Course catalog

Course duration

Course provider

Topic

Categories

Showing 301-320 of 587 items.

coursera داده‌های جدال در Tidyverse (Mitalearn-334880)

  • مناسب همه
  • Release date: 27 June 2026
  • Author: Carrie Wright, PhD,Shannon Ellis, PhD,Stephanie Hicks, PhD
درباره این دوره:

داده ها هرگز در شرایطی به دست نمی آیند که برای انجام تجزیه و تحلیل داده ها به آنها نیاز دارید. داده ها باید دوباره شکل داده شوند، مرتب شوند و دوباره قالب بندی شوند تا بتوان آنها را تجسم کرد یا در الگوریتم یادگیری ماشینی وارد کرد. این دوره به مشکل درگیری داده های شما می پردازد تا بتوانید آنها را تحت کنترل درآورید و به طور موثر آنها را تجزیه و تحلیل کنید. هدف اصلی در جدال داده ها، تبدیل داده های غیر مرتب به داده های مرتب است. این دوره بسیاری از جزئیات مهم در مورد مدیریت داده های مرتب و غیر مرتب در R مانند تبدیل از فرمت های گسترده به طولانی، دستکاری جداول با بسته dplyr، درک انواع داده های مختلف R، پردازش داده های متنی با عبارات منظم، و انجام اولیه را پوشش می دهد. تجزیه و تحلیل داده های اکتشافی صرف زمان برای یادگیری این تکنیک‌های جدال داده، تحلیل‌های شما را کارآمدتر، تکرارپذیرتر و برای تیم علم داده‌تان قابل درک‌تر می‌کند. در این تخصص ما آشنایی با زبان برنامه نویسی R را فرض می کنیم. اگر هنوز با R آشنا نیستید، پیشنهاد می کنیم ابتدا برنامه نویسی R را قبل از بازگشت برای تکمیل این دوره کامل کنید.

coursera داستان سرایی داده (Mitalearn-335696)

  • 19 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Julie Pai,Majed Al-Ghandour
درباره این دوره:

این دوره مفاهیم پیچیده تری را که هنگام کار فراتر از مجموعه داده های ساده درگیر می شوند، پوشش می دهد. با بررسی ارتباط بین جنبه‌های بصری و درک داده، بررسی خواهیم کرد که چگونه این مفاهیم از طریق داستان‌گویی داده‌ها با هم کار می‌کنند. پس از بررسی نکات کلیدی در مورد نحوه جلوگیری از تجسم های مشکل ساز و ارائه نادرست داده ها، به کار در Tableau با انجام تجزیه و تحلیل توصیفی چند متغیره از بخش های سهام S&P 500 ادامه خواهید داد.

coursera داشبورد و استقرار (Mitalearn-335849)

  • 30 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Julie Pai,Majed Al-Ghandour
درباره این دوره:

این دوره شما را از طریق بخش‌های مختلف داشبورد تحلیلی راهنمایی می‌کند: از بهترین روش‌ها برای طراحی داشبورد، ایجاد یک محیط تحلیلی یکپارچه، تا استقرار و انتشار تصویرسازی‌ها. ما به طور مختصر در مورد تکنیک های تجسم پیشرفته بحث خواهیم کرد و شما یک طرح اطلاعاتی از بزرگترین برندگان و بازندگان در بازارهای مالی ایجاد خواهید کرد و آن حرکات را با داده های اقتصادی به عنوان پروژه اصلی خود مقایسه خواهید کرد.

coursera درختان تصمیم گیری، SVM ها و شبکه های عصبی مصنوعی بسازید (Mitalearn-331480)

  • 3 hours 13 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Stacey McBrine
درباره این دوره:

انواع مختلفی از الگوریتم های یادگیری ماشین وجود دارد که هر کدام دارای ویژگی های خاصی هستند که ممکن است آن را کم و بیش برای حل یک مشکل خاص مناسب کند. درخت‌های تصمیم و ماشین‌های بردار پشتیبان (SVM) دو نمونه از الگوریتم‌هایی هستند که هم می‌توانند مشکلات رگرسیون و طبقه‌بندی را حل کنند، اما کاربردهای متفاوتی دارند. به همین ترتیب، یک رویکرد پیشرفته تر به یادگیری ماشین، به نام یادگیری عمیق، از شبکه های عصبی مصنوعی (ANN) برای حل این نوع مشکلات و موارد دیگر استفاده می کند. افزودن همه این الگوریتم ها به مجموعه مهارت شما برای انتخاب بهترین ابزار برای کار بسیار مهم است. این چهارمین دوره و آخرین دوره با گواهینامه حرفه‌ای متخصص هوش مصنوعی (CAIP) با معرفی الگوریتم‌های بیشتر و در برخی موارد پیشرفته‌تر مورد استفاده در یادگیری ماشین و یادگیری عمیق، از دوره قبلی ادامه می‌یابد. مانند قبل، چندین مدل خواهید ساخت که می تواند مشکلات تجاری را حل کند، و این کار را در یک گردش کار انجام خواهید داد. در نهایت، این دوره به کاوش فنی الگوریتم های مختلف یادگیری ماشین و نحوه استفاده از آنها برای ساخت مدل های حل مسئله پایان می دهد.

coursera درختان، SVM و یادگیری بدون نظارت (Mitalearn-333911)

  • 2 hours 23 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Osita Onyejekwe
درباره این دوره:

"درختان، SVM و یادگیری بدون نظارت" به گونه ای طراحی شده است که شالوده ای محکم در ماشین های بردار پشتیبان، شبکه های عصبی، درختان تصمیم گیری و تقویت XG به متخصصان کار ارائه دهد. از طریق آموزش های عمیق و تجربه عملی عملی، یاد خواهید گرفت که چگونه با استفاده از این تکنیک ها مدل های پیش بینی قدرتمند بسازید و مزایا و معایب هر کدام را درک کنید. این دوره همچنین نحوه و زمان اعمال آنها را در سناریوهای مختلف، از جمله طبقه بندی باینری و کلاس های K> 2 را پوشش می دهد. علاوه بر این، تجربه ارزشمندی در تولید نمایش داده ها از طریق PCA و خوشه بندی به دست خواهید آورد. این دوره با تمرکز بر کاربردهای عملی و دنیای واقعی، دارایی ارزشمندی برای هر کسی است که به دنبال ارتقاء مهارت یا حرکت در زمینه علم داده است. 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 درس هایی از دانشمندان داده (Mitalearn-194749)

  • 50 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Sara Anstey,Madecraft,Sam Cvetkovski,Louis Tremblay,Lacey Westphal,Brett Vanderblock,Michael Galarnyk
درباره این دوره:

مشاوره و درس های دنیای واقعی را از متخصصان داده دریافت کنید: از نحوه یافتن شغل تا تسلط بر مهارت های خود تا رشد در نقش خود. در این دوره ویژه، می‌توانید داستان‌هایی از متخصصان داده را بشنوید که نحوه شروع کار خود، نحوه انجام نقش‌های مختلف و چگونگی ادامه پیشرفت مهارت‌های خود را به اشتراک می‌گذارند، و همچنین نکاتی را برای عضویت در تیم موثر بیان می‌کنند. و کمک به سازمان ها در نوآوری. این شش کارشناس حرفه ای دیدگاه دست اولی را در مورد علم داده ارائه می دهند که در هیچ جای دیگری به آن دست پیدا نمی کنید.nn ما خوشحالیم که این محتوا را در کتابخانه خود میزبانی می کنیم.

MadeCraft-Description-Logo.jpg

coursera درک و تجسم داده ها با پایتون (Mitalearn-328318)

  • 5 hours 55 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Brenda Gunderson,Brady T. West,Kerby Shedden
درباره این دوره:

در این دوره، فراگیران با حوزه آمار، از جمله اینکه داده ها از کجا آمده اند، طراحی مطالعه، مدیریت داده ها و کاوش و تجسم داده ها، آشنا می شوند. یادگیرندگان انواع مختلف داده ها را شناسایی می کنند و یاد می گیرند که چگونه خلاصه ها را برای داده های تک متغیره و چند متغیره تجسم، تجزیه و تحلیل و تفسیر کنند. همچنین یادگیرندگان با تفاوت‌های بین نمونه‌گیری احتمالی و غیراحتمالی از جمعیت‌های بزرگ‌تر، این ایده که چگونه تخمین‌های نمونه متفاوت است و چگونه می‌توان در مورد جمعیت‌های بزرگ‌تر بر اساس نمونه‌گیری احتمالی استنتاج کرد، آشنا می‌شوند. در پایان هر هفته، فراگیران مفاهیم آماری را که با استفاده از پایتون آموخته‌اند، در محیط دوره به کار می‌گیرند. در طول این جلسات مبتنی بر آزمایشگاه، زبان آموزان کاربردهای مختلف پایتون را به عنوان یک ابزار، از جمله کتابخانه های Numpy، Pandas، Statsmodels، Matplotlib و Seaborn کشف خواهند کرد. فیلم‌های آموزشی ارائه شده است تا یادگیرندگان را در ایجاد تجسم‌ها و مدیریت داده‌ها، همه در پایتون، راهنمایی کند. این دوره از محیط نوت بوک Jupyter در Coursera استفاده می کند.

linkedin درون ذهن یک دانشمند مشتاق داده (Mitalearn-242179)

  • 22 minutes
  • مناسب همه
  • Release date: 5 January 2022
  • Author: Khaulat Abdulhakeem
درباره این دوره: 

 آیا شما از آن دسته افرادی هستید که هرگز از پرسیدن سوال دست نمی کشند؟ آیا خود را متعجب می‌کنید که چرا سیستم‌ها به این شکل عمل می‌کنند و برای بهبود آنها چه کاری می‌توانید انجام دهید؟ ممکن است متوجه آن نباشید، اما در حال حاضر بسیار بیشتر از آنچه فکر می کنید به دانشمند داده بودن نزدیک شده اید. به مربی و مربی شغلی خلات عبدالحکیم بپیوندید تا او تجربیات دنیای واقعی و به سختی به دست آمده خود را به عنوان یک دانشمند داده و یک زن در فن آوری بازگو کند.

Khaulat به جزئیات نقش یک دانشمند داده می پردازد و پتانسیل یک داده را بررسی می کند. مسیر شغلی علم و تمایز علم داده از سایر زمینه های مرتبط. دریابید که چه مهارت هایی را باید یاد بگیرید و انرژی خود را کجا متمرکز کنید، به خصوص اگر تازه شروع کرده اید. Khaulat نمونه هایی از سفر خود را به اشتراک می گذارد تا به شما کمک کند سبک یادگیری خود را ارزیابی کنید، اولین رزومه علمی داده خود را ایجاد کنید، برند شخصی خود را بسازید، و حس اجتماعی خود را توسعه دهید.

linkedin دریافت شغل علوم داده از راه دور (2020) (Mitalearn-194205)

  • 29 minutes
  • مبتدی
  • Release date: 1 October 2020
  • Author: Madecraft,Michael Galarnyk
درباره این دوره: 

 کار از خانه یک هنجار جدید است. در زمینه‌های پرتقاضا مانند علم داده، کارفرمایان متوجه می‌شوند که باید انعطاف‌پذیری و تعادل کار از راه دور را برای جذب نامزدهای سطح بالا ارائه دهند. اگر به تجزیه و تحلیل داده ها علاقه دارید و می خواهید از دفتر جدا شوید، هرگز زمان بهتری برای یافتن یک موقعیت از راه دور وجود نداشته است. در این دوره می توانید یاد بگیرید که چگونه شغل رویایی خود را به عنوان یک دانشمند داده از راه دور پیدا کنید. کشف کنید که چگونه یک رزومه کارآمد بنویسید، شبکه خود را کار کنید، یک برند آنلاین موثر ایجاد کنید، فرصت های شغلی از راه دور پیدا کنید، مصاحبه ای تلفنی یا ویدیویی انجام دهید و با مدیران استخدام پیگیری کنید. با استفاده از این نکات، می‌توانید شغلی را که همیشه آرزویش را داشته‌اید، در یکی از پردرآمدترین و سریع‌ترین زمینه‌های در حال رشد در جهان بیابید.nn ما خوشحالیم که این محتوا را در کتابخانه خود میزبانی می کنیم.

MadeCraft-Description-Logo.jpg

coursera دریافت و پاکسازی داده ها (Mitalearn-335339)

  • 3 hours 21 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jeff Leek, PhD,Roger D. Peng, PhD,Brian Caffo, PhD
درباره این دوره:

قبل از اینکه بتوانید با داده ها کار کنید، باید مقداری از آن را دریافت کنید. این دوره روش های اساسی برای به دست آوردن داده ها را پوشش می دهد. این دوره شامل به دست آوردن داده ها از وب، از API ها، از پایگاه های داده و از همکاران در قالب های مختلف خواهد بود. همچنین اصول تمیز کردن داده ها و نحوه "مرتب کردن" داده ها را پوشش می دهد. داده های مرتب به طور چشمگیری سرعت تجزیه و تحلیل داده های پایین دستی را سرعت می بخشد. این دوره همچنین اجزای یک مجموعه داده کامل شامل داده های خام، دستورالعمل های پردازش، کتاب کدها و داده های پردازش شده را پوشش می دهد. این دوره اصول مورد نیاز برای جمع آوری، تمیز کردن و به اشتراک گذاری داده ها را پوشش می دهد.

coursera دستکاری داده ها در مقیاس: سیستم ها و الگوریتم ها [coursera] (Mitalearn-334727)

  • 10 hours 26 minutes
  • مناسب همه
  • Release date: 27 June 2026
  • Author: Bill Howe
درباره این دوره:

تجزیه و تحلیل داده ها به عنوان گلوگاه تصمیم گیری مبتنی بر شواهد جایگزین اکتساب داده شده است --- ما در حال غرق شدن در آن هستیم. استخراج دانش از مجموعه داده های بزرگ، ناهمگن و پر سر و صدا، نه تنها به منابع محاسباتی قدرتمند، بلکه به انتزاعات برنامه نویسی برای استفاده مؤثر از آنها نیاز دارد. انتزاعی‌هایی که در دهه گذشته پدیدار شدند، ایده‌هایی را از پایگاه‌های داده موازی، سیستم‌های توزیع‌شده و زبان‌های برنامه‌نویسی ترکیب می‌کنند تا کلاس جدیدی از پلت‌فرم‌های تجزیه و تحلیل داده مقیاس‌پذیر را ایجاد کنند که پایه و اساس علم داده را در مقیاس‌های واقعی تشکیل می‌دهند. در این دوره، چشم انداز سیستم های مربوطه، اصولی که آنها بر آن تکیه می کنند، معاوضه آنها و نحوه ارزیابی کاربرد آنها در برابر نیازهای خود را خواهید آموخت. شما خواهید آموخت که چگونه سیستم های عملی از مرز تحقیقات در علوم کامپیوتر استخراج شده اند و چه سیستم هایی در افق قرار دارند. رایانش ابری، پایگاه‌های داده SQL و NoSQL، MapReduce و اکوسیستمی که ایجاد کرده، Spark و هم‌عصران آن، و سیستم‌های تخصصی برای نمودارها و آرایه‌ها پوشش داده خواهد شد. شما همچنین تاریخچه و زمینه علم داده، مهارت‌ها، چالش‌ها و روش‌هایی که این اصطلاح به آن اشاره می‌کند، و نحوه ساختار یک پروژه علم داده را خواهید آموخت. در پایان این دوره، شما قادر خواهید بود: اهداف آموزشی: 1. الگوها، چالش ها و رویکردهای رایج مرتبط با پروژه های علم داده و اینکه چه چیزی آنها را از پروژه ها در زمینه های مرتبط متمایز می کند، شرح دهید. 2. مدل های برنامه نویسی مرتبط با دستکاری داده های مقیاس پذیر، از جمله جبر رابطه ای، کاهش نقشه و سایر مدل های جریان داده را شناسایی و استفاده کنید. 3. استفاده از فناوری پایگاه داده که برای تجزیه و تحلیل در مقیاس بزرگ، از جمله مفاهیم محرک پایگاه داده موازی، پردازش پرس و جو موازی، و تجزیه و تحلیل درون پایگاه داده سازگار شده است. 4. فروشگاه‌های ارزش کلیدی و سیستم‌های NoSQL را ارزیابی کنید، معاوضه‌های آنها را با سیستم‌های قابل مقایسه، جزئیات نمونه‌های مهم در فضا، و روندهای آینده را شرح دهید. 5. "Think" در MapReduce برای نوشتن موثر الگوریتم‌ها برای سیستم‌هایی از جمله Hadoop و Spark. شما محدودیت ها، جزئیات طراحی، رابطه آنها با پایگاه های داده و اکوسیستم مرتبط با الگوریتم ها، برنامه های افزودنی و زبان ها را درک خواهید کرد. نوشتن برنامه در Spark 6. چشم انداز سیستم های تخصصی داده های بزرگ را برای نمودارها، آرایه ها و جریان ها توصیف کنید.

coursera دنباله ها، سری های زمانی و پیش بینی (Mitalearn-332177)

  • 1 hours 34 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laurence Moroney
درباره این دوره:

اگر توسعه‌دهنده نرم‌افزاری هستید که می‌خواهید الگوریتم‌های مقیاس‌پذیر مبتنی بر هوش مصنوعی بسازید، باید بدانید که چگونه از ابزارهای ساخت آنها استفاده کنید. این تخصص به شما بهترین روش‌ها را برای استفاده از TensorFlow، یک چارچوب متن‌باز محبوب برای یادگیری ماشین، آموزش می‌دهد. در این دوره چهارم با نحوه ساخت مدل های سری زمانی در TensorFlow آشنا می شوید. ابتدا بهترین شیوه ها را برای تهیه داده های سری زمانی پیاده سازی خواهید کرد. همچنین بررسی خواهید کرد که چگونه RNN و ConvNets 1D می توانند برای پیش بینی استفاده شوند. در نهایت، همه چیزهایی را که در سرتاسر Specialization آموخته‌اید، برای ساختن یک مدل پیش‌بینی لکه‌های خورشیدی با استفاده از داده‌های دنیای واقعی اعمال خواهید کرد! دوره یادگیری ماشین و تخصص یادگیری عمیق از Andrew Ng مهمترین و اساسی ترین اصول یادگیری ماشین و یادگیری عمیق را آموزش می دهد. این تخصص توسعه‌دهنده DeepLearning.AI TensorFlow به شما می‌آموزد که چگونه از TensorFlow برای پیاده‌سازی این اصول استفاده کنید تا بتوانید شروع به ساخت و استفاده از مدل‌های مقیاس‌پذیر برای مشکلات دنیای واقعی کنید. برای ایجاد درک عمیق تر از نحوه عملکرد شبکه های عصبی، توصیه می کنیم که تخصص یادگیری عمیق را انتخاب کنید.

coursera دیدگاه های علم داده در مورد مدیریت همه گیری (Mitalearn-327723)

  • 2 hours 3 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Marco Brambilla
درباره این دوره:

همه‌گیری کووید-19 یکی از اولین سناریوهای جهانی است که در آن داده‌ها در ثبت و تجزیه و تحلیل انتشار و تأثیر بیماری تفاوت ایجاد کردند. ما یک دوره مقدماتی برای تصمیم‌گیران، سیاست‌گذاران، نهادهای عمومی، سازمان‌های غیردولتی و سازمان‌های خصوصی درباره روش‌ها، ابزارها و تجربیات استفاده از داده‌ها برای مدیریت سناریوهای همه‌گیری کنونی و آینده ارائه می‌دهیم. این دوره روش‌های مدرن برای سیاست‌گذاری مبتنی بر داده در زمینه همه‌گیری را تشریح می‌کند. روش‌های مورد بحث شامل سیاست‌گذاری، نوآوری و حکمرانی فناوری است. جمع آوری داده ها از شهروندان، جمع سپاری، گیمیفیکیشن و بازی با هدف (GWAP)؛ نظارت و سنجش جمعیت؛ تحرک و تجزیه و تحلیل ترافیک؛ تأثیرات اخبار جعلی و اطلاعات نادرست؛ و اثرات اقتصادی و مالی و مدل های پایداری. روش‌ها، ابزارها و تحلیل‌ها برای نشان دادن اینکه چگونه داده‌ها می‌توانند به طراحی راه‌حل‌های بهتر برای همه‌گیری‌ها و رویدادهای حیاتی در سراسر جهان کمک کنند، ارائه شده‌اند. در این دوره شما نقش سیاست گذاری و حکمرانی فناوری برای مدیریت همه گیری ها را کشف خواهید کرد. شما در مورد روش هایی مانند جمع سپاری، گیمیفیکیشن، سنجش ازدحام و محیط های ساخته شده و ردیابی تماس برای درک پویایی همه گیری فرا خواهید گرفت. شما خطر اطلاعات نادرست و تأثیر آن بر درک و تصمیمات مردم را درک خواهید کرد. این دوره همچنین مدل‌های مالی را پوشش می‌دهد که تأثیر پولی همه‌گیر را بر افراد و سازمان‌ها توصیف می‌کند، و همچنین مدل‌های پایداری مالی را که می‌توان تعریف کرد، پوشش می‌دهد. با تشکر از این دوره، درک عمیق تری از انگیزه ها، ادراکات، انتخاب ها و اقدامات افراد در یک محیط همه گیر به دست خواهید آورد و می توانید شروع به تعریف اقدامات کاهش دهنده مناسب کنید. این دوره توسط مجموعه ای از موسسات تحقیقاتی و آموزشی اروپایی به عنوان بخشی از پروژه تحقیقاتی "پاسخ پان-اروپایی به تأثیرات کووید-19 و همه گیری ها و اپیدمی های آینده" (PERISCOPE، ​​https://www.periscopeproject.eu) ایجاد شده است. /). PERISCOPE که توسط برنامه بودجه تحقیقاتی کمیسیون اروپا Horizon 2020 تحت موافقتنامه کمک مالی شماره 101016233 تأمین می شود، تأثیرات اجتماعی-اقتصادی و رفتاری گسترده همه گیری COVID-19 را بررسی می کند تا اروپا را انعطاف پذیرتر و برای خطرات در مقیاس بزرگ آینده آماده کند.

coursera ذخیره سازی داده در Microsoft Azure برای Associate Developers (Mitalearn-331361)

  • 1 hours 36 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

Azure راه های مختلفی را برای ذخیره داده ها ارائه می دهد: بدون ساختار، بایگانی، رابطه ای و غیره. در این دوره آموزشی با اصول مدیریت ذخیره سازی در Azure، نحوه ایجاد یک Storage Account و نحوه انتخاب مدل مناسب برای داده هایی که می خواهید در فضای ابری ذخیره کنید آشنا خواهید شد. این دوره بخشی از یک تخصص برای مهندسین داده و توسعه دهندگانی است که می خواهند تخصص خود را در طراحی و پیاده سازی راه حل های داده ای که از سرویس های داده Microsoft Azure استفاده می کنند، نشان دهند. این دومین دوره از یک برنامه 10 دوره ای است که به شما کمک می کند تا برای شرکت در آزمون آماده شوید تا بتوانید در طراحی و پیاده سازی راه حل های داده ای که از خدمات داده Microsoft Azure 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 برنامه گواهینامه حرفه ای، شما آماده شرکت و ثبت نام در آزمون DP-203: مهندسی داده در Microsoft Azure (بتا) خواهید بود.

coursera ذخیره سازی داده ها با Microsoft Azure Synapse Analytics (Mitalearn-331174)

  • 2 hours 12 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

در این دوره، ابزارها و تکنیک‌هایی را که می‌توان برای کار با انباره‌های داده مدرن به صورت مولد و ایمن در Azure Synapse Analytics استفاده کرد، بررسی خواهید کرد. شما یاد خواهید گرفت که چگونه Azure Synapse Analytics شما را قادر می سازد تا با استفاده از الگوهای معماری مدرن، انبارهای داده بسازید و چگونه طرحواره رایج در یک انبار داده پیاده سازی می شود. شما بهترین شیوه هایی را که برای بارگذاری داده ها در انبار داده نیاز دارید و تکنیک هایی را که می توانید برای بهینه سازی عملکرد پرس و جو در Azure Synapse Analytics استفاده کنید، یاد خواهید گرفت. 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. ). این پنجمین دوره از یک برنامه 10 دوره ای است که به شما کمک می کند تا برای شرکت در آزمون آماده شوید 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 ذخیره سازی داده ها در Microsoft Azure (Mitalearn-330596)

  • 1 hours 36 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

Azure راه های مختلفی را برای ذخیره داده ها ارائه می دهد: بدون ساختار، بایگانی، رابطه ای و غیره. در این دوره آموزشی با اصول مدیریت ذخیره سازی در Azure، نحوه ایجاد یک Storage Account و نحوه انتخاب مدل مناسب برای داده هایی که می خواهید در فضای ابری ذخیره کنید آشنا خواهید شد. این دوره بخشی از یک تخصص برای مهندسین داده و توسعه دهندگانی است که می خواهند تخصص خود را در طراحی و پیاده سازی راه حل های داده ای که از سرویس های داده Microsoft Azure استفاده می کنند، نشان دهند. این دومین دوره از یک برنامه 10 دوره ای است که به شما کمک می کند تا برای شرکت در آزمون آماده شوید تا بتوانید در طراحی و پیاده سازی راه حل های داده ای که از خدمات داده Microsoft Azure 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 راه حل های یادگیری ماشین را با Azure بسازید و اجرا کنید (Mitalearn-330664)

  • 1 hours 18 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

Azure Machine Learning یک پلتفرم ابری برای آموزش، استقرار، مدیریت و نظارت بر مدل‌های یادگیری ماشین است. در این دوره آموزشی، نحوه استفاده از Azure Machine Learning Python SDK را برای ایجاد و مدیریت راه حل های ML آماده سازمانی یاد خواهید گرفت. این سومین دوره از یک برنامه پنج دوره ای است که شما را برای شرکت در آزمون DP-100: طراحی و پیاده سازی راه حل علم داده در آزمون Azurectification آماده می کند. آزمون گواهینامه فرصتی برای اثبات دانش و تخصص راه حل های یادگیری ماشین در مقیاس ابری با استفاده از یادگیری ماشینی Azure است. این تخصص به شما می آموزد که از دانش موجود خود از پایتون و یادگیری ماشین برای مدیریت جذب و آماده سازی داده ها، آموزش مدل و استقرار، و نظارت راه حل یادگیری ماشین در Microsoft Azure استفاده کنید. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند. این تخصص برای دانشمندان داده با دانش موجود از Python و چارچوب‌های یادگیری ماشینی مانند Scikit-Learn، PyTorch و Tensorflow در نظر گرفته شده است، که می‌خواهند راه‌حل‌های یادگیری ماشین را در فضای ابری بسازند و کار کنند. این به دانشمندان داده می آموزد که چگونه راه حل های سرتاسری را در Microsoft Azure ایجاد کنند. دانش آموزان یاد خواهند گرفت که چگونه منابع Azure را برای یادگیری ماشین مدیریت کنند. آزمایش ها و مدل های قطار را اجرا کنید. راه حل های یادگیری ماشین را مستقر و عملیاتی کنید و یادگیری ماشینی مسئولانه را پیاده سازی کنید. آنها همچنین یاد خواهند گرفت که از Azure Databricks برای کاوش، آماده سازی و مدل سازی داده ها استفاده کنند. و فرآیندهای یادگیری ماشین Databricks را با یادگیری ماشینی Azure ادغام کنید.

coursera راهنمای شغلی تحلیلگر داده و آماده سازی مصاحبه (Mitalearn-329457)

  • 1 hours 38 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: IBM Skills Network Team
درباره این دوره:

متخصصان تجزیه و تحلیل داده در سراسر جهان تقاضای زیادی دارند و این روند هیچ نشانه ای از کندی نشان نمی دهد. بسیاری از مشاغل عالی در دسترس هستند، اما تعداد زیادی نامزد عالی نیز وجود دارد. چگونه می توانید در چنین زمینه رقابتی به برتری برسید؟ این دوره شما را برای ورود به بازار کار به عنوان یک کاندیدای عالی برای موقعیت تحلیلگر داده آماده می کند. تکنیک‌های عملی برای ایجاد مطالب ضروری برای جستجوی کار مانند رزومه و نمونه کارها و همچنین ابزارهای کمکی مانند نامه پوششی و آسانسور ارائه می‌دهد. شما یاد خواهید گرفت که چگونه موقعیت های شغلی آینده نگر را پیدا کرده و ارزیابی کنید، برای آنها درخواست دهید و زمینه را برای مصاحبه فراهم کنید. با این حال، دوره در اینجا متوقف نمی شود. همچنین نکات و مراحلی را دریافت خواهید کرد که می توانید از آنها برای انجام حرفه ای و موثر در مصاحبه ها استفاده کنید. شما یاد می گیرید که چگونه به چالش های خانه نشین نزدیک شوید و تکمیل آنها را تمرین کنید. علاوه بر این، اطلاعاتی در مورد عملکردها و وظایف منظم تحلیلگران داده و همچنین فرصت های این حرفه و برخی گزینه ها برای توسعه شغلی ارائه می دهد. از طریق این دوره از تعدادی متخصص در صنعت داده راهنمایی خواهید گرفت. آنها در مورد مسیرهای شغلی خود صحبت خواهند کرد و در مورد چیزهایی که در مورد شبکه سازی، مصاحبه، حل مشکلات کدنویسی، و سایر سوالاتی که ممکن است به عنوان یک نامزد با آنها مواجه شوید، صحبت خواهند کرد. به متخصصان باتجربه تجزیه و تحلیل داده ها اجازه دهید تجربیات خود را به اشتراک بگذارند تا به شما کمک کنند تا به شغل مورد نظر خود دست پیدا کنید.

coursera راهنمای شغلی دانشمند داده و آماده سازی مصاحبه (Mitalearn-328964)

  • 3 hours 1 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: IBM Skills Network Team
درباره این دوره:

متخصصان علوم داده در سرتاسر جهان تقاضای زیادی دارند و این روند هیچ نشانه ای از کندی نشان نمی دهد. بسیاری از مشاغل عالی در دسترس هستند، اما تعداد زیادی نامزد عالی نیز وجود دارد. چگونه می توانید در چنین زمینه رقابتی به برتری برسید؟ این دوره شما را برای ورود به بازار کار به عنوان یک کاندیدای عالی برای موقعیت دانشمند داده آماده می کند. تکنیک‌های عملی برای ایجاد مطالب ضروری برای جستجوی کار مانند رزومه و نمونه کارها و همچنین ابزارهای کمکی مانند نامه پوششی و آسانسور ارائه می‌دهد. شما یاد خواهید گرفت که چگونه موقعیت های شغلی آینده نگر را پیدا کرده و ارزیابی کنید، برای آنها درخواست دهید و زمینه را برای مصاحبه فراهم کنید. با این حال، دوره در اینجا متوقف نمی شود. همچنین نکات و مراحلی را دریافت خواهید کرد که می توانید از آنها برای انجام حرفه ای و موثر در مصاحبه ها استفاده کنید. شما یاد خواهید گرفت که چگونه به چالش کد نزدیک شوید و تکمیل آنها را تمرین کنید. علاوه بر این، در مورد عملکردها و وظایف منظم دانشمندان داده، و همچنین فرصت های این حرفه و برخی گزینه ها برای توسعه شغلی راهنمایی می کند. اجازه دهید متخصصان باتجربه تجربیات خود را به اشتراک بگذارند تا به شما کمک کنند تا به شغل مورد نظر خود دست پیدا کنید!

coursera رگرسیون خطی برای آمار کسب و کار (Mitalearn-213245)

  • 4 hours 24 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Sharad Borle
درباره این دوره:

تحلیل رگرسیون شاید مهم ترین ابزار آمار کسب و کار مورد استفاده در صنعت باشد. رگرسیون موتور پشت بسیاری از برنامه های کاربردی تجزیه و تحلیل داده است که برای بسیاری از اشکال پیش بینی و پیش بینی استفاده می شود. این چهارمین دوره تخصصی "آمار و تحلیل کسب و کار" است. این دوره شما را با ابزار بسیار مهمی به نام رگرسیون خطی آشنا می کند. شما یاد خواهید گرفت که از رویه های مختلفی مانند رگرسیون های متغیر ساختگی، متغیرهای تبدیل و اثرات متقابل استفاده کنید. همه اینها با استفاده از مثال‌های قابل فهم در مایکروسافت اکسل معرفی و توضیح داده شده‌اند. تمرکز این دوره به جای مشتقات دقیق ریاضی بر درک و کاربرد است. توجه: این دوره از جعبه ابزار "تجزیه و تحلیل داده ها" استفاده می کند که با نسخه ویندوز مایکروسافت اکسل استاندارد است. همچنین با نسخه مک 2016 یا جدیدتر اکسل استاندارد است. با این حال، با نسخه های قبلی اکسل برای مک استاندارد نیست. هفته 1 ماژول 1: تحلیل رگرسیون: مقدمه در این ماژول با مدل رگرسیون خطی آشنا می شوید. ما یک مدل رگرسیون می سازیم و با استفاده از اکسل آن را تخمین می زنیم. ما از مدل تخمین زده شده برای استنتاج روابط بین متغیرهای مختلف و استفاده از مدل برای پیش بینی استفاده خواهیم کرد. این ماژول همچنین مفهوم خطاها، باقیمانده ها و R-square را در یک مدل رگرسیونی معرفی می کند. موضوعات تحت پوشش عبارتند از: • معرفی رگرسیون خطی • ساخت یک مدل رگرسیون و تخمین آن با استفاده از اکسل • استنتاج با استفاده از مدل برآورد شده • استفاده از مدل رگرسیون برای پیش بینی • Errors، Residuals و R-square هفته 2 ماژول 2: تحلیل رگرسیون: آزمون فرضیه و خوبی برازش این ماژول آزمون های فرضیه های مختلفی را ارائه می دهد که می توانید با استفاده از خروجی رگرسیون انجام دهید. این تست ها بخش مهمی از استنتاج هستند و ماژول آنها را با استفاده از مثال های مبتنی بر اکسل معرفی می کند. مقادیر p همراه با اندازه‌های خوب تناسب R-square و R-square تعدیل شده معرفی می‌شوند. در پایان ماژول "رگرسیون متغیر ساختگی" را معرفی می کنیم که برای ترکیب متغیرهای طبقه بندی در یک رگرسیون استفاده می شود. موضوعات تحت پوشش عبارتند از: • آزمون فرضیه در رگرسیون خطی • معیارهای «خوبی تناسب» (R-square، R-square تعدیل شده) • رگرسیون متغیر ساختگی (با استفاده از متغیرهای طبقه بندی شده در یک رگرسیون) هفته 3 ماژول 3: تحلیل رگرسیون: متغیرهای ساختگی، چند خطی این ماژول با استفاده از رگرسیون متغیر ساختگی ادامه می یابد. شما می توانید تفسیر خروجی رگرسیون را در حضور متغیرهای طبقه بندی درک کنید. نمونه هایی برای تقویت مجدد مفاهیم مختلف معرفی شده کار شده است. این ماژول همچنین توضیح می دهد که Multicolinearity چیست و چگونه با آن برخورد کنیم. موضوعات تحت پوشش عبارتند از: • رگرسیون متغیر ساختگی (با استفاده از متغیرهای طبقه بندی شده در یک رگرسیون) • تفسیر ضرایب و مقادیر p در حضور متغیرهای ساختگی • چند خطی بودن در مدل های رگرسیونی هفته 4 ماژول 4: تجزیه و تحلیل رگرسیون: پسوندهای مختلف این ماژول درک شما را از رگرسیون خطی گسترش می‌دهد و تکنیک‌هایی مانند میانگین‌مرکزی متغیرها و ایجاد مرزهای اطمینان برای پیش‌بینی‌ها با استفاده از مدل رگرسیون را معرفی می‌کند. یک پسوند رگرسیون قدرتمند به نام «متغیرهای تعامل» معرفی و با استفاده از مثال توضیح داده شده است. ما همچنین تبدیل متغیرها را در یک رگرسیون مطالعه می کنیم و در آن زمینه مدل های log-log و semi-log regression را معرفی می کنیم. موضوعات تحت پوشش عبارتند از: • میانگین مرکزیت متغیرها در مدل رگرسیون • ایجاد مرزهای اطمینان برای پیش بینی ها با استفاده از مدل رگرسیون • اثرات متقابل در یک رگرسیون • تبدیل متغیرها • مدل های رگرسیون log-log و semi-log

Suggestions