در این دوره، ما اصول اولیه استفاده از داده ها برای تخمین و ارزیابی نظریه ها را بررسی خواهیم کرد. ما هم داده های طبقه بندی شده و هم داده های کمی را تجزیه و تحلیل خواهیم کرد، از تکنیک های یک جمعیت شروع می کنیم و برای مقایسه دو جمعیت گسترش می دهیم. ما یاد خواهیم گرفت که چگونه فواصل اطمینان ایجاد کنیم. ما همچنین از داده های نمونه برای ارزیابی اینکه آیا یک نظریه در مورد مقدار یک پارامتر با داده ها مطابقت دارد یا خیر استفاده خواهیم کرد. تمرکز اصلی بر تفسیر مناسب نتایج استنباطی خواهد بود. در پایان هر هفته، فراگیران آموخته های خود را با استفاده از پایتون در محیط دوره به کار می گیرند. 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 مقدمه ای بر تکنیک های علوم داده پایه با استفاده از پایتون ارائه می دهد. دانش آموزان با مفاهیم اصلی مانند Data Frames و پیوستن به داده ها آشنا می شوند و یاد می گیرند که چگونه از کتابخانه های تجزیه و تحلیل داده ها مانند پانداها، numpy و matplotlib استفاده کنند. این دوره مروری بر بارگذاری، بازرسی و پرس و جوی داده های دنیای واقعی و چگونگی پاسخ به سوالات اساسی در مورد آن داده ها را ارائه می دهد. دانش‌آموزان مهارت‌هایی در جمع‌آوری و خلاصه‌سازی داده‌ها و همچنین تجسم داده‌های اولیه کسب خواهند کرد.

در این دوره آموزشی، نحوه خواندن و نوشتن داده ها از یک فایل و روی آن را یاد خواهید گرفت. همچنین نحوه دستکاری و تجزیه و تحلیل داده ها را با استفاده از لیست ها، تاپل ها، دیکشنری ها، مجموعه ها و کتابخانه های پانداها و Matplot بررسی خواهید کرد. به‌عنوان یک توسعه‌دهنده، درک نحوه برخورد با مسائلی که می‌تواند باعث از کار افتادن یک برنامه کاربردی شود، مهم است. شما یاد خواهید گرفت که چگونه استثناها را برای رسیدگی به این مسائل پیاده سازی کنید. برای یادگیری مطالب در این دوره نیازی به پیشینه 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!

این دوره استفاده از زبان برنامه نویسی پایتون را برای دستکاری مجموعه داده ها به عنوان جایگزینی برای صفحات گسترده معرفی می کند. شما از چارچوب OSEMN تجزیه و تحلیل داده ها پیروی می کنید تا داده ها را بکشید، تمیز کنید، دستکاری کنید و تفسیر کنید و در عین حال اصول برنامه نویسی اساسی و توابع پایه پایتون را یاد بگیرید. شما با کتابخانه پایتون، پانداها و نحوه استفاده از آن برای به دست آوردن، تمیز کردن، کاوش و تجسم داده ها آشنا خواهید شد. در پایان این دوره شما قادر خواهید بود: • از پایتون برای ساخت حلقه ها و ساختارهای داده اولیه استفاده کنید • مرتب سازی، پرس و جو و ساختار داده ها در پانداها، کتابخانه پایتون • تجسم داده ها را با کتابخانه های پایتون ایجاد کنید • مدل سازی و تفسیر داده ها با استفاده از پایتون این دوره برای افرادی طراحی شده است که می خواهند اصول استفاده از پایتون را برای مرتب سازی و ساختار داده ها برای تجزیه و تحلیل داده ها یاد بگیرند. شما نیازی به تجربه بازاریابی یا تجزیه و تحلیل داده ندارید، اما باید مهارت های ناوبری اینترنتی اولیه را داشته باشید و مشتاق مشارکت باشید.

این دوره بر توسعه مهارت های پایتون برای جمع آوری داده های تجاری تمرکز دارد. برخی از مطالب مشابه از مقدمه ای بر تجزیه و تحلیل داده های حسابداری و تجسم را پوشش می دهد، اما در یک محیط برنامه نویسی با هدف کلی تر (ژوپیتر نوت بوک برای پایتون)، به جای اکسل و ویرایشگر ویژوال بیسیک. این مفاهیم در چارچوب یک یا چند حوزه داده حسابداری (به عنوان مثال، داده های صورت های مالی از EDGAR، داده های سهام، داده های وام، داده های محل فروش) آموزش داده می شوند. نیمه اول دوره از جایی شروع می شود که مقدمه ای بر تجزیه و تحلیل داده های حسابداری و تجسم متوقف شد: استفاده در یک محیط توسعه یکپارچه برای خودکارسازی وظایف تجزیه و تحلیل داده ها. ما در مورد نحوه مدیریت کد و اشتراک‌گذاری نتایج در Jupyter Notebook، یک محیط توسعه محبوب برای نرم‌افزارهای تجزیه و تحلیل داده‌ها مانند Python و R بحث می‌کنیم. سپس برخی از مهارت‌های برنامه‌نویسی اساسی، مانند عملگرهای ریاضی، توابع، عبارات شرطی و حلقه‌ها را با استفاده از نرم‌افزار پایتون مرور می‌کنیم. نیمه دوم دوره بر روی جمع آوری داده ها برای اهداف یادگیری ماشین تمرکز دارد. ما دانش آموزان را با قالب های داده پاندا و Numpy برای ساختاردهی و دستکاری داده ها آشنا می کنیم. سپس داده ها را با استفاده از تجسم و رگرسیون خطی تجزیه و تحلیل می کنیم. در نهایت نحوه استفاده از پایتون برای تعامل با داده های SQL را توضیح می دهیم.

نتایج یادگیرنده: پس از گذراندن این دوره، شما قادر خواهید بود: - از سرویس های مختلف رابط برنامه نویسی برنامه (API) برای جمع آوری داده ها از منابع مختلف رسانه های اجتماعی مانند یوتیوب، توییتر و فلیکر استفاده کنید. - پردازش داده های جمع آوری شده - عمدتاً ساختار یافته - با استفاده از روش هایی شامل همبستگی، رگرسیون و طبقه بندی برای به دست آوردن بینش در مورد منابع و افرادی که آن داده ها را تولید کرده اند. - داده های بدون ساختار - عمدتاً نظرات متنی - را برای احساسات بیان شده در آنها تجزیه و تحلیل کنید. - از ابزارهای مختلف برای جمع آوری، تجزیه و تحلیل و کاوش داده های رسانه های اجتماعی برای اهداف تحقیق و توسعه استفاده کنید. نمونه داستان یادگیرنده: تحلیلگر داده که می خواهد از داده های رسانه های اجتماعی استفاده کند. ایزابلا یک تحلیلگر داده است که به عنوان مشاور برای یک شرکت چند ملیتی کار می کند. او تجربه کار با ابزارهای تحلیل وب و همچنین داده های بازاریابی را دارد. او می‌خواهد اکنون در عرصه رسانه‌های اجتماعی گسترش یابد و سعی کند از حجم وسیعی از داده‌های موجود از طریق کانال‌های مختلف رسانه‌های اجتماعی استفاده کند. به طور خاص، او می خواهد ببیند که مشتریان، شرکا و رقبا چگونه محصولات/خدمات خود را مشاهده می کنند و در مورد آنها صحبت می کنند. او امیدوار است که یک گردش کار جدید از تجزیه و تحلیل داده ایجاد کند که پردازش داده های سنتی با استفاده از وب و ابزارهای بازاریابی و همچنین روش های جدیدتر استفاده از داده های رسانه های اجتماعی را در بر می گیرد. نمونه نقش های شغلی که به این مهارت ها نیاز دارند: - تحلیلگر رسانه های اجتماعی - تحلیلگر وب - تحلیلگر داده - بازاریابی و روابط عمومی پروژه نهایی قابل تحویل / مصنوع: این دوره دارای یک سری تکالیف کوچک یا پروژه های کوچک است که شامل جمع آوری داده ها، تجزیه و تحلیل و ارائه شامل منابع مختلف رسانه های اجتماعی با استفاده از تکنیک های آموخته شده در کلاس است. این دوره توسط دکتر چراغ شاه در زمانی که او عضو هیئت علمی دانشگاه راتگرز بود، ایجاد شد. او در حال حاضر یکی از اعضای هیئت علمی دانشگاه واشنگتن است.

