کاتالوگ دوره‌ها

مدت زمان دوره

ارائه دهنده

موضوع

طبقه‌ها

نمایش 8,001 تا 8,020 مورد از کل 17,394 مورد.

coursera تجزیه و تحلیل داده ها و مهارت های ارائه: پروژه نهایی رویکرد PwC (Mitalearn-327077)

  • 20 دقیقه
  • مبتدی
  • انتشار: 23 June 2026
  • مدرس: Alex Mannella
درباره این دوره:

در این پروژه Capstone، شما تمام مهارت ها و بینش های جدیدی را که از طریق چهار دوره یاد گرفته اید، گرد هم می آورید. به شما یک مشکل کلاینت "ساختگی" و یک مجموعه داده داده می شود. برای به دست آوردن بینش تجاری، تحقیق در حوزه دامنه مشتری و ایجاد توصیه ها، باید داده ها را تجزیه و تحلیل کنید. سپس باید داده ها را در یک ارائه رو به مشتری تجسم کنید. همه آن‌ها را در یک ارائه ویدیویی ضبط‌شده گرد هم می‌آورید. این دوره توسط PricewaterhouseCoopers LLP با آدرسی در 300 Madison Avenue, New York, New York, 10017 ایجاد شده است.

مهارت‌های مرتبط

linkedin تجزیه و تحلیل داده ها: تجزیه و تحلیل نمودار (Mitalearn-213806)

  • 19 دقیقه
  • مناسب همه
  • انتشار: 22 June 2026
  • مدرس: Madecraft,Heather Johnson
درباره این دوره:

از زمان پیدایش تجزیه و تحلیل داده ها، روشی که در آن تحلیل گران به داده ها نگاه می کنند و تفسیر می کنند، به شدت تکامل یافته است. فناوری‌ها، ابزارها و رویکردهای جدید آنچه را که با تجزیه و تحلیل داده‌ها امکان‌پذیر است، ارتقا داده‌اند و تحلیل شبکه نیز از این قاعده مستثنی نیست. در این دوره، هدر جانسون، تحلیلگر قدیمی داده و متخصص تجسم داده، اصول استفاده از تجزیه و تحلیل گراف یا تجزیه و تحلیل شبکه را هنگام تجزیه و تحلیل داده ها به اشتراک می گذارد. هدر با بررسی اجزای تجزیه و تحلیل شبکه و جزئیات مزایای استفاده از رویکرد تجزیه و تحلیل گراف شروع می کند. او سپس از طریق کاربردهای کلیدی استفاده از تجزیه و تحلیل گراف هنگام بررسی داده ها قدم می زند. برای پایان دادن به دوره، هدر فرصت های شغلی را در حوزه تجزیه و تحلیل گراف مورد بحث قرار می دهد. پس از اتمام، به دانشی در مورد اینکه تجزیه و تحلیل گراف چیست و چگونه می توان از آن در حرفه تجزیه و تحلیل خود استفاده کرد، مجهز خواهید شد.

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

MadeCraft-Description-Logo.jpg

مهارت‌های مرتبط

linkedin تجزیه و تحلیل داده ها: داشبوردها در مقابل داستان های داده (Mitalearn-218158)

  • 17 دقیقه
  • مناسب همه
  • انتشار: 21 June 2026
  • مدرس: Madecraft,Sara Anstey
درباره این دوره:

در دنیای تجزیه و تحلیل داده‌ها، زمانی که صحبت از نحوه انتقال داده‌ها و بینش‌هایتان به میان می‌آید، دائماً با همین تصمیم مواجه می‌شوید. برای هر پروژه، باید تصمیم بگیرید که از داشبورد استفاده کنید یا داستان داده را بگویید. در این دوره، معمار هوش تجاری سارا آنستی، اطلاعات لازم برای گرفتن این تصمیم را با اطمینان در اختیار شما قرار می دهد. ابتدا، سارا مبانی تصمیم گیری با داده ها را پوشش می دهد و به اشتراک می گذارد که چگونه نقش یک تحلیلگر داده این امر را برای سازمان ها ممکن می سازد. سپس به موضوعات داشبوردهای علم داده و داستان سرایی داده می پردازد، مزایا و معایب هر کدام را برجسته می کند و جزئیاتی را که برای تعیین اینکه کدام رویکرد برای شما مناسب است، ارائه می دهد. سارا با جمع بندی مجدد مفاهیم کلیدی به پایان می رسد و شما را آماده می کند تا بین هر یک از این گزینه ها به راحتی و با عمد انتخاب کنید.

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

MadeCraft-Description-Logo.jpg

مهارت‌های مرتبط

linkedin تجزیه و تحلیل داده های mysql (Mitalearn-429468)

  • 4 ساعت 30 دقیقه
  • مناسب همه
  • انتشار: 4 October 2024
  • مدرس: John Pauler,Maven Analytics
درباره این دوره: 

 

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.


مهارت‌های مرتبط

coursera تجزیه و تحلیل داده های اکتشافی (Mitalearn-333996)

  • 34 دقیقه
  • متوسط
  • انتشار: 23 June 2026
  • مدرس: Robert Aykroyd
درباره این دوره:

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.

coursera تجزیه و تحلیل داده های اکتشافی [coursera] (Mitalearn-335356)

  • 5 ساعت 2 دقیقه
  • مناسب همه
  • انتشار: 27 June 2026
  • مدرس: Roger D. Peng, PhD,Jeff Leek, PhD,Brian Caffo, PhD
درباره این دوره:

این دوره تکنیک های اکتشافی ضروری برای خلاصه کردن داده ها را پوشش می دهد. این تکنیک‌ها معمولاً قبل از شروع مدل‌سازی رسمی اعمال می‌شوند و می‌توانند به توسعه مدل‌های آماری پیچیده‌تر کمک کنند. تکنیک‌های اکتشافی نیز برای حذف یا تشدید فرضیه‌های بالقوه در مورد جهان که می‌توانند توسط داده‌ها به آن پرداخته شوند، مهم هستند. ما به طور مفصل به سیستم های ترسیم در R و همچنین برخی از اصول اولیه ساخت گرافیک داده خواهیم پرداخت. ما همچنین برخی از تکنیک های آماری چند متغیره رایج مورد استفاده برای تجسم داده های با ابعاد بالا را پوشش خواهیم داد.

coursera تجزیه و تحلیل داده های اکتشافی با متلب (Mitalearn-327196)

  • 2 ساعت 17 دقیقه
  • مبتدی
  • انتشار: 23 June 2026
  • مدرس: Erin Byrne,Michael Reardon,Maria Gavilan-Alfonso
درباره این دوره:

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.

coursera تجزیه و تحلیل داده های اکتشافی برای یادگیری ماشینی (Mitalearn-270280)

  • 4 ساعت 52 دقیقه
  • متوسط
  • انتشار: 23 June 2026
  • مدرس: Joseph Santarcangelo,Svitlana (Lana) Kramar
درباره این دوره:

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.

datacamp تجزیه و تحلیل داده های اکتشافی در Power BI (Mitalearn-400840)

  • 38 دقیقه
  • مناسب همه
  • انتشار: 28 June 2026
  • مدرس: Maarten Van den Broeck,Jacob Marquez
درباره این دوره:

گزارش‌های خود را با تجزیه و تحلیل داده‌های اکتشافی Power BI (EDA) تقویت کنید. شما با استفاده از آمار توصیفی برای شناسایی نقاط پرت، شناسایی داده‌های از دست رفته و استفاده از تکنیک‌های انتساب برای پر کردن شکاف‌های موجود در مجموعه داده‌تان شروع می‌کنید. سپس خواهید آموخت که چگونه EDA در Power BI می تواند به شما کمک کند تا با استفاده از معیارهای آماری اولیه و نمودارهای جعبه و پراکندگی، روابط بین متغیرها را کشف کنید - اعم از طبقه بندی شده و پیوسته.

