آموزش هوش مصنوعی داده محور: بهترین روش ها، هوش مصنوعی مسئول، و موارد دیگر

سرفصل ها و درس ها

معرفی Introduction

• رویکردی متفاوت به هوش مصنوعی A different approach to AI

• مروری بر اهداف و دستور کار دوره Overview of the course objectives and agenda

1. هوش مصنوعی داده محور چیست؟ 1. What Is Data-Centric AI?

• درک نقش داده ها در هوش مصنوعی و یادگیری ماشینی Understanding the role of data in AI and machine learning

• کیفیت و قابلیت اطمینان داده ها در برنامه های کاربردی هوش مصنوعی Data quality and reliability in AI applications

• مقدمه ای بر هوش مصنوعی داده محور Introduction to data-centric AI

2. چرا هوش مصنوعی داده محور مهم است؟ 2. Why Is Data-Centric AI Important?

• مطالعات موردی که تأثیر هوش مصنوعی داده محور را برجسته می کند Case studies highlighting the impact of data-centric AI

• مزایای اتخاذ رویکرد داده محور در پروژه های هوش مصنوعی Benefits of adopting a data-centric approach in AI projects

• اهمیت هوش مصنوعی داده محور در سناریوهای دنیای واقعی Significance of data-centric AI in real-world scenarios

3. گردش کار هوش مصنوعی داده محور 3. Workflow of Data-Centric AI

• گردش کار انتها به انتها هوش مصنوعی داده محور End-to-end workflow of data-centric AI

• ماهیت تکرار شونده گردش کار برای برنامه های کاربردی ML Iterative nature of the workflow for ML applications

• به اجزای هوش مصنوعی داده محور بروید Deep dive into data-centric AI components

4. MLOps: مقدمه و اهمیت 4. MLOps: Introduction and Importance

• چالش های پیش روی استقرار و حفظ مدل های ML Challenges faced in deploying and maintaining ML models

• هدف از MLOps (عملیات یادگیری ماشین) Purpose of MLOps (Machine Learning Operations)

5. ساخت MLO بهینه شده با هوش مصنوعی داده محور 5. Building Optimized MLOps with Data-Centric AI

• افزودن اصول هوش مصنوعی داده محور به گردش کار MLOps Adding data-centric AI principles into the MLOps workflow

• بهینه سازی فرآیند MLOps: تولیدی Optimizing the MLOps process: Productionalizing

• پرسونای داده در گردش کار MLOps Data personas in MLOps workflow

• بهینه سازی فرآیند MLOps: توسعه Optimizing the MLOps process: Development

6. هوش مصنوعی داده محور در عمل 6. Data-Centric AI in Action

• مثال کد: اکتشاف Code example: Exploration

• اعتبار سنجی داده ها، اعتبارسنجی آزمون قطار و اعتبارسنجی مدل Data validation, train-test validation, and model validation

• بهترین شیوه ها Best practices

7. توضیح پذیری و تفسیرپذیری 7. Explainability and Interpretability

• اهمیت توضیح پذیری و تفسیرپذیری مدل Importance of model explainability and interpretability

• مثال کد: اعتبارسنجی مدل Code example: Model validation

• تکنیک هایی برای درک و تفسیر مدل های ML Techniques for understanding and interpreting ML models

8. تشخیص سوگیری و کاهش 8. Bias Detection and Mitigation

• بحث در مورد چالش های سوگیری در سیستم های هوش مصنوعی Discussion on the challenges of bias in AI systems

• مثال کد: تشخیص و کاهش تعصب Code example: Bias detection and mitigation

• شناسایی و کاهش تعصب در پروژه های هوش مصنوعی داده محور Detecting and mitigating bias in data-centric AI projects

9. Data Drift و Model Drift 9. Data Drift and Model Drift

• نظارت و نگهداری مدل های ML در تولید Monitoring and maintaining ML models in production

• درک دریفت داده و رانش مدل Understanding data drift and model drift

10. هوش مصنوعی مسئول 10. Responsible AI

• اصول توسعه و استقرار مسئول هوش مصنوعی Principles for responsible AI development and deployment

• مقدمه ای بر ملاحظات اخلاقی در هوش مصنوعی Introduction to ethical considerations in AI

نتیجه Conclusion

• سخنان پایانی و مراحل بعدی برای یادگیری بیشتر Closing remarks and next steps for further learning