پی سی دانلود - علم-داده

در این دورهٔ عملی، مگان سیلوی، مشاور علوم داده، شرکت‌کنندگان را در مسیر ساخت برنامه‌های کاربردی وب با استفاده از Streamlit هدایت می‌کند. به طور خاص، شرکت‌کنندگان یک دستیار کدنویسی مبتنی بر هوش مصنوعی (AI-powered coding assistant) را در محیط Streamlit خواهند ساخت. این دستیار به آن‌ها کمک می‌کند تا با استفاده از زبان برنامه‌نویسی پایتون و API شرکت OpenAI، داشبوردهای دادهٔ تعاملی را تولید، اصلاح و نگهداری کنند. در ابتدا، شرکت‌کنندگان با ساخت یک دستیار هوش مصنوعی ساده مبتنی بر چت در Streamlit آغاز خواهند کرد. سپس، نحوهٔ بارگذاری، آماده‌سازی و تحلیل داده‌های خود را در Streamlit فرا خواهند گرفت. در مرحلهٔ بعد، از طریق تعاملات مکالمه‌ای با یک دستیار هوش مصنوعی جاسازی‌شده، داشبوردهای پویا همراه با فیلترها و انواع گوناگونی از بصری‌سازی‌ها (ویژوال‌ها) را ایجاد خواهند کرد. در نهایت، آموزش داده می‌شود که چگونه داشبورد هوش مصنوعی کاملاً کاربردی خود را آزمایش کرده، نگهداری کنند و آن را بر روی Streamlit Community Cloud مستقر سازند. این دوره جامع، مهارت‌های لازم برای ساخت ابزارهای داده‌ای قدرتمند و تعاملی را با تمرکز بر بهره‌گیری از قابلیت‌های هوش مصنوعی فراهم می‌آورد.
در دوره آموزشی Build with AI: AI-Powered Dashboards with Streamlit با ساخت برنامه‌های کاربردی وب تعاملی مبتنی بر داده و هوش مصنوعی آشنا خواهید شد.

در این دوره جامع با محوریت پایگاه‌های داده برداری (Vector Databases)، شرکت‌کنندگان به دنیای هیجان‌انگیز فناوری‌های پیشرفته‌ای که در حال متحول ساختن حوزه هوش مصنوعی (AI)، به ویژه هوش مصنوعی مولد (Generative AI) هستند، قدم خواهند گذاشت. این دوره با تمرکز بر «آینده‌سازی هوش مصنوعی مولد» (Future-Proofing Generative AI)، دانش و مهارت‌های لازم برای مهار قدرت پایگاه‌های داده برداری را در کاربردهای پیشرفته‌ای مانند مدل‌های زبان بزرگ (LLM)، ترانسفورماتورهای از پیش آموزش‌دیده مولد (GPT) نظیر ChatGPT، و توسعه هوش عمومی مصنوعی (AGI) در اختیار شرکت‌کنندگان قرار می‌دهد. با شروع از مفاهیم پایه‌ای، شرکت‌کنندگان اصول اولیه پایگاه‌های داده برداری و نقش آن‌ها در ایجاد تحول در جریان‌های کاری هوش مصنوعی را فرا خواهند گرفت. از طریق مثال‌های کاربردی و تمرین‌های کدنویسی عملی، تکنیک‌هایی مانند نمایه‌سازی، ذخیره‌سازی، بازیابی داده‌های برداری و کاهش بُعدی مورد بررسی قرار می‌گیرند. همچنین، مهارت لازم برای ادغام پایگاه داده برداری Pinecone با ابزارهای دیگری مانند LangChain و API اوپن‌ای‌آی (OpenAI API) با استفاده از پایتون (Python)، جهت پیاده‌سازی کاربردهای واقعی و آزادسازی تمام پتانسیل پایگاه‌های داده برداری، کسب خواهد شد.
در دوره آموزشی Master Vector Database with Python for AI & LLM Use Cases با استفاده از پایگاه‌های داده برداری برای کاربردهای پیشرفته هوش مصنوعی و مدل‌های زبان بزرگ آشنا خواهید شد.

این دوره با معرفی سریع و اجمالی رابط کاربری R Studio آغاز می‌شود. سپس، شرکت‌کنندگان بلافاصله با یک فایل داده واقعی کار را شروع می‌کنند. در این بخش، یک روال غربالگری داده، شامل بازرسی توزیع متغیرها با استفاده از نمودارهای میله‌ای و هیستوگرام‌ها، بررسی متغیرهای رشته‌ای ناخواسته (Chr)، شمارش مقادیر گمشده (NA) و موارد دیگر، به صورت گام به گام به آنان آموزش داده می‌شود. پس از آن، به برخی از تحلیل‌های بنیادی داده، مانند جداول فراوانی همراه با فراوانی‌ها و درصد ستونی، آمار توصیفی برای تمامی مشاهدات و زیرگروه‌ها به صورت جداگانه، جداول توافقی با فراوانی‌ها و درصدهای ستونی، و همبستگی‌های پیرسون با حذف مقادیر گمشده به صورت لیستی و زوجی پرداخته می‌شود. در ادامه، نحوه وارد کردن و صادر کردن انواع فایل‌ها مانند R, RData, RDS, Excel, CSV, SAV و PNG به R Studio آموزش داده می‌شود. در نهایت، دوره با آموزش مهارت‌های ویرایش داده، از جمله مرتب‌سازی مجدد و حذف متغیرها (ستون‌ها) یا مشاهدات (ردیف‌ها) و شمارش مقادیر گمشده (NA) در داخل مشاهدات، به پایان می‌رسد. همچنین، محاسبه میانگین‌ها و مجموع‌ها بر روی متغیرها با و بدون مقادیر گمشده نیز پوشش داده می‌شود.
در دوره آموزشی R Studio - A Crash Course با تحلیل داده و کار با نرم‌افزار R Studio آشنا خواهید شد.

این دوره یک آشنایی کامل با یادگیری تقویتی عمیق است. یادگیری تقویتی عمیق روش‌های یادگیری تقویتی را با شبکه‌های عصبی عمیق پیوند می‌دهد. تمرکز اصلی بر درک مفاهیم و پیاده‌سازی عملی آن‌ها است. این دوره با مرور اصول اولیه یادگیری تقویتی و چگونگی عملکرد تقریب توابع با استفاده از شبکه‌های عصبی آغاز می‌شود. سپس، به روش‌های مبتنی بر ارزش مانند شبکه‌های Q عمیق (DQN) و نسخه‌های پیشرفته‌تر آن‌ها پرداخته می‌شود. همچنین الگوریتم‌های گرادیان سیاست مانند PPO, DDPG, TD3, و SAC و تکنیک‌های پیشرفته برای اکتشاف، یادگیری مبتنی بر مدل، و آموزش چند عاملی را پوشش می‌دهد. این دوره یک رویکرد عملی دارد و شامل تمرین‌های کدنویسی با استفاده از PyTorch است. شرکت‌کنندگان در این دوره، عوامل هوشمند خود را می‌سازند، با محیط‌هایی مانند بازی‌های آتاری و شبیه‌سازی‌های رباتیک آزمایش می‌کنند و یاد می‌گیرند که چگونه یک فرایند توسعه مناسب برای تحقیقات و کاربردهای یادگیری تقویتی عمیق را تنظیم کنند. علاوه بر الگوریتم‌های اصلی، موضوعات مهم و مدرن دیگری نیز پوشش داده می‌شوند. از جمله این مباحث می‌توان به اکتشاف مبتنی بر کنجکاوی، مکانیسم‌های توجه، مدل‌های جهان، آموزش توزیع‌شده، و یادگیری تقویتی از بازخورد انسانی اشاره کرد. این موضوعات به شرکت‌کنندگان دیدگاهی گسترده‌تر درباره نحوه کاربرد عملی یادگیری تقویتی عمیق در دنیای واقعی می‌دهند.
در دوره آموزشی Deep Reinforcement Learning با ترکیب یادگیری تقویتی و شبکه‌های عصبی عمیق آشنا خواهید شد.

در این دوره، دانش‌پذیران با دموهای گام به گام و هدایت‌شده، اعتماد به نفس خود را برای یادگیری مهارت‌های بنیادی افزایش می‌دهند. به جای حفظ کردن فرمول‌های ریاضی پیچیده یا یادگیری یک زبان برنامه‌نویسی جدید، تکنیک‌های یادگیری ماشین به صورت مفهومی تشریح می‌شوند تا فراگیران دقیقا درک کنند که این تکنیک‌ها چگونه و چرا کار می‌کنند. با دنبال کردن مثال‌های ساده و بصری و تعامل با مدل‌های کاربرپسند مبتنی بر اکسل، شرکت‌کنندگان می‌توانند موضوعاتی مانند رگرسیون خطی و لجستیک، درخت‌های تصمیم، کا-نزدیک‌ترین همسایه‌ها (KNN)، نایو بیز، خوشه‌بندی سلسله‌مراتبی و تحلیل احساسات را بدون نیاز به نوشتن حتی یک خط کد یاد بگیرند. در بخش ۱ این دوره، شرکت‌کنندگان با گردش کار یادگیری ماشین و تکنیک‌های رایج برای پاکسازی و آماده‌سازی داده‌های خام جهت تحلیل آشنا می‌شوند. همچنین، با استفاده از جداول فراوانی، هیستوگرام‌ها و نمودارهای توزیع، تحلیل تک‌متغیره را بررسی خواهند کرد و سپس به ابزارهای تحلیل چندمتغیره مانند نقشه‌های حرارتی، نمودارهای ویولن و جعبه‌ای، نمودارهای پراکندگی و همبستگی خواهند پرداخت.
در دوره آموزشی Machine Learning & Data Science: The Complete Visual Guide با مفاهیم و تکنیک‌های یادگیری ماشین و علم داده آشنا خواهید شد.

این دوره آموزشی برای دانشجویانی طراحی شده که می‌خواهند از یک برنامه‌نویس مبتدی به یک متخصص در کتابخانه نام‌پای تبدیل شوند. نام‌پای زیربنای اصلی تقریباً تمام کتابخانه‌های یادگیری ماشین، یادگیری عمیق و هوش مصنوعی است. از جمله این کتابخانه‌ها می‌توان به سای‌پای (SciPy)، پانداس (Pandas)، پای‌تورچ (PyTorch) و تنسورفلو (TensorFlow) اشاره کرد. این دوره به افراد کمک می‌کند تا چالش‌های رایج در یادگیری نام‌پای را پشت سر بگذارند و از صرفاً استفاده از توابع فراتر رفته و به درکی عمیق از عملکرد داخلی آن برسند. این دوره یک آموزش ساده در مورد توابع نام‌پای نیست. بلکه رویکرد آن بر پرورش تفکر نام‌پای در دانشجویان تمرکز دارد تا بتوانند با اطمینان، کدهای حرفه‌ای را نوشته و اشکال‌زدایی کنند. دانشجویان در طول دوره با مفاهیم گام‌به‌گام و از طریق تمرین‌های کدنویسی، پروژه‌های واقعی و آزمون‌ها آشنا می‌شوند. در پایان این دوره، آن‌ها تنها توابع نام‌پای را نمی‌شناسند، بلکه نحوه عملکرد آن در پشت پرده محاسبات مربوط به سیستم‌های مدرن یادگیری ماشین و هوش مصنوعی را نیز درک خواهند کرد. این دانش به دانشجویان اعتماد به نفس لازم برای کار با کتابخانه‌های پیشرفته و پروژه‌های دنیای واقعی را می‌دهد.
در دوره آموزشی NumPy Mastery for Machine Learning & AI-Beginner to Pro 2025 با کتابخانه نام‌پای، نحوه تفکر در آن، و کاربردهای آن در یادگیری ماشین و هوش مصنوعی آشنا خواهید شد.

این دوره جامع، شرکت‌کنندگان را از اصول اولیه MongoDB به سمت پایگاه‌های داده وکتور پیشرفته مبتنی بر هوش مصنوعی هدایت می‌کند. این دوره برای افراد مبتدی و علاقه‌مندانی که می‌خواهند تکنیک‌های پایگاه داده مدرن و ادغام هوش مصنوعی را فرا بگیرند، بسیار مناسب است. در طول دوره، شرکت‌کنندگان با ابزارهای مختلفی از جمله MongoDB Shell، Compass، PyMongo، و MongoDB Atlas کار خواهند کرد و با مفاهیم پایگاه داده وکتور، جستجوهای متنی، و تکنیک‌های پیشرفته‌ای مانند Pipeline Aggregation آشنا می‌شوند. آنها همچنین به صورت عملی با LangChain و OpenAI LLMs کار می‌کنند تا یاد بگیرند چگونه متن تولید کرده و از OpenAI Embeddings استفاده کنند. این دوره به صورت عملی طراحی شده و با ارائه منابعی مانند نوت‌بوک‌های کامل ژوپیتر، دیتاست‌های نمونه، فایل‌های پیکربندی، و کدهای شروع، یادگیری را تسهیل می‌کند. تمرین‌های عملی و راه‌حل‌های مربوط به آنها نیز ارائه شده است تا شرکت‌کنندگان بتوانند مهارت‌های خود را تقویت کنند. یکی از بخش‌های کلیدی این دوره، آموزش ساخت سیستم‌های RAG (تولید مبتنی بر بازیابی) است که در آن‌ها پایگاه‌های داده سنتی با فناوری‌های هوش مصنوعی در MongoDB Atlas ترکیب می‌شوند. به طور کلی، این دوره به شرکت‌کنندگان کمک می‌کند تا مهارت‌های لازم برای کار با پایگاه‌های داده مدرن و فناوری‌های هوش مصنوعی مرتبط را کسب کنند.
در دوره آموزشی MongoDB Atlas Vector Database: Zero to Advanced with Python با پایگاه داده MongoDB و تکنیک‌های پیشرفته آن، از جمله پایگاه داده وکتور، و همچنین ادغام آن با هوش مصنوعی و ابزارهای مرتبط آشنا خواهید شد.

به دوره کامل آموزش SQL در عصر هوش مصنوعی خوش آمدید. این یک دوره آموزشی جامع و عملی است که برای تبدیل یک مبتدی مطلق به یک متخصص ماهر در زبان SQL طراحی شده است، تا بتوانید در دنیای امروزی که توسط هوش مصنوعی هدایت می‌شود، با چالش‌های واقعی داده‌ها روبرو شوید. در این دوره، شما تمام چیزهایی را که برای درک، نوشتن و بهینه‌سازی موثر کوئری‌های SQL نیاز دارید، بدون توجه به پیش‌زمینه خود، یاد خواهید گرفت. از راه‌اندازی محیط کار گرفته تا تسلط بر تکنیک‌های پیشرفته، شما را گام به گام در این زبان قدرتمند که به تصمیم‌گیری‌های مبتنی بر داده در سراسر جهان کمک می‌کند، راهنمایی خواهیم کرد. این دوره شامل بخش‌های مختلفی است که هر یک بر روی جنبه خاصی از SQL تمرکز دارند.
در دوره آموزشی Complete SQL Bootcamp in the ERA of AI from Zero to Expert با مباحث مرتبط با زبان برنامه‌نویسی SQL آشنا خواهید شد.

این دوره آموزشی جامع برای کسانی طراحی شده است که به دنبال یادگیری کامل نحوه ساخت مدل‌های رگرسیون خطی و لجستیک در نرم‌افزار R Studio هستند. پس از اتمام این دوره، دانشجویان قادر خواهند بود مشکلات کسب‌وکار را که با استفاده از تکنیک‌های رگرسیون خطی و لجستیک قابل حل هستند، شناسایی کنند. همچنین، آن‌ها توانایی ایجاد و تحلیل نتایج این مدل‌ها را در R Studio خواهند داشت. هدف این دوره، فراهم کردن یک پایه محکم برای تمرین، بحث و درک مفاهیم یادگیری ماشین است. به تمام شرکت‌کنندگان این دوره گواهینامه قابل تأیید اتمام دوره اعطا می‌شود. این دوره به ویژه برای مدیران کسب‌وکار، مدیران اجرایی، یا دانشجویانی که می‌خواهند یادگیری ماشین را برای حل مشکلات واقعی کسب‌وکار به کار ببرند، مفید است. این دوره با آموزش محبوب‌ترین تکنیک یادگیری ماشین، یعنی رگرسیون خطی، به آن‌ها یک پایه قوی می‌دهد. این دوره تمام مراحل لازم برای حل یک مشکل کسب‌وکار با استفاده از رگرسیون خطی را پوشش می‌دهد. در حالی که بسیاری از دوره‌ها فقط بر روی نحوه اجرای تحلیل تمرکز می‌کنند، این دوره بر اهمیت مراحل قبل و بعد از تحلیل نیز تأکید دارد. قبل از تحلیل، آماده‌سازی داده‌ها و پیش‌پردازش آن‌ها بسیار مهم است. پس از تحلیل نیز، دانشجویان می‌آموزند که چگونه کیفیت مدل خود را ارزیابی و نتایج را تفسیر کنند تا بتوانند به کسب‌وکار خود کمک کنند.
در دوره آموزشی Linear Regression and Logistic Regression using R Studio با تکنیک‌های رگرسیون خطی و لجستیک در یادگیری ماشین آشنا خواهید شد.

این دوره جامع و عملی در زمینه LLMOps برای توسعه‌دهندگان، دانشمندان داده، مهندسان MLOps و علاقه‌مندان به هوش مصنوعی طراحی شده است. هدف آن، آموزش ساخت، مدیریت و استقرار LLM‌های مقیاس‌پذیر با استفاده از ابزارهای پیشرفته و فناوری‌های مدرن مبتنی بر رایانش ابری است. در این دوره، شرکت‌کنندگان می‌آموزند که چگونه فاصله بین ساخت برنامه‌های قدرتمند LLM و استقرار آن‌ها در محیط‌های تولید واقعی را با استفاده از ابزارهایی مانند GitHub، Jenkins، Docker، Kubernetes، FastAPI، سرویس‌های ابری (AWS و GCP) و خطوط لوله CI/CD از بین ببرند. در طول این دوره، چندین پروژه کاربردی و جامع پیاده‌سازی می‌شود. این پروژه‌ها نحوه‌ی عملیاتی کردن مدل‌های HuggingFace Transformers، مدل‌های بهینه‌سازی‌شده و استقرار APIهای Groq را به همراه نظارت بر عملکرد با استفاده از Prometheus، Grafana و SonarQube نشان می‌دهند. همچنین، شرکت‌کنندگان مدیریت زیرساخت و هماهنگ‌سازی را با استفاده از Kubernetes (Minikube و GKE)، AWS Fargate و Google Artifact Registry (GAR) یاد خواهند گرفت.
در دوره آموزشی LLMOps And AIOps Bootcamp With 9+ End To End Projects با استقرار و مدیریت مدل‌های زبانی بزرگ در محیط‌های تولیدی آشنا خواهید شد.