آموزش گردش کار هوش مصنوعی: اولویت‌های تجاری و جذب داده‌ها - آخرین آپدیت

دانلود AI Workflow: Business Priorities and Data Ingestion

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: این اولین دوره از یک تخصص شش بخشی است. شدیداً توصیه می‌شود این دوره‌ها را به ترتیب بگذرانید، زیرا این‌ها دوره‌های مستقل نیستند، بلکه بخشی از یک گردش کار (Workflow) هستند که در آن هر دوره بر پایه مفاهیم دوره‌های قبلی بنا شده است. این دوره نخست از گواهینامه «گردش کار سازمانی هوش مصنوعی IBM»، شما را با محدوده این تخصص و پیش‌نیازهای آن آشنا می‌کند. به طور خاص، دوره‌های این تخصص برای دانشمندان داده‌ای است که در محیط‌های عملی فعال هستند و در زمینه‌های احتمال، آمار، جبر خطی و ابزارهای پایتون برای علوم داده و یادگیری ماشین تسلط دارند. در این مسیر، یک شرکت رسانه‌ای استریمینگ به عنوان مشتری فرضی شما معرفی خواهد شد. شما با مفهوم «تفکر طراحی» (Design Thinking)، چارچوب IBM برای سازماندهی پروژه‌های بزرگ هوش مصنوعی در سازمان‌ها، آشنا می‌شوید. همچنین با مبانی «تفکر علمی» آشنا خواهید شد، زیرا چیزی که یک دانشمند داده خبره را از یک مبتدی متمایز می‌کند، تفکر خلاق و علمی است. در نهایت، کار خود را برای شرکت رسانه‌ای فرضی با درک داده‌های موجود و ساخت یک خط لوله جذب داده (Data Ingestion Pipeline) با استفاده از پایتون و ژوپیتر نوت‌بوک آغاز خواهید کرد. در پایان این دوره، شما قادر خواهید بود: ۱. مزایای اجرای علوم داده را با استفاده از یک فرآیند ساختاریافته بدانید. ۲. نحوه تطابق مراحل تفکر طراحی با گردش کار سازمانی هوش مصنوعی را شرح دهید. ۳. در مورد استراتژی‌های مختلف برای اولویت‌بندی فرصت‌های تجاری بحث کنید. ۴. توضیح دهید که علوم داده و مهندسی داده در کجای گردش کار هوش مصنوعی بیشترین هم‌پوشانی را دارند. ۵. هدف از تست کردن در فرآیند جذب داده‌ها را توضیح دهید. ۶. مورد استفاده از ماتریس‌های پراکنده (Sparse Matrices) را به عنوان مقصد نهایی برای جذب داده‌ها شرح دهید. ۷. گام‌های اولیه برای اتوماسیون خط لوله‌های جذب داده را بشناسید. چه کسانی باید در این دوره شرکت کنند؟ این دوره برای متخصصان علوم داده است که در ساخت مدل‌های یادگیری ماشین تجربه دارند و می‌خواهند مهارت‌های خود را در زمینه ساخت و استقرار هوش مصنوعی در سازمان‌های بزرگ ارتقا دهند. اگر شما یک دانشجوی تازه‌کار در علوم داده هستید، این دوره برای شما مناسب نیست، زیرا برای بهره‌مندی از محتوای این دوره‌ها به تجربه عملی در دنیای واقعی نیاز دارید. پیش‌نیازهای این دوره چیست؟ فرض بر این است که شما پیش از شروع این دوره، درک محکمی از موضوعات زیر دارید: درک بنیادی از جبر خطی؛ آشنایی با نمونه‌برداری، تئوری احتمال و توزیع‌های احتمالی؛ دانش مفاهیم آماری توصیفی و استنباطی؛ درک کلی از تکنیک‌های یادگیری ماشین و بهترین روش‌های اجرا؛ تسلط عملی بر پایتون و بسته‌های رایج علوم داده مانند NumPy، Pandas، matplotlib و scikit-learn؛ آشنایی با IBM Watson Studio و فرآیند تفکر طراحی.

سرفصل ها و درس ها

مقدمه‌ای بر گردش کار سازمانی هوش مصنوعی IBM IBM AI Enterprise Workflow Introduction

معرفی دوره Course Introduction
ایجاد پروژه در IBM Watson Studio IBM Watson Studio - Create a project
بررسی کلی گردش کار Workflow Overview

جمع‌آوری داده‌ها Data Collection

بررسی کلی جمع‌آوری داده‌ها Data Collection Overview
مقدمه‌ای بر فرصت‌های تجاری Introduction to Business Opportunities
مقدمه‌ای بر تفکر علمی برای کسب‌وکار Introduction to Scientific Thinking for Business
مقدمه‌ای بر گردآوری داده‌ها Introduction to Gathering Data
گردش کار هوش مصنوعی: گردآوری داده‌ها AI Workflow: Gathering data

جذب داده‌ها Data Ingestion

مقدمه‌ای بر جذب داده‌ها Introduction to Data Ingestion
گردش کار هوش مصنوعی: جذب داده‌ها AI Workflow: Data ingestion
گردش کار هوش مصنوعی: ماتریس‌های پراکنده برای توسعه خط لوله داده AI Workflow: Sparse Matrices for Data Pipeline Development
استفاده از Watson Studio برای تکمیل مطالعه موردی Using Watson Studio to Complete the Case Study
مطالعه موردی Case Study