Course catalog

Course duration

Course provider

Topic

Categories

Showing 181-200 of 507 items.

linkedin پایتون در اکسل برای متخصصان مالی (Mitalearn-433718)

  • 48 minutes
  • مناسب همه
  • Release date: 9 April 2024
  • Author: Christian Martinez
درباره این دوره: 

 اکنون که مایکروسافت از ادغام پایتون در اکسل خبر داد ، متخصصان دارایی باید یاد بگیرند که چگونه این ادغام را برای تجزیه و تحلیل داده ها ، اتوماسیون و راه های بهبود کار خود استفاده کنند. در این دوره ، کریستین مارتینز ، مدیر تحلیلی مالی ، شما را از طریق روش های استفاده از تجزیه و تحلیل داده ها برای تقویت توانایی های تحلیلی و مدل سازی شما راهنمایی می کند.

linkedin پایتون در اکسل: شروع با تجزیه و تحلیل داده ها (Mitalearn-433735)

  • 1 hours 40 minutes
  • مناسب همه
  • Release date: 12 March 2024
  • Author: Joe Marini
درباره این دوره: 

 آیا به دنبال این هستید که یک شیرجه عمیق تر را به ویژگی ها و عملکردهای اصلی پایتون در اکسل برسانید؟ این دوره دستی اصول کار با داده ها را با استفاده از پایتون در اکسل از جمله ساختار داده ها ، داده های داده ها ، توابع و موارد دیگر پوشش می دهد. به مربی و متخصص صنعت جو مارینی بپیوندید ، زیرا او شما را با استفاده از نقاط قوت مربوطه خود در کنار هم ، از این دو فناوری پیشرو بیشتر می کند. در طول راه ، مهارت های جدید و دانش فنی خود را در چالش های تمرینی در پایان هر بخش آزمایش کنید. در طول دوره ، جو تعداد انگشت شماری از نمونه های عملی پایتون درسل را مانند تعیین تاریخ با DateUtil ، ایجاد یک دنباله تصادفی ، ایجاد یک طرح پراکندگی با Seaborn ، ایجاد نمودار گانت و استخراج داده ها با استفاده از عبارات منظم برجسته می کند.

coursera پایتون و پانداها برای مهندسی داده (Mitalearn-328505)

  • 4 hours 7 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Kennedy Behrman,Alfredo Deza,Noah Gift
درباره این دوره:

در این اولین دوره از Python، Bash و SQL Essentials for Data Engineering Specialization، شما یاد خواهید گرفت که چگونه یک محیط کاری پایتون کنترل شده با نسخه راه اندازی کنید که می تواند از کتابخانه های شخص ثالث استفاده کند. شما یاد خواهید گرفت که از پایتون و کتابخانه قدرتمند پانداها برای تجزیه و تحلیل و دستکاری داده ها استفاده کنید. علاوه بر این، با Vim و Visual Studio Code که دو ابزار محبوب برای نوشتن نرم افزار هستند نیز آشنا خواهید شد. این دوره برای دانش‌آموزان مبتدی و متوسط ​​برای شروع تبدیل و دستکاری داده‌ها به عنوان یک مهندس داده ارزشمند است.

coursera پردازش داده AWS (Mitalearn-329304)

  • 3 hours
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Whizlabs Instructor
درباره این دوره:

دوره AWS: Data Processing Course دومین دوره تخصصی تخصصی تجزیه و تحلیل داده تایید شده AWS است. این دوره بر ارائه راه حل های پردازش داده تمرکز دارد. کل دوره برای آموزش مفهوم EMR و Extract، Transform و Load به فراگیران طراحی شده است. این دوره همچنین بر خدمات ETL و راه حل های پردازش داده در AWS تأکید دارد. این دوره به سه ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره آموزشی با سخنرانی‌های ویدیویی در حدود 3:30-4:00 ساعت که هم تئوری و هم دانش عملی را ارائه می‌کند، به زبان‌آموزان تسهیل 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: مقدمه: استخراج، تبدیل و بارگذاری مشاغل ماژول 2: مقدمه: EMR ماژول 3: خدمات ETL و راه حل پردازش داده در AWS توصیه می شود که افراد باید تجربه کار با خدمات AWS برای طراحی، ساخت، ایمن سازی و نگهداری را داشته باشند. راه حل های تحلیلی برای درک این دوره در پایان این دوره، فراگیران قادر خواهند بود: -مفاهیم مدلسازی را تجزیه و تحلیل کنند و مدل های یادگیری ماشینی را آموزش دهند - عملکرد مدل های یادگیری ماشینی را بررسی کنند - با آموزش یک مدل، تنظیم خودکار مدل را پیاده سازی کنند.

coursera پردازش داده با Azure (Mitalearn-322674)

  • 3 hours 52 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Samant Bali,Kenny Mobley
درباره این دوره:

این دوره آموزشی Azure برای تجهیز دانش آموزان به دانش لازم برای پردازش، ذخیره و تجزیه و تحلیل داده ها برای تصمیم گیری آگاهانه تجاری طراحی شده است. از طریق این دوره Azure، دانش‌آموز متوجه خواهد شد که داده‌های بزرگ به همراه اهمیت تجزیه و تحلیل داده‌های بزرگ، که مهارت‌های ریاضی و برنامه‌نویسی دانش‌آموزان را بهبود می‌بخشد. دانش آموزان موثرترین روش استفاده از ابزارهای تحلیلی ضروری مانند پایتون، R و آپاچی اسپارک را خواهند آموخت.

coursera پردازش داده ها و مهندسی ویژگی ها با متلب (Mitalearn-331276)

  • 3 hours 48 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Michael Reardon,Maria Gavilan-Alfonso,Erin Byrne
درباره این دوره:

در این دوره، مهارت‌های آموخته‌شده در تجزیه و تحلیل داده‌های اکتشافی با متلب را ایجاد می‌کنید تا پایه‌های مورد نیاز برای مدل‌سازی پیش‌بینی‌کننده را ایجاد کنید. این دوره سطح متوسط ​​برای هر کسی که نیاز به ترکیب داده ها از چندین منبع یا زمان دارد و علاقه مند به مدل سازی است مفید است. این مهارت ها برای کسانی که دانش حوزه و مقداری در معرض ابزارهای محاسباتی هستند، اما هیچ پیشینه برنامه نویسی ندارند، ارزشمند است. برای موفقیت در این دوره، باید پیشینه ای در زمینه آمار پایه (هیستوگرام، میانگین، انحراف معیار، برازش منحنی، درونیابی) داشته باشید و تجزیه و تحلیل داده های اکتشافی را با متلب تکمیل کرده باشید. در طول دوره، شما داده ها را از مجموعه داده های مختلف ادغام خواهید کرد و سناریوهای رایج مانند داده های از دست رفته را مدیریت خواهید کرد. در آخرین ماژول دوره، تکنیک های ویژه ای را برای مدیریت داده های متنی، صوتی و تصویری که در علم داده و مدل سازی پیشرفته تر رایج است، بررسی خواهید کرد. در پایان این دوره، شما یاد خواهید گرفت که چگونه داده های خود را تجسم کنید، آنها را تمیز کنید و برای تجزیه و تحلیل مرتب کنید، و کیفیت های لازم برای پاسخ به سوالات خود را شناسایی کنید. شما می‌توانید توزیع داده‌های خود را تجسم کنید و از بازرسی بصری برای رسیدگی به مصنوعاتی که بر مدل‌سازی دقیق تأثیر می‌گذارند، استفاده کنید.

coursera پردازش داده های بدون سرور با Dataflow: توسعه خطوط لوله (Mitalearn-336223)

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

در این قسمت دوم از سری دوره های Dataflow، ما قصد داریم در توسعه خطوط لوله با استفاده از Beam SDK بیشتر غواصی کنیم. ما با بررسی مفاهیم پرتو آپاچی شروع می کنیم. در مرحله بعد، ما در مورد پردازش داده های جریان با استفاده از پنجره ها، واترمارک ها و تریگرها بحث می کنیم. سپس گزینه‌هایی را برای منابع و سینک‌ها در خطوط لوله، طرح‌واره‌ها برای بیان داده‌های ساختاریافته و نحوه انجام تبدیل‌های حالت با استفاده از APIهای State و Timer پوشش می‌دهیم. ما به بررسی بهترین شیوه‌هایی می‌رویم که به حداکثر رساندن عملکرد خط لوله شما کمک می‌کنند. در پایان دوره، ما SQL و Dataframes را معرفی می کنیم تا منطق کسب و کار شما را در Beam و نحوه توسعه مکرر خطوط لوله با استفاده از نوت بوک های Beam را نشان دهیم.

coursera پردازش داده های بدون سرور با جریان داده: عملیات (Mitalearn-336359)

  • 1 hours 52 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

در آخرین قسمت از سری دوره های Dataflow به معرفی اجزای مدل عملیاتی Dataflow می پردازیم. ما ابزارها و تکنیک های عیب یابی و بهینه سازی عملکرد خط لوله را بررسی خواهیم کرد. سپس بهترین روش‌های آزمایش، استقرار و قابلیت اطمینان را برای خطوط لوله Dataflow بررسی می‌کنیم. ما با بررسی الگوها نتیجه گیری خواهیم کرد، که مقیاس خطوط لوله جریان داده را برای سازمان هایی با صدها کاربر آسان می کند. این درس ها به شما کمک می کند تا مطمئن شوید که پلت فرم داده شما در برابر شرایط پیش بینی نشده پایدار و مقاوم است.

coursera پردازش داده های بدون سرور با جریان داده: مبانی (Mitalearn-331038)

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

این دوره قسمت 1 از مجموعه 3 دوره ای در مورد پردازش داده های بدون سرور با جریان داده است. در این دوره اول، ما با تجدید نظر در مورد پرتو آپاچی و ارتباط آن با Dataflow شروع می کنیم. در مرحله بعد، در مورد چشم انداز پرتو آپاچی و مزایای فریم ورک Beam Portability صحبت می کنیم. چارچوب Beam Portability به این چشم‌انداز دست می‌یابد که یک توسعه‌دهنده می‌تواند از زبان برنامه‌نویسی مورد علاقه خود با اجرای مطلوب خود استفاده کند. سپس به شما نشان می‌دهیم که چگونه Dataflow به شما اجازه می‌دهد تا محاسبات و ذخیره‌سازی را در حین صرفه‌جویی در هزینه جدا کنید، و چگونه هویت، دسترسی، و ابزارهای مدیریتی با خطوط لوله Dataflow شما تعامل دارند. در نهایت، ما به نحوه پیاده‌سازی مدل امنیتی مناسب برای استفاده شما در Dataflow نگاه می‌کنیم. پیش نیازها: سری دوره های پردازش داده های بدون سرور با جریان داده مبتنی بر مفاهیمی است که در تخصص مهندسی داده ها پوشش داده شده است. ما دوره های پیش نیاز زیر را توصیه می کنیم: (i) ساخت خطوط لوله داده دسته ای در Google Cloud: اصول اصلی جریان داده را پوشش می دهد (ii) ساختن سیستم‌های تجزیه و تحلیل جریان انعطاف‌پذیر در Google Cloud: مفاهیم اولیه استریم مانند پنجره‌سازی، محرک‌ها و واترمارک‌ها را پوشش می‌دهد. >>> با ثبت نام در این دوره، با شرایط خدمات Qwiklabs که در پرسش های متداول و در آدرس زیر آمده است موافقت می کنید: https://qwiklabs.com/terms_of_service <<<

coursera پردازش زبان طبیعی بالینی (Mitalearn-331429)

  • 57 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laura K. Wiley, PhD
درباره این دوره:

این دوره به شما اصول پردازش زبان طبیعی بالینی (NLP) را می آموزد. در این دوره شما اصول زبانی اساسی زیربنای NLP و همچنین نحوه نوشتن عبارات منظم و مدیریت داده های متنی در R را خواهید آموخت. همچنین تکنیک های عملی برای پردازش متن را یاد خواهید گرفت تا بتوانید اطلاعات را از یادداشت های بالینی استخراج کنید. در نهایت، شما فرصتی خواهید داشت که مهارت های خود را با یک برنامه عملی در دنیای واقعی آزمایش کنید که در آن الگوریتم های پردازش متن را برای شناسایی عوارض دیابت از یادداشت های بالینی ایجاد می کنید. شما این کار را با استفاده از یک محیط محاسباتی آنلاین رایگان برای علم داده که توسط شریک صنعتی Google Cloud میزبانی شده است، تکمیل خواهید کرد.

coursera پردازش زبان طبیعی و تکلیف Capstone (Mitalearn-333367)

  • 6 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Julie Pai
درباره این دوره:

به پردازش زبان طبیعی و تخصیص Capstone خوش آمدید. در این دوره ما با یک شناخت نحوه استفاده از تکنیک های فنی و تجاری برای ارائه بینش تجاری، هوش رقابتی و احساسات مصرف کننده شروع می کنیم. این دوره با یک تکلیف اصلی پایان می یابد که در آن شما طیف گسترده ای از آنچه در این تخصص پوشش داده شده است را اعمال خواهید کرد.

linkedin پردازش متن با Python Essential Training (Mitalearn-192607)

  • 33 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Kumaran Ponnambalam
درباره این دوره:

در دنیای داده های بزرگ، اطلاعات بیشتر و بیشتری به صورت متنی مصرف و تحلیل می شود. وب‌سایت‌ها، رسانه‌های اجتماعی، ایمیل‌ها و چت‌ها به منابع کلیدی داده‌ها و بینش‌ها تبدیل شده‌اند. اگر با داده ها کار می کنید، درک نحوه برخورد با داده های متنی بدون ساختار ضروری است. در این دوره، مربی Kumaran Ponnambalam به شما کمک می کند تا مجموعه مهارت های متن کاوی خود را بسازید و تکنیک های کلیدی استخراج، پاکسازی و پردازش متن در پایتون را پوشش دهد. کوماران مفاهیم کلیدی پردازش متن مانند رمزگذاری و ریشه‌یابی را بررسی می‌کند. او همچنین به تکنیک هایی برای تبدیل متن به فرم آماده تجزیه و تحلیل، از جمله n-gram و TF-IDF نگاه می کند. در طول مسیر، او نمونه هایی از این تکنیک ها را با استفاده از پایتون و کتابخانه NLTK ارائه می کند.

coursera پردازش و تجسم داده های پایه (Mitalearn-331242)

  • 3 hours 1 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Julian McAuley,Ilkay Altintas
درباره این دوره:

این اولین دوره آموزشی چهار دوره تخصصی Python Data Products for Predictive Analytics است که اصول اولیه خواندن و دستکاری مجموعه داده ها را در پایتون معرفی می کند. در این دوره شما یاد می گیرید که محصول داده چیست و از چندین کتابخانه پایتون برای انجام بازیابی، پردازش و تجسم داده ها عبور می کنید. این دوره شما را با رشته علم داده آشنا می کند و شما را برای سه دوره بعدی در تخصص: طراحی تفکر و تجزیه و تحلیل پیش بینی برای محصولات داده، مدل سازی پیش بینی معنادار، و استقرار مدل های یادگیری ماشین آماده می کند. 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.

coursera پردازش و دستکاری داده ها (Mitalearn-334251)

  • 1 hours 32 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Di Wu
درباره این دوره:

دوره "پردازش و دستکاری داده ها" درک جامعی از مفاهیم و ابزارهای مختلف پردازش و دستکاری داده ها را در اختیار دانشجویان قرار می دهد. شرکت‌کنندگان یاد می‌گیرند که چگونه مقادیر از دست رفته را مدیریت کنند، نقاط پرت را شناسایی کنند، نمونه‌برداری و کاهش ابعاد را انجام دهند، تکنیک‌های مقیاس‌بندی و گسسته‌سازی را اعمال کنند، و عملیات‌های مکعب داده و جدول محوری را کاوش کنند. این دوره دانش آموزان را با مهارت های ضروری برای آماده سازی کارآمد و تبدیل داده ها برای تجزیه و تحلیل و تصمیم گیری مجهز می کند. اهداف آموزشی: 1. درک اهمیت پردازش و دستکاری داده ها در خط لوله تجزیه و تحلیل داده ها. 2. تکنیک های مدیریت مقادیر از دست رفته در مجموعه داده ها، از جمله راهبردهای انتساب و حذف را بیاموزید. 3. شناسایی و شناسایی موارد پرت برای ارزیابی تأثیر آنها بر تجزیه و تحلیل داده ها و تصمیم گیری. 4. روش های نمونه برداری و تکنیک های کاهش ابعاد را برای مجموعه داده های بزرگ و داده های با ابعاد بالا کاوش کنید. 5. از تکنیک های مقیاس بندی داده ها برای عادی سازی و استانداردسازی متغیرها برای مقایسه های معنادار استفاده کنید. 6. از گسسته سازی برای تبدیل داده های پیوسته به نمایش های طبقه بندی شده استفاده کنید و تجزیه و تحلیل را ساده کنید. 7. درک مفهوم مکعب داده و انجام تجمیع چند بعدی برای تجزیه و تحلیل اکتشافی. 8. جداول محوری برای خلاصه کردن و شکل دادن به داده ها ایجاد کنید و بینش های ارزشمندی را از مجموعه داده های پیچیده به دست آورید. در طول دوره، دانش‌آموزان فعالانه در تمرین‌ها و پروژه‌های عملی شرکت می‌کنند و به آن‌ها اجازه می‌دهد تا تکنیک‌های پردازش و دستکاری داده‌ها را در مجموعه داده‌های دنیای واقعی اعمال کنند. در پایان دوره، شرکت کنندگان به خوبی مجهز خواهند شد تا به طور موثر داده ها را برای کارهای تجزیه و تحلیل بعدی و تصمیم گیری مبتنی بر داده آماده کنند، تمیز کنند و تبدیل کنند.

coursera پروژه Capstone تحلیلگر داده IBM (Mitalearn-330137)

  • 11 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Rav Ahuja,Ramesh Sannareddy
درباره این دوره:

با تکمیل این پروژه نهایی، مهارت ها و تکنیک های تجزیه و تحلیل داده های مختلفی را که به عنوان بخشی از دوره های قبلی در گواهینامه حرفه ای تحلیلگر داده IBM آموخته اید، به کار خواهید گرفت. شما نقش یک تحلیلگر داده‌های مرتبط را که اخیراً به سازمان پیوسته است را بر عهده خواهید گرفت و با یک چالش تجاری مواجه می‌شوید که نیاز به تجزیه و تحلیل داده‌ها دارد تا بر روی مجموعه داده‌های دنیای واقعی انجام شود. شما وظایف مختلفی را که تحلیلگران حرفه ای داده به عنوان بخشی از وظایف خود انجام می دهند، انجام خواهید داد، از جمله: - جمع آوری داده ها از منابع متعدد - جدال داده ها و آماده سازی داده ها - تجزیه و تحلیل داده های اکتشافی - تجزیه و تحلیل آماری و داده کاوی - تجسم داده ها با نمودارها و نمودارهای مختلف و - ایجاد داشبورد تعاملی پروژه با ارائه گزارش تجزیه و تحلیل داده های شما برای سهامداران مختلف در سازمان به اوج خود می رسد. این گزارش شامل یک خلاصه اجرایی، تجزیه و تحلیل شما و یک نتیجه خواهد بود. شما هم از نظر کارتان برای مراحل مختلف فرآیند تجزیه و تحلیل داده ها و هم برای تحویل نهایی ارزیابی خواهید شد. به عنوان بخشی از این پروژه، مهارت خود را در استفاده از نوت‌بوک‌های Jupyter، SQL، پایگاه‌های داده رابطه‌ای (RDBMS)، ابزارهای هوش تجاری (BI) مانند Cognos، و کتابخانه‌های پایتون مانند Pandas، Numpy، Scikit-learn، Scipy، Matplotlib، Seaborn نشان خواهید داد. و دیگران این پروژه افزودنی عالی به مجموعه شما و فرصتی برای به نمایش گذاشتن مهارت های تجزیه و تحلیل داده های خود به کارفرمایان احتمالی است.

