دوره جامع تفکر داده‌محور، آمار و هوش مصنوعی در کسب‌وکار

«مرکز مالی ایران به عنوان جامع‌ترین و معتبر‌ترین نهاد آموزشی بازار سرمایه، برگزار میکند.»

معرفی دوره :

• دوره «تفکر داده‌محور، آمار و هوش مصنوعی در کسب‌وکار» با هدف آموزش مدل فکری تحلیلگرها و تصمیم‌گیرندگان حرفه‌ای طراحی شده است.

• در این دوره، مفاهیم آمار، تحلیل داده، تفکر سیستمی، KPI، تحلیل رفتار کاربران و مفاهیم پایه هوش مصنوعی به زبان کاربردی و با مثال‌های واقعی کسب‌وکار آموزش داده می‌شوند.

   

• تمرکز اصلی دوره صرفاً روی ابزارها نیست، بلکه روی درک رفتار سیستم‌ها، تحلیل صحیح داده‌ها، پیدا کردن ریشه مسائل و تبدیل داده به تصمیم‌های بهتر در دنیای واقعی کسب‌وکار است.

امکانات دوره:

• اعطای مدرک حضور معتبر در دوره (قابل استعلام)
• ضبط تمام جلسات و دسترسی تا 6 ماه پس از اتمام دوره(ویدیو های آموزشی قابل دانلود نمی باشد)
• گروه تلگرامی کلاس و ارتباط با مدرس دوره تا 6 ماه پس از دوره آموزشی
• برقراری ارتباط بین دانش‌پذیران برتر و نهادهای مالی از طریق سایت بورس تلنت مرکز مالی ایران

طول دوره:

• 12 ساعت

روزهای برگزاری:

• پنجشنبه ها

ساعت های برگزاری:  

• 10 الی 13

سرفصل‌ها

ماژول ۱ — تفکر سیستمی و تحلیل مسئله

System Thinking & Problem Solving

• چرا سازمان‌ها با وجود دسترسی به داده، همچنان تصمیم‌های اشتباه می‌گیرند؟
• تفاوت تفکر رویدادمحور (Event Thinking) و تفکر سیستمی (System Thinking)
• معماری سیستم‌ها در کسب‌وکار
• حلقه‌های بازخورد (Feedback Loops) و رفتار سیستم‌ها
• تحلیل ریشه‌ای مسئله (Root Cause Analysis)
• تجزیه و تفکیک مسئله (Problem Decomposition)
• تفکر مبتنی بر اصول اولیه (First Principles Thinking)
• چارچوب MECE برای ساختاردهی تحلیل
• تحلیل مبتنی بر فرضیه (Hypothesis-Driven Thinking)

ماژول ۲ — آمار کاربردی برای تصمیم‌گیری

Applied Statistics for Business Decisions

• سوگیری‌ها (Bias) و خطاهای شناختی در تحلیل داده
• میانگین (Mean)، واریانس (Variance) و انحراف معیار (Standard Deviation)
• تشخیص سیگنال از نویز (Signal vs. Noise)
• بازگشت به میانگین (Mean Reversion)
• تفکر احتمالاتی (Probability Thinking)
• مدل‌سازی توزیع‌ها (Distribution Modeling)
• توزیع نرمال (Normal Distribution)
• قانون توانی و اصل پارتو (Power Law & Pareto Principle)
• سیستم‌های دنباله بلند (Long Tail Systems)
• همبستگی در برابر علیت (Correlation vs. Causation)
• متغیرهای مداخله‌گر (Confounding Variables)
• پارادوکس سیمپسون (Simpson’s Paradox)
• شناسایی داده‌های پرت و ناهنجاری‌ها (Outlier & Anomaly Detection)

ماژول ۳ — هوش مصنوعی برای تحلیلگران و مدیران

AI Foundations for Analysts & Managers

• هوش مصنوعی چیست و چگونه کار می‌کند؟
• آشنایی مفهومی با یادگیری ماشین (Machine Learning)
• یادگیری عمیق و شبکه‌های عصبی (Deep Learning & Neural Networks)
• مدل‌های زبانی بزرگ (Large Language Models - LLMs)
• ChatGPT چگونه کار می‌کند؟
• اصول مهندسی پرامپت (Prompt Engineering)
• کاربرد هوش مصنوعی در تحلیل داده و هوش تجاری (BI)
• سیستم‌های پیشنهاددهنده (Recommendation Systems)
• سیستم‌های پیش‌بینی (Prediction Systems)
• معماری RAG و اتصال دانش به مدل‌های زبانی
• تصمیم‌گیری تقویت‌شده با هوش مصنوعی (AI-Augmented Decision Making)

ماژول ۴ — KPI و سیستم تصمیم‌گیری داده‌محور

KPI Engineering & Decision Systems

• KPI چیست و چرا بسیاری از KPIها به‌درستی طراحی نمی‌شوند؟
• معماری و طراحی KPI (KPI Architecture)
• شاخص‌های پیشرو و پسرو (Leading vs. Lagging Indicators)
• معیار ستاره شمالی (North Star Metric)
• تحلیل قیف (Funnel Analytics)
• تحلیل کوهورت (Cohort Analysis)
• تحلیل نگهداشت و ریزش کاربران (Retention & Churn Analysis)
• تحلیل CAC و LTV
• تبدیل داده به بینش و تصمیم (Data → Insight → Decision)
• طراحی جریان تصمیم‌گیری (Decision Pipeline)
• تأخیر در تصمیم‌گیری (Decision Latency)
• تفکر داشبوردی و روایت‌گری داده (Dashboard Thinking & Data Storytelling)

مخاطبین دوره

• معامله‌گران (Traders) در بازارهای مالی
• سرمایه‌گذاران فردی و حرفه‌ای
• تحلیلگران تکنیکال و فاندامنتال
• مدیران سرمایه و مدیران سبدگردانی
• فعالان بازار سهام، ارز دیجیتال، فارکس و کالا
• پژوهشگران و تحلیلگران اقتصادی و مالی
• مشاوران سرمایه‌گذاری و مدیریت ثروت
• مدیران ریسک و تحلیلگران ریسک
• فعالان فین‌تک و کسب‌وکارهای مالی
• افرادی که به دنبال تصمیم‌گیری مبتنی بر داده در معاملات و سرمایه‌گذاری هستند
• معامله‌گرانی که می‌خواهند از هوش مصنوعی در تحلیل و تصمیم‌سازی استفاده کنند
• علاقه‌مندان به توسعه تفکر تحلیلی، احتمالاتی و سیستمی در بازارهای مالی