Course catalog

Course duration

Course provider

Topic

Categories

Showing 121-140 of 245 items.

coursera تجسم داده ها و داشبورد با Excel و Cognos (Mitalearn-327995)

  • 1 hours 27 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Sandip Saha Joy,Kevin McFaul,Steve Ryan
درباره این دوره:

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.

coursera تجسم داده های سه بعدی برای ارتباطات علمی (Mitalearn-326958)

  • 5 hours 11 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Kalina Borkiewicz,AJ Christensen
درباره این دوره:

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)

coursera تحقیقات تکراری (Mitalearn-335458)

  • 4 hours 10 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Roger D. Peng, PhD,Jeff Leek, PhD,Brian Caffo, PhD
درباره این دوره:

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.

coursera تحلیل رگرسیون (Mitalearn-331956)

  • 50 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Di Wu
درباره این دوره:

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.

coursera تحلیل شبکه های اجتماعی (Mitalearn-327009)

  • 5 hours 20 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Martin Hilbert
درباره این دوره:

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.

coursera ترکیب و تجزیه و تحلیل داده های پیچیده (Mitalearn-335628)

  • 2 hours 59 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Richard Valliant, Ph.D.
درباره این دوره:

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.

coursera تسلط بر توسعه نرم افزار در R Capstone (Mitalearn-332041)

  • 1 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Roger D. Peng, PhD,Brooke Anderson
درباره این دوره:

برنامه نویسی R Capstone

coursera تصمیم گیری انسانی و سوگیری های آن (Mitalearn-329355)

  • 2 hours 22 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Srikanth Velamakanni,Fractal Analytics
درباره این دوره:

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

coursera تصمیم گیری مبتنی بر داده (Mitalearn-328182)

  • 2 hours 32 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Alex Mannella
درباره این دوره:

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.

coursera تصمیم گیری مبتنی بر داده (Mitalearn-331786)

  • 5 hours 58 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Wendy Martin
درباره این دوره:

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.

coursera تعریف، توصیف و تجسم داده ها (Mitalearn-327502)

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

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.

coursera تفکر طراحی و تجزیه و تحلیل پیش بینی برای محصولات داده (Mitalearn-331446)

  • 2 hours 22 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Julian McAuley,Ilkay Altintas
درباره این دوره:

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.

coursera توسعه محصولات داده (Mitalearn-334710)

  • 4 hours 12 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Brian Caffo, PhD,Jeff Leek, PhD,Roger D. Peng, PhD
درباره این دوره:

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.

coursera توصیفگرهای داده های اساسی، توزیع های آماری، و کاربرد در تصمیم گیری های تجاری (Mitalearn-213211)

  • 2 hours 40 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Sharad Borle
درباره این دوره:

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

coursera جدال داده با پروژه پایتون (Mitalearn-331973)

  • متوسط
  • Release date: 27 June 2026
  • Author: Di Wu
درباره این دوره:

دوره "پروژه جدال داده ها" فرصتی را برای دانش آموزان فراهم می کند تا دانش به دست آمده در سراسر تخصص را در یک پروژه جدال داده های واقعی مورد علاقه خود به کار گیرند. شرکت‌کنندگان خط لوله کشمکش داده‌ها را گام به گام دنبال می‌کنند، از شناسایی منابع داده تا پردازش و یکپارچه‌سازی داده‌ها، تا به یک مجموعه داده خوب و آماده برای تجزیه و تحلیل دست یابند. این دوره دانش‌آموزان را قادر می‌سازد تا تجربیات عملی در فرآیند جدال داده‌ها به دست آورند و آنها را برای رسیدگی به چالش‌های پیچیده داده در سناریوهای دنیای واقعی آماده می‌کند. در طول دوره، دانش‌آموزان روی پروژه جدال داده‌های خود کار می‌کنند و دانش و مهارت‌های به‌دست‌آمده در هر ماژول را برای دستیابی به مجموعه داده‌ای تصفیه‌شده و به خوبی آماده‌شده به‌کار می‌برند. در پایان دوره، شرکت‌کنندگان در فرآیند جدال داده‌ها مهارت خواهند داشت و آماده مقابله با چالش‌های داده‌های دنیای واقعی در حوزه‌های مختلف خواهند بود.

coursera جدال داده ها، تجزیه و تحلیل و تست AB با SQL (Mitalearn-332551)

  • 4 hours 33 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Katrina Glaeser Poole
درباره این دوره:

این دوره به شما این امکان را می دهد تا مهارت های SQL آموزش داده شده در "SQL for Data Science" را در چهار مطالعه موردی تحقیقاتی علم داده به طور فزاینده پیچیده و معتبر به کار ببرید. ما یاد خواهیم گرفت که چگونه مُهرهای زمانی همه نوع را به فرمت‌های رایج تبدیل کنیم و محاسبات تاریخ/زمان را انجام دهیم. ما JOIN بهینه را برای تحقیق علم داده انتخاب و انجام خواهیم داد و داده‌ها را در یک مجموعه داده تجزیه و تحلیل با حذف کردن، اجرای بررسی‌های کیفیت، پر کردن پشتی و مدیریت تهی، پاکسازی می‌کنیم. ما یاد می گیریم که چگونه داده ها را در هر بخش با استفاده از توابع پنجره بندی تقسیم و تجزیه و تحلیل کنیم و از دستورات case برای اجرای منطق شرطی برای رسیدگی به یک تحقیق علم داده استفاده کنیم. همچنین نحوه تبدیل یک پرس و جو به یک کار زمان بندی شده و نحوه درج داده ها در یک پارتیشن تاریخ را توضیح خواهیم داد. در نهایت، با توجه به نیاز به تحلیل پیش‌بینی‌کننده، با استفاده از ابزارها و مهارت‌هایی که در طول دوره ایجاد کرده‌ایم، ویژگی‌ای را از داده‌های خام مهندسی می‌کنیم. کاربرد واقعی این مهارت ها چارچوبی را برای انجام تجزیه و تحلیل آزمون AB در اختیار شما قرار می دهد.

coursera جعبه ابزار دانشمند داده (Mitalearn-335254)

  • 2 hours 16 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jeff Leek, PhD,Roger D. Peng, PhD,Brian Caffo, PhD
درباره این دوره:

در این دوره آموزشی با ابزارها و ایده های اصلی در جعبه ابزار دانشمند داده آشنا می شوید. این دوره یک نمای کلی از داده ها، سؤالات و ابزارهایی را ارائه می دهد که تحلیلگران داده و دانشمندان داده با آنها کار می کنند. این دوره دو جزء دارد. اولین مقدمه ای مفهومی برای ایده های پشت تبدیل داده ها به دانش عملی است. دومین مقدمه ای عملی برای ابزارهایی است که در برنامه استفاده می شود مانند کنترل نسخه، علامت گذاری، git، GitHub، R و RStudio.

coursera جمع آوری داده ها و یکپارچه سازی (Mitalearn-331293)

  • 57 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Di Wu
درباره این دوره:

دوره "جمع آوری و یکپارچه سازی داده ها" تکنیک های جامعی را برای جمع آوری داده ها از منابع مختلف از جمله فایل ها، پایگاه های داده رابطه ای، صفحات وب و API ها در اختیار دانشجویان قرار می دهد. شرکت کنندگان تجربه عملی در جمع آوری و ادغام داده ها برای پردازش و تجزیه و تحلیل بیشتر کسب خواهند کرد. این دوره بر استفاده از ابزارها و بسته‌های مناسب مانند پانداها، سوپ زیبا و SQL برای مدیریت مؤثر مجموعه داده‌های واقعی و رسیدگی به چالش‌های یکپارچه‌سازی داده‌ها تأکید دارد.

coursera چارچوب تجمع MongoDB (Mitalearn-333027)

  • 3 hours 15 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Nathan Leniz,Kirby Kohlmorgen
درباره این دوره:

این دوره به شما یاد می دهد که چگونه با استفاده از چارچوب قدرتمند تجمع MongoDB، تجزیه و تحلیل داده ها را انجام دهید. شما این دوره را با ایجاد پایه ای از دانش تجمیع ضروری آغاز خواهید کرد. با درک این ویژگی های Framework Aggregation، یاد خواهید گرفت که چگونه سوالات پیچیده ای از داده های خود بپرسید. این زمینه را برای بقیه دوره فراهم می کند که در آن شما عمیقاً غواصی خواهید کرد و در مورد طراحی طرحواره، مهاجرت داده های رابطه ای و یادگیری ماشین با MongoDB. در پایان این دوره خواهید فهمید که چگونه از MongoDB و چارچوب تجمع آن در گردش کار علم داده خود به بهترین شکل استفاده کنید.

coursera چارچوب کیفیت کل داده ها (Mitalearn-329491)

  • 8 hours 13 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Brady T. West,James Wagner,Jinseok Kim
درباره این دوره:

در پایان این اولین دوره در تخصص کیفیت داده کل، فراگیران قادر خواهند بود: 1. شناسایی تفاوت های اساسی بین داده های طراحی شده و جمع آوری شده و خلاصه کردن ابعاد کلیدی چارچوب کیفیت داده کل (TDQ). 2. تعریف سه بعد اندازه گیری چارچوب کیفیت داده کل، و توصیف تهدیدات بالقوه برای کیفیت داده در امتداد هر یک از این ابعاد برای داده های جمع آوری شده و طراحی شده. 3. تعریف سه بعد نمایشی چارچوب کیفیت داده کل، و توصیف تهدیدات بالقوه برای کیفیت داده در امتداد هر یک از این ابعاد برای داده های جمع آوری شده و طراحی شده. و 4. توضیح دهید که چرا تجزیه و تحلیل داده ها بعد مهمی از چارچوب کیفیت کل داده را تعریف می کند و تهدیدات بالقوه برای کیفیت کلی یک طرح تجزیه و تحلیل برای داده های طراحی شده و/یا جمع آوری شده را خلاصه کنید. 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.

Suggestions