بسیاری خود را در حرفه خود به دلیل عدم آمادگی برای رویارویی با معضلات قابل پیش بینی که به طور مرتب در دنیای کار به وجود می آیند ناامید می یابند. از هر پنج حرفه ای که پس از تحصیل در دانشگاه اخراج می شوند، دو نفر به دلیل دروغ گفتن یا استفاده نادرست از فناوری اخراج می شوند. اجتناب از آن آسان است! یا هست؟ اگر متوجه شدید که برای حفظ شغل خود باید ارزش های خود را به خطر بیندازید چه؟ اگر از شما بخواهند دروغ بگویید یا تقلب کنید، چه می شود، حتی اگر می دانید اگر متوجه شوید اخراج خواهید شد؟ اگر متوجه شدید که شرکت قانون را زیر پا می گذارد چه؟ افراد موفق در مورد این تخصص می دانند و مهارت های آموزش داده شده در آن را دارند. شما نیز باید. کسانی که می خواهند تغییر ایجاد کنند، شهرت مثبتی به دست آورند، رهبر شوند و در حرفه خود پیشرفت کنند، باید مهارت های موفقیت حرفه ای را همراه با مهارت های شغلی خاص خود پرورش دهند. موضوعات اصلی این دوره – شناخت خود و ارزش‌هایتان، شناخت و مقابله با چالش‌های اخلاقی، استفاده از چارچوب تصمیم‌گیری تحلیلی، شناسایی مشکلات احتمالی و توسعه ابزارهایی برای استفاده در لحظه – مهارت‌های نرم ضروری برای موفقیت در کار هستند. به طور خلاصه، یک چارچوب اخلاقی لازم است، و نه فقط خوب. اخلاق هوشمندانه، همانطور که ما آنها را تعریف می کنیم، جزء لاینفک موفقیت هستند.

این دوره آموزشی، مبانی طراحی آموزشی، فراگیران را با مبانی مفهومی و نظری طراحی آموزشی و همچنین جنبه تحلیلی طراحی سیستم های آموزشی به منظور ایجاد راه حل آموزشی نوآورانه برای مشکلات عملکرد در سازمان ها آشنا می کند. این دوره خاص همچنین فراگیران را با مفاهیمی که در گواهینامه طراحی آموزشی MasterTrack پوشش داده شده است آشنا می کند. پس از اتمام موفقیت آمیز این دوره، شما قادر خواهید بود: ●مفاهیم اصلی طراحی سیستم های آموزشی را شرح دهید ●تئوری های اصلی یادگیری و آموزشی را شرح دهید ●فرایند طراحی آموزشی و مدل های طراحی آموزشی را شرح دهید ● فعالیت های تحلیلی مختلف برای طراحی آموزشی را شرح دهید

این دوره، مبانی و کاربردهای فناوری های یادگیری، یکی از دو دوره چهار هفته ای MOOC است که بخشی از گواهینامه MasterTrack طراحی آموزشی است. پس از اتمام دوره، شما قادر خواهید بود: 1. کاربردهای فناوری یادگیری مناسب برای وظایف حل مسئله را شناسایی کنید. 2. ارزیابی راه حل های فن آوری یادگیری بر اساس نظریه بار شناختی و مدل های طراحی یادگیری چند رسانه ای مرتبط. 3. انتخاب فناوری های یادگیری برای حل مشکلات سازمانی را بر اساس شواهد و بهترین شیوه ها توجیه کنید.

