خانه آموزش هوش مصنوعی ریاضی و آمار مقدماتی (برای هوش مصنوعی و علم داده)
دوره ریاضی و آمار برای هوش مصنوعی برای افرادی طراحی شده است که می‌خواهند پایه ریاضی و آماری لازم برای ورود به دنیای هوش مصنوعی و علم داده را به‌صورت کاربردی و قابل‌فهم یاد بگیرند. تمرکز دوره بر درک مفاهیم و استفاده از آن‌ها در مسائل واقعی داده‌محور است تا یادگیرنده بتواند داده‌ها را بهتر تحلیل کند، نتایج را تفسیر کند و ارتباط میان مفاهیم ریاضی و مدلسازی را درک کند. در پایان، دید منسجم‌تری نسبت به نقش ریاضیات و آمار در تحلیل داده و مسائل هوش مصنوعی خواهید داشت.
2,230,000 تومان
این فصل به ایجاد زبان مشترک ریاضی برای تحلیل داده می‌پردازد و مفاهیمی مانند اعداد، نرخ رشد، توابع و نمودارها را با تمرکز بر کاربرد آن‌ها در داده‌های واقعی بررسی می‌کند. در این بخش، شرکت‌کنندگان با الگوهای خطی، نمایی و لگاریتمی آشنا می‌شوند و یاد می‌گیرند چگونه نمودارها و مقادیر عددی را تفسیر کرده، خطاهای رایج در برداشت از داده‌ها را تشخیص دهند و گزارش‌های ساده و دقیق مبتنی بر داده تهیه کنند.
این فصل به معرفی مفاهیم پایه جبر خطی و نقش آن‌ها در تحلیل داده و هوش مصنوعی اختصاص دارد. در این بخش، داده‌ها به‌عنوان نقاطی در فضا بررسی می‌شوند و مفاهیمی مانند بردار، ماتریس و عملیات روی آن‌ها با رویکردی کاربردی آموزش داده می‌شوند. هدف این فصل، ایجاد درک از ساختار داده‌های چندبعدی و آماده‌سازی ذهنی شرکت‌کنندگان برای درک الگوریتم‌های پیشرفته‌تر تحلیل داده است.
تمرین: مدلسازی برای شناسایی ارزشمند‌ترین مشتری.
این فصل به مفهوم تغییر در مسائل داده‌محور می‌پردازد و مفاهیمی مانند شیب، مشتق و کاربرد آن‌ها در یافتن نقاط بهینه را بررسی می‌کند. در این بخش، تمرکز اصلی بر درک و کاربرد عملی مفاهیم دیفرانسیل در تحلیل داده و بهینه‌سازی است و از رویکرد صرفاً فرمول‌محور فاصله گرفته می‌شود.
تمرین: محاسبه بهترین میزان هزینه تبلیغات برای کسب درآمد بیشتر.
این فصل به بررسی مفهوم عدم‌قطعیت در داده‌ها و روش‌های مدلسازی آن با استفاده از احتمال می‌پردازد. در این بخش، شرکت‌کنندگان با مفاهیم پایه احتمال، احتمال شرطی، استقلال و متغیرهای تصادفی آشنا می‌شوند و یاد می‌گیرند چگونه رویدادهای کسب‌وکاری را در قالب مدل‌های احتمالی تحلیل کنند و تفاوت بین الگوهای واقعی و اتفاقات تصادفی را تشخیص دهند.
تمرین: مدلسازی از احتمال تاخیر پرواز در فرودگاه.
این فصل به مهارت‌های پایه و روزمره تحلیل داده اختصاص دارد و روش‌های خلاصه‌سازی، بررسی و نمایش داده‌ها را آموزش می‌دهد. در این بخش، شرکت‌کنندگان با شاخص‌های مرکزی و پراکندگی، شکل توزیع داده‌ها و انتخاب نمودار مناسب برای انتقال بهتر اطلاعات آشنا می‌شوند و در پایان قادر خواهند بود گزارش‌های توصیفی و داشبوردهای ساده تحلیلی ایجاد کنند.
تمرین: مصورسازی داده.
این فصل به معرفی توزیع‌های آماری مهم و نقش آن‌ها در تحلیل رفتار داده‌ها می‌پردازد. در این بخش، شرکت‌کنندگان با مفاهیمی مانند توزیع نرمال، Z-score، قانون اعداد بزرگ و قضیه حد مرکزی آشنا می‌شوند و یاد می‌گیرند چگونه رفتار داده‌های تصادفی، میزان غیرعادی بودن داده‌ها و عدم‌قطعیت موجود در تحلیل‌ها را ارزیابی کنند.
تمرین: محاسبه احتمال سوددهی جشنواره و تحلیل سناریو.
این فصل به روش‌های استخراج نتیجه از نمونه‌های داده و تعمیم آن‌ها به جامعه آماری می‌پردازد. در این بخش، شرکت‌کنندگان با مفاهیم برآورد، بازه اطمینان، آزمون فرض و تفسیر نتایج آماری آشنا می‌شوند و یاد می‌گیرند چگونه خروجی‌های آماری را به زبان قابل فهم برای تصمیم‌گیری کسب‌وکاری ترجمه کنند.
