نوشتن کد خوب برای علم داده تنها بخشی از کار است. به منظور به حداکثر رساندن سودمندی و قابلیت استفاده مجدد از نرم افزار علم داده، کد باید به گونه ای سازماندهی و توزیع شود که مطابق با استانداردهای جامعه محور باشد و تجربه کاربری خوبی را ارائه دهد. این دوره ابزارهای اولیه ای را که به وسیله آنها نرم افزار R سازماندهی و به دیگران توزیع می شود را پوشش می دهد. ما توسعه بسته‌های R، نوشتن اسناد و نگاره‌های خوب، نوشتن نرم‌افزار قوی، توسعه بین پلتفرم‌ها، ابزارهای یکپارچه‌سازی مداوم، و توزیع بسته‌ها از طریق CRAN و GitHub را پوشش می‌دهیم. فراگیران بسته های R را تولید می کنند که معیارهای ارسال به CRAN را برآورده می کند.

در دنیای داده محور امروزی، توانایی کار با پایگاه داده های رابطه ای یک مهارت ضروری برای متخصصان در زمینه های مختلف است. این دوره آموزشی برای تجهیز شما به دانش و مهارت های عملی مورد نیاز برای مهارت در مدیریت پایگاه داده و توسعه اپلیکیشن طراحی شده است. چه به عنوان مدیر پایگاه داده، توسعه‌دهنده نرم‌افزار، یا تحلیلگر داده‌ها شغلی را دنبال کنید، این دوره پایه‌ای قوی برای برتری در زمینه انتخابی شما فراهم می‌کند. در پایان این دوره، دانشجویان قادر خواهند بود: • پایگاه داده های رابطه ای و اجزای اصلی آنها شامل جداول، ردیف ها، ستون ها و کلیدها را شرح دهید. • پیاده سازی پایگاه داده رابطه ای و استفاده از ایندکس ها، نماها، محرک ها، جداول موقت، توابع و رویه های ذخیره شده. • نقش آنها را در اجرای منطق تجاری و یکپارچگی داده ها در محیط پایگاه داده توضیح دهید. • استفاده از طراحی پایگاه داده و دانش SQL برای توسعه برنامه های کاربردی در دنیای واقعی. • برنامه های کاربردی مبتنی بر پایگاه داده را با استفاده از زبان های برنامه نویسی، مانند جاوا، پایتون یا C/C++ و فریم ورک ها توسعه دهید. • مفاهیم نمایه سازی و هش در پشتیبانی کارآمد برای عملیات جستجو را شرح دهید. • مفاهیم معاملات و خصوصیات آنها (ACID: Atomicity, Consistency, Isolation, Durability) را شرح دهید. • کنترل همزمانی را تعریف کنید و تاثیر تراکنش های همزمان کنترل نشده را بر یکپارچگی داده ها درک کنید. نرم افزار مورد نیاز: ویرایشگر VS Code، MySQL Workbench، PostgreSQL برای موفقیت در این دوره، فراگیران باید درک کاملی از طراحی پایگاه داده رابطه ای داشته باشند. اگر هنوز بر این مهارت ها مسلط نشده اید، اکیداً توصیه می کنیم مقدمه ای بر پایگاه های داده رابطه ای و طراحی پایگاه داده رابطه ای را از قبل تکمیل کنید. این دوره های پایه برای تجهیز شما به دانش ضروری لازم برای برتری در این مطالب طراحی شده اند.

در این دوره سوم از تخصص، ابزارهایی را که Tableau در زمینه‌های نمودار، تاریخ، محاسبات جدول و نقشه‌برداری ارائه می‌دهد، عمیق‌تر خواهیم کرد. ما بر اساس نوع داده ای که استفاده می کنید، بهترین انتخاب ها را برای نمودارها بررسی می کنیم. ما به انواع خاصی از نمودارها از جمله نمودارهای پراکنده، نمودارهای گانت، هیستوگرام ها، نمودارهای گلوله ای و چندین نمودار دیگر نگاه خواهیم کرد و به دستورالعمل های نمودار اشاره خواهیم کرد. ما تاریخ‌های گسسته و پیوسته را تعریف می‌کنیم و بررسی می‌کنیم که چه زمانی از هر کدام برای توضیح داده‌های شما استفاده کنیم. نحوه ایجاد محاسبات جدول سفارشی و سریع و نحوه ایجاد پارامترها را یاد خواهید گرفت. ما همچنین نقشه‌برداری را معرفی می‌کنیم و چگونگی استفاده از Tableau از انواع مختلف داده‌های جغرافیایی، نحوه اتصال به چندین منبع داده و نحوه ایجاد نقشه‌های سفارشی را بررسی خواهیم کرد.

دانش GIS خود را در این دوره در مورد تجزیه و تحلیل جغرافیایی، تمرکز بر ابزارهای تجزیه و تحلیل، داده های سه بعدی، کار با رسترها، پیش بینی ها و متغیرهای محیطی به کار ببرید. در طول هر چهار هفته این دوره، ما در یک پروژه با هم کار خواهیم کرد - چیزی منحصر به فرد در این دوره - از ایده پروژه، از طریق بازیابی داده ها، مدیریت و پردازش داده های اولیه، و در نهایت به محصولات تجزیه و تحلیل ما. در این کلاس شما اصول تحلیل جغرافیایی و محیطی را طی چهار ماژول یک هفته ای یاد خواهید گرفت: هفته 1: نحوه نمایش داده های مکانی و تجزیه و تحلیل روابط مکانی با استفاده از ArcGIS Pro هفته 2: انجام تجزیه و تحلیل مبتنی بر شبکه هفته 3: نمایش نقشه های حرارتی و تجزیه و تحلیل هات اسپات در ArcGIS Pro هفته چهارم: دانش خود را در مورد داستان سرایی داده ها گسترش دهید. بیاموزید که چگونه داده های خود را به صورت بصری نمایش دهید و نقشه های خود را در ArcGIS Online به اشتراک بگذارید. تجزیه و تحلیل جغرافیایی با ArcGIS را به عنوان یک دوره مستقل یا به عنوان بخشی از تخصص سیستم های اطلاعات جغرافیایی (GIS) بخوانید. شما باید قبل از گذراندن این دوره، تجربه ای معادل با گذراندن دوره های اول و دوم در این رشته، «مبانی GIS» و «فرمت ها، طراحی و کیفیت داده های GIS» داشته باشید. با تکمیل این کلاس سوم در تخصص، مهارت های مورد نیاز برای موفقیت در برنامه کامل را به دست خواهید آورد.

مفاهیم اساسی تجزیه و تحلیل خوشه را کشف کنید و سپس مجموعه ای از متدولوژی ها، الگوریتم ها و کاربردهای خوشه بندی معمولی را مطالعه کنید. این شامل روش های پارتیشن بندی مانند k-means، روش های سلسله مراتبی مانند BIRCH و روش های مبتنی بر چگالی مانند DBSCAN/OPTICS است. علاوه بر این، روش‌هایی برای اعتبارسنجی خوشه‌بندی و ارزیابی کیفیت خوشه‌بندی را بیاموزید. در نهایت نمونه هایی از تحلیل خوشه ای در برنامه ها را ببینید.

به تجزیه و تحلیل خوشه ای، معادن انجمن و ارزیابی مدل خوش آمدید. در این دوره ما با کاوش در تجزیه و تحلیل خوشه‌ها و بخش‌بندی شروع می‌کنیم و در مورد چگونگی استفاده از تکنیک‌هایی مانند فیلترینگ مشارکتی و استخراج قوانین انجمن بحث می‌کنیم. همچنین توضیح خواهیم داد که چگونه می توان یک مدل را برای عملکرد ارزیابی کرد و تفاوت در انواع تحلیل و زمان اعمال آنها را بررسی خواهیم کرد.

دوره "تحلیل خوشه بندی" دانش آموزان را با مفاهیم اساسی یادگیری بدون نظارت با تمرکز بر تکنیک های خوشه بندی و کاهش ابعاد آشنا می کند. شرکت‌کنندگان روش‌های مختلف خوشه‌بندی، از جمله پارتیشن‌بندی، سلسله مراتبی، مبتنی بر چگالی و خوشه‌بندی مبتنی بر شبکه را بررسی خواهند کرد. علاوه بر این، دانش آموزان در مورد تجزیه و تحلیل مؤلفه اصلی (PCA) برای کاهش ابعاد یاد خواهند گرفت. از طریق آموزش های تعاملی و مطالعات موردی عملی، دانش آموزان تجربه عملی در استفاده از تکنیک های خوشه بندی و کاهش ابعاد در مجموعه داده های متنوع به دست خواهند آورد. در پایان این دوره، دانشجویان قادر خواهند بود: 1. درک اصول و اهمیت یادگیری بدون نظارت، به ویژه خوشه بندی و کاهش ابعاد. 2. مفاهیم و کاربردهای روش های پارتیشن بندی، سلسله مراتبی، مبتنی بر چگالی و خوشه بندی مبتنی بر شبکه را درک کنید. 3. مبانی ریاضی الگوریتم های خوشه بندی را برای درک عملکرد آنها کاوش کنید. 4. استفاده از تکنیک های خوشه بندی در مجموعه داده های متنوع برای کشف الگو و کاوش داده ها. 5. درک مفهوم کاهش ابعاد و اهمیت آن در کاهش پیچیدگی فضای ویژگی. 6. تجزیه و تحلیل مؤلفه اصلی (PCA) را برای کاهش ابعاد اجرا کنید و فضای ویژگی کاهش یافته را تفسیر کنید. 7. ارزیابی نتایج خوشه بندی و اثربخشی کاهش ابعاد با استفاده از معیارهای عملکرد مناسب. 8. تکنیک های خوشه بندی و کاهش ابعاد را در مطالعات موردی در دنیای واقعی به کار ببرید تا بینش های معناداری به دست آورید. در طول دوره، دانش‌آموزان فعالانه در آموزش‌ها و مطالعات موردی شرکت خواهند کرد، مهارت‌های تجزیه و تحلیل خوشه‌بندی و کاهش ابعاد خود را تقویت می‌کنند و تجربه عملی در به‌کارگیری این تکنیک‌ها در مجموعه داده‌های متنوع به دست می‌آورند. با دستیابی به اهداف یادگیری، شرکت کنندگان به خوبی مجهز می شوند تا در وظایف یادگیری بدون نظارت برتری پیدا کنند و با استفاده از تکنیک های خوشه بندی و کاهش ابعاد تصمیمات آگاهانه بگیرند.

این دوره برای متخصصان کسب و کار طراحی شده است که می خواهند یاد بگیرند که چگونه داده ها را تجزیه و تحلیل کنند تا بینش به دست آورند، از روش های تجزیه و تحلیل آماری برای کشف توزیع زیربنایی داده ها استفاده کنند، از تجسم هایی مانند هیستوگرام، نمودار پراکندگی و نقشه ها برای تجزیه و تحلیل داده ها و پیش پردازش داده ها برای تولید استفاده کنند. مجموعه داده آماده برای آموزش دانشجوی معمولی در این دوره چندین سال تجربه در زمینه فناوری محاسبات از جمله استعداد در برنامه نویسی کامپیوتر خواهد داشت.

زبان برنامه نویسی R به طور هدفمند برای تجزیه و تحلیل داده ها ساخته شده است. R کلیدی است که دری را بین مشکلاتی که می خواهید با داده ها حل کنید و پاسخ هایی که برای رسیدن به اهداف خود نیاز دارید باز می کند. این دوره با یک سوال شروع می شود و سپس شما را در فرآیند پاسخ دادن به آن از طریق داده ها راهنمایی می کند. ابتدا تکنیک های مهمی را برای آماده سازی (یا مشاجره کردن) داده های خود برای تجزیه و تحلیل خواهید آموخت. سپس یاد خواهید گرفت که چگونه از طریق تجزیه و تحلیل داده های اکتشافی به درک بهتری از داده های خود دست یابید، به شما کمک می کند تا داده های خود را خلاصه کنید و روابط مرتبط بین متغیرهایی را شناسایی کنید که می تواند به بینش منجر شود. هنگامی که داده های شما برای تجزیه و تحلیل آماده شد، یاد خواهید گرفت که چگونه مدل خود را توسعه دهید و عملکرد آن را ارزیابی و تنظیم کنید. با پیروی از این فرآیند، می توانید مطمئن شوید که تجزیه و تحلیل داده های شما مطابق با استانداردهایی است که تعیین کرده اید و می توانید به نتایج اطمینان داشته باشید. شما با بازی در نقش یک تحلیلگر داده که در حال تجزیه و تحلیل داده های خروج و رسیدن خطوط هوایی برای پیش بینی تاخیرهای پرواز است، تجربه عملی ایجاد خواهید کرد. با استفاده از مجموعه داده‌های عملکرد به‌موقع شرکت گزارش‌دهنده هواپیمایی، خواندن فایل‌های داده، پیش‌پردازش داده‌ها، ایجاد مدل‌ها، بهبود مدل‌ها و ارزیابی آن‌ها را تمرین می‌کنید تا در نهایت بهترین مدل را انتخاب کنید. ویدیوها را تماشا کنید، از طریق آزمایشگاه ها کار کنید و به مجموعه خود اضافه کنید. موفق باشید! توجه: پیش نیاز این دوره، مهارت های اولیه برنامه نویسی R است. به عنوان مثال، مطمئن شوید که دوره ای مانند مقدمه ای بر برنامه نویسی R برای علم داده از IBM را گذرانده اید.

این دوره به معرفی ملایم ما برای برنامه نویسی در R ادامه می دهد که برای 3 نوع یادگیرنده 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 بلدید اما با R آشنا نیستید • مقداری برنامه نویسی R را می شناسید اما می خواهید در مورد افعال tidyverse اطلاعات بیشتری کسب کنید بهتر است بعد از اولین دوره تخصصی گرفته شود یا اگر قبلاً با ggplot، RMarkdown و نوشتن تابع پایه در R آشنا هستید. از Learn to use reader برای خواندن در داده های خود، dplyr برای تجزیه و تحلیل داده ها و stringr استفاده خواهید کرد. و forcats برای دستکاری رشته ها و عوامل.

در این دوره جامع، شما برای تسلط بر هنر تجزیه و تحلیل داده ها از طریق SQL، سفری تحول آفرین را آغاز خواهید کرد. SQL ابزار قدرتمندی است که برای مدیریت و دستکاری داده ها در پایگاه داده های رابطه ای استفاده می شود. در طول این دوره، مهارت‌های ضروری برای استخراج کارآمد داده‌های مرتبط از پایگاه‌های داده را به دست می‌آورید و به شما این امکان را می‌دهد که به راحتی در میان حجم وسیعی از اطلاعات حرکت کنید. با تمرکز بر کاربرد عملی، شما به دنیای تجزیه و تحلیل داده ها کاوش خواهید کرد، و کشف خواهید کرد که چگونه می توانید بینش های معناداری را از مجموعه داده های بزرگی که در پایگاه داده های پیچیده رابطه ای قرار دارند، به دست آورید. در پایان این دوره، شما مهارت های ایجاد و اصلاح پایگاه های داده را به دست آورید، و شما را به توانایی حل مشکلات تجاری در دنیای واقعی مجهز می کند. با اطمینان از دقت و قابلیت اطمینان تجزیه و تحلیل خود، فیلتر کردن و تمیز کردن مجموعه داده ها را بیاموزید. 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.

این دوره شما را با نحوه استفاده از صفحات گسترده و پرس و جوهای SQL برای تجزیه و تحلیل و استخراج داده ها آشنا می کند. شما یاد خواهید گرفت که چگونه به طور عملی چارچوب تجزیه و تحلیل داده های OSEMN و توابع صفحه گسترده را برای پاک کردن داده ها، محاسبه آمار خلاصه، ارزیابی همبستگی ها و موارد دیگر اعمال کنید. شما همچنین به تکنیک های متداول تجسم داده ها می پردازید و یاد می گیرید که چگونه از داشبورد برای گفتن داستانی با داده های خود استفاده کنید. در پایان این دوره شما قادر خواهید بود: • داده ها را با صفحات گسترده پاک کنید • از فرمول های رایج صفحه گسترده برای محاسبه آمار خلاصه استفاده کنید • روندها و الگوهای داده را شناسایی کنید • عبارات و پرس و جوهای SQL اساسی را برای استخراج داده ها در صفحات گسترده بنویسید • نمودارهایی را در Google Sheets ایجاد کنید و از Tableau برای تجسم داده ها استفاده کنید • از داشبورد برای ایجاد تجسم داده ها استفاده کنید شما نیازی به تجربه بازاریابی یا تجزیه و تحلیل داده ندارید، اما باید مهارت های ناوبری اینترنتی اولیه را داشته باشید و مشتاق مشارکت باشید. در حالت ایده‌آل شما قبلاً دوره 1: بنیاد تجزیه و تحلیل بازاریابی و دوره 2: مقدمه‌ای بر تجزیه و تحلیل داده‌ها را در این برنامه تکمیل کرده‌اید.

به این دوره در مورد تجزیه و تحلیل داده ها برای Lean Six Sigma خوش آمدید. در این دوره شما تکنیک های تجزیه و تحلیل داده ها را یاد خواهید گرفت که معمولاً در پروژه های بهبود Lean Six Sigma مفید هستند. در پایان این دوره شما قادر به تجزیه و تحلیل و تفسیر داده های جمع آوری شده در چنین پروژه ای هستید. شما می توانید از Minitab برای تجزیه و تحلیل داده ها استفاده کنید. من همچنین به طور خلاصه توضیح خواهم داد که Lean Six Sigma چیست. من بر استفاده از ابزارهای تجزیه و تحلیل داده ها و تفسیر نتیجه تاکید خواهم کرد. من از نمونه های مختلف بسیاری از پروژه های واقعی ناب شش سیگما برای نشان دادن همه ابزارها استفاده خواهم کرد. من در مورد هیچ زمینه ریاضی بحث نمی کنم. تنظیماتی که ما برای مثال داده خود انتخاب کردیم، پروژه بهبود ناب شش سیگما است. با این حال ابزارهای تجزیه و تحلیل داده ها بسیار کاربردی هستند. بنابراین متوجه خواهید شد که تکنیک هایی را یاد خواهید گرفت که می توانید از آنها جدا از پروژه های بهبود در محیطی گسترده تر استفاده کنید. امیدوارم از این دوره لذت ببرید و موفق باشید! دکتر Inez Zwetsloot و تیم IBIS UvA

در این پروژه Capstone، شما تمام مهارت ها و بینش های جدیدی را که از طریق چهار دوره یاد گرفته اید، گرد هم می آورید. به شما یک مشکل کلاینت "ساختگی" و یک مجموعه داده داده می شود. برای به دست آوردن بینش تجاری، تحقیق در حوزه دامنه مشتری و ایجاد توصیه ها، باید داده ها را تجزیه و تحلیل کنید. سپس باید داده ها را در یک ارائه رو به مشتری تجسم کنید. همه آن‌ها را در یک ارائه ویدیویی ضبط‌شده گرد هم می‌آورید. این دوره توسط PricewaterhouseCoopers LLP با آدرسی در 300 Madison Avenue, New York, New York, 10017 ایجاد شده است.

تجزیه و تحلیل آماری یک جنبه ضروری از تجزیه و تحلیل داده ها است زیرا به ما امکان می دهد داده ها را جمع آوری، بررسی و تجزیه و تحلیل کنیم تا نتایج ارزشمندی در صنایع مختلف بدست آوریم. به همین دلیل است که پیش بینی می شود بازار آمار در آینده رشد کند. اگر می خواهید تخصص آمار و احتمال خود را ایجاد کنید و در مورد تجسم داده ها بیاموزید، این دوره کوتاه مقدمه ای عالی برای آمار به عنوان هنر یادگیری از داده ها است. با مثال‌های واقعی، تفاوت‌های بین داده‌ها و اطلاعات را کشف خواهید کرد تا نیاز به مدل‌های آماری برای به دست آوردن استنتاج‌های عینی و قابل اعتماد را کشف کنید. شما معنی جمع آوری داده های "بی طرفانه" را در نظر خواهید گرفت و نمونه های مختلفی از ارائه نادرست داده ها، تصور نادرست یا ناقص بودن داده ها را بررسی خواهید کرد که به شما در توسعه شهود آماری و مهارت های تمرین خوب کمک می کند. تجسم داده ها یک مهارت مورد توجه است. برای ایجاد خلاصه‌های گرافیکی و عددی، مهارت‌های نرم‌افزار R را که در RStudio برای تجزیه و تحلیل داده‌های اکتشافی کار می‌کنند، یاد می‌گیرید و تمرین می‌کنید. با تکمیل آزمایش‌های احتمال و شبیه‌سازی رایانه‌ای مسیرهای دوجمله‌ای، به‌عنوان مثال، پرتاب کردن یک سکه یا چرخاندن یک قالب، مفهومی بصری از احتمال ایجاد خواهید کرد. در پایان دوره، شما قادر خواهید بود نقش مدل های آماری در تجزیه و تحلیل داده ها را درک کنید، خلاصه های عددی و گرافیکی را با استفاده از RStudio ایجاد کنید و آزمایش های احتمال را در شبیه سازی های کامپیوتری انجام دهید. صرف نظر از سطح مهارت ریاضی فعلی شما، چیزی جالب در این دوره خواهید یافت که نمونه های عملی و واقعی بسیاری از آمار را در عمل ارائه می دهد. این دوره یک مزه دوره کارشناسی ارشد آنلاین در علوم داده (آمار) است و همچنین می تواند توسط زبان آموزانی که می خواهند اصول تجزیه و تحلیل داده های اکتشافی و تجسم داده ها را درک کنند تکمیل شود.

در این دوره یاد خواهید گرفت که مانند یک دانشمند داده فکر کنید و از داده های خود سوال بپرسید. شما از ویژگی های تعاملی در متلب برای استخراج زیرمجموعه های داده و محاسبه آمار بر روی گروه های داده های مرتبط استفاده خواهید کرد. شما یاد خواهید گرفت که از MATLAB برای تولید خودکار کد استفاده کنید تا بتوانید در حین کاوش، سینتکس را یاد بگیرید. شما همچنین از اسناد تعاملی، به نام اسکریپت‌های زنده، برای ثبت مراحل تجزیه و تحلیل، ارتباط نتایج و ارائه کنترل‌های تعاملی که به دیگران اجازه می‌دهد با انتخاب گروه‌هایی از داده‌ها آزمایش کنند، استفاده خواهید کرد. این مهارت‌ها برای کسانی که دانش حوزه و تا حدودی در معرض ابزارهای محاسباتی هستند، ارزشمند است، اما هیچ پیش‌زمینه برنامه‌نویسی لازم نیست. برای موفقیت در این دوره، باید اطلاعاتی در مورد آمار اولیه (مانند هیستوگرام، میانگین، انحراف معیار، برازش منحنی، درونیابی) داشته باشید. در پایان این دوره، شما قادر خواهید بود داده ها را در MATLAB بارگذاری کنید، آن ها را برای تجزیه و تحلیل آماده کنید، آن ها را تجسم کنید، محاسبات اولیه را انجام دهید و نتایج خود را به دیگران منتقل کنید. در آخرین تکلیف خود، این مهارت ها را برای ارزیابی خسارات ناشی از یک رویداد شدید آب و هوایی ترکیب می کنید و یک توصیه صیقلی را بر اساس تجزیه و تحلیل داده ها ارسال می کنید. شما قادر خواهید بود مکان این رویدادها را روی یک نقشه جغرافیایی تجسم کنید و کنترل‌های کشویی ایجاد کنید که به شما امکان می‌دهد به سرعت نحوه تغییر یک پدیده را در طول زمان تجسم کنید.

در این دوره، نگاهی عمیق به دستور SQL SELECT و بندهای اصلی آن خواهید داشت. این دوره بر روی موتورهای SQL داده های بزرگ Apache Hive و Apache Impala تمرکز دارد، اما بیشتر اطلاعات برای SQL با RDBM های سنتی نیز قابل استفاده است. مدرس به صراحت به تفاوت های MySQL و PostgreSQL می پردازد. در پایان دوره، شما قادر خواهید بود • کاوش و پیمایش پایگاه های داده و جداول با استفاده از ابزارهای مختلف. • اصول عبارات SELECT را درک کنید. • درک چگونگی و چرایی فیلتر کردن نتایج. کاوش در گروه بندی و تجمیع برای پاسخ به سؤالات تحلیلی. • کار با مرتب سازی و محدود کردن نتایج. و • چند جدول را به روش‌های مختلف ترکیب کنید. برای استفاده از محیط عملی این دوره، باید یک ماشین مجازی و نرم افزاری که روی آن اجرا می شود را دانلود و نصب کنید. قبل از ادامه، مطمئن شوید که به رایانه ای دسترسی دارید که شرایط سخت افزاری و نرم افزاری زیر را برآورده می کند: • سیستم عامل Windows، macOS، یا لینوکس (iPads و تبلت‌های Android کار نمی‌کنند) • سیستم عامل 64 بیتی (سیستم عامل های 32 بیتی کار نمی کنند) • 8 گیگابایت رم یا بیشتر • ۲۵ گیگابایت فضای دیسک رایگان یا بیشتر • پشتیبانی مجازی سازی Intel VT-x یا AMD-V فعال است (در رایانه های مک با پردازنده های اینتل، این همیشه فعال است. در رایانه های ویندوز و لینوکس، ممکن است لازم باشد آن را در بایوس فعال کنید) • فقط برای رایانه‌های Windows XP: باید یک ابزار unzip مانند 7-Zip یا WinZip نصب کرده باشید (ابزار Unzip داخلی Windows XP کار نخواهد کرد)

این دوره ادامه  Healthcare Analytics Essentials است. اگر هنوز دوره Healthcare Analytics Essentials را گذرانده اید، توصیه می شود آن دوره را قبل از این دوره تکمیل کنید. دانش اساسی برای حمایت از پروژه در این بررسی عمیق تر برای استفاده از تجزیه و تحلیل مراقبت های بهداشتی در مدیریت و مدیریت انجام می شود. این دوره به شما این فرصت را می دهد تا در مورد اینکه چگونه تجزیه و تحلیل کسب و کار می تواند عملکرد سازمان بهداشت و درمان را بهبود بخشد و راه هایی برای شناسایی و رسیدگی به مسائلی که بر مراقبت از بیمار تأثیر می گذارد، بیاموزید. شما مؤلفه های تداوم مراقبت، استراتژی های مورد استفاده برای دستیابی به تداوم و ویژگی های بیمار محوری را بررسی خواهید کرد. همچنین ساختار و ارزش کارآزمایی تصادفی کنترل شده و نیاز به تصمیم گیری در سطح فردی را بررسی خواهید کرد. در نهایت، شما در مورد سیستم‌ها در مراقبت‌های بهداشتی، 6Cهای سیستمی، و پنج ویژگی رایج سیستم‌های پیچیده و چارچوب ایجاد تغییر خواهید آموخت.

در این دوره آموزشی، نحوه انجام تجزیه و تحلیل عملیاتی در برابر Azure Cosmos DB با استفاده از ویژگی Azure Synapse Link در Azure Synapse Analytics را خواهید آموخت. خواهید آموخت که چگونه پردازش تراکنش های ترکیبی و تحلیلی می تواند به شما در انجام تجزیه و تحلیل عملیاتی با Azure Synapse Analytics کمک کند. همچنین یاد خواهید گرفت که چگونه Azure Synapse Link را برای تعامل با Azure Cosmos DB پیکربندی و فعال کنید و چگونه می توانید با استفاده از Azure Synapse Link تجزیه و تحلیل را در برابر Azure Cosmos DB انجام دهید. 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 هفتمین 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.

دوره "قوانین انجمن و تجزیه و تحلیل نقاط پرت" دانش آموزان را با مفاهیم اساسی روش های یادگیری بدون نظارت، با تمرکز بر قوانین ارتباط و تشخیص نقاط پرت آشنا می کند. شرکت‌کنندگان در الگوریتم‌های مکرر و قوانین تداعی، بینشی در مورد الگوریتم‌های Apriori و استخراج قوانین تداعی مبتنی بر محدودیت به دست خواهند آورد. علاوه بر این، دانش‌آموزان روش‌های تشخیص پرت را با درک عمیقی از موارد پرت متنی بررسی خواهند کرد. از طریق آموزش‌های تعاملی و مطالعات موردی عملی، دانش‌آموزان تجربه عملی را در استفاده از قوانین ارتباط و تکنیک‌های تشخیص نقاط پرت در مجموعه داده‌های متنوع به دست خواهند آورد. اهداف آموزشی دوره: در پایان این دوره، دانشجویان قادر خواهند بود: 1. اصول و اهمیت روش‌های یادگیری بدون نظارت، به‌ویژه قوانین ارتباط و تشخیص موارد دور از دسترس را درک کنید. 2. مفاهیم و کاربردهای الگوهای مکرر و قوانین تداعی را در کشف روابط جالب بین آیتم ها درک کنید. 3. الگوریتم های Apriori را کاوش کنید تا مجموعه آیتم های مکرر را به طور کارآمد استخراج کنید و قوانین ارتباط را ایجاد کنید. 4. معیارهای حمایت، اطمینان، و افزایش را در استخراج قوانین تداعی اجرا و تفسیر کنید. 5. مفهوم استخراج قوانین انجمن مبتنی بر محدودیت و نقش آن در گرفتن الگوهای تداعی خاص را درک کنید. 6. اهمیت تشخیص پرت را در تحلیل داده ها و کاربردهای دنیای واقعی تجزیه و تحلیل کنید. 7. برای شناسایی نقاط داده غیرعادی، از روش‌های مختلف تشخیص پرت، از جمله رویکردهای آماری و مبتنی بر فاصله استفاده کنید. 8. درک متنی پرت و تکنیک های تشخیص نقاط پرت متنی برای گرفتن نقاط پرت در زمینه های خاص. 9. قوانین تداعی و تکنیک‌های تشخیص پرت را در مطالعات موردی در دنیای واقعی به کار ببرید تا بینش‌های معناداری به دست آورید. در طول دوره، دانش‌آموزان فعالانه در آموزش‌ها و مطالعات موردی شرکت می‌کنند، مهارت‌های مربوط به قانون‌کاوی و تشخیص موارد پرت را تقویت می‌کنند و تجربه عملی در کاربرد این تکنیک‌ها در مجموعه داده‌های متنوع به دست می‌آورند. با دستیابی به اهداف یادگیری، شرکت کنندگان به خوبی مجهز خواهند شد تا در وظایف یادگیری بدون نظارت برتری پیدا کنند و با استفاده از قوانین تداعی و تکنیک های تشخیص پرت، تصمیمات آگاهانه بگیرند.