Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-17 of 17 items.

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.

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.

coursera پروژه داده کاوی [coursera] (Mitalearn-334778)

  • 13 minutes
  • مناسب همه
  • Release date: 27 June 2026
  • Author: Jiawei Han,ChengXiang Zhai,John C. Hart
درباره این دوره:

توجه: قبل از شروع این دوره باید تمام دوره های دیگر این تخصص را تکمیل کنید. این دوره شش هفته ای پروژه تخصصی داده کاوی به شما این امکان را می دهد که الگوریتم ها و تکنیک های آموخته شده برای داده کاوی را از دوره های قبلی در تخصص، از جمله کشف الگو، خوشه بندی، بازیابی متن، متن کاوی و تجسم، برای حل استفاده کنید. چالش های جالب داده کاوی در دنیای واقعی به طور خاص، شما روی مجموعه داده‌های مرور رستوران از Yelp کار خواهید کرد و از تمام دانش و مهارت‌هایی که از دوره‌های قبلی آموخته‌اید برای استخراج این مجموعه داده‌ها برای کشف دانش جالب و مفید استفاده خواهید کرد. طراحی پروژه بر این موارد تاکید دارد: 1) شبیه سازی گردش کار یک داده کاوی در یک محیط کار واقعی. 2) ادغام تکنیک های مختلف استخراج تحت پوشش در چندین دوره فردی؛ 3) آزمایش راه های مختلف برای حل یک مشکل برای عمیق تر کردن درک خود از تکنیک ها. و 4) به شما این امکان را می دهد که ایده های خود را به طور خلاقانه پیشنهاد و بررسی کنید. هدف این پروژه تجزیه و تحلیل و استخراج مجموعه بزرگی از داده‌های مرور Yelp برای کشف دانش مفید برای کمک به مردم در تصمیم‌گیری در مورد غذا خوردن است. این پروژه شامل خروجی های زیر خواهد بود: 1. تجسم نظر: محتوای بررسی را کاوش و تجسم کنید تا بفهمید افراد در آن نظرات چه گفته اند. 2. ساخت نقشه آشپزی: مجموعه داده ها را برای درک چشم انداز انواع مختلف غذاها و شباهت های آنها استخراج کنید. 3. کشف غذاهای محبوب برای یک آشپزی: مجموعه داده ها را استخراج کنید تا غذاهای رایج/محبوب یک غذای خاص را کشف کنید. 4. توصیه رستوران‌ها برای کمک به مردم در تصمیم‌گیری برای غذا خوردن: مجموعه داده‌ها را استخراج کنید تا رستوران‌ها را برای یک غذای خاص رتبه‌بندی کنید و وضعیت بهداشتی یک رستوران را پیش‌بینی کنید. از دیدگاه کاربران، یک نقشه آشپزی می تواند به آنها کمک کند تا بفهمند چه غذاهایی وجود دارد و تصویر بزرگ انواع غذاها و روابط آنها را ببینند. هنگامی که آنها تصمیم می گیرند چه غذاهایی را امتحان کنند، علاقه مند می شوند که بدانند غذاهای محبوب آن آشپزی چیست و تصمیم بگیرند که چه غذاهایی داشته باشند. در نهایت، آنها باید یک رستوران را انتخاب کنند. بنابراین، توصیه رستوران ها بر اساس یک غذای خاص مفید خواهد بود. علاوه بر این، پیش بینی وضعیت بهداشتی یک رستوران نیز مفید خواهد بود. با کار بر روی این وظایف، تجربه ای با یک گردش کار معمولی در داده کاوی به دست خواهید آورد که شامل پیش پردازش داده ها، کاوش داده ها، تجزیه و تحلیل داده ها، بهبود روش های تجزیه و تحلیل و ارائه نتایج است. شما این فرصت را خواهید داشت که چندین الگوریتم از دوره های مختلف را برای تکمیل یک کار معدنی نسبتاً پیچیده ترکیب کنید و با روش های مختلف برای حل یک مسئله آزمایش کنید تا بهترین راه حل آن را درک کنید. ما روش‌های خاصی را پیشنهاد می‌کنیم، اما شما بسیار تشویق می‌شوید که ایده‌های خود را کشف کنید، زیرا اکتشاف باز، با طراحی، هدف پروژه است. شما ملزم به ارائه گزارش مختصری برای هر یک از وظایف برای درجه بندی همتا هستید. گزارش تلفیقی نهایی نیز مورد نیاز است که به صورت همتا رتبه بندی می شود.

coursera تجزیه و تحلیل داده ها با پروژه پایتون (Mitalearn-332024)

  • متوسط
  • Release date: 27 June 2026
  • Author: Di Wu
درباره این دوره:

دوره "پروژه تجزیه و تحلیل داده ها" دانش آموزان را قادر می سازد تا دانش و مهارت های خود را که در این تخصص به دست آورده اند برای انجام پروژه تجزیه و تحلیل داده های واقعی مورد علاقه خود به کار گیرند. شرکت‌کنندگان جهات مختلفی را در تجزیه و تحلیل داده‌ها، از جمله یادگیری تحت نظارت و بدون نظارت، رگرسیون، خوشه‌بندی، کاهش ابعاد، قوانین تداعی، و تشخیص موارد دور از دسترس را بررسی خواهند کرد. در سراسر ماژول ها، دانش آموزان تکنیک ها و روش های تجزیه و تحلیل داده های ضروری را یاد می گیرند و سفری از داده های خام به دانش و هوش را آغاز می کنند. با تکمیل دوره، دانش آموزان در تجزیه و تحلیل داده ها مهارت خواهند داشت، می توانند تخصص خود را در پروژه های مختلف به کار گیرند و تصمیمات مبتنی بر داده را بگیرند. در پایان این دوره، دانشجویان قادر خواهند بود: 1. درک مفاهیم اساسی و روش شناسی تجزیه و تحلیل داده ها در جهات مختلف، از جمله یادگیری تحت نظارت و بدون نظارت، رگرسیون، خوشه بندی، کاهش ابعاد، قوانین تداعی، و تشخیص موارد دور از دسترس. 2. محدوده و جهت پروژه تجزیه و تحلیل داده ها را مشخص کنید، تکنیک ها و روش های مناسب برای دستیابی به اهداف پروژه را شناسایی کنید. 3. از الگوریتم‌های طبقه‌بندی مختلف، مانند Nearest Neighbors، Decision Trees، SVM، Naive Bayes و Logistic Regression برای کارهای مدل‌سازی پیش‌بینی‌کننده استفاده کنید. 4. روش های اعتبارسنجی متقابل و مجموعه را برای افزایش عملکرد و قابلیت تعمیم مدل های طبقه بندی اجرا کنید. 5. از الگوریتم های رگرسیون، از جمله Simple Linear، Polynomial Linear و Linear با منظم سازی، برای مدل سازی و پیش بینی نتایج عددی استفاده کنید. 6. انجام رگرسیون چند متغیره و استفاده از روش های اعتبارسنجی متقابل و مجموعه در تحلیل رگرسیون. 7. تکنیک های خوشه بندی، از جمله روش های پارتیشن بندی، سلسله مراتبی، مبتنی بر چگالی و مبتنی بر شبکه را برای کشف الگوها و ساختارهای اساسی در داده ها کاوش کنید. 8. از تجزیه و تحلیل اجزای اصلی (PCA) برای کاهش ابعاد استفاده کنید تا داده های با ابعاد بالا را ساده کنید و به تجسم داده ها کمک کنید. 9. از الگوریتم‌های Apriori و FPGrowth برای استخراج قوانین مرتبط و کشف ارتباط آیتم‌های جالب در داده‌های تراکنشی استفاده کنید. 10. برای شناسایی نقاط داده های غیرعادی و نقاط پرت متنی، از روش های تشخیص پرت، از جمله Zscore، IQR، OneClassSVM، Isolation Forest، DBSCAN و LOF استفاده کنید. در طول دوره، دانش‌آموزان به طور فعال در آموزش‌ها، تمرین‌های عملی و مطالعه موردی پروژه تجزیه و تحلیل داده‌ها شرکت می‌کنند و تجربه عملی در تکنیک‌های مختلف تجزیه و تحلیل داده‌ها به دست می‌آورند. با دستیابی به اهداف یادگیری، شرکت کنندگان به خوبی مجهز خواهند شد تا در پروژه های تجزیه و تحلیل داده ها برتری پیدا کنند و در سناریوهای دنیای واقعی تصمیمات مبتنی بر داده اتخاذ کنند.

