این دوره اصول اولیه پایتون 3 شامل اجرای شرطی و تکرار به عنوان ساختارهای کنترلی و رشته ها و لیست ها به عنوان ساختارهای داده را معرفی می کند. شما یک لاک پشت روی صفحه را برای کشیدن تصاویر زیبا برنامه ریزی می کنید. شما همچنین یاد خواهید گرفت که نمودارهای مرجع را به عنوان راهی برای استدلال در مورد اجرای برنامه ترسیم کنید، که به تقویت مهارت های اشکال زدایی شما کمک می کند. دوره هیچ پیش نیازی ندارد. فصل های 1 تا 9 کتاب درسی "مبانی برنامه نویسی پایتون" که متن همراه (اختیاری و رایگان) این دوره است را پوشش می دهد. این دوره برای شما مناسب است اگر در برنامه نویسی پایتون تازه وارد هستید، اگر به یک تجدید نظر در اصول اولیه پایتون نیاز دارید، یا اگر ممکن است تا حدودی با برنامه نویسی پایتون آشنا شده باشید اما می خواهید توضیحات و واژگان عمیق تری برای توصیف و استدلال در مورد برنامه ها داشته باشید. این اولین دوره از پنج دوره تخصصی برنامه نویسی پایتون 3 است.

آیا داده ای دارید و نمی دانید چه چیزی می تواند به شما بگوید؟ آیا به درک عمیق تری از راه های اصلی که یادگیری ماشینی می تواند کسب و کار شما را بهبود بخشد نیاز دارید؟ آیا می خواهید بتوانید با متخصصان در مورد هر چیزی از رگرسیون و طبقه بندی گرفته تا یادگیری عمیق و سیستم های توصیه کننده صحبت کنید؟ در این دوره، از یک سری مطالعات موردی عملی، تجربه عملی در زمینه یادگیری ماشین کسب خواهید کرد. در پایان دوره اول، نحوه پیش بینی قیمت خانه بر اساس ویژگی های سطح خانه، تجزیه و تحلیل احساسات از نظرات کاربران، بازیابی اسناد مورد علاقه، توصیه محصولات و جستجوی تصاویر را مطالعه خواهید کرد. از طریق تمرین عملی با این موارد استفاده، می‌توانید روش‌های یادگیری ماشینی را در طیف گسترده‌ای از حوزه‌ها به کار ببرید. این اولین دوره، روش یادگیری ماشین را به عنوان یک جعبه سیاه در نظر می گیرد. با استفاده از این انتزاع، بر درک وظایف مورد علاقه، تطبیق این وظایف با ابزارهای یادگیری ماشین و ارزیابی کیفیت خروجی تمرکز خواهید کرد. در دوره های بعدی با بررسی مدل ها و الگوریتم ها به اجزای این جعبه سیاه می پردازید. این قطعات با هم خط لوله یادگیری ماشینی را تشکیل می دهند که از آن در توسعه برنامه های کاربردی هوشمند استفاده خواهید کرد. نتایج یادگیری: در پایان این دوره، شما قادر خواهید بود: - کاربردهای بالقوه یادگیری ماشین را در عمل شناسایی کنید. -تفاوت های اصلی در تحلیل های فعال شده با رگرسیون، طبقه بندی و خوشه بندی را شرح دهید. -وظیفه یادگیری ماشین مناسب را برای یک برنامه بالقوه انتخاب کنید. -استفاده از رگرسیون، طبقه بندی، خوشه بندی، بازیابی، سیستم های توصیه گر و یادگیری عمیق. -داده‌های خود را به‌عنوان ویژگی‌هایی نمایش دهید تا به عنوان ورودی مدل‌های یادگیری ماشینی استفاده شوند. -کیفیت مدل را از نظر معیارهای خطای مربوطه برای هر کار ارزیابی کنید. -از یک مجموعه داده برای تطبیق یک مدل برای تجزیه و تحلیل داده های جدید استفاده کنید. -یک اپلیکیشن سرتاسر بسازید که در هسته خود از یادگیری ماشینی استفاده می کند. -این تکنیک ها را در پایتون پیاده سازی کنید.

