Course catalog

Course duration

Course provider

Topic

Categories

Showing 261-280 of 600 items.

coursera ترجمه ماشینی (Mitalearn-331463)

  • 7 hours 39 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Alexander Waibel,Jan Niehues
درباره این دوره:

به CLICS-Machine Translation MOOC خوش آمدید این MOOC اصول اولیه ترجمه ماشینی را توضیح می دهد. ترجمه ماشینی وظیفه ترجمه از یک زبان طبیعی به زبان طبیعی دیگر است. بنابراین، این الگوریتم ها می توانند به افراد در برقراری ارتباط به زبان های مختلف کمک کنند. چنین الگوریتم‌هایی در برنامه‌های رایج، از Google Translate گرفته تا برنامه‌های موجود در دستگاه تلفن همراه شما استفاده می‌شوند. پس از گذراندن این دوره، می توانید مشکلات اصلی ترجمه زبان های طبیعی و اصول روش های مختلف ترجمه ماشینی را درک کنید. تمرکز اصلی این دوره بر روی پیشرفته ترین فناوری ترجمه ماشینی عصبی فعلی خواهد بود که از روش های یادگیری عمیق برای مدل سازی فرآیند ترجمه استفاده می کند. شما قادر خواهید بود تصمیم بگیرید که کدام مفاهیم برای برنامه ترجمه ماشینی شما مناسب تر است. این دوره توسط پروفسور دکتر الکساندر وایبل (http://isl.anthropomatik.kit.edu/english/21_74.php) و استادیار دکتر یان نیهوس (https://www.maastrichtuniversity.nl/jan) تدریس می شود. نیهوس).

coursera ترسیم، نمودار و نمایش داده های کاربردی در پایتون (Mitalearn-332755)

  • 3 hours 14 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Christopher Brooks
درباره این دوره:

این دوره زبان آموز را با مبانی تجسم اطلاعات، با تمرکز بر گزارش و ترسیم نمودار با استفاده از کتابخانه matplotlib آشنا می کند. این دوره با یک دیدگاه طراحی و سواد اطلاعاتی شروع می شود و به این موضوع می پردازد که چه چیزی یک تجسم خوب و بد را ایجاد می کند و معیارهای آماری از نظر تجسم به چه چیزی تبدیل می شوند. هفته دوم بر روی فناوری مورد استفاده برای تجسم سازی در پایتون، matplotlib و معرفی بهترین شیوه ها در هنگام ایجاد نمودارهای اساسی و نحوه تحقق تصمیمات طراحی در چارچوب تمرکز خواهد کرد. هفته سوم آموزش عملکردهای موجود در matplotlib خواهد بود و انواع نمودارهای آماری پایه را نشان می دهد که به یادگیرندگان کمک می کند تشخیص دهند که چه زمانی یک روش خاص برای یک مشکل خاص خوب است. این دوره با بحث در مورد اشکال دیگر ساختاردهی و تجسم داده ها به پایان می رسد. این دوره باید بعد از مقدمه ای بر علم داده در پایتون و قبل از باقیمانده دوره های علوم داده کاربردی با پایتون گذرانده شود: یادگیری ماشین کاربردی در پایتون، متن کاوی کاربردی در پایتون، و تحلیل شبکه های اجتماعی کاربردی در پایتون.

coursera ترکیب و تجزیه و تحلیل داده های پیچیده (Mitalearn-335628)

  • 2 hours 59 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Richard Valliant, Ph.D.
درباره این دوره:

در این دوره شما یاد خواهید گرفت که چگونه از وزن های نظرسنجی برای تخمین آمار توصیفی، مانند میانگین ها و مجموع، و کمیت های پیچیده تر مانند پارامترهای مدل برای رگرسیون های خطی و لجستیک استفاده کنید. قابلیت‌های نرم‌افزار با R® پوشش داده می‌شود که تاکید خاصی دارد. این دوره همچنین مبانی پیوند رکورد و تطبیق آماری را پوشش می دهد - که هر دو به عنوان روش هایی برای ترکیب داده ها از منابع مختلف اهمیت بیشتری پیدا می کنند. ترکیب مجموعه داده ها مسائل اخلاقی را مطرح می کند که دوره بررسی می کند. ممکن است لازم باشد رضایت آگاهانه از افراد گرفته شود تا داده‌های آنها پیوند داده شود. شما در مورد تفاوت در الزامات قانونی در کشورهای مختلف یاد خواهید گرفت.

