Course catalog

Course duration

Course provider

Topic

Categories

Showing 241-260 of 555 items.

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 تجارت: ابزارها و تکنیک های اساسی (Mitalearn-414066)

  • 1 hours 19 minutes
  • مناسب همه
  • Release date: 25 July 2026
  • Author: Jamie Champagne
درباره این دوره:

اگر کار تجزیه و تحلیل کسب و کار را انجام می دهید و می خواهید نه تنها تحویل های اصلی را ببینید بلکه نحوه تحویل آنها را نیز ببینید ، این دوره برای شما مناسب است. این دوره فناوری-آگنوستیک از ابزارهای مختلفی استفاده می کند تا نحوه راه اندازی و ارائه آثار باستانی کلیدی تجزیه و تحلیل کسب و کار را به شما نشان دهد. مربی جیمی شامپاین قابلیت ردیابی را از طریق راه اندازی و استفاده از ماتریس قابلیت ردیابی مورد نیاز برجسته می کند. جیمی نحوه مدل سازی فرایندها را با نشان دادن تکامل طبیعی درجه جزئیات که با کار تجزیه و تحلیل تجارت اتفاق می افتد ، نشان می دهد. بعلاوه ، او قدرت نمودارهای زمینه را با هر دو نمودار جریان داده های اساسی و دقیق توضیح می دهد تا به شما در تعریف و استخراج الزامات در کار تجزیه و تحلیل تجارت کمک کند.

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.

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.

linkedin تجزیه و تحلیل داده ها با پایتون و پاندا (Mitalearn-417041)

  • 13 hours 32 minutes
  • مناسب همه
  • Release date: 25 July 2026
  • Author: Maven Analytics,Chris Bruehl
درباره این دوره:

این دوره مبتنی بر پروژه به منظور کمک به شما در یادگیری دو مورد از محبوب ترین بسته های پایتون برای تجزیه و تحلیل داده ها: Numpy و Pandas. برای معرفی آرایه ها و خصوصیات آرایه ، با یک آغازگر NUMPY شروع کنید ، عملیات مشترکی مانند نمایه سازی ، برش ، فیلتر و مرتب سازی را انجام دهید و مفاهیم مهم مانند بردار و پخش را کشف کنید. از آنجا ، به پاندا شیرجه بزنید و بر روی ابزارها و روشهای اساسی برای کشف ، تجزیه و تحلیل ، جمع آوری و تبدیل سری و داده ها تمرکز کنید. ترسیم DataFrames را با نمودارها و نمودارها ، دستکاری داده های سری زمانی ، وارد کردن و صادرات انواع مختلف فایل و ترکیب داده های داده ها با استفاده از روش های مشترک پیوست تمرین کنید.

در طول دوره ، شما می توانید نقش تحلیلگر داده را برای Maven Mega Mart ، یک شرکت بزرگ و چند ملیتی که زنجیره ای از فروشگاه های خرده فروشی و مواد غذایی را اداره می کند ، بازی کنید. با استفاده از مهارت های پایتون که در طول دوره یاد می گیرید ، با اعضای تیم Maven Mega Mart برای تجزیه و تحلیل محصولات ، قیمت گذاری ، معاملات و موارد دیگر همکاری کنید.

توجه: این دوره توسط کریس بروهل و آنالیتیکس ساخته شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.

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.

Suggestions