لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش سواد دادهها: کاوش و توصیف دادهها در دنیای هوش مصنوعی
- آخرین آپدیت
دانلود Data Literacy: Exploring and Describing Data in an AI World
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
تحلیل دادهها صرفاً برای متخصصانی که با مجموعه دادههای عظیم سروکار دارند نیست. تصمیمگیرندگان در هر صنعتی میتوانند از درک ابتدایی اهداف و مفاهیم تحلیل دادههای کاربردی بهرهمند شوند. در این دوره، بارتون پولسون بر مبانی «روانی دادهها» (Data Fluency) یا توانایی کار با دادهها برای استخراج بینشها و تعیین گامهای بعدی تمرکز میکند. بارتون نشان میدهد که چگونه کاوش در دادهها با استفاده از نمودارها و توصیف آنها با آمار میتواند به شما در رسیدن به اهداف و اتخاذ تصمیمات بهتر کمک کند. او به جای تمرکز بر ابزارهای خاص، بر روی رویههای کلی تمرکز میکند که به شما در حل مشکلات مشخص کمک میکنند. بارتون نحوه آمادهسازی و تطبیق دادهها، کاوش بصری و استفاده از روشهای آماری برای توصیف آنها را پوشش میدهد. همچنین به طور عمیق به مباحث احتمال و استنتاج پرداخته و اخلاق در دادهها و هوش مصنوعی قابل توضیح (Explainable AI) را بررسی میکند.
سرفصل ها و درس ها
مقدمه
Introduction
اتخاذ تصمیمات بهتر با استفاده از دادهها
Make better decisions with your data
1. تفکر با دادهها
1. Think with Data
چگونه روانی دادهها را توسعه دهیم
How to develop data fluency
معنای روانی دادهها
The meaning of data fluency
شفافسازی تفکر شهودی
Making intuitive thinking explicit
روانی دادهها برای همه است
Data fluency is for everyone
نرخ بازگشت سرمایه (ROI) و قانون 80/20 در روانی دادهها
ROI and the 80/20 rule for data fluency
روانی دادهها در عمل
Data fluency in practice
قرار دادن دادهها در متن (Context)
Putting data in context
تصمیمگیری دادهمحور
Data-driven decision-making
تفکر در مورد علتها
Thinking about causes
سواد دادهها در عصر هوش مصنوعی مولد و هوش مصنوعی عاملمحور
Data literacy in the age of generative AI and agentic AI
2. آمادهسازی دادهها
2. Prepare Data
جمعآوری دادههای جدید
Gather new data
ارزیابی کیفیت دادهها
Assess the quality of data
ارزیابی تعمیمپذیری دادهها
Assess the generalizability of data
استفاده از دادههای داخلی
Use in-house data
استفاده از دادههای باز
Use open data
استفاده از دادههای شخص ثالث
Use third-party data
ارزیابی معنای دادهها
Assess the meaning of data
اخلاق در دادهها
Data ethics
ارزیابی ابهامات در دادهها
Assess the ambiguities in data
3. تطبیق دادهها
3. Adapt Data
فیلتر کردن دادهها
Filter data
محاسبه مجموع و میانگین
Calculate sums and means
محاسبه نسبتها
Calculate ratios
مرتبسازی دادهها
Sort data
تنظیم نسبتها در عمل
Adjust ratios in practice
کدگذاری متن
Code text
ترکیب و تقسیم دستهبندیها
Combine and split categories
محاسبه نرخها
Calculate rates
آمادهسازی دادهها با کمک هوش مصنوعی
AI-assisted data preparation
4. کاوش در دادهها
4. Explore Data
نمودارهای جعبهای (Box plots)
Box plots
هیستوگرامها
Histograms
نمودارهای دایرهای
Pie charts
نمودارهای خطی
Line charts
نمودارهای ستونی
Bar charts
نمودارهای نقطهای
Dot plots
نقشههای داده
Data maps
نمودارهای پراکندگی (Scatterplots)
Scatterplots
نمودارهای ستونی گروهبندی شده
Grouped bar charts
اسپارکلاینها (Sparklines)
Sparklines
برتری بصری: اهمیت شروع با تصاویر
Visual primacy: The importance of starting with pictures
5. توصیف دادهها
5. Describe Data
کاوش در جداول
Exploring tables
پیشبینی امتیازها با رگرسیون
Predict scores with regression
توصیف تغییرپذیری با دامنه و IQR
Describe variability with the range and IQR
توصیف معیارهای مرکز
Describe measures of center
اندازه اثر برای همبستگی و رگرسیون
Effect size for correlation and regression
توصیف تغییرپذیری با واریانس و انحراف معیار
Describe variability with the variance and standard deviation
تغییر مقیاس دادهها با z-scores
Rescale data with z-scores
تفسیر z-scores
Interpret z-scores
توصیف تفاوتهای گروهی با اندازه اثر
Describe group differences with effect sizes
توصیف ارتباطات با همبستگیها
Describe associations with correlations
توصیفات عددی
Numerical descriptions
کاوش و مدلسازی دادهها با کمک هوش مصنوعی
AI-assisted data exploration and modeling
6. احتمال و استنتاج
6. Probability and Inference
تغییرات نمونهبرداری
Sampling variation
احتمال پایه
Basic probability
احتمال شرطی
Conditional probability
استنتاج به عنوان توصیف جمعیت
Inference as describing populations
مقادیر مورد انتظار
Expected values
هوش مصنوعی به عنوان منبع اضافی تغییرپذیری تحلیلی
AI as an additional source of analytical variability
7. ادامه مسیر یادگیری روانی دادهها
7. Continuing Your Data Fluency Learning Quest
گامهای بعدی و منابع تکمیلی
Next steps and additional resources
بارتون پولسون یک پروفسور، طراح و متخصص تجزیه و تحلیل داده ها است.
بارتون در بسیاری از کارهای خود پلی از تحلیل و زیبایی شناسی کرده است. زندگی، با سابقه طراحی صنعتی، دکتری. در روانشناسی اجتماعی و شخصیت، و عشق عمیق به تجزیه و تحلیل داده ها و تجسم داده ها و همچنین هنرهای تجسمی و نمایشی. بارت دانشیار روانشناسی در دانشگاه یوتا ولی است و در دانشگاه بریگام یانگ، دانشگاه یوتا و دانشگاه سیتی نیویورک تحصیل کرده است. او در نقش خود به عنوان معلم تحقیق و تحلیل، صدها مطالعه را با دانشجویان خود در مورد موضوعاتی از هویت اجتماعی و آرزوها تا ترجیحات ضمنی برای شعر و معماری انجام داده است. بارت و همسرش، ژاک لین بل، یک طراح رقص مدرن، با سه فرزند خود در شهر زیبای سالت لیک زندگی می کنند.
نمایش نظرات