قدرت Google BigQuery را با شروع سفر برای مهارت در ساخت انبار داده و جستجوی پیشرفته باز کنید. در این دوره جامع، شما یاد خواهید گرفت که از قابلیت های BigQuery، از راه اندازی و دسترسی به پلتفرم گرفته تا ایجاد انبارهای داده با استفاده از رابط کاربری و پایتون استفاده کنید. از طریق درس‌های عملی و برنامه‌های کاربردی، مهارت‌های اساسی مورد نیاز برای مدیریت، پرس‌وجو و بهینه‌سازی داده‌های خود را در این پلتفرم قدرتمند مبتنی بر ابر ایجاد خواهید کرد. این دوره برای تحلیلگران داده، مهندسان داده، متخصصان هوش تجاری و هر کسی که علاقه مند به تسلط بر هنر ساخت انبارهای داده کارآمد و انجام پرس و جوهای پیشرفته داده با استفاده از Google BigQuery هستند، طراحی شده است. زبان آموزان باید درک اولیه از SQL و آشنایی با مفاهیم داده داشته باشند. هدف این دوره ارائه یک درک جامع از Google BigQuery به زبان آموزان است و به آنها قدرت ایجاد انبارهای داده کارآمد، انجام پرس و جو و تصمیم گیری آگاهانه مبتنی بر داده را می دهد. چه یک متخصص داده یا یک تحلیلگر مشتاق باشید، این دوره شما را به ابزارها و دانشی مجهز می کند تا پتانسیل کامل BigQuery را برای بهبود عملکرد تجاری باز کنید.

این دومین دوره از هفت دوره در گواهی تحلیل داده های پیشرفته گوگل است. زبان برنامه نویسی پایتون یک ابزار قدرتمند برای تجزیه و تحلیل داده ها است. در این دوره، مفاهیم اولیه برنامه نویسی پایتون و نحوه استفاده متخصصان داده از پایتون در محل کار را خواهید آموخت. شما مفاهیمی مانند برنامه نویسی شی گرا، متغیرها، انواع داده ها، توابع، عبارات شرطی، حلقه ها و ساختارهای داده را بررسی 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: -تعریف زبان برنامه نویسی چیست و چرا پایتون توسط دانشمندان داده استفاده می شود اسکریپت های پایتون را برای نمایش داده ها و انجام عملیات ایجاد کنید -جریان برنامه ها را با استفاده از شرایط و توابع کنترل کنید -استفاده از انواع حلقه ها هنگام انجام عملیات مکرر - انواع داده ها مانند اعداد صحیح، شناورها، رشته ها و بولی ها را شناسایی کنید -دستکاری ساختارهای داده مانند لیست ها، تاپل ها، دیکشنری ها و مجموعه ها - وارد کردن و استفاده از کتابخانه های پایتون مانند NumPy و پانداها

در این دوره، کاوش خود را در مورد تکنیک های استنتاج آماری با تمرکز بر علم و هنر تطبیق مدل های آماری با داده ها گسترش خواهیم داد. ما بر روی مفاهیم ارائه شده در دوره استنتاج آماری (دوره 2) برای تأکید بر اهمیت اتصال سؤالات تحقیق به روش های تجزیه و تحلیل داده های خود، تکیه خواهیم کرد. ما همچنین بر اهداف مختلف مدل سازی، از جمله استنتاج در مورد روابط بین متغیرها و ایجاد پیش بینی برای مشاهدات آینده، تمرکز خواهیم کرد. این دوره تکنیک های مختلف مدل سازی آماری از جمله رگرسیون خطی، رگرسیون لجستیک، مدل های خطی تعمیم یافته، مدل های اثرات سلسله مراتبی و ترکیبی (یا چند سطحی) و تکنیک های استنتاج بیزی را معرفی و بررسی می کند. همه تکنیک‌ها با استفاده از مجموعه‌های داده واقعی نشان داده می‌شوند، و این دوره بر رویکردهای مدل‌سازی مختلف برای انواع مختلف مجموعه داده‌ها، بسته به طرح مطالعه زیربنای داده‌ها تأکید می‌کند (اشاره به دوره 1، درک و تجسم داده‌ها با پایتون) . در طول این جلسات مبتنی بر آزمایشگاه، فراگیران از طریق آموزش هایی با تمرکز بر مطالعات موردی خاص برای کمک به تقویت مفاهیم آماری هفته، که شامل غواصی عمیق بیشتر در کتابخانه های پایتون از جمله Statsmodels، Pandas و Seaborn است، کار خواهند کرد. این دوره از محیط نوت بوک Jupyter در Coursera استفاده می کند.

این دوره که آخرین و آخرین دوره در زمینه مقدماتی رباتیک با وب بات ها می باشد، رویکردهای اساسی برای برنامه ریزی مسیر ربات ها و توالی اجرای وظایف آن ها را به شما آموزش می دهد. در "برنامه ریزی مسیر رباتیک و اجرای کار"، الگوریتم های استانداردی مانند جستجوی عرض-اول، دیجکسترا، A* و درختان تصادفی سریع را از طریق تمرین های هدایت شده توسعه خواهید داد. شما درختان رفتار را برای توالی کارها پیاده سازی خواهید کرد و با ربات دستکاری سیار "Tiago Steel" آزمایش خواهید کرد. توصیه می شود قبل از شروع این دوره، دوره های اول و دوم این تخصص را با عنوان "مقدمه ای بر رباتیک: رفتارهای اساسی" و "نقشه برداری رباتیک و تولید مسیر" بگذرانید. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم کامپیوتر که در پلتفرم Coursera ارائه می شود، 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 علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder

هدف از این دوره آموزش اصول برنامه نویسی کامپیوتر با استفاده از پایتون به همه می باشد. ما اصول اولیه نحوه ساخت یک برنامه را از یک سری دستورالعمل ساده در پایتون پوشش می دهیم. این دوره هیچ پیش نیازی ندارد و از تمام ریاضیات به جز ساده ترین درس اجتناب می کند. هر کسی که تجربه کامپیوتری متوسطی دارد باید بتواند بر مواد این دوره تسلط داشته باشد. این دوره فصل های 1-5 کتاب درسی "Python for Everybody" را پوشش می دهد. هنگامی که دانش آموز این دوره را به پایان رساند، آماده گذراندن دوره های برنامه نویسی پیشرفته تر خواهد بود. این دوره پایتون 3 را پوشش می دهد.

این دوره تکنیک های اصلی طراحی الگوریتم مانند تقسیم کن، برنامه نویسی پویا و الگوریتم های حریص را پوشش می دهد. این مقاله با مقدمه‌ای مختصر بر غیرقابل‌تکراری (NP-completeness) و استفاده از حل‌کننده‌های برنامه‌نویسی خطی/صحیح برای حل مسائل بهینه‌سازی به پایان می‌رسد. همچنین برخی از موضوعات پیشرفته در ساختار داده را پوشش خواهیم داد. 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

در این دوره ما برنامه نویسی شی گرا را در برنامه های پایتون پیاده سازی خواهیم کرد. اهمیت چرایی و چگونگی استفاده از برنامه نویسی شی گرا را مشخص کنید. و نحوه استفاده از وراثت در هنگام طراحی برنامه را بیاموزید. همچنین نحوه ساخت یک رابط کاربری گرافیکی برای یک برنامه پایه را بررسی خواهیم کرد. برای یادگیری مطالب در این دوره نیازی به تجربه برنامه نویسی یا علوم کامپیوتر ندارید. این دوره برای همه کسانی که علاقه مند به یادگیری نحوه کدنویسی و نوشتن برنامه در پایتون هستند آزاد است. ما بسیار هیجان زده هستیم که با ما یاد خواهید گرفت و امیدواریم از این دوره لذت ببرید!

