“Selenium WebDriver with Python” یک دوره آموزشی پایه است که هدف آن ارائه یک درک جامع از سلنیوم و اجزای آن است. همچنین به درک نحوه عملکرد Selenium WebDriver کمک می کند. این دوره با نمایش تنظیمات محیطی برای Selenium WebDriver با پایتون آغاز می شود. شرح مختصری از مکان یابی عناصر وب و تعاملات وب در این دوره ارائه شده است. این دوره مروری بر تست فریمورک ها با Selenium WebDriver را پوشش می دهد. برخی از موضوعات پیشرفته مانند Handling Popup، Alerts، Multiple Browser Tabs، Mouse and Keyboard تعاملات نیز در این دوره برجسته شده است. این دوره 4 ساعت فیلم آموزشی را ارائه می دهد که به ماژول ها تقسیم می شود. درک مفاهیم دوره از طریق نمایش های آزمایشگاهی آسان است. به منظور آزمودن درک فراگیران، هر ماژول شامل ارزیابی‌هایی در قالب پرسش‌های مسابقه و ویدیویی است. یک آزمون اجباری سوالات درجه بندی شده نیز در پایان هر ماژول ارائه شده است. ماژول 1: شروع به کار با Selenium WebDriver ماژول 2: عناصر وب و تعاملات وب ماژول 3: تست سلنیوم و ویژگی های پیشرفته دانش قبلی مبانی زبان برنامه نویسی پایتون و مفاهیم تست را می توان به عنوان پس زمینه توصیه شده برای Selenium WebDriver با پایتون اضافه کرد. در پایان این دوره، فراگیران قادر خواهند بود: -تنظیم محیط برای سلنیوم وب درایور با پایتون بررسی اجمالی چارچوب های تست (unittest، pytest) و راه اندازی موارد تست. - مدیریت پاپ آپ، هشدارها، چندین برگه مرورگر، تعاملات ماوس و صفحه کلید اشکال زدایی با سلنیوم WebDriver

در دوره آموزشی شبکه ابری، خواهیم دید که شبکه باید چه کاری انجام دهد تا محاسبات ابری را فعال کند. ما با صحبت با کارشناسان برجسته صنعت و همچنین بررسی تحقیقات جدید جالبی که ممکن است آینده شبکه ابری را شکل دهد، رویه فعلی را بررسی خواهیم کرد. این دوره به ما امکان می دهد تا چالش های شبکه ابری را عمیقا بررسی کنیم - چگونه یک زیرساخت شبکه بسازیم که چابکی استقرار شبکه های مجازی را بر روی یک زیرساخت مشترک فراهم می کند، که هم انتقال کارآمد داده های بزرگ و هم ارتباطات با تاخیر کم را امکان پذیر می کند. که امکان می دهد برنامه ها در سراسر کشورها و قاره ها فدرال شوند؟ بررسی چگونگی دستیابی به این اهداف، زمینه را برای بقیه دوره فراهم می کند. این دوره بر هر دو عملیات و منطق طراحی تأکید می کند - به عنوان مثال، چیزها چگونه کار می کنند و چرا آنها به این روش طراحی شده اند. ما مشتاقیم که دوره را با شما شروع کنیم و نگاهی به آنچه امروزه به زیرساخت ارتباطی حیاتی برای بسیاری از برنامه ها تبدیل شده است بیاندازیم.

در اولین دوره از تخصص یادگیری عمیق، مفهوم بنیادی شبکه های عصبی و یادگیری عمیق را مطالعه خواهید کرد. در پایان، شما با روندهای فن آوری قابل توجهی که باعث افزایش یادگیری عمیق می شود آشنا خواهید شد. شبکه های عصبی عمیق کاملا متصل را بسازید، آموزش دهید، و اعمال کنید. پیاده سازی شبکه های عصبی کارآمد (بردار)؛ شناسایی پارامترهای کلیدی در معماری شبکه عصبی؛ و یادگیری عمیق را در برنامه های خود اعمال کنید. تخصص یادگیری عمیق برنامه اساسی ما است که به شما کمک می کند قابلیت ها، چالش ها و پیامدهای یادگیری عمیق را درک کنید و شما را برای مشارکت در توسعه فناوری پیشرفته هوش مصنوعی آماده کند. این مسیری را برای شما فراهم می کند تا دانش و مهارت هایی را به دست آورید تا از یادگیری ماشینی در کار خود استفاده کنید، حرفه فنی خود را ارتقا دهید و گامی قطعی در دنیای هوش مصنوعی بردارید.

این دوره در نظر گرفته شده است تا دانشجویان را با CyberGIS - علوم و سیستم‌های اطلاعات جغرافیایی (GIS) - بر اساس زیرساخت‌های سایبری پیشرفته و همچنین پیشرفت هنر در محاسبات با کارایی بالا، داده‌های بزرگ و رایانش ابری در زمینه علم داده‌های مکانی . تاکید بر یادگیری پیشرفت های پیشرفته سایبرجی آی اس و اصول علم داده های مکانی زیربنایی آن است.

داده‌های بازاریابی اغلب آنقدر بزرگ هستند که انسان‌ها نمی‌توانند نمونه‌ای از آن را بخوانند یا تجزیه و تحلیل کنند تا بفهمند چه بینش‌هایی ممکن است در آن نهفته باشد. در این دوره، زبان آموزان از یادگیری عمیق بدون نظارت برای آموزش الگوریتم هایی برای استخراج موضوعات و بینش از داده های متنی استفاده می کنند. یادگیرندگان یک مرور مفهومی از یادگیری ماشینی بدون نظارت را طی می‌کنند و از طریق آموزش‌های آموزشی در پایتون به مجموعه داده‌های دنیای واقعی می‌روند. دوره با یک پروژه بزرگ به پایان می رسد. این دوره از نوت بوک های Jupyter و محیط برنامه نویسی Google Colab، یک محیط نوت بوک مبتنی بر مرورگر Jupyter استفاده می کند. فایل ها در گوگل درایو ذخیره می شوند. این دوره 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، گذراند. 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.

در NumPy، یک بسته اساسی پایتون که برای مشاغل در علم داده بسیار مهم است، مهارت داشته باشید. این دوره جامع برای برنامه نویسان مبتدی که مایل به تبدیل شدن به دانشمندان داده، توسعه دهندگان نرم افزار، تحلیلگران داده، مهندسان یادگیری ماشین، مهندسان داده یا مدیران پایگاه داده هستند، طراحی شده است. با شروع مفاهیم پایه علوم کامپیوتر، مانند برنامه نویسی شی گرا و سازماندهی داده ها با استفاده از مجموعه ها و دیکشنری ها، به ساختارهای داده پیچیده تر مانند آرایه ها، بردارها و ماتریس ها خواهید رسید. تمرین عملی با NumPy شما را به مهارت های ضروری برای مقابله با چالش های کلان داده و حل موثر مشکلات داده مجهز می کند. شما برنامه های پایتون را برای دستکاری و فیلتر کردن داده ها و همچنین ایجاد بینش مفید از مجموعه داده های بزرگ می نویسید. در پایان دوره، شما در خلاصه کردن مجموعه داده ها مانند محاسبه میانگین ها، حداقل ها و حداکثرها مهارت خواهید داشت. علاوه بر این، مهارت های پیشرفته ای در بهینه سازی تجزیه و تحلیل داده ها با بردارسازی و تصادفی سازی داده ها به دست خواهید آورد. در طول سفر یادگیری خود، از انواع بسیاری از ساختارهای داده و تکنیک های تحلیلی برای انواع چالش های علم داده، از جمله عملیات ریاضی، تجزیه و تحلیل فایل متنی، و پردازش تصویر استفاده خواهید کرد. گام به گام، تکالیف هدایت شده هر هفته مهارت های شما را تقویت می کند و شما را قادر می سازد تا مشکلات را حل کنید و به طور مستقل نتیجه گیری های مبتنی بر داده ها را بگیرید. با تسلط بر NumPy و تقویت مهارت برنامه نویسی خود، خود را برای یک حرفه پربار در علم داده آماده کنید. این تجربه یادگیری متحول کننده را از امروز شروع کنید!

حجم فزاینده ای از داده ها در زیست پزشکی و مراقبت های بهداشتی از داده های ژنومی گرفته تا پرونده های الکترونیکی بیماران و داده های جمع آوری شده توسط دستگاه های پوشیدنی در دسترس است. پیشرفت های اخیر در علم داده، علوم زیستی را متحول کرده و منجر به پزشکی دقیق و مراقبت های بهداشتی طبقه بندی شده می شود. در این دوره آموزشی، با انواع مختلف داده ها و روش های محاسباتی مربوط به مراقبت های بهداشتی طبقه بندی شده و پزشکی دقیق آشنا خواهید شد. شما تجربه عملی کار با چنین داده هایی را خواهید داشت. و از رهبران این حوزه در مورد مطالعات موردی موفق یاد خواهید گرفت. موضوعات عبارتند از: (i) پردازش توالی، (ii) تجزیه و تحلیل تصویر، (iii) مدل سازی شبکه، (iv) مدل سازی احتمالی، (v) یادگیری ماشین، (vi) پردازش زبان طبیعی، (vii) مدل سازی فرآیند و (viii) نمودار داده ها ویدیوی تبلیغاتی دوره را اینجا ببینید: http://edin.ac/2pn350P

این سومین دوره از هفت دوره در گواهی تحلیل داده های پیشرفته گوگل است. در این دوره، یاد خواهید گرفت که چگونه داستان را در داده ها پیدا کنید و آن داستان را به شیوه ای قانع کننده بیان کنید. خواهید فهمید که چگونه متخصصان داده از داستان سرایی برای درک بهتر داده های خود و انتقال بینش های کلیدی به هم تیمی ها و ذینفعان استفاده می کنند. شما همچنین تجزیه و تحلیل داده های اکتشافی را تمرین خواهید کرد و یاد خواهید گرفت که چگونه تجسم داده های موثر ایجاد کنید. کارمندان Google که در حال حاضر در این زمینه کار می‌کنند، با ارائه فعالیت‌های عملی که وظایف مرتبط را شبیه‌سازی می‌کنند، نمونه‌هایی از کارهای روزمره خود را به اشتراک می‌گذارند و به شما کمک می‌کنند مهارت‌های تجزیه و تحلیل داده‌های خود را برای آماده شدن برای حرفه خود ایجاد کنید، شما را در این دوره راهنمایی می‌کنند. فراگیرانی که هفت دوره در این برنامه را گذرانده اند، مهارت های لازم برای درخواست برای مشاغل علوم داده و تجزیه و تحلیل داده های پیشرفته را خواهند داشت. این گواهی مستلزم دانش قبلی از اصول، مهارت‌ها و ابزارهای تحلیلی پایه است که در گواهی Google Data Analytics پوشش داده شده است. در پایان این دوره، شما: -از ابزار پایتون برای بررسی ساختار و قالب داده های خام استفاده کنید -کتابخانه های پایتون مربوطه را برای پاکسازی داده های خام انتخاب کنید -نشان دادن نحوه تبدیل داده های دسته بندی به داده های عددی با پایتون -از مهارت های اعتبارسنجی ورودی برای اعتبارسنجی مجموعه داده با پایتون استفاده کنید -تکنیک هایی را برای ایجاد تجسم داده های قابل دسترس با Tableau شناسایی کنید -تصمیم گیری در مورد داده های از دست رفته و موارد پرت -ساختار و سازماندهی داده ها با دستکاری رشته های تاریخ

این چهارمین دوره از هفت دوره در گواهی تحلیل داده های پیشرفته گوگل است. در این دوره، خواهید فهمید که چگونه متخصصان داده از آمار برای تجزیه و تحلیل داده ها و به دست آوردن بینش های مهم استفاده می کنند. شما مفاهیم کلیدی مانند آمار توصیفی و استنباطی، احتمال، نمونه گیری، فواصل اطمینان و آزمون فرضیه را بررسی خواهید کرد. همچنین یاد خواهید گرفت که چگونه از پایتون برای تجزیه و تحلیل آماری استفاده کنید و مانند یک متخصص داده، یافته های خود را به اشتراک بگذارید. کارمندان Google که در حال حاضر در این زمینه کار می‌کنند، با ارائه فعالیت‌های عملی که وظایف مرتبط را شبیه‌سازی می‌کنند، به اشتراک گذاشتن نمونه‌هایی از کارهای روزانه‌شان، و کمک به شما در تقویت مهارت‌های تجزیه و تحلیل داده‌ها برای آماده شدن برای حرفه‌تان، شما را در این دوره راهنمایی می‌کنند. فراگیرانی که هفت دوره در این برنامه را تکمیل می کنند، مهارت های مورد نیاز برای درخواست برای مشاغل علوم داده و تجزیه و تحلیل داده های پیشرفته را خواهند داشت. این گواهی مستلزم آگاهی قبلی از اصول، مهارت‌ها و ابزارهای تحلیلی پایه است که در گواهی تجزیه و تحلیل داده‌های Google پوشش داده شده است. در پایان این دوره، شما: -کاربرد آمار در علم داده را شرح دهید -از آمار توصیفی برای خلاصه کردن و کشف داده ها استفاده کنید محاسبه احتمال با استفاده از قوانین اساسی داده های مدل با توزیع احتمال -کاربرد روش های مختلف نمونه گیری را شرح دهید -محاسبه توزیع های نمونه -فواصل اطمینان را بسازید و تفسیر کنید -آزمون های فرضیه را انجام دهید