این پنجمین دوره از هفت دوره در گواهی تجزیه و تحلیل داده های پیشرفته گوگل است. متخصصان داده از تحلیل رگرسیون برای کشف روابط بین متغیرهای مختلف در یک مجموعه داده و شناسایی عوامل کلیدی موثر بر عملکرد کسب و کار استفاده می کنند. در این دوره، مدل سازی روابط متغیر را تمرین خواهید کرد. شما در مورد روش های مختلف مدل سازی داده ها و نحوه استفاده از آنها برای نزدیک شدن به مشکلات تجاری یاد خواهید گرفت. همچنین روش هایی مانند رگرسیون خطی، تحلیل واریانس (ANOVA) و رگرسیون لجستیک 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: -کاوش استفاده از مدل های پیش بینی برای توصیف روابط متغیرها، با تاکید بر همبستگی -تعیین کنید که چگونه رگرسیون چندگانه بر روی رگرسیون خطی ساده در هر مرحله از فرآیند مدل سازی ایجاد می شود -تست های ANOVA یک طرفه و دو طرفه را اجرا و تفسیر کنید - ساخت انواع مختلف رگرسیون لجستیک از جمله مدل های رگرسیون خطی دو جمله ای، چند جمله ای، ترتیبی و پواسون

تجزیه و تحلیل شبکه یک روش قدیمی است که برای درک روابط بین کلمات و بازیگران در شبکه های گسترده تر که در آن وجود دارند استفاده می شود. این دوره تجزیه و تحلیل شبکه را در رابطه با داده های بازاریابی، به ویژه مجموعه داده های متنی و شبکه های اجتماعی پوشش می دهد. زبان‌آموزان مروری مفهومی از تجزیه و تحلیل شبکه را طی می‌کنند و از طریق آموزش‌های آموزشی در پایتون به مجموعه داده‌های دنیای واقعی می‌روند. دوره با یک پروژه بزرگ به پایان می رسد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، گذراند. 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.

در دنیای امروزی مبتنی بر داده، توانایی ایجاد تجسم‌های متقاعدکننده و بیان داستان‌های تاثیرگذار با داده‌ها یک مهارت بسیار مهم است. این دوره جامع شما را در فرآیند تجسم با استفاده از ابزارهای کدنویسی با پایتون، صفحات گسترده و ابزارهای BI (هوش تجاری) راهنمایی می کند. چه یک تحلیلگر داده، یک حرفه ای در کسب و کار یا یک داستان نویس مشتاق داده باشید، این دوره دانش و بهترین شیوه ها را برای برتری در هنر داستان سرایی بصری در اختیار شما قرار می دهد. در طول دوره، یک مجموعه داده ثابت برای تمرین ها استفاده خواهد شد، که به شما امکان می دهد به جای گرفتار شدن در پیچیدگی های داده ها، بر تسلط بر ابزارهای تجسم تمرکز کنید. تاکید بر کاربرد عملی است که به شما امکان می دهد ابزارها را در یک زمینه دنیای واقعی یاد بگیرید و تمرین کنید. برای استفاده کامل از بخش های پایتون این دوره، برنامه نویسی با تجربه قبلی در پایتون توصیه می شود. علاوه بر این، درک کاملی از ریاضیات سطح دبیرستان انتظار می رود. آشنایی با کتابخانه پانداها نیز مفید خواهد بود. در پایان این دوره، شما مهارت های لازم برای تبدیل شدن به یک داستان گوی داده و ارتباط تصویری ماهر را خواهید داشت. با توانایی ایجاد تجسم های قانع کننده و استفاده از ابزارهای مناسب، به خوبی مجهز خواهید بود تا در دنیای داده ها حرکت کنید و تصمیمات آگاهانه ای بگیرید که تأثیر معنی داری داشته باشد.

این دوره از طریق آموزش با استفاده از کتابخانه NetworkX زبان آموز را با تجزیه و تحلیل شبکه آشنا می کند. این دوره با درک اینکه تحلیل شبکه چیست و انگیزه هایی برای اینکه چرا ممکن است پدیده ها را به عنوان شبکه مدل سازی کنیم آغاز می شود. هفته دوم مفهوم اتصال و استحکام شبکه را معرفی می کند. هفته سوم راه های اندازه گیری اهمیت یا مرکزیت یک گره در یک شبکه را بررسی خواهد کرد. هفته آخر سیر تکامل شبکه‌ها در طول زمان را بررسی می‌کند و مدل‌های تولید شبکه و مشکل پیش‌بینی لینک را پوشش می‌دهد. این دوره باید بعد از: مقدمه ای بر علم داده در پایتون، نقشه برداری کاربردی، نمودار و نمایش داده ها در پایتون، و یادگیری ماشین کاربردی در پایتون گذرانده شود.

این دوره زبان آموز را با مبانی تجسم اطلاعات، با تمرکز بر گزارش و ترسیم نمودار با استفاده از کتابخانه matplotlib آشنا می کند. این دوره با یک دیدگاه طراحی و سواد اطلاعاتی شروع می شود و به این موضوع می پردازد که چه چیزی یک تجسم خوب و بد را ایجاد می کند و معیارهای آماری از نظر تجسم به چه چیزی تبدیل می شوند. هفته دوم بر روی فناوری مورد استفاده برای تجسم سازی در پایتون، matplotlib و معرفی بهترین شیوه ها در هنگام ایجاد نمودارهای اساسی و نحوه تحقق تصمیمات طراحی در چارچوب تمرکز خواهد کرد. هفته سوم آموزش عملکردهای موجود در matplotlib خواهد بود و انواع نمودارهای آماری پایه را نشان می دهد که به یادگیرندگان کمک می کند تشخیص دهند که چه زمانی یک روش خاص برای یک مشکل خاص خوب است. این دوره با بحث در مورد اشکال دیگر ساختاردهی و تجسم داده ها به پایان می رسد. این دوره باید بعد از مقدمه ای بر علم داده در پایتون و قبل از باقیمانده دوره های علوم داده کاربردی با پایتون گذرانده شود: یادگیری ماشین کاربردی در پایتون، متن کاوی کاربردی در پایتون، و تحلیل شبکه های اجتماعی کاربردی در پایتون.

در بازار کار امروزی، رهبران برای رقابتی بودن نیاز به درک اصول اساسی داده ها دارند. یک روش ضروری برای درک تجارت و تجزیه و تحلیل، آزمون فرضیه است. این دوره کوتاه که توسط اساتید متخصص دانشگاه تافتز طراحی شده است، مبانی آزمون فرضیه میانگین جمعیت و نسبت جمعیت را با استفاده از Excel و Python برای محاسبات آموزش می دهد. شما همچنین قضیه حد مرکزی را که برای آزمایش فرضیه ضروری است، کشف خواهید کرد. برای به پایان رساندن دوره، با ایجاد طرحی برای آزمایشی در محل کار خود که از آزمون فرضیه استفاده می کند، مهارت های جدید خود را به کار خواهید گرفت.

دانشمندان کامپیوتر با تجربه، مسائل محاسباتی را در سطحی از انتزاع که فراتر از هر زبان برنامه نویسی خاصی است، تحلیل و حل می کنند. این کلاس دو قسمتی برای آموزش مفاهیم ریاضی و فرآیند "تفکر الگوریتمی" به دانش آموزان طراحی شده است و به آنها امکان می دهد راه حل های ساده تر و کارآمدتری برای مسائل محاسباتی بسازند. در قسمت دوم این دوره به بررسی تکنیک های الگوریتمی پیشرفته مانند برنامه نویسی پویا و تفرقه بینداز می پردازیم. به عنوان بخش مرکزی دوره، دانش‌آموزان چندین الگوریتم را در پایتون پیاده‌سازی می‌کنند که این تکنیک‌ها را در خود جای داده و سپس از این الگوریتم‌ها برای تجزیه و تحلیل دو مجموعه داده بزرگ در دنیای واقعی استفاده می‌کنند. تمرکز اصلی این کارها درک تعامل بین الگوریتم ها و ساختار مجموعه داده هایی است که توسط این الگوریتم ها تجزیه و تحلیل می شوند. هنگامی که دانش‌آموزان این کلاس را کامل کردند، مهارت‌های ریاضی و برنامه‌نویسی برای تجزیه و تحلیل، طراحی و برنامه‌ریزی راه‌حل‌های طیف وسیعی از مسائل محاسباتی را خواهند داشت. در حالی که این کلاس از پایتون به عنوان وسیله انتخابی خود برای تمرین تفکر الگوریتمی استفاده می کند، مفاهیمی که در این کلاس خواهید آموخت فراتر از هر زبان برنامه نویسی خاصی است.

