در این دوره، شما از PyTorch برای کشف طبقه بندی تصویر، تشخیص اشیا، تقسیم بندی و تولید تصویر استفاده خواهید کرد. شما با هر دو مدل طبقه‌بندی تصویر باینری و چند کلاسه کار خواهید کرد، از مدل‌های از پیش آموزش‌دیده برای کارهای یادگیری عمیق استفاده می‌کنید، و در تشخیص اشیا با جعبه‌های مرزی استاد خواهید شد. علاوه بر این، با کاربردهای دنیای واقعی، به بخش بندی تصویر، از جمله انواع معنایی، نمونه، و پانوپتیک خواهید پرداخت. در نهایت، شبکه‌های متخاصم مولد (GAN) را بررسی می‌کنید و ارزیابی کیفیت و تنوع تصاویر تولید شده را یاد می‌گیرید.

با PyTorch سفری هیجان انگیز به سمت یادگیری عمیق متن را آغاز کنید. این دوره شما را با مهارت های مقابله با چالش های مختلف مرتبط با متن مجهز می کند. شما به اصول پردازش متن با رمزگذاری و جاسازی شیرجه خواهید زد. شما مدل های مختلفی از جمله CNN، RNN، GAN و مدل های از پیش آموزش دیده را با استفاده از داده های متنی اعمال خواهید کرد. در نهایت، شما به موضوعات پیشرفته، از جمله تکنیک‌های یادگیری انتقال، مکانیسم‌های توجه، و نحوه محافظت از مدل‌های خود در برابر حملات متخاصم خواهید پرداخت. در پایان این دوره، مهارت‌هایی برای ایجاد مدل‌های یادگیری عمیق قدرتمند برای متن خواهید داشت.

یادگیری عمیق، زمینه‌ای از هوش مصنوعی (AI) است که به سرعت در حال تکامل است که انقلابی در زمینه یادگیری ماشینی ایجاد کرد و پیشرفت‌هایی را در زمینه‌هایی مانند بینایی رایانه، پردازش زبان طبیعی و تشخیص گفتار ممکن کرد. در این دوره، مدل‌های یادگیری عمیق قوی را با PyTorch برای طیف وسیعی از برنامه‌ها، از جمله مدل‌های تصویر و توالی توسعه خواهید داد. شما با معماری‌های شبکه اصلی، مانند شبکه‌های عصبی کانولوشن (CNN) و شبکه‌های عصبی مکرر (RNN)، از جمله شبکه‌های حافظه کوتاه‌مدت (LSTM) و واحدهای بازگشتی دردار (GRU) آشنا خواهید شد.

آیا می‌خواهید مدل‌های یادگیری ماشین شما در کسری از زمان آموزش ببینند؟ آموزش توزیع شده به شما امکان می دهد مدل ها را در چندین دستگاه آموزش دهید و این امکان را فراهم می کند که پروژه های هوش مصنوعی خود را مقیاس بندی کنید و زمان آموزش را کاهش دهید. در این دوره آموزشی، نحوه استفاده از کتابخانه Hugging Face Accelerator و PyTorch را برای آماده سازی مدل هایی برای آموزش توزیع شده در دستگاه خود خواهید آموخت. به اشتراک گذاری داده ها، تکثیر مدل، و همگام سازی پارامترها را کاوش خواهید کرد و در عین حال تجربه عملی را در استفاده از این تکنیک ها در جریان های کاری در دنیای واقعی، اعم از کار بر روی تصویر، متن، یا مدل های صوتی به دست خواهید آورد.

آیا در علم داده کار می کنید و به دنبال تأثیر واقعی بر تصمیمات تجاری هستید؟ این دوره برای کمک به اینجا آمده است! شما یاد خواهید گرفت که چگونه داده ها را با اهداف استراتژیک با تسلط بر مفاهیم و چارچوب های علوم تصمیم گیری کلیدی تراز کنید. مهارت‌هایی را برای حل مؤثر مشکلات، برقراری ارتباط مؤثر بینش‌ها و پرورش فرهنگ مبتنی بر داده در سازمان خود به دست آورید.

