Course catalog

Course duration

Course provider

Topic

Categories

Showing 1,541-1,560 of 4,310 items.

coursera تجزیه و تحلیل کلان داده با اسکالا و اسپارک (Mitalearn-311777)

  • 5 hours 52 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Prof. Heather Miller
درباره این دوره:

دستکاری کلان داده های توزیع شده روی یک خوشه با استفاده از مفاهیم کاربردی در صنعت شایع است و مسلماً یکی از اولین استفاده های صنعتی گسترده از ایده های کاربردی است. محبوبیت MapReduce و Hadoop و اخیراً Apache Spark، یک چارچوب مجموعه‌های توزیع شده سریع و درون حافظه که در Scala نوشته شده است، گواه این موضوع است. در این دوره، خواهیم دید که چگونه پارادایم موازی داده را می توان با استفاده از Spark در سراسر مورد توزیع شده گسترش داد. ما مدل برنامه نویسی Spark را با جزئیات پوشش خواهیم داد، و مراقب باشیم که بدانیم چگونه و چه زمانی با مدل های برنامه نویسی آشنا، مانند مجموعه های موازی با حافظه مشترک یا مجموعه های متوالی Scala متفاوت است. از طریق مثال‌های عملی در Spark و Scala، یاد می‌گیریم که چه زمانی مسائل مهم مربوط به توزیع مانند تأخیر و ارتباطات شبکه باید در نظر گرفته شود و چگونه می‌توان به طور مؤثر برای بهبود عملکرد به آنها پرداخت. نتایج یادگیری در پایان این دوره شما قادر خواهید بود: - داده ها را از ذخیره سازی دائمی بخوانید و آن را در آپاچی اسپارک بارگذاری کنید. - دستکاری داده ها با Spark و Scala، - بیان الگوریتم برای تجزیه و تحلیل داده ها به سبک عملکردی، - تشخیص نحوه جلوگیری از تکرار و محاسبه مجدد در Spark، پیشینه پیشنهادی: شما باید حداقل یک سال تجربه برنامه نویسی داشته باشید. تسلط به جاوا یا سی شارپ ایده آل است، اما تجربه با زبان های دیگر مانند C/C++، Python، Javascript یا Ruby نیز کافی است. شما باید با استفاده از خط فرمان آشنایی داشته باشید. این دوره بعد از برنامه نویسی موازی در نظر گرفته شده است: https://www.coursera.org/learn/parprog1.

coursera تجزیه و تحلیل کلان داده با اسکالا و اسپارک (نسخه اسکالا 2) (Mitalearn-312899)

  • 5 hours 52 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Prof. Heather Miller
درباره این دوره:

دستکاری کلان داده های توزیع شده روی یک خوشه با استفاده از مفاهیم کاربردی در صنعت شایع است و مسلماً یکی از اولین استفاده های صنعتی گسترده از ایده های کاربردی است. محبوبیت MapReduce و Hadoop و اخیراً Apache Spark، یک چارچوب مجموعه‌های توزیع شده سریع و درون حافظه که در Scala نوشته شده است، گواه این موضوع است. در این دوره، خواهیم دید که چگونه پارادایم موازی داده را می توان با استفاده از Spark در سراسر مورد توزیع شده گسترش داد. ما مدل برنامه نویسی Spark را با جزئیات پوشش خواهیم داد، و مراقب باشیم که بدانیم چگونه و چه زمانی با مدل های برنامه نویسی آشنا، مانند مجموعه های موازی با حافظه مشترک یا مجموعه های متوالی Scala متفاوت است. از طریق مثال‌های عملی در Spark و Scala، یاد می‌گیریم که چه زمانی مسائل مهم مربوط به توزیع مانند تأخیر و ارتباطات شبکه باید در نظر گرفته شود و چگونه می‌توان به طور مؤثر برای بهبود عملکرد به آنها پرداخت. نتایج یادگیری در پایان این دوره شما قادر خواهید بود: - داده ها را از ذخیره سازی دائمی بخوانید و آن را در آپاچی اسپارک بارگذاری کنید. - دستکاری داده ها با Spark و Scala، - بیان الگوریتم برای تجزیه و تحلیل داده ها به سبک عملکردی، - تشخیص نحوه جلوگیری از تکرار و محاسبه مجدد در Spark، پیشینه پیشنهادی: شما باید حداقل یک سال تجربه برنامه نویسی داشته باشید. تسلط به جاوا یا سی شارپ ایده آل است، اما تجربه با زبان های دیگر مانند C/C++، Python، Javascript یا Ruby نیز کافی است. شما باید با استفاده از خط فرمان آشنایی داشته باشید. این دوره بعد از برنامه نویسی موازی در نظر گرفته شده است: https://www.coursera.org/learn/parprog1. توجه داشته باشید که این نسخه از دوره از Scala 2.13 استفاده می کند. می‌توانید نسخه جدیدتر دوره را که از Scala 3 استفاده می‌کند، در اینجا بیابید: https://www.coursera.org/learn/scala-spark-big-data

coursera تجزیه و تحلیل کلان داده های عمیق (Mitalearn-322334)

  • 10 hours 36 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Jeremy Pedersen
درباره این دوره:

بازار کار برای معماران، مهندسان و متخصصان تحلیلگر با تخصص Big Data همچنان در حال افزایش است. مسیر شغلی کلان داده آکادمی بر ابزارها و تکنیک های اساسی مورد نیاز برای دنبال کردن حرفه ای در داده های بزرگ متمرکز است. این دوره شامل: پردازش داده ها با پایتون، نوشتن و خواندن پرس و جوهای SQL، انتقال داده ها با MaxCompute، تجزیه و تحلیل داده ها با Quick BI، استفاده از Hive، Hadoop و Spark در E-MapReduce و نحوه تجسم داده ها با داشبورد داده است. روی مطالب دوره ما کار کنید، جنبه های مختلف حوزه کلان داده را بیاموزید و به عنوان یک حرفه ای داده های بزرگ گواهینامه بگیرید!

coursera تجزیه و تحلیل مجموعه داده ها و آموزش مدل های ML با استفاده از AutoML (Mitalearn-336512)

  • 2 hours 51 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Antje Barth
درباره این دوره:

در اولین دوره تخصصی تخصصی علم داده های عملی، مفاهیم اساسی برای تجزیه و تحلیل داده های اکتشافی (EDA)، یادگیری ماشین خودکار (AutoML) و الگوریتم های طبقه بندی متن را خواهید آموخت. با Amazon SageMaker Clarify و Amazon SageMaker Data Wrangler، یک مجموعه داده را برای سوگیری آماری تجزیه و تحلیل می‌کنید، مجموعه داده را به ویژگی‌های قابل خواندن ماشین تبدیل می‌کنید و مهم‌ترین ویژگی‌ها را برای آموزش یک طبقه‌بندی متن چند کلاسه انتخاب می‌کنید. سپس یادگیری ماشین خودکار (AutoML) را برای آموزش خودکار، تنظیم و استقرار بهترین الگوریتم طبقه بندی متن برای مجموعه داده داده شده با استفاده از Amazon SageMaker Autopilot انجام خواهید داد. در مرحله بعد، شما با Amazon SageMaker BlazingText، یک پیاده سازی بسیار بهینه و مقیاس پذیر از الگوریتم محبوب FastText، برای آموزش یک طبقه بندی متن با کد بسیار کمی کار خواهید کرد. علم داده های عملی برای مدیریت مجموعه داده های عظیمی طراحی شده است که در سخت افزار محلی شما مناسب نیستند و می توانند از منابع متعدد نشات گرفته باشند. یکی از بزرگترین مزایای توسعه و اجرای پروژه‌های علم داده در فضای ابری، چابکی و انعطاف‌پذیری است که ابر برای افزایش و کاهش با حداقل هزینه ارائه می‌دهد. تخصص عملی علم داده به شما کمک می کند تا مهارت های عملی را برای به کارگیری مؤثر پروژه های علم داده خود و غلبه بر چالش ها در هر مرحله از گردش کار ML با استفاده از Amazon SageMaker توسعه دهید. این تخصص برای توسعه دهندگان، دانشمندان و تحلیلگران متمرکز بر داده طراحی شده است که با زبان های برنامه نویسی Python و SQL آشنا هستند و می خواهند یاد بگیرند که چگونه خطوط لوله ML مقیاس پذیر و سرتاسر مقیاس پذیر را بیاموزند - هم خودکار و هم انسانی. -the-loop - در ابر AWS.

coursera تجزیه و تحلیل محصول و هوش مصنوعی (Mitalearn-304501)

  • 5 hours 46 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Alex Cowan
درباره این دوره:

تعداد کمی از قابلیت‌ها مانند یک برنامه تحلیلی قوی، چابکی را متمرکز می‌کنند. چنین برنامه ای تعیین می کند که یک تیم باید از یک تکرار چابک (sprint) به بعدی تمرکز کند. تجزیه و تحلیل های موفق به ندرت به سختی قابل درک هستند و اغلب در وضوح خود شگفت انگیز هستند. در این دوره آموزشی که در مدرسه کسب و کار Darden در دانشگاه ویرجینیا توسعه یافته است، یاد خواهید گرفت که چگونه یک زیرساخت تجزیه و تحلیل قوی برای تیم خود بسازید و آن را با هسته حرکت خود به سمت ارزش ادغام کنید.

coursera تجزیه و تحلیل مشتری (Mitalearn-297072)

  • 5 hours 48 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Eric Bradlow,Peter Fader,Raghu Iyengar
درباره این دوره:

اطلاعات مربوط به الگوهای مرور و خرید ما در همه جا موجود است. از تراکنش‌های کارت اعتباری و سبد خرید آنلاین گرفته تا برنامه‌های وفاداری مشتری و رتبه‌بندی/بررسی‌های تولید شده توسط کاربر، حجم حیرت‌انگیزی از داده‌ها وجود دارد که می‌توان از آنها برای توصیف رفتارهای خرید گذشته، پیش‌بینی رفتارهای آینده، و تجویز روش‌های جدید برای تأثیرگذاری بر آینده استفاده کرد. تصمیمات خرید در این دوره، چهار تن از اساتید برتر بازاریابی وارتون، مروری بر حوزه‌های کلیدی تجزیه و تحلیل مشتری ارائه خواهند کرد: تجزیه و تحلیل توصیفی، تجزیه و تحلیل پیش‌بینی‌کننده، تجزیه و تحلیل تجویزی، و کاربرد آن‌ها در شیوه‌های تجاری دنیای واقعی از جمله آمازون، گوگل و استارباکس. . این دوره یک نمای کلی از حوزه تجزیه و تحلیل ارائه می دهد تا بتوانید تصمیمات تجاری آگاهانه بگیرید. این مقدمه ای بر تئوری تجزیه و تحلیل مشتری است و هدف آن آماده کردن یادگیرندگان برای انجام تجزیه و تحلیل مشتری نیست. نتایج آموزشی دوره: پس از اتمام دوره، فراگیران قادر خواهند بود... روش‌های اصلی جمع‌آوری داده‌های مشتری که توسط شرکت‌ها استفاده می‌شود را توصیف کنید و درک کنید که چگونه این داده‌ها می‌توانند تصمیمات تجاری را تعیین کنند ابزارهای اصلی مورد استفاده برای پیش بینی رفتار مشتری و شناسایی کاربردهای مناسب برای هر ابزار را شرح دهید ایده های کلیدی در مورد تجزیه و تحلیل مشتری و نحوه اطلاع رسانی این حوزه به تصمیمات تجاری تاریخچه تجزیه و تحلیل مشتری و آخرین بهترین شیوه ها در شرکت های برتر را به اشتراک بگذارید

coursera تجزیه و تحلیل مشکلات کسب و کار (Mitalearn-298636)

  • 1 hours 58 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Carlos García Pont
درباره این دوره:

چه زمانی فرصتی برای افزایش سود به تعهدی برای پایداری و سودآوری بلندمدت برند تبدیل می‌شود؟ این سوالی است که GAS GAS، یک تولید کننده موتور سیکلت آفرود، با آن مواجه است. در این دوره اوج، زمان آن رسیده است که از ابزارهای کسب و کاری که در طول تخصص آموخته اید برای حل این مشکل واقعی کسب و کار استفاده کنید. برای کمک به شما در هنگام ایجاد راه حلی برای معضل GAS GAS، در Capstone همچنین یک تجزیه و تحلیل شش مرحله ای از روش شناسی مشکلات تجاری را خواهید آموخت. در پایان دوره، متوجه خواهید شد که چگونه ملاحظات حسابداری، مالی، بازاریابی و رفتار سازمانی را با هم ترکیب کنید تا به یک تصمیم درست برسید که تأثیر مثبتی بر آینده شرکت خواهد داشت.

Related Skills

coursera تجزیه و تحلیل منابع (Mitalearn-328998)

  • 1 hours 32 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Yao Zhao
درباره این دوره:

خرج کردن پول آسان است، اما بدست آوردن ارزش آن سخت است. از سال 2007 تا 2010، اپل 27 میلیارد دلار از آیفون با سود 15.6 میلیارد دلار به دست آورد. اپل بدون استراتژی منبع یابی جهانی خود نمی توانست به این موفقیت مالی دست یابد. با این حال، یکی از تامین کنندگان کلیدی اپل، سامسونگ الکترونیکس، تبدیل به یک رقیب شد و از مزیت هزینه خود برای پیشی گرفتن از اپل در بازار جهانی استفاده کرد. در همین حال، بسیاری از تامین کنندگان و محصولات جدید به طور مداوم در حال ظهور هستند. برای ادامه موفقیت، اپل باید بازارهای جهانی را برای شناسایی و انتخاب تامین کنندگان جدید که توانمند، ارزان و از نظر مالی قوی هستند، بررسی کند. سوال این است که چگونه این کار را برای امسال درست انجام دهیم؟ آنچه اپل تجربه کرد در عمل معمول است، زیرا یک شرکت ممکن است هزاران تامین کننده داشته باشد، و تعداد زیادی تامین کننده و محصولات/خدمات جدید به طور مداوم و در سطح جهانی ظاهر می شوند، که نیاز به تنظیم مکرر پایه تامین دارد. در این دوره، تجزیه و تحلیل منبع یابی را یاد می گیرید که تجزیه و تحلیل داده ها و هوش تجاری را برای توسعه و مدیریت تامین کنندگان به کار می برد. به طور خاص، شما هوش بازار، تجزیه و تحلیل قدرت چانه زنی، و تجزیه و تحلیل تامین کننده را یاد خواهید گرفت تا تامین کنندگان را با هدف به دست آوردن ارزش بیشتر با هزینه کمتر، شناسایی و انتخاب کنید.

coursera تجزیه و تحلیل منابع انسانی (Mitalearn-298874)

  • 59 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Amber Gould
درباره این دوره:

با پیشرفت در فناوری و رایانش ابری، اکنون منابع داده های متعددی برای هدایت تصمیم گیری و هدایت موفقیت سازمان وجود دارد. جمع آوری نوع مناسب داده مستلزم آن است که تیم های منابع انسانی دارای مهارت های تحلیلی قوی باشند. تیم‌های منابع انسانی با کارایی بالا می‌دانند که وظیفه آن‌ها استفاده از داده‌ها به‌عنوان «علم تصمیم‌گیری» با شناسایی معیارها و منابع داده‌ای است که بینش‌های سازمانی را ارائه می‌دهند. برای انجام این کار، منابع انسانی باید اطمینان حاصل کند که معیارها و معیارها به طور موثر برای دستیابی به اهداف استراتژیک استفاده می شوند. این دوره بر شناسایی منابع داده موثر، توسعه معیارهای معنادار، طراحی اقدامات بلندمدت و به کارگیری نتایج در حمایت از استراتژی و تاکتیک های سازمانی تمرکز دارد.

coursera تجزیه و تحلیل موجودی (Mitalearn-289099)

  • 1 hours 28 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Yao Zhao
درباره این دوره:

تجزیه و تحلیل موجودی سنگ بنای تجزیه و تحلیل زنجیره تامین است. یک شرکت در صنایع بازرگانی ممکن است 30 تا 50 درصد از دارایی های خود را در موجودی انبار کند. یک مدیریت مؤثر موجودی می‌تواند درآمد را با افزایش تنوع و در دسترس بودن محصول بهبود بخشد و با کاهش موجودی و ضایعات بیش از حد، هزینه را کاهش دهد و چرخه نقدی را تسریع بخشد. از طریق مثال‌های واقعی (مانند فروشگاه‌های میسی در مقابل راس)، ابزارها و مهارت‌های عملی برای کشف و حل مشکلات موجودی با تجزیه و تحلیل داده‌ها را خواهید آموخت. پس از تکمیل، می توانید به سوالات زیر پاسخ دهید: 1. موجودی کالا برای کدام صنایع مهم و مرتبط است؟ 2. چگونه موجودی ممکن است عملکرد مالی یک شرکت را هدایت کند؟ 3. چگونه بفهمم که مشکل موجودی دارم؟ 4. چگونه می توان موجودی را طبقه بندی کرد و بر اساس آن مدیریت کرد؟ توجه: این دوره برای مبتدیان و متخصصان است و بنابراین به جای مدل های ریاضی کنترل موجودی که می توانید در بسیاری از دوره های دیگر بیابید، تجزیه و تحلیل های عملی مبتنی بر داده ها را برای مدیریت موجودی تجاری، از جمله معیارهای موجودی، تشخیص مشکل موجودی، تأثیر مالی موجودی، و تکنیک های عملی مدیریت موجودی ارائه می دهد.

coursera تجزیه و تحلیل موردی کسب و کار (Mitalearn-373861)

  • 5 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Kin Tang,Delian Gaskell,Sean McMinn
درباره این دوره:

پروژه Capstone نقطه اوج سفر شما از طریق تخصص انگلیسی تجاری برای افراد غیر بومی است. هدف آن به کارگیری مهارت های نوشتاری و گفتاری است که در یک موقعیت تجاری معتبر به دست آورده اید. شما می توانید یک مورد تجاری ارائه شده توسط HKUST را انتخاب کنید یا از نمونه ای از تجربه کاری خود استفاده کنید و: (1) یک ارائه ویدیویی آنلاین (تقریباً ½ ساعت) تهیه کنید که مورد را تجزیه و تحلیل می کند و توصیه هایی را ارائه می دهد، و (2) یک گزارش توصیه تجاری را مطابق با ارائه تهیه کنید (تقریباً 2000 کلمه). گزارش باید شامل یک خلاصه اجرایی، تجزیه و تحلیل مورد و توصیه ها باشد.

coursera تجزیه و تحلیل نظرسنجی برای به دست آوردن بینش بازاریابی (Mitalearn-300693)

  • 1 hours 53 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: David Schweidel
درباره این دوره:

مصرف کنندگان برند شما را نسبت به رقبای شما چگونه می بینند؟ یک محصول جدید در زمان عرضه چگونه باید در جایگاه قرار گیرد؟ کدام بخش مشتریان بیشتر به پیشنهادات فعلی ما علاقه مند هستند؟ برای این سؤالات و بسیاری دیگر، نظرسنجی ها روش آزمایش شده و واقعی برای به دست آوردن بینش بازاریابی هستند. از نظرسنجی‌های یکباره رضایت مشتری گرفته تا نظرسنجی‌های ردیابی برند که به صورت مستمر انجام می‌شوند، اطلاعاتی را ارائه می‌دهند که بازاریابان برای درک اینکه چگونه محصولات، خدمات و برندهایشان توسط مصرف‌کنندگان دیده می‌شود، به آنها نیاز دارند. در روش‌های تحلیلی برای داده‌های نظرسنجی، یادگیرندگان با روش‌های آماری تثبیت‌شده برای تبدیل پاسخ‌های نظرسنجی به بینش‌هایی که می‌توانند از تصمیمات بازاریابی حمایت کنند، آشنا می‌شوند. تکنیک های مورد بحث شامل تجزیه و تحلیل عاملی، تجزیه و تحلیل خوشه ای، تجزیه و تحلیل متمایز و مقیاس بندی چند بعدی است. این تکنیک‌ها در چارچوب STP (بخش‌بندی، موقعیت‌یابی، هدف‌گذاری) ارائه شده‌اند و به یادگیرندگان این امکان را می‌دهند تا از تکنیک‌های تحلیلی برای توسعه استراتژی بازاریابی استفاده کنند. توصیه می شود قبل از گذراندن این دوره دوره آموزشی Meaningful Marketing Insights ارائه شده توسط Coursera را تکمیل کنید. توجه: این دوره نیاز به استفاده از XL Stat دارد، یک افزونه اکسل که دانش‌آموزان باید آن را خریداری کنند. XL Stat یک آزمایش رایگان 30 روزه ارائه می دهد، بنابراین دانش آموزان می توانند این دوره را بدون پرداخت هزینه اضافی تکمیل کنند.

Related Skills

coursera تجزیه و تحلیل نمودار برای داده های بزرگ (Mitalearn-334642)

  • 4 hours
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Amarnath Gupta
درباره این دوره:

آیا می خواهید ساختار شبکه داده خود و نحوه تغییر آن در شرایط مختلف را درک کنید؟ کنجکاو هستید که بدانید چگونه می توان خوشه های تعامل نزدیک در یک نمودار را شناسایی کرد؟ آیا در مورد منطقه به سرعت در حال رشد تجزیه و تحلیل گراف شنیده اید و می خواهید بیشتر بدانید؟ این دوره به شما یک نمای کلی از حوزه تجزیه و تحلیل گراف ارائه می دهد تا بتوانید روش های جدیدی برای مدل سازی، ذخیره سازی، بازیابی و تجزیه و تحلیل داده های ساختار یافته نمودار بیاموزید. پس از اتمام این دوره، شما قادر خواهید بود یک مسئله را در پایگاه داده گراف مدل کنید و کارهای تحلیلی را بر روی نمودار به صورت مقیاس پذیر انجام دهید. بهتر از آن، شما قادر خواهید بود از این تکنیک ها برای درک اهمیت مجموعه داده های خود برای پروژه های خود استفاده کنید.

coursera تجزیه و تحلیل هوشمند، یادگیری ماشین و هوش مصنوعی در Google Cloud (Mitalearn-322368)

  • 1 hours 12 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

گنجاندن یادگیری ماشین در خطوط لوله داده، توانایی استخراج بینش از داده ها را افزایش می دهد. این دوره روش‌هایی را که می‌توان یادگیری ماشین را در خطوط لوله داده در Google Cloud گنجاند، پوشش می‌دهد. برای سفارشی سازی اندک یا بدون سفارشی سازی، این دوره AutoML را پوشش می دهد. برای قابلیت‌های یادگیری ماشینی مناسب‌تر، این دوره نوت‌بوک‌ها و یادگیری ماشینی BigQuery (BigQuery ML) را معرفی می‌کند. همچنین، این دوره نحوه تولید راه حل های یادگیری ماشین را با استفاده از Vertex AI پوشش می دهد.

coursera تجزیه و تحلیل و تجسم داده ها به روش Google Way (Mitalearn-320872)

  • 37 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

این تجربه یادگیری شما را در فرآیند استفاده از منابع داده های مختلف و چندین محصول Google Cloud (از جمله BigQuery و Google Sheets با استفاده از صفحات متصل) برای تجزیه و تحلیل، تجسم و تفسیر داده ها برای پاسخ به سؤالات خاص و به اشتراک گذاشتن بینش با تصمیم گیرندگان کلیدی راهنمایی می کند.

coursera تجزیه و تحلیل و تجسم داده ها در Looker (Mitalearn-326686)

  • 1 hours 58 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

در این دوره آموزشی، نحوه کاوش و تجزیه و تحلیل داده ها را در Looker که قبلاً عمدتاً توسط توسعه دهندگان یا تحلیلگران SQL انجام می شد، یاد می گیرید. پس از اتمام این دوره، شما قادر خواهید بود از پلتفرم تحلیلی مدرن Looker برای یافتن و کاوش محتوای مرتبط در نمونه Looker سازمان خود استفاده کنید، از داده های خود سؤال بپرسید، در صورت نیاز معیارهای جدیدی ایجاد کنید، و تجسم ها و داشبوردهایی را برای تسهیل داده ها بسازید و به اشتراک بگذارید. -تصمیم گیری محوری

coursera تجزیه و تحلیل و تفسیر داده ها (Mitalearn-291479)

  • 1 hours 4 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Athanasia Lampraki,Evangelia Katsikea
درباره این دوره:

این دوره بر تجزیه و تحلیل و تفسیر داده ها تمرکز دارد. تمرکز بر تهیه و توصیف داده ها و تجزیه و تحلیل کمی و کیفی داده ها خواهد بود. این دوره با بحث در مورد آماده سازی داده ها، سازگاری درونی مقیاس، تجزیه و تحلیل داده های مناسب و همبستگی پیرسون شروع می شود. ما به آماری خواهیم پرداخت که می تواند برای بررسی روابط مورد استفاده قرار گیرد و در مورد آمار برای بررسی روابط با تمرکز بر رگرسیون چندگانه بحث خواهیم کرد. این دوره با تمرکز بر رگرسیون لجستیک، تحلیل عاملی اکتشافی و نتیجه تحلیل عاملی ادامه می یابد. ما قصد داریم نحوه انجام آزمایش و مطالعه مشاهده ای و همچنین تجزیه و تحلیل محتوا و استفاده از تجزیه و تحلیل دیجیتال در تحقیقات بازار را بررسی کنیم. این دوره با در نظر گرفتن تجزیه و تحلیل دیجیتال، با تاکید بر تجزیه و تحلیل برند دیجیتال، تجزیه و تحلیل مخاطب، تجزیه و تحلیل اکوسیستم دیجیتال، بازگشت سرمایه (ROI) و نقش تجزیه و تحلیل دیجیتال در تحقیقات بازار به پایان می رسد.

Related Skills

coursera تجزیه و تحلیل، قانون، و نمایندگی ورزشکاران (Mitalearn-282996)

  • 4 hours 58 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Bruce Pitman,Helen Drew,Gerry Meehan
درباره این دوره:

در این دوره، ما در مورد تأثیر متقابل قانون، تجزیه و تحلیل داده ها و نمایندگی ورزشکاران با استفاده از مسیر مسیر شغلی ورزشکار به عنوان تمرکز بحث خواهیم کرد. هدف معرفی ابزارهای تحلیلی داده ها، قوانین و مقررات قابل اجرا برای نمایندگی ورزشکاران در طول مراحل مختلف حرفه یک ورزشکار است. تمرکز اصلی بر توسعه و نمایندگی ورزشکاران در چارچوب‌های نظارتی قوانین فدرال و ایالتی و سایر مقامات مربوطه، از جمله اتحادیه‌های ورزشی حرفه‌ای است.

coursera تجزیه و تحلیل، نظارت و ارائه کارآزمایی‌های بالینی (Mitalearn-337923)

  • 4 hours 1 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Janet Holbrook, PhD, MPH,Elizabeth A. Sugar, PhD,David M. Shade, JD
درباره این دوره:

در این دوره، مهارت های عملیاتی پیشرفته تری را که شما و تیمتان برای اجرای یک کارآزمایی بالینی موفق نیاز دارید، یاد خواهید گرفت. شما در مورد محاسبه اندازه نمونه و نحوه ایجاد یک محاسبه اندازه نمونه که برای طراحی آزمایشی و معیارهای نتیجه شما مناسب است، یاد خواهید گرفت. همچنین یاد خواهید گرفت که از روش‌های آماری برای نظارت بر کارآزمایی خود از نظر ایمنی، یکپارچگی و اثربخشی استفاده کنید. در مرحله بعد، یاد خواهید گرفت که چگونه نتایج کارآزمایی های بالینی خود را از طریق مقالات مجلات و گزارش های نظارت بر داده ها گزارش دهید. در نهایت، نقش تحلیلگر را در طول فرآیند آزمایشی، به علاوه چند موضوع اضافی مانند شبیه‌سازی و طرح‌های تطبیقی ​​مورد بحث قرار خواهیم داد.

coursera تجسم اطلاعات: ادراک کاربردی (Mitalearn-329185)

  • 6 hours 16 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Enrico Bertini
درباره این دوره:

هدف این ماژول معرفی مفاهیم اساسی ادراک بصری به کار رفته در تجسم اطلاعات است. این مفاهیم به دانش‌آموز کمک می‌کند تا طرح‌های تجسم را از نظر اینکه چقدر از قابلیت‌های ماشین ادراکی انسان استفاده می‌کنند، ایده‌پردازی و ارزیابی کند.

Suggestions