مکالمات ذینفعان می توانند یک مؤلفه مؤثر در شناسایی الزامات در هنگام برنامه ریزی پروژه باشند و می توانند به تحلیلگران تجارت و مدیران پروژه کمک کنند تا پروژه را از دیدگاه کاربر درک کنند. این دوره تکنیک های مصاحبه ذینفعان را در بر می گیرد که می تواند به ایجاد روابط با ذینفعان پروژه و به دست آوردن اطلاعات دقیق در مورد نیازهای پروژه کمک کند. مربی آنجلا ویک به شما کمک می کند تا هنگام استفاده از مصاحبه ، مصاحبه و نحوه برنامه ریزی ، انجام و پیگیری مصاحبه ها ، شناسایی کنید.

این دوره بخشی از گواهینامه حرفه ای از مایکروسافت است.

 این دوره مروری بر قانون انعطاف پذیری عملیاتی دیجیتال (DORA) و دستورالعمل های فنی برای اجرای امنیت مورد نیاز برای رعایت آن ارائه می دهد. مربی Malcolm Shore پنج ستون اصلی دورا را با تمرکز ویژه بر مدیریت و درک ریسک و مدیریت ریسک از ارائه دهندگان خدمات شخص ثالث بررسی می کند. این مورد الزامات نظارت بر ارائه دهندگان خدمات را نشان می دهد. MALCOM همچنین در حمایت از آزمایش نفوذ ، اطلاع رسانی در مورد حوادث و مهندسی هرج و مرج به عنوان ابزاری برای بهبود مقاومت ، اطلاعات و اشتراک اطلاعات را در بر می گیرد.

 در قسمت 2 دوره خود در مورد نیازهای غیر عملکردی در محاسبات ابری ، گوننی هرشنیک شیرجه عمیق را به NFR های مشترک می برد. او اصول کلی را توضیح می دهد و به NFR ها مانند امنیت و حریم خصوصی ، دسترسی و قابلیت استفاده ، قابلیت اطمینان و موارد دیگر نگاه می کند. او سپس به شما نشان می دهد که چگونه NFR های خود را پیاده سازی کنید ، و توضیح می دهد که چگونه می توانید دامنه کار مورد نیاز را ارزیابی کنید و نحوه انتخاب مدل های مختلف مالکیت برای NFR را ارزیابی کنید. سرانجام ، Gwenny جزئیات نحوه مدیریت NFR ها را به مرور زمان ، از جمله ادغام آنها در گردش کار ، ردیابی آنها در دوره های زمانی و شناسایی سطح بلوغ عملیاتی که به دست آورده اید و چگونه می توانید در صورت لزوم سطح بندی کنید.

این دوره به معرفی شخصیت‌های کره‌ای «هنگول» می‌پردازد و دانش سطح بالایی در رابطه با هانگول ارائه می‌دهد. در این دوره، پس زمینه هانگول ایجاد می شود که هانگول را چه کسی ساخته است و بر اساس چه اصل به طور سیستماتیک توضیح داده می شود. همچنین حکایات مربوط به مقاصد گردشگری کره مرتبط با هانگول را معرفی می کند و نحوه نوشتن هانگول را آموزش می دهد. زبان آموزان می توانند درک خود را از کره افزایش دهند، Hangeul را به طور دقیق یاد بگیرند، و دانش سطح بالایی از Hangeul را پرورش دهند.

گزارش اقلیت حرفه الکس مک داول طراح تولید را تغییر داد. فیلم با فیلمنامه شروع نشد. در عوض، استیون اسپیلبرگ کارگردان دنیایی می‌خواست که داستان را شروع کند. بنابراین، الکس با کمک یک اتاق فکر فرارسانه‌ای، یک محیط دیجیتالی دقیق و کامل با جامعه، سیاست، فناوری، زمین و زیرساخت‌های خودش را ایجاد کرد. الکس دهه بعد را صرف ساختن جهان کرد و روی فیلم هایی مانند چارلی و کارخانه شکلات سازی و دیده بان کار کرد. اکنون او 5D GlobalStudio و World Building Media Lab را در دانشگاه کالیفرنیای جنوبی اداره می‌کند، جایی که دانش‌آموزان یاد می‌گیرند چگونه مسائل داستان‌گویی را از طریق طراحی حل کنند.

rnrn

الگوریتم‌های ML چهارمین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. این دوره فراگیران را قادر می‌سازد تا الگوریتم‌های یادگیری ماشینی را عمیقاً غواصی کنند. این دوره به دو ماژول تقسیم می شود و هر ماژول توسط درس ها و سخنرانی های ویدیویی تقسیم بندی می شود. این دوره آموزشی با سخنرانی‌های ویدیویی تقریباً 2:00 تا 2:30 ساعته که هم تئوری و هم دانش عملی را ارائه می‌کند، به فراگیران کمک می‌کند. همچنین آزمون های درجه بندی شده و بدون درجه بندی به منظور سنجش توانایی فراگیران به همراه هر ماژول ارائه می شود. ماژول 1: الگوریتم های ML- قسمت 1 ماژول 2: الگوریتم های ML- قسمت 2 حداقل دو سال تجربه عملی در معماری، ساخت یا اجرای بارهای کاری ML/یادگیری عمیق در AWS Cloud. در پایان این دوره، فراگیران قادر خواهند بود: - تعیین مفاهیم الگوریتم در ML - طراحی الگوریتم های رگرسیون و الگوریتم های مبتنی بر طبقه بندی - الگوریتم های یادگیری تقویتی و الگوریتم های پیش بینی را بررسی کنید

یکی از مفیدترین زمینه ها در یادگیری ماشین، کشف الگوهای پنهان از داده های بدون برچسب است. اصول اولیه این مهارت مورد تقاضا را به جعبه ابزار علم داده خود اضافه کنید. در این دوره، روش‌های یادگیری بدون نظارت منتخب برای کاهش ابعاد، خوشه‌بندی و یادگیری ویژگی‌های نهفته را یاد می‌گیریم. ما همچنین بر برنامه های کاربردی دنیای واقعی مانند سیستم های توصیه کننده با مثال های عملی از الگوریتم های توصیه محصول تمرکز خواهیم کرد. دانش کدنویسی یا برنامه نویسی قبلی مورد نیاز است. ما در طول دوره به طور گسترده از پایتون استفاده خواهیم کرد. مهارت های ریاضی در سطح دانشگاه، از جمله حساب دیفرانسیل و انتگرال و جبر خطی، مورد نیاز است. توصیه می شود، اما نه الزامی، برای گذراندن اولین دوره در تخصص، مقدمه ای بر یادگیری ماشین: یادگیری نظارت شده. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder تصویر لوگوی دوره توسط رایان والاس در Unsplash.

این دوره با تمرکز بر استفاده از فرمول‌های برنامه‌نویسی خطی و صحیح برای حل مسائل الگوریتمی که به دنبال راه‌حل‌های بهینه برای مشکلات ناشی از حوزه‌هایی مانند تخصیص منابع، زمان‌بندی، تخصیص کار، و انواع مسئله فروشنده دوره گرد است، تخصص ساختار داده‌ها و الگوریتم‌های ما را ادامه می‌دهد. . در مرحله بعد، الگوریتم‌هایی را برای مسائل NP-hard مطالعه خواهیم کرد که راه‌حل‌های آن تضمین شده است که در برخی از ضریب‌های تقریبی بهترین راه‌حل‌های ممکن قرار دارند. چنین الگوریتم‌هایی اغلب بسیار کارآمد هستند و محدودیت‌های مفیدی را برای راه‌حل‌های بهینه ارائه می‌کنند. یادگیری توسط یادداشت های ارائه شده توسط مربی، خواندن از کتاب های درسی و تکالیف پشتیبانی می شود. تکالیف شامل سوالات مفهومی چند گزینه ای و همچنین تکالیف حل مسئله است که شامل برنامه نویسی و الگوریتم های تست می شود. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد علوم کامپیوتر (MS-CS) CU Boulder که در پلت فرم Coursera ارائه می شود، گذراند. این مدرک تحصیلات تکمیلی کاملا معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه را ارائه می دهد. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder

 الگوریتم ها یکی از ارکان اساسی در هر برنامه نرم افزاری هستند، زیرا آنها مجموعه ای از دستورالعمل ها را برای انجام یک کار به برنامه ها می دهند. در این دوره کاترین هاج قصد دارد با استفاده از الگوریتم های کارآمد به شما کمک کند تا برنامه های جاوا بهتری ایجاد کنید. او با توضیح اصول اولیه شروع می‌کند، جزئیات اینکه چه چیزی یک الگوریتم معین را موثر می‌سازد و همچنین نحوه ایجاد فرضیات آگاهانه در مورد داده‌های آنها برای ایجاد الگوریتم‌های کارآمدتر شروع می‌کند. او سپس بر چگونگی ایجاد الگوریتم‌هایی که با انواع مختلف داده‌ها، از جمله رشته‌ها و آرایه‌ها کار می‌کنند، و چگونگی استفاده از ساختارهای داده برای کارآمدتر کردن الگوریتم‌ها تمرکز می‌کند. بسیاری از الگوریتم‌ها در زبان جاوا ساخته شده‌اند و کاترین نحوه استفاده از آن‌ها و همچنین نحوه ایجاد الگوریتم‌های سفارشی خود را نشان می‌دهد تا بتوانید دقیقاً به روشی که می‌خواهید با داده‌های خود کار کنید.

این دوره اصول طراحی و تحلیل الگوریتم و همچنین الگوریتم های مرتب سازی آرایه ها، ساختارهای داده مانند صف های اولویت، توابع هش و برنامه هایی مانند فیلترهای بلوم را پوشش می دهد. الگوریتم‌های جستجو، مرتب‌سازی و نمایه‌سازی را می‌توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد علوم داده (MS-DS) CU Boulder در پلتفرم Coursera در نظر گرفت. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید.

در سال 1997، یک کامپیوتر IBM به نام دیپ بلو، گری کاسپاروف، قهرمان شطرنج جهان را پس از یک مسابقه شش بازی شکست داد. در حالی که فناوری هوش مصنوعی از زمان پیروزی دیپ بلو در صفحه شطرنج در اواخر دهه 90 به شیوه‌های هیجان‌انگیز و اغلب انقلابی رشد کرده است، بسیاری از تکنیک‌هایی که آن‌ها به کار می‌برند امروزه نیز مرتبط هستند. در این دوره آموزشی، برخی از این تکنیک‌ها را بررسی کنید، زیرا یاد می‌گیرید چگونه از الگوریتم‌های کلیدی هوش مصنوعی برای ایجاد بازی‌های دو نفره و نوبتی استفاده کنید که به اندازه کافی چالش برانگیز هستند تا بازیکنان را حدس بزند. مربی Eduardo Corpeño استفاده از الگوریتم حداقل برای تصمیم‌گیری، الگوریتم عمیق‌سازی تکراری برای گرفتن بهترین تصمیم ممکن در مهلت مقرر، و هرس آلفا-بتا برای بهبود زمان اجرا را از جمله روش‌های هوشمندانه دیگر پوشش می‌دهد. به علاوه، او به شما این فرصت را می‌دهد که خودتان این تکنیک‌ها را امتحان کنید، در حالی که در توسعه یک بازی تله گربه با استفاده از پایتون قدم می‌گذارد.

در دوره دوم تخصص یادگیری ماشین، شما: • ساخت و آموزش شبکه عصبی با TensorFlow برای انجام طبقه بندی چند کلاسه • بهترین شیوه ها را برای توسعه یادگیری ماشین به کار ببرید تا مدل های شما به داده ها و وظایف در دنیای واقعی تعمیم یابد • ساخت و استفاده از درختان تصمیم و روش های مجموعه درختی، از جمله جنگل های تصادفی و درختان تقویت شده The Machine Learning Specialization یک برنامه آنلاین اساسی است که با همکاری DeepLearning.AI و Stanford Online ایجاد شده است. در این برنامه مبتدی دوستانه، اصول یادگیری ماشینی و نحوه استفاده از این تکنیک ها برای ساخت اپلیکیشن های هوش مصنوعی در دنیای واقعی را خواهید آموخت. این تخصص توسط اندرو انگ، یک آینده‌نگر هوش مصنوعی که تحقیقات انتقادی را در دانشگاه استنفورد و کارهای پیشگامانه در Google Brain، Baidu و Landing.AI برای پیشرفت در زمینه هوش مصنوعی رهبری کرده است، آموزش داده می‌شود. این تخصص 3 دوره ای، نسخه به روز شده و توسعه یافته دوره پیشگام یادگیری ماشین اندرو است که از زمان راه اندازی آن در سال 2012، دارای امتیاز 4.9 از 5 است و بیش از 4.8 میلیون زبان آموز آن را دریافت کرده اند. این مقدمه گسترده ای برای یادگیری ماشین مدرن، از جمله یادگیری نظارت شده (رگرسیون خطی چندگانه، رگرسیون لجستیک، شبکه های عصبی و درختان تصمیم)، یادگیری بدون نظارت (خوشه بندی، کاهش ابعاد، سیستم های توصیه گر) و برخی از بهترین شیوه های مورد استفاده در سیلیکون ارائه می کند. Valley برای نوآوری های هوش مصنوعی و یادگیری ماشین (ارزیابی و تنظیم مدل ها، اتخاذ رویکرد داده محور برای بهبود عملکرد، و موارد دیگر). در پایان این تخصص، شما بر مفاهیم کلیدی نظری تسلط خواهید داشت و دانش عملی برای به کارگیری سریع و قدرتمند یادگیری ماشینی در مسائل چالش برانگیز دنیای واقعی را به دست خواهید آورد. اگر به دنبال ورود به هوش مصنوعی یا ایجاد حرفه ای در یادگیری ماشین هستید، تخصص جدید یادگیری ماشین بهترین مکان برای شروع است.

در این دوره شما: الف) الگوریتم بیزی ساده را درک کنید. ب) الگوریتم ماشین بردار پشتیبان را درک کنید. ج) الگوریتم درخت تصمیم را درک کنید. د) خوشه بندی را درک کنید. لطفاً مطمئن شوید که برنامه نویسی در پایتون راحت هستید و دانش پایه ای از ریاضیات از جمله ضرب ماتریس و احتمال شرطی دارید.

یکی از هیجان انگیزترین جنبه های تجزیه و تحلیل کسب و کار، یافتن الگوها در داده ها با استفاده از الگوریتم های یادگیری ماشین است. در این دوره شما یک پایه مفهومی برای اینکه چرا الگوریتم‌های یادگیری ماشین بسیار مهم هستند و چگونه مدل‌های حاصل از آن الگوریتم‌ها برای یافتن بینش عملی مرتبط با مشکلات تجاری استفاده می‌شوند، به دست خواهید آورد. برخی از الگوریتم‌ها برای پیش‌بینی نتایج عددی استفاده می‌شوند، در حالی که برخی دیگر برای پیش‌بینی طبقه‌بندی یک نتیجه استفاده می‌شوند. الگوریتم های دیگر برای ایجاد گروه های معنی دار از مجموعه ای غنی از داده ها استفاده می شود. پس از اتمام این دوره، شما قادر خواهید بود توضیح دهید که چه زمانی باید از هر الگوریتم استفاده شود. همچنین به شما این فرصت داده می شود که از R و RStudio برای اجرای این الگوریتم ها و برقراری ارتباط نتایج با استفاده از نوت بوک های R استفاده کنید.

تطبیق الگو به شما این امکان را می دهد که اسکریپتی ایجاد کنید که در صورت مطابقت با یک الگوی خاص، بتواند بر روی قطعات داده عمل کند. این امکان اسکریپت اتوماسیون را در فرآیند سیستم فراهم می کند. در این دوره آموزشی، نحوه استفاده از تطبیق الگو در اسکریپت Bash با استفاده از globs، glob های توسعه یافته، گسترش پرانتز و عبارات منظم (regex) را بیاموزید. در طول این دوره، گرنت مک‌ویلیامز تفاوت‌های بین رجکس‌های اصلی و توسعه‌یافته را پوشش می‌دهد و به استفاده از رجکس‌های توسعه‌یافته در دستورات شرطی bash، grep، sed و AWK می‌پردازد.

چارچوب‌هایی مانند Apache Flink می‌توانند به شما کمک کنند تا برنامه‌های پردازش جریانی سریع و مقیاس‌پذیر بسازید، اما مهندسان داده‌های بزرگ هنوز برای دستیابی به حداکثر کارایی باید موارد استفاده هوشمند را طراحی کنند. در این دوره، مربی Kumaran Ponnambalam نحوه استفاده از Apache Flink و فن‌آوری‌های مرتبط را برای ساخت موارد استفاده پردازش جریان با استفاده از الگوهای رایج نشان می‌دهد. کوماران با برجسته کردن فرصت‌ها و چالش‌هایی که پردازش جریانی برای کلان داده‌ها به ارمغان می‌آورد، شروع می‌کند. او سپس به چهار الگوی محبوب برای پردازش جریان می‌پردازد: تجزیه و تحلیل جریان، هشدارها و آستانه‌ها، تابلوهای امتیازات، و پیش‌بینی‌های زمان واقعی. در طول مسیر، او موارد استفاده از نمونه را بررسی می‌کند و نحوه استفاده از Flink و همچنین فناوری‌های کلیدی مانند MariaDB و Redis را برای پیاده‌سازی نمونه‌های کلیدی توضیح می‌دهد.

محبوبیت پردازش جریان به سرعت در حال افزایش است، زیرا هر روز داده های بیشتری توسط وب سایت ها، دستگاه ها و ارتباطات تولید می شود. پلتفرم‌هایی مانند Apache Kafka Streams می‌توانند به شما در ساخت برنامه‌های پردازش جریان سریع و مقیاس‌پذیر کمک کنند، اما مهندسان داده‌های بزرگ هنوز برای دستیابی به حداکثر کارایی نیاز به طراحی موارد استفاده هوشمند دارند. در این دوره آموزشی، در مورد نحوه حل مشکلات پردازش جریان با Kafka Streams در جاوا، به عنوان نحوه ساخت موارد استفاده با الگوهای طراحی محبوب آشنا شوید. برخی از ویژگی‌های مهم Kafka Streams را مرور کنید و چهار الگوی محبوب برای پردازش جریان را کشف کنید: تجزیه و تحلیل جریان، هشدارها و آستانه‌ها، تابلوهای امتیازات، و پیش‌بینی‌های زمان واقعی. در طول مسیر، موارد استفاده از نمونه‌ها را مرور کنید و نحوه استفاده از Kafka Streams و همچنین فناوری‌های کلیدی مانند MariaDB و Redis را برای پیاده‌سازی نمونه‌های کلیدی کشف کنید.

ممکن است شما با مفاهیم اساسی طراحی شی گرا – وراثت، کپسوله سازی، چند شکلی و انتزاع – آشنا باشید، اما مجموعه ای از اصول طراحی سطح بالاتری وجود دارد که می تواند برای ارتقای طراحی شما به سطح بعدی مورد استفاده قرار گیرد. اصول طراحی تصمیمات طراحی شما را برای تولید نرم افزاری که قابل اعتمادتر، انعطاف پذیرتر و قابل نگهداری است راهنمایی می کند. به مربی اریک فریمن بپیوندید تا از مفاهیم استاندارد برنامه نویسی شی گرا فراتر می رود تا شما را با قابل توجه ترین اصول طراحی آشنا کند، از جمله محصور کردن آنچه که متفاوت است، ترجیح دادن ترکیب به ارث، جفت آزاد و اصول SOLID. هر درس شامل مثال هایی است که نشان می دهد چگونه می توان از این اصول برای جلوگیری از اشتباهات پرهزینه طراحی و ایجاد نرم افزار قابل نگهداری تر و با کیفیت بالا استفاده کرد.

برنامه نویسی برنامه های اندروید با جاوا؟ با برخی از محبوب ترین الگوهای طراحی و API برای Android SDK، مهارت های خود را به سطح بعدی ببرید. دیوید گسنر نحوه فراخوانی و پیاده‌سازی روش‌های برگشت به تماس، ذخیره وضعیت‌های نمونه و داده‌های جهانی و بسته‌بندی وظایف ناهمزمان برای ایجاد تجربه کاربری روان در طول تغییرات پیکربندی برنامه را توضیح می‌دهد. به علاوه، نحوه استفاده از بسته‌های جاوا (API) برای ذخیره داده‌ها، خواندن متن، نمایش تصاویر گرافیکی، پخش صدا و کار با اطلاعات حسگرهای دستگاه مانند شتاب‌سنج را بیاموزید.

nn

الگوهای طراحی نوعی الگو برای نوشتن کد با کیفیت ارائه می دهند. دانستن اینکه از کدام الگوی طراحی استفاده کنید در کدام سناریو می تواند چالش برانگیز باشد، اما شما را به یک برنامه نویس جاوا بهتر تبدیل می کند. این دوره به بررسی الگوهای خلاقانه می پردازد، که می تواند به شما در ایجاد اشیاء انعطاف پذیرتر و قابل استفاده مجدد کمک کند. مربی Bethan Palmer پنج الگوی خلقت محبوب - Builder، Singleton، Prototype، Factory Method و Abstract Factory - و همچنین مفاهیمی مانند multithreading، تغییرپذیری و سلسله مراتب را پوشش می دهد. او نمونه هایی از موارد استفاده را همراه با دستورالعمل های اجرایی و نکاتی برای اجتناب از چالش های منحصر به فرد ایجاد شده توسط هر الگو ارائه می دهد. در پایان دوره، شما به دانش و مهارت های لازم برای پیاده سازی هر الگوی طراحی در پروژه های جاوای خود مجهز خواهید شد.