اگر توسعه‌دهنده نرم‌افزاری هستید که می‌خواهید الگوریتم‌های مقیاس‌پذیر مبتنی بر هوش مصنوعی بسازید، باید بدانید که چگونه از ابزارهای ساخت آنها استفاده کنید. این دوره بخشی از DeepLearning.AI TensorFlow Developer Specialization است و بهترین روش ها برای استفاده از TensorFlow، یک چارچوب منبع باز محبوب برای یادگیری ماشین را به شما آموزش می دهد. در دوره 2 از تخصص DeepLearning.AI TensorFlow Developer، شما تکنیک های پیشرفته ای را برای بهبود مدل بینایی کامپیوتری که در دوره 1 ساخته اید، یاد خواهید گرفت. نحوه کار با تصاویر دنیای واقعی در اشکال و اندازه های مختلف را بررسی می کنید، سفر را تجسم می کنید. یک تصویر از طریق کانولوشن برای درک اینکه چگونه یک کامپیوتر اطلاعات را "می بیند"، از دست دادن و دقت نمودار، و کشف استراتژی هایی برای جلوگیری از تطبیق بیش از حد، از جمله افزایش و ترک تحصیل در نهایت، دوره 2 شما را با انتقال یادگیری و چگونگی استخراج ویژگی های آموخته شده از مدل ها آشنا می کند. 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 جدید Deeplearning.ai TensorFlow به شما می آموزد که چگونه از TensorFlow برای پیاده سازی آن اصول استفاده کنید تا بتوانید شروع به ساخت و استفاده از مدل های مقیاس پذیر 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 چهارمین دوره تخصصی یادگیری عمیق، نحوه تکامل بینایی کامپیوتر را خواهید فهمید و با کاربردهای هیجان انگیز آن مانند رانندگی خودکار، تشخیص چهره، خواندن تصاویر رادیولوژی و غیره آشنا خواهید شد. در پایان، شما قادر خواهید بود یک شبکه عصبی کانولوشنال، از جمله تغییرات اخیر مانند شبکه های باقیمانده بسازید. استفاده از شبکه های کانولوشن برای کارهای تشخیص و شناسایی بصری؛ و از انتقال سبک عصبی برای تولید هنر و اعمال این الگوریتم ها بر روی انواع تصاویر، ویدئوها و سایر داده های دو بعدی یا سه بعدی استفاده 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.

کلان داده ها و هوش مصنوعی بیشتر مطبوعات را در مورد علوم اجتماعی محاسباتی دریافت می کنند، اما شاید پیچیده ترین جنبه آن به استفاده از ابزارهای محاسباتی برای کشف و توسعه نظریه علوم اجتماعی اشاره داشته باشد. این دوره نشان می دهد که چگونه از شبیه سازی های کامپیوتری برای کشف قلمرو آنچه از نظر تئوری ممکن است استفاده می شود. شبیه‌سازی‌های رایانه‌ای به ما این امکان را می‌دهند تا بررسی کنیم که چرا جوامع به این شکل هستند، و در مورد جهانی که دوست داریم در آن زندگی کنیم، رویاپردازی کنیم. درست مانند بازی ویدیویی معروف SimCity که برای ساخت و مدیریت یک شهر مصنوعی استفاده می شود، ما از مدل های مبتنی بر عامل برای رشد و مطالعه جوامع مصنوعی استفاده می کنیم. بدون آسیب رساندن به کسی در دنیای واقعی، شبیه‌سازی‌های رایانه‌ای به ما امکان می‌دهند که چگونه جهان را به مکانی بهتر تبدیل کنیم. ما با چندین مدل شبیه‌سازی کامپیوتری عملی بازی می‌کنیم و چگونگی ترکیب مدل‌های فرضی را با داده‌های دنیای واقعی بررسی می‌کنیم. در نهایت، شما خودتان یک جامعه مصنوعی ساده، از پایین به بالا برنامه ریزی خواهید کرد. این به شما امکان می‌دهد پیچیدگی‌هایی را که هنگام طراحی سیستم‌های اجتماعی به وجود می‌آید احساس کنید، و در عین حال سهولتی را که ابزارهای محاسباتی جدید ما به ما امکان می‌دهند چنین تلاش‌های دلهره‌آوری را دنبال کنیم، تجربه کنید.

به این دوره آموزشی در مورد شروع با TensorFlow 2 خوش آمدید! در این دوره شما یک گردش کار کامل برای توسعه مدل‌های یادگیری عمیق با Tensorflow، از ساخت، آموزش، ارزیابی و پیش‌بینی مدل‌ها با استفاده از Sequential API، اعتبارسنجی مدل‌های خود و از جمله منظم‌سازی، اجرای callbacks، و ذخیره و مدل های بارگیری مفاهیمی را که در مورد آنها یاد می گیرید بلافاصله در آموزش های عملی و عملی برنامه نویسی، که توسط دستیار آموزشی فارغ التحصیل راهنمایی می شوید، در عمل قرار می دهید. علاوه بر این، یک سری تکالیف برنامه نویسی با درجه بندی خودکار برای شما وجود دارد تا مهارت های خود را تثبیت کنید. در پایان دوره، بسیاری از مفاهیم را در یک پروژه Capstone گرد هم می آورید، جایی که یک مدل یادگیری عمیق طبقه بندی کننده تصویر را از ابتدا توسعه می دهید. Tensorflow یک کتابخانه ماشینی منبع باز است و یکی از پرکاربردترین چارچوب ها برای یادگیری عمیق است. انتشار Tensorflow 2 با تمرکز اصلی بر سهولت استفاده برای همه کاربران، از سطح مبتدی تا پیشرفته، یک تغییر مرحله‌ای را در توسعه محصول نشان می‌دهد. این دوره هم برای کاربرانی که کاملاً با Tensorflow آشنا هستند و هم برای کاربران با تجربه در Tensorflow 1.x در نظر گرفته شده است. دانش لازم برای موفقیت در این دوره، تسلط به زبان برنامه نویسی پایتون (این دوره از پایتون 3 استفاده می کند)، دانش مفاهیم کلی یادگیری ماشین (مانند برازش/زیاد برازش، وظایف یادگیری نظارت شده، اعتبارسنجی، منظم سازی و مدل سازی است). انتخاب)، و دانش کاری در زمینه یادگیری عمیق، از جمله معماری های مدل معمولی (MLP/feedforward و شبکه های عصبی کانولوشن)، توابع فعال سازی، لایه های خروجی، و بهینه سازی.

(این برنامه قبلاً بخشی از یک تخصص سه دوره ای به نام هوش مصنوعی مستقل برای صنعت بود. به دلیل توقف برنامه نرم افزاری Bonsai، ارجاعات به Bonsai حذف شده است. شما همچنان می توانید از طریق دو دوره جداگانه ما "طراحی" در مورد هوش مصنوعی مستقل و آموزش ماشینی بیاموزید. هوش مصنوعی مستقل» و «آموزش ماشین برای هوش مصنوعی خودمختار».) برای طراحی یک سیستم هوش مصنوعی مستقل، باید نحوه تقطیر یک چالش تجاری را در اجزای سازنده آن بیابید. وقتی بچه‌ها یاد می‌گیرند چطور بیس‌بال بزنند، با توپ‌های سریع شروع نمی‌کنند. مربیان آنها با اصول اولیه شروع می کنند: چگونه دسته خفاش را بگیرند، پاهای خود را کجا بگذارند و چگونه چشم خود را روی توپ نگه دارند. به طور مشابه، یک سیستم هوش مصنوعی مستقل به یک متخصص موضوعی (SME) نیاز دارد تا یک فرآیند پیچیده یا مشکل را به وظایف آسان‌تر تقسیم کند که سرنخ‌های مهمی در مورد چگونگی یافتن سریع‌تر راه‌حل به هوش مصنوعی بدهد. در این دوره، نحوه ایجاد یک طرح طراحی خودکار هوش مصنوعی را یاد خواهید گرفت. با تعیین اهداف، شناسایی مهارت‌های قابل آموزش، و به‌کارگیری آن مهارت‌ها در استراتژی‌های هدف‌گرا، دانش SME خود را مستقیماً در «مغز» هوش مصنوعی خود، عاملی که سیستم مستقل شما را نیرو می‌دهد، ترکیب می‌کنید. شما یاد خواهید گرفت که چه زمانی و چگونه الگوهای طراحی معماری هوش مصنوعی مختلف را با هم ترکیب کنید، همچنین یاد خواهید گرفت که چگونه یک هوش مصنوعی پیشرفته را در سطح معماری بدون نگرانی در مورد اجرای شبکه های عصبی یا الگوریتم های یادگیری ماشین طراحی کنید. در پایان این دوره، شما قادر خواهید بود: • مصاحبه با SMEها برای استخراج دانش منحصر به فرد آنها در مورد یک سیستم یا فرآیند • ترکیب یادگیری تقویتی با قوانین خبره، بهینه سازی و محاسبات ریاضی در مغز هوش مصنوعی • طراحی یک مغز هوش مصنوعی مستقل از اجزای مدولار برای هدایت فرآیند یادگیری برای یک کار خاص • طراحی مغز خود را در برابر تخصص و تکنیک های موجود برای حل مشکلات اعتبار سنجی کنید • یک سند مشخصات دقیق تهیه کنید تا شخص دیگری بتواند مغز هوش مصنوعی شما را بسازد

آیا می خواهید بدانید چرا علم داده به عنوان جذاب ترین حرفه قرن بیست و یکم شناخته شده است؟ پس از گذراندن این دوره، شما قادر خواهید بود به این سوال پاسخ دهید، بفهمید علم داده چیست و دانشمندان داده چه می کنند و در مورد مسیرهای شغلی در این زمینه بیاموزید. هنر کشف بینش ها و روندها در داده ها از زمان های قدیم وجود داشته است. مصریان باستان از داده های سرشماری برای افزایش کارایی در جمع آوری مالیات استفاده می کردند و سیل رودخانه نیل را هر ساله به طور دقیق پیش بینی می کردند. از آن زمان، مردم به استفاده از داده ها برای استخراج بینش و پیش بینی نتایج ادامه دادند. اخیراً آنها زمینه ای منحصر به فرد و متمایز را برای کاری که انجام می دهند ایجاد کرده اند. این رشته علم داده است. در دنیای امروز، ما از علم داده برای یافتن الگوها در داده ها و نتیجه گیری و پیش بینی های معنادار و مبتنی بر داده استفاده می کنیم. این دوره برای همه است و مفاهیمی مانند نحوه استفاده دانشمندان داده از یادگیری ماشینی و یادگیری عمیق و نحوه استفاده شرکت ها از علم داده در تجارت را آموزش می دهد. شما با چندین دانشمند داده ملاقات خواهید کرد که بینش و تجربیات خود را در علم داده به اشتراک خواهند گذاشت. با گذراندن این دوره مقدماتی، سفر خود را به این رشته پر رونق آغاز خواهید کرد.

کلاس Code Free Data Science برای زبان آموزانی طراحی شده است که به دنبال کسب یا گسترش دانش خود در زمینه علم داده هستند. شرکت‌کنندگان آموزش‌های پایه را در مورد رویکردهای تحلیلی پیش‌بینی‌کننده مؤثر همراه با رشته رو به رشد علم داده بدون هیچ گونه نیاز برنامه‌نویسی دریافت خواهند کرد. روش‌های یادگیری ماشین با استفاده از پلتفرم KNIME Analytics برای کشف الگوها و روابط در داده‌ها ارائه می‌شوند. پیش بینی روندها و رفتارهای آینده امکان تصمیم گیری های پیشگیرانه و مبتنی بر داده را فراهم می کند. در طول کلاس، فراگیران مهارت های جدیدی برای اعمال الگوریتم های پیش بینی بر داده های واقعی، ارزیابی، اعتبارسنجی و تفسیر نتایج بدون هیچ پیش نیازی برای هر نوع برنامه نویسی به دست خواهند آورد. شرکت کنندگان مهارت های ضروری برای طراحی، ساخت، تأیید و آزمایش مدل های پیش بینی را به دست خواهند آورد. شما یاد خواهید گرفت • نحوه طراحی گردش کار علم داده بدون نیاز به برنامه نویسی • مهارت های ضروری علوم داده برای طراحی، ساخت، آزمایش و ارزیابی مدل های پیش بینی • روش های دستکاری، آماده سازی و طبقه بندی و خوشه بندی داده ها • روش های اعمال الگوریتم های علم داده بر داده های واقعی و ارزیابی و تفسیر نتایج

در این دوره، مهارت های علم داده خود را در حین حل مشکلات دنیای واقعی توسعه خواهید داد. شما از طریق فرآیند علم داده کار خواهید کرد و از یادگیری بدون نظارت برای کاوش داده ها، مهندسی و انتخاب ویژگی های معنادار، و حل مشکلات یادگیری نظارت شده پیچیده با استفاده از مدل های درختی استفاده خواهید کرد. شما همچنین یاد خواهید گرفت که برای بهبود عملکرد مدل، از تنظیم هایپرپارامتر و استراتژی های اعتبار سنجی متقابل استفاده کنید. توجه: این سومین و آخرین دوره در رشته تخصصی Data Science with Databricks for Data Analysts Coursera است. برای موفقیت در این دوره، ما به شدت توصیه می کنیم قبل از گذراندن این دوره، دو دوره اول در آن تخصص را بگذرانید. این دوره ها عبارتند از: Apache Spark for Data Analysts و Data Science Fundamentals for Data Analysts.

این دوره شرکت کنندگان را با ابزارهای MLOps و بهترین شیوه ها برای استقرار، ارزیابی، نظارت و اجرای سیستم های تولید ML در Google Cloud آشنا می کند. MLOps رشته‌ای است که بر استقرار، آزمایش، نظارت و اتوماسیون سیستم‌های ML در تولید متمرکز است. متخصصان مهندسی یادگیری ماشین از ابزارهایی برای بهبود مستمر و ارزیابی مدل‌های مستقر استفاده می‌کنند. آنها با دانشمندان داده کار می کنند (یا می توانند باشند) که مدل هایی را توسعه می دهند تا سرعت و دقت را در به کارگیری بهترین مدل ها فراهم کنند. این دوره در درجه اول برای شرکت کنندگان زیر در نظر گرفته شده است: دانشمندان داده به دنبال این هستند که به سرعت از نمونه اولیه یادگیری ماشین به تولید برسند تا تأثیر تجاری را ارائه دهند. مهندسان نرم افزار به دنبال توسعه مهارت های مهندسی یادگیری ماشین هستند. مهندسان ML که می خواهند Google Cloud را برای پروژه های تولید ML خود بپذیرند. >>> با ثبت نام در این دوره، با شرایط خدمات Qwiklabs که در پرسش های متداول و در آدرس زیر آمده است موافقت می کنید: https://qwiklabs.com/terms_of_service <<<

در این دوره شما انواع تکنیک های فاکتورسازی ماتریس و یادگیری ماشین ترکیبی برای سیستم های توصیه گر را خواهید آموخت. با شروع فاکتورسازی اولیه ماتریس، هم شهود و هم جزئیات عملی ساختن سیستم‌های توصیه‌گر را بر اساس کاهش ابعاد فضای ترجیحی کاربر-محصول درک خواهید کرد. سپس با تکنیک هایی آشنا می شوید که نقاط قوت الگوریتم های مختلف را به توصیه کننده های ترکیبی قدرتمند ترکیب می کند.

در این دوره، تکنیک های اساسی برای ایجاد توصیه های شخصی از طریق تکنیک های نزدیکترین همسایه را خواهید آموخت. ابتدا فیلترینگ مشترک کاربر-کاربر را یاد خواهید گرفت، الگوریتمی که افراد دیگر را با سلیقه های مشابه با یک کاربر هدف شناسایی می کند و رتبه بندی آنها را برای ارائه توصیه هایی برای آن کاربر ترکیب می کند. شما تغییرات الگوریتم کاربر-کاربر را بررسی و پیاده سازی خواهید کرد و مزایا و معایب رویکرد کلی را بررسی خواهید کرد. سپس الگوریتم فیلتر اشتراکی مورد-محصول را که به طور گسترده تمرین می‌شود، یاد می‌گیرید که انجمن‌های جهانی محصول را از رتبه‌بندی‌های کاربران شناسایی می‌کند، اما از این انجمن‌های محصول برای ارائه توصیه‌های شخصی بر اساس رتبه‌بندی محصول خود کاربر استفاده می‌کند.

در این دوره آموزشی، با هوش مصنوعی و یادگیری ماشینی که در مدیریت منابع انسانی کاربرد دارد، آشنا خواهید شد. شما مفاهیم مرتبط با نقش داده ها در یادگیری ماشینی، کاربرد هوش مصنوعی، محدودیت های استفاده از داده ها در تصمیم گیری های منابع انسانی، و چگونگی کاهش تعصب با استفاده از فناوری بلاک چین را بررسی خواهید کرد. قدرت‌های یادگیری ماشینی سریع‌تر و ساده‌تر می‌شوند و شما به دانش دست اولی در مورد نحوه استفاده از فناوری فعلی و نوظهور برای مدیریت کل چرخه زندگی کارکنان دست خواهید یافت. از طریق مطالعه و تجزیه و تحلیل، شما یاد خواهید گرفت که چگونه حجم عظیمی از داده ها را غربال کنید تا الگوها را شناسایی کرده و پیش بینی هایی انجام دهید که به نفع کسب و کار شما باشد. در پایان این دوره، می‌توانید تشخیص دهید که چگونه می‌توانید هوش مصنوعی را برای ساده‌سازی تمام عملکردهای منابع انسانی و نحوه کار با داده‌ها برای استفاده از قدرت یادگیری ماشینی ترکیب کنید.

این دوره تخصص GPU را با تمرکز بر کتابخانه های پیشرو توزیع شده به عنوان بخشی از جعبه ابزار CUDA تکمیل می کند. دانش آموزان یاد خواهند گرفت که چگونه از CuFFT و کتابخانه های جبر خطی برای انجام محاسبات پیچیده ریاضی استفاده کنند. قابلیت های کتابخانه Thrust در نمایش ساختارهای داده رایج و الگوریتم های مرتبط معرفی خواهد شد. با استفاده از cuDNN و cuTensor آنها قادر خواهند بود برنامه های کاربردی یادگیری ماشینی را توسعه دهند که به تشخیص اشیا، ترجمه زبان انسانی و طبقه بندی تصاویر کمک می کند.

این دوره زمینه و تجربه دست اول را با دو کاتالیزور اصلی انقلاب علوم محاسباتی به شما می دهد: داده های بزرگ و هوش مصنوعی. با بیش از 99 درصد از تمام اطلاعات رسانه ای در قالب دیجیتال و با استفاده از 98 درصد از جمعیت جهان از فناوری دیجیتال، بشریت ردپای دیجیتالی چشمگیری ایجاد می کند. در تئوری، این فرصت‌های بی‌سابقه‌ای برای درک و شکل دادن به جامعه فراهم می‌کند. در عمل، تنها راهی که می‌توان این سیل اطلاعات را پردازش کرد، استفاده از همان فناوری‌های دیجیتالی است که آن را تولید کرده‌اند. داده ها سوخت هستند، اما یادگیری ماشینی موتوری است که دانش جدید قابل توجهی را از حجم عظیمی از داده ها استخراج می کند. از آنجایی که بخش مهمی از این داده‌ها مربوط به خودمان است، استفاده از الگوریتم‌ها به منظور کسب اطلاعات بیشتر در مورد خود، به طور طبیعی منجر به پرسش‌های اخلاقی می‌شود. بنابراین، ما نمی‌توانیم این دوره را بدون صحبت در مورد اخلاق تحقیق و برخی از خطوط قدیمی و جدیدی که دانشمندان علوم اجتماعی محاسباتی باید در نظر داشته باشند، به پایان برسانیم. به‌عنوان آزمایشگاه‌های عملی، از هوش مصنوعی IBM Watson برای استخراج شخصیت افراد از ردپای متن دیجیتالی آن‌ها استفاده خواهید کرد و با آموزش دو ماشین قابل آموزش از Google خودتان، قدرت و محدودیت‌های یادگیری ماشینی را تجربه خواهید کرد.

این دوره به بررسی این موضوع می پردازد که ML چیست و چه مشکلاتی را می تواند حل کند. این دوره همچنین بهترین شیوه ها برای پیاده سازی یادگیری ماشین را مورد بحث قرار می دهد. شما با Vertex AI، یک پلت فرم یکپارچه برای ساخت، آموزش و استقرار سریع مدل های یادگیری ماشینی AutoML آشنا شده اید. این دوره، پنج مرحله تبدیل یک مورد استفاده نامزد را که توسط یادگیری ماشین هدایت می‌شود، و اینکه چرا مهم است که آنها را نادیده نگیرید، مورد بحث قرار می‌دهد. این دوره با شناخت سوگیری هایی که ML می تواند تقویت کند و نحوه تشخیص آنها به پایان می رسد.

یادگیری ماشینی هسته اصلی هوش مصنوعی است و بسیاری از برنامه‌ها و خدمات مدرن به مدل‌های یادگیری ماشینی پیش‌بینی‌کننده وابسته هستند. آموزش یک مدل یادگیری ماشینی یک فرآیند تکراری است که به زمان و منابع محاسباتی نیاز دارد. یادگیری ماشین خودکار می تواند به آسان تر کردن آن کمک کند. در این دوره یاد خواهید گرفت که چگونه از یادگیری ماشینی Azure برای ایجاد و انتشار مدل ها بدون نوشتن کد استفاده کنید. این دوره به شما کمک می کند تا برای آزمون AI-900: Microsoft Azure AI Fundamentals آماده شوید. این دومین 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 مفاهیم یادگیری ماشین و هوش مصنوعی آشنا باشید.

یادگیری ماشینی هسته اصلی هوش مصنوعی است و بسیاری از برنامه‌ها و خدمات مدرن به مدل‌های یادگیری ماشینی پیش‌بینی‌کننده وابسته هستند. آموزش یک مدل یادگیری ماشینی یک فرآیند تکراری است که به زمان و منابع محاسباتی نیاز دارد. یادگیری ماشین خودکار می تواند به آسان تر کردن آن کمک کند. در این دوره یاد خواهید گرفت که چگونه از یادگیری ماشینی Azure برای ایجاد و انتشار مدل ها بدون نوشتن کد استفاده کنید. این دومین 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 Azurectification 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 ماشین و علم داده محبوب ترین موضوعات تحقیقاتی امروزه هستند. آنها در تمام زمینه های مهندسی و علوم کاربرد دارند. ابزارهای مختلف یادگیری ماشین راه حلی مبتنی بر داده برای مشکلات مختلف زندگی واقعی ارائه می دهند. دانش اولیه جبر خطی برای توسعه الگوریتم‌های جدید برای یادگیری ماشین و علم داده ضروری است. در این دوره با مفاهیم ریاضی مرتبط با جبر خطی که شامل فضاهای برداری، زیرفضاها، دهانه خطی، مبنا و بعد است آشنا می شوید. همچنین تبدیل خطی، رتبه و بی‌ثباتی تبدیل خطی، مقادیر ویژه، بردارهای ویژه و مورب‌سازی ماتریس‌ها را پوشش می‌دهد. مفاهیم تجزیه ارزش منفرد، فضای محصول درونی، و هنجار بردارها و ماتریس ها، محتوای دوره را بیشتر غنی می کند.

در این دوره ما شما را از طریق بلوک های ساختمانی اساسی علم داده، یکی از سریع ترین زمینه های در حال رشد در جهان، راهنمایی می کنیم! با کمک دانشمندان پیشرو در صنعت خود، ما این دوره را برای ایجاد مهارت های علمی داده آماده و کاربردی در تنها 15 ساعت یادگیری طراحی کرده ایم. ابتدا، ما به شما یک مقدمه سریع از علم داده ارائه می دهیم - چیست و چگونه برای حل مشکلات دنیای واقعی استفاده می شود. برای بقیه دوره، ما مهارت‌هایی را به شما آموزش می‌دهیم که برای استفاده از مفاهیم و تکنیک‌های پایه علم داده برای حل این مشکلات دنیای واقعی نیاز دارید. در پایان این دوره، شما قادر خواهید بود از مهارت های موجود در تجزیه و تحلیل داده ها برای طراحی، اجرا، ارزیابی و انتقال نتایج پروژه های علم داده خود استفاده کنید.

سازمان‌ها در سراسر جهان از داده‌ها برای پیش‌بینی رفتارها و استخراج بینش‌های ارزشمند دنیای واقعی برای تصمیم‌گیری استفاده می‌کنند. مدیریت و تجزیه و تحلیل کلان داده ها به بخشی ضروری از امور مالی مدرن، خرده فروشی، بازاریابی، علوم اجتماعی، توسعه و تحقیقات، پزشکی و دولت تبدیل شده است. این MOOC که توسط یک تیم دانشگاهی از Goldsmiths، دانشگاه لندن طراحی شده است، به سرعت شما را با مفاهیم اصلی علم داده آشنا می کند تا شما را برای دوره های متوسط ​​و پیشرفته علوم داده آماده کند. این بر روی ریاضیات، آمار و مهارت های برنامه نویسی اساسی تمرکز دارد که برای کارهای معمولی تجزیه و تحلیل داده ها ضروری است. شما این مفاهیم اساسی را در یک کار نمونه‌ای خوشه‌بندی داده در نظر خواهید گرفت و از این مثال برای یادگیری مهارت‌های برنامه‌نویسی اولیه که برای تسلط بر تکنیک‌های علم داده ضروری هستند، استفاده خواهید کرد. در طول دوره، از شما خواسته می‌شود که یک سری تمرین‌های ریاضی و برنامه‌نویسی و یک پروژه خوشه‌بندی داده‌های کوچک برای یک مجموعه داده انجام دهید.