الگوهای طراحی به شما امکان می دهد مشکلات مشترک توسعه نرم افزار را به روشی قابل استفاده مجدد حل کنید و کد شما را قوی تر و مقیاس پذیر تر می کند. در این دوره ، Károly Nyisztor الگوهای طراحی ساختاری از باند چهار را بررسی می کند. او به شما نشان می دهد که چگونه می توانید از این الگوهای در کد C ++ مدرن استفاده کنید و چگونه می توانند به شما در طراحی نرم افزارهای قوی تر و مقیاس پذیر کمک کنند. او همچنین در مورد هفت الگوی طراحی ساختاری از کتاب الگوهای طراحی اصلی - آداپتور ، پل ، کامپوزیت ، دکوراتور ، نمای ، وزن و پروکسی - بحث می کند و به شما نشان می دهد که چگونه هر یک را در C ++ مدرن پیاده سازی کنید. برای هر الگوی ، او به شما نشان می دهد که چه موقع و چگونه می توانید از آن استفاده کنید ، همراه با مزایا و اشکالات آن. در این دوره به Károly بپیوندید تا یاد بگیرید که چگونه می توانید از الگوهای طراحی ساختاری در کد خود استفاده کنید و مهارت های توسعه خود را تقویت کنید.

این دوره بخشی از گواهینامه حرفه ای از Openedg C ++ است.

 یاد بگیرید که چگونه با استفاده از کلاس های مجموعه و ساختارهای داده در سی شارپ، داده ها را کارآمدتر و موثرتر مدیریت کنید. در این دوره، با مربی جو مارینی بپیوندید تا مراحل اساسی نحوه نگهداری مجموعه داده ها در سی شارپ را بیان کند و کلاس مجموعه مناسبی را انتخاب کنید که برای طیف گسترده ای از سناریوهای مختلف برنامه نویسی قابل استفاده است. جو با بررسی مفاهیم اصلی، از جمله تفاوت بین مجموعه‌های عمومی و غیرعمومی، و نحوه انتخاب یک کلاس ساختار داده برای رفع نیازهای یک مشکل برنامه‌نویسی خاص، شروع می‌کند. این دوره کلاس های جمع آوری اولیه و عملیات داده در سی شارپ مانند نحوه جستجو و استفاده از List و LinkedList و همچنین ساختارهای داده پیشرفته تر و تخصصی مانند پشته ها، صف ها، دیکشنری ها، ListDictionary، HybridDictionary، OrderedDictionary، StringCollection، StringBuilder و غیره را پوشش می دهد. در طول مسیر، مهارت های جدید خود را با ساختارهای داده کاربردی در چالش های تمرین در پایان هر بخش آزمایش کنید.

 در این دوره ، متخصص MLOPS ، ماریا وختومووا ، مؤلفه ها و اصولی را معرفی می کند که باید درک کنید تا با موفقیت مدل های یادگیری ماشین را برای تولید در پایگاه داده ها مستقر کنید. وارد فرآیند گام به گام استفاده از مهندسی ویژگی در کاتالوگ وحدت ، ردیابی آزمایش های مدل در MLFlow ، ثبت یک مدل در کاتالوگ وحدت و استقرار مدل خود با استفاده از مدل Databricks Model. مواردی را که در آن می توان از ویژگی های استفاده استفاده کرد ، کاوش کنید و نحوه استقرار یک ویژگی سرویس دهی را پیدا کنید. به علاوه ، یاد بگیرید که چگونه کد خود را بسته بندی کنید ، پروژه خود را با استفاده از بسته های دارایی Databricks مستقر کنید و برنامه ML خود را با استفاده از جداول استنتاج و نظارت بر دریاچه نظارت کنید.

 این دوره اتوماسیون و مدیریت گردش‌های کاری یادگیری ماشین، از دریافت داده تا استقرار مدل را پوشش می‌دهد. به مربی Janani Ravi بپیوندید تا به شما نحوه تنظیم و بهینه سازی خطوط لوله داده را آموزش می دهد و از عملکرد کارآمد، مقیاس پذیر و قابل اعتماد سیستم های هوش مصنوعی در محیط های تولید اطمینان می دهد. این دوره برای هر کسی که با هوش مصنوعی، زیرساخت داده و عملیات یادگیری ماشین (MLOps) کار می کند، از جمله مهندسان داده، مهندسان AI و ML، مهندسان MLOPs و مهندسان DevOps مناسب است.

 در این دوره یاد بگیرید که چگونه از Rust برای ساخت خطوط لوله داده با کارایی بالا استفاده کنید که می توانید در مهندسی داده، ML Ops و مهندسی نرم افزار سنتی استفاده کنید. Rust ایمنی، سرعت و کنترل سطح پایین را برای برنامه نویسی سیستم ها فراهم می کند و مربی نوح گیفت این جنبه ها را در چهار بخش این دوره به تصویر می کشد. نوح شروع به بررسی ویژگی های کلیدی Rust، از جمله HashMaps و وکتورها می کند. او سپس نگاهی به ایمنی، امنیت و همزمانی با Rust می اندازد. در بخش سوم، نوح کتابخانه‌ها و ابزارهای محبوب مهندسی داده Rust را پوشش می‌دهد و دوره را با نگاهی به طراحی سیستم‌های پردازش داده در Rust به پایان می‌رساند.

 با جانانی راوی، معمار ابری گوگل و مهندس داده، با Apache Airflow آشنا شوید. با Apache Airflow - یک پلت فرم منبع باز برای توسعه، زمان‌بندی و نظارت بر جریان‌های کاری دسته‌گرا - می‌توانید وظایف فردی را که می‌خواهید به عنوان بخشی از خط لوله پردازش خود اجرا کنید، برنامه‌ریزی کنید، وابستگی‌های بین این وظایف را مشخص کنید، همه به صورت برنامه‌نویسی در پایتون. Airflow این وابستگی ها را مدیریت می کند و تضمین می کند که وظایف به ترتیب درست اجرا می شوند. به Janani بپیوندید تا به شما نحوه اجرای گردش کار در Airflow، تعریف وظایف و وابستگی ها و استفاده از عملگرهای Python و SQLite را نشان دهد. در مورد انشعاب شرطی و نحوه کار Catch up و backfill در Apache Airflow بیاموزید.

 PySpark یک کتابخانه قدرتمند است که قابلیت‌های محاسباتی توزیع شده Apache Spark را به پایتون می‌آورد و آن را به ابزاری کلیدی برای پردازش کارآمد داده‌های مقیاس بزرگ تبدیل می‌کند. در این دوره، مهندس داده و تحلیلگر Sam Bail، مقدمه ای ساختاریافته و عملی برای PySpark ارائه می دهد که با مروری بر آپاچی اسپارک، معماری و اکوسیستم آن شروع می شود. قبل از راه‌اندازی یک محیط آزمایشگاهی و کار با مجموعه داده واقعی، در مورد مفاهیم اصلی Spark، مانند DataFrame API، تبدیل‌ها، ارزیابی‌های تنبل و اقدامات اطلاعاتی کسب کنید. به‌علاوه، بینش‌هایی در مورد اینکه PySpark چگونه با یک اکوسیستم مهندسی داده‌های گسترده‌تر و بهترین شیوه‌های اجرای PySpark در یک محیط تولیدی سازگار می‌شود، به دست آورید.

 آیا به دنبال تقویت مهارت های پایتون خود هستید؟ شاید برخی از اصول پایتون را یاد گرفته اید و می خواهید مهارت های خود را بیشتر کنید؟ این دوره با Kaylee Kohfeldt آموزش عملی و عملی در مورد مفاهیم پایتون مانند مجموعه ها، مجموعه ها، قالب بندی رشته ها و توابع لامبدا ارائه می دهد. Kayle مهارت هایی را پوشش می دهد که ممکن است در برنامه نویسی روزانه خود از آنها استفاده نکنید - مانند شمارنده، جستجوگر پالیندروم، پاک کردن داده های تکراری و موارد دیگر - که می تواند به شما در گسترش دانش پایتون کمک کند. اگر می‌خواهید مهارت‌های پایتون خود را به سطح بالاتری ببرید تا بتوانید کدهای خوانا و کارآمدتر بنویسید، در این دوره آموزشی به Kaylee بپیوندید.

این دوره با GitHub Codespaces یکپارچه شده است، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به هیچ گونه تنظیمات ماشین محلی ارائه می دهد. با 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 این دوره آموزشی، نحوه تنظیم گردش کار در GitHub Actions را برای خودکارسازی فرآیندها با R و Python یاد بگیرید. مربی Rami Krispin شما را از طریق فرآیند اتوماسیون راهنمایی می کند و نمونه هایی از دنیای واقعی را به اشتراک می گذارد. او به شما نشان می‌دهد که چگونه یک خط لوله داده راه‌اندازی کنید، ابرداده را از یک خط لوله بیرون بکشید و یک داشبورد زنده را با اقدامات و صفحات GitHub اجرا کنید. اگر از صرف ساعت‌ها صرف اجرای دستی اسکریپت‌ها یا کاهش سرعت گردش کار خود با کشیدن داده‌ها از API یا به‌روزرسانی داشبورد خسته شده‌اید، در این دوره آموزشی به Rami بپیوندید تا ببینید اتوماسیون چگونه می‌تواند سرعت کار شما را افزایش دهد.

 در این دوره ، بیاموزید که چگونه فناوری و داده ها می توانند تلاش های پایداری را تغییر داده و راه را برای آینده ای باهوش تر و سبز تر هموار کنند. مربی Talal Gedeon پایه و اساس محکمی را در زمینه استفاده از هوش مصنوعی و مهندسی داده ها برای تدوین راه حل های نوآورانه برای رسیدگی به چالش های زیست محیطی ، ایجاد شکاف بین مهارت های پیشرفته فن آوری و کاربردهای عملی در پایداری فراهم می کند. تکنیک های جمع آوری داده ها ، از جمله راه حل های IoT و AI ، را کشف کنید تا ببینید که چگونه می توانید پروژه های پایداری خود را متحول کنید.

 قبل از پیشرفت به موضوعات پیشرفته تر مخصوص مهندسی داده، با اصول اولیه پایتون آشنا شوید و اجرا کنید. در این دوره عملی و تعاملی، به مربی دیپاک گویال بپیوندید تا انجام طیف گسترده ای از وظایف مهندسی داده در پایتون را تمرین کنید تا دانش فنی خود را تقویت کنید، برای مصاحبه آماده شوید یا نقش جدیدی را به دست آورید. این دوره شامل چالش های کد است که توسط CoderPad طراحی شده است. چالش‌های کد، تمرین‌های کدنویسی تعاملی با بازخورد بلادرنگ هستند، بنابراین می‌توانید برای پیشبرد مهارت‌های کدنویسی خود تمرین کدنویسی را انجام دهید. دیپک به شما کمک می کند تا مهارت های خود را به عنوان یک برنامه نویس پایتون با شش چالش برنامه نویسی خاص تقویت کنید. اصول زبان، مجموعه‌های پایتون، مدیریت فایل، پانداها، NumPy، OOP و ابزارهای پیشرفته مهندسی داده‌ای که از پایتون استفاده می‌کنند را کاوش کنید. این دوره با یک پروژه اصلی متمرکز بر تجزیه و تحلیل خرده فروشی به پایان می رسد.

 دنیای مهندسی داده همواره در حال تغییر است و ابزارها و فناوری های جدیدی به طور منظم در حال ظهور هستند. ساختن یک پلتفرم تحلیلی موثر می‌تواند یک کار دلهره‌آور باشد، به خصوص اگر با همه ابزارهای موجود آشنا نباشید. چگونه داده های پراکنده و پیچیده را به مدلی تبدیل می کنید که بینش و تصمیم گیری را هدایت می کند؟ در این دوره، Thalia Barrera به متخصصان داده آموزش می دهد که چگونه یک پروژه مهندسی داده را با استفاده از ابزارهای باز از پشته داده مدرن پیاده سازی کنند. او بهترین روش‌ها مانند مدل‌سازی داده، آزمایش، مستندسازی و کنترل نسخه را لمس می‌کند و به شما نشان می‌دهد که چگونه داده‌ها را به طور موثر استخراج، بارگیری و تبدیل به یک قالب یکپارچه و آماده برای تجزیه و تحلیل کنید. Thalia به شما نشان می دهد که چگونه از طریق مثال های عملی ابزارها را با اطمینان انتخاب کرده و از آنها استفاده کنید - که شما را در ساخت یک خط لوله داده قوی برای یک شرکت تجارت الکترونیک خیالی هدایت می کند - و نحوه اجرای بهترین شیوه ها در مهندسی داده.

 انبارهای داده مشکلات اساسی متفاوتی را نسبت به پایگاه داده تراکنشی سنتی حل می کنند و انبارهای داده SQL Server مدل متفاوتی برای ذخیره داده های ارزشمند ارائه می دهند. در این دوره، آدام ویلبرت، کارشناس پایگاه داده، شما را در فرآیند توسعه انبارهای داده در SQL Server 2022 راهنمایی می‌کند تا یک پلتفرم قوی و قابل اعتماد برای ارائه تمام حجم‌های کاری گزارش‌دهی و تحلیل هوش تجاری شما ارائه دهد. پایه های انبار داده را کاوش کنید، سپس شروع به ایجاد انبار داده در SQL Server کنید. در مورد نمایه‌های فروشگاه ستونی و همچنین نحوه خودکارسازی وظایف مرتبط با ادغام چندین منبع داده با هم در یک انبار بیاموزید. نحوه پیاده سازی Azure Synapse Analytics Dedicated SQL Pool و اعمال کیفیت داده با استفاده از خدمات کیفیت داده را بیاموزید. راه‌هایی را برای استفاده از Master Data Services کشف کنید، به علاوه یاد بگیرید چگونه داده‌های انبار خود را با برنامه‌های هوش تجاری مصرف کنید.

 راه‌حل‌هایی برای ذخیره‌سازی و پردازش داده‌ها ضروری هستند، اما چگونه می‌توانید آنها را به طور مؤثر در مقیاس مدیریت کنید؟ در این دوره، مربی جانانی راوی اصول طراحی و پیاده‌سازی سیستم‌های ذخیره‌سازی داده‌ها را پوشش می‌دهد که می‌توانند به طور کارآمدی نیازهای مقیاس بزرگ برنامه‌های کاربردی مبتنی بر هوش مصنوعی را مدیریت کنند. تکنیک‌های مدیریت، پردازش و بهینه‌سازی جریان داده در محیط‌های توزیع‌شده را برای اطمینان از اجرای مدل هوش مصنوعی با کارایی بالا بررسی کنید. این دوره آموزشی مناسب برای متخصصان فناوری که با هوش مصنوعی، زیرساخت داده و عملیات یادگیری ماشین کار می کنند، شما را با مهارت هایی که نه تنها برای مدیریت، بلکه برای بهینه سازی حجم کاری هوش مصنوعی خود نیاز دارید، مجهز می کند.

 داده ها و امکان تجزیه و تحلیل آن و استفاده از آن برای ساخت مدل های یادگیری ماشین ، نوآوری و روش های جدید سازماندهی کار در مشاغل است. Google BigQuery ، پلت فرم داده گسترده استفاده شده را برای انبارداری داده ، تجزیه و تحلیل و یادگیری ماشین وارد کنید. BigQuery به عنوان یک پیشنهاد سرور مدیریت شده و بدون سرور از Google Cloud ارائه می شود که به شما امکان می دهد زمان کمتری را برای حفظ زیرساخت ها و زمان بیشتری برای ساختن سیستم های یادگیری ماشین و استخراج بینش از داده ها صرف کنید. در این دوره ، به مربی دن سالیوان بپیوندید زیرا او به شما نشان می دهد که چگونه می توانید از BigQuery به عنوان یک مهندس داده یا یادگیری ماشین استفاده کنید. در طول راه ، مهارت های اساسی را برای مصرف داده ها ، تبدیل داده ها برای تهیه آن برای تجزیه و تحلیل ، و ساخت ، ارزیابی ، استقرار و نظارت بر مدل ها در تولید کشف کنید.

 در این دوره ، Master Databricks برای تبدیل شدن به یک مهندس داده ACE. بیاموزید که چگونه می توانید به صورت تخصصی اشکال زدایی ، پردازش و تجزیه و تحلیل مقادیر عظیمی از داده ها و ایجاد راه حل های مقیاس پذیر به عنوان مربی Deepak Goyal شما را از طریق شیرجه عمیق در مورد نحوه عملکرد پلت فرم Databricks راهنمایی کنید. تحول pyspark و Spark SQL را در پایگاه داده ها ، به همراه نحوه خواندن و نوشتن DataFrame در Databricks کاوش کنید. به علاوه ، در مورد دریاچه دلتا ، به بهینه سازی ها ، برنامه ریزی نوت بوک ، مدیریت خوشه ، گردش کار و موارد دیگر بیاموزید.

