در این دوره آموزشی، نحوه طراحی را با در نظر گرفتن کاربران یاد می گیرید. با برخی از بهترین شیوه‌ها در تجسم داده‌ها آشنا می‌شوید و تجسم‌های خود را بهینه می‌کنید تا برای افراد کم‌بینا بیشتر در دسترس باشد. این دوره همچنین به شما یاد می دهد که چه زمانی از گزارش های صفحه بندی شده استفاده کنید، که پیش نیاز آزمون رسمی PL-300 است!

به‌کارگیری مدل‌های یادگیری ماشین در تولید با ابزارهای مدرن آسان به نظر می‌رسد، اما اغلب با ناامیدی به پایان می‌رسد، زیرا این مدل در تولید بدتر از توسعه عمل می‌کند. این دوره به شما چهار ابرقدرت می‌دهد که باعث می‌شوند شما را از گروه علم داده متمایز کنید و خطوط لوله‌ای بسازید که در آزمون زمان مقاومت کنند: چگونه تمام جنبه‌های مدل خود را در توسعه تنظیم کنید. چگونه از تخصص دامنه موجود به بهترین شکل ممکن استفاده کنیم. چگونه مدل خود را در عملکرد نظارت کنید و با هر گونه خرابی عملکرد مقابله کنید. و در نهایت نحوه برخورد با داده های ضعیف یا به ندرت برچسب گذاری شده است. این دوره با کاوش عمیق در لبه برش sklearn، و پرداختن به مجموعه داده های واقعی از مناطق داغ مانند مراقبت های بهداشتی شخصی و امنیت سایبری، نمایی از یادگیری ماشین را از خط مقدم نشان می دهد.

با این دوره آموزشی طراحی گزارشات در Power BI به سفر تجسم داده خود ادامه دهید. از طریق تمرین‌های عملی، قبل از کشف نحوه تغییر مضامین گزارش و بهینه‌سازی آن‌ها برای کاربران تلفن همراه، با یک تکنیک تجربه کاربری (UX) برای تسهیل گزارش‌دهی آشنا می‌شوید.

تجزیه و تحلیل داده هایی که در جداول آمده اند سرگرم کننده است. اما چه می‌شود اگر چیزهایی که به نظر ما جالب‌تر هستند به‌عنوان یک مجموعه داده منظم و منظم اما به صورت متن ساده در دسترس نباشند؟ ناامید نشوید: در این دوره، همه چیزهایی را که برای ایجاد عبارات منظم قدرتمند نیاز دارید، یاد می گیرید که به شما کمک می کند تمام اطلاعات مورد نیاز برای تجزیه و تحلیل خود را فقط از یک لکه متن بیابید. اما نه تنها این. با استفاده از مفهوم فاصله رشته، حتی با متنی که حاوی اشتباهات تایپی یا اسکن است، کار خواهید کرد، زیرا می توانید آنها را با همتایان صحیح خود از منابع داده دیگر مطابقت دهید (پیوند رکورد). به عنوان یک ماده آموزشی، اسناد واقعی در مورد چهره های باکس آفیس در سینماهای سوئیس را تجزیه و تحلیل خواهیم کرد.

به‌عنوان یک دانشمند داده، با موقعیت‌های زیادی مواجه خواهید شد که در آن باید اطلاعات کلیدی را از مجموعه‌های عظیم متن استخراج کنید، داده‌های نامرتب حاوی رشته‌ها را تمیز کنید، یا برای یافتن کلمات مفید، الگوها را شناسایی و مطابقت دهید. همه این موقعیت ها بخشی از متن کاوی هستند و گام مهمی قبل از اعمال الگوریتم های یادگیری ماشین هستند. این دوره شما را از طریق درک مفاهیم قانع کننده در مورد دستکاری رشته و عبارات منظم راهنمایی می کند. شما یاد خواهید گرفت که چگونه رشته ها را تقسیم کنید، آنها را دوباره به هم بپیوندید، آنها را درون یابی کنید، و همچنین با استفاده از عبارات منظم رشته ها را شناسایی، استخراج، جایگزین و مطابقت دهید. در سفر برای تسلط بر این مهارت‌ها، با مجموعه داده‌های حاوی نقد فیلم یا توییت‌های پخش‌شده که می‌توانند برای تعیین نظر مورد استفاده قرار گیرند، و همچنین با متن خام حذف شده از وب کار خواهید کرد.

علم داده چیست و چگونه می توانید از آن برای تقویت سازمان خود استفاده کنید؟ این دوره به شما در مورد مهارت هایی که در تیم داده خود نیاز دارید و اینکه چگونه می توانید آن تیم را برای رفع نیازهای سازمان خود ساختار دهید، آموزش می دهد. داده ها همه جا هست! این دوره به شما درکی از منابع داده ای که شرکت شما می تواند استفاده کند و نحوه ذخیره آن داده ها را به شما ارائه می دهد. همچنین راه هایی برای تجزیه و تحلیل و تجسم داده های خود از طریق داشبوردها و تست های A/B کشف خواهید کرد. برای پایان دادن به دوره، در مورد موضوعات هیجان انگیز در یادگیری ماشین بحث خواهیم کرد، از جمله خوشه بندی، پیش بینی سری های زمانی، پردازش زبان طبیعی (NLP)، یادگیری عمیق و هوش مصنوعی قابل توضیح! در طول مسیر، با انواع کاربردهای دنیای واقعی علم داده آشنا خواهید شد و از طریق تمرینات عملی، درک بهتری از این مفاهیم به دست خواهید آورد.

آیا تا به حال آرزو کرده اید که بتوانید با پایگاه داده خود چت کنید؟ اکنون این امکان با عوامل LLM و AI وجود دارد. در این دوره آموزشی، نحوه تعامل و چت با یک نمونه پایگاه داده MongoDB، با استفاده از LangGraph برای هماهنگی عامل را یاد خواهید گرفت. با چالش‌ها و ارزش گردش‌های کاری متن به پرس و جو آشنا می‌شوید، برای پاسخ به پرسش‌های مربوط به داده‌ها در مورد مجموعه داده‌های فیلم، جریان کاری خود را می‌سازید، و حتی برای ادامه مکالمه‌های خود از جایی که متوقف شده‌اند، نقطه بازرسی حافظه را پیاده‌سازی می‌کنید!

عوامل AI در حال تغییر نحوه کار ما با داده ها و نرم افزار هستند. از خودکارسازی گردش‌های کاری گرفته تا کمک به کاربران در جهت‌یابی وظایف پیچیده، عوامل می‌توانند از طرف شما جستجو کنند، استدلال کنند و عمل کنند. در این دوره آموزشی، نحوه ساخت عوامل با استفاده از smolagents، یک چارچوب سبک وزن پایتون که توسط Hugging Face توسعه یافته است، یاد خواهید گرفت.

با عوامل و ابزارهای کد کار کنید

شما با درک اینکه چه چیزی عوامل کد را متفاوت می‌کند و چرا اینقدر قدرتمند هستند شروع خواهید کرد. سپس، اولین عامل خود را از ابتدا با استفاده از smolagents برای تولید و اجرای کد پایتون خواهید ساخت. همچنین خواهید آموخت که چگونه ابزارهای داخلی را وصل کنید و ابزارهای سفارشی ایجاد کنید تا کارهایی که نمایندگان شما می‌توانند انجام دهند را گسترش دهید.

با RAG و حافظه، عوامل را هوشمندتر کنید

در مرحله بعد، از نسل افزوده شده بازیابی (RAG) برای کمک به عوامل در جمع‌آوری اطلاعات از مجموعه‌های اسناد بزرگ استفاده خواهید کرد. شما با ساختن سیستم‌های RAG عاملی کارها را پیش‌تر خواهید برد - عواملی که چندین مرحله برای دریافت پاسخ‌های بهتر استدلال می‌کنند. همچنین یاد خواهید گرفت که چگونه حافظه اضافه کنید تا نمایندگان بتوانند به طور طبیعی به سؤالات بعدی رسیدگی کنند و کارهایی که قبلاً انجام شده را پیگیری کنند.

سیستم‌های چند عامله را هماهنگ کنید و خروجی‌ها را تأیید کنید

در فصل آخر، سیستم‌های چند عاملی ایجاد می‌کنید که عوامل متخصص را از طریق یک مدیر هماهنگ می‌کند. فواصل برنامه‌ریزی را اضافه می‌کنید، از تماس‌های برگشتی برای بینش رفتار نماینده استفاده می‌کنید و پاسخ‌های نهایی را تأیید می‌کنید تا نمایندگان شما قابل اعتماد و کاربرپسند بمانند.

در پایان دوره، می‌دانید چگونه عواملی بسازید که به آینده فکر کنند، با هم کار کنند و کارها را انجام دهند.

با شناسایی و کاهش سوگیری داده‌ها، که برای تجزیه و تحلیل دقیق و توسعه مدل قوی بسیار مهم است، یاد بگیرید که از پتانسیل کامل داده‌های خود استفاده کنید.

با بررسی اشکال مختلف سوگیری داده ها و تأثیر آنها بر تصمیم گیری شروع کنید. برای کشف سوگیری های پنهان در روش های نمونه گیری، داده های تاریخی و ابزارهای اندازه گیری، به جمع آوری داده ها بپردازید. سپس، به تحلیل داده‌ها و توسعه مدل بروید و یاد بگیرید که چگونه سوگیری‌های شناختی، گزارش‌گری و الگوریتمی می‌توانند تفسیرها را تحریف کنند. این دوره دانش و ابزارهایی را برای شناسایی و کاهش این سوگیری ها در اختیار شما قرار می دهد و از شیوه های تحلیل شفاف و منصفانه اطمینان می دهد.

در پایان، شما یک متخصص سوگیری داده خواهید بود و آماده غلبه بر تعصب و کشف بینش های واقعی در مجموعه داده های خود خواهید بود.

صفحه‌گسترده‌ها اغلب از داشتن داده‌های بیش از حد رنج می‌برند. اگر می‌خواهید داستان زیربنایی را که در داده‌ها وجود دارد، بدون ایجاد گزارش‌های اضافی بگویید، قالب‌بندی شرطی می‌تواند کمک کند! قالب بندی مشروط چه برای نشان دادن سن موجودی شما با برجسته کردن اقلام با استفاده از مقیاس رنگی باشد، چه برجسته کردن بزرگترین واریانس ها در داده های مالی سال به سال، قالب بندی مشروط دارای گزینه های داخلی است که می تواند بدون کد پیچیده استفاده شود. می توان از آن به جای مرتب سازی یا فیلتر کردن استفاده کرد زیرا با داده هایی که از قبل وجود دارد کار می کند! در پایان، شما گزارش خود را با استفاده از قالب بندی مشروط برای تجزیه و تحلیل لیست حقوق و دستمزد یک شرکت ایجاد خواهید کرد.

تاریخ‌ها و زمان‌ها دارای داده‌های فراوان هستند و برای پاسخ دادن به سؤالاتی که با چه زمانی، چه مدت یا چند بار شروع می‌شوند، ضروری هستند. با این حال، آنها می توانند مشکل ساز باشند، زیرا در قالب های مختلفی ارائه می شوند و می توانند به روش های غیر شهودی رفتار کنند. این دوره به شما ملزومات تجزیه، دستکاری و محاسبات با تاریخ و زمان در R را می آموزد. در پایان، شما بر بسته روانکاری، یکی از اعضای tidyverse، که به طور خاص برای کنترل تاریخ ها و زمان ها طراحی شده است، تسلط خواهید داشت. همچنین می‌توانید مهارت‌های جدید خود را برای بررسی تعداد دفعات انتشار نسخه‌های R، زمانی که هوا در اوکلند (محل تولد R) خوب است، و مدت زمان حکومت پادشاهان در بریتانیا به کار ببرید.

استفاده از چت DeepSeek V3 و مدل‌های استدلال R1 را برای ایجاد تجربیات الهام‌بخش مشتری و خودکارسازی فرآیندهای تجاری شروع کنید. در این دوره، از مدل‌های DeepSeek، از طریق API Together.ai، برای حل طیف وسیعی از وظایف دنیای واقعی، از جمله تولید محتوا برای بازاریابان و تجارت الکترونیک، خلاصه کردن مکالمات مشتری برای تیم‌های پشتیبانی، و ساخت یک ربات چت برای کمک به مردم در کدنویسی در پایتون استفاده خواهید کرد. بیاموزید که امروز همه تبلیغات DeepSeek درباره چه چیزی بود!

مدل‌های زبان بزرگ منبع باز مانند Llama می‌توانند روی رایانه شخصی شما اجرا شوند و به شما کمک می‌کنند داده‌ها را خصوصی نگه دارید و هزینه‌ها را کاهش دهید. در این دوره، نحوه تنظیم و استفاده از Llama را به صورت محلی یاد خواهید گرفت. شما تکنیک‌های ساده‌ای مانند تنظیم اعلان‌ها برای دریافت پاسخ‌های بهتر، ایجاد مکالمه‌هایی که زمینه را به خاطر می‌آورند، و تطبیق خروجی‌ها برای مطابقت با نیازهای پروژه خود را بررسی خواهید کرد - چه به معنای تولید داده‌های ساختاریافته یا اصلاح پاسخ‌ها برای وضوح باشد. این دوره برای زبان آموزان با تجربه کار با پایتون طراحی شده است.

در سال‌های اخیر، OpenAI به عنوان یک رهبر بازار در ایجاد مدل‌های هوش مصنوعی، مانند GPT-4o، و انتشار آن‌ها برای جامعه گسترده‌تر در برنامه‌هایی مانند ChatGPT ظاهر شده است. این مدل‌ها می‌توانند نه تنها شیوه کار شما، بلکه محصولات و خدماتی را که کسب‌وکارها به مشتریان ارائه می‌دهند نیز متحول کنند. برای شروع استخراج ارزش تجاری از مدل های OpenAI، باید یاد بگیرید که با رابط برنامه نویسی برنامه یا API آنها کار کنید. در این دوره، شما تجربه عملی کار با OpenAI API در پایتون را به دست خواهید آورد و طیف گسترده ای از عملکردهایی را که API ارائه می دهد را بررسی خواهید کرد. در پایان دوره، مهارت‌ها و دانش لازم برای استفاده از قدرت OpenAI API برای ایجاد راه‌حل‌هایی برای مشکلات دنیای واقعی را خواهید داشت.

ویدیوها حاوی رونوشت‌های زنده هستند که با کلیک کردن روی "نمایش رونوشت" در پایین سمت چپ ویدیوها قابل دسترسی هستند.

واژه نامه دوره را می توانید در سمت راست در بخش منابع پیدا کنید.

برای کسب اعتبارات CPE باید دوره را تکمیل کنید و در ارزیابی واجد شرایط به نمره 70% برسید. می‌توانید با کلیک بر روی علامت اعتبارات CPE در سمت راست به ارزیابی بروید.

شما احتمالا هرگز ماشین زمان نخواهید داشت، اما ماشینی برای تجزیه و تحلیل زمان چطور؟ به محض ورود زمان به هر تحلیلی، همه چیز می تواند عجیب شود. به راحتی می توانید در مرزهای روز و ماه، مناطق زمانی، ساعت تابستانی، و انواع چیزهای دیگری که می تواند افراد ناآماده را سردرگم کند، گیج شوید. اگر می‌خواهید هر نوع تحلیلی را انجام دهید، باید از پایتون برای مرتب کردن آن استفاده کنید. با کار با مجموعه داده‌ها در طوفان‌ها و سفرهای دوچرخه‌سواری، شمارش رویدادها را پوشش می‌دهیم، دریابیم که بین رویدادها چقدر زمان سپری شده است و داده‌ها را در طول زمان ترسیم می‌کنیم. شما هم در پایتون استاندارد و هم در پانداها کار خواهید کرد، و ما کتابخانه dateutil، تنها کتابخانه منطقه زمانی تایید شده توسط اسناد رسمی پایتون را لمس خواهیم کرد. پس از این دوره، شما با اطمینان اطلاعات تاریخ و زمان را در هر قالبی مانند یک قهرمان مدیریت خواهید کرد.

توانایی درک، استفاده و خلاصه کردن داده‌های غیر عددی - مانند گروه خونی یا وضعیت تاهل یک فرد - یکی از اجزای حیاتی دانشمند داده بودن است. در این دوره، نحوه دستکاری و تجسم داده های طبقه بندی شده با استفاده از پانداها و دریازادگان را خواهید آموخت. از طریق تمرین‌های عملی، با نوع داده‌های دسته‌بندی پانداها، از جمله نحوه ایجاد، حذف و به‌روزرسانی ستون‌های دسته‌بندی آشنا خواهید شد. همچنین با طیف وسیعی از مجموعه داده‌ها از جمله ویژگی‌های سگ‌های قابل پذیرش، بررسی‌های سفر لاس وگاس، و داده‌های سرشماری کار خواهید کرد تا مهارت‌های خود را در کار با داده‌های طبقه‌بندی توسعه دهید.

بخش خوبی از داده‌های موجود در دنیای واقعی ذاتاً فضایی هستند. از جمعیت ثبت شده در سرشماری ملی گرفته تا هر مغازه در همسایگی شما، اکثر مجموعه داده ها جنبه مکانی دارند که می توانید از آن برای استفاده حداکثری از آنچه ارائه می کنند استفاده کنید. این دوره به شما نشان می دهد که چگونه داده های مکانی را در گردش کار پایتون Data Science خود ادغام کنید. شما یاد خواهید گرفت که چگونه با استفاده از ابعاد جغرافیایی آنها با داده های دنیای واقعی تعامل، دستکاری و تقویت کنید. شما یاد خواهید گرفت که داده های مکانی جدولی را در رایج ترین فرمت ها بخوانید (به عنوان مثال GeoJSON، shapefile، geopackage) و آنها را در نقشه ها تجسم کنید. سپس منابع مختلف را با استفاده از مکان آنها به عنوان پلی که آنها را در ارتباط با یکدیگر قرار می دهد ترکیب می کنید. و در پایان دوره، می‌توانید بفهمید چه چیزی داده‌های جغرافیایی را منحصربه‌فرد می‌کند و به شما امکان می‌دهد آنها را در زمینه‌های مختلف تغییر دهید و تغییر دهید.

Hugging Face یک پلت فرم حیاتی برای دسترسی به یادگیری ماشینی و عملکرد هوش مصنوعی است. در این دوره، Hugging Face Hub را با مناسب ترین مدل ها و مجموعه داده ها برای وظایف خود بررسی خواهید کرد. از API Hugging Face برای جستجو در مخزن مدل آن بر اساس وظیفه، نویسنده یا محبوبیت استفاده خواهید کرد. شما از خطوط لوله، یک جزء اساسی Hugging Face، برای انجام یکسری وظایف هوش مصنوعی با استفاده از یک نحو ساده و بصری استفاده خواهید کرد. شما یاد خواهید گرفت که متن را به دسته بندی طبقه بندی کنید، خلاصه های تاثیرگذار و دقیق ایجاد کنید، و حتی با اسناد مکالمه کنید. به انقلاب هوش مصنوعی بپیوندید و همین امروز درباره Hugging Face بیاموزید!

آیا تا به حال با مجموعه داده هایی با تعداد زیادی ویژگی کار می کنید؟ در این دوره، تکنیک‌های کاهش ابعاد را یاد می‌گیرید که به شما کمک می‌کند داده‌های خود و مدل‌هایی را که با داده‌های خود می‌سازید ساده کنید و در عین حال عملکرد پیش‌بینی خوبی را حفظ کنید. کاهش ابعاد، تیغ Occam شما در علم داده است. با استفاده از R، نحوه شناسایی و حذف ویژگی‌ها، نحوه استخراج ترکیبی از ویژگی‌ها به‌عنوان اجزای فشرده که حاوی حداکثر اطلاعات هستند و استفاده از داده‌های دنیای واقعی برای ساخت مدل‌هایی با ویژگی‌های کمتر بدون به خطر انداختن عملکرد قابل‌توجه را خواهید آموخت.

مجموعه داده‌های با ابعاد بالا می‌توانند بسیار زیاد باشند و شما را ندانید از کجا شروع کنید. به طور معمول، ابتدا یک مجموعه داده جدید را به صورت بصری کاوش می‌کنید، اما وقتی ابعاد بسیار زیادی دارید، رویکردهای کلاسیک ناکافی به نظر می‌رسند. خوشبختانه، تکنیک های تجسم به طور خاص برای داده های با ابعاد بالا طراحی شده است و در این دوره با آنها آشنا می شوید. پس از کاوش در داده‌ها، اغلب متوجه می‌شوید که بسیاری از ویژگی‌ها اطلاعات کمی دارند، زیرا هیچ گونه واریسی را نشان نمی‌دهند یا به این دلیل که تکراری از ویژگی‌های دیگر هستند. شما یاد خواهید گرفت که چگونه این ویژگی ها را شناسایی کرده و آنها را از مجموعه داده حذف کنید تا بتوانید روی موارد آموزنده تمرکز کنید. در مرحله بعدی، ممکن است بخواهید یک مدل بر روی این ویژگی ها بسازید، و ممکن است معلوم شود که برخی از آنها هیچ تاثیری بر چیزی که می خواهید پیش بینی کنید ندارد. شما یاد خواهید گرفت که چگونه این ویژگی های نامربوط را نیز شناسایی و حذف کنید تا ابعاد و در نتیجه پیچیدگی را کاهش دهید. در نهایت، می‌آموزید که چگونه تکنیک‌های استخراج ویژگی می‌توانند ابعاد را برای شما از طریق محاسبه مؤلفه‌های اصلی ناهمبسته کاهش دهند.