coursera ترویج استفاده اخلاقی از فناوری های داده محور (Mitalearn-327179)

  • 4 hours 46 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Tania De Gasperis,Aaron Hui,Eleanor 'Nell' Watson
درباره این دوره:

بزرگترین خطر در فناوری های نوظهور، تداوم تعصب در فناوری های خودکار وابسته به مجموعه داده ها است. راه‌حل‌هایی که با تعصب نژادی، جنسیتی یا جمعیتی ایجاد می‌شوند، خواه ناخواسته یا غیرعمدی، می‌توانند نابرابری‌های غم انگیز را از نظر اجتماعی و اقتصادی تداوم بخشند. این اولین دوره از پنج دوره گواهینامه حرفه‌ای Certified Ethical Emerging Technologist (CEET) است و برای یادگیرندگانی طراحی شده است که به دنبال حمایت و ترویج استفاده اخلاقی از فناوری‌های مبتنی بر داده هستند. دانش آموزان یاد خواهند گرفت که فناوری های نوظهور چیست و چگونه می توان از آنها برای ایجاد راه حل های مبتنی بر داده استفاده کرد. انواع سوگیری ها و تئوری های اخلاقی رایج و نحوه استفاده از آنها در فناوری های نوظهور را یاد خواهید گرفت و مفاهیم حقوقی و اخلاقی حریم خصوصی را در ارتباط با فناوری هایی مانند هوش مصنوعی، یادگیری ماشین و زمینه های علم داده بررسی خواهید کرد. در طول دوره، فراگیران شروع به تشخیص اینکه کدام نوع سوگیری ممکن است بیشترین خطر را ایجاد کند و کدام اصول برای پاسخگویی استراتژیک به ملاحظات اخلاقی اعمال شود، شروع می شود.

coursera تست اسناد مبتنی بر هوش مصنوعی (Mitalearn-334353)

  • 1 hours 3 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Board Infinity
درباره این دوره:

به دوره آموزشی تست انتساب مبتنی بر هوش مصنوعی خوش آمدید، دوره ای جذاب و جامع که برای راهنمایی شما از طریق مفاهیم اساسی و کاربردهای عملی تست اسناد مبتنی بر هوش مصنوعی طراحی شده است. این دوره برای بازاریابان، تحلیلگران داده، دانشمندان داده و رهبران تجاری که قصد دارند از بینش های مبتنی بر داده برای تصمیم گیری استفاده کنند، مناسب است. همچنین برای دانشجویان و متخصصانی که علاقه زیادی به همگرایی هوش مصنوعی، تجزیه و تحلیل داده ها و بازاریابی دارند، مفید است. در ماژول 1: تست انتساب - مبانی، ما شما را با تست اسناد مبتنی بر هوش مصنوعی آشنا می کنیم و هدف و اهمیت آن را در دنیای داده محور امروزی توضیح می دهیم. این ماژول بیشتر شما را با درک قوی از اصول مدلسازی اسناد، که برای هر کسی که در این زمینه جسارت می کند ضروری است، مجهز می کند. در مرحله بعد، در ماژول 2: آزمایش اسناد مبتنی بر هوش مصنوعی - پیاده سازی، درک خود را در سناریوهای دنیای واقعی اعمال خواهید کرد و یاد می گیرید که چگونه به طور موثر تست انتساب مبتنی بر هوش مصنوعی را پیاده سازی کنید. شما همچنین بهترین شیوه ها و مطالعات موردی را برای تقویت یادگیری خود کاوش خواهید کرد. این دوره با نگاهی اجمالی به روندهای آینده در آزمون اسناد و بحث مهم در مورد ملاحظات اخلاقی در این زمینه به پایان می رسد. در پایان این دوره، درک کاملی از تست اسناد مبتنی بر هوش مصنوعی خواهید داشت، نحوه اجرای موثر آن را می‌دانید و با دستورالعمل‌های اخلاقی حاکم بر این زمینه آشنا خواهید شد. دانش و مهارت‌های تازه به‌دست‌آمده شما در تست اسناد مبتنی بر هوش مصنوعی می‌تواند به شما قدرت دهد تا تصمیم‌های مبتنی بر داده‌ها بگیرید و ارزش قابل‌توجهی برای سازمان یا شغل آینده‌تان به ارمغان بیاورد. دانشجویان سال دوم کارشناسی علاقه مند به مهندسی یا علوم، همراه با دانش آموزان دبیرستانی و متخصصان علاقه مند به برنامه نویسی.

coursera تست فرضیه با پایتون و اکسل (Mitalearn-334285)

  • 24 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Gerald S. Brown,Kishore K. Pochampally
درباره این دوره:

در بازار کار امروزی، رهبران برای رقابتی بودن نیاز به درک اصول اساسی داده ها دارند. یک روش ضروری برای درک تجارت و تجزیه و تحلیل، آزمون فرضیه است. این دوره کوتاه که توسط اساتید متخصص دانشگاه تافتز طراحی شده است، مبانی آزمون فرضیه میانگین جمعیت و نسبت جمعیت را با استفاده از Excel و Python برای محاسبات آموزش می دهد. شما همچنین قضیه حد مرکزی را که برای آزمایش فرضیه ضروری است، کشف خواهید کرد. برای به پایان رساندن دوره، با ایجاد طرحی برای آزمایشی در محل کار خود که از آزمون فرضیه استفاده می کند، مهارت های جدید خود را به کار خواهید گرفت.

coursera تسلط بر توسعه نرم افزار در R Capstone (Mitalearn-332041)

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

برنامه نویسی R Capstone

coursera تصمیم گیری انسانی و سوگیری های آن (Mitalearn-329355)

  • 2 hours 22 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Srikanth Velamakanni,Fractal Analytics
درباره این دوره:

این دوره در مورد سوگیری ها و محدودیت های مغز انسان، استراتژی هایی برای غلبه بر این سوگیری ها بحث می کند و هنگام تصمیم گیری و توصیه ها، داده ها را به طور انتقادی تجزیه و تحلیل می کند. تجزیه و تحلیل موثر و عینی داده ها سفری طولانی است و اولین قدم آگاهی از این سوگیری ها، پیش داوری ها و ادراکات است. در پایان این دوره، شما درک عمیقی از سوگیری‌هایی که بر تصمیم‌گیری انسانی تأثیر می‌گذارند و روش‌هایی که برای مقابله با این سوگیری‌ها به کار می‌روند، ایجاد خواهید کرد. شما همچنین به چارچوب هایی برای تصمیم گیری موثر مجهز خواهید شد. در این دوره ثبت نام کنید تا پیچیدگی های تصمیم گیری انسانی را کشف کنید و شروع به کاوش در تصمیم گیری انسانی کنید. بدون نیاز به تجربه قبلی

coursera تصمیم گیری عملی با استفاده از ML بدون کد در AWS (Mitalearn-328590)

  • 1 hours 36 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jared Heywood
درباره این دوره:

در این دوره، نحوه حل مشکلات تجاری با یادگیری ماشینی، بدون نیاز به کدنویسی را خواهید یافت. شما Amazon SageMaker Canvas را کاوش خواهید کرد، یک رابط بصری نقطه و کلیک که به شما امکان می دهد پیش بینی های دقیق ML را بدون نیاز به تجربه یادگیری ماشینی یا نیاز به نوشتن یک خط کد ایجاد کنید. در پایان دوره، شما از درک نحوه تصمیم گیری بهتر تجاری با استفاده از یادگیری ماشین بدون کد خارج خواهید شد.

coursera تصمیم گیری مبتنی بر داده (Mitalearn-331786)

