زمانی که می‌خواستم یادگیری هوش مصنوعی را شروع کنم، همه‌چیز برایم مبهم بود. فقط می‌دانستم به این حوزه علاقه دارم و می‌خواهم روزی در این صنعت حرفی برای گفتن داشته باشم، اما سوال‌هایم تمامی نداشت. گاهی فکر می‌کردم آیا دانش ریاضی‌ام کافی است؟ با این سطح زبان انگلیسی منابع را می‌فهمم؟ با لپ‌تاپ معمولی می‌شود شروع کرد؟ اولین قدمم مشخص‌کردن هدف بود و بعد پیدا کردن مسیری که هم ذهنم را مرتب کند و هم برنامه‌ی روشنی برای پیشرفت بدهد؛ برای من این مسیر دوره هوش مصنوعی دانشکار بود. اگر شما هم نمی‌دانید از کجا شروع کنید، در این مقاله همان مسیر را قدم‌به‌قدم، از اولین خط کد تا ورود به بازار کار، با هم مرور می‌کنیم.
خلاصه‌ای از نقشه راه یادگیری AI
برای یادگیری هوش مصنوعی از صفر، لازم نیست همه‌چیز را همزمان شروع کنید. کافی است مراحل زیر را یک دور مرور کنید و بر اساس شناخت خود از این حوزه و دانشی که دارید هر یک از قدم‌ها را بردارید. مراحلی در طول این محتوا به آن‌ها می‌پردازیم عبارت‌اند از:
۱. مشخص کردن هدف
۲. مشخص کردن سطح فعلی شما
۳. انتخاب کردن دوره و کتاب مناسب در هر یک از گام‌های یادگیری
۴. یاد گرفتن مهارت‌ها به ترتیب نقشه راه
۵. پیاده‌سازی نمونه پروژه در هر مرحله
۶. ساخت پورتفولیو و آمادگی برای ورود به بازار کار
قدم اول: مشخص کردن هدف
اگر از شما بپرسند برای چه می‌خواهید هوش مصنوعی را یاد بگیرید، پاسختان چیست؟ شاید بگویید می‌خواهم در شغل فعلی‌ام ارتقا بگیرم، مدل کسب‌وکار جدید طراحی کنم یا مثال‌هایی از این دست. هدفی که در ذهن دارید را دقیق بنویسید. مثلا بگویید می‌خواهم تا دو سال آینده مهندس یادگیری ماشین شوم. اهداف کلی مثل این‌که بگویید می‌خواهم متخصص هوش مصنوعی شوم به شما انگیزه‌ای برای پیشرفت نمی‌دهد. برای آن‌که بتوانید مسیرهای خود را دقیق‌تر مشخص کنید و بدانید در این محتوا بهتر است سراغ مطالعه کدام بخش بروید نگاهی به جدول زیر بیاندازید.
| مرحله‌ای که باید به آن مسلط شوید | مناسب برای | مسیری که پیش روی شما است |
|---|---|---|
| تمام هفت مرحله | کسی که می‌خواهد مدل بسازد، آموزش بدهد و در محصول به کار ببرد | مهندس هوش مصنوعی یا یادگیری ماشین |
| مراحل یک تا چهار | کسی که با داده‌های کسب‌وکار کار می‌کند و می‌خواهد پیش‌بینی و مدل‌سازی هم بلد باشد | تحلیلگر داده با مهارت هوش مصنوعی |
| پرامپت‌نویسی، کار با ابزارهای AI و اتوماسیون، بدون ریاضی و برنامه‌نویسی سنگین | مارکتر، تولیدکننده‌ی محتوا، مدیر یا هر کسی که می‌خواهد AI را در کار فعلی‌اش به کار بگیرد | متخصص کاربردی هوش مصنوعی |
قدم دوم: شناخت سطح فعلی
می‌پرسید:« چطور هوش مصنوعی یاد بگیریم» باید بگویم که بسته به این‌که در حال حاضر چقدر نسبت به هوش مصنوعی شناخت دارید و به مباحث آن مسلط هستید یادگیری این دانش را شروع کنید. اگر از مباحث ریاضی مانند ماتریس، واریانس و مشتق اطلاع کافی دارید نیاز نیست ریاضی را از پایه شروع کنید. با مطالعه جدول زیر نسبت به سطح خود اطلاعات دقیق‌تری کسب می‌کنید.
| اگر | از این بخش شروع کنید |
|---|---|
| برنامه‌نویسی بلد نیستید | مبانی برنامه‌نویسی |
| پایتون را می‌شناسید اما با هوش مصنوعی آشنا نیستید | ریاضیات و مبانی هوش مصنوعی |
| با پایتون تحلیل داده کار کرده‌اید | یادگیری ماشین |
| نسبت به یادگیری ماشین کلاسیک شناخت دارید | یادگیری عمیق |
قدم سوم: انتخاب منابع و دوره‌های متناسب با سطح شما
برای انتخاب منبع یادگیری هوش مصنوعی باید سراغ آموزش‌هایی بروید که با سطح و اهداف شما متناسب باشد. جدول زیر راهنمای خوبی برای شناخت سطح شما است.
| قدم‌های مربوطه | ویژگی‌های شما | سطح |
|---|---|---|
| قبل از قدم اول | تا به حال کدی ننوشته‌اید و صرفا کاربر هوش مصنوعی بوده‌اید. | سطح صفر |
| قدم اول و دوم | مباحث پایه پایتون را می‌دانید و در حال یادگیری آن هستید. | سطح مبتدی |
| قدم سوم و چهارم | به کمک Pandas داده‌ها را تحلیل می‌کنید و مدل‌های ساده یادگیری ماشین را ساخته‌اید. | سطح میانی |
| قدم پنجم و ششم | درک خوبی از یادگیری ماشین دارید و می‌خواهید متخصص یادگیری عمیق، مدل‌های زبانی یا استقرار شوید. | سطح پیشرفته |
برای آن‌که بهترین دوره و کتاب مناسب سطح خودتان را پیدا کنید نیاز نیست ساعت‌ها زمانتان را صرف جست‌وجو کنید. در جدول زیر موارد لازم برای یادگیری مباحث مختلف در هر سطح نوشته شده است.
| مبحث | سطح صفر | سطح مبتدی | سطح متوسط | سطح پیشرفته |
|---|---|---|---|---|
| برنامه‌نویسی پایتون | دوره رایگان و انگلیسی Python for Everybody آموزش پایتون دانشکار کتاب رایگان Python for Everybody اثر چارلز سورنس | دوره رایگان CS50P دانشگاه هاروارد کتاب رایگان Automate the Boring Stuff with Python | دوره رایگان Python 3 Programming Specialization از دانشگاه میشیگان | دوره رایگان The Missing Semester از دانشگاه MIT کتاب Fluent Python اثر لوسیانو رامالیو |
| ریاضی (جبر خطی و حسابان) | دوره ریاضی رایگان از Khan Academy کتاب رایگان Calculus Made Easy از سیلوانوس تامسون | دوره رایگان Essence of Linear Algebra و Essence of Calculus از 3Blue1Brown کتاب کتاب: Math for Programmers از پل اورلند | دوره رایگان Mathematics for Machine Learning Specialization از امپریال کالج کتاب Introduction to Linear Algebra از گیلبرت استرنگ | دوره رایگان Linear Algebra (18.06) از MIT OpenCourseWare کتاب رایگان Mathematics for Machine Learning از دایزنروت و همکاران |
| آمار و احتمال | دوره رایگان آمار و احتمال از Khan Academy کتاب Naked Statistics از چارلز ویلن | دوره رایگان StatQuest در یوتیوب کتاب رایگان Think Stats از آلن داونی | دوره رایگان Statistics with Python Specialization از دانشگاه میشیگان | دوره رایگان Statistics 110 از هاروارد کتاب All of Statistics از لری واسرمن |
| کار با داده (Pandas، SQL، مصورسازی) | بعد از پایتون پایه | دوره رایگان Kaggle Learn: Pandas، SQL و Data Visualization کتاب رایگان Python for Data Analysis از وس مک‌کینی | دوره رایگان Data Analysis with Python از freeCodeCamp کتاب SQL for Data Analysis از کتی تانیمورا | دوره رایگان Kaggle Learn: Feature Engineering کتاب Feature Engineering for Machine Learning از ژنگ و کاساری |
| یادگیری ماشین | دوره رایگان Elements of AI کتاب You Look Like a Thing and I Love You از جنل شین | دوره Machine Learning Specialization از اندرو انگ کتاب The Hundred-Page Machine Learning Book از آندری بورکوف | دوره رایگان Statistical Learning with Python از استنفورد کتاب Hands-On Machine Learning از اورلین ژرون | دوره رایگان CS229 از استنفورد کتاب رایگان Pattern Recognition and Machine Learning از کریستوفر بیشاپ |
| یادگیری عمیق | – | بعد از یادگیری ماشین | دوره رایگان Practical Deep Learning از fast.ai کتاب Deep Learning with Python از فرانسوا شوله | دوره رایگان CS231n و CS224n از استنفورد کتاب رایگان Deep Learning از ایان گودفلو و همکاران |
| مدل‌های زبانی و ساخت اپلیکیشن | دوره رایگان Generative AI for Everyone | دوره رایگان و کوتاه DeepLearning.AI دوره Prompt Engineering for LLMs از بریمن و زیگلر | دوره رایگان LLM در Hugging Face کتاب Hands-On Large Language Models از جی الامار و مارتن گروتندورست | دوره رایگان Neural Networks: Zero to Hero از آندری کارپاتی کتاب AI Engineering از چیپ هوین |
| استقرار و MLOps | – | – | دوره رایگان Made With ML کتاب Machine Learning Engineering از آندری بورکوف | دوره رایگان MLOps Zoomcamp از DataTalks.Club کتاب Designing Machine Learning Systems از چیپ هوین |
| کاربرد هوش مصنوعی در کسب‌وکار (بدون کدنویسی) | دوره رایگان Elements of AI کتاب Prediction Machines از اگراوال، گنز و گلدفارب | دوره رایگان AI for Everyone اسکیل‌کمپ پرامپت‌نویسی هوش مصنوعی دانشکار کتاب Power and Prediction از همان نویسندگان | دوره رایگان AI for Business Specialization از وارتون کتاب Competing in the Age of AI از یانسیتی و لاخانی | ورود به مسیر فنی پایتون |
قدم چهارم: یادگیری مهارت‌های لازم هوش مصنوعی به ترتیب اولویت
شاید از دیدن لیست مهارت‌ها دچار شوک شوید اما برداشتن قدم‌های مهم بدون سختی نمی‌شود. هر مهارتی که به شما معرفی کرده‌ایم پیش‌نیاز مهارت‌های بعدی است. بهترین کار برای یادگیری هوش مصنوعی به ترتیب پیش‌بردن موارد بعدی است.
۱. یاد گرفتن مفاهیم پایه برنامه‌نویسی
پایتون زبان و مبنای هوش مصنوعی است. برای آن‌که بتوانید در این مسیر موفق باشید باید به مباحثی مانند متغیر، شرط و حلقه، تابع و کلاس، کار با فایل و نصب کتابخانه مسلط شوید. برای دسترسی آسان‌تر به کدها هر موردی را که یاد می‌گیرید با گیت و در گیت‌هاب ذخیره کنید. یاد گرفتن مبانی و اصول پایه پایتون برای ادامه دادن این مسیر کافی است و نیاز نیست در این حوزه متخصص شوید.
۲. آموختن ریاضیات پایه
ریاضیات پایه هوش مصنوعی سخت نیستند و یادگیری آن به زمان زیادی نیاز ندارد. از جبر خطی مباحث بردار و ماتریس، از آمار و احتمال مباحث میانگین، واریانس و توزیع‌ها و از حسابان کافی است مباحث مشتق و گرادیان را بیاموزید. یادگیری ریاضی از جمله مراحی است که می‌توانید آن را به موازات مبانی هوش مصنوعی پیش ببرید.
۳. مبانی هوش مصنوعی
برای آن‌که کار با ابزارهای مختلف و روش ساخت آن‌ها را یاد بگیریم باید نحوه فعالیت آن‌ها را درک کنیم. مسیر یادگیری هوش مصنوعی از صفر هم همین‌طور است. ابتدا باید یاد بگیرید سیستم هوشمند چگونه مسائل را تعریف می‌کند و راهکارهایش برای حل آن‌ها چیست. سپس باید نسبت به موارد زیر اطلاعات دقیقی به دست بیاورید:
- مفهوم عامل هوشمند،
- حل مسئله با الگوریتم‌های جستجو مثل BFS و A*،
- مبانی ساختمان داده و الگوریتم،
- تفاوت سه نوع یادگیری نظارت‌شده،
- بدون نظارت و تقویتی.
۴. یادگیری ماشین
تسلط به آماده‌سازی داده‌ها Pandas، Numpy و SQL از مقدمات یادگیری ماشین هستند. پس از آن باید سراغ مدل‌های پایه مثل رگرسیون، درخت تصمیم و جنگل تصادفی بروید و ارزیابی مدل و بیش‌برازش را یاد بگیرید. مدل‌های ترکیبی XGBoost، مهندسی ویژگی، تنظیم ابرپارامترها و مبانی یادگیری تقویتی مباحث پیشرفته یادگیری ماشین هستند. در این قدم باید از ابزار scikit-learn استفاده کنید.
۵. یادگیری عمیق
نوبت آن رسیده که سراغ مباحث مورد تایید پژوهشگران و تیم‌های صنعتی هوش مصنوعی بروید. برای یادگیری این مبحث باید اول درباره مبانی شبکه‌های عصبی و backpropagation با PyTorch آموزش دقیقی ببینید. سپس برای داده‌های تصویری CNN را بیاموزید و در نهایت به پایه مدل‌های زبانی بزرگ یعنی ترنسفورمر و مکانیزم attention مسلط شوید.
۶. انتخاب حوزه تخصصی
در این مرحله و پس از آموزش‌هایی که دیده‌اید باید یکی از حوزه‌های پردازش زبان طبیعی (NLP) برای کار با متن، بینایی ماشین برای تصویر و ویدیو و سری‌های زمانی برای پیش‌بینی داده‌هایی مثل فروش و تقاضا را انتخاب کنید.
اگر می‌خواهید همه این مهارت‌ها را یک‌جا و در یک دوره یاد بگیرید کافی است در بوت کمپ هوش مصنوعی دانشکار شرکت کنید.
قدم پنجم: انجام پروژه با استفاده از آموخته‌ها
از قدیم می‌گفتند:« چندتا تمرین حل کنی دستت میاد با خودت چندچندی!» برای آن‌که متوجه شوید چقدر از مباحث را آموخته‌اید و می‌توانید در موقعیت‌های مهم از آن‌ها استفاده کنید کافی است چند نمونه پروژه هوش مصنوعی حل کنید. در جدول زیر مثال‌هایی از پروژه‌های مرتبط با هر مبحث برای نوشته‌ایم.
| نمونه پروژه | مرحله |
|---|---|
| اسکریپتی که یک فایل CSV را بخواند و چند آمار ساده از آن دربیاورد | ۱. مبانی برنامه‌نویسی |
| پیاده‌سازی رگرسیون خطی فقط با NumPy، بدون کتابخانه آماده | ۲. ریاضیات |
| برنامه‌ای که با الگوریتم A* کوتاه‌ترین مسیر را در یک ماز پیدا کند | ۳. مبانی هوش مصنوعی |
| پیش‌بینی ریزش مشتری یا قیمت خانه، از تمیزکردن داده تا ارزیابی مدل | ۴. یادگیری ماشین |
| طبقه‌بندی تصویر با CNN، یا تحلیل احساسات متن فارسی با یک ترنسفورمر آماده از Hugging Face | ۵. یادگیری عمیق |
| بسته به حوزه: دسته‌بندی متن، تشخیص اشیا در تصویر، یا پیش‌بینی فروش ماهانه | ۶. حوزه‌های تخصصی |
| چت‌باتی که با RAG به سؤال‌ها درباره‌ی چند سند جواب بدهد | ۷. هوش مصنوعی مولد |
| تبدیل یکی از مدل‌های قبلی به API و استقرار آن با Docker | ۸. عملیاتی‌سازی مدل‌ها |
نکته: دیتاست‌های آماده را از Kaggle بگیرید. برای هر پروژه یک README کوتاه بنویسید که بگوید چه مسئله‌ای را حل کرده‌اید، از چه روشی استفاده کرده‌اید و نتیجه چه شد. نوشتن این موارد به شما در بازبینی و به دست آوردن اطلاعات بیشتر درباره هر پروژه کمک می‌کند.
اگر می‌خواهید به‌عنوان متخصص هوش مصنوعی وارد بازار کار شوید و از حرفه خود کسب درآمد کنید وارد قدم ششم شوید. در غیر این صورت از این مرحله عبور کنید.
قدم ششم: ساخت پورتفولیو و آمادگی برای ورود به بازار کار
مدت‌هاست دیگر کارفرماها صرفا به مدارک شما نگاه نمی‌کنند. برایشان مهم است چه نمونه پروژه‌هایی دارید و چقدر می‌توانید مهارت‌هایی که آموخته‌اید را در کارهای واقعی پیاده‌سازی کنید.
برای داشتن پورتفولیوی قوی سراغ نمونه پروژه‌های قبلی بروید و سه یا چهار مورد را انتخاب کنید. این پروژه‌ها باید در حوزه‌های تحلیل داده، مدل یادگیری ماشین، یادگیری عمیق و اپلیکیشن مبتنی‌بر LLM با API باشند.
لینکدین را دست کم نگیرید. شما می‌توانید پروژه‌ها و لینک گیت‌هاب خود را در این شبکه اجتماعی با دیگران به اشتراک بگذارید. کارفرماها و افراد مختلف می‌بینند و به شما پیام می‌دهند. حتی می‌توانید نسخه‌ای از فایل رزومه‌تان را آپلود کنید تا کارفرماها دسترسی آسان‌تری به شما داشته باشند.
شرکت در مسابقه‌ها و هکاتون‌های مختلف هم خالی از لطف نیست. این مسابقه‌ها به شما کمک می‌کنند با افراد متفاوتی ارتباط برقرار کنید، در مورد مهارت‌هایتان صحبت کنید و نقاط ضعف و قوتتان را بشناسید و دستاوردهایتان را در لینکدین و رزومه‌تان ثبت کنید.
یادگیری هوش مصنوعی از صفر چقدر طول می‌کشد؟
با روزی ۲ تا ۳ ساعت مطالعه و تمرین، در عرض حدود ۸ تا ۱۲ ماه وارد بازار کار هوش مصنوعی شوید. این عدد بسته به پیش‌زمینه شما کم یا زیاد می‌شود. در جدول زیر زمان حدودی‌ای که از یادگیری تا ورود به بازار کار نیاز دارید را برایتان نوشته‌ایم. البته ممکن است این زمان برای شما کمتر و برای فرد دیگری بیشتر طول بکشد.
| زمان تقریبی یادگیری تا ورود به بازار کار | نقطه شروع |
|---|---|
| ۱۰ تا ۱۴ ماه | از صفر، بدون تجربه برنامه‌نویسی |
| ۶ تا ۹ ماه | با داشتن تجربه برنامه‌نویسی |
| ۴ تا ۶ ماه | آشنا با پایتون و تحلیل داده |
| ۱ تا ۲ ماه | فقط استفاده کاربردی از ابزارهای AI |
اشتباه‌های رایج در مسیر یادگیری هوش مصنوعی
بعضی روزها و در میانه مسیر یادگیری هوش مصنوعی گاهی دلم می‌خواست همه‌چیز را متوقف کنم. اما نمی‌شد. باید ادامه می‌دادم و نتیجه تلاش‌هایم را می‌گرفتم. اشتباه‌های زیر مواردی بودند که من و هم‌کلاسی‌هایم با آن‌ها مواجه می‌شدیم. برای آن‌که زمانتان را از دست ندهید مطالعه دقیق این اشتباه‌ها را به شما توصیه می‌کنم.
- یادگیری همه‌چیز در یک زمان: شروع همزمان پایتون، ریاضی، یادگیری ماشین و ابزارهای جدید خیلی زود خسته‌تان می‌کند. هر بار یک مرحله را جلو ببرید و وقتی توانستید در عمل از آن استفاده کنید، سراغ مرحله‌ی بعد بروید.
- گیرکردن در ریاضی: ماه‌ها ریاضی خواندن قبل از نوشتن اولین خط کد، انگیزه را از بین میبرد. ریاضی را هر وقت پروژه‌تان به آن نیاز داشت اضافه کنید.
- دنبال‌کردن چند نقشه راه با هم: هر نقشه راه مباحث را با ترتیب متفاوتی می‌چیند و دنبال‌کردن چندتا با هم فقط سردرگمی می‌آورد. یکی را انتخاب کنید و دست‌کم مرحله‌ی اولش را تمام کنید.
- جمع‌کردن دوره به‌جای تمام‌کردن آن: یک دوره‌ی تمام‌شده از چند دوره‌ی نیمه‌کاره بیشتر یاد می‌دهد. برای هر مرحله یک منبع اصلی انتخاب کنید و تا آخر پیش ببرید.
- فقط تماشا، بدون ساختن: تماشای ویدیو پشت ویدیو حس پیشرفت می‌دهد، اما مهارت از ساختن می‌آید. اولین پروژه‌تان را در همان ماه اول بسازید، حتی اگر ساده باشد.
- پریدن مستقیم به LLM: کار با API مدل‌های زبانی ساده است، اما بدون پایه‌ی یادگیری ماشین نمی‌توانید خروجی مدل را ارزیابی یا مشکلش را پیدا کنید.
- جدی‌نگرفتن هوش مصنوعی مولد: اشتباه برعکس هم رایج است: ماندن در مدل‌های کلاسیک و نادیده‌گرفتن پرامپت‌نویسی و ایجنت‌ها. لازم نیست از این‌ها شروع کنید، ولی باید در برنامه‌تان باشند؛ امروز بیشترین تقاضای بازار کار همین مهارت‌هاست.
- نادیده‌گرفتن داده: بیشتر مشکلات یک مدل از داده‌ی آن است، نه از الگوریتمش.
در هر مرحله برای آن‌که متوجه شوید اشتباه چندانی ندارید و آمادگی کافی برای ورود به مرحله بعدی را دارید از خودتان سوال‌های زیر را بپرسید و پاسخ بله یا خیر بدهید:
۱. در ماه گذشته یک پروژه هوش مصنوعی را پیاده‌سازی کرده‌ام.
۲. می‌توانم آموخته‌هایم را برای فرد غیر فنی‌ای که چیزی از هوش مصنوعی نمی‌داند توضیح دهم.
۳. می‌دانم قدم بعدی‌ام چیست و چه کاری باید برای آن انجام دهم.
۴. کسی را دارم (منتور یا استاد) که پروژه‌هایم را بررسی می‌کند و به آن‌ها بازخورد می‌دهد.
نقشه راه یادگیری هوش مصنوعی بر اساس پیش‌زمینه شما
۶ قدمی که در بخش‌های قبل به آن اشاره کردیم مراحل جامع و مناسب همه افراد است. اما ممکن است پیش‌زمینه، سرعت یادگیری و دقت شما با سایر افراد متفاوت باشد. برای آسان‌تر شدن تصمیم‌گیری و شروع یادگیری هر مبحث مطالعه جدول زیر را به شما پیشنهاد می‌دهیم.
| شغل فعلی | نقطه شروع | مباحثی که نیاز نیست یاد بگیرید | مباحثی که باید روی آن تمرکز کنید | مزیت شما | اولین پروژه |
|---|---|---|---|---|---|
| برنامه‌نویس | مرور پایتون در حد Pandas و NumPy | مبانی برنامه‌نویسی، کار با گیت، ساختار داده | آمار و احتمال؛ یادگیری ماشین | شناخت سریع‌تر اپلیکیشن‌های مبتنی بر مدل‌های زبانی و استقرار مدل | یک چت‌بات پاسخ‌گو به اسناد (RAG) یا اضافه کردن قابلیت هوش مصنوعی به پروژه‌ای که قبلا ساخته‌اید |
| دانشجو، تازه‌کار و بدون پیش‌زمینه | از پایتون و مباحث پایه | همه موارد را باید بیاموزید. یادگیری ریاضی همزمان با کدنویسی باشد. | عادت روزانه یادگیری، تمام کردن پروژه‌های کوچک | شروع از کارآموزی، داشتن زمان کافی و اتستفاده از پروژه‌های درسی یا پایتون برای پورتفولیو | تحلیل دیتاست ساده Kaggle و پیش‌بینی با رگرسیون |
| تغییر شغل از رشته‌های غیرفنی | قدم اول با تعیین هدف | ریاضی پیشرفته را دیرتر یاد بگیرید و با آمار کاربردی شروع کنید. | ترکیب هوش مصنوعی با مهارت‌های قبلی | اطلاع از مسائلی که باید در صنعت شما حل شوند | حل مسئله واقعی با استفاده از دانش قبلی مانند پیش‌بینی موجودی انبار یا دسته‌بندی پروژه‌ها |
| تحلیلگر داده | قدم چهارم، یادگیری مهارت‌های تخصصی هوش مصنوعی | Pandas، SQL و مصورسازی | مدل‌سازی پیش‌بینی، ارزیابی مدل ودر نهایت استقرار ساده | فهمیدن مسائل کسب‌وکار و دسترسی به داده‌های واقعی | تبدیل یکی از گزارش‌های فعلی به مدل پیش‌بینی مانند پیش‌بینی فروش یا ریزش مشتریان |
| مدیر، مارکتر، کارآفرین | کار با ابزارها، به کدنویسی نیاز ندارید. | ریاضی، یادگیری عمیق و ساخت مدل | نوشتن پرامپت دقیق، کار با دستیارهای هوش مصنوعی برای تحلیل و تولید محتوا، اتوماسیون کارها با ابزارهای بدون کد، شناخت محدودیت‌ها و ریسک‌های هوش مصنوعی | تصمیم‌گیری برای ارزش‌هایی که هوش مصنوعی باید در کسب‌وکار خلق کند | اتوماسیون کارهای تکراری مانند گزارش‌یری یا پاسخ به سوال‌های پرتکرار |
یک دیدگاه