Course catalog

Course duration

Course provider

Topic

Categories

Showing 101-113 of 113 items.

linkedin ملزومات امنیت شبکه داده محور (Mitalearn-104853)

  • 1 hours 3 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Jungwoo Ryoo
درباره این دوره:

مفاهیم، \u200b\u200bمهارت ها و تکنیک های ضروری برای مدیریت امنیت شبکه و پزشکی قانونی را کاوش کنید. در این دوره، Jungwoo Ryoo نحوه بهبود امنیت شبکه و پزشکی قانونی را با استفاده از داده ها توضیح می دهد. او با بررسی موارد ضروری مانند فایروال ها، VPN ها و سیستم های مدیریت آسیب پذیری شروع می کند. در مرحله بعد، او منابع داده های مختلف را بررسی می کند و توضیح می دهد که چگونه داده های منابع مختلف می توانند ابزار قدرتمندی برای افزایش امنیت شبکه شما باشند. Jungwoo همچنین تکنیک ها و ابزارهای جمع آوری داده های شبکه و یادگیری ماشینی و تجسم را برای پردازش داده های شبکه و تشخیص ناهنجاری ها پوشش می دهد.

coursera مهندسی داده های ابری (Mitalearn-324357)

  • 11 hours 46 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Noah Gift
درباره این دوره:

به دوره سوم راه حل های رایانش ابری ساختمان در تخصص مقیاس خوش آمدید! در این دوره یاد می گیرید که چگونه با استفاده از مفاهیم رایانش ابری معرفی شده در دو دوره اول این مجموعه، مهندسی داده را در پروژه های دنیای واقعی به کار ببرید. در پایان این دوره، شما قادر خواهید بود اپلیکیشن های مهندسی داده را توسعه دهید و از بهترین شیوه های توسعه نرم افزار برای ایجاد اپلیکیشن های مهندسی داده استفاده کنید. اینها شامل استقرار مستمر، ابزارهای کیفیت کد، ورود به سیستم، ابزار دقیق و نظارت است. در نهایت، از فناوری‌های بومی ابری برای مقابله با راه‌حل‌های پیچیده مهندسی داده استفاده خواهید کرد. این دوره برای مبتدیان و همچنین دانشجویان متوسط ​​علاقه مند به استفاده از محاسبات ابری در علم داده، یادگیری ماشین و مهندسی داده ایده آل است. دانش آموزان باید مهارت های لینوکس سطح مبتدی و پایتون سطح متوسط ​​را داشته باشند. برای پروژه خود در این دوره، شما یک خط لوله مهندسی داده بدون سرور در یک پلتفرم ابری ایجاد خواهید کرد: خدمات وب آمازون (AWS)، Azure یا Google Cloud Platform (GCP).

coursera موضوعات پیشرفته و روندهای آینده در فناوری های پایگاه داده (Mitalearn-320362)

  • 5 hours 48 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Di Wu,Alan Paradise
درباره این دوره:

این دوره شامل چهار ماژول است که برخی از زمینه های عمیق تر و پیشرفته تر از فناوری های پایگاه داده را پوشش می دهد و به دنبال آن نگاهی به آینده نرم افزار پایگاه داده و جایی که صنعت در حال حرکت است می پردازد. موضوعات پیشرفته و روندهای آینده در فناوری های پایگاه داده را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، 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.

linkedin نکات امتحانی: Microsoft Azure AI Fundamentals (AI-900) (Mitalearn-196670)

  • 1 hours 26 minutes
  • متوسط
  • Release date: 6 October 2020
  • Author: Emilio Melo
درباره این دوره: 

 هوش مصنوعی دیگر علمی تخیلی نیست. فناوری‌های هوش مصنوعی در حال حاضر در دسترس هستند و تلاش‌های غیرممکن سابق را عملی می‌کنند. در این دوره آموزشی با ویژگی‌های Microsoft Azure AI آشنا شوید و مروری بر مفاهیم تحت پوشش در آزمون گواهینامه AI-900 داشته باشید. هوش مصنوعی، یادگیری ماشین و علم داده را کاوش کنید. Emilio Melo خدمات شناختی، تجزیه و تحلیل تصویر بینایی کامپیوتری، پردازش زبان طبیعی (NLP)، APIهای گفتار و موارد دیگر را مورد بحث قرار می دهد.

linkedin نکات تحول دیجیتال (Mitalearn-188170)

  • 1 hours 11 minutes
  • متوسط
  • Release date: 9 June 2020
  • Author: Phil Gold
درباره این دوره: 

