Tidymodels مجموعه قدرتمندی از بسته‌های R است که برای ساده‌سازی گردش‌های یادگیری ماشین طراحی شده است. تقسیم مجموعه داده ها برای اعتبارسنجی متقابل، پیش پردازش داده ها با بسته دستوری tidymodels و تنظیم دقیق الگوریتم های یادگیری ماشینی را بیاموزید. شما مفاهیم کلیدی مانند تعریف اشیاء مدل و ایجاد گردش کار مدلسازی را خواهید آموخت. سپس، مهارت‌های خود را برای پیش‌بینی قیمت خانه و طبقه‌بندی کارمندان بر اساس خطر ترک شرکت به کار خواهید گرفت.

در این دوره، مدلسازی با داده را یاد خواهید گرفت. مدل‌ها تلاش می‌کنند تا رابطه بین یک متغیر نتیجه مورد علاقه و یک سری متغیرهای توضیحی/پیش‌بینی‌کننده را به تصویر بکشند. چنین مدل هایی را می توان برای هر دو هدف توضیحی استفاده کرد، به عنوان مثال. "آیا دانستن سن اساتید به توضیح نمرات ارزشیابی تدریس آنها کمک می کند؟" و اهداف پیش بینی کننده، به عنوان مثال، "چقدر می توانیم قیمت خانه را بر اساس اندازه و شرایط آن پیش بینی کنیم؟" شما از مهارت‌های منظم خود برای ساختن و تفسیر چنین مدل‌هایی استفاده خواهید کرد. این دوره حول محور استفاده از رگرسیون خطی، یکی از متداول ترین و قابل درک ترین رویکردها برای مدل سازی است. چنین مدل‌سازی و تفکری در زمینه‌های بسیار متنوعی از جمله آمار، استنتاج علی، یادگیری ماشین و هوش مصنوعی استفاده می‌شود.

مدل‌سازی تصویر اغلب به روش‌های یادگیری عمیق نیاز دارد که از داده‌ها برای آموزش الگوریتم‌های شبکه عصبی برای وظایف مختلف یادگیری ماشین استفاده می‌کنند. شبکه‌های عصبی کانولوشنال (CNN) شبکه‌های عصبی قدرتمندی هستند که از آنها برای طبقه‌بندی انواع مختلف اشیا برای تجزیه و تحلیل تصاویر استفاده می‌کنید. این دوره چهار ساعته به شما یاد می دهد که چگونه با استفاده از Keras CNN بسازید، آموزش دهید و ارزیابی کنید.

مدل سازی مناسب داده ها اساس تجزیه و تحلیل داده ها و ایجاد گزارش ها در Power BI است. این دوره به شما امکان می دهد جعبه ابزاری از تکنیک های پاکسازی، شکل دهی و بارگذاری داده ها را کشف کنید که می توانید آنها را روی داده های خود اعمال کنید. شما با نحوه انتخاب بین Power Query و Power BI آشنا خواهید شد و با رفتن به طرحواره های ستاره و دانه های برف پایه های مدل سازی داده ها را کشف خواهید کرد. همه این موارد را در مجموعه داده‌های دنیای واقعی صادر شده توسط اداره سرشماری ایالات متحده اعمال خواهید کرد.

در این دوره، دانش خود را در مورد حقایق، ابعاد و روابط آنها گسترش خواهید داد. شما در مورد اصلی بودن روابط و نحوه استفاده از فیلتر متقابل دو جهته در مدل خود یاد می گیرید. همچنین استفاده از اندازه‌گیری‌ها و سلسله‌مراتب‌های سریع را بررسی کرده و DAX را برای سفارشی‌سازی کامل مدل داده‌های خود بنویسید. در نهایت، با بهترین شیوه های گزارش دهی Power BI برای بهبود عملکرد گزارش های خود آشنا می شوید.

این دوره آموزشی عملی با داده‌های اعتبار واقعی به شما می‌آموزد که چگونه ریسک اعتباری را با استفاده از رگرسیون لجستیک و درخت‌های تصمیم در R مدل‌سازی کنید. مدل‌سازی ریسک اعتباری برای وام‌های شخصی و شرکتی برای بانک‌ها اهمیت زیادی دارد. احتمال اینکه بدهکار نکول کند، یک جزء کلیدی در دستیابی به معیاری برای ریسک اعتباری است. در حالی که مدل‌های دیگری نیز در این دوره معرفی می‌شوند، با دو نوع مدل که اغلب در زمینه امتیازدهی اعتبار استفاده می‌شوند، آشنا می‌شوید. رگرسیون لجستیک و درختان تصمیم شما یاد خواهید گرفت که چگونه از آنها در این زمینه خاص استفاده کنید، و چگونه این مدل ها توسط بانک ها ارزیابی می شوند.

مدل های افزودنی تعمیم یافته ابزار قدرتمندی برای پیش بینی و استنتاج هستند. انعطاف‌پذیرتر از مدل‌های خطی، و قابل درک‌تر از روش‌های جعبه سیاه، GAMها روابط در داده‌ها را به‌عنوان توابع غیرخطی مدل‌سازی می‌کنند که بسیار سازگار با انواع مختلف داده‌ها و مسائل علم داده هستند. در این دوره، نحوه عملکرد GAM ها و نحوه ساخت آنها با بسته محبوب mgcv را خواهید آموخت. شما یاد خواهید گرفت که چگونه نتایج مدل خود را تفسیر، توضیح و تجسم کنید، و چگونه مشکلات مدل را تشخیص داده و رفع کنید. شما با مجموعه داده‌هایی کار خواهید کرد که به شما نشان می‌دهند چگونه GAMها را در موقعیت‌های مختلف اعمال کنید: داده‌های عملکرد خودرو برای ساخت مدل‌های خطی و غیرخطی مختلط، داده‌های آلودگی خاک برای ساخت مدل‌های مکانی، و داده‌های خرید مصرف‌کننده برای طبقه‌بندی و پیش‌بینی. در پایان این دوره، جعبه ابزاری برای حل بسیاری از مسائل علم داده خواهید داشت.

این دوره برای تبدیل شما به یک تحلیلگر مالی ماهر با استفاده از اکسل طراحی شده است. با شروع با مبانی تجزیه و تحلیل جریان نقدی، شما یاد خواهید گرفت که مدل های مالی بسازید، درآمد خالص را محاسبه کنید، و صورت های درآمد را تجزیه کنید، و پایه ای قوی در مدل سازی مالی ایجاد کنید. سپس این دوره به سمت تکنیک های پیشرفته تجزیه و تحلیل سناریو پیش می رود و به شرکت کنندگان آموزش می دهد تا نتایج مختلف را پیش بینی کنند و تجزیه و تحلیل های حساسیت را با استفاده از عملکردهای متنوع اکسل انجام دهند. یکی از مؤلفه‌های کلیدی این دوره تسلط بر ارزش زمانی پول است، مفهومی حیاتی در تصمیم‌گیری مالی، که در آن دانش‌آموزان یاد خواهند گرفت که ارزش‌های حال و آینده را با دقت محاسبه کنند. بخش آخر بر مهارت‌های بودجه‌بندی سرمایه تمرکز می‌کند و شما را با توانایی تصمیم‌گیری مبتنی بر داده‌ها با استفاده از معیارهای کلیدی مانند ارزش فعلی خالص و نرخ بازده داخلی و ارائه توصیه‌های عملی در سناریوهای مالی مختلف مجهز می‌کند. در پایان دوره، شما نه تنها مفاهیم پیچیده مالی را درک خواهید کرد، بلکه دارای مهارت های عملی برای به کارگیری موثر آنها خواهید بود و در مدل سازی مالی در اکسل ماهر خواهید شد.

آیا تا به حال خواسته اید برای بازنشستگی برنامه ریزی کنید، بازار سهام را درک کنید، یا یک جریان نقدی برای کسب و کار خود ایجاد کنید؟ در این دوره آموزشی با نحوه ساخت مدل های تجاری و مالی در Sheets آشنا می شوید. Google Sheets یک فناوری عالی برای مدل های تجاری است! شما می توانید چارچوبی برای هدف خود ایجاد کنید، مانند درک رشد سرمایه گذاری ها، و سپس آن چارچوب را بر اساس داده های فعلی به روز کنید. شما اصول مدل سازی کسب و کار را با تمرکز بر جریان های نقدی، سرمایه گذاری ها، مستمری ها، استهلاک وام و پس انداز برای بازنشستگی یاد خواهید گرفت. در پایان دوره، مهارت‌های ارجاع و عملکرد را در Sheets به دست خواهید آورد که می‌توانید در انواع مدل‌ها اعمال کنید.

هنگام کار با داده‌ها، اغلب می‌خواهیم مدل‌هایی برای پیش‌بینی رویدادهای آینده ایجاد کنیم، اما همچنین می‌خواهیم درک عمیق‌تری از نحوه اتصال یا ساختار داده‌هایمان داشته باشیم. در این دوره، ارتباط داده ها را با استفاده از مدل سازی معادلات ساختاری (SEM) با زبان برنامه نویسی R با استفاده از بسته lavaan بررسی می کنید. SEM شما را با متغیرهای پنهان و آشکار و نحوه ایجاد مدل‌های اندازه‌گیری، ارزیابی دقت مدل اندازه‌گیری و رفع مدل‌های برازش ضعیف آشنا می‌کند. در طول دوره، مجموعه داده های کلاسیک SEM، مانند مجموعه داده های Holzinger و Swineford (1939) و Bollen (1989) را بررسی خواهید کرد. شما همچنین با استفاده از مقیاس هوش بزرگسالان وکسلر از طریق یک مطالعه موردی مدل چند عاملی کار خواهید کرد. پس از این دوره، می‌توانید در داده‌های خود غوطه‌ور شوید و درک عمیق‌تری از نحوه هماهنگی همه آنها با هم به دست آورید.

