در عصر کلان داده، دستیابی به توانایی تجزیه و تحلیل و نمایش بصری "داده های بزرگ" به شیوه ای قانع کننده بسیار مهم است. بنابراین، برای دانشمندان داده ضروری است که مهارت های تولید و تفسیر انتقادی نقشه ها، نمودارها و نمودارهای دیجیتال را توسعه دهند. تجسم داده ها موضوع مهمی در جامعه جهانی و دیجیتالی ما است. این شامل نمایش گرافیکی داده ها یا اطلاعات است و تصمیم گیرندگان در صنایع مختلف را قادر می سازد تا مفاهیم و فرآیندهای پیچیده ای را درک کنند که در غیر این صورت ممکن است درک آنها چالش برانگیز باشد. DSCI 605 تجسم داده ها به عنوان پایه ای برای درک اصول، مفاهیم، ​​تکنیک ها و ابزارهای مورد استفاده برای تجسم اطلاعات در مجموعه داده های بزرگ و پیچیده عمل می کند. همچنین تجربه عملی را در تجسم داده‌های بزرگ با استفاده از نرم‌افزار منبع باز R فراهم می‌کند. از طریق این دوره، دانش‌آموزان یاد می‌گیرند که اثربخشی طرح‌های تجسم را ارزیابی کنند و درباره تصمیم‌هایی مانند انتخاب رنگ و رمزگذاری بصری فکر انتقادی کنند. علاوه بر این، دانش آموزان تجسم داده های خود را ایجاد می کنند و در استفاده از R مهارت خواهند داشت. این دوره شامل چهار بخش است. بخش اول به یادگیرندگان با حداقل یا بدون تجربه در R پاسخ می‌دهد و زمینه را برای تجسم داده‌ها با R ایجاد می‌کند. بخش دوم تکنیک‌های اولیه تجسم داده‌ها را معرفی می‌کند و به دانش‌آموزان اجازه می‌دهد تا تجربه عملی با شیوه‌های تجسم رایج برای تجزیه و تحلیل داده‌های اکتشافی (EDA) به دست آورند. ) با استفاده از ggplot2. این بخش بر کاوش داده ها قبل از پرداختن به داده کاوی پیشرفته تاکید دارد. بخش سوم بر مهارت‌های موجود در تجسم داده‌ها با بررسی موضوعات پیشرفته تجسم داده‌ها، از جمله تجسم داده‌های تعاملی، ترسیم سری‌های زمانی، و نقشه‌برداری فضایی استوار است. هدف اصلی سه بخش اول تجهیز دانش‌آموزان به مجموعه‌ای از مهارت‌های توسعه‌یافته است که آنها را قادر می‌سازد تا طیف وسیعی از تجسم‌ها را در R ایجاد کنند. ، و تجربیات به دست آمده از بخش های قبلی. این پروژه مستلزم ایجاد یک تجسم داده است که به طور مؤثر یک داستان جذاب را به مخاطبان و خوانندگان منتقل می کند.

در این دوره آموزشی، گرامر گرافیک، سیستمی برای توصیف و ساختن نمودارها، و اینکه چگونه بسته تجسم داده ggplot2 برای R این مفهوم را در نمودارهای میله ای پایه، هیستوگرام ها، نمودارهای دایره ای، نمودارهای پراکنده، نمودارهای خطی و جعبه به کار می برد، یاد خواهید گرفت. توطئه ها همچنین یاد خواهید گرفت که چگونه نمودارها و نمودارهای خود را با استفاده از تم ها و تکنیک های دیگر سفارشی کنید. سپس یاد خواهید گرفت که چگونه از بسته تجسم داده دیگری برای R به نام Leaflet برای ایجاد نمودارهای نقشه استفاده کنید، روشی منحصر به فرد برای رسم داده ها بر اساس داده های موقعیت جغرافیایی. در نهایت با ایجاد داشبوردهای تعاملی با استفاده از پکیج R Shiny آشنا می شوید. شما یاد خواهید گرفت که چگونه برنامه های براق را ایجاد و سفارشی کنید، ظاهر برنامه ها را با افزودن اجزای HTML و تصویر تغییر دهید، و برنامه های داده تعاملی خود را در وب مستقر کنید. شما آنچه را که یاد می گیرید تمرین می کنید و با تکمیل آزمایشگاه ها در هر ماژول و یک پروژه نهایی در پایان دوره، تجربه عملی ایجاد می کنید. ویدیوها را تماشا کنید، از طریق آزمایشگاه‌ها کار کنید و مهارت‌های علم داده خود را مشاهده کنید. موفق باشید! توجه: این دوره به دانش کار با R و داده نیاز دارد. اگر این مهارت ها را ندارید، به شدت توصیه می شود قبل از شروع این دوره، ابتدا دوره های مقدماتی برنامه نویسی R برای علم داده و همچنین دوره های تجزیه و تحلیل داده ها با R را از IBM بخوانید. توجه: پیش نیاز این دوره، مهارت های اولیه برنامه نویسی R است.

دوره تجسم داده ها با تابلو به شما درک اساسی از ارائه داده ها از طریق تصاویر واضح و قابل درک با استفاده از Tableau می دهد. در طول دوره، طیف متنوعی از انواع تجسم و کاربردهای ایده آل آنها را با پلتفرم Tableau Public کاوش خواهید کرد. با بررسی اینکه چگونه کارشناسان از Tableau برای ایجاد نمودارها و نقشه‌های استثنایی استفاده می‌کنند و مهارت‌های ساخت جداول تعاملی را به دست می‌آورند، در تکنیک‌های تجسم ضروری مهارت کسب خواهید کرد. درک این تکنیک ها برای کسانی که به دنبال نقش های سطح ابتدایی در زمینه تجزیه و تحلیل تجاری هستند، بسیار 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: -شناسایی ارزش و ساختار Tableau Public همانطور که برای تجسم داده ها در صنعت تجزیه و تحلیل تجاری کاربرد دارد. -تصویرسازی داده‌ها را ایجاد کنید تا بینش‌های تحلیلی را به مخاطبان مورد نظر، مانند سهامداران تجاری، منتقل کنید. با اتصال، آماده سازی و سفارشی کردن داده ها در Tableau Public جداول تعاملی بسازید.

در این دوره آموزشی، توابع پیشرفته اکسل 2013 را به صورت عملی آموزش خواهید دید. شما یاد خواهید گرفت که از PowerPivot برای ساخت پایگاه داده و مدل های داده استفاده کنید. ما به شما نشان خواهیم داد که چگونه انواع مختلف تحلیل سناریو و شبیه سازی را انجام دهید و شما فرصتی خواهید داشت که این مهارت ها را با استفاده از ابزارهای داخلی اکسل از جمله حل کننده، جداول داده، مدیر سناریو و جستجوی هدف تمرین کنید. در نیمه دوم دوره، نحوه تجسم داده ها، گفتن یک داستان و کاوش داده ها با مرور اصول اصلی تجسم داده ها و داشبورد را پوشش می دهد. از اکسل برای ایجاد نمودارهای پیچیده و گزارش های Power View استفاده می کنید و سپس شروع به ترکیب آنها در داشبوردهای پویا می کنید. توجه: زبان آموزان برای تکمیل برخی از تمرینات به PowerPivot نیاز دارند. لطفا از نسخه MS Excel 2013 استفاده کنید. اگر نسخه‌های MS Excel یا MAC دیگری دارید، ممکن است نتوانید همه تکالیف را تکمیل کنید. این دوره توسط PricewaterhouseCoopers LLP با آدرسی در 300 Madison Avenue, New York, New York, 10017 ایجاد شده است.

در این دوره مبتنی بر پروژه، شما علایق خود را دنبال خواهید کرد تا یک نمونه کار با ارزش تک فریم یعنی داستان داده چند فریمی ایجاد کنید که در Tableau Public به اشتراک گذاشته شود. شما از تمام مهارت های آموزش داده شده در این تخصص برای تکمیل این پروژه به صورت گام به گام و با راهنمایی مربیان خود در طول مسیر استفاده خواهید کرد. شما ابتدا یک طرح پیشنهادی برای شناسایی اهداف خود برای پروژه ایجاد خواهید کرد، از جمله سوالی که می خواهید به آن پاسخ دهید یا با داده ها بررسی کنید. سپس داده هایی را پیدا خواهید کرد که اطلاعاتی را که به دنبال آن هستید ارائه می دهد. سپس آن داده ها را به Tableau وارد کرده و برای تجزیه و تحلیل آماده می کنید. سپس یک داشبورد ایجاد می‌کنید که به شما امکان می‌دهد داده‌ها را عمیقاً بررسی کنید و بینش‌های معنادار را شناسایی کنید. سپس با نوشتن قوس داستان به صورت روایی به داستان داده خود ساختار می دهید. در نهایت، شما چک لیست طراحی خود را برای دستیابی به مفهوم نهایی یا داستان داده در Tableau مشورت خواهید کرد. این فرصت شماست تا به دنیا نشان دهید که چه توانایی هایی دارید - پس بزرگ فکر کنید و به مهارت های خود اطمینان داشته باشید!

یکی از مهارت هایی که مشخصه تحلیلگران بزرگ داده های کسب و کار است، توانایی برقراری ارتباط پیامدهای عملی تحلیل های کمی با هر نوع مخاطبی است. حتی پیچیده‌ترین تحلیل‌های آماری برای یک کسب‌وکار مفید نیستند، اگر به توصیه‌های عملی منتهی نشوند، یا اگر پاسخ به آن سؤالات تجاری به گونه‌ای که افراد غیر فنی بتوانند آن را درک کنند، منتقل نشود. در این دوره شما یاد خواهید گرفت که چگونه در برقراری ارتباط پیامدهای مرتبط با تجارت از تجزیه و تحلیل داده ها استاد شوید. در پایان، می‌دانید که چگونه پروژه‌های تجزیه و تحلیل داده‌های خود را ساختار دهید تا اطمینان حاصل کنید که ثمرات کار سخت شما نتایج را برای ذینفعان شما به ارمغان می‌آورد. همچنین می‌دانید که چگونه با استفاده از تجسم‌سازی‌ها در Tableau، محبوب‌ترین برنامه تجسم‌سازی در دنیای تجارت، تحلیل‌های خود را ساده کنید و پیامدهای آنها را به طور موثر برجسته کنید. با استفاده از سایر ویژگی‌های Tableau، می‌توانید تجسم‌های مؤثری ایجاد کنید که از تمایلات ادراکی و شناختی ذاتی مغز انسان برای انتقال مستقیم و واضح نتیجه‌گیری استفاده می‌کند. در نهایت، شما در طراحی و ارائه قانع‌کننده «داستان‌های داده» کسب‌وکار که از این تجسم‌ها استفاده می‌کند، با سرمایه‌گذاری بر روش‌های آزمایش‌شده تجاری و اصول طراحی، تمرین خواهید کرد.

با نحوه ایجاد تجسم داده ها و داشبورد با استفاده از صفحات گسترده و ابزارهای تجزیه و تحلیل آشنا شوید. این دوره برخی از اولین گام ها را برای بیان یک داستان قانع کننده با داده های شما با استفاده از انواع مختلف نمودارها و نمودارها پوشش می دهد. شما اصول تجسم داده ها را با Excel و IBM Cognos Analytics بدون نیاز به نوشتن کد یاد خواهید گرفت. شما با ایجاد نمودارهای ساده در اکسل مانند نمودارهای خطی، دایره ای و میله ای شروع می کنید. سپس تجسم های پیشرفته تری را با Treemaps، نمودارهای پراکنده، هیستوگرام ها، نمودارهای نقشه پر شده و Sparklines ایجاد خواهید کرد. در مرحله بعد با ویژگی Excel PivotChart نیز کار خواهید کرد و همچنین چندین تصویرسازی را در داشبورد اکسل جمع آوری خواهید کرد. این دوره همچنین به شما می آموزد که چگونه از ابزارهای هوش تجاری (BI) مانند Cognos Analytics برای ایجاد داشبوردهای تعاملی استفاده کنید. در پایان دوره، شما از نقش کلیدی که تجسم داده ها در انتقال یافته های تجزیه و تحلیل داده های شما ایفا می کند و توانایی ایجاد موثر آنها را قدردانی خواهید کرد. در طول این دوره، آزمایشگاه های عملی متعددی وجود خواهد داشت که به شما کمک می کند تا تجربه عملی را برای کار با Excel و Cognos ایجاد کنید. همچنین یک پروژه نهایی وجود دارد که در آن مجموعه ای از تجسم داده ها و یک داشبورد تعاملی برای اضافه کردن به مجموعه خود ایجاد می کنید، که می توانید آن را با همتایان، جوامع حرفه ای یا کارفرمایان آینده به اشتراک بگذارید.

این دوره مقدمه ای بر تجسم داده های علمی سه بعدی، با تاکید بر ارتباطات علمی و طراحی سینمایی برای جذابیت برای مخاطبان گسترده است. شما سواد تجسم را از طریق توانایی در تفسیر/تحلیل (خواندن) تجسم ها و ایجاد (نوشتن) تجسم های خود توسعه خواهید داد. در پایان این دوره، شما: -سواد تجسم را توسعه دهید. عملی بودن کار با داده های مکانی را بیاموزید. - درک آنچه که تجسم علمی را معنادار می کند. -یاد بگیرید چگونه تجسم های آموزشی ایجاد کنید که دقت علمی را حفظ کند. - بفهمید چه چیزی یک تجسم علمی را سینمایی می کند. -یاد بگیرید چگونه تجسمی ایجاد کنید که برای مخاطبان گسترده جذاب باشد. -آموزش کار با نرم افزارهای تصویرسازی (برای کسانی که آهنگ Honors را تکمیل می کنند)

این دوره بر مفاهیم و ابزارهای پشت گزارش تجزیه و تحلیل داده های مدرن به شیوه ای تکرارشونده تمرکز دارد. تحقیق تکرارپذیر این ایده است که تجزیه و تحلیل داده ها، و به طور کلی، ادعاهای علمی، با داده ها و کد نرم افزاری آنها منتشر می شود تا دیگران بتوانند یافته ها را تأیید کنند و بر اساس آنها بنا کنند. نیاز به تکرارپذیری به طور چشمگیری در حال افزایش است زیرا تجزیه و تحلیل داده ها پیچیده تر می شود و شامل مجموعه داده های بزرگتر و محاسبات پیچیده تر می شود. تکرارپذیری به افراد اجازه می دهد تا بر محتوای واقعی تجزیه و تحلیل داده ها تمرکز کنند، نه بر جزئیات سطحی گزارش شده در یک خلاصه کتبی. علاوه بر این، تکرارپذیری تجزیه و تحلیل را برای دیگران مفیدتر می کند زیرا داده ها و کدهایی که در واقع تجزیه و تحلیل را انجام داده اند در دسترس هستند. این دوره بر روی ابزارهای تحلیل آماری باسواد تمرکز می کند که به فرد امکان می دهد تجزیه و تحلیل داده ها را در یک سند منتشر کند که به دیگران امکان می دهد به راحتی همان تجزیه و تحلیل را برای به دست آوردن نتایج یکسان اجرا کنند.

دوره «تحلیل رگرسیون» دانشجویان را با مفاهیم اساسی یکی از مهم ترین روش های یادگیری تحت نظارت یعنی رگرسیون مجهز می کند. شرکت کنندگان تکنیک های مختلف رگرسیون را بررسی می کنند و یاد می گیرند که چگونه آنها را به طور موثر ارزیابی کنند. علاوه بر این، دانش‌آموزان در موضوعات پیشرفته، از جمله رگرسیون چند جمله‌ای، تکنیک‌های منظم‌سازی (ریج، کمند، و شبکه الاستیک)، اعتبارسنجی متقاطع و روش‌های گروهی (کیسه‌بندی، تقویت، و انباشتن) تخصص کسب خواهند کرد. از طریق آموزش های تعاملی و مطالعات موردی عملی، دانش آموزان تجربه عملی در استفاده از تحلیل رگرسیون در سناریوهای داده های دنیای واقعی به دست خواهند آورد. در پایان این دوره، دانشجویان قادر خواهند بود: 1. درک اصول و اهمیت تحلیل رگرسیون در یادگیری تحت نظارت. 2. مفاهیم و کاربردهای رگرسیون خطی و تفسیر آن را در مجموعه داده های دنیای واقعی درک کنید. 3. رگرسیون چند جمله ای را برای به دست آوردن روابط غیرخطی بین متغیرها کاوش کنید. 4. برای جلوگیری از برازش بیش از حد و بهبود تعمیم مدل، از تکنیک های منظم سازی (ریج، کمند، و شبکه الاستیک) استفاده کنید. 5. روش های اعتبارسنجی متقابل را برای ارزیابی عملکرد مدل و بهینه سازی هایپرپارامترها اجرا کنید. 6. درک روش های مجموعه (کیسه، تقویت، و پشته) و نقش آنها در افزایش دقت مدل رگرسیون. 7. ارزیابی و مقایسه عملکرد مدل های رگرسیون مختلف با استفاده از معیارهای مناسب. 8. استفاده از تکنیک های تحلیل رگرسیون برای مطالعات موردی در دنیای واقعی، تصمیم گیری مبتنی بر داده. در طول دوره، دانش آموزان فعالانه در آموزش ها و مطالعات موردی شرکت می کنند، مهارت های تحلیل رگرسیون خود را تقویت می کنند و تجربه عملی در استفاده از تکنیک های رگرسیون در مجموعه داده های متنوع به دست می آورند. با دستیابی به اهداف یادگیری، شرکت کنندگان برای برتری در وظایف تحلیل رگرسیون و تصمیم گیری آگاهانه با استفاده از مدل های رگرسیون به خوبی مجهز خواهند شد.

این دوره طراحی شده است تا به معنای واقعی کلمه از چیزی در قلب جامعه "علم بسازد": شبکه های اجتماعی. انسان‌ها دانشمندان شبکه طبیعی هستند، زیرا ما همیشه پیکربندی‌های شبکه جدید را محاسبه می‌کنیم، تقریباً بی‌اطلاع، هنگام فکر کردن به دوستان و خانواده (که اشکال خاصی از شبکه‌های اجتماعی هستند)، در مورد همکاران و روابط سازمانی (سایر، ساختارهای شبکه‌ای همپوشانی) و در مورد چگونه پیکربندی‌های شبکه‌ای ظریف یا فرصت‌طلبانه را برای حفظ حراست یا پیشرفت در جایگاه اجتماعی خود (که جامعه خود یک شبکه اجتماعی بزرگ است) هدایت کنیم. در حالی که چنین ساختارهای شبکه ای همیشه وجود داشته است، علوم اجتماعی محاسباتی به آشکارسازی و مطالعه سیستماتیک تر آنها کمک کرده است. در بخش اول دوره ما بر ساختار شبکه تمرکز می کنیم. این به عنوان عکس های فوری ثابت از شبکه ها به نظر می رسد که می تواند پیچیده باشد و جنبه های مهمی از سیستم های اجتماعی را نشان دهد. در آزمایشگاه عملی ما، شما همچنین خودتان یک شبکه را با یک نرم افزار تجسم و تجزیه و تحلیل خواهید کرد، که به درک پیچیدگی شبکه های اجتماعی کمک می کند. در بخش دوم دوره، به چگونگی تکامل شبکه ها در زمان خواهیم پرداخت. ما می‌پرسیم چگونه می‌توانیم پیش‌بینی کنیم که چه نوع شبکه‌ای شکل می‌گیرد و آیا و چگونه می‌توانیم بر پویایی شبکه تأثیر بگذاریم.

در این دوره شما یاد خواهید گرفت که چگونه از وزن های نظرسنجی برای تخمین آمار توصیفی، مانند میانگین ها و مجموع، و کمیت های پیچیده تر مانند پارامترهای مدل برای رگرسیون های خطی و لجستیک استفاده کنید. قابلیت‌های نرم‌افزار با R® پوشش داده می‌شود که تاکید خاصی دارد. این دوره همچنین مبانی پیوند رکورد و تطبیق آماری را پوشش می دهد - که هر دو به عنوان روش هایی برای ترکیب داده ها از منابع مختلف اهمیت بیشتری پیدا می کنند. ترکیب مجموعه داده ها مسائل اخلاقی را مطرح می کند که دوره بررسی می کند. ممکن است لازم باشد رضایت آگاهانه از افراد گرفته شود تا داده‌های آنها پیوند داده شود. شما در مورد تفاوت در الزامات قانونی در کشورهای مختلف یاد خواهید گرفت.

برنامه نویسی R Capstone

این دوره در مورد سوگیری ها و محدودیت های مغز انسان، استراتژی هایی برای غلبه بر این سوگیری ها بحث می کند و هنگام تصمیم گیری و توصیه ها، داده ها را به طور انتقادی تجزیه و تحلیل می کند. تجزیه و تحلیل موثر و عینی داده ها سفری طولانی است و اولین قدم آگاهی از این سوگیری ها، پیش داوری ها و ادراکات است. در پایان این دوره، شما درک عمیقی از سوگیری‌هایی که بر تصمیم‌گیری انسانی تأثیر می‌گذارند و روش‌هایی که برای مقابله با این سوگیری‌ها به کار می‌روند، ایجاد خواهید کرد. شما همچنین به چارچوب هایی برای تصمیم گیری موثر مجهز خواهید شد. در این دوره ثبت نام کنید تا پیچیدگی های تصمیم گیری انسانی را کشف کنید و شروع به کاوش در تصمیم گیری انسانی کنید. بدون نیاز به تجربه قبلی

به تصمیم گیری مبتنی بر داده خوش آمدید. در این دوره آموزشی، با تجزیه و تحلیل داده ها و نقش آن در تصمیم گیری های تجاری آشنا می شوید. شما یاد خواهید گرفت که چرا داده ها مهم هستند و چگونه تکامل یافته اند. شما با "داده های بزرگ" و نحوه استفاده از آن آشنا خواهید شد. همچنین با چارچوبی برای انجام تجزیه و تحلیل داده ها و ابزارها و تکنیک هایی که معمولاً استفاده می شود آشنا خواهید شد. در نهایت، شما فرصتی خواهید داشت که دانش خود را در یک محیط تجاری شبیه سازی شده به کار ببرید. این دوره توسط PricewaterhouseCoopers LLP با آدرسی در 300 Madison Avenue, New York, New York, 10017 ایجاد شده است.

پس از تولید داده ها، باید با انجام یک تحلیل آماری مناسب به سؤال تحقیق پاسخ دهیم. مهندسان و متخصصان کسب و کار باید بدانند که از کدام آزمون یا آزمایش استفاده کنند. از طریق این کلاس، شما قادر خواهید بود یک آزمایش نمونه را برای مقایسه با داده های تاریخی انجام دهید. همچنین می توانید روابط آماری معنی داری بین دو متغیر را تعیین کنید. شما می توانید دو آزمون نمونه را برای داده های مستقل و وابسته انجام دهید. در نهایت، داده‌های بیش از دو گروه را با استفاده از تحلیل واریانس تجزیه و تحلیل خواهید کرد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد مهندسی CU Boulder در مدیریت مهندسی (ME-EM) که در پلت فرم Coursera ارائه می شود، گذراند. 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.

به عنوان رهبران حوزه انتخابی خود، نه تنها باید بدانید که چگونه سؤالات درست بپرسید، بلکه باید با استفاده از روش های مبتنی بر داده به آنها پاسخ دهید. از طریق این کلاس، شما قادر خواهید بود به آنچه که واقعاً می‌خواهید بدانید، داده‌های مرتبط با آن سؤال را توصیف کنید و اطلاعات آن داده‌ها را برای درک و توضیح نتایج تجسم کنید. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد مهندسی CU Boulder در مدیریت مهندسی (ME-EM) که در پلت فرم Coursera ارائه می شود، گذراند. 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.

این دومین دوره تخصصی چهار دوره تخصصی Python Data Products for Predictive Analytics است که بر اساس پردازش داده های پوشش داده شده در دوره 1 و معرفی اصول اولیه طراحی مدل های پیش بینی در پایتون است. در این دوره با مفاهیم اساسی یادگیری آماری آشنا می شوید و روش های مختلف ساخت مدل های پیش بینی را یاد می گیرید. 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.

محصول داده، خروجی تولید از یک تحلیل آماری است. محصولات داده وظایف تجزیه و تحلیل پیچیده را خودکار می کنند یا از فناوری برای گسترش کاربرد یک مدل، الگوریتم یا استنتاج مبتنی بر داده استفاده می کنند. این دوره اصول اولیه ایجاد محصولات داده با استفاده از بسته های Shiny، R و گرافیک های تعاملی را پوشش می دهد. این دوره بر روی مبانی آماری ایجاد یک محصول داده متمرکز خواهد شد که می تواند برای گفتن داستانی در مورد داده ها برای مخاطبان انبوه مورد استفاده قرار گیرد.

توانایی درک و به کارگیری آمار کسب و کار در صنعت اهمیت فزاینده ای پیدا می کند. درک خوب آمار کسب و کار لازمه تفسیر صحیح و مرتبط از داده ها است. فقدان دانش می تواند منجر به تصمیمات اشتباه شود که به طور بالقوه می تواند پیامدهای منفی برای یک شرکت داشته باشد. این دوره آموزشی برای آشنایی شما با آمار کسب و کار طراحی شده است. ما با مفهوم آمار توصیفی شروع می کنیم، که خلاصه کردن داده ها با استفاده از چند عدد است. دسته بندی های مختلف معیارهای توصیفی به همراه توابع اکسل برای محاسبه آنها معرفی و مورد بحث قرار می گیرند. مفهوم احتمال یا عدم قطعیت همراه با مفهوم نمونه و داده های جمعیت با استفاده از مثال های تجاری مرتبط معرفی شده است. این ما را به توزیع‌های آماری مختلف همراه با توابع اکسل هدایت می‌کند که سپس برای مدل‌سازی یا تقریب فرآیندهای تجاری استفاده می‌شوند. شما می‌توانید این معیارهای توصیفی داده‌ها و توزیع‌های آماری مختلف را با استفاده از مثال‌های مبتنی بر اکسل که به راحتی دنبال می‌شوند و در طول دوره نشان داده شده‌اند، اعمال کنید. برای انجام موفقیت آمیز تکالیف دوره، دانش آموزان باید به Microsoft Excel دسترسی داشته باشند. _____________________________________ هفته 1 ماژول 1: توصیفگرهای داده های پایه در این ماژول شما به درک، محاسبه و تفسیر معیارهای توصیفی یا خلاصه داده های مختلف خواهید رسید. این معیارهای توصیفی با استفاده از چند عدد داده ها را خلاصه و ارائه می کنند. توابع اکسل مناسب برای انجام این محاسبات معرفی و نشان داده شده است. موضوعات تحت پوشش عبارتند از: • دسته بندی داده های توصیفی • معیارهای گرایش مرکزی، میانگین، میانه، حالت و تفسیرها و محاسبات آنها • اندازه‌گیری‌های پراکندگی در داده‌ها، محدوده، محدوده بین چارکی، انحراف معیار و واریانس • توطئه های جعبه • تفسیر معیار انحراف معیار با استفاده از قاعده سرانگشتی و قضیه چبیشف _____________________________________ هفته 2 ماژول 2: اندازه گیری های توصیفی ارتباط، احتمال و توزیع های آماری این ماژول معیارهای کوواریانس و همبستگی و توابع اکسل مربوطه آنها را ارائه می دهد. شما می توانید مفهوم علیت در مقابل همبستگی را درک کنید. سپس ماژول مفهوم احتمال و متغیرهای تصادفی را معرفی می کند و شروع به معرفی توزیع های آماری می کند. موضوعات تحت پوشش عبارتند از: • معیارهای ارتباط، کوواریانس و معیارهای همبستگی. علیت در مقابل همبستگی • احتمال و متغیرهای تصادفی. داده های گسسته در مقابل داده های پیوسته • مقدمه ای بر توزیع های آماری _____________________________________ هفته 3 ماژول 3: توزیع عادی این ماژول توزیع نرمال و تابع اکسل را برای محاسبه احتمالات و نتایج مختلف از توزیع معرفی می کند. موضوعات تحت پوشش عبارتند از: • تابع چگالی احتمال و مساحت زیر منحنی به عنوان معیاری از احتمال • توابع توزیع عادی (منحنی زنگ)، NORM.DIST، NORM.INV در اکسل _____________________________________ هفته 4 ماژول 4: کار با توزیع ها، عادی، دو جمله ای، پواسون در این ماژول، برنامه های مختلف توزیع Normal را مشاهده خواهید کرد. همچنین با توزیع های Binomial و Poisson آشنا خواهید شد. قضیه حد مرکزی در زمینه درک داده های نمونه در مقابل داده های جمعیت و پیوند بین این دو معرفی و توضیح داده شده است. موضوعات تحت پوشش عبارتند از: • کاربردهای مختلف توزیع نرمال • توزیع دو جمله ای و پواسون • داده های نمونه در مقابل جمعیت. قضیه حد مرکزی