پی سی دانلود - مهندسی-داده

Azure Data Factory (ADF) یک سرویس مبتنی بر فضای ابری برای ETL (استخراج، تبدیل، بارگذاری) و یکپارچه‌سازی داده‌ها است که توسط مایکروسافت ارائه شده است. این سرویس به سازمان‌ها امکان می‌دهد تا داده‌ها را از منابع متعدد، از جمله منابع محلی، در فضای ابری یا در پلتفرم‌های مختلف، انتقال، تبدیل و هماهنگ‌سازی کنند. این سرویس به عنوان خط لوله داده در محیط Azure عمل می‌کند و امکان اتصال، پاک‌سازی و تحویل داده‌ها به سیستم‌هایی مانند دریاچه‌های داده، انبارهای داده، پلتفرم‌های هوش تجاری و خطوط لوله یادگیری ماشین را فراهم می‌آورد. عملکرد Azure Data Factory بر اساس یک رویکرد گردش کاری است که شامل چهار مرحله اصلی است: ADF از طریق سرویس‌های پیوندی به بیش از ۱۰۰ منبع داده مانند SQL Server، Azure Blob Storage، Amazon S3، Google Cloud Storage، Salesforce و SAP متصل می‌شود. داده‌ها به صورت دسته‌ای یا در زمان واقعی دریافت می‌شوند. ADF از Data Flows (یک رابط بصری و بدون نیاز به کد برای تبدیل داده) یا فعالیت‌های سفارشی مانند اسکریپت‌های SQL، وظایف Spark، نوت‌بوک‌های Databricks و رویه‌های ذخیره‌شده استفاده می‌کند. تبدیل‌ها ممکن است شامل ادغام، فیلتر کردن، تجمیع، تبدیل فرمت (مانند تبدیل CSV به JSON و Parquet) و پاک‌سازی داده‌ها باشد.
در دوره آموزشی Azure Data Factory (ADF): Build Scalable Data Pipelines با مبانی Azure Data Factory و ساخت خطوط لوله داده آشنا خواهید شد.

این دوره برای کسانی طراحی شده است که می‌خواهند پلتفرم Azure Data Factory را به صورت عملی و با پروژه‌های واقعی، خطوط داده پویا و حل مشکلات کاربردی بیاموزند. این دوره از سخنرانی‌های تئوری و آماده‌سازی عمومی برای گواهینامه‌ها فاصله گرفته و بر کاربرد واقعی تمرکز دارد. مسترینگ دیتا فکتوری آژور دوره‌ای است که به شرکت‌کنندگان کمک می‌کند تا به طور عملی و از طریق سناریوهای واقعی، مهارت‌های خود را در Azure Data Factory (ADF) ارتقا دهند. این دوره به جای تمرکز بر مفاهیم تئوریک، بر حل مسائل عملی و پیاده‌سازی پروژه‌های دنیای واقعی تمرکز دارد. شرکت‌کنندگان با یادگیری و استفاده از Azure Data Factory، می‌توانند داده‌ها را از منابع مختلفی مانند SQL، REST APIs، Snowflake و PostgreSQL جمع‌آوری کنند. علاوه بر این، دوره شامل آموزش ساخت چارچوب‌های قابل استفاده مجدد، پیاده‌سازی بارهای افزایشی و تبدیل داده‌ها با استفاده از Data Flows است. این دوره توسط CloudPandith (Mallaiah)، یک معمار ارشد داده و مربی حرفه‌ای، هدایت می‌شود و بیش از ۴۰ سناریوی بلادرنگ ADF را دربرمی‌گیرد. مخاطبان این دوره، چه مبتدی باشند و چه افراد حرفه‌ای، یاد می‌گیرند که چگونه خطوط داده را با استفاده از تمام ویژگی‌های ADF مانند SHIR (محیط‌های یکپارچه‌سازی خودمیزبان)، تریگرها (محرک‌ها)، ادغام Key Vault، CDC (تغییر داده‌های ضبط شده)، و زمان‌بندی Databricks طراحی، خودکارسازی و بهینه کنند. در این دوره، هر بخش آموزشی بر مبنای کاربردهای واقعی ساخته شده و نه بر اساس تئوری‌های کتابی.
در دوره آموزشی Mastering Azure Data Factory : Real-World Projects With ADF با ساخت و بهینه‌سازی خطوط داده در پلتفرم Azure آشنا خواهید شد.

زمانی که تیم‌ها با مدل‌های یادگیری ماشین کار می‌کنند، تغییر ویژگی‌ها، مجموعه‌داده‌های مختلف، الگوریتم‌های جدید و منابع محاسباتی منحصربه‌فرد، همگی بر عملکرد یک مدل یادگیری ماشین تأثیر می‌گذارند. پیگیری تمام این موارد می‌تواند پیچیده باشد. با ابزارهایی مانند DVC، MLFlow و AWS، می‌توان این چالش را برطرف کرد. Milecia McGregor، متخصص نرم‌افزار با یک دهه تجربه در حوزه‌های مختلف فناوری، نحوه استفاده از ابزارهای MLOps را برای بهبود یادگیری ماشین و خودکارسازی برخی از مراحل فرآیند نمایش می‌دهد. Milecia McGregor دارای مدرک کارشناسی ارشد در مهندسی مکانیک و هوافضا است و در زمینه یادگیری ماشین برای رابط‌های انسان و کامپیوتر در وسایل نقلیه خودران فعالیت داشته است. او در حوزه‌های مختلفی از جمله توسعه فرانت‌اند و بک‌اند، علم داده، رباتیک، DevOps، امنیت سایبری، واقعیت مجازی و سایر زمینه‌ها کار کرده است. Milecia در پروژه‌هایی مانند Mozilla VPN و برنامه‌هایی که با سیگنال‌های مغزی کار می‌کنند، مشارکت داشته است. او همچنین یک سخنران بین‌المللی در جامعه فناوری است و در مورد موضوعات مختلفی در چندین زبان برنامه‌نویسی سخنرانی می‌کند. تجربیات گسترده او در حوزه‌های مختلف فناوری، از جمله تجربه عملی با سیستم‌های پیچیده و داده‌های حساس، او را به فردی ایده‌آل برای آموزش این ابزارها تبدیل کرده است. در این دوره، او دانش عملی خود را به اشتراک می‌گذارد تا به شرکت‌کنندگان کمک کند تا چالش‌های مدیریت مدل‌های یادگیری ماشین را به طور موثرتری حل کنند و فرآیند توسعه و استقرار را بهینه‌سازی کنند. این دوره بر رویکردهای عملی تمرکز دارد و شرکت‌کنندگان را با مهارت‌های لازم برای پیاده‌سازی MLOps در پروژه‌های خود آشنا می‌کند.
در دوره آموزشی Learn MLOps for Machine Learning با ابزارها و روش‌های بهبود و خودکارسازی فرآیندهای یادگیری ماشین آشنا خواهید شد.

این دوره جامع، شرکت‌کنندگان را با مبانی علوم داده و هوش مصنوعی مولد آشنا می‌کند و آن‌ها را قادر می‌سازد تا از طریق پروژه‌های عملی، مهارت‌های لازم برای ورود به بازار کار را کسب کنند. این دوره با رویکرد یادگیری از طریق انجام دادن، مفاهیم پیچیده را به شیوه‌ای ساده و کاربردی ارائه می‌دهد و شامل مباحثی از جمله برنامه‌نویسی پایتون، آمار و ریاضیات مورد نیاز، تکنیک‌های پیش‌پردازش و تحلیل داده، الگوریتم‌های یادگیری ماشین نظارت شده و بدون نظارت، و همچنین مفاهیم و کاربردهای هوش مصنوعی مولد و عامل‌محور می‌باشد. علاوه بر آموزش‌های فنی، این دوره راهنمایی‌های لازم برای ساخت رزومه و موفقیت در مصاحبه‌های شغلی را نیز ارائه می‌دهد تا شرکت‌کنندگان بتوانند با آمادگی کامل وارد حوزه علوم داده شوند.
در دوره آموزشی Full Stack Data Science with GenAI با مفاهیم و کاربردهای علوم داده و هوش مصنوعی مولد آشنا خواهید شد.

در این دوره آموزشی، شرکت‌کنندگان با چگونگی بهره‌گیری از پلتفرم داتابریکس به منظور مدیریت و پردازش حجم وسیعی از داده‌ها برای ساخت و آموزش مدل‌های هوش مصنوعی آشنا می‌شوند. همچنین، نحوه ادغام مدل‌های زبانی بزرگ پیشرفته در این فرآیند آموزش داده می‌شود تا امکان توسعه برنامه‌های کاربردی هوشمند در زمینه‌های مختلف پردازش زبان طبیعی فراهم گردد. این دوره شامل مباحثی پیرامون طبقه‌بندی متون، خلاصه‌سازی اطلاعات، جستجوی معنایی در متون و ساخت سیستم‌های هوش مصنوعی مکالمه‌ای است. از طریق تمرینات عملی و پروژه‌های واقعی، دانش‌پذیران تجربه لازم برای طراحی و پیاده‌سازی سیستم‌های هوشمند مبتنی بر داده و زبان را کسب خواهند کرد و با اصول معماری سامانه‌های هوش مصنوعی یکپارچه و روش‌های بهینه‌سازی عملکرد مدل‌ها آشنا می‌شوند.
در دوره آموزشی Building AI Applications with Databricks and Gen AI با ساخت برنامه‌های هوش مصنوعی با استفاده از داتابریکس و مدل‌های زبانی بزرگ آشنا خواهید شد.

این دوره آموزشی یک برنامه فشرده و عملی است که شرکت‌کنندگان را در طول 21 روز از طریق پیاده‌سازی 21 پروژه کلیدی در حوزه‌های مختلف علم داده، یادگیری ماشین و هوش مصنوعی راهنمایی می‌کند. هدف این دوره، توسعه مهارت‌های فنی شرکت‌کنندگان و ایجاد یک نمونه کار قوی و متنوع است که توانایی‌های آن‌ها را در حل مسائل واقعی با استفاده از تکنیک‌های پیشرفته نشان دهد. هر پروژه به گونه‌ای طراحی شده است که یک مفهوم یا تکنیک خاص را پوشش دهد و شرکت‌کنندگان را قادر سازد تا به تدریج دانش و تجربه خود را در زمینه‌هایی نظیر پیش‌بینی سری‌های زمانی، تحلیل مشتری، مدل‌سازی ریسک، تحلیل احساسات، سیستم‌های توصیه‌گر، پیش‌بینی فرسایش، مدل‌سازی قیمت‌گذاری، تشخیص تهدیدات سایبری، تشخیص تقلب، پیش‌بینی مصرف انرژی و ترافیک، تحلیل ارزش طول عمر مشتری، تحلیل بازار سهام، پردازش زبان طبیعی، تحلیل سبد بازار، پیش‌بینی خطر سلامت و روند بازار مسکن، ساخت سیستم‌های معاملات خودکار، پیش‌بینی تقاضا و ساخت عامل‌های هوش مصنوعی با استفاده از یادگیری تقویتی بپردازند. این رویکرد عملی تضمین می‌کند که شرکت‌کنندگان نه تنها مفاهیم نظری را درک می‌کنند، بلکه قادر به اعمال آن‌ها در پروژه‌های ملموس و قابل ارائه نیز خواهند بود.
در دوره آموزشی 21 data science portfolio projects in 21 days با کاربردهای متنوع و عملی علم داده و یادگیری ماشین آشنا خواهید شد.

این دوره برای توسعه‌دهندگان پایتون که به دنبال تسلط بر مهارت‌های پیشرفته کدنویسی هستند، طراحی شده است. جو مارینی، مربی این دوره، به شرکت‌کنندگان کمک می‌کند تا دانش فنی خود را افزایش دهند یا برای مصاحبه‌های شغلی جهت دستیابی به نقشی جدید آماده شوند. این دوره شامل چالش‌های کدنویسی است که توسط CoderPad ارائه شده‌اند؛ این چالش‌ها تمرینات کدنویسی تعاملی با بازخورد در زمان واقعی هستند که به شرکت‌کنندگان امکان می‌دهند تا با تمرین عملی، مهارت‌های کدنویسی خود را ارتقا دهند. جو مارینی با پنج چالش کدنویسی خاص و متمرکز بر داده‌ها، به توسعه مهارت‌های برنامه‌نویسی پایتون شرکت‌کنندگان کمک می‌کند. در این دوره، شرکت‌کنندگان تمرین می‌کنند تا داده‌ها را تجزیه و کاوش کنند، با مجموعه‌ها کار کنند، از توابع ریاضی و آماری بهره ببرند و بسیاری مهارت‌های دیگر را کسب کنند. هدف اصلی این دوره، تجهیز برنامه‌نویسان پایتون به ابزارها و تکنیک‌های لازم برای کارآمدتر شدن در تحلیل و دستکاری داده‌ها است. این دوره به شرکت‌کنندگان کمک می‌کند تا با چالش‌های دنیای واقعی در زمینه داده‌ها به بهترین شکل ممکن روبرو شوند و راه‌حل‌های بهینه ارائه دهند. تمرکز بر جنبه‌های عملی و کاربردی پایتون در این دوره، آن را به گزینه‌ای ایده‌آل برای کسانی تبدیل می‌کند که به دنبال تقویت مهارت‌های خود در این زمینه هستند.
در دوره آموزشی Hands-On Advanced Python: Data Engineering Basics با مهارت‌های پیشرفته پایتون برای کاوش و دستکاری داده‌ها آشنا خواهید شد.

این دوره آموزشی به شرکت‌کنندگان می‌آموزد که چگونه با استفاده از Streamlit، Plotly و Pandas داشبوردهای تعاملی و بصری برای ارائه داده‌ها و بینش‌ها ایجاد کنند. این شامل یادگیری نحوه ساخت داشبوردهای جذاب با Streamlit، ایجاد نمودارها و گراف‌های تعاملی با Plotly و تجزیه و تحلیل کارآمد داده‌ها با Pandas است. علاوه بر این، شرکت‌کنندگان با پروژه‌های عملی که وظایف واقعی فریلنسری را شبیه‌سازی می‌کنند، تجربه کسب خواهند کرد و همچنین در مورد نحوه موقعیت‌یابی، یافتن مشتری و ایجاد شغل آزاد در سال 2025 اطلاعاتی کسب خواهند نمود. این دوره برای افرادی که به دنبال ورود به حوزه تحلیل داده یا توسعه مهارت‌های خود در این زمینه هستند و همچنین کسانی که می‌خواهند به عنوان فریلنسر در این حوزه فعالیت کنند، مناسب است.
در دوره آموزشی Master Streamlit: Build Dashboards with Streamlit & Python با ساخت داشبوردهای تعاملی و تحلیل داده آشنا خواهید شد.

به دوره جامع برنامه‌نویسی پایگاه داده خوش آمدید؛ این دوره، سفر شما به دنیای مدیریت و تحلیل داده‌ها را آغاز می‌کند. در این دوره همه‌جانبه، شرکت‌کنندگان به مهارت‌ها و دانش لازم برای پیشرفت در دنیای پویای پایگاه‌های داده و تصمیم‌گیری مبتنی بر داده مجهز می‌شوند. این دوره با چندین ساعت محتوا، اسلایدهای درجه یک و منابع غنی، جامع‌ترین دوره برنامه‌نویسی پایگاه داده است که در دسترس خواهد بود. حتی اگر شرکت‌کنندگان هیچ تجربه قبلی در برنامه‌نویسی نداشته باشند، این دوره آن‌ها را از سطح مبتدی به تسلط کامل می‌رساند. دلایل این امر به شرح زیر است: این دوره توسط یک مدرس باتجربه با پیش‌زمینه‌ای قوی در علوم کامپیوتر و سابقه تدریس گسترده ارائه می‌شود. این دوره با دقت برای پاسخگویی به نیازهای صنعت برنامه‌نویسی پایگاه داده در سال ۲۰۲۳ طراحی شده است. شرکت‌کنندگان با فناوری‌هایی که در حال حاضر توسط سازمان‌هایی مانند مایکروسافت یا آمازون مورد استفاده قرار می‌گیرند، آشنا می‌شوند و این اطمینان را به آن‌ها می‌دهد که برای چالش‌های واقعی پایگاه داده به خوبی آماده خواهند بود. این دوره هیچ جزئیاتی را نادیده نمی‌گیرد؛ شامل ارائه‌های زیبا و دقیق، تکالیف، پروژه‌ها، منابع قابل دانلود، مقالات، تمرین‌های کدنویسی تعاملی واقعی و بسیاری موارد دیگر است.
در دوره آموزشی Database Bootcamp: SQL, Python, Integration, and MORE! با برنامه‌نویسی پایگاه داده و مدیریت و تحلیل داده‌ها آشنا خواهید شد.

این بخش اول از دوره مهندسی داده در AWS است. این دوره توضیحات مفصلی در مورد سرویس‌های مهندسی داده AWS مانند S3 (سرویس ذخیره‌سازی ساده)، Redshift، Athena، Hive، Glue Data Catalog و Lake Formation ارائه می‌دهد. این دوره به لایه انبار داده یا لایه مصرف و ذخیره‌سازی خط لوله مهندسی داده می‌پردازد. در جلد دوم، سرویس‌های پردازش داده (دسته‌ای و جریانی) را به نمایش خواهد گذاشت. شرکت‌کنندگان فرصت‌هایی برای انجام تمرین‌های عملی با استفاده از مجموعه داده‌های بزرگ (100 گیگابایت تا 300 گیگابایت یا بیشتر داده) خواهند داشت. علاوه بر این، این دوره تمرین‌های عملی ارائه می‌دهد که با سناریوهای زمان واقعی مانند تنظیم عملکرد پرس و جو Redshift، دریافت جریانی، توابع پنجره‌ای، تراکنش‌های ACID، دستور COPY، کلیدهای توزیع و مرتب‌سازی، WLM، امنیت سطح ردیف و ستون، پارتیشن‌بندی Athena، WLM Athena و غیره مطابقت دارند.
در دوره آموزشی Data Engineering on AWS Vol 1 - OLAP & Data Warehouse با مفاهیم و ابزارهای مرتبط با انبار داده در AWS آشنا خواهید شد.