Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-7 of 7 items.

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 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.

coursera تجزیه و تحلیل خوشه بندی (Mitalearn-331905)

  • 51 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Di Wu
درباره این دوره:

دوره "تحلیل خوشه بندی" دانش آموزان را با مفاهیم اساسی یادگیری بدون نظارت با تمرکز بر تکنیک های خوشه بندی و کاهش ابعاد آشنا می کند. شرکت‌کنندگان روش‌های مختلف خوشه‌بندی، از جمله پارتیشن‌بندی، سلسله مراتبی، مبتنی بر چگالی و خوشه‌بندی مبتنی بر شبکه را بررسی خواهند کرد. علاوه بر این، دانش آموزان در مورد تجزیه و تحلیل مؤلفه اصلی (PCA) برای کاهش ابعاد یاد خواهند گرفت. از طریق آموزش های تعاملی و مطالعات موردی عملی، دانش آموزان تجربه عملی در استفاده از تکنیک های خوشه بندی و کاهش ابعاد در مجموعه داده های متنوع به دست خواهند آورد. در پایان این دوره، دانشجویان قادر خواهند بود: 1. درک اصول و اهمیت یادگیری بدون نظارت، به ویژه خوشه بندی و کاهش ابعاد. 2. مفاهیم و کاربردهای روش های پارتیشن بندی، سلسله مراتبی، مبتنی بر چگالی و خوشه بندی مبتنی بر شبکه را درک کنید. 3. مبانی ریاضی الگوریتم های خوشه بندی را برای درک عملکرد آنها کاوش کنید. 4. استفاده از تکنیک های خوشه بندی در مجموعه داده های متنوع برای کشف الگو و کاوش داده ها. 5. درک مفهوم کاهش ابعاد و اهمیت آن در کاهش پیچیدگی فضای ویژگی. 6. تجزیه و تحلیل مؤلفه اصلی (PCA) را برای کاهش ابعاد اجرا کنید و فضای ویژگی کاهش یافته را تفسیر کنید. 7. ارزیابی نتایج خوشه بندی و اثربخشی کاهش ابعاد با استفاده از معیارهای عملکرد مناسب. 8. تکنیک های خوشه بندی و کاهش ابعاد را در مطالعات موردی در دنیای واقعی به کار ببرید تا بینش های معناداری به دست آورید. در طول دوره، دانش‌آموزان فعالانه در آموزش‌ها و مطالعات موردی شرکت خواهند کرد، مهارت‌های تجزیه و تحلیل خوشه‌بندی و کاهش ابعاد خود را تقویت می‌کنند و تجربه عملی در به‌کارگیری این تکنیک‌ها در مجموعه داده‌های متنوع به دست می‌آورند. با دستیابی به اهداف یادگیری، شرکت کنندگان به خوبی مجهز می شوند تا در وظایف یادگیری بدون نظارت برتری پیدا کنند و با استفاده از تکنیک های خوشه بندی و کاهش ابعاد تصمیمات آگاهانه بگیرند.

coursera داده های بزرگ، ژن ها و پزشکی (Mitalearn-347307)

  • 7 hours 5 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Isabelle Bichindaritz
درباره این دوره:

این دوره دانش و مهارت‌های تخصصی را که توسط متخصصان علوم کلان داده‌های سلامت و بیوانفورماتیک تسلط یافته‌اند را برای شما استخراج می‌کند. حقایق هیجان انگیزی در مورد زیست شناسی و شیمی بدن انسان، ژنتیک و پزشکی خواهید آموخت که با علم داده های بزرگ و مهارت هایی برای مهار بهمن داده هایی که آشکارا در دسترس شماست و ما تازه شروع به درک آن ها کرده ایم، در هم آمیخته می شوند. . ما مراحل مختلف مورد نیاز برای تسلط بر تجزیه و تحلیل کلان داده بر روی مجموعه داده های واقعی، از جمله داده های توالی نسل بعدی، را در زمینه بهداشت و درمان، از آماده سازی داده ها برای تجزیه و تحلیل تا تکمیل تجزیه و تحلیل، تفسیر نتایج، تجسم آنها، و به اشتراک گذاری بررسی خواهیم کرد. نتایج. نیازی به گفتن نیست، هنگامی که بر این مهارت‌های پرتقاضا مسلط شوید، موقعیت خوبی برای درخواست یا انتقال به موقعیت‌هایی در تجزیه و تحلیل داده‌های زیست پزشکی و بیوانفورماتیک خواهید داشت. مهم نیست که سطح مهارت شما در زمینه های زیست پزشکی یا فنی در چه سطحی باشد، مهارت های بسیار ارزشمند جدید یا تیزتری را به دست خواهید آورد که شما را به عنوان یک حرفه ای متمایز می کند و می خواهید حتی عمیق تر در Big Data های زیست پزشکی غواصی کنید. امیدوارم این دوره علاقه شما را به امکانات گسترده ارائه شده توسط Big Data در دسترس عموم برای درک بهتر، پیشگیری و درمان بیماری ها جلب کند.

coursera ذخیره سازی داده ها و هوش تجاری (Mitalearn-320753)

  • مبتدی
  • Release date: 27 June 2026
  • Author: Tim Carrington
درباره این دوره:

این دوره بر اساس "ماهیت طراحی داده ها و پایگاه داده رابطه ای" است تا فرآیند جمع آوری و دستکاری داده ها را از طریق انبار داده و داده کاوی گسترش دهد. هنگامی که داده های تراکنش از طریق ETL (Extract، Transform، Load) پردازش می شوند، سپس در یک انبار داده برای استفاده در تصمیم گیری های مدیریتی ذخیره می شوند. داده کاوی یکی از توانمندسازهای کلیدی در فرآیند تبدیل داده های ذخیره شده در یک انبار داده به بینش عملی برای تصمیم گیری بهتر و سریعتر است. تا پایان این دوره، دانشجویان می توانند انبار داده و نحوه استفاده از آن برای هوش تجاری را توضیح دهند، معماری های مختلف انبار داده و مدل سازی داده های چند بعدی را توضیح دهند و مدل های داده کاوی پیش بینی، از جمله مدل های طبقه بندی و تخمین را توسعه دهند. علاوه بر این، دانش‌آموزان می‌توانند مدل‌های داده‌کاوی توضیحی، از جمله مدل‌های خوشه‌بندی و تداعی را توسعه دهند.

coursera متن کاوی و تجزیه و تحلیل (Mitalearn-334540)

  • 12 hours 4 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: ChengXiang Zhai
درباره این دوره:

این دوره تکنیک های اصلی استخراج و تجزیه و تحلیل داده های متنی را برای کشف الگوهای جالب، استخراج دانش مفید و پشتیبانی از تصمیم گیری، با تاکید بر رویکردهای آماری که می تواند به طور کلی برای داده های متن دلخواه در هر زبان طبیعی بدون یا حداقل اعمال شود، پوشش می دهد. تلاش انسان تجزیه و تحلیل دقیق داده های متنی مستلزم درک متن زبان طبیعی است که به عنوان یک کار دشوار برای رایانه ها شناخته شده است. با این حال، نشان داده شده است که تعدادی از رویکردهای آماری برای تجزیه و تحلیل "کم عمق" اما قوی داده های متنی برای الگویابی و کشف دانش به خوبی کار می کنند. شما با مفاهیم اولیه، اصول و الگوریتم های اصلی در متن کاوی و کاربردهای بالقوه آنها آشنا خواهید شد.

coursera یادگیری ماشینی: خوشه بندی و بازیابی (Mitalearn-334812)

  • 7 hours 30 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Emily Fox,Carlos Guestrin
درباره این دوره:

مطالعات موردی: یافتن اسناد مشابه یک خواننده به یک مقاله خبری خاص علاقه دارد و شما می خواهید مقالات مشابهی را برای توصیه پیدا کنید. تصور درست از شباهت چیست؟ علاوه بر این، اگر میلیون ها سند دیگر وجود داشته باشد چه؟ هر بار که می‌خواهید یک سند جدید را بازیابی کنید، آیا باید در میان سایر اسناد جستجو کنید؟ چگونه اسناد مشابه را با هم گروه بندی می کنید؟ چگونه موضوعات جدید و نوظهوری را که اسناد پوشش می دهند کشف می کنید؟ در این مطالعه موردی سوم، با یافتن اسناد مشابه، الگوریتم های مبتنی بر شباهت را برای بازیابی بررسی خواهید کرد. در این دوره، شما همچنین نمایش های ساختار یافته برای توصیف اسناد موجود در مجموعه، از جمله خوشه بندی و مدل های عضویت ترکیبی، مانند تخصیص دیریکله پنهان (LDA) را بررسی خواهید کرد. شما برای یادگیری خوشه‌بندی اسناد، حداکثرسازی انتظارات (EM) را پیاده‌سازی خواهید کرد و نحوه مقیاس‌بندی روش‌ها را با استفاده از MapReduce مشاهده خواهید کرد. نتایج یادگیری: در پایان این دوره، شما قادر خواهید بود: ایجاد یک سیستم بازیابی اسناد با استفاده از k-نزدیکترین همسایه. -شناسایی معیارهای شباهت مختلف برای داده های متنی. -کاهش محاسبات در جستجوی k-نزدیکترین همسایه با استفاده از درختان KD. با استفاده از هش کردن حساس به محلی، نزدیکترین همسایگان را تقریبی تولید کنید. -مقایسه و مقایسه وظایف یادگیری تحت نظارت و بدون نظارت. -دسته بندی اسناد بر اساس موضوع با استفاده از k-means. - نحوه موازی کردن k-means را با استفاده از MapReduce توضیح دهید. -رویکردهای خوشه‌بندی احتمالی را با استفاده از مدل‌های مخلوط بررسی کنید. - برازش مخلوطی از مدل گاوسی با استفاده از حداکثرسازی انتظار (EM). -انجام مدل‌سازی عضویت مختلط با استفاده از تخصیص دیریکله نهفته (LDA). -مراحل نمونه‌بردار گیبس و نحوه استفاده از خروجی آن برای استنتاج را شرح دهید. -تکنیک های اولیه سازی را برای اهداف بهینه سازی غیر محدب مقایسه و کنتراست کنید. -این تکنیک ها را در پایتون پیاده سازی کنید.

Suggestions