Course catalog

Course duration

Course provider

Topic

Categories

Showing 101-120 of 587 items.

coursera اعمال شبکه های متخاصم مولد (GAN) (Mitalearn-332466)

  • 1 hours 27 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Sharon Zhou,Eda Zhou,Eric Zelikman
درباره این دوره:

در این دوره، شما: - کاربردهای GAN ها را کاوش کنید و آنها را در افزایش داده ها، حفظ حریم خصوصی و ناشناس بودن بررسی کنید. - از چارچوب ترجمه تصویر به تصویر استفاده کنید و برنامه های کاربردی را برای روش های فراتر از تصاویر شناسایی کنید - پیاده سازی Pix2Pix، یک GAN ترجمه جفت تصویر به تصویر، برای تطبیق تصاویر ماهواره ای در مسیرهای نقشه (و بالعکس) - ترجمه جفت شده تصویر به تصویر را با ترجمه تصویر به تصویر بدون جفت مقایسه کنید و تشخیص دهید که تفاوت کلیدی آنها چگونه معماری های مختلف GAN را ضروری می کند. - پیاده سازی CycleGAN، یک مدل ترجمه تصویر به تصویر جفت نشده، برای تطبیق اسب ها با گورخرها (و بالعکس) با دو GAN در یک تخصص شبکه‌های متخاصم مولد (GAN) DeepLearning.AI مقدمه‌ای هیجان‌انگیز برای تولید تصویر با GAN‌ها فراهم می‌کند و مسیری را از مفاهیم پایه به تکنیک‌های پیشرفته از طریق یک رویکرد آسان برای درک ترسیم می‌کند. همچنین پیامدهای اجتماعی، از جمله سوگیری در ML و راه های تشخیص آن، حفظ حریم خصوصی و موارد دیگر را پوشش می دهد. ایجاد یک پایگاه دانش جامع و کسب تجربه عملی در GAN. مدل خود را با استفاده از PyTorch آموزش دهید، از آن برای ایجاد تصاویر و ارزیابی انواع GAN های پیشرفته استفاده کنید. این تخصص مسیری قابل دسترس برای همه سطوح یادگیرندگانی که به دنبال نفوذ به فضای GAN یا استفاده از GAN در پروژه های خود هستند، حتی بدون آشنایی قبلی با تحقیقات پیشرفته ریاضی و یادگیری ماشین، فراهم می کند.

coursera اقتصاد سنجی لذت بخش (Mitalearn-327400)

  • 1 hours 24 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Philip Hans Franses
درباره این دوره:

هدف این MOOC نشان دادن این است که روش های اقتصادسنجی اغلب برای پاسخ به سؤالات مورد نیاز است. ابتدا یک سوال مطرح می شود، سپس داده ها جمع آوری می شوند، و سپس در نهایت مدل یا روش وارد می شود. با این حال، بسته به داده ها، ممکن است این اتفاق بیفتد که روش ها نیاز به تطبیق داشته باشند. به عنوان مثال، جایی که ابتدا به دو متغیر نگاه می کنیم، بعداً ممکن است نیاز به بررسی سه یا بیشتر داشته باشیم. یا زمانی که داده ها از دست رفته اند، پس چه کنیم؟ و اگر داده‌ها مانند تعداد مقاله‌های روزنامه‌ای که به کسی استناد می‌کنند، حساب شوند، ممکن است اوضاع نیز تغییر کند. اما این اصلاحات همیشه آخرین هستند و فقط در صورت مرتبط بودن در نظر گرفته می شوند. انگیزه مهمی برای من برای ساختن این MOOC این است که تاکید کنم که مدل‌ها و روش‌های اقتصادسنجی را می‌توان برای تنظیمات غیرمتعارف‌تر نیز اعمال کرد، که معمولاً تنظیماتی هستند که در آن پزشک ابتدا باید داده‌های خود را جمع‌آوری کند. چنین جمع آوری را می توان با ترکیب دقیق پایگاه های داده موجود، و همچنین با برگزاری نظرسنجی ها یا اجرای آزمایش ها انجام داد. یک محصول جانبی جمع آوری داده های خود این است که به انتخاب روش ها و تکنیک های بالقوه موجود کمک می کند. اگر به دنبال یک MOOC در اقتصاد سنجی هستید که به روش های (ریاضی و آماری) اقتصاد سنجی و کاربردهای آنها می پردازد، ممکن است به دوره Coursera "اقتصاد سنجی: روش ها و کاربردها" که همچنین از دانشگاه اراسموس روتردام است علاقه مند شوید.

coursera اقتصاد سنجی: روش ها و کاربردها (Mitalearn-334404)

  • 5 hours 58 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Francine Gresnigt,Dennis Fok,Michel van der Wel
درباره این دوره:

خوش آمدید! آیا می خواهید بدانید چگونه با ابزارهای تجزیه و تحلیل داده ها سوالات تجاری و اقتصادی را تجزیه و تحلیل و حل کنید؟ سپس Econometrics توسط دانشگاه اراسموس روتردام دوره مناسبی برای شما است، زیرا یاد می‌گیرید چگونه داده‌ها را به مدل‌هایی برای پیش‌بینی و حمایت از تصمیم‌گیری ترجمه کنید. * چه چیزی یاد بگیرم؟ وقتی اقتصاد سنجی می دانید، می توانید داده ها را به مدل هایی برای پیش بینی ها و حمایت از تصمیم گیری در زمینه های مختلف، از اقتصاد کلان گرفته تا امور مالی و بازاریابی، تبدیل کنید. دوره ما با سخنرانی های مقدماتی در مورد رگرسیون ساده و چندگانه شروع می شود و به دنبال آن موضوعات مورد علاقه ویژه برای پرداختن به مشخصات مدل، متغیرهای درون زا، داده های انتخاب باینری و داده های سری زمانی قرار می گیرد. این موضوعات کلیدی در اقتصاد سنجی را با تماشای ویدئوها با آزمون های درون ویدئویی و با انجام تمرین های آموزشی پس از ویدئو یاد می گیرید. * آیا به دانش قبلی نیاز دارم؟ این دوره برای دانشجویان (در مقطع کارشناسی ارشد) در اقتصاد، مالی، بازرگانی، مهندسی و تجزیه و تحلیل داده ها و همچنین برای کسانی که در این زمینه ها کار می کنند مناسب است. این دوره به برخی اصول اولیه ماتریس ها، احتمالات و آمار نیاز دارد که در ماژول Building Blocks بررسی می شوند. اگر به دنبال یک MOOC در اقتصاد سنجی با ماهیت مقدماتی هستید که به پیشینه کمتری در ریاضیات نیاز دارد، ممکن است به دوره Coursera "اقتصاد سنجی لذت بخش" که همچنین از دانشگاه اراسموس روتردام است علاقه مند شوید. * برای حمایت از مطالعاتم از چه ادبیاتی می توانم استفاده کنم؟ شما می توانید MOOC را بدون مطالعه منابع اضافی دنبال کنید. مطالعه بیشتر موضوعات مورد بحث (از جمله بلوک‌های ساختمانی) در کتاب درسی که نوشتیم و MOOC بر آن استوار است ارائه شده است: روش‌های اقتصادسنجی با کاربردها در تجارت و اقتصاد، انتشارات دانشگاه آکسفورد. ارتباط بین ماژول های MOOC و فصل های کتاب در راهنمای دوره نشان داده شده است - اطلاعات بیشتر - چگونه می توانم به تحصیل خود ادامه دهم. * آیا دستیاران آموزشی فعالی خواهند بود که من را در طول دوره راهنمایی کنند؟ کارکنان و دانشجویان دکتری موسسه اقتصاد سنجی ما در ژانویه و فوریه هر سال راهنمایی خواهند کرد. در دوره های دیگر فقط راهنمایی ابتدایی می کنیم. ما همیشه به شما توصیه می کنیم که برای بحث در مورد موضوعات و تمرینات با سایر فراگیران این دوره ارتباط برقرار کنید. * چگونه گواهینامه بگیرم؟ برای کسب گواهینامه این دوره، از شما خواسته می شود که شش تمرین تست (یک مورد در هر ماژول) و یک پروژه موردی را انجام دهید. علاوه بر این، شما فعالیت های بازبینی همتای کار سه نفر از همتایان خود را در این MOOC انجام می دهید. اگر تمام هفت تکالیف را بگذرانید، گواهینامه را دریافت می کنید. سفر خوبی به دنیای اقتصاد سنجی داشته باشید! تیم اقتصاد سنجی

coursera اکتساب داده، ریسک و تخمین (Mitalearn-331854)

  • 4 hours 1 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Wendy Martin
درباره این دوره:

متخصصان مهندسی و تجارت اغلب به بسیاری از منابع داده دسترسی دارند. بهترین راه برای اطمینان از معتبر و قابل اعتماد بودن داده های شما این است که از قبل برای آن برنامه ریزی کنید. از طریق این کلاس، شما قادر خواهید بود برای تولید داده های دقیق و دقیق برنامه ریزی کنید، سپس از آن داده ها برای برآورد و کاهش ریسک مربوط به سرمایه گذاری های سرمایه ای استفاده کنید. این تخصص را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد مهندسی CU Boulder در مدیریت مهندسی (ME-EM) ارائه شده در پلت فرم Coursera در نظر گرفت. ME-EM برای کمک به مهندسان، دانشمندان و متخصصان فنی طراحی شده است تا به سمت نقش های رهبری و مدیریت در بخش های مهندسی و فنی حرکت کنند. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، ME-EM برای افرادی با طیف گسترده ای از تحصیلات کارشناسی و/یا تجربه حرفه ای ایده آل است. درباره برنامه ME-EM در https://www.coursera.org/degrees/me-engineering-management-boulder اطلاعات بیشتری کسب کنید.

coursera اکوسیستم داده (Mitalearn-328845)

  • 9 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Tableau Learning Partner Instructor
درباره این دوره:

دوره اکوسیستم داده به شما درک اساسی از کل اکوسیستم داده، از جمله مدیریت داده ها را می دهد. به طور خاص، این دوره نشان می دهد که چگونه یک تحلیلگر هوش تجاری می تواند داده ها را سازماندهی، دسترسی و استفاده کند. با انواع منابع داده همراه با کاربرد و هدف هر نوع آشنا خواهید شد. علاوه بر این، در مورد اهمیت کیفیت داده ها و حاکمیت داده در رابطه با مدیریت موثر داده ها یاد خواهید گرفت. همچنین در مورد اهداف مدیریت داده ها و اصولی که پایه و اساس معماری داده مدرن را تشکیل می دهند، یاد خواهید گرفت. داشتن درک کامل از اکوسیستم داده برای نقش‌های ابتدایی در تحلیل‌های تجاری مهم است. این دوره برای هرکسی است که کنجکاو در مورد نقش‌های سطح ابتدایی است که به مهارت‌های اساسی جدول نیاز دارند، مانند نقش‌های تحلیلگر هوش تجاری یا نقش‌های تحلیلگر گزارش داده. توصیه می شود (اما نه الزامی) که تجربه ای با Tableau Public داشته باشید، اما حتی اگر در Tableau Public تازه کار هستید، همچنان می توانید در این برنامه موفق باشید. در پایان دوره، شما قادر خواهید بود: -هدف و کاربردهای داده های جدولی، پایگاه های داده، انبارهای داده، دریاچه های داده و ETL ها را شرح دهید. -اهمیت کیفیت داده ها و حاکمیت داده ها را در ارتباط با مدیریت داده ها شرح دهید. -اهداف مدیریت داده را شناسایی کنید. - شناسایی اصولی که شالوده معماری داده مدرن را تشکیل می دهند.

coursera الگوریتم های ML (Mitalearn-329678)

  • 2 hours 15 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Whizlabs Instructor
درباره این دوره:

الگوریتم‌های ML چهارمین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. این دوره فراگیران را قادر می‌سازد تا الگوریتم‌های یادگیری ماشینی را عمیقاً غواصی کنند. این دوره به دو ماژول تقسیم می شود و هر ماژول توسط درس ها و سخنرانی های ویدیویی تقسیم بندی می شود. این دوره آموزشی با سخنرانی‌های ویدیویی تقریباً 2:00 تا 2:30 ساعته که هم تئوری و هم دانش عملی را ارائه می‌کند، به فراگیران کمک می‌کند. همچنین آزمون های درجه بندی شده و بدون درجه بندی به منظور سنجش توانایی فراگیران به همراه هر ماژول ارائه می شود. ماژول 1: الگوریتم های ML- قسمت 1 ماژول 2: الگوریتم های ML- قسمت 2 حداقل دو سال تجربه عملی در معماری، ساخت یا اجرای بارهای کاری ML/یادگیری عمیق در AWS Cloud. در پایان این دوره، فراگیران قادر خواهند بود: - تعیین مفاهیم الگوریتم در ML - طراحی الگوریتم های رگرسیون و الگوریتم های مبتنی بر طبقه بندی - الگوریتم های یادگیری تقویتی و الگوریتم های پیش بینی را بررسی کنید

coursera الگوریتم های بدون نظارت در یادگیری ماشین (Mitalearn-333197)

  • 2 hours 29 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Geena Kim
درباره این دوره:

یکی از مفیدترین زمینه ها در یادگیری ماشین، کشف الگوهای پنهان از داده های بدون برچسب است. اصول اولیه این مهارت مورد تقاضا را به جعبه ابزار علم داده خود اضافه کنید. در این دوره، روش‌های یادگیری بدون نظارت منتخب برای کاهش ابعاد، خوشه‌بندی و یادگیری ویژگی‌های نهفته را یاد می‌گیریم. ما همچنین بر برنامه های کاربردی دنیای واقعی مانند سیستم های توصیه کننده با مثال های عملی از الگوریتم های توصیه محصول تمرکز خواهیم کرد. دانش کدنویسی یا برنامه نویسی قبلی مورد نیاز است. ما در طول دوره به طور گسترده از پایتون استفاده خواهیم کرد. مهارت های ریاضی در سطح دانشگاه، از جمله حساب دیفرانسیل و انتگرال و جبر خطی، مورد نیاز است. توصیه می شود، اما نه الزامی، برای گذراندن اولین دوره در تخصص، مقدمه ای بر یادگیری ماشین: یادگیری نظارت شده. 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 تصویر لوگوی دوره توسط رایان والاس در Unsplash.

coursera الگوریتم های توالی یابی DNA (Mitalearn-335288)

  • 6 hours 40 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Ben Langmead, PhD,Jacob Pritt
درباره این دوره:

ما روش های محاسباتی -- الگوریتم ها و ساختارهای داده -- برای تجزیه و تحلیل داده های توالی یابی DNA را یاد خواهیم گرفت. ما کمی در مورد DNA، ژنومیک و نحوه استفاده از توالی یابی DNA خواهیم آموخت. ما از پایتون برای پیاده سازی الگوریتم های کلیدی و ساختارهای داده و تجزیه و تحلیل ژنوم های واقعی و مجموعه داده های توالی DNA استفاده خواهیم کرد.

coursera الگوریتم های یادگیری پیشرفته (Mitalearn-327825)

  • 9 hours 57 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Andrew Ng,Aarti Bagul,Geoff Ladwig
درباره این دوره:

در دوره دوم تخصص یادگیری ماشین، شما: • ساخت و آموزش شبکه عصبی با TensorFlow برای انجام طبقه بندی چند کلاسه • بهترین شیوه ها را برای توسعه یادگیری ماشین به کار ببرید تا مدل های شما به داده ها و وظایف در دنیای واقعی تعمیم یابد • ساخت و استفاده از درختان تصمیم و روش های مجموعه درختی، از جمله جنگل های تصادفی و درختان تقویت شده The Machine Learning Specialization یک برنامه آنلاین اساسی است که با همکاری DeepLearning.AI و Stanford Online ایجاد شده است. در این برنامه مبتدی دوستانه، اصول یادگیری ماشینی و نحوه استفاده از این تکنیک ها برای ساخت اپلیکیشن های هوش مصنوعی در دنیای واقعی را خواهید آموخت. این تخصص توسط اندرو انگ، یک آینده‌نگر هوش مصنوعی که تحقیقات انتقادی را در دانشگاه استنفورد و کارهای پیشگامانه در Google Brain، Baidu و Landing.AI برای پیشرفت در زمینه هوش مصنوعی رهبری کرده است، آموزش داده می‌شود. این تخصص 3 دوره ای، نسخه به روز شده و توسعه یافته دوره پیشگام یادگیری ماشین اندرو است که از زمان راه اندازی آن در سال 2012، دارای امتیاز 4.9 از 5 است و بیش از 4.8 میلیون زبان آموز آن را دریافت کرده اند. این مقدمه گسترده ای برای یادگیری ماشین مدرن، از جمله یادگیری نظارت شده (رگرسیون خطی چندگانه، رگرسیون لجستیک، شبکه های عصبی و درختان تصمیم)، یادگیری بدون نظارت (خوشه بندی، کاهش ابعاد، سیستم های توصیه گر) و برخی از بهترین شیوه های مورد استفاده در سیلیکون ارائه می کند. Valley برای نوآوری های هوش مصنوعی و یادگیری ماشین (ارزیابی و تنظیم مدل ها، اتخاذ رویکرد داده محور برای بهبود عملکرد، و موارد دیگر). در پایان این تخصص، شما بر مفاهیم کلیدی نظری تسلط خواهید داشت و دانش عملی برای به کارگیری سریع و قدرتمند یادگیری ماشینی در مسائل چالش برانگیز دنیای واقعی را به دست خواهید آورد. اگر به دنبال ورود به هوش مصنوعی یا ایجاد حرفه ای در یادگیری ماشین هستید، تخصص جدید یادگیری ماشین بهترین مکان برای شروع است.

coursera الگوریتم‌های یادگیری ماشینی: نکات یادگیری نظارت شده (Mitalearn-335679)

  • 3 hours 7 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Anna Koop
درباره این دوره:

این دوره شما را از درک اصول یک پروژه یادگیری ماشینی راهنمایی می کند. یادگیرندگان تکنیک های یادگیری نظارت شده را در مطالعات موردی واقعی برای تجزیه و تحلیل سناریوهای موردی تجاری که در آن درخت های تصمیم گیری، k-نزدیک ترین همسایه ها و ماشین های بردار پشتیبان به طور بهینه استفاده می شوند، درک کرده و اجرا خواهند کرد. فراگیران همچنین مهارت هایی را برای مقابله با پیامدهای عملی مراحل مختلف آماده سازی داده ها و توصیف مسائل رایج تولید در ML کاربردی به دست خواهند آورد. برای موفقیت، باید حداقل پیش زمینه سطح مبتدی در برنامه نویسی پایتون داشته باشید (به عنوان مثال، بتوانید کدهای موجود را بخوانید و کدنویسی کنید، با شرطی ها، حلقه ها، متغیرها، لیست ها، دیکشنری ها و آرایه ها راحت باشید). شما باید درک اولیه ای از جبر خطی (نماد برداری) و آمار (توزیع احتمال و میانگین / میانه / حالت) داشته باشید. این دومین دوره از تخصص یادگیری ماشین کاربردی است که توسط Coursera و موسسه هوش ماشین آلبرتا برای شما آورده شده است.

coursera الگوهای قابل تکرار برای تجزیه و تحلیل و انتشار (Mitalearn-327519)

  • 5 hours 42 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Melinda Higgins
درباره این دوره:

این دوره به شما کمک می‌کند تا کارهایی را که همکار قبلی انجام داده‌اید، بازسازی کنید، پروژه‌ای را که مدتی پیش رها کرده‌اید، بازبینی کنید، یا به سادگی یک سند را با فرمت و گردش کار ثابت بازتولید کنید. اطلاعات ناقص در مورد نحوه انجام کار، محل قرارگیری فایل ها و آخرین نسخه کدام است، می تواند عوارض زیادی ایجاد کند. این دوره بر فرآیند ایجاد مستندات مناسب تمرکز دارد و به شما و همکارانتان این امکان را می دهد تا به راحتی اجزای گردش کار خود را بازتولید کنید. در طول این دوره، نمایش های مفیدی از RStudio و زبان R Markdown دریافت خواهید کرد و در فرصت های یادگیری فعال شرکت خواهید کرد تا به شما در ایجاد یک نمونه کار آنلاین حرفه ای کمک کند.

coursera انتشار تجسم در R با براق و فلکس داشبورد (Mitalearn-335390)

  • 1 hours 12 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Collin Paschall
درباره این دوره:

تجسم داده ها یک مهارت حیاتی برای هر کسی است که به طور معمول از داده های کمی در کار خود استفاده می کند - به این معنی که تجسم داده ها ابزاری است که تقریباً هر کارگر امروزی به آن نیاز دارد. امروزه یکی از ابزارهای حیاتی برای تجسم داده ها، زبان برنامه نویسی آماری R است. به خصوص در ارتباط با بسته‌های نرم‌افزاری tidyverse، R به یک پلتفرم بسیار قدرتمند و انعطاف‌پذیر برای ساختن شکل‌ها، جداول و گزارش‌های قابل تکرار تبدیل شده است. با این حال، R می‌تواند برای کاربرانی که برای اولین بار استفاده می‌کنند ترسناک باشد، و منابع زیادی به صورت آنلاین وجود دارد که مرتب کردن آن بدون راهنمایی دشوار است. این دوره چهارمین دوره تخصصی "تجسم داده ها و داشبورد در R" است. زبان آموزان با پیشینه قوی در ساخت تجسم در R با استفاده از ggplot2 به این دوره می آیند. برای تقویت این مهارت ها، این دوره شامل ایجاد تجسم تعاملی با استفاده از براق و همچنین ترکیب انواع مختلف شکل های ساخته شده در R در داشبوردهای تعاملی است.

coursera انجام اقتصاد: اندازه گیری تغییرات آب و هوا (Mitalearn-328760)

  • مبتدی
  • Release date: 27 June 2026
  • Author: Eileen Tipoe,Wendy Carlin
درباره این دوره:

این دوره به شما تجربه عملی در کار با داده های دنیای واقعی، با برنامه های کاربردی برای مسائل مهم سیاست در جامعه امروزی می دهد. هر هفته، مهارت‌های خاص مدیریت داده‌ها را در اکسل یاد می‌گیرید و از این تکنیک‌ها برای تجزیه و تحلیل داده‌های تغییرات آب و هوا، با خواندن مناسب برای ارائه اطلاعات پس‌زمینه در مورد داده‌هایی که با آن‌ها کار می‌کنید، استفاده می‌کنید. همچنین در مورد عواقب تغییرات آب و هوایی و نحوه برخورد دولت ها با این موضوع آشنا خواهید شد. پس از اتمام این دوره، شما باید بتوانید: • درک کنید که چگونه می توان از داده ها برای ارزیابی میزان تغییرات آب و هوایی استفاده کرد • برای تجسم داده ها، نمودارهای میله ای، نمودارهای خطی و نمودارهای پراکنده مناسب تولید کنید • محاسبه و تفسیر آمار خلاصه (میانگین، میانه، واریانس، صدک، همبستگی) • چالش ها را با طراحی و اجرای سیاست هایی که به تغییرات آب و هوایی می پردازند، توضیح دهید هیچ دانش قبلی در اقتصاد یا آمار برای این دوره مورد نیاز نیست. هیچ دانشی از اکسل لازم نیست، به جز آشنایی با رابط کاربری و نحوه وارد کردن و پاک کردن داده ها.

coursera انجام تحقیقات بالینی: آمار زیستی با زبان ولفرام (Mitalearn-328879)

  • 7 hours 9 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Juan H Klopper
درباره این دوره:

این دوره با هدف توانمندسازی شما برای انجام تست های آماری آماده برای گنجاندن در پایان نامه ها، مقالات تحقیقاتی و ارائه های شما است. توانایی خلاصه کردن داده‌ها، ایجاد نمودارها و نمودارها، و انجام تست‌های آماری که معمولاً در ادبیات مشاهده می‌کنید، در واقع یک مهارت قدرتمند است. ابزارهای قدرتمندی برای دستیابی به این اهداف به راحتی در دسترس هستند. یادگیری هیچکدام به آسانی و در عین حال به اندازه زبان Wolfram قدرتمند نیست. دانش به معنای واقعی کلمه در زبان ساخته شده است. با رویکرد ساختارمند و سازگار آن برای ایجاد کد، در کمترین زمان به یک متخصص تبدیل خواهید شد. این دوره از رویکرد یادگیری تحلیل آماری با استفاده از زبان کامپیوتری پیروی می کند. این نیاز به دانش قبلی در مورد کدنویسی ندارد. سفری هیجان انگیز در انتظار شماست. اگر حتی بیشتر می خواهید، دروس اختیاری Honors در مورد یادگیری ماشینی وجود دارد که پشتیبانی در زبان Wolfram برای یادگیری عمیق را پوشش می دهد.

coursera اندازه گیری – تبدیل مفاهیم به داده (Mitalearn-329270)

  • 1 hours 32 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Jennifer Bachner, PhD
درباره این دوره:

این دوره چارچوبی برای چگونگی ایجاد و ارزیابی معیارهای کمی توسط تحلیلگران ارائه می دهد. بسیاری از مفاهیم فریبنده ای را که اغلب مورد توجه تحلیل گران است، در نظر بگیرید، مانند سلامت، پیشرفت تحصیلی و اعتماد به دولت. این دوره رویکردهای مختلف برای کمی کردن این مفاهیم را بررسی خواهد کرد. این دوره با مروری بر سطوح مختلف اندازه گیری و روش های تبدیل متغیرها آغاز می شود. سپس در مورد چگونگی ساخت و ساخت یک مدل اندازه گیری بحث خواهیم کرد. در ادامه به بررسی نظرسنجی ها می پردازیم، زیرا آنها یکی از پرکاربردترین ابزارهای اندازه گیری هستند. به عنوان بخشی از این بحث، نمونه گیری، طراحی و ارزیابی نظرسنجی را پوشش خواهیم داد. در نهایت، ما روش‌های مختلفی را برای قضاوت در مورد کیفیت یک اندازه‌گیری، مانند سطح پایایی یا اعتبار آن، در نظر خواهیم گرفت. در پایان این دوره، شما باید بتوانید معیارهایی را برای مفاهیمی که ارزش مطالعه دارند توسعه دهید و به طور انتقادی ارزیابی کنید. پس از همه، یک تحلیل خوب بر اساس معیارهای خوب ساخته شده است.

coursera اندازه گیری کیفیت کل داده ها (Mitalearn-329763)

  • 5 hours 44 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Brady T. West,James Wagner,Jinseok Kim
درباره این دوره:

در پایان این دوره دوم در تخصص کیفیت داده کل، فراگیران قادر خواهند بود: 1. معیارهای مختلفی را برای ارزیابی کیفیت داده کل (TDQ) در هر مرحله از چارچوب TDQ بیاموزید. 2. یک نقشه مفهومی با کیفیت ایجاد کنید که جنبه های مرتبط TDQ را از یک برنامه کاربردی یا منبع داده خاص ردیابی کند. 3. از طریق مبادلات نسبی بین جنبه های کیفیت، هزینه های نسبی و محدودیت های عملی اعمال شده توسط یک پروژه یا مطالعه خاص فکر کنید. 4. شناسایی نرم افزارهای مرتبط و ابزارهای مرتبط برای محاسبه معیارهای مختلف. 5. معیارهایی را که می توان برای داده های طراحی شده و یافت شده/ارگانیک محاسبه کرد، درک کنید. 6. معیارها را روی داده های واقعی اعمال کنید و مقادیر حاصل از آنها را از دیدگاه TDQ تفسیر کنید. 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 انیمیشن داده محور برای ارتباطات علمی (Mitalearn-330324)

  • 16 hours 34 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Dr. Jessica Kendall-Bar
درباره این دوره:

در این دوره، هر دانش‌آموز یک انیمیشن علمی ایجاد می‌کند که داستانی را با داده‌ها برای ارتباط بهتر نتایج علمی بیان می‌کند - در طول مسیر آنها مهارت‌های برنامه‌نویسی، نوشتن علمی و مهارت‌های انیمیشن فنی را یاد خواهند گرفت. این دوره به دانش آموزان در داستان سرایی مبتنی بر داده آموزش می دهد که تحقیقات و ارتباطات علمی را به نفع جوامع و سیاست گذاران در مقیاس محلی و جهانی ترویج می کند. دانش‌آموزان یک اسکریپت نوشتن علمی پیش‌نویس می‌کنند، گرافیک‌های شطرنجی و برداری سفارشی، تجسم داده‌ها و انیمیشن‌ها را در Adobe Photoshop، Adobe Illustrator، Adobe After Effects، Adobe Premiere Pro و Autodesk Maya ایجاد می‌کنند. برای پروژه نهایی خود، دانش‌آموزان این دارایی‌های مبتنی بر داده را در یک چکیده ویدیویی متحرک جمع‌آوری می‌کنند.

coursera ایجاد ارزش با داده های تاریک (Mitalearn-329950)

  • 2 hours 45 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Curtis Thompson
درباره این دوره:

در این دوره، با استفاده از یک رویکرد اصولی که توانایی شما را در استفاده از داده های تاریک برای افزودن ارزش به یک محصول نهایی نشان می دهد، تفکر سطح بعدی در مورد ایجاد ارزش با داده های تاریک را یاد خواهید گرفت.

coursera ایجاد داشبورد و داستان سرایی با Tableau (Mitalearn-328777)

  • 5 hours 36 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Govind Acharya,Hunter Whitney
درباره این دوره:

با استفاده از تجسم‌هایی که در دوره قبلی، Visual Analytics with Tableau ایجاد کردید، داشبوردهایی ایجاد می‌کنید که به شما کمک می‌کند داستان را در داده‌های خود شناسایی کنید، و خواهید فهمید که چگونه از Storypoints برای ایجاد یک داستان قدرتمند استفاده کنید تا تأثیر ماندگاری را در بین مخاطبان خود به جا بگذارید. . شما اهداف ذینفعان خود را با نیازهای کاربران نهایی خود متعادل خواهید کرد و می توانید داستان خود را برای حداکثر تأثیرگذاری ساختار و سازماندهی کنید. در طول دوره، توابع پیشرفته تری را در Tableau اعمال خواهید کرد، مانند سلسله مراتب، اقدامات و پارامترها برای هدایت تعاملات کاربر. برای پروژه نهایی خود، یک روایت قانع‌کننده ایجاد می‌کنید تا در یک جلسه، به‌عنوان یک گزارش ثابت یا در یک نمایش تعاملی آنلاین ارائه شود.

coursera ایجاد یک تیم علم داده (Mitalearn-335611)

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

علم داده یک ورزش تیمی است. به عنوان یک مدیر علوم داده، وظیفه شما این است که تیم را برای موفقیت استخدام کنید، سازماندهی و مدیریت کنید. در این دوره یک هفته‌ای، به این موضوع خواهیم پرداخت که چگونه می‌توانید افراد مناسب را برای تکمیل تیم علم داده خود بیابید، چگونه آنها را سازماندهی کنید تا بهترین فرصت را برای احساس قدرت و موفقیت به آنها بدهید، و چگونه تیم خود را در حین رشد مدیریت کنید. . این یک دوره متمرکز طراحی شده است تا شما را سریعاً در روند ساخت و مدیریت یک تیم علم داده با خبر کند. 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 گذاشته‌ایم تا بتوانید روی مدیریت تیم خود و پیشبرد آن تمرکز کنید. پس از اتمام این دوره خواهید دانست. 1. نقش های مختلف در تیم علم داده از جمله دانشمند داده و مهندس داده 2. نحوه ارتباط تیم علم داده با سایر تیم های یک سازمان 3. صلاحیت های مورد انتظار اعضای مختلف تیم علم داده چیست؟ 4. سوالات مرتبط برای مصاحبه با دانشمندان داده 5. نحوه مدیریت فرآیند ورود به تیم 6. چگونه تیم های علم داده را به سمت موفقیت هدایت کنیم 7. چگونه تیم های علم داده را تشویق و توانمند کنیم تعهد: 1 هفته مطالعه، 4-6 ساعت تصویر جلد دوره توسط JaredZammit. Creative Commons BY-SA. https://flic.kr/p/5vuWZz

Suggestions