تصویربرداری تشدید مغناطیسی عملکردی (fMRI) پرکاربردترین تکنیک برای بررسی مغز زنده و کارآمد انسان در حین انجام وظایف و تجربه حالات ذهنی است. این یک نقطه همگرایی برای کار چند رشته ای از بسیاری از رشته ها است. روانشناسان، آماردانان، فیزیکدانان، دانشمندان کامپیوتر، دانشمندان علوم اعصاب، محققان پزشکی، دانشمندان علوم رفتاری، مهندسان، محققان بهداشت عمومی، زیست شناسان و دیگران گرد هم می آیند تا درک ما از ذهن و مغز انسان را ارتقا دهند. این دوره طراحی، اکتساب و تجزیه و تحلیل داده های تصویربرداری تشدید مغناطیسی کاربردی (fMRI) از جمله استنتاج روانشناختی، فیزیک MR، K Space، طراحی تجربی، پیش پردازش داده های fMRI و همچنین مدل های خطی تعمیم یافته (GLM) را پوشش می دهد. کتاب مربوط به کلاس را می توانید در اینجا پیدا کنید: https://leanpub.com/principlesoffmri.

در این دوره، کاوش خود را در مورد تکنیک های استنتاج آماری با تمرکز بر علم و هنر تطبیق مدل های آماری با داده ها گسترش خواهیم داد. ما بر روی مفاهیم ارائه شده در دوره استنتاج آماری (دوره 2) برای تأکید بر اهمیت اتصال سؤالات تحقیق به روش های تجزیه و تحلیل داده های خود، تکیه خواهیم کرد. ما همچنین بر اهداف مختلف مدل سازی، از جمله استنتاج در مورد روابط بین متغیرها و ایجاد پیش بینی برای مشاهدات آینده، تمرکز خواهیم کرد. این دوره تکنیک های مختلف مدل سازی آماری از جمله رگرسیون خطی، رگرسیون لجستیک، مدل های خطی تعمیم یافته، مدل های اثرات سلسله مراتبی و ترکیبی (یا چند سطحی) و تکنیک های استنتاج بیزی را معرفی و بررسی می کند. همه تکنیک‌ها با استفاده از مجموعه‌های داده واقعی نشان داده می‌شوند، و این دوره بر رویکردهای مدل‌سازی مختلف برای انواع مختلف مجموعه داده‌ها، بسته به طرح مطالعه زیربنای داده‌ها تأکید می‌کند (اشاره به دوره 1، درک و تجسم داده‌ها با پایتون) . در طول این جلسات مبتنی بر آزمایشگاه، فراگیران از طریق آموزش هایی با تمرکز بر مطالعات موردی خاص برای کمک به تقویت مفاهیم آماری هفته، که شامل غواصی عمیق بیشتر در کتابخانه های پایتون از جمله Statsmodels، Pandas و Seaborn است، کار خواهند کرد. این دوره از محیط نوت بوک Jupyter در Coursera استفاده می کند.

این دوره مجموعه ای از ابزارهای مدل سازی آماری پایه را برای علم داده ارائه می دهد. به طور خاص، دانش‌آموزان با روش‌ها، نظریه‌ها و کاربردهای مدل‌های آماری خطی آشنا می‌شوند که موضوعات تخمین پارامتر، تشخیص باقی‌مانده، خوب بودن تناسب، و استراتژی‌های مختلف برای انتخاب متغیر و مقایسه مدل را پوشش می‌دهد. همچنین به استفاده نادرست از مدل های آماری و پیامدهای اخلاقی این سوء استفاده ها توجه خواهد شد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، گذراند. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید. لوگوی اقتباس شده از عکس وینسنت لدوینا در Unsplash

ممکن است هرگز مطمئن نباشید که تجربه کاربری موثری دارید تا زمانی که آن را با کاربران آزمایش نکنید. در این دوره آموزشی، نحوه طراحی آزمایش‌های کاربر محور، نحوه اجرای چنین آزمایش‌هایی و نحوه تجزیه و تحلیل داده‌های این آزمایش‌ها به منظور ارزیابی و اعتبارسنجی تجربیات کاربر را خواهید آموخت. شما از طریق نمونه‌های واقعی آزمایش‌ها در زمینه‌های UX، IxD و HCI کار خواهید کرد و مسائل مربوط به طراحی و تجزیه و تحلیل آزمایش را درک خواهید کرد. شما چندین مجموعه داده را با استفاده از دستور العمل هایی که در زبان برنامه نویسی آماری R به شما داده شده است، تجزیه و تحلیل خواهید کرد - هیچ تجربه برنامه نویسی قبلی فرض یا لازم نیست، اما از شما خواسته می شود قطعه کدهای ارائه شده به شما را بخوانید، درک کنید و اصلاح کنید. در پایان دوره، شما قادر خواهید بود آزمایش‌های خود را که وزن آماری به طرح‌های شما می‌دهد، با دانش طراحی، اجرا و تجزیه و تحلیل کنید.