اصول علم داده: مفاهیم بنیادی (2025)
✅ سرفصل و جزئیات آموزش
علم داده مجموعهای از حوزهها است که در زمینههای هوش مصنوعی، یادگیری ماشین و هوشمندی تجاری فعالیت میکنند. این حوزه یکی از سریعترین روندهای رشد و پر پاداشترین مسیرهای شغلی است، که تحلیلگران و مهندسانی در سراسر جهان را مشغول کرده است. این دوره مقدمهای قابل دسترس و غیر فنی را درباره علم داده ارائه میدهد، و شامل واژگان، مهارتها، فرصتهای شغلی، ابزارها و تکنیکهای مرتبط است. همچنین ارتباط آن با انقلاب دادهها را بررسی میکند و پایهای برای توسعه مداوم در این حوزه فراهم میسازد.
در این دوره، مدرس برتون پولسون کامپوننت های تشکیلدهنده علم داده را مشخص میکند و نگاهی به نحوه رشد و توسعه این حوزه، به ویژه با ظهور هوش مصنوعی مولد (generative AI)، دارد.
اصول علم داده: مفاهیم بنیادی (2025)
-
خوشآمدگویی 0:00:47
-
عرضه و تقاضا برای علم داده 0:05:29
-
بازنگری نمودار ون در علم داده 0:05:55
-
سیر تکامل علم داده 0:05:21
-
چارچوب CRISP-DM 0:05:19
-
نقشها، تیمها و ابزارها در علم داده مدرن 0:04:25
-
نقش محوری سوالات در علم داده 0:04:53
-
هوش مصنوعی 0:10:56
-
یادگیری ماشین 0:08:06
-
یادگیری عمیق و شبکههای عصبی 0:08:22
-
ترانسفورماتورها و توجه به هوش مصنوعی مولد 0:04:58
-
کلان داده 0:05:36
-
تحلیلهای پیشبینانه 0:05:46
-
تحلیل تجویزی 0:08:58
-
سیر تکامل هوش تجاری 0:05:06
-
سوگیری (Bias) 0:05:36
-
امنیت و حریم خصوصی 0:07:06
-
مسائل حقوقی 0:03:18
-
Explainable AI 0:09:56
-
نمایندگی الگوریتم ها و تصمیم گیرندگان 0:06:58
-
آمادهسازی داده 0:05:26
-
برچسبگذاری دادهها برای یادگیری تحت نظارت 0:08:48
-
داده In-house 0:05:38
-
داده باز 0:04:15
-
APIs 0:02:39
-
اسکرپ کردن داده 0:04:45
-
دادههای مصنوعی و محیطهای شبیهسازی 0:07:12
-
مجموعه عظیمی از داده های آموزشی 0:03:57
-
فروشندگان داده 0:05:30
-
دادههای جدید از نظرسنجیها و آزمایشها 0:05:36
-
اخلاق داده 0:05:14
-
اپلیکیشن های مربوط به تحلیل داده 0:04:52
-
زبان های مربوط به علم داده 0:03:55
-
جایگزینهای برنامهنویسی: برنامهنویسی کم کد، بدون کد و AutoML 0:04:48
-
MLOps 0:04:51
-
یادگیری ماشین و هوش مصنوعی به عنوان یک سرویس 0:05:00
-
نمونه گیری و احتمالات 0:05:27
-
جبر 0:07:25
-
حساب دیفرانسیل و انتگرال (حسابان) 0:05:03
-
بهینه سازی و انفجار ترکیبی 0:06:10
-
قضیه بیز 0:04:25
-
یادگیری تحت نظارت، بدون نظارت و تقویتی 0:03:38
-
تحلیل توصیفی 0:06:38
-
تکنیکهای خوشهبندی 0:07:09
-
کاهش ابعاد 0:07:29
-
تشخیص ناهنجاری 0:07:19
-
تحلیل روند 0:12:21
-
تجمیع مدل ها 0:10:00
-
اعتبارسنجی مدل ها 0:05:46
-
شبکه های مولد متخاصم (GANs) 0:09:47
-
یادگیری تقویتی 0:06:02
-
اهمیت تفسیرپذیری در هوش مصنوعی 0:03:17
-
تکنیکهای ایجاد مدلهای قابل تفسیر 0:05:39
-
ارائه بینشهای کاربردی 0:02:53
-
گامهای بعدی 0:03:06
مشخصات آموزش
اصول علم داده: مفاهیم بنیادی (2025)
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:مقدماتی
- تعداد درس:55
- مدت زمان :5:24:51
- حجم :752.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy