این دوره شما را از درک اصول یک پروژه یادگیری ماشینی راهنمایی می کند. یادگیرندگان تکنیک های یادگیری نظارت شده را در مطالعات موردی واقعی برای تجزیه و تحلیل سناریوهای موردی تجاری که در آن درخت های تصمیم گیری، k-نزدیک ترین همسایه ها و ماشین های بردار پشتیبان به طور بهینه استفاده می شوند، درک کرده و اجرا خواهند کرد. فراگیران همچنین مهارت هایی را برای مقابله با پیامدهای عملی مراحل مختلف آماده سازی داده ها و توصیف مسائل رایج تولید در ML کاربردی به دست خواهند آورد. برای موفقیت، باید حداقل پیش زمینه سطح مبتدی در برنامه نویسی پایتون داشته باشید (به عنوان مثال، بتوانید کدهای موجود را بخوانید و کدنویسی کنید، با شرطی ها، حلقه ها، متغیرها، لیست ها، دیکشنری ها و آرایه ها راحت باشید). شما باید درک اولیه ای از جبر خطی (نماد برداری) و آمار (توزیع احتمال و میانگین / میانه / حالت) داشته باشید. این دومین دوره از تخصص یادگیری ماشین کاربردی است که توسط Coursera و موسسه هوش ماشین آلبرتا برای شما آورده شده است.

در این دوره آموزشی، شما یاد خواهید گرفت که چگونه از قدرت Apache Spark و خوشه های قدرتمندی که بر روی پلتفرم Azure Databricks اجرا می شوند برای اجرای بارهای کاری علم داده در فضای ابری استفاده کنید. این چهارمین دوره از یک برنامه پنج دوره ای است که شما را برای شرکت در آزمون DP-100: طراحی و پیاده سازی راه حل علم داده در آزمون گواهینامه Azurec آماده می کند. آزمون گواهینامه فرصتی برای اثبات دانش و تخصص راه حل های یادگیری ماشین در مقیاس ابری با استفاده از یادگیری ماشینی Azure است. این تخصص به شما می آموزد که از دانش موجود خود از پایتون و یادگیری ماشین برای مدیریت جذب و آماده سازی داده ها، آموزش مدل و استقرار، و نظارت راه حل یادگیری ماشین در Microsoft Azure استفاده کنید. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند. این تخصص برای دانشمندان داده با دانش موجود از Python و چارچوب‌های یادگیری ماشینی مانند Scikit-Learn، PyTorch و Tensorflow در نظر گرفته شده است، که می‌خواهند راه‌حل‌های یادگیری ماشین را در فضای ابری بسازند و کار کنند. این به دانشمندان داده می آموزد که چگونه راه حل های سرتاسری را در Microsoft Azure ایجاد کنند. دانش آموزان یاد خواهند گرفت که چگونه منابع Azure را برای یادگیری ماشین مدیریت کنند. آزمایش ها و مدل های قطار را اجرا کنید. راه حل های یادگیری ماشین را مستقر و عملیاتی کنید و یادگیری ماشینی مسئولانه را پیاده سازی کنید. آنها همچنین یاد خواهند گرفت که از Azure Databricks برای کاوش، آماده سازی و مدل سازی داده ها استفاده کنند. و فرآیندهای یادگیری ماشین Databricks را با یادگیری ماشینی Azure ادغام کنید.

یادگیری ماشینی پایه و اساس مدل‌سازی پیش‌بینی‌کننده و هوش مصنوعی است. اگر می‌خواهید در مورد مفاهیم اساسی و نحوه ورود به مدل‌های ساخت با رایج‌ترین ابزارهای یادگیری ماشین بیاموزید، این مسیر برای شما مناسب است. در این دوره، شما با اصول اصلی یادگیری ماشینی و نحوه استفاده از ابزارها و چارچوب های رایج برای آموزش، ارزیابی و استفاده از مدل های یادگیری ماشینی آشنا خواهید شد. این دوره برای آماده سازی شما برای نقش هایی طراحی شده است که شامل برنامه ریزی و ایجاد یک محیط کاری مناسب برای حجم کاری علم داده در Azure می شود. شما یاد خواهید گرفت که چگونه آزمایش های داده را اجرا کنید و مدل های پیش بینی را آموزش دهید. علاوه بر این، شما مدل‌های یادگیری ماشینی را مدیریت، بهینه‌سازی و به کار خواهید برد. از ابتدایی‌ترین مدل‌های یادگیری ماشینی کلاسیک، تا تجزیه و تحلیل داده‌های اکتشافی و سفارشی‌سازی معماری‌ها، شما با محتوای مفهومی هضم آسان و نوت‌بوک‌های تعاملی Jupyter هدایت می‌شوید. اگر از قبل ایده ای دارید که یادگیری ماشین در مورد چیست یا پیشینه ریاضی قوی دارید، این دوره برای شما عالی است. این ماژول ها برخی از مفاهیم یادگیری ماشین را آموزش می دهند، اما به سرعت حرکت می کنند تا بتوانند به قدرت استفاده از ابزارهایی مانند scikit-learn، TensorFlow و PyTorch دست یابند. اگر به دنبال آشنایی کافی برای درک مثال‌های یادگیری ماشینی برای محصولاتی مانند Azure ML یا Azure Databricks هستید، این مسیر یادگیری بهترین راه برای شماست. همچنین اگر قصد دارید فراتر از یادگیری ماشینی کلاسیک بروید و در زمینه یادگیری عمیق و شبکه های عصبی که ما در اینجا فقط آن ها را معرفی می کنیم، آموزش ببینید، مکان خوبی برای شروع است. این برنامه شامل 5 دوره است که به شما برای شرکت در آزمون DP-100: طراحی و پیاده سازی راه حل علم داده در Azure کمک می کند. آزمون گواهینامه فرصتی برای اثبات دانش و تخصص در راه‌حل‌های یادگیری ماشین در مقیاس ابری با استفاده از یادگیری ماشین Azure است. این تخصص به شما می آموزد که از دانش موجود خود از پایتون و یادگیری ماشین برای مدیریت جذب و آماده سازی داده ها، آموزش مدل و استقرار، و نظارت راه حل یادگیری ماشین در Microsoft Azure استفاده کنید. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند.

در این دوره آموزشی، با کامپیوتر ویژن به عنوان یک زمینه مطالعه و تحقیق آشنا خواهید شد. ابتدا چندین کار Computer Vision و رویکردهای پیشنهادی را از دیدگاه کلاسیک Computer Vision بررسی خواهیم کرد. سپس روش‌های یادگیری عمیق را معرفی می‌کنیم و آنها را برای برخی از مشکلات مشابه به کار می‌بریم. ما نتایج را تجزیه و تحلیل خواهیم کرد و مزایا و معایب هر دو نوع روش را مورد بحث قرار خواهیم داد. ما از آموزش‌هایی استفاده می‌کنیم تا به شما اجازه دهیم برخی از ابزارهای مدرن یادگیری ماشین و کتابخانه‌های نرم‌افزار را به‌طور عملی کشف کنید. نمونه‌هایی از وظایف بینایی کامپیوتری که در آن‌ها می‌توان از یادگیری عمیق استفاده کرد، عبارتند از: طبقه‌بندی تصویر، طبقه‌بندی تصویر با محلی‌سازی، تشخیص اشیا، تقسیم‌بندی شی، تشخیص چهره، و تخمین فعالیت یا حالت. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. 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 علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder

این دوره برای افراد درگیر در یادگیری ماشین و علاقه مند به کاربردهای پزشکی یا بالعکس، متخصصان پزشکی که علاقه مند به روش هایی هستند که علوم کامپیوتر مدرن به رشته خود ارائه می دهند، در نظر گرفته شده است. ما تجزیه و تحلیل داده های سلامت، انواع مختلف شبکه های عصبی، و همچنین آموزش و کاربرد شبکه های عصبی را در سناریوهای پزشکی دنیای واقعی پوشش خواهیم داد. ما روش های یادگیری عمیق (DL)، داده های مراقبت های بهداشتی و برنامه های کاربردی را با استفاده از روش های DL پوشش می دهیم. این دوره ها شامل فعالیت هایی مانند سخنرانی های ویدئویی، آزمایشگاه های برنامه نویسی خود هدایت شونده، تکالیف درسی (چه کتبی و چه برنامه نویسی) و یک پروژه بزرگ است. مرحله اول این دوره شامل سخنرانی های ویدئویی در مورد موضوعات مختلف DL و برنامه های کاربردی سلامت، آزمایشگاه های خود هدایت شونده و تکالیف متعدد در منزل خواهد بود. در این مرحله، دانش و تجربه خود را در توسعه مدل های یادگیری عمیق عملی بر روی داده های مراقبت های بهداشتی ایجاد خواهید کرد. مرحله دوم این دوره یک پروژه بزرگ خواهد بود که می تواند منجر به گزارش فنی و نسخه ی نمایشی عملکرد مدل های یادگیری عمیق برای رسیدگی به برخی از مشکلات خاص مراقبت های بهداشتی شود. ما انتظار داریم که بهترین پروژه ها به طور بالقوه به انتشارات علمی منجر شوند.

در دوره دوم تخصص یادگیری عمیق، جعبه سیاه یادگیری عمیق را برای درک فرآیندهایی که عملکرد را هدایت می کنند و به طور سیستماتیک نتایج خوبی ایجاد می کنند را باز خواهید کرد. در پایان، بهترین شیوه‌ها را برای آموزش و توسعه مجموعه‌های تست و تجزیه و تحلیل سوگیری/واریانس برای ساخت برنامه‌های یادگیری عمیق یاد خواهید گرفت. قادر به استفاده از تکنیک های شبکه عصبی استاندارد مانند مقداردهی اولیه، تنظیم L2 و حذف، تنظیم هایپرپارامتر، نرمال سازی دسته ای و بررسی گرادیان باشد. انواع الگوریتم‌های بهینه‌سازی مانند نزول گرادیان دسته‌ای کوچک، Momentum، RMSprop و Adam را پیاده‌سازی و اعمال کنید و همگرایی آنها را بررسی کنید. و یک شبکه عصبی را در TensorFlow پیاده سازی کنید. تخصص یادگیری عمیق برنامه اساسی ما است که به شما کمک می کند قابلیت ها، چالش ها و پیامدهای یادگیری عمیق را درک کنید و شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده کند. این مسیری را برای شما فراهم می کند تا دانش و مهارت هایی را به دست آورید تا از یادگیری ماشینی در کار خود استفاده کنید، حرفه فنی خود را ارتقا دهید و گامی قطعی در دنیای هوش مصنوعی بردارید.

این دوره همه چیزهایی را که شما در تخصص یادگیری ماشین کاربردی آموخته اید ترکیب می کند. اکنون برای تهیه نقشه راه تعمیر و نگهداری یادگیری ماشین، یک پروژه کامل یادگیری ماشین را طی خواهید کرد. شما نحوه برخورد با تغییر داده ها را درک و تجزیه و تحلیل خواهید کرد. شما همچنین قادر خواهید بود اثرات ناخواسته احتمالی را در پروژه خود شناسایی و تفسیر کنید. شما روش هایی را برای عملیاتی کردن و حفظ مدل یادگیری ماشین کاربردی خود درک و تعریف خواهید کرد. در پایان این دوره، شما تمام ابزارها و درک لازم برای اجرای با اطمینان یک پروژه یادگیری ماشینی و آماده شدن برای بهینه سازی آن در زمینه کسب و کار خود را خواهید داشت. برای موفقیت، باید حداقل پیش زمینه سطح مبتدی در برنامه نویسی پایتون داشته باشید (به عنوان مثال، بتوانید کدهای موجود را بخوانید و کدنویسی کنید، با شرطی ها، حلقه ها، متغیرها، لیست ها، دیکشنری ها و آرایه ها راحت باشید). شما باید درک اولیه ای از جبر خطی (نماد برداری) و آمار (توزیع احتمال و میانگین / میانه / حالت) داشته باشید. این آخرین دوره از تخصص یادگیری ماشین کاربردی است که توسط Coursera و موسسه هوش ماشین آلبرتا (Amii) برای شما آورده شده است.

در سومین دوره تخصصی تخصصی علم داده های عملی، یک سری تکنیک های بهبود عملکرد و کاهش هزینه را برای تنظیم خودکار دقت مدل، مقایسه عملکرد پیش بینی و تولید داده های آموزشی جدید با هوش انسانی خواهید آموخت. پس از تنظیم طبقه‌بندی‌کننده متن خود با استفاده از تنظیم Hyper-Parameter Amazon SageMaker (HPT)، دو نامزد مدل را در یک آزمون A/B قرار می‌دهید تا عملکرد پیش‌بینی بلادرنگ آنها را مقایسه کرده و به طور خودکار مدل برنده را با استفاده از میزبانی Amazon SageMaker مقیاس کنید. در نهایت، شما یک خط لوله انسان در حلقه راه‌اندازی می‌کنید تا پیش‌بینی‌های طبقه‌بندی‌شده اشتباه را اصلاح کنید و داده‌های آموزشی جدیدی را با استفاده از هوش مصنوعی آمازون و آمازون SageMaker Ground Truth تولید کنید. علم داده های عملی برای مدیریت مجموعه داده های عظیمی طراحی شده است که در سخت افزار محلی شما مناسب نیستند و می توانند از منابع متعدد نشات گرفته باشند. یکی از بزرگترین مزایای توسعه و اجرای پروژه‌های علم داده در فضای ابری، چابکی و انعطاف‌پذیری است که ابر برای افزایش و کاهش با حداقل هزینه ارائه می‌دهد. تخصص عملی علم داده به شما کمک می کند تا مهارت های عملی را برای به کارگیری مؤثر پروژه های علم داده خود و غلبه بر چالش ها در هر مرحله از گردش کار ML با استفاده از Amazon SageMaker توسعه دهید. این تخصص برای توسعه دهندگان، دانشمندان و تحلیلگران متمرکز بر داده طراحی شده است که با زبان های برنامه نویسی Python و SQL آشنا هستند و می خواهند یاد بگیرند که چگونه خطوط لوله ML مقیاس پذیر و سرتاسر مقیاس پذیر را بیاموزند - هم خودکار و هم انسانی. -the-loop - در ابر AWS.

در این دوره، شما: الف) طبقه بندی تصویر، تقسیم بندی تصویر، محلی سازی شی و تشخیص اشیا را کاوش کنید. استفاده از آموزش انتقال برای محلی سازی و تشخیص اشیا. ب) مدل‌های تشخیص اشیا مانند Regional-CNN و ResNet-50 را اعمال کنید، مدل‌های موجود را سفارشی کنید، و مدل‌های خود را برای شناسایی، بومی‌سازی و برچسب‌گذاری تصاویر اردک لاستیکی خود بسازید. ج) تقسیم‌بندی تصویر را با استفاده از تغییرات شبکه کاملاً کانولوشن (FCN) از جمله U-Net و د) Mask-RCNN برای شناسایی و شناسایی اعداد، حیوانات خانگی، زامبی‌ها و موارد دیگر اجرا کنید. د) مشخص کنید که مدل شما از کدام بخش‌های تصویر برای پیش‌بینی‌های خود با استفاده از نقشه‌های فعال‌سازی کلاس و نقشه‌های برجسته استفاده می‌کند و از این روش‌های تفسیر ML برای بازرسی و بهبود طراحی یک شبکه معروف، AlexNet استفاده می‌کند. تخصص DeepLearning.AI TensorFlow: Advanced Techniques ویژگی‌های TensorFlow را معرفی می‌کند که به یادگیرندگان کنترل بیشتری بر معماری مدل و ابزارهایی می‌دهد که به آنها کمک می‌کند مدل‌های پیشرفته ML را ایجاد و آموزش دهند. این تخصص برای مهندسین نرم افزار و یادگیری ماشین در مراحل اولیه و اواسط حرفه ای با درک اساسی از TensorFlow است که به دنبال گسترش دانش و مجموعه مهارت های خود با یادگیری ویژگی های پیشرفته TensorFlow برای ساخت مدل های قدرتمند هستند.

در دوره 1 تخصص پردازش زبان طبیعی، شما: الف) تجزیه و تحلیل احساسات توییت ها را با استفاده از رگرسیون لجستیک و سپس بیز ساده انجام دهید. ب) از مدل های فضای برداری برای کشف روابط بین کلمات استفاده کنید و از PCA برای کاهش ابعاد فضای برداری و تجسم آن روابط استفاده کنید. ج) یک الگوریتم ترجمه انگلیسی به فرانسوی ساده با استفاده از جاسازی‌های کلمه از پیش محاسبه‌شده و هش‌سازی حساس به موقعیت برای ارتباط کلمات از طریق جستجوی تقریبی k-نزدیک‌ترین همسایه بنویسید. در پایان این تخصص، شما برنامه های NLP را طراحی کرده اید که پاسخگویی به سوالات و تجزیه و تحلیل احساسات را انجام می دهند، ابزارهایی برای ترجمه زبان ها و خلاصه کردن متن ایجاد می کنید و حتی یک ربات چت می سازید! این تخصص توسط دو متخصص در NLP، یادگیری ماشینی و یادگیری عمیق طراحی و آموزش داده شده است. یونس بنسودا موری، مدرس هوش مصنوعی در دانشگاه استنفورد است که همچنین به ایجاد تخصص یادگیری عمیق کمک کرده است. Łukasz Kaiser یک دانشمند تحقیقاتی در Google Brain و یکی از نویسندگان Tensorflow، کتابخانه‌های Tensor2Tensor و Trax و مقاله Transformer است.

