کاتالوگ دوره‌ها

مدت زمان دوره

ارائه دهنده

موضوع

طبقه‌ها

نمایش 17,121 تا 17,140 مورد از کل 17,289 مورد.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: توصیه‌ها (Mitalearn-110072)

  • 58 دقیقه
  • متوسط
  • انتشار: 25 July 2026
  • مدرس: Adam Geitgey
درباره این دوره:

این دوره مبتنی بر پروژه به برنامه نویسان در تمام سطوح مهارت نشان می دهد که چگونه از یادگیری ماشین برای ساخت برنامه هایی استفاده کنند که می توانند توصیه هایی را ارائه دهند. در این دوره، آدام گیتگی شما را در یک آزمایشگاه عملی راهنمایی می کند که یک سیستم توصیه می سازد که می تواند محصولات مشابه را بر اساس محصولات قبلی که آنها بررسی یا خریداری کرده اند به مشتریان پیشنهاد دهد. این سیستم همچنین می تواند تشخیص دهد که کدام محصولات مشابه یکدیگر هستند.\r\n\r\n این سیستم ها با کمک به مشتریان در کشف محصولات و خدماتی که ممکن است هرگز خودشان را پیدا نکنند، به تعامل و فروش با مشتری کمک می کند. این دوره از ابزارهای رایگان و متن باز Python 3.5، pandas و numpy استفاده می کند. در پایان دوره، شما مجهز به استفاده از یادگیری ماشینی برای حل مشکلات توصیه می شوید. آنچه یاد می گیرید می تواند مستقیماً در پروژه های خود اعمال شود.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: خوشه بندی و انجمن (Mitalearn-131220)

  • 3 ساعت 33 دقیقه
  • متوسط
  • بروزرسانی: 25 July 2026
  • مدرس: Keith McCormick
درباره این دوره:

یادگیری بدون نظارت نوعی یادگیری ماشینی است که در آن الگوریتم ها داده های بدون برچسب را تجزیه می کنند. تمرکز بر مرتب‌سازی داده‌ها در دسته‌های شناخته‌شده نیست، بلکه کشف الگوهای پنهان است. یادگیری بدون نظارت نقش بزرگی در تقسیم بندی بازاریابی مدرن، کشف تقلب و تجزیه و تحلیل سبد بازار ایفا می کند. این دوره نحوه استفاده از تکنیک‌های پیشرو یادگیری ماشینی - تجزیه و تحلیل خوشه‌ای، تشخیص ناهنجاری، و قوانین مرتبط - را برای به دست آوردن نتایج دقیق و معنی‌دار از داده‌های بزرگ نشان می‌دهد.\r\n\r\n او از همان الگوریتم‌ها برای تشخیص ناهنجاری‌ها استفاده می‌کند، با توابع تخصصی اضافی موجود در IBM SPSS Modeler. او دوره را با مرور قوانین ارتباط و تشخیص توالی پایان می دهد و همچنین منابعی را برای یادگیری بیشتر فراهم می کند.\r\n\r\n

linkedin یادگیری ماشین و مبانی هوش مصنوعی: درختان تصمیم با KNIME (Mitalearn-383823)

  • 2 ساعت 4 دقیقه
  • مناسب همه
  • بروزرسانی: 22 July 2025
  • مدرس: Keith McCormick
درباره این دوره: 

 

پیش نیازهای پیشنهادی

  • آشنایی کلی با یادگیری ماشینی تحت نظارت
  • درک عباراتی مانند متغیر هدف، متغیر ورودی، الگوریتم و پارتیشن قطار/آزمایش

درخت‌های تصمیم شفاف هستند، در هر پلتفرمی در دسترس هستند و برای تکنیک‌های پیشرفته‌تر مانند جنگل‌های تصادفی و XGBoost پایه‌ای هستند. و اگر شما یک دانشمند داده هستید که به دنبال تمرکز بر یادگیری ماشینی هستید، مسلماً موضوع بهتری برای شروع سفر یادگیری شما وجود ندارد. در این دوره، اصول یادگیری ماشینی مربوط به تجزیه و تحلیل پیش بینی و کار با درخت های تصمیم را بیاموزید. در طول مسیر، مربی کیت مک کورمیک با استفاده از پلتفرم KNIME Analytics نمایش هایی ارائه می دهد، بنابراین می توانید نحوه عملکرد این مفاهیم را در سناریوهای دنیای واقعی درک کنید.


linkedin یادگیری ماشین و مبانی هوش مصنوعی: درختان تصمیم با SPSS (Mitalearn-104173)

  • 1 ساعت 27 دقیقه
  • مبتدی
  • بروزرسانی: 25 July 2026
  • مدرس: Keith McCormick
درباره این دوره:

بسیاری از متخصصان علوم داده به دنبال تمرکز بر یادگیری ماشین هستند. این دوره، ملزومات یادگیری ماشین، از جمله تجزیه و تحلیل پیش‌بینی‌کننده و کار با درخت‌های تصمیم را پوشش می‌دهد. چندین الگوریتم درختی محبوب را کاوش کنید و یاد بگیرید که چگونه از مهندسی معکوس برای شناسایی متغیرهای خاص استفاده کنید. نمایش های استفاده از IBM SPSS Modeler گنجانده شده است تا بتوانید نحوه عملکرد درختان تصمیمات را درک کنید. این دوره طراحی شده است تا به شما یک پایه محکم برای ایجاد مهارت های پیشرفته تری در علم داده ارائه دهد.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: درختان تصمیم گیری پیشرفته با KNIME (Mitalearn-383840)

  • 1 ساعت 38 دقیقه
  • مناسب همه
  • بروزرسانی: 22 July 2025
  • مدرس: Keith McCormick
درباره این دوره: 

 به نظر می رسد هر سال روند داغ جدیدی در علم داده وجود دارد. یکی از داغ‌ترین الگوریتم‌های تحلیل پیش‌بینی‌کننده در سال جاری، درخت‌های تقویت‌شده با گرادیان است. اگر اصول درخت های تصمیم را نفهمید، نمی توان امیدوار بود که بفهمد چرا این روش محبوب و موفق است. محبوبیت الگوریتم‌های درختی خاص افزایش و کاهش یافته است، اما مفاهیم اصلی برای حداقل 30 سال برای این رشته اساسی بوده‌اند. در این دوره، مربی کیت مک کورمیک، نیم دوجین الگوریتم درخت تصمیم گیری محبوب را نشان می دهد و بحث می کند. کیت نحوه دسترسی به آنها را با استفاده از گزینه های منبع باز دیگر از داخل پلت فرم KNIME نشان می دهد. او آنها را توضیح می دهد و آنها را مهندسی معکوس می کند تا پایه ای محکم برای ایجاد مهارت های پیشرفته تری در علم داده ایجاد کند.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: رگرسیون خطی (Mitalearn-131237)

  • 4 ساعت 5 دقیقه
  • متوسط
  • بروزرسانی: 28 June 2026
  • مدرس: Keith McCormick
درباره این دوره:

داشتن یک درک کامل از رگرسیون خطی - روشی برای مدل‌سازی رابطه بین یک متغیر وابسته و یک به چندین متغیر دیگر - می‌تواند به شما در حل بسیاری از مسائل دنیای واقعی کمک کند. حوزه های کاربردی شامل پیش بینی تقریباً هر مقدار عددی از جمله ارزش مسکن، هزینه مشتری و قیمت سهام است. این دوره مفاهیم مهم ترین تکنیک های رگرسیون خطی و نحوه استفاده موثر از آنها را نشان می دهد. در طول دوره، مدرس کیت مک کورمیک از آمار SPSS IBM استفاده می کند و در هر مفهوم قدم می زند، بنابراین مقداری قرار گرفتن در معرض آن نرم افزار فرض می شود. اما تاکید بر درک مفاهیم خواهد بود و نه مکانیک نرم افزار. کاربران SPSS این مزیت اضافی را خواهند داشت که تقریباً در معرض هر ویژگی رگرسیون در SPSS قرار می گیرند.

مربی کیت مک کورمیک رگرسیون خطی ساده را پوشش می دهد و نحوه ساختن نمودارهای پراکندگی موثر و محاسبه و تفسیر ضرایب رگرسیون را توضیح می دهد. او همچنین به چالش ها و مفروضات رگرسیون چندگانه می پردازد و از طریق سه استراتژی رگرسیون متمایز گام برمی دارد. برای جمع بندی، او برخی از جایگزین های رگرسیون، از جمله درختان رگرسیون و پیش بینی سری های زمانی را مورد بحث قرار می دهد.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: مدل‌سازی طبقه‌بندی (Mitalearn-131254)

  • 2 ساعت 5 دقیقه
  • متوسط
  • بروزرسانی: 21 June 2026
  • مدرس: Keith McCormick
درباره این دوره:

یک نوع مشکل کاملاً بر یادگیری ماشین و هوش مصنوعی غالب است: طبقه بندی. طبقه‌بندی باینری، روش غالب، داده‌ها را به یکی از دو دسته طبقه‌بندی می‌کند: خرید یا نه، تقلب یا نه، بیمار یا نه، و غیره. یادگیری ماشینی و راه‌حل‌های مبتنی بر هوش مصنوعی به الگوریتم‌های دقیق و خوب انتخاب شده نیاز دارند تا طبقه‌بندی را به درستی انجام دهند. این دوره توضیح می دهد که چرا پروژه های تجزیه و تحلیل پیش بینی در نهایت مشکلات طبقه بندی هستند و چگونه دانشمندان داده می توانند استراتژی (یا استراتژی) مناسب را برای پروژه های خود انتخاب کنند. مربی کیت مک کورمیک از تکنیک های آمار سنتی و یادگیری ماشینی مدرن استفاده می کند و نقاط قوت و ضعف آنها را آشکار می کند. کیت نحوه تعریف استراتژی طبقه بندی خود را توضیح می دهد و روشن می کند که انتخاب درست اغلب ترکیبی از رویکردها است. سپس، او 11 الگوریتم مختلف را برای ساخت مدل شما نشان می دهد، از تجزیه و تحلیل تفکیک کننده گرفته تا رگرسیون لجستیک و شبکه های عصبی مصنوعی. در نهایت، یاد بگیرید که چگونه بر چالش هایی مانند مقابله با داده های از دست رفته و کاهش داده ها غلبه کنید.\r\n\r\n هیچ نرم افزاری برای پیگیری همراه با دوره مورد نیاز نیست.

coursera یادگیری ماشین: رگرسیون (Mitalearn-334795)

  • 10 ساعت 18 دقیقه
  • مناسب همه
  • انتشار: 23 June 2026
  • مدرس: Emily Fox,Carlos Guestrin
درباره این دوره:

مطالعه موردی - پیش بینی قیمت مسکن در اولین مطالعه موردی ما، پیش‌بینی قیمت خانه، مدل‌هایی ایجاد می‌کنید که یک مقدار پیوسته (قیمت) را از ویژگی‌های ورودی (فیلم مربع، تعداد اتاق خواب و حمام،...) پیش‌بینی می‌کنند. این تنها یکی از مکان‌هایی است که می‌توان از رگرسیون استفاده کرد. کاربردهای دیگر از پیش‌بینی نتایج سلامت در پزشکی، قیمت سهام در امور مالی، و استفاده از توان در محاسبات با کارایی بالا تا تجزیه و تحلیل اینکه کدام تنظیم‌کننده برای بیان ژن مهم است، متغیر است. در این دوره، مدل های رگرسیون خطی منظم شده را برای کار پیش بینی و انتخاب ویژگی بررسی خواهید کرد. شما قادر خواهید بود مجموعه‌های بسیار بزرگی از ویژگی‌ها را مدیریت کنید و بین مدل‌هایی با پیچیدگی‌های مختلف انتخاب کنید. شما همچنین تأثیر جنبه‌های داده‌های خود - مانند مقادیر دورافتاده - بر مدل‌ها و پیش‌بینی‌های انتخابی خود را تجزیه و تحلیل خواهید کرد. برای تناسب با این مدل‌ها، الگوریتم‌های بهینه‌سازی را پیاده‌سازی خواهید کرد که به مجموعه داده‌های بزرگ مقیاس می‌شوند. نتایج یادگیری: در پایان این دوره، شما قادر خواهید بود: - ورودی و خروجی یک مدل رگرسیونی را شرح دهید. -مقایسه و کنتراست سوگیری و واریانس هنگام مدل‌سازی داده‌ها. -برآورد پارامترهای مدل با استفاده از الگوریتم های بهینه سازی. تنظیم پارامترها با اعتبار سنجی متقابل. -تحلیل عملکرد مدل - مفهوم پراکندگی و اینکه چگونه LASSO منجر به راه حل های پراکنده می شود را توضیح دهید. -استقرار روش ها برای انتخاب بین مدل ها. -از مدل برای ایجاد پیش بینی بهره برداری کنید. - ساخت یک مدل رگرسیون برای پیش بینی قیمت ها با استفاده از مجموعه داده مسکن. -این تکنیک ها را در پایتون پیاده سازی کنید.

linkedin یادگیری ماشینی AWS با مثال (Mitalearn-144140)

  • 1 ساعت 25 دقیقه
  • متوسط
  • بروزرسانی: 22 June 2026
  • مدرس: Jonathan Fernandes
درباره این دوره:

با سرویس‌های وب آمازون (AWS) به یادگیری ماشینی عمیق‌تر بپردازید. در این دوره عملی، مربی جاناتان فرناندز به شما کمک می‌کند تا با وظایف رایج یادگیری ماشین آشنا شوید و نحوه نزدیک شدن به هر یک را با استفاده از تکنیک‌های کلیدی نشان می‌دهد: طبقه‌بندی باینری، طبقه‌بندی چند کلاسه و رگرسیون. در طول دوره، او چندین نمونه را با استفاده از مجموعه داده های Kaggle برای کاوش عملی بررسی می کند. به علاوه، او برخی مفاهیم ضروری یادگیری ماشین را بررسی می‌کند و به شما کمک می‌کند تا با سایر قابلیت‌های AWS، از جمله SageMaker و Deep Learning AMI آشنا شوید.

مهارت‌های مرتبط

coursera یادگیری ماشینی با پایتون [coursera] (Mitalearn-330001)

  • 2 ساعت 55 دقیقه
  • متوسط
  • انتشار: 27 June 2026
  • مدرس: SAEED AGHABOZORGI,Joseph Santarcangelo
درباره این دوره:

با استفاده از پایتون برای شیرجه زدن به دنیای یادگیری ماشینی (ML) آماده شوید! این دوره برای شما مناسب است چه بخواهید حرفه علم داده خود را پیش ببرید و چه در یادگیری ماشین و یادگیری عمیق شروع کنید. این دوره با مقدمه ای ملایم بر یادگیری ماشین و چیستی آن، با موضوعاتی مانند یادگیری نظارت شده در مقابل یادگیری بدون نظارت، رگرسیون خطی و غیر خطی، رگرسیون ساده و موارد دیگر آغاز خواهد شد. سپس با استفاده از الگوریتم‌های طبقه‌بندی مختلف، یعنی K-Nearest Neighbors (KNN)، درخت‌های تصمیم‌گیری و رگرسیون لجستیک، به تکنیک‌های طبقه‌بندی می‌پردازید. همچنین با اهمیت و انواع مختلف خوشه بندی مانند k-means، خوشه بندی سلسله مراتبی و DBSCAN آشنا خواهید شد. با تمام مفاهیم بسیاری که یاد خواهید گرفت، تاکید زیادی بر یادگیری عملی خواهد شد. شما با کتابخانه های پایتون مانند SciPy و scikit-learn کار خواهید کرد و دانش خود را از طریق آزمایشگاه ها به کار خواهید برد. در پروژه نهایی شما مهارت های خود را با ساخت، ارزیابی و مقایسه چندین مدل یادگیری ماشین با استفاده از الگوریتم های مختلف نشان خواهید داد. در پایان این دوره، شما مهارت های آماده کار برای اضافه کردن به رزومه و گواهی یادگیری ماشینی برای اثبات شایستگی خود خواهید داشت.

coursera یادگیری ماشینی با داده های بزرگ (Mitalearn-334676)

  • 4 ساعت 50 دقیقه
  • مناسب همه
  • انتشار: 23 June 2026
  • مدرس: Mai Nguyen,Ilkay Altintas
درباره این دوره:

آیا می خواهید حجم داده هایی را که جمع آوری کرده اید درک کنید؟ آیا باید تصمیمات مبتنی بر داده را در فرآیند خود بگنجانید؟ این دوره مروری بر تکنیک های یادگیری ماشین برای کاوش، تجزیه و تحلیل و استفاده از داده ها ارائه می دهد. شما با ابزارها و الگوریتم‌هایی آشنا می‌شوید که می‌توانید از آنها برای ایجاد مدل‌های یادگیری ماشینی که از داده‌ها یاد می‌گیرند، استفاده کنید و آن مدل‌ها را تا مشکلات داده‌های بزرگ مقیاس کنید. در پایان دوره، شما قادر خواهید بود: • با استفاده از مراحل فرآیند یادگیری ماشین، رویکردی برای استفاده از داده ها طراحی کنید. • از تکنیک های یادگیری ماشین برای کاوش و آماده سازی داده ها برای مدل سازی استفاده کنید. • نوع مشکل یادگیری ماشین را به منظور اعمال مجموعه تکنیک های مناسب شناسایی کنید. • مدل هایی بسازید که از داده ها با استفاده از ابزارهای منبع باز گسترده در دسترس یاد می گیرند. • مشکلات کلان داده را با استفاده از الگوریتم های یادگیری ماشینی مقیاس پذیر در Spark تجزیه و تحلیل کنید. نرم افزار مورد نیاز: Cloudera VM، KNIME، Spark

datacamp یادگیری ماشینی با مدل های درختی در پایتون (Mitalearn-400755)

  • 1 ساعت
  • مناسب همه
  • انتشار: 28 June 2026
  • مدرس: Elie Kawerk
درباره این دوره:

درخت تصمیم، مدل‌های یادگیری تحت نظارت هستند که برای مسائل مربوط به طبقه‌بندی و رگرسیون استفاده می‌شوند. مدل‌های درختی انعطاف‌پذیری بالایی را ارائه می‌دهند که قیمتی هم دارد: از یک طرف، درختان می‌توانند روابط پیچیده غیرخطی را ثبت کنند. از سوی دیگر، آنها مستعد به خاطر سپردن نویز موجود در یک مجموعه داده هستند. با جمع‌آوری پیش‌بینی‌های درختانی که به‌طور متفاوت آموزش داده می‌شوند، روش‌های گروهی از انعطاف‌پذیری درختان بهره می‌برند و در عین حال تمایل آن‌ها به حفظ نویز را کاهش می‌دهند. روش‌های گروهی در زمینه‌های مختلف مورد استفاده قرار می‌گیرند و سابقه ثابتی در برنده شدن در بسیاری از مسابقات یادگیری ماشین دارند. در این دوره آموزشی، نحوه استفاده از پایتون را برای آموزش درخت‌های تصمیم‌گیری و مدل‌های مبتنی بر درخت با کتابخانه یادگیری ماشینی کاربرپسند scikit-learn یاد خواهید گرفت. شما مزایا و کاستی های درختان را درک خواهید کرد و نشان خواهید داد که چگونه ترکیب بندی می تواند این کاستی ها را کاهش دهد، همگی در حین تمرین بر روی مجموعه داده های دنیای واقعی. در نهایت، همچنین می‌دانید که چگونه می‌توانید تأثیرگذارترین هایپرپارامترها را تنظیم کنید تا بیشترین بهره را از مدل‌های خود ببرید.

