این دوره بر مفاهیم و ابزارهای پشت گزارش تجزیه و تحلیل داده های مدرن به شیوه ای تکرارشونده تمرکز دارد. تحقیق تکرارپذیر این ایده است که تجزیه و تحلیل داده ها، و به طور کلی، ادعاهای علمی، با داده ها و کد نرم افزاری آنها منتشر می شود تا دیگران بتوانند یافته ها را تأیید کنند و بر اساس آنها بنا کنند. نیاز به تکرارپذیری به طور چشمگیری در حال افزایش است زیرا تجزیه و تحلیل داده ها پیچیده تر می شود و شامل مجموعه داده های بزرگتر و محاسبات پیچیده تر می شود. تکرارپذیری به افراد اجازه می دهد تا بر محتوای واقعی تجزیه و تحلیل داده ها تمرکز کنند، نه بر جزئیات سطحی گزارش شده در یک خلاصه کتبی. علاوه بر این، تکرارپذیری تجزیه و تحلیل را برای دیگران مفیدتر می کند زیرا داده ها و کدهایی که در واقع تجزیه و تحلیل را انجام داده اند در دسترس هستند. این دوره بر روی ابزارهای تحلیل آماری باسواد تمرکز می کند که به فرد امکان می دهد تجزیه و تحلیل داده ها را در یک سند منتشر کند که به دیگران امکان می دهد به راحتی همان تجزیه و تحلیل را برای به دست آوردن نتایج یکسان اجرا کنند.

در این دوره، بینش هایی در مورد بازاریابی به دست خواهید آورد تا به تعیین اینکه آیا فرصتی واقعاً در بازار وجود دارد و آیا برای سازمان یا مشتری شما ارزشمند و قابل اجرا است یا خیر، کمک می کند. هفته 1: روش های موجود برای ایجاد نظرسنجی های کمی را به همراه مزایا و معایب آنها ارزیابی کنید. نوع سؤالاتی را که باید پرسیده شود مشخص کنید و از سؤالات بدون ابهام نظرسنجی خودداری کنید. هفته دوم: طراحی، آزمایش و اجرای نظرسنجی با شناسایی مخاطبان هدف و به حداکثر رساندن نرخ پاسخ. شما فرصتی خواهید داشت که از Qualtrics، یک ابزار نرم افزاری نظرسنجی، برای راه اندازی نظرسنجی خود استفاده کنید. هفته 3: مدل‌های آماری را که می‌توان در داده‌های بازاریابی خود اعمال کرد، تجزیه و تحلیل کنید تا بتوانید تصمیمات مبتنی بر داده‌ها را درباره آمیخته بازاریابی خود بگیرید. هفته 4: محتمل ترین نتایج حاصل از تصمیمات بازاریابی را پیش بینی کنید و با نوع تجزیه و تحلیل مورد نیاز برای مشکل تجاری خود مطابقت دهید. تحقیقات کمی را به عنوان یک دوره مستقل یا به عنوان بخشی از تخصص تحقیقات بازار بخوانید. شما باید قبل از گذراندن این دوره، تجربه ای معادل با گذراندن دوره دوم این تخصص یعنی تحقیقات کیفی داشته باشید. با گذراندن کلاس سوم در Specialization، مهارت های مورد نیاز برای موفقیت در برنامه کامل را به دست خواهید آورد.

در این دوره شما ابزارهایی را برای ارزیابی بازارهای عرضه از سطح استراتژیک (به عنوان مثال کلان) (PESTLE) تا سطح تاکتیکی (به عنوان مثال صنعت) (تقسیم بندی بازار تامین، پنج نیرو، نقشه برداری زنجیره تامین) تا سطح عملیاتی (تامین کننده) (اطلاعاتی) خواهید آموخت. منابع، SWOT، تحلیل مالی) در مجموع هفت ابزار "ثابت شده" ارائه خواهد شد. همه این ابزارها به شما کمک می کنند تا استراتژی های مناسب را توسعه دهید، خطرات را کاهش دهید و تصمیمات "درست" تامین کننده را بگیرید. خواندن مورد نیاز، ویدیوهای تکمیلی و مورد مورد نیاز با ارزیابی گروه همتا به شما کمک می کند تا یادگیری خود را افزایش دهید.

اولین دوره تخصصی تحلیل پیچیدگی به شما می آموزد که چه الگوهای یکپارچه در هسته همه مشکلات پیچیده نهفته است. با آموزش نگاه کردن به آن به روش‌های جدید، دانش شما را در مورد رشته خود ارتقا می‌دهد. تجزیه و تحلیل پیچیدگی به روش زیر ساخته شده است: هفته اول. "پیچیدگی چیست؟" - آنچه در هسته همه مسائل پیچیده هفته دوم است. "سیستم های فیزیکی پیچیده" - هفته سوم چه مشکلات پیچیده ای در جهان بی جان مشترک است. "سیستم های تطبیقی ​​پیچیده" - چه مشکلات پیچیده ای در طبیعت در هفته چهارم مشترک است. "سیستم های پیچیده فرهنگی" - چه مشکلات پیچیده ای در جامعه بشری مشترک است هفته پنجم. "پیچیدگی، شکنندگی و شکست" - چرا مشکلات پیچیده هفته ششم به وجود می آیند. "پیچیدگی در آنتروپوسن" - امروز با چه مشکلات پیچیده ای روبرو هستیم

دوره «تحلیل رگرسیون» دانشجویان را با مفاهیم اساسی یکی از مهم ترین روش های یادگیری تحت نظارت یعنی رگرسیون مجهز می کند. شرکت کنندگان تکنیک های مختلف رگرسیون را بررسی می کنند و یاد می گیرند که چگونه آنها را به طور موثر ارزیابی کنند. علاوه بر این، دانش‌آموزان در موضوعات پیشرفته، از جمله رگرسیون چند جمله‌ای، تکنیک‌های منظم‌سازی (ریج، کمند، و شبکه الاستیک)، اعتبارسنجی متقاطع و روش‌های گروهی (کیسه‌بندی، تقویت، و انباشتن) تخصص کسب خواهند کرد. از طریق آموزش های تعاملی و مطالعات موردی عملی، دانش آموزان تجربه عملی در استفاده از تحلیل رگرسیون در سناریوهای داده های دنیای واقعی به دست خواهند آورد. در پایان این دوره، دانشجویان قادر خواهند بود: 1. درک اصول و اهمیت تحلیل رگرسیون در یادگیری تحت نظارت. 2. مفاهیم و کاربردهای رگرسیون خطی و تفسیر آن را در مجموعه داده های دنیای واقعی درک کنید. 3. رگرسیون چند جمله ای را برای به دست آوردن روابط غیرخطی بین متغیرها کاوش کنید. 4. برای جلوگیری از برازش بیش از حد و بهبود تعمیم مدل، از تکنیک های منظم سازی (ریج، کمند، و شبکه الاستیک) استفاده کنید. 5. روش های اعتبارسنجی متقابل را برای ارزیابی عملکرد مدل و بهینه سازی هایپرپارامترها اجرا کنید. 6. درک روش های مجموعه (کیسه، تقویت، و پشته) و نقش آنها در افزایش دقت مدل رگرسیون. 7. ارزیابی و مقایسه عملکرد مدل های رگرسیون مختلف با استفاده از معیارهای مناسب. 8. استفاده از تکنیک های تحلیل رگرسیون برای مطالعات موردی در دنیای واقعی، تصمیم گیری مبتنی بر داده. در طول دوره، دانش آموزان فعالانه در آموزش ها و مطالعات موردی شرکت می کنند، مهارت های تحلیل رگرسیون خود را تقویت می کنند و تجربه عملی در استفاده از تکنیک های رگرسیون در مجموعه داده های متنوع به دست می آورند. با دستیابی به اهداف یادگیری، شرکت کنندگان برای برتری در وظایف تحلیل رگرسیون و تصمیم گیری آگاهانه با استفاده از مدل های رگرسیون به خوبی مجهز خواهند شد.

این دوره مجموعه ای از ابزارهای مدل سازی آماری پایه را برای علم داده ارائه می دهد. به طور خاص، دانش‌آموزان با روش‌ها، نظریه‌ها و کاربردهای مدل‌های آماری خطی آشنا می‌شوند که موضوعات تخمین پارامتر، تشخیص باقی‌مانده، خوب بودن تناسب، و استراتژی‌های مختلف برای انتخاب متغیر و مقایسه مدل را پوشش می‌دهد. همچنین به استفاده نادرست از مدل های آماری و پیامدهای اخلاقی این سوء استفاده ها توجه خواهد شد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، گذراند. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید. لوگوی اقتباس شده از عکس وینسنت لدوینا در Unsplash

این دوره طراحی شده است تا به معنای واقعی کلمه از چیزی در قلب جامعه "علم بسازد": شبکه های اجتماعی. انسان‌ها دانشمندان شبکه طبیعی هستند، زیرا ما همیشه پیکربندی‌های شبکه جدید را محاسبه می‌کنیم، تقریباً بی‌اطلاع، هنگام فکر کردن به دوستان و خانواده (که اشکال خاصی از شبکه‌های اجتماعی هستند)، در مورد همکاران و روابط سازمانی (سایر، ساختارهای شبکه‌ای همپوشانی) و در مورد چگونه پیکربندی‌های شبکه‌ای ظریف یا فرصت‌طلبانه را برای حفظ حراست یا پیشرفت در جایگاه اجتماعی خود (که جامعه خود یک شبکه اجتماعی بزرگ است) هدایت کنیم. در حالی که چنین ساختارهای شبکه ای همیشه وجود داشته است، علوم اجتماعی محاسباتی به آشکارسازی و مطالعه سیستماتیک تر آنها کمک کرده است. در بخش اول دوره ما بر ساختار شبکه تمرکز می کنیم. این به عنوان عکس های فوری ثابت از شبکه ها به نظر می رسد که می تواند پیچیده باشد و جنبه های مهمی از سیستم های اجتماعی را نشان دهد. در آزمایشگاه عملی ما، شما همچنین خودتان یک شبکه را با یک نرم افزار تجسم و تجزیه و تحلیل خواهید کرد، که به درک پیچیدگی شبکه های اجتماعی کمک می کند. در بخش دوم دوره، به چگونگی تکامل شبکه ها در زمان خواهیم پرداخت. ما می‌پرسیم چگونه می‌توانیم پیش‌بینی کنیم که چه نوع شبکه‌ای شکل می‌گیرد و آیا و چگونه می‌توانیم بر پویایی شبکه تأثیر بگذاریم.

به تحلیل سری زمانی عملی خوش آمدید! بسیاری از ما تحلیل گران داده «تصادفی» هستیم. ما در علوم، تجارت یا مهندسی آموزش دیدیم و سپس با داده هایی مواجه شدیم که هیچ آموزش تحلیلی رسمی برای آنها نداریم. این دوره برای افرادی با برخی شایستگی‌های فنی طراحی شده است که بیشتر از یک رویکرد «کتاب آشپزی» می‌خواهند، اما هنوز باید بر روی انواع ارائه و تحلیل معمول تمرکز کنند که درک موضوعات حرفه‌ای ما را عمیق‌تر می‌کند. در تجزیه و تحلیل سری زمانی عملی، ما به مجموعه داده هایی نگاه می کنیم که اطلاعات متوالی را نشان می دهند، مانند قیمت سهام، بارندگی سالانه، فعالیت لکه های خورشیدی، قیمت محصولات کشاورزی و غیره. ما به چندین مدل ریاضی نگاه می کنیم که ممکن است برای توصیف فرآیندهایی که این نوع داده ها را تولید می کنند استفاده شوند. ما همچنین به نمایش های گرافیکی نگاه می کنیم که بینش هایی را در مورد داده های ما ارائه می دهد. در نهایت، ما همچنین یاد می‌گیریم که چگونه پیش‌بینی‌هایی انجام دهیم که چیزهای هوشمندانه‌ای را در مورد انتظارات ما در آینده بیان کند. لطفا چند دقیقه وقت بگذارید و سایت دوره را بررسی کنید. شما سخنرانی های ویدیویی را با مطالب نوشته شده و همچنین آزمون هایی برای کمک به تأکید بر نکات مهم پیدا خواهید کرد. زبان دوره R است، یک پیاده سازی رایگان از زبان S. این یک محیط حرفه ای و نسبتا آسان برای یادگیری است. شما می توانید مطالب مربوط به دوره را با سایر فراگیران خود در میان بگذارید. لطفا کمی وقت بگذارید و خودتان را معرفی کنید! تجزیه و تحلیل سری های زمانی می تواند برای یادگیری تلاش کند - ما سعی کرده ایم ایده هایی را ارائه دهیم که "ماموریت حیاتی" هستند به گونه ای که شما به اندازه کافی از ریاضیات را درک کنید تا از آن راضی شوید و در عین حال فوراً سازنده باشید. امیدواریم از کلاس لذت ببرید!

این دوره از طریق آموزش با استفاده از کتابخانه NetworkX زبان آموز را با تجزیه و تحلیل شبکه آشنا می کند. این دوره با درک اینکه تحلیل شبکه چیست و انگیزه هایی برای اینکه چرا ممکن است پدیده ها را به عنوان شبکه مدل سازی کنیم آغاز می شود. هفته دوم مفهوم اتصال و استحکام شبکه را معرفی می کند. هفته سوم راه های اندازه گیری اهمیت یا مرکزیت یک گره در یک شبکه را بررسی خواهد کرد. هفته آخر سیر تکامل شبکه‌ها در طول زمان را بررسی می‌کند و مدل‌های تولید شبکه و مشکل پیش‌بینی لینک را پوشش می‌دهد. 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.

با استفاده از داده‌های در دسترس عموم از ناسا از رصدهای ماهواره‌ای واقعی منابع پرتو ایکس نجومی، ما برخی از اسرار کیهان، از جمله ستاره‌های نوترونی، سیاه‌چاله‌ها، اختروش‌ها و ابرنواخترها را بررسی می‌کنیم. ما طیف انرژی و داده های سری زمانی را تجزیه و تحلیل خواهیم کرد تا بفهمیم این اجرام باورنکردنی چگونه کار می کنند. ما از یک ابزار تصویربرداری به نام DS9 برای کشف تنوع شگفت انگیز مشاهدات نجومی استفاده می کنیم که نجوم پرتو ایکس را به یکی از فعال ترین و هیجان انگیزترین زمینه های تحقیقات علمی در 50 سال گذشته تبدیل کرده است. هر هفته جنبه متفاوتی از نجوم پرتو ایکس را بررسی خواهیم کرد. با مقدمه‌ای بر ماهیت شکل‌گیری تصویر شروع می‌کنیم، سپس به نمونه‌هایی می‌پردازیم که چگونه برنامه تصویربرداری ما، DS9، می‌تواند به درک ما از داده‌های واقعی ماهواره کمک کند. شما از داده های واقعی استفاده می کنید که دانشمندان هنگام انجام کار خود استفاده می کنند. هیچ چیز "کنسرو" نیست. شما می‌توانید از هیجانی که ستاره‌شناسان هنگام اکتشافات مهم خود در مورد منابع پرتو ایکس دوره‌ای دوتایی، ابرنواخترها و بقایای آن‌ها، و منابع خارج از کهکشانی که درک ما از کیهان‌شناسی را شکل داده‌اند، احساس کردند.

در دو دوره قبل، نحوه ارزش گذاری استارتاپ ها را با روش جریان نقدی تخفیف دار و روش های چندگانه یاد گرفتید. با این حال، شما یاد نگرفته‌اید که چگونه جریان‌های نقدی یا درآمد استارت‌آپ‌ها را تخمین بزنید. در این دوره شما قرار است با مفاهیم و کاربرد نسبت های مالی آشنا شوید. با استفاده از نسبت‌های مالی مانند سودآوری، نقدینگی، اهرم، کارایی و رشد، می‌توانید سلامت مالی یک استارت‌آپ را تشخیص دهید. نسبت‌های سودآوری میزان سودآوری یک شرکت را با بررسی ROS، ROA و ROE اندازه‌گیری می‌کنند. نسبت‌های نقدینگی اندازه‌گیری می‌کنند که یک شرکت با چه سرعتی دارایی‌ها را برای پرداخت بدهی کوتاه‌مدت به نقد تبدیل می‌کند و شامل نسبت جاری، نسبت سریع و نسبت نقدی می‌شود. نسبت‌های اهرمی میزان بدهی بلندمدت یک شرکت را نسبت به دارایی‌ها یا حقوق صاحبان سهام اندازه‌گیری می‌کنند. نسبت های بهره وری میزان بهره وری یک شرکت از دارایی های خود را اندازه گیری می کند. این مانند یک معاینه فیزیکی برای انسان است و شما می توانید وضعیت مالی یک استارتاپ را با استفاده از نسبت های مالی تشخیص دهید. شما همچنین می توانید صورت های مالی را با استفاده از نسبت های مالی تهیه کنید. با استفاده از صورت‌های مالی حرفه‌ای، می‌توانید وضعیت مالی آینده یک استارت‌آپ و همچنین جریان‌های نقدی را بگویید. علاوه بر این، با استفاده از اطلاعات حاصل از بیانیه های pro forma و روش های ارزش گذاری، می توانید ارزیابی یک استارتاپ را انجام دهید.

این دوره بر اتخاذ و اجرای یک ذهنیت تحلیلی مالی در هنگام تجزیه و تحلیل فعالیت ها، موقعیت و عملکرد سازمانی تمرکز دارد. این دوره با مروری بر صورت های مالی یک سازمان، از جمله ترازنامه، صورت سود و زیان، صورت جریان وجوه نقد، و همچنین معاملاتی که این صورت ها را تشکیل می دهند، آغاز می شود. با ابزارها و نسبت هایی آشنا می شوید که به تجزیه و تحلیل این صورت های مالی و معاملات کمک می کنند. تجزیه و تحلیل صورت های مالی به شما کمک می کند تا درک کنید که شرکت در گذشته چگونه عمل کرده و موقعیت فعلی آن را درک کنید. این تجزیه و تحلیل - و همچنین محتوای دوره در مورد پیش‌بینی عملکرد کوتاه‌مدت و بلندمدت - شما را قادر می‌سازد استنتاج کنید، درباره عملکرد و ارزش آتی سازمان پیش‌بینی کنید. در نهایت، این دوره یک "غواصی عمیق" به ماهیت چند بعدی تحلیل مالی و نحوه استفاده از آن برای ارزیابی ارزش سازمان ها ارائه می دهد.

این دوره بر اتخاذ و اجرای یک ذهنیت تحلیلی مالی در هنگام تصمیم گیری سازمانی و تجزیه و تحلیل سناریو تمرکز دارد. این دوره با مروری بر دیدگاه "داخلی" سازمان آغاز می شود، که در آن مفاهیم اساسی، از جمله اهمیت نحوه سازماندهی اطلاعات هزینه برای سناریوهای مختلف تصمیم گیری را خواهید آموخت. سپس در مورد تجزیه و تحلیل سناریو، از جمله تجزیه و تحلیل هزینه-حجم- سود و سایر مفاهیم اساسی که به تسهیل تصمیم گیری مالی سازمانی کمک می کند، یاد خواهید گرفت. در مرحله بعد، در مورد برنامه ریزی و بودجه، یک عملکرد کلیدی که به سازمان ها اجازه می دهد منابع لازم برای دستیابی به اهداف سازمانی را شناسایی و تخصیص دهند، آشنا خواهید شد. سپس یاد خواهید گرفت که چگونه عملکرد واقعی را در برابر این بودجه ها با استفاده از تحلیل واریانس ارزیابی کنید. در نهایت، با سیستم اندازه‌گیری، ارزیابی و جبران عملکرد سازمان آشنا می‌شوید. به طور خاص، شما با مزایا و معایب معیارهای رایج عملکرد مالی آشنا خواهید شد و درک خواهید کرد که چگونه یک سازمان از معیارهای عملکرد غیر مالی در سیستم اندازه گیری عملکرد استراتژیک خود برای تکمیل دیدگاه مالی استفاده می کند.

به این دوره آموزشی گسترده آنلاین (MOOC) در مورد تحلیل مقایسه ای کیفی (QCA) خوش آمدید. لطفا قبل از شروع دوره نکات زیر را مطالعه کنید. این به شما کمک می کند تا به خوبی برای دوره آماده شوید و به درستی در آن شرکت کنید. همچنین به شما کمک می کند تا تعیین کنید که آیا این دوره دانش و مهارت های مورد نظر شما را ارائه می دهد یا خیر. با QCA چه کاری می توانید انجام دهید؟ • QCA یک روش مقایسه ای است که عمدتاً در علوم اجتماعی برای ارزیابی روابط علت و معلولی (یعنی علیت) استفاده می شود. • QCA برای محققانی که معمولاً با روش‌های کیفی کار می‌کنند و به دنبال روشی سیستماتیک‌تر برای مقایسه و ارزیابی موارد هستند، مرتبط است. • QCA همچنین برای محققان کمی مفید است که دوست دارند جنبه های جایگزین (پیچیده تر) علیت را ارزیابی کنند، مانند اینکه چگونه عوامل با یکدیگر در تولید یک اثر کار می کنند. • QCA را می توان برای تجزیه و تحلیل موارد در همه سطوح استفاده کرد: کلان (مانند کشورها)، مزو (مثلاً سازمان ها) و خرد (مثلاً افراد). • QCA بیشتر برای تحقیقات نمونه ها و جمعیت های کوچک و متوسط ​​(100-10 مورد) استفاده می شود، اما می توان از آن برای گروه های بزرگتر نیز استفاده کرد. در حالت ایده‌آل، تعداد موارد حداقل 10 مورد است. اگر در حال انجام مطالعه عمیق یک مورد هستید، نمی‌توان از QCA استفاده کرد. در این دوره چه چیزی یاد خواهید گرفت؟ • این دوره برای افرادی طراحی شده است که هیچ تجربه ای در زمینه QCA ندارند یا تجربه کمی دارند. • پس از پایان دوره، مبانی روش شناختی QCA را درک خواهید کرد. • پس از دوره شما می دانید که چگونه یک مطالعه اولیه QCA را خودتان انجام دهید. این دوره چگونه برگزار می شود؟ • MOOC پنج هفته طول می کشد. اهداف و فعالیت های آموزشی خاص در هر هفته در پیوست A راهنمای دوره ذکر شده است. لطفاً راهنمای دوره را در زیر منابع در منوی اصلی پیدا کنید. • اهداف یادگیری با توجه به درک مبانی QCA و انجام عملی یک مطالعه QCA در طول دوره دنبال می شود. با این حال، هفته 1 بیشتر روی مبانی تحلیلی کلی تمرکز دارد و هفته های 2 تا 5 بیشتر در مورد جنبه های عملی یک مطالعه QCA است. • فعالیت های دوره شامل تماشای فیلم ها، مشاوره مطالب تکمیلی در صورت لزوم و انجام تکالیف می باشد. فعالیت ها باید به ترتیب انجام شود: ابتدا فیلم ها را تماشا کنید. سپس برای جزئیات و مثال‌های بیشتر به مطالب تکمیلی (در صورت تمایل) مراجعه کنید. سپس تکالیف را انجام دهید • 10 تکلیف وجود دارد. ضمیمه A در راهنمای دوره، زمان تخمینی مورد نیاز برای انجام تکالیف و نحوه درجه بندی تکالیف را بیان می کند. فقط تکالیف 1 تا 6 و 8 اجباری است. برای گذراندن دوره باید این 7 تکلیف اجباری با موفقیت انجام شود. • انجام موفقیت آمیز تکالیف یکی از شرایط دریافت گواهی دوره است. اطلاعات بیشتر در مورد دریافت گواهی دوره را می توانید در اینجا بیابید: https://learner.coursera.help/hc/en-us/articles/209819053-Get-a-Course-Certificate درباره مطالب تکمیلی • دوره را می توان با تماشای فیلم ها دنبال کرد. مطالعه مطالب تکمیلی (همانطور که در راهنمای دوره ذکر شده) برای جزئیات بیشتر و مثال‌ها، کاملاً ضروری نیست. علاوه بر این، از آنجایی که برخی از موضوعات تحت پوشش کاملاً فنی هستند (مخصوصاً موضوعات هفته های 3 و 4 دوره)، ما چندین نمونه کار شده ارائه می دهیم که با ارائه تصاویر و توضیحات خاص تر، ویدیوها را تکمیل می کند. این نمونه های کار شده را می توان در زیر منابع در منوی اصلی یافت. • توجه داشته باشید که قرائت های تکمیلی اغلب به صورت رایگان در دسترس نیستند. کتابها باید خریداری شوند یا ممکن است در کتابخانه دانشگاه موجود باشند. انتشارات مجلات باید به صورت آنلاین سفارش داده شوند یا از طریق مجوز دانشگاه در دسترس هستند. • کتاب درسی اشنایدر و واگمن (2012) به عنوان مرجع اولیه برای اطلاعات بیشتر در مورد موضوعاتی که در MOOC پوشش داده می شود، عمل می کند. در ضمیمه A در راهنمای دوره ذکر شده است که کدام فصل از آن کتاب برای کدام هفته از دوره قابل مطالعه است. • انتشار توسط اشنایدر و واگمن (2012) جامع و مفصل است و تقریباً تمام موضوعات مورد بحث در MOOC را پوشش می دهد. با این حال، برای مطالعه بیشتر، ضمیمه A در راهنمای دوره نیز به برخی ادبیات تکمیلی اضافی اشاره می کند. • لطفاً فهرست کامل منابع برای همه استنادها (که در این راهنمای دوره، در MOOC و در تکالیف ذکر شده است) را در پیوست B راهنمای دوره بیابید.

هیجان زیادی در مورد فناوری ابری و تحول دیجیتال وجود دارد، اما اغلب سوالات بی پاسخ بسیاری وجود دارد. به عنوان مثال: فناوری ابری چیست؟ تحول دیجیتال به چه معناست؟ فناوری ابری چگونه می تواند به سازمان شما کمک کند؟ اصلا از کجا شروع می کنی؟ اگر هر یک از این سوالات را از خود پرسیده اید، در جای درستی هستید. این دوره مروری بر انواع فرصت ها و چالش هایی که شرکت ها اغلب در سفر تحول دیجیتال خود با آن ها مواجه می شوند، ارائه می دهد. اگر می خواهید در مورد فناوری ابری بیاموزید تا بتوانید در نقش خود برتر باشید و به ساختن آینده کسب و کار خود کمک کنید، پس این دوره مقدماتی تحول دیجیتال برای شما مناسب است. این دوره بخشی از مسیر یادگیری Cloud Digital Leader است.

به عنوان pessoas estão muito animadas com a tecnologia de nuvem e a transformação digital, mas também ainda têm muitas dúvidas. مثال: آیا شما یک تکنولوژی جدید هستید؟ آیا تبدیل دیجیتال به چه معناست؟ آیا یک فناوری جدید سازماندهی می کنید؟ Por onde começar؟ Se você já se questionou sobre isso, veio ao lugar certo. Este curso fornece uma visão geral dos tipos de oportunidades e desafios que as empresas encaram em suas jornadas de transformação digital. Se quiser saber mais sobre tecnologia de nuvem para se destacar no trabalho e ajudar a construir o futuro da sua empresa، این کتاب معرفی sobre transformação digital é para você. این برنامه را در برنامه Cloud Digital Leader انجام دهید.

در این دوره پروژه Capstone، از شما می خواهیم که هر آنچه را که در این تخصص آموخته اید، برای تجزیه و تحلیل یک شرکت دنیای واقعی و ایجاد یک استراتژی تحول دیجیتال برای این شرکت به کار ببرید. شما امکان انتخاب بین چهار شرکت موردی مختلف را خواهید داشت که از نظر اندازه (از شرکت های نوپا کوچک تا ارائه دهندگان خدمات مالی بزرگ)، صنعت (بانکداری، تجارت مالی، بیمه) و موقعیت جغرافیایی متفاوت است. برای یکی از اینها -- فقط یکی -- شما یک توصیه مختصر از یک استراتژی برای اعمال نفوذ در تحول دیجیتال خدمات مالی ایجاد خواهید کرد. برای اینکه این کار را به خوبی انجام دهید، باید ایده هایی را از سه دوره قبلی در تخصص جمع آوری کنید.

سیستم مالی جهانی کنونی مملو از ناکارآمدی ها، تحولات ناهموار و تضادهای عجیب است. فناوری بلاک چین پتانسیل ایجاد تغییرات عمیق در خدمات مالی را دارد. در این دوره آموزشی، یاد خواهید گرفت که چگونه فناوری بلاک چین عملکردهای اصلی صنعت خدمات مالی را مختل می کند و به افراد و سازمان ها به طور یکسان انتخاب های واقعی در نحوه ایجاد و مدیریت ارزش ارائه می دهد.

این دوره به پیاده سازی دینامیکی عناصر ساختاری پیوسته در مقابل مدل های گسسته اختصاص دارد. نمایش ماتریسی و حل ضمنی معادله لاگرانژ در قلب این رویکرد، در چارچوب سیستم‌های ساختاری محافظه‌کارانه، با حالت‌های گاوسی قرار دارند. نمونه اولیه عنصر پیوسته که تیر منشوری است - به عنوان یک تصویر، اما با ارزش کلی - و مدل/راه حل ضمنی به جایگاه اصلی اشکال ویژه طبیعی در نظریه ارتعاشات و شوک ها و نمایش دینامیکی کلی ساختارها و پایه های دینامیک منجر می شود. تست ها و صدور گواهینامه در واقع این دوره دیدگاهی است بر دوبینی هر ساختار پویا، با دیدگاه پیوسته و مدل دیجیتال در پرسپکتیو. در پایان این دوره، فیزیکدان، مهندس مکانیک، متخصص در کنترل یک دید کلی از نمایش دینامیکی و راه حل ضمنی قابل استفاده در تجزیه و تحلیل ساختاری و کنترل سیستم های دینامیکی عمومی خواهند داشت. به نحوی مشخص، بر اساس بحث های معروف بین آلبرت انیشتین و نیلز بور است. توصیه: پیشنهاد می کنیم نگاهی به درس "مبانی دینامیک سازه: از دینامیک ایستا تا گسسته" داشته باشید. این دوره یک دیدگاه اصلی از مبانی دینامیک را پیشنهاد می کند. و می تواند دوره حاضر را برجسته کند.

زنجیره تامین جهانی یک صنعت 50 تریلیون دلاری است و پایه و اساس اقتصاد جهانی ما است. در حالی که فناوری اطلاعات در چند دهه گذشته جریان کالاها را در سطح جهانی بهبود بخشیده است، همانطور که بحران COVID-19 نشان داد هنوز کارهای مهمی برای انجام وجود دارد. زنجیره‌های تامین امروزی پیچیده هستند و طرفین معاملات خود را از طریق شبکه‌ای از سیستم‌های کامپیوتری بیزانسی با کاربردهای متفاوت مانند ایمیل، تلفن و فکس انجام می‌دهند. فاکتورها، اعتبار اسنادی، ضمانت نامه های بانکی، بارنامه ها، فرم های مالیاتی، رسیدها و سایر اسناد اداری در این هزارتوی پیچیده در حال حرکت هستند. پرداخت ها از طریق انبوهی از واسطه ها انجام می شود و مصرف کنندگان و بازیگران زنجیره تامین به طور یکسان برای به دست آوردن اطلاعات دقیق تلاش می کنند. بلاک چین را وارد کنید - اینترنت ارزش. برای اولین بار در تاریخ بشر، افراد و سازمان‌ها می‌توانند دارایی‌های خود را به صورت دیجیتال مدیریت کرده و معامله کنند. این دارایی ها می توانند مانند پول، هویت و اطلاعات خصوصی دیجیتال باشند. یا می توانند دارایی های فیزیکی باشند که توسط توکن های دیجیتالی نمایش داده می شوند. طرفین معامله نه لزوماً از طریق یک واسطه، بلکه از طریق رمزنگاری و کد هوشمندانه به اعتماد می‌رسند. در این دوره آموزشی، یاد خواهید گرفت که چگونه بلاک چین می تواند زنجیره های تامین جهانی را با ساده کردن فرآیندها، کاهش هزینه ها و تقلب، بهبود دید زنجیره تامین، احراز هویت دارایی ها و منشاء آنها و در نهایت تقویت نوآوری محصول، بهبود بخشد. توسعه این دوره به لطف حمایت سخاوتمندانه FedEx امکان پذیر شد. دیل کریستی، همکار تجاری و استراتژیست بلاک چین در فدرال اکسپرس، در چندین ویدیوی دوره ظاهر می شود و دیدگاه صنعت دنیای واقعی را به دوره می آورد. اسکریپت‌های این ویدیوها توسط مؤسسه تحقیقات بلاک چین نوشته و/یا بازبینی شده و توسط INSEAD تأیید شده است تا اطمینان حاصل شود که این محتوا از نظر آموزشی صحیح، بی‌طرفانه و از نظر آکادمیک دقیق است.