Course catalog

Course duration

Course provider

Topic

Categories

Showing 7,461-7,480 of 17,394 items.

datacamp پردازش زبان طبیعی (NLP) در پایتون (Mitalearn-447573)

  • 48 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Fouad Trad
درباره این دوره:

قدرت پردازش زبان طبیعی (NLP) را باز کنید و مهارت های تجزیه و تحلیل متن خود را به سطح بعدی ببرید! این دوره شما را با ابزارهای ضروری برای پردازش، تجزیه و تحلیل و استخراج بینش از داده های متنی مجهز می کند. با اصول پردازش متن، مانند نشانه‌سازی، واژه‌سازی و ریشه‌یابی شروع کنید تا با استفاده از کیسه کلمات (BoW)، TF-IDF و جاسازی‌ها، ویژگی‌های عددی معنادار را از متن استخراج کنید. در نهایت، با استفاده از Hugging Face، از قدرت مدل‌های ترانسفورماتور پیشرفته استفاده کنید. انجام تجزیه و تحلیل احساسات، طبقه بندی محتوا، تجزیه و تحلیل روابط پرسش و پاسخ، ارزیابی مقبولیت گرامری، و تولید متن با استفاده از جدیدترین مدل ها.

datacamp پردازش زبان طبیعی با spaCy (Mitalearn-402812)

  • 1 hours 8 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Azadeh Mobasher
درباره این دوره:

SpaCy را بیاموزید، کتابخانه استاندارد صنعتی NLP که به سرعت در حال رشد است، برای کارهایی مانند رمزگذاری، تجزیه، و شناسایی موجودیت نامگذاری شده. بر عملیات اصلی مسلط شوید، از کلاس‌هایی مانند Doc و Token استفاده کنید و مدل‌های قطار را آموزش دهید. عبارات را با تطبیق الگو استخراج کنید، اجزای خط لوله سفارشی ایجاد کنید، و نمونه های واقعی را برای پروژه های NLP خود مدیریت کنید.

coursera پردازش زبان طبیعی با طبقه بندی و فضاهای برداری (Mitalearn-332126)

  • 3 hours 45 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Younes Bensouda Mourri,Łukasz Kaiser
درباره این دوره:

در دوره 1 تخصص پردازش زبان طبیعی، شما: الف) تجزیه و تحلیل احساسات توییت ها را با استفاده از رگرسیون لجستیک و سپس بیز ساده انجام دهید. ب) از مدل های فضای برداری برای کشف روابط بین کلمات استفاده کنید و از PCA برای کاهش ابعاد فضای برداری و تجسم آن روابط استفاده کنید. ج) یک الگوریتم ترجمه انگلیسی به فرانسوی ساده با استفاده از جاسازی‌های کلمه از پیش محاسبه‌شده و هش‌سازی حساس به موقعیت برای ارتباط کلمات از طریق جستجوی تقریبی k-نزدیک‌ترین همسایه بنویسید. در پایان این تخصص، شما برنامه های NLP را طراحی کرده اید که پاسخگویی به سوالات و تجزیه و تحلیل احساسات را انجام می دهند، ابزارهایی برای ترجمه زبان ها و خلاصه کردن متن ایجاد می کنید و حتی یک ربات چت می سازید! این تخصص توسط دو متخصص در NLP، یادگیری ماشینی و یادگیری عمیق طراحی و آموزش داده شده است. یونس بنسودا موری، مدرس هوش مصنوعی در دانشگاه استنفورد است که همچنین به ایجاد تخصص یادگیری عمیق کمک کرده است. Łukasz Kaiser یک دانشمند تحقیقاتی در Google Brain و یکی از نویسندگان Tensorflow، کتابخانه‌های Tensor2Tensor و Trax و مقاله Transformer است.

coursera پردازش زبان طبیعی بالینی (Mitalearn-331429)

  • 57 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laura K. Wiley, PhD
درباره این دوره:

این دوره به شما اصول پردازش زبان طبیعی بالینی (NLP) را می آموزد. در این دوره شما اصول زبانی اساسی زیربنای NLP و همچنین نحوه نوشتن عبارات منظم و مدیریت داده های متنی در R را خواهید آموخت. همچنین تکنیک های عملی برای پردازش متن را یاد خواهید گرفت تا بتوانید اطلاعات را از یادداشت های بالینی استخراج کنید. در نهایت، شما فرصتی خواهید داشت که مهارت های خود را با یک برنامه عملی در دنیای واقعی آزمایش کنید که در آن الگوریتم های پردازش متن را برای شناسایی عوارض دیابت از یادداشت های بالینی ایجاد می کنید. شما این کار را با استفاده از یک محیط محاسباتی آنلاین رایگان برای علم داده که توسط شریک صنعتی Google Cloud میزبانی شده است، تکمیل خواهید کرد.

linkedin پردازش زبان طبیعی به صورت دستی (Mitalearn-375034)

  • 50 minutes
  • مناسب همه
  • Release date: 29 June 2022
  • Author: Wuraola Oyewusi
درباره این دوره: 

 مهارت در به دست آوردن بینش از داده های متنی یک مزیت رقابتی برای مشاغل و مشارکت کنندگان فردی است. این دوره با مدرس Wuraola Oyewusi برای کمک به توسعه دهندگان در درک داده های متنی و افزایش ارتباط آنها طراحی شده است. این یک دوره عملی آموزش کاربرد عملی وظایف اصلی پردازش زبان طبیعی است. یاد بگیرید که چگونه دانش به دست آمده را در داده هایی که با آنها کار می کنید تکرار کنید. این دوره شامل پس‌زمینه‌ای از جریان فرآیند هر کار، موارد استفاده و نسخه آزمایشی کدنویسی است. برخی از موضوعات تحت پوشش عبارتند از: شناسایی موجودیت، خلاصه سازی متن، مدل سازی موضوع و تحلیل احساسات.

coursera پردازش زبان طبیعی در Microsoft Azure (Mitalearn-328794)

  • 45 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

پردازش زبان طبیعی از برنامه هایی پشتیبانی می کند که می توانند کاربران را ببینند، بشنوند، با آنها صحبت کنند و درک کنند. Microsoft Azure با استفاده از خدمات تجزیه و تحلیل متن، ترجمه و درک زبان، ساخت برنامه هایی را که از زبان طبیعی پشتیبانی می کنند آسان می کند. در این دوره آموزشی، نحوه استفاده از سرویس Text Analytics برای پردازش پیشرفته زبان طبیعی متن خام برای تجزیه و تحلیل احساسات، استخراج عبارت کلیدی، شناسایی موجودیت نام‌گذاری شده و تشخیص زبان را خواهید آموخت. نحوه تشخیص و ترکیب گفتار را با استفاده از خدمات شناختی Azure یاد خواهید گرفت. درکی خواهید داشت که چگونه قابلیت‌های ترجمه خودکار در یک راه‌حل هوش مصنوعی، با حذف موانع زبان، همکاری نزدیک‌تر را ممکن می‌سازد. شما با سرویس درک زبان آشنا می شوید و نحوه ایجاد برنامه هایی که زبان را درک می کنند به شما نشان داده می شود. این دوره به شما کمک می کند تا برای آزمون AI-900: Microsoft Azure AI Fundamentals آماده شوید. این چهارمین دوره از یک برنامه پنج دوره ای است که شما را برای شرکت در آزمون گواهینامه AI-900 آماده می کند. این دوره به شما مفاهیم و مهارت های اصلی را می آموزد که در حوزه های امتحانی اصول هوش مصنوعی ارزیابی می شوند. این دوره مبتدی برای پرسنل فناوری اطلاعات که تازه شروع به کار با Microsoft Azure کرده‌اند و می‌خواهند در مورد پیشنهادات Microsoft Azure بیاموزند و تجربه عملی با محصول را کسب کنند مناسب است. Microsoft Azure AI Fundamentals می تواند برای آماده شدن برای سایر گواهینامه های مبتنی بر نقش Azure مانند Microsoft Azure Data Scientist Associate یا Microsoft Azure AI Engineer Associate استفاده شود، اما پیش نیاز هیچ یک از آنها نیست. این دوره برای داوطلبان با سوابق فنی و غیر فنی در نظر گرفته شده است. علم داده و تجربه مهندسی نرم افزار مورد نیاز نیست. با این حال، برخی از دانش یا تجربه برنامه نویسی عمومی مفید خواهد بود. برای موفقیت در این دوره، باید سواد کامپیوتری اولیه و تسلط به زبان انگلیسی را داشته باشید. شما باید با مفاهیم اولیه محاسبات و اصطلاحات، مفاهیم کلی فناوری، از جمله یادگیری ماشین و مفاهیم هوش مصنوعی آشنا باشید.

coursera پردازش زبان طبیعی در TensorFlow (Mitalearn-332211)

  • 1 hours 32 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laurence Moroney
درباره این دوره:

اگر توسعه‌دهنده نرم‌افزاری هستید که می‌خواهید الگوریتم‌های مقیاس‌پذیر مبتنی بر هوش مصنوعی بسازید، باید بدانید که چگونه از ابزارهای ساخت آنها استفاده کنید. این تخصص به شما بهترین روش‌ها را برای استفاده از TensorFlow، یک چارچوب متن‌باز محبوب برای یادگیری ماشین، آموزش می‌دهد. در دوره 3 از تخصص توسعه دهنده DeepLearning.AI TensorFlow، شما سیستم های پردازش زبان طبیعی را با استفاده از TensorFlow خواهید ساخت. شما یاد خواهید گرفت که متن را پردازش کنید، از جمله نشانه گذاری و نمایش جملات به عنوان بردار، به طوری که آنها بتوانند به یک شبکه عصبی وارد شوند. همچنین استفاده از RNN، GRU و LSTM در TensorFlow را یاد خواهید گرفت. در نهایت، می‌توانید یک LSTM را بر روی متن موجود آموزش دهید تا شعر اصلی بسازید! دوره یادگیری ماشین و تخصص یادگیری عمیق از Andrew Ng مهمترین و اساسی ترین اصول یادگیری ماشین و یادگیری عمیق را آموزش می دهد. این تخصص توسعه‌دهنده DeepLearning.AI TensorFlow به شما می‌آموزد که چگونه از TensorFlow برای پیاده‌سازی این اصول استفاده کنید تا بتوانید شروع به ساخت و استفاده از مدل‌های مقیاس‌پذیر برای مشکلات دنیای واقعی کنید. برای ایجاد درک عمیق تر از نحوه عملکرد شبکه های عصبی، توصیه می کنیم که تخصص یادگیری عمیق را انتخاب کنید.

coursera پردازش زبان طبیعی و تکلیف Capstone (Mitalearn-333367)

  • 6 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Julie Pai
درباره این دوره:

به پردازش زبان طبیعی و تخصیص Capstone خوش آمدید. در این دوره ما با یک شناخت نحوه استفاده از تکنیک های فنی و تجاری برای ارائه بینش تجاری، هوش رقابتی و احساسات مصرف کننده شروع می کنیم. این دوره با یک تکلیف اصلی پایان می یابد که در آن شما طیف گسترده ای از آنچه در این تخصص پوشش داده شده است را اعمال خواهید کرد.

datacamp پردازش زبان گفتاری در پایتون (Mitalearn-404852)

  • 52 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Daniel Bourke
درباره این دوره:

ما قبل از اینکه خواندن را یاد بگیریم صحبت کردن را یاد می گیریم. حتی در عصر دیجیتال، روش اصلی ارتباط ما گفتار است. پردازش زبان گفتاری با پایتون به شما کمک می کند فایل های صوتی را بارگیری، تبدیل و رونویسی کنید. با دیدن اینکه صدای خام در پایتون چگونه به نظر می رسد شروع می کنید. و سپس با کار کردن با نمونه‌ای از موارد استفاده تجاری، رونویسی و طبقه‌بندی داده‌های تماس تلفنی پایان دهید.

coursera پردازش سیگنال دیجیتال 1: مفاهیم و الگوریتم های اساسی (Mitalearn-352730)

  • 6 hours 7 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Paolo Prandoni,Martin Vetterli
درباره این دوره:

پردازش سیگنال دیجیتال شاخه‌ای از مهندسی است که در عرض چند دهه سطوح بی‌سابقه‌ای از ارتباطات بین فردی و سرگرمی‌های درخواستی را ممکن کرده است. با بازکاری اصول الکترونیک، مخابرات و علوم کامپیوتر در یک الگوی متحد، DSP قلب انقلاب دیجیتالی است که سی‌دی، دی‌وی‌دی، پخش‌کننده MP3، تلفن‌های همراه و دستگاه‌های بی‌شماری دیگر را برای ما به ارمغان آورد. در این سری از چهار دوره، شما اصول پردازش سیگنال دیجیتال را از پایه یاد خواهید گرفت. با شروع از تعریف اولیه سیگنال زمان گسسته، ما راه خود را از طریق تجزیه و تحلیل فوریه، طراحی فیلتر، نمونه برداری، درون یابی و کمی سازی برای ایجاد یک مجموعه ابزار DSP به اندازه کافی کامل برای تجزیه و تحلیل یک سیستم ارتباطی عملی با جزئیات خواهیم داشت. نمونه های عملی و نمایش به طور معمول برای از بین بردن شکاف بین تئوری و عمل استفاده می شود. برای استفاده بهینه از این کلاس، توصیه می‌شود در محاسبات پایه و جبر خطی مهارت داشته باشید. چندین مثال برنامه نویسی در قالب نوت بوک پایتون ارائه خواهد شد، اما می توانید از زبان برنامه نویسی مورد علاقه خود برای آزمایش الگوریتم های توضیح داده شده در دوره استفاده کنید.

coursera پردازش سیگنال دیجیتال 2: فیلتر کردن (Mitalearn-353597)

  • 4 hours 59 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Paolo Prandoni,Martin Vetterli
درباره این دوره:

پردازش سیگنال دیجیتال شاخه‌ای از مهندسی است که در عرض چند دهه سطوح بی‌سابقه‌ای از ارتباطات بین فردی و سرگرمی‌های درخواستی را ممکن کرده است. با بازکاری اصول الکترونیک، مخابرات و علوم کامپیوتر در یک الگوی متحد، DSP قلب انقلاب دیجیتالی است که سی‌دی، دی‌وی‌دی، پخش‌کننده MP3، تلفن‌های همراه و دستگاه‌های بی‌شماری دیگر را برای ما به ارمغان آورد. هدف، برای دانشجویان این دوره، یادگیری مبانی پردازش سیگنال دیجیتال از پایه خواهد بود. با شروع از تعریف اولیه سیگنال زمان گسسته، ما راه خود را از طریق تجزیه و تحلیل فوریه، طراحی فیلتر، نمونه برداری، درون یابی و کمی سازی برای ایجاد یک مجموعه ابزار DSP به اندازه کافی کامل برای تجزیه و تحلیل یک سیستم ارتباطی عملی با جزئیات خواهیم داشت. نمونه های عملی و نمایش به طور معمول برای از بین بردن شکاف بین تئوری و عمل استفاده می شود. برای استفاده بهینه از این کلاس، توصیه می‌شود در محاسبات پایه و جبر خطی مهارت داشته باشید. چندین مثال برنامه نویسی در قالب نوت بوک پایتون ارائه خواهد شد، اما می توانید از زبان برنامه نویسی مورد علاقه خود برای آزمایش الگوریتم های توضیح داده شده در دوره استفاده کنید.

coursera پردازش سیگنال دیجیتال 3: آنالوگ در مقابل دیجیتال (Mitalearn-353580)

  • 3 hours 33 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Paolo Prandoni,Martin Vetterli
درباره این دوره:

پردازش سیگنال دیجیتال شاخه‌ای از مهندسی است که در عرض چند دهه سطوح بی‌سابقه‌ای از ارتباطات بین فردی و سرگرمی‌های درخواستی را ممکن کرده است. با بازکاری اصول الکترونیک، مخابرات و علوم کامپیوتر در یک الگوی متحد، DSP قلب انقلاب دیجیتالی است که سی‌دی، دی‌وی‌دی، پخش‌کننده MP3، تلفن‌های همراه و دستگاه‌های بی‌شماری دیگر را برای ما به ارمغان آورد. هدف، برای دانشجویان این دوره، یادگیری مبانی پردازش سیگنال دیجیتال از پایه خواهد بود. با شروع از تعریف اولیه سیگنال زمان گسسته، ما راه خود را از طریق تجزیه و تحلیل فوریه، طراحی فیلتر، نمونه برداری، درون یابی و کمی سازی برای ایجاد یک مجموعه ابزار DSP به اندازه کافی کامل برای تجزیه و تحلیل یک سیستم ارتباطی عملی با جزئیات خواهیم داشت. نمونه های عملی و نمایش به طور معمول برای از بین بردن شکاف بین تئوری و عمل استفاده می شود. برای استفاده بهینه از این کلاس، توصیه می‌شود در محاسبات پایه و جبر خطی مهارت داشته باشید. چندین مثال برنامه نویسی در قالب نوت بوک پایتون ارائه خواهد شد، اما می توانید از زبان برنامه نویسی مورد علاقه خود برای آزمایش الگوریتم های توضیح داده شده در دوره استفاده کنید.

coursera پردازش سیگنال دیجیتال 4: برنامه های کاربردی (Mitalearn-353495)

  • 3 hours 30 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Paolo Prandoni,Martin Vetterli
درباره این دوره:

پردازش سیگنال دیجیتال شاخه‌ای از مهندسی است که در عرض چند دهه سطوح بی‌سابقه‌ای از ارتباطات بین فردی و سرگرمی‌های درخواستی را ممکن کرده است. با بازکاری اصول الکترونیک، مخابرات و علوم کامپیوتر در یک الگوی متحد، DSP قلب انقلاب دیجیتالی است که سی‌دی، دی‌وی‌دی، پخش‌کننده MP3، تلفن‌های همراه و دستگاه‌های بی‌شماری دیگر را برای ما به ارمغان آورد. هدف، برای دانشجویان این دوره، یادگیری مبانی پردازش سیگنال دیجیتال از پایه خواهد بود. با شروع از تعریف اولیه سیگنال زمان گسسته، ما راه خود را از طریق تجزیه و تحلیل فوریه، طراحی فیلتر، نمونه برداری، درون یابی و کمی سازی برای ایجاد یک مجموعه ابزار DSP به اندازه کافی کامل برای تجزیه و تحلیل یک سیستم ارتباطی عملی با جزئیات خواهیم داشت. نمونه های عملی و نمایش به طور معمول برای از بین بردن شکاف بین تئوری و عمل استفاده می شود. برای استفاده بهینه از این کلاس، توصیه می‌شود در محاسبات پایه و جبر خطی مهارت داشته باشید. چندین مثال برنامه نویسی در قالب نوت بوک پایتون ارائه خواهد شد، اما می توانید از زبان برنامه نویسی مورد علاقه خود برای آزمایش الگوریتم های توضیح داده شده در دوره استفاده کنید.

linkedin پردازش عکس‌های سیاه و سفید در مقیاس بزرگ با دیافراگم (Mitalearn-43653)

  • 3 hours 1 minutes
  • متوسط
  • Release date: 15 April 2013
  • Author: Joseph "PhotoJoseph" Linaschke
درباره این دوره:

هنرمند جوزف لیناشکه را تماشا کنید که در مورد ایجاد گالری خود که از چاپ های سیاه و سفید بزرگ روی فلز آویزان شده است توضیح می دهد و در مورد چالش های زیادی که در این راه با آن روبرو شده است صحبت می کند. او فرآیند خود را در دیافراگم برای ما مهندسی کرده است، و نشان می‌دهد که چگونه تصاویر خود را بازبینی می‌کند، برش می‌دهد و آنها را در آماده‌سازی برای تبدیل صاف می‌کند، آنها را بدون افت کیفیت مقیاس می‌دهد و سپس تنظیمات نهایی را به سیاه و سفید انجام می‌دهد. در نهایت، در مورد خروجی فایل و تنظیمات مربوط به مجموعه نهایی چاپ اطلاعات کسب کنید.

linkedin پردازش متن با Python Essential Training (Mitalearn-192607)

  • 33 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Kumaran Ponnambalam
درباره این دوره:

در دنیای داده های بزرگ، اطلاعات بیشتر و بیشتری به صورت متنی مصرف و تحلیل می شود. وب‌سایت‌ها، رسانه‌های اجتماعی، ایمیل‌ها و چت‌ها به منابع کلیدی داده‌ها و بینش‌ها تبدیل شده‌اند. اگر با داده ها کار می کنید، درک نحوه برخورد با داده های متنی بدون ساختار ضروری است. در این دوره، مربی Kumaran Ponnambalam به شما کمک می کند تا مجموعه مهارت های متن کاوی خود را بسازید و تکنیک های کلیدی استخراج، پاکسازی و پردازش متن در پایتون را پوشش دهد. کوماران مفاهیم کلیدی پردازش متن مانند رمزگذاری و ریشه‌یابی را بررسی می‌کند. او همچنین به تکنیک هایی برای تبدیل متن به فرم آماده تجزیه و تحلیل، از جمله n-gram و TF-IDF نگاه می کند. در طول مسیر، او نمونه هایی از این تکنیک ها را با استفاده از پایتون و کتابخانه NLTK ارائه می کند.

linkedin پردازش متن با R Essential Training (Mitalearn-195225)

  • 55 minutes
  • متوسط
  • Release date: 22 June 2026
  • Author: Kumaran Ponnambalam
درباره این دوره:

کلان داده ها و خطوط لوله تحلیلی امروزی داده های متنی تولید شده از طریق وب سایت ها، رسانه های اجتماعی و ارتباطات خصوصی را بیشتر و بیشتر مصرف می کنند. اما استخراج بینش از متن ساده نیست. برای تهیه متن برای تجزیه و تحلیل و یادگیری ماشین به یک سری تکنیک ها و فرم ها نیاز دارد. در این دوره، تکنیک های ضروری برای پاکسازی و پردازش متن در R را بیاموزید و نحوه تبدیل متن به فرمی آماده برای تجزیه و تحلیل و پیش بینی را بیاموزید. Kumaran Ponnambalam با مرور تکنیک‌های استخراج، پاکسازی و پردازش متن شروع می‌کند. سپس نحوه تبدیل متن به فرم آماده تجزیه و تحلیل، از جمله نحوه استفاده از n-gram و TF-IDF را نشان می دهد. در طول دوره، او نمونه هایی برای تمرین این تکنیک ها با استفاده از کتابخانه های R و tm ارائه می دهد.

coursera پردازش مواد (Mitalearn-355382)

  • 6 hours 46 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Thomas H. Sanders, Jr.
درباره این دوره:

آیا تا به حال از خود پرسیده اید که چرا سرامیک ها سخت و شکننده هستند در حالی که فلزات تمایل به شکل پذیری دارند؟ چرا برخی از مواد گرما یا الکتریسیته را هدایت می کنند در حالی که برخی دیگر عایق هستند؟ چرا با افزودن مقدار کمی کربن به آهن آلیاژی بسیار قوی تر از فلز پایه ایجاد می شود؟ در این دوره، یاد خواهید گرفت که چگونه خواص یک ماده توسط ریزساختار ماده تعیین می شود، که به نوبه خود توسط ترکیب و پردازشی که ماده تحت آن قرار گرفته است تعیین می شود. این دومین دوره از سه دوره Coursera است که منعکس کننده کلاس مقدماتی علوم مواد است که توسط اکثر دانشجویان کارشناسی مهندسی در Georgia Tech گذرانده می شود. هدف از این دوره کمک به دانش آموزان برای درک بهتر مواد مهندسی است که در دنیای اطراف آنها استفاده می شود. این بخش اول اصول علم مواد از جمله ساختار اتمی و پیوند، ساختار کریستالی، عیوب اتمی و میکروسکوپی و مواد غیر کریستالی مانند شیشه‌ها، لاستیک‌ها و پلیمرها را پوشش می‌دهد.

coursera پردازش و تجسم داده های پایه (Mitalearn-331242)

  • 3 hours 1 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Julian McAuley,Ilkay Altintas
درباره این دوره:

این اولین دوره آموزشی چهار دوره تخصصی Python Data Products for Predictive Analytics است که اصول اولیه خواندن و دستکاری مجموعه داده ها را در پایتون معرفی می کند. در این دوره شما یاد می گیرید که محصول داده چیست و از چندین کتابخانه پایتون برای انجام بازیابی، پردازش و تجسم داده ها عبور می کنید. این دوره شما را با رشته علم داده آشنا می کند و شما را برای سه دوره بعدی در تخصص: طراحی تفکر و تجزیه و تحلیل پیش بینی برای محصولات داده، مدل سازی پیش بینی معنادار، و استقرار مدل های یادگیری ماشین آماده می کند. در هر مرحله از تخصص، شما تجربه عملی در دستکاری داده ها و ایجاد مهارت های خود را به دست خواهید آورد، و در نهایت به پروژه ای که شامل تمام مفاهیم آموزش داده شده در تخصص می شود، ختم می شود.

coursera پردازش و دستکاری داده ها (Mitalearn-334251)

  • 1 hours 32 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Di Wu
درباره این دوره:

دوره "پردازش و دستکاری داده ها" درک جامعی از مفاهیم و ابزارهای مختلف پردازش و دستکاری داده ها را در اختیار دانشجویان قرار می دهد. شرکت‌کنندگان یاد می‌گیرند که چگونه مقادیر از دست رفته را مدیریت کنند، نقاط پرت را شناسایی کنند، نمونه‌برداری و کاهش ابعاد را انجام دهند، تکنیک‌های مقیاس‌بندی و گسسته‌سازی را اعمال کنند، و عملیات‌های مکعب داده و جدول محوری را کاوش کنند. این دوره دانش آموزان را با مهارت های ضروری برای آماده سازی کارآمد و تبدیل داده ها برای تجزیه و تحلیل و تصمیم گیری مجهز می کند. اهداف آموزشی: 1. درک اهمیت پردازش و دستکاری داده ها در خط لوله تجزیه و تحلیل داده ها. 2. تکنیک های مدیریت مقادیر از دست رفته در مجموعه داده ها، از جمله راهبردهای انتساب و حذف را بیاموزید. 3. شناسایی و شناسایی موارد پرت برای ارزیابی تأثیر آنها بر تجزیه و تحلیل داده ها و تصمیم گیری. 4. روش های نمونه برداری و تکنیک های کاهش ابعاد را برای مجموعه داده های بزرگ و داده های با ابعاد بالا کاوش کنید. 5. از تکنیک های مقیاس بندی داده ها برای عادی سازی و استانداردسازی متغیرها برای مقایسه های معنادار استفاده کنید. 6. از گسسته سازی برای تبدیل داده های پیوسته به نمایش های طبقه بندی شده استفاده کنید و تجزیه و تحلیل را ساده کنید. 7. درک مفهوم مکعب داده و انجام تجمیع چند بعدی برای تجزیه و تحلیل اکتشافی. 8. جداول محوری برای خلاصه کردن و شکل دادن به داده ها ایجاد کنید و بینش های ارزشمندی را از مجموعه داده های پیچیده به دست آورید. در طول دوره، دانش‌آموزان فعالانه در تمرین‌ها و پروژه‌های عملی شرکت می‌کنند و به آن‌ها اجازه می‌دهد تا تکنیک‌های پردازش و دستکاری داده‌ها را در مجموعه داده‌های دنیای واقعی اعمال کنند. در پایان دوره، شرکت کنندگان به خوبی مجهز خواهند شد تا به طور موثر داده ها را برای کارهای تجزیه و تحلیل بعدی و تصمیم گیری مبتنی بر داده آماده کنند، تمیز کنند و تبدیل کنند.

linkedin پردازش: تجسم داده های تعاملی (Mitalearn-33589)

  • 7 hours 43 minutes
  • مبتدی
  • Release date: 22 June 2026
  • Author: Barton Poulson
درباره این دوره:

شروع به برقراری ارتباط ایده ها و نمودارسازی داده ها به روشی تعاملی تر کنید. در این دوره، نویسنده بارتون پولسون نحوه خواندن، نقشه‌برداری و تصویرسازی داده‌ها را با پردازش، یک محیط طراحی و توسعه منبع باز نشان می‌دهد. این دوره علاوه بر مقدمه ای محکم برای پردازش، روش هایی را برای به دست آوردن و آماده سازی داده ها، طراحی برای تجسم داده ها، و ایجاد یک تجربه تعاملی از یک طراحی بررسی می کند. وقتی تجسم کامل شد، گزینه‌های اشتراک‌گذاری کارتان را بررسی کنید، چه آپلود آن در وب‌سایت‌های تخصصی، جاسازی تصاویر در صفحات وب خود، یا حتی ایجاد یک برنامه دسکتاپ یا اندروید برای کارتان.

Related Skills

Suggestions