coursera جدال داده با پروژه پایتون (Mitalearn-331973)

  • متوسط
  • Release date: 27 June 2026
  • Author: Di Wu
درباره این دوره:

دوره "پروژه جدال داده ها" فرصتی را برای دانش آموزان فراهم می کند تا دانش به دست آمده در سراسر تخصص را در یک پروژه جدال داده های واقعی مورد علاقه خود به کار گیرند. شرکت‌کنندگان خط لوله کشمکش داده‌ها را گام به گام دنبال می‌کنند، از شناسایی منابع داده تا پردازش و یکپارچه‌سازی داده‌ها، تا به یک مجموعه داده خوب و آماده برای تجزیه و تحلیل دست یابند. این دوره دانش‌آموزان را قادر می‌سازد تا تجربیات عملی در فرآیند جدال داده‌ها به دست آورند و آنها را برای رسیدگی به چالش‌های پیچیده داده در سناریوهای دنیای واقعی آماده می‌کند. در طول دوره، دانش‌آموزان روی پروژه جدال داده‌های خود کار می‌کنند و دانش و مهارت‌های به‌دست‌آمده در هر ماژول را برای دستیابی به مجموعه داده‌ای تصفیه‌شده و به خوبی آماده‌شده به‌کار می‌برند. در پایان دوره، شرکت‌کنندگان در فرآیند جدال داده‌ها مهارت خواهند داشت و آماده مقابله با چالش‌های داده‌های دنیای واقعی در حوزه‌های مختلف خواهند بود.

coursera روش شناسی علم داده (Mitalearn-327978)

  • 1 hours 1 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Alex Aklson,Polong Lin
درباره این دوره:

اگر راه میانبری برای تبدیل شدن به یک دانشمند داده وجود دارد، پس یادگیری تفکر و کار مانند یک دانشمند داده موفق همین است. در این دوره، شما این روش را یاد می گیرید و سپس از آن استفاده می کنید که می توانید برای مقابله با هر سناریو علم داده استفاده کنید. شما دو روش قابل توجه علم داده، روش شناسی علوم داده بنیادی، و روش علم داده شش مرحله ای CRISP-DM را بررسی خواهید کرد و نحوه به کارگیری این متدولوژی های علم داده را خواهید آموخت. بسیاری از دانشمندان داده‌های معتبر از این روش‌ها یا روش‌های مشابه برای حل مسائل علم داده پیروی می‌کنند. با یادگیری در مورد شکل‌گیری مشکل تجاری/تحقیق شروع کنید. بیاموزید که دانشمندان داده چگونه داده‌ها را بدست می‌آورند، آماده می‌کنند و تجزیه و تحلیل می‌کنند. کشف کنید که چگونه به کارگیری روش‌های روش‌شناسی علم داده کمک می‌کند تا اطمینان حاصل شود که داده‌های مورد استفاده برای حل مسئله مرتبط هستند و به درستی دستکاری شده‌اند تا به سؤال پاسخ دهند. در مرحله بعد، در مورد ساخت مدل داده، استقرار آن مدل، داستان سرایی داده ها و دریافت بازخورد بیاموزید. شما مانند یک دانشمند داده فکر می کنید و مهارت های روش علم داده خود را با استفاده از یک سناریوی الهام گرفته شده از دنیای واقعی از طریق آزمایشگاه های مترقی که در نوت بوک های Jupyter میزبانی می شوند و با استفاده از آنها توسعه می دهید. پایتون.

coursera طراحی برنامه های کاربردی داده فشرده (Mitalearn-334200)

  • 21 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: María del Pilar Ángeles
درباره این دوره:

به دوره تخصصی طراحی برنامه های کاربردی داده فشرده خوش آمدید. این دوره به مدت چهار هفته تکمیل می شود و با فیلم و تمرین پشتیبانی می شود. در پایان این تخصص، فراگیران قادر خواهند بود با توجه به نوع داده ها و حجم اطلاعات، زمان پاسخگویی، نوع پردازش و پرس و جو به منظور پشتیبانی از مقیاس پذیری، قابلیت نگهداری و امنیت، سیستم های اطلاعاتی با قابلیت اطمینان بالا را پیشنهاد، طراحی، توجیه و توسعه دهند. و قابلیت اطمینان با در نظر گرفتن آخرین فناوری های اطلاعاتی. نرم افزار برای دانلود: میز کار MySQL Rapidminer چارچوب Hadoop Hortonworks MongoDB در صورتی که سیستم عامل Mac / IOS دارید، باید اقدامی به نام VirtualBox انجام دهید.

coursera علم داده چیست؟ (Mitalearn-327842)

  • 3 hours 34 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Rav Ahuja,Alex Aklson
درباره این دوره:

آیا می خواهید بدانید چرا علم داده به عنوان جذاب ترین حرفه قرن بیست و یکم شناخته شده است؟ پس از گذراندن این دوره، شما قادر خواهید بود به این سوال پاسخ دهید، بفهمید علم داده چیست و دانشمندان داده چه می کنند و در مورد مسیرهای شغلی در این زمینه بیاموزید. هنر کشف بینش ها و روندها در داده ها از زمان های قدیم وجود داشته است. مصریان باستان از داده های سرشماری برای افزایش کارایی در جمع آوری مالیات استفاده می کردند و سیل رودخانه نیل را هر ساله به طور دقیق پیش بینی می کردند. از آن زمان، مردم به استفاده از داده ها برای استخراج بینش و پیش بینی نتایج ادامه دادند. اخیراً آنها زمینه ای منحصر به فرد و متمایز را برای کاری که انجام می دهند ایجاد کرده اند. این رشته علم داده است. در دنیای امروز، ما از علم داده برای یافتن الگوها در داده ها و نتیجه گیری و پیش بینی های معنادار و مبتنی بر داده استفاده می کنیم. این دوره برای همه است و مفاهیمی مانند نحوه استفاده دانشمندان داده از یادگیری ماشینی و یادگیری عمیق و نحوه استفاده شرکت ها از علم داده در تجارت را آموزش می دهد. شما با چندین دانشمند داده ملاقات خواهید کرد که بینش و تجربیات خود را در علم داده به اشتراک خواهند گذاشت. با گذراندن این دوره مقدماتی، سفر خود را به این رشته پر رونق آغاز خواهید کرد.

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 کشف الگو در داده کاوی (Mitalearn-334948)

  • 4 hours 17 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jiawei Han
درباره این دوره:

مفاهیم کلی داده کاوی را همراه با متدولوژی ها و کاربردهای اساسی بیاموزید. سپس به یک زیرشاخه در داده کاوی بروید: کشف الگو. مفاهیم، ​​روش ها و کاربردهای کشف الگو در داده کاوی را عمیقاً بیاموزید. ما همچنین روش هایی را برای عبارت کاوی مبتنی بر داده و برخی کاربردهای جالب کشف الگو معرفی خواهیم کرد. این دوره به شما فرصتی برای یادگیری مهارت‌ها و محتوا برای تمرین و مشارکت در روش‌های کشف الگوی مقیاس‌پذیر بر روی داده‌های انبوه معاملاتی، بحث در مورد اقدامات ارزیابی الگو و مطالعه روش‌های استخراج انواع مختلف الگوها، الگوهای متوالی و الگوهای زیرگراف را می‌دهد.

coursera کلان داده، هوش مصنوعی و اخلاق (Mitalearn-329049)

  • 5 hours 27 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Martin Hilbert
درباره این دوره:

این دوره زمینه و تجربه دست اول را با دو کاتالیزور اصلی انقلاب علوم محاسباتی به شما می دهد: داده های بزرگ و هوش مصنوعی. با بیش از 99 درصد از تمام اطلاعات رسانه ای در قالب دیجیتال و با استفاده از 98 درصد از جمعیت جهان از فناوری دیجیتال، بشریت ردپای دیجیتالی چشمگیری ایجاد می کند. در تئوری، این فرصت‌های بی‌سابقه‌ای برای درک و شکل دادن به جامعه فراهم می‌کند. در عمل، تنها راهی که می‌توان این سیل اطلاعات را پردازش کرد، استفاده از همان فناوری‌های دیجیتالی است که آن را تولید کرده‌اند. داده ها سوخت هستند، اما یادگیری ماشینی موتوری است که دانش جدید قابل توجهی را از حجم عظیمی از داده ها استخراج می کند. از آنجایی که بخش مهمی از این داده‌ها مربوط به خودمان است، استفاده از الگوریتم‌ها به منظور کسب اطلاعات بیشتر در مورد خود، به طور طبیعی منجر به پرسش‌های اخلاقی می‌شود. بنابراین، ما نمی‌توانیم این دوره را بدون صحبت در مورد اخلاق تحقیق و برخی از خطوط قدیمی و جدیدی که دانشمندان علوم اجتماعی محاسباتی باید در نظر داشته باشند، به پایان برسانیم. به‌عنوان آزمایشگاه‌های عملی، از هوش مصنوعی IBM Watson برای استخراج شخصیت افراد از ردپای متن دیجیتالی آن‌ها استفاده خواهید کرد و با آموزش دو ماشین قابل آموزش از Google خودتان، قدرت و محدودیت‌های یادگیری ماشینی را تجربه خواهید کرد.

linkedin مبانی علم داده: ارزیابی داده ها برای مدل سازی پیش بینی (Mitalearn-201413)

  • 4 hours 8 minutes
  • متوسط
  • Update date: 21 June 2026
  • Author: Keith McCormick
درباره این دوره:

CRISP-DM، فرآیند استاندارد بین صنعتی برای داده کاوی، از شش فاز تشکیل شده است. اکثر دانشمندان داده جدید به سمت مدل سازی عجله می کنند زیرا این مرحله ای است که در آن بیشترین آموزش را دارند. اما اینکه پروژه موفق شود یا شکست، در واقع خیلی زودتر مشخص می شود. این دوره یک رویکرد سیستماتیک به فاز درک داده ها برای مدل سازی پیش بینی معرفی می کند. مربی، کیت مک کورمیک، اصول، دستورالعمل‌ها و ابزارهایی مانند KNIME و R را آموزش می‌دهد تا به درستی مجموعه داده‌ها را برای مناسب بودن آن برای یادگیری ماشین ارزیابی کند. نحوه جمع‌آوری داده‌ها، توصیف داده‌ها، کاوش داده‌ها با اجرای تجسم‌های دو متغیره، و تأیید کیفیت داده‌ها و همچنین انتقال به مرحله آماده‌سازی داده‌ها را کشف کنید. این دوره شامل مطالعات موردی و بهترین شیوه ها، و همچنین مجموعه چالش ها و راه حل ها برای حفظ دانش افزایش یافته است. در پایان، شما باید مهارت های لازم برای توجه مناسب به این مرحله حیاتی از تمام پروژه های موفق علم داده را داشته باشید.

linkedin مبانی علم داده: داده کاوی (Mitalearn-91168)

  • 4 hours 40 minutes
  • مبتدی
  • Release date: 21 June 2026
  • Author: Barton Poulson
درباره این دوره:

تمام علم داده با داده های خوب شروع می شود. داده‌کاوی چارچوبی برای جمع‌آوری، جستجو و فیلتر کردن داده‌های خام در یک موضوع سیستماتیک است که تضمین می‌کند از همان ابتدا داده‌های تمیزی دارید. همچنین به شما کمک می کند تا مجموعه داده های بزرگ را تجزیه کنید و به معنی دارترین و مفیدترین اطلاعات دست یابید. این دوره، مبانی علم داده: داده کاوی، طراحی شده است تا نقطه ورود محکمی به تمامی ابزارها، تکنیک ها و تفکر تاکتیکی پشت داده کاوی ارائه دهد.

rnrn و بیشتر.

linkedin مبانی علم داده: داده کاوی در R (Mitalearn-227253)

  • 3 hours 51 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Barton Poulson
درباره این دوره:

علم داده در پیچیدگی و تقاضا با سرعت تصاعدی به رشد خود ادامه می دهد. داده کاوی حوزه ای از علم داده است که بر یافتن الگوهای عملی در مجموعه داده های بزرگ و متنوع تمرکز می کند: خوشه هایی از مشتریان مشابه، روندهایی در طول زمان که تنها پس از تفکیک اثرات فصلی و تصادفی قابل مشاهده هستند، و روش های جدید برای پیش بینی نتایج مهم. مربی بارتون پولسون بر روی داده کاوی در R تمرکز می کند، طیف گسترده ای از الگوریتم ها از جمله روش های یادگیری ماشین را ارائه می دهد و اطلاعات مهمی در مورد قوانین و سیاست هایی که بر داده کاوی تأثیر می گذارد ارائه می دهد. بارتون یک نمای کلی از کاهش ابعاد ارائه می دهد. او خوشه‌بندی را معرفی می‌کند، از جمله خوشه‌بندی سلسله مراتبی، سپس وارد تحلیل تداعی می‌شود. او استخراج و تجزیه سری های زمانی را توضیح می دهد، سپس با متن کاوی، تجزیه و تحلیل احساسات و امتیازدهی احساسات به پایان می رسد.

linkedin مبانی علم داده: داده کاوی در پایتون (Mitalearn-209862)

  • 3 hours 3 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Barton Poulson
درباره این دوره:

داده کاوی حوزه ای از علم داده است که بر یافتن الگوهای عملی در مجموعه داده های بزرگ و متنوع تمرکز می کند: خوشه هایی از مشتریان مشابه، روندهایی در طول زمان که تنها پس از تفکیک اثرات فصلی و تصادفی قابل مشاهده هستند، و روش های جدید برای پیش بینی نتایج مهم. در این دوره مدرس بارتون پولسون شما را با داده کاوی که از زبان برنامه نویسی پایتون استفاده می کند آشنا می کند. بارتون به برخی مقدمات، مانند ابزارهایی که ممکن است برای داده کاوی استفاده کنید، می پردازد. او جنبه‌های کاهش ابعاد را مورد بحث قرار می‌دهد، سپس خوشه‌بندی، از جمله خوشه‌بندی سلسله مراتبی، k-Means، DBSCAN و غیره را توضیح می‌دهد. بارتون طبقه بندی، از جمله kNN و درختان تصمیم را پوشش می دهد. او وارد تجزیه و تحلیل انجمن می شود و شما را با Apriori، Eclat و FP-Growth آشنا می کند. بارتون شما را از تجزیه سری زمانی عبور می دهد، سپس با امتیازدهی احساسات و سایر ابزارهای متن کاوی به پایان می رسد.

coursera مقدمه ای بر تفکر تحلیلی، علم داده و داده کاوی (Mitalearn-333707)

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

به مقدمه ای بر تفکر تحلیلی، علم داده و داده کاوی خوش آمدید. در این دوره، ما با کاوش در زمینه و حرفه علم داده با تمرکز بر مهارت ها و ملاحظات اخلاقی مورد نیاز هنگام کار با داده ها شروع می کنیم. ما انواع مشکلات کسب و کار را که علم داده می تواند حل کند را بررسی خواهیم کرد و در مورد کاربرد فرآیند CRISP-DM در تلاش های داده کاوی بحث خواهیم کرد. مروری کوتاه بر تجزیه و تحلیل توصیفی، پیش‌بینی‌کننده و تجویزی ارائه می‌شود، و ما دوره را با یک فعالیت اکتشافی به پایان می‌رسانیم تا درباره ابزارها و منابعی که ممکن است در یک جعبه ابزار علم داده بیابید بیشتر بدانید.

linkedin یادگیری مجموعه داده های عمومی (Mitalearn-185229)

  • 2 hours 1 minutes
  • مبتدی
  • Update date: 21 June 2026
  • Author: Curt Frye
درباره این دوره:

کشف کنید که چگونه می توانید منابع رایگان و عمومی داده ها را در مورد مسائل مختلف کسب و کار، آموزش و سلامت پیدا کنید و داده ها را برای تجزیه و تحلیل خود بارگیری کنید. مربی کرت فرای چندین منبع دولتی ایالات متحده را معرفی می کند - از اداره سرشماری ایالات متحده تا اداره ثبت اختراع و علائم تجاری ایالات متحده - و مجموعه داده های آژانس های بین المللی مانند بانک جهانی و سازمان ملل را بررسی می کند. به علاوه، او به موتورهای جستجوی داده، سرویس‌های وب و حتی منابع زبانی مانند Ngram Viewer برای Google Books می‌پردازد. پس از پایان دادن به این دوره، برای یافتن اطلاعات مورد نیاز برای کمک هزینه تحصیلی و تلاش های تجزیه و تحلیل داده ها، مجهزتر خواهید شد.

Suggestions