Oncofertility یک زمینه بین رشته ای جدید در تقاطع انکولوژی و پزشکی تولید مثل است که هدف آن ارائه گزینه های باروری موثر به بیماران سرطانی جوانی است که تحت درمان ضد سرطان گنادوتوکسیک از طریق چندین استراتژی حفظ و بازیابی باروری هستند. هدف این دوره ارائه یک منحنی یادگیری هیجان انگیز برای شرکت کنندگان است تا اطمینان حاصل شود که اصول اولیه ناباروری را درک کرده و به پیشرفت شغلی آنها کمک می کند. این دوره توسط کنسرسیوم Oncofertility ارائه می شود که نشان دهنده یک شبکه جهانی، بین رشته ای و بین حرفه ای از کارشناسان، متخصصان پزشکی، دانشمندان، محققان و دانشمندانی است که در حال بررسی روابط بین سلامت، بیماری، بقا و حفظ باروری در بیماران سرطانی جوان هستند. کنسرسیوم Oncofertility در سال 2007 ایجاد شد و در طول سال‌های گذشته، زمینه انکوباروری را برای بهبود کیفیت زندگی و گسترش گزینه‌ها برای آینده باروری بازماندگان سرطان در سطوح محلی، ملی و جهانی توسعه داده و رهبری کرده است. مخاطبان جهانی: این دوره در درجه اول برای متخصصان مراقبت های بهداشتی اولیه، کارآموزان، محققان و محققان در سراسر جهان که در زمینه غدد درون ریز و ناباروری باروری، آندرولوژی و ناباروری مردان، و همچنین هماتولوژی/انکولوژی کودکان و بزرگسالان کار می کنند، هدف گذاری شده است. از متخصصان مراقبت های بهداشتی، کارآموزان، محققان و دانش پژوهان مامایی/زنان، اورولوژی، انکولوژی، اطفال یا هر تخصص فرعی مرتبط استقبال می شود. با احترام کنسرسیوم Oncofertility دانشگاه ایالتی میشیگان گروه مامایی، زنان و زایمان و بیولوژی تولید مثل 965 Wilson Road, Room A626B East Lansing, MI 48824-1316, USA تلفن: +1 (517) 884 6434 ایمیل: oncofert@msu.edu وب سایت: https://oncofertility.msu.edu/

حیات در زمین چگونه پدید آمد؟ چگونه حیات و زمین در طول زمان زمین شناسی تکامل یافته اند؟ آیا زندگی در جای دیگری از کیهان است؟ نگاهی به تاریخ 4 میلیارد ساله زندگی روی زمین از دریچه درخت زندگی مدرن بیندازید! این دوره کل تاریخ حیات روی زمین را در چارچوب درک پیشرفته ما از درخت زندگی ارزیابی می کند. این شامل کار پیشگام پروفسور کارل ووز در پردیس دانشگاه ایلینویز Urbana-Champaign است که درک ما را با "درخت زندگی" جدید متحول کرد. موضوعات دیگر عبارتند از: - شناسایی حیات اولیه باستانی قبل از تکامل اولین سلول کل توسعه 4 میلیارد ساله حیات تک سلولی و چند سلولی از طریق دریچه درخت زندگی -تأثیر فرآیندهای سیستم زمین (برخورد شهاب‌ها، آتشفشان‌ها، صفحات یخی) بر شکل‌دهی و ساختار درخت زندگی این سنتز بر جهانی بودن ظهور حیات به عنوان مقدمه ای برای جستجوی حیات فرازمینی تأکید می کند.

آیا انگیزه شما از این ایده است که عدالت اجتماعی را می توان با انتقال انرژی تامین کرد، اما مطمئن نیستید که چگونه این اتفاق بیفتد؟ آیا می خواهید توانایی خود را در تشخیص - و انجام کاری در مورد - بی عدالتی در فضای انرژی افزایش دهید؟ آیا شما یک حرفه ای پایداری یا محیط زیستی مشتاق کمک به طراحی سیستم های انرژی هستید؟ آیا نمی‌دانید چگونه می‌توانید به پیشبرد عدالت در تصمیم‌گیری‌های انرژی جامعه خود کمک کنید؟ این دوره برای شماست! انرژی مایه حیات سبک زندگی مدرن است. با این حال همه به یکسان به مزایای آن دسترسی ندارند و هزینه های زیست محیطی و اجتماعی تولید، حمل و نقل و استفاده از آن به طور مساوی توزیع نمی شود. در این دوره شما ایده و عمل عدالت انرژی را بررسی خواهید کرد: چگونه به نظر می رسد؟ چرا جوامع برای رسیدن به آن تلاش می کنند؟ منظور ما از سیستم های انرژی اجتماعی فنی چیست و چگونه می توانیم آنها را عادلانه تر کنیم؟ اهداف این دوره عبارتند از: (1) آشنا کردن افراد و سازمانها با مفهوم عدالت انرژی و اینکه از کجا آمده است، و (2) کمک به آنها در ایجاد یک جعبه ابزار برای شناسایی و استفاده از فرصتها برای افزایش انصاف و برابری در انرژی مرتبط. تصمیمات و اقدامات پس از اتمام این دوره، فراگیران باید برای شناخت و مقابله با بی عدالتی انرژی در زندگی شخصی و حرفه ای خود، و کمک به تجسم و تقویت عدالت انرژی در جامعه، مجهزتر شوند. اهداف آموزشی دوره در پایان این دوره، دانشجویان قادر خواهند بود: • عدالت انرژی را تعریف کنید و رابطه آن را با عدالت زیست محیطی، عدالت آب و هوا و دموکراسی انرژی توضیح دهید • تعریف نابرابری ساختاری و توصیف تأثیر نژادپرستی تاریخی بر سیستم های انرژی امروزی پیچیدگی اجتماعی سیستم های انرژی و همچنین عناصر فیزیکی اصلی آنها را شرح دهید • اصول و چارچوب های کلیدی عدالت انرژی را شناسایی و توضیح دهید • بین اشکال متعدد بی عدالتی در سیستم های انرژی تمایز قائل شوید و راه حل های بالقوه را تجزیه و تحلیل کنید • بی عدالتی انرژی و نابرابری ساختاری را با روان صحبت کنید • بی عدالتی های انرژی را در زمینه های شخصی، حرفه ای و مدنی شناسایی و ارزیابی کنید • طراحی استراتژی هایی برای ادغام عدالت انرژی در کار حرفه ای و زندگی مدنی • از عدالت انرژی به عنوان یک عنصر اساسی در انتقال انرژی و کاهش تغییرات آب و هوا دفاع کنید • آینده انرژی عادلانه تری را متصور شوید

بیش از هر زمان دیگری، فناوری در حال شکل دادن است و توسط سیاست های عمومی شکل می گیرد. این تأثیر بسیار زیادی دارد، به ویژه برای جوامع حاشیه‌نشین. هوش مصنوعی و الگوریتم‌های رایانه‌ای که به طور فزاینده‌ای تصمیمات دولت و صنعت را هدایت می‌کنند - از تخصیص خدمات اجتماعی تا استخدام - در حال منعکس‌کننده و تقویت تعصبات اجتماعی نسبت به زنان، رنگین پوستان و افراد ناتوان و غیره هستند. تغییرات آب و هوایی جهانی تأثیر منفی نامتناسبی بر کشورهای با درآمد کم و متوسط ​​و جوامع رنگین پوست که از لحاظ تاریخی محروم هستند در ایالات متحده دارد. جوامع به طور فزاینده‌ای نگران هستند که از بودجه تحقیقاتی دولتی بهره نمی‌برند و مقررات فناوری‌های نوظهور ناکافی است. ارتباط متقابل فناوری، سیاست و برابری سؤالات مهمی را برای دانشمندان، فن‌آوران و رهبران سیاست عمومی، جامعه مدنی و صنعت ایجاد می‌کند. چگونه می توان فناوری را ساخت، اجرا کرد و عادلانه تر اداره کرد؟ چگونه می توان نگرانی های جوامع به حاشیه رانده شده را بهتر در فناوری و سیاست های مرتبط ادغام کرد؟ چگونه باید دانش و نگرانی های جامعه با تخصص فنی و شواهد علمی در توسعه سیاست های عمومی ادغام شود؟ هدف این دوره کمک به یادگیرندگان است تا بفهمند که چگونه نابرابری و بی عدالتی می تواند در فناوری، علم و سیاست های مرتبط گنجانده شود و چگونه می توان به آن پرداخت. این دوره با ترکیب موارد دنیای واقعی با بینش های علمی، فراگیران را با این چالش ها آشنا می کند و ابزارهایی برای پیمایش آنها ارائه می دهد. شما در مورد: - چشم انداز سیاست گذاری فناوری - چگونه فناوری و سیاست‌های مرتبط، ارزش‌ها، تعصبات و سیاست‌های اجتماعی را منعکس و تقویت می‌کنند - قدرت و محدودیت های تکنولوژی در حل مشکلات اجتماعی - روش های جدید برای فکر کردن در مورد "متخصصان" و "عمومی" - سیاست سیاست نوآوری این دوره برای افرادی با زمینه های مختلف حرفه ای، حمایتی و دانشگاهی طراحی شده است. هیچ پیشینه علمی، فنی یا سیاستی لازم نیست.

عصر توسعه پایدار" به دانش آموزان درک درستی از چالش ها و مسیرهای توسعه پایدار می دهد - یعنی توسعه اقتصادی که از نظر اجتماعی فراگیر و از نظر زیست محیطی پایدار است.

علائم حیاتی - ضربان قلب، فشار خون، دمای بدن، تعداد تنفس و درد - اطلاعات مهمی را در مورد وضعیت فیزیولوژیکی بدن انسان به اشتراک می‌گذارند. در این دوره شش قسمتی، آناتومی و فیزیولوژی زیربنای علائم حیاتی را بررسی می کنیم تا درک سیستماتیک و یکپارچه ای از نحوه عملکرد بدن ایجاد کنید. سیستم‌های بدن مربوطه از جمله سیستم‌های قلبی عروقی و تنفسی بررسی می‌شوند، و به دنبال آن توضیحاتی در مورد چگونگی تأثیر عملکرد این سیستم‌ها بر علائم حیاتی ارائه می‌شود. ما در مورد محدوده های نرمال، انواع طبیعی و مکانیسم هایی که زمینه ساز تغییرات در اندازه گیری عینی علائم حیاتی هستند بحث می کنیم. این دوره همچنین شامل نمایش تکنیک های مناسب برای اندازه گیری علائم حیاتی در خود و دیگران است. این دوره برای مخاطبان گسترده و عمومی طراحی شده است، اما به ویژه برای افرادی که در بخش مراقبت های بهداشتی کار می کنند، کسانی که به عنوان یک متخصص مراقبت های بهداشتی شغلی را در نظر می گیرند، مراقبان غیرمتخصص، کسانی که علاقه مند به سلامت شخصی و تناسب اندام هستند، یا هر کسی که به سادگی می خواهد درک کند، جالب خواهد بود. نحوه عملکرد بدن

در این دوره آموزشی یاد خواهید گرفت که چگونه نوعی تمرین را طراحی کنید که از ماهیت پلاستیکی بدن ورزشکار بهره می برد تا فنوتیپ مناسب برای یک ورزش را بسازید. ما راه‌هایی را بررسی می‌کنیم که سیستم عضلانی می‌تواند برای تولید نیرو و قدرت بالاتر و نوع تمرین مورد نیاز برای شکل‌دهی ظرفیت فیزیکی ورزشکار طراحی شود تا انرژی و نیازهای بیوشیمیایی ورزش را برآورده کند. ما همچنین هزینه پلاستیسیته را زمانی که فراتر از توانایی بدن برای تنظیم خود برای پاسخگویی به استرس های تمرینی تحمیل شده انجام می شود، بررسی می کنیم. هزینه افزایش بیش از حد انعطاف پذیری به شکل آسیب و خستگی مزمن است. در اصل، یک مربی می تواند بدن ورزشکار را بیش از حد فشار دهد و ممکن است شکست بخورد. پس از اتمام این دوره، شما قادر خواهید بود یک برنامه آموزشی سالانه از نظر علمی معتبر جمع آوری کنید.

این دوره چندین اصل علمی اساسی را معرفی می کند که زیربنای روش شناسی پخت و پز، تهیه غذا و لذت بردن از غذا هستند. همه موضوعات تحت پوشش دارای پایه قوی در زیست شناسی، شیمی و کاربرد فیزیک هستند. از جمله، آنها شامل مصرف غذای پخته، پیامدهای فیزیولوژیکی و تکاملی حواس، تأثیرات جغرافیایی و فرهنگی بر روی غذا، و منطق پشت تهیه غذا هستند. ما همچنین در مورد موضوعاتی مانند جفت شدن حواس برای بهبود تحریک حس بحث خواهیم کرد. تغییر طعم با روش های شیمیایی و تغییر رنگ برای بهبود ظاهر ظروف. پس از نمایش ویدیویی اصول علمی آشپزی، یاد خواهید گرفت که مواد اصلی و ترکیبات آنها را برای تهیه غذای سالم خوب بشناسید. همچنین از شما خواسته می شود که اصول آشپزی خاصی را از طریق تکالیف هفتگی امتحان و تمرین کنید. داده های خود را تجزیه و تحلیل کنید و تجربیات خود را با دیگران مقایسه کنید. در پایان این دوره، شما قادر خواهید بود: - از اساس علمی دستور العمل های مختلف قدردانی کنید. - دستور العمل های خود را با ادغام برخی از اصول علمی در غذاهای جدید توسعه دهید. - تأثیر جهان مادی بر ادراک انسان را از حواس مختلف تشخیص دهد. - از هنر ادغام علم در آشپزی و غذاخوری قدردانی کنید. نکته مهم: این دوره برای افراد با نیازهای غذایی خاص مانند رژیم های گیاهخواری، دیابتی و بدون گلوتن طراحی نشده است. اگر با هر بخشی از تکالیف یا فعالیت‌های این دوره احساس ناراحتی می‌کنید، می‌توانید برخی از مواد را جایگزین کنید یا از دوستان و اعضای خانواده بخواهید تا در مزه کردن تکالیف شما کمک کنند. از طرف دیگر، اگر تمام شرایط واجد شرایط دیگر را برای گذراندن دوره برآورده کرده باشید، می توانید آن تکلیف خاص را نادیده بگیرید. ویدئوی مروری بر دوره: https://www.coursera.org/lecture/gastronomy/course-overview-43gyz

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!

در این دوره آموزشی، مهارت‌ها و تکنیک‌های مختلف علوم داده را که به عنوان بخشی از دوره‌های قبلی در IBM Data Science با تخصص R یا IBM Data Analytics با Excel و R Professional Certificate آموخته‌اید، به کار می‌گیرید. برای این پروژه، شما نقش یک دانشمند داده را به عهده خواهید گرفت که اخیراً به یک سازمان پیوسته است و با چالشی مواجه می شوید که نیاز به جمع آوری داده ها، تجزیه و تحلیل، آزمایش فرضیه های اساسی، تجسم و مدل سازی دارد تا بر روی مجموعه داده های دنیای واقعی انجام شود. داده‌ها را از منابع متعدد جمع‌آوری و درک می‌کنید، بحث و گفتگو و آماده‌سازی داده‌ها را با Tidyverse انجام می‌دهید، تجزیه و تحلیل داده‌های اکتشافی را با SQL، Tidyverse و ggplot2 انجام می‌دهید، داده‌ها را با رگرسیون خطی مدل‌سازی می‌کنید، نمودارها و نمودارهایی را برای تجسم داده‌ها ایجاد می‌کنید و داشبورد تعاملی ایجاد می‌کنید. پروژه با ارائه گزارش تجزیه و تحلیل داده های شما، با یک خلاصه اجرایی برای ذینفعان مختلف در سازمان به اوج خود می رسد.

این فرصتی است که همه چیز را در مورد علم داده برای نوآوری کسب و کار و آینده حرفه ای خود بیاموزید. فن آوری و تجزیه و تحلیل تجربه کسب و کار خود را مطابقت دهید! دوره نانو علم داده برای نوآوری کسب و کار خلاصه ای از تخصص لازم در علم داده برای مدیران و مدیران است تا نوآوری مبتنی بر داده را تقویت کنند. این دوره توضیح می دهد که علم داده چیست و چرا اینقدر هیپ شده است. یاد خواهید گرفت: * ارزشی که Data Science می تواند ایجاد کند * طبقات اصلی مشکلاتی که علم داده می تواند حل کند * تفاوت بین تجزیه و تحلیل توصیفی، پیش بینی کننده و تجویزی است * نقش یادگیری ماشین و هوش مصنوعی. از منظر فنی تر، این دوره روش های نظارت شده، بدون نظارت و نیمه نظارت را پوشش می دهد و توضیح می دهد که چه چیزی را می توان با روش های طبقه بندی، خوشه بندی و رگرسیون به دست آورد. این مقاله نقش مدل‌ها و فناوری‌های داده NoSQL و نقش و تأثیر پلت‌فرم‌های محاسباتی مبتنی بر ابر مقیاس‌پذیر را مورد بحث قرار می‌دهد. همه موضوعات با سخنرانی های مبتنی بر مثال، بحث در مورد موارد استفاده، داستان های موفقیت، و مثال های واقع بینانه پوشش داده شده است. پس از این دوره نانو، اگر می‌خواهید دانش خود را در زمینه علوم داده عمیق‌تر کنید، می‌توانید در دوره زنده نوآوری علوم داده برای کسب و کار شرکت کنید https://professionalschool.eitdigital.eu/data-science-for-business-innovation

آیا می خواهید بدانید چرا علم داده به عنوان جذاب ترین حرفه قرن بیست و یکم شناخته شده است؟ پس از گذراندن این دوره، شما قادر خواهید بود به این سوال پاسخ دهید، بفهمید علم داده چیست و دانشمندان داده چه می کنند و در مورد مسیرهای شغلی در این زمینه بیاموزید. هنر کشف بینش ها و روندها در داده ها از زمان های قدیم وجود داشته است. مصریان باستان از داده های سرشماری برای افزایش کارایی در جمع آوری مالیات استفاده می کردند و سیل رودخانه نیل را هر ساله به طور دقیق پیش بینی می کردند. از آن زمان، مردم به استفاده از داده ها برای استخراج بینش و پیش بینی نتایج ادامه دادند. اخیراً آنها زمینه ای منحصر به فرد و متمایز را برای کاری که انجام می دهند ایجاد کرده اند. این رشته علم داده است. در دنیای امروز، ما از علم داده برای یافتن الگوها در داده ها و نتیجه گیری و پیش بینی های معنادار و مبتنی بر داده استفاده می کنیم. این دوره برای همه است و مفاهیمی مانند نحوه استفاده دانشمندان داده از یادگیری ماشینی و یادگیری عمیق و نحوه استفاده شرکت ها از علم داده در تجارت را آموزش می دهد. شما با چندین دانشمند داده ملاقات خواهید کرد که بینش و تجربیات خود را در علم داده به اشتراک خواهند گذاشت. با گذراندن این دوره مقدماتی، سفر خود را به این رشته پر رونق آغاز خواهید کرد.

آیا تا به حال تجربه عالی علم داده را داشته اید؟ کشش داده کاملاً انجام شد. هیچ خطای ادغام یا داده های از دست رفته وجود نداشت. قبل از تجزیه و تحلیل، فرضیه ها به وضوح تعریف شده بودند. تصادفی سازی برای درمان مورد علاقه انجام شد. طرح تحلیلی قبل از تجزیه و تحلیل ترسیم شد و دقیقاً دنبال شد. نتیجه گیری ها واضح و تصمیمات قابل اجرا واضح بود. آیا این اتفاق برای شما افتاده است؟ البته نه. تجزیه و تحلیل داده ها در زندگی واقعی کثیف است. چگونه می توان تیمی را که با تجزیه و تحلیل داده های واقعی مواجه است، مدیریت کرد؟ در این دوره یک هفته‌ای، ایده‌آل را با آنچه در زندگی واقعی اتفاق می‌افتد مقایسه می‌کنیم. با تضاد ایده آل، مفاهیم کلیدی را یاد خواهید گرفت که به شما در مدیریت تحلیل های زندگی واقعی کمک می کند. این یک دوره متمرکز طراحی شده است تا شما را به سرعت در انجام علم داده در زندگی واقعی به سرعت بشناساند. هدف ما این بود که این کار را تا حد امکان برای شما راحت کنیم بدون اینکه هیچ محتوای ضروری را قربانی کنیم. ما اطلاعات فنی را کنار گذاشته‌ایم تا بتوانید روی مدیریت تیم خود و پیشبرد آن تمرکز کنید. پس از گذراندن این دوره خواهید دانست که چگونه: 1، تجربه "عالی" علم داده را توصیف کنید 2. شناسایی نقاط قوت و ضعف در طرح های آزمایشی 3. مشکلات احتمالی را هنگام جمع‌آوری/ جمع‌آوری داده‌ها شرح دهید و راه‌حل‌هایی را برای مدیریت کشش داده‌ها بیاموزید. 4. مفروضات مدل سازی آماری را به چالش بکشید و بازخورد را به تحلیلگران داده هدایت کنید 5. مشکلات رایج در ارتباط تجزیه و تحلیل داده ها را شرح دهید 6. نگاهی اجمالی به یک روز از زندگی یک مدیر تجزیه و تحلیل داده ها داشته باشید. این دوره در سطح مفهومی برای مدیران فعال دانشمندان داده و آماردانان تدریس می شود. برخی از مفاهیم کلیدی مورد بحث عبارتند از: 1. طراحی آزمایشی، تصادفی سازی، تست A/B 2. استنتاج علی، خلاف واقع، 3. استراتژی های مدیریت کیفیت داده ها. 4. تعصب و گیج کننده 5. یادگیری ماشینی متضاد در مقابل استنتاج آماری کلاسیک تبلیغ دوره: https://www.youtube.com/watch?v=9BIYmw5wnBI تصویر جلد دوره توسط جاناتان گراس. Creative Commons BY-ND https://flic.kr/p/q1vudb

حجم فزاینده ای از داده ها در زیست پزشکی و مراقبت های بهداشتی از داده های ژنومی گرفته تا پرونده های الکترونیکی بیماران و داده های جمع آوری شده توسط دستگاه های پوشیدنی در دسترس است. پیشرفت های اخیر در علم داده، علوم زیستی را متحول کرده و منجر به پزشکی دقیق و مراقبت های بهداشتی طبقه بندی شده می شود. در این دوره آموزشی، با انواع مختلف داده ها و روش های محاسباتی مربوط به مراقبت های بهداشتی طبقه بندی شده و پزشکی دقیق آشنا خواهید شد. شما تجربه عملی کار با چنین داده هایی را خواهید داشت. و از رهبران این حوزه در مورد مطالعات موردی موفق یاد خواهید گرفت. موضوعات عبارتند از: (i) پردازش توالی، (ii) تجزیه و تحلیل تصویر، (iii) مدل سازی شبکه، (iv) مدل سازی احتمالی، (v) یادگیری ماشین، (vi) پردازش زبان طبیعی، (vii) مدل سازی فرآیند و (viii) نمودار داده ها ویدیوی تبلیغاتی دوره را اینجا ببینید: http://edin.ac/2pn350P

کلاس Code Free Data Science برای زبان آموزانی طراحی شده است که به دنبال کسب یا گسترش دانش خود در زمینه علم داده هستند. شرکت‌کنندگان آموزش‌های پایه را در مورد رویکردهای تحلیلی پیش‌بینی‌کننده مؤثر همراه با رشته رو به رشد علم داده بدون هیچ گونه نیاز برنامه‌نویسی دریافت خواهند کرد. روش‌های یادگیری ماشین با استفاده از پلتفرم KNIME Analytics برای کشف الگوها و روابط در داده‌ها ارائه می‌شوند. پیش بینی روندها و رفتارهای آینده امکان تصمیم گیری های پیشگیرانه و مبتنی بر داده را فراهم می کند. در طول کلاس، فراگیران مهارت های جدیدی برای اعمال الگوریتم های پیش بینی بر داده های واقعی، ارزیابی، اعتبارسنجی و تفسیر نتایج بدون هیچ پیش نیازی برای هر نوع برنامه نویسی به دست خواهند آورد. شرکت کنندگان مهارت های ضروری برای طراحی، ساخت، تأیید و آزمایش مدل های پیش بینی را به دست خواهند آورد. شما یاد خواهید گرفت • نحوه طراحی گردش کار علم داده بدون نیاز به برنامه نویسی • مهارت های ضروری علوم داده برای طراحی، ساخت، آزمایش و ارزیابی مدل های پیش بینی • روش های دستکاری، آماده سازی و طبقه بندی و خوشه بندی داده ها • روش های اعمال الگوریتم های علم داده بر داده های واقعی و ارزیابی و تفسیر نتایج

در این دوره، مهارت های علم داده خود را در حین حل مشکلات دنیای واقعی توسعه خواهید داد. شما از طریق فرآیند علم داده کار خواهید کرد و از یادگیری بدون نظارت برای کاوش داده ها، مهندسی و انتخاب ویژگی های معنادار، و حل مشکلات یادگیری نظارت شده پیچیده با استفاده از مدل های درختی استفاده خواهید کرد. شما همچنین یاد خواهید گرفت که برای بهبود عملکرد مدل، از تنظیم هایپرپارامتر و استراتژی های اعتبار سنجی متقابل استفاده کنید. توجه: این سومین و آخرین دوره در رشته تخصصی Data Science with Databricks for Data Analysts Coursera است. برای موفقیت در این دوره، ما به شدت توصیه می کنیم قبل از گذراندن این دوره، دو دوره اول در آن تخصص را بگذرانید. این دوره ها عبارتند از: Apache Spark for Data Analysts و Data Science Fundamentals for Data Analysts.

سلول های بنیادی چه وعده ای برای درمان شرایط پزشکی دارند؟ در این دوره آنلاین پنج قسمتی، تاریخچه و زیست شناسی اولیه سلول های بنیادی را بررسی می کنید، با تکنیک های جدید تحقیقاتی آشنا می شوید و در می یابید که چگونه سلول های بنیادی می توانند منجر به درمان بیماری ها و پزشکی فردی شوند. شما از دانشمندان موزه، پژوهشگران پزشکی در مرزهای این رشته و گروهی از کارشناسان اخلاق زیستی خواهید شنید که به پیامدهای اخلاقی تحقیق و درمان سلول های بنیادی می پردازند. بیاموزید که قبلاً چه کارهایی انجام شده است، چه چالش هایی باقی مانده است و چه پیشرفت های پزشکی ممکن است در پیش باشد.