این دوره شامل مراحل مورد استفاده در وزن دهی به نظرسنجی های نمونه، از جمله روش های تنظیم برای عدم پاسخگویی و استفاده از داده های خارج از نظرسنجی برای کالیبراسیون می شود. در میان تکنیک های مورد بحث، تنظیمات با استفاده از تمایلات پاسخ تخمین زده، پس طبقه بندی، رتبه بندی و برآورد رگرسیون عمومی است. تکنیک‌های جایگزین برای برانگیختن مقادیر برای آیتم‌های گمشده مورد بحث قرار خواهند گرفت. هم برای وزن دهی و هم برای محاسبه، قابلیت های بسته های نرم افزاری آماری مختلف شامل R®، Stata® و SAS® پوشش داده خواهد شد.

در این دوره، یاد خواهید گرفت که چگونه Azure Synapse Analytics شما را قادر می‌سازد تا انواع مختلفی از تجزیه و تحلیل‌ها را از طریق اجزای خود انجام دهید که می‌توان از آنها برای ساخت انبارهای داده مدرن تا راه‌حل‌های تحلیلی پیشرفته استفاده کرد. شما خواهید آموخت که چگونه Azure Synapse Analytics مسئله داشتن یک سرویس واحد را برای برآورده کردن طیف گسترده ای از الزامات تجزیه و تحلیلی که امروزه سازمان ها با آن مواجه هستند حل می کند و یک تور از برنامه اصلی مورد استفاده برای تعامل با اجزای مختلف Azure Synapse Analytics را مرور خواهید کرد. شما اجزای مختلف Azure Synapse Analytics را یاد خواهید گرفت که به شما امکان می دهد راه حل های تحلیلی خود را در یک مکان بسازید. این دوره بخشی از یک تخصص در نظر گرفته شده برای مهندسین داده و توسعه دهندگان است که می خواهند تخصص خود را در طراحی و پیاده سازی راه حل های داده ای که از خدمات داده Microsoft Azure استفاده می کنند برای هر کسی که علاقه مند به آماده شدن برای آزمون DP-203: مهندسی داده در Microsoft Azure (بتا) نشان دهد. ). این چهارمین دوره از یک برنامه 10 دوره ای است که به شما کمک می کند تا برای شرکت در آزمون آماده شوید تا بتوانید در طراحی و پیاده سازی 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.

Neurohacking نحوه استفاده از زبان برنامه نویسی R (https://cran.r-project.org/) و بسته مرتبط با آن را برای انجام دستکاری، پردازش و تجزیه و تحلیل داده های تصویربرداری عصبی توضیح می دهد. ما بر روی تصویربرداری تشدید مغناطیسی ساختاری (MRI) در دسترس عموم تمرکز می‌کنیم. ما مفاهیمی مانند تصحیح ناهمگنی، ثبت تصویر و تجسم تصویر را مورد بحث قرار می دهیم. در پایان این دوره، شما قادر خواهید بود: خواندن/نوشتن تصاویر مغز در قالب NIfTI (ابتکار فناوری اطلاعات انفورماتیک عصبی) این تصاویر را تجسم و کشف کنید تصحیح ناهمگنی، استخراج مغز و ثبت تصویر (در یک موضوع و یک الگو) را انجام دهید.

"مقدمه ای بر آمار" استنفورد به شما مفاهیم تفکر آماری را می آموزد که برای یادگیری از داده ها و ارتباط بینش ضروری هستند. در پایان دوره، می‌توانید تجزیه و تحلیل داده‌های اکتشافی را انجام دهید، اصول کلیدی نمونه‌گیری را درک کنید، و آزمون‌های اهمیت مناسب را برای زمینه‌های مختلف انتخاب کنید. شما مهارت های اساسی را به دست خواهید آورد که شما را برای پیگیری موضوعات پیشرفته تر در تفکر آماری و یادگیری ماشین آماده می کند. موضوعات شامل آمار توصیفی، نمونه‌گیری و آزمایش‌های کنترل شده تصادفی، احتمال، توزیع‌های نمونه‌گیری و قضیه حد مرکزی، رگرسیون، آزمون‌های رایج اهمیت، نمونه‌گیری مجدد، مقایسه‌های چندگانه است.

این دوره شما را با نمونه گیری و کاوش داده ها و همچنین نظریه احتمالات اولیه و قانون بیز آشنا می کند. شما انواع مختلفی از روش‌های نمونه‌گیری را بررسی خواهید کرد و در مورد اینکه چگونه چنین روش‌هایی می‌توانند بر دامنه استنتاج تأثیر بگذارند، بحث خواهید کرد. انواع تکنیک های تجزیه و تحلیل داده های اکتشافی شامل آمار خلاصه عددی و تجسم داده های پایه پوشش داده خواهد شد. شما از طریق نصب و استفاده از R و RStudio (نرم افزار آماری رایگان) راهنمایی خواهید شد و از این نرم افزار برای تمرینات آزمایشگاهی و پروژه نهایی استفاده خواهید کرد. مفاهیم و تکنیک های این دوره به عنوان بلوک های سازنده دروس استنتاج و مدل سازی در تخصص عمل می کند.

هنگام کار در زمینه علم داده قطعاً با زبان R و نقشی که در تجزیه و تحلیل داده ایفا می کند آشنا خواهید شد. این دوره شما را با مبانی زبان R مانند انواع داده ها، تکنیک های دستکاری و نحوه اجرای وظایف برنامه نویسی اساسی آشنا می کند. شما فرآیند درک ساختارهای داده رایج، اصول برنامه نویسی و نحوه دستکاری داده ها را با کمک زبان برنامه نویسی R آغاز خواهید کرد. تاکید در این دوره یادگیری عملی و عملی است. شما یک برنامه ساده با استفاده از RStudio می نویسید، داده ها را در یک چارچوب داده یا ماتریس دستکاری می کنید، و یک پروژه نهایی را به عنوان تحلیلگر داده با استفاده از نوت بوک های Watson Studio و Jupyter تکمیل می کنید تا بینش های مبتنی بر داده را به دست آورید و تجزیه و تحلیل کنید. هیچ دانش قبلی در مورد R یا برنامه نویسی مورد نیاز نیست.

این دوره مقدمه ای ملایم برای برنامه نویسی در R است که برای 3 نوع زبان آموز 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 می دانید اما با R آشنا نیستید • شما مقداری برنامه نویسی R را می شناسید اما می خواهید افعال منظم را یاد بگیرید شما یاد خواهید گرفت که تجسم و تجزیه و تحلیل داده ها را به شیوه ای تکرارپذیر انجام دهید و از توابعی استفاده کنید که به کد شما اجازه می دهد به راحتی خوانده و درک شود. شما از RMarkdown برای ایجاد اسناد و گزارش های خوب استفاده خواهید کرد که کد شما را هر بار که اجرا می شود تازه اجرا می کند و افکار شما را در مورد داده ها در طول مسیر به تصویر می کشد. این دوره برای زبان آموزانی با پیشینه های غیر STEM طراحی شده است تا با ارائه مقدمه ای بر برنامه نویسی و زبان R به آنها کمک کند تا برای دوره های پیشرفته تر علم داده آماده شوند. من برای همراهی شما در این سفر هیجان زده هستم! لوگوی دوره با استفاده از تصاویر برچسب های فروشگاه RStudio ایجاد شده است. لطفاً به https://swag.rstudio.com/s/shop مراجعه کنید.

سیستم های مدیریت پایگاه داده بخش مهمی از اکثر صنایع در مقیاس بزرگ و سیستم های منبع باز هستند. این دوره شما را با مفاهیم مهم سیستم های پایگاه داده و طراحی آشنا می کند. ما یاد خواهیم گرفت که پایگاه‌های داده رابطه‌ای چیست، برای چه استفاده می‌شوند، تئوری زیربنایی طراحی آن‌ها، و نحوه پرس‌وجو و تغییر پایگاه داده با استفاده از زبان SQL اعلامی. در پایان دوره، شما قادر خواهید بود: - توضیح دهید که پایگاه داده های رابطه ای چیست و چگونه استفاده می شود. - تسلط بر مدل پایگاه داده رابطه ای. - نشان دادن مهارت در تئوری پایگاه داده رابطه ای رسمی. - مهارت های جامع SQL را نشان دهید. - استفاده از دانش پایگاه داده در مسائل عملی. نرم افزار مورد نیاز: Jupyter Notebooks، SQL

دوره مقدماتی تابلو به شما درک درستی از ارزش تجسم داده ها می دهد. شما یاد خواهید گرفت که چگونه داده ها را از قبل پردازش کنید و چگونه داده ها را از چندین جدول موجود در یک منبع داده و همچنین سایر منابع داده در Tableau Public ترکیب کنید. شما مهارت هایی را برای استفاده از تجسم داده ها به عنوان ابزاری قدرتمند برای تصمیم گیری آگاهانه ایجاد خواهید کرد. 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: - ارزش تجسم داده ها را در زمینه تجزیه و تحلیل کسب و کار توصیف کنید. -پیش پردازش داده ها در Tableau Public. -ترکیب داده ها از چندین جداول موجود در یک منبع داده و همچنین سایر منابع داده در Tableau Public.

استفاده از اکسل در صنعت بسیار گسترده است. این یک ابزار تجزیه و تحلیل داده بسیار قدرتمند است و تقریباً همه مشاغل بزرگ و کوچک از Excel در عملکرد روزمره خود استفاده می کنند. این یک دوره مقدماتی در استفاده از اکسل است و طراحی شده است تا دانش کاری اکسل را به شما بدهد تا بعداً از آن برای موضوعات پیشرفته تر در آمار کسب و کار استفاده کنید. این دوره با در نظر گرفتن دو نوع یادگیرنده طراحی شده است - کسانی که دانش عملکردی بسیار کمی از اکسل دارند و کسانی که به طور منظم اما در سطح پیرامونی از اکسل استفاده می کنند و می خواهند مهارت های خود را افزایش دهند. این دوره شما را از عملیات اساسی مانند خواندن داده ها به اکسل با استفاده از فرمت های مختلف داده، سازماندهی و دستکاری داده ها تا برخی از عملکردهای پیشرفته تر اکسل می برد. در طول این مدت، عملکرد اکسل با استفاده از مثال‌های قابل فهم معرفی می‌شود که به گونه‌ای نشان داده می‌شوند که زبان‌آموزان بتوانند در درک و استفاده از آنها راحت باشند. برای انجام موفقیت آمیز تکالیف دوره، دانش آموزان باید به نسخه ویندوز Microsoft Excel 2010 یا جدیدتر دسترسی داشته باشند. _____________________________________ هفته 1 ماژول 1: مقدمه ای بر صفحات گسترده در این ماژول با استفاده از صفحات گسترده اکسل و توابع مختلف داده پایه اکسل آشنا می شوید. موضوعات تحت پوشش عبارتند از: • خواندن داده ها در اکسل با استفاده از فرمت های مختلف • توابع اساسی در اکسل، حسابی و همچنین توابع مختلف منطقی • قالب بندی سطرها و ستون ها • استفاده از فرمول ها در اکسل و کپی و پیست آنها با استفاده از ارجاع مطلق و نسبی _____________________________________ هفته 2 ماژول 2: توابع صفحه گسترده برای سازماندهی داده ها این ماژول توابع مختلف اکسل را برای سازماندهی و جستجوی داده ها معرفی می کند. زبان آموزان با توابع IF، تو در تو، VLOOKUP و HLOOKUP اکسل آشنا می شوند. موضوعات تحت پوشش عبارتند از: • IF و توابع IF تو در تو • VLOOKUP و HLOOKUP • تابع RANDBETWEEN _____________________________________ هفته 3 ماژول 3: مقدمه ای بر فیلتر کردن، جداول محوری و نمودارها این ماژول قابلیت های مختلف فیلتر داده اکسل را معرفی می کند. شما یاد خواهید گرفت که چگونه فیلترهایی را در داده ها برای دسترسی انتخابی به داده ها تنظیم کنید. ابزار جمع بندی داده های بسیار قدرتمند، Pivot Table نیز توضیح داده شده است و ما شروع به معرفی ویژگی نمودار اکسل می کنیم. موضوعات تحت پوشش عبارتند از: • VLOOKUP در صفحات کاری • فیلتر کردن داده ها در اکسل • استفاده از جداول محوری با داده های دسته بندی و همچنین عددی • آشنایی با قابلیت نمودار نویسی اکسل _____________________________________ هفته 4 ماژول 4: نمودار و نمودارهای پیشرفته این ماژول به بررسی تکنیک های مختلف نمودار و نمودارهای پیشرفته موجود در اکسل می پردازد. با شروع با نمودارهای مختلف خطی، میله ای و دایره ای، نمودارهای محوری، نمودارهای پراکندگی و هیستوگرام ها را معرفی می کنیم. شما می توانید این نمودارهای مختلف را درک کنید و خودتان آنها را بسازید. موضوعات تحت پوشش شامل • نمودارهای خط، میله و دایره • نمودارهای محوری • نمودارهای پراکنده • هیستوگرام ها

این دوره مبانی تجزیه و تحلیل داده ها و نحوه انجام و اعمال آن در پروژه های سازمان شما را پوشش می دهد. این شامل موارد زیر است: - داشتن ذهنیت داده محور به چه معناست؟ داشتن طرز فکر صحیح به شما این امکان را می دهد که مشکلی را که باید حل شود درک کنید و تصمیمات مناسب مبتنی بر داده را در زمینه استراتژی و فناوری های سازمان اتخاذ یا توصیه کنید. - ملاحظات کلیدی هنگام شناسایی، ایجاد و اجرای یک پروژه تجزیه و تحلیل داده چیست؟ این دوره مفاهیم و ملاحظات مهم را معرفی و مورد بحث قرار می دهد، بنابراین شما آماده هستید که بدون توجه به تغییر سازمان یا صنعت شما، موثر باشید. این شامل همه چیز از چارچوب بندی مشکل و تعریف محدوده، درک الزامات و شکاف های سازمانی تا کار موثر با سهامداران کلیدی است. - دانش فنی مورد نیاز شما برای درک داده ها چیست؟ چه داده‌هایی که به آنها نگاه می‌کنید، داده‌های مالی یا غیرمالی، ساختاریافته یا بدون ساختار، باید زبان تجزیه و تحلیل داده‌ها را بدانید تا بتوانید به طور مؤثر با همکاران ارتباط برقرار کنید و هنگام استفاده از تجزیه و تحلیل داده‌ها در سازمان خود، ارزش افزوده داشته باشید. با گذراندن این دوره، در موقعیت بهتری برای پرسیدن سؤالات درست، افزودن ارزش بیشتر و بهبود کیفیت خدمات به ذینفعان خود خواهید بود.

به مقدمه ای بر تجزیه و تحلیل داده، سیگنال و تصویر با متلب خوش آمدید! MATLAB یک زبان برنامه نویسی بسیار همه کاره برای وظایف تجزیه و تحلیل داده، سیگنال و تصویر است. این دوره مقدمه ای در مورد نحوه استفاده از MATLAB برای تجزیه و تحلیل داده، سیگنال و تصویر ارائه می دهد. پس از اتمام دوره، فراگیران متوجه خواهند شد که چگونه می توان از روش های یادگیری ماشین در MATLAB برای طبقه بندی و پیش بینی داده ها استفاده کرد. نحوه انجام تجسم داده ها، از جمله تجسم داده ها برای مجموعه داده های با ابعاد بالا. نحوه انجام روش های پردازش و تجزیه و تحلیل تصویر، از جمله فیلتر کردن تصویر و تقسیم بندی تصویر؛ و نحوه انجام وظایف رایج آنالیز سیگنال، از جمله طراحی فیلتر و تحلیل فرکانس.

به مقدمه ای بر تفکر تحلیلی، علم داده و داده کاوی خوش آمدید. در این دوره، ما با کاوش در زمینه و حرفه علم داده با تمرکز بر مهارت ها و ملاحظات اخلاقی مورد نیاز هنگام کار با داده ها شروع می کنیم. ما انواع مشکلات کسب و کار را که علم داده می تواند حل کند را بررسی خواهیم کرد و در مورد کاربرد فرآیند CRISP-DM در تلاش های داده کاوی بحث خواهیم کرد. مروری کوتاه بر تجزیه و تحلیل توصیفی، پیش‌بینی‌کننده و تجویزی ارائه می‌شود، و ما دوره را با یک فعالیت اکتشافی به پایان می‌رسانیم تا درباره ابزارها و منابعی که ممکن است در یک جعبه ابزار علم داده بیابید بیشتر بدانید.

علاقه مند به افزایش دانش خود از چشم انداز کلان داده هستید؟ این دوره برای کسانی است که تازه به علم داده می پردازند و علاقه مند به درک دلیل به وجود آمدن عصر داده های بزرگ هستند. این برای کسانی است که می خواهند با اصطلاحات و مفاهیم اصلی پشت مشکلات، برنامه ها و سیستم های کلان داده آشنا شوند. این برای کسانی است که می خواهند به این فکر کنند که چگونه داده های بزرگ ممکن است در تجارت یا حرفه آنها مفید باشد. مقدمه‌ای بر یکی از رایج‌ترین چارچوب‌ها، Hadoop، ارائه می‌کند که تجزیه و تحلیل کلان داده‌ها را آسان‌تر و در دسترس‌تر کرده است -- افزایش پتانسیل داده‌ها برای تغییر جهان ما! در پایان این دوره، شما قادر خواهید بود: * چشم انداز کلان داده را شامل نمونه هایی از مشکلات داده های بزرگ در دنیای واقعی از جمله سه منبع کلیدی داده های بزرگ: افراد، سازمان ها و حسگرها توصیف کنید. * V از داده های بزرگ (حجم، سرعت، تنوع، صحت، ظرفیت و ارزش) و اینکه چرا هر کدام بر جمع آوری داده ها، نظارت، ذخیره سازی، تجزیه و تحلیل و گزارش تأثیر می گذارد را توضیح دهید. * با استفاده از یک فرآیند 5 مرحله ای برای ساختار تجزیه و تحلیل خود، ارزش داده های بزرگ را بدست آورید. * مشکلات کلان داده را شناسایی کنید و چه چیزهایی را نام ببرید و بتوانید مشکلات کلان داده را به عنوان سؤالات علم داده بازنویسی کنید. * توضیحی در مورد مولفه های معماری و مدل های برنامه نویسی مورد استفاده برای تجزیه و تحلیل داده های بزرگ مقیاس پذیر ارائه دهید. * ویژگی ها و ارزش اجزای پشته Hadoop از جمله سیستم مدیریت منابع و شغل YARN، سیستم فایل HDFS و مدل برنامه نویسی MapReduce را خلاصه کنید. * یک برنامه را با استفاده از Hadoop نصب و اجرا کنید! این دوره برای کسانی است که تازه وارد علم داده می شوند. هیچ تجربه برنامه نویسی قبلی مورد نیاز نیست، اگرچه توانایی نصب برنامه ها و استفاده از ماشین مجازی برای تکمیل تکالیف عملی ضروری است. الزامات سخت افزاری: (الف) پردازنده چهار هسته ای (پشتیبانی VT-x یا AMD-V توصیه می شود)، 64 بیتی؛ (ب) 8 گیگابایت رم؛ (C) 20 گیگابایت دیسک رایگان. نحوه پیدا کردن اطلاعات سخت افزاری خود: (ویندوز): با کلیک بر روی دکمه Start، روی Computer راست کلیک کرده و سپس روی Properties کلیک کنید. (Mac): با کلیک بر روی منوی اپل و کلیک کردن روی «درباره این مک»، نمای کلی را باز کنید. اکثر رایانه‌های با رم 8 گیگابایتی خریداری شده در 3 سال گذشته حداقل شرایط لازم را برآورده می‌کنند. شما به اتصال اینترنت پرسرعت نیاز دارید زیرا فایل‌هایی تا حجم 4 گیگابایت را دانلود خواهید کرد. نرم افزار مورد نیاز: این دوره متکی بر چندین ابزار نرم افزار منبع باز از جمله Apache Hadoop است. تمامی نرم افزارهای مورد نیاز را می توان به صورت رایگان دانلود و نصب کرد. الزامات نرم افزار عبارتند از: Windows 7+، Mac OS X 10.10+، Ubuntu 14.04+ یا CentOS 6+ VirtualBox 5+.

این دوره شما را برای تکمیل تمام بخش های تخصصی علوم داده های بالینی آماده می کند. در این دوره آموزشی نحوه تولید داده های بالینی، قالب این داده ها و محدودیت های اخلاقی و قانونی در مورد این داده ها را خواهید آموخت. همچنین به اندازه کافی مهارت های برنامه نویسی SQL و R را یاد خواهید گرفت تا بتوانید کل تخصص را تکمیل کنید - حتی اگر یک برنامه نویس مبتدی باشید. هنگامی که در حال گذراندن این دوره هستید، به مجموعه داده های بالینی واقعی و یک محیط محاسباتی آنلاین رایگان برای علم داده که توسط شریک صنعتی Google Cloud میزبانی می شود، دسترسی خواهید داشت. در پایان این دوره شما آماده خواهید شد تا سفر آموزش علوم داده های بالینی خود را آغاز کنید و یاد بگیرید که چگونه داده های ایجاد شده توسط سیستم مراقبت های بهداشتی را دریافت کنید و سلامت بیماران فردا را بهبود بخشید.

این اولین دوره از پنج دوره، دانش آموزان را با عوامل اجتماعی تعیین کننده سلامت آشنا می کند و یک مرور کلی از تعاریف و دیدگاه های نظری ارائه می دهد که پایه و اساس این تخصص را تشکیل می دهد. سرفصل های این دوره شامل: 1. مقدمه ای بر عوامل اجتماعی تعیین کننده سلامت 2. دیدگاه های نظری و پیچیدگی دانش 3. تأثیر جمعی مبتنی بر داده 4. نظریه استرس اقلیت 5. کاربردهای داده: تجزیه و تحلیل فرکانس و تجسم نمودار میله ای

این دوره شما را با زیست شناسی پایه ژنومیک مدرن و ابزارهای تجربی که برای اندازه گیری آن استفاده می کنیم آشنا می کند. ما دگم مرکزی زیست شناسی مولکولی را معرفی خواهیم کرد و نحوه استفاده از توالی یابی نسل بعدی برای اندازه گیری DNA، RNA و الگوهای اپی ژنتیک را پوشش خواهیم داد. همچنین مقدمه ای بر مفاهیم کلیدی در محاسبات و علم داده دریافت خواهید کرد که برای درک نحوه تولید و تجزیه و تحلیل داده های آزمایش های توالی یابی نسل بعدی به آن نیاز دارید. این اولین دوره در تخصص علوم داده های ژنومی است.

در این دوره آموزشی، نحوه انجام مهندسی داده با Azure Synapse Apache Spark Pools را یاد می گیرید که به شما امکان می دهد عملکرد برنامه های تحلیلی کلان داده را با محاسبات خوشه ای درون حافظه افزایش دهید. شما یاد خواهید گرفت که چگونه بین Apache Spark، Azure Databricks، HDInsight و SQL Pools تفاوت قائل شوید و موارد استفاده مهندسی داده را با Apache Spark در Azure Synapse Analytics درک کنید. همچنین یاد خواهید گرفت که چگونه داده ها را با استفاده از نوت بوک های Apache Spark در Azure Synapse Analytics وارد کنید و داده ها را با استفاده از DataFrames در Apache Spark Pools در Azure Synapse Analytics تبدیل کنید. استخرهای SQL و Apache Spark را در Azure Synapse Analytics ادغام خواهید کرد. همچنین نحوه نظارت و مدیریت بارهای کاری مهندسی داده با Apache Spark در Azure Synapse Analytics را خواهید آموخت. این دوره بخشی از یک تخصص در نظر گرفته شده برای مهندسین داده و توسعه دهندگان است که می خواهند تخصص خود را در طراحی و پیاده سازی راه حل های داده ای که از خدمات داده Microsoft Azure استفاده می کنند برای هر کسی که علاقه مند به آماده شدن برای آزمون DP-203: مهندسی داده در Microsoft Azure (بتا) نشان دهد. ). شما در یک آزمون عملی شرکت خواهید کرد که شامل مهارت های کلیدی می شود که با آزمون گواهینامه اندازه گیری می شوند. این ششمین دوره از یک برنامه 10 دوره ای است که به شما برای شرکت در آزمون کمک می کند تا بتوانید در طراحی و پیاده سازی 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.

به دوره تخصصی هوش تجاری و انبار داده خوش آمدید. این دوره در مدت شش هفته تکمیل خواهد شد و با فیلم ها و اسناد مختلف پشتیبانی می شود که به شما این امکان را می دهد تا به روشی بسیار ساده نحوه شناسایی، طراحی و توسعه سیستم های اطلاعاتی تحلیلی مانند هوش تجاری با تجزیه و تحلیل توصیفی داده ها را بیاموزید. انبارها شما قادر خواهید بود مشکل یکپارچه سازی و تحلیل پیش بینی حجم بالای داده های بدون ساختار (داده های بزرگ) را با داده کاوی و چارچوب Hadoop درک کنید. پس از اتمام این دوره، زبان آموز قادر خواهد بود ● یک نمودار مدل داده ستاره یا دانه برف از طریق طراحی چند بعدی از نیازمندی های تجاری تحلیلی و سیستم OLTP ایجاد کنید ● یک سیستم پایگاه داده فیزیکی ایجاد کنید ● استخراج، تبدیل و بارگذاری داده ها در انبار داده. ● پرس و جوهای تحلیلی را با SQL با استفاده از MySQL برنامه ریزی کنید ● تجزیه و تحلیل پیش بینی با RapidMiner ● داده های رابطه ای یا بدون ساختار را در Hortonworks HDFS بارگذاری کنید ● کارهای Map-Reduce را برای جستجوی داده ها در HDFS برای اهداف تحلیلی اجرا کنید زبان های برنامه نویسی: برای دوره 2 از زبان MYSQL استفاده خواهید کرد. نرم افزار برای دانلود: Rapidminer MYSQL اکسل چارچوب هادوپ Hortonworks در صورتی که سیستم عامل Mac / IOS دارید، باید از ماشین مجازی (VirtualBox، Vmware) استفاده کنید.

این MOOC - یک ابتکار مشترک بین EIT Digital، Université de Nice Sophia-Antipolis / Université Côte d'Azur، و INRIA - استانداردها و اصول داده های پیوندی را معرفی می کند که پایه وب معنایی را فراهم می کند. شما یاد خواهید گرفت که چگونه داده های ساختاریافته را مستقیماً از وب منتشر کنید، به دست آورید و استفاده کنید. یادگیری اصول، زبان ها و استانداردهای تبادل داده در وب شما را قادر می سازد تا برنامه های کاربردی، محصولات و خدمات جدیدی را طراحی و تولید کنید که از حجم و تنوع داده های موجود در وب استفاده می کند. ما این دوره را به چهار بخش تقسیم کردیم که مهارت‌ها و شایستگی‌های فنی اصلی را که برای استفاده از وب به‌عنوان فضایی برای تبادل داده‌های ساختاری غول‌پیکر نیاز دارید را پوشش می‌دهد: • در بخش اول، "اصول یک وب از داده های پیوندی": شما اصول انتشار و به دست آوردن داده ها را مستقیماً در وب به جای صفحات وب، یاد خواهید گرفت و تمرین می کنید. • در بخش دوم، "مدل داده RDF": شما مدل استاندارد داده برای وب و نحوهای آن را برای انتشار و پیوند داده ها در وب در برنامه ها و خدمات خود خواهید آموخت. • در بخش سوم، "زبان پرس و جو SPARQL": شما یاد خواهید گرفت که چگونه مستقیماً به منابع داده در وب پرس و جو کنید و به منابع داده دسترسی داشته باشید و داده های ساختار یافته مرتبط با فعالیت و دامنه خود را بدست آورید. • در بخش چهارم و پایانی، "ادغام سایر فرمت ها و منابع داده": شما یاد خواهید گرفت که چگونه استانداردهای وب با سایر قالب های داده تعامل و تعامل دارند تا امکان ادغام انواع منابع داده را فراهم کنند. هر هفته به طور متناوب ویدیوها و آزمون‌های کوتاه و همچنین منابع و انجمن‌های تکمیلی برای پیشرفت تدریجی در اصول و استانداردهای مختلف جایگزین می‌شود. پس از گذراندن موفقیت آمیز این دوره، مهارت هایی برای به دست آوردن مجموعه داده های متمرکز و ساختار یافته از وب خواهید داشت که می توانید از آنها برای تقویت مجموعه داده های خود، غنی سازی ابعاد آنها، تغذیه برنامه های کاربردی خود، انجام داده کاوی، یادگیری ماشین و آموزش، داده ها استفاده کنید. تجزیه و تحلیل، پردازش و استدلال هوش مصنوعی و سایر مدیریت داده ها.