Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-10 of 10 items.

linkedin افزایش گردش کار نوت بوک خود با Jupyter AI (Mitalearn-419132)

  • 1 hours 10 minutes
  • مناسب همه
  • Release date: 17 July 2025
  • Author: Wuraola Oyewusi
درباره این دوره: 

 یک مقدمه جامع در مورد Jupyter AI ، پسوند قدرتمندی که قابلیت های تولید AI را در اکوسیستم Jupyter ادغام می کند ، دریافت کنید. مربی Wuraola Oyewusi قبل از اینکه به شما نشان دهد چگونه می توانید محیط خود را با ارائه دهندگان مختلف مدل هوش مصنوعی تنظیم کنید ، با یک مرور کلی از مفاهیم بنیادی آغاز می شود. از طریق تظاهرات عملی ، شما تکنیک های آسان برای استفاده برای استفاده از هوش مصنوعی برای تولید ، توضیح ، اصلاح مجدد و کد اشکال زدایی تسلط خواهید داشت. این دوره یک ایده آل برای دانشمندان داده ، پزشکان یادگیری ماشین و توسعه دهندگان ، با یک پروژه سنگفرش نتیجه می گیرد که مهارت های جدید شما را تقویت و آزمایش می کند.

coursera برنامه های کاربردی وب و ابزارهای خط فرمان برای مهندسی داده (Mitalearn-324221)

  • 4 hours 11 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Noah Gift,Kennedy Behrman,Alfredo Deza
درباره این دوره:

در این دوره چهارم از پایتون، Bash و SQL Essentials برای تخصص مهندسی داده، شما بر اساس مفاهیم مهندسی داده معرفی شده در سه دوره اول برای استفاده از تکنیک‌های Python، Bash و SQL در مقابله با مشکلات دنیای واقعی استوار می‌شوید. ابتدا، ما عمیق‌تر به استفاده از نوت‌بوک‌های Jupyter برای ایجاد و استقرار مدل‌هایی برای وظایف یادگیری ماشینی خواهیم پرداخت. سپس، نحوه استفاده از میکروسرویس‌های پایتون را برای تجزیه انبار داده‌های خود به راه‌حل‌های کوچک و قابل حمل که می‌توانند مقیاس شوند، بررسی خواهیم کرد. در نهایت، شما یک ابزار خط فرمان قدرتمند برای خودکارسازی تست و کنترل کیفیت برای انتشار و به اشتراک گذاری ابزار خود با یک رجیستری داده خواهید ساخت.

coursera پایتون برای علم داده (Mitalearn-327145)

  • 10 hours 27 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Fractal Analytics Academy
درباره این دوره:

استاد پایتون برای علم داده با پروژه های عملی. پانداها، آمار و تجسم را برای حل مشکلات تجارت در دنیای واقعی بیاموزید. ایجاد مهارت‌های آماده برای کار در بحث و گفتگوی داده‌ها، تجزیه و تحلیل داده‌های اکتشافی (EDA) و ترسیم نمودار با matplotlib/seaborn—بدون نیاز به تجربه قبلی. این دوره آموزشی مبتدی شما را از طریق پاکسازی داده های نامرتب، استفاده از آمار توصیفی و استنباطی و تهیه مجموعه داده ها برای یادگیری ماشین راهنمایی می کند. شما تجزیه و تحلیل هایی را طراحی خواهید کرد که به سؤالات تجاری پاسخ می دهند، بینش ها را با تصاویر متقاعد کننده ارتباط برقرار می کنند و ارزیابی های چالش برانگیز را کامل می کنند که با سناریوهای محل کار هماهنگ هستند. در پایان، با اطمینان داده‌ها را در پانداها دستکاری می‌کنید، گردش کار را خودکار می‌کنید و داشبوردهایی می‌سازید که ذینفعان آن را درک کنند. سفر مبتنی بر داده خود را شروع کنید و داده های خام را به تصمیم گیری تبدیل کنید.

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 پروژه پایتون: مهندسی نرم افزار و دستکاری تصویر (Mitalearn-310230)

  • 2 hours 32 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Christopher Brooks
درباره این دوره:

این دوره شما را از طریق یک پروژه عملی مناسب برای نمونه کارها راهنمایی می کند. شما با API های شخص ثالث آشنا می شوید و نحوه دستکاری تصاویر با استفاده از کتابخانه تصویربرداری پایتون (بالش)، نحوه اعمال تشخیص نویسه نوری روی تصاویر برای تشخیص متن (tesseract و pytesseract) به شما نشان داده می شود. در پایان دوره شما با این کتابخانه های مختلف موجود برای پایتون 3 کار کرده اید تا یک پروژه در دنیای واقعی ایجاد کنید. این دوره برای زبان آموزانی مناسب است که چهار دوره اول تخصص برنامه نویسی پایتون 3 را گذرانده اند. زبان آموزانی که قبلاً مهارت های برنامه نویسی پایتون دارند اما می خواهند با یک پروژه عملی و واقعی تمرین کنند نیز می توانند از این دوره بهره مند شوند. این پنجمین و آخرین دوره در تخصص برنامه نویسی پایتون 3 است.

coursera تجزیه و تحلیل داده های پایتون (Mitalearn-329015)

  • 6 hours 17 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Victor Geislinger
درباره این دوره:

این دوره استفاده از زبان برنامه نویسی پایتون را برای دستکاری مجموعه داده ها به عنوان جایگزینی برای صفحات گسترده معرفی می کند. شما از چارچوب OSEMN تجزیه و تحلیل داده ها پیروی می کنید تا داده ها را بکشید، تمیز کنید، دستکاری کنید و تفسیر کنید و در عین حال اصول برنامه نویسی اساسی و توابع پایه پایتون را یاد بگیرید. شما با کتابخانه پایتون، پانداها و نحوه استفاده از آن برای به دست آوردن، تمیز کردن، کاوش و تجسم داده ها آشنا خواهید شد. در پایان این دوره شما قادر خواهید بود: • از پایتون برای ساخت حلقه ها و ساختارهای داده اولیه استفاده کنید • مرتب سازی، پرس و جو و ساختار داده ها در پانداها، کتابخانه پایتون • تجسم داده ها را با کتابخانه های پایتون ایجاد کنید • مدل سازی و تفسیر داده ها با استفاده از پایتون این دوره برای افرادی طراحی شده است که می خواهند اصول استفاده از پایتون را برای مرتب سازی و ساختار داده ها برای تجزیه و تحلیل داده ها یاد بگیرند. شما نیازی به تجربه بازاریابی یا تجزیه و تحلیل داده ندارید، اما باید مهارت های ناوبری اینترنتی اولیه را داشته باشید و مشتاق مشارکت باشید.

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 تجسم داده ها با پایتون [coursera] (Mitalearn-330018)

  • 2 hours 6 minutes
  • متوسط
  • Release date: 27 June 2026
  • Author: Saishruthi Swaminathan,Dr. Pooja
درباره این دوره:

یکی از مهم‌ترین مهارت‌های دانشمندان داده و تحلیلگران داده موفق، توانایی بیان یک داستان متقاعدکننده با تجسم داده‌ها و یافته‌ها به روشی قابل دسترس و محرک است. در این دوره راه های زیادی را برای تجسم موثر داده های کوچک و بزرگ یاد خواهید گرفت. شما قادر خواهید بود داده هایی را که در نگاه اول معنی کمی دارند بردارید و آن داده ها را به شکلی ارائه دهید که بینش را منتقل کند. این دوره به شما آموزش می دهد که با بسیاری از ابزارها و تکنیک های تجسم داده کار کنید. شما یاد خواهید گرفت که انواع مختلف نمودارها و نمودارهای اساسی و پیشرفته مانند: نمودارهای وافل، نمودارهای منطقه، هیستوگرام، نمودار میله ای، نمودار دایره ای، نمودار پراکندگی، ابرهای ورد، نقشه های کروپلث، و بسیاری موارد دیگر را ایجاد کنید! همچنین داشبوردهای تعاملی ایجاد خواهید کرد که به افرادی که هیچ تجربه ای در علم داده ندارند نیز اجازه می دهد تا داده ها را بهتر درک کنند و تصمیمات مؤثرتر و آگاهانه تری بگیرند. با تکمیل آزمایشگاه های متعدد و یک پروژه نهایی برای تمرین و به کارگیری بسیاری از جنبه ها و تکنیک های تجسم داده ها با استفاده از نوت بوک های Jupyter و یک IDE مبتنی بر ابر، به طور عملی یاد خواهید گرفت. شما از چندین کتابخانه تجسم داده در پایتون استفاده خواهید کرد، از جمله Matplotlib، Seaborn، Folium، Plotly و Dash.

linkedin معرفی Jupyter (Mitalearn-162653)

  • 53 minutes
  • مبتدی
  • Release date: 21 June 2026
  • Author: Josh McQuiston
درباره این دوره:

پروژه های خود را مانند یک حرفه ای با ابزار جدید Jupyter Notebook ارائه دهید. Jupyter Notebook یک برنامه وب منبع باز است که به شما امکان می دهد اسنادی را ایجاد و به اشتراک بگذارید که حاوی کد زنده، نمودارها و گرافیک ها و متن توصیفی هستند. برای یادگیری ماشین، مدل‌سازی آماری و سایر پروژه‌هایی که نیاز به تجزیه و تحلیل و تجسم دارند، ایده‌آل است. به مربی جاش مک کویستون بپیوندید تا نحوه اجرای نوت‌بوک‌های Jupyter، ساده‌سازی جریان‌های کاری و استفاده از نمودارهای رایج برای تجسم داده‌های خود را به روش‌های غیر معمول نشان دهد. درس‌ها با مثال‌هایی بر اساس داده‌های واقعی نشان داده شده‌اند، بنابراین تصویر دقیقی از تأثیری که Jupyter در دنیای واقعی می‌تواند بر پروژه‌های توسعه‌تان داشته باشد، به دست آورید.

coursera مهندسی داده در AWS (Mitalearn-329287)

  • 1 hours 45 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Whizlabs Instructor
درباره این دوره:

مهندسی داده در AWS اولین دوره در تخصص AWS Certified Machine Learning تخصص است. این دوره به زبان آموزان کمک می کند تا تکنیک های مختلف جمع آوری داده ها را تجزیه و تحلیل کنند. آنها همچنین بینشی برای رسیدگی به داده های از دست رفته به دست خواهند آورد. 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 حدوداً 2:30 تا 3:00 ساعت که هم تئوری و هم دانش عملی را ارائه می‌کند، به زبان‌آموزان تسهیل 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: مقدمه ای بر مهندسی داده ماژول 2: استخراج ویژگی و انتخاب ویژگی نامزد باید حداقل دو سال تجربه عملی در معماری و اجرای بارهای کاری ML در AWS Cloud داشته باشد. فرد باید دانش اولیه الگوریتم های ML را داشته باشد. در پایان این دوره، زبان آموز قادر خواهد بود: - تکنیک های مختلف جمع آوری داده ها را درک کنید - تجزیه و تحلیل تکنیک های مدیریت داده های از دست رفته - پیاده سازی استخراج ویژگی و انتخاب ویژگی با تجزیه و تحلیل مؤلفه اصلی و واریانس آستانه ها

Suggestions