مدل های

AI در حال تغییر محل کار هستند. دانستن آنچه در پشت این مدل ها پیش می رود می تواند به شما در استفاده موثرتر از تکنیک های یادگیری ماشین (ML) کمک کند. در این دوره ، مربی مت هریسون به شما نشان می دهد که چگونه می توانید با استفاده از قدرت زبان برنامه نویسی پایتون ، تسلط بر ضروری یادگیری ماشین را شروع کنید. در طول راه ، مهارت های برنامه نویسی جدید خود را در چالش های تمرین در پایان هر بخش آزمایش کنید.

 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.

 

پیش نیازهای پیشنهادی

• آشنایی کلی با یادگیری ماشینی تحت نظارت
• درک عباراتی مانند متغیر هدف، متغیر ورودی، الگوریتم و پارتیشن قطار/آزمایش

درخت‌های تصمیم شفاف هستند، در هر پلتفرمی در دسترس هستند و برای تکنیک‌های پیشرفته‌تر مانند جنگل‌های تصادفی و XGBoost پایه‌ای هستند. و اگر شما یک دانشمند داده هستید که به دنبال تمرکز بر یادگیری ماشینی هستید، مسلماً موضوع بهتری برای شروع سفر یادگیری شما وجود ندارد. در این دوره، اصول یادگیری ماشینی مربوط به تجزیه و تحلیل پیش بینی و کار با درخت های تصمیم را بیاموزید. در طول مسیر، مربی کیت مک کورمیک با استفاده از پلتفرم KNIME Analytics نمایش هایی ارائه می دهد، بنابراین می توانید نحوه عملکرد این مفاهیم را در سناریوهای دنیای واقعی درک کنید.

 به نظر می رسد هر سال روند داغ جدیدی در علم داده وجود دارد. یکی از داغ‌ترین الگوریتم‌های تحلیل پیش‌بینی‌کننده در سال جاری، درخت‌های تقویت‌شده با گرادیان است. اگر اصول درخت های تصمیم را نفهمید، نمی توان امیدوار بود که بفهمد چرا این روش محبوب و موفق است. محبوبیت الگوریتم‌های درختی خاص افزایش و کاهش یافته است، اما مفاهیم اصلی برای حداقل 30 سال برای این رشته اساسی بوده‌اند. در این دوره، مربی کیت مک کورمیک، نیم دوجین الگوریتم درخت تصمیم گیری محبوب را نشان می دهد و بحث می کند. کیت نحوه دسترسی به آنها را با استفاده از گزینه های منبع باز دیگر از داخل پلت فرم KNIME نشان می دهد. او آنها را توضیح می دهد و آنها را مهندسی معکوس می کند تا پایه ای محکم برای ایجاد مهارت های پیشرفته تری در علم داده ایجاد کند.

یک نوع مشکل کاملاً بر یادگیری ماشین و هوش مصنوعی غالب است: طبقه بندی. طبقه‌بندی باینری، روش غالب، داده‌ها را به یکی از دو دسته طبقه‌بندی می‌کند: خرید یا نه، تقلب یا نه، بیمار یا نه، و غیره. یادگیری ماشینی و راه‌حل‌های مبتنی بر هوش مصنوعی به الگوریتم‌های دقیق و خوب انتخاب شده نیاز دارند تا طبقه‌بندی را به درستی انجام دهند. این دوره توضیح می دهد که چرا پروژه های تجزیه و تحلیل پیش بینی در نهایت مشکلات طبقه بندی هستند و چگونه دانشمندان داده می توانند استراتژی (یا استراتژی) مناسب را برای پروژه های خود انتخاب کنند. مربی کیت مک کورمیک از تکنیک های آمار سنتی و یادگیری ماشینی مدرن استفاده می کند و نقاط قوت و ضعف آنها را آشکار می کند. کیت نحوه تعریف استراتژی طبقه بندی خود را توضیح می دهد و روشن می کند که انتخاب درست اغلب ترکیبی از رویکردها است. سپس، او 11 الگوریتم مختلف را برای ساخت مدل شما نشان می دهد، از تجزیه و تحلیل تفکیک کننده گرفته تا رگرسیون لجستیک و شبکه های عصبی مصنوعی. در نهایت، یاد بگیرید که چگونه بر چالش هایی مانند مقابله با داده های از دست رفته و کاهش داده ها غلبه کنید.\r\n\r\n هیچ نرم افزاری برای پیگیری همراه با دوره مورد نیاز نیست.

با سرویس‌های وب آمازون (AWS) به یادگیری ماشینی عمیق‌تر بپردازید. در این دوره عملی، مربی جاناتان فرناندز به شما کمک می‌کند تا با وظایف رایج یادگیری ماشین آشنا شوید و نحوه نزدیک شدن به هر یک را با استفاده از تکنیک‌های کلیدی نشان می‌دهد: طبقه‌بندی باینری، طبقه‌بندی چند کلاسه و رگرسیون. در طول دوره، او چندین نمونه را با استفاده از مجموعه داده های Kaggle برای کاوش عملی بررسی می کند. به علاوه، او برخی مفاهیم ضروری یادگیری ماشین را بررسی می‌کند و به شما کمک می‌کند تا با سایر قابلیت‌های AWS، از جمله SageMaker و Deep Learning AMI آشنا شوید.

هوش مصنوعی و یادگیری ماشینی در حال تغییر جهان هستند. رایانه‌ها می‌توانند بدون برنامه‌ریزی از داده‌ها «یاد بگیرند» و تصمیمات خودکار و هوشمندانه بگیرند. این فناوری برای کسب‌وکارهای کوچک و بزرگ قابل دسترسی است و تأثیر زیادی بر شیوه بازاریابی شرکت‌ها دارد. با یادگیری ماشین، بازاریابان می‌توانند بسیاری از وظایف را در سفر مشتری، از جمله تقسیم‌بندی مشتری، شخصی‌سازی و حتی قیمت‌گذاری، خودکار کنند. این دوره به افرادی که دارای نقش های فنی، خلاق و رهبری هستند کمک می کند تا بفهمند چگونه یادگیری ماشینی می تواند روش فروش شما به مشتریان B2B و B2C خود را متحول کند. مشاور بازاریابی کریس دالاویلا نشان می دهد که چگونه می توان از یادگیری ماشینی در همه جنبه های بازاریابی، از بهبود تعامل مشتری گرفته تا بهینه سازی بازاریابی مبتنی بر حساب، استفاده کرد. او موارد استفاده عملی را ارائه می‌کند که فناوری را در عمل نشان می‌دهد، و اطلاعات پایه‌ای را که می‌توانید برای بهینه‌سازی همه کمپین‌های خود استفاده کنید، ارائه می‌کند.

 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.

 یک تور از مایکروسافت 365 ، نسخه ابری Microsoft Office دریافت کنید. در این دوره ، به مربی دیوید ریورز بپیوندید زیرا او نحوه دسترسی به حساب M365 خود را نشان می دهد و با برنامه های موجود در نسخه های دسک تاپ و مرورگر کار می کند. دیوید نحوه ایجاد و کار با پرونده ها در OneDrive ، ساخت و نگهداری سایت های SharePoint ، همکاری با تیم ها و موارد دیگر را نشان می دهد. در طول راه ، او همچنین مقدمه ای را به Microsoft 365 Copilot ، مجموعه جدید ویژگی های Premium AI که برای مشترکان M365 به نمایش گذاشته شده است ، ارائه می دهد.

Sublime Text 3 یک ویرایشگر متن و کد نوآورانه برای OS X و Windows با اکوسیستم پر رونق بسته های الحاقی است. اما کشف برخی از بهترین ویژگی های آن دشوار است.\r\n\r\n بیاموزید که چگونه بخش‌هایی از کد را پیدا کرده و جایگزین کنید، موقعیت خود را نشانک‌گذاری کنید، از میانبرهای مفید استفاده کنید، چندین خط کد را به طور همزمان ویرایش کنید، و برخی از کارهای خود را با تکمیل خودکار، قطعه‌ها و ماکروها خودکار کنید. به علاوه، یاد بگیرید که چگونه ظاهر و پیکربندی را تغییر دهید تا Sublime Text برای شما بهترین کار را داشته باشد.

