آموزش یک هفته علم داده در پایتون - جدید 2024!

One Week of Data Science in Python - New 2024!

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: اصول مبانی علم داده را به سرعت کارآمد در یک هفته استاد کنید! دوره آموزشی برای افراد پرمشغله طراحی شده است. ستون DataFrame Pandas انجام عملیات Pandas و فیلتر کردن محاسبه و نمایش نقشه حرارتی ماتریس همبستگی انجام تجسم داده ها با استفاده از کتابخانه های Seaborn و Matplotlib رسم نمودار تک خطی، نمودارهای دایره ای و چند قطعه فرعی با استفاده از matplotlib Plot Pairplot، countplot و نقشه های حرارتی همبستگی با استفاده از نمودار توزیع Seaborn Plot ، هیستوگرام ها و نمودارهای پراکنده درک اصول رگرسیون یادگیری ماشینی یادگیری نحوه بهینه سازی پارامترهای مدل با استفاده از حداقل مجموع مربع ها. -آموزش ارزیابی عملکرد مدل رگرسیون یادگیری ماشین آموزش دیده درک نظریه و شهود پشت تقویت آموزش الگوریتم XG-boost در Scikit-یادگیری حل مشکلات نوع رگرسیون آموزش چندین مدل طبقه‌بندی مدل‌های یادگیری ماشین مانند رگرسیون لجستیک، ماشین بردار پشتیبانی، K-نزدیک‌ترین Neighbors و Random Forest Classifier عملکرد مدل آموزش دیده را با استفاده از KPI های مختلف مانند دقت، دقت، یادآوری، امتیاز F1، AUC و ROC ارزیابی می کنند. عملکرد مدل طبقه بندی را با استفاده از KPI های مختلف مقایسه کنید. استفاده از autogluon برای حل مشکلات نوع رگرسیون و طبقه‌بندی استفاده از کتابخانه AutoGluon برای انجام نمونه‌سازی مدل‌های AI/ML با استفاده از چند خط کد، عملکرد مدل‌های مختلف را در تابلوی برتر مدل ترسیم کنید. استراتژی هایی مانند جستجوی شبکه ای، جستجوی تصادفی و بهینه سازی بیزی. بهینه سازی هایپرپارامترها را با استفاده از کتابخانه Scikit-Learn انجام دهید. درک مبادله واریانس بایاس و تنظیم L1 و L2 پیش نیازها: مهارت های اساسی برنامه نویسی در پایتون

آیا می خواهید علم داده را یاد بگیرید و برنامه های کاربردی قوی را سریع و کارآمد بسازید؟

آیا شما یک مبتدی مطلق هستید که می خواهید وارد علم داده شوید و به دنبال دوره ای باشید که شامل تمام اصول اولیه شما باشد؟

آیا شما یک کارآفرین مشتاق هستید که می‌خواهید درآمد کسب و کار را به حداکثر برسانید و هزینه‌ها را با Data Science کاهش دهید، اما زمان کافی برای رسیدن سریع و کارآمد را ندارید؟


اگر پاسخ هر یک از این سوالات مثبت است، این دوره برای شما مناسب است!

علوم داده یکی از داغ ترین زمینه های فناوری است که اکنون در آن حضور دارید!

این زمینه با فرصت ها و آینده شغلی در حال انفجار است.

علوم داده به طور گسترده در بسیاری از بخش‌ها مانند بانکداری، مراقبت‌های بهداشتی، حمل‌ونقل و فناوری مورد استفاده قرار گرفته است.

در تجارت، Data Science برای بهینه‌سازی فرآیندهای تجاری، به حداکثر رساندن درآمد و کاهش هزینه استفاده می‌شود.

این دوره با هدف ارائه دانش در مورد جنبه های حیاتی علم داده در یک هفته و به روشی عملی، آسان، سریع و کارآمد است.

این دوره از بسیاری جهات منحصر به فرد و استثنایی است. این شامل چندین فرصت تمرین، آزمون‌ها و پروژه‌های نهایی است.

هر روز، 1 تا 2 ساعت را با هم می گذرانیم و به یک موضوع علم داده مسلط می شویم.

ابتدا، ما با بسته آغازین ضروری علم داده و مفاهیم کلیدی علوم داده، از جمله چرخه عمر پروژه علم داده، آنچه که استخدام‌کنندگان به دنبال آن هستند و مشاغل موجود، شروع می‌کنیم.

در مرحله بعد، تکنیک‌های تجزیه و تحلیل داده‌های اکتشافی و تجسم را با استفاده از کتابخانه‌های Pandas، matplotlib و Seaborn درک خواهیم کرد.

در بخش بعدی، با اصول رگرسیون آشنا خواهیم شد. ما نحوه ساخت، آموزش، آزمایش و استقرار مدل های رگرسیون را با استفاده از کتابخانه Scikit Learn یاد خواهیم گرفت.

در بخش بعدی، با استراتژی های بهینه سازی فراپارامتر مانند جستجوی شبکه ای، جستجوی تصادفی و بهینه سازی بیزی آشنا خواهیم شد.

در ادامه، نحوه آموزش چندین الگوریتم طبقه‌بندی مانند رگرسیون لجستیک، ماشین بردار پشتیبان، K-نزدیکترین همسایگان، طبقه‌بندی‌کننده جنگل تصادفی، و ساده بیز را در کتابخانه‌های SageMaker و SK-Learn یاد خواهیم گرفت.

بعد، ما Data Science را در Autopilot پوشش خواهیم داد! ما یاد خواهیم گرفت که چگونه از کتابخانه AutoGluon برای نمونه سازی چند مدل AI/ML و به کارگیری بهترین آنها استفاده کنیم.

پس این دوره برای چه کسانی است؟

این دوره هر کسی را هدف قرار می دهد که می خواهد درک اساسی از علم داده به دست آورد و مشکلات تجاری واقعی و عملی را حل کند.

در این دوره:

  1. شما یک تجربه عملی یادگیری مبتنی بر پروژه خواهید داشت. بیش از ده پروژه را با هم خواهیم ساخت

  2. به همه کدها و اسلایدها دسترسی خواهید داشت

  3. گواهی تکمیلی دریافت خواهید کرد که می‌توانید آن را در نمایه LinkedIn خود پست کنید تا مهارت‌های خود را در علم داده به کارفرمایان نشان دهید.

  4. همه اینها با 30 روز ضمانت بازگشت پول ارائه می شود، بنابراین می توانید دوره ای را بدون ریسک امتحان کنید!


ویدئوهای پیش‌نمایش و طرح کلی را بررسی کنید تا ایده‌ای در مورد پروژه‌هایی که پوشش خواهیم داد.

امروز ثبت نام کنید و بیایید با هم از قدرت علم داده استفاده کنیم!




سرفصل ها و درس ها

معرفی دوره، پیام خوش آمدگویی و بسته آغازین علم داده! Course Introduction, Welcome Message & Data Science Starter Pack!

  • پیام خوش آمدگویی دوره Course Welcome Message

  • مقدمه، بهترین روش ها و نکات موفقیت Introduction, Best Practices, & Success Tips

  • طرح کلی دوره Course Outline

  • علم داده چیست؟ What is Data Science?

  • مشخصات، تحصیلات، تجربه و حقوق معمولی دانشمند داده چیست؟ What is a Typical Data Scientist Profile, Education, Experience & Salary?

  • دانشمندان داده واقعاً چه می کنند؟ What do Data Scientists REALLY do?

  • استخدام کنندگان در متقاضیان علوم داده به دنبال چه هستند؟ What do Recruiters Look for in Data Science Applicants?

  • چه مشاغل علوم داده در آنجا موجود است؟ What Data Science Jobs are Available Out there?

