به تازگی برای سال 2024 به روز شده است! Mathematics for Machine Learning and Data Science یک برنامه آنلاین پایه است که توسط DeepLearning.AI ایجاد شده و توسط Luis Serrano تدریس می شود. در یادگیری ماشینی، شما مفاهیم ریاضی را از طریق برنامه نویسی به کار می برید. و بنابراین، در این تخصص، مفاهیم ریاضی را که با استفاده از برنامه نویسی پایتون یاد می گیرید، در تمرینات آزمایشگاهی عملی به کار خواهید برد. به عنوان یک زبان آموز در این برنامه، برای موفقیت به مهارت های برنامه نویسی پایتون اولیه تا متوسط ​​نیاز دارید. پس از اتمام این دوره، شما قادر خواهید بود: • با استفاده از مفاهیم احتمال، متغیرهای تصادفی، و توزیع احتمال، عدم قطعیت ذاتی در پیش‌بینی‌های مدل‌های یادگیری ماشین را توصیف و کمی کنید. • درک بصری و شهودی خواص توزیع‌های احتمال رایج در یادگیری ماشین و علم داده مانند توزیع‌های برنولی، دوجمله‌ای و گاوسی • روش‌های آماری رایج مانند برآورد حداکثر احتمال (MLE) و حداکثر تخمین پیشینی (MAP) را برای مشکلات یادگیری ماشین اعمال کنید. • ارزیابی عملکرد مدل های یادگیری ماشین با استفاده از تخمین های بازه ای و حاشیه خطاها • استفاده از مفاهیم آزمون فرضیه های آماری در آزمون های رایج در علم داده مانند آزمون AB • تجزیه و تحلیل داده های اکتشافی را روی یک مجموعه داده برای یافتن، اعتبارسنجی و کمی کردن الگوها انجام دهید. بسیاری از مهندسان یادگیری ماشین و دانشمندان داده در زمینه ریاضیات به کمک نیاز دارند، و حتی تمرین‌کنندگان با تجربه نیز می‌توانند از کمبود مهارت‌های ریاضی عقب‌مانده شوند. این تخصص از آموزش نوآورانه در ریاضیات استفاده می‌کند تا به شما کمک کند تا سریع و شهودی یاد بگیرید، با دوره‌هایی که از تجسم‌های ساده برای پیگیری استفاده می‌کنند تا به شما کمک کنند تا ببینید که چگونه ریاضیات پشت یادگیری ماشین واقعاً کار می‌کند.  ما به شما توصیه می کنیم سطح ریاضی دبیرستان (توابع، جبر پایه) و آشنایی با برنامه نویسی (ساختارهای داده، حلقه ها، توابع، دستورات شرطی، اشکال زدایی) داشته باشید. تکالیف و آزمایشگاه‌ها در پایتون نوشته شده‌اند، اما این دوره تمام کتابخانه‌های یادگیری ماشینی را که استفاده می‌کنید معرفی می‌کند.

تعداد کمی از قابلیت‌ها مانند یک برنامه تحلیلی قوی، چابکی را متمرکز می‌کنند. چنین برنامه ای تعیین می کند که یک تیم باید از یک تکرار چابک (sprint) به بعدی تمرکز کند. تجزیه و تحلیل های موفق به ندرت به سختی قابل درک هستند و اغلب در وضوح خود شگفت انگیز هستند. در این دوره آموزشی که در مدرسه کسب و کار Darden در دانشگاه ویرجینیا توسعه یافته است، یاد خواهید گرفت که چگونه یک زیرساخت تجزیه و تحلیل قوی برای تیم خود بسازید و آن را با هسته حرکت خود به سمت ارزش ادغام کنید.

 تست‌های A/B، زمانی که به درستی انجام شوند، می‌توانند بینش ارزشمندی در مورد داده‌هایتان به شما بدهند و محصولات دیجیتالی شما را متحول کنند. در این دوره آموزشی، نحوه تنظیم تست های A/B را با متخصص فناوری Oluchukwu Okpala یاد بگیرید. با Oluchukwu همراه باشید تا اصول اولیه تست A/B، مزایای کلیدی آن برای پروژه های دیجیتال و کاربردهای رایج آن را توضیح دهد. بیاموزید که چگونه اهداف و شاخص های اندازه گیری را برای آزمایش های خود تنظیم کنید، گروه های کنترل و درمان خود را تعریف کنید و متغیرهایی را برای آزمایش تعیین کنید. به‌علاوه، از راه‌های مناسب برای تنظیم آزمون‌ها و اختصاص شرکت‌کنندگان و نحوه تجزیه و تحلیل و تفسیر نتایج آزمایش خود مطلع شوید. در نهایت، Oluchukwu چند استراتژی برای تکرار و بهینه سازی تست های شما توضیح می دهد.

این دوره به شما این امکان را می دهد تا مهارت های SQL آموزش داده شده در "SQL for Data Science" را در چهار مطالعه موردی تحقیقاتی علم داده به طور فزاینده پیچیده و معتبر به کار ببرید. ما یاد خواهیم گرفت که چگونه مُهرهای زمانی همه نوع را به فرمت‌های رایج تبدیل کنیم و محاسبات تاریخ/زمان را انجام دهیم. ما JOIN بهینه را برای تحقیق علم داده انتخاب و انجام خواهیم داد و داده‌ها را در یک مجموعه داده تجزیه و تحلیل با حذف کردن، اجرای بررسی‌های کیفیت، پر کردن پشتی و مدیریت تهی، پاکسازی می‌کنیم. ما یاد می گیریم که چگونه داده ها را در هر بخش با استفاده از توابع پنجره بندی تقسیم و تجزیه و تحلیل کنیم و از دستورات case برای اجرای منطق شرطی برای رسیدگی به یک تحقیق علم داده استفاده کنیم. همچنین نحوه تبدیل یک پرس و جو به یک کار زمان بندی شده و نحوه درج داده ها در یک پارتیشن تاریخ را توضیح خواهیم داد. در نهایت، با توجه به نیاز به تحلیل پیش‌بینی‌کننده، با استفاده از ابزارها و مهارت‌هایی که در طول دوره ایجاد کرده‌ایم، ویژگی‌ای را از داده‌های خام مهندسی می‌کنیم. کاربرد واقعی این مهارت ها چارچوبی را برای انجام تجزیه و تحلیل آزمون AB در اختیار شما قرار می دهد.

آیا علاقه مند به یادگیری نحوه ایجاد یک آزمایش آنلاین هستید که به شما کمک می کند تجارت خود را بهتر بشناسید؟ این دوره می تواند به شما کمک کند تا سرعت خود را افزایش دهید. مربی مونیکا وحی به یادگیرندگان بدون پیشینه طراحی آزمایشی نحوه ساخت یک آزمون A/B برای یک صفحه وب، اجرای آزمون، تجزیه و تحلیل داده ها و تصمیم گیری بر اساس نتایج آزمون را به یادگیرندگان نشان می دهد. مونیکا با توضیح اینکه تست A/B دقیقا چیست و در چه شرایطی مفید است، شروع می‌کند. سپس استراتژی‌های بالقوه برای افزایش نرخ تبدیل و همچنین نحوه انتخاب هر دو شرایط A و B برای آزمایش را پوشش می‌دهد. در مرحله بعد، او نحوه تعریف نرخ تبدیل و توسعه و مستندسازی تعاریف موردی، انجام یک تحلیل پایه در اکسل و بر اساس نتایج تجزیه و تحلیل، طراحی یک تست A/B را توضیح می‌دهد. بعلاوه، او نحوه انجام یک تست مجذور کای در اکسل و تخمین اندازه نمونه را با استفاده از G*Power نشان می‌دهد.