Course catalog

Course duration

Course provider

Topic

Categories

Showing 101-120 of 409 items.

coursera پروژه علم داده: متلب برای دنیای واقعی (Mitalearn-333605)

  • 30 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Michael Reardon,Maria Gavilan-Alfonso,Erin Byrne
درباره این دوره:

مانند بسیاری از موضوعات، تمرین در علم داده کامل می شود. در پروژه Capstone، مهارت‌های آموخته‌شده در دوره‌های علوم داده‌های عملی با تخصص MATLAB را برای کاوش، پردازش، تجزیه و تحلیل و مدل‌سازی داده‌ها به کار خواهید برد. شما مسیر خود را برای پاسخ به سوالات کلیدی با داده های ارائه شده انتخاب خواهید کرد. برای تکمیل پروژه، باید بر مهارت های تحت پوشش در سایر دوره های تخصصی تسلط داشته باشید. این پروژه توانایی شما را برای وارد کردن و کاوش داده های شما، آماده سازی داده ها برای تجزیه و تحلیل، آموزش یک مدل پیش بینی، ارزیابی و بهبود مدل شما، و ارتباط نتایج شما را آزمایش می کند.

coursera پلتفرم های MLOps: Amazon SageMaker و Azure ML (Mitalearn-336104)

  • 3 hours 39 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Noah Gift,Alfredo Deza
درباره این دوره:

در پلت‌فرم‌های MLOps (عملیات یادگیری ماشین): Amazon SageMaker و Azure ML، مهارت‌های لازم برای ساخت، آموزش و استقرار راه‌حل‌های یادگیری ماشین را در یک محیط تولید با استفاده از دو پلتفرم ابری پیشرو خواهید آموخت: خدمات وب آمازون (AWS) و Microsoft Azure. این دوره همچنین یک منبع عالی برای افرادی است که به دنبال آماده شدن برای گواهینامه های یادگیری ماشینی AWS یا Azure هستند یا به عنوان دانشمندان داده، مهندسان نرم افزار، توسعه دهندگان نرم افزار، تحلیلگران داده یا سایر نقش هایی که از یادگیری ماشینی استفاده می کنند، کار می کنند (یا به دنبال کار هستند). از طریق یک سری تمرین‌های عملی، شهودی برای الگوریتم‌های یادگیری ماشین اولیه و تجربه عملی کار با این پلت‌فرم‌های پیشرو Cloud به دست خواهید آورد. در پایان دوره، شما قادر خواهید بود راه حل های یادگیری ماشین را در یک محیط تولید با استفاده از فناوری AWS و Azure استقرار دهید. هفته 1. مهندسی داده را با فناوری AWS کاوش کنید. ما در مورد موضوعاتی مانند شروع یادگیری ماشین در AWS، ایجاد مخازن داده، و شناسایی و اجرای راه‌حل‌هایی برای جذب و تبدیل داده بحث خواهیم کرد. هفته 2. با فناوری AWS، مهارت های پایه علوم داده را به دست آورید. شما تکنیک های پاکسازی داده ها، مهندسی ویژگی ها، تجزیه و تحلیل داده ها و تجسم داده ها را برای یادگیری ماشینی خواهید آموخت. ما استفاده از راه‌حل‌های بدون سرور را که در AWS در دسترس هستند، در اولویت قرار می‌دهیم تا فرآیند کارآمدتر شود. هفته 3. مدل‌های یادگیری ماشینی را با فناوری AWS بیاموزید. ما نحوه انتخاب مدل‌های مناسب برای کار در دست، انتخاب ابرپارامترها، آموزش مدل‌ها بر روی پلت فرم و ارزیابی مدل‌ها را بررسی خواهیم کرد. هفته 4. آموزش MLOps با AWS: مرحله نهایی قرار دادن یادگیری ماشینی در تولید. ما در مورد موضوعاتی مانند عملیاتی کردن یک مدل یادگیری ماشین، تصمیم گیری بین CPU و GPU، و استقرار و حفظ مدل بحث خواهیم کرد. هفته 5. نحوه کار با داده ها و یادگیری ماشین را در دومین پلتفرم پیشرو مبتنی بر Cloud بیاموزید: Azure ML.

coursera پیاده سازی و عملیات یادگیری ماشین در AWS (Mitalearn-329695)

