Course catalog

Course duration

Course provider

Topic

Categories

Showing 761-780 of 803 items.

linkedin یادگیری عمیق: شروع به کار (Mitalearn-240428)

  • 1 hours 13 minutes
  • مناسب همه
  • Update date: 25 July 2026
  • Author: Kumaran Ponnambalam
درباره این دوره:

یادگیری عمیق به عنوان یک فناوری در چند سال اخیر رشد چشمگیری داشته است. راه‌حل‌های هوش مصنوعی بیشتر و بیشتر از یادگیری عمیق به عنوان فناوری پایه خود استفاده می‌کنند. با این حال، مطالعه این فناوری دارای چالش‌های متعددی است. بیشتر منابع یادگیری ریاضی سنگینی هستند و بدون داشتن مهارت های ریاضی خوب به سختی می توان آنها را جستجو کرد. متخصصان فناوری اطلاعات برای یادگیری مفاهیم و ساخت سریع مدل ها به یک منبع ساده نیاز دارند. هدف این دوره ارائه یک مسیر ساده برای مطالعه اصول یادگیری عمیق و رسیدن سریع به بهره‌وری است.n او در میان بلوک‌های ساختمانی مختلف شبکه‌های عصبی با توضیحات ساده و قابل درک حرکت می‌کند. کوماران همچنین کدی را در Keras برای پیاده سازی این بلوک های ساختمانی ایجاد می کند. سپس با یک تمرین انتها به انتها همه را جمع می کند. در نهایت، آنچه را که یاد گرفتید با یک مشکل یادگیری عمیق آزمایش کنید و راه حل خود را با کوماران مقایسه کنید.

linkedin یادگیری فرم Autodesk (Mitalearn-425694)

  • 4 hours 49 minutes
  • مناسب همه
  • Release date: 25 July 2026
  • Author: Paul F. Aubin
درباره این دوره:

فرما آخرین پلتفرم مبتنی بر ابر است که با مجموعه Autodesk AEC گنجانده شده است. ابزارهای با استفاده از هوش مصنوعی با کاربرد آسان آن به معماران ، طراحان و متخصصان AEC کمک می کند تا طراحی و اعتبار اولیه را به روشی کارآمد و بهم پیوسته انجام دهند. در این دوره ، مربی پل اوبین ملزومات استفاده از ویژگی های قدرتمند فرم ، از جمله ابزارهای طراحی مشترک آن ، داده ها و تجزیه و تحلیل های زمان واقعی ، ویژگی های طراحی تحلیلی AI را محور و موارد دیگر پوشش می دهد. در طول راه ، یاد بگیرید که چگونه از ابزارهای پایداری فرما برای ارزیابی اثرات زیست محیطی و بهره وری انرژی استفاده کنید. در پایان این دوره ، شما به دانش و مهارت های لازم برای ادغام یکپارچه Autodesk در گردش کار خود مجهز خواهید شد و فرایندها و نتایج طراحی خود را تقویت می کنید.

linkedin یادگیری ماشین با Scikit-Learn (Mitalearn-195174)

  • 43 minutes
  • پیشرفته
  • Release date: 26 July 2026
  • Author: Madecraft,Michael Galarnyk
درباره این دوره:

توانایی اعمال الگوریتم‌های یادگیری ماشین بخش مهمی از مجموعه مهارت‌های دانشمند داده است. scikit-learn یک کتابخانه منبع باز محبوب پایتون است که نسخه های کاربرپسند و کارآمد از الگوریتم های رایج یادگیری ماشین را ارائه می دهد. در این دوره، مایکل گالارنیک، دانشمند داده، نحوه استفاده از scikit-learn را برای یادگیری ماشینی تحت نظارت و بدون نظارت توضیح می دهد. مایکل مزایای این API با کاربرد آسان را بررسی می‌کند و سپس به سرعت به تکنیک‌های عملی می‌پردازد، از رگرسیون خطی و لجستیک، درخت‌های تصمیم‌گیری و مدل‌های جنگل تصادفی شروع می‌کند. در فصل سوم، او تکنیک های یادگیری بدون نظارت مانند خوشه بندی K-means و تجزیه و تحلیل اجزای اصلی (PCA) را پوشش می دهد. بعلاوه، یاد بگیرید که چگونه خط لوله‌های Sicit-Learn ایجاد کنید تا کد خود را تمیزتر و در برابر اشکالات انعطاف‌پذیرتر کنید. در پایان دوره، شما قادر خواهید بود نقاط قوت و ضعف هر الگوریتم Sicit-Learn را درک کنید و مدل های یادگیری ماشینی بهتر و کارآمدتری بسازید.nn ما خوشحالیم که این محتوا را در کتابخانه خود میزبانی می کنیم.

MadeCraft-Description-Logo.jpg

linkedin یادگیری ماشین با پایتون: k-Means Clustering (Mitalearn-392561)

  • 50 minutes
  • مناسب همه
  • Update date: 1 May 2024
  • Author: Frederick Nwanganga
درباره این دوره: 

 خوشه بندی - یک رویکرد یادگیری ماشینی بدون نظارت که برای گروه بندی داده ها بر اساس شباهت استفاده می شود - برای کار در تجزیه و تحلیل شبکه، تقسیم بندی بازار، گروه بندی نتایج جستجو، تصویربرداری پزشکی و تشخیص ناهنجاری استفاده می شود. خوشه‌بندی K-means یکی از محبوب‌ترین و آسان‌ترین الگوریتم‌های خوشه‌بندی است. در این دوره آموزشی، Fred Nwanganga به شما نگاهی مقدماتی به خوشه‌بندی k-means می‌دهد – چگونه کار می‌کند، برای چه چیزی خوب است، چه زمانی باید از آن استفاده کنید، چگونه تعداد مناسبی از خوشه‌ها را انتخاب کنید، نقاط قوت و ضعف آن، و موارد دیگر. Fred راهنمایی عملی در مورد نحوه جمع‌آوری، کاوش و تبدیل داده‌ها در آماده‌سازی برای تقسیم‌بندی داده‌ها با استفاده از خوشه‌بندی k-means ارائه می‌کند و راهنمای گام به گام نحوه ساخت چنین مدلی در پایتون را ارائه می‌دهد.

linkedin یادگیری ماشین با پایتون: درختان تصمیم (Mitalearn-392544)

  • 1 hours 14 minutes
  • مناسب همه
  • Update date: 25 July 2026
  • Author: Frederick Nwanganga
درباره این دوره:

درخت‌های تصمیم یکی از رایج‌ترین رویکردهایی هستند که در یادگیری ماشین نظارت شده استفاده می‌شوند. ساختن درخت تصمیم به شما این امکان را می‌دهد تا با تقلید از تصمیم‌گیری اگر به‌عنوان یک رفتار طبیعی انسانی، روابط پیچیده بین متغیرها را مدل کنید. در این دوره آموزشی، مربی فردریک نوانگانگا به شما یک نمای کلی از نحوه جمع‌آوری، کاوش و تبدیل داده‌های خود در آماده‌سازی برای ساخت مدل‌های درخت تصمیم در پایتون می‌دهد.

قدرت درخت‌های تصمیم‌گیری، چیستی و چگونگی آن‌ها را کشف کنید. آنها ساخته می شوند و چگونه ناخالصی را در یک پارتیشن تعیین می کنند. نکاتی را از فردریک در مورد ساخت، تجسم، هرس و استفاده از درخت تصمیم در پایتون از جمله درختان طبقه بندی و درختان رگرسیون دریافت کنید. در پایان این دوره، شما آماده خواهید بود که مدل های خود را بسازید و آنها را در دامنه های مختلف اعمال کنید.