روز 1: جدال داده ها، تجزیه و تحلیل داده های اکتشافی (EDA) و مهندسی ویژگی Day 1: Data Wrangling, Exploratory Data Analysis (EDA) & Feature Engineering

  • روز شماره 1 پیام خوش آمد گویی Day #1 Welcome Message

  • معرفی پروژه و جدال داده ها 101 Project Introduction & Data Wrangling 101

  • وظیفه کدگذاری شماره 1 - وارد کردن داده ها و دریافت خلاصه آماری داده ها Coding Task #1 - Import Data and Obtain Data Statistical Summary

  • تمرین شماره 1 [اختیاری] Exercise #1 [Optional]

  • وظیفه کدنویسی شماره 2 - با مقادیر از دست رفته مقابله کنید Coding Task #2 - Deal with Missing Values

  • تمرین شماره 2 [اختیاری] Exercise #2 [Optional]

  • وظیفه کدنویسی شماره 3 - رمزگذاری یکهت را انجام دهید Coding Task #3 - Perform One-Hot Encoding

  • تمرین شماره 3 [اختیاری] Exercise #3 [Optional]

  • مقیاس بندی ویژگی 101 Feature Scaling 101

  • وظیفه کدنویسی شماره 4 - مقیاس گذاری ویژگی ها را انجام دهید: عادی سازی و استانداردسازی Coding Task #4 - Perform Feature Scaling: Normalization & Standardization

  • تمرین شماره 4 [اختیاری] Exercise #4 [Optional]

  • وظیفه کدنویسی شماره 5 - عملیات فیلترینگ را انجام دهید Coding Task #5 - Perform Filtering Operation

  • تمرین شماره 5 [اختیاری] Exercise #5 [Optional]

  • وظیفه کدنویسی شماره 6 - EDA را در هر دو کلاس انجام دهید Coding Task #6 - Perform EDA on Both Classes

  • تمرین شماره 6 [اختیاری] Exercise #6 [Optional]

  • وظیفه کدنویسی شماره 7 - با پانداها کار می کند Coding Task #7 - Functions With Pandas

  • تمرین شماره 7 [اختیاری] Exercise #7 [Optional]

  • وظیفه کدگذاری شماره 8 - همبستگی ها و هیستوگرام ها Coding Task #8 - Correlations and Histograms

  • تمرین شماره 8 [اختیاری] Exercise #8 [Optional]

  • نمای کلی پروژه Capstone نهایی Final Capstone Project Overview

  • راه حل نهایی پروژه Capstone Final Capstone Project Solution

  • روز شماره 1 نتیجه گیری Day #1 Conclusion

روز دوم: تجسم مؤثر داده ها در علم داده Day 2: Effective Data Visualization in Data Science

  • روز شماره 2 پیام خوش آمد گویی Day #2 Welcome Message

  • بررسی اجمالی پروژه و نتایج کلیدی یادگیری Project Overview and Key Learning Outcomes

  • تجسم داده 101 Data Visualization 101

  • وظیفه کدنویسی شماره 1 - نمودارهای پای را با Matplotlib ترسیم کنید Coding Task #1 - Plot Pie Charts with Matplotlib

  • تمرین شماره 1 [اختیاری] Exercise #1 [Optional]

  • وظیفه کدنویسی شماره 2 - طرح تک و چند خطی Coding Task #2 - Plot Single & Multiple LinePlots

  • تمرین شماره 2 [اختیاری] Exercise #2 [Optional]

  • وظیفه کدنویسی شماره 3 - نمودارهای پراکنده را ترسیم کنید Coding Task #3 - Plot Scatterplots

  • تمرین شماره 3 [اختیاری] Exercise #3 [Optional]

  • وظیفه کدگذاری شماره 4 - نمودارهای هیستوگرام را رسم کنید Coding Task #4 - Plot Histograms

  • تمرین شماره 4 [اختیاری] Exercise #4 [Optional]

  • وظیفه کدنویسی شماره 5 - Searborn قسمت 1 Coding Task #5 - Searborn Part 1

  • تمرین شماره 5 [اختیاری] Exercise #5 [Optional]

  • وظیفه کدنویسی شماره 6 - Searborn قسمت 2 Coding Task #6 - Searborn Part 2

  • تمرین شماره 6 [اختیاری] Exercise #6 [Optional]

  • نمای کلی پروژه Capstone نهایی Final Capstone Project Overview

  • راه حل نهایی پروژه Capstone Final Capstone Project Solution

  • روز شماره 2 نتیجه گیری Day #2 Conclusion

روز سوم: تحلیل رگرسیون در علم داده Day 3: Regression Analysis in Data Science

  • روز شماره 3 پیام خوش آمد گویی Day #3 Welcome Message

  • بررسی اجمالی پروژه و نتایج کلیدی یادگیری Project Overview and Key Learning Outcomes

  • رگرسیون چیست؟ What is Regression?

  • XGBoost چیست؟ و چرا؟ What is XGBoost? and Why?

  • وظیفه کدگذاری شماره 1 - وارد کردن کتابخانه ها و مجموعه داده ها Coding Task #1 - Import Libraries and Datasets

  • تمرین شماره 1 [اختیاری] Exercise #1 [Optional]

  • وظیفه کدگذاری شماره 2 - تجزیه و تحلیل داده های اکتشافی (EDA) و تجسم Coding Task #2 - Exploratory Data Analysis (EDA) & Visualization

  • تمرین شماره 2 [اختیاری] Exercise #2 [Optional]

  • کدنویسی کار شماره 3 - داده ها را قبل از آموزش مدل آماده کنید Coding Task #3 - Prepare The Data Before Model Training

  • تمرین شماره 3 [اختیاری] Exercise #3 [Optional]

  • وظیفه کدنویسی شماره 4 - یک مدل XG-Boost را آموزش دهید Coding Task #4 - Train an XG-Boost Model

  • تمرین شماره 4 [اختیاری] Exercise #4 [Optional]

  • نمای کلی پروژه Capstone نهایی Final Capstone Project Overview

  • راه حل نهایی پروژه Capstone Final Capstone Project Solution

  • روز سوم نتیجه گیری Day #3 Conclusion

روز چهارم: تجزیه و تحلیل طبقه بندی در علم داده Day 4: Classification Analysis in Data Science

  • روز چهارم پیام خوش آمد گویی Day #4 Welcome Message

  • معرفی و بررسی اجمالی پروژه Introduction & Project Overview

  • KPIهای مدل های طبقه بندی Classification Models KPIs

  • وظیفه کدگذاری شماره 1 - وارد کردن کتابخانه ها و مجموعه داده ها Coding Task #1 - Import Libraries and Datasets

  • تمرین شماره 1 [اختیاری] Exercise #1 [Optional]

  • وظیفه کدنویسی شماره 2 - تجسم داده ها را انجام دهید Coding Task #2 - Perform Data Visualization

  • تمرین شماره 2 [اختیاری] Exercise #2 [Optional]

  • وظیفه کدنویسی شماره 3 - اهمیت ویژگی طرح Coding Task #3 - Plot Feature Importance

  • وظیفه کدگذاری شماره 4 - یک مدل طبقه‌بندی‌کننده رگرسیون لجستیک را آموزش و ارزیابی کنید Coding Task #4 - Train & Evaluate a Logistic Regression Classifier Model

  • تمرین شماره 3 [اختیاری] Exercise #3 [Optional]

  • وظیفه کدنویسی شماره 5 - ماشین‌های بردار پشتیبانی را آموزش و ارزیابی کنید Coding Task #5 - Train & Evaluate Support Vector Machines

  • وظیفه کدگذاری شماره 6 - آموزش و ارزیابی مدل طبقه‌بندی‌کننده تصادفی جنگل Coding Task #6 - Train & Evaluate Random Forest Classifier Model

  • وظیفه کدنویسی شماره 7 - طبقه بندی کننده K-Nearest Neighbors را آموزش و ارزیابی کنید Coding Task #7 - Train & Evaluate K-Nearest Neighbors Classifier

  • تمرین شماره 4 [اختیاری] Exercise #4 [Optional]

  • وظیفه کدنویسی شماره 8 - یک مدل طبقه بندی کننده ساده بیز را آموزش و ارزیابی کنید Coding Task #8 - Train & Evaluate a Naïve Bayes Classifier Model

  • تمرین شماره 5 [اختیاری] Exercise #5 [Optional]

  • کدنویسی کار شماره 9 - مقایسه مدل های طبقه بندی کننده Coding Task #9 - Compare Classifier Models

  • وظیفه کدگذاری شماره 10 - نکات پایانی Coding Task #10 - Concluding Remarks

  • پروژه نهایی Capstone Final Capstone Project

  • راه حل نهایی پروژه Capstone قسمت شماره 1 Final Capstone Project Solution Part #1

  • راه حل نهایی پروژه Capstone قسمت شماره 2 Final Capstone Project Solution Part #2

  • راه حل نهایی پروژه Capstone قسمت شماره 3 Final Capstone Project Solution Part #3

  • روز چهارم نتیجه گیری Day #4 Conclusion

روز پنجم: علم داده در خلبان خودکار Day 5: Data Science on Autopilot

  • روز پنجم پیام خوش آمد گویی Day #5 Welcome Message

  • معرفی و بررسی اجمالی پروژه Introduction and Project Overview

  • AutoGluon چیست؟ What is AutoGluon?

  • وظیفه کدگذاری شماره 1 - وارد کردن AutoGluon، کتابخانه های کلیدی و مجموعه داده ها Coding Task #1 - Import AutoGluon, Key Libraries & Datasets

  • تمرین شماره 1 [اختیاری] Exercise #1 [Optional]

  • وظیفه کدگذاری شماره 2 - انجام تجزیه و تحلیل داده های اکتشافی (EDA) Coding Task #2 - Perform Exploratory Data Analysis (EDA)

  • تمرین شماره 2 [اختیاری] Exercise #2 [Optional]

  • وظیفه کدنویسی شماره 3 - تجسم داده ها را انجام دهید Coding Task #3 - Perform Data Visualization

  • تمرین شماره 3 [اختیاری] Exercise #3 [Optional]

  • وظیفه کدگذاری شماره 4 - مدل های رگرسیون قطار در خلبان خودکار Coding Task #4 - Train Regression Models on Autopilot

  • وظیفه کدگذاری شماره 5 - مدل های رگرسیون آموزش دیده را ارزیابی کنید Coding Task #5 - Evaluate Trained Regression Models

  • تمرین شماره 4 [اختیاری] Exercise #4 [Optional]

  • نمای کلی پروژه Capstone نهایی Final Capstone Project Overview

  • راه حل نهایی پروژه Capstone Final Capstone Project Solution

  • روز پنجم نتیجه گیری Day #5 Conclusion

روز ششم: بهینه سازی مدل ها Day 6: Models Optimization

  • پیام خوش آمد گویی روز ششم Day #6 Welcome Message

  • بررسی اجمالی پروژه Project Overview

  • فراپارامترهای 101 Hyperparameters 101

  • استراتژی های بهینه سازی Optimization Strategies

  • وظیفه کدگذاری شماره 1 - وارد کردن کتابخانه ها و مجموعه داده ها Coding Task #1 - Import Libraries and Datasets

  • تمرین شماره 1 [اختیاری] Exercise #1 [Optional]

  • وظیفه کدنویسی شماره 2 - پاکسازی داده ها را انجام دهید Coding Task #2 - Perform Data Cleaning

  • وظیفه کدنویسی شماره 3 - تجسم داده ها را انجام دهید Coding Task #3 - Perform Data Visualization

  • تمرین شماره 2 [اختیاری] Exercise #2 [Optional]

  • وظیفه کدگذاری شماره 4 - داده ها را قبل از آموزش مدل آماده کنید Coding Task #4 - Prepare the Data Before Model Training

  • وظیفه کدنویسی شماره 5 - آموزش الگوریتم XG-Boost (بدون بهینه سازی) Coding Task #5 - Train an XG-Boost Algorithm (Without Optimization)

  • تمرین شماره 3 [اختیاری] Exercise #3 [Optional]

  • وظیفه کدنویسی شماره 6 - بهینه سازی GridSearchCV Coding Task #6 - GridSearchCV Optimization

  • تمرین شماره 4 [اختیاری] Exercise #4 [Optional]

  • وظیفه کدنویسی شماره 7 - بهینه سازی جستجوی تصادفی Coding Task #7 - Random Search Optimization

  • وظیفه کدنویسی شماره 8 - بهینه سازی جستجوی بیزی Coding Task #8 - Bayesian Search Optimization

