Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-20 of 25 items.

coursera آمار استنباطی و پیش بینی برای کسب و کار (Mitalearn-294709)

  • 5 hours 7 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Fataneh Taghaboni-Dutta, Ph.D., PMP, CSM, CSPO
درباره این دوره:

این دوره یک چارچوب تحلیلی برای کمک به شما در ارزیابی مشکلات کلیدی به روشی ساختاریافته ارائه می‌کند و شما را با ابزارهایی برای مدیریت بهتر عدم قطعیت‌هایی که فرآیندهای کسب‌وکار را فرا گرفته و پیچیده می‌کنند، مجهز می‌کند. برای این منظور، این دوره با بحث در مورد دو موضوع اساسی، ایده‌های آماری را پوشش می‌دهد که برای مدیران اعمال می‌شود: اول، شناخت و توصیف تغییرات موجود در هر چیزی که در اطراف ما وجود دارد، و سپس مدل‌سازی و تصمیم‌گیری در حضور این تغییرات. مفاهیم اساسی مورد مطالعه در این دوره در بسیاری از کلاس ها و محیط های تجاری دیگر دوباره ظاهر می شوند. تمرکز ما بر تفسیر معنای نتایج در یک محیط تجاری و مدیریتی خواهد بود. در حالی که شما با برخی از علوم آنچه تدریس می شود آشنا خواهید شد، تمرکز بر روی استفاده از روش ها خواهد بود. این امر از طریق استفاده از اکسل و استفاده از مجموعه داده ها از رشته های مختلف انجام می شود و به شما امکان می دهد استفاده از آمار را در تنظیمات بسیار متنوع مشاهده کنید. این دوره نه تنها بر توضیح این مفاهیم بلکه درک معنای نتایج به دست آمده نیز تمرکز خواهد داشت. شما قادر خواهید بود: • باورهای مربوط به یک جمعیت را آزمایش کنید • تفاوت بین جمعیت ها را مقایسه کنید • از مدل رگرسیون خطی برای پیش بینی استفاده کنید • برای تجزیه و تحلیل آماری از Excel استفاده کنید این دوره بخشی از مجموعه برنامه های آنلاین کالج تجارت Gies، از جمله iMBA و iMSM است. درباره پذیرش در این برنامه‌ها بیشتر بیاموزید و بررسی کنید که چگونه می‌توان در صورت پذیرش در یک برنامه تحصیلی در https://degrees.giesbusiness.illinois.edu/idegrees/ از کار Coursera شما استفاده کرد.

linkedin آمار روزمره ادی دیویلا: نسخه Abridged (Mitalearn-418792)

  • 6 hours 3 minutes
  • مناسب همه
  • Update date: 13 June 2025
  • Author: Eddie Davila
درباره این دوره: 

 

تا به حال فکر کرده اید که چرا خانه همیشه برنده می شود؟ یا شانس رسیدن به سوپر باول؟ در مورد چند لوبیا برای تهیه یک نوار شکلات چه می شود؟ یا متوسط ​​هزینه ماهانه حیوان خانگی خانگی؟ در این دوره - اقتباس از سری محبوب LinkedInlearning آمار روزمره - ادی دیویلا ، سازنده ، ارزش استفاده از تجزیه و تحلیل آماری را برای جلب بینش از زندگی انسان به شما نشان می دهد. دریابید که چرا آمار می تواند به شما در درک بهتر جهان کمک کند - به طرق بیشتر از آنچه تصور می کردید. از ورزش و بازی گرفته تا تجارت و سیاست ، گرفته تا پزشکی ، خانواده ، آموزش و اوقات فراغت ، در یک سفر جذاب به ادی بپیوندید ، زیرا او محدودیت های زندگی روزمره را بررسی می کند ، حکایات را رمزگشایی می کند ، شگفتی های عجیب و غریب و حقایق پنهان در مورد ماهیت واقعی دنیای مشترک و شماره گذاری ما.


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 اصول fMRI 1 (Mitalearn-328709)

  • 5 hours 51 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Martin Lindquist, PhD, MSc,Tor Wager, PhD
درباره این دوره:

تصویربرداری تشدید مغناطیسی عملکردی (fMRI) پرکاربردترین تکنیک برای بررسی مغز زنده و کارآمد انسان در حین انجام وظایف و تجربه حالات ذهنی است. این یک نقطه همگرایی برای کار چند رشته ای از بسیاری از رشته ها است. روانشناسان، آماردانان، فیزیکدانان، دانشمندان کامپیوتر، دانشمندان علوم اعصاب، محققان پزشکی، دانشمندان علوم رفتاری، مهندسان، محققان بهداشت عمومی، زیست شناسان و دیگران گرد هم می آیند تا درک ما از ذهن و مغز انسان را ارتقا دهند. این دوره طراحی، اکتساب و تجزیه و تحلیل داده های تصویربرداری تشدید مغناطیسی کاربردی (fMRI) از جمله استنتاج روانشناختی، فیزیک MR، K Space، طراحی تجربی، پیش پردازش داده های fMRI و همچنین مدل های خطی تعمیم یافته (GLM) را پوشش می دهد. کتاب مربوط به کلاس را می توانید در اینجا پیدا کنید: https://leanpub.com/principlesoffmri.

linkedin اکسل: کنترل فرآیند آماری (Mitalearn-142984)

  • 1 hours 14 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Curt Frye
درباره این دوره:

یاد بگیرید که چگونه دقت و همسویی فرآیندهای تولید را با استفاده از ابزارهای آماری تجزیه و تحلیل کنید. مربی کهنه‌کار اکسل، کرت فرای، سه نوع نمودار را پوشش می‌دهد - نمودار P، نمودار C، و نمودار X-bar R - که برای خلاصه کردن رایج‌ترین معیارهای فرآیند استفاده می‌شوند: نسبت خروجی معیوب، تعداد عیوب، و تغییرپذیری خروجی‌های فرآیند. . او نحوه انجام تجزیه و تحلیل، رسم داده ها و تفسیر نتایج هر تکنیک را نشان می دهد. او همچنین چگونه فرآیندها را از دیدگاه مشتری با استفاده از تجزیه و تحلیل قابلیت فرآیند بررسی کند. تحلیلگران کسب و کار و کارکنان پشتیبانی که به تهیه اسناد کمک می کنند، و همچنین مدیران اجرایی و مدیران ارشد که ممکن است پیشینه آماری نداشته باشند، از مهارت های این دوره برای تجزیه و تحلیل فرآیندها و خروجی های سازمان خود استفاده خواهند کرد.

coursera اندازه گیری – تبدیل مفاهیم به داده (Mitalearn-329270)

  • 1 hours 32 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Jennifer Bachner, PhD
درباره این دوره:

این دوره چارچوبی برای چگونگی ایجاد و ارزیابی معیارهای کمی توسط تحلیلگران ارائه می دهد. بسیاری از مفاهیم فریبنده ای را که اغلب مورد توجه تحلیل گران است، در نظر بگیرید، مانند سلامت، پیشرفت تحصیلی و اعتماد به دولت. این دوره رویکردهای مختلف برای کمی کردن این مفاهیم را بررسی خواهد کرد. این دوره با مروری بر سطوح مختلف اندازه گیری و روش های تبدیل متغیرها آغاز می شود. سپس در مورد چگونگی ساخت و ساخت یک مدل اندازه گیری بحث خواهیم کرد. در ادامه به بررسی نظرسنجی ها می پردازیم، زیرا آنها یکی از پرکاربردترین ابزارهای اندازه گیری هستند. به عنوان بخشی از این بحث، نمونه گیری، طراحی و ارزیابی نظرسنجی را پوشش خواهیم داد. در نهایت، ما روش‌های مختلفی را برای قضاوت در مورد کیفیت یک اندازه‌گیری، مانند سطح پایایی یا اعتبار آن، در نظر خواهیم گرفت. در پایان این دوره، شما باید بتوانید معیارهایی را برای مفاهیمی که ارزش مطالعه دارند توسعه دهید و به طور انتقادی ارزیابی کنید. پس از همه، یک تحلیل خوب بر اساس معیارهای خوب ساخته شده است.

