آموزش گواهی حرفه‌ای: تحلیل داده‌های مالی و تجزیه و تحلیل (آنالیتیکس) - آخرین آپدیت

دانلود Professional Certificate: Finance Data Analysis & Analytics

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

دوره آموزشی حرفه‌ای: تحلیل و آنالیتیکس داده‌های مالی با موسسه MTF


این دوره تخصصی توسط موسسه مدیریت، فناوری و مالی MTF ارائه می‌شود.

MTF یک موسسه آموزشی و تحقیقاتی جهانی با دفتر مرکزی در لیسبون پرتغال است که بر آموزش ترکیبی (حضوری و آنلاین) در حوزه‌های کسب‌وکار و مدیریت، علوم و فناوری، بانکداری و مالی تمرکز دارد.

مرکز تحقیق و توسعه MTF فعالیت‌های تحقیقاتی در زمینه‌های هوش مصنوعی، یادگیری ماشین، علم داده، بیگ دیتا، وب ۳، بلاک‌چین، ارزهای دیجیتال و دارایی‌های دیجیتال، متاورس، تحول دیجیتال، فین‌تک، تجارت الکترونیک و اینترنت اشیا را پوشش می‌دهد.

MTF شریک رسمی شرکت‌های IBM، Intel و Microsoft و عضو اتاق بازرگانی و صنایع پرتغال است.

MTF در ۲۱۶ کشور حضور دارد و بیش از ۷۳۰,۰۰۰ دانشجو را پذیرفته است.


مدرس دوره:

دکتر الکس آموروسو یک متخصص باتجربه با سوابق غنی در دانشگاه و صنعت، متخصص در روش‌های تحقیق، تدوین استراتژی و توسعه محصول. الکس آموروسو با مدرک دکتری از دانشکده علوم اجتماعی و سیاسی لیسبون پرتغال که در آن به دلیل تحقیقات برجسته خود ممتاز و مورد تقدیر قرار گرفت، دانش و تخصص فراوانی را به ارمغان می‌آورد.

علاوه بر مطالعات دکتری، خانم آموروسو به عنوان مدرس مدعو، دوره‌هایی را برای طیف وسیعی از دانشجویان از سطح کارشناسی تا دانشجویان رشته‌های حرفه‌ای و اجرایی تدریس کرده است. در حال حاضر در EIMT زوریخ سوئیس، وی به دانشجویان دکتری در زمینه طراحی و روش‌های تحقیق پیشرفته تدریس می‌کند و در موسسه MTF، خانم آموروسو مسئولیت حوزه آکادمیک توسعه محصول را بر عهده دارد.

با هم‌افزایی بین تجربه آکادمیک و کسب‌وکار، خانم آموروسو در شغل خود نتایج بالایی کسب کرده و در زمینه‌های تحقیق و توسعه، توسعه محصول، توسعه استراتژیک و فعالیت‌های تحلیل بازار در طیف وسیعی از شرکت‌ها پیشرو بوده است. وی بهترین شیوه‌های بازار را در صنایع مختلف از بانکداری و مالی گرفته تا PropTech، مشاوره و تحقیق و استارت‌آپ‌های نوآور پیاده‌سازی کرده است.

تولیدات علمی گسترده الکس آموروسو شامل مقالات متعدد منتشر شده در مجلات معتبر، و همچنین ارائه‌های شفاهی و پوستر در کنفرانس‌های بین‌المللی است. یافته‌های تحقیقاتی وی در موسسات معتبری مانند دانشکده علوم سیاسی و اجتماعی و کنفرانس Stressed Out در UCL ارائه شده است.

الکس آموروسو با اشتیاق به همکاری بین رشته‌ای و تعهد به ایجاد تغییر مثبت، در توانمندسازی زبان‌آموزان و متخصصان برای استفاده از روش‌های پیشرفته برای دستیابی به تعالی در دنیای کسب‌وکار جهانی متعهد است.


گواهینامه حرفه‌ای: تحلیل و آنالیتیکس داده‌های مالی


مرور کلی دوره:

این برنامه گواهینامه حرفه‌ای جامع، شما را با مهارت‌ها و دانش ضروری برای موفقیت در حوزه به سرعت در حال تحول تحلیل و آنالیتیکس داده‌های مالی مجهز می‌کند. این دوره از مبانی تکنیک‌های تحلیل داده تا مدل‌سازی مالی پیشرفته و تصمیم‌گیری، با ارائه مفاهیم نظری و تمرین‌های عملی دست به دست، تجربه‌ای یادگیری قوی را فراهم می‌کند.


نتایج کلیدی یادگیری:

  • تسلط بر مهارت‌های اصلی تحلیل داده: مبانی تحلیل داده، از جمله جمع‌آوری داده، پاکسازی، آماده‌سازی، تحلیل اکتشافی داده (EDA)، تحلیل آماری و بصری‌سازی داده را بیاموزید.

  • کسب مهارت در ابزارهای ضروری: تجربه عملی با ابزارهای استاندارد صنعت مانند Excel، SQL، Python، R و Tableau برای دستکاری، تحلیل و بصری‌سازی داده‌ها را کسب کنید.

  • درک تصمیم‌گیری مبتنی بر داده (DBDM): اصول و کاربردهای DBDM، از جمله تحلیل‌های توصیفی، تشخیصی، پیش‌بینی‌کننده و تجویزی را کاوش کنید.

  • تخصص در تحلیل داده‌های مالی: به جزئیات داده‌های مالی، از جمله انواع، منابع و تکنیک‌های تحلیل آن‌ها بپردازید.

  • کاربرد مدل‌سازی و پیش‌بینی مالی: ساخت مدل‌های مالی، انجام پیش‌بینی سری زمانی و استفاده از یادگیری ماشین برای پیش‌بینی مالی را بیاموزید.

  • مدیریت ریسک مالی و بهینه‌سازی سبد سهام: مفاهیم ریسک و بازده را درک کنید، نظریه مدرن پرتفوی (MPT) را به کار بگیرید و سبد سهام را با استفاده از Python و شبیه‌سازی‌های مونت کارلو بهینه‌سازی کنید.

  • کسب مهارت SQL برای بازیابی داده‌های مالی: SQL را برای استخراج، دستکاری و تحلیل داده‌های مالی از پایگاه‌های داده بیاموزید.

  • ساخت یک پورتفولیو قوی تحلیلگر داده: یاد بگیرید چگونه مهارت‌ها و تجربیات خود را به کارفرمایان بالقوه نشان دهید.

  • ناوبری در بازار کار: بینش‌هایی در مورد توسعه شغلی و روندهای فعلی بازار کار در تحلیل داده و امور مالی کسب کنید.

  • درک حریم خصوصی و اخلاق داده‌ها: در مورد اهمیت مدیریت اخلاقی داده‌ها و ملاحظات حریم خصوصی بیاموزید.


ساختار دوره:

این دوره به چهار بخش اصلی تقسیم می‌شود که هر کدام بر پایه بخش قبلی بنا شده‌اند:

  • بخش ۲: تحلیل داده (مبانی):

    • اصول اصلی تحلیل داده، از جمله جمع‌آوری داده، پاکسازی، EDA، تحلیل آماری، بصری‌سازی داده، تحلیل پیش‌بینی‌کننده و تفسیر داده را پوشش می‌دهد.

    • بر ایجاد یک پایه محکم در روش‌های تحلیل داده تمرکز دارد.

    • شامل بحث‌هایی در مورد حریم خصوصی داده‌ها، اخلاق و ابزارهای تحلیل داده است.

    • توسعه شغلی و ساخت پورتفولیو نیز پوشش داده می‌شود.

  • بخش ۳: تجربه عملی:

    • تجربه عملی با ابزارهای ضروری تحلیل داده: Excel، SQL (SQLite)، Python، R و Tableau را ارائه می‌دهد.

    • شامل تمرین‌ها و پروژه‌های عملی برای تقویت مفاهیم آموخته شده است.

    • بر کاربرد عملی دانش نظری آموخته شده تمرکز دارد.

  • بخش ۴: تصمیم‌گیری مبتنی بر داده (DBDM):

    • کاربرد تحلیل داده در فرآیندهای تصمیم‌گیری را کاوش می‌کند.

    • انواع مختلف تحلیل‌ها (توصیفی، تشخیصی، پیش‌بینی‌کننده، تجویزی) و نقش آن‌ها در تصمیم‌گیری استراتژیک را پوشش می‌دهد.

    • فرهنگ داده‌محور در سازمان‌ها را بررسی می‌کند.

  • بخش ۱۲: تحلیل داده در امور مالی (تخصص):

    • بر کاربردهای خاص تحلیل داده در صنعت مالی تمرکز دارد.

    • منابع داده مالی، انواع و تکنیک‌های تحلیل را پوشش می‌دهد.

    • مدل‌سازی مالی، پیش‌بینی، مدیریت ریسک و بهینه‌سازی سبد سهام را کاوش می‌کند.

    • شامل آموزش عمیق استفاده از ابزارهایی مانند پایتون در بخش مالی است.

    • شامل استفاده از SQL برای بازیابی داده‌های مالی است.


چه کسانی باید ثبت نام کنند:

  • تحلیلگران مالی و تحلیلگران داده مشتاق.

  • متخصصان مالی که به دنبال تقویت مهارت‌های تحلیل داده خود هستند.

  • افرادی که علاقه‌مند به انتقال به شغل در زمینه تحلیل داده‌های مالی هستند.

  • هر کسی که به دنبال درک جامع از تصمیم‌گیری داده‌محور در امور مالی است.

این دوره یک مسیر یادگیری ساختاریافته و جامع را فراهم می‌کند و شما را با مهارت‌ها و دانش لازم برای موفقیت در حوزه پویای تحلیل و آنالیتیکس داده‌های مالی مجهز می‌سازد.



تحلیل داده فرآیند جمع‌آوری، پاکسازی و سازماندهی داده‌ها برای کشف الگوها، بینش‌ها و روندها است که می‌تواند به افراد و سازمان‌ها در تصمیم‌گیری آگاهانه کمک کند. این شامل بررسی داده‌های خام برای یافتن پاسخ به سوالات خاص، شناسایی مشکلات بالقوه یا کشف فرصت‌هایی برای بهبود است.


تحلیلگران داده داده‌های خام را به بینش‌های عملی تبدیل می‌کنند تا به سازمان‌ها در بهبود عملیات، استراتژی‌ها و تجربیات مشتری کمک کنند. مهارت‌های اصلی شامل تحلیل آماری، تفکر انتقادی، بصری‌سازی داده و تسلط بر ابزارهایی مانند Excel، SQL، Python و Tableau است.


یادگیری مهارت‌های تحلیل داده برای ساخت شغل در دنیای امروز داده‌محور، هم برای موقعیت‌های حرفه‌ای و هم برای مدیران در تمام سطوح بسیار مهم است.


تحلیل داده در امور مالی شامل فرآیند بررسی، پاکسازی، تبدیل و مدل‌سازی داده‌های مالی برای کشف اطلاعات مفید، نتیجه‌گیری و پشتیبانی از تصمیم‌گیری است. در اینجا جزئیات بیشتری ارائه می‌شود:


تحلیل داده در امور مالی چیست؟


  • استخراج بینش:

    • این شامل استفاده از تکنیک‌های آماری و محاسباتی برای شناسایی الگوها، روندها و ناهنجاری‌ها در داده‌های مالی است.

    • این می‌تواند شامل تحلیل قیمت سهام تاریخی، صورت‌های مالی، روندهای بازار، رفتار مشتری و ارزیابی ریسک باشد.

  • پشتیبانی از تصمیم‌گیری:

    • هدف این است که بینش‌های داده‌محور را برای متخصصان مالی فراهم کند که می‌تواند تصمیم‌گیری‌های استراتژیک مربوط به سرمایه‌گذاری‌ها، مدیریت ریسک، پیش‌بینی و کارایی عملیاتی را آگاه کند.

  • کاربردهای کلیدی:

    • مدیریت ریسک: ارزیابی و کاهش ریسک‌های مالی.

    • کشف تقلب: شناسایی الگوهای مشکوک در تراکنش‌های مالی.

    • تحلیل سرمایه‌گذاری: ارزیابی فرصت‌های سرمایه‌گذاری بالقوه.

    • پیش‌بینی مالی: پیش‌بینی عملکرد مالی آینده.

    • تحلیل عملکرد: ارزیابی وضعیت مالی یک شرکت.


اهمیت برای شرکت‌ها:

  • بهبود تصمیم‌گیری:

    • تحلیل داده به شرکت‌ها امکان می‌دهد تا بر اساس داده‌های عینی و نه شهود، تصمیم‌گیری‌های آگاهانه داشته باشند.

    • این منجر به پیش‌بینی‌های دقیق‌تر، مدیریت بهتر ریسک و بهینه‌سازی استراتژی‌های مالی می‌شود.

  • افزایش کارایی:

    • با تحلیل داده‌های مالی، شرکت‌ها می‌توانند زمینه‌هایی را برای بهبود در عملیات خود شناسایی کرده و فرآیندها را ساده کنند.

    • این می‌تواند منجر به صرفه‌جویی در هزینه‌ها و افزایش بهره‌وری شود.

  • مزیت رقابتی:

    • شرکت‌هایی که به طور مؤثر از تحلیل داده استفاده می‌کنند، می‌توانند با شناسایی روندهای بازار، درک رفتار مشتری و بهینه‌سازی استراتژی‌های مالی خود، مزیت رقابتی کسب کنند.

  • کاهش ریسک:

    • تحلیل داده به شرکت‌ها امکان می‌دهد تا به طور پیشگیرانه ریسک‌های مالی را شناسایی و کاهش دهند و از دارایی‌های شرکت محافظت کنند.

  • پیشگیری از تقلب:

    • تحلیل داده ابزاری کلیدی برای یافتن الگوهایی در داده‌ها است که نشان‌دهنده فعالیت‌های متقلبانه باشد.


اهمیت برای شغل مدیران:

  • مهارت‌های تصمیم‌گیری پیشرفته:

    • مدیرانی که مهارت‌های تحلیل داده دارند، بهتر می‌توانند تصمیم‌گیری‌های آگاهانه داشته باشند که می‌تواند منجر به پیشرفت شغلی شود.

  • افزایش ارزش برای کارفرمایان:

    • در دنیای امروز داده‌محور، شرکت‌ها برای مدیرانی که می‌توانند داده‌های مالی را تحلیل کرده و بینش‌های معنی‌داری استخراج کنند، ارزش زیادی قائل هستند.

  • توانایی‌های حل مسئله بهبود یافته:

    • تحلیل داده به مدیران کمک می‌کند تا مهارت‌های قوی در حل مسئله را توسعه دهند که برای موفقیت در هر نقش رهبری ضروری است.

  • درک بهتر عملکرد مالی:

    • تحلیل داده به مدیر این امکان را می‌دهد تا درک عمیق‌تری از وضعیت مالی کسب‌وکاری که برای آن کار می‌کند، به دست آورد.

  • پیشرفت شغلی:

    • توانایی استفاده از ابزارها و تکنیک‌های تحلیل داده، مدیر را به یک دارایی ارزشمندتر برای شرکت تبدیل می‌کند و بنابراین احتمال پیشرفت شغلی را افزایش می‌دهد.


به طور خلاصه، تحلیل داده در امور مالی یک ابزار حیاتی برای هر دو شرکت و مدیران است، که به آن‌ها امکان می‌دهد تا پیچیدگی‌های دنیای مالی را ناوبری کرده و تصمیمات آگاهانه‌ای بگیرند که موفقیت را هدایت می‌کند.


سرفصل ها و درس ها

مقدمه Introduction

  • آشنایی با فرآیند یادگیری Onboarding to learning process

  • به MTF خوش آمدید Welcome to MTF

تحلیل داده Data Analysis

  • اسلاید ارائه درس Module Slide-deck

  • ارائه Presentation

  • مقدمه Introduction

  • جمع‌آوری و اکتساب داده Data Collection and Acquisition

  • پاکسازی و آماده‌سازی داده Data Cleaning and Preparation

  • تحلیل اکتشافی داده (EDA) Exploratory Data Analysis (EDA)

  • تحلیل آماری Statistical Analysis

  • مصورسازی داده Data Visualisation

  • تحلیل پیش‌بینانه Predictive Analytics

  • تفسیر و گزارش‌دهی داده Data Interpretation and Reporting

  • حریم خصوصی و اخلاق داده Data Privacy and Ethics

  • ابزارها و نرم‌افزارهای تحلیل داده Tools and Software for Data Analysis

  • ساخت پورتفولیوی تحلیلگر داده Building a Data Analyst Portfolio

  • مسیر شغلی و روندهای بازار کار Career Development and Job Market Trends

  • تمرین‌های عملی Practical exercises

  • گام‌های بعدی Next Steps

تجربه عملی Hands-on Experience

  • مرور درس Module overview

  • اکسل Excel

  • وظیفه عملی اکسل Excel Practical Task

  • SQL SQL

  • تمرین: بازیابی و تحلیل داده‌های مشتری و سفارش با SQLite Exercise: Retrieve and Analyze Customer and Order Data with SQLite

  • پایتون Python

  • مدیریت داده‌های گمشده و تحلیل داده با پایتون Handling Missing Data and Analysing the Data with Python

  • تمرین R R practice

  • تمرین: انجام تحلیل آماری با استفاده از R Exercise: Conduct Statistical Analysis Using R

  • تابلو (Tableau) Tableau

  • تمرین: مصورسازی داده‌های زلزله جهانی با نمایش جغرافیایی Exercise: Visualizing Global Earthquake Data with Geographic Representation

  • گام‌های بعدی Next steps

تحلیل کلان داده در امور مالی Big Data Analytics in Finance

  • تحلیل کلان داده در امور مالی: مروری کلی Big Data Analytics in Finance: An Overview

  • ارزیابی ریسک در امور مالی با کلان داده Risk Assessment in Finance with Big Data

  • بخش‌بندی مشتریان در امور مالی با کلان داده Customer Segmentation in Finance with Big Data

  • تشخیص تقلب در امور مالی با کلان داده Fraud Detection in Finance with Big Data

  • داده‌های جایگزین در امور مالی Alternative Data in Finance

  • تحلیل و آنالیتیکس داده‌های مالی: ابزارها، تکنیک‌ها و بهترین شیوه‌ها Finance Data Analysis & Analytics: Tools, Techniques, and Best Practices

تحلیل و آنالیتیکس داده‌های مالی Finance Data Analysis & Analytics

  • ارائه Presentation

  • مرور دوره Course overview

  • اسلاید درس دوره Course Slide-deck

  • M1_A1_تحلیل داده‌های مالی چیست M1_A1_What is Financial Data Analysis

  • M1_A2_اهمیت تحلیل داده در تصمیم‌گیری‌های مالی M1_A2_Importance of Data Analysis in Financial Decision-Making

  • M1_A3_مروری بر منابع داده‌های مالی M1_A3_Overview of Financial Data Sources

  • M1_A4_ابزارهای تحلیل داده‌های مالی M1_A4_Tools for Financial Data Analysis

  • M1_A5_راه‌اندازی جعبه‌ابزار تحلیلی شما M1_A5_Setting Up Your Analytical Toolkit

  • مقدمه‌ای بر یاهو فایننس، آلفا ونتج و کواندل Introduction to Yahoo Finance, Alpha Vantage, and Quandl

  • M2_A6_انواع داده‌های مالی M2_A6_Types of Financial Data

  • M2_A7_روش‌های جمع‌آوری داده M2_A7_Data Collection Methods

  • M2_A8_کار با مجموعه داده‌های بزرگ در اکسل و پایتون M2_A8_Handling Large Datasets in Excel and Python

  • M03_A09_شناسایی و مدیریت داده‌های گمشده در تحلیل مالی M03_A09_Identifying and Handling Missing Data in Financial Analysis

  • M03_A10_نرمال‌سازی و تبدیل داده‌های مالی M03_A10_Normalising and Transforming Financial Data

  • M03_A11_تشخیص داده‌های پرت در مجموعه داده‌های مالی M03_A11_Outlier Detection in Financial Datasets

  • M03_A12_کار با داده‌های سری زمانی در پانداس (Pandas) M03_A12_Working with Time-Series Data in Pandas

  • M03_A13_مشکلات رایج داده‌های مالی و نحوه رفع آن‌ها M03_A13_Common Financial Data Issues and How to Fix Them

  • M04_A14_آماره‌های خلاصه و تحلیل توصیفی در امور مالی M04_A14_Summary Statistics and Descriptive Analysis in Finance

  • M04_A15_مصورسازی داده‌های مالی با مت‌پلات‌لیب (Matplotlib) و سِی‌بورن (Seaborn) M04_A15_Visualising Financial Data with Matplotlib and Seaborn

  • M04_A16_شناسایی روندها و فصلی بودن در داده‌های مالی M04_A16_Identifying Trends and Seasonality in Financial Data

  • همبستگی و کوواریانس در مجموعه داده‌های مالی Correlation and Covariance in Financial Datasets

  • تشخیص ناهنجاری‌های بازار از طریق تحلیل داده Detecting Market Anomalies through Data Analysis

  • M05_A17_نسبت‌های کلیدی مالی M05_A17_Key Financial Ratios

  • M05_A18_شاخص‌های بازار M05_A18_Market Indicators

  • M05_A19_معیارهای عملکرد پرتفوی M05_A19_Portfolio Performance Metrics

  • M05_A20_اندازه‌گیری ریسک M05_A20_Risk Measurement

  • M06_A21_مقدمه‌ای بر پیش‌بینی سری زمانی در امور مالی M06_A21_Introduction to Time-Series Forecasting in Finance

  • M06_A22_میانگین‌های متحرک و هموارسازی نمایی M06_A22_Moving Averages and Exponential Smoothing

  • M06_A23_مدل‌سازی ARIMA M06_A23_ARIMA Modeling

  • M06_A24_پیش‌بینی قیمت سهام با استفاده از پایتون M06_A24_Forecasting Stock Prices Using Python

  • M06_A25_محدودیت‌ها و چالش‌های پیش‌بینی مالی M06_A25_Limitations and Challenges in Financial Forecasting

  • M07_A26_مبانی یادگیری ماشین برای داده‌های مالی M07_A26_Basics of Machine Learning for Financial Data

  • M07_A27_یادگیری با نظارت در مقابل یادگیری بدون نظارت در امور مالی M07_A27_Supervised vs Unsupervised Learning in Finance

  • M07_A28_مبانی معاملات الگوریتمی (مقدمه‌ای بر ربات‌های معاملاتی) M07_A28_Algorithmic Trading Basics (Introduction to Trading Bots)

  • پیش‌بینی قیمت سهام با مدل‌های رگرسیون Predicting Stock Prices with Regression Models

  • تکنیک‌های خوشه‌بندی برای بخش‌بندی بازار Clustering Techniques for Market Segmentation

  • M08_A29_درک ریسک و بازده در امور مالی M08_A29_Understanding Risk and Return in Finance

  • M08_A30_نظریه مدرن پرتفوی (MPT) و مرز کارا M08_A30_Modern Portfolio Theory (MPT) and the Efficient Frontier

  • M08_A31_شبیه‌سازی مونت کارلو برای ارزیابی ریسک M08_A31_Monte Carlo Simulation for Risk Assessment

  • M08_A32_تنوع‌بخشی پرتفوی و تخصیص دارایی M08_A32_Portfolio Diversification and Asset Allocation

  • M08_A33_بهینه‌سازی پرتفوی واقعی با استفاده از پایتون M08_A33_Real-World Portfolio Optimization Using Python

  • M09_A34_مبانی SQL برای بازیابی داده‌های مالی M09_A34_Basics of SQL for Financial Data Retrieval

  • M09_A35_نوشتن کوئری‌ها برای استخراج داده‌های بازار و شرکت M09_A35_Writing Queries to Extract Market and Company Data

  • M09_A36_ترکیب و تجمیع مجموعه داده‌های مالی با SQL M09_A36_Joining and Aggregating Financial Datasets with SQL

  • M09_A37_خودکارسازی گزارش‌های مالی با SQL M09_A37_Automating Financial Reports with SQL

قصه‌گویی داده‌ها: انتقال موثر بینش‌ها Data Storytelling: Communicating Insights Effectively

  • ارائه Presentation

  • مرور درس Module overview

  • رمزگشایی زمینه برای ارتباط موثر Decoding the Context for Effective Communication

  • چگونه می‌بینیم: اصول ادراک بصری How We See: The Principles of Visual Perception

  • انتخاب تصویر مناسب برای پیام شما Selecting the Right Visual for Your Message

  • طراحی برای وضوح و تاثیر: حذف درهم‌ریختگی Designing for Clarity and Impact: Eliminating Clutter

  • راهنمایی چشم: تمرکز توجه مخاطب _Guiding the Eye: Focusing Your Audience's Attention

  • جادوی روایت The Magic of Narrative

  • تاکتیک‌هایی برای قصه‌گویی شفاف: منطق و ساختار Tactics for Clear Storytelling: Logic and Structure

  • کالبدشکافی داستان‌های تصویری موثر و جستجوی دیدگاه‌های تازه Dissecting Effective Visual Stories and Seeking Fresh Perspectives

  • تبریک Congrats

  • شنل قرمزی The Little Red Riding Hood

نقش‌آفرینی Role Play

  • ارائه یافته‌های پیش‌بینی مالی به یک سهامدار اجرایی شکاک Presenting Financial Forecast Findings to a Skeptical Executive Stakeholder

بخش تعاملی Interactive part

  • بخش تعاملی Interactive Part

  • تبریک برای اتمام دوره MTF Congratulations with finishing from MTF

  • بخش جایزه: گام‌های بعدی Bonus Section: Next Steps

نمایش نظرات

آموزش گواهی حرفه‌ای: تحلیل داده‌های مالی و تجزیه و تحلیل (آنالیتیکس)
جزییات دوره
5 hours
96
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
9,693
4.5 از 5
دارد
ندارد
ندارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

MTF Institute of Management, Technology and Finance MTF Institute of Management, Technology and Finance

موسسه مدیریت، فناوری و مالی