Course catalog

Course duration

Course provider

Topic

Categories

Showing 181-200 of 587 items.

coursera پکیج های R ساختمان (Mitalearn-334047)

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

نوشتن کد خوب برای علم داده تنها بخشی از کار است. به منظور به حداکثر رساندن سودمندی و قابلیت استفاده مجدد از نرم افزار علم داده، کد باید به گونه ای سازماندهی و توزیع شود که مطابق با استانداردهای جامعه محور باشد و تجربه کاربری خوبی را ارائه دهد. این دوره ابزارهای اولیه ای را که به وسیله آنها نرم افزار R سازماندهی و به دیگران توزیع می شود را پوشش می دهد. ما توسعه بسته‌های R، نوشتن اسناد و نگاره‌های خوب، نوشتن نرم‌افزار قوی، توسعه بین پلتفرم‌ها، ابزارهای یکپارچه‌سازی مداوم، و توزیع بسته‌ها از طریق CRAN و GitHub را پوشش می‌دهیم. فراگیران بسته های R را تولید می کنند که معیارهای ارسال به CRAN را برآورده می کند.

coursera پلتفرم Hadoop و چارچوب برنامه (Mitalearn-334982)

  • 4 hours 38 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Natasha Balac, Ph.D.,Paul Rodriguez,Andrea Zonca
درباره این دوره:

این دوره برای برنامه نویسان تازه کار یا افراد تجاری است که می خواهند ابزارهای اصلی مورد استفاده برای بحث و تحلیل داده های بزرگ را درک کنند. بدون هیچ تجربه قبلی، این فرصت را خواهید داشت که نمونه های عملی را با چارچوب های Hadoop و Spark که دو مورد از رایج ترین آنها در صنعت هستند، مرور کنید. با توضیح اجزای خاص و فرآیندهای اساسی معماری Hadoop، پشته نرم افزار و محیط اجرا راحت خواهید بود. در تکالیف به شما راهنمایی می‌شود که چگونه دانشمندان داده مفاهیم و تکنیک‌های مهمی مانند Map-Reduce را که برای حل مشکلات اساسی در داده‌های بزرگ استفاده می‌شوند، به کار می‌برند. برای گفتگو در مورد کلان داده ها و فرآیند تجزیه و تحلیل داده ها احساس قدرت خواهید کرد.

coursera پلتفرم های MLOps: Amazon SageMaker و Azure ML (Mitalearn-336104)

  • 3 hours 39 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Noah Gift,Alfredo Deza
درباره این دوره:

در پلت‌فرم‌های MLOps (عملیات یادگیری ماشین): Amazon SageMaker و Azure ML، مهارت‌های لازم برای ساخت، آموزش و استقرار راه‌حل‌های یادگیری ماشین را در یک محیط تولید با استفاده از دو پلتفرم ابری پیشرو خواهید آموخت: خدمات وب آمازون (AWS) و Microsoft Azure. این دوره همچنین یک منبع عالی برای افرادی است که به دنبال آماده شدن برای گواهینامه های یادگیری ماشینی AWS یا Azure هستند یا به عنوان دانشمندان داده، مهندسان نرم افزار، توسعه دهندگان نرم افزار، تحلیلگران داده یا سایر نقش هایی که از یادگیری ماشینی استفاده می کنند، کار می کنند (یا به دنبال کار هستند). از طریق یک سری تمرین‌های عملی، شهودی برای الگوریتم‌های یادگیری ماشین اولیه و تجربه عملی کار با این پلت‌فرم‌های پیشرو Cloud به دست خواهید آورد. در پایان دوره، شما قادر خواهید بود راه حل های یادگیری ماشین را در یک محیط تولید با استفاده از فناوری AWS و Azure استقرار دهید. هفته 1. مهندسی داده را با فناوری AWS کاوش کنید. ما در مورد موضوعاتی مانند شروع یادگیری ماشین در AWS، ایجاد مخازن داده، و شناسایی و اجرای راه‌حل‌هایی برای جذب و تبدیل داده بحث خواهیم کرد. هفته 2. با فناوری AWS، مهارت های پایه علوم داده را به دست آورید. شما تکنیک های پاکسازی داده ها، مهندسی ویژگی ها، تجزیه و تحلیل داده ها و تجسم داده ها را برای یادگیری ماشینی خواهید آموخت. ما استفاده از راه‌حل‌های بدون سرور را که در AWS در دسترس هستند، در اولویت قرار می‌دهیم تا فرآیند کارآمدتر شود. هفته 3. مدل‌های یادگیری ماشینی را با فناوری AWS بیاموزید. ما نحوه انتخاب مدل‌های مناسب برای کار در دست، انتخاب ابرپارامترها، آموزش مدل‌ها بر روی پلت فرم و ارزیابی مدل‌ها را بررسی خواهیم کرد. هفته 4. آموزش MLOps با AWS: مرحله نهایی قرار دادن یادگیری ماشینی در تولید. ما در مورد موضوعاتی مانند عملیاتی کردن یک مدل یادگیری ماشین، تصمیم گیری بین CPU و GPU، و استقرار و حفظ مدل بحث خواهیم کرد. هفته 5. نحوه کار با داده ها و یادگیری ماشین را در دومین پلتفرم پیشرو مبتنی بر Cloud بیاموزید: Azure ML.

