Janani Ravi
جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.
تسریع در یادگیری عمیق با آموزش انتقال: PyTorch Playbook
Expediting Deep Learning with Transfer Learning: PyTorch Playbook
این دوره شامل انتخاب های مهمی در طراحی است که یک متخصص داده باید هنگام استفاده از مدل های از قبل آموزش دیده با استفاده از آموزش انتقال ، انجام دهد. همچنین جنبه های پیاده سازی رویکردهای مختلف آموزش انتقال در PyTorch را پوشش می دهد.
Janani Ravi
آموزش ساخت شبکه های عصبی با یادگیری اسکی
Building Neural Networks with scikit-learn
این دوره تمام جنبه های مهم پشتیبانی موجود در scikit-learn را برای ساخت و آموزش شبکه های عصبی شامل پرسپترون، MLPClassifier و MLPRregressor و همچنین ماشین های محدود بولتزمن پوشش می دهد.
آموزش ساخت مدل های یادگیری عمیق بر روی Databricks
Building Deep Learning Models on Databricks
در این دوره آموزش مدل های شبکه عصبی با استفاده از TensorFlow و PyTorch، انجام آموزش توزیع شده با استفاده از فریم ورک Horovod و تنظیم هایپرپارامتر با استفاده از Hyperopt را خواهید آموخت.
آموزش دانه برف پیشرفته
Advanced Snowflake
با این شیرجه عمیق در معماری و تنظیمات پیشرفته، مهارت های Snowflake خود را افزایش دهید.
آموزش مفاهیم کلیدی یادگیری ماشینی
Key Concepts Machine Learning
این دوره شما را با مفاهیم مورد نیاز برای شناسایی موارد استفاده برای یادگیری ماشین، فرمول‌بندی یک مسئله ML، برشمردن مسائل متعارفی که ML برای حل آنها استفاده می‌شود، و جزئیات نحوه اعمال ML بر روی داده‌های پیچیده مانند متن، تصاویر را معرفی می‌کند. .
آموزش استفاده از منابع آنلاین برای تجزیه و تحلیل Python
Leveraging Online Resources for Python Analytics
این دوره منابع مهمی را برای علوم داده از جمله کتابخانه های تجسم ، چارچوب های یادگیری عمیق و محیط های مبتنی بر ابر معرفی می کند. همچنین BigML و Google Colab — منابع قدرتمندی برای ساخت و اشتراک تجزیه و تحلیل ها را جستجو می کند.
آموزش یادگیری ماشینی برای خدمات مالی
Machine Learning for Financial Services
این دوره جنبه های مفهومی استفاده از یادگیری ماشین را برای مشکلات صنعت خدمات مالی بررسی می کند و در مورد مطالعات موردی یادگیری ماشینی مورد استفاده در خدمات مالی بحث می کند.
آموزش پایه های PyTorch
Foundations of PyTorch
این دوره بسیاری از جنبه های ساخت مدل های یادگیری عمیق در PyTorch ، از جمله نورون ها و شبکه های عصبی ، و چگونگی استفاده PyTorch از حساب دیفرانسیل برای آموزش این مدل ها و ایجاد نمودارهای محاسباتی پویا در یادگیری عمیق را شامل می شود.
آموزش ویژگی های ساختمان از داده های تصویر
Building Features from Image Data
این دوره جنبه های مفهومی و عملی تصاویر قبل از پردازش را برای به حداکثر رساندن اثر الگوریتم های پردازش تصویر و همچنین پیاده سازی استخراج ویژگی ، کاهش ابعاد و شناسایی عامل نهفته در بر می گیرد.
آموزش نمایندگی ، پردازش و آماده سازی داده ها
Representing, Processing, and Preparing Data
این دوره شامل ابزارهای مختلف پردازش داده ها - از جمله صفحات گسترده ، پایتون و پایگاه داده های رابطه ای است - و به مشکلات کیفیت داده ها و تجسم داده ها برای تولید بینش می پردازد.
آموزش برچسب گذاری داده ها برای یادگیری ماشینی
Data Labeling for Machine Learning
درباره برچسب‌گذاری داده‌ها، اینکه چرا برای انجام یادگیری ماشینی لازم است و چگونه می‌توانید از برچسب‌گذاری داده‌ها به طور موثر استفاده کنید، بیاموزید.
آموزش مبانی آمار و احتمال برای یادگیری ماشینی
Foundations of Statistics and Probability for Machine Learning
این دوره به شما مفاهیم، تئوری و اجرای آمار پایه، احتمال، آزمون فرضیه و تحلیل رگرسیون مورد نیاز برای ساخت و تفسیر مدلهای یادگیری ماشین معنادار را آموزش می‌دهد.
آموزش معماری راه حلهای بدون سرور مبتنی بر رویداد با استفاده از توابع Google Cloud
Architecting Event-driven Serverless Solutions Using Google Cloud Functions
در این دوره ، شما می آموزید که چگونه با استفاده از عملکردهای Cloud Google با کمک چندین راه انداز ، عملکردهای بدون سرور را به طور مثر مستقر کنید. پس از این دوره ، با نوشتن ، استقرار و اجرای توابع Google Cloud بسیار راحت خواهید بود.
آموزش اشکال زدایی و نظارت بر برنامه های TensorFlow
Debugging and Monitoring TensorFlow Programs
این دوره شامل دو ابزار خاص در جعبه ابزار TensorFlow - tfdbg و TensorBoard است. از این ابزارها می توان برای بررسی وضعیت داخلی برنامه های TensorFlow و تجسم معیارها و حالت اجرا استفاده کرد.
آموزش طراحی معماری مقیاس پذیر داده در Google Cloud
Designing Scalable Data Architectures on the Google Cloud
این دوره بر روی طراحی پایان به پایان یک معماری ابر ، به طور خاص از منظر بهینه سازی این معماری برای پردازش داده های بزرگ ، تجزیه و تحلیل زمان واقعی و پیش بینی زمان واقعی با استفاده از ML و AI متمرکز است.
آموزش ساخت و استقرار مدل های Keras در یک محیط چند ابر
Building and Deploying Keras Models in a Multi-cloud Environment
به دلیل در دسترس بودن انبارهای عظیم داده و توسعه آسان چارچوب های یادگیری ، یادگیری عمیق در فعالیت های عادی بسیاری از شرکت ها ادغام می شود. در اینجا ، شما از Keras برای توسعه چنین شبکه ای یا پیاده سازی در مدل خود استفاده خواهید کرد.
آموزش به کارگیری روش های گروه با یادگیری دقیق
Employing Ensemble Methods with scikit-learn
این دوره جنبه های نظری و عملی ساختن راه حل های یادگیری مجموعه در یادگیری دقیق را پوشش می دهد. از جنگل های تصادفی ساخته شده با استفاده از کیسه بندی و چسباندن گرفته تا تقویت انطباقی و شیب دار و انباشت مدل و تنظیم فوق پارامتر.
آموزش استفاده از خدمات پیشرفته شبکه سازی و تعادل بار در GCP
Leveraging Advanced Networking and Load Balancing Services on the GCP
GCP خدمات مختلفی را در ارتباط با شبکه و متعادل سازی بار ارائه می دهد که برای بدست آوردن زیرساختی بسیار بهینه و مقیاس بندی استفاده می شود. مانند Cloud CDN برای سرویس دهی سریع محتوای وب و توازن بار بهینه شده GCP برای خوشه های ظرف.
آموزش استفاده از عبارات در Qlik Sense
Using Expressions in Qlik Sense
بینش موجود در داده ها اغلب نتیجه محاسبات نسبتاً پیچیده است و عبارات Qlik Sense به شما امکان می دهند چنین محاسباتی را به صورت گام به گام بسازید. نتایج پویا هستند و به عنوان تغییرات اساسی داده ها به روز می شوند.
آموزش یادگیری عمیق با پایتون و کراس: ساخت مدلی برای تحلیل احساسات
Deep Learning with Python and Keras: Build a Model For Sentiment Analysis
در این ویدیو نحوه استفاده از Keras و TensorFlow برای رمزگذاری متن با استفاده از بردارهای شمارش را بیاموزید.
آموزش ارزیابی مدل داده کاوی
Evaluating a Data Mining Model
این دوره تکنیک های مهم در ارزیابی مدل برای برخی از محبوب ترین انواع تکنیک های داده کاوی را پوشش می دهد. این تکنیک ها از یادگیری قوانین ارتباط گرفته تا خوشه بندی ، رگرسیون و طبقه بندی را شامل می شوند.
آموزش مدیریت داده های دسته ای با Apache Spark در Databricks
Handling Batch Data with Apache Spark on Databricks
این دوره به شما یاد می دهد که چگونه داده های دسته ای را با استفاده از Apache Spark در پلتفرم Azure Databricks با استفاده از پرس و جوهای انتخاب، فیلتر و تجمیع، توابع داخلی و تعریف شده توسط کاربر تبدیل و جمع آوری کنید و پنجره سازی و پیوستن را انجام دهید.
آموزش رویکردهایی برای تصمیم گیری با داده فعال
Approaches to Data Enabled Decision Making
این دوره به شما می آموزد که چگونه تصمیم گیری در یک محیط سازمانی می تواند بر اساس داده ها باشد. چارچوب های مهم تصمیم گیری مبتنی بر داده معرفی خواهند شد و مطالعات موردی با استفاده از تصمیم گیری مبتنی بر داده مورد بررسی قرار خواهند گرفت.
آموزش شروع کار با Apache Spark در Databricks
Getting Started with Apache Spark on Databricks
این دوره شما را با پرس و جوهای تحلیلی و پردازش داده های بزرگ با استفاده از Apache Spark در Azure Databricks آشنا می کند. شما یاد خواهید گرفت که چگونه با استفاده از Databricks Runtime با تبدیل ها، اقدامات، تجسم ها و توابع Spark کار کنید.
آموزش ساخت مدل های طبقه بندی با یادگیری دقیق
Building Classification Models with scikit-learn
این دوره چندین روش مهم را که برای پیاده سازی طبقه بندی در یادگیری دقیق استفاده می شود ، شامل رگرسیون لجستیک ، رفتن به تجزیه و تحلیل متمایز ، Naive Bayes و استفاده از درختان تصمیم ، و سپس حتی پیشرفته تر ، شامل می شود.
آموزش جمع بندی داده ها و استنتاج احتمالات
Summarizing Data and Deducing Probabilities
این دوره مهمترین جنبه های تجزیه و تحلیل داده های اکتشافی را با استفاده از آمارهای مختلف تک متغیره ، دو متغیره و چند متغیره از اکسل و پایتون ، از جمله استفاده از طبقه بندی کننده های Naive Bayes و Seaborn برای تجسم روابط ، پوشش می دهد.
آموزش طراحی طرحواره برای Elasticsearch
Designing Schema for Elasticsearch
Elasticsearch یک موتور جستجو و تجزیه و تحلیل بسیار محبوب است که به شما کمک می کند با جستجوی سایت یا برنامه خود در کمترین زمان فعال و فعال شوید. این دوره شامل چگونگی بهبود تفاوت های ظریف در جستجو با طراحی طرح صحیح اسناد شما می باشد.
آموزش پیاده سازی روشهای بوت استرپ در R
Implementing Bootstrap Methods in R
این دوره بر درک مفهومی و پیاده سازی قوی روشهای مختلف بوت استرپ در تخمین متمرکز است ، از جمله استفاده صحیح از بوت استرپ غیر پارامتری ، گسترش روش بوت استرپ به دنیای بیزی و غیره.
آموزش مدل سازی زبان با شبکه های عصبی راجعه در TensorFlow
Language Modeling with Recurrent Neural Networks in TensorFlow
اگر با استفاده از شبکه های عصبی با داده های متنی کار می کنید ، RNN یک انتخاب طبیعی برای توالی ها است. این دوره از طریق مشکلات مدل سازی زبان با استفاده از RNNS - شناسایی نوری شخصیت یا OCR و تولید متن با استفاده از پیش بینی کاراکتر کار می کند.
آموزش استفاده از گزینه های اتصال شبکه در GCP
Leveraging Network Interconnection Options on the GCP
این دوره بر روی اتصالات شبکه که در آن یکی یا هر دو شبکه متصل در GCP هستند تمرکز دارد. این شامل درک همسان سازی و اتصال به یکدیگر و همچنین نحوه اجرای VPC های مشترک و VPN استاتیک و پویا است.
آموزش طراحی و اجرای راه حل ها با استفاده از Google Cloud AutoML
Designing and Implementing Solutions Using Google Cloud AutoML
Google Cloud AI طیف گسترده ای از خدمات یادگیری ماشین را ارائه می دهد. AutoML از فناوری پیشرفته ای برخوردار است که با استفاده از داده های آموزشی شما بهترین مدل را برای موارد استفاده شما پیدا می کند. در این دوره ، شما می آموزید که یک مدل یادگیری ماشین سفارشی بسازید.
آموزش ترکیب و شکل دادن به داده ها
Combining and Shaping Data
این دوره جنبه های مفهومی و عملی جمع آوری از منابع مختلف داده ، با طرح ها و جهت های مختلف ، به یک کل منسجم را با استفاده از اکسل ، پایتون و ابزارهای مختلف موجود در بستر ابر Azure در بر می گیرد.
آموزش بلوک های ساختمانی Hadoop - HDFS ، MapReduce و YARN
The Building Blocks of Hadoop - HDFS, MapReduce, and YARN
پردازش میلیاردها رکورد به درک عمیقی از محاسبات توزیع شده نیاز دارد. در این دوره ، شما با Hadoop آشنا خواهید شد ، یک چارچوب محاسباتی توزیع شده منبع باز که می تواند به شما در انجام این کار کمک کند.
آموزش استفاده از مدل MASS ریاضی با R
Applying the Mathematical MASS Model with R
این دوره بر توانایی ها ، مدل ها و مجموعه داده های موجود در بسته MASS در R. تمرکز دارد. در این راه ، شما دانش تخمین احتمال بقا و کار با نرخ های خطر را در مدل چند حالته کسب خواهید کرد.
آموزش یادگیری ماشینی برای مراقبت های بهداشتی
Machine Learning for Healthcare
این دوره جنبه های مفهومی استفاده از یادگیری ماشینی را برای مشکلات در صنعت مراقبت های بهداشتی بررسی می کند، در مورد مطالعات موردی یادگیری ماشینی مورد استفاده در مراقبت های بهداشتی بحث می کند، و پیاده سازی های عملی تکنیک ها را در دنیای واقعی کشف می کند.
آموزش مدیریت منابع ابری با استفاده از Google Stackdriver
Managing Cloud Resources Using Google Stackdriver
این دوره تمام جنبه‌های مهم نظارت بر Stackdriver را پوشش می‌دهد، که در تمام منابع پلتفرم Google Cloud کار می‌کند و راه‌اندازی بررسی‌های زمان آپدیت، پروفایل‌سازی و ادغام با دیگر پلتفرم‌های ابری و ابزارهای نظارت را راحت می‌کند.
آموزش ساخت مدلهای یادگیری عمیق با استفاده از Apache MXNet
Building Deep Learning Models Using Apache MXNet
Apache MXNet یک چارچوب یادگیری عمیق است که ریشه در خدمات وب آمازون (AWS) دارد و یک جایگزین قدرتمند برای TensorFlow است. این دوره به شما می آموزد که چگونه نمودارهای محاسبه پویا و استاتیک را با استفاده از Gluon API بسازید.
آموزش یادگیری ماشینی خود نظارتی
Self-Supervised Machine Learning
بیاموزید که چگونه مدلهای خود نظارت می‌توانند به استفاده از داده‌های بدون برچسب و استفاده از مدلهای خود نظارت در یادگیری انتقال کمک کنند.
آموزش تراشیدن اولین صفحه وب خود با پایتون
Scraping Your First Web Page with Python
این دوره شامل ابزارهای مهم برای بازیابی محتوای وب با استفاده از کتابخانه های HTTP مانند Requests ، Httplib2 و Urllib و همچنین فناوری های قدرتمند برای تجزیه وب است. اینها شامل Beautiful Soup (کتاب سوپ زیبا) است که کتابخانه ای پرطرفدار است و Scrap ، ...
آموزش جریان ساخت یافته در آپاچی اسپارک 2
Structured Streaming in Apache Spark 2
بسیاری از منابع داده در دنیای واقعی به شکل جریان در دسترس هستند. از سنسورهای خودروهای خودران گرفته تا مانیتورهای آب و هوا. Apache Spark 2 یک موتور تحلیلی قدرتمند، توزیع شده است که پشتیبانی عالی از برنامه های پخش جریانی ارائه می دهد
آموزش ساخت مدلهای خوشه بندی با یادگیری دقیق
Building Clustering Models with scikit-learn
این دوره چندین تکنیک مهم را که برای پیاده سازی خوشه در یادگیری scikit یادگیری استفاده می شود ، شامل الگوریتم های خوشه بندی K-means ، medium-shift و DBScan و همچنین نقش تنظیم hyperparameter و انجام خوشه بندی بر روی داده های تصویر را شامل می شود.
آموزش شروع کار با دریاچه دلتا در Databricks
Getting Started with Delta Lake on Databricks
این دوره به شما یاد می‌دهد که چگونه می‌توانید داده‌ها را ایجاد کنید، دریافت کنید و با آن کار کنید، Delta Lakes، یک لایه ذخیره‌سازی منبع باز که قابلیت اطمینان را برای داده‌های ذخیره شده در دریاچه‌های داده به ارمغان می‌آورد. دریاچه های دلتا تراکنش های ACID، پردازش دسته ای و جریانی یکپارچه را ارائه می دهند.
آموزش معماری راه حل های Big Data با استفاده از Google Dataproc
Architecting Big Data Solutions Using Google Dataproc
Dataproc پیشنهاد Hadoop تحت مدیریت Google در فضای ابری است. این دوره به شما می آموزد که چگونه جداسازی فضای ذخیره سازی و محاسبه به شما امکان می دهد از خوشه ها صرفاً برای پردازش داده ها و نه برای ذخیره سازی استفاده کنید.
آموزش کاهش پیچیدگی در داده ها
Reducing Complexity in Data
این دوره چندین تکنیک را برای ساده سازی بهینه داده های مورد استفاده در برنامه های یادگیری ماشین تحت نظارت استفاده می کند ، از تکنیک های نسبتاً ساده انتخاب ویژگی تا برنامه های بسیار پیچیده خوشه بندی با استفاده از شبکه های عصبی عمیق.
آموزش یادگیری ماشین و خدمات شناختی مایکروسافت
Machine Learning and Microsoft Cognitive Services
به لطف هوش مصنوعی، برنامه های مدرن تعاملی تر و هوشمندتر از همیشه هستند. APIهای خدمات شناختی مایکروسافت، مدلهای یادگیری ماشینی با کاربرد آسان را ارائه می‌کنند که بر روی مخازن وسیعی از داده‌ها آموزش داده شده‌اند تا راه‌حل‌هایی را برای موارد استفاده رایج ارائه دهند.
آموزش شروع کار با Hive for Relational Database Developers
Getting Started with Hive for Relational Database Developers
پایگاه های داده سنتی بر پردازش معاملات متمرکز هستند ، در حالی که Hive به پردازش تحلیلی استخراج شده از مجموعه های عظیم داده کمک می کند. این دوره روی شباهت ها و تفاوت های SQL با Hive تمرکز دارد.
آموزش نمایه سازی داده ها در Elasticsearch
Indexing Data in Elasticsearch
این دوره معماری توزیع فهرست Elasticsearch ، پیکربندی خوشه ، خرده ریزها و کپی ها ، مدل های شباهت ، جستجوی پیشرفته و اسناد ترکیبی از زبان را توضیح می دهد ، همه اینها عملکرد جستجوهای جستجو را بهبود می بخشد.
آموزش Apache Airflow Essential Training
Apache Airflow Essential Training
نحوه کار با TaskFlow API، انجام عملیات با استفاده از TaskFlow، ادغام PostgreSQL در Airflow، استفاده از حسگرها در Airflow و کار با قلاب ها در Airflow را بررسی کنید.
آموزش طراحی و اجرای راه حل ها با استفاده از API های یادگیری ماشین Google
Designing and Implementing Solutions Using Google Machine Learning APIs
اکثر سازمان ها مایلند از قدرت یادگیری ماشین (ML) برای بهبود محصولات خود استفاده کنند ، اما ممکن است آنها همیشه تخصص داخلی را نداشته باشند. این دوره به شما نشان می دهد که چگونه می توانید از ML برای موارد استفاده با استفاده از تماس های API استفاده کنید.
آموزش پردازش جریان داده ها با استفاده از Apache Flink
Processing Streaming Data Using Apache Flink
Apache Flink بر اساس مفهوم معماری جریان اول ساخته شده است که جریان منبع حقیقت است.
آموزش آماده سازی داده ها برای مهندسی ویژگی و یادگیری ماشین
Preparing Data for Feature Engineering and Machine Learning
این دوره شامل دسته ای از تکنیک های مهندسی ویژگی است که برای گرفتن بهترین نتیجه از یک مدل یادگیری ماشین مورد استفاده قرار می گیرد ، از جمله انتخاب ویژگی ها ، و چندین روش استخراج ویژگی برای بیان مجدد ویژگی ها به مناسب ترین شکل.
آموزش مدیریت جریان داده با GCP Dataflow
Handling Streaming Data with GCP Dataflow
Dataflow یک سرویس بدون سرور و کاملاً مدیریت شده در Google Cloud Platform برای پردازش دسته ای و جریانی است.
آموزش مقیاس گذاری راه حل های یادگیری مقیاس پذیری
Scaling scikit-learn Solutions
این دوره ملاحظات مهم برای مدلهای یادگیری scikit را در بهبود تأخیر و توان عملیاتی پیش بینی پوشش می دهد. نمایش ویژگی های خاص و تکنیک های یادگیری جزئی ، و همچنین پیاده سازی های یادگیری افزایشی ، ...
آموزش مدیریت خط لوله مهندسی داده با Apache Airflow
Data Engineering Pipeline Management with Apache Airflow
راه‌های کار با کنترل دسترسی مبتنی بر نقش، مدیریت SLA، زمان‌بندی DAG با مجموعه داده‌ها، کار با پلاگین‌های جریان هوا، و مقیاس‌بندی جریان هوا را کاوش کنید.
آموزش پیکربندی های ذخیره سازی Google Cloud Storage
Architecting Google Cloud Storage Configurations
Cloud Storage سرویس ذخیره سازی اشیای الاستیک Google Cloud Platform است که با S3 در AWS و Blob Storage در Azure رقابت می کند. این قابلیت برای هر نوع داده قابلیت پرداخت به عنوان هزینه استفاده شما را دارد و ادغام آسان با سایر سرویس های GCP را ارائه می دهد.
آموزش ساخت Chatbots با Google Dialogflow
Building Chatbots with Google Dialogflow
روند کلی در هر صنعت این است که کارهای تکراری خودکار شوند و بشر در مشاغل دارای مهارت بالاتر مستقر شود. Google Dialogflow یک رابط گفتگوی پیشرفته برای ربات ها ، دستگاه ها و برنامه ها است.
آموزش ساخت مدل های یادگیری ماشین بر روی Databricks
Building Machine Learning Models on Databricks
این دوره به شما می آموزد که چگونه می توانید مدل های یادگیری ماشین سنتی خود را با استفاده از Databricks Machine Learning و MLflow برای مدیریت چرخه عمر یادگیری ماشین انتها به انتها بسازید و آموزش دهید.
آموزش ساخت تجسم داده ها با استفاده از Matplotlib
Building Data Visualizations Using Matplotlib
Matplotlib یکی از مشهورترین کتابخانه های تجسم است که توسط تحلیل گران داده و دانشمندان داده ای که در پایتون کار می کنند استفاده می شود ، اما استفاده از آنها اغلب می تواند ترسناک باشد. این دوره کار ساده و ساده کار با Matplotlib را انجام می دهد.
آموزش پردازش رویداد پیچیده با استفاده از Apache Flink
Complex Event Processing Using Apache Flink
پردازش رویداد پیچیده در بالای کتابخانه های اصلی Flink ساخته شده است. این به شما امکان می دهد الگوها را در یک جریان بی نهایت از رویدادها یا در یک پنجره زمانی شناسایی و پردازش کنید. این دوره به شما می آموزد که پردازش رویدادهای پیچیده را برای ...
آموزش با Keras TensorFlow 2.0 یک گردش کار یادگیری ماشین بسازید
Build a Machine Learning Workflow with Keras TensorFlow 2.0
این دوره به Keras به عنوان بخشی از اکوسیستم TensorFlow 2.0 متمرکز است ، از جمله API های متوالی برای ساخت مدل های نسبتاً ساده لایه های انباشته ، API های کاربردی برای مدل های پیچیده تر و طبقه بندی های فرعی مدل و لایه های سفارشی.
آموزش شروع کار با Tensorflow 2.0
Getting Started with Tensorflow 2.0
این دوره بر معرفی چارچوب TensorFlow 2.0 - بررسی ویژگی ها و عملکردهایی که برای ساخت و آموزش شبکه های عصبی ارائه می دهد ، متمرکز است. این دوره درباره تفاوت TensorFlow 2.0 با TensorFlow 1.x و چگونگی تفاوت ...
آموزش درک مبانی TensorFlow
Understanding the Foundations of TensorFlow
این دوره TensorFlow ، یک کتابخانه جریان داده منبع باز برای محاسبات عددی با استفاده از نمودارهای جریان داده را معرفی می کند.
آموزش اشتراک گذاری و کشف ویژگی با استفاده از فروشگاه ویژگی Databricks
Feature Sharing and Discovery Using the Databricks Feature Store
این دوره به شما یاد می دهد که چگونه می توانید ویژگی های یادگیری ماشینی پیش پردازش شده خود را با استفاده از Databricks Feature Store ذخیره، دسترسی، مدیریت و به اشتراک بگذارید.
آموزش شروع کار با HBase: پایگاه داده Hadoop
Getting Started with HBase: The Hadoop Database
با بزرگتر شدن اندازه داده هایی که ذخیره می کنید ، پایگاه های داده رابطه ای سنتی ممکن است دیگر کار نکنند. HBase توانایی مقابله با میلیاردها ردیف داده را دارد و هر رکورد می تواند شامل میلیون ها فیلد باشد. این دوره به شما کمک می کند تا با HBase شروع کنید.
آموزش کارگاه هوش مصنوعی: عملی با GAN ها با استفاده از شبکه های عصبی متراکم
AI Workshop: Hands-on with GANs Using Dense Neural Networks
در این دوره آموزشی کدگذاری تعاملی به سبک کارگاهی، نحوه ساخت و آموزش شبکه های متخاصم مولد (GANs) با استفاده از شبکه های عصبی متراکم را بیاموزید.
آموزش استخراج داده های ساخت یافته از وب با استفاده از Scrap
Extracting Structured Data from the Web Using Scrapy
تحلیل گران و دانشمندان همیشه در جستجوی منابع جدید داده ، هوش رقابتی و سیگنال های جدید برای مدل های اختصاصی در برنامه ها هستند. بسته Scrapy در پایتون استخراج محتوای وب خام را آسان و قابل توسعه می کند.
آموزش آماده سازی داده ها برای یادگیری ماشین
Preparing Data for Machine Learning
این دوره شامل تکنیک های مهمی در تهیه داده ها ، تمیز کردن داده ها و انتخاب ویژگی هایی است که برای موفقیت در مدل یادگیری ماشین شما لازم است. شما همچنین یاد خواهید گرفت که چگونه از مقصر برای مقابله با داده ها و استراتژی های از دست رفته استفاده کنید ...
آموزش با نوت بوک های Jupyter تجزیه و تحلیل ایجاد و به اشتراک بگذارید
Create and Share Analytics with Jupyter Notebooks
این دوره جنبه های مهم کار با نوت بوک های Jupyter را شامل می شود ، از جمله نصب و نقش هسته ها ، عملکردهای جادویی و اجرای دستورات پوسته. علاوه بر این ، قدرت نوت بوک های Jupyter میزبان ابر در AWS ، ...
آموزش طراحی مدل یادگیری ماشین
Designing a Machine Learning Model
این دوره شامل تفاوت های مهم بین مشکلات مختلف متعارف در یادگیری ماشین ، و همچنین ملاحظات در انتخاب روش های صحیح راه حل ، بر اساس ویژگی های مسئله ای است که می خواهید حل کنید و ...
آموزش H20.ai
Learning H20.ai
برخی از قدرتمندترین ویژگی ها، برنامه ها و راه حل های ارائه شده توسط H20.ai، خالق پلت فرم H20 AI Cloud را کاوش کنید.
آموزش یادگیری ماشینی برای بازاریابی
Machine Learning for Marketing
این دوره جنبه های مفهومی استفاده از یادگیری ماشین را برای مشکلات در بازاریابی بررسی می کند، در مورد مطالعات موردی یادگیری ماشینی مورد استفاده در بخش بازاریابی بحث می کند، و پیاده سازی های عملی تکنیک ها را بر روی داده های دنیای واقعی کشف می کند.
آموزش استفاده از راه حل های یادگیری ماشین
Deploying Machine Learning Solutions
این دوره دلایل مهم مفهومی را برای عدم عملکرد مناسب مدل ها پس از استقرار ، اجرای واقعی استقرار مدل با استفاده از Python Flask ، استفاده از گزینه های محاسباتی مبتنی بر ابر بدون سرور و استفاده از دستگاه مخصوص پلت فرم پوشش می دهد ...
آموزش استفاده از پارچه هایپرلجر با الگوهای Blockchain AWS
Deploying Hyperledger Fabric with AWS Blockchain Templates
بلاکچین های درجه شرکتی که همتایان شناخته شده ، امنیت بهتر و تعهدات معاملاتی قابل پیش بینی را ارائه می دهند اکنون یک امر عادی است. پارچه هایپرلجر یک گزینه مناسب است که بر بسیاری از اشکالاتی که در چارچوب Ethereum بدتر شده غلبه می کند.
آموزش تجزیه و تحلیل احساسات با شبکه های عصبی راجعه در TensorFlow
Sentiment Analysis with Recurrent Neural Networks in TensorFlow
شبکه های عصبی راجعه (RNN) برای در نظر گرفتن توالی داده ها ایده آل هستند. در این دوره ، نحوه استفاده از جاسازی کلمات برای تجزیه و تحلیل احساسات با استفاده از شبکه های عصبی را کشف خواهید کرد.
آموزش پردازش زبان طبیعی با PyTorch
Natural Language Processing with PyTorch
این دوره استفاده از ساختارها و معماری های شبکه عصبی پیشرفته، مانند شبکه های عصبی تکراری، جاسازی کلمات و RNN های دو طرفه را برای حل مسائل پیچیده مدل سازی کلمه و زبان با استفاده از PyTorch پوشش می دهد.
آموزش کار با داده های چند بعدی با استفاده از NumPy
Working with Multidimensional Data Using NumPy
از آنجا که کار با مجموعه داده های عددی عادی تبدیل به عادی می شود ، استفاده از ابزارها و کتابخانه های مناسب برای کار با داده ها بسیار مهم می شود. NumPy به تحلیلگران داده و دانشمندان داده اجازه می دهد تا با داده های چند بعدی برای حل این مشکلات کار کنند.
آموزش تصور مدل پردازش برای سرویس جریان داده GCP
Conceptualizing the Processing Model for the GCP Dataflow Service
گردش اطلاعات نشان دهنده یک رویکرد کاملاً متفاوت نسبت به موتورهای محاسباتی مانند Spark در پردازش داده های بزرگ است. گردش اطلاعات بدون سرور و کاملاً مدیریت شده است و از خطوط لوله در حال اجرا که با استفاده از API های Apache Beam طراحی شده اند پشتیبانی می کند.
آموزش بینش داده های ارتباطی
Communicating Data Insights
این دوره ابزارهای آماری و فنی کلیدی مورد نیاز برای انتقال بینش‌های واضح و کاربردی از داده‌ها به مدیران ارشد را پوشش می‌دهد، از جمله استفاده از تجسمهای قدرتمند مانند نمودارهای سانکی، نمودارهای قیفی و نمودارهای کندل استیک.
آموزش طبقه بندی تصویر با PyTorch
Image Classification with PyTorch
این دوره شامل بخشهایی از سیستمهای طبقه بندی تصویر درجه سازمانی مانند پیش پردازش تصویر ، انتخاب بین CNN و DNN ، محاسبه ابعاد خروجی CNN و استفاده از مدلهای از قبل آموزش دیده با استفاده از آموزش انتقال PyTorch است.
آموزش پیاده سازی گردش کار یادگیری ماشین با Weka
Implementing Machine Learning Workflow with Weka
در این دوره ، شما یاد خواهید گرفت که چگونه می توانید با استفاده از Weka ، یک نرم افزار یادگیری ماشین منبع باز برای آماده سازی داده ها ، یادگیری ماشین و استقرار مدل پیش بینی ، جریان کار یادگیری ماشین خود را توسعه دهید.
آموزش ساخت مدل های آماری با استفاده از StatsModels
Building Statistical Models Using StatsModels
استفاده از ابزارهای آماری برای کاوش و تجزیه و تحلیل داده های خود قبل از استفاده در مدل های ML بسیار مهم است. این دوره نحوه کارکرد مدلهای آماری پایه و نحوه استفاده از بسته StatsModel Python را برای تخمین و اکتشاف آموزش می دهد.
آموزش تجزیه و تحلیل داده ها با Qlik Sense
Analyzing Data with Qlik Sense
این دوره شامل مدل های مختلف انتخاب در Qlik ، از جمله گزینه های کلیک ، افسانه و lasso و مدل انتخاب انجمنی و همچنین نقش جستجوی هوشمند ، موتور شناختی Qlik Sense و حالت های پیش فرض و جایگزین است.
آموزش استفاده از MapReduce به مشکلات رایج داده ها
Applying MapReduce to Common Data Problems
دانستن چگونگی برنامه نویسی MapReduce تنها نیمی از تلاش است. در این دوره ، شما می آموزید که چگونه MapReduce صحیح را براساس آنچه می خواهید به انجام برسانید ، تنظیم کنید.
آموزش انتقال سبک با PyTorch
Style Transfer with PyTorch
این دوره جنبه های مهم انتقال سبک عصبی ، یک روش برای تبدیل تصاویر را پوشش می دهد و در مورد شبکه های خصمانه تولیدی به منظور ایجاد موثر تصاویر و فیلم های واقع گرایانه بحث می کند.
آموزش تفسیر داده ها با استفاده از آمار توصیفی با پایتون
Interpreting Data Using Descriptive Statistics with Python
این دوره اقدامات تمایل مرکزی و پراکندگی مورد نیاز برای شناسایی بینش کلیدی در داده ها را پوشش می دهد. همچنین شامل موارد زیر است: همبستگی ، کوواریانس ، انحراف ، کورتوز و پیاده سازی در کتابخانه های پایتون مانند Pandas ، SciPy و StatsModels.
آموزش یادگیری عمیق با استفاده از TensorFlow و Apache MXNet در Amazon Sagemaker
Deep Learning Using TensorFlow and Apache MXNet on Amazon Sagemaker
این دوره مقدمه ای عمیق برای SageMaker و پشتیبانی آن برای آموزش و استقرار مدل های یادگیری ماشین در یک محیط توزیع شده است.
آموزش ساخت اولین راه حل یادگیری دقیق خود
Building Your First scikit-learn Solution
این دوره هر دو دلیل و چگونگی استفاده از یادگیری scikit را فرا می گیرد. شما در طبقه بندی همیشه در حال رشد کتابخانه های یادگیری ماشین و جنبه های مهم کار با برآوردگرها و خطوط لوله یادگیری scikit یاد خواهید گرفت.
آموزش ساختن برنامه های پردازش تصویر با استفاده از تصویر scikit
Building Image Processing Applications Using scikit-image
در این دوره ، شما کتابخانه Python-scikit-image را کشف خواهید کرد که به شما امکان می دهد تکنیک های پیچیده پردازش تصویر را بر روی تصاویر اعمال کنید و به سرعت اطلاعات مهم یا تصاویر قبل از پردازش را برای ورود به مدل های یادگیری ماشین استخراج کنید.
آموزش ویژگی های ساختمان از داده های متنی
Building Features from Text Data
این دوره جنبه های استخراج اطلاعات از اسناد متنی و ساخت مدل های طبقه بندی از جمله بردارسازی ویژگی ها ، هش حساس به مکان ، حذف کلمات متغیر ، لمسی سازی و موارد دیگر از پردازش زبان طبیعی را شامل می شود.
آموزش استفاده از معادلات دیفرانسیل و مدل های معکوس با R
Applying Differential Equations and Inverse Models with R
این دوره بر درک مفهومی و اجرای تکنیک های عددی برای حل معادلات دیفرانسیل ، از جمله معادلات دیفرانسیل معمولی/جزئی/تأخیری ، و سیستم معادلات معروف به معادلات جبری دیفرانسیل متمرکز است.
آموزش معماری راه حل های کلان داده بدون سرور با استفاده از Google Dataflow
Architecting Serverless Big Data Solutions Using Google Dataflow
Dataflow رویکردی اساساً متفاوت برای پردازش Big Data نسبت به موتورهای محاسباتی مانند Spark دارد. جریان داده بدون سرور و کاملاً مدیریت شده است، به این معنی که تأمین منابع و مقیاس‌بندی می‌تواند برای معمار داده شفاف باشد.
آموزش Apache Airflow
Learning Apache Airflow
آشنایی با Apache Airflow - کاربردها، ساختار، نحوه راه‌اندازی و اجرای آن، و نحوه ایجاد و اجرای گردش‌های کاری.
آموزش تجزیه و تحلیل پیش بینی با PyTorch
Predictive Analytics with PyTorch
این دوره شامل استفاده از PyTorch برای ساخت مدل های مختلف پیش بینی ، استفاده از شبکه های عصبی تکرار شونده ، نورون های حافظه طولانی در پیش بینی متن و ارزیابی آنها با استفاده از معیاری است که به عنوان میانگین میانگین دقیق @ K شناخته می شود.
آموزش راه حل های ذخیره سازی داده با استفاده از Google BigQuery
Architecting Data Warehousing Solutions Using Google BigQuery
BigQuery انبار داده Google Cloud Platform در فضای ابری است. در این دوره ، شما یاد خواهید گرفت که چگونه می توانید با BigQuery در مجموعه داده های عظیم بدون سربار اداری و بدون هیچ کاری کار کنید.
آموزش Caffe2: شروع کار
Caffe2: Getting Started
Caffe2 یک چارچوب یادگیری عمیق است که در آوریل 2017 توسط منبع فیس بوک تهیه شده است. Caffe2 به طور صریح برای استقرار تولید در مقیاس بزرگ و استفاده در یک محیط منبع محدود مانند دستگاه های تلفن همراه ساخته شده است.
آموزش حل مسائل با روش های عددی
Solving Problems with Numerical Methods
این دوره بر درک مفهومی و اجرای تکنیک های عددی برای حل مسائل ریاضی متمرکز است. حل بسیاری از مشکلات در دنیای واقعی به صورت تحلیلی دشوار یا غیرممکن است ، اما حل عددی آن آسان است.
آموزش استفاده از PyTorch در Cloud: PyTorch Playbook
Using PyTorch in the Cloud: PyTorch Playbook
این دوره جنبه های مهم استفاده از PyTorch در سرویس های وب آمازون (AWS) ، Microsoft Azure و بستر Google Cloud (GCP) را شامل می شود ، از جمله استفاده از نوت بوک های میزبان ابر ، یادگیری عمیق نمونه های VM با پشتیبانی GPU و PyTorch .. .
آموزش عیب یابی و رفع اشکال کافکا
Troubleshooting and Debugging Kafka
نحوه استفاده از پلتفرم Confluent برای اشکال زدایی و عیب یابی آپاچی کافکا را بیاموزید.
آموزش استفاده از ویژگی های پیشرفته Google App Engine
Leveraging Advanced Features of Google App Engine
Google App Engine یک چارچوب وب و پلت فرم رایانش ابری برای توسعه و میزبانی برنامه های کاربردی وب در مراکز داده تحت مدیریت گوگل است. با استفاده از App Engine می‌توانید به راحتی یک برنامه وب بسیار پیچیده را راه‌اندازی کنید و فقط روی نوشتن کد تمرکز کنید.
آموزش داده کاوی و گردش کار تجزیه و تحلیل
Data Mining and the Analytics Workflow
این دوره ارتباط مستمر Data Mining امروز را در زمینه استفاده از تکنیک های یادگیری ماشین در داده های بزرگ توضیح می دهد. این شامل جزئیات مفهومی و عملی تکنیک های قدرتمند مانند یادگیری قوانین اتحادیه و ...
آموزش ساخت اولین راه حل PyTorch خود
Building Your First PyTorch Solution
این دوره جنبه های مهم عملی نصب PyTorch را از ابتدا روی انواع مختلف سیستم عامل و استفاده از مدل های طبقه بندی و رگرسیون را پوشش می دهد.
آموزش کاهش ابعاد داده با scikit-learn
Reducing Dimensions in Data with scikit-learn
این دوره طیف گسترده ای از تکنیک های مهم کاهش ابعاد و انتخاب ویژگی های موجود در یادگیری scikit را شامل می شود ، به سازندگان مدل اجازه می دهد تا با کاهش نصب بیش از حد ، صرفه جویی در وقت آموزش مدل و ... عملکرد مدل را بهینه کنند.
آموزش معماری راه حل های Big Data با استفاده از Google Bigtable
Architecting Big Data Solutions Using Google Bigtable
Google Bigtable یک پیشنهاد NoSQL پیچیده در Google Cloud Platform با تأخیر بسیار کم است. با پایان این دوره ، خواهید فهمید که چرا Bigtable با مقیاس گذاری خطی داده های شما ، بسیار قدرتمندتر از HBase است.
آموزش استقرار مدل های PyTorch در تولید: PyTorch Playbook
Deploying PyTorch Models in Production: PyTorch Playbook
این دوره جنبه های مهم انجام آموزش توزیع شده مدل های PyTorch ، با استفاده از روشهای پردازش چندگانه ، موازی داده و توزیع شده موازی داده را پوشش می دهد. همچنین بحث می شود که شما می توانید مدل های PyTorch را برای پیش بینی میزبانی کنید.
آموزش تجزیه و تحلیل پیش بینی با استفاده از Apache Spark MLlib در Databricks
Predictive Analytics Using Apache Spark MLlib on Databricks
این دوره به شما می آموزد که تکنیک های مهمی را برای تجزیه و تحلیل پیش بینی کننده مانند رگرسیون و طبقه بندی با استفاده از Apache Spark MLlib بر روی Databricks درک و پیاده سازی کنید.
آموزش استفاده از الگوهای طراحی معماری در Google Cloud
Leveraging Architectural Design Patterns on the Google Cloud
این دوره شامل گزینه های اصلی پیرامون محاسبه ، ذخیره سازی و شبکه سازی است و نشان می دهد که چگونه می توان با کنار هم قرار دادن بلوک های ساختاری قدرتمندی که GCP فراهم می کند ، معماری های پیچیده به راحتی جمع می شوند.
آموزش ساخت اولین راه حل تجزیه و تحلیل پایتون
Building Your First Python Analytics Solution
این دوره جنبه های مهم انتخاب محیط توسعه برای پایتون ، تفاوت های Conda و Pip برای کار با کتابخانه های پایتون ، IDE های معروف مانند PyCharm ، IDLE ، Eclipse و Spyder و همچنین اجرای پایتون را پوشش می دهد ...
آموزش استفاده از ویژگی های پیشرفته در Google Cloud Kubernetes Engine
Leveraging Advanced Features on the Google Cloud Kubernetes Engine
این دوره به طور خاص با موارد استفاده پیشرفته و واقعی در دنیای واقعی شامل استفاده از GKE از جمله به روزرسانی و بازگشت به عقب ، مدیریت امنیت خوشه و شبکه و اجرای خطوط لوله CI/CD با Jenkins و GKE سروکار دارد.
آموزش کارگاه هوش مصنوعی: با PyTorch Lightning یک شبکه عصبی بسازید
AI Workshop: Build a Neural Network with PyTorch Lightning
در این دوره آموزشی تعاملی کدنویسی به سبک کارگاهی، نحوه ساخت یک شبکه عصبی با PyTorch Lightning را بیاموزید.
آموزش معماری ابرهای خصوصی جهانی با شبکه های VPC
Architecting Global Private Clouds with VPC Networks
این دوره به معرفی شبکه و VPC در Google Cloud Platform (GCP) می پردازد. این شامل: VPC های خودکار و سفارشی ، تفاوت بین VPC ها در GCP در مقابل خدمات وب آمازون (AWS) ، طراحی زیر شبکه ها و ویژگی های پیشرفته مانند VPC مشترک.
آموزش خلاصه سازی متن با هوش مصنوعی با صورت در آغوش گرفته
AI Text Summarization with Hugging Face
نحوه استفاده از خلاصه سازی متن با هوش مصنوعی Hugging Face را بیاموزید.
آموزش پایگاه های داده توزیع شده با Apache Ignite
Distributed Databases with Apache Ignite
در یادگیری و ایجاد پایگاه های داده توزیع شده با Apache Ignite غوطه ور شوید.
آموزش ویژگی های ساختمان از داده های اسمی
Building Features from Nominal Data
این دوره تکنیک های مختلفی را برای رمزگذاری داده های دسته بندی ، از اشکال آشنای رمزگذاری یکپارچه و برچسب ، قبل از انتقال به طرح های برنامه نویسی کنتراست مانند کدگذاری ساده ، کدگذاری Helmert و کدگذاری چند جمله ای متعامد ، شامل می شود.
آموزش ساخت بلاکچین با هایپرلجر
Building Blockchains with Hyperledger
Hyperledger در حال ظهور به عنوان بستری چتر برای کاربران جدی در سطح سازمانی است که به دنبال مجموعه ای کامل از فناوری ها هستند که به آنها کمک می کند شبکه های بلاکچین خود را بسازند و این دوره به شما کمک می کند زمان و نحوه استفاده از آن را بفهمید.
آموزش ساخت مدلهای یادگیری ماشین در پایتون با یادگیری دقیق
Building Machine Learning Models in Python with scikit-learn
این دوره به مهندسان و دانشمندان داده کمک خواهد کرد تا بیاموزند که چگونه مدلهای یادگیری ماشین را با استفاده از scikit-learn ، یکی از مشهورترین کتابخانه های ML در پایتون بسازند. بدون تجربه قبلی با ML ، فقط دانش اولیه برنامه نویسی پایتون لازم است.
آموزش ایجاد مدل های یادگیری ماشین
Creating Machine Learning Models
این دوره انواع مهم الگوریتم های یادگیری ماشین ، تکنیک های راه حل مبتنی بر ویژگی های مسئله ای را که می خواهید حل کنید و همچنین گردش کار کلاسیک یادگیری ماشین را در بر می گیرد.
آموزش استخراج داده ها از HTML با BeautifulSoup
Extracting Data from HTML with BeautifulSoup
این دوره جنبه های مهم خراش دادن وب سایت ها با استفاده از سوپ زیبا را پوشش می دهد. شما می توانید ساخت ، دستکاری و عبور از درخت تجزیه و همچنین استفاده از ویژگی های پیشرفته مانند کار با فیلترها ، CSS و XPath را بیاموزید.
آموزش مدیریت داده های دسته ای با Apache Spark در Databricks
Handling Batch Data with Apache Spark on Databricks
این دوره به شما یاد می دهد که چگونه داده های دسته ای را با استفاده از Apache Spark در پلتفرم Azure Databricks با استفاده از پرس و جوهای انتخاب، فیلتر و تجمیع، توابع داخلی و تعریف شده توسط کاربر تبدیل و جمع آوری کنید و پنجره سازی و پیوستن را انجام دهید.
آموزش ساخت مدلهای یادگیری ماشین در SQL با استفاده از BigQuery ML
Building Machine Learning Models in SQL Using BigQuery ML
BigQuery ML در Google Cloud Platform با اجازه دادن به تحلیلگران و مهندسان داده برای ساخت و استفاده از مدل های یادگیری ماشین مستقیماً از SQL بدون استفاده از زبان برنامه نویسی سطح بالاتر ، یادگیری ماشین را دموکراتیک می کند.
آموزش ساخت تجسمهای تعاملی با استفاده از بوکه
Building Interactive Visualizations Using Bokeh
بوکه یک کتابخانه پایتون قابل دسترسی و با کاربرد آسان است که به حتی برنامه نویسان تازه کار اجازه می دهد تجسم های پیچیده و تعاملی را به روشی شهودی بسازند. بیاموزید که چگونه نقشه های تعاملی را برای پشتیبانی از تصمیم گیری تجاری با بوکه بسازید.
آموزش پردازش داده های جریان با استفاده از Apache Spark Streamed Streaming
Processing Streaming Data Using Apache Spark Structured Streaming
جریان ساختاری موتور پردازش جریان مقیاس پذیر و متحمل خطا در Apache Spark 2 است که می تواند برای پردازش جریان های با سرعت بالا مورد استفاده قرار گیرد.
آموزش ساخت بلاک چین با Hyperledger
Building Blockchains with Hyperledger
این دوره به شما می آموزد که چگونه می توانید شبکه های Hyperledger Fabric را ایجاد و پیکربندی کنید و قراردادهای هوشمند را بر روی آنها توسعه دهید. این دوره همچنین کلاینت Hyperledger Besu Ethereum مورد استفاده برای شبکه های خصوصی اتریوم را پوشش می دهد.
آموزش روشها و توابع مقیاس
Scala Methods and Functions
Scala به عنوان یک گزینه محبوب برای کار با مجموعه داده ها و چارچوب های بزرگ مانند Spark در حال ظهور است. این دوره در مورد پشتیبانی Scala از توابع درجه یک و درجه بالاتر و تفاوت بین روش ها و توابع به شما آموزش می دهد.
آموزش استخراج داده ها از متن
Mining Data from Text
این دوره بردارهای ویژگی متن و سند را که می تواند به مدل های یادگیری ماشین منتقل شود ، مدل سازی موضوع با استفاده از تجزیه و تحلیل معنای نهفته ، تخصیص پنهان دیریشله ، ضریب ماتریس غیر منفی و استخراج کلمات کلیدی با استفاده از RAKE بحث می کند.
آموزش درک مدل برنامه نویسی MapReduce
Understanding the MapReduce Programming Model
مدل برنامه نویسی MapReduce استاندارد واقعی پردازش موازی داده های بزرگ است. این دوره MapReduce را معرفی می کند ، نحوه جریان داده ها از طریق برنامه MapReduce را توضیح می دهد و شما را از طریق نوشتن اولین برنامه MapReduce در جاوا راهنمایی می کند.
آموزش ساده سازی مدیریت API با استفاده از Google Apigee
Streamlining API Management Using Google Apigee
این دوره در مورد کار با Apigee است ، یک پلت فرم مدیریت API که ارائه دهندگان را قادر به طراحی ، ایمن سازی ، استقرار ، نظارت و مقیاس سازی API ها می کند. Apigee در سال 2016 توسط گوگل خریداری شد ، محبوب است و به طور یکپارچه با Google App Engine کار می کند.
آموزش استقرار مدل های TensorFlow به AWS ، Azure و GCP
Deploying TensorFlow Models to AWS, Azure, and the GCP
این دوره به دانشمند یا مهندس داده کمک خواهد کرد تا با استفاده از یک مدل عالی ML ، ساخته شده در TensorFlow ، این مدل را برای تولید به صورت محلی یا در سه سیستم عامل اصلی ابر به کار گیرد. لاجوردی ، AWS یا GCP.
آموزش پنجره و پیوستن به عملیات در جریان داده با Apache Spark در Databricks
Windowing and Join Operations on Streaming Data with Apache Spark on Databricks
این دوره به شما می آموزد که چگونه از پنجره سازی، واترمارکینگ و پیوستن به عملیات جریان داده در Spark برای موارد استفاده خاص خود استفاده کنید.
آموزش ویژگی های ساختمان از داده های عددی
Building Features from Numeric Data
این دوره به طور جامع تکنیک های پیش پردازش داده ها را تحت پوشش قرار داده و دگرگونی های موجود در یادگیری ناکافی را فراهم می کند ، و به شما امکان ساخت ویژگی های بسیار بهینه شده را می دهد که به روش های کاملاً ریاضی مقیاس بندی شده ، عادی شده و تبدیل می شوند تا کاملا ...
آموزش ساخت مدل های یادگیری بدون نظارت با TensorFlow
Building Unsupervised Learning Models with TensorFlow
تکنیک های یادگیری بدون نظارت با مجموعه داده های بزرگ برای یافتن الگوهای درون داده ها کار می کنند. این دوره به شما جزئیات خوشه بندی و رمزگذاری خودکار، دو تکنیک همه کاره یادگیری بدون نظارت و نحوه پیاده سازی آنها را در TensorFlow می آموزد.
آموزش مدیریت داده ها با Apache NiFi
Data Management with Apache NiFi
بیاموزید که چگونه Apache NiFi می تواند به شما در مدیریت داده کمک کند.
آموزش استفاده از بارهای کانتینر شده با استفاده از Google Cloud Kubernetes Engine
Deploying Containerized Workloads Using Google Cloud Kubernetes Engine
این دوره با موتور Google Kubernetes ، قوی ترین و یکپارچه ترین روش برای اجرای بارهای کانتینر دار در GCP سروکار دارد. ایجاد خوشه ، استفاده از انتزاعات ذخیره سازی حجم و اشیاress ورودی و خدماتی همه در این دوره پوشش داده می شوند.
آموزش شروع کار با پلتفرم Databricks Lakehouse
Getting Started with the Databricks Lakehouse Platform
این دوره به شما می آموزد که چگونه معماری Data Lakehouse بهترین ها را در بین Data Lakes و Data Warehouse ها به شما ارائه می دهد و به شما امکان می دهد نیازهای داده خود را برای پردازش کلان داده، تجزیه و تحلیل SQL و یادگیری ماشین در یک پلت فرم واحد برآورده کنید.
آموزش پردازش داده های جریانی با Apache Spark در Databricks
Processing Streaming Data with Apache Spark on Databricks
این دوره به شما می آموزد که چگونه از انتزاعات Spark برای استریم داده ها استفاده کنید و با استفاده از API های جریان ساختار یافته Spark در Azure Databricks، روی داده های جریانی تبدیل کنید.
آموزش بررسی SDK پرتو Apache برای مدل سازی جریان داده ها برای پردازش
Exploring the Apache Beam SDK for Modeling Streaming Data for Processing
Apache Beam یک مدل واحد منبع باز برای پردازش داده های دسته ای و جریانی به روشی موازی است. خطوط لوله Beam که برای پشتیبانی از Backend Cloud Dataflow Google ساخته شده اند ، می توانند بر روی هرگونه پردازش باطله پشتیبانی شده اجرا شوند.
آموزش Snowflake پیشرفته: Deep Dive Cloud Data Warehouse and Analytics
Advanced Snowflake: Deep Dive Cloud Data Warehousing and Analytics
با این شیرجه عمیق در معماری و تنظیمات پیشرفته، مهارت های Snowflake خود را افزایش دهید.
آموزش ساخت مدل های یادگیری عمیق با استفاده از PyTorch
Building Deep Learning Models Using PyTorch
PyTorch یک چارچوب یادگیری عمیق منبع باز است که در ابتدا توسط تیم های هوش مصنوعی در فیس بوک توسعه یافته است. PyTorch API های سطح بالایی را ارائه می دهد که ساخت شبکه های عصبی را آسان می کند و از آموزش توزیع شده و پیش بینی پشتیبانی می کند.
آموزش شروع کار با پردازش جریان با استفاده از Apache Flink
Getting Started with Stream Processing Using Apache Flink
Flink سیستمی با وضوح ، تحمل و مقیاس بزرگ با تأخیر و توان عملیاتی عالی است. با مجموعه داده های محدود و نامحدود با استفاده از همان معماری زمینه ای جریان اول و تمرکز بر جریان یا داده های بی حد و مرز کار می کند.
آموزش ساخت خلاصه های آماری با R
Building Statistical Summaries with R
این دوره تکنیک های آمار استنباطی را پوشش می دهد. برای انجام آزمایش های تصادفی روی دو نسخه از یک متغیر ، تکنیک های پیشرفته را برای مقایسه میانگین در بین گروه ها ، مدل های پیش بینی کننده رگرسیون و طبقه بندی و آزمایش A/B بیاموزید.
آموزش مفهوم سازی مدل پردازش برای سرویس تجزیه و تحلیل داده های Kinesis AWS
Conceptualizing the Processing Model for the AWS Kinesis Data Analytics Service
در این دوره، یاد خواهید گرفت که چگونه می توانید از سرویس Amazon Kinesis Data Analytics برای پردازش داده های جریانی با استفاده از زمان اجرا Apache Flink و زمان اجرا SQL استفاده کنید. شما برنامه های استریم خود را با Kinesis Data Streams ادغام خواهید کرد،...
آموزش تبدیل داده ها با Apache Pig
Data Transformations with Apache Pig
Pig یک موتور منبع باز برای اجرای تبدیل داده های موازی است که در Hadoop اجرا می شود. این دوره به شما نشان می دهد که چگونه Pig می تواند به شما کمک کند تا روی داده های ناقص با یک طرح ناسازگار کار کنید ، یا شاید بدون هیچ طرحواره ای.
آموزش کار با الگوریتم های نمودار در پایتون
Working with Graph Algorithms in Python
این دوره بر چگونگی نشان دادن نمودار با استفاده از سه کلاس متداول الگوریتم های نمودار متمرکز است - مرتب سازی توپولوژیکی برای مرتب سازی رئوس بر اساس روابط تقدم ، الگوریتم کوتاه ترین مسیر و در آخر الگوریتم های درخت پوشا.
آموزش تفسیر داده ها با استفاده از مدل های آماری با پایتون
Interpreting Data Using Statistical Models with Python
این دوره شامل تکنیک های مربوط به آمار استنباطی ، از جمله آزمون فرضیه ، آزمون t و آزمون مجذور کای پیرسون ، همراه با ANOVA است که برای تجزیه و تحلیل اثرات بین متغیرهای طبقه ای و تعامل بین متغیرها استفاده می شود.
آموزش ایجاد داستان های داده با Qlik Sense
Creating Data Stories with Qlik Sense
داستان‌های داده راهی برای گردآوری منسجم بینش‌ها و داده‌هایی است که در برنامه Qlik Sense خود جمع‌آوری کرده‌اید. با استفاده از «داستان‌های داده»، می‌توانید نقاط داده را به یک روایت قانع‌کننده بپیوندید تا به مخاطب ارائه کنید. این یک ...
آموزش تصور مدل پردازش برای Apache Spark Streamed Streaming
Conceptualizing the Processing Model for Apache Spark Structured Streaming
بسیاری از داده های دنیای واقعی در جریان ها موجود است. از سنسورهای اتومبیل خودران تا مانیتورهای هوا Apache Spark 2 یک موتور تحلیلی قدرتمند با پشتیبانی درجه یک برای انجام عملیات جریانی با استفاده از پردازش میکرو دسته ای و مداوم است.
آموزش تصور مدل پردازش برای Apache Flink
Conceptualizing the Processing Model for Apache Flink
Flink سیستمی مناسب ، قابل تحمل و در مقیاس بزرگ است که دارای ویژگی های تأخیر و توان عملیاتی عالی است. با مجموعه داده های محدود و نامحدود با استفاده از همان معماری زمینه ای جریان اول ، تمرکز بر جریان یا داده های بدون محدودیت ، کار می کند.
آموزش معماری برنامه های وب مقیاس پذیر با Firebase در پلتفرم Google Cloud
Architecting Scalable Web Applications with Firebase on the Google Cloud Platform
Firebase پلتفرم جامع توسعه موبایل و برنامه Google است که دارای چندین ویژگی و خدمات است که با پلتفرم Google Cloud یکپارچه شده و تکمیل کننده آن است.
آموزش شروع با پردازش جریان با پخش جرقه ای
Getting Started with Stream Processing with Spark Streaming
ماژول Spark Streaming به شما امکان می دهد با استفاده از انتزاعات پردازش دسته ای آشنا ، با داده های جریان در مقیاس بزرگ کار کنید. این دوره با نحوه انجام تحولات و عملکردهای استاندارد در جریان ها شروع می شود و به سمت موضوعات پیشرفته تر حرکت می کند.
آموزش شروع با Spark 2
Getting Started with Spark 2
نسخه های 2.x Spark نمایانگر ویژگی های کاملاً متفاوت و به روز شده ای هستند. این دوره ، هم در تئوری و هم در عمل ، روی همه این تغییرات متمرکز خواهد شد.
آموزش Python for Data Analysts
Python for Data Analysts
این دوره اصول شروع کار با پایتون را شامل می شود ، از جمله معانی معنایی متغیرها ، انواع داده های ساده و پیچیده و استفاده از حلقه ها برای تکرار و توابع برای استفاده مجدد کد. شما همچنین برخی از ...
آموزش بررسی Apache Flink API برای پردازش جریان داده ها
Exploring the Apache Flink API for Processing Streaming Data
Flink یک سیستم متغیر ، قابل تحمل و در مقیاس بزرگ است که با مجموعه داده های محدود و غیرمحدود با استفاده از همان معماری زمینه ای جریان اول کار می کند.
آموزش آماده سازی داده ها برای مدل سازی با scikit-learn
Preparing Data for Modeling with scikit-learn
این دوره شامل مراحل مهمی در پیش پردازش داده ها ، از جمله استاندارد سازی ، عادی سازی ، کشف تازگی و آشکار سازی ، پیش پردازش تصویر و داده های متنی ، و همچنین تقریب های صریح هسته مانند RBF و Nystroem ...
آموزش بهینه سازی اسپارک آپاچی در دیتابریکس
Optimizing Apache Spark on Databricks
این دوره به شما می آموزد که چگونه عملکرد خوشه های Spark را در Azure Databricks با شناسایی و کاهش مسائل مختلف مانند مشکلات دریافت داده ها و گلوگاه های عملکرد بهینه کنید.
آموزش درک الگوریتم های یادگیری تقویتی
Understanding Algorithms for Reinforcement Learning
یادگیری تقویتی نوعی یادگیری ماشینی است که به تصمیم گیرندگان اجازه می دهد در یک محیط ناشناخته عمل کنند. در دنیای ماشین‌های خودران و ربات‌های کاوشگر، RL یک رشته تحصیلی مهم برای هر دانشجوی یادگیری ماشینی است.
آموزش استفاده از Google Cloud Firestore برای راهکارهای پایگاه داده بیدرنگ
Leveraging Google Cloud Firestore for Realtime Database Solutions
Cloud Firestore یک NoSQL میزبانی ابری، پایگاه داده سند محور است که اسناد از فیلدها تشکیل شده و در مجموعه ها ذخیره می شوند. Firestore یک سرویس کاملاً مدیریت شده است که به به‌روزرسانی‌های بیدرنگ اجازه می‌دهد تا داده‌ها را در چندین مشتری همگام نگه دارد.
آموزش طراحی تجربی برای تجزیه و تحلیل داده ها
Experimental Design for Data Analysis
این دوره جنبه های مفهومی و عملی ساخت و ارزیابی مدل های یادگیری ماشین را به گونه ای که به طور منطقی از داده ها استفاده می کند ، پوشش می دهد ، در حالی که ملاحظاتی مانند ترتیب و روابط درون داده ها و سایر تعصبات را نیز در نظر می گیرد.
آموزش ساخت نمودارها و تجسم در Qlik Sense
Building Charts and Visualizations in Qlik Sense
چندین روش مورد استفاده برای ساخت نمودارها و تجسم ها را در Qlik کشف کنید ، از انواع نمودارها و خصوصیات نسبتاً ساده گرفته تا برنامه های بسیار پیچیده که نمودارها را به عبارات پیوند می دهد و از معیارها و ابعاد اصلی استفاده می کند.
آموزش استقرار Ethereum با الگوهای Blockchain AWS
Deploying Ethereum with AWS Blockchain Templates
چارچوب Ethereum محبوب ترین بستر بلاکچین برای ساخت برنامه های غیرمتمرکز است. در این زمینه ، AWS امکان استفاده و راه اندازی با شبکه Ethereum خود را بر روی ابر AWS با استفاده از الگوهای بلاکچین آسان کرده است.
آموزش مدیریت داده های جریانی با تجزیه و تحلیل داده های AWS Kinesis با استفاده از جاوا
Handling Streaming Data with AWS Kinesis Data Analytics Using Java
Kinesis Data Analytics سرویسی برای تبدیل و تجزیه و تحلیل جریان داده ها با Apache Flink و SQL با استفاده از فناوری های بدون سرور است. شما یاد خواهید گرفت که از سرویس Amazon Kinesis Data Analytics برای پردازش داده های جریانی با استفاده از زمان اجرا Apache Flink استفاده کنید.
آموزش ساخت تجسم داده ها با استفاده از طرح کلی
Building Data Visualizations Using Plotly
با بزرگتر شدن مجموعه های داده ، کاوش و تجسم م dataثر این داده ها قبل از ورود به تجزیه و تحلیل داده ها ، از اهمیت بیشتری برخوردار می شود. کتابخانه های تجسم ، مانند Plotly ، می توانند به ما در پردازش و حفظ همه این اطلاعات به بهترین روش کمک کنند.
آموزش انجام تحلیل ابعاد با R
Performing Dimension Analysis with R
این دوره تقریباً همه تکنیک های مهم کاهش ابعاد موجود در R را در بر می گیرد ، به سازندگان مدل این امکان را می دهد تا عملکرد مدل را با کاهش نصب بیش از حد و صرفه جویی در هزینه و زمان آموزش مدل بهینه کنند.
آموزش مدیریت مدل ها با استفاده از MLflow در Databricks
Managing Models Using MLflow on Databricks
این دوره به شما می آموزد که چگونه با استفاده از سرویس مدیریت شده MLflow در Databricks، چرخه عمر پایان به انتها مدل های یادگیری ماشین خود را مدیریت کنید.
آموزش معماری برنامه های وب مقیاس پذیر با استفاده از Google App Engine
Architecting Scalable Web Applications Using Google App Engine
App Engine پیشنهاد PaaS در GCP است و برای توسعه دهندگانی که قصد ساخت و استقرار برنامه های وب را دارند در حالی که تمرکز خود را روی نوشتن کد دارند ، ایده آل است. در این دوره ، با محیط استاندارد و انعطاف پذیر App Engine آشنا خواهید شد.
آموزش تجسم داده های آماری با استفاده از Seaborn
Visualizing Statistical Data Using Seaborn
تحلیلگران و دانشمندان وظیفه دارند اطلاعات و بینش هایی را از مجموعه داده های عظیم استخراج کنند. این دوره کتابخانه Seaborn Python را به مهندسان کمک می کند تا با استفاده از ابزار تجسم سطح بالا و قدرتمند خود ، در برقراری ارتباط اطلاعات کمک کنند.
آموزش خودکارسازی یادگیری ماشین با استفاده از Databricks AutoML
Automate Machine Learning Using Databricks AutoML
این دوره به شما یاد می دهد که چگونه می توانید مدل های رگرسیون، طبقه بندی و پیش بینی را با استفاده از Databricks AutoML بسازید و آموزش دهید. AutoML آماده سازی داده ها و آموزش مدل را خودکار می کند، بنابراین به شما امکان می دهد مدل هایی را بدون کد بسازید.
آموزش مدل های طبقه بندی ساختمان با TensorFlow
Building Classification Models with TensorFlow
این دوره نکات دقیق ساخت چنین مدل‌هایی و همچنین رگرسیون لجستیک، روشهای نزدیک‌ترین همسایه و معیارهای ارزیابی طبقه‌بندی‌کننده‌ها مانند دقت، دقت و یادآوری را پوشش می‌دهد.
آموزش اجرای الگوریتم های گراف با GraphFrames بر روی Databricks
Executing Graph Algorithms with GraphFrames on Databricks
این دوره به شما یاد می دهد که چگونه با استفاده از GraphFrames در Apache Spark، داده های گراف را ایجاد و نمایش دهید و الگوریتم های نمودار مانند Shortest Path و PageRank را در Azure Databricks پیاده سازی کنید.
آموزش ساخت مدل های یادگیری ماشین در Spark 2
Building Machine Learning Models in Spark 2
آموزش مدلهای ML یک عملیات محاسباتی فشرده است و بهتر است در یک محیط توزیع شده انجام شود. این دوره به شما می آموزد که چگونه Spark می تواند به طور موثر اکتشاف داده، تمیز کردن، تجمع و آموزش مدل های ML را روی یک پلت فرم انجام دهد.
آموزش نوشتن سeriesالات تحلیلی پیچیده با کندو
Writing Complex Analytical Queries with Hive
Hive یک انبار داده است که در بالای چارچوب محاسبات توزیع شده Hadoop اجرا می شود. روی مجموعه داده های عظیمی کار می کند ، بنابراین این دوره برای درک ویژگی های آن مفید است تا بتوانید پرس و جوهای کارآمد ، سریع و بهینه بنویسید.
آموزش مقدمه ای بر شبکه های عصبی مبتنی بر توجه
Introduction to Attention-Based Neural Networks
بیاموزید که مدل های مبتنی بر توجه چیست، چگونه کار می کنند و چه کاری می توانند برای شبکه های عصبی مکرر انجام دهند.
آموزش ساخت مدل های رگرسیون با یادگیری دقیق
Building Regression Models with scikit-learn
این دوره تکنیک های مهمی مانند رگرسیون حداقل مربعات معمولی ، حرکت به لاسو ، رج و شبکه الاستیک و تکنیک های پیشرفته مانند پشتیبانی از رگرسیون برداری برداری و رگرسیون نزول گرادیان تصادفی را شامل می شود.
آموزش جستجو و تجزیه و تحلیل داده ها با Elasticsearch: شروع کار
Searching and Analyzing Data with Elasticsearch: Getting Started
Elasticsearch یک موتور جستجوی سازمانی محبوب است ، که به شما امکان می دهد قابلیت جستجوی قدرتمندی ایجاد کنید. این دوره بر درک م componentsلفه ها و الگوریتم های جستجو از اصول اولیه و استفاده از آنها در عمل با استفاده از REST API متمرکز است.
آموزش ایجاد و مدیریت نمونه های Google Cloud SQL
Creating and Administering Google Cloud SQL Instances
Cloud SQL سرویس مدیریت شده SQL Google Cloud Platform است که قابلیت های ساده و قدرتمند RDBMS را ارائه می دهد. Cloud SQL هم از MySQL و هم از PostgreSQL در cloud پشتیبانی می کند.
آموزش بررسی API جریان ساختاری Apache Spark برای پردازش داده های جریان
Exploring the Apache Spark Structured Streaming API for Processing Streaming Data
جریان ساختاری موتور پردازش جریان مقیاس پذیر و متحمل خطا در Apache Spark 2 است. فریم داده ها در Spark 2.x از داده های بی نهایت پشتیبانی می کنند ، بنابراین به طور موثر برنامه های دسته ای و جریان را متحد می کند.
آموزش مدل سازی داده های جریان برای پردازش با پرتو Apache
Modeling Streaming Data for Processing with Apache Beam
مدل واحد Apache Beam به ما امکان پردازش دسته ای و همچنین پخش جریانی داده را با استفاده از همان API می دهد. چندین مورد اجرا مانند Google Cloud Dataflow ، Apache Spark و Apache Flink با Beam سازگار هستند.
آموزش یادگیری ماشین برای خرده فروشی
Machine Learning for Retail
این دوره جنبه های مفهومی استفاده از یادگیری ماشین را برای مشکلات در صنعت خرده فروشی بررسی می کند، در مورد مطالعات موردی یادگیری ماشین مورد استفاده خرده فروشان بحث می کند، و پیاده سازی های عملی تکنیک ها را بر روی داده های دنیای واقعی بررسی می کند.
آموزش یافتن روابط در داده ها با پایتون
Finding Relationships in Data with Python
این دوره تکنیک های مهم کاوش داده ها به منظور یافتن روابط بین متغیرها را شامل می شود ، از جمله تکنیک های خلاصه سازی و توصیف داده های شما ، و چندین ابزار قدرتمند تجسم برای بیان روابط در آن داده ها.
آموزش استفاده از Google Cloud Armour ، Security Scanner و Data Loss Prevention API
Leveraging Google Cloud Armor, Security Scanner and the Data Loss Prevention API
این دوره بر روی طراحی و اجرای اسکن امنیتی ، محافظت در برابر حملات انکار سرویس توزیع شده (DDoS) و ممیزی امنیتی تمرکز دارد. این دوره همچنین شامل استفاده از Data Loss Prevention API در محافظت از ...
آموزش GAN ها و مدل های انتشار در یادگیری ماشین
GANs and Diffusion Models in Machine Learning
مبانی شبکه‌های متخاصم مولد (GAN) و مدلهای انتشار، دو مورد از رایج‌ترین مدلهای مولد در یادگیری ماشین را بررسی کنید.
آموزش درک مدلهای آماری و مدلهای ریاضی
Understanding Statistical Models and Mathematical Models
این دوره شامل تکنیک های مهم از هر دو مدل سازی ریاضی و آماری ، از جمله استفاده از معادلات دیفرانسیل معمولی برای مدل سازی سیستم های قطعی ، جستجوی محلی کلاسیک و بازپخت شبیه سازی شده برای کاوش در فضاهای جستجوی بزرگ است.
آموزش پیاده سازی گردش کار یادگیری ماشین با RapidMiner
Implementing Machine Learning Workflow with RapidMiner
در این دوره ، شما یاد خواهید گرفت که چگونه می توانید با استفاده از RapidMiner Studio ، یک بستر علوم داده برای آماده سازی داده ها ، یادگیری ماشین و استقرار مدل پیش بینی ، گردش کار یادگیری ماشین خود را توسعه دهید.
آموزش انتخاب و اجرای راه حل های موتور محاسبه Google Cloud
Choosing and Implementing Google Cloud Compute Engine Solutions
با افزایش محبوبیت رایانش ابری ، اولین مورد استفاده تهیه و مدیریت ماشین های مجازی رایانش ابری است. این دوره به شما مزایای نمونه های Cloud VM را در Google Cloud Platform نسبت به دستگاههای موجود نشان می دهد.
آموزش تنظیم کافکا
Tuning Kafka
با تنظیم دقیق آپاچی کافکا، مهارت های پیشرفته ای را برای بهینه سازی عملکرد خود توسعه دهید.