Course catalog

Course duration

Course provider

Topic

Categories

Showing 401-420 of 600 items.

linkedin علم داده مدیریت ورزشی، با بارتون پولسون (Mitalearn-128483)

  • 1 hours 2 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Barton Poulson
درباره این دوره:

علاقه به ورزش می تواند یک فرد معمولی از ریاضی را به یک آماردان آماتور تبدیل کند، که آماده است از انتخاب خود برای بهترین ضربه زننده کلاچ با داده های سخت پشتیبانی کند. اگر شیفتگی شما به ورزش علاقه به داده ها و آمار را برانگیخته است، دریافت یک درک کلی از علم داده می تواند به شما کمک کند تا بینش قابل توجهی از بازیکنان و تیم های مورد علاقه خود به دست آورید. در این دوره کوتاه، دانشمند داده و پروفسور بارتون پولسون راه‌های عمیقی را که علم داده بر دنیای ورزش و مدیریت ورزش تأثیر می‌گذارد، و همچنین تأثیر بزرگ‌تری که بر مخاطبان و صنایع مرتبط دارد، بررسی می‌کند. و در حالی که موضوعاتی که او در آنها غوطه ور می شود می تواند پیچیده باشد، بارتون در این دوره یک رویکرد غیر فنی را اتخاذ می کند و اطمینان می دهد که طرفداران ورزش با پیشینه های فنی بسیاری می توانند بینش هایی را از آموزش او به دست آورند. او توضیح می دهد که چگونه اصول علم داده می تواند به اندازه گیری عملکرد ورزشی و همچنین قیمت بلیط، مربیگری بازیکنان و موارد دیگر کمک کند.

linkedin علم داده مراقبت های بهداشتی، پزشکی و بهداشت عمومی (Mitalearn-271487)

  • 2 hours 32 minutes
  • مناسب همه
  • Update date: 23 June 2025
  • Author: Barton Poulson
درباره این دوره: 

 تجزیه و تحلیل داده ها نقش مهمی را در نحوه مدیریت سیستم های مراقبت های بهداشتی و سلامت شخصی ایفا می کند. این دوره غیر فنی راه های مختلفی را برای اعمال علم داده در پزشکی و بهداشت عمومی بررسی می کند. بارتون پولسون، دانشمند داده، راه‌هایی را مورد بحث قرار می‌دهد که به‌طور چشمگیری مقدار داده‌ها - از آزمایش‌های ژنتیکی، نسب‌شناسی، اسکن‌های مغزی، و سایر منابع- در حال تغییر نظریه و عملکرد مراقبت‌های بهداشتی است. بارتون در حالی که منابع کلیدی داده را بررسی می کند، روش های مختلف برای تجزیه و تحلیل این انبوه داده ها، از جمله یادگیری ماشین و مدل سازی پیش بینی را بررسی می کند. او همچنین تأثیر فوق‌العاده همه‌گیری COVID-19 بر روش‌های استفاده از داده‌ها در مراقبت‌های بهداشتی را شرح می‌دهد و جزئیاتی را بیان می‌کند که چگونه علم داده حوزه‌های مراقبت از بیمار، خودمراقبتی و بیمه پزشکی را تغییر داده است. بارتون همچنین به برخی چالش‌های افزایش استفاده از داده‌ها، از سؤالات اخلاقی گرفته تا پیاده‌سازی لجستیک، و اینکه چگونه علم داده می‌تواند به شناسایی مشکلات پیش‌بینی نشده کمک کند، نگاه می‌کند.

coursera علوم داده مواد و انفورماتیک (Mitalearn-351778)

  • 4 hours 30 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Dr. Surya Kalidindi
درباره این دوره:

هدف این دوره ارائه یک مرور مختصر از رشته نوظهور انفورماتیک مواد در تقاطع علم مواد، علم محاسبات و علم اطلاعات است. توجه به فرصت‌های خاصی که توسط این حوزه جدید در تسریع تلاش‌های توسعه و استقرار مواد فراهم می‌شود، جلب می‌شود. تاکید ویژه بر موادی است که ساختارهای داخلی سلسله مراتبی را نشان می‌دهند که مقیاس‌های طول/ساختار متعدد را در بر می‌گیرند و موانع موجود در ایجاد پیوندهای فرآیند-ساختار-ویژگی معکوس (PSP) برای این مواد. به طور خاص، استدلال می‌شود که علوم داده مدرن (شامل آمارهای پیشرفته، کاهش ابعاد و فرمول‌بندی متامدل‌ها) و ابزارهای زیرساخت سایبری نوآورانه (شامل پلت‌فرم‌های یکپارچه‌سازی، پایگاه‌های اطلاعاتی و ابزارهای سفارشی‌سازی شده برای افزایش همکاری‌ها بین اعضای تیم بین رشته‌ای) احتمالاً وجود دارد. نقشی حیاتی و محوری در رسیدگی به چالش های فوق داشته باشد.

coursera علوم داده های بالینی پیشرفته (Mitalearn-333673)

  • 2 hours 27 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Michael G. Kahn, MD, PhD,Laura K. Wiley, PhD
درباره این دوره:

این دوره شما را برای مقابله با موضوعات و تکنیک های پیشرفته علوم داده های بالینی از جمله تجزیه و تحلیل زمانی و کیفیت تحقیق آماده می کند.

coursera عملیات یادگیری ماشین (MLOps): شروع به کار (Mitalearn-332942)

  • 1 hours 2 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

این دوره شرکت کنندگان را با ابزارهای MLOps و بهترین شیوه ها برای استقرار، ارزیابی، نظارت و اجرای سیستم های تولید ML در Google Cloud آشنا می کند. MLOps رشته‌ای است که بر استقرار، آزمایش، نظارت و اتوماسیون سیستم‌های ML در تولید متمرکز است. متخصصان مهندسی یادگیری ماشین از ابزارهایی برای بهبود مستمر و ارزیابی مدل‌های مستقر استفاده می‌کنند. آنها با دانشمندان داده کار می کنند (یا می توانند باشند) که مدل هایی را توسعه می دهند تا سرعت و دقت را در به کارگیری بهترین مدل ها فراهم کنند. این دوره در درجه اول برای شرکت کنندگان زیر در نظر گرفته شده است: دانشمندان داده به دنبال این هستند که به سرعت از نمونه اولیه یادگیری ماشین به تولید برسند تا تأثیر تجاری را ارائه دهند. مهندسان نرم افزار به دنبال توسعه مهارت های مهندسی یادگیری ماشین هستند. مهندسان ML که می خواهند Google Cloud را برای پروژه های تولید ML خود بپذیرند. >>> با ثبت نام در این دوره، با شرایط خدمات Qwiklabs که در پرسش های متداول و در آدرس زیر آمده است موافقت می کنید: https://qwiklabs.com/terms_of_service <<<

coursera فاکتورسازی ماتریس و تکنیک های پیشرفته (Mitalearn-334863)

  • 5 hours 41 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Michael D. Ekstrand,Joseph A Konstan
درباره این دوره:

در این دوره شما انواع تکنیک های فاکتورسازی ماتریس و یادگیری ماشین ترکیبی برای سیستم های توصیه گر را خواهید آموخت. با شروع فاکتورسازی اولیه ماتریس، هم شهود و هم جزئیات عملی ساختن سیستم‌های توصیه‌گر را بر اساس کاهش ابعاد فضای ترجیحی کاربر-محصول درک خواهید کرد. سپس با تکنیک هایی آشنا می شوید که نقاط قوت الگوریتم های مختلف را به توصیه کننده های ترکیبی قدرتمند ترکیب می کند.

coursera فرآیند تحلیل کسب و کار (Mitalearn-328607)

  • 15 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Tableau Learning Partner Instructor
درباره این دوره:

دوره فرآیند تحلیل کسب و کار به شما درک اساسی از فرآیند تحلیل کسب و کار می دهد و شما را با چارچوبی آشنا می کند که می تواند در صنایع و سازمان های مختلف مورد استفاده قرار گیرد. خواهید دید که چگونه یک تحلیلگر یک مشکل تجاری را ارزیابی می کند، الزامات تجاری را آماده می کند و یک راه حل را پیاده سازی می کند. شما یاد خواهید گرفت که چگونه سهامداران را شناسایی کنید، آنها را تجزیه و تحلیل کنید و نقش آنها را در یک پروژه تجزیه و تحلیل کسب و کار مشخص کنید. همچنین یاد خواهید گرفت که چگونه الزامات این ذینفعان را جمع آوری کنید، آنها را تجزیه و تحلیل کنید و یک سند الزامات تجاری ایجاد کنید که با بهترین شیوه های صنعت مطابقت داشته باشد. در نهایت، کارکردها و کاربردهای عملی ساخت مدل‌های بصری را بررسی خواهید کرد و تجربه عملی در ایجاد مدل‌های رایج مورد استفاده توسط تحلیلگران هوش تجاری به دست خواهید آورد. این دوره برای هرکسی است که کنجکاو در مورد نقش‌های سطح ابتدایی است که به مهارت‌های اساسی جدول نیاز دارند، مانند نقش‌های تحلیلگر هوش تجاری یا نقش‌های تحلیلگر گزارش داده. توصیه می شود (اما نه الزامی) که تجربه ای با Tableau Public داشته باشید، اما حتی اگر در Tableau Public تازه کار هستید، همچنان می توانید در این برنامه موفق باشید. در پایان دوره، شما قادر خواهید بود: - نشان دادن دانش عمیق از فرآیند تجزیه و تحلیل کسب و کار. - تشریح روش های مورد استفاده برای شناسایی ذینفعان و تعریف نقش آنها در یک پروژه تجزیه و تحلیل کسب و کار. -روش های مورد استفاده برای جمع آوری نیازمندی ها از ذینفعان را شرح دهید. - ایجاد یک سند الزامات تجاری که با بهترین شیوه های صنعت مطابقت دارد. -ایجاد یک مدل بصری از فرآیند کسب و کار.

coursera فراتر از اعداد بروید: داده ها را به بینش تبدیل کنید (Mitalearn-335951)

  • 3 hours 56 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Google Career Certificates
درباره این دوره:

این سومین دوره از هفت دوره در گواهی تحلیل داده های پیشرفته گوگل است. در این دوره، یاد خواهید گرفت که چگونه داستان را در داده ها پیدا کنید و آن داستان را به شیوه ای قانع کننده بیان کنید. خواهید فهمید که چگونه متخصصان داده از داستان سرایی برای درک بهتر داده های خود و انتقال بینش های کلیدی به هم تیمی ها و ذینفعان استفاده می کنند. شما همچنین تجزیه و تحلیل داده های اکتشافی را تمرین خواهید کرد و یاد خواهید گرفت که چگونه تجسم داده های موثر ایجاد کنید. کارمندان Google که در حال حاضر در این زمینه کار می‌کنند، با ارائه فعالیت‌های عملی که وظایف مرتبط را شبیه‌سازی می‌کنند، نمونه‌هایی از کارهای روزمره خود را به اشتراک می‌گذارند و به شما کمک می‌کنند مهارت‌های تجزیه و تحلیل داده‌های خود را برای آماده شدن برای حرفه خود ایجاد کنید، شما را در این دوره راهنمایی می‌کنند. فراگیرانی که هفت دوره در این برنامه را گذرانده اند، مهارت های لازم برای درخواست برای مشاغل علوم داده و تجزیه و تحلیل داده های پیشرفته را خواهند داشت. این گواهی مستلزم دانش قبلی از اصول، مهارت‌ها و ابزارهای تحلیلی پایه است که در گواهی Google Data Analytics پوشش داده شده است. در پایان این دوره، شما: -از ابزار پایتون برای بررسی ساختار و قالب داده های خام استفاده کنید -کتابخانه های پایتون مربوطه را برای پاکسازی داده های خام انتخاب کنید -نشان دادن نحوه تبدیل داده های دسته بندی به داده های عددی با پایتون -از مهارت های اعتبارسنجی ورودی برای اعتبارسنجی مجموعه داده با پایتون استفاده کنید -تکنیک هایی را برای ایجاد تجسم داده های قابل دسترس با Tableau شناسایی کنید -تصمیم گیری در مورد داده های از دست رفته و موارد پرت -ساختار و سازماندهی داده ها با دستکاری رشته های تاریخ

coursera فیلتر مشارکتی نزدیکترین همسایه (Mitalearn-335169)

  • 4 hours 15 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Joseph A Konstan,Michael D. Ekstrand
درباره این دوره:

در این دوره، تکنیک های اساسی برای ایجاد توصیه های شخصی از طریق تکنیک های نزدیکترین همسایه را خواهید آموخت. ابتدا فیلترینگ مشترک کاربر-کاربر را یاد خواهید گرفت، الگوریتمی که افراد دیگر را با سلیقه های مشابه با یک کاربر هدف شناسایی می کند و رتبه بندی آنها را برای ارائه توصیه هایی برای آن کاربر ترکیب می کند. شما تغییرات الگوریتم کاربر-کاربر را بررسی و پیاده سازی خواهید کرد و مزایا و معایب رویکرد کلی را بررسی خواهید کرد. سپس الگوریتم فیلتر اشتراکی مورد-محصول را که به طور گسترده تمرین می‌شود، یاد می‌گیرید که انجمن‌های جهانی محصول را از رتبه‌بندی‌های کاربران شناسایی می‌کند، اما از این انجمن‌های محصول برای ارائه توصیه‌های شخصی بر اساس رتبه‌بندی محصول خود کاربر استفاده می‌کند.

linkedin قانون 80/20 علم داده (Mitalearn-440586)

  • 1 hours 26 minutes
  • مناسب همه
  • Release date: 4 September 2024
  • Author: Howard Friedman
درباره این دوره: 

 در این دوره آموزشی، به مربی هاوارد فریدمن بپیوندید تا مفاهیم اصلی قانون 20/80 را برای علم داده و چگونگی به دست آوردن بیشترین ارزش با حداقل تلاش بیان می کند. گام‌های اساسی مورد نیاز برای ارزش دادن به بخش‌های مختلف کارتان، از جمله تعریف موفقیت، به‌دست آوردن مجموعه داده‌های با کیفیت بالا، شروع با آمار اولیه، ساخت مدل‌های اولیه اولیه، و اجتناب از گرفتار شدن در جزئیات کمتر تاثیرگذار را بررسی کنید. این دوره برای رهبران تیم داده و اعضای ارشد تیم داده در دنیای فناوری که علاقه مند به شرکای تجاری کارآمد و مؤثر هستند، هدف قرار می گیرد.

coursera قدرت آمار (Mitalearn-335985)

  • 5 hours 4 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Google Career Certificates
درباره این دوره:

این چهارمین دوره از هفت دوره در گواهی تحلیل داده های پیشرفته گوگل است. در این دوره، خواهید فهمید که چگونه متخصصان داده از آمار برای تجزیه و تحلیل داده ها و به دست آوردن بینش های مهم استفاده می کنند. شما مفاهیم کلیدی مانند آمار توصیفی و استنباطی، احتمال، نمونه گیری، فواصل اطمینان و آزمون فرضیه را بررسی خواهید کرد. همچنین یاد خواهید گرفت که چگونه از پایتون برای تجزیه و تحلیل آماری استفاده کنید و مانند یک متخصص داده، یافته های خود را به اشتراک بگذارید. کارمندان Google که در حال حاضر در این زمینه کار می‌کنند، با ارائه فعالیت‌های عملی که وظایف مرتبط را شبیه‌سازی می‌کنند، به اشتراک گذاشتن نمونه‌هایی از کارهای روزانه‌شان، و کمک به شما در تقویت مهارت‌های تجزیه و تحلیل داده‌ها برای آماده شدن برای حرفه‌تان، شما را در این دوره راهنمایی می‌کنند. فراگیرانی که هفت دوره در این برنامه را تکمیل می کنند، مهارت های مورد نیاز برای درخواست برای مشاغل علوم داده و تجزیه و تحلیل داده های پیشرفته را خواهند داشت. این گواهی مستلزم آگاهی قبلی از اصول، مهارت‌ها و ابزارهای تحلیلی پایه است که در گواهی تجزیه و تحلیل داده‌های Google پوشش داده شده است. در پایان این دوره، شما: -کاربرد آمار در علم داده را شرح دهید -از آمار توصیفی برای خلاصه کردن و کشف داده ها استفاده کنید محاسبه احتمال با استفاده از قوانین اساسی داده های مدل با توزیع احتمال -کاربرد روش های مختلف نمونه گیری را شرح دهید -محاسبه توزیع های نمونه -فواصل اطمینان را بسازید و تفسیر کنید -آزمون های فرضیه را انجام دهید

coursera قدرت و اندازه نمونه برای طرح های مطالعاتی چندسطحی و طولی (Mitalearn-331106)

  • 5 hours 36 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Albert Ritzhaupt
درباره این دوره:

قدرت و اندازه نمونه برای طرح های مطالعاتی طولی و چندسطحی، یک دوره پنج هفته ای کاملا آنلاین است که روش های نوآورانه و مبتنی بر تحقیق قدرت و اندازه نمونه و نرم افزار برای مطالعات چندسطحی و طولی را پوشش می دهد. روش ها و نرم افزارهای توان و حجم نمونه آموزش داده شده در این دوره را می توان برای هر برنامه مرتبط با سلامت یا به طور کلی تر، مرتبط با علوم اجتماعی (به عنوان مثال، تحقیقات آموزشی) استفاده کرد. تمام نمونه‌های موجود در ویدیوهای دوره از مطالعات دنیای واقعی در مورد علوم رفتاری و اجتماعی با استفاده از طرح‌های چندسطحی و طولی است. فلسفه دوره تمرکز بر دانش مفهومی برای انجام قدرت و روش های اندازه نمونه است. هدف از این دوره آموزش و انتشار روش‌هایی برای انتخاب دقیق اندازه نمونه و در نهایت ایجاد تجزیه و تحلیل قدرت/اندازه نمونه برای یک مطالعه تحقیقاتی مرتبط در زمینه حرفه‌ای شما است. انتخاب قدرت و حجم نمونه یکی از مهمترین سوالات اخلاقی محققین است. مطالعات مداخله‌ای که بسیار بزرگ هستند، شرکت‌کنندگان در تحقیقات داوطلب انسانی را در معرض آسیب‌های احتمالی و بی‌ضروری از تحقیقات قرار می‌دهند. مطالعات مداخله‌ای که بسیار کوچک هستند، در رسیدن به هدف علمی خود شکست خواهند خورد و باز هم آسیب‌های احتمالی را برای شرکت‌کنندگان در پژوهش وارد می‌کنند، بدون اینکه امکان سود همزمان از افزایش دانش وجود داشته باشد. برای مطالعات مشاهده‌ای که در آن هیچ آسیب احتمالی برای شرکت‌کنندگان وجود ندارد، مانند مطالعات مشاهده‌ای، قدرت مناسب، مدیریت خوب زمان و هزینه را تضمین می‌کند. اکثر بخش‌های مطالعاتی مؤسسه ملی بهداشت (NIH) تنها در صورتی کمک مالی را تأمین می‌کنند که دریافت‌کننده کمک هزینه یک تحلیل قدرت و اندازه نمونه قانع‌کننده و دقیق نوشته باشد. مؤسسه علوم تربیتی (IES)، بازوی آمار، تحقیق و ارزیابی وزارت آموزش ایالات متحده، همچنین کمک‌های مالی رقابتی را ارائه می‌کند که نیاز به قدرت قانع‌کننده و دقیق و تجزیه و تحلیل اندازه نمونه دارد (هدف 3: کارایی و تکرار و هدف 4: اثربخشی /افزایش مقیاس). در پایان دوره آنلاین، فراگیران قادر خواهند بود: • از یک چارچوب و استراتژی برای برنامه ریزی مطالعه استفاده کنند • اهداف مطالعه را به عنوان فرضیه های قابل آزمایش بنویسند • یک طرح مطالعه طولی و چند سطحی را توصیف کنند • یک طرح تحلیل آماری بنویسند • یک طرح نمونه برداری برای آن برنامه ریزی کنند. زیر گروه ها، به عنوان مثال نژادی و قومی • امکان پذیری استخدام را نشان دهید • داده های مورد انتظار گم شده و ترک تحصیل را شرح دهید • یک تحلیل قدرت و اندازه نمونه بنویسید که با تجزیه و تحلیل آماری برنامه ریزی شده هماهنگ باشد این یک دوره آنلاین فشرده و تعاملی پنج هفته ای است. ما از ترکیبی از فیلم‌های آموزشی، ویدیوهای نمایش نرم‌افزار، خواندن آنلاین، آزمون‌ها و تکالیف تمرینی استفاده خواهیم کرد. پروژه دوره نهایی یک مطالعه تحقیقاتی بررسی شده است که شما برای تجزیه و تحلیل قدرت آینده یا اندازه نمونه طراحی می کنید.

linkedin کار کرد؟ ارزیابی برنامه در علوم داده (Mitalearn-418418)

  • 1 hours 12 minutes
  • مناسب همه
  • Release date: 25 July 2026
  • Author: Howard Friedman
درباره این دوره:

یکی از مهمترین سؤالات در علوم داده: آیا برنامه من تفاوت ایجاد کرده است؟

این دوره به شما این امکان را می دهد تا شکاف بین علم داده و ارزیابی برنامه را ایجاد کنید. این کار با کمک به دانشمندان داده ها شروع می شود که چرا ارزیابی برنامه برای کار شما بسیار مهم است. با تسلط بر ارزیابی برنامه ، با اطمینان می توانید توضیح دهید که چگونه مدل شما می تواند در دنیای واقعی تأثیر بگذارد ، در مناطقی مانند کمپین های بازاریابی ، مدل سازی ریسک ، مقایسه اثربخشی و موارد دیگر. از تعریف ارزیابی برنامه گرفته تا ارتباط موثر یافته ها ، این دوره شما را به یک زبان و روش های مشترک برای هدایت تصمیم گیری تأثیرگذار مجهز می کند.

این دوره شامل بازی نقش هوش مصنوعی است. نقش بازی به شما امکان می دهد آنچه را که در شبیه سازی های تعاملی از مکالمات دنیای واقعی آموخته اید ، تمرین کنید.

coursera کارآمد کردن علم داده برای گزارش‌دهی بالینی (Mitalearn-331752)

  • 4 hours 52 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Dinakar Kulkarni,Kamila Duniec,Kamil Wais
درباره این دوره:

هدف این دوره نشان دادن چگونگی استفاده از اصول و روش های علم داده در گزارش گیری بالینی است. در پایان دوره، فراگیران متوجه خواهند شد که چه الزاماتی در گزارش کارآزمایی های بالینی وجود دارد و چگونه بر نحوه استفاده از علم داده تأثیر می گذارد. یادگیرنده می بیند که چگونه می تواند کارآمد و موثر کار کند و در عین حال اطمینان حاصل کند که استانداردهای مورد نیاز را برآورده می کند.

coursera کاربردهای تجاری آزمون فرضیه و تخمین فاصله اطمینان (Mitalearn-213228)

  • 3 hours 54 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Sharad Borle
درباره این دوره:

فواصل اطمینان و آزمون فرضیه ابزارهای بسیار مهمی در جعبه ابزار آمار کسب و کار هستند. تسلط بر این موضوعات به افزایش تصمیم گیری تجاری شما کمک می کند و به شما امکان می دهد میزان "ریسک" یا "عدم اطمینان" را در فرآیندهای مختلف تجاری درک و اندازه گیری کنید. این سومین دوره در زمینه تخصصی "آمار و تجزیه و تحلیل کسب و کار" است و این دوره با معرفی فواصل اطمینان و تست فرضیه دانش شما را در مورد آمار کسب و کار ارتقا می دهد. ابتدا به صورت مفهومی این ابزارها و کاربرد تجاری آنها را درک می کنیم. سپس محاسبات مختلفی را برای ساخت فواصل اطمینان و انجام انواع مختلف آزمون‌های فرضیه معرفی می‌کنیم. اینها توسط برنامه های کاربردی آسان انجام می شود. برای انجام موفقیت آمیز تکالیف دوره، دانش آموزان باید به نسخه ویندوز Microsoft Excel 2010 یا جدیدتر دسترسی داشته باشند. لطفاً توجه داشته باشید که نسخه های قبلی مایکروسافت اکسل (2007 و قبل از آن) با برخی از توابع اکسل که در این دوره توضیح داده شده اند سازگاری ندارند. هفته 1 ماژول 1: فاصله اطمینان - مقدمه در این ماژول به صورت مفهومی خواهید فهمید که فاصله اطمینان چیست و چگونه ساخته می شود. ما بلوک های ساختمانی مختلف برای فاصله اطمینان مانند توزیع t، آماره t، آمار z و فرمول های مختلف اکسل آنها را معرفی خواهیم کرد. سپس از این بلوک‌های سازنده برای ایجاد فواصل اطمینان استفاده خواهیم کرد. موضوعات تحت پوشش عبارتند از: • معرفی t-distribution، توابع اکسل T.DIST و T.INV • درک مفهومی فاصله اطمینان • آمار z و آمار t • ایجاد فاصله اطمینان با استفاده از آماره z و آماره t هفته 2 ماژول 2: فاصله اطمینان - برنامه های کاربردی این ماژول کاربردهای تجاری مختلفی از فاصله اطمینان را ارائه می دهد، از جمله برنامه ای که در آن از فاصله اطمینان برای محاسبه اندازه نمونه مناسب استفاده می کنیم. ما همچنین با یک برنامه، فاصله اطمینان برای نسبت جمعیت را معرفی می کنیم. در پایان ماژول ما شروع به معرفی مفهوم تست فرضیه می کنیم. موضوعات تحت پوشش عبارتند از: • کاربردهای فاصله اطمینان • فاصله اطمینان برای نسبت جمعیت • محاسبه اندازه نمونه • آزمون فرضیه، مقدمه هفته 3 ماژول 3: آزمون فرضیه این ماژول تست فرضیه را معرفی می کند. شما می توانید منطق پشت آزمون های فرضیه را درک کنید. چهار مرحله برای انجام یک آزمون فرضیه معرفی شده است و شما می توانید آنها را برای آزمون فرضیه برای میانگین جمعیت و همچنین نسبت جمعیت به کار ببرید. تفاوت بین آزمون های فرضیه دم تک و دو آزمون فرضیه دم و همچنین خطاهای نوع اول و دوم مرتبط با آزمون های فرضیه و راه های کاهش چنین خطاهایی را خواهید فهمید. موضوعات تحت پوشش عبارتند از: • منطق آزمون فرضیه • چهار مرحله برای انجام آزمون فرضیه • آزمون فرضیه تک دم و دو دم • دستورالعمل ها، فرمول ها و آزمون کاربرد فرضیه • آزمون فرضیه برای نسبت جمعیت • خطاهای نوع اول و دوم در یک فرضیه هفته 4 ماژول 4: آزمون فرضیه - تفاوت در میانگین در این ماژول، شما از آزمون های فرضیه برای آزمایش تفاوت بین دو داده مختلف استفاده می کنید، به این گونه آزمون های فرضیه، آزمون های تفاوت در میانگین می گویند. ما سه نوع تفاوت در آزمون میانگین ها را معرفی می کنیم و آنها را در برنامه های مختلف تجاری اعمال می کنیم. همچنین کادر محاوره ای اکسل را برای انجام چنین آزمون های فرضیه ای معرفی می کنیم. موضوعات تحت پوشش عبارتند از: • معرفی آزمون فرضیه تفاوت در میانگین • کاربردهای آزمون فرضیه تفاوت در میانگین • فرض واریانس برابر و نابرابر و آزمون t زوجی برای تفاوت میانگین ها. • برخی از برنامه های کاربردی دیگر

