Course catalog

Course duration

Course provider

Topic

Categories

Showing 61-80 of 587 items.

coursera آموزش مدل های یادگیری ماشین (Mitalearn-331769)

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

این دوره برای حرفه ای های کسب و کار طراحی شده است که مایل به شناسایی مفاهیم اساسی تشکیل دهنده یادگیری ماشین، آزمایش فرضیه مدل با استفاده از طراحی آزمایش ها و آموزش، تنظیم و ارزیابی مدل ها با استفاده از الگوریتم هایی هستند که مشکلات طبقه بندی، رگرسیون و پیش بینی و خوشه بندی را حل می کنند. برای موفقیت در این دوره، زبان آموز باید پیشینه ای در زمینه فناوری محاسبات، از جمله استعداد در برنامه نویسی کامپیوتر داشته باشد.

coursera آموزش هوش مصنوعی مولد (Mitalearn-335815)

  • 4 hours 13 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Teach-Out Experts
درباره این دوره:

این Teach-Out یادگیرندگان را با هوش مصنوعی (AI) آشنا می‌کند و توضیح می‌دهد که چگونه مدل‌های زبان بزرگ و ابزارهای مولد هوش مصنوعی، مانند ChatGPT، کار می‌کنند. استفاده اخلاقی از هوش مصنوعی، پیامدهای تألیف، و چگونگی استفاده و تنظیم این ابزارها در حرکت رو به جلو را بررسی کنید. هوش مصنوعی مولد در سال گذشته به سرعت توسعه یافته است و تقاضای فزاینده ای برای انواع ابزارهای هوش مصنوعی مانند چت بات ها و تولیدکنندگان رسانه های بصری وجود دارد. به عنوان مثال، ChatGPT در نوامبر 2022 در تلاشی برای بهبود وظایف پردازش زبان طبیعی مانند ترجمه، خلاصه سازی متن و تولید متن راه اندازی شد. ظرف پنج روز پس از انتشار، ChatGPT از 1 میلیون کاربر گذشت. با دو ماه، از 100 میلیون کاربر فراتر رفت. نگرانی‌های مربوط به پیامدهای اخلاقی استفاده از هوش مصنوعی مولد، به‌ویژه در تجارت و آموزش در حال ظهور است. این Teach-Out متخصصان دانشگاه میشیگان را در زمینه فناوری ارتباطات، اقتصاد، هوش مصنوعی، پردازش زبان طبیعی، ارائه مراقبت‌های بهداشتی، معماری و قانون گرد هم می‌آورد تا درباره تأثیرات هوش مصنوعی مولد در حال حاضر و آینده بحث کند. این آموزش پاسخ خواهد داد: - هوش مصنوعی مولد چیست و چگونه کار می کند؟ - مزایا و معایب استفاده از هوش مصنوعی مولد چیست؟ - استفاده از هوش مصنوعی مولد چه پیامدهای اخلاقی و قانونی دارد؟ - جامعه، اقتصاد و آموزش چگونه به هوش مصنوعی مولد واکنش نشان داده اند؟ - چگونه ممکن است هوش مصنوعی مولد در جامعه رو به جلو ادغام شود؟ - چگونه زبان آموزان می توانند از هوش مصنوعی مولد در زندگی خود استفاده کنند؟ کلیه محتویات این Teach-Out به استثنای تصویر دوره دارای مجوز CC BY-SA هستند.

coursera ابزار MLOps: MLflow و Hugging Face [coursera] (Mitalearn-336699)

  • 5 hours 43 minutes
  • پیشرفته
  • Release date: 27 June 2026
  • Author: Noah Gift,Alfredo Deza
درباره این دوره:

این دوره دو مورد از محبوب ترین پلتفرم های منبع باز برای MLOps (عملیات یادگیری ماشین) را پوشش می دهد: MLflow و Hugging Face. ما اصول اولیه اقدامات لازم برای شروع در این پلتفرم ها را با عملیات مدل و مجموعه داده پایه بررسی خواهیم کرد. شما با MLflow با استفاده از پروژه‌ها و مدل‌ها با سیستم ردیابی قدرتمند آن شروع می‌کنید و یاد می‌گیرید که چگونه با این مدل‌های ثبت‌شده از MLflow با نمونه‌های چرخه حیات کامل تعامل داشته باشید. سپس، مخازن Hugging Face را کاوش خواهید کرد تا بتوانید مجموعه داده‌ها، مدل‌ها را ذخیره کنید و دموهای تعاملی زنده ایجاد کنید. در پایان دوره، می‌توانید مفاهیم MLOps مانند تنظیم دقیق و استقرار مدل‌های کانتینری را در Cloud اعمال کنید. این دوره برای کسانی که به دنبال ورود به حوزه MLOps هستند یا برای متخصصان با تجربه MLOps که می خواهند مهارت های برنامه نویسی خود را بهبود بخشند ایده آل است.

coursera ابزارها و شیوه های مقابله با چالش های همه گیر (Mitalearn-327740)

  • 1 hours 2 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Marco Brambilla
درباره این دوره:

مروری بر ابزارها، تکنیک‌ها و شیوه‌هایی که می‌توانند توسط سیاست‌گذاران، کشورها و سازمان‌ها برای نظارت، مدیریت و واکنش به همه‌گیری‌ها و کاهش و کنترل تأثیرات آن‌ها اعمال شوند. یک دوره مقدماتی و چند رشته ای که شامل علوم داده، علوم اجتماعی، مراقبت های بهداشتی و مدیریت می شود و راه را برای دوره های مختلف در مورد موضوعات خاص هموار می کند. این دوره بخشی از پروژه تحقیقاتی "پاسخ پان اروپایی به اثرات کووید-19 و همه گیری ها و اپیدمی های آینده" است (PERISCOPE، ​​https://www.periscopeproject.eu/). PERISCOPE که توسط برنامه بودجه تحقیقاتی کمیسیون اروپا Horizon 2020 تحت موافقتنامه کمک مالی شماره 101016233 تأمین می شود، تأثیرات اجتماعی-اقتصادی و رفتاری گسترده همه گیری COVID-19 را بررسی می کند تا اروپا را انعطاف پذیرتر و برای خطرات در مقیاس بزرگ آینده آماده کند.

coursera ابزارهای تجزیه و تحلیل داده ها (Mitalearn-335645)

  • 3 hours 14 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jen Rose,Lisa Dierker
درباره این دوره:

در این دوره، فرضیه هایی در مورد داده های خود ایجاد و آزمایش خواهید کرد. شما انواع تست های آماری و همچنین استراتژی هایی را یاد خواهید گرفت تا بدانید که چگونه می توانید آزمون مناسب را برای داده ها و سؤالات خاص خود اعمال کنید. با استفاده از دو بسته نرم افزاری آماری قدرتمند (SAS یا Python) که انتخاب کرده اید، تجزیه و تحلیل همبستگی ANOVA، Chi-Square و Pearson را بررسی خواهید کرد. این دوره شما را از طریق اصول اولیه آماری راهنمایی می کند تا ابزارهایی برای پاسخ به سوالاتی که ایجاد کرده اید در اختیار شما قرار دهد. در طول دوره، پیشرفت خود را با دیگران به اشتراک می گذارید تا بازخورد ارزشمندی کسب کنید و بینش دیگری را در مورد کارشان به یادگیرندگان ارائه دهید.

coursera ابزارهای خط فرمان برای علم داده های ژنومی (Mitalearn-335322)

  • 6 hours 1 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Liliana Florea, PhD
درباره این دوره:

دستوراتی را که برای مدیریت و تجزیه و تحلیل دایرکتوری ها، فایل ها و مجموعه های بزرگی از داده های ژنومی نیاز دارید، معرفی می کند. این چهارمین دوره در رشته تخصصی علم داده های بزرگ ژنومی از دانشگاه جان هاپکینز است.

linkedin ابزارهای علم داده تجارت: مراحل اول (Mitalearn-136235)

  • 2 hours 23 minutes
  • مبتدی
  • Release date: 22 June 2026
  • Author: Jungwoo Ryoo
درباره این دوره:

انفجار داده‌ها در سال‌های اخیر، زمینه علم داده را - که در آن متخصصان برای به دست آوردن بینش از این اطلاعات فراوان کار می‌کنند - به طور فزاینده‌ای حیاتی‌تر کرده است. اگر به دنبال شغلی هستید یا به دنبال کار با متخصصان در این زمینه به سرعت در حال رشد هستید، بسیار مهم است که با ابزارهای این تجارت آشنا شوید. در این دوره، مربی Jungwoo Ryoo به شما کمک می کند تا شما را با برخی از شناخته شده ترین ابزارهای علم داده در زمینه های رایانش ابری، ذخیره سازی فایل های توزیع شده، پردازش توزیع شده و یادگیری ماشینی آشنا کند. در طول این دوره، Jungwoo پوششی از Proxmox، Hadoop، Spark، و Weka ارائه می‌کند و در مورد نحوه نصب و استفاده از هر ابزار در گردش کار علم داده‌تان بحث می‌کند. برای جمع بندی، او توضیح می دهد که چگونه Hadoop، Spark، و Weka می توانند با یکدیگر همکاری کنند تا بهترین نتایج را به دست آورند.

linkedin اثبات آینده شغلی علم داده شما (Mitalearn-175862)

  • 1 hours 4 minutes
  • متوسط
  • Release date: 22 June 2026
  • Author: Chris Bishop
درباره این دوره:

علم داده در حال رشد و تغییر است. برخی از تمرین‌کنندگان در مورد آینده نگرانند. آیا کسب و کارها علاقه خود را به کلان داده از دست خواهند داد؟ آیا مشاغل فردا برای افراد شاغل امروز کافی است؟ با آموزش و تخصص خود چه خواهیم کرد؟ حقیقت این است که فرصت‌ها برای دانشمندان داده در حال افزایش است و راه‌های جدیدی برای مشارکت و رهبری تحولات نوآورانه برای شما فراهم می‌کند. این دوره درک عمیق تری از تاریخچه علم داده و همچنین ابزارهای تاکتیکی خاص ارائه می دهد که به شما امکان می دهد فرصت های بعدی در این زمینه رو به رشد را شناسایی کنید. مربی کریستوفر بیشاپ، متخصص در تحول شغلی، به شما توصیه های عملی و ابزارهایی می دهد که برای کمک به شما در یافتن شغل بعدی علم داده و شغل بعد از آن نیاز دارید.

coursera اجرایی Capstone علوم داده (Mitalearn-300302)

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

Executive Data Science Capstone، پروژه اوج این تخصص، فرصتی برای افرادی است که هر چهار دوره EDS را گذرانده‌اند تا آنچه را که آموخته‌اند در یک سناریوی دنیای واقعی که با همکاری Zillow، یک املاک و مستغلات آنلاین مبتنی بر داده‌ها ایجاد شده است، اعمال کنند. بازار اجاره، و DataCamp، یک پلت فرم مبتنی بر وب برای برنامه نویسی علم داده. وظیفه شما رهبری یک تیم علوم داده مجازی و اتخاذ تصمیمات کلیدی در طول مسیر است تا نشان دهید که آنچه را که برای پیشبرد یک پروژه تحلیل پیچیده از ابتدا تا انتها لازم است دارید. برای پروژه نهایی، شما یک ارائه را تهیه و ارسال خواهید کرد که توسط همکاران شرکت کننده اصلی شما ارزیابی و درجه بندی می شود. تصویر جلد دوره توسط Luckey_sun. Creative Commons BY-SA https://flic.kr/p/bx1jvU

coursera احتمال و آمار برای یادگیری ماشین و علم داده (Mitalearn-303872)

  • 8 hours 24 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Luis Serrano
درباره این دوره:

به تازگی برای سال 2024 به روز شده است! Mathematics for Machine Learning and Data Science یک برنامه آنلاین پایه است که توسط DeepLearning.AI ایجاد شده و توسط Luis Serrano تدریس می شود. در یادگیری ماشینی، شما مفاهیم ریاضی را از طریق برنامه نویسی به کار می برید. و بنابراین، در این تخصص، مفاهیم ریاضی را که با استفاده از برنامه نویسی پایتون یاد می گیرید، در تمرینات آزمایشگاهی عملی به کار خواهید برد. به عنوان یک زبان آموز در این برنامه، برای موفقیت به مهارت های برنامه نویسی پایتون اولیه تا متوسط ​​نیاز دارید. پس از اتمام این دوره، شما قادر خواهید بود: • با استفاده از مفاهیم احتمال، متغیرهای تصادفی، و توزیع احتمال، عدم قطعیت ذاتی در پیش‌بینی‌های مدل‌های یادگیری ماشین را توصیف و کمی کنید. • درک بصری و شهودی خواص توزیع‌های احتمال رایج در یادگیری ماشین و علم داده مانند توزیع‌های برنولی، دوجمله‌ای و گاوسی • روش‌های آماری رایج مانند برآورد حداکثر احتمال (MLE) و حداکثر تخمین پیشینی (MAP) را برای مشکلات یادگیری ماشین اعمال کنید. • ارزیابی عملکرد مدل های یادگیری ماشین با استفاده از تخمین های بازه ای و حاشیه خطاها • استفاده از مفاهیم آزمون فرضیه های آماری در آزمون های رایج در علم داده مانند آزمون AB • تجزیه و تحلیل داده های اکتشافی را روی یک مجموعه داده برای یافتن، اعتبارسنجی و کمی کردن الگوها انجام دهید. بسیاری از مهندسان یادگیری ماشین و دانشمندان داده در زمینه ریاضیات به کمک نیاز دارند، و حتی تمرین‌کنندگان با تجربه نیز می‌توانند از کمبود مهارت‌های ریاضی عقب‌مانده شوند. این تخصص از آموزش نوآورانه در ریاضیات استفاده می‌کند تا به شما کمک کند تا سریع و شهودی یاد بگیرید، با دوره‌هایی که از تجسم‌های ساده برای پیگیری استفاده می‌کنند تا به شما کمک کنند تا ببینید که چگونه ریاضیات پشت یادگیری ماشین واقعاً کار می‌کند.  ما به شما توصیه می کنیم سطح ریاضی دبیرستان (توابع، جبر پایه) و آشنایی با برنامه نویسی (ساختارهای داده، حلقه ها، توابع، دستورات شرطی، اشکال زدایی) داشته باشید. تکالیف و آزمایشگاه‌ها در پایتون نوشته شده‌اند، اما این دوره تمام کتابخانه‌های یادگیری ماشینی را که استفاده می‌کنید معرفی می‌کند.

coursera احتمال و آمار: به p یا نه به p؟ (Mitalearn-326924)

  • 7 hours 25 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Dr James Abdey
درباره این دوره:

ما در دنیایی نامطمئن و پیچیده زندگی می کنیم، با این حال پیوسته باید در زمان حال با نتایج نامشخص آینده تصمیم گیری کنیم. در واقع، ما باید مراقب "قوهای سیاه" باشیم - رویدادهای با احتمال کم و تاثیر زیاد. درس خوندن یا نخواندن؟ سرمایه گذاری کنیم یا سرمایه گذاری نکنیم؟ ازدواج کردن یا عدم ازدواج؟ در حالی که عدم اطمینان تصمیم گیری را دشوار می کند، حداقل زندگی را هیجان انگیز می کند! اگر تمام آینده از قبل شناخته شده بود، هرگز عنصر غافلگیری وجود نداشت. چه آینده خوب باشد چه آینده بد، آینده ای شناخته شده خواهد بود. در این دوره ما ابزارهای مفید بسیاری را برای مقابله با عدم قطعیت در نظر می گیریم و به ما کمک می کند تا تصمیمات آگاهانه (و در نتیجه بهتر) بگیریم - مهارت های ضروری برای یک عمر تصمیم گیری خوب. موضوعات کلیدی شامل کمی سازی عدم قطعیت با احتمال، آمار توصیفی، تخمین نقطه و فاصله میانگین ها و نسبت ها، مبانی آزمون فرضیه ها، و انتخابی از کاربردهای چند متغیره از اصطلاحات و مفاهیم کلیدی است که در طول دوره دیده می شود.

coursera اخلاق علم داده (Mitalearn-326771)

  • 5 hours 32 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: H.V. Jagadish
درباره این دوره:

ملاحظات اخلاقی در مورد حفظ حریم خصوصی و کنترل اطلاعات مصرف کننده و کلان داده ها، به ویژه پس از نقض اخیر داده ها در مقیاس بزرگ چیست؟ این دوره چارچوبی برای تجزیه و تحلیل این نگرانی ها فراهم می کند، زیرا شما پیامدهای اخلاقی و حریم خصوصی جمع آوری و مدیریت کلان داده ها را بررسی می کنید. تأثیر گسترده‌تر حوزه علم داده بر جامعه مدرن و اصول انصاف، مسئولیت‌پذیری و شفافیت را بررسی کنید تا به درک عمیق‌تری از اهمیت مجموعه‌ای از ارزش‌های اخلاقی مشترک دست پیدا کنید. شما نیاز به افشای داوطلبانه را در هنگام استفاده از ابرداده برای اطلاع از الگوریتم‌های پایه و/یا سیستم‌های هوش مصنوعی پیچیده بررسی خواهید کرد و در عین حال بهترین شیوه‌ها را برای مدیریت مسئولانه داده، درک اهمیت قانون اصول شیوه‌های اطلاعات منصفانه و قوانین مربوط به «حق فراموش شود." این دوره به شما کمک می‌کند به سوالاتی مانند اینکه چه کسی مالک داده‌ها است، چگونه برای حفظ حریم خصوصی ارزش قائل هستیم، چگونه رضایت آگاهانه دریافت کنیم و منصف بودن به چه معناست پاسخ دهید. دانشمندان داده و هر کسی که شروع به استفاده یا گسترش استفاده از داده ها می کند از این دوره بهره مند خواهند شد. هیچ دانش قبلی خاصی لازم نیست.

coursera اخلاق هوش مصنوعی در عمل (Mitalearn-333792)

  • 4 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Brent Summers
درباره این دوره:

تحقیقات اخلاق هوش مصنوعی یک زمینه نوظهور است و برای اثبات مهارت های خود، باید تفکر انتقادی و توانایی تحلیلی خود را نشان دهیم. از آنجایی که معقول نیست که با مهارت های تازه تاسیس خود وارد یک مقاله تحقیقاتی کامل شویم، در عوض روی 3 پروژه کار خواهیم کرد که توانایی شما را در تجزیه و تحلیل هوش مصنوعی اخلاقی در موضوعات و موقعیت های مختلف نشان می دهد. این پروژه ها شامل تمام مهارت هایی است که در این تخصص اخلاق هوش مصنوعی آموخته اید.

coursera ادغام داده ها با Microsoft Azure Data Factory (Mitalearn-330783)

  • 1 hours 54 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

در این دوره آموزشی، نحوه ایجاد و مدیریت خطوط لوله داده در فضای ابری با استفاده از Azure Data Factory را خواهید آموخت. این دوره بخشی از یک تخصص در نظر گرفته شده برای مهندسان و توسعه دهندگان داده است که می خواهند تخصص خود را در طراحی و پیاده سازی راه حل های داده ای که از سرویس های داده Microsoft Azure استفاده می کنند نشان دهند. این برای هر کسی که علاقه مند به آماده شدن برای DP-203: مهندسی داده در آزمون Microsoft Azure (بتا) ایده آل است. این سومین دوره از یک برنامه 10 دوره ای است که به شما برای شرکت در آزمون کمک می کند تا بتوانید در طراحی و اجرای 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 ارتباط موثر در مورد چالش های اخلاقی در فناوری های داده محور (Mitalearn-327383)

  • 4 hours 3 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Renée Cummings,Jennifer Fischer
درباره این دوره:

رهبری یک سازمان مبتنی بر داده مستلزم ارتباط موثر برای ایجاد فرهنگ عمل اخلاقی است. ارتباط با ذینفعان استراتژی سازمان را هدایت می کند و به طور بالقوه بر آینده کاری آن سازمان یا نهاد تأثیر می گذارد. صحبت در مورد شیوه های اخلاقی کافی نیست، بلکه باید ارزش آنها را به ذینفعان مرتبط کنید. ایجاد راهبردهایی که فراگیر و قابل ربط هستند، می تواند اعتماد و وفاداری عمومی را ایجاد کند، و دانستن اینکه چگونه برای یک بحران برنامه ریزی کنیم، آسیب این اعتماد و وفاداری را کاهش می دهد. در این دوره چهارم از گواهینامه حرفه‌ای CertNexus Certified Ethical Emerging Technologist (CEET)، فراگیران استراتژی‌های فراگیر را برای برقراری ارتباط با تأثیرات تجاری به ذینفعان، طراحی استراتژی‌های ارتباطی که منعکس‌کننده اصول و خط‌مشی‌های اخلاقی هستند، توسعه می‌دهند و در صورت بروز بحران اخلاقی، آماده می‌شوند. مدیریت بحران و رسانه ها برای کاهش تأثیر کسب و کار. این دوره چهارمین دوره از پنج دوره در گواهینامه حرفه ای Certified Ethical Emerging Technologist (CEET) است. دوره های قبلی با عنوان ترویج استفاده اخلاقی از فناوری های داده محور، تبدیل چارچوب های اخلاقی به گام های عملی، و شناسایی و کاهش خطرات اخلاقی است.

coursera ارتباط نتایج علم داده [coursera] (Mitalearn-335594)

  • 3 hours 25 minutes
  • مناسب همه
  • Release date: 27 June 2026
  • Author: Bill Howe
درباره این دوره:

نکته مهم: تکلیف دوم در این دوره، مبحث Graph Analysis در Cloud را پوشش می دهد، که در آن شما از Elastic MapReduce و زبان Pig برای انجام تجزیه و تحلیل نمودار بر روی یک مجموعه داده نسبتاً بزرگ، حدود 600 گیگابایت استفاده خواهید کرد. برای تکمیل این تکلیف، باید از خدمات وب آمازون (AWS) استفاده کنید. آمازون سخاوتمندانه پیشنهاد داده است تا حداکثر 50 دلار اعتبار AWS رایگان به هر زبان آموز در این دوره ارائه دهد تا به شما امکان تکمیل تکلیف را بدهد. جزئیات بیشتر در مورد روند دریافت این اعتبار در پیام خوش آمدگویی دوره و همچنین در خود تکلیف موجود است. لطفاً توجه داشته باشید که آمازون، دانشگاه واشنگتن و کورسرا در صورت اتمام اعتبار خود نمی توانند هیچ هزینه ای را به شما بازپرداخت کنند. در حالی که ما معتقدیم که این تکلیف به یک تجربه یادگیری عالی در این دوره کمک می کند، می دانیم که برخی از یادگیرندگان ممکن است نتوانند یا تمایلی به استفاده از AWS نداشته باشند. ما نمی‌توانیم برای فراگیرانی که تکالیفی را که نیاز به استفاده از AWS دارند، گواهینامه صادر کنیم. به این ترتیب، اگر نمی‌توانید یا نمی‌خواهید از AWS استفاده کنید، نباید برای گواهینامه دوره در ارتباط با نتایج داده پرداخت کنید، زیرا بدون انجام این کار نمی‌توانید دوره را با موفقیت به پایان برسانید. پیش بینی کافی نیست! دانشمندان داده موثر می دانند که چگونه نتایج خود را توضیح و تفسیر کنند و یافته ها را به طور دقیق به ذینفعان برای اطلاع از تصمیمات تجاری منتقل کنند. تجسم حوزه تحقیقاتی در علوم کامپیوتر است که ارتباط موثر نتایج کمی را با پیوند دادن ادراک، شناخت و الگوریتم‌ها برای بهره‌برداری از پهنای باند عظیم قشر بینایی انسان مطالعه می‌کند. در این دوره شما یاد خواهید گرفت که تجسم های موثر را بشناسید، طراحی کنید و از آنها استفاده کنید. فقط به این دلیل که می‌توانید پیش‌بینی کنید و دیگران را متقاعد کنید که بر اساس آن عمل کنند، به این معنی نیست که باید این کار را انجام دهید. در این دوره، ملاحظات اخلاقی در مورد کلان داده ها و اینکه چگونه این ملاحظات شروع به تأثیرگذاری بر سیاست و عملکرد می کنند را بررسی خواهید کرد. شما با محدودیت های اساسی استفاده از فناوری برای محافظت از حریم خصوصی و کدهای رفتاری که برای هدایت رفتار دانشمندان داده در حال ظهور هستند، آشنا خواهید شد. همچنین با اهمیت تکرارپذیری در علم داده و اینکه چگونه ابر تجاری می‌تواند به پشتیبانی از تحقیقات تکرارپذیر حتی برای آزمایش‌هایی که شامل مجموعه داده‌های عظیم، زیرساخت‌های محاسباتی پیچیده یا هر دو هستند، کمک کند، خواهید آموخت. اهداف آموزشی: پس از اتمام این دوره، شما قادر خواهید بود: 1. تجسم ها را طراحی و نقد کنید 2. پیشرفت های روز را در حریم خصوصی، اخلاقیات، حاکمیت پیرامون کلان داده و علم داده توضیح دهید. 3. از محاسبات ابری برای تجزیه و تحلیل مجموعه داده های بزرگ به روشی قابل تکرار استفاده کنید.

coursera ارزیابی برای تحلیل داده ها و مبانی تجسم (Mitalearn-328284)

  • مبتدی
  • Release date: 27 June 2026
  • Author: IBM Skills Network Team
درباره این دوره:

این دوره آخرین مرحله در تخصص مبانی تحلیل داده و تجسم است. این شامل یک امتحان نهایی درجه بندی شده است که محتوای سه دوره را پوشش می دهد: مقدمه ای بر تجزیه و تحلیل داده ها، مبانی اکسل برای تجزیه و تحلیل داده ها، و تجسم داده ها و داشبورد با اکسل و Cognos. از دوره مقدماتی تجزیه و تحلیل داده ها، درک شما در مورد موضوعاتی مانند اکوسیستم داده و مبانی تجزیه و تحلیل داده ها، پوشش ابزارهای جمع آوری داده و داده کاوی ارزیابی می شود. با رفتن به دوره مبانی اکسل برای تجزیه و تحلیل داده ها، انتظار سوالاتی با تمرکز بر استفاده از صفحات گسترده اکسل در تجزیه و تحلیل داده ها، مهارت در پاکسازی و جدال داده ها، و مهارت در کار با جداول محوری داشته باشید. در نهایت، از دوره تجسم داده ها و داشبوردها با اکسل و Cognos، دانش خود را از مبانی IBM Cognos و توانایی خود در استفاده از اکسل برای تجسم موثر داده ها نشان خواهید داد.

linkedin ارزیابی برنامه برای علوم داده (Mitalearn-433072)

  • 1 hours 39 minutes
  • مناسب همه
  • Release date: 18 August 2025
  • Author: Howard Friedman
درباره این دوره: 

 

این دوره به شما این امکان را می دهد تا ارزیابی برنامه را در پروژه های علوم داده خود اعمال کنید. بهترین روشهای برخی از روشهای اصلی ارزیابی برنامه از جمله آزمایش A/B ، اختلاف در اختلاف ، ناپیوستگی رگرسیون ، سری زمانی قطع شده و مشکلات تطبیق را بیاموزید. به عنوان بخشی از این بهترین شیوه ها ، یاد بگیرید که چگونه آزمایش A/B کافی یا ممکن نیست و سپس دانش خود را برای تعیین اینکه آیا برنامه ها در طیف گسترده ای از مثالهای مختلف تأثیر می گذارد ، استفاده کنید.

این دوره شامل بازی نقش هوش مصنوعی است. نقش بازی به شما امکان می دهد آنچه را که در شبیه سازی های تعاملی از مکالمات دنیای واقعی آموخته اید ، تمرین کنید.


coursera استخراج مقدار از داده های تاریک: ULEADD (Mitalearn-329967)

  • 3 hours 21 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Curtis Thompson
درباره این دوره:

این دوره به شما دانش کار در مورد رویکرد ULEADD برای استخراج ارزش از داده ها را ارائه می دهد. ULEADD - مخفف Understand, Learn, Evaluate, Assess, Define, Design - چارچوبی برای کشف است که ساختاری برای شناسایی و استخراج ارزش از داده هایی که معمولاً از دید پنهان هستند ارائه می دهد. اگرچه این دوره بر استفاده از ULEADD با داده های تاریک تمرکز دارد، احتمالاً متوجه خواهید شد که این رویکرد در بسیاری از سناریوهای پروژه و داده مفید است.

coursera استخراج، تبدیل و بارگذاری داده ها (Mitalearn-333877)

  • 2 hours 26 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Stacey McBrine,Sarah Haq
درباره این دوره:

این دوره برای کسب و کار و متخصصان داده طراحی شده است که به دنبال یادگیری اولین مرحله فنی فرآیند علم داده به نام Extract, Transform and Load یا ETL هستند. به یادگیرندگان نحوه جمع‌آوری داده‌ها از منابع متعدد آموزش داده می‌شود تا در دسترس باشد تا تبدیل و تمیز شود و سپس در مجموعه داده‌های جمع‌آوری‌شده برای آماده‌سازی و تمیز کردن داده‌ها فرو می‌روند تا بعداً بتوانند در مقصد نهایی بارگذاری شوند. در پایان دوره، فراگیران داده‌ها را در مقصد نهایی بارگذاری می‌کنند تا بتوان آن‌ها را تحلیل و مدل‌سازی کرد. دانشجوی معمولی در این دوره تجربه کار با داده ها و استعداد با برنامه نویسی کامپیوتر را خواهد داشت.

Suggestions