پیدا کردن شغلی که دوستش دارید می تواند سخت باشد. این دوره می‌تواند با ارائه راهکارها و نکات سریع برای یافتن – و یافتن – یک شغل فوق‌العاده در زمینه علم داده به شما کمک کند. مربی مایکل گالارنیک نحوه شناسایی نوع شغل علم داده که به بهترین وجه برای شما مناسب است و همچنین اقداماتی برای غلبه بر شکاف های موجود در رزومه خود به اشتراک می گذارد. او نحوه ساخت پروژه های چشمگیر را توضیح می دهد که مهارت های شما را به نمایش می گذارد، و همچنین یک رزومه علمی داده قانع کننده و نامه پوششی ایجاد کنید. به علاوه، نکاتی را برای ایجاد حضور آنلاین دریافت کنید. پیدا کردن مخاطبین مرتبط برای کمک به شما در یافتن شغل؛ و آماده شدن برای اولین مصاحبه خود.

این دوره توسط Madecraft ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.

 

Python for Data Science and Machine Learning Essential Training یکی از محبوب ترین دوره های علوم داده در LinkedIn Learning است. اکنون به روز شده و به دو قسمت گسترش یافته است و تجربه عملی و واقعی تری از پایتون به شما می دهد. در بخش اول، مربی لیلیان پیرسون شما را گام به گام از طریق یک پروژه علم داده و یادگیری ماشین راهنمایی می کند: یک اسکراپر وب که داده ها را از وب دانلود و تجزیه و تحلیل می کند. در طول راه، او تکنیک هایی را برای پاکسازی، قالب بندی مجدد، تبدیل و توصیف داده های خام معرفی می کند. ایجاد تجسم؛ حذف نقاط پرت؛ انجام تجزیه و تحلیل ساده داده ها؛ و با استفاده از Streamlit نمودارهای مبتنی بر وب تولید کنید. در پایان این دوره، شما تجربه کدنویسی اولیه ای را کسب خواهید کرد که می توانید آن را در سازمان خود ببرید و به سرعت در پروژه های علم داده سفارشی و یادگیری ماشین خود اعمال کنید.

این دوره با GitHub Codespaces یکپارچه شده است. ، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به هیچ گونه راه اندازی ماشین محلی ارائه می دهد. با GitHub Codespaces، می‌توانید در هر زمان و با استفاده از ابزاری که احتمالاً در محل کار با آن مواجه می‌شوید، تمرین عملی را از هر ماشینی، در هر زمان انجام دهید. برای یادگیری نحوه شروع، ویدیوی "استفاده از فضاهای کد GitHub با این دوره" را بررسی کنید.

 

این دوره به شما این امکان را می دهد تا ارزیابی برنامه را در پروژه های علوم داده خود اعمال کنید. بهترین روشهای برخی از روشهای اصلی ارزیابی برنامه از جمله آزمایش A/B ، اختلاف در اختلاف ، ناپیوستگی رگرسیون ، سری زمانی قطع شده و مشکلات تطبیق را بیاموزید. به عنوان بخشی از این بهترین شیوه ها ، یاد بگیرید که چگونه آزمایش A/B کافی یا ممکن نیست و سپس دانش خود را برای تعیین اینکه آیا برنامه ها در طیف گسترده ای از مثالهای مختلف تأثیر می گذارد ، استفاده کنید.

این دوره شامل بازی نقش هوش مصنوعی است. نقش بازی به شما امکان می دهد آنچه را که در شبیه سازی های تعاملی از مکالمات دنیای واقعی آموخته اید ، تمرین کنید.

 اگر در حال حاضر به عنوان یک متخصص داده کار می کنید یا به دنبال یافتن نقشی در این زمینه هستید، باید یک درک اساسی از مفاهیم، ​​تکنیک ها و ابزارهای هوش مصنوعی ایجاد کنید تا بتوانید به طور موثر از هوش مصنوعی و ML استفاده کنید. به مربی Sadie St. Lawrence بپیوندید تا یاد بگیرید چگونه فرآیندهای تصمیم گیری مبتنی بر داده را در سازمان خود با توسعه مهارت های AI و ML بهینه سازی کنید. به دانش ضروری برای متخصصان داده مجهز شوید تا مرتبط و رقابتی در این زمینه همیشه در حال تحول باقی بمانند، زیرا هوش مصنوعی همچنان روش کار و درک ارزش داده ها را تغییر می دهد. ابزارهای محبوبی مانند PyTorch، scikit-learn، Keras، XGBoost، و Hugging Face و همچنین مفاهیم اصلی در مهندسی داده و ویژگی، یادگیری ماشین، اخلاق هوش مصنوعی و موارد دیگر را کاوش کنید.

 

اگر شما یک حرفه ای کار هستید که می خواهید از داده های تجاری برای تصمیم گیری های بهبود یافته از طریق تجزیه و تحلیل پیش بینی استفاده کنید ، این دوره می تواند به شما کمک کند. لیلیان پیرسون-مهندس ، مدیرعامل و رئیس محصول در Data-Mania-شما را از طریق ترکیبی قوی از تجربه کدگذاری علوم داده های اساسی ، تظاهرات ، چالش ها ، راه حل ها و تمریناتی که می توانید به سرعت در تجزیه و تحلیل داده های سفارشی و پروژه های تحلیلی اعمال کنید ، هدایت می کند. بهترین روشها را برای تمیز کردن داده ها ، تجسم داده ها ، تجزیه و تحلیل داده ها و برنامه نویسی پایتون بیاموزید.

تا پایان دوره ، شما قادر خواهید بود از پایتون استفاده کنید:

• تمیز ، تغییر شکل ، اصلاح مجدد و توصیف داده ها
• تجسم داده ها را برای ارائه داده ها و تجزیه و تحلیل اکتشافی بصری ایجاد کنید
• دور افتاده را شناسایی و حذف کنید
• تجزیه و تحلیل داده های ساده را انجام دهید
• منبع ، کلاهبرداری و تجزیه و تحلیل داده ها از اینترنت
• دارایی های تجزیه و تحلیل مشترک با استفاده از plot.ly

تولید کنید

 آیا می خواهید مهارت های مهندسی داده R خود را آزمایش کرده و توسعه دهید؟ به مربی مارک نیمن راس در این دوره چالش های کد بپیوندید زیرا او چالش های کوتاه و کوچکی را ارائه می دهد که می توانید برای تمرین برنامه نویسی R از آنها استفاده کنید. هر ویدیو کمتر از چهار دقیقه و مستقل است، بنابراین می‌توانید به هر ترتیبی ویدیوها را تماشا کنید. مارک راه حل های خود را برای هر مشکلی به اشتراک می گذارد، که اکثر آنها کمتر از 10 خط کد دارند. چه یک برنامه نویس جدید باشید که به دنبال تمرین هستید، یا یک توسعه دهنده با تجربه که می خواهد روی برخی چالش ها کار کند، این دوره کوتاه به شما فرصتی می دهد تا مهارت های خود را تقویت کنید.

 

در جهانی که به‌طور بی‌وقفه توسط فناوری تغییر شکل داده است، چگونه یک دانشمند داده با تجربه می‌تواند به عنوان یک رهبر ارتقا یابد؟ از کجا شروع می کنید؟ این دوره اصول مورد نیاز برای ارتقاء سطح و موفقیت به عنوان یک دانشمند پیشرو داده جدید را بیان می کند: مهارت های اساسی، طرز فکر و استراتژی.

تقاضای حیاتی برای رهبران علم داده رویایی را کشف کنید که می توانند تیم ها را رهبری کنند، طراحی کنند. استراتژی های تاثیرگذار و پل زدن نیازهای تجاری و اجرای فنی. این سفر شما را با یک چارچوب ذهنی قوی، ستون‌های حرفه‌ای محکم، مهارت‌های رهبری پیشرفته و مهارت‌های ارتباطی مؤثر برای تولید ارزش پایدار مجهز می‌کند. در پایان این دوره، شما آماده خواهید بود تا مهارت‌های رهبری جدید خود را در چرخه حیات هوش مصنوعی و علم داده آزاد کنید.

 آیا شما از آن دسته افرادی هستید که هرگز از پرسیدن سوال دست نمی کشند؟ آیا خود را متعجب می‌کنید که چرا سیستم‌ها به این شکل عمل می‌کنند و برای بهبود آنها چه کاری می‌توانید انجام دهید؟ ممکن است متوجه آن نباشید، اما در حال حاضر بسیار بیشتر از آنچه فکر می کنید به دانشمند داده بودن نزدیک شده اید. به مربی و مربی شغلی خلات عبدالحکیم بپیوندید تا او تجربیات دنیای واقعی و به سختی به دست آمده خود را به عنوان یک دانشمند داده و یک زن در فن آوری بازگو کند.

Khaulat به جزئیات نقش یک دانشمند داده می پردازد و پتانسیل یک داده را بررسی می کند. مسیر شغلی علم و تمایز علم داده از سایر زمینه های مرتبط. دریابید که چه مهارت هایی را باید یاد بگیرید و انرژی خود را کجا متمرکز کنید، به خصوص اگر تازه شروع کرده اید. Khaulat نمونه هایی از سفر خود را به اشتراک می گذارد تا به شما کمک کند سبک یادگیری خود را ارزیابی کنید، اولین رزومه علمی داده خود را ایجاد کنید، برند شخصی خود را بسازید، و حس اجتماعی خود را توسعه دهید.

 کار از خانه یک هنجار جدید است. در زمینه‌های پرتقاضا مانند علم داده، کارفرمایان متوجه می‌شوند که باید انعطاف‌پذیری و تعادل کار از راه دور را برای جذب نامزدهای سطح بالا ارائه دهند. اگر به تجزیه و تحلیل داده ها علاقه دارید و می خواهید از دفتر جدا شوید، هرگز زمان بهتری برای یافتن یک موقعیت از راه دور وجود نداشته است. در این دوره می توانید یاد بگیرید که چگونه شغل رویایی خود را به عنوان یک دانشمند داده از راه دور پیدا کنید. کشف کنید که چگونه یک رزومه کارآمد بنویسید، شبکه خود را کار کنید، یک برند آنلاین موثر ایجاد کنید، فرصت های شغلی از راه دور پیدا کنید، مصاحبه ای تلفنی یا ویدیویی انجام دهید و با مدیران استخدام پیگیری کنید. با استفاده از این نکات، می‌توانید شغلی را که همیشه آرزویش را داشته‌اید، در یکی از پردرآمدترین و سریع‌ترین زمینه‌های در حال رشد در جهان بیابید.nn ما خوشحالیم که این محتوا را در کتابخانه خود میزبانی می کنیم.

 تجزیه و تحلیل داده ها فقط برای متخصصانی نیست که نیاز به درک مجموعه داده های عظیم دارند. تصمیم گیرندگان در هر صنعتی می توانند از درک اساسی اهداف و مفاهیم تحلیل داده های کاربردی بهره مند شوند. در این دوره، بارتون پولسون بر اصول روانی داده ها یا توانایی کار با داده ها برای استخراج بینش و تعیین مراحل بعدی شما تمرکز می کند. بارتون نشان می دهد که چگونه کاوش داده ها با نمودارها و توصیف داده ها با آمار می تواند به شما در رسیدن به اهداف و تصمیم گیری بهتر کمک کند. او به جای تمرکز بر ابزارهای خاص، روی روش های کلی تمرکز می کند که می تواند به شما در حل مشکلات خاص کمک کند. بارتون نحوه تهیه و تطبیق داده ها، کاوش بصری آنها و استفاده از روش های آماری برای توصیف آنها را پوشش می دهد. او به عمق احتمالات و تداخل می پردازد و همچنین به اخلاق داده ها و هوش مصنوعی قابل توضیح اشاره می کند.

 تجزیه و تحلیل داده ها نقش مهمی را در نحوه مدیریت سیستم های مراقبت های بهداشتی و سلامت شخصی ایفا می کند. این دوره غیر فنی راه های مختلفی را برای اعمال علم داده در پزشکی و بهداشت عمومی بررسی می کند. بارتون پولسون، دانشمند داده، راه‌هایی را مورد بحث قرار می‌دهد که به‌طور چشمگیری مقدار داده‌ها - از آزمایش‌های ژنتیکی، نسب‌شناسی، اسکن‌های مغزی، و سایر منابع- در حال تغییر نظریه و عملکرد مراقبت‌های بهداشتی است. بارتون در حالی که منابع کلیدی داده را بررسی می کند، روش های مختلف برای تجزیه و تحلیل این انبوه داده ها، از جمله یادگیری ماشین و مدل سازی پیش بینی را بررسی می کند. او همچنین تأثیر فوق‌العاده همه‌گیری COVID-19 بر روش‌های استفاده از داده‌ها در مراقبت‌های بهداشتی را شرح می‌دهد و جزئیاتی را بیان می‌کند که چگونه علم داده حوزه‌های مراقبت از بیمار، خودمراقبتی و بیمه پزشکی را تغییر داده است. بارتون همچنین به برخی چالش‌های افزایش استفاده از داده‌ها، از سؤالات اخلاقی گرفته تا پیاده‌سازی لجستیک، و اینکه چگونه علم داده می‌تواند به شناسایی مشکلات پیش‌بینی نشده کمک کند، نگاه می‌کند.

 در این دوره آموزشی، به مربی هاوارد فریدمن بپیوندید تا مفاهیم اصلی قانون 20/80 را برای علم داده و چگونگی به دست آوردن بیشترین ارزش با حداقل تلاش بیان می کند. گام‌های اساسی مورد نیاز برای ارزش دادن به بخش‌های مختلف کارتان، از جمله تعریف موفقیت، به‌دست آوردن مجموعه داده‌های با کیفیت بالا، شروع با آمار اولیه، ساخت مدل‌های اولیه اولیه، و اجتناب از گرفتار شدن در جزئیات کمتر تاثیرگذار را بررسی کنید. این دوره برای رهبران تیم داده و اعضای ارشد تیم داده در دنیای فناوری که علاقه مند به شرکای تجاری کارآمد و مؤثر هستند، هدف قرار می گیرد.

 به مربی Miki Tebeka بپیوندید که در پشته علمی پایتون شیرجه می‌زند و به شما نشان می‌دهد چگونه از آن برای حل مشکلات استفاده کنید. Miki بسته‌های اصلی مورد استفاده در فرآیند علم داده را پوشش می‌دهد: numpy، pandas، matplotlib، scikit-learn، و موارد دیگر. او همچنین شما را از طریق نحوه بارگیری داده ها، تجزیه و تحلیل داده ها، اجرای مدل ها و نمایش نتایج راهنمایی می کند.

این دوره با GitHub Codespaces، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به هیچ گونه راه اندازی ماشین محلی ارائه می دهد، 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 یادگیری نحوه شروع، ویدیوی «استفاده از فضاهای کد GitHub با این دوره» را بررسی کنید.

 علم داده در حال هدایت یک انقلاب جهانی است که همه چیز را از اتوماسیون کسب و کار گرفته تا تعاملات اجتماعی در بر می گیرد. همچنین یکی از مشاغلی است که سریع‌ترین رشد را دارد و با ارزش‌ترین شغل، تحلیلگران و مهندسان را در سراسر جهان به کار می‌گیرد. این دوره یک نمای کلی غیر فنی و قابل دسترس از این رشته را ارائه می دهد که واژگان، مهارت ها، مشاغل، ابزارها و تکنیک های علم داده را پوشش می دهد. مربی بارتون پولسون روابط را با سایر زمینه های اشباع شده از داده مانند یادگیری ماشین و هوش مصنوعی تعریف می کند. او شیوه‌های اولیه را بررسی می‌کند: جمع‌آوری و تجزیه و تحلیل داده‌ها، تدوین قوانین برای طبقه‌بندی و تصمیم‌گیری، و ترسیم بینش‌های عملی. او همچنین در مورد اخلاق و مسئولیت پذیری بحث می کند و جهت کسب اطلاعات بیشتر را ارائه می دهد. در پایان، خواهید دید که چگونه علم داده می تواند به شما در تصمیم گیری بهتر، به دست آوردن بینش عمیق تر و موثرتر و کارآمدتر کردن کارتان کمک کند.

 دانشمندان و مهندسان داده برخی از پرتقاضاترین نقش ها در بازار کار امروزی هستند. اما بسیاری از مدیران فاقد مجموعه کاملی از مهارت‌های مورد نیاز برای جذب و حفظ موثر استعدادهای کلیدی هستند. در این دوره، استاد دانشگاه استنفورد و مدیر برنامه درسی آنجل ایوان، یک مرور کلی از نحوه توسعه و مدیریت تیم های مهندسی و علم داده های متنوع و فراگیر ارائه می دهد. در پایان این دوره، شما برای پیمایش در سه مرحله اصلی چرخه عمر کارمند: استخدام، توسعه و حفظ، مجهزتر خواهید شد.

 
در طول ماموریت های سرنشین دار ناسا به ماه در دهه های 1960 و 1970، مهندسان روی زمین دوقلوهای فیزیکی از فضاپیماها و تجهیزات موجود در فضا داشتند. آنها از این "دوقلوها" برای عیب یابی مشکلات، آزمایش ایده های مختلف و شبیه سازی نتایج استفاده می کنند. فقط زمانی که به این کار اطمینان داشتند به فضانوردان می گفتند که چه کار کنند. امروزه، تکنولوژی ما را قادر می سازد تا دنیای فیزیکی را دقیقاً در قالب دیجیتال شبیه سازی کنیم. یک دوقلو دیجیتال نمایش مجازی یک چیز فیزیکی است که قادر به شبیه سازی رفتار آن در زمان واقعی در شرایط مختلف است. در این دوره کوتاه، جاناتان ریشنتال نحوه عملکرد این فناوری ارزشمند، اهمیت آن و اینکه چگونه سازمان شما چگونه راه‌حل‌ها را طراحی، ایجاد و نگهداری می‌کند، متحول می‌کند.

 دنیای علم داده در حال تغییر شکل هر کسب و کاری است. هیچ زمانی بهتر از الان برای یادگیری آن وجود ندارد. در این دوره آموزشی Madecraft، مربی پایتون و دانشمند داده Lavanya Vijayan به اشتراک می‌گذارد که علم داده چیست و چه تفاوتی با سایر رشته‌های متمرکز بر اطلاعات دارد. سپس او به جریان کار - چرخه حیات علم داده - می پردازد و مجموعه ابزار دانشمند داده را از زبان های برنامه نویسی و کتابخانه های تخصصی گرفته تا ابزارهای بهره وری مانند نوت بوک های Jupyter معرفی می کند. در فصل های بعدی، Lavanya بر تکنیک های عملی مانند تجزیه و تحلیل داده های اکتشافی، پاکسازی داده ها و تجسم داده ها تمرکز می کند. در نهایت، در مورد نمونه گیری، آزمایش و طبقه بندی بیاموزید. در پایان دوره، دانش لازم برای انجام تجزیه و تحلیل داده‌ها و گزارش‌دهی اولیه و باز کردن فرصت‌هایی برای سرعت بخشیدن به شغل خود در این زمینه هیجان‌انگیز را خواهید داشت.nn ما خوشحالیم که این محتوا را در کتابخانه خود میزبانی می کنیم.

 قدرت و تطبیق پذیری پایتون - همراه با اکوسیستم بزرگ آن از بسته های شخص ثالث - آن را برای دانشمندان داده ضروری می کند. در این دوره، مدرس Harshit Tyagi نکات و تکنیک‌های عملی را به اشتراک می‌گذارد که می‌تواند به شما در بهبود گردش کار علم داده پایتون کمک کند. Harshit نحوه کار با نوت بوک های IPython از جمله نحوه اشکال زدایی خطاها را پوشش می دهد. او نحوه استفاده از NumPy را برای دستکاری آرایه ها و همچنین نحوه کار با پانداها، ابزار دستکاری و تجزیه و تحلیل داده ها را نشان می دهد. او نکاتی را برای تجسم داده‌های شما با Matplotlib ارائه می‌کند و نحوه اضافه کردن متن به نمودارها و حاشیه‌نویسی عناصر در نمودار را توضیح می‌دهد. به‌علاوه، بهترین روش‌ها را برای کار با scikit-learn و همچنین سایر نکات یادگیری ماشینی دریافت کنید.

 بسیاری از افرادی که در تیم های علوم داده کار می کنند چیزی غیر از دانشمندان داده تبدیل می شوند. گفته می شود ، بسیاری از آنها مدیر و همکاران خواهند شد که می خواهند از داده های سازمان شما ارزش تجاری واقعی کسب کنند. این اعضای تیم باید زبان علوم داده را درک کنند تا بتوانند سؤالات بهتری بپرسند ، فرایندها را درک کنند و به طور مؤثر تیم ها و سازمان های خود را به سمت تصمیمات بهتر محور داده هدایت کنند. در این دوره ، برای افرادی که قصد کار به عنوان دانشمندان تمام وقت داده را ندارند ، مقدمه ای از علوم داده دریافت کنید. مفاهیم ، ابزارها و تکنیک های داده های بزرگ ، از جمله جمع آوری و مرتب سازی داده ها ، کار با پایگاه داده ها ، درک انواع داده های ساختار یافته و بدون ساختار ، استفاده از تحلیل آماری ، پرسیدن سؤالات مهم و گفتن داستانها را در مورد داده ها کشف کنید. مربی تجارت و نویسنده داگ رز به شما کمک می کند تا به زبان علوم داده صحبت کنید تا بتوانید سازمان خود را از طریق فرصت ها و محدودیت های موجود در این زمینه به طرز چشمگیری در حال رشد راهنمایی کنید.