تخفیف ویژه همین الان — دوره‌های تخفیف‌دار را ببینید.
روز
:
ساعت
:
دقیقه
:
ثانیه
تخفیف‌های ویژه
دوره آموزشی مبانی علم داده: اصول اولیه

دوره آموزشی مبانی علم داده: اصول اولیه

5 ساعت 25 دقیقهمبتدی2025-04-03

مدرسین

Barton Poulson

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.

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

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