پردازش زبان طبیعی از برنامه هایی پشتیبانی می کند که می توانند کاربران را ببینند، بشنوند، با آنها صحبت کنند و درک کنند. Microsoft Azure با استفاده از خدمات تجزیه و تحلیل متن، ترجمه و درک زبان، ساخت برنامه هایی را که از زبان طبیعی پشتیبانی می کنند آسان می کند. در این دوره آموزشی، نحوه استفاده از سرویس Text Analytics برای پردازش پیشرفته زبان طبیعی متن خام برای تجزیه و تحلیل احساسات، استخراج عبارت کلیدی، شناسایی موجودیت نام‌گذاری شده و تشخیص زبان را خواهید آموخت. نحوه تشخیص و ترکیب گفتار را با استفاده از خدمات شناختی Azure یاد خواهید گرفت. درکی خواهید داشت که چگونه قابلیت‌های ترجمه خودکار در یک راه‌حل هوش مصنوعی، با حذف موانع زبان، همکاری نزدیک‌تر را ممکن می‌سازد. شما با سرویس درک زبان آشنا می شوید و نحوه ایجاد برنامه هایی که زبان را درک می کنند به شما نشان داده می شود. این دوره به شما کمک می کند تا برای آزمون AI-900: Microsoft Azure AI Fundamentals آماده شوید. این چهارمین دوره از یک برنامه پنج دوره ای است که شما را برای شرکت در آزمون گواهینامه AI-900 آماده می کند. این دوره به شما مفاهیم و مهارت های اصلی را می آموزد که در حوزه های امتحانی اصول هوش مصنوعی ارزیابی می شوند. این دوره مبتدی برای پرسنل فناوری اطلاعات که تازه شروع به کار با Microsoft Azure کرده‌اند و می‌خواهند در مورد پیشنهادات Microsoft Azure بیاموزند و تجربه عملی با محصول را کسب کنند مناسب است. Microsoft Azure AI Fundamentals می تواند برای آماده شدن برای سایر گواهینامه های مبتنی بر نقش Azure مانند Microsoft Azure Data Scientist Associate یا Microsoft Azure AI Engineer Associate استفاده شود، اما پیش نیاز هیچ یک از آنها نیست. این دوره برای داوطلبان با سوابق فنی و غیر فنی در نظر گرفته شده است. علم داده و تجربه مهندسی نرم افزار مورد نیاز نیست. با این حال، برخی از دانش یا تجربه برنامه نویسی عمومی مفید خواهد بود. برای موفقیت در این دوره، باید سواد کامپیوتری اولیه و تسلط به زبان انگلیسی را داشته باشید. شما باید با مفاهیم اولیه محاسبات و اصطلاحات، مفاهیم کلی فناوری، از جمله یادگیری ماشین و مفاهیم هوش مصنوعی آشنا باشید.

اگر توسعه‌دهنده نرم‌افزاری هستید که می‌خواهید الگوریتم‌های مقیاس‌پذیر مبتنی بر هوش مصنوعی بسازید، باید بدانید که چگونه از ابزارهای ساخت آنها استفاده کنید. این تخصص به شما بهترین روش‌ها را برای استفاده از TensorFlow، یک چارچوب متن‌باز محبوب برای یادگیری ماشین، آموزش می‌دهد. در دوره 3 از تخصص توسعه دهنده DeepLearning.AI TensorFlow، شما سیستم های پردازش زبان طبیعی را با استفاده از TensorFlow خواهید ساخت. شما یاد خواهید گرفت که متن را پردازش کنید، از جمله نشانه گذاری و نمایش جملات به عنوان بردار، به طوری که آنها بتوانند به یک شبکه عصبی وارد شوند. همچنین استفاده از RNN، GRU و LSTM در TensorFlow را یاد خواهید گرفت. در نهایت، می‌توانید یک LSTM را بر روی متن موجود آموزش دهید تا شعر اصلی بسازید! دوره یادگیری ماشین و تخصص یادگیری عمیق از Andrew Ng مهمترین و اساسی ترین اصول یادگیری ماشین و یادگیری عمیق را آموزش می دهد. این تخصص توسعه‌دهنده DeepLearning.AI TensorFlow به شما می‌آموزد که چگونه از TensorFlow برای پیاده‌سازی این اصول استفاده کنید تا بتوانید شروع به ساخت و استفاده از مدل‌های مقیاس‌پذیر برای مشکلات دنیای واقعی کنید. برای ایجاد درک عمیق تر از نحوه عملکرد شبکه های عصبی، توصیه می کنیم که تخصص یادگیری عمیق را انتخاب کنید.

در این دوره، پیش‌بینی‌هایی در مورد استفاده از محصول انجام می‌دهیم و ذخیره‌سازی بهینه انبار ایمنی را محاسبه می‌کنیم. ما با یک سری زمانی فروش کفش در چندین فروشگاه در سه قاره مختلف شروع خواهیم کرد. برای شروع، با انجام گروه‌بندی و مقایسه محصولات در هر فروشگاه، به دنبال بینش‌های منحصربه‌فرد و چیزهای جالب دیگری می‌گردیم که می‌توانیم در داده‌ها پیدا کنیم. سپس، ما از مدل میانگین متحرک یکپارچه اتورگرسیو فصلی (SARIMA) برای پیش‌بینی فروش آینده استفاده می‌کنیم. علاوه بر پیش‌بینی، آمار ارائه شده (مانند p-score) را برای قضاوت در مورد قابلیت استفاده از مدل SARIMA برای پیش‌بینی تجزیه و تحلیل خواهیم کرد. سپس، ما فراپارامترهای مدل را تنظیم می کنیم تا نتایج بهتر و اهمیت آماری بالاتری به دست آوریم. در نهایت، با نگاه کردن به داده‌ها برای پیش‌بینی‌های استفاده ماهانه و محاسبه موجودی ایمنی از فرمول مربوط به زمان تحویل، پیش‌بینی‌هایی در مورد سهام ایمنی انجام خواهیم داد.

در این دوره پروژه اصلی، توالی ژنوم جهش‌های COVID-19 را برای شناسایی مناطق بالقوه ای که درمان دارویی می‌تواند هدف قرار دهد، مقایسه می‌کنیم. اولین گام در کشف دارو شامل شناسایی دنباله های هدف از ژنوم آنها به هدف است. ما با مقایسه ژنوم جهش های ویروس برای جستجوی شباهت ها شروع می کنیم. سپس، ما PCA را برای کاهش تعداد ابعاد خود و شناسایی رایج ترین ویژگی ها انجام می دهیم. در مرحله بعد، از خوشه بندی K-means در پایتون برای یافتن تعداد بهینه گروه ها و ردیابی اصل و نسب ویروس استفاده می کنیم. در نهایت، شباهت بین دنباله‌ها را پیش‌بینی می‌کنیم و از آن برای انتخاب دنباله هدف استفاده می‌کنیم. در طول دوره، هر بخش شامل یک تکلیف برنامه نویسی همراه با یک ویدیوی راهنما و نکات مفید خواهد بود. در پایان، شما به خوبی در مسیر کشف راه های مبارزه با بیماری با توالی ژنوم خواهید بود.

مانند بسیاری از موضوعات، تمرین در علم داده کامل می شود. در پروژه Capstone، مهارت‌های آموخته‌شده در دوره‌های علوم داده‌های عملی با تخصص MATLAB را برای کاوش، پردازش، تجزیه و تحلیل و مدل‌سازی داده‌ها به کار خواهید برد. شما مسیر خود را برای پاسخ به سوالات کلیدی با داده های ارائه شده انتخاب خواهید کرد. برای تکمیل پروژه، باید بر مهارت های تحت پوشش در سایر دوره های تخصصی تسلط داشته باشید. این پروژه توانایی شما را برای وارد کردن و کاوش داده های شما، آماده سازی داده ها برای تجزیه و تحلیل، آموزش یک مدل پیش بینی، ارزیابی و بهبود مدل شما، و ارتباط نتایج شما را آزمایش می کند.

عملیات پیاده سازی یادگیری ماشین در AWS پنجمین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. این دوره تمرکز عمده ای بر طراحی و پیاده سازی راه حل های یادگیری ماشین برای عملکرد، در دسترس بودن، مقیاس پذیری، انعطاف پذیری و تحمل خطا دارد. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره آموزشی با سخنرانی‌های ویدیویی تقریباً 1:00 تا 1:30 ساعته که هم تئوری و هم دانش عملی را ارائه می‌کند، به فراگیران کمک می‌کند. همچنین آزمون های درجه بندی شده و بدون درجه بندی به منظور سنجش توانایی فراگیران به همراه هر ماژول ارائه می شود. ماژول 1: عملیات پیاده سازی یادگیری ماشین در AWS-Part 1 ماژول 2: عملیات پیاده سازی یادگیری ماشین در AWS-Part 2 حداقل دو سال تجربه عملی در معماری، ساخت یا اجرای بارهای کاری ML/یادگیری عمیق در AWS Cloud. در پایان این دوره، فراگیران قادر خواهند بود: -طراحی راه حل های یادگیری ماشین برای عملکرد، در دسترس بودن، مقیاس پذیری، انعطاف پذیری و تحمل خطا -اجرای خدمات و ویژگی های یادگیری ماشین مناسب برای یک مشکل خاص -راه حل های یادگیری ماشین را با آزمایشگاه توسعه دهید

در این دوره یاد خواهید گرفت که چگونه مسائل را با فضاهای بزرگ، با ابعاد بالا و بالقوه بی نهایت حل کنید. خواهید دید که تخمین توابع ارزش را می توان به عنوان یک مشکل یادگیری تحت نظارت --- تقریب عملکرد --- به شما امکان می دهد تا نمایندگانی را بسازید که با دقت تعادل و تبعیض را به منظور حداکثر رساندن پاداش تعادل برقرار کنید. ما این سفر را با بررسی اینکه چگونه روش‌های ارزیابی خط‌مشی یا پیش‌بینی ما مانند مونت کارلو و TD را می‌توان به تنظیمات تقریب تابع گسترش داد، آغاز خواهیم کرد. شما در مورد تکنیک های ساخت ویژگی برای RL و یادگیری نمایش از طریق شبکه های عصبی و backprop یاد خواهید گرفت. ما این دوره را با یک فرو رفتن عمیق در روش‌های گرادیان سیاست به پایان می‌رسانیم. راهی برای یادگیری مستقیم سیاست ها بدون یادگیری تابع ارزش. در این دوره شما دو وظیفه کنترل حالت پیوسته را حل می کنید و مزایای روش های گرادیان خط مشی را در یک محیط کنش پیوسته بررسی می کنید. پیش نیازها: این دوره به شدت مبتنی بر مبانی دوره های 1 و 2 است و فراگیران باید قبل از شروع این دوره این موارد را تکمیل کرده باشند. همچنین زبان آموزان باید با احتمالات و انتظارات، جبر خطی پایه، حساب دیفرانسیل و انتگرال، پایتون 3.0 (حداقل 1 سال) و پیاده سازی الگوریتم ها از کد شبه راحت باشند. در پایان این دوره، شما قادر خواهید بود: - درک نحوه استفاده از رویکردهای یادگیری نظارت شده برای تقریبی توابع ارزش درک اهداف برای پیش بینی (تخمین ارزش) تحت تقریب تابع -اجرای TD با تقریب تابع (تجمع حالت)، در محیطی با فضای حالت نامحدود (فضای حالت پیوسته) - درک رویکردهای مبتنی بر شبکه های عصبی ثابت و شبکه های عصبی برای ساخت ویژگی پیاده سازی TD با تقریب تابع شبکه عصبی در یک محیط حالت پیوسته -در هنگام حرکت به سمت تقریب تابع، مشکلات جدید در اکتشاف را درک کنید -تضاد فرمول‌های مشکل با تخفیف برای کنترل در مقابل فرمول‌بندی مشکل پاداش متوسط -پیاده سازی Sarsa و Q-Learning مورد انتظار با تقریب تابع در یک کار کنترل حالت مستمر - درک اهداف برای برآورد مستقیم خط مشی ها (اهداف شیب سیاست) - یک روش گرادیان خط مشی (به نام Actor-Critic) روی یک محیط حالت گسسته پیاده سازی کنید

این اولین دوره در گواهینامه حرفه ای یادگیری ماشین آی بی ام شما را با یادگیری ماشین و محتوای گواهینامه حرفه ای آشنا می کند. در این دوره به اهمیت داده های خوب و با کیفیت پی خواهید برد. شما تکنیک های متداول برای بازیابی داده های خود، پاکسازی آن ها، اعمال مهندسی ویژگی ها و آماده سازی آن ها برای تجزیه و تحلیل اولیه و آزمایش فرضیه را خواهید آموخت. در پایان این دوره شما باید بتوانید: بازیابی داده ها از چندین منبع داده: SQL، پایگاه داده NoSQL، API ها، Cloud  توصیف و استفاده از تکنیک های رایج انتخاب ویژگی و مهندسی ویژگی ویژگی های دسته بندی و ترتیبی و همچنین مقادیر از دست رفته را کنترل کنید از تکنیک های مختلفی برای تشخیص و مقابله با موارد پرت استفاده کنید توضیح دهید که چرا مقیاس بندی ویژگی مهم است و از انواع تکنیک های مقیاس بندی استفاده کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با یادگیری ماشین و هوش مصنوعی در یک محیط تجاری هستند، هدف قرار می دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.

در اولین دوره تخصصی تخصصی علم داده های عملی، مفاهیم اساسی برای تجزیه و تحلیل داده های اکتشافی (EDA)، یادگیری ماشین خودکار (AutoML) و الگوریتم های طبقه بندی متن را خواهید آموخت. با Amazon SageMaker Clarify و Amazon SageMaker Data Wrangler، یک مجموعه داده را برای سوگیری آماری تجزیه و تحلیل می‌کنید، مجموعه داده را به ویژگی‌های قابل خواندن ماشین تبدیل می‌کنید و مهم‌ترین ویژگی‌ها را برای آموزش یک طبقه‌بندی متن چند کلاسه انتخاب می‌کنید. سپس یادگیری ماشین خودکار (AutoML) را برای آموزش خودکار، تنظیم و استقرار بهترین الگوریتم طبقه بندی متن برای مجموعه داده داده شده با استفاده از Amazon SageMaker Autopilot انجام خواهید داد. در مرحله بعد، شما با Amazon SageMaker BlazingText، یک پیاده سازی بسیار بهینه و مقیاس پذیر از الگوریتم محبوب FastText، برای آموزش یک طبقه بندی متن با کد بسیار کمی کار خواهید کرد. علم داده های عملی برای مدیریت مجموعه داده های عظیمی طراحی شده است که در سخت افزار محلی شما مناسب نیستند و می توانند از منابع متعدد نشات گرفته باشند. یکی از بزرگترین مزایای توسعه و اجرای پروژه‌های علم داده در فضای ابری، چابکی و انعطاف‌پذیری است که ابر برای افزایش و کاهش با حداقل هزینه ارائه می‌دهد. تخصص عملی علم داده به شما کمک می کند تا مهارت های عملی را برای به کارگیری مؤثر پروژه های علم داده خود و غلبه بر چالش ها در هر مرحله از گردش کار ML با استفاده از Amazon SageMaker توسعه دهید. این تخصص برای توسعه دهندگان، دانشمندان و تحلیلگران متمرکز بر داده طراحی شده است که با زبان های برنامه نویسی Python و SQL آشنا هستند و می خواهند یاد بگیرند که چگونه خطوط لوله ML مقیاس پذیر و سرتاسر مقیاس پذیر را بیاموزند - هم خودکار و هم انسانی. -the-loop - در ابر AWS.

مدل‌های زبان بزرگ مانند GPT-3.5، که ChatGPT را تقویت می‌کند، نحوه تعامل انسان با رایانه‌ها و نحوه پردازش متن توسط رایانه‌ها را تغییر می‌دهد. این دوره ایده های اساسی پردازش زبان طبیعی و مدل سازی زبان را که زیربنای این مدل های زبانی بزرگ است، معرفی می کند. ما اصول اولیه نحوه عملکرد مدل‌های زبان و ویژگی‌های چگونگی ساخت رویکردهای مبتنی بر عصبی جدید را بررسی خواهیم کرد. ما نوآوری‌های کلیدی را بررسی خواهیم کرد که مدل‌های زبان بزرگ مبتنی بر Transformer را قادر می‌سازد تا در حل وظایف زبانی مختلف غالب شوند. در نهایت، چالش‌های اعمال این مدل‌های زبانی بزرگ را برای مشکلات مختلف از جمله مشکلات اخلاقی در ساخت و استفاده از آنها بررسی خواهیم کرد. از طریق آزمایشگاه‌های عملی، در مورد بلوک‌های سازنده ترانسفورماتورها یاد می‌گیریم و از آنها برای تولید متن جدید استفاده می‌کنیم. این تمرین‌های پایتون شما را در فرآیند بکارگیری یک مدل زبان کوچک‌تر و درک اینکه چگونه می‌توان آن را ارزیابی و برای مشکلات مختلف اعمال کرد، گام برمی‌دارد. آزمون های تمرینی منظم به تقویت دانش کمک می کند و شما را برای ارزیابی های درجه بندی شده آماده می کند.