
Persian: 
>> گزارشگر: از دانشگاه استنفورد زندگی می
کند ، theCUBE است ،
زنان استنفورد را در Data Data 2020 پوشش می دهد
. توسط رسانه SiliconANGLE برای شما آورده است.
سلام و به CUBE خوش آمدید.
من میزبان شما هستم ، سونیا تاگار ،
و ما در دانشگاه استنفورد زندگی می کنیم که
پنجمین کنفرانس سالانه WiDs ،
Women in Data Science را پوشش می دهد.
امروز به ما بپیوندید امیلی گلسبرگ سندز ،
رئیس علوم داده در Coursera ،
امیلی ، به CUBE خوش آمدید.
با تشکر ، بسیار عالی برای روشن شدن.
بنابراین ، کمی بیشتر ما بگویید
در مورد کارهایی که در Coursera انجام می دهید برای .
بله ، کاملاً ،
بنابراین کورسرا بزرگترین بستر
جهانی برای آموزش عالی است.
ما با حدود 160 دانشگاه
و 20 شریک صنعت همکاری داریم و مطالب برتر یادگیری را
از علوم داده گرفته تا تغذیه کودکان تا حدود 50 میلیون
زبان آموز در سراسر جهان ارائه می دهیم.
من منجر به پایان دادن به پایان دادن به تیم داده می شود ،
بنابراین شامل مهندسی داده ها ، علوم داده
و یادگیری ماشین است.
وای ، و ما در اوایل صبح امروز دفن کولر داشتیم
که بنیانگذار کورسرا است
و او همچنین کسی است که شما را استخدام کرده است.
بله

English: 
>> Reporter: Live from
Stanford University,
it's theCUBE,
covering Stanford Women
in Data Science 2020.
Brought to you by SiliconANGLE media.
>> Hi, and welcome to theCUBE.
I'm your host, Sonia Tagare,
and we're live at Stanford University
covering the fifth annual WiDs,
Women in Data Science conference.
Joining us today is Emily Glassberg Sands,
the Head of Data Science at Coursera,
Emily, welcome to theCUBE.
>> Thanks, so great to be on.
>> So, tell us a little bit more
about what you do at Coursera.
>> Yeah, absolutely,
so Coursera is the
world's largest platform
for higher education.
We partner with about 160 universities
and 20 industry partners and
we provide top learning content
from data science to child
nutrition to about 50 million
learners around the world.
I lead the end to end data team
so spanning data engineering, data science
and machine learning.
>> Wow, and we just had Daphne
Koller on earlier this morning
who is the co-founder of Coursera
and she's also the one who hired you.
>> Yeah.

Persian: 
بنابراین در مورد آن رابطه بیشتر به ما بگویید.
خوب ، من عاشق دافنه ، من فکر می کنم دنیای او ،
همانطور که به زودی در مورد آن صحبت خواهم کرد ،
او در واقع مرا از ابتدا استخدام نکرد.
اولین پاسخی که من از Coursera گرفتم ، نه ،
این بود که این شرکت برای کسی نبود ، کاملاً آماده
که یک رمزگذار کاملاً دمیده نبود.
اما من سرانجام با او صحبت کردم که مرا سوار کند
و از آن زمان تاکنون الهام بخش بوده است.
من فکر می کنم یکی از اولین خاطرات من از دافن
زمانی بود که او به تصویربرداری از آنچه ممکن است نقاشی آنلاین رنگ آمیزی کرد
با آموزش آنلاین با
و گفت: "درباره اولین فیلم فکر کنید."
فیلم اول به معنای واقعی کلمه فقط فیلمبرداری نمایشنامه روی صحنه بود.
شما با توجه به سوابق خود در فیلم ، از این امر قدردانی خواهید کرد
و سپس به سرعت به جلو حرکت کرده
و به آنچه در فیلمهایی امکان پذیر نیست ، فکر نکنید
که هرگز در مرحله آجر و خمپاره .
و آنالوگ او ایجاد اولین MOOC بود ،
اولین دوره آنلاین گسترده Massive بسیار ساده فیلمبرداری
استاد در یک کلاس بود.
اما او امروز و فردا به آینده فکر می کرد
و از پنج سال ، و از
نظر چگونگی تحول داده ها و فناوری ،
چگونگی تدریس مربیان و یادگیری زبان آموزان ممکن است.
این بسیار جالب است.
بنابراین ، Coursera تغییری کرده است

English: 
>> So tell us more
about that relationship.
>> Well, I love Daphne,
I think the world of her,
as I will talk about shortly,
she actually didn't
hire me from the start.
The first answer I got one
from Coursera was a no,
that the company wasn't
quite ready for someone
who wasn't a full blown coder.
But I eventually talked to
her into bringing me on board,
and she's been an inspiration ever since.
I think one of my first memories of Daphne
was when she was painting
the vision of what's possible
with online education,
and she said, "think
about the first movie."
The first movie was literally
just filming a play on stage.
You'll appreciate this, given
your background in film,
and then fast forward to today
and think about what's possible in movies
that could never be possible
on the brick-and-mortar stage.
And the analog she was
creating was the first MOOC,
the first Massive Open Online
Course was very simply filming
a professor in a classroom.
But she was thinking forward
to today and tomorrow
and five years from
now, and what's possible
in terms of how data and
technology can transform,
how educators teach
and how learners learn.
>> That's very cool.
So, how has Coursera changed

Persian: 
از زمان شروع آن تا به امروز چه ؟
بنابراین ، تکامل زیادی پیدا کرده است.
بنابراین ، من حدود شش سال در کورسرا
بودم که وقتی به این شرکت پیوستم ، کمتر از 50 نفر بود.
امروز ما 10 برابر این اندازه هستیم ، ما 500 هستیم.
فکر می کنم رشد آشکارا
در این پلت فرم نسبت به هر سه تغییر اصلی در
مدل کسب و کار ما وجود داشته است.
اولین مورد این است که ما از همکاری صرفاً
با دانشگاهها به سمت شناسایی حرکت کرده ایم
که در واقع ، بسیاری از مهمترین آموزش
برای افراد در بازار کار
در شرکت ها آموزش داده می شود.
بنابراین ، گوگل برای آموزش افراد بسیار انگیزه دارد
در Google Cloud ، Amazon و AWS .
افراد نیاز به یادگیری Tableau یکسری
و نرم افزارهای دیگر دارند.
بنابراین ، ما به آموزش هایی که
نه تنها توسط مؤسسات برتر مانند استنفورد ،
بلکه توسط موسسات برتر که شرکت
هایی مانند آمازون و گوگل نیز هستند ارائه می دهیم.
دومین تغییر بزرگ این است که ما تشخیص داده ایم
که در حالی که برای بسیاری از زبان آموزان و دوره های فردی و یا یک MOOC
کافی است ، برخی زبان آموزان نیاز به دسترسی به مدرک کامل دارند ،
یک مدرک دیپلم که دارای اعتبار است.
بنابراین ما به فضای درجه ای تغییر مکان داده ایم که هم اکنون 14 درجه
زندگی در کارشناسی ارشد سیستم عامل در علوم کامپیوتر
و داده های داده بلکه در تجارت ،

English: 
from when she started it to now?
>> So, it's evolved a lot.
So, I've been at Coursera about six years,
when I joined the company,
it had less than 50 people.
Today we're 10 times
that size, we have 500.
I think there have been
obviously dramatic growth
in the platform over all
the three main changes
to our business model.
The first is we've moved
from partnering exclusively
with universities to recognizing
that actually, a lot of the
most important education
for folks in the labor market
is being taught within companies.
So, Google is super
incentivized to train people
in Google Cloud, Amazon and AWS.
Folks need to learn Tableau
and a whole host of other software's.
So, we've expanded to including
education that's provided
not just by top
institutions like Stanford,
but also by top institutions
that are companies
like Amazon and Google.
The second big change is we've recognized
that while for many learners
and individual course or a MOOC
is sufficient, some learners
need access to full degree,
a diploma bearing credential.
So we've moved to the degree
space we now have 14 degrees
live on the platform
masters in computer science
and data science but also in business,

Persian: 
حسابداری و غیره داریم.
و سومین تغییر اساسی ،
من فکر می کنم دقیقاً همانطور که دنیا تکامل یافته است
تا این واقعیت را درک کند که افراد باید در حال یادگیری
در طول زندگی خود باشند.
همچنین اتفاق نظر عمومی وجود دارد
که یادگیری فقط افراد
نیست بلکه شرکتهای آنها نیز باید آنها را آموزش دهند آموزش دهند
و دولت ها را نیز ،
بنابراین به همین دلیل ما شرکت Coursera را راه اندازی کردیم
که درمورد ارائه مطالب یادگیری
از طریق کارفرمایان و از طریق دولت ها است
تا بتوانیم به گسترده تر از افرادی
که ممکن است خودشان توانایی پرداخت آن را نداشته باشند.
و چگونه می توانید از علم داده برای ردیابی
افراد ، ترجیحات کاربر و رفتار کاربر استفاده کنید؟
بله ، این یک سؤال عالی است بنابراین می توانید درست تصور کنید؟
50 میلیون یادگیرنده ، آنها تقریباً از هر کشور
جهان از طیف وسیعی از زمینه های مختلف
دارای اهداف مختلف هستند ،
بنابراین من فکر می کنم آنچه شما خارج می شوید این
است که ایجاد تجربه یادگیری مناسب
برای هر شخص بسیار زیاد است مربوط به شخصی سازی آن تجربه است.
و ما در طول سفر یادگیرنده شخصی سازی کردیم ،
بنابراین در اولین کشف به جلو ، وقتی برای اولین بار به پیوستید
سیستم عامل ، از شما می پرسیم ، هدف شغلی شما چیست؟
امروز در چه نقشی هستید؟
و سپس ما به شما کمک می کنیم تا محتوای مناسب را
برای بستن این شکاف پیدا کنید.
با گذر از دوره ها ، پیش بینی می کنیم

English: 
accounting, and so on.
And the third major changes,
I think just sort of as
the world has evolved
to recognize that folks
need to be learning
throughout their lives.
There's also general consensus
that it's not just on
the individuals to learn,
but also on their companies to train them
and governments as well,
and so we launched Coursera enterprise,
which is about providing learning content
through employers and through governments
so we can reach a wider
swath of individuals
who might not be able
to afford it themselves.
>> And how are you able to
use data science to track
individual, user preferences
and user behavior?
>> Yeah, that's a great question
so you can imagine right?
50 million learners, they're
from almost every country
in the world from a range
of different backgrounds
have a bunch of different goals,
And so I think what you're getting out
is that so much of creating
the right learning experience
for each person is about
personalizing that experience.
And we personalized
throughout the learner journey
so in discovery up-front,
when you first joined
the platform, we ask you,
what's your career goal?
What role are you in today?
And then we help you
find the right content
to close the gap.
As you're moving through
courses we predict

Persian: 
که به حمایت بیشتری نیاز دارید یا خیر.
این که آیا این یک مداخله کاملاً خودکار
مانند یک رفتاری رفتاری است ، با تأکید بر طرز فکر رشد ،
یا یک لجبازی آموزشی مانند توصیه به صحیح
بررسی مواد و ارائه آن به شما ،
و سپس ما نیز همین کار را انجام می دهیم
تا کارکنان پشتیبانی در پردیس سرعت بگیرند.
بنابراین ، ما برای هر فرد مشخص می کنیم که چه نوع لمسی انسانی
ممکن است به آنها نیاز داشته باشد ، و ما در حمایت از کارمندان
توصیه های برای کسانی که باید به آنها دسترسی پیدا کنند ، کمک می ،
کنیم آیا این یک مشاور است که به دانشجوی درجه
ای می رسد که مدتی وارد سیستم نشده باشد یا یک TA
به یک دانشجوی درجه ای که با یک تکلیف تلاش می کند ، برسد.
بنابراین ، داده ها واقعاً همه آنها را ،
درک می کنند و اهداف فرد ، فهمند
پیشینه آنها ، محتوا را می
این می تواند شکاف را ببندد ، و همچنین درک اینکه
در آنجا آنها به پشتیبانی اضافی نیاز دارند
و چه نوع کمکی می توانیم ارائه کنیم.
و چگونه می توانید این داده ها را ردیابی کنید ،
آیا از تست AV استفاده می کنید؟
بله ، سؤال عالی ، بنابراین ،
ما آنرا داده ای برای سطح تخلیه می نامیم ، که اساساً
آنچه را که هر یادگیرنده
هنگام حرکت از طریق سیستم عامل در حال انجام است ، دنبال می کند.
و سپس ما از تست AV برای درک تأثیر
نوع ویژگی بزرگ خود استفاده می کنیم.
بنابراین ، می گویند ما یک الگوریتم رتبه بندی جستجوی جدید
یا یک تجربه یادگیری جدید را امتحان می کنیم که AV-Test را بدست آوریم که ،

English: 
whether or not you need
some additional support.
Whether it's a fully
automated intervention
like a behavioral nudge,
emphasizing growth mindset,
or a pedagogical nudge
like recommending the right
review material and provide it to you,
and then we also do the same
to accelerate support staff on campus.
So, we identify for each
individual what type of human touch
might they need, and we
serve up to support staff
recommendations for who
they should reach out to,
whether it's a counselor
reaching out to degree student
who hasn't logged in for a
while, or a TA reaching out
to a degree student who's
struggling with an assignment.
So, data really powers all of that,
understanding someone's goals,
their backgrounds, the content
that's going to close the
gap, as well as understanding
where they need additional support
and what type of help we can provide.
>> And how are you able
to track this data,
are you using AV testing?
>> Yeah, great question, so the,
we call it a venting level
data, which basically tracks
what every learner is doing
as they're moving through the platform.
And then we use AV testing
to understand the influence
of kind of our big feature.
So, say we roll out a new
search ranking algorithm
or a new learning experience
we would AV-Test that,

Persian: 
بله برای درک چگونگی یادگیرندگان در نوع جدید
در مقایسه با زبان آموزان در نوع قدیمی.
اما برای بسیاری از سیستمهای یادگیری ماشینی ،
ما در واقع بیشتر روشهای راهزنی چند مسلح را انجام می دهیم
که در حاشیه آن ، ما کمی تغییر می کنیم
تجربه مردم باید درک کنند که چه تاثیری
در رفتارهای پایین دست خود دارد ،
جدا از این آزمایش انبوه یا نگهدارنده انبوه استفاده کنید.
و بنابراین ، امروز ، شما در حال صحبت کردن در مورد Coursera ،
آخرین محصولات داده بنابراین به ما کمی بینش در مورد آن.
بنابراین ، من در حال پوشش سه محصول داده
ای هستیم که طی چند سال گذشته راه اندازی کرده ایم.
دو مورد اول در واقع به دانش آموزان کمک می کنند
که در تجربه یادگیری موفق باشند ، جهت یابی کنند.
بنابراین اولین پیش بینی زمانی است که زبان آموزان به نیاز دارند
نوازش های اضافی و به روش های کاملاً خودکار
برای بازگرداندن آنها پیگیری می کنند.
مورد دوم درمورد شناسایی دانش آموزانی است که به انسانی احتیاج دارند
پشتیبانی و بینش هایی را راحتی قابل تفسیر است
که به برای پشتیبانی از کارکنان ارائه می دهند تا بتوانند مناسب برسند
با کمک صحیح به یادگیرنده .
و سپس سوم کمی متفاوت است.
این درحالی است که دانش آموزان در بازار کار بیرون ،
می آیند چگونه می توانند آنچه را که می دانند موثقی علامت گذاری کنند

English: 
yes to understand how
learners in the new variant
compared to learners in the old variant.
But for many of our machine learn systems,
we're actually doing more of
a multi-armed bandit approach
where on the margin, we're
changing a little bit
the experience people have
to understand what effect
that has on their downstream behavior,
separate from this mass
hold-in or hold-out AV-Test.
>> And so today, you're
giving a talk about Coursera's
latest data products so give
us a little insight about that.
>> So, I'm covering three data products
that we've launched over
the last couple of years.
The first two are oriented
around really helping learners
be successful in the learning experience.
So the first is predicting
when learners are going to need
additional nudges and intervening
in fully automated ways
to get them back on track.
The second is about identifying
learners who need human
support and serving up really
easily interpretable insights
to support staff so they
can reach out to the right
learner with the right help.
And then the third is
a little bit different.
It's about once learners
are out in the labor market,
how can they credibly
signal what they know,

Persian: 
به طرز تا بتوانند برای آن یادگیری در مورد کار پاداش بگیرند.
و این محصولی به نام امتیاز دهی مهارت است ،
جایی که ما در واقع در حال اندازه گیری مهارتهای یادگیری هر فرد
تا چه حد هستیم تا بتوانم به عنوان مثال بتوانم
آن را با مهارتهای مورد نیاز در حرفه هدف خود مقایسه کنم خود
یا آن را به کارفرمای نشان دهم
تا بتوانم باشم. پاداش برای آنچه می دانم.
هنگامی که افراد می توانند می توانند
رزومه کاری کنند ، با رتبه بندی میزان مهارتهایی که دارند ، بسیار مفید باشند.
>> کاملا.
بنابراین ، هنگامی که در مورد رزومه ها صحبت می کنید ، واقعاً جالب است ،
بسیاری از آنچه ، خیلی از آنچه که در رزومه نشان داده می
شود ، اعتبار سنتی است ،
مواردی مانند مدرسه به کدام مدرسه رفتید؟
در چه رشته ای شرکت کردید؟
چه شغل داری؟
و همانطور که شما و من هر دو می دانیم ، دسترسی نابرابر
به مدرسه ای که به آن می روید و یا مشاغل اولیه که می گیرید ، وجود دارد.
بنابراین ، بخشی از انگیزه مهارت های
ایجاد شده ایجاد سیگنال های عادلانه تر یا عادلانه تر و قابل دسترسی
برای بازار کار است.
بنابراین ، ما واقعاً از این مسیر هیجان زده ایم.
و آیا فکر می کنید شرکت
ها هنگام استخدام این موارد را مورد توجه قرار دهند
افرادی که می گویند مانند یک پنجم از پنج مهارت
در علوم رایانه است ، اما آنها به استنفورد نرفتند؟
بله فکر کنید که آنها از این مسئله استفاده می کنند.
> ، من فکر می کنم شرکت ها گرسنه هستند تا پیدا کنند

English: 
so that they can be rewarded
for that learning on the job.
And this is a product
called skill scoring,
where we're actually measuring
what skills each learner has
up to what level so I can for example,
compare that to the skills
required in my target career
or show it to my employer
so I can be rewarded for what I know.
>> That can be really helpful
when people are creating
resumes, by ranking how much
of a skill that they have.
>> Absolutely.
So, it's really interesting
when you talk about resumes,
so many of what, so much
of what's shown on resumes
are traditional credentials,
things like What school did you go to?
what did you major in?
what jobs have you had?
And as you and I both know,
there's unequal access
to the school you go to
or the early jobs you get.
And so, part of the motivation
behind skill scoring
is to create more equitable
or fair or accessible signals
for the labor market.
So, we're really excited
about that direction.
>> And do you think companies
are taking that into
consideration when they're hiring
people who say have like
a five out of five skills
in computer science, but
they didn't go to Stanford?
>> Yeah.
>> Think they're taking that
>> Absolutely, I think companies
are hungry to find more

Persian: 
استعداد متنوع تری و بزرگترین چالش این است ،
که وقتی به افراد با پیشینه های گوناگون نگاه می کنید ،
دشوار است بدانید که چه مهارت هایی را دارد.
و بنابراین ، امتیاز دهی مهارت ورودی بسیار ارزشمندی را فراهم می کند ،
ما در واقع شاهد هستیم که در حال حاضر
بسیاری از مشتریان سازمان های ما که از آن استفاده می کنند دارند از آن استفاده می
برای شناسایی افرادی که کارمندان داخلی خود را کنند
، برای موقعیت های جدید یا نقش های جدید مناسب هستند.
به عنوان مثال ، من ممکن است یک دسته از مهندسین باطن ،
داشته باشم اگر من می دانم چه کسی در یادگیری ریاضی و ماشین
و آمار خوب است ، می توانم در واقع می توانم آن دسته از افراد را برای انتقال ضربه بزنم
به نقشهای یادگیری ماشین .
بنابراین ، این به عنوان یک سیگنال
خارجی و بازار کار خارجی
و همچنین یک سیگنال داخلی در شرکتها مورد استفاده قرار می گیرد.
و آخرین سؤال ما در اینجا ،
چه توصیه ای به خانم های جوانی
که یا خارج از کالج هستند یا تازه کالج را شروع
می کنند و علاقه مند به علم داده هستند ، می دهید؟
چه کسی ممکن است ، در رشته معمولی
علوم داده دانش آموخته نباشد؟
چه توصیه ای به آنها می کنید؟
بنابراین ، من دوست دارم که از شما سؤال کرده باشید که آنرا درست نکرده اید ، با
تخصص در علوم داده معمولی.
من در واقع با آموزش اقتصاددان هستم.
و فکر می کنم به همین دلیل است
که من در ابتدا از کورسرا رد شدم
زیرا یک اقتصاددان زمینه ای بسیار عجیب
برای ورود به علم داده است.

English: 
diverse talent and the
biggest challenge is,
when you look at people
from diverse backgrounds,
it's hard to know who has what skills.
And so skill scoring provides
a really valuable input,
we're actually seeing it in use already
by many of our enterprise
customers who are using it
to identify who have
their internal employees
is well positioned for new
opportunities or new roles.
For example, I may have a
bunch of backend engineers,
if I know who's good in
math and machine learning
and statistics, I can actually
tap those folks to transition
over to machine learning roles.
And so it's used both
as an external signal
and external labor market,
as well as an internal
signal within companies.
>> And just our last question here,
what advice would you give to young women
who are either out of college
or just starting college
who are interested in data science?
Who maybe, don't haven't
majored in a typical
data science major?
What advice would you give to them?
>> So, I love that you
asked you haven't made it,
majored in a typical data science major.
I'm actually an economist by training.
And I think that's probably the reason
why I was at first rejected from Coursera
because an economist is
a very strange background
to go into data science.

English: 
I think my primary advice
to those young women
would be to really not get
too lost in the data science,
in the math, in the algorithms
and instead to remember that
those are a means to an end,
and the end is impact.
So, think about the problems in the world
that you care about.
For me, it's education.
For others, it's health
care, or personal finance
or a range of other issues.
And remember that data
science provides this vast
set of tools that you can use to solve
the problems you care about most.
>> That's great, thank you
so much for being on theCUBE.
>> Thank you.
I'm Sonia Tagare, thank you
so much for watching theCUBE
and stay tuned for more.
(upbeat music)

Persian: 
من فکر می کنم توصیه اصلی من به این زنان جوان
این باشد که واقعاً در علم داده ، خیلی گم نشوند
ریاضی ، الگوریتم
و در عوض به خاطر بسپارند که اینها وسیله ای برای رسیدن به هدف هستند
و در پایان تأثیر است.
بنابراین ، در مورد مشکلات جهان
که به آنها اهمیت می دهید فکر کنید.
برای من ، این آموزش است.
برای سایرین ، مراقبت های بهداشتی یا مالی شخصی
یا طیف وسیعی از موضوعات دیگر است.
و به یاد داشته باشید که علم داده این وسیع
مجموعه از ابزارهایی را ارائه می دهد که می توانید برای حل می دهید استفاده کنید
مشکلی که بیشتر به آنها اهمیت .
این بسیار عالی است ، خیلی ممنون از اینکه در CUBE حضور دارید.
با تشکر از شما
من سونیا تاگار هستم ، خیلی ممنون که تماشای theCUBE را دیدید
و برای اطلاعات بیشتر با ما در ارتباط باشید.
(موسیقی خوش ذوق)