مهارت‌های مرتبط

datacamp یادگیری ماشینی با مدل های مبتنی بر درخت در R (Mitalearn-404206)

  • 1 ساعت 15 دقیقه
  • مناسب همه
  • انتشار: 28 June 2026
  • مدرس: Sandro Raabe
درباره این دوره:

مدل‌های یادگیری ماشینی مبتنی بر درخت می‌توانند روابط غیرخطی پیچیده‌ای را در داده‌ها نشان دهند و اغلب بر رقابت‌های یادگیری ماشینی تسلط دارند. در این دوره، از بسته tidymodels برای کاوش و ساختن مدل‌های مختلف مبتنی بر درخت - از درخت‌های تصمیم ساده گرفته تا جنگل‌های تصادفی پیچیده استفاده می‌کنید. همچنین استفاده از درختان تقویت شده را یاد خواهید گرفت، یک تکنیک یادگیری ماشینی قدرتمند که از یادگیری گروهی برای ساخت مدل‌های پیش‌بینی با کارایی بالا استفاده می‌کند. در طول مسیر، با داده‌های ریسک اعتباری و سلامتی کار می‌کنید تا بروز دیابت و ریزش مشتری را پیش‌بینی کنید.

مهارت‌های مرتبط

coursera یادگیری ماشینی بدون نظارت (Mitalearn-270331)

  • 4 ساعت 52 دقیقه
  • متوسط
  • انتشار: 23 June 2026
  • مدرس: Mark J Grover,Miguel Maldonado,Joseph Santarcangelo
درباره این دوره:

این دوره شما را با یکی از انواع اصلی یادگیری ماشینی آشنا می کند: یادگیری بدون نظارت. شما یاد خواهید گرفت که چگونه از مجموعه داده هایی که متغیر هدف یا برچسب گذاری شده ندارند، بینش پیدا کنید. چندین الگوریتم خوشه بندی و کاهش ابعاد را برای یادگیری بدون نظارت و همچنین نحوه انتخاب الگوریتمی که به بهترین وجه با داده های شما مطابقت دارد، یاد خواهید گرفت. بخش عملی این دوره بر استفاده از بهترین شیوه ها برای یادگیری بدون نظارت متمرکز است. در پایان این دوره شما باید بتوانید: انواع مشکلات مناسب برای رویکردهای یادگیری بدون نظارت را توضیح دهید نفرین ابعاد را توضیح دهید و اینکه چگونه خوشه بندی را با بسیاری از ویژگی ها دشوار می کند توصیف و استفاده از الگوریتم های متداول خوشه بندی و کاهش ابعاد در صورت لزوم، نقاط خوشه‌بندی را امتحان کنید، عملکرد مدل‌های هر خوشه را مقایسه کنید معیارهای مربوط به توصیف خوشه ها را درک کنید چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با تکنیک های یادگیری ماشینی بدون نظارت 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 از پاکسازی داده ها، تجزیه و تحلیل داده های اکتشافی، حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.

linkedin یادگیری ماشینی برای بازاریابی: آموزش ضروری (Mitalearn-144123)

  • 55 دقیقه
  • متوسط
  • انتشار: 22 June 2026
  • مدرس: Chris DallaVilla
درباره این دوره:

هوش مصنوعی و یادگیری ماشینی در حال تغییر جهان هستند. رایانه‌ها می‌توانند بدون برنامه‌ریزی از داده‌ها «یاد بگیرند» و تصمیمات خودکار و هوشمندانه بگیرند. این فناوری برای کسب‌وکارهای کوچک و بزرگ قابل دسترسی است و تأثیر زیادی بر شیوه بازاریابی شرکت‌ها دارد. با یادگیری ماشین، بازاریابان می‌توانند بسیاری از وظایف را در سفر مشتری، از جمله تقسیم‌بندی مشتری، شخصی‌سازی و حتی قیمت‌گذاری، خودکار کنند. این دوره به افرادی که دارای نقش های فنی، خلاق و رهبری هستند کمک می کند تا بفهمند چگونه یادگیری ماشینی می تواند روش فروش شما به مشتریان B2B و B2C خود را متحول کند. مشاور بازاریابی کریس دالاویلا نشان می دهد که چگونه می توان از یادگیری ماشینی در همه جنبه های بازاریابی، از بهبود تعامل مشتری گرفته تا بهینه سازی بازاریابی مبتنی بر حساب، استفاده کرد. او موارد استفاده عملی را ارائه می‌کند که فناوری را در عمل نشان می‌دهد، و اطلاعات پایه‌ای را که می‌توانید برای بهینه‌سازی همه کمپین‌های خود استفاده کنید، ارائه می‌کند.

coursera یادگیری ماشینی برای تجزیه و تحلیل داده ها (Mitalearn-335730)

  • 2 ساعت 18 دقیقه
  • مناسب همه
  • انتشار: 23 June 2026
  • مدرس: Jen Rose,Lisa Dierker
درباره این دوره:

آیا علاقه مند به پیش بینی نتایج آینده با استفاده از داده های خود هستید؟ این دوره به شما کمک می کند تا دقیقاً این کار را انجام دهید! یادگیری ماشینی فرآیند توسعه، آزمایش و بکارگیری الگوریتم های پیش بینی برای دستیابی به این هدف است. قبل از فرو رفتن در این مفاهیم یادگیری ماشینی، حتماً با دوره 3 این تخصص آشنا شوید. این دوره بر اساس دوره 3، که دانش آموزان را با مفاهیم یادگیری ماشینی نظارت شده یکپارچه آشنا می کند، مروری بر بسیاری از مفاهیم، ​​تکنیک ها و الگوریتم های اضافی در یادگیری ماشین، از طبقه بندی اولیه تا درخت های تصمیم گیری و خوشه بندی ارائه می دهد. با تکمیل این دوره، یاد خواهید گرفت که چگونه الگوریتم های یادگیری ماشینی را به عنوان روش های جایگزین برای پاسخگویی به سوالات تحقیق خود اعمال، آزمایش و تفسیر کنید.

datacamp یادگیری ماشینی برای کسب و کار (Mitalearn-400619)

  • 52 دقیقه
  • مناسب همه
  • انتشار: 28 June 2026
  • مدرس: Karolis Urbonas
درباره این دوره:

این دوره عناصر کلیدی یادگیری ماشین را به رهبران کسب و کار معرفی می کند. ما بر روی بینش‌های کلیدی و شیوه‌های پایه تمرکز خواهیم کرد که چگونه سؤالات تجاری را به عنوان پروژه‌های مدل‌سازی با تیم‌های یادگیری ماشینی ساختار دهیم. انواع مختلف مدل‌ها را خواهید فهمید، به چه نوع سؤالات تجاری پاسخ می‌دهند، یا چه نوع فرصت‌هایی را می‌توانند کشف کنند، همچنین یاد می‌گیرید که موقعیت‌هایی را که در آن‌ها یادگیری ماشینی نباید اعمال شود، شناسایی کنید، که به همان اندازه مهم است. تفاوت بین استنتاج و پیش‌بینی، پیش‌بینی احتمال و مقادیر، و اینکه چگونه استفاده از یادگیری بدون نظارت می‌تواند به ایجاد استراتژی تقسیم‌بندی مشتری معنادار کمک کند، خواهید فهمید.

مهارت‌های مرتبط

coursera یادگیری ماشینی برای همه (Mitalearn-212837)

  • 1 ساعت 56 دقیقه
  • مبتدی
  • انتشار: 23 June 2026
  • مدرس: Prof Marco Gillies
درباره این دوره:

یادگیری ماشینی که اغلب هوش مصنوعی یا هوش مصنوعی نامیده می شود، یکی از هیجان انگیزترین حوزه های فناوری در حال حاضر است. ما اخبار روزانه را می بینیم که خبر از پیشرفت های جدیدی در فناوری تشخیص چهره، اتومبیل های خودران یا رایانه هایی می دهد که می توانند مانند یک شخص واقعی گفتگو کنند. فناوری یادگیری ماشین تقریباً در هر زمینه‌ای از زندگی و کار انسان متحول می‌شود و به همین ترتیب بر زندگی ما تأثیر می‌گذارد، بنابراین احتمالاً می‌خواهید درباره آن اطلاعات بیشتری کسب کنید. یادگیری ماشینی به عنوان یکی از پیچیده ترین حوزه های علوم کامپیوتر شهرت دارد که برای درک آن به ریاضیات و مهارت های مهندسی پیشرفته نیاز دارد. در حالی که درست است که کار به عنوان یک مهندس یادگیری ماشین شامل ریاضیات و برنامه نویسی زیادی می شود، ما معتقدیم که هر کسی می تواند مفاهیم اساسی یادگیری ماشین را درک کند و با توجه به اهمیت این فناوری، همه باید آن را درک کنند. پیشرفت‌های بزرگ هوش مصنوعی مانند داستان‌های علمی تخیلی به نظر می‌رسند، اما به یک ایده ساده می‌رسند: استفاده از داده‌ها برای آموزش الگوریتم‌های آماری. در این دوره شما یاد خواهید گرفت که ایده اصلی یادگیری ماشین را درک کنید، حتی اگر هیچ پیش زمینه ای در زمینه ریاضی یا برنامه نویسی نداشته باشید. نه تنها این، شما از ابزارهای کاربر پسند توسعه یافته در گلدسمیتز، دانشگاه لندن استفاده کرده و از آنها برای انجام یک پروژه یادگیری ماشینی استفاده خواهید کرد: آموزش رایانه برای تشخیص تصاویر. این دوره برای افراد مختلف است. این می تواند اولین قدم خوبی برای ورود به حرفه فنی در یادگیری ماشین باشد، به هر حال همیشه بهتر است قبل از جزئیات فنی با مفاهیم سطح بالا شروع کنید، اما اگر نقش شما غیر فنی باشد نیز عالی است. شما ممکن است یک مدیر یا نقش غیر فنی دیگری در شرکتی باشید که در حال بررسی استفاده از یادگیری ماشینی است. شما واقعاً نیاز به درک این فناوری دارید و این دوره مکانی عالی برای دریافت این درک است. یا ممکن است فقط گزارش های خبری در مورد هوش مصنوعی را دنبال کنید و علاقه مند به کسب اطلاعات بیشتر در مورد داغ ترین فناوری جدید حال باشید. هر کسی که هستید، ما مشتاقانه منتظر راهنمایی شما در اولین پروژه یادگیری ماشین هستیم. توجه داشته باشید که این دوره برای معرفی شما با یادگیری ماشینی بدون نیاز به برنامه نویسی طراحی شده است. این بدان معناست که ما ابزارهای یادگیری ماشین مبتنی بر برنامه نویسی مانند پایتون و تنسورفلو را پوشش نمی دهیم.

مهارت‌های مرتبط

coursera یادگیری ماشینی در بهداشت و درمان: مبانی و کاربردها (Mitalearn-341867)

  • 1 ساعت 25 دقیقه
  • مبتدی
  • انتشار: 23 June 2026
  • مدرس: Sonya Makhni,Paul Cerrato
درباره این دوره:

دیدگاه ها و روش های داده کاوی را در زمینه مراقبت های بهداشتی بررسی می کند. مبانی نظری روش های اصلی داده کاوی را معرفی می کند و نحوه انتخاب و استفاده از روش داده کاوی مناسب و مزایای عمده هر کدام را مطالعه می کند. دانش آموزان با برنامه های کاربردی نرم افزار داده کاوی معاصر و مهارت های برنامه نویسی اولیه آشنا می شوند. بر حل مشکلات دنیای واقعی که نیاز به پاکسازی داده ها، تبدیل داده ها و مدل سازی داده ها دارند، تمرکز می کند.

مهارت‌های مرتبط

coursera یادگیری ماشینی در سازمان - Português Brasileiro (Mitalearn-332109)

  • 2 ساعت 10 دقیقه
  • متوسط
  • انتشار: 23 June 2026
  • مدرس: Google Cloud Training
درباره این دوره:

Este curso tem uma abordagem realista para o fluxo de trabalho de ML usando um estudo de caso em que uma equipe tem vários casos de uso e exigências comerciais em ML. Essa equipe precisa conhecer as ferramentas necessárias برای یک حکومت و یا گرنسیامنتو د دادوس و تصمیم گیری یک ملهور ابوردجم برای فرآیندهای کاری. A equipe terá três opções para criar modelos de ML em dois casos de uso. Neste curso، explicamos quando usar o AutoML، o BigQuery ML یا Treinamento personalizado برای alcançar osjetivos.

مهارت‌های مرتبط

دوره‌های پیشنهادی