اخلاق در علم داده

ما که هر روز با داده‌ها کار می‌کنیم، خوب می‌دونیم خروجی تحلیل‌ها می‌تونه تصمیم‌های سازمانی رو به شکل جدی جهت بده؛ اما یک موضوع حیاتی وجود داره که متأسفانه منابع زیادی هم براش وجود نداره و اغلب نادیده گرفته میشه: اخلاق در علم داده.

از پاک‌سازی داده‌ها تا ساخت مدل و ارائه نتایج، در هر مرحله این موضوع می‌تونه منشأ خطا یا جانب‌داری باشه.
🔎 مثلاً در ارزیابی عملکرد کارمندان، آیا تعداد غیبت‌ها معیار منصفانه‌ای برای ارزیابی عملکرده؟ یا وقتی داده‌های مردان خیلی بیشتر از زنان باشه، مدل ناخواسته به نفع کدوم گروه عمل می‌کنه؟

📌 این هفته با محمدجواد جعفری، فارغ التحصیل دکتری فناوری اطلاعات — مترجم کتاب چالش‌های اخلاقی علم داده — درباره مثال‌های واقعی، چالش‌ها و راهکارهای عملی در این حوزه گفت‌وگو کردیم.

فرقی نمی‌کنه تازه‌کارید یا مدیر یک تیم داده؛ دیدن این اپیزود رو حتماً پیشنهاد می‌کنم.

لینک خرید کتاب: https://www.isba.ir/Default

⏰ پنجشنبه ساعت ۱۴

شبکه‌های اجتماعی ما:
یوتیوب | اینستاگرام
✅ @AI_Natives
.

فهرست کتاب چالش‌های اخلاقی علوم داده که موضوع گفت‌وگوی فرداست.

📣📣 قسمت 23 پادکست AI Natives منتشر شد:
موضوع: چالش‌های اخلاقی علوم داده و هوش مصنوعی

در اپیزود جدید، میزبان محمدجواد جعفری (دکتری فناوری اطلاعات و مترجم کتاب ارزشمند «اخلاق در تحلیل داده») بودیم تا درباره‌ی لایه‌های پنهان پروژه‌های دیتا ساینس صحبت کنیم.

🎙 توی این ویدئو چی می‌بینید؟
✅ چرا الگوریتم‌ها می‌تونن نژادپرست یا جنسیت‌زده باشن؟
✅ داستان لو رفتن هویت کاربران نتفلیکس و جستجوهای گوگل.
✅ چارچوب FAT: عدالت، پاسخگویی و شفافیت در مدل‌های داده.
✅ تبعیض پنهان در سیستم‌های استخدام و وام‌دهی بانکی.
✅ تکنیک‌های مدرن مثل رمزنگاری همریخت و یادگیری فدرال برای حفظ حریم خصوصی.

🔴 لینک تماشای ویدیو در یوتیوب:
https://www.youtube.com/watch?v=0Ps741mYJ-M&list=PLXV7YW7KtHvc1nhupR6LuCCsOAASwnoti

❤️ لایک، 💬 کامنت و 🔥 سابسکرایب رو فراموش نکنید.

یک قابلیتی به یوتیوب اضافه شده که می‌تونم به صورت صوتی جواب کامنت‌ها رو بدم،

نظراتتون رو دوست دارم بدونم راجع به اخلاق در علم داده،

این ایده‌هایی که راجع بهشون صحبت کردیم به نظرتون قابلیت اجرایی دارن یا نه؟

اصلا اگر توی کارتون با داده‌ها سرکار دارین آیا به این مسائل فکر میکردین؟

🎙 معرفی پادکست این هفته

📌این هفته قراره داستان #داده‌محور شدن یکی از بزرگ‌ترین شرکت‌های مهندسی کشور، گروه #مپنا رو بشنویم.

طبق گفته‌های رضا قاسمی، رئیس واحد هوش تجاری مپنا، جرقه‌های اولیه این مسیر از حدود سال ۱۳۹۴ زده شد؛ مسیری که به‌تدریج به دغدغه جدی واحدهای مختلف تبدیل شد و در نهایت، با تدوین یک سند راهبردی در سال ۱۴۰۰، به‌صورت رسمی آغاز شد.

در این گفت‌وگو:
🔹 از چالش‌های مسیر داده‌محور شدن گفتیم.
🔹 راهکارها و تصمیم‌های کلیدی رو بررسی کردیم.
🔹 و نگاهی داشتیم به پروژه‌هایی که امروز در گروه مپنا در حال اجراست.

اگر می‌خواید یک داستان واقعی، پر از تجربه و چالش‌های عملی از دل #صنعت بشنوید، این اپیزود رو از دست ندید 👌

⏰ پنجشنبه ساعت ۱۴

شبکه‌های اجتماعی ما:
یوتیوب | اینستاگرام
✅ @AI_Natives
.

📣📣 قسمت 24 پادکست AI Natives منتشر شد:

موضوع: تجربه پیاده‌سازی هوش تجاری (BI) در گروه مپنا

در اپیزود جدید، میزبان رضا قاسمی، رئیس هوش تجاری گروه مپنا، بودیم تا درباره مسیر داده‌محور شدن یکی از بزرگترین غول‌های صنعتی ایران صحبت کنیم.

