آموزش Generative AI برای تحلیل و مهندسی داده با چتجیپیتی
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- تحلیل داده، فرآیند مطالعه یا تغییر یک مجموعه داده برای به دست آوردن بینشهایی از آن است.
- خبر بزرگ - معرفی ChatGPT-4o
- چگونه از ChatGPT-4o استفاده کنیم؟
- تکامل زمانی چتجیپیتی
- قابلیتهای ChatGPT-4o چیست؟
- اپلیکیشن چتجیپیتی
- ارتباط صوتی با ChatGPT-4o
- ترجمه فوری به بیش از 50 زبان
- آمادگی برای مصاحبه با ChatGPT-4o
- تفسیر ویژوال با ChatGPT-4o
- معرفی چتجیپیتی برای Generative AI
- دسترسی به مجموعه دادهها
- تسک اول - دانش میدانی
- ادامه با دانش میدانی
- بارگذاری مجموعه داده و درک متغیرها
- عمیق شدن در جزئیات متغیرها
- بیایید اولین تحلیل را انجام دهیم.
- بروزرسانی نام متغیرها
- بررسی مقادیر گمشده
- بررسی مقادیر منحصربهفرد
- بررسی آمار متغیرها
- تحلیل اکتشافی داده (EDA)
- متغیرهای دستهای (تحلیل با نمودار دایرهای)
- اهمیت تحلیل دو متغیره در علم داده
- متغیرهای عددی در مقابل متغیر هدف
- متغیرهای دستهای در مقابل متغیر هدف
- همبستگی بین متغیرهای عددی و دستهای و متغیر هدف
- بررسی متغیرهای عددی در بین خودشان
- متغیرهای عددی - متغیرهای دستهای
- متغیرهای عددی - متغیرهای دستهای با نمودار سوارم
- روابط بین متغیرها (تحلیل با نقشه حرارتی)
- آمادهسازی برای مدلسازی
- حذف ستونهای با همبستگی کم
- جنگ با داده پرت
- مصورسازی داده پرت
- مقابله با داده پرت
- تعیین توزیعها
- تعیین توزیعهای متغیرهای عددی
- اعمال روش انکودینگ One Hot به متغیرهای دستهای
- مقیاسبندی ویژگی با روش RobustScaler برای الگوریتمهای یادگیری ماشین
- الگوریتم رگرسیون لجستیک
- اعتبارسنجی متقابل
- منحنی ROC و مساحت زیر منحنی (AUC)
- منحنی ROC و مساحت زیر منحنی (AUC)
- تیونینگ هایپرپارامترها برای مدل رگرسیون لجستیک
- الگوریتم درخت تصمیمگیری
- الگوریتم ماشین بردار پشتیبان
- الگوریتم جنگل تصادفی
- Generative AI، هوش مصنوعی (AI) است که میتواند محتوای اصلی را در پاسخ به پرامپت یا درخواست یک کاربر ایجاد کند.
پیشنیازهای دوره
- یک کامپیوتر کارآمد (ویندوز، مک یا لینوکس)
- انگیزه برای یادگیری دومین تعداد بالای آگهیهای شغلی مرتبط با هوش مصنوعی نسبت به موارد دیگر
- تمایل به یادگیری Generative AI و چتجیپیتی
- کنجکاوی برای هوش مصنوعی و علم داده
- دانش ابتدایی پایتون
- هیچ چیز دیگر - فقط شما، کامپیوترتان و آرزوی شروع از همین امروز
توضیحات دوره
به دوره «Generative AI برای تحلیل و مهندسی داده با چتجیپیتی» خوش آمدید.
چتجیپیتی و هوش مصنوعی - دوره تسلط به تحلیل داده و یادگیری ماشین با ChatGPT-4o و تکنیکهای هوش مصنوعی نسل بعدی برای تحلیلگران داده
هوش مصنوعی (AI) در حال تغییر نحوه تعامل ما با فناوری است و تسلط به ابزارهای آن برای هر کسی که میخواهد در عصر دیجیتال جلو بیفتد ضروری شده است.
در دنیای داده محور امروزی، توانایی تحلیل داده، استخراج بینشهای معنادار و اعمال الگوریتمهای یادگیری ماشین بیشتر از همیشه حائز اهمیت است. این دوره به گونهای طراحی شده که شما را در هر مرحله از این سفر از اصول تحلیل اکتشافی داده (EDA) تا تسلط به الگوریتمهای پیشرفته یادگیری ماشین راهنمایی کند، در حالی که از قدرت ChatGPT-4o بهرهبرداری میکنید.
