این دوره اتوماسیون و مدیریت گردش‌های کاری یادگیری ماشین، از دریافت داده تا استقرار مدل را پوشش می‌دهد. به مربی Janani Ravi بپیوندید تا به شما نحوه تنظیم و بهینه سازی خطوط لوله داده را آموزش می دهد و از عملکرد کارآمد، مقیاس پذیر و قابل اعتماد سیستم های هوش مصنوعی در محیط های تولید اطمینان می دهد. این دوره برای هر کسی که با هوش مصنوعی، زیرساخت داده و عملیات یادگیری ماشین (MLOps) کار می کند، از جمله مهندسان داده، مهندسان AI و ML، مهندسان MLOPs و مهندسان DevOps مناسب است.

مهندسی داده ها پایه و اساس ساخت و ساز برنامه های کاربردی علوم داده در دنیای جدید داده های بزرگ است. مهندسی داده ها برای ساخت خطوط لوله و شبکه های داده برای پخش ، پردازش و ذخیره داده ها نیاز به ترکیب چندین فناوری داده بزرگ دارد. این دوره بر ساختن راه حل های تمام عیار که Apache Spark را با سایر ابزارهای داده بزرگ برای ایجاد خطوط لوله داده نهایی به پایان می رساند ، متمرکز شده است. مربی Kumaran Ponnambalam با تعریف مهندسی داده ها ، کارکردهای آن و مفاهیم آن آغاز می شود. در مرحله بعد ، Kumaran به این نتیجه می رسد که قابلیت های جرقه ای مانند پردازش موازی ، برنامه های اجرای ، گزینه های مدیریت دولت و یادگیری ماشین با عصاره ، تبدیل ، بار (ETL) چگونه است. او شما را به موارد و فرآیندهای استفاده از پردازش دسته ای و همچنین خطوط لوله پردازش در زمان واقعی معرفی می کند. پس از طی کردن چندین روش مفید ، کوماران با یک پروژه تمرینی پایان به پایان نتیجه می گیرد.

 در این دوره آموزشی، نحوه تنظیم گردش کار در GitHub Actions را برای خودکارسازی فرآیندها با R و Python یاد بگیرید. مربی Rami Krispin شما را از طریق فرآیند اتوماسیون راهنمایی می کند و نمونه هایی از دنیای واقعی را به اشتراک می گذارد. او به شما نشان می‌دهد که چگونه یک خط لوله داده راه‌اندازی کنید، ابرداده را از یک خط لوله بیرون بکشید و یک داشبورد زنده را با اقدامات و صفحات GitHub اجرا کنید. اگر از صرف ساعت‌ها صرف اجرای دستی اسکریپت‌ها یا کاهش سرعت گردش کار خود با کشیدن داده‌ها از API یا به‌روزرسانی داشبورد خسته شده‌اید، در این دوره آموزشی به Rami بپیوندید تا ببینید اتوماسیون چگونه می‌تواند سرعت کار شما را افزایش دهد.

 

این دوره به مهندسان تحلیلی می آموزد که چگونه داده ها را از یک منبع خارجی برای استفاده در تجسم به پایگاه داده خط لوله می کنند. چنین کارهایی اغلب از یک مهندس متوسط ​​تجزیه و تحلیل مورد نیاز است. شرکت مدرن نسبت به گذشته به داده ها دسترسی بیشتری دارد. مهندسان تحلیلی در دسترسی به این داده ها برای ذینفعان بسیار مهم هستند. در این دوره ، مربی کانر دیکسون سناریویی را ارائه می دهد که در آن یک پشته داده کار دارید و یک ذینفع از شما خواسته است که داده های موجود را از یک منبع بگیرید ، آن را به پایگاه داده بیاورید ، آن را تغییر دهید و در نهایت آن را تجسم کنید تا ارزش و بینش را ارائه دهد.

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 ، فیلم "نحوه استفاده از CodeSpaces" را بررسی کنید.