Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-16 of 16 items.

linkedin Advanced NoSQL for Data Science (Mitalearn-104819)

  • 1 hours 54 minutes
  • پیشرفته
  • Update date: 21 June 2026
  • Author: Dan Sullivan
درباره این دوره:

بسیاری از سازمان‌ها به پایگاه‌های داده NoSQL روی می‌آورند تا حجم زیادی از داده‌های پیچیده را ذخیره کنند، که باعث افزایش نیاز دانشمندان و تحلیلگران داده برای درک ذخیره‌های غیرمرتبط داده می‌شود. اگر شما یک دانشمند داده یا تحلیلگر کسب و کار هستید که باید با NoSQL کار کنید، این دوره برای شما مناسب است. درباره تفاوت‌های بین پایگاه‌های داده رابطه‌ای و NoSQL بیاموزید، انواع پایگاه‌های داده NoSQL را مرور کنید، و نحوه انجام کارهای رایج علم داده، از جمله آماده‌سازی داده، کاوش، و ساخت و استفاده از مدل‌ها را ببینید.\r\n\r\n جزئیات کلیدی را برای انجام آماده سازی، کاوش و استخراج داده برای هر نوع پایگاه داده NoSQL بیاموزید. مطالعات موردی را مرور کنید که نشان می‌دهد چگونه از پایگاه‌های داده NoSQL مختلف با ابزارهای معروف علم داده استفاده کنید، از جمله پایگاه‌داده اسناد MongoDB، پایگاه‌داده ستون گسترده Cassandra و پایگاه‌داده نمودار Neo4j.

linkedin Python for Data Science and Machine Learning Essential Training قسمت 1 (Mitalearn-386560)

  • 7 hours 44 minutes
  • مناسب همه
  • Release date: 12 March 2024
  • Author: Lillian Pierson, P.E.
درباره این دوره: 

 

Python for Data Science and Machine Learning Essential Training یکی از محبوب ترین دوره های علوم داده در LinkedIn Learning است. اکنون به روز شده و به دو قسمت گسترش یافته است و تجربه عملی و واقعی تری از پایتون به شما می دهد. در بخش اول، مربی لیلیان پیرسون شما را گام به گام از طریق یک پروژه علم داده و یادگیری ماشین راهنمایی می کند: یک اسکراپر وب که داده ها را از وب دانلود و تجزیه و تحلیل می کند. در طول راه، او تکنیک هایی را برای پاکسازی، قالب بندی مجدد، تبدیل و توصیف داده های خام معرفی می کند. ایجاد تجسم؛ حذف نقاط پرت؛ انجام تجزیه و تحلیل ساده داده ها؛ و با استفاده از Streamlit نمودارهای مبتنی بر وب تولید کنید. در پایان این دوره، شما تجربه کدنویسی اولیه ای را کسب خواهید کرد که می توانید آن را در سازمان خود ببرید و به سرعت در پروژه های علم داده سفارشی و یادگیری ماشین خود اعمال کنید.

این دوره با GitHub Codespaces یکپارچه شده است. ، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به هیچ گونه راه اندازی ماشین محلی ارائه می دهد. با GitHub Codespaces، می‌توانید در هر زمان و با استفاده از ابزاری که احتمالاً در محل کار با آن مواجه می‌شوید، تمرین عملی را از هر ماشینی، در هر زمان انجام دهید. برای یادگیری نحوه شروع، ویدیوی "استفاده از فضاهای کد GitHub با این دوره" را بررسی کنید.


linkedin آموزش ضروری پایتون برای علوم داده قسمت 1 (Mitalearn-183801)

  • 6 hours 2 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Lillian Pierson, P.E.
درباره این دوره:

Python for Data Science Essential Training یکی از محبوب ترین دوره های علوم داده در LinkedIn Learning است. در حال حاضر به روز شده و به دو بخش گسترش یافته است - برای تجربه بیشتر عملی با پایتون. در این دوره، مربی لیلیان پیرسون شما را گام به گام از طریق یک پروژه علم داده عملی راهنمایی می کند: یک وب اسکراپر که داده ها را از وب دانلود و تجزیه و تحلیل می کند. در طول راه، او تکنیک هایی را برای پاکسازی، قالب بندی مجدد، تبدیل و توصیف داده های خام معرفی می کند. ایجاد تجسم حذف نقاط پرت؛ انجام تجزیه و تحلیل ساده داده ها؛ و نمودارهای تعاملی را با استفاده از کتابخانه Plotly تولید کنید. شما باید این آموزش را با تجربه کدنویسی اولیه که می توانید به سازمان خود ببرید و به سرعت در پروژه های علم داده سفارشی خود اعمال کنید، کنار بگذارید.

linkedin آموزش ضروری پایتون برای علوم داده قسمت 2 (Mitalearn-183818)

  • 3 hours 44 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Lillian Pierson, P.E.
درباره این دوره:

Python for Data Science Essential Training یکی از محبوب ترین دوره های علوم داده در LinkedIn Learning است. در حال حاضر به روز شده و به دو بخش گسترش یافته است - برای تجربه بیشتر عملی با پایتون. در این دوره، مربی لیلیان پیرسون شما را گام به گام از طریق یک پروژه عملی علم داده راهنمایی می‌کند: ساخت مدل‌های یادگیری ماشینی که می‌توانند پیش‌بینی‌ها و توصیه‌ها را تولید کنند و کارهای روتین را خودکار کنند. در طول مسیر، او نحوه انجام رگرسیون خطی و لجستیک، استفاده از K-means و خوشه‌بندی سلسله مراتبی، شناسایی روابط بین متغیرها و استفاده از سایر ابزارهای یادگیری ماشین مانند شبکه‌های عصبی و مدل‌های بیزی را نشان می‌دهد. شما باید این آموزش را با تجربه کدنویسی عملی که می توانید به سرعت در پروژه های علم داده خود اعمال کنید، کنار بگذارید.

linkedin استقرار یادگیری ماشین مقیاس پذیر برای علم داده (Mitalearn-145279)

  • 1 hours 43 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Dan Sullivan
درباره این دوره:

مدل‌های یادگیری ماشینی اغلب در محیط‌های تولیدی پیچیده اجرا می‌شوند که می‌توانند با جزر و مد داده‌های بزرگ سازگار شوند. ابزارها و شیوه هایی که به دانشمندان داده کمک می کند تا به سرعت مدل های یادگیری ماشین را ساخت کنند، برای استقرار آن مدل ها در مقیاس کافی نیستند. برای ارائه راه حل های مقیاس پذیر، به یک مجموعه ابزار کاملا جدید نیاز دارید. این دوره به دانشمندان داده و مهندسان DevOps یک مرور کلی از الگوهای طراحی رایج برای معماری‌های یادگیری ماشین مقیاس‌پذیر و همچنین ابزارهایی برای استقرار و حفظ مدل‌های یادگیری ماشین در تولید ارائه می‌دهد. مدرس دن سالیوان سه فناوری را بررسی می‌کند که یادگیری ماشینی مقیاس‌پذیر را امکان‌پذیر می‌سازد: خدماتی که مدل‌ها را از طریق APIها نشان می‌دهند، کانتینرهایی برای استقرار مدل‌ها، و ابزارهای هماهنگ‌سازی مانند Kubernetes که به مدیریت کانتینرها و خوشه‌ها کمک می‌کنند. به علاوه، نکاتی را برای نظارت بر عملکرد خدمات خود در محیط های تولیدی دریافت کنید.

linkedin اصول طراحی پایگاه داده (Mitalearn-440671)

  • 1 hours 20 minutes
  • مناسب همه
  • Update date: 25 July 2026
  • Author: Melody Zacharias
درباره این دوره:

درک نحوه طراحی موثر پایگاه‌های داده می‌تواند یک بازی را تغییر دهد - هم برای کار فعلی و هم برای آینده شغلی شما. در این دوره، یک نمای کلی از اینکه چرا طراحی پایگاه داده ضروری است، دریافت کنید. مدرس Melody Zacharias انواع مختلف طرح‌ها - OLAP و OLTP - را پوشش می‌دهد و سپس توضیح می‌دهد که چرا OLTP تمرکز دوره است. ملودی سپس فرم‌های مختلف عادی و چرایی ضروری بودن آن‌ها را شرح می‌دهد – و زمانی که از آن‌ها استفاده می‌کنید و زمانی که نمی‌کنید.

سپس، هنگامی که یک پایگاه محکم دارید، موجودیت ها و ویژگی ها، کلیدهای اصلی و نحوه طراحی آنها را بررسی کنید. به علاوه، در مورد نامگذاری قراردادها و انواع داده ها، که برای طراحی مهم هستند، یاد بگیرید زیرا می توانند بر اندازه فیزیکی سازه تأثیر بگذارند. Melody همچنین توضیح می‌دهد که چگونه پیشرفت‌های هوش مصنوعی بر طراحی پایگاه داده تأثیر می‌گذارد، سپس شما را در پروژه نهایی راهنمایی می‌کند تا همه چیزهایی را که آموخته‌اید کنار هم بیاورد.

linkedin پایتون برای علوم داده و یادگیری ماشین آموزش ضروری قسمت 2 (Mitalearn-433599)

  • 5 hours 16 minutes
  • مناسب همه
  • Release date: 30 July 2024
  • Author: Lillian Pierson, P.E.
درباره این دوره: 

 

اگر شما یک حرفه ای کار هستید که می خواهید از داده های تجاری برای تصمیم گیری های بهبود یافته از طریق تجزیه و تحلیل پیش بینی استفاده کنید ، این دوره می تواند به شما کمک کند. لیلیان پیرسون-مهندس ، مدیرعامل و رئیس محصول در Data-Mania-شما را از طریق ترکیبی قوی از تجربه کدگذاری علوم داده های اساسی ، تظاهرات ، چالش ها ، راه حل ها و تمریناتی که می توانید به سرعت در تجزیه و تحلیل داده های سفارشی و پروژه های تحلیلی اعمال کنید ، هدایت می کند. بهترین روشها را برای تمیز کردن داده ها ، تجسم داده ها ، تجزیه و تحلیل داده ها و برنامه نویسی پایتون بیاموزید.

تا پایان دوره ، شما قادر خواهید بود از پایتون استفاده کنید:

  • تمیز ، تغییر شکل ، اصلاح مجدد و توصیف داده ها
  • تجسم داده ها را برای ارائه داده ها و تجزیه و تحلیل اکتشافی بصری ایجاد کنید
  • دور افتاده را شناسایی و حذف کنید
  • تجزیه و تحلیل داده های ساده را انجام دهید
  • منبع ، کلاهبرداری و تجزیه و تحلیل داده ها از اینترنت
  • دارایی های تجزیه و تحلیل مشترک با استفاده از plot.ly
تولید کنید

linkedin پایتون برای نکات، ترفندها و تکنیک های علوم داده (Mitalearn-123264)

  • 47 minutes
  • متوسط
  • Release date: 28 June 2026
  • Author: Ben Sullins
درباره این دوره:

کار مدرن در علم داده نیاز به متخصصان ماهر دارد که در جریان کار تجزیه و تحلیل و استفاده از ابزارهای قدرتمند مهارت داشته باشند. پایتون می‌تواند تقریباً در هر جنبه‌ای از کار با داده‌ها نقش مهمی ایفا کند - از دریافت، پرس و جو، استخراج و تجسم. این دوره دوازده نکته و ترفندی را که می توانید برای بهبود مهارت های خود در پایتون به کار ببرید، برجسته می کند. این تکنیک‌ها به آسانی و در وظایف رایج مدیریت داده اعمال می‌شوند و شامل موارد زیر می‌شوند: نحوه دریافت داده‌ها با استفاده از فایل‌های CSV، JSON، و TXT. چگونه داده ها را با استفاده از کتابخانه هایی مانند پانداها کاوش کنیم. نحوه سازماندهی و پیوستن داده ها با استفاده از DataFrames. نحوه ایجاد نمودارها و نمایش های گرافیکی داده ها با استفاده از ggplot در پایتون. و بیشتر.

linkedin روش‌های علم داده: ایجاد حس کسب‌وکار (Mitalearn-209930)

  • 1 hours 50 minutes
  • مناسب همه
  • Update date: 21 June 2026
  • Author: Neelam Dwivedi
درباره این دوره:

درک روزافزونی وجود دارد که علم داده باید فراتر از آزمایش در مقیاس کوچک به یک پیاده سازی در مقیاس بزرگ برود. در این دوره، Neelam Dwivedi روش‌های مهندسی نرم‌افزار و داده‌کاوی را برای دانشمندان داده ارائه می‌کند، سپس این ایده‌ها را با در نظر گرفتن یک نیاز ساده کسب‌وکار در طول یک چرخه زندگی به کار می‌گیرد - میزبانی یک مدل، مصرف آن در یک برنامه وب و راه‌اندازی CI/ خط لوله سی دی. Neelam با توضیح روش های مورد استفاده در دوره و نحوه ترکیب آنها شروع می کند. او به شما نشان می دهد که در توسعه معماری و استقرار یک مدل از کجا شروع کنید، سپس توضیح می دهد که چگونه برنامه های کاربردی وب بزرگتر ممکن است مدل را به عنوان یک سرویس مصرف کنند. Neelam نحوه مرحله بندی مدل و برنامه خود و همچنین نحوه برنامه ریزی پیش رو با یک نقشه راه کلی را پوشش می دهد. او با افکاری در مورد چگونگی کاربردهای بیشتر روش‌شناسی علم داده به پایان می‌رسد.

linkedin علم داده برای توسعه دهندگان جاوا (Mitalearn-225281)

  • 3 hours 51 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Shaun Wassell
درباره این دوره:

یادگیری مبانی علم داده و نحوه به کارگیری آنها در جاوا دنیایی از امکانات را در زمینه ساخت نرم افزار و فرصت های شغلی برای شما باز می کند. در این دوره، مربی Shaun Wassell شما را از طریق مجموعه مهارت های مورد نیاز برای علم داده راهنمایی می کند، به شما نشان می دهد که چگونه داده ها را در جاوا تجسم کنید، و روش های مختلف تبدیل داده ها به اطلاعات را بررسی می کند. Shaun مفاهیم اساسی و مثال‌هایی از علم داده را معرفی می‌کند، سپس شما را در فرآیند نمایش داده‌ها در جاوا و برخی مشکلاتی که ممکن است با آن‌ها مواجه شوید راهنمایی می‌کند. او تکنیک های دستکاری داده ها مانند نقشه برداری، فیلتر کردن، جمع آوری و مرتب سازی را مورد بحث قرار می دهد. Shaun نحوه یافتن، جمع‌آوری، تمیز کردن، دستکاری و ذخیره داده‌ها را توضیح می‌دهد تا بتوانید کارهای مفیدی را با آن‌ها انجام دهید. بعد، او بخش سرگرم کننده را به شما نشان می دهد: روش های مختلفی که می توانید برای تبدیل داده ها به اطلاعات استفاده کنید. Shaun Nearest-Neighbor، Bayes، رگرسیون خطی، درخت تصمیم، خوشه بندی و موارد دیگر را پوشش می دهد.

linkedin علم داده مدیریت ورزشی، با بارتون پولسون (Mitalearn-128483)

  • 1 hours 2 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Barton Poulson
درباره این دوره:

علاقه به ورزش می تواند یک فرد معمولی از ریاضی را به یک آماردان آماتور تبدیل کند، که آماده است از انتخاب خود برای بهترین ضربه زننده کلاچ با داده های سخت پشتیبانی کند. اگر شیفتگی شما به ورزش علاقه به داده ها و آمار را برانگیخته است، دریافت یک درک کلی از علم داده می تواند به شما کمک کند تا بینش قابل توجهی از بازیکنان و تیم های مورد علاقه خود به دست آورید. در این دوره کوتاه، دانشمند داده و پروفسور بارتون پولسون راه‌های عمیقی را که علم داده بر دنیای ورزش و مدیریت ورزش تأثیر می‌گذارد، و همچنین تأثیر بزرگ‌تری که بر مخاطبان و صنایع مرتبط دارد، بررسی می‌کند. و در حالی که موضوعاتی که او در آنها غوطه ور می شود می تواند پیچیده باشد، بارتون در این دوره یک رویکرد غیر فنی را اتخاذ می کند و اطمینان می دهد که طرفداران ورزش با پیشینه های فنی بسیاری می توانند بینش هایی را از آموزش او به دست آورند. او توضیح می دهد که چگونه اصول علم داده می تواند به اندازه گیری عملکرد ورزشی و همچنین قیمت بلیط، مربیگری بازیکنان و موارد دیگر کمک کند.

linkedin مبانی علم داده: پشته علمی پایتون (2017) (Mitalearn-107760)

  • 3 hours 34 minutes
  • متوسط
  • Release date: 18 July 2017
  • Author: Miki Tebeka
درباره این دوره:

علم داده، بینش‌های قابل توجه و بسیار ارزشمندی را در مورد رفتار انسانی به سازمان‌ها ارائه می‌دهد. در حالی که داده کاوی می تواند کمی دلهره آور به نظر برسد، نیازی نیست که برای پردازش داده های خود یک برنامه نویس بسیار ماهر باشید. در این دوره آموزشی، نحوه استفاده از پشته علمی پایتون برای تکمیل وظایف رایج علم داده را بیاموزید. Miki Tebeka ابزارها و مفاهیمی را که برای پردازش مؤثر داده‌ها با پشته علمی پایتون نیاز دارید، شامل پانداها برای خرد کردن داده‌ها، matplotlib برای تجسم داده، NumPy برای محاسبات عددی و غیره را پوشش می‌دهد.

linkedin مبانی علم داده: پشته علمی پایتون [CoderPad] (Mitalearn-443561)

  • 2 hours 25 minutes
  • مناسب همه
  • Release date: 9 November 2022
  • Author: Miki Tebeka
درباره این دوره: 

 به مربی Miki Tebeka بپیوندید که در پشته علمی پایتون شیرجه می‌زند و به شما نشان می‌دهد چگونه از آن برای حل مشکلات استفاده کنید. Miki بسته‌های اصلی مورد استفاده در فرآیند علم داده را پوشش می‌دهد: numpy، pandas، matplotlib، scikit-learn، و موارد دیگر. او همچنین شما را از طریق نحوه بارگیری داده ها، تجزیه و تحلیل داده ها، اجرای مدل ها و نمایش نتایج راهنمایی می کند.

این دوره با GitHub Codespaces، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به هیچ گونه راه اندازی ماشین محلی ارائه می دهد، یکپارچه شده است. با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید، در حالی که از ابزاری استفاده می‌کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای یادگیری نحوه شروع، ویدیوی «استفاده از فضاهای کد GitHub با این دوره» را بررسی کنید.

linkedin مقدمه ای بر علم داده (Mitalearn-388413)

  • 2 hours
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Madecraft,Lavanya Vijayan
درباره این دوره:

دنیای علم داده در حال تغییر شکل هر کسب و کاری است، صرف نظر از صنعت، مکان یا نقش. و هرگز زمان بهتری برای سرعت گرفتن و یادگیری اصول اولیه این رشته پررونق وجود نداشته است. در این دوره که به طور خاص برای مبتدیان طراحی شده است، دنیای علم داده، فرصت ها و نوآوری های آن و مهارت های اساسی مورد نیاز برای موفقیت را بررسی کنید.

به مربی Python و متخصص علم داده Lavanya Vijayan بپیوندید تا چه داده هایی را به اشتراک بگذارد. علم است و تفاوت آن با سایر مشاغل رایج مرتبط با داده ها. برخی از مهمترین ابزارهای مورد استفاده در تجارت را کشف کنید تا درک خود را از کتابخانه های داده و دستکاری داده ها توسعه دهید. در طول مسیر، مقدمه ای بر تجزیه و تحلیل داده های اکتشافی، پاکسازی داده ها، تجسم داده ها، نمونه برداری، آزمایش، تخمین و موارد دیگر کسب کنید. در پایان این دوره، می‌دانید که چگونه از استنتاج و تجزیه و تحلیل آماری برای پیش‌بینی‌های مطمئن‌تر برای کسب‌وکار خود استفاده کنید.

این دوره توسط Madecraft. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.

آرم شرکت برای Madecraft؛ حرف M به عنوان بخشی پیکربندی شده است.  یک ماشین چاپ

Related Skills

linkedin مقدمه ای بر علم داده (2019) (Mitalearn-164302)

  • 1 hours 49 minutes
  • متوسط
  • Release date: 12 November 2019
  • Author: Madecraft,Lavanya Vijayan
درباره این دوره: 

 دنیای علم داده در حال تغییر شکل هر کسب و کاری است. هیچ زمانی بهتر از الان برای یادگیری آن وجود ندارد. در این دوره آموزشی Madecraft، مربی پایتون و دانشمند داده Lavanya Vijayan به اشتراک می‌گذارد که علم داده چیست و چه تفاوتی با سایر رشته‌های متمرکز بر اطلاعات دارد. سپس او به جریان کار - چرخه حیات علم داده - می پردازد و مجموعه ابزار دانشمند داده را از زبان های برنامه نویسی و کتابخانه های تخصصی گرفته تا ابزارهای بهره وری مانند نوت بوک های Jupyter معرفی می کند. در فصل های بعدی، Lavanya بر تکنیک های عملی مانند تجزیه و تحلیل داده های اکتشافی، پاکسازی داده ها و تجسم داده ها تمرکز می کند. در نهایت، در مورد نمونه گیری، آزمایش و طبقه بندی بیاموزید. در پایان دوره، دانش لازم برای انجام تجزیه و تحلیل داده‌ها و گزارش‌دهی اولیه و باز کردن فرصت‌هایی برای سرعت بخشیدن به شغل خود در این زمینه هیجان‌انگیز را خواهید داشت.nn ما خوشحالیم که این محتوا را در کتابخانه خود میزبانی می کنیم.

MadeCraft-Description-Logo.jpg

Related Skills

linkedin نکات، ترفندها و تکنیک های بیشتر پایتون برای علم داده (Mitalearn-194069)

  • 2 hours 15 minutes
  • متوسط
  • Update date: 13 September 2024
  • Author: Harshit Tyagi
درباره این دوره:

قدرت و تطبیق پذیری پایتون - همراه با اکوسیستم بزرگ آن از بسته های شخص ثالث - آن را برای دانشمندان داده ضروری می کند. در این دوره، مدرس Harshit Tyagi نکات و تکنیک‌های عملی را به اشتراک می‌گذارد که می‌تواند به شما در بهبود گردش کار علم داده پایتون کمک کند. Harshit نحوه کار با نوت بوک های IPython از جمله نحوه اشکال زدایی خطاها را پوشش می دهد. او نحوه استفاده از NumPy را برای دستکاری آرایه ها و همچنین نحوه کار با پانداها، ابزار دستکاری و تجزیه و تحلیل داده ها را نشان می دهد. او نکاتی را برای تجسم داده‌های شما با Matplotlib ارائه می‌کند و نحوه اضافه کردن متن به نمودارها و حاشیه‌نویسی عناصر در نمودار را توضیح می‌دهد. به‌علاوه، بهترین روش‌ها را برای کار با scikit-learn و همچنین سایر نکات یادگیری ماشینی دریافت کنید.

Suggestions