Course catalog
Course duration
Course provider
Topic
پردازش داده با Azure
(Mitalearn-322674)
- 3 hours 52 minutes
- متوسط
- Release date: 23 June 2026
- Author: Samant Bali,Kenny Mobley
این دوره آموزشی Azure برای تجهیز دانش آموزان به دانش لازم برای پردازش، ذخیره و تجزیه و تحلیل داده ها برای تصمیم گیری آگاهانه تجاری طراحی شده است. از طریق این دوره Azure، دانشآموز متوجه خواهد شد که دادههای بزرگ به همراه اهمیت تجزیه و تحلیل دادههای بزرگ، که مهارتهای ریاضی و برنامهنویسی دانشآموزان را بهبود میبخشد. دانش آموزان موثرترین روش استفاده از ابزارهای تحلیلی ضروری مانند پایتون، R و آپاچی اسپارک را خواهند آموخت.
Related Skills
پردازش متن با R Essential Training
(Mitalearn-195225)
- 55 minutes
- متوسط
- Release date: 22 June 2026
- Author: Kumaran Ponnambalam
کلان داده ها و خطوط لوله تحلیلی امروزی داده های متنی تولید شده از طریق وب سایت ها، رسانه های اجتماعی و ارتباطات خصوصی را بیشتر و بیشتر مصرف می کنند. اما استخراج بینش از متن ساده نیست. برای تهیه متن برای تجزیه و تحلیل و یادگیری ماشین به یک سری تکنیک ها و فرم ها نیاز دارد. در این دوره، تکنیک های ضروری برای پاکسازی و پردازش متن در R را بیاموزید و نحوه تبدیل متن به فرمی آماده برای تجزیه و تحلیل و پیش بینی را بیاموزید. Kumaran Ponnambalam با مرور تکنیکهای استخراج، پاکسازی و پردازش متن شروع میکند. سپس نحوه تبدیل متن به فرم آماده تجزیه و تحلیل، از جمله نحوه استفاده از n-gram و TF-IDF را نشان می دهد. در طول دوره، او نمونه هایی برای تمرین این تکنیک ها با استفاده از کتابخانه های R و tm ارائه می دهد.
Related Skills
پیش بینی مالی با داده های بزرگ
(Mitalearn-110939)
- 1 hours 21 minutes
- متوسط
- Release date: 21 June 2026
- Author: Michael McDonald
کلان داده ها دنیای تجارت را متحول می کنند. با این حال، بسیاری از مردم نمیدانند کلان داده و هوش تجاری چیست، یا نمیدانند چگونه این تکنیکها را در مشاغل روزمره خود به کار ببرند. این دوره به این شکاف دانش می پردازد و روش های عملی را به افراد تجاری ارائه می دهد تا با استفاده از داده های بزرگ، پیش بینی های تجاری سریع و مرتبط ایجاد کنند.\r\n\r\n تنها چیزی که نیاز دارید مایکروسافت اکسل است. مایکل از فرمول ها، توابع و محاسبات داخلی برای انجام تحلیل رگرسیون، محاسبه فواصل اطمینان و تست استرس نتایج شما استفاده می کند. شما از دوره دور می شوید و می توانید فوراً شروع به ایجاد پیش بینی برای نیازهای تجاری خود کنید.
Related Skills
تجزیه و تحلیل داده های بزرگ با SQL
(Mitalearn-327128)
- 7 hours 7 minutes
- مبتدی
- Release date: 23 June 2026
- Author: Ian Cook
در این دوره، نگاهی عمیق به دستور SQL SELECT و بندهای اصلی آن خواهید داشت. این دوره بر روی موتورهای SQL داده های بزرگ Apache Hive و Apache Impala تمرکز دارد، اما بیشتر اطلاعات برای SQL با RDBM های سنتی نیز قابل استفاده است. مدرس به صراحت به تفاوت های MySQL و PostgreSQL می پردازد. در پایان دوره، شما قادر خواهید بود • کاوش و پیمایش پایگاه های داده و جداول با استفاده از ابزارهای مختلف. • اصول عبارات SELECT را درک کنید. • درک چگونگی و چرایی فیلتر کردن نتایج. کاوش در گروه بندی و تجمیع برای پاسخ به سؤالات تحلیلی. • کار با مرتب سازی و محدود کردن نتایج. و • چند جدول را به روشهای مختلف ترکیب کنید. برای استفاده از محیط عملی این دوره، باید یک ماشین مجازی و نرم افزاری که روی آن اجرا می شود را دانلود و نصب کنید. قبل از ادامه، مطمئن شوید که به رایانه ای دسترسی دارید که شرایط سخت افزاری و نرم افزاری زیر را برآورده می کند: • سیستم عامل Windows، macOS، یا لینوکس (iPads و تبلتهای Android کار نمیکنند) • سیستم عامل 64 بیتی (سیستم عامل های 32 بیتی کار نمی کنند) • 8 گیگابایت رم یا بیشتر • ۲۵ گیگابایت فضای دیسک رایگان یا بیشتر • پشتیبانی مجازی سازی Intel VT-x یا AMD-V فعال است (در رایانه های مک با پردازنده های اینتل، این همیشه فعال است. در رایانه های ویندوز و لینوکس، ممکن است لازم باشد آن را در بایوس فعال کنید) • فقط برای رایانههای Windows XP: باید یک ابزار unzip مانند 7-Zip یا WinZip نصب کرده باشید (ابزار Unzip داخلی Windows XP کار نخواهد کرد)
Related Skills
تجزیه و تحلیل کلان داده با اسکالا و اسپارک
(Mitalearn-311777)
- 5 hours 52 minutes
- متوسط
- Release date: 23 June 2026
- Author: Prof. Heather Miller
دستکاری کلان داده های توزیع شده روی یک خوشه با استفاده از مفاهیم کاربردی در صنعت شایع است و مسلماً یکی از اولین استفاده های صنعتی گسترده از ایده های کاربردی است. محبوبیت MapReduce و Hadoop و اخیراً Apache Spark، یک چارچوب مجموعههای توزیع شده سریع و درون حافظه که در Scala نوشته شده است، گواه این موضوع است. در این دوره، خواهیم دید که چگونه پارادایم موازی داده را می توان با استفاده از Spark در سراسر مورد توزیع شده گسترش داد. ما مدل برنامه نویسی Spark را با جزئیات پوشش خواهیم داد، و مراقب باشیم که بدانیم چگونه و چه زمانی با مدل های برنامه نویسی آشنا، مانند مجموعه های موازی با حافظه مشترک یا مجموعه های متوالی Scala متفاوت است. از طریق مثالهای عملی در Spark و Scala، یاد میگیریم که چه زمانی مسائل مهم مربوط به توزیع مانند تأخیر و ارتباطات شبکه باید در نظر گرفته شود و چگونه میتوان به طور مؤثر برای بهبود عملکرد به آنها پرداخت. نتایج یادگیری در پایان این دوره شما قادر خواهید بود: - داده ها را از ذخیره سازی دائمی بخوانید و آن را در آپاچی اسپارک بارگذاری کنید. - دستکاری داده ها با Spark و Scala، - بیان الگوریتم برای تجزیه و تحلیل داده ها به سبک عملکردی، - تشخیص نحوه جلوگیری از تکرار و محاسبه مجدد در Spark، پیشینه پیشنهادی: شما باید حداقل یک سال تجربه برنامه نویسی داشته باشید. تسلط به جاوا یا سی شارپ ایده آل است، اما تجربه با زبان های دیگر مانند C/C++، Python، Javascript یا Ruby نیز کافی است. شما باید با استفاده از خط فرمان آشنایی داشته باشید. این دوره بعد از برنامه نویسی موازی در نظر گرفته شده است: https://www.coursera.org/learn/parprog1.
Related Skills
تجزیه و تحلیل کلان داده با اسکالا و اسپارک (نسخه اسکالا 2)
(Mitalearn-312899)
- 5 hours 52 minutes
- متوسط
- Release date: 23 June 2026
- Author: Prof. Heather Miller
دستکاری کلان داده های توزیع شده روی یک خوشه با استفاده از مفاهیم کاربردی در صنعت شایع است و مسلماً یکی از اولین استفاده های صنعتی گسترده از ایده های کاربردی است. محبوبیت MapReduce و Hadoop و اخیراً Apache Spark، یک چارچوب مجموعههای توزیع شده سریع و درون حافظه که در Scala نوشته شده است، گواه این موضوع است. در این دوره، خواهیم دید که چگونه پارادایم موازی داده را می توان با استفاده از Spark در سراسر مورد توزیع شده گسترش داد. ما مدل برنامه نویسی Spark را با جزئیات پوشش خواهیم داد، و مراقب باشیم که بدانیم چگونه و چه زمانی با مدل های برنامه نویسی آشنا، مانند مجموعه های موازی با حافظه مشترک یا مجموعه های متوالی Scala متفاوت است. از طریق مثالهای عملی در Spark و Scala، یاد میگیریم که چه زمانی مسائل مهم مربوط به توزیع مانند تأخیر و ارتباطات شبکه باید در نظر گرفته شود و چگونه میتوان به طور مؤثر برای بهبود عملکرد به آنها پرداخت. نتایج یادگیری در پایان این دوره شما قادر خواهید بود: - داده ها را از ذخیره سازی دائمی بخوانید و آن را در آپاچی اسپارک بارگذاری کنید. - دستکاری داده ها با Spark و Scala، - بیان الگوریتم برای تجزیه و تحلیل داده ها به سبک عملکردی، - تشخیص نحوه جلوگیری از تکرار و محاسبه مجدد در Spark، پیشینه پیشنهادی: شما باید حداقل یک سال تجربه برنامه نویسی داشته باشید. تسلط به جاوا یا سی شارپ ایده آل است، اما تجربه با زبان های دیگر مانند C/C++، Python، Javascript یا Ruby نیز کافی است. شما باید با استفاده از خط فرمان آشنایی داشته باشید. این دوره بعد از برنامه نویسی موازی در نظر گرفته شده است: https://www.coursera.org/learn/parprog1. توجه داشته باشید که این نسخه از دوره از Scala 2.13 استفاده می کند. میتوانید نسخه جدیدتر دوره را که از Scala 3 استفاده میکند، در اینجا بیابید: https://www.coursera.org/learn/scala-spark-big-data
Related Skills
تجزیه و تحلیل کلان داده های عمیق
(Mitalearn-322334)
- 10 hours 36 minutes
- متوسط
- Release date: 23 June 2026
- Author: Jeremy Pedersen
بازار کار برای معماران، مهندسان و متخصصان تحلیلگر با تخصص Big Data همچنان در حال افزایش است. مسیر شغلی کلان داده آکادمی بر ابزارها و تکنیک های اساسی مورد نیاز برای دنبال کردن حرفه ای در داده های بزرگ متمرکز است. این دوره شامل: پردازش داده ها با پایتون، نوشتن و خواندن پرس و جوهای SQL، انتقال داده ها با MaxCompute، تجزیه و تحلیل داده ها با Quick BI، استفاده از Hive، Hadoop و Spark در E-MapReduce و نحوه تجسم داده ها با داشبورد داده است. روی مطالب دوره ما کار کنید، جنبه های مختلف حوزه کلان داده را بیاموزید و به عنوان یک حرفه ای داده های بزرگ گواهینامه بگیرید!
Related Skills
تجزیه و تحلیل مشتریان پیش بینی کننده (2017)
(Mitalearn-112112)
- 1 hours 37 minutes
- متوسط
- Release date: 3 July 2017
- Author: Kumaran Ponnambalam
از داده های بزرگ برای گفتن داستان مشتری خود با تجزیه و تحلیل پیش بینی کننده استفاده کنید. در این دوره آموزشی، میتوانید در مورد چرخه زندگی مشتری و اینکه چگونه تجزیه و تحلیل پیشبینیکننده میتواند به بهبود هر مرحله از سفر مشتری کمک کند، بیاموزید.\n\n دادههای تولید شده در داخل و خارج از کسبوکارتان و راههایی را که میتوان دادهها را در سازمانتان جمعآوری و جمعآوری کرد، کاوش کنید. سپس سه مورد استفاده را برای تجزیه و تحلیل پیشبینیکننده در هر مرحله از چرخه عمر مشتری، از جمله کسب، فروش، خدمات و حفظ مرور کنید. برای هر مرحله، شما همچنین یک راه حل تحلیلی پیش بینی در پایتون می سازید. در ویدئوهای پایانی، نویسنده کوماران پونامبالام بهترین شیوهها را برای ایجاد فرآیند تحلیل مشتری از ابتدا معرفی میکند.
Related Skills
تسلط بر دریاچه داده ها: کلید مهندسی داده های بزرگ و داده ها
(Mitalearn-407606)
- 10 hours 11 minutes
- مناسب همه
- Update date: 29 July 2026
- Author: Nikolai Schuler
Blueprint برای تسلط بر دریاچه داده: قدرت مهندسی داده های ابری را آزاد کنید
آیا آماده هستید به دنیای دریاچه های داده شیرجه بزنید و مهارت های خود را در مهندسی داده های ابری تغییر دهید؟
این مهارت تغییر دهنده بازی در مهندسی داده است و شما با غواصی در آن حرکت عاقلانه ای انجام می دهید.
این تنها دورهی است که برای تسلط بر معماری و پیادهسازی یک دریاچه دادههای پیشرفته و پیشرفته نیاز دارید!
این دوره جامع، سفر نهایی را از مفاهیم اولیه تا تسلط بر معماریها و استراتژیهای دریاچه داده پیچیده به شما ارائه میدهد.
چرا این را انتخاب کنید؟ دوره؟
راهنمای کامل Data Lake: از راهاندازی حسابهای AWS تا تسلط بر ارکستراسیون گردش کار، این دوره هر زاویهای را پوشش میدهد. دریاچه های داده.
مستر گام به گام: چه از ابتدا شروع کنید یا به دنبال تعمیق تخصص خود باشید، این دوره آموزشی ساختار یافته ارائه می دهد ، سفر گام به گام از مبانی مبتدی تا تسلط پیشرفته در مهندسی دریاچه داده.
تخصصی پیشرفته: در این زمینه بمانید. لبه برترین فن آوری ها و بهترین شیوه های Data Lake، با تمرکز بر جدیدترین ابزارها و روش ها.
عملی و عملی: تعامل با زندگی واقعی سناریوها و وظایف عملی AWS برای تقویت درک شما.
درک جامع: فراتر از مهارتهای عملی، درک جامعی از همه مفاهیم، نظریهها و نظریهها به دست آورید. و بهترین شیوه ها در دریاچه های داده، تضمین می کند که نه تنها "چگونه" بلکه "چرا" پشت هر کدام را نیز می دانید جنبه.
چه چیزی یاد خواهید گرفت؟
در طول این دوره، ما تمام مفاهیم مربوطه را یاد خواهیم گرفت و همه چیز را در AWS، پرکاربردترین پلتفرم ابری، پیاده سازی خواهیم کرد، و از تجربه عملی و عملی با استاندارد صنعت اطمینان حاصل می کنیم.
با این حال، دانش و مهارتهایی که به دست میآورید به گونهای طراحی شدهاند که بهصورت جهانی قابل اجرا باشند، و شما را به تخصص برای کار با اطمینان در هر محیط ابری مجهز میکنند.
مفاهیم بنیادی: دریاچه داده ها چیست، مزایای آنها و تفاوت آنها با انبارهای داده سنتی چیست.
معماری تسلط: عمیقاً در معماری دریاچه داده غواصی کنید، مناطق مختلف، ابزارها و قالبهای داده را درک کنید.
تکنیکهای جذب داده: تسلط بر انواع مختلف روشهای بلع دادهها، از جمله بلع دستهای و رویداد محور، و یاد بگیرید که از چسب AWS و Kinesis استفاده کنید.
مدیریت ذخیرهسازی: مفاهیم کلیدی دادهها را کاوش کنید. مدیریت ذخیره سازی در Data Lakes، مانند پارتیشن بندی، مدیریت چرخه حیات، و نسخه سازی.
پردازش و تبدیل: درباره Hadoop، Spark و نحوه انجام آن بیاموزید. پردازش و تبدیل داده ها را در دریاچه های داده بهینه کنید.
همراه سازی جریان کار: درک نحوه خودکارسازی گردش کار داده ها در محیط Data Lake با استفاده از داده های خرده فروشی سناریوهایی برای بینش عملی.
Advanced Analytics: با ابزارهایی مانند Power BI، QuickSight، و Jupyter Notebook قدرت تجزیه و تحلیل را در Data Lakes باز کنید.< /p>
مانیتورینگ و امنیت: اصول نظارت بر دریاچه های داده و اجرای امنیت قوی را بیاموزید اقدامات.
این دوره برای چه کسانی است؟
خواه شما ...
یک مبتدی باشید که میخواهد یک مهندس داده / معمار داده یا < /p>
یک متخصص باتجربه که به دنبال تخصص در بدست آوردن دریاچه های داده است مهارت های فوق العاده ارزشمند،
یا فقط می خواهید برخی از با ارزش ترین مهارت ها را بیاموزید
... این دوره مناسب برای شما!
مسیر شما برای تبدیل شدن به یک متخصص دریاچه داده:
این دوره برای مهندسین داده مشتاق، متخصصان فناوری اطلاعات و هر کسی مشتاق تسلط بر Data Lakes. شما با اعتماد به نفس و مهارت های طراحی، پیاده سازی و مدیریت Data Lakes ظاهر خواهید شد و جایگاه حرفه ای خود را در دنیای مهندسی داده ابری ارتقا می دهید.
مزایای ثبت نام:
راهنمای کامل: از مفاهیم اولیه گرفته تا استراتژی های پیشرفته، این دوره راهگشای شما برای Data Lake است. تخصص.
مهارت های دنیای واقعی: خود را به مهارت های عملی مجهز کنید که فوراً در محیط های حرفه ای قابل اجرا هستند.
<. li>
دسترسی مادام العمر: به همه مطالب دوره بپیوندید و مادام العمر دسترسی داشته باشید.
انجمن و پشتیبانی: به جامعه ای از زبان آموزان بپیوندید و در طول یادگیری خود از پشتیبانی اختصاصی برخوردار شوید سفر.
امروز ثبت نام کنید!
اکنون بپیوندید و تقریباً یک امتیاز کسب کنید مزیت ناعادلانه در حوزه مهندسی داده های ابری با دریاچه های داده. این دوره میانبر شما برای تبدیل شدن به یک متخصص دریاچه داده است و طرح اولیه موفقیت در این زمینه به سرعت در حال تحول را به شما ارائه می دهد.
دسترسی فوری و مادام العمر - با پشتوانه پول 30 روزه بدون سؤال- داشته باشید. ضمانت برگشت شما را در داخل دوره می بینیم!
Related Skills
تصمیم گیری مبتنی بر داده
(Mitalearn-328182)
- 2 hours 32 minutes
- مبتدی
- Release date: 23 June 2026
- Author: Alex Mannella
به تصمیم گیری مبتنی بر داده خوش آمدید. در این دوره آموزشی، با تجزیه و تحلیل داده ها و نقش آن در تصمیم گیری های تجاری آشنا می شوید. شما یاد خواهید گرفت که چرا داده ها مهم هستند و چگونه تکامل یافته اند. شما با "داده های بزرگ" و نحوه استفاده از آن آشنا خواهید شد. همچنین با چارچوبی برای انجام تجزیه و تحلیل داده ها و ابزارها و تکنیک هایی که معمولاً استفاده می شود آشنا خواهید شد. در نهایت، شما فرصتی خواهید داشت که دانش خود را در یک محیط تجاری شبیه سازی شده به کار ببرید. این دوره توسط PricewaterhouseCoopers LLP با آدرسی در 300 Madison Avenue, New York, New York, 10017 ایجاد شده است.
Related Skills
جدال داده در R (2017)
(Mitalearn-118062)
- 4 hours 12 minutes
- متوسط
- Release date: 10 August 2017
- Author: Mike Chapple
داده های مرتب یک فرمت داده ای است که یک روش استاندارد برای سازماندهی مقادیر داده در یک مجموعه داده ارائه می دهد. با استفاده از اصول دادههای مرتب، آماردانان، تحلیلگران و دانشمندان داده میتوانند زمان کمتری را برای تمیز کردن دادهها و زمان بیشتری را برای رسیدگی به جنبههای قانعکنندهتر تحلیل دادهها صرف کنند. در این دوره آموزشی، با اصول داده های مرتب آشنا شوید و نحوه ایجاد و دستکاری تیبل های داده را بیاموزید - تبدیل آنها از داده های منبع به قالب های مرتب. مربی مایک چاپل از زبان برنامه نویسی R و بسته های tidyverse برای آموزش مفهوم جدال داده ها استفاده می کند - کارهای پاکسازی داده و تبدیل داده ها که بخش قابل توجهی از زمان تحلیلگران را مصرف می کند. او سه مطالعه موردی عملی را به پایان میرساند که به تقویت اصول و تاکتیکهای جدال دادهها که در این دوره پوشش داده شده است کمک میکند.
Related Skills
حاکمیت اطلاعات یادگیری
(Mitalearn-79795)
- 1 hours 11 minutes
- مبتدی
- Update date: 21 June 2026
- Author: Robert Smallwood
با ظهور عصر کلان داده، سازمان ها مملو از اطلاعات هستند و حجم عظیم آن پویایی کسب و کار را تغییر می دهد. یافتن بینش در کوههای داده – و ایمن نگه داشتن آن دادهها – از عوامل کلیدی موفقیت کسبوکار امروزه هستند، بهویژه در زمینههایی مانند مراقبتهای بهداشتی، تجارت الکترونیک، و فناوری اطلاعات.
rnrn IG در مورد امنیت، کنترل و بهینه سازی اطلاعات است. اصول اولیه حوزه نوظهور IG را با تعاریف و مفاهیم شروع کنید. رابرت اسمالوود اصول اولیه IG را توضیح میدهد و حوزههای کلیدی را که در آن یک برنامه IG تفاوت ایجاد میکند، شناسایی میکند. او استراتژی ها، روش ها و بهترین شیوه های اثبات شده را برای تضمین موفقیت مداوم برنامه IG شما به اشتراک می گذارد.
Related Skills
خدمات وب آمازون: خدمات داده
(Mitalearn-189462)
- 3 hours 11 minutes
- متوسط
- Release date: 6 April 2020
- Author: Lynn Langit
چرا از خدمات وب آمازون برای ذخیره سازی داده ها استفاده کنیم؟ AWS خدمات کلان داده را با هزینه کم ارائه می دهد و یکی از کامل ترین و مقیاس پذیرترین مجموعه راه حل ها را ارائه می دهد. از اینجا شروع کنید تا گزینه های ذخیره سازی و چارچوب خود را هنگام کار با سرویس های داده در ابر آمازون بررسی کنید. راهنمای شما، لین لانگیت، معمار کلان داده، به شما کمک میکند تا گزینههای مربوط به ذخیرهسازی فایل، ذخیرهسازی دادههای رابطهای و NoSQL، انبار دادهها، پایگاههای داده نمودار و دفتر کل، و دریاچههای داده را در میان گزینهها پیمایش کنید. به علاوه، یاد بگیرید که چگونه ابزارهای پردازش منبع باز مانند Hadoop و Spark را در AWS اجرا کنید و از سرویسهای داده بدون سرور جدید، از جمله جستجوهای بدون سرور Athena و نسخه مقیاسپذیر خودکار سرویس پایگاه داده رابطهای Aurora، Aurora Serverless استفاده کنید.
Related Skills
داده های باز: آزاد کردن مقدار پنهان
(Mitalearn-94653)
- 1 hours 6 minutes
- متوسط
- Update date: 21 June 2026
- Author: Jonathan Reichental
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.
Related Skills
داده های بزرگ، ژن ها و پزشکی
(Mitalearn-347307)
- 7 hours 5 minutes
- پیشرفته
- Release date: 23 June 2026
- Author: Isabelle Bichindaritz
این دوره دانش و مهارتهای تخصصی را که توسط متخصصان علوم کلان دادههای سلامت و بیوانفورماتیک تسلط یافتهاند را برای شما استخراج میکند. حقایق هیجان انگیزی در مورد زیست شناسی و شیمی بدن انسان، ژنتیک و پزشکی خواهید آموخت که با علم داده های بزرگ و مهارت هایی برای مهار بهمن داده هایی که آشکارا در دسترس شماست و ما تازه شروع به درک آن ها کرده ایم، در هم آمیخته می شوند. . ما مراحل مختلف مورد نیاز برای تسلط بر تجزیه و تحلیل کلان داده بر روی مجموعه داده های واقعی، از جمله داده های توالی نسل بعدی، را در زمینه بهداشت و درمان، از آماده سازی داده ها برای تجزیه و تحلیل تا تکمیل تجزیه و تحلیل، تفسیر نتایج، تجسم آنها، و به اشتراک گذاری بررسی خواهیم کرد. نتایج. نیازی به گفتن نیست، هنگامی که بر این مهارتهای پرتقاضا مسلط شوید، موقعیت خوبی برای درخواست یا انتقال به موقعیتهایی در تجزیه و تحلیل دادههای زیست پزشکی و بیوانفورماتیک خواهید داشت. مهم نیست که سطح مهارت شما در زمینه های زیست پزشکی یا فنی در چه سطحی باشد، مهارت های بسیار ارزشمند جدید یا تیزتری را به دست خواهید آورد که شما را به عنوان یک حرفه ای متمایز می کند و می خواهید حتی عمیق تر در Big Data های زیست پزشکی غواصی کنید. امیدوارم این دوره علاقه شما را به امکانات گسترده ارائه شده توسط Big Data در دسترس عموم برای درک بهتر، پیشگیری و درمان بیماری ها جلب کند.
Related Skills
دریاچه های داده و انبارهای داده را در Google Cloud بسازید
(Mitalearn-322198)
- متوسط
- Release date: 27 June 2026
- Author: Google Cloud Training
دو جزء کلیدی هر خط لوله داده، دریاچه های داده و انبارها هستند. این دوره موارد استفاده را برای هر نوع ذخیره سازی برجسته می کند و با جزئیات فنی به راه حل های موجود در دریاچه داده و انبار در Google Cloud می پردازد. همچنین، این دوره، نقش یک مهندس داده، مزایای یک خط لوله داده موفق برای عملیات تجاری را توصیف می کند و بررسی می کند که چرا مهندسی داده باید در یک محیط ابری انجام شود. این اولین دوره از سری مهندسی داده در Google Cloud است. پس از اتمام این دوره، در دوره Building Batch Data Pipelines در Google Cloud ثبت نام کنید.
Related Skills
دسترسی بیدرنگ به دادههای بزرگ با استفاده از HBase: افزایش عملکرد
(Mitalearn-321977)
- 3 hours 51 minutes
- مبتدی
- Release date: 23 June 2026
- Author: Sandeep Agarwal
در دنیای داده های بزرگ، رشد قابل توجه در حجم و تنوع داده ها چالش های قابل توجهی را ایجاد کرده است. Apache HBase به عنوان یک راه حل قوی و مقیاس پذیر ظاهر شده است. HBase یک پایگاه داده قدرتمند، توزیع شده و مقیاس پذیر NoSQL است که برای مدیریت حجم زیادی از داده ها و حفظ عملکرد بالا طراحی شده است. در این دوره مقدماتی، مفاهیم اساسی HBase و اهمیت آن در مدیریت پردازش و تجزیه و تحلیل داده ها در زمان واقعی را بررسی خواهید کرد. موضوعاتی که در این دوره ارائه می شود عبارتند از: -مبانی HBase -طراحی طرحواره در HBase - راه اندازی، نظارت و پشتیبان گیری خوشه HBase -اصول پرس و جو و بازیابی HBase -تکنیک های جستجوی پیشرفته HBase عملیات دسته ای و دستکاری داده ها - مدل سازی داده ها برای برنامه های کاربردی بلادرنگ استراتژی های استقرار برای برنامه های کاربردی زمان واقعی مقیاس پذیری و در دسترس بودن در برنامه های زمان واقعی این دوره شامل سخنرانی های ویدئویی، نمایش های ویدئویی و همچنین کاربرد عملی در محیط آزمایشگاهی است. در پایان این دوره، شما قادر خواهید بود طرحوارههای HBase کارآمد را طراحی کنید، خوشههای HBase را راهاندازی و بهینه کنید، عملیات دادهها را انجام دهید و کاربرد مناسب HBase را در سناریوهای بلادرنگ ارزیابی کنید و در عین حال مقیاسپذیری و استراتژیهای استقرار موثر را در نظر بگیرید.
Related Skills
دسکتاپ FME: ترجمه داده برای AEC
(Mitalearn-207788)
- 3 hours 47 minutes
- مبتدی
- Release date: 21 June 2026
- Author: Gordon Luckett
آیا با حجم عظیمی از داده ها دست و پنجه نرم می کنید؟ آیا بسیاری از آن در فرمت اشتباه است یا در فایل های بزرگ؟ FME Desktop یک ابزار ترجمه داده است که در صنایع مختلف برای دستکاری و پردازش حجم زیادی از داده ها در خطوط لوله GIS و CAD استفاده می شود. در این دوره، گوردون لوکت شما را با ابزارها و تکنیک هایی آشنا می کند که کار بعدی دستکاری داده های AEC شما را بسیار آسان تر می کند. با نحوه استفاده از FME Workbench برای تبدیل فایلهای پرکاربرد، از جمله نحوه تبدیل اتوکد DWG به شکل فایل آشنا شوید. نحوه استخراج و تبدیل اطلاعات به فرمت های رایج تر مانند ECW، JPG، Google KML و Excel را بیابید. درباره ترانسفورماتورهای داده بردار و شطرنجی، از جمله Tester - که ترجمه داده ها را کنترل می کند - و RasterMosaicker، که می توانید از آنها برای کامپایل چندین تصویر در یک تصویر استفاده کنید، بیاموزید. به علاوه، کشف کنید که چگونه میتوانید ترانسفورماتورها را زنجیرهای کنید و از منبع داده ArcGIS Enterprise برای ایجاد یک شکل فایل محلی استفاده کنید.
Related Skills
دوازده افسانه درباره علم داده (2017)
(Mitalearn-109324)
- 36 minutes
- متوسط
- Release date: 10 January 2017
- Author: Ben Sullins
در این دوره، بن سالینز 12 تصور غلط رایج در حوزه علم داده را از بین می برد. مهندسان پرمشغله، داده کاویان، برنامه نویسان و سایر متخصصان سیستم که می خواهند مهارت های خود را تقویت کنند، می توانند از بینش های مختصر و عملی بن بهره مند شوند. واقعیت های علمی داده ها را از داستان های تخیلی جدا کنید و بیاموزید که داده های بزرگ در واقع چیست و چرا - برخلاف آنچه پوشش رسانه ای اغلب نشان می دهد - این یک چیز منحصر به فرد نیست. بن همچنین توضیح میدهد که چرا دادههای بزرگ نمیتوانند فوراً بینشهای عالی به دست آورند، نحوه شفافتر کردن تجزیه و تحلیل، زمان جایگزینی پایگاههای داده رابطهای و موارد دیگر.
Related Skills
دی جی پاتیل: از من هر چیزی بپرس
(Mitalearn-150668)
- 4 hours 3 minutes
- متوسط
- Update date: 21 June 2026
- Author: DJ Patil
دی جی پاتیل - دانشمند ارشد داده در ایالات متحده - چشم اندازی منحصر به فرد در مورد آینده، خطرات و قدرت همه جانبه داده ها دارد. او علاوه بر شکلدهی به سیاستها در کاخ سفید، مقالات آکادمیک تاثیرگذاری را تالیف کرده و به عنوان رئیس محصولات داده در لینکدین خدمت کرده است، جایی که به ابداع اصطلاح "دانشمند داده" کمک کرد. در این مجموعه هفتگی، دی جی به سوالات مطرح شده توسط اعضای لینکدین می پردازد و به موضوعاتی از امنیت داده تا آینده علم داده می پردازد. هر چهارشنبه برای مجموعه ای جدید از پاسخ ها هماهنگ شوید.