linkedin یادگیری ماشین با پایتون: رگرسیون لجستیک (Mitalearn-392595)

  • 1 hours 19 minutes
  • مناسب همه
  • Update date: 29 April 2024
  • Author: Frederick Nwanganga
درباره این دوره: 

 آیا به دنبال راهی عملی برای استفاده از یادگیری ماشین برای حل مشکلات پیچیده دنیای واقعی هستید؟ رگرسیون لجستیک رویکردی برای یادگیری ماشینی تحت نظارت است که مقادیر انتخاب شده را برای پیش‌بینی نتایج احتمالی مدل‌سازی می‌کند. در این دوره، فردریک نوانگانگا، استاد نوتردام، راهنمای گام به گام نحوه ساخت یک مدل رگرسیون لجستیک با استفاده از پایتون را در اختیار شما قرار می دهد. نکات عملی برای جمع آوری، کاوش، و تبدیل داده های خود را قبل از شروع بیاموزید. در پایان این دوره، شما مهارت های فنی برای دانستن زمان و نحوه طراحی، ساخت، ارزیابی و مدیریت موثر یک مدل رگرسیون لجستیک را به تنهایی خواهید داشت.

این دوره با GitHub یکپارچه شده است. Codespaces، 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، ویدیوی «استفاده از فضاهای کد GitHub با این دوره» را بررسی کنید.

linkedin یادگیری ماشین با پایتون: قوانین انجمن (Mitalearn-392578)

  • 1 hours 27 minutes
  • مناسب همه
  • Update date: 25 April 2024
  • Author: Frederick Nwanganga
درباره این دوره: 

 به مربی فردریک نوانگانگا بپیوندید زیرا او یک رویکرد کاربردی و قابل درک برای استفاده از یادگیری ماشین برای حل مشکلات دنیای واقعی را معرفی می کند و راهنمایی های گام به گام در مورد نحوه انجام این کار در پایتون ارائه می دهد. فردریک به طور خاص بر قوانین انجمن و نحوه اعمال آنها برای تجزیه و تحلیل سبد بازار تمرکز می کند. او توضیح می دهد که قوانین تداعی چیست و دو الگوریتم محبوب را بررسی می کند، سپس به این می پردازد که چه زمانی و چرا باید از قوانین تداعی استفاده کنید. به علاوه، فردریک نحوه ایجاد، تجسم، و تفسیر قوانین ارتباط در پایتون را پوشش می‌دهد.

این دوره با GitHub Codespaces، یک محیط توسعه‌دهنده ابر فوری که تمام قابلیت‌های IDE مورد علاقه شما را بدون نیاز به هیچ‌گونه نیازی ارائه می‌کند، یکپارچه شده است. راه اندازی ماشین محلی 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، ویدیوی «استفاده از فضاهای کد GitHub با این دوره» را بررسی کنید.

linkedin یادگیری ماشین با پایتون: مبانی (Mitalearn-218192)

  • 1 hours 54 minutes
  • مناسب همه
  • Update date: 21 June 2026
  • Author: Frederick Nwanganga
درباره این دوره:

احتمالاً قبلاً در مورد یادگیری ماشینی شنیده اید، اما آیا تا به حال فکر کرده اید که این اصطلاح واقعاً به چه معناست؟ یک ماشین چگونه یاد می گیرد؟ آیا به ساخت یک مدل یادگیری ماشین فکر کرده اید، اما نمی دانید از کجا شروع کنید؟n فردریک دقیقاً با معنای یادگیری ماشین‌ها و روش‌های مختلف یادگیری آنها شروع می‌کند، سپس به نحوه جمع‌آوری، درک و آماده‌سازی داده‌ها برای یادگیری ماشین می‌پردازد. او همچنین مثال‌های راهنمایی از نحوه انجام هر مرحله با استفاده از پایتون ارائه می‌دهد. در نهایت، او همه آن‌ها را برای ساخت، ارزیابی و تفسیر نتایج یک مدل یادگیری ماشین در پایتون گرد هم می‌آورد.

linkedin یادگیری ماشین با رگرسیون لجستیک در Excel، R و Power BI (Mitalearn-217903)

  • 2 hours 49 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Helen Wall
درباره این دوره:


Excel، R، و Power BI برنامه هایی هستند که به طور جهانی در علم داده و در بین مشاغل و سازمان ها در سراسر جهان استفاده می شوند. اگر زمان زیادی را صرف کرده اید تا بفهمید چگونه داده های خود را بهتر مدل کنید تا بینش مفیدی از آنها بدست آورید که می توانید بر اساس آنها عمل کنید، به احتمال زیاد با این برنامه ها روبرو شده اید. در این دوره، هلن وال نحوه استفاده از Excel، R و Power BI را برای رگرسیون لجستیک به منظور مدل‌سازی داده‌ها برای پیش‌بینی برچسب‌های طبقه‌بندی مانند کشف تقلب یا موفقیت‌های آزمایشی پزشکی نشان می‌دهد. هلن چندین نمونه از رگرسیون لجستیک را بررسی می کند. او نحوه استفاده از اکسل را برای محاسبه ملموس مدل رگرسیون نشان می دهد، سپس از R برای محاسبات و تجسم های فشرده تر استفاده می کند. سپس نحوه استفاده از Power BI برای ادغام قابلیت‌های محاسبات Excel و R در یک مدل مقیاس‌پذیر و قابل اشتراک‌گذاری را نشان می‌دهد.

linkedin یادگیری ماشین برای iOS: Core ML و Create ML (Mitalearn-227355)

  • 38 minutes
  • مناسب همه
  • Release date: 22 June 2026
  • Author: Emmanuel Henri
درباره این دوره:

آیا می خواهید یادگیری ماشینی را در برنامه iOS خود بگنجانید؟ با Core ML SDK و برنامه Create ML Apple، می‌توانید به سرعت ویژگی‌های یادگیری ماشین را در پروژه‌های خود ادغام کنید. در این دوره آموزشی، امانوئل هنری اصول یادگیری ماشینی و همچنین نحوه کار با Core ML و Create ML را برای افزودن مدل های یادگیری ماشین به برنامه های خود پوشش می دهد. امانوئل بخش‌های مختلف Core ML SDK، نحوه راه‌اندازی یک پروژه جدید با استفاده از Create ML، و نحوه دریافت مقادیر ورودی و آزمایش یک مدل را پوشش می‌دهد. او همچنین نحوه ادغام مدل یادگیری ماشینی خود را در یک برنامه iOS و تبدیل مدل‌ها از منابع غیر iOS را بررسی می‌کند.

linkedin یادگیری ماشین برای هکرهای تیم قرمز توسط Infosec (Mitalearn-427649)

  • 3 hours 39 minutes
  • مناسب همه
  • Release date: 12 June 2025
  • Author: Infosec Institute
درباره این دوره: 

 

در مورد یادگیری ماشین های هک با کارشناسان آموزش امنیت سایبری در انستیتوی Infosec ، INS و Outs of Hacking Machine Learning را کشف کنید. عمیق به موضوعاتی مانند هک کردن یک سیستم Captcha ، فازی یک هدف ، فرار از تشخیص بدافزار و حمله به سیستم های یادگیری ماشین. به علاوه ، در مورد Deepfakes و نحوه انجام حملات پشتی به یادگیری ماشین آشنا شوید.

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


linkedin یادگیری ماشین داخلی به زبان Wolfram (Mitalearn-393921)

  • 19 minutes
  • مناسب همه
  • Release date: 5 January 2024
  • Author: Wolfram Research
درباره این دوره: 

 با کمک زبان Wolfram می‌توانید یادگیری ماشین را در زمینه‌های موضوعی مختلف بدون دانش سطح متخصص اعمال کنید. در حالی که می‌توانید مدل‌های پیچیده را از ابتدا بسازید، می‌توانید از هر یک از مدل‌های از پیش آموزش‌دیده موجود در ورودی‌های مختلف مانند متن، اعداد و تصاویر نیز استفاده کنید. این دوره مقدمه ای بر بسیاری از توابع یادگیری ماشینی در دسترس برای کارهای گسترده ای مانند شناسایی تصویر، تشخیص متن، طبقه بندی احساسات و موارد دیگر ارائه می دهد. قابلیت‌های یادگیری ماشین خودکار زبان Wolfram را از طریق مثال‌ها کاوش کنید، و یاد بگیرید که وظایف یادگیری ماشینی ساده را بر روی انواع ورودی‌های مختلف اجرا کنید، از مدل‌های نام‌گذاری‌شده و سفارشی آموزش‌دیده برای انجام وظایف طبقه‌بندی استفاده کنید، و یادگیری ماشین را در بینایی کامپیوتر، متن و استفاده کنید. وظایف پردازش زبان طبیعی

linkedin یادگیری ماشین در ارتباط از راه دور: از اصول اولیه گرفته تا موارد دنیای واقعی (Mitalearn-427683)

  • 2 hours 11 minutes
  • مناسب همه
  • Release date: 22 July 2025
  • Author: Itelcotech
درباره این دوره: 

 این دوره در سطح متوسط، کاوش متمرکزی را در مورد چگونگی تغییر شبکه‌های مخابراتی مدرن توسط یادگیری ماشین (ML) ارائه می‌کند. این دوره برای دانش‌آموزان و متخصصان با دانش پایه از مخابرات یا هوش مصنوعی طراحی شده است که می‌خواهند درک خود را از برنامه‌های ML در بهینه‌سازی شبکه، تجزیه و تحلیل پیش‌بینی‌کننده و اتوماسیون هوشمند عمیق‌تر کنند، این دوره چندین پارادایم یادگیری ماشین کلیدی را پوشش می‌دهد: تحت نظارت، بدون نظارت و یادگیری تقویتی. از طریق مطالعات موردی در دنیای واقعی، مفاهیم کلیدی ML مانند رگرسیون، طبقه‌بندی، خوشه‌بندی، آزمایش فرضیه، توابع هزینه، نزول گرادیان و ارزیابی مدل را بررسی کنید. بیاموزید که چگونه مدل‌ها معیارهای مخابراتی مانند قدرت سیگنال، بار شبکه، و تقاضای پهنای باند را پیش‌بینی می‌کنند و چگونه تکنیک‌های طبقه‌بندی به شناسایی خطاها و ناهنجاری‌ها کمک می‌کنند. در پایان این دوره، شما به مهارت هایی که برای استفاده از ML برای تقویت شبکه های مخابراتی هوشمندتر و سازگارتر نیاز دارید، مجهز خواهید شد.

linkedin یادگیری ماشین کاربردی: الگوریتم ها (Mitalearn-411448)

  • 1 hours 58 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Matt Harrison
درباره این دوره:

با اهمیت روزافزون یادگیری ماشین در تقریباً در هر بخش ، متخصصان به درک عمیق تر و رویکرد عملی برای اجرای الگوریتم های ML به طور مؤثر نیاز دارند.

این دوره الگوریتم های یادگیری ماشین را که معمولاً استفاده می شود ، پوشش می دهد. مربی مت هریسون بر الگوریتم های یادگیری غیر عمق ، پوشش PCA ، خوشه بندی ، رگرسیون خطی و لجستیک ، درختان تصمیم گیری ، جنگل های تصادفی و تقویت شیب تمرکز دارد.

در این دوره به مت بپیوندید تا الگوریتم های مشترک ML را بفهمید ، جوانب مثبت و منفی خود را بیاموزید و مهارت های دستی را برای استفاده از آنها با دنبال کردن با چالش ها و راه حل ها در برنامه های GitHub ایجاد کنید.

linkedin یادگیری ماشین کاربردی: مبانی (Mitalearn-411482)

  • 2 hours 17 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Matt Harrison
درباره این دوره:

مدل های

AI در حال تغییر محل کار هستند. دانستن آنچه در پشت این مدل ها پیش می رود می تواند به شما در استفاده موثرتر از تکنیک های یادگیری ماشین (ML) کمک کند. در این دوره ، مربی مت هریسون به شما نشان می دهد که چگونه می توانید با استفاده از قدرت زبان برنامه نویسی پایتون ، تسلط بر ضروری یادگیری ماشین را شروع کنید. در طول راه ، مهارت های برنامه نویسی جدید خود را در چالش های تمرین در پایان هر بخش آزمایش کنید.

linkedin یادگیری ماشین کاربردی: مبانی (Mitalearn-152674)

  • 2 hours 38 minutes
  • مبتدی
  • Release date: 26 July 2026
  • Author: Derek Jedamski
درباره این دوره:

هر کسی که بتواند پایتون پایه بنویسد، می‌تواند یک مدل یادگیری ماشینی ساده را بر روی یک مجموعه داده تمیز قرار دهد. مزیت رقابتی در توانایی شخصی سازی و بهینه سازی آن مدل ها برای مشکلات خاص است. گردش کار مورد استفاده برای ساخت مدل‌های یادگیری ماشین مؤثر و روش‌های مورد استفاده برای بهینه‌سازی آن مدل‌ها معمولاً الگوریتم یا مشکل خاصی نیستند. در این دوره، اولین قسمت از مجموعه دو قسمتی یادگیری ماشین کاربردی، مدرس درک جدامسکی به مبانی یادگیری ماشین، از تجزیه و تحلیل داده‌های اکتشافی گرفته تا ارزیابی یک مدل برای اطمینان از تعمیم آن به نمونه‌های دیده نشده، می‌پردازد. درک به جای استفاده از هر الگوریتم یادگیری ماشینی خاص، بر ارائه ابزارهایی برای حل موثر تقریباً هر نوع مشکل یادگیری ماشینی تمرکز می کند.

linkedin یادگیری ماشین کاربردی: یادگیری گروه (2022) (Mitalearn-411465)

  • 2 hours 25 minutes
  • مناسب همه
  • Release date: 24 February 2022
  • Author: Derek Jedamski
درباره این دوره: 

 آیا می خواهید مهارت های خود را به عنوان یک پزشک یادگیری ماشین رشد دهید ، اما نمی دانید از کجا شروع کنید؟ برای شروع کار به سمت هدف خود ، نیازی به آموزش رسمی در علم داده ندارید. در این دوره ، مربی درک جیدامسکی به شما نشان می دهد که چگونه می توانید داده های کثیف را مهار کنید ، سیگنال را در آن پیدا کنید و مدلهایی بسازید که پیش بینی های قدرتمندی را با زبان آموزان گروهی ایجاد می کند ، یکی از رایج ترین کلاس های الگوریتم های یادگیری ماشین. در مورد نظریه اساسی که زبان آموزان گروه را هدایت می کند ، بیاموزید و نمونه هایی از یادگیری گروه را در پایتون و سپس اجرای مدل های خود را پوشش دهید. مفاهیمی مانند تقویت ، کیسه و انباشت و نحوه استفاده از هر یک و چه زمانی را کاوش کنید. ابزارهایی را که برای تقویت قدرت پیش بینی خود و پیشبرد مهارت های یادگیری ماشین خود امروز دارید ، بدست آورید.

linkedin یادگیری ماشین کاربردی: یادگیری گروهی (Mitalearn-442643)

  • 1 hours 28 minutes
  • مناسب همه
  • Release date: 28 February 2025
  • Author: Matt Harrison
درباره این دوره: 

 

آیا می‌خواهید مهارت‌های خود را به عنوان یک متخصص یادگیری ماشینی افزایش دهید، اما نمی‌دانید از کجا شروع کنید؟ برای شروع کار به سمت هدف خود نیازی به آموزش رسمی در علم داده ندارید. در این دوره، مربی مت هریسون شما را از طریق مفاهیم کلیدی یادگیری گروهی راهنمایی می کند. روش‌های مختلف مجموعه مانند bagging، boosting و stacking را کاوش کنید و یاد بگیرید که آنها را با استفاده از کتابخانه‌های محبوب Python مانند scikit-learn و XGBoost پیاده‌سازی کنید. در پایان این دوره، شما به مهارت‌هایی که برای پیاده‌سازی و بهینه‌سازی مدل‌های مجموعه در کارهای یادگیری ماشین در دنیای واقعی نیاز دارید، مجهز می‌شوید.

این دوره با GitHub Codespaces، یک محیط توسعه‌دهنده ابری فوری که تمام عملکردهای IDE مورد علاقه‌تان را بدون نیاز به راه‌اندازی ماشین محلی ارائه می‌کند، یکپارچه شده است. 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 آشنایی با نحوه شروع کار، «استفاده از فضاهای کد GitHub» را با این دوره بررسی کنید.


linkedin یادگیری ماشین کاربردی: یادگیری نظارت شده (Mitalearn-411499)

  • 2 hours 26 minutes
  • مناسب همه
  • Release date: 25 July 2025
  • Author: Matt Harrison
درباره این دوره: 

 در این دوره ، مت هریسون-یک مربی شرکتی پایتون و علوم داده ، نویسنده ، سخنران ، مشاور و مشاور-به شما نشان می دهد که چگونه می توانید از تکنیک های یادگیری نظارت شده برای مشکلات دنیای واقعی استفاده کنید ، با تمرکز بر هر دو طبقه بندی و رگرسیون. با مدلهای اساسی مانند رگرسیون خطی شروع کنید و سپس به الگوریتم های پیچیده تری مانند درختان تصمیم گیری و XGBOOST بروید. به علاوه ، تکنیک های ارزیابی ، بهینه سازی و استقرار مدل را کاوش کنید. با چالش ها و راه حل های عملی ، این دوره شما را برای استفاده از یادگیری نظارت شده برای حل مشکلات در صنایعی مانند مراقبت های بهداشتی ، امور مالی و املاک و مستغلات آماده می کند.

linkedin یادگیری ماشین و آمار در پایتون (Mitalearn-435656)

  • 1 hours 18 minutes
  • مناسب همه
  • Release date: 25 July 2026
  • Author: Milan Janosov, Ph.D.
درباره این دوره:

در این دوره ، میلان جانوسوف ، متخصص شناخته شده در سطح جهانی ، مقدمه ای را برای تقاطع یادگیری ماشین و تجزیه و تحلیل فضایی ، پوشش مفاهیم اصلی ، چالش ها و برنامه های دنیای واقعی فراهم می کند. در مورد اصول آمار مکانی ، از جمله همبستگی مکانی و درون یابی ، با استفاده از کتابخانه های پایتون مانند ژئوپاندا بیاموزید. به تکنیک های یادگیری ماشین بدون نظارت ، مانند تجزیه و تحلیل کانون ، K-Means و خوشه بندی DBSCAN شیرجه بزنید و این تکنیک ها را در داده های جغرافیایی اعمال کنید. روشهای یادگیری نظارت شده ، از جمله مهندسی ویژگی های مکانی ، مدل های رگرسیون و جنگل های تصادفی مکانی را برای تجزیه و تحلیل پیش بینی ، کاوش کنید و مرحله ای را برای اکتشافات بیشتر تعیین کنید. این دوره به شما مهارت هایی را برای انجام تجزیه و تحلیل آماری پیشرفته و اجرای وظایف یادگیری ماشین بر روی داده های مکانی می آموزد.

Suggestions