Course catalog

Course duration

Course provider

Topic

Categories

Showing 461-480 of 536 items.

coursera مدل سازی رگرسیون در عمل (Mitalearn-335713)

  • 3 hours 4 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jen Rose,Lisa Dierker
درباره این دوره:

این دوره بر یکی از مهمترین ابزارها در زرادخانه تجزیه و تحلیل داده شما تمرکز دارد: تجزیه و تحلیل رگرسیون. با استفاده از SAS یا Python، با رگرسیون خطی شروع می‌کنید و سپس یاد می‌گیرید که چگونه وقتی دو متغیر رابطه خطی واضحی ندارند، سازگار شوید. شما چندین پیش بینی کننده نتیجه خود را بررسی خواهید کرد و قادر خواهید بود متغیرهای گیج کننده را شناسایی کنید، که می تواند داستان قانع کننده تری در مورد نتایج شما بیان کند. شما با مفروضات زیربنایی تحلیل رگرسیون، نحوه تفسیر ضرایب رگرسیون، و نحوه استفاده از نمودارهای تشخیصی رگرسیون و سایر ابزارها برای ارزیابی کیفیت مدل رگرسیون خود آشنا خواهید شد. در طول دوره، مدل‌های رگرسیونی را که ایجاد کرده‌اید و داستان‌هایی که به شما می‌گویند را با دیگران به اشتراک می‌گذارید.

coursera مدل سازی سری های زمانی و داده های متوالی (Mitalearn-331939)

  • 5 hours 7 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Chip Wells,Ari Zitin,Danny Modlin
درباره این دوره:

در این دوره شما یاد می گیرید که مدل هایی را بسازید، اصلاح کنید، برون یابی کنید، و در برخی موارد، مدل هایی را که برای یک سری متوالی طراحی شده اند، تفسیر کنید. سه رویکرد مدلسازی ارائه شده است. رویکرد سنتی، باکس جنکینز برای مدل‌سازی سری‌های زمانی در بخش اول دوره پوشش داده شده است. این ارائه دانش‌آموزان را از مدل‌های داده‌های ثابت یا ARMA به مدل‌های روند و فصلی، ARIMA منتقل می‌کند و با اطلاعاتی در مورد مشخص کردن اجزای تابع انتقال در یک مدل ARIMAX یا رگرسیون سری زمانی به پایان می‌رسد. رویکرد بیزی برای مدل‌سازی سری‌های زمانی بعدی در نظر گرفته می‌شود. چارچوب بیزی پایه برای تطبیق تغییرات خودرگرسیون در داده ها و همچنین اثرات متغیر ورودی پویا گسترش یافته است. الگوریتم های یادگیری ماشین برای سری های زمانی رویکرد سوم است. تقویت گرادیان و الگوریتم های شبکه عصبی مکرر به ویژه برای تطبیق روابط غیرخطی در داده ها مناسب هستند. مثال هایی برای ایجاد شهود در استفاده موثر از این الگوریتم ها ارائه شده است. این دوره با در نظر گرفتن اینکه چگونه می توان با ترکیب نقاط قوت رویکردهای مختلف، دقت پیش بینی را بهبود بخشید، به پایان می رسد. درس آخر شامل نمایش هایی در مورد ایجاد پیش بینی های مدل ترکیبی (یا مجموعه ای) و ترکیبی است. این دوره برای تحلیلگرانی که علاقه مند به تقویت مهارت های یادگیری ماشینی خود با ابزارهای تجزیه و تحلیل مناسب برای سنجش، اصلاح، مدل سازی، پیش بینی و مدیریت داده هایی هستند که متشکل از متغیرهایی هستند که در طول زمان جمع آوری می شوند، مناسب است. در این دوره از ابزارهای نرم افزاری مختلف استفاده می شود. آشنایی با Base SAS، SAS/ETS، SAS/STAT و SAS Visual Forecasting و همچنین ابزارهای منبع باز برای پردازش و مدل‌سازی متوالی داده‌ها مفید است اما لازم نیست. درس‌های تحلیل بیزی و مدل‌های یادگیری ماشین، دانش قبلی از این موضوعات را فرض می‌کنند. یکی از راه‌هایی که دانش‌آموزان می‌توانند این پیش‌زمینه را کسب کنند، تکمیل این دوره‌های آموزشی SAS است: تحلیل‌های بیزی با استفاده از SAS و یادگیری ماشین با استفاده از SAS Viya.

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 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 مدیریت پایگاه های داده رابطه ای (Mitalearn-318577)

  • 4 hours 51 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Shadow Farrell
درباره این دوره:

در مدیریت پایگاه‌های داده رابطه‌ای، با ساختار، طراحی و استفاده از زمینه‌های کلیدی اولیه و خارجی آشنا می‌شوید که شما را به دانش پایه مجهز می‌کند. پس از اتمام این دوره، شما قادر خواهید بود: ● در استفاده از زبان پرس و جو ساختاریافته (SQL) مسلط شوید و از آن برای تجزیه و تحلیل ساختارهای پایگاه داده استفاده کنید ● پایگاه داده ها، جداول و رکوردها را ایجاد و مدیریت کنید ● تجزیه و تحلیل داده ها را با استفاده از پرس و جوهای اولیه SQL، عبارات شرطی و مقایسه منطقی انجام دهید ● داده های خروجی را با استفاده از SQL کنترل کنید ● پرس و جوهای پیچیده را با استفاده از پیوندها و پرسش های فرعی ایجاد کنید در طول این دوره، آزمایشگاه‌های عملی تجربه عملی در کار با SQL و دستکاری پایگاه‌های داده را ارائه می‌دهند. در پایان این دوره، شما پروژه ای را تکمیل می کنید که به شما امکان می دهد دانش و مهارت هایی را که در طول دوره آموخته اید به نمایش بگذارید.

coursera مدیریت تجزیه و تحلیل داده ها (Mitalearn-299792)

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

این دوره یک هفته ای فرآیند تجزیه و تحلیل داده ها و نحوه مدیریت آن فرآیند را شرح می دهد. ما ماهیت تکراری تجزیه و تحلیل داده ها و نقش بیان یک سوال واضح، تجزیه و تحلیل داده های اکتشافی، استنتاج، مدل سازی آماری رسمی، تفسیر و ارتباطات را توصیف می کنیم. علاوه بر این، نحوه هدایت فعالیت های تحلیلی در یک تیم و هدایت فرآیند تجزیه و تحلیل داده ها به سمت نتایج منسجم و مفید را شرح خواهیم داد. این یک دوره متمرکز طراحی شده است تا شما را به سرعت در مورد فرآیند تجزیه و تحلیل داده ها و نحوه مدیریت آن آگاه کند. هدف ما این بود که این کار را تا حد امکان برای شما راحت کنیم بدون اینکه هیچ محتوای ضروری را قربانی کنیم. ما اطلاعات فنی را کنار گذاشته‌ایم تا بتوانید روی مدیریت تیم خود و پیشبرد آن تمرکز کنید. پس از گذراندن این دوره خواهید آموخت که چگونه…. 1. تکرار تجزیه و تحلیل داده های اساسی را شرح دهید 2. انواع مختلف سوالات را شناسایی کنید و آنها را به مجموعه داده های خاص ترجمه کنید 3. انواع مختلف کشش داده را شرح دهید 4. مجموعه داده ها را برای تعیین اینکه آیا داده ها برای یک سوال معین مناسب هستند کاوش کنید 5. تلاش های ساخت مدل مستقیم در تجزیه و تحلیل داده های رایج 6. نتایج حاصل از تجزیه و تحلیل داده های رایج را تفسیر کنید 7. ادغام یافته های آماری برای تشکیل ارائه های تجزیه و تحلیل داده های منسجم تعهد: 1 هفته مطالعه، 4-6 ساعت تصویر جلد دوره توسط fdecomite. Creative Commons توسط https://flic.kr/p/4HjmvD

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 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 مشاغل در پایداری (Mitalearn-348259)

  • مبتدی
  • Release date: 27 June 2026
  • Author: Christopher Boone
درباره این دوره:

این دوره مقدمه ای بر مشاغل پایدار است که در درجه اول بر نقش یک تحلیلگر پایداری در سازمان های دولتی و خصوصی تمرکز دارد. از طریق ترکیبی از ویدئو، چاپ، بررسی همتایان، و محتوای تعاملی، یادگیرندگان قادر خواهند بود پایداری و ویژگی‌های شغل یک تحلیلگر پایداری را در یک سازمان توضیح دهند. این دوره حول دو عنصر تشکیل شده است: دانش موضوعی و کاربرد عملی. در طول دوره، فراگیران می توانند آنچه را که می آموزند تمرین کنند و از همسالان خود بازخورد بگیرند تا مهارت های خود را ایجاد کنند. به‌علاوه، بررسی‌های دانش نقاط عطفی را برای یادگیرندگان فراهم می‌کند تا اطمینان حاصل شود که اطلاعات لازم در مورد هر موضوع ارائه شده را درک می‌کنند. هر ماژول با یک ویدیو شروع می شود که مفاهیم تدریس شده در درس را معرفی می کند، از جمله مصاحبه با اساتید دانشکده پایداری ASU. فعالیت های تعاملی و کاربرد عملی برای تجربه یادگیرنده در این دوره مرکزی هستند. آنها شامل شرکت در تجربیات مینی برنامه، امتحان کردن مهارت های زندگی واقعی با بازخورد متخصص، و ایجاد ابزارهای شخصی سازی شده مانند اسلایدهای ارائه و قالب های صفحه گسترده برای استفاده در نقش در روز اول کار جدید هستند. فعالیت‌های تعاملی و عملی به طور خاص برای آموزش نه تنها مهارت‌های پایداری، بلکه مهارت‌های حرفه‌ای مانند نوشتن حرفه‌ای، مهارت‌های ارائه، و برگزاری جلسات ویدیویی موفق طراحی شده‌اند. این ترکیب از مهارت های عملی و محتوای تخصصی این دوره را به پایه ای منحصر به فرد برای بقیه تخصص ها تبدیل می کند.

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.

linkedin مقدمه ای بر Stata 15 (Mitalearn-151314)

  • 4 hours 26 minutes
  • مبتدی
  • Update date: 25 July 2026
  • Author: Franz Buscha
درباره این دوره:

یادگیری و به کارگیری تکنیک های آماری جدید اغلب می تواند یک تجربه دلهره آور باشد. نرم افزاری مانند Stata، یک بسته نرم افزاری آماری یکپارچه، می تواند کمک کند. Stata چابک و آسان برای استفاده، خودکارسازی و گسترش است و به شما کمک می کند تا برای مجموعه داده های بسیار بزرگ دستکاری، تجسم و مدل سازی داده ها را انجام دهید. در این دوره، فرانتس بوشا مقدمه ای جامع بر Stata و کاربردهای مختلف آن در تحلیل داده های مدرن ارائه می دهد. گزینه های مختلفی را که Stata در دستکاری، کاوش، تجسم و مدل سازی انواع پیچیده داده به شما می دهد، مرور کنید. کاربرد عملی - و تفسیر - تکنیک های آماری رایج مانند تجزیه و تحلیل توزیعی و رگرسیون بر روی داده های واقعی را کاوش کنید. هر درس نقاط قوت برنامه را نشان می دهد و به شما یک پایه محکم برای انجام تجزیه و تحلیل کمی خود می دهد.

توجه: این دوره با استفاده از نسخه 15 Stata ثبت شده است، اما همه پوشش ها دقیق و به روز هستند. برای نسخه های 15 و 16.

Suggestions