Course catalog

Course duration

Course provider

Topic

Categories

Showing 17,181-17,200 of 17,361 items.

linkedin یادگیری ماشین کاربردی: مهندسی ویژگی (2020) (Mitalearn-227593)

  • 2 hours 26 minutes
  • مناسب همه
  • Release date: 10 August 2020
  • Author: Derek Jedamski
درباره این دوره:

کیفیت پیش‌بینی‌هایی که از مدل یادگیری ماشین شما به دست می‌آید بازتاب مستقیم داده‌هایی است که در طول آموزش به آن‌ها می‌دهید. مهندسی ویژگی به شما کمک می کند تا آخرین بیت ارزش را از داده ها استخراج کنید. این دوره ابزارهایی را برای گرفتن مجموعه داده، حذف سیگنال و حذف نویز به منظور بهینه سازی مدل های خود ارائه می دهد. این مفاهیم تقریباً به هر نوع الگوریتم یادگیری ماشینی تعمیم می یابد. مدرس درک جدامسکی در مورد اصول یادگیری ماشین و مقدمه ای کامل برای مهندسی ویژگی ها تجدید نظر می کند. او ویژگی های پیوسته و طبقه بندی شده را بررسی می کند و نحوه تمیز کردن، عادی سازی و تغییر آنها را نشان می دهد. بیاموزید که چگونه مقادیر از دست رفته را آدرس‌دهی کنید، نقاط پرت را حذف کنید، داده‌ها را تبدیل کنید، شاخص‌ها ایجاد کنید و ویژگی‌ها را تبدیل کنید. در فصل‌های پایانی، درک نحوه آماده‌سازی ویژگی‌ها برای مدل‌سازی را توضیح می‌دهد و چهار تغییر را برای مقایسه ارائه می‌دهد، بنابراین می‌توانید تأثیر تمیز کردن، تبدیل و ایجاد ویژگی‌ها را از طریق لنز عملکرد مدل ارزیابی کنید.

linkedin یادگیری ماشین کاربردی: یادگیری گروه (2022) (Mitalearn-411465)

  • 2 hours 25 minutes
  • مناسب همه
  • Release date: 24 February 2022
  • Author: Derek Jedamski
درباره این دوره: 

 آیا می خواهید مهارت های خود را به عنوان یک پزشک یادگیری ماشین رشد دهید ، اما نمی دانید از کجا شروع کنید؟ برای شروع کار به سمت هدف خود ، نیازی به آموزش رسمی در علم داده ندارید. در این دوره ، مربی درک جیدامسکی به شما نشان می دهد که چگونه می توانید داده های کثیف را مهار کنید ، سیگنال را در آن پیدا کنید و مدلهایی بسازید که پیش بینی های قدرتمندی را با زبان آموزان گروهی ایجاد می کند ، یکی از رایج ترین کلاس های الگوریتم های یادگیری ماشین. در مورد نظریه اساسی که زبان آموزان گروه را هدایت می کند ، بیاموزید و نمونه هایی از یادگیری گروه را در پایتون و سپس اجرای مدل های خود را پوشش دهید. مفاهیمی مانند تقویت ، کیسه و انباشت و نحوه استفاده از هر یک و چه زمانی را کاوش کنید. ابزارهایی را که برای تقویت قدرت پیش بینی خود و پیشبرد مهارت های یادگیری ماشین خود امروز دارید ، بدست آورید.

linkedin یادگیری ماشین کاربردی: یادگیری گروهی (Mitalearn-442643)

  • 1 hours 28 minutes
  • مناسب همه
  • Release date: 28 February 2025
  • Author: Matt Harrison
درباره این دوره: 

 

آیا می‌خواهید مهارت‌های خود را به عنوان یک متخصص یادگیری ماشینی افزایش دهید، اما نمی‌دانید از کجا شروع کنید؟ برای شروع کار به سمت هدف خود نیازی به آموزش رسمی در علم داده ندارید. در این دوره، مربی مت هریسون شما را از طریق مفاهیم کلیدی یادگیری گروهی راهنمایی می کند. روش‌های مختلف مجموعه مانند bagging، boosting و stacking را کاوش کنید و یاد بگیرید که آنها را با استفاده از کتابخانه‌های محبوب Python مانند scikit-learn و XGBoost پیاده‌سازی کنید. در پایان این دوره، شما به مهارت‌هایی که برای پیاده‌سازی و بهینه‌سازی مدل‌های مجموعه در کارهای یادگیری ماشین در دنیای واقعی نیاز دارید، مجهز می‌شوید.