با دوره "Dive Deep into Python" یک کاوش همه جانبه در قلمرو برنامه نویسی پایتون را آغاز کنید. این برنامه که با دقت طراحی شده است، راه را از درک پایه ای پایتون به تفاوت های ظریف آن هموار می کند و تضمین می کند که مجموعه مهارت های قوی و مناسب برای چالش های نرم افزاری معاصر را به دست آورید. در بخش مبانی برنامه نویسی پایتون، سفر پایتون خود را با فرو رفتن در جنبه های اساسی آن آغاز کنید. شما با مفاهیم اصلی برنامه نویسی، انواع داده ها، عملگرها و جریان کنترل آشنا خواهید شد. در پایان، دانش ایجاد برنامه های کاربردی پایه و در عین حال کاربردی پایتون را خواهید داشت. با تقویت بیشتر مهارت پایتون، بخش ضروریات برنامه نویسی پایتون به ساختارهای برنامه نویسی ضروری می پردازد. قدرت حلقه‌ها را درک کنید، تفاوت‌های رشته‌ها را کشف کنید، و عملیات آرایه‌ها و لیست‌ها را درک کنید، و شما را برای مدیریت و دستکاری فرم‌های داده متنوع در پایتون مجهز می‌کند. سپس سفر به ساختارها و توابع داده پایتون پیش می رود. درک خود را از ساختارهای داده پیشرفته پایتون، از لیست ها و تاپل ها گرفته تا فرهنگ لغت، ارتقا دهید. علاوه بر این، دنیای توابع را کاوش خواهید کرد و توانایی خود را در ساخت بخش های کد قابل استفاده مجدد و کارآمد تقویت خواهید کرد. در نهایت، خود را در دنیای Python OOPs و File Handling غوطه ور کنید. اصول برنامه نویسی شی گرا (OOP) را با پایتون، از کلاس ها و اشیاء گرفته تا وراثت و فراتر از آن، درک کنید. به طور همزمان، در عملیات فایل، یادگیری خواندن، نوشتن و مدیریت فایل ها به طور یکپارچه مهارت کسب کنید. در اوج دوره، شما نه تنها درک عمیقی از پایتون خواهید داشت، بلکه برای رویارویی با بسیاری از چالش های برنامه نویسی نیز مجهز خواهید بود. چه بخواهید راه‌حل‌های نرم‌افزاری زیبا بسازید و چه در علم داده به کاوش بپردازید، سفر شما در این دوره شما را به یک برنامه‌نویس پایتون توانمند و مطمئن تبدیل می‌کند.

بینایی کامپیوتر (CV) یک زمینه مطالعاتی جذاب است که تلاش می‌کند فرآیند انتساب معنا به تصاویر یا فیلم‌های دیجیتال را خودکار کند. به عبارت دیگر، ما به رایانه ها کمک می کنیم تا دنیای اطراف ما را ببینند و درک کنند! تعدادی از الگوریتم‌ها و تکنیک‌های یادگیری ماشین (ML) را می‌توان برای انجام وظایف CV مورد استفاده قرار داد، و با سریع‌تر و کارآمدتر شدن ML، می‌توانیم این تکنیک‌ها را در سیستم‌های تعبیه‌شده مستقر کنیم. این دوره که با مشارکت Edge Impulse، OpenMV، Seeed Studio و TinyML Foundation ارائه شده است، به شما درک می کند که چگونه می توان از یادگیری عمیق با شبکه های عصبی برای طبقه بندی تصاویر و تشخیص اشیاء در تصاویر و ویدیوها استفاده کرد. شما این فرصت را خواهید داشت که این مدل های یادگیری ماشینی را در سیستم های جاسازی شده، که به عنوان یادگیری ماشین جاسازی شده یا TinyML شناخته می شود، مستقر کنید. آشنایی با زبان برنامه نویسی پایتون و مفاهیم اولیه ML (مانند شبکه های عصبی، آموزش، استنتاج و ارزیابی) برای درک برخی از موضوعات و همچنین تکمیل پروژه ها توصیه می شود. مقداری ریاضی (خواندن نمودار، حساب، جبر) نیز برای آزمون ها و پروژه ها مورد نیاز است. اگر قبلاً این کار را نکرده اید، شرکت در دوره «مقدمه ای بر یادگیری ماشین جاسازی شده» توصیه می شود. این دوره مفاهیم و واژگان لازم برای درک نحوه عملکرد شبکه های عصبی کانولوشن (CNN) را پوشش می دهد و نحوه استفاده از آنها برای طبقه بندی تصاویر و تشخیص اشیا را پوشش می دهد. پروژه های عملی به شما این فرصت را می دهد که CNN های خود را آموزش دهید و آنها را روی یک میکروکنترلر و/یا کامپیوتر تک بردی مستقر کنید.

این کلاس مقدمه ای بر زبان برنامه نویسی پایتون و نوت بوک آی پایتون ارائه می دهد. این سومین دوره در رشته تخصصی علم داده های بزرگ ژنومی از دانشگاه جان هاپکینز است.

سفر پایتون خود را با این دوره مبتدی و خودگام که توسط یک متخصص آموزش داده شده است، شروع کنید. پایتون یکی از محبوب ترین زبان های برنامه نویسی است و تقاضا برای افرادی که مهارت های پایتون دارند همچنان در حال افزایش است. این دوره شما را در عرض چند ساعت از صفر به برنامه نویسی در پایتون می رساند—هیچ تجربه قبلی برنامه نویسی لازم نیست! شما با اصول اولیه پایتون، از جمله انواع داده، عبارات، متغیرها و عملیات رشته شروع خواهید کرد. شما ساختارهای داده ضروری مانند لیست ها، تاپل ها، دیکشنری ها و مجموعه ها را بررسی خواهید کرد و نحوه ایجاد، دسترسی و دستکاری آنها را یاد خواهید گرفت. در مرحله بعد، مفاهیم منطقی مانند شرایط و انشعاب، یادگیری نحوه استفاده از حلقه ها و توابع، همراه با اصول مهم برنامه نویسی مانند مدیریت استثنا و برنامه نویسی شی گرا را بررسی خواهید کرد. با پیشرفت، تجربه عملی در خواندن و نوشتن روی فایل ها و کار با فرمت های رایج فایل به دست خواهید آورد. همچنین از کتابخانه های قدرتمند پایتون مانند NumPy و Pandas برای دستکاری و تجزیه و تحلیل داده ها استفاده خواهید کرد. این دوره همچنین APIها و وب اسکرپینگ را پوشش می دهد و به شما یاد می دهد که چگونه با استفاده از کتابخانه هایی مانند درخواست ها با REST API تعامل کنید و داده ها را از وب سایت ها با استفاده از BeautifulSoup استخراج کنید. شما آنچه را که از طریق آزمایشگاه های عملی با استفاده از نوت بوک های Jupyter می آموزید، تمرین کرده و به کار خواهید برد. در پایان این دوره، ایجاد برنامه های اساسی، کار با داده ها و خودکارسازی کارهای دنیای واقعی با استفاده از پایتون احساس راحتی خواهید کرد. این دوره برای افرادی که علاقه مند به دنبال کردن مشاغل در علوم داده، تجزیه و تحلیل داده، توسعه نرم افزار، مهندسی داده، هوش مصنوعی و DevOps و انواع دیگر نقش های مرتبط با فناوری هستند مناسب است.

این دوره برای مبتدیان و کسانی که تجربه برنامه نویسی در پایتون یا Rust دارند و می خواهند اتوماسیون و ابزارهای کمکی را در خط فرمان پیاده سازی کنند طراحی شده است. اگرچه هیچ دانش قبلی از پایتون یا Rust لازم نیست، دانش برنامه نویسی اولیه و همچنین آشنایی با رابط خط فرمان (CLI) توصیه می شود. در طول دوره، پایه محکمی برای ساخت ابزارهای خط فرمان کارآمد، قابل اعتماد و با کارایی بالا به دست خواهید آورد که می تواند به شما در خودکارسازی وظایف مهندسی داده، مهندسی سیستم ها و DevOps کمک کند. با تکمیل این دوره، مهارت های توسعه و توزیع ابزارهای خط فرمان پیچیده و کارآمد را خواهید داشت.

در این اولین دوره از Python، Bash و SQL Essentials for Data Engineering Specialization، شما یاد خواهید گرفت که چگونه یک محیط کاری پایتون کنترل شده با نسخه راه اندازی کنید که می تواند از کتابخانه های شخص ثالث استفاده کند. شما یاد خواهید گرفت که از پایتون و کتابخانه قدرتمند پانداها برای تجزیه و تحلیل و دستکاری داده ها استفاده کنید. علاوه بر این، با Vim و Visual Studio Code که دو ابزار محبوب برای نوشتن نرم افزار هستند نیز آشنا خواهید شد. این دوره برای دانش‌آموزان مبتدی و متوسط ​​برای شروع تبدیل و دستکاری داده‌ها به عنوان یک مهندس داده ارزشمند است.

با تکمیل این پروژه نهایی، مهارت ها و تکنیک های تجزیه و تحلیل داده های مختلفی را که به عنوان بخشی از دوره های قبلی در گواهینامه حرفه ای تحلیلگر داده IBM آموخته اید، به کار خواهید گرفت. شما نقش یک تحلیلگر داده‌های مرتبط را که اخیراً به سازمان پیوسته است را بر عهده خواهید گرفت و با یک چالش تجاری مواجه می‌شوید که نیاز به تجزیه و تحلیل داده‌ها دارد تا بر روی مجموعه داده‌های دنیای واقعی انجام شود. شما وظایف مختلفی را که تحلیلگران حرفه ای داده به عنوان بخشی از وظایف خود انجام می دهند، انجام خواهید داد، از جمله: - جمع آوری داده ها از منابع متعدد - جدال داده ها و آماده سازی داده ها - تجزیه و تحلیل داده های اکتشافی - تجزیه و تحلیل آماری و داده کاوی - تجسم داده ها با نمودارها و نمودارهای مختلف و - ایجاد داشبورد تعاملی پروژه با ارائه گزارش تجزیه و تحلیل داده های شما برای سهامداران مختلف در سازمان به اوج خود می رسد. این گزارش شامل یک خلاصه اجرایی، تجزیه و تحلیل شما و یک نتیجه خواهد بود. شما هم از نظر کارتان برای مراحل مختلف فرآیند تجزیه و تحلیل داده ها و هم برای تحویل نهایی ارزیابی خواهید شد. به عنوان بخشی از این پروژه، مهارت خود را در استفاده از نوت‌بوک‌های Jupyter، SQL، پایگاه‌های داده رابطه‌ای (RDBMS)، ابزارهای هوش تجاری (BI) مانند Cognos، و کتابخانه‌های پایتون مانند Pandas، Numpy، Scikit-learn، Scipy، Matplotlib، Seaborn نشان خواهید داد. و دیگران این پروژه افزودنی عالی به مجموعه شما و فرصتی برای به نمایش گذاشتن مهارت های تجزیه و تحلیل داده های خود به کارفرمایان احتمالی است.