این دوره زبان آموز را با مبانی متن کاوی و دستکاری متن آشنا می کند. این دوره با درک نحوه مدیریت متن توسط پایتون، ساختار متن هم برای ماشین و هم برای انسان و مروری بر چارچوب nltk برای دستکاری متن آغاز می شود. هفته دوم بر نیازهای رایج دستکاری، از جمله عبارات منظم (جستجوی متن)، تمیز کردن متن، و آماده کردن متن برای استفاده توسط فرآیندهای یادگیری ماشین تمرکز دارد. هفته سوم روش‌های اصلی پردازش زبان طبیعی را در متن اعمال می‌کند و نشان می‌دهد که چگونه طبقه‌بندی متن انجام می‌شود. در هفته آخر روش های پیشرفته تری برای شناسایی موضوعات در اسناد و گروه بندی آنها بر اساس شباهت (مدل سازی موضوع) بررسی خواهد شد. 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.

چرا یک طراح باید کدنویسی را یاد بگیرد؟ از آنجایی که دنیای ما به طور فزاینده ای تحت تاثیر استفاده از الگوریتم ها قرار می گیرد، طراحان باید نحوه استفاده و ایجاد برنامه های محاسباتی طراحی را بیاموزند. طراحان باید فراتر از استفاده متمرکز از کامپیوترها در اتوماسیون کارهای ساده طراحی/مدل سازی بروند و در عوض پتانسیل فوق العاده دیجیتالی شدن را برای فرهنگ/عمل طراحی کشف کنند. این دوره که حول یک سری مشکلات اساسی طراحی ساختار یافته است، کدهای پایتون را از نظر قوانین و نحو، و کارهایی که می توانیم با آن در کاربرد و طراحی آن انجام دهیم را به شما نشان می دهد. بنابراین، در پایان این دوره، شما اصول اولیه اسکریپت پایتون و راینو را خواهید دانست، اما مهمتر از آن، از طریق لنز کاربرد آنها در درس ها و تمرین های طراحی متمرکز هندسی. موضوعات تحت پوشش در این دوره - مقدمه ای بر محاسبات طراحی به عنوان یک موضوع و اینکه چرا طراحان باید کدنویسی را یاد بگیرند. - مبانی کدنویسی در زبان برنامه نویسی پایتون. در پایان دوره، دانشجویان با ساختار و نحو اصلی این زبان آشنا خواهند شد. - درک و استفاده از Rhinoscriptsyntax، یک زبان برنامه‌نویسی بومی در Rhinoceros که به پایتون وارد شده است، که به فرد اجازه می‌دهد هندسه‌ها را از طریق نوشتن کد ایجاد و کنترل کند. - کاربرد منطق رویه ای - ساختار سیستم های کدگذاری برای تولید فرم هندسی متغیر. - خروجی هندسه ها به صورت ثابت و متحرک.

این دوره بر یکی از مهمترین ابزارها در زرادخانه تجزیه و تحلیل داده شما تمرکز دارد: تجزیه و تحلیل رگرسیون. با استفاده از SAS یا Python، با رگرسیون خطی شروع می‌کنید و سپس یاد می‌گیرید که چگونه وقتی دو متغیر رابطه خطی واضحی ندارند، سازگار شوید. شما چندین پیش بینی کننده نتیجه خود را بررسی خواهید کرد و قادر خواهید بود متغیرهای گیج کننده را شناسایی کنید، که می تواند داستان قانع کننده تری در مورد نتایج شما بیان کند. شما با مفروضات زیربنایی تحلیل رگرسیون، نحوه تفسیر ضرایب رگرسیون، و نحوه استفاده از نمودارهای تشخیصی رگرسیون و سایر ابزارها برای ارزیابی کیفیت مدل رگرسیون خود آشنا خواهید شد. در طول دوره، مدل‌های رگرسیونی را که ایجاد کرده‌اید و داستان‌هایی که به شما می‌گویند را با دیگران به اشتراک می‌گذارید.

هدف این دوره برای هر کسی است که علاقه مند به استفاده از تکنیک های یادگیری ماشینی در مسائل علمی است. در این دوره آموزشی، در مورد خط لوله یادگیری ماشینی کامل، از خواندن، تمیز کردن و تبدیل داده ها تا اجرای الگوریتم های یادگیری ماشینی اولیه و پیشرفته، خواهیم آموخت. ما با تکنیک های پیش پردازش داده ها مانند PCA و LDA شروع می کنیم. سپس، به الگوریتم های اساسی هوش مصنوعی می پردازیم: SVMs و K-means clustering. در طول راه، جعبه ابزار ریاضی و برنامه‌نویسی خود را می‌سازیم تا خود را برای کار با مدل‌های پیچیده‌تر آماده کنیم. در نهایت، روش‌های پیشرفته‌ای مانند جنگل‌های تصادفی و شبکه‌های عصبی را بررسی خواهیم کرد. در طول مسیر، از مجموعه داده های پزشکی و نجومی استفاده خواهیم کرد. در پروژه نهایی، ما مهارت های خود را برای مقایسه مدل های مختلف یادگیری ماشین در پایتون به کار خواهیم گرفت.

چه برای سفارشی کردن تبلیغات برای میلیون‌ها بازدیدکننده وب‌سایت یا ساده‌سازی سفارش موجودی در یک رستوران کوچک، داده‌ها برای موفقیت یکپارچه‌تر می‌شوند. خیلی اوقات، ما مطمئن نیستیم که چگونه از داده ها برای یافتن پاسخ سوالاتی که ما را در کاری که انجام می دهیم موفق تر می کند استفاده کنیم. در این دوره، متوجه خواهید شد که چه داده هایی هستند و به این فکر می کنید که چه سوالاتی دارید که می تواند توسط داده ها پاسخ داده شود - حتی اگر قبلاً هرگز به داده ها فکر نکرده باشید. بر اساس داده های موجود، شما یاد خواهید گرفت که یک سوال تحقیقی را ایجاد کنید، متغیرها و روابط آنها را توصیف کنید، آمارهای اولیه را محاسبه کنید و نتایج خود را به وضوح ارائه دهید. در پایان دوره، شما قادر خواهید بود از ابزارهای قدرتمند تجزیه و تحلیل داده ها - اعم از SAS یا Python - برای مدیریت و تجسم داده های خود از جمله نحوه برخورد با داده های از دست رفته، گروه های متغیر و نمودارها استفاده کنید. در طول دوره، پیشرفت خود را با دیگران به اشتراک می‌گذارید تا بازخورد ارزشمندی کسب کنید و همچنین یاد می‌گیرید که چگونه همتایانتان از داده‌ها برای پاسخ به سؤالات خود استفاده می‌کنند.

در این دوره مقدماتی، هم یک نمای کلی از اینکه TDD چیست، چه زمانی می‌تواند و چه زمانی نمی‌تواند اعمال شود، و مزایای آن برای شاغلین و سازمان‌ها چیست، دریافت خواهید کرد. شما همچنین این فرصت را خواهید داشت که با چند پروژه مقدماتی سرگرم کننده دست به کار شوید تا بتوانید آنچه را که آموخته اید به کار ببرید و مزایای این رویکرد را برای حل مشکل خود تجربه کنید. توصیه می کنیم تا حدودی با زبان برنامه نویسی پایتون آشنایی داشته باشید. نمونه ها و آزمایشگاه ها از پایتون استفاده می کنند.

