لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش ارائه و تحلیل نتایج علوم داده
- آخرین آپدیت
دانلود Communicating Data Science Results
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
نکته مهم: تکلیف دوم این دوره به موضوع «تحلیل گراف در فضای ابری» میپردازد که در آن از Elastic MapReduce و زبان Pig برای تحلیل گراف روی یک مجموعه داده نسبتاً بزرگ (حدود ۶۰۰ گیگابایت) استفاده خواهید کرد. برای تکمیل این تکلیف، نیاز به استفاده از خدمات آمازون وب سرویسز (AWS) دارید. آمازون برای کمک به یادگیرندگان، تا سقف ۵۰ دلار اعتبار رایگان AWS ارائه داده است. جزئیات بیشتر در پیام خوشآمدگویی دوره و در خود تکلیف موجود است. لطفاً توجه داشته باشید که در صورت اتمام اعتبار، آمازون، دانشگاه واشینگتن و کورسرا هیچ مبلغی را بازپرداخت نخواهند کرد.
در حالی که ما معتقدیم این تکلیف تجربه یادگیری فوقالعادهای است، درک میکنیم که برخی ممکن است نتوانند یا نخواهند از AWS استفاده کنند. لازم به ذکر است که برای کسانی که تکلیف مربوط به AWS را انجام ندهند، گواهینامه دوره صادر نخواهد شد. بنابراین، اگر تمایلی به استفاده از AWS ندارید، پیشنهاد میشود هزینه گواهینامه را پرداخت نکنید زیرا بدون انجام آن، دوره با موفقیت به پایان نمیرسد.
صرفاً پیشبینی کردن کافی نیست! دانشمندان داده موفق کسانی هستند که بدانند چگونه نتایج خود را توضیح و تفسیر کنند و یافتهها را بهطور دقیق به ذینفعان منتقل کنند تا تصمیمات تجاری بر اساس دادهها گرفته شود. «بصریسازی» (Visualization) حوزهای در علوم کامپیوتر است که ارتباط مؤثر نتایج کمی را از طریق پیوند ادراک، شناخت و الگوریتمها برای بهرهبرداری از پهنای باند عظیم قشر بینایی انسان مطالعه میکند. در این دوره، شما شناسایی، طراحی و استفاده از بصریسازیهای مؤثر را خواهید آموخت.
اینکه بتوانید پیشبینی کنید و دیگران را متقاعد به اقدام کنید، به معنای این نیست که حتماً باید این کار را انجام دهید. در این دوره، ملاحظات اخلاقی پیرامون دادههای بزرگ (Big Data) و چگونگی تأثیر این ملاحظات بر سیاستها و رویهها را بررسی خواهید کرد. شما با محدودیتهای بنیادی استفاده از فناوری برای حفاظت از حریم خصوصی و کدهای رفتاری نوظهور برای هدایت دانشمندان داده آشنا میشوید. همچنین اهمیت «تکرارپذیری» (Reproducibility) در علوم داده و نقش رایانش ابری در پشتیبانی از تحقیقات تکرارپذیر، حتی برای آزمایشهایی با مجموعهدادههای عظیم یا زیرساختهای محاسباتی پیچیده را خواهید آموخت.
اهداف یادگیری: پس از اتمام این دوره، شما قادر خواهید بود:
۱. بصریسازیها را طراحی و نقد کنید.
۲. وضعیت فعلی حریم خصوصی، اخلاقیات و حاکمیت دادهها در حوزه Big Data و علوم داده را شرح دهید.
۳. از رایانش ابری برای تحلیل مجموعهدادههای بزرگ به روشی تکرارپذیر استفاده کنید.
سرفصل ها و درس ها
بصریسازی
Visualization
01 مقدمه: چیستی و چرایی
01 Introduction: What and Why
نمایش نظرات