با تکمیل این دوره، به تخفیف یک ماهه Replit Core دسترسی انحصاری دریافت کنید!

قدرت کدنویسی vibe را باز کنید و روش ساخت نرم افزار را متحول کنید. این دوره که با مشارکت Replit توسعه یافته است، شما را با اصول کدنویسی vibe با استفاده از Replit Agent 3 که به تازگی منتشر شده است آشنا می کند. شما خواهید آموخت که چگونه هوش مصنوعی می تواند جریان های کاری کدنویسی شما را افزایش دهد و مهارت های شما را با ساختن پروژه های دنیای واقعی مانند یک کلون Typeform به کار ببرد. فراتر از برنامه نویسی، شما همچنین به نحوه ایمن سازی و استقرار برنامه های Replit خود نیز مسلط خواهید شد و مطمئن شوید که پروژه های شما آماده تولید و مقیاس پذیر هستند.

چه به تازگی با کدنویسی vibe شروع کرده اید، یا به دنبال تسلط بر Replit برای خود یا تیمتان هستید، این دوره همه چیزهایی را که برای تبدیل شدن به یک کدگذار وایبر موثر با Replit نیاز دارید، پوشش می دهد.

دریابید که چگونه کدنویسی خود را با هوش مصنوعی افزایش دهید. این دوره تکنیک‌های مهندسی سریع را معرفی می‌کند تا به شما کمک کند کد پاک‌تر بنویسید، سریع‌تر اشکال‌زدایی کنید، مستندات تولید کنید و برنامه‌های خود را ایمن کنید. شما یاد خواهید گرفت که چگونه اعلان های دقیق بسازید، ابزارهای هوش مصنوعی مناسب را انتخاب کنید، و گردش کار کدگذاری ایمن و مقرون به صرفه بسازید. در پایان، می توانید هوش مصنوعی را در وظایف توسعه واقعی ادغام کنید و کار خود را ساده کنید. این دوره برای توسعه دهندگانی که می خواهند از هوش مصنوعی به عنوان شریک برنامه نویسی استفاده کنند ایده آل است.

در این دوره، فراگیران با تمرکز بر تبدیل ویژگی‌های اساسی به پلتفرم‌های جامع و همسو کردن آن‌ها با استراتژی‌های کسب‌وکار، ملزومات کسب درآمد از هوش مصنوعی و داده‌ها را بررسی خواهند کرد. این دوره به ایجاد زیرساخت های اخلاقی و مقرون به صرفه و تبدیل داده ها به محصولات و خدمات ارزشمند می پردازد.

بر ایجاد چشم‌اندازی واحد برای محصولات هوش مصنوعی، تضمین درآمدزایی مداوم و درک نقش حیاتی زیرساخت در ابتکارات هوش مصنوعی تأکید دارد. چارچوب‌ها و استراتژی‌های عملی برای پیمایش مؤثر در پیچیدگی‌های هوش مصنوعی و کسب درآمد از داده‌ها ارائه شده است.

انجمن بررسی‌کنندگان خبره تقلب تخمین می‌زند که تقلب برای سازمان‌ها در سراسر جهان 3.7 تریلیون دلار در سال هزینه دارد و یک شرکت معمولی پنج درصد از درآمد سالانه را به دلیل تقلب از دست می‌دهد. انتظار می‌رود که تلاش‌های تقلب در آینده حتی بیشتر شود و کشف تقلب در بیشتر صنایع بسیار ضروری باشد. این دوره نشان خواهد داد که چگونه یادگیری الگوهای تقلب از داده های تاریخی می تواند برای مبارزه با تقلب استفاده شود. برخی از تکنیک‌های آمار قوی و تجزیه و تحلیل رقمی برای شناسایی مشاهدات غیرعادی که احتمالاً با تقلب مرتبط هستند، ارائه شده‌اند. دو چالش اصلی هنگام ساخت یک ابزار نظارت شده برای کشف تقلب، عدم تعادل یا چولگی داده ها و هزینه های مختلف برای انواع مختلف طبقه بندی اشتباه است. ما تکنیک‌هایی را برای حل این مشکلات ارائه می‌کنیم و بر مجموعه داده‌های مصنوعی و واقعی از طیف گسترده‌ای از برنامه‌های تقلب تمرکز می‌کنیم.

R Markdown یک زبان قالب‌بندی آسان برای استفاده است که می‌توانید از آن برای نشان دادن اطلاعات بینش از داده‌ها و نوشتن یافته‌های خود به‌عنوان PDF، فایل HTML یا برنامه براق استفاده کنید. در این دوره آموزشی، نحوه ایجاد و اصلاح هر عنصر از فایل Markdown، از جمله کد، متن و ابرداده را خواهید آموخت. شما داده ها را با dplyr تجزیه و تحلیل خواهید کرد، با ggplot2 تجسم ایجاد می کنید، و تجزیه و تحلیل ها و نمودارهای خود را به عنوان گزارش می نویسید. در حین کار با داده‌های دنیای واقعی از شرکت مالی بین‌المللی (IFC) تجربه عملی از ساختن گزارش‌ها به دست خواهید آورد - یاد می‌گیرید چگونه گزارش‌ها را با استفاده از گزینه‌های قطعه کد، ایجاد فهرست‌ها و جداول، و گنجاندن فهرست مطالب به طور مؤثر سازماندهی کنید. در پایان دوره، مهارت‌هایی را خواهید داشت که برای برجسته کردن گزارش‌های خود، فونت‌ها و رنگ‌های برندتان را با استفاده از پارامترها و برگه‌های سبک آبشاری (CSS) اضافه کنید.

در ساخت گزارش های پیچیده استاد شوید! در این دوره، شما تمام مفاهیم و توابع SQL را که در دوره های قبلی آموخته اید، برای ساخت داشبورد خود به کار می گیرید. با پیمایش در پایگاه داده المپیک، به یک کاوشگر داده خبره تبدیل خواهید شد و یاد خواهید گرفت که چگونه پایگاه داده جدید را به سرعت و به طور موثر درک کنید. از آنجایی که داده‌ها هرگز کامل نیستند، استراتژی‌های ارزشمندی برای مقابله با مسائل دنیای واقعی که معمولاً با SQL یافت می‌شوند، به دست خواهید آورد، از جمله نحوه حذف داده‌های تکراری و نحوه تبدیل داده‌های آشفته به گزارش‌های تمیز و سازمان‌یافته. در نهایت، شما محاسبات پیچیده را با استفاده از توابع پنجره و محاسبات لایه ای، همه در یک گزارش، غلبه خواهید کرد. این یک کلاس عالی برای هر کسی است که معمولاً داده‌ها را از پایگاه‌های داده بیرون می‌کشد و یک مکمل عالی برای کسانی است که از R یا Python برای علم داده استفاده می‌کنند.

در این دوره پیشرفته، تجسم‌های Power BI خود را با مهارت‌هایی که از قبل دارید ارتقا دهید. شما تکنیک های پیچیده داستان سرایی داده های جایگزین را برای ساختن داشبورد، از جمله دکمه ها و نشانک ها برای ایجاد تجسم های تعاملی بیشتر، یاد خواهید گرفت. تجربه کاربر را با فیلترهای متحرک و شکلک‌ها سفارشی کنید و یاد بگیرید که چگونه ویژگی پرسش و پاسخ را برای گزارش‌های شخصی‌شده تغییر دهید.

این دوره عمیقاً به ویژگی‌های پیشرفته Git می‌پردازد و در جهت مهندسی داده و جریان‌های کاری علم داده است. شما بر استراتژی‌های ادغام پیچیده تسلط خواهید داشت، یاد می‌گیرید که تاریخچه مخزن را دستکاری کنید و Git را برای پروژه‌های داده در مقیاس بزرگ بهینه کنید. موضوعات کلیدی شامل rebasing پیشرفته، git reflog برای بازیابی فاجعه، اشکال زدایی کارآمد با git bisect و مدیریت فایل های بزرگ با Git LFS است. شما همچنین توسعه موازی را با استفاده از درخت کاری و نحوه مدولار کردن ساختارهای پروژه با زیر ماژول ها را بررسی خواهید کرد. در پایان این دوره، شما مهارت های لازم برای رسیدگی به سناریوهای پیچیده کنترل نسخه و مسائل مربوط به توسعه خط لوله داده و پروژه های داده مشترک را خواهید داشت.

این دوره مبتنی بر دانش پایه Git است و مفاهیم جدیدی از جمله شاخه‌ها، مخازن از راه دور و مدیریت تضادهای ادغام را معرفی می‌کند. متوجه خواهید شد که چگونه شعبه‌ها اجازه توسعه مداوم نرم‌افزار را می‌دهند، جایی که یک سیستم تولید می‌تواند در حالی که ویژگی‌های اضافی توسعه می‌یابد یا اشکالات برطرف می‌شود، زنده بماند. تکنیک‌های ضروری برای کار با شاخه‌ها، استفاده از Git برای پیمایش، مقایسه، تغییر نام، حذف و ادغام آنها را خواهید آموخت.

این دوره به شما نکات و ترفندهایی را برای جلوگیری از تضادهای ادغام نشان می دهد، جایی که Git نمی داند چگونه محتویات فایل ها را هنگام ادغام دو شاخه ترکیب کند. حل کردن تضادهای ادغام را تمرین خواهید کرد و با نحوه نمایش تضادها در فایل‌ها توسط Git آشنا خواهید شد. این دوره با معرفی مخازن از راه دور، که برای پروژه های مشترک با Git اساسی هستند، به پایان می رسد. شما محتوای خود را بین مخازن محلی و از راه دور با استفاده از دستورات رایج مانند شبیه سازی، واکشی، کشیدن و فشار همگام خواهید کرد!

این دوره یک طبقه‌بندی قدرتمند، ماشین بردار پشتیبانی (SVM) را با استفاده از یک رویکرد بصری بصری معرفی می‌کند. ماشین‌های بردار پشتیبانی در R به دانش‌آموزان کمک می‌کند تا درک درستی از مدل SVM به‌عنوان یک طبقه‌بندی کنند و تجربه عملی را با استفاده از پیاده‌سازی libsvm R از بسته e1071 کسب کنند. در طول مسیر، دانش آموزان درک شهودی از مفاهیم مهم، مانند حاشیه های سخت و نرم، ترفند هسته، انواع مختلف هسته ها، و نحوه تنظیم پارامترهای SVM به دست خواهند آورد. برای طبقه بندی داده ها با این مدل چشمگیر آماده شوید.

احتمال مطالعه پیش‌بینی در مورد پدیده‌های تصادفی است. در این دوره، با استفاده از مثال چرخش سکه، با مفاهیم متغیرهای تصادفی، توزیع‌ها و شرطی‌سازی آشنا می‌شوید. همچنین شهودی برای حل مسائل احتمال از طریق شبیه سازی تصادفی به دست خواهید آورد. این اصول به شما در درک استنتاج آماری کمک می کند و می تواند برای نتیجه گیری از داده ها استفاده شود.

احتمال مطالعه قوانینی است که در نتایج آزمایش‌های تصادفی پدیدار می‌شوند. در این دوره آموزشی، با مفاهیم احتمالی اساسی مانند متغیرهای تصادفی (شروع با مثال برگرداندن سکه کلاسیک) و نحوه محاسبه میانگین و واریانس، توزیع احتمال و احتمال شرطی آشنا خواهید شد. ما همچنین دو نتیجه بسیار مهم در احتمال را بررسی خواهیم کرد: قانون اعداد بزرگ و قضیه حد مرکزی. از آنجایی که احتمال در هسته علم داده و یادگیری ماشین قرار دارد، این مفاهیم به شما کمک می‌کند تا مدل‌ها را قوی‌تر درک کرده و به کار ببرید. شانس در همه جا وجود دارد و مطالعه احتمالات، دیدگاه شما را نسبت به جهان تغییر خواهد داد. بیایید تصادفی شویم!

یکی از جنبه های اساسی تحلیل آماری استنتاج یا فرآیند نتیجه گیری در مورد جمعیت بزرگتر از نمونه داده ها است. اگرچه غیر شهودی است، اما روش استاندارد تلاش برای رد ادعای تحقیقی است که مورد علاقه نیست. به عنوان مثال، برای نشان دادن اینکه یک درمان پزشکی بهتر از دیگری است، می‌توانیم فرض کنیم که این دو درمان به نرخ بقای مساوی منجر می‌شوند تا پس از آن توسط داده‌ها رد شوند. علاوه بر این، ما ایده یک مقدار p یا درجه عدم توافق بین داده ها و فرضیه را معرفی می کنیم. ما همچنین به فواصل اطمینان می پردازیم که میزان تأثیر مورد علاقه را اندازه گیری می کند (مثلاً اینکه یک درمان چقدر بهتر از دیگری است).

بعد از محاسبه میانگین های خود و ایجاد نمودارها چه اتفاقی می افتد؟ چگونه از آمار توصیفی به تصمیم گیری مطمئن می رسید؟ چگونه می توان از آزمون های فرضیه برای حل مسائل دنیای واقعی استفاده کرد؟ در این دوره چهار ساعته در مورد مبانی استنتاج در پایتون، شما تجربه عملی در نتیجه گیری صحیح بر اساس داده ها را خواهید داشت. شما همه چیز را در مورد نمونه گیری یاد خواهید گرفت و خواهید فهمید که چگونه نمونه گیری نادرست می تواند استنتاج آماری را از مسیر خارج کند.

شما کار را با آزمون‌های فرضیه برای نرمال بودن و همبستگی و همچنین آزمون‌های پارامتریک و ناپارامتریک شروع می‌کنید. شما این تست ها را با استفاده از SciPy اجرا می کنید و خروجی آنها را برای تصمیم گیری تفسیر می کنید.

در مرحله بعد، قدرت یک نتیجه را با استفاده از اندازه اثر و قدرت آماری اندازه‌گیری می‌کنید، در حالی که با اعمال اصلاحات از همبستگی‌های جعلی اجتناب می‌کنید.

در نهایت، از شبیه‌سازی، تصادفی‌سازی، و متاآنالیز برای کار با طیف وسیعی از داده‌ها، از جمله تجزیه و تحلیل مجدد نتایج سایر محققان استفاده خواهید کرد.

پس از دوره آموزشی، می‌توانید با موفقیت از داده‌های بزرگ استفاده کنید و از آن‌ها برای تصمیم‌گیری اصولی استفاده کنید که رهبران می‌توانند بر آن تکیه کنند. شما فراتر از نمودارها و آمار خلاصه می‌روید تا نتایج قابل‌اعتماد، قابل تکرار و قابل توضیح ایجاد کنید.

فهم و دستکاری لیست ها ممکن است دشوار باشد، اما آنها می توانند اطلاعات زیادی را در خود جای دهند و بسیار قدرتمند هستند. در این دوره یاد می گیرید که به راحتی لیست ها را استخراج، خلاصه و دستکاری کنید و چگونه داده ها را به شی مورد نظر خود صادر کنید، چه لیست دیگری، یک برداری یا حتی چیز دیگری! در طول دوره، شما با بسته purrr و مجموعه‌ای از مجموعه‌های داده از بسته repurrrsive کار خواهید کرد، از جمله داده‌های فیلم‌های جنگ ستارگان و وس اندرسون و داده‌های جمع‌آوری‌شده درباره کاربران GitHub و مخازن GitHub. پس از این دوره، مهارت های فهرست شما کامل خواهد شد!

تحلیل داده‌های بیزی رویکردی برای مدل‌سازی آماری و یادگیری ماشینی است که روز به روز محبوب‌تر می‌شود. این یک چارچوب یکنواخت برای ساخت مدل‌های خاص مسئله ارائه می‌کند که می‌تواند هم برای استنتاج آماری و هم برای پیش‌بینی استفاده شود. این دوره شما را با تجزیه و تحلیل داده های بیزی آشنا می کند: چیست، چگونه کار می کند، و چرا ابزار مفیدی است که در جعبه ابزار علم داده خود داشته باشید.

در چند سال گذشته سر و صدای زیادی در مورد Big Data وجود داشته است و در نهایت برای بسیاری از شرکت ها به جریان اصلی تبدیل شده است. اما این کلان داده چیست؟ این دوره اصول Big Data را از طریق PySpark پوشش می دهد. Spark یک چارچوب "محاسبات خوشه ای سریع رعد و برق" برای داده های بزرگ است. این یک موتور پلت فرم پردازش داده کلی را ارائه می دهد و به شما امکان می دهد برنامه ها را تا 100 برابر سریعتر در حافظه یا 10 برابر سریعتر روی دیسک نسبت به Hadoop اجرا کنید. شما از PySpark، یک بسته Python برای برنامه نویسی Spark و کتابخانه های قدرتمند و سطح بالاتر آن مانند SparkSQL، MLlib (برای یادگیری ماشین) استفاده خواهید کرد. کارهای ویلیام شکسپیر را بررسی خواهید کرد، داده های Fifa 2018 را تجزیه و تحلیل خواهید کرد و بر روی مجموعه داده های ژنومی خوشه بندی خواهید کرد. در پایان این دوره، شما درک عمیقی از PySpark و کاربرد آن در تجزیه و تحلیل کلی داده های بزرگ به دست خواهید آورد.

تخمین زده شده است که بیش از 70٪ از اطلاعات تجاری بالقوه قابل استفاده، ساختاری ندارند، اغلب به شکل داده های متنی. متن کاوی مجموعه‌ای از تکنیک‌ها را فراهم می‌کند که به ما اجازه می‌دهد تا بینش‌های عملی را از داده‌های بدون ساختار استخراج کنیم. در این دوره به بررسی اصول متن کاوی با استفاده از روش کیسه کلمات می پردازیم. سه فصل اول انواع موضوعات ضروری برای تجزیه و تحلیل و تجسم داده های متنی را معرفی می کند. فصل آخر به شما امکان می‌دهد هر آنچه را که در یک مطالعه موردی در دنیای واقعی آموخته‌اید به کار ببرید تا بینش‌هایی را از بررسی‌های کارکنان دو شرکت بزرگ فناوری استخراج کنید.

R متوسط ​​ایستگاه بعدی سفر شما در تسلط بر زبان برنامه نویسی R است. در این آموزش R با عبارات شرطی، حلقه ها و توابع برای تقویت اسکریپت های R خود آشنا می شوید. در مرحله بعد، کد R خود را با استفاده از توابع کاربردی کارآمدتر و خواناتر کنید. در نهایت، فصل ابزارها شما را با عبارات منظم در R، دستکاری‌های ساختار داده، و زمان‌ها و تاریخ‌ها سریع‌تر می‌کند. این دوره به شما این امکان را می دهد تا در حین برنامه نویسی در R، گام بعدی را در ارتقای دانش و قابلیت های کلی خود بردارید.

با نحوه ایجاد محاسبات در Tableau آشنا شوید تا تصاویر خود را به سطح بعدی برسانید. در این دوره تعاملی، یاد خواهید گرفت که چگونه از توابع برای محاسبات Tableau خود استفاده کنید و چه زمانی باید از آنها استفاده کنید! مجموعه داده‌های واقعی، از جمله داده‌های استفاده از Fitbit و داده‌های تجاری لباس‌های خرده‌فروشی را کاوش خواهید کرد. شما یاد خواهید گرفت که با استفاده از Tableau مشکلات کسب و کار را حل کنید، از جمله تجزیه و تحلیل همگروهی و بقا، یک سناریوی what-if با نمودار ربع پویا و نحوه عیب یابی محاسبات خود را آماده کنید. آماده، تنظیم، محاسبه!