Course catalog

Course duration

Course provider

Topic

Categories

Showing 301-320 of 600 items.

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.

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.

Suggestions