Course catalog

Course duration

Course provider

Topic

Categories

Showing 21-40 of 245 items.

coursera آمار جهانی - شاخص های ترکیبی برای مقایسه های بین المللی (Mitalearn-330732)

  • 7 hours 42 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Stefan Andreas Sperlich,Juan Manuel Rodriguez Poo (in Partnership with UNIGE)
درباره این دوره:

تعداد شاخص های ترکیبی که در سطح بین المللی ساخته و مورد استفاده قرار می گیرند بسیار سریع در حال رشد است. اما در حالی که پیچیدگی تکنیک های کمی به طور چشمگیری افزایش یافته است، آموزش و پرورش در این زمینه طولانی و عقب مانده است. در نتیجه، این اعداد ساده، که انتظار می رود موضوعات کاملاً پیچیده را ترکیب کنند، اغلب به مردم ارائه می شوند و در بحث های سیاسی بدون تأکید مناسب بر محدودیت های ذاتی و تفسیرهای صحیح آنها استفاده می شوند. در این دوره در مورد آمار جهانی که توسط دانشگاه ژنو به طور مشترک با ETH Zürich KOF ارائه شده است، شما با رویکرد کلی ساخت شاخص های ترکیبی و برخی از مشکلات ناشی از آن آشنا خواهید شد. ما در مورد ویژگی های فنی، ساختار داخلی (مانند تجمع، وزن، پایداری سری های زمانی)، داده های اولیه استفاده شده و روش های انتخاب متغیر بحث خواهیم کرد. این مفاهیم با استفاده از نمونه‌ای از محبوب‌ترین شاخص‌های ترکیبی نشان داده می‌شوند. ما سعی خواهیم کرد نه تنها به سوالات آماری بپردازیم، بلکه بر تمایز بین شاخص های سیاست محور، رسانه و پارادایم محور نیز تمرکز کنیم.

coursera آمار کسب و کار و تجزیه و تحلیل Capstone (Mitalearn-213262)

  • 1 hours 7 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Sharad Borle
درباره این دوره:

آمار کسب و کار و تجزیه و تحلیل Capstone فرصتی برای اعمال مهارت های مختلف توسعه یافته در چهار دوره تخصصی در داده های زندگی واقعی است. Capstone با همکاری یک شریک صنعتی از «داده‌های مسکن» در دسترس عموم استفاده می‌کند تا سؤالات مختلفی را که معمولاً مشتری برای یک تحلیلگر داده مطرح می‌کند، مطرح کند. وظیفه شما این است که تجزیه و تحلیل آماری مربوطه را انجام دهید و یافته های خود را در پاسخ به سؤالات به گونه ای گزارش کنید که همه بتوانند آن را درک کنند. لطفاً به یاد داشته باشید که این یک Capstone است و درجه سختی/ابهام بیشتری نسبت به چهار دوره قبلی دارد. هدف این است که تا حد امکان از یک برنامه زندگی واقعی تقلید کنید.

coursera ابزارهای تجزیه و تحلیل داده ها (Mitalearn-335645)

  • 3 hours 14 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jen Rose,Lisa Dierker
درباره این دوره:

در این دوره، فرضیه هایی در مورد داده های خود ایجاد و آزمایش خواهید کرد. شما انواع تست های آماری و همچنین استراتژی هایی را یاد خواهید گرفت تا بدانید که چگونه می توانید آزمون مناسب را برای داده ها و سؤالات خاص خود اعمال کنید. با استفاده از دو بسته نرم افزاری آماری قدرتمند (SAS یا Python) که انتخاب کرده اید، تجزیه و تحلیل همبستگی ANOVA، Chi-Square و Pearson را بررسی خواهید کرد. این دوره شما را از طریق اصول اولیه آماری راهنمایی می کند تا ابزارهایی برای پاسخ به سوالاتی که ایجاد کرده اید در اختیار شما قرار دهد. در طول دوره، پیشرفت خود را با دیگران به اشتراک می گذارید تا بازخورد ارزشمندی کسب کنید و بینش دیگری را در مورد کارشان به یادگیرندگان ارائه دهید.

