پشته ها، دکه ها و صف ها سه ساختار داده ضروری پایتون هستند. آنها ستون فقرات بسیاری از الگوریتم های علوم کامپیوتر را تشکیل می دهند، و نشان دادن تسلط بر این مفاهیم می تواند به شما در شغل فعلی کمک کند یا به شما کمک کند تا نقش بعدی خود را به دست آورید. در این دوره، Dhhyey Desai به شما نشان می‌دهد که چگونه پشته‌ها، صف‌ها و deques بسازید و از این ساختارهای داده خطی برای حل مشکلات دنیای واقعی که ممکن است در کار خود با آن‌ها مواجه شوید، استفاده کنید. یاد بگیرید که چگونه هر کلاس را تعریف کنید و از متدهای داخلی پایتون برای انجام رفتارهای لازم مانند فشار، پاپ و زیرچشمی استفاده کنید. نوبت دهی و add_front و remove_rear. به Dhhyey در این دوره بپیوندید تا مزایای هر یک از این ساختارهای داده رایج را بیاموزید و مهارت هایی را به جعبه ابزار کدنویسی خود بیافزایید.

 درختان در پایتون چیست و چگونه با سایر ساختارهای داده مانند لیست های پیوندی و نمودارها مطابقت دارند؟ در این دوره، مربی رایان میچل درباره درختان جستجوی دودویی (BSTs) و آنچه که می توانید با آنها در یک زمینه دنیای واقعی انجام دهید بحث می کند. رایان به شما نشان می دهد که چگونه با استفاده از چند خط پایتون یک درخت پایه بسازید. او نحوه جستجو و پیمایش یک درخت و همچنین نحوه چاپ درخت در ترمینال را بررسی می کند. رایان توضیح می دهد که چگونه گره ها را به درخت خود اضافه کنید، آنها را حذف کنید و درختان نامتعادل را شناسایی کنید. وقتی درختی نامتعادل پیدا کردید، مهم است که آن را مجدداً متعادل کنید. رایان شما را در ایجاد تعادل مجدد چهار نوع درخت نامتعادل راهنمایی می کند. او با چالشی که دارای تعادل مجدد خودکار هوشمندتر است به پایان می رسد.

 در این دوره آموزشی، مربی Mridu Bhatnagar شما را با اصول استفاده از مجموعه‌های پایتون و مجموعه‌های منجمد آشنا می‌کند. اگر در مراحل اولیه حرفه برنامه نویسی پایتون خود هستید، یا اگر فقط به یک تجدید نظر نیاز دارید، به Mridu بپیوندید تا در مورد مکانیک و عملکردهای اساسی این ساختارهای داده بحث کند. Mridu یک نمای کلی از ست ها و ست های فریز شده ارائه می دهد و سپس به روش های مختلف برای کار با آنها می پردازد. او در مورد موارد استفاده و موضوعاتی مانند نحوه تغییر یک مجموعه و استفاده از توابع داخلی بحث می کند. Mridu همچنین ویدیوهای چالش و راه حل را برای آزمایش دانش شما در حین پیشبرد ارائه می دهد. اگر به دنبال یادگیری جنبه‌های مهم در مورد مجموعه‌ها و مجموعه‌های منجمد در پایتون هستید، بدون اینکه وارد یک دوره طولانی پروژه‌ای شوید، دوره آموزشی Mridu برای شما مناسب است.

 آیا می خواهید مهارت های پایتون خود را آزمایش کنید؟ این چالش‌های مختصر به شما امکان می‌دهد مغز خود را تقویت کنید و استعدادهای خود را آزمایش کنید. مربی بارون استون بیش از دوازده چالش پایتون و همچنین راه حل های خود را برای هر مشکل به اشتراک می گذارد - که اکثر آنها کمتر از دو دوجین کد هستند. چالش‌ها عبارتند از یافتن فاکتورهای اصلی، مرتب‌سازی رشته‌ها، زمان‌بندی یک تابع، حل سودوکو و موارد دیگر. شما می توانید با استفاده از ابزارهای موجود در کتابخانه استاندارد پایتون با هر مشکلی مقابله کنید یا کتابخانه مورد نظر خود را انتخاب کنید. و از آنجایی که هر چالش مستقل است، می توانید دوره را به هر ترتیبی و با سرعت خود تکمیل کنید. برای به دست آوردن تمرین عملی که برای ارتقاء مهارت های خود نیاز دارید، هماهنگ شوید.

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 چیزی ارائه می دهد. راه اندازی ماشین محلی 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.

هر قسمت از مجموعه Level Up حداقل 15 فرصت کوچک برای تمرین برنامه نویسی در سطوح مختلف دشواری ارائه می دهد، بنابراین می توانید خودتان را به چالش بکشید و آموخته های خود را تقویت کنید. برای یادگیری نحوه راه‌اندازی و راه‌اندازی یک فضای کد، ویدیوی «استفاده از فضاهای کد GitHub با این دوره» را ببینید.

 پایتون به سرعت به یکی از محبوب ترین زبان های برنامه نویسی در جهان تبدیل شد. اگر به دنبال یافتن یک نقش جدید یا متمایز شدن از بقیه افراد هستید، باید مهارت های کدنویسی پیشرفته خود را توسعه دهید. چالش‌های کدنویسی یکپارچه پایتون را کشف کنید تا درک خود را از مفاهیم پیشرفته پایتون آزمایش کنید، همراه با مربی جاناتان فرناندز، مشاور علم داده مبتنی بر نتایج. در مورد آنچه که برای پر کردن شکاف دانش خود به سطح بعدی لازم است بیشتر بیاموزید، یادگیری نحوه نوشتن کد بسیار پیشرفته و سطح تولید که تمیز، مؤثر و پویا است. پس از تکمیل این دوره، شما آماده خواهید بود که مهارت های کدنویسی جدید خود را در نقش فعلی یا آینده خود به کار بگیرید.

این دوره با GitHub Codespaces، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای مورد علاقه شما را ارائه می دهد، یکپارچه شده است. IDE بدون نیاز به تنظیم ماشین محلی. با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید—همه با استفاده از ابزاری که احتمالاً در محل کار با آن مواجه خواهید شد.

هر قسمت از Level Up< مجموعه /em> حداقل 15 فرصت کوچک برای تمرین برنامه نویسی در سطوح مختلف دشواری ارائه می دهد، بنابراین می توانید خودتان را به چالش بکشید و آموخته های خود را تقویت کنید. برای یادگیری نحوه راه‌اندازی و راه‌اندازی یک فضای کد، ویدیوی «استفاده از فضاهای کد GitHub با این دوره» را ببینید.

 یک مقدمه سریع برای پایتون دریافت کنید. در این دوره آموزشی، می توانید یاد بگیرید که پایتون چیست و چرا به یک زبان برنامه نویسی قدرتمند و پرتقاضا تبدیل شده است. لاوانیا ویجایان، متخصص و مربی پایتون، اصول برنامه نویسی در پایتون را با انواع داده، متغیرها، توابع، دنباله ها، دستورات شرطی، تکرار و بازگشت به اشتراک می گذارد. این دوره با مقدمه ای کوتاه بر برنامه نویسی شی گرا در پایتون به پایان می رسد. یادگیری یک زبان برنامه نویسی جدید نباید سخت باشد. با این دوره، می توانید اصول اولیه مورد نیاز برای مهارت در پایتون را بیاموزید و تصمیم بگیرید که آیا این زبان برای پروژه های شما مناسب است یا خیر.

nn ما خوشحالیم که این محتوا را در کتابخانه خود میزبانی می کنیم.

 لیست های دو بعدی یک ساختار داده ضروری در برنامه نویسی هستند. در این دوره عملی، یاد بگیرید که چگونه در پایتون یک بازی حافظه کامل ایجاد کنید و با آن ها کار کنید. مربی رابین اندروز با اصول اولیه شروع می کند و توضیح می دهد که لیست های دوبعدی چیست و چگونه آنها را در پایتون به کار بیندازید. رابین به سرعت از حالت تئوری به عملی حرکت می کند و به جزئیات ایجاد یک بازی حافظه ساده بر اساس تطبیق کارت می پردازد. او توضیح می دهد که چگونه ماژول ها را وارد کنید، توابعی بنویسید که از عملیات بازی شما پشتیبانی می کند و ورودی کاربر را تأیید می کند. به علاوه، او استراتژی هایی را برای اصلاح پروژه شما به اشتراک می گذارد. پس از پایان دادن به این دوره، یک بازی کارآمد خواهید داشت که به عنوان گواهی برای درک بهتر شما از لیست های دو بعدی در پایتون عمل می کند.

 پس از دریافت برنامه های ساده با یک یا دو متغیر ، از ساختارهای داده برای ذخیره مقادیر در برنامه های خود استفاده می کنید. ساختار داده ها بسیار شبیه به ظروف هستند - برای هر راهی که می خواهید داده های خود را ذخیره کنید وجود دارد. در حالی که ساختارهایی مانند آرایه ها و صف ها گاهی اوقات به صورت مناسب گرفته می شوند ، درک عمیق تر برای هر برنامه نویس که می خواهد بداند "زیر کاپوت" چه می گذرد ، بسیار مهم است و درک می کند که چگونه انتخاب هایی که آنها انجام داده اند بر عملکرد و کارآیی برنامه های آنها تأثیر می گذارد. در این دوره ، کاترین هاج یک نمای کلی از اساسی ترین ساختار داده برای برنامه نویسی مدرن در پایتون را ارائه می دهد. کاترین با شروع با روشهای ساده گروه بندی داده ها ، مانند آرایه ها ، لیست ها و Tuples ، ساختارهای داده پیچیده تری مانند فرهنگ لغت ، مجموعه ها ، صف ها و پشته ها را معرفی می کند. هر درس با یک نمونه عملی در دنیای واقعی همراه است که ساختار داده ها را در عمل نشان می دهد. پس از اتمام این دوره ، درک غنی تری از ساختار داده ها و نحوه استفاده از آنها به عنوان کدگذاری خواهید داشت.

 کلمه "الگوریتم" ، در یک زمان تنها استان ریاضیات و علوم کامپیوتر ، وارد زبان مدرن شده است زیرا برای بهتر یا بدتر ، الگوریتم ها در زندگی روزمره هرگز مهمتر یا تأثیرگذارتر نبوده اند. اگر یک توسعه دهنده هستید ، باید با طیف گسترده ای از تفکر الگوریتمی آشنا باشید تا بتوانید مشکلات جدیدی را در هنگام ارائه خود حل کنید. اگر از قبل با پایتون آشنا هستید ، در تفکر الگوریتمی بیشتر آگاهی پیدا کنید ، راهی عالی برای افزایش ارزش شما به عنوان یک توسعه دهنده است. در این دوره ، رابین اندروز توضیح می دهد که چگونه پایتون به دلیل وضوح و بیان آن ، ابزاری ایده آل برای کاوش در تفکر الگوریتمی است. او ابزارهایی را برای کمک به شما در درک جریان الگوریتم ها نشان می دهد ، رویکرد نیروی بی رحمانه در حل الگوریتم ها ، مفاهیم پیچیدگی زمان و فضا را با توجه به تجزیه و تحلیل الگوریتم ، کاهش و استراتژی فاتح و موارد دیگر توضیح می دهد.

 به مربی Miki Tebeka بپیوندید که در پشته علمی پایتون شیرجه می‌زند و به شما نشان می‌دهد چگونه از آن برای حل مشکلات استفاده کنید. Miki بسته‌های اصلی مورد استفاده در فرآیند علم داده را پوشش می‌دهد: numpy، pandas، matplotlib، scikit-learn، و موارد دیگر. او همچنین شما را از طریق نحوه بارگیری داده ها، تجزیه و تحلیل داده ها، اجرای مدل ها و نمایش نتایج راهنمایی می کند.

این دوره با GitHub Codespaces، 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، 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 یادگیری نحوه شروع، ویدیوی «استفاده از فضاهای کد GitHub با این دوره» را بررسی کنید.

 

به‌عنوان یک مهندس نرم‌افزار، وظایف روزانه شما می‌تواند مانند یک لیست بی‌پایان به نظر برسد، بنابراین پیدا کردن زمان برای توسعه مهارت‌های جدید برای رشد و پیشرفت شغلی‌تان اغلب دشوار است. چگونه در سازمان خود تأثیر می گذارید و در عین حال کار اصلی خود را نیز تکمیل می کنید؟

در این دوره، کاترین هاج شما را طی فرآیند ارائه یک ایده برای یک ابتکار، برنامه ریزی آن و سپس اجرای راه حل با تیم خود راهنمایی می کند. کاترین اصول اولیه میکروسرویس ها را پوشش می دهد و به شما نشان می دهد که چگونه مشکلات را هنگام ساخت و استفاده از میکروسرویس ها شناسایی و حل کنید. او شما را با PlantUML آشنا می کند، یک ابزار منبع باز که به شما کمک می کند به سرعت نمودارهای توالی، نمودارهای کلاس، نمودارهای مؤلفه و موارد دیگر را ایجاد کنید. او توضیح می دهد که چگونه برای توسعه یک ابتکار حل مسئله برنامه ریزی کنید - و چگونه آن را به تیم خود بفروشید. سپس کاترین به شما نشان می دهد که چگونه یک اسکریپت پایتون بسازید تا داده ها را به کد PlantUML تبدیل کنید، چگونه کد خود را بررسی و اصلاح کنید، و چگونه ابتکار عمل خود را برای تیم خود نمایش دهید.

 درک مفاهیم اصلی برنامه نویسی و دلیل استفاده از آنها به همان اندازه مهم است که بدانید چگونه کد بنویسید. برنامه نویسان جدید باید یاد بگیرند که شکاف را پر کنند و نظریه را به عمل متصل کنند. در این دوره، Barron Stone و Olivia Chui Stone مفاهیم برنامه نویسی در پایتون را با ارتباط آنها با اشیاء، اقدامات و سناریوهای واقعی زندگی به تصویر می کشند. هر ویدیو بر یک قیاس متفاوت تمرکز دارد که مفاهیم را در کد نشان می دهد. به Barron و Olivia بپیوندید تا شما را از طریق یک شنبه معمولی بگذرانند و از وظایف و وظایف منظم - و حتی سفارش پیتزا - برای توضیح توابع، اشیاء، صف‌ها، مجموعه‌ها، حلقه‌ها و سایر ساختارهای برنامه‌نویسی استفاده کنند.

 اگر از کاربران پایتون در مراحل اولیه هستید که به دنبال تقویت بازی حرفه ای خود هستید، باید زمان و پهنای باند خود را برای مطالعه و ارتقای مهارت های خود کنار بگذارید. آنها می گویند که تمرین باعث عالی می شود، پس چرا از همین الان شروع نکنیم؟ در این دوره، مربی Ronnie Sheer ابزارها، تکنیک ها و دانش عملی کاربران متخصص پایتون را با بیست چالش کدنویسی عملی و تعاملی به شما نشان می دهد تا مهارت های خود را در حین حرکت آزمایش کنید. مهارت فعلی پایتون خود را با نکاتی در مورد دامنه، رشته ها، حلقه ها، داده های CSV، محاسبات، مجموعه داده های JSON، سرورهای وب و موارد دیگر به سطح بعدی ببرید. در پایان این دوره، شما به حرکات متخصص جدید مجهز خواهید شد تا به یادگیری در پروژه های آینده خود ادامه دهید.

بهترین راه برای یادگیری زبان استفاده از آن در عمل است. به همین دلیل است که 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 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 یادگیری نحوه شروع، ویدیوی «استفاده از فضاهای کد GitHub با این دوره» را بررسی کنید.

 قدرت و تطبیق پذیری پایتون - همراه با اکوسیستم بزرگ آن از بسته های شخص ثالث - آن را برای دانشمندان داده ضروری می کند. در این دوره، مدرس Harshit Tyagi نکات و تکنیک‌های عملی را به اشتراک می‌گذارد که می‌تواند به شما در بهبود گردش کار علم داده پایتون کمک کند. Harshit نحوه کار با نوت بوک های IPython از جمله نحوه اشکال زدایی خطاها را پوشش می دهد. او نحوه استفاده از NumPy را برای دستکاری آرایه ها و همچنین نحوه کار با پانداها، ابزار دستکاری و تجزیه و تحلیل داده ها را نشان می دهد. او نکاتی را برای تجسم داده‌های شما با Matplotlib ارائه می‌کند و نحوه اضافه کردن متن به نمودارها و حاشیه‌نویسی عناصر در نمودار را توضیح می‌دهد. به‌علاوه، بهترین روش‌ها را برای کار با scikit-learn و همچنین سایر نکات یادگیری ماشینی دریافت کنید.

 پایتون – زبان شی گرا محبوب و بسیار خوانا – هم قدرتمند است و هم یادگیری آن نسبتاً آسان است. چه در برنامه نویسی تازه کار باشید و چه یک توسعه دهنده با تجربه، این دوره می تواند به شما در شروع کار با پایتون کمک کند. جو مارینی یک نمای کلی از فرآیند نصب، نحو اصلی پایتون و نمونه ای از نحوه ساخت و اجرای یک برنامه ساده پایتون ارائه می دهد. یاد بگیرید که با تاریخ و زمان کار کنید، فایل‌ها را بخوانید و بنویسید، و داده‌های HTML، JSON و XML را از وب بازیابی و تجزیه کنید.

 

دنیای جذاب شبکه های عصبی حلقوی (CNN) را کشف کنید و کشف کنید که چگونه آنها در زمینه دید رایانه و یادگیری عمیق انقلابی ایجاد کرده اند. بلوک های ساختمانی CNN ها را درک کرده و با استفاده از پایتون ، با تمرکز بر روی برنامه های دنیای واقعی مانند طبقه بندی تصویر ، تشخیص شی و تقسیم تصویر ، به تمرینات عملی بپردازید. مربی فرد Nwanganga به شما کمک می کند تا در طراحی ، اجرای و بهینه سازی مدل های CNN مهارت لازم را داشته باشید. درک خود را از معماری های پیشرفته مانند VGG NET ، RESNET و کارآمد ، تقویت کنید و نحوه استفاده از مدلهای پیش ساخته را برای دقت و کارآیی افزایش دهید. این دوره که برای دانشمندان داده ، علاقه مندان به یادگیری ماشین و توسعه دهندگان با درک بنیادی از یادگیری عمیق و مهارت های برنامه نویسی پایتون طراحی شده است ، این دوره به شما کمک می کند تا تکنیک های پیشرفته یادگیری ماشین را باز کنید. با استفاده از Codepaces GitHub ، می توانید از هر دستگاه ، در هر زمان ، همه در حالی که از ابزاری استفاده می کنید که احتمالاً در محل کار با آن روبرو خواهید شد ، استفاده کنید. برای یادگیری نحوه شروع کار "استفاده از Codespaces GitHub" را با این دوره بررسی کنید.

 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.

 آیا به دنبال راهی عملی برای استفاده از یادگیری ماشین برای حل مشکلات پیچیده دنیای واقعی هستید؟ رگرسیون لجستیک رویکردی برای یادگیری ماشینی تحت نظارت است که مقادیر انتخاب شده را برای پیش‌بینی نتایج احتمالی مدل‌سازی می‌کند. در این دوره، فردریک نوانگانگا، استاد نوتردام، راهنمای گام به گام نحوه ساخت یک مدل رگرسیون لجستیک با استفاده از پایتون را در اختیار شما قرار می دهد. نکات عملی برای جمع آوری، کاوش، و تبدیل داده های خود را قبل از شروع بیاموزید. در پایان این دوره، شما مهارت های فنی برای دانستن زمان و نحوه طراحی، ساخت، ارزیابی و مدیریت موثر یک مدل رگرسیون لجستیک را به تنهایی خواهید داشت.

این دوره با GitHub یکپارچه شده است. Codespaces، 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 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 یادگیری نحوه شروع، ویدیوی «استفاده از فضاهای کد GitHub با این دوره» را بررسی کنید.

 به مربی فردریک نوانگانگا بپیوندید زیرا او یک رویکرد کاربردی و قابل درک برای استفاده از یادگیری ماشین برای حل مشکلات دنیای واقعی را معرفی می کند و راهنمایی های گام به گام در مورد نحوه انجام این کار در پایتون ارائه می دهد. فردریک به طور خاص بر قوانین انجمن و نحوه اعمال آنها برای تجزیه و تحلیل سبد بازار تمرکز می کند. او توضیح می دهد که قوانین تداعی چیست و دو الگوریتم محبوب را بررسی می کند، سپس به این می پردازد که چه زمانی و چرا باید از قوانین تداعی استفاده کنید. به علاوه، فردریک نحوه ایجاد، تجسم، و تفسیر قوانین ارتباط در پایتون را پوشش می‌دهد.

این دوره با GitHub Codespaces، یک محیط توسعه‌دهنده ابر فوری که تمام قابلیت‌های IDE مورد علاقه شما را بدون نیاز به هیچ‌گونه نیازی ارائه می‌کند، یکپارچه شده است. راه اندازی ماشین محلی 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 یادگیری نحوه شروع، ویدیوی «استفاده از فضاهای کد GitHub با این دوره» را بررسی 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.