این دوره در سطح متوسط، کاوش متمرکزی را در مورد چگونگی تغییر شبکه‌های مخابراتی مدرن توسط یادگیری ماشین (ML) ارائه می‌کند. این دوره برای دانش‌آموزان و متخصصان با دانش پایه از مخابرات یا هوش مصنوعی طراحی شده است که می‌خواهند درک خود را از برنامه‌های ML در بهینه‌سازی شبکه، تجزیه و تحلیل پیش‌بینی‌کننده و اتوماسیون هوشمند عمیق‌تر کنند، این دوره چندین پارادایم یادگیری ماشین کلیدی را پوشش می‌دهد: تحت نظارت، بدون نظارت و یادگیری تقویتی. از طریق مطالعات موردی در دنیای واقعی، مفاهیم کلیدی ML مانند رگرسیون، طبقه‌بندی، خوشه‌بندی، آزمایش فرضیه، توابع هزینه، نزول گرادیان و ارزیابی مدل را بررسی کنید. بیاموزید که چگونه مدل‌ها معیارهای مخابراتی مانند قدرت سیگنال، بار شبکه، و تقاضای پهنای باند را پیش‌بینی می‌کنند و چگونه تکنیک‌های طبقه‌بندی به شناسایی خطاها و ناهنجاری‌ها کمک می‌کنند. در پایان این دوره، شما به مهارت هایی که برای استفاده از ML برای تقویت شبکه های مخابراتی هوشمندتر و سازگارتر نیاز دارید، مجهز خواهید شد.

 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.

 آیا می خواهید مهارت های خود را به عنوان یک پزشک یادگیری ماشین رشد دهید ، اما نمی دانید از کجا شروع کنید؟ برای شروع کار به سمت هدف خود ، نیازی به آموزش رسمی در علم داده ندارید. در این دوره ، مربی درک جیدامسکی به شما نشان می دهد که چگونه می توانید داده های کثیف را مهار کنید ، سیگنال را در آن پیدا کنید و مدلهایی بسازید که پیش بینی های قدرتمندی را با زبان آموزان گروهی ایجاد می کند ، یکی از رایج ترین کلاس های الگوریتم های یادگیری ماشین. در مورد نظریه اساسی که زبان آموزان گروه را هدایت می کند ، بیاموزید و نمونه هایی از یادگیری گروه را در پایتون و سپس اجرای مدل های خود را پوشش دهید. مفاهیمی مانند تقویت ، کیسه و انباشت و نحوه استفاده از هر یک و چه زمانی را کاوش کنید. ابزارهایی را که برای تقویت قدرت پیش بینی خود و پیشبرد مهارت های یادگیری ماشین خود امروز دارید ، بدست آورید.

 

آیا می‌خواهید مهارت‌های خود را به عنوان یک متخصص یادگیری ماشینی افزایش دهید، اما نمی‌دانید از کجا شروع کنید؟ برای شروع کار به سمت هدف خود نیازی به آموزش رسمی در علم داده ندارید. در این دوره، مربی مت هریسون شما را از طریق مفاهیم کلیدی یادگیری گروهی راهنمایی می کند. روش‌های مختلف مجموعه مانند bagging، boosting و stacking را کاوش کنید و یاد بگیرید که آنها را با استفاده از کتابخانه‌های محبوب Python مانند scikit-learn و XGBoost پیاده‌سازی کنید. در پایان این دوره، شما به مهارت‌هایی که برای پیاده‌سازی و بهینه‌سازی مدل‌های مجموعه در کارهای یادگیری ماشین در دنیای واقعی نیاز دارید، مجهز می‌شوید.

این دوره با GitHub Codespaces، یک محیط توسعه‌دهنده ابری فوری که تمام عملکردهای IDE مورد علاقه‌تان را بدون نیاز به راه‌اندازی ماشین محلی ارائه می‌کند، 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 آشنایی با نحوه شروع کار، «استفاده از فضاهای کد GitHub» را با این دوره بررسی کنید.

 در این دوره ، مت هریسون-یک مربی شرکتی پایتون و علوم داده ، نویسنده ، سخنران ، مشاور و مشاور-به شما نشان می دهد که چگونه می توانید از تکنیک های یادگیری نظارت شده برای مشکلات دنیای واقعی استفاده کنید ، با تمرکز بر هر دو طبقه بندی و رگرسیون. با مدلهای اساسی مانند رگرسیون خطی شروع کنید و سپس به الگوریتم های پیچیده تری مانند درختان تصمیم گیری و XGBOOST بروید. به علاوه ، تکنیک های ارزیابی ، بهینه سازی و استقرار مدل را کاوش کنید. با چالش ها و راه حل های عملی ، این دوره شما را برای استفاده از یادگیری نظارت شده برای حل مشکلات در صنایعی مانند مراقبت های بهداشتی ، امور مالی و املاک و مستغلات آماده می کند.

 این دوره با مدرس کیت مک کورمیک مقدمه ای بر برخی از تکنیک های پیشرفته در استنتاج علی و مدل سازی علّی ارائه می دهد. این پایه بر پایه دوره کیث، یادگیری ماشین و مبانی هوش مصنوعی: پیش بینی، علیت و استنتاج آماری استوار است. کیت این دوره را بر روی سه موضوع اصلی متمرکز می کند: قدرت آزمایش ها (و واقعیت این است که آنها همیشه به عنوان یک گزینه در دسترس نیستند). فلسفه و رویکرد آمار بیزی و زمانی که انتخاب خوبی است. و مقدمه‌ای بر مدل‌سازی علی با تکنیک‌هایی مانند مدل‌سازی معادلات ساختاری و شبکه‌های بیزی. با کیت در این دوره همراه باشید تا با این تکنیک های پیشرفته و آنچه که آنها را قدرتمند و جالب می کند آشنا شوید.

 در دنیای علم داده، یادگیری ماشین و آمار اغلب با هم ترکیب می‌شوند، اما اهداف متفاوتی را دنبال می‌کنند و تسلط به یکی به معنای تخصص در دیگری نیست. در واقع، استفاده از یک رویکرد آماری برای یک مشکل یادگیری ماشینی، یا بالعکس، می تواند بیش از روشن شدن منجر به سردرگمی شود. در این دوره، کیت مک کورمیک چگونگی متفاوت بودن آمار و یادگیری ماشین، زمان استفاده از هر یک و نحوه استفاده از تمام ابزارهایی که در اختیار دارید را برای شفاف و متقاعدکننده بودن هنگام به اشتراک گذاشتن نتایج خود پوشش می دهد. او موضوعاتی مانند: چرا همبستگی شواهد کافی برای علیت نیست. تفاوت بین داده های تجربی و مشاهده ای؛ و تفاوت بین آمار سنتی و آمار بیزی. کیت همچنین به علیت نگاه می کند، موضوعی پیچیده در استفاده از آمار و یادگیری ماشین برای اثبات چیزی که باعث چیز دیگری می شود. اگر مدل‌های یادگیری ماشینی می‌سازید، تحلیل‌های آماری را اجرا می‌کنید - یا به‌ویژه اگر هر دو را انجام می‌دهید، این دوره برای شما مناسب است.

 

پیش نیازهای پیشنهادی

• آشنایی کلی با یادگیری ماشینی تحت نظارت
• درک عباراتی مانند متغیر هدف، متغیر ورودی، الگوریتم و پارتیشن قطار/آزمایش

درخت‌های تصمیم شفاف هستند، در هر پلتفرمی در دسترس هستند و برای تکنیک‌های پیشرفته‌تر مانند جنگل‌های تصادفی و XGBoost پایه‌ای هستند. و اگر شما یک دانشمند داده هستید که به دنبال تمرکز بر یادگیری ماشینی هستید، مسلماً موضوع بهتری برای شروع سفر یادگیری شما وجود ندارد. در این دوره، اصول یادگیری ماشینی مربوط به تجزیه و تحلیل پیش بینی و کار با درخت های تصمیم را بیاموزید. در طول مسیر، مربی کیت مک کورمیک با استفاده از پلتفرم KNIME Analytics نمایش هایی ارائه می دهد، بنابراین می توانید نحوه عملکرد این مفاهیم را در سناریوهای دنیای واقعی درک کنید.

 به نظر می رسد هر سال روند داغ جدیدی در علم داده وجود دارد. یکی از داغ‌ترین الگوریتم‌های تحلیل پیش‌بینی‌کننده در سال جاری، درخت‌های تقویت‌شده با گرادیان است. اگر اصول درخت های تصمیم را نفهمید، نمی توان امیدوار بود که بفهمد چرا این روش محبوب و موفق است. محبوبیت الگوریتم‌های درختی خاص افزایش و کاهش یافته است، اما مفاهیم اصلی برای حداقل 30 سال برای این رشته اساسی بوده‌اند. در این دوره، مربی کیت مک کورمیک، نیم دوجین الگوریتم درخت تصمیم گیری محبوب را نشان می دهد و بحث می کند. کیت نحوه دسترسی به آنها را با استفاده از گزینه های منبع باز دیگر از داخل پلت فرم KNIME نشان می دهد. او آنها را توضیح می دهد و آنها را مهندسی معکوس می کند تا پایه ای محکم برای ایجاد مهارت های پیشرفته تری در علم داده ایجاد کند.

 دانشمندان داده و متخصصان یادگیری ماشین باید با آخرین تکنیک ها و رویکردها در این زمینه همگام بمانند. در این دوره، مربی کیت مک کورمیک به شما نشان می دهد که چگونه راه حل های هوش مصنوعی قابل توضیح (XAI) و یادگیری ماشینی قابل تفسیر (IML) را تولید کنید.

یاد بگیرید که چرا نیاز به XAI در سال های اخیر به سرعت در حال افزایش است. روش‌های موجود و تکنیک‌های رایج برای XAI و IML و همچنین زمان و نحوه استفاده از هر کدام را بررسی کنید. کیت شما را در چالش‌ها و فرصت‌های مدل‌های جعبه سیاه راهنمایی می‌کند و به شما نشان می‌دهد که چگونه شفافیت را به مدل‌های خود بیاورید و از نمونه‌های واقعی استفاده کنید که ترفندهای تجارت را در پلتفرم KNIME Analytics با یادگیری آسان و منبع باز نشان می‌دهند. در پایان این دوره، شما درک بهتری از تکنیک های XAI و IML برای توضیحات جهانی و محلی خواهید داشت.

 یک تور از مایکروسافت 365 ، نسخه ابری Microsoft Office دریافت کنید. در این دوره ، به مربی دیوید ریورز بپیوندید زیرا او نحوه دسترسی به حساب M365 خود را نشان می دهد و با برنامه های موجود در نسخه های دسک تاپ و مرورگر کار می کند. دیوید نحوه ایجاد و کار با پرونده ها در OneDrive ، ساخت و نگهداری سایت های SharePoint ، همکاری با تیم ها و موارد دیگر را نشان می دهد. در طول راه ، او همچنین مقدمه ای را به Microsoft 365 Copilot ، مجموعه جدید ویژگی های Premium AI که برای مشترکان M365 به نمایش گذاشته شده است ، ارائه می دهد.

 DevOps را به ابر منتقل کنید و در توسعه و عملیات نرم افزار چابک تر شوید. این دوره نحوه راه اندازی یک فرآیند DevOps مبتنی بر ابر و خدمات اهرمی ارائه شده توسط آمازون و مایکروسافت را توضیح می دهد. دیوید لینتیکوم، متخصص رایانش ابری، ابتدا مورد تجاری DevOps را در فضای ابری معرفی می‌کند، که می‌تواند از تحویل، آزمایش، یکپارچه‌سازی و استقرار مقیاس‌پذیر و مستمر برای سازمان‌هایی با هر اندازه‌ای مطمئن شود. سپس نحوه ایجاد یک فرآیند DevOps را در فضای ابری توضیح می‌دهد و راه‌حل‌های DevOps ارائه‌شده در خدمات وب آمازون و مایکروسافت Azure را بررسی می‌کند. به‌علاوه، برخی از موارد استفاده را که پیاده‌سازی‌های واقعی سرویس‌های DevOps را در فضای ابری نمایش می‌دهند، مرور کنید.

 Microsoft Configuration Manager ابزاری است که راهی را برای مدیریت همه جنبه های دسک تاپ ها ، سرورها و دستگاه های مبتنی بر ویندوز سازمان از یک مرکز واحد فراهم می کند. در این دوره ، پروفسور رابرت مک میلن به مدیران سیستم کمک می کند تا به طور مؤثر یک محیط مایکروسافت را مدیریت کنند و خدمات IT مؤثرتری را ارائه دهند. رابرت به اصول اولیه مدیر پیکربندی مایکروسافت می رود و ویژگی های جدید را برجسته می کند ، پیش نیازهای نصب را پوشش می دهد و نحوه پیکربندی مرزها ، گروههای مرزی و کاربران را نشان می دهد. وی نحوه استقرار سیستم های عامل (از جمله ویندوز 11) و بسته ها و همچنین نحوه مدیریت مشتری را از طریق کنسول مدیریت پیکربندی نشان می دهد. به علاوه ، او نحوه استفاده از مدیر پیکربندی برای موجودی ، تنظیم یک پایه سازگاری و نظارت بر توزیع را توضیح می دهد.

 

SAP راه حل های متنوعی را برای سازمان های بزرگ و کوچک ارائه می دهد. در این دوره ، متخصص SAP جاستین ولی شما را از طریق معاملات HR در ماژول مدیریت سرمایه انسانی (HCM) راهنمایی می کند. یک نمای کلی از SAP HCM دریافت کنید ، آن را با SAP SuccessFactors مقایسه کنید و در مورد ادغام ماژول ، ساختار شرکت و داده های اصلی و اطلاعات و اطلاعات اطلاعات کسب کنید. مدیریت سازمان در SAP را کشف کنید ، از جمله نحوه ایجاد یک واحد سازمانی ، موقعیت جدید و گزارشگری در سطح مدیر. نحوه استفاده از مدیریت پرسنل HCM (PA) را طی کنید. به علاوه ، یاد بگیرید که چگونه از مدیریت زمان و ویژگی های حقوق و دستمزد در SAP استفاده کنید.

 اگر یک نوازنده، تهیه‌کننده یا هر کسی هستید که موسیقی می‌سازد و به دنبال ادغام رایانه در اجراهای زنده هستید، MainStage یک نرم‌افزار آسان و ارزان برای یادگیری است که به شما امکان دسترسی به کل کتابخانه محتوای صوتی Logic Pro 10 را نیز می‌دهد. ابزارهای نرم افزاری در این دوره، جولیان ولارد تمام تکنیک هایی را که برای راه اندازی و اجرای MainStage نیاز دارید به شما نشان می دهد. او نحوه ساخت و ذخیره کنسرت‌ها، مجموعه‌ها و وصله‌های سفارشی و نحوه طراحی فضای کاری عملکرد خود را برای ارتباط با MainStage در طول نمایش زنده یاد می‌دهد. او نحوه استفاده از پلاگین های پخش و حلقه بک و نحوه ضبط اجراهای خود را پوشش می دهد. جولیان همچنین به ویژگی‌های جدید MainStage 3 اشاره می‌کند که بازتاب بسیاری از جنبه‌های قدرتمند جدید Logic Pro 10 است. برای نشان دادن نحوه عملکرد MainStage در یک موقعیت عملکرد عملی، جولیان همچنین شما را در دو اجرای زنده همراهی می‌کند.n

 در بیشتر زمینه های کسب و کار، ویژگی ها اهمیت دارند. این امر به ویژه در حوزه امنیت سایبری صادق است. اگر یک متخصص امنیت سایبری هستید، شغل بسیار کوتاهی خواهید داشت اگر بهترین پاسخی که می توانید به سؤالات امنیتی بدهید این باشد که «فکر می کنم همه چیز بسیار امن است». برای انتقال موثر ارزش برنامه ها و فعالیت های امنیتی خود به معیارها و داده های سخت نیاز دارید. در این دوره، Caroline Wong یک رویکرد آزمایش شده و واقعی برای سفارشی کردن معیارها به شما ارائه می دهد که می توانید از آن برای برقراری ارتباط با اهداف و پیشرفت ابتکارات امنیت سایبری تیم خود استفاده کنید. Caroline با مروری بر ارزش معیارها شروع می‌کند، سپس روش‌های مختلف برقراری ارتباط با موضوعات امنیت سایبری را با گروه‌های مختلف مانند مدیران اجرایی، رهبران کسب‌وکار و مهندسان پوشش می‌دهد. او همچنین اهداف مدیریت ریسک را پوشش می دهد و دوره را با مرور نمونه هایی از تعدادی معیارهای مهم امنیت سایبری به پایان می رساند.

 کنترل‌کننده‌های منطقی قابل برنامه‌ریزی (PLC) برای صنعت اتوماسیون صنعتی ضروری هستند و منطق نردبانی یکی از محبوب‌ترین زبان‌ها برای برنامه‌نویسی دستگاه‌های اصلی PLC از جمله آلن برادلی، زیمنس و OMRON است. این دوره شما را با اصول برنامه نویسی PLC با منطق نردبان آشنا می کند. نحوه تبدیل داده ها برای ورودی و خروجی، انجام محاسبات با دستورالعمل های ریاضی، مقایسه و آزمایش داده ها با دستورالعمل های مقایسه و انتقال داده ها با دستورالعمل های MOV را بیاموزید. مربی زارا خلیل همچنین مقدمه ای برای منطق توالی ارائه می دهد که به شما امکان می دهد ترتیب، شرایط و تکرار را در فرآیندهای خود اعمال کنید و نمودارهای حالت را انجام دهید. هر فصل پر از راه حل ها و مثال های گام به گام در نرم افزار شبیه سازی محبوب مانند LogixPro است.

 جای تعجب نیست که نمایشنامه نویس به صفوف سایر ابزارهای اتوماسیون منبع باز با رتبه برتر پیوسته است. مجموعه ویژگی های جامع نمایشنامه نویس به آزمایش کنندگان و توسعه دهندگان اجازه می دهد تا بدون نیاز به ترکیب چندین کتابخانه و ابزارهای دیگر ، به سرعت پروژه های جدید اتوماسیون تست ایجاد کنند. این که آیا شما یک تستر دستی ، یک متخصص تضمین کیفیت ، یک توسعه دهنده نرم افزار یا یک مهندس اتوماسیون فصلی هستید ، این دوره با استفاده از برخی از مهمترین ویژگی های نمایشنامه نویس ، تجربه عملی و عملی را ارائه می دهد. به مربی Butch Mayhew بپیوندید زیرا او شما را از طریق ملزومات می برد و شما را برای شروع نوشتن ، دویدن ، تجزیه و تحلیل و اشکال زدایی اولین آزمون خود آماده می کند.

 

اطلاعات تهدید پایه امنیت سایبری است—زیرا دانستن اینکه در مقابل چه چیزی از آن دفاع می‌کنید به شما کمک می‌کند تا روی مهم‌ترین چیزها تمرکز کنید. در این دوره، کارلا رفلد نشان می‌دهد که چگونه می‌توانید به راحتی برنامه‌ای از اطلاعات تهدیدات سایبری را شروع و مقیاس‌بندی کنید تا بتوانید از هدر دادن منابع جلوگیری کنید و در عوض پول خود را صرف چیزهایی کنید که در واقع امنیت را بهبود می‌بخشد.

به کارلا بپیوندید تا نشان دهد که چگونه کسب و کارها می توانند از ادغام اطلاعات تهدید در استراتژی امنیتی خود سود ببرند. بیاموزید که چگونه داده ها را به هوشمندی عملی تبدیل کنید و چگونه آن را در سراسر تجارت توزیع کنید. با درک اینکه چه کسی به چه چیزی نیاز دارد و چگونه می توان از آن استفاده کرد، می توانید اطلاعات تهدید را در تمام زمینه های کسب و کار خود جاسازی کنید. به علاوه، یاد بگیرید که چگونه سوالات بهتری از ارائه دهندگان اطلاعات تهدید بپرسید، زیرا درک بیشتری از این فرآیند به دست می آورید.

 سازمان های بیشتر و بیشتر در حال سرمایه گذاری در فن آوری های دیجیتالی مانند هوش مصنوعی ، یادگیری ماشین و روباتیک هستند. این فن آوری های جدید باعث ایجاد تغییراتی در مدل های تجاری ، عملیات تجاری و انتظارات و تجربیات مشتری شده است. این دوره به منظور کمک به تحلیلگران تجارت و متخصصان پروژه طراحی شده است که این تغییرات را درک می کنند و چگونه آنها را از دیدگاه تجاری پیاده سازی می کنند. به مربی آنجلا ویک بپیوندید ، زیرا او به بررسی تولید زبان طبیعی ، تشخیص گفتار ، هوش ازدحام ، blockchain و سایر فن آوری های جدید هیجان انگیز می پردازد ، و این را بیان می کند که چگونه هرکدام می توانند در فرآیندهای تجاری شما قرار بگیرند. به علاوه ، او چگونگی تأثیر این نوآوری ها می تواند بر شیوه های سنتی تجزیه و تحلیل تجارت تأثیر بگذارد و توضیح می دهد که چگونه سفر مشتری تحت تأثیر پروژه های دیجیتال و هوش مصنوعی قرار می گیرد.