Course catalog

Course duration

Course provider

Topic

Categories

Showing 361-380 of 587 items.

coursera شبکه های عصبی و یادگیری عمیق (Mitalearn-212905)

  • 6 hours 48 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Andrew Ng,Kian Katanforoosh,Younes Bensouda Mourri
درباره این دوره:

در اولین دوره از تخصص یادگیری عمیق، مفهوم بنیادی شبکه های عصبی و یادگیری عمیق را مطالعه خواهید کرد. در پایان، شما با روندهای فن آوری قابل توجهی که باعث افزایش یادگیری عمیق می شود آشنا خواهید شد. شبکه های عصبی عمیق کاملا متصل را بسازید، آموزش دهید، و اعمال کنید. پیاده سازی شبکه های عصبی کارآمد (بردار)؛ شناسایی پارامترهای کلیدی در معماری شبکه عصبی؛ و یادگیری عمیق را در برنامه های خود اعمال کنید. تخصص یادگیری عمیق برنامه اساسی ما است که به شما کمک می کند قابلیت ها، چالش ها و پیامدهای یادگیری عمیق را درک کنید و شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده کند. این مسیری را برای شما فراهم می کند تا دانش و مهارت هایی را به دست آورید تا از یادگیری ماشینی در کار خود استفاده کنید، حرفه فنی خود را ارتقا دهید و گامی قطعی در دنیای هوش مصنوعی بردارید.

coursera شبیه سازی های کامپیوتری (Mitalearn-329338)

  • 6 hours 19 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Martin Hilbert
درباره این دوره:

کلان داده ها و هوش مصنوعی بیشتر مطبوعات را در مورد علوم اجتماعی محاسباتی دریافت می کنند، اما شاید پیچیده ترین جنبه آن به استفاده از ابزارهای محاسباتی برای کشف و توسعه نظریه علوم اجتماعی اشاره داشته باشد. این دوره نشان می دهد که چگونه از شبیه سازی های کامپیوتری برای کشف قلمرو آنچه از نظر تئوری ممکن است استفاده می شود. شبیه‌سازی‌های رایانه‌ای به ما این امکان را می‌دهند تا بررسی کنیم که چرا جوامع به این شکل هستند، و در مورد جهانی که دوست داریم در آن زندگی کنیم، رویاپردازی کنیم. درست مانند بازی ویدیویی معروف SimCity که برای ساخت و مدیریت یک شهر مصنوعی استفاده می شود، ما از مدل های مبتنی بر عامل برای رشد و مطالعه جوامع مصنوعی استفاده می کنیم. بدون آسیب رساندن به کسی در دنیای واقعی، شبیه‌سازی‌های رایانه‌ای به ما امکان می‌دهند که چگونه جهان را به مکانی بهتر تبدیل کنیم. ما با چندین مدل شبیه‌سازی کامپیوتری عملی بازی می‌کنیم و چگونگی ترکیب مدل‌های فرضی را با داده‌های دنیای واقعی بررسی می‌کنیم. در نهایت، شما خودتان یک جامعه مصنوعی ساده، از پایین به بالا برنامه ریزی خواهید کرد. این به شما امکان می‌دهد پیچیدگی‌هایی را که هنگام طراحی سیستم‌های اجتماعی به وجود می‌آید احساس کنید، و در عین حال سهولتی را که ابزارهای محاسباتی جدید ما به ما امکان می‌دهند چنین تلاش‌های دلهره‌آوری را دنبال کنیم، تجربه کنید.

coursera شروع بصری سازی داده ها در R (Mitalearn-329083)

  • 1 hours 22 minutes
  • مبتدی
  • 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 ممکن است دشوار باشد. 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 آموزانی طراحی شده است که مهارت های محاسباتی اولیه خوبی دارند، اما در صورت داشتن تجربه در برنامه نویسی محدود است.

coursera شروع کار با CyberGIS (Mitalearn-327468)

  • 4 hours 5 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Shaowen Wang,Anand Padmanabhan
درباره این دوره:

این دوره در نظر گرفته شده است تا دانشجویان را با CyberGIS - علوم و سیستم‌های اطلاعات جغرافیایی (GIS) - بر اساس زیرساخت‌های سایبری پیشرفته و همچنین پیشرفت هنر در محاسبات با کارایی بالا، داده‌های بزرگ و رایانش ابری در زمینه علم داده‌های مکانی . تاکید بر یادگیری پیشرفت های پیشرفته سایبرجی آی اس و اصول علم داده های مکانی زیربنایی آن است.

coursera شروع کار با TensorFlow 2 (Mitalearn-330698)

  • 4 hours 13 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Dr Kevin Webster
درباره این دوره:

به این دوره آموزشی در مورد شروع با TensorFlow 2 خوش آمدید! در این دوره شما یک گردش کار کامل برای توسعه مدل‌های یادگیری عمیق با Tensorflow، از ساخت، آموزش، ارزیابی و پیش‌بینی مدل‌ها با استفاده از Sequential API، اعتبارسنجی مدل‌های خود و از جمله منظم‌سازی، اجرای callbacks، و ذخیره و مدل های بارگیری مفاهیمی را که در مورد آنها یاد می گیرید بلافاصله در آموزش های عملی و عملی برنامه نویسی، که توسط دستیار آموزشی فارغ التحصیل راهنمایی می شوید، در عمل قرار می دهید. علاوه بر این، یک سری تکالیف برنامه نویسی با درجه بندی خودکار برای شما وجود دارد تا مهارت های خود را تثبیت کنید. در پایان دوره، بسیاری از مفاهیم را در یک پروژه Capstone گرد هم می آورید، جایی که یک مدل یادگیری عمیق طبقه بندی کننده تصویر را از ابتدا توسعه می دهید. Tensorflow یک کتابخانه ماشینی منبع باز است و یکی از پرکاربردترین چارچوب ها برای یادگیری عمیق است. انتشار Tensorflow 2 با تمرکز اصلی بر سهولت استفاده برای همه کاربران، از سطح مبتدی تا پیشرفته، یک تغییر مرحله‌ای را در توسعه محصول نشان می‌دهد. این دوره هم برای کاربرانی که کاملاً با Tensorflow آشنا هستند و هم برای کاربران با تجربه در Tensorflow 1.x در نظر گرفته شده است. دانش لازم برای موفقیت در این دوره، تسلط به زبان برنامه نویسی پایتون (این دوره از پایتون 3 استفاده می کند)، دانش مفاهیم کلی یادگیری ماشین (مانند برازش/زیاد برازش، وظایف یادگیری نظارت شده، اعتبارسنجی، منظم سازی و مدل سازی است). انتخاب)، و دانش کاری در زمینه یادگیری عمیق، از جمله معماری های مدل معمولی (MLP/feedforward و شبکه های عصبی کانولوشن)، توابع فعال سازی، لایه های خروجی، و بهینه سازی.

coursera شروع کار با تجزیه و تحلیل داده ها در AWS (Mitalearn-328556)

  • 1 hours 14 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Rafael Lopes
درباره این دوره:

با این دوره یک هفته‌ای، یاد بگیرید که چگونه با استفاده از AWS از داده‌های خام به بینش‌های معنادار بروید. در طول دوره، با اصول تحلیل داده ها از کارشناسان AWS آشنا خواهید شد. با مروری بر انواع مختلف تکنیک‌های تجزیه و تحلیل داده‌ها - توصیفی، تشخیصی، پیش‌بینی‌کننده و تجویزی، قبل از غواصی عمیق‌تر در تجزیه و تحلیل داده‌های توصیفی، شروع کنید. سپس، دانش خود را با یک پروژه هدایت‌شده به کار ببرید که از یک مجموعه داده ساده اما قدرتمند به‌طور پیش‌فرض در هر حساب AWS استفاده می‌کند: گزارش‌های AWS CloudTrail. سرویس CloudTrail مدیریت، انطباق، حسابرسی عملیاتی و حسابرسی ریسک حساب AWS شما را امکان پذیر می کند. از طریق این پروژه شما همچنین با آمازون آتنا و آمازون QuickSight آشنا خواهید شد. و، شما یاد خواهید گرفت که چگونه یک داشبورد امنیتی اولیه به عنوان یک روش ساده اما کاربردی برای به کارگیری دانش جدید تجزیه و تحلیل داده خود بسازید.

coursera شناسایی جمعیت بیماران (Mitalearn-331412)

  • 1 hours
  • متوسط
  • Release date: 23 June 2026
  • Author: Laura K. Wiley, PhD
درباره این دوره:

