Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-7 of 7 items.

coursera افزایش سرمایه: فناوری اعتباری، ارائه سکه و تامین مالی جمعی (Mitalearn-290153)

  • 2 hours 16 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Andrew Wu,Robert Dittmar
درباره این دوره:

مزایا و چالش های فن آوری مخرب افزایش سرمایه را در نظر بگیرید. پیشرفت‌های فناوری، دسترسی مصرف‌کنندگان و کسب‌وکارها به سرمایه را نظام‌مند و دموکراتیک کرده است. در این دوره، راه هایی را که در آن فناوری دسترسی به اعتبار مصرف کننده و دسترسی به سرمایه اولیه برای پروژه های تجاری را تغییر داده است، بررسی خواهید کرد. شما فن‌آوری‌های مخرب در امتیازدهی اعتبار، افزایش سرمایه از طریق توکن‌سازی، و تکامل سرمایه‌گذاری جمعی برای تامین مالی بدهی و سهام را بررسی خواهید کرد. همچنین یاد خواهید گرفت که چگونه بین مدل های افزایش سرمایه مبتنی بر رمزارز تفاوت قائل شوید.

coursera مدل سازی رگرسیون در عمل (Mitalearn-335713)

  • 3 hours 4 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jen Rose,Lisa Dierker
درباره این دوره:

این دوره بر یکی از مهمترین ابزارها در زرادخانه تجزیه و تحلیل داده شما تمرکز دارد: تجزیه و تحلیل رگرسیون. با استفاده از SAS یا Python، با رگرسیون خطی شروع می‌کنید و سپس یاد می‌گیرید که چگونه وقتی دو متغیر رابطه خطی واضحی ندارند، سازگار شوید. شما چندین پیش بینی کننده نتیجه خود را بررسی خواهید کرد و قادر خواهید بود متغیرهای گیج کننده را شناسایی کنید، که می تواند داستان قانع کننده تری در مورد نتایج شما بیان کند. شما با مفروضات زیربنایی تحلیل رگرسیون، نحوه تفسیر ضرایب رگرسیون، و نحوه استفاده از نمودارهای تشخیصی رگرسیون و سایر ابزارها برای ارزیابی کیفیت مدل رگرسیون خود آشنا خواهید شد. در طول دوره، مدل‌های رگرسیونی را که ایجاد کرده‌اید و داستان‌هایی که به شما می‌گویند را با دیگران به اشتراک می‌گذارید.

coursera مقدمه ای بر یادگیری ماشینی (Mitalearn-332313)

  • 10 hours 24 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Lawrence Carin ,David Carlson,Timothy Dunn
درباره این دوره:

این دوره یک درک اساسی از مدل های یادگیری ماشین (رگرسیون لجستیک، پرسپترون های چندلایه، شبکه های عصبی کانولوشن، پردازش زبان طبیعی و غیره) ارائه می دهد و نشان می دهد که چگونه می توانند مشکلات پیچیده در صنایع مختلف، از تشخیص پزشکی گرفته تا تشخیص تصویر تا پیش بینی متن را حل کنند. از طریق تمرین‌های عملی، این مدل‌های علم داده را بر روی مجموعه داده‌ها پیاده‌سازی خواهید کرد و در الگوریتم‌های یادگیری ماشین با PyTorch که توسط شرکت‌های فناوری پیشرو مانند Google و NVIDIA استفاده می‌شود، مهارت کسب خواهید کرد.

linkedin یادگیری ماشین با پایتون: رگرسیون لجستیک (Mitalearn-392595)

  • 1 hours 19 minutes
  • مناسب همه
  • Update date: 29 April 2024
  • Author: Frederick Nwanganga
درباره این دوره: 

 آیا به دنبال راهی عملی برای استفاده از یادگیری ماشین برای حل مشکلات پیچیده دنیای واقعی هستید؟ رگرسیون لجستیک رویکردی برای یادگیری ماشینی تحت نظارت است که مقادیر انتخاب شده را برای پیش‌بینی نتایج احتمالی مدل‌سازی می‌کند. در این دوره، فردریک نوانگانگا، استاد نوتردام، راهنمای گام به گام نحوه ساخت یک مدل رگرسیون لجستیک با استفاده از پایتون را در اختیار شما قرار می دهد. نکات عملی برای جمع آوری، کاوش، و تبدیل داده های خود را قبل از شروع بیاموزید. در پایان این دوره، شما مهارت های فنی برای دانستن زمان و نحوه طراحی، ساخت، ارزیابی و مدیریت موثر یک مدل رگرسیون لجستیک را به تنهایی خواهید داشت.

این دوره با GitHub یکپارچه شده است. Codespaces، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به هیچ گونه راه اندازی ماشین محلی ارائه می دهد. 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 یادگیری نحوه شروع، ویدیوی «استفاده از فضاهای کد GitHub با این دوره» را بررسی کنید.

linkedin یادگیری ماشین با رگرسیون لجستیک در Excel، R و Power BI (Mitalearn-217903)

  • 2 hours 49 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Helen Wall
درباره این دوره:


Excel، R، و Power BI برنامه هایی هستند که به طور جهانی در علم داده و در بین مشاغل و سازمان ها در سراسر جهان استفاده می شوند. اگر زمان زیادی را صرف کرده اید تا بفهمید چگونه داده های خود را بهتر مدل کنید تا بینش مفیدی از آنها بدست آورید که می توانید بر اساس آنها عمل کنید، به احتمال زیاد با این برنامه ها روبرو شده اید. در این دوره، هلن وال نحوه استفاده از Excel، R و Power BI را برای رگرسیون لجستیک به منظور مدل‌سازی داده‌ها برای پیش‌بینی برچسب‌های طبقه‌بندی مانند کشف تقلب یا موفقیت‌های آزمایشی پزشکی نشان می‌دهد. هلن چندین نمونه از رگرسیون لجستیک را بررسی می کند. او نحوه استفاده از اکسل را برای محاسبه ملموس مدل رگرسیون نشان می دهد، سپس از R برای محاسبات و تجسم های فشرده تر استفاده می کند. سپس نحوه استفاده از Power BI برای ادغام قابلیت‌های محاسبات Excel و R در یک مدل مقیاس‌پذیر و قابل اشتراک‌گذاری را نشان می‌دهد.

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 ماشینی: طبقه بندی (Mitalearn-334931)

  • 8 hours 26 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Emily Fox,Carlos Guestrin
درباره این دوره:

مطالعات موردی: تحلیل احساسات و پیش‌بینی پیش‌فرض وام در مطالعه موردی ما در مورد تجزیه و تحلیل احساسات، شما مدل هایی ایجاد خواهید کرد که یک کلاس (احساس مثبت/منفی) را از ویژگی های ورودی (متن نظرات، اطلاعات نمایه کاربر،...) پیش بینی می کنند. در مطالعه موردی دوم ما برای این دوره، پیش‌بینی پیش‌فرض وام، به داده‌های مالی می‌پردازید و پیش‌بینی می‌کنید که چه زمانی وام برای بانک خطرناک یا بی‌خطر است. این وظایف نمونه‌هایی از طبقه‌بندی، یکی از پرکاربردترین حوزه‌های یادگیری ماشینی، با طیف وسیعی از کاربردها، از جمله هدف‌گیری تبلیغات، تشخیص هرزنامه، تشخیص پزشکی و طبقه‌بندی تصویر هستند. در این دوره، طبقه‌بندی‌کننده‌هایی ایجاد می‌کنید که عملکردی پیشرفته را در کارهای مختلف ارائه می‌دهند. شما با موفق ترین تکنیک ها آشنا خواهید شد که بیشترین کاربرد را در عمل دارند، از جمله رگرسیون لجستیک، درخت تصمیم و تقویت. علاوه بر این، می‌توانید الگوریتم‌های زیربنایی را طراحی و پیاده‌سازی کنید که می‌توانند این مدل‌ها را در مقیاس با استفاده از گرادیان صعودی تصادفی یاد بگیرند. شما این تکنیک را در کارهای یادگیری ماشینی در مقیاس بزرگ در دنیای واقعی پیاده سازی خواهید کرد. شما همچنین به وظایف مهمی که در کاربردهای دنیای واقعی ML با آنها مواجه خواهید بود، از جمله رسیدگی به داده های از دست رفته و اندازه گیری دقت و یادآوری برای ارزیابی یک طبقه بندی کننده، رسیدگی خواهید کرد. این دوره آموزشی عملی، پر عمل و پر از تجسم ها و تصاویری از نحوه رفتار این تکنیک ها در داده های واقعی است. ما همچنین محتوای اختیاری را در هر ماژول گنجانده‌ایم که موضوعات پیشرفته‌ای را برای کسانی که می‌خواهند حتی عمیق‌تر شوند را پوشش می‌دهد! اهداف آموزشی: در پایان این دوره، شما قادر خواهید بود: - ورودی و خروجی یک مدل طبقه بندی را شرح دهید. -مسائل طبقه بندی باینری و چند کلاسه را برطرف کنید. -اجرای مدل رگرسیون لجستیک برای طبقه بندی در مقیاس بزرگ. یک مدل غیر خطی با استفاده از درخت های تصمیم ایجاد کنید. -با استفاده از تقویت عملکرد هر مدلی را بهبود بخشید. روش های خود را با صعود شیب تصادفی مقیاس کنید. -مرزهای تصمیم گیری اساسی را شرح دهید. - ساخت یک مدل طبقه بندی برای پیش بینی احساسات در مجموعه داده بررسی محصول. تجزیه و تحلیل داده های مالی برای پیش بینی عدم پرداخت وام. استفاده از تکنیک ها برای مدیریت داده های از دست رفته. مدل های خود را با استفاده از معیارهای فراخوان دقیق ارزیابی کنید. -این تکنیک ها را در پایتون (یا به زبان انتخابی خود، هرچند پایتون به شدت توصیه می شود) پیاده سازی کنید.

Suggestions