Course catalog

Course duration

Course provider

Topic

Categories

Showing 181-200 of 600 items.

coursera پروژه پایتون برای علم داده (Mitalearn-332143)

  • 9 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Azim Hirjani,Joseph Santarcangelo
درباره این دوره:

این مینی دوره برای شما در نظر گرفته شده است تا مهارت های پایه پایتون را برای کار با داده ها نشان دهید. این دوره در درجه اول شامل تکمیل پروژه ای است که در آن نقش یک دانشمند داده یا یک تحلیلگر داده را بر عهده می گیرید و مجموعه داده های دنیای واقعی و سناریوی الهام گرفته شده از دنیای واقعی برای شناسایی الگوها و روندها به شما ارائه می شود. شما کارهای خاص علم داده و تجزیه و تحلیل داده مانند استخراج داده ها، خراش دادن وب، تجسم داده ها و ایجاد داشبورد را انجام خواهید داد. این پروژه مهارت شما را با پایتون و استفاده از کتابخانه هایی مانند پانداها و سوپ زیبا در یک نوت بوک Jupyter نشان می دهد. پس از اتمام، یک پروژه چشمگیر برای اضافه کردن به سبد شغلی خود خواهید داشت. پیش نیاز: **دوره پایتون برای علوم داده، هوش مصنوعی و توسعه** از IBM پیش نیاز این دوره پروژه است. لطفاً مطمئن شوید که قبل از گذراندن این دوره، دوره پایتون برای علوم داده، هوش مصنوعی و توسعه از IBM را گذرانده باشید یا مهارتی معادل در کار با پایتون و داده داشته باشید. توجه: این دوره آموزشی برای آموزش پایتون به شما نیست و محتوای آموزشی زیادی ندارد. این برای شما در نظر گرفته شده است که دانش قبلی پایتون را به کار ببرید.

coursera پروژه تحلیل جغرافیایی (Mitalearn-335033)

  • 3 hours 38 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Nick Santos
درباره این دوره:

در این دوره مبتنی بر پروژه، شما یک تجزیه و تحلیل کامل مبتنی بر GIS را طراحی و اجرا خواهید کرد - از شناسایی یک مفهوم، سوال یا موضوعی که می خواهید توسعه دهید، تا محصولات داده نهایی و نقشه هایی که می توانید به مجموعه خود اضافه کنید. پروژه تکمیل شده شما تسلط شما را بر محتوا در تخصص GIS نشان می دهد و به چهار مرحله تقسیم می شود: نقطه عطف 1: پیشنهاد پروژه - پروژه خود را به صورت انتزاعی مفهوم و طراحی کنید و یک پیشنهاد کوتاه بنویسید که شامل توضیحات پروژه، داده های مورد انتظار است. نیازها، جدول زمانی و نحوه تکمیل آن. Milestone 2: Workflow Design - گردش کار تجزیه و تحلیل پروژه خود را توسعه دهید، که معمولاً شامل ایجاد حداقل یک الگوریتم اصلی برای پردازش داده های شما می شود. این مدل نباید پیچیده یا پیچیده باشد، اما باید به شما امکان تجزیه و تحلیل داده‌های مکانی را برای خروجی جدید یا ایجاد یک نقشه تحلیلی جدید از نوع خاصی بدهد. نقطه عطف 3: تجزیه و تحلیل داده ها - داده ها را به دست آورید و از قبل پردازش کنید، آنها را از طریق مدل ها یا سایر گردش های کاری خود اجرا کنید تا محصولات داده های خام خود را بدست آورید، و شروع به ایجاد محصولات نقشه نهایی و/یا تجزیه و تحلیل کنید. نقطه عطف 4: ایجاد نقشه وب و چاپ - پروژه خود را با ارسال نقشه های قابل استفاده و جذاب و داده ها و الگوریتم خود برای بررسی و بازخورد همتایان تکمیل کنید.

coursera پروژه داده کاوی (Mitalearn-333826)

  • 5 hours 20 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Qin (Christine) Lv
درباره این دوره:

پروژه داده کاوی راهنمایی گام به گام و تجربه عملی طراحی و اجرای یک پروژه داده کاوی در دنیای واقعی، از جمله فرمول بندی مسئله، بررسی ادبیات، کار پیشنهادی، ارزیابی، بحث و کار آینده را ارائه می دهد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder تصویر نشان‌واره دوره توسط Mariana Proença، در اینجا در Unsplash موجود است: https://unsplash.com/photos/_WgnXndHmQ4

coursera پروژه داده کاوی [coursera] (Mitalearn-334778)

  • 13 minutes
  • مناسب همه
  • Release date: 27 June 2026
  • Author: Jiawei Han,ChengXiang Zhai,John C. Hart
درباره این دوره:

توجه: قبل از شروع این دوره باید تمام دوره های دیگر این تخصص را تکمیل کنید. این دوره شش هفته ای پروژه تخصصی داده کاوی به شما این امکان را می دهد که الگوریتم ها و تکنیک های آموخته شده برای داده کاوی را از دوره های قبلی در تخصص، از جمله کشف الگو، خوشه بندی، بازیابی متن، متن کاوی و تجسم، برای حل استفاده کنید. چالش های جالب داده کاوی در دنیای واقعی به طور خاص، شما روی مجموعه داده‌های مرور رستوران از Yelp کار خواهید کرد و از تمام دانش و مهارت‌هایی که از دوره‌های قبلی آموخته‌اید برای استخراج این مجموعه داده‌ها برای کشف دانش جالب و مفید استفاده خواهید کرد. طراحی پروژه بر این موارد تاکید دارد: 1) شبیه سازی گردش کار یک داده کاوی در یک محیط کار واقعی. 2) ادغام تکنیک های مختلف استخراج تحت پوشش در چندین دوره فردی؛ 3) آزمایش راه های مختلف برای حل یک مشکل برای عمیق تر کردن درک خود از تکنیک ها. و 4) به شما این امکان را می دهد که ایده های خود را به طور خلاقانه پیشنهاد و بررسی کنید. هدف این پروژه تجزیه و تحلیل و استخراج مجموعه بزرگی از داده‌های مرور Yelp برای کشف دانش مفید برای کمک به مردم در تصمیم‌گیری در مورد غذا خوردن است. این پروژه شامل خروجی های زیر خواهد بود: 1. تجسم نظر: محتوای بررسی را کاوش و تجسم کنید تا بفهمید افراد در آن نظرات چه گفته اند. 2. ساخت نقشه آشپزی: مجموعه داده ها را برای درک چشم انداز انواع مختلف غذاها و شباهت های آنها استخراج کنید. 3. کشف غذاهای محبوب برای یک آشپزی: مجموعه داده ها را استخراج کنید تا غذاهای رایج/محبوب یک غذای خاص را کشف کنید. 4. توصیه رستوران‌ها برای کمک به مردم در تصمیم‌گیری برای غذا خوردن: مجموعه داده‌ها را استخراج کنید تا رستوران‌ها را برای یک غذای خاص رتبه‌بندی کنید و وضعیت بهداشتی یک رستوران را پیش‌بینی کنید. از دیدگاه کاربران، یک نقشه آشپزی می تواند به آنها کمک کند تا بفهمند چه غذاهایی وجود دارد و تصویر بزرگ انواع غذاها و روابط آنها را ببینند. هنگامی که آنها تصمیم می گیرند چه غذاهایی را امتحان کنند، علاقه مند می شوند که بدانند غذاهای محبوب آن آشپزی چیست و تصمیم بگیرند که چه غذاهایی داشته باشند. در نهایت، آنها باید یک رستوران را انتخاب کنند. بنابراین، توصیه رستوران ها بر اساس یک غذای خاص مفید خواهد بود. علاوه بر این، پیش بینی وضعیت بهداشتی یک رستوران نیز مفید خواهد بود. با کار بر روی این وظایف، تجربه ای با یک گردش کار معمولی در داده کاوی به دست خواهید آورد که شامل پیش پردازش داده ها، کاوش داده ها، تجزیه و تحلیل داده ها، بهبود روش های تجزیه و تحلیل و ارائه نتایج است. شما این فرصت را خواهید داشت که چندین الگوریتم از دوره های مختلف را برای تکمیل یک کار معدنی نسبتاً پیچیده ترکیب کنید و با روش های مختلف برای حل یک مسئله آزمایش کنید تا بهترین راه حل آن را درک کنید. ما روش‌های خاصی را پیشنهاد می‌کنیم، اما شما بسیار تشویق می‌شوید که ایده‌های خود را کشف کنید، زیرا اکتشاف باز، با طراحی، هدف پروژه است. شما ملزم به ارائه گزارش مختصری برای هر یک از وظایف برای درجه بندی همتا هستید. گزارش تلفیقی نهایی نیز مورد نیاز است که به صورت همتا رتبه بندی می شود.

coursera پروژه علم داده: متلب برای دنیای واقعی (Mitalearn-333605)

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

مانند بسیاری از موضوعات، تمرین در علم داده کامل می شود. در پروژه Capstone، مهارت‌های آموخته‌شده در دوره‌های علوم داده‌های عملی با تخصص MATLAB را برای کاوش، پردازش، تجزیه و تحلیل و مدل‌سازی داده‌ها به کار خواهید برد. شما مسیر خود را برای پاسخ به سوالات کلیدی با داده های ارائه شده انتخاب خواهید کرد. برای تکمیل پروژه، باید بر مهارت های تحت پوشش در سایر دوره های تخصصی تسلط داشته باشید. این پروژه توانایی شما را برای وارد کردن و کاوش داده های شما، آماده سازی داده ها برای تجزیه و تحلیل، آموزش یک مدل پیش بینی، ارزیابی و بهبود مدل شما، و ارتباط نتایج شما را آزمایش می کند.

coursera پشتیبانی از پایگاه داده رابطه ای برای انبارهای داده (Mitalearn-335084)

  • 4 hours 27 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Michael Mannino
درباره این دوره:

پشتیبانی از پایگاه داده رابطه ای برای انبارهای داده، سومین دوره تخصصی در زمینه ذخیره سازی داده برای هوش تجاری است. در این دوره از عناصر تحلیلی SQL برای پاسخ به سوالات هوش تجاری استفاده خواهید کرد. شما ویژگی های سیستم های مدیریت پایگاه داده رابطه ای را برای مدیریت داده های خلاصه که معمولاً در گزارشگری هوش تجاری استفاده می شود، یاد خواهید گرفت. به دلیل اهمیت و دشواری مدیریت پیاده‌سازی انبارهای داده، ما همچنین به معماری‌های ذخیره‌سازی، پردازش موازی مقیاس‌پذیر، حاکمیت داده‌ها و تأثیرات کلان داده خواهیم پرداخت. در تکالیف این دوره می توانید از Oracle یا PostgreSQL استفاده کنید.

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.

Suggestions