این دوره ساختار داده فرهنگ لغت و توابع تعریف شده توسط کاربر را معرفی می کند. شما با متغیرهای محلی و سراسری، انتقال پارامترهای اختیاری و کلید واژه، توابع نامگذاری شده و عبارات لامبدا آشنا خواهید شد. همچنین با تابع مرتب‌سازی شده پایتون و نحوه کنترل ترتیب مرتب‌سازی آن با ارسال تابع دیگری به عنوان ورودی آشنا خواهید شد. برای پروژه نهایی خود، داده‌های شبکه‌های اجتماعی شبیه‌سازی‌شده را از یک فایل می‌خوانید، امتیازات احساسات را محاسبه می‌کنید و فایل‌های csv. را می‌نویسید. این فصل‌های 10 تا 16 کتاب درسی «مبانی برنامه‌نویسی پایتون» را پوشش می‌دهد که متن همراه (اختیاری و رایگان) این دوره است. اگر قبلاً دوره "مبانی پایتون" را گذرانده اید و می خواهید دانش اساسی بیشتری از زبان پایتون کسب کنید، این دوره برای شما مناسب است. هر دو دوره با هم برای افراد تازه وارد در برنامه نویسی پایتون، کسانی که نیاز به تجدید نظر در مبانی پایتون دارند، یا کسانی که ممکن است تا حدودی با برنامه نویسی پایتون آشنا شده باشند اما خواهان شرح و واژگان عمیق تری برای توصیف و استدلال در مورد برنامه ها هستند، طراحی شده است. این دوره تکمیلی دوره "مبانی پایتون" (درس 1 از تخصص برنامه نویسی پایتون 3) است و دومین دوره از پنج دوره در این تخصص است.

این دوره برای توسعه دهندگان برنامه طراحی شده است که می خواهند بارهای کاری استنتاج بینایی کامپیوتر را با استفاده از کیت ابزار OpenVINOTM Intel® Distribution توسعه دهند. این دوره به مدل‌های شبکه عصبی بینایی کامپیوتر از انواع چارچوب‌های یادگیری ماشینی معروف می‌پردازد و نوشتن یک برنامه کاربردی قابل حمل را پوشش می‌دهد که قادر به استقرار استنتاج بر روی طیف وسیعی از دستگاه‌های محاسباتی است. این دوره برای توسعه دهندگان برنامه هدف گذاری شده است و بر روی مثال ها و بحث در مورد گردش کار توسعه تمرکز می کند. به این ترتیب، بحث‌ها نه تنها شامل جزئیات نحوه استفاده از خود جعبه ابزار می‌شود، بلکه موضوعاتی مانند نحوه گرفتن معیار برای مقایسه دستگاه‌های محاسباتی یا کارهایی که باید در هنگام مواجهه با مشکلات انجام دهید را شامل می‌شود. این دوره به گونه ای ساخته شده است که به عنوان راهنمای چگونگی توسعه استقرار استنتاج بینایی کامپیوتر با جعبه ابزار عمل می کند. در پایان دوره، دانش‌آموزان مهارت لازم برای استقرار برنامه بینایی کامپیوتر خود را با استفاده از جعبه ابزار خواهند داشت.

این دوره کوتاه برای تجهیز زبان‌آموزان به مهارت‌های پایه در پایتون برای توسعه برنامه‌های کاربردی وب با قابلیت هوش مصنوعی با استفاده از چارچوب Flask و کتابخانه‌های هوش مصنوعی Watson طراحی شده است. شما چرخه عمر انتها به انتها ساخت برنامه های کاربردی وب مقیاس پذیر را بررسی خواهید کرد، از نوشتن کدهای پاک و ماژولار پایتون تا استقرار راه حل های کامل مبتنی بر هوش مصنوعی. این دوره با معرفی Flask، یک چارچوب وب سبک و انعطاف پذیر آغاز می شود و به زبان آموزان کمک می کند تا پایه ای قوی در برنامه های کاربردی وب، API ها و چرخه عمر کلی توسعه ایجاد کنند. آن‌ها تجربه عملی با IDE Cloud Network IBM Skills به دست خواهند آورد، بهترین روش‌های پایتون از جمله تجزیه و تحلیل کد استاتیک را یاد می‌گیرند، و تست‌های واحد را می‌نویسند و اجرا می‌کنند تا از قابلیت اطمینان کد خود اطمینان حاصل کنند. این دوره با آموزش ساختن برنامه های کاربردی وب با Flask که موضوعاتی مانند مسیریابی، رسیدگی به درخواست های GET و POST، مسیرهای پویا و مدیریت خطا را پوشش می دهد، عمیق تر به توسعه برنامه می پردازد. در پایان دوره، فراگیران یک پروژه تمرینی و یک پروژه نهایی بررسی شده را تکمیل خواهند کرد که توانایی آنها را برای توسعه، آزمایش و استقرار برنامه های کاربردی Flask مبتنی بر هوش مصنوعی نشان می دهد. تجربه عملی به‌دست‌آمده در طول این دوره تضمین می‌کند که زبان‌آموزان نه تنها به مهارت‌های پایتون و فلاسک خود اطمینان دارند، بلکه آماده ساخت اپلیکیشن‌های وب هوشمند در تنظیمات دنیای واقعی هستند.

به تازگی برای سال 2024 به روز شده است! Mathematics for Machine Learning and Data Science یک برنامه آنلاین پایه است که توسط DeepLearning.AI ایجاد شده و توسط Luis Serrano تدریس می شود. در یادگیری ماشینی، شما مفاهیم ریاضی را از طریق برنامه نویسی به کار می برید. و بنابراین، در این تخصص، مفاهیم ریاضی را که با استفاده از برنامه نویسی پایتون یاد می گیرید، در تمرینات آزمایشگاهی عملی به کار خواهید برد. به عنوان یک زبان آموز در این برنامه، برای موفقیت به مهارت های برنامه نویسی پایتون اولیه تا متوسط ​​نیاز دارید. پس از اتمام این دوره، شما قادر خواهید بود: • داده ها را به صورت بردارها و ماتریس ها نشان می دهد و ویژگی های آنها را با استفاده از مفاهیم تکینگی، رتبه و استقلال خطی و غیره شناسایی می کند. • اعمال مشترک عملیات جبر بردار و ماتریس مانند حاصل ضرب نقطه، معکوس، و دترمینال • انواع خاصی از عملیات ماتریس را به صورت تبدیل خطی بیان کنید • مفاهیم مقادیر ویژه و بردارهای ویژه را در مسائل یادگیری ماشین اعمال کنید بسیاری از مهندسان یادگیری ماشین و دانشمندان داده در زمینه ریاضیات به کمک نیاز دارند، و حتی تمرین‌کنندگان با تجربه نیز می‌توانند از کمبود مهارت‌های ریاضی عقب‌مانده شوند. این تخصص از آموزش نوآورانه در ریاضیات استفاده می‌کند تا به شما کمک کند تا سریع و شهودی یاد بگیرید، با دوره‌هایی که از تجسم‌های ساده برای پیگیری استفاده می‌کنند تا به شما کمک کنند تا ببینید که چگونه ریاضیات پشت یادگیری ماشین واقعاً کار می‌کند.  ما به شما توصیه می کنیم سطح ریاضی دبیرستان (توابع، جبر پایه) و آشنایی با برنامه نویسی (ساختارهای داده، حلقه ها، توابع، دستورات شرطی، اشکال زدایی) داشته باشید. تکالیف و آزمایشگاه‌ها در پایتون نوشته شده‌اند، اما این دوره تمام کتابخانه‌های یادگیری ماشینی را که استفاده می‌کنید معرفی می‌کند.

این دوره به شما می آموزد که داده ها را از سرویس های موجود در اینترنت واکشی و پردازش کنید. درک لیست پایتون را پوشش می دهد و فرصت هایی را برای تمرین استخراج و پردازش داده های عمیق تو در تو فراهم می کند. همچنین یاد خواهید گرفت که چگونه از ماژول درخواست‌های پایتون برای تعامل با APIهای REST استفاده کنید و در اسناد آن APIها به دنبال چه چیزی باشید. برای پروژه نهایی، شما یک «پیشنهادگر برچسب» برای سایت اشتراک‌گذاری عکس فلیکر می‌سازید. اگر قبلاً دوره های «مبانی پایتون» و «توابع، فایل ها و دیکشنری های پایتون» (دوره های 1 و 2 تخصص برنامه نویسی پایتون 3) را گذرانده باشید، این دوره برای شما مناسب است. اگر قبلاً با اصول پایتون آشنایی دارید اما می خواهید در بازیابی و پردازش داده های تو در تو پیچیده از سرویس های اینترنتی تمرین کنید، می توانید بدون گذراندن دو دوره قبلی نیز از این دوره بهره مند شوید. این سومین دوره از پنج دوره تخصصی برنامه نویسی پایتون 3 است.

به تازگی برای سال 2024 به روز شده است! Mathematics for Machine Learning and Data Science یک برنامه آنلاین پایه است که توسط DeepLearning.AI ایجاد شده و توسط Luis Serrano تدریس می شود. در یادگیری ماشینی، شما مفاهیم ریاضی را از طریق برنامه نویسی به کار می برید. و بنابراین، در این تخصص، مفاهیم ریاضی را که با استفاده از برنامه نویسی پایتون یاد می گیرید، در تمرینات آزمایشگاهی عملی به کار خواهید برد. به عنوان یک زبان آموز در این برنامه، برای موفقیت به مهارت های برنامه نویسی پایتون اولیه تا متوسط ​​نیاز دارید. پس از اتمام این دوره، فراگیران قادر خواهند بود: • بهینه سازی تحلیلی انواع مختلف توابع که معمولاً در یادگیری ماشین استفاده می شوند با استفاده از ویژگی های مشتقات و گرادیان ها • بهینه سازی تقریباً انواع مختلف توابع که معمولاً در یادگیری ماشین استفاده می شوند با استفاده از روش های تکراری مرتبه اول (نزول گرادیان) و مرتبه دوم (روش نیوتن). • تفکیک بصری تمایز انواع مختلف توابع که معمولاً در یادگیری ماشین استفاده می شوند • اجرای گرادیان نزول در شبکه های عصبی با توابع مختلف فعال سازی و هزینه بسیاری از مهندسان یادگیری ماشین و دانشمندان داده در زمینه ریاضیات به کمک نیاز دارند، و حتی تمرین‌کنندگان با تجربه نیز می‌توانند از کمبود مهارت‌های ریاضی عقب‌مانده شوند. این تخصص از آموزش نوآورانه در ریاضیات استفاده می‌کند تا به شما کمک کند تا سریع و شهودی یاد بگیرید، با دوره‌هایی که از تجسم‌های ساده برای پیگیری استفاده می‌کنند تا به شما کمک کنند تا ببینید که چگونه ریاضیات پشت یادگیری ماشین واقعاً کار می‌کند.  ما به شما توصیه می کنیم سطح ریاضی دبیرستان (توابع، جبر پایه) و آشنایی با برنامه نویسی (ساختارهای داده، حلقه ها، توابع، دستورات شرطی، اشکال زدایی) داشته باشید. تکالیف و آزمایشگاه‌ها در پایتون نوشته شده‌اند، اما این دوره تمام کتابخانه‌های یادگیری ماشینی را که استفاده می‌کنید معرفی می‌کند.

اینترنت اشیا (IoT) به یکی از اجزای مهم زندگی شهری تبدیل شده است و باعث ایجاد «شهرهای هوشمند» شده است. هدف این شهرهای هوشمند تبدیل مجتمع های شهری امروزی به فضاهای زندگی سازگار با محیط زیست و سازگار با محیط زیست است. زیرساخت دیجیتال شهرهای هوشمند حجم عظیمی از داده ها را تولید می کند که می تواند به ما در درک بهتر عملیات و سایر جنبه های مهم زندگی شهر کمک کند. در این دوره، شما با تکنیک های مختلف داده کاوی و یادگیری ماشین و مجموعه داده های مختلفی که می توان بر روی آنها اعمال کرد، آشنا خواهید شد. شما یاد خواهید گرفت که چگونه داده کاوی را در پایتون پیاده سازی کنید و نتایج را برای استخراج دانش عملی تفسیر کنید. این دوره شامل آزمایش‌های عملی با استفاده از مجموعه داده‌های زندگی واقعی مختلف است تا شما را قادر می‌سازد روی مجموعه داده‌های جدید مرتبط با دامنه خود آزمایش کنید. شما از زبان برنامه نویسی پایتون 3 برای خواندن و پیش پردازش داده ها استفاده می کنید و سپس وظایف مختلف داده کاوی را روی داده های پاک شده برای به دست آوردن نتایج دلخواه پیاده سازی می کنید. پس از آن، نتایج را برای کارآمدترین توصیف تجسم خواهید کرد.