دوره مدیریت داده محور در صنعت نفت

دوره مدیریت داده محور در صنعت نفت

ساعت آموزشی مورد نیاز:  40 ساعت

مخاطبین دوره: کارشناسان و مدیران کلیه سطوح در تمامی بخش‌ها

هدف برگزاری:

• آشنایی با مفاهیم پایه مدیریت و تصمیم‌گیری داده محور و اهمیت آن در سازمان‌ها
• کسب مهارت در جمع‌آوری، پاکسازی و آماده‌سازی داده‌ها
• آشنایی با ابزارها و تکنیک‌های تحلیل داده
• توانایی استخراج دانش از داده‌ها برای تصمیم‌گیری بهتر
• درک مفاهیم پایه و متدولوژی‌های علم داده

پیش‌نیاز دوره: تسلط بر مهارت‌های هفتگانه ICDL

توضیحات دوره: تلاش برای استخراج دانش و کشف الگوها به کمک داده‌‌ها برای تصمیم‌گیری بهینه و استفاده از تکنولوژی‌های مبتنی بر هوش مصنوعی در مدیریت امور امری ضروری و اجتناب ناپذیر برای جهان پرمتغییر امروز است. همانطور که با ظهور کامپیوترها سازمان‌ها پرسنل خود را برای استفاده از این تکنولوژی آماده می‌کردند، امروز نیز با فراگیر شدن هوش‌مصنوعی سازمان‌ها می‌بایست به ارتقائ سطح دانش و مهارت نیروی انسانی خود مبادرت ورزند. این دوره گامی است برای توانمندسازی سرمایه انسانی سازمان‌ها در بکارگیری بخش‌های گوناگون علم داده (هوش‌مصنوعی) در زمینه مدیریت امور سازمانی.

سرفصل‌ها:

بخش اول مفاهیم پایه و متدولوژی داده محور مورد استفاده در مدیریت عمومی و فنی

• تعریف علم داده
• تعریف هوش‌مصنوعی بعنوان دستاورد علم داده
• اجزای علم داده
• چرخه استخراج دانش از داده‌ها
• تعریف داده‌کاوی (Data Mining) و استاندارد CRISP-DM
• تعریف یادگیری ماشین (Machine Learning) و رویکردهای آن
• آشنایی با فرآیند کاوی (Process mining) و نقش آن در تحلیل و ارزیابی عملکرد واحدهای سازمانی
• آشنایی با تکنولوژی‌های کشف تقلب از قبیل: گراف کاوی (Graph mining)، کشف ناهنجاری (Anomaly Detection)
• آشنایی با کشف خرابی (Fault Detection) و پیش‌بینی بروز آن به کمک هوش مصنوعی در مدیریت فنی تجهیزات و اموال
• آشنایی با بینایی ماشین (Machine vision) و نقش آن در مدیریت اموال، ترابری، نیروی انسانی، حراست هوشمند و…
• آشنایی با هوش تجاری (BI) و نقش آن در پیشبرد اهداف سازمانی
• معرفی LLM ها و نقش آنها در مدیریت
• آشنایی با حاکمیت داده (Data Governance) و نقش آن در پایداری مدیریت داده محور در سازمان

بخش دوم بکارگیری ابزارها و داده‌ها در نیل به اهداف سازمانی

• زبان برنامه نویسی پایتون و کتابخانه‌های علم داده
• جمع‌آوری و پیش پردازش داده‌ها و کار با دیتافریم در کتابخانه‌های علم داده در پایتون
• مدل سازی آماری و استفاده از الگوریتم‌های داده‌کاوی به کمک کتابخانه‌های علم داده در پایتون
• استفاده از الگوریتم‌های یادگیری ماشین (رگرسیون، طبقه‌بندی، خوشه‌بندی) به کمک کتابخانه‌های علم داده در پایتون
• مصورسازی داده‌ها و ساخت داشبورد در Power BI