این دوره شما را با مهارت‌های مقیاس‌بندی وظایف علم داده و یادگیری ماشین (ML) در مجموعه‌های کلان داده با استفاده از اسپارک آپاچی توانمند می‌سازد. بیشتر کارهای یادگیری ماشین در دنیای واقعی شامل مجموعه داده های بسیار بزرگی است که فراتر از محدودیت های CPU، حافظه و ذخیره سازی یک کامپیوتر است. Apache Spark یک چارچوب متن باز است که از محاسبات خوشه ای و ذخیره سازی توزیع شده برای پردازش مجموعه داده های بسیار بزرگ به شیوه ای کارآمد و مقرون به صرفه استفاده می کند. بنابراین دانش کاربردی کار با Apache Spark یک دارایی عالی و تمایز بالقوه برای یک مهندس یادگیری ماشین است. پس از اتمام این دوره، شما قادر خواهید بود: - درک عملی Apache Spark را به دست آورید و از آن برای حل مشکلات یادگیری ماشینی که شامل داده های کوچک و بزرگ هستند استفاده کنید. - درک نحوه نوشتن کد موازی که قادر به اجرا بر روی هزاران CPU است. - از خوشه های محاسباتی در مقیاس بزرگ برای اعمال الگوریتم های یادگیری ماشین بر روی پتابایت داده با استفاده از Apache SparkML Pipelines استفاده کنید. - حذف خطاهای خارج از حافظه ایجاد شده توسط چارچوب های یادگیری ماشین سنتی، زمانی که داده ها در حافظه اصلی رایانه جا نمی شوند. - هزاران مدل مختلف ML را به صورت موازی آزمایش کنید تا بهترین عملکرد را پیدا کنید - تکنیکی که توسط بسیاری از کاگلرهای موفق استفاده می شود. - (اختیاری) دستورات SQL را با استفاده از Apache SparkSQL و Apache Spark DataFrame API روی مجموعه داده های بسیار بزرگ اجرا کنید. برای یادگیری تکنیک های یادگیری ماشینی برای کار با Big Data که توسط شرکت هایی مانند Alibaba، Apple، Amazon، Baidu، eBay، IBM، NASA، Samsung، SAP، TripAdvisor، Yahoo!، Zalando و بسیاری دیگر با موفقیت به کار گرفته شده اند، اکنون ثبت نام کنید. توجه: در طول دوره بدون پرداخت هزینه در کلاستر Apache Spark که توسط IBM ارائه شده است، کارهای یادگیری ماشین را بصورت دستی تمرین خواهید کرد و پس از آن می توانید به استفاده از آن ادامه دهید. پیش نیازها: - برنامه نویسی پایه پایتون - یادگیری ماشین اولیه (فیلم های معرفی اختیاری در این دوره نیز ارائه شده است) - مهارت های اولیه SQL برای محتوای اختیاری دوره های زیر قبل از شرکت در این کلاس توصیه می شود (مگر اینکه قبلاً مهارت داشته باشید) https://www.coursera.org/learn/python-for-applied-data-science یا مشابه https://www.coursera.org/learn/machine-learning-with-python یا مشابه https://www.coursera.org/learn/sql-data-science برای سخنرانی های اختیاری

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.

مطالعات موردی: تحلیل احساسات و پیش‌بینی پیش‌فرض وام در مطالعه موردی ما در مورد تجزیه و تحلیل احساسات، شما مدل هایی ایجاد خواهید کرد که یک کلاس (احساس مثبت/منفی) را از ویژگی های ورودی (متن نظرات، اطلاعات نمایه کاربر،...) پیش بینی می کنند. در مطالعه موردی دوم ما برای این دوره، پیش‌بینی پیش‌فرض وام، به داده‌های مالی می‌پردازید و پیش‌بینی می‌کنید که چه زمانی وام برای بانک خطرناک یا بی‌خطر است. این وظایف نمونه‌هایی از طبقه‌بندی، یکی از پرکاربردترین حوزه‌های یادگیری ماشینی، با طیف وسیعی از کاربردها، از جمله هدف‌گیری تبلیغات، تشخیص هرزنامه، تشخیص پزشکی و طبقه‌بندی تصویر هستند. در این دوره، طبقه‌بندی‌کننده‌هایی ایجاد می‌کنید که عملکردی پیشرفته را در کارهای مختلف ارائه می‌دهند. شما با موفق ترین تکنیک ها آشنا خواهید شد که بیشترین کاربرد را در عمل دارند، از جمله رگرسیون لجستیک، درخت تصمیم و تقویت. علاوه بر این، می‌توانید الگوریتم‌های زیربنایی را طراحی و پیاده‌سازی کنید که می‌توانند این مدل‌ها را در مقیاس با استفاده از گرادیان صعودی تصادفی یاد بگیرند. شما این تکنیک را در کارهای یادگیری ماشینی در مقیاس بزرگ در دنیای واقعی پیاده سازی خواهید کرد. شما همچنین به وظایف مهمی که در کاربردهای دنیای واقعی ML با آنها مواجه خواهید بود، از جمله رسیدگی به داده های از دست رفته و اندازه گیری دقت و یادآوری برای ارزیابی یک طبقه بندی کننده، رسیدگی خواهید کرد. این دوره آموزشی عملی، پر عمل و پر از تجسم ها و تصاویری از نحوه رفتار این تکنیک ها در داده های واقعی است. ما همچنین محتوای اختیاری را در هر ماژول گنجانده‌ایم که موضوعات پیشرفته‌ای را برای کسانی که می‌خواهند حتی عمیق‌تر شوند را پوشش می‌دهد! اهداف آموزشی: در پایان این دوره، شما قادر خواهید بود: - ورودی و خروجی یک مدل طبقه بندی را شرح دهید. -مسائل طبقه بندی باینری و چند کلاسه را برطرف کنید. -اجرای مدل رگرسیون لجستیک برای طبقه بندی در مقیاس بزرگ. یک مدل غیر خطی با استفاده از درخت های تصمیم ایجاد کنید. -با استفاده از تقویت عملکرد هر مدلی را بهبود بخشید. روش های خود را با صعود شیب تصادفی مقیاس کنید. -مرزهای تصمیم گیری اساسی را شرح دهید. - ساخت یک مدل طبقه بندی برای پیش بینی احساسات در مجموعه داده بررسی محصول. تجزیه و تحلیل داده های مالی برای پیش بینی عدم پرداخت وام. استفاده از تکنیک ها برای مدیریت داده های از دست رفته. مدل های خود را با استفاده از معیارهای فراخوان دقیق ارزیابی کنید. -این تکنیک ها را در پایتون (یا به زبان انتخابی خود، هرچند پایتون به شدت توصیه می شود) پیاده سازی کنید.

این دوره به شما مقدمه ای جامع برای تئوری و عمل یادگیری ماشین می دهد. شما یاد خواهید گرفت که از پایتون در کنار کتابخانه ها و ابزارهای استاندارد صنعتی، از جمله Pandas، Scikit-learn و Tensorflow برای جذب، کاوش، و آماده سازی داده ها برای مدل سازی و سپس آموزش و ارزیابی مدل ها با استفاده از طیف گسترده ای از تکنیک ها استفاده کنید. این تکنیک ها شامل رگرسیون خطی با حداقل مربعات معمولی، رگرسیون لجستیک، ماشین های بردار پشتیبان، درختان تصمیم گیری و مجموعه ها، خوشه بندی، تحلیل مولفه های اصلی، مدل های مارکوف پنهان و یادگیری عمیق است. یکی از ویژگی‌های کلیدی این دوره این است که شما نه تنها یاد می‌گیرید که چگونه این تکنیک‌ها را به کار ببرید، بلکه پایه‌های مفهومی زیربنای آنها را نیز یاد می‌گیرید تا درک کنید که چگونه کار می‌کنند، چرا کاری را انجام می‌دهید، و نتایج شما به چه معناست. این دوره همچنین دارای مجموعه داده های دنیای واقعی است که عمدتاً از قلمرو سیاست عمومی استخراج شده است. این بر اساس یک دوره مقدماتی یادگیری ماشین ارائه شده به دانشجویان فارغ التحصیل در دانشگاه شیکاگو است و به عنوان پایه ای قوی برای مطالعه عمیق تر و تخصصی تر عمل می کند.

این دوره یک نمای کلی از روش های اصلی در زمینه یادگیری ماشین ارائه می دهد. با شروع از طبقه بندی مشکلات مختلفی که می توان از طریق تکنیک های یادگیری ماشین حل کرد، این دوره به طور خلاصه برخی از راه حل های الگوریتمی را ارائه می دهد، که زمانی که می توانند موفق باشند، اما همچنین محدودیت های آنها را برجسته می کند. این مفاهیم از طریق مثال ها و مطالعات موردی توضیح داده خواهد شد.

آموزش و پرورش در یک حالت نوسان است - در حال گذار از معماری ها و شیوه های سنتی به بوم شناسی های جدید آموزش و یادگیری تحت تأثیر تغییرات اجتماعی و تکنولوژیکی عظیم عصر ما. امروز چه تغییراتی در محیط های کاری، زندگی مدنی و زندگی روزمره اجتماعی در حال رخ دادن است؟ پیامدهای آنها برای آموزش چیست؟ تأثیرات احتمالی دگرگونی‌های اجتماعی معاصر بر آموزش و یادگیری - از جمله در حوزه‌های فناوری، رسانه، جهانی‌سازی، تنوع، شکل‌های تغییر کار در «جامعه دانش» و در این زمینه‌ها، تغییر نیازها و حساسیت‌های یادگیرنده چیست؟ این دوره به بررسی سه پارادایم آموزشی می پردازد: یادگیری "آموزشی"، "اصیل" و "تحول کننده". برای تعریف ابعاد معاصر چیزی که ما آن را «یادگیری جدید» می نامیم، به یک دیدگاه تاریخی نیاز دارد. این شرکت کنندگان را آماده می کند تا انتخاب های هدفمند داشته باشند و نظریه ها/رویکردهای آموزشی خاص را به اهداف یادگیری فردی و گروهی پیوند دهند. -------------------------------- پس زمینه توصیه شده -------------------------------- این دوره برای افرادی که به آینده آموزش و پرورش و «جامعه یادگیرنده» علاقه مند هستند، طراحی شده است، از جمله افرادی که ممکن است بخواهند به آموزش به عنوان یک حرفه بپیوندند، معلمان مجرب علاقه مند به بررسی مسیرهای آینده برای حرفه ای که در حال حاضر در حال تغییر است، و جامعه و رهبران محل کار که مأموریت خود را تا حدی "آموزشی" می دانند. -------------------------------- منابع مرتبط -------------------------------- منابع آنلاین در اینجا موجود است: https://newlearningonline.com -------------------------------- به انجمن های آنلاین ما بپیوندید! -------------------------------- CGScholar (ایجاد یک حساب کاربری و پیوستن به انجمن آموزش جدید) https://cgscholar.com/community/community_profiles/new-learning/community_updates فیس بوک https://www.facebook.com/newlearningonline توییتر https://twitter.com/neolearning -------------------------------- این دوره را برای اعتبار در دانشگاه ایلینوی بگذرانید -------------------------------- این دوره دارای محتوای یکسانی است و میزان مشارکت دانشجویان در دوره ارزیابی برای یادگیری ارائه شده به دانشجویان مدرک تحصیلات تکمیلی، کارشناسی ارشد و دکترا در برنامه طراحی یادگیری و رهبری در کالج آموزش در دانشگاه ایلینویز را پیش بینی می کند. البته، در ماهیت MOOC ها، بسیاری از مردم فقط می خواهند ویدیوها را ببینند و به طور معمول به برخی از بحث ها بپیوندند. برخی افراد می گویند که این نوع مشارکت محدود شواهدی را ارائه می دهد که MOOC ها از نرخ نگهداری پایین رنج می برند. دور از آن – ما می گوییم که هر سطحی از تعامل، تعامل خوبی است. از سوی دیگر، اگر می خواهید این دوره را برای اعتبار در دانشگاه ایلینویز بگذرانید، اطلاعات بیشتری در مورد برنامه ما در اینجا پیدا خواهید کرد: https://ldlprogram.web.illinois.edu/overview/ و شما می توانید در اینجا درخواست دهید: https://education.illinois.edu/epol/programs-degrees/ldl -------------------------------- مجموعه طراحی یادگیری و رهبری MOOCs -------------------------------- این دوره یکی از مجموعه ای از هشت MOOC است که توسط بیل کوپ و مری کالانتزیس برای برنامه طراحی و رهبری یادگیری در دانشگاه ایلینوی ایجاد شده است. اگر این MOOC را مفید می‌دانید، لطفاً در سایر موارد به ما بپیوندید! اکولوژی های یادگیری الکترونیکی: رویکردهای نوآورانه برای آموزش و یادگیری برای عصر دیجیتال https://www.coursera.org/learn/elearning یادگیری نوین: اصول و الگوهای آموزش https://www.coursera.org/learn/newlearning ارزشیابی برای یادگیری https://www.coursera.org/learn/assessmentforlearning یادگیری، دانش و توسعه انسانی https://www.coursera.org/learn/learning-knowledge-human-development فناوری های یادگیری و آموزشی در همه جا حاضر https://www.coursera.org/learn/ubiquitouslearning مذاکره با تفاوت های یادگیرنده: به سوی تنوع مولد در یادگیری https://www.coursera.org/learn/learnerdifferences آموزش و یادگیری سواد: اهداف، رویکردها و آموزش https://www.coursera.org/learn/literacy-teaching-learning سواد چندوجهی: ارتباطات و یادگیری در عصر رسانه های دیجیتال https://www.coursera.org/learn/multimodal-literations

این دوره با هدف ارائه درکی از نظریه های یادگیری و توسعه و چگونگی ارتباط این نظریه ها با فناوری آموزشی است. دارای دو جزء است. اولی نظری است، که در آن تلاش می‌کنیم یک چارچوب مرجع کلی ایجاد کنیم، رویکردهایی را به روان‌شناسی یادگیری بر حسب تغییرات پارادایم بزرگ، از «رفتارگرایی» به «رشدگرایی مغزی» تا «شناخت‌گرایی اجتماعی» تعیین کنیم. مؤلفه دوم عملی است، که در آن ما از این مفاهیم نظری برای «تجزیه» یک محیط یادگیری مبتنی بر فناوری برای پیش فرض های اساسی آن استفاده خواهیم کرد. -------------------------------- پس زمینه توصیه شده -------------------------------- این دوره برای افرادی که به آینده آموزش و پرورش و «جامعه یادگیرنده» علاقه مند هستند، طراحی شده است، از جمله افرادی که ممکن است بخواهند به آموزش به عنوان یک حرفه بپیوندند، معلمان مجرب علاقه مند به بررسی مسیرهای آینده برای حرفه ای که در حال حاضر در حال تغییر است، و جامعه و رهبران محل کار که مأموریت خود را تا حدی "آموزشی" می دانند. -------------------------------- منابع مرتبط -------------------------------- منابع آنلاین در اینجا موجود است: https://newlearningonline.com -------------------------------- به انجمن های آنلاین ما بپیوندید! -------------------------------- CGScholar (ایجاد یک حساب کاربری و پیوستن به انجمن آموزش جدید) https://cgscholar.com/community/community_profiles/new-learning/community_updates فیس بوک https://www.facebook.com/newlearningonline توییتر https://twitter.com/neolearning -------------------------------- این دوره را برای اعتبار در دانشگاه ایلینوی بگذرانید -------------------------------- این دوره دارای محتوای یکسانی است و میزان مشارکت دانشجویان در دوره ارزیابی برای یادگیری ارائه شده به دانشجویان مدرک تحصیلات تکمیلی، کارشناسی ارشد و دکترا در برنامه طراحی یادگیری و رهبری در کالج آموزش در دانشگاه ایلینویز را پیش بینی می کند. البته، در ماهیت MOOC ها، بسیاری از مردم فقط می خواهند ویدیوها را ببینند و به طور معمول به برخی از بحث ها بپیوندند. برخی افراد می گویند که این نوع مشارکت محدود شواهدی را ارائه می دهد که MOOC ها از نرخ نگهداری پایین رنج می برند. دور از آن – ما می گوییم که هر سطحی از تعامل، تعامل خوبی است. از سوی دیگر، اگر می خواهید این دوره را برای اعتبار در دانشگاه ایلینویز بگذرانید، اطلاعات بیشتری در مورد برنامه ما در اینجا پیدا خواهید کرد: https://ldlprogram.web.illinois.edu/overview/ و شما می توانید در اینجا درخواست دهید: https://education.illinois.edu/epol/programs-degrees/ldl -------------------------------- مجموعه طراحی یادگیری و رهبری MOOCs -------------------------------- این دوره یکی از مجموعه ای از هشت MOOC است که توسط بیل کوپ و مری کالانتزیس برای برنامه طراحی و رهبری یادگیری در دانشگاه ایلینوی ایجاد شده است. اگر این MOOC را مفید می‌دانید، لطفاً در سایر موارد به ما بپیوندید! اکولوژی های یادگیری الکترونیکی: رویکردهای نوآورانه برای آموزش و یادگیری برای عصر دیجیتال https://www.coursera.org/learn/elearning یادگیری نوین: اصول و الگوهای آموزش https://www.coursera.org/learn/newlearning ارزشیابی برای یادگیری https://www.coursera.org/learn/assessmentforlearning یادگیری، دانش و توسعه انسانی https://www.coursera.org/learn/learning-knowledge-human-development فناوری های یادگیری و آموزشی در همه جا حاضر https://www.coursera.org/learn/ubiquitouslearning مذاکره با تفاوت های یادگیرنده: به سوی تنوع مولد در یادگیری https://www.coursera.org/learn/learnerdifferences آموزش و یادگیری سواد: اهداف، رویکردها و آموزش https://www.coursera.org/learn/literacy-teaching-learning سواد چندوجهی: ارتباطات و یادگیری در عصر رسانه های دیجیتال https://www.coursera.org/learn/multimodal-literations

توسط Class Central به 50 MOOC برتر تمام دوران معرفی شد! این دوره مجموعه ای از کلاس ها را آغاز می کند که قدرت محاسبات در زیست شناسی مدرن را نشان می دهد. لطفاً در مرز بیوانفورماتیک به ما بپیوندید تا پیام‌های پنهان در DNA را بدون نیاز به پوشیدن پوشش آزمایشگاهی جستجو کنید. در نیمه اول دوره، همانندسازی DNA را بررسی می کنیم و این سوال را مطرح می کنیم که همانندسازی DNA از کجا در ژنوم شروع می شود؟ خواهیم دید که می‌توانیم به این سؤال برای بسیاری از باکتری‌ها فقط با استفاده از برخی الگوریتم‌های ساده برای جستجوی پیام‌های پنهان در ژنوم پاسخ دهیم. در نیمه دوم دوره، یک سوال بیولوژیکی متفاوت را بررسی می‌کنیم، وقتی می‌پرسیم کدام الگوهای DNA نقش ساعت‌های مولکولی را بازی می‌کنند. سلول های بدن شما می توانند ریتم شبانه روزی خود را حفظ کنند، اما چگونه این امر در سطح DNA به دست می آید؟ یک بار دیگر، خواهیم دید که با دانستن اینکه کدام پیام های پنهان را باید جستجو کنیم، می توانیم زبان پیچیده شگفت انگیز DNA را درک کنیم. شاید با کمال تعجب، الگوریتم‌های تصادفی‌سازی شده را اعمال کنیم که تاس می‌ریزند و سکه‌ها را برای حل مسائل برمی‌گردانند. در نهایت، دستان خود را کثیف می‌کنید و ابزارهای نرم‌افزاری موجود را برای یافتن نقوش بیولوژیکی مکرر در ژن‌هایی که مسئول کمک به مایکوباکتریوم توبرکلوزیس هستند تا سال‌ها قبل از ایجاد عفونت فعال در یک میزبان «خفته» در یک میزبان استفاده کنید.

در دوره های قبلی در Specialization، نحوه توالی یابی و مقایسه ژنوم ها را مورد بحث قرار داده ایم. این دوره به موضوعات پیشرفته در یافتن جهش های نهفته در DNA و پروتئین ها می پردازد. در نیمه اول دوره، می خواهیم بپرسیم که ژنوم یک فرد با "ژنوم مرجع" گونه متفاوت است؟ هدف ما این است که قطعات کوچکی از DNA را از فرد گرفته و آنها را به ژنوم مرجع "نقشه" برداریم. خواهیم دید که الگوریتم‌های تطبیق الگوی ترکیبی که این مشکل را حل می‌کنند ظریف و بسیار کارآمد هستند و به مقدار شگفت‌آوری کمی از زمان اجرا و حافظه نیاز دارند. در نیمه دوم دوره، ما یاد خواهیم گرفت که چگونه عملکرد یک پروتئین را شناسایی کنیم، حتی اگر در مقایسه با پروتئین های مشابه با عملکردهای شناخته شده توسط جهش های زیادی بمباران شده باشد که به سختی قابل تشخیص است. به عنوان مثال، در مطالعات HIV چنین است، زیرا این ویروس اغلب به سرعت جهش می یابد که محققان می توانند برای مطالعه آن دچار مشکل شوند. رویکردی که ما استفاده خواهیم کرد بر اساس یک ابزار یادگیری ماشین قدرتمند به نام مدل پنهان مارکوف است. در نهایت، نحوه استفاده از ابزارهای نرم افزاری محبوب بیوانفورماتیک را با استفاده از مدل های پنهان مارکوف برای مقایسه یک پروتئین با یک خانواده مرتبط از پروتئین ها یاد خواهید گرفت.

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.

طراحی تجربه کاربری برای رفاه اجتماعی و آماده شدن برای مشاغل هفتمین دوره از برنامه ای است که شما را به مهارت هایی که برای تبدیل شدن به یک طراح UX سطح ابتدایی نیاز دارید مجهز می کند. در این دوره شما یک اپلیکیشن موبایل اختصاصی و یک وب سایت واکنش گرا با تمرکز بر خیر اجتماعی طراحی خواهید کرد. شما تمام چیزهایی را که در طول برنامه گواهی آموخته اید برای تکمیل فرآیند طراحی از ابتدا تا انتها به نمایش خواهید گذاشت: همدلی با کاربران، تعریف نقاط دردناک آنها، ارائه ایده هایی برای راه حل های طراحی، ایجاد وایرفریم ها و نمونه های اولیه، و آزمایش طرح ها برای دریافت بازخورد. در پایان این دوره، شما یک پروژه طراحی کراس پلتفرم جدید برای گنجاندن در نمونه کارهای حرفه ای UX خود خواهید داشت. این دوره همچنین شما را برای ایجاد اولین شغل خود به عنوان یک طراح UX آماده می کند. و، پورتفولیوی UX حرفه‌ای را که در طول برنامه ایجاد کرده‌اید، جلا می‌دهید تا برای درخواست‌های شغلی آماده باشد. طراحان و محققان UX فعلی در Google به عنوان مربیان شما خدمت می کنند و شما فعالیت های عملی را انجام خواهید داد که سناریوهای طراحی UX در دنیای واقعی را شبیه سازی می کند. فراگیرانی که دوره های این برنامه گواهینامه را تکمیل می کنند باید برای درخواست مشاغل سطح ابتدایی به عنوان طراح UX مجهز شوند. در پایان این دوره، شما قادر خواهید بود: - هر مرحله از فرآیند طراحی UX (همدلی، تعریف، ایده‌پردازی، نمونه‌سازی اولیه، آزمایش) را برای ایجاد طرح‌هایی با تمرکز بر خیر اجتماعی اعمال کنید. - تفاوت بین برنامه های تلفن همراه اختصاصی و برنامه های وب پاسخگو را شناسایی کنید. - رویکردهای بهبود پیشرونده و تخریب برازنده را برای طراحی در سراسر دستگاه ها درک کنید. - ساخت وایرفریم ها، ماکاپ ها و نمونه های اولیه با کیفیت پایین و با وفاداری بالا. - یک پروژه طراحی جدید را به مجموعه UX حرفه ای خود اضافه کنید. - مجموعه کارهای طراحی خود را برای برنامه های شغلی ایجاد کنید. - به انجمن های UX آنلاین بپیوندید و در آن شرکت کنید. - تعیین کنید که آیا کار طراحی آزاد شغل مناسبی برای شما است یا خیر. - مهارت‌های هوش مصنوعی را از کارشناسان Google بیاموزید تا به تکمیل وظایف طراحی UX کمک کنید. این دوره برای طراحان UX سطح مبتدی که شش دوره قبلی گواهی طراحی UX گوگل را گذرانده اند مناسب است.

این دوره به مبتدیان و شاغلین حوزه های Big Data و AI اختصاص داده شده است. این یک مرور سریع از برخی مفاهیم اساسی است که می تواند توسط متخصصان بیشتر توضیح داده شود. از قضیه CAP تا فرض تورینگ، راهنمای شروعی برای غواصی در این موضوعات جذاب ارائه خواهیم داد.

به عنوان ارائه دهندگان مراقبت های بالینی، ما داستان بسیاری از بیماران را به عهده داریم. از آنجایی که ما معمولاً عجله داریم، این تجمل را نداریم که همه اطلاعاتی را که دوست داریم پیدا کنیم. اما بدون توجه به موقعیت، درک ما از داستان انسان تا حد زیادی در مورد ارتباطات ما تعیین می کند. تحقیقات نشان می دهد که وقتی داستانی را می شنویم، مغز ما شروع به همگام شدن با قصه گو می کند. ما به سرعت پیوندهایی را ایجاد می کنیم که از زندگی خودمان گرفته شده است و می توانیم جنبه های دیگر داستان مانند معنا، احساسات، مسیر روایت و غیره را پر کنیم. به عنوان شنونده، شنیدن یک داستان و تصور، همدلی و حتی ارائه راه حل های ممکن برای کاهش درد نسبتاً آسان است. اما زمانی که شما ارائه‌دهنده و بخشی از خود داستان هستید، چندان آسان نیست. چرا اینطور است؟ چرا می‌توانیم از راه دور این کار را انجام دهیم، اما دیدن زمانی که ما یکی از افراد داستان هستیم، بسیار دشوار است؟ این دوره در مورد این سوالات بحث می کند. برای این درس جذاب، شخصی و آموزنده در مورد چگونگی درک بهتر داستان های مربوط به مراقبت های بالینی - چه ارائه دهنده و چه بیمار، به پزشک مراقبت های تسکینی، دکتر کاترین وینترز، همراه با مرکز ارتباطات دلسوزانه موسسه سانفورد در UC San Diego Health بپیوندید.

هویت دیجیتالی ما و نحوه نمایش آنلاین خود برای زندگی حرفه ای ما ضروری است. بیاموزید که چگونه یک حضور آنلاین حرفه ای ایجاد کنید که قابلیت استخدام شما را افزایش دهد و به دلایل درست شما را در کانون توجه قرار دهد. در این دوره آموزشی، با عناصری که حضور آنلاین حرفه ای شما را تشکیل می دهند و چگونگی کنترل هویت دیجیتال خود را خواهید آموخت. با راهنمایی متخصص، یاد خواهید گرفت که چگونه خود و مهارت های خود را به روشی معتبر و حرفه ای معرفی کنید و چگونه حضور آنلاین خود را تأثیر مثبتی بر حرفه خود داشته باشید. از فیس بوک گرفته تا اینستاگرام و فراتر از آن، شما خواهید دید که کدام پلتفرم رسانه اجتماعی با اهداف شغلی شما مطابقت دارد و چگونه پلتفرم هایی را که باید شخصیت حرفه ای خود را بسازید، انتخاب کنید. شما همچنین یک برنامه عملی ایجاد خواهید کرد تا نمایه های آنلاین خود را به نفع شما انجام دهید. تنظیمات حریم خصوصی و امنیتی خود را در نظر می گیرید و یاد می گیرید که چگونه یک شبکه حرفه ای بسازید و مدیریت کنید. شما متوجه خواهید شد که انواع مختلف محتوای آنلاین چگونه بر روی مخاطبان مختلف کار می کنند و روش هایی را بررسی خواهید کرد که رفتار و لحن می تواند بر شهرت حرفه ای شما آنلاین تأثیر بگذارد. در پایان دوره، اهمیت هویت آنلاین خود و نحوه مدیریت آن برای افزایش قابلیت اشتغال خود را درک خواهید کرد. این دوره یکی از دوره های آموزشی است که توسط Click Start ارائه شده است، یک برنامه آموزشی در انگلستان که برای کمک به جوانان در توسعه مهارت های دیجیتال طراحی شده است. استارت کلیک تعداد محدودی بورسیه تحصیلی را ارائه می دهد که به جوانان در بریتانیا دسترسی رایگان می دهد. سوالات متداول را برای مشاهده جزئیات بیشتر بررسی کنید و پیوند را دنبال کنید تا بررسی کنید که آیا امروز واجد شرایط دسترسی رایگان هستید یا خیر.

تا به حال قطعاً در مورد علم داده و کلان داده شنیده اید. در این کلاس یک هفته‌ای، دوره‌ای را ارائه می‌کنیم که این اصطلاحات به چه معنا هستند و چگونه در سازمان‌های موفق نقش دارند. این کلاس برای هرکسی است که می‌خواهد بداند همه اقدامات علم داده درباره چیست، از جمله کسانی که در نهایت نیاز به مدیریت دانشمندان داده دارند. هدف این است که شما را در سریع ترین زمان ممکن در علم داده ها و بدون هیچ مشکلی به سرعت بالا ببرید. ما این دوره را طوری طراحی کرده‌ایم که تا حد امکان راحت باشد بدون اینکه هیچ یک از موارد ضروری را از بین ببریم. این یک دوره متمرکز طراحی شده است تا به سرعت شما را در زمینه علم داده 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 گذاشته ایم تا بتوانید روی مدیریت تیم خود و پیشبرد آن تمرکز کنید. پس از اتمام این دوره خواهید دانست. 1. چگونه می توان نقش علم داده در زمینه های مختلف را توصیف کرد 2. چگونه آمار، یادگیری ماشین و مهندسی نرم افزار در علم داده نقش دارند 3. نحوه توصیف ساختار یک پروژه علم داده 4. اصطلاحات و ابزارهای کلیدی مورد استفاده توسط دانشمندان داده را بشناسید 5. چگونه یک پروژه علمی داده موفق و ناموفق را شناسایی کنیم 3. نقش مدیر علم داده تصویر جلد دوره توسط r2hox. Creative Commons BY-SA: https://flic.kr/p/gdMuhT

همه ما این جمله را شنیده‌ایم که «همبستگی مساوی علیت نیست». پس علت برابر چیست؟ هدف این دوره پاسخگویی به این سوال و موارد دیگر است! در طی یک دوره 5 هفته ای، یاد خواهید گرفت که چگونه اثرات علی تعریف می شوند، چه فرضیاتی در مورد داده ها و مدل های شما ضروری است، و چگونه برخی از روش های آماری رایج را پیاده سازی و تفسیر کنید. فراگیران این فرصت را خواهند داشت تا از این روش ها برای داده های مثال در R (محیط نرم افزار آماری رایگان) استفاده کنند. در پایان دوره، فراگیران باید بتوانند: 1. اثرات علی را با استفاده از پیامدهای بالقوه تعریف کنید 2. تفاوت بین ارتباط و علیت را شرح دهید 3. فرضیات را با نمودارهای علی بیان کنید 4. چندین نوع روش استنتاج علّی (به عنوان مثال تطبیق، متغیرهای ابزاری، احتمال معکوس وزن دهی درمان) را اجرا کنید. 5. مشخص کنید کدام فرض های علی برای هر نوع روش آماری ضروری است پس به ما بپیوندید و خودتان کشف کنید که چرا روش های آماری مدرن برای تخمین اثرات علی در بسیاری از زمینه های مطالعاتی ضروری هستند!

اهداف این MOOC این است که شما را قادر سازد از کاربرد مفاهیم، ​​تمرین ها و یادگیری از چهار MOOC دیگر در این تخصص یاد بگیرید. یادگیرندگان درگیر در برنامه های ما در طول دهه ها بارها به ما گفته اند که بررسی چندین بار مطالب به آنها کمک می کند تا به تدریج در معنا و کاربرد ایده ها و تجربیات کاوش کنند. در نتیجه، ما این سنگ بنا را طوری طراحی کرده‌ایم که سومین تکرار از کار با ایده‌ها و تجربیات در مورد رهبری مؤثر و الهام بخشیدن به توسعه آن در دیگران باشد. اولین تکرار در یکی از MOOC های دیگر از نظر فیلم ها، خواندن، چت های انجمن و تمرین های بازتابی بود. تکرار دوم انجام یکی از تکالیف یادگیری شخصی یا یادگیری عملی در یکی از MOOC ها بود که شامل صحبت با دیگران و نوشتن یک مقاله در مورد این تجربه بود. اگر تکلیف یادگیری Action را انجام نداده بودید، یکی از دو پروژه برای این MOOC شامل انجام آن می شد. مورد سوم، بررسی و بازنگری تجزیه و تحلیل شما از تجربه به عنوان پروژه Capstone است تا شواهدی را نشان دهد که شما می توانید یک رهبر باشید و به دیگری کمک کنید تا به عنوان یک رهبر توسعه یابد.

مدیریت یکپارچه منظر و احیای چشم انداز در مقیاس بزرگ باید در استراتژی تجاری هر شرکت باشد، زیرا برای رسیدن به هدف توسعه پایدار در مورد بی طرفی تخریب زمین (SDG شماره 15.3) افزایش مقیاس و تسریع در بازسازی چشم انداز مبتنی بر کسب و کار ضروری است. این به متخصصان کسب و کار با چشم انداز، دانش و مهارت های مناسب نیاز دارد. هدف این MOOC آموزش نسل بعدی متخصصان و توسعه دهندگان کسب و کار است تا وابستگی متقابل تجارت با مناظر سالم را تأیید کنند و ارزش منابع اکوسیستم را درک کنند. از لحاظ تاریخی، ما راه‌های بی‌شماری برای توجیه بهره‌برداری مداوم خود از محیط زیست پیدا کرده‌ایم: کشف، سنت، سرنوشت آشکار، حتی فریب چینی. اما اکنون همه ما از بهانه خارج شده ایم. هر روز که می گذرد داده های مربوط به گازهای گلخانه ای و آب و هوای شدید، کاهش مخازن و افزایش سطح دریاها و کاهش تنوع زیستی را افزایش می دهد. منابع ما متناهی است، پنجره تغییر، اگر به طور محکم بسته نشود، قطعا در حال بسته شدن است، و همه زندگی باید سازگار شود یا محکوم به فنا شود.» تی اوبرهت، نیویورکر، 19 و 26 دسامبر 2016، ص. 106. در واقع یک چشم انداز ترسناک است - اینکه تمام زندگی روی زمین یا باید سازگار شود یا محکوم به فنا باشد. این دوره در مورد تخریب چشم انداز است - یک مشکل جهانی و شرور که به چشم انداز محکوم به نابودی منابع محدود زمین کمک می کند. اما این دوره همچنین در مورد راه حل هایی برای این مشکل است - بازسازی چشم انداز مبتنی بر کسب و کار. بنابراین به جای اینکه شما را با چشم‌اندازی که اوبرهت در بالا مطرح می‌کند ناتوان کنیم، امیدواریم یاد بگیرید که چگونه می‌توانید بخشی از راه‌حل برای اطمینان از اینکه سیاره زمین هنوز هم خانه‌ای امن و قابل سکونت برای نسل‌های آینده فراهم می‌کند، باشید. ما باید بزرگ عمل کنیم و اکنون باید اقدام کنیم. با این دوره می‌خواهیم دانش ارزشمندی را به شما منتقل کنیم و مهارت‌های مفیدی را به شما آموزش دهیم که می‌توانید در زندگی حرفه‌ای خود از آنها استفاده کنید و شما را قادر می‌سازد تا با مسئله تخریب و بازسازی منظره مقابله کنید. موضوع فوری است، پس بیایید مستقیماً به آن بپردازیم. این MOOC توسط مشارکت ENABLE توسعه داده شده است که توسط برنامه ERASMUS+ کمیسیون اروپا تامین می شود و شامل گروه های متنوع و بین المللی از سازمان ها از جمله دانشکده مدیریت روتردام، دانشگاه اراسموس، کامنلند، برنامه آموزشی بازسازی زمین دانشگاه سازمان ملل متحد است. شورای ملی تحقیقات اسپانیا و کنفرانس های جهانی استوریل.

این دوره برای مدیران استخدامی است که به دنبال بهبود رویکرد خود در کار با استخدام کنندگان برای کمک به دستیابی به اهداف بلند مدت خود هستند. استخدام کنندگان و مدیران استخدام باید استراتژی های اندیشیده شده ای را برای یافتن و جذب استعدادهای مورد نیاز برای موفقیت سازمان اجرا کنند. این دوره بر توانایی استخدام‌کننده و مدیر استخدام برای همکاری به عنوان شرکای تجاری برای رسیدن به موفقیت‌آمیز این اهداف بلندمدت تمرکز دارد. امروز، ما به دنبال درک استخدام و استخدام هستیم تا بتوانیم به عنوان مشاور برای شرکای تجاری خود خدمت کنیم. در پایان این دوره، شما قادر خواهید بود از بهترین شیوه ها برای ایجاد یک رویکرد منسجم برای کار با استخدام کننده/شریک تجاری خود، توضیح فرآیند استخدام و استخدام، افراد درگیر و مسئولیت های آنها، ایجاد یک چک لیست کامل از راه های مشاور استخدام کننده تعیین شده خود باشید و زمان خود را عاقلانه سرمایه گذاری کنید تا از نتیجه مولد و استخدام موفق اطمینان حاصل کنید. برای موفقیت در این دوره باید حداقل 2 سال سابقه کار داشته باشید.

ایجاد و رهبری یک سازمان مبتنی بر داده های اخلاقی، زمانی که با موفقیت انجام شود، یک تحول فرهنگی برای یک سازمان است. حرکت در یک تغییر فرهنگی نیازمند خرید رهبری، تامین منابع، آموزش و حمایت از طریق ایجاد هیئت‌ها، سیاست‌ها و حکومت است. فراتر از رهبری و سازمان، مشارکت دادن کارکنان از طریق انجمن ها و برنامه های تشویقی برای مشارکت مستمر ضروری است. درک قوی از سیاست‌های سازمانی اخلاقی، پایه و اساس نظارت مستمر برای حفظ فرهنگ اخلاقی را فراهم می‌کند. در این دوره پنجم از گواهینامه حرفه‌ای CertNexus Ethical Emerging Technologist (CEET)، فراگیران استراتژی‌هایی را برای رهبری یک ابتکار عمل اخلاقی، حمایت از اهمیت حیاتی آن و ترویج فرهنگ سازمانی اخلاقی توسعه خواهند داد. فراگیران یاد خواهند گرفت که چگونه خط مشی های سازمانی اخلاقی و کدهای اخلاقی را توسعه و اجرا کنند. آنها همچنین آماده ارزیابی اثربخشی سیاست ها با ذینفعان داخلی و خارجی خواهند بود. این دوره پنجمین دوره از پنج دوره با گواهینامه حرفه ای Certified Ethical Emerging Technologist (CEET) است. دوره های قبلی با عنوان ترویج استفاده اخلاقی از فناوری های داده محور، تبدیل چارچوب های اخلاقی به گام های عملی، شناسایی و کاهش خطرات اخلاقی، و ارتباط موثر در مورد چالش های اخلاقی در فناوری های داده محور است.