مهارت‌های مرتبط

datacamp تجزیه و تحلیل داده های اکتشافی در R (Mitalearn-401197)

  • 46 دقیقه
  • مناسب همه
  • انتشار: 28 June 2026
  • مدرس: Andrew Bray
درباره این دوره:

زمانی که مجموعه داده شما به صورت جدول یا پایگاه داده نشان داده می شود، مشاهده چیزهای زیادی در مورد آن فراتر از اندازه آن و انواع متغیرهای موجود در آن دشوار است. در این دوره، یاد خواهید گرفت که چگونه از تکنیک های گرافیکی و عددی برای شروع کشف ساختار داده های خود استفاده کنید. کدام متغیرها روابط جالبی را نشان می دهند؟ کدام مشاهدات غیرعادی هستند؟ در پایان دوره، می‌توانید به این سؤالات و موارد دیگر پاسخ دهید و در عین حال گرافیک‌هایی را ایجاد کنید که هم روشنگر و هم زیبا هستند.

مهارت‌های مرتبط

datacamp تجزیه و تحلیل داده های اکتشافی در SQL (Mitalearn-399582)

  • 57 دقیقه
  • مناسب همه
  • انتشار: 28 June 2026
  • مدرس: Christina Maimone
درباره این دوره:

شما به پایگاه داده دسترسی دارید. حالا چیکار میکنی؟ با تکیه بر مهارت‌های موجود خود در پیوستن به جداول، استفاده از توابع اولیه، گروه‌بندی داده‌ها و استفاده از پرسش‌های فرعی، گام بعدی در سفر SQL شما یادگیری نحوه کاوش در پایگاه داده و داده‌های موجود در آن است. با استفاده از داده‌های شرکت‌های Stack Overflow، Fortune 500، و درخواست‌های کمک 311 از Evanston، IL، با انواع داده‌های عددی، کاراکتر و تاریخ/زمان آشنا می‌شوید. شما از توابع برای جمع‌آوری، خلاصه‌سازی و تجزیه و تحلیل داده‌ها بدون خروج از پایگاه داده استفاده خواهید کرد. خطاها و ناهماهنگی ها در داده ها شما را متوقف نمی کند! مشکلات رایجی که باید جستجو کنید و استراتژی هایی برای پاکسازی داده های نامرتب را یاد خواهید گرفت. در پایان این دوره، شما آماده خواهید بود که کاوش پایگاه های داده PostgreSQL خود و تجزیه و تحلیل داده های موجود در آنها را آغاز کنید.

مهارت‌های مرتبط

datacamp تجزیه و تحلیل داده های اکتشافی در پایتون (Mitalearn-399038)

  • 54 دقیقه
  • مناسب همه
  • انتشار: 28 June 2026
  • مدرس: George Boorman,Izzy Weber
درباره این دوره:

بنابراین شما داده های جالبی دارید - تحلیل خود را از کجا شروع می کنید؟ این دوره، فرآیند کاوش و تجزیه و تحلیل داده‌ها، از درک آنچه در یک مجموعه داده تا ترکیب یافته‌های اکتشاف در یک گردش کار علم داده را شامل می‌شود، پوشش می‌دهد.

با استفاده از داده‌های مربوط به ارقام بیکاری و قیمت بلیط هواپیما، از پایتون برای جمع‌بندی و اعتبارسنجی داده‌ها، محاسبه، شناسایی و جایگزینی مقادیر از دست رفته و پاکسازی مقادیر عددی و مقوله‌ای استفاده می‌کنید. در طول دوره، تصاویر زیبای Seaborn را برای درک متغیرها و روابط آنها ایجاد خواهید کرد.

برای مثال، نحوه ارتباط مصرف الکل و عملکرد دانش‌آموز را بررسی خواهید کرد. در نهایت، این دوره نشان می‌دهد که چگونه یافته‌های اکتشافی با ایجاد ویژگی‌های جدید، متعادل کردن ویژگی‌های طبقه‌بندی، و ایجاد فرضیه‌ها از یافته‌ها، به جریان‌های کاری علم داده وارد می‌شوند.

در پایان این دوره، اطمینان خواهید داشت که تجزیه و تحلیل داده‌های اکتشافی (EDA) خود را در پایتون انجام دهید. می‌توانید یافته‌های خود را به صورت بصری برای دیگران توضیح دهید و گام‌های بعدی را برای جمع‌آوری بینش از داده‌های خود پیشنهاد دهید!

مهارت‌های مرتبط

linkedin تجزیه و تحلیل داده های اکسل برای زنجیره تأمین: پیش بینی (Mitalearn-419472)

  • 3 ساعت 37 دقیقه
  • مناسب همه
  • انتشار: 12 May 2025
  • مدرس: Eddie Davila
درباره این دوره: 

 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.

linkedin تجزیه و تحلیل داده های اکسل: پیش بینی (Mitalearn-50504)

  • 3 ساعت 7 دقیقه
  • متوسط
  • انتشار: 21 June 2026
  • مدرس: Wayne Winston
درباره این دوره:

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.

datacamp تجزیه و تحلیل داده های اینترنت اشیا در پایتون (Mitalearn-405294)

  • 54 دقیقه
  • مناسب همه
  • انتشار: 28 June 2026
  • مدرس: Matthias Voppichler
درباره این دوره:

آیا تا به حال در مورد دستگاه های اینترنت اشیا شنیده اید؟ البته که دارید. شاید شما نیز یک Raspberry PI در خانه خود داشته باشید که دما و رطوبت را کنترل می کند. دستگاه های اینترنت اشیا همه جا در اطراف ما هستند و داده های مربوط به محیط ما را جمع آوری می کنند. شما داده های زیست محیطی، داده های ترافیک و همچنین داده های شمارنده انرژی را تجزیه و تحلیل خواهید کرد. پس از دوره آموزشی، نحوه جمع آوری و ذخیره داده ها را از یک جریان داده یاد خواهید گرفت. قبل از اجرا، داده های اینترنت اشیا را برای تجزیه و تحلیل، تجزیه و تحلیل و تجسم داده های اینترنت اشیا آماده می کنید یک مدل یادگیری ماشینی ساده برای انجام اقدامات در هنگام وقوع رویدادهای خاص و استقرار این مدل به یک جریان داده در زمان واقعی.

مهارت‌های مرتبط

linkedin تجزیه و تحلیل داده های بزرگ با Hadoop و Apache Spark (Mitalearn-169470)

  • 1 ساعت 1 دقیقه
  • متوسط
  • انتشار: 24 February 2020
  • مدرس: Kumaran Ponnambalam
درباره این دوره: 

 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.

linkedin تجزیه و تحلیل داده های بزرگ با Hadoop و Apache Spark (Mitalearn-442847)

  • 51 دقیقه
  • مناسب همه
  • انتشار: 21 June 2026
  • مدرس: Kumaran Ponnambalam
درباره این دوره:

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.

linkedin تجزیه و تحلیل داده های بزرگ با Hive (Mitalearn-105261)

  • 1 ساعت 53 دقیقه
  • متوسط
  • انتشار: 22 June 2026
  • مدرس: Ben Sullins
درباره این دوره:

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.

مهارت‌های مرتبط

coursera تجزیه و تحلیل داده های بزرگ با SQL (Mitalearn-327128)

  • 7 ساعت 7 دقیقه
  • مبتدی
  • انتشار: 23 June 2026
  • مدرس: Ian Cook
درباره این دوره:

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)

datacamp تجزیه و تحلیل داده های بیزی در پایتون (Mitalearn-403016)

  • 53 دقیقه
  • مناسب همه
  • انتشار: 28 June 2026
  • مدرس: Michał Oleszak
درباره این دوره:

تحلیل داده‌های بیزی یک روش رو به افزایش استنتاج آماری است که برای تعیین احتمال شرطی بدون تکیه بر ثابت‌های ثابت مانند سطوح اطمینان یا مقادیر p استفاده می‌شود. در این دوره، یاد خواهید گرفت که تجزیه و تحلیل داده بیزی چگونه کار می کند، چگونه با رویکرد کلاسیک متفاوت است، و چرا بخشی ضروری از جعبه ابزار علم داده شما است. با تجزیه و تحلیل داده‌های تبلیغاتی، فروش و اجاره دوچرخه در دنیای واقعی، با آزمایش A/B، تجزیه و تحلیل تصمیم‌گیری و مدل‌سازی رگرسیون خطی با استفاده از رویکرد بیزی آشنا خواهید شد. در نهایت، با کتابخانه PyMC3 آشنا خواهید شد، که طراحی، تناسب و تفسیر مدل‌های بیزی را برای شما آسان‌تر می‌کند.

مهارت‌های مرتبط

دوره‌های پیشنهادی