آنچه این دوره ارائه میدهد:
در این دوره، شما درک عمیقی از کل پایپلاین تحلیل داده و یادگیری ماشین به دست خواهید آورد. چه تازهکار باشید و چه بخواهید دانش موجود خود را گسترش دهید، رویکرد عملی ما به شما مهارتهای لازم برای مقابله با چالشهای واقعی داده را خواهد داد.
شما با اصول EDA شروع خواهید کرد، جایی که یاد خواهید گرفت که چگونه مجموعه دادهها را اکتشاف، مصورسازی و تفسیر کنید. با راهنمایی گامبهگام، به تکنیکهایی برای پاکسازی، تبدیل و تحلیل داده به منظور کشف روندها، الگوها و داده پرت مسلط خواهید شد. اینها مراحل کلیدی قبل از ورود به مدلسازی پیشبینانه هستند.
چرا ChatGPT-4o؟
این دوره به طور منحصربهفرد ChatGPT-4o، ابزار هوش مصنوعی نسل بعدی را برای کمک به شما در طول مسیر یادگیری در نظر میگیرد. ChatGPT-4o با اتوماسیون تسکها، کمک به تولید کد، پاسخگویی به کوئریها و ارائه پیشنهادات برای بهبود تحلیل و بهینهسازی مدلها، بهرهوری شما را افزایش میدهد. شما خواهید دید که چگونه این هوش مصنوعی پیشرفته گردشکارهای تحلیل داده را متحول کرده و سطوح جدیدی از کارایی و خلاقیت را باز میکند.
تسلط به یادگیری ماشین:
وقتی اصول EDA را درک کردید، دوره شما را از طریق الگوریتمهای پیشرفته یادگیری ماشین مانند رگرسیون لجستیک، درختهای تصمیمگیری، جنگل تصادفی و غیره راهنمایی میکند. شما نه تنها یاد خواهید گرفت که این الگوریتمها چگونه کار میکنند بلکه نحوه پیادهسازی و بهینهسازی آنها با استفاده از مجموعه دادههای واقعی را نیز خواهید آموخت. در پایان دوره، شما به طور کامل در انتخاب مدلهای مناسب، تیونینگ دقیق هایپرپارامترها و ارزیابی عملکرد مدل با اعتمادبهنفس تسلط خواهید داشت.
آنچه خواهید آموخت:
- تحلیل اکتشافی داده (EDA) - به تکنیکهای تحلیل و مصورسازی داده، شناسایی روندها و آمادهسازی داده برای مدلسازی تسلط خواهید یافت.
- الگوریتمهای یادگیری ماشین - پیادهسازی الگوریتمهایی مانند رگرسیون لجستیک، درختهای تصمیمگیری و جنگل تصادفی و درک زمان و نحوه استفاده از آنها را خواهید آموخت.
- یکپارچهسازی ChatGPT-4o - از قابلیتهای هوش مصنوعی ChatGPT-4o برای اتوماسیون گردشکارها، تولید کد و بهبود بینشهای داده استفاده خواهید کرد.
- کاربردهای واقعی - اعمال دانش کسب شده برای حل مشکلات پیچیده و اتخاذ تصمیمات داده محور در صنایعی مانند امور مالی، مراقبتهای بهداشت و فناوری
- تکنیکهای هوش مصنوعی نسل جدید - بررسی تکنیکهای پیشرفته که هوش مصنوعی را با یادگیری ماشین ترکیب میکنند تا مرزهای تحلیل داده را جابجا کنید.
چرا این دوره متمایز است؟
برخلاف دورههای سنتی علم داده، این دوره تئوری و عملی را ترکیب میکند. شما تنها یاد نخواهید گرفت که چگونه تحلیل داده انجام دهید یا مدلهای یادگیری ماشین بسازید، بلکه این مهارتها را در سناریوهای واقعی زیر نظر ChatGPT-4o به کار خواهید برد. پروژههای عملی اطمینان میدهند که در پایان دوره، میتوانید با اطمینان هر چالش داده را در حرفه خود بپذیرید.