هنگامی که ژنوم ها را در دوره قبلی توالی یابی کردیم، می خواهیم آنها را با هم مقایسه کنیم تا مشخص کنیم گونه ها چگونه تکامل یافته اند و چه چیزی آنها را متفاوت می کند. در نیمه اول دوره، ما دو توالی کوتاه بیولوژیکی مانند ژن ها (یعنی توالی های کوتاه DNA) یا پروتئین ها را با هم مقایسه خواهیم کرد. ما با یک ابزار الگوریتمی قدرتمند به نام برنامه نویسی پویا روبرو خواهیم شد که به ما کمک می کند تعداد جهش هایی را که این دو ژن/پروتئین را از هم جدا کرده اند را تعیین کنیم. در نیمه دوم دوره، ما برای مقایسه کل ژنوم‌ها «کوچک‌نمایی» می‌کنیم، جایی که شاهد جهش‌هایی در مقیاس بزرگ به نام بازآرایی ژنوم هستیم، رویدادهای لرزه‌ای که در طول میلیون‌ها سال تکامل در اطراف بلوک‌های بزرگ DNA رخنه کرده‌اند. با نگاهی به ژنوم انسان و موش، از خود خواهیم پرسید: همانطور که احتمال وقوع زمین لرزه در امتداد خطوط گسل بسیار بیشتر است، آیا مکان هایی در ژنوم ما وجود دارد که "شکننده" و بیشتر مستعد شکسته شدن به عنوان بخشی از بازآرایی ژنوم هستند؟ خواهیم دید که چگونه الگوریتم های ترکیبی به ما در پاسخ به این سوال کمک می کنند. در نهایت، شما یاد خواهید گرفت که چگونه از ابزارهای نرم افزاری محبوب بیوانفورماتیک برای حل مسائل در تراز توالی، از جمله BLAST استفاده کنید.

هدف از این دوره معرفی PyMC3 برای مدل سازی و استنتاج بیزی است، شرکت کنندگان با یادگیری اصول اولیه PyMC3 شروع می کنند و یاد می گیرند که چگونه استنتاج مقیاس پذیر را برای مسائل مختلف انجام دهند. این دوره نهایی در یک تخصص از سه دوره خواهد بود. از نوت بوک های پایتون و ژوپیتر در طول این دوره برای نشان دادن و انجام مدل سازی بیزی با PyMC3 استفاده می شود. وب سایت دوره در آدرس https://sjster.github.io/introduction_to_computational_statistics قرار دارد. /docs/index.html. دفترچه های دوره را می توان با دنبال کردن دستورالعمل های صفحه https://sjster.github.io/introduction_to_computational_statistics/docs/getting_started.html از این وب سایت دانلود کرد. مدرس این دوره دکتر Srijith Rajamohan خواهد بود.

هدف از این دوره، معرفی آمار محاسباتی به دانشمندان مشتاق یا جدید داده است. شرکت کنندگان با یادگیری مبانی احتمال، مدل سازی بیزی و استنتاج شروع خواهند کرد. این اولین دوره در یک تخصص شامل سه دوره خواهد بود. از نوت بوک پایتون و ژوپیتر در طول این دوره برای تصویرسازی و اجرای مدلسازی بیزی استفاده خواهد شد. وب سایت دوره در آدرس https://sjster.github.io/introduction_to_computational_statistics/docs/index.html قرار دارد. دفترچه های دوره را می توان با دنبال کردن دستورالعمل های صفحه https://sjster.github.io/introduction_to_computational_statistics/docs/getting_started.html از این وب سایت دانلود کرد. مدرسان این دوره دکتر سریجیت راجاموهان و دکتر رابرت ستلاژ خواهند بود.

با یادگیری اصول کدنویسی در پایتون، قابلیت استخدام خود را به حداکثر برسانید. پایتون یک زبان برنامه نویسی همه کاره است که برای توسعه وب سایت ها و نرم افزارها، اتوماسیون وظایف، تجزیه و تحلیل داده ها و غیره استفاده می شود. در این دوره، شما یک سفر هیجان انگیز به دنیای پایتون را آغاز خواهید کرد و مهارت های ارزشمندی را به دست خواهید آورد که به شما امکان می دهد در مورد حرفه ای در برنامه نویسی فکر کنید. از طریق تمرین ها و پروژه های عملی، اعتماد به نفس به دست خواهید آورد و درک خود را از کدنویسی در پایتون عمیق تر خواهید کرد. در پایان دوره، شما می توانید با برنامه ریزی یک ربات کوچک برای عبور از موانع، مهارت های خود را به نمایش بگذارید. در این سفر متحول کننده به ما بپیوندید و پتانسیل بی حد و حصر برنامه نویسی پایتون را برای کشف فرصت هایی که در دنیای توسعه در انتظار شما هستند باز کنید.

این دوره مقدمه ای بر برنامه نویسی و زبان پایتون ارائه می دهد. دانش آموزان با مفاهیم اصلی برنامه نویسی مانند ساختارهای داده، شرطی ها، حلقه ها، متغیرها و توابع آشنا می شوند. این دوره شامل مروری بر ابزارهای مختلف موجود برای نوشتن و اجرای پایتون است و دانش آموزان را به سرعت کدنویسی می کند. همچنین تمرینات کدگذاری عملی را با استفاده از ساختارهای داده رایج، نوشتن توابع سفارشی و خواندن و نوشتن روی فایل ها ارائه می دهد. این دوره ممکن است قوی تر از سایر دوره های مقدماتی پایتون باشد، زیرا در برخی از موضوعات برنامه نویسی ضروری عمیق تر می پردازد.

این دوره دو قسمتی برای کمک به دانش‌آموزان با پیش‌زمینه محاسباتی بسیار کم یا بدون پیش‌زمینه طراحی شده است تا اصول ساخت اپلیکیشن‌های تعاملی ساده را بیاموزند. زبان منتخب ما، Python، یک زبان کامپیوتری سطح بالا و آسان برای یادگیری است که در بسیاری از دوره های محاسباتی ارائه شده در Coursera استفاده می شود. برای آسان کردن یادگیری پایتون، ما یک محیط برنامه نویسی مبتنی بر مرورگر جدید ایجاد کرده ایم که توسعه برنامه های کاربردی تعاملی در پایتون را ساده می کند. این برنامه‌ها شامل پنجره‌هایی می‌شوند که محتوای آنها گرافیکی است و به دکمه‌ها، صفحه کلید و ماوس پاسخ می‌دهد. در قسمت اول این دوره، عناصر اصلی برنامه نویسی (مانند عبارات، شرطی ها و توابع) را معرفی می کنیم و سپس از این عناصر برای ایجاد برنامه های کاربردی تعاملی ساده مانند کرونومتر دیجیتال استفاده می کنیم. قسمت اول این کلاس با ساخت نسخه ای از بازی کلاسیک آرکید "پنگ" به اوج خود می رسد.

این دوره به دانش‌آموزان برای توسعه کدهایی که می‌توانند مقادیر زیادی داده را به صورت موازی پردازش کنند، آماده می‌کند. این برنامه بر جنبه های اساسی برنامه نویسی همزمان، مانند معماری CPU/GPU، برنامه نویسی چند رشته ای در C و Python، و مقدمه ای بر نرم افزار/سخت افزار CUDA تمرکز خواهد کرد.

به مقدمه اینتل توزیع بسته ابزار OpenVINO™ برای دوره برنامه های کاربردی بینایی کامپیوتر خوش آمدید! این دوره دسترسی آسان به مفاهیم بنیادی Intel Distribution of OpenVINO را فراهم می کند. در طول این دوره، شما با دموهایی آشنا می شوید که قابلیت های این جعبه ابزار را به نمایش می گذارد. با مهارت‌هایی که از این دوره کسب می‌کنید، می‌توانید ارزش ابزارها و ابزارهای ارائه شده در جعبه ابزار OpenVINO توزیع اینتل، مانند دانلودکننده مدل، بهینه‌ساز مدل و موتور استنتاج را توصیف کنید. این کلاس برای چه کسانی است: این دوره برای زبان آموزانی در نظر گرفته شده است که تجربه قبلی در زمینه بینایی کامپیوتر ندارند، اگرچه دانش قبلی مفید است. این دوره برای هر کسی که علاقه مند به یادگیری بیشتر در مورد مفاهیم اصلی برنامه های بینایی کامپیوتر و کیت ابزار توزیع اینتل OpenVINO است ایده آل است. حجم کار تخمینی: باید انتظار داشته باشید که حدود 3 ساعت برای تکمیل این دوره اختصاص دهید. پیش نیازهای زبان آموز: هیچ دانش قبلی از بینایی کامپیوتر لازم نیست، اگرچه تجربه قبلی مفید است.

این دوره به شما مقدمه ای برای یادگیری ماشین با زبان برنامه نویسی پایتون می دهد. شما در مورد یادگیری تحت نظارت، یادگیری بدون نظارت، یادگیری عمیق، پردازش تصویر و شبکه های متخاصم مولد خواهید آموخت. شما مدل‌های یادگیری ماشین را با استفاده از پایتون پیاده‌سازی خواهید کرد و با بسیاری از کاربردهای یادگیری ماشینی که امروزه در صنعت استفاده می‌شود آشنا خواهید شد. همچنین در مورد الگوریتم های مختلف یادگیری ماشینی برای ایجاد مدل های خود یاد خواهید گرفت و از آنها استفاده خواهید کرد. 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 یک درک اساسی از مدل های یادگیری ماشین (رگرسیون لجستیک، پرسپترون های چندلایه، شبکه های عصبی کانولوشن، پردازش زبان طبیعی و غیره) ارائه می دهد و نشان می دهد که چگونه می توانند مشکلات پیچیده در صنایع مختلف، از تشخیص پزشکی گرفته تا تشخیص تصویر تا پیش بینی متن را حل کنند. از طریق تمرین‌های عملی، این مدل‌های علم داده را بر روی مجموعه داده‌ها پیاده‌سازی خواهید کرد و در الگوریتم‌های یادگیری ماشین با PyTorch که توسط شرکت‌های فناوری پیشرو مانند Google و NVIDIA استفاده می‌شود، مهارت کسب خواهید کرد.

برای اینکه یک توسعه‌دهنده ماهر باشید، باید قبل از تولید کد، درک کاملی از نوشتن تست داشته باشید. در این دوره، با نوشتن و اجرای تست ها به محض هفته اول، نگاهی عملی به توسعه تست محور خواهیم داشت. TDD با تست های واحد خوب شروع می شود، بنابراین ما از آنجا شروع خواهیم کرد. همچنین موضوعات مربوط به ترجمه مشخصات کاربر به تست های واحد، استفاده از مانترا Red-Green-Refactor، و استفاده از ماک ها در پایتون با ماژول unittest.mock خواهد بود. پس از اتمام، تمام مراحل TDD را قبل از توسعه پوشش داده اید

این دوره شما را با دنیای شگفت انگیز برنامه نویسی پایتون آشنا می کند! ما در مورد عناصر ضروری برنامه نویسی و نحوه ساخت برنامه های پایه پایتون یاد خواهیم گرفت. ما عبارات، متغیرها، توابع، منطق و شرطی ها را که مفاهیم اساسی در برنامه نویسی کامپیوتری هستند، پوشش خواهیم داد. ما همچنین نحوه استفاده از ماژول های پایتون را به شما آموزش می دهیم که به شما امکان می دهد از مجموعه گسترده ای از عملکردها که قبلاً بخشی از زبان پایتون است بهره مند شوید. این مفاهیم و مهارت ها به شما کمک می کند تا مانند یک برنامه نویس کامپیوتر شروع به فکر کردن کنید و درک کنید که چگونه برنامه های پایتون را بنویسید. در پایان دوره، شما قادر خواهید بود برنامه های کوتاه پایتون بنویسید که قادر به انجام وظایف واقعی و عملی هستند. این دوره پایه و اساس ایجاد تخصص در برنامه نویسی پایتون است. به عنوان اولین دوره در یک تخصص، بلوک های سازنده لازم را برای موفقیت شما در یادگیری نوشتن برنامه های پیچیده تر پایتون فراهم می کند. این دوره از Python 3 استفاده می کند. در حالی که بسیاری از برنامه های Python همچنان از Python 2 استفاده می کنند، Python 3 آینده زبان برنامه نویسی Python است. این اولین دوره از یک نسخه Python 3 از محیط توسعه CodeSkulptor استفاده می کند که به طور خاص برای کمک به برنامه نویسان مبتدی طراحی شده است که سریع یاد بگیرند. CodeSkulptor در هر مرورگر وب مدرنی اجرا می شود و نیازی به نصب هیچ نرم افزاری از شما ندارد و به شما امکان می دهد بلافاصله شروع به نوشتن و اجرای برنامه های کوچک کنید. در دوره های بعدی این تخصص، ما به شما کمک می کنیم تا به محیط های توسعه دسکتاپ پیچیده تر بروید.