Course catalog

Course duration

Course provider

Topic

Categories

Showing 41-60 of 105 items.

coursera تجزیه و تحلیل داده های بزرگ با SQL (Mitalearn-327128)

  • 7 hours 7 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Ian Cook
درباره این دوره:

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)

coursera 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
درباره این دوره:

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.

coursera 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
درباره این دوره:

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

coursera تجزیه و تحلیل کلان داده های عمیق (Mitalearn-322334)

  • 10 hours 36 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Jeremy Pedersen
درباره این دوره:

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!

linkedin تجزیه و تحلیل مشتریان پیش بینی کننده (2017) (Mitalearn-112112)

  • 1 hours 37 minutes
  • متوسط
  • Release date: 3 July 2017
  • Author: Kumaran Ponnambalam
درباره این دوره:

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.

coursera تصمیم گیری مبتنی بر داده (Mitalearn-328182)

  • 2 hours 32 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Alex Mannella
درباره این دوره:

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.

linkedin جدال داده در R (2017) (Mitalearn-118062)

  • 4 hours 12 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Mike Chapple
درباره این دوره:

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.

linkedin حاکمیت اطلاعات یادگیری (Mitalearn-79795)

  • 1 hours 11 minutes
  • مبتدی
  • Update date: 21 June 2026
  • Author: Robert Smallwood
درباره این دوره:

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.

linkedin خدمات وب آمازون: خدمات داده (Mitalearn-189462)

  • 3 hours 11 minutes
  • متوسط
  • Release date: 22 June 2026
  • Author: Lynn Langit
درباره این دوره:

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.

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 داده های بزرگ، ژن ها و پزشکی (Mitalearn-347307)

  • 7 hours 5 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Isabelle Bichindaritz
درباره این دوره:

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.

coursera دریاچه های داده و انبارهای داده را در Google Cloud بسازید (Mitalearn-322198)

  • متوسط
  • Release date: 27 June 2026
  • Author: Google Cloud Training
درباره این دوره:

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.

coursera 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
درباره این دوره:

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.

linkedin دسکتاپ FME: ترجمه داده برای AEC (Mitalearn-207788)

  • 3 hours 47 minutes
  • مبتدی
  • Release date: 21 June 2026
  • Author: Gordon Luckett
درباره این دوره:

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.

linkedin دوازده افسانه درباره علم داده (2017) (Mitalearn-109324)

  • 36 minutes
  • متوسط
  • Release date: 10 January 2017
  • Author: Ben Sullins
درباره این دوره:

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

linkedin دی جی پاتیل: از من هر چیزی بپرس (Mitalearn-150668)

  • 4 hours 3 minutes
  • متوسط
  • Update date: 21 June 2026
  • Author: DJ Patil
درباره این دوره:

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.

Related Skills

coursera ساخت دریاچه های داده در AWS (Mitalearn-332738)

  • 2 hours 31 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Rafael Lopes,Alex G.
درباره این دوره:

دوره سطح پایه معمولاً برای افرادی طراحی شده است که درک پایه ای از مفاهیم ذخیره سازی و پردازش داده دارند، اما تجربه قبلی در مورد ساخت دریاچه های داده در AWS به طور خاص کم یا بدون تجربه هستند. پس از مقدمه ای کوتاه در مورد دریاچه های داده، دریافت داده ها، فهرست نویسی و آماده سازی را معرفی می کنیم و در پایان با مروری بر داده های پرس و جو با آمازون آتنا به پایان می رسیم. این دوره با مروری بر سازند دریاچه AWS، از جمله یک آزمایشگاه عملی که در آن یک دریاچه داده بسازید، ادامه خواهد یافت. سپس پردازش داده و تجزیه و تحلیل را با استفاده از چسب AWS قبل از فرو رفتن در ایجاد دریاچه داده‌های خودکار با استفاده از طرح‌های Lake Formation معرفی می‌کنیم. در نهایت، ما با Modern Data Architectures در AWS با آزمایشگاهی که انتشار و مصرف محصولات داده را به عنوان یک سرویس پوشش می دهد، پایان می دهیم.

coursera سیستم های مدل سازی و مدیریت داده های بزرگ (Mitalearn-334659)

  • 3 hours 54 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Ilkay Altintas,Amarnath Gupta
درباره این دوره:

هنگامی که یک مشکل کلان داده را برای تجزیه و تحلیل شناسایی کردید، چگونه داده های خود را با استفاده از راه حل های کلان داده جمع آوری، ذخیره و سازماندهی می کنید؟ در این دوره، ژانرهای مختلف داده و ابزارهای مدیریتی مناسب برای هر کدام را تجربه خواهید کرد. شما قادر خواهید بود دلایل پشت سرگذاشتن انبوهی از پلتفرم های جدید کلان داده را از دیدگاه سیستم های مدیریت داده های بزرگ و ابزارهای تحلیلی شرح دهید. از طریق آموزش های عملی هدایت شده، با تکنیک هایی با استفاده از نمونه های داده های بی درنگ و نیمه ساختاریافته آشنا خواهید شد. سیستم ها و ابزارهای مورد بحث عبارتند از: AsterixDB، HP Vertica، Impala، Neo4j، Redis، SparkSQL. این دوره تکنیک هایی را برای استخراج ارزش از منابع داده های دست نخورده موجود و کشف منابع داده جدید ارائه می دهد. در پایان این دوره، شما قادر خواهید بود: * عناصر داده های مختلف را در کار خود و مشکلات زندگی روزمره تشخیص دهید * توضیح دهید که چرا تیم شما نیاز به طراحی یک طرح زیرساخت داده بزرگ و طراحی سیستم اطلاعاتی دارد * عملیات داده های مکرر مورد نیاز برای انواع مختلف داده را شناسایی کنید * مدل داده ای را متناسب با ویژگی های داده های خود انتخاب کنید * تکنیک هایی را برای مدیریت داده های جریانی اعمال کنید * بین سیستم مدیریت پایگاه داده سنتی و سیستم مدیریت داده های بزرگ تفاوت قائل شوید * قدردانی کنید که چرا سیستم های مدیریت داده های زیادی وجود دارد * طراحی یک سیستم اطلاعات کلان داده برای یک شرکت بازی آنلاین این دوره برای کسانی است که تازه وارد علم داده می شوند. تکمیل Intro to Big Data توصیه می شود. هیچ تجربه برنامه نویسی قبلی مورد نیاز نیست، اگرچه توانایی نصب برنامه ها و استفاده از ماشین مجازی برای تکمیل تکالیف عملی ضروری است. برای مشخصات کامل سخت افزار و نرم افزار به الزامات فنی تخصصی مراجعه کنید. الزامات سخت افزاری: (الف) پردازنده چهار هسته ای (پشتیبانی VT-x یا AMD-V توصیه می شود)، 64 بیتی؛ (ب) 8 گیگابایت رم؛ (C) 20 گیگابایت دیسک رایگان. نحوه پیدا کردن اطلاعات سخت افزاری خود: (ویندوز): با کلیک بر روی دکمه Start، روی Computer راست کلیک کرده و سپس روی Properties کلیک کنید. (Mac): با کلیک بر روی منوی اپل و کلیک کردن روی «درباره این مک»، نمای کلی را باز کنید. اکثر رایانه های با رم 8 گیگابایتی خریداری شده در 3 سال گذشته حداقل شرایط را برآورده می کنند. شما به اتصال به اینترنت پرسرعت نیاز دارید زیرا فایل هایی تا حجم 4 گیگابایت را دانلود خواهید کرد. نرم افزار مورد نیاز: این دوره متکی بر چندین ابزار نرم افزار منبع باز از جمله Apache Hadoop است. تمام نرم افزارهای مورد نیاز را می توان به صورت رایگان دانلود و نصب کرد (به جز هزینه های داده از ارائه دهنده اینترنت شما). الزامات نرم افزار عبارتند از: Windows 7+، Mac OS X 10.10+، Ubuntu 14.04+ یا CentOS 6+ VirtualBox 5+.

linkedin شهرهای هوشمند: حل مشکلات شهری با استفاده از فناوری (Mitalearn-103969)

  • 14 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Jonathan Reichental
درباره این دوره:

مشاهده خبرنامه لینکدین جاناتان شهرها به سرعت در حال تغییر هستند - از نظر اندازه و تراکم رشد می کنند، زباله های بیشتری ایجاد می کنند و از منابع بیشتری استفاده می کنند. برای حل مشکلاتی که این فشارها ایجاد می کند، دولت های شهر باید متفاوت فکر کنند. وارد شهرهای هوشمند شوید - شهرهایی که از تفکر و فناوری قرن 21 استفاده می کنند تا کیفیت زندگی بهتری را برای شهروندان خود فراهم کنند. این مستند کوتاه با میزبانی جاناتان رایشنتال (که در سال 2017 یکی از 100 مدیر ارشد اطلاعات برتر جهان نام گرفت)، شهر پالو آلتو، کالیفرنیا را نشان می دهد. مقامات آینده نگر در آنجا راه حل های خلاقانه ای برای مشکلاتی مانند ترافیک و آلودگی هوا ارائه می کنند - و درها و داده های خود را باز می کنند تا اعضای جامعه بتوانند درگیر شوند. بیاموزید که چگونه حسگرهایی که بین دنیای فیزیکی و دیجیتال و سیاست‌های داده باز پل می‌زنند، دولت را چابک‌تر و نوآورتر می‌کنند. به‌علاوه، دریابید که چگونه سرمایه‌گذاری‌های فناوری شهرهای هوشمند، بازار کار جدیدی را برای متخصصان فنی و خلاقی که می‌خواهند کار معناداری برای جوامع خود انجام دهند، نیرو می‌دهد.

linkedin شهرهای هوشمندتر: استفاده از داده ها برای هدایت نوآوری شهری (Mitalearn-111262)

  • 58 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Jonathan Reichental
درباره این دوره:

مشاهده خبرنامه لینکدین جاناتان تا سال 2050، بیش از 70 درصد از ما در شهرها زندگی می کنیم. اما آیا شهرهای ما آماده هستند؟ امروزه شهرها با چالش هایی مانند زیرساخت های قدیمی، حمل و نقل ناکافی و فرآیندهای اداری ناکارآمد مواجه هستند. ما باید در نحوه عملکرد و ارائه خدمات شهرها تجدید نظر کنیم و به ابزارهای دیجیتال، داده ها و سیستم های متصل هوشمند روی آوریم. شهرهای ما باید هوشمندتر شوند - و ما به نسل جدیدی از مردم با مهارت‌های کاملاً جدید برای کمک نیاز خواهیم داشت.\n\n این دوره طراحی شده است تا علاقه مندان به آینده شهرها را با ایده نوآوری شهری آشنا کند. دکتر جاناتان ریشنتال، مدیر ارشد اطلاعات (CIO) نقش ها و مهارت های مورد نیاز برای ورود به این حوزه جدید هیجان انگیز را معرفی می کند. او مفاهیم را با استفاده از نمونه هایی از شهرهای هوشمند موفق در سراسر جهان نشان می دهد. اگر می خواهید بدانید که چگونه می توانید شغلی را در این زمینه شروع یا پیشرفت کنید، یا به سادگی به آینده جامعه خود علاقه مند هستید، این دوره مقدماتی مناسب برای شماست.

Suggestions