نیاز به بسته بندی یک فرهنگ لغت دوزبانه برای تعطیلات اروپایی خود یا نگه داشتن یک فرهنگ لغت روی میز برای تکمیل تکالیف درسی زبان خارجی، چیزی از گذشته است. فقط کافی است وارد اینترنت شوید و از یک سرویس ترجمه زبان استفاده کنید تا به سرعت بفهمید تابلوی خیابان چه معنایی دارد یا نحوه احوالپرسی و تشکر از یک خارجی را به زبان آنها بیابید. پشت خدمات ترجمه زبان، مدل های پیچیده ترجمه ماشینی وجود دارد. آیا تا به حال فکر کرده اید که این مدل ها چگونه کار می کنند؟ این دوره به شما امکان می دهد تا عملکرد درونی یک مدل ترجمه ماشینی را کشف کنید. شما از Keras، یک کتابخانه قدرتمند یادگیری عمیق مبتنی بر پایتون، برای پیاده سازی یک مدل ترجمه استفاده خواهید کرد. سپس به مدل آموزش می دهید تا ترجمه انگلیسی به فرانسوی را انجام دهد و تکنیک هایی برای بهبود مدل خود به شما نشان داده می شود. در پایان این دوره، شما باید درک عمیقی از مدل‌های ترجمه ماشینی داشته باشید و از آن‌ها بیشتر قدردانی کنید!

آزمایش A/B یک طرح آزمایشی رایج برای تحقیقات رفتار انسانی در صنعت و دانشگاه است. در این دوره آموزشی، شما خواهید آموخت که تست های A/B به چه سوالاتی می توانند پاسخ دهند، ملاحظات مهمی که در تست های A/B باید از آنها آگاه باشید، نحوه پاسخ دادن به سوالات موجود و نحوه تجسم داده ها را خواهید آموخت. همچنین می آموزید که چگونه اندازه نمونه مورد نیاز در یک آزمایش را تعیین کنید، تجزیه و تحلیل های مناسب برای داده ها و فرضیه های موجود انجام دهید، تعیین کنید که آیا نتایج را می توان با اطمینان در نظر گرفت یا خیر، و نتایج را بدون توجه به پیشینه آماری به مخاطب ارائه کرد.

در این دوره، با یادگیری طراحی، اجرا و تجزیه و تحلیل این تست‌های A/B در پایتون، وارد تست A/B خواهید شد. قبل از تخمین حجم نمونه و مدت زمان مناسب برای به دست آوردن نتایج قطعی، با یادگیری تعریف معیارهای مناسب شروع خواهید کرد. در طول این دوره، از طیف وسیعی از بسته‌های پایتون برای کمک به تست A/B، از جمله statsmodels، scipy و pingouin استفاده خواهید کرد. در پایان، می‌توانید بررسی‌هایی را اجرا کنید که نتایج دقیق را تضمین می‌کنند، بر هنر p-values ​​تسلط دارند، و نتایج آزمون‌های A/B را با سهولت و اطمینان تجزیه و تحلیل می‌کنند تا حیاتی‌ترین تصمیم‌های تجاری را هدایت کنند.

آزمایش فرضیه به شما امکان می‌دهد به سؤالات مربوط به مجموعه داده‌های خود به روشی آماری دقیق پاسخ دهید. در این دوره، مهارت‌های تحلیلی پایتون خود را با یادگیری نحوه و زمان استفاده از تست‌های رایج مانند آزمون‌های t، تست‌های نسبت و تست‌های مجذور کای افزایش خواهید داد. با کار با داده‌های دنیای واقعی، از جمله بازخورد کاربر Stack Overflow و داده‌های زنجیره تامین برای محموله‌های تجهیزات پزشکی، درک عمیقی از نحوه کار این آزمایش‌ها و مفروضات کلیدی زیربنای آنها به دست خواهید آورد. همچنین خواهید فهمید که چگونه می توان از آزمون های ناپارامتریک برای فراتر رفتن از محدودیت های آزمون های فرضیه سنتی استفاده کرد.

یک سازمان معمولی تقریباً 5٪ از درآمد سالانه خود را به دلیل تقلب از دست می دهد. در این دوره یاد می گیرید که چگونه با استفاده از داده ها با کلاهبرداری مبارزه کنید. به عنوان مثال، نحوه استفاده از الگوریتم‌های یادگیری تحت نظارت را برای شناسایی رفتارهای متقلبانه مشابه رفتارهای گذشته و همچنین روش‌های یادگیری بدون نظارت برای کشف انواع جدیدی از فعالیت‌های کلاهبرداری را خواهید آموخت. علاوه بر این، در تجزیه و تحلیل تقلب، هنگام طبقه‌بندی تقلب در مقابل غیرتقلب، اغلب با مجموعه داده‌های بسیار نامتعادل سروکار دارید، و در طول این دوره، تکنیک‌هایی را در مورد نحوه برخورد با آن انتخاب خواهید کرد. این دوره ترکیبی از بینش های فنی و نظری را ارائه می دهد و به شما نحوه پیاده سازی عملی مدل های تشخیص تقلب را نشان می دهد. علاوه بر این، نکات و توصیه هایی را از تجربه واقعی دریافت خواهید کرد تا به شما در جلوگیری از اشتباهات رایج در تجزیه و تحلیل تقلب کمک کند.

ناهنجاری‌ها تقریباً در هر مجموعه داده وجود دارند، و شناسایی و مقابله با آنها قبل از ادامه کاوش آماری بسیار مهم است. این دوره به شما آموزش می دهد که از پایتون برای روش های مختلف تشخیص ناهنجاری استفاده کنید. شما به صورت بصری نقاط پرت را شناسایی می کنید و روش ها و تکنیک های آماری را برای داده های تک متغیره و چند متغیره اعمال خواهید کرد. علاوه بر این، خواهید فهمید که چگونه چندین طبقه بندی کننده پرت را برای یک تخمین نهایی قابل اعتماد ترکیب کنید. افزودن این مهارت به مجموعه موجود پایتون به شما در پاکسازی داده ها، کشف تقلب و شناسایی اختلالات سیستم کمک می کند.

سوالات تجاری اغلب بسته به زمینه و هدف خاص به اشکال مختلف ارائه می شوند. بهترین استراتژی قیمت گذاری برای محصول جدید ما چیست؟ چگونه می توانیم نرخ حفظ مشتری خود را بهبود بخشیم؟ ترجمه این سؤالات به سؤالات تحلیلی خوب برای حل سؤال تجاری با استفاده از داده ها ضروری است. این دوره هیجان انگیز غیر فنی شما را به مهارت هایی که برای تأثیرگذاری در تجارت از طریق ترجمه کارآمد به سؤالات تحلیلی و انتخاب راه حل های تحلیلی مناسب نیاز دارید، مجهز می کند! شما با یادگیری گردش کار برای ارائه راه حل های تحلیلی ارزشمند و چالش های اصلی که در طول این فرآیند با آن مواجه می شوید، شروع خواهید کرد. همچنین یاد خواهید گرفت که سؤالات تجاری را از سؤالات تحلیلی تشخیص دهید. در مرحله بعد، بهترین شیوه ها و تکنیک ها را برای درک مشکل کسب و کار از طریق ارتباط کارآمد کشف خواهید کرد. شما همچنین تکنیک هایی را برای ترجمه سوال تجاری به یک سوال تحلیلی خوب کشف خواهید کرد. سپس، راه‌حل‌های تحلیلی مختلف موجود برای هر نوع سؤال و همچنین تکنیک‌های انتخاب راه‌حل مناسب برای سؤال را خواهید آموخت. شما با غواصی عمیق در کاربردهای واقعی سوالات و راه حل های تحلیلی در صنایع مختلف به پایان خواهید رسید. مشکلات تجاری مختلفی را که شرکت‌ها در صنایعی مانند تجارت الکترونیک، خودروسازی، مراقبت‌های بهداشتی و بانکداری با آن مواجه هستند و نحوه تبدیل این مشکلات به مشکلات و راه‌حل‌های تحلیلی را کشف خواهید کرد.

سواد داده یک مهارت ضروری برای هر نقش در سازمان است - نه فقط دانشمندان و تحلیلگران داده. از آنجایی که شرکت‌ها داده‌های بیشتری را نسبت به قبل جمع‌آوری می‌کنند، بسیار مهم است که همه بتوانند آن داده‌ها را به طور موثر بخوانند و تجزیه و تحلیل کنند. در این دوره، شما اصول تصمیم گیری مبتنی بر داده را می آموزید و می توانید این مهارت ها را در سه مثال واقعی از دنیای مالی، بازاریابی و عملیات به کار ببرید. همچنین خواهید فهمید که چگونه با به کارگیری چارچوب‌های عرضه و تقاضا، هزینه و سود، و ریسک و پاداش، بینش‌ها و فرصت‌های جدیدی را کشف کنید - با به دست آوردن مهارت‌های عملی برای کمک به شما در پیشرفت در دنیای جدید مبتنی بر داده.

داده‌ها در طبیعت می‌توانند ترسناک باشند—وقتی با یک مجموعه داده پیچیده و نامرتب مواجه می‌شوید ممکن است از خود بپرسید، اصلاً از کجا شروع کنم؟ بسته tidyr به شما این امکان را می دهد که چنین جانورانی را در مجموعه داده های زیبا و مرتبی بچینید. مقادیر غیرقابل دسترس ذخیره شده در نام ستون ها در ردیف ها قرار می گیرند، فایل های JSON به فریم های داده تبدیل می شوند و مقادیر از دست رفته دیگر هرگز از بین نمی روند. شما این تکنیک ها را در طیف گسترده ای از مجموعه داده های نامرتب تمرین خواهید کرد و در طول مسیر یاد خواهید گرفت که اتحاد جماهیر شوروی چند سگ را به فضا فرستاد و چه پرنده ای در نیوزلند محبوب ترین است. با بسته tidyr در جعبه ابزار tidyverse خود، می‌توانید تقریباً هر مجموعه داده را در قالبی مرتب تبدیل کنید که در طول بقیه تجزیه و تحلیل شما نتیجه خواهد داد.

اغلب داده‌ها در قالبی قابل خواندن برای انسان هستند، اما برای تجزیه و تحلیل داده‌ها مناسب نیستند. این جایی است که پانداها می توانند کمک کنند - این ابزار قدرتمندی برای تغییر شکل DataFrame به فرمت های مختلف است. در این دوره، مهارت‌های دانشمند داده و تحلیلگر خود را افزایش می‌دهید زیرا یاد می‌گیرید چگونه ستون‌های رشته‌ای و داده‌های تودرتو موجود در DataFrame را به هم بزنید. وقتی یاد می‌گیرید چگونه یک DataFrame را از قالب گسترده به طولانی تغییر شکل دهید، ردیف‌ها و ستون‌ها را پشته و جدا کنید، و آمار توصیفی یک DataFrame چند شاخصه را دریافت کنید، با داده‌های دنیای واقعی، از جمله رتبه‌بندی بازیکنان فیفا، بررسی کتاب‌ها، و داده‌های تجزیه و تحلیل خرد کار خواهید کرد.

بعد از تمام کارهای سخت برای به دست آوردن داده ها و تبدیل آنها به شکلی که می توانید با آن کار کنید، در نهایت می خواهید نتیجه گیری های واضح و مختصر از آنها بگیرید. این آخرین مرحله حیاتی خط لوله تجزیه و تحلیل داده ها به اصول استنتاج آماری بستگی دارد. در این دوره، شما شروع به ساختن پایه‌ای می‌کنید که باید آماری فکر کنید، به زبان داده‌هایتان صحبت کنید و بفهمید که داده‌هایتان به شما چه می‌گویند. پایه‌های تفکر آماری چندین دهه طول کشید تا ساخته شود، اما امروزه با کمک رایانه‌ها می‌توان آنها را بسیار سریع‌تر درک کرد. با قدرت ابزارهای مبتنی بر پایتون، شما به سرعت در پایان این دوره به سرعت به‌روز می‌شوید و شروع به تفکر آماری می‌کنید.

پس از تکمیل تفکر آماری در پایتون (قسمت 1)، شما دارای طرز فکر احتمالی و مهارت های آماری پایه هکر هستید تا در مجموعه داده ها فرو بروید و اطلاعات مفیدی را از آنها استخراج کنید. در این دوره، شما دقیقاً این کار را انجام خواهید داد، جعبه ابزار آمار هکر خود را برای انجام دو وظیفه کلیدی در استنتاج آماری، تخمین پارامتر و آزمایش فرضیه، گسترش داده و تقویت می‌کنید. همانطور که یاد می گیرید با مجموعه داده های واقعی کار خواهید کرد که با تجزیه و تحلیل اندازه گیری منقار فنچ های معروف داروین به اوج می رسد. شما از این دوره با دانش جدید و تمرین زیاد بیرون خواهید آمد و آماده حمله به مشکلات استنتاج خود در جهان هستید.

موفق ترین شرکت های امروزی آنهایی هستند که مشتریان خود را آنقدر خوب می شناسند که بتوانند نیازهای آنها را پیش بینی کنند. تحلیلگران داده نقش کلیدی در بازگشایی این بینش های عمیق و تقسیم بندی مشتریان برای ارائه خدمات بهتر به آنها ایفا می کنند. در این دوره، با استفاده از یک مجموعه داده واقعی حاوی تراکنش‌های مشتری ناشناس از یک خرده‌فروش آنلاین، تکنیک‌های دنیای واقعی در تقسیم‌بندی مشتری و تجزیه و تحلیل رفتاری را خواهید آموخت. ابتدا تجزیه و تحلیل گروهی را برای درک روند مشتری اجرا خواهید کرد. سپس یاد خواهید گرفت که چگونه بخش های مشتری را برای تفسیر آسان بسازید. علاوه بر آن، بخش هایی را که ایجاد کرده اید آماده می کنید و آنها را برای یادگیری ماشین آماده می کنید. در نهایت، بخش‌های خود را با خوشه‌بندی k-means، تنها در چند خط کد، قدرتمندتر خواهید کرد! در پایان این دوره، می‌توانید از تکنیک‌های تجزیه و تحلیل رفتاری مشتری و بخش‌بندی عملی استفاده کنید.

مهارت های گزارش دهی خود را با توابع آماری داخلی Tableau به سطح بعدی ارتقا دهید. با استفاده از تجزیه و تحلیل کشیدن و رها کردن، نحوه انجام تجزیه و تحلیل داده های اکتشافی تک متغیره و دو متغیره و ایجاد مدل های رگرسیون برای شناسایی روندهای پنهان را خواهید آموخت. با کار با مجموعه داده های دنیای واقعی، از تکنیک های یادگیری ماشینی مانند خوشه بندی و پیش بینی نیز استفاده خواهید کرد. زمان آن فرا رسیده است که اطلاعات خود را عمیق تر کنید!

آماده مصاحبه کاری هستید؟ شما ممکن است همه چیز را در مورد شرکت مورد نظر خود بدانید، اما آیا سوالات مصاحبه آماری کلاسیک R را تمرین کرده اید؟ اگر نه، ما شما را تحت پوشش قرار می دهیم. در این دوره، شما برای اغلب موضوعات آماری تحت پوشش از توزیع ها تا آزمون فرضیه ها، مدل های رگرسیون و بسیاری موارد دیگر آماده خواهید شد. مهارت های خود را با استفاده از مجموعه داده هایی از جمله داده های بیماری پارکینسون و قیمت بنزین تقویت خواهید کرد. این دوره عمداً چالش برانگیزتر از یک دوره معمولی DataCamp است تا اطمینان حاصل شود که وقتی نوبت به زمان مصاحبه می رسد، آماده هستید تا با اطمینان به هر سؤال مصاحبه آماری در R پاسخ دهید.

آیا به دنبال یافتن شغل بعدی هستید یا مهارت های مصاحبه آماری خود را تقویت می کنید تا دقیق بمانید؟ برای تسلط بر مفاهیم مصاحبه کلاسیک از احتمالات مشروط گرفته تا تست A/B تا مبادله بایاس-واریانس و موارد دیگر آماده شوید! شما با مجموعه ای متنوع از مجموعه داده ها از جمله نتایج آزمایش های مبتنی بر وب و داده های آب و هوای استرالیا کار خواهید کرد. پس از این دوره، می‌توانید با اطمینان در مصاحبه بعدی خود وارد شوید و با کمک پایتون به سؤالات آماری پاسخ دهید!

