Course catalog

Course duration

Course provider

Topic

Categories

Showing 81-100 of 610 items.

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.

linkedin استراتژی های جانبی برای متخصصان علوم داده و تجزیه و تحلیل (Mitalearn-195361)

  • 1 hours 27 minutes
  • مناسب همه
  • Update date: 22 June 2026
  • Author: Keith McCormick
درباره این دوره:

رایج ترین راه برای شروع حرفه ای در علم داده تسلط بر جنبه های فنی شغل و سپس درخواست برای کار در یک شرکت بزرگ است. اما بسیاری از موفق ترین دانشمندان داده نیز کارآفرینانی هستند که برای خودشان کار می کنند. در این دوره، نحوه تنوع بخشیدن به آینده شغلی خود را با فشارهای جانبی کشف کنید. مربی کیت مک کورمیک نشان می دهد که چگونه می توان از مهارت های علم داده و تجزیه و تحلیل خود به روش های مختلف استفاده کرد - از نوشتن کتاب گرفته تا ارائه سخنرانی در کنفرانس ها.

کیت مراحل نوشتن را طی می کند خدمت به عنوان داور فنی برای کتاب های فنی. او توضیح می دهد که چگونه از تخصص علم داده و تجزیه و تحلیل خود برای تبدیل شدن به یک ارائه کننده پولی در کنفرانس ها استفاده کنید. به علاوه، او نحوه ایجاد شهرت خود را به عنوان یک مشاور، تبدیل شدن به یک مربی نیمه وقت در دانشگاه و موارد دیگر را پوشش می دهد. در طول مسیر، کیت نکات و استراتژی‌هایی را برای استفاده حداکثری از این سرمایه‌گذاری‌های جدید پس از تبدیل شدن به بخشی از مجموعه حرفه‌ای شما به اشتراک می‌گذارد.

coursera استراتژی های طراحی برای به حداکثر رساندن کیفیت کل داده ها (Mitalearn-329916)

  • 4 hours 56 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Brady T. West,James Wagner,Jinseok Kim
درباره این دوره:

در پایان این دوره سوم در تخصص کیفیت داده کل، فراگیران قادر خواهند بود: 1. در مورد ابزارها و تکنیک های طراحی برای به حداکثر رساندن TDQ در تمام مراحل چارچوب TDQ در طول یک جمع آوری داده یا فرآیند جمع آوری داده ها بیاموزید. 2. جنبه‌هایی از فرآیند تولید یا جمع‌آوری داده را که بر TDQ تأثیر می‌گذارد، شناسایی کنید و بتوانید ارزیابی کنید که آیا و چگونه می‌توان چنین جنبه‌هایی را اندازه‌گیری کرد. 3. استراتژی‌های حداکثرسازی TDQ را که می‌توان هنگام جمع‌آوری داده‌های طراحی شده و یافت شده/ارگانیک به کار برد، درک کنید. 4. ایجاد راه حل برای مشکلات طراحی فرضی که در طول فرآیند جمع آوری داده ها یا جمع آوری و پردازش داده ها ایجاد می شود. این تخصص به طور کلی با هدف بررسی عمیق چارچوب کیفیت کل داده ها و ارائه اطلاعات بیشتر در مورد ارزیابی دقیق کیفیت کل داده ها که باید قبل از تجزیه و تحلیل داده ها اتفاق بیفتد، در اختیار یادگیرندگان قرار می دهد. هدف این است که یادگیرندگان ارزیابی های کیفیت داده ها را به عنوان یک جزء حیاتی برای همه پروژه ها در فرآیند خود بگنجانند. ما صمیمانه امیدواریم که دانش در مورد کیفیت کل داده ها را به همه فراگیران، مانند دانشمندان داده و تحلیلگران کمی، که در مراحل اولیه فرآیند علم داده که بر جمع آوری داده ها و ارزیابی کیفیت داده ها تمرکز دارد، آموزش کافی ندیده اند، منتشر کنیم. ما احساس می‌کنیم که اگر داده‌های جمع‌آوری‌شده/جمع‌آوری‌شده از کیفیت کافی برخوردار نباشند، دانش گسترده از تکنیک‌های علم داده و روش‌های تجزیه و تحلیل آماری به یک مطالعه تحقیقاتی کمی کمک نمی‌کند. این تخصص بر اولین گام‌های اساسی در هر نوع تحقیق علمی با استفاده از داده‌ها تمرکز می‌کند: تولید یا جمع‌آوری داده‌ها، درک اینکه داده‌ها از کجا آمده‌اند، ارزیابی کیفیت داده‌ها، و اقداماتی برای به حداکثر رساندن کیفیت داده‌ها قبل از انجام هر نوع تحلیل آماری یا به کارگیری تکنیک های علم داده برای پاسخ به سؤالات تحقیق. با توجه به این تمرکز، مطالب کمی در مورد تجزیه و تحلیل داده ها وجود خواهد داشت، که در بی شمار تخصص های موجود Coursera پوشش داده شده است. تمرکز اصلی این تخصص بر درک و به حداکثر رساندن کیفیت داده ها قبل از تجزیه و تحلیل خواهد بود.

coursera استفاده از داده های بدون ساختار با Cloud Dataproc در Google Cloud em Português Brasileiro (Mitalearn-334370)

  • 2 hours 44 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

این برنامه آموزشی فشرده از یک پایه اولیه استفاده می‌کند و به طور خاص مهندسی داده در پلتفرم Google Cloud را بررسی می‌کند. از طریق ویدیوها، نمایش‌های آزمایشگاهی و آزمایش‌های حرفه‌ای، صداگذاری خوشه‌های جمع‌آوری و جستجو برای کارهای اجرایی Hadoop، Spark، Pig e/ou Hive no Google Cloud Platform. محاسبات و یکپارچه‌سازی سیستم‌های یادگیری ماشینی Google Aos Recursivos Programas de Análise. Nos laboratórios práticos، você criará e gerenciará os clusters انجام Dataproc usando o console da Web و CLI و usará o cluster برای کارهای اجرایی Spark e Pig. Depois você criará notebooks iPython que são integrados ao BigQuery و ao armazenamento و utilizará o Spark. برای این منظور، به عنوان APIهای یادگیری ماشینی یکپارچه شده و به تجزیه و تحلیل داده ها پرداخته می شود. پیش نیازها • پایه‌های اصلی یادگیری ماشینی و داده‌های بزرگ در پلتفرم Google Cloud (و تجربیات مشابه) • Algum conhecimento de Python

coursera استفاده از دستیاران مجازی برای بهره وری شخصی (Mitalearn-329984)

  • 1 hours 11 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Arkadi Avanesyan
درباره این دوره:

در دنیای پر سرعت، مدیریت بهره وری شخصی بسیار مهم است. این دوره مبتدیان را با دنیای دستیاران مجازی و چت بات ها و نحوه استفاده از آنها برای افزایش بهره وری شخصی آشنا می کند. یاد بگیرید که چگونه از این ابزارهای مبتنی بر هوش مصنوعی به طور موثر برای ساده کردن وظایف، مدیریت زمان و افزایش کارایی کلی استفاده کنید. در پایان این دوره، شما نه تنها درک جامعی از مفاهیم اساسی در پشت دستیاران مجازی و ربات‌های چت به دست خواهید آورد، بلکه مهارت‌های عملی برای استفاده مؤثر از این فناوری تحول‌آفرین را نیز توسعه خواهید داد. با این دانش و تجربه عملی، به خوبی در مسیر مهارت قرار گرفتن در یک نوآوری پیشگامانه دیگر با هوش مصنوعی خواهید بود. علاوه بر این، شما مجهز به استفاده از این مهارت‌ها در سناریوهای عملی مختلف، مانند خودکار کردن پاسخ‌های ایمیل، زمان‌بندی قرار ملاقات‌ها، تنظیم یادآورها، و حتی توسعه ربات‌های چت سفارشی خود برای وظایف یا صنایع خاص خواهید بود. این دوره به شما قدرت می دهد تا مسئولیت بهره وری خود را بر عهده بگیرید و از دستیاران شخصی مبتنی بر هوش مصنوعی حداکثر استفاده را ببرید. این دوره برای مخاطبان متنوعی از جمله متخصصان اداری، مشاوران، دانشجویان، بازاریابان دیجیتال، کارآفرینان و صاحبان مشاغل کوچک طراحی شده است. برای به حداکثر رساندن مزایای این دوره، از زبان آموزان انتظار می رود که مهارت های اساسی کامپیوتر را داشته باشند، با استفاده از نرم افزارهای کاربردی راحت باشند، به فناوری های هوش مصنوعی علاقه نشان دهند، و مهمتر از همه، نیازی به دانش کدنویسی قبلی نداشته باشند. دسترسی به رایانه یا دستگاه برای تمرین عملی نیز برای شرکت موفق در دوره ضروری است.

coursera استفاده از یادگیری ماشینی در تجارت و امور مالی (Mitalearn-330273)

  • 4 hours 28 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Jack Farmer
درباره این دوره:

این دوره پایه و اساس توسعه استراتژی های معاملاتی پیشرفته با استفاده از تکنیک های یادگیری ماشین را فراهم می کند. در این دوره، اجزای کلیدی را که در هر استراتژی معاملاتی مشترک هستند، مهم نیست که چقدر پیچیده هستند، مرور خواهید کرد. شما با چندین استراتژی معاملاتی از جمله تجارت کمی، تجارت جفتی و تجارت حرکتی آشنا خواهید شد. در پایان دوره، می‌توانید استراتژی‌های معاملاتی کمی را طراحی کنید، مدل‌های یادگیری ماشینی را با استفاده از Keras و TensorFlow بسازید، یک مدل پیش‌بینی استراتژی معاملاتی جفتی بسازید و آن را آزمایش مجدد کنید، و یک مدل معاملاتی مبتنی بر حرکت و آزمون برگشتی بسازید. آن را 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 استقرار مدل های یادگیری ماشینی (Mitalearn-335050)

  • 1 hours 52 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Ilkay Altintas,Julian McAuley
درباره این دوره:

در این دوره آموزشی با سیستم‌های توصیه‌کننده (که برای پروژه Capstone مطالعه خواهیم کرد) آشنا می‌شویم و همچنین مسائل مربوط به استقرار محصولات داده را بررسی خواهیم کرد. در پایان این دوره، شما باید بتوانید یک سیستم توصیه‌گر کار را پیاده‌سازی کنید (مثلاً برای پیش‌بینی رتبه‌بندی، یا تولید فهرست‌های محصولات مرتبط)، و باید ابزارها و تکنیک‌های مورد نیاز برای استقرار چنین سیستم کاری در دنیای واقعی را بدانید. ، مجموعه داده های در مقیاس بزرگ. این دوره آخرین دوره در محصولات Python Data Products for Predictive Analytics است که بر اساس سه دوره قبلی (پردازش و تجسم داده های پایه، تفکر طراحی و تجزیه و تحلیل پیش بینی برای محصولات داده، و مدل سازی پیش بینی معنادار) ساخته شده است. در هر مرحله از تخصص، شما تجربه عملی در دستکاری داده ها و ایجاد مهارت های خود را به دست خواهید آورد، و در نهایت به پروژه ای که شامل تمام مفاهیم آموزش داده شده در تخصص می شود، ختم می شود.

linkedin استقرار یادگیری ماشین مقیاس پذیر برای علم داده (Mitalearn-145279)

  • 1 hours 43 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Dan Sullivan
درباره این دوره:

مدل‌های یادگیری ماشینی اغلب در محیط‌های تولیدی پیچیده اجرا می‌شوند که می‌توانند با جزر و مد داده‌های بزرگ سازگار شوند. ابزارها و شیوه هایی که به دانشمندان داده کمک می کند تا به سرعت مدل های یادگیری ماشین را ساخت کنند، برای استقرار آن مدل ها در مقیاس کافی نیستند. برای ارائه راه حل های مقیاس پذیر، به یک مجموعه ابزار کاملا جدید نیاز دارید. این دوره به دانشمندان داده و مهندسان DevOps یک مرور کلی از الگوهای طراحی رایج برای معماری‌های یادگیری ماشین مقیاس‌پذیر و همچنین ابزارهایی برای استقرار و حفظ مدل‌های یادگیری ماشین در تولید ارائه می‌دهد. مدرس دن سالیوان سه فناوری را بررسی می‌کند که یادگیری ماشینی مقیاس‌پذیر را امکان‌پذیر می‌سازد: خدماتی که مدل‌ها را از طریق APIها نشان می‌دهند، کانتینرهایی برای استقرار مدل‌ها، و ابزارهای هماهنگ‌سازی مانند Kubernetes که به مدیریت کانتینرها و خوشه‌ها کمک می‌کنند. به علاوه، نکاتی را برای نظارت بر عملکرد خدمات خود در محیط های تولیدی دریافت کنید.

coursera استنتاج آماری (Mitalearn-335407)

  • 5 hours 9 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Brian Caffo, PhD,Roger D. Peng, PhD,Jeff Leek, PhD
درباره این دوره:

استنتاج آماری فرآیند نتیجه گیری در مورد جمعیت ها یا حقایق علمی از داده ها است. روش‌های زیادی برای انجام استنتاج وجود دارد که از جمله آن‌ها می‌توان به مدل‌سازی آماری، استراتژی‌های داده‌محور و استفاده صریح از طرح‌ها و تصادفی‌سازی در تحلیل‌ها اشاره کرد. علاوه بر این، تئوری‌های گسترده‌ای (تکرارگرا، بیزی، احتمال، مبتنی بر طراحی، ...) و پیچیدگی‌های متعدد (داده‌های از دست رفته، آشفتگی مشاهده شده و مشاهده نشده، سوگیری‌ها) برای انجام استنتاج وجود دارد. یک تمرین‌کننده اغلب می‌تواند در پیچ و خم ناتوان‌کننده‌ای از تکنیک‌ها، فلسفه‌ها و نکات ظریف رها شود. این دوره اصول استنتاج را در یک رویکرد عملی برای انجام کارها ارائه می دهد. پس از گذراندن این دوره، دانشجویان جهات گسترده استنتاج آماری را درک کرده و از این اطلاعات برای انتخاب آگاهانه در تجزیه و تحلیل داده ها استفاده می کنند.

coursera استنتاج آماری برای تخمین در علم داده (Mitalearn-330341)

  • 8 hours 18 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Jem Corcoran
درباره این دوره:

این دوره استنتاج آماری، توزیع های نمونه گیری و فواصل اطمینان را معرفی می کند. دانش‌آموزان یاد خواهند گرفت که چگونه تخمین‌زن‌های خوب، روش تخمین لحظه‌ها، تخمین حداکثر احتمال، و روش‌های ساخت فواصل اطمینان را تعریف و بسازند که به تنظیمات عمومی‌تر گسترش می‌یابد. این دوره 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، گذراند. 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. لوگوی اقتباس شده از عکس کریستوفر برنز در Unsplash.

coursera استنتاج بیزی با MCMC (Mitalearn-329610)

  • 1 hours 28 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Dr. Srijith Rajamohan
درباره این دوره:

هدف از این دوره معرفی روش های مونت کارلو زنجیره مارکوف برای مدل سازی و استنتاج بیزی است، شرکت کنندگان با یادگیری اصول اولیه روش های مونت کارلو شروع می کنند. این با مثال‌های عملی در پایتون تقویت می‌شود که برای نشان دادن نحوه کار این الگوریتم‌ها استفاده می‌شود. این دومین دوره از یک تخصص شامل سه دوره خواهد بود. از نوت بوک های پایتون و ژوپیتر در طول این دوره برای نشان دادن و انجام مدل سازی بیزی با PyMC3 استفاده می شود. وب سایت دوره در آدرس https://sjster.github.io/introduction_to_computational_statistics/docs/index.html قرار دارد. دفترچه های دوره را می توان با دنبال کردن دستورالعمل های صفحه https://sjster.github.io/introduction_to_computational_statistics/docs/getting_started.html از این وب سایت دانلود کرد. مدرس این دوره دکتر Srijith Rajamohan خواهد بود.

coursera استنتاج علی (Mitalearn-336308)

  • 3 hours 16 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Michael E. Sobel
درباره این دوره:

این دوره یک بررسی دقیق ریاضی از استنتاج علی در سطح کارشناسی ارشد ارائه می دهد. استنباط در مورد علیت در علم، پزشکی، سیاست و تجارت اهمیت زیادی دارد. این دوره مقدمه ای بر ادبیات آماری در مورد استنتاج علی ارائه می دهد که در 35-40 سال اخیر ظهور کرده است و روشی را که در آن آماردانان و محققان کاربردی در بسیاری از رشته ها از داده ها برای استنباط در مورد روابط علی استفاده می کنند متحول کرده است. ما روش هایی را برای جمع آوری داده ها برای تخمین روابط علّی مطالعه خواهیم کرد. دانش آموزان یاد خواهند گرفت که چگونه بین روابط علی و غیر علی تمایز قائل شوند. این همیشه واضح نیست. سپس روش‌های مختلفی را که دانش‌آموزان می‌توانند از آن استفاده کنند - مانند تطبیق، طبقه‌بندی فرعی در امتیاز تمایل، احتمال معکوس وزن‌دهی درمان، و یادگیری ماشینی - برای تخمین انواع اثرات - مانند میانگین اثر درمان و تاثیر درمان بر درمان شده در پایان، روش‌هایی را برای ارزیابی برخی از مفروضاتی که ساخته‌ایم بحث می‌کنیم، و نگاهی مشتاقانه به برنامه‌های افزودنی که در ادامه این دوره می‌گیریم، ارائه می‌کنیم.

coursera استنتاج علی 2 (Mitalearn-336325)

  • 2 hours 49 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Michael E. Sobel
درباره این دوره:

این دوره یک بررسی دقیق ریاضی از موضوعات پیشرفته در استنتاج علی در سطح کارشناسی ارشد ارائه می دهد. استنباط در مورد علیت در علم، پزشکی، سیاست و تجارت اهمیت زیادی دارد. این دوره مقدمه ای بر ادبیات آماری در مورد استنتاج علی ارائه می دهد که در 35-40 سال اخیر ظهور کرده است و روشی را که در آن آماردانان و محققان کاربردی در بسیاری از رشته ها از داده ها برای استنباط در مورد روابط علی استفاده می کنند متحول کرده است. ما موضوعات پیشرفته در استنتاج علی، از جمله مدل‌های میانجی، طبقه‌بندی اصلی، استنتاج علی طولی، ناپیوستگی رگرسیون، تداخل و مدل‌های اثرات ثابت را مطالعه خواهیم کرد.

coursera اسکریپت نویسی با پایتون و SQL برای مهندسی داده (Mitalearn-333146)

  • 4 hours 12 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Alfredo Deza,Kennedy Behrman,Noah Gift
درباره این دوره:

در این دوره سوم از Python، Bash و SQL Essentials for Data Engineering Specialization، شما تکنیک هایی را برای کار موثر با Python و SQL بررسی خواهید کرد. ما از طریق ساختارهای داده مفید در اسکریپت نویسی پایتون می گذریم و به پایگاه داده هایی مانند MySQL متصل می شویم. علاوه بر این، یاد خواهید گرفت که چگونه از یک ویرایشگر متن مدرن برای اتصال و اجرای پرس و جوهای SQL در برابر یک پایگاه داده واقعی استفاده کنید و عملیات بارگیری و استخراج داده ها را انجام دهید. در نهایت، از داده های استخراج شده از وب سایت ها با استفاده از تکنیک های scraping استفاده خواهید کرد. این مهارت ها به شما این امکان را می دهد که زمانی که داده ها به راحتی در دسترس نیستند، یا زمانی که برای استخراج اطلاعات مفید از پایگاه های داده به پرس و جوهای فضایی نیاز است، به طور موثر کار کنید.

coursera اصول fMRI 1 (Mitalearn-328709)

  • 5 hours 51 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Martin Lindquist, PhD, MSc,Tor Wager, PhD
درباره این دوره:

تصویربرداری تشدید مغناطیسی عملکردی (fMRI) پرکاربردترین تکنیک برای بررسی مغز زنده و کارآمد انسان در حین انجام وظایف و تجربه حالات ذهنی است. این یک نقطه همگرایی برای کار چند رشته ای از بسیاری از رشته ها است. روانشناسان، آماردانان، فیزیکدانان، دانشمندان کامپیوتر، دانشمندان علوم اعصاب، محققان پزشکی، دانشمندان علوم رفتاری، مهندسان، محققان بهداشت عمومی، زیست شناسان و دیگران گرد هم می آیند تا درک ما از ذهن و مغز انسان را ارتقا دهند. این دوره طراحی، اکتساب و تجزیه و تحلیل داده های تصویربرداری تشدید مغناطیسی کاربردی (fMRI) از جمله استنتاج روانشناختی، فیزیک MR، K Space، طراحی تجربی، پیش پردازش داده های fMRI و همچنین مدل های خطی تعمیم یافته (GLM) را پوشش می دهد. کتاب مربوط به کلاس را می توانید در اینجا پیدا کنید: https://leanpub.com/principlesoffmri.

coursera اصول fMRI 2 (Mitalearn-335475)

  • 6 hours 29 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Martin Lindquist, PhD, MSc,Tor Wager, PhD
درباره این دوره:

تصویربرداری تشدید مغناطیسی عملکردی (fMRI) پرکاربردترین تکنیک برای بررسی مغز زنده و کارآمد انسان در حین انجام وظایف و تجربه حالات ذهنی است. این یک نقطه همگرایی برای کار چند رشته ای از بسیاری از رشته ها است. روانشناسان، آماردانان، فیزیکدانان، دانشمندان کامپیوتر، دانشمندان علوم اعصاب، محققان پزشکی، دانشمندان علوم رفتاری، مهندسان، محققان بهداشت عمومی، زیست شناسان و دیگران گرد هم می آیند تا درک ما از ذهن و مغز انسان را ارتقا دهند. این دوره تجزیه و تحلیل داده های تصویربرداری تشدید مغناطیسی کاربردی (fMRI) را پوشش می دهد. این ادامه دوره "اصول fMRI، قسمت 1" است.

Suggestions