در این دوره، شما در برازش مدل‌های ARIMA به داده‌های سری زمانی با استفاده از R تبدیل به یک متخصص خواهید شد. ابتدا ماهیت داده‌های سری زمانی را با استفاده از ابزارهای موجود در بسته آماری R کشف خواهید کرد. در مرحله بعد، یاد می گیرید که چگونه مدل های مختلف ARMA را با داده های شبیه سازی شده (جایی که مدل صحیح را می شناسید) با استفاده از بسته R astsa تطبیق دهید. پس از تسلط بر اصول اولیه، یاد خواهید گرفت که چگونه مدل‌های ARMA یکپارچه یا مدل‌های ARIMA را با مجموعه‌های مختلف داده واقعی تطبیق دهید. شما یاد خواهید گرفت که چگونه اعتبار یک مدل ARIMA را بررسی کنید و یاد خواهید گرفت که چگونه داده های سری زمانی را پیش بینی کنید. در نهایت، نحوه تطبیق مدل‌های ARIMA را با داده‌های فصلی، از جمله پیش‌بینی با استفاده از بسته astsa، یاد خواهید گرفت.

آیا تا به حال سعی کرده اید آینده را پیش بینی کنید؟ آنچه در پیش است رازی است که معمولاً فقط با انتظار حل می شود. در این دوره، شما از انتظار دست می کشید و یاد می گیرید که از مدل های قدرتمند کلاس ARIMA برای پیش بینی آینده استفاده کنید. شما یاد خواهید گرفت که چگونه از بسته statsmodels برای تجزیه و تحلیل سری های زمانی، ساخت مدل های مناسب و پیش بینی در شرایط عدم قطعیت استفاده کنید. بازار سهام در 24 ساعت آینده چگونه حرکت می کند؟ سطوح CO2 در دهه آینده چگونه تغییر خواهد کرد؟ سال آینده چند زلزله خواهد بود؟ شما یاد خواهید گرفت که همه این مشکلات و موارد دیگر را حل کنید.

آیا در مورد ریتم ضربان قلب بازار مالی کنجکاو هستید؟ آیا می خواهید بدانید چه زمانی یک بازار باثبات آشفته می شود؟ در این دوره در مورد مدل‌های GARCH، رویکرد آینده‌نگر برای متعادل کردن ریسک و پاداش در تصمیم‌گیری مالی را خواهید آموخت. این دوره به تدریج از مدل استاندارد GARCH (1،1) به مدل های نوسانات پیشرفته تر با اثر اهرمی، مشخصات GARCH-in-mean و استفاده از توزیع t دانشجویی برای مدل سازی بازده دارایی حرکت می کند. کاربردهای مربوط به بازده سهام و نرخ ارز شامل بهینه‌سازی پرتفوی، ارزیابی پیش‌بینی نمونه متحرک، پیش‌بینی ارزش در معرض خطر و مطالعه کوواریانس‌های پویا است.

نوسانات یک مفهوم اساسی در امور مالی است، به همین دلیل است که مدل‌های GARCH در پایتون یک انتخاب محبوب برای پیش‌بینی تغییرات واریانس هستند، به‌ویژه هنگام کار با داده‌های سری زمانی که وابسته به زمان هستند. این دوره به شما نشان می دهد که چگونه و چه زمانی مدل های GARCH را پیاده سازی کنید، چگونه مفروضات مدل را مشخص کنید، و چگونه می توانید پیش بینی نوسانات را انجام دهید و عملکرد مدل را ارزیابی کنید. با استفاده از داده‌های دنیای واقعی، از جمله قیمت‌های تاریخی سهام تسلا، از طریق محاسبات ارزش در معرض خطر، کوواریانس و بتا سهام، تجربه عملی در مورد چگونگی کمی کردن بهتر ریسک‌های پرتفوی به دست خواهید آورد. همچنین آنچه را که آموخته‌اید در طیف گسترده‌ای از دارایی‌ها، از جمله سهام، شاخص‌ها، ارزهای دیجیتال و ارزهای خارجی به کار می‌گیرید و شما را آماده می‌کند تا از مدل‌های GARCH استفاده کنید.

تقریباً هر شرکتی اطلاعات دیجیتال را به عنوان بخشی از کمپین های بازاریابی خود جمع آوری می کند و از آن برای بهبود تاکتیک های بازاریابی خود استفاده می کند. دانشمندان داده اغلب وظیفه دارند از این اطلاعات برای توسعه مدل‌های آماری استفاده کنند که متخصصان بازاریابی را قادر می‌سازد تا ببینند آیا اقدامات آنها نتیجه داده است یا خیر. در این دوره آموزشی، یاد خواهید گرفت که چگونه با ساختن مدل های ساده پاسخ بازار، الگوهای اقدامات بازاریابی و واکنش های مشتری را کشف کنید. به طور خاص، یاد خواهید گرفت که چگونه تأثیر متغیرهای بازاریابی، مانند قیمت و تاکتیک‌های تبلیغاتی مختلف را با استفاده از کل فروش و داده‌های انتخاب در سطح فردی، کمی کنید.

در LLM ها عمیق تر شوید و کشف کنید که چگونه معماری ترانسفورماتور انقلابی در یادگیری عمیق ایجاد کرده و رونق هوش مصنوعی مولد را فعال کرده است! در این دوره، شما یاد خواهید گرفت که معماری ترانسفورماتور خود را از پایه، جزء به جزء ایجاد کنید. شما یاد خواهید گرفت که چگونه موقعیت های نشانه را رمزگذاری کنید، محاسبات مکانیزم توجه را انجام دهید، و اجزای ترانسفورماتور مدولار بسازید تا کنترل بیشتری بر عملکرد داخلی ترانسفورماتور خود داشته باشید. امروز از صفر به قهرمان LLM بروید!

تولید متن بسیار 2024 است! در این دوره، ما روش‌های داده را برای تولید تصاویر، صدا و حتی ویدیو ترکیب می‌کنیم! ما از مدل‌ها و مجموعه‌های داده Hugging Face برای انجام وظایف بینایی کامپیوتری مانند طبقه‌بندی تصویر، تشخیص اشیا و تقسیم‌بندی استفاده می‌کنیم. ما صدا را حذف می کنیم و موسیقی را با استفاده از مدل های متا تولید می کنیم، و از دستورات برای ویرایش تصاویر و تولید ویدیو استفاده می کنیم. امروز در این سفر مولد هوش مصنوعی به ما بپیوندید!

رگرسیون خطی به‌عنوان مجموعه‌ای از آمار عمل می‌کند، اما نمی‌تواند برخی از انواع داده‌های پیچیده را مدیریت کند. یک مدل خطی تعمیم‌یافته (GLM) بر اساس رگرسیون خطی گسترش می‌یابد تا توزیع‌های غیرعادی شامل داده‌های دوجمله‌ای و تعداد را شامل شود. در طول این دوره، جعبه ابزار علم داده خود را گسترش می‌دهید تا GLMها را در R بگنجانید. به عنوان بخشی از یادگیری در مورد GLMها، یاد خواهید گرفت که چگونه داده‌های دوجمله‌ای مدل را با رگرسیون لجستیک تطبیق دهید و داده‌ها را با رگرسیون پواسون بشمارید. همچنین یاد خواهید گرفت که چگونه این نتایج را بفهمید و آنها را با ggplot2 رسم کنید.

تصور کنید که بتوانید داده هایی را که در آن متغیر پاسخ یا باینری، شمارش یا تقریباً عادی است، مدیریت کنید، همه در یک چارچوب واحد. خوب، لازم نیست تصور کنید. مدل های خطی تعمیم یافته در دوره پایتون را وارد کنید! در این دوره شما جعبه ابزار رگرسیون خود را با مدل‌های لجستیک و پواسون گسترش می‌دهید، با یادگیری نحوه برازش، درک، ارزیابی عملکرد مدل و در نهایت استفاده از مدل برای پیش‌بینی داده‌های جدید. شما با استفاده از داده های مطالعات دنیای واقعی مانند بزرگترین مسمومیت جمعیت در تاریخ جهان، لانه سازی خرچنگ های نعل اسبی و شمارش گذرگاه های دوچرخه روی پل های شهر نیویورک تمرین خواهید کرد.

در برنامه های تجاری مدل های زبان بزرگ (LLM) کاوش کنید. کشف کنید که چگونه آنها به کسب و کارها قدرت می دهند تا گردش کار خود را بهبود بخشند و در عصر جدید مبتنی بر هوش مصنوعی به موفقیت دست یابند. درک عناصر اساسی آنها شما را با بینش های کلیدی در مورد LLM و تأثیر آنها بر تجارت مدرن مجهز می کند.