آموزش ارائه و تحلیل نتایج علوم داده - آخرین آپدیت

دانلود Communicating Data Science Results

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: نکته مهم: تکلیف دوم این دوره به موضوع «تحلیل گراف در فضای ابری» می‌پردازد که در آن از Elastic MapReduce و زبان Pig برای تحلیل گراف روی یک مجموعه داده نسبتاً بزرگ (حدود ۶۰۰ گیگابایت) استفاده خواهید کرد. برای تکمیل این تکلیف، نیاز به استفاده از خدمات آمازون وب سرویسز (AWS) دارید. آمازون برای کمک به یادگیرندگان، تا سقف ۵۰ دلار اعتبار رایگان AWS ارائه داده است. جزئیات بیشتر در پیام خوش‌آمدگویی دوره و در خود تکلیف موجود است. لطفاً توجه داشته باشید که در صورت اتمام اعتبار، آمازون، دانشگاه واشینگتن و کورسرا هیچ مبلغی را بازپرداخت نخواهند کرد. در حالی که ما معتقدیم این تکلیف تجربه یادگیری فوق‌العاده‌ای است، درک می‌کنیم که برخی ممکن است نتوانند یا نخواهند از AWS استفاده کنند. لازم به ذکر است که برای کسانی که تکلیف مربوط به AWS را انجام ندهند، گواهینامه دوره صادر نخواهد شد. بنابراین، اگر تمایلی به استفاده از AWS ندارید، پیشنهاد می‌شود هزینه گواهینامه را پرداخت نکنید زیرا بدون انجام آن، دوره با موفقیت به پایان نمی‌رسد. صرفاً پیش‌بینی کردن کافی نیست! دانشمندان داده موفق کسانی هستند که بدانند چگونه نتایج خود را توضیح و تفسیر کنند و یافته‌ها را به‌طور دقیق به ذینفعان منتقل کنند تا تصمیمات تجاری بر اساس داده‌ها گرفته شود. «بصری‌سازی» (Visualization) حوزه‌ای در علوم کامپیوتر است که ارتباط مؤثر نتایج کمی را از طریق پیوند ادراک، شناخت و الگوریتم‌ها برای بهره‌برداری از پهنای باند عظیم قشر بینایی انسان مطالعه می‌کند. در این دوره، شما شناسایی، طراحی و استفاده از بصری‌سازی‌های مؤثر را خواهید آموخت. اینکه بتوانید پیش‌بینی کنید و دیگران را متقاعد به اقدام کنید، به معنای این نیست که حتماً باید این کار را انجام دهید. در این دوره، ملاحظات اخلاقی پیرامون داده‌های بزرگ (Big Data) و چگونگی تأثیر این ملاحظات بر سیاست‌ها و رویه‌ها را بررسی خواهید کرد. شما با محدودیت‌های بنیادی استفاده از فناوری برای حفاظت از حریم خصوصی و کدهای رفتاری نوظهور برای هدایت دانشمندان داده آشنا می‌شوید. همچنین اهمیت «تکرارپذیری» (Reproducibility) در علوم داده و نقش رایانش ابری در پشتیبانی از تحقیقات تکرارپذیر، حتی برای آزمایش‌هایی با مجموعه‌داده‌های عظیم یا زیرساخت‌های محاسباتی پیچیده را خواهید آموخت. اهداف یادگیری: پس از اتمام این دوره، شما قادر خواهید بود: ۱. بصری‌سازی‌ها را طراحی و نقد کنید. ۲. وضعیت فعلی حریم خصوصی، اخلاقیات و حاکمیت داده‌ها در حوزه Big Data و علوم داده را شرح دهید. ۳. از رایانش ابری برای تحلیل مجموعه‌داده‌های بزرگ به روشی تکرارپذیر استفاده کنید.

سرفصل ها و درس ها

بصری‌سازی Visualization

  • 01 مقدمه: چیستی و چرایی 01 Introduction: What and Why

  • 02 مقدمه: مثال‌های انگیزشی 02 Introduction: Motivating Examples

  • 03 انواع داده‌ها: تعاریف 03 Data Types: Definitions

  • 04 نگاشت انواع داده‌ها به ویژگی‌های بصری 04 Mapping Data Types to Visual Attributes

  • 05 تمرین انواع داده‌ها 05 Data Types Exercise

  • 06 تمرین‌های انواع داده‌ها و نگاشت‌های بصری 06 Data Types and Visual Mappings Exercises

  • 07 ابعاد داده‌ها 07 Data Dimensions

  • 08 کدگذاری بصری مؤثر 08 Effective Visual Encoding

  • 09 تمرین کدگذاری بصری مؤثر 09 Effective Visual Encoding Exercise

  • 10 معیارهای طراحی برای کدگذاری بصری 10 Design Criteria for Visual Encoding

  • 11 چشم یک دوربین نیست 11 The Eye is not a Camera

  • 12 پردازش پیش‌توجهی 12 Preattentive Processing

  • 13 تخمین بزرگی (Magnitude) 13 Estimating Magnitude

  • 14 ارزیابی بصری‌سازی‌ها 14 Evaluating Visualizations

حریم خصوصی و اخلاقیات Privacy and Ethics

  • انگیزه: مطالعه الکل بارو Motivation: Barrow Alcohol Study

  • مشکلات مطالعه بارو Barrow Study Problems

  • عینی کردن اخلاقیات: کدهای رفتاری Reifying Ethics: Codes of Conduct

  • کد رفتاری ASA: مسئولیت‌ها در قبال ذینفعان ASA Code of Conduct: Responsibilities to Stakeholders

  • سایر کدهای رفتاری Other Codes of Conduct

  • مثال‌هایی از قوانین مدون: HIPAA Examples of Codified Rules: HIPAA

  • تضمین‌های حریم خصوصی: اولین تلاش‌ها Privacy Guarantees: First Attempts

  • مثال‌هایی از نشت حریم خصوصی Examples of Privacy Leaks

  • رسمی کردن مسئله حریم خصوصی Formalizing the Privacy Problem

  • تعریف حریم خصوصی تفاضلی (Differential Privacy) Differential Privacy Defined

  • حساسیت جهانی Global Sensitivity

  • نویز لاپلاس Laplacian Noise

  • افزودن نویز لاپلاس و اثبات حریم خصوصی تفاضلی Adding Laplacian Noise and Proving Differential Privacy

  • نقاط ضعف حریم خصوصی تفاضلی Weaknesses of Differential Privacy

تکرارپذیری و رایانش ابری Reproducibility and Cloud Computing

  • تکرارپذیری و علوم داده Reproducibility and Data Science

  • استاندارد طلایی تکرارپذیری Reproducibility Gold Standard

  • داستان: دستگاه اقیانوسی Anecdote: The Ocean Appliance

  • کد + داده + محیط Code + Data + Environment

  • مقدمه‌ای بر رایانش ابری Cloud Computing Introduction

  • تاریخچه رایانش ابری Cloud Computing History

  • کد + داده + محیط + پلتفرم Code + Data + Environment + Platform

  • رایانش ابری برای تحقیقات تکرارپذیر Cloud Computing for Reproducible Research

  • مزایای مجازی‌سازی برای تکرارپذیری Advantages of Virtualization for Reproducibility

  • سناریوهای پیچیده مجازی‌سازی Complex Virtualization Scenarios

  • آزمایشگاه‌های مشترک Shared Laboratories

  • صرفه به مقیاس Economies of Scale

  • تأمین منابع برای اوج بار (Peak Load) Provisioning for Peak Load

  • انعطاف‌پذیری و کاهش قیمت‌ها Elasticity and Price Reductions

  • هزینه‌های سرور در مقابل هزینه‌های برق Server Costs vs. Power Costs

  • تکرارپذیری برای داده‌های بزرگ Reproducibility for Big Data

  • استدلال‌های مخالف و جمع‌بندی Counter-Arguments and Summary

نمایش نظرات

آموزش ارائه و تحلیل نتایج علوم داده
جزییات دوره
7h 55m
45
(آخرین آپدیت)
17,347
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده