Course catalog

Course duration

Course provider

Topic

Categories

Showing 221-240 of 600 items.

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 رسانه های اجتماعی (Mitalearn-332874)

  • 3 hours 33 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Chirag Shah
درباره این دوره:

نتایج یادگیرنده: پس از گذراندن این دوره، شما قادر خواهید بود: - از سرویس های مختلف رابط برنامه نویسی برنامه (API) برای جمع آوری داده ها از منابع مختلف رسانه های اجتماعی مانند یوتیوب، توییتر و فلیکر استفاده کنید. - پردازش داده های جمع آوری شده - عمدتاً ساختار یافته - با استفاده از روش هایی شامل همبستگی، رگرسیون و طبقه بندی برای به دست آوردن بینش در مورد منابع و افرادی که آن داده ها را تولید کرده اند. - داده های بدون ساختار - عمدتاً نظرات متنی - را برای احساسات بیان شده در آنها تجزیه و تحلیل کنید. - از ابزارهای مختلف برای جمع آوری، تجزیه و تحلیل و کاوش داده های رسانه های اجتماعی برای اهداف تحقیق و توسعه استفاده کنید. نمونه داستان یادگیرنده: تحلیلگر داده که می خواهد از داده های رسانه های اجتماعی استفاده کند. ایزابلا یک تحلیلگر داده است که به عنوان مشاور برای یک شرکت چند ملیتی کار می کند. او تجربه کار با ابزارهای تحلیل وب و همچنین داده های بازاریابی را دارد. او می‌خواهد اکنون در عرصه رسانه‌های اجتماعی گسترش یابد و سعی کند از حجم وسیعی از داده‌های موجود از طریق کانال‌های مختلف رسانه‌های اجتماعی استفاده کند. به طور خاص، او می خواهد ببیند که مشتریان، شرکا و رقبا چگونه محصولات/خدمات خود را مشاهده می کنند و در مورد آنها صحبت می کنند. او امیدوار است که یک گردش کار جدید از تجزیه و تحلیل داده ایجاد کند که پردازش داده های سنتی با استفاده از وب و ابزارهای بازاریابی و همچنین روش های جدیدتر استفاده از داده های رسانه های اجتماعی را در بر می گیرد. نمونه نقش های شغلی که به این مهارت ها نیاز دارند: - تحلیلگر رسانه های اجتماعی - تحلیلگر وب - تحلیلگر داده - بازاریابی و روابط عمومی پروژه نهایی قابل تحویل / مصنوع: این دوره دارای یک سری تکالیف کوچک یا پروژه های کوچک است که شامل جمع آوری داده ها، تجزیه و تحلیل و ارائه شامل منابع مختلف رسانه های اجتماعی با استفاده از تکنیک های آموخته شده در کلاس است. این دوره توسط دکتر چراغ شاه در زمانی که او عضو هیئت علمی دانشگاه راتگرز بود، ایجاد شد. او در حال حاضر یکی از اعضای هیئت علمی دانشگاه واشنگتن است.

coursera تجزیه و تحلیل رگرسیون: ساده کردن روابط داده های پیچیده (Mitalearn-336019)

  • 3 hours 37 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Google Career Certificates
درباره این دوره:

این پنجمین دوره از هفت دوره در گواهی تجزیه و تحلیل داده های پیشرفته گوگل است. متخصصان داده از تحلیل رگرسیون برای کشف روابط بین متغیرهای مختلف در یک مجموعه داده و شناسایی عوامل کلیدی موثر بر عملکرد کسب و کار استفاده می کنند. در این دوره، مدل سازی روابط متغیر را تمرین خواهید کرد. شما در مورد روش های مختلف مدل سازی داده ها و نحوه استفاده از آنها برای نزدیک شدن به مشکلات تجاری یاد خواهید گرفت. همچنین روش هایی مانند رگرسیون خطی، تحلیل واریانس (ANOVA) و رگرسیون لجستیک را بررسی خواهید کرد. کارمندان Google که در حال حاضر در این زمینه کار می‌کنند، با ارائه فعالیت‌های عملی که وظایف مرتبط را شبیه‌سازی می‌کنند، به اشتراک گذاشتن نمونه‌هایی از کارهای روزانه‌شان، و کمک به شما در تقویت مهارت‌های تجزیه و تحلیل داده‌ها برای آماده شدن برای حرفه‌تان، شما را در این دوره راهنمایی می‌کنند. فراگیرانی که هفت دوره در این برنامه را تکمیل می کنند، مهارت های مورد نیاز برای درخواست برای مشاغل علوم داده و تجزیه و تحلیل داده های پیشرفته را خواهند داشت. این گواهی مستلزم آگاهی قبلی از اصول، مهارت‌ها و ابزارهای تحلیلی پایه است که در گواهی تجزیه و تحلیل داده‌های Google پوشش داده شده است. در پایان این دوره، شما: -کاوش استفاده از مدل های پیش بینی برای توصیف روابط متغیرها، با تاکید بر همبستگی -تعیین کنید که چگونه رگرسیون چندگانه بر روی رگرسیون خطی ساده در هر مرحله از فرآیند مدل سازی ایجاد می شود -تست های ANOVA یک طرفه و دو طرفه را اجرا و تفسیر کنید - ساخت انواع مختلف رگرسیون لجستیک از جمله مدل های رگرسیون خطی دو جمله ای، چند جمله ای، ترتیبی و پواسون

coursera تجزیه و تحلیل سیستم های اندازه گیری (Mitalearn-331735)

  • 4 hours 35 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Wendy Martin
درباره این دوره:

در این دوره، شما یاد خواهید گرفت که سیستم های اندازه گیری را برای ثبات و قابلیت فرآیند تجزیه و تحلیل کنید و اینکه چرا داشتن یک فرآیند اندازه گیری پایدار قبل از انجام هر گونه تحلیل آماری ضروری است. شما سیستم‌های اندازه‌گیری پیوسته را تجزیه و تحلیل می‌کنید و با استفاده از نرم‌افزار R، دقت و صحت را از نظر آماری مشخص می‌کنید. شما تجزیه و تحلیل سیستم های اندازه گیری را برای کنترل آماری بالقوه، کوتاه مدت و بلند مدت و قابلیت انجام خواهید داد. علاوه بر این، شما یاد خواهید گرفت که چگونه یک اندازه گیری گسسته را ارزیابی کنید و تجزیه و تحلیل هایی را برای سازگاری داخلی، تطابق بین ارزیاب ها و تطابق با یک استاندارد انجام دهید. در نهایت، نحوه تصمیم گیری در مورد بهبود فرآیند سیستم های اندازه گیری را یاد خواهید گرفت. این تخصص را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) ارائه شده در پلت فرم Coursera در نظر گرفت. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید.

coursera تجزیه و تحلیل شبکه برای تجزیه و تحلیل بازاریابی (Mitalearn-334064)

  • 1 hours 20 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Chris J. Vargo,Scott Bradley
درباره این دوره:

تجزیه و تحلیل شبکه یک روش قدیمی است که برای درک روابط بین کلمات و بازیگران در شبکه های گسترده تر که در آن وجود دارند استفاده می شود. این دوره تجزیه و تحلیل شبکه را در رابطه با داده های بازاریابی، به ویژه مجموعه داده های متنی و شبکه های اجتماعی پوشش می دهد. زبان‌آموزان مروری مفهومی از تجزیه و تحلیل شبکه را طی می‌کنند و از طریق آموزش‌های آموزشی در پایتون به مجموعه داده‌های دنیای واقعی می‌روند. دوره با یک پروژه بزرگ به پایان می رسد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، گذراند. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید.

coursera تجزیه و تحلیل عملیاتی با Microsoft Azure Synapse Analytics (Mitalearn-333520)

  • 32 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

در این دوره آموزشی، نحوه انجام تجزیه و تحلیل عملیاتی در برابر Azure Cosmos DB با استفاده از ویژگی Azure Synapse Link در Azure Synapse Analytics را خواهید آموخت. خواهید آموخت که چگونه پردازش تراکنش های ترکیبی و تحلیلی می تواند به شما در انجام تجزیه و تحلیل عملیاتی با Azure Synapse Analytics کمک کند. همچنین یاد خواهید گرفت که چگونه Azure Synapse Link را برای تعامل با Azure Cosmos DB پیکربندی و فعال کنید و چگونه می توانید با استفاده از Azure Synapse Link تجزیه و تحلیل را در برابر Azure Cosmos DB انجام دهید. این دوره بخشی از یک تخصص در نظر گرفته شده برای مهندسین داده و توسعه دهندگان است که می خواهند تخصص خود را در طراحی و پیاده سازی راه حل های داده ای که از خدمات داده Microsoft Azure استفاده می کنند برای هر کسی که علاقه مند به آماده شدن برای آزمون DP-203: مهندسی داده در Microsoft Azure (بتا) نشان دهد. ). شما در یک آزمون عملی شرکت خواهید کرد که شامل مهارت های کلیدی می شود که با آزمون گواهینامه اندازه گیری می شوند. این هفتمین دوره از یک برنامه 10 دوره ای است که به شما برای شرکت در آزمون کمک می کند تا بتوانید در طراحی و پیاده سازی راه حل های داده ای که از خدمات داده مایکروسافت آژور استفاده می کنند تخصص داشته باشید. مهندسی داده در آزمون Microsoft Azure فرصتی برای اثبات تخصص دانش در یکپارچه‌سازی، تبدیل و تلفیق داده‌ها از سیستم‌های داده‌های مختلف ساختاریافته و بدون ساختار به ساختارهایی است که برای ساخت راه‌حل‌های تحلیلی که از خدمات داده مایکروسافت آژور استفاده می‌کنند، مناسب هستند. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند. در پایان این تخصص، شما آماده شرکت و ثبت نام در آزمون DP-203: مهندسی داده در Microsoft Azure (بتا) خواهید بود.

coursera تجزیه و تحلیل قوانین انجمن (Mitalearn-331820)

  • 1 hours 15 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Di Wu
درباره این دوره:

دوره "قوانین انجمن و تجزیه و تحلیل نقاط پرت" دانش آموزان را با مفاهیم اساسی روش های یادگیری بدون نظارت، با تمرکز بر قوانین ارتباط و تشخیص نقاط پرت آشنا می کند. شرکت‌کنندگان در الگوریتم‌های مکرر و قوانین تداعی، بینشی در مورد الگوریتم‌های Apriori و استخراج قوانین تداعی مبتنی بر محدودیت به دست خواهند آورد. علاوه بر این، دانش‌آموزان روش‌های تشخیص پرت را با درک عمیقی از موارد پرت متنی بررسی خواهند کرد. از طریق آموزش‌های تعاملی و مطالعات موردی عملی، دانش‌آموزان تجربه عملی را در استفاده از قوانین ارتباط و تکنیک‌های تشخیص نقاط پرت در مجموعه داده‌های متنوع به دست خواهند آورد. اهداف آموزشی دوره: در پایان این دوره، دانشجویان قادر خواهند بود: 1. اصول و اهمیت روش‌های یادگیری بدون نظارت، به‌ویژه قوانین ارتباط و تشخیص موارد دور از دسترس را درک کنید. 2. مفاهیم و کاربردهای الگوهای مکرر و قوانین تداعی را در کشف روابط جالب بین آیتم ها درک کنید. 3. الگوریتم های Apriori را کاوش کنید تا مجموعه آیتم های مکرر را به طور کارآمد استخراج کنید و قوانین ارتباط را ایجاد کنید. 4. معیارهای حمایت، اطمینان، و افزایش را در استخراج قوانین تداعی اجرا و تفسیر کنید. 5. مفهوم استخراج قوانین انجمن مبتنی بر محدودیت و نقش آن در گرفتن الگوهای تداعی خاص را درک کنید. 6. اهمیت تشخیص پرت را در تحلیل داده ها و کاربردهای دنیای واقعی تجزیه و تحلیل کنید. 7. برای شناسایی نقاط داده غیرعادی، از روش‌های مختلف تشخیص پرت، از جمله رویکردهای آماری و مبتنی بر فاصله استفاده کنید. 8. درک متنی پرت و تکنیک های تشخیص نقاط پرت متنی برای گرفتن نقاط پرت در زمینه های خاص. 9. قوانین تداعی و تکنیک‌های تشخیص پرت را در مطالعات موردی در دنیای واقعی به کار ببرید تا بینش‌های معناداری به دست آورید. در طول دوره، دانش‌آموزان فعالانه در آموزش‌ها و مطالعات موردی شرکت می‌کنند، مهارت‌های مربوط به قانون‌کاوی و تشخیص موارد پرت را تقویت می‌کنند و تجربه عملی در کاربرد این تکنیک‌ها در مجموعه داده‌های متنوع به دست می‌آورند. با دستیابی به اهداف یادگیری، شرکت کنندگان به خوبی مجهز خواهند شد تا در وظایف یادگیری بدون نظارت برتری پیدا کنند و با استفاده از قوانین تداعی و تکنیک های تشخیص پرت، تصمیمات آگاهانه بگیرند.

coursera تجزیه و تحلیل مجموعه داده ها و آموزش مدل های ML با استفاده از AutoML (Mitalearn-336512)

  • 2 hours 51 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Antje Barth
درباره این دوره:

در اولین دوره تخصصی تخصصی علم داده های عملی، مفاهیم اساسی برای تجزیه و تحلیل داده های اکتشافی (EDA)، یادگیری ماشین خودکار (AutoML) و الگوریتم های طبقه بندی متن را خواهید آموخت. با Amazon SageMaker Clarify و Amazon SageMaker Data Wrangler، یک مجموعه داده را برای سوگیری آماری تجزیه و تحلیل می‌کنید، مجموعه داده را به ویژگی‌های قابل خواندن ماشین تبدیل می‌کنید و مهم‌ترین ویژگی‌ها را برای آموزش یک طبقه‌بندی متن چند کلاسه انتخاب می‌کنید. سپس یادگیری ماشین خودکار (AutoML) را برای آموزش خودکار، تنظیم و استقرار بهترین الگوریتم طبقه بندی متن برای مجموعه داده داده شده با استفاده از Amazon SageMaker Autopilot انجام خواهید داد. در مرحله بعد، شما با Amazon SageMaker BlazingText، یک پیاده سازی بسیار بهینه و مقیاس پذیر از الگوریتم محبوب FastText، برای آموزش یک طبقه بندی متن با کد بسیار کمی کار خواهید کرد. علم داده های عملی برای مدیریت مجموعه داده های عظیمی طراحی شده است که در سخت افزار محلی شما مناسب نیستند و می توانند از منابع متعدد نشات گرفته باشند. یکی از بزرگترین مزایای توسعه و اجرای پروژه‌های علم داده در فضای ابری، چابکی و انعطاف‌پذیری است که ابر برای افزایش و کاهش با حداقل هزینه ارائه می‌دهد. تخصص عملی علم داده به شما کمک می کند تا مهارت های عملی را برای به کارگیری مؤثر پروژه های علم داده خود و غلبه بر چالش ها در هر مرحله از گردش کار ML با استفاده از Amazon SageMaker توسعه دهید. این تخصص برای توسعه دهندگان، دانشمندان و تحلیلگران متمرکز بر داده طراحی شده است که با زبان های برنامه نویسی Python و SQL آشنا هستند و می خواهند یاد بگیرند که چگونه خطوط لوله ML مقیاس پذیر و سرتاسر مقیاس پذیر را بیاموزند - هم خودکار و هم انسانی. -the-loop - در ابر AWS.

coursera تجزیه و تحلیل محصول و هوش مصنوعی (Mitalearn-304501)

  • 5 hours 46 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Alex Cowan
درباره این دوره:

تعداد کمی از قابلیت‌ها مانند یک برنامه تحلیلی قوی، چابکی را متمرکز می‌کنند. چنین برنامه ای تعیین می کند که یک تیم باید از یک تکرار چابک (sprint) به بعدی تمرکز کند. تجزیه و تحلیل های موفق به ندرت به سختی قابل درک هستند و اغلب در وضوح خود شگفت انگیز هستند. در این دوره آموزشی که در مدرسه کسب و کار Darden در دانشگاه ویرجینیا توسعه یافته است، یاد خواهید گرفت که چگونه یک زیرساخت تجزیه و تحلیل قوی برای تیم خود بسازید و آن را با هسته حرکت خود به سمت ارزش ادغام کنید.

coursera تجزیه و تحلیل منابع (Mitalearn-328998)

  • 1 hours 32 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Yao Zhao
درباره این دوره:

خرج کردن پول آسان است، اما بدست آوردن ارزش آن سخت است. از سال 2007 تا 2010، اپل 27 میلیارد دلار از آیفون با سود 15.6 میلیارد دلار به دست آورد. اپل بدون استراتژی منبع یابی جهانی خود نمی توانست به این موفقیت مالی دست یابد. با این حال، یکی از تامین کنندگان کلیدی اپل، سامسونگ الکترونیکس، تبدیل به یک رقیب شد و از مزیت هزینه خود برای پیشی گرفتن از اپل در بازار جهانی استفاده کرد. در همین حال، بسیاری از تامین کنندگان و محصولات جدید به طور مداوم در حال ظهور هستند. برای ادامه موفقیت، اپل باید بازارهای جهانی را برای شناسایی و انتخاب تامین کنندگان جدید که توانمند، ارزان و از نظر مالی قوی هستند، بررسی کند. سوال این است که چگونه این کار را برای امسال درست انجام دهیم؟ آنچه اپل تجربه کرد در عمل معمول است، زیرا یک شرکت ممکن است هزاران تامین کننده داشته باشد، و تعداد زیادی تامین کننده و محصولات/خدمات جدید به طور مداوم و در سطح جهانی ظاهر می شوند، که نیاز به تنظیم مکرر پایه تامین دارد. در این دوره، تجزیه و تحلیل منبع یابی را یاد می گیرید که تجزیه و تحلیل داده ها و هوش تجاری را برای توسعه و مدیریت تامین کنندگان به کار می برد. به طور خاص، شما هوش بازار، تجزیه و تحلیل قدرت چانه زنی، و تجزیه و تحلیل تامین کننده را یاد خواهید گرفت تا تامین کنندگان را با هدف به دست آوردن ارزش بیشتر با هزینه کمتر، شناسایی و انتخاب کنید.

coursera تجزیه و تحلیل نمودار برای داده های بزرگ (Mitalearn-334642)

  • 4 hours
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Amarnath Gupta
درباره این دوره:

آیا می خواهید ساختار شبکه داده خود و نحوه تغییر آن در شرایط مختلف را درک کنید؟ کنجکاو هستید که بدانید چگونه می توان خوشه های تعامل نزدیک در یک نمودار را شناسایی کرد؟ آیا در مورد منطقه به سرعت در حال رشد تجزیه و تحلیل گراف شنیده اید و می خواهید بیشتر بدانید؟ این دوره به شما یک نمای کلی از حوزه تجزیه و تحلیل گراف ارائه می دهد تا بتوانید روش های جدیدی برای مدل سازی، ذخیره سازی، بازیابی و تجزیه و تحلیل داده های ساختار یافته نمودار بیاموزید. پس از اتمام این دوره، شما قادر خواهید بود یک مسئله را در پایگاه داده گراف مدل کنید و کارهای تحلیلی را بر روی نمودار به صورت مقیاس پذیر انجام دهید. بهتر از آن، شما قادر خواهید بود از این تکنیک ها برای درک اهمیت مجموعه داده های خود برای پروژه های خود استفاده کنید.

coursera تجزیه و تحلیل و تجسم داده ها در Looker (Mitalearn-326686)

  • 1 hours 58 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

در این دوره آموزشی، نحوه کاوش و تجزیه و تحلیل داده ها را در Looker که قبلاً عمدتاً توسط توسعه دهندگان یا تحلیلگران SQL انجام می شد، یاد می گیرید. پس از اتمام این دوره، شما قادر خواهید بود از پلتفرم تحلیلی مدرن Looker برای یافتن و کاوش محتوای مرتبط در نمونه Looker سازمان خود استفاده کنید، از داده های خود سؤال بپرسید، در صورت نیاز معیارهای جدیدی ایجاد کنید، و تجسم ها و داشبوردهایی را برای تسهیل داده ها بسازید و به اشتراک بگذارید. -تصمیم گیری محوری

coursera تجسم اطلاعات: ادراک کاربردی (Mitalearn-329185)

  • 6 hours 16 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Enrico Bertini
درباره این دوره:

هدف این ماژول معرفی مفاهیم اساسی ادراک بصری به کار رفته در تجسم اطلاعات است. این مفاهیم به دانش‌آموز کمک می‌کند تا طرح‌های تجسم را از نظر اینکه چقدر از قابلیت‌های ماشین ادراکی انسان استفاده می‌کنند، ایده‌پردازی و ارزیابی کند.

coursera تجسم اطلاعات: تکنیک های پیشرفته (Mitalearn-334268)

  • 6 hours 59 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Enrico Bertini
درباره این دوره:

این دوره با هدف آشنایی فراگیران با تکنیک های تجسم پیشرفته فراتر از نمودارهای اساسی تحت پوشش در تجسم اطلاعات: مبانی است. این تکنیک‌ها حول انواع داده‌ها سازماندهی شده‌اند تا روش‌های پیشرفته را برای: داده‌های زمانی و مکانی، شبکه‌ها و درختان و داده‌های متنی پوشش دهند. در این ماژول همچنین به زبان آموزان یاد می دهیم که چگونه تکنیک های نوآورانه را در D3.js توسعه دهند. اهداف یادگیری هدف: تجزیه و تحلیل فضای طراحی راه حل های تجسم برای انواع مختلف مشکلات تجسم داده ها. بیاموزید که چه طرح هایی برای یک مشکل مشخص وجود دارد و مزایا و معایب مربوط به آنها چیست. - زمانی - مکانی - فضایی- زمانی - شبکه ها - درختان - متن این چهارمین دوره تخصصی تجسم اطلاعات است. این دوره از شما انتظار دارد که برخی از دانش های اولیه برنامه نویسی و همچنین برخی از مهارت های اولیه تجسم (همانطور که در اولین دوره تخصصی معرفی شد) داشته باشید.

coursera تجسم برای روزنامه نگاری داده (Mitalearn-326822)

  • 2 hours 21 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Margaret Ng
درباره این دوره:

در حالی که داستان‌گویی با داده‌ها بخشی از رویه خبری از روزهای اولیه آن بوده است، اما در بحبوحه یک رنسانس است. میزهای گرافیکی که قبلاً به عنوان "بخش هنر" در نظر گرفته می شدند، زیر شاخه ای خارج از کار اتاق های خبر، در حال تبدیل شدن به بخش اصلی فعالیت اتاق های خبر هستند. انتظار می رود از افرادی که گرافیک خبری طراحی می کنند (آنها اغلب عناوین مختلفی دارند: روزنامه نگاران داده، هنرمندان خبری، گزارشگران گرافیکی، توسعه دهندگان و غیره) روزنامه نگاران تمام عیار باشند و از نزدیک با خبرنگاران و سردبیران کار کنند. هدف از این کلاس این است که یاد بگیریم چگونه در مورد ارائه بصری داده ها فکر کنیم، چگونه و چرا کار می کند، و چگونه به روش صحیح انجام دهیم. ما یاد خواهیم گرفت که چگونه نمودارهایی مانند The New York Times، Vox، Pew و FiveThirtyEight بسازیم. در پایان، می‌توانید نمودارهای زیبای خود را در نشریات، پست‌های وبلاگ و وب‌سایت‌ها به اشتراک بگذارید. این دوره فرض می کند که شما مهارت های اولیه کدنویسی، ترجیحا پایتون را درک می کنید. با این حال، ما در ماژول 1 نیز بررسی مختصری در مورد پایتون ارائه می‌کنیم، در صورتی که می‌خواهید خود را در اصول اولیه تجدید کنید و تجزیه و تحلیل ساده داده‌ها را انجام دهید.

coursera تجسم پیشرفته داده با R (Mitalearn-335441)

  • 1 hours 2 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Collin Paschall
درباره این دوره:

تجسم داده ها یک مهارت حیاتی برای هر کسی است که به طور معمول از داده های کمی در کار خود استفاده می کند - به این معنی که تجسم داده ها ابزاری است که تقریباً هر کارگر امروزی به آن نیاز دارد. امروزه یکی از ابزارهای حیاتی برای تجسم داده ها، زبان برنامه نویسی آماری R است. به خصوص در ارتباط با بسته‌های نرم‌افزاری tidyverse، R به یک پلتفرم بسیار قدرتمند و انعطاف‌پذیر برای ساختن شکل‌ها، جداول و گزارش‌های قابل تکرار تبدیل شده است. با این حال، R می‌تواند برای کاربرانی که برای اولین بار استفاده می‌کنند ترسناک باشد، و منابع زیادی به صورت آنلاین وجود دارد که مرتب کردن آن بدون راهنمایی دشوار است. این دوره سومین دوره تخصصی "تجسم داده ها و داشبورد در R" است. زبان آموزان با استفاده از R برای ایجاد بسیاری از انواع اصلی تجسم، عمدتاً با بسته ggplot2، وارد این دوره می شوند. بر این اساس، این دوره بر گسترش فهرست موجودی زبان آموزان از گزینه های تجسم داده ها تمرکز دارد. با استفاده از بسته‌های اضافی برای تکمیل ggplot2، زبان‌آموزان انواع بیشتری از شکل‌های سنتی را ایجاد می‌کنند و همچنین به داده‌های مکانی می‌پردازند. پایان دوره ساخت فیگورهای تعاملی و متحرک. برای رفع این نیاز، این دوره برای زبان آموزانی در نظر گرفته شده است که تجربه کمی با R دارند یا اصلاً تجربه ندارند اما به دنبال معرفی این ابزار هستند. در پایان این دوره، دانش‌آموزان می‌توانند داده‌ها را به R وارد کنند، آن داده‌ها را با استفاده از ابزارهای بسته محبوب tidyverse دستکاری کنند و با استفاده از R Markdown گزارش‌های ساده‌ای تهیه کنند. این دوره برای دانش آموزان با مهارت های محاسباتی پایه خوب طراحی شده است، اما در صورت داشتن تجربه در برنامه نویسی محدود است.

coursera تجسم پیشرفته داده با Tableau (Mitalearn-329151)

  • 1 hours 5 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Tableau Learning Partner Instructor
درباره این دوره:

دوره تجسم پیشرفته داده با تابلو به شما می آموزد که چگونه تجسم داده های پیشرفته مانند نمودارهای دو محوره، نمودارهای نوار در میله و غیره ایجاد کنید. همچنین می‌آموزید که چگونه با استفاده از ویژگی‌هایی مانند نقشه‌ها، سفارشی‌سازی نقشه، داده‌های فضایی چند ضلعی و غیره، تجسم‌های خود را سفارشی کنید و به آن پیچیدگی اضافه کنید. این مهارت ها به شما این امکان را می دهد که بینش های خود را به طور موثر به ذینفعان خود انتقال دهید. این دوره برای هرکسی است که کنجکاو در مورد نقش‌های سطح ابتدایی است که به مهارت‌های اساسی جدول نیاز دارند، مانند نقش‌های تحلیلگر هوش تجاری یا نقش‌های تحلیلگر گزارش داده. توصیه می شود (اما نه الزامی) که تجربه ای با Tableau Public داشته باشید، اما حتی اگر در Tableau Public تازه کار هستید، همچنان می توانید در این برنامه موفق باشید. در پایان دوره، شما قادر خواهید بود: -تجسم‌های پیشرفته داده‌ها را برای برقراری ارتباط بینش‌های تحلیلی با ذینفعان مورد نظر ایجاد کنید، مانند نمودارهای دو محوره، نمودارهای میله‌ای و غیره. -تجسم داده های تجزیه و تحلیل مکانی را ایجاد و سفارشی کنید تا بینش ها را به ذینفعان مورد نظر منتقل کنید، مانند نقشه ها، سفارشی سازی نقشه، داده های فضایی چند ضلعی و موارد دیگر. -با ترکیب جزئیات و چند لایه، به تجسم های تولید شده در تحلیل خود پیچیدگی اضافه کنید.

coursera تجسم داده در R با ggplot2 [coursera] (Mitalearn-333180)

  • 1 hours 42 minutes
  • متوسط
  • Release date: 27 June 2026
  • Author: Collin Paschall
درباره این دوره:

تجسم داده ها یک مهارت حیاتی برای هر کسی است که به طور معمول از داده های کمی در کار خود استفاده می کند - به این معنی که تجسم داده ها ابزاری است که تقریباً هر کارگر امروزی به آن نیاز دارد. امروزه یکی از ابزارهای حیاتی برای تجسم داده ها، زبان برنامه نویسی آماری R است. به خصوص در ارتباط با بسته‌های نرم‌افزاری tidyverse، R به یک پلتفرم بسیار قدرتمند و انعطاف‌پذیر برای ساختن شکل‌ها، جداول و گزارش‌های قابل تکرار تبدیل شده است. با این حال، R می‌تواند برای کاربرانی که برای اولین بار استفاده می‌کنند ترسناک باشد، و منابع زیادی به صورت آنلاین وجود دارد که مرتب کردن آن بدون راهنمایی ممکن است دشوار باشد. این دوره دومین دوره تخصصی در زمینه تجسم داده است که توسط جانز هاپکینز ارائه شده است. این برای زبان آموزانی در نظر گرفته شده است که یا تجربه ای با R و بحث در مورد داده ها در نظم دارند یا دوره قبلی را در این تخصص گذرانده اند. تمرکز در این دوره یادگیری استفاده از ggplot2 برای ایجاد انواع تجسم ها و صیقل دادن آن تجسم ها با استفاده از ابزارهای درون ggplot و همچنین نرم افزار ویرایش گرافیک برداری است. این دوره به جزئیات در مورد نحوه عملکرد مدیریت داده در پشت صحنه نمی پردازد.

coursera تجسم داده ها (Mitalearn-330936)

  • 3 hours 38 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Dr. Aihua Li
درباره این دوره:

در عصر کلان داده، دستیابی به توانایی تجزیه و تحلیل و نمایش بصری "داده های بزرگ" به شیوه ای قانع کننده بسیار مهم است. بنابراین، برای دانشمندان داده ضروری است که مهارت های تولید و تفسیر انتقادی نقشه ها، نمودارها و نمودارهای دیجیتال را توسعه دهند. تجسم داده ها موضوع مهمی در جامعه جهانی و دیجیتالی ما است. این شامل نمایش گرافیکی داده ها یا اطلاعات است و تصمیم گیرندگان در صنایع مختلف را قادر می سازد تا مفاهیم و فرآیندهای پیچیده ای را درک کنند که در غیر این صورت ممکن است درک آنها چالش برانگیز باشد. DSCI 605 تجسم داده ها به عنوان پایه ای برای درک اصول، مفاهیم، ​​تکنیک ها و ابزارهای مورد استفاده برای تجسم اطلاعات در مجموعه داده های بزرگ و پیچیده عمل می کند. همچنین تجربه عملی را در تجسم داده‌های بزرگ با استفاده از نرم‌افزار منبع باز R فراهم می‌کند. از طریق این دوره، دانش‌آموزان یاد می‌گیرند که اثربخشی طرح‌های تجسم را ارزیابی کنند و درباره تصمیم‌هایی مانند انتخاب رنگ و رمزگذاری بصری فکر انتقادی کنند. علاوه بر این، دانش آموزان تجسم داده های خود را ایجاد می کنند و در استفاده از R مهارت خواهند داشت. این دوره شامل چهار بخش است. بخش اول به یادگیرندگان با حداقل یا بدون تجربه در R پاسخ می‌دهد و زمینه را برای تجسم داده‌ها با R ایجاد می‌کند. بخش دوم تکنیک‌های اولیه تجسم داده‌ها را معرفی می‌کند و به دانش‌آموزان اجازه می‌دهد تا تجربه عملی با شیوه‌های تجسم رایج برای تجزیه و تحلیل داده‌های اکتشافی (EDA) به دست آورند. ) با استفاده از ggplot2. این بخش بر کاوش داده ها قبل از پرداختن به داده کاوی پیشرفته تاکید دارد. بخش سوم بر مهارت‌های موجود در تجسم داده‌ها با بررسی موضوعات پیشرفته تجسم داده‌ها، از جمله تجسم داده‌های تعاملی، ترسیم سری‌های زمانی، و نقشه‌برداری فضایی استوار است. هدف اصلی سه بخش اول تجهیز دانش‌آموزان به مجموعه‌ای از مهارت‌های توسعه‌یافته است که آنها را قادر می‌سازد تا طیف وسیعی از تجسم‌ها را در R ایجاد کنند. ، و تجربیات به دست آمده از بخش های قبلی. این پروژه مستلزم ایجاد یک تجسم داده است که به طور مؤثر یک داستان جذاب را به مخاطبان و خوانندگان منتقل می کند.

coursera تجسم داده ها [coursera] (Mitalearn-334829)

  • 5 hours 59 minutes
  • مناسب همه
  • Release date: 27 June 2026
  • Author: John C. Hart
درباره این دوره:

این دوره به شما یاد می دهد که چگونه داده ها را تجسم موثرتری ایجاد کنید. نه تنها بینش عمیق تری نسبت به داده ها به دست خواهید آورد، بلکه یاد خواهید گرفت که چگونه این بینش را بهتر به دیگران انتقال دهید. روش های جدیدی برای نمایش داده ها، به کارگیری برخی از اصول اساسی طراحی و شناخت انسان برای انتخاب موثرترین راه برای نمایش انواع مختلف داده ها را خواهید آموخت. این دوره نه تنها به شما می آموزد که چگونه از برنامه های محبوب مانند Tableau برای اتصال به انبارهای داده برای استخراج و تجسم داده های مربوطه استفاده کنید، بلکه به شما می آموزد که چگونه Tableau کار می کند تا بتوانید از تکنیک های مشابه برای ایجاد تجسم داده ها به تنهایی با هر تصویرسازی استفاده کنید. سیستم

Suggestions