به مدل سازی پیش بینی، برازش مدل و تحلیل رگرسیون خوش آمدید. در این دوره، رویکردهای مختلف در مدل‌سازی پیش‌بینی‌کننده را بررسی می‌کنیم و در مورد اینکه چگونه یک مدل می‌تواند تحت نظارت یا بدون نظارت باشد، بحث خواهیم کرد. ما بررسی خواهیم کرد که چگونه یک مدل را می توان برازش داد، آموزش داد و امتیاز داد تا در داده های تاریخی و آینده در تلاش برای رسیدگی به اهداف تجاری اعمال شود. در نهایت، این دوره شامل یک فعالیت عملی برای توسعه یک مدل رگرسیون خطی است.

STRIDE یک چارچوب مدل‌سازی تهدید محبوب است که به متخصصان امنیتی و توسعه‌دهندگان نرم‌افزار کمک می‌کند تا به طور استراتژیک در مورد ریسک فکر کنند. این دوره به I in STRIDE می پردازد که مخفف افشای اطلاعات است. می‌توانید نحوه حفظ محرمانه بودن داده‌ها، اسرار و سایر اطلاعاتی که ذخیره می‌کنید، و سیاست‌هایی را که باید برای اشتراک‌گذاری ایمن آن اطلاعات اعمال کنید، یاد بگیرید. موضوعات شامل مدل‌های کلاسیک مانند داده‌ها در حالت استراحت و داده‌های در حال حرکت و همچنین افشای اطلاعات در فرآیندها و افشای اطلاعات در فناوری‌های خاصی مانند ابر، اینترنت اشیا و موبایل، و هوش مصنوعی و یادگیری ماشینی است. متخصص آدام شوستاک همچنین عوارض جانبی محاسبات، اثرات فیزیکی CPUها و دفاعی را که می توانید در سازمان خود برای مدیریت ابرداده ها، اسرار و سایر اطلاعات حساس اعمال کنید، بررسی می کند.

 در این قسمت از سری مدلسازی تهدید آدام شوستاک که چارچوب مدل‌سازی تهدید STRIDE را پوشش می‌دهد، آدام به بخش‌های D و E چارچوب می‌پردازد: محرومیت از خدمات و ارتقای امتیاز. برای هر دو تهدید، آدام عمیقاً به دو سؤال اصلی می پردازد: "چه چیزی ممکن است اشتباه شود؟" و "ما قرار است در مورد آن چه کار کنیم؟" او اهداف بسیاری از حملات انکار سرویس مانند ذخیره سازی، حافظه، پهنای باند CPU و بودجه را شرح می دهد. آدام توضیح می دهد که چگونه elevation of-privilege اساساً در هر کد در حال اجرا وجود دارد. سپس روش‌های ساختاریافته را برای اطمینان از اینکه سیستم‌های شما در برابر انواع مختلف حملات DoS و حملات افزایش امتیاز مقاوم هستند، بررسی می‌کند. این حملات بر تمامی انواع سیستم‌ها تأثیر می‌گذارد و داشتن درک درستی از نحوه کار و نحوه مبارزه با آنها بخش‌های اساسی یک رویکرد جامع به امنیت سایبری است.

انکار - مرحله سوم در چارچوب مدل‌سازی تهدید STRIDE - شامل پذیرش یا انکار مسئولیت است. در مورد سرقت هویت، زمانی که قربانیان دخالت در اتهاماتی را که توسط مجرم مطرح می شود انکار می کنند، انکار به میان می آید. این تهدیدها بر انواع سیستم‌ها تأثیر می‌گذارند و متخصصان امنیتی و توسعه‌دهندگان باید بدانند که چگونه کار می‌کنند و چگونه می‌توانند اطمینان حاصل کنند که سیستم‌هایشان دفاع‌هایی را ارائه می‌کنند که دقیقاً مسئولیت را نشان می‌دهد. آدام شوستاک در این قسمت از مجموعه مدل سازی تهدید خود، به بررسی موضوع انکار می پردازد. با استفاده از مثال‌های عملی، آدام موضوعات کلاهبرداری، سرقت هویت، حملات به لاگ‌ها و انکار را در فناوری‌های خاصی مانند بلاک چین و ابر پوشش می‌دهد.

مدل‌سازی تهدید چارچوبی برای تفکر در مورد آنچه اشتباه است. متخصصان امنیت و توسعه دهندگان نرم افزار باید مدل تهدید را در اوایل حرفه خود یاد بگیرند، زیرا هر سیستمی را که می سازند و دفاع می کنند شکل می دهد. جعل کردن، وانمود کردن به کسی یا چیزی که نیستید، یکی از تهدیدهای کلیدی برای سیستم ها است. این دوره به شما بسیاری از روش‌های جعل، از جمله جعل افراد، ماشین‌ها، سیستم‌های فایل و فرآیندها را به شما آموزش می‌دهد. همانطور که مربی آدام شوستاک توضیح می دهد، جعل مستلزم عوامل بسیاری است: آنچه می دانید، کی هستید، کجا هستید، چه کسی را می شناسید، و موارد دیگر. جعل افراد و جعل نقش ها، جعل فرآیندها یا فضاهای فایل در یک سیستم، و جعل هویت ماشین، IP، نام و TLS وجود دارد. یادگیری نحوه و مکان این حملات به شما کمک می کند تا در حرفه خود پیشرفت کنید و محصولات و خدمات ایمن تر ارائه دهید.

مدل‌سازی تهدید به متخصصان امنیتی و توسعه‌دهندگان نرم‌افزار اجازه می‌دهد تا به طور فعالانه به موارد اجتناب‌ناپذیر - هکرها در تلاش برای به خطر انداختن یک سیستم - در اوایل چرخه عمر پروژه رسیدگی کنند. در این دوره، آدام شوستاک دستکاری، مرحله دوم در چارچوب مدل‌سازی تهدید STRIDE را پوشش می‌دهد. دستکاری می تواند یکپارچگی انواع سیستم ها و ابزارها، از دیباگرها تا ذخیره سازی Iocal را به خطر بیندازد. در طول این دوره، آدام نحوه عملکرد تهدیدهای دستکاری مختلف و همچنین آنچه می توانید در مورد آنها انجام دهید را توضیح می دهد. بیاموزید که چگونه مهاجمان می توانند کتابخانه ها، دستگاه های اینترنت اشیا، سرویس های ابری و موارد دیگر را دستکاری کنند.

 دسک تاپ Power BI ایجاد مدل های اصلی داده را آسان می کند. اما اگر نیاز به گزارش در طول دوره زمانی دارید-به عنوان مثال ، رشد سالانه را تجسم کنید یا فروش یا سایر داده ها را به صورت ماه یا چهارم مقایسه کنید-شما به بیان داده ها نیاز دارید (DAX). DAX زبانی است که می توانید برای ایجاد فرمول برای Power BI که مدل داده شما را گسترش می دهد ، استفاده کنید. در این دوره ، جینی فون کورتر ملزومات کار با DAX را پوشش می دهد و بهترین شیوه ها را برای طراحی مدل داده و بهینه سازی در طول مسیر به اشتراک می گذارد. بیاموزید که چگونه با توابع DAX کل کار کنید ، ستون های محاسبه شده را اضافه کنید ، اقدامات ایجاد کنید و با عملکردهای منطقی و فیلتر DAX کار کنید.

Power BI Desktop ایجاد مدل های داده پایه را آسان می کند. اما اگر نیاز به گزارش در دوره‌های زمانی دارید - برای مثال، رشد سال به سال را تجسم کنید یا فروش یا سایر داده‌ها را بر اساس ماه یا سه ماهه مقایسه کنید - به عبارات تحلیل داده (DAX) نیاز دارید. DAX زبانی است که می توانید از آن برای ایجاد فرمول هایی برای Power BI استفاده کنید که مدل داده شما را گسترش می دهد. در این دوره، Gini von Courter اصول کار با DAX، به اشتراک گذاری بهترین روش ها برای طراحی مدل داده و بهینه سازی در طول مسیر را پوشش می دهد. نحوه کار با توابع جمع DAX، اضافه کردن ستون های محاسبه شده، ایجاد اندازه گیری و کار با توابع منطقی و فیلتر DAX را بیاموزید.

مدل سازی در AWS سومین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. تمرکز اصلی این دوره آموزش مدل های یادگیری ماشین با تجزیه و تحلیل مفاهیم مدل سازی در AWS است. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره با سخنرانی‌های ویدئویی تقریباً 1:30 ساعت تا 2:00 ساعت که دانش تئوری و دستی را ارائه می‌کند، زبان‌آموزان را تسهیل 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: مدل سازی و آموزش مدل های یادگیری ماشین در AWS ماژول 2: مدل های یادگیری ماشین: ارزیابی عملکرد و تنظیم در پایان این دوره، فراگیران قادر خواهند بود: 1. تجزیه و تحلیل مفاهیم مدل سازی و آموزش مدل های یادگیری ماشین 2. عملکرد مدل های یادگیری ماشین را بررسی کنید 3. با آموزش یک مدل، تنظیم خودکار مدل را پیاده سازی کنید

این دوره بر یکی از مهمترین ابزارها در زرادخانه تجزیه و تحلیل داده شما تمرکز دارد: تجزیه و تحلیل رگرسیون. با استفاده از SAS یا Python، با رگرسیون خطی شروع می‌کنید و سپس یاد می‌گیرید که چگونه وقتی دو متغیر رابطه خطی واضحی ندارند، سازگار شوید. شما چندین پیش بینی کننده نتیجه خود را بررسی خواهید کرد و قادر خواهید بود متغیرهای گیج کننده را شناسایی کنید، که می تواند داستان قانع کننده تری در مورد نتایج شما بیان کند. شما با مفروضات زیربنایی تحلیل رگرسیون، نحوه تفسیر ضرایب رگرسیون، و نحوه استفاده از نمودارهای تشخیصی رگرسیون و سایر ابزارها برای ارزیابی کیفیت مدل رگرسیون خود آشنا خواهید شد. در طول دوره، مدل‌های رگرسیونی را که ایجاد کرده‌اید و داستان‌هایی که به شما می‌گویند را با دیگران به اشتراک می‌گذارید.

در این دوره شما یاد می گیرید که مدل هایی را بسازید، اصلاح کنید، برون یابی کنید، و در برخی موارد، مدل هایی را که برای یک سری متوالی طراحی شده اند، تفسیر کنید. سه رویکرد مدلسازی ارائه شده است. رویکرد سنتی، باکس جنکینز برای مدل‌سازی سری‌های زمانی در بخش اول دوره پوشش داده شده است. این ارائه دانش‌آموزان را از مدل‌های داده‌های ثابت یا ARMA به مدل‌های روند و فصلی، ARIMA منتقل می‌کند و با اطلاعاتی در مورد مشخص کردن اجزای تابع انتقال در یک مدل ARIMAX یا رگرسیون سری زمانی به پایان می‌رسد. رویکرد بیزی برای مدل‌سازی سری‌های زمانی بعدی در نظر گرفته می‌شود. چارچوب بیزی پایه برای تطبیق تغییرات خودرگرسیون در داده ها و همچنین اثرات متغیر ورودی پویا گسترش یافته است. الگوریتم های یادگیری ماشین برای سری های زمانی رویکرد سوم است. تقویت گرادیان و الگوریتم های شبکه عصبی مکرر به ویژه برای تطبیق روابط غیرخطی در داده ها مناسب هستند. مثال هایی برای ایجاد شهود در استفاده موثر از این الگوریتم ها ارائه شده است. این دوره با در نظر گرفتن اینکه چگونه می توان با ترکیب نقاط قوت رویکردهای مختلف، دقت پیش بینی را بهبود بخشید، به پایان می رسد. درس آخر شامل نمایش هایی در مورد ایجاد پیش بینی های مدل ترکیبی (یا مجموعه ای) و ترکیبی است. این دوره برای تحلیلگرانی که علاقه مند به تقویت مهارت های یادگیری ماشینی خود با ابزارهای تجزیه و تحلیل مناسب برای سنجش، اصلاح، مدل سازی، پیش بینی و مدیریت داده هایی هستند که متشکل از متغیرهایی هستند که در طول زمان جمع آوری می شوند، مناسب است. در این دوره از ابزارهای نرم افزاری مختلف استفاده می شود. آشنایی با Base SAS، SAS/ETS، SAS/STAT و SAS Visual Forecasting و همچنین ابزارهای منبع باز برای پردازش و مدل‌سازی متوالی داده‌ها مفید است اما لازم نیست. درس‌های تحلیل بیزی و مدل‌های یادگیری ماشین، دانش قبلی از این موضوعات را فرض می‌کنند. یکی از راه‌هایی که دانش‌آموزان می‌توانند این پیش‌زمینه را کسب کنند، تکمیل این دوره‌های آموزشی SAS است: تحلیل‌های بیزی با استفاده از SAS و یادگیری ماشین با استفاده از SAS Viya.

یاد بگیرید که فرآیندهای کسب و کار را با استفاده از نمودارهای تخصصی ضبط و بهینه کنید. بینش های حاصل از مصاحبه با سهامداران و تجزیه و تحلیل اسناد را به مدل های مختصر و دقیق تبدیل کنید. نمادهای مختلف را درک کنید و بهترین را برای نیاز خود انتخاب کنید. این دوره جامع شناسایی فرآیند، ثبت، مستندسازی و تطبیق مدل‌ها را برای مخاطبان مختلف پوشش می‌دهد. ایده آل برای تحلیلگران فرآیند، تحلیلگران کسب و کار، معماران راه حل، طراحان خدمات و UX، و هر کسی که علاقه مند به مدل سازی فرآیند کسب و کار است. هیچ پیش زمینه خاصی مورد نیاز نیست. درک اولیه از فرآیندهای کسب و کار و علاقه به بهینه سازی و مدل سازی سودمند است.

 زبان Wolfram شامل مجموعه کاملی از فرآیندهای تصادفی و توزیع‌های آماری است که می‌تواند با طیف وسیعی از پدیده‌های بازار تطبیق داده شود. این دوره با توضیح مدل‌سازی قیمت سهام، پرتفوی، بازده شاخص، اوراق قرضه، قیمت اختیار معامله، نرخ ارز و ریسک مشروط با استفاده از فرآیندهای تصادفی مانند فرآیند ARCH، سری‌های زمانی با ارزش برداری، مدل ARMA، مدل چن، این موضوع را نشان می‌دهد. فرآیند ایتو و انتشار پرش مرتون. نحوه دسترسی به داده های مالی از پایگاه دانش Wolfram، صاف کردن و تبدیل داده ها، ساخت مدل هایی برای بررسی قیمت سهام و بازده، آزمایش انواع مختلف مدل ها، بررسی الگوهای توزیع قیمت ها و بازده ها و موارد دیگر را بیاموزید.

با استفاده از استراتژی "مدل سازی اسکلت" و SOLIDWORKS، مهارت های طراحی مونتاژ از بالا به پایین یا درون زمینه خود را بهبود بخشید. در این دوره، Leon van den Heever نحوه ایجاد مدلی از کابینت را نشان می دهد که به طور خودکار اندازه اجزای آن را بر اساس ساختار اسکلت بیرونی تغییر می دهد. این پروژه شروع تا پایان به شما کمک می کند تا مهارت های طراحی مونتاژ خود را تمرین کنید و بر ابزارهای مدل سازی چشمگیر در SOLIDWORKS تسلط پیدا کنید.

گزارش‌های مالی فقط خلاصه‌ای از گذشته نیستند، بلکه شامل پیش‌بینی‌هایی برای آینده نیز می‌شوند. در واقع، بیشتر موسسات مالی بیشتر به عملکرد آینده علاقه مند هستند تا روندهای تاریخی. بانک ها می خواهند جریان نقدی آینده شما را بدانند. سرمایه گذاران می خواهند از سودهای آتی بدانند. در این دوره، Jim and Kay Stice نحوه ایجاد صورت های مالی پیش بینی شده برای شرکت خود را توضیح می دهد. یاد بگیرید که چگونه از داده های گذشته مانند بهای تمام شده کالاهای فروخته شده، هزینه های استهلاک، و سطوح موجودی استفاده کنید و بفهمید که چه چیزی باعث شده این اعداد در طول زمان نوسان کنند. سپس می توانید یاد بگیرید که چگونه از اطلاعات به عنوان مبنایی برای پیش بینی استفاده کنید، با استفاده از یک معادله ساده اما قدرتمند: دارایی = بدهی + حقوق صاحبان سهام. شما تمرین عملی ساختن سه سند مختلف را انجام می دهید: صورت سود پیش بینی شده، ترازنامه پیش بینی شده و صورت جریان نقدی پیش بینی شده. در طول دوره، جیم و کی از موارد تجاری معروف - مانند بحران جریان نقدی Home Depot در سال 1985 - برای نشان دادن اهمیت پیش بینی های مالی دقیق و تأثیر آنها بر تصمیمات تجاری استفاده می کنند.

تکنیک های تولید برای مدل سازی سطح سخت یک موتور سیکلت واقعی را در بلندر بیاموزید. نویسنده دارین لیل شما را در فرآیند ایجاد یک پسر چاق هارلی دیویدسون با مقیاس و نسبت های مناسب راهنمایی می کند. این تکنیک‌ها را می‌توان برای تکرار هر وسیله نقلیه یا قطعات ماشین‌کاری شده توسط انسان در Blender استفاده کرد.\r\n\r\n سپس موتورسیکلت را تکه تکه می سازد و لوله های اگزوز، گلگیرها، فرمان، اجزای موتور و ترمزها را ایجاد می کند. این درس ها از ابزار Path و اصلاح کننده هایی مانند Solidify و Booleans استفاده می کنند. در نهایت، Darrin از موتور رندر Blender's Cycles برای ایجاد مواد و نورپردازی برای صحنه استفاده می کند و UV بافت ها را به قطعات کلیدی دوچرخه نگاشت می کند. در پایان، شما درک بیشتری از ابزارهای مدل سازی بلندر و فرآیندهای تولید خواهید داشت تا بتوانید وسایل نقلیه و سایر پروژه های سطح سخت خود را ایجاد کنید.

به لئون ون دن هیور بپیوندید تا برخی از اجزای اصلی موتور موتور سیکلت را مدل‌سازی کند - یک مثال آموزشی که به شما کمک می‌کند ابزارها و تکنیک‌های به کار رفته در یک پروژه طراحی خودرو SOLIDWORKS معمولی را تسلط پیدا کنید. در اینجا با بسیاری از ابزارهای SOLIDWORKS از جمله معادلات و پیکربندی‌ها آشنا می‌شوید و یاد می‌گیرید که چگونه برخی از ویژگی‌های ابزار موجود می‌توانند قدرت خود را افزایش دهند. همانطور که لئون طراحی می کند و چرخ لنگر را می سازد، همراه باشید. میله های اتصال، شیر، پیستون ها و چرخ دنده ها را متصل می کند. و اجزاء را در یک مجموعه از پایین به بالا به هم می کشد.

rnrn SOLIDWORKS 2014 Essential Training را بررسی کنید.

این MOOC دانش اساسی در مورد چالش‌های اصلی در مدل‌سازی انتقال انرژی در هر دو سطح جهانی و منطقه‌ای و همچنین ابزارهای بوم‌شناسی صنعتی برای اندازه‌گیری اثرات مرتبط را به همراهان ارائه می‌دهد. این دوره با پوشش حسابداری ملی انرژی و تعریف یک سیستم انرژی مرجع آغاز می شود و به دنبال آن مقدمه ای بر مدل سازی برای برنامه ریزی انرژی از طریق برنامه ریزی خطی ارائه می شود. شرکت کنندگان با استفاده از Excel به تمرین عملی خواهند پرداخت. علاوه بر این، اصول تجزیه و تحلیل سناریو برای کمک به شرکت کنندگان در بحث عاقلانه در مورد نتایج مطالعات موردی عملی ارائه شده است. در مرحله بعد، این دوره حسابداری اقتصادی ملی و استفاده از جداول ورودی و خروجی پولی را برای کاربردهای ملی و چند منطقه ای، مانند محاسبه ردپای کربن، پوشش می دهد. شرکت‌کنندگان همچنین در مورد مدل تولید و تاثیر Leontief که از طریق یک جلسه عملی دیگر مبتنی بر اکسل نشان داده می‌شود، یاد خواهند گرفت. در نهایت، دانش آموزان با استفاده از MARIO، یک ابزار منبع باز داخلی و مبتنی بر پایتون برای مطالعات ارزیابی تاثیر منطقه ای و چند منطقه ای بر اساس تحلیل ورودی-خروجی آشنا می شوند. تا پایان MOOC، شرکت کنندگان دانش پایه قوی برای نزدیک شدن علمی به انتقال انرژی جهانی به دست خواهند آورد. آنها قادر خواهند بود جداول ملی حسابداری اقتصادی و انرژی را درک و تفسیر کنند، و همچنین ابزارهای خاصی را که آزادانه در دسترس هستند برای برنامه ریزی مداخلات انرژی و ارزیابی تأثیرات آنها به کار گیرند.

این دوره اصول مدل‌سازی و شبیه‌سازی سیستم‌های مکاترونیک مدرن را ارائه می‌دهد که سیستم‌های مکانیکی یکپارچه با چندین نوع حسگر و محرک هستند. هدف از این دوره نشان دادن متدولوژی های مختلف برای بهبود پتانسیل سیستم های مکانیکی با تبدیل آنها به سیستم های مکاترونیک مبتنی بر مدل های مجازی است. به طور خاص، دروس بر روی مطالعات موردی در سه زمینه مهندسی متمرکز خواهد شد: رباتیک، محرک های الکترو هیدرولیک کنترل شده و دستگاه های هوشمند.

این دوره همچنین می تواند برای اعتبار آکادمیک به عنوان ECEA 5705، بخشی از مدرک کارشناسی ارشد علوم CU Boulder در مهندسی برق، گذرانده شود. این دوره شماره 1 در توالی دوره مدلسازی و کنترل الکترونیک قدرت است. این دوره بر روی مدل‌سازی و کنترل عملی مبدل‌های توان حالت سوئیچ مدوله‌شده با عرض پالس با استفاده از ابزارهای تحلیلی و شبیه‌سازی در حوزه‌های زمان و فرکانس متمرکز شده است. یک تکنیک تحلیل طراحی گرا که به عنوان قضیه بازخورد میدلبروک شناخته می شود، معرفی شده و برای تجزیه و تحلیل و طراحی تنظیم کننده های ولتاژ و دیگر مدارهای بازخورد استفاده می شود. علاوه بر این، نشان داده شده است که چگونه میانگین مداری و تکنیک‌های مدل‌سازی سوئیچ میانگین منجر به مدل‌های میانگین مبدل مناسب برای تحلیل دستی، تحلیل به کمک کامپیوتر و شبیه‌سازی مبدل‌ها می‌شود. پس از اتمام این دوره، دانشجو قادر خواهد بود تا با استفاده از تکنیک های تحلیلی و شبیه سازی، طراحی حلقه های کنترلی با کارایی بالا را در اطراف مبدل های قدرت سوئیچ شده تمرین کند. ما قویاً به دانشجویان توصیه می کنیم قبل از ثبت نام در این دوره، تخصص CU Boulder Power Electronics را تکمیل کنند (شماره دوره های ارائه شده برای دانش آموزان در برنامه MS-EE CU Boulder): ● مقدمه ای بر الکترونیک قدرت (ECEA 5700) ● مدارهای مبدل (ECEA 5701) ● کنترل مبدل (ECEA 5702) پس از اتمام این دوره، شما قادر خواهید بود: ● نحوه عملکرد و مدل سازی مبدل های برق حالت سوئیچ را توضیح دهید ● توابع انتقال حلقه باز و پاسخ های فرکانس را مدل کنید ● مبدل های قدرت با تنظیم حلقه بسته را طراحی کنید ● عملکرد مبدل های قدرت حالت سوئیچ شده را با شبیه سازی بررسی کنید ● اصول قضیه بازخورد را درک کنید ● قضیه بازخورد را در نمونه های طراحی عملی اعمال کنید ● مدل های سوئیچ متوسط ​​و مدل های مدار متوسط ​​مبدل های قدرت را استخراج کنید ● تکنیک‌های مدل‌سازی سوئیچ متوسط ​​را برای تحلیل و طراحی و شبیه‌سازی مبدل‌های قدرت اعمال کنید