با Nike Famojuro، مشاور بهره وری باتجربه، مسدود کردن زمان استراتژیک را بیاموزید. این دوره به شما می آموزد که چگونه یک برنامه زمانی انعطاف پذیر طراحی کنید که متناسب با سبک زندگی شما باشد و پیروی روزانه را به یک لذت تبدیل کند، نه یک کار طاقت فرسا. نایک نکات موثری را برای تخصیص موثر زمان برای کار، پیشرفت شخصی، سرگرمی‌ها یا آرامش ارائه می‌کند و مهارت‌های مدیریت زمان شما را متحول می‌کند. با احساس غرق شدن خداحافظی کنید و رویکرد جدیدی را برای برنامه ریزی در پیش بگیرید.

با صرف زمان برای درک نیازها و انگیزه های کاربران خود، می توانید محصولات بهتری تولید کنید که در واقع با مخاطبان هدف شما طنین انداز می شود. در این دوره، اصول یک روش اصلی تحقیق UX - مصاحبه - را بیاموزید که می تواند به شما در درک بهتر نیازهای کاربران کمک کند.\r\n او همچنین شما را با نحوه آماده شدن برای مصاحبه، تعدیل جلسات و تجزیه و تحلیل داده ها آشنا می کند. پس از اتمام این دوره، برای انجام مصاحبه های UX به تنهایی آماده خواهید شد.

در این دوره شما با ایده های اساسی پشت تحقیق کیفی در علوم اجتماعی آشنا می شوید. در تحقیقات کیفی با گردآوری، توصیف، تحلیل و تفسیر داده ها آشنا خواهید شد. تحقیق کیفی اغلب شامل یک فرآیند تکراری است. ما بر اجزای مورد نیاز برای این فرآیند تمرکز خواهیم کرد: جمع آوری و تجزیه و تحلیل داده ها. فقط با تماشای ویدیو یاد نخواهید گرفت که چگونه از روش های کیفی استفاده کنید، بنابراین ما بر جمع آوری داده ها از طریق مشاهده و مصاحبه و تجزیه و تحلیل و تفسیر داده های جمع آوری شده در سایر تکالیف تاکید زیادی داریم. بدیهی است که مهمترین مفاهیم در تحقیق کیفی مورد بحث قرار خواهد گرفت، همانطور که در مورد معیارهای کیفیت، شیوه های خوب، اخلاق، نگارش برخی از روش های تحلیل و روش های اختلاط بحث خواهیم کرد. ما امیدواریم که برخی از تعصبات را از بین ببریم و بسیاری از دانش آموزان را برای تحقیقات کیفی تشویق کنیم.

DataOps توسط گارتنر اینگونه تعریف شده است: "یک رویه مدیریت داده مشارکتی متمرکز بر بهبود ارتباطات، یکپارچه سازی و اتوماسیون جریان داده بین مدیران داده و مصرف کنندگان در سراسر یک سازمان. درست مانند DevOps، DataOps یک جزم نیست، بلکه یک عمل مبتنی بر اصول است. تأثیرگذاری بر نحوه ارائه و به روز رسانی داده ها برای پاسخگویی به نیاز مصرف کنندگان داده های سازمان. متدولوژی DataOps به گونه ای طراحی شده است که سازمان را قادر می سازد از یک فرآیند تکرارپذیر برای ساخت و استقرار تجزیه و تحلیل و خطوط لوله داده استفاده کند. با پیروی از شیوه های مدیریت داده و مدیریت مدل، آنها می توانند داده های سازمانی با کیفیت بالا را برای فعال کردن هوش مصنوعی ارائه دهند. اجرای موفقیت‌آمیز این روش به سازمان اجازه می‌دهد تا اطلاعات را بشناسد، اعتماد کند و از آن برای ایجاد ارزش استفاده کند. در دوره آموزشی DataOps Methodology با بهترین شیوه ها برای تعریف یک چارچوب قابل تکرار و کسب و کار محور برای ارائه داده های قابل اعتماد آشنا خواهید شد. این دوره بخشی از تخصص مهندسی داده است که مهارت های اساسی مورد نیاز برای مهندس داده بودن را در اختیار زبان آموزان قرار می دهد.

این دوره بر روی روش های تحقیق تمرکز دارد. در این راستا، تمرکز بر روش‌های تحقیق کیفی و کمی، رویکردهای نمونه‌گیری و جمع‌آوری داده‌های اولیه و ثانویه خواهد بود. این دوره با بحث در مورد رویکردهای تحقیق کیفی، نگاهی به گروه های متمرکز، مصاحبه های شخصی، قوم نگاری، مطالعات موردی و اقدام پژوهی آغاز می شود. همچنین در مورد روش های تحقیق کمی با تمرکز بر روش تحقیق آزمایشی و روش تحقیق بحث خواهیم کرد. کاوشی در فرآیند طراحی نمونه‌گیری و رویکردهای نمونه‌گیری مختلف، از جمله نمونه‌گیری احتمالی و غیراحتمالی و همچنین حجم نمونه و مسائل عدم پاسخ وجود خواهد داشت. ما به ماهیت و دامنه داده های اولیه و ثانویه و اهمیت اندازه گیری خواهیم پرداخت. ما به نقش اینترنت در تحقیقات بازار و همچنین تکنیک‌های مقیاس‌پذیری غیرمقایسه‌ای خواهیم پرداخت. این دوره با بحث در مورد رویکردهای مختلف جمع آوری داده ها، با تمرکز بر مشاهده، تحلیل محتوا، تحقیق روایی، پدیدارشناسی و جمع آوری داده ها با استفاده از قوم نگاری به پایان می رسد.

اگر راه میانبری برای تبدیل شدن به یک دانشمند داده وجود دارد، پس یادگیری تفکر و کار مانند یک دانشمند داده موفق همین است. در این دوره، شما این روش را یاد می گیرید و سپس از آن استفاده می کنید که می توانید برای مقابله با هر سناریو علم داده استفاده کنید. شما دو روش قابل توجه علم داده، روش شناسی علوم داده بنیادی، و روش علم داده شش مرحله ای CRISP-DM را بررسی خواهید کرد و نحوه به کارگیری این متدولوژی های علم داده را خواهید آموخت. بسیاری از دانشمندان داده‌های معتبر از این روش‌ها یا روش‌های مشابه برای حل مسائل علم داده پیروی می‌کنند. با یادگیری در مورد شکل‌گیری مشکل تجاری/تحقیق شروع کنید. بیاموزید که دانشمندان داده چگونه داده‌ها را بدست می‌آورند، آماده می‌کنند و تجزیه و تحلیل می‌کنند. کشف کنید که چگونه به کارگیری روش‌های روش‌شناسی علم داده کمک می‌کند تا اطمینان حاصل شود که داده‌های مورد استفاده برای حل مسئله مرتبط هستند و به درستی دستکاری شده‌اند تا به سؤال پاسخ دهند. در مرحله بعد، در مورد ساخت مدل داده، استقرار آن مدل، داستان سرایی داده ها و دریافت بازخورد بیاموزید. شما مانند یک دانشمند داده فکر می کنید و مهارت های روش علم داده خود را با استفاده از یک سناریوی الهام گرفته شده از دنیای واقعی از طریق آزمایشگاه های مترقی که در نوت بوک های Jupyter میزبانی می شوند و با استفاده از آنها توسعه می دهید. پایتون.

از آنجایی که بسیاری از توسعه دهندگان نرم افزار کدنویس های اجباری هستند، در طول سال ها نرم افزاری را ایجاد کرده اند تا به آنها کمک کند تا کار خود را انجام دهند. ابزارهایی وجود دارند که طراحی و وظایف مرتبط با آن را آسان تر می کنند. این دوره چند ابزار و تکنیک های اساسی را برای کمک به شما در طراحی معرفی می کند. با این حال، ابزارها همیشه ملموس نیستند. دو درس آخر این دوره به بررسی سوالات اخلاق در توسعه نرم افزار می پردازد. هدف در اینجا، مانند ابزارها، تجهیز شما برای انجام بهتر مسئولیت های خود به عنوان یک طراح است. دانش آموزان باید دانش قبلی در زمینه نوشتن و ارائه نرم افزار و برخی دانش برنامه نویسی در جاوا داشته باشند.

انواع مختلف سرمایه گذاران در مورد یک فرصت سرمایه گذاری چگونه فکر می کنند؟ چه نوع اوراق و قراردادهایی را ارائه می دهند؟ چگونه یک شرکت باید تصمیم بگیرد که "معامله خوب" چیست؟ این دوره آموزشی برای آشنایی شما با چالش ها و مشکلات تامین مالی شرکت های جدید طراحی شده است. شما ابزارهای اساسی برای ارزیابی شرکت ها، از جمله استفاده از تجزیه و تحلیل جریان نقدی با تخفیف در اکسل و درک نحوه اعمال این مدل در سرمایه گذاری کارآفرینی خود را خواهید آموخت. سپس خواهید آموخت که چگونه ارزیابی با انواع مختلفی از اوراق بهادار که سرمایه گذاران برای تامین مالی استارت آپ ها از وام های بانکی گرفته تا سرمایه گذاری خطرپذیر و سرمایه گذاری فرشته استفاده می کنند، کار می کند.

پروژه‌های زیست‌شناسی در مقیاس بزرگ مانند تعیین توالی ژنوم انسان و بررسی‌های بیان ژن با استفاده از RNA-seq، ریزآرایه‌ها و سایر فناوری‌ها، داده‌های زیادی را برای زیست‌شناسان ایجاد کرده‌اند. با این حال، چالشی که دانشمندان با آن روبرو هستند، تجزیه و تحلیل و حتی دسترسی به این داده ها برای استخراج اطلاعات مفید مربوط به سیستم مورد مطالعه است. این دوره بر استفاده از منابع بیوانفورماتیک موجود - عمدتاً برنامه‌ها و پایگاه‌های اطلاعاتی مبتنی بر وب - برای دسترسی به انبوه داده‌ها برای پاسخ به سؤالات مربوط به یک زیست‌شناس معمولی تمرکز دارد و بسیار کاربردی است. موضوعات تحت پوشش شامل ترازهای توالی چندگانه، فیلوژنتیک، تجزیه و تحلیل داده های بیان ژن، و شبکه های تعامل پروتئین، در دو بخش جداگانه است. بخش اول، روش‌های بیوانفورماتیک I (این یکی)، به پایگاه‌های داده، انفجار، هم‌ترازی‌های توالی چندگانه، فیلوژنتیک، تجزیه و تحلیل انتخاب و متاژنومیک می‌پردازد. بخش دوم، روش‌های بیوانفورماتیک II، جستجوی موتیف، برهمکنش‌های پروتئین-پروتئین، بیوانفورماتیک ساختاری، تجزیه و تحلیل داده‌های بیان ژن، و پیش‌بینی‌های عنصر cis را پوشش می‌دهد. این جفت دوره برای هر دانش آموزی که تحصیلات تکمیلی در علوم زیستی را در نظر دارد و همچنین دانشجویانی که پزشکی مولکولی را در نظر دارند مفید است. هر دو مروری بر بسیاری از ابزارهای مختلف بیوانفورماتیکی ارائه می دهند. این دوره‌ها بر اساس دوره‌ای است که در دانشگاه تورنتو به دانش‌آموختگان سطح بالایی که تا حدودی از زیست‌شناسی مولکولی پایه دارند، تدریس می‌شود. اگر با این کار آشنایی ندارید، چیزی مانند https://learn.saylor.org/course/bio101 ممکن است مفید باشد. برای این دوره نیازی به برنامه نویسی نیست. روش‌های بیوانفورماتیک I مرتباً به‌روزرسانی می‌شود و برای ژانویه 2024 کاملاً به‌روزرسانی شد.

مقدمه‌ای عمیق با مرتب‌سازی کارت، یک تکنیک تحقیق UX که به شما کمک می‌کند درک کنید که کاربران چگونه اطلاعات را دسته‌بندی می‌کنند، دریافت کنید. با استفاده از نتایج مرتب‌سازی کارت برای اطلاع‌رسانی به طرح‌های خود، می‌توانید وب‌سایت‌ها یا محصولاتی را ایجاد کنید که بصری و آسان برای پیمایش هستند. در این دوره، آماندا استاکول به شما کمک می کند تا اصول برنامه ریزی، اجرا و تجزیه و تحلیل یک مرتب سازی کارت را درک کنید. پس از ارائه یک نمای کلی از این تکنیک تحقیق UX و پرداختن به انواع مختلف مرتب‌سازی کارت، آماندا نشان می‌دهد که چگونه محتوای خود را آماده کنید تا مطمئن شوید که بهترین نتایج مرتب‌سازی کارت را دریافت می‌کنید. او همچنین یافتن، انتخاب، و غربالگری شرکت کنندگان، اجرای جلسات، تجزیه و تحلیل داده ها و به اشتراک گذاری نتایج شما را پوشش می دهد.

در این دوره به تعریف نرم‌افزار متن‌باز می‌پردازیم، تاریخچه نرم‌افزار متن‌باز را مرور می‌کنیم و در طول دهه‌ها به زیرساخت‌های فناوری جهان چه مزایایی داشته است. هدف این دوره این است که به شما بیاموزد چگونه در پروژه های متن باز کار کنید و مزایای زیادی از آن به دست آورید و واقعاً بفهمید که چه مزیت هایی دارد. شما در مورد بهترین شیوه های همکاری و نحوه تشویق تنوع در پروژه های منبع باز یاد خواهید گرفت. ما در مورد مدل‌های مختلف مجوز در دسترس صحبت خواهیم کرد، زیرا این به شما کمک می‌کند تا تصمیم بگیرید که بهترین مجوز برای پروژه شما چیست. ما در مورد روش‌هایی که معمولاً استفاده می‌شوند، مانند Continuous Integration و استفاده از GitHub و سایر ارائه‌دهندگان میزبانی به عنوان محل ملاقات مرکزی برای پروژه‌های منبع باز صحبت خواهیم کرد و چند نمونه از پروژه‌های منبع باز موفق را ارائه خواهیم داد.

در این دوره، انواع مختلف مسائل، مرزهای آنچه که یک مسئله را قابل حل می‌کند و الگوریتم‌ها، قوانین و اکتشافی‌های مختلفی که می‌توانیم برای حل این مسائل پیاده‌سازی کنیم را بررسی خواهیم کرد.

این دوره تکنیک های اصلی مورد استفاده در داده کاوی، از جمله تجزیه و تحلیل الگوی مکرر، طبقه بندی، خوشه بندی، تجزیه و تحلیل پرت، و همچنین استخراج داده های پیچیده و مرزهای تحقیقاتی در زمینه داده کاوی را پوشش می دهد. 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 تصویر لوگوی دوره توسط Lachlan Cormie، در اینجا در Unsplash موجود است: https://unsplash.com/photos/jbJp18srifE

روش‌های ماتریس ریاضی ریشه اکثر روش‌های یادگیری ماشین و تجزیه و تحلیل داده‌های داده‌های جدولی است. اصول اولیه روش های ماتریس، از جمله ضرب ماتریس-ماتریس، حل معادلات خطی، متعامد، و بهترین تقریب حداقل مربعات را بیاموزید. تجزیه ارزش منفرد را کشف کنید که نقش اساسی در کاهش ابعاد، تجزیه و تحلیل اجزای اصلی و کاهش نویز دارد. از مثال‌های اختیاری با استفاده از پایتون برای نشان دادن مفاهیم استفاده می‌شود و به زبان‌آموز اجازه می‌دهد تا الگوریتم‌ها را آزمایش کند.

این دوره روش های یادگیری عمیق (DL)، داده های مراقبت های بهداشتی و برنامه های کاربردی با استفاده از روش های DL را پوشش می دهد. این دوره ها شامل فعالیت هایی مانند سخنرانی های ویدئویی، آزمایشگاه های برنامه نویسی خود هدایت شونده، تکالیف درسی (چه کتبی و چه برنامه نویسی) و یک پروژه بزرگ است. مرحله اول این دوره شامل سخنرانی های ویدئویی در مورد موضوعات مختلف DL و برنامه های کاربردی سلامت، آزمایشگاه های خود هدایت شونده و تکالیف متعدد در منزل خواهد بود. در این مرحله، دانش و تجربه خود را در توسعه مدل های یادگیری عمیق عملی بر روی داده های مراقبت های بهداشتی ایجاد خواهید کرد. مرحله دوم این دوره یک پروژه بزرگ خواهد بود که می تواند منجر به گزارش فنی و نسخه ی نمایشی عملکرد مدل های یادگیری عمیق برای رسیدگی به برخی از مشکلات خاص مراقبت های بهداشتی شود. ما انتظار داریم که بهترین پروژه ها به طور بالقوه به انتشارات علمی منجر شوند.

این دوره روش های یادگیری عمیق (DL)، داده های مراقبت های بهداشتی و برنامه های کاربردی با استفاده از روش های DL را پوشش می دهد. این دوره ها شامل فعالیت هایی مانند سخنرانی های ویدئویی، آزمایشگاه های برنامه نویسی خود هدایت شونده، تکالیف درسی (چه کتبی و چه برنامه نویسی) و یک پروژه بزرگ است. مرحله اول این دوره شامل سخنرانی های ویدئویی در مورد موضوعات مختلف DL و برنامه های کاربردی سلامت، آزمایشگاه های خود هدایت شونده و تکالیف متعدد در منزل خواهد بود. در این مرحله، دانش و تجربه خود را در توسعه مدل های یادگیری عمیق عملی بر روی داده های مراقبت های بهداشتی ایجاد خواهید کرد. مرحله دوم این دوره یک پروژه بزرگ خواهد بود که می تواند منجر به گزارش فنی و نسخه ی نمایشی عملکرد مدل های یادگیری عمیق برای رسیدگی به برخی از مشکلات خاص مراقبت های بهداشتی شود. ما انتظار داریم که بهترین پروژه ها به طور بالقوه به انتشارات علمی منجر شوند.

در این دوره، با چندین الگوریتم آشنا خواهید شد که می توانند سیاست های نزدیک به بهینه را بر اساس تعامل آزمون و خطا با محیط بیاموزند --- یادگیری از تجربه خود عامل. یادگیری از تجربه واقعی قابل توجه است زیرا نیازی به دانش قبلی در مورد پویایی محیط ندارد، اما هنوز می تواند به رفتار مطلوب دست یابد. ما روش های مونت کارلو ساده اما قدرتمند و روش های یادگیری تفاوت زمانی از جمله یادگیری Q را پوشش خواهیم داد. ما این دوره را با بررسی اینکه چگونه می‌توانیم بهترین‌ها را از هر دو دنیا بدست آوریم، به پایان می‌رسانیم: الگوریتم‌هایی که می‌توانند برنامه‌ریزی مبتنی بر مدل (مشابه برنامه‌نویسی پویا) و به‌روزرسانی‌های تفاوت زمانی را برای تسریع اساسی یادگیری ترکیب کنند. در پایان این دوره شما قادر خواهید بود: - یادگیری تفاوت زمانی و مونت کارلو را به عنوان دو استراتژی برای تخمین توابع ارزش از تجربه نمونه برداری شده درک کنید. - درک اهمیت اکتشاف، هنگام استفاده از تجربه نمونه برداری شده به جای برنامه نویسی پویا در یک مدل - ارتباط بین Monte Carlo و Dynamic Programming و TD را درک کنید. - پیاده سازی و اعمال الگوریتم TD، برای تخمین توابع مقدار - پیاده سازی و اعمال Expected Sarsa و Q-Learning (دو روش TD برای کنترل) - تفاوت بین کنترل در سیاست و خارج از سیاست را درک کنید - درک برنامه ریزی با تجربه شبیه سازی شده (بر خلاف استراتژی های برنامه ریزی کلاسیک) - یک رویکرد مبتنی بر مدل برای RL به نام Dyna پیاده سازی کنید که از تجربه شبیه سازی شده استفاده می کند - یک مطالعه تجربی برای مشاهده بهبود کارایی نمونه در هنگام استفاده از Dyna انجام دهید

نور مصاحبه باید سوژه و مصاحبه کننده را عالی جلوه دهد. اما برای کنترل دقیق ظاهر و احساس به تجهیزات مناسب و درک درست از اهداف عکس نیاز دارید. به ریچ هرینگتون و جیم بال بپیوندید تا از وسایل و اطلاعاتی که برای روشن کردن درست یک مصاحبه ویدیویی نیاز دارید عبور کنند. نحوه تعیین حال و هوا و ژانر مصاحبه را بیابید، عکس های خود را به درستی در معرض دید قرار دهید، برنامه ای برای عکسبرداری تنظیم کنید، پس زمینه را انتخاب کنید و عکس را کادربندی کنید. به‌علاوه، تکنیک‌های کنترل نور با پرچم‌گذاری، پرش، انتشار و سایر تکنیک‌های مورد استفاده توسط متخصصان را بیاموزید.

rnrn مفتخریم که این محتوا را در کتابخانه خود میزبانی کنیم.

پروژه‌های زیست‌شناسی در مقیاس بزرگ مانند تعیین توالی ژنوم انسان و بررسی‌های بیان ژن با استفاده از RNA-seq، ریزآرایه‌ها و سایر فناوری‌ها، داده‌های زیادی را برای زیست‌شناسان ایجاد کرده‌اند. با این حال، چالشی که دانشمندان با آن روبرو هستند، تجزیه و تحلیل و حتی دسترسی به این داده ها برای استخراج اطلاعات مفید مربوط به سیستم مورد مطالعه است. این دوره بر استفاده از منابع بیوانفورماتیک موجود - عمدتاً برنامه‌ها و پایگاه‌های اطلاعاتی مبتنی بر وب - برای دسترسی به انبوه داده‌ها برای پاسخ به سؤالات مربوط به یک زیست‌شناس معمولی تمرکز دارد و بسیار کاربردی است. موضوعات تحت پوشش شامل ترازهای توالی چندگانه، فیلوژنتیک، تجزیه و تحلیل داده های بیان ژن، و شبکه های تعامل پروتئین، در دو بخش جداگانه است. بخش اول، روش‌های بیوانفورماتیک I، به پایگاه‌های داده، انفجار، هم‌ترازی‌های توالی چندگانه، فیلوژنتیک، تجزیه و تحلیل انتخاب و متاژنومیکس می‌پردازد. این، بخش دوم، روش‌های بیوانفورماتیک II، جستجوی موتیف، برهمکنش‌های پروتئین-پروتئین، بیوانفورماتیک ساختاری، تجزیه و تحلیل داده‌های بیان ژن و پیش‌بینی‌های عنصر cis را پوشش می‌دهد. این جفت دوره برای هر دانش آموزی که تحصیلات تکمیلی در علوم زیستی را در نظر دارد و همچنین دانشجویانی که پزشکی مولکولی را در نظر دارند مفید است. این دوره‌ها بر اساس دوره‌ای است که در دانشگاه تورنتو به دانش‌آموختگان سطح بالایی که تا حدودی از زیست‌شناسی مولکولی پایه دارند، تدریس می‌شود. اگر با این کار آشنایی ندارید، چیزی مانند https://learn.saylor.org/course/bio101 ممکن است مفید باشد. هیچ برنامه نویسی برای این دوره مورد نیاز نیست، اگرچه برخی از کارهای خط فرمان (هر چند در یک مرورگر وب) در ماژول 5 رخ می دهد. Bioinformatic Methods II به طور منظم به روز می شود و آخرین بار در ژانویه 2024 به روز شده است.