  • 1 hours 43 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Whizlabs Instructor
درباره این دوره:

عملیات پیاده سازی یادگیری ماشین در AWS پنجمین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. این دوره تمرکز عمده ای بر طراحی و پیاده سازی راه حل های یادگیری ماشین برای عملکرد، در دسترس بودن، مقیاس پذیری، انعطاف پذیری و تحمل خطا دارد. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره آموزشی با سخنرانی‌های ویدیویی تقریباً 1:00 تا 1:30 ساعته که هم تئوری و هم دانش عملی را ارائه می‌کند، به فراگیران کمک می‌کند. همچنین آزمون های درجه بندی شده و بدون درجه بندی به منظور سنجش توانایی فراگیران به همراه هر ماژول ارائه می شود. ماژول 1: عملیات پیاده سازی یادگیری ماشین در AWS-Part 1 ماژول 2: عملیات پیاده سازی یادگیری ماشین در AWS-Part 2 حداقل دو سال تجربه عملی در معماری، ساخت یا اجرای بارهای کاری ML/یادگیری عمیق در AWS Cloud. در پایان این دوره، فراگیران قادر خواهند بود: -طراحی راه حل های یادگیری ماشین برای عملکرد، در دسترس بودن، مقیاس پذیری، انعطاف پذیری و تحمل خطا -اجرای خدمات و ویژگی های یادگیری ماشین مناسب برای یک مشکل خاص -راه حل های یادگیری ماشین را با آزمایشگاه توسعه دهید

datacamp پیش بینی CTR با یادگیری ماشین در پایتون (Mitalearn-406246)

  • 51 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Kevin Huo
درباره این دوره:

آیا تا به حال فکر کرده اید که چگونه شرکت هایی مانند فیس بوک و گوگل می توانند تبلیغات هدفمند شگفت انگیزی را که گهگاه روی آنها کلیک می کنید به شما ارائه دهند؟ خوب، در پشت صحنه، آنها مدل‌های یادگیری ماشینی پیچیده را اجرا می‌کنند و از داده‌های غنی کاربر برای پیش‌بینی نرخ کلیک (CTR) برای هر کاربری که آن تبلیغات را می‌بیند، استفاده می‌کنند. این دوره به شما یاد می دهد که چگونه مدل های پایه را در پایتون پیاده سازی کنید تا بتوانید نحوه بهینه سازی بهتر تبلیغات با یادگیری ماشین را مشاهده کنید. با استفاده از داده‌های تبلیغات واقعی، می‌آموزید که چگونه ویژگی‌ها را مهندسی کنید، مدل‌های یادگیری ماشینی را با استفاده از آن ویژگی‌ها بسازید، و مدل‌های خود را در زمینه پیش‌بینی CTR ارزیابی کنید. در پایان این دوره، درک قوی از نحوه استفاده از یادگیری ماشینی برای موثرتر کردن تبلیغات خود خواهید داشت.

coursera پیش بینی تقاضا با استفاده از سری زمانی (Mitalearn-333928)

  • 1 hours 23 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Rajvir Dua,Neelesh Tiruviluamala
درباره این دوره:

این دوره دومین دوره تخصصی در زمینه یادگیری ماشین برای مبانی زنجیره تامین است. در این دوره، تمام جنبه های سری های زمانی، به ویژه برای پیش بینی تقاضا را بررسی می کنیم. ما با به دست آوردن جای پایی در مفاهیم اساسی پیرامون سری های زمانی، از جمله ایستایی، روند (رانش)، چرخه ای بودن، و فصلی شروع خواهیم کرد. سپس، مدتی را صرف تحلیل روش‌های همبستگی در رابطه با سری‌های زمانی (خودهمبستگی) خواهیم کرد. در نیمه دوم دوره، ما بر روی روش‌هایی برای پیش‌بینی تقاضا با استفاده از سری‌های زمانی، مانند مدل‌های خودرگرسیون تمرکز خواهیم کرد. در نهایت، با پروژه ای نتیجه گیری می کنیم که تقاضا را با استفاده از مدل های ARIMA در پایتون پیش بینی می کند.

coursera پیش بینی و کنترل با تقریب تابع (Mitalearn-330222)

  • 3 hours 48 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Martha White,Adam White
درباره این دوره:

در این دوره یاد خواهید گرفت که چگونه مسائل را با فضاهای بزرگ، با ابعاد بالا و بالقوه بی نهایت حل کنید. خواهید دید که تخمین توابع ارزش را می توان به عنوان یک مشکل یادگیری تحت نظارت --- تقریب عملکرد --- به شما امکان می دهد تا نمایندگانی را بسازید که با دقت تعادل و تبعیض را به منظور حداکثر رساندن پاداش تعادل برقرار کنید. ما این سفر را با بررسی اینکه چگونه روش‌های ارزیابی خط‌مشی یا پیش‌بینی ما مانند مونت کارلو و TD را می‌توان به تنظیمات تقریب تابع گسترش داد، آغاز خواهیم کرد. شما در مورد تکنیک های ساخت ویژگی برای RL و یادگیری نمایش از طریق شبکه های عصبی و backprop یاد خواهید گرفت. ما این دوره را با یک فرو رفتن عمیق در روش‌های گرادیان سیاست به پایان می‌رسانیم. راهی برای یادگیری مستقیم سیاست ها بدون یادگیری تابع ارزش. در این دوره شما دو وظیفه کنترل حالت پیوسته را حل می کنید و مزایای روش های گرادیان خط مشی را در یک محیط کنش پیوسته بررسی می کنید. پیش نیازها: این دوره به شدت مبتنی بر مبانی دوره های 1 و 2 است و فراگیران باید قبل از شروع این دوره این موارد را تکمیل کرده باشند. همچنین زبان آموزان باید با احتمالات و انتظارات، جبر خطی پایه، حساب دیفرانسیل و انتگرال، پایتون 3.0 (حداقل 1 سال) و پیاده سازی الگوریتم ها از کد شبه راحت باشند. در پایان این دوره، شما قادر خواهید بود: - درک نحوه استفاده از رویکردهای یادگیری نظارت شده برای تقریبی توابع ارزش درک اهداف برای پیش بینی (تخمین ارزش) تحت تقریب تابع -اجرای TD با تقریب تابع (تجمع حالت)، در محیطی با فضای حالت نامحدود (فضای حالت پیوسته) - درک رویکردهای مبتنی بر شبکه های عصبی ثابت و شبکه های عصبی برای ساخت ویژگی پیاده سازی TD با تقریب تابع شبکه عصبی در یک محیط حالت پیوسته -در هنگام حرکت به سمت تقریب تابع، مشکلات جدید در اکتشاف را درک کنید -تضاد فرمول‌های مشکل با تخفیف برای کنترل در مقابل فرمول‌بندی مشکل پاداش متوسط -پیاده سازی Sarsa و Q-Learning مورد انتظار با تقریب تابع در یک کار کنترل حالت مستمر - درک اهداف برای برآورد مستقیم خط مشی ها (اهداف شیب سیاست) - یک روش گرادیان خط مشی (به نام Actor-Critic) روی یک محیط حالت گسسته پیاده سازی کنید

datacamp پیش پردازش برای یادگیری ماشین در پایتون (Mitalearn-398902)

  • 45 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: James Chapman
درباره این دوره:

این دوره اصول اولیه نحوه و زمان انجام پیش پردازش داده ها را پوشش می دهد. این مرحله ضروری در هر پروژه یادگیری ماشینی زمانی است که داده های خود را برای مدل سازی آماده می کنید. بین وارد کردن و تمیز کردن داده‌های شما و تطبیق مدل یادگیری ماشین شما، زمانی است که پیش پردازش وارد عمل می‌شود. شما یاد خواهید گرفت که چگونه داده های خود را استاندارد کنید تا به شکل مناسبی برای مدل شما باشند، ویژگی های جدیدی ایجاد کنید تا اطلاعات موجود در مجموعه داده خود را به بهترین شکل ممکن استفاده کنید و بهترین ویژگی ها را برای بهبود تناسب مدل خود انتخاب کنید. در نهایت، با آماده‌سازی مجموعه داده‌های رویت‌های بشقاب پرنده برای مدل‌سازی، پیش‌پردازش را تمرین خواهید کرد.

datacamp تجزیه و تحلیل احساسات در R (Mitalearn-406399)

  • 43 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Ted Kwartler
درباره این دوره:

تحلیل احساسات را به جعبه ابزار متن کاوی خود اضافه کنید! تجزیه و تحلیل احساسات توسط استخراج کنندگان متن در بازاریابی، سیاست، خدمات مشتری و جاهای دیگر استفاده می شود. در این دوره شما یاد خواهید گرفت که زبان مثبت و منفی، نیت عاطفی خاص را شناسایی کنید و تجسم های قانع کننده ای ایجاد کنید. شما با مقدمه‌ای برای امتیازدهی قطبیت با استفاده از تابع احساسات qdap شروع می‌کنید و درک خود را از قانون Zipf و واژگان ذهنی در طول مسیر ایجاد خواهید کرد. احساسات، و زبان مورد استفاده برای بیان آن، پیچیده و ظریف است. این مبتنی بر زبان شناسی، جامعه شناسی و روانشناسی و همچنین فرهنگ و زبان عامیانه است. فصل دوم این دوره به شما کمک می‌کند تا با استفاده از چرخ احساسات Plutchik در این مشکلات پیمایش کنید و کار خود را با استفاده از Tidytext از Tidyverse سازماندهی کنید. تبدیل تجزیه و تحلیل احساسات خود به تجسم داده های واضح به شما کمک می کند تا روایت واضح تری ایجاد کنید و بینش خود را با بقیه کسب و کار به اشتراک بگذارید. فصل سوم این دوره به شما نشان می دهد که چگونه تحلیل احساسات خود را تجسم کنید، و شما را فراتر از ابرهای کلمات می برد تا گرافیک های ساده و تاثیرگذاری ایجاد کنید که داستان کامل داده های شما را بیان می کند. شما دوره را با آزمایش تمام دانش خود با مطالعه موردی به پایان خواهید رساند. با استفاده از نظرات Airbnb، خواهید دید که مردم واقعاً در یک اجاره خوب به دنبال چه چیزی هستند.

Related Skills

datacamp تجزیه و تحلیل احساسات در پایتون (Mitalearn-403084)

  • 1 hours 2 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Violeta Misheva
درباره این دوره:

آیا برای بیان احساس خود در مورد یک محصول یا خدمات نظری گذاشته اید؟ و آیا عادت دارید قبل از خرید محصول، نظرات آن را به صورت آنلاین بررسی کنید؟ این نوع اطلاعات نه تنها برای شما بلکه برای شرکت ها نیز ارزشمند است. در این دوره یاد خواهید گرفت که چگونه احساسات بیان شده در اسناد مختلف را درک کنید. شما از مجموعه داده‌های دنیای واقعی شامل توییت‌ها، بررسی فیلم و محصول استفاده خواهید کرد و از بسته‌های nltk و scikit-learn Python استفاده خواهید کرد. در پایان دوره، می‌توانید یک کار تجزیه و تحلیل احساسات سرتاسری را بر اساس نحوه ابراز احساسات مسافران خطوط هوایی ایالات متحده در توییتر انجام دهید.

coursera تجزیه و تحلیل پیش بینی عملی: مدل ها و روش ها [coursera] (Mitalearn-335662)

  • 4 hours 53 minutes
  • مناسب همه
  • Release date: 27 June 2026
  • Author: Bill Howe
درباره این دوره:

طراحی آزمایش آماری و تجزیه و تحلیل در قلب علم داده است. در این دوره به طراحی آزمایش های آماری و تجزیه و تحلیل نتایج با استفاده از روش های مدرن می پردازید. همچنین مشکلات رایج در تفسیر استدلال های آماری، به ویژه آنهایی که با کلان داده مرتبط هستند را بررسی خواهید کرد. در مجموع، این دوره به شما کمک می کند مجموعه ای اصلی از روش ها و مفاهیم یادگیری ماشینی کاربردی و موثر را درونی کنید و آنها را برای حل برخی از مشکلات دنیای واقعی به کار ببرید. اهداف آموزشی: پس از اتمام این دوره، شما قادر خواهید بود: 1. طراحی آزمایش های موثر و تجزیه و تحلیل نتایج 2. از روش‌های نمونه‌گیری مجدد برای ایجاد استدلال‌های آماری واضح و ضد گلوله بدون استناد به نمادهای باطنی استفاده کنید. 3. یک مجموعه اصلی از روش‌های طبقه‌بندی افزایش پیچیدگی (قوانین، درختان، جنگل‌های تصادفی)، و روش‌های بهینه‌سازی مرتبط (نزول گرادیان و انواع) را توضیح داده و اعمال کنید. 4. مجموعه ای از مفاهیم و روش های یادگیری بدون نظارت را توضیح دهید و به کار ببرید 5. اصطلاحات رایج تجزیه و تحلیل گراف در مقیاس بزرگ، از جمله پرس و جو ساختاری، پیمایش و پرس و جوهای بازگشتی، رتبه صفحه، و تشخیص جامعه را شرح دهید.

