یاد بگیرید که چگونه از عملیات یادگیری ماشین (MLOps) برای حل مشکلات دنیای واقعی استفاده کنید. این دوره راه حل های انتها به انتها با برنامه نویسی جفت هوش مصنوعی (AI) را با استفاده از فناوری هایی مانند GitHub Copilot برای ساخت راه حل هایی برای یادگیری ماشین (ML) و برنامه های کاربردی هوش مصنوعی پوشش می دهد. این دوره برای افرادی است که به عنوان دانشمندان داده، مهندسان نرم افزار یا توسعه دهندگان، تحلیلگران داده یا سایر نقش هایی که از ML استفاده می کنند (یا به دنبال کار) هستند. در پایان دوره، می‌توانید از چارچوب‌های وب (مانند Gradio و Hugging Face) برای راه‌حل‌های ML استفاده کنید، یک ابزار خط فرمان با استفاده از چارچوب کلیک بسازید، و از Rust برای وظایف ML شتاب‌دهی شده توسط GPU استفاده کنید. هفته 1: فناوری های MLOps و مدل های از پیش آموزش دیده را برای حل مشکلات مشتریان کاوش کنید. هفته 2: ML و AI را در عمل از طریق بهینه سازی، اکتشافی و شبیه سازی اعمال کنید. هفته 3: خطوط لوله عملیات، از جمله DevOps، DataOps و MLOps را با Github توسعه دهید. هفته 4: کانتینرهایی برای راه حل های ML و بسته به شیوه ای یکسان بسازید تا امکان استقرار در سیستم های Cloud که کانتینرها را می پذیرند، فراهم شود. هفته 5: برای ایجاد راه حل برای Kubernetes، Docker، Serverless، Data Engineering، Data Science و MLOps، از Python به Rust بروید.

در این MOOC شما با یادگیری ماشینی پیشرفته و زبان طبیعی آشنا می شوید تکنیک های پردازش برای تجزیه و استخراج اطلاعات از اسناد متنی بدون ساختار در مراقبت های بهداشتی، مانند یادداشت های بالینی، گزارش های رادیولوژی و خلاصه ترخیص. چه شما یک دانشمند داده مشتاق باشید یا یک حرفه ای اولیه یا اواسط حرفه ای در علم داده یا فناوری اطلاعات در مراقبت های بهداشتی، بسیار مهم است که مهارت های خود را در استخراج و تجزیه و تحلیل اطلاعات به روز نگه دارید. برای موفقیت در این دوره، باید مفاهیمی را که از طریق سایر دوره‌های MOOC سطح متوسط ​​و تخصص‌های علوم داده ارائه شده توسط دانشگاه میشیگان آموخته‌اید، بنا کنید، بنابراین می‌توانید عمیق‌تر به چالش‌های شناخت نهادهای پزشکی در سلامت بپردازید. اسناد مرتبط، استخراج اطلاعات بالینی، پرداختن به ابهام و چندمعنی برای برچسب گذاری آنها با انواع مفاهیم صحیح، و توسعه ابزارها و تکنیک هایی برای تجزیه و تحلیل ژانرهای جدید اطلاعات سلامت. در پایان این دوره، شما قادر خواهید بود: رویکردهای متن کاوی مورد نیاز برای شناسایی و استخراج انواع مختلف اطلاعات از داده های متنی مرتبط با سلامت را شناسایی کنید ایجاد یک خط لوله NLP سرتاسر برای استخراج مفاهیم پزشکی از متن رایگان بالینی با استفاده از یک منبع اصطلاحات تفاوت آموزش مدل های یادگیری عمیق را با آموزش مدل های یادگیری ماشین سنتی متمایز کنید یک مدل شبکه عصبی عمیق را برای تشخیص عوارض جانبی از بررسی داروها پیکربندی کنید مزایا و معایب رویکردهای یادگیری عمیق را فهرست کنید."

این اولین دوره آموزشی چهار دوره تخصصی Python Data Products for Predictive Analytics است که اصول اولیه خواندن و دستکاری مجموعه داده ها را در پایتون معرفی می کند. در این دوره شما یاد می گیرید که محصول داده چیست و از چندین کتابخانه پایتون برای انجام بازیابی، پردازش و تجسم داده ها عبور می کنید. این دوره شما را با رشته علم داده آشنا می کند و شما را برای سه دوره بعدی در تخصص: طراحی تفکر و تجزیه و تحلیل پیش بینی برای محصولات داده، مدل سازی پیش بینی معنادار، و استقرار مدل های یادگیری ماشین آماده می کند. در هر مرحله از تخصص، شما تجربه عملی در دستکاری داده ها و ایجاد مهارت های خود را به دست خواهید آورد، و در نهایت به پروژه ای که شامل تمام مفاهیم آموزش داده شده در تخصص می شود، ختم می شود.

دوره "پردازش و دستکاری داده ها" درک جامعی از مفاهیم و ابزارهای مختلف پردازش و دستکاری داده ها را در اختیار دانشجویان قرار می دهد. شرکت‌کنندگان یاد می‌گیرند که چگونه مقادیر از دست رفته را مدیریت کنند، نقاط پرت را شناسایی کنند، نمونه‌برداری و کاهش ابعاد را انجام دهند، تکنیک‌های مقیاس‌بندی و گسسته‌سازی را اعمال کنند، و عملیات‌های مکعب داده و جدول محوری را کاوش کنند. این دوره دانش آموزان را با مهارت های ضروری برای آماده سازی کارآمد و تبدیل داده ها برای تجزیه و تحلیل و تصمیم گیری مجهز می کند. اهداف آموزشی: 1. درک اهمیت پردازش و دستکاری داده ها در خط لوله تجزیه و تحلیل داده ها. 2. تکنیک های مدیریت مقادیر از دست رفته در مجموعه داده ها، از جمله راهبردهای انتساب و حذف را بیاموزید. 3. شناسایی و شناسایی موارد پرت برای ارزیابی تأثیر آنها بر تجزیه و تحلیل داده ها و تصمیم گیری. 4. روش های نمونه برداری و تکنیک های کاهش ابعاد را برای مجموعه داده های بزرگ و داده های با ابعاد بالا کاوش کنید. 5. از تکنیک های مقیاس بندی داده ها برای عادی سازی و استانداردسازی متغیرها برای مقایسه های معنادار استفاده کنید. 6. از گسسته سازی برای تبدیل داده های پیوسته به نمایش های طبقه بندی شده استفاده کنید و تجزیه و تحلیل را ساده کنید. 7. درک مفهوم مکعب داده و انجام تجمیع چند بعدی برای تجزیه و تحلیل اکتشافی. 8. جداول محوری برای خلاصه کردن و شکل دادن به داده ها ایجاد کنید و بینش های ارزشمندی را از مجموعه داده های پیچیده به دست آورید. در طول دوره، دانش‌آموزان فعالانه در تمرین‌ها و پروژه‌های عملی شرکت می‌کنند و به آن‌ها اجازه می‌دهد تا تکنیک‌های پردازش و دستکاری داده‌ها را در مجموعه داده‌های دنیای واقعی اعمال کنند. در پایان دوره، شرکت کنندگان به خوبی مجهز خواهند شد تا به طور موثر داده ها را برای کارهای تجزیه و تحلیل بعدی و تصمیم گیری مبتنی بر داده آماده کنند، تمیز کنند و تبدیل کنند.

این دوره مقدمه ای بر تکنیک های علوم داده پایه با استفاده از پایتون ارائه می دهد. دانش آموزان با مفاهیم اصلی مانند Data Frames و پیوستن به داده ها آشنا می شوند و یاد می گیرند که چگونه از کتابخانه های تجزیه و تحلیل داده ها مانند پانداها، numpy و matplotlib استفاده کنند. این دوره مروری بر بارگذاری، بازرسی و پرس و جوی داده های دنیای واقعی و چگونگی پاسخ به سوالات اساسی در مورد آن داده ها را ارائه می دهد. دانش‌آموزان مهارت‌هایی در جمع‌آوری و خلاصه‌سازی داده‌ها و همچنین تجسم داده‌های اولیه کسب خواهند کرد.

در حالی که داستان‌گویی با داده‌ها بخشی از رویه خبری از روزهای اولیه آن بوده است، اما در بحبوحه یک رنسانس است. میزهای گرافیکی که قبلاً به عنوان "بخش هنر" در نظر گرفته می شدند، زیر شاخه ای خارج از کار اتاق های خبر، در حال تبدیل شدن به بخش اصلی فعالیت اتاق های خبر هستند. انتظار می رود از افرادی که گرافیک خبری طراحی می کنند (آنها اغلب عناوین مختلفی دارند: روزنامه نگاران داده، هنرمندان خبری، گزارشگران گرافیکی، توسعه دهندگان و غیره) روزنامه نگاران تمام عیار باشند و از نزدیک با خبرنگاران و سردبیران کار کنند. هدف از این کلاس این است که یاد بگیریم چگونه در مورد ارائه بصری داده ها فکر کنیم، چگونه و چرا کار می کند، و چگونه به روش صحیح انجام دهیم. ما یاد خواهیم گرفت که چگونه نمودارهایی مانند The New York Times، Vox، Pew و FiveThirtyEight بسازیم. در پایان، می‌توانید نمودارهای زیبای خود را در نشریات، پست‌های وبلاگ و وب‌سایت‌ها به اشتراک بگذارید. این دوره فرض می کند که شما مهارت های اولیه کدنویسی، ترجیحا پایتون را درک می کنید. با این حال، ما در ماژول 1 نیز بررسی مختصری در مورد پایتون ارائه می‌کنیم، در صورتی که می‌خواهید خود را در اصول اولیه تجدید کنید و تجزیه و تحلیل ساده داده‌ها را انجام دهید.

دوره "جمع آوری و یکپارچه سازی داده ها" تکنیک های جامعی را برای جمع آوری داده ها از منابع مختلف از جمله فایل ها، پایگاه های داده رابطه ای، صفحات وب و API ها در اختیار دانشجویان قرار می دهد. شرکت کنندگان تجربه عملی در جمع آوری و ادغام داده ها برای پردازش و تجزیه و تحلیل بیشتر کسب خواهند کرد. این دوره بر استفاده از ابزارها و بسته‌های مناسب مانند پانداها، سوپ زیبا و SQL برای مدیریت مؤثر مجموعه داده‌های واقعی و رسیدگی به چالش‌های یکپارچه‌سازی داده‌ها تأکید دارد.