دوره آموزشی مبانی علم داده: اصول اولیه
5 ساعت 25 دقیقهمبتدی2025-04-03
مدرسین

Barton Poulson
Professor, Designer, Data Analytics Expert
جزئیات دوره
علم داده یکی از زمینههایی است که در آن به هوش مصنوعی (AI)، یادگیری ماشین (ML) و هوش تجاری (BI) پرداخته میشود. این حوزه یکی از سریعترین و پررونقترین مشاغل است که تحلیلگران و مهندسین را در سرتاسر دنیا به خود جذب کرده. این دوره یک معرفی ساده و غیر فنی به دنیای علم داده است و شامل مفاهیم، مهارتها، شغلها، ابزارها و تکنیکهای مرتبط با علم داده است. همچنین به شما کمک میکند که علم داده را به انقلاب دادهها متصل کنید و پایهای برای توسعه ادامهدار خود در این زمینه فراهم کنید.
در این دوره، بارتون پولسون مدرس دوره، اجزای علم داده را معرفی کرده و توضیح میدهد که علم داده چگونه رشد کرده و تکامل یافته است، بهویژه با ظهور هوش مصنوعی مولد (Generative AI).
🎯 اهداف یادگیری:
ارزیابی تعامل بین شاخههای مختلف علم داده (هوش مصنوعی، یادگیری ماشین، یادگیری عمیق) از طریق تحلیل ویژگیها، کاربردها و روابط آنها برای حل مشکلات پیچیده داده.
اجرای اصول اخلاقی و الزامات قانونی در پروژههای علم داده با استفاده از حفاظتهای مناسب حریم خصوصی، استراتژیهای کاهش تعصب و اقدامات شفافیت.
طراحی استراتژیهای موثر برای جمعآوری و آمادهسازی دادهها با انتخاب و استفاده از منابع، ابزارها و تکنیکهای مناسب و در نظر گرفتن عواملی مانند کیفیت دادهها، دسترسی و ملاحظات اخلاقی.
تحلیل مجموعههای داده پیچیده با استفاده از الگوهای یادگیری مختلف (نظارتشده، بدون نظارت، تقویتی) و اصول ریاضی برای استخراج الگوها و بینشهای معنادار.
ایجاد راهحلهای قابل تفسیر و عملی در علم داده با ادغام ابزارها، تکنیکها و فناوریهای نوظهور (مانند مدلهای پایهای و محاسبات کوانتومی) برای حل چالشهای واقعی.
در این دوره، بارتون پولسون مدرس دوره، اجزای علم داده را معرفی کرده و توضیح میدهد که علم داده چگونه رشد کرده و تکامل یافته است، بهویژه با ظهور هوش مصنوعی مولد (Generative AI).
🎯 اهداف یادگیری:
ارزیابی تعامل بین شاخههای مختلف علم داده (هوش مصنوعی، یادگیری ماشین، یادگیری عمیق) از طریق تحلیل ویژگیها، کاربردها و روابط آنها برای حل مشکلات پیچیده داده.
اجرای اصول اخلاقی و الزامات قانونی در پروژههای علم داده با استفاده از حفاظتهای مناسب حریم خصوصی، استراتژیهای کاهش تعصب و اقدامات شفافیت.
طراحی استراتژیهای موثر برای جمعآوری و آمادهسازی دادهها با انتخاب و استفاده از منابع، ابزارها و تکنیکهای مناسب و در نظر گرفتن عواملی مانند کیفیت دادهها، دسترسی و ملاحظات اخلاقی.
تحلیل مجموعههای داده پیچیده با استفاده از الگوهای یادگیری مختلف (نظارتشده، بدون نظارت، تقویتی) و اصول ریاضی برای استخراج الگوها و بینشهای معنادار.
ایجاد راهحلهای قابل تفسیر و عملی در علم داده با ادغام ابزارها، تکنیکها و فناوریهای نوظهور (مانند مدلهای پایهای و محاسبات کوانتومی) برای حل چالشهای واقعی.
