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 FoundationsFoundationsData AnalysisData ScienceBusiness Analysis and StrategyBusiness Software and Tools
سرفصل ها
مقدمه
- خوش آمدید
علم داده چیست؟
- عرضه و تقاضا برای علم داده
- نمودار ون علوم داده بازنگری شد
- تکامل علم داده
- چارچوب CRISP-DM
- نقشها، تیمها و ابزارها در علم داده مدرن
- نقش محوری سؤالات در علم داده
جایگاه علم داده در جهان دادهها
- هوش مصنوعی
- یادگیری ماشین
- یادگیری عمیق و شبکههای عصبی
- ترانسفورماتورها و توجه به هوش مصنوعی مولد
- کلان داده
- تحلیلهای پیشبینیکننده
- تحلیل تجویزی
- تکامل هوش تجاری
اخلاق، حریم خصوصی و مقررات
- تعصب
- امنیت و حریم خصوصی
- حقوقی
- هوش مصنوعی قابل توضیح
- آژانس الگوریتمها و تصمیمگیرندگان
منابع دادهها و بینشها
- آمادهسازی دادهها
- برچسبگذاری دادهها برای یادگیری نظارتشده
- دادههای داخلی
- دادههای باز
- رابطهای برنامهنویسی کاربردی (API)
- استخراج دادهها
- دادههای مصنوعی و محیطهای شبیهسازی
- جمعآوری غیرفعال دادههای آموزشی
- فروشندگان داده
- دادههای جدید از بررسیها و آزمایشها
- اخلاق دادهها
ابزارها و تکنیکهای علم داده
- کاربردهای تحلیل دادهها
- زبانهای مورد استفاده در علم داده
- جایگزینهای برنامهنویسی - برنامهنویسی کم کد، بدون کد و AutoML
- امالاُپس
- یادگیری ماشین و هوش مصنوعی به عنوان یک سرویس
مبانی ریاضی برای علم داده
- نمونهگیری و احتمال
- جبر
- حساب دیفرانسیل و انتگرال
- بهینهسازی و انفجار ترکیبی
- قضیه بیز
الگوهای یادگیری
- یادگیری نظارتشده، بدون نظارت و تقویتی
- تحلیل توصیفی
- تکنیکهای خوشهبندی
- کاهش ابعاد
- تشخیص ناهنجاری
- تحلیل روند
- مدلهای تجمیعی
- اعتبارسنجی مدلها
الگوریتمهایی که خلق میکنند
- شبکههای مولد تخاصمی (GAN)
- یادگیری تقویتی
اقدام بر اساس علم داده
- اهمیت تفسیرپذیری در هوش مصنوعی
- تکنیکهایی برای ایجاد مدلهای قابل تفسیر
- ارائه بینشهای کاربردی
نتیجهگیری
- مراحل بعدی