آموزش حکمرانی هوش مصنوعی برای همه - آخرین آپدیت

دانلود AI Governance for Everyone

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این برنامه آموزشی به بررسی این موضوع می‌پردازد که چگونه هوش مصنوعی مسئولانه و حکمرانی هوش مصنوعی به سازمان‌ها کمک می‌کند تا سیستم‌های قابل اعتماد، شفاف و پاسخگو بسازند. شما با درک چشم‌انداز مدرن هوش مصنوعی، چالش‌های حکمرانی و اصول بنیادی هوش مصنوعی مسئولانه شروع خواهید کرد. همچنین خواهید آموخت که سوگیری‌ها چگونه در سیستم‌های هوش مصنوعی ظاهر می‌شوند، تصمیمات AI چه تأثیری بر عدالت و قابلیت اطمینان دارند و مفاهیم پایه‌ای حکمرانی هوش مصنوعی، پاسخگویی و نقشه‌برداری از ریسک‌های حکمرانی را بررسی خواهید کرد. سپس تکنیک‌های عدالت، توضیح‌پذیری و مدیریت ریسک هوش مصنوعی را که برای ارزیابی و نظارت بر سیستم‌های یادگیری ماشین استفاده می‌شوند، فرا خواهید گرفت. این برنامه شامل معیارهای عدالت، نظارت انسانی، تفسیرپذیری، شفافیت و توضیحات محلی و جهانی است. از طریق دموهای عملی با استفاده از SHAP و LIME، پیش‌بینی‌های مدل را تحلیل کرده، تأثیر ویژگی‌ها را تفسیر می‌کنید و رفتار مسئولانه هوش مصنوعی را ارزیابی خواهید کرد. در ادامه، هوش مصنوعی مولد مسئولانه و چالش‌های حکمرانی مرتبط با مدل‌های پایه و مدل‌های زبانی بزرگ (LLMs) را بررسی خواهید کرد. ریسک‌هایی مانند توهمات (Hallucinations)، اطلاعات نادرست، خروجی‌های ناامن و نگرانی‌های مربوط به قابلیت اطمینان را در کنار روش‌های حکمرانی، تکنیک‌های ارزیابی ایمنی و استراتژی‌های استقرار مسئولانه برای سیستم‌های هوش مصنوعی مولد تحلیل خواهید کرد. در نهایت، چارچوب‌های حکمرانی هوش مصنوعی، اصول حسابرسی و رویکردهای نظارتی جهانی را که برای مدیریت ریسک‌های AI در مقیاس وسیع استفاده می‌شوند، بررسی می‌کنید. شما با استانداردهایی مانند ISO 42001، متدولوژی‌های حسابرسی AI، شیوه‌های ارزیابی ریسک حکمرانی و نحوه ایجاد انطباق، پاسخگویی و نظارت مؤثر بر هوش مصنوعی توسط سازمان‌ها آشنا می‌شوید. در پایان این دوره، شما قادر خواهید بود: - اصول هوش مصنوعی مسئولانه، مفاهیم حکمرانی و چالش‌های مدرن حکمرانی AI را توضیح دهید - سوگیری‌ها، ریسک‌های عدالت و الزامات نظارت انسانی در سیستم‌های هوش مصنوعی را شناسایی و ارزیابی کنید - پیش‌بینی‌های هوش مصنوعی را با استفاده از تکنیک‌های توضیح‌پذیری مانند SHAP و LIME تفسیر کنید - ریسک‌های هوش مصنوعی مولد و LLM، از جمله توهمات و خروجی‌های ناامن را بسنجید - شیوه‌های حکمرانی، حسابرسی و مدیریت ریسک AI را با استفاده از چارچوب‌ها و استانداردهای جهانی به کار ببرید این برنامه برای متخصصان هوش مصنوعی، مهندسان یادگیری ماشین، دانشمندان داده، متخصصان حکمرانی، تیم‌های تطبیق (Compliance)، رهبران فناوری و تحلیلگرانی طراحی شده است که قصد دارند سیستم‌های هوش مصنوعی قابل اعتماد را بسازند، ارزیابی کنند و مدیریت نمایند. داشتن درک پایه‌ای از مفاهیم یادگیری ماشین و زبان برنامه‌نویسی پایتون به شما کمک می‌کند تا از تجربه یادگیری خود بیشترین بهره را ببرید. با ما همراه شوید تا هوش مصنوعی مسئولانه، عدالت، توضیح‌پذیری، حکمرانی و شیوه‌های مدیریت ریسک AI را که به ایجاد سیستم‌های هوشمند شفاف، قابل اعتماد و پاسخگو کمک می‌کنند، کشف کنید.

سرفصل ها و درس ها

مبانی هوش مصنوعی مسئولانه و حکمرانی Foundations of Responsible AI & Governance

  • معرفی دوره Course Introduction

  • چشم‌انداز مدرن هوش مصنوعی و چالش‌های حکمرانی The Modern AI Landscape and Governance Challenges

  • مبانی هوش مصنوعی مسئولانه Foundations of Responsible AI

  • کارگاه عملی: بررسی سوگیری و نتایج تصمیم‌گیری AI Hands-On: Exploring Bias and AI Decision Outcomes

  • کارگاه عملی: تحلیل سوگیری‌های AI و نتایج پیش‌بینی Hands-On: Analyzing AI Bias and Prediction Outcomes

  • آشنایی با حکمرانی هوش مصنوعی Introduction to AI Governance

  • نقش‌ها در حکمرانی مسئولانه هوش مصنوعی Roles in Responsible AI Governance

  • کارگاه عملی: نقشه‌برداری از ریسک‌های حکمرانی AI Hands-On: Mapping AI Governance Risks

عدالت، توضیح‌پذیری و مدیریت ریسک هوش مصنوعی Fairness, Explainability & AI Risk Management

  • منابع سوگیری در سیستم‌های یادگیری ماشین Sources of Bias in ML Systems

  • معیارهای عدالت و سبک-سنگین کردن‌ها در سیستم‌های AI Fairness Metrics and Trade-Offs in AI Systems

  • نظارت انسانی و تصمیم‌گیری با حضور انسان در چرخه (HITL) Human Oversight and Human-in-the-Loop Decision Making

  • کارگاه عملی: شناسایی سوگیری و ارزیابی عدالت با Fairlearn Hands-On: Detecting Bias and Evaluating Fairness with Fairlearn

  • تفسیرپذیری در مقابل شفافیت و توضیح‌پذیری Interpretability vs. Transparency vs. Explainability

  • درک توضیحات محلی و جهانی مدل Understanding Local and Global Model Explanations

  • مدیریت ریسک AI و ارزیابی مسئولانه مدل AI Risk Management and Responsible Model Evaluation

  • کارگاه عملی: تفسیر پیش‌بینی‌های AI با استفاده از SHAP و LIME Hands-On: Interpreting AI Predictions Using SHAP and LIME

  • کارگاه عملی: توضیح‌پذیری محلی با SHAP و LIME Hands-On: Local Explainability with SHAP and LIME

هوش مصنوعی مولد مسئولانه، مقررات و حسابرسی AI Responsible Generative AI, Regulation & AI Auditing

  • هوش مصنوعی مولد مسئولانه و ریسک‌های مدل‌های پایه Responsible Generative AI and Foundation Model Risks

  • توهمات، اطلاعات نادرست و خروجی‌های ناامن AI Hallucinations, Misinformation, and Unsafe AI Outputs

  • حکمرانی و ایمنی در مدل‌های زبانی بزرگ (LLMs) Governance and Safety in Large Language Models

  • کارگاه عملی: ارزیابی ایمنی و توهمات در LLM Hands-On: LLM Hallucination and Safety Evaluation

  • حکمرانی جهانی هوش مصنوعی: ISO 42001 و چارچوب‌های بین‌المللی Global AI Governance - ISO 42001 and International Frameworks

  • اصول بنیادی حسابرسی هوش مصنوعی AI Auditing Fundamentals

  • کارگاه عملی: ارزیابی ریسک حکمرانی AI Hands-On: AI Governance Risk Assessment

  • کارگاه عملی: تحلیل دینامیک ریسک حکمرانی هوش مصنوعی Hands-On: Dynamic AI Governance Risk Analysis

جمع‌بندی دوره و ارزیابی نهایی Course Wrap-Up and Assessment

  • خلاصه و جمع‌بندی دوره Course Summary

نمایش نظرات

آموزش حکمرانی هوش مصنوعی برای همه
جزییات دوره
6h 17m
26
(آخرین آپدیت)
60
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده