تجزیه و تحلیل حسابداری بررسی می کند که چگونه داده های صورت های مالی و معیارهای غیر مالی را می توان با عملکرد مالی مرتبط کرد.   در این دوره آموزشی که توسط اساتید حسابداری تحسین شده وارتون تدریس می شود، خواهید آموخت که چگونه از داده ها برای ارزیابی عملکرد مالی و پیش بینی سناریوهای مالی آتی استفاده می شود. در حالی که بسیاری از سازمان‌های حسابداری و مالی داده‌ها را ارائه می‌کنند، تجزیه و تحلیل حسابداری این داده‌ها را برای ارائه بینش به کار می‌گیرد و این دوره به بررسی بسیاری از زمینه‌هایی می‌پردازد که در آن داده‌های حسابداری بینشی را در زمینه‌های تجاری دیگر از جمله پیش‌بینی رفتار مصرف‌کننده، استراتژی شرکت، مدیریت ریسک، بهینه‌سازی، و بیشتر در پایان این دوره، خواهید فهمید که چگونه داده های مالی و داده های غیر مالی برای پیش بینی رویدادها، بهینه سازی عملیات و تعیین استراتژی تعامل دارند. این دوره آموزشی طراحی شده است تا به شما کمک کند تا تصمیمات تجاری بهتری در مورد نقش های نوظهور تجزیه و تحلیل حسابداری بگیرید، به طوری که بتوانید آنچه را که آموخته اید برای تصمیم گیری های تجاری خود و ایجاد استراتژی با استفاده از داده های مالی به کار ببرید. 

**توجه: شما باید دوره تحلیل حسابداری I: نقش حسابداری به عنوان یک سیستم اطلاعاتی را تکمیل کنید یا قبل از شروع این دوره با مفاهیم آموزش داده شده در آنجا آشنا باشید.** این دوره دومین دوره از یک تخصص گزارشگری مالی پنج دوره است که جمع آوری، پردازش و انتقال اطلاعات حسابداری (از طریق گزارش های مالی) در مورد واحدهای اقتصادی به اشخاص ذینفع (یعنی مدیران و ذینفعان خارجی مانند سهامداران و طلبکاران) را پوشش می دهد. . برای کسب مرتبط ترین دانش از این دوره ها، فراگیران باید یک دوره مقدماتی حسابداری را قبل از این تخصص گذرانده باشند (که از طریق دوره های Coursera قابل انجام است، مانند هر دوره حسابداری از مبانی تخصص حسابداری: https://www.coursera. .org/specializations/accounting-fundamentals). این تخصص بر مفاهیم، ​​اصول و تئوری حسابداری با تأکید بر مشکلاتی که در به کارگیری این مفاهیم برای اهداف گزارشگری خارجی ایجاد می شود، تمرکز دارد. تاکید ویژه بر اندازه‌گیری دارایی‌ها، بدهی‌ها، حقوق صاحبان سهام و درآمد، و همچنین افشای اطلاعات اضافی است که ممکن است به کاربران در درک گزارش‌های مالی کمک کند. در این دوره، بررسی خود را از دسته‌های دارایی کلیدی زیربنای مفاهیم ترازنامه که در دوره قبلی معرفی شدند، آغاز می‌کنیم. ما سفر خود را به سمت پایین ترازنامه با بررسی وجوه نقد و مطالبات، که معمولاً دو دارایی اول فهرست شده اند، آغاز خواهیم کرد. ما با بررسی موجودی و دارایی های با عمر طولانی، که معمولاً دو تا از بزرگترین ارزش دارایی ها هستند، مسیر خود را در ترازنامه ادامه خواهیم داد. ما مسائل مربوط به اندازه‌گیری و گزارش‌دهی مربوط به موجودی‌ها و هزینه مربوط به هزینه کالاهای فروخته شده را در صورت سود و زیان بررسی خواهیم کرد. در نیمه دوم این دوره، بررسی خود را در مورد دسته‌بندی دارایی‌های کلیدی با بررسی دارایی‌های مادی و نامشهود با عمر طولانی که برای تولید کالاها و خدمات بسیار حیاتی هستند، به پایان خواهیم رساند. این امر مستلزم بحث در مورد تملک و واگذاری دارایی، ماشین آلات و تجهیزات و همچنین تخصیص هزینه خواهد بود. در ادامه، در مورد کاهش احتمالی این دارایی ها و همچنین برخورد مناسب با مخارج انجام شده پس از کسب بحث خواهیم کرد. در نهایت، نحوه شناسایی و حسابداری سرمایه گذاری های بدهی و سهام را بررسی خواهیم کرد. دانشگاه ایلینوی در Urbana-Champaign، که به طور مداوم به عنوان یکی از سه برنامه حسابداری برتر کشور رتبه بندی می شود، اکنون کارشناسی ارشد حسابداری را با نرخ شهریه بسیار مقرون به صرفه ارائه می دهد و کاملاً آنلاین است. iMSA یک برنامه کارشناسی ارشد حسابداری است و دانشجویان با مدرک کارشناسی ارشد فارغ التحصیل می شوند که بسیار شناخته شده است. یک یا دو دوره آزاد را امتحان کنید، سپس برای پذیرش در نسخه دارای اعتبار درخواست دهید زیرا ممکن است در طول فرآیند درخواست واجد شرایط شرکت در دوره های دارای اعتبار باشید. اگر هیچ پیش نیازی برای مدرک کامل ندارید، می توانید دوره های Coursera را برای نشان دادن آمادگی و تقویت درخواست خود برای iMSA تکمیل کنید. برای کسب اطلاعات بیشتر در مورد این برنامه هیجان انگیز آنلاین iMSA به این لینک مراجعه کنید: https://www.coursera.org/degrees/imsa

این دوره اولین دوره از یک تخصص گزارشگری مالی پنج دوره است که جمع آوری، پردازش و انتقال اطلاعات حسابداری (از طریق گزارش های مالی) در مورد واحدهای اقتصادی به اشخاص ذینفع (یعنی مدیران و ذینفعان خارجی مانند سهامداران و طلبکاران) را پوشش می دهد. . برای کسب مرتبط ترین دانش از این دوره ها، فراگیران باید یک دوره مقدماتی حسابداری را قبل از این تخصص گذرانده باشند (که از طریق دوره های Coursera قابل انجام است، مانند هر دوره حسابداری از مبانی تخصص حسابداری: https://www.coursera. .org/specializations/accounting-fundamentals). این تخصص بر مفاهیم، ​​اصول و تئوری حسابداری با تأکید بر مشکلاتی که در به کارگیری این مفاهیم برای اهداف گزارشگری خارجی ایجاد می شود، تمرکز دارد. تاکید ویژه بر اندازه‌گیری دارایی‌ها، بدهی‌ها، حقوق صاحبان سهام و درآمد، و همچنین افشای اطلاعات اضافی است که ممکن است به کاربران در درک گزارش‌های مالی کمک کند. پس از مقدمه ای کوتاه بر این دوره، زمانی را صرف درک ساختار کلی حسابداری مالی و استانداردها و همچنین بررسی فرآیند اساسی حسابداری مورد استفاده برای تهیه صورت های مالی خواهیم کرد که چارچوبی برای مطالعه مفاهیم در دروس باقی مانده ایجاد می کند. در تخصص گزارشگری مالی در این دوره، بررسی اطلاعات کلیدی موجود در ترازنامه و صورت سود و زیان و افشای مالی مربوط به آنها را آغاز خواهیم کرد. صورت جریان های نقدی به طور مختصر با بحث بیشتر در دوره های بعدی تخصصی معرفی خواهد شد. همچنین، مروری گذرا از مفاهیم کلیدی مربوط به ارزش زمانی پول ارائه خواهیم کرد، زیرا این دوره را با تمرکز بر شناسایی درآمد، از جمله بحث در مورد استاندارد درآمد جدید، به پایان خواهیم رساند. ما رویکرد کلی برای شناسایی درآمد را بررسی خواهیم کرد، مسائل ویژه ای که بر شناسایی درآمد تأثیر می گذارد، از جمله قراردادهای ساخت و ساز بلند مدت. علاوه بر این، نسبت‌های رایج مورد استفاده در تحلیل سودآوری را مورد بحث و بررسی قرار خواهیم داد. دانشگاه ایلینوی در Urbana-Champaign، که به طور مداوم به عنوان یکی از سه برنامه حسابداری برتر کشور رتبه بندی می شود، اکنون کارشناسی ارشد حسابداری را با نرخ شهریه بسیار مقرون به صرفه ارائه می دهد و کاملاً آنلاین است. iMSA یک برنامه کارشناسی ارشد حسابداری است و دانشجویان با مدرک کارشناسی ارشد فارغ التحصیل می شوند که بسیار شناخته شده است. یک یا دو دوره آزاد را امتحان کنید، سپس برای پذیرش در نسخه دارای اعتبار درخواست دهید زیرا ممکن است در طول فرآیند درخواست واجد شرایط شرکت در دوره های دارای اعتبار باشید. اگر هیچ پیش نیازی برای مدرک کامل ندارید، می توانید دوره های Coursera را برای نشان دادن آمادگی و تقویت درخواست خود برای iMSA تکمیل کنید. برای کسب اطلاعات بیشتر در مورد این برنامه هیجان انگیز آنلاین iMSA به این لینک مراجعه کنید: https://www.coursera.org/degrees/imsa

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.

به تجزیه و تحلیل خوشه ای، معادن انجمن و ارزیابی مدل خوش آمدید. در این دوره ما با کاوش در تجزیه و تحلیل خوشه‌ها و بخش‌بندی شروع می‌کنیم و در مورد چگونگی استفاده از تکنیک‌هایی مانند فیلترینگ مشارکتی و استخراج قوانین انجمن بحث می‌کنیم. همچنین توضیح خواهیم داد که چگونه می توان یک مدل را برای عملکرد ارزیابی کرد و تفاوت در انواع تحلیل و زمان اعمال آنها را بررسی خواهیم کرد.

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.

این دوره برای متخصصان کسب و کار طراحی شده است که می خواهند یاد بگیرند که چگونه داده ها را تجزیه و تحلیل کنند تا بینش به دست آورند، از روش های تجزیه و تحلیل آماری برای کشف توزیع زیربنایی داده ها استفاده کنند، از تجسم هایی مانند هیستوگرام، نمودار پراکندگی و نقشه ها برای تجزیه و تحلیل داده ها و پیش پردازش داده ها برای تولید استفاده کنند. مجموعه داده آماده برای آموزش دانشجوی معمولی در این دوره چندین سال تجربه در زمینه فناوری محاسبات از جمله استعداد در برنامه نویسی کامپیوتر خواهد داشت.

زبان برنامه نویسی R به طور هدفمند برای تجزیه و تحلیل داده ها ساخته شده است. R کلیدی است که دری را بین مشکلاتی که می خواهید با داده ها حل کنید و پاسخ هایی که برای رسیدن به اهداف خود نیاز دارید باز می کند. این دوره با یک سوال شروع می شود و سپس شما را در فرآیند پاسخ دادن به آن از طریق داده ها راهنمایی می کند. ابتدا تکنیک های مهمی را برای آماده سازی (یا مشاجره کردن) داده های خود برای تجزیه و تحلیل خواهید آموخت. سپس یاد خواهید گرفت که چگونه از طریق تجزیه و تحلیل داده های اکتشافی به درک بهتری از داده های خود دست یابید، به شما کمک می کند تا داده های خود را خلاصه کنید و روابط مرتبط بین متغیرهایی را شناسایی کنید که می تواند به بینش منجر شود. هنگامی که داده های شما برای تجزیه و تحلیل آماده شد، یاد خواهید گرفت که چگونه مدل خود را توسعه دهید و عملکرد آن را ارزیابی و تنظیم کنید. با پیروی از این فرآیند، می توانید مطمئن شوید که تجزیه و تحلیل داده های شما مطابق با استانداردهایی است که تعیین کرده اید و می توانید به نتایج اطمینان داشته باشید. شما با بازی در نقش یک تحلیلگر داده که در حال تجزیه و تحلیل داده های خروج و رسیدن خطوط هوایی برای پیش بینی تاخیرهای پرواز است، تجربه عملی ایجاد خواهید کرد. با استفاده از مجموعه داده‌های عملکرد به‌موقع شرکت گزارش‌دهنده هواپیمایی، خواندن فایل‌های داده، پیش‌پردازش داده‌ها، ایجاد مدل‌ها، بهبود مدل‌ها و ارزیابی آن‌ها را تمرین می‌کنید تا در نهایت بهترین مدل را انتخاب کنید. ویدیوها را تماشا کنید، از طریق آزمایشگاه ها کار کنید و به مجموعه خود اضافه کنید. موفق باشید! توجه: پیش نیاز این دوره، مهارت های اولیه برنامه نویسی R است. به عنوان مثال، مطمئن شوید که دوره ای مانند مقدمه ای بر برنامه نویسی R برای علم داده از IBM را گذرانده اید.

این دوره به معرفی ملایم ما برای برنامه نویسی در R ادامه می دهد که برای 3 نوع یادگیرنده طراحی شده است. برای شما مناسب خواهد بود، اگر: • می خواهید تجزیه و تحلیل داده ها را انجام دهید اما برنامه نویسی نمی دانید • برنامه نویسی بلدید اما با R آشنا نیستید • مقداری برنامه نویسی R را می شناسید اما می خواهید در مورد افعال tidyverse اطلاعات بیشتری کسب کنید بهتر است بعد از اولین دوره تخصصی گرفته شود یا اگر قبلاً با ggplot، RMarkdown و نوشتن تابع پایه در R آشنا هستید. از Learn to use reader برای خواندن در داده های خود، dplyr برای تجزیه و تحلیل داده ها و stringr استفاده خواهید کرد. و forcats برای دستکاری رشته ها و عوامل.

در این دوره جامع، شما برای تسلط بر هنر تجزیه و تحلیل داده ها از طریق SQL، سفری تحول آفرین را آغاز خواهید کرد. SQL ابزار قدرتمندی است که برای مدیریت و دستکاری داده ها در پایگاه داده های رابطه ای استفاده می شود. در طول این دوره، مهارت‌های ضروری برای استخراج کارآمد داده‌های مرتبط از پایگاه‌های داده را به دست می‌آورید و به شما این امکان را می‌دهد که به راحتی در میان حجم وسیعی از اطلاعات حرکت کنید. با تمرکز بر کاربرد عملی، شما به دنیای تجزیه و تحلیل داده ها کاوش خواهید کرد، و کشف خواهید کرد که چگونه می توانید بینش های معناداری را از مجموعه داده های بزرگی که در پایگاه داده های پیچیده رابطه ای قرار دارند، به دست آورید. در پایان این دوره، شما مهارت های ایجاد و اصلاح پایگاه های داده را به دست آورید، و شما را به توانایی حل مشکلات تجاری در دنیای واقعی مجهز می کند. با اطمینان از دقت و قابلیت اطمینان تجزیه و تحلیل خود، فیلتر کردن و تمیز کردن مجموعه داده ها را بیاموزید. چه بخواهید یک تحلیلگر داده باشید، چه یک متخصص هوش تجاری یا یک تصمیم گیرنده با تکیه بر بینش های داده محور، این دوره ابزارها و دانش لازم را برای موفقیت در اختیار شما قرار می دهد.

این دوره مقدمه ای بر تکنیک های علوم داده پایه با استفاده از پایتون ارائه می دهد. دانش آموزان با مفاهیم اصلی مانند Data Frames و پیوستن به داده ها آشنا می شوند و یاد می گیرند که چگونه از کتابخانه های تجزیه و تحلیل داده ها مانند پانداها، numpy و matplotlib استفاده کنند. این دوره مروری بر بارگذاری، بازرسی و پرس و جوی داده های دنیای واقعی و چگونگی پاسخ به سوالات اساسی در مورد آن داده ها را ارائه می دهد. دانش‌آموزان مهارت‌هایی در جمع‌آوری و خلاصه‌سازی داده‌ها و همچنین تجسم داده‌های اولیه کسب خواهند کرد.

این دوره شما را با نحوه استفاده از صفحات گسترده و پرس و جوهای SQL برای تجزیه و تحلیل و استخراج داده ها آشنا می کند. شما یاد خواهید گرفت که چگونه به طور عملی چارچوب تجزیه و تحلیل داده های OSEMN و توابع صفحه گسترده را برای پاک کردن داده ها، محاسبه آمار خلاصه، ارزیابی همبستگی ها و موارد دیگر اعمال کنید. شما همچنین به تکنیک های متداول تجسم داده ها می پردازید و یاد می گیرید که چگونه از داشبورد برای گفتن داستانی با داده های خود استفاده کنید. در پایان این دوره شما قادر خواهید بود: • داده ها را با صفحات گسترده پاک کنید • از فرمول های رایج صفحه گسترده برای محاسبه آمار خلاصه استفاده کنید • روندها و الگوهای داده را شناسایی کنید • عبارات و پرس و جوهای SQL اساسی را برای استخراج داده ها در صفحات گسترده بنویسید • نمودارهایی را در Google Sheets ایجاد کنید و از Tableau برای تجسم داده ها استفاده کنید • از داشبورد برای ایجاد تجسم داده ها استفاده کنید شما نیازی به تجربه بازاریابی یا تجزیه و تحلیل داده ندارید، اما باید مهارت های ناوبری اینترنتی اولیه را داشته باشید و مشتاق مشارکت باشید. در حالت ایده‌آل شما قبلاً دوره 1: بنیاد تجزیه و تحلیل بازاریابی و دوره 2: مقدمه‌ای بر تجزیه و تحلیل داده‌ها را در این برنامه تکمیل کرده‌اید.

به این دوره در مورد تجزیه و تحلیل داده ها برای Lean Six Sigma خوش آمدید. در این دوره شما تکنیک های تجزیه و تحلیل داده ها را یاد خواهید گرفت که معمولاً در پروژه های بهبود Lean Six Sigma مفید هستند. در پایان این دوره شما قادر به تجزیه و تحلیل و تفسیر داده های جمع آوری شده در چنین پروژه ای هستید. شما می توانید از Minitab برای تجزیه و تحلیل داده ها استفاده کنید. من همچنین به طور خلاصه توضیح خواهم داد که Lean Six Sigma چیست. من بر استفاده از ابزارهای تجزیه و تحلیل داده ها و تفسیر نتیجه تاکید خواهم کرد. من از نمونه های مختلف بسیاری از پروژه های واقعی ناب شش سیگما برای نشان دادن همه ابزارها استفاده خواهم کرد. من در مورد هیچ زمینه ریاضی بحث نمی کنم. تنظیماتی که ما برای مثال داده خود انتخاب کردیم، پروژه بهبود ناب شش سیگما است. با این حال ابزارهای تجزیه و تحلیل داده ها بسیار کاربردی هستند. بنابراین متوجه خواهید شد که تکنیک هایی را یاد خواهید گرفت که می توانید از آنها جدا از پروژه های بهبود در محیطی گسترده تر استفاده کنید. امیدوارم از این دوره لذت ببرید و موفق باشید! دکتر Inez Zwetsloot و تیم IBIS UvA

در پایان این دوره، فراگیران یک دید کلی در سطح بالایی از ابزارهای تجزیه و تحلیل داده ها و تجسم ارائه می کنند و آماده می شوند تا بهترین شیوه ها را مورد بحث قرار دهند و یک برنامه اقدام متعاقب را توسعه دهند که به اکتشافات کلیدی می پردازد. قبل از معرفی ابزارهای تجزیه و تحلیل داده ها (نرم افزار R، Minitab، MATLAB و Python) با موانع رایجی شروع می شود که مانع پذیرش فرهنگ مبتنی بر داده می شود. بررسی عمیق تری صرف کنترل فرآیند آماری (SPC) می شود که روشی برای مطالعه تغییرات در طول زمان است. این دوره همچنین به بایدها و نبایدهای ارائه داده ها به صورت بصری، نرم افزارهای تجسمی (Tableau، Excel، Power BI) و ایجاد یک داستان داده می پردازد. مطالب شامل سخنرانی های آنلاین، فیلم ها، دموها، کار پروژه، خواندن و بحث می شود. این دوره برای افرادی که مشتاق توسعه یک ذهنیت داده محور هستند ایده آل است که بینش های قدرتمندی را برای بهبود نتیجه شرکت به دست می آورد. اگر زبان آموزان با خواندن گزارش ها، جمع آوری و استفاده از داده ها و تفسیر تجسم ها آشنایی داشته باشند، مفید است. این دومین دوره در تخصص تصمیم گیری داده محور (DDDM) است. برای کسب اطلاعات بیشتر در مورد این تخصص، یک نمای کلی ویدیویی را در https://www.youtube.com/watch?v=Oi4mmeSWcVc&list=PLQvThJe-IglyYljMrdqwfsDzk56ncfoLx&index=11 بررسی کنید.

در این دوره آموزشی، نحوه خواندن و نوشتن داده ها از یک فایل و روی آن را یاد خواهید گرفت. همچنین نحوه دستکاری و تجزیه و تحلیل داده ها را با استفاده از لیست ها، تاپل ها، دیکشنری ها، مجموعه ها و کتابخانه های پانداها و Matplot بررسی خواهید کرد. به‌عنوان یک توسعه‌دهنده، درک نحوه برخورد با مسائلی که می‌تواند باعث از کار افتادن یک برنامه کاربردی شود، مهم است. شما یاد خواهید گرفت که چگونه استثناها را برای رسیدگی به این مسائل پیاده سازی کنید. برای یادگیری مطالب در این دوره نیازی به پیشینه برنامه نویسی یا علوم کامپیوتر ندارید. این دوره برای همه کسانی که علاقه مند به یادگیری نحوه کدنویسی و نوشتن برنامه در پایتون هستند آزاد است. ما بسیار هیجان زده هستیم که با ما یاد خواهید گرفت و امیدواریم از این دوره لذت ببرید!

پروژه Capstone به شما این امکان را می دهد که تکنیک های تجزیه و تحلیل داده های آموخته شده از دوره های قبلی در تخصص را برای رسیدگی به یک موضوع مهم در جامعه به کار ببرید و اصلاح کنید. شما از داده های دنیای واقعی برای تکمیل پروژه با شرکای صنعتی و دانشگاهی ما استفاده خواهید کرد. برای مثال، می‌توانید با شریک صنعتی ما، DRIVENDATA، همکاری کنید تا به آنها کمک کنید تا برخی از بزرگترین چالش‌های اجتماعی جهان را حل کنند! DRIVENDATA در www.drivendata.org، متعهد است که شیوه‌های پیشرفته در علم داده و جمع‌سپاری را برای برخی از بزرگترین چالش‌های اجتماعی جهان و سازمان‌هایی که آنها را متقبل می‌شوند، بیاورد. یا، می‌توانید با شریک صنعتی دیگر ما، The Connection (www.theconnectioninc.org) همکاری کنید تا به آن‌ها کمک کنید تا خطر تکرار جرم را برای افرادی که در آزادی مشروط به دنبال درمان مصرف مواد هستند درک کنند. برای بیش از 40 سال، The Connection یکی از پیشروترین آژانس‌های خصوصی، غیرانتفاعی خدمات انسانی و توسعه جامعه در کانکتیکات بوده است. هر ماه، هزاران نفر از طریق برنامه های متنوع سلامت رفتاری، حمایت خانواده و عدالت اجتماعی The Connection کمک می کنند. مؤسسه کانکشن برای تمرین نوآورانه در سال 2010 ایجاد شد تا شکاف بین محققان و پزشکان در زمینه‌های سلامت رفتاری و عدالت کیفری را با هدف توسعه برنامه‌های درمانی مبتنی بر شواهد و حداکثر مؤثر ایجاد کند. یکی از اجزای اصلی پروژه Capstone این است که شما بتوانید اطلاعاتی را از تجزیه و تحلیل خود انتخاب کنید که به بهترین وجه نتایج و پیامدها را منتقل می کند و با این اطلاعات داستانی قانع کننده را بیان کنید. در پایان دوره، شما یک گزارش کیفیت حرفه ای از یافته های خود خواهید داشت که می تواند به همکاران و کارفرمایان بالقوه نشان داده شود تا مهارت هایی را که با تکمیل تخصص آموخته اید نشان دهند.

در این پروژه Capstone، شما تمام مهارت ها و بینش های جدیدی را که از طریق چهار دوره یاد گرفته اید، گرد هم می آورید. به شما یک مشکل کلاینت "ساختگی" و یک مجموعه داده داده می شود. برای به دست آوردن بینش تجاری، تحقیق در حوزه دامنه مشتری و ایجاد توصیه ها، باید داده ها را تجزیه و تحلیل کنید. سپس باید داده ها را در یک ارائه رو به مشتری تجسم کنید. همه آن‌ها را در یک ارائه ویدیویی ضبط‌شده گرد هم می‌آورید. این دوره توسط PricewaterhouseCoopers LLP با آدرسی در 300 Madison Avenue, New York, New York, 10017 ایجاد شده است.

تجزیه و تحلیل آماری یک جنبه ضروری از تجزیه و تحلیل داده ها است زیرا به ما امکان می دهد داده ها را جمع آوری، بررسی و تجزیه و تحلیل کنیم تا نتایج ارزشمندی در صنایع مختلف بدست آوریم. به همین دلیل است که پیش بینی می شود بازار آمار در آینده رشد کند. اگر می خواهید تخصص آمار و احتمال خود را ایجاد کنید و در مورد تجسم داده ها بیاموزید، این دوره کوتاه مقدمه ای عالی برای آمار به عنوان هنر یادگیری از داده ها است. با مثال‌های واقعی، تفاوت‌های بین داده‌ها و اطلاعات را کشف خواهید کرد تا نیاز به مدل‌های آماری برای به دست آوردن استنتاج‌های عینی و قابل اعتماد را کشف کنید. شما معنی جمع آوری داده های "بی طرفانه" را در نظر خواهید گرفت و نمونه های مختلفی از ارائه نادرست داده ها، تصور نادرست یا ناقص بودن داده ها را بررسی خواهید کرد که به شما در توسعه شهود آماری و مهارت های تمرین خوب کمک می کند. تجسم داده ها یک مهارت مورد توجه است. برای ایجاد خلاصه‌های گرافیکی و عددی، مهارت‌های نرم‌افزار R را که در RStudio برای تجزیه و تحلیل داده‌های اکتشافی کار می‌کنند، یاد می‌گیرید و تمرین می‌کنید. با تکمیل آزمایش‌های احتمال و شبیه‌سازی رایانه‌ای مسیرهای دوجمله‌ای، به‌عنوان مثال، پرتاب کردن یک سکه یا چرخاندن یک قالب، مفهومی بصری از احتمال ایجاد خواهید کرد. در پایان دوره، شما قادر خواهید بود نقش مدل های آماری در تجزیه و تحلیل داده ها را درک کنید، خلاصه های عددی و گرافیکی را با استفاده از RStudio ایجاد کنید و آزمایش های احتمال را در شبیه سازی های کامپیوتری انجام دهید. صرف نظر از سطح مهارت ریاضی فعلی شما، چیزی جالب در این دوره خواهید یافت که نمونه های عملی و واقعی بسیاری از آمار را در عمل ارائه می دهد. این دوره یک مزه دوره کارشناسی ارشد آنلاین در علوم داده (آمار) است و همچنین می تواند توسط زبان آموزانی که می خواهند اصول تجزیه و تحلیل داده های اکتشافی و تجسم داده ها را درک کنند تکمیل شود.

در این دوره یاد خواهید گرفت که مانند یک دانشمند داده فکر کنید و از داده های خود سوال بپرسید. شما از ویژگی های تعاملی در متلب برای استخراج زیرمجموعه های داده و محاسبه آمار بر روی گروه های داده های مرتبط استفاده خواهید کرد. شما یاد خواهید گرفت که از MATLAB برای تولید خودکار کد استفاده کنید تا بتوانید در حین کاوش، سینتکس را یاد بگیرید. شما همچنین از اسناد تعاملی، به نام اسکریپت‌های زنده، برای ثبت مراحل تجزیه و تحلیل، ارتباط نتایج و ارائه کنترل‌های تعاملی که به دیگران اجازه می‌دهد با انتخاب گروه‌هایی از داده‌ها آزمایش کنند، استفاده خواهید کرد. این مهارت‌ها برای کسانی که دانش حوزه و تا حدودی در معرض ابزارهای محاسباتی هستند، ارزشمند است، اما هیچ پیش‌زمینه برنامه‌نویسی لازم نیست. برای موفقیت در این دوره، باید اطلاعاتی در مورد آمار اولیه (مانند هیستوگرام، میانگین، انحراف معیار، برازش منحنی، درونیابی) داشته باشید. در پایان این دوره، شما قادر خواهید بود داده ها را در MATLAB بارگذاری کنید، آن ها را برای تجزیه و تحلیل آماده کنید، آن ها را تجسم کنید، محاسبات اولیه را انجام دهید و نتایج خود را به دیگران منتقل کنید. در آخرین تکلیف خود، این مهارت ها را برای ارزیابی خسارات ناشی از یک رویداد شدید آب و هوایی ترکیب می کنید و یک توصیه صیقلی را بر اساس تجزیه و تحلیل داده ها ارسال می کنید. شما قادر خواهید بود مکان این رویدادها را روی یک نقشه جغرافیایی تجسم کنید و کنترل‌های کشویی ایجاد کنید که به شما امکان می‌دهد به سرعت نحوه تغییر یک پدیده را در طول زمان تجسم کنید.

این اولین دوره در گواهینامه حرفه ای یادگیری ماشین آی بی ام شما را با یادگیری ماشین و محتوای گواهینامه حرفه ای آشنا می کند. در این دوره به اهمیت داده های خوب و با کیفیت پی خواهید برد. شما تکنیک های متداول برای بازیابی داده های خود، پاکسازی آن ها، اعمال مهندسی ویژگی ها و آماده سازی آن ها برای تجزیه و تحلیل اولیه و آزمایش فرضیه را خواهید آموخت. در پایان این دوره شما باید بتوانید: بازیابی داده ها از چندین منبع داده: SQL، پایگاه داده NoSQL، API ها، Cloud  توصیف و استفاده از تکنیک های رایج انتخاب ویژگی و مهندسی ویژگی ویژگی های دسته بندی و ترتیبی و همچنین مقادیر از دست رفته را کنترل کنید از تکنیک های مختلفی برای تشخیص و مقابله با موارد پرت استفاده کنید توضیح دهید که چرا مقیاس بندی ویژگی مهم است و از انواع تکنیک های مقیاس بندی استفاده کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با یادگیری ماشین و هوش مصنوعی در یک محیط تجاری هستند، هدف قرار می دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.