این دوره با هدف ارائه دانش پایه در مورد وزیکول های خارج سلولی (EV) یک اصطلاح عمومی شامل اگزوزوم ها، میکرووزیکول ها، میکروذرات، اکتوزوم ها، انکوزوم ها، پروستازوم ها و بسیاری دیگر است. این حوزه‌هایی مانند تاریخچه EV، نام‌گذاری، بیوژنز، محموله EV و همچنین مکانیسم‌های آزادسازی و جذب، جمع‌آوری و پردازش قبل از جداسازی، روش‌های مختلف جداسازی، خصوصیات و تکنیک‌های کمی‌سازی را پوشش می‌دهد. این دوره به پنج ماژول تقسیم شده است. ماژول 1 مقدمه ای بر این زمینه است و نامگذاری و تاریخچه خودروهای برقی را پوشش می دهد. ماژول 2 روی بیوژنز، مکانیسم‌های آزادسازی و جذب EVs و همچنین محموله‌های مختلف EV (RNA، پروتئین، لیپیدها) تمرکز خواهد کرد. در ماژول 3، ما بر جمع آوری و پردازش محیط کشت سلولی و مایعات بدن مانند خون، شیر مادر، مایع مغزی نخاعی و ادرار قبل از جداسازی EVs تمرکز خواهیم کرد. ماژول 4 و 5 به ترتیب روش‌های جداسازی و تکنیک‌های مشخص‌سازی/کمی‌سازی متفاوتی را ارائه خواهند داد. در اینجا اولتراسانتریفیوژ دیفرانسیل، کروماتوگرافی حذف اندازه، گرادیان چگالی، بارش مبتنی بر کیت، میکروسکوپ الکترونی (EM)، کرایو-TEM، فلوسیتومتری، میکروسکوپ نیروی اتمی و آنالیز ردیابی نانوذرات ارائه خواهد شد. پیش نیازهای توصیه شده زیست شناسی و بیوشیمی در سطح دانشگاهی است. پس از اتمام دوره شما باید بتوانید: + نامگذاری و زیر گروه های وزیکول های خارج سلولی را مورد بحث قرار دهید. + RNA، پروتئین و محتوای لیپید وزیکول های خارج سلولی را شرح دهید. + مفاهیم اساسی در مورد رایج ترین تکنیک های جداسازی و خصوصیات و نحوه استفاده از این تکنیک ها در زمینه EV را شرح دهید. + مزایا و محدودیت‌های رایج‌ترین روش‌های جداسازی و شناسایی وزیکول‌های خارج سلولی را بیان کنید. + ملاحظاتی که در هنگام جمع آوری و جداسازی EV ها از مایعات مختلف بدن مهم است را توضیح دهید. + مکانیسم های آزادسازی و جذب وزیکول های خارج سلولی را شرح دهید تمام سخنرانی ها به زبان انگلیسی ارائه می شود. هر یک از پنج ماژول با یک امتحان دنبال می شود. تمامی آزمون ها به صورت سوالات چند گزینه ای خواهد بود. این دوره با همکاری انجمن بین المللی وزیکول های خارج سلولی (ISEV)، دانشگاه کالیفرنیا اروین (ایالات متحده آمریکا)، دانشگاه گوتنبرگ (سوئد) و دانشگاه علم و فناوری پوهانگ (کره جنوبی) برگزار می شود.

یادگیری تقویتی زیرشاخه یادگیری ماشینی است، اما یک فرمالیسم با هدف کلی برای تصمیم گیری خودکار و هوش مصنوعی نیز هست. این دوره شما را با تکنیک های یادگیری آماری آشنا می کند که در آن یک عامل به صراحت اقداماتی انجام می دهد و با جهان تعامل دارد. درک اهمیت و چالش های عوامل یادگیری که تصمیم گیری می کنند امروزه از اهمیت حیاتی برخوردار است، زیرا شرکت های بیشتری به عوامل تعاملی و تصمیم گیری هوشمند علاقه مند هستند. این دوره شما را با اصول یادگیری تقویتی آشنا می کند. وقتی این دوره را تمام کردید، خواهید داشت: - رسمی کردن مشکلات به عنوان فرآیندهای تصمیم مارکوف - روش های اولیه اکتشاف و معاوضه اکتشاف / بهره برداری را بدانید - درک توابع ارزش، به عنوان یک ابزار همه منظوره برای تصمیم گیری بهینه - بدانید که چگونه برنامه نویسی پویا را به عنوان یک رویکرد راه حل کارآمد برای یک مشکل کنترل صنعتی پیاده سازی کنید این دوره مفاهیم کلیدی یادگیری تقویتی، زیربنای الگوریتم های کلاسیک و مدرن در RL را به شما آموزش می دهد. پس از اتمام این دوره، می توانید از RL برای مشکلات واقعی استفاده کنید، جایی که MDP را دارید یا می توانید مشخص کنید. این اولین دوره تخصصی آموزش تقویتی است.

در این دوره، شما: الف) مفاهیم اساسی یادگیری ماشین را درک کنید. ب) یک روش مبتنی بر حافظه معمولی، روش K نزدیکترین همسایه را درک کنید. ج) رگرسیون خطی را درک کنید. د) تجزیه و تحلیل مدل را درک کنید. لطفاً مطمئن شوید که برنامه نویسی در پایتون راحت هستید و دانش پایه ای از ریاضیات از جمله ضرب ماتریس و احتمال شرطی دارید.

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.

در این اولین دوره از تخصص مدیریت محصول هوش مصنوعی ارائه شده توسط دانشکده مهندسی پرت دانشگاه دوک، شما درک اساسی از چیستی یادگیری ماشین، نحوه کارکرد و زمان و چرایی کاربرد آن خواهید داشت. برای مدیریت موفقیت آمیز یک تیم یا محصول هوش مصنوعی و کار مشترک با دانشمندان داده، مهندسان نرم افزار و مشتریان، باید اصول اولیه فناوری یادگیری ماشین را بدانید. این دوره مقدمه‌ای بدون کدنویسی برای یادگیری ماشین، با تمرکز بر فرآیند توسعه مدل‌ها، ارزیابی و تفسیر مدل ML، و شهود پشت الگوریتم‌های رایج ML و یادگیری عمیق ارائه می‌کند. این دوره با یک پروژه عملی به پایان می رسد که در آن شما فرصتی برای آموزش و بهینه سازی یک مدل یادگیری ماشین بر روی یک مشکل ساده در دنیای واقعی خواهید داشت. در پایان این دوره، شما باید بتوانید: 1) نحوه عملکرد یادگیری ماشین و انواع یادگیری ماشین را توضیح دهید 2) چالش های مدل سازی و راهبردهای غلبه بر آنها را شرح دهید 3) الگوریتم های اولیه مورد استفاده برای کارهای رایج ML و موارد استفاده از آنها را شناسایی کنید 4) یادگیری عمیق و نقاط قوت و چالش های آن را نسبت به سایر اشکال یادگیری ماشین توضیح دهید 5) بهترین شیوه ها را در ارزیابی و تفسیر مدل های ML اجرا کنید

هدف این دوره کمک به دانش‌آموزان برای حل مشکلات عملی مرتبط با ML است که ممکن است در زندگی واقعی با آن‌ها مواجه شوند، که شامل موارد زیر است: (1) درک اینکه مشکلی که فرد با آن مواجه می‌شود در یک چشم‌انداز کلی از روش‌های ML موجود است، (2) درک اینکه رویکرد(های) خاص ML برای حل مشکل و (3) توانایی اجرای موفقیت آمیز راه حل و ارزیابی عملکرد آن مناسب ترین است. یک یادگیرنده با دانش قبلی یا بدون دانش قبلی در مورد یادگیری ماشین (ML) با الگوریتم های اصلی یادگیری تحت نظارت و بدون نظارت و یادگیری تقویتی آشنا می شود و می تواند از بسته های منبع باز Python ML برای طراحی، آزمایش و پیاده سازی الگوریتم های ML استفاده کند. در امور مالی مبانی یادگیری ماشین در امور مالی، دید عمیق تری از یادگیری تحت نظارت، بدون نظارت و تقویتی ارائه می دهد و در نهایت به پروژه ای در مورد استفاده از یادگیری بدون نظارت برای اجرای یک استراتژی معاملاتی ساده سبد سهام ختم می شود. این دوره برای سه دسته از دانشجویان طراحی شده است: پزشکان شاغل در مؤسسات مالی مانند بانک ها، شرکت های مدیریت دارایی یا صندوق های تامینی افراد علاقه مند به کاربردهای ML برای تجارت روزانه شخصی دانشجویان تمام وقت فعلی در حال تحصیل در رشته های مالی، آمار، علوم کامپیوتر، ریاضیات، فیزیک، مهندسی یا سایر رشته های مرتبط که می خواهند در مورد کاربردهای عملی ML در امور مالی بیاموزند. برای انجام تکالیف در این دوره، تجربه با پایتون (شامل نوت بوک های numpy، پانداها و IPython/Jupyter)، جبر خطی، تئوری احتمالات پایه و حساب دیفرانسیل و انتگرال ضروری است.

