این دوره یک نمای کلی و عمدتاً عملی از مهارت های اساسی برای بیوانفورماتیک (و به طور کلی، تجزیه و تحلیل داده ها) ارائه می دهد. هدف حمایت از توسعه همزمان مهارت های کمی و برنامه نویسی برای دانشجویان بیولوژیکی و زیست پزشکی با پیشینه کم یا بدون پیشینه در برنامه نویسی یا تجزیه و تحلیل کمی است. در طول دوره، دانش آموز مهارت های عملی لازم را برای انجام تجزیه و تحلیل داده های اولیه ایجاد می کند. مهم‌تر از همه، شرکت‌کنندگان مهارت‌های بلندمدت در برنامه‌نویسی (و تجزیه و تحلیل داده‌ها) و دستورالعمل‌هایی برای بهبود دانش خود در مورد آن را خواهند آموخت. این دوره شامل برنامه نویسی در R، برنامه نویسی در پایتون، سرور یونیکس و بررسی مفاهیم اولیه آمار خواهد بود.

این ششمین دوره از هفت دوره در گواهی تحلیل داده های پیشرفته گوگل است. در این دوره آموزشی، با یادگیری ماشینی آشنا می شوید که از الگوریتم ها و آمار برای آموزش سیستم های کامپیوتری برای کشف الگوها در داده ها استفاده می کند. متخصصان داده از یادگیری ماشینی برای کمک به تجزیه و تحلیل حجم زیادی از داده ها، حل مسائل پیچیده و پیش بینی های دقیق استفاده می کنند. شما روی دو نوع اصلی یادگیری ماشین تمرکز خواهید کرد: نظارت شده و بدون نظارت. شما یاد خواهید گرفت که چگونه مدل های مختلف یادگیری ماشین را برای مشکلات تجاری اعمال کنید و با مدل های خاصی مانند Naive Bayes، درخت تصمیم، جنگل تصادفی و غیره آشنا می شوید. 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: -استفاده از تکنیک های مهندسی ویژگی با استفاده از پایتون -یک مدل Naive Bayes بسازید -توضیح دهید که چگونه یادگیری بدون نظارت با یادگیری تحت نظارت متفاوت است - کد یک الگوریتم K-means در پایتون -ارزیابی و بهینه سازی نتایج مدل K-means مدل‌های درخت تصمیم، نحوه عملکرد و مزایای آن‌ها را نسبت به سایر انواع یادگیری ماشینی تحت نظارت کاوش کنید - مشخص کردن کیسه در یادگیری ماشین، به ویژه برای مدل‌های تصادفی جنگل تشخیص تقویت در یادگیری ماشین، به ویژه برای مدل های XGBoost - پارامترهای مدل تنظیم و چگونگی تأثیر آنها بر عملکرد و معیارهای ارزیابی را توضیح دهید

آیا شما یک مهندس داده، توسعه‌دهنده نرم‌افزار یا یک علاقه‌مند به فناوری با درک اولیه از Rust هستید و به دنبال افزایش مهارت‌های خود و غواصی عمیق در قلمرو مهندسی داده با Rust هستید؟ یا آیا شما یک حرفه ای از یک پیشینه زبان برنامه نویسی دیگر هستید و قصد دارید ویژگی های کارایی، ایمنی و همزمانی Rust را برای کارهای مهندسی داده کشف کنید؟ اگر چنین است، این دوره برای شما طراحی شده است. در حالی که انتظار می رود دانش بنیادی Rust داشته باشید، شما باید به طور ایده آل با اصول ساختار داده ها و الگوریتم ها راحت باشید و درک درستی از پایگاه های داده و پردازش داده داشته باشید. آشنایی با SQL، خط فرمان و کنترل نسخه با git مزیت دارد. این دوره چهار هفته ای بر استفاده از Rust برای ایجاد سیستم های پردازش داده کارآمد، ایمن و همزمان تمرکز دارد. سفر با غواصی عمیق در ساختارهای داده و مجموعه‌های Rust آغاز می‌شود و به دنبال آن ویژگی‌های ایمنی و امنیتی Rust در زمینه مهندسی داده بررسی می‌شود. در هفته بعد، کتابخانه ها و ابزارهای خاص مهندسی داده مانند Diesel، async، Polars، و Apache Arrow را کاوش خواهید کرد و یاد خواهید گرفت که با سیستم های پردازش داده، REST، پروتکل های gRPC و AWS SDK برای عملیات داده مبتنی بر ابر ارتباط برقرار کنید. . هفته آخر بر روی طراحی و پیاده سازی سیستم های پردازش داده کامل با استفاده از Rust تمرکز دارد. در پایان این دوره، شما به خوبی برای استفاده از Rust برای انجام وظایف مهندسی داده در مقیاس بزرگ، حل مشکلات دنیای واقعی با کارایی و سرعت مجهز خواهید شد. آزمایشگاه‌ها و پروژه‌های عملی در طول این دوره به شما اطمینان می‌دهند که تجربه عملی به دست آورید و دانش خود را عملی کنید. این دوره دروازه شما برای تسلط بر مهندسی داده با Rust است و شما را برای سطح بعدی در سفر مهندسی داده خود آماده می کند.

علم دستخوش انفجار داده است و نجوم پیشرو است. تلسکوپ‌های مدرن در هر رصد، ترابایت داده تولید می‌کنند و شبیه‌سازی‌های مورد نیاز برای مدل‌سازی جهان قابل مشاهده ما، ابررایانه‌ها را به حد خود می‌رساند. برای تجزیه و تحلیل این داده ها، دانشمندان باید بتوانند به صورت محاسباتی برای حل مسائل فکر کنند. در این دوره شما چالش های کار با مجموعه داده های بزرگ را بررسی خواهید کرد: نحوه پیاده سازی الگوریتم هایی که کار می کنند. چگونه از پایگاه های داده برای مدیریت داده های خود استفاده کنید. و چگونه از داده های خود با ابزارهای یادگیری ماشین یاد بگیرید. تمرکز بر مهارت های عملی است - تمام فعالیت ها در پایتون 3، یک زبان برنامه نویسی مدرن که در سراسر نجوم استفاده می شود، انجام می شود. صرف نظر از اینکه قبلاً یک دانشمند هستید، در حال مطالعه برای تبدیل شدن به یک دانشمند هستید یا فقط علاقه مند به نحوه عملکرد نجوم مدرن "زیر سرپوش" هستید، این دوره به شما کمک می کند تا نجوم را کشف کنید: از سیارات، تپ اخترها تا سیاهچاله ها. خلاصه دوره: هفته 1: فکر کردن به داده ها - اصول تفکر محاسباتی - کشف تپ اخترها در تصاویر رادیویی هفته دوم: کلان داده کارها را کند می کند - نحوه تعیین پیچیدگی زمانی الگوریتم ها - کاوش سیاهچاله ها در مراکز کهکشان های عظیم هفته 3: پرس و جو داده ها با استفاده از SQL - نحوه استفاده از پایگاه های داده برای تجزیه و تحلیل داده های خود - بررسی سیارات فراخورشیدی در سایر منظومه های خورشیدی هفته 4: مدیریت داده های خود - نحوه راه اندازی پایگاه داده برای مدیریت داده های خود - کاوش چرخه زندگی ستارگان در کهکشان ما هفته پنجم: یادگیری از داده ها: رگرسیون - استفاده از ابزارهای یادگیری ماشین برای بررسی داده های شما - محاسبه انتقال به سرخ کهکشان های دور هفته 6: یادگیری از داده ها: طبقه بندی - استفاده از ابزارهای یادگیری ماشین برای طبقه بندی داده های خود - بررسی انواع کهکشان ها هر هفته همچنین با یک کارشناس نجوم مبتنی بر داده مصاحبه می شود. توجه داشته باشید که برخی از دانش پایتون از جمله متغیرها، ساختارهای کنترلی، ساختارهای داده، توابع و کار با فایل ها فرض شده است.

در این دوره دوم از تخصص مقدماتی رباتیک، "نقشه برداری رباتیک و تولید مسیر"، شما یاد خواهید گرفت که چگونه سینماتیک معکوس اولیه سیستم های (غیر) هولونومی را با استفاده از رویکرد کنترل بازخورد انجام دهید. همچنین یاد خواهید گرفت که چگونه سیگنال های حسگر چند بعدی مانند اسکنرهای برد لیزری را برای نقشه برداری پردازش کنید. علاوه بر این، تمرکز کلی مکانیسم‌ها و حسگرها را به‌عنوان منابع عدم قطعیت و تکنیک‌های به دست آوردن نحوه مدل‌سازی و کنترل آنها اعمال خواهید کرد. توصیه می شود قبل از شروع این دوره، اولین دوره این تخصص را با عنوان "مقدمه ای بر رباتیک: رفتارهای اساسی" 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

این دوره مقدماتی بر برنامه نویسی پایتون را که با Python Programming Essentials آغاز شده است، ادامه خواهد داد. ما در مورد نمایش داده های مختلف، از جمله رشته ها، لیست ها و تاپل ها، که هسته همه برنامه های پایتون را تشکیل می دهند، یاد خواهیم گرفت. همچنین نحوه دسترسی به فایل ها را به شما آموزش می دهیم که به شما امکان می دهد داده ها را در برنامه های خود ذخیره و بازیابی کنید. این مفاهیم و مهارت ها به شما در دستکاری داده ها و نوشتن برنامه های پیچیده تری پایتون کمک می کند. در پایان دوره، می توانید برنامه های پایتون بنویسید که می توانند داده های ذخیره شده در فایل ها را دستکاری کنند. این امر تخصص برنامه نویسی پایتون شما را گسترش می دهد و به شما امکان می دهد طیف گسترده ای از اسکریپت ها را با استفاده از پایتون بنویسید. این دوره از Python 3 استفاده می کند. در حالی که بیشتر برنامه های Python همچنان از Python 2 استفاده می کنند، Python 3 آینده زبان برنامه نویسی Python است. این دوره به معرفی محیط های اصلی توسعه پایتون دسکتاپ می پردازد و به شما امکان می دهد برنامه های پایتون را مستقیماً بر روی رایانه خود اجرا کنید. این انتخاب یک انتقال آرام از محیط های توسعه آنلاین را امکان پذیر می کند.

یک روند در حال ظهور در هوش مصنوعی در دسترس بودن فناوری‌هایی است که در آن از اتوماسیون برای انتخاب بهترین مدل، انجام مهندسی ویژگی و بهبود عملکرد مدل از طریق بهینه‌سازی فراپارامتر استفاده می‌شود. این اتوماسیون نمونه‌سازی سریع مدل‌ها را فراهم می‌کند و به Data Scientist اجازه می‌دهد تا تلاش‌های خود را بر روی استفاده از دانش دامنه برای تنظیم دقیق مدل‌ها متمرکز کند. این دوره زبان آموز را از طریق ایجاد یک خط لوله خودکار سرتاسر ساخته شده توسط ابزار آزمایشی AutoAI استودیو Watson، توضیح می دهد که فناوری زیربنایی در حال کار را که توسط IBM Research توسعه داده شده است، توضیح می دهد. تمرکز روی کار با یک نوت بوک پایتون است که به طور خودکار تولید می شود. به فراگیران مجموعه داده های آزمون برای دو مورد استفاده ارائه می شود. این دوره برای تمرین دانشمندان داده در نظر گرفته شده است. در حالی که این دوره قابلیت‌های هوش مصنوعی خودکار IBM Watson Studio را با AutoAI به نمایش می‌گذارد، این دوره مفاهیم یادگیری ماشین یا علم داده را توضیح نمی‌دهد. برای موفقیت باید دانش زیر را داشته باشید: گردش کار علم داده پیش پردازش داده ها مهندسی ویژگی الگوریتم های یادگیری ماشین بهینه سازی هایپرپارامتر اقدامات ارزیابی برای مدل ها کتابخانه Python و scikit-learn (از جمله کلاس Pipeline)

در هوش مصنوعی مولد با مدل‌های زبان بزرگ (LLM)، اصول اولیه نحوه عملکرد هوش مصنوعی مولد و نحوه استقرار آن در برنامه‌های کاربردی دنیای واقعی را خواهید آموخت. با گذراندن این دوره، یاد خواهید گرفت: - درک عمیق هوش مصنوعی مولد، توصیف مراحل کلیدی در چرخه عمر AI مولد مبتنی بر LLM، از جمع‌آوری داده‌ها و انتخاب مدل، تا ارزیابی عملکرد و استقرار - معماری ترانسفورماتور را که به LLM ها نیرو می دهد، نحوه آموزش آنها و اینکه چگونه تنظیم دقیق LLM ها را قادر می سازد تا با انواع موارد استفاده خاص سازگار شوند را با جزئیات شرح دهید. - از قوانین مقیاس‌گذاری تجربی برای بهینه‌سازی تابع هدف مدل در اندازه مجموعه داده، بودجه محاسبه و الزامات استنتاج استفاده کنید. - برای به حداکثر رساندن عملکرد مدل ها در محدودیت های خاص پروژه خود، آموزش، تنظیم، استنتاج، ابزارها و روش های پیشرفته را به کار ببرید. - بحث در مورد چالش ها و فرصت هایی که هوش مصنوعی مولد برای مشاغل پس از شنیدن داستان هایی از محققان و متخصصان صنعت ایجاد می کند. توسعه دهندگانی که درک بنیادی خوبی از نحوه کار LLM و همچنین بهترین شیوه های آموزش و استقرار آنها دارند، می توانند تصمیمات خوبی برای شرکت خود بگیرند و با سرعت بیشتری نمونه های اولیه کار را بسازند. این دوره از زبان آموزان در ایجاد شهود عملی در مورد نحوه بهترین استفاده از این فناوری جدید هیجان انگیز پشتیبانی می کند. این یک دوره متوسط ​​است، بنابراین باید تجربه کدنویسی در پایتون را داشته باشید تا از آن نهایت استفاده را ببرید. همچنین باید با اصول یادگیری ماشینی، مانند یادگیری تحت نظارت و بدون نظارت، توابع از دست دادن، و تقسیم داده ها به مجموعه های آموزشی، اعتبار سنجی و آزمایش آشنا باشید. اگر تخصص یادگیری ماشین یا تخصص یادگیری عمیق را از DeepLearning.AI گرفته اید، آماده گذراندن این دوره و غوطه ور شدن عمیق تر در اصول هوش مصنوعی مولد هستید.

این دوره یادگیرنده را با یادگیری ماشینی کاربردی آشنا می‌کند و بیشتر بر روی تکنیک‌ها و روش‌ها تمرکز می‌کند تا آمار پشت این روش‌ها. این دوره با بحث در مورد اینکه چگونه یادگیری ماشینی با آمار توصیفی متفاوت است شروع می شود و جعبه ابزار یادگیری scikit را از طریق یک آموزش معرفی می کند. موضوع ابعاد داده ها مورد بحث قرار خواهد گرفت و وظیفه خوشه بندی داده ها و همچنین ارزیابی آن خوشه ها مورد بررسی قرار خواهد گرفت. رویکردهای نظارت شده برای ایجاد مدل‌های پیش‌بینی شرح داده می‌شود و یادگیرندگان می‌توانند همزمان با درک مسائل فرآیند مربوط به تعمیم‌پذیری داده‌ها، از روش‌های مدل‌سازی پیش‌بینی یادگیری scicit استفاده کنند (مانند اعتبار سنجی متقابل، برازش بیش از حد). این دوره با نگاهی به تکنیک های پیشرفته تر مانند ساخت مجموعه ها و محدودیت های عملی مدل های پیش بینی پایان خواهد یافت. در پایان این دوره، دانش آموزان قادر خواهند بود تفاوت بین تکنیک نظارت شده (طبقه بندی) و بدون نظارت (خوشه بندی) را شناسایی کنند، تشخیص دهند که کدام تکنیک را برای یک مجموعه داده و نیاز خاص به کار می برند، ویژگی های مهندسی برای برآورده کردن آن نیاز، و کد پایتون را بنویسید تا تحلیل انجام شود. این دوره باید بعد از مقدمه ای بر علم داده در پایتون و رسم کاربردی، نمودار و بازنمایی داده در پایتون و قبل از متن کاوی کاربردی در پایتون و تحلیل اجتماعی کاربردی در پایتون گذرانده شود.