coursera ابزارهای خط فرمان برای علم داده های ژنومی (Mitalearn-335322)

  • 6 hours 1 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Liliana Florea, PhD
درباره این دوره:

دستوراتی را که برای مدیریت و تجزیه و تحلیل دایرکتوری ها، فایل ها و مجموعه های بزرگی از داده های ژنومی نیاز دارید، معرفی می کند. این چهارمین دوره در رشته تخصصی علم داده های بزرگ ژنومی از دانشگاه جان هاپکینز است.

coursera اخلاق علم داده (Mitalearn-326771)

  • 5 hours 32 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: H.V. Jagadish
درباره این دوره:

ملاحظات اخلاقی در مورد حفظ حریم خصوصی و کنترل اطلاعات مصرف کننده و کلان داده ها، به ویژه پس از نقض اخیر داده ها در مقیاس بزرگ چیست؟ این دوره چارچوبی برای تجزیه و تحلیل این نگرانی ها فراهم می کند، زیرا شما پیامدهای اخلاقی و حریم خصوصی جمع آوری و مدیریت کلان داده ها را بررسی می کنید. تأثیر گسترده‌تر حوزه علم داده بر جامعه مدرن و اصول انصاف، مسئولیت‌پذیری و شفافیت را بررسی کنید تا به درک عمیق‌تری از اهمیت مجموعه‌ای از ارزش‌های اخلاقی مشترک دست پیدا کنید. شما نیاز به افشای داوطلبانه را در هنگام استفاده از ابرداده برای اطلاع از الگوریتم‌های پایه و/یا سیستم‌های هوش مصنوعی پیچیده بررسی خواهید کرد و در عین حال بهترین شیوه‌ها را برای مدیریت مسئولانه داده، درک اهمیت قانون اصول شیوه‌های اطلاعات منصفانه و قوانین مربوط به «حق فراموش شود." این دوره به شما کمک می‌کند به سوالاتی مانند اینکه چه کسی مالک داده‌ها است، چگونه برای حفظ حریم خصوصی ارزش قائل هستیم، چگونه رضایت آگاهانه دریافت کنیم و منصف بودن به چه معناست پاسخ دهید. دانشمندان داده و هر کسی که شروع به استفاده یا گسترش استفاده از داده ها می کند از این دوره بهره مند خواهند شد. هیچ دانش قبلی خاصی لازم نیست.

coursera اخلاق هوش مصنوعی در عمل (Mitalearn-333792)

  • 4 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Brent Summers
درباره این دوره:

تحقیقات اخلاق هوش مصنوعی یک زمینه نوظهور است و برای اثبات مهارت های خود، باید تفکر انتقادی و توانایی تحلیلی خود را نشان دهیم. از آنجایی که معقول نیست که با مهارت های تازه تاسیس خود وارد یک مقاله تحقیقاتی کامل شویم، در عوض روی 3 پروژه کار خواهیم کرد که توانایی شما را در تجزیه و تحلیل هوش مصنوعی اخلاقی در موضوعات و موقعیت های مختلف نشان می دهد. این پروژه ها شامل تمام مهارت هایی است که در این تخصص اخلاق هوش مصنوعی آموخته اید.

coursera ادغام داده ها با Microsoft Azure Data Factory (Mitalearn-330783)

  • 1 hours 54 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

در این دوره آموزشی، نحوه ایجاد و مدیریت خطوط لوله داده در فضای ابری با استفاده از Azure Data Factory را خواهید آموخت. این دوره بخشی از یک تخصص در نظر گرفته شده برای مهندسان و توسعه دهندگان داده است که می خواهند تخصص خود را در طراحی و پیاده سازی راه حل های داده ای که از سرویس های داده Microsoft Azure استفاده می کنند نشان دهند. این برای هر کسی که علاقه مند به آماده شدن برای DP-203: مهندسی داده در آزمون Microsoft Azure (بتا) ایده آل است. این سومین دوره از یک برنامه 10 دوره ای است که به شما برای شرکت در آزمون کمک می کند تا بتوانید در طراحی و اجرای راه حل های داده ای که از خدمات داده مایکروسافت آژور استفاده می کنند تخصص داشته باشید. مهندسی داده در آزمون Microsoft Azure فرصتی برای اثبات تخصص دانش در یکپارچه‌سازی، تبدیل و تلفیق داده‌ها از سیستم‌های داده‌های مختلف ساختاریافته و بدون ساختار به ساختارهایی است که برای ساخت راه‌حل‌های تحلیلی که از خدمات داده مایکروسافت آژور استفاده می‌کنند، مناسب هستند. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند. در پایان این تخصص، شما آماده شرکت و ثبت نام در آزمون DP-203: مهندسی داده در Microsoft Azure (بتا) خواهید بود.

coursera ارتباط نتایج علم داده [coursera] (Mitalearn-335594)

  • 3 hours 25 minutes
  • مناسب همه
  • Release date: 27 June 2026
  • Author: Bill Howe
درباره این دوره:

نکته مهم: تکلیف دوم در این دوره، مبحث Graph Analysis در Cloud را پوشش می دهد، که در آن شما از Elastic MapReduce و زبان Pig برای انجام تجزیه و تحلیل نمودار بر روی یک مجموعه داده نسبتاً بزرگ، حدود 600 گیگابایت استفاده خواهید کرد. برای تکمیل این تکلیف، باید از خدمات وب آمازون (AWS) استفاده کنید. آمازون سخاوتمندانه پیشنهاد داده است تا حداکثر 50 دلار اعتبار AWS رایگان به هر زبان آموز در این دوره ارائه دهد تا به شما امکان تکمیل تکلیف را بدهد. جزئیات بیشتر در مورد روند دریافت این اعتبار در پیام خوش آمدگویی دوره و همچنین در خود تکلیف موجود است. لطفاً توجه داشته باشید که آمازون، دانشگاه واشنگتن و کورسرا در صورت اتمام اعتبار خود نمی توانند هیچ هزینه ای را به شما بازپرداخت کنند. در حالی که ما معتقدیم که این تکلیف به یک تجربه یادگیری عالی در این دوره کمک می کند، می دانیم که برخی از یادگیرندگان ممکن است نتوانند یا تمایلی به استفاده از AWS نداشته باشند. ما نمی‌توانیم برای فراگیرانی که تکالیفی را که نیاز به استفاده از AWS دارند، گواهینامه صادر کنیم. به این ترتیب، اگر نمی‌توانید یا نمی‌خواهید از AWS استفاده کنید، نباید برای گواهینامه دوره در ارتباط با نتایج داده پرداخت کنید، زیرا بدون انجام این کار نمی‌توانید دوره را با موفقیت به پایان برسانید. پیش بینی کافی نیست! دانشمندان داده موثر می دانند که چگونه نتایج خود را توضیح و تفسیر کنند و یافته ها را به طور دقیق به ذینفعان برای اطلاع از تصمیمات تجاری منتقل کنند. تجسم حوزه تحقیقاتی در علوم کامپیوتر است که ارتباط موثر نتایج کمی را با پیوند دادن ادراک، شناخت و الگوریتم‌ها برای بهره‌برداری از پهنای باند عظیم قشر بینایی انسان مطالعه می‌کند. در این دوره شما یاد خواهید گرفت که تجسم های موثر را بشناسید، طراحی کنید و از آنها استفاده کنید. فقط به این دلیل که می‌توانید پیش‌بینی کنید و دیگران را متقاعد کنید که بر اساس آن عمل کنند، به این معنی نیست که باید این کار را انجام دهید. در این دوره، ملاحظات اخلاقی در مورد کلان داده ها و اینکه چگونه این ملاحظات شروع به تأثیرگذاری بر سیاست و عملکرد می کنند را بررسی خواهید کرد. شما با محدودیت های اساسی استفاده از فناوری برای محافظت از حریم خصوصی و کدهای رفتاری که برای هدایت رفتار دانشمندان داده در حال ظهور هستند، آشنا خواهید شد. همچنین با اهمیت تکرارپذیری در علم داده و اینکه چگونه ابر تجاری می‌تواند به پشتیبانی از تحقیقات تکرارپذیر حتی برای آزمایش‌هایی که شامل مجموعه داده‌های عظیم، زیرساخت‌های محاسباتی پیچیده یا هر دو هستند، کمک کند، خواهید آموخت. اهداف آموزشی: پس از اتمام این دوره، شما قادر خواهید بود: 1. تجسم ها را طراحی و نقد کنید 2. پیشرفت های روز را در حریم خصوصی، اخلاقیات، حاکمیت پیرامون کلان داده و علم داده توضیح دهید. 3. از محاسبات ابری برای تجزیه و تحلیل مجموعه داده های بزرگ به روشی قابل تکرار استفاده کنید.

coursera ارزیابی برای تحلیل داده ها و مبانی تجسم (Mitalearn-328284)

  • مبتدی
  • Release date: 27 June 2026
  • Author: IBM Skills Network Team
درباره این دوره:

این دوره آخرین مرحله در تخصص مبانی تحلیل داده و تجسم است. این شامل یک امتحان نهایی درجه بندی شده است که محتوای سه دوره را پوشش می دهد: مقدمه ای بر تجزیه و تحلیل داده ها، مبانی اکسل برای تجزیه و تحلیل داده ها، و تجسم داده ها و داشبورد با اکسل و Cognos. از دوره مقدماتی تجزیه و تحلیل داده ها، درک شما در مورد موضوعاتی مانند اکوسیستم داده و مبانی تجزیه و تحلیل داده ها، پوشش ابزارهای جمع آوری داده و داده کاوی ارزیابی می شود. با رفتن به دوره مبانی اکسل برای تجزیه و تحلیل داده ها، انتظار سوالاتی با تمرکز بر استفاده از صفحات گسترده اکسل در تجزیه و تحلیل داده ها، مهارت در پاکسازی و جدال داده ها، و مهارت در کار با جداول محوری داشته باشید. در نهایت، از دوره تجسم داده ها و داشبوردها با اکسل و Cognos، دانش خود را از مبانی IBM Cognos و توانایی خود در استفاده از اکسل برای تجسم موثر داده ها نشان خواهید داد.

coursera استخراج مقدار از داده های تاریک: ULEADD (Mitalearn-329967)

  • 3 hours 21 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Curtis Thompson
درباره این دوره:

این دوره به شما دانش کار در مورد رویکرد ULEADD برای استخراج ارزش از داده ها را ارائه می دهد. ULEADD - مخفف Understand, Learn, Evaluate, Assess, Define, Design - چارچوبی برای کشف است که ساختاری برای شناسایی و استخراج ارزش از داده هایی که معمولاً از دید پنهان هستند ارائه می دهد. اگرچه این دوره بر استفاده از ULEADD با داده های تاریک تمرکز دارد، احتمالاً متوجه خواهید شد که این رویکرد در بسیاری از سناریوهای پروژه و داده مفید است.

coursera استخراج، تبدیل و بارگذاری داده ها (Mitalearn-333877)

  • 2 hours 26 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Stacey McBrine,Sarah Haq
درباره این دوره:

این دوره برای کسب و کار و متخصصان داده طراحی شده است که به دنبال یادگیری اولین مرحله فنی فرآیند علم داده به نام Extract, Transform and Load یا ETL هستند. به یادگیرندگان نحوه جمع‌آوری داده‌ها از منابع متعدد آموزش داده می‌شود تا در دسترس باشد تا تبدیل و تمیز شود و سپس در مجموعه داده‌های جمع‌آوری‌شده برای آماده‌سازی و تمیز کردن داده‌ها فرو می‌روند تا بعداً بتوانند در مقصد نهایی بارگذاری شوند. در پایان دوره، فراگیران داده‌ها را در مقصد نهایی بارگذاری می‌کنند تا بتوان آن‌ها را تحلیل و مدل‌سازی کرد. دانشجوی معمولی در این دوره تجربه کار با داده ها و استعداد با برنامه نویسی کامپیوتر را خواهد داشت.

coursera استراتژی های طراحی برای به حداکثر رساندن کیفیت کل داده ها (Mitalearn-329916)

  • 4 hours 56 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Brady T. West,James Wagner,Jinseok Kim
درباره این دوره:

در پایان این دوره سوم در تخصص کیفیت داده کل، فراگیران قادر خواهند بود: 1. در مورد ابزارها و تکنیک های طراحی برای به حداکثر رساندن TDQ در تمام مراحل چارچوب TDQ در طول یک جمع آوری داده یا فرآیند جمع آوری داده ها بیاموزید. 2. جنبه‌هایی از فرآیند تولید یا جمع‌آوری داده را که بر TDQ تأثیر می‌گذارد، شناسایی کنید و بتوانید ارزیابی کنید که آیا و چگونه می‌توان چنین جنبه‌هایی را اندازه‌گیری کرد. 3. استراتژی‌های حداکثرسازی TDQ را که می‌توان هنگام جمع‌آوری داده‌های طراحی شده و یافت شده/ارگانیک به کار برد، درک کنید. 4. ایجاد راه حل برای مشکلات طراحی فرضی که در طول فرآیند جمع آوری داده ها یا جمع آوری و پردازش داده ها ایجاد می شود. این تخصص به طور کلی با هدف بررسی عمیق چارچوب کیفیت کل داده ها و ارائه اطلاعات بیشتر در مورد ارزیابی دقیق کیفیت کل داده ها که باید قبل از تجزیه و تحلیل داده ها اتفاق بیفتد، در اختیار یادگیرندگان قرار می دهد. هدف این است که یادگیرندگان ارزیابی های کیفیت داده ها را به عنوان یک جزء حیاتی برای همه پروژه ها در فرآیند خود بگنجانند. ما صمیمانه امیدواریم که دانش در مورد کیفیت کل داده ها را به همه فراگیران، مانند دانشمندان داده و تحلیلگران کمی، که در مراحل اولیه فرآیند علم داده که بر جمع آوری داده ها و ارزیابی کیفیت داده ها تمرکز دارد، آموزش کافی ندیده اند، منتشر کنیم. ما احساس می‌کنیم که اگر داده‌های جمع‌آوری‌شده/جمع‌آوری‌شده از کیفیت کافی برخوردار نباشند، دانش گسترده از تکنیک‌های علم داده و روش‌های تجزیه و تحلیل آماری به یک مطالعه تحقیقاتی کمی کمک نمی‌کند. این تخصص بر اولین گام‌های اساسی در هر نوع تحقیق علمی با استفاده از داده‌ها تمرکز می‌کند: تولید یا جمع‌آوری داده‌ها، درک اینکه داده‌ها از کجا آمده‌اند، ارزیابی کیفیت داده‌ها، و اقداماتی برای به حداکثر رساندن کیفیت داده‌ها قبل از انجام هر نوع تحلیل آماری یا به کارگیری تکنیک های علم داده برای پاسخ به سؤالات تحقیق. با توجه به این تمرکز، مطالب کمی در مورد تجزیه و تحلیل داده ها وجود خواهد داشت، که در بی شمار تخصص های موجود Coursera پوشش داده شده است. تمرکز اصلی این تخصص بر درک و به حداکثر رساندن کیفیت داده ها قبل از تجزیه و تحلیل خواهد بود.

coursera استفاده از داده های بدون ساختار با Cloud Dataproc در Google Cloud em Português Brasileiro (Mitalearn-334370)

  • 2 hours 44 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

این برنامه آموزشی فشرده از یک پایه اولیه استفاده می‌کند و به طور خاص مهندسی داده در پلتفرم Google Cloud را بررسی می‌کند. از طریق ویدیوها، نمایش‌های آزمایشگاهی و آزمایش‌های حرفه‌ای، صداگذاری خوشه‌های جمع‌آوری و جستجو برای کارهای اجرایی Hadoop، Spark، Pig e/ou Hive no Google Cloud Platform. محاسبات و یکپارچه‌سازی سیستم‌های یادگیری ماشینی Google Aos Recursivos Programas de Análise. Nos laboratórios práticos، você criará e gerenciará os clusters انجام Dataproc usando o console da Web و CLI و usará o cluster برای کارهای اجرایی Spark e Pig. Depois você criará notebooks iPython que são integrados ao BigQuery و ao armazenamento و utilizará o Spark. برای این منظور، به عنوان APIهای یادگیری ماشینی یکپارچه شده و به تجزیه و تحلیل داده ها پرداخته می شود. پیش نیازها • پایه‌های اصلی یادگیری ماشینی و داده‌های بزرگ در پلتفرم Google Cloud (و تجربیات مشابه) • Algum conhecimento de Python

coursera اصول fMRI 1 (Mitalearn-328709)

  • 5 hours 51 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Martin Lindquist, PhD, MSc,Tor Wager, PhD
درباره این دوره:

تصویربرداری تشدید مغناطیسی عملکردی (fMRI) پرکاربردترین تکنیک برای بررسی مغز زنده و کارآمد انسان در حین انجام وظایف و تجربه حالات ذهنی است. این یک نقطه همگرایی برای کار چند رشته ای از بسیاری از رشته ها است. روانشناسان، آماردانان، فیزیکدانان، دانشمندان کامپیوتر، دانشمندان علوم اعصاب، محققان پزشکی، دانشمندان علوم رفتاری، مهندسان، محققان بهداشت عمومی، زیست شناسان و دیگران گرد هم می آیند تا درک ما از ذهن و مغز انسان را ارتقا دهند. این دوره طراحی، اکتساب و تجزیه و تحلیل داده های تصویربرداری تشدید مغناطیسی کاربردی (fMRI) از جمله استنتاج روانشناختی، فیزیک MR، K Space، طراحی تجربی، پیش پردازش داده های fMRI و همچنین مدل های خطی تعمیم یافته (GLM) را پوشش می دهد. کتاب مربوط به کلاس را می توانید در اینجا پیدا کنید: https://leanpub.com/principlesoffmri.

coursera اصول fMRI 2 (Mitalearn-335475)

  • 6 hours 29 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Martin Lindquist, PhD, MSc,Tor Wager, PhD
درباره این دوره:

تصویربرداری تشدید مغناطیسی عملکردی (fMRI) پرکاربردترین تکنیک برای بررسی مغز زنده و کارآمد انسان در حین انجام وظایف و تجربه حالات ذهنی است. این یک نقطه همگرایی برای کار چند رشته ای از بسیاری از رشته ها است. روانشناسان، آماردانان، فیزیکدانان، دانشمندان کامپیوتر، دانشمندان علوم اعصاب، محققان پزشکی، دانشمندان علوم رفتاری، مهندسان، محققان بهداشت عمومی، زیست شناسان و دیگران گرد هم می آیند تا درک ما از ذهن و مغز انسان را ارتقا دهند. این دوره تجزیه و تحلیل داده های تصویربرداری تشدید مغناطیسی کاربردی (fMRI) را پوشش می دهد. این ادامه دوره "اصول fMRI، قسمت 1" است.

coursera اصول سرمایه گذاری داده محور (Mitalearn-329729)

  • 3 hours 50 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Youngju Nielsen
درباره این دوره:

در این دوره، مدرس به بررسی تحلیل بنیادی سرمایه گذاری با استفاده از برنامه نویسی R می پردازد. این دوره مباحث تجزیه و تحلیل سرمایه گذاری را پوشش می دهد، اما در عین حال، شما را وادار می کند آن را با استفاده از برنامه نویسی R تمرین کنید. تمرکز این دوره آموزش دادن به شما برای انجام تجزیه و تحلیل عنصری برای مدیریت سرمایه گذاری است که ممکن است لازم باشد هر روز در شغل خود انجام دهید. علاوه بر این، یادداشت مطالعه برای انجام با استفاده از برنامه نویسی پایتون ارائه خواهد شد. این دوره با این فرض طراحی شده است که اکثر دانشجویان در حال حاضر کمی دانش در اقتصاد مالی دارند. انتظار می رود دانش آموزان در مورد سهام و اوراق قرضه و ترازنامه، سود و غیره شنیده باشند و سطح آمار مقدماتی مانند میانگین، میانه، توزیع، رگرسیون و غیره را بدانند. مدرس جزئیات برنامه نویسی R را برای مبتدیان توضیح خواهد داد. این یک دوره عالی برای شما برای بهبود مهارت های برنامه نویسی خواهد بود. اگر در برنامه نویسی R بسیار خوب هستید، فرصتی عالی برای تمرین مجدد با مثال های مالی و سرمایه گذاری در اختیار شما قرار می دهد. پروفسور Youngju Nielsen این دوره را با دستیاران Keonwoo Lim و Jeeun Yuen ایجاد می کند. ================================================== ========================================= توصیه های دوره Coursera قبل از این دوره برای کسانی که با برنامه نویسی پایه R آشنا نیستند: <شروع به کار با R> https://www.coursera.org/projects/getting-started-with-r <مقدمه ای بر تجزیه و تحلیل کسب و کار با R> https://www.coursera.org/learn/business-analytics-r <آمار با پایتون > https://www.coursera.org/specializations/statistics-with-python

coursera اعمال حساب دیفرانسیل و انتگرال با پایتون (Mitalearn-330919)

  • 9 hours 34 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Joseph W. Cutrone, PhD
درباره این دوره:

این دوره برای برنامه نویس پایتون طراحی شده است که می خواهد پایه های حساب دیفرانسیل و انتگرال را برای کمک به حل مسائل چالش برانگیز توسعه دهد و همچنین دانش آموز ریاضیاتی که به دنبال یادگیری تئوری و تکنیک های عددی حساب کاربری کاربردی در پایتون است. در پایان این دوره، شما یاد خواهید گرفت که چگونه از مفاهیم اساسی حساب دیفرانسیل و انتگرال برای توسعه برنامه های کاربردی پایتون قوی استفاده کنید که انواع چالش های دنیای واقعی را حل می کند. سخنرانی‌های ویدیویی، خواندن، نمونه‌های کار شده، ارزیابی‌ها و کدهای پایتون همگی در این دوره ارائه می‌شوند. اینها برای نشان دادن تکنیک‌های حل معادلات، کار با توابع، و محاسبه و اعمال مشتقات و انتگرال‌ها استفاده می‌شوند. اگر علاقه مند به شروع توسعه مفاهیم در زمینه هایی مانند ریاضی کاربردی، علوم داده، امنیت سایبری یا هوش مصنوعی هستید یا فقط به تجدید حساب یا کدنویسی در پایتون نیاز دارید، این دوره برای شما مناسب است.

coursera اکتساب داده، ریسک و تخمین (Mitalearn-331854)

  • 4 hours 1 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Wendy Martin
درباره این دوره:

متخصصان مهندسی و تجارت اغلب به بسیاری از منابع داده دسترسی دارند. بهترین راه برای اطمینان از معتبر و قابل اعتماد بودن داده های شما این است که از قبل برای آن برنامه ریزی کنید. از طریق این کلاس، شما قادر خواهید بود برای تولید داده های دقیق و دقیق برنامه ریزی کنید، سپس از آن داده ها برای برآورد و کاهش ریسک مربوط به سرمایه گذاری های سرمایه ای استفاده کنید. این تخصص را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد مهندسی CU Boulder در مدیریت مهندسی (ME-EM) ارائه شده در پلت فرم Coursera در نظر گرفت. ME-EM برای کمک به مهندسان، دانشمندان و متخصصان فنی طراحی شده است تا به سمت نقش های رهبری و مدیریت در بخش های مهندسی و فنی حرکت کنند. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، ME-EM برای افرادی با طیف گسترده ای از تحصیلات کارشناسی و/یا تجربه حرفه ای ایده آل است. درباره برنامه ME-EM در https://www.coursera.org/degrees/me-engineering-management-boulder اطلاعات بیشتری کسب کنید.

coursera اکوسیستم داده (Mitalearn-328845)

  • 9 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Tableau Learning Partner Instructor
درباره این دوره:

دوره اکوسیستم داده به شما درک اساسی از کل اکوسیستم داده، از جمله مدیریت داده ها را می دهد. به طور خاص، این دوره نشان می دهد که چگونه یک تحلیلگر هوش تجاری می تواند داده ها را سازماندهی، دسترسی و استفاده کند. با انواع منابع داده همراه با کاربرد و هدف هر نوع آشنا خواهید شد. علاوه بر این، در مورد اهمیت کیفیت داده ها و حاکمیت داده در رابطه با مدیریت موثر داده ها یاد خواهید گرفت. همچنین در مورد اهداف مدیریت داده ها و اصولی که پایه و اساس معماری داده مدرن را تشکیل می دهند، یاد خواهید گرفت. داشتن درک کامل از اکوسیستم داده برای نقش‌های ابتدایی در تحلیل‌های تجاری مهم است. این دوره برای هرکسی است که کنجکاو در مورد نقش‌های سطح ابتدایی است که به مهارت‌های اساسی جدول نیاز دارند، مانند نقش‌های تحلیلگر هوش تجاری یا نقش‌های تحلیلگر گزارش داده. توصیه می شود (اما نه الزامی) که تجربه ای با Tableau Public داشته باشید، اما حتی اگر در Tableau Public تازه کار هستید، همچنان می توانید در این برنامه موفق باشید. در پایان دوره، شما قادر خواهید بود: -هدف و کاربردهای داده های جدولی، پایگاه های داده، انبارهای داده، دریاچه های داده و ETL ها را شرح دهید. -اهمیت کیفیت داده ها و حاکمیت داده ها را در ارتباط با مدیریت داده ها شرح دهید. -اهداف مدیریت داده را شناسایی کنید. - شناسایی اصولی که شالوده معماری داده مدرن را تشکیل می دهند.

coursera الگوهای قابل تکرار برای تجزیه و تحلیل و انتشار (Mitalearn-327519)

  • 5 hours 42 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Melinda Higgins
درباره این دوره:

این دوره به شما کمک می‌کند تا کارهایی را که همکار قبلی انجام داده‌اید، بازسازی کنید، پروژه‌ای را که مدتی پیش رها کرده‌اید، بازبینی کنید، یا به سادگی یک سند را با فرمت و گردش کار ثابت بازتولید کنید. اطلاعات ناقص در مورد نحوه انجام کار، محل قرارگیری فایل ها و آخرین نسخه کدام است، می تواند عوارض زیادی ایجاد کند. این دوره بر فرآیند ایجاد مستندات مناسب تمرکز دارد و به شما و همکارانتان این امکان را می دهد تا به راحتی اجزای گردش کار خود را بازتولید کنید. در طول این دوره، نمایش های مفیدی از RStudio و زبان R Markdown دریافت خواهید کرد و در فرصت های یادگیری فعال شرکت خواهید کرد تا به شما در ایجاد یک نمونه کار آنلاین حرفه ای کمک کند.

Suggestions