آموزش پیاده‌سازی استراتژی داده برای هوش مصنوعی مسئولانه - آخرین آپدیت

دانلود Implementing a Data Strategy for Responsible AI

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

این دوره درک عمیقی از ملاحظات، پیامدها و مسائل مربوط به داده‌ها را که معمولاً در طول چرخه توسعه محصول هوش مصنوعی مشاهده می‌شوند، ارائه می‌دهد. مدرس دوره، براندیس مارشال، شما را با فرآیند تکرارپذیر تبدیل یک مسئله تجاری به یک راهکار هوش مصنوعی که آن مشکل را حل می‌کند، آشنا می‌کند. در این دوره تاکتیک‌های سازماندهی داده‌ها، نیازهای کیفیت و تنوع داده، رویکردهای به‌روزرسانی مستمر داده‌ها و ضروریات امنیت و حریم خصوصی داده‌ها را بررسی کنید. همچنین بیاموزید که چگونه ویژگی‌ها و قابلیت‌های کلیدی ابزارهای هوش مصنوعی مولد موجود را برای پشتیبانی و ارتقای فعالیت‌های مسئولانه در حوزه داده و هوش مصنوعی شناسایی کنید.

این دوره بخشی از یک مسیر یادگیری است. با تکمیل تمامی دوره‌ها و قبولی در آزمون نهایی، گواهینامه حرفه‌ای دریافت کنید که می‌توانید آن را به پروفایل لینکدین خود اضافه نمایید.


سرفصل ها و درس ها

مقدمه Introduction

  • ضروریات استراتژی داده برای هوش مصنوعی مولد مسئولانه Data strategy essentials for responsible generative AI

1. مبانی استراتژی داده برای هوش مصنوعی مسئولانه 1. Data Strategy Basics for Responsible AI

  • پاسخگویی: هدایت تصمیمات توسط داده‌ها Accountability: Data-guiding decision

  • داده‌ها و چرخه توسعه هوش مصنوعی Data and the AI development lifecycle

  • منابع و خاستگاه داده‌ها Origins of data

  • شفافیت: چه اتفاقی برای داده‌ها می‌افتد Transparency: What happens to data

  • حاکمیت: اخلاق داده‌ها و عدالت در داده‌ها Governance: Data ethics and data equity

2. آماده‌سازی داده‌ها 2. Data Preparation

  • پردازش داده‌ها در زمان واقعی (Real-time) Real-time data processing

  • گسترش منابع داده Expansion of data sources

  • تغییرات مقیاس‌پذیری و کارایی Scalability and efficiency changes

  • حاکمیت ارتقایافته داده‌ها Enhanced data governance

3. ساخت مدل 3. Model Building

  • تطبیق مدل‌های پایه Adapting foundation models

  • مدل‌های پایه در هوش مصنوعی مولد Foundation models of generative AI

  • مقیاس‌بندی مدل‌های پایه Scaling foundation models

  • تاثیرات اجتماعی مدل‌های پایه Societal impacts of foundation models

4. آموزش و تنظیم مدل 4. Model Training and Tuning

  • مبانی تنظیم دقیق (Fine-tuning) Fine-tuning fundamentals

  • تولید تقویت شده با بازیابی (RAG) Retrieval augmented generation

  • روش‌های تنظیم دقیق Fine-tuning methods

  • ایمن‌سازی هوش مصنوعی مولد Securing generative AI

5. استقرار مدل 5. Model Deployment

  • استراتژی‌های استقرار مدل Model deployment strategies

  • یکپارچه‌سازی نقاط انتهایی API API endpoint integration

  • استقرار دسته‌ای (Batch Deployment) Batch deployment

  • سیستم‌های پاسخگویی در زمان واقعی Real-time response systems

6. مدیریت مدل 6. Model Management

  • ردیابی آزمایش‌ها Experiment tracking

  • نسخه‌بندی کدها Code versioning

  • استراتژی‌های مدیریت مدل Model management strategies

  • نسخه‌بندی داده‌ها Data versioning

  • مانیتورینگ و نظارت بر مدل Model monitoring

جمع‌بندی Conclusion

  • گام‌های بعدی Next steps

نمایش نظرات

آموزش پیاده‌سازی استراتژی داده برای هوش مصنوعی مسئولانه
جزییات دوره
1h 30m
28
(آخرین آپدیت)
4,827
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dr. Brandeis Marshall Dr. Brandeis Marshall

برندیس مارشال موسس و مدیر عامل گروه DataedX است.

برندیس در سال 2018 گروه DataedX را راه‌اندازی کرد - یک آژانس یادگیری و توسعه اخلاق داده برای مربیان و متخصصان برای مقابله با تلاش‌های ظلم خودکار با دستورالعمل‌ها و استراتژی‌های پاسخگوی فرهنگی - در سال 2018. براندیس که به عنوان یک دانشمند کامپیوتر و به عنوان یک استاد سابق کالج آموزش دیده است، در مورد تأثیر نژادی، جنسیتی، اجتماعی-اقتصادی و فنی-اجتماعی عملیات داده بر فناوری و جامعه تدریس می کند، صحبت می کند و می نویسد. او وجدان داده: محاصره الگوریتمی در انسانیت ما را به عنوان یک مرجع ضد استدلال برای فلسفه "سرعت حرکت و شکستن چیزها" فناوری نوشت. او مسیرهایی را برای حرکت آهسته تر و ایجاد رویکردهای هوش مصنوعی انسانی محورتر مشخص می کند، راهنمایی می کند و توصیه می کند.