Course catalog

Course duration

Course provider

Topic

Categories

Showing 461-480 of 600 items.

coursera مدل ها و محدودیت های الگوریتم های هوش مصنوعی (Mitalearn-329253)

  • 1 hours 31 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Brent Summers
درباره این دوره:

ما در عصری زندگی می کنیم که به طور فزاینده ای تحت سلطه الگوریتم ها است. همانطور که مدل های یادگیری ماشین تصمیمات مهمی را بر اساس مجموعه داده های عظیم شروع می کنند، ما باید از محدودیت های آنها در دنیای واقعی آگاه باشیم. مدل‌های یادگیری ماشینی چه تصمیم‌گیری برای وام یا مسیریابی مجدد ترافیک باشد، باید ارزش‌های مشترک ما را به دقت منعکس کند. در این دوره، ظهور الگوریتم‌ها را، از ابتدایی‌ترین تا کاملاً مستقل، مورد بررسی قرار می‌دهیم و در مورد چگونگی ایجاد آنها از نظر اخلاقی درست‌تر بحث می‌کنیم.

coursera مدل های پیشرفته برای تصمیم گیری (Mitalearn-329440)

  • 4 hours 46 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Soumya Sen
درباره این دوره:

تحلیلگران کسب و کار باید بتوانند راه حل بهینه را برای مشکلات تجویز کنند. اما دوره‌های تجزیه و تحلیل اغلب بر آموزش دانش‌آموزان در تجزیه و تحلیل داده‌ها و تجسم تمرکز می‌کنند، نه این که به آنها کمک کند چگونه داده‌های موجود را جمع‌آوری کنند و آن را با مدل ریاضی مناسب برای فرمول‌بندی راه‌حل جفت کنند. این دوره برای اتصال داده ها و مدل ها به سناریوهای تصمیم گیری در دنیای واقعی در تولید، زنجیره تامین، امور مالی، مدیریت منابع انسانی و غیره طراحی شده است. به طور خاص، ما درک می کنیم که چگونه بهینه سازی خطی - یک روش تجزیه و تحلیل تجویزی - می تواند برای تصمیم گیری استفاده شود. مشکلات و ارائه راه حل های بهینه مبتنی بر داده ها. در طول این دوره ما روی مشکلات کاربردی در صنایع مختلف کار خواهیم کرد، مانند: (الف) تصمیمات مالی: چگونه یک مدیر سرمایه گذاری باید یک سبد بهینه ایجاد کند که بازده خالص را به حداکثر برساند و در عین حال ریسک زیادی را در سرمایه گذاری های مختلف انجام ندهد؟ (ب) تصمیمات تولید: با توجه به تقاضای پیش بینی شده، عرضه مواد خام و هزینه های حمل و نقل، حجم بهینه محصولات برای تولید در مکان های مختلف کارخانه چقدر خواهد بود؟ (ج) تصمیمات منابع انسانی: چه تعداد کارگر باید در یک افق برنامه ریزی استخدام یا اخراج شوند تا در حین رفع نیازهای عملیاتی یک شرکت، هزینه ها به حداقل برسد؟ (ج) تولید: با توجه به در دسترس بودن مواد خام و تقاضای مشتری، ترکیب محصولی که باید حداکثر سود را تولید کند، چه خواهد بود؟ ما یاد خواهیم گرفت که چگونه این مسائل را به عنوان مدل های ریاضی فرموله کرده و با استفاده از صفحه گسترده اکسل حل کنیم.

coursera مدل های تخصصی: سری زمانی و تحلیل بقا (Mitalearn-332449)

  • 6 hours 20 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mark J Grover,Miguel Maldonado
درباره این دوره:

این دوره شما را با موضوعات اضافی در یادگیری ماشینی آشنا می کند که مکمل وظایف ضروری از جمله پیش بینی و تجزیه و تحلیل داده های سانسور شده است. شما یاد خواهید گرفت که چگونه داده های تجزیه و تحلیل را با مولفه زمانی و داده های سانسور شده که نیاز به استنتاج نتیجه دارند، پیدا کنید. شما چند تکنیک برای تجزیه و تحلیل سری های زمانی و تجزیه و تحلیل بقا خواهید آموخت. بخش عملی این دوره بر استفاده از بهترین شیوه ها و تأیید مفروضات به دست آمده از یادگیری آماری متمرکز است. در پایان این دوره شما باید بتوانید: چالش های رایج مدل سازی را با داده های سری زمانی شناسایی کنید نحوه تجزیه داده های سری زمانی: روند، فصلی و باقیمانده را توضیح دهید نحوه عملکرد مدل های اتورگرسیو، میانگین متحرک و ARIMA را توضیح دهید نحوه انتخاب و پیاده سازی مدل های مختلف سری زمانی را بدانید روش های مدل سازی خطر و بقا را شرح دهید انواع مشکلات مناسب برای تجزیه و تحلیل بقا را شناسایی کنید چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با تجزیه و تحلیل سری های زمانی و تجزیه و تحلیل بقا هستند، هدف قرار می دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی از پاکسازی داده ها، تجزیه و تحلیل داده های اکتشافی، حساب دیفرانسیل و انتگرال، جبر خطی، یادگیری ماشین نظارت شده، یادگیری ماشین بدون نظارت، احتمال و آمار.

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 مدل های خطی پیشرفته برای علم داده 2: مدل های خطی آماری (Mitalearn-336852)

  • 2 hours 40 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Brian Caffo, PhD
درباره این دوره:

به مدل های خطی پیشرفته برای علم داده کلاس 2: مدل های خطی آماری 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 مدل های خطی تعمیم یافته و رگرسیون ناپارامتریک (Mitalearn-333231)

  • 5 hours 3 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Brian Zaharatos
درباره این دوره:

در دوره پایانی برنامه مدل‌سازی آماری برای علم داده، فراگیران مجموعه گسترده‌ای از ابزارهای مدل‌سازی آماری پیشرفته‌تر را مطالعه خواهند کرد. چنین ابزارهایی شامل مدل های خطی تعمیم یافته (GLM) خواهند بود که مقدمه ای برای طبقه بندی (از طریق رگرسیون لجستیک) ارائه می دهند. مدل‌سازی ناپارامتریک، از جمله تخمین‌گرهای هسته، هموارسازی خطوط. و مدل های افزایشی تعمیم یافته نیمه پارامتریک (GAMs). تاکید بر درک مفهومی محکم از این ابزارها خواهد بود. همچنین به مسائل اخلاقی مطرح شده با استفاده از مدل‌های آماری پیچیده توجه خواهد شد. 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. لوگوی اقتباس شده از عکس وینسنت لدوینا در Unsplash

coursera مدل های داده های بالینی و ارزیابی های کیفیت داده ها (Mitalearn-331310)

  • 4 hours 20 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laura K. Wiley, PhD,Michael G. Kahn, MD, PhD
درباره این دوره:

هدف این دوره آموزش مفاهیم مدل های داده بالینی و مدل های داده رایج است. پس از اتمام این دوره، فراگیران می‌توانند طرح‌های مدل داده‌ها را با استفاده از نمودارهای نهادی-رابطه (ERDs) تفسیر و ارزیابی کنند، بین مدل‌های داده تمایز قائل شوند و نحوه استفاده از هر کدام برای حمایت از مراقبت‌های بالینی و علم داده را بیان کنند، و عبارات SQL را در Google ایجاد کنند. BigQuery برای پرس و جو از مدل داده های بالینی MIMIC3 و مدل داده های رایج OMOP.

coursera مدل های دنباله ای (Mitalearn-212973)

  • 5 hours 51 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Andrew Ng,Kian Katanforoosh,Younes Bensouda Mourri
درباره این دوره:

در پنجمین دوره تخصصی Deep Learning با مدل های توالی و کاربردهای هیجان انگیز آنها مانند تشخیص گفتار، سنتز موسیقی، چت بات ها، ترجمه ماشینی، پردازش زبان طبیعی (NLP) و غیره آشنا می شوید. در پایان، می‌توانید شبکه‌های عصبی بازگشتی (RNN) و انواع پرکاربرد مانند GRU و LSTM را بسازید و آموزش دهید. RNN ها را برای مدل سازی زبان در سطح کاراکتر اعمال کنید. کسب تجربه با پردازش زبان طبیعی و تعبیه کلمه. و از توکن سازها و مدل های ترانسفورماتور HuggingFace برای حل وظایف مختلف NLP مانند NER و Question Answering استفاده کنید. Deep Learning Specialization یک برنامه اساسی است که به شما کمک می کند توانایی 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 گامی قطعی در دنیای هوش مصنوعی بردارید و به شما کمک می کند دانش و مهارت هایی را برای ارتقاء سطح حرفه خود به دست آورید.

coursera مدل های رگرسیون (Mitalearn-335373)

  • 6 hours 46 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Brian Caffo, PhD,Roger D. Peng, PhD,Jeff Leek, PhD
درباره این دوره:

مدل‌های خطی، همانطور که از نامشان پیداست، یک نتیجه را به مجموعه‌ای از پیش‌بینی‌کننده‌های مورد علاقه با استفاده از مفروضات خطی مرتبط می‌کنند. مدل‌های رگرسیون، زیرمجموعه‌ای از مدل‌های خطی، مهم‌ترین ابزار تحلیل آماری در جعبه ابزار یک دانشمند داده هستند. این دوره تحلیل رگرسیون، حداقل مربعات و استنتاج با استفاده از مدل های رگرسیون را پوشش می دهد. موارد خاص مدل رگرسیون، ANOVA و ANCOVA نیز پوشش داده خواهد شد. تجزیه و تحلیل باقیمانده ها و تنوع بررسی خواهد شد. این دوره تفکر مدرن در مورد انتخاب مدل و استفاده های جدید از مدل های رگرسیون از جمله هموارسازی پراکندگی را پوشش می دهد.

coursera مدل های شبیه سازی برای تصمیم گیری (Mitalearn-329389)

  • 8 hours 6 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Alok Gupta
درباره این دوره:

این دوره در درجه اول برای دانشجویان سال سوم و چهارم کارشناسی یا دانشجویان کارشناسی ارشد علاقه مند به یادگیری تکنیک های شبیه سازی برای حل مشکلات تجاری است. این دوره شما را با مسائل روزمره و پیچیده کسب و کار آشنا می کند که به دلیل عدم قطعیت هایی که در محیط های تجاری وجود دارد، پاسخ صحیحی ندارند. مدل سازی شبیه سازی به ما امکان می دهد تا نتایج مختلف را بررسی کنیم و از منافع شخصی یا تجاری در برابر نتایج ناخواسته محافظت کنیم. ما می توانیم عدم قطعیت ها را با استفاده از مفاهیم احتمال و تفکر گام به گام مدل سازی کنیم. تفکر گام به گام به ما این امکان را می دهد که مشکل را در اجزای کوچکتر تجزیه کنیم، وابستگی های بین رویدادهای مرتبط را بررسی کنیم و به ما امکان می دهد روی جنبه هایی از مشکل که به دلیل عدم قطعیت های آینده مستعد تغییر هستند تمرکز کنیم. این دوره شما را با تکنیک های پیشرفته اکسل برای مدل سازی و اجرای مدل های شبیه سازی آشنا می کند. بسیاری از تکنیک های Excel آموخته شده در این دوره فراتر از مدل سازی شبیه سازی مفید خواهند بود. ما هر دو تکنیک شبیه‌سازی مونت کارلو را که در آن نتیجه کلی مورد علاقه اولیه است و شبیه‌سازی رویداد گسسته را که در آن وابستگی‌های میانی بین رویدادهای مرتبط ممکن است مورد توجه باشد، یاد خواهیم گرفت. این دوره شما را با چندین موضوع کاربردی در مدل سازی شبیه سازی آشنا می کند که معمولاً در کتاب های درسی پوشش داده نمی شوند. این دوره از چند مثال در حال اجرا در طول دوره برای نشان دادن مفاهیم و ارائه نمونه های مدل سازی عینی استفاده می کند. پس از گذراندن دوره، دانش آموز می تواند مدل های شبیه سازی نسبتاً پیشرفته ای را برای کشف طیف وسیعی از محیط های تجاری و نتایج ایجاد کند.

coursera مدل های یادگیری عمیق قابل توضیح برای مراقبت های بهداشتی - CDSS 3 (Mitalearn-334217)

  • 3 hours 10 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Fani Deligianni
درباره این دوره:

این دوره به معرفی مفاهیم تفسیرپذیری و توضیح پذیری در کاربردهای یادگیری ماشین می پردازد. یادگیرنده تفاوت بین توضیحات کلی، محلی، مدل-آگنوستیک و مدل خاص را درک خواهد کرد. روش‌های توضیح‌پذیری پیشرفته مانند اهمیت ویژگی جایگشت (PFI)، توضیح‌های محلی قابل تفسیر مدل-آگنوستیک (LIME) و توضیح افزودنی SHapley (SHAP) توضیح داده شده‌اند و در طبقه‌بندی سری‌های زمانی اعمال می‌شوند. متعاقباً، توضیحات خاص مدل مانند نگاشت فعال‌سازی کلاس (CAM) و CAM با وزن گرادیان توضیح و پیاده‌سازی می‌شوند. فراگیران اسناد بدیهی و چرایی اهمیت آنها را درک خواهند کرد. در نهایت، مکانیسم‌های توجه قرار است بعد از لایه‌های بازگشتی گنجانده شوند و وزن‌های توجه برای تولید توضیحات محلی مدل تجسم خواهند شد.

coursera مدل های یادگیری ماشین در علم (Mitalearn-334030)

  • 1 hours
  • متوسط
  • Release date: 23 June 2026
  • Author: Sabrina Moore,Rajvir Dua,Neelesh Tiruviluamala
درباره این دوره:

هدف این دوره برای هر کسی است که علاقه مند به استفاده از تکنیک های یادگیری ماشینی در مسائل علمی است. در این دوره آموزشی، در مورد خط لوله یادگیری ماشینی کامل، از خواندن، تمیز کردن و تبدیل داده ها تا اجرای الگوریتم های یادگیری ماشینی اولیه و پیشرفته، خواهیم آموخت. ما با تکنیک های پیش پردازش داده ها مانند PCA و LDA شروع می کنیم. سپس، به الگوریتم های اساسی هوش مصنوعی می پردازیم: SVMs و K-means clustering. در طول راه، جعبه ابزار ریاضی و برنامه‌نویسی خود را می‌سازیم تا خود را برای کار با مدل‌های پیچیده‌تر آماده کنیم. در نهایت، روش‌های پیشرفته‌ای مانند جنگل‌های تصادفی و شبکه‌های عصبی را بررسی خواهیم کرد. در طول مسیر، از مجموعه داده های پزشکی و نجومی استفاده خواهیم کرد. در پروژه نهایی، ما مهارت های خود را برای مقایسه مدل های مختلف یادگیری ماشین در پایتون به کار خواهیم گرفت.

coursera مدل‌های تصادفی، طرح‌های تودرتو و طرح‌های تقسیم‌شده (Mitalearn-333775)

  • 2 hours 58 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Douglas C. Montgomery
درباره این دوره:

بسیاری از آزمایش ها شامل عواملی هستند که سطوح آنها به طور تصادفی انتخاب می شوند. یک موقعیت شناخته شده مطالعه سیستم های اندازه گیری برای تعیین قابلیت آنها است. این دوره طراحی و تجزیه و تحلیل این نوع آزمایش ها از جمله روش های مدرن برای تخمین مولفه های تغییرپذیری در این سیستم ها را ارائه می دهد. این دوره همچنین آزمایش‌هایی با عوامل تودرتو، و آزمایش‌هایی با عواملی که به سختی تغییر می‌کنند که نیاز به طرح‌های تقسیم‌شده دارند را پوشش می‌دهد. ما همچنین یک نمای کلی از طرح‌ها برای آزمایش‌ها با توزیع پاسخ از توزیع‌های پاسخ غیرعادی و آزمایش‌ها با متغیرهای کمکی ارائه می‌کنیم.

coursera مدل‌های سفارشی، لایه‌ها و توابع از دست دادن با TensorFlow (Mitalearn-330120)

  • 2 hours 30 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laurence Moroney
درباره این دوره:

در این دوره، شما: • APIهای عملکردی و ترتیبی را مقایسه کنید، مدل‌های جدیدی را که می‌توانید با Functional API بسازید، کشف کنید، و مدلی بسازید که خروجی‌های متعدد از جمله یک شبکه سیامی تولید کند. • توابع از دست دادن سفارشی (از جمله تابع تضاد متضاد مورد استفاده در شبکه سیامی) را بسازید تا میزان عملکرد یک مدل را اندازه گیری کنید و به شبکه عصبی شما کمک کنید تا از داده های آموزشی یاد بگیرد. • از لایه‌های استاندارد موجود برای ایجاد لایه‌های سفارشی برای مدل‌های خود بسازید، یک لایه شبکه را با لایه لامبدا سفارشی کنید، تفاوت‌های بین آن‌ها را درک کنید، بدانید چه چیزی یک لایه سفارشی را تشکیل می‌دهد و عملکردهای فعال‌سازی را بررسی کنید. • از مدل‌های موجود برای افزودن قابلیت‌های سفارشی بسازید، یاد بگیرید چگونه کلاس سفارشی خود را به جای استفاده از APIهای تابعی یا متوالی تعریف کنید، مدل‌هایی بسازید که می‌توانند از کلاس TensorFlow Model به ارث برده شوند، و از طریق تعریف کردن، یک شبکه باقی‌مانده (ResNet) بسازید. یک کلاس مدل سفارشی تخصص DeepLearning.AI TensorFlow: Advanced Techniques ویژگی‌های TensorFlow را معرفی می‌کند که به یادگیرندگان کنترل بیشتری بر معماری مدل و ابزارهایی می‌دهد که به آنها کمک می‌کند مدل‌های پیشرفته ML را ایجاد و آموزش دهند. این تخصص برای مهندسین نرم افزار و یادگیری ماشین در مراحل اولیه و اواسط حرفه ای با درک اساسی از TensorFlow است که به دنبال گسترش دانش و مجموعه مهارت های خود با یادگیری ویژگی های پیشرفته TensorFlow برای ساخت مدل های قدرتمند هستند.

coursera مدیریت پروژه های یادگیری ماشین با Google Cloud (Mitalearn-327111)

  • 4 hours 20 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

متخصصان کسب و کار در نقش های غیر فنی فرصتی منحصر به فرد برای رهبری یا تأثیرگذاری بر پروژه های یادگیری ماشین دارند. اگر در مورد یادگیری ماشین سوالی دارید و می خواهید بدانید که چگونه از آن بدون اصطلاحات فنی استفاده کنید، این دوره برای شما مناسب است. بیاموزید که چگونه مشکلات تجاری را به موارد استفاده از یادگیری ماشین ترجمه کنید و آنها را از نظر امکان سنجی و تأثیر بررسی کنید. بیاموزید که چگونه می توانید موارد استفاده غیرمنتظره را کشف کنید، مراحل پروژه ML و ملاحظات هر کدام را بشناسید، و اطمینان حاصل کنید که یک مورد استفاده سفارشی ML را به تیم یا رهبری خود پیشنهاد دهید یا الزامات را به یک تیم فنی ترجمه کنید.

coursera مدیریت پروژه های یادگیری ماشینی (Mitalearn-237096)

  • 4 hours 16 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Jon Reifschneider
درباره این دوره:

این دوره دوم از تخصص مدیریت محصول هوش مصنوعی توسط دانشکده مهندسی پرت دانشگاه دوک بر جنبه های عملی مدیریت پروژه های یادگیری ماشین تمرکز دارد. این دوره از طریق مراحل کلیدی یک پروژه ML از چگونگی شناسایی فرصت های خوب برای ML از طریق جمع آوری داده ها، ساخت مدل، استقرار و نظارت و نگهداری سیستم های تولید می پردازد. شرکت کنندگان در مورد فرآیند علم داده و نحوه اعمال فرآیند برای سازماندهی تلاش های ML، و همچنین ملاحظات و تصمیمات کلیدی در طراحی سیستم های ML یاد خواهند گرفت. در پایان این دوره، شما باید بتوانید: 1) فرصت هایی را برای اعمال ML برای حل مشکلات کاربران شناسایی کنید 2) از فرآیند علم داده برای سازماندهی پروژه های ML استفاده کنید 3) تصمیمات کلیدی فناوری را در طراحی سیستم ML ارزیابی کنید 4) پروژه های ML را از ایده پردازی تا تولید با استفاده از بهترین شیوه ها هدایت کنید

linkedin مدیریت چرخه حیات تیم علم داده (Mitalearn-440603)

  • 2 hours 7 minutes
  • مناسب همه
  • Update date: 21 November 2024
  • Author: Angel Evan
درباره این دوره: 

 دانشمندان و مهندسان داده برخی از پرتقاضاترین نقش ها در بازار کار امروزی هستند. اما بسیاری از مدیران فاقد مجموعه کاملی از مهارت‌های مورد نیاز برای جذب و حفظ موثر استعدادهای کلیدی هستند. در این دوره، استاد دانشگاه استنفورد و مدیر برنامه درسی آنجل ایوان، یک مرور کلی از نحوه توسعه و مدیریت تیم های مهندسی و علم داده های متنوع و فراگیر ارائه می دهد. در پایان این دوره، شما برای پیمایش در سه مرحله اصلی چرخه عمر کارمند: استخدام، توسعه و حفظ، مجهزتر خواهید شد.

coursera مدیریت داده ها و تجسم (Mitalearn-335016)

  • 4 hours 1 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Lisa Dierker
درباره این دوره:

چه برای سفارشی کردن تبلیغات برای میلیون‌ها بازدیدکننده وب‌سایت یا ساده‌سازی سفارش موجودی در یک رستوران کوچک، داده‌ها برای موفقیت یکپارچه‌تر می‌شوند. خیلی اوقات، ما مطمئن نیستیم که چگونه از داده ها برای یافتن پاسخ سوالاتی که ما را در کاری که انجام می دهیم موفق تر می کند استفاده کنیم. در این دوره، متوجه خواهید شد که چه داده هایی هستند و به این فکر می کنید که چه سوالاتی دارید که می تواند توسط داده ها پاسخ داده شود - حتی اگر قبلاً هرگز به داده ها فکر نکرده باشید. بر اساس داده های موجود، شما یاد خواهید گرفت که یک سوال تحقیقی را ایجاد کنید، متغیرها و روابط آنها را توصیف کنید، آمارهای اولیه را محاسبه کنید و نتایج خود را به وضوح ارائه دهید. در پایان دوره، شما قادر خواهید بود از ابزارهای قدرتمند تجزیه و تحلیل داده ها - اعم از SAS یا Python - برای مدیریت و تجسم داده های خود از جمله نحوه برخورد با داده های از دست رفته، گروه های متغیر و نمودارها استفاده کنید. در طول دوره، پیشرفت خود را با دیگران به اشتراک می‌گذارید تا بازخورد ارزشمندی کسب کنید و همچنین یاد می‌گیرید که چگونه همتایانتان از داده‌ها برای پاسخ به سؤالات خود استفاده می‌کنند.

coursera مدیریت کلان داده در خوشه ها و فضای ذخیره سازی ابری (Mitalearn-327349)

  • 2 hours 52 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Ian Cook,Glynn Durham
درباره این دوره:

در این دوره آموزشی، نحوه مدیریت مجموعه داده‌های بزرگ، نحوه بارگذاری آن‌ها در خوشه‌ها و ذخیره‌سازی ابری، و نحوه اعمال ساختار بر روی داده‌ها را یاد می‌گیرید تا بتوانید با استفاده از موتورهای SQL توزیع‌شده مانند Apache Hive و Apache Impala پرس‌وجوها را روی آن‌ها اجرا کنید. . شما یاد خواهید گرفت که چگونه انواع داده ها، سیستم های ذخیره سازی و فرمت های فایل مناسب را بر اساس ابزارهایی که استفاده می کنید و عملکرد مورد نیاز خود را انتخاب کنید. در پایان دوره، شما قادر خواهید بود • استفاده از ابزارهای مختلف برای مرور پایگاه داده ها و جداول موجود در سیستم های کلان داده. • از ابزارهای مختلف برای کاوش فایل ها در سیستم های فایل داده های بزرگ و ذخیره سازی ابری استفاده کنید. • با استفاده از Apache Hive و Apache Impala پایگاه داده‌ها و جداول کلان داده را ایجاد و مدیریت کنید. و • از میان انواع داده ها و فرمت های فایل برای سیستم های کلان داده توصیف و انتخاب 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 مدیریت و به اشتراک گذاری داده های تحقیق (Mitalearn-334557)

  • 3 hours 27 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Helen Tibbo,Sarah Jones
درباره این دوره:

این دوره آموزشی مقدمه ای بر مدیریت و به اشتراک گذاری داده های پژوهشی در اختیار زبان آموزان قرار می دهد. پس از اتمام این دوره، فراگیران تنوع داده‌ها و نیازهای مدیریتی آنها را در طول چرخه عمر داده‌های پژوهشی درک می‌کنند، می‌توانند اجزای برنامه‌های مدیریت داده خوب را شناسایی کنند و با بهترین شیوه‌ها برای کار با داده‌ها از جمله سازمان، اسناد و مدارک آشنا شوند. و ذخیره و امنیت داده ها. یادگیرندگان همچنین انگیزه و اهمیت بایگانی و به اشتراک گذاری داده ها و همچنین نحوه ارزیابی قابل اعتماد بودن مخازن را درک خواهند کرد. امروزه، تعداد فزاینده‌ای از آژانس‌های تامین مالی، مجلات و سایر ذینفعان از تولیدکنندگان داده می‌خواهند که داده‌های خود را به اشتراک بگذارند، بایگانی کنند و برای مدیریت داده‌های خود برنامه‌ریزی کنند. به منظور پاسخگویی به این الزامات، محققان و متخصصان اطلاعات به دانش و مهارت‌های مدیریت داده نیاز دارند که از حفظ طولانی‌مدت، دسترسی و استفاده مجدد از داده‌ها پشتیبانی می‌کند. مدیریت مؤثر داده‌ها همچنین می‌تواند به بهینه‌سازی خروجی‌های تحقیقاتی، افزایش تأثیر پژوهش و حمایت از تحقیقات علمی باز کمک کند. پس از تکمیل این دوره، فراگیران برای مدیریت داده ها در کل چرخه عمر داده های تحقیق از برنامه ریزی پروژه تا پایان پروژه، زمانی که داده ها به طور ایده آل به اشتراک گذاشته می شوند و در یک مخزن قابل اعتماد در دسترس قرار می گیرند، مجهزتر خواهند بود. این دوره توسط پروژه Curating Research Assets and Data Using Lifecycle Education (CRADLE) با همکاری EDINA در دانشگاه ادینبورگ تهیه شده است. این دوره تا حدی توسط موسسه خدمات موزه و کتابخانه تحت جایزه #RE-06-13-0052-13 امکان پذیر شد. دیدگاه‌ها، یافته‌ها، نتیجه‌گیری‌ها یا توصیه‌های بیان شده در مدیریت داده‌های پژوهشی و اشتراک‌گذاری MOOC لزوماً بیانگر دیدگاه‌های مؤسسه خدمات موزه و کتابخانه نیست. هشتگ: #RDMSmooc

Suggestions