آیا علاقه مند به پیش بینی نتایج آینده با استفاده از داده های خود هستید؟ این دوره به شما کمک می کند تا دقیقاً این کار را انجام دهید! یادگیری ماشینی فرآیند توسعه، آزمایش و بکارگیری الگوریتم های پیش بینی برای دستیابی به این هدف است. قبل از فرو رفتن در این مفاهیم یادگیری ماشینی، حتماً با دوره 3 این تخصص آشنا شوید. این دوره بر اساس دوره 3، که دانش آموزان را با مفاهیم یادگیری ماشینی نظارت شده یکپارچه آشنا می کند، مروری بر بسیاری از مفاهیم، ​​تکنیک ها و الگوریتم های اضافی در یادگیری ماشین، از طبقه بندی اولیه تا درخت های تصمیم گیری و خوشه بندی ارائه می دهد. با تکمیل این دوره، یاد خواهید گرفت که چگونه الگوریتم های یادگیری ماشینی را به عنوان روش های جایگزین برای پاسخگویی به سوالات تحقیق خود اعمال، آزمایش و تفسیر کنید.

توسط Class Central به 50 MOOC برتر تمام دوران معرفی شد! این دوره مجموعه ای از کلاس ها را آغاز می کند که قدرت محاسبات در زیست شناسی مدرن را نشان می دهد. لطفاً در مرز بیوانفورماتیک به ما بپیوندید تا پیام‌های پنهان در DNA را بدون نیاز به پوشیدن پوشش آزمایشگاهی جستجو کنید. در نیمه اول دوره، همانندسازی DNA را بررسی می کنیم و این سوال را مطرح می کنیم که همانندسازی DNA از کجا در ژنوم شروع می شود؟ خواهیم دید که می‌توانیم به این سؤال برای بسیاری از باکتری‌ها فقط با استفاده از برخی الگوریتم‌های ساده برای جستجوی پیام‌های پنهان در ژنوم پاسخ دهیم. در نیمه دوم دوره، یک سوال بیولوژیکی متفاوت را بررسی می‌کنیم، وقتی می‌پرسیم کدام الگوهای DNA نقش ساعت‌های مولکولی را بازی می‌کنند. سلول های بدن شما می توانند ریتم شبانه روزی خود را حفظ کنند، اما چگونه این امر در سطح DNA به دست می آید؟ یک بار دیگر، خواهیم دید که با دانستن اینکه کدام پیام های پنهان را باید جستجو کنیم، می توانیم زبان پیچیده شگفت انگیز DNA را درک کنیم. شاید با کمال تعجب، الگوریتم‌های تصادفی‌سازی شده را اعمال کنیم که تاس می‌ریزند و سکه‌ها را برای حل مسائل برمی‌گردانند. در نهایت، دستان خود را کثیف می‌کنید و ابزارهای نرم‌افزاری موجود را برای یافتن نقوش بیولوژیکی مکرر در ژن‌هایی که مسئول کمک به مایکوباکتریوم توبرکلوزیس هستند تا سال‌ها قبل از ایجاد عفونت فعال در یک میزبان «خفته» در یک میزبان استفاده کنید.