در این دوره پایانی، ما به زبان جاوا اسکریپت و نحوه پشتیبانی آن از الگوی شی گرا با تمرکز بر جنبه های منحصر به فرد رویکرد جاوا اسکریپت به OO نگاه خواهیم کرد. ما مقدمه ای برای کتابخانه jQuery ارائه خواهیم کرد، که به طور گسترده ای برای دستکاری درون مرورگر مدل شی سند (DOM) و مدیریت رویداد استفاده می شود. همچنین در مورد علامت گذاری شی جاوا اسکریپت (JSON) که معمولاً به عنوان یک نحو برای تبادل داده بین کدهای در حال اجرا بر روی سرور (به عنوان مثال، در جنگو) و کدهای در حال اجرا در مرورگر (جاوا اسکریپت/jQuery) استفاده می شود، آشنا خواهید شد. شما به توسعه برنامه تبلیغات طبقه بندی شده خود ادامه می دهید و ویژگی هایی را اضافه می کنید که از JavaScript، JQuery و JSON استفاده می کند. این دوره فرض می کند که شما سه دوره اول را در این تخصص گذرانده اید.

این دوره برای درک عمیق تری از Kubernetes طراحی شده است. در طی چند هفته آینده، با چندین ویژگی Kubernetes، معماری Kubernetes، نحوه ایجاد کلاسترها و تنظیمات مختلف نصب آشنا خواهید شد. ما همچنین استقرارها و نحوه مقیاس‌بندی، به‌روزرسانی و بازگرداندن آنها را بررسی خواهیم کرد. ما در مورد خوشه‌ها، پادها و گره‌ها بحث می‌کنیم و به جلدهای پایدار و همچنین مجوز و احراز هویت Kubernetes می‌پردازیم. در نهایت، ما به شما نشان خواهیم داد که چگونه همه اینها در یک نسخه ی نمایشی Kubernetes جمع می شود، بنابراین می توانید آن را در عمل ببینید.

آیا تا به حال تجربه شکست سیستم های نرم افزاری را داشته اید؟ وب‌سایت‌ها از کار می‌افتند، تقویم همگام نمی‌شود، یا حتی برق قطع می‌شود. البته که داری! اما آیا می‌دانستید که بسیاری از این خطاها در نتیجه خطاهای ارتباطی در یک سیستم یا بین سیستم‌ها هستند؟ بسته به سیستم، تأثیر خرابی نرم‌افزار می‌تواند بسیار زیاد باشد، حتی منجر به خسارت اقتصادی یا تلفات جانی شود. نرم‌افزار، و به‌ویژه ارتباط بین سیستم‌های نرم‌افزار فشرده، بسیار پیچیده است و درست کردن آن بسیار دشوار است. با این حال، ما به قابلیت اطمینان در سیستم هایی که به طور مستقیم یا غیرمستقیم برای حمایت از ما در زندگی روزمره استفاده می کنیم، نیاز داریم. اعتبار سنجی سیستم به شما کمک می کند تا رفتار سیستم تعبیه شده را طراحی کنید که از نظر ساختاری مناسب باشد. همچنین شما را مجبور می کند که رفتار را ساده و روشنگر کنید. سیستم هایی که برای رفتار صدا طراحی شده اند نیز نگهداری و تطبیق آنها بسیار آسان تر است. اعتبار سنجی سیستم زمینه ای است که مبانی ارتباطات سیستم و پردازش اطلاعات را مطالعه می کند. تکنیک های ارائه شده در اعتبارسنجی سیستم امکان اثبات عدم وجود خطا را فراهم می کند. این اولین دوره "اتوماتها و معادلات رفتاری" پایه و اساس دوره های بعدی را می سازد و به شما نشان می دهد که چگونه به رفتار سیستم به عنوان ماشین های حالت نگاه کنید. معادل‌های رفتاری را مورد بحث قرار می‌دهد و آن‌ها را در تعدادی از مثال‌ها و آزمون‌ها نشان می‌دهد. این دوره، سیستم‌های انتقال برچسب‌گذاری شده یا اتومات‌ها را برای مدل‌سازی رفتار، به‌ویژه برای سیستم‌های کنترل‌شده نرم‌افزاری توضیح می‌دهد. یک سوال مهم این است که چه زمانی دو رفتاری که توسط چنین خودکارهایی ارائه می شود برابر هستند. پاسخ به این سوال اصلاً ساده نیست، اما معادل‌های حاصل به عنوان ابزار قدرتمندی برای ساده‌سازی رفتار پیچیده استفاده می‌شوند. این به ما امکان می دهد تا دقیقاً ویژگی های رفتاری چنین سیستم هایی را بررسی و درک کنیم. به خصوص، در ترکیب با پنهان کردن رفتار، کاهش هم ارزی یک تکنیک منحصر به فرد برای به دست آوردن بینش در رفتار سیستم ها است و بسیار موثرتر از شبیه سازی یا آزمایش است. با استفاده از این بینش می‌توانیم مدل‌ها را درست کنیم. چنین مدل هایی پایه ای عالی برای تولید نرم افزار مختصر، قابل اعتماد و قابل نگهداری را تشکیل می دهند. این دوره قسمت اول از مجموعه دوره های اعتبار سنجی سیستم است. اعتبار سنجی سیستم، به عنوان مجموعه ای از دوره ها، بخشی از یک برنامه آنلاین دیجیتال دیجیتال بزرگتر به نام «اینترنت اشیا از طریق سیستم های جاسازی شده» است.

این دوره اطلاعات ضروری را که هر برنامه نویس جدی باید در مورد الگوریتم ها و ساختارهای داده بداند، با تأکید بر برنامه ها و تجزیه و تحلیل عملکرد علمی پیاده سازی های جاوا پوشش می دهد. بخش اول ساختارهای داده اولیه، مرتب‌سازی و الگوریتم‌های جستجو را پوشش می‌دهد. بخش دوم بر روی الگوریتم های پردازش گراف و رشته تمرکز دارد. تمامی امکانات این دوره به صورت رایگان در دسترس است. افرادی که علاقه مند به کاوش عمیق تر در محتوا هستند، ممکن است بخواهند کتاب درسی الگوریتم ها، نسخه چهارم (که دوره بر اساس آن است) را دریافت کنند یا از وب سایت algs4.cs.princeton.edu برای انبوهی از مطالب اضافی بازدید کنند. این دوره پس از اتمام مدرک ارائه نمی دهد.

برای مثال، بسیاری از مسائل الگوریتمی دنیای واقعی را نمی توان به طور موثر با استفاده از ابزارهای الگوریتمی سنتی حل کرد، زیرا مسائل NP-hard هستند. هدف از درس الگوریتم های تقریب، آشنایی با مفاهیم و تکنیک های مهم الگوریتمی مورد نیاز برای مقابله موثر با چنین مسائلی است. این تکنیک‌ها زمانی اعمال می‌شوند که برای مسائل خاصی به راه‌حل بهینه نیاز نداریم، بلکه تقریبی نزدیک به راه‌حل بهینه است. خواهیم دید که چگونه می توان چنین تقریب هایی را به طور موثر پیدا کرد. پیش نیازها: برای گذراندن موفقیت آمیز این دوره، باید از قبل دانش پایه ای از الگوریتم ها و ریاضیات داشته باشید. در اینجا لیست کوتاهی از آنچه باید بدانید آمده است: - O-notation، Ω-notation، Θ-notation; نحوه تجزیه و تحلیل الگوریتم ها - حساب پایه: دستکاری جمع، حل عود، کار با لگاریتم و غیره. - نظریه احتمال پایه: رویدادها، توزیع های احتمال، متغیرهای تصادفی، مقادیر مورد انتظار و غیره. - ساختارهای داده پایه: لیست های پیوندی، پشته ها، صف ها، پشته ها - درختان جستجوی دودویی (متوازن). - الگوریتم های مرتب سازی اولیه، به عنوان مثال MergeSort، InsertionSort، QuickSort - اصطلاحات نمودار، نمایش گراف ها (لیست مجاورت و ماتریس مجاورت)، الگوریتم های اصلی گراف (BFS، DFS، مرتب سازی توپولوژیکی، کوتاه ترین مسیرها) مطالب این دوره بر اساس یادداشت های دوره است که در زیر برگه منابع یافت می شود.

این دوره با تمرکز بر استفاده از فرمول‌های برنامه‌نویسی خطی و صحیح برای حل مسائل الگوریتمی که به دنبال راه‌حل‌های بهینه برای مشکلات ناشی از حوزه‌هایی مانند تخصیص منابع، زمان‌بندی، تخصیص کار، و انواع مسئله فروشنده دوره گرد است، تخصص ساختار داده‌ها و الگوریتم‌های ما را ادامه می‌دهد. . در مرحله بعد، الگوریتم‌هایی را برای مسائل NP-hard مطالعه خواهیم کرد که راه‌حل‌های آن تضمین شده است که در برخی از ضریب‌های تقریبی بهترین راه‌حل‌های ممکن قرار دارند. چنین الگوریتم‌هایی اغلب بسیار کارآمد هستند و محدودیت‌های مفیدی را برای راه‌حل‌های بهینه ارائه می‌کنند. یادگیری توسط یادداشت های ارائه شده توسط مربی، خواندن از کتاب های درسی و تکالیف پشتیبانی می شود. تکالیف شامل سوالات مفهومی چند گزینه ای و همچنین تکالیف حل مسئله است که شامل برنامه نویسی و الگوریتم های تست می شود. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد علوم کامپیوتر (MS-CS) CU Boulder که در پلت فرم Coursera ارائه می شود، گذراند. این مدرک تحصیلات تکمیلی کاملا معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه را ارائه می دهد. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder

دنیا و اینترنت پر از اطلاعات متنی است. ما اطلاعات را با استفاده از پرس و جوهای متنی جستجو می کنیم، وب سایت ها، کتاب ها، ایمیل ها را می خوانیم. همه اینها از نقطه نظر علم کامپیوتر رشته هایی هستند. برای درک همه آن اطلاعات و کارآمد کردن جستجو، موتورهای جستجو از الگوریتم های رشته ای زیادی استفاده می کنند. علاوه بر این، حوزه نوظهور پزشکی شخصی از الگوریتم‌های جستجوی بسیاری برای یافتن جهش‌های بیماری‌زا در ژنوم انسان استفاده می‌کند. در این دوره آنلاین، مفاهیم کلیدی تطبیق الگو را خواهید آموخت: سعی، درخت پسوند، آرایه پسوند و حتی تبدیل Burrows-Wheeler.

الگوریتم‌های کارآمد ورودی/خروجی، که به‌عنوان الگوریتم‌های حافظه خارجی یا الگوریتم‌های حافظه پنهان نیز شناخته می‌شوند، دسته‌ای از الگوریتم‌ها هستند که برای پردازش کارآمد داده‌هایی طراحی شده‌اند که خیلی بزرگ هستند و نمی‌توانند به طور کامل در حافظه اصلی (RAM) رایانه جای بگیرند. این الگوریتم‌ها به‌ویژه هنگام برخورد با مجموعه داده‌های عظیم، مانند مواردی که در پردازش داده‌های مقیاس بزرگ، مدیریت پایگاه داده و سیستم‌های فایل یافت می‌شوند، مفید هستند. زمانی که آیتم داده در سلسله مراتب حافظه بالاتر قرار گیرد، عملیات روی داده گران تر می شود. یک عملیات روی داده در رجیسترهای CPU تقریباً یک میلیون بار سریعتر از عملیات روی یک آیتم داده است که در حافظه خارجی قرار دارد و ابتدا باید واکشی شود. این واکشی داده ها را عملیات ورودی/خروجی نیز می نامند و باید در طول طراحی الگوریتم مورد توجه قرار گیرند. هدف از این دوره آشنایی با مفاهیم و تکنیک های الگوریتمی مهم مورد نیاز برای مقابله موثر با چنین مسائلی است. ما با یک سلسله مراتب حافظه ساده کار خواهیم کرد، اما مفاهیم به طور طبیعی به مدل های واقعی تر گسترش می یابد. پیش نیازها: برای گذراندن موفقیت آمیز این دوره، باید از قبل دانش پایه ای از الگوریتم ها و ریاضیات داشته باشید. در اینجا لیست کوتاهی از آنچه باید بدانید آمده است: - O-notation، Ω-notation، Θ-notation; نحوه تجزیه و تحلیل الگوریتم ها - حساب پایه: دستکاری جمع، حل عود، کار با لگاریتم و غیره. - نظریه احتمال پایه: رویدادها، توزیع های احتمال، متغیرهای تصادفی، مقادیر مورد انتظار و غیره. - ساختارهای داده پایه: لیست های پیوندی، پشته ها، صف ها، پشته ها - درختان جستجوی دودویی (متوازن). - الگوریتم های مرتب سازی اولیه، به عنوان مثال MergeSort، InsertionSort، QuickSort - اصطلاحات نمودار، نمایش گراف ها (لیست مجاورت و ماتریس مجاورت)، الگوریتم های اصلی گراف (BFS، DFS، مرتب سازی توپولوژیکی، کوتاه ترین مسیرها) مطالب این دوره بر اساس یادداشت های دوره است که در زیر برگه منابع یافت می شود. ما همه چیز را از یادداشت های دوره پوشش نمی دهیم. یادداشت های دوره هم برای دانش آموزانی که سخنرانی ها را به طور کامل درک نمی کنند و هم برای دانش آموزانی که مایلند عمیق تر در موضوعات غوطه ور شوند وجود دارد. سخنرانی های ویدیویی حاوی چند اشتباه بسیار جزئی است. فهرستی از این اشتباهات را می توان در زیر منابع یافت. اگر فکر می‌کنید خطایی پیدا کرده‌اید، با کلیک کردن روی علامت مربع در پایین سخنرانی یا امتحانی که در آن خطا را پیدا کردید، مشکل را گزارش کنید.

الگوریتم‌های هندسی دسته‌ای از روش‌های محاسباتی هستند که برای حل مسائل مربوط به اشکال هندسی و ویژگی‌های آنها استفاده می‌شوند. این الگوریتم ها با اشیایی مانند نقاط، خطوط، چندضلعی ها و سایر اشکال هندسی سروکار دارند. در بسیاری از زمینه‌های علوم کامپیوتر مانند رباتیک، گرافیک کامپیوتری، واقعیت مجازی و سیستم‌های اطلاعات جغرافیایی، ذخیره، تجزیه و تحلیل و ایجاد یا دستکاری داده‌های مکانی ضروری است. این دوره به جنبه های الگوریتمی این وظایف می پردازد: ما تکنیک ها و مفاهیم مورد نیاز برای طراحی و تجزیه و تحلیل الگوریتم های هندسی و ساختارهای داده را مطالعه می کنیم. هر تکنیک و مفهوم بر اساس مشکلی که در یکی از زمینه های کاربردی ذکر شده در بالا ایجاد می شود، نشان داده می شود. اهداف: در پایان این دوره شرکت کنندگان باید بتوانند - تصمیم بگیرید که از کدام الگوریتم یا ساختار داده برای حل یک مسئله هندسی اساسی استفاده کنید. - تجزیه و تحلیل مسائل جدید و ارائه راه حل های کارآمد خود با استفاده از مفاهیم و تکنیک های دوره. پیش نیازها: برای گذراندن موفقیت آمیز این دوره، باید از قبل دانش پایه ای از الگوریتم ها و ریاضیات داشته باشید. در اینجا لیست کوتاهی از آنچه باید بدانید آمده است: - O-notation، Ω-notation، Θ-notation; نحوه تجزیه و تحلیل الگوریتم ها - حساب پایه: دستکاری جمع، حل عود، کار با لگاریتم و غیره. - نظریه احتمال پایه: رویدادها، توزیع های احتمال، متغیرهای تصادفی، مقادیر مورد انتظار و غیره. - ساختارهای داده پایه: لیست های پیوندی، درخت های جستجوی باینری و غیره. - اصطلاحات نمودار - مهارت های برنامه نویسی برای تکالیف عملی بیشتر مطالب این دوره بر اساس کتاب زیر است: M. de Berg، O. Cheong، M. van Kreveld و M. Overmars. هندسه محاسباتی: الگوریتم ها و کاربردها (ویرایش سوم). Springer-Verlag، 2008. خرید این کتاب اجباری نیست. با این حال، اگر شرکت‌کنندگان می‌خواهند بیشتر از آنچه در این دوره ارائه می‌شود بدانند یا می‌خواهند نگاهی دوباره به مطالب مطرح شده در سخنرانی‌ها داشته باشند، خرید این کتاب را توصیه می‌کنیم. سخنرانی های ویدیویی حاوی چند اشتباه بسیار جزئی است. فهرستی از این اشتباهات را می توان در زیر منابع یافت. اگر فکر می‌کنید خطایی پیدا کرده‌اید، با کلیک کردن روی علامت مربع در پایین سخنرانی یا امتحانی که در آن خطا را پیدا کردید، مشکل را گزارش کنید.

در این دوره، مسائل اساسی انصاف و تعصب در یادگیری ماشین را بررسی خواهیم کرد. زمانی که مدل‌های پیش‌بینی تصمیم‌گیری‌های مهم را آغاز می‌کنند، از پذیرش دانشگاه گرفته تا تصمیم‌گیری برای وام، حفظ مدل‌ها از پیش‌بینی‌های ناعادلانه بسیار مهم می‌شود. از سوگیری انسانی گرفته تا آگاهی از مجموعه داده‌ها، ما بسیاری از جنبه‌های ساخت مدل‌های اخلاقی‌تر را بررسی خواهیم کرد.

با معرفی کلی جاوا اسکریپت در دوره اول، این دوره بر روی کتابخانه های جاوا اسکریپت، به طور خاص jQuery تمرکز خواهد کرد. اسکریپت ها به سمت دستکاری مدل شیء سند (DOM) هدایت خواهند شد. یادگیرندگان بهترین کتابخانه‌های جاوا اسکریپت را توصیف می‌کنند و متمایز می‌کنند که کدامیک برای پیاده‌سازی و تسریع توسعه انیمیشن صفحه وب بهترین کار را دارند. اهداف دوره شامل معرفی محصول نهایی دوره است - یک وب سایت سبک صفحه فرود با استفاده از عناصر jQuery برای دستکاری اسناد HTML و بهبود تجربه کاربر. در صفحه فرود ایجاد شده عمیق تر شوید و آن را به پروژه های جداگانه جی کوئری تقسیم کنید. رویدادها و افکت‌های jQuery در حین کاوش در رابطه بیشتر jQuery با اسناد HTML پوشش داده می‌شوند. در نهایت، تمرکز بر پلاگین ها و ادامه تجزیه توانایی جی کوئری برای دستکاری HTML و CSS.

ساخت رابط کاربری پویا (UI) برای وب سایت ها ششمین دوره از برنامه ای است که شما را با مهارت هایی که برای اعمال در مشاغل سطح ابتدایی در طراحی تجربه کاربری (UX) نیاز دارید، مجهز می کند. در این دوره، شما یک طراحی برای یک وب سایت برنامه ریزی می کنید، وایرفریم ها و نمونه های اولیه ایجاد می کنید و طرح های خود را برای دریافت بازخورد آزمایش می کنید. علاوه بر این، با شرکت در جلسات نقد طراحی و نحوه ارائه و دریافت بازخورد آشنا خواهید شد. در پایان این دوره، شما یک پروژه طراحی جدید برای گنجاندن در نمونه کارها UX حرفه ای خود خواهید داشت. علاوه بر این، یاد خواهید گرفت که چگونه مشاغل طراحی UX سطح ابتدایی را جستجو کنید، رزومه ای ایجاد کنید که مهارت ها و دستاوردهای شما را برجسته کند و وب سایت نمونه کار حرفه ای خود را بسازید. طراحان و محققان UX فعلی در Google به عنوان مربیان شما خدمت می کنند و شما فعالیت های عملی را انجام خواهید داد که سناریوهای طراحی UX در دنیای واقعی را شبیه سازی می کند. فراگیرانی که هفت دوره را در این برنامه گواهینامه تکمیل می کنند باید برای درخواست مشاغل سطح مقدماتی به عنوان طراح UX مجهز شوند. در پایان این دوره، شما قادر خواهید بود: - هر مرحله از چارچوب تفکر طراحی UX (همدلی، تعریف، ایده پردازی، نمونه اولیه، آزمایش) را برای ایجاد یک وب سایت واکنش گرا اعمال کنید. - طراحی معماری اطلاعات و ایجاد نقشه سایت برای طراحی وب سایت. - از طرح بندی های رایج برای صفحات وب استفاده کنید. - برنامه ریزی و انجام یک مطالعه قابلیت استفاده برای جمع آوری بازخورد در مورد طرح ها. - تکرار طرح ها بر اساس بینش های پژوهشی. - کار با سیستم های طراحی - یک پروژه طراحی جدید را به مجموعه UX حرفه ای خود اضافه کنید. - [اختیاری] یک رزومه متمرکز بر UX ایجاد یا به روز کنید. - [اختیاری] نحوه جستجو و درخواست برای مشاغل سطح مقدماتی در زمینه UX را بیاموزید. این دوره برای طراحان UX سطح مبتدی که پنج دوره قبلی گواهینامه طراحی UX گوگل را گذرانده اند مناسب است. از طرف دیگر، فراگیران باید درک پایه ای قوی از فرآیند طراحی داشته باشند. تجربه ایجاد وایرفریم، ماکاپ و نمونه اولیه. و توانایی انجام مطالعات قابلیت استفاده. هیچ تجربه قبلی با Figma لازم نیست.

این دوره همچنین می تواند برای اعتبار آکادمیک به عنوان ECEA 5385، بخشی از مدرک کارشناسی ارشد CU Boulder در مهندسی برق، اخذ شود. توسعه زیرساخت های صنعتی فردا یک چالش مهم است. این دوره فراتر از هیاهوی اینترنت اشیا مصرف کننده است تا بر فضای بسیار بیشتری برای برنامه های کاربردی سیستم تعبیه شده و رشد بالقوه تأکید کند: اینترنت صنعتی اشیاء (IIoT)، همچنین به عنوان صنعت 4.0 شناخته می شود. مدیر عامل سیسکو اظهار داشت: «به طور کلی بازار اینترنت اشیا ۱۹ تریلیون دلار است. IIoT یک زیرمجموعه مهم از جمله میدان نفتی دیجیتال، تولید پیشرفته، اتوماسیون شبکه برق و شهرهای هوشمند است. این بخش 1 از تخصص است. هدف اصلی این تخصص، بررسی دقیق بازارهای نوظهور، روندهای فناوری، برنامه‌های کاربردی و مهارت‌های مورد نیاز دانشجویان مهندسی، یا مهندسان شاغل، کاوش در فرصت‌های شغلی در فضای IIoT است. ساختار دوره عمداً گسترده و کم عمق است: ما موضوعات بسیاری را پوشش خواهیم داد، اما در هیچ یک از حوزه‌های موضوعی بسیار عمیق نمی‌شویم، در نتیجه یک نمای کلی از چشم‌انداز عظیم IIoT ارائه می‌کنیم. یک استثنا وجود دارد: ما امنیت را تا حدی عمیق مطالعه خواهیم کرد زیرا این مهم ترین موضوع برای توسعه محصولات "اینترنت اشیا" است. در این دوره دانشجویان یاد خواهند گرفت: * Industry 4.0 چیست و چه عواملی IIoT را فعال کرده است * مهارت های کلیدی برای به کارگیری در فضای IIoT * پلتفرم ها چیست و همچنین اطلاعات بازار در مورد نرم افزار و خدمات * حوزه های کاربردی برتر (به عنوان مثال شامل تولید و نفت و گاز) * سیستم عامل های برتر که در استقرار IIoT استفاده می شوند * درباره پروتکل های شبکه و ارتباطات بی سیم مورد استفاده در استقرار IIoT * درباره امنیت کامپیوتر؛ تکنیک های رمزگذاری و روش های ایمن برای تضمین یکپارچگی داده ها و احراز هویت

این دوره همچنین می تواند برای اعتبار آکادمیک به عنوان ECEA 5386، بخشی از مدرک کارشناسی ارشد CU Boulder در مهندسی برق، اخذ شود. این قسمت 2 از تخصص است. در این دوره دانشجویان یاد خواهند گرفت: * نحوه کارکنان، برنامه ریزی و اجرای یک پروژه * نحوه ساخت صورتحساب مواد برای یک محصول * نحوه کالیبره کردن سنسورها و اعتبارسنجی اندازه گیری های سنسور * نحوه عملکرد هارد و درایوهای حالت جامد * نحوه عملکرد سیستم های فایل اصلی و انواع سیستم های فایل که برای ذخیره داده های بزرگ استفاده می شوند * نحوه عملکرد الگوریتم های یادگیری ماشین - مقدمه ای اساسی * چرا می خواهیم داده های بزرگ را مطالعه کنیم و چگونه داده ها را برای الگوریتم های یادگیری ماشین آماده کنیم

آیا می خواهید برنامه های جلویی قدرتمند، قابل نگهداری و آزمایشی را سریعتر و با کد کمتر بنویسید؟ سپس پیوستن به این دوره را در نظر بگیرید تا مهارت‌هایی را در یکی از محبوب‌ترین فریم ورک‌های برنامه کاربردی تک صفحه (SPA) امروزی یعنی AngularJS کسب کنید. AngularJS که توسط گوگل توسعه یافته و پشتیبانی می شود، یک مهارت بسیار قابل فروش برای به دست آوردن است. در این دوره، طراحی هسته AngularJS 1.x (آخرین نسخه AngularJS 1)، اجزای آن و تکنیک های سازماندهی کد را بررسی خواهیم کرد. ما با استفاده از تزریق وابستگی برای استفاده مجدد از خدمات موجود و همچنین نوشتن خدمات خود، عملکرد برنامه وب خود را افزایش خواهیم داد. ما اجزای HTML قابل استفاده مجدد را ایجاد خواهیم کرد که از اتصال داده های AngularJS و همچنین گسترش نحو HTML با یک ویژگی بسیار قدرتمند AngularJS به نام دستورالعمل ها استفاده می کنند. ما مسیریابی را راه‌اندازی می‌کنیم تا SPA ما بتواند چندین نما داشته باشد. ما همچنین یاد خواهیم گرفت که چگونه عملکرد خود را واحد آزمایش کنیم. در پایان این دوره، یک برنامه وب کاملاً کاربردی، به خوبی سازماندهی شده و آزمایش شده با استفاده از AngularJS ساخته و آن را در فضای ابری مستقر خواهید کرد.

کاوش خود را در زمینه فناوری‌های بلاک چین با نگاهی به مفاهیم بنیادی بلاک چین همراه با برنامه‌ای که فناوری بلاک چین در آن نقش مهمی ایفا می‌کند - تامین مالی رمزنگاری شده، آغاز کنید. این دوره همچنین سیستم های دیجیتال توزیع شده را از نظر نرم افزار و معماری شبکه معرفی می کند و نشان می دهد که چگونه این سیستم ها زیربنای عملکرد بلاک چین هستند. در این دوره و دوره های بعدی در این تخصص، فرصتی برای تمرین عملی برای تقویت یادگیری خود خواهید داشت. این دوره برای تکمیل تکالیف نیاز به خرید دو کتاب دارد: درشر، دی (2017). مبانی بلاک چین: مقدمه ای غیر فنی در 25 مرحله. (ISBN-13: 978-1484226032) آنتونوپولوس، A. M. (2017). اینترنت پول، جلد دوم. (ISBN-13: 978-1947910065)

پروژه Capstone به شما فرصتی می دهد تا مفاهیم تحت پوشش را مجدداً مرور کنید و یک راه حل قابل اجرا برای بیانیه مشکل داده شده با پیروی از بهترین شیوه ها ایجاد کنید. راه حل باید مطابق با استانداردهای صنعت در مدت زمان تعیین شده بر اساس دستورالعمل های ارائه شده توسعه یابد.

توسط AMAZON WEB SERVICES (AWS) حمایت می شود. درس های مدیریت محصول در دنیای واقعی را از Amazon، Tesla، Uber، WeWork، Zoom، نیروهای مسلح ایالات متحده، Facebook، Google، Alphabet، Poshmark، Slack، Twitter، Headspace، Walmart Labs، Humana، Schwab، Allianz، Amex، Grohe بیاموزید. ، آمازون، Costco، Progressive، Activision، Yelp، H&M، Basecamp، مایکروسافت و موارد دیگر! شامل: * نانسی وانگ، رئیس خدمات حفاظت از داده، خدمات وب آمازون؛ بنیانگذار و مدیر عامل، پیشرفت زنان در محصول * VERONICA PINCHIN، مدیر مدیریت محصول، Sidewalk Labs * کیت ژانگ، مدیر محصول، اینستاگرام * BARKHA SAXENA، مدیر ارشد داده، Poshmark این دومین دوره از چهار دوره در تخصص مدیریت محصول در دنیای واقعی توصیه شده ACE است. با تکمیل هر چهار دوره، می توانید تا 6 واحد کالج کسب کنید.

این دوره دوم در تخصص XR برای همه به چگونگی طراحی تجربیات کاربر جدید برای فناوری های XR می پردازد. این دوره ذهنیت تفکر طراحی را در اختیار یادگیرندگان قرار می دهد و آنها را با یک جعبه ابزار اساسی برای ایجاد برنامه های XR با استفاده از نمونه سازی سریع مجهز می کند. این با یک نمای کلی از فرآیند طراحی کامل XR شروع می شود، در مورد مسیرهای مختلف برای تبدیل شدن به یک خالق XR، آنچه که به طور کلی در ایجاد تجربیات XR دخیل است و چگونگی شروع به بهترین شکل بحث می کند. این دوره سپس بر تفکر طراحی، انتقادات و اخلاقیات تأکید می‌کند و در عین حال دستورالعمل‌ها و تکنیک‌های کاربر محوری مانند جم طراحی را معرفی می‌کند. در نیمه دوم دوره، انواع روش ها و ابزارها برای نمونه سازی فیزیکی و دیجیتالی از جمله در خود دستگاه های XR از طریق نوشتن همه جانبه معرفی می شود. این دوره دارای یک مسیر افتخاری است که زبان آموزان را از طریق ایجاد استوری بورد، نمونه اولیه فیزیکی و نمونه اولیه دیجیتالی یک تجربه XR راهنمایی می کند. شما روی تمرین‌هایی کار خواهید کرد که به شما امکان می‌دهند مهارت‌های طراحی خود را تمرین کنید و همچنین با کار با قالب‌های خاص و ابزارهای دیجیتال جدید که به شما امکان پیش‌نمایش نمونه‌های اولیه فیزیکی در دستگاه‌های AR/VR را می‌دهند، فناوری‌های XR را در جریان کاری خود بسازید.

دستکاری کلان داده های توزیع شده روی یک خوشه با استفاده از مفاهیم کاربردی در صنعت شایع است و مسلماً یکی از اولین استفاده های صنعتی گسترده از ایده های کاربردی است. محبوبیت MapReduce و Hadoop و اخیراً Apache Spark، یک چارچوب مجموعه‌های توزیع شده سریع و درون حافظه که در Scala نوشته شده است، گواه این موضوع است. در این دوره، خواهیم دید که چگونه پارادایم موازی داده را می توان با استفاده از Spark در سراسر مورد توزیع شده گسترش داد. ما مدل برنامه نویسی Spark را با جزئیات پوشش خواهیم داد، و مراقب باشیم که بدانیم چگونه و چه زمانی با مدل های برنامه نویسی آشنا، مانند مجموعه های موازی با حافظه مشترک یا مجموعه های متوالی Scala متفاوت است. از طریق مثال‌های عملی در Spark و Scala، یاد می‌گیریم که چه زمانی مسائل مهم مربوط به توزیع مانند تأخیر و ارتباطات شبکه باید در نظر گرفته شود و چگونه می‌توان به طور مؤثر برای بهبود عملکرد به آنها پرداخت. نتایج یادگیری در پایان این دوره شما قادر خواهید بود: - داده ها را از ذخیره سازی دائمی بخوانید و آن را در آپاچی اسپارک بارگذاری کنید. - دستکاری داده ها با Spark و Scala، - بیان الگوریتم برای تجزیه و تحلیل داده ها به سبک عملکردی، - تشخیص نحوه جلوگیری از تکرار و محاسبه مجدد در Spark، پیشینه پیشنهادی: شما باید حداقل یک سال تجربه برنامه نویسی داشته باشید. تسلط به جاوا یا سی شارپ ایده آل است، اما تجربه با زبان های دیگر مانند C/C++، Python، Javascript یا Ruby نیز کافی است. شما باید با استفاده از خط فرمان آشنایی داشته باشید. این دوره بعد از برنامه نویسی موازی در نظر گرفته شده است: https://www.coursera.org/learn/parprog1.