در دنیای واقعی، مجموعه داده‌ها معمولاً در جداول زیادی تقسیم می‌شوند، در حالی که اکثر توابع تجزیه و تحلیل داده در R برای کار با جداول تک داده‌ها طراحی شده‌اند. در این دوره، یاد خواهید گرفت که چگونه به طور موثر مجموعه داده ها را با استفاده از data.table در جداول واحد ترکیب کنید. شما یاد خواهید گرفت که چگونه از یک جدول به جدول دیگر ستون اضافه کنید، چگونه یک جدول را بر اساس مشاهدات در جدول دیگر فیلتر کنیم و چگونه رکوردها را در چندین جدول با معیارهای پیچیده شناسایی کنیم. در طول مسیر، نحوه عیب یابی عملیات اتصال ناموفق و بهترین روش ها برای کار با مجموعه داده های پیچیده را یاد خواهید گرفت. پس از تکمیل این دوره، به خوبی در راه تبدیل شدن به یک استاد data.table خواهید بود!

اغلب در علم داده، با داده‌های جذابی روبرو می‌شوید که در چندین جدول پخش شده‌اند. این دوره به شما مهارت هایی را می آموزد که برای پیوستن چندین جدول به یکدیگر برای تجزیه و تحلیل ترکیبی آنها نیاز دارید. شما مهارت های خود را با استفاده از مجموعه داده های سرگرم کننده در مورد LEGO ها از وب سایت Rebrickable تمرین خواهید کرد. مجموعه داده حاوی اطلاعاتی درباره مجموعه ها، قطعات، تم ها و رنگ های لگو است، اما در بسیاری از جداول پخش شده است. شما در طول دوره با داده ها کار خواهید کرد زیرا در مجموع شش اتصال مختلف را یاد می گیرید! شما چهار اتصال جهش یافته را یاد خواهید گرفت: پیوستن داخلی، الحاق چپ، پیوستن راست، و پیوستن کامل، و دو اتصال فیلتر کننده: پیوستن نیمه و پیوستن ضد. در فصل آخر، مهارت‌های جدید خود را روی داده‌های Stack Overflow اعمال خواهید کرد، که شامل هر یک از تقریباً 300000 سؤال Stack Oveflow است که با R برچسب‌گذاری شده‌اند، از جمله اطلاعات مربوط به پاسخ‌های آن‌ها، تاریخ پرسیده شدن و امتیاز آنها. آماده شوید تا مهارت های dplyr خود را به سطح بعدی ببرید!

پیوستن به داده ها یک مهارت ضروری است که به ما امکان می دهد اطلاعات را از جداول جداگانه در یک مجموعه واحد و معنی دار از نتایج جمع آوری کنیم. در این دوره آموزشی در مورد پیوستن به داده ها، یاد بگیرید که پرس و جوهای خود را با استفاده از اتصالات جدول و تئوری مجموعه های رابطه ای اضافه کنید. در این دوره آموزشی، نحوه کار با بیش از یک جدول در SQL، استفاده از اتصالات داخلی، اتصالات خارجی و اتصالات متقاطع، تئوری مجموعه اهرمی، از جمله اتحادیه ها، موارد متقاطع، و غیر از بندها و ایجاد پرس و جوهای تودرتو را یاد خواهید گرفت. هر مرحله با تمرین‌ها و فرصت‌هایی برای اعمال نظریه و افزایش اعتماد به نفس شما در SQL همراه است.