آیا داده ای دارید و نمی دانید چه چیزی می تواند به شما بگوید؟ آیا به درک عمیق تری از راه های اصلی که یادگیری ماشینی می تواند کسب و کار شما را بهبود بخشد نیاز دارید؟ آیا می خواهید بتوانید با متخصصان در مورد هر چیزی از رگرسیون و طبقه بندی گرفته تا یادگیری عمیق و سیستم های توصیه کننده صحبت کنید؟ در این دوره، از یک سری مطالعات موردی عملی، تجربه عملی در زمینه یادگیری ماشین کسب خواهید کرد. در پایان دوره اول، نحوه پیش بینی قیمت خانه بر اساس ویژگی های سطح خانه، تجزیه و تحلیل احساسات از نظرات کاربران، بازیابی اسناد مورد علاقه، توصیه محصولات و جستجوی تصاویر را مطالعه خواهید کرد. از طریق تمرین عملی با این موارد استفاده، می‌توانید روش‌های یادگیری ماشینی را در طیف گسترده‌ای از حوزه‌ها به کار ببرید. این اولین دوره، روش یادگیری ماشین را به عنوان یک جعبه سیاه در نظر می گیرد. با استفاده از این انتزاع، بر درک وظایف مورد علاقه، تطبیق این وظایف با ابزارهای یادگیری ماشین و ارزیابی کیفیت خروجی تمرکز خواهید کرد. در دوره های بعدی با بررسی مدل ها و الگوریتم ها به اجزای این جعبه سیاه می پردازید. این قطعات با هم خط لوله یادگیری ماشینی را تشکیل می دهند که از آن در توسعه برنامه های کاربردی هوشمند استفاده خواهید کرد. نتایج یادگیری: در پایان این دوره، شما قادر خواهید بود: - کاربردهای بالقوه یادگیری ماشین را در عمل شناسایی کنید. -تفاوت های اصلی در تحلیل های فعال شده با رگرسیون، طبقه بندی و خوشه بندی را شرح دهید. -وظیفه یادگیری ماشین مناسب را برای یک برنامه بالقوه انتخاب کنید. -استفاده از رگرسیون، طبقه بندی، خوشه بندی، بازیابی، سیستم های توصیه گر و یادگیری عمیق. -داده‌های خود را به‌عنوان ویژگی‌هایی نمایش دهید تا به عنوان ورودی مدل‌های یادگیری ماشینی استفاده شوند. -کیفیت مدل را از نظر معیارهای خطای مربوطه برای هر کار ارزیابی کنید. -از یک مجموعه داده برای تطبیق یک مدل برای تجزیه و تحلیل داده های جدید استفاده کنید. -یک اپلیکیشن سرتاسر بسازید که در هسته خود از یادگیری ماشینی استفاده می کند. -این تکنیک ها را در پایتون پیاده سازی کنید.

به دوره متن کاوی برای بازاریابی خوش آمدید! این دوره شما را با اصول و روش های متن کاوی همانطور که در زمینه بازاریابی کاربرد دارد آشنا می کند. شما یاد خواهید گرفت که چگونه و چرا از متن کاوی برای اطلاع رسانی تصمیمات و استراتژی های بازاریابی استفاده کنید. این دوره برای همه علاقه مندان به کاربردهای عملی متن کاوی در رشته بازاریابی و کسانی است که می خواهند آن را درک کنند و از آن استفاده کنند. این دوره برای کسانی نیست که به دنبال دستورالعمل های برنامه نویسی و روال های ریاضی هستند. این یک دوره در سطح مبتدی است که آگاهی را نسبت به شیوه فعلی متن کاوی در بازاریابی به ارمغان می آورد. این به شما کمک می کند تا با نکات عملی در مورد زمان و مکان استفاده از تکنیک ها و ابزارهای مختلف آشنا شوید. با کمک مثال های مرتبط با نظریه ها و مفاهیم انتقادی آشنا خواهید شد. پس از اتمام موفقیت آمیز این دوره، درک اولیه ای از نحوه استفاده از تکنیک های متن کاوی برای تصمیم گیری بازاریابی ایجاد خواهید کرد. شما دانش کافی در مورد عناصر بنیادی، رابطه بین داده های متنی و ساختارها/مفاهیم بازاریابی، و نحوه عملکرد متن کاوی و بازاریابی در کنار هم برای ایجاد بینش های مرتبط برای بازار امروز به دست خواهید آورد. همچنین استراتژی های مشخصی را برای شروع متن کاوی در بازاریابی به شما ارائه می دهد. برای موفقیت در این دوره، باید تجربه/دانستن/درک اولیه مفاهیم بازاریابی و تکنیک های تجزیه و تحلیل داده را داشته باشید. دانش آموزان باید تفاوت بین تجزیه و تحلیل داده ها و تجزیه و تحلیل متن را درک کنند.

این دوره زبان آموز را با مبانی متن کاوی و دستکاری متن آشنا می کند. این دوره با درک نحوه مدیریت متن توسط پایتون، ساختار متن هم برای ماشین و هم برای انسان و مروری بر چارچوب nltk برای دستکاری متن آغاز می شود. هفته دوم بر نیازهای رایج دستکاری، از جمله عبارات منظم (جستجوی متن)، تمیز کردن متن، و آماده کردن متن برای استفاده توسط فرآیندهای یادگیری ماشین تمرکز دارد. هفته سوم روش‌های اصلی پردازش زبان طبیعی را در متن اعمال می‌کند و نشان می‌دهد که چگونه طبقه‌بندی متن انجام می‌شود. در هفته آخر روش های پیشرفته تری برای شناسایی موضوعات در اسناد و گروه بندی آنها بر اساس شباهت (مدل سازی موضوع) بررسی خواهد شد. این دوره باید بعد از: مقدمه ای بر علم داده در پایتون، نقشه برداری کاربردی، نمودار و نمایش داده ها در پایتون، و یادگیری ماشین کاربردی در پایتون گذرانده شود.

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.

این دوره فرصتی منحصر به فرد برای شما فراهم می کند تا اجزای کلیدی متن کاوی و تجزیه و تحلیل را با کمک مجموعه داده های دنیای واقعی و جعبه ابزار متن کاوی نوشته شده در جاوا بیاموزید. تجربه عملی در تکنیک‌های اصلی متن کاوی از جمله پیش پردازش متن، تجزیه و تحلیل احساسات و مدل‌سازی موضوع به زبان‌آموزان کمک می‌کند تا به‌عنوان یک دانشمند داده شایسته آموزش ببینند. با آوردن یادداشت‌های سخنرانی همراه با جلسات آزمایشگاهی مبتنی بر جعبه ابزار y-TextMiner که برای کلاس توسعه یافته است، زبان‌آموزان قادر خواهند بود برنامه‌های کاربردی متن کاوی جالبی را توسعه دهند.

به دوره دوم راه حل های رایانش ابری ساختمان در تخصص مقیاس خوش آمدید! در این دوره آموزشی، طراحی سیستم های Cloud-native با بلوک های ساختمانی اساسی رایانش ابری را خواهید آموخت. این بلوک های ساختمانی شامل ماشین های مجازی و کانتینرها هستند. همچنین یاد خواهید گرفت که چگونه با استفاده از فناوری هایی مانند Flask و Kubernetes، میکروسرویس های موثر بسازید. در نهایت، شما الگوهای موفق در عملیات را تجزیه و تحلیل خواهید کرد، از جمله: هشدارهای موثر، تست بار و کایزن. 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 برنامه کانتینری فلاسک می‌سازید که به طور مداوم در یک پلتفرم ابری مستقر می‌شود: خدمات وب آمازون (AWS)، Azure یا Google Cloud Platform (GCP).

این دوره مجازی سازی عملکرد شبکه را از دیدگاه یک مهندس سیستم پوشش می دهد. ابتدا در مورد گسترش جعبه‌های میانی در شبکه‌های سازمانی و ضرورت آن بحث می‌کند مجازی سازی این مؤلفه ها درست مانند برنامه های کاربردی نرم افزاری. سپس چندین مورد را شرح می دهد بهینه سازی در سیستم عامل برای تسهیل شبکه های کارآمد بر روی سخت افزار مجازی به دنبال تصمیمات طراحی در کتابخانه های صفحه کاربر برای دور زدن هسته برای بسته کارآمد پردازش سپس چالش ها و راه حل های ساخت سیستم های مقیاس پذیر را پوشش می دهد ارائه خدمات شبکه در مراکز داده، به ویژه هم افزایی بین SDN و NFV به به این امر دست یابد. این دوره با بحث در مورد کاربردهای واقعی NFV به پایان می رسد فناوری در اکوسیستم رایانش ابری

در طول این دوره، مجازی‌سازی، کانتینری‌سازی و Kubernetes را کاوش خواهید کرد و بر ابزارهایی که مهندسی داده را در این صنعت نیرو می‌دهند، تسلط خواهید داشت. هر هفته مجموعه جدیدی از ابزارها و پلتفرم ها را ارائه می دهد که در مهندسی داده ضروری هستند. از تسلط بر Docker و Kubernetes گرفته تا کاوش در موضوعات پیشرفته مانند کدنویسی مبتنی بر هوش مصنوعی با GitHub Copilot، مدیریت تصویر کانتینر کارآمد با Azure و Amazon Elastic Container Registries، و روش‌های Site Reliability Engineering (SRE)، فراتر از اصول اولیه رفته و به تخصص مورد نیاز برای پیشرفت در چشم انداز پویا و مبتنی بر داده های مهندسی پیشرفته داده است. چه دانشجوی فعلی باشید که به دنبال گسترش مهارت های خود هستید یا یک حرفه ای که هدف آن ارتقای تخصص خود به سطح بعدی است، این دوره برای تجهیز شما به دانش پیشرفته و تجربه عملی لازم برای موفقیت طراحی شده است.