این مینی دوره برای شما در نظر گرفته شده است تا مهارت های پایه پایتون را برای کار با داده ها نشان دهید. این دوره در درجه اول شامل تکمیل پروژه ای است که در آن نقش یک دانشمند داده یا یک تحلیلگر داده را بر عهده می گیرید و مجموعه داده های دنیای واقعی و سناریوی الهام گرفته شده از دنیای واقعی برای شناسایی الگوها و روندها به شما ارائه می شود. شما کارهای خاص علم داده و تجزیه و تحلیل داده مانند استخراج داده ها، خراش دادن وب، تجسم داده ها و ایجاد داشبورد را انجام خواهید داد. این پروژه مهارت شما را با پایتون و استفاده از کتابخانه هایی مانند پانداها و سوپ زیبا در یک نوت بوک Jupyter نشان می دهد. پس از اتمام، یک پروژه چشمگیر برای اضافه کردن به سبد شغلی خود خواهید داشت. پیش نیاز: **دوره پایتون برای علوم داده، هوش مصنوعی و توسعه** از IBM پیش نیاز این دوره پروژه است. لطفاً مطمئن شوید که قبل از گذراندن این دوره، دوره پایتون برای علوم داده، هوش مصنوعی و توسعه از IBM را گذرانده باشید یا مهارتی معادل در کار با پایتون و داده داشته باشید. توجه: این دوره آموزشی برای آموزش پایتون به شما نیست و محتوای آموزشی زیادی ندارد. این برای شما در نظر گرفته شده است که دانش قبلی پایتون را به کار ببرید.

این دوره شما را از طریق یک پروژه عملی مناسب برای نمونه کارها راهنمایی می کند. شما با API های شخص ثالث آشنا می شوید و نحوه دستکاری تصاویر با استفاده از کتابخانه تصویربرداری پایتون (بالش)، نحوه اعمال تشخیص نویسه نوری روی تصاویر برای تشخیص متن (tesseract و pytesseract) به شما نشان داده می شود. در پایان دوره شما با این کتابخانه های مختلف موجود برای پایتون 3 کار کرده اید تا یک پروژه در دنیای واقعی ایجاد کنید. این دوره برای زبان آموزانی مناسب است که چهار دوره اول تخصص برنامه نویسی پایتون 3 را گذرانده اند. زبان آموزانی که قبلاً مهارت های برنامه نویسی پایتون دارند اما می خواهند با یک پروژه عملی و واقعی تمرین کنند نیز می توانند از این دوره بهره مند شوند. این پنجمین و آخرین دوره در تخصص برنامه نویسی پایتون 3 است.

این دوره برای برنامه نویسان تازه کار یا افراد تجاری است که می خواهند ابزارهای اصلی مورد استفاده برای بحث و تحلیل داده های بزرگ را درک کنند. بدون هیچ تجربه قبلی، این فرصت را خواهید داشت که نمونه های عملی را با چارچوب های Hadoop و Spark که دو مورد از رایج ترین آنها در صنعت هستند، مرور کنید. با توضیح اجزای خاص و فرآیندهای اساسی معماری Hadoop، پشته نرم افزار و محیط اجرا راحت خواهید بود. در تکالیف به شما راهنمایی می‌شود که چگونه دانشمندان داده مفاهیم و تکنیک‌های مهمی مانند Map-Reduce را که برای حل مشکلات اساسی در داده‌های بزرگ استفاده می‌شوند، به کار می‌برند. برای گفتگو در مورد کلان داده ها و فرآیند تجزیه و تحلیل داده ها احساس قدرت خواهید کرد.

Raspberry Pi یک کامپیوتر تک برد کوچک و مقرون به صرفه است که از آن برای طراحی و توسعه دستگاه های سرگرم کننده و کاربردی اینترنت اشیا در حین یادگیری برنامه نویسی و سخت افزار کامپیوتر استفاده خواهید کرد. علاوه بر این، شما یاد خواهید گرفت که چگونه محیط Raspberry Pi را راه اندازی کنید، یک سیستم عامل لینوکس را اجرا کنید، و برخی از کدهای پایه پایتون را روی Raspberry Pi بنویسید و اجرا کنید. همچنین نحوه استفاده از IDE مبتنی بر پایتون (محیط های توسعه یکپارچه) برای Raspberry Pi و نحوه ردیابی و اشکال زدایی کد پایتون در دستگاه را خواهید آموخت. لطفا توجه داشته باشید که این دوره شامل تالار گفتگو نمی باشد.