تمرین: استفاده از آزمون‌های آماری برای بررسی تفاوت میانگین نمونه.
این فصل به کاربرد توابع و تبدیل‌های ریاضی در آماده‌سازی و تحلیل داده‌ها می‌پردازد. در این بخش، شرکت‌کنندگان با نقش تبدیل‌هایی مانند لگاریتم‌گیری، مقیاس‌دهی و نرمال‌سازی آشنا می‌شوند و یاد می‌گیرند در چه شرایطی استفاده از این تبدیل‌ها باعث بهبود تحلیل و مدلسازی داده می‌شود.
تمرین: تبدیل داده و مدلسازی با داده تبدیل شده
این فصل به معرفی مفاهیم پایه بهینه‌سازی و نقش آن‌ها در بهبود مدل‌های داده‌محور اختصاص دارد. در این بخش، شرکت‌کنندگان با تابع هزینه، مفهوم گرادیان و روش‌های کاهش خطا آشنا می‌شوند و نحوه استفاده از این مفاهیم را در مسائل ساده یاد می‌گیرند.
تمرین: تعیین قیمت محصول برای بیشترین فروش.
این فصل به جمع‌بندی مفاهیم دوره و استفاده عملی از ابزارهای ریاضی در یک پروژه تحلیل داده اختصاص دارد. در این بخش، شرکت‌کنندگان تمامی مراحل از آماده‌سازی داده تا تحلیل، مدلسازی و ارائه نتایج را در قالب یک پروژه کاربردی تجربه می‌کنند و خروجی نهایی به‌صورت یک گزارش تحلیلی قابل ارائه خواهد بود.
دانشمند داده در شرکت پرداخت الکترونیک پاسارگاد از سال ۱۴۰۳ تاکنون. پژوهشگر و متخصص هوش مصنوعی و علم داده از سال ۱۳۹۹. مدرس ریاضیات از سال ۱۳۸۸ تاکنون. کارشناس ارشد ریاضیات با تجربه فعالیت در پروژه‌های داده محور.
برنامه‌نویسی به شما کمک می‌کند مدل را اجرا کنید؛ ریاضی کمک می‌کند بفهمید مدل چه کاری انجام می‌دهد و چرا نتیجه می‌دهد. اگر فقط کد را بلد باشید، ممکن است بتوانید یک مدل آماده را اجرا کنید، اما تشخیص خطا، انتخاب روش مناسب و فهم خروجی‌ها سخت‌تر می‌شود.
بخش بزرگی از داده‌هایی که مدل‌ها با آن کار می‌کنند به شکل جدول‌های عددی و ماتریس نمایش داده می‌شود. تصویر، اطلاعات مشتری، ویژگی‌های یک محصول و حتی بخشی از محاسبات شبکه‌های عصبی را می‌توان به شکل ماتریسی دید. برای همین جبر خطی یکی از پایه‌های اصلی فهم هوش مصنوعی است.
مدل یک مقدار برای «خطا» محاسبه می‌کند و بعد بررسی می‌کند برای کمتر شدن این خطا باید پارامترهایش را به کدام سمت تغییر دهد. مفهوم مشتق و گرادیان دقیقاً پشت همین فرایند قرار دارد. یعنی ریاضی به مدل کمک می‌کند قدم‌به‌قدم به جواب بهتر نزدیک شود.
خیلی از خروجی‌های هوش مصنوعی قطعی نیستند. مدل ممکن است بگوید احتمال تقلب در یک تراکنش ۸۰ درصد است یا مدل تشخیص می‌دهد تصویر به کدام کلاس یا دسته بیشتر شباهت دارد. برای فهم درست چنین خروجی‌هایی، شناخت احتمال و عدم‌قطعیت ضروری است.
اگر مقیاس متغیرها خیلی متفاوت باشد، بعضی الگوریتم‌ها ممکن است بیش از حد تحت تأثیر متغیرهای بزرگ‌تر قرار بگیرند. نرمال‌سازی، مقیاس‌دهی یا تبدیل‌هایی مثل لگاریتم کمک می‌کنند داده برای تحلیل و مدلسازی مناسب‌تر شود. البته هر تبدیلی هم برای هر داده‌ای درست نیست.
بله. لازم نیست از روز اول ریاضیات پیشرفته بلد باشید. مهم این است که مفاهیم پایه را کاربردی یاد بگیرید و بدانید هر مفهوم کجا استفاده می‌شود. وقتی ریاضی با مثال داده‌محور آموزش داده شود، معمولاً خیلی قابل‌فهم‌تر از چیزی است که از مدرسه به خاطر داریم.
چون چند عدد خیلی بزرگ یا خیلی کوچک می‌توانند میانگین را جابه‌جا کنند. مثلاً برای بررسی حقوق افراد، ممکن است میانه تصویر واقعی‌تری از وضعیت معمول بدهد. انتخاب شاخص مناسب باعث می‌شود از داده نتیجه اشتباه نگیریم.
نه. همبستگی فقط می‌گوید دو متغیر با هم تغییر می‌کنند؛ دلیل این تغییر را مشخص نمی‌کند. ممکن است عامل سومی روی هر دو اثر گذاشته باشد. این یکی از اشتباه‌های رایج در تحلیل داده است.
چون یک نمونه کوچک ممکن است اتفاقی ویژگی‌هایی داشته باشد که نماینده کل جامعه نباشد. هرچه نمونه مناسب‌تر و اطلاعات بیشتر باشد، معمولاً برآورد ما پایدارتر می‌شود. این همان جایی است که مفاهیمی مثل نمونه‌گیری و قانون اعداد بزرگ اهمیت پیدا می‌کنند.
فرض کنید یک سیستم تشخیص تقلب داریم. ممکن است تراکنش سالم را اشتباه تقلبی تشخیص دهیم یا برعکس، تقلب واقعی را از دست بدهیم. این دو نوع اشتباه هزینه‌های متفاوتی دارند و انتخاب روش آماری یا مدل باید با توجه به همین هزینه‌ها انجام شود.
چون ممکن است مدل به‌جای یاد گرفتن الگوی واقعی، جزئیات همان داده‌های آموزشی را حفظ کرده باشد. برای همین فقط دیدن عملکرد مدل روی داده آموزشی کافی نیست و باید توانایی آن در مواجهه با داده‌های جدید را هم سنجید.
هدف تحلیل داده فقط تولید نمودار نیست. باید بدانیم کدام شاخص مهم است، تفاوت مشاهده‌شده چقدر قابل اعتماد است و چه برداشتی از آن می‌توان داشت. ریاضی و آمار کمک می‌کنند فاصله بین «دیدن عدد» و «تصمیم گرفتن بر اساس عدد» کمتر شود.
مفاهیمی مثل رگرسیون، یادگیری ماشین، ارزیابی مدل، بهینه‌سازی، تحلیل آماری و حتی بخش زیادی از منطق شبکه‌های عصبی قابل‌فهم‌تر می‌شوند. به‌جای حفظ کردن فرمول یا کد، کم‌کم می‌توانید بفهمید پشت هر روش چه منطقی وجود دارد و چه زمانی باید از آن استفاده کرد.
بله، امکان خرید اقساطی با اسنپ پی فراهم شده است. برای اطلاعات بیشتر می‌توانید با مشاورین مجموعه در تماس باشید یا راهنمای خرید اقساطی دوره آموزشی با اسنپ پی را مطالعه بفرمایید.
بله، دسکتاپ و صدای مدرس رکورد خواهد شد و در پلیر اختصاصی اسپات پلیر به همراه کلید لایسنس ارائه خواهد شد. شما در سیستم عامل‌های ویندوز، اندروید، آیفون (سیب، اناردون)، مک بوک می‌توانید فیلم را مشاهده کنید.
بله؛ در نیک آموز امکان برگزاری دوره‌های سازمانی به‌صورت تخصصی فراهم شده است. به منظور ثبت درخواست، کافی است اطلاعات خود و دوره سازمانی مدنظر را در فرم درخواست آموزش سازمانی ثبت کنید تا ما با شما تماس بگیریم.
برای اینکه بتوانید، مشاوره / تدریس خصوصی بگیرید، لطفاً فرم درخواست مشاوره مدرسین را تکمیل نمایید تا کارشناسان ما با شما تماس بگیرند.
بله؛ شما می‌توانید از مشاوره‌های نیک آموز به‌عنوان راهنما در مسیر خود استفاده کنید. برای این منظور، لطفاً شماره خود را در فرم مشاوره صفحه دوره وارد کنید تا مشاوران نیک آموز با شما تماس بگیرند. شماره تماس فروش: ۰۲۱۹۱۰۷۰۰۱۷ – داخلی ۱
شماره تماس پشتیبانی: ۰۲۱۹۱۰۷۰۰۱۷ – داخلی ۲
شما می‌توانید با مراجعه به فرم درخواست مشاوره تخصصی، از متخصصان نیک آموز مشاوره دریافت کنید و با به‌کارگیری مهارت‌های تجربی تیم ما، در ارتباط با پروژه‌های تخصصی خود، راهنمایی دریافت کنید.
رضایت شما از دوره آموزشی و کمک به رفع مشکلات احتمالی برای ما اهمیت زیادی دارد. به همین دلیل، یک گروه پشتیبانی در تلگرام ایجاد شده است تا شما بتوانید درصورت نیاز، مسائل خود را در این بستر مطرح کنید. تا حداکثر ۴۸ ساعت کاری پس از ثبت نام در دوره، با شما تماس گرفته می‌شود و فرآیند عضویت شما در گروه تلگرام نهایی خواهد شد. توجه شود که در آینده، سیستم تیکتینگ راه‌اندازی می‌شود و فرآیند پشتیبانی از گروه تلگرامی به آن جا منتقل خواهد شد.
ذخیره نام، ایمیل و وبسایت من در مرورگر برای زمانی که دوباره دیدگاهی مینویسم.
Δ
