Course catalog

Course duration

Course provider

Topic

Categories

Showing 81-100 of 113 items.

coursera کاوش تغییر شکل داده با Google Cloud - Français (Mitalearn-318985)

  • 54 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

فناوری ابری است که منبع بزرگی برای شرکت‌ها است. ترکیبی از فناوری‌های ترکیبی با استفاده از فناوری‌های جدید، می‌تواند برای مشتری‌های جدید به‌علاوه ارزش‌ها و تجربه‌های نوین امکان‌پذیر باشد. «کاوش در تبدیل داده با Google Cloud» vous fait découvrir la valeur que les données peuvent apporter à une entreprise et les façons dont Google Cloud peut les rendre utiles et accessibles. Ce cours fait partie du parcours de formation Cloud Digital Leader. Il a pour but d'aider les partners à évoluer dans leur poste et à façonner l'avenir de leur entreprise.

coursera کلان داده - پروژه Capstone (Mitalearn-334744)

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

به پروژه Capstone برای داده های بزرگ خوش آمدید! در این پروژه اوج، شما یک اکوسیستم کلان داده را با استفاده از ابزارها و روش های دوره های قبلی در این تخصص می سازید. شما یک مجموعه داده شبیه سازی داده های بزرگ تولید شده از تعداد زیادی از کاربرانی را که بازی خیالی ما "Catch the Pink Flamingo" را بازی می کنند، تجزیه و تحلیل خواهید کرد. در طول پنج هفته پروژه Capstone، شما مراحل معمولی علم داده های بزرگ را برای به دست آوردن، کاوش، آماده سازی، تجزیه و تحلیل و گزارش گذرانده اید. در دو هفته اول، مجموعه داده ها را به شما معرفی می کنیم و با استفاده از ابزارهایی مانند Splunk و Open Office شما را از طریق برخی تحلیل های اکتشافی راهنمایی می کنیم. سپس به مشکلات چالش برانگیزتر کلان داده خواهیم پرداخت که نیازمند ابزارهای پیشرفته تری است که شما آموخته اید، از جمله KNIME، Spark's MLLib و Gephi. در نهایت، در هفته پنجم و آخر، به شما نشان خواهیم داد که چگونه همه اینها را برای ایجاد گزارش های جذاب و متقاعدکننده و ارائه اسلایدها کنار هم قرار دهید. در نتیجه همکاری ما با Splunk، یک شرکت نرم‌افزاری که بر تجزیه و تحلیل داده‌های بزرگ تولید شده توسط ماشین تمرکز دارد، یادگیرندگان با پروژه‌های برتر واجد شرایط ارائه به Splunk و ملاقات با استخدام‌کنندگان Splunk و رهبری مهندسی خواهند بود.

linkedin کلان داده در عصر هوش مصنوعی (Mitalearn-167923)

  • 2 hours 7 minutes
  • مبتدی
  • Release date: 19 September 2019
  • Author: Barton Poulson
درباره این دوره: 

 هیاهو در مورد کلان داده ممکن است چندین سال پیش به اوج خود رسیده باشد، اما کلان داده هنوز از بین رفته است. در عوض شالوده برخی از هیجان انگیزترین فناوری های امروزی را تشکیل می دهد. هوش مصنوعی (AI)، یادگیری ماشین و علم داده بر داده‌های بزرگ یا داده‌هایی تکیه می‌کنند که - به دلیل سرعت، حجم یا تنوع - نمی‌توانند به راحتی با روش‌های سنتی ذخیره یا تجزیه و تحلیل شوند. در این دوره غیر فنی، بارتون پولسون به مبحث کلان داده می پردازد و توضیح می دهد که چگونه کار می کند و جهان داده مدرن ما را شکل می دهد. بارتون رابطه کلان داده ها را با هوش مصنوعی، علم داده، رسانه های اجتماعی و اینترنت اشیا (IoT) توضیح می دهد. او برخی از مسائل اخلاقی پشت استفاده از داده های بزرگ را بررسی می کند. به علاوه، او تکنیک های مربوط به تجزیه و تحلیل داده های بزرگ، از جمله داده کاوی و تجزیه و تحلیل پیش بینی را پوشش می دهد.

coursera کلان داده، هوش مصنوعی و اخلاق (Mitalearn-329049)

  • 5 hours 27 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Martin Hilbert
درباره این دوره:

این دوره زمینه و تجربه دست اول را با دو کاتالیزور اصلی انقلاب علوم محاسباتی به شما می دهد: داده های بزرگ و هوش مصنوعی. با بیش از 99 درصد از تمام اطلاعات رسانه ای در قالب دیجیتال و با استفاده از 98 درصد از جمعیت جهان از فناوری دیجیتال، بشریت ردپای دیجیتالی چشمگیری ایجاد می کند. در تئوری، این فرصت‌های بی‌سابقه‌ای برای درک و شکل دادن به جامعه فراهم می‌کند. در عمل، تنها راهی که می‌توان این سیل اطلاعات را پردازش کرد، استفاده از همان فناوری‌های دیجیتالی است که آن را تولید کرده‌اند. داده ها سوخت هستند، اما یادگیری ماشینی موتوری است که دانش جدید قابل توجهی را از حجم عظیمی از داده ها استخراج می کند. از آنجایی که بخش مهمی از این داده‌ها مربوط به خودمان است، استفاده از الگوریتم‌ها به منظور کسب اطلاعات بیشتر در مورد خود، به طور طبیعی منجر به پرسش‌های اخلاقی می‌شود. بنابراین، ما نمی‌توانیم این دوره را بدون صحبت در مورد اخلاق تحقیق و برخی از خطوط قدیمی و جدیدی که دانشمندان علوم اجتماعی محاسباتی باید در نظر داشته باشند، به پایان برسانیم. به‌عنوان آزمایشگاه‌های عملی، از هوش مصنوعی IBM Watson برای استخراج شخصیت افراد از ردپای متن دیجیتالی آن‌ها استفاده خواهید کرد و با آموزش دو ماشین قابل آموزش از Google خودتان، قدرت و محدودیت‌های یادگیری ماشینی را تجربه خواهید کرد.

linkedin مبانی بلاک چین (2017) (Mitalearn-112724)

  • 57 minutes
  • مبتدی
  • Release date: 29 June 2026
  • Author: Jonathan Reichental
درباره این دوره:

مشاهده خبرنامه لینکدین جاناتان ما در پرتگاه یک روش جدید رادیکال و مخرب برای انجام انواع تراکنش ها از طریق اینترنت هستیم. در حالی که فناوری بلاک چین هنوز در مراحل اولیه است، توجه را می طلبد. در این دوره آموزشی سطح مقدماتی، بیاموزید که بلاک چین چیست و چه معنایی برای شما می تواند داشته باشد. جاناتان ریشنتال – که در سال 2017 به عنوان یکی از 100 مدیر ارشد اطلاعات برتر جهان معرفی شد – از منظر مفهومی به فناوری بلاک چین می پردازد. این دوره عمدتاً از نظر طراحی غیر فنی است و برای کسانی که در موقعیت های رهبری تجاری، علوم داده و مدیریت فناوری اطلاعات کار می کنند در نظر گرفته شده است.\n\n در مرحله بعد، او نحوه عملکرد پایگاه‌های داده آنلاین سنتی را توضیح می‌دهد تا شما مبنایی برای طراحی مجدد این عملکرد توسط بلاک چین داشته باشید. او سپس توضیح می دهد که چگونه بلاک چین به یک راه حل بالقوه برای بسیاری از محدودیت های موجود پایگاه های داده آنلاین تبدیل می شود. از آنجایی که بلاک چین منشأ خود را در بیت کوین - ارز دیجیتال - دارد، او پیشینه ای در این زمینه نیز ارائه می دهد. او همچنین بحث می کند که چگونه فناوری بلاک چین در واقع قابلیت های جدیدی را فراتر از حل ساده مشکلات قدیمی ارائه می دهد. برای پایان دادن به دوره، جاناتان مراحلی را که می توانید در سازمان خود بردارید تا مفاهیم بلاک چین را درک کنید، به اشتراک می گذارد.

linkedin مبانی تجزیه و تحلیل کسب و کار: تحلیل توصیفی، اکتشافی و توضیحی (Mitalearn-131951)

  • 48 minutes
  • متوسط
  • Update date: 26 July 2026
  • Author: Kumaran Ponnambalam
درباره این دوره:

تجزیه و تحلیل کسب و کار به ما امکان می دهد از گذشته درس گرفته و پیش بینی های بهتری برای آینده داشته باشیم. سه نوع تجزیه و تحلیل برای یادگیری از گذشته استفاده می شود. تجزیه و تحلیل توصیفی داده های تاریخی را خلاصه می کند. تجزیه و تحلیل اکتشافی الگوهای پنهان را آشکار می کند. و تجزیه و تحلیل توضیحی دلایل نتایج کسب و کار را نشان می دهد. هر نوع شامل مجموعه ای متفاوت از ابزارها، فناوری ها، فرآیندها و بهترین شیوه ها برای به دست آوردن بینش از داده ها است. این دوره توسط Kumaran Ponnambalam توضیح می دهد که چرا آنها اهمیت دارند و چگونه و چه زمانی از آنها استفاده کنیم.\r\n\r\n سپس مراحلی را که بر گذشته تمرکز می‌کنند را بررسی می‌کنید: توصیفی، اکتشافی و توضیحی. با هر مرحله، شما در مورد فرآیندها، تکنیک ها و بهترین شیوه های مورد استفاده در این زمینه آشنا می شوید. در نهایت، یک مورد استفاده (نتایج یک کمپین بازاریابی ایمیلی) را بررسی می کنید که نشان می دهد چگونه تجزیه و تحلیل در هر مرحله انجام می شود.

coursera مبانی تجزیه و تحلیل کلان داده با SQL (Mitalearn-327094)

  • 4 hours 40 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Glynn Durham
درباره این دوره:

در این دوره آموزشی، تصویر بزرگی از استفاده از SQL برای داده های بزرگ دریافت خواهید کرد که با مروری بر داده ها، سیستم های پایگاه داده و زبان رایج پرس و جو (SQL) شروع می شود. سپس با ویژگی های داده های بزرگ و ابزارهای SQL برای کار بر روی پلتفرم های کلان داده آشنا خواهید شد. شما همچنین یک محیط تمرینی (ماشین مجازی) را برای استفاده در دوره های تخصصی نصب خواهید کرد و فرصتی خواهید داشت که در آن محیط اطلاعات اولیه و جداول را کاوش کنید. در پایان دوره، شما قادر خواهید بود • پایگاه داده های عملیاتی را از تحلیلی تشخیص دهید و درک کنید که چگونه آنها در داده های بزرگ اعمال می شوند. • درک اینکه چگونه طراحی پایگاه داده و جدول ساختارهایی را برای کار با داده ها فراهم می کند. • درک کنید که چگونه تفاوت در حجم و تنوع داده ها بر انتخاب یک سیستم پایگاه داده مناسب تأثیر می گذارد. • ویژگی ها و مزایای گویش های SQL را که برای کار با سیستم های کلان داده برای ذخیره سازی و تجزیه و تحلیل طراحی شده اند، تشخیص دهد. و • پایگاه‌های داده و جداول را در یک پلتفرم کلان داده کاوش 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)

linkedin مبانی علم داده: داده کاوی (Mitalearn-91168)

  • 4 hours 40 minutes
  • مبتدی
  • Release date: 21 June 2026
  • Author: Barton Poulson
درباره این دوره:

تمام علم داده با داده های خوب شروع می شود. داده‌کاوی چارچوبی برای جمع‌آوری، جستجو و فیلتر کردن داده‌های خام در یک موضوع سیستماتیک است که تضمین می‌کند از همان ابتدا داده‌های تمیزی دارید. همچنین به شما کمک می کند تا مجموعه داده های بزرگ را تجزیه کنید و به معنی دارترین و مفیدترین اطلاعات دست یابید. این دوره، مبانی علم داده: داده کاوی، طراحی شده است تا نقطه ورود محکمی به تمامی ابزارها، تکنیک ها و تفکر تاکتیکی پشت داده کاوی ارائه دهد.

rnrn و بیشتر.

linkedin مبانی علم داده: مهندسی داده (Mitalearn-105244)

  • 53 minutes
  • مبتدی
  • Release date: 21 June 2026
  • Author: Ben Sullins
درباره این دوره:

با تسلط بر مهارت های اصلی مورد نیاز برای استفاده از داده ها برای کسب و کار خود، با اطمینان به داده های بزرگ نزدیک شوید. این دوره اصول مهندسی داده، طراحی سیستم، تجزیه و تحلیل و هوش تجاری را پوشش می دهد. بن سالینز، کارشناس علوم داده، نحوه جمع‌آوری و سازماندهی داده‌های خود را توضیح می‌دهد تا بتوانید نتایجی را ارائه دهید که سازمان شما می‌تواند از آن استفاده کند. بن با بررسی اکوسیستم داده مدرن و چگونگی ارتباط آن با اجرای یک هاب داده هوشمند و کارآمد شروع می کند. سپس، او به شما نشان می دهد که چگونه وظایف اصلی مربوط به مدیریت، بارگذاری، استخراج و تبدیل داده ها را انجام دهید. او همچنین شما را از طریق مرحله بندی، نمایه سازی، پاکسازی و انتقال داده ها راهنمایی می کند. در طول مسیر، او توصیه‌های عملی را ارائه می‌دهد که برای کارشناسان داده در سراسر یک سازمان - تحلیلگران، مهندسان، دانشمندان، مدل‌سازان و غیره قابل استفاده است.

coursera مبانی معماری نرم افزار برای داده های بزرگ (Mitalearn-316027)

  • 1 hours 53 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Tyson Gern,Mike Barinek
درباره این دوره:

این دوره برای افرادی در نظر گرفته شده است که به دنبال درک اصول اولیه مهندسی نرم افزار هستند زیرا آنها با ساختن سیستم های نرم افزاری بزرگ که از داده های بزرگ استفاده می کنند، مرتبط هستند. شما با مفاهیم مهندسی نرم افزار لازم برای ساختن و مقیاس بندی سیستم های توزیع شده بزرگ، فشرده با داده آشنا خواهید شد. این دوره با بهترین شیوه‌های مهندسی نرم‌افزار و ریزسرویس‌های داده‌ای بسیار منسجم و کم‌پیوسته شروع می‌شود، این دوره شما را به تکامل یک سیستم توزیع‌شده در طول زمان می‌برد. 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

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)

linkedin معماری برنامه های کاربردی داده های بزرگ: مهندسی برنامه در زمان واقعی (Mitalearn-114050)

  • 1 hours 4 minutes
  • پیشرفته
  • Release date: 22 June 2026
  • Author: Kumaran Ponnambalam
درباره این دوره:

سیستم‌های بلادرنگ زمان پاسخگویی را تضمین می‌کنند که می‌تواند چند ثانیه از ماشه فاصله داشته باشد. به این معنی که وقتی کاربر روی دکمه‌ای کلیک می‌کند، برنامه شما بهتر و سریع پاسخ می‌دهد. معماري برنامه‌ها تحت محدوديت‌هاي بلادرنگ چالش بزرگ‌تري است، وقتي با داده‌هاي بزرگ سروكار داريد. تأخیر بیش از حد می تواند از نظر منابع سیستمی مصرف شده و مشتریان از دست رفته برای شما هزینه داشته باشد. خوشبختانه، فناوری داده‌های بزرگ و معماری کارآمد می‌توانند پاسخگویی در زمان واقعی کسب‌وکار شما را فراهم کنند. در این دوره آموزشی، می‌توانید با موارد استفاده و بهترین روش‌ها برای معماری برنامه‌های بلادرنگ با فناوری‌هایی مانند Kafka، Hazelcast و Apache Spark آشنا شوید.\r\n\r\n در عوض خواهید دید که چگونه ابزارهای کلان داده می توانند به حل برخی از پیچیده ترین چالش ها برای کسب و کارهایی که حجم زیادی از داده ها را تولید، ذخیره و تجزیه و تحلیل می کنند، کمک کند. موارد استفاده از صنایع مختلفی از جمله تجارت الکترونیک و فناوری اطلاعات استخراج شده است. مربی کوماران پونامبالام نحوه تجزیه و تحلیل یک مسئله، ترسیم طرح کلی معماری، انتخاب فناوری های مناسب و نهایی کردن راه حل را نشان می دهد. پس از هر مورد استفاده، او بهترین شیوه‌های مرتبط را برای پخش بلادرنگ، تجزیه و تحلیل پیش‌بینی‌کننده، پردازش موازی و مدیریت خط لوله بررسی می‌کند. هر درس سرشار از تکنیک ها و بینش های عملی از توسعه دهنده ای است که مزایا و کاستی های این فناوری ها را از نزدیک تجربه کرده است.

linkedin معماری برنامه های کاربردی داده های بزرگ: مهندسی کاربرد حالت دسته ای (Mitalearn-390640)

  • 1 hours 28 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Kumaran Ponnambalam
درباره این دوره:

برنامه‌های کاربردی داده‌های بزرگ به دانشمندان و تحلیلگران داده اجازه می‌دهند تا داده‌های بزرگ را به دست آورند، ذخیره کنند، مدیریت کنند و از داده‌های بزرگ برای تولید نتایج منسجم‌تر و مبتنی بر داده استفاده کنند. در این دوره، مربی Kumaran Ponnambalam موارد استفاده تجاری در دنیای واقعی و بهترین شیوه‌ها برای معماری برنامه‌های کلان داده با استفاده از فناوری‌های منبع باز موجود را بررسی می‌کند.

با نحوه معماری برنامه‌های پردازش دسته‌ای ساده و پیچیده آشنا شوید. اصول اولیه معماری کلان داده مانند مقیاس بندی افقی، پردازش توزیع شده، انتخاب و یکپارچه سازی فناوری و زمان بندی را کشف کنید. کوماران به شما نشان می دهد که چگونه حجم داده ها را به حداقل برسانید و بارهای داده را به طور یکنواخت توزیع کنید، همچنین نحوه استفاده از حافظه پنهان، پردازش مجدد داده ها، عیب یابی خطاها و موارد دیگر را نشان می دهد. در طول مسیر، مهارت‌های جدید خود را با موارد استفاده عملی که دامنه‌های کاربردی و فناوری مختلفی را پوشش می‌دهند، به سطح بالاتری ببرید.

linkedin معماری کاربردهای کلان داده: مهندسی کاربرد حالت دسته ای (2017) (Mitalearn-114033)

  • 1 hours 37 minutes
  • پیشرفته
  • Release date: 25 July 2026
  • Author: Kumaran Ponnambalam
درباره این دوره:

حالت دسته ای، عملیات مربوط به داده ها را به منظور کاهش بار روی شبکه ها یکپارچه می کند. حالت دسته‌ای به معماران نرم‌افزار کمک می‌کند تا برنامه‌های کلان داده بسازند که تحت شرایط دنیای واقعی به آرامی و کارآمد عمل کنند. در این دوره آموزشی، می‌توانید با موارد استفاده و بهترین روش‌ها برای معماری برنامه‌های حالت دسته‌ای با استفاده از فناوری‌هایی مانند Hive و Apache Spark آشنا شوید.\r\n\r\n در عوض خواهید دید که چگونه ابزارهای کلان داده می توانند به حل برخی از پیچیده ترین چالش ها برای کسب و کارهایی که حجم زیادی از داده ها را تولید، ذخیره و تجزیه و تحلیل می کنند، کمک کند. موارد استفاده از صنایع مختلفی از جمله تجارت الکترونیک و فناوری اطلاعات استخراج شده است. مربی کوماران پونامبالام نحوه تجزیه و تحلیل یک مسئله، ترسیم طرح کلی معماری، انتخاب فناوری های مناسب و نهایی کردن راه حل را نشان می دهد. پس از هر مورد استفاده، او بهترین شیوه های مرتبط را برای اکتساب داده، حمل و نقل، پردازش، ذخیره سازی و خدمات بررسی می کند. هر درس سرشار از تکنیک ها و بینش های عملی از توسعه دهنده ای است که مزایا و کاستی های این فناوری ها را از نزدیک تجربه کرده است.

Related Skills

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.

linkedin مقدمه ای بر جامووی (Mitalearn-182288)

  • 4 hours 41 minutes
  • متوسط
  • Release date: 22 June 2026
  • Author: Barton Poulson
درباره این دوره:

jamovi یک برنامه رایگان و منبع باز تجزیه و تحلیل داده است که شکاف بین آزادی و قدرت R و دسترسی به SPSS را پر می کند. در این دوره، یاد بگیرید که چگونه تجزیه و تحلیل داده ها را سریع و دوستانه با jamovi انجام دهید. مربی بارتون پولسون نحوه نصب ماژول‌های جامووی و شخص ثالث، وارد کردن و بحث کردن داده‌ها، ایجاد تجسم‌ها بر اساس ggplot2 و تجزیه و تحلیل داده‌ها را با استفاده از روش‌های پیشرفته نشان می‌دهد. به علاوه، نحوه اشتراک گذاری کار خود را با فایل های یکپارچه و همکاری با Open Science Framework (OSF) ببینید.

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 هوش مصنوعی و یادگیری ماشین در GC - 日本語版 (Mitalearn-319036)

  • 2 hours 51 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

هوش مصنوعی このコースでは、予測 AI と生成 AI および機械学習(ML)サービスについて紹介します。AI هوش مصنوعی の基盤、開発 へのライフサイクル全体で利用可能なテクノロジー. 説明するとともに、魅力的な学習体験と実践的なハンズオン演習を通 サイエンティスト、AI 開発者、ML エンジニアの方々がスキルや知識を強化でき るようサポートすることを目指しています.

coursera مقدمه ای بر هوش مصنوعی و یادگیری ماشین در گوگل ابری (Mitalearn-317557)

  • 2 hours 51 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

این دوره، پیشنهادات هوش مصنوعی (AI) و یادگیری ماشین (ML) را در Google Cloud معرفی می کند که از چرخه عمر داده به AI از طریق پایه های AI، توسعه AI و راه حل های AI پشتیبانی می کند. این فن‌آوری‌ها، محصولات و ابزارهای موجود برای ساخت مدل ML، خط لوله ML، و یک پروژه هوش مصنوعی مولد بر اساس اهداف مختلف کاربران، از جمله دانشمندان داده، توسعه‌دهندگان هوش مصنوعی و مهندسان ML را بررسی می‌کند.

Suggestions