Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-20 of 24 items.

linkedin Apache Flink: Exploratory Data Analytics with SQL (Mitalearn-172955)

  • 1 hours 7 minutes
  • پیشرفته
  • Release date: 22 June 2026
  • Author: Kumaran Ponnambalam
درباره این دوره:

تجزیه و تحلیل داده های اکتشافی یک مرحله کلیدی در علم داده است که به بررسی داده ها برای استخراج بینش می پردازد. در دنیای کلان داده، کاوش مجموعه داده‌های عظیم یک چالش است، زیرا به فناوری‌هایی نیاز دارد که مقیاس‌پذیر، سریع و دارای ویژگی‌های غنی باشند. Apache Flink - پلتفرم محبوب پردازش جریان - برای این تلاش مناسب است. این دوره بر کاوش مجموعه داده ها با SQL در Apache Flink تمرکز دارد. مربی Kumaran Ponnambalam با بررسی API های رابطه ای که Flink برای تجزیه و تحلیل داده های بزرگ ارائه می دهد شروع می کند. سپس کوماران نگاهی عمیق‌تر به توابع Table API و SQL می‌اندازد. او قابلیت‌های مختلف SQL موجود برای کاوش داده‌ها، از جمله فیلتر کردن، تجمیع‌ها و پیوستن‌ها را بررسی می‌کند. برای جمع بندی، او یک پروژه مورد استفاده ارائه می دهد که به شما امکان می دهد مهارت های جدید خود را تمرین کنید.

coursera SQL for Data Science Capstone Project (Mitalearn-332925)

  • 2 hours 56 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Don Noxon
درباره این دوره:

علم داده یک زمینه شغلی پویا و رو به رشد است که برای موفقیت نیاز به دانش و مهارت مبتنی بر SQL دارد. این دوره طراحی شده است تا پایه ای محکم در استفاده از مهارت های SQL برای تجزیه و تحلیل داده ها و حل مشکلات واقعی کسب و کار به شما ارائه دهد. چه سایر دوره‌های آموزشی را با موفقیت گذرانده باشید و چه فقط در این دوره شرکت می‌کنید، این پروژه فرصتی برای شماست تا دانش و مهارت‌هایی را که کسب کرده‌اید برای تمرین پرسش‌های مهم SQL و حل مشکلات داده‌ها به کار ببرید. شما در سفر شخصی یا حرفه ای خود شرکت خواهید کرد تا از ابتدا تا انتها یک قطعه با ارزش نمونه کارها ایجاد کنید. شما یک مجموعه داده را انتخاب می کنید و یک پروژه پیشنهادی ایجاد می کنید. شما داده های خود را کاوش خواهید کرد و برخی از آمارهای اولیه را که از طریق این تخصص آموخته اید، انجام خواهید داد. شما تجزیه و تحلیل داده های کیفی را کشف خواهید کرد و معیارهای جدیدی را در نظر خواهید گرفت که از الگوهایی که در تجزیه و تحلیل شما ظاهر می شوند، منطقی هستند. شما تمام کارهای خود را در قالب یک ارائه قرار می دهید که در آن داستان یافته های خود را بیان می کنید. در طول مسیر، از طریق فرآیند بررسی همتا بازخورد دریافت خواهید کرد. این انجمن از دانش آموزان همکار، ورودی های بیشتری را برای کمک به شما در اصلاح رویکرد خود برای تجزیه و تحلیل داده ها با SQL و ارائه یافته های خود به مشتریان و مدیریت ارائه می دهد.

coursera احتمال و آمار برای یادگیری ماشین و علم داده (Mitalearn-303872)

  • 8 hours 24 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Luis Serrano
درباره این دوره:

به تازگی برای سال 2024 به روز شده است! Mathematics for Machine Learning and Data Science یک برنامه آنلاین پایه است که توسط DeepLearning.AI ایجاد شده و توسط Luis Serrano تدریس می شود. در یادگیری ماشینی، شما مفاهیم ریاضی را از طریق برنامه نویسی به کار می برید. و بنابراین، در این تخصص، مفاهیم ریاضی را که با استفاده از برنامه نویسی پایتون یاد می گیرید، در تمرینات آزمایشگاهی عملی به کار خواهید برد. به عنوان یک زبان آموز در این برنامه، برای موفقیت به مهارت های برنامه نویسی پایتون اولیه تا متوسط ​​نیاز دارید. پس از اتمام این دوره، شما قادر خواهید بود: • با استفاده از مفاهیم احتمال، متغیرهای تصادفی، و توزیع احتمال، عدم قطعیت ذاتی در پیش‌بینی‌های مدل‌های یادگیری ماشین را توصیف و کمی کنید. • درک بصری و شهودی خواص توزیع‌های احتمال رایج در یادگیری ماشین و علم داده مانند توزیع‌های برنولی، دوجمله‌ای و گاوسی • روش‌های آماری رایج مانند برآورد حداکثر احتمال (MLE) و حداکثر تخمین پیشینی (MAP) را برای مشکلات یادگیری ماشین اعمال کنید. • ارزیابی عملکرد مدل های یادگیری ماشین با استفاده از تخمین های بازه ای و حاشیه خطاها • استفاده از مفاهیم آزمون فرضیه های آماری در آزمون های رایج در علم داده مانند آزمون AB • تجزیه و تحلیل داده های اکتشافی را روی یک مجموعه داده برای یافتن، اعتبارسنجی و کمی کردن الگوها انجام دهید. بسیاری از مهندسان یادگیری ماشین و دانشمندان داده در زمینه ریاضیات به کمک نیاز دارند، و حتی تمرین‌کنندگان با تجربه نیز می‌توانند از کمبود مهارت‌های ریاضی عقب‌مانده شوند. این تخصص از آموزش نوآورانه در ریاضیات استفاده می‌کند تا به شما کمک کند تا سریع و شهودی یاد بگیرید، با دوره‌هایی که از تجسم‌های ساده برای پیگیری استفاده می‌کنند تا به شما کمک کنند تا ببینید که چگونه ریاضیات پشت یادگیری ماشین واقعاً کار می‌کند.  ما به شما توصیه می کنیم سطح ریاضی دبیرستان (توابع، جبر پایه) و آشنایی با برنامه نویسی (ساختارهای داده، حلقه ها، توابع، دستورات شرطی، اشکال زدایی) داشته باشید. تکالیف و آزمایشگاه‌ها در پایتون نوشته شده‌اند، اما این دوره تمام کتابخانه‌های یادگیری ماشینی را که استفاده می‌کنید معرفی می‌کند.

coursera پایتون برای علم داده (Mitalearn-327145)

  • 10 hours 27 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Fractal Analytics Academy
درباره این دوره:

استاد پایتون برای علم داده با پروژه های عملی. پانداها، آمار و تجسم را برای حل مشکلات تجارت در دنیای واقعی بیاموزید. ایجاد مهارت‌های آماده برای کار در بحث و گفتگوی داده‌ها، تجزیه و تحلیل داده‌های اکتشافی (EDA) و ترسیم نمودار با matplotlib/seaborn—بدون نیاز به تجربه قبلی. این دوره آموزشی مبتدی شما را از طریق پاکسازی داده های نامرتب، استفاده از آمار توصیفی و استنباطی و تهیه مجموعه داده ها برای یادگیری ماشین راهنمایی می کند. شما تجزیه و تحلیل هایی را طراحی خواهید کرد که به سؤالات تجاری پاسخ می دهند، بینش ها را با تصاویر متقاعد کننده ارتباط برقرار می کنند و ارزیابی های چالش برانگیز را کامل می کنند که با سناریوهای محل کار هماهنگ هستند. در پایان، با اطمینان داده‌ها را در پانداها دستکاری می‌کنید، گردش کار را خودکار می‌کنید و داشبوردهایی می‌سازید که ذینفعان آن را درک کنند. سفر مبتنی بر داده خود را شروع کنید و داده های خام را به تصمیم گیری تبدیل کنید.

datacamp تجزیه و تحلیل بازاریابی: پیش بینی ریزش مشتری در پایتون (Mitalearn-405005)

  • 37 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Mark Peterson
درباره این دوره:

Churn زمانی است که مشتری فعالیت تجاری خود را متوقف می کند یا رابطه خود را با یک شرکت پایان می دهد. این یک مشکل رایج در صنایع مختلف است، از مخابرات گرفته تا تلویزیون کابلی گرفته تا SaaS، و شرکتی که می‌تواند ریزش را پیش‌بینی کند، می‌تواند برای حفظ مشتریان ارزشمند و پیشی گرفتن از رقبا اقدامی پیشگیرانه انجام دهد. این دوره به شما یک نقشه راه برای ایجاد مدل های ریزش مشتری خود ارائه می دهد. شما یاد خواهید گرفت که چگونه داده‌های خود را کاوش و تجسم کنید، آن‌ها را برای مدل‌سازی آماده کنید، با استفاده از یادگیری ماشینی پیش‌بینی کنید، و بینش‌های مهم و عملی را به ذینفعان منتقل کنید. در پایان دوره، استفاده از کتابخانه پانداها برای تجزیه و تحلیل داده ها و کتابخانه scikit-learn برای یادگیری ماشین راحت خواهید بود.

coursera تجزیه و تحلیل داده ها با پایتون [coursera] (Mitalearn-326448)

  • 1 hours 43 minutes
  • متوسط
  • Release date: 27 June 2026
  • Author: Joseph Santarcangelo
درباره این دوره:

تجزیه و تحلیل داده ها با پایتون یک مهارت کلیدی برای دانشمندان و تحلیلگران مشتاق داده است! این دوره شما را از مبانی وارد کردن و پاکسازی داده ها به ساخت و ارزیابی مدل های پیش بینی می کند. شما یاد می گیرید که چگونه داده ها را از منابع مختلف جمع آوری کنید، آن ها را به چالش بکشید و قالب بندی کنید، تجزیه و تحلیل داده های اکتشافی (EDA) انجام دهید، و تجسم های موثر ایجاد کنید. همانطور که پیشرفت می کنید، مدل های رگرسیون خطی، چند جمله ای و چند جمله ای می سازید، خطوط لوله داده را می سازید و مدل های خود را برای دقت بهتر اصلاح می کنید. از طریق آزمایشگاه‌ها و پروژه‌های عملی، با استفاده از کتابخانه‌های محبوب پایتون مانند Pandas، NumPy، Matplotlib، Seaborn، SciPy و Scikit-learn، تجربه عملی کسب خواهید کرد. این ابزارها به شما در دستکاری داده ها، ایجاد بینش و پیش بینی کمک می کنند. با تکمیل این دوره، شما نه تنها مهارت های قوی تجزیه و تحلیل داده ها را توسعه می دهید، بلکه گواهینامه Coursera و نشان دیجیتال IBM را نیز برای نمایش دستاورد خود کسب خواهید کرد.

coursera تجزیه و تحلیل داده ها با صفحات گسترده و SQL (Mitalearn-327043)

  • 3 hours 51 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Brandon Larkin
درباره این دوره:

این دوره شما را با نحوه استفاده از صفحات گسترده و پرس و جوهای SQL برای تجزیه و تحلیل و استخراج داده ها آشنا می کند. شما یاد خواهید گرفت که چگونه به طور عملی چارچوب تجزیه و تحلیل داده های OSEMN و توابع صفحه گسترده را برای پاک کردن داده ها، محاسبه آمار خلاصه، ارزیابی همبستگی ها و موارد دیگر اعمال کنید. شما همچنین به تکنیک های متداول تجسم داده ها می پردازید و یاد می گیرید که چگونه از داشبورد برای گفتن داستانی با داده های خود استفاده کنید. در پایان این دوره شما قادر خواهید بود: • داده ها را با صفحات گسترده پاک کنید • از فرمول های رایج صفحه گسترده برای محاسبه آمار خلاصه استفاده کنید • روندها و الگوهای داده را شناسایی کنید • عبارات و پرس و جوهای SQL اساسی را برای استخراج داده ها در صفحات گسترده بنویسید • نمودارهایی را در Google Sheets ایجاد کنید و از Tableau برای تجسم داده ها استفاده کنید • از داشبورد برای ایجاد تجسم داده ها استفاده کنید 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. در حالت ایده‌آل شما قبلاً دوره 1: بنیاد تجزیه و تحلیل بازاریابی و دوره 2: مقدمه‌ای بر تجزیه و تحلیل داده‌ها را در این برنامه تکمیل کرده‌اید.

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

  • 5 hours 2 minutes
  • مناسب همه
  • Release date: 27 June 2026
  • Author: 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 برای یادگیری ماشینی (Mitalearn-270280)

  • 4 hours 52 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: 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 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: 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.

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

  • 46 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: 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.

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

  • 57 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: 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.