coursera پیاده سازی و عملیات یادگیری ماشین در AWS (Mitalearn-329695)

  • 1 hours 43 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Whizlabs Instructor
درباره این دوره:

عملیات پیاده سازی یادگیری ماشین در AWS پنجمین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. این دوره تمرکز عمده ای بر طراحی و پیاده سازی راه حل های یادگیری ماشین برای عملکرد، در دسترس بودن، مقیاس پذیری، انعطاف پذیری و تحمل خطا دارد. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره آموزشی با سخنرانی‌های ویدیویی تقریباً 1:00 تا 1:30 ساعته که هم تئوری و هم دانش عملی را ارائه می‌کند، به فراگیران کمک 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: عملیات پیاده سازی یادگیری ماشین در AWS-Part 1 ماژول 2: عملیات پیاده سازی یادگیری ماشین در AWS-Part 2 حداقل دو سال تجربه عملی در معماری، ساخت یا اجرای بارهای کاری ML/یادگیری عمیق در AWS Cloud. در پایان این دوره، فراگیران قادر خواهند بود: -طراحی راه حل های یادگیری ماشین برای عملکرد، در دسترس بودن، مقیاس پذیری، انعطاف پذیری و تحمل خطا -اجرای خدمات و ویژگی های یادگیری ماشین مناسب برای یک مشکل خاص -راه حل های یادگیری ماشین را با آزمایشگاه توسعه دهید

coursera پیاده سازی و کاربردهای پایگاه داده رابطه ای (Mitalearn-331871)

  • 9 hours 2 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Gerald Balekaki,Yousef Elmehdwi
درباره این دوره:

در دنیای داده محور امروزی، توانایی کار با پایگاه داده های رابطه ای یک مهارت ضروری برای متخصصان در زمینه های مختلف است. این دوره آموزشی برای تجهیز شما به دانش و مهارت های عملی مورد نیاز برای مهارت در مدیریت پایگاه داده و توسعه اپلیکیشن طراحی شده است. چه به عنوان مدیر پایگاه داده، توسعه‌دهنده نرم‌افزار، یا تحلیلگر داده‌ها شغلی را دنبال کنید، این دوره پایه‌ای قوی برای برتری در زمینه انتخابی شما فراهم می‌کند. در پایان این دوره، دانشجویان قادر خواهند بود: • پایگاه داده های رابطه ای و اجزای اصلی آنها شامل جداول، ردیف ها، ستون ها و کلیدها را شرح دهید. • پیاده سازی پایگاه داده رابطه ای و استفاده از ایندکس ها، نماها، محرک ها، جداول موقت، توابع و رویه های ذخیره شده. • نقش آنها را در اجرای منطق تجاری و یکپارچگی داده ها در محیط پایگاه داده توضیح دهید. • استفاده از طراحی پایگاه داده و دانش SQL برای توسعه برنامه های کاربردی در دنیای واقعی. • برنامه های کاربردی مبتنی بر پایگاه داده را با استفاده از زبان های برنامه نویسی، مانند جاوا، پایتون یا C/C++ و فریم ورک ها توسعه دهید. • مفاهیم نمایه سازی و هش در پشتیبانی کارآمد برای عملیات جستجو را شرح دهید. • مفاهیم معاملات و خصوصیات آنها (ACID: Atomicity, Consistency, Isolation, Durability) را شرح دهید. • کنترل همزمانی را تعریف کنید و تاثیر تراکنش های همزمان کنترل نشده را بر یکپارچگی داده ها درک کنید. نرم افزار مورد نیاز: ویرایشگر VS Code، MySQL Workbench، PostgreSQL برای موفقیت در این دوره، فراگیران باید درک کاملی از طراحی پایگاه داده رابطه ای داشته باشند. اگر هنوز بر این مهارت ها مسلط نشده اید، اکیداً توصیه می کنیم مقدمه ای بر پایگاه های داده رابطه ای و طراحی پایگاه داده رابطه ای را از قبل تکمیل کنید. این دوره های پایه برای تجهیز شما به دانش ضروری لازم برای برتری در این مطالب طراحی شده اند.