آنچه در این دوره خواهید آموخت:
- خبر بزرگ - معرفی ChatGPT-4o
- چگونه از ChatGPT-4o استفاده کنیم؟
- تکامل زمانی ChatGPT
- قابلیتهای ChatGPT-4o چیست؟
- اپلیکیشن چتجیپیتی
- ارتباط صوتی با ChatGPT-4o
- ترجمه فوری به بیش از 50 زبان
- آمادگی برای مصاحبه با ChatGPT-4o
- تفسیر ویژوال با ChatGPT-4o
- معرفی چتجیپیتی برای Generative AI
- دسترسی به مجموعه دادهها
- تسک اول - دانش میدانی
- ادامه با دانش میدانی
- بارگذاری مجموعه داده و درک متغیرها
- عمیق شدن در جزئیات متغیرها
- بیایید اولین تحلیل را انجام دهیم.
- بروزرسانی نام متغیرها
- بررسی مقادیر گمشده
- بررسی مقادیر منحصربهفرد
- بررسی آمار متغیرها
- تحلیل اکتشافی داده (EDA)
- متغیرهای دستهای (تحلیل با نمودار دایرهای)
- اهمیت تحلیل دو متغیره در علم داده
- متغیرهای عددی در مقابل متغیر هدف
- متغیرهای دستهای در مقابل متغیر هدف
- همبستگی بین متغیرهای عددی و دستهای و متغیر هدف
- بررسی متغیرهای عددی در بین خودشان
- متغیرهای عددی - متغیرهای دستهای
- متغیرهای عددی - متغیرهای دستهای با نمودار سوارم
- روابط بین متغیرها (تحلیل با نقشه حرارتی)
- آمادهسازی برای مدلسازی
- حذف ستونهای با همبستگی کم
- جنگ با داده پرت
- مصورسازی داده پرت
- مقابله با داده پرت
- تعیین توزیعها
- تعیین توزیعهای متغیرهای عددی
- اعمال روش انکودینگ One Hot به متغیرهای دستهای
- مقیاسبندی ویژگی با روش RobustScaler برای الگوریتمهای یادگیری ماشین
- الگوریتم رگرسیون لجستیک
- اعتبارسنجی متقابل
- منحنی ROC و مساحت زیر منحنی (AUC)
- منحنی ROC و مساحت زیر منحنی (AUC)
- تیونینگ هایپرپارامترها برای مدل رگرسیون لجستیک
- الگوریتم درخت تصمیمگیری
- الگوریتم ماشین بردار پشتیبان
- الگوریتم جنگل تصادفی
مخاطبان دوره:
- مبتدیان که میخواهند یک معرفی ساختاریافته و جامع به تحلیل داده و یادگیری ماشین پیدا کنند.
- علاقهمندان به داده که به دنبال توسعه مهارتهای تحلیل و مدلسازی هوش مصنوعی محور هستند.
- حرفهایها که میخواهند ابزارهای هوش مصنوعی مانند ChatGPT-4o را به گردشکارهای داده خود یکپارچه کنند.
- کسی که به دنبال تسلط به هنر تحلیل داده، یادگیری ماشین و تکنیکهای نسل بعدی هوش مصنوعی است.
آنچه به دست خواهید آورد:
در پایان دوره، شما یک جعبه ابزار قوی خواهید داشت که به شما امکان موارد زیر را میدهد:
- داده خام را به بینشهای قابل اجرا با EDA تبدیل میکنید.
- مدلهای یادگیری ماشین را با اعتمادبهنفس میسازید، ارزیابی و دقیقا تیونینگ میکنید.
- از ChatGPT-4o برای تسهیل تحلیل داده، اتوماسیون تسکهای تکراری و تولید نتایج سریعتر استفاده میکنید.
- تکنیکهای پیشرفته هوش مصنوعی را برای حل مشکلات در سطح صنعت و اتخاذ تصمیمات داده محور بهکار میبرید.
این دوره دروازه تسلط شما به تحلیل داده، یادگیری ماشین و هوش مصنوعی است و به گونهای طراحی شده که هر دو دانش نظری و مهارتهای عملی لازم برای موفقیت در دنیای داده محور امروزی را در اختیار شما قرار دهد.
ما را در این سفر کامل همراهی کنید و پتانسیل کامل داده را با ChatGPT-4o و الگوریتمهای پیشرفته یادگیری ماشین باز کنید. بیایید شروع به کار کنیم!
این دوره برای چه کسانی مناسب است؟
- کسی که میخواهد یادگیری هوش مصنوعی و چتجیپیتی را آغاز کند.
