Course catalog

Course duration

Course provider

Topic

Categories

Showing 201-220 of 600 items.

coursera تجزیه و تحلیل خوشه ای، معادن انجمن، و ارزیابی مدل (Mitalearn-333469)

  • 7 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Julie Pai
درباره این دوره:

به تجزیه و تحلیل خوشه ای، معادن انجمن و ارزیابی مدل خوش آمدید. در این دوره ما با کاوش در تجزیه و تحلیل خوشه‌ها و بخش‌بندی شروع می‌کنیم و در مورد چگونگی استفاده از تکنیک‌هایی مانند فیلترینگ مشارکتی و استخراج قوانین انجمن بحث می‌کنیم. همچنین توضیح خواهیم داد که چگونه می توان یک مدل را برای عملکرد ارزیابی کرد و تفاوت در انواع تحلیل و زمان اعمال آنها را بررسی خواهیم کرد.

coursera تجزیه و تحلیل خوشه بندی (Mitalearn-331905)

  • 51 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Di Wu
درباره این دوره:

دوره "تحلیل خوشه بندی" دانش آموزان را با مفاهیم اساسی یادگیری بدون نظارت با تمرکز بر تکنیک های خوشه بندی و کاهش ابعاد آشنا می کند. شرکت‌کنندگان روش‌های مختلف خوشه‌بندی، از جمله پارتیشن‌بندی، سلسله مراتبی، مبتنی بر چگالی و خوشه‌بندی مبتنی بر شبکه را بررسی خواهند کرد. علاوه بر این، دانش آموزان در مورد تجزیه و تحلیل مؤلفه اصلی (PCA) برای کاهش ابعاد یاد خواهند گرفت. از طریق آموزش های تعاملی و مطالعات موردی عملی، دانش آموزان تجربه عملی در استفاده از تکنیک های خوشه بندی و کاهش ابعاد در مجموعه داده های متنوع به دست خواهند آورد. در پایان این دوره، دانشجویان قادر خواهند بود: 1. درک اصول و اهمیت یادگیری بدون نظارت، به ویژه خوشه بندی و کاهش ابعاد. 2. مفاهیم و کاربردهای روش های پارتیشن بندی، سلسله مراتبی، مبتنی بر چگالی و خوشه بندی مبتنی بر شبکه را درک کنید. 3. مبانی ریاضی الگوریتم های خوشه بندی را برای درک عملکرد آنها کاوش کنید. 4. استفاده از تکنیک های خوشه بندی در مجموعه داده های متنوع برای کشف الگو و کاوش داده ها. 5. درک مفهوم کاهش ابعاد و اهمیت آن در کاهش پیچیدگی فضای ویژگی. 6. تجزیه و تحلیل مؤلفه اصلی (PCA) را برای کاهش ابعاد اجرا کنید و فضای ویژگی کاهش یافته را تفسیر کنید. 7. ارزیابی نتایج خوشه بندی و اثربخشی کاهش ابعاد با استفاده از معیارهای عملکرد مناسب. 8. تکنیک های خوشه بندی و کاهش ابعاد را در مطالعات موردی در دنیای واقعی به کار ببرید تا بینش های معناداری به دست آورید. در طول دوره، دانش‌آموزان فعالانه در آموزش‌ها و مطالعات موردی شرکت خواهند کرد، مهارت‌های تجزیه و تحلیل خوشه‌بندی و کاهش ابعاد خود را تقویت می‌کنند و تجربه عملی در به‌کارگیری این تکنیک‌ها در مجموعه داده‌های متنوع به دست می‌آورند. با دستیابی به اهداف یادگیری، شرکت کنندگان به خوبی مجهز می شوند تا در وظایف یادگیری بدون نظارت برتری پیدا کنند و با استفاده از تکنیک های خوشه بندی و کاهش ابعاد تصمیمات آگاهانه بگیرند.

coursera تجزیه و تحلیل داده ها (Mitalearn-331667)

  • 3 hours 9 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Sarah Haq,Stacey McBrine
درباره این دوره:

این دوره برای متخصصان کسب و کار طراحی شده است که می خواهند یاد بگیرند که چگونه داده ها را تجزیه و تحلیل کنند تا بینش به دست آورند، از روش های تجزیه و تحلیل آماری برای کشف توزیع زیربنایی داده ها استفاده کنند، از تجسم هایی مانند هیستوگرام، نمودار پراکندگی و نقشه ها برای تجزیه و تحلیل داده ها و پیش پردازش داده ها برای تولید استفاده کنند. مجموعه داده آماده برای آموزش دانشجوی معمولی در این دوره چندین سال تجربه در زمینه فناوری محاسبات از جمله استعداد در برنامه نویسی کامپیوتر خواهد داشت.

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 Tidyverse (Mitalearn-327247)

  • 2 hours 52 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Jane Wall
درباره این دوره:

این دوره به معرفی ملایم ما برای برنامه نویسی در R ادامه می دهد که برای 3 نوع یادگیرنده طراحی شده است. برای شما مناسب خواهد بود، اگر: • می خواهید تجزیه و تحلیل داده ها را انجام دهید اما برنامه نویسی نمی دانید • برنامه نویسی بلدید اما با R آشنا نیستید • مقداری برنامه نویسی R را می شناسید اما می خواهید در مورد افعال tidyverse اطلاعات بیشتری کسب کنید بهتر است بعد از اولین دوره تخصصی گرفته شود یا اگر قبلاً با ggplot، RMarkdown و نوشتن تابع پایه در R آشنا هستید. از Learn to use reader برای خواندن در داده های خود، dplyr برای تجزیه و تحلیل داده ها و stringr استفاده خواهید کرد. و forcats برای دستکاری رشته ها و عوامل.

coursera تجزیه و تحلیل داده ها با استفاده از SQL (Mitalearn-327264)

  • 2 hours 18 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Analytics Vidhya
درباره این دوره:

در این دوره جامع، شما برای تسلط بر هنر تجزیه و تحلیل داده ها از طریق SQL، سفری تحول آفرین را آغاز خواهید کرد. SQL ابزار قدرتمندی است که برای مدیریت و دستکاری داده ها در پایگاه داده های رابطه ای استفاده می شود. در طول این دوره، مهارت‌های ضروری برای استخراج کارآمد داده‌های مرتبط از پایگاه‌های داده را به دست می‌آورید و به شما این امکان را می‌دهد که به راحتی در میان حجم وسیعی از اطلاعات حرکت کنید. با تمرکز بر کاربرد عملی، شما به دنیای تجزیه و تحلیل داده ها کاوش خواهید کرد، و کشف خواهید کرد که چگونه می توانید بینش های معناداری را از مجموعه داده های بزرگی که در پایگاه داده های پیچیده رابطه ای قرار دارند، به دست آورید. در پایان این دوره، شما مهارت های ایجاد و اصلاح پایگاه های داده را به دست آورید، و شما را به توانایی حل مشکلات تجاری در دنیای واقعی مجهز می کند. با اطمینان از دقت و قابلیت اطمینان تجزیه و تحلیل خود، فیلتر کردن و تمیز کردن مجموعه داده ها را بیاموزید. چه بخواهید یک تحلیلگر داده باشید، چه یک متخصص هوش تجاری یا یک تصمیم گیرنده با تکیه بر بینش های داده محور، این دوره ابزارها و دانش لازم را برای موفقیت در اختیار شما قرار می دهد.

coursera تجزیه و تحلیل داده ها با استفاده از پایتون (Mitalearn-328250)

  • 1 hours 24 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Brandon Krakowsky
درباره این دوره:

این دوره مقدمه ای بر تکنیک های علوم داده پایه با استفاده از پایتون ارائه می دهد. دانش آموزان با مفاهیم اصلی مانند Data Frames و پیوستن به داده ها آشنا می شوند و یاد می گیرند که چگونه از کتابخانه های تجزیه و تحلیل داده ها مانند پانداها، numpy و matplotlib استفاده کنند. این دوره مروری بر بارگذاری، بازرسی و پرس و جوی داده های دنیای واقعی و چگونگی پاسخ به سوالات اساسی در مورد آن داده ها را ارائه می دهد. دانش‌آموزان مهارت‌هایی در جمع‌آوری و خلاصه‌سازی داده‌ها و همچنین تجسم داده‌های اولیه کسب خواهند کرد.

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 ها با پروژه پایتون (Mitalearn-332024)

  • متوسط
  • Release date: 27 June 2026
  • Author: Di Wu
درباره این دوره:

دوره "پروژه تجزیه و تحلیل داده ها" دانش آموزان را قادر می سازد تا دانش و مهارت های خود را که در این تخصص به دست آورده اند برای انجام پروژه تجزیه و تحلیل داده های واقعی مورد علاقه خود به کار گیرند. شرکت‌کنندگان جهات مختلفی را در تجزیه و تحلیل داده‌ها، از جمله یادگیری تحت نظارت و بدون نظارت، رگرسیون، خوشه‌بندی، کاهش ابعاد، قوانین تداعی، و تشخیص موارد دور از دسترس را بررسی خواهند کرد. در سراسر ماژول ها، دانش آموزان تکنیک ها و روش های تجزیه و تحلیل داده های ضروری را یاد می گیرند و سفری از داده های خام به دانش و هوش را آغاز می کنند. با تکمیل دوره، دانش آموزان در تجزیه و تحلیل داده ها مهارت خواهند داشت، می توانند تخصص خود را در پروژه های مختلف به کار گیرند و تصمیمات مبتنی بر داده را بگیرند. در پایان این دوره، دانشجویان قادر خواهند بود: 1. درک مفاهیم اساسی و روش شناسی تجزیه و تحلیل داده ها در جهات مختلف، از جمله یادگیری تحت نظارت و بدون نظارت، رگرسیون، خوشه بندی، کاهش ابعاد، قوانین تداعی، و تشخیص موارد دور از دسترس. 2. محدوده و جهت پروژه تجزیه و تحلیل داده ها را مشخص کنید، تکنیک ها و روش های مناسب برای دستیابی به اهداف پروژه را شناسایی کنید. 3. از الگوریتم‌های طبقه‌بندی مختلف، مانند Nearest Neighbors، Decision Trees، SVM، Naive Bayes و Logistic Regression برای کارهای مدل‌سازی پیش‌بینی‌کننده استفاده کنید. 4. روش های اعتبارسنجی متقابل و مجموعه را برای افزایش عملکرد و قابلیت تعمیم مدل های طبقه بندی اجرا کنید. 5. از الگوریتم های رگرسیون، از جمله Simple Linear، Polynomial Linear و Linear با منظم سازی، برای مدل سازی و پیش بینی نتایج عددی استفاده کنید. 6. انجام رگرسیون چند متغیره و استفاده از روش های اعتبارسنجی متقابل و مجموعه در تحلیل رگرسیون. 7. تکنیک های خوشه بندی، از جمله روش های پارتیشن بندی، سلسله مراتبی، مبتنی بر چگالی و مبتنی بر شبکه را برای کشف الگوها و ساختارهای اساسی در داده ها کاوش کنید. 8. از تجزیه و تحلیل اجزای اصلی (PCA) برای کاهش ابعاد استفاده کنید تا داده های با ابعاد بالا را ساده کنید و به تجسم داده ها کمک کنید. 9. از الگوریتم‌های Apriori و FPGrowth برای استخراج قوانین مرتبط و کشف ارتباط آیتم‌های جالب در داده‌های تراکنشی استفاده کنید. 10. برای شناسایی نقاط داده های غیرعادی و نقاط پرت متنی، از روش های تشخیص پرت، از جمله Zscore، IQR، OneClassSVM، Isolation Forest، DBSCAN و LOF استفاده کنید. در طول دوره، دانش‌آموزان به طور فعال در آموزش‌ها، تمرین‌های عملی و مطالعه موردی پروژه تجزیه و تحلیل داده‌ها شرکت می‌کنند و تجربه عملی در تکنیک‌های مختلف تجزیه و تحلیل داده‌ها به دست می‌آورند. با دستیابی به اهداف یادگیری، شرکت کنندگان به خوبی مجهز خواهند شد تا در پروژه های تجزیه و تحلیل داده ها برتری پیدا کنند و در سناریوهای دنیای واقعی تصمیمات مبتنی بر داده اتخاذ کنند.

coursera تجزیه و تحلیل داده ها با صفحات گسترده و SQL (Mitalearn-327043)

  • 3 hours 51 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Brandon Larkin
درباره این دوره:

این دوره شما را با نحوه استفاده از صفحات گسترده و پرس و جوهای SQL برای تجزیه و تحلیل و استخراج داده ها آشنا می کند. شما یاد خواهید گرفت که چگونه به طور عملی چارچوب تجزیه و تحلیل داده های OSEMN و توابع صفحه گسترده را برای پاک کردن داده ها، محاسبه آمار خلاصه، ارزیابی همبستگی ها و موارد دیگر اعمال کنید. شما همچنین به تکنیک های متداول تجسم داده ها می پردازید و یاد می گیرید که چگونه از داشبورد برای گفتن داستانی با داده های خود استفاده کنید. در پایان این دوره شما قادر خواهید بود: • داده ها را با صفحات گسترده پاک کنید • از فرمول های رایج صفحه گسترده برای محاسبه آمار خلاصه استفاده کنید • روندها و الگوهای داده را شناسایی کنید • عبارات و پرس و جوهای SQL اساسی را برای استخراج داده ها در صفحات گسترده بنویسید • نمودارهایی را در Google Sheets ایجاد کنید و از Tableau برای تجسم داده ها استفاده کنید • از داشبورد برای ایجاد تجسم داده ها استفاده کنید 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. در حالت ایده‌آل شما قبلاً دوره 1: بنیاد تجزیه و تحلیل بازاریابی و دوره 2: مقدمه‌ای بر تجزیه و تحلیل داده‌ها را در این برنامه تکمیل کرده‌اید.

coursera تجزیه و تحلیل داده ها برای ناب شش سیگما (Mitalearn-326737)

  • 4 hours 44 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Inez Zwetsloot
درباره این دوره:

به این دوره در مورد تجزیه و تحلیل داده ها برای Lean Six Sigma خوش آمدید. در این دوره شما تکنیک های تجزیه و تحلیل داده ها را یاد خواهید گرفت که معمولاً در پروژه های بهبود Lean Six Sigma مفید هستند. در پایان این دوره شما قادر به تجزیه و تحلیل و تفسیر داده های جمع آوری شده در چنین پروژه ای هستید. شما می توانید از Minitab برای تجزیه و تحلیل داده ها استفاده کنید. من همچنین به طور خلاصه توضیح خواهم داد که Lean Six Sigma چیست. من بر استفاده از ابزارهای تجزیه و تحلیل داده ها و تفسیر نتیجه تاکید خواهم کرد. من از نمونه های مختلف بسیاری از پروژه های واقعی ناب شش سیگما برای نشان دادن همه ابزارها استفاده خواهم کرد. من در مورد هیچ زمینه ریاضی بحث نمی کنم. تنظیماتی که ما برای مثال داده خود انتخاب کردیم، پروژه بهبود ناب شش سیگما است. با این حال ابزارهای تجزیه و تحلیل داده ها بسیار کاربردی هستند. بنابراین متوجه خواهید شد که تکنیک هایی را یاد خواهید گرفت که می توانید از آنها جدا از پروژه های بهبود در محیطی گسترده تر استفاده کنید. امیدوارم از این دوره لذت ببرید و موفق باشید! دکتر Inez Zwetsloot و تیم IBIS UvA

coursera تجزیه و تحلیل داده ها در R با RStudio & Tidyverse (Mitalearn-327553)

  • 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 هیچ تجربه کدنویسی قبلی ندارند و دانش پایه ای از تجزیه و تحلیل داده ها در R ارائه می کنند. ماژول های این دوره شامل آمار توصیفی، وارد کردن و جدال داده ها، و استفاده از آزمون های آماری برای مقایسه جمعیت ها و توصیف روابط می شود. این دوره نمونه هایی را به زبان R با استفاده از استاندارد صنعتی محیط توسعه مجتمع (IDE) RStudio ارائه می کند. 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 تجزیه و تحلیل داده ها در پایتون با پانداها و matplotlib در Spyder (Mitalearn-327536)

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

کدنویسی کنید و اولین اسکریپت پایتون خود را در عرض چند دقیقه بدون نصب چیزی اجرا کنید! این دوره برای زبان آموزانی طراحی شده است که تجربه کدنویسی ندارند و یک دوره خرابی در پایتون ارائه می دهد که به زبان آموزان امکان می دهد تا در موضوعات تجزیه و تحلیل داده های اصلی که می توانند به زبان های دیگر منتقل شوند، بپردازند. در این دوره یاد خواهید گرفت که چگونه داده های خود را وارد و سازماندهی کنید، از توابع برای جمع آوری آمار توصیفی و انجام تست های آماری استفاده کنید. 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 طولانی تر در پایان دوره به شما فرصتی می دهد تا همه مفاهیم آموخته شده را در یک زمینه دنیای واقعی به کار ببرید.

coursera تجزیه و تحلیل داده ها و تفسیر Capstone (Mitalearn-335900)

  • 40 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jen Rose,Lisa Dierker
درباره این دوره:

پروژه Capstone به شما این امکان را می دهد که تکنیک های تجزیه و تحلیل داده های آموخته شده از دوره های قبلی در تخصص را برای رسیدگی به یک موضوع مهم در جامعه به کار ببرید و اصلاح کنید. شما از داده های دنیای واقعی برای تکمیل پروژه با شرکای صنعتی و دانشگاهی ما استفاده خواهید کرد. برای مثال، می‌توانید با شریک صنعتی ما، DRIVENDATA، همکاری کنید تا به آنها کمک کنید تا برخی از بزرگترین چالش‌های اجتماعی جهان را حل کنند! DRIVENDATA در www.drivendata.org، متعهد است که شیوه‌های پیشرفته در علم داده و جمع‌سپاری را برای برخی از بزرگترین چالش‌های اجتماعی جهان و سازمان‌هایی که آنها را متقبل می‌شوند، بیاورد. یا، می‌توانید با شریک صنعتی دیگر ما، The Connection (www.theconnectioninc.org) همکاری کنید تا به آن‌ها کمک کنید تا خطر تکرار جرم را برای افرادی که در آزادی مشروط به دنبال درمان مصرف مواد هستند درک کنند. برای بیش از 40 سال، The Connection یکی از پیشروترین آژانس‌های خصوصی، غیرانتفاعی خدمات انسانی و توسعه جامعه در کانکتیکات بوده است. هر ماه، هزاران نفر از طریق برنامه های متنوع سلامت رفتاری، حمایت خانواده و عدالت اجتماعی The Connection کمک می کنند. مؤسسه کانکشن برای تمرین نوآورانه در سال 2010 ایجاد شد تا شکاف بین محققان و پزشکان در زمینه‌های سلامت رفتاری و عدالت کیفری را با هدف توسعه برنامه‌های درمانی مبتنی بر شواهد و حداکثر مؤثر ایجاد کند. یکی از اجزای اصلی پروژه Capstone این است که شما بتوانید اطلاعاتی را از تجزیه و تحلیل خود انتخاب کنید که به بهترین وجه نتایج و پیامدها را منتقل می کند و با این اطلاعات داستانی قانع کننده را بیان کنید. در پایان دوره، شما یک گزارش کیفیت حرفه ای از یافته های خود خواهید داشت که می تواند به همکاران و کارفرمایان بالقوه نشان داده شود تا مهارت هایی را که با تکمیل تخصص آموخته اید نشان دهند.

coursera تجزیه و تحلیل داده ها و مهارت های ارائه: پروژه نهایی رویکرد PwC (Mitalearn-327077)

  • 20 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Alex Mannella
درباره این دوره:

در این پروژه Capstone، شما تمام مهارت ها و بینش های جدیدی را که از طریق چهار دوره یاد گرفته اید، گرد هم می آورید. به شما یک مشکل کلاینت "ساختگی" و یک مجموعه داده داده می شود. برای به دست آوردن بینش تجاری، تحقیق در حوزه دامنه مشتری و ایجاد توصیه ها، باید داده ها را تجزیه و تحلیل کنید. سپس باید داده ها را در یک ارائه رو به مشتری تجسم کنید. همه آن‌ها را در یک ارائه ویدیویی ضبط‌شده گرد هم می‌آورید. این دوره توسط PricewaterhouseCoopers LLP با آدرسی در 300 Madison Avenue, New York, New York, 10017 ایجاد شده است.

coursera تجزیه و تحلیل داده های اکتشافی (Mitalearn-333996)

  • 34 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Robert Aykroyd
درباره این دوره:

تجزیه و تحلیل آماری یک جنبه ضروری از تجزیه و تحلیل داده ها است زیرا به ما امکان می دهد داده ها را جمع آوری، بررسی و تجزیه و تحلیل کنیم تا نتایج ارزشمندی در صنایع مختلف بدست آوریم. به همین دلیل است که پیش بینی می شود بازار آمار در آینده رشد کند. اگر می خواهید تخصص آمار و احتمال خود را ایجاد کنید و در مورد تجسم داده ها بیاموزید، این دوره کوتاه مقدمه ای عالی برای آمار به عنوان هنر یادگیری از داده ها است. با مثال‌های واقعی، تفاوت‌های بین داده‌ها و اطلاعات را کشف خواهید کرد تا نیاز به مدل‌های آماری برای به دست آوردن استنتاج‌های عینی و قابل اعتماد را کشف کنید. شما معنی جمع آوری داده های "بی طرفانه" را در نظر خواهید گرفت و نمونه های مختلفی از ارائه نادرست داده ها، تصور نادرست یا ناقص بودن داده ها را بررسی خواهید کرد که به شما در توسعه شهود آماری و مهارت های تمرین خوب کمک می کند. تجسم داده ها یک مهارت مورد توجه است. برای ایجاد خلاصه‌های گرافیکی و عددی، مهارت‌های نرم‌افزار R را که در RStudio برای تجزیه و تحلیل داده‌های اکتشافی کار می‌کنند، یاد می‌گیرید و تمرین می‌کنید. با تکمیل آزمایش‌های احتمال و شبیه‌سازی رایانه‌ای مسیرهای دوجمله‌ای، به‌عنوان مثال، پرتاب کردن یک سکه یا چرخاندن یک قالب، مفهومی بصری از احتمال ایجاد خواهید کرد. در پایان دوره، شما قادر خواهید بود نقش مدل های آماری در تجزیه و تحلیل داده ها را درک کنید، خلاصه های عددی و گرافیکی را با استفاده از RStudio ایجاد کنید و آزمایش های احتمال را در شبیه سازی های کامپیوتری انجام دهید. صرف نظر از سطح مهارت ریاضی فعلی شما، چیزی جالب در این دوره خواهید یافت که نمونه های عملی و واقعی بسیاری از آمار را در عمل ارائه می دهد. این دوره یک مزه دوره کارشناسی ارشد آنلاین در علوم داده (آمار) است و همچنین می تواند توسط زبان آموزانی که می خواهند اصول تجزیه و تحلیل داده های اکتشافی و تجسم داده ها را درک کنند تکمیل شود.

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 اکتشافی با متلب (Mitalearn-327196)

  • 2 hours 17 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Erin Byrne,Michael Reardon,Maria Gavilan-Alfonso
درباره این دوره:

در این دوره یاد خواهید گرفت که مانند یک دانشمند داده فکر کنید و از داده های خود سوال بپرسید. شما از ویژگی های تعاملی در متلب برای استخراج زیرمجموعه های داده و محاسبه آمار بر روی گروه های داده های مرتبط استفاده خواهید کرد. شما یاد خواهید گرفت که از MATLAB برای تولید خودکار کد استفاده کنید تا بتوانید در حین کاوش، سینتکس را یاد بگیرید. شما همچنین از اسناد تعاملی، به نام اسکریپت‌های زنده، برای ثبت مراحل تجزیه و تحلیل، ارتباط نتایج و ارائه کنترل‌های تعاملی که به دیگران اجازه می‌دهد با انتخاب گروه‌هایی از داده‌ها آزمایش کنند، استفاده خواهید کرد. این مهارت‌ها برای کسانی که دانش حوزه و تا حدودی در معرض ابزارهای محاسباتی هستند، ارزشمند است، اما هیچ پیش‌زمینه برنامه‌نویسی لازم نیست. برای موفقیت در این دوره، باید اطلاعاتی در مورد آمار اولیه (مانند هیستوگرام، میانگین، انحراف معیار، برازش منحنی، درونیابی) داشته باشید. در پایان این دوره، شما قادر خواهید بود داده ها را در MATLAB بارگذاری کنید، آن ها را برای تجزیه و تحلیل آماده کنید، آن ها را تجسم کنید، محاسبات اولیه را انجام دهید و نتایج خود را به دیگران منتقل کنید. در آخرین تکلیف خود، این مهارت ها را برای ارزیابی خسارات ناشی از یک رویداد شدید آب و هوایی ترکیب می کنید و یک توصیه صیقلی را بر اساس تجزیه و تحلیل داده ها ارسال می کنید. شما قادر خواهید بود مکان این رویدادها را روی یک نقشه جغرافیایی تجسم کنید و کنترل‌های کشویی ایجاد کنید که به شما امکان می‌دهد به سرعت نحوه تغییر یک پدیده را در طول زمان تجسم کنید.

coursera تجزیه و تحلیل داده های اکتشافی برای یادگیری ماشینی (Mitalearn-270280)

  • 4 hours 52 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Joseph Santarcangelo,Svitlana (Lana) Kramar
درباره این دوره:

این اولین دوره در گواهینامه حرفه ای یادگیری ماشین آی بی ام شما را با یادگیری ماشین و محتوای گواهینامه حرفه ای آشنا می کند. در این دوره به اهمیت داده های خوب و با کیفیت پی خواهید برد. شما تکنیک های متداول برای بازیابی داده های خود، پاکسازی آن ها، اعمال مهندسی ویژگی ها و آماده سازی آن ها برای تجزیه و تحلیل اولیه و آزمایش فرضیه را خواهید آموخت. در پایان این دوره شما باید بتوانید: بازیابی داده ها از چندین منبع داده: SQL، پایگاه داده NoSQL، API ها، Cloud  توصیف و استفاده از تکنیک های رایج انتخاب ویژگی و مهندسی ویژگی ویژگی های دسته بندی و ترتیبی و همچنین مقادیر از دست رفته را کنترل کنید از تکنیک های مختلفی برای تشخیص و مقابله با موارد پرت استفاده کنید توضیح دهید که چرا مقیاس بندی ویژگی مهم است و از انواع تکنیک های مقیاس بندی استفاده کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با یادگیری ماشین و هوش مصنوعی در یک محیط تجاری هستند، هدف قرار می دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.

coursera تجزیه و تحلیل داده های بزرگ با SQL (Mitalearn-327128)

  • 7 hours 7 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Ian Cook
درباره این دوره:

در این دوره، نگاهی عمیق به دستور SQL SELECT و بندهای اصلی آن خواهید داشت. این دوره بر روی موتورهای SQL داده های بزرگ Apache Hive و Apache Impala تمرکز دارد، اما بیشتر اطلاعات برای SQL با RDBM های سنتی نیز قابل استفاده است. مدرس به صراحت به تفاوت های MySQL و PostgreSQL می پردازد. در پایان دوره، شما قادر خواهید بود • کاوش و پیمایش پایگاه های داده و جداول با استفاده از ابزارهای مختلف. • اصول عبارات SELECT را درک کنید. • درک چگونگی و چرایی فیلتر کردن نتایج. کاوش در گروه بندی و تجمیع برای پاسخ به سؤالات تحلیلی. • کار با مرتب سازی و محدود کردن نتایج. و • چند جدول را به روش‌های مختلف ترکیب کنید. برای استفاده از محیط عملی این دوره، باید یک ماشین مجازی و نرم افزاری که روی آن اجرا می شود را دانلود و نصب کنید. قبل از ادامه، مطمئن شوید که به رایانه ای دسترسی دارید که شرایط سخت افزاری و نرم افزاری زیر را برآورده می کند: • سیستم عامل Windows، macOS، یا لینوکس (iPads و تبلت‌های Android کار نمی‌کنند) • سیستم عامل 64 بیتی (سیستم عامل های 32 بیتی کار نمی کنند) • 8 گیگابایت رم یا بیشتر • ۲۵ گیگابایت فضای دیسک رایگان یا بیشتر • پشتیبانی مجازی سازی Intel VT-x یا AMD-V فعال است (در رایانه های مک با پردازنده های اینتل، این همیشه فعال است. در رایانه های ویندوز و لینوکس، ممکن است لازم باشد آن را در بایوس فعال کنید) • فقط برای رایانه‌های Windows XP: باید یک ابزار unzip مانند 7-Zip یا WinZip نصب کرده باشید (ابزار Unzip داخلی Windows XP کار نخواهد کرد)

Suggestions