Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-20 of 55 items.

coursera Data Science Capstone (Mitalearn-334999)

  • 29 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jeff Leek, PhD,Roger D. Peng, PhD,Brian Caffo, PhD
درباره این دوره:

کلاس پروژه Capstone به دانش آموزان اجازه می دهد تا یک محصول داده قابل استفاده/عمومی ایجاد کنند که می تواند برای نشان دادن مهارت های شما به کارفرمایان بالقوه استفاده شود. پروژه ها از مشکلات دنیای واقعی استخراج می شوند و با صنعت، دولت و شرکای دانشگاهی انجام خواهند شد.

coursera Multilevel Modeling (Mitalearn-361434)

  • 1 hours 46 minutes
  • متوسط
  • Release date: 27 June 2026
  • Author: Erasmus Graduate School of Social Sciences and the Humanities Team
درباره این دوره:

در این دوره، داوطلبان دکترا با تمرکز بر مدل‌های چند سطحی دو سطحی با متغیر پاسخ «پیوسته»، مقدمه‌ای بر نظریه مدل‌سازی چند سطحی خواهند داشت. علاوه بر این، شرکت کنندگان یاد خواهند گرفت که چگونه مدل پایه دو سطحی را در R اجرا کنند. هدف از این دوره آشنایی شرکت کنندگان با مدل های چند سطحی است. این مدل‌ها اغلب برای تجزیه و تحلیل داده‌های «سلسله مراتبی» استفاده می‌شوند، که در آن مشاهدات در واحدهای سطح بالاتر قرار می‌گیرند (مثلاً اقدامات مکرر در درون افراد، یا دانش‌آموزان تودرتو در مدارس). در این نوع داده‌ها، علل پیامدها (مانند عملکرد دانش‌آموزان در مدارس) هم در سطح فرد (مثلاً منابع شخصی و والدین) و هم در سطحی بالاتر و زمینه‌ای که توسط برخی از افراد به اشتراک گذاشته می‌شود، قرار دارد. به عنوان مثال ویژگی های کلاس و معلم). به همین دلیل، فرض "مشاهدات مستقل" با داده های سلسله مراتبی نقض می شود، اما مدل سازی چند سطحی می تواند به راحتی آن را توضیح دهد. علاوه بر این، مدل سازی چند سطحی می تواند به راحتی با داده های از دست رفته (در اکثر شرایط) مقابله کند. این دوره توسط دکتر Joran Jongerling به نمایندگی از دانشکده تحصیلات تکمیلی اراسموس علوم اجتماعی و علوم انسانی (EGSH، www.egsh.eur.nl) دانشگاه اراسموس روتردام هلند طراحی و ارائه شده است. اگر در مورد سازمان یا محتوای دوره سؤالی دارید، لطفاً یک ایمیل به آدرس contact@egsh.eur.nl برای ما ارسال کنید.

coursera R Programming and Tidyverse Capstone Project (Mitalearn-329219)

  • مبتدی
  • Release date: 27 June 2026
  • Author: Jane Wall
درباره این دوره:

در این سومین و آخرین دوره از تخصص "Expressway to Science: R Programming and Tidyverse" مهارت های R و Tidyverse خود را با تکمیل تجزیه و تحلیل داده های COVID-19 تقویت و نمایش خواهید داد! در اینجا فرصتی برای اعمال مهارت های خود در مجموعه داده های دنیای واقعی است که همه ما را تحت تأثیر قرار داده است. در سرتاسر سقف، داده‌های COVID-19 را وارد خواهید کرد. تمیز، مرتب، و پیوستن به مجموعه داده ها؛ و تجسم ها را توسعه دهید. شما همچنین تجزیه و تحلیل و تفسیری را برای نتایج خود ارائه خواهید داد و شما را برای سفر خود به علم داده آماده می کند. در پایان دوره، گزارشی تهیه خواهید کرد که می توانید آن را اضافه کنید یا از آن برای شروع یک نمونه کار علوم داده استفاده کنید. لوگوی دوره با استفاده از تصاویر برچسب های فروشگاه RStudio ایجاد شده است. لطفاً به https://swag.rstudio.com/s/shop مراجعه کنید.

coursera آمار استنباطی (Mitalearn-327026)

  • 5 hours 26 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Mine Çetinkaya-Rundel
درباره این دوره:

این دوره روش‌های استنتاج آماری رایج را برای داده‌های عددی و طبقه‌ای پوشش می‌دهد. شما یاد خواهید گرفت که چگونه تست های فرضیه را تنظیم و انجام دهید، مقادیر p را تفسیر کنید، و نتایج تجزیه و تحلیل خود را به گونه ای گزارش کنید که برای مشتریان یا عموم قابل تفسیر باشد. با استفاده از مثال های داده های متعدد، یاد خواهید گرفت که تخمین های کمیت ها را به گونه ای گزارش کنید که عدم قطعیت کمیت مورد علاقه را بیان کند. شما از طریق نصب و استفاده از R و RStudio (نرم افزار آماری رایگان) راهنمایی خواهید شد و از این نرم افزار برای تمرینات آزمایشگاهی و پروژه نهایی استفاده خواهید کرد. این دوره ابزارهای عملی را برای انجام تجزیه و تحلیل داده ها معرفی می کند و مفاهیم اساسی لازم برای تفسیر و گزارش نتایج را برای داده های دسته بندی و عددی بررسی می کند.

coursera آمار برای علم داده های ژنومی (Mitalearn-335305)

  • 6 hours 26 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jeff Leek, PhD
درباره این دوره:

مقدمه‌ای بر آماری که در پشت محبوب‌ترین پروژه‌های علم داده ژنومی قرار دارد. این ششمین دوره در تخصص علم ژنومیک داده های بزرگ از دانشگاه جان هاپکینز است.

coursera آمار بیزی (Mitalearn-330392)

  • 4 hours 18 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mine Çetinkaya-Rundel,David Banks,Colin Rundel
درباره این دوره:

این دوره آمار بیزی را توصیف می کند که در آن استنباط فرد در مورد پارامترها یا فرضیه ها به عنوان شواهد جمع آوری می شود. شما یاد خواهید گرفت که از قانون بیز برای تبدیل احتمالات قبلی به احتمالات بعدی استفاده کنید و با نظریه و چشم انداز اساسی پارادایم بیزی آشنا شوید. این دوره روش‌های بیزی را برای چندین مسئله عملی به کار می‌گیرد تا تحلیل‌های بیزی سرتاسری را نشان دهد که از چارچوب‌بندی سؤال به ساخت مدل‌ها تا استخراج احتمالات قبلی به پیاده‌سازی در R (نرم‌افزار آماری رایگان) توزیع آخری نهایی حرکت می‌کند. علاوه بر این، این دوره به معرفی مناطق معتبر، مقایسه بیزی از میانگین ها و نسبت ها، رگرسیون بیزی و استنتاج با استفاده از مدل های متعدد و بحث در مورد پیش بینی بیزی می پردازد. ما فرض می‌کنیم که فراگیران در این دوره، دانش پیش‌زمینه‌ای معادل آنچه در سه دوره قبلی در این تخصص ارائه شده است، دارند: «مقدمه‌ای بر احتمالات و داده‌ها»، «آمار استنباطی» و «رگرسیون خطی و مدل‌سازی».

coursera آمار بیزی: از مفهوم تا تجزیه و تحلیل داده ها (Mitalearn-332517)

  • 3 hours 51 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Herbert Lee
درباره این دوره:

این دوره رویکرد بیزی به آمار را معرفی می کند که با مفهوم احتمال شروع می شود و به تجزیه و تحلیل داده ها می رود. ما در مورد فلسفه رویکرد بیزی و همچنین نحوه پیاده سازی آن برای انواع رایج داده ها خواهیم آموخت. ما رویکرد بیزی را با رویکرد متداول‌تر آموزش داده شده مقایسه می‌کنیم و برخی از مزایای رویکرد بیزی را مشاهده می‌کنیم. به طور خاص، رویکرد بیزی امکان حسابداری بهتر عدم قطعیت، نتایجی که معنای شهودی و قابل تفسیر بیشتری دارند، و اظهارات صریح تری از مفروضات را فراهم می کند. این دوره فیلم های سخنرانی، نمایش های کامپیوتری، خواندن، تمرین ها و تابلوهای بحث را برای ایجاد یک تجربه یادگیری فعال ترکیب می کند. برای محاسبات، می‌توانید از مایکروسافت اکسل یا بسته آماری منبع باز و آزادانه R، با محتوای معادل برای هر دو گزینه استفاده کنید. این سخنرانی ها برخی از پیشرفت های اساسی ریاضی و همچنین توضیحاتی در مورد فلسفه و تفسیر را ارائه می دهد. تکمیل این دوره به شما درکی از مفاهیم رویکرد بیزی، درک تفاوت‌های کلیدی بین رویکردهای بیزی و مکرر، و توانایی انجام تجزیه و تحلیل داده‌های پایه را می‌دهد.

coursera آمار بیزی: تجزیه و تحلیل سری زمانی (Mitalearn-331055)

  • 6 hours 46 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Raquel Prado
درباره این دوره:

این دوره برای تمرین و مشتاق دانشمندان داده و آمار. این چهارمین توالی چهار دوره ای است که مبانی آمار بیزی را معرفی می کند. این بر اساس دوره آمار بیزی: از مفهوم تا تجزیه و تحلیل داده ها، تکنیک ها و مدل ها، و مدل های مخلوط است. تجزیه و تحلیل سری های زمانی با مدل سازی وابستگی بین عناصر یک دنباله از متغیرهای زمانی مرتبط است. برای موفقیت در این دوره باید با احتمالات مبتنی بر حساب دیفرانسیل و انتگرال، اصول تخمین حداکثر درستنمایی و استنتاج بیزی آشنا باشید. شما یاد خواهید گرفت که چگونه مدل هایی بسازید که می توانند وابستگی های زمانی را توصیف کنند و چگونه استنتاج و پیش بینی بیزی را برای مدل ها انجام دهید. شما آنچه را که آموخته اید با نرم افزار منبع باز و رایگان در دسترس R با پایگاه داده های نمونه اعمال خواهید کرد. مربی شما راکل پرادو شما را از مفاهیم اولیه برای مدل‌سازی داده‌های وابسته به زمانی تا اجرای کلاس‌های خاصی از مدل‌ها راهنمایی می‌کند.

coursera آمار بیزی: تکنیک ها و مدل ها (Mitalearn-330562)

  • 7 hours 45 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Matthew Heiner
درباره این دوره:

این دومین مورد از یک دنباله دو دوره ای است که مبانی آمار بیزی را معرفی می کند. این بر اساس دوره آمار بیزی: از مفهوم تا تجزیه و تحلیل داده ها است که روش های بیزی را با استفاده از مدل های مزدوج ساده معرفی می کند. داده‌های دنیای واقعی اغلب به مدل‌های پیچیده‌تری برای رسیدن به نتایج واقعی نیاز دارند. این دوره با هدف گسترش "جعبه ابزار بیزی" ما با مدل های عمومی تر و تکنیک های محاسباتی متناسب با آنها است. به طور خاص، ما روش‌های مونت کارلوی زنجیره مارکوف (MCMC) را معرفی می‌کنیم که امکان نمونه‌گیری از توزیع‌های پسینی را که هیچ راه‌حل تحلیلی ندارند، می‌سازد. ما از نرم افزار منبع باز و رایگان در دسترس R (برخی تجربه فرض می شود، به عنوان مثال، تکمیل دوره قبلی در R) و JAGS (بدون نیاز به تجربه) استفاده خواهیم کرد. ما یاد خواهیم گرفت که چگونه مدل های آماری بیزی را بسازیم، برازش کنیم، ارزیابی کنیم و مقایسه کنیم تا به سوالات علمی شامل داده های پیوسته، باینری و شمارش پاسخ دهیم. این دوره فیلم های سخنرانی، نمایش های کامپیوتری، خواندن، تمرین ها و تابلوهای بحث را برای ایجاد یک تجربه یادگیری فعال ترکیب می کند. این سخنرانی‌ها برخی از پیشرفت‌های ریاضی پایه، توضیحاتی در مورد فرآیند مدل‌سازی آماری، و چند تکنیک مدل‌سازی اساسی که معمولاً توسط آماردانان استفاده می‌شود، ارائه می‌دهد. نمایش‌های رایانه‌ای راه‌حل‌های دقیق و عملی را ارائه می‌دهند. تکمیل این دوره به شما امکان می دهد تا به طیف گسترده ای از ابزارهای تحلیلی بیزی دسترسی داشته باشید که بر اساس داده های شما قابل تنظیم هستند.

coursera آمار بیزی: مدل های مخلوط (Mitalearn-331616)

  • 7 hours 29 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Abel Rodriguez
درباره این دوره:

آمار بیزی: مدل های مخلوط شما را با دسته مهمی از مدل های آماری آشنا می کند. این دوره در پنج ماژول سازماندهی شده است که هر کدام شامل فیلم های سخنرانی، آزمون های کوتاه، خواندن پس زمینه، پیشنهادات بحث و یک یا چند تکالیف بررسی شده است. بهتر است آمار را با انجام آن یاد بگیرید، نه فقط با تماشای یک ویدیو، بنابراین ساختار این دوره به شما کمک می کند تا از طریق برنامه یاد بگیرید. برخی از تمرین ها نیاز به استفاده از R، یک بسته نرم افزاری آماری رایگان دارند. یک آموزش مختصر ارائه شده است، اما ما شما را تشویق می کنیم که در صورت علاقه از بسیاری از منابع دیگر آنلاین برای یادگیری R استفاده کنید. این دوره در سطح متوسط ​​است و پس از هربی لی "آمار بیزی: از مفهوم تا تجزیه و تحلیل داده ها" و "آمار بیزی: تکنیک ها و مدل ها" متیو هاینر، سومین دوره در سری UC سانتا کروز در مورد آمار بیزی طراحی شده است. برای موفقیت در دوره، باید اطلاعاتی در مورد احتمالات مبتنی بر حساب دیفرانسیل و انتگرال، اصول تخمین حداکثر احتمال، و تخمین بیزی داشته باشید.

coursera آمار پایه (Mitalearn-326856)

  • 5 hours 45 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Matthijs Rooduijn,Emiel van Loon
درباره این دوره:

درک آمار برای درک تحقیق در علوم اجتماعی و رفتاری ضروری است. در این دوره با اصول آمار آشنا می شوید. نه فقط نحوه محاسبه آنها، بلکه نحوه ارزیابی آنها. این دوره همچنین شما را برای دوره بعدی در تخصص - دوره آمار استنباطی - آماده می کند. در بخش اول دوره به روش های آمار توصیفی می پردازیم. شما یاد خواهید گرفت که موارد و متغیرها چیست و چگونه می توانید معیارهای گرایش مرکزی (میانگین، میانه و حالت) و پراکندگی (انحراف استاندارد و واریانس) را محاسبه کنید. در ادامه، نحوه ارزیابی روابط بین متغیرها را مورد بحث قرار می دهیم و مفاهیم همبستگی و رگرسیون را معرفی می کنیم. بخش دوم این دوره به مبانی احتمال مربوط می شود: محاسبه احتمالات، توزیع های احتمال و توزیع های نمونه. برای درک نحوه عملکرد آمار استنباطی باید در مورد این موارد بدانید. بخش سوم دوره شامل مقدمه‌ای بر روش‌های آمار استنباطی است - روش‌هایی که به ما کمک می‌کنند تصمیم بگیریم آیا الگوهایی که در داده‌هایمان می‌بینیم به اندازه کافی قوی هستند تا در مورد جمعیت زیربنایی مورد علاقه ما نتیجه‌گیری کنیم. ما در مورد فواصل اطمینان و آزمون های اهمیت شما نه تنها در مورد تمام این مفاهیم آماری یاد خواهید گرفت، بلکه آموزش می بینید که خودتان با استفاده از نرم افزارهای آماری در دسترس، این آمار را محاسبه و تولید کنید.

coursera الگوریتم های یادگیری ماشین با R در تجزیه و تحلیل کسب و کار (Mitalearn-296324)

  • 6 hours 12 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Ronald Guymon,Gies College of Business, University of Illinois
درباره این دوره:

یکی از هیجان انگیزترین جنبه های تجزیه و تحلیل کسب و کار، یافتن الگوها در داده ها با استفاده از الگوریتم های یادگیری ماشین است. در این دوره شما یک پایه مفهومی برای اینکه چرا الگوریتم‌های یادگیری ماشین بسیار مهم هستند و چگونه مدل‌های حاصل از آن الگوریتم‌ها برای یافتن بینش عملی مرتبط با مشکلات تجاری استفاده می‌شوند، به دست خواهید آورد. برخی از الگوریتم‌ها برای پیش‌بینی نتایج عددی استفاده می‌شوند، در حالی که برخی دیگر برای پیش‌بینی طبقه‌بندی یک نتیجه استفاده می‌شوند. الگوریتم های دیگر برای ایجاد گروه های معنی دار از مجموعه ای غنی از داده ها استفاده می شود. پس از اتمام این دوره، شما قادر خواهید بود توضیح دهید که چه زمانی باید از هر الگوریتم استفاده شود. همچنین به شما این فرصت داده می شود که از R و RStudio برای اجرای این الگوریتم ها و برقراری ارتباط نتایج با استفاده از نوت بوک های R استفاده کنید.

coursera بر اساس مدل SIR (Mitalearn-345386)

  • 45 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Nimalan Arinaminpathy
درباره این دوره:

دو دوره دیگر در این تخصص شما را ملزم به انجام مدل سازی قطعی می کند - به عبارت دیگر، نتیجه همه گیری قابل پیش بینی است زیرا همه پارامترها به طور کامل شناخته شده اند. با این حال، این دوره به بسیاری از موارد - به ویژه در مراحل اولیه یک اپیدمی - که رویدادهای تصادفی می توانند در آینده یک بیماری همه گیر تأثیرگذار باشند، می پردازد. بنابراین، با نمونه‌هایی از چنین «تصادفی» و همچنین روش‌های ساده برای مدل‌سازی این همه‌گیری‌ها با استفاده از R آشنا خواهید شد. نحوه مدل‌سازی عفونت‌هایی را که چنین «ساختار جمعیتی» نقش مهمی در پویایی انتقال ایفا می‌کند را بررسی خواهید کرد. و برخی از رویکردهای اساسی برای مدل‌سازی بیماری‌های منتقله از طریق ناقل، از جمله مدل راس-مک‌دونالد را یاد خواهد گرفت. حتی اگر در آینده مدل‌های ریاضی را طراحی و شبیه‌سازی نمی‌کنید، مهم است که بتوانید یک مدل را به‌طور انتقادی ارزیابی کنید تا نقاط قوت و ضعف آن را درک کنید و نحوه بهبود آن را شناسایی کنید. یکی از راه‌های کسب این مهارت، انجام یک بررسی انتقادی از یک مطالعه مدل‌سازی به‌عنوان داور است، که فرصتی است که با گذراندن این دوره به دست خواهید آورد.

coursera برنامه نویسی R (Mitalearn-332432)

  • 5 hours 23 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Roger D. Peng, PhD,Jeff Leek, PhD,Brian Caffo, PhD
درباره این دوره:

در این دوره شما یاد خواهید گرفت که چگونه به زبان R برنامه نویسی کنید و چگونه از R برای تجزیه و تحلیل موثر داده ها استفاده کنید. شما یاد خواهید گرفت که چگونه نرم افزارهای لازم برای یک محیط برنامه نویسی آماری را نصب و پیکربندی کنید و مفاهیم زبان برنامه نویسی عمومی را همانطور که در یک زبان آماری سطح بالا پیاده سازی می شوند، شرح دهید. این دوره مسائل عملی در محاسبات آماری را پوشش می‌دهد که شامل برنامه‌نویسی در R، خواندن داده‌ها در R، دسترسی به بسته‌های R، نوشتن توابع R، اشکال‌زدایی، پروفایل‌سازی کد R، و سازمان‌دهی و اظهار نظر کد R می‌شود. موضوعات در تجزیه و تحلیل داده های آماری نمونه های کاری را ارائه می دهند.

coursera برنامه نویسی پیشرفته R (Mitalearn-331225)

  • 1 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Roger D. Peng, PhD,Brooke Anderson
درباره این دوره:

این دوره موضوعات پیشرفته ای در برنامه نویسی R را پوشش می دهد که برای توسعه ابزارهای علوم داده قدرتمند، قوی و قابل استفاده مجدد ضروری است. موضوعات تحت پوشش عبارتند از برنامه نویسی عملکردی در R، مدیریت خطای قوی، برنامه نویسی شی گرا، پروفایل و محک زدن، اشکال زدایی، و طراحی مناسب توابع. پس از اتمام این دوره، شما قادر خواهید بود وظایف رایج تجزیه و تحلیل داده ها را شناسایی و انتزاع کنید و آنها را در توابع رو به رو کاربر محصور کنید. از آنجایی که هر محیط علم داده با چالش های داده منحصر به فردی روبرو می شود، همیشه نیاز به توسعه نرم افزار سفارشی خاص برای ماموریت سازمان شما وجود دارد. همچنین می‌توانید انواع داده‌های جدیدی را در R تعریف کنید و جهانی از عملکردهای خاص برای آن نوع داده‌ها را توسعه دهید تا امکان اجرای پاک‌تر وظایف علم داده و قابلیت استفاده مجدد قوی‌تر را در یک تیم فراهم کنید.

coursera پکیج های R ساختمان (Mitalearn-334047)

  • 2 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Roger D. Peng, PhD,Brooke Anderson
درباره این دوره:

نوشتن کد خوب برای علم داده تنها بخشی از کار است. به منظور به حداکثر رساندن سودمندی و قابلیت استفاده مجدد از نرم افزار علم داده، کد باید به گونه ای سازماندهی و توزیع شود که مطابق با استانداردهای جامعه محور باشد و تجربه کاربری خوبی را ارائه دهد. این دوره ابزارهای اولیه ای را که به وسیله آنها نرم افزار R سازماندهی و به دیگران توزیع می شود را پوشش می دهد. ما توسعه بسته‌های R، نوشتن اسناد و نگاره‌های خوب، نوشتن نرم‌افزار قوی، توسعه بین پلتفرم‌ها، ابزارهای یکپارچه‌سازی مداوم، و توزیع بسته‌ها از طریق CRAN و GitHub را پوشش می‌دهیم. فراگیران بسته های R را تولید می کنند که معیارهای ارسال به CRAN را برآورده می کند.

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.

coursera تجزیه و تحلیل داده ها با R (Mitalearn-330528)

  • 2 hours 24 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Tiffany Zhu,Yiwen Li,Gabriela de Queiroz
درباره این دوره:

زبان برنامه نویسی R به طور هدفمند برای تجزیه و تحلیل داده ها ساخته شده است. R کلیدی است که دری را بین مشکلاتی که می خواهید با داده ها حل کنید و پاسخ هایی که برای رسیدن به اهداف خود نیاز دارید باز می کند. این دوره با یک سوال شروع می شود و سپس شما را در فرآیند پاسخ دادن به آن از طریق داده ها راهنمایی می کند. ابتدا تکنیک های مهمی را برای آماده سازی (یا مشاجره کردن) داده های خود برای تجزیه و تحلیل خواهید آموخت. سپس یاد خواهید گرفت که چگونه از طریق تجزیه و تحلیل داده های اکتشافی به درک بهتری از داده های خود دست یابید، به شما کمک می کند تا داده های خود را خلاصه کنید و روابط مرتبط بین متغیرهایی را شناسایی کنید که می تواند به بینش منجر شود. هنگامی که داده های شما برای تجزیه و تحلیل آماده شد، یاد خواهید گرفت که چگونه مدل خود را توسعه دهید و عملکرد آن را ارزیابی و تنظیم کنید. با پیروی از این فرآیند، می توانید مطمئن شوید که تجزیه و تحلیل داده های شما مطابق با استانداردهایی است که تعیین کرده اید و می توانید به نتایج اطمینان داشته باشید. شما با بازی در نقش یک تحلیلگر داده که در حال تجزیه و تحلیل داده های خروج و رسیدن خطوط هوایی برای پیش بینی تاخیرهای پرواز است، تجربه عملی ایجاد خواهید کرد. با استفاده از مجموعه داده‌های عملکرد به‌موقع شرکت گزارش‌دهنده هواپیمایی، خواندن فایل‌های داده، پیش‌پردازش داده‌ها، ایجاد مدل‌ها، بهبود مدل‌ها و ارزیابی آن‌ها را تمرین می‌کنید تا در نهایت بهترین مدل را انتخاب کنید. ویدیوها را تماشا کنید، از طریق آزمایشگاه ها کار کنید و به مجموعه خود اضافه کنید. موفق باشید! توجه: پیش نیاز این دوره، مهارت های اولیه برنامه نویسی R است. به عنوان مثال، مطمئن شوید که دوره ای مانند مقدمه ای بر برنامه نویسی R برای علم داده از IBM را گذرانده اید.

coursera تجزیه و تحلیل داده ها با Tidyverse (Mitalearn-327247)

  • 2 hours 52 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Jane Wall
درباره این دوره:

این دوره به معرفی ملایم ما برای برنامه نویسی در R ادامه می دهد که برای 3 نوع یادگیرنده طراحی شده است. برای شما مناسب خواهد بود، اگر: • می خواهید تجزیه و تحلیل داده ها را انجام دهید اما برنامه نویسی نمی دانید • برنامه نویسی بلدید اما با R آشنا نیستید • مقداری برنامه نویسی R را می شناسید اما می خواهید در مورد افعال tidyverse اطلاعات بیشتری کسب کنید بهتر است بعد از اولین دوره تخصصی گرفته شود یا اگر قبلاً با ggplot، RMarkdown و نوشتن تابع پایه در R آشنا هستید. از Learn to use reader برای خواندن در داده های خود، dplyr برای تجزیه و تحلیل داده ها و stringr استفاده خواهید کرد. و forcats برای دستکاری رشته ها و عوامل.

coursera تجزیه و تحلیل داده ها در R با RStudio & Tidyverse (Mitalearn-327553)

  • مبتدی
  • Release date: 27 June 2026
  • Author: Anh Le
درباره این دوره:

کدنویسی کنید و اولین برنامه R خود را در عرض چند دقیقه بدون نصب چیزی اجرا کنید! این دوره برای زبان آموزانی طراحی شده است که هیچ تجربه کدنویسی قبلی ندارند و دانش پایه ای از تجزیه و تحلیل داده ها در R ارائه می کنند. ماژول های این دوره شامل آمار توصیفی، وارد کردن و جدال داده ها، و استفاده از آزمون های آماری برای مقایسه جمعیت ها و توصیف روابط می شود. این دوره نمونه هایی را به زبان R با استفاده از استاندارد صنعتی محیط توسعه مجتمع (IDE) RStudio ارائه می کند. برای اینکه امکان یک تجربه یادگیری واقعی و خودآگاه را فراهم کنید، این دوره بدون ویدیو است. تکالیف حاوی توضیحات کوتاه با تصاویر و نمونه‌های کد قابل اجرا با ویرایش‌های پیشنهادی برای بررسی بیشتر نمونه‌های کد، ایجاد درک عمیق‌تر با انجام دادن هستند. شما از بازخورد فوری از انواع آیتم های ارزیابی در طول مسیر بهره مند خواهید شد، به آرامی از بررسی های درک سریع (چند انتخابی، پر کردن جای خالی و عدم درهم آمیختن بلوک های کد) تا تمرین های کدگذاری کوچک و قابل دسترس که به جای اینکه چند دقیقه طول می کشد، پیشرفت کنید. ساعت در نهایت، یک آزمایشگاه انباشته در پایان دوره به شما فرصتی می دهد تا همه مفاهیم آموخته شده را در یک زمینه دنیای واقعی به کار ببرید.

Suggestions