چارچوب مدرن MLOps، از جمله چرخه عمر و استقرار مدل‌های یادگیری ماشین را کاوش کنید. در این دوره، یاد خواهید گرفت که کد ML بنویسید که بدهی فنی را به حداقل برساند، ابزارهایی را که برای استقرار و نظارت بر مدل‌های خود نیاز دارید، کشف کنید، و انواع مختلف محیط‌ها و تجزیه و تحلیل‌هایی را که با آنها مواجه خواهید شد، بررسی کنید.

بعد از اینکه داده‌های خود را جمع‌آوری، آماده و برچسب‌گذاری کردید، آزمایش‌های متعددی را روی مدل‌های مختلف انجام دادید و مفهوم خود را با یک مدل قهرمان اثبات کردید، نوبت به مراحل بعدی می‌رسد. ساخت. مستقر کنید. نظارت کنید. حفظ کنید. این چرخه عمر مدل شما پس از تولید است. این قسمت عملیات MLOps است.

این دوره به شما نشان می‌دهد که چگونه در فصل دوم سفر مدل خود به سمت ارائه ارزش حرکت کنید، و معیار را برای بسیاری موارد دیگر تعیین کنید.

در هنر استقرار مدل‌های یادگیری ماشینی در تولید با FastAPI مسلط شوید. این دوره به شما می آموزد که API های قدرتمند و مقیاس پذیر مبتنی بر هوش مصنوعی بسازید، مدل های از پیش آموزش دیده را ادغام کنید و ورودی های داده پیچیده را مدیریت کنید. شما یاد خواهید گرفت که API خود را ایمن کنید، احراز هویت را پیاده سازی کنید و عملکرد را با پردازش ناهمزمان بهینه کنید. موضوعات پیشرفته شامل نسخه نویسی API، ورود به سیستم و استراتژی های نظارت است. در پایان، شما مجهز به توسعه مدل‌های هوش مصنوعی کارآمد خواهید بود که برای خواسته‌های دنیای واقعی آماده هستند. این دوره برای دانشمندان و توسعه دهندگان داده ایده آل است زیرا شکاف بین توسعه هوش مصنوعی و برنامه های کاربردی آماده تولید را پر می کند.

با نحوه استقرار و نگهداری دارایی ها در Power BI آشنا شوید. از طریق تمرینات عملی، با رابط Power BI Service و عناصر کلیدی آن مانند فضاهای کاری آشنا خواهید شد. شما یاد خواهید گرفت که چگونه با مدیریت دسترسی به مجموعه داده ها، اجرای امنیت در سطح ردیف، یا اعمال برچسب های حساسیت برای جلوگیری از استفاده مجدد یا استخراج غیرمجاز داده، دسترسی را به طور ایمن گزارش دهید. همچنین پیش از یادگیری نحوه صرفه‌جویی در زمان با اشتراک در گزارش‌ها و تنظیم هشدارهای داده، نحوه تبلیغ و تأیید محتوا در Power BI را نیز خواهید فهمید - که باعث می‌شود به راحتی از تغییرات داده‌ها در گزارش‌های خود مطلع شوید.

داده‌های دسته‌بندی در اطراف ما هستند. این در آخرین اعداد نظرسنجی، در داده هایی است که منجر به پیشرفت های جدید در ژنومیک می شود، و در مجموعه داده هایی که شرکت های اینترنتی برای فروش محصولات به شما جمع آوری می کنند. در این دوره شما تکنیک های تجزیه سیگنال از نویز را خواهید آموخت. ابزارهایی برای شناسایی زمانی که ساختار در این داده ها پدیده های جالبی را نشان می دهد و زمانی که فقط نویز تصادفی است.

در این دوره آموزشی، نحوه استفاده از تکنیک های آماری برای استنتاج و تخمین با استفاده از داده های عددی را خواهید آموخت. این دوره از دو رویکرد برای این وظایف رایج استفاده می کند. اولین مورد از راه‌اندازی و جایگشت برای ایجاد آزمون‌های مبتنی بر نمونه‌گیری مجدد و فواصل اطمینان استفاده می‌کند. دومی از نتایج نظری و توزیع t برای رسیدن به همان نتیجه استفاده می کند. شما یاد خواهید گرفت که چگونه (و چه زمانی) یک آزمون t را انجام دهید، یک فاصله اطمینان ایجاد کنید و یک ANOVA انجام دهید!

قبلاً، اصول استنتاج آماری و مدل های خطی را آموخته اید. اکنون، گام بعدی این است که آنها را کنار هم قرار دهید. این دوره به شما فرصتی می دهد تا به این فکر کنید که چگونه نمونه های مختلف می توانند مدل های خطی متفاوتی را تولید کنند، جایی که هدف شما درک مدل جامعه اساسی است. از مدل خطی تخمین زده شده، نحوه ایجاد تخمین های بازه ای برای اندازه اثر و همچنین چگونگی تعیین اینکه آیا اثر قابل توجه است، خواهید آموخت. فواصل پیش بینی برای متغیر پاسخ با تخمین های میانگین پاسخ در تضاد خواهد بود. در طول دوره، با بسته های dplyr و ggplot2 تمرین بیشتری کسب خواهید کرد و با بسته جارویی برای مرتب کردن مدل ها آشنا خواهید شد. هر سه بسته در علم داده ارزشمند هستند.

برنامه استهلاک وام شبیه چیزی است که فقط توسط بانکداران و معامله گران مالی استفاده می شود، درست است؟ اشتباه! در این دوره، فرمول‌های مالی کلیدی در Google Sheets را بررسی می‌کنیم که می‌توانید از آنها برای بررسی وام‌های خود، مانند وام دانشجویی، وام خودرو، و وام مسکن استفاده کنید. ما یک داشبورد در Google Sheets ایجاد خواهیم کرد که از تجسم ها و فرمول های شرطی برای تولید صفحات گسترده آماده ارائه استفاده می کند که هر مدیر مالی را تحت تاثیر قرار می دهد!

توانایی ساخت ابزارهایی با قابلیت بازیابی و تجزیه اطلاعات ذخیره شده در اینترنت در بسیاری از رگه های علم داده ارزشمند بوده و همچنان ادامه دارد. در این دوره آموزشی، پیمایش و تجزیه کدهای html و ساخت ابزارهایی برای خزیدن خودکار وب سایت ها را خواهید آموخت. اگرچه خراش دادن ما با استفاده از اسکرپی کتابخانه همه کاره Python انجام خواهد شد، بسیاری از تکنیک‌هایی که در این دوره یاد می‌گیرید می‌توانند در کتابخانه‌های محبوب پایتون از جمله BeautifulSoup و Selenium نیز اعمال شوند. پس از اتمام این دوره، شما یک مدل ذهنی قوی از ساختار html خواهید داشت، قادر خواهید بود ابزارهایی برای تجزیه کد html و دسترسی به اطلاعات مورد نظر بسازید، و یک عنکبوت خراش ساده برای خزیدن در وب در مقیاس ایجاد کنید.

دانشمندان داده می‌توانند با یادگیری مفاهیم در زمینه مهندسی نرم‌افزار، مزایای بزرگی را تجربه کنند، که به آنها امکان می‌دهد راحت‌تر از کد خود استفاده مجدد کرده و آن را با همکاران به اشتراک بگذارند. در این دوره، شما همه چیز را در مورد ایده های مهم ماژولار بودن، مستندسازی، و تست خودکار یاد خواهید گرفت و خواهید دید که چگونه می توانند به شما کمک کنند تا مسائل علم داده را سریعتر و به گونه ای حل کنید که آینده شما را خوشحال کند. حتی می‌توانید از ابزارهای مهندسی نرم‌افزاری که به دست آورده‌اید برای نوشتن بسته پایتون خود برای انجام تجزیه و تحلیل متن استفاده کنید.

اعتبار سنجی داده ها برای اطمینان از صحت و ثبات در اکسل کلیدی است. دوره "تأیید اعتبار داده ها با استفاده از اکسل" ابزارها و تکنیک های عملی را برای ساده کردن گردش کار شما در مدیریت موجودی، پردازش سفارش و تجزیه و تحلیل داده ها ارائه می دهد.

شما با یادگیری اصول اولیه شروع می‌کنید—چرا اعتبارسنجی اهمیت دارد، نحوه استفاده از کادر محاوره‌ای Data Validation و نحوه تنظیم قوانین برای اعداد، تاریخ‌ها و متن. همچنین فهرست‌های کشویی برای ورود دقیق داده‌ها ایجاد خواهید کرد.

در فصل دوم، با ساختن یک سیستم موجودی محصول با قوانین مرتبط برای کدها و مقادیر محصول، مهارت‌های خود را به کار خواهید گرفت. سپس اعتبارسنجی پویا برای پردازش سفارش بر اساس سناریوهای دنیای واقعی ایجاد خواهید کرد.

در پایان، می‌دانید که چگونه عیب‌یابی کنید، مستندسازی کنید، و سیستم‌های اعتبارسنجی قوی را حفظ کنید—به شما این امکان را می‌دهد که داده‌ها را با دقت و اطمینان مدیریت کنید.

مدل‌های یادگیری ماشینی اکنون بیش از هر زمان دیگری پیاده‌سازی می‌شوند. بدون اعتبار سنجی مناسب، نتایج اجرای داده های جدید از طریق یک مدل ممکن است به اندازه مورد انتظار دقیق نباشد. اعتبارسنجی مدل به تحلیلگران اجازه می دهد تا با اطمینان به این سوال پاسخ دهند که مدل شما چقدر خوب است؟ ما به این سوال برای مدل‌های طبقه‌بندی با استفاده از مجموعه کامل سناریوهای پایان بازی tic-tac-toe، و برای مدل‌های رگرسیون با استفاده از مجموعه داده‌های رتبه‌بندی قدرت آب نبات هالووین نهایی Fivethirtyeight پاسخ خواهیم داد. در این دوره، ما اصول اولیه اعتبارسنجی مدل را پوشش می‌دهیم، تکنیک‌های اعتبارسنجی مختلف را مورد بحث قرار می‌دهیم و شروع به توسعه ابزارهایی برای ایجاد مدل‌های معتبر و با کارایی بالا می‌کنیم.

آیا اصول اولیه یادگیری تحت نظارت را می دانید و می خواهید از مدل های پیشرفته در مجموعه داده های دنیای واقعی استفاده کنید؟ افزایش گرادیان در حال حاضر یکی از محبوب‌ترین تکنیک‌ها برای مدل‌سازی کارآمد مجموعه داده‌های جدولی در همه اندازه‌ها است. XGboost یک پیاده‌سازی بسیار سریع و مقیاس‌پذیر برای تقویت گرادیان است، با مدل‌هایی که از XGBoost استفاده می‌کنند به طور منظم در مسابقات علمی داده آنلاین برنده می‌شوند و در مقیاس در صنایع مختلف مورد استفاده قرار می‌گیرند. در این دوره، یاد خواهید گرفت که چگونه از این کتابخانه قدرتمند در کنار پانداها و scikit-learn برای ساخت و تنظیم مدل های یادگیری نظارت شده استفاده کنید. شما با مجموعه داده های دنیای واقعی برای حل مشکلات طبقه بندی و رگرسیون کار خواهید کرد.

در این دوره مقدماتی در مورد امنیت هوش مصنوعی و مدیریت ریسک، ملزومات حفاظت از سیستم های هوش مصنوعی را کشف کنید. یاد بگیرید که تلاش های امنیتی را با اهداف تجاری هماهنگ کنید، خطرات را کاهش دهید و با چالش های امنیتی کلیدی مقابله کنید. شما مسائل امنیتی خاص هوش مصنوعی را بررسی خواهید کرد، خطرات را از منظرهای متعدد ارزیابی خواهید کرد و تهدیدات مربوط به توسعه و استفاده از مدل هوش مصنوعی را درک خواهید کرد. این دوره که برای حرفه ای هایی طراحی شده است که به دنبال محافظت از سازمان های خود هستند، روش های عملی و عملی برای تبدیل شدن به یک قهرمان امنیت هوش مصنوعی ارائه می دهد. در پایان، شما مجهز خواهید شد تا در دنیای به سرعت در حال توسعه امنیت هوش مصنوعی پیشرو باشید.

داده ها در اطراف ما هستند و می توانند به ما در درک بسیاری از چیزها کمک کنند. ایجاد یک نمودار زیبا عالی است، اما چگونه می توانیم تفاوت بین چند نقطه پرت در یک نمودار و یک اثر واقعی و قابل اعتماد را تشخیص دهیم؟ آیا روندی که در نمودار می بینیم یک نتیجه قابل اعتماد است یا فقط یک ترفند تصادفی تصادفی؟ در این دوره، شما یاد خواهید گرفت که چگونه مجموعه داده ها را به روشی دقیق بازجویی کنید و به سوالات خود پاسخ روشنی بدهید. طیف وسیعی از تست های آماری، نحوه به کارگیری آنها، نحوه درک نتایج آنها و نحوه برخورد با کاستی های آنها را خواهید آموخت. در طول مسیر، داده‌های ورزشکاران المپیک و تفاوت‌های بین جمعیت‌های قاره‌ها را بررسی خواهید کرد.

آیا برنامه نویسی پایتون خود را پایین آورده اید اما آرزوی بیشتر دارید؟ سپس این دوره برای شماست. در اینجا، دانش خود را در مورد لیست ها، لغت نامه ها، تاپل ها، مجموعه ها و زمان های تاریخ تثبیت و تمرین خواهید کرد. شما ارتباط آنها را در کار با بسیاری از داده های واقعی و نحوه استفاده از چندین مورد از آنها برای حل مشکلات چند مرحله ای، از جمله مطالعه موردی گسترده با استفاده از داده های حمل و نقل شهری شیکاگو، خواهید دید. همچنین یاد خواهید گرفت که چگونه از بسیاری از اشیاء موجود در ماژول مجموعه پایتون استفاده کنید، که به شما امکان می دهد داده های خود را برای اهداف مختلف ذخیره و دستکاری کنید. پس از گذراندن این دوره، برای مقابله با بسیاری از چالش های داده به صورت پایتونیک آماده خواهید بود.

با یادگیری نحوه مدیریت و ساختار داده‌ها، مدیریت مجموعه‌ها و برخورد با خطاها در جاوا، پایه‌ای قوی در جاوا ایجاد کنید - همه مهارت‌های ضروری برای هر توسعه‌دهنده‌ای. برای مدل‌سازی و کار با داده‌ها به‌طور مؤثر با اشیاء جاوا قدیمی (POJO) و کلاس‌های wrapper شروع می‌کنید. در مرحله بعد، مجموعه ها را بررسی می کنید - کتابخانه داخلی جاوا برای سازماندهی اشیا با استفاده از لیست ها، مجموعه ها، نقشه ها و صف ها. در نهایت، برای نوشتن کدهای قوی تر و قابل نگهداری، بر ابزارهای مدیریت و ثبت استثناهای جاوا مسلط خواهید شد.

مبانی Snowflake را با انواع داده شروع کنید. شما درک درستی از انواع مختلف داده‌هایی که Snowflake می‌تواند ذخیره کند و عملیات‌هایی که می‌توان روی آن داده‌ها انجام داد به دست خواهید آورد. هنگامی که درکی از انواع داده های مختلف Snowflake ایجاد کردید، شروع به دستکاری و تبدیل آن داده ها با توابعی مانند TRIM، AVG، SUM، و DATEDIFF خواهید کرد. شما حتی عملکردهای خود را برای سفارشی سازی و ساده سازی دستکاری داده ها تعریف خواهید کرد.

هنگامی که در دستکاری و تبدیل داده ها راحت شدید، چند ابزار مفید به کمربند ابزار خود اضافه خواهید کرد. شما بهترین راه‌ها را برای صاف کردن داده‌های نیمه ساختاریافته و ایجاد چندین عبارت جدول مشترک انتخاب خواهید کرد. قبل از اینکه کارهای نهایی را در این دوره انجام دهید، بر هنر چرخش داده ها در Snowflake مسلط خواهید شد.

شما تجربه کار با پایگاه های داده را دارید یا شاید شنیده اید که پایگاه های داده چقدر می توانند برای سازماندهی داده های شما مفید باشند. آیا تا به حال خواسته اید پایگاه داده های خود را ایجاد و مدیریت کنید اما فکر می کنید چنین دانشی برای مدیران پایگاه داده محفوظ است؟ خب اینطور نیست! این دوره به شما مهارت ها و دانش لازم برای ایجاد و مدیریت پایگاه های داده PostgreSQL خود را می آموزد. موضوعاتی که پوشش داده خواهد شد شامل ساختار پایگاه های داده PostgreSQL، انواع داده های PostgreSQL و عادی سازی پایگاه های داده برای ذخیره کارآمد داده ها و جلوگیری از از دست رفتن داده ها است. این موضوعات با استفاده از داده‌های اداره تجارت کوچک ایالات متحده (SBA) برای راهنمایی دروس و ارائه زمینه برای مفاهیم تحت پوشش در دوره آموزش داده می‌شوند.

داشبوردها ابزاری ضروری در دنیای داده محور امروزی هستند. داشبوردها با ترکیب تجسم‌های داده‌های مدیریت‌شده، به کاربران اجازه می‌دهند تا سؤالات خود را از داده‌ها تفسیر کنند و بپرسند. با کاهش زمان بینش و توانمندسازی تحلیلگران کسب و کار، داشبوردها می توانند تأثیر زیادی بر عملکرد کسب و کار داشته باشند.

قابلیت‌های داشبورد Tableau قدرتمند و استفاده آسان است. در این دوره، یاد خواهید گرفت که بهترین شیوه های ترکیب بندی داشبورد را اعمال کنید، عناصر تعاملی یا توضیحی را اضافه کنید، و از اقدامات داشبورد برای تعاملی کردن داشبورد خود استفاده کنید. علاوه بر این، یاد خواهید گرفت که طرح داشبورد موجود را برای دستگاه های تلفن همراه تغییر دهید تا به صورت تصویر یا PDF به اشتراک گذاشته شود. در نهایت، یاد خواهید گرفت که چگونه داستان داده خود را از طریق عملکرد داستان Tableau به اشتراک بگذارید.

به خانواده DataCamp خوش آمدید! شما در شرف ایجاد دوره ای هستید که تنها در چند ماه آینده برای بیش از 3 میلیون دانش آموز در سراسر جهان در دسترس خواهد بود! اگر با آموزش الکترونیکی تازه کار هستید، به زودی خواهید فهمید که آموزش دوره آنلاین با تدریس در کلاس درس بسیار متفاوت است. اما ما اینجا هستیم تا کمک کنیم! این دوره راهنمای فرآیند ایجاد دوره دیتا کمپ را ارائه می دهد. مقدمه ای بر ابزارهایی که استفاده می کنیم، از جمله GitHub، Asana، و ویرایشگر دوره خودمان. و انواع مختلف تمرین‌ها و اسلایدهایی که می‌توانید استفاده کنید، و نحوه اطمینان از دسترسی به دانش‌آموزان در انتهای دیگر صفحه. در حین ایجاد دوره آموزشی خود، متوجه خواهید شد که سؤالات دیگری نیز دارید، مانند: "دوره من چگونه بازاریابی خواهد شد؟"، "چگونه سایر مدرسان را به DataCamp توصیه کنم؟"، یا "چه زمانی پول دریافت می کنم؟". این دوره همچنین به شما راهنمایی می‌کند که کجا می‌توانید پاسخ تمام سوالات خود را پیدا کنید. پس از این دوره، شما باید با فرآیند ایجاد دوره های DataCamp آشنا شده و آماده شروع دوره DataCamp خود باشید. از آن لذت ببرید و شما را در دوره می بینم!