هوش مصنوعی را از یک چت بات به یک تیم کامل از همکاران با CrewAI تبدیل کنید. در این دوره عملی، شما سیستم‌های چند عاملی می‌سازید که با حداقل ورودی انسان، محتوا را تحقیق، تجزیه و تحلیل و تولید می‌کنند. با شروع با یک عامل واحد، به جریان‌های کاری پویا و مبتنی بر حافظه می‌رسید که تصمیم‌گیری می‌کنند، زمینه را به اشتراک می‌گذارند و کارهای پیچیده را با هم کامل می‌کنند. در پایان، می‌دانید که چگونه خطوط لوله هوش مصنوعی خودکار خود را طراحی کنید و استودیوی محتوای دیجیتال خود را که توسط CrewAI پشتیبانی می‌شود، مستقر خواهید کرد.

دستیار پشتیبانی مشتری را گام به گام با کیت توسعه نماینده Google بسازید: از یک ربات خوشامدگویی یک خطی شروع کنید، سپس ابزارهایی را برای جستجوی پرسش‌های متداول، حفاظ‌های خط‌مشی برای ایمنی، و تفویض چند نماینده برای درخواست‌های پیچیده اضافه کنید. در طول دوره، Gemini را سیم‌کشی می‌کنید، با APIهای خارجی تماس می‌گیرید، و عوامل فرعی متخصص را هماهنگ می‌کنید، با تمرکز بر طراحی عامل عملی.

بیاموزید فراتر از رابط‌های چت ساده بروید و عوامل هوش مصنوعی کاملاً کاربردی بسازید که می‌توانند استدلال کنند، تصمیم بگیرند و از ابزارهای خارجی برای اقدام استفاده کنند. با استفاده از Haystack، یک چارچوب منبع باز برای برنامه های کاربردی مبتنی بر LLM، یک عامل مراقبت های بهداشتی می سازید که قادر به جستجو در وب و جستجو در داده های ساختار یافته بیمار است. در طول مسیر، بر اصول کلیدی طراحی عاملی تسلط خواهید داشت، خطوط لوله قابل استفاده مجدد می سازید و اجزا را در یک سیستم هوشمند ادغام می کنید. در پایان، شما نه تنها متوجه خواهید شد که عوامل هوش مصنوعی چگونه کار می کنند، بلکه یکی از آنها را از ابتدا ساخته اید.

این دوره به شما نشان می دهد که چگونه موتورهای توصیه را با استفاده از حداقل مربعات متناوب در PySpark بسازید. با استفاده از مجموعه داده محبوب MovieLens و مجموعه داده میلیون آهنگ، این دوره شما را گام به گام از طریق شهود الگوریتم حداقل مربعات متناوب و همچنین کد آموزش، آزمایش و پیاده‌سازی مدل‌های ALS بر روی انواع مختلف داده‌های مشتری، راهنمایی می‌کند.

ما انتظار تجربه‌های شخصی‌سازی شده آنلاین را داریم—خواه نتفلیکس نمایشی را توصیه می‌کند یا خرده‌فروشی آنلاینی که اقلامی را پیشنهاد می‌کند که شما نیز بخواهید بخرید. اما این پیشنهادات چگونه تولید می شوند؟ در این دوره، همه چیزهایی را که برای ایجاد موتور توصیه خود نیاز دارید، یاد خواهید گرفت. از طریق تمرینات عملی، با دو سیستم رایج، فیلتر مشارکتی و فیلتر مبتنی بر محتوا، آشنا خواهید شد. در مرحله بعد، نحوه اندازه‌گیری شباهت‌هایی مانند فاصله ژاکارد و شباهت کسینوس و نحوه ارزیابی کیفیت توصیه‌ها در داده‌های آزمایشی با استفاده از ریشه میانگین مربعات خطا (RMSE) را یاد خواهید گرفت. در پایان این دوره، شما موتور پیشنهاد فیلم خود را ساخته اید و می توانید مهارت های پایتون خود را برای ایجاد این سیستم ها برای هر صنعتی به کار ببرید.

ممیزی پایگاه داده SQL Server و حفظ یکپارچگی داده ها می تواند برای DBAها و توسعه دهندگان پایگاه داده یک کار چالش برانگیز باشد. راه‌اندازهای SQL Server انواع خاصی از رویه‌های ذخیره‌شده هستند که برای کمک به شما در دستیابی به یکپارچگی و یکپارچگی پایگاه داده‌تان طراحی شده‌اند. این دوره به شما یاد می دهد که چگونه با محرک ها کار کنید و از آنها در مثال های واقعی استفاده کنید. به طور خاص، در مورد موارد استفاده و محدودیت‌های تریگرها آشنا می‌شوید و طراحی و اجرای آنها را تمرین می‌کنید. همچنین یاد خواهید گرفت که محرک ها را متناسب با نیازهای خاص خود بهینه کنید.

بیشتر برنامه های کامپیوتری بر اساس چند ساختار داده و الگوریتم هستند. در این دوره چهار ساعته با آنچه در پشت سرپوش اکثر تعاملات کامپیوتری شما وجود دارد بیاموزید! شما با برخی از رایج ترین ساختارهای داده آشنا خواهید شد: لیست های پیوندی، پشته ها، صف ها، نمودارها و درختان. همچنین الگوریتم‌های محبوبی مانند جستجوی اولیه عمق، جستجوی اول عرض، مرتب‌سازی حبابی، مرتب‌سازی ادغام و مرتب‌سازی سریع را پیاده‌سازی خواهید کرد.

نمایندگان خود را با LangGraph طراحی و بسازید! LangGraph بخش اصلی اکوسیستم LangChain است و از آن برای ساخت عوامل هوش مصنوعی آماده تولید با درجه بالایی از قابلیت شخصی‌سازی استفاده می‌شود. شما از LangGraph برای ساختن یک دستیار عامل برای جمع‌آوری اطلاعات و داده‌های عملکرد سهام در شرکت‌های Fortune 500 و تجزیه و تحلیل آن با استفاده از تجسم‌ها استفاده خواهید کرد! معماری‌های چند عامله پیشرفته، ازجمله چند عامل ازدحام (یا غیرمتمرکز) و چند عامل ناظر را کشف کنید. امروز سازنده سیستم های عامل هوش مصنوعی شوید!

هنوز از تولید متن خسته شده اید؟ اگر چنین است، به مسیر درستی رسیده اید! OpenAI مدل هایی بسیار فراتر از تولید متن ارائه می دهد. در این دوره آموزشی، نحوه استفاده از مدل‌های گفتار به نوشتار و متن به گفتار OpenAI را یاد می‌گیرید و همچنین برای تشخیص محتوای نامناسب، تعدیل محتوا را انجام می‌دهید. شما دوره را با یک مطالعه موردی به پایان می رسانید که در آن ربات چت پشتیبانی مشتری خود را به صورت یکپارچه می سازید که می تواند به درخواست های مشتری با صدای گفتاری به زبان مادری آنها پاسخ دهد!

مدل‌های یادگیری ماشینی بر اساس مقادیر عددی برای پیش‌بینی/طبقه‌بندی هستند، اما کامپیوترها چگونه می‌توانند با داده‌های متنی برخورد کنند؟ با افزایش عظیم داده های متنی موجود، کاربردهایی مانند طبقه بندی خودکار اسناد، تولید متن و ترجمه ماشینی عصبی امکان پذیر شد. در این دوره آموزشی، نحوه استفاده از شبکه‌های عصبی مکرر برای طبقه‌بندی متن (دودویی و چند کلاسه)، تولید عبارات شبیه‌سازی شخصیت شلدون از برنامه تلویزیونی تئوری بیگ بنگ و ترجمه جملات پرتغالی به انگلیسی را خواهید آموخت. آیا برای شروع سفر خود به مدل های زبانی با استفاده از Keras و Python آماده هستید؟ شیرجه بزنید!

شبیه‌سازی‌ها دسته‌ای از الگوریتم‌های محاسباتی هستند که از ایده نسبتاً ساده نمونه‌گیری تصادفی برای حل مسائل پیچیده‌تر استفاده می‌کنند. اگرچه آنها برای سال‌ها وجود داشته‌اند، اما اخیراً به دلیل افزایش قدرت محاسباتی محبوبیت پیدا کرده‌اند و کاربردهایی را در حوزه‌های متعددی از جمله هوش مصنوعی، فیزیک، زیست‌شناسی محاسباتی و امور مالی مشاهده کرده‌اند. دانش‌آموزان از شبیه‌سازی برای تولید و تجزیه و تحلیل داده‌ها بر روی توزیع‌های احتمال مختلف با استفاده از بسته مهم NumPy استفاده خواهند کرد. این دوره به دانش‌آموزان تجربه عملی با شبیه‌سازی با استفاده از برنامه‌های کاربردی ساده و واقعی می‌دهد.

آیا تا به حال از شما خواسته شده است که فرآیندها و منابع صنعت یا کسب و کار خود را بهینه کنید؟ این دوره به شما یاد می دهد که چگونه با این مشکل بهینه سازی از طریق شبیه سازی رویدادهای گسسته مقابله کنید. با استفاده از بسته SimPy پایتون، دوقلوهای دیجیتالی را برای فرآیندها و منابع مختلف صنعتی بر اساس شبیه‌سازی‌های رویداد گسسته توسعه خواهید داد. شما با چندین نمونه واقعی روبرو خواهید شد و اعتماد به نفس ایجاد مدل‌های رویداد گسسته عملیاتی را از ابتدا به دست خواهید آورد که می‌توانند به عنوان «تخت آزمایش مجازی» برای مطالعه گزینه‌های مدیریت، سناریوهای آزمایش و مطالعه استراتژی‌های بهینه‌سازی استفاده شوند.

این دوره عملی شبیه‌سازی‌های مونت کارلو را معرفی می‌کند، که برای تخمین طیفی از نتایج برای رویدادهای نامشخص استفاده می‌شود، و کتابخانه‌های Python مانند SciPy و NumPy شبیه‌سازی را سریع و آسان می‌کنند! همانطور که مهارت‌های شبیه‌سازی خود را ارتقا می‌دهید، این مهارت‌ها را روی مجموعه داده‌ای از نتایج بیماران دیابتی به کار می‌گیرید و از نتایج شبیه‌سازی خود برای درک اینکه چگونه متغیرهای مختلف بر پیشرفت دیابت تأثیر می‌گذارند، استفاده خواهید کرد. شما توزیع‌های احتمال را بررسی می‌کنید و یاد می‌گیرید که چگونه بهترین توزیع را برای شبیه‌سازی خود انتخاب کنید، و اهمیت همبستگی ورودی و حساسیت مدل را کشف خواهید کرد. در نهایت، یاد خواهید گرفت که با استفاده از کتابخانه تجسم محبوب Seaborn، یافته‌های خود را به اشتراک بگذارید.

این دوره واژگان Google Sheets شما را گسترش می دهد. شما عمیق‌تر در انواع داده‌ها غوطه‌ور خواهید شد، دستکاری داده‌های عددی و منطقی را تمرین می‌کنید، داده‌های از دست رفته و انواع خطا را کاوش می‌کنید و برخی آمار خلاصه را محاسبه می‌کنید. در حین حرکت، مجموعه داده‌های رکوردهای جهانی سرعت 100 متری، برخوردهای نزدیک سیارک‌ها، ادعاهای سود و پروانه‌ها را کاوش خواهید کرد.

در این دوره شما همه چیز را در مورد استفاده از طبقه‌بندی‌کننده‌های خطی، به‌ویژه رگرسیون لجستیک و ماشین‌های بردار پشتیبان، با scikit-learn خواهید آموخت. هنگامی که نحوه به کارگیری این روش ها را یاد گرفتید، در ایده های پشت آن ها غوطه ور خواهید شد و متوجه خواهید شد که واقعاً چه چیزی باعث می شود که این روش ها عمل کنند. در پایان این دوره شما می‌دانید که چگونه این طبقه‌بندی‌کننده‌های خطی را در پایتون آموزش، آزمایش و تنظیم کنید. شما همچنین یک پایه مفهومی برای درک بسیاری از الگوریتم های یادگیری ماشین دیگر خواهید داشت.

طراحی پایگاه داده خوب برای یک برنامه کاربردی با کارایی بالا بسیار مهم است. همانطور که بدون بهره مندی از یک طرح اولیه شروع به ساختن خانه نمی کنید، باید از قبل به نحوه ذخیره داده هایتان فکر کنید. صرف زمان برای طراحی یک پایگاه داده باعث صرفه جویی در زمان و ناامیدی بعدا می شود و یک پایگاه داده به خوبی طراحی شده دسترسی آسان و بازیابی اطلاعات را تضمین می کند. هنگام انتخاب یک طرح، باید نکات زیادی را در نظر گرفت. در این دوره آموزشی، نحوه پردازش، ذخیره و سازماندهی داده ها را به روشی کارآمد یاد خواهید گرفت. خواهید دید که چگونه داده ها را از طریق عادی سازی ساختار دهید و داده های خود را با نماها ارائه دهید. در نهایت، یاد می‌گیرید که چگونه پایگاه داده خود را مدیریت کنید و همه این کارها بر روی مجموعه داده‌های مختلفی از فروش کتاب، کرایه اتومبیل، تا نقد موسیقی انجام می‌شود.

طراحی آزمایشی بخش مهمی از تجزیه و تحلیل داده‌ها در هر زمینه‌ای است، خواه در تجارت، بهداشت و یا فناوری کار کنید. اگر می خواهید از داده ها برای پاسخ به یک سوال استفاده کنید، باید یک آزمایش طراحی کنید! در این دوره با طراحی تجربی پایه، از جمله طرح های بلوکی و فاکتوریل و آزمون های آماری رایج مانند آزمون های t و ANOVA آشنا خواهید شد. شما از داده های R داخلی و مجموعه داده های دنیای واقعی از جمله نظرسنجی CDC NHANES، امتیازات SAT از مدارس دولتی نیویورک، و داده های وام باشگاه وام استفاده خواهید کرد. پس از دوره، شما قادر خواهید بود آزمایشات خود را طراحی و تجزیه و تحلیل کنید!

چگونگی طراحی آزمایش‌ها و انجام تحلیل‌های آماری را برای شروع نتیجه‌گیری دقیق کشف کنید! در این دوره، یاد خواهید گرفت که چگونه تنظیمات طراحی آزمایشی مختلف، از جمله طرح‌های بلوک تصادفی و طرح‌های فاکتوریل، را می‌توان برای اندازه‌گیری اثرات درمان پیاده‌سازی کرد. شما عمیقاً در انجام تجزیه و تحلیل های آماری بر روی داده های تجربی، از جمله انتخاب آزمون های آماری صحیح برای موقعیت، انجام تجزیه و تحلیل پس از وقوع، و اندازه گیری اندازه اثر و حداقل اندازه نمونه با تجزیه و تحلیل d و توان کوهن، فرو خواهید رفت. در نهایت، یاد می‌گیرید که چگونه از داده‌های آزمایشی پیچیده اطلاعاتی استخراج کنید و یافته‌های خود را به ذینفعان مختلف منتقل کنید، پیچیدگی‌هایی مانند تعاملات، ناهمسانی و آشفتگی را برطرف کنید و زمانی که داده‌ها با مفروضات آزمون‌های پارامتریک مطابقت ندارند، روش‌های ناپارامتریک را پیاده‌سازی کنید.

نحوه طراحی، خودکارسازی و نظارت بر خطوط لوله پیش بینی مقیاس پذیر در پایتون را بیاموزید. این دوره پیشرفته با استفاده از ابزارهایی مانند MLflow و Airflow شما را در کل گردش کار تولید راهنمایی می کند - از منبع داده ها و مدل های آموزشی گرفته تا استقرار و نظارت.

شما با اتصال به منابع داده زنده و ایجاد اولین پیش بینی خود با داده های تقاضای برق ایالات متحده شروع می کنید. در مرحله بعد، شما اصول آزمایش را کشف خواهید کرد، از جمله بک تست، ارزیابی، و ثبت مدل با استفاده از MLflow.

سپس خطوط لوله پیش‌بینی خودکار را با فرآیندهای ETL، ثبت مدل، و هماهنگ‌سازی جریان هوا ایجاد می‌کنید. در نهایت، شما ملزومات استقرار تولید، از جمله نظارت بر سلامت خط لوله، تشخیص جابجایی مدل، و حفظ سیستم‌های پیش‌بینی در محیط‌های واقعی را خواهید آموخت.

هر روز، سیستم‌های هوشمند صنایع را متحول می‌کنند — خواه از طریق پشتیبانی خودکار مشتری، توصیه‌های شخصی‌شده یا پردازش پویا داده‌ها باشد. گردش‌های کاری عاملی، که مدل‌ها و ابزارهای زبان را برای انجام وظایف پیچیده ادغام می‌کنند، در خط مقدم این تحول قرار دارند. این دوره مؤلفه‌های ضروری گردش‌های کاری عاملی را تجزیه می‌کند و نحوه ساخت، سفارشی‌سازی و بهینه‌سازی آنها را توضیح می‌دهد. شما با اصول کلیدی عوامل LangChain، از جمله پیکربندی دستورات، ادغام ابزارها، و مدیریت گردش کار پیچیده با LangGraph آشنا خواهید شد. در پایان این دوره، شما مجهز به ساخت سیستم‌های هوشمندی خواهید بود که وظایف پیچیده را خودکار می‌کنند، بهره‌وری را افزایش می‌دهند و راه‌حل‌های پویا متناسب با نیازهای کسب‌وکار را ارائه می‌کنند.