Course catalog

Course duration

Course provider

Topic

Categories

Showing 281-300 of 555 items.

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.

linkedin تجزیه و تحلیل شبکه های اجتماعی با استفاده از R (Mitalearn-100348)

  • 1 hours 6 minutes
  • متوسط
  • Release date: 22 June 2026
  • Author: Curt Frye
درباره این دوره:

تجزیه و تحلیل شبکه های اجتماعی با استفاده از R به تحلیلگران می آموزد که چگونه داده های یک شبکه اجتماعی مانند توییتر یا فیس بوک را با زبان آماری مبتنی بر متن، R، تجسم و تجزیه و تحلیل کنند. به شما آموزش می دهد که چگونه ماژول های R sna و igraph کار می کنند و چگونه داده ها را برای تجزیه و تحلیل قالب بندی کنید، نمودار ایجاد کنید، نمودارهای شبکه را تجزیه و تحلیل کنید، و شبکه ها را تجسم کنید. به مربی کرت فرای بپیوندید و بیاموزید که چگونه روابط و روندهای بین شبکه ها را به روش های جدید و هیجان انگیز بررسی کنید و اطلاعاتی در مورد نحوه تعامل افراد در یک سازمان کشف 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.

linkedin تجزیه و تحلیل کسب و کار: تکنیک های کاهش داده با استفاده از Excel و R (Mitalearn-109987)

  • 1 hours 2 minutes
  • پیشرفته
  • Release date: 21 June 2026
  • Author: Conrad Carlberg
درباره این دوره:

با توجه به اینکه مشاغل باید با حجم فزاینده داده دست و پنجه نرم کنند، نیاز به کاهش داده ها در سال های اخیر تشدید شده است. برای درک فراوانی بیش از حد اطلاعات، می‌توانید از تحلیل خوشه‌ای استفاده کنید - که به شما امکان می‌دهد در مورد تعداد انگشت شماری از گروه‌ها به جای یک جمعیت کامل از افراد استنباط ایجاد کنید - و همچنین از تجزیه و تحلیل مؤلفه‌های اصلی که متغیرهای پنهان را آشکار می‌کند.\r\n\r\n سپس او توضیح می‌دهد که چگونه می‌توان همان تحلیل را با استفاده از R، نرم‌افزار محاسباتی آماری منبع باز، که از نظر گزینه‌های تجزیه و تحلیل سریع‌تر و غنی‌تر از Excel است، انجام داد. به علاوه، او نحوه ادغام نتایج تجزیه و تحلیل خوشه‌ای و تحلیل عاملی را توضیح می‌دهد تا به شما کمک کند تا چند عامل اساسی را بر اساس عضویت افراد تنها در چند خوشه تجزیه کنید.

linkedin تجزیه و تحلیل مراقبت های بهداشتی: رگرسیون در R (Mitalearn-107420)

  • 4 hours 20 minutes
  • پیشرفته
  • Update date: 22 June 2026
  • Author: Monika Wahi
درباره این دوره:

مدل های رگرسیون خطی و لجستیک را می توان با استفاده از R، نرم افزار محاسبات آماری منبع باز ایجاد کرد. در این دوره، مونیکا وحی، متخصص بیوتکنولوژی و اپیدمیولوژیست، از مجموعه داده های نظارت بر عوامل خطر رفتاری (BRFSS) در دسترس عموم استفاده می کند تا به شما نشان دهد که چگونه یک فرآیند مدل سازی گام به گام رو به جلو انجام دهید. مونیکا به شما نشان می دهد که چگونه با در نظر گرفتن معقول بودن علمی در انتخاب یک فرضیه، تحقیق خود را طراحی کنید. سپس، او شما را از طریق مراحل تهیه، توسعه و نهایی کردن هر دو مدل رگرسیون خطی و مدل رگرسیون لجستیک راهنمایی می کند. او همچنین تکنیک‌هایی را برای نحوه تفسیر نمودارهای تشخیصی، بهبود تناسب مدل، مقایسه مدل‌ها و موارد دیگر به اشتراک می‌گذارد.

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 منابع انسانی (Mitalearn-298874)

  • 59 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Amber Gould
درباره این دوره:

با پیشرفت در فناوری و رایانش ابری، اکنون منابع داده های متعددی برای هدایت تصمیم گیری و هدایت موفقیت سازمان وجود دارد. جمع آوری نوع مناسب داده مستلزم آن است که تیم های منابع انسانی دارای مهارت های تحلیلی قوی باشند. تیم‌های منابع انسانی با کارایی بالا می‌دانند که وظیفه آن‌ها استفاده از داده‌ها به‌عنوان «علم تصمیم‌گیری» با شناسایی معیارها و منابع داده‌ای است که بینش‌های سازمانی را ارائه می‌دهند. برای انجام این کار، منابع انسانی باید اطمینان حاصل کند که معیارها و معیارها به طور موثر برای دستیابی به اهداف استراتژیک استفاده می شوند. این دوره بر شناسایی منابع داده موثر، توسعه معیارهای معنادار، طراحی اقدامات بلندمدت و به کارگیری نتایج در حمایت از استراتژی و تاکتیک های سازمانی تمرکز دارد.

