Course catalog

Course duration

Course provider

Topic

Categories

Showing 8,561-8,580 of 18,566 items.

coursera تجزیه و تحلیل داده های اکتشافی [coursera] (Mitalearn-335356)

  • 5 hours 2 minutes
  • مناسب همه
  • Release date: 27 June 2026
  • Author: Roger D. Peng, PhD,Jeff Leek, PhD,Brian Caffo, PhD
درباره این دوره:

این دوره تکنیک های اکتشافی ضروری برای خلاصه کردن داده ها را پوشش می دهد. این تکنیک‌ها معمولاً قبل از شروع مدل‌سازی رسمی اعمال می‌شوند و می‌توانند به توسعه مدل‌های آماری پیچیده‌تر کمک کنند. تکنیک‌های اکتشافی نیز برای حذف یا تشدید فرضیه‌های بالقوه در مورد جهان که می‌توانند توسط داده‌ها به آن پرداخته شوند، مهم هستند. ما به طور مفصل به سیستم های ترسیم در R و همچنین برخی از اصول اولیه ساخت گرافیک داده خواهیم پرداخت. ما همچنین برخی از تکنیک های آماری چند متغیره رایج مورد استفاده برای تجسم داده های با ابعاد بالا را پوشش خواهیم داد.

coursera تجزیه و تحلیل داده های اکتشافی با متلب (Mitalearn-327196)

  • 2 hours 17 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Erin Byrne,Michael Reardon,Maria Gavilan-Alfonso
درباره این دوره:

در این دوره یاد خواهید گرفت که مانند یک دانشمند داده فکر کنید و از داده های خود سوال بپرسید. شما از ویژگی های تعاملی در متلب برای استخراج زیرمجموعه های داده و محاسبه آمار بر روی گروه های داده های مرتبط استفاده خواهید کرد. شما یاد خواهید گرفت که از MATLAB برای تولید خودکار کد استفاده کنید تا بتوانید در حین کاوش، سینتکس را یاد بگیرید. شما همچنین از اسناد تعاملی، به نام اسکریپت‌های زنده، برای ثبت مراحل تجزیه و تحلیل، ارتباط نتایج و ارائه کنترل‌های تعاملی که به دیگران اجازه می‌دهد با انتخاب گروه‌هایی از داده‌ها آزمایش کنند، استفاده خواهید کرد. این مهارت‌ها برای کسانی که دانش حوزه و تا حدودی در معرض ابزارهای محاسباتی هستند، ارزشمند است، اما هیچ پیش‌زمینه برنامه‌نویسی لازم نیست. برای موفقیت در این دوره، باید اطلاعاتی در مورد آمار اولیه (مانند هیستوگرام، میانگین، انحراف معیار، برازش منحنی، درونیابی) داشته باشید. در پایان این دوره، شما قادر خواهید بود داده ها را در MATLAB بارگذاری کنید، آن ها را برای تجزیه و تحلیل آماده کنید، آن ها را تجسم کنید، محاسبات اولیه را انجام دهید و نتایج خود را به دیگران منتقل کنید. در آخرین تکلیف خود، این مهارت ها را برای ارزیابی خسارات ناشی از یک رویداد شدید آب و هوایی ترکیب می کنید و یک توصیه صیقلی را بر اساس تجزیه و تحلیل داده ها ارسال می کنید. شما قادر خواهید بود مکان این رویدادها را روی یک نقشه جغرافیایی تجسم کنید و کنترل‌های کشویی ایجاد کنید که به شما امکان می‌دهد به سرعت نحوه تغییر یک پدیده را در طول زمان تجسم کنید.

coursera تجزیه و تحلیل داده های اکتشافی برای یادگیری ماشینی (Mitalearn-270280)

  • 4 hours 52 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Joseph Santarcangelo,Svitlana (Lana) Kramar
درباره این دوره:

این اولین دوره در گواهینامه حرفه ای یادگیری ماشین آی بی ام شما را با یادگیری ماشین و محتوای گواهینامه حرفه ای آشنا می کند. در این دوره به اهمیت داده های خوب و با کیفیت پی خواهید برد. شما تکنیک های متداول برای بازیابی داده های خود، پاکسازی آن ها، اعمال مهندسی ویژگی ها و آماده سازی آن ها برای تجزیه و تحلیل اولیه و آزمایش فرضیه را خواهید آموخت. در پایان این دوره شما باید بتوانید: بازیابی داده ها از چندین منبع داده: SQL، پایگاه داده NoSQL، API ها، Cloud  توصیف و استفاده از تکنیک های رایج انتخاب ویژگی و مهندسی ویژگی ویژگی های دسته بندی و ترتیبی و همچنین مقادیر از دست رفته را کنترل کنید از تکنیک های مختلفی برای تشخیص و مقابله با موارد پرت استفاده کنید توضیح دهید که چرا مقیاس بندی ویژگی مهم است و از انواع تکنیک های مقیاس بندی استفاده کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با یادگیری ماشین و هوش مصنوعی 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 حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.

datacamp تجزیه و تحلیل داده های اکتشافی در Power BI (Mitalearn-400840)

  • 38 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Maarten Van den Broeck,Jacob Marquez
درباره این دوره:

گزارش‌های خود را با تجزیه و تحلیل داده‌های اکتشافی Power BI (EDA) تقویت کنید. شما با استفاده از آمار توصیفی برای شناسایی نقاط پرت، شناسایی داده‌های از دست رفته و استفاده از تکنیک‌های انتساب برای پر کردن شکاف‌های موجود در مجموعه داده‌تان شروع می‌کنید. سپس خواهید آموخت که چگونه EDA در Power BI می تواند به شما کمک کند تا با استفاده از معیارهای آماری اولیه و نمودارهای جعبه و پراکندگی، روابط بین متغیرها را کشف کنید - اعم از طبقه بندی شده و پیوسته.

datacamp تجزیه و تحلیل داده های اکتشافی در R (Mitalearn-401197)

  • 46 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Andrew Bray
درباره این دوره:

زمانی که مجموعه داده شما به صورت جدول یا پایگاه داده نشان داده می شود، مشاهده چیزهای زیادی در مورد آن فراتر از اندازه آن و انواع متغیرهای موجود در آن دشوار است. در این دوره، یاد خواهید گرفت که چگونه از تکنیک های گرافیکی و عددی برای شروع کشف ساختار داده های خود استفاده کنید. کدام متغیرها روابط جالبی را نشان می دهند؟ کدام مشاهدات غیرعادی هستند؟ در پایان دوره، می‌توانید به این سؤالات و موارد دیگر پاسخ دهید و در عین حال گرافیک‌هایی را ایجاد کنید که هم روشنگر و هم زیبا هستند.

datacamp تجزیه و تحلیل داده های اکتشافی در SQL (Mitalearn-399582)

  • 57 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Christina Maimone
درباره این دوره:

شما به پایگاه داده دسترسی دارید. حالا چیکار میکنی؟ با تکیه بر مهارت‌های موجود خود در پیوستن به جداول، استفاده از توابع اولیه، گروه‌بندی داده‌ها و استفاده از پرسش‌های فرعی، گام بعدی در سفر SQL شما یادگیری نحوه کاوش در پایگاه داده و داده‌های موجود در آن است. با استفاده از داده‌های شرکت‌های Stack Overflow، Fortune 500، و درخواست‌های کمک 311 از Evanston، IL، با انواع داده‌های عددی، کاراکتر و تاریخ/زمان آشنا می‌شوید. شما از توابع برای جمع‌آوری، خلاصه‌سازی و تجزیه و تحلیل داده‌ها بدون خروج از پایگاه داده استفاده خواهید کرد. خطاها و ناهماهنگی ها در داده ها شما را متوقف نمی کند! مشکلات رایجی که باید جستجو کنید و استراتژی هایی برای پاکسازی داده های نامرتب را یاد خواهید گرفت. در پایان این دوره، شما آماده خواهید بود که کاوش پایگاه های داده PostgreSQL خود و تجزیه و تحلیل داده های موجود در آنها را آغاز کنید.

datacamp تجزیه و تحلیل داده های اکتشافی در پایتون (Mitalearn-399038)

  • 54 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: George Boorman,Izzy Weber
درباره این دوره:

بنابراین شما داده های جالبی دارید - تحلیل خود را از کجا شروع می کنید؟ این دوره، فرآیند کاوش و تجزیه و تحلیل داده‌ها، از درک آنچه در یک مجموعه داده تا ترکیب یافته‌های اکتشاف در یک گردش کار علم داده را شامل می‌شود، پوشش می‌دهد.

با استفاده از داده‌های مربوط به ارقام بیکاری و قیمت بلیط هواپیما، از پایتون برای جمع‌بندی و اعتبارسنجی داده‌ها، محاسبه، شناسایی و جایگزینی مقادیر از دست رفته و پاکسازی مقادیر عددی و مقوله‌ای استفاده می‌کنید. در طول دوره، تصاویر زیبای Seaborn را برای درک متغیرها و روابط آنها ایجاد خواهید کرد.

برای مثال، نحوه ارتباط مصرف الکل و عملکرد دانش‌آموز را بررسی خواهید کرد. در نهایت، این دوره نشان می‌دهد که چگونه یافته‌های اکتشافی با ایجاد ویژگی‌های جدید، متعادل کردن ویژگی‌های طبقه‌بندی، و ایجاد فرضیه‌ها از یافته‌ها، به جریان‌های کاری علم داده وارد می‌شوند.

در پایان این دوره، اطمینان خواهید داشت که تجزیه و تحلیل داده‌های اکتشافی (EDA) خود را در پایتون انجام دهید. می‌توانید یافته‌های خود را به صورت بصری برای دیگران توضیح دهید و گام‌های بعدی را برای جمع‌آوری بینش از داده‌های خود پیشنهاد دهید!

linkedin تجزیه و تحلیل داده های اکسل برای زنجیره تأمین: پیش بینی (Mitalearn-419472)

  • 3 hours 37 minutes
  • مناسب همه
  • Release date: 12 May 2025
  • Author: Eddie Davila
درباره این دوره: 

 این دوره مقدمه ای جامع برای استفاده از اکسل برای پیش بینی زنجیره تأمین ، پوشش مفاهیم اساسی ، روشهای پیش بینی ، تجزیه و تحلیل خطا و موارد دیگر ارائه می دهد. ملزومات تجزیه و تحلیل سری زمانی ، میانگین حرکت ، تکنیک های رگرسیون و فصلی را به همراه کاربردهای عملی مانند تصحیح تعصب و محاسبات نرخ رشد سالانه مرکب کشف کنید. مربی ادی دیویلا با ترکیب دانش نظری با تظاهرات اکسل دستی ، شما را به مهارت های لازم برای ایجاد پیش بینی های دقیق و عملی مجهز می کند. علاوه بر این ، در مورد تفسیر خطاهای پیش بینی و تراز کردن روشها با نیازهای تجاری منحصر به فرد خود ، بینش هایی کسب کنید. این دوره یک ایده آل برای متخصصان زنجیره تأمین است که به دنبال تقویت تصمیم گیری و برنامه ریزی عملیاتی هستند.

linkedin تجزیه و تحلیل داده های اکسل: پیش بینی (Mitalearn-50504)

  • 3 hours 7 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Wayne Winston
درباره این دوره:

پروفسور وین وینستون برای بیش از بیست سال تکنیک های پیش بینی پیشرفته را به شرکت های Fortune 500 آموزش داده است. در این دوره، او نحوه استفاده از ابزارهای تجزیه و تحلیل داده های اکسل - از جمله نمودارها، فرمول ها و توابع - را برای ایجاد پیش بینی های دقیق و روشنگر نشان می دهد. یاد بگیرید که چگونه داده های سری زمانی را به صورت بصری نمایش دهید. با محاسبه خطاها و سوگیری ها، مطمئن شوید که پیش بینی های شما دقیق است. از خطوط روند برای شناسایی روندها و داده های پرت استفاده کنید. رشد مدل؛ محاسبه فصلی؛ و شناسایی متغیرهای ناشناخته، با تحلیل رگرسیون چندگانه. مجموعه ای از چالش های تمرینی در طول مسیر به شما کمک می کند تا مهارت های خود را آزمایش کنید و کار خود را با راه حل های وین مقایسه کنید.

datacamp تجزیه و تحلیل داده های اینترنت اشیا در پایتون (Mitalearn-405294)

  • 54 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Matthias Voppichler
درباره این دوره:

آیا تا به حال در مورد دستگاه های اینترنت اشیا شنیده اید؟ البته که دارید. شاید شما نیز یک Raspberry PI در خانه خود داشته باشید که دما و رطوبت را کنترل می کند. دستگاه های اینترنت اشیا همه جا در اطراف ما هستند و داده های مربوط به محیط ما را جمع آوری می کنند. شما داده های زیست محیطی، داده های ترافیک و همچنین داده های شمارنده انرژی را تجزیه و تحلیل خواهید کرد. پس از دوره آموزشی، نحوه جمع آوری و ذخیره داده ها را از یک جریان داده یاد خواهید گرفت. قبل از اجرا، داده های اینترنت اشیا را برای تجزیه و تحلیل، تجزیه و تحلیل و تجسم داده های اینترنت اشیا آماده می کنید یک مدل یادگیری ماشینی ساده برای انجام اقدامات در هنگام وقوع رویدادهای خاص و استقرار این مدل به یک جریان داده در زمان واقعی.

linkedin تجزیه و تحلیل داده های بزرگ با Hadoop و Apache Spark (Mitalearn-169470)

  • 1 hours 1 minutes
  • متوسط
  • Release date: 24 February 2020
  • Author: Kumaran Ponnambalam
درباره این دوره: 

 Apache Hadoop پیشگام در دنیای فناوری های کلان داده بود و همچنان در ذخیره سازی کلان داده های سازمانی پیشرو است. Apache Spark برترین موتور پردازش داده های بزرگ است و مجموعه ای چشمگیر از ویژگی ها و قابلیت ها را ارائه می دهد. هنگامی که با هم استفاده می شود، سیستم فایل توزیع شده Hadoop (HDFS) و Spark می توانند یک تنظیم تجزیه و تحلیل داده های بزرگ واقعا مقیاس پذیر را ارائه دهند. در این دوره آموزشی، یاد بگیرید که چگونه از این دو فناوری برای ایجاد خطوط لوله تجزیه و تحلیل داده مقیاس پذیر و بهینه استفاده کنید. مربی کوماران پونامبالام راه‌هایی را برای بهینه‌سازی مدل‌سازی و ذخیره‌سازی داده در HDFS بررسی می‌کند. در مورد مصرف و استخراج داده های مقیاس پذیر با استفاده از Spark صحبت می کند. و نکاتی را برای بهینه سازی پردازش داده ها در Spark ارائه می دهد. به علاوه، او یک پروژه مورد استفاده ارائه می دهد که به شما امکان می دهد تکنیک های جدید خود را تمرین کنید.

linkedin تجزیه و تحلیل داده های بزرگ با Hadoop و Apache Spark (Mitalearn-442847)

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

Apache Hadoop پیشگام در دنیای فناوری های کلان داده بود و همچنان در ذخیره سازی کلان داده های سازمانی پیشتاز است. Apache Spark برترین موتور پردازش داده های بزرگ است و مجموعه ای چشمگیر از ویژگی ها و قابلیت ها را ارائه می دهد. هنگامی که با هم استفاده می شود، سیستم فایل توزیع شده Hadoop (HDFS) و Spark می توانند یک راه اندازی واقعا مقیاس پذیر برای تجزیه و تحلیل داده های بزرگ ارائه دهند. در این دوره، کوماران پونامبالام، متخصص تجزیه و تحلیل داده، به شما نشان می دهد که چگونه از این دو فناوری برای ایجاد خطوط لوله تجزیه و تحلیل داده مقیاس پذیر و بهینه استفاده کنید. کاوش راه هایی برای بهینه سازی مدل سازی و ذخیره سازی داده ها در HDFS؛ بحث در مورد مصرف و استخراج داده های مقیاس پذیر با استفاده از Spark. و نکات قابل اجرا برای بهینه سازی پردازش داده ها در Spark را مرور کنید. به علاوه، یک پروژه مورد استفاده را تکمیل کنید که به شما امکان می دهد تکنیک های جدید خود را تمرین کنید.

linkedin تجزیه و تحلیل داده های بزرگ با Hive (Mitalearn-105261)

  • 1 hours 53 minutes
  • متوسط
  • Release date: 22 June 2026
  • Author: Ben Sullins
درباره این دوره:

کسب و کارها با اتخاذ تصمیمات آگاهانه ای که نیازهای مشتریان و کاربران خود را هدف قرار می دهد، پیشرفت می کنند. برای اتخاذ چنین تصمیمات استراتژیک، آنها بر داده ها تکیه می کنند. Hive ابزار انتخابی برای بسیاری از دانشمندان داده است زیرا به آنها اجازه می دهد تا با SQL، یک نحو آشنا، کار کنند تا بینش هایی را از Hadoop استخراج کنند، و اطلاعاتی را که کسب و کارها به دنبال برنامه ریزی موثر هستند، منعکس می کند.\r\n مربی بن سالینز با نشان دادن نحوه ساختار و بهینه سازی داده های خود شروع می کند. در مرحله بعد، او توضیح می دهد که چگونه می توان Hue، رابط کاربری Hadoop را برای استفاده از HiveQL هنگام تجزیه و تحلیل داده ها، به کار برد. با استفاده از گزینه جدید پیکربندی شده، سپس نحوه بارگیری داده ها، ایجاد جداول انبوه برای دسترسی سریع به پرس و جو و اجرای تجزیه و تحلیل پیشرفته را نشان می دهد. او همچنین شما را از طریق مدیریت جداول و استفاده از توابع راهنمایی می کند. این دوره آموزشی طراحی شده است تا به شما کمک کند راه‌های جدیدی برای کار با مجموعه داده‌ها پیدا کنید تا بتوانید به سؤالات سخت علم داده‌ای که سر راهتان قرار می‌گیرد پاسخ دهید.

Related Skills

coursera تجزیه و تحلیل داده های بزرگ با SQL (Mitalearn-327128)

  • 7 hours 7 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Ian Cook
درباره این دوره:

در این دوره، نگاهی عمیق به دستور SQL SELECT و بندهای اصلی آن خواهید داشت. این دوره بر روی موتورهای SQL داده های بزرگ Apache Hive و Apache Impala تمرکز دارد، اما بیشتر اطلاعات برای SQL با RDBM های سنتی نیز قابل استفاده است. مدرس به صراحت به تفاوت های MySQL و PostgreSQL می پردازد. در پایان دوره، شما قادر خواهید بود • کاوش و پیمایش پایگاه های داده و جداول با استفاده از ابزارهای مختلف. • اصول عبارات SELECT را درک کنید. • درک چگونگی و چرایی فیلتر کردن نتایج. کاوش در گروه بندی و تجمیع برای پاسخ به سؤالات تحلیلی. • کار با مرتب سازی و محدود کردن نتایج. و • چند جدول را به روش‌های مختلف ترکیب 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)

datacamp تجزیه و تحلیل داده های بیزی در پایتون (Mitalearn-403016)

  • 53 minutes
  • مناسب همه
  • Release date: 28 June 2026
  • Author: Michał Oleszak
درباره این دوره:

تحلیل داده‌های بیزی یک روش رو به افزایش استنتاج آماری است که برای تعیین احتمال شرطی بدون تکیه بر ثابت‌های ثابت مانند سطوح اطمینان یا مقادیر p استفاده می‌شود. در این دوره، یاد خواهید گرفت که تجزیه و تحلیل داده بیزی چگونه کار می کند، چگونه با رویکرد کلاسیک متفاوت است، و چرا بخشی ضروری از جعبه ابزار علم داده شما است. با تجزیه و تحلیل داده‌های تبلیغاتی، فروش و اجاره دوچرخه در دنیای واقعی، با آزمایش A/B، تجزیه و تحلیل تصمیم‌گیری و مدل‌سازی رگرسیون خطی با استفاده از رویکرد بیزی آشنا خواهید شد. در نهایت، با کتابخانه PyMC3 آشنا خواهید شد، که طراحی، تناسب و تفسیر مدل‌های بیزی را برای شما آسان‌تر می‌کند.

Related Skills

linkedin تجزیه و تحلیل داده های پایتون (Mitalearn-433565)

  • 3 hours 43 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Michele Vallisneri
درباره این دوره:

علم داده شیوه ای را که رهبران دولت و صنعت به مشکلات خاص و جهان در کل نگاه می کنند ، تغییر داده است. کنجکاو در مورد چگونگی عملکرد تجزیه و تحلیل داده ها در عمل؟ در این دوره ، مربی میشل والیزنرنی توضیح می دهد که برای شروع کار با استفاده از Python چه کاری لازم است.

میشل نحوه تنظیم محیط تجزیه و تحلیل خود را نشان می دهد و در مورد اصول کار با ساختارهای داده در پایتون ، تازه کننده ای را ارائه می دهد. سپس ، او به چیزهای بزرگ می پرید: قدرت آرایه ها ، نمایه سازی و جداول در Numpy و Pandas. او همچنین شما را از طریق دو پروژه بزرگ داده های بزرگ راهنمایی می کند: استفاده از NUMPY برای شناسایی و تجسم الگوهای آب و هوا و استفاده از پاندا برای تجزیه و تحلیل محبوبیت نام کودک در قرن گذشته. چالش های صادر شده در این راه به شما کمک می کند تا آنچه را آموخته اید تمرین کنید. بعلاوه ، در مورد مهارت های موجود در کارهای اساسی تجزیه و تحلیل داده ها بیاموزید: واردات و درگیری ، خلاصه و تجسم ، مدل سازی و استدلال.

این دوره با CodeSpaces GitHub ، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به تنظیمات محلی محلی ارائه می دهد ، یکپارچه شده است. با استفاده از Codepaces GitHub ، می توانید از هر دستگاهی ، در هر زمان استفاده کنید-همه در حالی که از ابزاری استفاده می کنید که احتمالاً در محل کار با آن روبرو خواهید شد. برای یادگیری نحوه شروع کار ، فیلم "تنظیم: استفاده از Codespaces" را بررسی کنید.

linkedin تجزیه و تحلیل داده های پایتون (Mitalearn-179194)

  • 2 hours 30 minutes
  • متوسط
  • Release date: 11 March 2020
  • Author: Michele Vallisneri
درباره این دوره: 

 علم داده در حال تغییر روشی است که رهبران دولت و صنعت هم به مشکلات خاص و هم به جهان در کل نگاه می کنند. کنجکاو هستید که چگونه تجزیه و تحلیل داده ها در عمل عمل می کند؟ در این دوره آموزشی، مدرس Michele Vallisneri به شما نشان می‌دهد که چگونه با استفاده از پایتون شروع به علم داده‌ها می‌کند.

Michele نحوه تنظیم محیط تجزیه و تحلیل خود را نشان می‌دهد و یک تازه‌سازی در مورد اصول اولیه کار ارائه می‌دهد. با ساختارهای داده در پایتون سپس، او به چیزهای بزرگ می پردازد: قدرت آرایه ها، نمایه سازی، و جداول در NumPy و پانداها - دو بسته محبوب شخص ثالث که به طور خاص برای تجزیه و تحلیل داده ها طراحی شده اند. او همچنین دو پروژه نمونه کلان داده را بررسی می کند: استفاده از NumPy برای شناسایی و تجسم الگوهای آب و هوا و استفاده از پانداها برای تجزیه و تحلیل محبوبیت نام نوزادان در قرن گذشته. چالش‌های ارائه شده در طول مسیر به شما کمک می‌کند تا آنچه را که آموخته‌اید تمرین کنید.

توجه: این نسخه از دوره به‌روزرسانی شد تا تغییرات اخیر در Python 3، NumPy، و پانداها را منعکس کند.

coursera تجزیه و تحلیل داده های پایتون (Mitalearn-329015)

  • 6 hours 17 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Victor Geislinger
درباره این دوره:

این دوره استفاده از زبان برنامه نویسی پایتون را برای دستکاری مجموعه داده ها به عنوان جایگزینی برای صفحات گسترده معرفی می کند. شما از چارچوب OSEMN تجزیه و تحلیل داده ها پیروی می کنید تا داده ها را بکشید، تمیز کنید، دستکاری کنید و تفسیر کنید و در عین حال اصول برنامه نویسی اساسی و توابع پایه پایتون را یاد بگیرید. شما با کتابخانه پایتون، پانداها و نحوه استفاده از آن برای به دست آوردن، تمیز کردن، کاوش و تجسم داده ها آشنا خواهید شد. در پایان این دوره شما قادر خواهید بود: • از پایتون برای ساخت حلقه ها و ساختارهای داده اولیه استفاده کنید • مرتب سازی، پرس و جو و ساختار داده ها در پانداها، کتابخانه پایتون • تجسم داده ها را با کتابخانه های پایتون ایجاد کنید • مدل سازی و تفسیر داده ها با استفاده از پایتون این دوره برای افرادی طراحی شده است که می خواهند اصول استفاده از پایتون را برای مرتب سازی و ساختار داده ها برای تجزیه و تحلیل داده ها یاد بگیرند. شما نیازی به تجربه بازاریابی یا تجزیه و تحلیل داده ندارید، اما باید مهارت های ناوبری اینترنتی اولیه را داشته باشید و مشتاق مشارکت باشید.

coursera تجزیه و تحلیل داده های پایتون [coursera] (Mitalearn-305776)

  • 3 hours 15 minutes
  • مبتدی
  • Release date: 27 June 2026
  • Author: Scott Rixner,Joe Warren
درباره این دوره:

این دوره مقدماتی بر برنامه نویسی پایتون را که با اصول برنامه نویسی پایتون و بازنمایی داده های پایتون آغاز شده است، ادامه می دهد. ما در مورد خواندن، ذخیره و پردازش داده های جدولی، که کارهای رایج هستند، یاد خواهیم گرفت. همچنین فایل های CSV و پشتیبانی پایتون برای خواندن و نوشتن آنها را به شما آموزش خواهیم داد. فایل‌های CSV یک فرمت فایل متنی عمومی و ساده هستند که به شما امکان می‌دهد داده‌های جدولی را بین برنامه‌های مختلف مبادله کنید. این مفاهیم و مهارت ها به شما کمک می کند تا دانش برنامه نویسی پایتون خود را بیشتر گسترش دهید و به شما امکان می دهد داده های پیچیده تری را پردازش کنید. در پایان دوره، کار با داده های جدولی در پایتون راحت خواهید بود. این امر تخصص برنامه نویسی پایتون شما را گسترش می دهد و به شما امکان می دهد طیف وسیع تری از اسکریپت ها را با استفاده از پایتون بنویسید. این دوره از Python 3 استفاده می کند. در حالی که بیشتر برنامه های Python همچنان از Python 2 استفاده می کنند، Python 3 آینده زبان برنامه نویسی Python است. این دوره از محیط های توسعه پایتون دسکتاپ استفاده می کند که به شما امکان می دهد برنامه های پایتون را مستقیماً بر روی رایانه خود اجرا کنید.

linkedin تجزیه و تحلیل داده های پایتون برای مراقبت های بهداشتی (Mitalearn-385795)

  • 2 hours 48 minutes
  • مناسب همه
  • Release date: 1 April 2024
  • Author: Wuraola Oyewusi
درباره این دوره: 

 صنعت مراقبت های بهداشتی یکی از متنوع ترین منابع داده، از بالینی گرفته تا اداری گرفته تا زنجیره فروش و تامین، و حتی داده های نظارتی است. این دوره با دانشمند داده و داروساز Wuraola Oyewusi به شما می آموزد که چگونه از پایتون برای طیف گسترده ای از سناریوهای تجزیه و تحلیل داده ها در مراقبت های بهداشتی استفاده کنید. Wuraola موارد کاربرد عملی مانند تجزیه و تحلیل داده های آماری، دستکاری داده ها، بحث و تجسم با استفاده از برنامه نویسی Python برای سناریوهای مختلف در صنعت مراقبت های بهداشتی را پوشش می دهد.

Suggestions