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

  • 54 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: 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!

coursera تجزیه و تحلیل داده های پایتون (Mitalearn-329015)

  • 6 hours 17 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Victor Geislinger
درباره این دوره:

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.

datacamp تجزیه و تحلیل زنجیره تامین در پایتون (Mitalearn-404784)

  • 1 hours
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Aaren Stubberfield
درباره این دوره:

تجزیه و تحلیل زنجیره تامین، فعالیت های زنجیره تامین را از حدس زدن به مواردی تبدیل می کند که با استفاده از داده ها تصمیم می گیرند. یک ابزار ضروری در تجزیه و تحلیل زنجیره تامین، استفاده از تجزیه و تحلیل بهینه سازی برای کمک به تصمیم گیری است. طبق گفته Deloitte، 79 درصد از سازمان‌ها با عملکرد بالا زنجیره تامین به رشد درآمدی دست می‌یابند که به طور قابل‌توجهی بالاتر از میانگین است. این دوره شما را با PuLP، یک مدل ساز بهینه سازی برنامه خطی که در پایتون نوشته شده است، آشنا می کند. با استفاده از PuLP، این دوره به شما نشان می‌دهد که چگونه سؤالات بهینه‌سازی زنجیره تأمین را فرموله کنید و به سؤالات بهینه‌سازی زنجیره تأمین پاسخ دهید، مانند اینکه یک مرکز تولید باید در کجا قرار داشته باشد، چگونه تقاضای تولید را در امکانات مختلف تخصیص دهید، و موارد دیگر. ما نتایج مدل ها و مفاهیم آنها را از طریق تست حساسیت و شبیه سازی بررسی خواهیم کرد. این دوره به شما کمک می کند تا با استفاده از قدرت پایتون و PuLP، تصمیم گیری در مورد زنجیره تامین را بهبود بخشید.

coursera تجزیه و تحلیل مجموعه داده ها و آموزش مدل های ML با استفاده از AutoML (Mitalearn-336512)

  • 2 hours 51 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Antje Barth
درباره این دوره:

در اولین دوره تخصصی تخصصی علم داده های عملی، مفاهیم اساسی برای تجزیه و تحلیل داده های اکتشافی (EDA)، یادگیری ماشین خودکار (AutoML) و الگوریتم های طبقه بندی متن را خواهید آموخت. با Amazon SageMaker Clarify و Amazon SageMaker Data Wrangler، یک مجموعه داده را برای سوگیری آماری تجزیه و تحلیل می‌کنید، مجموعه داده را به ویژگی‌های قابل خواندن ماشین تبدیل می‌کنید و مهم‌ترین ویژگی‌ها را برای آموزش یک طبقه‌بندی متن چند کلاسه انتخاب می‌کنید. سپس یادگیری ماشین خودکار (AutoML) را برای آموزش خودکار، تنظیم و استقرار بهترین الگوریتم طبقه بندی متن برای مجموعه داده داده شده با استفاده از Amazon SageMaker Autopilot انجام خواهید داد. در مرحله بعد، شما با Amazon SageMaker BlazingText، یک پیاده سازی بسیار بهینه و مقیاس پذیر از الگوریتم محبوب FastText، برای آموزش یک طبقه بندی متن با کد بسیار کمی کار خواهید کرد. علم داده های عملی برای مدیریت مجموعه داده های عظیمی طراحی شده است که در سخت افزار محلی شما مناسب نیستند و می توانند از منابع متعدد نشات گرفته باشند. یکی از بزرگترین مزایای توسعه و اجرای پروژه‌های علم داده در فضای ابری، چابکی و انعطاف‌پذیری است که ابر برای افزایش و کاهش با حداقل هزینه ارائه می‌دهد. تخصص عملی علم داده به شما کمک می کند تا مهارت های عملی را برای به کارگیری مؤثر پروژه های علم داده خود و غلبه بر چالش ها در هر مرحله از گردش کار ML با استفاده از Amazon SageMaker توسعه دهید. این تخصص برای توسعه دهندگان، دانشمندان و تحلیلگران متمرکز بر داده طراحی شده است که با زبان های برنامه نویسی Python و SQL آشنا هستند و می خواهند یاد بگیرند که چگونه خطوط لوله ML مقیاس پذیر و سرتاسر مقیاس پذیر را بیاموزند - هم خودکار و هم انسانی. -the-loop - در ابر AWS.

coursera تجسم داده ها با Tableau [coursera] (Mitalearn-328862)

  • 7 hours 27 minutes
  • مبتدی
  • Release date: 27 June 2026
  • Author: Board Infinity
درباره این دوره:

با این دوره آموزشی مناسب برای مبتدیان، عمیقاً در دنیای متقاعد کننده تجسم داده ها شیرجه بزنید و هنر تبدیل داده ها به تصاویر بصری با استفاده از Tableau را روشن کنید. این دوره که در چهار ماژول جامع تنظیم شده است، یک مسیر یادگیری واضح را ترسیم می کند، که از مفاهیم اساسی به تکنیک های تجسم پیشرفته تبدیل می شود. در ماژول اولیه، تمرکز بر درک نکات ضروری Tableau، سنگ بنای تجسم موثر داده ها است. در اینجا، شما خود را با ابزارها و ویژگی های اساسی Tableau آشنا خواهید کرد، که پایه ای محکم برای سفر داستان سرایی داده شما ایجاد می کند. ماژول بعدی شما را به دنیای تبدیل داده ها سوق می دهد. عمیقاً در عملکردهای اصلی Tableau، از درک پویایی Marks Cards و Legends گرفته تا نقش‌های مهم قرص‌های سبز و آبی، شیرجه بزنید. این مرحله به شما قدرت می‌دهد تا داده‌های خام را در داستان‌های بصری قانع‌کننده درآورید. با پیشرفت بیشتر، ماژول سوم شما را با طیف گسترده ای از نمودارهای Tableau آشنا می کند. از نمودارهای میله ای اولیه تا تجسم های پیچیده، یاد خواهید گرفت که رسانه بصری مناسب را انتخاب کنید، و اطمینان حاصل کنید که روایت های داده شما طنین انداز و مجذوب کننده هستند. در پایان سفر، ماژول چهارم شما را در تکنیک های پیشرفته Tableau و طراحی داشبورد غرق می کند. با استفاده از ویژگی‌های پیچیده و ایجاد داشبوردهای تعاملی، می‌توانید بینش‌های خود را با تأثیر بیشتری ارائه دهید. در پایان دوره، نه تنها مجموعه ای از تجسم های داده قانع کننده را برای نمایش خواهید داشت، بلکه درک عمیقی از اصول تجسم داده ها و مهارت قوی در Tableau خواهید داشت.

coursera علم داده با R - پروژه Capstone (Mitalearn-331004)

  • 20 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Jeff Grossman,Yan Luo
درباره این دوره:

در این دوره آموزشی، مهارت‌ها و تکنیک‌های مختلف علوم داده را که به عنوان بخشی از دوره‌های قبلی در IBM Data Science با تخصص R یا IBM Data Analytics با Excel و R Professional Certificate آموخته‌اید، به کار می‌گیرید. برای این پروژه، شما نقش یک دانشمند داده را به عهده خواهید گرفت که اخیراً به یک سازمان پیوسته است و با چالشی مواجه می شوید که نیاز به جمع آوری داده ها، تجزیه و تحلیل، آزمایش فرضیه های اساسی، تجسم و مدل سازی دارد تا بر روی مجموعه داده های دنیای واقعی انجام شود. داده‌ها را از منابع متعدد جمع‌آوری و درک می‌کنید، بحث و گفتگو و آماده‌سازی داده‌ها را با Tidyverse انجام می‌دهید، تجزیه و تحلیل داده‌های اکتشافی را با SQL، Tidyverse و ggplot2 انجام می‌دهید، داده‌ها را با رگرسیون خطی مدل‌سازی می‌کنید، نمودارها و نمودارهایی را برای تجسم داده‌ها ایجاد می‌کنید و داشبورد تعاملی ایجاد می‌کنید. پروژه با ارائه گزارش تجزیه و تحلیل داده های شما، با یک خلاصه اجرایی برای ذینفعان مختلف در سازمان به اوج خود می رسد.

coursera فراتر از اعداد بروید: داده ها را به بینش تبدیل کنید (Mitalearn-335951)

  • 3 hours 56 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Google Career Certificates
درباره این دوره:

این سومین دوره از هفت دوره در گواهی تحلیل داده های پیشرفته گوگل است. در این دوره، یاد خواهید گرفت که چگونه داستان را در داده ها پیدا کنید و آن داستان را به شیوه ای قانع کننده بیان کنید. خواهید فهمید که چگونه متخصصان داده از داستان سرایی برای درک بهتر داده های خود و انتقال بینش های کلیدی به هم تیمی ها و ذینفعان استفاده می کنند. شما همچنین تجزیه و تحلیل داده های اکتشافی را تمرین خواهید کرد و یاد خواهید گرفت که چگونه تجسم داده های موثر ایجاد کنید. کارمندان Google که در حال حاضر در این زمینه کار می‌کنند، با ارائه فعالیت‌های عملی که وظایف مرتبط را شبیه‌سازی می‌کنند، نمونه‌هایی از کارهای روزمره خود را به اشتراک می‌گذارند و به شما کمک می‌کنند مهارت‌های تجزیه و تحلیل داده‌های خود را برای آماده شدن برای حرفه خود ایجاد کنید، شما را در این دوره راهنمایی می‌کنند. فراگیرانی که هفت دوره در این برنامه را گذرانده اند، مهارت های لازم برای درخواست برای مشاغل علوم داده و تجزیه و تحلیل داده های پیشرفته را خواهند داشت. این گواهی مستلزم دانش قبلی از اصول، مهارت‌ها و ابزارهای تحلیلی پایه است که در گواهی Google Data Analytics پوشش داده شده است. در پایان این دوره، شما: -از ابزار پایتون برای بررسی ساختار و قالب داده های خام استفاده کنید -کتابخانه های پایتون مربوطه را برای پاکسازی داده های خام انتخاب کنید -نشان دادن نحوه تبدیل داده های دسته بندی به داده های عددی با پایتون -از مهارت های اعتبارسنجی ورودی برای اعتبارسنجی مجموعه داده با پایتون استفاده کنید -تکنیک هایی را برای ایجاد تجسم داده های قابل دسترس با Tableau شناسایی کنید -تصمیم گیری در مورد داده های از دست رفته و موارد پرت -ساختار و سازماندهی داده ها با دستکاری رشته های تاریخ

coursera مدیریت تجزیه و تحلیل داده ها (Mitalearn-299792)

  • 2 hours 23 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jeff Leek, PhD,Brian Caffo, PhD,Roger D. Peng, PhD
درباره این دوره:

این دوره یک هفته ای فرآیند تجزیه و تحلیل داده ها و نحوه مدیریت آن فرآیند را شرح می دهد. ما ماهیت تکراری تجزیه و تحلیل داده ها و نقش بیان یک سوال واضح، تجزیه و تحلیل داده های اکتشافی، استنتاج، مدل سازی آماری رسمی، تفسیر و ارتباطات را توصیف می کنیم. علاوه بر این، نحوه هدایت فعالیت های تحلیلی در یک تیم و هدایت فرآیند تجزیه و تحلیل داده ها به سمت نتایج منسجم و مفید را شرح خواهیم داد. این یک دوره متمرکز طراحی شده است تا شما را به سرعت در مورد فرآیند تجزیه و تحلیل داده ها و نحوه مدیریت آن آگاه کند. هدف ما این بود که این کار را تا حد امکان برای شما راحت کنیم بدون اینکه هیچ محتوای ضروری را قربانی کنیم. ما اطلاعات فنی را کنار گذاشته‌ایم تا بتوانید روی مدیریت تیم خود و پیشبرد آن تمرکز کنید. پس از گذراندن این دوره خواهید آموخت که چگونه…. 1. تکرار تجزیه و تحلیل داده های اساسی را شرح دهید 2. انواع مختلف سوالات را شناسایی کنید و آنها را به مجموعه داده های خاص ترجمه کنید 3. انواع مختلف کشش داده را شرح دهید 4. مجموعه داده ها را برای تعیین اینکه آیا داده ها برای یک سوال معین مناسب هستند کاوش کنید 5. تلاش های ساخت مدل مستقیم در تجزیه و تحلیل داده های رایج 6. نتایج حاصل از تجزیه و تحلیل داده های رایج را تفسیر کنید 7. ادغام یافته های آماری برای تشکیل ارائه های تجزیه و تحلیل داده های منسجم تعهد: 1 هفته مطالعه، 4-6 ساعت تصویر جلد دوره توسط fdecomite. Creative Commons توسط https://flic.kr/p/4HjmvD

Suggestions