عن الدورة
تقدم هذه الدورة جزءًا متقدمًا في مسار شهادة سير عمل الذكاء الاصطناعي من IBM، تركز على هندسة الميزات وتقنيات معالجة عدم توازن الفئات التي قد تؤثر على جودة نماذج التعلم الآلي. كما تستعرض كيفية اكتشاف وتقييم التحيز في البيانات باستخدام مكتبات مفتوحة المصدر مثل AI Fairness 360، لضمان نزاهة النماذج وتقليل المخاطر. تتناول الدورة أيضاً طرق تقليل الأبعاد باستخدام تقنيات مختلفة لتحليل البيانات الأولية وتحويلها، وأساليب اكتشاف الشواذ كأداة لضمان جودة البيانات والنماذج. إضافة إلى التعلم غير المراقب باستخدام خوارزميات التجميع للكشف عن الأنماط في البيانات. هذه الدورة موجهة للممارسين ذوي الخبرة في علوم البيانات والذكاء الاصطناعي الذين يسعون لتعميق مهاراتهم في بناء ونشر حلول الذكاء الاصطناعي في المؤسسات الكبرى.
ماذا ستتعلم
- استخدام أدوات معالجة مشاكل عدم توازن الفئات
- شرح الاعتبارات الأخلاقية المتعلقة بالتحيز في البيانات
- تطبيق مكتبات AI Fairness 360 لاكتشاف التحيز في النماذج
- استخدام تقنيات تقليل الأبعاد في مراحل تحليل البيانات والتحويل
- وصف تقنيات نمذجة المواضيع في معالجة اللغة الطبيعية
- توظيف تقنيات كشف الشواذ كأدوات لضمان الجودة والنمذجة
المتطلبات المسبقة
- خبرة عملية مسبقة في مفاهيم علوم البيانات الأساسية
- القدرة على تطبيق الأدوات أو الأساليب بشكل مستقل
- فهم جيد للجبر الخطي، الاحتمالات والتوزيعات الإحصائية
المدرسون
Mark J Grover
Digital Content Delivery Lead
Ray Lopez, Ph.D.
Data Science Curriculum Leader