مجازی سازی یک موضوع بسیار مهم برای مدیران فناوری اطلاعات است، زیرا به یک کامپیوتر اجازه می دهد چندین سیستم عامل را اجرا کند و منجر به استفاده کارآمدتر از منابع سخت افزاری می شود.n او با بحث در مورد چند مزیت و چند معایب مجازی‌سازی شروع می‌کند. سپس نحوه استفاده از Microsoft Hyper-V و VMware Workstation را برای ایجاد و نگهداری ماشین های مجازی نشان می دهد. مارتین همچنین توصیه هایی در مورد نحوه انتخاب فناوری های مجازی سازی مناسب برای موقعیت خود و نحوه آماده سازی زیرساخت های فناوری اطلاعات موجود برای سازگاری با مجازی سازی ارائه می دهد. او دوره را با نکاتی برای عیب یابی عملکرد کند، ارتباط شبکه و خطاهای رایج در ماشین مجازی شما به پایان می رساند.

کشف کنید که چگونه می توانید منابع رایگان و عمومی داده ها را در مورد مسائل مختلف کسب و کار، آموزش و سلامت پیدا کنید و داده ها را برای تجزیه و تحلیل خود بارگیری کنید. مربی کرت فرای چندین منبع دولتی ایالات متحده را معرفی می کند - از اداره سرشماری ایالات متحده تا اداره ثبت اختراع و علائم تجاری ایالات متحده - و مجموعه داده های آژانس های بین المللی مانند بانک جهانی و سازمان ملل را بررسی می کند. به علاوه، او به موتورهای جستجوی داده، سرویس‌های وب و حتی منابع زبانی مانند Ngram Viewer برای Google Books می‌پردازد. پس از پایان دادن به این دوره، برای یافتن اطلاعات مورد نیاز برای کمک هزینه تحصیلی و تلاش های تجزیه و تحلیل داده ها، مجهزتر خواهید شد.

 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.

محاسبات بدون سرور به شما امکان می دهد بدون نیاز به مدیریت زیرساخت برنامه ها و خدمات را بسازید و اجرا کنید. این دوره برای متخصصان فناوری اطلاعات که نیاز به کسب دانش اساسی در مورد محاسبات بدون سرور دارند - اینکه چیست و چرا مهم است - و آنچه توسط فناوری‌های محاسباتی بدون سرور مانند AWS Lambda و Azure Functions ارائه می‌شود، هدف‌گذاری شده است. مربی David Linthicum با اصول اولیه شروع می کند: محاسبات بدون سرور چیست و مشکلاتی که می تواند حل کند. او سپس موارد استفاده موثر را برای محاسبات بدون سرور بررسی می‌کند و از طریق نسخه‌های نمایشی هر دو توابع AWS Lambda و Azure اجرا می‌شود.

در قرن بیست و یکم، هیچ کس در اهمیت امنیت سایبری تردید ندارد. مدل سازی تهدید همان جایی است که شروع می شود. مدل‌سازی تهدید چارچوبی برای تفکر در مورد آنچه ممکن است اشتباه باشد، و پایه و اساس هر کاری است که یک متخصص امنیتی انجام می‌دهد. این دوره آموزشی مروری بر چارچوب سنتی چهار سوالی برای (1) تعریف آنچه که روی آن کار می کنید، (2) کشف آنچه ممکن است اشتباه باشد، (3) تصمیم گیری در مورد اینکه چه کاری باید انجام دهید، و (4) اطمینان از شما ارائه می دهد. کارهای درست را به روش های درست برای سیستم هایی که ارائه می کنید انجام داده اید. مربی آدام شوستاک همچنین مدل STRIDE را برای شناسایی شش نوع تهدید بررسی می کند: جعل، دستکاری، انکار، افشای اطلاعات، انکار خدمات، و افزایش امتیاز. با استفاده از یک مطالعه موردی ساده - یک سیستم صورت‌حساب برای سرور رسانه‌ای که تبلیغات را ارائه می‌کند - آدام نحوه اعمال اصول و یافتن مشکلات امنیتی و حریم خصوصی را نشان می‌دهد تا توسعه‌دهنده بتواند پیکربندی‌ها و کنترل‌های مناسب را به عنوان بخشی از طراحی عملیاتی و عرضه بگنجاند.