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.

linkedin تجزیه و تحلیل آماری با زبان Wolfram (Mitalearn-393819)

  • 1 hours 39 minutes
  • مناسب همه
  • Release date: 2 January 2024
  • Author: Wolfram Research
درباره این دوره: 

 داده های خود را با استفاده از چارچوبی از برازش مدل و تجزیه و تحلیل آماری ساخته شده در زبان Wolfram تجزیه و تحلیل کنید. خواه این آمار توصیفی و اکتشافی اولیه باشد یا مدل‌سازی پیشرفته با توزیع‌های آماری، می‌توانید این دوره ویدیویی را دنبال کنید تا درکی از عملکردهای آماری موجود در زبان Wolfram به دست آورید. موضوعات پوشش داده شده شامل اندازه گیری های توصیفی، تبدیل ها، خوشه بندی پایه، توزیع های آماری، تخمین پارامتر و آزمون فرضیه می باشد. موضوعات پیشرفته در استفاده از توابع بهینه‌سازی، توابع جبر خطی، تحلیل واریانس (ANOVA) و مدل‌های خطی لاجیت تعمیم‌یافته و پروبیت نیز بررسی می‌شوند.

coursera تجزیه و تحلیل داده ها با R (Mitalearn-330528)

  • 2 hours 24 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Tiffany Zhu,Yiwen Li,Gabriela de Queiroz
درباره این دوره:

زبان برنامه نویسی R به طور هدفمند برای تجزیه و تحلیل داده ها ساخته شده است. R کلیدی است که دری را بین مشکلاتی که می خواهید با داده ها حل کنید و پاسخ هایی که برای رسیدن به اهداف خود نیاز دارید باز می کند. این دوره با یک سوال شروع می شود و سپس شما را در فرآیند پاسخ دادن به آن از طریق داده ها راهنمایی می کند. ابتدا تکنیک های مهمی را برای آماده سازی (یا مشاجره کردن) داده های خود برای تجزیه و تحلیل خواهید آموخت. سپس یاد خواهید گرفت که چگونه از طریق تجزیه و تحلیل داده های اکتشافی به درک بهتری از داده های خود دست یابید، به شما کمک می کند تا داده های خود را خلاصه کنید و روابط مرتبط بین متغیرهایی را شناسایی کنید که می تواند به بینش منجر شود. هنگامی که داده های شما برای تجزیه و تحلیل آماده شد، یاد خواهید گرفت که چگونه مدل خود را توسعه دهید و عملکرد آن را ارزیابی و تنظیم کنید. با پیروی از این فرآیند، می توانید مطمئن شوید که تجزیه و تحلیل داده های شما مطابق با استانداردهایی است که تعیین کرده اید و می توانید به نتایج اطمینان داشته باشید. شما با بازی در نقش یک تحلیلگر داده که در حال تجزیه و تحلیل داده های خروج و رسیدن خطوط هوایی برای پیش بینی تاخیرهای پرواز است، تجربه عملی ایجاد خواهید کرد. با استفاده از مجموعه داده‌های عملکرد به‌موقع شرکت گزارش‌دهنده هواپیمایی، خواندن فایل‌های داده، پیش‌پردازش داده‌ها، ایجاد مدل‌ها، بهبود مدل‌ها و ارزیابی آن‌ها را تمرین می‌کنید تا در نهایت بهترین مدل را انتخاب کنید. ویدیوها را تماشا کنید، از طریق آزمایشگاه ها کار کنید و به مجموعه خود اضافه کنید. موفق باشید! توجه: پیش نیاز این دوره، مهارت های اولیه برنامه نویسی R است. به عنوان مثال، مطمئن شوید که دوره ای مانند مقدمه ای بر برنامه نویسی R برای علم داده از IBM را گذرانده اید.

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 های رسانه های اجتماعی (Mitalearn-332874)

  • 3 hours 33 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Chirag Shah
درباره این دوره:

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.

coursera تجزیه و تحلیل رگرسیون: ساده کردن روابط داده های پیچیده (Mitalearn-336019)

  • 3 hours 37 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Google Career Certificates
درباره این دوره:

این پنجمین دوره از هفت دوره در گواهی تجزیه و تحلیل داده های پیشرفته گوگل است. متخصصان داده از تحلیل رگرسیون برای کشف روابط بین متغیرهای مختلف در یک مجموعه داده و شناسایی عوامل کلیدی موثر بر عملکرد کسب و کار استفاده می کنند. در این دوره، مدل سازی روابط متغیر را تمرین خواهید کرد. شما در مورد روش های مختلف مدل سازی داده ها و نحوه استفاده از آنها برای نزدیک شدن به مشکلات تجاری یاد خواهید گرفت. همچنین روش هایی مانند رگرسیون خطی، تحلیل واریانس (ANOVA) و رگرسیون لجستیک را بررسی خواهید کرد. کارمندان Google که در حال حاضر در این زمینه کار می‌کنند، با ارائه فعالیت‌های عملی که وظایف مرتبط را شبیه‌سازی می‌کنند، به اشتراک گذاشتن نمونه‌هایی از کارهای روزانه‌شان، و کمک به شما در تقویت مهارت‌های تجزیه و تحلیل داده‌ها برای آماده شدن برای حرفه‌تان، شما را در این دوره راهنمایی می‌کنند. فراگیرانی که هفت دوره در این برنامه را تکمیل می کنند، مهارت های مورد نیاز برای درخواست برای مشاغل علوم داده و تجزیه و تحلیل داده های پیشرفته را خواهند داشت. این گواهی مستلزم آگاهی قبلی از اصول، مهارت‌ها و ابزارهای تحلیلی پایه است که در گواهی تجزیه و تحلیل داده‌های Google پوشش داده شده است. در پایان این دوره، شما: -کاوش استفاده از مدل های پیش بینی برای توصیف روابط متغیرها، با تاکید بر همبستگی -تعیین کنید که چگونه رگرسیون چندگانه بر روی رگرسیون خطی ساده در هر مرحله از فرآیند مدل سازی ایجاد می شود -تست های ANOVA یک طرفه و دو طرفه را اجرا و تفسیر کنید - ساخت انواع مختلف رگرسیون لجستیک از جمله مدل های رگرسیون خطی دو جمله ای، چند جمله ای، ترتیبی و پواسون

coursera توصیفگرهای داده های اساسی، توزیع های آماری، و کاربرد در تصمیم گیری های تجاری (Mitalearn-213211)

  • 2 hours 40 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Sharad Borle
درباره این دوره:

توانایی درک و به کارگیری آمار کسب و کار در صنعت اهمیت فزاینده ای پیدا می کند. درک خوب آمار کسب و کار لازمه تفسیر صحیح و مرتبط از داده ها است. فقدان دانش می تواند منجر به تصمیمات اشتباه شود که به طور بالقوه می تواند پیامدهای منفی برای یک شرکت داشته باشد. این دوره آموزشی برای آشنایی شما با آمار کسب و کار طراحی شده است. ما با مفهوم آمار توصیفی شروع می کنیم، که خلاصه کردن داده ها با استفاده از چند عدد است. دسته بندی های مختلف معیارهای توصیفی به همراه توابع اکسل برای محاسبه آنها معرفی و مورد بحث قرار می گیرند. مفهوم احتمال یا عدم قطعیت همراه با مفهوم نمونه و داده های جمعیت با استفاده از مثال های تجاری مرتبط معرفی شده است. این ما را به توزیع‌های آماری مختلف همراه با توابع اکسل هدایت می‌کند که سپس برای مدل‌سازی یا تقریب فرآیندهای تجاری استفاده می‌شوند. شما می‌توانید این معیارهای توصیفی داده‌ها و توزیع‌های آماری مختلف را با استفاده از مثال‌های مبتنی بر اکسل که به راحتی دنبال می‌شوند و در طول دوره نشان داده شده‌اند، اعمال کنید. برای انجام موفقیت آمیز تکالیف دوره، دانش آموزان باید به Microsoft Excel دسترسی داشته باشند. _____________________________________ هفته 1 ماژول 1: توصیفگرهای داده های پایه در این ماژول شما به درک، محاسبه و تفسیر معیارهای توصیفی یا خلاصه داده های مختلف خواهید رسید. این معیارهای توصیفی با استفاده از چند عدد داده ها را خلاصه و ارائه می کنند. توابع اکسل مناسب برای انجام این محاسبات معرفی و نشان داده شده است. موضوعات تحت پوشش عبارتند از: • دسته بندی داده های توصیفی • معیارهای گرایش مرکزی، میانگین، میانه، حالت و تفسیرها و محاسبات آنها • اندازه‌گیری‌های پراکندگی در داده‌ها، محدوده، محدوده بین چارکی، انحراف معیار و واریانس • توطئه های جعبه • تفسیر معیار انحراف معیار با استفاده از قاعده سرانگشتی و قضیه چبیشف _____________________________________ هفته 2 ماژول 2: اندازه گیری های توصیفی ارتباط، احتمال و توزیع های آماری این ماژول معیارهای کوواریانس و همبستگی و توابع اکسل مربوطه آنها را ارائه می دهد. شما می توانید مفهوم علیت در مقابل همبستگی را درک کنید. سپس ماژول مفهوم احتمال و متغیرهای تصادفی را معرفی می کند و شروع به معرفی توزیع های آماری می کند. موضوعات تحت پوشش عبارتند از: • معیارهای ارتباط، کوواریانس و معیارهای همبستگی. علیت در مقابل همبستگی • احتمال و متغیرهای تصادفی. داده های گسسته در مقابل داده های پیوسته • مقدمه ای بر توزیع های آماری _____________________________________ هفته 3 ماژول 3: توزیع عادی این ماژول توزیع نرمال و تابع اکسل را برای محاسبه احتمالات و نتایج مختلف از توزیع معرفی می کند. موضوعات تحت پوشش عبارتند از: • تابع چگالی احتمال و مساحت زیر منحنی به عنوان معیاری از احتمال • توابع توزیع عادی (منحنی زنگ)، NORM.DIST، NORM.INV در اکسل _____________________________________ هفته 4 ماژول 4: کار با توزیع ها، عادی، دو جمله ای، پواسون در این ماژول، برنامه های مختلف توزیع Normal را مشاهده خواهید کرد. همچنین با توزیع های Binomial و Poisson آشنا خواهید شد. قضیه حد مرکزی در زمینه درک داده های نمونه در مقابل داده های جمعیت و پیوند بین این دو معرفی و توضیح داده شده است. موضوعات تحت پوشش عبارتند از: • کاربردهای مختلف توزیع نرمال • توزیع دو جمله ای و پواسون • داده های نمونه در مقابل جمعیت. قضیه حد مرکزی

coursera داده ها برای یادگیری ماشین (Mitalearn-333979)

  • 3 hours 38 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Anna Koop
درباره این دوره:

این دوره همه چیز در مورد داده ها است و اینکه چگونه برای موفقیت مدل یادگیری ماشین کاربردی شما بسیار مهم است. گذراندن این دوره به زبان آموزان این مهارت ها را می دهد: درک عناصر حیاتی داده ها در مراحل یادگیری، آموزش و عملیات سوگیری ها و منابع داده را درک کنید تکنیک هایی را برای بهبود کلیت مدل خود اجرا کنید عواقب بیش از حد برازش را توضیح دهید و اقدامات کاهشی را شناسایی کنید اقدامات آزمون و اعتبارسنجی مناسب را اجرا کنید. نشان دهید که چگونه می توان دقت مدل شما را با مهندسی ویژگی های متفکرانه بهبود بخشید. تأثیر پارامترهای الگوریتم بر قدرت مدل را بررسی کنید برای موفقیت در این دوره، باید حداقل پیشینه سطح مبتدی در برنامه نویسی پایتون داشته باشید (به عنوان مثال، بتوانید کدهای موجود را بخوانید و کدنویسی کنید، با شرط ها، حلقه ها، متغیرها، لیست ها، دیکشنری ها و آرایه ها راحت باشید). شما باید درک اولیه ای از جبر خطی (نماد برداری) و آمار (توزیع احتمال و میانگین / میانه / حالت) داشته باشید. این سومین دوره از تخصص یادگیری ماشین کاربردی است که توسط Coursera و موسسه هوش ماشین آلبرتا برای شما آورده شده است.

coursera درک تحقیقات بالینی: پشت آمار (Mitalearn-337073)

  • 6 hours 1 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Juan H Klopper
درباره این دوره:

اگر تا به حال از بخش نتایج یک مقاله پزشکی چشم پوشی کرده اید، زیرا عباراتی مانند "فاصله اطمینان" یا "p-value" بیش از حد ذهن شما را فرا می گیرد، پس در جای درستی هستید. ممکن است شما یک پزشک بالینی باشید که مقالات تحقیقاتی را برای به روز نگه داشتن پیشرفت‌های رشته خود می‌خواند یا دانشجوی پزشکی هستید که به این فکر می‌کنید که چگونه به تحقیقات خود نزدیک شوید. اطمینان بیشتر در درک تجزیه و تحلیل آماری و نتایج می تواند هم برای متخصصان شاغل و هم برای کسانی که خودشان تحقیق می کنند مفید باشد. اگر شما صرفاً علاقه مند به درک صحیح ادبیات منتشر شده هستید یا اگر در حال انجام تحقیقات خود هستید، این دوره اولین قدم شما است. این یک ورود آسان به تفسیر مفاهیم آماری رایج بدون وارد شدن به فرمول های ریاضی ریز و درشت ارائه می دهد. اینکه بتوانید این مفاهیم را تفسیر و درک کنید، بهترین راه برای شروع سفر شما به دنیای ادبیات بالینی است. این جایی است که این دوره وارد می شود - پس بیایید شروع کنیم! ثبت نام و شرکت در دوره رایگان است. در صورتی که شرایط دوره را با موفقیت انجام دهید، به شما این امکان را می دهد که گواهی پایان دوره را خریداری کنید که واجد شرایط دریافت آن هستید. این می تواند یک راه عالی برای حفظ انگیزه باشد! کمک مالی نیز موجود است.

coursera رگرسیون و طبقه بندی (Mitalearn-331327)

  • 3 hours 49 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: James Bird
درباره این دوره:

مقدمه ای بر یادگیری آماری مفاهیمی را در مدل سازی آماری بررسی می کند، مانند زمان استفاده از مدل های خاص، نحوه تنظیم آن مدل ها، و اینکه آیا گزینه های دیگر معاوضه های خاصی را ارائه می دهند. ما رگرسیون، طبقه‌بندی، درختان، نمونه‌برداری مجدد، تکنیک‌های بدون نظارت و موارد دیگر را پوشش خواهیم داد! این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، گذراند. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید.

coursera قدرت آمار (Mitalearn-335985)

  • 5 hours 4 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Google Career Certificates
درباره این دوره:

این چهارمین دوره از هفت دوره در گواهی تحلیل داده های پیشرفته گوگل است. در این دوره، خواهید فهمید که چگونه متخصصان داده از آمار برای تجزیه و تحلیل داده ها و به دست آوردن بینش های مهم استفاده می کنند. شما مفاهیم کلیدی مانند آمار توصیفی و استنباطی، احتمال، نمونه گیری، فواصل اطمینان و آزمون فرضیه را بررسی خواهید کرد. همچنین یاد خواهید گرفت که چگونه از پایتون برای تجزیه و تحلیل آماری استفاده کنید و مانند یک متخصص داده، یافته های خود را به اشتراک بگذارید. کارمندان Google که در حال حاضر در این زمینه کار می‌کنند، با ارائه فعالیت‌های عملی که وظایف مرتبط را شبیه‌سازی می‌کنند، به اشتراک گذاشتن نمونه‌هایی از کارهای روزانه‌شان، و کمک به شما در تقویت مهارت‌های تجزیه و تحلیل داده‌ها برای آماده شدن برای حرفه‌تان، شما را در این دوره راهنمایی می‌کنند. فراگیرانی که هفت دوره در این برنامه را تکمیل می کنند، مهارت های مورد نیاز برای درخواست برای مشاغل علوم داده و تجزیه و تحلیل داده های پیشرفته را خواهند داشت. این گواهی مستلزم آگاهی قبلی از اصول، مهارت‌ها و ابزارهای تحلیلی پایه است که در گواهی تجزیه و تحلیل داده‌های Google پوشش داده شده است. در پایان این دوره، شما: -کاربرد آمار در علم داده را شرح دهید -از آمار توصیفی برای خلاصه کردن و کشف داده ها استفاده کنید محاسبه احتمال با استفاده از قوانین اساسی داده های مدل با توزیع احتمال -کاربرد روش های مختلف نمونه گیری را شرح دهید -محاسبه توزیع های نمونه -فواصل اطمینان را بسازید و تفسیر کنید -آزمون های فرضیه را انجام دهید

coursera کاوش و تولید داده برای تصمیم گیری تجاری (Mitalearn-284271)

  • 5 hours 38 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Fataneh Taghaboni-Dutta, Ph.D., PMP, CSM, CSPO
درباره این دوره:

این دوره یک چارچوب تحلیلی برای کمک به شما در ارزیابی مشکلات کلیدی به روشی ساختاریافته ارائه می‌کند و شما را با ابزارهایی برای مدیریت بهتر عدم قطعیت‌هایی که فرآیندهای کسب‌وکار را فرا گرفته و پیچیده می‌کنند، مجهز می‌کند. به طور خاص، شما یاد خواهید گرفت که چگونه داده ها را خلاصه کنید و مفاهیم فراوانی، توزیع نرمال، مطالعات آماری، نمونه گیری و فواصل اطمینان را بیاموزید. در حالی که شما با برخی از علوم آنچه تدریس می شود آشنا خواهید شد، تمرکز بر روی استفاده از روش ها خواهد بود. این امر از طریق استفاده از اکسل و مجموعه داده‌های رشته‌های مختلف انجام می‌شود و به شما امکان می‌دهد استفاده از آمار را در طیف وسیعی از تنظیمات مشاهده کنید. این دوره نه تنها بر توضیح این مفاهیم، ​​بلکه بر درک و تفسیر نتایج به دست آمده نیز تمرکز خواهد داشت. شما قادر خواهید بود: • مجموعه داده های بزرگ را به شکل های گرافیکی، جدولی و عددی خلاصه کنید • اهمیت نمونه گیری مناسب و اینکه چرا می توان بر اطلاعات نمونه تکیه کرد را درک کنید • درک کنید که چرا توزیع نرمال می تواند در طیف وسیعی از تنظیمات استفاده شود • از اطلاعات نمونه برای استنباط در مورد جامعه با سطح معینی از اطمینان در مورد صحت تخمین ها استفاده کنید. • برای تجزیه و تحلیل آماری از Excel استفاده کنید این دوره بخشی از مجموعه برنامه های آنلاین کالج تجارت Gies، از جمله iMBA و iMSM است. درباره پذیرش در این برنامه‌ها بیشتر بیاموزید و بررسی کنید که چگونه می‌توان در صورت پذیرش در یک برنامه تحصیلی در https://degrees.giesbusiness.illinois.edu/idegrees/ از کار Coursera شما استفاده کرد.

coursera کمی سازی روابط با مدل های رگرسیون (Mitalearn-333639)

  • 1 hours 50 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Jennifer Bachner, PhD
درباره این دوره:

این دوره شما را با مدل رگرسیون خطی آشنا می کند که ابزار قدرتمندی است که محققان می توانند از آن برای اندازه گیری رابطه بین متغیرهای متعدد استفاده کنند. ما با بررسی مؤلفه‌های یک مدل رگرسیون دو متغیره، که رابطه بین یک متغیر مستقل و وابسته را تخمین می‌زند، شروع می‌کنیم. با تکیه بر این پایه، سپس نحوه ایجاد و تفسیر یک مدل چند متغیره، مدل متغیر وابسته باینری و مدل تعاملی را مورد بحث قرار خواهیم داد. ما همچنین در نظر خواهیم گرفت که چگونه انواع مختلف متغیرها، مانند متغیرهای طبقه بندی و ساختگی، می توانند به طور مناسب در یک مدل گنجانده شوند. به طور کلی، ما برخی از روش‌های مختلف استفاده از مدل رگرسیون را برای استنتاج توصیفی و علی و همچنین محدودیت‌های این ابزار تحلیلی مورد بحث قرار خواهیم داد. در پایان دوره، شما باید بتوانید تحلیل رگرسیون چند متغیره را تفسیر و ارزیابی انتقادی کنید.

Suggestions