Course catalog

Course duration

Course provider

Topic

Categories

Showing 501-520 of 600 items.

coursera مقدمه ای بر تابلو (Mitalearn-328488)

  • 1 hours 26 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Tableau Learning Partner Instructor
درباره این دوره:

دوره مقدماتی تابلو به شما درک درستی از ارزش تجسم داده ها می دهد. شما یاد خواهید گرفت که چگونه داده ها را از قبل پردازش کنید و چگونه داده ها را از چندین جدول موجود در یک منبع داده و همچنین سایر منابع داده در Tableau Public ترکیب کنید. شما مهارت هایی را برای استفاده از تجسم داده ها به عنوان ابزاری قدرتمند برای تصمیم گیری آگاهانه ایجاد خواهید کرد. 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: - ارزش تجسم داده ها را در زمینه تجزیه و تحلیل کسب و کار توصیف کنید. -پیش پردازش داده ها در Tableau Public. -ترکیب داده ها از چندین جداول موجود در یک منبع داده و همچنین سایر منابع داده در Tableau Public.

coursera مقدمه ای بر تجارت، یادگیری ماشین و GCP (Mitalearn-332347)

  • 4 hours
  • متوسط
  • Release date: 23 June 2026
  • Author: Jack Farmer
درباره این دوره:

در این دوره آموزشی، با اصول معاملاتی، از جمله مفهوم روند، بازده، توقف ضرر و نوسانات آشنا خواهید شد. شما یاد خواهید گرفت که چگونه منبع سود و ساختار استراتژی های معاملاتی کمی را شناسایی کنید. این دوره به شما کمک می‌کند اندازه‌گیری کنید که مدل چقدر یادگیری خود را تعمیم می‌دهد، تفاوت‌های بین رگرسیون و پیش‌بینی را توضیح می‌دهد و مراحل مورد نیاز برای ایجاد پشتیبان‌های توسعه و پیاده‌سازی را شناسایی می‌کند. در پایان دوره، می‌توانید از Google Cloud Platform برای ساخت مدل‌های یادگیری ماشینی اولیه در نوت‌بوک‌های Jupyter استفاده کنید. برای موفقیت در این دوره، باید صلاحیت پیشرفته در برنامه نویسی پایتون و آشنایی با کتابخانه های مربوط به یادگیری ماشین، مانند Scikit-Learn، StatsModels و Pandas داشته باشید. تجربه با SQL توصیه می شود. شما باید پیشینه ای در زمینه آمار (مقادیر مورد انتظار و انحراف استاندارد، توزیع های گاوسی، ممان های بالاتر، احتمال، رگرسیون های خطی) و دانش پایه ای از بازارهای مالی (سهام، اوراق قرضه، مشتقات، ساختار بازار، پوشش ریسک) داشته باشید.

coursera مقدمه ای بر تجزیه و تحلیل داده ها با استفاده از اکسل (Mitalearn-213194)

  • 3 hours 18 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Sharad Borle
درباره این دوره:

استفاده از اکسل در صنعت بسیار گسترده است. این یک ابزار تجزیه و تحلیل داده بسیار قدرتمند است و تقریباً همه مشاغل بزرگ و کوچک از Excel در عملکرد روزمره خود استفاده می کنند. این یک دوره مقدماتی در استفاده از اکسل است و طراحی شده است تا دانش کاری اکسل را به شما بدهد تا بعداً از آن برای موضوعات پیشرفته تر در آمار کسب و کار استفاده کنید. این دوره با در نظر گرفتن دو نوع یادگیرنده طراحی شده است - کسانی که دانش عملکردی بسیار کمی از اکسل دارند و کسانی که به طور منظم اما در سطح پیرامونی از اکسل استفاده می کنند و می خواهند مهارت های خود را افزایش دهند. این دوره شما را از عملیات اساسی مانند خواندن داده ها به اکسل با استفاده از فرمت های مختلف داده، سازماندهی و دستکاری داده ها تا برخی از عملکردهای پیشرفته تر اکسل می برد. در طول این مدت، عملکرد اکسل با استفاده از مثال‌های قابل فهم معرفی می‌شود که به گونه‌ای نشان داده می‌شوند که زبان‌آموزان بتوانند در درک و استفاده از آنها راحت باشند. برای انجام موفقیت آمیز تکالیف دوره، دانش آموزان باید به نسخه ویندوز Microsoft Excel 2010 یا جدیدتر دسترسی داشته باشند. _____________________________________ هفته 1 ماژول 1: مقدمه ای بر صفحات گسترده در این ماژول با استفاده از صفحات گسترده اکسل و توابع مختلف داده پایه اکسل آشنا می شوید. موضوعات تحت پوشش عبارتند از: • خواندن داده ها در اکسل با استفاده از فرمت های مختلف • توابع اساسی در اکسل، حسابی و همچنین توابع مختلف منطقی • قالب بندی سطرها و ستون ها • استفاده از فرمول ها در اکسل و کپی و پیست آنها با استفاده از ارجاع مطلق و نسبی _____________________________________ هفته 2 ماژول 2: توابع صفحه گسترده برای سازماندهی داده ها این ماژول توابع مختلف اکسل را برای سازماندهی و جستجوی داده ها معرفی می کند. زبان آموزان با توابع IF، تو در تو، VLOOKUP و HLOOKUP اکسل آشنا می شوند. موضوعات تحت پوشش عبارتند از: • IF و توابع IF تو در تو • VLOOKUP و HLOOKUP • تابع RANDBETWEEN _____________________________________ هفته 3 ماژول 3: مقدمه ای بر فیلتر کردن، جداول محوری و نمودارها این ماژول قابلیت های مختلف فیلتر داده اکسل را معرفی می کند. شما یاد خواهید گرفت که چگونه فیلترهایی را در داده ها برای دسترسی انتخابی به داده ها تنظیم کنید. ابزار جمع بندی داده های بسیار قدرتمند، Pivot Table نیز توضیح داده شده است و ما شروع به معرفی ویژگی نمودار اکسل می کنیم. موضوعات تحت پوشش عبارتند از: • VLOOKUP در صفحات کاری • فیلتر کردن داده ها در اکسل • استفاده از جداول محوری با داده های دسته بندی و همچنین عددی • آشنایی با قابلیت نمودار نویسی اکسل _____________________________________ هفته 4 ماژول 4: نمودار و نمودارهای پیشرفته این ماژول به بررسی تکنیک های مختلف نمودار و نمودارهای پیشرفته موجود در اکسل می پردازد. با شروع با نمودارهای مختلف خطی، میله ای و دایره ای، نمودارهای محوری، نمودارهای پراکندگی و هیستوگرام ها را معرفی می کنیم. شما می توانید این نمودارهای مختلف را درک کنید و خودتان آنها را بسازید. موضوعات تحت پوشش شامل • نمودارهای خط، میله و دایره • نمودارهای محوری • نمودارهای پراکنده • هیستوگرام ها

coursera مقدمه ای بر تجزیه و تحلیل داده ها برای حرفه ای های حسابداری (Mitalearn-328522)

  • 2 hours 30 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: AICPA
درباره این دوره:

این دوره مبانی تجزیه و تحلیل داده ها و نحوه انجام و اعمال آن در پروژه های سازمان شما را پوشش می دهد. این شامل موارد زیر است: - داشتن ذهنیت داده محور به چه معناست؟ داشتن طرز فکر صحیح به شما این امکان را می دهد که مشکلی را که باید حل شود درک کنید و تصمیمات مناسب مبتنی بر داده را در زمینه استراتژی و فناوری های سازمان اتخاذ یا توصیه کنید. - ملاحظات کلیدی هنگام شناسایی، ایجاد و اجرای یک پروژه تجزیه و تحلیل داده چیست؟ این دوره مفاهیم و ملاحظات مهم را معرفی و مورد بحث قرار می دهد، بنابراین شما آماده هستید که بدون توجه به تغییر سازمان یا صنعت شما، موثر باشید. این شامل همه چیز از چارچوب بندی مشکل و تعریف محدوده، درک الزامات و شکاف های سازمانی تا کار موثر با سهامداران کلیدی است. - دانش فنی مورد نیاز شما برای درک داده ها چیست؟ چه داده‌هایی که به آنها نگاه می‌کنید، داده‌های مالی یا غیرمالی، ساختاریافته یا بدون ساختار، باید زبان تجزیه و تحلیل داده‌ها را بدانید تا بتوانید به طور مؤثر با همکاران ارتباط برقرار کنید و هنگام استفاده از تجزیه و تحلیل داده‌ها در سازمان خود، ارزش افزوده داشته باشید. با گذراندن این دوره، در موقعیت بهتری برای پرسیدن سؤالات درست، افزودن ارزش بیشتر و بهبود کیفیت خدمات به ذینفعان خود خواهید بود.

coursera مقدمه ای بر تجزیه و تحلیل داده، سیگنال و تصویر با متلب (Mitalearn-330715)

  • 11 hours 50 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Jack Noble
درباره این دوره:

به مقدمه ای بر تجزیه و تحلیل داده، سیگنال و تصویر با متلب خوش آمدید! MATLAB یک زبان برنامه نویسی بسیار همه کاره برای وظایف تجزیه و تحلیل داده، سیگنال و تصویر است. این دوره مقدمه ای در مورد نحوه استفاده از MATLAB برای تجزیه و تحلیل داده، سیگنال و تصویر ارائه می دهد. پس از اتمام دوره، فراگیران متوجه خواهند شد که چگونه می توان از روش های یادگیری ماشین در MATLAB برای طبقه بندی و پیش بینی داده ها استفاده کرد. نحوه انجام تجسم داده ها، از جمله تجسم داده ها برای مجموعه داده های با ابعاد بالا. نحوه انجام روش های پردازش و تجزیه و تحلیل تصویر، از جمله فیلتر کردن تصویر و تقسیم بندی تصویر؛ و نحوه انجام وظایف رایج آنالیز سیگنال، از جمله طراحی فیلتر و تحلیل فرکانس.

coursera مقدمه ای بر تحلیل داده ها [coursera] (Mitalearn-326346)

  • 3 hours 44 minutes
  • مبتدی
  • Release date: 27 June 2026
  • Author: Rav Ahuja
درباره این دوره:

برای شروع حرفه ای در تجزیه و تحلیل داده ها آماده هستید اما نمی دانید از کجا شروع کنید؟ این دوره به شما معرفی ملایمی با تجزیه و تحلیل داده ها، نقش یک تحلیلگر داده و ابزارهای مورد استفاده در این شغل می دهد. شما در مورد مهارت ها و مسئولیت های یک تحلیلگر داده یاد خواهید گرفت و از چندین متخصص داده که نکات و توصیه های خود را برای شروع یک حرفه به اشتراک می گذارند، خواهید شنید. این دوره به شما کمک می کند تا بین نقش های تحلیلگران داده، دانشمندان داده و مهندسان داده تفاوت قائل شوید. شما با اکوسیستم داده ها، در کنار پایگاه های داده، انبارهای داده، مارت های داده، دریاچه های داده و خطوط لوله داده آشنا خواهید شد. این سفر هیجان انگیز را ادامه دهید و پلتفرم های Big Data مانند Hadoop، Hive و Spark را کشف کنید. در پایان این دوره شما قادر خواهید بود مبانی فرآیند تجزیه و تحلیل داده ها از جمله جمع آوری، تمیز کردن، تجزیه و تحلیل و به اشتراک گذاری داده ها و ارتباط بینش خود را با استفاده از تجسم ها و ابزارهای داشبورد درک کنید. همه اینها در پروژه نهایی گرد هم می آیند، جایی که دانش شما را از مواد درسی آزمایش می کند و سناریوی واقعی از وظایف تجزیه و تحلیل داده ها را ارائه می دهد. این دوره نیازی به تجزیه و تحلیل داده، صفحه گسترده یا تجربه علوم کامپیوتر ندارد.

coursera مقدمه ای بر تحلیل کسب و کار [coursera] (Mitalearn-328267)

  • 19 minutes
  • مبتدی
  • Release date: 27 June 2026
  • Author: Tableau Learning Partner Instructor
درباره این دوره:

مقدمه ای بر تجزیه و تحلیل کسب و کار به شما مهارت های اساسی در Tableau و تجزیه و تحلیل تجاری را می آموزد. شما با مفاهیم اساسی مانند تجزیه و تحلیل و بینش و مراحل اساسی فرآیند تجزیه و تحلیل کسب و کار آشنا خواهید شد. با انواع مختلف تجزیه و تحلیلی که کسب و کارها استفاده می کنند آشنا خواهید شد و با چارچوب چرخه عمر تجزیه و تحلیل داده ها آشنا خواهید شد. همچنین برخی از مهارت های اساسی مدیریت پروژه را که اغلب توسط تحلیلگران استفاده می شود، یاد خواهید گرفت و به درک بیشتری از سواد داده خواهید رسید. 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 اساسی در مورد نقش تحلیلگر تجاری. -چارچوب چرخه حیات تجزیه و تحلیل داده را شرح دهید. -موضوعات و مهارت های اساسی مدیریت پروژه که توسط یک تحلیلگر BI استفاده می شود را توضیح دهید. -سواد داده و اهمیت آن را برای یک تحلیلگر BI شرح دهید.

coursera مقدمه ای بر تفکر تحلیلی، علم داده و داده کاوی (Mitalearn-333707)

  • 5 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Julie Pai
درباره این دوره:

به مقدمه ای بر تفکر تحلیلی، علم داده و داده کاوی خوش آمدید. در این دوره، ما با کاوش در زمینه و حرفه علم داده با تمرکز بر مهارت ها و ملاحظات اخلاقی مورد نیاز هنگام کار با داده ها شروع می کنیم. ما انواع مشکلات کسب و کار را که علم داده می تواند حل کند را بررسی خواهیم کرد و در مورد کاربرد فرآیند CRISP-DM در تلاش های داده کاوی بحث خواهیم کرد. مروری کوتاه بر تجزیه و تحلیل توصیفی، پیش‌بینی‌کننده و تجویزی ارائه می‌شود، و ما دوره را با یک فعالیت اکتشافی به پایان می‌رسانیم تا درباره ابزارها و منابعی که ممکن است در یک جعبه ابزار علم داده بیابید بیشتر بدانید.

coursera مقدمه ای بر داده های بزرگ (Mitalearn-334421)

  • 4 hours 29 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Ilkay Altintas,Amarnath Gupta
درباره این دوره:

علاقه مند به افزایش دانش خود از چشم انداز کلان داده هستید؟ این دوره برای کسانی است که تازه به علم داده می پردازند و علاقه مند به درک دلیل به وجود آمدن عصر داده های بزرگ هستند. این برای کسانی است که می خواهند با اصطلاحات و مفاهیم اصلی پشت مشکلات، برنامه ها و سیستم های کلان داده آشنا شوند. این برای کسانی است که می خواهند به این فکر کنند که چگونه داده های بزرگ ممکن است در تجارت یا حرفه آنها مفید باشد. مقدمه‌ای بر یکی از رایج‌ترین چارچوب‌ها، Hadoop، ارائه می‌کند که تجزیه و تحلیل کلان داده‌ها را آسان‌تر و در دسترس‌تر کرده است -- افزایش پتانسیل داده‌ها برای تغییر جهان ما! در پایان این دوره، شما قادر خواهید بود: * چشم انداز کلان داده را شامل نمونه هایی از مشکلات داده های بزرگ در دنیای واقعی از جمله سه منبع کلیدی داده های بزرگ: افراد، سازمان ها و حسگرها توصیف کنید. * V از داده های بزرگ (حجم، سرعت، تنوع، صحت، ظرفیت و ارزش) و اینکه چرا هر کدام بر جمع آوری داده ها، نظارت، ذخیره سازی، تجزیه و تحلیل و گزارش تأثیر می گذارد را توضیح دهید. * با استفاده از یک فرآیند 5 مرحله ای برای ساختار تجزیه و تحلیل خود، ارزش داده های بزرگ را بدست آورید. * مشکلات کلان داده را شناسایی کنید و چه چیزهایی را نام ببرید و بتوانید مشکلات کلان داده را به عنوان سؤالات علم داده بازنویسی کنید. * توضیحی در مورد مولفه های معماری و مدل های برنامه نویسی مورد استفاده برای تجزیه و تحلیل داده های بزرگ مقیاس پذیر ارائه دهید. * ویژگی ها و ارزش اجزای پشته Hadoop از جمله سیستم مدیریت منابع و شغل YARN، سیستم فایل HDFS و مدل برنامه نویسی MapReduce را خلاصه کنید. * یک برنامه را با استفاده از Hadoop نصب و اجرا کنید! این دوره برای کسانی است که تازه وارد علم داده می شوند. هیچ تجربه برنامه نویسی قبلی مورد نیاز نیست، اگرچه توانایی نصب برنامه ها و استفاده از ماشین مجازی برای تکمیل تکالیف عملی ضروری است. الزامات سخت افزاری: (الف) پردازنده چهار هسته ای (پشتیبانی VT-x یا AMD-V توصیه می شود)، 64 بیتی؛ (ب) 8 گیگابایت رم؛ (C) 20 گیگابایت دیسک رایگان. نحوه پیدا کردن اطلاعات سخت افزاری خود: (ویندوز): با کلیک بر روی دکمه Start، روی Computer راست کلیک کرده و سپس روی Properties کلیک کنید. (Mac): با کلیک بر روی منوی اپل و کلیک کردن روی «درباره این مک»، نمای کلی را باز کنید. اکثر رایانه‌های با رم 8 گیگابایتی خریداری شده در 3 سال گذشته حداقل شرایط لازم را برآورده می‌کنند. شما به اتصال اینترنت پرسرعت نیاز دارید زیرا فایل‌هایی تا حجم 4 گیگابایت را دانلود خواهید کرد. نرم افزار مورد نیاز: این دوره متکی بر چندین ابزار نرم افزار منبع باز از جمله Apache Hadoop است. تمامی نرم افزارهای مورد نیاز را می توان به صورت رایگان دانلود و نصب کرد. الزامات نرم افزار عبارتند از: Windows 7+، Mac OS X 10.10+، Ubuntu 14.04+ یا CentOS 6+ VirtualBox 5+.

linkedin مقدمه ای بر دوقلوهای دیجیتال (Mitalearn-170167)

  • 56 minutes
  • متوسط
  • Release date: 23 January 2020
  • Author: Jonathan Reichental
درباره این دوره: 

 
در طول ماموریت های سرنشین دار ناسا به ماه در دهه های 1960 و 1970، مهندسان روی زمین دوقلوهای فیزیکی از فضاپیماها و تجهیزات موجود در فضا داشتند. آنها از این "دوقلوها" برای عیب یابی مشکلات، آزمایش ایده های مختلف و شبیه سازی نتایج استفاده می کنند. فقط زمانی که به این کار اطمینان داشتند به فضانوردان می گفتند که چه کار کنند. امروزه، تکنولوژی ما را قادر می سازد تا دنیای فیزیکی را دقیقاً در قالب دیجیتال شبیه سازی کنیم. یک دوقلو دیجیتال نمایش مجازی یک چیز فیزیکی است که قادر به شبیه سازی رفتار آن در زمان واقعی در شرایط مختلف است. در این دوره کوتاه، جاناتان ریشنتال نحوه عملکرد این فناوری ارزشمند، اهمیت آن و اینکه چگونه سازمان شما چگونه راه‌حل‌ها را طراحی، ایجاد و نگهداری می‌کند، متحول می‌کند.

coursera مقدمه ای بر سیستم های توصیه گر: غیر شخصی و مبتنی بر محتوا (Mitalearn-331191)

  • 8 hours 46 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Joseph A Konstan,Michael D. Ekstrand
درباره این دوره:

این دوره که به عنوان اولین دوره در تخصص سیستم های توصیه گر طراحی شده است، مفهوم سیستم های توصیه گر را معرفی می کند، چندین مثال را به طور مفصل بررسی می کند و شما را از طریق توصیه های غیر شخصی با استفاده از آمار خلاصه و انجمن های محصول، مبتنی بر کلیشه های اولیه راهنمایی می کند. یا توصیه های جمعیت شناختی، و توصیه های فیلترینگ مبتنی بر محتوا. پس از اتمام این دوره، می‌توانید با استفاده از ابزارهای صفحه گسترده اولیه، توصیه‌های مختلفی را از مجموعه داده‌ها محاسبه کنید، و اگر مسیر افتخارات را تکمیل کنید، این توصیه‌ها را نیز با استفاده از جعبه ابزار توصیه‌گر LensKit منبع باز برنامه‌ریزی کرده‌اید. علاوه بر سخنرانی‌های مفصل و تمرین‌های تعاملی، این دوره دارای مصاحبه با چندین رهبر در تحقیق و عمل در مورد موضوعات پیشرفته و جهت‌های جاری در سیستم‌های توصیه‌گر است.

linkedin مقدمه ای بر علم داده (Mitalearn-388413)

  • 2 hours
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Madecraft,Lavanya Vijayan
درباره این دوره:

دنیای علم داده در حال تغییر شکل هر کسب و کاری است، صرف نظر از صنعت، مکان یا نقش. و هرگز زمان بهتری برای سرعت گرفتن و یادگیری اصول اولیه این رشته پررونق وجود نداشته است. در این دوره که به طور خاص برای مبتدیان طراحی شده است، دنیای علم داده، فرصت ها و نوآوری های آن و مهارت های اساسی مورد نیاز برای موفقیت را بررسی کنید.

به مربی Python و متخصص علم داده Lavanya Vijayan بپیوندید تا چه داده هایی را به اشتراک بگذارد. علم است و تفاوت آن با سایر مشاغل رایج مرتبط با داده ها. برخی از مهمترین ابزارهای مورد استفاده در تجارت را کشف کنید تا درک خود را از کتابخانه های داده و دستکاری داده ها توسعه دهید. در طول مسیر، مقدمه ای بر تجزیه و تحلیل داده های اکتشافی، پاکسازی داده ها، تجسم داده ها، نمونه برداری، آزمایش، تخمین و موارد دیگر کسب کنید. در پایان این دوره، می‌دانید که چگونه از استنتاج و تجزیه و تحلیل آماری برای پیش‌بینی‌های مطمئن‌تر برای کسب‌وکار خود استفاده کنید.

این دوره توسط Madecraft. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.

آرم شرکت برای Madecraft؛ حرف M به عنوان بخشی پیکربندی شده است.  یک ماشین چاپ

Related Skills

linkedin مقدمه ای بر علم داده (2019) (Mitalearn-164302)

  • 1 hours 49 minutes
  • متوسط
  • Release date: 12 November 2019
  • Author: Madecraft,Lavanya Vijayan
درباره این دوره: 

 دنیای علم داده در حال تغییر شکل هر کسب و کاری است. هیچ زمانی بهتر از الان برای یادگیری آن وجود ندارد. در این دوره آموزشی Madecraft، مربی پایتون و دانشمند داده Lavanya Vijayan به اشتراک می‌گذارد که علم داده چیست و چه تفاوتی با سایر رشته‌های متمرکز بر اطلاعات دارد. سپس او به جریان کار - چرخه حیات علم داده - می پردازد و مجموعه ابزار دانشمند داده را از زبان های برنامه نویسی و کتابخانه های تخصصی گرفته تا ابزارهای بهره وری مانند نوت بوک های Jupyter معرفی می کند. در فصل های بعدی، Lavanya بر تکنیک های عملی مانند تجزیه و تحلیل داده های اکتشافی، پاکسازی داده ها و تجسم داده ها تمرکز می کند. در نهایت، در مورد نمونه گیری، آزمایش و طبقه بندی بیاموزید. در پایان دوره، دانش لازم برای انجام تجزیه و تحلیل داده‌ها و گزارش‌دهی اولیه و باز کردن فرصت‌هایی برای سرعت بخشیدن به شغل خود در این زمینه هیجان‌انگیز را خواهید داشت.nn ما خوشحالیم که این محتوا را در کتابخانه خود میزبانی می کنیم.

MadeCraft-Description-Logo.jpg

Related Skills

coursera مقدمه ای بر علم داده های بالینی (Mitalearn-333503)

  • 1 hours 14 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laura K. Wiley, PhD
درباره این دوره:

این دوره شما را برای تکمیل تمام بخش های تخصصی علوم داده های بالینی آماده می کند. در این دوره آموزشی نحوه تولید داده های بالینی، قالب این داده ها و محدودیت های اخلاقی و قانونی در مورد این داده ها را خواهید آموخت. همچنین به اندازه کافی مهارت های برنامه نویسی SQL و R را یاد خواهید گرفت تا بتوانید کل تخصص را تکمیل کنید - حتی اگر یک برنامه نویس مبتدی باشید. هنگامی که در حال گذراندن این دوره هستید، به مجموعه داده های بالینی واقعی و یک محیط محاسباتی آنلاین رایگان برای علم داده که توسط شریک صنعتی Google Cloud میزبانی می شود، دسترسی خواهید داشت. در پایان این دوره شما آماده خواهید شد تا سفر آموزش علوم داده های بالینی خود را آغاز کنید و یاد بگیرید که چگونه داده های ایجاد شده توسط سیستم مراقبت های بهداشتی را دریافت کنید و سلامت بیماران فردا را بهبود بخشید.

coursera مقدمه ای بر علم داده و یادگیری اسکییت در پایتون (Mitalearn-329236)

  • 1 hours 30 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Sabrina Moore,Rajvir Dua,Neelesh Tiruviluamala
درباره این دوره:

این دوره به شما یاد می دهد که چگونه از قدرت پایتون و هوش مصنوعی برای ایجاد و آزمایش فرضیه استفاده کنید. ما از ابتدا شروع می کنیم، و قبل از فرو رفتن در برخی از برنامه های کاربردی غنی تر آن برای آزمایش فرضیه ایجاد شده، چند پایتون پایه برای علم داده را یاد می گیریم. ما برخی از مهم‌ترین کتابخانه‌ها را برای تجزیه و تحلیل داده‌های اکتشافی (EDA) و یادگیری ماشینی مانند Numpy، Pandas و Sci-Kit یاد خواهیم گرفت. پس از یادگیری برخی از تئوری (و ریاضیات) پشت رگرسیون خطی، خط لوله کاملی از خواندن داده‌ها، پاکسازی آن‌ها و اعمال یک مدل رگرسیون برای تخمین پیشرفت دیابت را بررسی می‌کنیم. در پایان دوره، شما یک مدل طبقه بندی را برای پیش بینی وجود/عدم بیماری قلبی از داده های سلامت بیمار اعمال خواهید کرد.

