ریسک و هوش مصنوعی (RAI) - دوره آمادگی GARP

Name: ریسک و هوش مصنوعی (RAI) - دوره آمادگی GARP
Price: 28292000 IRR
Availability: InStock
Author: AI Academy

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

درک مفاهیم اساسی هوش مصنوعی و یادگیری ماشین
تحلیل و ارزیابی ریسک‌های مرتبط با مدل‌های هوش مصنوعی
کاربرد چارچوب‌های حاکمیت و مدیریت ریسک
آمادگی موثر برای آزمون گواهینامه ریسک و هوش مصنوعی GARP

پیش‌نیازهای دوره

نیاز به تجربه قبلی در زمینه هوش مصنوعی یا مدیریت ریسک نیست.
درک اولیه از مفاهیم مالی یا ریسک نیاز است.
آشنایی با اصطلاحات کسب‌وکار یا فناوری در سرویس های مالی تجربه یادگیری را بهبود می‌بخشد اما الزامی نیست.

توضیحات دوره

آیا آماده‌اید تا شغل خود را در تقاطع امور مالی، مدیریت ریسک و هوش مصنوعی برای آینده تضمین کنید؟

این دوره همراه نهایی شما برای آمادگی در آزمون گواهینامه ریسک و هوش مصنوعی (RAI) GARP است، اولین گواهینامه جهانی که حرفه‌ای‌ها را به درک عمیق ریسک‌های هوش مصنوعی، حاکمیت و انتظارات نظارتی در صنعت سرویس‌های مالی مجهز می‌کند.

چه شما مدیر ریسک باشید که می‌خواهد همگام با فناوری‌های نوظهور باشد، چه دانشمند داده که حاکمیت مدل را ناوبری می‌کند، چه افسر انطباق که نگران استفاده از هوش مصنوعی مسئول است، یا دانشجویی که تازه وارد دنیای هوش مصنوعی شده، این دوره برای شما طراحی شده است.

با درس‌های مختصر، مطالعات موردی واقعی، سوالات تمرینی و راهنمایی‌های ویژه آزمون، موارد زیر را می‌آموزید:

آشنایی کامل با اصول هوش مصنوعی و یادگیری ماشین متناسب با امور مالی
کسب بینش‌های عملی در شناسایی، اندازه‌گیری و کاهش ریسک‌های مرتبط با هوش مصنوعی
چارچوب‌هایی برای هوش مصنوعی اخلاقی، اعتبارسنجی مدل و رعایت مقررات
برنامه مطالعه استراتژیک متناسب با سیلابس رسمی RAI از GARP

پیشینه فنی یا دانش هوش مصنوعی ندارید؟ نگران نباشید. این دوره مفاهیم پیچیده را به دانش واضح و کاربردی تبدیل می‌کند.

هم‌اکنون بپیوندید و گامی مطمئن به سوی تبدیل شدن به یک حرفه‌ای ریسک آماده آینده با گواهینامه ریسک و هوش مصنوعی GARP بردارید. این دوره توسط متخصصانی تدریس می‌شود که در حوزه هوش مصنوعی فعال هستند و هزاران دانشجو از بیش از 100 کشور دارند!

این دوره برای چه کسانی مناسب است؟

حرفه‌ای‌های امور مالی و ریسک که می‌خواهند درک دقیقی از تحول هوش مصنوعی در مدیریت ریسک داشته باشند و قصد کسب گواهینامه RAI از GARP را دارند.
افسران انطباق، حسابرسان و قانون‌گذارانی که به دنبال درک ساختاریافته از ریسک‌ها و چالش‌های حاکمیت سیستم‌های هوش مصنوعی محور در مؤسسات مالی هستند.
دانشجویان، تغییردهندگان شغل و حرفه‌ای‌های جوان که علاقه‌مند به ورود به تقاطع امور مالی، ریسک و فناوری‌های نوظهور هستند و دانش قبلی عمیق در هوش مصنوعی یا امور مالی نیاز ندارند.

ریسک و هوش مصنوعی (RAI) - دوره آمادگی GARP

فصل 1: خوش‌آمدگویی و بررسی

بررسی دوره 05:41

فصل 2: ماژول 1

هوش مصنوعی کلاسیک 08:05
هوش مصنوعی تخصصی در مقابل عمومی 02:26
هوش مصنوعی قدیمی (GOFAI) 07:13
یادگیری تقویتی ساده 04:15
پیش‌بینی 05:06
جستجو در هوش مصنوعی 05:47
بازگشت 03:38
جستجوی درختی متخاصم بازگشتی در هوش مصنوعی 04:54
پیچیدگی، روش‌های اکتشافی و یادگیری تقویتی 04:44
محدودیت‌های هوش مصنوعی کلاسیک 04:36
معرفی شبکه‌های عصبی 03:26
نورون مصنوعی 04:19
اتصال‌گرایی و چالش‌های اولیه آن 05:28
یادگیری عمیق 03:07
یادگیری عمیق بهتر از هوش مصنوعی نمادین عمل می‌کند 04:15
غیرقابل فهم بودن یادگیری عمیق 04:23
ظهور هوش مصنوعی عمومی (AGI) 03:50
یادگیری ماشین و ریسک‌ها 03:25
مثال‌هایی از یادگیری بدون نظارت - تحلیل مؤلفه‌های اصلی (PCA) 06:09
ریسک‌های غیرقابل فهم بودن 03:53
ریسک‌های اتکای بیش از حد 04:35
ریسک‌ها برای ما 05:41
آزمون ماژول 1 None

فصل 3: ماژول 2 - فصل 1 - آشنایی با ابزارها

مقدمه 08:22
انواع یادگیری ماشین 05:46
تحلیل اکتشافی داده 09:33
پاکسازی داده 06:40
مصورسازی داده 08:59
استخراج ویژگی 04:18
مقیاس‌بندی داده 06:59
تبدیل داده 05:12
تکنیک‌های کاهش ابعاد 11:26
آموزش، اعتبارسنجی و تست 09:00
نرم‌افزارهای یادگیری ماشین 03:57
آزمون ماژول 2 - فصل 1 None

فصل 4: ماژول 2 - فصل 2 - یادگیری نظارت نشده

مقدمه 05:07
الگوریتم K-Means 07:20
مدیریت عملکرد 05:11
انتخاب مرکزوار 05:49
انتخاب مرکزوار - مثال 01:38
مزایا و مشکلات K-Means 05:46
K-Means فازی 07:19
خوشه‌بندی سلسله‌مراتبی 07:15
خوشه‌بندی مبتنی بر چگالی 04:40
آزمون ماژول 2 - فصل 2 None

فصل 5: ماژول 2 - فصل 3 - رگرسیون خطی ساده

مقدمه - رگرسیون خطی ساده 04:50
رگرسیون چندخطی 04:21
مثال نرخ دستمزد 05:05
مشکلات احتمالی در رگرسیون 07:21
رویه رگرسیون Stepwise 06:18
مسئله دسته‌بندی 06:44
انواع دیگر مدل‌ها با متغیر وابسته محدود 04:38
تحلیل تفکیک خطی 06:48
آزمون ماژول 2 - فصل 3 None

فصل 6: ماژول 2 - فصل 4 - یادگیری نظارت‌ شده - بخش 2

مقدمه 05:08
درختان رگرسیون 04:39
درختان دسته‌بندی 09:39
هرس کردن 03:55
متدهای گروهی 04:38
نزدیکترین همسایه K 04:54
ماشین‌های بردار پشتیبان (SVM) 05:14
مثال و توسعه ماشین بردار پشتیبان (SVM) 10:09
شبکه‌های عصبی 06:46
انتخاب تابع فعال‌سازی 06:38
مثال عددی 08:02
پس‌ انتشار 04:48
مسائل معماری 03:58
بیش‌برازش 02:24
ساختارهای پیشرفته شبکه عصبی 07:16
خودرمزگذارها 12:30
آزمون ماژول 2 - فصل 4 None

فصل 7: ماژول 2 - فصل 5 - یادگیری نیمه‌ نظارت‌ شده

مقدمه 07:11
تکنیک‌ها 02:18
خود‌آموزی 09:59
آموزش مشترک 08:27
پیش‌پردازش نظارت نشده 03:14
آزمون ماژول 2 فصل 5 None

فصل 8: ماژول 2 فصل 6 - یادگیری تقویتی

آشنایی با یادگیری تقویتی 04:54
مسئله راهزن چندمسلح 06:08
استراتژی‌ها در یادگیری تقویتی 05:01
فرآیند تصمیم‌گیری مارکوف 07:09
رویکردها به یادگیری تقویتی 03:29
معادلات بلمن 03:30
آزمون ماژول 2 فصل 6 None

فصل 9: ماژول 2 - فصل 7 - یادگیری نظارت‌ شده - برآورد مدل

حداقل مربعات معمولی 08:35
مربعات غیرخطی 05:38
الگوریتم تپه‌نوردی 03:42
متد گرادیان کاهشی 09:13
پس‌ انتشار 07:07
مسائل محاسباتی 05:25
درست‌نمایی بیشینه 06:06
بیش‌برازش 05:16
کم‌برازش 04:50
مبادله بایاس و واریانس 06:56
دقت پیش‌بینی در مقابل تفسیرپذیری 04:23
منظم‌سازی - رگرسیون ریج 05:43
لسو 04:24
شبکه الاستیک 02:30
مثال منظم‌سازی 04:10
اعتبارسنجی متقابل 07:15
اعتبارسنجی متقابل طبقه‌بندی شده 04:42
بوت‌استرپ کردن 04:50
جستجوهای گرید 04:44

فصل 10: ماژول 2 فصل 8 - یادگیری نظارت‌ شده - ارزیابی عملکرد مدل

مقدمه - ارزیابی مدل 14:05
ارزیابی عملکرد مدل - متغیر پیوسته 06:32
پیش‌بینی مدل دسته‌بندی 12:15
ارزیابی عملکرد مدل - دسته‌بندی 04:45
آزمون ماژول 2 فصل 8 None

فصل 11: ماژول 2 فصل 9 - پردازش زبان طبیعی (NLP)

مقدمه 03:31
پیش‌پردازش داده 10:16
مدل‌های پردازش زبان طبیعی (NLP) 05:35
نرمال‌سازی بردار 03:03
رویکردهای مقایسه دیکشنری 06:35
N Grams 02:16
TF-IDF 05:39
رویکردهای یادگیری ماشین 01:29
بیز ساده 07:40
معنای کلمه 02:25
ارزیابی NLP 03:41
آزمون ماژول 2 - فصل 9 None

فصل 12: ماژول 2 - فصل 10 - Generative AI

مقدمه - GenAI 14:28
مقدمه - تعبیه کلمات، Word2Vec و RNNs 01:26
Word2Vec 09:57
RNNs 00:09
ترنسفرمرها و LLMs 05:57
LLMs 06:11
LLMs زودهنگام 03:48
LLMs مبتنی بر ابر 07:35
تکامل GenAI 08:36
آزمون ماژول 2 - فصل 10 None

فصل 13: ماژول 3 - ریسک و عوامل ریسک

مقدمه 09:42
سوگیری و انصاف 08:16
انصاف گروهی 02:56
انصاف فردی 06:34
تساوی جمعیتی 06:34
ماتریس درهم‌ریختگی 05:10
تساوی نرخ پیش‌بینانه 09:08
عدم امکان‌پذیری و مبادله‌ها 04:32
فرصت‌های برابر 07:26
منابع ناعدالتی 21:37
جمع‌آوری و کامپوزیشن داده 13:48
توسعه مدل 08:58
توسعه مدل 05:47
توضیح‌پذیری، تفسیرپذیری و شفافیت 03:19
مسئله جعبه سیاه 04:08
عدم شفافیت 07:34
هوش مصنوعی توضیح‌پذیر (XAI) 06:58
استقلال و دستکاری 08:54
ایمنی و تندرستی 08:46
ریسک‌های اعتباری 17:16
ریسک‌های وجودی 08:21
چالش‌ها و ریسک‌های جهانی 07:47
کمپین‌های اطلاعات نادرست 09:41
آزمون ماژول 3 None

فصل 14: ماژول 4

مقدمه - هوش مصنوعی مسئول و اخلاقی 03:56
اخلاق عملی 07:58
چارچوب‌های اخلاقی 07:08
وظیفه‌گرایی 04:01
اخلاق فضیلت‌ محور 06:35
آنچه اخلاق هوش مصنوعی می‌تواند از اخلاق پزشکی بیاموزد 06:43
اصول اخلاق هوش مصنوعی 29:52
سوگیری و تبعیض 12:38
انصاف در سیستم‌های هوش مصنوعی 11:28
حریم خصوصی و امنیت سایبری 12:20
چالش‌های حاکمیت 08:33
چالش جهانی - بخش 2 - فقدان ساختارهای اخلاق هوش مصنوعی، کمبود مقررات 05:01
چالش جهانی - بخش 3 - مسائل پیش‌بینی‌ناپذیری، فقدان توانایی دنبال کردن حقیقت و حریم خصوصی 08:15
آزمون ماژول 4 None