coursera کاربردهای هوش مصنوعی در مدیریت افراد (Mitalearn-335220)

  • 4 hours 25 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Prasanna Tambe,Matthew Bidwell,Peter Cappelli
درباره این دوره:

در این دوره آموزشی، با هوش مصنوعی و یادگیری ماشینی که در مدیریت منابع انسانی کاربرد دارد، آشنا خواهید شد. شما مفاهیم مرتبط با نقش داده ها در یادگیری ماشینی، کاربرد هوش مصنوعی، محدودیت های استفاده از داده ها در تصمیم گیری های منابع انسانی، و چگونگی کاهش تعصب با استفاده از فناوری بلاک چین را بررسی خواهید کرد. قدرت‌های یادگیری ماشینی سریع‌تر و ساده‌تر می‌شوند و شما به دانش دست اولی در مورد نحوه استفاده از فناوری فعلی و نوظهور برای مدیریت کل چرخه زندگی کارکنان دست خواهید یافت. از طریق مطالعه و تجزیه و تحلیل، شما یاد خواهید گرفت که چگونه حجم عظیمی از داده ها را غربال کنید تا الگوها را شناسایی کرده و پیش بینی هایی انجام دهید که به نفع کسب و کار شما باشد. در پایان این دوره، می‌توانید تشخیص دهید که چگونه می‌توانید هوش مصنوعی را برای ساده‌سازی تمام عملکردهای منابع انسانی و نحوه کار با داده‌ها برای استفاده از قدرت یادگیری ماشینی ترکیب کنید.

coursera کتابخانه های پیشرفته CUDA (Mitalearn-309652)

  • 2 hours 11 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Chancellor Thomas Pascale
درباره این دوره:

این دوره تخصص GPU را با تمرکز بر کتابخانه های پیشرو توزیع شده به عنوان بخشی از جعبه ابزار CUDA تکمیل می کند. دانش آموزان یاد خواهند گرفت که چگونه از CuFFT و کتابخانه های جبر خطی برای انجام محاسبات پیچیده ریاضی استفاده کنند. قابلیت های کتابخانه Thrust در نمایش ساختارهای داده رایج و الگوریتم های مرتبط معرفی خواهد شد. با استفاده از cuDNN و cuTensor آنها قادر خواهند بود برنامه های کاربردی یادگیری ماشینی را توسعه دهند که به تشخیص اشیا، ترجمه زبان انسانی و طبقه بندی تصاویر کمک می کند.

coursera کشف الگو در داده کاوی (Mitalearn-334948)

  • 4 hours 17 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jiawei Han
درباره این دوره:

مفاهیم کلی داده کاوی را همراه با متدولوژی ها و کاربردهای اساسی بیاموزید. سپس به یک زیرشاخه در داده کاوی بروید: کشف الگو. مفاهیم، ​​روش ها و کاربردهای کشف الگو در داده کاوی را عمیقاً بیاموزید. ما همچنین روش هایی را برای عبارت کاوی مبتنی بر داده و برخی کاربردهای جالب کشف الگو معرفی خواهیم کرد. این دوره به شما فرصتی برای یادگیری مهارت‌ها و محتوا برای تمرین و مشارکت در روش‌های کشف الگوی مقیاس‌پذیر بر روی داده‌های انبوه معاملاتی، بحث در مورد اقدامات ارزیابی الگو و مطالعه روش‌های استخراج انواع مختلف الگوها، الگوهای متوالی و الگوهای زیرگراف را می‌دهد.

coursera کلان داده - پروژه Capstone (Mitalearn-334744)

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

به پروژه Capstone برای داده های بزرگ خوش آمدید! در این پروژه اوج، شما یک اکوسیستم کلان داده را با استفاده از ابزارها و روش های دوره های قبلی در این تخصص می سازید. شما یک مجموعه داده شبیه سازی داده های بزرگ تولید شده از تعداد زیادی از کاربرانی را که بازی خیالی ما "Catch the Pink Flamingo" را بازی می کنند، تجزیه و تحلیل خواهید کرد. در طول پنج هفته پروژه Capstone، شما مراحل معمولی علم داده های بزرگ را برای به دست آوردن، کاوش، آماده سازی، تجزیه و تحلیل و گزارش گذرانده اید. در دو هفته اول، مجموعه داده ها را به شما معرفی می کنیم و با استفاده از ابزارهایی مانند Splunk و Open Office شما را از طریق برخی تحلیل های اکتشافی راهنمایی می کنیم. سپس به مشکلات چالش برانگیزتر کلان داده خواهیم پرداخت که نیازمند ابزارهای پیشرفته تری است که شما آموخته اید، از جمله KNIME، Spark's MLLib و Gephi. در نهایت، در هفته پنجم و آخر، به شما نشان خواهیم داد که چگونه همه اینها را برای ایجاد گزارش های جذاب و متقاعدکننده و ارائه اسلایدها کنار هم قرار دهید. در نتیجه همکاری ما با Splunk، یک شرکت نرم‌افزاری که بر تجزیه و تحلیل داده‌های بزرگ تولید شده توسط ماشین تمرکز دارد، یادگیرندگان با پروژه‌های برتر واجد شرایط ارائه به Splunk و ملاقات با استخدام‌کنندگان Splunk و رهبری مهندسی خواهند بود.

coursera کلان داده، هوش مصنوعی و اخلاق (Mitalearn-329049)

  • 5 hours 27 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Martin Hilbert
درباره این دوره:

این دوره زمینه و تجربه دست اول را با دو کاتالیزور اصلی انقلاب علوم محاسباتی به شما می دهد: داده های بزرگ و هوش مصنوعی. با بیش از 99 درصد از تمام اطلاعات رسانه ای در قالب دیجیتال و با استفاده از 98 درصد از جمعیت جهان از فناوری دیجیتال، بشریت ردپای دیجیتالی چشمگیری ایجاد می کند. در تئوری، این فرصت‌های بی‌سابقه‌ای برای درک و شکل دادن به جامعه فراهم می‌کند. در عمل، تنها راهی که می‌توان این سیل اطلاعات را پردازش کرد، استفاده از همان فناوری‌های دیجیتالی است که آن را تولید کرده‌اند. داده ها سوخت هستند، اما یادگیری ماشینی موتوری است که دانش جدید قابل توجهی را از حجم عظیمی از داده ها استخراج می کند. از آنجایی که بخش مهمی از این داده‌ها مربوط به خودمان است، استفاده از الگوریتم‌ها به منظور کسب اطلاعات بیشتر در مورد خود، به طور طبیعی منجر به پرسش‌های اخلاقی می‌شود. بنابراین، ما نمی‌توانیم این دوره را بدون صحبت در مورد اخلاق تحقیق و برخی از خطوط قدیمی و جدیدی که دانشمندان علوم اجتماعی محاسباتی باید در نظر داشته باشند، به پایان برسانیم. به‌عنوان آزمایشگاه‌های عملی، از هوش مصنوعی IBM Watson برای استخراج شخصیت افراد از ردپای متن دیجیتالی آن‌ها استفاده خواهید کرد و با آموزش دو ماشین قابل آموزش از Google خودتان، قدرت و محدودیت‌های یادگیری ماشینی را تجربه خواهید کرد.

Suggestions