این دوره با مرور شیب‌ها و بریدگی‌ها در رگرسیون‌های خطی قبل از رفتن به جلوه‌های تصادفی آغاز می‌شود. شما یاد خواهید گرفت که یک افکت تصادفی چیست و چگونه از آن برای مدل سازی داده های خود استفاده کنید. در مرحله بعد، دوره رگرسیون خطی با اثر مختلط را پوشش می دهد. این مدل‌های قدرتمند به شما این امکان را می‌دهند که داده‌ها را با ساختار پیچیده‌تری نسبت به رگرسیون خطی استاندارد کاوش کنید. این دوره سپس رگرسیون خطی با اثر مختلط تعمیم یافته را آموزش می دهد. مدل‌های با جلوه‌های ترکیبی خطی تعمیم‌یافته به شما امکان می‌دهند انواع بیشتری از داده‌ها، از جمله پاسخ‌های باینری و داده‌های شمارش را مدل‌سازی کنید. در نهایت، این دوره به تجزیه و تحلیل اندازه گیری های مکرر به عنوان یک مورد خاص از مدل سازی با اثر مختلط می پردازد. این نوع داده ها زمانی ظاهر می شوند که افراد در طول زمان دنبال شوند و اندازه گیری ها در فواصل زمانی جمع آوری شوند. در طول دوره شما با داده های واقعی کار خواهید کرد تا با استفاده از مدل های اثرات مختلط به سؤالات جالب پاسخ دهید.

مدل‌سازی مخلوط راهی برای نمایش جمعیت‌ها در زمانی است که به ناهمگونی آنها علاقه مندیم. مدل‌های مخلوط از توزیع‌های احتمال آشنا (مانند گاوسی، پواسون، دوجمله‌ای) برای ارائه یک چارچوب آماری راحت و در عین حال رسمی برای خوشه‌بندی و طبقه‌بندی استفاده می‌کنند. برخلاف رویکردهای خوشه‌بندی استاندارد، می‌توانیم احتمال تعلق به یک خوشه را تخمین بزنیم و در مورد جمعیت‌های فرعی استنتاج کنیم. به عنوان مثال، در زمینه بازاریابی، ممکن است بخواهید گروه های مختلف مشتریان را دسته بندی کنید و احتمال خرید محصولات خاص آنها را پیدا کنید تا آنها را با تبلیغات سفارشی بهتر هدف قرار دهید. هنگام استفاده از پردازش زبان طبیعی برای مجموعه بزرگی از اسناد، ممکن است بخواهید اسناد را در موضوعات مختلف دسته بندی کنید و درک کنید که هر موضوع در هر سند چقدر اهمیت دارد. در این دوره آموزشی، می آموزید که مدل های مخلوط چیست، چگونه تخمین زده می شوند و چه زمانی مناسب است آنها را اعمال کنید!

مردم هر روز انتخاب می کنند. آنها محصولاتی مانند آب پرتقال یا ماشین را انتخاب می‌کنند، تصمیم می‌گیرند به چه کسی رای بدهند و نحوه رسیدن به محل کار را انتخاب می‌کنند. بازاریابان، خرده فروشان، طراحان محصول، دانشمندان علوم سیاسی، برنامه ریزان حمل و نقل، جامعه شناسان و بسیاری دیگر می خواهند بفهمند چه چیزی باعث این انتخاب ها می شود. مدل‌های انتخاب پیش‌بینی می‌کنند که افراد چه چیزی را به عنوان تابعی از ویژگی‌های گزینه‌های موجود انتخاب می‌کنند و می‌توانند برای تصمیم‌گیری‌های مهم طراحی محصول مورد استفاده قرار گیرند. این دوره به شما یاد می دهد که چگونه داده های انتخابی را سازماندهی کنید، مدل های انتخاب را در R تخمین بزنید و یافته ها را ارائه دهید. این دوره هم تجزیه و تحلیل انتخاب های مشاهده شده در دنیای واقعی و هم رویکرد مبتنی بر نظرسنجی به نام تحلیل مشترک را پوشش می دهد.

رویکرد بیزی به آمار و یادگیری ماشینی منطقی، انعطاف‌پذیر و شهودی است. در این دوره، شما یک خانواده از مدل های بیزی پایه و قابل تعمیم را مهندسی و تجزیه و تحلیل خواهید کرد. دامنه این مدل‌ها از مدل‌های یک پارامتری اساسی تا مدل‌های رگرسیون خطی چند متغیره و تعمیم‌یافته میانی است. محبوبیت چنین مدل های بیزی همراه با در دسترس بودن منابع محاسباتی مورد نیاز برای اجرای آنها افزایش یافته است. شما از یکی از این منابع استفاده خواهید کرد - بسته rjags در R. با ترکیب قدرت R با موتور JAGS (Just Another Gibbs Sampler)، rjags چارچوبی برای مدل‌سازی، استنتاج و پیش‌بینی بیزی ارائه می‌دهد.

تخمین بیزی جایگزینی انعطاف‌پذیر برای تکنیک‌های مدل‌سازی است که در آن استنتاج‌ها به مقادیر p بستگی دارد. در این دوره یاد خواهید گرفت که چگونه مدل های رگرسیون خطی را با استفاده از روش های بیزی و بسته rstanarm تخمین بزنید. شما با توزیع های قبلی، بررسی مدل پیش بینی پسین و مقایسه مدل در چارچوب بیزی آشنا خواهید شد. همچنین یاد خواهید گرفت که چگونه از مدل تخمینی خود برای پیش‌بینی داده‌های جدید استفاده کنید.

اگر تا به حال درخواست کارت اعتباری یا وام داده اید، می دانید که شرکت های مالی قبل از تصمیم گیری اطلاعات شما را پردازش می کنند. این به این دلیل است که دادن وام به شما می تواند تأثیر مالی جدی بر تجارت آنها داشته باشد. اما چگونه تصمیم می گیرند؟ در این دوره با نحوه تهیه داده های درخواست اعتبار آشنا می شوید. پس از آن، یادگیری ماشین و قوانین تجاری را برای کاهش ریسک و اطمینان از سودآوری اعمال خواهید کرد. شما از دو مجموعه داده استفاده خواهید کرد که برنامه های اعتباری واقعی را تقلید می کنند در حالی که بر ارزش تجاری تمرکز می کنند. به من بپیوندید و ارزش مورد انتظار مدل سازی ریسک اعتباری را بیاموزید!

آماده اید تا مهارت های Databricks خود را ارتقا دهید؟ در این دوره، مهارت‌های مدیریت داده در Databricks را با استفاده از ویژگی‌های Delta Lake مانند تراکنش‌های ACID، اجرای طرح‌واره، و سفر در زمان برای مدیریت داده‌های جامد تسلط خواهید یافت. در ایجاد و مدیریت جداول و نماهای موقت برای ساده‌سازی گردش‌های کاری غوطه‌ور شوید. سپس، Databricks' Data Explorer را برای پیش‌نمایش مجموعه داده‌ها، اختصاص مالکیت جدول و محافظت از داده‌های حساس با شیوه‌های امنیتی درجه یک کاوش کنید. چه در ساخت پرس و جوهای قابل استفاده مجدد و چه مدیریت اطلاعات شناسایی شخصی (PII)، این دوره با تمرینات عملی و استراتژی های عملی برای ایمن نگه داشتن داده های خود، در دسترس و بهینه سازی برای هر سناریویی آشنا می شود.

