آموزش دوره مدیریت محصول برای هوش مصنوعی و علم داده 2023

سرفصل ها و درس ها

مقدمه ای بر مدیریت محصول برای هوش مصنوعی و داده Intro to Product Management for AI & Data

• معرفی Introduction

• بررسی اجمالی دوره Course Overview

• اهمیت روزافزون AI و داده PM Growing Importance of an AI & Data PM

• نقش مدیر محصول The Role of a Product Manager

• تمایز یک PM در هوش مصنوعی و داده Differentiation of a PM in AI & Data

• مدیریت محصول در مقابل مدیریت پروژه Product Management vs. Project Management

مفاهیم کلیدی فناوری برای هوش مصنوعی و داده ها Key Technological Concepts for AI & Data

• مدیر محصول به عنوان مترجم تجزیه و تحلیل A Product Manager as an Analytics Translator

• تجزیه و تحلیل داده در مقابل علم داده Data Analysis vs. Data Science

• الگوریتم سنتی در مقابل هوش مصنوعی A Traditional Algorithm vs. AI

• هوش مصنوعی در مقابل الگوریتم سنتی AI vs Traditional Algorithm

• توضیح یادگیری ماشینی Explaining Machine Learning

• توضیح یادگیری عمیق Explaining Deep Learning

• زمان استفاده از یادگیری ماشینی در مقابل یادگیری عمیق When to use Machine Learning vs. Deep Learning

• یادگیری ماشینی یا یادگیری عمیق Machine Learning or Deep Learning

• یادگیری تحت نظارت، بدون نظارت و تقویتی Supervised, Unsupervised, & Reinforcement Learning

• یادگیری تحت نظارت، یادگیری بدون نظارت یا یادگیری تقویتی Supervised Learning, Unsupervised Learning or Reinforcement Learning

استراتژی کسب و کار برای هوش مصنوعی و داده Business Strategy for AI & Data

• نوآوری های مدل کسب و کار هوش مصنوعی AI Business Model Innovations

• زمان استفاده از هوش مصنوعی When to Use AI

• تجزیه و تحلیل SWOT SWOT Analysis

• ساختن یک فرضیه Building a Hypothesis

• آزمایش یک فرضیه Testing a Hypothesis

• AI Business Canvas AI Business Canvas

• مطالعه موردی Dr.DermaApp Dr.DermaApp Case Study

تجربه کاربری برای هوش مصنوعی و داده User Experience for AI & Data

• تجربه کاربری برای داده و هوش مصنوعی User Experience for Data & AI

• رسیدن به مشکل اصلی Getting to the Core Problem

• روش تحقیق کاربر User Research Methods

• توسعه شخصیت های کاربر Developing User Personas

• نمونه سازی با هوش مصنوعی Prototyping with AI

مدیریت داده برای هوش مصنوعی و داده Data Management for AI & Data

• استراتژی رشد داده ها Data Growth Strategy

• داده ها را باز کنید Open Data

• داده های شرکت Company Data

• داده های برچسب گذاری شده جمع سپاری Crowdsourcing Labeled Data

• داده های ویژگی جدید New Feature Data

• جمع آوری داده های کسب/خرید Acquisition/Purchase Data Collection

• جمع آوری داده ها نیاز به تطبیق دارد Data Collection Needs Matching

• پایگاه های داده، انبارهای داده و دریاچه های داده Databases, Data Warehouses, & Data Lakes

توسعه محصول برای هوش مصنوعی و داده Product Development for AI & Data

• جلوه چرخ طیار هوش مصنوعی AI Flywheel Effect

• حل مسئله بالا و پایین Top & Bottom Problem Solving

• تکنیک های ایده پردازی محصول Product Ideation Techniques

• پیچیدگی در مقابل اولویت بندی سود Complexity vs. Benefit Prioritization

• MVP و MVD (حداقل داده قابل اجرا) MVPs & MVDs (Minimum Viable Data)

• Agile & Data Kanban Agile & Data Kanban

ساخت مدل Building The Model

• چه کسی باید مدل شما را بسازد Who Should Buid Your Model

• هوش مصنوعی Enterpise Enterpise AI

• یادگیری ماشینی به عنوان یک سرویس (MLaaS) Machine Learning as a Service (MLaaS)

• هوش مصنوعی داخلی و چرخه زندگی یادگیری ماشینی In-House AI & The Machine Learning Lifecycle

• جدول زمانی و کاهش بازده Timelines & Diminishing Returns

• تنظیم یک متریک عملکرد مدل Setting a Model Performance Metric

ارزیابی عملکرد Evaluating Performance

• تقسیم داده های آزمون Dividing Test Data

• ماتریس سردرگمی The Confusion Matrix

• دقت، فراخوان و امتیاز F1 Precision, Recall & F1 Score

• بهینه سازی برای تجربه Optimizing for Experience

• بازیابی خطا Error Recovery

• مطالعه موردی AutoBikerz AutoBikerz Case Study

استقرار و بهبود مستمر Deployment & Continuous Improvement

• روش های استقرار مدل Model Deployment Methods

• مدل های مانیتورینگ Monitoring Models

• انتخاب سنجه بازخورد Selecting a Feedback Metric

• حلقه های بازخورد کاربر User Feedback Loops

• استقرار سایه ها Shadow Deployments

مدیریت تیم های علم داده و هوش مصنوعی Managing Data Science & AI Teams

• سلسله مراتب نیازهای هوش مصنوعی AI Hierarchy of Needs

• هوش مصنوعی در یک سازمان AI Within an Organization

• نقش‌ها در تیم‌های هوش مصنوعی و داده Roles in AI & Data Teams

• مدیریت گردش کار تیم Managing Team Workflow

• Dual & Triple-Track Agile Dual & Triple-Track Agile

ارتباط Communication

• مدیریت ذینفعان داخلی Internal Stakeholder Management

• تنظیم انتظارات داده Setting Data Expectations

• گوش دادن فعال و ارتباط Active Listening & Communication

• ارائه های جذاب با داستان سرایی Compelling Presentations with Storytelling

• برگزاری جلسات موثر Running Effective Meetings

اخلاق، حریم خصوصی و تعصب Ethics, Privacy, & Bias

• نگرانی های کاربران هوش مصنوعی AI User Concerns

• بازیگران بد و امنیت Bad Actors & Security

• هوش مصنوعی تعصب انسانی را تقویت می کند AI Amplifying Human Bias

• قوانین و مقررات داده Data Laws & Regulations