MySQL ابزاری قدرتمند برای مدیریت و تجزیه و تحلیل بانکهای اطلاعاتی رابطه ای و مهارتی است که هر تحلیلگر و حرفه ای باید در زرادخانه داشته باشند. در این دوره ، شما نقش یک صاحب مشاغل را که به تازگی فیلم های Maven ، یک فروشگاه اجاره DVD آجر و ملات را به دست آورده اید ، بازی خواهید کرد. تنها با استفاده از فقط یک پایگاه داده MySQL ، کار شما این است که هر آنچه را که می توانید در مورد تجارت جدید خود از جمله موجودی ، کارکنان و رفتار مشتری بیاموزید.

این دوره با یک معرفی سریع به زبان SQL شروع می شود ، به برخی از اصول اصلی پایگاه داده می پردازد و از MySQL برای انتخاب ، فیلتر ، مرتب سازی و گروه های گروهی از جداول جداگانه استفاده می کند. از آنجا ، به موارد استفاده پیچیده تر تغییر دهید و داده ها را در جدول های مختلف با نمایش داده شد.

توجه: این دوره توسط جان پائولر و آنالیتیکس ساخته شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.

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.

این اولین دوره در گواهینامه حرفه ای یادگیری ماشین آی بی ام شما را با یادگیری ماشین و محتوای گواهینامه حرفه ای آشنا می کند. در این دوره به اهمیت داده های خوب و با کیفیت پی خواهید برد. شما تکنیک های متداول برای بازیابی داده های خود، پاکسازی آن ها، اعمال مهندسی ویژگی ها و آماده سازی آن ها برای تجزیه و تحلیل اولیه و آزمایش فرضیه را خواهید آموخت. در پایان این دوره شما باید بتوانید: بازیابی داده ها از چندین منبع داده: SQL، پایگاه داده NoSQL، API ها، Cloud  توصیف و استفاده از تکنیک های رایج انتخاب ویژگی و مهندسی ویژگی ویژگی های دسته بندی و ترتیبی و همچنین مقادیر از دست رفته را کنترل کنید از تکنیک های مختلفی برای تشخیص و مقابله با موارد پرت استفاده کنید توضیح دهید که چرا مقیاس بندی ویژگی مهم است و از انواع تکنیک های مقیاس بندی استفاده کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با یادگیری ماشین و هوش مصنوعی در یک محیط تجاری هستند، هدف قرار می دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.

 این دوره مقدمه ای جامع برای استفاده از اکسل برای پیش بینی زنجیره تأمین ، پوشش مفاهیم اساسی ، روشهای پیش بینی ، تجزیه و تحلیل خطا و موارد دیگر ارائه می دهد. ملزومات تجزیه و تحلیل سری زمانی ، میانگین حرکت ، تکنیک های رگرسیون و فصلی را به همراه کاربردهای عملی مانند تصحیح تعصب و محاسبات نرخ رشد سالانه مرکب کشف کنید. مربی ادی دیویلا با ترکیب دانش نظری با تظاهرات اکسل دستی ، شما را به مهارت های لازم برای ایجاد پیش بینی های دقیق و عملی مجهز می کند. علاوه بر این ، در مورد تفسیر خطاهای پیش بینی و تراز کردن روشها با نیازهای تجاری منحصر به فرد خود ، بینش هایی کسب کنید. این دوره یک ایده آل برای متخصصان زنجیره تأمین است که به دنبال تقویت تصمیم گیری و برنامه ریزی عملیاتی هستند.

پروفسور وین وینستون برای بیش از بیست سال تکنیک های پیش بینی پیشرفته را به شرکت های Fortune 500 آموزش داده است. در این دوره، او نحوه استفاده از ابزارهای تجزیه و تحلیل داده های اکسل - از جمله نمودارها، فرمول ها و توابع - را برای ایجاد پیش بینی های دقیق و روشنگر نشان می دهد. یاد بگیرید که چگونه داده های سری زمانی را به صورت بصری نمایش دهید. با محاسبه خطاها و سوگیری ها، مطمئن شوید که پیش بینی های شما دقیق است. از خطوط روند برای شناسایی روندها و داده های پرت استفاده کنید. رشد مدل؛ محاسبه فصلی؛ و شناسایی متغیرهای ناشناخته، با تحلیل رگرسیون چندگانه. مجموعه ای از چالش های تمرینی در طول مسیر به شما کمک می کند تا مهارت های خود را آزمایش کنید و کار خود را با راه حل های وین مقایسه کنید.

 Apache Hadoop پیشگام در دنیای فناوری های کلان داده بود و همچنان در ذخیره سازی کلان داده های سازمانی پیشرو است. Apache Spark برترین موتور پردازش داده های بزرگ است و مجموعه ای چشمگیر از ویژگی ها و قابلیت ها را ارائه می دهد. هنگامی که با هم استفاده می شود، سیستم فایل توزیع شده Hadoop (HDFS) و Spark می توانند یک تنظیم تجزیه و تحلیل داده های بزرگ واقعا مقیاس پذیر را ارائه دهند. در این دوره آموزشی، یاد بگیرید که چگونه از این دو فناوری برای ایجاد خطوط لوله تجزیه و تحلیل داده مقیاس پذیر و بهینه استفاده کنید. مربی کوماران پونامبالام راه‌هایی را برای بهینه‌سازی مدل‌سازی و ذخیره‌سازی داده در HDFS بررسی می‌کند. در مورد مصرف و استخراج داده های مقیاس پذیر با استفاده از Spark صحبت می کند. و نکاتی را برای بهینه سازی پردازش داده ها در Spark ارائه می دهد. به علاوه، او یک پروژه مورد استفاده ارائه می دهد که به شما امکان می دهد تکنیک های جدید خود را تمرین کنید.

Apache Hadoop پیشگام در دنیای فناوری های کلان داده بود و همچنان در ذخیره سازی کلان داده های سازمانی پیشتاز است. Apache Spark برترین موتور پردازش داده های بزرگ است و مجموعه ای چشمگیر از ویژگی ها و قابلیت ها را ارائه می دهد. هنگامی که با هم استفاده می شود، سیستم فایل توزیع شده Hadoop (HDFS) و Spark می توانند یک راه اندازی واقعا مقیاس پذیر برای تجزیه و تحلیل داده های بزرگ ارائه دهند. در این دوره، کوماران پونامبالام، متخصص تجزیه و تحلیل داده، به شما نشان می دهد که چگونه از این دو فناوری برای ایجاد خطوط لوله تجزیه و تحلیل داده مقیاس پذیر و بهینه استفاده کنید. کاوش راه هایی برای بهینه سازی مدل سازی و ذخیره سازی داده ها در HDFS؛ بحث در مورد مصرف و استخراج داده های مقیاس پذیر با استفاده از Spark. و نکات قابل اجرا برای بهینه سازی پردازش داده ها در Spark را مرور کنید. به علاوه، یک پروژه مورد استفاده را تکمیل کنید که به شما امکان می دهد تکنیک های جدید خود را تمرین کنید.

کسب و کارها با اتخاذ تصمیمات آگاهانه ای که نیازهای مشتریان و کاربران خود را هدف قرار می دهد، پیشرفت می کنند. برای اتخاذ چنین تصمیمات استراتژیک، آنها بر داده ها تکیه می کنند. Hive ابزار انتخابی برای بسیاری از دانشمندان داده است زیرا به آنها اجازه می دهد تا با SQL، یک نحو آشنا، کار کنند تا بینش هایی را از Hadoop استخراج کنند، و اطلاعاتی را که کسب و کارها به دنبال برنامه ریزی موثر هستند، منعکس می کند.\r\n مربی بن سالینز با نشان دادن نحوه ساختار و بهینه سازی داده های خود شروع می کند. در مرحله بعد، او توضیح می دهد که چگونه می توان Hue، رابط کاربری Hadoop را برای استفاده از HiveQL هنگام تجزیه و تحلیل داده ها، به کار برد. با استفاده از گزینه جدید پیکربندی شده، سپس نحوه بارگیری داده ها، ایجاد جداول انبوه برای دسترسی سریع به پرس و جو و اجرای تجزیه و تحلیل پیشرفته را نشان می دهد. او همچنین شما را از طریق مدیریت جداول و استفاده از توابع راهنمایی می کند. این دوره آموزشی طراحی شده است تا به شما کمک کند راه‌های جدیدی برای کار با مجموعه داده‌ها پیدا کنید تا بتوانید به سؤالات سخت علم داده‌ای که سر راهتان قرار می‌گیرد پاسخ دهید.

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)

علم داده شیوه ای را که رهبران دولت و صنعت به مشکلات خاص و جهان در کل نگاه می کنند ، تغییر داده است. کنجکاو در مورد چگونگی عملکرد تجزیه و تحلیل داده ها در عمل؟ در این دوره ، مربی میشل والیزنرنی توضیح می دهد که برای شروع کار با استفاده از Python چه کاری لازم است.

میشل نحوه تنظیم محیط تجزیه و تحلیل خود را نشان می دهد و در مورد اصول کار با ساختارهای داده در پایتون ، تازه کننده ای را ارائه می دهد. سپس ، او به چیزهای بزرگ می پرید: قدرت آرایه ها ، نمایه سازی و جداول در Numpy و Pandas. او همچنین شما را از طریق دو پروژه بزرگ داده های بزرگ راهنمایی می کند: استفاده از NUMPY برای شناسایی و تجسم الگوهای آب و هوا و استفاده از پاندا برای تجزیه و تحلیل محبوبیت نام کودک در قرن گذشته. چالش های صادر شده در این راه به شما کمک می کند تا آنچه را آموخته اید تمرین کنید. بعلاوه ، در مورد مهارت های موجود در کارهای اساسی تجزیه و تحلیل داده ها بیاموزید: واردات و درگیری ، خلاصه و تجسم ، مدل سازی و استدلال.

این دوره با CodeSpaces GitHub ، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به تنظیمات محلی محلی ارائه می دهد ، یکپارچه شده است. با استفاده از Codepaces GitHub ، می توانید از هر دستگاهی ، در هر زمان استفاده کنید-همه در حالی که از ابزاری استفاده می کنید که احتمالاً در محل کار با آن روبرو خواهید شد. برای یادگیری نحوه شروع کار ، فیلم "تنظیم: استفاده از Codespaces" را بررسی کنید.

 علم داده در حال تغییر روشی است که رهبران دولت و صنعت هم به مشکلات خاص و هم به جهان در کل نگاه می کنند. کنجکاو هستید که چگونه تجزیه و تحلیل داده ها در عمل عمل می کند؟ در این دوره آموزشی، مدرس Michele Vallisneri به شما نشان می‌دهد که چگونه با استفاده از پایتون شروع به علم داده‌ها می‌کند.

Michele نحوه تنظیم محیط تجزیه و تحلیل خود را نشان می‌دهد و یک تازه‌سازی در مورد اصول اولیه کار ارائه می‌دهد. با ساختارهای داده در پایتون سپس، او به چیزهای بزرگ می پردازد: قدرت آرایه ها، نمایه سازی، و جداول در NumPy و پانداها - دو بسته محبوب شخص ثالث که به طور خاص برای تجزیه و تحلیل داده ها طراحی شده اند. او همچنین دو پروژه نمونه کلان داده را بررسی می کند: استفاده از NumPy برای شناسایی و تجسم الگوهای آب و هوا و استفاده از پانداها برای تجزیه و تحلیل محبوبیت نام نوزادان در قرن گذشته. چالش‌های ارائه شده در طول مسیر به شما کمک می‌کند تا آنچه را که آموخته‌اید تمرین کنید.

توجه: این نسخه از دوره به‌روزرسانی شد تا تغییرات اخیر در Python 3، NumPy، و پانداها را منعکس کند.

این دوره استفاده از زبان برنامه نویسی پایتون را برای دستکاری مجموعه داده ها به عنوان جایگزینی برای صفحات گسترده معرفی می کند. شما از چارچوب OSEMN تجزیه و تحلیل داده ها پیروی می کنید تا داده ها را بکشید، تمیز کنید، دستکاری کنید و تفسیر کنید و در عین حال اصول برنامه نویسی اساسی و توابع پایه پایتون را یاد بگیرید. شما با کتابخانه پایتون، پانداها و نحوه استفاده از آن برای به دست آوردن، تمیز کردن، کاوش و تجسم داده ها آشنا خواهید شد. در پایان این دوره شما قادر خواهید بود: • از پایتون برای ساخت حلقه ها و ساختارهای داده اولیه استفاده کنید • مرتب سازی، پرس و جو و ساختار داده ها در پانداها، کتابخانه پایتون • تجسم داده ها را با کتابخانه های پایتون ایجاد کنید • مدل سازی و تفسیر داده ها با استفاده از پایتون این دوره برای افرادی طراحی شده است که می خواهند اصول استفاده از پایتون را برای مرتب سازی و ساختار داده ها برای تجزیه و تحلیل داده ها یاد بگیرند. 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.

 صنعت مراقبت های بهداشتی یکی از متنوع ترین منابع داده، از بالینی گرفته تا اداری گرفته تا زنجیره فروش و تامین، و حتی داده های نظارتی است. این دوره با دانشمند داده و داروساز Wuraola Oyewusi به شما می آموزد که چگونه از پایتون برای طیف گسترده ای از سناریوهای تجزیه و تحلیل داده ها در مراقبت های بهداشتی استفاده کنید. Wuraola موارد کاربرد عملی مانند تجزیه و تحلیل داده های آماری، دستکاری داده ها، بحث و تجسم با استفاده از برنامه نویسی Python برای سناریوهای مختلف در صنعت مراقبت های بهداشتی را پوشش می دهد.

ChatGPT Advanced Data Analysis با کمک به تقویت بهره وری و حمایت از خلاقیت شما، وظایف را متحول می کند. تجزیه و تحلیل داده های پیشرفته ChatGPT می تواند به شما کمک کند تا هوش خود را تقویت کنید و وظایف خود را خودکار کنید، مانند: 1. تبدیل یک فایل اکسل به تصویرسازی و سپس اسلاید در یک ارائه پاورپوینت. استخراج داده ها از یک سری فایل PDF 2. پاسخ دادن به سوالات در مورد آنچه در فایل های PDF وجود دارد، و تجسم داده ها. به طور خودکار تعیین می کند که آیا رسید مطابق با خط مشی مسافرتی است که در یک PDF ثبت شده است 3. تبدیل یک سند به یک ارائه آموزشی و آزمون های مرتبط. خواندن و سازماندهی مجدد مجموعه ای از اسناد بر اساس محتوای آنها 4. تولید محتوای رسانه های اجتماعی و بازاریابی از یک سری اسناد یا رونوشت های ویدئویی 5. تغییر اندازه و ویرایش خودکار ویدیوها/تصاویر در حالی که فهرست آنها در یک CSV هر کسی با ChatGPT Advanced Data Analysis می‌تواند بدون داشتن تجربه قبلی در برنامه‌نویسی از این قابلیت‌ها استفاده کند. این دوره به شما می آموزد که چگونه با ChatGPT Advanced Data Analysis برای انجام این وظایف صحبت کنید، چگونه به حل مسئله فکر کنید و چه نوع وظایفی برای ابزار مناسب هستند. شما طیف گسترده ای از بلوک های سازنده را یاد خواهید گرفت که می توانید در کار و زندگی خود به کار ببرید. مدل‌های زبان بزرگ به دستورالعمل‌ها و سؤالات مطرح شده توسط کاربران در عبارات زبان طبیعی پاسخ می‌دهند که به «اعلان‌ها» معروف هستند. اگرچه مدل‌های بزرگ زبان بسیاری از زمینه‌ها را مختل می‌کنند، اکثر کاربران مهارت‌های لازم برای نوشتن پیام‌های مؤثر را ندارند. کاربران خبره، که نحوه نوشتن اعلان‌های خوب را می‌دانند، در مرتبه‌ای مولدتر هستند و می‌توانند کاربردهای خلاقانه‌تری را برای این ابزارها باز کنند. این دوره شما را با مهارت های نوشتاری سریع که تجزیه و تحلیل داده های پیشرفته ChatGPT را هدف قرار می دهد آشنا می کند.

 مقدار داده های مکانی - اطلاعاتی که به مختصات جغرافیایی برچسب خورده است - گسترده است ، از سیاهههای مربوط به GPS که تلفن های همراه به نقشه های آنلاین و برنامه های ناوبری می گیرند و حتی تا آنجا که توسط ماهواره های ضبط شده در اطراف زمین ضبط می شوند. این دوره با هدف اتصال این نوع گسترده از داده ها به تمرین روزانه با ارائه یک مرور کلی از صنعت داده های جغرافیایی انجام می شود. برای یک تجربه عملی و عملی در زمینه کاوش ، تجسم و تجزیه و تحلیل داده های جغرافیایی با استفاده از چندین ابزار علوم داده مبتنی بر پایتون ، به مربی میلان Janosov بپیوندید.

این دوره بر توسعه مهارت های پایتون برای جمع آوری داده های تجاری تمرکز دارد. برخی از مطالب مشابه از مقدمه ای بر تجزیه و تحلیل داده های حسابداری و تجسم را پوشش می دهد، اما در یک محیط برنامه نویسی با هدف کلی تر (ژوپیتر نوت بوک برای پایتون)، به جای اکسل و ویرایشگر ویژوال بیسیک. این مفاهیم در چارچوب یک یا چند حوزه داده حسابداری (به عنوان مثال، داده های صورت های مالی از EDGAR، داده های سهام، داده های وام، داده های محل فروش) آموزش داده می شوند. نیمه اول دوره از جایی شروع می شود که مقدمه ای بر تجزیه و تحلیل داده های حسابداری و تجسم متوقف شد: استفاده در یک محیط توسعه یکپارچه برای خودکارسازی وظایف تجزیه و تحلیل داده ها. ما در مورد نحوه مدیریت کد و اشتراک‌گذاری نتایج در Jupyter Notebook، یک محیط توسعه محبوب برای نرم‌افزارهای تجزیه و تحلیل داده‌ها مانند Python و R بحث می‌کنیم. سپس برخی از مهارت‌های برنامه‌نویسی اساسی، مانند عملگرهای ریاضی، توابع، عبارات شرطی و حلقه‌ها را با استفاده از نرم‌افزار پایتون مرور می‌کنیم. نیمه دوم دوره بر روی جمع آوری داده ها برای اهداف یادگیری ماشین تمرکز دارد. ما دانش آموزان را با قالب های داده پاندا و Numpy برای ساختاردهی و دستکاری داده ها آشنا می کنیم. سپس داده ها را با استفاده از تجسم و رگرسیون خطی تجزیه و تحلیل می کنیم. در نهایت نحوه استفاده از پایتون برای تعامل با داده های SQL را توضیح می دهیم.

نتایج یادگیرنده: پس از گذراندن این دوره، شما قادر خواهید بود: - از سرویس های مختلف رابط برنامه نویسی برنامه (API) برای جمع آوری داده ها از منابع مختلف رسانه های اجتماعی مانند یوتیوب، توییتر و فلیکر استفاده کنید. - پردازش داده های جمع آوری شده - عمدتاً ساختار یافته - با استفاده از روش هایی شامل همبستگی، رگرسیون و طبقه بندی برای به دست آوردن بینش در مورد منابع و افرادی که آن داده ها را تولید کرده اند. - داده های بدون ساختار - عمدتاً نظرات متنی - را برای احساسات بیان شده در آنها تجزیه و تحلیل کنید. - از ابزارهای مختلف برای جمع آوری، تجزیه و تحلیل و کاوش داده های رسانه های اجتماعی برای اهداف تحقیق و توسعه استفاده کنید. نمونه داستان یادگیرنده: تحلیلگر داده که می خواهد از داده های رسانه های اجتماعی استفاده کند. ایزابلا یک تحلیلگر داده است که به عنوان مشاور برای یک شرکت چند ملیتی کار می کند. او تجربه کار با ابزارهای تحلیل وب و همچنین داده های بازاریابی را دارد. او می‌خواهد اکنون در عرصه رسانه‌های اجتماعی گسترش یابد و سعی کند از حجم وسیعی از داده‌های موجود از طریق کانال‌های مختلف رسانه‌های اجتماعی استفاده کند. به طور خاص، او می خواهد ببیند که مشتریان، شرکا و رقبا چگونه محصولات/خدمات خود را مشاهده می کنند و در مورد آنها صحبت می کنند. او امیدوار است که یک گردش کار جدید از تجزیه و تحلیل داده ایجاد کند که پردازش داده های سنتی با استفاده از وب و ابزارهای بازاریابی و همچنین روش های جدیدتر استفاده از داده های رسانه های اجتماعی را در بر می گیرد. نمونه نقش های شغلی که به این مهارت ها نیاز دارند: - تحلیلگر رسانه های اجتماعی - تحلیلگر وب - تحلیلگر داده - بازاریابی و روابط عمومی پروژه نهایی قابل تحویل / مصنوع: این دوره دارای یک سری تکالیف کوچک یا پروژه های کوچک است که شامل جمع آوری داده ها، تجزیه و تحلیل و ارائه شامل منابع مختلف رسانه های اجتماعی با استفاده از تکنیک های آموخته شده در کلاس است. این دوره توسط دکتر چراغ شاه در زمانی که او عضو هیئت علمی دانشگاه راتگرز بود، ایجاد شد. او در حال حاضر یکی از اعضای هیئت علمی دانشگاه واشنگتن است.

 آیا به دنبال یک مرور کلی از تجزیه و تحلیل داده های شطرنجی در پایتون هستید؟ این دوره که یک مناسب برای دانشمندان داده و پزشکان جغرافیایی است ، این دوره به منظور کمک به شما در استفاده از داده های بردار و ابزارهای مختلف در پایتون ، مانند ژئوپاندا و شکل ، طراحی شده است. مربی میلان Janosov اصول اولیه را پوشش می دهد ، از ایجاد داده های شطرنجی مصنوعی گرفته تا جمع آوری ، تجسم و اصلاح داده های شطرنجی موجود در دنیای واقعی. در طول راه ، تجربه عملی را در مورد کاوش در داده های شطرنجی هم از نظر آماری و هم بصری کسب کنید. در پایان این دوره ، شما به مهارت های تقاضا برای تغییر شکل مجدد و دوباره ساخت مجدد داده های شطرنجی ، ترکیب داده های شطرنجی تک باند در داده های شطرنجی چند منظوره ، انجام تجزیه و تحلیل پیشرفته بر روی داده های شطرنجی چند بندی و موارد دیگر مجهز خواهید شد.

این دوره شما را با نرم افزار MAXQDA برای تجزیه و تحلیل آسانتر داده ها در طول فرآیند تحقیق کیفی آشنا می کند. شما در این دوره نحوه انجام یادداشت ها، متغیرها، تقسیم بندی، کدگذاری و تکنیک های کاهش داده را بررسی خواهید کرد!