Course catalog

Course duration

Course provider

Topic

Categories

Showing 21-25 of 25 items.

coursera ماهیت داده ها و طراحی پایگاه داده رابطه ای (Mitalearn-320464)

  • 26 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Tim Carrington
درباره این دوره:

این دوره مروری جامع بر داده ها، انواع مختلف داده ها، طراحی پایگاه های داده برای ذخیره سازی داده ها و ایجاد و دستکاری داده ها در پایگاه های داده با استفاده از SQL ارائه می دهد. در پایان این دوره، دانش‌آموزان می‌توانند توضیح دهند که هوش تجاری چیست و چگونه با تجزیه و تحلیل کسب‌وکار و علم داده تفاوت دارد، یک تحلیل آماری توصیفی اولیه انجام دهند و یافته‌ها را بیان کنند و بین انواع آمار تفاوت قائل شوند. آنها همچنین قادر خواهند بود نرمال سازی و ETL را تعریف کنند، یک ERD ایجاد کنند که پیشرفت از طراحی مفهومی به منطقی به طراحی فیزیکی را نشان می دهد، DDL، DML، DCL و TCL را تعریف کرده و اسکریپت های SQL را برای ایجاد یک پایگاه داده و جداول مرتبط بنویسند.

coursera مدیریت داده های کارآزمایی های بالینی و تضمین کیفیت (Mitalearn-337430)

  • 5 hours 51 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Janet Holbrook, PhD, MPH,Ann-Margret Ervin, PhD, MPH,David M. Shade, JD
درباره این دوره:

در این دوره، شما یاد خواهید گرفت که داده های جمع آوری شده در طول آزمایش خود را جمع آوری کرده و از آنها مراقبت کنید و چگونه از اشتباهات و خطاها از طریق اقدامات تضمین کیفیت جلوگیری کنید. کارآزمایی‌های بالینی حجم عظیمی از داده‌ها را تولید می‌کنند، بنابراین شما و تیمتان باید با انتخاب ابزار، سیستم‌ها و اقدامات مناسب جمع‌آوری برای محافظت از یکپارچگی داده‌های آزمایشی خود، برنامه‌ریزی دقیقی داشته باشید. شما یاد خواهید گرفت که چگونه مجموعه داده های خود را جمع آوری، تمیز و شناسایی کنید. در نهایت، شما یاد خواهید گرفت که از طریق نظارت بر عملکرد، مدیریت مداخلات درمانی و اجرای پروتکل های تضمین کیفیت، کمبودها را پیدا کرده و اصلاح کنید.

coursera مقدمه ای بر تحلیل داده ها [coursera] (Mitalearn-326346)

  • 3 hours 44 minutes
  • مبتدی
  • Release date: 27 June 2026
  • Author: Rav Ahuja
درباره این دوره:

برای شروع حرفه ای در تجزیه و تحلیل داده ها آماده هستید اما نمی دانید از کجا شروع کنید؟ این دوره به شما معرفی ملایمی با تجزیه و تحلیل داده ها، نقش یک تحلیلگر داده و ابزارهای مورد استفاده در این شغل می دهد. شما در مورد مهارت ها و مسئولیت های یک تحلیلگر داده یاد خواهید گرفت و از چندین متخصص داده که نکات و توصیه های خود را برای شروع یک حرفه به اشتراک می گذارند، خواهید شنید. این دوره به شما کمک می کند تا بین نقش های تحلیلگران داده، دانشمندان داده و مهندسان داده تفاوت قائل شوید. شما با اکوسیستم داده ها، در کنار پایگاه های داده، انبارهای داده، مارت های داده، دریاچه های داده و خطوط لوله داده آشنا خواهید شد. این سفر هیجان انگیز را ادامه دهید و پلتفرم های Big Data مانند Hadoop، Hive و Spark را کشف کنید. در پایان این دوره شما قادر خواهید بود مبانی فرآیند تجزیه و تحلیل داده ها از جمله جمع آوری، تمیز کردن، تجزیه و تحلیل و به اشتراک گذاری داده ها و ارتباط بینش خود را با استفاده از تجسم ها و ابزارهای داشبورد درک کنید. همه اینها در پروژه نهایی گرد هم می آیند، جایی که دانش شما را از مواد درسی آزمایش می کند و سناریوی واقعی از وظایف تجزیه و تحلیل داده ها را ارائه می دهد. این دوره نیازی به تجزیه و تحلیل داده، صفحه گسترده یا تجربه علوم کامپیوتر ندارد.

coursera نمونه برداری از افراد، شبکه ها و سوابق (Mitalearn-338756)

  • 11 hours 50 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: James M Lepkowski
درباره این دوره:

جمع آوری داده های خوب بر روی نمونه های خوب ساخته شده است. اما نمونه ها را می توان به روش های مختلفی انتخاب کرد. نمونه‌ها می‌توانند انتخاب تصادفی یا راحت افراد، سوابق، یا شبکه‌ها یا واحدهای دیگر باشند، اما کیفیت این نمونه‌ها را زیر سوال می‌بریم، به‌ویژه اینکه این روش‌های انتخاب برای نتیجه‌گیری خوب در مورد یک جامعه پس از جمع‌آوری و تجزیه و تحلیل داده‌ها چه معنایی دارند. نمونه‌ها را می‌توان بر اساس قضاوت محقق با دقت بیشتری انتخاب کرد، اما بعد از آن سؤال می‌شود که آیا این قضاوت می‌تواند توسط عوامل شخصی مغرضانه باشد. نمونه‌ها را می‌توان به روش‌های آماری دقیق و دقیق، با استفاده از روش‌های انتخاب تصادفی و کنترل برای ارائه نمایش صدا و کنترل هزینه، رسم کرد. این آخرین نوع نمونه ها هستند که در این دوره مورد بحث قرار خواهند گرفت. نمونه‌گیری تصادفی ساده را که می‌توان برای نمونه‌گیری افراد یا سوابق استفاده کرد، نمونه‌گیری خوشه‌ای که می‌تواند برای نمونه‌گیری از گروه‌های افراد یا سوابق یا شبکه‌ها استفاده شود، طبقه‌بندی که می‌تواند برای نمونه‌های تصادفی ساده و خوشه‌ای اعمال شود، انتخاب سیستماتیک و چند مرحله‌ای طبقه‌بندی شده را بررسی خواهیم کرد. نمونه ها این دوره با مروری کوتاه بر نحوه برآورد و خلاصه عدم قطعیت نمونه گیری تصادفی به پایان می رسد.

coursera یادگیری ماشین نظارت شده: رگرسیون (Mitalearn-270297)

  • 5 hours 17 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mark J Grover,Miguel Maldonado,Svitlana (Lana) Kramar
درباره این دوره:

این دوره شما را با یکی از انواع اصلی خانواده مدل سازی یادگیری ماشینی تحت نظارت آشنا می کند: رگرسیون. شما یاد خواهید گرفت که چگونه مدل های رگرسیون را برای پیش بینی نتایج مستمر آموزش دهید و چگونه از معیارهای خطا برای مقایسه بین مدل های مختلف استفاده کنید. این دوره همچنین شما را از طریق بهترین شیوه‌ها، از جمله تقسیم‌های آموزشی و آزمایشی، و تکنیک‌های منظم‌سازی راهنمایی می‌کند. در پایان این دوره شما باید بتوانید: کاربردها و کاربردهای طبقه بندی و رگرسیون را در زمینه یادگیری ماشینی نظارت شده متمایز کنید  مدل های رگرسیون خطی را توصیف و استفاده کنید از انواع معیارهای خطا برای مقایسه و انتخاب یک مدل رگرسیون خطی که به بهترین وجه با داده های شما مطابقت دارد، استفاده کنید توضیح دهید که چرا منظم کردن ممکن است به جلوگیری از برازش بیش از حد کمک کند از رگرسیون های منظم سازی استفاده کنید: Ridge، LASSO، و Elastic net   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده‌ای را که علاقه‌مند به کسب تجربه عملی با تکنیک‌های رگرسیون یادگیری ماشین نظارت شده در یک محیط تجاری هستند، هدف قرار می‌دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی از پاکسازی داده ها، تجزیه و تحلیل داده های اکتشافی، حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.

Suggestions