  • سوال نهایی پروژه Capstone Final Capstone Project Question

  • راه حل نهایی پروژه Capstone Final Capstone Project Solution

  • روز ششم نتیجه گیری Day #6 Conclusion

روز هفتم: یادگیری عمیق Day 7: Deep Learning

  • وظیفه شماره 1. بررسی اجمالی پروژه Task #1. Project Overview

  • وظیفه شماره 2. داده ها را آپلود و کاوش کنید Task #2. Upload and Explore the Data

  • وظیفه شماره 3. مدل شبکه عصبی عمیق قطار Task #3. Train Deep Neural Network Model

  • وظیفه شماره 4. هوش مصنوعی قابل توضیح و درک مدل Task #4. Explainable AI and Model Understanding

ضمیمه و محتوای اختیاری برای بخش "رگرسیون در DS". Appendix & Optional Content for "Regression in DS" Section

  • ریاضی رگرسیون Regression Math

  • حداقل مجموع مربع ها Least Sum of Squares

  • Scikit Learn Scikit Learn

  • XG-Boost Fundaments XG-Boost Fundaments

  • XG-Boost Deep Dive XG-Boost Deep Dive

  • تقویت چیست؟ What is Boosting?

  • آموزش گروهی Ensemble Learning

پیوست و محتوای اختیاری برای بهینه سازی مدل ها Appendix & Optional Content for Models Optimization

  • مبادله واریانس تعصب Bias Variance Tradeoff

  • تنظیم L2 (ریج) L2 regularization (Ridge)

  • منظم سازی L1 (کند) L1 regularization (Lasso)

محتوای ویژه special content

  • تست test

تبریک می گویم!! جایزه خود را فراموش نکنید :) Congratulations!! Don't forget your Prize :)

  • جایزه: مهارت های ابری برای ML و AI (کوپن داخل) BONUS: Cloud Skills for ML & AI (COUPON inside)

نمایش نظرات

آموزش یک هفته علم داده در پایتون - جدید 2024!
جزییات دوره
13 hours
136
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
3,223
4.7 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dr. Ryan Ahmed, Ph.D., MBA Dr. Ryan Ahmed, Ph.D., MBA

استاد و پرفروش ترین مربی Udemy ، دانشجویان 100K + رایان احمد مربی پرفروش Udemy است که علاقه زیادی به آموزش و فناوری دارد. ماموریت رایان این است که آموزش با کیفیت را برای همه قابل دسترسی و مقرون به صرفه کند. رایان دکترای خود را دارد. مدرک مهندسی مکانیک از دانشگاه مک مستر * ، با تمرکز بر مکاترونیک و کنترل وسایل نقلیه الکتریکی (EV). وی همچنین با تمرکز بر هوش مصنوعی (AI) و تشخیص خطا و MBA در امور مالی از دانشکده بازرگانی DeGroote ، مدرک کارشناسی ارشد علمی کاربردی را از مک مستر دریافت کرد. رایان چندین سمت مهندسی در شرکتهای Fortune 500 در سطح جهان مانند سامسونگ آمریکا و فیات-کرایسلر اتومبیل (FCA) کانادا داشت. رایان چندین دوره در زمینه علوم ، فناوری ، مهندسی و ریاضیات را به بیش از 100000 دانشجو در سطح جهان آموزش داده است. وی بیش از 15 مقاله تحقیقاتی در زمینه مجلات و کنفرانس ها در زمینه تخمین وضعیت ، هوش مصنوعی ، یادگیری ماشین ، مدل سازی باتری و کنترل های EV دارد. وی دریافت کننده بهترین جایزه مقاله در کنفرانس برق و حمل و نقل IEEE حمل و نقل (iTEC 2012) در دیترویت ، میشیگان ، ایالات متحده آمریکا است.

SuperDataScience Team SuperDataScience Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم SuperDataScience Social هستیم. هنگام انتشار دوره های جدید SDS ، هنگامی که پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و سایر موارد را منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در SuperDataScience

Ligency Team Ligency Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم روابط عمومی و بازاریابی Ligence هستیم. هنگامی که دوره های جدید منتشر می شوند ، وقتی پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و غیره منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در معرض خطر