Data analytics course with generative AI
Start or Resume Course

Data analytics course with generative AI

این دوره جامع هوش مصنوعی مولد در تحلیل داده‌ها، ارائه‌شده توسط پریانکا مهتا در کورسرا، به شما کمک می‌کند جریان‌های کاری داده را بهینه کنید، تحلیل‌ها را خودکار سازید و بینش‌های عملی با هوش مصنوعی تولید کنید. با چهار نوع تحلیل داده شامل توصیفی، تشخیصی، پیش‌بینی‌کننده و تجویزی آشنا می‌شوید و نقش هوش مصنوعی مولد در بهبود هر مرحله را می‌آموزید. فرآیندهای استخراج، تبدیل و بارگذاری داده را خودکار می‌کنید، داده‌های مصنوعی با ابزارهایی مانند چت‌جی‌پی‌تی۴ و موستلی ای‌آی تولید می‌کنید و تحلیل اکتشافی را با جولیوس ای‌آی و تابلو پالس انجام می‌دهید. سپس به ساخت مدل‌های پیش‌بینی‌کننده، پیش‌بینی روندها و تحلیل ریسک از طریق شبیه‌سازی‌های واقعی می‌پردازید و معیارهای عملکرد، چالش‌های ادغام و کاربردها در سناریوهای کسب‌وکاری را بررسی می‌کنید. با آشنایی پایه‌ای در تحلیل داده، آمار و ابزارهایی مانند اکسل، اس‌کیوال یا پلتفرم‌های هوش تجاری، می‌توانید شرکت کنید. در پایان، قادر خواهید بود داده‌ها را خودکار کنید، بینش‌ها را تحلیل و تجسم کنید، نتایج را پیش‌بینی کنید و هوش مصنوعی مولد را در تحلیل‌های واقعی به کار گیرید. ایده‌آل برای تحلیل‌گران، متخصصان داده و رهبران کسب‌وکار.

  • 1-Introduction to Data Analytics and Generative AI

    • 1-1-Course Syllabus
    • 1-2-Learning Objectives
    • 1-3-Introduction to Data Analytics and Its Types
    • 1-4-Descriptive Analytics
    • 1-5-Diagnostic Analytics
    • 1-6-Predictive Analytics
    • 1-7-Prescriptive Analytics
    • 1-8-Roles of GenAI in Data Analytics Process

  • 2-GenAI in Data Integration and ETL

    • 2-1-GenAI in ETL Process
    • 2-2-Demo Automate the ETL Process Using Julius AI
    • 2-3-Data Pipelines
    • 2-4-Real-Time Data Integration and Analysis
    • 2-5-Benefits of Using Generative AI

  • 3-Data Augmentation and Synthetic Data

    • 3-1-Data Augmentation and Synthetic Data
    • 3-2-Demo Generate Augmented Data Using ChatGPT - 4
    • 3-3-GenAI in Data Augmentation and Synthetic Data Generation
    • 3-4-Demo Synthetic Dataset Creation Using MOSTLY AI

  • 4- Exploratory Data Analysis (EDA) and Visualization

    • 4-1-Data Integrity
    • 4-2-GenAI in Exploratory Data Analysis (EDA)
    • 4-3-Demo Perform an EDA on a Large Dataset Using Julius AI
    • 4-4-Demo Creating Insights Using Tableau Pulse
    • 4-5-Key Takeaways

  • 5-Data Visualization and Modeling with GenAI

    • 5-1-Learning Objectives
    • 5-2-GenAI in Data Visualization
    • 5-3-Date Modeling and its Benefits
    • 5-4-GenAI for Data Modeling

  • 6-Forecasting, Prediction, and Risk Analysis

    • 6-1-GenAI in Forecasting Models
    • 6-2-Demo Predictive Analysis Using Julius AI
    • 6-3-Demo Generating Forecasts for Future Trends and Events
    • 6-4-GenAI for Risk Analysis
    • 6-5-Demo Performing Risk Analysis on a Sample Dataset
    • 6-6-Demo Simulating Different Scenarios to Assess Risk and Opportunity

  • 7-Challenges, Performance, and Real-World Applications

    • 7-1-Challenges in Integrating GenAI in Data Projects
    • 7-2-Performance Metrics for GenAI in Data Analytics
    • 7-3-Case Study 1 TechGen
    • 7-4-GenAI in Data Analytics Scenarios
    • 7-5-Key Takeaways