آمادگی آزمون PMI-CPMAI™ 2026 | موفقیت در اولین تلاش - آخرین آپدیت

سرفصل ها و درس ها

مسترکلاس Masterclass

• مسترکلاس ۱: PMI CPMAI چیست Masterclass #1 - What is PMI-CPMAI

• مسترکلاس ۲: هوش مصنوعی و CPMAI Masterclass #2 - Artificial Intelligence and CPMAI

• مسترکلاس ۳: چرا اکثر پروژه‌های AI شکست می‌خورند Masterclass #3 - Why Most AI Projects Fail

• مسترکلاس ۴: چرا متدولوژی Agile قبل از CPMAI می‌آید Masterclass #4 - Why Agile comes Before CPMAI

مبانی و زمینه‌های CPMAI Foundations & Context of CPMAI

• مقدمه ماژول و مبانی کسب‌وکار Module Introduction and Business Foundation

• هوش مصنوعی چیست؟ What is AI?

• هوش مصنوعی محدود در مقابل هوش مصنوعی عمومی Narrow vs. General AI

• چرا CPMAI؟ Why CPMAI?

• معیارهای موفقیت Success Criteria

• داده‌ها به عنوان زیربنا Data as the Foundation

• هوش مصنوعی قابل اعتماد Trustworthy AI

• مرور بخش و راهنمای مطالعه Section Recap and Study Guide

• چگونه برای آزمون مطالعه کنیم How to Study for the Exam

الگوهای هوش مصنوعی و موارد کاربرد AI Patterns & Use Cases

• مقدمه ماژول Module Intro

• چرا الگوهای AI اهمیت دارند Why AI Patterns Matter

• هفت الگوی اصلی AI The Seven AI Patterns

• تعاملی/گفتگویی و تعامل انسانی Conversational & Human Interaction

• الگوی شناسایی (Recognition) Recognition

• الگوها و ناهنجاری‌ها Patterns & Anomalies

• تحلیل پیش‌بینانه و پشتیبانی تصمیم Predictive Analytics & Decision Support

• ابر-شخصی‌سازی (Hyperpersonalization) Hyperpersonalization

• سیستم‌های خودمختار Autonomous Systems

• سیستم‌های هدف‌محور Goal-Driven Systems

• تطبیق نیازهای کسب‌وکار با الگوها Matching Business Needs to Patterns

• اشتباهاتی که باید از آن‌ها دوری کرد Pitfalls to Avoid

• مرور بخش و راهنمای مطالعه Section Recap and Study Guide

• بینش‌های آزمون و دنیای واقعی Exam & Real-World Insights

• سوالات آزمون Exam Questions

پشتیبانی ECO از تلاش‌های AI مسئولانه و قابل اعتماد - دامنه I ECO-Support Responsible and Trustworthy AI Efforts - Domain I

• مقدمه ماژول Module Introduction

• چرا AI قابل اعتماد اهمیت دارد Why Trustworthy AI Matters

• لایه‌های هوش مصنوعی قابل اعتماد Layers of Trustworthy AI

• هوش مصنوعی اخلاقی Ethical AI

• هوش مصنوعی مسئولانه Responsible AI

• هوش مصنوعی شفاف Transparent AI

• هوش مصنوعی قابل توضیح Explainable AI

• هوش مصنوعی تحت حاکمیت Governed AI

• نگرانی‌ها و ریسک‌های کلیدی Key Concerns & Risks

• مقررات و حریم خصوصی داده‌ها Regulation & Data Privacy

• نکته آزمون Exam Tip

• خلاصه Summary

• مرور بخش و راهنمای مطالعه Section Recap and Study Guide

• سوالات آزمون Exam Questions

شناسایی نیازهای کسب‌وکار و راهکارها (ECO) - دامنه II ECO-Identify Business Needs and Solutions - Domain II

• تبدیل چالش‌های کسب‌وکار به فرصت‌های AI Turning Business Challenges into AI Opportunities

• چرا همسویی با کسب‌وکار در پروژه‌های AI مهم است Why Business Alignment Matters in AI Projects

• تعریف درست مسئله کسب‌وکار Defining the Right Business Problem

• تعیین محدوده پروژه AI برای موفقیت Scoping Your AI Project for Success

• ارزیابی امکان‌سنجی و آمادگی AI Evaluating AI Feasibility and Readiness

• ساخت یک بیزنس کیس قوی برای AI Building a Strong AI Business Case

• مدیریت ریسک و اخلاق از ابتدای کار Managing Risk and Ethics from the Start

• جذب ذینفعان و مدیریت پذیرش Driving Stakeholder Engagement and Adoption

• طراحی معماری راهکار AI Designing the AI Solution Architecture

• تعریف KPIهای تجاری، فنی و اخلاقی Defining Business, Technical, and Ethical KPIs

• تصمیم Go/No-Go: چه زمانی پیش برویم The Go / No-Go Decision: When to Move Forward

• خلاصه ماژول و نکات کلیدی Module Summary & Key Takeaways

• مرور بخش و راهنمای مطالعه Section Recap and Study Guide

• سوالات آزمون Exam Questions

شناسایی نیازهای داده‌ای (ECO) - دامنه III ECO-Identify Data Needs - Domain III

• شناسایی نیازهای داده‌ای Identify Data Needs

• تعریف داده‌های مورد نیاز Defining Required Data

• شناسایی متخصصان داده (SME) Identifying Data SMEs

• شناسایی منابع و مکان‌های ذخیره داده Identifying Data Sources and Locations

• هماهنگی فضای کاری و زیرساخت AI Coordinating AI Workspace and Infrastructure

• جمع‌آوری داده‌های مورد نیاز Gathering Required Data

• بررسی حریم خصوصی، انطباق و دسترسی به داده‌ها Checking Data Privacy, Compliance, and Access

• نظارت بر ارزیابی داده‌ها Overseeing Data Evaluation

• تعیین اینکه آیا داده‌ها نیازهای راهکار را برآورده می‌کنند یا خیر Determining if Data Meets Solution Needs

• انتقال درک داده‌ها به مدیریت ارشد Conveying Data Understanding to Leadership

• هرم DIKUW The DIKUW Pyramid

• مرور بخش و راهنمای مطالعه Section Recap and Study Guide

• سوالات آزمون Exam Questions

مدیریت توسعه و ارزیابی مدل AI (ECO) - دامنه IV ECO-Manage AI Model Development and Evaluation - Domain IV

• مدیریت توسعه و ارزیابی مدل AI Manage AI Model Devolpment and Evaluation

• مسئولیت‌های کلیدی در دامنه IV Key Responsibilities in Domain IV

• توسعه مدل‌های AI Developing AI Models

• تست و ارزیابی Testing and Evaluation

• تکرار مدل و بهبود مستمر Model Iteration and Continuous Improvement

• حاکمیت و قابلیت ردیابی Governance and Traceability

• همکاری و ارتباطات Collaboration and Communication

• سناریوهای رایج آزمون برای دامنه IV Common Exam Scenarios for Domain IV

• بینش‌های نهایی Final Insights

• مرور بخش و راهنمای مطالعه Section Recap and Study Guide

• سوالات آزمون Exam Questions

عملیاتی‌سازی راهکارهای AI (ECO) - دامنه V ECO-Domain V – Operationalize AI Solutions

• عملیاتی‌سازی راهکارهای AI Operationalize AI Solutions

• اهداف کلیدی Key Objectives

• استراتژی‌های استقرار Deployment Strategies

• نظارت و مدیریت عملکرد Monitoring and Performance Management

• MLOps و اتوماسیون MLOps and Automation

• حاکمیت و امنیت مدل Model Governance and Security

• همکاری و مدیریت تغییر Collaboration and Change Management

• ریسک‌های عملیاتی و کاهش آن‌ها Operational Risks and Mitigation

• بینش‌های نهایی و نکات آزمون Final Insights and Exam Tips

• مرور بخش و راهنمای مطالعه Section Recap and Study Guide

• سوالات آزمون Exam Questions

مراحل متدولوژی CPMAI Phases in CPMAI

• مراحل CPMAI و نگاه کلی CPMAI Phases and the Big Picture

• مرحله اول: درک کسب‌وکار Phase I-Business Understanding

• مرحله اول: درک کسب‌وکار (ادامه) Phase I-Business Understanding

• مرحله دوم: درک داده‌ها Phase II: Data Understanding

• مرحله دوم: درک داده‌ها (ادامه) Phase II: Data Understanding

• مرحله سوم: آماده‌سازی داده‌ها Phase III: Data Preparation

• مرحله سوم: آماده‌سازی داده‌ها (ادامه) Phase III: Data Preparation

• مرحله چهارم: توسعه مدل Phase IV: Model Development

• مرحله چهارم: توسعه مدل (ادامه) Phase IV: Model Development

• مرحله پنجم: ارزیابی مدل Phase V: Model Evaluation

• مرحله پنجم: ارزیابی مدل (ادامه) Phase V: Model Evaluation

• مرحله ششم: عملیاتی‌سازی مدل Phase VI: Model Operationalization

• مرحله ششم: عملیاتی‌سازی مدل (ادامه) Phase VI: Model Operationalization

• مثال پیاده‌سازی: چت‌بات پشتیبانی مشتری XYZ Implementation Model Example: XYZ Customer Support Chatbot

یادگیری ماشین: زیربنای پروژه‌های AI Machine Learning The Foundation of AI Projects

• یادگیری ماشین: موتور محرک هوش مصنوعی Machine Learning - The Engine Behind Artificial Intelligence

• چرا یادگیری ماشین عمل می‌کند Why Machine Learning Works

• چرا یادگیری ماشین در CPMAI اهمیت دارد Why Machine Learning Matters in CPMAI

• انواع یادگیری ماشین Types of Machine Learning

• مدل‌های ML در مقابل الگوریتم‌های ML Machine Learning Models vs Algorithms

• اصطلاحات کلیدی در یادگیری ماشین Key Terminology in Machine Learning

• چالش‌های رایج در یادگیری ماشین Common Challenges in Machine Learning

• الگوریتم‌های رایج یادگیری ماشین (بخش دوم) Common Machine Learning Algorithms (Part II)

• هوش مصنوعی مولد (GenAI) و یادگیری ماشین پیشرفته Generative AI & Advanced Machine Learning

• داده‌ها و یادگیری ماشین Data & Machine Learning

• یادگیری ماشین در بافت CPMAI Machine Learning in CPMAI Context

• چالش‌ها و ریسک‌ها در یادگیری ماشین Challenges & Risks in Machine Learning

• کاربردهای یادگیری ماشین در دنیای واقعی Real-World Machine Learning Applications

• راهنمای مطالعه و کتاب کار Study Guide and Workbook

الگوریتم‌های یادگیری ماشین Machine Learning Algorithms

• مقدمه ماژول Module Introduction

• اندازه‌گیری ارزش تجاری و ROI Measuring Business Value and ROI

• مقدمه‌ای بر الگوریتم‌های یادگیری ماشین Introduction to Machine Learning Algorithms

• الگوریتم‌های طبقه‌بندی (Classification) Classification Algorithms

• نایو بیز (Naive Bayes) Naive Bayes

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

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

• درخت تصمیم (Decision Trees) Decision Trees

• مدل‌های Ensemble Ensemble Models

• الگوریتم‌های خوشه‌بندی (ناپراست یا Unsupervised) Clustering Algorithms (Unsupervised)

• شبکه‌های عصبی و یادگیری عمیق Neural Networks & Deep Learning

• مدل‌های پیشرفته مدرن Modern Advanced Models

• انتخاب الگوریتم مناسب Choosing the Right Algorithm

• نکات کلیدی متمرکز بر آزمون Exam-Oriented Key Takeaways

• سوالات آزمون Exam Questions

• سوالات آزمون: ML پیشرفته Exam Questions - Advanced ML

• راهنمای مطالعه Study Guide

بررسی عمیق ۱: عملیاتی‌سازی در محیط تولید Deep Dive #1 - Operationalization in Production

• مقدمه‌ای بر عملیاتی‌سازی در محیط تولید Introduction to Operationalization in Production

• عملیاتی‌سازی در تولید (Production) Operationalization in Production

• پیش‌بینی دسته‌ای (Batch Prediction) Batch Prediction

• پیش‌بینی در لحظه / استریمینگ Real-Time / Streaming Prediction

• استقرار میکروسرویس‌ها Microservices Deployment

• استقرار لبه‌ای (Edge Deployment) Edge Deployment

• مقایسه رویکردها Comparing the Approaches

• ریسک‌های کلیدی و تله‌های آزمون Key Risks & Exam Traps

بررسی عمیق ۲: رانش AI، تنظیم و بازآموزی مداوم مدل Deep Dive #2: AI Drift, Tuning, and Continuous Model Retraining

• مرور کلی بررسی عمیق Overview of the Deep Dive

• چرا مدل‌های AI در طول زمان تحلیل می‌روند Why AI Models Decay Over Time

• درک رانش: داده در مقابل مدل در مقابل مفهوم Understanding Drift: Data vs. Model vs. Concept

• تشخیص و اندازه‌گیری رانش (Drift) Detecting and Measuring Drift

• تنظیم مدل و بهینه‌سازی مجدد Model Tuning and Re-Optimization

• خط لوله‌های بازآموزی و اتوماسیون Retraining Pipelines & Automation

• اعتماد، حاکمیت و بازآموزی مسئولانه Trust, Governance, and Responsible Retraining

بررسی عمیق ۳: بیش‌برازش، کم‌برازش، سوگیری و واریانس در مدل‌های AI Deep Dive #3: Overfitting, Underfitting, Bias & Variance in AI Models

• چرا مدل‌های AI در محیط تولید شکست می‌خورند Why AI Models Fail in Production

• بیش‌برازش (Overfitting): وقتی مدل بیش از حد می‌آموزد Overfitting: When the Model Learns Too Much

• کم‌برازش (Underfitting): وقتی مدل کمتر از حد نیاز می‌آموزد Underfitting: When the Model Learns Too Little

• توضیح شفاف سوگیری (Bias) و واریانس Bias and Variance Explained Clearly

• موازنه سوگیری-واریانس The Bias–Variance Trade-off

• نحوه تشخیص بیش‌برازش و کم‌برازش How to Detect Overfitting and Underfitting

• تیم در مرحله بعد چه باید بکند؟ (تصمیم‌گیری CPMAI) What Should the Team Do Next? (CPMAI Decision Making)

• تمرکز آزمون: بیش‌برازش، کم‌برازش، سوگیری و واریانس Exam Focus: Overfitting, Underfitting, Bias & Variance

مثال‌های دنیای واقعی Real World Examples

• چگونه انتخاب الگوی اشتباه یک پروژه AI را نابود کرد How Wrong Pattern Selection Killed an AI Project

بخش Bonus Bonus Section

• تسلط بر آزمون: آنچه باید بدانید و راهنمای مطالعه PDF کامل Mastering the Exam - What you should know and Complete PDF Study Guide

• تسلط بر ذهنیت PMI: چگونه مانند یک متخصص CPMAI فکر کنیم Mastering the PMI Mindset - How to Think Like a CPMAI

• چالش CPMAI CPMAI Challenge

• شبیه‌ساز آزمون واقعی Real Exam Simulator