قابلیت کار موثر با مجموعه داده‌های بزرگ و استخراج اطلاعات ارزشمند، ابزاری ضروری برای هر دانشمند مشتاق داده است. هنگام کار با مقدار کمی داده، اغلب متوجه نمی شویم که اجرای کد چقدر می تواند کند باشد. این دوره مبتنی بر دانش شما از پایتون و کتابخانه پانداها است و شما را با توابع داخلی کارآمد پانداها برای انجام سریعتر وظایف آشنا می کند. توابع داخلی پانداها به شما این امکان را می‌دهند که ساده‌ترین وظایف، مانند هدف‌گیری ورودی‌ها و ویژگی‌های خاص از داده‌ها، تا پیچیده‌ترین وظایف، مانند اعمال توابع در گروه‌های ورودی، بسیار سریع‌تر از روش‌های معمول پایتون انجام شود. در پایان این دوره، شما قادر خواهید بود یک تابع را بر اساس یک مقدار ویژگی بر روی داده ها اعمال کنید، در مجموعه داده های بزرگ به سرعت تکرار کنید و داده های متعلق به گروه های مختلف را به طور موثر دستکاری کنید. شما این روش‌ها را بر روی مجموعه‌های مختلف داده‌های دنیای واقعی، مانند دست‌های پوکر یا نکات رستوران، اعمال خواهید کرد.

هوش مصنوعی قابل توضیح برای دانشمندان داده و متخصصان یادگیری ماشین بسیار مهم است. این دوره شما را با مهارت های تفسیر رفتارهای مدل هوش مصنوعی با استفاده از پایتون مجهز می کند. شما از کتابخانه Scikit-learn Python و ابزارهایی مانند SHAP و LIME برای تجسم و به دست آوردن بینش در مورد رفتار مدل استفاده خواهید کرد. در پایان دوره، می‌توانید سیستم‌های هوش مصنوعی شفاف‌تر، قابل اعتمادتر و پاسخگوتر بسازید.

اگر می‌خواهید مهارت‌های جدید «Python for Data Science» را در داده‌های مالی دنیای واقعی اعمال کنید، این دوره ابزارهای بسیار ارزشمندی را در اختیار شما قرار می‌دهد. ابتدا یاد می گیرید که چگونه داده ها را از اکسل به پانداها منتقل کنید و برگردانید. سپس، یاد خواهید گرفت که چگونه قیمت سهام را از API های آنلاین مختلف مانند گوگل یا یاهو امور مالی، داده های کلان از فدرال رزرو، و نرخ ارز از OANDA. در نهایت، نحوه محاسبه بازده برای افق های زمانی مختلف را یاد خواهید گرفت. تجزیه و تحلیل عملکرد سهام بر اساس بخش برای IPOها، و محاسبه و خلاصه همبستگی.

به‌عنوان یک دانشمند داده، باید داده‌ها را پاکسازی کنید، آن‌ها را مورد بحث و بررسی قرار دهید، آن‌ها را تجسم کنید، مدل‌های پیش‌بینی‌کننده بسازید و این مدل‌ها را تفسیر کنید. قبل از اینکه بتوانید این کار را انجام دهید، باید بدانید که چگونه داده ها را به پایتون وارد کنید. در پیش درآمد این دوره، راه های زیادی برای وارد کردن داده ها به پایتون آموختید: از فایل های مسطح مانند txt. و .csv. از فایل‌های بومی به نرم‌افزارهای دیگر مانند صفحات گسترده Excel، Stata، SAS و فایل‌های MATLAB. و از پایگاه داده های رابطه ای مانند SQLite و PostgreSQL. در این دوره آموزشی، شما این پایگاه دانش را با یادگیری وارد کردن داده ها از وب و با کشیدن داده ها از رابط های برنامه نویسی برنامه - APIها - مانند API پخش جریانی توییتر، که به ما امکان می دهد توییت های بلادرنگ را پخش کنیم، گسترش دهید.

مثلاً مجموعه‌ای از مشتریان با ویژگی‌های مختلف مانند سن، موقعیت مکانی و سابقه مالی دارید و می‌خواهید الگوها را کشف کنید و آنها را در خوشه‌ها مرتب کنید. یا شاید شما مجموعه‌ای از متون مانند صفحات ویکی‌پدیا دارید و می‌خواهید آنها را بر اساس محتوایشان به دسته‌هایی تقسیم کنید. این دنیای یادگیری بدون نظارت است که به این دلیل نامیده می شود زیرا شما کشف الگو را با انجام برخی کارهای پیش بینی هدایت نمی کنید یا بر آن نظارت نمی کنید، بلکه در عوض ساختار پنهان را از داده های بدون برچسب کشف می کنید. یادگیری بدون نظارت شامل انواع تکنیک‌ها در یادگیری ماشین، از خوشه‌بندی تا کاهش ابعاد تا فاکتورسازی ماتریسی است. در این دوره، اصول یادگیری بدون نظارت را یاد می گیرید و الگوریتم های ضروری را با استفاده از scikit-learn و SciPy پیاده سازی می کنید. شما یاد خواهید گرفت که چگونه می توانید از مجموعه داده های بدون برچسب اطلاعات را خوشه بندی، تبدیل، تجسم و استخراج کنید و دوره را با ساختن یک سیستم توصیه کننده برای توصیه هنرمندان محبوب موسیقی به پایان برسانید.

مهارت های یادگیری ماشین خود را با scikit-learn رشد دهید و نحوه استفاده از این کتابخانه محبوب Python را برای آموزش مدل ها با استفاده از داده های برچسب گذاری شده کشف کنید. در این دوره، شما یاد خواهید گرفت که چگونه پیش‌بینی‌های قدرتمندی انجام دهید، مانند اینکه آیا مشتری از کسب‌وکار شما خارج می‌شود یا خیر، آیا یک فرد مبتلا به دیابت است یا خیر، و حتی نحوه طبقه‌بندی ژانر یک آهنگ. با استفاده از مجموعه داده‌های دنیای واقعی، نحوه ساخت مدل‌های پیش‌بینی، تنظیم پارامترهای آن‌ها و تعیین میزان عملکرد آنها با داده‌های دیده نشده را خواهید یافت.

در این دوره آموزشی در مورد یادگیری تقویتی از بازخورد انسانی، کارایی هوش مصنوعی تولیدی را با درک تخصص انسانی ترکیب کنید. شما یاد خواهید گرفت که چگونه مدل‌های GenAI را واقعاً منعکس‌کننده ارزش‌ها و ترجیحات انسانی کنید، در حالی که تجربه عملی با LLM کسب می‌کنید. همچنین پیچیدگی‌های مدل‌های پاداش را بررسی می‌کنید و یاد می‌گیرید که چگونه بر اساس LLMها برای تولید هوش مصنوعی که نه تنها یاد می‌گیرد بلکه با سناریوهای دنیای واقعی سازگار می‌شود، بسازید.

این دوره به شما نشان می دهد که چگونه با استفاده از API عملکردی Keras همه کاره، مشکلات مختلفی را حل کنید. شما با شبکه های متراکم ساده و چند لایه (که به عنوان پرسپترون چند لایه نیز شناخته می شود) شروع می کنید و به معماری های پیچیده تر ادامه می دهید. این دوره نحوه ساخت مدل‌هایی با ورودی‌های متعدد و یک خروجی و همچنین نحوه به اشتراک گذاشتن وزن‌ها بین لایه‌های یک مدل را پوشش می‌دهد. ما همچنین موضوعات پیشرفته ای مانند تعبیه دسته ها و شبکه های چند خروجی را پوشش خواهیم داد. اگر تا به حال خواسته اید شبکه ای را آموزش دهید که هم طبقه بندی و هم رگرسیون را انجام می دهد، این دوره برای شما مناسب است!

داده های سری زمانی در اطراف ما هستند. برخی از نمونه ها آب و هوا، الگوهای رفتاری انسان به عنوان مصرف کنندگان و اعضای جامعه و داده های مالی هستند. در این دوره آموزشی، نحوه محاسبه شاخص‌های فنی از داده‌های سهام تاریخی و نحوه ایجاد ویژگی‌ها و اهداف از داده‌های تاریخی سهام را خواهید آموخت. خواهید فهمید که چگونه ویژگی های ما را برای مدل های خطی، مدل های xgboost و مدل های شبکه عصبی آماده کنید. سپس از مدل های خطی، درخت تصمیم، جنگل های تصادفی و شبکه های عصبی برای پیش بینی قیمت آتی سهام در بازارهای ایالات متحده استفاده خواهیم کرد. همچنین یاد می‌گیرید که چگونه عملکرد مدل‌های مختلفی را که آموزش می‌دهیم ارزیابی کنید تا آنها را بهینه کنیم، بنابراین پیش‌بینی‌های ما دقت کافی برای سودآور کردن استراتژی معاملات سهام دارند.

ظهور یادگیری ماشینی (تقریباً مانند "ظهور ماشین ها" به نظر می رسد؟) و کاربرد روش های آماری در بازاریابی، این حوزه را برای همیشه تغییر داده است. یادگیری ماشینی برای بهینه‌سازی سفرهای مشتری استفاده می‌شود که رضایت و ارزش طول عمر آنها را به حداکثر می‌رساند. این دوره ابزارهای اساسی را در اختیار شما قرار می دهد که می توانید بلافاصله برای بهبود استراتژی بازاریابی شرکت خود به کار ببرید. شما یاد خواهید گرفت که چگونه از تکنیک‌های مختلف برای پیش‌بینی ریزش مشتری و تفسیر محرک‌های آن، اندازه‌گیری و پیش‌بینی ارزش طول عمر مشتری، و در نهایت، ساخت بخش‌های مشتری بر اساس الگوهای خرید محصول استفاده کنید. از داده‌های مشتری از یک شرکت مخابراتی برای پیش‌بینی ریزش استفاده می‌کنید، یک مجموعه داده پولی اخیر-فرکانس-پولی از یک خرده‌فروش آنلاین برای پیش‌بینی ارزش طول عمر مشتری ایجاد می‌کنید، و بخش‌های مشتری را از داده‌های خرید محصول از یک فروشگاه مواد غذایی ایجاد می‌کنید.

داده های سری زمانی در همه جا وجود دارند. خواه نوسانات بازار سهام، داده های حسگر ثبت تغییرات آب و هوا یا فعالیت در مغز باشد، هر سیگنالی که در طول زمان تغییر می کند را می توان به عنوان یک سری زمانی توصیف کرد. یادگیری ماشینی به عنوان روشی قدرتمند برای استفاده از پیچیدگی در داده‌ها به منظور ایجاد پیش‌بینی‌ها و بینش‌هایی در مورد مشکلی که فرد در تلاش برای حل آن است، ظهور کرده است. این دوره تلاقی بین این دو دنیای یادگیری ماشین و داده‌های سری زمانی است و مهندسی ویژگی‌ها، طیف‌نگاری‌ها و سایر تکنیک‌های پیشرفته را برای طبقه‌بندی صداهای ضربان قلب و پیش‌بینی قیمت سهام پوشش می‌دهد.

درخت تصمیم، مدل‌های یادگیری تحت نظارت هستند که برای مسائل مربوط به طبقه‌بندی و رگرسیون استفاده می‌شوند. مدل‌های درختی انعطاف‌پذیری بالایی را ارائه می‌دهند که قیمتی هم دارد: از یک طرف، درختان می‌توانند روابط پیچیده غیرخطی را ثبت کنند. از سوی دیگر، آنها مستعد به خاطر سپردن نویز موجود در یک مجموعه داده هستند. با جمع‌آوری پیش‌بینی‌های درختانی که به‌طور متفاوت آموزش داده می‌شوند، روش‌های گروهی از انعطاف‌پذیری درختان بهره می‌برند و در عین حال تمایل آن‌ها به حفظ نویز را کاهش می‌دهند. روش‌های گروهی در زمینه‌های مختلف مورد استفاده قرار می‌گیرند و سابقه ثابتی در برنده شدن در بسیاری از مسابقات یادگیری ماشین دارند. در این دوره آموزشی، نحوه استفاده از پایتون را برای آموزش درخت‌های تصمیم‌گیری و مدل‌های مبتنی بر درخت با کتابخانه یادگیری ماشینی کاربرپسند scikit-learn یاد خواهید گرفت. شما مزایا و کاستی های درختان را درک خواهید کرد و نشان خواهید داد که چگونه ترکیب بندی می تواند این کاستی ها را کاهش دهد، همگی در حین تمرین بر روی مجموعه داده های دنیای واقعی. در نهایت، همچنین می‌دانید که چگونه می‌توانید تأثیرگذارترین هایپرپارامترها را تنظیم کنید تا بیشترین بهره را از مدل‌های خود ببرید.

در دنیای یادگیری ماشینی شیرجه بزنید و با این دوره جامع نحوه طراحی، آموزش و استقرار مدل‌های سرتاسری را بیاموزید. از طریق مثال‌های جذاب، دنیای واقعی و تمرین‌های عملی، یاد خواهید گرفت که با مشکلات پیچیده داده‌ها مقابله کنید و مدل‌های قدرتمند ML بسازید. در پایان این دوره، شما به مهارت‌های لازم برای ایجاد، نظارت و نگهداری مدل‌هایی با عملکرد بالا که بینش‌های عملی ارائه می‌دهند، مجهز خواهید شد.