linkedin تجزیه و تحلیل پیشرفته QGIS با AI و یادگیری ماشین (Mitalearn-409612)

  • 2 hours 22 minutes
  • مناسب همه
  • Release date: 21 August 2024
  • Author: Gordon Luckett
درباره این دوره: 

 در این دوره ، Gordon Luckett-رئیس Arrow Geomatics ، Inc.-شما را از طریق ابزارهای پیشرفته تجزیه و تحلیل GIS موجود در QGIS و همچنین برخی از افزونه های پیشرفته که از AI برای مدیریت و تفسیر عکس های هوا استفاده می کنند ، راهنمایی می کند. بیاموزید که چگونه داده های بردار را تجزیه و تحلیل کنید ، داده های شطرنجی را دستکاری کنید و داده های بردار را با هوش مصنوعی دیجیتالی کنید. نحوه تولید داده های جدید را با محاسبات شطرنجی ، ساخت مدل های توپولوژی برای شبکه ها و مدیریت تبدیل های شطرنجی به بردار پیدا کنید. به علاوه ، روش های خودکار سازی فرآیندها و تحریک مدل های سه بعدی را کشف کنید.

datacamp تجزیه و تحلیل پیشگویانه متوسط ​​در پایتون (Mitalearn-406059)

  • 42 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Nele Verbiest
درباره این دوره:

ساخت مدل‌های خوب تنها در صورتی موفق می‌شود که یک جدول پایه مناسب برای شروع داشته باشید. در این دوره آموزشی یاد خواهید گرفت که چگونه یک جدول پایه خوب بسازید، متغیرها را ایجاد کنید و داده های خود را برای مدل سازی آماده کنید. ما با موضوعات پیشرفته در مورد این موضوع پایان می دهیم.

datacamp تجزیه و تحلیل خوشه ای در R (Mitalearn-404665)

  • 53 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Dmitriy Gorenshteyn
درباره این دوره:

تحلیل خوشه ای یک ابزار قدرتمند در میز کار علم داده است. برای یافتن گروه‌هایی از مشاهدات (خوشه‌ها) که ویژگی‌های مشابهی دارند استفاده می‌شود. این شباهت‌ها می‌تواند همه نوع تصمیمات تجاری را نشان دهد. به عنوان مثال، در بازاریابی، از آن برای شناسایی گروه های متمایز از مشتریان استفاده می شود که می توان برای آنها تبلیغات طراحی کرد. در این دوره آموزشی با دو روش خوشه بندی متداول - خوشه بندی سلسله مراتبی و خوشه بندی k-means آشنا خواهید شد. شما نه تنها یاد خواهید گرفت که چگونه از این روش ها استفاده کنید، بلکه یک شهود قوی برای نحوه کار آنها و نحوه تفسیر نتایج آنها ایجاد خواهید کرد. این شهود را با کاوش در سه مجموعه داده مختلف توسعه خواهید داد: موقعیت‌های بازیکن فوتبال، داده‌های هزینه‌های مشتری عمده‌فروشی، و داده‌های دستمزد شغلی طولی.

Related Skills

datacamp تجزیه و تحلیل خوشه ای در پایتون (Mitalearn-401656)

  • 54 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Shaumik Daityari
درباره این دوره:

احتمالاً با Google News مواجه شده اید که به طور خودکار مقالات خبری مشابه را در یک موضوع گروه بندی می کند. آیا تا به حال فکر کرده اید که چه فرآیندی در پس زمینه برای رسیدن به این گروه ها اجرا می شود؟ در این دوره آموزشی با یادگیری بدون نظارت از طریق خوشه بندی با استفاده از کتابخانه SciPy در پایتون آشنا می شوید. این دوره پیش پردازش داده ها و استفاده از خوشه بندی سلسله مراتبی و k-means را پوشش می دهد. از طریق این دوره، آمار بازیکنان یک بازی ویدیویی محبوب فوتبال، FIFA 18 را بررسی خواهید کرد. پس از اتمام دوره، می‌توانید به سرعت الگوریتم‌های مختلف خوشه‌بندی را روی داده‌ها اعمال کنید، خوشه‌های تشکیل‌شده را تجسم کنید و نتایج را تجزیه و تحلیل کنید.

coursera تجزیه و تحلیل داده ها با پروژه پایتون (Mitalearn-332024)

  • متوسط
  • Release date: 27 June 2026
  • Author: Di Wu
درباره این دوره:

دوره "پروژه تجزیه و تحلیل داده ها" دانش آموزان را قادر می سازد تا دانش و مهارت های خود را که در این تخصص به دست آورده اند برای انجام پروژه تجزیه و تحلیل داده های واقعی مورد علاقه خود به کار گیرند. شرکت‌کنندگان جهات مختلفی را در تجزیه و تحلیل داده‌ها، از جمله یادگیری تحت نظارت و بدون نظارت، رگرسیون، خوشه‌بندی، کاهش ابعاد، قوانین تداعی، و تشخیص موارد دور از دسترس را بررسی خواهند کرد. در سراسر ماژول ها، دانش آموزان تکنیک ها و روش های تجزیه و تحلیل داده های ضروری را یاد می گیرند و سفری از داده های خام به دانش و هوش را آغاز می کنند. با تکمیل دوره، دانش آموزان در تجزیه و تحلیل داده ها مهارت خواهند داشت، می توانند تخصص خود را در پروژه های مختلف به کار گیرند و تصمیمات مبتنی بر داده را بگیرند. در پایان این دوره، دانشجویان قادر خواهند بود: 1. درک مفاهیم اساسی و روش شناسی تجزیه و تحلیل داده ها در جهات مختلف، از جمله یادگیری تحت نظارت و بدون نظارت، رگرسیون، خوشه بندی، کاهش ابعاد، قوانین تداعی، و تشخیص موارد دور از دسترس. 2. محدوده و جهت پروژه تجزیه و تحلیل داده ها را مشخص کنید، تکنیک ها و روش های مناسب برای دستیابی به اهداف پروژه را شناسایی کنید. 3. از الگوریتم‌های طبقه‌بندی مختلف، مانند Nearest Neighbors، Decision Trees، SVM، Naive Bayes و Logistic Regression برای کارهای مدل‌سازی پیش‌بینی‌کننده استفاده کنید. 4. روش های اعتبارسنجی متقابل و مجموعه را برای افزایش عملکرد و قابلیت تعمیم مدل های طبقه بندی اجرا کنید. 5. از الگوریتم های رگرسیون، از جمله Simple Linear، Polynomial Linear و Linear با منظم سازی، برای مدل سازی و پیش بینی نتایج عددی استفاده کنید. 6. انجام رگرسیون چند متغیره و استفاده از روش های اعتبارسنجی متقابل و مجموعه در تحلیل رگرسیون. 7. تکنیک های خوشه بندی، از جمله روش های پارتیشن بندی، سلسله مراتبی، مبتنی بر چگالی و مبتنی بر شبکه را برای کشف الگوها و ساختارهای اساسی در داده ها کاوش کنید. 8. از تجزیه و تحلیل اجزای اصلی (PCA) برای کاهش ابعاد استفاده کنید تا داده های با ابعاد بالا را ساده کنید و به تجسم داده ها کمک کنید. 9. از الگوریتم‌های Apriori و FPGrowth برای استخراج قوانین مرتبط و کشف ارتباط آیتم‌های جالب در داده‌های تراکنشی استفاده کنید. 10. برای شناسایی نقاط داده های غیرعادی و نقاط پرت متنی، از روش های تشخیص پرت، از جمله Zscore، IQR، OneClassSVM، Isolation Forest، DBSCAN و LOF استفاده کنید. در طول دوره، دانش‌آموزان به طور فعال در آموزش‌ها، تمرین‌های عملی و مطالعه موردی پروژه تجزیه و تحلیل داده‌ها شرکت می‌کنند و تجربه عملی در تکنیک‌های مختلف تجزیه و تحلیل داده‌ها به دست می‌آورند. با دستیابی به اهداف یادگیری، شرکت کنندگان به خوبی مجهز خواهند شد تا در پروژه های تجزیه و تحلیل داده ها برتری پیدا کنند و در سناریوهای دنیای واقعی تصمیمات مبتنی بر داده اتخاذ کنند.

coursera تجزیه و تحلیل داده های اکتشافی برای یادگیری ماشینی (Mitalearn-270280)

  • 4 hours 52 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Joseph Santarcangelo,Svitlana (Lana) Kramar
درباره این دوره:

این اولین دوره در گواهینامه حرفه ای یادگیری ماشین آی بی ام شما را با یادگیری ماشین و محتوای گواهینامه حرفه ای آشنا می کند. در این دوره به اهمیت داده های خوب و با کیفیت پی خواهید برد. شما تکنیک های متداول برای بازیابی داده های خود، پاکسازی آن ها، اعمال مهندسی ویژگی ها و آماده سازی آن ها برای تجزیه و تحلیل اولیه و آزمایش فرضیه را خواهید آموخت. در پایان این دوره شما باید بتوانید: بازیابی داده ها از چندین منبع داده: SQL، پایگاه داده NoSQL، API ها، Cloud  توصیف و استفاده از تکنیک های رایج انتخاب ویژگی و مهندسی ویژگی ویژگی های دسته بندی و ترتیبی و همچنین مقادیر از دست رفته را کنترل کنید از تکنیک های مختلفی برای تشخیص و مقابله با موارد پرت استفاده کنید توضیح دهید که چرا مقیاس بندی ویژگی مهم است و از انواع تکنیک های مقیاس بندی استفاده کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با یادگیری ماشین و هوش مصنوعی 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 حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.

datacamp تجزیه و تحلیل سبد بازار در پایتون (Mitalearn-404750)

  • 55 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Isaiah Hull
درباره این دوره:

توصیه های محصول آمازون و پیشنهادات فیلم نتفلیکس چه وجه مشترکی دارند؟ هر دوی آنها بر تحلیل سبد بازار تکیه می‌کنند، که ابزاری قدرتمند برای تبدیل حجم وسیعی از معاملات مشتری و مشاهده داده‌ها به قوانین ساده برای تبلیغ و توصیه محصول است. در این دوره آموزشی، نحوه انجام تجزیه و تحلیل سبد بازار را با استفاده از الگوریتم Apriori، معیارهای استاندارد و سفارشی، قوانین تداعی، تجمیع و هرس و تجسم می آموزید. سپس مهارت‌های جدید خود را از طریق تمرین‌های تعاملی، توصیه‌های ساختمانی برای یک فروشگاه مواد غذایی کوچک، یک کتابخانه، یک فروشنده کتاب الکترونیکی، یک خرده‌فروش هدیه جدید و یک سرویس پخش فیلم تقویت خواهید کرد. در این فرآیند، اطلاعات آماری پنهان را برای بهبود توصیه‌ها برای مشتریان کشف خواهید کرد.

linkedin تجزیه و تحلیل متن و پیش بینی با آموزش ضروری پایتون (Mitalearn-159355)

  • 35 minutes
  • متوسط
  • Release date: 20 June 2026
  • Author: Kumaran Ponnambalam
درباره این دوره:

متن یک منبع غنی از بینش برای مشاغل است. وب‌سایت‌ها، رسانه‌های اجتماعی، ایمیل‌ها و چت‌ها همگی حاوی داده‌های ارزشمند مشتری هستند. اما برای به دست آوردن پاداش، باید بتوانید حجم زیادی از متن بدون ساختار را تجزیه و تحلیل کنید. متن کاوی یک مهارت ضروری برای هر کسی است که در کلان داده و علم داده کار می کند. این دوره تکنیک های متن کاوی برای استخراج، پاکسازی و پردازش متن با استفاده از Python و کتابخانه های scikit-learn و nltk را آموزش می دهد. Kumaran Ponnambalam نحوه انجام تجزیه و تحلیل متن را با استفاده از تکنیک های رایج مانند ابر کلمه و تجزیه و تحلیل احساسات توضیح می دهد. سپس نشان می‌دهد که چگونه می‌توان با استفاده از خوشه‌بندی، طبقه‌بندی و توصیه‌ها با داده‌های متنی پیش‌بینی کرد – که در غیر این صورت به عنوان متن پیش‌بینی شناخته می‌شود. در طول مسیر، او مفاهیم مهم تجزیه و تحلیل متن مانند واژه سازی و n-gram را معرفی می کند.

linkedin تجزیه و تحلیل متن و پیش بینی ها با آموزش R Essential (Mitalearn-159372)

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

رسانه‌های اجتماعی، ایمیل‌ها، وبلاگ‌ها و پیام‌های متنی به کسب‌وکارها بینش‌های ارزشمندی درباره نحوه فکر و خواسته‌های مشتریانشان ارائه می‌دهند. اما استخراج این داده های متنی فرآیند ساده ای نیست. بلکه نیازمند مجموعه ای از ابزارها و تکنیک های خاص است. در این دوره، Kumaran Ponnambalam این ابزارها و تکنیک ها را بررسی می کند و نحوه استفاده از آنها را برای تجزیه و تحلیل داده های متنی در R و انجام یادگیری ماشینی و پیش بینی ها نشان می دهد. کوماران نشان می دهد که چگونه می توان تجزیه و تحلیل متن را با استفاده از روش های رایج مانند ابر کلمه و تجزیه و تحلیل احساسات انجام داد. سپس نشان می‌دهد که چگونه می‌توان با استفاده از خوشه‌بندی، طبقه‌بندی و توصیه‌ها با داده‌های متنی پیش‌بینی کرد – که در غیر این صورت به عنوان متن پیش‌بینی شناخته می‌شود.

coursera تجزیه و تحلیل مجموعه داده ها و آموزش مدل های ML با استفاده از AutoML (Mitalearn-336512)

  • 2 hours 51 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Antje Barth
درباره این دوره:

در اولین دوره تخصصی تخصصی علم داده های عملی، مفاهیم اساسی برای تجزیه و تحلیل داده های اکتشافی (EDA)، یادگیری ماشین خودکار (AutoML) و الگوریتم های طبقه بندی متن را خواهید آموخت. با Amazon SageMaker Clarify و Amazon SageMaker Data Wrangler، یک مجموعه داده را برای سوگیری آماری تجزیه و تحلیل می‌کنید، مجموعه داده را به ویژگی‌های قابل خواندن ماشین تبدیل می‌کنید و مهم‌ترین ویژگی‌ها را برای آموزش یک طبقه‌بندی متن چند کلاسه انتخاب می‌کنید. سپس یادگیری ماشین خودکار (AutoML) را برای آموزش خودکار، تنظیم و استقرار بهترین الگوریتم طبقه بندی متن برای مجموعه داده داده شده با استفاده از Amazon SageMaker Autopilot انجام خواهید داد. در مرحله بعد، شما با Amazon SageMaker BlazingText، یک پیاده سازی بسیار بهینه و مقیاس پذیر از الگوریتم محبوب FastText، برای آموزش یک طبقه بندی متن با کد بسیار کمی کار خواهید کرد. علم داده های عملی برای مدیریت مجموعه داده های عظیمی طراحی شده است که در سخت افزار محلی شما مناسب نیستند و می توانند از منابع متعدد نشات گرفته باشند. یکی از بزرگترین مزایای توسعه و اجرای پروژه‌های علم داده در فضای ابری، چابکی و انعطاف‌پذیری است که ابر برای افزایش و کاهش با حداقل هزینه ارائه می‌دهد. تخصص عملی علم داده به شما کمک می کند تا مهارت های عملی را برای به کارگیری مؤثر پروژه های علم داده خود و غلبه بر چالش ها در هر مرحله از گردش کار ML با استفاده از Amazon SageMaker توسعه دهید. این تخصص برای توسعه دهندگان، دانشمندان و تحلیلگران متمرکز بر داده طراحی شده است که با زبان های برنامه نویسی Python و SQL آشنا هستند و می خواهند یاد بگیرند که چگونه خطوط لوله ML مقیاس پذیر و سرتاسر مقیاس پذیر را بیاموزند - هم خودکار و هم انسانی. -the-loop - در ابر AWS.

Suggestions