داده‌های گمشده همه جا هستند. فرآیند پر کردن مقادیر از دست رفته به عنوان imputation شناخته می‌شود، و اگر می‌خواهید پیش‌بینی‌های دقیقی داشته باشید و خود را از جمعیت متمایز کنید، دانستن نحوه پر کردن صحیح داده‌های از دست رفته یک مهارت ضروری است. در این دوره آموزشی، نحوه استفاده از تجسم‌سازی و آزمون‌های آماری را برای تشخیص الگوهای داده از دست رفته و نحوه تلقی داده‌ها با استفاده از مجموعه‌ای از مدل‌های آماری و یادگیری ماشینی را یاد خواهید گرفت. همچنین مهارت‌های تصمیم‌گیری را به دست خواهید آورد که به شما کمک می‌کند تصمیم بگیرید که کدام روش انتساب در یک موقعیت خاص مناسب‌تر است. در نهایت، یاد خواهید گرفت که عدم قطعیت ناشی از انتساب را در استنتاج و پیش‌بینی‌های خود بگنجانید، و آنها را قوی‌تر و قابل اعتمادتر کنید.

مدیریت مسئولانه داده ها، به ویژه در هوش مصنوعی (AI) بسیار مهم است. این دوره مفهومی به شما اصول شیوه‌های داده‌های مسئولانه، از جمله جمع‌آوری داده‌ها، مقررات کلیدی، و اعتبارسنجی داده‌ها و استراتژی‌های کاهش تعصب را آموزش می‌دهد. می‌توانید این مهارت‌ها را برای استفاده از تفکر انتقادی در هر پروژه داده‌ای به کار ببرید، و مطمئن شوید که پروژه‌ای موفق، مسئولیت‌پذیر و سازگار از ابتدا تا انتها دارید.

در مدیریت ریسک کمی (QRM)، مدل‌هایی برای درک ریسک‌های پرتفوی مالی خواهید ساخت. این یک وظیفه حیاتی در سراسر صنعت بانکداری، بیمه و مدیریت دارایی است. اولین گام در فرآیند ساخت مدل، جمع آوری داده ها در مورد عوامل خطر اساسی است که بر ارزش پورتفولیو تأثیر می گذارد و رفتار آنها را تجزیه و تحلیل می کند. در این دوره آموزشی، نحوه کار با سری‌های بازده عامل ریسک، مطالعه ویژگی‌های تجربی یا به اصطلاح «واقعیت‌های سبک‌سازی‌شده» این داده‌ها - از جمله غیرعادی بودن و نوسان‌پذیری معمولی آن‌ها، و تخمین‌هایی از ارزش در معرض خطر برای یک پورتفولیو را خواهید آموخت.

مدیریت ریسک با استفاده از مدیریت ریسک کمی یک وظیفه حیاتی در صنعت بانکداری، بیمه و مدیریت دارایی است. ضروری است که تحلیلگران ریسک مالی، تنظیم‌کننده‌ها و اکچوئرها بتوانند به طور کمی پاداش‌ها را در مقابل ریسک‌شان متعادل کنند.

این دوره از طریق بررسی بحران مالی 2007-2008 و تأثیر آن بر بانک های سرمایه گذاری مانند گلدمن ساکس و جی پی مورگان، شما را با مدیریت ریسک پرتفوی مالی آشنا می کند. شما یاد خواهید گرفت که چگونه از پایتون برای محاسبه و کاهش مواجهه با ریسک با استفاده از معیارهای ارزش در معرض خطر و ارزش شرطی در خطر، تخمین ریسک با تکنیک هایی مانند شبیه سازی مونت کارلو و استفاده از فناوری های پیشرفته مانند شبکه های عصبی برای انجام تعادل مجدد پورتفولیو در زمان واقعی استفاده کنید.

قبل از اینکه بتوانید داده ها را تجزیه و تحلیل کنید، ابتدا باید آنها را بدست آورید. این دوره به شما می آموزد که چگونه خطوط لوله بسازید تا داده های ذخیره شده در قالب های ذخیره سازی رایج را وارد کنید. شما از پانداها، یک کتابخانه اصلی پایتون برای تجزیه و تحلیل، برای دریافت داده‌ها از منابع مختلف، از صفحات گسترده پاسخ‌های نظرسنجی، پایگاه داده درخواست‌های خدمات عمومی، تا یک API برای یک سایت بررسی محبوب استفاده خواهید کرد. در طول مسیر، یاد می‌گیرید که چگونه واردات را تنظیم کنید تا فقط آنچه را که نیاز دارید به دست آورید و به مشکلاتی مانند انواع داده‌های نادرست رسیدگی کنید. در نهایت، یک مجموعه داده سفارشی را از ترکیبی از منابع جمع آوری خواهید کرد.

تسلط نیاز به تمرین دارد. پس از تکمیل تفکر آماری I و II، ذهنیت احتمالی و مهارت های آمار هکرها را برای استخراج بینش های عملی از داده های خود توسعه دادید. پایه و اساس شما سر جای خود است، و اکنون زمان آن است که هنر خود را تمرین کنید.

در این دوره، مهارت‌های تفکر آماری، تجزیه و تحلیل داده‌های اکتشافی، تخمین پارامترها و آزمون فرضیه‌ها را در دو مجموعه داده‌های دنیای واقعی به کار می‌گیرید. ابتدا، داده‌های مسابقات قهرمانی آبزیان جهانی فینا در سال‌های 2013 و 2015 را بررسی می‌کنید، جایی که سرعت و تنوع نسبی را در میان شناگران تعیین می‌کنید. سپس یک تجزیه و تحلیل آماری برای ارزیابی "جنجال فعلی" جهان های 2013 انجام خواهید داد که در آن شناگران ادعا کردند که جریان خفیفی در استخر بر نتیجه تأثیر می گذارد. دوم، فرکانس و بزرگی زمین لرزه ها را در سراسر جهان مطالعه خواهید کرد. در نهایت، تغییرات لرزه خیزی در ایالت اوکلاهاما ایالات متحده را پس از رایج شدن عمل تزریق فاضلاب با فشار بالا در سایت های استخراج نفت در دهه گذشته، تجزیه و تحلیل خواهید کرد. همانطور که با این مجموعه داده ها کار می کنید، با تقویت دانش موجود و گسترش توانایی های خود برای استفاده از آمار و Python برای درک داده های خود، گام های حیاتی به سمت تسلط بر خواهید داشت.

اکنون که با اصول تحلیل شبکه آشنا شدید، زمان آن فرا رسیده است که نحوه اعمال این مفاهیم را در مجموعه داده های بزرگ دنیای واقعی مشاهده کنید. شما از طریق سه مطالعه موردی مختلف کار خواهید کرد که هر کدام بر اساس کار قبلی شما است. این مطالعات موردی با انواع داده‌هایی که در محیط‌های دانشگاهی و صنعتی مشاهده خواهید کرد، کار می‌کنند. ما برخی از چالش‌های محاسباتی و تجسمی را که با آن‌ها روبرو خواهید بود و چگونگی غلبه بر آنها را بررسی خواهیم کرد. دانش شما در مورد igraph به رشد خود ادامه خواهد داد، اما ما از کتابخانه های تجسمی دیگر نیز استفاده خواهیم کرد که به شما کمک می کنند تجسم های خود را به وب بیاورید.

پس از یادگیری اصول اولیه استفاده از براق برای ساخت برنامه های کاربردی وب، این دوره با به کارگیری مهارت های تازه کسب شده خود، شما را به سطح بعدی می برد. شما تجربه توسعه برنامه های جالب و واقعی براق را برای موارد استفاده رایج مختلف، مانند استفاده از Shiny برای کاوش مجموعه داده، ایجاد یک طرح سفارشی، و حتی ایجاد یک ابر کلمه، خواهید داشت. با این همه تمرین و دانش جدید، شما به خوبی برای توسعه برنامه های براق برای استفاده خود مجهز خواهید بود.

با زبان برنامه نویسی اسکالا آشنا شوید. خواهید آموخت که چرا و چگونه شرکت هایی مانند Netflix، Airbnb، و Morgan Stanley Scala را برای برنامه های کاربردی در مقیاس بزرگ و زیرساخت های مهندسی داده انتخاب می کنند. با تمرکز بر رایج ترین ویژگی های مورد استفاده در کتابخانه استاندارد اسکالا، اصول اولیه زبان، از جمله نحو و سبک را خواهید آموخت. شما با نوشتن کد برای یک برنامه واقعی که نسخه کامپیوتری بازی کارت محبوب بیست و یک را اجرا می کند، یاد خواهید گرفت. ارزش یک زبان برنامه نویسی ترکیبی شی گرا و تابعی را خواهید چشید که اسکالا نمونه اصلی آن است. ما این دوره را برای زبان آموزانی که تجربه برنامه نویسی در سطح متوسط ​​دارند توصیه می کنیم که می توان آن را در پیش نیازهای ذکر شده به دست آورد.

قفل قدرت عوامل هوش مصنوعی را باز کنید و نحوه کار با سیستم های عامل را تغییر دهید. این دوره آموزشی مناسب برای مبتدیان برای هر کسی که مشتاق درک مفاهیم اصلی سیستم های هوش مصنوعی عاملی است، بدون نوشتن یک خط کد طراحی شده است.

می‌آموزید که چگونه عوامل هوش مصنوعی با ابزارهای اتوماسیون سنتی و ربات‌های گفتگو تفاوت دارند، اجزای کلیدی آن‌ها مانند حافظه، استفاده از ابزار، و هماهنگ‌سازی را بررسی می‌کنید، و خواهید فهمید که چه زمانی و چگونه راه‌حل‌های مبتنی بر عامل را برای مشکلات دنیای واقعی پیاده‌سازی کنید. از عوامل پشتیبانی مشتری گرفته تا دستیاران کدنویسی، این دوره از مثال‌های مرتبط برای ابهام زدایی از آنچه سیستم‌های هوش مصنوعی را عامل می‌کند، نحوه استدلال آنها و نحوه استفاده و ساخت مسئولانه از عوامل هوش مصنوعی استفاده می‌کند.

اکنون ثبت نام کنید و اولین قدم خود را به سوی تعامل با مرز بعدی هوش مصنوعی بردارید.

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.

آیا می خواهید مهارت های احتمالی خود را به سطح بعدی ارتقا دهید؟ این دوره با استفاده از یادگیری مبتنی بر مسئله با پازل های احتمالی به عنوان چارچوب، به شما کمک می کند تا به آنجا برسید. همانطور که شما از طریق راه حل های آنها راهنمایی می شوید، ابزارهای کدگذاری و استراتژی های کلی برای حل مشکلات احتمالی که ممکن است در بسیاری از موقعیت های دیگر با آنها روبرو شوید به دست خواهید آورد. این دوره که بر اساس موضوع سازماندهی شده است، با مسائل کلاسیک مانند Birthday Problem و Monty Hall شروع می شود و با پازل هایی که شامل پوکری مانند Texas Hold'em و World Series of Poker است، پایان می یابد!

دنیای خدمات وب آمازون (AWS) را کشف کنید و بدانید که چرا در رایانش ابری پیشتاز است. شما شش رکن کلیدی چارچوب با معماری AWS را بررسی خواهید کرد تا نحوه ایجاد سیستم‌های ایمن، قابل اعتماد و کارآمد در فضای ابری را درک کنید. سپس، به سرویس‌های اصلی AWS، مانند EC2 برای محاسبات، RDS برای پایگاه‌های داده و S3 برای ذخیره‌سازی شیرجه بزنید. بیاموزید که این سرویس ها برای چه مواردی استفاده می شوند و چگونه شروع کنید.

دنیای خدمات وب آمازون (AWS) را کشف کنید و بدانید که چرا در رایانش ابری پیشتاز است. شما شش رکن کلیدی چارچوب با معماری AWS را بررسی خواهید کرد تا نحوه ایجاد سیستم‌های ایمن، قابل اعتماد و کارآمد در فضای ابری را درک کنید. سپس، به سرویس‌های اصلی AWS، مانند EC2 برای محاسبات، RDS برای پایگاه‌های داده و S3 برای ذخیره‌سازی شیرجه بزنید. بیاموزید که این سرویس ها برای چه مواردی استفاده می شوند و چگونه شروع کنید.