این دوره با GitHub Codespaces، یک محیط توسعه‌دهنده ابری فوری که تمام عملکردهای IDE مورد علاقه‌تان را بدون نیاز به راه‌اندازی ماشین محلی ارائه می‌کند، یکپارچه شده است. با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید، در حالی که از ابزاری استفاده می‌کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای آشنایی با نحوه شروع کار، «استفاده از فضاهای کد GitHub» را با این دوره بررسی کنید.


linkedin یادگیری ماشین کاربردی: یادگیری نظارت شده (Mitalearn-411499)

  • 2 hours 26 minutes
  • مناسب همه
  • Release date: 25 July 2025
  • Author: Matt Harrison
درباره این دوره: 

 در این دوره ، مت هریسون-یک مربی شرکتی پایتون و علوم داده ، نویسنده ، سخنران ، مشاور و مشاور-به شما نشان می دهد که چگونه می توانید از تکنیک های یادگیری نظارت شده برای مشکلات دنیای واقعی استفاده کنید ، با تمرکز بر هر دو طبقه بندی و رگرسیون. با مدلهای اساسی مانند رگرسیون خطی شروع کنید و سپس به الگوریتم های پیچیده تری مانند درختان تصمیم گیری و XGBOOST بروید. به علاوه ، تکنیک های ارزیابی ، بهینه سازی و استقرار مدل را کاوش کنید. با چالش ها و راه حل های عملی ، این دوره شما را برای استفاده از یادگیری نظارت شده برای حل مشکلات در صنایعی مانند مراقبت های بهداشتی ، امور مالی و املاک و مستغلات آماده می کند.

coursera یادگیری ماشین نظارت شده: رگرسیون (Mitalearn-270297)

  • 5 hours 17 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mark J Grover,Miguel Maldonado,Svitlana (Lana) Kramar
درباره این دوره:

این دوره شما را با یکی از انواع اصلی خانواده مدل سازی یادگیری ماشینی تحت نظارت آشنا می کند: رگرسیون. شما یاد خواهید گرفت که چگونه مدل های رگرسیون را برای پیش بینی نتایج مستمر آموزش دهید و چگونه از معیارهای خطا برای مقایسه بین مدل های مختلف استفاده کنید. این دوره همچنین شما را از طریق بهترین شیوه‌ها، از جمله تقسیم‌های آموزشی و آزمایشی، و تکنیک‌های منظم‌سازی راهنمایی می‌کند. در پایان این دوره شما باید بتوانید: کاربردها و کاربردهای طبقه بندی و رگرسیون را در زمینه یادگیری ماشینی نظارت شده متمایز کنید  مدل های رگرسیون خطی را توصیف و استفاده کنید از انواع معیارهای خطا برای مقایسه و انتخاب یک مدل رگرسیون خطی که به بهترین وجه با داده های شما مطابقت دارد، استفاده کنید توضیح دهید که چرا منظم کردن ممکن است به جلوگیری از برازش بیش از حد کمک کند از رگرسیون های منظم سازی استفاده کنید: Ridge، LASSO، و Elastic net   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده‌ای را که علاقه‌مند به کسب تجربه عملی با تکنیک‌های رگرسیون یادگیری ماشین نظارت شده در یک محیط تجاری هستند، هدف قرار می‌دهد.   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.

coursera یادگیری ماشین نظارت شده: رگرسیون و طبقه بندی (Mitalearn-327791)

  • 5 hours 52 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Andrew Ng,Aarti Bagul,Geoff Ladwig
درباره این دوره:

در اولین دوره تخصص یادگیری ماشین، شما: • ساخت مدل های یادگیری ماشین در پایتون با استفاده از کتابخانه های معروف یادگیری ماشین NumPy و scikit-learn. • ساخت و آموزش مدل‌های یادگیری ماشینی تحت نظارت برای پیش‌بینی و وظایف طبقه‌بندی باینری، از جمله رگرسیون خطی و رگرسیون لجستیک The Machine Learning Specialization یک برنامه آنلاین اساسی است که با همکاری DeepLearning.AI و Stanford Online ایجاد شده است. در این برنامه مبتدی دوستانه، اصول یادگیری ماشینی و نحوه استفاده از این تکنیک ها برای ساخت اپلیکیشن های هوش مصنوعی در دنیای واقعی را خواهید آموخت. این تخصص توسط اندرو انگ، یک آینده‌نگر هوش مصنوعی که تحقیقات انتقادی را در دانشگاه استنفورد و کارهای پیشگامانه در Google Brain، Baidu و Landing.AI برای پیشرفت در زمینه هوش مصنوعی رهبری کرده است، آموزش داده می‌شود. این تخصص 3 دوره ای، نسخه به روز شده و توسعه یافته دوره پیشگام یادگیری ماشین اندرو است که از زمان راه اندازی آن در سال 2012، دارای امتیاز 4.9 از 5 است و بیش از 4.8 میلیون زبان آموز آن را دریافت کرده اند. این مقدمه گسترده ای برای یادگیری ماشین مدرن، از جمله یادگیری نظارت شده (رگرسیون خطی چندگانه، رگرسیون لجستیک، شبکه های عصبی و درختان تصمیم)، یادگیری بدون نظارت (خوشه بندی، کاهش ابعاد، سیستم های توصیه گر) و برخی از بهترین شیوه های مورد استفاده در سیلیکون ارائه می کند. Valley برای نوآوری های هوش مصنوعی و یادگیری ماشین (ارزیابی و تنظیم مدل ها، اتخاذ رویکرد داده محور برای بهبود عملکرد، و موارد دیگر). در پایان این تخصص، شما بر مفاهیم کلیدی تسلط خواهید داشت و دانش عملی برای به کارگیری سریع و قدرتمند یادگیری ماشینی در مسائل چالش برانگیز دنیای واقعی را به دست خواهید آورد. اگر به دنبال ورود به هوش مصنوعی یا ایجاد حرفه ای در یادگیری ماشین هستید، تخصص جدید یادگیری ماشین بهترین مکان برای شروع است.

coursera یادگیری ماشین نظارت شده: طبقه بندی (Mitalearn-270314)

  • 6 hours 49 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mark J Grover,Svitlana (Lana) Kramar,Joseph Santarcangelo
درباره این دوره:

این دوره شما را با یکی از انواع اصلی خانواده های مدل سازی یادگیری ماشینی تحت نظارت آشنا می کند: طبقه بندی. شما یاد خواهید گرفت که چگونه مدل های پیش بینی را برای طبقه بندی نتایج طبقه بندی و نحوه استفاده از معیارهای خطا برای مقایسه بین مدل های مختلف آموزش دهید. بخش عملی این دوره بر استفاده از بهترین شیوه‌ها برای طبقه‌بندی، از جمله تقسیم‌بندی قطار و آزمایش، و مدیریت مجموعه داده‌ها با کلاس‌های نامتعادل تمرکز دارد. در پایان این دوره شما باید بتوانید: -متمایز کردن کاربردها و کاربردهای گروه های طبقه بندی و طبقه بندی -تشریح و استفاده از مدل های رگرسیون لجستیک -تشریح و استفاده از مدل های درخت تصمیم و مجموعه درخت -توصیف و استفاده از سایر روش های مجموعه برای طبقه بندی -از انواع معیارهای خطا برای مقایسه و انتخاب مدل طبقه بندی که به بهترین وجه با داده های شما مطابقت دارد، استفاده کنید -از نمونه برداری بیش از حد و نمونه برداری کم به عنوان تکنیک هایی برای مدیریت کلاس های نامتعادل در یک مجموعه داده استفاده کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با تکنیک های طبقه بندی یادگیری ماشین نظارت شده 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 ماشین و آمار در پایتون (Mitalearn-435656)

  • 1 hours 18 minutes
  • مناسب همه
  • Release date: 25 July 2026
  • Author: Milan Janosov, Ph.D.
درباره این دوره:

در این دوره ، میلان جانوسوف ، متخصص شناخته شده در سطح جهانی ، مقدمه ای را برای تقاطع یادگیری ماشین و تجزیه و تحلیل فضایی ، پوشش مفاهیم اصلی ، چالش ها و برنامه های دنیای واقعی فراهم می کند. در مورد اصول آمار مکانی ، از جمله همبستگی مکانی و درون یابی ، با استفاده از کتابخانه های پایتون مانند ژئوپاندا بیاموزید. به تکنیک های یادگیری ماشین بدون نظارت ، مانند تجزیه و تحلیل کانون ، K-Means و خوشه بندی DBSCAN شیرجه بزنید و این تکنیک ها را در داده های جغرافیایی اعمال کنید. روشهای یادگیری نظارت شده ، از جمله مهندسی ویژگی های مکانی ، مدل های رگرسیون و جنگل های تصادفی مکانی را برای تجزیه و تحلیل پیش بینی ، کاوش کنید و مرحله ای را برای اکتشافات بیشتر تعیین کنید. این دوره به شما مهارت هایی را برای انجام تجزیه و تحلیل آماری پیشرفته و اجرای وظایف یادگیری ماشین بر روی داده های مکانی می آموزد.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: استراتژی مدل‌سازی پیش‌بینی‌کننده در مقیاس (Mitalearn-151297)

  • 1 hours 2 minutes
  • مبتدی
  • Update date: 25 July 2026
  • Author: Keith McCormick
درباره این دوره:

ساخت راه‌حل‌های تحلیلی پیش‌بینی‌کننده در سطح جهانی مستلزم درک این نکته است که چالش‌های مقیاس و اندازه نمونه در مراحل مختلف یک پروژه بسیار نوسان دارند. چگونه می دانید چه مقدار داده باید استفاده کنید؟ چه چیزی کم است، چه چیزی زیاد است؟ زیرساخت شما چگونه باید با حجم و تقاضای پروژه مقیاس شود؟ این دوره گام به گام جنبه های استراتژیک و تاکتیکی تعیین میزان داده مورد نیاز برای ساختن یک راه حل مدل سازی پیش بینی کننده موثر بر اساس یادگیری ماشین و حجم داده ها آنقدر زیاد است که چالش هایی را ایجاد می کند. مربی، کیت مک کورمیک، هر مرحله (انتخاب داده، آماده‌سازی داده، مدل‌سازی، امتیازدهی، و استقرار) را با مقیاس‌پذیری در ذهن مرور می‌کند و بینش‌ها، دیدگاه‌ها و ابزارهای همکاری جدید را به متخصصان فناوری اطلاعات، دانشمندان داده و رهبری ارائه می‌کند.

rnrn تاکید بر استراتژی و برنامه ریزی است. نمونه ها، محاسبات و نتایج نرم افزار نشان داده شده فقط برای اهداف آموزشی هستند.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: استنتاج علی و مدلسازی (Mitalearn-385013)

  • 2 hours 51 minutes
  • مناسب همه
  • Release date: 22 July 2022
  • Author: Keith McCormick
درباره این دوره: 

 این دوره با مدرس کیت مک کورمیک مقدمه ای بر برخی از تکنیک های پیشرفته در استنتاج علی و مدل سازی علّی ارائه می دهد. این پایه بر پایه دوره کیث، یادگیری ماشین و مبانی هوش مصنوعی: پیش بینی، علیت و استنتاج آماری استوار است. کیت این دوره را بر روی سه موضوع اصلی متمرکز می کند: قدرت آزمایش ها (و واقعیت این است که آنها همیشه به عنوان یک گزینه در دسترس نیستند). فلسفه و رویکرد آمار بیزی و زمانی که انتخاب خوبی است. و مقدمه‌ای بر مدل‌سازی علی با تکنیک‌هایی مانند مدل‌سازی معادلات ساختاری و شبکه‌های بیزی. با کیت در این دوره همراه باشید تا با این تکنیک های پیشرفته و آنچه که آنها را قدرتمند و جالب می کند آشنا شوید.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: برآورد ارزش (Mitalearn-107369)

  • 1 hours 4 minutes
  • متوسط
  • Release date: 25 July 2026
  • Author: Adam Geitgey
درباره این دوره:

تخمین ارزش - یکی از رایج ترین انواع الگوریتم های یادگیری ماشین - می تواند به طور خودکار مقادیر را با مشاهده اطلاعات مرتبط تخمین بزند. به عنوان مثال، یک وب سایت می تواند بر اساس موقعیت و ویژگی های ملک، ارزش یک خانه را تعیین کند. در این دوره مبتنی بر پروژه، نحوه استفاده از یادگیری ماشین را برای ساختن یک سیستم تخمین ارزش که می تواند ارزش یک خانه را استنتاج کند، کشف کنید. آدام گیتگی را دنبال کنید تا در مورد نحوه استفاده از داده های نمونه برای ساختن یک مدل یادگیری ماشینی صحبت کند و سپس از آن مدل در برنامه های خود استفاده کنید. اگرچه پروژه ارائه شده در این دوره بر روی املاک و مستغلات تمرکز دارد، شما می توانید از همین رویکرد برای حل هر نوع مشکل تخمین ارزش با یادگیری ماشین استفاده کنید.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: پیش‌بینی، علیت و استنتاج آماری (Mitalearn-392612)

  • 2 hours 2 minutes
  • مناسب همه
  • Release date: 18 March 2022
  • Author: Keith McCormick
درباره این دوره: 

 در دنیای علم داده، یادگیری ماشین و آمار اغلب با هم ترکیب می‌شوند، اما اهداف متفاوتی را دنبال می‌کنند و تسلط به یکی به معنای تخصص در دیگری نیست. در واقع، استفاده از یک رویکرد آماری برای یک مشکل یادگیری ماشینی، یا بالعکس، می تواند بیش از روشن شدن منجر به سردرگمی شود. در این دوره، کیت مک کورمیک چگونگی متفاوت بودن آمار و یادگیری ماشین، زمان استفاده از هر یک و نحوه استفاده از تمام ابزارهایی که در اختیار دارید را برای شفاف و متقاعدکننده بودن هنگام به اشتراک گذاشتن نتایج خود پوشش می دهد. او موضوعاتی مانند: چرا همبستگی شواهد کافی برای علیت نیست. تفاوت بین داده های تجربی و مشاهده ای؛ و تفاوت بین آمار سنتی و آمار بیزی. کیت همچنین به علیت نگاه می کند، موضوعی پیچیده در استفاده از آمار و یادگیری ماشین برای اثبات چیزی که باعث چیز دیگری می شود. اگر مدل‌های یادگیری ماشینی می‌سازید، تحلیل‌های آماری را اجرا می‌کنید - یا به‌ویژه اگر هر دو را انجام می‌دهید، این دوره برای شما مناسب است.

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

  • 58 minutes
  • متوسط
  • Release date: 25 July 2026
  • Author: 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 hours 33 minutes
  • متوسط
  • Update date: 25 July 2026
  • Author: 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 hours 4 minutes
  • مناسب همه
  • Update date: 22 July 2025
  • Author: 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 hours 27 minutes
  • مبتدی
  • Update date: 25 July 2026
  • Author: 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 hours 38 minutes
  • مناسب همه
  • Update date: 22 July 2025
  • Author: 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 hours 5 minutes
  • متوسط
  • Update date: 28 June 2026
  • Author: 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 hours 5 minutes
  • متوسط
  • Update date: 21 June 2026
  • Author: 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 hours 18 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: 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.

Suggestions