 بیاموزید که چگونه از تلاش‌های تحول دیجیتال کسب‌وکارتان به بهترین شکل حمایت کنید. این دوره استراتژی‌ها و ایده‌های عملی را برای کمک به تمام سطوح سازمان در مواجهه با چالش تحول دیجیتال ارائه می‌کند. یاد بگیرید که چگونه از فناوری هایی مانند ابر، هوش مصنوعی، آموزش آنلاین و ابزارهای بهره وری از راه دور استفاده کنید و آنها را با موفقیت در محل کار پیاده سازی کنید. کشف کنید که چگونه می‌توانید برای رهبری خرید کنید، به سیستم‌های جدید انتقال دهید، پرسنل مناسب را در محل خود قرار دهید، و هر گونه شکاف فناوری یا مهارت را برطرف کنید. نحوه برقراری ارتباط موثر با کاربران نهایی، مدیریت و مدیران فناوری را بیابید. بعلاوه، یاد بگیرید که چگونه تحول دیجیتال خود را اندازه گیری کنید و آن را تکرار کنید تا آن را در حال تکامل نگه دارید، و مزایا و معایب ابزارهایی مانند چت در مقابل ایمیل و پیوندها را در مقابل پیوست ها مقایسه کنید.

linkedin نکات، ترفندها و تکنیک های Hadoop for Data Science (Mitalearn-115257)

  • 1 hours 12 minutes
  • متوسط
  • Release date: 28 June 2026
  • Author: Ben Sullins
درباره این دوره:

Hadoop - پلت فرم بسیار محبوب کلان داده - مجموعه گسترده ای از قابلیت ها را ارائه می دهد که برای کمک به دانشمندان داده در ارائه بینش خود طراحی شده است. در این دوره، بن سالینز با به اشتراک گذاشتن یک سری نکات و ترفندها برای انجام کارهای علم داده در این پلتفرم قدرتمند، به شما کمک می کند تا با Hadoop به سرعت عمل کنید. او با بررسی نحوه کار با داده‌های Hadoop در HDFS شروع می‌کند و سپس با استفاده از Hive - موتور Hadoop SQL - که در آن بسیاری از کارهای علم داده اتفاق می‌افتد، کاوش می‌کند. برای پایان دادن به دوره، بن تکنیک‌های اجرای پرس‌وجوهای سریع در موتور Hive را پوشش می‌دهد.

linkedin هوش مصنوعی برای مدیران پروژه (Mitalearn-156873)

  • 41 minutes
  • مبتدی
  • Release date: 25 July 2026
  • Author: Oliver Yarbrough
درباره این دوره:

هوش مصنوعی (AI) دیگر محدود به حوزه علمی تخیلی نیست. این در مسیری است که دنیای کار را به شیوه ای بسیار واقعی مختل می کند، و تغییرات عمده - از افزایش تولید تا تقاضا برای پیش بینی پذیری - منجر به پذیرش آن شده است. در این دوره آموزشی، با تأثیری که هوش مصنوعی بر مدیریت پروژه خواهد داشت، نحوه آماده شدن برای تغییرات پیش رو، و نحوه استفاده از قدرت هوش مصنوعی برای عملکرد هوشمندتر آشنا شوید. الیور یاربرو، مربی، عواملی را که در اهمیت روزافزون هوش مصنوعی نقش دارند، بررسی می‌کند. او همچنین نحوه آماده شدن برای اختلالی را که باعث ایجاد آن خواهد شد، توضیح می دهد. مهارت هایی را تقویت کنید که هوش مصنوعی نمی تواند جایگزین آنها شود. و از هوش مصنوعی برای شروع، برنامه ریزی، اجرا، نظارت و کنترل، بستن و ادغام پروژه های خود به طور موثرتری استفاده کنید.

linkedin یادگیری علم داده: با استفاده از روش شناسی چابک (Mitalearn-91576)

  • 1 hours 16 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Doug Rose
درباره این دوره:

یک تیم علم داده سوالات بزرگی می پرسد، داده ها را بررسی می کند و بینش های کلیدی را ارائه می دهد. اما در پایان روز تیم شما باید ارزش واقعی کسب و کار را اضافه کند. حتی بهترین تیم های علم داده اگر نتوانند درآمد یا هزینه های کمتری ایجاد کنند، در سازمان شما دوام زیادی نخواهند داشت. بهترین راه برای ایجاد ارزش تجاری، ارائه یک جریان ثابت از بینش های کلیدی در دو هفته دویدن کوتاه است. این دوی سرعت های کوتاه به شما بازخورد بلادرنگ می دهد تا به حفظ تیم شما در مسیر کمک کند. یک اسپرینت کوتاه همچنین به تیم شما کمک می‌کند تا بر اساس آنچه از داده‌ها می‌آموزند، سؤالات جدیدی بپرسند.

