Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-4 of 4 items.

coursera استراتژی های طراحی برای به حداکثر رساندن کیفیت کل داده ها (Mitalearn-329916)

  • 4 hours 56 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Brady T. West,James Wagner,Jinseok Kim
درباره این دوره:

در پایان این دوره سوم در تخصص کیفیت داده کل، فراگیران قادر خواهند بود: 1. در مورد ابزارها و تکنیک های طراحی برای به حداکثر رساندن TDQ در تمام مراحل چارچوب TDQ در طول یک جمع آوری داده یا فرآیند جمع آوری داده ها بیاموزید. 2. جنبه‌هایی از فرآیند تولید یا جمع‌آوری داده را که بر TDQ تأثیر می‌گذارد، شناسایی کنید و بتوانید ارزیابی کنید که آیا و چگونه می‌توان چنین جنبه‌هایی را اندازه‌گیری کرد. 3. استراتژی‌های حداکثرسازی TDQ را که می‌توان هنگام جمع‌آوری داده‌های طراحی شده و یافت شده/ارگانیک به کار برد، درک کنید. 4. ایجاد راه حل برای مشکلات طراحی فرضی که در طول فرآیند جمع آوری داده ها یا جمع آوری و پردازش داده ها ایجاد می شود. 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 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 چارچوب کیفیت کل داده ها (Mitalearn-329491)

  • 8 hours 13 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Brady T. West,James Wagner,Jinseok Kim
درباره این دوره:

در پایان این اولین دوره در تخصص کیفیت داده کل، فراگیران قادر خواهند بود: 1. شناسایی تفاوت های اساسی بین داده های طراحی شده و جمع آوری شده و خلاصه کردن ابعاد کلیدی چارچوب کیفیت داده کل (TDQ). 2. تعریف سه بعد اندازه گیری چارچوب کیفیت داده کل، و توصیف تهدیدات بالقوه برای کیفیت داده در امتداد هر یک از این ابعاد برای داده های جمع آوری شده و طراحی شده. 3. تعریف سه بعد نمایشی چارچوب کیفیت داده کل، و توصیف تهدیدات بالقوه برای کیفیت داده در امتداد هر یک از این ابعاد برای داده های جمع آوری شده و طراحی شده. و 4. توضیح دهید که چرا تجزیه و تحلیل داده ها بعد مهمی از چارچوب کیفیت کل داده را تعریف می کند و تهدیدات بالقوه برای کیفیت کلی یک طرح تجزیه و تحلیل برای داده های طراحی شده و/یا جمع آوری شده را خلاصه 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.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: مدل‌سازی طبقه‌بندی (Mitalearn-131254)

  • 2 hours 5 minutes
  • متوسط
  • Update date: 21 June 2026
  • Author: Keith McCormick
درباره این دوره:

یک نوع مشکل کاملاً بر یادگیری ماشین و هوش مصنوعی غالب است: طبقه بندی. طبقه‌بندی باینری، روش غالب، داده‌ها را به یکی از دو دسته طبقه‌بندی می‌کند: خرید یا نه، تقلب یا نه، بیمار یا نه، و غیره. یادگیری ماشینی و راه‌حل‌های مبتنی بر هوش مصنوعی به الگوریتم‌های دقیق و خوب انتخاب شده نیاز دارند تا طبقه‌بندی را به درستی انجام دهند. این دوره توضیح می دهد که چرا پروژه های تجزیه و تحلیل پیش بینی در نهایت مشکلات طبقه بندی هستند و چگونه دانشمندان داده می توانند استراتژی (یا استراتژی) مناسب را برای پروژه های خود انتخاب کنند. مربی کیت مک کورمیک از تکنیک های آمار سنتی و یادگیری ماشینی مدرن استفاده می کند و نقاط قوت و ضعف آنها را آشکار می کند. کیت نحوه تعریف استراتژی طبقه بندی خود را توضیح می دهد و روشن می کند که انتخاب درست اغلب ترکیبی از رویکردها است. سپس، او 11 الگوریتم مختلف را برای ساخت مدل شما نشان می دهد، از تجزیه و تحلیل تفکیک کننده گرفته تا رگرسیون لجستیک و شبکه های عصبی مصنوعی. در نهایت، یاد بگیرید که چگونه بر چالش هایی مانند مقابله با داده های از دست رفته و کاهش داده ها غلبه کنید.\r\n\r\n هیچ نرم افزاری برای پیگیری همراه با دوره مورد نیاز نیست.

Suggestions