آموزش اصول هوش مصنوعی برای کسب و کار (2025) - دوره MBA هوش مصنوعی - آخرین آپدیت

سرفصل ها و درس ها

Introduction

• 1.1.1 هوش مصنوعی چیست؟ 1.1.1 What is AI?

• 1.1.2 تکامل تاریخی هوش مصنوعی 1.1.2 The Historical Evolution of AI

• 1.1.3 دو نوع هوش مصنوعی 1.1.3 Two types of AI

• 1.1.4 انواع هوش مصنوعی - یک نمای کلی 1.1.4 Types of AI - A General Overview

• 1.1.5 انواع هوش مصنوعی - یادگیری ماشین (ML) 1.1.5 Types of AI - Machine Learning (ML)

• 1.1.6 انواع هوش مصنوعی - یادگیری عمیق 1.1.6 Types of AI - Deep Learning

• 1.1.7 انواع هوش مصنوعی - پردازش زبان طبیعی (NLP) 1.1.7 Types of AI - Natural Language Processing (NLP)

• 1.1.8 هوش مصنوعی به عنوان محرک تحول دیجیتال کسب‌وکار 1.1.8 AI as a Driver of Digital Business Transformation

• 1.1.9 هوش مصنوعی به عنوان یک مزیت رقابتی 1.1.9 AI as a Competitive Edge

• 1.1.10 ارزیابی فرصت‌های کسب‌وکار هوش مصنوعی - چارچوب IBM 1.1.10 Assessing AI Business Opportunities - the IBM Framework

مبانی یادگیری ماشین Fundamentals of Machine Learning

• 2.1 مبانی یادگیری ماشین و موارد استفاده هوش مصنوعی 2.1 Machine Learning Basics and AI Use Cases

• 2.2 مفاهیم کلیدی در یادگیری ماشین (ML) 2.2 Key Concepts in Machine Learning (ML)

• 2.3 یادگیری نظارت شده 2.3 Supervised Learning

• 2.4 یادگیری بدون نظارت 2.4 Unsupervised Learning

• 2.5 یادگیری تقویتی 2.5 Reinforcement Learning

• 2.6 چگونه ماشین‌ها از داده‌ها یاد می‌گیرند 2.6 How Machines Learn from Data

• 2.7 الگوریتم‌های رایج یادگیری ماشین (ML) - یادگیری نظارت شده 2.7 Common Machine Learning (ML) Algorithms - Supervised Learning

• 2.8 الگوریتم‌های رایج یادگیری ماشین (ML) - یادگیری بدون نظارت 2.8 Common Machine Learning (ML) Algorithms - Unsupervised Learning

• 2.9 الگوریتم‌های رایج یادگیری ماشین (ML) - یادگیری تقویتی 2.9 Common Machine Learning (ML) Algorithms - Reinforcement Learning

• 2.10 آموزش، اعتبارسنجی و ارزیابی مدل هوش مصنوعی 2.10 AI Model Training, Validation and Evaluation

• 2.11 مثال عملی - ساخت مدل پیش‌بینی ریزش مشتری هوش مصنوعی (نقشه راه) 2.11 Practical Example - Building an AI Customer Churn Prediction Model (Roadmap

یادگیری عمیق Deep Learning

• 3.1 مبانی یادگیری عمیق - I 3.1 Deep Learning Essentials - I

• 3.2 مبانی یادگیری عمیق - II 3.2 Deep Learning Essentials - II

• 3.3 شبکه‌های عصبی و کاربردهای تجاری آنها 3.3 Neural Networks and their Business Applications

• 3.4 چالش‌ها در پیاده‌سازی شبکه‌های عصبی 3.4 Challenges in Implementing Neural Networks

• 3.5 کیفیت، کمیت و پیش‌پردازش داده‌ها 3.5 Data Quality, Quantity and Pre-processing

• 3.6 مدیریت داده‌ها - بهترین شیوه‌ها 3.6 Data Management - Best Practices

کاربردهای تجاری هوش مصنوعی AI Business Applications

• 4.1 کاربردهای هوش مصنوعی - بازاریابی و فروش 4.1 AI Applications - Marketing and Sales

• 4.2 کاربردهای هوش مصنوعی - عملیات کسب‌وکار و مدیریت زنجیره تامین 4.2 AI Applications - Business Operations and Supply Chain Management

• 4.3 کاربردهای هوش مصنوعی - منابع انسانی 4.3 AI Applications - Human Resources

• 4.4 کاربردهای هوش مصنوعی - امور مالی و مدیریت ریسک 4.4 AI Applications - Finance and Risk Management

• 4.5 شناسایی فرصت‌های کسب‌وکار هوش مصنوعی 4.5 Identifying AI Business Opportunities

• 4.6 پیاده‌سازی هوش مصنوعی در کسب‌وکار - اهداف و KPIها 4.6 Implementing AI in Business - Goals and KPIs

• 4.7 توسعه نقشه راه هوش مصنوعی 4.7 Developing an AI Roadmap

• 4.8 توسعه نقشه راه هوش مصنوعی - تخصیص منابع 4.8 Developing an AI Roadmap - Resource Allocation

• 4.9 تمرین - تدوین استراتژی هوش مصنوعی 4.9 Exercise - Developing an AI Strategy

• 4.10 مثال - تدوین استراتژی هوش مصنوعی (I) 4.10 Example - Developing an AI Strategy (I)

• 4.11 مثال - تدوین استراتژی هوش مصنوعی (II) 4.11 Example - Developing an AI Strategy (II)

• 4.12 مثال - تدوین استراتژی هوش مصنوعی (III) 4.12 Example - Developing an AI Strategy (III)

• 4.13 مثال - تدوین استراتژی هوش مصنوعی (IV) 4.13 Example - Developing an AI Strategy (IV)

• 4.14 مثال - تدوین استراتژی هوش مصنوعی (نکات کلیدی) 4.14 Example - Developing an AI Strategy (Key Take-aways)

• 4.15 انتخاب فناوری‌های هوش مصنوعی 4.15 Selecting AI Technologies

• 4.16 توسعه داخلی در مقابل برون‌سپاری 4.16 In-house Development vs Outsourcing

• 4.17 رویکرد ترکیبی به توسعه هوش مصنوعی 4.17 Hybrid Approach to AI Development

• 4.18 تصمیم‌گیری در مورد توسعه داخلی یا برون‌سپاری 4.18 Deciding whether to develop in-house or outsource

• 4.19 مثال - تصمیم‌گیری در مورد نحوه توسعه هوش مصنوعی 4.19 Example - Deciding how to develop AI

جنبه‌های اخلاقی و قانونی هوش مصنوعی Ethical and Legal Aspects of AI

• 5.1 شیوه‌های اخلاقی در هوش مصنوعی - سوگیری 5.1 Ethical Practices in AI - Bias

• 5.2 شیوه‌های اخلاقی در هوش مصنوعی - شفافیت و قابلیت توضیح 5.2 Ethical Practices in AI - Transparency and Explainability

• 5.3.1 حریم خصوصی و امنیت داده‌ها - GDPR 5.3.1 Data Privacy and Security - The GDPR

• 5.3.2 حریم خصوصی و امنیت داده‌ها - CCPA 5.3.2 Data Privacy and Security - The CCPA

• 5.3.3 حریم خصوصی و امنیت داده‌ها - ملاحظات امنیتی 5.3.3 Data Privacy and Security - Security Considerations

• 5.4 ملاحظات اجتماعی هوش مصنوعی 5.4 Societal Considerations of AI

• 5.5 تأثیر هوش مصنوعی (مثال) 5.5 Impact of AI (Example)

• 5.6 مسئولیت اجتماعی شرکتی (CSR) و هوش مصنوعی 5.6 Corporate Social Responsibility (CSR) and AI

• 5.7. 1 تدوین خط‌مشی اخلاقی هوش مصنوعی 5.7. 1 Developing an AI Ethics Policy

• 5.7.2 تمرین - تدوین خط‌مشی اخلاقی هوش مصنوعی 5.7.2 Exercise - Developing an AI Ethics Policy

• 5.7.3 تمرین - تدوین خط‌مشی اخلاقی هوش مصنوعی - مثال 5.7.3 Exercise - Developing an AI Ethics Policy - Example