در این دوره، استراتژیست داده، جو اسکوایر، اصول اساسی جمع آوری داده های استراتژیک، مدل سازی و مدیریت کیفیت ضروری برای ساختن سیستم های هوش مصنوعی موثر را معرفی می کند. بیاموزید که چگونه یک استراتژی جمع‌آوری داده طراحی کنید که با اهداف تجاری مطابقت داشته باشد، با تمرکز بر کیفیت، ارتباط، و نمایندگی داده‌ها برای پشتیبانی از بینش‌های هوش مصنوعی قابل اعتماد. راه‌هایی برای حفظ دقت داده‌ها، شناسایی و کاهش تعصبات، و اجرای شیوه‌های کنترل کیفیت برای افزایش یکپارچگی داده‌ها در جریان‌های کاری هوش مصنوعی کشف کنید. علاوه بر این، مبانی مدل‌سازی داده‌ها را برای پشتیبانی از برنامه‌های هوش مصنوعی، ایجاد پایه‌ای قوی برای موضوعات بیشتر در ذخیره‌سازی مقیاس‌پذیر، مدیریت امن داده‌ها، و تکنیک‌های پردازش هوش مصنوعی پیشرفته بررسی کنید. در پایان این دوره، شما به استراتژی‌های عملی برای اطمینان از داده‌های با کیفیت بالا مجهز خواهید شد که نتایج دقیق و بی‌طرفانه هوش مصنوعی را به همراه دارد.

 

در این دوره دستی که شما را با مهارت های کد نویسی دستی در یک محیط ماسهبازی مجهز می کند ، به جنبه های عملی کیفیت داده ها شیرجه بزنید. مهندس داده مارک فریمن به شما نشان می دهد که چگونه می توانید با استفاده از رویکردهای قوی مانند تجزیه و تحلیل علت اصلی و مهندسی هرج و مرج ، مسائل مربوط به کیفیت داده ها را شناسایی ، تجزیه و تحلیل و حل کنید. نحوه استفاده از پرسشنامه های SQL و آزمایشات DBT را برای محافظت از خطوط لوله داده و اطمینان از قابلیت اطمینان مجموعه داده های خود کشف کنید. در مورد تحقیقات خط لوله پایین دست بیاموزید و از منطق کسب و کار که بر کیفیت داده ها تأثیر می گذارد ، کشف کنید. نحوه استفاده از استراتژی های SBAR را برای انتقال بینش خود به ذینفعان پیدا کنید. این که آیا شما یک دانشمند داده ، تحلیلگر و چه به سادگی مشتاق بهبود گردش کار داده ها هستید ، این دوره به شما کمک می کند تا پتانسیل خود را برای حل مشکلات پیچیده کیفیت داده ها در عین حال تأثیر بسزایی در محیط های مبتنی بر داده باز کنید.

این دوره با CodeSpaces GitHub ، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به تنظیمات محلی محلی ارائه می دهد ، یکپارچه شده است. با استفاده از Codepaces GitHub ، می توانید از هر دستگاهی ، در هر زمان استفاده کنید-همه در حالی که از ابزاری استفاده می کنید که احتمالاً در محل کار با آن روبرو خواهید شد. برای یادگیری نحوه شروع کار "استفاده از Codespaces GitHub" را با این دوره بررسی کنید.

 این دوره نظری برای متخصصان داده ، ذینفعان در سازمان های داده ، رهبری داده ها و متخصصان علاقه مند به کیفیت داده طراحی شده است. مارک فریمن-یک مهندس داده و سرب فناوری-نمای کلی سطح بالا از کیفیت داده ها را ارائه می دهد ، معیاری از چگونگی عملکرد داده ها با انتظارات یک شرکت از صحت ، کامل بودن ، قوام ، قابلیت اطمینان و اعتبار. علاوه بر محتوای دوره ، یک پروژه نهایی را تکمیل کنید که شامل یک مخزن کد ارائه شده برای بررسی و گزارش تجزیه و تحلیل با مسائل مربوط به کیفیت داده ها باشد. مسائل مربوط به کیفیت داده ها را شناسایی کرده و در مورد نحوه رفع آنها توصیه هایی ارائه دهید. این دوره شما را با درک جدی از مفاهیم زیربنای کیفیت داده ها مجهز می کند.

 اهمیت نسخه‌سازی داده‌ها و تأثیر آن بر جریان‌های کاری ML و AI را کشف کنید. مربی جانانی راوی مفاهیم کلیدی مانند عکس فوری، اصل و نسب، شاخه‌بندی و نحوه مدیریت مؤثر نسخه‌های داده را تشریح می‌کند. نحوه استفاده از کنترل نسخه داده (DVC) برای مقداردهی اولیه Git، ردیابی فایل‌ها و داده‌های نسخه را به طور موثرتر بررسی کنید. با اصل و نسب داده در فابریک مایکروسافت آشنا شوید و تکنیک ها و بهترین روش ها برای ردیابی اصل و نسب را کشف کنید. مسائل رایج داده ها و مدل ها، از جمله پردازش، مدیریت طرحواره، از دست دادن داده ها، و سوگیری را درک کنید و یاد بگیرید که چگونه این جنبه ها را برای کیفیت نظارت کنید. در طول مسیر، یاد بگیرید که چگونه معیارهایی را ردیابی کنید که به اطمینان از یکپارچگی و عملکرد مدل و داده ها کمک می کند. چه دانشمند داده باشید، چه مهندس، یا در حال حاضر در مدیریت داده کار می کنید، این دوره شما را با مهارت هایی که برای حفظ استانداردهای بالای نسخه سازی داده ها و نظارت بر کیفیت در پروژه های خود نیاز دارید، مجهز می کند.