Course catalog

Course duration

Course provider

Topic

Categories

Showing 461-480 of 587 items.

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

coursera مدیریت، توصیف و تجزیه و تحلیل داده ها (Mitalearn-327451)

  • 5 hours 33 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Wendy Martin
درباره این دوره:

در این دوره آموزشی، اصول اولیه درک داده هایی که در اختیار دارید و اینکه چرا طبقه بندی صحیح داده ها اولین قدم برای تصمیم گیری صحیح است را خواهید آموخت. با استفاده از آمار توصیفی و نرم افزار R داده ها را به صورت گرافیکی و عددی توصیف خواهید کرد. چهار توزیع احتمال که معمولاً در تجزیه و تحلیل داده ها استفاده می شود را یاد خواهید گرفت. شما مجموعه داده ها را با استفاده از توزیع احتمال مناسب تجزیه و تحلیل خواهید کرد. در نهایت، شما اصول اولیه خطای نمونه گیری، توزیع نمونه گیری و خطا در تصمیم گیری را خواهید آموخت. 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.

coursera مسائل اخلاقی در علم داده (Mitalearn-327434)

  • 6 hours 46 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Bobby Schnabel
درباره این دوره:

برنامه های کاربردی محاسباتی شامل مقادیر زیادی داده - حوزه علم داده - بر زندگی اکثر مردم در ایالات متحده و جهان تأثیر می گذارد. این تأثیرات شامل توصیه‌هایی است که سیستم‌های مبتنی بر اینترنت به ما ارائه می‌کنند، اطلاعاتی که در مورد ما به صورت آنلاین در دسترس است، تکنیک‌هایی که برای امنیت و نظارت استفاده می‌شوند، داده‌هایی که در مراقبت‌های بهداشتی استفاده می‌شوند و بسیاری موارد دیگر. در بسیاری از موارد، آنها تحت تأثیر تکنیک های هوش مصنوعی و یادگیری ماشینی قرار می گیرند. این دوره به بررسی برخی از مسائل اخلاقی مرتبط با علم داده می پردازد، با هدف اساسی آگاه کردن متخصصان علوم داده و حساس کردن آنها به ملاحظات اخلاقی که ممکن است در حرفه آنها ایجاد شود. این کار را از طریق ترکیبی از بحث در مورد چارچوب‌های اخلاقی، بررسی انواع کاربردهای علم داده که منجر به ملاحظات اخلاقی می‌شود، مطالعه رسانه‌ها و مقالات علمی فعلی، و استفاده از دیدگاه‌ها و تجربیات دانشجویان دیگر و متخصصان محاسبات انجام می‌دهد. مسائل اخلاقی در علم داده 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، در نظر گرفت. 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.

coursera مسیر بینش: مدل‌های داده و خطوط لوله (Mitalearn-336478)

  • 2 hours 11 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Google Career Certificates
درباره این دوره:

این دومین دوره از سه دوره در گواهی هوش تجاری گوگل است. در این دوره، مدل سازی داده ها و نحوه طراحی پایگاه های داده را بررسی خواهید کرد. سپس در مورد فرآیندهای استخراج، تبدیل، بارگذاری (ETL) که داده‌ها را از سیستم‌های منبع استخراج می‌کنند، آن‌ها را به قالب‌هایی تبدیل می‌کنند که امکان تجزیه و تحلیل را فراهم می‌کنند و فرآیندها و اهداف تجاری را هدایت می‌کنند، آشنا می‌شوید. کارمندان Google که در حال حاضر در BI کار می‌کنند، با ارائه فعالیت‌های عملی که وظایف شغلی را شبیه‌سازی می‌کنند، به اشتراک‌گذاری نمونه‌هایی از کارهای روزانه‌شان، و کمک به شما در ایجاد مهارت‌های هوش تجاری برای آماده شدن برای شغلی در این زمینه، شما را در این دوره راهنمایی می‌کنند. . فراگیرانی که سه دوره را در این برنامه گواهینامه تکمیل می کنند، مهارت های لازم برای درخواست مشاغل هوش تجاری را خواهند داشت. این برنامه گواهی، دانش قبلی از اصول، مهارت‌ها و ابزارهای پایه تحلیلی تحت پوشش گواهی Google Data Analytics را فرض می‌کند. در پایان این دوره، شما: -تعیین کنید کدام مدل داده برای نیازهای مختلف کسب و کار مناسب است -تفاوت بین ایجاد و تعامل با یک مدل داده را توضیح دهید -ایجاد مدل های داده برای پاسخگویی به انواع مختلف سوالات -بخش های فرآیند استخراج، تبدیل، بارگذاری (ETL) و ابزارهای مورد استفاده در ETL را توضیح دهید. -آشنایی با فرآیندها و ابزارهای استخراج برای سیستم های مختلف ذخیره سازی داده ها -طراحی فرآیند ETL که نیازهای سازمانی و ذینفعان را برآورده کند -طراحی خطوط لوله داده برای خودکارسازی فرآیندهای BI

coursera مشکلات کسب و کار را با هوش مصنوعی و یادگیری ماشین حل کنید (Mitalearn-333418)

  • 2 hours 4 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Renée Cummings
درباره این دوره:

هوش مصنوعی (AI) و یادگیری ماشین (ML) به بخشی ضروری از مجموعه ابزار برای بسیاری از سازمان‌ها تبدیل شده‌اند. هنگامی که این ابزارها به طور مؤثر مورد استفاده قرار می گیرند، بینش عملی ارائه می دهند که تصمیمات حیاتی را هدایت می کند و سازمان ها را قادر می سازد محصولات و خدمات هیجان انگیز، جدید و نوآورانه ایجاد کنند. این اولین دوره از چهار دوره در گواهینامه حرفه ای متخصص هوش مصنوعی (CAIP) است. این دوره به عنوان نقطه ورود به دنیای AI/ML در نظر گرفته شده است. در مورد مشکلات تجاری که AI/ML می تواند حل کند و همچنین فناوری های AI/ML خاصی که می تواند آنها را حل کند، آشنا خواهید شد. علاوه بر این، یک نمای کلی از گردش کار کلی مربوط به یادگیری ماشین، و همچنین ابزارها و سایر منابعی که از آن پشتیبانی می‌کنند، دریافت خواهید کرد. این دوره همچنین اهمیت اخلاق در AI/ML را ترویج می کند و تکنیک هایی را برای رسیدگی به چالش های اخلاقی در اختیار شما قرار می دهد. در نهایت، این دوره شما را در مورد "چرا؟" فکر می کند. از AI/ML، و تضمین می کند که کارهای فنی بیشتر شما در دوره های بعدی با اهداف تجاری واضح در ذهن انجام می شود.

coursera مصاحبه، مذاکره در مورد پیشنهاد شغلی، و برنامه ریزی شغلی (Mitalearn-329508)

  • مبتدی
  • Release date: 27 June 2026
  • Author: Camille Funk
درباره این دوره:

خود را برای مصاحبه و استخدام در زمینه DS/AI آماده کنید. در این دوره به مواردی که قبل، حین و بعد از مصاحبه باید انجام شود، خواهیم پرداخت. ما همچنین نکات و ترفندهایی را در مورد نحوه تمرین برای بخش اصلی مصاحبه های علم داده ارائه خواهیم کرد: مصاحبه فنی. در نهایت، این دوره بهترین شیوه ها برای پذیرش یا رد پیشنهاد شغلی، مذاکرات حقوق و دستمزد و نحوه ایجاد یک برنامه توسعه شغلی را پوشش می دهد. در پایان این دوره، دانشجویان قادر خواهند بود: • به یاد بیاورید که چه اقداماتی باید قبل، در حین و بعد از مصاحبه انجام شود. • در مورد طرح آماده سازی مصاحبه فنی بحث کنید. • بهترین شیوه های پذیرش یا رد پیشنهاد شغلی را شناسایی کنید. • یک برنامه توسعه شغلی ایجاد کنید.

coursera مطالعات موردی در تجزیه و تحلیل کسب و کار با ACCENTURE (Mitalearn-335781)

  • 2 hours 7 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Nicolas Glady
درباره این دوره:

این دوره برای چه کسانی است؟ این دوره محدود به دانش‌آموزانی است که در تخصص تجزیه و تحلیل کسب‌وکار استراتژیک ثبت‌نام کرده‌اند، به‌عنوان آماده‌سازی برای پروژه اصلی. در طول دو MOOC اول، ما بر روی تکنیک های خاص برای برنامه های خاص تمرکز کردیم. در عوض، با این MOOC سوم، نمونه‌های مختلفی را در اختیار شما قرار می‌دهیم تا ذهن شما را به روی برنامه‌های کاربردی مختلف از صنایع و بخش‌های مختلف باز کند. هدف این است که به شما یک دید کلی از هلیکوپتر در مورد آنچه در این زمینه اتفاق می افتد ارائه دهیم. خواهید دید که چگونه از ابزارهای ارائه شده در دو دوره قبلی Specialization در پروژه های واقعی استفاده می شود. ما می خواهیم روند بازتاب شما را روشن کنیم. از این رو، ابتدا با تماشای MOOC و سپس بررسی مفاهیم مختلف، صنایع یا چالش‌هایی که در طول ویدیوها معرفی می‌شوند، از موارد Accenture بهترین استفاده را خواهید کرد. در پایان این دوره فراگیران قادر خواهند بود: - شناسایی کاربردهای احتمالی تجزیه و تحلیل تجاری، - از این رو، در مورد راه حل های ممکن و برنامه های کاربردی ارزش افزوده ای که می تواند برای پروژه اصلی آنها پیشنهاد شود، فکر کنید. موارد توسط پزشکان ارشد از Accenture با سوابق مختلف از نظر صنعت، عملکرد و کشور ارائه خواهد شد. توجه ویژه ای به "مورد ارزش" موضوع مطرح شده برای آماده سازی شما برای پروژه ی اصلی تخصص خواهد بود. درباره Accenture Accenture یک شرکت خدمات حرفه ای پیشرو در جهان است که طیف گسترده ای از خدمات و راه حل ها را در زمینه استراتژی، مشاوره، دیجیتال، فناوری و عملیات ارائه می دهد. Accenture با تلفیق تجربه بی بدیل و مهارت های تخصصی در بیش از 40 صنعت و همه عملکردهای تجاری - که تحت حمایت بزرگترین شبکه تحویل در جهان است - در تقاطع تجارت و فناوری کار می کند تا به مشتریان کمک کند عملکرد خود را بهبود بخشند و ارزش پایدار برای سهامداران خود ایجاد کنند. Accenture با بیش از 358000 نفر که در بیش از 120 کشور به مشتریان خدمات می دهند، نوآوری را برای بهبود شیوه کار و زندگی در جهان هدایت می کند. از ما در www.accenture.com دیدن کنید.

coursera معیارهای کسب و کار برای شرکت های داده محور (Mitalearn-334455)

  • 3 hours 57 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Daniel Egger,Jana Schaich Borg
درباره این دوره:

در این دوره آموزشی، بهترین شیوه ها را برای نحوه استفاده از تجزیه و تحلیل داده ها برای رقابتی تر و سودآورتر کردن هر شرکتی یاد خواهید گرفت. شما قادر خواهید بود مهم ترین معیارهای تجاری را بشناسید و آنها را از داده های صرف متمایز کنید. تصویر واضحی از نقش های حیاتی اما متفاوتی که تحلیلگران کسب و کار، تحلیلگران داده های کسب و کار و دانشمندان داده هر کدام در انواع مختلف شرکت ها ایفا می کنند، دریافت خواهید کرد. و شما دقیقا می دانید که برای چه مهارت هایی باید استخدام شوید و در این مشاغل پرتقاضا موفق شوید. در نهایت، می‌توانید از چک لیست ارائه شده در دوره برای امتیازدهی به هر شرکتی در مورد میزان تأثیرگذاری فرهنگ داده‌های بزرگ استفاده کنید. شرکت‌های دیجیتالی مانند آمازون، اوبر و Airbnb با استفاده خلاقانه از داده‌های بزرگ، کل صنایع را متحول می‌کنند. متوجه خواهید شد که چرا این شرکت‌ها اینقدر مخرب هستند و چگونه از تکنیک‌های تجزیه و تحلیل داده‌ها برای پیشی گرفتن از شرکت‌های سنتی استفاده می‌کنند.

coursera مقابله با داده های از دست رفته (Mitalearn-335067)

  • 3 hours 24 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Richard Valliant, Ph.D.
درباره این دوره:

این دوره شامل مراحل مورد استفاده در وزن دهی به نظرسنجی های نمونه، از جمله روش های تنظیم برای عدم پاسخگویی و استفاده از داده های خارج از نظرسنجی برای کالیبراسیون می شود. در میان تکنیک های مورد بحث، تنظیمات با استفاده از تمایلات پاسخ تخمین زده، پس طبقه بندی، رتبه بندی و برآورد رگرسیون عمومی است. تکنیک‌های جایگزین برای برانگیختن مقادیر برای آیتم‌های گمشده مورد بحث قرار خواهند گرفت. هم برای وزن دهی و هم برای محاسبه، قابلیت های بسته های نرم افزاری آماری مختلف شامل R®، Stata® و SAS® پوشش داده خواهد شد.

coursera مقدمه ای بر Microsoft Azure Synapse Analytics (Mitalearn-331089)

  • 1 hours 12 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

در این دوره، یاد خواهید گرفت که چگونه Azure Synapse Analytics شما را قادر می‌سازد تا انواع مختلفی از تجزیه و تحلیل‌ها را از طریق اجزای خود انجام دهید که می‌توان از آنها برای ساخت انبارهای داده مدرن تا راه‌حل‌های تحلیلی پیشرفته استفاده کرد. شما خواهید آموخت که چگونه Azure Synapse Analytics مسئله داشتن یک سرویس واحد را برای برآورده کردن طیف گسترده ای از الزامات تجزیه و تحلیلی که امروزه سازمان ها با آن مواجه هستند حل می کند و یک تور از برنامه اصلی مورد استفاده برای تعامل با اجزای مختلف Azure Synapse Analytics را مرور خواهید کرد. شما اجزای مختلف Azure Synapse Analytics را یاد خواهید گرفت که به شما امکان می دهد راه حل های تحلیلی خود را در یک مکان بسازید. این دوره بخشی از یک تخصص در نظر گرفته شده برای مهندسین داده و توسعه دهندگان است که می خواهند تخصص خود را در طراحی و پیاده سازی راه حل های داده ای که از خدمات داده Microsoft Azure استفاده می کنند برای هر کسی که علاقه مند به آماده شدن برای آزمون DP-203: مهندسی داده در Microsoft Azure (بتا) نشان دهد. ). این چهارمین دوره از یک برنامه 10 دوره ای است که به شما کمک می کند تا برای شرکت در آزمون آماده شوید تا بتوانید در طراحی و پیاده سازی راه حل های داده ای که از خدمات داده مایکروسافت آژور استفاده می کنند تخصص داشته باشید. مهندسی داده در آزمون Microsoft Azure فرصتی برای اثبات تخصص دانش در یکپارچه‌سازی، تبدیل و تلفیق داده‌ها از سیستم‌های داده‌های مختلف ساختاریافته و بدون ساختار به ساختارهایی است که برای ساخت راه‌حل‌های تحلیلی که از خدمات داده مایکروسافت آژور استفاده می‌کنند، مناسب هستند. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند. در پایان این تخصص، شما آماده شرکت و ثبت نام در آزمون DP-203: مهندسی داده در Microsoft Azure (بتا) خواهید بود.

coursera مقدمه ای بر Neurohacking در R (Mitalearn-332976)

  • 4 hours 36 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Dr. Elizabeth Sweeney ,Ciprian M. Crainiceanu,John Muschelli III
درباره این دوره:

Neurohacking نحوه استفاده از زبان برنامه نویسی R (https://cran.r-project.org/) و بسته مرتبط با آن را برای انجام دستکاری، پردازش و تجزیه و تحلیل داده های تصویربرداری عصبی توضیح می دهد. ما بر روی تصویربرداری تشدید مغناطیسی ساختاری (MRI) در دسترس عموم تمرکز می‌کنیم. ما مفاهیمی مانند تصحیح ناهمگنی، ثبت تصویر و تجسم تصویر را مورد بحث قرار می دهیم. در پایان این دوره، شما قادر خواهید بود: خواندن/نوشتن تصاویر مغز در قالب NIfTI (ابتکار فناوری اطلاعات انفورماتیک عصبی) این تصاویر را تجسم و کشف کنید تصحیح ناهمگنی، استخراج مغز و ثبت تصویر (در یک موضوع و یک الگو) را انجام دهید.

coursera مقدمه ای بر PyMC3 برای مدل سازی و استنتاج بیزی (Mitalearn-329661)

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

هدف از این دوره معرفی PyMC3 برای مدل سازی و استنتاج بیزی است، شرکت کنندگان با یادگیری اصول اولیه PyMC3 شروع می کنند و یاد می گیرند که چگونه استنتاج مقیاس پذیر را برای مسائل مختلف انجام دهند. این دوره نهایی در یک تخصص از سه دوره خواهد بود. از نوت بوک های پایتون و ژوپیتر در طول این دوره برای نشان دادن و انجام مدل سازی بیزی با PyMC3 استفاده می شود. وب سایت دوره در آدرس https://sjster.github.io/introduction_to_computational_statistics قرار دارد. /docs/index.html. 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. مدرس این دوره دکتر Srijith Rajamohan خواهد بود.

Suggestions