تخفیف ویژه همین الان — دوره‌های تخفیف‌دار را ببینید.
روز
:
ساعت
:
دقیقه
:
ثانیه
تخفیف‌های ویژه
دوره آموزشی برنامه‌ریزی داده، استراتژی و رعایت قوانین برای پروژه‌های هوش مصنوعی

دوره آموزشی برنامه‌ریزی داده، استراتژی و رعایت قوانین برای پروژه‌های هوش مصنوعی

2 ساعت 54 دقیقهمتوسط2025-05-15

مدرسین

Dan Sullivan

Dan Sullivan

Enterprise Architect, Big Data Expert

جزئیات دوره

در این دوره با راهنمایی‌های متخصص معماری ابری، نویسنده و کارشناس گوگل کلود، دن سالیوان، به دنیای استراتژی‌های هوش مصنوعی (AI) ورود پیدا می‌کنید که به شکل موثری اهداف سازمانی را پیش می‌برند. یاد می‌گیرید چطور فناوری‌های هوش مصنوعی را با اهداف کسب‌وکار خود هم‌راستا کنید تا بیشترین بهره را ببرید.

در این مسیر، بهترین شیوه‌ها را برای گردآوری داده‌ها، اطمینان از کیفیت داده‌ها و حفظ حریم خصوصی می‌آموزید. با انواع داده‌ها مانند داده‌های ساختاریافته، نیمه‌ساختاریافته و بدون ساختار آشنا می‌شوید و مفاهیمی مثل پردازش دسته‌ای و جریان داده، حاکمیت داده، ردگیری سوابق و چارچوب‌های اخلاقی در پروژه‌های هوش مصنوعی را کشف می‌کنید.

علاوه بر این، دانش خود را در زمینه‌های کلیدی مثل ادغام داده‌ها، انطباق با قوانین و مهندسی ویژگی‌ها افزایش می‌دهید. این دوره شما را مجهز می‌کند تا چالش‌های واقعی داده را تحلیل کنید و زیرساخت هوش مصنوعی سازمان خود را بهینه‌سازی نمایید.

چه مسئول تحول فرایندهای کسب‌وکار باشید و چه بخواهید قابلیت‌های هوش مصنوعی سازمان را ارتقا دهید، این دوره ابزارهایی در اختیارتان می‌گذارد که در مسیر پیچیده داده‌ها و ایجاد راهکارهای هوش مصنوعی مقیاس‌پذیر و قابل اعتماد به شما کمک کنند.

اهداف یادگیری
برنامه‌ریزی و اجرای عملیات جمع‌آوری داده و ارزیابی کیفیت داده‌ها برای پروژه‌های هوش مصنوعی.
برنامه‌ریزی و اجرای عملیات آماده‌سازی داده برای پروژه‌های هوش مصنوعی.
شناخت اجزای زیرساخت پردازش هوش مصنوعی و راه‌های مختلف بهینه‌سازی آن.
آشنایی با ارزیابی ملاحظات امنیتی و اعمال کنترل‌های امنیتی برای حفاظت از محرمانگی، تمامیت و دسترسی داده‌ها و مدل‌های هوش مصنوعی.

مهارت ها

Cloud StorageAI for Business FoundationsBusiness IntelligenceBusiness StrategyArtificial Intelligence FoundationsArtificial Intelligence for BusinessData AnalysisArtificial Intelligence (AI)Cloud ComputingData ScienceBusiness Analysis and StrategyLeadership and ManagementBusiness Software and ToolsOne-Off

سرفصل ها

۰. مقدمه

  • 01 - به این دوره خوش آمدید
  • 02 - نکاتی که باید بدانید

۱. اصول جمع‌آوری داده‌ها

  • 03 - شناسایی منابع داده
  • 04 - جمع‌آوری داده‌های ساختاریافته، نیمه‌ساختاریافته و بدون ساختار
  • 05 - تکنیک‌های نمونه‌گیری داده‌ها و ملاحظات آماری
  • 06 - گردش‌های کاری برای جمع‌آوری خودکار داده‌ها
  • 07 - چالش - شناسایی معیارهای مربوط به جمع‌آوری داده‌ها
  • 08 - راهکار - شناسایی معیارهای مرتبط با جمع‌آوری داده‌ها

۲. چارچوب‌های کیفیت داده

  • 09 - معیارهای کیفیت داده
  • 10 - روش‌های اعتبارسنجی و تأیید داده‌ها
  • 11 - روش‌های تشخیص و اصلاح خطا
  • 12 - چالش - ارزیابی کیفیت داده‌ها
  • 13 - راهکار - ارزیابی کیفیت داده‌ها

۳. آماده‌سازی داده‌ها

  • 14 - نرمال‌سازی و استانداردسازی داده‌ها
  • 15 - مدیریت داده‌های گمشده و داده‌های پرت
  • 16- تکنیک‌های داده‌افزایی
  • 17- مهندسی ویژگی و انتخاب
  • 18 - چالش - ویژگی‌های مهندسی
  • 19 - راهکار - ویژگی‌های مهندسی

۴. سیستم‌های ذخیره‌سازی هوش مصنوعی

  • 20 - انواع سیستم‌های ذخیره‌سازی - ذخیره‌سازی شیءگرا
  • 21 - انواع سیستم‌های ذخیره‌سازی - ذخیره‌سازی بلوکی و فایلی
  • 22- انواع سیستم‌های ذخیره‌سازی - پایگاه‌های داده
  • 23 - چالش - انتخاب سیستم ذخیره‌سازی
  • 24 - راهکار - انتخاب سیستم ذخیره‌سازی

۵. زیرساخت پردازش هوش مصنوعی

  • 25- سیستم‌های پردازش دسته‌ای
  • 26- سیستم‌های پردازش جریانی
  • 27 - مقیاس‌بندی پردازش هوش مصنوعی
  • 28- چالش - انتخاب یک چارچوب
  • 29 - راه حل - انتخاب یک چارچوب

۶. بهینه‌سازی گردش‌های کاری فرآیند هوش مصنوعی

  • 30 - مدیریت فراداده
  • 31 - فروشگاه‌های ویژه
  • 32 - ذخیره‌سازی
  • 33 - چالش - قابلیت‌های فروشگاه ویژگی
  • 34 - راهکار - قابلیت‌های فروشگاه ویژگی‌ها

۷. پردازش داده‌های بلادرنگ برای کاربردهای هوش مصنوعی

  • 35- معماری‌های رویداد محور
  • 36 - الگوهای یکپارچه‌سازی داده‌های بلادرنگ
  • 37- سیستم‌های نظارت و هشدار
  • 38 - چالش - الگوهای معماری
  • 39 - راهکار - الگوهای معماری

۸. مدیریت امن داده‌ها برای پیاده‌سازی هوش مصنوعی

  • 40 - رعایت امنیت و مقررات
  • 41 - روش‌های هوش مصنوعی با حفظ حریم خصوصی
  • 42- چارچوب‌های مدیریت داده‌ها
  • 43 - مسیرهای حسابرسی و ثبت وقایع
  • 44- چالش - روش‌های حفظ حریم خصوصی
  • 45- راهکار - روش‌های حفظ حریم خصوصی

۹. ملاحظات اخلاقی

  • 46 - اخلاق هوش مصنوعی و استفاده مسئولانه از داده‌ها
  • 47 - شفافیت و قابلیت توضیح
  • 48- دستورالعمل‌ها و استانداردهای اخلاقی
  • 49- چالش - اصول اخلاقی
  • 50- راه حل - اصول اخلاقی

نتیجه‌گیری

  • 51 - مراحل بعدی

دوره های مرتبط

مسیرهای مرتبط

درباره ما

لینداکده یک بستر یادگیری پیشرو است که به افراد کمک می کند تا کسب و کار ، نرم افزار ، فناوری و مهارت‌های خلاقانه را برای دستیابی به اهداف شخصی و حرفه ای بیاموزد.

شماره تلفنکانال آپاراتپشتیبانی تلگرامکانال تلگرامپیج اینستاگرام

کلیه‌ی حقوق این سایت متعلق به لینداکده می باشد

قوانین و شرایط|حریم خصوصی

نماد الکترونیک enamad در صورت اتصال با آی‌پی داخل کشور، نمایش داده خواهد شد.
logo-samandehi - لوگو ساماندهی
zarinpal
zibal