Course catalog

Course duration

Course provider

Topic

Categories

Showing 281-300 of 610 items.

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.

coursera جبر خطی: سیستم های خطی و معادلات ماتریسی (Mitalearn-328726)

  • 3 hours 29 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Joseph W. Cutrone, PhD
درباره این دوره:

این اولین دوره از یک تخصص سه دوره است که دانش آموزان را با مفاهیم جبر خطی، یکی از مهم ترین و اساسی ترین زمینه های ریاضیات، با کاربردهای بسیاری در زندگی آشنا می کند. این مطالب پایه هم تئوری و هم کاربردهایی را برای موضوعاتی در این زمینه فراهم می کند ریاضیات، مهندسی و علوم. محتوای دوره بر معادلات خطی، روش های ماتریسی، هندسه تحلیلی و تبدیل های خطی تمرکز دارد. علاوه بر تسلط بر تکنیک ها، دانش آموزان با ایده های انتزاعی تر جبر خطی نیز آشنا خواهند شد. سخنرانی‌ها، خواندن، آزمون‌ها و پروژه‌ها همگی به دانش‌آموزان کمک می‌کنند تا بر محتوای درسی تسلط پیدا کنند و خواندن، نوشتن و حتی تصحیح را بیاموزند. برهان های ریاضی در پایان دوره، دانش آموزان به زبان جبر خطی مسلط خواهند بود و تعاریف و قضایای جدید را همراه با مثال ها و مثال ها یاد می گیرند. دانش آموزان همچنین یاد خواهند گرفت که از تکنیک هایی برای طبقه بندی و حل سیستم های معادلات خطی استفاده کنند. این دوره دانشجویان را برای ادامه مطالعه تحولات خطی با دوره بعدی در تخصص آماده می کند. .

coursera جبر خطی: متعامد و قطری (Mitalearn-334081)

  • 2 hours 35 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Joseph W. Cutrone, PhD
درباره این دوره:

این سومین و آخرین دوره در تخصص جبر خطی است که بر نظریه و محاسباتی که از کار با بردارهای متعامد ناشی می شود تمرکز دارد. این شامل مطالعه تبدیل متعامد، پایه‌های متعامد و تبدیل‌های متعامد است. این دوره در تئوری ماتریس های متقارن به اوج خود می رسد و ویژگی های جبری را با معادل های هندسی مربوطه مرتبط می کند. این ماتریس ها بیشتر از هر کلاس دیگر از ماتریس ها در کاربردها ایجاد می شوند. تئوری، مهارت ها و تکنیک های آموخته شده در این دوره برای هوش مصنوعی و یادگیری ماشین کاربرد دارد. در این زمینه‌های پرطرفدار، اغلب موتور محرک سیستم‌هایی که در حال تفسیر، آموزش و استفاده از داده‌های خارجی هستند، دقیقاً تحلیل ماتریسی برخاسته از محتوای این دوره است. تکمیل موفقیت آمیز این تخصص، دانش آموزان را برای گذراندن دوره های پیشرفته در علوم داده، هوش مصنوعی و ریاضیات آماده می کند.

coursera جدال داده با پروژه پایتون (Mitalearn-331973)

  • متوسط
  • Release date: 27 June 2026
  • Author: Di Wu
درباره این دوره:

دوره "پروژه جدال داده ها" فرصتی را برای دانش آموزان فراهم می کند تا دانش به دست آمده در سراسر تخصص را در یک پروژه جدال داده های واقعی مورد علاقه خود به کار گیرند. شرکت‌کنندگان خط لوله کشمکش داده‌ها را گام به گام دنبال می‌کنند، از شناسایی منابع داده تا پردازش و یکپارچه‌سازی داده‌ها، تا به یک مجموعه داده خوب و آماده برای تجزیه و تحلیل دست یابند. این دوره دانش‌آموزان را قادر می‌سازد تا تجربیات عملی در فرآیند جدال داده‌ها به دست آورند و آنها را برای رسیدگی به چالش‌های پیچیده داده در سناریوهای دنیای واقعی آماده می‌کند. در طول دوره، دانش‌آموزان روی پروژه جدال داده‌های خود کار می‌کنند و دانش و مهارت‌های به‌دست‌آمده در هر ماژول را برای دستیابی به مجموعه داده‌ای تصفیه‌شده و به خوبی آماده‌شده به‌کار می‌برند. در پایان دوره، شرکت‌کنندگان در فرآیند جدال داده‌ها مهارت خواهند داشت و آماده مقابله با چالش‌های داده‌های دنیای واقعی در حوزه‌های مختلف خواهند بود.

coursera جدال داده ها، تجزیه و تحلیل و تست AB با SQL (Mitalearn-332551)

  • 4 hours 33 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Katrina Glaeser Poole
درباره این دوره:

این دوره به شما این امکان را می دهد تا مهارت های SQL آموزش داده شده در "SQL for Data Science" را در چهار مطالعه موردی تحقیقاتی علم داده به طور فزاینده پیچیده و معتبر به کار ببرید. ما یاد خواهیم گرفت که چگونه مُهرهای زمانی همه نوع را به فرمت‌های رایج تبدیل کنیم و محاسبات تاریخ/زمان را انجام دهیم. ما JOIN بهینه را برای تحقیق علم داده انتخاب و انجام خواهیم داد و داده‌ها را در یک مجموعه داده تجزیه و تحلیل با حذف کردن، اجرای بررسی‌های کیفیت، پر کردن پشتی و مدیریت تهی، پاکسازی می‌کنیم. ما یاد می گیریم که چگونه داده ها را در هر بخش با استفاده از توابع پنجره بندی تقسیم و تجزیه و تحلیل کنیم و از دستورات case برای اجرای منطق شرطی برای رسیدگی به یک تحقیق علم داده استفاده کنیم. همچنین نحوه تبدیل یک پرس و جو به یک کار زمان بندی شده و نحوه درج داده ها در یک پارتیشن تاریخ را توضیح خواهیم داد. در نهایت، با توجه به نیاز به تحلیل پیش‌بینی‌کننده، با استفاده از ابزارها و مهارت‌هایی که در طول دوره ایجاد کرده‌ایم، ویژگی‌ای را از داده‌های خام مهندسی می‌کنیم. کاربرد واقعی این مهارت ها چارچوبی را برای انجام تجزیه و تحلیل آزمون AB در اختیار شما قرار می دهد.

linkedin جدولی برای دانشمندان داده (Mitalearn-218719)

  • 5 hours 55 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Matt Francis
درباره این دوره:

اگر کار شما به هر نوع تجسم گرافیکی داده ها نیاز دارد، به احتمال زیاد با Tableau مواجه شده اید. اگر از Tableau استفاده می‌کنید اما می‌خواهید یاد بگیرید که چگونه واقعاً از تمام قدرت آن برای علم داده استفاده کنید، در این دوره به متخصص مت فرانسیس بپیوندید تا به شما نشان دهد چگونه مهارت‌های خود را به سطح بعدی ببرید. Matt با یکی از مهمترین ویژگی‌های Tableau شروع می‌کند: تفاوت بین قرص‌های سبز و آبی (داده‌های گسسته و پیوسته) و نحوه تأثیر آن بر تک تک اقدامات Tableau. سپس نحوه اتصال و ترکیب داده‌ها از منابع داده مختلف، نحوه ایجاد نمودارهای مختلف برای درک داده‌ها، راه‌های تبدیل داده‌های خود با محاسبات و نحوه ایجاد نقشه‌های تعاملی را نشان می‌دهد. در نهایت، مت روش‌های ارائه مؤثر داده‌ها و نحوه ساخت داشبوردهای جذاب را توضیح می‌دهد. چه بخواهید در مورد Tableau به طور کلی اطلاعات بیشتری کسب کنید، یا فقط بخواهید دانش خود را در مورد یک موضوع افزایش دهید، این دوره به ارتقاء بازی Tableau شما کمک می کند.

coursera جعبه ابزار دانشمند داده (Mitalearn-335254)

  • 2 hours 16 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jeff Leek, PhD,Roger D. Peng, PhD,Brian Caffo, PhD
درباره این دوره:

در این دوره آموزشی با ابزارها و ایده های اصلی در جعبه ابزار دانشمند داده آشنا می شوید. این دوره یک نمای کلی از داده ها، سؤالات و ابزارهایی را ارائه می دهد که تحلیلگران داده و دانشمندان داده با آنها کار می کنند. این دوره دو جزء دارد. اولین مقدمه ای مفهومی برای ایده های پشت تبدیل داده ها به دانش عملی است. دومین مقدمه ای عملی برای ابزارهایی است که در برنامه استفاده می شود مانند کنترل نسخه، علامت گذاری، git، GitHub، R و RStudio.

coursera جمع آوری داده ها و یکپارچه سازی (Mitalearn-331293)

  • 57 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Di Wu
درباره این دوره:

دوره "جمع آوری و یکپارچه سازی داده ها" تکنیک های جامعی را برای جمع آوری داده ها از منابع مختلف از جمله فایل ها، پایگاه های داده رابطه ای، صفحات وب و API ها در اختیار دانشجویان قرار می دهد. شرکت کنندگان تجربه عملی در جمع آوری و ادغام داده ها برای پردازش و تجزیه و تحلیل بیشتر کسب خواهند کرد. این دوره بر استفاده از ابزارها و بسته‌های مناسب مانند پانداها، سوپ زیبا و SQL برای مدیریت مؤثر مجموعه داده‌های واقعی و رسیدگی به چالش‌های یکپارچه‌سازی داده‌ها تأکید دارد.

coursera چارچوب تجمع MongoDB (Mitalearn-333027)

  • 3 hours 15 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Nathan Leniz,Kirby Kohlmorgen
درباره این دوره:

این دوره به شما یاد می دهد که چگونه با استفاده از چارچوب قدرتمند تجمع MongoDB، تجزیه و تحلیل داده ها را انجام دهید. شما این دوره را با ایجاد پایه ای از دانش تجمیع ضروری آغاز خواهید کرد. با درک این ویژگی های Framework Aggregation، یاد خواهید گرفت که چگونه سوالات پیچیده ای از داده های خود بپرسید. این زمینه را برای بقیه دوره فراهم می کند که در آن شما عمیقاً غواصی خواهید کرد و در مورد طراحی طرحواره، مهاجرت داده های رابطه ای و یادگیری ماشین با MongoDB. در پایان این دوره خواهید فهمید که چگونه از MongoDB و چارچوب تجمع آن در گردش کار علم داده خود به بهترین شکل استفاده کنید.

coursera چارچوب کیفیت کل داده ها (Mitalearn-329491)

  • 8 hours 13 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Brady T. West,James Wagner,Jinseok Kim
درباره این دوره:

در پایان این اولین دوره در تخصص کیفیت داده کل، فراگیران قادر خواهند بود: 1. شناسایی تفاوت های اساسی بین داده های طراحی شده و جمع آوری شده و خلاصه کردن ابعاد کلیدی چارچوب کیفیت داده کل (TDQ). 2. تعریف سه بعد اندازه گیری چارچوب کیفیت داده کل، و توصیف تهدیدات بالقوه برای کیفیت داده در امتداد هر یک از این ابعاد برای داده های جمع آوری شده و طراحی شده. 3. تعریف سه بعد نمایشی چارچوب کیفیت داده کل، و توصیف تهدیدات بالقوه برای کیفیت داده در امتداد هر یک از این ابعاد برای داده های جمع آوری شده و طراحی شده. و 4. توضیح دهید که چرا تجزیه و تحلیل داده ها بعد مهمی از چارچوب کیفیت کل داده را تعریف می کند و تهدیدات بالقوه برای کیفیت کلی یک طرح تجزیه و تحلیل برای داده های طراحی شده و/یا جمع آوری شده را خلاصه کنید. این تخصص به طور کلی با هدف بررسی عمیق چارچوب کیفیت کل داده ها و ارائه اطلاعات بیشتر در مورد ارزیابی دقیق کیفیت کل داده ها که باید قبل از تجزیه و تحلیل داده ها اتفاق بیفتد، در اختیار یادگیرندگان قرار می دهد. هدف این است که یادگیرندگان ارزیابی های کیفیت داده ها را به عنوان یک جزء حیاتی برای همه پروژه ها در فرآیند خود بگنجانند. ما صمیمانه امیدواریم که دانش در مورد کیفیت کل داده ها را به همه فراگیران، مانند دانشمندان داده و تحلیلگران کمی، که در مراحل اولیه فرآیند علم داده که بر جمع آوری داده ها و ارزیابی کیفیت داده ها تمرکز دارد، آموزش کافی ندیده اند، منتشر کنیم. ما احساس می‌کنیم که اگر داده‌های جمع‌آوری‌شده/جمع‌آوری‌شده از کیفیت کافی برخوردار نباشند، دانش گسترده از تکنیک‌های علم داده و روش‌های تجزیه و تحلیل آماری به یک مطالعه تحقیقاتی کمی کمک نمی‌کند. این تخصص بر اولین گام‌های اساسی در هر نوع تحقیق علمی با استفاده از داده‌ها تمرکز می‌کند: تولید یا جمع‌آوری داده‌ها، درک اینکه داده‌ها از کجا آمده‌اند، ارزیابی کیفیت داده‌ها، و اقداماتی برای به حداکثر رساندن کیفیت داده‌ها قبل از انجام هر نوع تحلیل آماری یا به کارگیری تکنیک های علم داده برای پاسخ به سؤالات تحقیق. با توجه به این تمرکز، مطالب کمی در مورد تجزیه و تحلیل داده ها وجود خواهد داشت، که در بی شمار تخصص های موجود Coursera پوشش داده شده است. تمرکز اصلی این تخصص بر درک و به حداکثر رساندن کیفیت داده ها قبل از تجزیه و تحلیل خواهد بود.

coursera چارچوب های اخلاقی را به گام های عملی تبدیل کنید (Mitalearn-327298)

  • 4 hours 21 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Eleanor 'Nell' Watson,Aaron Hui,Abhishek Gupta
درباره این دوره:

اصول اخلاقی پایه ای قوی برای هدایت فناوری های اخلاقی ایجاد می کند. اصول به تنهایی می توانند برای به کارگیری گریزان و غیرعملی باشند. چارچوب‌های اخلاقی مبتنی بر این اصول ساختاری را برای راهنمایی فن‌آوران در هنگام اجرای راه‌حل‌های مبتنی بر داده ارائه می‌دهند. با این حال، چارچوب‌های اخلاقی، همراه با استانداردها و مقررات، می‌توانند وظایف انطباق را پیچیده‌تر کنند و همچنین می‌توانند تنش بین وظایف اخلاقی و کارهای عملی تجاری را افزایش دهند. یک رویکرد برای تطبیق این مسائل مورد نیاز است. این دوره دوم در چارچوب گواهینامه حرفه‌ای Certified Ethical Emerging Technologist (CEET) برای یادگیرندگانی طراحی شده است که به دنبال تجزیه و تحلیل چارچوب‌های اخلاقی، مقررات، استانداردها و بهترین شیوه‌ها و ادغام آنها در راه‌حل‌های مبتنی بر داده‌ها هستند. دانش‌آموزان با چارچوب‌ها و اصول اخلاقی مشترکی که بر اساس آن‌ها هستند آشنا می‌شوند و اینکه چگونه می‌توان آن‌ها را در انواع معضلات اخلاقی به کار برد. شما قوانین قابل اجرا و بهترین شیوه های ایجاد شده در بین سازمان ها و دولت های جهانی و نحوه هدایت ادغام این استانداردها در زمینه نیازهای تجاری را خواهید آموخت. این دوره دومین دوره از پنج دوره است که دارای گواهینامه حرفه ای Certified Ethical Emerging Technologist (CEET) است. دوره قبلی با عنوان ترویج استفاده اخلاقی از فناوری های داده محور است.

coursera چارچوبی برای جمع آوری و تجزیه و تحلیل داده ها (Mitalearn-333044)

  • 2 hours 51 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Frauke Kreuter, Ph.D.,Mariel Leonard
درباره این دوره:

این دوره مروری بر محصولات داده موجود و درک خوبی از چشم انداز جمع آوری داده ها را در اختیار شما قرار می دهد. با کمک مثال‌های مختلف، یاد می‌گیرید که چگونه شناسایی کنید کدام منابع داده احتمالاً با سؤال تحقیق شما مطابقت دارد، چگونه سؤال تحقیق خود را به قطعات قابل اندازه‌گیری تبدیل کنید و چگونه در مورد یک طرح تحلیل فکر کنید. علاوه بر این، این دوره یک چارچوب کلی را در اختیار شما قرار می دهد که به شما امکان می دهد نه تنها هر مرحله مورد نیاز برای جمع آوری و تجزیه و تحلیل موفقیت آمیز داده ها را درک کنید، بلکه به شما کمک می کند تا خطاهای مرتبط با منابع داده های مختلف را شناسایی کنید. شما برخی از معیارها را برای تعیین کمیت هر خطای احتمالی یاد خواهید گرفت، و بنابراین ابزارهایی برای توصیف کیفیت یک منبع داده در اختیار خواهید داشت. در نهایت تلاش‌های مختلف جمع‌آوری داده‌ها در مقیاس بزرگ را که توسط صنایع خصوصی و سازمان‌های دولتی انجام شده است، معرفی می‌کنیم و مفاهیم آموخته‌شده را از طریق این مثال‌ها بررسی می‌کنیم. این دوره برای مبتدیان و همچنین کسانی که در مورد یک منبع داده خاص می دانند، اما دیگران را نه، و به دنبال یک چارچوب کلی برای ارزیابی محصولات داده هستند، مناسب است.

linkedin چالش های کد R: علم داده (Mitalearn-442150)

  • 57 minutes
  • مناسب همه
  • Release date: 12 August 2024
  • Author: Mark Niemann-Ross
درباره این دوره: 

 آیا می خواهید مهارت های مهندسی داده R خود را آزمایش کرده و توسعه دهید؟ به مربی مارک نیمن راس در این دوره چالش های کد بپیوندید زیرا او چالش های کوتاه و کوچکی را ارائه می دهد که می توانید برای تمرین برنامه نویسی R از آنها استفاده کنید. هر ویدیو کمتر از چهار دقیقه و مستقل است، بنابراین می‌توانید به هر ترتیبی ویدیوها را تماشا کنید. مارک راه حل های خود را برای هر مشکلی به اشتراک می گذارد، که اکثر آنها کمتر از 10 خط کد دارند. چه یک برنامه نویس جدید باشید که به دنبال تمرین هستید، یا یک توسعه دهنده با تجربه که می خواهد روی برخی چالش ها کار کند، این دوره کوتاه به شما فرصتی می دهد تا مهارت های خود را تقویت کنید.

coursera چرخه عمر داده های یادگیری ماشین در تولید (Mitalearn-336461)

  • 4 hours 13 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Robert Crowe
درباره این دوره:

در دوره دوم مهندسی یادگیری ماشین برای تخصص تولید، شما خطوط لوله داده را با جمع آوری، تمیز کردن و اعتبارسنجی مجموعه داده ها و ارزیابی کیفیت داده ایجاد می کنید. مهندسی ویژگی، تبدیل و انتخاب را با TensorFlow Extended پیاده سازی کنید و بیشترین قدرت پیش بینی را از داده های خود دریافت کنید. و چرخه عمر داده ها را با استفاده از ابزارهای ابرداده اصل و منشأ داده ایجاد کنید و تکامل داده ها را با طرحواره های داده سازمانی دنبال کنید. درک مفاهیم یادگیری ماشین و یادگیری عمیق ضروری است، اما اگر به دنبال ایجاد یک شغل موثر هوش مصنوعی هستید، به قابلیت‌های مهندسی تولید نیز نیاز دارید. مهندسی یادگیری ماشین برای تولید، مفاهیم اساسی یادگیری ماشین را با تخصص عملکردی توسعه نرم‌افزار مدرن و نقش‌های مهندسی ترکیب می‌کند تا به شما در توسعه مهارت‌های آماده تولید کمک کند. هفته 1: جمع‌آوری، برچسب‌گذاری و اعتبارسنجی داده‌ها هفته 2: مهندسی ویژگی، تبدیل و انتخاب هفته 3: سفر داده و ذخیره‌سازی داده هفته 4: روش‌های پیشرفته برچسب‌گذاری داده‌ها، افزایش داده‌ها و پیش پردازش انواع مختلف داده‌ها

linkedin چگونه از کلود به عنوان یک دانشمند داده استفاده می کنم (Mitalearn-459235)

  • 9 minutes
  • مناسب همه
  • Release date: 18 February 2026
  • Author: Sundas Khalid
درباره این دوره:

چهار راه را کشف کنید که می توانید از کلود 4 برای خودکارسازی بخش های بزرگی از گردش های کاری علم داده خود استفاده کنید. در این دوره، Sundas Khalid توضیح می دهد که چرا دانشمندان داده می توانند از استفاده از Claude 4 سود ببرند. او در مورد برنامه ریزی، تحقیق، کدنویسی، داشبورد و موارد دیگر بحث می کند.

linkedin چگونه یک دانشمند داده پیشرو باشیم (Mitalearn-385778)

  • 1 hours 6 minutes
  • مناسب همه
  • Release date: 1 April 2024
  • Author: Matthew Blasa
درباره این دوره: 

 

در جهانی که به‌طور بی‌وقفه توسط فناوری تغییر شکل داده است، چگونه یک دانشمند داده با تجربه می‌تواند به عنوان یک رهبر ارتقا یابد؟ از کجا شروع می کنید؟ این دوره اصول مورد نیاز برای ارتقاء سطح و موفقیت به عنوان یک دانشمند پیشرو داده جدید را بیان می کند: مهارت های اساسی، طرز فکر و استراتژی.

تقاضای حیاتی برای رهبران علم داده رویایی را کشف کنید که می توانند تیم ها را رهبری کنند، طراحی کنند. استراتژی های تاثیرگذار و پل زدن نیازهای تجاری و اجرای فنی. این سفر شما را با یک چارچوب ذهنی قوی، ستون‌های حرفه‌ای محکم، مهارت‌های رهبری پیشرفته و مهارت‌های ارتباطی مؤثر برای تولید ارزش پایدار مجهز می‌کند. در پایان این دوره، شما آماده خواهید بود تا مهارت‌های رهبری جدید خود را در چرخه حیات هوش مصنوعی و علم داده آزاد کنید.


coursera چهار مهارت نادر یادگیری ماشینی که همه دانشمندان داده به آن نیاز دارند (Mitalearn-336886)

  • 2 hours 14 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Eric Siegel
درباره این دوره:

این دوره نادیده گرفته‌شده‌ترین و در عین حال حیاتی‌ترین مهارت‌ها در یادگیری ماشینی را پوشش می‌دهد، چهار تکنیک حیاتی که به ندرت پوشش داده می‌شوند – بیشتر دوره‌ها و کتاب‌ها آن‌ها را کاملاً حذف می‌کنند. 1) مدل سازی بالا (AKA PERSUASION MODELING): وقتی در حال مدلینگ هستید، آیا حتی کار درست را پیش بینی می کنید؟ 2) مغالطه دقت: هنگام ارزیابی اینکه یک مدل چقدر خوب کار می کند، آیا حتی در مورد چیز درستی گزارش می دهید؟ 3) P-HACKING: آیا ساده ترین کشفیات شما از داده ها حتی واقعی است؟ 4) پارادوکس مدل‌های گروه: آیا می‌دانید چگونه کار می‌کنند، حتی اگر به نظر می‌رسد که تیغ اوکام را به چالش می‌کشند؟ >> چرا این روش‌های پیشرفته ضروری هستند: هر یک به سؤالی می‌پردازد که برای یادگیری ماشینی اساسی است (در بالا). برای بسیاری از پروژه ها، موفقیت به این مهارت های خاص بستگی دارد. >> عملی نیست - اما برای یادگیرندگان فنی: این دوره بدون کدنویسی و بدون استفاده از نرم افزار یادگیری ماشین است. در عوض، قبل از اینکه تمرین عملی را انجام دهید، زمینه مفهومی را ایجاد می کند. وقتی نوبت به این تکنیک‌های پیشرفته و مشکلات رایج می‌رسد، پایه‌ای از دانش مفهومی وجود دارد که باید قبل از دست زدن به کار ایجاد کنید – و از انجام آن خوشحال خواهید شد. >> VENDOR-NEUTRAL: این دوره شامل دموی نرم افزاری روشنگر یادگیری ماشین در عمل با استفاده از محصولات SAS است. با این حال، برنامه درسی از نظر فروشنده خنثی و قابل اجرا است. محتویات و اهداف یادگیری، صرف نظر از اینکه در نهایت با کدام ابزار نرم افزار یادگیری ماشینی برای کار انتخاب می کنید، اعمال می شود.

linkedin حاکمیت خودکار داده در عمل (Mitalearn-451347)

  • 1 hours 9 minutes
  • مناسب همه
  • Release date: 12 February 2025
  • Author: Jonathan Reichental
درباره این دوره:

این دوره مقدماتی در مورد DataGovOps برای ارائه درک کاملی از ارزش ادغام شیوه های حاکمیت داده با متدولوژی های DataOps طراحی شده است. به مربی Jonathan Reichental بپیوندید تا اصول DataGovOps را بررسی کند و بر چگونگی اطمینان از کیفیت، امنیت و انطباق داده ها در محیط های توسعه چابک و مشارکتی تمرکز کند. بعلاوه، در مورد انواع ابزارهایی که امکان خودکارسازی مدیریت داده ها را فراهم می کنند، بیاموزید. در پایان دوره، شما مجهز به پیشنهاد و ایجاد یک استراتژی DataGovOps برای سازمان خود خواهید بود.

Suggestions