Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-15 of 15 items.

coursera BigQuery for Data Analysts (Mitalearn-322300)

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

این دوره برای تحلیلگران داده طراحی شده است که می خواهند در مورد استفاده از BigQuery برای نیازهای تجزیه و تحلیل داده خود بیاموزند. از طریق ترکیبی از ویدئوها، آزمایشگاه‌ها و نمایش‌های نمایشی، موضوعات مختلفی را پوشش می‌دهیم که درباره نحوه جذب، تبدیل، و جستجوی داده‌های شما در BigQuery بحث می‌کند تا بینش‌هایی را به دست آوریم که می‌تواند به تصمیم‌گیری تجاری کمک کند.

coursera ETL and Data Pipelines with Shell, Airflow and Kafka (Mitalearn-322147)

  • 1 hours 48 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Jeff Grossman,Yan Luo,Lavanya Thiruvali Sunderarajan
درباره این دوره:

دو رویکرد مختلف برای تبدیل داده های خام به داده های آماده تجزیه و تحلیل را بررسی کنید. یک رویکرد فرآیند استخراج، تبدیل، بارگذاری (ETL) است. روش متضاد دیگر فرآیند استخراج، بارگذاری و تبدیل (ELT) است. فرآیندهای ETL برای انبارهای داده و بازارهای داده اعمال می شود. فرآیندهای ELT برای دریاچه‌های داده اعمال می‌شود، جایی که داده‌ها در صورت تقاضا توسط برنامه درخواست‌کننده/فرستنده تبدیل می‌شوند. در این دوره آموزشی با ابزارها و تکنیک های مختلفی که با خطوط لوله ETL و Data استفاده می شود آشنا خواهید شد. هر دو ETL و ELT داده‌ها را از سیستم‌های منبع استخراج می‌کنند، داده‌ها را از طریق خط لوله داده منتقل می‌کنند و داده‌ها را در سیستم‌های مقصد ذخیره می‌کنند. در طول این دوره، نحوه تفاوت پردازش ELT و ETL را تجربه خواهید کرد و موارد استفاده را برای هر دو شناسایی خواهید کرد. روش ها و ابزارهای مورد استفاده برای استخراج داده ها، ادغام داده های استخراج شده به صورت منطقی یا فیزیکی و برای بارگذاری داده ها در مخازن داده ها را شناسایی خواهید کرد. شما همچنین تغییراتی را برای اعمال به داده های منبع تعریف می کنید تا داده ها قابل اعتماد، متنی و در دسترس کاربران داده باشند. می‌توانید برخی از روش‌های چندگانه برای بارگذاری داده‌ها در سیستم مقصد، تأیید کیفیت داده‌ها، نظارت بر خرابی بار و استفاده از مکانیسم‌های بازیابی در صورت خرابی را تشریح کنید. در پایان این دوره، شما همچنین می‌دانید که چگونه از Apache Airflow برای ساخت خطوط لوله داده استفاده کنید و همچنین در مورد مزایای استفاده از این روش آگاه خواهید بود. همچنین یاد خواهید گرفت که چگونه از آپاچی کافکا برای ساخت خطوط لوله جریان و همچنین اجزای اصلی کافکا که شامل: کارگزاران، موضوعات، پارتیشن ها، تکرارها، تولیدکنندگان و مصرف کنندگان است، استفاده کنید. در نهایت، یک پروژه نهایی قابل اشتراک گذاری را تکمیل خواهید کرد که به شما امکان می دهد مهارت هایی را که در هر ماژول به دست آورده اید نشان دهید.

linkedin MLOps و هماهنگ‌سازی خط لوله داده برای سیستم‌های هوش مصنوعی (Mitalearn-440484)

  • 1 hours 19 minutes
  • مناسب همه
  • Release date: 27 May 2025
  • Author: Janani Ravi
درباره این دوره: 

 این دوره اتوماسیون و مدیریت گردش‌های کاری یادگیری ماشین، از دریافت داده تا استقرار مدل را پوشش می‌دهد. به مربی Janani Ravi بپیوندید تا به شما نحوه تنظیم و بهینه سازی خطوط لوله داده را آموزش می دهد و از عملکرد کارآمد، مقیاس پذیر و قابل اعتماد سیستم های هوش مصنوعی در محیط های تولید اطمینان می دهد. این دوره برای هر کسی که با هوش مصنوعی، زیرساخت داده و عملیات یادگیری ماشین (MLOps) کار می کند، از جمله مهندسان داده، مهندسان AI و ML، مهندسان MLOPs و مهندسان DevOps مناسب است.

linkedin آموزش ضروری Apache Spark: مهندسی داده های بزرگ (Mitalearn-411346)

  • 1 hours 4 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Kumaran Ponnambalam
درباره این دوره:

مهندسی داده ها پایه و اساس ساخت و ساز برنامه های کاربردی علوم داده در دنیای جدید داده های بزرگ است. مهندسی داده ها برای ساخت خطوط لوله و شبکه های داده برای پخش ، پردازش و ذخیره داده ها نیاز به ترکیب چندین فناوری داده بزرگ دارد. این دوره بر ساختن راه حل های تمام عیار که Apache Spark را با سایر ابزارهای داده بزرگ برای ایجاد خطوط لوله داده نهایی به پایان می رساند ، متمرکز شده است. مربی Kumaran Ponnambalam با تعریف مهندسی داده ها ، کارکردهای آن و مفاهیم آن آغاز می شود. در مرحله بعد ، Kumaran به این نتیجه می رسد که قابلیت های جرقه ای مانند پردازش موازی ، برنامه های اجرای ، گزینه های مدیریت دولت و یادگیری ماشین با عصاره ، تبدیل ، بار (ETL) چگونه است. او شما را به موارد و فرآیندهای استفاده از پردازش دسته ای و همچنین خطوط لوله پردازش در زمان واقعی معرفی می کند. پس از طی کردن چندین روش مفید ، کوماران با یک پروژه تمرینی پایان به پایان نتیجه می گیرد.

linkedin اتوماسیون خط لوله داده با اقدامات GitHub با استفاده از R و Python (Mitalearn-443544)

  • 2 hours 12 minutes
  • مناسب همه
  • Release date: 23 April 2024
  • Author: Rami Krispin
درباره این دوره: 

 در این دوره آموزشی، نحوه تنظیم گردش کار در GitHub Actions را برای خودکارسازی فرآیندها با R و Python یاد بگیرید. مربی Rami Krispin شما را از طریق فرآیند اتوماسیون راهنمایی می کند و نمونه هایی از دنیای واقعی را به اشتراک می گذارد. او به شما نشان می‌دهد که چگونه یک خط لوله داده راه‌اندازی کنید، ابرداده را از یک خط لوله بیرون بکشید و یک داشبورد زنده را با اقدامات و صفحات GitHub اجرا کنید. اگر از صرف ساعت‌ها صرف اجرای دستی اسکریپت‌ها یا کاهش سرعت گردش کار خود با کشیدن داده‌ها از API یا به‌روزرسانی داشبورد خسته شده‌اید، در این دوره آموزشی به Rami بپیوندید تا ببینید اتوماسیون چگونه می‌تواند سرعت کار شما را افزایش دهد.

coursera ادغام داده ها با Microsoft Azure Data Factory (Mitalearn-330783)

  • 1 hours 54 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

در این دوره آموزشی، نحوه ایجاد و مدیریت خطوط لوله داده در فضای ابری با استفاده از Azure Data Factory را خواهید آموخت. این دوره بخشی از یک تخصص در نظر گرفته شده برای مهندسان و توسعه دهندگان داده است که می خواهند تخصص خود را در طراحی و پیاده سازی راه حل های داده ای که از سرویس های داده Microsoft Azure استفاده می کنند نشان دهند. این برای هر کسی که علاقه مند به آماده شدن برای DP-203: مهندسی داده در آزمون Microsoft Azure (بتا) ایده آل است. این سومین دوره از یک برنامه 10 دوره ای است که به شما برای شرکت در آزمون کمک می کند تا بتوانید در طراحی و اجرای راه حل های داده ای که از خدمات داده مایکروسافت آژور استفاده می کنند تخصص داشته باشید. مهندسی داده در آزمون Microsoft Azure فرصتی برای اثبات تخصص دانش در یکپارچه‌سازی، تبدیل و تلفیق داده‌ها از سیستم‌های داده‌های مختلف ساختاریافته و بدون ساختار به ساختارهایی است که برای ساخت راه‌حل‌های تحلیلی که از خدمات داده مایکروسافت آژور استفاده می‌کنند، مناسب هستند. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند. در پایان این تخصص، شما آماده شرکت و ثبت نام در آزمون DP-203: مهندسی داده در Microsoft Azure (بتا) خواهید بود.

coursera برنامه های کاربردی وب و ابزارهای خط فرمان برای مهندسی داده (Mitalearn-324221)

  • 4 hours 11 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Noah Gift,Kennedy Behrman,Alfredo Deza
درباره این دوره:

در این دوره چهارم از پایتون، Bash و SQL Essentials برای تخصص مهندسی داده، شما بر اساس مفاهیم مهندسی داده معرفی شده در سه دوره اول برای استفاده از تکنیک‌های Python، Bash و SQL در مقابله با مشکلات دنیای واقعی استوار می‌شوید. ابتدا، ما عمیق‌تر به استفاده از نوت‌بوک‌های Jupyter برای ایجاد و استقرار مدل‌هایی برای وظایف یادگیری ماشینی خواهیم پرداخت. سپس، نحوه استفاده از میکروسرویس‌های پایتون را برای تجزیه انبار داده‌های خود به راه‌حل‌های کوچک و قابل حمل که می‌توانند مقیاس شوند، بررسی خواهیم کرد. در نهایت، شما یک ابزار خط فرمان قدرتمند برای خودکارسازی تست و کنترل کیفیت برای انتشار و به اشتراک گذاری ابزار خود با یک رجیستری داده خواهید ساخت.

coursera پروژه Capstone انبارداری داده (Mitalearn-322878)

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

در این دوره شما انواع مهارت ها و تکنیک های مهندسی انبار داده را که به عنوان بخشی از دوره های قبلی در گواهینامه حرفه ای مهندس انبار داده IBM آموخته اید، به کار خواهید برد. شما نقش یک مهندس داده جوان که اخیراً به سازمان پیوسته است را برعهده خواهید گرفت و یک مورد استفاده در دنیای واقعی که نیاز به یک راه حل مهندسی انبار داده دارد، به شما ارائه می شود.

coursera پروژه Capstone مهندسی داده (Mitalearn-325836)

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

مهارت های خود را در این پروژه مهندسی داده به نمایش بگذارید! در این دوره شما انواع مهارت ها و تکنیک های مهندسی داده را که به عنوان بخشی از دوره های قبلی در گواهینامه حرفه ای مهندسی داده IBM آموخته اید، به کار می گیرید. شما دانش خود را در زمینه مهندسی داده با در نظر گرفتن نقش یک مهندس داده جوان که اخیراً به یک سازمان پیوسته است، نشان خواهید داد و با یک مورد استفاده در دنیای واقعی که نیاز به معماری و پیاده سازی یک پلت فرم تجزیه و تحلیل داده دارد، به شما ارائه می شود. در این پروژه Capstone شما چندین آزمایشگاه عملی را تکمیل خواهید کرد. شما با استفاده از پایگاه داده های رابطه ای و NoSQL مانند MySQL و MongoDB، مخازن داده ایجاد و پرس و جو خواهید کرد. شما همچنین یک انبار داده را با استفاده از PostgreSQL و IBM Db2 طراحی و پر می کنید و برای انجام عملیات Cube و Rollup کوئری می نویسید. شما از داده های موجود در انبار داده گزارش تولید می کنید و با استفاده از Cognos Analytics یک داشبورد می سازید. همچنین با ایجاد خطوط لوله داده برای جابجایی داده ها از مخازن مختلف، مهارت خود را در فرآیندهای استخراج، تبدیل و بارگذاری (ETL) نشان خواهید داد. شما تجزیه و تحلیل داده های بزرگ را با استفاده از Apache Spark انجام خواهید داد تا با کمک یک مدل یادگیری ماشینی پیش بینی کنید. این دوره آخرین دوره در گواهینامه حرفه ای مهندسی داده IBM است. توصیه می شود قبل از شروع این دوره، تمام دوره های قبلی در این گواهینامه حرفه ای را تکمیل کنید.

linkedin پروژه مهندسی تحلیلی دستی (Mitalearn-421920)

  • 30 minutes
  • مناسب همه
  • Release date: 14 June 2024
  • Author: Connor Dickson
درباره این دوره: 

 

این دوره به مهندسان تحلیلی می آموزد که چگونه داده ها را از یک منبع خارجی برای استفاده در تجسم به پایگاه داده خط لوله می کنند. چنین کارهایی اغلب از یک مهندس متوسط ​​تجزیه و تحلیل مورد نیاز است. شرکت مدرن نسبت به گذشته به داده ها دسترسی بیشتری دارد. مهندسان تحلیلی در دسترسی به این داده ها برای ذینفعان بسیار مهم هستند. در این دوره ، مربی کانر دیکسون سناریویی را ارائه می دهد که در آن یک پشته داده کار دارید و یک ذینفع از شما خواسته است که داده های موجود را از یک منبع بگیرید ، آن را به پایگاه داده بیاورید ، آن را تغییر دهید و در نهایت آن را تجسم کنید تا ارزش و بینش را ارائه دهد.

این دوره با CodeSpaces GitHub ، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به تنظیمات محلی محلی ارائه می دهد ، یکپارچه شده است. با استفاده از Codepaces GitHub ، می توانید از هر دستگاهی ، در هر زمان استفاده کنید-همه در حالی که از ابزاری استفاده می کنید که احتمالاً در محل کار با آن روبرو خواهید شد. برای یادگیری نحوه شروع کار ، فیلم "نحوه استفاده از CodeSpaces" را بررسی کنید.


coursera خطوط لوله داده با خدمات داده TensorFlow (Mitalearn-311250)

  • 2 hours 15 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Laurence Moroney
درباره این دوره:

آوردن یک مدل یادگیری ماشینی به دنیای واقعی بسیار بیشتر از مدل سازی است. این تخصص به شما می آموزد که چگونه در سناریوهای مختلف استقرار پیمایش کنید و از داده ها به طور مؤثرتری برای آموزش مدل خود استفاده کنید. در این دوره سوم، شما: - کارهای ساده ETL را با استفاده از خدمات داده TensorFlow انجام دهید - بارگذاری مجموعه داده های مختلف و بردارهای ویژگی سفارشی با استفاده از TensorFlow Hub و TensorFlow Data Services API - ایجاد و استفاده از خطوط لوله از پیش ساخته شده برای تولید خطوط لوله ورودی/خروجی بسیار تکرارپذیر برای هر مجموعه داده - بهینه سازی خطوط لوله داده که به یک گلوگاه در فرآیند آموزش تبدیل می شوند - مجموعه داده های خود را در کتابخانه TensorFlow Hub منتشر کنید و داده های استاندارد شده را با محققان و توسعه دهندگان در سراسر جهان به اشتراک بگذارید این تخصص مبتنی بر تخصص TensorFlow در عمل ما است. اگر تازه وارد TensorFlow هستید، توصیه می کنیم ابتدا TensorFlow in Practice Specialization را انتخاب کنید. برای ایجاد درک عمیق تر و اساسی از نحوه عملکرد شبکه های عصبی، توصیه می کنیم که تخصص یادگیری عمیق را انتخاب کنید.

coursera ساخت، آموزش و استقرار مدل‌های ML با Keras در Google Cloud - Español (Mitalearn-309856)

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

در این روش، توضیحی برای ایجاد مدل‌های AA con TensorFlow و Keras، و یا مدل‌های دقیق برای مدل‌های AA و نوشتن مدل‌های AA برای استفاده از escalado.

coursera کاوش تغییر شکل داده با Google Cloud - Français (Mitalearn-318985)

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

فناوری ابری است که منبع بزرگی برای شرکت‌ها است. ترکیبی از فناوری‌های ترکیبی با استفاده از فناوری‌های جدید، می‌تواند برای مشتری‌های جدید به‌علاوه ارزش‌ها و تجربه‌های نوین امکان‌پذیر باشد. «کاوش در تبدیل داده با Google Cloud» vous fait découvrir la valeur que les données peuvent apporter à une entreprise et les façons dont Google Cloud peut les rendre utiles et accessibles. Ce cours fait partie du parcours de formation Cloud Digital Leader. Il a pour but d'aider les partners à évoluer dans leur poste et à façonner l'avenir de leur entreprise.

coursera مهندسی داده های ابری (Mitalearn-324357)

  • 11 hours 46 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Noah Gift
درباره این دوره:

به دوره سوم راه حل های رایانش ابری ساختمان در تخصص مقیاس خوش آمدید! در این دوره یاد می گیرید که چگونه با استفاده از مفاهیم رایانش ابری معرفی شده در دو دوره اول این مجموعه، مهندسی داده را در پروژه های دنیای واقعی به کار ببرید. در پایان این دوره، شما قادر خواهید بود اپلیکیشن های مهندسی داده را توسعه دهید و از بهترین شیوه های توسعه نرم افزار برای ایجاد اپلیکیشن های مهندسی داده استفاده کنید. اینها شامل استقرار مستمر، ابزارهای کیفیت کد، ورود به سیستم، ابزار دقیق و نظارت است. در نهایت، از فناوری‌های بومی ابری برای مقابله با راه‌حل‌های پیچیده مهندسی داده استفاده خواهید کرد. این دوره برای مبتدیان و همچنین دانشجویان متوسط ​​علاقه مند به استفاده از محاسبات ابری در علم داده، یادگیری ماشین و مهندسی داده ایده آل است. دانش آموزان باید مهارت های لینوکس سطح مبتدی و پایتون سطح متوسط ​​را داشته باشند. برای پروژه خود در این دوره، شما یک خط لوله مهندسی داده بدون سرور در یک پلتفرم ابری ایجاد خواهید کرد: خدمات وب آمازون (AWS)، Azure یا Google Cloud Platform (GCP).

Suggestions