Course catalog

Course duration

Course provider

Topic

Categories

Showing 281-300 of 587 items.

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 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.

coursera حریم خصوصی و راحتی هوش مصنوعی (Mitalearn-333860)

  • 54 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Brent Summers
درباره این دوره:

در این دوره، مفاهیم اساسی مرتبط با امنیت و حریم خصوصی پروژه های یادگیری ماشین را بررسی خواهیم کرد. با بررسی اصول اخلاقی پشت این تصمیم‌ها، نحوه محافظت از کاربران در برابر نقض حریم خصوصی و در عین حال ایجاد مدل‌های پیش‌بینی مفید را بررسی خواهیم کرد. ما همچنین سؤالات بزرگی در مورد نحوه پیاده سازی الگوریتم های کسب و کار و تأثیر آن بر حریم خصوصی و شفافیت کاربر در حال حاضر و آینده خواهیم پرسید.

coursera حل مسئله با اکسل (Mitalearn-328233)

  • 4 hours 3 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Alex Mannella
درباره این دوره:

این دوره به بررسی اکسل به عنوان ابزاری برای حل مشکلات تجاری می پردازد. در این دوره شما با توابع اولیه اکسل از طریق نمایش هدایت شده آشنا خواهید شد. هر هفته مهارت‌های اکسل خود را تقویت خواهید کرد و فرصتی برای تمرین آموخته‌هایتان فراهم می‌شود. در نهایت، شما فرصتی خواهید داشت که دانش خود را در یک پروژه نهایی به کار ببرید. لطفا توجه داشته باشید که محتوای این دوره با استفاده از نسخه ویندوز اکسل 2013 تهیه شده است. این دوره توسط PricewaterhouseCoopers LLP با آدرسی در 300 Madison Avenue, New York, New York, 10017 ایجاد شده است.

coursera خط لوله داده کاوی (Mitalearn-333248)

  • 5 hours 18 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Qin (Christine) Lv
درباره این دوره:

این دوره مراحل کلیدی درگیر در خط لوله داده کاوی، از جمله درک داده، پیش پردازش داده، انبار داده، مدل سازی داده، تفسیر و ارزیابی، و کاربردهای دنیای واقعی را معرفی می کند. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder تصویر لوگوی دوره توسط فرانچسکو اونگارو، در اینجا در Unsplash موجود است: https://unsplash.com/photos/C89G61oKDDA

coursera خطرات اخلاقی را شناسایی و کاهش دهید (Mitalearn-327213)

  • 7 hours 52 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Renée Cummings,Jennifer Fischer,Eleanor 'Nell' Watson
درباره این دوره:

فن‌آوری‌های مبتنی بر داده‌ها مانند هوش مصنوعی، زمانی که با رعایت اصول اخلاقی طراحی شوند، هم برای کسب‌وکار و هم برای جامعه در کل مفید هستند. اما این کافی نیست که بگوییم "اخلاق" خواهید بود و انتظار داشته باشید که این اتفاق بیفتد. ما به ابزارها و تکنیک هایی نیاز داریم که به ما کمک کنند تا شکاف های موجود در رفتارهای اخلاقی خود را ارزیابی کنیم و تهدیدات علیه اهداف اخلاقی خود را شناسایی و متوقف کنیم. ما همچنین باید بدانیم کجا و چگونه فرآیندهای اخلاقی خود را در طول چرخه عمر توسعه بهبود دهیم. آنچه ما نیاز داریم راهی برای مدیریت ریسک اخلاقی است. این دوره سوم در گواهینامه حرفه‌ای Certified Ethical Emerging Technologist (CEET) برای یادگیرندگانی طراحی شده است که به دنبال کشف و کاهش خطرات اخلاقی در طراحی، توسعه و استقرار فناوری‌های مبتنی بر داده هستند. دانش‌آموزان اصول تحلیل ریسک اخلاقی، منابع ریسک و نحوه مدیریت انواع مختلف ریسک را خواهند آموخت. در طول دوره، فراگیران راهبردهایی برای شناسایی و کاهش خطرات را خواهند آموخت. این دوره سومین دوره از پنج دوره با گواهینامه حرفه ای Certified Ethical Emerging Technologist (CEET) است. دوره های قبلی با عنوان ترویج استفاده اخلاقی از فناوری های داده محور و تبدیل چارچوب های اخلاقی به گام های عملی است.

coursera خطوط لوله ML در Google Cloud (Mitalearn-336206)

  • 3 hours 3 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

در این دوره، شما از مهندسان و مربیان ML که با پیشرفته ترین توسعه خطوط لوله ML در اینجا در Google Cloud کار می کنند، یاد خواهید گرفت. چند ماژول اول در مورد TensorFlow Extended (یا TFX) که پلتفرم یادگیری ماشین تولیدی گوگل بر اساس TensorFlow برای مدیریت خطوط لوله ML و ابرداده است، پوشش می‌دهد. در مورد اجزای خط لوله و ارکستراسیون خط لوله با TFX خواهید آموخت. همچنین یاد خواهید گرفت که چگونه می توانید خط لوله خود را از طریق یکپارچه سازی مداوم و استقرار مستمر خودکار کنید و چگونه ابرداده های ML را مدیریت کنید. سپس تمرکز را تغییر خواهیم داد تا در مورد چگونگی خودکارسازی و استفاده مجدد از خطوط لوله ML در چندین چارچوب ML مانند tensorflow، pytorch، scikit Learn و xgboost بحث کنیم. همچنین یاد خواهید گرفت که چگونه از ابزار دیگری در Google Cloud یعنی Cloud Composer برای تنظیم خطوط لوله آموزش مداوم خود استفاده کنید. و در نهایت به نحوه استفاده از MLflow برای مدیریت چرخه زندگی یادگیری ماشین کامل خواهیم پرداخت. لطفا توجه داشته باشید که این دوره یک دوره پیشرفته است و برای استفاده حداکثری از این دوره، در حالت ایده آل، پیش نیازهای زیر را دارید: شما پیشینه ML خوبی دارید و خطوط لوله ML را ایجاد/استقرار کرده اید شما دوره های ML را با Tensorflow در تخصص GCP (یا حداقل چند دوره) گذرانده اید. شما دوره MLOps Fundamentals را به پایان رسانده اید. >>> با ثبت نام در این دوره، با شرایط خدمات Qwiklabs که در پرسش های متداول و در آدرس زیر آمده است موافقت می کنید: https://qwiklabs.com/terms_of_service <<<

coursera داده – چیست، چه کاری می توانیم با آن انجام دهیم (Mitalearn-329066)

  • 1 hours 34 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Jennifer Bachner, PhD
درباره این دوره:

این دوره دانش آموزان را با داده ها و آمار آشنا می کند. در پایان دوره، دانش‌آموزان باید بتوانند آمار توصیفی، تحلیل‌های علّی و تجسم‌سازی را برای به دست آوردن بینش معنادار تفسیر کنند. این دوره ابتدا چارچوبی را برای تفکر در مورد اهداف مختلف تجزیه و تحلیل آماری معرفی می کند. ما در مورد نحوه استفاده تحلیلگران از داده ها برای استنتاج توصیفی، علی و پیش بینی صحبت خواهیم کرد. سپس چگونگی توسعه یک مطالعه تحقیقاتی برای تحلیل علی، محاسبه و تفسیر آمار توصیفی و طراحی تجسم‌های مؤثر را پوشش خواهیم داد. این دوره به شما کمک می کند تا به یک مصرف کننده متفکر و منتقد تجزیه و تحلیل تبدیل شوید. اگر در زمینه ای هستید که به طور فزاینده ای به تصمیم گیری مبتنی بر داده متکی است، اما احساس می کنید برای تفسیر و ارزیابی داده ها آمادگی ندارید، این دوره به شما کمک می کند تا این ابزارهای اساسی سواد داده را توسعه دهید.

linkedin داده برای خوب: استفاده از علم داده در سازمان های غیرانتفاعی و سازمان های غیردولتی (Mitalearn-226080)

  • 33 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Martin Kemka
درباره این دوره:

انقلاب در علم داده، خوب یا بد، شیوه تجارت شرکت‌ها را در چند دهه اخیر تغییر داده است. اما علم داده فقط برای سرمایه داران نیست. هوش مصنوعی یکی از مهمترین نیروها برای تغییر است که در قرن گذشته توسعه یافته است و ما تازه شروع به شناخت قدرت و پتانسیل واقعی آن کرده ایم. در داده برای خوب: استفاده از علم داده در سازمان های غیرانتفاعی و سازمان های غیردولتی، مارتین کمکا نحوه استفاده از علم داده و یادگیری ماشین را در خارج از بخش انتفاعی بررسی می کند. او پارامترهایی را پوشش می دهد که چگونه داده ها برای تأثیرگذاری بر دنیای ما کار می کنند، چگونه می توان مفهوم داده برای خوب را به کار برد، چگونه می توان بهترین مسائل را برای حل با داده ها تعیین کرد، و چه ابزارهایی را مورد نیاز است. مارتین همچنین مطالعات موردی و چالش‌هایی در دنیای واقعی برای نشان دادن بیشتر درس‌ها ارائه می‌کند.

coursera داده کاوی برای شهرهای هوشمند (Mitalearn-327757)

  • 7 hours 32 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Dr. Dheeraj Kumar
درباره این دوره:

اینترنت اشیا (IoT) به یکی از اجزای مهم زندگی شهری تبدیل شده است و باعث ایجاد «شهرهای هوشمند» شده است. هدف این شهرهای هوشمند تبدیل مجتمع های شهری امروزی به فضاهای زندگی سازگار با محیط زیست و سازگار با محیط زیست است. زیرساخت دیجیتال شهرهای هوشمند حجم عظیمی از داده ها را تولید می کند که می تواند به ما در درک بهتر عملیات و سایر جنبه های مهم زندگی شهر کمک کند. در این دوره، شما با تکنیک های مختلف داده کاوی و یادگیری ماشین و مجموعه داده های مختلفی که می توان بر روی آنها اعمال کرد، آشنا خواهید شد. شما یاد خواهید گرفت که چگونه داده کاوی را در پایتون پیاده سازی کنید و نتایج را برای استخراج دانش عملی تفسیر کنید. این دوره شامل آزمایش‌های عملی با استفاده از مجموعه داده‌های زندگی واقعی مختلف است تا شما را قادر می‌سازد روی مجموعه داده‌های جدید مرتبط با دامنه خود آزمایش کنید. شما از زبان برنامه نویسی پایتون 3 برای خواندن و پیش پردازش داده ها استفاده می کنید و سپس وظایف مختلف داده کاوی را روی داده های پاک شده برای به دست آوردن نتایج دلخواه پیاده سازی می کنید. پس از آن، نتایج را برای کارآمدترین توصیف تجسم خواهید کرد.

coursera داده کاوی پایگاه های داده بالینی - CDSS 1 (Mitalearn-333452)

  • 3 hours 32 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Fani Deligianni
درباره این دوره:

این دوره آموزشی MIMIC-III را معرفی می کند، که بزرگترین پایگاه داده عمومی ثبت الکترونیک سلامت (EHR) است که برای معیار الگوریتم های یادگیری ماشینی موجود است. به طور خاص، با طراحی این پایگاه داده رابطه‌ای آشنا خواهید شد که چه ابزارهایی برای پرس و جو، استخراج و تجسم تجزیه و تحلیل توصیفی در دسترس است. طرح‌واره و کدگذاری طبقه‌بندی بین‌المللی بیماری‌ها برای درک چگونگی ترسیم سؤالات تحقیقاتی به داده‌ها و چگونگی استخراج نتایج بالینی کلیدی به منظور توسعه الگوریتم‌های یادگیری ماشینی مفید بالینی مهم است.

coursera داده ها برای یادگیری ماشین (Mitalearn-333979)

  • 3 hours 38 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Anna Koop
درباره این دوره:

این دوره همه چیز در مورد داده ها است و اینکه چگونه برای موفقیت مدل یادگیری ماشین کاربردی شما بسیار مهم است. گذراندن این دوره به زبان آموزان این مهارت ها را می دهد: درک عناصر حیاتی داده ها در مراحل یادگیری، آموزش و عملیات سوگیری ها و منابع داده را درک کنید تکنیک هایی را برای بهبود کلیت مدل خود اجرا کنید عواقب بیش از حد برازش را توضیح دهید و اقدامات کاهشی را شناسایی کنید اقدامات آزمون و اعتبارسنجی مناسب را اجرا کنید. نشان دهید که چگونه می توان دقت مدل شما را با مهندسی ویژگی های متفکرانه بهبود بخشید. تأثیر پارامترهای الگوریتم بر قدرت مدل را بررسی کنید برای موفقیت در این دوره، باید حداقل پیشینه سطح مبتدی در برنامه نویسی پایتون داشته باشید (به عنوان مثال، بتوانید کدهای موجود را بخوانید و کدنویسی کنید، با شرط ها، حلقه ها، متغیرها، لیست ها، دیکشنری ها و آرایه ها راحت باشید). شما باید درک اولیه ای از جبر خطی (نماد برداری) و آمار (توزیع احتمال و میانگین / میانه / حالت) داشته باشید. این سومین دوره از تخصص یادگیری ماشین کاربردی است که توسط Coursera و موسسه هوش ماشین آلبرتا برای شما آورده شده است.

linkedin داده های بزرگ در عصر هوش مصنوعی (Mitalearn-412621)

  • 2 hours 29 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Barton Poulson
درباره این دوره:

در این دوره جامع ، رابطه جدایی ناپذیر بین داده های بزرگ و هوش مصنوعی را کشف کنید. در این دوره ، بارتون پولسون - استاد ، مشاور ، کارآفرین و کارشناس داده - به سه در مقابل داده های بزرگ می رود: حجم ، سرعت و تنوع. دریابید که چگونه آنها پیشرفت های AI را هدایت می کنند. بیاموزید که چگونه مجموعه داده های عظیم را کنترل کنید ، از الگوریتم های یادگیری ماشین استفاده کنید و از تجزیه و تحلیل پیش بینی کننده برای کشف بینش های ارزشمند استفاده کنید. تکنیک های تشخیص ناهنجاری ، تجزیه و تحلیل متن و تجزیه و تحلیل احساسات را کشف کنید. ملاحظات اخلاقی ، پیامدهای قانونی و تأثیرات زیست محیطی مرتبط با استفاده از داده های بزرگ را درک کنید. با برنامه های دنیای واقعی درگیر شوید و ببینید که چگونه داده های بزرگ به داده های کوچک عملی برای کاربران نهایی تبدیل می شوند. در پایان این دوره ، شما به مهارت هایی برای تبدیل داده های خام به راه حل های قدرتمند ، بصیرت و عملی برای نیازهای حرفه ای خود مجهز خواهید شد.

Suggestions