Course catalog

Course duration

Course provider

Topic

Categories

Showing 41-52 of 52 items.

linkedin مبانی آمار: 3 (Mitalearn-98954)

  • 1 hours 41 minutes
  • پیشرفته
  • Release date: 21 June 2026
  • Author: Eddie Davila
درباره این دوره:

آمار در همه جا و در هر صنعتی وجود دارد، اما برای هر کسی که در علم داده، تجارت یا تجزیه و تحلیل تجاری کار می کند، ضروری است. اگر در یکی از این زمینه های تخصصی هستید، به احتمال زیاد نیاز به درک پیشرفته ای از آمار دارید. تسلط خود را در این دوره، قسمت 3 از مجموعه مبانی آمار ما، کامل کنید. ادی داویلا مفاهیمی مانند اندازه نمونه کوچک، توزیع t، درجات آزادی، تست مجذور کای و موارد دیگر را پوشش می‌دهد. این آموزش مهارت های پیشرفته، فراگیران را به مطالعه عملی و کاربرد طراحی تجربی، تحلیل واریانس، مقایسه جمعیت و تحلیل رگرسیون سوق می دهد. از این درس‌ها برای فراتر رفتن از اصول اولیه و عمیق‌تر رفتن به عوامل خاصی که بر محاسبات و نتایج شما تأثیر می‌گذارند، استفاده کنید.

Related Skills

linkedin مبانی آمار: احتمال (Mitalearn-216611)

  • 1 hours 15 minutes
  • مناسب همه
  • Update date: 5 June 2025
  • Author: Eddie Davila
درباره این دوره: 

 مطمئن نیستید که آیا به آمار نیاز دارید؟ دوباره فکر کن! آمار به تصمیم گیری، اکتشافات جدید، سرمایه گذاری و پیش بینی کمک می کند. برای موضوعاتی از نژادهای سیاسی گرفته تا پیشرفت های مراقبت های بهداشتی، آمار می تواند درک شما را از موضوع مورد علاقه شما بهبود بخشد. در این دوره، پروفسور ادی داویلا اصطلاحات، فرمول ها و تکنیک های رایج مربوط به احتمال، حوزه آماری که این دوره در آن تمرکز دارد را آموزش می دهد.n او جایگشت ها، ترکیب ها و صدک ها را پوشش می دهد و به نحوه توصیف و محاسبه آنها می پردازد. ادی احتمالات چند رویدادی را معرفی می کند و درباره زمان جمع و تفریق احتمالات بحث می کند. او درخت‌های احتمال، قضیه بیز، دوجمله‌ای و موارد دیگر را توصیف می‌کند. شما می توانید یاد بگیرید که داده های خود را درک کنید، نظریه ها را اثبات کنید و منابع ارزشمند را ذخیره کنید - همه اینها با درک اعداد.

linkedin مبانی آمار: مبانی (Mitalearn-209318)

  • 36 minutes
  • مناسب همه
  • Update date: 5 June 2025
  • Author: Eddie Davila
درباره این دوره: 

 آمار فقط قلمرو دانشمندان داده نیست. همه انواع مشاغل از آمار استفاده می کنند. آمار برای تصمیم گیری، اکتشافات جدید، سرمایه گذاری ها و پیش بینی ها مهم هستند. خواه موضوع مسابقه‌های سیاسی، رتبه‌بندی‌های ورزشی، روند خرید یا پیشرفت‌های مراقبت‌های بهداشتی باشد، آمار ابزاری برای درک موضوع مورد علاقه شما در سطحی عمیق‌تر است. در این دوره، پروفسور ادی داویلا دروس سطح مبتدی را ارائه می دهد، بنابراین شما نیز می توانید بر اصطلاحات، فرمول ها و تکنیک های مورد نیاز برای انجام رایج ترین انواع آمار تسلط داشته باشید.n او نحوه یافتن وسط مجموعه داده و همچنین میانگین و میانه را توضیح می دهد. او محدوده را معرفی می‌کند، سپس به انحراف معیار و اینکه با نقاط پرت چه باید کرد می‌پردازد. این تکنیک‌ها به شما کمک می‌کنند داده‌های خود را درک کنید، نظریه‌ها را اثبات کنید، و در زمان، پول و سایر منابع ارزشمند صرفه‌جویی کنید—همه با درک اعداد.

Related Skills

coursera مبانی علم داده های مقیاس پذیر (Mitalearn-328335)

  • 1 hours 49 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Romeo Kienzler
درباره این دوره:

آپاچی اسپارک استاندارد واقعی برای پردازش داده در مقیاس بزرگ است. این اولین دوره از یک سری دوره ها به سمت تخصص IBM Advanced Data Science است. ما قویاً معتقدیم که برای موفقیت در شروع یادگیری یک پلتفرم علم داده مقیاس‌پذیر بسیار مهم است زیرا محدودیت‌های حافظه و CPU برای ساختن مدل‌های پیشرفته یادگیری ماشینی عامل محدودکننده هستند. در این دوره ما اصول Apache Spark را با استفاده از پایتون و pyspark به شما آموزش می دهیم. ما Apache Spark را در دو هفته اول معرفی خواهیم کرد و یاد خواهیم گرفت که چگونه از آن برای محاسبه وظایف اولیه اکتشافی و پیش پردازش داده در دو هفته گذشته استفاده کنیم. از طریق این تمرین شما همچنین با اساسی ترین معیارهای آماری و فناوری های تجسم داده ها آشنا می شوید. این به شما دانش کافی برای به عهده گرفتن نقش یک مهندس داده در هر محیط مدرن می دهد. اما به شما مبنایی برای پیشبرد حرفه خود به سمت علم داده نیز می دهد. لطفاً به برنامه درسی تخصصی کامل نگاهی بیندازید: https://www.coursera.org/specializations/advanced-data-science-ibm اگر این دوره را بگذرانید و گواهی دوره Coursera را دریافت کنید، یک IBM دیجیتال نیز کسب خواهید کرد. نشان برای کسب اطلاعات بیشتر در مورد نشان های دیجیتال IBM پیوند ibm.biz/badging را دنبال کنید. پس از تکمیل این دوره، شما قادر خواهید بود: • توضیح دهید که چگونه معیارهای آماری اساسی برای آشکار کردن الگوهای موجود در داده ها استفاده می شود. • شناسایی تکنیک های مفید برای کار با داده های بزرگ مانند روش های کاهش ابعاد و انتخاب ویژگی • استفاده از ابزارهای پیشرفته و کتابخانه های نموداری برای: o بهبود کارایی تجزیه و تحلیل داده های بزرگ با تجزیه و تحلیل موازی و پارتیشن بندی o تجسم داده ها به صورت تعدادی دو بعدی و فرمت های سه بعدی (Box Plot، Run Chart، Scatter Plot، Pareto Chart، و Multidimensional Scaling) برای تکمیل موفقیت آمیز دوره، پیش نیازهای زیر توصیه می شود: • مهارت های برنامه نویسی اولیه در پایتون • ریاضی پایه • SQL پایه (شما می توانید آن را به راحتی دریافت کنید. از https://www.coursera.org/learn/sql-data-science در صورت نیاز) برای تکمیل این دوره از فناوری های زیر استفاده می شود: (این فناوری ها در دوره در صورت لزوم معرفی شده اند بنابراین هیچ دانش قبلی وجود ندارد. لازم است.) • نوت بوک های Jupyter (به صورت رایگان توسط IBM Watson Studio برای شما آورده شده است) • ApacheSpark (به صورت رایگان توسط IBM Watson Studio برای شما آورده شده است) • Python گزارش شده است که برخی از مطالب این دوره بسیار پیشرفته است. بنابراین اگر شما هم همین احساس را دارید، لطفا قبل از شروع این دوره ابتدا به مطالب زیر نگاهی بیندازید، گزارش شده است که این واقعا کمک می کند. البته می توانید ابتدا این دوره را امتحان کنید و سپس در صورت نیاز دوره ها/مواد زیر را بگذرانید. این برنامه رایگان است... https://cognitiveclass.ai/learn/spark https://dataplatform.cloud.ibm.com/analytics/notebooks/v2/f8982db1-5e55-46d6-a272-fd11b670be38/view?access3311a945333333333333333333333333333333333333333333694=533311a9455 b3eae2a99e0dc923ec0775d891c31c5bbbc68 این دوره چهار هفته طول می کشد، 4-6 ساعت در هفته

linkedin متاآنالیز برای علم داده و تجزیه و تحلیل تجاری (Mitalearn-124420)

  • 49 minutes
  • متوسط
  • Release date: 22 June 2026
  • Author: Conrad Carlberg
درباره این دوره:

در دنیایی که تقریباً همه از داده‌ها برای اطلاع از روش‌های کسب‌وکار خود استفاده می‌کنند، اجماع در حال ظهور این است که باید بر اعتبارسنجی داده‌ها تأکید بیشتری شود. تأیید صحت نتایج حاصل از داده ها؛ و خطر نادرست بودن نتایج خود را به حداقل برسانید. اگرچه اکثر محققان می دانند متاآنالیز چیست، اما تعداد کمی از آنها می دانند که چگونه اندازه اثر را از معیارهای رایج مانند نسبت ریسک محاسبه کنند، یا اینکه چگونه تمایز بین اثرات ثابت و تصادفی می تواند متاآنالیزور را به بیراهه بکشاند. این دوره در سطح پیشرفته برای دست اندرکاران و محققان علوم داده و آمار، تفاوت های میانگین خام - به ویژه برای گروه های آزمایشی و مقایسه - و نحوه تبدیل معیارهای نتیجه مفید مانند ریسک نسبی و نسبت شانس را به معیارهای متناسب اندازه اثر پوشش می دهد. بعلاوه، در مورد نحوه ایجاد فواصل اطمینان برای معیارهای نتیجه باینری بیاموزید.

coursera مدل های خطی پیشرفته برای علم داده 1: حداقل مربعات (Mitalearn-336342)

  • 3 hours 27 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Brian Caffo, PhD
درباره این دوره:

به مدل های خطی پیشرفته برای علم داده کلاس 1: حداقل مربعات خوش آمدید. این کلاس مقدمه ای بر حداقل مربعات از منظر جبری خطی و ریاضی است. قبل از شروع کلاس مطمئن شوید که موارد زیر را دارید: - درک اولیه از جبر خطی و حساب دیفرانسیل و انتگرال چند متغیره. - درک اولیه از آمار و مدل های رگرسیون. - حداقل آشنایی کمی با ریاضیات مبتنی بر اثبات. - آشنایی اولیه با زبان برنامه نویسی R پس از گذراندن این دوره، دانش‌آموزان پایه محکمی در درمان جبری خطی مدل‌سازی رگرسیون خواهند داشت. این به میزان زیادی درک عمومی دانشمندان داده کاربردی از مدل‌های رگرسیون را افزایش می‌دهد.

coursera مقدمه ای بر آمار بیزی (Mitalearn-329525)

  • 3 hours 30 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Dr. Srijith Rajamohan
درباره این دوره:

هدف از این دوره، معرفی آمار محاسباتی به دانشمندان مشتاق یا جدید داده است. شرکت کنندگان با یادگیری مبانی احتمال، مدل سازی بیزی و استنتاج شروع خواهند کرد. این اولین دوره در یک تخصص شامل سه دوره خواهد بود. از نوت بوک پایتون و ژوپیتر در طول این دوره برای تصویرسازی و اجرای مدلسازی بیزی استفاده خواهد شد. وب سایت دوره در آدرس https://sjster.github.io/introduction_to_computational_statistics/docs/index.html قرار دارد. دفترچه های دوره را می توان با دنبال کردن دستورالعمل های صفحه https://sjster.github.io/introduction_to_computational_statistics/docs/getting_started.html از این وب سایت دانلود کرد. مدرسان این دوره دکتر سریجیت راجاموهان و دکتر رابرت ستلاژ خواهند بود.

coursera مقدمه ای بر احتمال و داده با R (Mitalearn-326754)

  • 3 hours 45 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Mine Çetinkaya-Rundel
درباره این دوره:

این دوره شما را با نمونه گیری و کاوش داده ها و همچنین نظریه احتمالات اولیه و قانون بیز آشنا می کند. شما انواع مختلفی از روش‌های نمونه‌گیری را بررسی خواهید کرد و در مورد اینکه چگونه چنین روش‌هایی می‌توانند بر دامنه استنتاج تأثیر بگذارند، بحث خواهید کرد. انواع تکنیک های تجزیه و تحلیل داده های اکتشافی شامل آمار خلاصه عددی و تجسم داده های پایه پوشش داده خواهد شد. شما از طریق نصب و استفاده از R و RStudio (نرم افزار آماری رایگان) راهنمایی خواهید شد و از این نرم افزار برای تمرینات آزمایشگاهی و پروژه نهایی استفاده خواهید کرد. مفاهیم و تکنیک های این دوره به عنوان بلوک های سازنده دروس استنتاج و مدل سازی در تخصص عمل می کند.

coursera مقدمه ای بر فناوری های ژنومی (Mitalearn-335237)

  • 3 hours 19 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Steven Salzberg, PhD,Jeff Leek, PhD
درباره این دوره:

این دوره شما را با زیست شناسی پایه ژنومیک مدرن و ابزارهای تجربی که برای اندازه گیری آن استفاده می کنیم آشنا می کند. ما دگم مرکزی زیست شناسی مولکولی را معرفی خواهیم کرد و نحوه استفاده از توالی یابی نسل بعدی برای اندازه گیری DNA، RNA و الگوهای اپی ژنتیک را پوشش خواهیم داد. همچنین مقدمه ای بر مفاهیم کلیدی در محاسبات و علم داده دریافت خواهید کرد که برای درک نحوه تولید و تجزیه و تحلیل داده های آزمایش های توالی یابی نسل بعدی به آن نیاز دارید. این اولین دوره در تخصص علوم داده های ژنومی است.

coursera نمونه برداری مجدد، انتخاب و اسپلاین (Mitalearn-331718)

  • 3 hours 40 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Osita Onyejekwe
درباره این دوره:

"یادگیری آماری برای علم داده" دوره پیشرفته ای است که برای تجهیز متخصصان کار به دانش و مهارت های لازم برای برتری در زمینه علم داده طراحی شده است. از طریق آموزش جامع در مورد موضوعات کلیدی مانند روش‌های کوچک کردن، تحلیل رگرسیون پارامتری، مدل‌های خطی تعمیم‌یافته، و مدل‌های افزایشی کلی، دانش‌آموزان می‌آموزند که چگونه روش‌های نمونه‌گیری مجدد را برای به دست آوردن اطلاعات اضافی در مورد مدل‌های برازش، بهینه‌سازی روش‌های برازش برای بهبود دقت پیش‌بینی و تفسیرپذیری اعمال کنند. و مزایا و رویکرد مدل های غیر خطی را شناسایی کنید. این دوره برای هر کسی که به دنبال ارتقاء مهارت یا انتقال به یک حرفه در علم داده است، انتخاب مناسبی است. 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.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: رگرسیون خطی (Mitalearn-131237)

  • 4 hours 5 minutes
  • متوسط
  • Update date: 28 June 2026
  • Author: Keith McCormick
درباره این دوره:

داشتن یک درک کامل از رگرسیون خطی - روشی برای مدل‌سازی رابطه بین یک متغیر وابسته و یک به چندین متغیر دیگر - می‌تواند به شما در حل بسیاری از مسائل دنیای واقعی کمک کند. حوزه های کاربردی شامل پیش بینی تقریباً هر مقدار عددی از جمله ارزش مسکن، هزینه مشتری و قیمت سهام است. این دوره مفاهیم مهم ترین تکنیک های رگرسیون خطی و نحوه استفاده موثر از آنها را نشان می دهد. در طول دوره، مدرس کیت مک کورمیک از آمار SPSS IBM استفاده می کند و در هر مفهوم قدم می زند، بنابراین مقداری قرار گرفتن در معرض آن نرم افزار فرض می شود. اما تاکید بر درک مفاهیم خواهد بود و نه مکانیک نرم افزار. کاربران SPSS این مزیت اضافی را خواهند داشت که تقریباً در معرض هر ویژگی رگرسیون در SPSS قرار می گیرند.

مربی کیت مک کورمیک رگرسیون خطی ساده را پوشش می دهد و نحوه ساختن نمودارهای پراکندگی موثر و محاسبه و تفسیر ضرایب رگرسیون را توضیح می دهد. او همچنین به چالش ها و مفروضات رگرسیون چندگانه می پردازد و از طریق سه استراتژی رگرسیون متمایز گام برمی دارد. برای جمع بندی، او برخی از جایگزین های رگرسیون، از جمله درختان رگرسیون و پیش بینی سری های زمانی را مورد بحث قرار می دهد.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: مدل‌سازی طبقه‌بندی (Mitalearn-131254)

  • 2 hours 5 minutes
  • متوسط
  • Update date: 21 June 2026
  • Author: Keith McCormick
درباره این دوره:

یک نوع مشکل کاملاً بر یادگیری ماشین و هوش مصنوعی غالب است: طبقه بندی. طبقه‌بندی باینری، روش غالب، داده‌ها را به یکی از دو دسته طبقه‌بندی می‌کند: خرید یا نه، تقلب یا نه، بیمار یا نه، و غیره. یادگیری ماشینی و راه‌حل‌های مبتنی بر هوش مصنوعی به الگوریتم‌های دقیق و خوب انتخاب شده نیاز دارند تا طبقه‌بندی را به درستی انجام دهند. این دوره توضیح می دهد که چرا پروژه های تجزیه و تحلیل پیش بینی در نهایت مشکلات طبقه بندی هستند و چگونه دانشمندان داده می توانند استراتژی (یا استراتژی) مناسب را برای پروژه های خود انتخاب کنند. مربی کیت مک کورمیک از تکنیک های آمار سنتی و یادگیری ماشینی مدرن استفاده می کند و نقاط قوت و ضعف آنها را آشکار می کند. کیت نحوه تعریف استراتژی طبقه بندی خود را توضیح می دهد و روشن می کند که انتخاب درست اغلب ترکیبی از رویکردها است. سپس، او 11 الگوریتم مختلف را برای ساخت مدل شما نشان می دهد، از تجزیه و تحلیل تفکیک کننده گرفته تا رگرسیون لجستیک و شبکه های عصبی مصنوعی. در نهایت، یاد بگیرید که چگونه بر چالش هایی مانند مقابله با داده های از دست رفته و کاهش داده ها غلبه کنید.\r\n\r\n هیچ نرم افزاری برای پیگیری همراه با دوره مورد نیاز نیست.

Suggestions