Course catalog

Course duration

Course provider

Topic

Categories

Showing 161-180 of 600 items.

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.

coursera پردازش داده های بدون سرور با Dataflow: توسعه خطوط لوله (Mitalearn-336223)

  • 1 hours 54 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

در این قسمت دوم از سری دوره های Dataflow، ما قصد داریم در توسعه خطوط لوله با استفاده از Beam SDK بیشتر غواصی کنیم. ما با بررسی مفاهیم پرتو آپاچی شروع می کنیم. در مرحله بعد، ما در مورد پردازش داده های جریان با استفاده از پنجره ها، واترمارک ها و تریگرها بحث می کنیم. سپس گزینه‌هایی را برای منابع و سینک‌ها در خطوط لوله، طرح‌واره‌ها برای بیان داده‌های ساختاریافته و نحوه انجام تبدیل‌های حالت با استفاده از APIهای State و Timer پوشش می‌دهیم. ما به بررسی بهترین شیوه‌هایی می‌رویم که به حداکثر رساندن عملکرد خط لوله شما کمک می‌کنند. در پایان دوره، ما SQL و Dataframes را معرفی می کنیم تا منطق کسب و کار شما را در Beam و نحوه توسعه مکرر خطوط لوله با استفاده از نوت بوک های Beam را نشان دهیم.

coursera پردازش داده های بدون سرور با جریان داده: عملیات (Mitalearn-336359)

  • 1 hours 52 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

در آخرین قسمت از سری دوره های Dataflow به معرفی اجزای مدل عملیاتی Dataflow می پردازیم. ما ابزارها و تکنیک های عیب یابی و بهینه سازی عملکرد خط لوله را بررسی خواهیم کرد. سپس بهترین روش‌های آزمایش، استقرار و قابلیت اطمینان را برای خطوط لوله Dataflow بررسی می‌کنیم. ما با بررسی الگوها نتیجه گیری خواهیم کرد، که مقیاس خطوط لوله جریان داده را برای سازمان هایی با صدها کاربر آسان می کند. این درس ها به شما کمک می کند تا مطمئن شوید که پلت فرم داده شما در برابر شرایط پیش بینی نشده پایدار و مقاوم است.

coursera پردازش داده های بدون سرور با جریان داده: مبانی (Mitalearn-331038)

  • 45 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

این دوره قسمت 1 از مجموعه 3 دوره ای در مورد پردازش داده های بدون سرور با جریان داده است. در این دوره اول، ما با تجدید نظر در مورد پرتو آپاچی و ارتباط آن با Dataflow شروع می کنیم. در مرحله بعد، در مورد چشم انداز پرتو آپاچی و مزایای فریم ورک Beam Portability صحبت می کنیم. چارچوب Beam Portability به این چشم‌انداز دست می‌یابد که یک توسعه‌دهنده می‌تواند از زبان برنامه‌نویسی مورد علاقه خود با اجرای مطلوب خود استفاده کند. سپس به شما نشان می‌دهیم که چگونه Dataflow به شما اجازه می‌دهد تا محاسبات و ذخیره‌سازی را در حین صرفه‌جویی در هزینه جدا کنید، و چگونه هویت، دسترسی، و ابزارهای مدیریتی با خطوط لوله Dataflow شما تعامل دارند. در نهایت، ما به نحوه پیاده‌سازی مدل امنیتی مناسب برای استفاده شما در Dataflow نگاه می‌کنیم. پیش نیازها: سری دوره های پردازش داده های بدون سرور با جریان داده مبتنی بر مفاهیمی است که در تخصص مهندسی داده ها پوشش داده شده است. ما دوره های پیش نیاز زیر را توصیه می کنیم: (i) ساخت خطوط لوله داده دسته ای در Google Cloud: اصول اصلی جریان داده را پوشش می دهد (ii) ساختن سیستم‌های تجزیه و تحلیل جریان انعطاف‌پذیر در Google Cloud: مفاهیم اولیه استریم مانند پنجره‌سازی، محرک‌ها و واترمارک‌ها را پوشش می‌دهد. >>> با ثبت نام در این دوره، با شرایط خدمات Qwiklabs که در پرسش های متداول و در آدرس زیر آمده است موافقت می کنید: https://qwiklabs.com/terms_of_service <<<

coursera پردازش زبان طبیعی با طبقه بندی و فضاهای برداری (Mitalearn-332126)

