#هوش_تجاری #دیتابیس #یادگیری_ماشین #یادگیری_عمیق #متن_کاوی #پردازش_تصویر #هوش_مصنوعی

🔴 به زودی
آموزش روزانه حوزه های مختلف علم داده در کانال DataScience

@Madatascienceir
با ما همراه باشید.

✅#جهاد_دانشگاهی_علم_و_صنعت برگزار می کند:
#دوره_آموزشی_علم_داده (Data Science)

📆پنجشنبه ها از ۲۸ آذر ماه
⏰ساعت ۱۴ الی ۲۰
⏱مدت دوره 55 ساعت
💵شهریه دوره: آزاد 600 هزار تومان
20% تخفیف برای دانشجویان
🏠جهاد دانشگاهی علم و صنعت
📋با اعطای گواهینامه رسمی و قابل ترجمه
🌐 ثبت نام در : www.jdiust.ir
کانال اطلاع رسانی : @Madatascienceir
اطلاعات بیشتر از طریق @Datascience_cource

☝️
همایش هایی در زمینه یادگیری ماشین و علم داده فردا در دانشگاه علم و صنعت برقرار می باشد که دارای محتوای مناسبی می باشد.

MIT lecture series on deep learning in 2019
MIT lecture series on deep learning:Basics:
https://www.youtube.com/watch?v=O5xeyoRL95U&list=PLrAXtmErZgOeiKm4sgNOknGvNjby9efdf

MIT lecture series on deep learning: State of the Art:
https://www.youtube.com/watch?v=53YvP6gdD7U&list=PLrAXtmErZgOeiKm4sgNOknGvNjby9efdf

MIT lecture series on deep learning: Introduction to Deep RL:
https://www.youtube.com/watch?v=zR11FLZ-O9M&list=PLrAXtmErZgOeiKm4sgNOknGvNjby9efdf

Find The Most Updated and Free Artificial Intelligence, Machine Learning, Data Science, Deep Learning, Mathematics, Python Programming Resources

https://www.marktechpost.com/free-resources/

#یادگیری_عمیق دقیقا چیه؟

طی چند روز گذشته، بعضی از محقق‌های بزرگ هوش مصنوعی مانند #یان_لکان و #فرانسوا_شوله تعریف خودشون رو از دیپ لرنینگ توی سال 2019 اعلام کردند.

یان لکان:

"Some folks still seem confused about what deep learning is. Here is a definition:

DL is constructing networks of parameterized functional modules & training them from examples using gradient-based optimization. That's it.

This definition is orthogonal to the learning paradigm: reinforcement, supervised, or self-supervised.

Don't say "DL can't do X" when what you really mean is "supervised learning needs too much data to do X"

Extensions (dynamic networks, differentiable programming, graph NN, etc) allow the network architecture to change dynamically in a data-dependent way."
https://www.facebook.com/722677142/posts/10156463919392143/

فرانسوا شوله:

"What's deep learning?

The "common usage" definition as of 2019 would be "chains of differentiable parametric layers trained end-to-end with backprop".

But this definition seems overly restrictive to me. It describes *how we do DL today*, not *what it is*."
https://twitter.com/fchollet/status/1210031900695449600

اندری بورکوف:

"Looks like in late 2019, people still need a definition of deep learning, so here's mine: deep learning is finding parameters of a nested parametrized non-linear function by minimizing an example-based differentiable cost function using gradient descent."
https://www.linkedin.com/posts/andriyburkov_looks-like-in-late-2019-people-still-need-activity-6615377527147941888-ce68/

#deep_learning

#کنفرانس_بین_المللی
#در_حال_پذیرش_مقاله
هشتمین کنفرانس بین المللی فناوری اطلاعات، کامپیوتر و مخابرات
8th International Conference on Information Technology, Computer and Telecommunication
تاریخ برگزاری: ۲۲ اسفندماه
مهلت ارسال مقاله : ۱۳۹۸/۱۱/۲۶
برگزار کننده : سازمان بین المللی مطالعات دانشگاهی-با همکاری دانشگاه جرجیا
محل برگزاری همایش: شهر تفلیس - گرجستان

https://itctconf.ir/fa/

۴ ویژگی که دانشمند علم داده باید دارا باشد:
4 Traits, qualities that a data scientist must seek ...

1) Technical bar: Data science teams work everyday in SQL, specifically in Postgres, and expect candidates to know Python/some fluency in some sort of statistical language. Also, someone who is really comfortable with querying really large datasets.

2) Communication: we’re in roles where a lot of our day-to-day is spent getting great insights or building models and communicating results of that to stakeholders, whether that’s product managers, marketing folks or finance. It’s super key that data science candidates have good communication skills.

3) Grit, tenacity and willingness to solve hard problems: Things that DS teams solve are generally hard problems. My hope is that anyone who joins the data science team is excited about hard problems and bumping against hard challenges.

4) Passion for the arts and passion for the mission: This is not the most important but great to have.

#کنفرانس_داخلی
#در_حال_پذیرش_مقاله
کنگره مشترک سیستم های فازی و هوشمند ایران(نوزدهمین کنفرانس سیستم های فازی و هفدهمین کنفرانس سیستم های هوشمند)
19th Iranian Conference on Fuzzy Systems
تاریخ برگزاری: ۱۴ تا ۱۶ اسفندماه
مهلت ارسال مقاله: ۱۳۹۸/۱۰/۳۰
برگزار کننده: دانشگاه فردوسی مشهد - قطب علمی رایانش نرم و پردازش هوشمند اطلاعات
انجمن علمی: انجمن سیستم های فازی ایران
محل برگزاری همایش: شهر مشهد


http://cci.um.ac.ir/index.php?lang=fa

⁠⁣دومین دوره رویداد HR Talk به میزبانی گروه دیجی‌کالا با موضوع Scale Up، چالش‌ها و فرصت‌ها در تاریخ ۱۸ دی ماه ۱۳۹۸ از ساعت ۱۸ تا ۲۱ در دیجی‌کالا نکست در مجموعه کارخانه نوآوری آزادی برگزار می‌شود و دیجی‌کالا اسپانسر این برنامه خواهد بود.

رویداد مستقل منابع انسانی با عنوان “HR Talk” با هدف مطرح شدن ایده‌ها، گردهمایی ذهن‌های فعال در حوزه منابع انسانی و به اشتراک‌گذاری تجربه‌ها، چالش‌های مشترک و بهترین الگوهای تجربه شده در جهان برگزار می‌شود.

برای اطلاعات بیشتر لینک زیر را بخوانید👇
https://dgka.la/HRTalk9810

@Digikala | دیجیکالا

👆👆دانلود گزارش دیجیکالا👆👆

گزارش شش ماهه نخست ۹۸ دیجیکالا، گزیده‌ای از آمار و داده‌های گروه دیجیکالا است که برای اولین بار در ۲۰ آذر ۹۸ به صورت عمومی منتشر می‌شود.

گستردگی فروش، تنوع بیش از ۱/۸ میلیون کالا، مشارکت ۳۰ هزار کسب و کار ایرانی و ۲۰ میلیون بازدیدکننده ماهانه از سایت و اپلیکیشن دیجیکالا، باعث می‌شود این گزارش گزیده گویایی از کل بازار خرده فروشی آنلاین کشور باشد.

گزارش دیجیکالا در چهار بخش رفتار کاربران، بازخورد مشتریان، بازارگاه و کسب و کارهای ایرانی و محصولات و برندها منتشر شده است.

🔗اطلاعات بیشتر:
https://dgka.la/Report9801

@Digikala | دیجیکالا

#معرفی_کتاب
معرفی کتاب هوش مصنوعی برای کسب‌وکار

نویسنده راجندرا اکرکار
هوش مصنوعی (AI) تبدیل به مفهومی آشنا و برجسته در کسب‌ و کار شده است. با این‌ وجود، بسیاری از سازمان‌ها قادر به استفاده کارآمد از AI برای موارد خاص تجاری نیستند. یک خصوصیت مهم AI ایستا نبودن آن است، یعنی می‌تواند یاد بگیرد و خود را تطبیق دهد.
استفاده تجاری از هوش مصنوعی در مراحل اولیه خود است ولی با نرخ قابل‌توجهی رو به رشد است. هوش مصنوعی به شکلی پایدار در حال تبدیل شدن به یک استفاده روزمره تجاری است. از مدیریت جریان کاری تا پیش‌بینی روندها و خدمات مشتری گرفته تا بهینه‌سازی پویای قیمت‌ها. هوش مصنوعی استفاده‌های بسیاری در کسب‌ و کارها دارد. هوش مصنوعی همچنین فرصت‌های تجاری نوآورانه‌ای را مهیا می‌کند. فناوری‌های هوش مصنوعی در ایجاد نوآوری، فراهم‌سازی مدل‌های تجاری جدید و شکل‌دهی مجدد عملیات کسب ‌و کارها نقشی اساسی دارند.
این کتاب به توضیح مفصل الگوریتم‌ها و مدل‌های هوش مصنوعی نمی‌پردازد بلکه به مروری بر مهم‌ترین و پر استفاده‌ترین مدل‌ها در کسب ‌و کارها می‌پردازد.

#کاربرد
فرصت ۴۵۰ میلیارد دلاری برای اپلیکیشن‌های هوش مصنوعی فعال در بخش بانکداری

طبق نظرسنجی انجام شده از خبرگان حوزه مالی، اکثر بانک‌ها (80 درصد) از پتانسیل درآمدی هوش مصنوعی آگاهی زیادی دارند در حقیقت بسیاری از بانک‌ها درحال برنامه‌ریزی برای استقاده از هوش مصنوعی هستند به طوری که طبق گزارش UBS Evidence Lab report ، هفتاد و پنج درصد بانک‌هایی که دارایی آن‌ها بیش از 100 میلیارد دلار است در حال حاضر استراتژی‌های هوش مصنوعی را اجرایی کرده‌اند. در مقابل 46 درصد بانک‌هایی که دارایی آن‌ها کمتر از 100 میلیارد دلار است از این استراتژی‌ استفاده می‌کنند. برخی موارد استفاده از هوش مصنوعی قبلا در بین عملکرد بانک‌ها برجسته بوده‌اند مانند استفاده از چت بات (chatbots) در بخش فرآنت آفیس (front office) و فناوری‌های جلوگیری از کلاهبرداری در پرداخت ها در بخش میدل آفیس که قدیمی‌تر است.

بانک‌ها می‌توانند از طریق هوش مصنوعی تجربه کاربری مشتری را (ارائه خدمات به صورت 24/7) دگرگون سازند با این حال هوش مصنوعی تنها در ارائه خدمات خرد بانک‌ها محدود نمی‌شود.

#کاربرد
#پردازش_تصویر
این فیلم تبلیغات یوتیوبی ایده خوب و ساده که جزو مثالهای کتابهای پردازش تصویر هست . اما در عین حال اپ کاربردیش مفیده.

#پیشنهاد
In datascience, you must understand context. There are times at work where looking at the data alone didn't help me from solving the problem.

It doesn't matter if your domain is in marketing, healthcare, product, etc... You need to understand the context first before diving into the data. Without background information about how the data was generated, it becomes really difficult to make accurate assumptions on what your data will show.

Taking the time to understand the context will not only benefit you in your analysis, but you may even help your colleagues tackle the problem better.

When you are informed about the data and problem, you increase your value because now you're in a position to communicate and identify other potential problems.

So do this:
On your next project, take the time to not just do EDA, but also document your understanding of the context behind the data.

This good practice will definitely help you in your career and is a valuable skill you can bring to any team.
Context first, data second.
در علم داده ، باید زمینه (محتوا) را درک کنید. زمان هایی در کار وجود دارد که نگاه کردن به داده ها به تنهایی در حل مسئله نمی تواند به ما کمک نمی کند.

فرقی نمی کند دامنه شما بازاریابی ، مراقبت های بهداشتی ، محصول و غیره باشد ... شما باید ابتدا زمینه (محتوا) را قبل از فرورفتن در داده ها بفهمید. بدون اطلاعات پیش زمینه ای در مورد چگونگی تولید داده ها ، آزمایش فرضیات دقیق در مورد آنچه داده های شما نشان می دهد ، کاری دشوار است.

صرف زمان برای درک زمینه نه تنها به شما در تجزیه و تحلیل سود خواهد رساند بلکه حتی ممکن است به همکاران خود برای حل بهتر این مشکل کمک کنید.

هنگامی که از داده ها و مشکل مطلع شدید ، ارزش خود را افزایش می دهید زیرا اکنون شما در موقعیت برقراری ارتباط و شناسایی سایر مشکلات احتمالی قرار دارید.

بنابراین این کار را انجام دهید:
در پروژه بعدی خود وقت بگذارید نه تنها EDA را انجام دهید ، بلکه درک خود را از زمینه داده ها نیز مستند کنید.

این تمرین خوب قطعاً به شما در حرفه شما کمک می کند و یک مهارت ارزشمندی است که می توانید برای هر تیمی به دست آورید.
"زمینه اول ، داده دوم"

✅#جهاد_دانشگاهی_علم_و_صنعت برگزار می کند:
#دوره_آموزشی_علم_داده (Data Science)

📆پنجشنبه ها از ۸ اسفند ماه
⏰ساعت ۸ الی ۱۴ و ۱۴ الی ۲۰
⏱مدت دوره ۵۵ ساعت
💵شهریه دوره: آزاد 600 هزار تومان
برای دانشجویان : ۴۸۰ هزار تومان
🏠جهاد دانشگاهی علم و صنعت
📋با اعطای گواهینامه رسمی و قابل ترجمه
🌐 ثبت نام در : www.jdiust.ir
کانال اطلاع رسانی : @Madatascienceir
اطلاعات بیشتر از طریق @Datascience_cource