دوره آموزشی هوش مصنوعی داده محور: بهترین روش ها، هوش مصنوعی مسئول، و موارد دیگر
2 ساعت 50 دقیقهمتوسط2024-01-25
مدرسین

Aishwarya Srinivasan
جزئیات دوره
یادگیری ماشینی معمولاً بر تولید مدلهای مؤثر برای یک مجموعه داده معین تمرکز میکند. در برنامه های کاربردی دنیای واقعی، داده ها نامرتب هستند و بهبود مدل ها تنها راه برای دستیابی به عملکرد بهتر نیست. هوش مصنوعی داده محور (DCAI) یک علم نوظهور است که تکنیک هایی را برای بهبود مجموعه داده ها مطالعه می کند، که اغلب بهترین راه برای بهبود عملکرد در برنامه های کاربردی ML است. در حالی که دانشمندان داده مدتهاست که این کار را به صورت دستی از طریق آزمون/خطا و شهود انجام میدهند، DCAI بهبود دادهها را به عنوان یک رشته مهندسی سیستماتیک در نظر میگیرد. در این دوره، آیشواریا سرینیواسان اصول داده محوری را پوشش می دهد که مسیر ما را در این عصر جدید هوش مصنوعی هدایت می کند، زیرا ما از رویکرد مدل محور به پارادایم داده محور تغییر می کنیم. در مورد DCAI بیاموزید - چیست و ارزشی که ارائه می دهد. آیشواریا گردش کار DCAI را پوشش می دهد. MLO به عنوان بخشی از DCAI. اعتبارسنجی داده ها و پیش پردازش؛ اعتبارسنجی مدل؛ تشخیص و کاهش تعصب؛ هوش مصنوعی مسئول؛ و بیشتر.
مهارت ها
Responsible AIMachine LearningArtificial Intelligence (AI)One-Off
سرفصل ها
0. مقدمه
- 01 - رویکردی متفاوت به هوش مصنوعی
- 02 - مروری بر اهداف و دستور کار دوره
1. هوش مصنوعی داده محور چیست؟
- 03 - مقدمه ای بر هوش مصنوعی داده محور
- 04 - درک نقش دادهها در هوش مصنوعی و یادگیری ماشینی
- 05 - کیفیت و قابلیت اطمینان دادهها در برنامههای کاربردی هوش مصنوعی
2. چرا هوش مصنوعی داده محور مهماست ?
- 06 - اهمیت هوش مصنوعی داده محور در سناریوهای دنیای واقعی
- 07 - مزایای اتخاذ رویکرد داده محور در پروژههای هوش مصنوعی
- 08 - مطالعات موردی که تأثیر هوش مصنوعی داده محور را برجسته میکند
3. گردش کار هوش مصنوعی داده محور
- 09 - گردش کار پایان به انتها هوش مصنوعی داده محور
- 10 - فرو رفتن عمیق در اجزای هوش مصنوعی داده محور
- 11 - ماهیت تکرار شونده گردش کار برای برنامههای کاربردی ML
4. MLOps - مقدمه و اهمیت
- 12 - هدف MLOps (عملیات یادگیری ماشین)
- 13 - چالشهای پیش روی استقرار و نگهداری مدلهای ML
5. ساخت MLO بهینه شده با هوش مصنوعی داده محور
- 14 - افزودن اصول هوش مصنوعی داده محور به گردش کار MLOps
- 15 - داده پرسونا در گردش کار MLOps
- 16 - بهینهسازی فرآیند MLOps - توسعه
- 17 - بهینهسازی فرآیند MLOps - تولیدی
6. هوش مصنوعی داده محور در عمل
- 18 - اعتبارسنجی داده ها , اعتبارسنجی آزمون قطار و اعتبارسنجی مدل
- 19 - بهترین شیوه ها
- 20 - نمونه کد - کاوش
7. توضیح پذیری و تفسیرپذیری
- 21 - اهمیت توضیح پذیری و تفسیرپذیری مدل
- 22 - تکنیکهای درک و تفسیر مدلهای ML
- 23 - نمونه کد - اعتبارسنجی مدل
8. تشخیص سوگیری و کاهش
- 24 - بحث در مورد چالشهای سوگیری در سیستمهای هوش مصنوعی
- 25 - تشخیص و کاهش تعصب در پروژههای هوش مصنوعی داده محور
- 26 - مثال کد - تشخیص و کاهش تعصب
9. Data Drift و Model Drift
- 27 - نظارت و نگهداری مدلهای ML در تولید
- 28 - درک دریفت داده و دریفت مدل
10. هوش مصنوعی مسئول
- 29 - مقدمه ای بر ملاحظات اخلاقی در هوش مصنوعی
- 30 - اصول توسعه و استقرار مسئولانه هوش مصنوعی
نتیجه
- 31 - سخنان پایانی و مراحل بعدی برای یادگیری بیشتر
دوره های مرتبط
- دوره آموزشی مبانی هوش مصنوعی مسئولانه
- دوره آموزشی مسئولیتپذیری در هوش مصنوعی: ساخت سیستمهای مسئولانه و شفاف
- دوره آموزشی عدالت دادهای: تضمین نمایندگی عادلانه در مجموعه دادههای هوش مصنوعی
- دوره آموزشی ضرورت عدالت در هوش مصنوعی: ساخت آیندهای فراگیرتر با کمک هوش مصنوعی
- دوره آموزشی ساخت هوش مصنوعی قابل اعتماد در دولت: نوآوری مسئولانه و تاثیرگذار
- دوره آموزشی مقدمهای بر اخلاق و ایمنی هوش مصنوعی
- دوره آموزشی هوش مصنوعی آزور برای توسعهدهندگان: ایمنی محتوا و هوش مصنوعی مسئولانه
- دوره آموزشی هوش مصنوعی اخلاقی برای استخدام و جذب استعدادها