به دوره آموزشی SAS Programming for Distributed Computing در SAS Viya خوش آمدید. SAS Viya یک پلتفرم هوش مصنوعی، تحلیلی و مدیریت داده است که بر روی معماری بومی ابری مقیاس‌پذیر، توزیع‌شده اجرا می‌شود. در این دوره شما یاد خواهید گرفت که چگونه برنامه های Base SAS موجود را برای اجرا در SAS Viya تغییر دهید. برنامه هایی که ایجاد می کنید از قدرت سرویس های تحلیلی ابری SAS (CAS) برای دسترسی، مدیریت و تجزیه و تحلیل جداول درون حافظه استفاده می کنند. این یک دوره پیشرفته است که برای زبان آموزان با تجربه برنامه نویسی SAS در نظر گرفته شده است. برای موفقیت، باید بتوانید از طریق کتابخانه های SAS به داده ها دسترسی داشته باشید، داده ها را با مرحله DATA بخوانید و آماده کنید، داده ها را با استفاده از PROC SQL جستجو کنید، و داده ها را با روش های MEANS و FREQ خلاصه کنید. این دانش اساسی را می توان در تخصص برنامه نویس Coursera SAS به دست آورد. در پایان دوره، شما قادر خواهید بود: - بارگذاری داده ها در سرویس های تحلیل ابری SAS - مرحله DATA و کد رویه SQL را برای اجرا در CAS تغییر دهید - از رویه های فعال CAS استفاده کنید - کد CASL را برای اجرای اقدامات CAS بنویسید

اصول برنامه نویسی را بررسی کنید و با زبان پایتون آشنا شوید. پس از اتمام این دوره، شما قادر خواهید بود برنامه های پایتون را در Jupyter Notebook بنویسید و برنامه نویسی پایه را شرح دهید. در این دوره شما هر آنچه را که برای شروع سفر برنامه نویسی خود نیاز دارید را یاد خواهید گرفت. انواع مختلف داده های موجود در پایتون و نحوه استفاده از آنها را کشف خواهید کرد، نحوه اعمال ساختارهای کنترل شرطی و حلقه ای را یاد خواهید گرفت و توابع خود را بنویسید. این دوره توضیحات مفصلی از مفاهیم جدید و اطلاعات پس زمینه برای زمینه اضافی ارائه می دهد. آزمون های موجود به شما کمک می کند تا درک خود را توسعه دهید. شما همچنین تمرینات را با استفاده از Jupyter Notebook در رایانه خود کامل خواهید کرد. با استفاده از Jupyter Notebook، می‌توانید یادداشت‌های خود را با مثال‌های مفید ترکیب کنید تا منابع مورد نیاز برای برنامه‌نویسی را در آینده به طور مستقل توسعه دهید. این دوره یک مزه کننده کارشناسی ارشد آنلاین در علوم داده (آمار) است، اما می تواند توسط زبان آموزانی که می خواهند مقدماتی بر برنامه نویسی و کشف اصول پایتون داشته باشند تکمیل شود.

این دوره موضوعات پیشرفته ای در برنامه نویسی R را پوشش می دهد که برای توسعه ابزارهای علوم داده قدرتمند، قوی و قابل استفاده مجدد ضروری است. موضوعات تحت پوشش عبارتند از برنامه نویسی عملکردی در R، مدیریت خطای قوی، برنامه نویسی شی گرا، پروفایل و محک زدن، اشکال زدایی، و طراحی مناسب توابع. پس از اتمام این دوره، شما قادر خواهید بود وظایف رایج تجزیه و تحلیل داده ها را شناسایی و انتزاع کنید و آنها را در توابع رو به رو کاربر محصور کنید. از آنجایی که هر محیط علم داده با چالش های داده منحصر به فردی روبرو می شود، همیشه نیاز به توسعه نرم افزار سفارشی خاص برای ماموریت سازمان شما وجود دارد. همچنین می‌توانید انواع داده‌های جدیدی را در R تعریف کنید و جهانی از عملکردهای خاص برای آن نوع داده‌ها را توسعه دهید تا امکان اجرای پاک‌تر وظایف علم داده و قابلیت استفاده مجدد قوی‌تر را در یک تیم فراهم کنید.

در پروژه نهایی Capstone، مهارت‌هایی را که با ساختن یک برنامه کاربردی بزرگ با داده‌های فشرده با استفاده از داده‌های دنیای واقعی آموخته‌اید، به کار خواهید برد. شما یک برنامه کامل را پیاده سازی خواهید کرد که چندین گیگابایت داده را پردازش می کند. این برنامه تجسم های تعاملی از تکامل دما در طول زمان را در سراسر جهان نشان می دهد. توسعه چنین برنامه ای شامل موارد زیر است: - تبدیل داده‌های ارائه‌شده توسط ایستگاه‌های هواشناسی به اطلاعات معنی‌داری مانند، به عنوان مثال، میانگین دمای هر نقطه از کره زمین در ده سال گذشته. - سپس با استفاده از تکنیک های درون یابی فضایی و خطی از این اطلاعات تصاویری تهیه کنید. - در نهایت، پیاده سازی نحوه واکنش رابط کاربری به اقدامات کاربران.

این دوره شما را با جولیا به عنوان اولین زبان برنامه نویسی آشنا می کند. جولیا یک زبان برنامه نویسی پویا سطح بالا و با کارایی بالا است که به طور خاص برای محاسبات علمی توسعه یافته است. این زبان به ویژه برای برنامه های کاربردی در فیزیک، شیمی، نجوم، مهندسی، علوم داده، بیوانفورماتیک و بسیاری دیگر مفید خواهد بود. می توانید برنامه نویسی را با جولیا در Coursera شروع کنید و همچنین می توانید از خط فرمان، فایل های برنامه یا یک نوت بوک Jupyter استفاده کنید. جولیا برای رسیدگی به الزامات محاسبات عددی و علمی با کارایی بالا طراحی شده است و در عین حال برای برنامه نویسی همه منظوره موثر است. شما می‌توانید به تمام پردازنده‌ها و حافظه موجود دسترسی داشته باشید، داده‌ها را از هر نقطه‌ای در وب خراش دهید و همیشه از طریق هر دستگاهی که می‌خواهید استفاده کنید تا زمانی که مرورگر دارد، در دسترس باشید. برای کشف امکانات محاسباتی جدید به ما بپیوندید. بیایید شروع به یادگیری جولیا کنیم. در پایان دوره شما قادر خواهید بود: - برنامه با استفاده از زبان جولیا با تمرین از طریق تکالیف - برنامه های ساده جولیا خود را از ابتدا بنویسید - مزایا و ظرفیت های جولیا را به عنوان یک زبان محاسباتی درک کنید - با استفاده از زبان جولیا در نوت بوک های Jupyter کار کنید - از بسته های مختلف جولیا مانند Plots، DataFrames و Stats استفاده کنید این دوره از طریق سخنرانی‌های ویدئویی، نمایش‌های روی صفحه، آزمون‌ها و پروژه‌های عملی بررسی شده ارائه می‌شود که به شما فرصتی برای کار با بسته‌ها می‌دهد.

در این دوره، ما اصول تجسم و نحوه انطباق آن با گردش کار علم داده را پوشش خواهیم داد. ما بر روی مفاهیم اصلی پشت هدف تجسم و اصول طراحی برای ایجاد نتایج موثر و با سهولت ارتباط تمرکز خواهیم کرد. شما همچنین محیط Tableau خود را راه‌اندازی می‌کنید، بارگذاری داده‌ها را تمرین می‌کنید و تجزیه و تحلیل توصیفی تک متغیره بخش‌های سهام S&P 500 را انجام می‌دهید.

در این دنیای داده‌محور، شرکت‌ها اغلب علاقه‌مندند که بدانند با توجه به داده‌ها، «بهترین» اقدام چیست. به عنوان مثال، تولیدکنندگان باید تصمیم بگیرند که با توجه به تقاضای تخمینی و در دسترس بودن مواد خام، چند واحد از یک محصول را تولید کنند؟ آیا آنها باید تمام محصولات را در داخل بسازند یا برخی از آنها را از شخص ثالث بخرند تا تقاضا را برآورده کنند؟ تجزیه و تحلیل تجویزی شاخه ای از تجزیه و تحلیل است که می تواند به این سوالات پاسخ دهد. برای تجویز تصمیمات مبتنی بر داده استفاده می شود. مهمترین روش در جعبه ابزار تجزیه و تحلیل تجویزی، بهینه سازی است. این دوره دانشجویان را با اصول اولیه بهینه سازی خطی برای تصمیم گیری آشنا می کند. با استفاده از مثال‌های عملی، این دوره نحوه تبدیل یک سناریو مسئله به یک مدل ریاضی را آموزش می‌دهد که بتوان آن را حل کرد تا بهترین نتیجه کسب و کار را به دست آورد. ما یاد می گیریم که متغیرهای تصمیم، تابع هدف و محدودیت های یک مسئله را شناسایی کنیم و از آنها برای فرمول بندی و حل یک مسئله بهینه سازی با استفاده از حل کننده اکسل و صفحه گسترده استفاده کنیم.