- کسی که به یک راهنمای کامل برای شروع و ادامه حرفه خود با هوش مصنوعی و مهندسی پرامپت نیاز دارد
- کسانی که میخواهند یاد بگیرند چگونه مهندسی پرامپت را توسعه دهند.
- تحلیلگران داده که میخواهند ابزارهای generative AI را به کار ببرند تا تسکهای تکراری را خودکار کنند، گردشکارها را سادهسازی کرده و بینشها را تولید کنند.
- مهندسان داده که میخواهند پایپلاینهای داده را بهینهسازی کرده و تسکهای مرتبط با داده را خودکار کنند.
- علاقهمندان به هوش مصنوعی و یادگیری ماشین که میخواهند درک عمیقتری از نحوه استفاده از مدلهای generative AI مانند چتجیپیتی در تسکهای واقعی داده به دست آورند.
- تحلیلگران کسبوکار که میخواهند بفهمند چگونه generative AI میتواند در تولید بینشهای کسبوکار از داده خام کمک کند.
- دانشجویان یا مبتدیان در علم داده که میخواهند با ابزارهای پیشرفته هوش مصنوعی آشنا شوند و آنها را در تحلیل داده اولیه، مهندسی داده یا اتوماسیون پروژه به کار ببرند.
آموزش Generative AI برای تحلیل و مهندسی داده با چتجیپیتی
-
خبر بزرگ - معرفی ChatGPT-4o 04:54
-
چگونه از ChatGPT-4o استفاده کنیم؟ 05:52
-
تکامل زمانی چتجیپیتی 05:20
-
قابلیتهای ChatGPT-4o چیست؟ 04:32
-
اپلیکیشن چتجیپیتی 03:18
-
ارتباط صوتی با ChatGPT-4o 04:50
-
ترجمه فوری به بیش از 50 زبان 03:03
-
آمادگی برای مصاحبه با ChatGPT-4o 18:06
-
تفسیر ویژوال با ChatGPT-4o - درس 1 04:19
-
تفسیر ویژوال با ChatGPT-4o - درس 2 04:56
-
معرفی چتجیپیتی برای Generative AI 04:21
-
دسترسی به مجموعه دادهها 01:35
-
تسک اول - دانش میدانی 11:12
-
ادامه با دانش میدانی 05:42
-
بارگذاری مجموعه داده و درک متغیرها 07:55
-
عمیق شدن در جزئیات متغیرها 05:35
-
بیایید اولین تحلیل را انجام دهیم 06:37
-
بروزرسانی نام متغیرها 06:19
-
بررسی مقادیر گمشده 06:07
-
بررسی مقادیر منحصر به فرد 14:12
-
بررسی آمار متغیرها - درس 1 15:15
-
بررسی آمار متغیرها - درس 2 13:11
-
بررسی آمار متغیرها - درس 3 09:19
-
تحلیل اکتشافی داده (EDA) 09:59
-
متغیرهای دستهای (تحلیل با نمودار دایرهای) - درس 1 10:40
-
متغیرهای دستهای (تحلیل با نمودار دایرهای) - درس 2 09:35
-
متغیرهای دستهای (تحلیل با نمودار دایرهای) - درس 3 06:52
-
متغیرهای دستهای (تحلیل با نمودار دایرهای) - درس 4 16:44
-
متغیرهای دستهای (تحلیل با نمودار دایرهای) - درس 5 11:19
-
اهمیت تحلیل دو متغیره در علم داده 07:16
-
متغیرهای عددی در مقابل متغیر هدف - درس 1 06:42
-
متغیرهای عددی در مقابل متغیر هدف - درس 2 09:56
-
متغیرهای عددی در مقابل متغیر هدف - درس 3 08:24
-
متغیرهای عددی در مقابل متغیر هدف - درس 4 03:36
-
متغیرهای دستهای در مقابل متغیر هدف - درس 1 03:37
-
متغیرهای دستهای در مقابل متغیر هدف - درس 2 05:31
-
متغیرهای دستهای در مقابل متغیر هدف - درس 3 05:21
-
متغیرهای دستهای در مقابل متغیر هدف - درس 4 04:45
-
متغیرهای دستهای در مقابل متغیر هدف - درس 5 05:51
-
همبستگی بین متغیرهای عددی و دستهای و متغیر هدف 11:42
-
همبستگی بین متغیرهای عددی و دستهای و متغیر هدف 07:56
-
بررسی متغیرهای عددی در بین خودشان - درس 1 06:11
-
بررسی متغیرهای عددی در بین خودشان - درس 2 06:55
-
متغیرهای عددی - متغیرهای دستهای - درس 1 18:12
-
متغیرهای عددی - متغیرهای دستهای - درس 2 06:01
-
متغیرهای عددی - متغیرهای دستهای - درس 3 05:21
-
متغیرهای عددی - متغیرهای دستهای - درس 4 05:17
-
متغیرهای عددی - متغیرهای دستهای - درس 5 05:47
-
متغیرهای عددی - متغیرهای دستهای با نمودار سوارم - درس 1 12:33
-
متغیرهای عددی - متغیرهای دستهای با نمودار سوارم - درس 2 07:19
-
متغیرهای عددی - متغیرهای دستهای با نمودار سوارم - درس 3 07:00
-
متغیرهای عددی - متغیرهای دستهای با نمودار سوارم - درس 4 04:35
-
متغیرهای عددی - متغیرهای دستهای با نمودار سوارم - درس 5 04:31
-
متغیرهای عددی - متغیرهای دستهای با نمودار سوارم - درس 6 08:48
-
روابط بین متغیرها (تحلیل با نقشه حرارتی) - درس 1 08:07
-
روابط بین متغیرها (تحلیل با نقشه حرارت) - درس 2 14:44
-
آمادهسازی برای مدلسازی 05:23
-
حذف ستونهای با همبستگی کم 05:26
-
جنگ با داده پرت 09:50
-
مصورسازی داده پرت - درس 1 06:30
-
مصورسازی داده پرت - درس 2 04:33
-
مصورسازی داده پرت - درس 3 03:51
-
مقابله با داده پرت - درس 1 09:24
-
مقابله با داده پرت - درس 2 13:50
-
مقابله با داده پرت - درس 3 06:02
-
مقابله با داده پرت - درس 4 06:38
-
مقابله با داده پرت - درس 5 10:03
-
تعیین توزیعها 11:24
-
تعیین توزیعهای متغیرهای عددی - درس 1 06:26
-
تعیین توزیعهای متغیرهای عددی - درس 2 04:05
-
تعیین توزیعهای متغیرهای عددی - درس 3 04:30
-
تعیین توزیعهای متغیرهای عددی - درس 4 08:20
-
تعیین توزیعهای متغیرهای عددی - درس 5 06:53
-
اعمال روش انکودینگ One Hot به متغیرهای دستهای - درس 1 05:19
-
اعمال روش انکودینگ One Hot به متغیرهای دستهای - درس 2 02:31
-
مقیاسبندی ویژگی با روش RobustScaler برای الگوریتمهای یادگیری ماشین 03:44
-
جداسازی داده به مجموعه آموزش و تست 04:00
-
الگوریتم رگرسیون لجستیک - درس 1 06:13
-
الگوریتم رگرسیون لجستیک - درس 2 11:15
-
اعتبارسنجی متقابل 08:44
-
منحنی ROC و مساحت زیر منحنی (AUC) - درس 1 06:56
-
منحنی ROC و مساحت زیر منحنی (AUC) - درس 2 05:48
-
بهینهسازی هایپرپارامترها (با GridSearchCV) 07:33
-
تیونینگ هایپرپارامترها برای مدل رگرسیون لجستیک 08:28
-
الگوریتم درخت تصمیمگیری - درس 1 05:50
-
الگوریتم درخت تصمیمگیری - درس 2 06:55
-
الگوریتم ماشین بردار پشتیبان - درس 1 05:34
-
الگوریتم ماشین بردار پشتیبان - درس 2 06:23
-
الگوریتم جنگل تصادفی - درس 1 06:09
-
الگوریتم جنگل تصادفی - درس 2 03:37
-
الگوریتم جنگل تصادفی - درس 3 05:03
-
الگوریتم جنگل تصادفی - درس 4 05:43
-
نتیجهگیری پروژه 10:35
-
پیشنهادات و جمعبندی 08:07
مشخصات آموزش
آموزش Generative AI برای تحلیل و مهندسی داده با چتجیپیتی
- تاریخ به روز رسانی: 1404/12/10
- سطح دوره:همه سطوح
- تعداد درس:94
- مدت زمان :12:07:50
- حجم :4.22GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy