Course catalog

Course duration

Course provider

Topic

Categories

Showing 521-536 of 536 items.

linkedin یادگیری R Tidyverse (Mitalearn-116464)

  • 3 hours 50 minutes
  • متوسط
  • Release date: 25 July 2026
  • Author: Charlie Joey Hadley
درباره این دوره:

R یک زبان برنامه نویسی فوق العاده قدرتمند و پرکاربرد برای تجزیه و تحلیل آماری و علم داده است. tidyverse برخی از همه کاره ترین بسته های R را جمع آوری می کند: ggplot2، dplyr، tidyr، reader، purrr، و tibble. بسته ها برای پاکسازی، پردازش، مدل سازی و تجسم داده ها هماهنگ کار می کنند.\n\n مربی چارلی هدلی پس از پوشش دادن این مبانی R، وارد کردن و فیلتر کردن داده‌ها از فایل‌های Excel، CSV، و SPSS و خلاصه و جدول‌بندی داده‌ها در Tidyverse می‌شود. سپس یاد بگیرید که چگونه داده ها را خیلی وسیع یا طولانی تشخیص دهید و در صورت لزوم آن ها را تبدیل کنید و ارزیابی غیر استاندارد انجام دهید. تا پایان دوره، شما باید بتوانید Tidyverse را در گردش کار R خود ادغام کنید و از انواع ابزارهای جدید برای وارد کردن، فیلتر کردن، تجسم و مدل سازی داده های تحقیق و آماری استفاده کنید.

linkedin یادگیری اکسل: تجزیه و تحلیل داده (2019) (Mitalearn-162755)

  • 2 hours 9 minutes
  • مبتدی
  • Release date: 25 July 2026
  • Author: Curt Frye
درباره این دوره:

مایکروسافت اکسل یک ابزار مهم برای تجزیه و تحلیل داده ها است. این به شرکت ها کمک می کند تا موقعیت ها را به دقت ارزیابی کنند و تصمیمات تجاری بهتری بگیرند. این دوره به شما کمک می کند تا با استفاده از ابزارهای تجزیه و تحلیل داده ها و تجسم موجود در اکسل، قدرت داده های سازمان خود را باز کنید. نویسنده کرت فرای با مفاهیم اساسی، از جمله محاسبات اساسی مانند میانگین، میانه و انحراف معیار شروع می کند و مقدمه ای بر قضیه حد مرکزی ارائه می دهد. سپس نحوه تجسم داده ها، روابط و نتایج آینده را با هیستوگرام ها، نمودارها و نمودارهای اکسل نشان می دهد. او همچنین آزمایش فرضیه‌ها، مدل‌سازی توزیع‌های مختلف داده، و محاسبه کوواریانس و همبستگی بین مجموعه‌های داده را پوشش می‌دهد. در نهایت، او روند محاسبه احتمالات بیزی در اکسل را بررسی می کند. هر فصل شامل مثال‌های عملی است که نشان می‌دهد چگونه می‌توان تکنیک‌ها را برای مشکلات تجاری دنیای واقعی به کار برد.

linkedin یادگیری اکسل: تجزیه و تحلیل داده ها (Mitalearn-271215)

  • 3 hours 41 minutes
  • مناسب همه
  • Update date: 19 February 2025
  • Author: Curt Frye
درباره این دوره: 

 مایکروسافت اکسل یک ابزار مهم برای تجزیه و تحلیل داده ها است. این به شرکت ها کمک می کند تا موقعیت ها را به دقت ارزیابی کنند و تصمیمات تجاری بهتری بگیرند. این دوره به شما کمک می کند تا با استفاده از ابزارهای تجزیه و تحلیل داده ها و تجسم سازی که در اکسل تعبیه شده است، قدرت داده های سازمان خود را باز کنید. نویسنده کرت فرای با مفاهیم اساسی، از جمله محاسبات اساسی مانند میانگین، میانه و انحراف معیار شروع می کند و مقدمه ای بر قضیه حد مرکزی ارائه می دهد. سپس نحوه تجسم داده ها، روابط و نتایج آینده را با هیستوگرام ها، نمودارها و نمودارهای اکسل نشان می دهد. او همچنین فرضیه های آزمایش را پوشش می دهد. مدل سازی توزیع های مختلف داده؛ محاسبه کوواریانس و همبستگی بین مجموعه داده ها. و محاسبه احتمالات، ترکیب ها و جایگشت ها. در نهایت، او روند محاسبه احتمالات بیزی در اکسل را بررسی می کند. هر فصل شامل مثال‌های عملی است که نشان می‌دهد چگونه می‌توان تکنیک‌ها را برای مشکلات تجاری دنیای واقعی به کار برد.

linkedin یادگیری تجزیه و تحلیل اکسل What-If (2014) (Mitalearn-49892)

  • 1 hours 10 minutes
  • متوسط
  • Release date: 25 July 2026
  • Author: Curt Frye
درباره این دوره:

با استفاده از ابزارهای تجزیه و تحلیل مایکروسافت اکسل، برای کسب و کار خود تصمیمات بهتری بگیرید. در این دوره پیشرفته، Curt Frye نشان می دهد که چگونه می توان موارد تجاری فرضی را با استفاده از فرمول ها و داده های متغیر تجزیه و تحلیل کرد. او به شما نشان می دهد که چگونه جداول داده بسازید، مجموعه داده های جایگزین را با سناریوها تعریف کنید، مقادیر هدف را با Goal Seek پیدا کنید، و مشکلات پیچیده را با حل کننده تجزیه و تحلیل کنید. دو فصل آخر به شما نحوه ایجاد یک مدل قابل تنظیم با اسلایدرها و چک باکس ها و نحوه اجرای شبیه سازی مونت کارلو را نشان می دهد.

linkedin یادگیری علم داده (Mitalearn-425864)

  • 2 hours 45 minutes
  • مناسب همه
  • Release date: 4 April 2025
  • Author: Doug Rose
درباره این دوره: 

 بسیاری از افرادی که در تیم های علوم داده کار می کنند چیزی غیر از دانشمندان داده تبدیل می شوند. گفته می شود ، بسیاری از آنها مدیر و همکاران خواهند شد که می خواهند از داده های سازمان شما ارزش تجاری واقعی کسب کنند. این اعضای تیم باید زبان علوم داده را درک کنند تا بتوانند سؤالات بهتری بپرسند ، فرایندها را درک کنند و به طور مؤثر تیم ها و سازمان های خود را به سمت تصمیمات بهتر محور داده هدایت کنند. در این دوره ، برای افرادی که قصد کار به عنوان دانشمندان تمام وقت داده را ندارند ، مقدمه ای از علوم داده دریافت کنید. مفاهیم ، ابزارها و تکنیک های داده های بزرگ ، از جمله جمع آوری و مرتب سازی داده ها ، کار با پایگاه داده ها ، درک انواع داده های ساختار یافته و بدون ساختار ، استفاده از تحلیل آماری ، پرسیدن سؤالات مهم و گفتن داستانها را در مورد داده ها کشف کنید. مربی تجارت و نویسنده داگ رز به شما کمک می کند تا به زبان علوم داده صحبت کنید تا بتوانید سازمان خود را از طریق فرصت ها و محدودیت های موجود در این زمینه به طرز چشمگیری در حال رشد راهنمایی کنید.

linkedin یادگیری علم داده: با داده داستان بگویید (Mitalearn-91610)

  • 1 hours 17 minutes
  • مبتدی
  • Release date: 21 June 2026
  • Author: Doug Rose
درباره این دوره:

بسیاری از مردم شناسان بر این باورند که اجداد اولیه ما جوامعی را حول داستان های آتش اردوگاه در مورد عدالت، رهبری و حکومت ساخته اند. تیم های علم داده شما نیز ایده های پیچیده ای در مورد داده ها و نتایج خود خواهند داشت. به همین دلیل است که برای انتقال این بینش‌ها به سایر اعضای سازمان، یک داستان ساختاریافته لازم است. این صرفاً ایجاد یک صفحه اکسل عالی یا یک نمودار زیبا نیست. شما باید داستانی تعریف کنید که تخیل مخاطب شما را جذب کند و آنها را تشویق به انجام اقداماتی کند. در این دوره، مدرس داگ رز توضیح می دهد که چگونه یک داستان عالی علم داده را با هم ببافید و مخاطبان خود را به داستان بکشانید تا ایده های پیچیده را منتقل کنید و همه را برای ایجاد تغییرات واقعی ترغیب کنید.

linkedin یادگیری علم داده: سوالات بزرگ بپرسید (Mitalearn-91627)

  • 1 hours 14 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Doug Rose
درباره این دوره:

اکتشافات بزرگ علم داده اغلب به کسی برمی‌گردد که یک سؤال مهم می‌پرسد. به همین دلیل برای تیم شما مهم است که از تفکر انتقادی برای ارائه سوالات زیرکانه و معنادار که ارزش واقعی را اضافه می کند، استفاده کند. یک سوال خوب می تواند مانع از انحراف تیم شما در فرضیات بد و نتیجه گیری های نادرست شود. در این دوره، نویسنده داگ رز مؤلفه‌های کلیدی استدلال انتقادی و چگونگی جستجوی طلا در جریان داده‌ها را برای جستجوی سؤالات جدید بررسی می‌کند. شما یاد خواهید گرفت که چگونه به عنوان یک تیم برای اجرای جلسات سؤال، سازماندهی ایده های مهم در درختان سؤال، و ایجاد سؤالات با کیفیت با روشن کردن اصطلاحات کلیدی، شواهد چالش برانگیز، کشف آمارهای گمراه کننده و موارد دیگر با یکدیگر همکاری کنید.

linkedin یادگیری قدرت BI دسک تاپ (Mitalearn-426561)

  • 2 hours 22 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Gini von Courter
درباره این دوره:

POWER BI DESKTOP - تجزیه و تحلیل داده های قدرتمند و نرم افزار تجسم از مایکروسافت - می تواند به شما کمک کند بینش بیشتری از داده های خود داشته باشید ، خواه این داده ها در رایانه شما یا در ابر ذخیره شود. در این دوره ، نحوه استفاده از این ابزار آسان برای استفاده را برای مدل سازی و تجسم داده ها با کارآمدتر کشف کنید. بیاموزید که چگونه منابع مختلف داده از جمله اکسل ، بانک اطلاعاتی و منابع داده وب مانند ویکی پدیا را به هم وصل کنید. نحوه جستجو و تغییر داده های خود را با استفاده از ویرایشگر پرس و جو داخلی کشف کنید. به علاوه ، مربی جینی فون کورتر نحوه ساخت و ترتیب تجسم ، ایجاد گزارش های تعاملی ، به اشتراک گذاشتن کار خود ، مدیریت پرونده های منتشر شده خود را در سرویس Power BI و موارد دیگر نشان می دهد.

coursera یادگیری ماشین کاربردی در پایتون (Mitalearn-332279)

  • 8 hours 1 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Kevyn Collins-Thompson
درباره این دوره:

این دوره یادگیرنده را با یادگیری ماشینی کاربردی آشنا می‌کند و بیشتر بر روی تکنیک‌ها و روش‌ها تمرکز می‌کند تا آمار پشت این روش‌ها. این دوره با بحث در مورد اینکه چگونه یادگیری ماشینی با آمار توصیفی متفاوت است شروع می شود و جعبه ابزار یادگیری scikit را از طریق یک آموزش معرفی می کند. موضوع ابعاد داده ها مورد بحث قرار خواهد گرفت و وظیفه خوشه بندی داده ها و همچنین ارزیابی آن خوشه ها مورد بررسی قرار خواهد گرفت. رویکردهای نظارت شده برای ایجاد مدل‌های پیش‌بینی شرح داده می‌شود و یادگیرندگان می‌توانند همزمان با درک مسائل فرآیند مربوط به تعمیم‌پذیری داده‌ها، از روش‌های مدل‌سازی پیش‌بینی یادگیری scicit استفاده کنند (مانند اعتبار سنجی متقابل، برازش بیش از حد). این دوره با نگاهی به تکنیک های پیشرفته تر مانند ساخت مجموعه ها و محدودیت های عملی مدل های پیش بینی پایان خواهد یافت. در پایان این دوره، دانش آموزان قادر خواهند بود تفاوت بین تکنیک نظارت شده (طبقه بندی) و بدون نظارت (خوشه بندی) را شناسایی کنند، تشخیص دهند که کدام تکنیک را برای یک مجموعه داده و نیاز خاص به کار می برند، ویژگی های مهندسی برای برآورده کردن آن نیاز، و کد پایتون را بنویسید تا تحلیل انجام شود. این دوره باید بعد از مقدمه ای بر علم داده در پایتون و رسم کاربردی، نمودار و بازنمایی داده در پایتون و قبل از متن کاوی کاربردی در پایتون و تحلیل اجتماعی کاربردی در پایتون گذرانده شود.

coursera یادگیری ماشینی بدون نظارت (Mitalearn-270331)

  • 4 hours 52 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mark J Grover,Miguel Maldonado,Joseph Santarcangelo
درباره این دوره:

این دوره شما را با یکی از انواع اصلی یادگیری ماشینی آشنا می کند: یادگیری بدون نظارت. شما یاد خواهید گرفت که چگونه از مجموعه داده هایی که متغیر هدف یا برچسب گذاری شده ندارند، بینش پیدا کنید. چندین الگوریتم خوشه بندی و کاهش ابعاد را برای یادگیری بدون نظارت و همچنین نحوه انتخاب الگوریتمی که به بهترین وجه با داده های شما مطابقت دارد، یاد خواهید گرفت. بخش عملی این دوره بر استفاده از بهترین شیوه ها برای یادگیری بدون نظارت متمرکز است. در پایان این دوره شما باید بتوانید: انواع مشکلات مناسب برای رویکردهای یادگیری بدون نظارت را توضیح دهید نفرین ابعاد را توضیح دهید و اینکه چگونه خوشه بندی را با بسیاری از ویژگی ها دشوار می کند توصیف و استفاده از الگوریتم های متداول خوشه بندی و کاهش ابعاد در صورت لزوم، نقاط خوشه‌بندی را امتحان کنید، عملکرد مدل‌های هر خوشه را مقایسه کنید معیارهای مربوط به توصیف خوشه ها را درک کنید چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با تکنیک های یادگیری ماشینی بدون نظارت در یک محیط تجاری 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، احتمالات و آمار آشنا باشید.

coursera یادگیری ماشینی برای تجزیه و تحلیل داده ها (Mitalearn-335730)

  • 2 hours 18 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jen Rose,Lisa Dierker
درباره این دوره:

آیا علاقه مند به پیش بینی نتایج آینده با استفاده از داده های خود هستید؟ این دوره به شما کمک می کند تا دقیقاً این کار را انجام دهید! یادگیری ماشینی فرآیند توسعه، آزمایش و بکارگیری الگوریتم های پیش بینی برای دستیابی به این هدف است. قبل از فرو رفتن در این مفاهیم یادگیری ماشینی، حتماً با دوره 3 این تخصص آشنا شوید. این دوره بر اساس دوره 3، که دانش آموزان را با مفاهیم یادگیری ماشینی نظارت شده یکپارچه آشنا می کند، مروری بر بسیاری از مفاهیم، ​​تکنیک ها و الگوریتم های اضافی در یادگیری ماشین، از طبقه بندی اولیه تا درخت های تصمیم گیری و خوشه بندی ارائه می دهد. با تکمیل این دوره، یاد خواهید گرفت که چگونه الگوریتم های یادگیری ماشینی را به عنوان روش های جایگزین برای پاسخگویی به سوالات تحقیق خود اعمال، آزمایش و تفسیر کنید.

coursera یادگیری ماشینی: خوشه بندی و بازیابی (Mitalearn-334812)

  • 7 hours 30 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Emily Fox,Carlos Guestrin
درباره این دوره:

مطالعات موردی: یافتن اسناد مشابه یک خواننده به یک مقاله خبری خاص علاقه دارد و شما می خواهید مقالات مشابهی را برای توصیه پیدا کنید. تصور درست از شباهت چیست؟ علاوه بر این، اگر میلیون ها سند دیگر وجود داشته باشد چه؟ هر بار که می‌خواهید یک سند جدید را بازیابی کنید، آیا باید در میان سایر اسناد جستجو کنید؟ چگونه اسناد مشابه را با هم گروه بندی می کنید؟ چگونه موضوعات جدید و نوظهوری را که اسناد پوشش می دهند کشف می کنید؟ در این مطالعه موردی سوم، با یافتن اسناد مشابه، الگوریتم های مبتنی بر شباهت را برای بازیابی بررسی خواهید کرد. در این دوره، شما همچنین نمایش های ساختار یافته برای توصیف اسناد موجود در مجموعه، از جمله خوشه بندی و مدل های عضویت ترکیبی، مانند تخصیص دیریکله پنهان (LDA) را بررسی خواهید کرد. شما برای یادگیری خوشه‌بندی اسناد، حداکثرسازی انتظارات (EM) را پیاده‌سازی خواهید کرد و نحوه مقیاس‌بندی روش‌ها را با استفاده از MapReduce مشاهده خواهید کرد. نتایج یادگیری: در پایان این دوره، شما قادر خواهید بود: ایجاد یک سیستم بازیابی اسناد با استفاده از k-نزدیکترین همسایه. -شناسایی معیارهای شباهت مختلف برای داده های متنی. -کاهش محاسبات در جستجوی k-نزدیکترین همسایه با استفاده از درختان KD. با استفاده از هش کردن حساس به محلی، نزدیکترین همسایگان را تقریبی تولید کنید. -مقایسه و مقایسه وظایف یادگیری تحت نظارت و بدون نظارت. -دسته بندی اسناد بر اساس موضوع با استفاده از k-means. - نحوه موازی کردن k-means را با استفاده از MapReduce توضیح دهید. -رویکردهای خوشه‌بندی احتمالی را با استفاده از مدل‌های مخلوط بررسی کنید. - برازش مخلوطی از مدل گاوسی با استفاده از حداکثرسازی انتظار (EM). -انجام مدل‌سازی عضویت مختلط با استفاده از تخصیص دیریکله نهفته (LDA). -مراحل نمونه‌بردار گیبس و نحوه استفاده از خروجی آن برای استنتاج را شرح دهید. -تکنیک های اولیه سازی را برای اهداف بهینه سازی غیر محدب مقایسه و کنتراست کنید. -این تکنیک ها را در پایتون پیاده سازی کنید.

coursera یک پروژه علم داده را نهایی کنید (Mitalearn-333758)

  • 2 hours 21 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Sarah Haq,Stacey McBrine
درباره این دوره:

این دوره برای متخصصان کسب و کار طراحی شده است که می خواهند یاد بگیرند که چگونه نتایج مراحل قبلی پروژه علم داده را جمع آوری کرده و به ذینفعان ارائه دهند. یادگیرندگان نتایج یک مدل را به ذینفعان منتقل می‌کنند، نحوه ساخت یک برنامه وب پایه برای نشان دادن مدل‌های یادگیری ماشین و پیاده‌سازی و آزمایش خطوط لوله که فرآیندهای آموزش، تنظیم و استقرار مدل را خودکار می‌کنند، نشان خواهند داد. دانشجوی معمولی در این دوره دوره های قبلی را در برنامه گواهینامه حرفه ای CDSP گذرانده است و چندین سال تجربه در زمینه فناوری محاسبات از جمله برخی استعدادها در برنامه نویسی رایانه دارد.

coursera یک دوره آموزشی تصادفی در علم داده (Mitalearn-328692)

  • 1 hours 18 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Jeff Leek, PhD,Brian Caffo, PhD,Roger D. Peng, PhD
درباره این دوره:

تا به حال قطعاً در مورد علم داده و کلان داده شنیده اید. در این کلاس یک هفته‌ای، دوره‌ای را ارائه می‌کنیم که این اصطلاحات به چه معنا هستند و چگونه در سازمان‌های موفق نقش دارند. این کلاس برای هرکسی است که می‌خواهد بداند همه اقدامات علم داده درباره چیست، از جمله کسانی که در نهایت نیاز به مدیریت دانشمندان داده دارند. هدف این است که شما را در سریع ترین زمان ممکن در علم داده ها و بدون هیچ مشکلی به سرعت بالا ببرید. ما این دوره را طوری طراحی کرده‌ایم که تا حد امکان راحت باشد بدون اینکه هیچ یک از موارد ضروری را از بین ببریم. این یک دوره متمرکز طراحی شده است تا به سرعت شما را در زمینه علم داده به سرعت بشناساند. 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 گذاشته ایم تا بتوانید روی مدیریت تیم خود و پیشبرد آن تمرکز کنید. پس از اتمام این دوره خواهید دانست. 1. چگونه می توان نقش علم داده در زمینه های مختلف را توصیف کرد 2. چگونه آمار، یادگیری ماشین و مهندسی نرم افزار در علم داده نقش دارند 3. نحوه توصیف ساختار یک پروژه علم داده 4. اصطلاحات و ابزارهای کلیدی مورد استفاده توسط دانشمندان داده را بشناسید 5. چگونه یک پروژه علمی داده موفق و ناموفق را شناسایی کنیم 3. نقش مدیر علم داده تصویر جلد دوره توسط r2hox. Creative Commons BY-SA: https://flic.kr/p/gdMuhT

coursera یک گردش کار یادگیری ماشین را دنبال کنید (Mitalearn-331497)

  • 2 hours 35 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Renée Cummings
درباره این دوره:

یادگیری ماشینی فقط یک کار یا حتی یک گروه کوچک از وظایف نیست. این یک فرآیند کامل است، فرآیندی که تمرین‌کنندگان باید از ابتدا تا انتها آن را دنبال کنند. این فرآیند - که گردش کار نیز نامیده می شود - است که سازمان را قادر می سازد مفیدترین نتایج را از فناوری های یادگیری ماشین خود به دست آورد. مهم نیست محصول یا خدمات نهایی به چه شکلی باشد، استفاده از گردش کار کلید موفقیت راه حل هوش مصنوعی کسب و کار است. این دوره دوم در گواهینامه حرفه‌ای متخصص هوش مصنوعی (CAIP) هر مرحله از روند کار یادگیری ماشین را بررسی می‌کند، از فرمول‌بندی مشکل تا ارائه مدل و استقرار. گردش کار کلی در دوره قبلی معرفی شد، اما اکنون شما به بررسی عمیق‌تر هر یک از وظایف مهمی که گردش کار را تشکیل می‌دهند، می‌پردازید، از جمله دو مورد از عملی‌ترین کارها: تجزیه و تحلیل داده‌ها و آموزش مدل. همچنین با نحوه خودکارسازی وظایف یادگیری ماشینی آشنا خواهید شد و اطمینان حاصل می‌کنید که گردش کار می‌تواند در صورت لزوم تکرار شود، مانند بسیاری از فرآیندهای تجاری مهم. در نهایت، این دوره یک چارچوب عملی ارائه می‌کند که بر اساس آن مدل‌های یادگیری ماشینی بیشتری را در دوره‌های باقی‌مانده می‌سازید.

coursera یکپارچه سازی و پردازش داده های بزرگ (Mitalearn-327230)

  • 5 hours 8 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Ilkay Altintas,Amarnath Gupta
درباره این دوره:

در پایان دوره، شما قادر خواهید بود: *بازیابی داده ها از پایگاه داده نمونه و سیستم های مدیریت داده های بزرگ *ارتباطات بین عملیات مدیریت داده و الگوهای پردازش کلان داده مورد نیاز برای استفاده از آنها در کاربردهای تحلیلی در مقیاس بزرگ را شرح دهید. * شناسایی زمانی که یک مشکل داده بزرگ نیاز به یکپارچه سازی داده دارد * یکپارچه سازی و پردازش کلان داده ساده را در پلتفرم های Hadoop و Spark اجرا کنید این دوره برای کسانی است که تازه وارد علم داده می شوند. تکمیل Intro to Big Data توصیه می شود. هیچ تجربه برنامه نویسی قبلی مورد نیاز نیست، اگرچه توانایی نصب برنامه ها و استفاده از ماشین مجازی برای تکمیل تکالیف عملی ضروری است. برای مشخصات کامل سخت افزار و نرم افزار به الزامات فنی تخصصی مراجعه کنید. 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. تمام نرم افزارهای مورد نیاز را می توان به صورت رایگان دانلود و نصب کرد (به جز هزینه های داده از ارائه دهنده اینترنت شما). الزامات نرم افزار عبارتند از: Windows 7+، Mac OS X 10.10+، Ubuntu 14.04+ یا CentOS 6+ VirtualBox 5+.

Suggestions