به‌کارگیری مدل‌های یادگیری ماشین در تولید با ابزارهای مدرن آسان به نظر می‌رسد، اما اغلب با ناامیدی به پایان می‌رسد، زیرا این مدل در تولید بدتر از توسعه عمل می‌کند. این دوره به شما چهار ابرقدرت می‌دهد که باعث می‌شوند شما را از گروه علم داده متمایز کنید و خطوط لوله‌ای بسازید که در آزمون زمان مقاومت کنند: چگونه تمام جنبه‌های مدل خود را در توسعه تنظیم کنید. چگونه از تخصص دامنه موجود به بهترین شکل ممکن استفاده کنیم. چگونه مدل خود را در عملکرد نظارت کنید و با هر گونه خرابی عملکرد مقابله کنید. و در نهایت نحوه برخورد با داده های ضعیف یا به ندرت برچسب گذاری شده است. این دوره با کاوش عمیق در لبه برش sklearn، و پرداختن به مجموعه داده های واقعی از مناطق داغ مانند مراقبت های بهداشتی شخصی و امنیت سایبری، نمایی از یادگیری ماشین را از خط مقدم نشان می دهد.

به‌عنوان یک دانشمند داده، با موقعیت‌های زیادی مواجه خواهید شد که در آن باید اطلاعات کلیدی را از مجموعه‌های عظیم متن استخراج کنید، داده‌های نامرتب حاوی رشته‌ها را تمیز کنید، یا برای یافتن کلمات مفید، الگوها را شناسایی و مطابقت دهید. همه این موقعیت ها بخشی از متن کاوی هستند و گام مهمی قبل از اعمال الگوریتم های یادگیری ماشین هستند. این دوره شما را از طریق درک مفاهیم قانع کننده در مورد دستکاری رشته و عبارات منظم راهنمایی می کند. شما یاد خواهید گرفت که چگونه رشته ها را تقسیم کنید، آنها را دوباره به هم بپیوندید، آنها را درون یابی کنید، و همچنین با استفاده از عبارات منظم رشته ها را شناسایی، استخراج، جایگزین و مطابقت دهید. در سفر برای تسلط بر این مهارت‌ها، با مجموعه داده‌های حاوی نقد فیلم یا توییت‌های پخش‌شده که می‌توانند برای تعیین نظر مورد استفاده قرار گیرند، و همچنین با متن خام حذف شده از وب کار خواهید کرد.

آیا تا به حال آرزو کرده اید که بتوانید با پایگاه داده خود چت کنید؟ اکنون این امکان با عوامل LLM و AI وجود دارد. در این دوره آموزشی، نحوه تعامل و چت با یک نمونه پایگاه داده MongoDB، با استفاده از LangGraph برای هماهنگی عامل را یاد خواهید گرفت. با چالش‌ها و ارزش گردش‌های کاری متن به پرس و جو آشنا می‌شوید، برای پاسخ به پرسش‌های مربوط به داده‌ها در مورد مجموعه داده‌های فیلم، جریان کاری خود را می‌سازید، و حتی برای ادامه مکالمه‌های خود از جایی که متوقف شده‌اند، نقطه بازرسی حافظه را پیاده‌سازی می‌کنید!

عوامل AI در حال تغییر نحوه کار ما با داده ها و نرم افزار هستند. از خودکارسازی گردش‌های کاری گرفته تا کمک به کاربران در جهت‌یابی وظایف پیچیده، عوامل می‌توانند از طرف شما جستجو کنند، استدلال کنند و عمل کنند. در این دوره آموزشی، نحوه ساخت عوامل با استفاده از smolagents، یک چارچوب سبک وزن پایتون که توسط Hugging Face توسعه یافته است، یاد خواهید گرفت.

با عوامل و ابزارهای کد کار کنید

شما با درک اینکه چه چیزی عوامل کد را متفاوت می‌کند و چرا اینقدر قدرتمند هستند شروع خواهید کرد. سپس، اولین عامل خود را از ابتدا با استفاده از smolagents برای تولید و اجرای کد پایتون خواهید ساخت. همچنین خواهید آموخت که چگونه ابزارهای داخلی را وصل کنید و ابزارهای سفارشی ایجاد کنید تا کارهایی که نمایندگان شما می‌توانند انجام دهند را گسترش دهید.

با RAG و حافظه، عوامل را هوشمندتر کنید

در مرحله بعد، از نسل افزوده شده بازیابی (RAG) برای کمک به عوامل در جمع‌آوری اطلاعات از مجموعه‌های اسناد بزرگ استفاده خواهید کرد. شما با ساختن سیستم‌های RAG عاملی کارها را پیش‌تر خواهید برد - عواملی که چندین مرحله برای دریافت پاسخ‌های بهتر استدلال می‌کنند. همچنین یاد خواهید گرفت که چگونه حافظه اضافه کنید تا نمایندگان بتوانند به طور طبیعی به سؤالات بعدی رسیدگی کنند و کارهایی که قبلاً انجام شده را پیگیری کنند.

سیستم‌های چند عامله را هماهنگ کنید و خروجی‌ها را تأیید کنید

در فصل آخر، سیستم‌های چند عاملی ایجاد می‌کنید که عوامل متخصص را از طریق یک مدیر هماهنگ می‌کند. فواصل برنامه‌ریزی را اضافه می‌کنید، از تماس‌های برگشتی برای بینش رفتار نماینده استفاده می‌کنید و پاسخ‌های نهایی را تأیید می‌کنید تا نمایندگان شما قابل اعتماد و کاربرپسند بمانند.

در پایان دوره، می‌دانید چگونه عواملی بسازید که به آینده فکر کنند، با هم کار کنند و کارها را انجام دهند.

استفاده از چت DeepSeek V3 و مدل‌های استدلال R1 را برای ایجاد تجربیات الهام‌بخش مشتری و خودکارسازی فرآیندهای تجاری شروع کنید. در این دوره، از مدل‌های DeepSeek، از طریق API Together.ai، برای حل طیف وسیعی از وظایف دنیای واقعی، از جمله تولید محتوا برای بازاریابان و تجارت الکترونیک، خلاصه کردن مکالمات مشتری برای تیم‌های پشتیبانی، و ساخت یک ربات چت برای کمک به مردم در کدنویسی در پایتون استفاده خواهید کرد. بیاموزید که امروز همه تبلیغات DeepSeek درباره چه چیزی بود!

شما احتمالا هرگز ماشین زمان نخواهید داشت، اما ماشینی برای تجزیه و تحلیل زمان چطور؟ به محض ورود زمان به هر تحلیلی، همه چیز می تواند عجیب شود. به راحتی می توانید در مرزهای روز و ماه، مناطق زمانی، ساعت تابستانی، و انواع چیزهای دیگری که می تواند افراد ناآماده را سردرگم کند، گیج شوید. اگر می‌خواهید هر نوع تحلیلی را انجام دهید، باید از پایتون برای مرتب کردن آن استفاده کنید. با کار با مجموعه داده‌ها در طوفان‌ها و سفرهای دوچرخه‌سواری، شمارش رویدادها را پوشش می‌دهیم، دریابیم که بین رویدادها چقدر زمان سپری شده است و داده‌ها را در طول زمان ترسیم می‌کنیم. شما هم در پایتون استاندارد و هم در پانداها کار خواهید کرد، و ما کتابخانه dateutil، تنها کتابخانه منطقه زمانی تایید شده توسط اسناد رسمی پایتون را لمس خواهیم کرد. پس از این دوره، شما با اطمینان اطلاعات تاریخ و زمان را در هر قالبی مانند یک قهرمان مدیریت خواهید کرد.

توانایی درک، استفاده و خلاصه کردن داده‌های غیر عددی - مانند گروه خونی یا وضعیت تاهل یک فرد - یکی از اجزای حیاتی دانشمند داده بودن است. در این دوره، نحوه دستکاری و تجسم داده های طبقه بندی شده با استفاده از پانداها و دریازادگان را خواهید آموخت. از طریق تمرین‌های عملی، با نوع داده‌های دسته‌بندی پانداها، از جمله نحوه ایجاد، حذف و به‌روزرسانی ستون‌های دسته‌بندی آشنا خواهید شد. همچنین با طیف وسیعی از مجموعه داده‌ها از جمله ویژگی‌های سگ‌های قابل پذیرش، بررسی‌های سفر لاس وگاس، و داده‌های سرشماری کار خواهید کرد تا مهارت‌های خود را در کار با داده‌های طبقه‌بندی توسعه دهید.

بخش خوبی از داده‌های موجود در دنیای واقعی ذاتاً فضایی هستند. از جمعیت ثبت شده در سرشماری ملی گرفته تا هر مغازه در همسایگی شما، اکثر مجموعه داده ها جنبه مکانی دارند که می توانید از آن برای استفاده حداکثری از آنچه ارائه می کنند استفاده کنید. این دوره به شما نشان می دهد که چگونه داده های مکانی را در گردش کار پایتون Data Science خود ادغام کنید. شما یاد خواهید گرفت که چگونه با استفاده از ابعاد جغرافیایی آنها با داده های دنیای واقعی تعامل، دستکاری و تقویت کنید. شما یاد خواهید گرفت که داده های مکانی جدولی را در رایج ترین فرمت ها بخوانید (به عنوان مثال GeoJSON، shapefile، geopackage) و آنها را در نقشه ها تجسم کنید. سپس منابع مختلف را با استفاده از مکان آنها به عنوان پلی که آنها را در ارتباط با یکدیگر قرار می دهد ترکیب می کنید. و در پایان دوره، می‌توانید بفهمید چه چیزی داده‌های جغرافیایی را منحصربه‌فرد می‌کند و به شما امکان می‌دهد آنها را در زمینه‌های مختلف تغییر دهید و تغییر دهید.

Hugging Face یک پلت فرم حیاتی برای دسترسی به یادگیری ماشینی و عملکرد هوش مصنوعی است. در این دوره، Hugging Face Hub را با مناسب ترین مدل ها و مجموعه داده ها برای وظایف خود بررسی خواهید کرد. از API Hugging Face برای جستجو در مخزن مدل آن بر اساس وظیفه، نویسنده یا محبوبیت استفاده خواهید کرد. شما از خطوط لوله، یک جزء اساسی Hugging Face، برای انجام یکسری وظایف هوش مصنوعی با استفاده از یک نحو ساده و بصری استفاده خواهید کرد. شما یاد خواهید گرفت که متن را به دسته بندی طبقه بندی کنید، خلاصه های تاثیرگذار و دقیق ایجاد کنید، و حتی با اسناد مکالمه کنید. به انقلاب هوش مصنوعی بپیوندید و همین امروز درباره Hugging Face بیاموزید!

مجموعه داده‌های با ابعاد بالا می‌توانند بسیار زیاد باشند و شما را ندانید از کجا شروع کنید. به طور معمول، ابتدا یک مجموعه داده جدید را به صورت بصری کاوش می‌کنید، اما وقتی ابعاد بسیار زیادی دارید، رویکردهای کلاسیک ناکافی به نظر می‌رسند. خوشبختانه، تکنیک های تجسم به طور خاص برای داده های با ابعاد بالا طراحی شده است و در این دوره با آنها آشنا می شوید. پس از کاوش در داده‌ها، اغلب متوجه می‌شوید که بسیاری از ویژگی‌ها اطلاعات کمی دارند، زیرا هیچ گونه واریسی را نشان نمی‌دهند یا به این دلیل که تکراری از ویژگی‌های دیگر هستند. شما یاد خواهید گرفت که چگونه این ویژگی ها را شناسایی کرده و آنها را از مجموعه داده حذف کنید تا بتوانید روی موارد آموزنده تمرکز کنید. در مرحله بعدی، ممکن است بخواهید یک مدل بر روی این ویژگی ها بسازید، و ممکن است معلوم شود که برخی از آنها هیچ تاثیری بر چیزی که می خواهید پیش بینی کنید ندارد. شما یاد خواهید گرفت که چگونه این ویژگی های نامربوط را نیز شناسایی و حذف کنید تا ابعاد و در نتیجه پیچیدگی را کاهش دهید. در نهایت، می‌آموزید که چگونه تکنیک‌های استخراج ویژگی می‌توانند ابعاد را برای شما از طریق محاسبه مؤلفه‌های اصلی ناهمبسته کاهش دهند.

احتمال مطالعه قوانینی است که در نتایج آزمایش‌های تصادفی پدیدار می‌شوند. در این دوره آموزشی، با مفاهیم احتمالی اساسی مانند متغیرهای تصادفی (شروع با مثال برگرداندن سکه کلاسیک) و نحوه محاسبه میانگین و واریانس، توزیع احتمال و احتمال شرطی آشنا خواهید شد. ما همچنین دو نتیجه بسیار مهم در احتمال را بررسی خواهیم کرد: قانون اعداد بزرگ و قضیه حد مرکزی. از آنجایی که احتمال در هسته علم داده و یادگیری ماشین قرار دارد، این مفاهیم به شما کمک می‌کند تا مدل‌ها را قوی‌تر درک کرده و به کار ببرید. شانس در همه جا وجود دارد و مطالعه احتمالات، دیدگاه شما را نسبت به جهان تغییر خواهد داد. بیایید تصادفی شویم!

بعد از محاسبه میانگین های خود و ایجاد نمودارها چه اتفاقی می افتد؟ چگونه از آمار توصیفی به تصمیم گیری مطمئن می رسید؟ چگونه می توان از آزمون های فرضیه برای حل مسائل دنیای واقعی استفاده کرد؟ در این دوره چهار ساعته در مورد مبانی استنتاج در پایتون، شما تجربه عملی در نتیجه گیری صحیح بر اساس داده ها را خواهید داشت. شما همه چیز را در مورد نمونه گیری یاد خواهید گرفت و خواهید فهمید که چگونه نمونه گیری نادرست می تواند استنتاج آماری را از مسیر خارج کند.

شما کار را با آزمون‌های فرضیه برای نرمال بودن و همبستگی و همچنین آزمون‌های پارامتریک و ناپارامتریک شروع می‌کنید. شما این تست ها را با استفاده از SciPy اجرا می کنید و خروجی آنها را برای تصمیم گیری تفسیر می کنید.

در مرحله بعد، قدرت یک نتیجه را با استفاده از اندازه اثر و قدرت آماری اندازه‌گیری می‌کنید، در حالی که با اعمال اصلاحات از همبستگی‌های جعلی اجتناب می‌کنید.

در نهایت، از شبیه‌سازی، تصادفی‌سازی، و متاآنالیز برای کار با طیف وسیعی از داده‌ها، از جمله تجزیه و تحلیل مجدد نتایج سایر محققان استفاده خواهید کرد.

پس از دوره آموزشی، می‌توانید با موفقیت از داده‌های بزرگ استفاده کنید و از آن‌ها برای تصمیم‌گیری اصولی استفاده کنید که رهبران می‌توانند بر آن تکیه کنند. شما فراتر از نمودارها و آمار خلاصه می‌روید تا نتایج قابل‌اعتماد، قابل تکرار و قابل توضیح ایجاد کنید.

مدل‌سازی تصویر اغلب به روش‌های یادگیری عمیق نیاز دارد که از داده‌ها برای آموزش الگوریتم‌های شبکه عصبی برای وظایف مختلف یادگیری ماشین استفاده می‌کنند. شبکه‌های عصبی کانولوشنال (CNN) شبکه‌های عصبی قدرتمندی هستند که از آنها برای طبقه‌بندی انواع مختلف اشیا برای تجزیه و تحلیل تصاویر استفاده می‌کنید. این دوره چهار ساعته به شما یاد می دهد که چگونه با استفاده از Keras CNN بسازید، آموزش دهید و ارزیابی کنید.

آیا تا به حال سعی کرده اید آینده را پیش بینی کنید؟ آنچه در پیش است رازی است که معمولاً فقط با انتظار حل می شود. در این دوره، شما از انتظار دست می کشید و یاد می گیرید که از مدل های قدرتمند کلاس ARIMA برای پیش بینی آینده استفاده کنید. شما یاد خواهید گرفت که چگونه از بسته statsmodels برای تجزیه و تحلیل سری های زمانی، ساخت مدل های مناسب و پیش بینی در شرایط عدم قطعیت استفاده کنید. بازار سهام در 24 ساعت آینده چگونه حرکت می کند؟ سطوح CO2 در دهه آینده چگونه تغییر خواهد کرد؟ سال آینده چند زلزله خواهد بود؟ شما یاد خواهید گرفت که همه این مشکلات و موارد دیگر را حل کنید.

نوسانات یک مفهوم اساسی در امور مالی است، به همین دلیل است که مدل‌های GARCH در پایتون یک انتخاب محبوب برای پیش‌بینی تغییرات واریانس هستند، به‌ویژه هنگام کار با داده‌های سری زمانی که وابسته به زمان هستند. این دوره به شما نشان می دهد که چگونه و چه زمانی مدل های GARCH را پیاده سازی کنید، چگونه مفروضات مدل را مشخص کنید، و چگونه می توانید پیش بینی نوسانات را انجام دهید و عملکرد مدل را ارزیابی کنید. با استفاده از داده‌های دنیای واقعی، از جمله قیمت‌های تاریخی سهام تسلا، از طریق محاسبات ارزش در معرض خطر، کوواریانس و بتا سهام، تجربه عملی در مورد چگونگی کمی کردن بهتر ریسک‌های پرتفوی به دست خواهید آورد. همچنین آنچه را که آموخته‌اید در طیف گسترده‌ای از دارایی‌ها، از جمله سهام، شاخص‌ها، ارزهای دیجیتال و ارزهای خارجی به کار می‌گیرید و شما را آماده می‌کند تا از مدل‌های GARCH استفاده کنید.

تولید متن بسیار 2024 است! در این دوره، ما روش‌های داده را برای تولید تصاویر، صدا و حتی ویدیو ترکیب می‌کنیم! ما از مدل‌ها و مجموعه‌های داده Hugging Face برای انجام وظایف بینایی کامپیوتری مانند طبقه‌بندی تصویر، تشخیص اشیا و تقسیم‌بندی استفاده می‌کنیم. ما صدا را حذف می کنیم و موسیقی را با استفاده از مدل های متا تولید می کنیم، و از دستورات برای ویرایش تصاویر و تولید ویدیو استفاده می کنیم. امروز در این سفر مولد هوش مصنوعی به ما بپیوندید!

تصور کنید که بتوانید داده هایی را که در آن متغیر پاسخ یا باینری، شمارش یا تقریباً عادی است، مدیریت کنید، همه در یک چارچوب واحد. خوب، لازم نیست تصور کنید. مدل های خطی تعمیم یافته در دوره پایتون را وارد کنید! در این دوره شما جعبه ابزار رگرسیون خود را با مدل‌های لجستیک و پواسون گسترش می‌دهید، با یادگیری نحوه برازش، درک، ارزیابی عملکرد مدل و در نهایت استفاده از مدل برای پیش‌بینی داده‌های جدید. شما با استفاده از داده های مطالعات دنیای واقعی مانند بزرگترین مسمومیت جمعیت در تاریخ جهان، لانه سازی خرچنگ های نعل اسبی و شمارش گذرگاه های دوچرخه روی پل های شهر نیویورک تمرین خواهید کرد.

اگر تا به حال درخواست کارت اعتباری یا وام داده اید، می دانید که شرکت های مالی قبل از تصمیم گیری اطلاعات شما را پردازش می کنند. این به این دلیل است که دادن وام به شما می تواند تأثیر مالی جدی بر تجارت آنها داشته باشد. اما چگونه تصمیم می گیرند؟ در این دوره با نحوه تهیه داده های درخواست اعتبار آشنا می شوید. پس از آن، یادگیری ماشین و قوانین تجاری را برای کاهش ریسک و اطمینان از سودآوری اعمال خواهید کرد. شما از دو مجموعه داده استفاده خواهید کرد که برنامه های اعتباری واقعی را تقلید می کنند در حالی که بر ارزش تجاری تمرکز می کنند. به من بپیوندید و ارزش مورد انتظار مدل سازی ریسک اعتباری را بیاموزید!

مدیریت ریسک با استفاده از مدیریت ریسک کمی یک وظیفه حیاتی در صنعت بانکداری، بیمه و مدیریت دارایی است. ضروری است که تحلیلگران ریسک مالی، تنظیم‌کننده‌ها و اکچوئرها بتوانند به طور کمی پاداش‌ها را در مقابل ریسک‌شان متعادل کنند.

این دوره از طریق بررسی بحران مالی 2007-2008 و تأثیر آن بر بانک های سرمایه گذاری مانند گلدمن ساکس و جی پی مورگان، شما را با مدیریت ریسک پرتفوی مالی آشنا می کند. شما یاد خواهید گرفت که چگونه از پایتون برای محاسبه و کاهش مواجهه با ریسک با استفاده از معیارهای ارزش در معرض خطر و ارزش شرطی در خطر، تخمین ریسک با تکنیک هایی مانند شبیه سازی مونت کارلو و استفاده از فناوری های پیشرفته مانند شبکه های عصبی برای انجام تعادل مجدد پورتفولیو در زمان واقعی استفاده کنید.

قبل از اینکه بتوانید داده ها را تجزیه و تحلیل کنید، ابتدا باید آنها را بدست آورید. این دوره به شما می آموزد که چگونه خطوط لوله بسازید تا داده های ذخیره شده در قالب های ذخیره سازی رایج را وارد کنید. شما از پانداها، یک کتابخانه اصلی پایتون برای تجزیه و تحلیل، برای دریافت داده‌ها از منابع مختلف، از صفحات گسترده پاسخ‌های نظرسنجی، پایگاه داده درخواست‌های خدمات عمومی، تا یک API برای یک سایت بررسی محبوب استفاده خواهید کرد. در طول مسیر، یاد می‌گیرید که چگونه واردات را تنظیم کنید تا فقط آنچه را که نیاز دارید به دست آورید و به مشکلاتی مانند انواع داده‌های نادرست رسیدگی کنید. در نهایت، یک مجموعه داده سفارشی را از ترکیبی از منابع جمع آوری خواهید کرد.