Course catalog

Course duration

Course provider

Topic

Categories

Showing 141-160 of 587 items.

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.

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.

coursera پایتون برای علم داده، هوش مصنوعی و توسعه (Mitalearn-270178)

  • 2 hours 23 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Joseph Santarcangelo
درباره این دوره:

سفر پایتون خود را با این دوره مبتدی و خودگام که توسط یک متخصص آموزش داده شده است، شروع کنید. پایتون یکی از محبوب ترین زبان های برنامه نویسی است و تقاضا برای افرادی که مهارت های پایتون دارند همچنان در حال افزایش است. این دوره شما را در عرض چند ساعت از صفر به برنامه نویسی در پایتون می رساند—هیچ تجربه قبلی برنامه نویسی لازم نیست! شما با اصول اولیه پایتون، از جمله انواع داده، عبارات، متغیرها و عملیات رشته شروع خواهید کرد. شما ساختارهای داده ضروری مانند لیست ها، تاپل ها، دیکشنری ها و مجموعه ها را بررسی خواهید کرد و نحوه ایجاد، دسترسی و دستکاری آنها را یاد خواهید گرفت. در مرحله بعد، مفاهیم منطقی مانند شرایط و انشعاب، یادگیری نحوه استفاده از حلقه ها و توابع، همراه با اصول مهم برنامه نویسی مانند مدیریت استثنا و برنامه نویسی شی گرا را بررسی خواهید کرد. با پیشرفت، تجربه عملی در خواندن و نوشتن روی فایل ها و کار با فرمت های رایج فایل به دست خواهید آورد. همچنین از کتابخانه های قدرتمند پایتون مانند NumPy و Pandas برای دستکاری و تجزیه و تحلیل داده ها استفاده خواهید کرد. این دوره همچنین APIها و وب اسکرپینگ را پوشش می دهد و به شما یاد می دهد که چگونه با استفاده از کتابخانه هایی مانند درخواست ها با REST API تعامل کنید و داده ها را از وب سایت ها با استفاده از BeautifulSoup استخراج کنید. شما آنچه را که از طریق آزمایشگاه های عملی با استفاده از نوت بوک های Jupyter می آموزید، تمرین کرده و به کار خواهید برد. در پایان این دوره، ایجاد برنامه های اساسی، کار با داده ها و خودکارسازی کارهای دنیای واقعی با استفاده از پایتون احساس راحتی خواهید کرد. این دوره برای افرادی که علاقه مند به دنبال کردن مشاغل در علوم داده، تجزیه و تحلیل داده، توسعه نرم افزار، مهندسی داده، هوش مصنوعی و DevOps و انواع دیگر نقش های مرتبط با فناوری هستند مناسب است.

linkedin پایتون برای علوم داده و یادگیری ماشین آموزش ضروری قسمت 2 (Mitalearn-433599)

  • 5 hours 16 minutes
  • مناسب همه
  • Release date: 30 July 2024
  • Author: Lillian Pierson, P.E.
درباره این دوره: 

 

اگر شما یک حرفه ای کار هستید که می خواهید از داده های تجاری برای تصمیم گیری های بهبود یافته از طریق تجزیه و تحلیل پیش بینی استفاده کنید ، این دوره می تواند به شما کمک کند. لیلیان پیرسون-مهندس ، مدیرعامل و رئیس محصول در Data-Mania-شما را از طریق ترکیبی قوی از تجربه کدگذاری علوم داده های اساسی ، تظاهرات ، چالش ها ، راه حل ها و تمریناتی که می توانید به سرعت در تجزیه و تحلیل داده های سفارشی و پروژه های تحلیلی اعمال کنید ، هدایت می کند. بهترین روشها را برای تمیز کردن داده ها ، تجسم داده ها ، تجزیه و تحلیل داده ها و برنامه نویسی پایتون بیاموزید.

تا پایان دوره ، شما قادر خواهید بود از پایتون استفاده کنید:

  • تمیز ، تغییر شکل ، اصلاح مجدد و توصیف داده ها
  • تجسم داده ها را برای ارائه داده ها و تجزیه و تحلیل اکتشافی بصری ایجاد کنید
  • دور افتاده را شناسایی و حذف کنید
  • تجزیه و تحلیل داده های ساده را انجام دهید
  • منبع ، کلاهبرداری و تجزیه و تحلیل داده ها از اینترنت
  • دارایی های تجزیه و تحلیل مشترک با استفاده از plot.ly
تولید کنید

coursera پایتون و پانداها برای مهندسی داده (Mitalearn-328505)

  • 4 hours 7 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Kennedy Behrman,Alfredo Deza,Noah Gift
درباره این دوره:

در این اولین دوره از Python، Bash و SQL Essentials for Data Engineering Specialization، شما یاد خواهید گرفت که چگونه یک محیط کاری پایتون کنترل شده با نسخه راه اندازی کنید که می تواند از کتابخانه های شخص ثالث استفاده کند. شما یاد خواهید گرفت که از پایتون و کتابخانه قدرتمند پانداها برای تجزیه و تحلیل و دستکاری داده ها استفاده کنید. علاوه بر این، با Vim و Visual Studio Code که دو ابزار محبوب برای نوشتن نرم افزار هستند نیز آشنا خواهید شد. این دوره برای دانش‌آموزان مبتدی و متوسط ​​برای شروع تبدیل و دستکاری داده‌ها به عنوان یک مهندس داده ارزشمند است.

linkedin پایه های علوم داده: اصول (Mitalearn-417313)

  • 5 hours 24 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Barton Poulson
درباره این دوره:

Data Science مجموعه ای از زمینه های درگیر در هوش مصنوعی ، یادگیری ماشین و هوش تجاری است. این یکی از سریعترین و با ارزش ترین مشاغل با استفاده از تحلیلگران و مهندسان در سراسر جهان است. این دوره مقدمه ای در دسترس و غیر فنی در زمینه علوم داده ، پوشش واژگان ، مهارت ها ، شغل ها ، ابزارها و تکنیک های علوم داده را ارائه می دهد و آن را به انقلاب داده متصل می کند و پایه و اساس توسعه خود را در علم داده در اختیار شما قرار می دهد.

به مربی بارتون پولسون بپیوندید زیرا او مؤلفه هایی را که علوم داده را تشکیل می دهند ، شناسایی می کند و چگونگی رشد و تکامل علم داده را بررسی می کند ، به ویژه با ظهور هوش مصنوعی.

coursera پردازش داده AWS (Mitalearn-329304)

  • 3 hours
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Whizlabs Instructor
درباره این دوره:

دوره AWS: Data Processing Course دومین دوره تخصصی تخصصی تجزیه و تحلیل داده تایید شده AWS است. این دوره بر ارائه راه حل های پردازش داده تمرکز دارد. کل دوره برای آموزش مفهوم EMR و Extract، Transform و Load به فراگیران طراحی شده است. این دوره همچنین بر خدمات ETL و راه حل های پردازش داده در AWS تأکید دارد. این دوره به سه ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره آموزشی با سخنرانی‌های ویدیویی در حدود 3:30-4:00 ساعت که هم تئوری و هم دانش عملی را ارائه می‌کند، به زبان‌آموزان 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: مقدمه: استخراج، تبدیل و بارگذاری مشاغل ماژول 2: مقدمه: EMR ماژول 3: خدمات ETL و راه حل پردازش داده در AWS توصیه می شود که افراد باید تجربه کار با خدمات AWS برای طراحی، ساخت، ایمن سازی و نگهداری را داشته باشند. راه حل های تحلیلی برای درک این دوره در پایان این دوره، فراگیران قادر خواهند بود: -مفاهیم مدلسازی را تجزیه و تحلیل کنند و مدل های یادگیری ماشینی را آموزش دهند - عملکرد مدل های یادگیری ماشینی را بررسی کنند - با آموزش یک مدل، تنظیم خودکار مدل را پیاده سازی کنند.

coursera پردازش داده ها و مهندسی ویژگی ها با متلب (Mitalearn-331276)

  • 3 hours 48 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Michael Reardon,Maria Gavilan-Alfonso,Erin Byrne
درباره این دوره:

در این دوره، مهارت‌های آموخته‌شده در تجزیه و تحلیل داده‌های اکتشافی با متلب را ایجاد می‌کنید تا پایه‌های مورد نیاز برای مدل‌سازی پیش‌بینی‌کننده را ایجاد کنید. این دوره سطح متوسط ​​برای هر کسی که نیاز به ترکیب داده ها از چندین منبع یا زمان دارد و علاقه مند به مدل سازی است مفید است. 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 تجزیه و تحلیل داده های اکتشافی را با متلب تکمیل کرده باشید. در طول دوره، شما داده ها را از مجموعه داده های مختلف ادغام خواهید کرد و سناریوهای رایج مانند داده های از دست رفته را مدیریت خواهید کرد. در آخرین ماژول دوره، تکنیک های ویژه ای را برای مدیریت داده های متنی، صوتی و تصویری که در علم داده و مدل سازی پیشرفته تر رایج است، بررسی خواهید کرد. در پایان این دوره، شما یاد خواهید گرفت که چگونه داده های خود را تجسم کنید، آنها را تمیز کنید و برای تجزیه و تحلیل مرتب کنید، و کیفیت های لازم برای پاسخ به سوالات خود را شناسایی کنید. شما می‌توانید توزیع داده‌های خود را تجسم کنید و از بازرسی بصری برای رسیدگی به مصنوعاتی که بر مدل‌سازی دقیق تأثیر می‌گذارند، استفاده کنید.

Suggestions