Course catalog

Course duration

Course provider

Topic

Categories

Showing 13,441-13,460 of 16,546 items.

coursera مدل سازی پیش بینی و تبدیل عمل بالینی (Mitalearn-343958)

  • 1 hours 59 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laura K. Wiley, PhD
درباره این دوره:

این دوره به شما اصول تبدیل عمل بالینی را با استفاده از مدل های پیش بینی می آموزد. این دوره به بررسی چالش‌ها و روش‌های خاص اجرای بالینی می‌پردازد، که دانشمندان داده‌های بالینی باید هنگام توسعه مدل‌های پیش‌بینی خود از آن‌ها آگاه باشند.

coursera مدل سازی پیش بینی و یادگیری ماشین با متلب (Mitalearn-333554)

  • 3 hours 15 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Michael Reardon,Maria Gavilan-Alfonso,Erin Byrne
درباره این دوره:

در این دوره، شما بر مهارت های آموخته شده در تجزیه و تحلیل داده های اکتشافی با متلب و پردازش داده ها و مهندسی ویژگی با متلب برای افزایش توانایی خود در استفاده از قدرت متلب برای تجزیه و تحلیل داده های مرتبط با کاری که انجام می دهید، خواهید آموخت. این مهارت ها برای کسانی که دانش حوزه و مقداری در معرض ابزارهای محاسباتی هستند، اما هیچ پیشینه برنامه نویسی ندارند، ارزشمند است. برای موفقیت در این دوره باید پیشینه ای در زمینه آمار پایه (هیستوگرام، میانگین، انحراف معیار، برازش منحنی، درونیابی) داشته باشید و دروس 1 تا 2 این تخصص را گذرانده باشید. در پایان این دوره، شما از متلب برای شناسایی بهترین مدل یادگیری ماشینی برای به دست آوردن پاسخ از داده های خود استفاده خواهید کرد. شما داده‌های خود را آماده می‌کنید، یک مدل پیش‌بینی را آموزش می‌دهید، مدل خود را ارزیابی و بهبود می‌بخشید و می‌دانید که چگونه می‌توانید از مدل‌های خود بیشترین بهره را ببرید.

coursera مدل سازی پیش بینی، برازش مدل، و تحلیل رگرسیون (Mitalearn-333724)

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

به مدل سازی پیش بینی، برازش مدل و تحلیل رگرسیون خوش آمدید. در این دوره، رویکردهای مختلف در مدل‌سازی پیش‌بینی‌کننده را بررسی می‌کنیم و در مورد اینکه چگونه یک مدل می‌تواند تحت نظارت یا بدون نظارت باشد، بحث خواهیم کرد. ما بررسی خواهیم کرد که چگونه یک مدل را می توان برازش داد، آموزش داد و امتیاز داد تا در داده های تاریخی و آینده در تلاش برای رسیدگی به اهداف تجاری اعمال شود. در نهایت، این دوره شامل یک فعالیت عملی برای توسعه یک مدل رگرسیون خطی است.

datacamp مدل سازی تصویر با Keras (Mitalearn-402098)

  • 57 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Ariel Rokem
درباره این دوره:

مدل‌سازی تصویر اغلب به روش‌های یادگیری عمیق نیاز دارد که از داده‌ها برای آموزش الگوریتم‌های شبکه عصبی برای وظایف مختلف یادگیری ماشین استفاده می‌کنند. شبکه‌های عصبی کانولوشنال (CNN) شبکه‌های عصبی قدرتمندی هستند که از آنها برای طبقه‌بندی انواع مختلف اشیا برای تجزیه و تحلیل تصاویر استفاده می‌کنید. این دوره چهار ساعته به شما یاد می دهد که چگونه با استفاده از Keras CNN بسازید، آموزش دهید و ارزیابی کنید.

linkedin مدل سازی تهدید: افشای اطلاعات در عمق (Mitalearn-201685)

  • 29 minutes
  • متوسط
  • Update date: 21 June 2026
  • Author: Adam Shostack
درباره این دوره:

STRIDE یک چارچوب مدل‌سازی تهدید محبوب است که به متخصصان امنیتی و توسعه‌دهندگان نرم‌افزار کمک می‌کند تا به طور استراتژیک در مورد ریسک فکر کنند. این دوره به I in STRIDE می پردازد که مخفف افشای اطلاعات است. می‌توانید نحوه حفظ محرمانه بودن داده‌ها، اسرار و سایر اطلاعاتی که ذخیره می‌کنید، و سیاست‌هایی را که باید برای اشتراک‌گذاری ایمن آن اطلاعات اعمال کنید، یاد بگیرید. موضوعات شامل مدل‌های کلاسیک مانند داده‌ها در حالت استراحت و داده‌های در حال حرکت و همچنین افشای اطلاعات در فرآیندها و افشای اطلاعات در فناوری‌های خاصی مانند ابر، اینترنت اشیا و موبایل، و هوش مصنوعی و یادگیری ماشینی است. متخصص آدام شوستاک همچنین عوارض جانبی محاسبات، اثرات فیزیکی CPUها و دفاعی را که می توانید در سازمان خود برای مدیریت ابرداده ها، اسرار و سایر اطلاعات حساس اعمال کنید، بررسی می کند.

linkedin مدل سازی تهدید: انکار خدمات و گسترش اختیار (Mitalearn-445737)

  • 48 minutes
  • مناسب همه
  • Update date: 4 September 2024
  • Author: Adam Shostack
درباره این دوره: 

 در این قسمت از سری مدلسازی تهدید آدام شوستاک که چارچوب مدل‌سازی تهدید STRIDE را پوشش می‌دهد، آدام به بخش‌های D و E چارچوب می‌پردازد: محرومیت از خدمات و ارتقای امتیاز. برای هر دو تهدید، آدام عمیقاً به دو سؤال اصلی می پردازد: "چه چیزی ممکن است اشتباه شود؟" و "ما قرار است در مورد آن چه کار کنیم؟" او اهداف بسیاری از حملات انکار سرویس مانند ذخیره سازی، حافظه، پهنای باند CPU و بودجه را شرح می دهد. آدام توضیح می دهد که چگونه elevation of-privilege اساساً در هر کد در حال اجرا وجود دارد. سپس روش‌های ساختاریافته را برای اطمینان از اینکه سیستم‌های شما در برابر انواع مختلف حملات DoS و حملات افزایش امتیاز مقاوم هستند، بررسی می‌کند. این حملات بر تمامی انواع سیستم‌ها تأثیر می‌گذارد و داشتن درک درستی از نحوه کار و نحوه مبارزه با آنها بخش‌های اساسی یک رویکرد جامع به امنیت سایبری است.

linkedin مدل سازی تهدید: انکار در عمق (Mitalearn-174111)

  • 25 minutes
  • متوسط
  • Update date: 21 June 2026
  • Author: Adam Shostack
درباره این دوره:

انکار - مرحله سوم در چارچوب مدل‌سازی تهدید STRIDE - شامل پذیرش یا انکار مسئولیت است. در مورد سرقت هویت، زمانی که قربانیان دخالت در اتهاماتی را که توسط مجرم مطرح می شود انکار می کنند، انکار به میان می آید. این تهدیدها بر انواع سیستم‌ها تأثیر می‌گذارند و متخصصان امنیتی و توسعه‌دهندگان باید بدانند که چگونه کار می‌کنند و چگونه می‌توانند اطمینان حاصل کنند که سیستم‌هایشان دفاع‌هایی را ارائه می‌کنند که دقیقاً مسئولیت را نشان می‌دهد. آدام شوستاک در این قسمت از مجموعه مدل سازی تهدید خود، به بررسی موضوع انکار می پردازد. با استفاده از مثال‌های عملی، آدام موضوعات کلاهبرداری، سرقت هویت، حملات به لاگ‌ها و انکار را در فناوری‌های خاصی مانند بلاک چین و ابر پوشش می‌دهد.

linkedin مدل سازی تهدید: جعل در عمق (Mitalearn-156193)

  • 56 minutes
  • متوسط
  • Update date: 21 June 2026
  • Author: Adam Shostack
درباره این دوره:

مدل‌سازی تهدید چارچوبی برای تفکر در مورد آنچه اشتباه است. متخصصان امنیت و توسعه دهندگان نرم افزار باید مدل تهدید را در اوایل حرفه خود یاد بگیرند، زیرا هر سیستمی را که می سازند و دفاع می کنند شکل می دهد. جعل کردن، وانمود کردن به کسی یا چیزی که نیستید، یکی از تهدیدهای کلیدی برای سیستم ها است. این دوره به شما بسیاری از روش‌های جعل، از جمله جعل افراد، ماشین‌ها، سیستم‌های فایل و فرآیندها را به شما آموزش می‌دهد. همانطور که مربی آدام شوستاک توضیح می دهد، جعل مستلزم عوامل بسیاری است: آنچه می دانید، کی هستید، کجا هستید، چه کسی را می شناسید، و موارد دیگر. جعل افراد و جعل نقش ها، جعل فرآیندها یا فضاهای فایل در یک سیستم، و جعل هویت ماشین، IP، نام و TLS وجود دارد. یادگیری نحوه و مکان این حملات به شما کمک می کند تا در حرفه خود پیشرفت کنید و محصولات و خدمات ایمن تر ارائه دهید.

linkedin مدل سازی تهدید: دستکاری در عمق (Mitalearn-205816)

  • 33 minutes
  • متوسط
  • Update date: 21 June 2026
  • Author: Adam Shostack
درباره این دوره:

مدل‌سازی تهدید به متخصصان امنیتی و توسعه‌دهندگان نرم‌افزار اجازه می‌دهد تا به طور فعالانه به موارد اجتناب‌ناپذیر - هکرها در تلاش برای به خطر انداختن یک سیستم - در اوایل چرخه عمر پروژه رسیدگی کنند. در این دوره، آدام شوستاک دستکاری، مرحله دوم در چارچوب مدل‌سازی تهدید STRIDE را پوشش می‌دهد. دستکاری می تواند یکپارچگی انواع سیستم ها و ابزارها، از دیباگرها تا ذخیره سازی Iocal را به خطر بیندازد. در طول این دوره، آدام نحوه عملکرد تهدیدهای دستکاری مختلف و همچنین آنچه می توانید در مورد آنها انجام دهید را توضیح می دهد. بیاموزید که چگونه مهاجمان می توانند کتابخانه ها، دستگاه های اینترنت اشیا، سرویس های ابری و موارد دیگر را دستکاری کنند.

linkedin مدل سازی داده BI BI با DAX (2022) (Mitalearn-431916)

  • 1 hours 22 minutes
  • مناسب همه
  • Update date: 14 March 2022
  • Author: Gini von Courter
درباره این دوره: 

 دسک تاپ Power BI ایجاد مدل های اصلی داده را آسان می کند. اما اگر نیاز به گزارش در طول دوره زمانی دارید-به عنوان مثال ، رشد سالانه را تجسم کنید یا فروش یا سایر داده ها را به صورت ماه یا چهارم مقایسه کنید-شما به بیان داده ها نیاز دارید (DAX). DAX زبانی است که می توانید برای ایجاد فرمول برای Power BI که مدل داده شما را گسترش می دهد ، استفاده کنید. در این دوره ، جینی فون کورتر ملزومات کار با DAX را پوشش می دهد و بهترین شیوه ها را برای طراحی مدل داده و بهینه سازی در طول مسیر به اشتراک می گذارد. بیاموزید که چگونه با توابع DAX کل کار کنید ، ستون های محاسبه شده را اضافه کنید ، اقدامات ایجاد کنید و با عملکردهای منطقی و فیلتر DAX کار کنید.

Related Skills

datacamp مدل سازی داده ها در Power BI (Mitalearn-400177)

  • 34 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Sara Billen,Maarten Van den Broeck
درباره این دوره:

مدل سازی مناسب داده ها اساس تجزیه و تحلیل داده ها و ایجاد گزارش ها در Power BI است. این دوره به شما امکان می دهد جعبه ابزاری از تکنیک های پاکسازی، شکل دهی و بارگذاری داده ها را کشف کنید که می توانید آنها را روی داده های خود اعمال کنید. شما با نحوه انتخاب بین Power Query و Power BI آشنا خواهید شد و با رفتن به طرحواره های ستاره و دانه های برف پایه های مدل سازی داده ها را کشف خواهید کرد. همه این موارد را در مجموعه داده‌های دنیای واقعی صادر شده توسط اداره سرشماری ایالات متحده اعمال خواهید کرد.

coursera مدل سازی داده ها در Tidyverse (Mitalearn-334897)

  • مناسب همه
  • Release date: 27 June 2026
  • Author: Carrie Wright, PhD,Shannon Ellis, PhD,Stephanie Hicks, PhD
درباره این دوره:

ایجاد بینش در مورد سازمان، کسب و کار یا پروژه تحقیقاتی شما به مدل سازی و تجزیه و تحلیل موثر داده هایی که جمع آوری می کنید بستگی دارد. ساخت مدل‌های مؤثر مستلزم درک انواع مختلف سؤالاتی است که می‌توانید بپرسید و چگونه آن سؤالات را با داده‌های خود ترسیم کنید. برای شناسایی الگوهای جالب در داده‌ها و شناسایی روابط پنهان می‌توان رویکردهای مدل‌سازی مختلفی را انتخاب کرد. این دوره شامل انواع سوالاتی است که می توانید از داده ها بپرسید و روش های مدل سازی مختلفی که می توانید اعمال کنید. موضوعات تحت پوشش عبارتند از تست فرضیه، رگرسیون خطی، مدل سازی غیرخطی و یادگیری ماشین. با این مجموعه ابزارهایی که در اختیار دارید و همچنین تکنیک های آموخته شده در دوره های دیگر در این تخصص، می توانید اکتشافات کلیدی از داده های خود برای بهبود تصمیم گیری در سراسر سازمان خود داشته باشید. در این تخصص ما آشنایی با زبان برنامه نویسی R را فرض می کنیم. اگر هنوز با R آشنا نیستید، پیشنهاد می کنیم ابتدا برنامه نویسی R را قبل از بازگشت برای تکمیل این دوره کامل کنید.

linkedin مدل سازی داده های Power BI با DAX (Mitalearn-186232)

  • 1 hours 22 minutes
  • متوسط
  • Update date: 21 June 2026
  • Author: Gini von Courter
درباره این دوره:

Power BI Desktop ایجاد مدل های داده پایه را آسان می کند. اما اگر نیاز به گزارش در دوره‌های زمانی دارید - برای مثال، رشد سال به سال را تجسم کنید یا فروش یا سایر داده‌ها را بر اساس ماه یا سه ماهه مقایسه کنید - به عبارات تحلیل داده (DAX) نیاز دارید. DAX زبانی است که می توانید از آن برای ایجاد فرمول هایی برای Power BI استفاده کنید که مدل داده شما را گسترش می دهد. در این دوره، Gini von Courter اصول کار با DAX، به اشتراک گذاری بهترین روش ها برای طراحی مدل داده و بهینه سازی در طول مسیر را پوشش می دهد. نحوه کار با توابع جمع DAX، اضافه کردن ستون های محاسبه شده، ایجاد اندازه گیری و کار با توابع منطقی و فیلتر DAX را بیاموزید.

datacamp مدل سازی داده های متوسط ​​در Power BI (Mitalearn-400398)

  • 34 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Sara Billen,Maarten Van den Broeck
درباره این دوره:

در این دوره، دانش خود را در مورد حقایق، ابعاد و روابط آنها گسترش خواهید داد. شما در مورد اصلی بودن روابط و نحوه استفاده از فیلتر متقابل دو جهته در مدل خود یاد می گیرید. همچنین استفاده از اندازه‌گیری‌ها و سلسله‌مراتب‌های سریع را بررسی کرده و DAX را برای سفارشی‌سازی کامل مدل داده‌های خود بنویسید. در نهایت، با بهترین شیوه های گزارش دهی Power BI برای بهبود عملکرد گزارش های خود آشنا می شوید.

coursera مدل سازی در AWS (Mitalearn-329712)

  • 1 hours 45 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Whizlabs Instructor
درباره این دوره:

مدل سازی در AWS سومین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. تمرکز اصلی این دوره آموزش مدل های یادگیری ماشین با تجزیه و تحلیل مفاهیم مدل سازی در AWS است. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره با سخنرانی‌های ویدئویی تقریباً 1:30 ساعت تا 2:00 ساعت که دانش تئوری و دستی را ارائه می‌کند، زبان‌آموزان را تسهیل 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: مدل سازی و آموزش مدل های یادگیری ماشین در AWS ماژول 2: مدل های یادگیری ماشین: ارزیابی عملکرد و تنظیم در پایان این دوره، فراگیران قادر خواهند بود: 1. تجزیه و تحلیل مفاهیم مدل سازی و آموزش مدل های یادگیری ماشین 2. عملکرد مدل های یادگیری ماشین را بررسی کنید 3. با آموزش یک مدل، تنظیم خودکار مدل را پیاده سازی کنید

coursera مدل سازی رگرسیون در عمل (Mitalearn-335713)

  • 3 hours 4 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jen Rose,Lisa Dierker
درباره این دوره:

این دوره بر یکی از مهمترین ابزارها در زرادخانه تجزیه و تحلیل داده شما تمرکز دارد: تجزیه و تحلیل رگرسیون. با استفاده از SAS یا Python، با رگرسیون خطی شروع می‌کنید و سپس یاد می‌گیرید که چگونه وقتی دو متغیر رابطه خطی واضحی ندارند، سازگار شوید. شما چندین پیش بینی کننده نتیجه خود را بررسی خواهید کرد و قادر خواهید بود متغیرهای گیج کننده را شناسایی کنید، که می تواند داستان قانع کننده تری در مورد نتایج شما بیان کند. شما با مفروضات زیربنایی تحلیل رگرسیون، نحوه تفسیر ضرایب رگرسیون، و نحوه استفاده از نمودارهای تشخیصی رگرسیون و سایر ابزارها برای ارزیابی کیفیت مدل رگرسیون خود آشنا خواهید شد. در طول دوره، مدل‌های رگرسیونی را که ایجاد کرده‌اید و داستان‌هایی که به شما می‌گویند را با دیگران به اشتراک می‌گذارید.

datacamp مدل سازی ریسک اعتباری در R (Mitalearn-405260)

  • 48 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Lore Dirick
درباره این دوره:

این دوره آموزشی عملی با داده‌های اعتبار واقعی به شما می‌آموزد که چگونه ریسک اعتباری را با استفاده از رگرسیون لجستیک و درخت‌های تصمیم در R مدل‌سازی کنید. مدل‌سازی ریسک اعتباری برای وام‌های شخصی و شرکتی برای بانک‌ها اهمیت زیادی دارد. احتمال اینکه بدهکار نکول کند، یک جزء کلیدی در دستیابی به معیاری برای ریسک اعتباری است. در حالی که مدل‌های دیگری نیز در این دوره معرفی می‌شوند، با دو نوع مدل که اغلب در زمینه امتیازدهی اعتبار استفاده می‌شوند، آشنا می‌شوید. رگرسیون لجستیک و درختان تصمیم شما یاد خواهید گرفت که چگونه از آنها در این زمینه خاص استفاده کنید، و چگونه این مدل ها توسط بانک ها ارزیابی می شوند.

Related Skills

coursera مدل سازی سری های زمانی و داده های متوالی (Mitalearn-331939)

  • 5 hours 7 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Chip Wells,Ari Zitin,Danny Modlin
درباره این دوره:

در این دوره شما یاد می گیرید که مدل هایی را بسازید، اصلاح کنید، برون یابی کنید، و در برخی موارد، مدل هایی را که برای یک سری متوالی طراحی شده اند، تفسیر کنید. سه رویکرد مدلسازی ارائه شده است. رویکرد سنتی، باکس جنکینز برای مدل‌سازی سری‌های زمانی در بخش اول دوره پوشش داده شده است. این ارائه دانش‌آموزان را از مدل‌های داده‌های ثابت یا ARMA به مدل‌های روند و فصلی، ARIMA منتقل می‌کند و با اطلاعاتی در مورد مشخص کردن اجزای تابع انتقال در یک مدل ARIMAX یا رگرسیون سری زمانی به پایان می‌رسد. رویکرد بیزی برای مدل‌سازی سری‌های زمانی بعدی در نظر گرفته می‌شود. چارچوب بیزی پایه برای تطبیق تغییرات خودرگرسیون در داده ها و همچنین اثرات متغیر ورودی پویا گسترش یافته است. الگوریتم های یادگیری ماشین برای سری های زمانی رویکرد سوم است. تقویت گرادیان و الگوریتم های شبکه عصبی مکرر به ویژه برای تطبیق روابط غیرخطی در داده ها مناسب هستند. مثال هایی برای ایجاد شهود در استفاده موثر از این الگوریتم ها ارائه شده است. این دوره با در نظر گرفتن اینکه چگونه می توان با ترکیب نقاط قوت رویکردهای مختلف، دقت پیش بینی را بهبود بخشید، به پایان می رسد. درس آخر شامل نمایش هایی در مورد ایجاد پیش بینی های مدل ترکیبی (یا مجموعه ای) و ترکیبی است. این دوره برای تحلیلگرانی که علاقه مند به تقویت مهارت های یادگیری ماشینی خود با ابزارهای تجزیه و تحلیل مناسب برای سنجش، اصلاح، مدل سازی، پیش بینی و مدیریت داده هایی هستند که متشکل از متغیرهایی هستند که در طول زمان جمع آوری می شوند، مناسب است. در این دوره از ابزارهای نرم افزاری مختلف استفاده می شود. آشنایی با Base SAS، SAS/ETS، SAS/STAT و SAS Visual Forecasting و همچنین ابزارهای منبع باز برای پردازش و مدل‌سازی متوالی داده‌ها مفید است اما لازم نیست. درس‌های تحلیل بیزی و مدل‌های یادگیری ماشین، دانش قبلی از این موضوعات را فرض می‌کنند. یکی از راه‌هایی که دانش‌آموزان می‌توانند این پیش‌زمینه را کسب کنند، تکمیل این دوره‌های آموزشی SAS است: تحلیل‌های بیزی با استفاده از SAS و یادگیری ماشین با استفاده از SAS Viya.

linkedin مدل سازی شخصیت ها در سینما 4 بعدی (Mitalearn-38485)

  • 3 hours 43 minutes
  • متوسط
  • Release date: 28 June 2026
  • Author: Christopher Broeska
درباره این دوره:

بیاموزید که چگونه کاراکترهای سه بعدی واقع گرایانه را با مجموعه ابزار مدل سازی قدرتمند و انعطاف پذیر در CINEMA 4D مدل کنید. Chris Broeska به شما نشان می دهد که چگونه از یک الگوی اصلی جلو و کناری استفاده کنید و با NURBs Lofts و Sweeps شکل های اساسی ایجاد کنید. سپس وصله ها را به چند ضلعی تبدیل می کنید و آنها را به هم می چسبانید تا یک مش پایه ایجاد کنید. فصل آخر به شما نشان می‌دهد که چگونه می‌توانید کاراکتر را با تنظیم UV برای مدل و هد تکمیل کنید، و هم چند ضلعی‌ها و هم UV‌ها را آینه کنید تا طرف‌های دیگر شخصیت خود را ایجاد کنید.

datacamp مدل سازی غیرخطی با مدل های افزایشی تعمیم یافته (GAM) در R (Mitalearn-406110)

  • 1 hours
  • مناسب همه
  • Release date: 28 June 2026
  • Author: DataCamp Content Creator
درباره این دوره:

مدل های افزودنی تعمیم یافته ابزار قدرتمندی برای پیش بینی و استنتاج هستند. انعطاف‌پذیرتر از مدل‌های خطی، و قابل درک‌تر از روش‌های جعبه سیاه، GAMها روابط در داده‌ها را به‌عنوان توابع غیرخطی مدل‌سازی می‌کنند که بسیار سازگار با انواع مختلف داده‌ها و مسائل علم داده هستند. در این دوره، نحوه عملکرد GAM ها و نحوه ساخت آنها با بسته محبوب mgcv را خواهید آموخت. شما یاد خواهید گرفت که چگونه نتایج مدل خود را تفسیر، توضیح و تجسم کنید، و چگونه مشکلات مدل را تشخیص داده و رفع کنید. شما با مجموعه داده‌هایی کار خواهید کرد که به شما نشان می‌دهند چگونه GAMها را در موقعیت‌های مختلف اعمال کنید: داده‌های عملکرد خودرو برای ساخت مدل‌های خطی و غیرخطی مختلط، داده‌های آلودگی خاک برای ساخت مدل‌های مکانی، و داده‌های خرید مصرف‌کننده برای طبقه‌بندی و پیش‌بینی. در پایان این دوره، جعبه ابزاری برای حل بسیاری از مسائل علم داده خواهید داشت.

Related Skills

Suggestions