به مربی فردریک نوانگانگا بپیوندید زیرا او یک رویکرد کاربردی و قابل درک برای استفاده از یادگیری ماشین برای حل مشکلات دنیای واقعی را معرفی می کند و راهنمایی های گام به گام در مورد نحوه انجام این کار در پایتون ارائه می دهد. فردریک به طور خاص بر قوانین انجمن و نحوه اعمال آنها برای تجزیه و تحلیل سبد بازار تمرکز می کند. او توضیح می دهد که قوانین تداعی چیست و دو الگوریتم محبوب را بررسی می کند، سپس به این می پردازد که چه زمانی و چرا باید از قوانین تداعی استفاده کنید. به علاوه، فردریک نحوه ایجاد، تجسم، و تفسیر قوانین ارتباط در پایتون را پوشش می‌دهد.

این دوره با GitHub Codespaces، یک محیط توسعه‌دهنده ابر فوری که تمام قابلیت‌های IDE مورد علاقه شما را بدون نیاز به هیچ‌گونه نیازی ارائه می‌کند، یکپارچه شده است. راه اندازی ماشین محلی با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید، در حالی که از ابزاری استفاده می‌کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای یادگیری نحوه شروع، ویدیوی «استفاده از فضاهای کد GitHub با این دوره» را بررسی کنید.

 

در مورد یادگیری ماشین های هک با کارشناسان آموزش امنیت سایبری در انستیتوی Infosec ، INS و Outs of Hacking Machine Learning را کشف کنید. عمیق به موضوعاتی مانند هک کردن یک سیستم Captcha ، فازی یک هدف ، فرار از تشخیص بدافزار و حمله به سیستم های یادگیری ماشین. به علاوه ، در مورد Deepfakes و نحوه انجام حملات پشتی به یادگیری ماشین آشنا شوید.

این دوره توسط موسسه Infosec ایجاد شده است. ما خوشحالیم که این آموزش را در کتابخانه خود میزبانی می کنیم.

 این دوره در سطح متوسط، کاوش متمرکزی را در مورد چگونگی تغییر شبکه‌های مخابراتی مدرن توسط یادگیری ماشین (ML) ارائه می‌کند. این دوره برای دانش‌آموزان و متخصصان با دانش پایه از مخابرات یا هوش مصنوعی طراحی شده است که می‌خواهند درک خود را از برنامه‌های ML در بهینه‌سازی شبکه، تجزیه و تحلیل پیش‌بینی‌کننده و اتوماسیون هوشمند عمیق‌تر کنند، این دوره چندین پارادایم یادگیری ماشین کلیدی را پوشش می‌دهد: تحت نظارت، بدون نظارت و یادگیری تقویتی. از طریق مطالعات موردی در دنیای واقعی، مفاهیم کلیدی ML مانند رگرسیون، طبقه‌بندی، خوشه‌بندی، آزمایش فرضیه، توابع هزینه، نزول گرادیان و ارزیابی مدل را بررسی کنید. بیاموزید که چگونه مدل‌ها معیارهای مخابراتی مانند قدرت سیگنال، بار شبکه، و تقاضای پهنای باند را پیش‌بینی می‌کنند و چگونه تکنیک‌های طبقه‌بندی به شناسایی خطاها و ناهنجاری‌ها کمک می‌کنند. در پایان این دوره، شما به مهارت هایی که برای استفاده از ML برای تقویت شبکه های مخابراتی هوشمندتر و سازگارتر نیاز دارید، مجهز خواهید شد.

 کیفیت پیش‌بینی‌هایی که از مدل یادگیری ماشین شما به دست می‌آید بازتاب مستقیم داده‌هایی است که در طول آموزش به آن‌ها می‌دهید. مهندسی ویژگی به شما کمک می کند تا آخرین بیت ارزش را از داده ها استخراج کنید. این دوره ابزارهایی را برای گرفتن مجموعه داده، حذف سیگنال و حذف نویز به منظور بهینه سازی مدل های خود ارائه می دهد. این مفاهیم تقریباً به هر نوع الگوریتم یادگیری ماشینی تعمیم می یابد. مدرس درک جدامسکی در مورد اصول یادگیری ماشین و مقدمه ای کامل برای مهندسی ویژگی ها تجدید نظر می کند. او ویژگی های پیوسته و طبقه بندی شده را بررسی می کند و نحوه تمیز کردن، عادی سازی و تغییر آنها را نشان می دهد. بیاموزید که چگونه مقادیر از دست رفته را آدرس‌دهی کنید، نقاط پرت را حذف کنید، داده‌ها را تبدیل کنید، شاخص‌ها ایجاد کنید و ویژگی‌ها را تبدیل کنید. در فصل‌های پایانی، درک نحوه آماده‌سازی ویژگی‌ها برای مدل‌سازی را توضیح می‌دهد و چهار تغییر را برای مقایسه ارائه می‌دهد، بنابراین می‌توانید تأثیر تمیز کردن، تبدیل و ایجاد ویژگی‌ها را از طریق لنز عملکرد مدل ارزیابی کنید.

 آیا می خواهید مهارت های خود را به عنوان یک پزشک یادگیری ماشین رشد دهید ، اما نمی دانید از کجا شروع کنید؟ برای شروع کار به سمت هدف خود ، نیازی به آموزش رسمی در علم داده ندارید. در این دوره ، مربی درک جیدامسکی به شما نشان می دهد که چگونه می توانید داده های کثیف را مهار کنید ، سیگنال را در آن پیدا کنید و مدلهایی بسازید که پیش بینی های قدرتمندی را با زبان آموزان گروهی ایجاد می کند ، یکی از رایج ترین کلاس های الگوریتم های یادگیری ماشین. در مورد نظریه اساسی که زبان آموزان گروه را هدایت می کند ، بیاموزید و نمونه هایی از یادگیری گروه را در پایتون و سپس اجرای مدل های خود را پوشش دهید. مفاهیمی مانند تقویت ، کیسه و انباشت و نحوه استفاده از هر یک و چه زمانی را کاوش کنید. ابزارهایی را که برای تقویت قدرت پیش بینی خود و پیشبرد مهارت های یادگیری ماشین خود امروز دارید ، بدست آورید.

 

آیا می‌خواهید مهارت‌های خود را به عنوان یک متخصص یادگیری ماشینی افزایش دهید، اما نمی‌دانید از کجا شروع کنید؟ برای شروع کار به سمت هدف خود نیازی به آموزش رسمی در علم داده ندارید. در این دوره، مربی مت هریسون شما را از طریق مفاهیم کلیدی یادگیری گروهی راهنمایی می کند. روش‌های مختلف مجموعه مانند bagging، boosting و stacking را کاوش کنید و یاد بگیرید که آنها را با استفاده از کتابخانه‌های محبوب Python مانند scikit-learn و XGBoost پیاده‌سازی کنید. در پایان این دوره، شما به مهارت‌هایی که برای پیاده‌سازی و بهینه‌سازی مدل‌های مجموعه در کارهای یادگیری ماشین در دنیای واقعی نیاز دارید، مجهز می‌شوید.

این دوره با GitHub Codespaces، یک محیط توسعه‌دهنده ابری فوری که تمام عملکردهای IDE مورد علاقه‌تان را بدون نیاز به راه‌اندازی ماشین محلی ارائه می‌کند، یکپارچه شده است. با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید، در حالی که از ابزاری استفاده می‌کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای آشنایی با نحوه شروع کار، «استفاده از فضاهای کد GitHub» را با این دوره بررسی کنید.

 در این دوره ، مت هریسون-یک مربی شرکتی پایتون و علوم داده ، نویسنده ، سخنران ، مشاور و مشاور-به شما نشان می دهد که چگونه می توانید از تکنیک های یادگیری نظارت شده برای مشکلات دنیای واقعی استفاده کنید ، با تمرکز بر هر دو طبقه بندی و رگرسیون. با مدلهای اساسی مانند رگرسیون خطی شروع کنید و سپس به الگوریتم های پیچیده تری مانند درختان تصمیم گیری و XGBOOST بروید. به علاوه ، تکنیک های ارزیابی ، بهینه سازی و استقرار مدل را کاوش کنید. با چالش ها و راه حل های عملی ، این دوره شما را برای استفاده از یادگیری نظارت شده برای حل مشکلات در صنایعی مانند مراقبت های بهداشتی ، امور مالی و املاک و مستغلات آماده می کند.

 این دوره با مدرس کیت مک کورمیک مقدمه ای بر برخی از تکنیک های پیشرفته در استنتاج علی و مدل سازی علّی ارائه می دهد. این پایه بر پایه دوره کیث، یادگیری ماشین و مبانی هوش مصنوعی: پیش بینی، علیت و استنتاج آماری استوار است. کیت این دوره را بر روی سه موضوع اصلی متمرکز می کند: قدرت آزمایش ها (و واقعیت این است که آنها همیشه به عنوان یک گزینه در دسترس نیستند). فلسفه و رویکرد آمار بیزی و زمانی که انتخاب خوبی است. و مقدمه‌ای بر مدل‌سازی علی با تکنیک‌هایی مانند مدل‌سازی معادلات ساختاری و شبکه‌های بیزی. با کیت در این دوره همراه باشید تا با این تکنیک های پیشرفته و آنچه که آنها را قدرتمند و جالب می کند آشنا شوید.

 در دنیای علم داده، یادگیری ماشین و آمار اغلب با هم ترکیب می‌شوند، اما اهداف متفاوتی را دنبال می‌کنند و تسلط به یکی به معنای تخصص در دیگری نیست. در واقع، استفاده از یک رویکرد آماری برای یک مشکل یادگیری ماشینی، یا بالعکس، می تواند بیش از روشن شدن منجر به سردرگمی شود. در این دوره، کیت مک کورمیک چگونگی متفاوت بودن آمار و یادگیری ماشین، زمان استفاده از هر یک و نحوه استفاده از تمام ابزارهایی که در اختیار دارید را برای شفاف و متقاعدکننده بودن هنگام به اشتراک گذاشتن نتایج خود پوشش می دهد. او موضوعاتی مانند: چرا همبستگی شواهد کافی برای علیت نیست. تفاوت بین داده های تجربی و مشاهده ای؛ و تفاوت بین آمار سنتی و آمار بیزی. کیت همچنین به علیت نگاه می کند، موضوعی پیچیده در استفاده از آمار و یادگیری ماشین برای اثبات چیزی که باعث چیز دیگری می شود. اگر مدل‌های یادگیری ماشینی می‌سازید، تحلیل‌های آماری را اجرا می‌کنید - یا به‌ویژه اگر هر دو را انجام می‌دهید، این دوره برای شما مناسب است.

 دانشمندان داده و متخصصان یادگیری ماشین باید با آخرین تکنیک ها و رویکردها در این زمینه همگام بمانند. در این دوره، مربی کیت مک کورمیک به شما نشان می دهد که چگونه راه حل های هوش مصنوعی قابل توضیح (XAI) و یادگیری ماشینی قابل تفسیر (IML) را تولید کنید.

یاد بگیرید که چرا نیاز به XAI در سال های اخیر به سرعت در حال افزایش است. روش‌های موجود و تکنیک‌های رایج برای XAI و IML و همچنین زمان و نحوه استفاده از هر کدام را بررسی کنید. کیت شما را در چالش‌ها و فرصت‌های مدل‌های جعبه سیاه راهنمایی می‌کند و به شما نشان می‌دهد که چگونه شفافیت را به مدل‌های خود بیاورید و از نمونه‌های واقعی استفاده کنید که ترفندهای تجارت را در پلتفرم KNIME Analytics با یادگیری آسان و منبع باز نشان می‌دهند. در پایان این دوره، شما درک بهتری از تکنیک های XAI و IML برای توضیحات جهانی و محلی خواهید داشت.

 DevOps را به ابر منتقل کنید و در توسعه و عملیات نرم افزار چابک تر شوید. این دوره نحوه راه اندازی یک فرآیند DevOps مبتنی بر ابر و خدمات اهرمی ارائه شده توسط آمازون و مایکروسافت را توضیح می دهد. دیوید لینتیکوم، متخصص رایانش ابری، ابتدا مورد تجاری DevOps را در فضای ابری معرفی می‌کند، که می‌تواند از تحویل، آزمایش، یکپارچه‌سازی و استقرار مقیاس‌پذیر و مستمر برای سازمان‌هایی با هر اندازه‌ای مطمئن شود. سپس نحوه ایجاد یک فرآیند DevOps را در فضای ابری توضیح می‌دهد و راه‌حل‌های DevOps ارائه‌شده در خدمات وب آمازون و مایکروسافت Azure را بررسی می‌کند. به‌علاوه، برخی از موارد استفاده را که پیاده‌سازی‌های واقعی سرویس‌های DevOps را در فضای ابری نمایش می‌دهند، مرور کنید.

 Microsoft Configuration Manager ابزاری است که راهی را برای مدیریت همه جنبه های دسک تاپ ها ، سرورها و دستگاه های مبتنی بر ویندوز سازمان از یک مرکز واحد فراهم می کند. در این دوره ، پروفسور رابرت مک میلن به مدیران سیستم کمک می کند تا به طور مؤثر یک محیط مایکروسافت را مدیریت کنند و خدمات IT مؤثرتری را ارائه دهند. رابرت به اصول اولیه مدیر پیکربندی مایکروسافت می رود و ویژگی های جدید را برجسته می کند ، پیش نیازهای نصب را پوشش می دهد و نحوه پیکربندی مرزها ، گروههای مرزی و کاربران را نشان می دهد. وی نحوه استقرار سیستم های عامل (از جمله ویندوز 11) و بسته ها و همچنین نحوه مدیریت مشتری را از طریق کنسول مدیریت پیکربندی نشان می دهد. به علاوه ، او نحوه استفاده از مدیر پیکربندی برای موجودی ، تنظیم یک پایه سازگاری و نظارت بر توزیع را توضیح می دهد.

 در بیشتر زمینه های کسب و کار، ویژگی ها اهمیت دارند. این امر به ویژه در حوزه امنیت سایبری صادق است. اگر یک متخصص امنیت سایبری هستید، شغل بسیار کوتاهی خواهید داشت اگر بهترین پاسخی که می توانید به سؤالات امنیتی بدهید این باشد که «فکر می کنم همه چیز بسیار امن است». برای انتقال موثر ارزش برنامه ها و فعالیت های امنیتی خود به معیارها و داده های سخت نیاز دارید. در این دوره، Caroline Wong یک رویکرد آزمایش شده و واقعی برای سفارشی کردن معیارها به شما ارائه می دهد که می توانید از آن برای برقراری ارتباط با اهداف و پیشرفت ابتکارات امنیت سایبری تیم خود استفاده کنید. Caroline با مروری بر ارزش معیارها شروع می‌کند، سپس روش‌های مختلف برقراری ارتباط با موضوعات امنیت سایبری را با گروه‌های مختلف مانند مدیران اجرایی، رهبران کسب‌وکار و مهندسان پوشش می‌دهد. او همچنین اهداف مدیریت ریسک را پوشش می دهد و دوره را با مرور نمونه هایی از تعدادی معیارهای مهم امنیت سایبری به پایان می رساند.

 کنترل‌کننده‌های منطقی قابل برنامه‌ریزی (PLC) برای صنعت اتوماسیون صنعتی ضروری هستند و منطق نردبانی یکی از محبوب‌ترین زبان‌ها برای برنامه‌نویسی دستگاه‌های اصلی PLC از جمله آلن برادلی، زیمنس و OMRON است. این دوره شما را با اصول برنامه نویسی PLC با منطق نردبان آشنا می کند. نحوه تبدیل داده ها برای ورودی و خروجی، انجام محاسبات با دستورالعمل های ریاضی، مقایسه و آزمایش داده ها با دستورالعمل های مقایسه و انتقال داده ها با دستورالعمل های MOV را بیاموزید. مربی زارا خلیل همچنین مقدمه ای برای منطق توالی ارائه می دهد که به شما امکان می دهد ترتیب، شرایط و تکرار را در فرآیندهای خود اعمال کنید و نمودارهای حالت را انجام دهید. هر فصل پر از راه حل ها و مثال های گام به گام در نرم افزار شبیه سازی محبوب مانند LogixPro است.

 جای تعجب نیست که نمایشنامه نویس به صفوف سایر ابزارهای اتوماسیون منبع باز با رتبه برتر پیوسته است. مجموعه ویژگی های جامع نمایشنامه نویس به آزمایش کنندگان و توسعه دهندگان اجازه می دهد تا بدون نیاز به ترکیب چندین کتابخانه و ابزارهای دیگر ، به سرعت پروژه های جدید اتوماسیون تست ایجاد کنند. این که آیا شما یک تستر دستی ، یک متخصص تضمین کیفیت ، یک توسعه دهنده نرم افزار یا یک مهندس اتوماسیون فصلی هستید ، این دوره با استفاده از برخی از مهمترین ویژگی های نمایشنامه نویس ، تجربه عملی و عملی را ارائه می دهد. به مربی Butch Mayhew بپیوندید زیرا او شما را از طریق ملزومات می برد و شما را برای شروع نوشتن ، دویدن ، تجزیه و تحلیل و اشکال زدایی اولین آزمون خود آماده می کند.

 

اطلاعات تهدید پایه امنیت سایبری است—زیرا دانستن اینکه در مقابل چه چیزی از آن دفاع می‌کنید به شما کمک می‌کند تا روی مهم‌ترین چیزها تمرکز کنید. در این دوره، کارلا رفلد نشان می‌دهد که چگونه می‌توانید به راحتی برنامه‌ای از اطلاعات تهدیدات سایبری را شروع و مقیاس‌بندی کنید تا بتوانید از هدر دادن منابع جلوگیری کنید و در عوض پول خود را صرف چیزهایی کنید که در واقع امنیت را بهبود می‌بخشد.

به کارلا بپیوندید تا نشان دهد که چگونه کسب و کارها می توانند از ادغام اطلاعات تهدید در استراتژی امنیتی خود سود ببرند. بیاموزید که چگونه داده ها را به هوشمندی عملی تبدیل کنید و چگونه آن را در سراسر تجارت توزیع کنید. با درک اینکه چه کسی به چه چیزی نیاز دارد و چگونه می توان از آن استفاده کرد، می توانید اطلاعات تهدید را در تمام زمینه های کسب و کار خود جاسازی کنید. به علاوه، یاد بگیرید که چگونه سوالات بهتری از ارائه دهندگان اطلاعات تهدید بپرسید، زیرا درک بیشتری از این فرآیند به دست می آورید.

 

مجموعه داده های اخبار جعلی یکی از مجموعه داده های کلاسیک تجزیه و تحلیل متن است که در Kaggle موجود است. این مجموعه از عناوین مقاله و جعلی و متن از نویسندگان مختلف تشکیل شده است. در این پروژه ، با این مجموعه داده در دنیای واقعی کار کنید تا یک مدل تشخیص خبری جعلی تهیه کنید. بیاموزید که چگونه داده های متن را تمیز و پیش پردازش کنید ، ویژگی های معنی دار را استخراج کنید ، یک مدل طبقه بندی را آموزش دهید و عملکرد آن را ارزیابی کنید. این پروژه به گونه ای طراحی شده است که تقریباً در 10 ساعت به پایان برسد.

این پروژه توسط Skillup Online ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.

 

دانش اطلاعاتی تهدید خود را با این پروژه دستی که برای ترسیم سازمانی در برابر منظره تهدید سایبری طراحی شده است ، اعمال کنید. این پروژه را به طور مؤثر از طریق پیاده روی های هدایت شده و نکات روشنگری انجام دهید. بهترین روشها و راه حل های مثال را برای تحکیم درک خود کشف کنید. دانش تاکتیکی کسب کنید تا در سناریوهای دنیای واقعی اعمال شود و پیدا کنید که چگونه می توان شخصیت را در مقابل قالب بندی پاراگراف برای بهبود کارایی اسناد حرکت داد.

این پروژه با هدف تقویت مهارت های عملی خود در تجزیه و تحلیل اطلاعات تهدید و توسعه توانایی ترسیم استراتژی های جامع اطلاعاتی تهدید و تقویت وضعیت امنیتی سازمان آنها انجام شده است.

 در این پروژه ، هشدار را برای فعالیت مشکوک AV/Endpoint بررسی کرده و نقاط بین رویدادی را که رخ داده است و چه اقداماتی را برای اصلاح آن باید انجام دهید. از طریق سناریو دنبال کنید ، برای تأیید فرضیات در مورد این رویداد ، از آثار باستانی/تله متری جمع آوری شده استفاده کنید و یک نوشتن کوتاه درباره یافته های خود ایجاد کنید.

 

آسیب پذیری در برنامه های نرم افزاری و شبکه ها اغلب به عنوان نقاط ورود به مهاجمان عمل می کنند. این پروژه دوستانه مبتدی شامل استفاده از پایتون برای ایجاد یک ابزار اسکن آسیب پذیری ساده است که وب سایت ها یا دستگاه های شبکه را برای آسیب پذیری های مشترک مانند نسخه های نرم افزاری منسوخ ، درگاه های باز یا تنظیمات ضعیف اسکن می کند. بیاموزید که چگونه آسیب پذیری ها را با منطق و برنامه نویسی ساده شناسایی کنید ، نه اینکه فقط به ابزارهای خودکار تکیه کنید. این پروژه به گونه ای طراحی شده است که تقریباً در 8 ساعت به پایان برسد.

این پروژه توسط Skillup Online ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.