linkedin تجزیه و تحلیل موجک: برنامه های کاربردی با زبان Wolfram (Mitalearn-393870)

  • 51 minutes
  • مناسب همه
  • Release date: 10 January 2024
  • Author: Wolfram Research
درباره این دوره: 

 این دوره نمونه هایی از انواع برنامه های تحلیل موجک در زبان Wolfram، از جمله سری های زمانی مالی، تشخیص لبه و حذف نویز تصاویر، آستانه گذاری، فشرده سازی تصویر و داده ها، و ادغام تصویر را ارائه می دهد. آشنایی با تبدیل های فوریه و روش های هموارسازی داده ها برای این کلاس توصیه می شود. یاد بگیرید که یک سری زمانی را با استفاده از موجک ها برای تشخیص ناپیوستگی ها، جداسازی پیک ها و بازرسی رفتارهای غیر ایستا تجزیه و تحلیل کنید. اعمال تجزیه و تحلیل موجک به داده های مالی؛ تشخیص لبه ها و ناپیوستگی ها در تصاویر و سایر داده های دو بعدی؛ کاهش نویز در تصاویر با حذف اجزای فرکانس بالاتر. و بیشتر.

linkedin تجزیه و تحلیل موجک: مفاهیم با زبان ولفرام (Mitalearn-393853)

  • 49 minutes
  • مناسب همه
  • Release date: 4 January 2024
  • Author: Wolfram Research
درباره این دوره: 

 موجک ها سیگنال را به تقریب ها و جزئیات در مقیاس های مختلف تجزیه می کنند و آنها را برای کاربردهایی مانند فشرده سازی داده ها، تشخیص ویژگی ها و حذف نویز از سیگنال ها مفید می کنند. این دوره از تحقیقات Wolfram برخی از نظریه‌های تبدیل موجک پیوسته، گسسته و ثابت را توضیح می‌دهد و نشان می‌دهد که چگونه زبان Wolfram و توابع داخلی آن می‌تواند برای ساخت، محاسبه، تجسم و تجزیه و تحلیل تبدیل‌های موجک و توابع مرتبط استفاده شود.

coursera تجزیه و تحلیل موجودی (Mitalearn-289099)

  • 1 hours 28 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Yao Zhao
درباره این دوره:

تجزیه و تحلیل موجودی سنگ بنای تجزیه و تحلیل زنجیره تامین است. یک شرکت در صنایع بازرگانی ممکن است 30 تا 50 درصد از دارایی های خود را در موجودی انبار کند. یک مدیریت مؤثر موجودی می‌تواند درآمد را با افزایش تنوع و در دسترس بودن محصول بهبود بخشد و با کاهش موجودی و ضایعات بیش از حد، هزینه را کاهش دهد و چرخه نقدی را تسریع بخشد. از طریق مثال‌های واقعی (مانند فروشگاه‌های میسی در مقابل راس)، ابزارها و مهارت‌های عملی برای کشف و حل مشکلات موجودی با تجزیه و تحلیل داده‌ها را خواهید آموخت. پس از تکمیل، می توانید به سوالات زیر پاسخ دهید: 1. موجودی کالا برای کدام صنایع مهم و مرتبط است؟ 2. چگونه موجودی ممکن است عملکرد مالی یک شرکت را هدایت کند؟ 3. چگونه بفهمم که مشکل موجودی دارم؟ 4. چگونه می توان موجودی را طبقه بندی کرد و بر اساس آن مدیریت کرد؟ توجه: این دوره برای مبتدیان و متخصصان است و بنابراین به جای مدل های ریاضی کنترل موجودی که می توانید در بسیاری از دوره های دیگر بیابید، تجزیه و تحلیل های عملی مبتنی بر داده ها را برای مدیریت موجودی تجاری، از جمله معیارهای موجودی، تشخیص مشکل موجودی، تأثیر مالی موجودی، و تکنیک های عملی مدیریت موجودی ارائه می دهد.

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 تجزیه و تحلیل، نظارت و ارائه کارآزمایی‌های بالینی (Mitalearn-337923)

  • 4 hours 1 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Janet Holbrook, PhD, MPH,Elizabeth A. Sugar, PhD,David M. Shade, JD
درباره این دوره:

در این دوره، مهارت های عملیاتی پیشرفته تری را که شما و تیمتان برای اجرای یک کارآزمایی بالینی موفق نیاز دارید، یاد خواهید گرفت. شما در مورد محاسبه اندازه نمونه و نحوه ایجاد یک محاسبه اندازه نمونه که برای طراحی آزمایشی و معیارهای نتیجه شما مناسب است، یاد خواهید گرفت. همچنین یاد خواهید گرفت که از روش‌های آماری برای نظارت بر کارآزمایی خود از نظر ایمنی، یکپارچگی و اثربخشی استفاده کنید. در مرحله بعد، یاد خواهید گرفت که چگونه نتایج کارآزمایی های بالینی خود را از طریق مقالات مجلات و گزارش های نظارت بر داده ها گزارش دهید. در نهایت، نقش تحلیلگر را در طول فرآیند آزمایشی، به علاوه چند موضوع اضافی مانند شبیه‌سازی و طرح‌های تطبیقی ​​مورد بحث قرار خواهیم داد.

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.

Suggestions