Course catalog

Course duration

Course provider

Topic

Categories

Showing 101-105 of 105 items.

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: 21 June 2026
  • 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