Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-10 of 10 items.

linkedin NumPy Data Science Essential Training (Mitalearn-100365)

  • 3 hours 46 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Charles Kelly
درباره این دوره:

NumPy Data Science Essential Training، دانشمند داده های متوسط \u200b\u200bرا به NumPy معرفی می کند، کتابخانه پایتون که از برنامه نویسی عددی، علمی و آماری، از جمله یادگیری ماشینی پشتیبانی می کند. این کتابخانه از چندین جنبه از علم داده پشتیبانی می کند، اشیاء آرایه چند بعدی، اشیاء مشتق شده (ماتریس ها و آرایه های پوشانده شده)، و روال هایی برای ریاضی، منطق، مرتب سازی، آمار و تولید اعداد تصادفی. در اینجا چارلز کلی نحوه کار با NumPy و Python را در Jupyter Notebook نشان می دهد، ابزاری مبتنی بر مرورگر برای ایجاد اسناد تعاملی با کد زنده، حاشیه نویسی و حتی تجسم هایی مانند نمودارها. یاد بگیرید که چگونه آرایه های NumPy ایجاد کنید، از عبارات و قطعه های NumPy استفاده کنید، و آرایه ها را نمایه سازی کنید، برش دهید، تکرار کنید و در غیر این صورت دستکاری کنید. به علاوه، یاد بگیرید که چگونه داده ها را رسم کنید و آرایه های NumPy را با کلاس های پایتون ترکیب کنید، و نمونه هایی از NumPy را در عمل دریافت کنید: حل معادلات خطی، پیدا کردن الگوها، انجام آمار، تولید مکعب های جادویی و موارد دیگر.

coursera اسکریپت‌نویسی پایتون: فایل‌ها، وراثت و پایگاه‌های داده (Mitalearn-307221)

  • 54 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Aspen Olmsted
درباره این دوره:

این دوره سومین دوره از مجموعه ای است که با هدف آماده سازی شما برای نقشی که به عنوان برنامه نویس انجام می شود، می باشد. در این دوره شما با سه مفهوم اصلی در برنامه نویسی آشنا می شوید: Files، Inheritance و خارجی. آزمایشگاه‌ها به دانش‌آموزان این امکان را می‌دهند که مطالب را در سخنرانی‌ها در برنامه‌های رایانه‌ای ساده که برای تقویت مجدد مطالب در درس طراحی شده‌اند، اعمال کنند.

coursera پایتون برای علم داده، هوش مصنوعی و توسعه (Mitalearn-270178)

  • 2 hours 23 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Joseph Santarcangelo
درباره این دوره:

سفر پایتون خود را با این دوره مبتدی و خودگام که توسط یک متخصص آموزش داده شده است، شروع کنید. پایتون یکی از محبوب ترین زبان های برنامه نویسی است و تقاضا برای افرادی که مهارت های پایتون دارند همچنان در حال افزایش است. این دوره شما را در عرض چند ساعت از صفر به برنامه نویسی در پایتون می رساند—هیچ تجربه قبلی برنامه نویسی لازم نیست! شما با اصول اولیه پایتون، از جمله انواع داده، عبارات، متغیرها و عملیات رشته شروع خواهید کرد. شما ساختارهای داده ضروری مانند لیست ها، تاپل ها، دیکشنری ها و مجموعه ها را بررسی خواهید کرد و نحوه ایجاد، دسترسی و دستکاری آنها را یاد خواهید گرفت. در مرحله بعد، مفاهیم منطقی مانند شرایط و انشعاب، یادگیری نحوه استفاده از حلقه ها و توابع، همراه با اصول مهم برنامه نویسی مانند مدیریت استثنا و برنامه نویسی شی گرا را بررسی خواهید کرد. با پیشرفت، تجربه عملی در خواندن و نوشتن روی فایل ها و کار با فرمت های رایج فایل به دست خواهید آورد. همچنین از کتابخانه های قدرتمند پایتون مانند NumPy و Pandas برای دستکاری و تجزیه و تحلیل داده ها استفاده خواهید کرد. این دوره همچنین APIها و وب اسکرپینگ را پوشش می دهد و به شما یاد می دهد که چگونه با استفاده از کتابخانه هایی مانند درخواست ها با REST API تعامل کنید و داده ها را از وب سایت ها با استفاده از BeautifulSoup استخراج کنید. شما آنچه را که از طریق آزمایشگاه های عملی با استفاده از نوت بوک های Jupyter می آموزید، تمرین کرده و به کار خواهید برد. در پایان این دوره، ایجاد برنامه های اساسی، کار با داده ها و خودکارسازی کارهای دنیای واقعی با استفاده از پایتون احساس راحتی خواهید کرد. این دوره برای افرادی که علاقه مند به دنبال کردن مشاغل در علوم داده، تجزیه و تحلیل داده، توسعه نرم افزار، مهندسی داده، هوش مصنوعی و DevOps و انواع دیگر نقش های مرتبط با فناوری هستند مناسب است.

coursera تجزیه و تحلیل داده ها با پایتون [coursera] (Mitalearn-326448)

  • 1 hours 43 minutes
  • متوسط
  • Release date: 27 June 2026
  • Author: Joseph Santarcangelo
درباره این دوره:

تجزیه و تحلیل داده ها با پایتون یک مهارت کلیدی برای دانشمندان و تحلیلگران مشتاق داده است! این دوره شما را از مبانی وارد کردن و پاکسازی داده ها به ساخت و ارزیابی مدل های پیش بینی می کند. شما یاد می گیرید که چگونه داده ها را از منابع مختلف جمع آوری کنید، آن ها را به چالش بکشید و قالب بندی کنید، تجزیه و تحلیل داده های اکتشافی (EDA) انجام دهید، و تجسم های موثر ایجاد کنید. همانطور که پیشرفت می کنید، مدل های رگرسیون خطی، چند جمله ای و چند جمله ای می سازید، خطوط لوله داده را می سازید و مدل های خود را برای دقت بهتر اصلاح می کنید. از طریق آزمایشگاه‌ها و پروژه‌های عملی، با استفاده از کتابخانه‌های محبوب پایتون مانند Pandas، NumPy، Matplotlib، Seaborn، SciPy و Scikit-learn، تجربه عملی کسب خواهید کرد. این ابزارها به شما در دستکاری داده ها، ایجاد بینش و پیش بینی کمک می کنند. با تکمیل این دوره، شما نه تنها مهارت های قوی تجزیه و تحلیل داده ها را توسعه می دهید، بلکه گواهینامه Coursera و نشان دیجیتال IBM را نیز برای نمایش دستاورد خود کسب خواهید کرد.

linkedin تجزیه و تحلیل داده های پایتون (Mitalearn-179194)

  • 2 hours 30 minutes
  • متوسط
  • Release date: 11 March 2020
  • Author: Michele Vallisneri
درباره این دوره: 

 علم داده در حال تغییر روشی است که رهبران دولت و صنعت هم به مشکلات خاص و هم به جهان در کل نگاه می کنند. کنجکاو هستید که چگونه تجزیه و تحلیل داده ها در عمل عمل می کند؟ در این دوره آموزشی، مدرس Michele Vallisneri به شما نشان می‌دهد که چگونه با استفاده از پایتون شروع به علم داده‌ها می‌کند.

Michele نحوه تنظیم محیط تجزیه و تحلیل خود را نشان می‌دهد و یک تازه‌سازی در مورد اصول اولیه کار ارائه می‌دهد. با ساختارهای داده در پایتون سپس، او به چیزهای بزرگ می پردازد: قدرت آرایه ها، نمایه سازی، و جداول در NumPy و پانداها - دو بسته محبوب شخص ثالث که به طور خاص برای تجزیه و تحلیل داده ها طراحی شده اند. او همچنین دو پروژه نمونه کلان داده را بررسی می کند: استفاده از NumPy برای شناسایی و تجسم الگوهای آب و هوا و استفاده از پانداها برای تجزیه و تحلیل محبوبیت نام نوزادان در قرن گذشته. چالش‌های ارائه شده در طول مسیر به شما کمک می‌کند تا آنچه را که آموخته‌اید تمرین کنید.

توجه: این نسخه از دوره به‌روزرسانی شد تا تغییرات اخیر در Python 3، NumPy، و پانداها را منعکس کند.

coursera تجزیه و تحلیل داده های حسابداری با پایتون (Mitalearn-293944)

  • 11 hours 31 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Ronald Guymon,Linden Lu
درباره این دوره:

این دوره بر توسعه مهارت های پایتون برای جمع آوری داده های تجاری تمرکز دارد. برخی از مطالب مشابه از مقدمه ای بر تجزیه و تحلیل داده های حسابداری و تجسم را پوشش می دهد، اما در یک محیط برنامه نویسی با هدف کلی تر (ژوپیتر نوت بوک برای پایتون)، به جای اکسل و ویرایشگر ویژوال بیسیک. این مفاهیم در چارچوب یک یا چند حوزه داده حسابداری (به عنوان مثال، داده های صورت های مالی از EDGAR، داده های سهام، داده های وام، داده های محل فروش) آموزش داده می شوند. نیمه اول دوره از جایی شروع می شود که مقدمه ای بر تجزیه و تحلیل داده های حسابداری و تجسم متوقف شد: استفاده در یک محیط توسعه یکپارچه برای خودکارسازی وظایف تجزیه و تحلیل داده ها. ما در مورد نحوه مدیریت کد و اشتراک‌گذاری نتایج در Jupyter Notebook، یک محیط توسعه محبوب برای نرم‌افزارهای تجزیه و تحلیل داده‌ها مانند Python و R بحث می‌کنیم. سپس برخی از مهارت‌های برنامه‌نویسی اساسی، مانند عملگرهای ریاضی، توابع، عبارات شرطی و حلقه‌ها را با استفاده از نرم‌افزار پایتون مرور می‌کنیم. نیمه دوم دوره بر روی جمع آوری داده ها برای اهداف یادگیری ماشین تمرکز دارد. ما دانش آموزان را با قالب های داده پاندا و Numpy برای ساختاردهی و دستکاری داده ها آشنا می کنیم. سپس داده ها را با استفاده از تجسم و رگرسیون خطی تجزیه و تحلیل می کنیم. در نهایت نحوه استفاده از پایتون برای تعامل با داده های SQL را توضیح می دهیم.

coursera جبر خطی برای یادگیری ماشین و علم داده (Mitalearn-303719)

  • 4 hours 39 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Luis Serrano
درباره این دوره:

به تازگی برای سال 2024 به روز شده است! Mathematics for Machine Learning and Data Science یک برنامه آنلاین پایه است که توسط DeepLearning.AI ایجاد شده و توسط Luis Serrano تدریس می شود. در یادگیری ماشینی، شما مفاهیم ریاضی را از طریق برنامه نویسی به کار می برید. و بنابراین، در این تخصص، مفاهیم ریاضی را که با استفاده از برنامه نویسی پایتون یاد می گیرید، در تمرینات آزمایشگاهی عملی به کار خواهید برد. به عنوان یک زبان آموز در این برنامه، برای موفقیت به مهارت های برنامه نویسی پایتون اولیه تا متوسط ​​نیاز دارید. پس از اتمام این دوره، شما قادر خواهید بود: • داده ها را به صورت بردارها و ماتریس ها نشان می دهد و ویژگی های آنها را با استفاده از مفاهیم تکینگی، رتبه و استقلال خطی و غیره شناسایی می کند. • اعمال مشترک عملیات جبر بردار و ماتریس مانند حاصل ضرب نقطه، معکوس، و دترمینال • انواع خاصی از عملیات ماتریس را به صورت تبدیل خطی بیان کنید • مفاهیم مقادیر ویژه و بردارهای ویژه را در مسائل یادگیری ماشین اعمال کنید بسیاری از مهندسان یادگیری ماشین و دانشمندان داده در زمینه ریاضیات به کمک نیاز دارند، و حتی تمرین‌کنندگان با تجربه نیز می‌توانند از کمبود مهارت‌های ریاضی عقب‌مانده شوند. این تخصص از آموزش نوآورانه در ریاضیات استفاده می‌کند تا به شما کمک کند تا سریع و شهودی یاد بگیرید، با دوره‌هایی که از تجسم‌های ساده برای پیگیری استفاده می‌کنند تا به شما کمک کنند تا ببینید که چگونه ریاضیات پشت یادگیری ماشین واقعاً کار می‌کند.  ما به شما توصیه می کنیم سطح ریاضی دبیرستان (توابع، جبر پایه) و آشنایی با برنامه نویسی (ساختارهای داده، حلقه ها، توابع، دستورات شرطی، اشکال زدایی) داشته باشید. تکالیف و آزمایشگاه‌ها در پایتون نوشته شده‌اند، اما این دوره تمام کتابخانه‌های یادگیری ماشینی را که استفاده می‌کنید معرفی می‌کند.

coursera علم داده با NumPy، مجموعه ها و دیکشنری ها (Mitalearn-328913)

  • 1 hours 29 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Genevieve M. Lipp,Nick Eubank,Kyle Bradbury
درباره این دوره:

در NumPy، یک بسته اساسی پایتون که برای مشاغل در علم داده بسیار مهم است، مهارت داشته باشید. این دوره جامع برای برنامه نویسان مبتدی که مایل به تبدیل شدن به دانشمندان داده، توسعه دهندگان نرم افزار، تحلیلگران داده، مهندسان یادگیری ماشین، مهندسان داده یا مدیران پایگاه داده هستند، طراحی شده است. با شروع مفاهیم پایه علوم کامپیوتر، مانند برنامه نویسی شی گرا و سازماندهی داده ها با استفاده از مجموعه ها و دیکشنری ها، به ساختارهای داده پیچیده تر مانند آرایه ها، بردارها و ماتریس ها خواهید رسید. تمرین عملی با NumPy شما را به مهارت های ضروری برای مقابله با چالش های کلان داده و حل موثر مشکلات داده مجهز می کند. شما برنامه های پایتون را برای دستکاری و فیلتر کردن داده ها و همچنین ایجاد بینش مفید از مجموعه داده های بزرگ می نویسید. در پایان دوره، شما در خلاصه کردن مجموعه داده ها مانند محاسبه میانگین ها، حداقل ها و حداکثرها مهارت خواهید داشت. علاوه بر این، مهارت های پیشرفته ای در بهینه سازی تجزیه و تحلیل داده ها با بردارسازی و تصادفی سازی داده ها به دست خواهید آورد. در طول سفر یادگیری خود، از انواع بسیاری از ساختارهای داده و تکنیک های تحلیلی برای انواع چالش های علم داده، از جمله عملیات ریاضی، تجزیه و تحلیل فایل متنی، و پردازش تصویر استفاده خواهید کرد. گام به گام، تکالیف هدایت شده هر هفته مهارت های شما را تقویت می کند و شما را قادر می سازد تا مشکلات را حل کنید و به طور مستقل نتیجه گیری های مبتنی بر داده ها را بگیرید. با تسلط بر NumPy و تقویت مهارت برنامه نویسی خود، خود را برای یک حرفه پربار در علم داده آماده کنید. این تجربه یادگیری متحول کننده را از امروز شروع کنید!

coursera مبانی یادگیری ماشین برای زنجیره تامین (Mitalearn-329406)

  • 1 hours 49 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Rajvir Dua,Neelesh Tiruviluamala
درباره این دوره:

این دوره به شما می آموزد که چگونه از قدرت پایتون برای درک مجموعه داده های زنجیره تامین پیچیده استفاده کنید. حتی اگر با اصول زنجیره تامین آشنا نباشید، مجموعه داده های غنی که به عنوان بوم از آنها استفاده خواهیم کرد به شما کمک می کند تا با چندین ابزار پایتونیک و بهترین شیوه ها برای تجزیه و تحلیل داده های اکتشافی (EDA) آشنا شوید. به این ترتیب، اگرچه همه مجموعه داده‌ها برای متخصصان حرفه‌ای زنجیره تامین طراحی شده‌اند، درس‌ها به راحتی به موارد استفاده دیگر قابل تعمیم هستند.

coursera مهندسی داده های ابری (Mitalearn-324357)

  • 11 hours 46 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Noah Gift
درباره این دوره:

به دوره سوم راه حل های رایانش ابری ساختمان در تخصص مقیاس خوش آمدید! در این دوره یاد می گیرید که چگونه با استفاده از مفاهیم رایانش ابری معرفی شده در دو دوره اول این مجموعه، مهندسی داده را در پروژه های دنیای واقعی به کار ببرید. در پایان این دوره، شما قادر خواهید بود اپلیکیشن های مهندسی داده را توسعه دهید و از بهترین شیوه های توسعه نرم افزار برای ایجاد اپلیکیشن های مهندسی داده استفاده کنید. اینها شامل استقرار مستمر، ابزارهای کیفیت کد، ورود به سیستم، ابزار دقیق و نظارت است. در نهایت، از فناوری‌های بومی ابری برای مقابله با راه‌حل‌های پیچیده مهندسی داده استفاده خواهید کرد. این دوره برای مبتدیان و همچنین دانشجویان متوسط ​​علاقه مند به استفاده از محاسبات ابری در علم داده، یادگیری ماشین و مهندسی داده ایده آل است. دانش آموزان باید مهارت های لینوکس سطح مبتدی و پایتون سطح متوسط ​​را داشته باشند. برای پروژه خود در این دوره، شما یک خط لوله مهندسی داده بدون سرور در یک پلتفرم ابری ایجاد خواهید کرد: خدمات وب آمازون (AWS)، Azure یا Google Cloud Platform (GCP).

Suggestions