Course catalog

Course duration

Course provider

Topic

Categories

Showing 201-220 of 536 items.

coursera پردازش داده ها و مهندسی ویژگی ها با متلب (Mitalearn-331276)

  • 3 hours 48 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Michael Reardon,Maria Gavilan-Alfonso,Erin Byrne
درباره این دوره:

در این دوره، مهارت‌های آموخته‌شده در تجزیه و تحلیل داده‌های اکتشافی با متلب را ایجاد می‌کنید تا پایه‌های مورد نیاز برای مدل‌سازی پیش‌بینی‌کننده را ایجاد کنید. این دوره سطح متوسط ​​برای هر کسی که نیاز به ترکیب داده ها از چندین منبع یا زمان دارد و علاقه مند به مدل سازی است مفید است. این مهارت ها برای کسانی که دانش حوزه و مقداری در معرض ابزارهای محاسباتی هستند، اما هیچ پیشینه برنامه نویسی ندارند، ارزشمند است. برای موفقیت در این دوره، باید پیشینه ای در زمینه آمار پایه (هیستوگرام، میانگین، انحراف معیار، برازش منحنی، درونیابی) داشته باشید و تجزیه و تحلیل داده های اکتشافی را با متلب تکمیل کرده باشید. در طول دوره، شما داده ها را از مجموعه داده های مختلف ادغام خواهید کرد و سناریوهای رایج مانند داده های از دست رفته را مدیریت خواهید کرد. در آخرین ماژول دوره، تکنیک های ویژه ای را برای مدیریت داده های متنی، صوتی و تصویری که در علم داده و مدل سازی پیشرفته تر رایج است، بررسی خواهید کرد. در پایان این دوره، شما یاد خواهید گرفت که چگونه داده های خود را تجسم کنید، آنها را تمیز کنید و برای تجزیه و تحلیل مرتب کنید، و کیفیت های لازم برای پاسخ به سوالات خود را شناسایی کنید. شما می‌توانید توزیع داده‌های خود را تجسم کنید و از بازرسی بصری برای رسیدگی به مصنوعاتی که بر مدل‌سازی دقیق تأثیر می‌گذارند، استفاده کنید.

coursera پردازش داده های بدون سرور با Dataflow: توسعه خطوط لوله (Mitalearn-336223)

  • 1 hours 54 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

در این قسمت دوم از سری دوره های Dataflow، ما قصد داریم در توسعه خطوط لوله با استفاده از Beam SDK بیشتر غواصی کنیم. ما با بررسی مفاهیم پرتو آپاچی شروع می کنیم. در مرحله بعد، ما در مورد پردازش داده های جریان با استفاده از پنجره ها، واترمارک ها و تریگرها بحث می کنیم. سپس گزینه‌هایی را برای منابع و سینک‌ها در خطوط لوله، طرح‌واره‌ها برای بیان داده‌های ساختاریافته و نحوه انجام تبدیل‌های حالت با استفاده از APIهای State و Timer پوشش می‌دهیم. ما به بررسی بهترین شیوه‌هایی می‌رویم که به حداکثر رساندن عملکرد خط لوله شما کمک می‌کنند. در پایان دوره، ما SQL و Dataframes را معرفی می کنیم تا منطق کسب و کار شما را در Beam و نحوه توسعه مکرر خطوط لوله با استفاده از نوت بوک های Beam را نشان دهیم.

coursera پردازش داده های بدون سرور با جریان داده: عملیات (Mitalearn-336359)

  • 1 hours 52 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

در آخرین قسمت از سری دوره های Dataflow به معرفی اجزای مدل عملیاتی Dataflow می پردازیم. ما ابزارها و تکنیک های عیب یابی و بهینه سازی عملکرد خط لوله را بررسی خواهیم کرد. سپس بهترین روش‌های آزمایش، استقرار و قابلیت اطمینان را برای خطوط لوله Dataflow بررسی می‌کنیم. ما با بررسی الگوها نتیجه گیری خواهیم کرد، که مقیاس خطوط لوله جریان داده را برای سازمان هایی با صدها کاربر آسان می کند. این درس ها به شما کمک می کند تا مطمئن شوید که پلت فرم داده شما در برابر شرایط پیش بینی نشده پایدار و مقاوم است.

coursera پردازش داده های بدون سرور با جریان داده: مبانی (Mitalearn-331038)

  • 45 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

این دوره قسمت 1 از مجموعه 3 دوره ای در مورد پردازش داده های بدون سرور با جریان داده است. در این دوره اول، ما با تجدید نظر در مورد پرتو آپاچی و ارتباط آن با Dataflow شروع می کنیم. در مرحله بعد، در مورد چشم انداز پرتو آپاچی و مزایای فریم ورک Beam Portability صحبت می کنیم. چارچوب Beam Portability به این چشم‌انداز دست می‌یابد که یک توسعه‌دهنده می‌تواند از زبان برنامه‌نویسی مورد علاقه خود با اجرای مطلوب خود استفاده کند. سپس به شما نشان می‌دهیم که چگونه Dataflow به شما اجازه می‌دهد تا محاسبات و ذخیره‌سازی را در حین صرفه‌جویی در هزینه جدا کنید، و چگونه هویت، دسترسی، و ابزارهای مدیریتی با خطوط لوله Dataflow شما تعامل دارند. در نهایت، ما به نحوه پیاده‌سازی مدل امنیتی مناسب برای استفاده شما در Dataflow نگاه می‌کنیم. پیش نیازها: سری دوره های پردازش داده های بدون سرور با جریان داده مبتنی بر مفاهیمی است که در تخصص مهندسی داده ها پوشش داده شده است. ما دوره های پیش نیاز زیر را توصیه می کنیم: (i) ساخت خطوط لوله داده دسته ای در Google Cloud: اصول اصلی جریان داده را پوشش می دهد (ii) ساختن سیستم‌های تجزیه و تحلیل جریان انعطاف‌پذیر در Google Cloud: مفاهیم اولیه استریم مانند پنجره‌سازی، محرک‌ها و واترمارک‌ها را پوشش می‌دهد. >>> با ثبت نام در این دوره، با شرایط خدمات Qwiklabs که در پرسش های متداول و در آدرس زیر آمده است موافقت می کنید: https://qwiklabs.com/terms_of_service <<<

coursera پردازش زبان طبیعی بالینی (Mitalearn-331429)

  • 57 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laura K. Wiley, PhD
درباره این دوره:

این دوره به شما اصول پردازش زبان طبیعی بالینی (NLP) را می آموزد. در این دوره شما اصول زبانی اساسی زیربنای NLP و همچنین نحوه نوشتن عبارات منظم و مدیریت داده های متنی در R را خواهید آموخت. همچنین تکنیک های عملی برای پردازش متن را یاد خواهید گرفت تا بتوانید اطلاعات را از یادداشت های بالینی استخراج کنید. در نهایت، شما فرصتی خواهید داشت که مهارت های خود را با یک برنامه عملی در دنیای واقعی آزمایش کنید که در آن الگوریتم های پردازش متن را برای شناسایی عوارض دیابت از یادداشت های بالینی ایجاد می کنید. شما این کار را با استفاده از یک محیط محاسباتی آنلاین رایگان برای علم داده که توسط شریک صنعتی Google Cloud میزبانی شده است، تکمیل خواهید کرد.

coursera پردازش زبان طبیعی و تکلیف Capstone (Mitalearn-333367)

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

به پردازش زبان طبیعی و تخصیص Capstone خوش آمدید. در این دوره ما با یک شناخت نحوه استفاده از تکنیک های فنی و تجاری برای ارائه بینش تجاری، هوش رقابتی و احساسات مصرف کننده شروع می کنیم. این دوره با یک تکلیف اصلی پایان می یابد که در آن شما طیف گسترده ای از آنچه در این تخصص پوشش داده شده است را اعمال خواهید کرد.

linkedin پردازش متن با Python Essential Training (Mitalearn-192607)

  • 33 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Kumaran Ponnambalam
درباره این دوره:

در دنیای داده های بزرگ، اطلاعات بیشتر و بیشتری به صورت متنی مصرف و تحلیل می شود. وب‌سایت‌ها، رسانه‌های اجتماعی، ایمیل‌ها و چت‌ها به منابع کلیدی داده‌ها و بینش‌ها تبدیل شده‌اند. اگر با داده ها کار می کنید، درک نحوه برخورد با داده های متنی بدون ساختار ضروری است. در این دوره، مربی Kumaran Ponnambalam به شما کمک می کند تا مجموعه مهارت های متن کاوی خود را بسازید و تکنیک های کلیدی استخراج، پاکسازی و پردازش متن در پایتون را پوشش دهد. کوماران مفاهیم کلیدی پردازش متن مانند رمزگذاری و ریشه‌یابی را بررسی می‌کند. او همچنین به تکنیک هایی برای تبدیل متن به فرم آماده تجزیه و تحلیل، از جمله n-gram و TF-IDF نگاه می کند. در طول مسیر، او نمونه هایی از این تکنیک ها را با استفاده از پایتون و کتابخانه NLTK ارائه می کند.

coursera پردازش و تجسم داده های پایه (Mitalearn-331242)

  • 3 hours 1 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Julian McAuley,Ilkay Altintas
درباره این دوره:

این اولین دوره آموزشی چهار دوره تخصصی Python Data Products for Predictive Analytics است که اصول اولیه خواندن و دستکاری مجموعه داده ها را در پایتون معرفی می کند. در این دوره شما یاد می گیرید که محصول داده چیست و از چندین کتابخانه پایتون برای انجام بازیابی، پردازش و تجسم داده ها عبور می کنید. این دوره شما را با رشته علم داده آشنا می کند و شما را برای سه دوره بعدی در تخصص: طراحی تفکر و تجزیه و تحلیل پیش بینی برای محصولات داده، مدل سازی پیش بینی معنادار، و استقرار مدل های یادگیری ماشین آماده می کند. در هر مرحله از تخصص، شما تجربه عملی در دستکاری داده ها و ایجاد مهارت های خود را به دست خواهید آورد، و در نهایت به پروژه ای که شامل تمام مفاهیم آموزش داده شده در تخصص می شود، ختم می شود.

coursera پردازش و دستکاری داده ها (Mitalearn-334251)

  • 1 hours 32 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Di Wu
درباره این دوره:

دوره "پردازش و دستکاری داده ها" درک جامعی از مفاهیم و ابزارهای مختلف پردازش و دستکاری داده ها را در اختیار دانشجویان قرار می دهد. شرکت‌کنندگان یاد می‌گیرند که چگونه مقادیر از دست رفته را مدیریت کنند، نقاط پرت را شناسایی کنند، نمونه‌برداری و کاهش ابعاد را انجام دهند، تکنیک‌های مقیاس‌بندی و گسسته‌سازی را اعمال کنند، و عملیات‌های مکعب داده و جدول محوری را کاوش کنند. این دوره دانش آموزان را با مهارت های ضروری برای آماده سازی کارآمد و تبدیل داده ها برای تجزیه و تحلیل و تصمیم گیری مجهز می کند. اهداف آموزشی: 1. درک اهمیت پردازش و دستکاری داده ها در خط لوله تجزیه و تحلیل داده ها. 2. تکنیک های مدیریت مقادیر از دست رفته در مجموعه داده ها، از جمله راهبردهای انتساب و حذف را بیاموزید. 3. شناسایی و شناسایی موارد پرت برای ارزیابی تأثیر آنها بر تجزیه و تحلیل داده ها و تصمیم گیری. 4. روش های نمونه برداری و تکنیک های کاهش ابعاد را برای مجموعه داده های بزرگ و داده های با ابعاد بالا کاوش کنید. 5. از تکنیک های مقیاس بندی داده ها برای عادی سازی و استانداردسازی متغیرها برای مقایسه های معنادار استفاده کنید. 6. از گسسته سازی برای تبدیل داده های پیوسته به نمایش های طبقه بندی شده استفاده کنید و تجزیه و تحلیل را ساده کنید. 7. درک مفهوم مکعب داده و انجام تجمیع چند بعدی برای تجزیه و تحلیل اکتشافی. 8. جداول محوری برای خلاصه کردن و شکل دادن به داده ها ایجاد کنید و بینش های ارزشمندی را از مجموعه داده های پیچیده به دست آورید. در طول دوره، دانش‌آموزان فعالانه در تمرین‌ها و پروژه‌های عملی شرکت می‌کنند و به آن‌ها اجازه می‌دهد تا تکنیک‌های پردازش و دستکاری داده‌ها را در مجموعه داده‌های دنیای واقعی اعمال کنند. در پایان دوره، شرکت کنندگان به خوبی مجهز خواهند شد تا به طور موثر داده ها را برای کارهای تجزیه و تحلیل بعدی و تصمیم گیری مبتنی بر داده آماده کنند، تمیز کنند و تبدیل کنند.

coursera پروژه Capstone تحلیلگر داده IBM (Mitalearn-330137)

  • 11 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Rav Ahuja,Ramesh Sannareddy
درباره این دوره:

با تکمیل این پروژه نهایی، مهارت ها و تکنیک های تجزیه و تحلیل داده های مختلفی را که به عنوان بخشی از دوره های قبلی در گواهینامه حرفه ای تحلیلگر داده IBM آموخته اید، به کار خواهید گرفت. شما نقش یک تحلیلگر داده‌های مرتبط را که اخیراً به سازمان پیوسته است را بر عهده خواهید گرفت و با یک چالش تجاری مواجه می‌شوید که نیاز به تجزیه و تحلیل داده‌ها دارد تا بر روی مجموعه داده‌های دنیای واقعی انجام شود. شما وظایف مختلفی را که تحلیلگران حرفه ای داده به عنوان بخشی از وظایف خود انجام می دهند، انجام خواهید داد، از جمله: - جمع آوری داده ها از منابع متعدد - جدال داده ها و آماده سازی داده ها - تجزیه و تحلیل داده های اکتشافی - تجزیه و تحلیل آماری و داده کاوی - تجسم داده ها با نمودارها و نمودارهای مختلف و - ایجاد داشبورد تعاملی پروژه با ارائه گزارش تجزیه و تحلیل داده های شما برای سهامداران مختلف در سازمان به اوج خود می رسد. این گزارش شامل یک خلاصه اجرایی، تجزیه و تحلیل شما و یک نتیجه خواهد بود. شما هم از نظر کارتان برای مراحل مختلف فرآیند تجزیه و تحلیل داده ها و هم برای تحویل نهایی ارزیابی خواهید شد. به عنوان بخشی از این پروژه، مهارت خود را در استفاده از نوت‌بوک‌های Jupyter، SQL، پایگاه‌های داده رابطه‌ای (RDBMS)، ابزارهای هوش تجاری (BI) مانند Cognos، و کتابخانه‌های پایتون مانند Pandas، Numpy، Scikit-learn، Scipy، Matplotlib، Seaborn نشان خواهید داد. و دیگران این پروژه افزودنی عالی به مجموعه شما و فرصتی برای به نمایش گذاشتن مهارت های تجزیه و تحلیل داده های خود به کارفرمایان احتمالی است.

coursera پروژه Capstone علوم اجتماعی محاسباتی (Mitalearn-333894)

  • 1 hours 58 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Martin Hilbert
درباره این دوره:

تبریک میگم شما نه تنها موفق شدید که گشت و گذار فکری ما را به پایان برسانید، بلکه در حال حاضر، تمام مهارت های لازم برای اجرای یک گردش کار چند روشی جامع علوم اجتماعی محاسباتی را نیز دارید. ما این مهارت‌ها را در این آزمایشگاه یکپارچه نهایی، جایی که همه آن‌ها را گرد هم می‌آوریم، به کار خواهیم برد. ما داده‌ها را از یک سایت رسانه‌های اجتماعی جمع‌آوری می‌کنیم (با تکیه بر مهارت‌های به‌دست‌آمده در دوره اول این تخصص). سپس داده‌های جمع‌آوری‌شده را با تجسم شبکه‌های حاصل (بر اساس مهارت‌های به‌دست‌آمده در دوره سوم) تجزیه و تحلیل می‌کنیم. ما برخی از جنبه های کلیدی آن را با استفاده از پردازش زبان طبیعی مبتنی بر یادگیری ماشین (به کار انداختن بینش های به دست آمده در دوره دوم) به طور عمیق تجزیه و تحلیل می کنیم. در نهایت، ما از یک مدل شبیه‌سازی کامپیوتری برای کشف مکانیسم‌های مولد احتمالی استفاده می‌کنیم و جنبه‌هایی را که در واقعیت تجربی خود نیافته‌ایم، اما به ما در بهبود این جنبه از جامعه کمک می‌کنند (با تکیه بر مهارت‌های به‌دست‌آمده در دوره چهارم این تخصص) بررسی می‌کنیم. . نتیجه اولین نگاه اجمالی به روش جدیدی از انجام علوم اجتماعی در عصر دیجیتال است: علوم اجتماعی محاسباتی. تبریک می گویم! با انجام همه این کارها، می توانید خود را یک دانشمند علوم اجتماعی محاسباتی نوپا بدانید!

coursera پروژه پایتون برای علم داده (Mitalearn-332143)

  • 9 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Azim Hirjani,Joseph Santarcangelo
درباره این دوره:

این مینی دوره برای شما در نظر گرفته شده است تا مهارت های پایه پایتون را برای کار با داده ها نشان دهید. این دوره در درجه اول شامل تکمیل پروژه ای است که در آن نقش یک دانشمند داده یا یک تحلیلگر داده را بر عهده می گیرید و مجموعه داده های دنیای واقعی و سناریوی الهام گرفته شده از دنیای واقعی برای شناسایی الگوها و روندها به شما ارائه می شود. شما کارهای خاص علم داده و تجزیه و تحلیل داده مانند استخراج داده ها، خراش دادن وب، تجسم داده ها و ایجاد داشبورد را انجام خواهید داد. این پروژه مهارت شما را با پایتون و استفاده از کتابخانه هایی مانند پانداها و سوپ زیبا در یک نوت بوک Jupyter نشان می دهد. پس از اتمام، یک پروژه چشمگیر برای اضافه کردن به سبد شغلی خود خواهید داشت. پیش نیاز: **دوره پایتون برای علوم داده، هوش مصنوعی و توسعه** از IBM پیش نیاز این دوره پروژه است. لطفاً مطمئن شوید که قبل از گذراندن این دوره، دوره پایتون برای علوم داده، هوش مصنوعی و توسعه از IBM را گذرانده باشید یا مهارتی معادل در کار با پایتون و داده داشته باشید. توجه: این دوره آموزشی برای آموزش پایتون به شما نیست و محتوای آموزشی زیادی ندارد. این برای شما در نظر گرفته شده است که دانش قبلی پایتون را به کار ببرید.

coursera پروژه تحلیل جغرافیایی (Mitalearn-335033)

  • 3 hours 38 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Nick Santos
درباره این دوره:

در این دوره مبتنی بر پروژه، شما یک تجزیه و تحلیل کامل مبتنی بر GIS را طراحی و اجرا خواهید کرد - از شناسایی یک مفهوم، سوال یا موضوعی که می خواهید توسعه دهید، تا محصولات داده نهایی و نقشه هایی که می توانید به مجموعه خود اضافه کنید. پروژه تکمیل شده شما تسلط شما را بر محتوا در تخصص GIS نشان می دهد و به چهار مرحله تقسیم می شود: نقطه عطف 1: پیشنهاد پروژه - پروژه خود را به صورت انتزاعی مفهوم و طراحی کنید و یک پیشنهاد کوتاه بنویسید که شامل توضیحات پروژه، داده های مورد انتظار است. نیازها، جدول زمانی و نحوه تکمیل آن. Milestone 2: Workflow Design - گردش کار تجزیه و تحلیل پروژه خود را توسعه دهید، که معمولاً شامل ایجاد حداقل یک الگوریتم اصلی برای پردازش داده های شما می شود. این مدل نباید پیچیده یا پیچیده باشد، اما باید به شما امکان تجزیه و تحلیل داده‌های مکانی را برای خروجی جدید یا ایجاد یک نقشه تحلیلی جدید از نوع خاصی بدهد. نقطه عطف 3: تجزیه و تحلیل داده ها - داده ها را به دست آورید و از قبل پردازش کنید، آنها را از طریق مدل ها یا سایر گردش های کاری خود اجرا کنید تا محصولات داده های خام خود را بدست آورید، و شروع به ایجاد محصولات نقشه نهایی و/یا تجزیه و تحلیل کنید. نقطه عطف 4: ایجاد نقشه وب و چاپ - پروژه خود را با ارسال نقشه های قابل استفاده و جذاب و داده ها و الگوریتم خود برای بررسی و بازخورد همتایان تکمیل کنید.

coursera پروژه جمع آوری داده های نظرسنجی و تجزیه و تحلیل (Capstone) (Mitalearn-344706)

  • مناسب همه
  • Release date: 27 June 2026
  • Author: Frauke Kreuter, Ph.D.
درباره این دوره:

پروژه Capstone به فراگیران واجد شرایط این فرصت را می دهد تا دانش خود را با تجزیه و تحلیل و مقایسه منابع داده های متعدد در یک موضوع به کار گیرند. دانش آموزان یک سوال تحقیقاتی ایجاد می کنند، به داده های مربوطه دسترسی پیدا کرده و تجزیه و تحلیل می کنند و کیفیت هر منبع داده را به طور انتقادی بررسی می کنند. در تکمیل این سنگ بنا، دانش‌آموزان توانایی تحلیل عملی داده‌ها را نشان می‌دهند، کیفیت منابع داده‌های مختلف را با استفاده از رویکرد خطای نظرسنجی کل ارزیابی می‌کنند، که شامل حداقل برخی از موارد زیر است: مقایسه نمونه‌های غیراحتمالی وزنی با داده‌های جمع‌آوری‌شده از نمونه‌های احتمال، استفاده از تکنیک‌های نمونه‌گیری برای تصحیح خطاهای پوشش، و ردیابی و ارزیابی سهولت استفاده از پرسشنامه آنلاینی که پیاده‌سازی می‌کنید.

coursera پروژه داده کاوی (Mitalearn-333826)

  • 5 hours 20 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Qin (Christine) Lv
درباره این دوره:

پروژه داده کاوی راهنمایی گام به گام و تجربه عملی طراحی و اجرای یک پروژه داده کاوی در دنیای واقعی، از جمله فرمول بندی مسئله، بررسی ادبیات، کار پیشنهادی، ارزیابی، بحث و کار آینده را ارائه می دهد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder تصویر نشان‌واره دوره توسط Mariana Proença، در اینجا در Unsplash موجود است: https://unsplash.com/photos/_WgnXndHmQ4

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.

Suggestions