آیا تا به حال برای پیگیری همه چیزهایی که در یک پروژه می گذرد مشکل دارید؟ یا GitHub را با Git اشتباه بگیرید؟ در این دوره آموزشی، یاد خواهید گرفت که چگونه از قدرت GitHub استفاده کنید، به یک همکار موفق تبدیل شوید و تفاوت های GitHub و Git را تشخیص دهید.

این دوره مفهومی با تکیه بر موضوعات مطرح شده در مقدمه ای بر کنترل نسخه با Git، به شما امکان می دهد تا به طور موثر در رابط کاربری GitHub پیمایش کنید.

شما کارهای روزمره را انجام خواهید داد، از جمله ایجاد مخازن عمومی و خصوصی، ایجاد و اصلاح فایل‌ها، شاخه‌ها و مسائل، تخصیص وظایف، برچسب‌گذاری کاربران، بررسی درخواست‌های کشش، و ادغام شاخه‌ها. همچنین خواهید فهمید که چگونه مخازن را شبیه سازی و فورک کنید و نشانه های دسترسی خصوصی (PAT) تولید کنید.

در پایان این دوره، می‌توانید این مهارت‌های جدید را به کار بگیرید و آن‌ها را در هر پروژه کدنویسی یا داده‌ای به کار ببرید و به شما این احساس را بدهد که در مسیر و کنترل هستید. همه مایلند در GitHub با شما همکاری کنند!

درک اصول اساسی امور مالی برای اتخاذ تصمیمات مالی مهم از گرفتن وام دانشجویی تا ساختن یک سبد سرمایه گذاری ضروری است. ترکیب دانش مالی اولیه با پایتون به شما امکان می دهد ابزارهای بسیار قدرتمندی بسازید. شما از این دوره با درک ارزش زمانی پول، نحوه مقایسه پروژه های بالقوه و نحوه اتخاذ تصمیمات مالی منطقی و مبتنی بر داده ها آشنا خواهید شد.

آیا شنیده‌اید که مردم در مورد مهندسان داده صحبت می‌کنند و تعجب می‌کنید که آنها چه کار می‌کنند؟ آیا می دانید مهندسان داده چه کار می کنند اما مطمئن نیستید که چگونه خودتان یکی شوید؟ این دوره مقدمه کاملی است. همه چیزهایی را که برای ساده‌سازی پردازش داده‌های خود باید بدانید، مورد بررسی قرار می‌دهد. این دوره مقدماتی زمینه کافی برای شروع کاوش در دنیای مهندسی داده را در اختیار شما قرار می دهد. برای افرادی که در شرکتی با چندین منبع داده کار می کنند و ایده روشنی در مورد نحوه استفاده از همه این منابع داده به روشی مقیاس پذیر ندارند، عالی است. اولین کسی باشید که این تکنیک ها را به شرکت خود معرفی می کند و کارمند ستاره شرکت شوید.

کاوش در کنترل نسخه داده (DVC)، ابزاری برای مدیریت و نسخه‌سازی داده‌های ML. نقش آن را در چرخه حیات ML بررسی کنید، نسخه‌سازی داده‌ها را از نسخه‌سازی کد متمایز کنید، و ویژگی‌ها و موارد استفاده DVC را بررسی کنید. درباره راه‌اندازی DVC، از جمله مدیریت حافظه پنهان و ریموت‌ها، بیاموزید و کاربردهای آن را در CI/CD، ردیابی آزمایشی، و خطوط لوله کشف کنید. خطوط لوله ML را خودکار کنید، با تأکید بر مدولارسازی کد، و اجرای کارآمد آنها را تمرین کنید. با ارزیابی مدل، کاوش در ردیابی متریک در DVC برای تصمیم‌گیری آگاهانه پایان دهید.

با استفاده از مجموعه توابع داخلی LLM Snowflake Cortex ساخت برنامه های مبتنی بر هوش مصنوعی را بیاموزید. این دوره عملی به شما می آموزد که مستقیماً در نوت بوک های Snowflake با هوش مصنوعی مولد کار کنید که شامل خلاصه سازی متن، تولید، طبقه بندی، تجزیه و تحلیل احساسات، ترجمه و استخراج پاسخ می شود. برای حل مشکلات واقعی تجاری با استفاده از مدل‌های آماده تولید، گردش‌های کاری هوش مصنوعی چند مرحله‌ای ایجاد خواهید کرد - بدون نیاز به راه‌اندازی زیرساخت یا استقرار مدل.

به‌عنوان یک دانشمند داده، باید داده‌ها را پاکسازی کنید، آن‌ها را با هم درگیر کنید، آن‌ها را تجسم کنید، مدل‌های پیش‌بینی‌کننده بسازید، و این مدل‌ها را تفسیر کنید. قبل از اینکه بتوانید این کار را انجام دهید، باید بدانید که چگونه داده ها را به پایتون وارد کنید. در این دوره آموزشی، راه های زیادی برای وارد کردن داده ها به پایتون خواهید آموخت: از فایل های مسطح مانند txt. و .csv. از فایل‌های بومی به نرم‌افزارهای دیگر مانند صفحات گسترده Excel، Stata، SAS و فایل‌های MATLAB. و از پایگاه داده های رابطه ای مانند SQLite و PostgreSQL.

وارد کردن داده ها به R باید ساده ترین مرحله در تجزیه و تحلیل شما باشد. متأسفانه، تقریباً هرگز چنین نیست. داده‌ها می‌توانند در قالب‌های مختلفی از csv. و فایل‌های متنی، فایل‌های نرم‌افزار آماری، پایگاه‌های داده و داده‌های HTML باشند. دانستن اینکه از کدام رویکرد استفاده کنید، کلید شروع تحلیل واقعی است. در این دوره، با یادگیری نحوه خواندن csv. و فایل‌های متنی در R شروع می‌کنید. سپس بسته‌های reader و data.table را برای وارد کردن آسان و کارآمد داده‌های فایل مسطح پوشش می‌دهید. پس از آن، نحوه خواندن فایل های .xls در R با استفاده از readxl را خواهید آموخت.

یادگیری عمیق اینجاست! این تکنیک برای حل مشکلات پیچیده ای است که با داده های ساختار نیافته و ابزاری باورنکردنی برای نوآوری به وجود می آیند. Keras یکی از چارچوب‌هایی است که شروع به توسعه مدل‌های یادگیری عمیق را آسان‌تر می‌کند و به اندازه کافی همه‌کاره است تا در کمترین زمان مدل‌های آماده برای صنعت بسازید. در این دوره با پیش‌بینی مسیر سیارک‌ها، رگرسیون را یاد می‌گیرید و زمین را نجات می‌دهید، از طبقه‌بندی دوتایی برای تشخیص بین اسکناس‌های واقعی و جعلی استفاده می‌کنید، از طبقه‌بندی چند طبقه برای تصمیم‌گیری اینکه چه کسی کدام دارت را به سمت تخته دارت پرتاب کرده است، استفاده از شبکه‌های عصبی برای بازسازی تصاویر پر سر و صدا و موارد دیگر را استفاده می‌کنید. علاوه بر این، یاد خواهید گرفت که چگونه مدل های خود را در طول آموزش بهتر کنترل کنید و چگونه آنها را تنظیم کنید تا عملکرد آنها را افزایش دهید.

یادگیری عمیق در همه جا وجود دارد، از دوربین گوشی هوشمند گرفته تا دستیار صوتی یا خودروهای خودران. در این دوره آموزشی، این فناوری قدرتمند را کشف خواهید کرد و یاد خواهید گرفت که چگونه با استفاده از PyTorch، یکی از محبوب ترین کتابخانه های یادگیری عمیق، از آن استفاده کنید. در پایان این دوره، می‌توانید از PyTorch برای حل مشکلات طبقه‌بندی و رگرسیون با استفاده از یادگیری عمیق استفاده کنید.

یادگیری عمیق تکنیک یادگیری ماشینی است که در پشت هیجان‌انگیزترین قابلیت‌ها در زمینه‌های مختلف مانند روباتیک، پردازش زبان طبیعی، تشخیص تصویر و هوش مصنوعی، از جمله AlphaGo معروف است. در این دوره، دانش عملی و عملی در مورد نحوه استفاده از یادگیری عمیق با Keras 2.0، آخرین نسخه یک کتابخانه پیشرفته برای یادگیری عمیق در پایتون، به دست خواهید آورد.

ChatGPT یک مدل زبان قدرتمند است که می تواند متنی شبیه انسان برای برنامه های مختلف تولید کند. با این حال، فقط به اندازه اعلان‌هایی است که ارائه می‌دهید. شما باید بدانید که چگونه اعلان های موثر بنویسید، و اینجاست که مهندسی سریع وارد می شود. در این دوره، شما عمیقاً به اصول و بهترین شیوه های مهندسی سریع می پردازید. در پایان، شما مهارت ها و دانش لازم برای نوشتن اعلان های موثر برای حل مشکلات دنیای واقعی و برنامه های تجاری را خواهید داشت.

ChatGPT یک مدل زبان قدرتمند است که می تواند متنی شبیه انسان برای برنامه های مختلف تولید کند. با این حال، فقط به اندازه اعلان‌هایی است که ارائه می‌دهید. شما باید بدانید که چگونه اعلان های موثر بنویسید، و اینجاست که مهندسی سریع وارد می شود. در این دوره، شما عمیقاً به اصول و بهترین شیوه های مهندسی سریع می پردازید. در پایان، شما مهارت ها و دانش لازم برای نوشتن اعلان های موثر برای حل مشکلات دنیای واقعی و برنامه های تجاری را خواهید داشت.

دنیای واقعی کثیف است و وظیفه شما این است که آن را درک کنید. مجموعه داده‌های اسباب‌بازی مانند MTCars و Iris نتیجه مراقبت و تمیز کردن دقیق هستند، حتی بنابراین داده‌ها باید تبدیل شوند تا برای الگوریتم‌های یادگیری ماشین قدرتمند برای استخراج معنا، پیش‌بینی، طبقه‌بندی یا خوشه‌بندی مفید باشند. این دوره جزئیات مهمی را پوشش می دهد که دانشمندان داده 70 تا 80 درصد از زمان خود را صرف آن می کنند. جدال داده ها و مهندسی ویژگی ها با بزرگ‌تر شدن اندازه مجموعه داده‌ها، بیایید از PySpark برای کاهش اندازه این مشکل Big Data استفاده کنیم!

در این دوره، تکنیک هایی را یاد می گیرید که به شما امکان می دهد اطلاعات مفیدی را از متن استخراج کنید و آنها را در قالبی مناسب برای استفاده از مدل های ML پردازش کنید. به طور خاص، شما در مورد برچسب گذاری POS، شناسایی موجودیت نام، امتیازات خوانایی، مدل های n-gram و tf-idf و نحوه پیاده سازی آنها با استفاده از scikit-learn و spaCy خواهید آموخت. شما همچنین یاد خواهید گرفت که محاسبه کنید دو سند چقدر شبیه به یکدیگر هستند. در این فرآیند، احساسات نقدهای فیلم را پیش‌بینی می‌کنید و توصیه‌کنندگان فیلم و تد تاک را می‌سازید. پس از این دوره، می‌توانید ویژگی‌های حیاتی را از هر متنی مهندسی کنید و برخی از چالش‌برانگیزترین مشکلات در علم داده را حل کنید!

هر روز در مورد پیشرفت های شگفت انگیزی که چگونه جدیدترین برنامه های کاربردی یادگیری ماشینی در حال تغییر جهان هستند، می خوانید. اغلب این گزارش این واقعیت را پنهان می‌کند که حجم عظیمی از داده‌ها و مهندسی ویژگی‌ها باید قبل از استفاده از هر یک از این مدل‌های فانتزی انجام شود. در این دوره یاد خواهید گرفت که چگونه این کار را انجام دهید. شما با نظرسنجی Stack Overflow Developers و سخنرانی‌های تاریخی مراسم تحلیف ریاست‌جمهوری ایالات متحده کار خواهید کرد تا بفهمید چگونه می‌توانید ویژگی‌ها را از داده‌های طبقه‌بندی، پیوسته و بدون ساختار به بهترین شکل پیش پردازش و مهندسی کنید. این دوره به شما تجربه عملی در مورد نحوه آماده سازی هر داده ای برای مدل های یادگیری ماشین خود می دهد.

در این دوره، با مهندسی ویژگی‌ها آشنا می‌شوید، که در قلب بسیاری از مدل‌های یادگیری ماشین قرار دارد. از آنجایی که عملکرد هر مدلی نتیجه مستقیم ویژگی هایی است که تغذیه می شود، مهندسی ویژگی دانش دامنه را در مرکز فرآیند قرار می دهد. شما با اصول مهندسی ویژگی صدا آشنا خواهید شد که به کاهش تعداد متغیرها در صورت امکان کمک می‌کند، الگوریتم‌های یادگیری را سریع‌تر اجرا می‌کند، تفسیرپذیری را بهبود می‌بخشد و از برازش بیش از حد جلوگیری می‌کند.

می‌آموزید که چگونه تکنیک‌های مهندسی ویژگی را با استفاده از چارچوب R tidymodels پیاده‌سازی کنید، با تأکید بر بسته دستوری که به شما امکان می‌دهد بهترین ویژگی‌ها را برای مدل خود ایجاد، استخراج، تبدیل و انتخاب کنید.

وقتی با یک مجموعه داده جدید مواجه می‌شوید، می‌توانید ویژگی‌های مرتبط را شناسایی و انتخاب کنید و از موارد غیر آموزنده صرف نظر کنید تا مدل خود را سریع‌تر بدون کاهش دقت اجرا کنید. همچنین با اعمال تغییرات و ایجاد ویژگی‌های جدید برای کارآمدتر، قابل تفسیر و دقیق‌تر کردن مدل‌های خود راحت خواهید بود!

برای اطمینان از موفقیت بلندمدت مدل‌های یادگیری ماشینی، درک نحوه نظارت مؤثر بر آنها در تولید ضروری است. همانطور که یادگیری ماشین به طور گسترده در دنیای تجارت پذیرفته می شود، علم داده پس از استقرار به عنوان یک زمینه مهم در حال ظهور است. این دوره تمام مفاهیم ضروری مربوط به نظارت بر سیستم های یادگیری ماشین در تولید را پوشش می دهد تا ارزش کسب و کار را حفظ کند، خطر شکست را کاهش دهد و دید را افزایش دهد.

نظارت بر مدل‌های یادگیری ماشینی موفقیت بلندمدت پروژه‌های یادگیری ماشینی شما را تضمین می‌کند. نظارت می تواند بسیار پیچیده باشد. با این حال، بسته‌های پایتون وجود دارد که به ما کمک می‌کند تا بفهمیم مدل‌هایمان چگونه عمل می‌کنند، چه داده‌هایی تغییر کرده‌اند که ممکن است منجر به کاهش عملکرد شود، و به ما سرنخ‌هایی می‌دهند که باید انجام دهیم تا مدل‌های خود را به مسیر درست برگردانیم. این دوره همه چیزهایی را که برای ساختن یک سیستم نظارت پایه در پایتون با استفاده از بسته محبوب مانیتور، nannyml، نیاز دارید، پوشش می دهد.

آماده شوید تا با نقشه ها کمی سرگرم شوید! نقشه های تعاملی با بروشور در R به شما ابزارهایی را می دهد تا با استفاده از داده های مکانی و نظم و ترتیب، نقشه های وب جذاب و تعاملی ایجاد کنید. در این دوره، نقشه هایی را با استفاده از مجموعه داده های IPEDS که حاوی داده های مربوط به کالج ها و دانشگاه های ایالات متحده است، ایجاد می کنید. در طول مسیر، نقشه‌های ما را با استفاده از برچسب‌ها، پنجره‌های بازشو و نشانگرهای سفارشی سفارشی می‌کنید و لایه‌هایی را برای افزایش تعامل اضافه می‌کنید. پس از دوره آموزشی، می‌توانید نقشه‌های وب تعاملی خود را ایجاد و سفارشی کنید تا الگوهای موجود در داده‌های خود را آشکار کنید.

نمونه‌گیری سنگ بنای آمار استنتاج و آزمون فرضیه است. در تجزیه و تحلیل نظرسنجی و طراحی تجربی بسیار مهم است. این دوره زمانی و چرایی مهم بودن نمونه‌گیری را توضیح می‌دهد و به شما می‌آموزد که چگونه انواع نمونه‌گیری رایج، از نمونه‌گیری تصادفی ساده تا روش‌های پیچیده‌تر مانند نمونه‌گیری طبقه‌ای و خوشه‌ای را انجام دهید. بعداً، این دوره شامل تخمین آمار جمعیت و تعیین کمیت عدم قطعیت در برآوردهای شما با تولید توزیع‌های نمونه و توزیع‌های راه‌انداز می‌شود. در طول دوره، مجموعه داده‌های دنیای واقعی را در مورد رتبه‌بندی قهوه، آهنگ‌های Spotify و فرسودگی کارکنان بررسی خواهید کرد.