داده ها همه جا هستند. نمودارها، نمودارها و انواع دیگر تجسم اطلاعات به افراد کمک می‌کنند تا این داده‌ها را درک کنند. این دوره به بررسی طراحی، توسعه و ارزیابی چنین تجسم‌های اطلاعاتی می‌پردازد. با ترکیب جنبه های طراحی، گرافیک کامپیوتری، HCI و علم داده، تجربه عملی در ایجاد تجسم، استفاده از ابزارهای اکتشافی، و معماری روایت های داده به دست خواهید آورد. موضوعات شامل طراحی کاربر محور، تجسم مبتنی بر وب، شناخت و ادراک داده، و ارزیابی طراحی است. 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

این دوره به شما کمک می کند واژگان و مفاهیم لازم برای درک و استفاده از Dark Data را برای ایجاد ارزش برای سازمان خود بیاموزید.

این اولین دوره از هفت دوره در گواهی تجزیه و تحلیل داده های پیشرفته Google است که به توسعه مهارت های مورد نیاز برای درخواست نقش های حرفه ای داده های پیشرفته تر، مانند دانشمند داده در سطح ورودی یا تحلیلگر داده در سطح پیشرفته، کمک می کند. متخصصان داده ها داده ها را تجزیه و تحلیل می کنند تا به کسب و کارها در تصمیم گیری بهتر کمک کنند. برای انجام این کار، آنها از تکنیک های قدرتمندی مانند داستان سرایی داده، آمار و یادگیری ماشینی استفاده می کنند. در این دوره، شما سفر یادگیری خود را با کاوش در نقش متخصصان داده در محل کار آغاز خواهید کرد. همچنین در مورد گردش کار پروژه PACE (طرح، تجزیه و تحلیل، ساخت، اجرا) و اینکه چگونه می تواند به شما در سازماندهی پروژه های داده کمک کند، خواهید آموخت. کارمندان Google که در حال حاضر در این زمینه کار می‌کنند، با ارائه فعالیت‌های عملی که وظایف مرتبط را شبیه‌سازی می‌کنند، به اشتراک گذاشتن نمونه‌هایی از کارهای روزانه‌شان، و کمک به شما در تقویت مهارت‌های تجزیه و تحلیل داده‌ها برای آماده شدن برای حرفه‌تان، شما را در این دوره راهنمایی می‌کنند. فراگیرانی که هفت دوره در این برنامه را تکمیل می کنند، مهارت های مورد نیاز برای درخواست برای مشاغل علوم داده و تجزیه و تحلیل داده های پیشرفته را خواهند داشت. این گواهی مستلزم آگاهی قبلی از اصول، مهارت‌ها و ابزارهای تحلیلی پایه است که در گواهی تجزیه و تحلیل داده‌های Google پوشش داده شده است. در پایان این دوره، شما: -کارکردهای تجزیه و تحلیل داده و علم داده را در یک سازمان توصیف کنید -ابزارهای استفاده شده توسط متخصصان داده را شناسایی کنید کاوش در ارزش نقش های مبتنی بر داده در سازمان ها فرصت های شغلی را برای یک متخصص داده بررسی کنید - گردش کار پروژه داده را توضیح دهید - مهارت های ارتباط موثر را توسعه دهید

آپاچی اسپارک استاندارد واقعی برای پردازش داده در مقیاس بزرگ است. این اولین دوره از یک سری دوره ها به سمت تخصص IBM Advanced Data Science است. ما قویاً معتقدیم که برای موفقیت در شروع یادگیری یک پلتفرم علم داده مقیاس‌پذیر بسیار مهم است زیرا محدودیت‌های حافظه و CPU برای ساختن مدل‌های پیشرفته یادگیری ماشینی عامل محدودکننده هستند. در این دوره ما اصول Apache Spark را با استفاده از پایتون و pyspark به شما آموزش می دهیم. ما Apache Spark را در دو هفته اول معرفی خواهیم کرد و یاد خواهیم گرفت که چگونه از آن برای محاسبه وظایف اولیه اکتشافی و پیش پردازش داده در دو هفته گذشته استفاده کنیم. از طریق این تمرین شما همچنین با اساسی ترین معیارهای آماری و فناوری های تجسم داده ها آشنا می شوید. این به شما دانش کافی برای به عهده گرفتن نقش یک مهندس داده در هر محیط مدرن می دهد. اما به شما مبنایی برای پیشبرد حرفه خود به سمت علم داده نیز می دهد. لطفاً به برنامه درسی تخصصی کامل نگاهی بیندازید: https://www.coursera.org/specializations/advanced-data-science-ibm اگر این دوره را بگذرانید و گواهی دوره Coursera را دریافت کنید، یک IBM دیجیتال نیز کسب خواهید کرد. نشان برای کسب اطلاعات بیشتر در مورد نشان های دیجیتال IBM پیوند ibm.biz/badging را دنبال کنید. پس از تکمیل این دوره، شما قادر خواهید بود: • توضیح دهید که چگونه معیارهای آماری اساسی برای آشکار کردن الگوهای موجود در داده ها استفاده می شود. • شناسایی تکنیک های مفید برای کار با داده های بزرگ مانند روش های کاهش ابعاد و انتخاب ویژگی • استفاده از ابزارهای پیشرفته و کتابخانه های نموداری برای: o بهبود کارایی تجزیه و تحلیل داده های بزرگ با تجزیه و تحلیل موازی و پارتیشن بندی o تجسم داده ها به صورت تعدادی دو بعدی و فرمت های سه بعدی (Box Plot، Run Chart، Scatter Plot، Pareto Chart، و Multidimensional Scaling) برای تکمیل موفقیت آمیز دوره، پیش نیازهای زیر توصیه می شود: • مهارت های برنامه نویسی اولیه در پایتون • ریاضی پایه • SQL پایه (شما می توانید آن را به راحتی دریافت کنید. از https://www.coursera.org/learn/sql-data-science در صورت نیاز) برای تکمیل این دوره از فناوری های زیر استفاده می شود: (این فناوری ها در دوره در صورت لزوم معرفی شده اند بنابراین هیچ دانش قبلی وجود ندارد. لازم است.) • نوت بوک های Jupyter (به صورت رایگان توسط IBM Watson Studio برای شما آورده شده است) • ApacheSpark (به صورت رایگان توسط IBM Watson Studio برای شما آورده شده است) • Python گزارش شده است که برخی از مطالب این دوره بسیار پیشرفته است. بنابراین اگر شما هم همین احساس را دارید، لطفا قبل از شروع این دوره ابتدا به مطالب زیر نگاهی بیندازید، گزارش شده است که این واقعا کمک می کند. البته می توانید ابتدا این دوره را امتحان کنید و سپس در صورت نیاز دوره ها/مواد زیر را بگذرانید. این برنامه رایگان است... https://cognitiveclass.ai/learn/spark https://dataplatform.cloud.ibm.com/analytics/notebooks/v2/f8982db1-5e55-46d6-a272-fd11b670be38/view?access3311a945333333333333333333333333333333333333333333694=533311a9455 b3eae2a99e0dc923ec0775d891c31c5bbbc68 این دوره چهار هفته طول می کشد، 4-6 ساعت در هفته

این دوره به شما می آموزد که چگونه از قدرت پایتون برای درک مجموعه داده های زنجیره تامین پیچیده استفاده کنید. حتی اگر با اصول زنجیره تامین آشنا نباشید، مجموعه داده های غنی که به عنوان بوم از آنها استفاده خواهیم کرد به شما کمک می کند تا با چندین ابزار پایتونیک و بهترین شیوه ها برای تجزیه و تحلیل داده های اکتشافی (EDA) آشنا شوید. به این ترتیب، اگرچه همه مجموعه داده‌ها برای متخصصان حرفه‌ای زنجیره تامین طراحی شده‌اند، درس‌ها به راحتی به موارد استفاده دیگر قابل تعمیم هستند.

این دوره تکنیک های اصلی استخراج و تجزیه و تحلیل داده های متنی را برای کشف الگوهای جالب، استخراج دانش مفید و پشتیبانی از تصمیم گیری، با تاکید بر رویکردهای آماری که می تواند به طور کلی برای داده های متن دلخواه در هر زبان طبیعی بدون یا حداقل اعمال شود، پوشش می دهد. تلاش انسان تجزیه و تحلیل دقیق داده های متنی مستلزم درک متن زبان طبیعی است که به عنوان یک کار دشوار برای رایانه ها شناخته شده است. با این حال، نشان داده شده است که تعدادی از رویکردهای آماری برای تجزیه و تحلیل "کم عمق" اما قوی داده های متنی برای الگویابی و کشف دانش به خوبی کار می کنند. شما با مفاهیم اولیه، اصول و الگوریتم های اصلی در متن کاوی و کاربردهای بالقوه آنها آشنا خواهید شد.

این دوره فرصتی منحصر به فرد برای شما فراهم می کند تا اجزای کلیدی متن کاوی و تجزیه و تحلیل را با کمک مجموعه داده های دنیای واقعی و جعبه ابزار متن کاوی نوشته شده در جاوا بیاموزید. تجربه عملی در تکنیک‌های اصلی متن کاوی از جمله پیش پردازش متن، تجزیه و تحلیل احساسات و مدل‌سازی موضوع به زبان‌آموزان کمک می‌کند تا به‌عنوان یک دانشمند داده شایسته آموزش ببینند. با آوردن یادداشت‌های سخنرانی همراه با جلسات آزمایشگاهی مبتنی بر جعبه ابزار y-TextMiner که برای کلاس توسعه یافته است، زبان‌آموزان قادر خواهند بود برنامه‌های کاربردی متن کاوی جالبی را توسعه دهند.

این دوره مقدمه ای دقیق بر زبان برنامه نویسی R با تمرکز ویژه بر استفاده از R برای توسعه نرم افزار در محیط علم داده ارائه می دهد. چه بخشی از یک تیم علم داده باشید و چه به صورت انفرادی در جامعه ای از توسعه دهندگان کار می کنید، این دوره به شما دانش R را می دهد که برای مشارکت مفید در آن تنظیمات لازم است. این دوره به عنوان اولین دوره در تخصص، پایه اساسی R مورد نیاز برای دوره های زیر را فراهم می کند. ما مفاهیم اصلی R و مبانی زبان، مفاهیم کلیدی مانند داده‌های مرتب و ابزارهای "tidyverse" مرتبط، پردازش و دستکاری مجموعه داده‌های پیچیده و بزرگ، مدیریت داده‌های متنی، و وظایف پایه علم داده را پوشش می‌دهیم. پس از اتمام این دوره، زبان آموزان به کنسول R تسلط خواهند داشت و می توانند مجموعه داده های مرتبی را از طیف گسترده ای از منابع داده ممکن ایجاد کنند.

این دوره به ما در ارزیابی و مقایسه مدل هایی که در دوره های قبلی ایجاد کرده ایم کمک می کند. تاکنون تکنیک‌هایی برای رگرسیون و طبقه‌بندی توسعه داده‌ایم، اما قبل از اینکه تصمیم بگیریم که طبقه‌بندی‌کننده به اندازه کافی خوب است، خطای یک طبقه‌بندی‌کننده چقدر باید کم باشد (مثلا)؟ یا چگونه تصمیم بگیریم که کدام یک از دو الگوریتم رگرسیون بهتر است؟ در پایان این دوره شما با تکنیک های تشخیصی که به شما امکان ارزیابی و مقایسه طبقه بندی کننده ها را می دهد و همچنین معیارهای عملکردی که می توانند در سناریوهای رگرسیون و طبقه بندی مختلف استفاده شوند، آشنا خواهید شد. ما همچنین خط لوله آموزش/ اعتبارسنجی/آزمایش را مطالعه خواهیم کرد، که می‌تواند برای اطمینان از اینکه مدل‌هایی که توسعه می‌دهید به خوبی به داده‌های جدید (یا «غیره») تعمیم می‌یابند استفاده می‌شود.

به مدل سازی پیش بینی، برازش مدل و تحلیل رگرسیون خوش آمدید. در این دوره، رویکردهای مختلف در مدل‌سازی پیش‌بینی‌کننده را بررسی می‌کنیم و در مورد اینکه چگونه یک مدل می‌تواند تحت نظارت یا بدون نظارت باشد، بحث خواهیم کرد. ما بررسی خواهیم کرد که چگونه یک مدل را می توان برازش داد، آموزش داد و امتیاز داد تا در داده های تاریخی و آینده در تلاش برای رسیدگی به اهداف تجاری اعمال شود. در نهایت، این دوره شامل یک فعالیت عملی برای توسعه یک مدل رگرسیون خطی است.

در این دوره شما یاد می گیرید که مدل هایی را بسازید، اصلاح کنید، برون یابی کنید، و در برخی موارد، مدل هایی را که برای یک سری متوالی طراحی شده اند، تفسیر کنید. سه رویکرد مدلسازی ارائه شده است. رویکرد سنتی، باکس جنکینز برای مدل‌سازی سری‌های زمانی در بخش اول دوره پوشش داده شده است. این ارائه دانش‌آموزان را از مدل‌های داده‌های ثابت یا ARMA به مدل‌های روند و فصلی، ARIMA منتقل می‌کند و با اطلاعاتی در مورد مشخص کردن اجزای تابع انتقال در یک مدل ARIMAX یا رگرسیون سری زمانی به پایان می‌رسد. رویکرد بیزی برای مدل‌سازی سری‌های زمانی بعدی در نظر گرفته می‌شود. چارچوب بیزی پایه برای تطبیق تغییرات خودرگرسیون در داده ها و همچنین اثرات متغیر ورودی پویا گسترش یافته است. الگوریتم های یادگیری ماشین برای سری های زمانی رویکرد سوم است. تقویت گرادیان و الگوریتم های شبکه عصبی مکرر به ویژه برای تطبیق روابط غیرخطی در داده ها مناسب هستند. مثال هایی برای ایجاد شهود در استفاده موثر از این الگوریتم ها ارائه شده است. این دوره با در نظر گرفتن اینکه چگونه می توان با ترکیب نقاط قوت رویکردهای مختلف، دقت پیش بینی را بهبود بخشید، به پایان می رسد. درس آخر شامل نمایش هایی در مورد ایجاد پیش بینی های مدل ترکیبی (یا مجموعه ای) و ترکیبی است. این دوره برای تحلیلگرانی که علاقه مند به تقویت مهارت های یادگیری ماشینی خود با ابزارهای تجزیه و تحلیل مناسب برای سنجش، اصلاح، مدل سازی، پیش بینی و مدیریت داده هایی هستند که متشکل از متغیرهایی هستند که در طول زمان جمع آوری می شوند، مناسب است. در این دوره از ابزارهای نرم افزاری مختلف استفاده می شود. آشنایی با Base SAS، SAS/ETS، SAS/STAT و SAS Visual Forecasting و همچنین ابزارهای منبع باز برای پردازش و مدل‌سازی متوالی داده‌ها مفید است اما لازم نیست. درس‌های تحلیل بیزی و مدل‌های یادگیری ماشین، دانش قبلی از این موضوعات را فرض می‌کنند. یکی از راه‌هایی که دانش‌آموزان می‌توانند این پیش‌زمینه را کسب کنند، تکمیل این دوره‌های آموزشی SAS است: تحلیل‌های بیزی با استفاده از SAS و یادگیری ماشین با استفاده از SAS Viya.

ما در عصری زندگی می کنیم که به طور فزاینده ای تحت سلطه الگوریتم ها است. همانطور که مدل های یادگیری ماشین تصمیمات مهمی را بر اساس مجموعه داده های عظیم شروع می کنند، ما باید از محدودیت های آنها در دنیای واقعی آگاه باشیم. مدل‌های یادگیری ماشینی چه تصمیم‌گیری برای وام یا مسیریابی مجدد ترافیک باشد، باید ارزش‌های مشترک ما را به دقت منعکس کند. در این دوره، ظهور الگوریتم‌ها را، از ابتدایی‌ترین تا کاملاً مستقل، مورد بررسی قرار می‌دهیم و در مورد چگونگی ایجاد آنها از نظر اخلاقی درست‌تر بحث می‌کنیم.

تحلیلگران کسب و کار باید بتوانند راه حل بهینه را برای مشکلات تجویز کنند. اما دوره‌های تجزیه و تحلیل اغلب بر آموزش دانش‌آموزان در تجزیه و تحلیل داده‌ها و تجسم تمرکز می‌کنند، نه این که به آنها کمک کند چگونه داده‌های موجود را جمع‌آوری کنند و آن را با مدل ریاضی مناسب برای فرمول‌بندی راه‌حل جفت کنند. این دوره برای اتصال داده ها و مدل ها به سناریوهای تصمیم گیری در دنیای واقعی در تولید، زنجیره تامین، امور مالی، مدیریت منابع انسانی و غیره طراحی شده است. به طور خاص، ما درک می کنیم که چگونه بهینه سازی خطی - یک روش تجزیه و تحلیل تجویزی - می تواند برای تصمیم گیری استفاده شود. مشکلات و ارائه راه حل های بهینه مبتنی بر داده ها. در طول این دوره ما روی مشکلات کاربردی در صنایع مختلف کار خواهیم کرد، مانند: (الف) تصمیمات مالی: چگونه یک مدیر سرمایه گذاری باید یک سبد بهینه ایجاد کند که بازده خالص را به حداکثر برساند و در عین حال ریسک زیادی را در سرمایه گذاری های مختلف انجام ندهد؟ (ب) تصمیمات تولید: با توجه به تقاضای پیش بینی شده، عرضه مواد خام و هزینه های حمل و نقل، حجم بهینه محصولات برای تولید در مکان های مختلف کارخانه چقدر خواهد بود؟ (ج) تصمیمات منابع انسانی: چه تعداد کارگر باید در یک افق برنامه ریزی استخدام یا اخراج شوند تا در حین رفع نیازهای عملیاتی یک شرکت، هزینه ها به حداقل برسد؟ (ج) تولید: با توجه به در دسترس بودن مواد خام و تقاضای مشتری، ترکیب محصولی که باید حداکثر سود را تولید کند، چه خواهد بود؟ ما یاد خواهیم گرفت که چگونه این مسائل را به عنوان مدل های ریاضی فرموله کرده و با استفاده از صفحه گسترده اکسل حل کنیم.

هدف این دوره آموزش مفاهیم مدل های داده بالینی و مدل های داده رایج است. پس از اتمام این دوره، فراگیران می‌توانند طرح‌های مدل داده‌ها را با استفاده از نمودارهای نهادی-رابطه (ERDs) تفسیر و ارزیابی کنند، بین مدل‌های داده تمایز قائل شوند و نحوه استفاده از هر کدام برای حمایت از مراقبت‌های بالینی و علم داده را بیان کنند، و عبارات SQL را در Google ایجاد کنند. BigQuery برای پرس و جو از مدل داده های بالینی MIMIC3 و مدل داده های رایج OMOP.

در این دوره آموزشی، نحوه مدیریت مجموعه داده‌های بزرگ، نحوه بارگذاری آن‌ها در خوشه‌ها و ذخیره‌سازی ابری، و نحوه اعمال ساختار بر روی داده‌ها را یاد می‌گیرید تا بتوانید با استفاده از موتورهای SQL توزیع‌شده مانند Apache Hive و Apache Impala پرس‌وجوها را روی آن‌ها اجرا کنید. . شما یاد خواهید گرفت که چگونه انواع داده ها، سیستم های ذخیره سازی و فرمت های فایل مناسب را بر اساس ابزارهایی که استفاده می کنید و عملکرد مورد نیاز خود را انتخاب کنید. در پایان دوره، شما قادر خواهید بود • استفاده از ابزارهای مختلف برای مرور پایگاه داده ها و جداول موجود در سیستم های کلان داده. • از ابزارهای مختلف برای کاوش فایل ها در سیستم های فایل داده های بزرگ و ذخیره سازی ابری استفاده کنید. • با استفاده از Apache Hive و Apache Impala پایگاه داده‌ها و جداول کلان داده را ایجاد و مدیریت کنید. و • از میان انواع داده ها و فرمت های فایل برای سیستم های کلان داده توصیف و انتخاب 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 آموزشی مقدمه ای بر مدیریت و به اشتراک گذاری داده های پژوهشی در اختیار زبان آموزان قرار می دهد. پس از اتمام این دوره، فراگیران تنوع داده‌ها و نیازهای مدیریتی آنها را در طول چرخه عمر داده‌های پژوهشی درک می‌کنند، می‌توانند اجزای برنامه‌های مدیریت داده خوب را شناسایی کنند و با بهترین شیوه‌ها برای کار با داده‌ها از جمله سازمان، اسناد و مدارک آشنا شوند. و ذخیره و امنیت داده ها. یادگیرندگان همچنین انگیزه و اهمیت بایگانی و به اشتراک گذاری داده ها و همچنین نحوه ارزیابی قابل اعتماد بودن مخازن را درک خواهند کرد. امروزه، تعداد فزاینده‌ای از آژانس‌های تامین مالی، مجلات و سایر ذینفعان از تولیدکنندگان داده می‌خواهند که داده‌های خود را به اشتراک بگذارند، بایگانی کنند و برای مدیریت داده‌های خود برنامه‌ریزی کنند. به منظور پاسخگویی به این الزامات، محققان و متخصصان اطلاعات به دانش و مهارت‌های مدیریت داده نیاز دارند که از حفظ طولانی‌مدت، دسترسی و استفاده مجدد از داده‌ها پشتیبانی می‌کند. مدیریت مؤثر داده‌ها همچنین می‌تواند به بهینه‌سازی خروجی‌های تحقیقاتی، افزایش تأثیر پژوهش و حمایت از تحقیقات علمی باز کمک کند. پس از تکمیل این دوره، فراگیران برای مدیریت داده ها در کل چرخه عمر داده های تحقیق از برنامه ریزی پروژه تا پایان پروژه، زمانی که داده ها به طور ایده آل به اشتراک گذاشته می شوند و در یک مخزن قابل اعتماد در دسترس قرار می گیرند، مجهزتر خواهند بود. این دوره توسط پروژه Curating Research Assets and Data Using Lifecycle Education (CRADLE) با همکاری EDINA در دانشگاه ادینبورگ تهیه شده است. این دوره تا حدی توسط موسسه خدمات موزه و کتابخانه تحت جایزه #RE-06-13-0052-13 امکان پذیر شد. دیدگاه‌ها، یافته‌ها، نتیجه‌گیری‌ها یا توصیه‌های بیان شده در مدیریت داده‌های پژوهشی و اشتراک‌گذاری MOOC لزوماً بیانگر دیدگاه‌های مؤسسه خدمات موزه و کتابخانه نیست. هشتگ: #RDMSmooc

برنامه های کاربردی محاسباتی شامل مقادیر زیادی داده - حوزه علم داده - بر زندگی اکثر مردم در ایالات متحده و جهان تأثیر می گذارد. این تأثیرات شامل توصیه‌هایی است که سیستم‌های مبتنی بر اینترنت به ما ارائه می‌کنند، اطلاعاتی که در مورد ما به صورت آنلاین در دسترس است، تکنیک‌هایی که برای امنیت و نظارت استفاده می‌شوند، داده‌هایی که در مراقبت‌های بهداشتی استفاده می‌شوند و بسیاری موارد دیگر. در بسیاری از موارد، آنها تحت تأثیر تکنیک های هوش مصنوعی و یادگیری ماشینی قرار می گیرند. این دوره به بررسی برخی از مسائل اخلاقی مرتبط با علم داده می پردازد، با هدف اساسی آگاه کردن متخصصان علوم داده و حساس کردن آنها به ملاحظات اخلاقی که ممکن است در حرفه آنها ایجاد شود. این کار را از طریق ترکیبی از بحث در مورد چارچوب‌های اخلاقی، بررسی انواع کاربردهای علم داده که منجر به ملاحظات اخلاقی می‌شود، مطالعه رسانه‌ها و مقالات علمی فعلی، و استفاده از دیدگاه‌ها و تجربیات دانشجویان دیگر و متخصصان محاسبات انجام می‌دهد. مسائل اخلاقی در علم داده را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، در نظر گرفت. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید.

این دومین دوره از سه دوره در گواهی هوش تجاری گوگل است. در این دوره، مدل سازی داده ها و نحوه طراحی پایگاه های داده را بررسی خواهید کرد. سپس در مورد فرآیندهای استخراج، تبدیل، بارگذاری (ETL) که داده‌ها را از سیستم‌های منبع استخراج می‌کنند، آن‌ها را به قالب‌هایی تبدیل می‌کنند که امکان تجزیه و تحلیل را فراهم می‌کنند و فرآیندها و اهداف تجاری را هدایت می‌کنند، آشنا می‌شوید. کارمندان Google که در حال حاضر در BI کار می‌کنند، با ارائه فعالیت‌های عملی که وظایف شغلی را شبیه‌سازی می‌کنند، به اشتراک‌گذاری نمونه‌هایی از کارهای روزانه‌شان، و کمک به شما در ایجاد مهارت‌های هوش تجاری برای آماده شدن برای شغلی در این زمینه، شما را در این دوره راهنمایی می‌کنند. . فراگیرانی که سه دوره را در این برنامه گواهینامه تکمیل می کنند، مهارت های لازم برای درخواست مشاغل هوش تجاری را خواهند داشت. این برنامه گواهی، دانش قبلی از اصول، مهارت‌ها و ابزارهای پایه تحلیلی تحت پوشش گواهی Google Data Analytics را فرض می‌کند. در پایان این دوره، شما: -تعیین کنید کدام مدل داده برای نیازهای مختلف کسب و کار مناسب است -تفاوت بین ایجاد و تعامل با یک مدل داده را توضیح دهید -ایجاد مدل های داده برای پاسخگویی به انواع مختلف سوالات -بخش های فرآیند استخراج، تبدیل، بارگذاری (ETL) و ابزارهای مورد استفاده در ETL را توضیح دهید. -آشنایی با فرآیندها و ابزارهای استخراج برای سیستم های مختلف ذخیره سازی داده ها -طراحی فرآیند ETL که نیازهای سازمانی و ذینفعان را برآورده کند -طراحی خطوط لوله داده برای خودکارسازی فرآیندهای BI

این دوره برای چه کسانی است؟ این دوره محدود به دانش‌آموزانی است که در تخصص تجزیه و تحلیل کسب‌وکار استراتژیک ثبت‌نام کرده‌اند، به‌عنوان آماده‌سازی برای پروژه اصلی. در طول دو MOOC اول، ما بر روی تکنیک های خاص برای برنامه های خاص تمرکز کردیم. در عوض، با این MOOC سوم، نمونه‌های مختلفی را در اختیار شما قرار می‌دهیم تا ذهن شما را به روی برنامه‌های کاربردی مختلف از صنایع و بخش‌های مختلف باز کند. هدف این است که به شما یک دید کلی از هلیکوپتر در مورد آنچه در این زمینه اتفاق می افتد ارائه دهیم. خواهید دید که چگونه از ابزارهای ارائه شده در دو دوره قبلی Specialization در پروژه های واقعی استفاده می شود. ما می خواهیم روند بازتاب شما را روشن کنیم. از این رو، ابتدا با تماشای MOOC و سپس بررسی مفاهیم مختلف، صنایع یا چالش‌هایی که در طول ویدیوها معرفی می‌شوند، از موارد Accenture بهترین استفاده را خواهید کرد. در پایان این دوره فراگیران قادر خواهند بود: - شناسایی کاربردهای احتمالی تجزیه و تحلیل تجاری، - از این رو، در مورد راه حل های ممکن و برنامه های کاربردی ارزش افزوده ای که می تواند برای پروژه اصلی آنها پیشنهاد شود، فکر کنید. موارد توسط پزشکان ارشد از Accenture با سوابق مختلف از نظر صنعت، عملکرد و کشور ارائه خواهد شد. توجه ویژه ای به "مورد ارزش" موضوع مطرح شده برای آماده سازی شما برای پروژه ی اصلی تخصص خواهد بود. درباره Accenture Accenture یک شرکت خدمات حرفه ای پیشرو در جهان است که طیف گسترده ای از خدمات و راه حل ها را در زمینه استراتژی، مشاوره، دیجیتال، فناوری و عملیات ارائه می دهد. Accenture با تلفیق تجربه بی بدیل و مهارت های تخصصی در بیش از 40 صنعت و همه عملکردهای تجاری - که تحت حمایت بزرگترین شبکه تحویل در جهان است - در تقاطع تجارت و فناوری کار می کند تا به مشتریان کمک کند عملکرد خود را بهبود بخشند و ارزش پایدار برای سهامداران خود ایجاد کنند. Accenture با بیش از 358000 نفر که در بیش از 120 کشور به مشتریان خدمات می دهند، نوآوری را برای بهبود شیوه کار و زندگی در جهان هدایت می کند. از ما در www.accenture.com دیدن کنید.

در این دوره آموزشی، بهترین شیوه ها را برای نحوه استفاده از تجزیه و تحلیل داده ها برای رقابتی تر و سودآورتر کردن هر شرکتی یاد خواهید گرفت. شما قادر خواهید بود مهم ترین معیارهای تجاری را بشناسید و آنها را از داده های صرف متمایز کنید. تصویر واضحی از نقش های حیاتی اما متفاوتی که تحلیلگران کسب و کار، تحلیلگران داده های کسب و کار و دانشمندان داده هر کدام در انواع مختلف شرکت ها ایفا می کنند، دریافت خواهید کرد. و شما دقیقا می دانید که برای چه مهارت هایی باید استخدام شوید و در این مشاغل پرتقاضا موفق شوید. در نهایت، می‌توانید از چک لیست ارائه شده در دوره برای امتیازدهی به هر شرکتی در مورد میزان تأثیرگذاری فرهنگ داده‌های بزرگ استفاده کنید. شرکت‌های دیجیتالی مانند آمازون، اوبر و Airbnb با استفاده خلاقانه از داده‌های بزرگ، کل صنایع را متحول می‌کنند. متوجه خواهید شد که چرا این شرکت‌ها اینقدر مخرب هستند و چگونه از تکنیک‌های تجزیه و تحلیل داده‌ها برای پیشی گرفتن از شرکت‌های سنتی استفاده می‌کنند.