حجم باورنکردنی از داده های متنی بدون ساختار هر روز توسط رسانه های اجتماعی، صفحات وب و انواع منابع دیگر تولید می شود. اما بدون توانایی رام کردن و استفاده از آن داده ها، نمی توانید ارزشی از آن بدست آورید. در این دوره آموزشی، یاد بگیرید که چگونه داده های متنی آشفته را با استفاده از پایتون به بینش های قدرتمند تبدیل کنید. مربی درک جدامسکی شروع می کندn سپس به موضوعات پیچیده تری مانند word2vec، doc2vec و شبکه های عصبی تکراری می پردازد. برای پایان دادن به دوره، او این مفاهیم را با استفاده از آنها در یک مشکل یادگیری ماشینی، زمینه ای واقعی می دهد.

 هوش مصنوعی و یادگیری ماشین دیگر رویای دور نیستند. در سرتاسر جهان، شرکت‌ها به فناوری‌های ابری مانند Azure روی می‌آورند تا گردش‌های کاری حیاتی را به صورت خودکار انجام دهند. در این دوره آموزشی، مربی امیلیو ملو مهمترین مهارت ها و اصول یادگیری ماشینی در Azure را بررسی می کند تا شما را برای دومین دامنه آزمون گواهینامه Microsoft Azure AI Fundamentals (AI-900) آماده کند. نحوه ایجاد و بهینه‌سازی مدل‌ها در Azure ML، افزایش عملکرد پیش‌بینی مدل با AutoML، مدیریت، استقرار، استفاده و نظارت بر مدل‌های خود را بیاموزید و در حین حرکت آنها را تغییر دهید و دوباره تعریف کنید. اگر علاقه مند هستید که توسط یک رهبر بازار در یکی از داغ ترین زیرشاخه های IT بررسی شود، این دوره می تواند به شما کمک کند تا برای امتحان آماده شوید و مرحله بزرگ بعدی حرفه خود را راه اندازی کنید.

 کسب گواهینامه مهندس حرفه‌ای یادگیری ماشین Google Cloud تأیید می‌کند که می‌توانید با استفاده از قابلیت‌های Google Cloud و دانش رویکردهای مرسوم ML، راه‌حل‌های هوش مصنوعی بسازید، ارزیابی، تولید و بهینه کنید. در این دوره، هدیه نوح شما را برای صدور گواهینامه آماده می‌کند و با مروری بر آزمون شروع می‌کند – از جمله فرمت امتحان، زمانی که باید طول بکشد، و اینکه چگونه و کجا می‌توانید در آزمون شرکت کنید. نوح سپس به شش بخش امتحان می پردازد و آنچه را که باید در مورد آن بدانید را پوشش می دهد: معماری راه حل های ML با کد پایین. همکاری درون و بین تیم‌ها برای مدیریت داده‌ها و مدل‌ها؛ مقیاس بندی نمونه های اولیه در مدل های ML. مدل های سرویس دهی و مقیاس بندی؛ اتوماسیون و تنظیم خطوط لوله ML؛ و نظارت بر راه حل های ML.

 

مربی Ziggy Zulueta به شما کمک می کند تا درک بنیادی از مفاهیم اصلی هوش مصنوعی ، AI ، پردازش زبان طبیعی ، چشم انداز رایانه ، هوش اسناد ، استخراج دانش ، ایمنی محتوا و یادگیری ماشین بر روی لاجورد را ایجاد کنید. نگاهی اجمالی به برنامه های عملی هر یک داشته باشید. با خدمات خاص Microsoft Azure AI و ML که از طریق نسخه ی نمایشی در دسترس است ، آشنایی ایجاد کنید. مفاهیم ارزشمند را در مورد AI مسئول و مهار هوش مصنوعی برای تجارت بیاموزید. پس از گذراندن این دوره و گذراندن امتحان همراه ، یک گواهی حرفه ای کسب خواهید کرد و فرصتی را برای شما فراهم می کند تا دانش یادگیری ماشین و مفاهیم هوش مصنوعی و خدمات مرتبط با مایکروسافت لاجورد را نشان دهید.

این دوره بخشی از گواهی حرفه ای

 

Python for Data Science and Machine Learning Essential Training یکی از محبوب ترین دوره های علوم داده در LinkedIn Learning است. اکنون به روز شده و به دو قسمت گسترش یافته است و تجربه عملی و واقعی تری از پایتون به شما می دهد. در بخش اول، مربی لیلیان پیرسون شما را گام به گام از طریق یک پروژه علم داده و یادگیری ماشین راهنمایی می کند: یک اسکراپر وب که داده ها را از وب دانلود و تجزیه و تحلیل می کند. در طول راه، او تکنیک هایی را برای پاکسازی، قالب بندی مجدد، تبدیل و توصیف داده های خام معرفی می کند. ایجاد تجسم؛ حذف نقاط پرت؛ انجام تجزیه و تحلیل ساده داده ها؛ و با استفاده از Streamlit نمودارهای مبتنی بر وب تولید کنید. در پایان این دوره، شما تجربه کدنویسی اولیه ای را کسب خواهید کرد که می توانید آن را در سازمان خود ببرید و به سرعت در پروژه های علم داده سفارشی و یادگیری ماشین خود اعمال کنید.

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 راه اندازی ماشین محلی ارائه می دهد. با GitHub Codespaces، می‌توانید در هر زمان و با استفاده از ابزاری که احتمالاً در محل کار با آن مواجه می‌شوید، تمرین عملی را از هر ماشینی، در هر زمان انجام دهید. برای یادگیری نحوه شروع، ویدیوی "استفاده از فضاهای کد GitHub با این دوره" را بررسی کنید.

 

در این دوره آموزشی، نحوه تسلط بر MLflow و Hugging Face، دو پلتفرم منبع باز قدرتمند برای MLOها را بیاموزید. با شروع MLflow، یاد بگیرید که چگونه چرخه زندگی یادگیری ماشین را ساده کنید، پروژه ها و مدل ها را مدیریت کنید، از سیستم UI ردیابی استفاده کنید و با مدل های ثبت شده تعامل کنید. سپس، با مروری بر Hugging Face Hub، مخازن، و Hugging Face Spaces، مقدمه ای برای Hugging Face دریافت کنید. نحوه همکاری و استقرار مدل‌ها، ذخیره مجموعه داده‌ها و مدل‌ها، ایجاد دموهای تعاملی زنده و استفاده از مخازن جامعه را بیاموزید.

توجه: این دوره توسط آزمایشگاه‌های هوش مصنوعی Pragmatic ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم

 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.

 

تقاضای فزاینده ای برای ادغام جریان های کاری هوش مصنوعی و یادگیری ماشین در بسیاری از بخش های مختلف تجاری وجود دارد. این امر به‌ویژه در چشم‌انداز مراقبت‌های بهداشتی جهانی امروزی که دائماً در حال تحول است صادق است.

در این دوره، مربی Wuraola Oyewusi یک نمای کلی از این که چگونه هوش مصنوعی و یادگیری ماشینی می‌توانند فرآیندهای مراقبت‌های بهداشتی، تجزیه و تحلیل داده‌ها، نتایج سلامت و موارد دیگر را بهینه کنند، ارائه می‌دهد. در طول مسیر، بینش هایی را جمع آوری کنید که از نمونه های دنیای واقعی به دست آمده است تا به ملاحظات پیچیده حریم خصوصی و اخلاقی در صنعت رسیدگی کنید. Wuraola همچنین به شما نشان می‌دهد که چگونه از یادگیری ماشین برای مجموعه داده‌های مراقبت‌های بهداشتی جدولی با استفاده از نوت‌بوک Google Colab، از جمله سوابق بالینی، طبقه‌بندی، پیش‌بینی‌ها، رگرسیون، خوشه‌بندی، و محلی‌سازی استفاده کنید.

 

اگر شما یک حرفه ای کار هستید که می خواهید از داده های تجاری برای تصمیم گیری های بهبود یافته از طریق تجزیه و تحلیل پیش بینی استفاده کنید ، این دوره می تواند به شما کمک کند. لیلیان پیرسون-مهندس ، مدیرعامل و رئیس محصول در Data-Mania-شما را از طریق ترکیبی قوی از تجربه کدگذاری علوم داده های اساسی ، تظاهرات ، چالش ها ، راه حل ها و تمریناتی که می توانید به سرعت در تجزیه و تحلیل داده های سفارشی و پروژه های تحلیلی اعمال کنید ، هدایت می کند. بهترین روشها را برای تمیز کردن داده ها ، تجسم داده ها ، تجزیه و تحلیل داده ها و برنامه نویسی پایتون بیاموزید.

تا پایان دوره ، شما قادر خواهید بود از پایتون استفاده کنید:

• تمیز ، تغییر شکل ، اصلاح مجدد و توصیف داده ها
• تجسم داده ها را برای ارائه داده ها و تجزیه و تحلیل اکتشافی بصری ایجاد کنید
• دور افتاده را شناسایی و حذف کنید
• تجزیه و تحلیل داده های ساده را انجام دهید
• منبع ، کلاهبرداری و تجزیه و تحلیل داده ها از اینترنت
• دارایی های تجزیه و تحلیل مشترک با استفاده از plot.ly

تولید کنید

 تقاضا برای تصمیم گیری مبتنی بر داده و ادغام سریع Python در Excel و ML در بخش های تجاری در حال افزایش است. در این دوره، کریستین مارتینز، مدیر ارشد تحول مالی، آموزش های به موقعی را ارائه می دهد که به شما این امکان را می دهد تا به طور کارآمد از حجم وسیعی از داده ها برای مزیت رقابتی، همسو با نیازهای فعلی بازار استفاده کنید.

 در این دوره ، Gordon Luckett-رئیس Arrow Geomatics ، Inc.-شما را از طریق ابزارهای پیشرفته تجزیه و تحلیل GIS موجود در QGIS و همچنین برخی از افزونه های پیشرفته که از AI برای مدیریت و تفسیر عکس های هوا استفاده می کنند ، راهنمایی می کند. بیاموزید که چگونه داده های بردار را تجزیه و تحلیل کنید ، داده های شطرنجی را دستکاری کنید و داده های بردار را با هوش مصنوعی دیجیتالی کنید. نحوه تولید داده های جدید را با محاسبات شطرنجی ، ساخت مدل های توپولوژی برای شبکه ها و مدیریت تبدیل های شطرنجی به بردار پیدا کنید. به علاوه ، روش های خودکار سازی فرآیندها و تحریک مدل های سه بعدی را کشف کنید.

 هوش مصنوعی (AI) روشی را که هر شرکتی انجام می دهد تغییر می دهد - و خدمات مشتری را متحول می کند. توانایی نه تنها خودکارسازی برخی وظایف، بلکه همچنین استفاده از هوش مصنوعی برای پیش‌صلاحیت و هدایت صف خدمات مشتری، صرفه‌جویی زیادی در زمان دارد. این دوره راه حل های جدید پیشگامانه ای را که توسط این فناوری نوظهور طراحی شده است را بررسی می کند. دیوید کی، مشاور خدمات مشتری، ابزارهایی را که می‌توانید از قفسه خریداری کنید - مانند ربات‌های گفتگو و تجزیه و تحلیل تعامل با مشتری - و همچنین برنامه‌های کاربردی سفارشی‌سازی شده که می‌توانند منافع تجاری هدفمندتری را ارائه کنند، بررسی می‌کند. او همچنین نحوه برنامه ریزی و استقرار موثر راه حل های مبتنی بر یادگیری ماشینی و هوش مصنوعی را توضیح می دهد. با استفاده از این بینش ها، می توانید به سازمان خدمات خود کمک کنید تا در عصر انقلاب هوش مصنوعی پیشرفت کند.

 از پیش‌بینی نتایج پزشکی گرفته تا مدیریت صندوق‌های بازنشستگی، ما به فناوری یادگیری ماشین (ML) و هوش مصنوعی (AI) اعتماد زیادی داریم، حتی اگر می‌دانیم که آنها در برابر حملات آسیب‌پذیر هستند و گاهی اوقات می‌توانند ما را کاملاً شکست دهند. در این دوره آموزشی، مدرس دایانا کلی مثال‌های واقعی را از آخرین تحقیقات ML می‌آورد و راه‌هایی را که ML و AI ممکن است شکست بخورند، ارائه می‌دهد و نکاتی را در مورد نحوه طراحی، ساخت و نگهداری سیستم‌های انعطاف‌پذیر ارائه می‌دهد.

درباره اطلاعات کسب کنید. شکست‌های عمدی ناشی از حملات و شکست‌های غیرعمدی ناشی از نقص‌های طراحی و مسائل اجرایی. تهدیدات امنیتی و خطرات حریم خصوصی جدی هستند، اما با ابزارها و آماده سازی مناسب می توانید خود را برای کاهش آنها آماده کنید. دیانا برخی از مؤثرترین روش‌ها و تکنیک‌ها را برای ایجاد ML قوی و انعطاف‌پذیر، مانند بهداشت مجموعه داده‌ها، آموزش دشمنان، و کنترل دسترسی به APIها توضیح می‌دهد.

 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.

 Power BI یک ابزار قدرتمند تجزیه و تحلیل داده ها و تجسم است که به کاربران تجاری اجازه می دهد تا داده ها را کنترل کنند ، روند را تجزیه و تحلیل کنند و تصمیم گیری کنند. هر ماه ، مایکروسافت به روزرسانی های Power BI را به کاربران نهایی سوق می دهد ، و رشد Power BI بخش مهمی از استراتژی فعلی مایکروسافت است. این دوره قابلیت های موجود در هوش مصنوعی و یادگیری ماشین را که مستقیماً در قابلیت های قابل دسترسی BI در دسترس است ، به نمایش می گذارد. تجزیه و تحلیل داده ها و کارشناس تجزیه و تحلیل کسب و کار هلن وال یک مرور کلی از Power BI به شما ارائه می دهد ، سپس به مراحل پیکربندی پرس و جو قدرت و مدل داده خود می پردازد. هلن از طریق ملزومات تجزیه و تحلیل متغیرهای منفرد قدم می زند و ابزارها و تکنیک هایی را برای اندازه گیری روابط بین متغیرها به شما نشان می دهد. او تصاویری را که می توانید برای مطرح کردن و پاسخ دادن به سؤالات در Power BI استفاده کنید ، برجسته می کند ، تکنیک های مفیدی را برای تقویت تجزیه و تحلیل شما از داده های سری زمانی توضیح می دهد و شما را از طریق بهترین روشها برای به اشتراک گذاری تجزیه و تحلیل خود می گذراند.

 در این دوره آموزشی، Ziggy Zulueta - یک مربی حرفه ای و معتبر مایکروسافت هوش مصنوعی - از مثال ها و برنامه های کاربردی استفاده می کند تا به شما نشان دهد چگونه از Python با Azure Open AI، Cosmos DB و AI Search برای ایجاد راه حل های پیشرفته بازیابی-نسل تقویت شده (RAG) برای داده های پیشرفته استفاده کنید. در اصول RAG، پیاده سازی های مبتنی بر پایتون و روش های ارزیابی عملکرد غوطه ور شوید. نحوه راه اندازی منابع Azure، ایجاد نمایه های داده، اعمال مجموعه مهارت ها برای بهبود داده ها و خودکار کردن فرآیند نمایه سازی را بیاموزید. اهمیت پایگاه‌های داده برداری، توکن‌سازی، جاسازی‌ها و چگونگی تسهیل بازیابی و تقویت موثر داده‌ها را بررسی کنید. راه حل های RAG خود را برای اطمینان از دقت، ارتباط و ایمنی ارزیابی کنید. در پایان این دوره، شما مجهز به توسعه راه حل های پیچیده RAG خواهید بود که بینش دقیق و مرتبط متناسب با نیازهای کسب و کار شما را ارائه می دهد.

 

اگر با مدل‌های یادگیری ماشین کار می‌کنید، احتمالاً می‌دانید که مدل‌های شما بر اساس تخمین و تقریب هستند. احتمال همه چیز و بیشتر است — اما چگونه از آن به نفع خود استفاده می کنید؟

در این دوره، سومین قسمت از مجموعه مبانی یادگیری ماشین، به مربی Terezija Semenski برای کاوش عمیق احتمالات بپیوندید. مفاهیم و عملکردهای اصلی آن و نحوه استفاده از آن برای طراحی، پیاده سازی و مدیریت الگوریتم های یادگیری ماشینی قابل اعتمادتر. در طول مسیر، برخی از ضروری‌ترین ابزارها و تکنیک‌هایی را که برای مدل‌سازی احتمالی موفق، بیرون کشیدن از قوانین احتمال، احتمال مشترک و حاشیه‌ای، توزیع‌های احتمال گسسته، توزیع‌های احتمال پیوسته، قضیه بیز و غیره باید بدانید، کشف کنید. /p>

 

هر چه بیشتر به هوش مصنوعی (AI) و یادگیری ماشین (ML) تکیه کنیم، بیشتر به آن سیستم‌ها نیاز داریم که قابل اعتماد و انعطاف‌پذیر باشند. در این دوره - که برای مهندسان ML، دانشمندان داده، متخصصان AppSec یا MLSec و رهبران کسب و کار طراحی شده است - به مدرس Diana Kelley بپیوندید تا با تمرکز بر تاثیرگذارترین مسائل امنیتی و استراتژی‌های پیشگیری با استفاده از چارچوب MLSecOps و MLSecOps، مروری کلی از نحوه ایجاد امنیت در یادگیری ماشین و هوش مصنوعی ارائه دهد.

DevSecOps برای پیدا کردن اینکه چگونه و کجا امنیت را می توان در خط لوله ML بافته کرد. دیانا به شما نشان می‌دهد که چگونه می‌توانید مدل‌های یادگیری ماشین را ایمن کنید، ارزیابی‌های ریسک آگاه از هوش مصنوعی را انجام دهید، زنجیره‌های تامین را ممیزی و پایش کنید، طرح‌های واکنش به حادثه را اجرا کنید، و تیم رویایی MLSecOps خود را بسازید. در پایان این دوره، شما آماده خواهید بود که به افراد و سازمان ها کمک کنید تا در مورد ایمن سازی سیستم های هوش مصنوعی و ML خود فعال تر باشند.

 عملیات فناوری اطلاعات یکی از عملکردهای تجاری کلیدی برای شرکت های مدرن است. همانطور که مراکز داده بزرگ، توزیع شده و یکپارچه می شوند، نیاز به نظارت و مدیریت سخت افزار، نرم افزار، شبکه ها و داده ها به طور تصاعدی افزایش می یابد. و در حالی که عناصر موجود در یک شبکه هزاران داده را از نظر گزارش‌ها و رویدادها تولید می‌کنند، نیاز به جمع‌آوری و درک این داده‌ها برای پیش‌بینی نتایج آینده نیز در حال افزایش است. در این دوره یاد بگیرید که چگونه چالش های رایج در عملیات فناوری اطلاعات را با استفاده از قدرت هوش مصنوعی حل کنید. مربی Kumaran Ponnambalam مسائل کلیدی را که تیم های عملیات فناوری اطلاعات در عملیات روزانه خود با آن مواجه می شوند، مرور می کند. او سپس چندین مورد استفاده در دنیای عملیات IT را بررسی می‌کند و به تفصیل توضیح می‌دهد که چگونه فناوری هوش مصنوعی می‌تواند فرآیندهایی مانند تجزیه و تحلیل علت ریشه‌ای را سرعت بخشد، زمان پاسخ‌دهی را در میز کمک فناوری اطلاعات شما بهبود بخشد و موارد دیگر. در طول مسیر، او از پایتون، نوت بوک های Jupyter، Keras و تکنیک های یادگیری عمیق برای قدم گذاشتن در راه حل های عملی استفاده می کند.

 خوشه بندی - یک رویکرد یادگیری ماشینی بدون نظارت که برای گروه بندی داده ها بر اساس شباهت استفاده می شود - برای کار در تجزیه و تحلیل شبکه، تقسیم بندی بازار، گروه بندی نتایج جستجو، تصویربرداری پزشکی و تشخیص ناهنجاری استفاده می شود. خوشه‌بندی K-means یکی از محبوب‌ترین و آسان‌ترین الگوریتم‌های خوشه‌بندی است. در این دوره آموزشی، Fred Nwanganga به شما نگاهی مقدماتی به خوشه‌بندی k-means می‌دهد – چگونه کار می‌کند، برای چه چیزی خوب است، چه زمانی باید از آن استفاده کنید، چگونه تعداد مناسبی از خوشه‌ها را انتخاب کنید، نقاط قوت و ضعف آن، و موارد دیگر. Fred راهنمایی عملی در مورد نحوه جمع‌آوری، کاوش و تبدیل داده‌ها در آماده‌سازی برای تقسیم‌بندی داده‌ها با استفاده از خوشه‌بندی k-means ارائه می‌کند و راهنمای گام به گام نحوه ساخت چنین مدلی در پایتون را ارائه می‌دهد.