 قبل از پیشرفت به موضوعات پیشرفته تر مخصوص مهندسی داده ، با اصول اولیه پایتون بلند شوید و اجرا کنید. در این دوره دستی و تعاملی ، به مربی Deepak Goyal بپیوندید تا طیف گسترده ای از کارهای مهندسی داده را در پایتون انجام دهید تا دانش فنی خود را تقویت کنید ، برای مصاحبه آماده شوید یا نقش جدیدی را به وجود آورید. این دوره شامل چالش های کد است که توسط CoderPad تهیه شده است. چالش های کد تمرینات برنامه نویسی تعاملی با بازخورد در زمان واقعی است ، بنابراین می توانید برای پیشبرد مهارت های برنامه نویسی خود ، از تمرین کد نویسی استفاده کنید. Deepak به شما کمک می کند تا مهارت های خود را به عنوان یک برنامه نویس پایتون با شش چالش برنامه نویسی خاص تقویت کنید. اصول اولیه زبان ، مجموعه های پایتون ، دست زدن به پرونده ، پاندا ، Numpy ، OOP و ابزارهای پیشرفته مهندسی داده را که از پایتون استفاده می کنند ، کاوش کنید. این دوره با یک پروژه نهایی متمرکز بر تجزیه و تحلیل خرده فروشی به پایان می رسد.

 پشته ها، دکه ها و صف ها سه ساختار داده ضروری پایتون هستند. آنها ستون فقرات بسیاری از الگوریتم های علوم کامپیوتر را تشکیل می دهند، و نشان دادن تسلط بر این مفاهیم می تواند به شما در شغل فعلی کمک کند یا به شما کمک کند تا نقش بعدی خود را به دست آورید. در این دوره، Dhhyey Desai به شما نشان می‌دهد که چگونه پشته‌ها، صف‌ها و deques بسازید و از این ساختارهای داده خطی برای حل مشکلات دنیای واقعی که ممکن است در کار خود با آن‌ها مواجه شوید، استفاده کنید. یاد بگیرید که چگونه هر کلاس را تعریف کنید و از متدهای داخلی پایتون برای انجام رفتارهای لازم مانند فشار، پاپ و زیرچشمی استفاده کنید. نوبت دهی و add_front و remove_rear. به Dhhyey در این دوره بپیوندید تا مزایای هر یک از این ساختارهای داده رایج را بیاموزید و مهارت هایی را به جعبه ابزار کدنویسی خود بیافزایید.

 

اگر می خواهید مهارت های خود را به عنوان یک دانشمند داده یا کارشناس برنامه سازمانی رشد دهید ، باید بدانید که چگونه یک استراتژی یکپارچه فناوری اطلاعات را طراحی و مدیریت کنید. کارخانه داده لاجورد ، سرویس ادغام داده های کاملاً بدون سرور را از مایکروسافت وارد کنید. در این دوره ، مربی کارستن اولفرتز به شما نشان می دهد که چگونه می توانید از کارخانه داده لاجورد (ADF) برای لوله کشی و تبدیل داده ها استفاده کنید. بیاموزید که چگونه می توان راه حل های ادغام داده های بتن را با ADF اجرا کرد ، با استفاده از برنامه های افزودنی و پیشرفت های موجود برای فراتر از عملیات آزمایش عادی. Karsten نکاتی را در مورد دیگر ابزارهای پیشرفته تر مدل سازی شیء ، مانند محرک ها ، زمان های ادغام ، پرس و جو قدرت ، جریان ، سهمیه ، محدودیت ها و موارد دیگر به شما می دهد.

 این دوره نظری برای متخصصان داده ، ذینفعان در سازمان های داده ، رهبری داده ها و متخصصان علاقه مند به کیفیت داده طراحی شده است. مارک فریمن-یک مهندس داده و سرب فناوری-نمای کلی سطح بالا از کیفیت داده ها را ارائه می دهد ، معیاری از چگونگی عملکرد داده ها با انتظارات یک شرکت از صحت ، کامل بودن ، قوام ، قابلیت اطمینان و اعتبار. علاوه بر محتوای دوره ، یک پروژه نهایی را تکمیل کنید که شامل یک مخزن کد ارائه شده برای بررسی و گزارش تجزیه و تحلیل با مسائل مربوط به کیفیت داده ها باشد. مسائل مربوط به کیفیت داده ها را شناسایی کرده و در مورد نحوه رفع آنها توصیه هایی ارائه دهید. این دوره شما را با درک جدی از مفاهیم زیربنای کیفیت داده ها مجهز می کند.