Course catalog

Course duration

Course provider

Topic

Categories

Showing 21-40 of 47 items.

linkedin تجزیه و تحلیل توصیفی مراقبت های بهداشتی در R (Mitalearn-99413)

  • 4 hours 43 minutes
  • پیشرفته
  • Update date: 21 June 2026
  • Author: Monika Wahi
درباره این دوره:

تحلیل رفتار و ریسک با استفاده از R، نرم افزار محاسبات آماری منبع باز. R محیط و زبانی را فراهم می کند که می توانید از آن برای تجزیه و تحلیل داده ها استفاده کنید، از جمله مجموعه داده های نظارت بر عوامل خطر رفتاری (BRFSS) که به صورت عمومی در دسترس است. این دوره مهارت های اصلی علوم داده مراقبت های بهداشتی، از جمله اپیدمیولوژی، و همچنین نحوه انجام تجزیه و تحلیل مقطعی، راه اندازی فرهنگ لغت داده، توسعه ابرداده، تعیین عوامل مخدوش کننده، اعمال استثناها، ایجاد نمودارها، تولید متغیرهای پیامد مستمر و طبقه بندی شده و بیشتر. علم برای ویرایش، تجزیه و تحلیل و تفسیر داده ها. یاد بگیرید که چگونه متغیرهای جدید را کدنویسی کنید، از فرآیند مدلسازی گام به گام استفاده کنید و تصمیمات خود را مستند کنید. بیاموزید که چگونه نتایج را با تولید نمودارها و گرافیک ها تجسم کنید و چگونه جداول و شکل ها را به اسناد خود اضافه کنید. این دوره به شما کمک می کند تا به طور مستقل یک تجزیه و تحلیل کامل BRFSS را طراحی، توسعه و اجرا کنید و حتی نتایج خود را در نشریات یا مجلات علمی منتشر کنید.

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.

coursera تجزیه و تحلیل داده های حسابداری با پایتون (Mitalearn-293944)

  • 11 hours 31 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Ronald Guymon,Linden Lu
درباره این دوره:

این دوره بر توسعه مهارت های پایتون برای جمع آوری داده های تجاری تمرکز دارد. برخی از مطالب مشابه از مقدمه ای بر تجزیه و تحلیل داده های حسابداری و تجسم را پوشش می دهد، اما در یک محیط برنامه نویسی با هدف کلی تر (ژوپیتر نوت بوک برای پایتون)، به جای اکسل و ویرایشگر ویژوال بیسیک. این مفاهیم در چارچوب یک یا چند حوزه داده حسابداری (به عنوان مثال، داده های صورت های مالی از EDGAR، داده های سهام، داده های وام، داده های محل فروش) آموزش داده می شوند. نیمه اول دوره از جایی شروع می شود که مقدمه ای بر تجزیه و تحلیل داده های حسابداری و تجسم متوقف شد: استفاده در یک محیط توسعه یکپارچه برای خودکارسازی وظایف تجزیه و تحلیل داده ها. ما در مورد نحوه مدیریت کد و اشتراک‌گذاری نتایج در Jupyter Notebook، یک محیط توسعه محبوب برای نرم‌افزارهای تجزیه و تحلیل داده‌ها مانند Python و R بحث می‌کنیم. سپس برخی از مهارت‌های برنامه‌نویسی اساسی، مانند عملگرهای ریاضی، توابع، عبارات شرطی و حلقه‌ها را با استفاده از نرم‌افزار پایتون مرور می‌کنیم. نیمه دوم دوره بر روی جمع آوری داده ها برای اهداف یادگیری ماشین تمرکز دارد. ما دانش آموزان را با قالب های داده پاندا و Numpy برای ساختاردهی و دستکاری داده ها آشنا می کنیم. سپس داده ها را با استفاده از تجسم و رگرسیون خطی تجزیه و تحلیل می کنیم. در نهایت نحوه استفاده از پایتون برای تعامل با داده های SQL را توضیح می دهیم.

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.

linkedin تجزیه و تحلیل کسب و کار: تکنیک های کاهش داده با استفاده از Excel و R (Mitalearn-109987)

  • 1 hours 2 minutes
  • پیشرفته
  • Release date: 21 June 2026
  • Author: Conrad Carlberg
درباره این دوره:

با توجه به اینکه مشاغل باید با حجم فزاینده داده دست و پنجه نرم کنند، نیاز به کاهش داده ها در سال های اخیر تشدید شده است. برای درک فراوانی بیش از حد اطلاعات، می‌توانید از تحلیل خوشه‌ای استفاده کنید - که به شما امکان می‌دهد در مورد تعداد انگشت شماری از گروه‌ها به جای یک جمعیت کامل از افراد استنباط ایجاد کنید - و همچنین از تجزیه و تحلیل مؤلفه‌های اصلی که متغیرهای پنهان را آشکار می‌کند.\r\n\r\n سپس او توضیح می‌دهد که چگونه می‌توان همان تحلیل را با استفاده از R، نرم‌افزار محاسباتی آماری منبع باز، که از نظر گزینه‌های تجزیه و تحلیل سریع‌تر و غنی‌تر از Excel است، انجام داد. به علاوه، او نحوه ادغام نتایج تجزیه و تحلیل خوشه‌ای و تحلیل عاملی را توضیح می‌دهد تا به شما کمک کند تا چند عامل اساسی را بر اساس عضویت افراد تنها در چند خوشه تجزیه کنید.

linkedin تجزیه و تحلیل مراقبت های بهداشتی: رگرسیون در R (Mitalearn-107420)

  • 4 hours 20 minutes
  • پیشرفته
  • Update date: 22 June 2026
  • Author: Monika Wahi
درباره این دوره:

مدل های رگرسیون خطی و لجستیک را می توان با استفاده از R، نرم افزار محاسبات آماری منبع باز ایجاد کرد. در این دوره، مونیکا وحی، متخصص بیوتکنولوژی و اپیدمیولوژیست، از مجموعه داده های نظارت بر عوامل خطر رفتاری (BRFSS) در دسترس عموم استفاده می کند تا به شما نشان دهد که چگونه یک فرآیند مدل سازی گام به گام رو به جلو انجام دهید. مونیکا به شما نشان می دهد که چگونه با در نظر گرفتن معقول بودن علمی در انتخاب یک فرضیه، تحقیق خود را طراحی کنید. سپس، او شما را از طریق مراحل تهیه، توسعه و نهایی کردن هر دو مدل رگرسیون خطی و مدل رگرسیون لجستیک راهنمایی می کند. او همچنین تکنیک‌هایی را برای نحوه تفسیر نمودارهای تشخیصی، بهبود تناسب مدل، مقایسه مدل‌ها و موارد دیگر به اشتراک می‌گذارد.

coursera تصمیمات مبتنی بر داده با Power BI (Mitalearn-281772)

  • 4 hours 9 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Keith Gibson
درباره این دوره:

کاربران جدید Power BI دوره را با کسب درک مفهومی از برنامه دسکتاپ Power BI و سرویس Power BI آغاز خواهند کرد. یادگیرندگان رابط Power BI را در حین یادگیری نحوه مدیریت صفحات و درک اصول اولیه تجسم ها بررسی خواهند کرد. فراگیران می توانند مجموعه داده های دوره را دانلود کنند و در تجربیات عملی متعددی شرکت کنند تا نحوه وارد کردن، اتصال، تمیز کردن، تبدیل و مدل سازی داده های خود را در برنامه دسکتاپ Power BI کشف کنند. یادگیرندگان گزارش ها را بررسی می کنند، در مورد فضاهای کاری یاد می گیرند و مشاهده، ایجاد و انتشار گزارش ها در سرویس Power BI را تمرین می کنند. در نهایت، زبان آموزان در ایجاد و استفاده از داشبورد مهارت خواهند داشت.

linkedin تمیز کردن، تبدیل و آماده سازی داده های خود با Tableau Prep (Mitalearn-156601)

  • 2 hours 28 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Matt Francis
درباره این دوره:

به ندرت داده ها کاملاً برای تجسم آماده هستند. Tableau Prep یک ابزار آماده‌سازی داده‌های بصری است که به شما امکان می‌دهد با فعال کردن تمیز کردن، تغییر شکل و آماده‌سازی سریع داده‌ها سریع‌تر به تجزیه و تحلیل داده‌ها برسید - با استفاده از همان پارادایم کشیدن و رها کردن Tableau Desktop. این دوره دقیقا نحوه استفاده از Tableau Prep را برای آماده سازی داده ها نشان می دهد. مربی مت فرانسیس نحوه اتصال به چندین منبع داده و ترکیب آنها را در یک منبع واحد داده با استفاده از اتصالات و اتحادها نشان می دهد. سپس نحوه فیلتر کردن، تقسیم و تغییر نام داده ها و نحوه چرخش داده ها برای تبدیل داده های گسترده به داده های بلندی که Tableau Desktop ترجیح می دهد را بیاموزید. Matt همچنین نحوه نمونه‌برداری از داده‌ها، تنظیم اندازه نمونه‌گیری و پیش‌نمایش و اشتراک‌گذاری خروجی نهایی خود را با Tableau Desktop نشان می‌دهد. آموزش با چند نمونه جریان پایان می یابد که Tableau Prep را در عمل نشان می دهد. در پایان دوره، مهارت‌هایی را فرا خواهید گرفت که می‌توانید Tableau Prep را به بخشی ضروری از فرآیند داده‌های Tableau خود تبدیل کنید.

linkedin جولیا برای دانشمندان داده نگاه اول (Mitalearn-101096)

  • 33 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Barton Poulson
درباره این دوره:

برای اولین بار به جولیا، زبان برنامه نویسی قدرتمند و سریع برای علم داده و تجزیه و تحلیل نگاه کنید. محبوبیت جولیا به سرعت در حال افزایش است و بسیاری از متخصصان علوم داده علاقه مند به یادگیری بیشتر هستند. این دوره سریع مقدمه ای کلی در مورد عملکرد، قدرت و محدودیت های زبان ارائه می دهد. نحوه مقایسه جولیا با C، R و Python و نحوه فراخوانی آن زبان ها، نحوه قالب بندی داده ها با انواع مختلف داده، نحوه انجام عملیات ریاضی و برداری، نحوه ایجاد عبارات و اجرای ماکروها و موارد دیگر را بیابید. شما می توانید تصمیم بگیرید که آیا جولیا را در گردش کار علم داده خود بگنجانید یا برای کسب اطلاعات بیشتر مراحل بعدی را دنبال کنید.

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 دوره تمرینی Oracle SQL (Mitalearn-324527)

  • 42 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Rafiq Wayani
درباره این دوره:

این دوره برای مبتدیان SQL طراحی شده است تا دستورات SQL را بررسی کنند، از جمله ایجاد جداول، اضافه کردن ستون ها و اصلاح جداول. ما به استفاده از دستورات تغییر نگاه خواهیم کرد و زبان آموزان برای تکمیل تمرینات، استفاده از دستورات DDL و DML را تمرین خواهند کرد.

linkedin راهنمای کامل برای R: درگیری ، تجسم و داده های مدل سازی (Mitalearn-415341)

  • 8 hours 15 minutes
  • مناسب همه
  • Release date: 15 March 2024
  • Author: Barton Poulson
درباره این دوره: 

 تلاش برای مکان یابی معنا و جهت در داده های بزرگ دشوار است. R می تواند به شما کمک کند راه خود را پیدا کنید. R یک زبان برنامه نویسی آماری برای تجزیه و تحلیل و تجسم روابط بین مقادیر زیادی داده است. این دوره با متخصص تجزیه و تحلیل داده ها، بارتون پولسون، مقدمه ای کامل با R، همراه با دستورالعمل های دقیق برای نصب و پیمایش R و RStudio و مثال های عملی، از گرافیک اکتشافی گرفته تا شبکه های عصبی، ارائه می دهد. بارتون نشان می دهد که چگونه می توان بسته های R و R محبوب را راه اندازی کرد و شروع به وارد کردن، تمیز کردن و تبدیل داده ها برای تجزیه و تحلیل کرد. او همچنین نشان می دهد که چگونه می توان تجسم هایی مانند نمودارهای میله ای، هیستوگرام ها و نمودارهای پراکنده ایجاد کرد و داده های طبقه بندی، کیفی و پرت را تغییر داد تا بهترین پاسخگویی به سؤالات تحقیق شما و الزامات الگوریتم های شما باشد.

linkedin روش‌های علم داده: ایجاد حس کسب‌وکار (Mitalearn-209930)

  • 1 hours 50 minutes
  • مناسب همه
  • Update date: 21 June 2026
  • Author: Neelam Dwivedi
درباره این دوره:

درک روزافزونی وجود دارد که علم داده باید فراتر از آزمایش در مقیاس کوچک به یک پیاده سازی در مقیاس بزرگ برود. در این دوره، Neelam Dwivedi روش‌های مهندسی نرم‌افزار و داده‌کاوی را برای دانشمندان داده ارائه می‌کند، سپس این ایده‌ها را با در نظر گرفتن یک نیاز ساده کسب‌وکار در طول یک چرخه زندگی به کار می‌گیرد - میزبانی یک مدل، مصرف آن در یک برنامه وب و راه‌اندازی CI/ خط لوله سی دی. Neelam با توضیح روش های مورد استفاده در دوره و نحوه ترکیب آنها شروع می کند. او به شما نشان می دهد که در توسعه معماری و استقرار یک مدل از کجا شروع کنید، سپس توضیح می دهد که چگونه برنامه های کاربردی وب بزرگتر ممکن است مدل را به عنوان یک سرویس مصرف کنند. Neelam نحوه مرحله بندی مدل و برنامه خود و همچنین نحوه برنامه ریزی پیش رو با یک نقشه راه کلی را پوشش می دهد. او با افکاری در مورد چگونگی کاربردهای بیشتر روش‌شناسی علم داده به پایان می‌رسد.

linkedin ساخت با AI: داشبوردهای دارای هوش مصنوعی با جریان (Mitalearn-413794)

  • 4 hours 51 minutes
  • مناسب همه
  • Release date: 19 September 2025
  • Author: Megan Silvey
درباره این دوره: 

 در این دوره دستی ، مشاور علوم داده ، مگان سیلوی شما را از طریق نحوه استفاده از StreamLit برای ساخت برنامه های وب راهنمایی می کند. به طور خاص ، زبان آموزان یک دستیار برنامه نویسی با قدرت AI را در جریان پخش می کنند که به تولید ، پالایش و حفظ داشبورد داده های تعاملی با استفاده از Python و API OpenAi کمک می کند. زبان آموزان با ساختن یک دستیار اساسی مبتنی بر چت مبتنی بر چت شروع می کنند. سپس زبان آموزان یاد می گیرند که چگونه داده های خود را در جریان پخش ، آماده سازی ، تهیه و تجزیه و تحلیل کنند. سپس ، زبان آموزان داشبورد پویا با تجسم و فیلترهای مختلف از طریق تعامل مکالمه با یک دستیار هوش مصنوعی تعبیه شده می سازند. سرانجام ، زبان آموزان یاد می گیرند که چگونه داشبورد کاملاً کاربردی AI خود را بر روی ابر Cloud Cloud ، آزمایش ، نگهداری و مستقر کنند.

linkedin ساخت یک سیستم توصیه با یادگیری ماشین پایتون و هوش مصنوعی (Mitalearn-110123)

  • 1 hours 38 minutes
  • متوسط
  • Release date: 28 June 2026
  • Author: Lillian Pierson, P.E.
درباره این دوره:

نحوه استفاده از پایتون – و برخی مفاهیم ضروری یادگیری ماشین – برای ساخت برنامه‌هایی که می‌توانند توصیه‌هایی ارائه کنند را بیابید. در این دوره آموزشی، لیلیان پیرسون، P.E. انواع مختلف سیستم های توصیه را پوشش می دهد و نحوه ساخت هر یک را نشان می دهد. او به شما کمک می‌کند مفاهیمی را که در پس نحوه عملکرد سیستم‌های توصیه وجود دارد، با ارائه یک سری مثال‌ها و تمرین‌ها بیاموزید. هنگامی که با مفاهیم زیربنایی آشنا شدید، لیلیان توضیح می‌دهد که چگونه از روش‌های آماری و یادگیری ماشینی برای ایجاد توصیه‌کننده‌های خود استفاده کنید. او نشان می‌دهد که چگونه با استفاده از کتابخانه Pandas یک توصیه‌کننده مبتنی بر محبوبیت بسازیم، چگونه موارد مشابه را بر اساس همبستگی توصیه کنیم، و چگونه الگوریتم‌های مختلف یادگیری ماشین را برای ارائه توصیه‌ها به کار ببریم. در پایان دوره، او نشان می دهد که چگونه ارزیابی شود که کدام توصیه کننده بهترین عملکرد را داشته است.

linkedin ساختن یک نقشه حرارتی دینامیک در اکسل (Mitalearn-80492)

  • 1 hours 34 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Maven Analytics,Chris Dutton
درباره این دوره:

برای ایجاد تجسم داده ها به نرم افزار خاصی نیاز ندارید. با برخی از توابع، قالب‌بندی و فیلترهای پیشرفته، می‌توانید این نقشه‌های حرارتی را مستقیماً در Microsoft Excel ایجاد کنید. تکنیک های نشان داده شده در این دوره اکسل را از یک برنامه صفحه گسترده اولیه به یک ابزار تحلیلی پویا و قدرتمند برای نقشه برداری حرارتی تبدیل می کند.

rnrn او همچنین نشان می‌دهد که چگونه می‌توان از قالب‌بندی در مقیاس رنگی شرطی برای ترسیم ماتریس داده‌های خود استفاده کرد و با استفاده از فیلترهای پویا، راه‌های مختلفی برای بررسی داده‌های مشابه با معیارهای مختلف پیدا کرد. این دوره با چند کار تکمیلی به پایان می رسد تا نقشه گرمایی شما مفیدتر و جذاب تر شود، از جمله پیش نمایشی از آنچه با افزونه Power Map ممکن است.

coursera سیستم های مدل سازی و مدیریت داده های بزرگ (Mitalearn-334659)

  • 3 hours 54 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Ilkay Altintas,Amarnath Gupta
درباره این دوره:

هنگامی که یک مشکل کلان داده را برای تجزیه و تحلیل شناسایی کردید، چگونه داده های خود را با استفاده از راه حل های کلان داده جمع آوری، ذخیره و سازماندهی می کنید؟ در این دوره، ژانرهای مختلف داده و ابزارهای مدیریتی مناسب برای هر کدام را تجربه خواهید کرد. شما قادر خواهید بود دلایل پشت سرگذاشتن انبوهی از پلتفرم های جدید کلان داده را از دیدگاه سیستم های مدیریت داده های بزرگ و ابزارهای تحلیلی شرح دهید. از طریق آموزش های عملی هدایت شده، با تکنیک هایی با استفاده از نمونه های داده های بی درنگ و نیمه ساختاریافته آشنا خواهید شد. سیستم ها و ابزارهای مورد بحث عبارتند از: AsterixDB، HP Vertica، Impala، Neo4j، Redis، SparkSQL. این دوره تکنیک هایی را برای استخراج ارزش از منابع داده های دست نخورده موجود و کشف منابع داده جدید ارائه می دهد. در پایان این دوره، شما قادر خواهید بود: * عناصر داده های مختلف را در کار خود و مشکلات زندگی روزمره تشخیص دهید * توضیح دهید که چرا تیم شما نیاز به طراحی یک طرح زیرساخت داده بزرگ و طراحی سیستم اطلاعاتی دارد * عملیات داده های مکرر مورد نیاز برای انواع مختلف داده را شناسایی کنید * مدل داده ای را متناسب با ویژگی های داده های خود انتخاب کنید * تکنیک هایی را برای مدیریت داده های جریانی اعمال کنید * بین سیستم مدیریت پایگاه داده سنتی و سیستم مدیریت داده های بزرگ تفاوت قائل شوید * قدردانی کنید که چرا سیستم های مدیریت داده های زیادی وجود دارد * طراحی یک سیستم اطلاعات کلان داده برای یک شرکت بازی آنلاین این دوره برای کسانی است که تازه وارد علم داده می شوند. تکمیل Intro to Big Data توصیه می شود. هیچ تجربه برنامه نویسی قبلی مورد نیاز نیست، اگرچه توانایی نصب برنامه ها و استفاده از ماشین مجازی برای تکمیل تکالیف عملی ضروری است. برای مشخصات کامل سخت افزار و نرم افزار به الزامات فنی تخصصی مراجعه کنید. الزامات سخت افزاری: (الف) پردازنده چهار هسته ای (پشتیبانی VT-x یا AMD-V توصیه می شود)، 64 بیتی؛ (ب) 8 گیگابایت رم؛ (C) 20 گیگابایت دیسک رایگان. نحوه پیدا کردن اطلاعات سخت افزاری خود: (ویندوز): با کلیک بر روی دکمه Start، روی Computer راست کلیک کرده و سپس روی Properties کلیک کنید. (Mac): با کلیک بر روی منوی اپل و کلیک کردن روی «درباره این مک»، نمای کلی را باز کنید. اکثر رایانه های با رم 8 گیگابایتی خریداری شده در 3 سال گذشته حداقل شرایط را برآورده می کنند. شما به اتصال به اینترنت پرسرعت نیاز دارید زیرا فایل هایی تا حجم 4 گیگابایت را دانلود خواهید کرد. نرم افزار مورد نیاز: این دوره متکی بر چندین ابزار نرم افزار منبع باز از جمله Apache Hadoop است. تمام نرم افزارهای مورد نیاز را می توان به صورت رایگان دانلود و نصب کرد (به جز هزینه های داده از ارائه دهنده اینترنت شما). الزامات نرم افزار عبارتند از: Windows 7+، Mac OS X 10.10+، Ubuntu 14.04+ یا CentOS 6+ VirtualBox 5+.

linkedin علم داده در Google Cloud Platform: طراحی انبارهای داده (Mitalearn-143290)

  • 1 hours
  • متوسط
  • Release date: 22 June 2026
  • Author: Kumaran Ponnambalam
درباره این دوره:

رایانش ابری مقیاس پذیری و کشش نامحدودی را برای کاربردهای علم داده به ارمغان می آورد. تخصص در پلتفرم‌های اصلی، مانند Google Cloud Platform (GCP)، برای متخصصان فناوری اطلاعات ضروری است. این دوره - یکی از مجموعه‌هایی است که توسط متخصص باسابقه مهندسی ابر و دانشمند داده Kumaran Ponnambalam - نحوه طراحی و ساخت انبارهای داده با استفاده از GCP را نشان می‌دهد. انواع مختلف گزینه‌های ذخیره‌سازی موجود در GCP برای فایل‌ها، داده‌های رابطه‌ای، اسناد و داده‌های بزرگ، از جمله Cloud SQL، Cloud Bigtable، و Cloud BigQuery را کاوش کنید. سپس یاد بگیرید که چگونه از یک راه حل، BigQuery، برای انجام عملیات ذخیره سازی داده و پرس و جو استفاده کنید و موارد استفاده پیشرفته را مرور کنید، مانند کار با جداول پارتیشن و منابع داده خارجی. در نهایت، بهترین روش ها برای طراحی جدول، ذخیره سازی و بهینه سازی پرس و جو و نظارت بر انبارهای داده در BigQuery را بیاموزید.

linkedin عناصر اساسی تجزیه و تحلیل پیش بینی و داده کاوی (Mitalearn-113982)

  • 1 hours 28 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Keith McCormick
درباره این دوره:

یک پروژه تجزیه و تحلیل پیش بینی و داده کاوی مناسب می تواند افراد زیادی و چندین هفته را درگیر کند. همچنین خطاهای احتمالی زیادی وجود دارد که باید از آنها اجتناب کرد. چشم انداز تصویر بزرگ برای حفظ پروژه در مسیر ضروری است. این دوره این دیدگاه را از طریق دریچه یک تمرین‌کننده کهنه‌کار که ده‌ها پروژه در دنیای واقعی را تکمیل کرده است، ارائه می‌کند. کیت مک کورمیک یک داده کاوی مستقل و نویسنده است که در مدل‌های پیش‌بینی و تجزیه و تحلیل بخش‌بندی، از جمله درخت‌های طبقه‌بندی، تجزیه و تحلیل خوشه‌ای و قوانین تداعی تخصص دارد. در اینجا او دانش خود را با شما به اشتراک می گذارد. در هر مرحله از یک پروژه معمولی، از تعریف مشکل و جمع‌آوری داده‌ها و منابع گرفته تا اجرای راه‌حل را طی کنید. کیت همچنین یک نمای کلی از CRISP-DM (روش شناسی داده کاوی بالفعل) و نه قانون داده کاوی ارائه می دهد که شما را بر استراتژی و ارزش تجاری متمرکز می کند.

linkedin مدل سازی داده BI BI با DAX (2022) (Mitalearn-431916)

  • 1 hours 22 minutes
  • مناسب همه
  • Update date: 14 March 2022
  • Author: Gini von Courter
درباره این دوره: 

 دسک تاپ Power BI ایجاد مدل های اصلی داده را آسان می کند. اما اگر نیاز به گزارش در طول دوره زمانی دارید-به عنوان مثال ، رشد سالانه را تجسم کنید یا فروش یا سایر داده ها را به صورت ماه یا چهارم مقایسه کنید-شما به بیان داده ها نیاز دارید (DAX). DAX زبانی است که می توانید برای ایجاد فرمول برای Power BI که مدل داده شما را گسترش می دهد ، استفاده کنید. در این دوره ، جینی فون کورتر ملزومات کار با DAX را پوشش می دهد و بهترین شیوه ها را برای طراحی مدل داده و بهینه سازی در طول مسیر به اشتراک می گذارد. بیاموزید که چگونه با توابع DAX کل کار کنید ، ستون های محاسبه شده را اضافه کنید ، اقدامات ایجاد کنید و با عملکردهای منطقی و فیلتر DAX کار کنید.

Related Skills

Suggestions