Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-6 of 6 items.

coursera الگوریتم های ML (Mitalearn-329678)

  • 2 hours 15 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Whizlabs Instructor
درباره این دوره:

الگوریتم‌های ML چهارمین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. این دوره فراگیران را قادر می‌سازد تا الگوریتم‌های یادگیری ماشینی را عمیقاً غواصی کنند. این دوره به دو ماژول تقسیم می شود و هر ماژول توسط درس ها و سخنرانی های ویدیویی تقسیم بندی می شود. این دوره آموزشی با سخنرانی‌های ویدیویی تقریباً 2:00 تا 2:30 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: الگوریتم های ML- قسمت 1 ماژول 2: الگوریتم های ML- قسمت 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: - تعیین مفاهیم الگوریتم در ML - طراحی الگوریتم های رگرسیون و الگوریتم های مبتنی بر طبقه بندی - الگوریتم های یادگیری تقویتی و الگوریتم های پیش بینی را بررسی کنید

coursera دسترسی بی‌درنگ به داده‌های بزرگ با استفاده از HBase: افزایش عملکرد (Mitalearn-321977)

  • 3 hours 51 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Sandeep Agarwal
درباره این دوره:

در دنیای داده های بزرگ، رشد قابل توجه در حجم و تنوع داده ها چالش های قابل توجهی را ایجاد کرده است. Apache HBase به عنوان یک راه حل قوی و مقیاس پذیر ظاهر شده است. HBase یک پایگاه داده قدرتمند، توزیع شده و مقیاس پذیر NoSQL است که برای مدیریت حجم زیادی از داده ها و حفظ عملکرد بالا طراحی شده است. در این دوره مقدماتی، مفاهیم اساسی HBase و اهمیت آن در مدیریت پردازش و تجزیه و تحلیل داده ها در زمان واقعی را بررسی خواهید کرد. موضوعاتی که در این دوره ارائه می شود عبارتند از: -مبانی HBase -طراحی طرحواره در HBase - راه اندازی، نظارت و پشتیبان گیری خوشه HBase -اصول پرس و جو و بازیابی HBase -تکنیک های جستجوی پیشرفته HBase عملیات دسته ای و دستکاری داده ها - مدل سازی داده ها برای برنامه های کاربردی بلادرنگ استراتژی های استقرار برای برنامه های کاربردی زمان واقعی مقیاس پذیری و در دسترس بودن در برنامه های زمان واقعی این دوره شامل سخنرانی های ویدئویی، نمایش های ویدئویی و همچنین کاربرد عملی در محیط آزمایشگاهی است. در پایان این دوره، شما قادر خواهید بود طرح‌واره‌های HBase کارآمد را طراحی کنید، خوشه‌های HBase را راه‌اندازی و بهینه کنید، عملیات داده‌ها را انجام دهید و کاربرد مناسب HBase را در سناریوهای بلادرنگ ارزیابی کنید و در عین حال مقیاس‌پذیری و استراتژی‌های استقرار موثر را در نظر بگیرید.

coursera سیستم های مدل سازی و مدیریت داده های بزرگ (Mitalearn-334659)

  • 3 hours 54 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Ilkay Altintas,Amarnath Gupta
درباره این دوره:

هنگامی که یک مشکل کلان داده را برای تجزیه و تحلیل شناسایی کردید، چگونه داده های خود را با استفاده از راه حل های کلان داده جمع آوری، ذخیره و سازماندهی می کنید؟ در این دوره، ژانرهای مختلف داده و ابزارهای مدیریتی مناسب برای هر کدام را تجربه خواهید کرد. شما قادر خواهید بود دلایل پشت سرگذاشتن انبوهی از پلتفرم های جدید کلان داده را از دیدگاه سیستم های مدیریت داده های بزرگ و ابزارهای تحلیلی شرح دهید. از طریق آموزش های عملی هدایت شده، با تکنیک هایی با استفاده از نمونه های داده های بی درنگ و نیمه ساختاریافته آشنا خواهید شد. سیستم ها و ابزارهای مورد بحث عبارتند از: AsterixDB، HP Vertica، Impala، Neo4j، Redis، SparkSQL. این دوره تکنیک هایی را برای استخراج ارزش از منابع داده های دست نخورده موجود و کشف منابع داده جدید ارائه می دهد. در پایان این دوره، شما قادر خواهید بود: * عناصر داده های مختلف را در کار خود و مشکلات زندگی روزمره تشخیص دهید * توضیح دهید که چرا تیم شما نیاز به طراحی یک طرح زیرساخت داده بزرگ و طراحی سیستم اطلاعاتی دارد * عملیات داده های مکرر مورد نیاز برای انواع مختلف داده را شناسایی کنید * مدل داده ای را متناسب با ویژگی های داده های خود انتخاب کنید * تکنیک هایی را برای مدیریت داده های جریانی اعمال کنید * بین سیستم مدیریت پایگاه داده سنتی و سیستم مدیریت داده های بزرگ تفاوت قائل شوید * قدردانی کنید که چرا سیستم های مدیریت داده های زیادی وجود دارد * طراحی یک سیستم اطلاعات کلان داده برای یک شرکت بازی آنلاین این دوره برای کسانی است که تازه وارد علم داده می شوند. تکمیل Intro to Big Data توصیه می شود. هیچ تجربه برنامه نویسی قبلی مورد نیاز نیست، اگرچه توانایی نصب برنامه ها و استفاده از ماشین مجازی برای تکمیل تکالیف عملی ضروری است. برای مشخصات کامل سخت افزار و نرم افزار به الزامات فنی تخصصی مراجعه کنید. الزامات سخت افزاری: (الف) پردازنده چهار هسته ای (پشتیبانی VT-x یا AMD-V توصیه می شود)، 64 بیتی؛ (ب) 8 گیگابایت رم؛ (C) 20 گیگابایت دیسک رایگان. نحوه پیدا کردن اطلاعات سخت افزاری خود: (ویندوز): با کلیک بر روی دکمه Start، روی Computer راست کلیک کرده و سپس روی Properties کلیک کنید. (Mac): با کلیک بر روی منوی اپل و کلیک کردن روی «درباره این مک»، نمای کلی را باز کنید. اکثر رایانه های با رم 8 گیگابایتی خریداری شده در 3 سال گذشته حداقل شرایط را برآورده می کنند. شما به اتصال به اینترنت پرسرعت نیاز دارید زیرا فایل هایی تا حجم 4 گیگابایت را دانلود خواهید کرد. نرم افزار مورد نیاز: این دوره متکی بر چندین ابزار نرم افزار منبع باز از جمله Apache Hadoop است. تمام نرم افزارهای مورد نیاز را می توان به صورت رایگان دانلود و نصب کرد (به جز هزینه های داده از ارائه دهنده اینترنت شما). الزامات نرم افزار عبارتند از: Windows 7+، Mac OS X 10.10+، Ubuntu 14.04+ یا CentOS 6+ VirtualBox 5+.

coursera مدل سازی در AWS (Mitalearn-329712)

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

مدل سازی در AWS سومین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. تمرکز اصلی این دوره آموزش مدل های یادگیری ماشین با تجزیه و تحلیل مفاهیم مدل سازی در AWS است. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره با سخنرانی‌های ویدئویی تقریباً 1:30 ساعت تا 2:00 ساعت که دانش تئوری و دستی را ارائه می‌کند، زبان‌آموزان را 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: مدل سازی و آموزش مدل های یادگیری ماشین در AWS ماژول 2: مدل های یادگیری ماشین: ارزیابی عملکرد و تنظیم در پایان این دوره، فراگیران قادر خواهند بود: 1. تجزیه و تحلیل مفاهیم مدل سازی و آموزش مدل های یادگیری ماشین 2. عملکرد مدل های یادگیری ماشین را بررسی کنید 3. با آموزش یک مدل، تنظیم خودکار مدل را پیاده سازی کنید

coursera مقدمه ای بر پایگاه های داده رابطه ای (Mitalearn-328454)

  • 3 hours 46 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Gerald Balekaki,Yousef Elmehdwi
درباره این دوره:

سیستم های مدیریت پایگاه داده بخش مهمی از اکثر صنایع در مقیاس بزرگ و سیستم های منبع باز هستند. این دوره شما را با مفاهیم مهم سیستم های پایگاه داده و طراحی آشنا می کند. ما یاد خواهیم گرفت که پایگاه‌های داده رابطه‌ای چیست، برای چه استفاده می‌شوند، تئوری زیربنایی طراحی آن‌ها، و نحوه پرس‌وجو و تغییر پایگاه داده با استفاده از زبان SQL اعلامی. در پایان دوره، شما قادر خواهید بود: - توضیح دهید که پایگاه داده های رابطه ای چیست و چگونه استفاده می شود. - تسلط بر مدل پایگاه داده رابطه ای. - نشان دادن مهارت در تئوری پایگاه داده رابطه ای رسمی. - مهارت های جامع SQL را نشان دهید. - استفاده از دانش پایگاه داده در مسائل عملی. نرم افزار مورد نیاز: Jupyter Notebooks، SQL

coursera یک پروژه علم داده را نهایی کنید (Mitalearn-333758)

  • 2 hours 21 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 نتایج مراحل قبلی پروژه علم داده را جمع آوری کرده و به ذینفعان ارائه دهند. یادگیرندگان نتایج یک مدل را به ذینفعان منتقل می‌کنند، نحوه ساخت یک برنامه وب پایه برای نشان دادن مدل‌های یادگیری ماشین و پیاده‌سازی و آزمایش خطوط لوله که فرآیندهای آموزش، تنظیم و استقرار مدل را خودکار می‌کنند، نشان خواهند داد. دانشجوی معمولی در این دوره دوره های قبلی را در برنامه گواهینامه حرفه ای CDSP گذرانده است و چندین سال تجربه در زمینه فناوری محاسبات از جمله برخی استعدادها در برنامه نویسی رایانه دارد.

Suggestions