دوره آموزشی تکنولوژی جدید هوش مصنوعی: سواد هوش مصنوعی برای رهبران فناوری

4 ساعت 22 دقیقهمتوسط2024-11-12

مدرسین

Maria Parysz

جزئیات دوره

این دوره به‌عنوان یک منبع جامع طراحی شده است تا حرفه‌ای‌های فناوری را با درک عمیق از چشم‌انداز فناوری هوش مصنوعی (AI) و نحوه عملکرد استک فناوری هوش مصنوعی تجهیز کند. این دوره رویکردی عملی و ساختارمند برای تسلط بر مفاهیم، فناوری‌ها و استراتژی‌های پیاده‌سازی هوش مصنوعی ارائه می‌دهد و به شما این امکان را می‌دهد که به‌طور مؤثر ابتکارات هوش مصنوعی را در داخل سازمان خود رهبری و مدیریت کنید. از طریق ترکیب دانش اثبات‌شده و مطالعات موردی واقعی، مهارت‌ها و اعتماد به نفس لازم برای پیمایش در اکوسیستم هوش مصنوعی که به سرعت در حال تکامل است را کسب خواهید کرد.

اهداف آموزشی:
مفاهیم پایه‌ای هوش مصنوعی، از جمله یادگیری ماشین، هوش مصنوعی تولیدی و یادگیری عمیق را درک کرده و برای برقراری ارتباط مؤثر و اتخاذ تصمیمات آگاهانه استفاده کنید.
طیف وسیعی از فناوری‌های هوش مصنوعی مانند پردازش زبان طبیعی، بینایی کامپیوتری، رباتیک و سیستم‌های خودمختار و کاربردهای آنها در صنایع مختلف را بررسی کنید.
چرخه زندگی داده‌ها در هوش مصنوعی، از جمله جمع‌آوری داده‌ها، حکمرانی، ذخیره‌سازی، پردازش و استراتژی‌های بهره‌برداری را درک کنید.
مفاهیم و پلتفرم‌های MLOps (عملیات یادگیری ماشین) را برای استقرار، نظارت و مدیریت چرخه زندگی مدل‌های هوش مصنوعی بررسی کنید.
بهترین شیوه‌ها برای ساخت و مدیریت تیم‌ها و پروژه‌های هوش مصنوعی، از جمله توسعه استراتژی هوش مصنوعی، بودجه‌بندی و برنامه‌ریزی و اجرای مؤثر پروژه‌های هوش مصنوعی را بیاموزید.

مهارت ها

Computer SkillsArtificial Intelligence FoundationsArtificial Intelligence (AI)Business Software and ToolsOne-Off

سرفصل ها

0. مقدمه

01 - به دنیای هوش مصنوعی خوش آمدید
02 - خود را در هوش مصنوعی جاسازی کنید

1. چگونه راه حل‌های هوش مصنوعی بسازیم

03 - مراحل ساخت راه حل‌های هوش مصنوعی
04 - سایر گزینه‌های پیاده‌سازی هوش مصنوعی
05 - دستیابی به نرم‌افزار هوش مصنوعی
06 - مدیریت پروژه CRISP-DM و AI
07 - اتصال مدل‌های هوش مصنوعی به سیستم ها
08 - پشته علم داده

2. AI Building Blocks

09 - چرخه هایپ گارتنر
10 - RPA (اتوماسیون فرآیند رباتیک)
11 - رباتیک
12 - کشف تقلب
13 - پیش بینی
14 - بهینه سازی
15 - توصیه ها
16 - بینایی کامپیوتری
17 - بو، چشیدن، لمس کردن
18 - صدا
19 - وسایل نقلیه خودران
20 - اینترنت اشیا و شهرهای هوشمند
21 - AR، VR، و متاورس
22 - NLP

3. GenAI World

23 - انقلاب GenAI
24 - مدل‌های زبان بزرگ (LLM)
25 - تنظیم دقیق و چت بات ها
26 - معماری RAG
27 - Agents و multimodal LLMs
28 - برنامه‌های کاربردی GenAI برای شرکت ها
29 - خطرات GenAI

4. داده ها

30 - دیتا روغن جدید است
31 - منابع داده و داده‌های مصنوعی
32 - ذخیره‌سازی داده ها
33 - پردازش داده‌ها با GPU و QPU (پردازنده کوانتومی)
34 - چرخه عمر داده‌ها در پروژه‌های هوش مصنوعی
35 - داده‌های بزرگ در مقابل داده‌های کوچک
36 - کسب درآمد از داده ها
37 - کار با داده‌ها - چالش‌ها و بهترین شیوه ها
38 - حاکمیت داده و مدیریت داده

5. ساخت نمونه کارها هوش مصنوعی

39 - انتخاب پروژه‌های با ارزش هوش مصنوعی
40 - معیارهای انتخاب سبد هوش مصنوعی شما
41 - محاسبه ROI برای پروژه هوش مصنوعی

6. تحول دیجیتال

42 - تحول دیجیتال - فرآیند و نقش ها
43 - ایجاد استراتژی هوش مصنوعی
44 - بهترین و بدترین شیوه‌های تحول دیجیتال

7. ایجاد تیم‌های هوش مصنوعی

45 - نقش‌های تیم هوش مصنوعی
46 - نقش تیم هوش مصنوعی در چرخه حیات پروژه
47 - استخدام و ایجاد انگیزه در تیم هوش مصنوعی خود
48 - ارتباطات و دیگر چالش‌های تیم سازی
49 - اندازه تیم خود را انتخاب کنید

8. معیارها

50 - معیارهای استراتژیک
51 - معیارهای پروژه
52 - معیارهای علم داده

9. بازآموزی و MLOps

53 - بازآموزی مدل‌های هوش مصنوعی
54 - بازآموزی، بازسازی، یا عدم یادگیری مدل
55 - بهترین زمان برای بازآموزی
56 - حلقه آموزش خودکار و انسان در حلقه
57 - MLOps، تولید و نگهداری هوش مصنوعی
58 - پلتفرم‌های MLOps

10. مدیریت هوش مصنوعی و ارائه مفاهیم هوش مصنوعی

59 - حل چالش‌های مدیریت هوش مصنوعی
60 - فروش مفهوم هوش مصنوعی خود به تصمیم گیرندگان
61 - پاسخ به سؤالات تصمیم گیرندگان
62 - کار با تامین کنندگان هوش مصنوعی
63 - برنامه ریزی و بودجه بندی پروژه‌های هوش مصنوعی

11. پروژه Capstone

64 - مقدمه ای بر مطالعه موردی
65 - نمونه راه حل و ارائه
66 - نوبت شما - روی مطالعه موردی خود کار کنید

نتیجه گیری

67 - عاقلانه از آن استفاده کنید

دوره های مرتبط

مسیرهای مرتبط

مسیر آموزشی پیمایش در اکوسیستم هوش مصنوعی