دوره آموزشی Introduction to Data Science

ساعت آموزشی مورد نیاز:

بر اساس نیازهای گروه‌های مخاطب در بیان مثال‌های تخصصی زمان برگزاری بین 30 الی 40 ساعت متغییر خواهد بود.

مدرس:

علی عاقلی

هدف برگزاری:

در این دوره با بیان مفاهیم پایه علم داده (Data Science) به دور از جزئیات فنی و ریاضیات، به توسعه دانش دانشپذیر اقدام می‌گردد تا وی پس از آشنایی گسترده با مفاهیم کلی، با نگرشی فراخ، تصمیم به انتخاب و یا عدم انتخاب این میان‌رشته برای توسعه فردی و یا استفاده از این ساختار علمی در پیشبرد اهداف شغلی و سازمانی مبادرت ورزد.

شرح سرفصل‌ها نسخه 1:

1) تعریف علم داده (Data Science)
2) توضیح ماهیت میان رشته‌ای علم داده
3) دستاورد علم داده به عنوان هوشمندی غیر انسانی (هوش مصنوعی)
4) کاربرد های علم داده در روزگار ما
5) چرا علم داده برای امروز و فردای ما مهم است
6) پی‌بینی نرخ رشد تقاضا برای توانمندی های مبتنی بر علم داده از نگاه بنچ مارک های مختلف
7) پیش‌بینی سازمان ملل پیرامون هوش مصنوعی
8) میزان درآمد دیتاساینتیست‌ها
9) اکوسیستم شغلی در علم داده
10) اکوسیستم بین المللی آموزش علم داده
11) توانایی های پایه برای ورود به عرصه Data Science
12) تفاوت های دانشگر داده، تحلیلگر داده، مهندس داده و سایر گرایش‌های علم داده و نیاز های مهارتی هرکدام از گرایش ها
13) چگونگی حل مسائل با استفاده از داده ها در دنیای واقعی
14) تشریح مسیر تکاملی داده به دانش
15) شکل داده ها در دنیای واقعی
16) انواع داده ها از نظر ساختار
17) تشریح تاریخچه علم داده از تولد آمار و احتمالات تا Machine Learning
18) یادگیری ماشین و داده کاوی (Data Mining) تعاریف، تفاوت ها و همپوشانی‌ها
19) چالش‌های یادگیری ماشین و داده کاوی و اقدامات رایج جهت برون‌رفت از آنها
20) استانداردها و متدولوژی های داده‌کاوی
21) استاندارد CRISP-DM و فازهای آن
22) مفهوم هوش تجاری (BI) و تشریح زیر مجموعه های آن
23) انواع یادگیری در مدل‌های هوشمند
24) چالش های یادگیری در مدل های هوشمند
25) کاربردهایی از هر مدل یادگیری ماشین
26) کاربردها و سطح پیچیدگی در مسئله انتخاب الگوریتم
27) مفهوم Data Driven
28) الگوریتم های کلاسیک مثال ها کاربرد ها چالش ها
29) شبکه عصبی
30) شبیه سازی سلول‌های دستگاه عصبی انسان
31) تاریخچه پرسپترون
32) زمستان اول هوش مصنوعی
33) زمستان دوم هوش مصنوعی
34) توسعه شبکه عصبی به یادگیری عمیق
35) تاریخچه یادگیری عمیق
36) چالش های یادگیری عمیق
37) دستاوردهای یادگیری عمیق و تغییر دنیای اطراف ما
38) زبان های برنامه نویسی و کامیونیتی علوم داده
39) زبان برنامه نویسی پایتون و کتابخانه های علم داده در آن
40) بصری سازی داده ها و درک الگوها
41) ابزارهای بصری سازی داده‌ها
42) آشنایی با NLP و زبانشناسی محاسباتی (text, speech)
43) آشنایی با Signal Mining
44) آشنایی با بینایی ماشین
45) آشنایی با Graph Mining
46) آشنایی با فرآیند کاوی (Pross Mining)
47) آشنایی با تحلیل داده های مکانی (Spatial Data Mining)
48) ChatGPT و مدل‌های زبانی
49) علم داده در کشف تقلب
50) علم داده در خرده فروشی
51) علم داده در پزشکی
52) علم داده در بانکداری
53) علم داده در بیمه
54) علم داده در بازاریابی
55) علم داده در سنجش از دور
56) علم داده در کیهان شناسی
57) علم داده در حمل و نقل
58) تهدیدات علم داده از واقعیت تا توهم
59) حکمرانی داده، مدیریت داده
60) شرکت های مطرح و تخصصی در حوزه علم داده
61) پلتفرم‌های تسهیلگر در توسعه بکارگیری علم داده
62) شرکت های ایرانی مطرح در حوزه علم داده
63) مسیر یادگیری علم داده
64) مسیر شغلی در علم داده