فکر کردن و انجام کارهای مشابه سریعتر و بهتر برای نوآوری کافی نیست. ما به خلاقیت نیاز داریم خوشبختانه، خلاقیت مهارتی است که می توانید یاد بگیرید. این دوره به بررسی این موضوع می پردازد که چه زمانی، چرا و چگونه می توانید خلاق باشید تا بتوانید فرآیند خلاقیت را کارآمدتر و موثرتر طی کنید. گام‌های مشخصی را آموزش می‌دهد تا شما را قادر می‌سازد دیدگاه خود را برای دیدن احتمالات و راه‌حل‌های جدید تغییر دهید. این توضیح می دهد که چه چیزی از فرآیند خلاقانه انتظار می رود و پشتیبانی می کند که چگونه می توانید پیشرفت خود را حفظ کنید. همچنین راهنمایی هایی را برای هدایت یک فرهنگ حمایتی برای خلاقیت ارائه می دهد. نتیجه توانایی افزایش خلاقیت خود و تیم ها و سازمان هایتان به منظور شناسایی و توسعه فرصت های جدید است. شما قادر خواهید بود: - شناسایی و ایجاد فرصت هایی برای خلاقیت و راه اندازی فرآیند نوآوری - عامدانه و با اطمینان وارد فرآیند خلاقیت شوید و از طریق آن پیش بروید - خلاقیت دیگران را تقویت و حفظ کنید این دوره بخشی از مجموعه برنامه های آنلاین کالج تجارت Gies، از جمله iMBA و iMSM است. درباره پذیرش در این برنامه‌ها بیشتر بیاموزید و بررسی کنید که چگونه می‌توان در صورت پذیرش در یک برنامه تحصیلی در https://degrees.giesbusiness.illinois.edu/idegrees/ از کار Coursera شما استفاده کرد.

خلاقیت ما را ملزم به همکاری با دیگران می کند و این دوره به شما کمک می کند همکار خلاق بهتری باشید. ما باید بتوانیم ایده‌های خلاقانه‌مان را به گونه‌ای مطرح کنیم که دیگران به‌جای گیج شدن یا نادیده گرفتن آنها هیجان‌زده شوند. ما باید بتوانیم ایده های دیگران را ارزیابی کنیم تا راه حل های خلاقانه را شناسایی نکنیم. ما باید بتوانیم با تیم هایمان طوری کار کنیم که خلاقیت به جای سرکوب شدن شکوفا شود. این دوره به هر یک از این نیازها می پردازد، چالش ها را شناسایی می کند و راهنمایی هایی برای عملکرد موثر ارائه می دهد. نتیجه نهایی راهنمایی در مورد چگونگی تقویت همکاری خلاقانه موثر است. شما قادر خواهید بود: -طراحی زمین برای ایده های نوآورانه برای ایجاد هیجان و وضوح - برای شناسایی ایده های جدید عالی، نظرات دیگران را ارزیابی کنید - رهبری گروه ها برای تقویت همکاری موثر برای نوآوری این دوره بخشی از مجموعه برنامه های آنلاین کالج تجارت Gies، از جمله iMBA و iMSM است. درباره پذیرش در این برنامه‌ها بیشتر بیاموزید و بررسی کنید که چگونه می‌توان در صورت پذیرش در یک برنامه تحصیلی در https://degrees.giesbusiness.illinois.edu/idegrees/ از کار Coursera شما استفاده کرد.

هدف از این دوره ارائه یک راهنمای عملی برای مدیریت افراد در محل کار است. فرقی نمی کند که برای اولین بار مدیر یک مغازه باشید یا مدیر میانی در یک محیط اداری. همان مهارت ها در هر محل کار اعمال می شود. در این دوره شما با برخی از تئوری های منابع انسانی درگیر خواهید شد و سپس خواهید دید که چگونه آنها به زندگی کاری روزمره تبدیل می شوند. در پایان دوره امیدواریم که برای انتخاب یک کارمند مناسب، ایجاد انگیزه و ارزیابی تیم خود، مدیریت تضاد در محل کار و رهبری و تصمیم گیری روزانه، مجهزتر باشید.