دانشمندان کامپیوتر با تجربه، مسائل محاسباتی را در سطحی از انتزاع که فراتر از هر زبان برنامه نویسی خاصی است، تحلیل و حل می کنند. این کلاس دو قسمتی برای آموزش مفاهیم ریاضی و فرآیند "تفکر الگوریتمی" به دانش آموزان طراحی شده است و به آنها امکان می دهد راه حل های ساده تر و کارآمدتری برای مسائل محاسباتی بسازند. در قسمت دوم این دوره به بررسی تکنیک های الگوریتمی پیشرفته مانند برنامه نویسی پویا و تفرقه بینداز می پردازیم. به عنوان بخش مرکزی دوره، دانش‌آموزان چندین الگوریتم را در پایتون پیاده‌سازی می‌کنند که این تکنیک‌ها را در خود جای داده و سپس از این الگوریتم‌ها برای تجزیه و تحلیل دو مجموعه داده بزرگ در دنیای واقعی استفاده می‌کنند. تمرکز اصلی این کارها درک تعامل بین الگوریتم ها و ساختار مجموعه داده هایی است که توسط این الگوریتم ها تجزیه و تحلیل می شوند. هنگامی که دانش‌آموزان این کلاس را کامل کردند، مهارت‌های ریاضی و برنامه‌نویسی برای تجزیه و تحلیل، طراحی و برنامه‌ریزی راه‌حل‌های طیف وسیعی از مسائل محاسباتی را خواهند داشت. در حالی که این کلاس از پایتون به عنوان وسیله انتخابی خود برای تمرین تفکر الگوریتمی استفاده می کند، مفاهیمی که در این کلاس خواهید آموخت فراتر از هر زبان برنامه نویسی خاصی است.

این دوره ساختار داده فرهنگ لغت و توابع تعریف شده توسط کاربر را معرفی می کند. شما با متغیرهای محلی و سراسری، انتقال پارامترهای اختیاری و کلید واژه، توابع نامگذاری شده و عبارات لامبدا آشنا خواهید شد. همچنین با تابع مرتب‌سازی شده پایتون و نحوه کنترل ترتیب مرتب‌سازی آن با ارسال تابع دیگری به عنوان ورودی آشنا خواهید شد. برای پروژه نهایی خود، داده‌های شبکه‌های اجتماعی شبیه‌سازی‌شده را از یک فایل می‌خوانید، امتیازات احساسات را محاسبه می‌کنید و فایل‌های csv. را می‌نویسید. این فصل‌های 10 تا 16 کتاب درسی «مبانی برنامه‌نویسی پایتون» را پوشش می‌دهد که متن همراه (اختیاری و رایگان) این دوره است. اگر قبلاً دوره "مبانی پایتون" را گذرانده اید و می خواهید دانش اساسی بیشتری از زبان پایتون کسب کنید، این دوره برای شما مناسب است. هر دو دوره با هم برای افراد تازه وارد در برنامه نویسی پایتون، کسانی که نیاز به تجدید نظر در مبانی پایتون دارند، یا کسانی که ممکن است تا حدودی با برنامه نویسی پایتون آشنا شده باشند اما خواهان شرح و واژگان عمیق تری برای توصیف و استدلال در مورد برنامه ها هستند، طراحی شده است. این دوره تکمیلی دوره "مبانی پایتون" (درس 1 از تخصص برنامه نویسی پایتون 3) است و دومین دوره از پنج دوره در این تخصص است.

این دوره برای توسعه دهندگان برنامه طراحی شده است که می خواهند بارهای کاری استنتاج بینایی کامپیوتر را با استفاده از کیت ابزار OpenVINOTM Intel® Distribution توسعه دهند. این دوره به مدل‌های شبکه عصبی بینایی کامپیوتر از انواع چارچوب‌های یادگیری ماشینی معروف می‌پردازد و نوشتن یک برنامه کاربردی قابل حمل را پوشش می‌دهد که قادر به استقرار استنتاج بر روی طیف وسیعی از دستگاه‌های محاسباتی است. این دوره برای توسعه دهندگان برنامه هدف گذاری شده است و بر روی مثال ها و بحث در مورد گردش کار توسعه تمرکز می کند. به این ترتیب، بحث‌ها نه تنها شامل جزئیات نحوه استفاده از خود جعبه ابزار می‌شود، بلکه موضوعاتی مانند نحوه گرفتن معیار برای مقایسه دستگاه‌های محاسباتی یا کارهایی که باید در هنگام مواجهه با مشکلات انجام دهید را شامل می‌شود. این دوره به گونه ای ساخته شده است که به عنوان راهنمای چگونگی توسعه استقرار استنتاج بینایی کامپیوتر با جعبه ابزار عمل می کند. در پایان دوره، دانش‌آموزان مهارت لازم برای استقرار برنامه بینایی کامپیوتر خود را با استفاده از جعبه ابزار خواهند داشت.

این دوره به شما معرفی کاملی با زبان برنامه نویسی پایتون می دهد. شما با یادگیری تعریف پایتون، تاریخچه، معناشناسی و نحوه عملکرد آن شروع خواهید کرد. هفته اول با نوشتن یک اسکریپت پایتون برای حل یک مشکل به پایان می رسد. در هفته دوم، با معماری‌های بدون سرور آشنا خواهید شد و تفاوت‌های بین میکروسرویس‌ها، معماری‌های سرویس‌گرا و یکپارچه را درک خواهید کرد. با یادگیری نحوه استفاده از ابزارهای زیر، یک معماری میکروسرویس می‌سازید: AWS Lambda، Amazon API Gateway و Cloud9. سپس زمان آن فرا می رسد که با پایگاه های داده AWS عمیق شوید. Amazon RDS و Amazon DynamoDB را در عمل مشاهده خواهید کرد و نقش مهمی را که آنها در توسعه برنامه‌های کاربردی در پایتون ایفا می‌کنند، تجسم می‌کنند. هفته پایانی دوره، خدمات یکپارچه سازی اپلیکیشن را پوشش خواهد داد. سرویس اعلان ساده آمازون (SQS)، سرویس صف ساده (SQS) و EventBridge به عنوان اجزای مهم «چسب» برای برنامه‌های کاربردی مبتنی بر ابر مقیاس‌پذیر، در مرکز توجه قرار دارند. شما دوره را با یک پروژه عملی می بندید، کدی را می نویسید تا از برخی داده های رمزگذاری شده برای نوشتن در dynamodb استفاده کنید و سپس آن را به یک تابع لامبدا تبدیل می کنید.

این دوره کوتاه برای تجهیز زبان‌آموزان به مهارت‌های پایه در پایتون برای توسعه برنامه‌های کاربردی وب با قابلیت هوش مصنوعی با استفاده از چارچوب Flask و کتابخانه‌های هوش مصنوعی Watson طراحی شده است. شما چرخه عمر انتها به انتها ساخت برنامه های کاربردی وب مقیاس پذیر را بررسی خواهید کرد، از نوشتن کدهای پاک و ماژولار پایتون تا استقرار راه حل های کامل مبتنی بر هوش مصنوعی. این دوره با معرفی Flask، یک چارچوب وب سبک و انعطاف پذیر آغاز می شود و به زبان آموزان کمک می کند تا پایه ای قوی در برنامه های کاربردی وب، API ها و چرخه عمر کلی توسعه ایجاد کنند. آن‌ها تجربه عملی با IDE Cloud Network IBM Skills به دست خواهند آورد، بهترین روش‌های پایتون از جمله تجزیه و تحلیل کد استاتیک را یاد می‌گیرند، و تست‌های واحد را می‌نویسند و اجرا می‌کنند تا از قابلیت اطمینان کد خود اطمینان حاصل کنند. این دوره با آموزش ساختن برنامه های کاربردی وب با Flask که موضوعاتی مانند مسیریابی، رسیدگی به درخواست های GET و POST، مسیرهای پویا و مدیریت خطا را پوشش می دهد، عمیق تر به توسعه برنامه می پردازد. در پایان دوره، فراگیران یک پروژه تمرینی و یک پروژه نهایی بررسی شده را تکمیل خواهند کرد که توانایی آنها را برای توسعه، آزمایش و استقرار برنامه های کاربردی Flask مبتنی بر هوش مصنوعی نشان می دهد. تجربه عملی به‌دست‌آمده در طول این دوره تضمین می‌کند که زبان‌آموزان نه تنها به مهارت‌های پایتون و فلاسک خود اطمینان دارند، بلکه آماده ساخت اپلیکیشن‌های وب هوشمند در تنظیمات دنیای واقعی هستند.

به تازگی برای سال 2024 به روز شده است! Mathematics for Machine Learning and Data Science یک برنامه آنلاین پایه است که توسط DeepLearning.AI ایجاد شده و توسط Luis Serrano تدریس می شود. در یادگیری ماشینی، شما مفاهیم ریاضی را از طریق برنامه نویسی به کار می برید. و بنابراین، در این تخصص، مفاهیم ریاضی را که با استفاده از برنامه نویسی پایتون یاد می گیرید، در تمرینات آزمایشگاهی عملی به کار خواهید برد. به عنوان یک زبان آموز در این برنامه، برای موفقیت به مهارت های برنامه نویسی پایتون اولیه تا متوسط ​​نیاز دارید. پس از اتمام این دوره، شما قادر خواهید بود: • داده ها را به صورت بردارها و ماتریس ها نشان می دهد و ویژگی های آنها را با استفاده از مفاهیم تکینگی، رتبه و استقلال خطی و غیره شناسایی می کند. • اعمال مشترک عملیات جبر بردار و ماتریس مانند حاصل ضرب نقطه، معکوس، و دترمینال • انواع خاصی از عملیات ماتریس را به صورت تبدیل خطی بیان کنید • مفاهیم مقادیر ویژه و بردارهای ویژه را در مسائل یادگیری ماشین اعمال کنید بسیاری از مهندسان یادگیری ماشین و دانشمندان داده در زمینه ریاضیات به کمک نیاز دارند، و حتی تمرین‌کنندگان با تجربه نیز می‌توانند از کمبود مهارت‌های ریاضی عقب‌مانده شوند. این تخصص از آموزش نوآورانه در ریاضیات استفاده می‌کند تا به شما کمک کند تا سریع و شهودی یاد بگیرید، با دوره‌هایی که از تجسم‌های ساده برای پیگیری استفاده می‌کنند تا به شما کمک کنند تا ببینید که چگونه ریاضیات پشت یادگیری ماشین واقعاً کار می‌کند.  ما به شما توصیه می کنیم سطح ریاضی دبیرستان (توابع، جبر پایه) و آشنایی با برنامه نویسی (ساختارهای داده، حلقه ها، توابع، دستورات شرطی، اشکال زدایی) داشته باشید. تکالیف و آزمایشگاه‌ها در پایتون نوشته شده‌اند، اما این دوره تمام کتابخانه‌های یادگیری ماشینی را که استفاده می‌کنید معرفی می‌کند.

این دوره به شما می آموزد که داده ها را از سرویس های موجود در اینترنت واکشی و پردازش کنید. درک لیست پایتون را پوشش می دهد و فرصت هایی را برای تمرین استخراج و پردازش داده های عمیق تو در تو فراهم می کند. همچنین یاد خواهید گرفت که چگونه از ماژول درخواست‌های پایتون برای تعامل با APIهای REST استفاده کنید و در اسناد آن APIها به دنبال چه چیزی باشید. برای پروژه نهایی، شما یک «پیشنهادگر برچسب» برای سایت اشتراک‌گذاری عکس فلیکر می‌سازید. اگر قبلاً دوره های «مبانی پایتون» و «توابع، فایل ها و دیکشنری های پایتون» (دوره های 1 و 2 تخصص برنامه نویسی پایتون 3) را گذرانده باشید، این دوره برای شما مناسب است. اگر قبلاً با اصول پایتون آشنایی دارید اما می خواهید در بازیابی و پردازش داده های تو در تو پیچیده از سرویس های اینترنتی تمرین کنید، می توانید بدون گذراندن دو دوره قبلی نیز از این دوره بهره مند شوید. این سومین دوره از پنج دوره تخصصی برنامه نویسی پایتون 3 است.

به تازگی برای سال 2024 به روز شده است! Mathematics for Machine Learning and Data Science یک برنامه آنلاین پایه است که توسط DeepLearning.AI ایجاد شده و توسط Luis Serrano تدریس می شود. در یادگیری ماشینی، شما مفاهیم ریاضی را از طریق برنامه نویسی به کار می برید. و بنابراین، در این تخصص، مفاهیم ریاضی را که با استفاده از برنامه نویسی پایتون یاد می گیرید، در تمرینات آزمایشگاهی عملی به کار خواهید برد. به عنوان یک زبان آموز در این برنامه، برای موفقیت به مهارت های برنامه نویسی پایتون اولیه تا متوسط ​​نیاز دارید. پس از اتمام این دوره، فراگیران قادر خواهند بود: • بهینه سازی تحلیلی انواع مختلف توابع که معمولاً در یادگیری ماشین استفاده می شوند با استفاده از ویژگی های مشتقات و گرادیان ها • بهینه سازی تقریباً انواع مختلف توابع که معمولاً در یادگیری ماشین استفاده می شوند با استفاده از روش های تکراری مرتبه اول (نزول گرادیان) و مرتبه دوم (روش نیوتن). • تفکیک بصری تمایز انواع مختلف توابع که معمولاً در یادگیری ماشین استفاده می شوند • اجرای گرادیان نزول در شبکه های عصبی با توابع مختلف فعال سازی و هزینه بسیاری از مهندسان یادگیری ماشین و دانشمندان داده در زمینه ریاضیات به کمک نیاز دارند، و حتی تمرین‌کنندگان با تجربه نیز می‌توانند از کمبود مهارت‌های ریاضی عقب‌مانده شوند. این تخصص از آموزش نوآورانه در ریاضیات استفاده می‌کند تا به شما کمک کند تا سریع و شهودی یاد بگیرید، با دوره‌هایی که از تجسم‌های ساده برای پیگیری استفاده می‌کنند تا به شما کمک کنند تا ببینید که چگونه ریاضیات پشت یادگیری ماشین واقعاً کار می‌کند.  ما به شما توصیه می کنیم سطح ریاضی دبیرستان (توابع، جبر پایه) و آشنایی با برنامه نویسی (ساختارهای داده، حلقه ها، توابع، دستورات شرطی، اشکال زدایی) داشته باشید. تکالیف و آزمایشگاه‌ها در پایتون نوشته شده‌اند، اما این دوره تمام کتابخانه‌های یادگیری ماشینی را که استفاده می‌کنید معرفی می‌کند.

این هفتمین دوره گواهینامه امنیت سایبری گوگل است. این دوره‌ها شما را به مهارت‌هایی که برای درخواست یک شغل امنیت سایبری سطح ابتدایی نیاز دارید، مجهز می‌کند. شما بر اساس درک خود از موضوعاتی که در ششمین دوره گواهی امنیت سایبری Google معرفی شده‌اند، استفاده خواهید کرد. در این دوره با زبان برنامه نویسی پایتون آشنا می شوید و آن را در یک تنظیمات امنیت سایبری برای خودکارسازی وظایف به کار می برید. شما با تمرکز بر مفاهیم اساسی برنامه نویسی پایتون، از جمله انواع داده ها، متغیرها، عبارات شرطی و عبارات تکراری شروع می کنید. همچنین کار با پایتون را با توسعه توابع، استفاده از کتابخانه ها و ماژول ها و خوانایی کدهای خود یاد خواهید گرفت. علاوه بر این، شما با داده های رشته و فهرست کار خواهید کرد و نحوه وارد کردن، تجزیه و اشکال زدایی فایل ها را یاد خواهید گرفت. کارمندان Google که در حال حاضر در امنیت سایبری کار می‌کنند، شما را از طریق ویدیوها راهنمایی می‌کنند، فعالیت‌های عملی و نمونه‌هایی را ارائه می‌کنند که وظایف رایج امنیت سایبری را شبیه‌سازی می‌کنند، و به شما کمک می‌کنند مهارت‌های خود را برای آماده شدن برای مشاغل ایجاد کنید. فراگیرانی که این گواهی را تکمیل می کنند، برای درخواست نقش های امنیت سایبری سطح ابتدایی مجهز خواهند شد. هیچ تجربه قبلی لازم نیست. در پایان این دوره، شما: - نحوه استفاده از زبان برنامه نویسی پایتون در امنیت سایبری را توضیح دهید. - دستورات شرطی و تکراری را در پایتون بنویسید. - توابع پایتون جدید و تعریف شده توسط کاربر ایجاد کنید. - از پایتون برای کار با رشته ها و لیست ها استفاده کنید. - از عبارات منظم برای استخراج اطلاعات از متن استفاده کنید. - از پایتون برای باز کردن و خواندن محتویات یک فایل استفاده کنید. - بهترین شیوه ها برای بهبود خوانایی کد را شناسایی کنید. - کد اشکال زدایی را تمرین کنید.

در این دوره، ما تمام مفاهیمی را که آنها در طول این برنامه یاد گرفته اند با هم گره می زنیم. آنها با سناریوهایی در Qwiklabs مقابله خواهند کرد که آنها را برای استفاده همزمان از چندین مهارت به چالش می کشد. آنها نگاهی دقیق تر به نحوه استفاده از ماژول های خارجی پایتون مانند کتابخانه تصویر پایتون (PIL) برای گسترش قابلیت های کد خود خواهند داشت. آنها همچنین از سریال‌سازی داده‌ها برای تبدیل اشیاء درون حافظه به پیام‌هایی استفاده می‌کنند که می‌توانند روی برنامه‌هایی با رابط‌های برنامه‌نویسی کاربردی (API) ارسال شوند. در نهایت، زبان آموزان با استفاده از دانش فنی خود برای ایجاد یک برنامه، یک مشکل دنیای واقعی را حل می کنند!

اینترنت اشیا (IoT) به یکی از اجزای مهم زندگی شهری تبدیل شده است و باعث ایجاد «شهرهای هوشمند» شده است. هدف این شهرهای هوشمند تبدیل مجتمع های شهری امروزی به فضاهای زندگی سازگار با محیط زیست و سازگار با محیط زیست است. زیرساخت دیجیتال شهرهای هوشمند حجم عظیمی از داده ها را تولید می کند که می تواند به ما در درک بهتر عملیات و سایر جنبه های مهم زندگی شهر کمک کند. در این دوره، شما با تکنیک های مختلف داده کاوی و یادگیری ماشین و مجموعه داده های مختلفی که می توان بر روی آنها اعمال کرد، آشنا خواهید شد. شما یاد خواهید گرفت که چگونه داده کاوی را در پایتون پیاده سازی کنید و نتایج را برای استخراج دانش عملی تفسیر کنید. این دوره شامل آزمایش‌های عملی با استفاده از مجموعه داده‌های زندگی واقعی مختلف است تا شما را قادر می‌سازد روی مجموعه داده‌های جدید مرتبط با دامنه خود آزمایش کنید. شما از زبان برنامه نویسی پایتون 3 برای خواندن و پیش پردازش داده ها استفاده می کنید و سپس وظایف مختلف داده کاوی را روی داده های پاک شده برای به دست آوردن نتایج دلخواه پیاده سازی می کنید. پس از آن، نتایج را برای کارآمدترین توصیف تجسم خواهید کرد.

این دوره همه چیز در مورد داده ها است و اینکه چگونه برای موفقیت مدل یادگیری ماشین کاربردی شما بسیار مهم است. گذراندن این دوره به زبان آموزان این مهارت ها را می دهد: درک عناصر حیاتی داده ها در مراحل یادگیری، آموزش و عملیات سوگیری ها و منابع داده را درک کنید تکنیک هایی را برای بهبود کلیت مدل خود اجرا کنید عواقب بیش از حد برازش را توضیح دهید و اقدامات کاهشی را شناسایی کنید اقدامات آزمون و اعتبارسنجی مناسب را اجرا کنید. نشان دهید که چگونه می توان دقت مدل شما را با مهندسی ویژگی های متفکرانه بهبود بخشید. تأثیر پارامترهای الگوریتم بر قدرت مدل را بررسی کنید برای موفقیت در این دوره، باید حداقل پیشینه سطح مبتدی در برنامه نویسی پایتون داشته باشید (به عنوان مثال، بتوانید کدهای موجود را بخوانید و کدنویسی کنید، با شرط 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 سومین دوره از تخصص یادگیری ماشین کاربردی است که توسط Coursera و موسسه هوش ماشین آلبرتا برای شما آورده شده است.

الگوریتم های اساسی در ساختارهای داده درختی، درختان جستجوی دودویی، درختان خود متعادل کننده، ساختارهای داده گراف و الگوریتم های پیمایش اساسی بر روی نمودارها. این دوره همچنین موضوعات پیشرفته ای مانند kd-trees برای داده های مکانی و الگوریتم های داده های مکانی را پوشش می دهد. درختان و نمودارها: اصول اولیه را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، 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.

به دوره آموزشی درک فناوری و داده ها خوش آمدید. این دوره به منظور ارائه پایه ای در مورد نحوه استفاده از فناوری و داده ها در زندگی روزمره طراحی شده است. این به شما کمک می کند تا موفقیت در یک محیط کار دیجیتال را یاد بگیرید. در پایان این دوره، شما قادر خواهید بود: - تکامل دستگاه های الکترونیکی را بشناسید - شناسایی فناوری های جدید در صنایع مختلف - فناوری هایی مانند ابر، هوش مصنوعی، بلاک چین و غیره را تعریف کنید. - تشخیص دیجیتالی شدن چیست و چگونه بر زندگی روزمره تأثیر می گذارد - شناخت اصول اولیه یک کامپیوتر از جمله قسمت های مختلف و ویژگی های امنیتی آن - کدگذاری را تعریف کنید - ویژگی های کلیدی جاوا اسکریپت را شناسایی کنید - ویژگی های کلیدی پایتون را شناسایی کنید - تشخیص نحوه تفسیر داده ها این دوره به چهار ماژول تقسیم می شود: درک فناوری، فناوری در محل کار، کاوش کدگذاری و کشف داده ها. ماژول یک، درک فناوری، مبانی فناوری و تکامل آن را بررسی می‌کند و مسیر توسعه فناوری را روشن می‌کند. با فناوری های دیجیتال و کاربرد رو به رشد آنها در صنایع مختلف آشنا خواهید شد. شما همچنین خواهید آموخت که چگونه اتوماسیون نه تنها برای محل کار مفید است، بلکه در خانه نیز اهمیت می یابد. ابر، بلاک چین و هوش مصنوعی فناوری‌های پرطرفداری هستند که در این ماژول بررسی خواهید کرد. ماژول دو، فناوری در کار، به ایجاد سواد دیجیتالی شما ادامه خواهد داد. شما با اصول اولیه کامپیوتر و اینترنت و نحوه استفاده از آنها در محیط کار آشنا خواهید شد. شما با تکنیک هایی برای کارآمدتر کار کردن و برقراری ارتباط مجازی آشنا خواهید شد، از جمله نکات مفیدی برای استفاده از ایمیل. همچنین یاد خواهید گرفت که چگونه داده های خود را ایمن کنید. در ماژول سه، Exploring Coding، شما با دنیای کدنویسی و برخی از زبان های برنامه نویسی کلیدی مانند جاوا اسکریپت و پایتون آشنا خواهید شد. شما در مورد گزینه های شغلی مختلف در برنامه نویسی، مانند توسعه وب، توسعه برنامه و توسعه نرم افزار یاد خواهید گرفت. ماژول چهار، کشف داده، به شما کمک می‌کند تا راه‌های جمع‌آوری و تفسیر داده‌ها و نحوه بکارگیری آن‌ها برای تصمیم‌گیری‌های حیاتی را درک کنید. با تکنیک های مختلف برای تفسیر داده ها و نحوه استفاده از توابع اکسل برای کار راحت تر با داده ها آشنا خواهید شد. این یک دوره آموزشی پایه است که برای یادگیرندگانی در نظر گرفته شده است که با فناوری و داده ها تازه کار هستند و می خواهند برای دنیای کار دیجیتالی آماده شوند. برای گذراندن این دوره به تجربه قبلی خاصی نیاز نیست. حق چاپ © 2023 Accenture. تمامی حقوق محفوظ است. Accenture و لوگوی آن علائم تجاری ثبت شده Accenture هستند.

در این دوره، فراگیران با حوزه آمار، از جمله اینکه داده ها از کجا آمده اند، طراحی مطالعه، مدیریت داده ها و کاوش و تجسم داده ها، آشنا می شوند. یادگیرندگان انواع مختلف داده ها را شناسایی می کنند و یاد می گیرند که چگونه خلاصه ها را برای داده های تک متغیره و چند متغیره تجسم، تجزیه و تحلیل و تفسیر کنند. همچنین یادگیرندگان با تفاوت‌های بین نمونه‌گیری احتمالی و غیراحتمالی از جمعیت‌های بزرگ‌تر، این ایده که چگونه تخمین‌های نمونه متفاوت است و چگونه می‌توان در مورد جمعیت‌های بزرگ‌تر بر اساس نمونه‌گیری احتمالی استنتاج کرد، آشنا می‌شوند. در پایان هر هفته، فراگیران مفاهیم آماری را که با استفاده از پایتون آموخته‌اند، در محیط دوره به کار می‌گیرند. در طول این جلسات مبتنی بر آزمایشگاه، زبان آموزان کاربردهای مختلف پایتون را به عنوان یک ابزار، از جمله کتابخانه های Numpy، Pandas، Statsmodels، Matplotlib و Seaborn کشف خواهند کرد. فیلم‌های آموزشی ارائه شده است تا یادگیرندگان را در ایجاد تجسم‌ها و مدیریت داده‌ها، همه در پایتون، راهنمایی کند. این دوره از محیط نوت بوک Jupyter در Coursera استفاده می کند.

این دوره به منظور آموزش پایه های نوشتن برنامه های ساده در پایتون با استفاده از رایج ترین ساختارها طراحی شده است. هیچ مواجهه قبلی با برنامه نویسی مورد نیاز نیست. در پایان این دوره، مزایای برنامه نویسی در نقش های IT را درک خواهید کرد. درک نحو اصلی پایتون؛ کاوش در ویرایشگرهای کد مختلف و محیط های توسعه دهنده؛ قادر به نوشتن برنامه های ساده با استفاده از پایتون. بفهمید که چگونه اجزای سازنده برنامه نویسی با هم تطبیق می یابند. و تمام این دانش را برای حل یک مشکل برنامه نویسی پیچیده ترکیب کنید. ما با بررسی اصول اولیه نوشتن یک برنامه کامپیوتری شروع می کنیم. در طول مسیر، از طریق تمرین‌های تعاملی و مثال‌های دنیای واقعی، تجربه عملی با مفاهیم برنامه‌نویسی به دست خواهید آورد. شما به سرعت متوجه خواهید شد که چگونه رایانه ها می توانند چندین کار را انجام دهند - فقط باید کدی بنویسید که به آنها بگوید چه کاری انجام دهند.

Raspberry Pi از انواع دستگاه های ورودی/خروجی مبتنی بر پروتکل هایی مانند HDMI، USB و Ethernet برای برقراری ارتباط با دنیای خارج استفاده می کند. در این کلاس یاد خواهید گرفت که چگونه از این پروتکل ها با سایر دستگاه های خارجی (حسگرها، موتورها، GPS، جهت گیری، صفحه نمایش LCD و غیره) استفاده کنید تا دستگاه اینترنت اشیا خود را با دنیای واقعی تعامل کنید. اکثر دستگاه های فیزیکی از سیگنال های آنالوگ استفاده می کنند. با این حال سخت افزار کامپیوتر دیجیتال است، بنابراین در این کلاس شما یاد خواهید گرفت که چگونه این سیگنال ها به عقب و جلو تبدیل می شوند و چگونه باید هنگام برنامه ریزی دستگاه خود به آن توجه کرد. طراحی اولیه یک سیستم حسگر محرک نیز پوشش داده خواهد شد. همچنین یاد خواهید گرفت که چگونه سیستم‌های سخت‌افزاری پیچیده‌تری را با استفاده از بردهای توسعه Raspberry Pi بسازید تا دستگاه‌های سرگرم‌کننده و هیجان‌انگیز IoT ایجاد کنید. لطفا توجه داشته باشید که این دوره شامل تالار گفتگو نمی باشد.

این دوره در سطح متوسط، مبانی ریاضی را برای استخراج تجزیه و تحلیل مؤلفه اصلی (PCA)، یک تکنیک کاهش ابعاد بنیادی معرفی می‌کند. ما برخی از آمارهای اولیه مجموعه داده‌ها را پوشش می‌دهیم، مانند مقادیر میانگین و واریانس، فاصله‌ها و زوایای بین بردارها را با استفاده از محصولات داخلی محاسبه می‌کنیم و پیش‌بینی‌های متعامد داده‌ها را بر روی فضاهای فرعی با ابعاد پایین‌تر استخراج می‌کنیم. با استفاده از همه این ابزارها، ما PCA را به عنوان روشی استخراج می کنیم که میانگین مربعات خطای بازسازی بین نقاط داده و بازسازی آنها را به حداقل می رساند. در پایان این دوره، شما با مفاهیم مهم ریاضی آشنا می شوید و می توانید PCA را به تنهایی پیاده سازی کنید. اگر مشکل دارید، مجموعه‌ای از نوت‌بوک‌های ژوپیتر را پیدا خواهید کرد که به شما امکان می‌دهند ویژگی‌های تکنیک‌ها را کشف کنید و آنچه را که برای رسیدن به مسیر باید انجام دهید، راهنمایی کنید. اگر قبلاً متخصص هستید، این دوره ممکن است بخشی از دانش شما را تازه کند. سخنرانی ها، مثال ها و تمرین ها نیاز دارند: 1. برخی از توانایی های تفکر انتزاعی 2. پیشینه خوب در جبر خطی (به عنوان مثال جبر ماتریسی و برداری، استقلال خطی، مبنا) 3. پیشینه اساسی در حساب چند متغیره (به عنوان مثال، مشتقات جزئی، بهینه سازی اساسی) 4. دانش اولیه در برنامه نویسی پایتون و numpy سلب مسئولیت: این دوره به طور قابل ملاحظه ای انتزاعی تر است و به برنامه نویسی بیشتری نسبت به دو دوره دیگر تخصصی نیاز دارد. با این حال، اگر می‌خواهید الگوریتم‌های یادگیری ماشین را درک و توسعه دهید، این نوع تفکر انتزاعی، دستکاری جبری و برنامه‌نویسی ضروری است.

یک زبان آموز می تواند برنامه ای بنویسد که از چندین سرویس هوش مصنوعی Watson (کشف، گفتار به متن، دستیار و متن به گفتار) استفاده کند. در پایان دوره، آنها بهترین شیوه های ترکیب سرویس های Watson و نحوه ایجاد سیستم های بازیابی اطلاعات تعاملی با Discovery + Assistant را خواهند آموخت.

این دوره به معرفی ساختارهای داده اصلی زبان برنامه نویسی پایتون می پردازد. ما از اصول اولیه برنامه نویسی رویه ای عبور خواهیم کرد و چگونگی استفاده از ساختارهای داده داخلی پایتون مانند لیست ها، فرهنگ لغت ها و تاپل ها را برای انجام تجزیه و تحلیل داده ها به طور فزاینده ای پیچیده بررسی خواهیم کرد. این دوره فصل های 6-10 کتاب درسی "Python for Everybody" را پوشش می دهد. این دوره پایتون 3 را پوشش می دهد.