coursera پیدا کردن و آماده شدن برای شغل مناسب (Mitalearn-329933)

  • مبتدی
  • Release date: 27 June 2026
  • Author: Camille Funk
درباره این دوره:

پیدا کردن و آماده شدن برای شغل مناسب در زمینه DS/AI می تواند مشکل باشد. در این دوره، بررسی خواهیم کرد که چگونه بازار کار توصیفات بسیار متفاوتی برای یک عنوان شغلی دارد، چگونه می توان تشخیص داد که یک شرکت واقعاً به دنبال چه چیزی است، و چگونه می توان بازار کار "پنهان" را جستجو کرد. همچنین به بررسی اجمالی حوزه‌های مهارتی می‌پردازیم که کارشناسان توصیه می‌کنند قبل از درخواست شغل در این زمینه، نحوه تنظیم رزومه خود را طوری تنظیم کنید که چشم یک مدیر استخدام DS/AI را جلب کند، و چگونه یک نمونه کار درخشان ایجاد کنید. در نهایت، در مورد اهمیت بازاریابی خود و نکات و ترفندهایی در مورد چگونگی انجام آن به خوبی صحبت خواهیم کرد. در پایان این دوره، دانشجویان قادر خواهند بود: • شرح شغل را با عناوین یکسان برای تشخیص مجموعه مهارت های مختلف مورد نیاز رمزگشایی کنید. • زمینه های مهارتی اصلی را به یاد بیاورید که کارشناسان توصیه می کنند در آماده سازی برای برنامه های کاربردی DS/AI و مصاحبه ها، بازبینی و شناسایی مهارت هایی که باید تجدید شوند. • با به کارگیری نکاتی خاص در این زمینه، نمونه کارها و رزومه خود را برجسته کنید. • نحوه بازاریابی خود را بشناسید و چگونه نمایشگاه های شغلی، ارتباط با استخدام کنندگان و شبکه سازی می تواند کمک کند. • توضیح دهید که چه نوع شبکه ای در این زمینه سودمند است.

coursera پیش بینی تقاضا با استفاده از سری زمانی (Mitalearn-333928)

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

این دوره دومین دوره تخصصی در زمینه یادگیری ماشین برای مبانی زنجیره تامین است. در این دوره، تمام جنبه های سری های زمانی، به ویژه برای پیش بینی تقاضا را بررسی می کنیم. ما با به دست آوردن جای پایی در مفاهیم اساسی پیرامون سری های زمانی، از جمله ایستایی، روند (رانش)، چرخه ای بودن، و فصلی شروع خواهیم کرد. سپس، مدتی را صرف تحلیل روش‌های همبستگی در رابطه با سری‌های زمانی (خودهمبستگی) خواهیم کرد. در نیمه دوم دوره، ما بر روی روش‌هایی برای پیش‌بینی تقاضا با استفاده از سری‌های زمانی، مانند مدل‌های خودرگرسیون تمرکز خواهیم کرد. در نهایت، با پروژه ای نتیجه گیری می کنیم که تقاضا را با استفاده از مدل های ARIMA در پایتون پیش بینی می کند.

coursera پیش بینی و کنترل با تقریب تابع (Mitalearn-330222)

  • 3 hours 48 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Martha White,Adam White
درباره این دوره:

در این دوره یاد خواهید گرفت که چگونه مسائل را با فضاهای بزرگ، با ابعاد بالا و بالقوه بی نهایت حل کنید. خواهید دید که تخمین توابع ارزش را می توان به عنوان یک مشکل یادگیری تحت نظارت --- تقریب عملکرد --- به شما امکان می دهد تا نمایندگانی را بسازید که با دقت تعادل و تبعیض را به منظور حداکثر رساندن پاداش تعادل برقرار کنید. ما این سفر را با بررسی اینکه چگونه روش‌های ارزیابی خط‌مشی یا پیش‌بینی ما مانند مونت کارلو و TD را می‌توان به تنظیمات تقریب تابع گسترش داد، آغاز خواهیم کرد. شما در مورد تکنیک های ساخت ویژگی برای RL و یادگیری نمایش از طریق شبکه های عصبی و backprop یاد خواهید گرفت. ما این دوره را با یک فرو رفتن عمیق در روش‌های گرادیان سیاست به پایان می‌رسانیم. راهی برای یادگیری مستقیم سیاست ها بدون یادگیری تابع ارزش. در این دوره شما دو وظیفه کنترل حالت پیوسته را حل می کنید و مزایای روش های گرادیان خط مشی را در یک محیط کنش پیوسته بررسی می کنید. پیش نیازها: این دوره به شدت مبتنی بر مبانی دوره های 1 و 2 است و فراگیران باید قبل از شروع این دوره این موارد را تکمیل کرده باشند. همچنین زبان آموزان باید با احتمالات و انتظارات، جبر خطی پایه، حساب دیفرانسیل و انتگرال، پایتون 3.0 (حداقل 1 سال) و پیاده سازی الگوریتم ها از کد شبه راحت باشند. در پایان این دوره، شما قادر خواهید بود: - درک نحوه استفاده از رویکردهای یادگیری نظارت شده برای تقریبی توابع ارزش درک اهداف برای پیش بینی (تخمین ارزش) تحت تقریب تابع -اجرای TD با تقریب تابع (تجمع حالت)، در محیطی با فضای حالت نامحدود (فضای حالت پیوسته) - درک رویکردهای مبتنی بر شبکه های عصبی ثابت و شبکه های عصبی برای ساخت ویژگی پیاده سازی TD با تقریب تابع شبکه عصبی در یک محیط حالت پیوسته -در هنگام حرکت به سمت تقریب تابع، مشکلات جدید در اکتشاف را درک کنید -تضاد فرمول‌های مشکل با تخفیف برای کنترل در مقابل فرمول‌بندی مشکل پاداش متوسط -پیاده سازی Sarsa و Q-Learning مورد انتظار با تقریب تابع در یک کار کنترل حالت مستمر - درک اهداف برای برآورد مستقیم خط مشی ها (اهداف شیب سیاست) - یک روش گرادیان خط مشی (به نام Actor-Critic) روی یک محیط حالت گسسته پیاده سازی کنید

coursera تجزیه و تحلیل آماری استنباطی با پایتون (Mitalearn-332721)

  • 5 hours 4 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Brenda Gunderson,Brady T. West,Kerby Shedden
درباره این دوره:

در این دوره، ما اصول اولیه استفاده از داده ها برای تخمین و ارزیابی نظریه ها را بررسی خواهیم کرد. ما هم داده های طبقه بندی شده و هم داده های کمی را تجزیه و تحلیل خواهیم کرد، از تکنیک های یک جمعیت شروع می کنیم و برای مقایسه دو جمعیت گسترش می دهیم. ما یاد خواهیم گرفت که چگونه فواصل اطمینان ایجاد کنیم. ما همچنین از داده های نمونه برای ارزیابی اینکه آیا یک نظریه در مورد مقدار یک پارامتر با داده ها مطابقت دارد یا خیر استفاده خواهیم کرد. تمرکز اصلی بر تفسیر مناسب نتایج استنباطی خواهد بود. در پایان هر هفته، فراگیران آموخته های خود را با استفاده از پایتون در محیط دوره به کار می گیرند. در طول این جلسات مبتنی بر آزمایشگاه، فراگیران از طریق آموزش هایی با تمرکز بر مطالعات موردی خاص برای کمک به تقویت مفاهیم آماری هفته، که شامل غواصی عمیق بیشتر در کتابخانه های پایتون از جمله Statsmodels، Pandas و Seaborn است، کار خواهند کرد. این دوره از محیط نوت بوک Jupyter در Coursera استفاده می کند.

coursera تجزیه و تحلیل بصری با Tableau (Mitalearn-328658)

  • 1 hours 53 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Suk S. Brar, M.B.A.
درباره این دوره:

در این دوره سوم از تخصص، ابزارهایی را که Tableau در زمینه‌های نمودار، تاریخ، محاسبات جدول و نقشه‌برداری ارائه می‌دهد، عمیق‌تر خواهیم کرد. ما بر اساس نوع داده ای که استفاده می کنید، بهترین انتخاب ها را برای نمودارها بررسی می کنیم. ما به انواع خاصی از نمودارها از جمله نمودارهای پراکنده، نمودارهای گانت، هیستوگرام ها، نمودارهای گلوله ای و چندین نمودار دیگر نگاه خواهیم کرد و به دستورالعمل های نمودار اشاره خواهیم کرد. ما تاریخ‌های گسسته و پیوسته را تعریف می‌کنیم و بررسی می‌کنیم که چه زمانی از هر کدام برای توضیح داده‌های شما استفاده کنیم. نحوه ایجاد محاسبات جدول سفارشی و سریع و نحوه ایجاد پارامترها را یاد خواهید گرفت. ما همچنین نقشه‌برداری را معرفی می‌کنیم و چگونگی استفاده از Tableau از انواع مختلف داده‌های جغرافیایی، نحوه اتصال به چندین منبع داده و نحوه ایجاد نقشه‌های سفارشی را بررسی خواهیم کرد.

coursera تجزیه و تحلیل پیش بینی عملی: مدل ها و روش ها [coursera] (Mitalearn-335662)

  • 4 hours 53 minutes
  • مناسب همه
  • Release date: 27 June 2026
  • Author: Bill Howe
درباره این دوره:

طراحی آزمایش آماری و تجزیه و تحلیل در قلب علم داده است. در این دوره به طراحی آزمایش های آماری و تجزیه و تحلیل نتایج با استفاده از روش های مدرن می پردازید. همچنین مشکلات رایج در تفسیر استدلال های آماری، به ویژه آنهایی که با کلان داده مرتبط هستند را بررسی خواهید کرد. در مجموع، این دوره به شما کمک می کند مجموعه ای اصلی از روش ها و مفاهیم یادگیری ماشینی کاربردی و موثر را درونی کنید و آنها را برای حل برخی از مشکلات دنیای واقعی به کار ببرید. اهداف آموزشی: پس از اتمام این دوره، شما قادر خواهید بود: 1. طراحی آزمایش های موثر و تجزیه و تحلیل نتایج 2. از روش‌های نمونه‌گیری مجدد برای ایجاد استدلال‌های آماری واضح و ضد گلوله بدون استناد به نمادهای باطنی استفاده کنید. 3. یک مجموعه اصلی از روش‌های طبقه‌بندی افزایش پیچیدگی (قوانین، درختان، جنگل‌های تصادفی)، و روش‌های بهینه‌سازی مرتبط (نزول گرادیان و انواع) را توضیح داده و اعمال کنید. 4. مجموعه ای از مفاهیم و روش های یادگیری بدون نظارت را توضیح دهید و به کار ببرید 5. اصطلاحات رایج تجزیه و تحلیل گراف در مقیاس بزرگ، از جمله پرس و جو ساختاری، پیمایش و پرس و جوهای بازگشتی، رتبه صفحه، و تشخیص جامعه را شرح دهید.

linkedin تجزیه و تحلیل پیش بینی کننده آموزش ضروری برای مدیران (Mitalearn-432647)

  • 1 hours 47 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Keith McCormick
درباره این دوره:

سازمان ها تقریباً در هر صنعت به دنبال دانشمندان داده هستند و استخدام می کنند ، اما حتی اگر مهارت های تجزیه و تحلیل داده ها بسیار ارزشمند باشند ، افراد دارای این مجموعه مهارت نمی توانند تأثیر بگذارند مگر اینکه مدیریت میانه و ارشد بدانند که چگونه می توانند از تجزیه و تحلیل برای منافع بلند مدت سازمان خود استفاده کنند. چالش این است که بیشتر افرادی که نظارت بر تجزیه و تحلیل پیشرفته را بر عهده دارند ، خودشان در علم داده ها سابقه ای ندارند.