در پلت‌فرم‌های MLOps (عملیات یادگیری ماشین): Amazon SageMaker و Azure ML، مهارت‌های لازم برای ساخت، آموزش و استقرار راه‌حل‌های یادگیری ماشین را در یک محیط تولید با استفاده از دو پلتفرم ابری پیشرو خواهید آموخت: خدمات وب آمازون (AWS) و Microsoft Azure. این دوره همچنین یک منبع عالی برای افرادی است که به دنبال آماده شدن برای گواهینامه های یادگیری ماشینی AWS یا Azure هستند یا به عنوان دانشمندان داده، مهندسان نرم افزار، توسعه دهندگان نرم افزار، تحلیلگران داده یا سایر نقش هایی که از یادگیری ماشینی استفاده می کنند، کار می کنند (یا به دنبال کار هستند). از طریق یک سری تمرین‌های عملی، شهودی برای الگوریتم‌های یادگیری ماشین اولیه و تجربه عملی کار با این پلت‌فرم‌های پیشرو Cloud به دست خواهید آورد. در پایان دوره، شما قادر خواهید بود راه حل های یادگیری ماشین را در یک محیط تولید با استفاده از فناوری AWS و Azure استقرار دهید. هفته 1. مهندسی داده را با فناوری AWS کاوش کنید. ما در مورد موضوعاتی مانند شروع یادگیری ماشین در AWS، ایجاد مخازن داده، و شناسایی و اجرای راه‌حل‌هایی برای جذب و تبدیل داده بحث خواهیم کرد. هفته 2. با فناوری AWS، مهارت های پایه علوم داده را به دست آورید. شما تکنیک های پاکسازی داده ها، مهندسی ویژگی ها، تجزیه و تحلیل داده ها و تجسم داده ها را برای یادگیری ماشینی خواهید آموخت. ما استفاده از راه‌حل‌های بدون سرور را که در AWS در دسترس هستند، در اولویت قرار می‌دهیم تا فرآیند کارآمدتر شود. هفته 3. مدل‌های یادگیری ماشینی را با فناوری AWS بیاموزید. ما نحوه انتخاب مدل‌های مناسب برای کار در دست، انتخاب ابرپارامترها، آموزش مدل‌ها بر روی پلت فرم و ارزیابی مدل‌ها را بررسی خواهیم کرد. هفته 4. آموزش MLOps با AWS: مرحله نهایی قرار دادن یادگیری ماشینی در تولید. ما در مورد موضوعاتی مانند عملیاتی کردن یک مدل یادگیری ماشین، تصمیم گیری بین CPU و GPU، و استقرار و حفظ مدل بحث خواهیم کرد. هفته 5. نحوه کار با داده ها و یادگیری ماشین را در دومین پلتفرم پیشرو مبتنی بر Cloud بیاموزید: Azure ML.

این دوره دومین دوره تخصصی در زمینه یادگیری ماشین برای مبانی زنجیره تامین است. در این دوره، تمام جنبه های سری های زمانی، به ویژه برای پیش بینی تقاضا را بررسی می کنیم. ما با به دست آوردن جای پایی در مفاهیم اساسی پیرامون سری های زمانی، از جمله ایستایی، روند (رانش)، چرخه ای بودن، و فصلی شروع خواهیم کرد. سپس، مدتی را صرف تحلیل روش‌های همبستگی در رابطه با سری‌های زمانی (خودهمبستگی) خواهیم کرد. در نیمه دوم دوره، ما بر روی روش‌هایی برای پیش‌بینی تقاضا با استفاده از سری‌های زمانی، مانند مدل‌های خودرگرسیون تمرکز خواهیم کرد. در نهایت، با پروژه ای نتیجه گیری می کنیم که تقاضا را با استفاده از مدل های ARIMA در پایتون پیش بینی می کند.