دنیا و اینترنت پر از اطلاعات متنی است. ما اطلاعات را با استفاده از پرس و جوهای متنی جستجو می کنیم، وب سایت ها، کتاب ها، ایمیل ها را می خوانیم. همه اینها از نقطه نظر علم کامپیوتر رشته هایی هستند. برای درک همه آن اطلاعات و کارآمد کردن جستجو، موتورهای جستجو از الگوریتم های رشته ای زیادی استفاده می کنند. علاوه بر این، حوزه نوظهور پزشکی شخصی از الگوریتم‌های جستجوی بسیاری برای یافتن جهش‌های بیماری‌زا در ژنوم انسان استفاده می‌کند. در این دوره آنلاین، مفاهیم کلیدی تطبیق الگو را خواهید آموخت: سعی، درخت پسوند، آرایه پسوند و حتی تبدیل Burrows-Wheeler.

الگوریتم‌های کارآمد ورودی/خروجی، که به‌عنوان الگوریتم‌های حافظه خارجی یا الگوریتم‌های حافظه پنهان نیز شناخته می‌شوند، دسته‌ای از الگوریتم‌ها هستند که برای پردازش کارآمد داده‌هایی طراحی شده‌اند که خیلی بزرگ هستند و نمی‌توانند به طور کامل در حافظه اصلی (RAM) رایانه جای بگیرند. این الگوریتم‌ها به‌ویژه هنگام برخورد با مجموعه داده‌های عظیم، مانند مواردی که در پردازش داده‌های مقیاس بزرگ، مدیریت پایگاه داده و سیستم‌های فایل یافت می‌شوند، مفید هستند. زمانی که آیتم داده در سلسله مراتب حافظه بالاتر قرار گیرد، عملیات روی داده گران تر می شود. یک عملیات روی داده در رجیسترهای CPU تقریباً یک میلیون بار سریعتر از عملیات روی یک آیتم داده است که در حافظه خارجی قرار دارد و ابتدا باید واکشی شود. این واکشی داده ها را عملیات ورودی/خروجی نیز می نامند و باید در طول طراحی الگوریتم مورد توجه قرار گیرند. هدف از این دوره آشنایی با مفاهیم و تکنیک های الگوریتمی مهم مورد نیاز برای مقابله موثر با چنین مسائلی است. ما با یک سلسله مراتب حافظه ساده کار خواهیم کرد، اما مفاهیم به طور طبیعی به مدل های واقعی تر گسترش می یابد. پیش نیازها: برای گذراندن موفقیت آمیز این دوره، باید از قبل دانش پایه ای از الگوریتم ها و ریاضیات داشته باشید. در اینجا لیست کوتاهی از آنچه باید بدانید آمده است: - O-notation، Ω-notation، Θ-notation; نحوه تجزیه و تحلیل الگوریتم ها - حساب پایه: دستکاری جمع، حل عود، کار با لگاریتم و غیره. - نظریه احتمال پایه: رویدادها، توزیع های احتمال، متغیرهای تصادفی، مقادیر مورد انتظار و غیره. - ساختارهای داده پایه: لیست های پیوندی، پشته ها، صف ها، پشته ها - درختان جستجوی دودویی (متوازن). - الگوریتم های مرتب سازی اولیه، به عنوان مثال MergeSort، InsertionSort، QuickSort - اصطلاحات نمودار، نمایش گراف ها (لیست مجاورت و ماتریس مجاورت)، الگوریتم های اصلی گراف (BFS، DFS، مرتب سازی توپولوژیکی، کوتاه ترین مسیرها) مطالب این دوره بر اساس یادداشت های دوره است که در زیر برگه منابع یافت می شود. ما همه چیز را از یادداشت های دوره پوشش نمی دهیم. یادداشت های دوره هم برای دانش آموزانی که سخنرانی ها را به طور کامل درک نمی کنند و هم برای دانش آموزانی که مایلند عمیق تر در موضوعات غوطه ور شوند وجود دارد. سخنرانی های ویدیویی حاوی چند اشتباه بسیار جزئی است. فهرستی از این اشتباهات را می توان در زیر منابع یافت. اگر فکر می‌کنید خطایی پیدا کرده‌اید، با کلیک کردن روی علامت مربع در پایین سخنرانی یا امتحانی که در آن خطا را پیدا کردید، مشکل را گزارش کنید.

این دوره دو مورد از هفت استراتژی معاملاتی که در بازارهای نوظهور کار می کنند را پوشش می دهد. این هفت شامل استراتژی‌های مبتنی بر حرکت، سقوط حرکت، معکوس شدن قیمت، تداوم درآمد، کیفیت سود، رشد زیربنایی کسب‌وکار، سوگیری‌های رفتاری و تحلیل متنی گزارش‌های تجاری درباره شرکت است. در قسمت اول دوره، نحوه خواندن یک مقاله دانشگاهی را یاد خواهید گرفت. در اینجا به چه قسمت هایی توجه کنیم و چه قسمت هایی را مرور کنیم. برای هر استراتژی، ابتدا با تحقیق اصلی و سپس نحوه اجرای استراتژی آشنا می شوید. اولین استراتژی، امتیاز F Piotroski به تفصیل مورد بحث قرار خواهد گرفت. نحوه محاسبه F - Score و نحوه استفاده از این امتیاز در استراتژی به شما آموزش داده خواهد شد. این با استراتژی بعدی، پس از اعلام درآمد (PEAD) دنبال می شود.

این دوره نتایج آزمون برگشتی را برای همه استراتژی ها در بازارهای توسعه یافته و در حال ظهور ارائه می دهد. همچنین به یادگیرنده روش‌های علمی آزمون‌های برگشتی بدون تسلیم شدن به پیش‌بینی (یا) سوگیری بقا آموزش داده می‌شود. شما روش های مختلف ساخت یک سیستم تست پشتی قوی را برای استراتژی هایی که در دوره قبلی مورد بحث قرار گرفت، یاد خواهید گرفت. به شما آموزش داده می شود که چگونه بین داده کاوی صرف و نتایج بر اساس پایه های تجربی یا نظری محکم تمایز قائل شوید. در ادامه، راه‌ها و روش‌های بک‌آزمایی نتایج و قرار دادن نتایج آزمون برگشتی را در معرض تست‌های استرس خواهید آموخت. پس از آن، روش‌های مختلفی را یاد خواهید گرفت که هزینه‌های تراکنش و سایر اصطکاک‌ها را می‌توان در الگوریتم تست برگشتی گنجاند. در نهایت، تکنیک‌هایی برای اندازه‌گیری عملکرد استراتژی‌ها و مفهوم بازده تعدیل‌شده ریسک را یاد خواهید گرفت. شما از برخی از معیارهای معروف برای بازده تعدیل شده ریسک مانند نسبت شارپ، نسبت ترینور و آلفای جنسون استفاده خواهید کرد. خواهید دید که چگونه یک معیار مناسب برای صندوق پیشنهادی انتخاب کنید.

الگوریتم‌های هندسی دسته‌ای از روش‌های محاسباتی هستند که برای حل مسائل مربوط به اشکال هندسی و ویژگی‌های آنها استفاده می‌شوند. این الگوریتم ها با اشیایی مانند نقاط، خطوط، چندضلعی ها و سایر اشکال هندسی سروکار دارند. در بسیاری از زمینه‌های علوم کامپیوتر مانند رباتیک، گرافیک کامپیوتری، واقعیت مجازی و سیستم‌های اطلاعات جغرافیایی، ذخیره، تجزیه و تحلیل و ایجاد یا دستکاری داده‌های مکانی ضروری است. این دوره به جنبه های الگوریتمی این وظایف می پردازد: ما تکنیک ها و مفاهیم مورد نیاز برای طراحی و تجزیه و تحلیل الگوریتم های هندسی و ساختارهای داده را مطالعه می کنیم. هر تکنیک و مفهوم بر اساس مشکلی که در یکی از زمینه های کاربردی ذکر شده در بالا ایجاد می شود، نشان داده می شود. اهداف: در پایان این دوره شرکت کنندگان باید بتوانند - تصمیم بگیرید که از کدام الگوریتم یا ساختار داده برای حل یک مسئله هندسی اساسی استفاده کنید. - تجزیه و تحلیل مسائل جدید و ارائه راه حل های کارآمد خود با استفاده از مفاهیم و تکنیک های دوره. پیش نیازها: برای گذراندن موفقیت آمیز این دوره، باید از قبل دانش پایه ای از الگوریتم ها و ریاضیات داشته باشید. در اینجا لیست کوتاهی از آنچه باید بدانید آمده است: - O-notation، Ω-notation، Θ-notation; نحوه تجزیه و تحلیل الگوریتم ها - حساب پایه: دستکاری جمع، حل عود، کار با لگاریتم و غیره. - نظریه احتمال پایه: رویدادها، توزیع های احتمال، متغیرهای تصادفی، مقادیر مورد انتظار و غیره. - ساختارهای داده پایه: لیست های پیوندی، درخت های جستجوی باینری و غیره. - اصطلاحات نمودار - مهارت های برنامه نویسی برای تکالیف عملی بیشتر مطالب این دوره بر اساس کتاب زیر است: M. de Berg، O. Cheong، M. van Kreveld و M. Overmars. هندسه محاسباتی: الگوریتم ها و کاربردها (ویرایش سوم). Springer-Verlag، 2008. خرید این کتاب اجباری نیست. با این حال، اگر شرکت‌کنندگان می‌خواهند بیشتر از آنچه در این دوره ارائه می‌شود بدانند یا می‌خواهند نگاهی دوباره به مطالب مطرح شده در سخنرانی‌ها داشته باشند، خرید این کتاب را توصیه می‌کنیم. سخنرانی های ویدیویی حاوی چند اشتباه بسیار جزئی است. فهرستی از این اشتباهات را می توان در زیر منابع یافت. اگر فکر می‌کنید خطایی پیدا کرده‌اید، با کلیک کردن روی علامت مربع در پایین سخنرانی یا امتحانی که در آن خطا را پیدا کردید، مشکل را گزارش 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.

این دوره شما را از درک اصول یک پروژه یادگیری ماشینی راهنمایی می کند. یادگیرندگان تکنیک های یادگیری نظارت شده را در مطالعات موردی واقعی برای تجزیه و تحلیل سناریوهای موردی تجاری که در آن درخت های تصمیم گیری، k-نزدیک ترین همسایه ها و ماشین های بردار پشتیبان به طور بهینه استفاده می شوند، درک کرده و اجرا خواهند کرد. فراگیران همچنین مهارت هایی را برای مقابله با پیامدهای عملی مراحل مختلف آماده سازی داده ها و توصیف مسائل رایج تولید در ML کاربردی به دست خواهند آورد. برای موفقیت، باید حداقل پیش زمینه سطح مبتدی در برنامه نویسی پایتون داشته باشید (به عنوان مثال، بتوانید کدهای موجود را بخوانید و کدنویسی کنید، با شرطی ها، حلقه ها، متغیرها، لیست ها، دیکشنری ها و آرایه ها راحت باشید). شما باید درک اولیه ای از جبر خطی (نماد برداری) و آمار (توزیع احتمال و میانگین / میانه / حالت) داشته باشید. این دومین دوره از تخصص یادگیری ماشین کاربردی است که توسط Coursera و موسسه هوش ماشین آلبرتا برای شما آورده شده است.

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.

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 رفتاری می پردازد، که می تواند به شما کمک کند تا جریان پیچیده برنامه ها را انتزاعی کنید و بر تعاملات بین اشیا تمرکز کنید. مربی Bethan Palmer نشان می دهد که چگونه از شش الگوی طراحی رفتاری محبوب استفاده کنید - Chain of Responsibility، Command، Interpreter، Iterator، Mediator و Memento - برای نوشتن کد جاوا بهتر و قابل نگهداری تر. 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. هر فصل شامل یک چالش برای تمرین مهارت های جدید شماست. در پایان دوره، شما به دانش لازم برای پیاده سازی الگوهای طراحی رفتاری در پروژه های جاوا خود مجهز خواهید شد.

الگوهای طراحی رفتاری می توانند به شما کمک کنند تا کد جاوا خود را به سطح بعدی ببرید. به مربی Bethan Palmer بپیوندید تا شما را از طریق الگوهای طراحی زیر راهنمایی کند، با چالش‌هایی برای بررسی درک شما از هر یک: مشاهده‌گر، وضعیت، استراتژی، روش الگو، و بازدیدکننده. در مورد الگوی Observer بیاموزید، که تضمین می کند وابستگی های یک شی در هنگام تغییر حالت مطلع می شود. الگوی State را کشف کنید، که به یک شی اجازه می دهد رفتار خود را زمانی که حالت داخلی تغییر می کند تغییر دهد، و می تواند برای جلوگیری از عبارات سوئیچ بزرگ و تکراری استفاده شود. بررسی کنید که چگونه الگوی استراتژی به شما امکان می‌دهد خانواده‌ای از الگوریتم‌های قابل تعویض ایجاد کنید، چگونه الگوی روش الگو به شما امکان می‌دهد تا مراحل یک الگوریتم را بدون تغییر ساختار آن دوباره تعریف کنید، و موارد دیگر. در طول مسیر، Bethan نحوه پیاده‌سازی هر الگوی طراحی را در موقعیت‌های واقعی نشان می‌دهد.

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 ساختاری می پردازد، که می تواند به شما در شناسایی روابط و سازماندهی کد در ساختارهای بزرگتر کمک کند. مربی Bethan Palmer نشان می دهد که چگونه می توان از هفت الگوی طراحی سازه معروف - آداپتور، پل، کامپوزیت، دکوراتور، نما، Flyweight و Proxy- برای نوشتن کد جاوا بهتر و قابل نگهداری تر استفاده کرد. 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. هر فصل شامل یک چالش برای تمرین مهارت های جدید شماست. در پایان دوره، شما به دانش لازم برای پیاده سازی الگوهای طراحی ساختاری در پروژه های جاوا خود مجهز خواهید شد.

 چگونه مأمورین باید در ابر مستقر شوند؟ چگونه باید عوامل دارای LLM چندین طراحی شوند؟ بهترین راهها برای بهینه سازی اشتراک داده های حالت ، تعادل بار کار و عملکرد راه حل چیست؟ و ، چگونه می توان راه حل های عامل را در هنگام تعامل با خدمات خارجی و ابزارهایی که می توانند غیرقابل اعتماد باشند ، مقاومت کنند؟ این و بسیاری از مباحث دیگر ، تحت پوشش Top Voice Linkedin و نویسنده پرفروش توماس ERL قرار دارد ، در این دوره مجموعه متنوعی از الگوهای طراحی را که به سمت راه حل های AI AIA در ابرها و همچنین محیط های داخلی و در محل قرار دارد ، ارائه می دهد. علاوه بر طیف وسیعی از تکنیک های طراحی محور ، این دوره همچنین شیوه های مدیریت و مشاهده عامل ، از جمله ردیابی فعالیت عامل ، اجرای سیاست و بهینه سازی هزینه LLM را تشریح می کند.