در capstone، دانش‌آموزان مجموعه‌ای از برنامه‌ها را برای بازیابی، پردازش و تجسم داده‌ها با استفاده از پایتون خواهند ساخت. پروژه ها شامل تمام عناصر تخصص خواهد بود. در بخش اول این بخش، دانش‌آموزان تجسم‌هایی را انجام می‌دهند تا با فناوری‌های مورد استفاده آشنا شوند و سپس پروژه خود را برای تجسم برخی داده‌های دیگری که دارند یا می‌توانند پیدا کنند، دنبال می‌کنند. فصل های 15 و 16 از کتاب "Python for Everybody" به عنوان ستون فقرات برای این سنگ خدمت می کنند. این دوره پایتون 3 را پوشش می دهد.

شما تقریباً آنجا هستید! این هفتمین دوره و آخرین دوره گواهی تحلیل داده های پیشرفته گوگل است. در این دوره، شما این فرصت را دارید که یک پروژه اختیاری را تکمیل کنید که شامل مفاهیم کلیدی از هر یک از شش دوره قبلی است. در طول این پروژه سنگ بنا، شما از مهارت ها و دانش جدید خود برای ایجاد بینش های مبتنی بر داده برای یک مشکل تجاری خاص استفاده خواهید کرد. کارمندان Google که در حال حاضر در این زمینه کار می‌کنند، با ارائه فعالیت‌های عملی که وظایف مرتبط را شبیه‌سازی می‌کنند، به اشتراک گذاشتن نمونه‌هایی از کارهای روزانه‌شان، و کمک به شما در تقویت مهارت‌های تجزیه و تحلیل داده‌ها برای آماده شدن برای حرفه‌تان، شما را در این دوره راهنمایی می‌کنند. فراگیرانی که هفت دوره در این برنامه را تکمیل می کنند، مهارت های مورد نیاز برای درخواست برای مشاغل علوم داده و تجزیه و تحلیل داده های پیشرفته را خواهند داشت. این گواهی مستلزم آگاهی قبلی از اصول، مهارت‌ها و ابزارهای تحلیلی پایه است که در گواهی تجزیه و تحلیل داده‌های Google پوشش داده شده است. در پایان این دوره، شما: رزومه خود را ایجاد و/یا به روز کنید سبد حرفه ای خود را ایجاد و/یا به روز کنید - یک چارچوب داده ایجاد کنید -تجسم داده ها را بنویسید -استفاده از آمار برای تجزیه و تحلیل و تفسیر داده ها -ساخت، تفسیر، و ارزیابی مدل های رگرسیون -از تکنیک های یادگیری ماشین در پایتون استفاده کنید

این دوره آموزشی Capstone یادگیری ماشینی از کتابخانه‌های مختلف یادگیری ماشین مبتنی بر پایتون مانند Pandas، Sci-Kit-Learn و Tensorflow/Kera استفاده می‌کند. همچنین یاد خواهید گرفت که مهارت های یادگیری ماشینی خود را به کار ببرید و مهارت خود را در آنها نشان دهید. قبل از شرکت در این دوره، باید تمام دوره های قبلی در گواهینامه حرفه ای یادگیری ماشین آی بی ام را بگذرانید.    در این دوره، شما همچنین یاد خواهید گرفت که یک سیستم توصیه‌کننده دوره بسازید، مجموعه داده‌های مربوط به دوره را تجزیه و تحلیل کنید، شباهت کسینوس را محاسبه کنید و یک ماتریس شباهت ایجاد کنید. علاوه بر این، با به کارگیری دانش خود در مورد KNN، PCA، و فیلتر مشارکتی ماتریس غیرمنفی، سیستم‌های توصیه‌ای را ایجاد خواهید کرد.  در نهایت، کار خود را با همسالان خود به اشتراک می گذارید و از آنها می خواهید که آن را ارزیابی کنند و تجربه یادگیری مشترک را تسهیل کنید. 

