Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-18 of 18 items.

coursera آمار کسب و کار و تجزیه و تحلیل Capstone (Mitalearn-213262)

  • 1 hours 7 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Sharad Borle
درباره این دوره:

آمار کسب و کار و تجزیه و تحلیل Capstone فرصتی برای اعمال مهارت های مختلف توسعه یافته در چهار دوره تخصصی در داده های زندگی واقعی است. Capstone با همکاری یک شریک صنعتی از «داده‌های مسکن» در دسترس عموم استفاده می‌کند تا سؤالات مختلفی را که معمولاً مشتری برای یک تحلیلگر داده مطرح می‌کند، مطرح کند. وظیفه شما این است که تجزیه و تحلیل آماری مربوطه را انجام دهید و یافته های خود را در پاسخ به سؤالات به گونه ای گزارش کنید که همه بتوانند آن را درک کنند. لطفاً به یاد داشته باشید که این یک Capstone است و درجه سختی/ابهام بیشتری نسبت به چهار دوره قبلی دارد. هدف این است که تا حد امکان از یک برنامه زندگی واقعی تقلید کنید.

linkedin آموزش ضروری تجزیه و تحلیل پیش بینی کننده: تخمین و اطمینان از بازگشت سرمایه (Mitalearn-232421)

  • 54 minutes
  • مناسب همه
  • Update date: 21 June 2026
  • Author: Keith McCormick
درباره این دوره:

هیچ چیز برای آینده تیم های تحلیل پیشگو مهمتر از اثبات ارزش بلندمدت پروژه های آنها نیست. اندازه گیری بازگشت سرمایه (ROI) اغلب می تواند به تبدیل تجزیه و تحلیل به یک مرکز سود قابل مشاهده برای سازمان شما کمک کند. تخمین ROI زودهنگام - قبل از شروع پروژه - همچنین می تواند به سرعت بخشیدن به تایید کمک کند. در اینجا Keith McCormick نحوه پرداختن به ROI را قبل و بعد از ساخت مدل پیشگو نشان می دهد. با تخمین اندازه کلی مشکل، تخصیص ارزش به نتایج احتمالی و قضاوت در مورد تأثیر عملکرد مدل، یاد بگیرید که چگونه تخمین خود را قبل از شروع پروژه ایجاد کنید. سپس کیت روش متفاوتی را برای محاسبه ROI پس از ساخت مدل، در مراحل ارزیابی و استقرار نشان می دهد و نکاتی را برای نظارت مستمر پروژه ارائه می دهد. او همچنین نگاهی به گذشته نگر دارد که یک سال پس از استقرار مدل ارزیابی شده است. این دو استراتژی به شما داده‌هایی را می‌دهند که برای خرید پروژه‌هایتان نیاز دارید و معیارهای مداوم عملکرد آنها را ارائه می‌کنند.

linkedin آموزش ضروری تجزیه و تحلیل پیش بینی کننده: داده کاوی (Mitalearn-218175)

  • 1 hours 56 minutes
  • مناسب همه
  • Update date: 21 June 2026
  • Author: Keith McCormick
درباره این دوره:

آیا شما یک متخصص علوم داده هستید و به دنبال توسعه یا افزایش مهارت های خود در تجزیه و تحلیل پیش بینی و داده کاوی هستید؟ این دوره چندین بینش «تصویر بزرگ» را از طریق مربی کیت مک کورمیک، یک تمرین‌کننده کهنه‌کار که ده‌ها پروژه در دنیای واقعی را تکمیل کرده است، ارائه می‌کند. کیت با معرفی تعاریف و فرآیندهای کلیدی که برای تکمیل دوره با موفقیت به آنها نیاز دارید، شروع می کند. او شما را از طریق تعریف مشکلی که نیاز به تحلیل پیش‌بینی شما برای حل آن دارید، گام می‌نهد، سپس بر چگونگی اطمینان از برآورده کردن الزامات داده و اینکه چگونه آماده‌سازی خوب داده‌ها پروژه‌های داده کاوی شما را بهبود می‌بخشد، تمرکز می‌کند. کیت در مجموعه مهارت ها و منابعی که به آن نیاز دارید و مشکلاتی که با آن روبرو خواهید شد، غوطه ور می شود. سپس مراحل را طی می‌کند تا راه‌حل را بیابد و آن را با احتمالات، تمایلات، داده‌های از دست رفته، مدل‌سازی متا و خیلی چیزهای دیگر کار کند. کیت با توضیحات دقیق در مورد نه قانون داده کاوی CRISP-DM و تام خبازا، به علاوه قانون دهم جدید تام، کار را به پایان می رساند.

linkedin آموزش ضروری تحلیل پیشگویانه برای مدیران (Mitalearn-179024)

  • 1 hours 20 minutes
  • متوسط
  • Release date: 25 February 2020
  • Author: Keith McCormick
درباره این دوره: 

 سازمان‌ها تقریباً در هر صنعتی به دنبال دانشمندان داده و استخدام می‌شوند، اما بسیاری از این متخصصان برای مدت طولانی در پست‌های خود باقی نمی‌مانند. حتی اگر مهارت های تجزیه و تحلیل داده ها بسیار ارزشمند است، افراد با این مجموعه مهارت نمی توانند تأثیری بگذارند مگر اینکه مدیریت میانی و ارشد بدانند چگونه از تجزیه و تحلیل برای منافع بلندمدت سازمان خود استفاده کنند. چالش این است که اکثر افرادی که بر تجزیه و تحلیل پیشرفته نظارت می کنند، خودشان پیشینه ای در علم داده ندارند.

در این دوره، کیت مک کورمیک به مدیرانی که در تجزیه و تحلیل داده ها مسلط نیستند، نحوه استخدام علم داده را نشان می دهد. حرفه ای ها، تیم های علم داده را مدیریت کنند و کسب و کار خود را با تجزیه و تحلیل های پیشرفته به طور موثر متحول کنند. کیت نحوه استخدام یک تیم مجرب، از جمله نحوه شناسایی دانشمندان داده با عملکرد برتر را توضیح می دهد. به‌علاوه، او نحوه پیمایش در گزینه‌های مختلف نرم‌افزار تحلیلی و یادگیری ماشینی موجود در بازار، متناسب کردن علم داده در ساختار سازمانی و موارد دیگر را به اشتراک می‌گذارد.

coursera بررسی اجمالی اجرایی تجزیه و تحلیل کسب و کار (Mitalearn-296205)

  • 4 hours 49 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Douglas B. Laney
درباره این دوره:

کسب‌وکارها بر اساس داده‌ها کار می‌کنند و داده‌ها بدون تجزیه و تحلیل ارزش کمی دارند. توانایی پردازش داده‌ها برای پیش‌بینی رفتار افراد یا بازارها، تشخیص سیستم‌ها یا موقعیت‌ها، یا تجویز اقدامات برای افراد یا فرآیندها، امروزه تجارت را پیش می‌برد. بسیاری از کسب‌وکارها به طور فزاینده‌ای در تلاش هستند تا «داده‌محور» شوند و بیشتر به اطلاعات سرد و الگوریتم‌های پیچیده تکیه می‌کنند تا غریزه درونی یا واکنش‌های آهسته انسان‌ها. این دوره بر درک مفاهیم کلیدی تجزیه و تحلیل و وسعت احتمالات تحلیلی متمرکز خواهد بود. این کلاس با هم ده‌ها مشکل و راه‌حل تحلیلی در دنیای واقعی را در اکثر صنایع اصلی و عملکردهای تجاری بررسی می‌کند. این دوره همچنین به فناوری های تحلیلی، معماری ها و نقش ها از هوش تجاری تا علم داده و از انبارهای داده تا دریاچه های داده می پردازد. و این دوره با بحث در مورد روندهای تحلیلی و آینده پایان خواهد یافت.

coursera تجزیه و تحلیل پیش بینی عملی: مدل ها و روش ها [coursera] (Mitalearn-335662)

  • 4 hours 53 minutes
  • مناسب همه
  • Release date: 27 June 2026
  • Author: Bill Howe
درباره این دوره:

طراحی آزمایش آماری و تجزیه و تحلیل در قلب علم داده است. در این دوره به طراحی آزمایش های آماری و تجزیه و تحلیل نتایج با استفاده از روش های مدرن می پردازید. همچنین مشکلات رایج در تفسیر استدلال های آماری، به ویژه آنهایی که با کلان داده مرتبط هستند را بررسی خواهید کرد. در مجموع، این دوره به شما کمک می کند مجموعه ای اصلی از روش ها و مفاهیم یادگیری ماشینی کاربردی و موثر را درونی کنید و آنها را برای حل برخی از مشکلات دنیای واقعی به کار ببرید. اهداف آموزشی: پس از اتمام این دوره، شما قادر خواهید بود: 1. طراحی آزمایش های موثر و تجزیه و تحلیل نتایج 2. از روش‌های نمونه‌گیری مجدد برای ایجاد استدلال‌های آماری واضح و ضد گلوله بدون استناد به نمادهای باطنی استفاده کنید. 3. یک مجموعه اصلی از روش‌های طبقه‌بندی افزایش پیچیدگی (قوانین، درختان، جنگل‌های تصادفی)، و روش‌های بهینه‌سازی مرتبط (نزول گرادیان و انواع) را توضیح داده و اعمال کنید. 4. مجموعه ای از مفاهیم و روش های یادگیری بدون نظارت را توضیح دهید و به کار ببرید 5. اصطلاحات رایج تجزیه و تحلیل گراف در مقیاس بزرگ، از جمله پرس و جو ساختاری، پیمایش و پرس و جوهای بازگشتی، رتبه صفحه، و تشخیص جامعه را شرح دهید.

linkedin تجزیه و تحلیل پیش بینی کننده آموزش ضروری برای مدیران (Mitalearn-432647)

  • 1 hours 47 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Keith McCormick
درباره این دوره:

سازمان ها تقریباً در هر صنعت به دنبال دانشمندان داده هستند و استخدام می کنند ، اما حتی اگر مهارت های تجزیه و تحلیل داده ها بسیار ارزشمند باشند ، افراد دارای این مجموعه مهارت نمی توانند تأثیر بگذارند مگر اینکه مدیریت میانه و ارشد بدانند که چگونه می توانند از تجزیه و تحلیل برای منافع بلند مدت سازمان خود استفاده کنند. چالش این است که بیشتر افرادی که نظارت بر تجزیه و تحلیل پیشرفته را بر عهده دارند ، خودشان در علم داده ها سابقه ای ندارند.

در این دوره ، کیت مک کورمیک مدیرانی را نشان می دهد که در تجزیه و تحلیل داده ها مسلط نیستند که چگونه متخصصان علوم داده را استخدام کنند ، تیم های علوم داده را مدیریت کنند و تجارت خود را با تجزیه و تحلیل پیشرفته مستقر تبدیل کنند. بیاموزید که چگونه به طور فعال در بحثی شرکت کنید که در مورد کدام نوع تجزیه و تحلیل ممکن است مشکل کسب و کار شما را برطرف کند ، از دیدگاه دانشمند داده قدردانی بهتری داشته باشید ، از نظر استراتژیک در مورد استخدام و فناوری برای تجزیه و تحلیل پیشرفته فکر کنید ، و گزینه های مختلفی را برای ساختار سازمانی و مدیریت گسترده شرکت در نظر بگیرید.

coursera تجزیه و تحلیل محصول و هوش مصنوعی (Mitalearn-304501)

  • 5 hours 46 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Alex Cowan
درباره این دوره:

تعداد کمی از قابلیت‌ها مانند یک برنامه تحلیلی قوی، چابکی را متمرکز می‌کنند. چنین برنامه ای تعیین می کند که یک تیم باید از یک تکرار چابک (sprint) به بعدی تمرکز کند. تجزیه و تحلیل های موفق به ندرت به سختی قابل درک هستند و اغلب در وضوح خود شگفت انگیز هستند. در این دوره آموزشی که در مدرسه کسب و کار Darden در دانشگاه ویرجینیا توسعه یافته است، یاد خواهید گرفت که چگونه یک زیرساخت تجزیه و تحلیل قوی برای تیم خود بسازید و آن را با هسته حرکت خود به سمت ارزش ادغام کنید.

coursera تجزیه و تحلیل مشتری (Mitalearn-297072)

  • 5 hours 48 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Eric Bradlow,Peter Fader,Raghu Iyengar
درباره این دوره:

اطلاعات مربوط به الگوهای مرور و خرید ما در همه جا موجود است. از تراکنش‌های کارت اعتباری و سبد خرید آنلاین گرفته تا برنامه‌های وفاداری مشتری و رتبه‌بندی/بررسی‌های تولید شده توسط کاربر، حجم حیرت‌انگیزی از داده‌ها وجود دارد که می‌توان از آنها برای توصیف رفتارهای خرید گذشته، پیش‌بینی رفتارهای آینده، و تجویز روش‌های جدید برای تأثیرگذاری بر آینده استفاده کرد. تصمیمات خرید در این دوره، چهار تن از اساتید برتر بازاریابی وارتون، مروری بر حوزه‌های کلیدی تجزیه و تحلیل مشتری ارائه خواهند کرد: تجزیه و تحلیل توصیفی، تجزیه و تحلیل پیش‌بینی‌کننده، تجزیه و تحلیل تجویزی، و کاربرد آن‌ها در شیوه‌های تجاری دنیای واقعی از جمله آمازون، گوگل و استارباکس. . این دوره یک نمای کلی از حوزه تجزیه و تحلیل ارائه می دهد تا بتوانید تصمیمات تجاری آگاهانه بگیرید. این مقدمه ای بر تئوری تجزیه و تحلیل مشتری است و هدف آن آماده کردن یادگیرندگان برای انجام تجزیه و تحلیل مشتری نیست. نتایج آموزشی دوره: پس از اتمام دوره، فراگیران قادر خواهند بود... روش‌های اصلی جمع‌آوری داده‌های مشتری که توسط شرکت‌ها استفاده می‌شود را توصیف کنید و درک کنید که چگونه این داده‌ها می‌توانند تصمیمات تجاری را تعیین کنند ابزارهای اصلی مورد استفاده برای پیش بینی رفتار مشتری و شناسایی کاربردهای مناسب برای هر ابزار را شرح دهید ایده های کلیدی در مورد تجزیه و تحلیل مشتری و نحوه اطلاع رسانی این حوزه به تصمیمات تجاری تاریخچه تجزیه و تحلیل مشتری و آخرین بهترین شیوه ها در شرکت های برتر را به اشتراک بگذارید

linkedin تجزیه و تحلیل مشتریان پیش بینی کننده (2017) (Mitalearn-112112)

  • 1 hours 37 minutes
  • متوسط
  • Release date: 3 July 2017
  • Author: Kumaran Ponnambalam
درباره این دوره:

از داده های بزرگ برای گفتن داستان مشتری خود با تجزیه و تحلیل پیش بینی کننده استفاده کنید. در این دوره آموزشی، می‌توانید در مورد چرخه زندگی مشتری و اینکه چگونه تجزیه و تحلیل پیش‌بینی‌کننده می‌تواند به بهبود هر مرحله از سفر مشتری کمک کند، بیاموزید.\n\n داده‌های تولید شده در داخل و خارج از کسب‌وکارتان و راه‌هایی را که می‌توان داده‌ها را در سازمانتان جمع‌آوری و جمع‌آوری کرد، کاوش کنید. سپس سه مورد استفاده را برای تجزیه و تحلیل پیش‌بینی‌کننده در هر مرحله از چرخه عمر مشتری، از جمله کسب، فروش، خدمات و حفظ مرور کنید. برای هر مرحله، شما همچنین یک راه حل تحلیلی پیش بینی در پایتون می سازید. در ویدئوهای پایانی، نویسنده کوماران پونامبالام بهترین شیوه‌ها را برای ایجاد فرآیند تحلیل مشتری از ابتدا معرفی می‌کند.

coursera جدال داده ها، تجزیه و تحلیل و تست AB با SQL (Mitalearn-332551)

  • 4 hours 33 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Katrina Glaeser Poole
درباره این دوره:

این دوره به شما این امکان را می دهد تا مهارت های SQL آموزش داده شده در "SQL for Data Science" را در چهار مطالعه موردی تحقیقاتی علم داده به طور فزاینده پیچیده و معتبر به کار ببرید. ما یاد خواهیم گرفت که چگونه مُهرهای زمانی همه نوع را به فرمت‌های رایج تبدیل کنیم و محاسبات تاریخ/زمان را انجام دهیم. ما JOIN بهینه را برای تحقیق علم داده انتخاب و انجام خواهیم داد و داده‌ها را در یک مجموعه داده تجزیه و تحلیل با حذف کردن، اجرای بررسی‌های کیفیت، پر کردن پشتی و مدیریت تهی، پاکسازی می‌کنیم. ما یاد می گیریم که چگونه داده ها را در هر بخش با استفاده از توابع پنجره بندی تقسیم و تجزیه و تحلیل کنیم و از دستورات case برای اجرای منطق شرطی برای رسیدگی به یک تحقیق علم داده استفاده کنیم. همچنین نحوه تبدیل یک پرس و جو به یک کار زمان بندی شده و نحوه درج داده ها در یک پارتیشن تاریخ را توضیح خواهیم داد. در نهایت، با توجه به نیاز به تحلیل پیش‌بینی‌کننده، با استفاده از ابزارها و مهارت‌هایی که در طول دوره ایجاد کرده‌ایم، ویژگی‌ای را از داده‌های خام مهندسی می‌کنیم. کاربرد واقعی این مهارت ها چارچوبی را برای انجام تجزیه و تحلیل آزمون AB در اختیار شما قرار می دهد.

coursera چهار مهارت نادر یادگیری ماشینی که همه دانشمندان داده به آن نیاز دارند (Mitalearn-336886)

  • 2 hours 14 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Eric Siegel
درباره این دوره:

این دوره نادیده گرفته‌شده‌ترین و در عین حال حیاتی‌ترین مهارت‌ها در یادگیری ماشینی را پوشش می‌دهد، چهار تکنیک حیاتی که به ندرت پوشش داده می‌شوند – بیشتر دوره‌ها و کتاب‌ها آن‌ها را کاملاً حذف می‌کنند. 1) مدل سازی بالا (AKA PERSUASION MODELING): وقتی در حال مدلینگ هستید، آیا حتی کار درست را پیش بینی می کنید؟ 2) مغالطه دقت: هنگام ارزیابی اینکه یک مدل چقدر خوب کار می کند، آیا حتی در مورد چیز درستی گزارش می دهید؟ 3) P-HACKING: آیا ساده ترین کشفیات شما از داده ها حتی واقعی است؟ 4) پارادوکس مدل‌های گروه: آیا می‌دانید چگونه کار می‌کنند، حتی اگر به نظر می‌رسد که تیغ اوکام را به چالش می‌کشند؟ >> چرا این روش‌های پیشرفته ضروری هستند: هر یک به سؤالی می‌پردازد که برای یادگیری ماشینی اساسی است (در بالا). برای بسیاری از پروژه ها، موفقیت به این مهارت های خاص بستگی دارد. >> عملی نیست - اما برای یادگیرندگان فنی: این دوره بدون کدنویسی و بدون استفاده از نرم افزار یادگیری ماشین است. در عوض، قبل از اینکه تمرین عملی را انجام دهید، زمینه مفهومی را ایجاد می کند. وقتی نوبت به این تکنیک‌های پیشرفته و مشکلات رایج می‌رسد، پایه‌ای از دانش مفهومی وجود دارد که باید قبل از دست زدن به کار ایجاد کنید – و از انجام آن خوشحال خواهید شد. >> VENDOR-NEUTRAL: این دوره شامل دموی نرم افزاری روشنگر یادگیری ماشین در عمل با استفاده از محصولات SAS است. با این حال، برنامه درسی از نظر فروشنده خنثی و قابل اجرا است. محتویات و اهداف یادگیری، صرف نظر از اینکه در نهایت با کدام ابزار نرم افزار یادگیری ماشینی برای کار انتخاب می کنید، اعمال می شود.

linkedin علم داده در پلتفرم Google Cloud: تجزیه و تحلیل پیشگو (Mitalearn-190958)

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

تجزیه و تحلیل پیشگویانه از داده های تاریخی برای نگاه به آینده استفاده می کند و سازمان ها را قادر می سازد تا تصمیمات بهتری بگیرند. با این حال، انجام پیش‌بینی‌های دقیق از داده‌های بزرگ می‌تواند یک کار طاقت فرسا باشد. Google Cloud Platform (GCP) را وارد کنید، مجموعه‌ای از خدمات رایانش ابری که مقیاس‌پذیری، کشش، و یادگیری ماشین خودکار را به تجزیه و تحلیل پیش‌بینی‌کننده می‌آورد. این دوره - یکی از مجموعه‌های دانشمند داده کوماران پونامبالام - نشان می‌دهد که چگونه از قدرت GCP برای ایجاد پیش‌بینی برای کسب‌وکارتان استفاده کنید. با کاوش در ابزارها و ویژگی‌های مختلف برای تجزیه و تحلیل پیش‌بینی‌کننده در GCP، از جمله Cloud Dataproc، Cloud ML Engine، و APIهای یادگیری ماشینی مانند Cloud Translation، Cloud Vision، و Cloud Video Intelligence شروع کنید. سپس نحوه ساخت، آموزش و استقرار مدل‌ها برای ایجاد پیش‌بینی را کشف کنید. به علاوه، بهترین شیوه‌ها را برای کنترل هزینه، آزمایش و نظارت بر عملکرد مدل‌های پیش‌بینی بیاموزید.

linkedin عناصر اساسی تجزیه و تحلیل پیش بینی و داده کاوی (Mitalearn-113982)

  • 1 hours 28 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Keith McCormick
درباره این دوره:

یک پروژه تجزیه و تحلیل پیش بینی و داده کاوی مناسب می تواند افراد زیادی و چندین هفته را درگیر کند. همچنین خطاهای احتمالی زیادی وجود دارد که باید از آنها اجتناب کرد. چشم انداز تصویر بزرگ برای حفظ پروژه در مسیر ضروری است. این دوره این دیدگاه را از طریق دریچه یک تمرین‌کننده کهنه‌کار که ده‌ها پروژه در دنیای واقعی را تکمیل کرده است، ارائه می‌کند. کیت مک کورمیک یک داده کاوی مستقل و نویسنده است که در مدل‌های پیش‌بینی و تجزیه و تحلیل بخش‌بندی، از جمله درخت‌های طبقه‌بندی، تجزیه و تحلیل خوشه‌ای و قوانین تداعی تخصص دارد. در اینجا او دانش خود را با شما به اشتراک می گذارد. در هر مرحله از یک پروژه معمولی، از تعریف مشکل و جمع‌آوری داده‌ها و منابع گرفته تا اجرای راه‌حل را طی کنید. کیت همچنین یک نمای کلی از CRISP-DM (روش شناسی داده کاوی بالفعل) و نه قانون داده کاوی ارائه می دهد که شما را بر استراتژی و ارزش تجاری متمرکز می کند.

coursera کاربرد تجاری یادگیری ماشین و هوش مصنوعی در بهداشت و درمان (Mitalearn-296222)

  • 4 hours 29 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Craig Johnson
درباره این دوره:

آینده مراقبت‌های بهداشتی به توانایی ما برای ادغام یادگیری ماشین و هوش مصنوعی در سازمان‌هایمان وابسته است. اما تشخیص فرصت های هوش مصنوعی کافی نیست. ما به عنوان رهبران صنعت مراقبت‌های بهداشتی باید ابتدا بهترین کاربرد را برای این برنامه‌ها تعیین کنیم تا اطمینان حاصل کنیم که سرمایه‌گذاری خود را بر حل مشکلاتی متمرکز می‌کنیم که نتیجه نهایی را تحت تأثیر قرار می‌دهند. در طول این چهار ماژول، استفاده از پشتیبانی تصمیم، نقشه سفر، تجزیه و تحلیل پیش‌بینی‌کننده، و تعبیه یادگیری ماشین و هوش مصنوعی در صنعت مراقبت‌های بهداشتی را بررسی خواهیم کرد. در پایان این دوره شما قادر خواهید بود: 1. تعیین عوامل دخیل در پشتیبانی تصمیم گیری که می تواند عملکرد کسب و کار را در اکوسیستم ارائه دهنده/پرداخت کننده بهبود بخشد. 2. شناسایی فرصت ها برای برنامه های کاربردی تجاری در مراقبت های بهداشتی با استفاده از نقشه سفر و تجزیه و تحلیل نقطه درد در یک زمینه دنیای واقعی. 3. شناسایی تفاوت در روش ها و تکنیک ها به منظور اعمال مناسب در نقاط درد با استفاده از مطالعات موردی. 4. ارزیابی انتقادی فرصت ها برای اهرم پشتیبانی تصمیم گیری در انطباق با روندهای صنعت.

coursera مبانی یادگیری ماشین برای مدیران محصول (Mitalearn-326482)

  • 4 hours 27 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Jon Reifschneider
درباره این دوره:

در این اولین دوره از تخصص مدیریت محصول هوش مصنوعی ارائه شده توسط دانشکده مهندسی پرت دانشگاه دوک، شما درک اساسی از چیستی یادگیری ماشین، نحوه کارکرد و زمان و چرایی کاربرد آن خواهید داشت. برای مدیریت موفقیت آمیز یک تیم یا محصول هوش مصنوعی و کار مشترک با دانشمندان داده، مهندسان نرم افزار و مشتریان، باید اصول اولیه فناوری یادگیری ماشین را بدانید. این دوره مقدمه‌ای بدون کدنویسی برای یادگیری ماشین، با تمرکز بر فرآیند توسعه مدل‌ها، ارزیابی و تفسیر مدل ML، و شهود پشت الگوریتم‌های رایج ML و یادگیری عمیق ارائه می‌کند. این دوره با یک پروژه عملی به پایان می رسد که در آن شما فرصتی برای آموزش و بهینه سازی یک مدل یادگیری ماشین بر روی یک مشکل ساده در دنیای واقعی خواهید داشت. در پایان این دوره، شما باید بتوانید: 1) نحوه عملکرد یادگیری ماشین و انواع یادگیری ماشین را توضیح دهید 2) چالش های مدل سازی و راهبردهای غلبه بر آنها را شرح دهید 3) الگوریتم های اولیه مورد استفاده برای کارهای رایج ML و موارد استفاده از آنها را شناسایی کنید 4) یادگیری عمیق و نقاط قوت و چالش های آن را نسبت به سایر اشکال یادگیری ماشین توضیح دهید 5) بهترین شیوه ها را در ارزیابی و تفسیر مدل های ML اجرا کنید

coursera مقدمه ای بر مدل سازی پیش بینی کننده (Mitalearn-335577)

  • 6 hours 11 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: De Liu
درباره این دوره:

به مقدمه ای بر مدل سازی پیش بینی کننده، اولین دوره در تجزیه و تحلیل دانشگاه مینه سوتا برای تخصص تصمیم گیری خوش آمدید. این دوره مفاهیم، ​​فرآیندها و کاربردهای مدل سازی پیش بینی را با تمرکز بر مدل های پیش بینی رگرسیون خطی و سری های زمانی و استفاده عملی از آنها در مایکروسافت اکسل به شما معرفی می کند. در پایان دوره، شما قادر خواهید بود: - مفاهیم، ​​فرآیندها و کاربردهای مدل سازی پیش بینی را درک کنید. - ساختار و شهود پشت مدل های رگرسیون خطی را درک کنید. - قادر به برازش مدل های رگرسیون خطی ساده و چندگانه با داده ها، تفسیر نتایج، ارزیابی خوب بودن برازش و استفاده از مدل های برازش برای پیش بینی. - مشکل اضافه برازش و عدم تناسب را درک کرده و قادر به انتخاب مدل ساده باشد. - درک مفاهیم، ​​فرآیندها و کاربردهای پیش بینی سری های زمانی به عنوان یک نوع خاص از مدل سازی پیش بینی کننده. - بتوانید چندین مدل پیش‌بینی سری زمانی (به عنوان مثال، هموارسازی نمایی و روش Holt-Winter) را در اکسل جاسازی کنید، خوب بودن تناسب را ارزیابی کنید و از مدل‌های برازش برای پیش‌بینی استفاده کنید. - انواع مختلف داده ها و نحوه استفاده از آنها در مدل های پیش بینی را درک کنید. - از Excel برای آماده سازی داده ها برای مدل سازی پیش بینی، از جمله کاوش الگوهای داده، تبدیل داده ها و مقابله با مقادیر گمشده استفاده کنید. این یک دوره مقدماتی برای مدل سازی پیش بینی است. این دوره ترکیبی از یادگیری مفهومی و عملی را ارائه می دهد. در طول دوره، ما به شما فرصت هایی برای تمرین تکنیک های مدل سازی پیش بینی بر روی مجموعه داده های دنیای واقعی با استفاده از Excel ارائه می دهیم. برای موفقیت در این دوره باید ریاضی پایه (مفهوم توابع، متغیرها و نمادهای ریاضی پایه مانند جمع و شاخص ها) و آمار پایه (همبستگی، میانگین نمونه، انحراف معیار و واریانس) را بدانید. این دوره نیازی به پیشینه برنامه نویسی ندارد، اما شما باید با عملیات اصلی اکسل (به عنوان مثال، فرمول های اولیه و نمودار) آشنا باشید. برای بهترین تجربه، باید نسخه اخیر مایکروسافت اکسل را روی رایانه خود نصب کنید (به عنوان مثال، اکسل 2013، 2016، 2019، یا آفیس 365).

coursera یادگیری ماشینی زیر سرپوش: نکات فنی، ترفندها و مشکلات (Mitalearn-329202)

  • 7 hours 7 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Eric Siegel
درباره این دوره:

یادگیری ماشینی تیم شما به آن نیاز دارد، رئیس شما به آن نیاز دارد و حرفه شما آن را دوست دارد. به هر حال، لینکدین آن را به عنوان یکی از معدود «مهارت‌هایی که شرکت‌ها بیشتر به آن نیاز دارند» و به عنوان برترین شغل در حال ظهور در ایالات متحده معرفی می‌کند. اگر می خواهید در استقرار یادگیری ماشین (معروف به تجزیه و تحلیل پیش بینی کننده) شرکت کنید، باید نحوه کارکرد آن را بیاموزید. حتی اگر به‌عنوان یک رهبر کسب‌وکار به جای یک متخصص عملی کار می‌کنید - حتی اگر خودتان اعداد را خرد نکنید - باید مکانیزم‌های اساسی را درک کنید تا به هدایت پروژه کلی کمک کنید. چه یک مدیر اجرایی، تصمیم گیرنده یا مدیر عملیاتی باشید که بر نحوه ادغام مدل های پیش بینی برای تصمیم گیری نظارت می کنید، هرچه بیشتر بدانید، بهتر است. و با این حال، نگاه کردن به زیر کاپوت شما را خوشحال خواهد کرد. علم نهفته در یادگیری ماشینی باعث فتنه و شگفتی می شود و درک شهودی آن کار سختی نیست. با توجه به رشد سریع تاثیر آن بر جهان، زمان آن رسیده است که قدرت پیش‌بینی داده‌ها و نحوه بهره‌برداری علمی از آن را کشف کنیم. این دوره به شما نشان می دهد که یادگیری ماشین چگونه کار می کند. این زیربنای اساسی، نحوه جمع‌آوری بینش‌ها از داده‌ها، اینکه چگونه می‌توانیم به این بینش‌ها اعتماد کنیم، و اینکه مدل‌های پیش‌بینی چقدر خوب عمل می‌کنند را پوشش می‌دهد - که می‌توان با محاسبات بسیار ساده آن را ایجاد کرد. اینها چیزهایی است که هر حرفه ای باید بداند، علاوه بر مقادیر. و این دوره فراتر از استانداردهای یادگیری ماشین ادامه می‌یابد تا روش‌های پیشرفته و پیشرفته را نیز پوشش دهد، و همچنین شما را برای دور زدن دام‌های رایجی که به ندرت به آن توجه می‌کنند، آماده می‌کند. این دوره عمیقاً به این موضوعات می پردازد، و در عین حال برای فراگیران غیر فنی و تازه واردان قابل دسترسی است. با این دوره، یاد خواهید گرفت که چه چیزهایی کار می کنند و چه چیزهایی خوب، بد و مبهم: - نحوه عملکرد الگوریتم های مدل سازی پیش بینی، از جمله درخت های تصمیم، رگرسیون لجستیک و شبکه های عصبی - دام های خیانت آمیز مانند بیش از حد، هک کردن p، و فرض علت از همبستگی ها - چگونه یک مدل پیش بینی را با جزئیات تفسیر کنیم و نحوه عملکرد آن را توضیح دهیم - روش‌های پیشرفته مانند گروه‌ها و مدل‌سازی بالابرنده (با نام مستعار مدل‌سازی متقاعدسازی) – نحوه انتخاب ابزار، انتخاب از میان بسیاری از گزینه های نرم افزار یادگیری ماشین - نحوه ارزیابی یک مدل پیش بینی، گزارش عملکرد آن در شرایط تجاری – نحوه غربالگری یک مدل پیش‌بینی برای سوگیری احتمالی در برابر کلاس‌های محافظت‌شده – با نام اخلاق AI در عمق و در عین حال قابل دسترسی است. این برنامه درسی که توسط رهبر صنعت اریک سیگل - برنده جوایز تدریس در زمان استادی در دانشگاه کلمبیا - به شما ارائه شد، به عنوان یکی از کامل‌ترین، جذاب‌ترین و به‌طور شگفت‌انگیزترین برنامه‌های درسی در موضوع یادگیری ماشینی برجسته است. بدون دستی و بدون ریاضیات سنگین. این دوره به جای یک آموزش عملی، به رهبران کسب و کار و دانشمندان در حال رشد داده به طور یکسان با پوشش گسترده ای از تکنیک های پیشرفته و مخرب ترین دام ها خدمت می کند. هیچ تمرینی برای کدنویسی یا استفاده از نرم افزار یادگیری ماشین وجود ندارد. با این حال، برای یکی از ارزیابی‌ها، یک تمرین عملی انجام می‌دهید، یک مدل پیش‌بینی را با دست در Excel یا Google Sheets ایجاد می‌کنید و نحوه بهبود آن را در مقابل چشمان خود تجسم می‌کنید. اما فراگیران فنی باید نگاهی دیگر بیندازند. قبل از اینکه مستقیماً وارد عمل شوید، همانطور که کوانت ها تمایل به انجام آن دارند، یک چیز را در نظر بگیرید: این برنامه درسی دانش تکمیلی را ارائه می دهد که همه فناوران بزرگ نیز باید بر آن مسلط شوند. این فناوری اصلی را با یک چارچوب مفهومی قوی مرتبط می‌کند و موضوعاتی را پوشش می‌دهد که به طور کلی حتی از فنی‌ترین دوره‌ها حذف می‌شوند، از جمله مدل‌سازی ارتقاء (معروف به مدل‌سازی متقاعد کردن) و برخی از دام‌های خائنانه. فروشنده-خنثی. این دوره شامل دموی نرم افزاری روشنگر یادگیری ماشین در عمل با استفاده از محصولات SAS است. با این حال، برنامه درسی از نظر فروشنده خنثی و قابل اجرا است. محتویات و اهداف یادگیری، صرف نظر از اینکه در نهایت با کدام ابزار نرم افزار یادگیری ماشینی برای کار انتخاب می کنید، اعمال می شود. پیش نیازها قبل از این دوره، فراگیران باید دو دوره اول از سه دوره این تخصص، "قدرت یادگیری ماشین" و "راه اندازی یادگیری ماشینی" را بگذرانند.

Suggestions