تحلیل عالی با داده های عالی شروع می شود. اما چگونه می‌توانید Tableau را به پایگاه‌های داده و سایر انواع فایل‌های خود متصل کنید تا بتوانید یک نما بسازید و داده‌های خود را تجزیه و تحلیل کنید؟ در این دوره آموزشی، نحوه استفاده از کانکتورها در Tableau برای ایجاد یک اتصال زنده به فایل های CSV و Excel را خواهید آموخت. از طریق تمرینات عملی، همچنین یاد خواهید گرفت که چگونه جداول داده های متعدد را با پیوندها، اتحادها و روابط ترکیب کنید. در نهایت، یاد می‌گیرید که ویژگی‌های داده‌های مختلف را مدیریت کنید، مانند تغییر نام فیلدهای داده، تخصیص نام مستعار، تغییر انواع داده‌ها، و تغییر ویژگی‌های پیش‌فرض برای یک فیلد داده.

اتصالات داده بخش اساسی Power BI هستند. در این دوره آموزشی با بسیاری از گزینه های مختلف برای اتصال به داده آشنا می شوید. در مورد اتصالات داده، تفاوت بین Power BI Desktop و Power BI Service را خواهید آموخت. همچنین با روش‌های مختلفی که Power BI داده‌ها را هنگام اتصال به منبع ذخیره می‌کند و اینکه چگونه می‌توانید اتصالات را پس از ایجاد آنها اصلاح کنید، آشنا خواهید شد. در نهایت، می‌آموزید که چگونه می‌توانید از پارامترها و زبان M در Power BI Desktop برای ارتقای سطح مدیریت فرآیندهای وارد کردن داده‌ها استفاده کنید.

در این دوره آموزشی، نحوه مدیریت و ایمن سازی کاربران، برنامه ها و منابع در Azure را با استفاده از Microsoft Entra ID خواهید آموخت. ابزارهایی مانند Azure Key Vault برای محافظت از اسرار، و Azure App Configuration برای سازماندهی تنظیمات برنامه را کاوش خواهید کرد. سپس، می‌بینید که چگونه سرویس‌ها می‌توانند با استفاده از شناسه‌های مدیریت‌شده به‌طور ایمن با یکدیگر صحبت کنند، و چگونه Microsoft Graph به خودکارسازی وظایف هویت کمک می‌کند—همه با تمرین عملی در پورتال Azure.

عدم اطمینان در تجارت یک امر ثابت است، اما لازم نیست برای تصمیم گیری به حدس و گمان تکیه کنید. این دوره شما را با تکنیک های آماری و شبیه سازی پیشرفته برای مدل سازی عدم قطعیت، ارزیابی ریسک و انتخاب های استراتژیک مبتنی بر داده ها مجهز می کند. از طریق تمرین‌های عملی، می‌آموزید که چگونه مفاهیم احتمال، برنامه‌ریزی سناریو، شبیه‌سازی‌های مونت کارلو و درخت‌های تصمیم‌گیری را در چالش‌های کسب‌وکار در دنیای واقعی اعمال کنید.

شما با ایجاد یک پایه قوی در احتمال، کاوش در توزیع‌های چند متغیره، احتمال شرطی و زنجیره‌های مارکوف برای کشف الگوها در داده‌های تجاری شروع می‌کنید. در مرحله بعد، با استفاده از تجزیه و تحلیل ارزش مورد انتظار، فواصل اطمینان و تست حساسیت وارد اندازه گیری و مدیریت عدم قطعیت خواهید شد. در نهایت، شما از تکنیک‌های شبیه‌سازی مانند نمونه‌گیری مجدد، روش‌های مونت کارلو، و درخت‌های تصمیم‌گیری برای ارزیابی سناریوهای پیچیده و تبدیل بینش به استراتژی‌های عملی استفاده خواهید کرد.

در پایان این دوره، مهارت‌ها و اعتماد به نفس لازم را خواهید داشت تا از تکنیک‌های مبتنی بر داده در فرآیند تصمیم‌گیری خود استفاده کنید—به شما کمک می‌کند تا در عدم قطعیت حرکت کنید، خطرات را کاهش دهید و نتایج بهتری کسب کنید.

این دوره مقدماتی در مورد اخلاق هوش مصنوعی یک مرور کلی از ملاحظات اخلاقی در حوزه سریع هوش مصنوعی ارائه می دهد. این دوره شامل صنعت، سیاست گذاری، دانشگاه و جامعه به طور کلی می شود و اصول اخلاق هوش مصنوعی، استراتژی هایی برای تقویت سیستم های هوش مصنوعی منصفانه و عادلانه، رویکردهایی برای به حداقل رساندن سوگیری ها و روش هایی برای رسیدگی به مسائل کلیدی و ایجاد اعتماد کاربران را پوشش می دهد. در طول دوره، شما با اصول اصلی هوش مصنوعی اخلاقی آشنا می شوید و درک خود را از چالش ها و فرصت های رایج در زمینه اخلاق هوش مصنوعی گسترش می دهید. از طریق تمرینات عملی، مهارت های خود را برای ایجاد هوش مصنوعی اخلاقی با طراحی ایجاد خواهید کرد. از امروز شروع به یادگیری کنید!

ویدیوها حاوی رونوشت‌های زنده هستند که می‌توانید با کلیک کردن روی «نمایش رونوشت» در پایین سمت چپ ویدیوها آن را نشان دهید.

واژه نامه دوره، مواد تبلیغاتی و اهداف یادگیری دقیق را می توان در سمت راست در بخش منابع یافت.

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.

آنها می گویند که یک عکس ارزش هزار کلمه را دارد. در واقع، ارتقای موفقیت آمیز تجزیه و تحلیل داده های شما نه تنها یک موضوع گرافیکی دقیق و مؤثر است، بلکه زیبایی شناسی و منحصر به فرد بودن نیز دارد. این دوره به شما می‌آموزد که چگونه از قدرت تم‌های ggplot2 برای تولید گرافیک‌های با کیفیت انتشار که از انبوه نقشه‌های دیگ بخار بیرون می‌آیند، استفاده کنید. این به شما نشان می دهد که چگونه می توانید ggplot2 را بهینه کنید و بیشترین بهره را ببرید تا نقشه های غیر متعارفی تولید کنید که توجه را در رسانه های اجتماعی جلب کند. در پایان، شما این دانش را ترکیب می‌کنید تا یک گزارش شیک و سفارشی با RMarkdown و CSS تولید کنید - همه اینها در سیستم قدرتمند tidyverse.

چگونه متوجه شویم که سهام ارزان یا گران است؟ برای این کار باید قیمت سهام را با ارزش آن مقایسه کنیم. قیمت سهام را می توان با مراجعه به منابع عمومی مختلف مانند Yahoo Finance یا Google Finance بدست آورد. اگرچه شناسایی ارزش سهام بسیار دشوارتر است. هر سرمایه گذار باید ارزش گذاری سهام خود را شکل دهد. در این دوره، اصول ارزش گذاری سهام را با استفاده از رویکردهای ارزش فعلی، مانند مدل های تخفیف جریان نقدی آزاد به حقوق صاحبان سهام و سود سهام، و مضرب ارزش گذاری، یاد خواهید گرفت. در پایان این دوره، شما می توانید مدل های ارزش گذاری خود را بسازید.

درک اصول اولیه محصولات بیمه عمر برای برنامه ریزی مالی شخصی شما ضروری است، از گرفتن وام مسکن گرفته تا طراحی برنامه بازنشستگی و جستجوی حمایت مالی برای خطر مرگ زودرس. در این دوره، ارزش زمانی پول را مطالعه خواهید کرد و با داده های مرگ و میر انسان کار خواهید کرد تا نشانگرهای جمعیت شناختی (مانند امید به زندگی) را استخراج کنید. ترکیب اصول ارزیابی جریان نقدی با محاسبه احتمال بقا و مرگ در R به شما این امکان را می دهد که ابزارهای روشنگری برای طراحی محصولات بیمه عمر بسازید. شما از این دوره با درک ارزش گذاری مطالبات احتمالی زندگی بیرون می آیید: مستمری های عمر، که درآمدی را پس از زنده ماندن فراهم می کند، و محصولات بیمه عمر، که پس از فوت بیمه گذار، سود پرداخت می کنند.

پس از این دوره در مورد تامین مالی کمی با R، شما می توانید از R برای ایجاد مدلی برای ارزش گذاری اوراق با نرخ بهره ثابت، تخمین و تجزیه و تحلیل بازده اوراق (به عنوان مثال، اندازه گیری هزینه فرصت سرمایه گذاران اوراق قرضه) و تکنیک های مدل مورد استفاده برای محافظت از پرتفوی اوراق در برابر تغییرات نرخ بهره استفاده کنید. چرا ارزش اوراق قرضه؟ اوراق قرضه اوراق بهاداری هستند که توسط دولت ها یا شرکت ها منتشر می شوند که در یک زمان بندی ثابت بهره پرداخت می کنند و شناخته شده ترین نوع اوراق بهادار با درآمد ثابت هستند. بازار با درآمد ثابت ایالات متحده 1.5 برابر بزرگتر از بازار سهام ایالات متحده است، اما بر خلاف سهام، اکثر ابزارهای با درآمد ثابت، از جمله اوراق قرضه، به ندرت معامله می شوند. در نتیجه، قیمت اوراق قرضه ممکن است شاخص کمتر قابل اعتمادی برای ارزش آن باشد و تکنیک‌های تحلیلی هنگام تجزیه و تحلیل و ارزش‌گذاری اوراق ضروری است.

بازار اوراق قرضه جهان حدود 120 تریلیون دلار ارزش دارد. این نقش کلیدی در کمک به دولت ها و کسب و کارها برای افزایش سرمایه ایفا می کند و بخشی ضروری از بیشتر پرتفوی های سرمایه گذاری است. در این دوره، مهارت های ضروری مورد نیاز برای کار در صنایع مالی، بیمه و حسابداری، از جمله درک و تجزیه و تحلیل بازارها را به دست خواهید آورد. از طریق فعالیت‌های عملی، خواهید فهمید که اوراق قرضه چگونه کار می‌کنند، چگونه آن‌ها را قیمت‌گذاری کنید، و چگونه برخی از ریسک‌های آن‌ها را با استفاده از بسته‌های numpy و numpy-Financial ارزیابی کنید.

برای تسلط بر استراتژی داده سفری را آغاز کنید. همسویی استراتژیک را کاوش کنید، الزامات کسب و کار را رمزگشایی کنید، و به حاکمیت و کیفیت داده ها بپردازید. خود را با ابزارهایی برای ایجاد، اجرا و تطبیق استراتژی‌های داده‌ای که باعث موفقیت سازمان می‌شوند، مجهز کنید.

قفل استراتژی هوش مصنوعی را در دنیای داده محور باز کنید. این دوره به ارتباط متقابل تجارت، داده ها و استراتژی های هوش مصنوعی می پردازد و شما را به دانش برای ایجاد یک چارچوب استراتژیک قوی مجهز می کند. شما یاد خواهید گرفت که هوش مصنوعی را از نرم افزارهای سنتی متمایز کنید، اهداف تجاری واقع بینانه تعیین کنید و ROI را برای پروژه های هوش مصنوعی ارزیابی کنید. با تاکید بر نوآوری و ارزیابی ریسک، اجزای کلیدی یک استراتژی موفق هوش مصنوعی را کشف کنید. در نهایت، مقیاس‌سازی کارآمد هوش مصنوعی و نقش حامیان اجرایی و قهرمانان در پذیرش هوش مصنوعی را بررسی کنید. برای پیمایش در چشم انداز هوش مصنوعی با اطمینان آماده شوید.