# علم داده در فضای ابری  > عکس از [Jelleke Vanooteghem](https://unsplash.com/@ilumire) در [Unsplash](https://unsplash.com/s/photos/cloud?orientation=landscape) وقتی صحبت از انجام علم داده با داده‌های بزرگ می‌شود، فضای ابری می‌تواند یک تغییر اساسی ایجاد کند. در سه درس بعدی، بررسی خواهیم کرد که فضای ابری چیست و چرا می‌تواند بسیار مفید باشد. همچنین یک مجموعه داده مربوط به نارسایی قلبی را بررسی کرده و مدلی برای ارزیابی احتمال نارسایی قلبی در افراد ایجاد خواهیم کرد. از قدرت فضای ابری برای آموزش، استقرار و استفاده از مدل به دو روش مختلف استفاده خواهیم کرد. یک روش با استفاده از رابط کاربری به صورت "کد کم/بدون کد"، و روش دیگر با استفاده از کیت توسعه نرم‌افزار Azure Machine Learning (Azure ML SDK).  ### موضوعات 1. [چرا از فضای ابری برای علم داده استفاده کنیم؟](17-Introduction/README.md) 2. [علم داده در فضای ابری: روش "کد کم/بدون کد"](18-Low-Code/README.md) 3. [علم داده در فضای ابری: روش "Azure ML SDK"](19-Azure/README.md) ### اعتبارها این درس‌ها با ☁️ و 💕 توسط [Maud Levy](https://twitter.com/maudstweets) و [Tiffany Souterre](https://twitter.com/TiffanySouterre) نوشته شده‌اند. داده‌های پروژه پیش‌بینی نارسایی قلبی از [ Larxel](https://www.kaggle.com/andrewmvd) در [Kaggle](https://www.kaggle.com/andrewmvd/heart-failure-clinical-data) گرفته شده است. این داده‌ها تحت مجوز [Attribution 4.0 International (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/) منتشر شده‌اند. **سلب مسئولیت**: این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما تلاش می‌کنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌ها باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، توصیه می‌شود از ترجمه انسانی حرفه‌ای استفاده کنید. ما مسئولیتی در قبال سوء تفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.