این دوره برای تأثیرگذاری بر نحوه تفکر شما در مورد تبدیل داده ها به تصمیمات بهتر طراحی شده است. پیشرفت‌های خارق‌العاده اخیر در فن‌آوری‌های جمع‌آوری داده، نحوه تصمیم‌گیری آگاهانه و مؤثر شرکت‌ها را تغییر داده است. دوره تجزیه و تحلیل عملیات، که توسط سه نفر از کارشناسان برجسته وارتون تدریس می شود، بر این تمرکز دارد که چگونه می توان از داده ها برای تطبیق سودآوری عرضه با تقاضا در تنظیمات مختلف تجاری استفاده کرد. در این دوره آموزشی، نحوه مدل‌سازی عدم قطعیت‌های تقاضای آینده، نحوه پیش‌بینی نتایج انتخاب‌های سیاست‌های رقیب و نحوه انتخاب بهترین اقدام در مواجهه با ریسک را خواهید آموخت. این دوره چارچوب‌ها و ایده‌هایی را معرفی می‌کند که بینش‌هایی را در مورد طیفی از چالش‌های کسب‌وکار در دنیای واقعی ارائه می‌دهد، روش‌ها و نرم‌افزارهای موجود برای مقابله با این چالش‌ها از نظر کمی و همچنین مسائل مربوط به جمع‌آوری داده‌های مربوطه را به شما آموزش می‌دهد. این دوره برای مبتدیان و حرفه ای های تجاری بدون تجربه قبلی در تجزیه و تحلیل مناسب است.

انواع مختلفی از الگوریتم های یادگیری ماشین وجود دارد که هر کدام دارای ویژگی های خاصی هستند که ممکن است آن را کم و بیش برای حل یک مشکل خاص مناسب کند. درخت‌های تصمیم و ماشین‌های بردار پشتیبان (SVM) دو نمونه از الگوریتم‌هایی هستند که هم می‌توانند مشکلات رگرسیون و طبقه‌بندی را حل کنند، اما کاربردهای متفاوتی دارند. به همین ترتیب، یک رویکرد پیشرفته تر به یادگیری ماشین، به نام یادگیری عمیق، از شبکه های عصبی مصنوعی (ANN) برای حل این نوع مشکلات و موارد دیگر استفاده می کند. افزودن همه این الگوریتم ها به مجموعه مهارت شما برای انتخاب بهترین ابزار برای کار بسیار مهم است. این چهارمین دوره و آخرین دوره با گواهینامه حرفه‌ای متخصص هوش مصنوعی (CAIP) با معرفی الگوریتم‌های بیشتر و در برخی موارد پیشرفته‌تر مورد استفاده در یادگیری ماشین و یادگیری عمیق، از دوره قبلی ادامه می‌یابد. مانند قبل، چندین مدل خواهید ساخت که می تواند مشکلات تجاری را حل کند، و این کار را در یک گردش کار انجام خواهید داد. در نهایت، این دوره به کاوش فنی الگوریتم های مختلف یادگیری ماشین و نحوه استفاده از آنها برای ساخت مدل های حل مسئله پایان می دهد.

همه ما به صورت روزانه مذاکره می کنیم. در سطح شخصی، ما با دوستان، خانواده، صاحبخانه‌ها، فروشندگان خودرو و کارفرمایان و دیگران مذاکره می‌کنیم. مذاکره همچنین کلید موفقیت کسب و کار است. هیچ تجارتی بدون قراردادهای سودآور نمی تواند دوام بیاورد. در یک شرکت، مهارت های مذاکره می تواند منجر به پیشرفت شغلی شما شود. امیدوارم که شما به صدها هزار یادگیرنده بپیوندید که «مذاکره موفق» را به یکی از محبوب‌ترین و با رتبه‌بندی بالا در سراسر جهان تبدیل کرده‌اند. در این دوره، چهار مرحله برای یک مذاکره موفق را یاد خواهید گرفت و تمرین خواهید کرد: (1) آماده کنید: استراتژی مذاکره خود را برنامه ریزی کنید (2) مذاکره: از تاکتیک های کلیدی برای موفقیت استفاده کنید (3) بستن: یک قرارداد ایجاد کنید (4) اجرا و ارزیابی: پایان بازی برای تکمیل موفقیت آمیز این دوره و بهبود توانایی خود در مذاکره، باید موارد زیر را انجام دهید: (1) ویدیوهای کوتاه (از 5 تا 20 دقیقه) را تماشا کنید. ویدئوها تعاملی هستند و شامل سوالاتی برای آزمایش درک شما از استراتژی مذاکره و مهارت‌ها هستند. می‌توانید سرعت ویدیوها را کم یا زیاد کنید تا با سرعت دلخواه شما برای گوش دادن مطابقت داشته باشد. بسته به برنامه‌تان، می‌توانید ویدیوها را در چند هفته تماشا کنید یا می‌توانید آن‌ها را تماشا کنید. دانش‌آموزی که دوره را تماشا کرده بود به این نتیجه رسید که «به اندازه Breaking Bad خوب است». یکی دیگر از یادگیرندگان این دوره را با "House of Cards" مقایسه کرد. هر دو نمایش حاوی نمونه های جالبی از مذاکرات پیچیده هستند! (2) مهارت های مذاکره خود را با تکمیل مذاکره در ماژول 6 بیازمایید. می توانید با یک دوست محلی مذاکره کنید یا از Discussions برای یافتن شریکی از نقطه دیگری از جهان استفاده کنید. شریک مذاکره شما در مورد مهارت های مذاکره شما به شما بازخورد می دهد. برای کمک به شما در مذاکرات، چندین ابزار برنامه ریزی مذاکره رایگان را که مربوط به دوره هستند، ایجاد کرده ام. این ابزارها و یک برنامه رایگان در http://negotiationplanner.com/ موجود است. این دوره همچنین شامل فرصتی برای استفاده از یک تجربه تعاملی است که در آن می توانید مهارت های مذاکره خود را قبل از شروع مذاکره زنده آزمایش کنید. (3) در امتحان نهایی شرکت کنید. برای گذراندن موفقیت آمیز دوره، باید به 80 درصد سوالات پاسخ صحیح دهید. این آزمون یک آزمون تسلط است، به این معنی که می توانید هر چند بار که بخواهید در آن شرکت کنید تا زمانی که به مطالب تسلط پیدا کنید. گواهی دوره شما می توانید گواهینامه دوره را دریافت کنید. یک گواهی به رسمیت شناختن دستاوردهای شما در دوره را فراهم می کند و شامل لوگوی دانشگاه میشیگان است. در مورد گواهینامه ها بیشتر بیاموزید: https://learner.coursera.help/hc/en-us/articles/209819053-Get-a-Course-Certificate این دوره به زبان های اسپانیایی و پرتغالی نیز موجود است. برای پیوستن به نسخه کامل ترجمه شده اسپانیایی، از این صفحه دیدن کنید: https://www.coursera.org/learn/negociacion/ برای پیوستن به نسخه کامل ترجمه شده پرتغالی، از این صفحه دیدن کنید: https://www.coursera.org/learn/negociacao زیرنویس ویدیوها به زبان های انگلیسی، اوکراینی، چینی (ساده شده)، پرتغالی (برزیلی)، اسپانیایی موجود است. ایجاد شده توسط: دانشگاه میشیگان ترکیب آرم دوره با مجوز Creative Commons CC BY-SA (https://creativecommons.org/licenses/by-sa/2.0/) به اشتراک گذاشته شده است و با استفاده از تصاویر ارائه شده توسط Flazingo Photos (http://bit) ایجاد شده است. .ly/1zOylRm) و K2 Space (https://www.flickr.com/photos/k2space/14257556613/in/set-72157644732478432).

در این دوره، شما الگوریتم‌های مختلف نظارت شده ML و وظایف پیش‌بینی اعمال شده روی داده‌های مختلف را یاد خواهید گرفت. شما یاد خواهید گرفت که چه زمانی از کدام مدل و چرا استفاده کنید و چگونه عملکرد مدل را بهبود ببخشید. ما مدل هایی مانند رگرسیون خطی و لجستیک، KNN، درختان تصمیم و روش های ترکیبی مانند جنگل تصادفی و تقویت، روش های هسته مانند SVM را پوشش خواهیم داد. دانش کدنویسی یا برنامه نویسی قبلی مورد نیاز است. ما در طول دوره به طور گسترده از پایتون استفاده خواهیم کرد. در این دوره، شما باید یک پایه محکم در پایتون یا تجربه قبلی کافی در کدنویسی با سایر زبان های برنامه نویسی داشته باشید تا پایتون را سریع انتخاب کنید. ما یاد خواهیم گرفت که چگونه از کتابخانه های علوم داده مانند NumPy، pandas، matplotlib، statsmodels و sklearn استفاده کنیم. این دوره برای برنامه نویسانی طراحی شده است که شروع به کار با آن کتابخانه ها می کنند. تجربه قبلی با آن کتابخانه ها مفید خواهد بود اما ضروری نیست. مهارت های ریاضی در سطح دانشگاه، از جمله حساب دیفرانسیل و انتگرال و جبر خطی، مورد نیاز است. امید ما برای این دوره این است که ریاضی قابل درک باشد اما ترسناک نباشد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder

برای اینکه علم داده‌های بالینی در مراقبت‌های بهداشتی موثر باشد - برای دستیابی به نتایج مورد نظر - باید به نوعی پشتیبانی تصمیم‌گیری در سطح بیمار، پزشک یا مدیر تبدیل شود. در پایان این دوره، دانش‌آموزان می‌توانند نیاز به یک مداخله را بیان کنند، اندازه مناسب آن را انتخاب کنند، فناوری مناسب را انتخاب کنند، توضیح دهند که چگونه دانش باید به دست آید و یک برنامه نظارتی طراحی کنند.

این دوره شما را با یکی از انواع اصلی خانواده های مدل سازی یادگیری ماشینی تحت نظارت آشنا می کند: طبقه بندی. شما یاد خواهید گرفت که چگونه مدل های پیش بینی را برای طبقه بندی نتایج طبقه بندی و نحوه استفاده از معیارهای خطا برای مقایسه بین مدل های مختلف آموزش دهید. بخش عملی این دوره بر استفاده از بهترین شیوه‌ها برای طبقه‌بندی، از جمله تقسیم‌بندی قطار و آزمایش، و مدیریت مجموعه داده‌ها با کلاس‌های نامتعادل تمرکز دارد. در پایان این دوره شما باید بتوانید: -متمایز کردن کاربردها و کاربردهای گروه های طبقه بندی و طبقه بندی -تشریح و استفاده از مدل های رگرسیون لجستیک -تشریح و استفاده از مدل های درخت تصمیم و مجموعه درخت -توصیف و استفاده از سایر روش های مجموعه برای طبقه بندی -از انواع معیارهای خطا برای مقایسه و انتخاب مدل طبقه بندی که به بهترین وجه با داده های شما مطابقت دارد، استفاده کنید -از نمونه برداری بیش از حد و نمونه برداری کم به عنوان تکنیک هایی برای مدیریت کلاس های نامتعادل در یک مجموعه داده استفاده کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با تکنیک های طبقه بندی یادگیری ماشین نظارت شده در یک محیط تجاری هستند، هدف قرار می دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی از پاکسازی داده ها، تجزیه و تحلیل داده های اکتشافی، حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.

مطالعات موردی: تحلیل احساسات و پیش‌بینی پیش‌فرض وام در مطالعه موردی ما در مورد تجزیه و تحلیل احساسات، شما مدل هایی ایجاد خواهید کرد که یک کلاس (احساس مثبت/منفی) را از ویژگی های ورودی (متن نظرات، اطلاعات نمایه کاربر،...) پیش بینی می کنند. در مطالعه موردی دوم ما برای این دوره، پیش‌بینی پیش‌فرض وام، به داده‌های مالی می‌پردازید و پیش‌بینی می‌کنید که چه زمانی وام برای بانک خطرناک یا بی‌خطر است. این وظایف نمونه‌هایی از طبقه‌بندی، یکی از پرکاربردترین حوزه‌های یادگیری ماشینی، با طیف وسیعی از کاربردها، از جمله هدف‌گیری تبلیغات، تشخیص هرزنامه، تشخیص پزشکی و طبقه‌بندی تصویر هستند. در این دوره، طبقه‌بندی‌کننده‌هایی ایجاد می‌کنید که عملکردی پیشرفته را در کارهای مختلف ارائه می‌دهند. شما با موفق ترین تکنیک ها آشنا خواهید شد که بیشترین کاربرد را در عمل دارند، از جمله رگرسیون لجستیک، درخت تصمیم و تقویت. علاوه بر این، می‌توانید الگوریتم‌های زیربنایی را طراحی و پیاده‌سازی کنید که می‌توانند این مدل‌ها را در مقیاس با استفاده از گرادیان صعودی تصادفی یاد بگیرند. شما این تکنیک را در کارهای یادگیری ماشینی در مقیاس بزرگ در دنیای واقعی پیاده سازی خواهید کرد. شما همچنین به وظایف مهمی که در کاربردهای دنیای واقعی ML با آنها مواجه خواهید بود، از جمله رسیدگی به داده های از دست رفته و اندازه گیری دقت و یادآوری برای ارزیابی یک طبقه بندی کننده، رسیدگی خواهید کرد. این دوره آموزشی عملی، پر عمل و پر از تجسم ها و تصاویری از نحوه رفتار این تکنیک ها در داده های واقعی است. ما همچنین محتوای اختیاری را در هر ماژول گنجانده‌ایم که موضوعات پیشرفته‌ای را برای کسانی که می‌خواهند حتی عمیق‌تر شوند را پوشش می‌دهد! اهداف آموزشی: در پایان این دوره، شما قادر خواهید بود: - ورودی و خروجی یک مدل طبقه بندی را شرح دهید. -مسائل طبقه بندی باینری و چند کلاسه را برطرف کنید. -اجرای مدل رگرسیون لجستیک برای طبقه بندی در مقیاس بزرگ. یک مدل غیر خطی با استفاده از درخت های تصمیم ایجاد کنید. -با استفاده از تقویت عملکرد هر مدلی را بهبود بخشید. روش های خود را با صعود شیب تصادفی مقیاس کنید. -مرزهای تصمیم گیری اساسی را شرح دهید. - ساخت یک مدل طبقه بندی برای پیش بینی احساسات در مجموعه داده بررسی محصول. تجزیه و تحلیل داده های مالی برای پیش بینی عدم پرداخت وام. استفاده از تکنیک ها برای مدیریت داده های از دست رفته. مدل های خود را با استفاده از معیارهای فراخوان دقیق ارزیابی کنید. -این تکنیک ها را در پایتون (یا به زبان انتخابی خود، هرچند پایتون به شدت توصیه می شود) پیاده سازی کنید.