🔴 لینک تماشای ویدیو در یوتیوب:
https://www.youtube.com/watch?v=vHsf33uxhro&list=PLXV7YW7KtHvc1nhupR6LuCCsOAASwnoti

❤️ لایک، 💬 کامنت و 🔥 سابسکرایب رو فراموش نکنید.

توی این ویدئو درباره‌ی چرایی داستان‌سرایی با داده صحبت کردم؛
اینکه اصلاً این مفهوم یعنی چی و چه کاربردی برای ماهایی داره که با داده کار می‌کنیم.

در انتها هم چند تا منبع خوب و کاربردی معرفی کردم برای کسایی که می‌خوان عمیق‌تر وارد این حوزه بشن.

حتماً ویدئو رو ببینید و نظرتون رو زیرش برام بنویسید.

🔴 لینک تماشای ویدیو در یوتیوب:
https://www.youtube.com/watch?v=hnl_-mIgtOg&list=PLXV7YW7KtHvd6fQrLCufizc9ryUe7afHM
.

لیست کتاب‌های جذاب دربارهٔ علم داده (data science) که می‌تونن دیدمون رو به دنیای اطلاعات بازتر کنن:

📘 کتاب اول: داستان‌پردازی با داده (Storytelling with Data)
[دسترسی به خلاصه فارسی کتاب]
[دسترسی به نسخه انگلیسی]
[دسترسی به کتاب حل تمرین]


📙 کتاب دوم: هنر پیش‌بینی (Superforecasting: The Art and Science of Prediction)
[دسترسی به خلاصه فارسی Bplus]


📗 کتاب سوم: چگونه هر چیزی را انداره بگیریم (How To Measure Anything)
[دسترسی به خلاصه فارسی Bplus]


📕 کتاب چهارم: جان بخشیدن به اعداد (Making Numbers Count)
[مشاهده ویدئو مصاحبه با مترجم]


📘 کتاب پنجم: چالش‌های اخلاقی علوم داده (Ethics in Data Science)
[دسترسی به فهرست کتاب]
[مشاهده ویدئو مصاحبه با مترجم]

این فهرست به‌روز می‌شود.

شبکه‌های اجتماعی ما:
یوتیوب | اینستاگرام
✅ @AI_Natives
.

سلام به همگی

دیشب یک وبیناری داشتم برای دانشگاه اصفهان با موضوع:

نقشه راه ورود به دنیای علم داده و هوش مصنوعی

که این موضوعات‌رو بررسی کردیم:

1. مقدمه و شفاف‌سازی مسیر
2. کاربردهای واقعی علم داده و هوش مصنوعی
3. بررسی بازار کار و موقعیت‌های شغلی
4. مهارت‌ها و ابزارهای مورد نیاز
5. نقشه راه یادگیری مرحله‌به‌مرحله
6. اشتباهات رایج و توصیه‌های عملی
7. جمع‌بندی و پرسش و پاسخ

اگر لازمش دارید ببینید حتما 👌👌

اسلایدهای وبینار نقشه راه تحلیلگر علم داده

یادگیری مادام العمر یا lifelong learning چیه؟

تو این قسمت از پادکست AI Natives با مسعود زمانی، آینده‌پژوه و کارآفرین تکنولوژی، درباره یه سوال مهم حرف زدیم:
توی دنیایی که هوش مصنوعی هر روز همه‌چیو عوض می‌کنه، چطور می‌تونیم عقب نمونیم و رشد کنیم؟

🗣 آشنایی بیشتر با مسعود زمانی:
کانال تلگرامی | لینکدین

⏰ پنج‌شنبه ساعت ۱۴، لینک زیر:
https://www.youtube.com/watch?v=t6qiB7X8QfQ&list=PLXV7YW7KtHvc1nhupR6LuCCsOAASwnoti

شبکه‌های اجتماعی ما:
یوتیوب | اینستاگرام
✅ @AI_Natives
.

این هفته پادکست جدید نداریم،
اما اگر این اپیزود رو ندیدید، حتماً ببینیدش.
اگه می‌خواید توی این موج بزرگ تغییرات دوام بیارید.

📣📣 قسمت 25 پادکست AI Natives منتشر شد:

مباحث کلیدی این ویدئو:
✅ تفاوت تحلیلگر داده و تحلیلگر کسب‌وکار
✅ معرفی استاندارد BABOK و کاربرد آن در پروژه‌های دیتا
✅ تکنیک‌های استخراج نیازمندی‌ها و مدیریت ذینفعان
✅ بررسی کیس‌ستادی‌های واقعی از شکست و موفقیت پروژه‌ها
✅ راهنمای شروع کار در یک سازمان جدید برای جونیورها

🔴 لینک تماشای ویدیو در یوتیوب:
https://www.youtube.com/watch?v=TWnupZS533c&list=PLXV7YW7KtHvc1nhupR6LuCCsOAASwnoti

❤️ لایک، 💬 کامنت و 🔥 سابسکرایب رو فراموش نکنید.
.