هدف این دوره برای هر کسی است که علاقه مند به استفاده از تکنیک های یادگیری ماشینی در مسائل علمی است. در این دوره آموزشی، در مورد خط لوله یادگیری ماشینی کامل، از خواندن، تمیز کردن و تبدیل داده ها تا اجرای الگوریتم های یادگیری ماشینی اولیه و پیشرفته، خواهیم آموخت. ما با تکنیک های پیش پردازش داده ها مانند PCA و LDA شروع می کنیم. سپس، به الگوریتم های اساسی هوش مصنوعی می پردازیم: SVMs و K-means clustering. در طول راه، جعبه ابزار ریاضی و برنامه‌نویسی خود را می‌سازیم تا خود را برای کار با مدل‌های پیچیده‌تر آماده کنیم. در نهایت، روش‌های پیشرفته‌ای مانند جنگل‌های تصادفی و شبکه‌های عصبی را بررسی خواهیم کرد. در طول مسیر، از مجموعه داده های پزشکی و نجومی استفاده خواهیم کرد. در پروژه نهایی، ما مهارت های خود را برای مقایسه مدل های مختلف یادگیری ماشین در پایتون به کار خواهیم گرفت.

چه برای سفارشی کردن تبلیغات برای میلیون‌ها بازدیدکننده وب‌سایت یا ساده‌سازی سفارش موجودی در یک رستوران کوچک، داده‌ها برای موفقیت یکپارچه‌تر می‌شوند. خیلی اوقات، ما مطمئن نیستیم که چگونه از داده ها برای یافتن پاسخ سوالاتی که ما را در کاری که انجام می دهیم موفق تر می کند استفاده کنیم. در این دوره، متوجه خواهید شد که چه داده هایی هستند و به این فکر می کنید که چه سوالاتی دارید که می تواند توسط داده ها پاسخ داده شود - حتی اگر قبلاً هرگز به داده ها فکر نکرده باشید. بر اساس داده های موجود، شما یاد خواهید گرفت که یک سوال تحقیقی را ایجاد کنید، متغیرها و روابط آنها را توصیف کنید، آمارهای اولیه را محاسبه کنید و نتایج خود را به وضوح ارائه دهید. در پایان دوره، شما قادر خواهید بود از ابزارهای قدرتمند تجزیه و تحلیل داده ها - اعم از SAS یا Python - برای مدیریت و تجسم داده های خود از جمله نحوه برخورد با داده های از دست رفته، گروه های متغیر و نمودارها استفاده کنید. در طول دوره، پیشرفت خود را با دیگران به اشتراک می‌گذارید تا بازخورد ارزشمندی کسب کنید و همچنین یاد می‌گیرید که چگونه همتایانتان از داده‌ها برای پاسخ به سؤالات خود استفاده می‌کنند.

در این دوره مقدماتی، هم یک نمای کلی از اینکه TDD چیست، چه زمانی می‌تواند و چه زمانی نمی‌تواند اعمال شود، و مزایای آن برای شاغلین و سازمان‌ها چیست، دریافت خواهید کرد. شما همچنین این فرصت را خواهید داشت که با چند پروژه مقدماتی سرگرم کننده دست به کار شوید تا بتوانید آنچه را که آموخته اید به کار ببرید و مزایای این رویکرد را برای حل مشکل خود تجربه کنید. توصیه می کنیم تا حدودی با زبان برنامه نویسی پایتون آشنایی داشته باشید. نمونه ها و آزمایشگاه ها از پایتون استفاده می کنند.

نحوه نوشتن برنامه‌های مبتنی بر پایگاه داده در پایتون را با ایجاد انواع مختلفی از کلاینت‌ها که با استفاده از کد پایتون و ویژگی‌ها و ابزارهای MySQL مربوط به پایتون به پایگاه‌های داده MySQL متصل می‌شوند را بررسی کنید. در پایان این دوره، شما قادر خواهید بود: - از کد پایتون برای ایجاد، پر کردن و دستکاری پایگاه‌های داده و جداول MySQL استفاده کنید - با استفاده از کلاینت های ساخت پایتون به قابلیت های پیشرفته در MySQL دسترسی پیدا کنید - توسعه آشنایی کاری با موضوعات پیشرفته در MySQL - استفاده از اصول موضوعات پیشرفته MySQL در حل مسئله با استفاده از پایتون - ایجاد دانش کاری در مورد روش هایی که پایگاه داده MySQL از طریق یک API جنگو به وب متصل می شود. - ایجاد یک برنامه کاربردی Python با قابلیت مدیریت پایگاه داده MySQL شما با ابزارها و نرم افزارهای زیر تجربه کسب خواهید کرد: - کد پایتون - ویژگی ها و ابزارهای MySQL مرتبط با پایتون - چارچوب Django REST - _meta API برای شرکت در این دوره باید سرفصل های دوره قبلی Advanced MySQL را گذرانده باشید. شما همچنین باید مشتاق باشید که سفر خود را با کدنویسی ادامه دهید.

هنگامی که ژنوم ها را در دوره قبلی توالی یابی کردیم، می خواهیم آنها را با هم مقایسه کنیم تا مشخص کنیم گونه ها چگونه تکامل یافته اند و چه چیزی آنها را متفاوت می کند. در نیمه اول دوره، ما دو توالی کوتاه بیولوژیکی مانند ژن ها (یعنی توالی های کوتاه DNA) یا پروتئین ها را با هم مقایسه خواهیم کرد. ما با یک ابزار الگوریتمی قدرتمند به نام برنامه نویسی پویا روبرو خواهیم شد که به ما کمک می کند تعداد جهش هایی را که این دو ژن/پروتئین را از هم جدا کرده اند را تعیین کنیم. در نیمه دوم دوره، ما برای مقایسه کل ژنوم‌ها «کوچک‌نمایی» می‌کنیم، جایی که شاهد جهش‌هایی در مقیاس بزرگ به نام بازآرایی ژنوم هستیم، رویدادهای لرزه‌ای که در طول میلیون‌ها سال تکامل در اطراف بلوک‌های بزرگ DNA رخنه کرده‌اند. با نگاهی به ژنوم انسان و موش، از خود خواهیم پرسید: همانطور که احتمال وقوع زمین لرزه در امتداد خطوط گسل بسیار بیشتر است، آیا مکان هایی در ژنوم ما وجود دارد که "شکننده" و بیشتر مستعد شکسته شدن به عنوان بخشی از بازآرایی ژنوم هستند؟ خواهیم دید که چگونه الگوریتم های ترکیبی به ما در پاسخ به این سوال کمک می کنند. در نهایت، شما یاد خواهید گرفت که چگونه از ابزارهای نرم افزاری محبوب بیوانفورماتیک برای حل مسائل در تراز توالی، از جمله BLAST استفاده کنید.

هدف از این دوره معرفی PyMC3 برای مدل سازی و استنتاج بیزی است، شرکت کنندگان با یادگیری اصول اولیه PyMC3 شروع می کنند و یاد می گیرند که چگونه استنتاج مقیاس پذیر را برای مسائل مختلف انجام دهند. این دوره نهایی در یک تخصص از سه دوره خواهد بود. از نوت بوک های پایتون و ژوپیتر در طول این دوره برای نشان دادن و انجام مدل سازی بیزی با PyMC3 استفاده می شود. وب سایت دوره در آدرس https://sjster.github.io/introduction_to_computational_statistics قرار دارد. /docs/index.html. دفترچه های دوره را می توان با دنبال کردن دستورالعمل های صفحه https://sjster.github.io/introduction_to_computational_statistics/docs/getting_started.html از این وب سایت دانلود کرد. مدرس این دوره دکتر Srijith Rajamohan خواهد بود.

هدف از این دوره، معرفی آمار محاسباتی به دانشمندان مشتاق یا جدید داده است. شرکت کنندگان با یادگیری مبانی احتمال، مدل سازی بیزی و استنتاج شروع خواهند کرد. این اولین دوره در یک تخصص شامل سه دوره خواهد بود. از نوت بوک پایتون و ژوپیتر در طول این دوره برای تصویرسازی و اجرای مدلسازی بیزی استفاده خواهد شد. وب سایت دوره در آدرس https://sjster.github.io/introduction_to_computational_statistics/docs/index.html قرار دارد. دفترچه های دوره را می توان با دنبال کردن دستورالعمل های صفحه https://sjster.github.io/introduction_to_computational_statistics/docs/getting_started.html از این وب سایت دانلود کرد. مدرسان این دوره دکتر سریجیت راجاموهان و دکتر رابرت ستلاژ خواهند بود.

صنعت زیرساخت شبکه در سال‌های اخیر با افزایش نیاز به اتوماسیون به دلیل عواملی مانند تقاضا برای استقرار سریع‌تر و قابل اطمینان‌تر شبکه، دستخوش تحول قابل‌توجهی شده است. بنابراین، نیاز فزاینده ای به مهندسان شبکه ماهر در اتوماسیون و برنامه ریزی وجود دارد. این دوره در درجه اول برای مهندسان شبکه، مهندسین سیستم، معماران شبکه و مدیران علاقه مند به یادگیری اصول اتوماسیون شبکه در نظر گرفته شده است. در پایان دوره، شما قادر خواهید بود: - نقش اتوماسیون شبکه و قابلیت برنامه ریزی را در زمینه مدیریت و عملیات شبکه انتها به انتها بازی می کند. - اسکریپت های پایتون را با ساختارهای برنامه نویسی اساسی که برای موارد استفاده اتوماسیون شبکه ساخته شده اند، تفسیر کنید. برای موفقیت در این دوره، باید در فن آوری های اساسی مسیریابی و سوئیچینگ شبکه مسلط باشید، اصول برنامه نویسی پایتون (3-6 ماه توسعه) را بدانید و با لینوکس آشنایی داشته باشید.

با یادگیری اصول کدنویسی در پایتون، قابلیت استخدام خود را به حداکثر برسانید. پایتون یک زبان برنامه نویسی همه کاره است که برای توسعه وب سایت ها و نرم افزارها، اتوماسیون وظایف، تجزیه و تحلیل داده ها و غیره استفاده می شود. در این دوره، شما یک سفر هیجان انگیز به دنیای پایتون را آغاز خواهید کرد و مهارت های ارزشمندی را به دست خواهید آورد که به شما امکان می دهد در مورد حرفه ای در برنامه نویسی فکر کنید. از طریق تمرین ها و پروژه های عملی، اعتماد به نفس به دست خواهید آورد و درک خود را از کدنویسی در پایتون عمیق تر خواهید کرد. در پایان دوره، شما می توانید با برنامه ریزی یک ربات کوچک برای عبور از موانع، مهارت های خود را به نمایش بگذارید. در این سفر متحول کننده به ما بپیوندید و پتانسیل بی حد و حصر برنامه نویسی پایتون را برای کشف فرصت هایی که در دنیای توسعه در انتظار شما هستند باز کنید.

این دوره مقدمه ای بر برنامه نویسی و زبان پایتون ارائه می دهد. دانش آموزان با مفاهیم اصلی برنامه نویسی مانند ساختارهای داده، شرطی ها، حلقه ها، متغیرها و توابع آشنا می شوند. این دوره شامل مروری بر ابزارهای مختلف موجود برای نوشتن و اجرای پایتون است و دانش آموزان را به سرعت کدنویسی می کند. همچنین تمرینات کدگذاری عملی را با استفاده از ساختارهای داده رایج، نوشتن توابع سفارشی و خواندن و نوشتن روی فایل ها ارائه می دهد. این دوره ممکن است قوی تر از سایر دوره های مقدماتی پایتون باشد، زیرا در برخی از موضوعات برنامه نویسی ضروری عمیق تر می پردازد.

این دوره دو قسمتی برای کمک به دانش‌آموزان با پیش‌زمینه محاسباتی بسیار کم یا بدون پیش‌زمینه طراحی شده است تا اصول ساخت اپلیکیشن‌های تعاملی ساده را بیاموزند. زبان منتخب ما، Python، یک زبان کامپیوتری سطح بالا و آسان برای یادگیری است که در بسیاری از دوره های محاسباتی ارائه شده در Coursera استفاده می شود. برای آسان کردن یادگیری پایتون، ما یک محیط برنامه نویسی مبتنی بر مرورگر جدید ایجاد کرده ایم که توسعه برنامه های کاربردی تعاملی در پایتون را ساده می کند. این برنامه‌ها شامل پنجره‌هایی می‌شوند که محتوای آنها گرافیکی است و به دکمه‌ها، صفحه کلید و ماوس پاسخ می‌دهد. در قسمت اول این دوره، عناصر اصلی برنامه نویسی (مانند عبارات، شرطی ها و توابع) را معرفی می کنیم و سپس از این عناصر برای ایجاد برنامه های کاربردی تعاملی ساده مانند کرونومتر دیجیتال استفاده می کنیم. قسمت اول این کلاس با ساخت نسخه ای از بازی کلاسیک آرکید "پنگ" به اوج خود می رسد.

این دوره به دانش‌آموزان برای توسعه کدهایی که می‌توانند مقادیر زیادی داده را به صورت موازی پردازش کنند، آماده می‌کند. این برنامه بر جنبه های اساسی برنامه نویسی همزمان، مانند معماری CPU/GPU، برنامه نویسی چند رشته ای در C و Python، و مقدمه ای بر نرم افزار/سخت افزار CUDA تمرکز خواهد کرد.

به مقدمه اینتل توزیع بسته ابزار OpenVINO™ برای دوره برنامه های کاربردی بینایی کامپیوتر خوش آمدید! این دوره دسترسی آسان به مفاهیم بنیادی Intel Distribution of OpenVINO را فراهم می کند. در طول این دوره، شما با دموهایی آشنا می شوید که قابلیت های این جعبه ابزار را به نمایش می گذارد. با مهارت‌هایی که از این دوره کسب می‌کنید، می‌توانید ارزش ابزارها و ابزارهای ارائه شده در جعبه ابزار OpenVINO توزیع اینتل، مانند دانلودکننده مدل، بهینه‌ساز مدل و موتور استنتاج را توصیف کنید. این کلاس برای چه کسانی است: این دوره برای زبان آموزانی در نظر گرفته شده است که تجربه قبلی در زمینه بینایی کامپیوتر ندارند، اگرچه دانش قبلی مفید است. این دوره برای هر کسی که علاقه مند به یادگیری بیشتر در مورد مفاهیم اصلی برنامه های بینایی کامپیوتر و کیت ابزار توزیع اینتل OpenVINO است ایده آل است. حجم کار تخمینی: باید انتظار داشته باشید که حدود 3 ساعت برای تکمیل این دوره اختصاص دهید. پیش نیازهای زبان آموز: هیچ دانش قبلی از بینایی کامپیوتر لازم نیست، اگرچه تجربه قبلی مفید است.

این دوره به شما مقدمه ای برای یادگیری ماشین با زبان برنامه نویسی پایتون می دهد. شما در مورد یادگیری تحت نظارت، یادگیری بدون نظارت، یادگیری عمیق، پردازش تصویر و شبکه های متخاصم مولد خواهید آموخت. شما مدل‌های یادگیری ماشین را با استفاده از پایتون پیاده‌سازی خواهید کرد و با بسیاری از کاربردهای یادگیری ماشینی که امروزه در صنعت استفاده می‌شود آشنا خواهید شد. همچنین در مورد الگوریتم های مختلف یادگیری ماشینی برای ایجاد مدل های خود یاد خواهید گرفت و از آنها استفاده خواهید کرد. برای یادگیری مطالب در این دوره نیازی به پیشینه برنامه نویسی یا علوم کامپیوتر ندارید. این دوره برای همه کسانی که علاقه مند به یادگیری نحوه کدنویسی و نوشتن برنامه در پایتون هستند آزاد است. ما بسیار هیجان زده هستیم که با ما یاد خواهید گرفت و امیدواریم از این دوره لذت ببرید!

این دوره یک درک اساسی از مدل های یادگیری ماشین (رگرسیون لجستیک، پرسپترون های چندلایه، شبکه های عصبی کانولوشن، پردازش زبان طبیعی و غیره) ارائه می دهد و نشان می دهد که چگونه می توانند مشکلات پیچیده در صنایع مختلف، از تشخیص پزشکی گرفته تا تشخیص تصویر تا پیش بینی متن را حل کنند. از طریق تمرین‌های عملی، این مدل‌های علم داده را بر روی مجموعه داده‌ها پیاده‌سازی خواهید کرد و در الگوریتم‌های یادگیری ماشین با PyTorch که توسط شرکت‌های فناوری پیشرو مانند Google و NVIDIA استفاده می‌شود، مهارت کسب خواهید کرد.

برای اینکه یک توسعه‌دهنده ماهر باشید، باید قبل از تولید کد، درک کاملی از نوشتن تست داشته باشید. در این دوره، با نوشتن و اجرای تست ها به محض هفته اول، نگاهی عملی به توسعه تست محور خواهیم داشت. TDD با تست های واحد خوب شروع می شود، بنابراین ما از آنجا شروع خواهیم کرد. همچنین موضوعات مربوط به ترجمه مشخصات کاربر به تست های واحد، استفاده از مانترا Red-Green-Refactor، و استفاده از ماک ها در پایتون با ماژول unittest.mock خواهد بود. پس از اتمام، تمام مراحل TDD را قبل از توسعه پوشش داده اید

این دوره شما را با دنیای شگفت انگیز برنامه نویسی پایتون آشنا می کند! ما در مورد عناصر ضروری برنامه نویسی و نحوه ساخت برنامه های پایه پایتون یاد خواهیم گرفت. ما عبارات، متغیرها، توابع، منطق و شرطی ها را که مفاهیم اساسی در برنامه نویسی کامپیوتری هستند، پوشش خواهیم داد. ما همچنین نحوه استفاده از ماژول های پایتون را به شما آموزش می دهیم که به شما امکان می دهد از مجموعه گسترده ای از عملکردها که قبلاً بخشی از زبان پایتون است بهره مند شوید. این مفاهیم و مهارت ها به شما کمک می کند تا مانند یک برنامه نویس کامپیوتر شروع به فکر کردن کنید و درک کنید که چگونه برنامه های پایتون را بنویسید. در پایان دوره، شما قادر خواهید بود برنامه های کوتاه پایتون بنویسید که قادر به انجام وظایف واقعی و عملی هستند. این دوره پایه و اساس ایجاد تخصص در برنامه نویسی پایتون است. به عنوان اولین دوره در یک تخصص، بلوک های سازنده لازم را برای موفقیت شما در یادگیری نوشتن برنامه های پیچیده تر پایتون فراهم می کند. این دوره از Python 3 استفاده می کند. در حالی که بسیاری از برنامه های Python همچنان از Python 2 استفاده می کنند، Python 3 آینده زبان برنامه نویسی Python است. این اولین دوره از یک نسخه Python 3 از محیط توسعه CodeSkulptor استفاده می کند که به طور خاص برای کمک به برنامه نویسان مبتدی طراحی شده است که سریع یاد بگیرند. CodeSkulptor در هر مرورگر وب مدرنی اجرا می شود و نیازی به نصب هیچ نرم افزاری از شما ندارد و به شما امکان می دهد بلافاصله شروع به نوشتن و اجرای برنامه های کوچک کنید. در دوره های بعدی این تخصص، ما به شما کمک می کنیم تا به محیط های توسعه دسکتاپ پیچیده تر بروید.

این دوره یک نمای کلی و عمدتاً عملی از مهارت های اساسی برای بیوانفورماتیک (و به طور کلی، تجزیه و تحلیل داده ها) ارائه می دهد. هدف حمایت از توسعه همزمان مهارت های کمی و برنامه نویسی برای دانشجویان بیولوژیکی و زیست پزشکی با پیشینه کم یا بدون پیشینه در برنامه نویسی یا تجزیه و تحلیل کمی است. در طول دوره، دانش آموز مهارت های عملی لازم را برای انجام تجزیه و تحلیل داده های اولیه ایجاد می کند. مهم‌تر از همه، شرکت‌کنندگان مهارت‌های بلندمدت در برنامه‌نویسی (و تجزیه و تحلیل داده‌ها) و دستورالعمل‌هایی برای بهبود دانش خود در مورد آن را خواهند آموخت. این دوره شامل برنامه نویسی در R، برنامه نویسی در پایتون، سرور یونیکس و بررسی مفاهیم اولیه آمار خواهد بود.

این ششمین دوره از هفت دوره در گواهی تحلیل داده های پیشرفته گوگل است. در این دوره آموزشی، با یادگیری ماشینی آشنا می شوید که از الگوریتم ها و آمار برای آموزش سیستم های کامپیوتری برای کشف الگوها در داده ها استفاده می کند. متخصصان داده از یادگیری ماشینی برای کمک به تجزیه و تحلیل حجم زیادی از داده ها، حل مسائل پیچیده و پیش بینی های دقیق استفاده می کنند. شما روی دو نوع اصلی یادگیری ماشین تمرکز خواهید کرد: نظارت شده و بدون نظارت. شما یاد خواهید گرفت که چگونه مدل های مختلف یادگیری ماشین را برای مشکلات تجاری اعمال کنید و با مدل های خاصی مانند Naive Bayes، درخت تصمیم، جنگل تصادفی و غیره آشنا می شوید. 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: -استفاده از تکنیک های مهندسی ویژگی با استفاده از پایتون -یک مدل Naive Bayes بسازید -توضیح دهید که چگونه یادگیری بدون نظارت با یادگیری تحت نظارت متفاوت است - کد یک الگوریتم K-means در پایتون -ارزیابی و بهینه سازی نتایج مدل K-means مدل‌های درخت تصمیم، نحوه عملکرد و مزایای آن‌ها را نسبت به سایر انواع یادگیری ماشینی تحت نظارت کاوش کنید - مشخص کردن کیسه در یادگیری ماشین، به ویژه برای مدل‌های تصادفی جنگل تشخیص تقویت در یادگیری ماشین، به ویژه برای مدل های XGBoost - پارامترهای مدل تنظیم و چگونگی تأثیر آنها بر عملکرد و معیارهای ارزیابی را توضیح دهید

آیا شما یک مهندس داده، توسعه‌دهنده نرم‌افزار یا یک علاقه‌مند به فناوری با درک اولیه از Rust هستید و به دنبال افزایش مهارت‌های خود و غواصی عمیق در قلمرو مهندسی داده با Rust هستید؟ یا آیا شما یک حرفه ای از یک پیشینه زبان برنامه نویسی دیگر هستید و قصد دارید ویژگی های کارایی، ایمنی و همزمانی Rust را برای کارهای مهندسی داده کشف کنید؟ اگر چنین است، این دوره برای شما طراحی شده است. در حالی که انتظار می رود دانش بنیادی Rust داشته باشید، شما باید به طور ایده آل با اصول ساختار داده ها و الگوریتم ها راحت باشید و درک درستی از پایگاه های داده و پردازش داده داشته باشید. آشنایی با SQL، خط فرمان و کنترل نسخه با git مزیت دارد. این دوره چهار هفته ای بر استفاده از Rust برای ایجاد سیستم های پردازش داده کارآمد، ایمن و همزمان تمرکز دارد. سفر با غواصی عمیق در ساختارهای داده و مجموعه‌های Rust آغاز می‌شود و به دنبال آن ویژگی‌های ایمنی و امنیتی Rust در زمینه مهندسی داده بررسی می‌شود. در هفته بعد، کتابخانه ها و ابزارهای خاص مهندسی داده مانند Diesel، async، Polars، و Apache Arrow را کاوش خواهید کرد و یاد خواهید گرفت که با سیستم های پردازش داده، REST، پروتکل های gRPC و AWS SDK برای عملیات داده مبتنی بر ابر ارتباط برقرار کنید. . هفته آخر بر روی طراحی و پیاده سازی سیستم های پردازش داده کامل با استفاده از Rust تمرکز دارد. در پایان این دوره، شما به خوبی برای استفاده از Rust برای انجام وظایف مهندسی داده در مقیاس بزرگ، حل مشکلات دنیای واقعی با کارایی و سرعت مجهز خواهید شد. آزمایشگاه‌ها و پروژه‌های عملی در طول این دوره به شما اطمینان می‌دهند که تجربه عملی به دست آورید و دانش خود را عملی کنید. این دوره دروازه شما برای تسلط بر مهندسی داده با Rust است و شما را برای سطح بعدی در سفر مهندسی داده خود آماده می کند.