آیا تا به حال به این فکر کرده اید که چگونه برای مصاحبه یادگیری ماشینی به درستی آماده شوید؟ در این دوره، شما پاسخ 15 سوال رایج یادگیری ماشین (ML) در مصاحبه پایتون را برای نقش دانشمند داده آماده خواهید کرد. این سوالات حول هفت موضوع مهم می چرخد: پیش پردازش داده ها، تجسم داده ها، یادگیری تحت نظارت، یادگیری بدون نظارت، مجموعه مدل، انتخاب مدل، و ارزیابی مدل. شما با کار بر روی سوالات پیش پردازش داده و تجسم داده ها شروع خواهید کرد. پس از انجام تمام مراحل پیش پردازش، یک مدل ML پیش بینی برای تقویت مهارت های عملی خود ایجاد خواهید کرد. در مرحله بعد، برخی از تکنیک های یادگیری تحت نظارت را قبل از رفتن به یادگیری بدون نظارت پوشش خواهید داد. بسته به نقش، احتمالاً هر دو موضوع را در مصاحبه یادگیری ماشینی خود پوشش خواهید داد. در نهایت، با پوشش انتخاب و ارزیابی مدل، بررسی نحوه ارزیابی عملکرد برای تعمیم مدل، و نگاهی به تکنیک‌های مختلف هنگام ساخت یک مدل مجموعه، کار را به پایان می‌رسانید. در پایان دوره، شما هم پیشینه نظری مورد نیاز و هم توانایی توسعه کد پایتون برای پاسخگویی موفقیت آمیز به این 15 سوال را خواهید داشت. با توجه به سهولت استفاده و توانایی آن برای پوشش دادن مهم ترین تکنیک های یادگیری ماشین در زبان پایتون، نمونه های کدگذاری عمدتاً بر اساس بسته Sicit-Learn خواهند بود. این دوره اصول یادگیری ماشینی را آموزش نمی دهد، زیرا این موارد در پیش نیازهای دوره پوشش داده شده است.

کدنویسی مصاحبه ها می تواند چالش برانگیز باشد. ممکن است برای تست دانش شما از یک زبان برنامه نویسی سوالاتی از شما پرسیده شود. از طرف دیگر، می توان به شما وظیفه ای را برای حل کردن محول کرد تا بررسی کنید که چگونه فکر می کنید. و هنگامی که برای یک موقعیت دانشمند داده با شما مصاحبه می شود، احتمالاً می توان از ابزارهای مربوطه در دسترس برای زبان سؤال کرد. در هر یک از موارد، برای به دست آوردن یک موقعیت خوب به عنوان یک دانشمند داده، باید کمی کار کنید تا بهترین عملکرد را داشته باشید. به همین دلیل تمرین برای اثبات تخصص خود بسیار مهم است! این دوره به عنوان یک راهنما برای کسانی است که تازه راه خود را برای تبدیل شدن به یک دانشمند داده حرفه ای آغاز کرده اند و به عنوان یک تجدید کننده برای کسانی که به دنبال فرصت های دیگر هستند. ما موضوعات اساسی و همچنین پیشرفته را بررسی خواهیم کرد که هدف آنها آماده کردن شما برای مصاحبه کدنویسی در پایتون است. از آنجایی که این یک دوره گام به گام عادی نیست، برخی از تمرینات می توانند بسیار پیچیده باشند. اما چه کسی گفت که مصاحبه آسان است، درست است؟

با این دوره آموزشی طراحی شده تا به شما کمک کند هوش مصنوعی اخلاقی را در سازمان خود پیاده سازی کنید، به هوش مصنوعی مسئولیت پذیر بروید. شما اصول هوش مصنوعی مسئول، تکامل آنها و کاربردهای عملی را از طریق مطالعات موردی در دنیای واقعی و محتوای تعاملی بررسی خواهید کرد. یاد بگیرید که خطراتی مانند تعصب، حریم خصوصی و امنیت را کنترل کنید و قوانین جهانی هوش مصنوعی را درک کنید. با ابزارهایی برای مدیریت ریسک و مدل‌های حکمرانی، استراتژی‌هایی را برای تقویت یک محیط هوش مصنوعی اخلاقی به دست آورید. در پایان، برای رهبری ابتکارات هوش مصنوعی با مسئولیت‌پذیری، تصمیم‌گیری آگاهانه و اخلاقی مجهز خواهید شد. ایده آل هم برای متخصصان هوش مصنوعی و هم برای تازه واردان. اکنون ثبت نام کنید و آینده را مسئولانه رقم بزنید.

Llama منبع باز LLM را برای بهینه سازی عملکرد آن برای برنامه های تخصصی تنظیم دقیق کنید. با نحوه استفاده از سیستم مبتنی بر دستور العمل TorchTune و SFTTrainer Hugging Face برای اجرای حلقه های تنظیم دقیق، آماده سازی مدل های خود با مجموعه داده های سفارشی آشنا شوید. در نهایت، تکنیک‌های کارآمد پارامتر مانند LoRA را آزمایش کنید و برای کاهش استفاده از حافظه مدل و اجرای کارآمدتر وظایف خود، کوانتیزاسیون را اعمال کنید.