Python Essentials for MLOps (عملیات یادگیری ماشین) دوره ای است که برای ارائه مهارت های اساسی پایتون مورد نیاز برای موفقیت در نقش MLOps به زبان آموزان طراحی شده است. این دوره اصول اولیه زبان برنامه نویسی پایتون را شامل انواع داده ها، توابع، ماژول ها و تکنیک های تست می کند. همچنین نحوه کار موثر با مجموعه داده ها و سایر وظایف علم داده با Pandas و NumPy را پوشش می دهد. از طریق یک سری تمرینات عملی، فراگیران تجربه عملی کار با پایتون را در زمینه گردش کار MLOps به دست خواهند آورد. در پایان دوره، زبان آموزان مهارت های لازم برای نوشتن اسکریپت های پایتون برای خودکارسازی وظایف رایج MLOps را خواهند داشت. این دوره برای کسانی که به دنبال ورود به حوزه MLOps هستند یا برای متخصصان با تجربه MLOps که می خواهند مهارت های پایتون خود را بهبود بخشند ایده آل است.

به عنوان مثال این در درجه اول برای دانشجویان سال اول و دوم لیسانس علاقه مند به مهندسی یا علوم، همراه با دانش آموزان دبیرستانی و متخصصان با علاقه به برنامه نویسی است که مهارت هایی را برای ایجاد خطوط لوله داده کارآمد و مقیاس پذیر به دست می آورند. پلتفرم های مهندسی داده های ضروری (Hadoop، Spark و Snowflake) را کاوش کنید و همچنین نحوه بهینه سازی و مدیریت آنها را بیاموزید. در Databricks، یک پلتفرم قدرتمند برای اجرای تجزیه و تحلیل داده ها و وظایف یادگیری ماشین، در حالی که مهارت های علم داده پایتون خود را با PySpark تقویت می کنید، وارد شوید. در نهایت، مفاهیم کلیدی MLflow را کشف کنید، یک پلتفرم منبع باز برای مدیریت چرخه زندگی یادگیری ماشینی سرتاسر، و یاد بگیرید که چگونه آن را با Databricks یکپارچه کنید. این دوره برای زبان آموزانی طراحی شده است که می خواهند حرفه خود را در علم داده یا مهندسی داده دنبال کنند یا پیشرفت کنند، یا برای توسعه دهندگان نرم افزار یا مهندسانی که می خواهند مجموعه مهارت های مدیریت داده خود را افزایش دهند. علاوه بر فناوری‌هایی که یاد خواهید گرفت، متدولوژی‌هایی نیز به دست خواهید آورد که به شما کمک می‌کنند مهارت‌های مدیریت پروژه و گردش کار خود را برای مهندسی داده تقویت کنید، از جمله استفاده از روش‌ها و بهترین روش‌های Kaizen، DevOps و Data Ops. این دوره جامع با آزمون هایی برای آزمایش دانش شما در سراسر جهان، به راهنمای سفر یادگیری شما برای تبدیل شدن به یک مهندس داده ماهر، آماده برای مقابله با چالش های دنیای داده محور امروزی کمک می کند.

در حالی که بیشتر تخصص‌ها در Coursera با یک دوره پروژه‌محور به پایان می‌رسند، دانش‌آموزان در تخصص «مبانی محاسبات» بیش از 20 پروژه را در شش دوره اول این تخصص تکمیل کرده‌اند. با توجه به اینکه بسیاری از مطالب در این دوره ها از جلسه ای به جلسه دیگر استفاده می شود، هدف ما در این کلاس اصلی این است که یک نتیجه گیری برای تخصص ارائه کنیم که به هر دانش آموز این امکان را می دهد تا تسلط فردی خود را بر مطالب در تخصص نشان دهد. با در نظر گرفتن این هدف، تمرکز در این کلاس Capstone امتحانی خواهد بود که سوالات آن به طور دوره ای به روز می شود. این رویکرد طراحی شده است تا اطمینان حاصل شود که هر دانش آموز مشکلات امتحان را به تنهایی و بدون کمک خارجی حل می کند. برای دانش آموزانی که کار خود را انجام داده اند، ما پیش بینی نمی کنیم که امتحان سخت باشد. با این حال، آن دسته از دانش‌آموزانی که در کلاس‌های قبلی بیش از حد به کمک‌های خارجی تکیه کرده‌اند، ممکن است دوران سختی داشته باشند. ما معتقدیم که این رویکرد ارزش گواهی را برای این تخصص افزایش می دهد.

در این دوره ما در مورد چگونگی ادغام بهترین شیوه های توسعه مبتنی بر آزمایش در گردش کار برنامه نویسی بحث خواهیم کرد. ما با بحث در مورد چگونگی بازسازی پایگاه های کد قدیمی با کمک متدولوژی های چابک شروع خواهیم کرد. سپس، ادغام مداوم و نحوه نوشتن تست های خودکار در پایتون را بررسی خواهیم کرد. در نهایت، همه چیزهایی را که یاد گرفته‌ایم با هم کار می‌کنیم تا کدی بنویسیم که شامل کنترل‌کننده‌های خطا، تست‌های خودکار و توابع بازسازی‌شده باشد.

در این MOOC شما با یادگیری ماشینی پیشرفته و زبان طبیعی آشنا می شوید تکنیک های پردازش برای تجزیه و استخراج اطلاعات از اسناد متنی بدون ساختار در مراقبت های بهداشتی، مانند یادداشت های بالینی، گزارش های رادیولوژی و خلاصه ترخیص. چه شما یک دانشمند داده مشتاق باشید یا یک حرفه ای اولیه یا اواسط حرفه ای در علم داده یا فناوری اطلاعات در مراقبت های بهداشتی، بسیار مهم است که مهارت های خود را در استخراج و تجزیه و تحلیل اطلاعات به روز نگه دارید. برای موفقیت در این دوره، باید مفاهیمی را که از طریق سایر دوره‌های MOOC سطح متوسط ​​و تخصص‌های علوم داده ارائه شده توسط دانشگاه میشیگان آموخته‌اید، بنا کنید، بنابراین می‌توانید عمیق‌تر به چالش‌های شناخت نهادهای پزشکی در سلامت بپردازید. اسناد مرتبط، استخراج اطلاعات بالینی، پرداختن به ابهام و چندمعنی برای برچسب گذاری آنها با انواع مفاهیم صحیح، و توسعه ابزارها و تکنیک هایی برای تجزیه و تحلیل ژانرهای جدید اطلاعات سلامت. در پایان این دوره، شما قادر خواهید بود: رویکردهای متن کاوی مورد نیاز برای شناسایی و استخراج انواع مختلف اطلاعات از داده های متنی مرتبط با سلامت را شناسایی کنید ایجاد یک خط لوله NLP سرتاسر برای استخراج مفاهیم پزشکی از متن رایگان بالینی با استفاده از یک منبع اصطلاحات تفاوت آموزش مدل های یادگیری عمیق را با آموزش مدل های یادگیری ماشین سنتی متمایز کنید یک مدل شبکه عصبی عمیق را برای تشخیص عوارض جانبی از بررسی داروها پیکربندی کنید مزایا و معایب رویکردهای یادگیری عمیق را فهرست کنید."

این دوره نشان می دهد که چگونه می توان با اینترنت به عنوان منبع داده رفتار کرد. ما داده های وب را می خراشیم، تجزیه می کنیم و می خوانیم و همچنین با استفاده از وب API به داده ها دسترسی خواهیم داشت. ما با فرمت های داده های HTML، XML و JSON در پایتون کار خواهیم کرد. این دوره فصل های 11 تا 13 کتاب درسی "Python for Everybody" را پوشش می دهد. برای موفقیت در این دوره باید با مطالبی که در فصل های 1 تا 10 کتاب درسی و دو دوره اول این گرایش ارائه شده است آشنا باشید. این موضوعات شامل متغیرها و عبارات، اجرای شرطی (حلقه ها، انشعاب، و try/exception)، توابع، ساختارهای داده پایتون (رشته ها، لیست ها، دیکشنری ها و تاپل ها) و دستکاری فایل ها می باشد. این دوره پایتون 3 را پوشش می دهد.

این دوره دانش‌آموزان را با مبانی زبان پرس‌و‌جوی ساختاریافته (SQL) و همچنین طراحی پایگاه داده پایه برای ذخیره داده‌ها به عنوان بخشی از جمع‌آوری، تحلیل و پردازش داده‌های چند مرحله‌ای آشنا می‌کند. این دوره از SQLite3 به عنوان پایگاه داده خود استفاده خواهد کرد. ما همچنین خزنده‌های وب و فرآیندهای جمع‌آوری و تجسم داده‌های چند مرحله‌ای خواهیم ساخت. ما از کتابخانه D3.js برای تجسم اولیه داده ها استفاده خواهیم کرد. این دوره فصل های 14 تا 15 کتاب "Python for Everybody" را پوشش می دهد. برای موفقیت در این دوره باید با مطالبی که در فصل های 1 تا 13 کتاب درسی و سه درس اول این رشته ارائه شده است آشنا باشید. این دوره پایتون 3 را پوشش می دهد.

این دوره پایه و اساس توسعه استراتژی های معاملاتی پیشرفته با استفاده از تکنیک های یادگیری ماشین را فراهم می کند. در این دوره، اجزای کلیدی را که در هر استراتژی معاملاتی مشترک هستند، مهم نیست که چقدر پیچیده هستند، مرور خواهید کرد. شما با چندین استراتژی معاملاتی از جمله تجارت کمی، تجارت جفتی و تجارت حرکتی آشنا خواهید شد. در پایان دوره، می‌توانید استراتژی‌های معاملاتی کمی را طراحی کنید، مدل‌های یادگیری ماشینی را با استفاده از Keras و TensorFlow بسازید، یک مدل پیش‌بینی استراتژی معاملاتی جفتی بسازید و آن را آزمایش مجدد کنید، و یک مدل معاملاتی مبتنی بر حرکت و آزمون برگشتی بسازید. آن را برای موفقیت در این دوره، باید صلاحیت پیشرفته در برنامه نویسی پایتون و آشنایی با کتابخانه های مربوط به یادگیری ماشین، مانند Scikit-Learn، StatsModels و Pandas داشته باشید. تجربه با SQL توصیه می شود. شما باید پیشینه ای در زمینه آمار (مقادیر مورد انتظار و انحراف استاندارد، توزیع های گاوسی، ممان های بالاتر، احتمال، رگرسیون های خطی) و دانش پایه ای از بازارهای مالی (سهام، اوراق قرضه، مشتقات، ساختار بازار، پوشش ریسک) داشته باشید.

در این دوره آموزشی با سیستم‌های توصیه‌کننده (که برای پروژه Capstone مطالعه خواهیم کرد) آشنا می‌شویم و همچنین مسائل مربوط به استقرار محصولات داده را بررسی خواهیم کرد. در پایان این دوره، شما باید بتوانید یک سیستم توصیه‌گر کار را پیاده‌سازی کنید (مثلاً برای پیش‌بینی رتبه‌بندی، یا تولید فهرست‌های محصولات مرتبط)، و باید ابزارها و تکنیک‌های مورد نیاز برای استقرار چنین سیستم کاری در دنیای واقعی را بدانید. ، مجموعه داده های در مقیاس بزرگ. این دوره آخرین دوره در محصولات Python Data Products for Predictive Analytics است که بر اساس سه دوره قبلی (پردازش و تجسم داده های پایه، تفکر طراحی و تجزیه و تحلیل پیش بینی برای محصولات داده، و مدل سازی پیش بینی معنادار) ساخته شده است. در هر مرحله از تخصص، شما تجربه عملی در دستکاری داده ها و ایجاد مهارت های خود را به دست خواهید آورد، و در نهایت به پروژه ای که شامل تمام مفاهیم آموزش داده شده در تخصص می شود، ختم می شود.

در این دوره سوم از Python، Bash و SQL Essentials for Data Engineering Specialization، شما تکنیک هایی را برای کار موثر با Python و SQL بررسی خواهید کرد. ما از طریق ساختارهای داده مفید در اسکریپت نویسی پایتون می گذریم و به پایگاه داده هایی مانند MySQL متصل می شویم. علاوه بر این، یاد خواهید گرفت که چگونه از یک ویرایشگر متن مدرن برای اتصال و اجرای پرس و جوهای SQL در برابر یک پایگاه داده واقعی استفاده کنید و عملیات بارگیری و استخراج داده ها را انجام دهید. در نهایت، از داده های استخراج شده از وب سایت ها با استفاده از تکنیک های scraping استفاده خواهید کرد. این مهارت ها به شما این امکان را می دهد که زمانی که داده ها به راحتی در دسترس نیستند، یا زمانی که برای استخراج اطلاعات مفید از پایگاه های داده به پرس و جوهای فضایی نیاز است، به طور موثر کار کنید.

این دوره سومین دوره از مجموعه ای است که با هدف آماده سازی شما برای نقشی که به عنوان برنامه نویس انجام می شود، می باشد. در این دوره شما با سه مفهوم اصلی در برنامه نویسی آشنا می شوید: Files، Inheritance و خارجی. آزمایشگاه‌ها به دانش‌آموزان این امکان را می‌دهند که مطالب را در سخنرانی‌ها در برنامه‌های رایانه‌ای ساده که برای تقویت مجدد مطالب در درس طراحی شده‌اند، اعمال کنند.

این دوره مقدماتی برای مبتدیان و افرادی با تجربه برنامه نویسی محدود طراحی شده است که می خواهند با استفاده از پایتون شروع به توسعه نرم افزار یا سفر علم داده خود کنند. در طول دوره، فراگیران درک کاملی از تفکر الگوریتمی، نحو پایتون، تست کد، تکنیک‌های اشکال‌زدایی و توسعه کدهای مدولار - مهارت‌های ضروری برای یک حرفه موفق در مهندسی نرم‌افزار، توسعه، یا علم داده را به دست خواهند آورد. در پایان این دوره یاد می گیرید که: - با استفاده از الگوریتم ها و منطق برنامه نویسی، رویکردی گام به گام برای حل مسئله به دست آورید. - برای ساختن اسکریپت ها و برنامه های پایتون از توابع رایج، عبارات شرطی و حلقه ها استفاده کنید. - برای افزایش مهارت کدنویسی با محیط برنامه نویسی VS Code کار کنید. - از استراتژی های تست و اشکال زدایی برای اطمینان از قابلیت اطمینان کد استفاده کنید. - انجام عملیات منطقی و ریاضی بر روی مجموعه داده ها. در هفته پایانی دوره، شما مهارت های طراحی الگوریتم و برنامه نویسی جدید خود را برای یک مشکل تجزیه و تحلیل داده ها اعمال خواهید کرد: تجزیه و تحلیل داده های ضربان قلب.

این دوره دو قسمتی مبتنی بر مهارت های برنامه نویسی است که در دوره مقدماتی ما بر برنامه نویسی تعاملی در پایتون آموختید. ما این مهارت‌ها را با تمرین‌های مهم برنامه‌نویسی و مهارت‌های مهم حل مسئله ریاضی تقویت خواهیم کرد. این مهارت ها زیربنای حل مسئله محاسباتی و برنامه نویسی در مقیاس بزرگتر است. تمرکز اصلی کلاس، برنامه نویسی مینی پروژه های هفتگی در پایتون خواهد بود که بر اساس اصول ریاضی و برنامه نویسی که در کلاس آموزش داده می شود، ساخته می شود. برای اینکه کلاس سرگرم کننده و جذاب باشد، بسیاری از پروژه ها شامل کار با بازی های مبتنی بر استراتژی است. در قسمت 1 این دوره، جنبه برنامه نویسی کلاس بر روی استانداردهای کدنویسی و تست تمرکز خواهد داشت. بخش ریاضی کلاس بر احتمالات، ترکیبات و شمارش با توجه به کاربردهای عملی این مفاهیم در علوم کامپیوتر تمرکز خواهد کرد. پیشینه توصیه شده - دانش آموزان باید با استفاده از ساختارهایی مانند لیست ها، دیکشنری ها و کلاس ها برنامه های کوچک (100+ خط) را در پایتون بنویسند و همچنین دارای پیش زمینه ریاضی دبیرستانی باشند که شامل جبر و پیش حساب است.

این دوره دو قسمتی، اصول اولیه ریاضی و برنامه نویسی را که زیربنای بسیاری از علوم کامپیوتر هستند، معرفی می کند. درک این اصول برای فرآیند ایجاد راه حل های کارآمد و ساختار یافته برای مسائل محاسباتی بسیار مهم است. برای به دست آوردن تجربه عملی در کار با این مفاهیم، ​​از زبان برنامه نویسی پایتون استفاده می کنیم. تمرکز اصلی کلاس بر روی مینی پروژه های هفتگی خواهد بود که بر اساس اصول ریاضی و برنامه نویسی که در کلاس آموزش داده می شود، ساخته می شود. برای سرگرمی و جذاب نگه داشتن کلاس، بسیاری از پروژه ها شامل کار با بازی های مبتنی بر استراتژی است. در بخش 2 این دوره، بخش برنامه نویسی کلاس بر روی مفاهیمی مانند بازگشت، ادعاها و ثابت ها تمرکز می کند. بخش ریاضی کلاس بر جستجو، مرتب‌سازی و ساختارهای داده بازگشتی تمرکز خواهد کرد. با گذراندن این دوره، پایه محکمی در اصول محاسبات و برنامه نویسی خواهید داشت. این شما را برای دوره بعدی در تخصص آماده می کند، که شروع به معرفی یک رویکرد ساختاریافته برای توسعه و تجزیه و تحلیل الگوریتم ها می کند. توسعه چنین مهارت های تفکر الگوریتمی برای نوشتن نرم افزار در مقیاس بزرگ و حل مسائل محاسباتی دنیای واقعی حیاتی خواهد بود.

در دوره‌های قبلی تخصص آنلاین ما، الگوریتم‌های اولیه را آموخته‌اید، و اکنون آماده هستید تا به حوزه مسائل پیچیده‌تر و الگوریتم‌های حل آنها قدم بگذارید. الگوریتم‌های پیشرفته بر اساس الگوریتم‌های پایه ساخته می‌شوند و از ایده‌های جدید استفاده می‌کنند. ما با جریان‌های شبکه‌ای شروع می‌کنیم که در کاربردهای معمولی‌تر مانند تطابق بهینه، یافتن مسیرهای غیرمتناسب و برنامه‌ریزی پرواز و همچنین موارد شگفت‌انگیزتر مانند تقسیم‌بندی تصویر در بینایی رایانه استفاده می‌شوند. سپس به برنامه‌ریزی خطی با کاربردهایی در بهینه‌سازی تخصیص بودجه، بهینه‌سازی پورتفولیو، یافتن ارزان‌ترین رژیم غذایی که همه نیازها را برآورده می‌کند و بسیاری موارد دیگر ادامه می‌دهیم. در ادامه، مشکلات ذاتاً سختی را که هیچ راه‌حل خوب دقیقی برای آنها شناخته شده نیست (و احتمالاً یافت نمی‌شوند) و چگونگی حل آنها در عمل مورد بحث قرار می‌دهیم. ما با مقدمه ای نرم از الگوریتم های جریانی که به شدت در پردازش داده های بزرگ استفاده می شوند، پایان می دهیم. چنین الگوریتم‌هایی معمولاً به گونه‌ای طراحی می‌شوند که بتوانند مجموعه‌های داده عظیمی را بدون اینکه حتی قادر به ذخیره یک مجموعه داده باشند، پردازش کنند.

ما روش های محاسباتی -- الگوریتم ها و ساختارهای داده -- برای تجزیه و تحلیل داده های توالی یابی DNA را یاد خواهیم گرفت. ما کمی در مورد DNA، ژنومیک و نحوه استفاده از توالی یابی DNA خواهیم آموخت. ما از پایتون برای پیاده سازی الگوریتم های کلیدی و ساختارهای داده و تجزیه و تحلیل ژنوم های واقعی و مجموعه داده های توالی DNA استفاده خواهیم کرد.

این دوره اصول طراحی و تحلیل الگوریتم و همچنین الگوریتم های مرتب سازی آرایه ها، ساختارهای داده مانند صف های اولویت، توابع هش و برنامه هایی مانند فیلترهای بلوم را پوشش می دهد. الگوریتم‌های جستجو، مرتب‌سازی و نمایه‌سازی را می‌توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد علوم داده (MS-DS) CU Boulder در پلتفرم Coursera در نظر گرفت. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید.