Course catalog

Course duration

Course provider

Topic

Categories

Showing 141-160 of 600 items.

coursera برنامه نویسی پیشرفته R (Mitalearn-331225)

  • 1 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Roger D. Peng, PhD,Brooke Anderson
درباره این دوره:

این دوره موضوعات پیشرفته ای در برنامه نویسی R را پوشش می دهد که برای توسعه ابزارهای علوم داده قدرتمند، قوی و قابل استفاده مجدد ضروری است. موضوعات تحت پوشش عبارتند از برنامه نویسی عملکردی در R، مدیریت خطای قوی، برنامه نویسی شی گرا، پروفایل و محک زدن، اشکال زدایی، و طراحی مناسب توابع. پس از اتمام این دوره، شما قادر خواهید بود وظایف رایج تجزیه و تحلیل داده ها را شناسایی و انتزاع کنید و آنها را در توابع رو به رو کاربر محصور کنید. از آنجایی که هر محیط علم داده با چالش های داده منحصر به فردی روبرو می شود، همیشه نیاز به توسعه نرم افزار سفارشی خاص برای ماموریت سازمان شما وجود دارد. همچنین می‌توانید انواع داده‌های جدیدی را در R تعریف کنید و جهانی از عملکردهای خاص برای آن نوع داده‌ها را توسعه دهید تا امکان اجرای پاک‌تر وظایف علم داده و قابلیت استفاده مجدد قوی‌تر را در یک تیم فراهم کنید.

coursera برنامه نویسی تابعی در Scala Capstone (Mitalearn-334846)

  • 3 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Julien Richard-Foy
درباره این دوره:

در پروژه نهایی Capstone، مهارت‌هایی را که با ساختن یک برنامه کاربردی بزرگ با داده‌های فشرده با استفاده از داده‌های دنیای واقعی آموخته‌اید، به کار خواهید برد. شما یک برنامه کامل را پیاده سازی خواهید کرد که چندین گیگابایت داده را پردازش می کند. این برنامه تجسم های تعاملی از تکامل دما در طول زمان را در سراسر جهان نشان می دهد. توسعه چنین برنامه ای شامل موارد زیر است: - تبدیل داده‌های ارائه‌شده توسط ایستگاه‌های هواشناسی به اطلاعات معنی‌داری مانند، به عنوان مثال، میانگین دمای هر نقطه از کره زمین در ده سال گذشته. - سپس با استفاده از تکنیک های درون یابی فضایی و خطی از این اطلاعات تصاویری تهیه کنید. - در نهایت، پیاده سازی نحوه واکنش رابط کاربری به اقدامات کاربران.

coursera برنامه نویسی علمی جولیا (Mitalearn-328896)

  • 5 hours 57 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Juan H Klopper,Henri Laurie
درباره این دوره:

این دوره شما را با جولیا به عنوان اولین زبان برنامه نویسی آشنا می کند. جولیا یک زبان برنامه نویسی پویا سطح بالا و با کارایی بالا است که به طور خاص برای محاسبات علمی توسعه یافته است. این زبان به ویژه برای برنامه های کاربردی در فیزیک، شیمی، نجوم، مهندسی، علوم داده، بیوانفورماتیک و بسیاری دیگر مفید خواهد بود. می توانید برنامه نویسی را با جولیا در Coursera شروع کنید و همچنین می توانید از خط فرمان، فایل های برنامه یا یک نوت بوک Jupyter استفاده کنید. جولیا برای رسیدگی به الزامات محاسبات عددی و علمی با کارایی بالا طراحی شده است و در عین حال برای برنامه نویسی همه منظوره موثر است. شما می‌توانید به تمام پردازنده‌ها و حافظه موجود دسترسی داشته باشید، داده‌ها را از هر نقطه‌ای در وب خراش دهید و همیشه از طریق هر دستگاهی که می‌خواهید استفاده کنید تا زمانی که مرورگر دارد، در دسترس باشید. برای کشف امکانات محاسباتی جدید به ما بپیوندید. بیایید شروع به یادگیری جولیا کنیم. در پایان دوره شما قادر خواهید بود: - برنامه با استفاده از زبان جولیا با تمرین از طریق تکالیف - برنامه های ساده جولیا خود را از ابتدا بنویسید - مزایا و ظرفیت های جولیا را به عنوان یک زبان محاسباتی درک کنید - با استفاده از زبان جولیا در نوت بوک های Jupyter کار کنید - از بسته های مختلف جولیا مانند Plots، DataFrames و Stats استفاده کنید این دوره از طریق سخنرانی‌های ویدئویی، نمایش‌های روی صفحه، آزمون‌ها و پروژه‌های عملی بررسی شده ارائه می‌شود که به شما فرصتی برای کار با بسته‌ها می‌دهد.

coursera برنامه های یادگیری عمیق برای بینایی کامپیوتر (Mitalearn-331378)

  • 7 hours 31 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Ioana Fleming
درباره این دوره:

در این دوره آموزشی، با کامپیوتر ویژن به عنوان یک زمینه مطالعه و تحقیق آشنا خواهید شد. ابتدا چندین کار Computer Vision و رویکردهای پیشنهادی را از دیدگاه کلاسیک Computer Vision بررسی خواهیم کرد. سپس روش‌های یادگیری عمیق را معرفی می‌کنیم و آنها را برای برخی از مشکلات مشابه به کار می‌بریم. ما نتایج را تجزیه و تحلیل خواهیم کرد و مزایا و معایب هر دو نوع روش را مورد بحث قرار خواهیم داد. ما از آموزش‌هایی استفاده می‌کنیم تا به شما اجازه دهیم برخی از ابزارهای مدرن یادگیری ماشین و کتابخانه‌های نرم‌افزار را به‌طور عملی کشف کنید. نمونه‌هایی از وظایف بینایی کامپیوتری که در آن‌ها می‌توان از یادگیری عمیق استفاده کرد، عبارتند از: طبقه‌بندی تصویر، طبقه‌بندی تصویر با محلی‌سازی، تشخیص اشیا، تقسیم‌بندی شی، تشخیص چهره، و تخمین فعالیت یا حالت. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder

coursera بنیاد علوم داده های سلامت (Mitalearn-336648)

  • 3 hours 45 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Jimeng Sun
درباره این دوره:

این دوره برای افراد درگیر در یادگیری ماشین و علاقه مند به کاربردهای پزشکی یا بالعکس، متخصصان پزشکی که علاقه مند به روش هایی هستند که علوم کامپیوتر مدرن به رشته خود ارائه می دهند، در نظر گرفته شده است. ما تجزیه و تحلیل داده های سلامت، انواع مختلف شبکه های عصبی، و همچنین آموزش و کاربرد شبکه های عصبی را در سناریوهای پزشکی دنیای واقعی پوشش خواهیم داد. ما روش های یادگیری عمیق (DL)، داده های مراقبت های بهداشتی و برنامه های کاربردی را با استفاده از روش های DL پوشش می دهیم. این دوره ها شامل فعالیت هایی مانند سخنرانی های ویدئویی، آزمایشگاه های برنامه نویسی خود هدایت شونده، تکالیف درسی (چه کتبی و چه برنامه نویسی) و یک پروژه بزرگ است. مرحله اول این دوره شامل سخنرانی های ویدئویی در مورد موضوعات مختلف DL و برنامه های کاربردی سلامت، آزمایشگاه های خود هدایت شونده و تکالیف متعدد در منزل خواهد بود. در این مرحله، دانش و تجربه خود را در توسعه مدل های یادگیری عمیق عملی بر روی داده های مراقبت های بهداشتی ایجاد خواهید کرد. مرحله دوم این دوره یک پروژه بزرگ خواهد بود که می تواند منجر به گزارش فنی و نسخه ی نمایشی عملکرد مدل های یادگیری عمیق برای رسیدگی به برخی از مشکلات خاص مراقبت های بهداشتی شود. ما انتظار داریم که بهترین پروژه ها به طور بالقوه به انتشارات علمی منجر شوند.

