Course catalog

Course duration

Course provider

Topic

Categories

Showing 341-360 of 555 items.

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

linkedin چالش های کد پایتون برای تجزیه و تحلیل داده ها (Mitalearn-433548)

  • 34 minutes
  • مناسب همه
  • Release date: 25 July 2026
  • Author: Jonathan Fernandes
درباره این دوره:

در این دوره ، جاناتان فرناندز - یک متخصص در زمینه های تولید AI و مدل های بزرگ زبان - ضرورت تجزیه و تحلیل داده ها را با استفاده از پایتون ارائه می دهد. بیاموزید که چگونه داده ها را بارگیری کنید ، آن را با معیارهای خاص فیلتر کنید و ساختارهای داده را برای دستیابی به نتایج مطلوب دستکاری کنید. استفاده از CoderPAD را برای مقایسه و ارزیابی ساختار داده های مختلف پایتون کشف کنید. در اعماق چالش های دستی مانند مرتب سازی داده ها توسط معیارهای مختلف و یافتن عناصر با بیشترین نامزدها غواصی کنید. در پایان این دوره ، شما در استفاده از پایتون برای کارهای تجزیه و تحلیل داده ها و قادر به مقابله با مشکلات پیچیده داده ها مهارت خواهید داشت. این دوره برای تحلیلگران داده های مشتاق ، برنامه نویسان پایتون و هر کسی که علاقه مند به علوم داده است ایده آل است.

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.

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 درک فناوری و داده ها (Mitalearn-291275)

  • 1 hours 57 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Accenture Teaching Staff
درباره این دوره:

به دوره آموزشی درک فناوری و داده ها خوش آمدید. این دوره به منظور ارائه پایه ای در مورد نحوه استفاده از فناوری و داده ها در زندگی روزمره طراحی شده است. این به شما کمک می کند تا موفقیت در یک محیط کار دیجیتال را یاد بگیرید. در پایان این دوره، شما قادر خواهید بود: - تکامل دستگاه های الکترونیکی را بشناسید - شناسایی فناوری های جدید در صنایع مختلف - فناوری هایی مانند ابر، هوش مصنوعی، بلاک چین و غیره را تعریف کنید. - تشخیص دیجیتالی شدن چیست و چگونه بر زندگی روزمره تأثیر می گذارد - شناخت اصول اولیه یک کامپیوتر از جمله قسمت های مختلف و ویژگی های امنیتی آن - کدگذاری را تعریف کنید - ویژگی های کلیدی جاوا اسکریپت را شناسایی کنید - ویژگی های کلیدی پایتون را شناسایی کنید - تشخیص نحوه تفسیر داده ها این دوره به چهار ماژول تقسیم می شود: درک فناوری، فناوری در محل کار، کاوش کدگذاری و کشف داده ها. ماژول یک، درک فناوری، مبانی فناوری و تکامل آن را بررسی می‌کند و مسیر توسعه فناوری را روشن می‌کند. با فناوری های دیجیتال و کاربرد رو به رشد آنها در صنایع مختلف آشنا خواهید شد. شما همچنین خواهید آموخت که چگونه اتوماسیون نه تنها برای محل کار مفید است، بلکه در خانه نیز اهمیت می یابد. ابر، بلاک چین و هوش مصنوعی فناوری‌های پرطرفداری هستند که در این ماژول بررسی خواهید کرد. ماژول دو، فناوری در کار، به ایجاد سواد دیجیتالی شما ادامه خواهد داد. شما با اصول اولیه کامپیوتر و اینترنت و نحوه استفاده از آنها در محیط کار آشنا خواهید شد. شما با تکنیک هایی برای کارآمدتر کار کردن و برقراری ارتباط مجازی آشنا خواهید شد، از جمله نکات مفیدی برای استفاده از ایمیل. همچنین یاد خواهید گرفت که چگونه داده های خود را ایمن کنید. در ماژول سه، Exploring Coding، شما با دنیای کدنویسی و برخی از زبان های برنامه نویسی کلیدی مانند جاوا اسکریپت و پایتون آشنا خواهید شد. شما در مورد گزینه های شغلی مختلف در برنامه نویسی، مانند توسعه وب، توسعه برنامه و توسعه نرم افزار یاد خواهید گرفت. ماژول چهار، کشف داده، به شما کمک می‌کند تا راه‌های جمع‌آوری و تفسیر داده‌ها و نحوه بکارگیری آن‌ها برای تصمیم‌گیری‌های حیاتی را درک کنید. با تکنیک های مختلف برای تفسیر داده ها و نحوه استفاده از توابع اکسل برای کار راحت تر با داده ها آشنا خواهید شد. این یک دوره آموزشی پایه است که برای یادگیرندگانی در نظر گرفته شده است که با فناوری و داده ها تازه کار هستند و می خواهند برای دنیای کار دیجیتالی آماده شوند. برای گذراندن این دوره به تجربه قبلی خاصی نیاز نیست. حق چاپ © 2023 Accenture. تمامی حقوق محفوظ است. Accenture و لوگوی آن علائم تجاری ثبت شده Accenture هستند.

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.

Suggestions