Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-5 of 5 items.

linkedin SPSS for Academic Research (Mitalearn-122448)

  • 2 hours 42 minutes
  • مبتدی
  • Release date: 28 June 2026
  • Author: Yash Patel
درباره این دوره:

نحوه اجرای آزمون‌های تحقیقاتی دانشگاهی را با SPSS، نرم‌افزار آماری پیشرو، بررسی کنید. در این دوره، یاش پاتل با تمرکز بر نحوه اجرا و تفسیر داده ها برای رایج ترین انواع تست های کمی، به SPSS می پردازد. موضوعات عبارتند از آزمون t، تجزیه و تحلیل واریانس (ANOVA)، و درک اندازه گیری های آماری پشت تحقیقات دانشگاهی. مستاجران آزمون های کیفی، از جمله قضیه مرکزی، مقادیر P، و فواصل اطمینان، و موارد استفاده خاص برای آزمون ها در SPSS را مرور کنید. برای هر نوع، یاش برخی از دستورالعمل‌ها و مفروضات کلی را به همراه یک تمرین چالشی و راه‌حلی برای تمرین آنچه آموخته‌اید ارائه می‌کند.

linkedin SPSS: درگیری ، تجسم و داده های مدل سازی (Mitalearn-435792)

  • 5 hours 52 minutes
  • مناسب همه
  • Release date: 26 June 2025
  • Author: Barton Poulson
درباره این دوره: 

 SPSS یک برنامه آماری متداول است که در علوم اجتماعی ، آموزش و تجارت مورد استفاده قرار می گیرد. در این دوره ، متخصص تجزیه و تحلیل داده بارتون پولسون به شما نشان می دهد که چگونه می توانید داده ها را به روش هایی که در صفحات گسترده دشوار یا غیرممکن هستند ، تجزیه و تحلیل کنید ، بدون اینکه نیاز به منحنی یادگیری کامل یک زبان برنامه نویسی مانند پایتون یا R. داشته باشید. به تجسم داده ها و درگیری داده ها بروید. در مورد بازپرداخت داده ها بیاموزید و با استفاده از فرکانس های محاسباتی ، محاسبه توصیفات ، تجزیه و تحلیل داده های اکتشافی ، همبستگی های محاسباتی و جداول احتمالی محاسبات ، آن را کشف کنید. برای تجزیه و تحلیل داده ها ، از جمله مقایسه نسبت ها ، مقایسه وسایل متعدد ، محاسبه رگرسیون خطی و موارد دیگر ، به روشهای تجزیه و تحلیل داده ها بروید. به علاوه ، یاد بگیرید که چگونه کار خود را با صادرات نمودارها و جداول به اشتراک بگذارید.

linkedin مدلسازی پیشگویانه پیشرفته: تسلط بر گروه ها و متامدلینگ (Mitalearn-158131)

  • 1 hours 10 minutes
  • پیشرفته
  • Release date: 22 June 2026
  • Author: Keith McCormick
درباره این دوره:

گروه‌ها شامل گروه‌هایی از مدل‌ها هستند که با هم کار می‌کنند تا پیش‌بینی‌های دقیق‌تری انجام دهند. هنگام ایجاد راه‌حل‌های مستقر کامل، دانشمندان داده همچنین ممکن است از انتقال داده‌ها از یک مدل به مدل دیگر یا استفاده از مدل‌های ترکیبی استفاده کنند - همچنین به عنوان متامدلینگ نیز شناخته می‌شود. این تکنیک‌ها در میان برندگان مسابقات مدل‌سازی مانند Kaggle و همچنین تیم‌های پیشرو علم داده در سراسر جهان غالب هستند. در این دوره پیشرفته، می توانید یاد بگیرید که چگونه مجموعه ها و متامدلینگ را به مجموعه ابزار خود اضافه کنید. مربی Keith McCormick یک مقدمه مفهومی ارائه می دهد که می تواند در هر برنامه ای اعمال شود: R، Python، SPSS، یا SAS. او ضروری ترین الگوریتم های مجموعه را معرفی می کند و اصول متامدلینگ را توضیح می دهد. به‌علاوه، دو مطالعه موردی را مرور کنید که نشان می‌دهد چگونه مجموعه‌های تحت نظارت و بدون نظارت و نحوه مسیریابی زیرجمعیت‌های داده‌ها به مدل‌های مختلف در یک سناریوی فرامدل‌سازی را نشان می‌دهد.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: رگرسیون خطی (Mitalearn-131237)

  • 4 hours 5 minutes
  • متوسط
  • Update date: 28 June 2026
  • Author: Keith McCormick
درباره این دوره:

داشتن یک درک کامل از رگرسیون خطی - روشی برای مدل‌سازی رابطه بین یک متغیر وابسته و یک به چندین متغیر دیگر - می‌تواند به شما در حل بسیاری از مسائل دنیای واقعی کمک کند. حوزه های کاربردی شامل پیش بینی تقریباً هر مقدار عددی از جمله ارزش مسکن، هزینه مشتری و قیمت سهام است. این دوره مفاهیم مهم ترین تکنیک های رگرسیون خطی و نحوه استفاده موثر از آنها را نشان می دهد. در طول دوره، مدرس کیت مک کورمیک از آمار SPSS IBM استفاده می کند و در هر مفهوم قدم می زند، بنابراین مقداری قرار گرفتن در معرض آن نرم افزار فرض می شود. اما تاکید بر درک مفاهیم خواهد بود و نه مکانیک نرم افزار. کاربران SPSS این مزیت اضافی را خواهند داشت که تقریباً در معرض هر ویژگی رگرسیون در SPSS قرار می گیرند.

مربی کیت مک کورمیک رگرسیون خطی ساده را پوشش می دهد و نحوه ساختن نمودارهای پراکندگی موثر و محاسبه و تفسیر ضرایب رگرسیون را توضیح می دهد. او همچنین به چالش ها و مفروضات رگرسیون چندگانه می پردازد و از طریق سه استراتژی رگرسیون متمایز گام برمی دارد. برای جمع بندی، او برخی از جایگزین های رگرسیون، از جمله درختان رگرسیون و پیش بینی سری های زمانی را مورد بحث قرار می دهد.

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