این دوره به شما اصول فنوتیپ محاسباتی، یک روش انفورماتیک زیست پزشکی برای شناسایی جمعیت بیماران را می آموزد. در این دوره آموزشی، نحوه عملکرد انواع داده های بالینی مختلف هنگام تلاش برای شناسایی بیماران مبتلا به یک بیماری یا ویژگی خاص را خواهید آموخت. همچنین یاد خواهید گرفت که چگونه دستکاری ها و ترکیب های مختلف داده را برای افزایش پیچیدگی و بهبود عملکرد الگوریتم های خود برنامه ریزی کنید. در نهایت، شما این شانس را خواهید داشت که مهارت های خود را با یک برنامه کاربردی واقعی در دنیای واقعی آزمایش کنید که در آن یک الگوریتم فنوتیپ محاسباتی برای شناسایی بیماران مبتلا به فشار خون بالا ایجاد می کنید. شما این کار را با استفاده از مجموعه داده‌های بالینی واقعی و در حالی که از یک محیط محاسباتی آنلاین رایگان برای علوم داده استفاده می‌کنید که توسط شریک صنعتی Google Cloud میزبانی می‌شود، تکمیل خواهید کرد.

coursera شناسایی نقش مناسب برای خود (Mitalearn-329780)

  • مبتدی
  • Release date: 27 June 2026
  • Author: Camille Funk
درباره این دوره:

علم داده و هوش مصنوعی رشته‌های در حال رشد و هیجان‌انگیزی هستند که می‌توانند به جویندگان کار آینده‌نگر ارائه دهند. با این حال، حتی با وجود رشد گسترده در فناوری و موقعیت ها، هنوز موانع زیادی برای ورود وجود دارد. این دوره چالش‌ها و فرصت‌های امروزی را در علم داده و هوش مصنوعی، مهارت‌ها و آموزش‌های مختلف لازم برای برخی از موقعیت‌های معمولاً گیج‌کننده، و همچنین وظایف شغلی خاص مرتبط با نقش‌های مورد تقاضا را بررسی می‌کند. با گذراندن این دوره، فراگیران می توانند کشف کنند که کدام نقش و صنعت به بهترین وجه با مهارت ها، علایق و پیشینه آنها مطابقت دارد و همچنین هرگونه آموزش اضافی مورد نیاز را شناسایی می کند، که هر دو آنها را برای درخواست و مصاحبه برای موقعیت های DS/AI آماده می کند. در پایان این دوره، دانشجویان قادر خواهند بود: • مهارت ها، تحصیلات و تجربه مورد نیاز را برای نقش های مختلف DS/AI شناسایی کنید. • شباهت ها و تفاوت های بین نقش های مختلف DS/AI که معمولاً اشتباه می شوند را به یاد بیاورید. • نقش علم داده/هوش مصنوعی را توصیف کنید که با اهداف شخصی و حوزه مورد علاقه همسو باشد. • ارزیابی کنید که برای وارد شدن به یک نقش خاص DS/AI به چه آموزش مهارت بیشتری نیاز است.

coursera طبقه بندی متن بدون نظارت برای تجزیه و تحلیل بازاریابی (Mitalearn-331157)

  • 2 hours 16 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Chris J. Vargo,Scott Bradley
درباره این دوره:

داده‌های بازاریابی اغلب آنقدر بزرگ هستند که انسان‌ها نمی‌توانند نمونه‌ای از آن را بخوانند یا تجزیه و تحلیل کنند تا بفهمند چه بینش‌هایی ممکن است در آن نهفته باشد. در این دوره، زبان آموزان از یادگیری عمیق بدون نظارت برای آموزش الگوریتم هایی برای استخراج موضوعات و بینش از داده های متنی استفاده می کنند. یادگیرندگان یک مرور مفهومی از یادگیری ماشینی بدون نظارت 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 از نوت بوک های Jupyter و محیط برنامه نویسی Google Colab، یک محیط نوت بوک مبتنی بر مرورگر Jupyter استفاده می کند. فایل ها در گوگل درایو ذخیره می شوند. 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.

coursera طبقه بندی متن نظارت شده برای تجزیه و تحلیل بازاریابی (Mitalearn-329168)

  • 3 hours 3 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Chris J. Vargo,Scott Bradley
درباره این دوره:

داده های بازاریابی اغلب نیاز به دسته بندی یا برچسب گذاری دارند. در عصر امروز، داده‌های بازاریابی می‌تواند بسیار بزرگ یا بزرگ‌تر از آن چیزی باشد که انسان‌ها می‌توانند به طور منطقی با آن مقابله کنند. در این دوره، دانش آموزان یاد می گیرند که چگونه از یادگیری عمیق نظارت شده برای آموزش الگوریتم هایی برای مقابله با وظایف طبقه بندی متن استفاده کنند. دانش‌آموزان مروری مفهومی از یادگیری ماشینی نظارت‌شده 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.

coursera طراحی برنامه های کاربردی داده فشرده (Mitalearn-334200)

  • 21 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: María del Pilar Ángeles
درباره این دوره:

به دوره تخصصی طراحی برنامه های کاربردی داده فشرده خوش آمدید. این دوره به مدت چهار هفته تکمیل می شود و با فیلم و تمرین پشتیبانی می شود. در پایان این تخصص، فراگیران قادر خواهند بود با توجه به نوع داده ها و حجم اطلاعات، زمان پاسخگویی، نوع پردازش و پرس و جو به منظور پشتیبانی از مقیاس پذیری، قابلیت نگهداری و امنیت، سیستم های اطلاعاتی با قابلیت اطمینان بالا را پیشنهاد، طراحی، توجیه و توسعه دهند. و قابلیت اطمینان با در نظر گرفتن آخرین فناوری های اطلاعاتی. نرم افزار برای دانلود: میز کار MySQL Rapidminer چارچوب Hadoop Hortonworks MongoDB در صورتی که سیستم عامل Mac / IOS دارید، باید اقدامی به نام VirtualBox انجام دهید.

coursera طراحی داشبوردهای جذاب برای تجزیه و تحلیل مراقبت های بهداشتی (Mitalearn-335883)

  • 1 hours 3 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Kevin Hartman
درباره این دوره:

فرآیندها و اصول طراحی را برای ایجاد نمایش‌های معنی‌دار از اطلاعات معرفی می‌کند که از تصمیم‌گیری مؤثر تجاری پشتیبانی می‌کند. نحوه جمع آوری و پردازش داده ها را مطالعه می کند. ایجاد تجسم (هم ایستا و هم تعاملی)؛ و از آنها برای ارائه بینش نسبت به یک مشکل، موقعیت یا فرصت استفاده کنید. روش‌هایی را برای نقد تجسم‌سازی‌ها به همراه راه‌هایی برای پاسخ به این سوال مبهم معرفی می‌کند: «چه چیزی یک تجسم را مؤثر می‌کند؟» چالش‌های قابل درک کردن داده‌ها در طیف وسیعی از مخاطبان را مورد بحث قرار می‌دهد. اصول ارتباط مورد نیاز برای داستان سرایی داده موثر را معرفی می کند. موضوعات دیگر ممکن است شامل استفاده اخلاقی از نمایش اطلاعات، داستان سرایی، اینفوگرافیک، تجسم های همه جانبه و استفاده خوب از داشبورد داده باشد. به دانش آموزان فرصتی برای استفاده از یک یا چند ابزار نرم افزاری ارائه می دهد.

coursera طراحی هوش مصنوعی مستقل (Mitalearn-329593)

  • 3 hours 5 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Kence Anderson
درباره این دوره:

(این برنامه قبلاً بخشی از یک تخصص سه دوره ای به نام هوش مصنوعی مستقل برای صنعت بود. به دلیل توقف برنامه نرم افزاری Bonsai، ارجاعات به Bonsai حذف شده است. شما همچنان می توانید از طریق دو دوره جداگانه ما "طراحی" در مورد هوش مصنوعی مستقل و آموزش ماشینی بیاموزید. هوش مصنوعی مستقل» و «آموزش ماشین برای هوش مصنوعی خودمختار».) برای طراحی یک سیستم هوش مصنوعی مستقل، باید نحوه تقطیر یک چالش تجاری را در اجزای سازنده آن بیابید. وقتی بچه‌ها یاد می‌گیرند چطور بیس‌بال بزنند، با توپ‌های سریع شروع نمی‌کنند. مربیان آنها با اصول اولیه شروع می کنند: چگونه دسته خفاش را بگیرند، پاهای خود را کجا بگذارند و چگونه چشم خود را روی توپ نگه دارند. به طور مشابه، یک سیستم هوش مصنوعی مستقل به یک متخصص موضوعی (SME) نیاز دارد تا یک فرآیند پیچیده یا مشکل را به وظایف آسان‌تر تقسیم کند که سرنخ‌های مهمی در مورد چگونگی یافتن سریع‌تر راه‌حل به هوش مصنوعی بدهد. در این دوره، نحوه ایجاد یک طرح طراحی خودکار هوش مصنوعی را یاد خواهید گرفت. با تعیین اهداف، شناسایی مهارت‌های قابل آموزش، و به‌کارگیری آن مهارت‌ها در استراتژی‌های هدف‌گرا، دانش SME خود را مستقیماً در «مغز» هوش مصنوعی خود، عاملی که سیستم مستقل شما را نیرو می‌دهد، ترکیب می‌کنید. شما یاد خواهید گرفت که چه زمانی و چگونه الگوهای طراحی معماری هوش مصنوعی مختلف را با هم ترکیب کنید، همچنین یاد خواهید گرفت که چگونه یک هوش مصنوعی پیشرفته را در سطح معماری بدون نگرانی در مورد اجرای شبکه های عصبی یا الگوریتم های یادگیری ماشین طراحی کنید. در پایان این دوره، شما قادر خواهید بود: • مصاحبه با SMEها برای استخراج دانش منحصر به فرد آنها در مورد یک سیستم یا فرآیند • ترکیب یادگیری تقویتی با قوانین خبره، بهینه سازی و محاسبات ریاضی در مغز هوش مصنوعی • طراحی یک مغز هوش مصنوعی مستقل از اجزای مدولار برای هدایت فرآیند یادگیری برای یک کار خاص • طراحی مغز خود را در برابر تخصص و تکنیک های موجود برای حل مشکلات اعتبار سنجی کنید • یک سند مشخصات دقیق تهیه کنید تا شخص دیگری بتواند مغز هوش مصنوعی شما را بسازد

coursera طراحی و تجسم اطلاعات مراقبت های بهداشتی (Mitalearn-328947)

  • 1 hours 1 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Kevin Hartman
درباره این دوره:

فرآیندها و اصول طراحی را برای ایجاد نمایش‌های معنی‌دار از اطلاعات معرفی می‌کند که از تصمیم‌گیری مؤثر تجاری پشتیبانی می‌کند. نحوه جمع آوری و پردازش داده ها را مطالعه می کند. ایجاد تجسم (هم ایستا و هم تعاملی)؛ و از آنها برای ارائه بینشی نسبت به یک مشکل، موقعیت یا فرصت استفاده کنید. روش‌هایی را برای نقد تجسم‌سازی‌ها به همراه راه‌هایی برای پاسخ به این سوال مبهم معرفی می‌کند: «چه چیزی یک تجسم را مؤثر می‌کند؟» چالش‌های قابل درک کردن داده‌ها در طیف وسیعی از مخاطبان را مورد بحث قرار می‌دهد. مبانی ارتباط مورد نیاز برای داستان سرایی داده موثر را معرفی می کند. موضوعات دیگر ممکن است شامل استفاده اخلاقی از نمایش اطلاعات، داستان سرایی، اینفوگرافیک ها و تجسم های همه جانبه باشد. به دانش آموزان فرصتی برای استفاده از یک یا چند ابزار نرم افزاری ارائه می دهد. به دنبال یک پیشنهاد اعتباری از این دوره هستید؟ این دوره را به عنوان یک دوره 3 واحدی برای اعتبار، بدون مدرک بگذرانید و از برنامه های آنلاین کلاس جهانی دانشگاه نورث ایسترن بدون تعهد مدرک کامل لذت ببرید. دوره را به صورت مستقل برای اعتبار بگذرانید یا اعتبارات را در برنامه های مدرک و گواهینامه واجد شرایط قرار دهید. اطلاعات بیشتر و ثبت نام: https://online.northeastern.edu/courses/information-visuals-and-dashboards-for-business

coursera طراحی و ساخت انبار داده برای پیاده سازی هوش تجاری (Mitalearn-334693)

  • 1 hours 33 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Michael Mannino,Jahangir Karimi
درباره این دوره:

دوره اصلی، طراحی و ساخت انبار داده برای پیاده سازی هوش تجاری، دارای یک مطالعه موردی در دنیای واقعی است که یادگیری شما را در تمام دوره های تخصصی یکپارچه می کند. در پاسخ به الزامات کسب و کار ارائه شده در یک مطالعه موردی، شما یک انبار داده کوچک طراحی و می سازید، گردش های کاری یکپارچه سازی داده ها را برای تازه سازی انبار ایجاد می کنید، بیانیه های SQL را برای پشتیبانی از الزامات پرس و جو تحلیلی و خلاصه می نویسید، و از پلت فرم هوش تجاری MicroStrategy استفاده می کنید. داشبورد و تجسم ایجاد کنید. در بخش اول دوره Capstone، با یک شرکت متوسط ​​آشنا می شوید و در مورد نیازهای انبار داده و هوش تجاری آنها و منابع داده موجود می آموزید. شما ابتدا یک طرح و مدل ابعادی انبار را برای یک انبار داده کوچک طراحی خواهید کرد. سپس با استفاده از Pentaho Data Integration برای تازه کردن انبار داده خود، گردش کار یکپارچه سازی داده ایجاد می کنید. در مرحله بعد، عبارات SQL را برای الزامات پرس و جوی تحلیلی می نویسید و نماهای تحقق یافته را برای پشتیبانی از مدیریت خلاصه داده ایجاد می کنید. برای گردش های کاری یکپارچه سازی داده ها و پرس و جوهای تحلیلی، می توانید از Oracle یا PostgreSQL استفاده کنید. در نهایت، شما از قابلیت های MicroStrategy OLAP برای به دست آوردن بینش در مورد انبار داده خود استفاده خواهید کرد. در پروژه تکمیل شده، شما یک انبار داده کوچک شامل طراحی طرحواره، گردش های کاری یکپارچه سازی داده ها، پرس و جوهای تحلیلی، نماهای تحقق یافته، داشبوردها و تجسم هایی ساخته اید که مفتخرید به کارفرمایان فعلی و آینده خود نشان دهید.

coursera طرح های فاکتوریال و کسری فاکتوریل (Mitalearn-333588)

  • 5 hours 43 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Douglas C. Montgomery
درباره این دوره:

بسیاری از آزمایشات در مهندسی، علوم و کسب و کار شامل عوامل متعددی است. این دوره مقدمه ای بر این نوع آزمایشات چند عاملی است. استراتژی آزمایشی مناسب برای این موقعیت ها بر اساس طرح فاکتوریل است، نوعی آزمایش که در آن عوامل با هم متفاوت هستند. این دوره بر طراحی این نوع آزمایش ها و استفاده از ANOVA برای تجزیه و تحلیل داده های حاصل تمرکز دارد. این نوع آزمایش‌ها اغلب شامل عوامل مزاحم می‌شوند و اصل مسدود کردن را می‌توان در طرح‌های فاکتوریل برای مدیریت این موقعیت‌ها استفاده کرد. با افزایش تعداد فاکتورهای مورد علاقه، فاکتوریل های کامل بسیار گران می شوند و نسخه های کسری از طرح فاکتوریل مفید هستند. این دوره به مزایای فاکتوریل های کسری به همراه روش هایی برای ساخت و تجزیه و تحلیل داده های این آزمایش ها می پردازد.

linkedin علم داده اقتصاد، بانکداری و امور مالی، با بارتون پولسون (Mitalearn-128466)

  • 1 hours 20 minutes
  • متوسط
  • Update date: 9 May 2018
  • Author: Barton Poulson
درباره این دوره:

علم داده در هیچ کجا به اندازه مالی مرتبط نیست. ردیابی حرکت پول در سراسر جهان یکی از وظایف اصلی تحلیلگران امروزی است. در این دوره، دریابید که چگونه الگوریتم ها، اتوماسیون، برنامه های کاربردی داده های بزرگ و یادگیری ماشین ماهیت اقتصاد، بانکداری و مالی را تغییر می دهند. دانشمند داده و پروفسور بارتون پولسون یک نمای کلی غیر فنی از کاربردهای موفق و مشکل ساز علم داده در این زمینه ها ارائه می دهد. بیاموزید که چگونه علم داده بر نحوه خرید و فروش سهام، نحوه پردازش درخواست‌های وام و حتی نحوه شناسایی تقلب در حال حاضر که اطلاعات مالی در چنین مقیاس وسیعی به صورت آنلاین رد و بدل می‌شود، تأثیر می‌گذارد. کشف کنید که رسانه‌های اجتماعی چگونه بر روندهای اقتصادی تأثیر می‌گذارند، و چرا دانشمندان داده باید به ویژه مراقب باشند که اخلاق را در ذهن داشته باشند و مفروضات نادرست را در هنگام برخورد با داده‌های مالی بررسی کنند.

coursera علم داده انفورماتیک سلامت (Mitalearn-340592)

  • 5 hours 5 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Hadi H. K. Kharrazi, MD, Ph.D,Sam Meiselman
درباره این دوره:

coursera علم داده با NumPy، مجموعه ها و دیکشنری ها (Mitalearn-328913)

  • 1 hours 29 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Genevieve M. Lipp,Nick Eubank,Kyle Bradbury
درباره این دوره:

در NumPy، یک بسته اساسی پایتون که برای مشاغل در علم داده بسیار مهم است، مهارت داشته باشید. این دوره جامع برای برنامه نویسان مبتدی که مایل به تبدیل شدن به دانشمندان داده، توسعه دهندگان نرم افزار، تحلیلگران داده، مهندسان یادگیری ماشین، مهندسان داده یا مدیران پایگاه داده هستند، طراحی شده است. با شروع مفاهیم پایه علوم کامپیوتر، مانند برنامه نویسی شی گرا و سازماندهی داده ها با استفاده از مجموعه ها و دیکشنری ها، به ساختارهای داده پیچیده تر مانند آرایه ها، بردارها و ماتریس ها خواهید رسید. تمرین عملی با NumPy شما را به مهارت های ضروری برای مقابله با چالش های کلان داده و حل موثر مشکلات داده مجهز می کند. شما برنامه های پایتون را برای دستکاری و فیلتر کردن داده ها و همچنین ایجاد بینش مفید از مجموعه داده های بزرگ می نویسید. در پایان دوره، شما در خلاصه کردن مجموعه داده ها مانند محاسبه میانگین ها، حداقل ها و حداکثرها مهارت خواهید داشت. علاوه بر این، مهارت های پیشرفته ای در بهینه سازی تجزیه و تحلیل داده ها با بردارسازی و تصادفی سازی داده ها به دست خواهید آورد. در طول سفر یادگیری خود، از انواع بسیاری از ساختارهای داده و تکنیک های تحلیلی برای انواع چالش های علم داده، از جمله عملیات ریاضی، تجزیه و تحلیل فایل متنی، و پردازش تصویر استفاده خواهید کرد. گام به گام، تکالیف هدایت شده هر هفته مهارت های شما را تقویت می کند و شما را قادر می سازد تا مشکلات را حل کنید و به طور مستقل نتیجه گیری های مبتنی بر داده ها را بگیرید. با تسلط بر NumPy و تقویت مهارت برنامه نویسی خود، خود را برای یک حرفه پربار در علم داده آماده کنید. این تجربه یادگیری متحول کننده را از امروز شروع کنید!

coursera علم داده با R - پروژه Capstone (Mitalearn-331004)

  • 20 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Jeff Grossman,Yan Luo
درباره این دوره:

در این دوره آموزشی، مهارت‌ها و تکنیک‌های مختلف علوم داده را که به عنوان بخشی از دوره‌های قبلی در IBM Data Science با تخصص R یا IBM Data Analytics با Excel و R Professional Certificate آموخته‌اید، به کار می‌گیرید. برای این پروژه، شما نقش یک دانشمند داده را به عهده خواهید گرفت که اخیراً به یک سازمان پیوسته است و با چالشی مواجه می شوید که نیاز به جمع آوری داده ها، تجزیه و تحلیل، آزمایش فرضیه های اساسی، تجسم و مدل سازی دارد تا بر روی مجموعه داده های دنیای واقعی انجام شود. داده‌ها را از منابع متعدد جمع‌آوری و درک می‌کنید، بحث و گفتگو و آماده‌سازی داده‌ها را با Tidyverse انجام می‌دهید، تجزیه و تحلیل داده‌های اکتشافی را با SQL، Tidyverse و ggplot2 انجام می‌دهید، داده‌ها را با رگرسیون خطی مدل‌سازی می‌کنید، نمودارها و نمودارهایی را برای تجسم داده‌ها ایجاد می‌کنید و داشبورد تعاملی ایجاد می‌کنید. پروژه با ارائه گزارش تجزیه و تحلیل داده های شما، با یک خلاصه اجرایی برای ذینفعان مختلف در سازمان به اوج خود می رسد.

Suggestions