coursera پروژه Capstone علوم اجتماعی محاسباتی (Mitalearn-333894)

  • 1 hours 58 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Martin Hilbert
درباره این دوره:

تبریک میگم شما نه تنها موفق شدید که گشت و گذار فکری ما را به پایان برسانید، بلکه در حال حاضر، تمام مهارت های لازم برای اجرای یک گردش کار چند روشی جامع علوم اجتماعی محاسباتی را نیز دارید. ما این مهارت‌ها را در این آزمایشگاه یکپارچه نهایی، جایی که همه آن‌ها را گرد هم می‌آوریم، به کار خواهیم برد. ما داده‌ها را از یک سایت رسانه‌های اجتماعی جمع‌آوری می‌کنیم (با تکیه بر مهارت‌های به‌دست‌آمده در دوره اول این تخصص). سپس داده‌های جمع‌آوری‌شده را با تجسم شبکه‌های حاصل (بر اساس مهارت‌های به‌دست‌آمده در دوره سوم) تجزیه و تحلیل می‌کنیم. ما برخی از جنبه های کلیدی آن را با استفاده از پردازش زبان طبیعی مبتنی بر یادگیری ماشین (به کار انداختن بینش های به دست آمده در دوره دوم) به طور عمیق تجزیه و تحلیل می کنیم. در نهایت، ما از یک مدل شبیه‌سازی کامپیوتری برای کشف مکانیسم‌های مولد احتمالی استفاده می‌کنیم و جنبه‌هایی را که در واقعیت تجربی خود نیافته‌ایم، اما به ما در بهبود این جنبه از جامعه کمک می‌کنند (با تکیه بر مهارت‌های به‌دست‌آمده در دوره چهارم این تخصص) بررسی می‌کنیم. . نتیجه اولین نگاه اجمالی به روش جدیدی از انجام علوم اجتماعی در عصر دیجیتال است: علوم اجتماعی محاسباتی. تبریک می گویم! با انجام همه این کارها، می توانید خود را یک دانشمند علوم اجتماعی محاسباتی نوپا بدانید!

coursera پروژه پایتون برای علم داده (Mitalearn-332143)

  • 9 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Azim Hirjani,Joseph Santarcangelo
درباره این دوره:

این مینی دوره برای شما در نظر گرفته شده است تا مهارت های پایه پایتون را برای کار با داده ها نشان دهید. این دوره در درجه اول شامل تکمیل پروژه ای است که در آن نقش یک دانشمند داده یا یک تحلیلگر داده را بر عهده می گیرید و مجموعه داده های دنیای واقعی و سناریوی الهام گرفته شده از دنیای واقعی برای شناسایی الگوها و روندها به شما ارائه می شود. شما کارهای خاص علم داده و تجزیه و تحلیل داده مانند استخراج داده ها، خراش دادن وب، تجسم داده ها و ایجاد داشبورد را انجام خواهید داد. این پروژه مهارت شما را با پایتون و استفاده از کتابخانه هایی مانند پانداها و سوپ زیبا در یک نوت بوک Jupyter نشان می دهد. پس از اتمام، یک پروژه چشمگیر برای اضافه کردن به سبد شغلی خود خواهید داشت. پیش نیاز: **دوره پایتون برای علوم داده، هوش مصنوعی و توسعه** از IBM پیش نیاز این دوره پروژه است. لطفاً مطمئن شوید که قبل از گذراندن این دوره، دوره پایتون برای علوم داده، هوش مصنوعی و توسعه از IBM را گذرانده باشید یا مهارتی معادل در کار با پایتون و داده داشته باشید. توجه: این دوره آموزشی برای آموزش پایتون به شما نیست و محتوای آموزشی زیادی ندارد. این برای شما در نظر گرفته شده است که دانش قبلی پایتون را به کار ببرید.

coursera پروژه تحلیل جغرافیایی (Mitalearn-335033)

  • 3 hours 38 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Nick Santos
درباره این دوره:

در این دوره مبتنی بر پروژه، شما یک تجزیه و تحلیل کامل مبتنی بر GIS را طراحی و اجرا خواهید کرد - از شناسایی یک مفهوم، سوال یا موضوعی که می خواهید توسعه دهید، تا محصولات داده نهایی و نقشه هایی که می توانید به مجموعه خود اضافه کنید. پروژه تکمیل شده شما تسلط شما را بر محتوا در تخصص GIS نشان می دهد و به چهار مرحله تقسیم می شود: نقطه عطف 1: پیشنهاد پروژه - پروژه خود را به صورت انتزاعی مفهوم و طراحی کنید و یک پیشنهاد کوتاه بنویسید که شامل توضیحات پروژه، داده های مورد انتظار است. نیازها، جدول زمانی و نحوه تکمیل آن. Milestone 2: Workflow Design - گردش کار تجزیه و تحلیل پروژه خود را توسعه دهید، که معمولاً شامل ایجاد حداقل یک الگوریتم اصلی برای پردازش داده های شما می شود. این مدل نباید پیچیده یا پیچیده باشد، اما باید به شما امکان تجزیه و تحلیل داده‌های مکانی را برای خروجی جدید یا ایجاد یک نقشه تحلیلی جدید از نوع خاصی بدهد. نقطه عطف 3: تجزیه و تحلیل داده ها - داده ها را به دست آورید و از قبل پردازش کنید، آنها را از طریق مدل ها یا سایر گردش های کاری خود اجرا کنید تا محصولات داده های خام خود را بدست آورید، و شروع به ایجاد محصولات نقشه نهایی و/یا تجزیه و تحلیل کنید. نقطه عطف 4: ایجاد نقشه وب و چاپ - پروژه خود را با ارسال نقشه های قابل استفاده و جذاب و داده ها و الگوریتم خود برای بررسی و بازخورد همتایان تکمیل کنید.

coursera پروژه جمع آوری داده های نظرسنجی و تجزیه و تحلیل (Capstone) (Mitalearn-344706)

  • مناسب همه
  • Release date: 27 June 2026
  • Author: Frauke Kreuter, Ph.D.
درباره این دوره:

پروژه Capstone به فراگیران واجد شرایط این فرصت را می دهد تا دانش خود را با تجزیه و تحلیل و مقایسه منابع داده های متعدد در یک موضوع به کار گیرند. دانش آموزان یک سوال تحقیقاتی ایجاد می کنند، به داده های مربوطه دسترسی پیدا کرده و تجزیه و تحلیل می کنند و کیفیت هر منبع داده را به طور انتقادی بررسی می کنند. در تکمیل این سنگ بنا، دانش‌آموزان توانایی تحلیل عملی داده‌ها را نشان می‌دهند، کیفیت منابع داده‌های مختلف را با استفاده از رویکرد خطای نظرسنجی کل ارزیابی می‌کنند، که شامل حداقل برخی از موارد زیر است: مقایسه نمونه‌های غیراحتمالی وزنی با داده‌های جمع‌آوری‌شده از نمونه‌های احتمال، استفاده از تکنیک‌های نمونه‌گیری برای تصحیح خطاهای پوشش، و ردیابی و ارزیابی سهولت استفاده از پرسشنامه آنلاینی که پیاده‌سازی می‌کنید.

coursera پروژه داده کاوی (Mitalearn-333826)

  • 5 hours 20 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Qin (Christine) Lv
درباره این دوره:

پروژه داده کاوی راهنمایی گام به گام و تجربه عملی طراحی و اجرای یک پروژه داده کاوی در دنیای واقعی، از جمله فرمول بندی مسئله، بررسی ادبیات، کار پیشنهادی، ارزیابی، بحث و کار آینده را ارائه می دهد. 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 نشان‌واره دوره توسط Mariana Proença، در اینجا در Unsplash موجود است: https://unsplash.com/photos/_WgnXndHmQ4

Suggestions