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

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

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

coursera مقدمه ای بر مدل سازی پیش بینی کننده (Mitalearn-335577)

  • 6 hours 11 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: De Liu
درباره این دوره:

به مقدمه ای بر مدل سازی پیش بینی کننده، اولین دوره در تجزیه و تحلیل دانشگاه مینه سوتا برای تخصص تصمیم گیری خوش آمدید. این دوره مفاهیم، ​​فرآیندها و کاربردهای مدل سازی پیش بینی را با تمرکز بر مدل های پیش بینی رگرسیون خطی و سری های زمانی و استفاده عملی از آنها در مایکروسافت اکسل به شما معرفی می کند. در پایان دوره، شما قادر خواهید بود: - مفاهیم، ​​فرآیندها و کاربردهای مدل سازی پیش بینی را درک کنید. - ساختار و شهود پشت مدل های رگرسیون خطی را درک کنید. - قادر به برازش مدل های رگرسیون خطی ساده و چندگانه با داده ها، تفسیر نتایج، ارزیابی خوب بودن برازش و استفاده از مدل های برازش برای پیش بینی. - مشکل اضافه برازش و عدم تناسب را درک کرده و قادر به انتخاب مدل ساده باشد. - درک مفاهیم، ​​فرآیندها و کاربردهای پیش بینی سری های زمانی به عنوان یک نوع خاص از مدل سازی پیش بینی کننده. - بتوانید چندین مدل پیش‌بینی سری زمانی (به عنوان مثال، هموارسازی نمایی و روش Holt-Winter) را در اکسل جاسازی کنید، خوب بودن تناسب را ارزیابی کنید و از مدل‌های برازش برای پیش‌بینی استفاده کنید. - انواع مختلف داده ها و نحوه استفاده از آنها در مدل های پیش بینی را درک کنید. - از Excel برای آماده سازی داده ها برای مدل سازی پیش بینی، از جمله کاوش الگوهای داده، تبدیل داده ها و مقابله با مقادیر گمشده استفاده کنید. این یک دوره مقدماتی برای مدل سازی پیش بینی است. این دوره ترکیبی از یادگیری مفهومی و عملی را ارائه می دهد. در طول دوره، ما به شما فرصت هایی برای تمرین تکنیک های مدل سازی پیش بینی بر روی مجموعه داده های دنیای واقعی با استفاده از Excel ارائه می دهیم. برای موفقیت در این دوره باید ریاضی پایه (مفهوم توابع، متغیرها و نمادهای ریاضی پایه مانند جمع و شاخص ها) و آمار پایه (همبستگی، میانگین نمونه، انحراف معیار و واریانس) را بدانید. این دوره نیازی به پیشینه برنامه نویسی ندارد، اما شما باید با عملیات اصلی اکسل (به عنوان مثال، فرمول های اولیه و نمودار) آشنا باشید. برای بهترین تجربه، باید نسخه اخیر مایکروسافت اکسل را روی رایانه خود نصب کنید (به عنوان مثال، اکسل 2013، 2016، 2019، یا آفیس 365).

coursera مقدمه ای بر مهندسی داده (Mitalearn-319155)

  • 4 hours 18 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Rav Ahuja,Priya Kapoor
درباره این دوره:

سفر خود را در یکی از مشاغلی که به سرعت در حال رشد هستند، امروز با این دوره مهندسی داده مبتدی آغاز کنید! شما با مفاهیم اصلی، فرآیندها و ابزارهایی که برای به دست آوردن دانش پایه ای از مهندسی داده باید بدانید، آشنا خواهید شد. و همچنین نقش هایی که مهندسان داده، دانشمندان داده و تحلیلگران داده در اکوسیستم ایفا می کنند. شما این دوره را با درک اینکه مهندسی داده چیست و همچنین نقش هایی که مهندسان داده، دانشمندان داده و تحلیلگران داده در این زمینه هیجان انگیز ایفا می کنند آغاز خواهید کرد. در ادامه با اکوسیستم مهندسی داده، انواع مختلف ساختارهای داده، فرمت‌های فایل، منابع داده و زبان‌هایی که متخصصان داده در کارهای روزمره خود از آنها استفاده می‌کنند، آشنا خواهید شد. شما با اجزای یک پلتفرم داده آشنا می شوید و درکی از انواع مختلف مخازن داده مانند پایگاه داده های Relational (RDBMS) و NoSQL، انبارهای داده، Data Marts، Data Lakes و Data Lakehouse ها به دست خواهید آورد. سپس با ابزارهای پردازش داده های بزرگ مانند Apache Hadoop و Spark آشنا خواهید شد. همچنین با ETL، ELT، Data Pipelines و Data Integration آشنا خواهید شد. این دوره به شما درک یک چرخه عمر معمولی مهندسی داده را می دهد که شامل معماری پلتفرم های داده، طراحی فروشگاه های داده، و جمع آوری، وارد کردن، بحث، جست و جو، و تجزیه و تحلیل داده ها می شود. شما همچنین در مورد امنیت، حاکمیت، و انطباق یاد خواهید گرفت. شما در مورد فرصت های شغلی در زمینه مهندسی داده و مسیرهای مختلفی که می توانید برای مهارت یافتن به عنوان یک مهندس داده طی کنید، یاد خواهید گرفت. شما از چندین مهندس داده با تجربه خواهید شنید که بینش و توصیه های خود را به اشتراک می گذارند. در پایان این دوره، شما همچنین چندین آزمایشگاه عملی را تکمیل کرده اید و با یک پایگاه داده رابطه ای کار می کنید، داده ها را در پایگاه داده بارگذاری می کنید و برخی از عملیات پرس و جو اولیه را انجام می دهید.

coursera مقدمه ای بر یادگیری عمیق (Mitalearn-330749)

  • 6 hours 22 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Geena Kim
درباره این دوره:

یادگیری عمیق تکنیکی است که برای بسیاری از کاربردها، از پردازش زبان طبیعی گرفته تا زیست پزشکی، مورد استفاده قرار می گیرد. یادگیری عمیق می تواند انواع مختلفی از داده ها مانند تصاویر، متون، صدا/صدا، نمودارها و غیره را مدیریت کند. این دوره اصول اولیه DL از جمله نحوه ساخت و آموزش پرسپترون چندلایه، شبکه های عصبی کانولوشن (CNN)، شبکه های عصبی تکراری (RNN)، رمزگذارهای خودکار (AE) و شبکه های متخاصم مولد (GAN) را پوشش می دهد. این دوره شامل چندین پروژه عملی، از جمله تشخیص سرطان با CNN، RNN در توییت‌های بلایا، و تولید تصاویر سگ با GAN است. دانش کدنویسی یا برنامه نویسی قبلی مورد نیاز است. ما در طول دوره به طور گسترده از پایتون استفاده خواهیم کرد. توصیه می کنیم دو دوره قبلی در زمینه تخصصی، مقدمه یادگیری ماشین: یادگیری نظارت شده و الگوریتم های بدون نظارت در یادگیری ماشین را بگذرانید، اما نیازی به آنها نیست. مهارت های ریاضی در سطح دانشگاه، از جمله حساب دیفرانسیل و انتگرال و جبر خطی، مورد نیاز است. برخی از بخش های کلاس نسبتا فشرده ریاضی خواهد بود. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder تصویر لوگوی دوره توسط رایان والاس در Unsplash.

coursera مقدمه ای بر یادگیری عمیق و شبکه های عصبی با Keras (Mitalearn-330035)

  • 1 hours 13 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Alex Aklson
درباره این دوره:

به دنبال شروع حرفه ای در یادگیری عمیق هستید؟ دیگر نگاه نکنید. این دوره شما را با زمینه یادگیری عمیق آشنا می کند و به شما کمک می کند به بسیاری از سوالاتی که امروزه مردم می پرسند پاسخ دهید، مانند یادگیری عمیق چیست و مدل های یادگیری عمیق چگونه با شبکه های عصبی مصنوعی مقایسه می شوند؟ شما با مدل های مختلف یادگیری عمیق آشنا خواهید شد و اولین مدل یادگیری عمیق خود را با استفاده از کتابخانه Keras خواهید ساخت. پس از اتمام این دوره، فراگیران قادر خواهند بود: • توضیح دهید که شبکه عصبی چیست، مدل یادگیری عمیق چیست و تفاوت بین آنها چیست. • درکی از مدل های یادگیری عمیق بدون نظارت مانند رمزگذارهای خودکار و ماشین های محدود بولتزمن نشان دهید. • نشان دادن درک درستی از مدل های یادگیری عمیق تحت نظارت مانند شبکه های عصبی کانولوشن و شبکه های تکراری. • با استفاده از کتابخانه Keras، مدل ها و شبکه های یادگیری عمیق بسازید.

Suggestions