آیا تا به حال به این فکر کرده اید که چگونه برای مصاحبه یادگیری ماشینی به درستی آماده شوید؟ در این دوره، شما پاسخ 15 سوال رایج یادگیری ماشین (ML) در مصاحبه پایتون را برای نقش دانشمند داده آماده خواهید کرد. این سوالات حول هفت موضوع مهم می چرخد: پیش پردازش داده ها، تجسم داده ها، یادگیری تحت نظارت، یادگیری بدون نظارت، مجموعه مدل، انتخاب مدل، و ارزیابی مدل. شما با کار بر روی سوالات پیش پردازش داده و تجسم داده ها شروع خواهید کرد. پس از انجام تمام مراحل پیش پردازش، یک مدل ML پیش بینی برای تقویت مهارت های عملی خود ایجاد خواهید کرد. در مرحله بعد، برخی از تکنیک های یادگیری تحت نظارت را قبل از رفتن به یادگیری بدون نظارت پوشش خواهید داد. بسته به نقش، احتمالاً هر دو موضوع را در مصاحبه یادگیری ماشینی خود پوشش خواهید داد. در نهایت، با پوشش انتخاب و ارزیابی مدل، بررسی نحوه ارزیابی عملکرد برای تعمیم مدل، و نگاهی به تکنیک‌های مختلف هنگام ساخت یک مدل مجموعه، کار را به پایان می‌رسانید. در پایان دوره، شما هم پیشینه نظری مورد نیاز و هم توانایی توسعه کد پایتون برای پاسخگویی موفقیت آمیز به این 15 سوال را خواهید داشت. با توجه به سهولت استفاده و توانایی آن برای پوشش دادن مهم ترین تکنیک های یادگیری ماشین در زبان پایتون، نمونه های کدگذاری عمدتاً بر اساس بسته Sicit-Learn خواهند بود. این دوره اصول یادگیری ماشینی را آموزش نمی دهد، زیرا این موارد در پیش نیازهای دوره پوشش داده شده است.

برای بسیاری از مشکلات یادگیری ماشین، اجرای یک مدل خارج از جعبه و دریافت پیش‌بینی کافی نیست. شما بهترین مدل را با دقیق ترین پیش بینی می خواهید. یکی از راه‌های کامل کردن مدل، تنظیم هایپرپارامتر است که به معنای بهینه‌سازی تنظیمات آن مدل خاص است. در این دوره، شما با بسته‌های caret، mlr و h2o کار می‌کنید تا با استفاده از جستجوی شبکه‌ای، جستجوی تصادفی، نمونه‌برداری مجدد تطبیقی ​​و یادگیری ماشین خودکار (AutoML) ترکیب بهینه ابرپارامترها را به شیوه‌ای کارآمد پیدا کنید. علاوه بر این، شما با مجموعه داده‌های مختلف کار می‌کنید و مدل‌های یادگیری تحت نظارت مختلف را تنظیم خواهید کرد، مانند جنگل‌های تصادفی، ماشین‌های تقویت گرادیان، ماشین‌های بردار پشتیبانی و حتی شبکه‌های عصبی. برای تنظیم آماده شوید!

ساخت مدل‌های یادگیری ماشینی قدرتمند به شدت به مجموعه فراپارامترهای مورد استفاده بستگی دارد. اما با مدل‌های پیچیده‌تر با گزینه‌های زیاد، چگونه می‌توانید بهترین تنظیمات را برای مشکل خاص خود به طور مؤثر پیدا کنید؟ در این دوره شما تجربه عملی در استفاده از برخی متدولوژی های رایج برای تنظیم خودکار فراپارامتر در پایتون با استفاده از Scikit Learn خواهید داشت. اینها عبارتند از جستجوی شبکه، جستجوی تصادفی و روش‌های بهینه‌سازی پیشرفته از جمله الگوریتم‌های بیزی و ژنتیک. از مجموعه داده‌ای استفاده خواهید کرد که پیش‌فرض‌های کارت اعتباری را پیش‌بینی می‌کند و مهارت‌هایی را ایجاد می‌کنید تا کارایی و اثربخشی ساخت مدل یادگیری ماشین خود را به‌طور چشمگیری افزایش دهید.

بسیاری از محتوای مرتبط با یادگیری ماشین امروزی بر آموزش مدل و تنظیم پارامترها متمرکز است، اما 90٪ از مدل‌های آزمایشی هرگز به تولید نمی‌رسند، عمدتاً به این دلیل که برای دوام ساخته نشده‌اند. در این دوره خواهید دید که چگونه تغییر ذهنیت خود از ذهنیت مهندسی یادگیری ماشین به طرز فکر MLOps (عملیات یادگیری ماشین) به شما این امکان را می‌دهد که مدل‌های خود را آموزش دهید، مستندسازی کنید، نگهداری کنید و مقیاس‌بندی کنید.

حریم خصوصی داده ها هرگز مهمتر از این نبوده است. اما چگونه حریم خصوصی را با نیاز به جمع آوری و به اشتراک گذاری بینش های ارزشمند تجاری متعادل می کنید؟ در این دوره آموزشی، با استفاده از روش‌های مشابه گوگل و آمازون، از جمله تعمیم داده‌ها و مدل‌های حفظ حریم خصوصی، مانند K-Anonymity و حفظ حریم خصوصی متفاوت، یاد می‌گیرید که چگونه این کار را انجام دهید. علاوه بر لمس موضوعاتی مانند GDPR، نحوه ساخت و آموزش مدل‌های یادگیری ماشینی در پایتون و در عین حال محافظت از اطلاعات حساس کاربران مانند داده‌های کارمند و درآمد را نیز خواهید یافت. بیایید شروع کنیم!

چه چیزی پشت تبلیغات یادگیری ماشینی نهفته است؟ در این دوره غیر فنی، همه چیزهایی را که از پرسیدن در مورد یادگیری ماشین می‌ترسیدید، یاد خواهید گرفت. نیازی به کدنویسی نیست تمرین‌های عملی به شما کمک می‌کند از اصطلاحات واژگان رد شوید و بیاموزید که چگونه این فناوری هیجان‌انگیز همه چیز را از ماشین‌های خودران گرفته تا پیشنهادات خرید شخصی‌تان در آمازون را تقویت می‌کند.

یادگیری ماشین چگونه کار می کند، چه زمانی می توانید از آن استفاده کنید، و تفاوت بین هوش مصنوعی و یادگیری ماشینی چیست؟ همه آنها پوشیده شده اند در این زمینه بسیار پرتقاضا و تأثیرگذار مهارت‌هایی به دست آورید و کشف کنید که چرا یادگیری ماشین برای همه مناسب است!

با غواصی در دنیای شگفت انگیز روش های یادگیری گروهی به سفر یادگیری ماشینی خود ادامه دهید! اینها یک کلاس هیجان انگیز از تکنیک های یادگیری ماشین هستند که چندین الگوریتم فردی را برای افزایش عملکرد و حل مسائل پیچیده در مقیاس در صنایع مختلف ترکیب می کنند. تکنیک های گروه به طور منظم در مسابقات یادگیری ماشین آنلاین نیز برنده می شوند! در این دوره، شما همه چیز را در مورد این تکنیک های پیشرفته گروه، مانند کیسه کردن، تقویت، و انباشتن یاد خواهید گرفت. آنها را با استفاده از کتابخانه‌های پیشرفته یادگیری ماشین Python مانند scikit-learn، XGBoost، CatBoost و mlxtend در مجموعه‌های داده دنیای واقعی اعمال خواهید کرد.

دستگاه‌های پیام‌رسان و کنترل‌شده صوتی پلتفرم‌های بزرگ بعدی هستند و محاسبات مکالمه نقش مهمی در ایجاد تجربه‌های جذاب واقعیت افزوده و مجازی دارد. این دوره شما را در مسیر ساخت چنین برنامه هایی آغاز می کند. تعدادی چالش منحصر به فرد برای ساخت این نوع برنامه ها وجود دارد، مانند اینکه چگونه زبان انسانی را به دستورالعمل برای ماشین ها تبدیل کنم؟ در این دوره، ابتدا با سیستم های مبتنی بر قوانین و سپس با یادگیری ماشینی به این موضوع می پردازید. برخی از سیستم های چت به گونه ای طراحی شده اند که مفید باشند، در حالی که برخی دیگر فقط سرگرم کننده هستند. شما یکی از هرکدام را خواهید ساخت و همه چیز را کنار هم می گذارید تا یک چت بات مفید و دوستانه بسازید. پس از تکمیل دوره، همچنین یاد خواهید گرفت که چگونه ربات چت خود را به Facebook Messenger متصل کنید!

ما انتظار تجربه‌های شخصی‌سازی شده آنلاین را داریم—خواه نتفلیکس نمایشی را توصیه می‌کند یا خرده‌فروشی آنلاینی که اقلامی را پیشنهاد می‌کند که شما نیز بخواهید بخرید. اما این پیشنهادات چگونه تولید می شوند؟ در این دوره، همه چیزهایی را که برای ایجاد موتور توصیه خود نیاز دارید، یاد خواهید گرفت. از طریق تمرینات عملی، با دو سیستم رایج، فیلتر مشارکتی و فیلتر مبتنی بر محتوا، آشنا خواهید شد. در مرحله بعد، نحوه اندازه‌گیری شباهت‌هایی مانند فاصله ژاکارد و شباهت کسینوس و نحوه ارزیابی کیفیت توصیه‌ها در داده‌های آزمایشی با استفاده از ریشه میانگین مربعات خطا (RMSE) را یاد خواهید گرفت. در پایان این دوره، شما موتور پیشنهاد فیلم خود را ساخته اید و می توانید مهارت های پایتون خود را برای ایجاد این سیستم ها برای هر صنعتی به کار ببرید.

در این دوره شما همه چیز را در مورد استفاده از طبقه‌بندی‌کننده‌های خطی، به‌ویژه رگرسیون لجستیک و ماشین‌های بردار پشتیبان، با scikit-learn خواهید آموخت. هنگامی که نحوه به کارگیری این روش ها را یاد گرفتید، در ایده های پشت آن ها غوطه ور خواهید شد و متوجه خواهید شد که واقعاً چه چیزی باعث می شود که این روش ها عمل کنند. در پایان این دوره شما می‌دانید که چگونه این طبقه‌بندی‌کننده‌های خطی را در پایتون آموزش، آزمایش و تنظیم کنید. شما همچنین یک پایه مفهومی برای درک بسیاری از الگوریتم های یادگیری ماشین دیگر خواهید داشت.

نحوه طراحی، خودکارسازی و نظارت بر خطوط لوله پیش بینی مقیاس پذیر در پایتون را بیاموزید. این دوره پیشرفته با استفاده از ابزارهایی مانند MLflow و Airflow شما را در کل گردش کار تولید راهنمایی می کند - از منبع داده ها و مدل های آموزشی گرفته تا استقرار و نظارت.

شما با اتصال به منابع داده زنده و ایجاد اولین پیش بینی خود با داده های تقاضای برق ایالات متحده شروع می کنید. در مرحله بعد، شما اصول آزمایش را کشف خواهید کرد، از جمله بک تست، ارزیابی، و ثبت مدل با استفاده از MLflow.

سپس خطوط لوله پیش‌بینی خودکار را با فرآیندهای ETL، ثبت مدل، و هماهنگ‌سازی جریان هوا ایجاد می‌کنید. در نهایت، شما ملزومات استقرار تولید، از جمله نظارت بر سلامت خط لوله، تشخیص جابجایی مدل، و حفظ سیستم‌های پیش‌بینی در محیط‌های واقعی را خواهید آموخت.

به‌کارگیری مدل‌های یادگیری ماشین در تولید با ابزارهای مدرن آسان به نظر می‌رسد، اما اغلب با ناامیدی به پایان می‌رسد، زیرا این مدل در تولید بدتر از توسعه عمل می‌کند. این دوره به شما چهار ابرقدرت می‌دهد که باعث می‌شوند شما را از گروه علم داده متمایز کنید و خطوط لوله‌ای بسازید که در آزمون زمان مقاومت کنند: چگونه تمام جنبه‌های مدل خود را در توسعه تنظیم کنید. چگونه از تخصص دامنه موجود به بهترین شکل ممکن استفاده کنیم. چگونه مدل خود را در عملکرد نظارت کنید و با هر گونه خرابی عملکرد مقابله کنید. و در نهایت نحوه برخورد با داده های ضعیف یا به ندرت برچسب گذاری شده است. این دوره با کاوش عمیق در لبه برش sklearn، و پرداختن به مجموعه داده های واقعی از مناطق داغ مانند مراقبت های بهداشتی شخصی و امنیت سایبری، نمایی از یادگیری ماشین را از خط مقدم نشان می دهد.

آیا تا به حال با مجموعه داده هایی با تعداد زیادی ویژگی کار می کنید؟ در این دوره، تکنیک‌های کاهش ابعاد را یاد می‌گیرید که به شما کمک می‌کند داده‌های خود و مدل‌هایی را که با داده‌های خود می‌سازید ساده کنید و در عین حال عملکرد پیش‌بینی خوبی را حفظ کنید. کاهش ابعاد، تیغ Occam شما در علم داده است. با استفاده از R، نحوه شناسایی و حذف ویژگی‌ها، نحوه استخراج ترکیبی از ویژگی‌ها به‌عنوان اجزای فشرده که حاوی حداکثر اطلاعات هستند و استفاده از داده‌های دنیای واقعی برای ساخت مدل‌هایی با ویژگی‌های کمتر بدون به خطر انداختن عملکرد قابل‌توجه را خواهید آموخت.

مجموعه داده‌های با ابعاد بالا می‌توانند بسیار زیاد باشند و شما را ندانید از کجا شروع کنید. به طور معمول، ابتدا یک مجموعه داده جدید را به صورت بصری کاوش می‌کنید، اما وقتی ابعاد بسیار زیادی دارید، رویکردهای کلاسیک ناکافی به نظر می‌رسند. خوشبختانه، تکنیک های تجسم به طور خاص برای داده های با ابعاد بالا طراحی شده است و در این دوره با آنها آشنا می شوید. پس از کاوش در داده‌ها، اغلب متوجه می‌شوید که بسیاری از ویژگی‌ها اطلاعات کمی دارند، زیرا هیچ گونه واریسی را نشان نمی‌دهند یا به این دلیل که تکراری از ویژگی‌های دیگر هستند. شما یاد خواهید گرفت که چگونه این ویژگی ها را شناسایی کرده و آنها را از مجموعه داده حذف کنید تا بتوانید روی موارد آموزنده تمرکز کنید. در مرحله بعدی، ممکن است بخواهید یک مدل بر روی این ویژگی ها بسازید، و ممکن است معلوم شود که برخی از آنها هیچ تاثیری بر چیزی که می خواهید پیش بینی کنید ندارد. شما یاد خواهید گرفت که چگونه این ویژگی های نامربوط را نیز شناسایی و حذف کنید تا ابعاد و در نتیجه پیچیدگی را کاهش دهید. در نهایت، می‌آموزید که چگونه تکنیک‌های استخراج ویژگی می‌توانند ابعاد را برای شما از طریق محاسبه مؤلفه‌های اصلی ناهمبسته کاهش دهند.

انجمن بررسی‌کنندگان خبره تقلب تخمین می‌زند که تقلب برای سازمان‌ها در سراسر جهان 3.7 تریلیون دلار در سال هزینه دارد و یک شرکت معمولی پنج درصد از درآمد سالانه را به دلیل تقلب از دست می‌دهد. انتظار می‌رود که تلاش‌های تقلب در آینده حتی بیشتر شود و کشف تقلب در بیشتر صنایع بسیار ضروری باشد. این دوره نشان خواهد داد که چگونه یادگیری الگوهای تقلب از داده های تاریخی می تواند برای مبارزه با تقلب استفاده شود. برخی از تکنیک‌های آمار قوی و تجزیه و تحلیل رقمی برای شناسایی مشاهدات غیرعادی که احتمالاً با تقلب مرتبط هستند، ارائه شده‌اند. دو چالش اصلی هنگام ساخت یک ابزار نظارت شده برای کشف تقلب، عدم تعادل یا چولگی داده ها و هزینه های مختلف برای انواع مختلف طبقه بندی اشتباه است. ما تکنیک‌هایی را برای حل این مشکلات ارائه می‌کنیم و بر مجموعه داده‌های مصنوعی و واقعی از طیف گسترده‌ای از برنامه‌های تقلب تمرکز می‌کنیم.

این دوره یک طبقه‌بندی قدرتمند، ماشین بردار پشتیبانی (SVM) را با استفاده از یک رویکرد بصری بصری معرفی می‌کند. ماشین‌های بردار پشتیبانی در R به دانش‌آموزان کمک می‌کند تا درک درستی از مدل SVM به‌عنوان یک طبقه‌بندی کنند و تجربه عملی را با استفاده از پیاده‌سازی libsvm R از بسته e1071 کسب کنند. در طول مسیر، دانش آموزان درک شهودی از مفاهیم مهم، مانند حاشیه های سخت و نرم، ترفند هسته، انواع مختلف هسته ها، و نحوه تنظیم پارامترهای SVM به دست خواهند آورد. برای طبقه بندی داده ها با این مدل چشمگیر آماده شوید.

تخمین زده شده است که بیش از 70٪ از اطلاعات تجاری بالقوه قابل استفاده، ساختاری ندارند، اغلب به شکل داده های متنی. متن کاوی مجموعه‌ای از تکنیک‌ها را فراهم می‌کند که به ما اجازه می‌دهد تا بینش‌های عملی را از داده‌های بدون ساختار استخراج کنیم. در این دوره به بررسی اصول متن کاوی با استفاده از روش کیسه کلمات می پردازیم. سه فصل اول انواع موضوعات ضروری برای تجزیه و تحلیل و تجسم داده های متنی را معرفی می کند. فصل آخر به شما امکان می‌دهد هر آنچه را که در یک مطالعه موردی در دنیای واقعی آموخته‌اید به کار ببرید تا بینش‌هایی را از بررسی‌های کارکنان دو شرکت بزرگ فناوری استخراج کنید.

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.

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.

درک عملیات یادگیری ماشین (MLOps) برای هر دانشمند داده، مهندس یا رهبر برای تبدیل مدل های یادگیری ماشین از یک نوت بوک محلی به یک مدل کارآمد در تولید ضروری است. این دوره شما را با فرآیندها، مراحل و سطوح کلیدی MLO ها از جمله طراحی، توسعه، استقرار و نظارت آشنا می کند. خواهید فهمید که چگونه اتوماسیون سازمان ها را قادر می سازد تا مدل های یادگیری ماشینی خود را به طور موثر راه اندازی، نظارت و به روز کنند.