مهارت ها
Data Science FoundationsData AnalysisFoundationsData ScienceBusiness Analysis and StrategyBusiness Software and Tools
سرفصل ها
۰. مقدمه
- 01 - خوش آمدید
۱. علم داده چیست؟
- 02 - عرضه و تقاضا برای علم داده
- 03 - نمودار ون علوم داده بازنگری شد
- 04 - تکامل علم داده
- 05 - چارچوب CRISP-DM
- 06 - نقشها، تیمها و ابزارها در علم داده مدرن
- 07 - نقش محوری سؤالات در علم داده
۲. جایگاه علم داده در جهان دادهها
- 08 - هوش مصنوعی
- 09 - یادگیری ماشین
- 10- یادگیری عمیق و شبکههای عصبی
- 11 - ترانسفورماتورها و توجه به هوش مصنوعی مولد
- 12 - کلان داده
- 13 - تحلیلهای پیشبینیکننده
- 14 - تحلیل تجویزی
- 15 - تکامل هوش تجاری
۳. اخلاق، حریم خصوصی و مقررات
- 16 - تعصب
- 17 - امنیت و حریم خصوصی
- 18 - حقوقی
- 19 - هوش مصنوعی قابل توضیح
- 20 - آژانس الگوریتمها و تصمیمگیرندگان
۴. منابع دادهها و بینشها
- 21 - آمادهسازی دادهها
- 22 - برچسبگذاری دادهها برای یادگیری نظارتشده
- 23 - دادههای داخلی
- 24 - دادههای باز
- 25 - رابطهای برنامهنویسی کاربردی (API)
- 26 - استخراج دادهها
- 27 - دادههای مصنوعی و محیطهای شبیهسازی
- 28 - جمعآوری غیرفعال دادههای آموزشی
- 29 - فروشندگان داده
- 30 - دادههای جدید از بررسیها و آزمایشها
- 31- اخلاق دادهها
۵. ابزارها و تکنیکهای علم داده
- 32- کاربردهای تحلیل دادهها
- 33- زبانهای مورد استفاده در علم داده
- 34- جایگزینهای برنامهنویسی - برنامهنویسی کم کد، بدون کد و AutoML
- 35- امالاُپس
- 36 - یادگیری ماشین و هوش مصنوعی به عنوان یک سرویس
۶. مبانی ریاضی برای علم داده
- 37- نمونهگیری و احتمال
- 38- جبر
- 39- حساب دیفرانسیل و انتگرال
- 40- بهینهسازی و انفجار ترکیبی
- 41 - قضیه بیز
۷. الگوهای یادگیری
- 42 - یادگیری نظارتشده، بدون نظارت و تقویتی
- 43 - تحلیل توصیفی
- 44- تکنیکهای خوشهبندی
- 45 - کاهش ابعاد
- 46 - تشخیص ناهنجاری
- 47- تحلیل روند
- 48 - مدلهای تجمیعی
- 49 - اعتبارسنجی مدلها
۸. الگوریتمهایی که خلق میکنند
- 50 - شبکههای مولد تخاصمی (GAN)
- 51 - یادگیری تقویتی
۹. اقدام بر اساس علم داده
- 52- اهمیت تفسیرپذیری در هوش مصنوعی
- 53- تکنیکهایی برای ایجاد مدلهای قابل تفسیر
- 54 - ارائه بینشهای کاربردی
نتیجهگیری
- 55 - مراحل بعدی
دوره های مرتبط
- دوره آموزشی یادگیری جامع پایتون برای علم داده و یادگیری ماشین بخش اول
- دوره آموزشی تسلط بر داده ها: کاوش و توصیف داده ها
- دوره آموزشی کلانداده در عصر هوش مصنوعی
- دوره آموزشی مبانی علوم تصمیمگیری
- دوره آموزشی آیا نتیجه داد؟ ارزیابی برنامه در علم داده
- دوره آموزشی ارزیابی برنامه برای علم داده
- دوره آموزشی پاکسازی دادهها برای علم داده مؤثر: واردکردن دادهها، تشخیص ناهنجاری، پرکردن مقادیر گمشده و مهندسی ویژگیها
- دوره آموزشی یادگیری جامع اسکالا برای علوم داده