Course catalog

Course duration

Course provider

Topic

Categories

Showing 21-40 of 55 items.

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 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 تجسم داده ها با R (Mitalearn-328811)

  • 1 hours 24 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Yiwen Li,Tiffany Zhu,Saishruthi Swaminathan
درباره این دوره:

در این دوره آموزشی، گرامر گرافیک، سیستمی برای توصیف و ساختن نمودارها، و اینکه چگونه بسته تجسم داده ggplot2 برای R این مفهوم را در نمودارهای میله ای پایه، هیستوگرام ها، نمودارهای دایره ای، نمودارهای پراکنده، نمودارهای خطی و جعبه به کار می برد، یاد خواهید گرفت. توطئه ها همچنین یاد خواهید گرفت که چگونه نمودارها و نمودارهای خود را با استفاده از تم ها و تکنیک های دیگر سفارشی کنید. سپس یاد خواهید گرفت که چگونه از بسته تجسم داده دیگری برای R به نام Leaflet برای ایجاد نمودارهای نقشه استفاده کنید، روشی منحصر به فرد برای رسم داده ها بر اساس داده های موقعیت جغرافیایی. در نهایت با ایجاد داشبوردهای تعاملی با استفاده از پکیج R Shiny آشنا می شوید. شما یاد خواهید گرفت که چگونه برنامه های براق را ایجاد و سفارشی کنید، ظاهر برنامه ها را با افزودن اجزای HTML و تصویر تغییر دهید، و برنامه های داده تعاملی خود را در وب مستقر کنید. شما آنچه را که یاد می گیرید تمرین می کنید و با تکمیل آزمایشگاه ها در هر ماژول و یک پروژه نهایی در پایان دوره، تجربه عملی ایجاد می کنید. ویدیوها را تماشا کنید، از طریق آزمایشگاه‌ها کار کنید و مهارت‌های علم داده خود را مشاهده کنید. موفق باشید! توجه: این دوره به دانش کار با R و داده نیاز دارد. اگر این مهارت ها را ندارید، به شدت توصیه می شود قبل از شروع این دوره، ابتدا دوره های مقدماتی برنامه نویسی R برای علم داده و همچنین دوره های تجزیه و تحلیل داده ها با R را از IBM بخوانید. توجه: پیش نیاز این دوره، مهارت های اولیه برنامه نویسی R است.

coursera تجسم داده ها و ارتباط نتایج در R با RStudio (Mitalearn-327689)

  • مبتدی
  • Release date: 27 June 2026
  • Author: Anh Le
درباره این دوره:

کدنویسی کنید و اولین برنامه R خود را در عرض چند دقیقه بدون نصب چیزی اجرا کنید! این دوره برای زبان آموزانی طراحی شده است که تجربه کدنویسی محدودی دارند و دانش پایه ای از تجسم داده ها و R Markdown ارائه می دهند. ماژول های این دوره انواع مختلفی از مدل های تجسم مانند نمودار میله ای، هیستوگرام، و نقشه های حرارتی و همچنین R Markdown را پوشش می دهند. گذراندن دوره قبلی (تحلیل داده ها در R با RStudio & Tidyverse) در این تخصص یا تجربه مشابه توصیه می شود. برای اینکه امکان یک تجربه یادگیری واقعی و خودآگاه را فراهم کنید، این دوره بدون ویدیو است. تکالیف حاوی توضیحات کوتاه با تصاویر و نمونه‌های کد قابل اجرا با ویرایش‌های پیشنهادی برای بررسی بیشتر نمونه‌های کد، ایجاد درک عمیق‌تر با انجام دادن هستند. شما از بازخورد فوری از انواع آیتم های ارزیابی در طول مسیر بهره مند خواهید شد، به آرامی از بررسی های درک سریع (چند انتخابی، پر کردن جای خالی و عدم درهم آمیختن بلوک های کد) تا تمرین های کدگذاری کوچک و قابل دسترس که به جای اینکه چند دقیقه طول می کشد، پیشرفت کنید. ساعت در نهایت، یک آزمایشگاه انباشته در پایان دوره به شما فرصتی می دهد تا همه مفاهیم آموخته شده را در یک زمینه دنیای واقعی به کار ببرید.

coursera تحقیقات تکراری (Mitalearn-335458)

  • 4 hours 10 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Roger D. Peng, PhD,Jeff Leek, PhD,Brian Caffo, PhD
درباره این دوره:

این دوره بر مفاهیم و ابزارهای پشت گزارش تجزیه و تحلیل داده های مدرن به شیوه ای تکرارشونده تمرکز دارد. تحقیق تکرارپذیر این ایده است که تجزیه و تحلیل داده ها، و به طور کلی، ادعاهای علمی، با داده ها و کد نرم افزاری آنها منتشر می شود تا دیگران بتوانند یافته ها را تأیید کنند و بر اساس آنها بنا کنند. نیاز به تکرارپذیری به طور چشمگیری در حال افزایش است زیرا تجزیه و تحلیل داده ها پیچیده تر می شود و شامل مجموعه داده های بزرگتر و محاسبات پیچیده تر می شود. تکرارپذیری به افراد اجازه می دهد تا بر محتوای واقعی تجزیه و تحلیل داده ها تمرکز کنند، نه بر جزئیات سطحی گزارش شده در یک خلاصه کتبی. علاوه بر این، تکرارپذیری تجزیه و تحلیل را برای دیگران مفیدتر می کند زیرا داده ها و کدهایی که در واقع تجزیه و تحلیل را انجام داده اند در دسترس هستند. این دوره بر روی ابزارهای تحلیل آماری باسواد تمرکز می کند که به فرد امکان می دهد تجزیه و تحلیل داده ها را در یک سند منتشر کند که به دیگران امکان می دهد به راحتی همان تجزیه و تحلیل را برای به دست آوردن نتایج یکسان اجرا کنند.

coursera تحلیل رگرسیون مدرن در R (Mitalearn-330613)

  • 9 hours 46 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Brian Zaharatos
درباره این دوره:

این دوره مجموعه ای از ابزارهای مدل سازی آماری پایه را برای علم داده ارائه می دهد. به طور خاص، دانش‌آموزان با روش‌ها، نظریه‌ها و کاربردهای مدل‌های آماری خطی آشنا می‌شوند که موضوعات تخمین پارامتر، تشخیص باقی‌مانده، خوب بودن تناسب، و استراتژی‌های مختلف برای انتخاب متغیر و مقایسه مدل را پوشش می‌دهد. همچنین به استفاده نادرست از مدل های آماری و پیامدهای اخلاقی این سوء استفاده ها توجه خواهد شد. 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. لوگوی اقتباس شده از عکس وینسنت لدوینا در Unsplash

coursera توسعه محصولات داده (Mitalearn-334710)

  • 4 hours 12 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Brian Caffo, PhD,Jeff Leek, PhD,Roger D. Peng, PhD
درباره این دوره:

محصول داده، خروجی تولید از یک تحلیل آماری است. محصولات داده وظایف تجزیه و تحلیل پیچیده را خودکار می کنند یا از فناوری برای گسترش کاربرد یک مدل، الگوریتم یا استنتاج مبتنی بر داده استفاده می کنند. این دوره اصول اولیه ایجاد محصولات داده با استفاده از بسته های Shiny، R و گرافیک های تعاملی را پوشش می دهد. این دوره بر روی مبانی آماری ایجاد یک محصول داده متمرکز خواهد شد که می تواند برای گفتن داستانی در مورد داده ها برای مخاطبان انبوه مورد استفاده قرار گیرد.

coursera ثبات و قابلیت در بهبود کیفیت (Mitalearn-331582)

  • 5 hours 44 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Wendy Martin
درباره این دوره:

در این دوره، شما یاد خواهید گرفت که داده ها را از نظر ثبات فرآیند و کنترل آماری تجزیه و تحلیل کنید و اینکه چرا داشتن یک فرآیند پایدار قبل از انجام آزمون فرضیه های آماری ضروری است. شما نمودارهای کنترل فرآیند آماری را برای داده های پیوسته و گسسته با استفاده از نرم افزار R ایجاد خواهید کرد. شما مجموعه داده ها را برای کنترل آماری با استفاده از قوانین کنترل بر اساس احتمال تجزیه و تحلیل خواهید کرد. علاوه بر این، یاد خواهید گرفت که چگونه یک فرآیند را با توجه به توانایی آن در برآوردن مشخصات داخلی یا خارجی ارزیابی کنید و در مورد بهبود فرآیند تصمیم گیری کنید. 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 جعبه ابزار دانشمند داده (Mitalearn-335254)

  • 2 hours 16 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jeff Leek, PhD,Roger D. Peng, PhD,Brian Caffo, PhD
درباره این دوره:

در این دوره آموزشی با ابزارها و ایده های اصلی در جعبه ابزار دانشمند داده آشنا می شوید. این دوره یک نمای کلی از داده ها، سؤالات و ابزارهایی را ارائه می دهد که تحلیلگران داده و دانشمندان داده با آنها کار می کنند. این دوره دو جزء دارد. اولین مقدمه ای مفهومی برای ایده های پشت تبدیل داده ها به دانش عملی است. دومین مقدمه ای عملی برای ابزارهایی است که در برنامه استفاده می شود مانند کنترل نسخه، علامت گذاری، git، GitHub، R و RStudio.

coursera داده های بزرگ، ژن ها و پزشکی (Mitalearn-347307)

  • 7 hours 5 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Isabelle Bichindaritz
درباره این دوره:

این دوره دانش و مهارت‌های تخصصی را که توسط متخصصان علوم کلان داده‌های سلامت و بیوانفورماتیک تسلط یافته‌اند را برای شما استخراج می‌کند. حقایق هیجان انگیزی در مورد زیست شناسی و شیمی بدن انسان، ژنتیک و پزشکی خواهید آموخت که با علم داده های بزرگ و مهارت هایی برای مهار بهمن داده هایی که آشکارا در دسترس شماست و ما تازه شروع به درک آن ها کرده ایم، در هم آمیخته می شوند. . ما مراحل مختلف مورد نیاز برای تسلط بر تجزیه و تحلیل کلان داده بر روی مجموعه داده های واقعی، از جمله داده های توالی نسل بعدی، را در زمینه بهداشت و درمان، از آماده سازی داده ها برای تجزیه و تحلیل تا تکمیل تجزیه و تحلیل، تفسیر نتایج، تجسم آنها، و به اشتراک گذاری بررسی خواهیم کرد. نتایج. نیازی به گفتن نیست، هنگامی که بر این مهارت‌های پرتقاضا مسلط شوید، موقعیت خوبی برای درخواست یا انتقال به موقعیت‌هایی در تجزیه و تحلیل داده‌های زیست پزشکی و بیوانفورماتیک خواهید داشت. مهم نیست که سطح مهارت شما در زمینه های زیست پزشکی یا فنی در چه سطحی باشد، مهارت های بسیار ارزشمند جدید یا تیزتری را به دست خواهید آورد که شما را به عنوان یک حرفه ای متمایز می کند و می خواهید حتی عمیق تر در Big Data های زیست پزشکی غواصی کنید. امیدوارم این دوره علاقه شما را به امکانات گسترده ارائه شده توسط Big Data در دسترس عموم برای درک بهتر، پیشگیری و درمان بیماری ها جلب کند.

coursera دریافت و پاکسازی داده ها (Mitalearn-335339)

  • 3 hours 21 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jeff Leek, PhD,Roger D. Peng, PhD,Brian Caffo, PhD
درباره این دوره:

قبل از اینکه بتوانید با داده ها کار کنید، باید مقداری از آن را دریافت کنید. این دوره روش های اساسی برای به دست آوردن داده ها را پوشش می دهد. این دوره شامل به دست آوردن داده ها از وب، از API ها، از پایگاه های داده و از همکاران در قالب های مختلف خواهد بود. همچنین اصول تمیز کردن داده ها و نحوه "مرتب کردن" داده ها را پوشش می دهد. داده های مرتب به طور چشمگیری سرعت تجزیه و تحلیل داده های پایین دستی را سرعت می بخشد. این دوره همچنین اجزای یک مجموعه داده کامل شامل داده های خام، دستورالعمل های پردازش، کتاب کدها و داده های پردازش شده را پوشش می دهد. این دوره اصول مورد نیاز برای جمع آوری، تمیز کردن و به اشتراک گذاری داده ها را پوشش می دهد.

coursera رگرسیون خطی در R برای سلامت عمومی (Mitalearn-344672)

  • 1 hours 17 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Alex Bottle,Victoria Cornelius
درباره این دوره:

به رگرسیون خطی در R برای سلامت عمومی خوش آمدید! بهداشت عمومی را «هنر و علم پیشگیری از بیماری، افزایش عمر و ارتقای سلامت از طریق تلاش سازمان یافته جامعه» تعریف کرده اند. دانستن اینکه چه چیزی باعث بیماری می شود و چه چیزی آن را بدتر می کند، به وضوح بخش های حیاتی این امر است. این امر مستلزم توسعه مدل‌های آماری است که توضیح می‌دهد چگونه عوامل بیمار و محیطی بر شانس بیمار شدن ما تأثیر می‌گذارند. این دوره به شما نشان می‌دهد که چگونه از ابتدا چنین مدل‌هایی ایجاد کنید، ابتدا شما را با مفهوم همبستگی و رگرسیون خطی آشنا می‌کند، قبل از وارد کردن و بررسی داده‌هایتان، و سپس به شما نشان می‌دهد که چگونه مدل‌ها را برازش کنید. با استفاده از مثال بیماری تنفسی، این مدل ها چگونگی تأثیر بیمار و سایر عوامل بر نتایج مانند عملکرد ریه را شرح می دهند. رگرسیون خطی یکی از خانواده مدل‌های رگرسیون است و دروس دیگر این مجموعه دو عضو دیگر را پوشش می‌دهد. مدل‌های رگرسیون وجوه مشترک زیادی با یکدیگر دارند، اگرچه جزئیات ریاضی متفاوت است. این دوره به شما نشان می دهد که چگونه داده ها را آماده کنید، ارزیابی کنید که مدل چقدر با داده ها مطابقت دارد، و مفروضات اساسی آن - وظایف حیاتی با هر نوع رگرسیون را آزمایش کنید. شما از بسته نرم افزاری رایگان و همه کاره R استفاده خواهید کرد که توسط آماردانان و دانشمندان داده در دانشگاه، دولت ها و صنعت در سراسر جهان استفاده می شود.

coursera رگرسیون خطی و مدل سازی (Mitalearn-328539)

  • 2 hours 10 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Mine Çetinkaya-Rundel
درباره این دوره:

این دوره به معرفی مدل های رگرسیون خطی ساده و چندگانه می پردازد. این مدل‌ها به شما امکان می‌دهند تا رابطه بین متغیرها در یک مجموعه داده و یک متغیر پاسخ پیوسته را ارزیابی کنید. آیا بین جذابیت فیزیکی استاد و نمرات ارزشیابی دانشجو رابطه وجود دارد؟ آیا می توانیم نمره آزمون کودک را بر اساس ویژگی های خاصی از مادرش پیش بینی کنیم؟ در این دوره، با استفاده از نرم افزار آماری رایگان R و RStudio، تئوری اساسی پشت رگرسیون خطی را می آموزید و از طریق مثال های داده، برازش، بررسی و استفاده از مدل های رگرسیون برای بررسی روابط بین متغیرهای متعدد را یاد می گیرید.

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 زیست رسانا برای علم داده های ژنومی (Mitalearn-335424)

  • 6 hours 7 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Kasper Daniel Hansen, PhD
درباره این دوره:

یاد بگیرید که از ابزارهای پروژه Bioconductor برای انجام تجزیه و تحلیل داده های ژنومی استفاده کنید. این پنجمین دوره در تخصص ژنومیک داده های بزرگ از دانشگاه جان هاپکینز است.

coursera ساخت ابزار تجسم داده ها (Mitalearn-332007)

  • متوسط
  • Release date: 23 June 2026
  • Author: Roger D. Peng, PhD,Brooke Anderson
درباره این دوره:

انقلاب علم داده مجموعه‌ای از داده‌های جدید را از طیف گسترده‌ای از منابع جدید تولید کرده است. این مجموعه داده های جدید برای پاسخ به سؤالات جدید به گونه ای استفاده می شود که قبلا تصور نشده بود. تجسم یکی از قوی‌ترین روش‌های نتیجه‌گیری از داده‌ها است، اما هجوم انواع داده‌های جدید مستلزم توسعه تکنیک‌های تجسم جدید و بلوک‌های ساختمانی است. این دوره به شما مهارت هایی را برای ایجاد آن بلوک های ساختمانی تجسم جدید ارائه می دهد. ما بر چارچوب ggplot2 تمرکز می کنیم و نحوه استفاده و گسترش سیستم را برای مطابقت با نیازهای خاص سازمان یا تیم شما شرح می دهیم. پس از اتمام این دوره، فراگیران قادر خواهند بود ابزارهای مورد نیاز برای تجسم طیف گسترده ای از انواع داده ها را بسازند و اصول مورد نیاز برای پرداختن به انواع داده های جدید را در حین ظهور خواهند داشت.

coursera طراحی، اجرا و تجزیه و تحلیل آزمایش ها (Mitalearn-309193)

  • 4 hours 49 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Scott Klemmer,Jacob O. Wobbrock
درباره این دوره:

ممکن است هرگز مطمئن نباشید که تجربه کاربری موثری دارید تا زمانی که آن را با کاربران آزمایش نکنید. در این دوره آموزشی، نحوه طراحی آزمایش‌های کاربر محور، نحوه اجرای چنین آزمایش‌هایی و نحوه تجزیه و تحلیل داده‌های این آزمایش‌ها به منظور ارزیابی و اعتبارسنجی تجربیات کاربر را خواهید آموخت. شما از طریق نمونه‌های واقعی آزمایش‌ها در زمینه‌های UX، IxD و HCI کار خواهید کرد و مسائل مربوط به طراحی و تجزیه و تحلیل آزمایش را درک خواهید کرد. شما چندین مجموعه داده را با استفاده از دستور العمل هایی که در زبان برنامه نویسی آماری R به شما داده شده است، تجزیه و تحلیل خواهید کرد - هیچ تجربه برنامه نویسی قبلی فرض یا لازم نیست، اما از شما خواسته می شود قطعه کدهای ارائه شده به شما را بخوانید، درک کنید و اصلاح کنید. در پایان دوره، شما قادر خواهید بود آزمایش‌های خود را که وزن آماری به طرح‌های شما می‌دهد، با دانش طراحی، اجرا و تجزیه و تحلیل کنید.

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 علم داده در مقیاس - پروژه Capstone (Mitalearn-335203)

  • مناسب همه
  • Release date: 27 June 2026
  • Author: Bill Howe
درباره این دوره:

در این مرحله، دانش‌آموزان در یک پروژه دنیای واقعی شرکت خواهند کرد که از آنها می‌خواهد مهارت‌هایی را از کل خط لوله علم داده به کار گیرند: آماده‌سازی، سازمان‌دهی، و تبدیل داده‌ها، ساخت یک مدل، و ارزیابی نتایج. از طریق همکاری با Coursolve، هر پروژه Capstone با سهامداران شریکی مرتبط است که علاقه خاصی به نتایج شما دارند و مشتاق هستند تا آنها را در عمل اجرا کنند. این پروژه‌ها ساده نخواهند بود و نتیجه آن تجویز نمی‌شود - شما باید ابهام و نتایج منفی را تحمل کنید! اما ما معتقدیم که این تجربه مفید خواهد بود و شما را برای پروژه های علم داده در عمل بهتر آماده می کند.

coursera کارآمد کردن علم داده برای گزارش‌دهی بالینی (Mitalearn-331752)

  • 4 hours 52 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Dinakar Kulkarni,Kamila Duniec,Kamil Wais
درباره این دوره:

هدف این دوره نشان دادن چگونگی استفاده از اصول و روش های علم داده در گزارش گیری بالینی است. در پایان دوره، فراگیران متوجه خواهند شد که چه الزاماتی در گزارش کارآزمایی های بالینی وجود دارد و چگونه بر نحوه استفاده از علم داده تأثیر می گذارد. یادگیرنده می بیند که چگونه می تواند کارآمد و موثر کار کند و در عین حال اطمینان حاصل کند که استانداردهای مورد نیاز را برآورده می کند.

Suggestions