  • 3 hours 45 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Younes Bensouda Mourri,Łukasz Kaiser
درباره این دوره:

در دوره 1 تخصص پردازش زبان طبیعی، شما: الف) تجزیه و تحلیل احساسات توییت ها را با استفاده از رگرسیون لجستیک و سپس بیز ساده انجام دهید. ب) از مدل های فضای برداری برای کشف روابط بین کلمات استفاده کنید و از PCA برای کاهش ابعاد فضای برداری و تجسم آن روابط استفاده کنید. ج) یک الگوریتم ترجمه انگلیسی به فرانسوی ساده با استفاده از جاسازی‌های کلمه از پیش محاسبه‌شده و هش‌سازی حساس به موقعیت برای ارتباط کلمات از طریق جستجوی تقریبی k-نزدیک‌ترین همسایه بنویسید. در پایان این تخصص، شما برنامه های NLP را طراحی کرده اید که پاسخگویی به سوالات و تجزیه و تحلیل احساسات را انجام می دهند، ابزارهایی برای ترجمه زبان ها و خلاصه کردن متن ایجاد می کنید و حتی یک ربات چت می سازید! این تخصص توسط دو متخصص در NLP، یادگیری ماشینی و یادگیری عمیق طراحی و آموزش داده شده است. یونس بنسودا موری، مدرس هوش مصنوعی در دانشگاه استنفورد است که همچنین به ایجاد تخصص یادگیری عمیق کمک کرده است. Łukasz Kaiser یک دانشمند تحقیقاتی در Google Brain و یکی از نویسندگان Tensorflow، کتابخانه‌های Tensor2Tensor و Trax و مقاله Transformer است.

coursera پردازش زبان طبیعی بالینی (Mitalearn-331429)

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

این دوره به شما اصول پردازش زبان طبیعی بالینی (NLP) را می آموزد. در این دوره شما اصول زبانی اساسی زیربنای NLP و همچنین نحوه نوشتن عبارات منظم و مدیریت داده های متنی در R را خواهید آموخت. همچنین تکنیک های عملی برای پردازش متن را یاد خواهید گرفت تا بتوانید اطلاعات را از یادداشت های بالینی استخراج کنید. در نهایت، شما فرصتی خواهید داشت که مهارت های خود را با یک برنامه عملی در دنیای واقعی آزمایش کنید که در آن الگوریتم های پردازش متن را برای شناسایی عوارض دیابت از یادداشت های بالینی ایجاد می کنید. شما این کار را با استفاده از یک محیط محاسباتی آنلاین رایگان برای علم داده که توسط شریک صنعتی Google Cloud میزبانی شده است، تکمیل خواهید کرد.

coursera پردازش زبان طبیعی در Microsoft Azure (Mitalearn-328794)

  • 45 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

پردازش زبان طبیعی از برنامه هایی پشتیبانی می کند که می توانند کاربران را ببینند، بشنوند، با آنها صحبت کنند و درک کنند. Microsoft Azure با استفاده از خدمات تجزیه و تحلیل متن، ترجمه و درک زبان، ساخت برنامه هایی را که از زبان طبیعی پشتیبانی می کنند آسان می کند. در این دوره آموزشی، نحوه استفاده از سرویس Text Analytics برای پردازش پیشرفته زبان طبیعی متن خام برای تجزیه و تحلیل احساسات، استخراج عبارت کلیدی، شناسایی موجودیت نام‌گذاری شده و تشخیص زبان را خواهید آموخت. نحوه تشخیص و ترکیب گفتار را با استفاده از خدمات شناختی Azure یاد خواهید گرفت. درکی خواهید داشت که چگونه قابلیت‌های ترجمه خودکار در یک راه‌حل هوش مصنوعی، با حذف موانع زبان، همکاری نزدیک‌تر را ممکن می‌سازد. شما با سرویس درک زبان آشنا می شوید و نحوه ایجاد برنامه هایی که زبان را درک می کنند به شما نشان داده می شود. این دوره به شما کمک می کند تا برای آزمون AI-900: Microsoft Azure AI Fundamentals آماده شوید. این چهارمین دوره از یک برنامه پنج دوره ای است که شما را برای شرکت در آزمون گواهینامه AI-900 آماده می کند. این دوره به شما مفاهیم و مهارت های اصلی را می آموزد که در حوزه های امتحانی اصول هوش مصنوعی ارزیابی می شوند. این دوره مبتدی برای پرسنل فناوری اطلاعات که تازه شروع به کار با Microsoft Azure کرده‌اند و می‌خواهند در مورد پیشنهادات Microsoft Azure بیاموزند و تجربه عملی با محصول را کسب کنند مناسب است. Microsoft Azure AI Fundamentals می تواند برای آماده شدن برای سایر گواهینامه های مبتنی بر نقش Azure مانند Microsoft Azure Data Scientist Associate یا Microsoft Azure AI Engineer Associate استفاده شود، اما پیش نیاز هیچ یک از آنها نیست. این دوره برای داوطلبان با سوابق فنی و غیر فنی در نظر گرفته شده است. علم داده و تجربه مهندسی نرم افزار مورد نیاز نیست. با این حال، برخی از دانش یا تجربه برنامه نویسی عمومی مفید خواهد بود. برای موفقیت در این دوره، باید سواد کامپیوتری اولیه و تسلط به زبان انگلیسی را داشته باشید. شما باید با مفاهیم اولیه محاسبات و اصطلاحات، مفاهیم کلی فناوری، از جمله یادگیری ماشین و مفاهیم هوش مصنوعی آشنا باشید.

coursera پردازش زبان طبیعی در TensorFlow (Mitalearn-332211)

  • 1 hours 32 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laurence Moroney
درباره این دوره:

اگر توسعه‌دهنده نرم‌افزاری هستید که می‌خواهید الگوریتم‌های مقیاس‌پذیر مبتنی بر هوش مصنوعی بسازید، باید بدانید که چگونه از ابزارهای ساخت آنها استفاده کنید. این تخصص به شما بهترین روش‌ها را برای استفاده از TensorFlow، یک چارچوب متن‌باز محبوب برای یادگیری ماشین، آموزش می‌دهد. در دوره 3 از تخصص توسعه دهنده DeepLearning.AI TensorFlow، شما سیستم های پردازش زبان طبیعی را با استفاده از TensorFlow خواهید ساخت. شما یاد خواهید گرفت که متن را پردازش کنید، از جمله نشانه گذاری و نمایش جملات به عنوان بردار، به طوری که آنها بتوانند به یک شبکه عصبی وارد شوند. همچنین استفاده از RNN، GRU و LSTM در TensorFlow را یاد خواهید گرفت. در نهایت، می‌توانید یک LSTM را بر روی متن موجود آموزش دهید تا شعر اصلی بسازید! دوره یادگیری ماشین و تخصص یادگیری عمیق از Andrew Ng مهمترین و اساسی ترین اصول یادگیری ماشین و یادگیری عمیق را آموزش می دهد. این تخصص توسعه‌دهنده DeepLearning.AI TensorFlow به شما می‌آموزد که چگونه از TensorFlow برای پیاده‌سازی این اصول استفاده کنید تا بتوانید شروع به ساخت و استفاده از مدل‌های مقیاس‌پذیر برای مشکلات دنیای واقعی کنید. برای ایجاد درک عمیق تر از نحوه عملکرد شبکه های عصبی، توصیه می کنیم که تخصص یادگیری عمیق را انتخاب کنید.

coursera پردازش زبان طبیعی و تکلیف Capstone (Mitalearn-333367)

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

به پردازش زبان طبیعی و تخصیص Capstone خوش آمدید. در این دوره ما با یک شناخت نحوه استفاده از تکنیک های فنی و تجاری برای ارائه بینش تجاری، هوش رقابتی و احساسات مصرف کننده شروع می کنیم. این دوره با یک تکلیف اصلی پایان می یابد که در آن شما طیف گسترده ای از آنچه در این تخصص پوشش داده شده است را اعمال خواهید کرد.

coursera پردازش و تجسم داده های پایه (Mitalearn-331242)

  • 3 hours 1 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Julian McAuley,Ilkay Altintas
درباره این دوره:

این اولین دوره آموزشی چهار دوره تخصصی Python Data Products for Predictive Analytics است که اصول اولیه خواندن و دستکاری مجموعه داده ها را در پایتون معرفی می کند. در این دوره شما یاد می گیرید که محصول داده چیست و از چندین کتابخانه پایتون برای انجام بازیابی، پردازش و تجسم داده ها عبور می کنید. این دوره شما را با رشته علم داده آشنا می کند و شما را برای سه دوره بعدی در تخصص: طراحی تفکر و تجزیه و تحلیل پیش بینی برای محصولات داده، مدل سازی پیش بینی معنادار، و استقرار مدل های یادگیری ماشین آماده می کند. در هر مرحله از تخصص، شما تجربه عملی در دستکاری داده ها و ایجاد مهارت های خود را به دست خواهید آورد، و در نهایت به پروژه ای که شامل تمام مفاهیم آموزش داده شده در تخصص می شود، ختم می شود.

coursera پردازش و دستکاری داده ها (Mitalearn-334251)

  • 1 hours 32 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Di Wu
درباره این دوره:

دوره "پردازش و دستکاری داده ها" درک جامعی از مفاهیم و ابزارهای مختلف پردازش و دستکاری داده ها را در اختیار دانشجویان قرار می دهد. شرکت‌کنندگان یاد می‌گیرند که چگونه مقادیر از دست رفته را مدیریت کنند، نقاط پرت را شناسایی کنند، نمونه‌برداری و کاهش ابعاد را انجام دهند، تکنیک‌های مقیاس‌بندی و گسسته‌سازی را اعمال کنند، و عملیات‌های مکعب داده و جدول محوری را کاوش کنند. این دوره دانش آموزان را با مهارت های ضروری برای آماده سازی کارآمد و تبدیل داده ها برای تجزیه و تحلیل و تصمیم گیری مجهز می کند. اهداف آموزشی: 1. درک اهمیت پردازش و دستکاری داده ها در خط لوله تجزیه و تحلیل داده ها. 2. تکنیک های مدیریت مقادیر از دست رفته در مجموعه داده ها، از جمله راهبردهای انتساب و حذف را بیاموزید. 3. شناسایی و شناسایی موارد پرت برای ارزیابی تأثیر آنها بر تجزیه و تحلیل داده ها و تصمیم گیری. 4. روش های نمونه برداری و تکنیک های کاهش ابعاد را برای مجموعه داده های بزرگ و داده های با ابعاد بالا کاوش کنید. 5. از تکنیک های مقیاس بندی داده ها برای عادی سازی و استانداردسازی متغیرها برای مقایسه های معنادار استفاده کنید. 6. از گسسته سازی برای تبدیل داده های پیوسته به نمایش های طبقه بندی شده استفاده کنید و تجزیه و تحلیل را ساده کنید. 7. درک مفهوم مکعب داده و انجام تجمیع چند بعدی برای تجزیه و تحلیل اکتشافی. 8. جداول محوری برای خلاصه کردن و شکل دادن به داده ها ایجاد کنید و بینش های ارزشمندی را از مجموعه داده های پیچیده به دست آورید. در طول دوره، دانش‌آموزان فعالانه در تمرین‌ها و پروژه‌های عملی شرکت می‌کنند و به آن‌ها اجازه می‌دهد تا تکنیک‌های پردازش و دستکاری داده‌ها را در مجموعه داده‌های دنیای واقعی اعمال کنند. در پایان دوره، شرکت کنندگان به خوبی مجهز خواهند شد تا به طور موثر داده ها را برای کارهای تجزیه و تحلیل بعدی و تصمیم گیری مبتنی بر داده آماده کنند، تمیز کنند و تبدیل کنند.

coursera پروژه Capstone تحلیلگر داده IBM (Mitalearn-330137)

  • 11 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Rav Ahuja,Ramesh Sannareddy
درباره این دوره:

با تکمیل این پروژه نهایی، مهارت ها و تکنیک های تجزیه و تحلیل داده های مختلفی را که به عنوان بخشی از دوره های قبلی در گواهینامه حرفه ای تحلیلگر داده IBM آموخته اید، به کار خواهید گرفت. شما نقش یک تحلیلگر داده‌های مرتبط را که اخیراً به سازمان پیوسته است را بر عهده خواهید گرفت و با یک چالش تجاری مواجه می‌شوید که نیاز به تجزیه و تحلیل داده‌ها دارد تا بر روی مجموعه داده‌های دنیای واقعی انجام شود. شما وظایف مختلفی را که تحلیلگران حرفه ای داده به عنوان بخشی از وظایف خود انجام می دهند، انجام خواهید داد، از جمله: - جمع آوری داده ها از منابع متعدد - جدال داده ها و آماده سازی داده ها - تجزیه و تحلیل داده های اکتشافی - تجزیه و تحلیل آماری و داده کاوی - تجسم داده ها با نمودارها و نمودارهای مختلف و - ایجاد داشبورد تعاملی پروژه با ارائه گزارش تجزیه و تحلیل داده های شما برای سهامداران مختلف در سازمان به اوج خود می رسد. این گزارش شامل یک خلاصه اجرایی، تجزیه و تحلیل شما و یک نتیجه خواهد بود. شما هم از نظر کارتان برای مراحل مختلف فرآیند تجزیه و تحلیل داده ها و هم برای تحویل نهایی ارزیابی خواهید شد. به عنوان بخشی از این پروژه، مهارت خود را در استفاده از نوت‌بوک‌های Jupyter، SQL، پایگاه‌های داده رابطه‌ای (RDBMS)، ابزارهای هوش تجاری (BI) مانند Cognos، و کتابخانه‌های پایتون مانند Pandas، Numpy، Scikit-learn، Scipy، Matplotlib، Seaborn نشان خواهید داد. و دیگران این پروژه افزودنی عالی به مجموعه شما و فرصتی برای به نمایش گذاشتن مهارت های تجزیه و تحلیل داده های خود به کارفرمایان احتمالی است.

coursera پروژه Capstone علوم اجتماعی محاسباتی (Mitalearn-333894)

  • 1 hours 58 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Martin Hilbert
درباره این دوره:

تبریک میگم شما نه تنها موفق شدید که گشت و گذار فکری ما را به پایان برسانید، بلکه در حال حاضر، تمام مهارت های لازم برای اجرای یک گردش کار چند روشی جامع علوم اجتماعی محاسباتی را نیز دارید. ما این مهارت‌ها را در این آزمایشگاه یکپارچه نهایی، جایی که همه آن‌ها را گرد هم می‌آوریم، به کار خواهیم برد. ما داده‌ها را از یک سایت رسانه‌های اجتماعی جمع‌آوری می‌کنیم (با تکیه بر مهارت‌های به‌دست‌آمده در دوره اول این تخصص). سپس داده‌های جمع‌آوری‌شده را با تجسم شبکه‌های حاصل (بر اساس مهارت‌های به‌دست‌آمده در دوره سوم) تجزیه و تحلیل می‌کنیم. ما برخی از جنبه های کلیدی آن را با استفاده از پردازش زبان طبیعی مبتنی بر یادگیری ماشین (به کار انداختن بینش های به دست آمده در دوره دوم) به طور عمیق تجزیه و تحلیل می کنیم. در نهایت، ما از یک مدل شبیه‌سازی کامپیوتری برای کشف مکانیسم‌های مولد احتمالی استفاده می‌کنیم و جنبه‌هایی را که در واقعیت تجربی خود نیافته‌ایم، اما به ما در بهبود این جنبه از جامعه کمک می‌کنند (با تکیه بر مهارت‌های به‌دست‌آمده در دوره چهارم این تخصص) بررسی می‌کنیم. . نتیجه اولین نگاه اجمالی به روش جدیدی از انجام علوم اجتماعی در عصر دیجیتال است: علوم اجتماعی محاسباتی. تبریک می گویم! با انجام همه این کارها، می توانید خود را یک دانشمند علوم اجتماعی محاسباتی نوپا بدانید!

coursera پروژه Capstone: پیش بینی سهام ایمنی (Mitalearn-334302)

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

در این دوره، پیش‌بینی‌هایی در مورد استفاده از محصول انجام می‌دهیم و ذخیره‌سازی بهینه انبار ایمنی را محاسبه می‌کنیم. ما با یک سری زمانی فروش کفش در چندین فروشگاه در سه قاره مختلف شروع خواهیم کرد. برای شروع، با انجام گروه‌بندی و مقایسه محصولات در هر فروشگاه، به دنبال بینش‌های منحصربه‌فرد و چیزهای جالب دیگری می‌گردیم که می‌توانیم در داده‌ها پیدا کنیم. سپس، ما از مدل میانگین متحرک یکپارچه اتورگرسیو فصلی (SARIMA) برای پیش‌بینی فروش آینده استفاده می‌کنیم. علاوه بر پیش‌بینی، آمار ارائه شده (مانند p-score) را برای قضاوت در مورد قابلیت استفاده از مدل SARIMA برای پیش‌بینی تجزیه و تحلیل خواهیم کرد. سپس، ما فراپارامترهای مدل را تنظیم می کنیم تا نتایج بهتر و اهمیت آماری بالاتری به دست آوریم. در نهایت، با نگاه کردن به داده‌ها برای پیش‌بینی‌های استفاده ماهانه و محاسبه موجودی ایمنی از فرمول مربوط به زمان تحویل، پیش‌بینی‌هایی در مورد سهام ایمنی انجام خواهیم داد.

coursera پروژه Capstone: هوش مصنوعی پیشرفته برای کشف دارو (Mitalearn-334013)

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

در این دوره پروژه اصلی، توالی ژنوم جهش‌های COVID-19 را برای شناسایی مناطق بالقوه ای که درمان دارویی می‌تواند هدف قرار دهد، مقایسه می‌کنیم. اولین گام در کشف دارو شامل شناسایی دنباله های هدف از ژنوم آنها به هدف است. ما با مقایسه ژنوم جهش های ویروس برای جستجوی شباهت ها شروع می کنیم. سپس، ما PCA را برای کاهش تعداد ابعاد خود و شناسایی رایج ترین ویژگی ها انجام می دهیم. در مرحله بعد، از خوشه بندی K-means در پایتون برای یافتن تعداد بهینه گروه ها و ردیابی اصل و نسب ویروس استفاده می کنیم. در نهایت، شباهت بین دنباله‌ها را پیش‌بینی می‌کنیم و از آن برای انتخاب دنباله هدف استفاده می‌کنیم. در طول دوره، هر بخش شامل یک تکلیف برنامه نویسی همراه با یک ویدیوی راهنما و نکات مفید خواهد بود. در پایان، شما به خوبی در مسیر کشف راه های مبارزه با بیماری با توالی ژنوم خواهید بود.

Suggestions