آموزش هوش مصنوعی و یادگیری ماشین برای تحقیقات بازار: از صفر تا صد - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• درباره مدرسان About the instructors

• سرفصل‌های این دوره What this course will cover

شروع کار Getting Started

• نیازمندی‌های فنی دوره Course technical requirements

آشنایی با تحقیقات بازار Introduction to Market Research

• تحقیقات بازار چیست؟ What is market research?

• چرا باید تحقیقات بازار انجام دهیم؟ Why do market research?

• متدولوژی‌های پژوهشی Research methodologies

• تفاوت پژوهش‌های کمی و کیفی چیست؟ How quant and qual research are different?

• تعریف هدف پژوهش Defining your research objective

• تحلیل اهداف پژوهش با کمک هوش مصنوعی Unpacking research objectives with AI

• نکاتی برای انجام تحقیقات بازار بهتر Tips for conducting better market research

• انواع ابزارهای تحقیقات بازار Types of market research tools

• ابزارهای رایج در تحقیقات بازار Common tools in market research

• مراحل پروژه پژوهشی Research project stages

تحقیقات بازار و AI/ML Market Research & AI/ML

• فراتر از هایپ (تب) هوش مصنوعی Beyond the AI hype

• ابزارهای AI AI tools

• نقش هوش مصنوعی در تحقیقات بازار چیست؟ What is role of AI in market research?

• زمانی که استفاده از AI در تحقیقات بازار اشتباه پیش می‌رود When using AI in market research goes wrong

• چارچوب ارائه راهکارهای پژوهشی و AI Research & AI Solutioning Framework

• مهندسی پرامپت برای تحقیقات بازار Prompt engineering for market research

• راهنمای ورود به پلتفرم دستیار یادگیری AI AI learning assistant platform onboarding

• بررسی جامع دستیار یادگیری AI AI learning assistant walkthrough

• ایجاد پرامپت‌ها و آزمایش‌ها با دستیار یادگیری AI Creating prompts and experiments with the AI learning assistant

• چارچوبی برای حل مسائل با AI در تحقیقات بازار A framework for problem solving with AI in MR

انواع داده‌ها و ساختارها در تحقیقات بازار Data Types & Structures in Market Research

• بررسی انواع مختلف داده‌ها در تحقیقات بازار Exploring different types of data in market research

• داده‌ها و هوش مصنوعی Data and AI

• انواع داده‌ها و متدهای AI Data types and AI methods

• مقایسه داده‌های ساختاریافته و بدون ساختار Comparing Structured and Unstructured Data

• تحلیل داده‌های کمی Unpacking quantitative data

• داده‌های ساختاریافته Structured Data

• تحلیل داده‌های کیفی Unpacking qualitative data

• داده‌های بدون ساختار Unstructured Data

• سایر انواع داده‌ها Other Data Types

• چالش‌های رایج بر اساس نوع داده‌ها Common challenges based on types of data

حل مسئله و وظایف Problem Solving & Tasks

• شناسایی فرصت‌های AI در تحقیقات بازار Identifying AI opportunities in market research

• به‌کارگیری رویکرد وظیفه‌محور در تحقیقات بازار هنگام استفاده از AI Applying a task driven approach to market research when using AI

• مثال‌های واقعی از کاربرد AI در تحقیقات بازار Real world examples of using AI in market research

• دمو: پژوهش عمیق با Gemini Demo: Deep Research with Gemini

• وظایف و هوش مصنوعی Tasks and AI

• هوش مصنوعی مولد و وظایف Generative AI and tasks

هوش مصنوعی و مدل‌ها AI & Models

• هوش مصنوعی و مدل‌ها AI and Models

• از AI نظارت‌شده تا نظارت‌نشده Supervised to Unsupervised AI

• چارچوبی برای درک مدل‌های AI Framework for Understanding AI Models

• سایر مدل‌های یادگیری ماشین (ML) More ML Models

• ارتباط AI با تکنیک‌های سنتی How does AI relate to more traditional techniques

متدها و معماری‌های AI AI Methods & Architectures

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

• غوص در یادگیری عمیق Diving into Deep Learning

• غوص در هوش مصنوعی مولد Diving into Generative AI

فعالیت عملی ۱: کاوش در داده‌های کمی Hands-on Activity #1: Quantitative Data Exploration

• بخش اول فعالیت: آشنایی با نوت‌بوک و بارگذاری داده‌ها Activity Part 1: Introduction to notebook and data loading

• بخش دوم فعالیت: تحلیل اکتشافی داده‌ها Activity Part 2: Exploratory data analysis

• بخش سوم فعالیت: رگرسیون خطی Activity Part 3: Linear regression

• بخش چهارم فعالیت: رگرسیون لجستیک و طبقه‌بندی Activity Part 4: Logistic regression and classification

• بخش پنجم فعالیت: ساخت یک خط لوله (Pipeline) Activity Part 5: Building a pipeline

• بخش ششم فعالیت: آموزش و ارزیابی مدل - قسمت اول (رگرسیون) Activity Part 6: Model training and evaluation pt.1 (regression)

• بخش هفتم فعالیت: آموزش و ارزیابی مدل - قسمت دوم (طبقه‌بندی) Activity Part 7: Model training and evaluation pt.1 (classification)

• بخش هشتم فعالیت: اهمیت ویژگی‌ها و درخت‌های تصمیم Activity Part 8: Feature importance and trees

فعالیت عملی ۲: ساخت اپلیکیشن مبتنی بر LLM Hands-on Activity #2: Building an LLM Powered App

• فایل‌های مربوط به فعالیت Files for activity

• آشنایی با Hugging Face و Gradio Intro to Hugging Face and Gradio

• ساخت یک تولیدکننده پرسونا مبتنی بر پرامپت Creating a prompt-driven persona generator

• ساخت رابط کاربری و اجرای اپلیکیشن Building an interface and running the app

جمع‌بندی دوره و سپاسگزاری Course Wrap-up & Thank You

• مرور کلی دوره Course Recap