دوره آموزشی کلانداده در عصر هوش مصنوعی
2 ساعت 38 دقیقهمبتدی2026-03-16
مدرسین

Barton Poulson
Professor, Designer, Data Analytics Expert
جزئیات دوره
تا حالا فکر کردی چرا ترکیب کلانداده (Big Data) و هوش مصنوعی اینقدر سروصدا کرده؟ توی این دوره، Barton Poulson که خورهی داده و یه استادِ باسابقه است، خیلی ساده برات بازش میکنه. قراره با مفهوم «سه V» معروف (حجم، سرعت و تنوع دادهها) آشنا بشی و ببینی چطور همینها موتورِ پیشرفتِ هوش مصنوعی هستن.
قرار نیست فقط تئوری بخونی؛ قراره یاد بگیری چطور با کلی دادهی حجیم ور بری، الگوریتمهای یادگیری ماشین رو به کار بگیری و با تحلیلهای پیشبینانه، نکات طلایی از دل دادهها بکشی بیرون. از تشخیصِ چیزهای عجیب و غریب (Anomaly) گرفته تا تحلیل متن و احساسات مشتری؛ همهچیز رو بررسی میکنیم. تازه، کلی درباره مسائل اخلاقی، قانونی و حتی تاثیرات زیستمحیطیِ این حجم از داده هم حرف میزنیم تا در نهایت یاد بگیری چطور دادههای خام رو به راهکارهای پولساز و کاربردی تبدیل کنی.
اهداف یادگیری
شناسایی اجزای تشکیلدهنده کلانداده (Big Data).
بررسی روند رشد دادههای حجیم در چند سال اخیر.
درک چرایی اهمیت استفاده از کلانداده در کسبوکارها.
تشخیص تفاوت بین مهارتهای مورد نیاز برای کلانداده و علوم داده (Data Science).
توجیه لزوم آموزش تیمهای سازمان برای کار با دادههای حجیم.
تحلیل فاکتورهای کلیدی برای استفاده از کلانداده در پروژهها.
تمایز بین نتایج حاصل از تحلیل کلانداده و مشاهده مستقیم رفتارها.
قرار نیست فقط تئوری بخونی؛ قراره یاد بگیری چطور با کلی دادهی حجیم ور بری، الگوریتمهای یادگیری ماشین رو به کار بگیری و با تحلیلهای پیشبینانه، نکات طلایی از دل دادهها بکشی بیرون. از تشخیصِ چیزهای عجیب و غریب (Anomaly) گرفته تا تحلیل متن و احساسات مشتری؛ همهچیز رو بررسی میکنیم. تازه، کلی درباره مسائل اخلاقی، قانونی و حتی تاثیرات زیستمحیطیِ این حجم از داده هم حرف میزنیم تا در نهایت یاد بگیری چطور دادههای خام رو به راهکارهای پولساز و کاربردی تبدیل کنی.
اهداف یادگیری
شناسایی اجزای تشکیلدهنده کلانداده (Big Data).
بررسی روند رشد دادههای حجیم در چند سال اخیر.
درک چرایی اهمیت استفاده از کلانداده در کسبوکارها.
تشخیص تفاوت بین مهارتهای مورد نیاز برای کلانداده و علوم داده (Data Science).
توجیه لزوم آموزش تیمهای سازمان برای کار با دادههای حجیم.
تحلیل فاکتورهای کلیدی برای استفاده از کلانداده در پروژهها.
تمایز بین نتایج حاصل از تحلیل کلانداده و مشاهده مستقیم رفتارها.
مهارت ها
Data Science FoundationsData EngineeringArtificial Intelligence FoundationsData AnalysisArtificial Intelligence (AI)Data ScienceBusiness Analysis and StrategyBusiness Software and ToolsOne-Off
سرفصل ها
مقدمه
- کلان داده در عصر هوش مصنوعی
تعریف کلان داده
- حجم، سرعت و تنوع کلان داده
- یادگیری ماشین و هوش مصنوعی پیشبین
- هوش مصنوعی مولد
- هوش مصنوعی عامل
- رسانههای اجتماعی و اینترنت اشیا
- انبارهای داده، دریاچههای داده و فضای ابری
- محاسبات لبه، محاسبات مه و محاسبات محلی
کلان داده چگونه استفاده میشود؟
- کلان داده برای مزیت رقابتی
- کلانداده برای تشخیص تغییرات
- کلانداده به عنوان دادههای جایگزین
اخلاق در کلانداده
- کلانداده و حریم خصوصی
- مالکیت معنوی، دادههای شرکتی و هوش مصنوعی مولد
- تأثیر زیستمحیطی کلانداده و هوش مصنوعی
- تأثیر اجتماعی کلانداده و هوش مصنوعی
- مدیریت دادهها
- قوانینی که بر کلانداده و هوش مصنوعی تأثیر میگذارند
لجستیک دادهها
- دادههای ساختاریافته، نیمهساختاریافته و بدون ساختار
- پردازش دستهای در مقابل پردازش جریانی
- چشمانداز دادههای در حال تحول
- ذخیرهسازی و پردازش توزیعشده
تحلیل کلانداده
- چالشهای آمادهسازی دادهها
- مصورسازی کلاندادهها
- دادهکاوی
- تحلیل متن
- تحلیل احساسات
- تحلیلهای پیشبینیکننده
- تشخیص ناهنجاری
- تولید افزودهشده با بازیابی (RAG)
- استفاده از کلانداده برای تبدیل دادههای کوچک
ادامه سفر یادگیری کلانداده در هوش مصنوعی
- مراحل بعدی و منابع اضافی
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 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
- دوره آموزشی گزارشنویسی دادهکاوی با Quarto برای پایتون