با توجه به اینکه علوم داده‌ها و تجزیه و تحلیل داده‌ها روز به روز محبوب‌تر و تخصصی‌تر می‌شوند، تعداد و تنوع ابزارها و فن آوری‌های موجود، اغلب بسیار زیاد به نظر می‌رسند. در دوره ویدیویی Leveraging Online Resources for Python Analytics موسسه Pluralsight که توسط Janani Ravi تدریس شده است، شما توانایی پیدا کردن منابعی را پیدا خواهید کرد که به شما کمک می‌کنند تا مسئله خود را به درستی تنظیم و حل کنید.

در ابتدا، تعدادی از کتابخانه‌های مهم تصویر سازی، چارچوب‌های یادگیری ماشین، یادگیری عمیق و راهکار‌های مبتنی بر ابر را بررسی می‌کنید. در ادامه، مزایای استفاده از ابزاری مانند BigML را بررسی خواهید کرد که پلتفرمی برای ساخت مدل‌های ML است که بخش عمده ای از پیچیدگی‌های اساسی را حذف می‌کند. دموکراسی سازی ML، امروزه گرایش مهمی است و فناوری هایی مانند BigML در صدر این گرایش قرار دارند. برای مثال شما خواهید دید که چگونه BigML بدون عیب و نقص تصویر سازی‌های شناخته شده به عنوان partial dependency plots را یکپارچه می‌کند تا نتایج تعداد زیادی از پیش بینی‌های ML را به شکلی ارائه دهد که به راحتی قابل فهم باشند و بتوانید دقیقا بفهمید که مدل ML شما چه کاری انجام می‌دهد.

در آخر، شما با کار با Google Colab که یک روش مجانی تحت وب برای ساخت مدل‌ها است، دانش خود را کامل می‌کنید. مدل‌ها در notebook‌های Jupyter که در Google Drive موجود هستند و بر روی ماشین‌های مجازی در ابر اجرا می‌شوند، میزبانی می‌شوند. وقتی که این دوره را به پایان رساندید، شما مهارت‌ها و دانش لازم برای شناسایی سریع و موثر منابع و کتابخانه‌های ارزشمند آنلاین که به شما به عنوان یک متخصص علوم داده به شما کمک خواهند کرد را در اختیار خواهید داشت.

فیلم آموزشی «استفاده از منابع آنلاین برای تجزیه و تحلیل با پایتون» موسسه پلورال سایت که توسط Janani Ravi تدریس شده است، دارای فایل Transcript انگلیسی است.