Course catalog

Course duration

Course provider

Topic

Categories

Showing 21-40 of 52 items.

linkedin تجزیه و تحلیل کسب و کار: پیش بینی با هموارسازی خط مبدأ گرایش (Mitalearn-148543)

  • 1 hours 1 minutes
  • پیشرفته
  • Release date: 22 June 2026
  • Author: Conrad Carlberg
درباره این دوره:

هموارسازی نمایی ساده (SES) اکثر عناصر مورد استفاده در رویکرد هموارسازی برای پیش بینی را شامل می شود، مانند ثابت هموارسازی سطح، خود تصحیح، و تضعیف تدریجی تأثیر مشاهدات قدیمی بر پیش بینی های جدید. اما SES با خطوط پایه که روند یا فصلی بودن را نشان می دهد ضعیف عمل می کند. سری‌های زمانی گرایش‌شده از نظر پیچیدگی یک پله بالاتر از سری‌های زمانی ثابت تحلیل‌شده توسط SES است - روندهای پایه آن به سمت بالا یا پایین. استفاده از هموارسازی نمایی با خط مبنا روند شده اغلب روش هولت نامیده می شود و این دوره برای تجهیز شما به این تکنیک طراحی شده است. در اینجا، مربی Conrad Carlberg توضیح می‌دهد که چگونه از روش هولت برای ایجاد پیش‌بینی‌هایی در R که با روندها در خط مبنا سروکار دارد، استفاده کنید.

linkedin تجزیه و تحلیل کسب و کار: پیش بینی با هموارسازی فصلی پایه (Mitalearn-148526)

  • 49 minutes
  • پیشرفته
  • Release date: 22 June 2026
  • Author: Conrad Carlberg
درباره این دوره:

هموارسازی نمایی فصلی بسط هموارسازی نمایی ساده (SES) است. صاف کردن فصلی اغلب زمانی استفاده می شود که خط پایه قله ها و دره های فصلی منظم را نشان می دهد. مصرف آب در منازل مسکونی یک مثال آشناست: مصرف در تابستان و پاییز افزایش می‌یابد و در زمستان و بهار کاهش می‌یابد، اما مصرف کلی سالانه در طی چندین سال ثابت می‌ماند. در این دوره، مشاور کهنه کار و کارشناس آموزشی، کنراد کارلبرگ، نشان می‌دهد که چگونه می‌توان تغییرات فصلی را برای پیش‌بینی‌های دقیق‌تر و روشن‌تر ترکیب کرد. نحوه شناسایی فصلی بودن، انجام هموارسازی فصلی خطوط پایه افقی و بهینه سازی پیش بینی های خود را با R و Microsoft Excel بیاموزید.

linkedin تجزیه و تحلیل کسب و کار: پیش بینی با هموارسازی نمایی (Mitalearn-136252)

  • 1 hours 5 minutes
  • پیشرفته
  • Release date: 22 June 2026
  • Author: Conrad Carlberg
درباره این دوره:

هموارسازی نمایی اصطلاحی برای مجموعه ای از رویه های پیش بینی ساده است که اصلاح خود را اعمال می کند. هر پیش بینی شامل دو جزء است. این میانگین وزنی پیش‌بینی قبلی است، به علاوه تعدیلی که پیش‌بینی قبلی را دقیق‌تر می‌کرد. هموارسازی - مانند اکثر رویکردهای معتبر برای پیش‌بینی - برای درست کار کردن به یک خط پایه از مشاهدات، به ترتیب، نیاز دارد. درآمدهای هفتگی و پذیرش روزانه در بیمارستان نمونه های معمولی هستند. چندین نسخه از هموارسازی نمایی وجود دارد که هر کدام مربوط به یک نوع خط پایه است. در این دوره، کنراد کارلبرگ مقدمه ای بر هموارسازی نمایی ساده، غواصی در ایده اصلی پشت آن، و توضیح نحوه جمع آوری معادله پیش بینی و بهینه سازی پیش بینی ها ارائه می دهد.

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

linkedin داده های باز: آزاد کردن مقدار پنهان (Mitalearn-94653)

  • 1 hours 6 minutes
  • متوسط
  • Update date: 21 June 2026
  • Author: Jonathan Reichental
درباره این دوره:

مشاهده خبرنامه لینکدین جاناتان دولت‌ها در سراسر جهان در حال کشف ارزش و مسئولیت هستند که داده‌هایی را که جمع‌آوری و ذخیره می‌کنند به راحتی در دسترس هر کسی که می‌خواهد به آن دسترسی داشته باشد، پیدا می‌کند. تصمیم گیری برای باز کردن مجموعه داده ها یک انتخاب استراتژیک است که نیاز به تاکتیک های دقیق دارد. فرآیندها و فن آوری هایی برای دسترسی به داده ها و در عین حال به حداقل رساندن خطر وجود دارد. اگر می‌خواهید باز کردن داده‌های سازمان خود را برای فعال کردن شفافیت و تسریع نوآوری شروع کنید، یا از داده‌های باز برای هدایت تحلیل و تصمیم‌گیری آگاهانه‌تر استفاده کنید، این دوره برای شما مناسب است.\n\n او همچنین توضیح می دهد که چگونه دانشمندان داده از داده های باز برای گفتن داستان ها و ایجاد تجسم داده ها استفاده می کنند. در طول مسیر، او نمونه‌های متعددی از داده‌های باز را در عمل ارائه می‌کند: بهبود دولت، توانمندسازی شهروندان، ایجاد فرصت و حل مشکلات عمومی.

coursera درختان، SVM و یادگیری بدون نظارت (Mitalearn-333911)

  • 2 hours 23 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Osita Onyejekwe
درباره این دوره:

"درختان، SVM و یادگیری بدون نظارت" به گونه ای طراحی شده است که شالوده ای محکم در ماشین های بردار پشتیبان، شبکه های عصبی، درختان تصمیم گیری و تقویت XG به متخصصان کار ارائه دهد. از طریق آموزش های عمیق و تجربه عملی عملی، یاد خواهید گرفت که چگونه با استفاده از این تکنیک ها مدل های پیش بینی قدرتمند بسازید و مزایا و معایب هر کدام را درک کنید. این دوره همچنین نحوه و زمان اعمال آنها را در سناریوهای مختلف، از جمله طبقه بندی باینری و کلاس های K> 2 را پوشش می دهد. علاوه بر این، تجربه ارزشمندی در تولید نمایش داده ها از طریق PCA و خوشه بندی به دست خواهید آورد. این دوره با تمرکز بر کاربردهای عملی و دنیای واقعی، دارایی ارزشمندی برای هر کسی است که به دنبال ارتقاء مهارت یا حرکت در زمینه علم داده است. 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 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 درک و تجسم داده ها با پایتون (Mitalearn-328318)

  • 5 hours 55 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Brenda Gunderson,Brady T. West,Kerby Shedden
درباره این دوره:

در این دوره، فراگیران با حوزه آمار، از جمله اینکه داده ها از کجا آمده اند، طراحی مطالعه، مدیریت داده ها و کاوش و تجسم داده ها، آشنا می شوند. یادگیرندگان انواع مختلف داده ها را شناسایی می کنند و یاد می گیرند که چگونه خلاصه ها را برای داده های تک متغیره و چند متغیره تجسم، تجزیه و تحلیل و تفسیر کنند. همچنین یادگیرندگان با تفاوت‌های بین نمونه‌گیری احتمالی و غیراحتمالی از جمعیت‌های بزرگ‌تر، این ایده که چگونه تخمین‌های نمونه متفاوت است و چگونه می‌توان در مورد جمعیت‌های بزرگ‌تر بر اساس نمونه‌گیری احتمالی استنتاج کرد، آشنا می‌شوند. در پایان هر هفته، فراگیران مفاهیم آماری را که با استفاده از پایتون آموخته‌اند، در محیط دوره به کار می‌گیرند. در طول این جلسات مبتنی بر آزمایشگاه، زبان آموزان کاربردهای مختلف پایتون را به عنوان یک ابزار، از جمله کتابخانه های Numpy، Pandas، Statsmodels، Matplotlib و Seaborn کشف خواهند کرد. فیلم‌های آموزشی ارائه شده است تا یادگیرندگان را در ایجاد تجسم‌ها و مدیریت داده‌ها، همه در پایتون، راهنمایی کند. این دوره از محیط نوت بوک Jupyter در Coursera استفاده می کند.

linkedin راهنمای کامل آمار اکسل با کوپیلوت (Mitalearn-415103)

  • 8 hours 33 minutes
  • مناسب همه
  • Release date: 28 February 2025
  • Author: Eddie Davila
درباره این دوره: 

 داده ها تا زمانی که آن را به خوبی استفاده نکنید ، ارزشمند نیست. آمار داده ها را به اطلاعات معنی دار تبدیل می کند و سازمانها را قادر می سازد تا تصمیمات و پیش بینی های بهتری بگیرند. به همین دلیل آمار - جمع آوری ، تجزیه و تحلیل و ارائه داده ها - یک مهارت ارزشمند برای هر کسی در تجارت یا آکادمی است. در این دوره ، ادی دیویلا ، مربی آمار و تجزیه و تحلیل تجارت ، شما را با استفاده از قدرت Microsoft Copilot ، به یک سفر گام به گام و گام به گام برای تسلط بر آمار در اکسل می برد. ادی ابتدا اصول اساسی آمار را با یک سری نمونه ها آموزش می دهد ، سپس با گسترش همان نمونه ها در برنامه های پیچیده تر نظریه آماری - همه در حالی که از اکسل و ابزارها و عملکردهای آماری آن استفاده می کنید ، درک شما را پیشرفت می کند.

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 ریاضی پشت مانی بال (Mitalearn-326890)

  • 14 hours 29 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Professor Wayne Winston
درباره این دوره:

بیاموزید که چگونه می توان از احتمال، ریاضی و آمار برای کمک به بهبود تیم های بیسبال، فوتبال و بسکتبال، انتخاب بازیکن و ترکیب و همچنین در استراتژی بازی استفاده کرد.

coursera شیوع و اپیدمی (Mitalearn-341680)

  • 2 hours 49 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Justin Lessler, PhD, MS
درباره این دوره:

اپیدمیولوژیست های حرفه ای اغلب برای بررسی شیوع و اپیدمی فراخوانده می شوند. این دوره به عنوان مقدمه ای بر موارد ضروری تحقیق، شناسایی عوامل بیماری زا، کشف آنچه در حال وقوع است، گزارش دهی و پاسخ دادن است. شما یاد خواهید گرفت که چگونه سوالات اپیدمیولوژیک دقیق بپرسید و از ابزارهای اپیدمیولوژیک برای کشف پاسخ ها استفاده کنید. همچنین در مورد پویایی‌های اساسی اپیدمی و قانون وحشتناکی که باعث رشد آن‌ها می‌شود، و همچنین دلایل عقب‌نشینی و در نهایت ناپدید شدن آن‌ها خواهید آموخت. این دوره با بررسی برخی از شیوع های واقعی از ابولا در غرب آفریقا تا اپیدمی مواد افیونی در ایالات متحده به پایان می رسد.

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.

linkedin علم داده بازی و ورزش های فانتزی (Mitalearn-137612)

  • 1 hours 30 minutes
  • مبتدی
  • Release date: 22 June 2026
  • Author: Curt Frye
درباره این دوره:

آیا می خواهید بدانید کازینوها چگونه شانس را محاسبه می کنند و سود می کنند؟ کنجکاو هستید که لیگ های ورزشی فانتزی چگونه آمار را در طول فصل پیگیری می کنند؟ یک مرور سریع، سرگرم کننده و غیر فنی از نحوه ساختار صنایع قمار و ورزش های فانتزی ارائه دهید. کرت فرای از علم داده برای بررسی نحوه کسب درآمد کازینوها، طراحی بازی‌های خود، ارائه خدمات به مشتریان و گسترش جریان درآمد خود از طریق غذاخوری، گلف، سرگرمی و سایر جاذبه‌ها استفاده می‌کند. او همچنین ورزش‌های فانتزی را مرور می‌کند و لیگ‌های کم ریسک مانند براکت مسابقات NCAA را با مسابقات روزانه که در آن بازیکنان با پول واقعی قمار می‌کنند، مقایسه می‌کند.

coursera علم داده در زندگی واقعی (Mitalearn-335526)

  • 2 hours 39 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Brian Caffo, PhD,Jeff Leek, PhD,Roger D. Peng, PhD
درباره این دوره:

آیا تا به حال تجربه عالی علم داده را داشته اید؟ کشش داده کاملاً انجام شد. هیچ خطای ادغام یا داده های از دست رفته وجود نداشت. قبل از تجزیه و تحلیل، فرضیه ها به وضوح تعریف شده بودند. تصادفی سازی برای درمان مورد علاقه انجام شد. طرح تحلیلی قبل از تجزیه و تحلیل ترسیم شد و دقیقاً دنبال شد. نتیجه گیری ها واضح و تصمیمات قابل اجرا واضح بود. آیا این اتفاق برای شما افتاده است؟ البته نه. تجزیه و تحلیل داده ها در زندگی واقعی کثیف است. چگونه می توان تیمی را که با تجزیه و تحلیل داده های واقعی مواجه است، مدیریت کرد؟ در این دوره یک هفته‌ای، ایده‌آل را با آنچه در زندگی واقعی اتفاق می‌افتد مقایسه می‌کنیم. با تضاد ایده آل، مفاهیم کلیدی را یاد خواهید گرفت که به شما در مدیریت تحلیل های زندگی واقعی کمک می کند. این یک دوره متمرکز طراحی شده است تا شما را به سرعت در انجام علم داده در زندگی واقعی به سرعت بشناساند. 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 دانست که چگونه: 1، تجربه "عالی" علم داده را توصیف کنید 2. شناسایی نقاط قوت و ضعف در طرح های آزمایشی 3. مشکلات احتمالی را هنگام جمع‌آوری/ جمع‌آوری داده‌ها شرح دهید و راه‌حل‌هایی را برای مدیریت کشش داده‌ها بیاموزید. 4. مفروضات مدل سازی آماری را به چالش بکشید و بازخورد را به تحلیلگران داده هدایت کنید 5. مشکلات رایج در ارتباط تجزیه و تحلیل داده ها را شرح دهید 6. نگاهی اجمالی به یک روز از زندگی یک مدیر تجزیه و تحلیل داده ها داشته باشید. این دوره در سطح مفهومی برای مدیران فعال دانشمندان داده و آماردانان تدریس می شود. برخی از مفاهیم کلیدی مورد بحث عبارتند از: 1. طراحی آزمایشی، تصادفی سازی، تست A/B 2. استنتاج علی، خلاف واقع، 3. استراتژی های مدیریت کیفیت داده ها. 4. تعصب و گیج کننده 5. یادگیری ماشینی متضاد در مقابل استنتاج آماری کلاسیک تبلیغ دوره: https://www.youtube.com/watch?v=9BIYmw5wnBI تصویر جلد دوره توسط جاناتان گراس. Creative Commons BY-ND https://flic.kr/p/q1vudb

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 علوم داده مواد و انفورماتیک (Mitalearn-351778)

  • 4 hours 30 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Dr. Surya Kalidindi
درباره این دوره:

هدف این دوره ارائه یک مرور مختصر از رشته نوظهور انفورماتیک مواد در تقاطع علم مواد، علم محاسبات و علم اطلاعات است. توجه به فرصت‌های خاصی که توسط این حوزه جدید در تسریع تلاش‌های توسعه و استقرار مواد فراهم می‌شود، جلب می‌شود. تاکید ویژه بر موادی است که ساختارهای داخلی سلسله مراتبی را نشان می‌دهند که مقیاس‌های طول/ساختار متعدد را در بر می‌گیرند و موانع موجود در ایجاد پیوندهای فرآیند-ساختار-ویژگی معکوس (PSP) برای این مواد. به طور خاص، استدلال می‌شود که علوم داده مدرن (شامل آمارهای پیشرفته، کاهش ابعاد و فرمول‌بندی متامدل‌ها) و ابزارهای زیرساخت سایبری نوآورانه (شامل پلت‌فرم‌های یکپارچه‌سازی، پایگاه‌های اطلاعاتی و ابزارهای سفارشی‌سازی شده برای افزایش همکاری‌ها بین اعضای تیم بین رشته‌ای) احتمالاً وجود دارد. نقشی حیاتی و محوری در رسیدگی به چالش های فوق داشته باشد.

linkedin مبانی آمار 3: استفاده از مجموعه داده ها (Mitalearn-271776)

  • 1 hours 44 minutes
  • مناسب همه
  • Update date: 5 June 2025
  • Author: Eddie Davila
درباره این دوره: 

 آمار یک مهارت اصلی برای بسیاری از مشاغل است. آمارهای اولیه برای تصمیم گیری، اکتشافات، سرمایه گذاری ها و حتی پیش بینی ها حیاتی هستند. اما گاهی اوقات لازم است فراتر از اصول اولیه حرکت کنید. این سومین دوره از مجموعه مبانی آمار به شما درس‌های کاربردی و مبتنی بر مثال در مورد مهارت‌های متوسط ​​مرتبط با آمار می‌دهد: نمونه‌ها و نمونه‌گیری، خطاهای استاندارد، فواصل اطمینان، و آزمون فرضیه.

ادی داویلا نگاهی به موضوعاتی مانند نمونه‌گیری، نمونه‌های تصادفی، اندازه نمونه، خطای نمونه‌گیری، قابلیت اعتماد، قضیه واحد مرکزی، فواصل اطمینان و آزمون فرضیه می‌اندازد. این دوره برای کسانی که در علم داده، تجارت و تجزیه و تحلیل کسب و کار کار می کنند - یا هر کسی که می خواهد فراتر از ابزارها و میانگین ها باشد و درک عمیق تری از نحوه عملکرد آمار در دنیای واقعی به دست آورد، ضروری است.

linkedin مبانی آمار 4: مباحث پیشرفته (Mitalearn-376785)

  • 1 hours 34 minutes
  • مناسب همه
  • Update date: 5 June 2025
  • Author: Eddie Davila
درباره این دوره: 

 آمار در همه جا و در هر صنعتی وجود دارد، اما برای هر کسی که در علم داده، تجارت یا تجزیه و تحلیل تجاری کار می کند ضروری است. اگر در یکی از این زمینه های تخصصی هستید، به احتمال زیاد نیاز به درک پیشرفته ای از آمار دارید. تسلط خود را در این دوره تکمیل کنید، قسمت چهارم در مجموعه مبانی آمار ما. ادی داویلا مفاهیمی مانند اندازه نمونه کوچک، t-توزیع، درجات آزادی و موارد دیگر را پوشش می دهد. این آموزش مهارت‌های پیشرفته، فراگیران را به مطالعه عملی و کاربرد طراحی تجربی، تحلیل واریانس (ANOVA)، مقایسه‌های دو جمعیتی و تحلیل رگرسیون سوق می‌دهد. از این درس‌ها برای فراتر رفتن از اصول اولیه استفاده کنید و به عوامل خاصی که بر محاسبات و نتایج شما تأثیر می‌گذارند عمیق‌تر بپردازید.

Related Skills

linkedin مبانی آمار: 2 (Mitalearn-96183)

  • 1 hours 56 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Eddie Davila
درباره این دوره:

آمار یک مهارت اصلی برای بسیاری از مشاغل است. آمارهای اولیه برای تصمیم گیری، اکتشافات جدید، سرمایه گذاری ها و حتی پیش بینی ها حیاتی هستند. اما گاهی اوقات لازم است از اصول اولیه فراتر بروید. مبانی آمار - بخش 2، کاربران تجاری و متخصصان علم داده را به یادگیری عملی و مبتنی بر مثال مهارت‌های متوسط \u200b\u200bمرتبط با آمار می‌برد: نمونه‌ها و نمونه‌گیری، فواصل اطمینان، و آزمون فرضیه.\r\n\r\n (از جمله توضیح نتایج غیر منتظره)، و آزمون فرضیه. این دوره برای کسانی که در علم داده، تجارت و تجزیه و تحلیل کسب و کار کار می کنند - یا هرکس دیگری که می خواهد فراتر از ابزارها و میانگین ها باشد و درک عمیق تری از نحوه عملکرد آمار در دنیای واقعی به دست آورد، ضروری است.

Related Skills

Suggestions