Course catalog

Course duration

Course provider

Topic

Categories

Showing 201-220 of 507 items.

coursera پروژه داده کاوی [coursera] (Mitalearn-334778)

  • 13 minutes
  • مناسب همه
  • Release date: 27 June 2026
  • Author: Jiawei Han,ChengXiang Zhai,John C. Hart
درباره این دوره:

توجه: قبل از شروع این دوره باید تمام دوره های دیگر این تخصص را تکمیل کنید. این دوره شش هفته ای پروژه تخصصی داده کاوی به شما این امکان را می دهد که الگوریتم ها و تکنیک های آموخته شده برای داده کاوی را از دوره های قبلی در تخصص، از جمله کشف الگو، خوشه بندی، بازیابی متن، متن کاوی و تجسم، برای حل استفاده کنید. چالش های جالب داده کاوی در دنیای واقعی به طور خاص، شما روی مجموعه داده‌های مرور رستوران از Yelp کار خواهید کرد و از تمام دانش و مهارت‌هایی که از دوره‌های قبلی آموخته‌اید برای استخراج این مجموعه داده‌ها برای کشف دانش جالب و مفید استفاده خواهید کرد. طراحی پروژه بر این موارد تاکید دارد: 1) شبیه سازی گردش کار یک داده کاوی در یک محیط کار واقعی. 2) ادغام تکنیک های مختلف استخراج تحت پوشش در چندین دوره فردی؛ 3) آزمایش راه های مختلف برای حل یک مشکل برای عمیق تر کردن درک خود از تکنیک ها. و 4) به شما این امکان را می دهد که ایده های خود را به طور خلاقانه پیشنهاد و بررسی کنید. هدف این پروژه تجزیه و تحلیل و استخراج مجموعه بزرگی از داده‌های مرور Yelp برای کشف دانش مفید برای کمک به مردم در تصمیم‌گیری در مورد غذا خوردن است. این پروژه شامل خروجی های زیر خواهد بود: 1. تجسم نظر: محتوای بررسی را کاوش و تجسم کنید تا بفهمید افراد در آن نظرات چه گفته اند. 2. ساخت نقشه آشپزی: مجموعه داده ها را برای درک چشم انداز انواع مختلف غذاها و شباهت های آنها استخراج کنید. 3. کشف غذاهای محبوب برای یک آشپزی: مجموعه داده ها را استخراج کنید تا غذاهای رایج/محبوب یک غذای خاص را کشف کنید. 4. توصیه رستوران‌ها برای کمک به مردم در تصمیم‌گیری برای غذا خوردن: مجموعه داده‌ها را استخراج کنید تا رستوران‌ها را برای یک غذای خاص رتبه‌بندی کنید و وضعیت بهداشتی یک رستوران را پیش‌بینی کنید. از دیدگاه کاربران، یک نقشه آشپزی می تواند به آنها کمک کند تا بفهمند چه غذاهایی وجود دارد و تصویر بزرگ انواع غذاها و روابط آنها را ببینند. هنگامی که آنها تصمیم می گیرند چه غذاهایی را امتحان کنند، علاقه مند می شوند که بدانند غذاهای محبوب آن آشپزی چیست و تصمیم بگیرند که چه غذاهایی داشته باشند. در نهایت، آنها باید یک رستوران را انتخاب کنند. بنابراین، توصیه رستوران ها بر اساس یک غذای خاص مفید خواهد بود. علاوه بر این، پیش بینی وضعیت بهداشتی یک رستوران نیز مفید خواهد بود. با کار بر روی این وظایف، تجربه ای با یک گردش کار معمولی در داده کاوی به دست خواهید آورد که شامل پیش پردازش داده ها، کاوش داده ها، تجزیه و تحلیل داده ها، بهبود روش های تجزیه و تحلیل و ارائه نتایج است. شما این فرصت را خواهید داشت که چندین الگوریتم از دوره های مختلف را برای تکمیل یک کار معدنی نسبتاً پیچیده ترکیب کنید و با روش های مختلف برای حل یک مسئله آزمایش کنید تا بهترین راه حل آن را درک کنید. ما روش‌های خاصی را پیشنهاد می‌کنیم، اما شما بسیار تشویق می‌شوید که ایده‌های خود را کشف کنید، زیرا اکتشاف باز، با طراحی، هدف پروژه است. شما ملزم به ارائه گزارش مختصری برای هر یک از وظایف برای درجه بندی همتا هستید. گزارش تلفیقی نهایی نیز مورد نیاز است که به صورت همتا رتبه بندی می شود.

coursera پروژه علم داده: متلب برای دنیای واقعی (Mitalearn-333605)

  • 30 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Michael Reardon,Maria Gavilan-Alfonso,Erin Byrne
درباره این دوره:

مانند بسیاری از موضوعات، تمرین در علم داده کامل می شود. در پروژه Capstone، مهارت‌های آموخته‌شده در دوره‌های علوم داده‌های عملی با تخصص MATLAB را برای کاوش، پردازش، تجزیه و تحلیل و مدل‌سازی داده‌ها به کار خواهید برد. شما مسیر خود را برای پاسخ به سوالات کلیدی با داده های ارائه شده انتخاب خواهید کرد. برای تکمیل پروژه، باید بر مهارت های تحت پوشش در سایر دوره های تخصصی تسلط داشته باشید. این پروژه توانایی شما را برای وارد کردن و کاوش داده های شما، آماده سازی داده ها برای تجزیه و تحلیل، آموزش یک مدل پیش بینی، ارزیابی و بهبود مدل شما، و ارتباط نتایج شما را آزمایش می کند.

coursera پشتیبانی از پایگاه داده رابطه ای برای انبارهای داده (Mitalearn-335084)

  • 4 hours 27 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Michael Mannino
درباره این دوره:

پشتیبانی از پایگاه داده رابطه ای برای انبارهای داده، سومین دوره تخصصی در زمینه ذخیره سازی داده برای هوش تجاری است. در این دوره از عناصر تحلیلی SQL برای پاسخ به سوالات هوش تجاری استفاده خواهید کرد. شما ویژگی های سیستم های مدیریت پایگاه داده رابطه ای را برای مدیریت داده های خلاصه که معمولاً در گزارشگری هوش تجاری استفاده می شود، یاد خواهید گرفت. به دلیل اهمیت و دشواری مدیریت پیاده‌سازی انبارهای داده، ما همچنین به معماری‌های ذخیره‌سازی، پردازش موازی مقیاس‌پذیر، حاکمیت داده‌ها و تأثیرات کلان داده خواهیم پرداخت. در تکالیف این دوره می توانید از Oracle یا PostgreSQL استفاده کنید.

coursera پکیج های R ساختمان (Mitalearn-334047)

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

نوشتن کد خوب برای علم داده تنها بخشی از کار است. به منظور به حداکثر رساندن سودمندی و قابلیت استفاده مجدد از نرم افزار علم داده، کد باید به گونه ای سازماندهی و توزیع شود که مطابق با استانداردهای جامعه محور باشد و تجربه کاربری خوبی را ارائه دهد. این دوره ابزارهای اولیه ای را که به وسیله آنها نرم افزار R سازماندهی و به دیگران توزیع می شود را پوشش می دهد. ما توسعه بسته‌های R، نوشتن اسناد و نگاره‌های خوب، نوشتن نرم‌افزار قوی، توسعه بین پلتفرم‌ها، ابزارهای یکپارچه‌سازی مداوم، و توزیع بسته‌ها از طریق CRAN و GitHub را پوشش می‌دهیم. فراگیران بسته های R را تولید می کنند که معیارهای ارسال به CRAN را برآورده می کند.

coursera پلتفرم Hadoop و چارچوب برنامه (Mitalearn-334982)

  • 4 hours 38 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Natasha Balac, Ph.D.,Paul Rodriguez,Andrea Zonca
درباره این دوره:

این دوره برای برنامه نویسان تازه کار یا افراد تجاری است که می خواهند ابزارهای اصلی مورد استفاده برای بحث و تحلیل داده های بزرگ را درک کنند. بدون هیچ تجربه قبلی، این فرصت را خواهید داشت که نمونه های عملی را با چارچوب های Hadoop و Spark که دو مورد از رایج ترین آنها در صنعت هستند، مرور کنید. با توضیح اجزای خاص و فرآیندهای اساسی معماری Hadoop، پشته نرم افزار و محیط اجرا راحت خواهید بود. در تکالیف به شما راهنمایی می‌شود که چگونه دانشمندان داده مفاهیم و تکنیک‌های مهمی مانند Map-Reduce را که برای حل مشکلات اساسی در داده‌های بزرگ استفاده می‌شوند، به کار می‌برند. برای گفتگو در مورد کلان داده ها و فرآیند تجزیه و تحلیل داده ها احساس قدرت خواهید کرد.

coursera پیاده سازی و کاربردهای پایگاه داده رابطه ای (Mitalearn-331871)

  • 9 hours 2 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Gerald Balekaki,Yousef Elmehdwi
درباره این دوره:

در دنیای داده محور امروزی، توانایی کار با پایگاه داده های رابطه ای یک مهارت ضروری برای متخصصان در زمینه های مختلف است. این دوره آموزشی برای تجهیز شما به دانش و مهارت های عملی مورد نیاز برای مهارت در مدیریت پایگاه داده و توسعه اپلیکیشن طراحی شده است. چه به عنوان مدیر پایگاه داده، توسعه‌دهنده نرم‌افزار، یا تحلیلگر داده‌ها شغلی را دنبال کنید، این دوره پایه‌ای قوی برای برتری در زمینه انتخابی شما فراهم می‌کند. در پایان این دوره، دانشجویان قادر خواهند بود: • پایگاه داده های رابطه ای و اجزای اصلی آنها شامل جداول، ردیف ها، ستون ها و کلیدها را شرح دهید. • پیاده سازی پایگاه داده رابطه ای و استفاده از ایندکس ها، نماها، محرک ها، جداول موقت، توابع و رویه های ذخیره شده. • نقش آنها را در اجرای منطق تجاری و یکپارچگی داده ها در محیط پایگاه داده توضیح دهید. • استفاده از طراحی پایگاه داده و دانش SQL برای توسعه برنامه های کاربردی در دنیای واقعی. • برنامه های کاربردی مبتنی بر پایگاه داده را با استفاده از زبان های برنامه نویسی، مانند جاوا، پایتون یا C/C++ و فریم ورک ها توسعه دهید. • مفاهیم نمایه سازی و هش در پشتیبانی کارآمد برای عملیات جستجو را شرح دهید. • مفاهیم معاملات و خصوصیات آنها (ACID: Atomicity, Consistency, Isolation, Durability) را شرح دهید. • کنترل همزمانی را تعریف کنید و تاثیر تراکنش های همزمان کنترل نشده را بر یکپارچگی داده ها درک کنید. نرم افزار مورد نیاز: ویرایشگر VS Code، MySQL Workbench، PostgreSQL برای موفقیت در این دوره، فراگیران باید درک کاملی از طراحی پایگاه داده رابطه ای داشته باشند. اگر هنوز بر این مهارت ها مسلط نشده اید، اکیداً توصیه می کنیم مقدمه ای بر پایگاه های داده رابطه ای و طراحی پایگاه داده رابطه ای را از قبل تکمیل کنید. این دوره های پایه برای تجهیز شما به دانش ضروری لازم برای برتری در این مطالب طراحی شده اند.

linkedin پیتون پیشرفته در اکسل: تجزیه و تحلیل داده ها و تجسم (Mitalearn-409578)

  • 46 minutes
  • مناسب همه
  • Release date: 8 August 2024
  • Author: Sarah Om
درباره این دوره: 

 در این دوره ، یاد بگیرید که چگونه از پایتون استفاده کنید تا فراتر از ویژگی های محدود اکسل برای انجام تجزیه و تحلیل داده های پیچیده و تجسم باشد. مربی سارا OM توضیح می دهد که چگونه ادغام های پایتون با اکسل ابعاد جدیدی از قابلیت ها را به ارمغان می آورد و امکان دستکاری پیشرفته تر داده ها ، اتوماسیون و تجسم را از گذشته فراهم می کند. سارا به شما نشان می دهد که چگونه می توانید از کتابخانه های قدرتمند پایتون برای تجزیه و تحلیل داده ها استفاده کنید تا داده های خام را به بینش های معنی دار و تجسم های خیره کننده تبدیل کنید - درست از محیط آشنا اکسل.

coursera پیدا کردن و آماده شدن برای شغل مناسب (Mitalearn-329933)

  • مبتدی
  • Release date: 27 June 2026
  • Author: Camille Funk
درباره این دوره:

پیدا کردن و آماده شدن برای شغل مناسب در زمینه DS/AI می تواند مشکل باشد. در این دوره، بررسی خواهیم کرد که چگونه بازار کار توصیفات بسیار متفاوتی برای یک عنوان شغلی دارد، چگونه می توان تشخیص داد که یک شرکت واقعاً به دنبال چه چیزی است، و چگونه می توان بازار کار "پنهان" را جستجو کرد. همچنین به بررسی اجمالی حوزه‌های مهارتی می‌پردازیم که کارشناسان توصیه می‌کنند قبل از درخواست شغل در این زمینه، نحوه تنظیم رزومه خود را طوری تنظیم کنید که چشم یک مدیر استخدام DS/AI را جلب کند، و چگونه یک نمونه کار درخشان ایجاد کنید. در نهایت، در مورد اهمیت بازاریابی خود و نکات و ترفندهایی در مورد چگونگی انجام آن به خوبی صحبت خواهیم کرد. در پایان این دوره، دانشجویان قادر خواهند بود: • شرح شغل را با عناوین یکسان برای تشخیص مجموعه مهارت های مختلف مورد نیاز رمزگشایی کنید. • زمینه های مهارتی اصلی را به یاد بیاورید که کارشناسان توصیه می کنند در آماده سازی برای برنامه های کاربردی DS/AI و مصاحبه ها، بازبینی و شناسایی مهارت هایی که باید تجدید شوند. • با به کارگیری نکاتی خاص در این زمینه، نمونه کارها و رزومه خود را برجسته کنید. • نحوه بازاریابی خود را بشناسید و چگونه نمایشگاه های شغلی، ارتباط با استخدام کنندگان و شبکه سازی می تواند کمک کند. • توضیح دهید که چه نوع شبکه ای در این زمینه سودمند است.

linkedin پیش بینی مالی با داده های بزرگ (Mitalearn-110939)

  • 1 hours 21 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Michael McDonald
درباره این دوره:

کلان داده ها دنیای تجارت را متحول می کنند. با این حال، بسیاری از مردم نمی‌دانند کلان داده و هوش تجاری چیست، یا نمی‌دانند چگونه این تکنیک‌ها را در مشاغل روزمره خود به کار ببرند. این دوره به این شکاف دانش می پردازد و روش های عملی را به افراد تجاری ارائه می دهد تا با استفاده از داده های بزرگ، پیش بینی های تجاری سریع و مرتبط ایجاد کنند.\r\n\r\n تنها چیزی که نیاز دارید مایکروسافت اکسل است. مایکل از فرمول ها، توابع و محاسبات داخلی برای انجام تحلیل رگرسیون، محاسبه فواصل اطمینان و تست استرس نتایج شما استفاده می کند. شما از دوره دور می شوید و می توانید فوراً شروع به ایجاد پیش بینی برای نیازهای تجاری خود کنید.

linkedin تبدیل داده ها به استراتژی ها (Mitalearn-438019)

  • 51 minutes
  • مناسب همه
  • Release date: 9 July 2024
  • Author: Rebeca Pop,Madecraft
درباره این دوره: 

 

ایجاد پلی بین داده و تصمیم گیری ، هم به داده ها و هم به مهارت های شغلی نیاز دارد. از یک طرف ، شما نیاز به درک عمیقی از کیفیت داده ها و در دسترس بودن داده ها و همچنین دانش تجزیه و تحلیل بصری دارید. از طرف دیگر ، شما باید اهداف اصلی کسب و کار خود را در کنار نیازهای مهم مخاطبان خود درک کنید. در این دوره ، مربی جانباز Rebeca Pop فرایندی را برای کمک به شما در طراحی استراتژی های تجاری مؤثرتر که ریشه در بینش های داده محور دارد ، به اشتراک می گذارد. ربکا با بحث در مورد اهداف تجاری شروع می شود. او سپس نحوه ارزیابی داده ها و مخاطبان خود را طی می کند. در طول راه ، یاد بگیرید که چگونه می توانید از تجزیه و تحلیل های بصری استفاده کنید تا بینش خود را به صورت حرفه ای و قانع کننده ارائه دهید. پس از اتمام این دوره ، شما برای تصمیم گیری های آگاهانه برای رشد تجارت مجهز خواهید بود.

این دوره توسط madecraft ایجاد شده است. ما خوشحالیم که این آموزش را در کتابخانه خود میزبانی می کنیم.

html>

coursera تجزیه و تحلیل آماری استنباطی با پایتون (Mitalearn-332721)

  • 5 hours 4 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Brenda Gunderson,Brady T. West,Kerby Shedden
درباره این دوره:

در این دوره، ما اصول اولیه استفاده از داده ها برای تخمین و ارزیابی نظریه ها را بررسی خواهیم کرد. ما هم داده های طبقه بندی شده و هم داده های کمی را تجزیه و تحلیل خواهیم کرد، از تکنیک های یک جمعیت شروع می کنیم و برای مقایسه دو جمعیت گسترش می دهیم. ما یاد خواهیم گرفت که چگونه فواصل اطمینان ایجاد کنیم. ما همچنین از داده های نمونه برای ارزیابی اینکه آیا یک نظریه در مورد مقدار یک پارامتر با داده ها مطابقت دارد یا خیر استفاده خواهیم کرد. تمرکز اصلی بر تفسیر مناسب نتایج استنباطی خواهد بود. در پایان هر هفته، فراگیران آموخته های خود را با استفاده از پایتون در محیط دوره به کار می گیرند. در طول این جلسات مبتنی بر آزمایشگاه، فراگیران از طریق آموزش هایی با تمرکز بر مطالعات موردی خاص برای کمک به تقویت مفاهیم آماری هفته، که شامل غواصی عمیق بیشتر در کتابخانه های پایتون از جمله Statsmodels، Pandas و Seaborn است، کار خواهند کرد. این دوره از محیط نوت بوک Jupyter در Coursera استفاده می کند.

coursera تجزیه و تحلیل بازاریابی دیجیتال در تئوری (Mitalearn-288980)

  • 2 hours 53 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Kevin Hartman
درباره این دوره:

امروزه بازاریابی موفقیت آمیز برندها مستلزم ترکیبی متعادل از هنر و علم است. این دوره دانش‌آموزان را با علم تجزیه و تحلیل وب آشنا می‌کند و در عین حال نگاهی دقیق به استفاده هنرمندانه از اعداد موجود در فضای دیجیتال دارد. هدف این است که پایه و اساس مورد نیاز برای اعمال تجزیه و تحلیل داده ها در چالش های دنیای واقعی که بازاریابان روزانه با آن مواجه هستند فراهم شود. تجزیه و تحلیل دیجیتال برای حرفه ای های بازاریابی: تجزیه و تحلیل بازاریابی در تئوری اولین دوره از مجموعه دو قسمتی دوره های تکمیلی است و بر اطلاعات پیش زمینه و چارچوب هایی تمرکز دارد که تحلیلگران برای موفقیت در دنیای تجارت دیجیتال امروزی نیاز دارند. این دوره بخشی از مجموعه برنامه های آنلاین کالج تجارت Gies، از جمله iMBA و iMSM است. درباره پذیرش در این برنامه‌ها بیشتر بیاموزید و بررسی کنید که چگونه می‌توان در صورت پذیرش در یک برنامه تحصیلی در https://degrees.giesbusiness.illinois.edu/idegrees/ از کار Coursera شما استفاده کرد.

coursera تجزیه و تحلیل بصری با Tableau (Mitalearn-328658)

  • 1 hours 53 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Suk S. Brar, M.B.A.
درباره این دوره:

در این دوره سوم از تخصص، ابزارهایی را که Tableau در زمینه‌های نمودار، تاریخ، محاسبات جدول و نقشه‌برداری ارائه می‌دهد، عمیق‌تر خواهیم کرد. ما بر اساس نوع داده ای که استفاده می کنید، بهترین انتخاب ها را برای نمودارها بررسی می کنیم. ما به انواع خاصی از نمودارها از جمله نمودارهای پراکنده، نمودارهای گانت، هیستوگرام ها، نمودارهای گلوله ای و چندین نمودار دیگر نگاه خواهیم کرد و به دستورالعمل های نمودار اشاره خواهیم کرد. ما تاریخ‌های گسسته و پیوسته را تعریف می‌کنیم و بررسی می‌کنیم که چه زمانی از هر کدام برای توضیح داده‌های شما استفاده کنیم. نحوه ایجاد محاسبات جدول سفارشی و سریع و نحوه ایجاد پارامترها را یاد خواهید گرفت. ما همچنین نقشه‌برداری را معرفی می‌کنیم و چگونگی استفاده از Tableau از انواع مختلف داده‌های جغرافیایی، نحوه اتصال به چندین منبع داده و نحوه ایجاد نقشه‌های سفارشی را بررسی خواهیم کرد.

coursera تجزیه و تحلیل پیش بینی عملی: مدل ها و روش ها [coursera] (Mitalearn-335662)

  • 4 hours 53 minutes
  • مناسب همه
  • Release date: 27 June 2026
  • Author: Bill Howe
درباره این دوره:

طراحی آزمایش آماری و تجزیه و تحلیل در قلب علم داده است. در این دوره به طراحی آزمایش های آماری و تجزیه و تحلیل نتایج با استفاده از روش های مدرن می پردازید. همچنین مشکلات رایج در تفسیر استدلال های آماری، به ویژه آنهایی که با کلان داده مرتبط هستند را بررسی خواهید کرد. در مجموع، این دوره به شما کمک می کند مجموعه ای اصلی از روش ها و مفاهیم یادگیری ماشینی کاربردی و موثر را درونی کنید و آنها را برای حل برخی از مشکلات دنیای واقعی به کار ببرید. اهداف آموزشی: پس از اتمام این دوره، شما قادر خواهید بود: 1. طراحی آزمایش های موثر و تجزیه و تحلیل نتایج 2. از روش‌های نمونه‌گیری مجدد برای ایجاد استدلال‌های آماری واضح و ضد گلوله بدون استناد به نمادهای باطنی استفاده کنید. 3. یک مجموعه اصلی از روش‌های طبقه‌بندی افزایش پیچیدگی (قوانین، درختان، جنگل‌های تصادفی)، و روش‌های بهینه‌سازی مرتبط (نزول گرادیان و انواع) را توضیح داده و اعمال کنید. 4. مجموعه ای از مفاهیم و روش های یادگیری بدون نظارت را توضیح دهید و به کار ببرید 5. اصطلاحات رایج تجزیه و تحلیل گراف در مقیاس بزرگ، از جمله پرس و جو ساختاری، پیمایش و پرس و جوهای بازگشتی، رتبه صفحه، و تشخیص جامعه را شرح دهید.

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 جغرافیایی با ArcGIS (Mitalearn-332687)

  • 4 hours 54 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Eric Howard
درباره این دوره:

دانش GIS خود را در این دوره در مورد تجزیه و تحلیل جغرافیایی، تمرکز بر ابزارهای تجزیه و تحلیل، داده های سه بعدی، کار با رسترها، پیش بینی ها و متغیرهای محیطی به کار ببرید. در طول هر چهار هفته این دوره، ما در یک پروژه با هم کار خواهیم کرد - چیزی منحصر به فرد در این دوره - از ایده پروژه، از طریق بازیابی داده ها، مدیریت و پردازش داده های اولیه، و در نهایت به محصولات تجزیه و تحلیل ما. در این کلاس شما اصول تحلیل جغرافیایی و محیطی را طی چهار ماژول یک هفته ای یاد خواهید گرفت: هفته 1: نحوه نمایش داده های مکانی و تجزیه و تحلیل روابط مکانی با استفاده از ArcGIS Pro هفته 2: انجام تجزیه و تحلیل مبتنی بر شبکه هفته 3: نمایش نقشه های حرارتی و تجزیه و تحلیل هات اسپات در ArcGIS Pro هفته چهارم: دانش خود را در مورد داستان سرایی داده ها گسترش دهید. بیاموزید که چگونه داده های خود را به صورت بصری نمایش دهید و نقشه های خود را در ArcGIS Online به اشتراک بگذارید. تجزیه و تحلیل جغرافیایی با ArcGIS را به عنوان یک دوره مستقل یا به عنوان بخشی از تخصص سیستم های اطلاعات جغرافیایی (GIS) بخوانید. شما باید قبل از گذراندن این دوره، تجربه ای معادل با گذراندن دوره های اول و دوم در این رشته، «مبانی GIS» و «فرمت ها، طراحی و کیفیت داده های GIS» داشته باشید. با تکمیل این کلاس سوم در تخصص، مهارت های مورد نیاز برای موفقیت در برنامه کامل را به دست خواهید آورد.

coursera تجزیه و تحلیل خوشه ای در داده کاوی (Mitalearn-334761)

  • 4 hours 20 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jiawei Han
درباره این دوره:

مفاهیم اساسی تجزیه و تحلیل خوشه را کشف کنید و سپس مجموعه ای از متدولوژی ها، الگوریتم ها و کاربردهای خوشه بندی معمولی را مطالعه کنید. این شامل روش های پارتیشن بندی مانند k-means، روش های سلسله مراتبی مانند BIRCH و روش های مبتنی بر چگالی مانند DBSCAN/OPTICS است. علاوه بر این، روش‌هایی برای اعتبارسنجی خوشه‌بندی و ارزیابی کیفیت خوشه‌بندی را بیاموزید. در نهایت نمونه هایی از تحلیل خوشه ای در برنامه ها را ببینید.

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.

Suggestions