coursera بهبود استنباط های آماری شما (Mitalearn-330239)

  • 4 hours 51 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Daniel Lakens
درباره این دوره:

هدف این دوره کمک به شما برای استنتاج آماری بهتر از تحقیقات تجربی است. ابتدا، نحوه تفسیر صحیح مقادیر p، اندازه اثر، فواصل اطمینان، عوامل بیز، و نسبت‌های احتمال را مورد بحث قرار می‌دهیم، و اینکه چگونه این آمار به سوالات مختلفی که ممکن است به آنها علاقه مند باشید پاسخ می‌دهند. سپس، نحوه طراحی آزمایش‌هایی را که نرخ مثبت کاذب کنترل می شود و چگونه می توان در مورد حجم نمونه برای مطالعه خود تصمیم گرفت، به عنوان مثال به منظور دستیابی به قدرت آماری بالا. متعاقباً، یاد خواهید گرفت که چگونه شواهد را در ادبیات علمی با توجه به سوگیری انتشار گسترده تفسیر کنید، برای مثال با یادگیری در مورد تجزیه و تحلیل منحنی p. در نهایت، ما در مورد چگونگی انجام فلسفه علم، ساخت نظریه، و علم تجمعی، از جمله نحوه انجام مطالعات تکرار، چرایی و نحوه پیش ثبت نام آزمایش خود، و نحوه به اشتراک گذاشتن نتایج خود با رعایت اصول علوم باز صحبت خواهیم کرد. به طور عملی، به صورت عملی، یاد خواهید گرفت که چگونه آزمون های t را شبیه سازی کنید تا بفهمید کدام مقادیر p را می توانید انتظار داشته باشید، نسبت احتمال را محاسبه کنید و آمار بیزی دو جمله ای را معرفی کنید، و در مورد ارزش پیش بینی مثبت که احتمال منتشر شده را بیان می کند، یاد خواهید گرفت. یافته های تحقیق درست است ما مشکلات مربوط به توقف اختیاری را تجربه خواهیم کرد و نحوه جلوگیری از این مشکلات را با استفاده از تحلیل های متوالی یاد خواهیم گرفت. اندازه افکت‌ها را محاسبه می‌کنید، خواهید دید که فواصل اطمینان از طریق شبیه‌سازی چگونه کار می‌کنند، و انجام تحلیل‌های توان پیشینی را تمرین می‌کنید. در نهایت، یاد خواهید گرفت که چگونه با استفاده از آزمون هم ارزی و آمار بیزی صحت فرضیه صفر را بررسی کنید و چگونه یک مطالعه را از قبل ثبت کنید و داده های خود را در چارچوب علوم باز به اشتراک بگذارید. اکنون همه ویدیوها زیرنویس چینی دارند. بیش از 30000 زبان آموز تاکنون ثبت نام کرده اند! اگر از این دوره لذت بردید، می توانم توصیه کنم آن را با دوره جدید "بهبود سوالات آماری شما" دنبال کنید.

coursera بهبود سوالات آماری شما (Mitalearn-331684)

  • 3 hours 45 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Daniel Lakens
درباره این دوره:

هدف این دوره کمک به شما برای پرسیدن سوالات آماری بهتر هنگام انجام تحقیقات تجربی است. ما در مورد چگونگی طراحی مطالعات آموزنده بحث خواهیم کرد، چه زمانی که پیش‌بینی‌های شما درست باشد و چه زمانی که پیش‌بینی‌های شما اشتباه است. ما هنجارها را زیر سوال می بریم و در مورد اینکه چگونه می توانیم شیوه های تحقیق را برای پرسیدن سوالات جالب تر بهبود دهیم، فکر می کنیم. در عملی تکالیف، تکنیک‌ها و ابزارهایی را یاد خواهید گرفت که می‌توانند فوراً در تحقیقات خود پیاده‌سازی شوند، مانند فکر کردن به کوچک‌ترین اندازه اثر مورد علاقه‌تان، توجیه حجم نمونه‌تان، ارزیابی یافته‌های موجود در ادبیات و در عین حال در نظر گرفتن سوگیری انتشارات. ، انجام یک متاآنالیز و ساختن آنالیزهای خود از نظر محاسباتی قابل تکرار. اگر وقت دارید، توصیه می شود قبل از ثبت نام در این دوره، دوره من 'بهبود استنباط های آماری شما' را کامل کنید، اگرچه این دوره کاملاً مستقل است.

coursera بهبود شبکه های عصبی عمیق: تنظیم فراپارامتر، منظم سازی و بهینه سازی (Mitalearn-212922)

  • 5 hours 26 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Andrew Ng,Kian Katanforoosh,Younes Bensouda Mourri
درباره این دوره:

در دوره دوم تخصص یادگیری عمیق، جعبه سیاه یادگیری عمیق را برای درک فرآیندهایی که عملکرد را هدایت می کنند و به طور سیستماتیک نتایج خوبی ایجاد می کنند را باز خواهید کرد. در پایان، بهترین شیوه‌ها را برای آموزش و توسعه مجموعه‌های تست و تجزیه و تحلیل سوگیری/واریانس برای ساخت برنامه‌های یادگیری عمیق یاد خواهید گرفت. قادر به استفاده از تکنیک های شبکه عصبی استاندارد مانند مقداردهی اولیه، تنظیم L2 و حذف، تنظیم هایپرپارامتر، نرمال سازی دسته ای و بررسی گرادیان باشد. انواع الگوریتم‌های بهینه‌سازی مانند نزول گرادیان دسته‌ای کوچک، Momentum، RMSprop و Adam را پیاده‌سازی و اعمال کنید و همگرایی آنها را بررسی کنید. و یک شبکه عصبی را در TensorFlow پیاده سازی کنید. تخصص یادگیری عمیق برنامه اساسی ما است که به شما کمک می کند قابلیت ها، چالش ها و پیامدهای یادگیری عمیق را درک کنید و شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده کند. این مسیری را برای شما فراهم می کند تا دانش و مهارت هایی را به دست آورید تا از یادگیری ماشینی در کار خود استفاده کنید، حرفه فنی خود را ارتقا دهید و گامی قطعی در دنیای هوش مصنوعی بردارید.

coursera بهترین روش های تجسم داده ها (Mitalearn-335543)

  • 22 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Julie Pai,Majed Al-Ghandour
درباره این دوره:

در این دوره، ما اصول تجسم و نحوه انطباق آن با گردش کار علم داده را پوشش خواهیم داد. ما بر روی مفاهیم اصلی پشت هدف تجسم و اصول طراحی برای ایجاد نتایج موثر و با سهولت ارتباط تمرکز خواهیم کرد. شما همچنین محیط Tableau خود را راه‌اندازی می‌کنید، بارگذاری داده‌ها را تمرین می‌کنید و تجزیه و تحلیل توصیفی تک متغیره بخش‌های سهام S&P 500 را انجام می‌دهید.

linkedin بهره وری خود را به عنوان یک دانشمند داده با هوش مصنوعی مولد افزایش دهید (Mitalearn-440620)

  • 3 hours 4 minutes
  • مناسب همه
  • Release date: 25 July 2026
  • Author: Tobias Zwingmann
درباره این دوره:

این دوره به دانشمندان داده می آموزد که چگونه از هوش مصنوعی مولد برای بهبود گردش کار خود به روشی عملی و عملی استفاده کنند. در کنار 20 مورد استفاده تعاملی، مربی Tobias Zwingmann تکنیک‌های عملی تقویت‌شده با هوش مصنوعی را برای هر مرحله از فرآیند علم داده، از جمله فرمول‌بندی مسئله، آماده‌سازی داده، مدل‌سازی و استقرار به اشتراک می‌گذارد. از طریق تمرین‌های عملی، ابزارهای هوش مصنوعی را برای ایجاد و بهینه‌سازی مدل‌ها، تفسیر نتایج و برقراری ارتباط موثر بینش‌ها بیاموزید. این دوره را بررسی کنید تا دریابید که چگونه می توانید از روش های هوش مصنوعی مولد برای افزایش قابل توجه بهره وری خود و مقابله با چالش های پیچیده تر علم داده استفاده کنید.

coursera بهینه سازی برای تصمیم گیری (Mitalearn-329423)

  • 4 hours 36 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Soumya Sen
درباره این دوره:

در این دنیای داده‌محور، شرکت‌ها اغلب علاقه‌مندند که بدانند با توجه به داده‌ها، «بهترین» اقدام چیست. به عنوان مثال، تولیدکنندگان باید تصمیم بگیرند که با توجه به تقاضای تخمینی و در دسترس بودن مواد خام، چند واحد از یک محصول را تولید کنند؟ آیا آنها باید تمام محصولات را در داخل بسازند یا برخی از آنها را از شخص ثالث بخرند تا تقاضا را برآورده کنند؟ تجزیه و تحلیل تجویزی شاخه ای از تجزیه و تحلیل است که می تواند به این سوالات پاسخ دهد. برای تجویز تصمیمات مبتنی بر داده استفاده می شود. مهمترین روش در جعبه ابزار تجزیه و تحلیل تجویزی، بهینه سازی است. این دوره دانشجویان را با اصول اولیه بهینه سازی خطی برای تصمیم گیری آشنا می کند. با استفاده از مثال‌های عملی، این دوره نحوه تبدیل یک سناریو مسئله به یک مدل ریاضی را آموزش می‌دهد که بتوان آن را حل کرد تا بهترین نتیجه کسب و کار را به دست آورد. ما یاد می گیریم که متغیرهای تصمیم، تابع هدف و محدودیت های یک مسئله را شناسایی کنیم و از آنها برای فرمول بندی و حل یک مسئله بهینه سازی با استفاده از حل کننده اکسل و صفحه گسترده استفاده کنیم.

coursera بهینه سازی عملکرد یادگیری ماشین (Mitalearn-335747)

  • 2 hours 27 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Anna Koop
درباره این دوره:

این دوره همه چیزهایی را که شما در تخصص یادگیری ماشین کاربردی آموخته اید ترکیب می کند. اکنون برای تهیه نقشه راه تعمیر و نگهداری یادگیری ماشین، یک پروژه کامل یادگیری ماشین را طی خواهید کرد. شما نحوه برخورد با تغییر داده ها را درک و تجزیه و تحلیل خواهید کرد. شما همچنین قادر خواهید بود اثرات ناخواسته احتمالی را در پروژه خود شناسایی و تفسیر کنید. شما روش هایی را برای عملیاتی کردن و حفظ مدل یادگیری ماشین کاربردی خود درک و تعریف خواهید کرد. در پایان این دوره، شما تمام ابزارها و درک لازم برای اجرای با اطمینان یک پروژه یادگیری ماشینی و آماده شدن برای بهینه سازی آن در زمینه کسب و کار خود را خواهید داشت. برای موفقیت، باید حداقل پیش زمینه سطح مبتدی در برنامه نویسی پایتون داشته باشید (به عنوان مثال، بتوانید کدهای موجود را بخوانید و کدنویسی کنید، با شرطی ها، حلقه ها، متغیرها، لیست ها، دیکشنری ها و آرایه ها راحت باشید). شما باید درک اولیه ای از جبر خطی (نماد برداری) و آمار (توزیع احتمال و میانگین / میانه / حالت) داشته باشید. این آخرین دوره از تخصص یادگیری ماشین کاربردی است که توسط Coursera و موسسه هوش ماشین آلبرتا (Amii) برای شما آورده شده است.

coursera بهینه سازی مدل های ML و استقرار خطوط لوله انسانی در حلقه (Mitalearn-336631)

  • 2 hours 29 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Antje Barth
درباره این دوره:

در سومین دوره تخصصی تخصصی علم داده های عملی، یک سری تکنیک های بهبود عملکرد و کاهش هزینه را برای تنظیم خودکار دقت مدل، مقایسه عملکرد پیش بینی و تولید داده های آموزشی جدید با هوش انسانی خواهید آموخت. پس از تنظیم طبقه‌بندی‌کننده متن خود با استفاده از تنظیم Hyper-Parameter Amazon SageMaker (HPT)، دو نامزد مدل را در یک آزمون A/B قرار می‌دهید تا عملکرد پیش‌بینی بلادرنگ آنها را مقایسه کرده و به طور خودکار مدل برنده را با استفاده از میزبانی Amazon SageMaker مقیاس کنید. در نهایت، شما یک خط لوله انسان در حلقه راه‌اندازی می‌کنید تا پیش‌بینی‌های طبقه‌بندی‌شده اشتباه را اصلاح کنید و داده‌های آموزشی جدیدی را با استفاده از هوش مصنوعی آمازون و آمازون SageMaker Ground Truth تولید کنید. 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.

coursera بوت کمپ آمار زیستی ریاضی 2 (Mitalearn-335509)

  • 7 hours 26 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Brian Caffo, PhD
درباره این دوره:

مفاهیم اساسی در تجزیه و تحلیل داده ها و استنتاج آماری را با تمرکز بر یک و دو نمونه مستقل بیاموزید.

coursera بینایی کامپیوتر با یادگیری ماشین جاسازی شده (Mitalearn-332602)

  • 6 hours 47 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Shawn Hymel
درباره این دوره:

بینایی کامپیوتر (CV) یک زمینه مطالعاتی جذاب است که تلاش می‌کند فرآیند انتساب معنا به تصاویر یا فیلم‌های دیجیتال را خودکار کند. به عبارت دیگر، ما به رایانه ها کمک می کنیم تا دنیای اطراف ما را ببینند و درک کنند! تعدادی از الگوریتم‌ها و تکنیک‌های یادگیری ماشین (ML) را می‌توان برای انجام وظایف CV مورد استفاده قرار داد، و با سریع‌تر و کارآمدتر شدن ML، می‌توانیم این تکنیک‌ها را در سیستم‌های تعبیه‌شده مستقر کنیم. این دوره که با مشارکت Edge Impulse، OpenMV، Seeed Studio و TinyML Foundation ارائه شده است، به شما درک می کند که چگونه می توان از یادگیری عمیق با شبکه های عصبی برای طبقه بندی تصاویر و تشخیص اشیاء در تصاویر و ویدیوها استفاده کرد. شما این فرصت را خواهید داشت که این مدل های یادگیری ماشینی را در سیستم های جاسازی شده، که به عنوان یادگیری ماشین جاسازی شده یا TinyML شناخته می شود، مستقر کنید. آشنایی با زبان برنامه نویسی پایتون و مفاهیم اولیه ML (مانند شبکه های عصبی، آموزش، استنتاج و ارزیابی) برای درک برخی از موضوعات و همچنین تکمیل پروژه ها توصیه می شود. مقداری ریاضی (خواندن نمودار، حساب، جبر) نیز برای آزمون ها و پروژه ها مورد نیاز است. اگر قبلاً این کار را نکرده اید، شرکت در دوره «مقدمه ای بر یادگیری ماشین جاسازی شده» توصیه می شود. این دوره مفاهیم و واژگان لازم برای درک نحوه عملکرد شبکه های عصبی کانولوشن (CNN) را پوشش می دهد و نحوه استفاده از آنها برای طبقه بندی تصاویر و تشخیص اشیا را پوشش می دهد. پروژه های عملی به شما این فرصت را می دهد که CNN های خود را آموزش دهید و آنها را روی یک میکروکنترلر و/یا کامپیوتر تک بردی مستقر کنید.

coursera بینایی کامپیوتر پیشرفته با TensorFlow (Mitalearn-332483)

  • 2 hours 41 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laurence Moroney
درباره این دوره:

در این دوره، شما: الف) طبقه بندی تصویر، تقسیم بندی تصویر، محلی سازی شی و تشخیص اشیا را کاوش کنید. استفاده از آموزش انتقال برای محلی سازی و تشخیص اشیا. ب) مدل‌های تشخیص اشیا مانند Regional-CNN و ResNet-50 را اعمال کنید، مدل‌های موجود را سفارشی کنید، و مدل‌های خود را برای شناسایی، بومی‌سازی و برچسب‌گذاری تصاویر اردک لاستیکی خود بسازید. ج) تقسیم‌بندی تصویر را با استفاده از تغییرات شبکه کاملاً کانولوشن (FCN) از جمله U-Net و د) Mask-RCNN برای شناسایی و شناسایی اعداد، حیوانات خانگی، زامبی‌ها و موارد دیگر اجرا کنید. د) مشخص کنید که مدل شما از کدام بخش‌های تصویر برای پیش‌بینی‌های خود با استفاده از نقشه‌های فعال‌سازی کلاس و نقشه‌های برجسته استفاده می‌کند و از این روش‌های تفسیر ML برای بازرسی و بهبود طراحی یک شبکه معروف، AlexNet استفاده می‌کند. تخصص DeepLearning.AI TensorFlow: Advanced Techniques ویژگی‌های TensorFlow را معرفی می‌کند که به یادگیرندگان کنترل بیشتری بر معماری مدل و ابزارهایی می‌دهد که به آنها کمک می‌کند مدل‌های پیشرفته ML را ایجاد و آموزش دهند. این تخصص برای مهندسین نرم افزار و یادگیری ماشین در مراحل اولیه و اواسط حرفه ای با درک اساسی از TensorFlow است که به دنبال گسترش دانش و مجموعه مهارت های خود با یادگیری ویژگی های پیشرفته TensorFlow برای ساخت مدل های قدرتمند هستند.

coursera بینش Power BI (Mitalearn-329372)

  • 4 hours 37 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Analytics Vidhya
درباره این دوره:

دنیای تجارت امروز به طور فزاینده ای مبتنی بر داده است. کسب‌وکارهای کوچک و بزرگ از داده‌ها برای تصمیم‌گیری در مورد فروش، استخدام، اهداف و همه حوزه‌هایی که داده‌هایی در اختیار دارند استفاده می‌کنند. در حالی که اکثر کسب و کارها به داده‌های یک نوع یا دیگری دسترسی دارند، درک داده‌ها بدون پیش‌زمینه در تجزیه و تحلیل داده‌ها برای یک کاربر عادی تجاری می‌تواند ترسناک باشد. Power BI مایکروسافت ترس و دردسر تجزیه و تحلیل و تجسم داده ها را از بین می برد. در طول این دوره، شما خطاهای موجود در مجموعه داده ها را شناسایی کرده و با استفاده از تکنیک های پاکسازی و تبدیل داده ها، آنها را تشخیص می دهید تا آنها را برای اهداف گزارش آماده کنید. با تمرکز بر کاربردهای عملی، تجسم های پیچیده را با استفاده از اپراتور DAX حل می کنید و تجسم ها را برای برنامه ریزی تصمیمات مربوط به کسب و کار ارزیابی می کنید. چه بخواهید یک تحلیلگر داده باشید، چه یک متخصص هوش تجاری یا یک تصمیم گیرنده با تکیه بر بینش های داده محور، این دوره ابزارها و دانش لازم را برای موفقیت در اختیار شما قرار می دهد.

linkedin بینش در علم داده: لیلیان پیرسون (Mitalearn-111279)

  • 23 minutes
  • متوسط
  • Release date: 22 June 2026
  • Author: Lillian Pierson, P.E.
درباره این دوره:

علم داده حوزه‌ای است که به سرعت در حال گسترش است و امکانات فراوانی را برای مشاهده جهان اطراف ما از طریق لنز دقیق‌تری ارائه می‌دهد. اما برای بسیاری از کسانی که قوه تخیل آنها توسط داده های بزرگ برانگیخته می شود - اما قبلاً شروع به دنبال کردن حرفه ای در زمینه دیگری کرده اند - رویای تبدیل شدن به یک دانشمند داده می تواند دور از ذهن باشد. لیلیان پیرسون، P.E. - یک متخصص برجسته در زمینه داده های بزرگ و علم داده - قصد دارد این تصور را ثابت کند که اشتباه است. در این دوره، او مشاهدات و نکاتی را به اشتراک می‌گذارد که به شما کمک می‌کند بدون توجه به نقطه شروعتان، در این زمینه هیجان‌انگیز شروع به کار کنید.\r\n\r\n در اینجا، او داستان خود را به اشتراک می‌گذارد و درباره نحوه آموزش کدنویسی در پایتون و R و کار با متدولوژی‌های علم داده بحث می‌کند. در نتیجه تجربیات خود، لیلیان مشتاق کمک به علاقه‌مندان به علم داده است - اما کسانی که ممکن است مدرک چهار ساله در این رشته نداشته باشند - برای شروع در این زمینه. او راه‌های عملی برای کسب مهارت‌ها و تجربیات مورد نیاز برای تبدیل شدن به یک دانشمند داده و بهترین شیوه‌ها برای یافتن شغل را به اشتراک می‌گذارد. لیلیان همچنین با چالش‌هایی که در نیروی کار فناوری به سرعت در حال تحول رخ می‌دهد دست و پنجه نرم می‌کند. به علاوه، او در مورد خود صنعت بحث می کند، تغییرات اخیر در زمینه و زمینه های مورد نیاز را پوشش می دهد و برخی از تصورات غلط رایج را پاک می کند.

coursera پایتون برای علم داده (Mitalearn-327145)

  • 10 hours 27 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Fractal Analytics Academy
درباره این دوره:

استاد پایتون برای علم داده با پروژه های عملی. پانداها، آمار و تجسم را برای حل مشکلات تجارت در دنیای واقعی بیاموزید. ایجاد مهارت‌های آماده برای کار در بحث و گفتگوی داده‌ها، تجزیه و تحلیل داده‌های اکتشافی (EDA) و ترسیم نمودار با matplotlib/seaborn—بدون نیاز به تجربه قبلی. این دوره آموزشی مبتدی شما را از طریق پاکسازی داده های نامرتب، استفاده از آمار توصیفی و استنباطی و تهیه مجموعه داده ها برای یادگیری ماشین راهنمایی می کند. شما تجزیه و تحلیل هایی را طراحی خواهید کرد که به سؤالات تجاری پاسخ می دهند، بینش ها را با تصاویر متقاعد کننده ارتباط برقرار می کنند و ارزیابی های چالش برانگیز را کامل می کنند که با سناریوهای محل کار هماهنگ هستند. در پایان، با اطمینان داده‌ها را در پانداها دستکاری می‌کنید، گردش کار را خودکار می‌کنید و داشبوردهایی می‌سازید که ذینفعان آن را درک کنند. سفر مبتنی بر داده خود را شروع کنید و داده های خام را به تصمیم گیری تبدیل کنید.

coursera پایتون برای علم داده های ژنومی (Mitalearn-335271)

  • 3 hours 11 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Mihaela Pertea, PhD,Steven Salzberg, PhD
درباره این دوره:

این کلاس مقدمه ای بر زبان برنامه نویسی پایتون و نوت بوک آی پایتون ارائه می دهد. این سومین دوره در رشته تخصصی علم داده های بزرگ ژنومی از دانشگاه جان هاپکینز است.

Suggestions