ارتباط نتایج علم داده [coursera]

نکته مهم: تکلیف دوم در این دوره، مبحث Graph Analysis در Cloud را پوشش می دهد، که در آن شما از Elastic MapReduce و زبان Pig برای انجام تجزیه و تحلیل نمودار بر روی یک مجموعه داده نسبتاً بزرگ، حدود 600 گیگابایت استفاده خواهید کرد. برای تکمیل این تکلیف، باید از خدمات وب آمازون (AWS) استفاده کنید. آمازون سخاوتمندانه پیشنهاد داده است تا حداکثر 50 دلار اعتبار AWS رایگان به هر زبان آموز در این دوره ارائه دهد تا به شما امکان تکمیل تکلیف را بدهد. جزئیات بیشتر در مورد روند دریافت این اعتبار در پیام خوش آمدگویی دوره و همچنین در خود تکلیف موجود است. لطفاً توجه داشته باشید که آمازون، دانشگاه واشنگتن و کورسرا در صورت اتمام اعتبار خود نمی توانند هیچ هزینه ای را به شما بازپرداخت کنند. در حالی که ما معتقدیم که این تکلیف به یک تجربه یادگیری عالی در این دوره کمک می کند، می دانیم که برخی از یادگیرندگان ممکن است نتوانند یا تمایلی به استفاده از AWS نداشته باشند. ما نمی‌توانیم برای فراگیرانی که تکالیفی را که نیاز به استفاده از AWS دارند، گواهینامه صادر کنیم. به این ترتیب، اگر نمی‌توانید یا نمی‌خواهید از AWS استفاده کنید، نباید برای گواهینامه دوره در ارتباط با نتایج داده پرداخت کنید، زیرا بدون انجام این کار نمی‌توانید دوره را با موفقیت به پایان برسانید. پیش بینی کافی نیست! دانشمندان داده موثر می دانند که چگونه نتایج خود را توضیح و تفسیر کنند و یافته ها را به طور دقیق به ذینفعان برای اطلاع از تصمیمات تجاری منتقل کنند. تجسم حوزه تحقیقاتی در علوم کامپیوتر است که ارتباط موثر نتایج کمی را با پیوند دادن ادراک، شناخت و الگوریتم‌ها برای بهره‌برداری از پهنای باند عظیم قشر بینایی انسان مطالعه می‌کند. در این دوره شما یاد خواهید گرفت که تجسم های موثر را بشناسید، طراحی کنید و از آنها استفاده کنید. فقط به این دلیل که می‌توانید پیش‌بینی کنید و دیگران را متقاعد کنید که بر اساس آن عمل کنند، به این معنی نیست که باید این کار را انجام دهید. در این دوره، ملاحظات اخلاقی در مورد کلان داده ها و اینکه چگونه این ملاحظات شروع به تأثیرگذاری بر سیاست و عملکرد می کنند را بررسی خواهید کرد. شما با محدودیت های اساسی استفاده از فناوری برای محافظت از حریم خصوصی و کدهای رفتاری که برای هدایت رفتار دانشمندان داده در حال ظهور هستند، آشنا خواهید شد. همچنین با اهمیت تکرارپذیری در علم داده و اینکه چگونه ابر تجاری می‌تواند به پشتیبانی از تحقیقات تکرارپذیر حتی برای آزمایش‌هایی که شامل مجموعه داده‌های عظیم، زیرساخت‌های محاسباتی پیچیده یا هر دو هستند، کمک کند، خواهید آموخت. اهداف آموزشی: پس از اتمام این دوره، شما قادر خواهید بود: 1. تجسم ها را طراحی و نقد کنید 2. پیشرفت های روز را در حریم خصوصی، اخلاقیات، حاکمیت پیرامون کلان داده و علم داده توضیح دهید. 3. از محاسبات ابری برای تجزیه و تحلیل مجموعه داده های بزرگ به روشی قابل تکرار استفاده کنید.