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.

هنگامی که یک استراتژی عالی داشته باشیم، آماده سازی زیادی برای جمع آوری منابع، برنامه ریزی راه اندازی و سپس اجرا باقی می ماند. برخی از صنایع، عمدتاً B2B سطح بالا، همچنان به حمایت و توجهی نیاز دارند که فقط نیروی فروش انسانی می تواند ارائه دهد. روابط عمومی و حمایت های مالی همچنان به عنوان استراتژی های ارتباطی سنتی عملی باقی می مانند. قیمت گذاری، پیش بینی و تجزیه و تحلیل ROI پایه و اساس سودآوری و بلیط ورود جدی توسط سرمایه گذاران سهام را ایجاد می کند. ما نحوه ارائه این مدیران و VCها را در نظر می گیریم. هنگامی که عملیات در حال چرخش است، توزیع، زنجیره تامین و تجزیه و تحلیل داده های مداوم فرصت تکرار و افزایش عملکرد را فراهم می کند. ابزار تولید آن ایده عالی NEXT با نوآوری و طراحی محصول مورد استفاده قرار می گیرد که هر دو توسط یک برند و لوگوی قوی (امیدوارم) پشتیبانی می شوند. در نهایت به آنچه شرکت‌های واقعاً شیک آرزو دارند نگاه می‌کنیم: تمرکز بر مشتری و وفاداری که جایزه نهایی مزیت رقابتی بلندمدت را ایجاد می‌کند. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد مهندسی CU Boulder در مدیریت مهندسی (ME-EM) که در پلت فرم Coursera ارائه می شود، گذراند. ME-EM برای کمک به مهندسان، دانشمندان و متخصصان فنی طراحی شده است تا به سمت نقش های رهبری و مدیریت در بخش های مهندسی و فنی حرکت کنند. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، ME-EM برای افرادی با طیف گسترده ای از تحصیلات کارشناسی و/یا تجربه حرفه ای ایده آل است. درباره برنامه ME-EM در https://www.coursera.org/degrees/me-engineering-management-boulder اطلاعات بیشتری کسب کنید.

این دوره بلوک‌های ساختمانی کلیدی مورد نیاز برای حرفه‌ای در بانکداری سرمایه‌گذاری، ارزش‌گذاری و سایر زمینه‌های متمرکز بر امور مالی شرکتی را در اختیار دانشجویان قرار می‌دهد. این برای ارائه یک کاربرد عملی از تکنیک‌های تجزیه و تحلیل صورت‌های مالی و ارزش‌گذاری که معمولاً توسط متخصصان صنعت انجام می‌شود، طراحی شده است. دوره دارای دو بخش اصلی است. اولین مورد بر عناصر اساسی صورت های مالی و تجزیه و تحلیل نسبت ها تمرکز دارد.  دومی، صورت‌های مالی و پیش‌بینی‌ها را در چارچوب ارزش‌گذاری شرکت، با استفاده از تکنیک‌های رایج ارزیابی صنعت اعمال می‌کند.   

پروفسور وین وینستون برای بیش از بیست سال تکنیک های پیش بینی پیشرفته را به شرکت های Fortune 500 آموزش داده است. در این دوره، او نحوه استفاده از ابزارهای تجزیه و تحلیل داده های اکسل - از جمله نمودارها، فرمول ها و توابع - را برای ایجاد پیش بینی های دقیق و روشنگر نشان می دهد. یاد بگیرید که چگونه داده های سری زمانی را به صورت بصری نمایش دهید. با محاسبه خطاها و سوگیری ها، مطمئن شوید که پیش بینی های شما دقیق است. از خطوط روند برای شناسایی روندها و داده های پرت استفاده کنید. رشد مدل؛ محاسبه فصلی؛ و شناسایی متغیرهای ناشناخته، با تحلیل رگرسیون چندگانه. مجموعه ای از چالش های تمرینی در طول مسیر به شما کمک می کند تا مهارت های خود را آزمایش کنید و کار خود را با راه حل های وین مقایسه کنید.

هموارسازی نمایی ساده (SES) اکثر عناصر مورد استفاده در رویکرد هموارسازی برای پیش بینی را شامل می شود، مانند ثابت هموارسازی سطح، خود تصحیح، و تضعیف تدریجی تأثیر مشاهدات قدیمی بر پیش بینی های جدید. اما SES با خطوط پایه که روند یا فصلی بودن را نشان می دهد ضعیف عمل می کند. سری‌های زمانی گرایش‌شده از نظر پیچیدگی یک پله بالاتر از سری‌های زمانی ثابت تحلیل‌شده توسط SES است - روندهای پایه آن به سمت بالا یا پایین. استفاده از هموارسازی نمایی با خط مبنا روند شده اغلب روش هولت نامیده می شود و این دوره برای تجهیز شما به این تکنیک طراحی شده است. در اینجا، مربی Conrad Carlberg توضیح می‌دهد که چگونه از روش هولت برای ایجاد پیش‌بینی‌هایی در R که با روندها در خط مبنا سروکار دارد، استفاده کنید.

هموارسازی نمایی فصلی بسط هموارسازی نمایی ساده (SES) است. صاف کردن فصلی اغلب زمانی استفاده می شود که خط پایه قله ها و دره های فصلی منظم را نشان می دهد. مصرف آب در منازل مسکونی یک مثال آشناست: مصرف در تابستان و پاییز افزایش می‌یابد و در زمستان و بهار کاهش می‌یابد، اما مصرف کلی سالانه در طی چندین سال ثابت می‌ماند. در این دوره، مشاور کهنه کار و کارشناس آموزشی، کنراد کارلبرگ، نشان می‌دهد که چگونه می‌توان تغییرات فصلی را برای پیش‌بینی‌های دقیق‌تر و روشن‌تر ترکیب کرد. نحوه شناسایی فصلی بودن، انجام هموارسازی فصلی خطوط پایه افقی و بهینه سازی پیش بینی های خود را با R و Microsoft Excel بیاموزید.

اگر توسعه‌دهنده نرم‌افزاری هستید که می‌خواهید الگوریتم‌های مقیاس‌پذیر مبتنی بر هوش مصنوعی بسازید، باید بدانید که چگونه از ابزارهای ساخت آنها استفاده کنید. این تخصص به شما بهترین روش‌ها را برای استفاده از TensorFlow، یک چارچوب متن‌باز محبوب برای یادگیری ماشین، آموزش می‌دهد. در این دوره چهارم با نحوه ساخت مدل های سری زمانی در TensorFlow آشنا می شوید. ابتدا بهترین شیوه ها را برای تهیه داده های سری زمانی پیاده سازی خواهید کرد. همچنین بررسی خواهید کرد که چگونه RNN و ConvNets 1D می توانند برای پیش بینی استفاده شوند. در نهایت، همه چیزهایی را که در سرتاسر Specialization آموخته‌اید، برای ساختن یک مدل پیش‌بینی لکه‌های خورشیدی با استفاده از داده‌های دنیای واقعی اعمال خواهید کرد! دوره یادگیری ماشین و تخصص یادگیری عمیق از Andrew Ng مهمترین و اساسی ترین اصول یادگیری ماشین و یادگیری عمیق را آموزش می دهد. این تخصص توسعه‌دهنده DeepLearning.AI TensorFlow به شما می‌آموزد که چگونه از TensorFlow برای پیاده‌سازی این اصول استفاده کنید تا بتوانید شروع به ساخت و استفاده از مدل‌های مقیاس‌پذیر برای مشکلات دنیای واقعی کنید. برای ایجاد درک عمیق تر از نحوه عملکرد شبکه های عصبی، توصیه می کنیم که تخصص یادگیری عمیق را انتخاب کنید.