Course catalog

Course duration

Course provider

Topic

Categories

Showing 6,081-6,100 of 18,566 items.

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.

linkedin الگوریتم های هوش مصنوعی برای طراحی بازی با پایتون (Mitalearn-449834)

  • 2 hours 21 minutes
  • مناسب همه
  • Release date: 11 March 2025
  • Author: Eduardo Corpeño
درباره این دوره:

<p>در این دوره آموزشی سطح متوسط، ادواردو کورپینو الگوریتم‌های هوش مصنوعی را برای طراحی بازی بررسی می‌کند. به استراتژی‌های قدرتمندی مانند مینی‌مکس، هرس آلفا-بتا و عمیق‌سازی تکراری شیرجه بزنید. یاد بگیرید که چگونه این تکنیک ها را در پایتون پیاده سازی کنید و مهارت های توسعه بازی خود را افزایش دهید. بافت تاریخی را کشف کنید، مانند الگوریتم‌های مورد استفاده در Deep Blue IBM، که قهرمان شطرنج جهان، گری کاسپاروف را شکست داد. با درگیر شدن با مثال‌های واقعی و تمرین‌های کدنویسی عملی، توانایی خود را برای ایجاد الگوریتم‌های بازی هوشمند توسعه و تقویت خواهید کرد. چه یک توسعه‌دهنده بازی، علاقه‌مند به هوش مصنوعی یا برنامه‌نویسی باشید که به دنبال تقویت مهارت‌های خود هستید، این دوره دانش عمیق و مهارت‌های عملی را برای استفاده مؤثر از هوش مصنوعی در طراحی بازی ارائه می‌دهد. </p> <p>این دوره با GitHub Codespaces یکپارچه شده است، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به هیچ گونه راه اندازی ماشین محلی ارائه می دهد. با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید، در حالی که از ابزاری استفاده می‌کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای یادگیری نحوه شروع، «استفاده از فایل‌های تمرین در GitHub Codespaces» را با این دوره بررسی کنید.</p>

coursera الگوریتم های یادگیری پیشرفته (Mitalearn-327825)

  • 9 hours 57 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Andrew Ng,Aarti Bagul,Geoff Ladwig
درباره این دوره:

در دوره دوم تخصص یادگیری ماشین، شما: • ساخت و آموزش شبکه عصبی با TensorFlow برای انجام طبقه بندی چند کلاسه • بهترین شیوه ها را برای توسعه یادگیری ماشین به کار ببرید تا مدل های شما به داده ها و وظایف در دنیای واقعی تعمیم یابد • ساخت و استفاده از درختان تصمیم و روش های مجموعه درختی، از جمله جنگل های تصادفی و درختان تقویت شده 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 نظری 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 الگوریتم های یادگیری ماشین (Mitalearn-315551)

  • 2 hours 26 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jaekwang KIM
درباره این دوره:

در این دوره شما: الف) الگوریتم بیزی ساده را درک کنید. ب) الگوریتم ماشین بردار پشتیبان را درک کنید. ج) الگوریتم درخت تصمیم را درک کنید. د) خوشه بندی را درک کنید. لطفاً مطمئن شوید که برنامه نویسی در پایتون راحت هستید و دانش پایه ای از ریاضیات از جمله ضرب ماتریس و احتمال شرطی دارید.

coursera الگوریتم های یادگیری ماشین با R در تجزیه و تحلیل کسب و کار (Mitalearn-296324)

  • 6 hours 12 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Ronald Guymon,Gies College of Business, University of Illinois
درباره این دوره:

یکی از هیجان انگیزترین جنبه های تجزیه و تحلیل کسب و کار، یافتن الگوها در داده ها با استفاده از الگوریتم های یادگیری ماشین است. در این دوره شما یک پایه مفهومی برای اینکه چرا الگوریتم‌های یادگیری ماشین بسیار مهم هستند و چگونه مدل‌های حاصل از آن الگوریتم‌ها برای یافتن بینش عملی مرتبط با مشکلات تجاری استفاده می‌شوند، به دست خواهید آورد. برخی از الگوریتم‌ها برای پیش‌بینی نتایج عددی استفاده می‌شوند، در حالی که برخی دیگر برای پیش‌بینی طبقه‌بندی یک نتیجه استفاده می‌شوند. الگوریتم های دیگر برای ایجاد گروه های معنی دار از مجموعه ای غنی از داده ها استفاده می شود. پس از اتمام این دوره، شما قادر خواهید بود توضیح دهید که چه زمانی باید از هر الگوریتم استفاده شود. همچنین به شما این فرصت داده می شود که از R و RStudio برای اجرای این الگوریتم ها و برقراری ارتباط نتایج با استفاده از نوت بوک های R استفاده کنید.

coursera الگوریتم‌های یادگیری ماشینی: نکات یادگیری نظارت شده (Mitalearn-335679)

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

این دوره شما را از درک اصول یک پروژه یادگیری ماشینی راهنمایی می کند. یادگیرندگان تکنیک های یادگیری نظارت شده را در مطالعات موردی واقعی برای تجزیه و تحلیل سناریوهای موردی تجاری که در آن درخت های تصمیم گیری، k-نزدیک ترین همسایه ها و ماشین های بردار پشتیبان به طور بهینه استفاده می شوند، درک کرده و اجرا خواهند کرد. فراگیران همچنین مهارت هایی را برای مقابله با پیامدهای عملی مراحل مختلف آماده سازی داده ها و توصیف مسائل رایج تولید در ML کاربردی به دست خواهند آورد. برای موفقیت، باید حداقل پیش زمینه سطح مبتدی در برنامه نویسی پایتون داشته باشید (به عنوان مثال، بتوانید کدهای موجود را بخوانید و کدنویسی کنید، با شرطی ها، حلقه ها، متغیرها، لیست ها، دیکشنری ها و آرایه ها راحت باشید). شما باید درک اولیه ای از جبر خطی (نماد برداری) و آمار (توزیع احتمال و میانگین / میانه / حالت) داشته باشید. این دومین دوره از تخصص یادگیری ماشین کاربردی است که توسط Coursera و موسسه هوش ماشین آلبرتا برای شما آورده شده است.

linkedin الگوریتمی معاملات و مدل های مالی با Python، R و Stata Essential Training (Mitalearn-183512)

  • 2 hours 8 minutes
  • متوسط
  • Release date: 25 July 2026
  • Author: Michael McDonald
درباره این دوره:

هوش تجاری یکی از سریع ترین حوزه های کسب و کار در حال رشد است، به ویژه برای سرمایه گذاری مالی. این دوره مبتنی بر پروژه بر استفاده از انواع مختلف نرم افزار برای ساخت مدل هایی (الگوریتم) تمرکز دارد که می تواند سهام و سایر محصولات مالی را معامله کند. مایکل مک دونالد نشان می دهد که چگونه می توانید از Excel، Python، R یا Stata برای تنظیم قوانین سرمایه گذاری کمی و قابل آزمایش استفاده کنید تا بتوانید تصمیمات معاملاتی آگاهانه بگیرید. ابتدا او توضیح می دهد که algo trading چیست و چگونه کار می کند. در مرحله بعد، او درباره چگونگی توسعه یک استراتژی معاملاتی الگوریتم بحث می کند و نکاتی را برای چگونگی شناسایی فرصت ها در بازارهای مختلف به اشتراک می گذارد. سپس، او یک کاوش عمیق را در مورد چگونگی استفاده از ابزارهای نرم افزاری موجود انجام می دهد. مایکل همچنین معاملات سهام، معاملات اوراق قرضه، تجزیه و تحلیل داده ها، رگرسیون و موارد دیگر را پوشش می دهد.

توجه: قبل از تماشای این دوره، توصیه می شود دوره آموزش اساسی تجارت الگوریتمی و سهامرا مشاهده کنید. من>.

linkedin الگوهای Bash و عبارات منظم (Mitalearn-182305)

  • 2 hours 2 minutes
  • پیشرفته
  • Release date: 21 June 2026
  • Author: Grant McWilliams
درباره این دوره:

تطبیق الگو به شما این امکان را می دهد که اسکریپتی ایجاد کنید که در صورت مطابقت با یک الگوی خاص، بتواند بر روی قطعات داده عمل کند. این امکان اسکریپت اتوماسیون را در فرآیند سیستم فراهم می کند. در این دوره آموزشی، نحوه استفاده از تطبیق الگو در اسکریپت Bash با استفاده از globs، glob های توسعه یافته، گسترش پرانتز و عبارات منظم (regex) را بیاموزید. در طول این دوره، گرنت مک‌ویلیامز تفاوت‌های بین رجکس‌های اصلی و توسعه‌یافته را پوشش می‌دهد و به استفاده از رجکس‌های توسعه‌یافته در دستورات شرطی bash، grep، sed و AWK می‌پردازد.

linkedin الگوهای پردازش جریانی در Apache Flink (Mitalearn-226250)

  • 1 hours 6 minutes
  • مناسب همه
  • Release date: 22 June 2026
  • Author: Kumaran Ponnambalam
درباره این دوره:

چارچوب‌هایی مانند Apache Flink می‌توانند به شما کمک کنند تا برنامه‌های پردازش جریانی سریع و مقیاس‌پذیر بسازید، اما مهندسان داده‌های بزرگ هنوز برای دستیابی به حداکثر کارایی باید موارد استفاده هوشمند را طراحی کنند. در این دوره، مربی Kumaran Ponnambalam نحوه استفاده از Apache Flink و فن‌آوری‌های مرتبط را برای ساخت موارد استفاده پردازش جریان با استفاده از الگوهای رایج نشان می‌دهد. کوماران با برجسته کردن فرصت‌ها و چالش‌هایی که پردازش جریانی برای کلان داده‌ها به ارمغان می‌آورد، شروع می‌کند. او سپس به چهار الگوی محبوب برای پردازش جریان می‌پردازد: تجزیه و تحلیل جریان، هشدارها و آستانه‌ها، تابلوهای امتیازات، و پیش‌بینی‌های زمان واقعی. در طول مسیر، او موارد استفاده از نمونه را بررسی می‌کند و نحوه استفاده از Flink و همچنین فناوری‌های کلیدی مانند MariaDB و Redis را برای پیاده‌سازی نمونه‌های کلیدی توضیح می‌دهد.

Suggestions