Course catalog

Course duration

Course provider

Topic

Categories

Showing 301-320 of 507 items.

linkedin تفکر طراحی: هوش داده (Mitalearn-125508)

  • 44 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: frog,Randall Elliott
درباره این دوره:

دیروز کلان داده ها همه چیز خشم بود. امروزه ما ماشین‌ها و فرآیندهای هوشمندی برای استفاده هوشمندانه از این داده‌ها داریم. بیاموزید که چگونه هوش داده مدرن به طراحان کمک می کند تا تجربه طراحی شخصی و انسانی تری را ارائه دهند. راندال الیوت، معاون مدیر فناوری طراحی در قورباغه، نحوه استفاده از داده‌ها را در حل خلاقانه مسئله نشان می‌دهد: ایجاد ایده، ایجاد طرح‌های بهتر و ارتباط با کاربران به روش‌های معنادار. او با داده های تولید شده توسط رایانه و همچنین داده های جمع آوری شده از طریق مصاحبه و سایر ابزارهای عملی مقابله می کند. او نحوه جمع آوری، تجزیه و تحلیل و تجسم اطلاعات را برای کمک به حل چالش های مشتری، استفاده از ابزارهای هوشمند و فرآیندهای چابک مانند نمونه سازی سریع نشان می دهد.

linkedin توابع پایتون برای علم داده (Mitalearn-194103)

  • 1 hours 30 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Madecraft,Lavanya Vijayan
درباره این دوره:

توابع بلوک اصلی برنامه‌نویسی و کار با داده‌ها و یک رویکرد ضروری برای خوانایی و استفاده مجدد کد هستند. در این دوره آموزشی، نحوه صرفه جویی در زمان و بهبود کد خود را با استفاده از توابع رایج برای پروژه های علم داده کشف کنید. توابع اساسی داخلی پایتون برای علم داده و همچنین توابع داخلی پیشرفته تری مانند تابع فیلتر در پایتون را کاوش کنید. یاد بگیرید که چگونه از توابع کتابخانه های NumPy و SciPy برای دستکاری داده های عددی و انجام عملیات آماری استفاده کنید. یاد بگیرید چگونه با استفاده از توابع کتابخانه پانداها، داده ها را به طور کارآمد ذخیره، اصلاح و گروه بندی کنید. نکاتی در مورد استفاده از توابع از کتابخانه های Matplotlib و Seaborn برای تجسم داده ها دریافت کنید. به‌علاوه، درباره مشکلات و اشتباهات رایج توسعه‌دهندگان در هنگام استفاده از توابع به عنوان بخشی از ابتکار عمل علم داده، اطلاعاتی کسب کنید.

coursera توسعه محصولات داده (Mitalearn-334710)

  • 4 hours 12 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Brian Caffo, PhD,Jeff Leek, PhD,Roger D. Peng, PhD
درباره این دوره:

محصول داده، خروجی تولید از یک تحلیل آماری است. محصولات داده وظایف تجزیه و تحلیل پیچیده را خودکار می کنند یا از فناوری برای گسترش کاربرد یک مدل، الگوریتم یا استنتاج مبتنی بر داده استفاده می کنند. این دوره اصول اولیه ایجاد محصولات داده با استفاده از بسته های Shiny، R و گرافیک های تعاملی را پوشش می دهد. این دوره بر روی مبانی آماری ایجاد یک محصول داده متمرکز خواهد شد که می تواند برای گفتن داستانی در مورد داده ها برای مخاطبان انبوه مورد استفاده قرار گیرد.

coursera توصیفگرهای داده های اساسی، توزیع های آماری، و کاربرد در تصمیم گیری های تجاری (Mitalearn-213211)

  • 2 hours 40 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Sharad Borle
درباره این دوره:

توانایی درک و به کارگیری آمار کسب و کار در صنعت اهمیت فزاینده ای پیدا می کند. درک خوب آمار کسب و کار لازمه تفسیر صحیح و مرتبط از داده ها است. فقدان دانش می تواند منجر به تصمیمات اشتباه شود که به طور بالقوه می تواند پیامدهای منفی برای یک شرکت داشته باشد. این دوره آموزشی برای آشنایی شما با آمار کسب و کار طراحی شده است. ما با مفهوم آمار توصیفی شروع می کنیم، که خلاصه کردن داده ها با استفاده از چند عدد است. دسته بندی های مختلف معیارهای توصیفی به همراه توابع اکسل برای محاسبه آنها معرفی و مورد بحث قرار می گیرند. مفهوم احتمال یا عدم قطعیت همراه با مفهوم نمونه و داده های جمعیت با استفاده از مثال های تجاری مرتبط معرفی شده است. این ما را به توزیع‌های آماری مختلف همراه با توابع اکسل هدایت می‌کند که سپس برای مدل‌سازی یا تقریب فرآیندهای تجاری استفاده می‌شوند. شما می‌توانید این معیارهای توصیفی داده‌ها و توزیع‌های آماری مختلف را با استفاده از مثال‌های مبتنی بر اکسل که به راحتی دنبال می‌شوند و در طول دوره نشان داده شده‌اند، اعمال کنید. برای انجام موفقیت آمیز تکالیف دوره، دانش آموزان باید به Microsoft Excel دسترسی داشته باشند. _____________________________________ هفته 1 ماژول 1: توصیفگرهای داده های پایه در این ماژول شما به درک، محاسبه و تفسیر معیارهای توصیفی یا خلاصه داده های مختلف خواهید رسید. این معیارهای توصیفی با استفاده از چند عدد داده ها را خلاصه و ارائه می کنند. توابع اکسل مناسب برای انجام این محاسبات معرفی و نشان داده شده است. موضوعات تحت پوشش عبارتند از: • دسته بندی داده های توصیفی • معیارهای گرایش مرکزی، میانگین، میانه، حالت و تفسیرها و محاسبات آنها • اندازه‌گیری‌های پراکندگی در داده‌ها، محدوده، محدوده بین چارکی، انحراف معیار و واریانس • توطئه های جعبه • تفسیر معیار انحراف معیار با استفاده از قاعده سرانگشتی و قضیه چبیشف _____________________________________ هفته 2 ماژول 2: اندازه گیری های توصیفی ارتباط، احتمال و توزیع های آماری این ماژول معیارهای کوواریانس و همبستگی و توابع اکسل مربوطه آنها را ارائه می دهد. شما می توانید مفهوم علیت در مقابل همبستگی را درک کنید. سپس ماژول مفهوم احتمال و متغیرهای تصادفی را معرفی می کند و شروع به معرفی توزیع های آماری می کند. موضوعات تحت پوشش عبارتند از: • معیارهای ارتباط، کوواریانس و معیارهای همبستگی. علیت در مقابل همبستگی • احتمال و متغیرهای تصادفی. داده های گسسته در مقابل داده های پیوسته • مقدمه ای بر توزیع های آماری _____________________________________ هفته 3 ماژول 3: توزیع عادی این ماژول توزیع نرمال و تابع اکسل را برای محاسبه احتمالات و نتایج مختلف از توزیع معرفی می کند. موضوعات تحت پوشش عبارتند از: • تابع چگالی احتمال و مساحت زیر منحنی به عنوان معیاری از احتمال • توابع توزیع عادی (منحنی زنگ)، NORM.DIST، NORM.INV در اکسل _____________________________________ هفته 4 ماژول 4: کار با توزیع ها، عادی، دو جمله ای، پواسون در این ماژول، برنامه های مختلف توزیع Normal را مشاهده خواهید کرد. همچنین با توزیع های Binomial و Poisson آشنا خواهید شد. قضیه حد مرکزی در زمینه درک داده های نمونه در مقابل داده های جمعیت و پیوند بین این دو معرفی و توضیح داده شده است. موضوعات تحت پوشش عبارتند از: • کاربردهای مختلف توزیع نرمال • توزیع دو جمله ای و پواسون • داده های نمونه در مقابل جمعیت. قضیه حد مرکزی

coursera جدال داده با پروژه پایتون (Mitalearn-331973)

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

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

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

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

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

linkedin جدول 10: تسلط بر محاسبات (Mitalearn-115189)

  • 3 hours 24 minutes
  • مبتدی
  • Release date: 20 June 2026
  • Author: Curt Frye
درباره این دوره:

Tableau 10 - ابزار محبوب تجزیه و تحلیل و تجسم - توانایی ایجاد محاسبات قدرتمند را در اختیار شما قرار می دهد. در این دوره، یاد بگیرید که چگونه از این جنبه از پلتفرم استفاده کنید و شروع به ایجاد فرمول های مفید و قدرتمند در Tableau Desktop کنید. Instructor Curt Frye با وارد شدن به انواع داده ها، تبدیل ها و نحو توابع شروع می کند و نحوه ایجاد یک فیلد محاسبه شده و یک محاسبه موقت را به اشتراک می گذارد. سپس نحوه خلاصه کردن داده ها با استفاده از توابع جمع را پوشش می دهد و نحوه محاسبه مجموع مجموعه ای از مقادیر و همچنین میانگین، حداقل و حداکثر یک مجموعه را توضیح می دهد. او همچنین درباره کار با زمان و تاریخ، ایجاد محاسبات شرطی، اجرای سطح بیان جزئیات و موارد دیگر بحث می کند.

coursera جعبه ابزار دانشمند داده (Mitalearn-335254)

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

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

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

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

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

linkedin جولیا برای دانشمندان داده نگاه اول (Mitalearn-101096)

  • 33 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Barton Poulson
درباره این دوره:

برای اولین بار به جولیا، زبان برنامه نویسی قدرتمند و سریع برای علم داده و تجزیه و تحلیل نگاه کنید. محبوبیت جولیا به سرعت در حال افزایش است و بسیاری از متخصصان علوم داده علاقه مند به یادگیری بیشتر هستند. این دوره سریع مقدمه ای کلی در مورد عملکرد، قدرت و محدودیت های زبان ارائه می دهد. نحوه مقایسه جولیا با C، R و Python و نحوه فراخوانی آن زبان ها، نحوه قالب بندی داده ها با انواع مختلف داده، نحوه انجام عملیات ریاضی و برداری، نحوه ایجاد عبارات و اجرای ماکروها و موارد دیگر را بیابید. شما می توانید تصمیم بگیرید که آیا جولیا را در گردش کار علم داده خود بگنجانید یا برای کسب اطلاعات بیشتر مراحل بعدی را دنبال کنید.

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 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 5 روزه اکسل (Mitalearn-74950)

  • 41 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Dennis Taylor
درباره این دوره:

این چالش سرگرم کننده و سریع 5 روزه اکسل را برای آزمایش و تقویت مهارت های اکسل خود انجام دهید. چالش‌ها بر اساس سوالاتی است که دنیس تیلور، متخصص اکسل، اغلب با آن‌ها مواجه می‌شود، و هر روز سخت‌تر می‌شوند. برای هر چالشی، دنیس چند راه حل مختلف و همچنین میانبرها و نکات مفیدی را برای صرفه جویی در زمان ارائه می دهد.

rn

linkedin چالش کاربران قدرت اکسل (Mitalearn-195276)

  • 9 hours 9 minutes
  • پیشرفته
  • Update date: 21 June 2026
  • Author: Oz du Soleil
درباره این دوره:

آیا راه خود را در اکسل می شناسید؟ آیا می خواهید مهارت های خود را آزمایش کنید؟ این مجموعه دو هفته‌ای پیشرفته اکسل با Excel MVP Oz du Soleil تمرین‌های پیچیده‌ای را ارائه می‌دهد که می‌تواند شما را به یک کاربر قدرتمند با حسن نیت تبدیل کند. چالش ها از تجربه دنیای واقعی اوز به عنوان یک کاربر قدیمی اکسل، مربی اکسل و مشاور هوش تجاری استخراج شده است. موضوعات شامل فرمول ها و توابع، قالب بندی شرطی، جداول محوری، Power Query، عیب یابی، و موارد دیگر است.

nn

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 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.

linkedin داده های باز: آزاد کردن مقدار پنهان (Mitalearn-94653)

  • 1 hours 6 minutes
  • متوسط
  • Update date: 21 June 2026
  • Author: Jonathan Reichental
درباره این دوره:

مشاهده خبرنامه لینکدین جاناتان دولت‌ها در سراسر جهان در حال کشف ارزش و مسئولیت هستند که داده‌هایی را که جمع‌آوری و ذخیره می‌کنند به راحتی در دسترس هر کسی که می‌خواهد به آن دسترسی داشته باشد، پیدا می‌کند. تصمیم گیری برای باز کردن مجموعه داده ها یک انتخاب استراتژیک است که نیاز به تاکتیک های دقیق دارد. فرآیندها و فن آوری هایی برای دسترسی به داده ها و در عین حال به حداقل رساندن خطر وجود دارد. اگر می‌خواهید باز کردن داده‌های سازمان خود را برای فعال کردن شفافیت و تسریع نوآوری شروع کنید، یا از داده‌های باز برای هدایت تحلیل و تصمیم‌گیری آگاهانه‌تر استفاده کنید، این دوره برای شما مناسب است.\n\n او همچنین توضیح می دهد که چگونه دانشمندان داده از داده های باز برای گفتن داستان ها و ایجاد تجسم داده ها استفاده می کنند. در طول مسیر، او نمونه‌های متعددی از داده‌های باز را در عمل ارائه می‌کند: بهبود دولت، توانمندسازی شهروندان، ایجاد فرصت و حل مشکلات عمومی.

Suggestions