پی سی دانلود - پردازش-داده

این دوره آموزشی جامع به بررسی کاربردهای هوش مصنوعی و یادگیری ماشین در شبکه‌های 5G می‌پردازد. مدرس با ارائه مفاهیم اساسی و کلیدی، چالش‌ها و راهکارهای پیاده‌سازی این فناوری‌ها را در شبکه‌های مخابراتی تشریح می‌کند. در این دوره، مخاطبان با مفاهیم هوش مصنوعی مولد، مدل‌های زبان بزرگ و یادگیری فدرال آشنا شده و پتانسیل استفاده از آن‌ها در زمینه‌های مختلف مانند بهینه‌سازی شبکه، مدیریت ترافیک، امنیت شبکه و برش شبکه را درک خواهند کرد. همچنین، جنبه‌های نظارتی، روندهای آتی و ملاحظات اخلاقی و حفظ حریم خصوصی مرتبط با استفاده از هوش مصنوعی در صنعت مخابرات نیز مورد بحث و بررسی قرار می‌گیرد. این دوره برای مدیران، مهندسان و دانشجویانی که علاقه‌مند به درک عمیق و کاربردی از نقش هوش مصنوعی در شبکه‌های 5G هستند، بسیار مفید خواهد بود.
در دوره آموزشی AI in 5G Networks: Deployment Aspects, Risks and Telecom LLM با کاربردهای هوش مصنوعی در شبکه‌های 5G 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 نشان می‌دهد که چگونه LINQ به توسعه‌دهندگان قدرت می‌دهد تا داده‌ها را به آسانی فیلتر، مرتب‌سازی، گروه‌بندی و تجمیع کنند و از این طریق وضوح و قابلیت نگهداری کد خود را تضمین نمایند. چه در حال کار با منابع داده رابطه‌ای باشید، چه برنامه‌های کاربردی مبتنی بر داده ایجاد کنید و چه با فرمت‌های متنوع داده سروکار داشته باشید، تسلط بر قدرت بیانی و ادغام راحت LINQ با زبان سی شارپ برای شما مفید خواهد بود. این دوره با ارائه مثال‌های عملی و سناریوهای کاربردی، درک عمیقی از نحوه استفاده موثر از LINQ در پروژه‌های واقعی در اختیار شرکت‌کنندگان قرار می‌دهد. مباحث کلیدی شامل بهینه‌سازی پرس و جوها برای بهبود عملکرد، استفاده از LINQ در معماری‌های لایه‌ای و ادغام آن با سایر فناوری‌های .NET است. شرکت‌کنندگان همچنین با الگوهای طراحی رایج مورد استفاده با LINQ و بهترین شیوه‌ها برای نوشتن کد LINQ تمیز و کارآمد آشنا خواهند شد. این دوره برای توسعه‌دهندگان با سطوح مختلف تجربه مناسب است و دانش جامعی در مورد LINQ و کاربردهای آن در اختیار آن‌ها قرار می‌دهد.
در دوره آموزشی Complete Guide to .NET LINQ: Querying Collections, Databases, and Markup با روش‌های پرس و جو و کار با انواع داده‌ها در محیط .NET 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.

این دوره برای افرادی طراحی شده است که قصد دارند توسعه راهکارهای یادگیری عمیق را آغاز کنند، اما نمی‌خواهند زمان زیادی را صرف مباحث ریاضی و تئوری کنند. همچنین، برای کسانی که مایل به انجام پروژه‌های یادگیری عمیق هستند اما از درگیر شدن با وظایف برنامه‌نویسی طاقت‌فرسا دوری می‌کنند، این دوره بسیار مناسب است. اگر به دنبال فرآیندی خودکار برای توسعه راهکارهای یادگیری عمیق هستید، این دوره دقیقاً برای شماست! به دوره "یادگیری عمیق در عمل" خوش آمدید، بدون دردسر! دوره‌های آموزشی و آموزش‌های فراوانی در زمینه یادگیری عمیق وجود دارد. با این حال، یافتن برخی مهارت‌های عملی در این حجم عظیم از منابع یادگیری عمیق چالش‌برانگیز است و افراد برای کسب این مهارت‌های عملی زمان زیادی را صرف می‌کنند. این دوره این خلأ را پر می‌کند و مجموعه‌ای از سخنرانی‌های عملی همراه با پروژه‌های کاربردی را ارائه می‌دهد که از طریق آن‌ها بهترین شیوه‌هایی که متخصصان یادگیری عمیق برای انجام پروژه‌های خود باید بدانند، معرفی می‌شود.
در دوره آموزشی Deep Learning in Practice I: Tensorflow Basics and Datasets با مبانی توسعه راه‌حل‌های یادگیری عمیق با تمرکز بر تنسورفلو و طراحی مجموعه داده آشنا خواهید شد.

این دوره آموزشی جامع، شرکت‌کنندگان را از مبانی زبان برنامه‌نویسی پایتون آغاز کرده و به تدریج آن‌ها را با مفاهیم پیشرفته‌تر مانند برنامه‌نویسی شیءگرا آشنا می‌سازد. در ادامه، دوره به آموزش کتابخانه‌های حیاتی NumPy و Pandas می‌پردازد که ابزارهای قدرتمندی برای دستکاری، پردازش و تحلیل کارآمد داده‌ها در پایتون هستند. شرکت‌کنندگان یاد خواهند گرفت که چگونه با مجموعه‌های داده بزرگ کار کنند، داده‌های از دست رفته را مدیریت نمایند و محاسبات پیچیده را انجام دهند. علاوه بر این، دوره به معرفی کتابخانه Polars می‌پردازد و مزایای آن را در مقایسه با Pandas، به ویژه در زمینه سرعت و عملکرد در کار با داده‌های حجیم، مورد بررسی قرار می‌دهد. بخش مهم دیگری از این دوره به آموزش تکنیک‌های مصورسازی داده با استفاده از کتابخانه‌های Seaborn و Matplotlib اختصاص دارد. شرکت‌کنندگان مهارت‌های لازم برای ایجاد انواع نمودارها و تصاویر بصری جذاب و گویا را کسب خواهند کرد تا بتوانند داستان‌های نهفته در داده‌ها را به طور موثرتری 전달 کنند. همچنین، آشنایی با Git و اصول کنترل نسخه به شرکت‌کنندگان کمک می‌کند تا به طور موثرتری تغییرات کد خود را مدیریت کرده و در پروژه‌های تیمی همکاری نمایند. در نهایت، دوره با آموزش نحوه ساخت داشبوردهای تعاملی با استفاده از Streamlit و Matplotlib به اوج خود می‌رسد. شرکت‌کنندگان یک پروژه عملی و کاربردی را با استفاده از داده‌های واقعی ایجاد کرده و نحوه استقرار آن را برای نمایش به کارفرمایان یا مشتریان بالقوه فرا خواهند گرفت. در طول این دوره، تمرین‌ها و تکالیف عملی متعددی برای تثبیت یادگیری و کسب تجربه عملی در اختیار شرکت‌کنندگان قرار می‌گیرد.
در دوره آموزشی Python Data Analyst Bootcamp: Process, Analyze & Visualize با ابزارها و تکنیک‌های مورد نیاز برای تحلیل و مصورسازی داده‌ها با استفاده از پایتون آشنا خواهید شد.

در دنیای امروزی که بر پایه داده بنا شده است، سازمان‌ها حجم بسیار زیادی از داده‌ها را جمع‌آوری و ذخیره می‌کنند. Data Lake ها به عنوان یک جزء حیاتی در این اکوسیستم داده ظهور کرده‌اند. دوره Data Lake Fundamentals برای این طراحی شده است که شما را با دانش و مهارت‌های ضروری برای حرکت در دنیای Data Lake ها مجهز کند. چه یک متخصص داده با تجربه باشید، چه یک دانشمند داده مشتاق، یا یک رهبر کسب‌وکار که می‌خواهد از داده برای تصمیم‌گیری‌های استراتژیک استفاده کند، این دوره برای پاسخگویی به نیازهای شما تنظیم شده است. در این دوره، شرکت‌کنندگان با مفاهیم بنیادی Data Lake ها آشنا می‌شوند و تفاوت آن‌ها را با راهکارهای سنتی ذخیره‌سازی داده درک خواهند کرد. آن‌ها یاد خواهند گرفت که چگونه داده‌ها را با استفاده از روش‌های مختلف، از جمله پردازش دسته‌ای (batch processing) و جریان داده بی‌درنگ (real-time streaming)، به یک Data Lake وارد کنند (ingest). همچنین، دنیای فرمت‌های داده و راهکارهای ذخیره‌سازی، از جمله فرمت‌های فایل محبوب و سیستم‌های ذخیره‌سازی مورد بررسی قرار خواهد گرفت. بخش مهم دیگری از دوره به آماده‌سازی، پاک‌سازی و تبدیل داده‌ها (data transformation) در یک Data Lake برای انجام تحلیل‌های معنادار اختصاص دارد. شرکت‌کنندگان هنر پرس و جو (querying) و تحلیل داده‌های ذخیره شده در Data Lake ها را با استفاده از SQL، Apache Hive و سایر ابزارها فرا خواهند گرفت. در نهایت، جنبه‌های حیاتی حکمرانی داده (data governance)، امنیت (security) و انطباق (compliance) در محیط‌های Data Lake مورد بحث و بررسی قرار خواهد گرفت تا شرکت‌کنندگان بتوانند Data Lake های ایمن و قابل اعتمادی را مدیریت کنند.
در دوره آموزشی Data Lake Fundamentals با مفاهیم کلیدی و نحوه کار با Data Lake ها آشنا خواهید شد.

در این دوره مفصل، Lynn Langit، cloud architect و مربی فنی با تجربه، Generative AI را با Databricks بررسی می کند. کشف کنید که چگونه از prompt engineering در Databricks AI و BI برای پرس و جوی موثر داده ها با AI prompts استفاده کنید. یاد بگیرید که چگونه Vector Search را برای افزایش برنامه های GenAI خود پیاده سازی و تنظیم کنید. الگوی Retrieval-Augmented Generation (RAG) و ادغام آن را برای تقویت پروژه های AI خود با داده هایتان درک کنید. با model tuning، از جمله آموزش مدل پایه و fine-tuning با Hugging Face transformers، تجربه عملی کسب کنید. مهارت های لازم برای استفاده از AI برای پرس و جوهای داده، پیاده سازی تکنیک های جستجوی پیشرفته و fine-tune کردن مدل های AI را به دست آورید. این دوره شما را قادر می سازد تا قدرت Databricks را آزاد کرده و قابلیت های تصمیم گیری مبتنی بر داده خود را ارتقا دهید.
در دوره آموزشی Learn Databricks GenAI با روشهای کاربردی هوش مصنوعی مولد آشنا خواهید شد.

این دوره برای تجهیز شما به مهارت های ضروری تحلیل داده طراحی شده است تا بتوانید به طور مستقل تحلیل را انجام دهید. اگر در حال گذراندن یک دوره آمار هستید، این دوره به عنوان مکمل کلاس شما عمل می کند و به شما کمک می کند تکالیف و وظایف خود را به راحتی انجام دهید. برای کسانی که روی پایان نامه، رساله یا پروژه تحقیقاتی کار می کنند، این دوره شما را در کل فرآیند تحلیلی راهنمایی می کند - از پاک‌سازی داده ها تا گزارش نتایج - و به شما کمک می کند یافته های با کیفیت بالا، قابل اعتماد و معتبر تولید کنید.
در دوره آموزشی Practical Data Analysis with SPSS با تحلیل آماری داده ها با نرم افزار SPSS آشنا خواهید شد.

این دوره آموزشی برای تبدیل شدن به یک مهندس داده حرفه‌ای در Databricks طراحی شده است. شرکت‌کنندگان در این دوره، با راهنمایی‌های مربی، Deepak Goyal، نحوه دیباگ کردن، پردازش و تحلیل حجم عظیمی از داده‌ها و ساختن راه‌حل‌های مقیاس‌پذیر را به صورت عمیق فرا خواهند گرفت. این دوره به بررسی دقیق نحوه عملکرد پلتفرم Databricks می‌پردازد. شرکت‌کنندگان با PySpark transformation و Spark SQL در Databricks، همچنین نحوه خواندن و نوشتن DataFrame در Databricks آشنا خواهند شد. علاوه بر این، موضوعاتی مانند Delta Lake، join optimizations، notebook scheduling، cluster management، workflows و موارد دیگر نیز در این دوره پوشش داده می‌شوند.
در دوره آموزشی Complete Guide to Databricks for Data Engineering با مهندسی داده با پلتفرم Databricks آشنا خواهید شد.