rnrn نحوه کار در چرخه حیات علم داده (DSLC) را ببینید - روشی برای دوچرخه‌سواری از طریق سؤالات، تحقیق و گزارش هر دو هفته یکبار. روش‌های کلیدی را کاوش کنید تا به تیم خود کمک کنید تا کار را به گونه‌ای که در یک دوی دو هفته‌ای مناسب باشد، تجزیه کند. یاد بگیرید که چگونه از ابزارهایی مانند تخته سوالات برای تشویق بحث و پیدا کردن سوالات ضروری استفاده کنید. و مهمتر از همه، یاد بگیرید که چگونه دانش مشترک تیم خود را افزایش دهید و از دام های رایج اجتناب کنید.

linkedin یادگیری علم داده: تیم خود را مدیریت کنید (Mitalearn-91593)

  • 1 hours 14 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Doug Rose
درباره این دوره:

شرکت های بیشتری تیم های علم داده را به سازمان خود اضافه می کنند. برای موثر بودن، درک نحوه ساخت و مدیریت این تیم ها بسیار مهم است. داگ رز، مربی و نویسنده کسب‌وکار، اسرار ایجاد تیم‌های موثر علم داده را بیان می‌کند. خواهید دید که چگونه از استعدادهای موجود استفاده کنید یا چگونه می توانید اعضای جدید تیم را استخدام کنید. همچنین خواهید دید که چگونه این تیم ها را آموزش دهید تا شیمی منحصر به فردی ایجاد کنند که همکاری بهتر و بحث های جدی تر را تقویت می کند.

nn نقش ها و مسئولیت های کلیدی، از جمله رهبر تحقیق، تحلیلگر داده و مدیر پروژه را شناسایی کنید. بیاموزید که چگونه حوزه های مسئولیت را تعریف کنید، ارتباطات موثر را تقویت کنید، و گزارش ها و تجسم های متقاعد کننده ایجاد کنید. سپس ببینید چگونه از دام های از دست دادن تمرکز و رسیدن به اجماع نادرست جلوگیری کنید. این تکنیک‌ها به شما کمک می‌کنند تیم‌های بسیار ماهری بسازید که بینش‌های عمیق‌تری نسبت به آنچه که تنها با تکیه بر دانشمندان داده می‌بینید، ایجاد می‌کنند.

coursera یادگیری ماشینی بدون نظارت (Mitalearn-270331)

  • 4 hours 52 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mark J Grover,Miguel Maldonado,Joseph Santarcangelo
درباره این دوره:

این دوره شما را با یکی از انواع اصلی یادگیری ماشینی آشنا می کند: یادگیری بدون نظارت. شما یاد خواهید گرفت که چگونه از مجموعه داده هایی که متغیر هدف یا برچسب گذاری شده ندارند، بینش پیدا کنید. چندین الگوریتم خوشه بندی و کاهش ابعاد را برای یادگیری بدون نظارت و همچنین نحوه انتخاب الگوریتمی که به بهترین وجه با داده های شما مطابقت دارد، یاد خواهید گرفت. بخش عملی این دوره بر استفاده از بهترین شیوه ها برای یادگیری بدون نظارت متمرکز است. در پایان این دوره شما باید بتوانید: انواع مشکلات مناسب برای رویکردهای یادگیری بدون نظارت را توضیح دهید نفرین ابعاد را توضیح دهید و اینکه چگونه خوشه بندی را با بسیاری از ویژگی ها دشوار می کند توصیف و استفاده از الگوریتم های متداول خوشه بندی و کاهش ابعاد در صورت لزوم، نقاط خوشه‌بندی را امتحان کنید، عملکرد مدل‌های هر خوشه را مقایسه کنید معیارهای مربوط به توصیف خوشه ها را درک کنید چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با تکنیک های یادگیری ماشینی بدون نظارت در یک محیط تجاری هستند، هدف قرار می دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی از پاکسازی داده ها، تجزیه و تحلیل داده های اکتشافی، حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.

coursera یادگیری ماشینی مقیاس پذیر روی داده های بزرگ با استفاده از اسپارک آپاچی (Mitalearn-333843)

  • 2 hours 28 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Romeo Kienzler
درباره این دوره:

این دوره شما را با مهارت‌های مقیاس‌بندی وظایف علم داده و یادگیری ماشین (ML) در مجموعه‌های کلان داده با استفاده از اسپارک آپاچی توانمند می‌سازد. بیشتر کارهای یادگیری ماشین در دنیای واقعی شامل مجموعه داده های بسیار بزرگی است که فراتر از محدودیت های CPU، حافظه و ذخیره سازی یک کامپیوتر است. Apache Spark یک چارچوب متن باز است که از محاسبات خوشه ای و ذخیره سازی توزیع شده برای پردازش مجموعه داده های بسیار بزرگ به شیوه ای کارآمد و مقرون به صرفه استفاده می کند. بنابراین دانش کاربردی کار با Apache Spark یک دارایی عالی و تمایز بالقوه برای یک مهندس یادگیری ماشین است. پس از اتمام این دوره، شما قادر خواهید بود: - درک عملی Apache Spark را به دست آورید و از آن برای حل مشکلات یادگیری ماشینی که شامل داده های کوچک و بزرگ هستند استفاده کنید. - درک نحوه نوشتن کد موازی که قادر به اجرا بر روی هزاران CPU است. - از خوشه های محاسباتی در مقیاس بزرگ برای اعمال الگوریتم های یادگیری ماشین بر روی پتابایت داده با استفاده از Apache SparkML Pipelines استفاده کنید. - حذف خطاهای خارج از حافظه ایجاد شده توسط چارچوب های یادگیری ماشین سنتی، زمانی که داده ها در حافظه اصلی رایانه جا نمی شوند. - هزاران مدل مختلف ML را به صورت موازی آزمایش کنید تا بهترین عملکرد را پیدا کنید - تکنیکی که توسط بسیاری از کاگلرهای موفق استفاده می شود. - (اختیاری) دستورات SQL را با استفاده از Apache SparkSQL و Apache Spark DataFrame API روی مجموعه داده های بسیار بزرگ اجرا کنید. برای یادگیری تکنیک های یادگیری ماشینی برای کار با Big Data که توسط شرکت هایی مانند Alibaba، Apple، Amazon، Baidu، eBay، IBM، NASA، Samsung، SAP، TripAdvisor، Yahoo!، Zalando و بسیاری دیگر با موفقیت به کار گرفته شده اند، اکنون ثبت نام کنید. توجه: در طول دوره بدون پرداخت هزینه در کلاستر Apache Spark که توسط IBM ارائه شده است، کارهای یادگیری ماشین را بصورت دستی تمرین خواهید کرد و پس از آن می توانید به استفاده از آن ادامه دهید. پیش نیازها: - برنامه نویسی پایه پایتون - یادگیری ماشین اولیه (فیلم های معرفی اختیاری در این دوره نیز ارائه شده است) - مهارت های اولیه SQL برای محتوای اختیاری دوره های زیر قبل از شرکت در این کلاس توصیه می شود (مگر اینکه قبلاً مهارت داشته باشید) https://www.coursera.org/learn/python-for-applied-data-science یا مشابه https://www.coursera.org/learn/machine-learning-with-python یا مشابه https://www.coursera.org/learn/sql-data-science برای سخنرانی های اختیاری

linkedin یادگیری مجموعه داده های عمومی (Mitalearn-185229)

  • 2 hours 1 minutes
  • مبتدی
  • Update date: 16 January 2024
  • Author: Curt Frye
درباره این دوره:

کشف کنید که چگونه می توانید منابع رایگان و عمومی داده ها را در مورد مسائل مختلف کسب و کار، آموزش و سلامت پیدا کنید و داده ها را برای تجزیه و تحلیل خود بارگیری کنید. مربی کرت فرای چندین منبع دولتی ایالات متحده را معرفی می کند - از اداره سرشماری ایالات متحده تا اداره ثبت اختراع و علائم تجاری ایالات متحده - و مجموعه داده های آژانس های بین المللی مانند بانک جهانی و سازمان ملل را بررسی می کند. به علاوه، او به موتورهای جستجوی داده، سرویس‌های وب و حتی منابع زبانی مانند Ngram Viewer برای Google Books می‌پردازد. پس از پایان دادن به این دوره، برای یافتن اطلاعات مورد نیاز برای کمک هزینه تحصیلی و تلاش های تجزیه و تحلیل داده ها، مجهزتر خواهید شد.

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