Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-16 of 16 items.

coursera برنامه ریزی و طراحی سیستم ها و فناوری های بهداشتی (Mitalearn-352084)

  • 5 hours 47 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Christoph Lüthi
درباره این دوره:

آیا می خواهید بیاموزید که چگونه راه حل های بهداشتی مقرون به صرفه و متناسب با زمینه را برنامه ریزی کنید؟ آیا در مورد جدیدترین تحولات در برنامه ریزی و برنامه ریزی بهداشت شهری به روز باشید؟ با بهترین نمونه های عملی از سیستم های بهداشت شهری در کشورهای با درآمد کم و متوسط ​​آشنا شوید؟ اگر بله، این دوره برای شما مناسب است! این دوره به شما مقدمه ای بر برنامه ریزی یکپارچه بهداشتی، هم در مقیاس شهر و هم برای زمینه های خاص مانند سکونتگاه های غیررسمی ارائه می دهد. شما با چارچوب‌های مختلف برنامه‌ریزی بهداشتی و همچنین سیستم‌ها و فن‌آوری‌های مختلف مرتبط با زنجیره ارزش بهداشتی آشنا خواهید شد. شما یاد خواهید گرفت که چرا تفکر سیستم ها برای بهداشت محیط شهری حیاتی است و چگونه از اصطلاحات کلیدی و مفاهیم مهم استفاده کنید. این دوره یکی از چهار دوره در مجموعه "بهداشت، آب و پسماند جامد برای توسعه" است. www.eawag.ch/mooc

coursera بهبود فرآیند مبتنی بر داده (Mitalearn-289269)

  • 1 hours 14 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Peter Baumgartner,Akshay Sivadas
درباره این دوره:

در پایان این دوره، فراگیران این اختیار را پیدا می کنند که اهداف بهبود فرآیند مبتنی بر داده را در سازمان خود پیاده کنند. این دوره شامل موارد زیر است: مورد تجاری برای IoT (اینترنت اشیا)، اهمیت استراتژیک همسویی عملیات و اهداف عملکرد، بهترین شیوه ها برای جمع آوری داده ها، و تسهیل فعالیت نقشه برداری فرآیند برای تجسم و تجزیه و تحلیل جریان مواد و اطلاعات فرآیند. یادگیرندگان آماده هستند تا تلاش‌ها را حول نیازهای تجاری متمرکز کنند، آنچه را که سازمان باید اندازه‌گیری کند، تشخیص داده بین انواع مختلف داده‌های اینترنت اشیا و جمع‌آوری شاخص‌های عملکرد کلیدی (KPI) با استفاده از فناوری اینترنت اشیا، ارزیابی کنند. فراگیران این فرصت را دارند که اهداف بهبود فرآیند را در یک سناریوی ساختگی اجرا کنند و در نظر بگیرند که چگونه دانش را می توان به زمینه های سازمانی خود منتقل کرد. مطالب شامل سخنرانی های آنلاین، ویدئوها، دموها، کار پروژه، خواندن و بحث است. این دوره برای افرادی که مشتاق توسعه یک ذهنیت داده محور هستند ایده آل است که بینش های قدرتمندی را برای بهبود نتیجه شرکت به دست می آورد. اگر زبان آموزان با خواندن گزارش ها، جمع آوری و استفاده از داده ها و تفسیر تجسم ها آشنایی داشته باشند، مفید است. این اولین دوره در تخصص تصمیم گیری داده محور (DDDM) است. برای کسب اطلاعات بیشتر در مورد تخصص، یک نمای کلی ویدیویی را در https://www.youtube.com/watch?v=Oi4mmeSWcVc&list=PLQvThJe-IglyYljMrdqwfsDzk56ncfoLx&index=11 بررسی کنید.

coursera پروژه جمع آوری داده های نظرسنجی و تجزیه و تحلیل (Capstone) (Mitalearn-344706)

  • مناسب همه
  • Release date: 27 June 2026
  • Author: Frauke Kreuter, Ph.D.
درباره این دوره:

پروژه Capstone به فراگیران واجد شرایط این فرصت را می دهد تا دانش خود را با تجزیه و تحلیل و مقایسه منابع داده های متعدد در یک موضوع به کار گیرند. دانش آموزان یک سوال تحقیقاتی ایجاد می کنند، به داده های مربوطه دسترسی پیدا کرده و تجزیه و تحلیل می کنند و کیفیت هر منبع داده را به طور انتقادی بررسی می کنند. در تکمیل این سنگ بنا، دانش‌آموزان توانایی تحلیل عملی داده‌ها را نشان می‌دهند، کیفیت منابع داده‌های مختلف را با استفاده از رویکرد خطای نظرسنجی کل ارزیابی می‌کنند، که شامل حداقل برخی از موارد زیر است: مقایسه نمونه‌های غیراحتمالی وزنی با داده‌های جمع‌آوری‌شده از نمونه‌های احتمال، استفاده از تکنیک‌های نمونه‌گیری برای تصحیح خطاهای پوشش، و ردیابی و ارزیابی سهولت استفاده از پرسشنامه آنلاینی که پیاده‌سازی می‌کنید.

coursera تجزیه و تحلیل بازاریابی دیجیتال در تئوری (Mitalearn-288980)

  • 2 hours 53 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Kevin Hartman
درباره این دوره:

امروزه بازاریابی موفقیت آمیز برندها مستلزم ترکیبی متعادل از هنر و علم است. این دوره دانش‌آموزان را با علم تجزیه و تحلیل وب آشنا می‌کند و در عین حال نگاهی دقیق به استفاده هنرمندانه از اعداد موجود در فضای دیجیتال دارد. هدف این است که پایه و اساس مورد نیاز برای اعمال تجزیه و تحلیل داده ها در چالش های دنیای واقعی که بازاریابان روزانه با آن مواجه هستند فراهم شود. تجزیه و تحلیل دیجیتال برای حرفه ای های بازاریابی: تجزیه و تحلیل بازاریابی در تئوری اولین دوره از مجموعه دو قسمتی دوره های تکمیلی است و بر اطلاعات پیش زمینه و چارچوب هایی تمرکز دارد که تحلیلگران برای موفقیت در دنیای تجارت دیجیتال امروزی نیاز دارند. این دوره بخشی از مجموعه برنامه های آنلاین کالج تجارت Gies، از جمله iMBA و iMSM است. درباره پذیرش در این برنامه‌ها بیشتر بیاموزید و بررسی کنید که چگونه می‌توان در صورت پذیرش در یک برنامه تحصیلی در https://degrees.giesbusiness.illinois.edu/idegrees/ از کار Coursera شما استفاده کرد.

coursera جمع آوری داده ها: آنلاین، تلفنی و حضوری (Mitalearn-342003)

  • 10 hours 32 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Frederick Conrad, Ph.D.
درباره این دوره:

این دوره تحقیقاتی را ارائه می دهد که برای افزایش درک ما از چگونگی تأثیر تصمیمات جمع آوری داده ها بر خطاهای نظرسنجی انجام شده است. این یک دوره آموزشی "چگونه انجام آن" در جمع آوری داده ها نیست، بلکه ادبیات مربوط به تصمیمات طراحی نظرسنجی و کیفیت داده ها را بررسی می کند تا یادگیرندگان را نسبت به اینکه چگونه طرح های نظرسنجی جایگزین ممکن است بر داده های به دست آمده از آن نظرسنجی ها تأثیر بگذارد، حساس کند. این دوره طیف وسیعی از روش‌های جمع‌آوری داده‌های نظرسنجی را بررسی می‌کند که هم مبتنی بر مصاحبه (چهره به چهره و تلفن) و هم به صورت شخصی (پرسشنامه‌های کاغذی که از طریق پست ارسال می‌شوند و آنهایی که به‌صورت آنلاین اجرا می‌شوند، یعنی به‌عنوان نظرسنجی وب) هستند. طرح‌های حالت مختلط و همچنین چندین حالت ترکیبی برای جمع‌آوری اطلاعات حساس پوشش داده می‌شوند، به‌عنوان مثال، خود مدیریت سؤالات حساس در مصاحبه‌ای رودررو. این دوره همچنین روش های جدیدتری مانند مصاحبه های وب موبایل و پیامک (پیام متنی) را پوشش می دهد و منابع داده جایگزین مانند رسانه های اجتماعی را بررسی می کند. این روش بر تأثیر این تکنیک ها بر کیفیت داده های نظرسنجی، از جمله خطای اندازه گیری، عدم پاسخگویی، و پوشش تمرکز می کند و هنگام انتخاب یک حالت یا طرح نظرسنجی، مبادلات بین این منابع خطا را ارزیابی می کند.

linkedin جمع آوری داده های استراتژیک، مدل سازی و مدیریت کیفیت برای سیستم های هوش مصنوعی (Mitalearn-440705)

  • 51 minutes
  • مناسب همه
  • Release date: 1 April 2025
  • Author: Joe Squire
درباره این دوره: 

 در این دوره، استراتژیست داده، جو اسکوایر، اصول اساسی جمع آوری داده های استراتژیک، مدل سازی و مدیریت کیفیت ضروری برای ساختن سیستم های هوش مصنوعی موثر را معرفی می کند. بیاموزید که چگونه یک استراتژی جمع‌آوری داده طراحی کنید که با اهداف تجاری مطابقت داشته باشد، با تمرکز بر کیفیت، ارتباط، و نمایندگی داده‌ها برای پشتیبانی از بینش‌های هوش مصنوعی قابل اعتماد. راه‌هایی برای حفظ دقت داده‌ها، شناسایی و کاهش تعصبات، و اجرای شیوه‌های کنترل کیفیت برای افزایش یکپارچگی داده‌ها در جریان‌های کاری هوش مصنوعی کشف کنید. علاوه بر این، مبانی مدل‌سازی داده‌ها را برای پشتیبانی از برنامه‌های هوش مصنوعی، ایجاد پایه‌ای قوی برای موضوعات بیشتر در ذخیره‌سازی مقیاس‌پذیر، مدیریت امن داده‌ها، و تکنیک‌های پردازش هوش مصنوعی پیشرفته بررسی کنید. در پایان این دوره، شما به استراتژی‌های عملی برای اطمینان از داده‌های با کیفیت بالا مجهز خواهید شد که نتایج دقیق و بی‌طرفانه هوش مصنوعی را به همراه دارد.

coursera جمع آوری و پردازش داده ها با پایتون (Mitalearn-310094)

  • 5 hours 52 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Paul Resnick
درباره این دوره:

این دوره به شما می آموزد که داده ها را از سرویس های موجود در اینترنت واکشی و پردازش کنید. درک لیست پایتون را پوشش می دهد و فرصت هایی را برای تمرین استخراج و پردازش داده های عمیق تو در تو فراهم می کند. همچنین یاد خواهید گرفت که چگونه از ماژول درخواست‌های پایتون برای تعامل با APIهای REST استفاده کنید و در اسناد آن APIها به دنبال چه چیزی باشید. برای پروژه نهایی، شما یک «پیشنهادگر برچسب» برای سایت اشتراک‌گذاری عکس فلیکر می‌سازید. اگر قبلاً دوره های «مبانی پایتون» و «توابع، فایل ها و دیکشنری های پایتون» (دوره های 1 و 2 تخصص برنامه نویسی پایتون 3) را گذرانده باشید، این دوره برای شما مناسب است. اگر قبلاً با اصول پایتون آشنایی دارید اما می خواهید در بازیابی و پردازش داده های تو در تو پیچیده از سرویس های اینترنتی تمرین کنید، می توانید بدون گذراندن دو دوره قبلی نیز از این دوره بهره مند شوید. این سومین دوره از پنج دوره تخصصی برنامه نویسی پایتون 3 است.

coursera چارچوبی برای جمع آوری و تجزیه و تحلیل داده ها (Mitalearn-333044)

  • 2 hours 51 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Frauke Kreuter, Ph.D.,Mariel Leonard
درباره این دوره:

این دوره مروری بر محصولات داده موجود و درک خوبی از چشم انداز جمع آوری داده ها را در اختیار شما قرار می دهد. با کمک مثال‌های مختلف، یاد می‌گیرید که چگونه شناسایی کنید کدام منابع داده احتمالاً با سؤال تحقیق شما مطابقت دارد، چگونه سؤال تحقیق خود را به قطعات قابل اندازه‌گیری تبدیل کنید و چگونه در مورد یک طرح تحلیل فکر کنید. علاوه بر این، این دوره یک چارچوب کلی را در اختیار شما قرار می دهد که به شما امکان می دهد نه تنها هر مرحله مورد نیاز برای جمع آوری و تجزیه و تحلیل موفقیت آمیز داده ها را درک کنید، بلکه به شما کمک می کند تا خطاهای مرتبط با منابع داده های مختلف را شناسایی کنید. شما برخی از معیارها را برای تعیین کمیت هر خطای احتمالی یاد خواهید گرفت، و بنابراین ابزارهایی برای توصیف کیفیت یک منبع داده در اختیار خواهید داشت. در نهایت تلاش‌های مختلف جمع‌آوری داده‌ها در مقیاس بزرگ را که توسط صنایع خصوصی و سازمان‌های دولتی انجام شده است، معرفی می‌کنیم و مفاهیم آموخته‌شده را از طریق این مثال‌ها بررسی می‌کنیم. این دوره برای مبتدیان و همچنین کسانی که در مورد یک منبع داده خاص می دانند، اما دیگران را نه، و به دنبال یک چارچوب کلی برای ارزیابی محصولات داده هستند، مناسب است.

coursera سیستم های نظارت: تجزیه و تحلیل، انتشار و سیستم های ویژه (Mitalearn-341748)

  • 2 hours 56 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Stefan Baral, MD, MPH, MBA, FRCPC
درباره این دوره:

در این دوره، ما بر روی درس های قبلی در این تخصص می پردازیم تا بر روی برخی از مهارت های بسیار خاص مرتبط با نظارت بر سلامت عمومی تمرکز کنیم. ما یاد خواهیم گرفت که چگونه از تجزیه و تحلیل داده های نظارتی بیشترین بهره را ببریم، و به طور خاص بر تفسیر داده های روند زمانی برای تشخیص انحرافات زمانی و همچنین شخص، مکان و زمان در زمینه داده های نظارت تمرکز می کنیم. ما همچنین استراتژی‌هایی را برای ارائه داده‌های نظارتی و برخی از عناصر حقوقی پیچیده‌ای که بر استفاده از آن تأثیر می‌گذارند، بررسی خواهیم کرد. سپس توجه خود را به نظارت بر بیماری‌های مزمن غیرواگیر و نحوه استفاده از داده‌ها برای حمایت از تلاش‌های پیشگیری معطوف خواهیم کرد. در نهایت، سیستم‌های نظارتی ویژه، مانند نظارت سندرمی، مقاومت ضد میکروبی، و نظارت مرتبط با رویداد را بررسی خواهیم کرد. این دوره برای پزشکان بهداشت عمومی با تمرکز بر کسانی که در سازمان های بهداشت عمومی شهری، منطقه ای، ایالتی، استانی یا حتی ملی کار می کنند، طراحی شده است. ما واقعاً فکر می کنیم که این دوره به کسانی که علاقه مند به نظارت بر سلامت هستند کمک می کند تا ببینند کدام رویکردها در عمل واقعی بهداشت عمومی استفاده می شود.

coursera سیستم های نظارتی: بلوک های ساختمانی (Mitalearn-341357)

  • 3 hours 14 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Emily Gurley, PhD, MPH
درباره این دوره:

اپیدمیولوژی اغلب به عنوان علم سنگ بنا توصیف می شود و بهداشت عمومی و نظارت بر سلامت عمومی سنگ بنای اپیدمیولوژی است. این دوره به شما کمک می کند تا آگاهی و مهارت های فنی خود را برای کار با انواع سیستم های نظارتی ایجاد کنید. در طول مسیر، ما بر اهداف سیستم، گزارش داده ها، ویژگی های نظارتی اصلی و ارزیابی عملکرد تمرکز خواهیم کرد. این دوره برای پزشکان بهداشت عمومی و هر کسی که می خواهد در مورد اصول اولیه نظارت بر سلامت عمومی بیشتر بیاموزد طراحی شده است. اگر سیستم های نظارتی را توسعه داده یا پیاده سازی می کنید یا می خواهید این کار را انجام دهید یا از داده های حاصل از نظارت استفاده کنید، این دوره برای شما مناسب است. همچنین برای افرادی است که علاقه مند به درک بیشتر در مورد این ابزار اساسی اپیدمیولوژیک و عملکرد بهداشت عمومی هستند.

coursera مبانی تجزیه و تحلیل داده ها (Mitalearn-327417)

  • 2 hours 7 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Erik Herman
درباره این دوره:

این دوره اولین دوره از مجموعه ای است که هدف آن آماده سازی شما برای نقشی در تجزیه و تحلیل داده ها است. در این دوره، شما با بسیاری از انواع اولیه تجزیه و تحلیل داده ها و مفاهیم اصلی آشنا خواهید شد. شما در مورد ابزارها و مهارت های مورد نیاز برای انجام تجزیه و تحلیل داده ها یاد خواهید گرفت. ما برخی از ریاضیات و آمارهای اساسی مورد استفاده در تجزیه و تحلیل داده ها و گردش کار را برای انجام تجزیه و تحلیل داده های کارآمد و مؤثر بررسی خواهیم کرد. این دوره طیف گسترده ای از موضوعات را پوشش می دهد که برای کار در تجزیه و تحلیل داده ها حیاتی هستند و به گونه ای طراحی شده اند که همزمان با شروع به ایجاد دانش و مهارت های مرتبط، مقدمه و نمای کلی را به شما ارائه دهند.

coursera مدیریت داده برای تحقیقات بالینی (Mitalearn-337124)

  • 10 hours 10 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Stephany Duda, PhD,Paul Harris, PhD
درباره این دوره:

این دوره مفاهیم مهم و روش های عملی را برای حمایت از برنامه ریزی، جمع آوری، ذخیره سازی و انتشار داده ها در تحقیقات بالینی ارائه می دهد. درک و اجرای اصول مدیریت داده های جامد برای هر حوزه علمی حیاتی است. صرف نظر از نقش فعلی (یا پیش بینی شده) شما در شرکت تحقیقاتی، مجموعه دانش و مهارت قوی در اصول مدیریت داده ها و عملکرد، بهره وری شما را افزایش می دهد و علم شما را بهبود می بخشد. هدف ما استفاده از این ماژول ها برای کمک به شما در یادگیری و تمرین این مجموعه مهارت است. این دوره دانش فعلی بسیار کمی از فناوری به جز نحوه کار با مرورگر وب را در نظر می گیرد. ما روی درس‌های عملی، آزمون‌های کوتاه و تمرین‌های عملی تمرکز می‌کنیم و بهترین شیوه‌های مدیریت داده را با هم بررسی می‌کنیم.

coursera مدیریت داده های کارآزمایی های بالینی و تضمین کیفیت (Mitalearn-337430)

  • 5 hours 51 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Janet Holbrook, PhD, MPH,Ann-Margret Ervin, PhD, MPH,David M. Shade, JD
درباره این دوره:

در این دوره، شما یاد خواهید گرفت که داده های جمع آوری شده در طول آزمایش خود را جمع آوری کرده و از آنها مراقبت کنید و چگونه از اشتباهات و خطاها از طریق اقدامات تضمین کیفیت جلوگیری کنید. کارآزمایی‌های بالینی حجم عظیمی از داده‌ها را تولید می‌کنند، بنابراین شما و تیمتان باید با انتخاب ابزار، سیستم‌ها و اقدامات مناسب جمع‌آوری برای محافظت از یکپارچگی داده‌های آزمایشی خود، برنامه‌ریزی دقیقی داشته باشید. شما یاد خواهید گرفت که چگونه مجموعه داده های خود را جمع آوری، تمیز و شناسایی کنید. در نهایت، شما یاد خواهید گرفت که از طریق نظارت بر عملکرد، مدیریت مداخلات درمانی و اجرای پروتکل های تضمین کیفیت، کمبودها را پیدا کرده و اصلاح کنید.

coursera مقدمه ای بر تحلیل داده ها (Mitalearn-287841)

  • 4 hours 45 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Anke Audenaert
درباره این دوره:

این دوره یک درک عملی و چارچوبی برای وظایف اصلی تجزیه و تحلیل، از جمله استخراج داده، تمیز کردن، دستکاری و تجزیه و تحلیل ارائه می دهد. این چرخه OSEMN را برای مدیریت پروژه های تحلیلی معرفی می کند و شما نمونه های واقعی از نحوه استفاده شرکت ها از بینش داده ها برای بهبود تصمیم گیری را بررسی خواهید کرد. در پایان این دوره شما قادر خواهید بود: • اهداف تجاری، KPI و معیارهای مرتبط را تدوین کنید • یک فرآیند تجزیه و تحلیل داده ها را با استفاده از چارچوب OSEMN اعمال کنید • داده های مربوطه را که برای بازاریابی جمع آوری می شود، شناسایی و تعریف کنید • فرمت های مختلف داده و کاربردهای آنها را در سناریوهای مختلف مقایسه و مقایسه کنید • شکاف های داده ها را شناسایی کنید و نقاط قوت و ضعف داده های جمع آوری شده را بیان کنید شما نیازی به تجربه بازاریابی یا تجزیه و تحلیل داده ندارید، اما باید مهارت های ناوبری اینترنتی اولیه را داشته باشید و مشتاق مشارکت باشید. در حالت ایده آل، شما قبلاً دوره 1: بنیاد تجزیه و تحلیل بازاریابی را در این برنامه تکمیل کرده اید.

coursera مقدمه ای بر تحلیل داده ها [coursera] (Mitalearn-326346)

  • 3 hours 44 minutes
  • مبتدی
  • Release date: 27 June 2026
  • Author: Rav Ahuja
درباره این دوره:

برای شروع حرفه ای در تجزیه و تحلیل داده ها آماده هستید اما نمی دانید از کجا شروع کنید؟ این دوره به شما معرفی ملایمی با تجزیه و تحلیل داده ها، نقش یک تحلیلگر داده و ابزارهای مورد استفاده در این شغل می دهد. شما در مورد مهارت ها و مسئولیت های یک تحلیلگر داده یاد خواهید گرفت و از چندین متخصص داده که نکات و توصیه های خود را برای شروع یک حرفه به اشتراک می گذارند، خواهید شنید. این دوره به شما کمک می کند تا بین نقش های تحلیلگران داده، دانشمندان داده و مهندسان داده تفاوت قائل شوید. شما با اکوسیستم داده ها، در کنار پایگاه های داده، انبارهای داده، مارت های داده، دریاچه های داده و خطوط لوله داده آشنا خواهید شد. این سفر هیجان انگیز را ادامه دهید و پلتفرم های Big Data مانند Hadoop، Hive و Spark را کشف کنید. در پایان این دوره شما قادر خواهید بود مبانی فرآیند تجزیه و تحلیل داده ها از جمله جمع آوری، تمیز کردن، تجزیه و تحلیل و به اشتراک گذاری داده ها و ارتباط بینش خود را با استفاده از تجسم ها و ابزارهای داشبورد درک کنید. همه اینها در پروژه نهایی گرد هم می آیند، جایی که دانش شما را از مواد درسی آزمایش می کند و سناریوی واقعی از وظایف تجزیه و تحلیل داده ها را ارائه می دهد. این دوره نیازی به تجزیه و تحلیل داده، صفحه گسترده یا تجربه علوم کامپیوتر ندارد.

coursera مهندسی داده در AWS (Mitalearn-329287)

  • 1 hours 45 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Whizlabs Instructor
درباره این دوره:

مهندسی داده در AWS اولین دوره در تخصص AWS Certified Machine Learning تخصص است. این دوره به زبان آموزان کمک می کند تا تکنیک های مختلف جمع آوری داده ها را تجزیه و تحلیل کنند. آنها همچنین بینشی برای رسیدگی به داده های از دست رفته به دست خواهند آورد. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره آموزشی با سخنرانی‌های ویدیویی حدوداً 2:30 تا 3:00 ساعت که هم تئوری و هم دانش عملی را ارائه می‌کند، به زبان‌آموزان تسهیل می‌کند. همچنین آزمون های درجه بندی شده و بدون درجه بندی به منظور سنجش توانایی فراگیران به همراه هر ماژول ارائه می شود. ماژول 1: مقدمه ای بر مهندسی داده ماژول 2: استخراج ویژگی و انتخاب ویژگی نامزد باید حداقل دو سال تجربه عملی در معماری و اجرای بارهای کاری ML در AWS Cloud داشته باشد. فرد باید دانش اولیه الگوریتم های ML را داشته باشد. در پایان این دوره، زبان آموز قادر خواهد بود: - تکنیک های مختلف جمع آوری داده ها را درک کنید - تجزیه و تحلیل تکنیک های مدیریت داده های از دست رفته - پیاده سازی استخراج ویژگی و انتخاب ویژگی با تجزیه و تحلیل مؤلفه اصلی و واریانس آستانه ها

Suggestions