیرا فایل‌هایی تا حجم 4 گیگابایت را دانلود خواهید کرد. نرم افزار مورد نیاز: این دوره متکی بر چندین ابزار نرم افزار منبع باز از جمله Apache Hadoop است. تمام نرم افزارهای مورد نیاز را می توان به صورت رایگان دانلود و نصب کرد (به جز هزینه های داده از ارائه دهنده اینترنت شما). الزامات نرم افزار عبارتند از: Windows 7+، Mac OS X 10.10+، Ubuntu 14.04+ یا CentOS 6+ VirtualBox 5+.

Suggestions