آموزش هوش مصنوعی برای مدیران: مبانی و اصول - آخرین آپدیت

ماژول ۱: مبانی و اصول Module 1 - The Basics

• مقدمه‌ای بر تخصص Introduction to the Specialization

• مقدمه‌ای بر دوره اول Introduction to Course One

• مفاهیم کلی در مورد تصمیم‌گیری General Notions on Decision Making

• پیش از هوش مصنوعی: تحلیل داده‌های تجاری با آمار Before AI: Business Data Analysis by Statistics

• آمار توصیفی داده‌ها Data Descriptive Statistics

• آمار دو متغیره و چند متغیره داده‌ها Data Bivariate and Multivariate Statistics

• تصمیم‌گیری از طریق آمار و الگوریتم‌ها Decision Making via Statistics and Algorithms

• تصمیم‌گیری از طریق هوش مصنوعی Decision Making via AI

• آشنایی با وظایف یادگیری ماشین (ML) Introduction to Machine Learning (ML) Tasks

• اعتبارسنجی مدل Model Validation

• بررسی وظایف یادگیری ماشین The Machine Learning Tasks

ماژول ۲: ساخت استراتژی داده Module 2 - Building A Data Strategy

• مقدمه‌ای بر تامین و مدیریت داده‌ها Introduction to Data Provisioning and Management

• اهداف استراتژی داده و آماده‌سازی داده‌ها Data Strategy Objectives and Data Preparation

• نقش دریاچه‌های داده (Data Lakes) در حمایت از AI تجاری How Data Lakes Support Business Ready AI

• طراحی معماری داده برای یادگیری ماشین Designing the Data Architecture for Machine Learning

• روش فیلترینگ دو متغیره و تکنیک‌های بهبود داده‌ها Bivariate Filtering Method and Data Improvement Techniques

ماژول ۳: تصمیم‌گیری بر پایه هوش مصنوعی Module 3 - AI-Based Decision Making

• رگرسیون خطی Linear Regression

• معناداری مدل رگرسیون خطی Linear Regression Model Significance

• بهبود کیفیت مدل رگرسیون خطی Improving the Quality of a Linear Regression Model

• رگرسیون چندگانه Multiple Regression

• معناداری مدل رگرسیون چندگانه Multiple Regression Model Significance

• تعامل بین متغیرهای مستقل در رگرسیون چندگانه Interactions Between Independent Variables in Multiple Regression

• درخت‌های تصمیم - بخش اول Decision Trees - Part 1

• درخت‌های تصمیم - بخش دوم Decision Trees - Part 2

• الگوریتم K-نزدیک‌ترین همسایه (KNN) The K-Nearest Neighbors

• ماشین‌های بردار پشتیبان (SVM) Support Vector Machines (SVM)

• مبانی ساخت مدل‌های زبانی The Fundamentals of Building Language Models

• آموزش و استقرار مدل‌های زبانی Training and Deploying Language Models

• تکنیک‌های بهبود مدل‌های زبانی Techniques to Improve Language Models

• بهبود قابلیت‌های تعمیم‌پذیری مدل‌های زبانی Improving The Generalization Capabilities of Language Models

ماژول ۴: پیش‌بینی و طبقه‌بندی بر پایه هوش مصنوعی Module 4 - AI-Based Prediction and Classifications

• استخراج درخت تصمیم Decision Tree Induction

• آنتروپی و بهره اطلاعاتی در استخراج درخت تصمیم Entropy and Information Gain in Decision Tree Induction

• بهره اطلاعاتی برای ویژگی‌های با مقدار پیوسته Information Gain for Continuous Value Attributes

• شاخص جینی و کاهش ناخالصی Gini Index and Impurity Reduction

• مقدمه‌ای بر یادگیری عمیق (Deep Learning) Introduction to Deep Learning

• شبکه‌های عصبی کانولوشن (CNN) Convolutional Neural Networks

• نحوه عملکرد کانولوشن How Convolution Works

• معماری‌های کانولوشن در مقابل معماری‌های تمام متصل Convolutional vs Fully Connected Architectures

• استفاده از CNN برای داده‌های جدولی CNN for Tabular Data

• مقدمه‌ای بر اتوانکودرها (Autoencoders) Introduction to Autoencoders

• داده‌های سری زمانی Time Series Data

ماژول ۵: جمع‌بندی و اجرای نهایی Module 5 - Putting It All Together

• جمع‌بندی و خلاصه مدیریتی Wrap Up Executive Summary

• عوامل کلیدی موفقیت در هوش مصنوعی AI Key Success Factors

• طراحی خط لوله‌های AI و ML Design of AI-ML Pipelines

• نتیجه‌گیری دوره اول Course One Conclusion