این دوره کلاس ها، نمونه ها و وراثت را معرفی می کند. شما یاد خواهید گرفت که چگونه از کلاس ها برای نمایش داده ها به روش های مختصر و طبیعی استفاده کنید. همچنین می‌آموزید که چگونه روش‌های داخلی را نادیده بگیرید و چگونه کلاس‌های "ارثی" ایجاد کنید که از عملکرد مجدد استفاده می‌کنند. همچنین با نحوه طراحی کلاس ها آشنا خواهید شد. در نهایت، با عادت خوب برنامه نویسی نوشتن تست های خودکار برای کدهای خود آشنا خواهید شد. اگر قبلاً با اصول پایتون آشنا هستید، این دوره برای شما مناسب‌تر است که در دوره‌های «مبانی پایتون» و «توابع، فایل‌ها و فرهنگ‌های پایتون» (دوره‌های 1 و 2 تخصص برنامه‌نویسی پایتون 3) پوشش داده شده‌اند. گذراندن دوره "جمع آوری و پردازش داده ها با پایتون" (دوره 3 تخصص) اختیاری است، اما دانش بازیابی و پردازش داده های تو در تو پیچیده مفید است. این چهارمین دوره از پنج دوره تخصصی برنامه نویسی پایتون 3 است.

این پنجمین دوره در تخصص IBM AI Enterprise Workflow Certification است.   شما قویاً تشویق می‌شوید که این دوره‌ها را به ترتیب تکمیل کنید، زیرا این دوره‌ها دوره‌های مستقل جداگانه نیستند، بلکه بخشی از جریان کاری هستند که هر دوره بر اساس دوره‌های قبلی است. این دوره شما را با حوزه ای آشنا می کند که تعداد کمی از دانشمندان داده قادر به تجربه آن هستند: استقرار مدل هایی برای استفاده در شرکت های بزرگ.  Apache Spark یک فریمورک بسیار رایج برای اجرای مدل های یادگیری ماشینی است.  بهترین شیوه های استفاده از Spark در این دوره پوشش داده خواهد شد.  بهترین شیوه ها برای دستکاری داده ها، آموزش مدل، و تنظیم مدل نیز پوشش داده خواهد شد.  مورد استفاده نیازمند ایجاد و استقرار یک سیستم توصیه‌کننده است. این دوره با مقدمه ای بر فناوری های استقرار مدل به پایان می رسد.   در پایان این دوره شما قادر خواهید بود: 1. از RDD ها، دیتافریم ها و خط لوله Apache Spark استفاده کنید 2. از اسکریپت‌های spark-submit برای ارتباط با محیط‌های Spark استفاده کنید 3. نحوه عملکرد فیلتر مشارکتی و فیلتر مبتنی بر محتوا را توضیح دهید 4. با استفاده از جریان Apache Spark و Apache Spark یک خط لوله انتقال داده بسازید 5. ابرپارامترها را در مدل‌های یادگیری ماشین در Apache Spark تجزیه و تحلیل کنید 6. الگوریتم‌های یادگیری ماشین را با استفاده از رابط یادگیری ماشین Apache Spark اجرا کنید 7. یک مدل یادگیری ماشینی را از Watson Studio به Watson Machine Learning مستقر کنید چه کسانی باید این دوره را بگذرانند؟ این دوره متخصصان علوم داده موجود را هدف قرار می دهد که در ساخت مدل های یادگیری ماشین تخصص دارند و می خواهند مهارت های خود را در ساخت و استقرار هوش مصنوعی در شرکت های بزرگ عمیق تر کنند. اگر شما یک دانشمند داده مشتاق هستید، این دوره برای شما مناسب نیست زیرا برای بهره مندی از محتوای این دوره ها به تخصص دنیای واقعی نیاز دارید. چه مهارت هایی باید داشته باشید؟ فرض بر این است که شما دوره های 1 تا 4 از تخصص گردش کار IBM AI Enterprise را تکمیل کرده اید و قبل از شروع این دوره، درک کاملی از موضوعات زیر دارید: درک بنیادی از جبر خطی. درک نمونه گیری، نظریه احتمال و توزیع احتمال. آشنایی با مفاهیم آماری توصیفی و استنباطی. درک کلی از تکنیک های یادگیری ماشین و بهترین شیوه ها؛ درک تمرینی پایتون و بسته‌هایی که معمولاً در علم داده استفاده می‌شوند: NumPy، Pandas، matplotlib، scikit-learn. آشنایی با IBM Watson Studio; آشنایی با فرآیند تفکر طراحی

این دومین دوره در تخصص IBM AI Enterprise Workflow Certification است.  شما قویاً تشویق می‌شوید که این دوره‌ها را به ترتیب تکمیل کنید، زیرا این دوره‌ها دوره‌های مستقل جداگانه نیستند، بلکه بخشی از جریان کاری هستند که هر دوره بر اساس دوره‌های قبلی است.   در این دوره شما کار خود را برای یک شرکت رسانه ای فرضی با انجام تجزیه و تحلیل داده های اکتشافی (EDA) آغاز خواهید کرد.  بهترین روش‌ها برای تجسم داده‌ها، مدیریت داده‌های از دست رفته و آزمایش فرضیه به عنوان بخشی از کار شما به شما معرفی می‌شود.  شما تکنیک های تخمین با توزیع احتمال و گسترش این تخمین ها را برای اعمال آزمون های اهمیت فرضیه صفر خواهید آموخت. آنچه را که یاد می گیرید از طریق مطالعات موردی دو دستی به کار می گیرید: تجسم داده ها و آزمایش های متعدد با استفاده از یک خط لوله ساده.   در پایان این دوره شما باید بتوانید: 1. چندین روش برتر در مورد EDA و تجسم داده را فهرست کنید 2. یک داشبورد ساده در Watson Studio ایجاد کنید 3. استراتژی‌های مقابله با داده‌های از دست رفته را شرح دهید 4. تفاوت بین انتساب و انتساب چندگانه را توضیح دهید 5. توزیع‌های رایج را برای پاسخ به سؤالات در مورد احتمالات رویداد به کار ببرید 6. نقش تحقیقی آزمون فرضیه در EDA را توضیح دهید 7. روش‌های مختلفی را برای مقابله با آزمایش‌های چندگانه اعمال کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره متخصصان علوم داده موجود را هدف قرار می دهد که در ساخت مدل های یادگیری ماشین تخصص دارند و می خواهند مهارت های خود را در ساخت و استقرار هوش مصنوعی در شرکت های بزرگ عمیق تر کنند. اگر شما یک دانشمند داده مشتاق هستید، این دوره برای شما مناسب نیست زیرا برای بهره مندی از محتوای این دوره ها به تخصص دنیای واقعی نیاز دارید. چه مهارت هایی باید داشته باشید؟ فرض بر این است که شما دوره 1 تخصص گردش کار IBM AI Enterprise را تکمیل کرده اید و قبل از شروع این دوره، درک کاملی از موضوعات زیر دارید: درک بنیادی از جبر خطی. درک نمونه گیری، نظریه احتمال و توزیع احتمال. آشنایی با مفاهیم آماری توصیفی و استنباطی. درک کلی از تکنیک های یادگیری ماشین و بهترین شیوه ها؛ درک تمرینی پایتون و بسته‌هایی که معمولاً در علم داده استفاده می‌شوند: NumPy، Pandas، matplotlib، scikit-learn. آشنایی با IBM Watson Studio; آشنایی با فرآیند تفکر طراحی

این سومین دوره در تخصص IBM AI Enterprise Workflow Certification است.    شما قویاً تشویق می‌شوید که این دوره‌ها را به ترتیب تکمیل کنید، زیرا این دوره‌ها دوره‌های مستقل جداگانه نیستند، بلکه بخشی از جریان کاری هستند که هر دوره بر اساس دوره‌های قبلی است.   دوره 3 شما را با مرحله بعدی گردش کار برای شرکت رسانه فرضی ما آشنا می کند.  در این مرحله از کار، بهترین روش‌ها را برای مهندسی ویژگی، مدیریت عدم تعادل کلاس و تشخیص سوگیری در داده‌ها خواهید آموخت.  عدم تعادل طبقاتی می تواند اعتبار مدل های یادگیری ماشین شما را به طور جدی تحت تاثیر قرار دهد، و کاهش سوگیری در داده ها برای کاهش ریسک مرتبط با مدل های مغرضانه ضروری است.  این عناوین با بخش‌هایی در مورد بهترین شیوه‌ها برای کاهش ابعاد، تشخیص پرت، و تکنیک‌های یادگیری بدون نظارت برای یافتن الگوها در داده‌های شما دنبال می‌شوند.  مطالعات موردی بر مدل‌سازی موضوع و تجسم داده‌ها متمرکز خواهد بود.   در پایان این دوره شما قادر خواهید بود: 1. از ابزارهایی استفاده کنید که به رفع مشکلات عدم تعادل کلاس و کلاس کمک می کند 2. ملاحظات اخلاقی در مورد سوگیری در داده ها را توضیح دهید 3.  از کتابخانه‌های منبع باز ai Fairness 360 برای تشخیص سوگیری در مدل‌ها استفاده کنید 4. تکنیک های کاهش ابعاد را برای هر دو مرحله EDA و تبدیل به کار ببرید 5. تکنیک‌های مدل‌سازی موضوع را در پردازش زبان طبیعی شرح دهید 6. از مدل‌سازی و تجسم موضوع برای کاوش داده‌های متنی استفاده کنید 7. بهترین شیوه‌های رسیدگی به داده‌های با ابعاد بالا را به کار بگیرید 8. الگوریتم‌های تشخیص پرت را به‌عنوان ابزار تضمین کیفیت و ابزار مدل‌سازی به کار بگیرید. 9. تکنیک های یادگیری بدون نظارت را با استفاده از خطوط لوله به عنوان بخشی از گردش کار هوش مصنوعی به کار بگیرید 10. از الگوریتم‌های خوشه‌بندی اولیه استفاده کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره متخصصان علوم داده موجود را هدف قرار می دهد که در ساخت مدل های یادگیری ماشین تخصص دارند و می خواهند مهارت های خود را در ساخت و استقرار هوش مصنوعی در شرکت های بزرگ عمیق تر کنند. اگر شما یک دانشمند داده مشتاق هستید، این دوره برای شما مناسب نیست زیرا برای بهره مندی از محتوای این دوره ها به تخصص دنیای واقعی نیاز دارید.   چه مهارت هایی باید داشته باشید؟ فرض بر این است که شما دوره های 1 و 2 تخصص گردش کار IBM AI Enterprise را تکمیل کرده اید و قبل از شروع این دوره درک کاملی از موضوعات زیر دارید: درک بنیادی جبر خطی. درک نمونه گیری، نظریه احتمال و توزیع احتمال. آشنایی با مفاهیم آماری توصیفی و استنباطی. درک کلی از تکنیک های یادگیری ماشین و بهترین شیوه ها؛ درک تمرینی پایتون و بسته‌هایی که معمولاً در علم داده استفاده می‌شوند: NumPy، Pandas، matplotlib، scikit-learn. آشنایی با IBM Watson Studio; آشنایی با فرآیند تفکر طراحی

این چهارمین دوره در تخصص IBM AI Enterprise Workflow Certification است.    شما قویاً تشویق می‌شوید که این دوره‌ها را به ترتیب تکمیل کنید، زیرا این دوره‌ها دوره‌های مستقل جداگانه نیستند، بلکه بخشی از جریان کاری هستند که هر دوره بر اساس دوره‌های قبلی است.  دوره 4 مرحله بعدی گردش کار را پوشش می دهد، که مدل ها و خطوط لوله داده مرتبط با آنها را برای یک شرکت رسانه جریان فرضی تنظیم می کند.  مبحث اول مبحث پیچیده معیارهای ارزیابی را پوشش می‌دهد، جایی که شما بهترین شیوه‌ها را برای تعدادی از معیارهای مختلف از جمله معیارهای رگرسیون، معیارهای طبقه‌بندی، و معیارهای چند طبقه‌ای را یاد خواهید گرفت که از آنها برای انتخاب بهترین مدل برای چالش تجاری خود استفاده خواهید کرد.  موضوعات بعدی بهترین شیوه‌ها را برای انواع مختلف مدل‌ها از جمله مدل‌های خطی، مدل‌های مبتنی بر درخت و شبکه‌های عصبی پوشش می‌دهند.  از مدل های خارج از جعبه واتسون برای درک زبان طبیعی و تشخیص بصری استفاده خواهد شد.  مطالعات موردی با تمرکز بر پردازش زبان طبیعی و تجزیه و تحلیل تصویر برای ارائه زمینه واقعی برای خطوط لوله مدل وجود خواهد داشت.   در پایان این دوره شما قادر خواهید بود: در مورد معیارهای رگرسیون، طبقه بندی و طبقه بندی چند برچسبی رایج بحث کنید کاربرد رگرسیون خطی و لجستیک در کاربردهای یادگیری نظارت شده را توضیح دهید استراتژی های رایج برای جستجوی شبکه و اعتبارسنجی متقابل را شرح دهید از معیارهای ارزیابی برای انتخاب مدل ها برای استفاده در تولید استفاده کنید استفاده از الگوریتم های مبتنی بر درخت در برنامه های کاربردی یادگیری نظارت شده را توضیح دهید استفاده از شبکه های عصبی در برنامه های کاربردی یادگیری تحت نظارت را توضیح دهید انواع عمده شبکه های عصبی و پیشرفت های اخیر را مورد بحث قرار دهید یک مدل شبکه عصبی در تنسورفلو ایجاد کنید یک نمونه از Watson Visual Recognition ایجاد و آزمایش کنید یک نمونه از Watson NLU ایجاد و آزمایش کنید چه کسانی باید این دوره را بگذرانند؟ این دوره متخصصان علوم داده موجود را هدف قرار می دهد که در ساخت مدل های یادگیری ماشین تخصص دارند و می خواهند مهارت های خود را در ساخت و استقرار هوش مصنوعی در شرکت های بزرگ عمیق تر کنند. اگر شما یک دانشمند داده مشتاق هستید، این دوره برای شما مناسب نیست زیرا برای بهره مندی از محتوای این دوره ها به تخصص دنیای واقعی نیاز دارید.   چه مهارت هایی باید داشته باشید؟ فرض بر این است که شما دوره های 1 تا 3 تخصص گردش کار IBM AI Enterprise را تکمیل کرده اید و قبل از شروع این دوره، درک کاملی از موضوعات زیر دارید: درک اساسی از جبر خطی. درک نمونه گیری، نظریه احتمال و توزیع احتمال. آشنایی با مفاهیم آماری توصیفی و استنباطی. درک کلی از تکنیک های یادگیری ماشین و بهترین شیوه ها؛ درک تمرینی پایتون و بسته‌هایی که معمولاً در علم داده استفاده می‌شوند: NumPy، Pandas، matplotlib، scikit-learn. آشنایی با IBM Watson Studio; آشنایی با فرآیند تفکر طراحی

فناوری‌های شبکه آروبا با هدف اتوماسیون ساخته شده‌اند تا نیازهای روزافزون در مورد توانایی فناوری اطلاعات برای دستیابی به نتایج تجاری کارآمدتر را برآورده کنند. در مبانی اتوماسیون شبکه آروبا، با مفاهیم اتوماسیون شبکه، ابزارهای کلیدی اتوماسیون از جمله پایتون آشنا خواهید شد. و Ansible و نحوه اعمال اتوماسیون شبکه در عمل با محصولات آروبا. این دوره برای حرفه ای های شبکه که می خواهند با دنیای کدنویسی، اسکریپت نویسی و اتوماسیون آشنا شوند عالی است.

این دوره اصول اولیه پایتون 3 شامل اجرای شرطی و تکرار به عنوان ساختارهای کنترلی و رشته ها و لیست ها به عنوان ساختارهای داده را معرفی می کند. شما یک لاک پشت روی صفحه را برای کشیدن تصاویر زیبا برنامه ریزی می کنید. شما همچنین یاد خواهید گرفت که نمودارهای مرجع را به عنوان راهی برای استدلال در مورد اجرای برنامه ترسیم کنید، که به تقویت مهارت های اشکال زدایی شما کمک می کند. دوره هیچ پیش نیازی ندارد. فصل های 1 تا 9 کتاب درسی "مبانی برنامه نویسی پایتون" که متن همراه (اختیاری و رایگان) این دوره است را پوشش می دهد. این دوره برای شما مناسب است اگر در برنامه نویسی پایتون تازه وارد هستید، اگر به یک تجدید نظر در اصول اولیه پایتون نیاز دارید، یا اگر ممکن است تا حدودی با برنامه نویسی پایتون آشنا شده باشید اما می خواهید توضیحات و واژگان عمیق تری برای توصیف و استدلال در مورد برنامه ها داشته باشید. این اولین دوره از پنج دوره تخصصی برنامه نویسی پایتون 3 است.

آیا داده ای دارید و نمی دانید چه چیزی می تواند به شما بگوید؟ آیا به درک عمیق تری از راه های اصلی که یادگیری ماشینی می تواند کسب و کار شما را بهبود بخشد نیاز دارید؟ آیا می خواهید بتوانید با متخصصان در مورد هر چیزی از رگرسیون و طبقه بندی گرفته تا یادگیری عمیق و سیستم های توصیه کننده صحبت کنید؟ در این دوره، از یک سری مطالعات موردی عملی، تجربه عملی در زمینه یادگیری ماشین کسب خواهید کرد. در پایان دوره اول، نحوه پیش بینی قیمت خانه بر اساس ویژگی های سطح خانه، تجزیه و تحلیل احساسات از نظرات کاربران، بازیابی اسناد مورد علاقه، توصیه محصولات و جستجوی تصاویر را مطالعه خواهید کرد. از طریق تمرین عملی با این موارد استفاده، می‌توانید روش‌های یادگیری ماشینی را در طیف گسترده‌ای از حوزه‌ها به کار ببرید. این اولین دوره، روش یادگیری ماشین را به عنوان یک جعبه سیاه در نظر می گیرد. با استفاده از این انتزاع، بر درک وظایف مورد علاقه، تطبیق این وظایف با ابزارهای یادگیری ماشین و ارزیابی کیفیت خروجی تمرکز خواهید کرد. در دوره های بعدی با بررسی مدل ها و الگوریتم ها به اجزای این جعبه سیاه می پردازید. این قطعات با هم خط لوله یادگیری ماشینی را تشکیل می دهند که از آن در توسعه برنامه های کاربردی هوشمند استفاده خواهید کرد. نتایج یادگیری: در پایان این دوره، شما قادر خواهید بود: - کاربردهای بالقوه یادگیری ماشین را در عمل شناسایی کنید. -تفاوت های اصلی در تحلیل های فعال شده با رگرسیون، طبقه بندی و خوشه بندی را شرح دهید. -وظیفه یادگیری ماشین مناسب را برای یک برنامه بالقوه انتخاب کنید. -استفاده از رگرسیون، طبقه بندی، خوشه بندی، بازیابی، سیستم های توصیه گر و یادگیری عمیق. -داده‌های خود را به‌عنوان ویژگی‌هایی نمایش دهید تا به عنوان ورودی مدل‌های یادگیری ماشینی استفاده شوند. -کیفیت مدل را از نظر معیارهای خطای مربوطه برای هر کار ارزیابی کنید. -از یک مجموعه داده برای تطبیق یک مدل برای تجزیه و تحلیل داده های جدید استفاده کنید. -یک اپلیکیشن سرتاسر بسازید که در هسته خود از یادگیری ماشینی استفاده می کند. -این تکنیک ها را در پایتون پیاده سازی کنید.

این دوره زبان آموز را با مبانی متن کاوی و دستکاری متن آشنا می کند. این دوره با درک نحوه مدیریت متن توسط پایتون، ساختار متن هم برای ماشین و هم برای انسان و مروری بر چارچوب nltk برای دستکاری متن آغاز می شود. هفته دوم بر نیازهای رایج دستکاری، از جمله عبارات منظم (جستجوی متن)، تمیز کردن متن، و آماده کردن متن برای استفاده توسط فرآیندهای یادگیری ماشین تمرکز دارد. هفته سوم روش‌های اصلی پردازش زبان طبیعی را در متن اعمال می‌کند و نشان می‌دهد که چگونه طبقه‌بندی متن انجام می‌شود. در هفته آخر روش های پیشرفته تری برای شناسایی موضوعات در اسناد و گروه بندی آنها بر اساس شباهت (مدل سازی موضوع) بررسی خواهد شد. این دوره باید بعد از: مقدمه ای بر علم داده در پایتون، نقشه برداری کاربردی، نمودار و نمایش داده ها در پایتون، و یادگیری ماشین کاربردی در پایتون گذرانده شود.

چرا یک طراح باید کدنویسی را یاد بگیرد؟ از آنجایی که دنیای ما به طور فزاینده ای تحت تاثیر استفاده از الگوریتم ها قرار می گیرد، طراحان باید نحوه استفاده و ایجاد برنامه های محاسباتی طراحی را بیاموزند. طراحان باید فراتر از استفاده متمرکز از کامپیوترها در اتوماسیون کارهای ساده طراحی/مدل سازی بروند و در عوض پتانسیل فوق العاده دیجیتالی شدن را برای فرهنگ/عمل طراحی کشف کنند. این دوره که حول یک سری مشکلات اساسی طراحی ساختار یافته است، کدهای پایتون را از نظر قوانین و نحو، و کارهایی که می توانیم با آن در کاربرد و طراحی آن انجام دهیم را به شما نشان می دهد. بنابراین، در پایان این دوره، شما اصول اولیه اسکریپت پایتون و راینو را خواهید دانست، اما مهمتر از آن، از طریق لنز کاربرد آنها در درس ها و تمرین های طراحی متمرکز هندسی. موضوعات تحت پوشش در این دوره - مقدمه ای بر محاسبات طراحی به عنوان یک موضوع و اینکه چرا طراحان باید کدنویسی را یاد بگیرند. - مبانی کدنویسی در زبان برنامه نویسی پایتون. در پایان دوره، دانشجویان با ساختار و نحو اصلی این زبان آشنا خواهند شد. - درک و استفاده از Rhinoscriptsyntax، یک زبان برنامه‌نویسی بومی در Rhinoceros که به پایتون وارد شده است، که به فرد اجازه می‌دهد هندسه‌ها را از طریق نوشتن کد ایجاد و کنترل کند. - کاربرد منطق رویه ای - ساختار سیستم های کدگذاری برای تولید فرم هندسی متغیر. - خروجی هندسه ها به صورت ثابت و متحرک.

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.