در این دوره ، کیت مک کورمیک مدیرانی را نشان می دهد که در تجزیه و تحلیل داده ها مسلط نیستند که چگونه متخصصان علوم داده را استخدام کنند ، تیم های علوم داده را مدیریت کنند و تجارت خود را با تجزیه و تحلیل پیشرفته مستقر تبدیل کنند. بیاموزید که چگونه به طور فعال در بحثی شرکت کنید که در مورد کدام نوع تجزیه و تحلیل ممکن است مشکل کسب و کار شما را برطرف کند ، از دیدگاه دانشمند داده قدردانی بهتری داشته باشید ، از نظر استراتژیک در مورد استخدام و فناوری برای تجزیه و تحلیل پیشرفته فکر کنید ، و گزینه های مختلفی را برای ساختار سازمانی و مدیریت گسترده شرکت در نظر بگیرید.

coursera تجزیه و تحلیل جغرافیایی با ArcGIS (Mitalearn-332687)

  • 4 hours 54 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Eric Howard
درباره این دوره:

دانش GIS خود را در این دوره در مورد تجزیه و تحلیل جغرافیایی، تمرکز بر ابزارهای تجزیه و تحلیل، داده های سه بعدی، کار با رسترها، پیش بینی ها و متغیرهای محیطی به کار ببرید. در طول هر چهار هفته این دوره، ما در یک پروژه با هم کار خواهیم کرد - چیزی منحصر به فرد در این دوره - از ایده پروژه، از طریق بازیابی داده ها، مدیریت و پردازش داده های اولیه، و در نهایت به محصولات تجزیه و تحلیل ما. در این کلاس شما اصول تحلیل جغرافیایی و محیطی را طی چهار ماژول یک هفته ای یاد خواهید گرفت: هفته 1: نحوه نمایش داده های مکانی و تجزیه و تحلیل روابط مکانی با استفاده از ArcGIS Pro هفته 2: انجام تجزیه و تحلیل مبتنی بر شبکه هفته 3: نمایش نقشه های حرارتی و تجزیه و تحلیل هات اسپات در ArcGIS Pro هفته چهارم: دانش خود را در مورد داستان سرایی داده ها گسترش دهید. بیاموزید که چگونه داده های خود را به صورت بصری نمایش دهید و نقشه های خود را در ArcGIS Online به اشتراک بگذارید. تجزیه و تحلیل جغرافیایی با ArcGIS را به عنوان یک دوره مستقل یا به عنوان بخشی از تخصص سیستم های اطلاعات جغرافیایی (GIS) بخوانید. شما باید قبل از گذراندن این دوره، تجربه ای معادل با گذراندن دوره های اول و دوم در این رشته، «مبانی GIS» و «فرمت ها، طراحی و کیفیت داده های GIS» داشته باشید. با تکمیل این کلاس سوم در تخصص، مهارت های مورد نیاز برای موفقیت در برنامه کامل را به دست خواهید آورد.

coursera تجزیه و تحلیل خوشه ای در داده کاوی (Mitalearn-334761)

  • 4 hours 20 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jiawei Han
درباره این دوره:

مفاهیم اساسی تجزیه و تحلیل خوشه را کشف کنید و سپس مجموعه ای از متدولوژی ها، الگوریتم ها و کاربردهای خوشه بندی معمولی را مطالعه کنید. این شامل روش های پارتیشن بندی مانند k-means، روش های سلسله مراتبی مانند BIRCH و روش های مبتنی بر چگالی مانند DBSCAN/OPTICS است. علاوه بر این، روش‌هایی برای اعتبارسنجی خوشه‌بندی و ارزیابی کیفیت خوشه‌بندی را بیاموزید. در نهایت نمونه هایی از تحلیل خوشه ای در برنامه ها را ببینید.

coursera تجزیه و تحلیل خوشه ای، معادن انجمن، و ارزیابی مدل (Mitalearn-333469)

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

به تجزیه و تحلیل خوشه ای، معادن انجمن و ارزیابی مدل خوش آمدید. در این دوره ما با کاوش در تجزیه و تحلیل خوشه‌ها و بخش‌بندی شروع می‌کنیم و در مورد چگونگی استفاده از تکنیک‌هایی مانند فیلترینگ مشارکتی و استخراج قوانین انجمن بحث می‌کنیم. همچنین توضیح خواهیم داد که چگونه می توان یک مدل را برای عملکرد ارزیابی کرد و تفاوت در انواع تحلیل و زمان اعمال آنها را بررسی خواهیم کرد.

coursera تجزیه و تحلیل خوشه بندی (Mitalearn-331905)

  • 51 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Di Wu
درباره این دوره:

دوره "تحلیل خوشه بندی" دانش آموزان را با مفاهیم اساسی یادگیری بدون نظارت با تمرکز بر تکنیک های خوشه بندی و کاهش ابعاد آشنا می کند. شرکت‌کنندگان روش‌های مختلف خوشه‌بندی، از جمله پارتیشن‌بندی، سلسله مراتبی، مبتنی بر چگالی و خوشه‌بندی مبتنی بر شبکه را بررسی خواهند کرد. علاوه بر این، دانش آموزان در مورد تجزیه و تحلیل مؤلفه اصلی (PCA) برای کاهش ابعاد یاد خواهند گرفت. از طریق آموزش های تعاملی و مطالعات موردی عملی، دانش آموزان تجربه عملی در استفاده از تکنیک های خوشه بندی و کاهش ابعاد در مجموعه داده های متنوع به دست خواهند آورد. در پایان این دوره، دانشجویان قادر خواهند بود: 1. درک اصول و اهمیت یادگیری بدون نظارت، به ویژه خوشه بندی و کاهش ابعاد. 2. مفاهیم و کاربردهای روش های پارتیشن بندی، سلسله مراتبی، مبتنی بر چگالی و خوشه بندی مبتنی بر شبکه را درک کنید. 3. مبانی ریاضی الگوریتم های خوشه بندی را برای درک عملکرد آنها کاوش کنید. 4. استفاده از تکنیک های خوشه بندی در مجموعه داده های متنوع برای کشف الگو و کاوش داده ها. 5. درک مفهوم کاهش ابعاد و اهمیت آن در کاهش پیچیدگی فضای ویژگی. 6. تجزیه و تحلیل مؤلفه اصلی (PCA) را برای کاهش ابعاد اجرا کنید و فضای ویژگی کاهش یافته را تفسیر کنید. 7. ارزیابی نتایج خوشه بندی و اثربخشی کاهش ابعاد با استفاده از معیارهای عملکرد مناسب. 8. تکنیک های خوشه بندی و کاهش ابعاد را در مطالعات موردی در دنیای واقعی به کار ببرید تا بینش های معناداری به دست آورید. در طول دوره، دانش‌آموزان فعالانه در آموزش‌ها و مطالعات موردی شرکت خواهند کرد، مهارت‌های تجزیه و تحلیل خوشه‌بندی و کاهش ابعاد خود را تقویت می‌کنند و تجربه عملی در به‌کارگیری این تکنیک‌ها در مجموعه داده‌های متنوع به دست می‌آورند. با دستیابی به اهداف یادگیری، شرکت کنندگان به خوبی مجهز می شوند تا در وظایف یادگیری بدون نظارت برتری پیدا کنند و با استفاده از تکنیک های خوشه بندی و کاهش ابعاد تصمیمات آگاهانه بگیرند.

coursera تجزیه و تحلیل داده ها (Mitalearn-331667)

  • 3 hours 9 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Sarah Haq,Stacey McBrine
درباره این دوره:

این دوره برای متخصصان کسب و کار طراحی شده است که می خواهند یاد بگیرند که چگونه داده ها را تجزیه و تحلیل کنند تا بینش به دست آورند، از روش های تجزیه و تحلیل آماری برای کشف توزیع زیربنایی داده ها استفاده کنند، از تجسم هایی مانند هیستوگرام، نمودار پراکندگی و نقشه ها برای تجزیه و تحلیل داده ها و پیش پردازش داده ها برای تولید استفاده کنند. مجموعه داده آماده برای آموزش دانشجوی معمولی در این دوره چندین سال تجربه در زمینه فناوری محاسبات از جمله استعداد در برنامه نویسی کامپیوتر خواهد داشت.

coursera تجزیه و تحلیل داده ها با R (Mitalearn-330528)

  • 2 hours 24 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Tiffany Zhu,Yiwen Li,Gabriela de Queiroz
درباره این دوره:

زبان برنامه نویسی R به طور هدفمند برای تجزیه و تحلیل داده ها ساخته شده است. R کلیدی است که دری را بین مشکلاتی که می خواهید با داده ها حل کنید و پاسخ هایی که برای رسیدن به اهداف خود نیاز دارید باز می کند. این دوره با یک سوال شروع می شود و سپس شما را در فرآیند پاسخ دادن به آن از طریق داده ها راهنمایی می کند. ابتدا تکنیک های مهمی را برای آماده سازی (یا مشاجره کردن) داده های خود برای تجزیه و تحلیل خواهید آموخت. سپس یاد خواهید گرفت که چگونه از طریق تجزیه و تحلیل داده های اکتشافی به درک بهتری از داده های خود دست یابید، به شما کمک می کند تا داده های خود را خلاصه کنید و روابط مرتبط بین متغیرهایی را شناسایی کنید که می تواند به بینش منجر شود. هنگامی که داده های شما برای تجزیه و تحلیل آماده شد، یاد خواهید گرفت که چگونه مدل خود را توسعه دهید و عملکرد آن را ارزیابی و تنظیم کنید. با پیروی از این فرآیند، می توانید مطمئن شوید که تجزیه و تحلیل داده های شما مطابق با استانداردهایی است که تعیین کرده اید و می توانید به نتایج اطمینان داشته باشید. شما با بازی در نقش یک تحلیلگر داده که در حال تجزیه و تحلیل داده های خروج و رسیدن خطوط هوایی برای پیش بینی تاخیرهای پرواز است، تجربه عملی ایجاد خواهید کرد. با استفاده از مجموعه داده‌های عملکرد به‌موقع شرکت گزارش‌دهنده هواپیمایی، خواندن فایل‌های داده، پیش‌پردازش داده‌ها، ایجاد مدل‌ها، بهبود مدل‌ها و ارزیابی آن‌ها را تمرین می‌کنید تا در نهایت بهترین مدل را انتخاب کنید. ویدیوها را تماشا کنید، از طریق آزمایشگاه ها کار کنید و به مجموعه خود اضافه کنید. موفق باشید! توجه: پیش نیاز این دوره، مهارت های اولیه برنامه نویسی R است. به عنوان مثال، مطمئن شوید که دوره ای مانند مقدمه ای بر برنامه نویسی R برای علم داده از IBM را گذرانده اید.

coursera تجزیه و تحلیل داده ها با Tidyverse (Mitalearn-327247)

  • 2 hours 52 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Jane Wall
درباره این دوره:

این دوره به معرفی ملایم ما برای برنامه نویسی در R ادامه می دهد که برای 3 نوع یادگیرنده طراحی شده است. برای شما مناسب خواهد بود، اگر: • می خواهید تجزیه و تحلیل داده ها را انجام دهید اما برنامه نویسی نمی دانید • برنامه نویسی بلدید اما با R آشنا نیستید • مقداری برنامه نویسی R را می شناسید اما می خواهید در مورد افعال tidyverse اطلاعات بیشتری کسب کنید بهتر است بعد از اولین دوره تخصصی گرفته شود یا اگر قبلاً با ggplot، RMarkdown و نوشتن تابع پایه در R آشنا هستید. از Learn to use reader برای خواندن در داده های خود، dplyr برای تجزیه و تحلیل داده ها و stringr استفاده خواهید کرد. و forcats برای دستکاری رشته ها و عوامل.

coursera تجزیه و تحلیل داده ها با استفاده از SQL (Mitalearn-327264)

  • 2 hours 18 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Analytics Vidhya
درباره این دوره:

در این دوره جامع، شما برای تسلط بر هنر تجزیه و تحلیل داده ها از طریق SQL، سفری تحول آفرین را آغاز خواهید کرد. SQL ابزار قدرتمندی است که برای مدیریت و دستکاری داده ها در پایگاه داده های رابطه ای استفاده می شود. در طول این دوره، مهارت‌های ضروری برای استخراج کارآمد داده‌های مرتبط از پایگاه‌های داده را به دست می‌آورید و به شما این امکان را می‌دهد که به راحتی در میان حجم وسیعی از اطلاعات حرکت کنید. با تمرکز بر کاربرد عملی، شما به دنیای تجزیه و تحلیل داده ها کاوش خواهید کرد، و کشف خواهید کرد که چگونه می توانید بینش های معناداری را از مجموعه داده های بزرگی که در پایگاه داده های پیچیده رابطه ای قرار دارند، به دست آورید. در پایان این دوره، شما مهارت های ایجاد و اصلاح پایگاه های داده را به دست آورید، و شما را به توانایی حل مشکلات تجاری در دنیای واقعی مجهز می کند. با اطمینان از دقت و قابلیت اطمینان تجزیه و تحلیل خود، فیلتر کردن و تمیز کردن مجموعه داده ها را بیاموزید. 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.

Suggestions