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

پس از تولید داده ها، باید با انجام یک تحلیل آماری مناسب به سؤال تحقیق پاسخ دهیم. مهندسان و متخصصان کسب و کار باید بدانند که از کدام آزمون یا آزمایش استفاده کنند. از طریق این کلاس، شما قادر خواهید بود یک آزمایش نمونه را برای مقایسه با داده های تاریخی انجام دهید. همچنین می توانید روابط آماری معنی داری بین دو متغیر را تعیین کنید. شما می توانید دو آزمون نمونه را برای داده های مستقل و وابسته انجام دهید. در نهایت، داده‌های بیش از دو گروه را با استفاده از تحلیل واریانس تجزیه و تحلیل خواهید کرد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد مهندسی CU Boulder در مدیریت مهندسی (ME-EM) که در پلت فرم Coursera ارائه می شود، گذراند. ME-EM برای کمک به مهندسان، دانشمندان و متخصصان فنی طراحی شده است تا به سمت نقش های رهبری و مدیریت در بخش های مهندسی و فنی حرکت کنند. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، ME-EM برای افرادی با طیف گسترده ای از تحصیلات کارشناسی و/یا تجربه حرفه ای ایده آل است. درباره برنامه ME-EM در https://www.coursera.org/degrees/me-engineering-management-boulder اطلاعات بیشتری کسب کنید.

coursera تصمیم گیری مبتنی بر داده (Mitalearn-328182)

  • 2 hours 32 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Alex Mannella
درباره این دوره:

به تصمیم گیری مبتنی بر داده خوش آمدید. در این دوره آموزشی، با تجزیه و تحلیل داده ها و نقش آن در تصمیم گیری های تجاری آشنا می شوید. شما یاد خواهید گرفت که چرا داده ها مهم هستند و چگونه تکامل یافته اند. شما با "داده های بزرگ" و نحوه استفاده از آن آشنا خواهید شد. همچنین با چارچوبی برای انجام تجزیه و تحلیل داده ها و ابزارها و تکنیک هایی که معمولاً استفاده می شود آشنا خواهید شد. در نهایت، شما فرصتی خواهید داشت که دانش خود را در یک محیط تجاری شبیه سازی شده به کار ببرید. این دوره توسط PricewaterhouseCoopers LLP با آدرسی در 300 Madison Avenue, New York, New York, 10017 ایجاد شده است.

coursera تعریف، توصیف و تجسم داده ها (Mitalearn-327502)

  • 3 hours 50 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Wendy Martin
درباره این دوره:

به عنوان رهبران حوزه انتخابی خود، نه تنها باید بدانید که چگونه سؤالات درست بپرسید، بلکه باید با استفاده از روش های مبتنی بر داده به آنها پاسخ دهید. از طریق این کلاس، شما قادر خواهید بود به آنچه که واقعاً می‌خواهید بدانید، داده‌های مرتبط با آن سؤال را توصیف کنید و اطلاعات آن داده‌ها را برای درک و توضیح نتایج تجسم کنید. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد مهندسی CU Boulder در مدیریت مهندسی (ME-EM) که در پلت فرم Coursera ارائه می شود، گذراند. ME-EM برای کمک به مهندسان، دانشمندان و متخصصان فنی طراحی شده است تا به سمت نقش های رهبری و مدیریت در بخش های مهندسی و فنی حرکت کنند. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، ME-EM برای افرادی با طیف گسترده ای از تحصیلات کارشناسی و/یا تجربه حرفه ای ایده آل است. درباره برنامه ME-EM در https://www.coursera.org/degrees/me-engineering-management-boulder اطلاعات بیشتری کسب کنید.

coursera تفکر طراحی و تجزیه و تحلیل پیش بینی برای محصولات داده (Mitalearn-331446)

  • 2 hours 22 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Julian McAuley,Ilkay Altintas
درباره این دوره:

این دومین دوره تخصصی چهار دوره تخصصی Python Data Products for Predictive Analytics است که بر اساس پردازش داده های پوشش داده شده در دوره 1 و معرفی اصول اولیه طراحی مدل های پیش بینی در پایتون است. در این دوره با مفاهیم اساسی یادگیری آماری آشنا می شوید و روش های مختلف ساخت مدل های پیش بینی را یاد می گیرید. 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 تکنیک های پیشرفته هوش مصنوعی برای زنجیره تامین (Mitalearn-333622)

  • 39 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Rajvir Dua,Neelesh Tiruviluamala
درباره این دوره:

در این دوره آموزشی، با روش‌های پیشرفته‌تر یادگیری ماشینی آشنا می‌شویم که برای حل مشکلات در زنجیره تامین استفاده می‌شوند. ما با مروری بر پارادایم‌های مختلف ML (رگرسیون/طبقه‌بندی) و جایی که آخرین مدل‌ها در این تفکیک‌ها قرار می‌گیرند، شروع می‌کنیم. سپس، در برخی از تکنیک‌های خاص عمیق‌تر می‌شویم و از مواردی مانند استفاده از شبکه‌های عصبی برای پیش‌بینی تقاضای محصول و جنگل‌های تصادفی برای طبقه‌بندی محصولات استفاده می‌کنیم. بخش مهمی برای استفاده از این مدل ها، درک مفروضات آنها و مراحل پیش پردازش مورد نیاز است. ما با پروژه ای پایان خواهیم داد که شامل تکنیک های پیشرفته با مشکل طبقه بندی تصویر برای یافتن محصولات معیوب خارج شده از یک ماشین است.

coursera توپولوژی داده IBM (Mitalearn-324748)

  • 3 hours 24 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mike Hervey,Paul Christensen
درباره این دوره:

هر کسب و کار و سازمانی با داده های خود با چالش های جدیدی روبرو است. فشارهای مربوط به مقررات و انطباق، استفاده از هوش مصنوعی، محیط‌های چند ابری و افزایش حجم داده‌های غیرقابل دسترس، مدیران و مدیران را مجبور می‌کند تا زیرساخت‌های خود را مدرن‌سازی کنند یا منسوخ شوند. اما حرکت به سمت جدیدترین فناوری در معماری یکپارچه راه حلی وسوسه انگیز است که می تواند گران باشد و بیش از آنکه حل کند مشکلاتی را ایجاد کند. در این دوره، یاد می گیرید که چگونه نیازهای تمام مصرف کنندگان داده خود را از طریق ساخت یک توپولوژی منطقی مدرن که به شما در بهینه سازی جریان داده کمک می کند، برآورده کنید.

coursera تور راهنمای یادگیری ماشین در امور مالی (Mitalearn-332789)

  • 4 hours 22 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Igor Halperin
درباره این دوره:

هدف این دوره ارائه یک نمای کلی مقدماتی و کلی از حوزه ML با تمرکز بر برنامه های کاربردی در امور مالی است. روش های یادگیری ماشین نظارت شده در پروژه Capstone برای پیش بینی بسته شدن بانک ها استفاده می شود. به طور همزمان، در حالی که این دوره را می توان به عنوان یک دوره جداگانه در نظر گرفت، به عنوان پیش نمایشی از موضوعاتی عمل می کند که در ماژول های بعدی تخصصی یادگیری ماشین و یادگیری تقویتی در امور مالی با جزئیات بیشتر پوشش داده شده است. هدف تور راهنمای یادگیری ماشین در امور مالی این است که درک کنید که یادگیری ماشین چیست، برای چیست و در چند مشکل مالی مختلف می توان آن را اعمال کرد. این دوره برای سه دسته از دانشجویان طراحی شده است: پزشکان شاغل در مؤسسات مالی مانند بانک ها، شرکت های مدیریت دارایی یا صندوق های تامینی افراد علاقه مند به کاربردهای ML برای تجارت روزانه شخصی دانشجویان تمام وقت فعلی در حال تحصیل در رشته های مالی، آمار، علوم کامپیوتر، ریاضیات، فیزیک، مهندسی یا سایر رشته های مرتبط که می خواهند در مورد کاربردهای عملی ML در امور مالی بیاموزند. برای انجام تکالیف در این دوره، تجربه با پایتون (شامل نوت بوک های numpy، پانداها و IPython/Jupyter)، جبر خطی، تئوری احتمالات پایه و حساب دیفرانسیل و انتگرال ضروری است.

coursera توسعه محصولات داده (Mitalearn-334710)

  • 4 hours 12 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Brian Caffo, PhD,Jeff Leek, PhD,Roger D. Peng, PhD
درباره این دوره:

محصول داده، خروجی تولید از یک تحلیل آماری است. محصولات داده وظایف تجزیه و تحلیل پیچیده را خودکار می کنند یا از فناوری برای گسترش کاربرد یک مدل، الگوریتم یا استنتاج مبتنی بر داده استفاده می کنند. این دوره اصول اولیه ایجاد محصولات داده با استفاده از بسته های Shiny، R و گرافیک های تعاملی را پوشش می دهد. این دوره بر روی مبانی آماری ایجاد یک محصول داده متمرکز خواهد شد که می تواند برای گفتن داستانی در مورد داده ها برای مخاطبان انبوه مورد استفاده قرار گیرد.

coursera توصیفگرهای داده های اساسی، توزیع های آماری، و کاربرد در تصمیم گیری های تجاری (Mitalearn-213211)

  • 2 hours 40 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Sharad Borle
درباره این دوره:

توانایی درک و به کارگیری آمار کسب و کار در صنعت اهمیت فزاینده ای پیدا می کند. درک خوب آمار کسب و کار لازمه تفسیر صحیح و مرتبط از داده ها است. فقدان دانش می تواند منجر به تصمیمات اشتباه شود که به طور بالقوه می تواند پیامدهای منفی برای یک شرکت داشته باشد. این دوره آموزشی برای آشنایی شما با آمار کسب و کار طراحی شده است. ما با مفهوم آمار توصیفی شروع می کنیم، که خلاصه کردن داده ها با استفاده از چند عدد است. دسته بندی های مختلف معیارهای توصیفی به همراه توابع اکسل برای محاسبه آنها معرفی و مورد بحث قرار می گیرند. مفهوم احتمال یا عدم قطعیت همراه با مفهوم نمونه و داده های جمعیت با استفاده از مثال های تجاری مرتبط معرفی شده است. این ما را به توزیع‌های آماری مختلف همراه با توابع اکسل هدایت می‌کند که سپس برای مدل‌سازی یا تقریب فرآیندهای تجاری استفاده می‌شوند. شما می‌توانید این معیارهای توصیفی داده‌ها و توزیع‌های آماری مختلف را با استفاده از مثال‌های مبتنی بر اکسل که به راحتی دنبال می‌شوند و در طول دوره نشان داده شده‌اند، اعمال کنید. برای انجام موفقیت آمیز تکالیف دوره، دانش آموزان باید به Microsoft Excel دسترسی داشته باشند. _____________________________________ هفته 1 ماژول 1: توصیفگرهای داده های پایه در این ماژول شما به درک، محاسبه و تفسیر معیارهای توصیفی یا خلاصه داده های مختلف خواهید رسید. این معیارهای توصیفی با استفاده از چند عدد داده ها را خلاصه و ارائه می کنند. توابع اکسل مناسب برای انجام این محاسبات معرفی و نشان داده شده است. موضوعات تحت پوشش عبارتند از: • دسته بندی داده های توصیفی • معیارهای گرایش مرکزی، میانگین، میانه، حالت و تفسیرها و محاسبات آنها • اندازه‌گیری‌های پراکندگی در داده‌ها، محدوده، محدوده بین چارکی، انحراف معیار و واریانس • توطئه های جعبه • تفسیر معیار انحراف معیار با استفاده از قاعده سرانگشتی و قضیه چبیشف _____________________________________ هفته 2 ماژول 2: اندازه گیری های توصیفی ارتباط، احتمال و توزیع های آماری این ماژول معیارهای کوواریانس و همبستگی و توابع اکسل مربوطه آنها را ارائه می دهد. شما می توانید مفهوم علیت در مقابل همبستگی را درک کنید. سپس ماژول مفهوم احتمال و متغیرهای تصادفی را معرفی می کند و شروع به معرفی توزیع های آماری می کند. موضوعات تحت پوشش عبارتند از: • معیارهای ارتباط، کوواریانس و معیارهای همبستگی. علیت در مقابل همبستگی • احتمال و متغیرهای تصادفی. داده های گسسته در مقابل داده های پیوسته • مقدمه ای بر توزیع های آماری _____________________________________ هفته 3 ماژول 3: توزیع عادی این ماژول توزیع نرمال و تابع اکسل را برای محاسبه احتمالات و نتایج مختلف از توزیع معرفی می کند. موضوعات تحت پوشش عبارتند از: • تابع چگالی احتمال و مساحت زیر منحنی به عنوان معیاری از احتمال • توابع توزیع عادی (منحنی زنگ)، NORM.DIST، NORM.INV در اکسل _____________________________________ هفته 4 ماژول 4: کار با توزیع ها، عادی، دو جمله ای، پواسون در این ماژول، برنامه های مختلف توزیع Normal را مشاهده خواهید کرد. همچنین با توزیع های Binomial و Poisson آشنا خواهید شد. قضیه حد مرکزی در زمینه درک داده های نمونه در مقابل داده های جمعیت و پیوند بین این دو معرفی و توضیح داده شده است. موضوعات تحت پوشش عبارتند از: • کاربردهای مختلف توزیع نرمال • توزیع دو جمله ای و پواسون • داده های نمونه در مقابل جمعیت. قضیه حد مرکزی

coursera ثبات و قابلیت در بهبود کیفیت (Mitalearn-331582)

  • 5 hours 44 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Wendy Martin
درباره این دوره:

در این دوره، شما یاد خواهید گرفت که داده ها را از نظر ثبات فرآیند و کنترل آماری تجزیه و تحلیل کنید و اینکه چرا داشتن یک فرآیند پایدار قبل از انجام آزمون فرضیه های آماری ضروری است. شما نمودارهای کنترل فرآیند آماری را برای داده های پیوسته و گسسته با استفاده از نرم افزار R ایجاد خواهید کرد. شما مجموعه داده ها را برای کنترل آماری با استفاده از قوانین کنترل بر اساس احتمال تجزیه و تحلیل خواهید کرد. علاوه بر این، یاد خواهید گرفت که چگونه یک فرآیند را با توجه به توانایی آن در برآوردن مشخصات داخلی یا خارجی ارزیابی کنید و در مورد بهبود فرآیند تصمیم گیری کنید. 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 جبر خطی: جبر ماتریسی، تعیین کننده ها و بردارهای ویژه (Mitalearn-334472)

  • 3 hours 53 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Joseph W. Cutrone, PhD
درباره این دوره:

این دوره دومین دوره در رشته تخصصی جبر خطی است. در این دوره، ما به توسعه تکنیک ها و تئوری برای مطالعه ماتریس ها به عنوان تبدیل های خطی ویژه (توابع) روی بردارها ادامه می دهیم. به طور خاص، ما تکنیک هایی را برای دستکاری ماتریس ها به صورت جبری توسعه می دهیم. این به ما امکان می دهد تا سیستم های معادلات خطی را بهتر تجزیه و تحلیل و حل کنیم. علاوه بر این، تعاریف و قضایای ارائه شده در این دوره امکان استفاده را برای شناسایی ویژگی‌های یک ماتریس معکوس، شناسایی زیرفضاهای مربوطه در R^n، سپس با مطالعه مقادیر ویژه و بردارهای ویژه ماتریس ها، بر روی هندسه تبدیل ماتریس تمرکز می کنیم. این اعداد برای مفاهیم خالص و کاربردی در ریاضیات، علوم داده، یادگیری ماشین، هوش مصنوعی و سیستم‌های دینامیکی مفید هستند. در پایان دوره شاهد کاربرد زنجیره مارکوف و الگوریتم رتبه صفحه گوگل خواهیم بود.

Suggestions