دنیای تجارت امروز به طور فزاینده ای مبتنی بر داده است. کسب‌وکارهای کوچک و بزرگ از داده‌ها برای تصمیم‌گیری در مورد فروش، استخدام، اهداف و همه حوزه‌هایی که داده‌هایی در اختیار دارند استفاده می‌کنند. در حالی که اکثر کسب و کارها به داده‌های یک نوع یا دیگری دسترسی دارند، درک داده‌ها بدون پیش‌زمینه در تجزیه و تحلیل داده‌ها برای یک کاربر عادی تجاری می‌تواند ترسناک باشد. Power BI مایکروسافت ترس و دردسر تجزیه و تحلیل و تجسم داده ها را از بین می برد. در طول این دوره، شما خطاهای موجود در مجموعه داده ها را شناسایی کرده و با استفاده از تکنیک های پاکسازی و تبدیل داده ها، آنها را تشخیص می دهید تا آنها را برای اهداف گزارش آماده کنید. با تمرکز بر کاربردهای عملی، تجسم های پیچیده را با استفاده از اپراتور DAX حل می کنید و تجسم ها را برای برنامه ریزی تصمیمات مربوط به کسب و کار ارزیابی می کنید. 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.

استاد پایتون برای علم داده با پروژه های عملی. پانداها، آمار و تجسم را برای حل مشکلات تجارت در دنیای واقعی بیاموزید. ایجاد مهارت‌های آماده برای کار در بحث و گفتگوی داده‌ها، تجزیه و تحلیل داده‌های اکتشافی (EDA) و ترسیم نمودار با matplotlib/seaborn—بدون نیاز به تجربه قبلی. این دوره آموزشی مبتدی شما را از طریق پاکسازی داده های نامرتب، استفاده از آمار توصیفی و استنباطی و تهیه مجموعه داده ها برای یادگیری ماشین راهنمایی می کند. شما تجزیه و تحلیل هایی را طراحی خواهید کرد که به سؤالات تجاری پاسخ می دهند، بینش ها را با تصاویر متقاعد کننده ارتباط برقرار می کنند و ارزیابی های چالش برانگیز را کامل می کنند که با سناریوهای محل کار هماهنگ هستند. در پایان، با اطمینان داده‌ها را در پانداها دستکاری می‌کنید، گردش کار را خودکار می‌کنید و داشبوردهایی می‌سازید که ذینفعان آن را درک کنند. سفر مبتنی بر داده خود را شروع کنید و داده های خام را به تصمیم گیری تبدیل کنید.

در این دوره، مهارت‌های آموخته‌شده در تجزیه و تحلیل داده‌های اکتشافی با متلب را ایجاد می‌کنید تا پایه‌های مورد نیاز برای مدل‌سازی پیش‌بینی‌کننده را ایجاد کنید. این دوره سطح متوسط ​​برای هر کسی که نیاز به ترکیب داده ها از چندین منبع یا زمان دارد و علاقه مند به مدل سازی است مفید است. این مهارت ها برای کسانی که دانش حوزه و مقداری در معرض ابزارهای محاسباتی هستند، اما هیچ پیشینه برنامه نویسی ندارند، ارزشمند است. برای موفقیت در این دوره، باید پیشینه ای در زمینه آمار پایه (هیستوگرام، میانگین، انحراف معیار، برازش منحنی، درونیابی) داشته باشید و تجزیه و تحلیل داده های اکتشافی را با متلب تکمیل کرده باشید. در طول دوره، شما داده ها را از مجموعه داده های مختلف ادغام خواهید کرد و سناریوهای رایج مانند داده های از دست رفته را مدیریت خواهید کرد. در آخرین ماژول دوره، تکنیک های ویژه ای را برای مدیریت داده های متنی، صوتی و تصویری که در علم داده و مدل سازی پیشرفته تر رایج است، بررسی خواهید کرد. در پایان این دوره، شما یاد خواهید گرفت که چگونه داده های خود را تجسم کنید، آنها را تمیز کنید و برای تجزیه و تحلیل مرتب کنید، و کیفیت های لازم برای پاسخ به سوالات خود را شناسایی کنید. شما می‌توانید توزیع داده‌های خود را تجسم کنید و از بازرسی بصری برای رسیدگی به مصنوعاتی که بر مدل‌سازی دقیق تأثیر می‌گذارند، استفاده کنید.

در این قسمت دوم از سری دوره های Dataflow، ما قصد داریم در توسعه خطوط لوله با استفاده از Beam SDK بیشتر غواصی کنیم. ما با بررسی مفاهیم پرتو آپاچی شروع می کنیم. در مرحله بعد، ما در مورد پردازش داده های جریان با استفاده از پنجره ها، واترمارک ها و تریگرها بحث می کنیم. سپس گزینه‌هایی را برای منابع و سینک‌ها در خطوط لوله، طرح‌واره‌ها برای بیان داده‌های ساختاریافته و نحوه انجام تبدیل‌های حالت با استفاده از APIهای State و Timer پوشش می‌دهیم. ما به بررسی بهترین شیوه‌هایی می‌رویم که به حداکثر رساندن عملکرد خط لوله شما کمک می‌کنند. در پایان دوره، ما SQL و Dataframes را معرفی می کنیم تا منطق کسب و کار شما را در Beam و نحوه توسعه مکرر خطوط لوله با استفاده از نوت بوک های Beam را نشان دهیم.

در آخرین قسمت از سری دوره های Dataflow به معرفی اجزای مدل عملیاتی Dataflow می پردازیم. ما ابزارها و تکنیک های عیب یابی و بهینه سازی عملکرد خط لوله را بررسی خواهیم کرد. سپس بهترین روش‌های آزمایش، استقرار و قابلیت اطمینان را برای خطوط لوله Dataflow بررسی می‌کنیم. ما با بررسی الگوها نتیجه گیری خواهیم کرد، که مقیاس خطوط لوله جریان داده را برای سازمان هایی با صدها کاربر آسان می کند. این درس ها به شما کمک می کند تا مطمئن شوید که پلت فرم داده شما در برابر شرایط پیش بینی نشده پایدار و مقاوم است.

این دوره قسمت 1 از مجموعه 3 دوره ای در مورد پردازش داده های بدون سرور با جریان داده است. در این دوره اول، ما با تجدید نظر در مورد پرتو آپاچی و ارتباط آن با Dataflow شروع می کنیم. در مرحله بعد، در مورد چشم انداز پرتو آپاچی و مزایای فریم ورک Beam Portability صحبت می کنیم. چارچوب Beam Portability به این چشم‌انداز دست می‌یابد که یک توسعه‌دهنده می‌تواند از زبان برنامه‌نویسی مورد علاقه خود با اجرای مطلوب خود استفاده کند. سپس به شما نشان می‌دهیم که چگونه Dataflow به شما اجازه می‌دهد تا محاسبات و ذخیره‌سازی را در حین صرفه‌جویی در هزینه جدا کنید، و چگونه هویت، دسترسی، و ابزارهای مدیریتی با خطوط لوله Dataflow شما تعامل دارند. در نهایت، ما به نحوه پیاده‌سازی مدل امنیتی مناسب برای استفاده شما در Dataflow نگاه می‌کنیم. پیش نیازها: سری دوره های پردازش داده های بدون سرور با جریان داده مبتنی بر مفاهیمی است که در تخصص مهندسی داده ها پوشش داده شده است. ما دوره های پیش نیاز زیر را توصیه می کنیم: (i) ساخت خطوط لوله داده دسته ای در Google Cloud: اصول اصلی جریان داده را پوشش می دهد (ii) ساختن سیستم‌های تجزیه و تحلیل جریان انعطاف‌پذیر در Google Cloud: مفاهیم اولیه استریم مانند پنجره‌سازی، محرک‌ها و واترمارک‌ها را پوشش می‌دهد. >>> با ثبت نام در این دوره، با شرایط خدمات Qwiklabs که در پرسش های متداول و در آدرس زیر آمده است موافقت می کنید: https://qwiklabs.com/terms_of_service <<<

این دوره به شما اصول پردازش زبان طبیعی بالینی (NLP) را می آموزد. در این دوره شما اصول زبانی اساسی زیربنای NLP و همچنین نحوه نوشتن عبارات منظم و مدیریت داده های متنی در R را خواهید آموخت. همچنین تکنیک های عملی برای پردازش متن را یاد خواهید گرفت تا بتوانید اطلاعات را از یادداشت های بالینی استخراج کنید. در نهایت، شما فرصتی خواهید داشت که مهارت های خود را با یک برنامه عملی در دنیای واقعی آزمایش کنید که در آن الگوریتم های پردازش متن را برای شناسایی عوارض دیابت از یادداشت های بالینی ایجاد می کنید. شما این کار را با استفاده از یک محیط محاسباتی آنلاین رایگان برای علم داده که توسط شریک صنعتی Google Cloud میزبانی شده است، تکمیل خواهید کرد.

به پردازش زبان طبیعی و تخصیص Capstone خوش آمدید. در این دوره ما با یک شناخت نحوه استفاده از تکنیک های فنی و تجاری برای ارائه بینش تجاری، هوش رقابتی و احساسات مصرف کننده شروع می کنیم. این دوره با یک تکلیف اصلی پایان می یابد که در آن شما طیف گسترده ای از آنچه در این تخصص پوشش داده شده است را اعمال خواهید کرد.

این اولین دوره آموزشی چهار دوره تخصصی Python Data Products for Predictive Analytics است که اصول اولیه خواندن و دستکاری مجموعه داده ها را در پایتون معرفی می کند. در این دوره شما یاد می گیرید که محصول داده چیست و از چندین کتابخانه پایتون برای انجام بازیابی، پردازش و تجسم داده ها عبور می کنید. این دوره شما را با رشته علم داده آشنا می کند و شما را برای سه دوره بعدی در تخصص: طراحی تفکر و تجزیه و تحلیل پیش بینی برای محصولات داده، مدل سازی پیش بینی معنادار، و استقرار مدل های یادگیری ماشین آماده می کند. در هر مرحله از تخصص، شما تجربه عملی در دستکاری داده ها و ایجاد مهارت های خود را به دست خواهید آورد، و در نهایت به پروژه ای که شامل تمام مفاهیم آموزش داده شده در تخصص می شود، ختم می شود.

دوره "پردازش و دستکاری داده ها" درک جامعی از مفاهیم و ابزارهای مختلف پردازش و دستکاری داده ها را در اختیار دانشجویان قرار می دهد. شرکت‌کنندگان یاد می‌گیرند که چگونه مقادیر از دست رفته را مدیریت کنند، نقاط پرت را شناسایی کنند، نمونه‌برداری و کاهش ابعاد را انجام دهند، تکنیک‌های مقیاس‌بندی و گسسته‌سازی را اعمال کنند، و عملیات‌های مکعب داده و جدول محوری را کاوش کنند. این دوره دانش آموزان را با مهارت های ضروری برای آماده سازی کارآمد و تبدیل داده ها برای تجزیه و تحلیل و تصمیم گیری مجهز می کند. اهداف آموزشی: 1. درک اهمیت پردازش و دستکاری داده ها در خط لوله تجزیه و تحلیل داده ها. 2. تکنیک های مدیریت مقادیر از دست رفته در مجموعه داده ها، از جمله راهبردهای انتساب و حذف را بیاموزید. 3. شناسایی و شناسایی موارد پرت برای ارزیابی تأثیر آنها بر تجزیه و تحلیل داده ها و تصمیم گیری. 4. روش های نمونه برداری و تکنیک های کاهش ابعاد را برای مجموعه داده های بزرگ و داده های با ابعاد بالا کاوش کنید. 5. از تکنیک های مقیاس بندی داده ها برای عادی سازی و استانداردسازی متغیرها برای مقایسه های معنادار استفاده کنید. 6. از گسسته سازی برای تبدیل داده های پیوسته به نمایش های طبقه بندی شده استفاده کنید و تجزیه و تحلیل را ساده کنید. 7. درک مفهوم مکعب داده و انجام تجمیع چند بعدی برای تجزیه و تحلیل اکتشافی. 8. جداول محوری برای خلاصه کردن و شکل دادن به داده ها ایجاد کنید و بینش های ارزشمندی را از مجموعه داده های پیچیده به دست آورید. در طول دوره، دانش‌آموزان فعالانه در تمرین‌ها و پروژه‌های عملی شرکت می‌کنند و به آن‌ها اجازه می‌دهد تا تکنیک‌های پردازش و دستکاری داده‌ها را در مجموعه داده‌های دنیای واقعی اعمال کنند. در پایان دوره، شرکت کنندگان به خوبی مجهز خواهند شد تا به طور موثر داده ها را برای کارهای تجزیه و تحلیل بعدی و تصمیم گیری مبتنی بر داده آماده کنند، تمیز کنند و تبدیل کنند.

تبریک میگم شما نه تنها موفق شدید که گشت و گذار فکری ما را به پایان برسانید، بلکه در حال حاضر، تمام مهارت های لازم برای اجرای یک گردش کار چند روشی جامع علوم اجتماعی محاسباتی را نیز دارید. ما این مهارت‌ها را در این آزمایشگاه یکپارچه نهایی، جایی که همه آن‌ها را گرد هم می‌آوریم، به کار خواهیم برد. ما داده‌ها را از یک سایت رسانه‌های اجتماعی جمع‌آوری می‌کنیم (با تکیه بر مهارت‌های به‌دست‌آمده در دوره اول این تخصص). سپس داده‌های جمع‌آوری‌شده را با تجسم شبکه‌های حاصل (بر اساس مهارت‌های به‌دست‌آمده در دوره سوم) تجزیه و تحلیل می‌کنیم. ما برخی از جنبه های کلیدی آن را با استفاده از پردازش زبان طبیعی مبتنی بر یادگیری ماشین (به کار انداختن بینش های به دست آمده در دوره دوم) به طور عمیق تجزیه و تحلیل می کنیم. در نهایت، ما از یک مدل شبیه‌سازی کامپیوتری برای کشف مکانیسم‌های مولد احتمالی استفاده می‌کنیم و جنبه‌هایی را که در واقعیت تجربی خود نیافته‌ایم، اما به ما در بهبود این جنبه از جامعه کمک می‌کنند (با تکیه بر مهارت‌های به‌دست‌آمده در دوره چهارم این تخصص) بررسی می‌کنیم. . نتیجه اولین نگاه اجمالی به روش جدیدی از انجام علوم اجتماعی در عصر دیجیتال است: علوم اجتماعی محاسباتی. تبریک می گویم! با انجام همه این کارها، می توانید خود را یک دانشمند علوم اجتماعی محاسباتی نوپا بدانید!

در این دوره مبتنی بر پروژه، شما یک تجزیه و تحلیل کامل مبتنی بر GIS را طراحی و اجرا خواهید کرد - از شناسایی یک مفهوم، سوال یا موضوعی که می خواهید توسعه دهید، تا محصولات داده نهایی و نقشه هایی که می توانید به مجموعه خود اضافه کنید. پروژه تکمیل شده شما تسلط شما را بر محتوا در تخصص GIS نشان می دهد و به چهار مرحله تقسیم می شود: نقطه عطف 1: پیشنهاد پروژه - پروژه خود را به صورت انتزاعی مفهوم و طراحی کنید و یک پیشنهاد کوتاه بنویسید که شامل توضیحات پروژه، داده های مورد انتظار است. نیازها، جدول زمانی و نحوه تکمیل آن. Milestone 2: Workflow Design - گردش کار تجزیه و تحلیل پروژه خود را توسعه دهید، که معمولاً شامل ایجاد حداقل یک الگوریتم اصلی برای پردازش داده های شما می شود. این مدل نباید پیچیده یا پیچیده باشد، اما باید به شما امکان تجزیه و تحلیل داده‌های مکانی را برای خروجی جدید یا ایجاد یک نقشه تحلیلی جدید از نوع خاصی بدهد. نقطه عطف 3: تجزیه و تحلیل داده ها - داده ها را به دست آورید و از قبل پردازش کنید، آنها را از طریق مدل ها یا سایر گردش های کاری خود اجرا کنید تا محصولات داده های خام خود را بدست آورید، و شروع به ایجاد محصولات نقشه نهایی و/یا تجزیه و تحلیل کنید. نقطه عطف 4: ایجاد نقشه وب و چاپ - پروژه خود را با ارسال نقشه های قابل استفاده و جذاب و داده ها و الگوریتم خود برای بررسی و بازخورد همتایان تکمیل کنید.

پروژه داده کاوی راهنمایی گام به گام و تجربه عملی طراحی و اجرای یک پروژه داده کاوی در دنیای واقعی، از جمله فرمول بندی مسئله، بررسی ادبیات، کار پیشنهادی، ارزیابی، بحث و کار آینده را ارائه می دهد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder تصویر نشان‌واره دوره توسط Mariana Proença، در اینجا در Unsplash موجود است: https://unsplash.com/photos/_WgnXndHmQ4