pandas محبوب‌ترین کتابخانه پایتون در جهان است که برای همه چیز از دستکاری داده‌ها تا تجزیه و تحلیل داده‌ها استفاده می‌شود. در این دوره آموزشی، نحوه دستکاری DataFrames را یاد می گیرید، همانطور که مجموعه داده های دنیای واقعی را برای تجزیه و تحلیل استخراج، فیلتر و تبدیل می کنید. با استفاده از پانداها، تمام مفاهیم اصلی علم داده را کشف خواهید کرد. با استفاده از داده‌های دنیای واقعی، از جمله ارقام فروش Walmart و سری‌های زمانی دمای جهانی، نحوه وارد کردن، تمیز کردن، محاسبه آمار و ایجاد تجسم - با استفاده از پانداها برای افزودن به قدرت پایتون را خواهید آموخت!

ویدیوها حاوی رونوشت‌های زنده هستند که با کلیک کردن روی "نمایش رونوشت" در پایین سمت چپ ویدیوها قابل دسترسی هستند.

واژه نامه دوره را می توانید در سمت راست در بخش منابع پیدا کنید.

برای کسب اعتبارات CPE باید دوره را تکمیل کنید و در ارزیابی واجد شرایط به نمره 70% برسید. می‌توانید با کلیک بر روی علامت اعتبارات CPE در سمت راست به ارزیابی بروید.

در این دوره با اصول دستکاری داده های سری زمانی آشنا خواهید شد. داده‌های سری زمانی، داده‌هایی هستند که با توالی تاریخ یا زمان نمایه می‌شوند. شما یاد خواهید گرفت که چگونه از روش های ساخته شده در پانداها برای کار با این شاخص استفاده کنید. همچنین خواهید آموخت که چگونه سری های زمانی را مجدداً نمونه برداری کنید تا فرکانس را تغییر دهید. این دوره همچنین به شما نشان می دهد که چگونه مقادیر نورد و تجمعی را برای سری های زمانی محاسبه کنید. در نهایت، شما از تمام مهارت‌های جدید خود برای ایجاد یک شاخص سهام با وزن از داده‌های واقعی سهام استفاده خواهید کرد.

رگرسیون خطی و رگرسیون لجستیک دو مدل آماری پرکاربرد هستند و مانند کلیدهای اصلی عمل می‌کنند و اسرار پنهان در مجموعه داده‌ها را باز می‌کنند. در این دوره، مهارت‌هایی را که در «مقدمه‌ای بر رگرسیون در پایتون با مدل‌های آماری» به‌دست آورده‌اید، یاد می‌گیرید، زیرا با رگرسیون خطی و لجستیک با متغیرهای توضیحی متعدد آشنا می‌شوید. از طریق تمرین‌های عملی، روابط بین متغیرها در مجموعه داده‌های دنیای واقعی، قیمت‌های خانه تایوان و مدل‌سازی ریزش مشتری و موارد دیگر را بررسی خواهید کرد. در پایان این دوره، می‌دانید که چگونه چندین متغیر توضیحی را در یک مدل بگنجانید، کشف کنید که چگونه تعاملات بین متغیرها بر پیش‌بینی‌ها تأثیر می‌گذارد، و نحوه عملکرد رگرسیون خطی و لجستیک را درک خواهید کرد.

با غواصی در دنیای شگفت انگیز روش های یادگیری گروهی به سفر یادگیری ماشینی خود ادامه دهید! اینها یک کلاس هیجان انگیز از تکنیک های یادگیری ماشین هستند که چندین الگوریتم فردی را برای افزایش عملکرد و حل مسائل پیچیده در مقیاس در صنایع مختلف ترکیب می کنند. تکنیک های گروه به طور منظم در مسابقات یادگیری ماشین آنلاین نیز برنده می شوند! در این دوره، شما همه چیز را در مورد این تکنیک های پیشرفته گروه، مانند کیسه کردن، تقویت، و انباشتن یاد خواهید گرفت. آنها را با استفاده از کتابخانه‌های پیشرفته یادگیری ماشین Python مانند scikit-learn، XGBoost، CatBoost و mlxtend در مجموعه‌های داده دنیای واقعی اعمال خواهید کرد.

دستگاه‌های پیام‌رسان و کنترل‌شده صوتی پلتفرم‌های بزرگ بعدی هستند و محاسبات مکالمه نقش مهمی در ایجاد تجربه‌های جذاب واقعیت افزوده و مجازی دارد. این دوره شما را در مسیر ساخت چنین برنامه هایی آغاز می کند. تعدادی چالش منحصر به فرد برای ساخت این نوع برنامه ها وجود دارد، مانند اینکه چگونه زبان انسانی را به دستورالعمل برای ماشین ها تبدیل کنم؟ در این دوره، ابتدا با سیستم های مبتنی بر قوانین و سپس با یادگیری ماشینی به این موضوع می پردازید. برخی از سیستم های چت به گونه ای طراحی شده اند که مفید باشند، در حالی که برخی دیگر فقط سرگرم کننده هستند. شما یکی از هرکدام را خواهید ساخت و همه چیز را کنار هم می گذارید تا یک چت بات مفید و دوستانه بسازید. پس از تکمیل دوره، همچنین یاد خواهید گرفت که چگونه ربات چت خود را به Facebook Messenger متصل کنید!

برای ایجاد داشبوردهای غنی از بینش نیازی به نرم افزار فروشنده گران قیمت ندارید—می توانید این کار را با استفاده از Plotly و Dash انجام دهید. به سفر بیایید و بیاموزید که چگونه تجسم های Plotly خود را با استفاده از داده های تجارت الکترونیک جهانی به داشبوردهای تعاملی تبدیل کنید. شما اصول اولیه برنامه های کاربردی وب را یاد خواهید گرفت و نحوه ساختار و استایل داشبوردهای خود را با استفاده از HTML و CSS خواهید یافت – با ساختن مجموعه ای از داشبوردها که می توانید با داده ها و پروژه های خود سازگار شوید. آیا آماده اید که نقشه های خود را زنده کنید؟

هوش مصنوعی را از یک چت بات به یک تیم کامل از همکاران با CrewAI تبدیل کنید. در این دوره عملی، شما سیستم‌های چند عاملی می‌سازید که با حداقل ورودی انسان، محتوا را تحقیق، تجزیه و تحلیل و تولید می‌کنند. با شروع با یک عامل واحد، به جریان‌های کاری پویا و مبتنی بر حافظه می‌رسید که تصمیم‌گیری می‌کنند، زمینه را به اشتراک می‌گذارند و کارهای پیچیده را با هم کامل می‌کنند. در پایان، می‌دانید که چگونه خطوط لوله هوش مصنوعی خودکار خود را طراحی کنید و استودیوی محتوای دیجیتال خود را که توسط CrewAI پشتیبانی می‌شود، مستقر خواهید کرد.

دستیار پشتیبانی مشتری را گام به گام با کیت توسعه نماینده Google بسازید: از یک ربات خوشامدگویی یک خطی شروع کنید، سپس ابزارهایی را برای جستجوی پرسش‌های متداول، حفاظ‌های خط‌مشی برای ایمنی، و تفویض چند نماینده برای درخواست‌های پیچیده اضافه کنید. در طول دوره، Gemini را سیم‌کشی می‌کنید، با APIهای خارجی تماس می‌گیرید، و عوامل فرعی متخصص را هماهنگ می‌کنید، با تمرکز بر طراحی عامل عملی.

بیاموزید فراتر از رابط‌های چت ساده بروید و عوامل هوش مصنوعی کاملاً کاربردی بسازید که می‌توانند استدلال کنند، تصمیم بگیرند و از ابزارهای خارجی برای اقدام استفاده کنند. با استفاده از Haystack، یک چارچوب منبع باز برای برنامه های کاربردی مبتنی بر LLM، یک عامل مراقبت های بهداشتی می سازید که قادر به جستجو در وب و جستجو در داده های ساختار یافته بیمار است. در طول مسیر، بر اصول کلیدی طراحی عاملی تسلط خواهید داشت، خطوط لوله قابل استفاده مجدد می سازید و اجزا را در یک سیستم هوشمند ادغام می کنید. در پایان، شما نه تنها متوجه خواهید شد که عوامل هوش مصنوعی چگونه کار می کنند، بلکه یکی از آنها را از ابتدا ساخته اید.

ما انتظار تجربه‌های شخصی‌سازی شده آنلاین را داریم—خواه نتفلیکس نمایشی را توصیه می‌کند یا خرده‌فروشی آنلاینی که اقلامی را پیشنهاد می‌کند که شما نیز بخواهید بخرید. اما این پیشنهادات چگونه تولید می شوند؟ در این دوره، همه چیزهایی را که برای ایجاد موتور توصیه خود نیاز دارید، یاد خواهید گرفت. از طریق تمرینات عملی، با دو سیستم رایج، فیلتر مشارکتی و فیلتر مبتنی بر محتوا، آشنا خواهید شد. در مرحله بعد، نحوه اندازه‌گیری شباهت‌هایی مانند فاصله ژاکارد و شباهت کسینوس و نحوه ارزیابی کیفیت توصیه‌ها در داده‌های آزمایشی با استفاده از ریشه میانگین مربعات خطا (RMSE) را یاد خواهید گرفت. در پایان این دوره، شما موتور پیشنهاد فیلم خود را ساخته اید و می توانید مهارت های پایتون خود را برای ایجاد این سیستم ها برای هر صنعتی به کار ببرید.

بیشتر برنامه های کامپیوتری بر اساس چند ساختار داده و الگوریتم هستند. در این دوره چهار ساعته با آنچه در پشت سرپوش اکثر تعاملات کامپیوتری شما وجود دارد بیاموزید! شما با برخی از رایج ترین ساختارهای داده آشنا خواهید شد: لیست های پیوندی، پشته ها، صف ها، نمودارها و درختان. همچنین الگوریتم‌های محبوبی مانند جستجوی اولیه عمق، جستجوی اول عرض، مرتب‌سازی حبابی، مرتب‌سازی ادغام و مرتب‌سازی سریع را پیاده‌سازی خواهید کرد.

نمایندگان خود را با LangGraph طراحی و بسازید! LangGraph بخش اصلی اکوسیستم LangChain است و از آن برای ساخت عوامل هوش مصنوعی آماده تولید با درجه بالایی از قابلیت شخصی‌سازی استفاده می‌شود. شما از LangGraph برای ساختن یک دستیار عامل برای جمع‌آوری اطلاعات و داده‌های عملکرد سهام در شرکت‌های Fortune 500 و تجزیه و تحلیل آن با استفاده از تجسم‌ها استفاده خواهید کرد! معماری‌های چند عامله پیشرفته، ازجمله چند عامل ازدحام (یا غیرمتمرکز) و چند عامل ناظر را کشف کنید. امروز سازنده سیستم های عامل هوش مصنوعی شوید!

مدل‌های یادگیری ماشینی بر اساس مقادیر عددی برای پیش‌بینی/طبقه‌بندی هستند، اما کامپیوترها چگونه می‌توانند با داده‌های متنی برخورد کنند؟ با افزایش عظیم داده های متنی موجود، کاربردهایی مانند طبقه بندی خودکار اسناد، تولید متن و ترجمه ماشینی عصبی امکان پذیر شد. در این دوره آموزشی، نحوه استفاده از شبکه‌های عصبی مکرر برای طبقه‌بندی متن (دودویی و چند کلاسه)، تولید عبارات شبیه‌سازی شخصیت شلدون از برنامه تلویزیونی تئوری بیگ بنگ و ترجمه جملات پرتغالی به انگلیسی را خواهید آموخت. آیا برای شروع سفر خود به مدل های زبانی با استفاده از Keras و Python آماده هستید؟ شیرجه بزنید!

شبیه‌سازی‌ها دسته‌ای از الگوریتم‌های محاسباتی هستند که از ایده نسبتاً ساده نمونه‌گیری تصادفی برای حل مسائل پیچیده‌تر استفاده می‌کنند. اگرچه آنها برای سال‌ها وجود داشته‌اند، اما اخیراً به دلیل افزایش قدرت محاسباتی محبوبیت پیدا کرده‌اند و کاربردهایی را در حوزه‌های متعددی از جمله هوش مصنوعی، فیزیک، زیست‌شناسی محاسباتی و امور مالی مشاهده کرده‌اند. دانش‌آموزان از شبیه‌سازی برای تولید و تجزیه و تحلیل داده‌ها بر روی توزیع‌های احتمال مختلف با استفاده از بسته مهم NumPy استفاده خواهند کرد. این دوره به دانش‌آموزان تجربه عملی با شبیه‌سازی با استفاده از برنامه‌های کاربردی ساده و واقعی می‌دهد.

آیا تا به حال از شما خواسته شده است که فرآیندها و منابع صنعت یا کسب و کار خود را بهینه کنید؟ این دوره به شما یاد می دهد که چگونه با این مشکل بهینه سازی از طریق شبیه سازی رویدادهای گسسته مقابله کنید. با استفاده از بسته SimPy پایتون، دوقلوهای دیجیتالی را برای فرآیندها و منابع مختلف صنعتی بر اساس شبیه‌سازی‌های رویداد گسسته توسعه خواهید داد. شما با چندین نمونه واقعی روبرو خواهید شد و اعتماد به نفس ایجاد مدل‌های رویداد گسسته عملیاتی را از ابتدا به دست خواهید آورد که می‌توانند به عنوان «تخت آزمایش مجازی» برای مطالعه گزینه‌های مدیریت، سناریوهای آزمایش و مطالعه استراتژی‌های بهینه‌سازی استفاده شوند.

این دوره عملی شبیه‌سازی‌های مونت کارلو را معرفی می‌کند، که برای تخمین طیفی از نتایج برای رویدادهای نامشخص استفاده می‌شود، و کتابخانه‌های Python مانند SciPy و NumPy شبیه‌سازی را سریع و آسان می‌کنند! همانطور که مهارت‌های شبیه‌سازی خود را ارتقا می‌دهید، این مهارت‌ها را روی مجموعه داده‌ای از نتایج بیماران دیابتی به کار می‌گیرید و از نتایج شبیه‌سازی خود برای درک اینکه چگونه متغیرهای مختلف بر پیشرفت دیابت تأثیر می‌گذارند، استفاده خواهید کرد. شما توزیع‌های احتمال را بررسی می‌کنید و یاد می‌گیرید که چگونه بهترین توزیع را برای شبیه‌سازی خود انتخاب کنید، و اهمیت همبستگی ورودی و حساسیت مدل را کشف خواهید کرد. در نهایت، یاد خواهید گرفت که با استفاده از کتابخانه تجسم محبوب Seaborn، یافته‌های خود را به اشتراک بگذارید.

در این دوره شما همه چیز را در مورد استفاده از طبقه‌بندی‌کننده‌های خطی، به‌ویژه رگرسیون لجستیک و ماشین‌های بردار پشتیبان، با scikit-learn خواهید آموخت. هنگامی که نحوه به کارگیری این روش ها را یاد گرفتید، در ایده های پشت آن ها غوطه ور خواهید شد و متوجه خواهید شد که واقعاً چه چیزی باعث می شود که این روش ها عمل کنند. در پایان این دوره شما می‌دانید که چگونه این طبقه‌بندی‌کننده‌های خطی را در پایتون آموزش، آزمایش و تنظیم کنید. شما همچنین یک پایه مفهومی برای درک بسیاری از الگوریتم های یادگیری ماشین دیگر خواهید داشت.

چگونگی طراحی آزمایش‌ها و انجام تحلیل‌های آماری را برای شروع نتیجه‌گیری دقیق کشف کنید! در این دوره، یاد خواهید گرفت که چگونه تنظیمات طراحی آزمایشی مختلف، از جمله طرح‌های بلوک تصادفی و طرح‌های فاکتوریل، را می‌توان برای اندازه‌گیری اثرات درمان پیاده‌سازی کرد. شما عمیقاً در انجام تجزیه و تحلیل های آماری بر روی داده های تجربی، از جمله انتخاب آزمون های آماری صحیح برای موقعیت، انجام تجزیه و تحلیل پس از وقوع، و اندازه گیری اندازه اثر و حداقل اندازه نمونه با تجزیه و تحلیل d و توان کوهن، فرو خواهید رفت. در نهایت، یاد می‌گیرید که چگونه از داده‌های آزمایشی پیچیده اطلاعاتی استخراج کنید و یافته‌های خود را به ذینفعان مختلف منتقل کنید، پیچیدگی‌هایی مانند تعاملات، ناهمسانی و آشفتگی را برطرف کنید و زمانی که داده‌ها با مفروضات آزمون‌های پارامتریک مطابقت ندارند، روش‌های ناپارامتریک را پیاده‌سازی کنید.

نحوه طراحی، خودکارسازی و نظارت بر خطوط لوله پیش بینی مقیاس پذیر در پایتون را بیاموزید. این دوره پیشرفته با استفاده از ابزارهایی مانند MLflow و Airflow شما را در کل گردش کار تولید راهنمایی می کند - از منبع داده ها و مدل های آموزشی گرفته تا استقرار و نظارت.

شما با اتصال به منابع داده زنده و ایجاد اولین پیش بینی خود با داده های تقاضای برق ایالات متحده شروع می کنید. در مرحله بعد، شما اصول آزمایش را کشف خواهید کرد، از جمله بک تست، ارزیابی، و ثبت مدل با استفاده از MLflow.

سپس خطوط لوله پیش‌بینی خودکار را با فرآیندهای ETL، ثبت مدل، و هماهنگ‌سازی جریان هوا ایجاد می‌کنید. در نهایت، شما ملزومات استقرار تولید، از جمله نظارت بر سلامت خط لوله، تشخیص جابجایی مدل، و حفظ سیستم‌های پیش‌بینی در محیط‌های واقعی را خواهید آموخت.

هر روز، سیستم‌های هوشمند صنایع را متحول می‌کنند — خواه از طریق پشتیبانی خودکار مشتری، توصیه‌های شخصی‌شده یا پردازش پویا داده‌ها باشد. گردش‌های کاری عاملی، که مدل‌ها و ابزارهای زبان را برای انجام وظایف پیچیده ادغام می‌کنند، در خط مقدم این تحول قرار دارند. این دوره مؤلفه‌های ضروری گردش‌های کاری عاملی را تجزیه می‌کند و نحوه ساخت، سفارشی‌سازی و بهینه‌سازی آنها را توضیح می‌دهد. شما با اصول کلیدی عوامل LangChain، از جمله پیکربندی دستورات، ادغام ابزارها، و مدیریت گردش کار پیچیده با LangGraph آشنا خواهید شد. در پایان این دوره، شما مجهز به ساخت سیستم‌های هوشمندی خواهید بود که وظایف پیچیده را خودکار می‌کنند، بهره‌وری را افزایش می‌دهند و راه‌حل‌های پویا متناسب با نیازهای کسب‌وکار را ارائه می‌کنند.