#business_intelligence

🔸معماری هوش تجاری چگونه است؟
هوش تجاری از نظر ساختار اجرا و معماری فرایند، دارای پنج لایه اصلی است:
🔺منابع اطلاعاتی (Data Source)
در اولین مرحله برای پیاده سازی هوش تجاری در یک سازمان داده های مهم را در قالب فرمت های بخصوصی شناسایی و سازماندهی می کنیم. این داده ها را می توانید از انواع منابع اطلاعاتی جمع آوری کنید.

🔺استخراج، تبدیل و بارگذاری (ETL)
اطلاعات مناسب از منابعی که در مرحله قبل تشخیص داده شد استخراج شده، سپس به داده های قابل استفاده برای سیستم تبدیل می شوند (در این مرحله داده های نامعتبر از مجموعه داده حذف می شوند) و در نهایت در انبار داده گرد آوری و بارگذاری خواهند شد.

🔺انبار داده (DWH)
هدف از انجام این مرحله در حقیقت جمع آوری داده های مورد نیاز و ایجاد مجموعه ای یکپارچه از این اطلاعات است. طراحی این مجموعه جز یکی از مهم ترین مراحل فرایند پیاده سازی هوش تجاری است. انبار داده باید به گونه ای طراحی شود که انواع مختلف اطلاعات در آن قابل تجمیع باشد.

🔺مدلسازی داده ها (Data Modeling)
در این گام، حقایق مربوط به کسب و کار شامل فروش، پرداخت، زمان فروش، فروشنده و مشتری مشخص شده و در قالب گزارش هایی بررسی و روابط میان آنها مشخص می شود. پس از انجام این فرایند به مقادیر و اطلاعات محاسباتی دست می یابیم که می توان از آنها به عنوان شاخص های اندازه گیری اطلاعات استفاده کرد.

🔺ارائه اطلاعات (Presentation)
در آخرین لایه از فرایند هوش تجاری،اطلاعات بدست آمده را در قالب داشبوردهای مدیریتی و به شکل نمودارهای گرافیکی، گزارشات تصویری و متنی و... به کاربر نهایی (مدیران کسب و کار) نمایش داده می شود. این گزارش ها می توانند حاوی اطلاعاتی شامل نقاط قوت و ضعف سازمان، عوامل مفقیت و شکست پروژه ها، تأثیر هزینه ها در فروش و... باشند که در نهایت می توانند استراتژی های تجاری سازمان را دستخوش تغییر کنند.

📚@BigDataServe

#course #deeplearning
🟣یادگیری عمیق یا Deep Learning ، بخشی از خانواده بزرگتر روش های یادگیریِ مبتنی بر نمایش داده ها است. یادگیری ممکن است نظارت شده، نیمه نظارت شده یا بدون نظارت باشد.

🟡معماری های یادگیری عمیق همچون شبکه های عصبی، شبکه های کانوولوشن عمیق و شبکه های عصبی بازگشتی در زمینه هایی از جمله بینایی ماشین، شناسایی گفتار، پردازش زبان طبیعی، شناسایی صوت، فیلترینگ شبکه های اجتماعی، ترجمه ماشینی، بیوانفورماتیک، طراحی دارو و برنامه بازی ها استفاده شده اند که در آن ها نتایجی قابل قیاس با متخصصین انسانی و بعضاً برتر از آن ها ارائه کرده اند.

🟢مدل های یادگیری عمیق به شکلی نه چندان روشن از الگوهای پردازش اطلاعاتی و  ارتباطی در سیستم های عصبی زیستی الهام گرفته شده اند اما تفاوت های مختلفی در ویژگی های ساختاری و عملکردی با مغزهای زیستی (به ویژه مغز انسان) دارند، که باعث عدم همخوانی آنها با شواهد علوم اعصاب میشود.
📚@Bigdataserve

#machinelearning
#scikit_learn
🔸دوره آموزش یادگیری ماشین با کتابخانه Scikit-learn

قسمت نهم - آشنایی با انواع متغیرها

📚@BigDataServe

#r

آموزش نحوه تولید داده در نرم افزار R

📚@BigDataServe

#business_intelligence

🔸یک مثال روشن و واضح از کاربرد هوش تجاری

فرض کنید شما یک فروشگاه بزرگ اینترنتی دارید و محصولات زیادی برای فروش. قطعاً ذهن هیچ مدیری یارای نگهداری تمام اعداد و ارقام مربوط به خرید و فروش را ندارد و البته که واقعاً نیاز به حفظ تمام این اعداد و ارقام نیست. در فرایند پیاده سازی هوش تجاری طبق یک عملیات پیچیده همه داده های سازمان در یک دیتابیس جمع می شوند (اینکه این اطلاعات روزانه جمع آوری شوند یا هفتگی یا ماهیانه دست خودتان است). در حقیقت این دیتابیس حاوی تمام اطلاعات شرکت و تک تک فروش ها و خریدهای انجام شده توسط سازمان است. در اصطلاح تخصصی به این دیتابیس، انبار داده یا DWH گفته می شود. این نقطه شروع و صفر مرزی پروژه های هوش تجاری در کسب و کار شماست. اطلاعاتی که در انبار داده جمع آوری می شوند چند بُعد (Dimension) مهم دارند که عبارتند از:

🔺مکان (Location): فرض کنید هر کالا توسط یک نفر خریداری می شود که این شخص در یک استان، شهر منطقه بخصوصی زندگی می کند. پس یکی از ابعاد مهم داده های ما متغیر مکان است.
🔺زمان (Date): علاوه بر همه اینها هر فروش یک پارامتر زمان دارد. شما حساب کنید روزی حداقل ده هزارتا از این فروش و فروش های دیگر به انبار داده اضافه می شود.
💯(البته ابعاد دیگری همچون مشتریان، محصولات، فروشندگان، نحوه فروش و... وجود دارند که میتوان به عنوان محور تحلیل در تهیه گزارشات و طراحی داشبوردهای مدیریتی از آنها استفاده نمود.)

حالا تصور کنید قرار است در یک جلسه، استراتژی های کلان سازمان مورد بررسی قرار گرفته و مدیران و تصمیم گیرندگان نهایی بخواهند یک تصمیم اساسی بگیرند مثلا اینکه آیا استراتژی درستی است که برای صرفه جویی در هزینه ها اجناسی که از تامین کنندگان خریداری می شوند در انبارهای در دست احداث نگهداری شوند یا خیر. دقیقاً از همین جا هوش تجاری وارد عمل می شود. در این مثال، مدیر یا گروه مدیریت به راحتی از روی اطلاعات خلاصه شده یا اصطلاحاً Summarized Data می توانند بفهمند که چه کلاهایی یا گروهی از کالاها توسط کدام افراد در چه شهرها یا مناطقی بیشتر فروش می رود و یا در چه زمانی (فصل، ماه، روز) کدام کالاها یا گروهی از کالاها بیشتر فروخته می شود.
حالا بر این اساس آیا این استراتژی که مثال زدیم واقعا به صرفه جویی در هزینه ها کمک می کند یا بدتر باعث ایجاد هزینه اضافی خواهد شد. برای مثال اگر متوجه شویم که کالای X در منطقه Y تهران فروش بالایی دارد، آیا تصمیم اینکه انبار کالای X را در منطقه Y احداث کند، باعث کاهش هزینه نگهداری و رساندن (Delivery) سریع تر محصول می شود یا خیر.

📚@BigDataServe

📣 دوره آنلاین جامع یادگیری عمیق و هوش تجاری جهاد دانشگاهی علم و صنعت

📌۸۵ ساعت آموزش به همراه رفع اشکال و پرسش و پاسخ با اساتید دوره

⏰کد ۱: پنجشنبه ها و جمعه ها ۹ تا ۱۲
⏰کد ۲: پنجشنبه ها و جمعه ها ۱۵ تا ۱۸

📅 ۱ آبان ماه لغایت ۱۰ بهمن ماه ۱۳۹۹

🚫 ۱۵ درصد تخفیف برای اعضای این کانال

🔐انجام پروژه های واقعی متناسب با بازار کار

📋مدرک معتبر و قابل ترجمه جهاد دانشگاهی جهت ادامه تحصیل در خارج از کشور

🎁 بازگشت شهریه نفر اول دوره

🔴برای کسب اطلاعات بیشتر پیرامون دوره، کدهای تخفیف، رزومه اساتید و ریز سرفصل ها میتوانید به لینک زیر مراجعه فرمایید:
http://www.armanbehnam.com/about-me/education/jd-dl-bi

🔴 لینک ثبت نام کد ۱ پنجشنبه ها و جمعه ها ۹ تا ۱۲
http://www.jdrouyesh.ir/reg?rgn=41&cls=343246

🔴 لینک ثبت نام کد ۲ پنجشنبه ها و جمعه ها ۱۵ تا ۱۸
http://www.jdrouyesh.ir/reg?rgn=41&cls=343247

📚@BigDataServe

#machinelearning
#scikit_learn
🔸دوره آموزش یادگیری ماشین با کتابخانه Scikit-learn

قسمت دهم - آشنایی با روش کدگذاری وان هات (One Hot Encoding)

📚@BigDataServe

✔هم اکنون وبینار پنجم در اختیار همگان قرار گرفت. برای مشاهده تمامی وبینارهای برگزار شده می توانید روی هر کدام از آنها کلیک کنید.

🔴وبینار اول - آشنایی با یادگیری ماشین(Machine learning)

🟠وبینار دوم - آشنایی با کلان داده(Big Data)

🔵وبینار سوم - آشنایی با شبکه های عصبی(Neural networks)

🟢وبینار چهارم - کاربرد علم داده و هوش مصنوعی در فروش و بازاریابی

⚪وبینار پنجم - کاربرد علوم داده و هوش مصنوعی در سلامت
_______________
📚@bigdataserve

#business_intelligence

🔸فاصله یک حرف ساده است بین BI و BA. فهمیدن تفاوت بین این دو کلمه به درک شما از BI کمک شایانی خواهد کرد.

🔺کارشناسان هوش تجاری داده های گذشته و زمان حال کسب و کار یا سازمان را تحلیل می کنند. در حقیقت یک متخصص هوش تجاری قرار نیست با تحلیل داده های کسب و کار شما، بگوید که چه کاری انجام دهید. تنها چیزی که می گوید این است که اوضاع کسب و کار شما در گذشته چگونه بوده و الان چگونه است.
🔺کلمه BA مخفف عبارت Business Analytics است. BA از ابزارهای تحلیل داده کمک می گیرد تا بتواند پیش بینی کند که چه اتفاقی برای آینده کسب و کار می افتد. در حقیقت BI به یک فرایند اشاره دارد که داده ها را برای ما فراهم می آورد اما BA به یک شخص اشاره دارد که بر مبنای این اطلاعات، راه حل برای کسب و کار پیدا می کند. در واقع می توانیم اینگونه بگوییم که BA یکی از اجزای فرایند BI محسوب می شود.

📚@BigDataServe

🔺ترجمه ۵ فصل اول کتاب ارزشمند مکنزی به نام
ارزشیابی یا valuation

🔍مولفین : Tim Cooler,Mark Goodheart,David Vessles(چاپ جدید)

✏️مترجمین :دکتر حسین عبده تبریزی و دکتر هادی لاری
مناسب مهندسین مالی و مهندسین صنایع


📚@BigDataServe

#machinelearning
#scikit_learn
🔸دوره آموزش یادگیری ماشین با کتابخانه Scikit-learn

قسمت یازدهم - آشنایی با مفاهیم Hyperparameters و GridSearch

📚@BigDataServe

#kpimegalibrary

17000 KPIs book
آشنایی با شاخص های کلیدی عملکرد در صنایع مختلف

📚@BigDataServe

#business_intelligence

🔸در اولین گام از پیاده سازی هوش تجاری در سازمان، شما باید داده ها و منابع اطلاعاتی که داده های خود را از آنها استخراج و جمع آوری می کنید را بشناسید. در اینجا به معرفی انواع داده های موردنیاز برای تحلیل در بسیاری از مباحث داده کاوی، یادگیری ماشین و کلان داده ها می پردازیم.

📚@BigDataServe

#business_intelligence

داده ها را می توان به ۲ دسته زیر تقسیم بندی کرد:
🔺۱. داده ساختار یافته (Structured Data)
🔺۲. داده ساختار نیافته (Unstructured Data)

این ۲ نوع داده تفاوت های اساسی باهم دارند و معمولا در عملیات داده کاوی و یادگیری ماشین سعی بر این است که داده های ساختار نیافته را به داده های ساختار یافته تبدیل کرد تا برای ماشین (کامپیوتر) قابل فهم باشد.

🔸حتماً با پایگاه های داده هایی مانند Excel یا SQL Server کار کرده اید. این پایگاه ها معمولا سعی دارند که داده ها را برای کامپیوتر قابل فهم کنند. در واقع داده های ساختار یافته که در Excel یا پایگاه داده ای رابطه ای مانند SQL داریم، داده هایی هستند که می توانیم بر روی آنها عملیات مختلف را با استفاده از الگوریتم های شناخته شده کامپیوتری انجام داد، به این صورت که می گوییم داده ها برای کامپیوتر قابل فهم شده است.

🔸اما داده هایی مانند اخبار روزانه که به صورت متنی هستند یا داده های موجود در فیلم ها و ویدیوهایی که در شبکه های اجتماعی به اشتراک گذاشته می شوند، با نوع قبلی فرق دارند. آنها به خاطر تنوع قادر به نگهداری به صورت ساختار یافته در پایگاه های داده ای نیستند (اگرچه می توان آنها را به صورت خام در یک ستون از پایگاه داده ذخیره کرد). داده هایی مانند ویدیو، تصویر یا متن که بایستی پردازش های اضافه تری بر روی آنها انجام شود و زمان بیشتری می گیرند، داده های ساختار نیافته خواهند بود.

📚@BigDataServe

#multi_task_learning #meta_learning #deep_learning #meta_learning
part: 8/14

⚪️ Stanford CS330: Multi-Task and Meta-Learning, 2019 | Lecture 8 - Model-Based Reinforcement Learning





دوره متا لرنینگ دانشگاه استنفورد:
این دوره شامل مباحث پیشرفته ی deep learning و reinforcement learning است

قسمت هشتم - یادگیری تقویتی ۲

📚@BigDataServe

#machinelearning
#scikit_learn
🔸دوره آموزش یادگیری ماشین با کتابخانه Scikit-learn

قسمت دوازدهم - آشنایی با معیارهای ارزیابی عملکرد مدل های یادگیری ماشین

📚@BigDataServe

#book
#datascience

📘کتاب Data Smart

Using Data Science to Transform Information into Insight


📚@BigDataServe

#business_intelligence

🔸چرا ETL به عنوان گام دوم پیاده سازی BI در سازمان ها بسیار مهم و حیاتی است؟
🔺هنگامی که از انبارداده های سازمانی استفاده می شود، ETL زمینه های تاریخی و عمیقی را برای کسب و کار فراهم می آورد.
🔺با ارائه یک نمایه تلفیقی، ETL باعث می شود که تجزیه و تحلیل و گزارش داده ها و ابتکارات در ارتباط با آنها برای کاربران کسب و کار آسان تر شود.
🔺این فرایند (ETL) می تواند بهره وری حرفه ای داده ها را بهبود بخشد. زیرا این پروتکل ها رمزهای پردازش شده را مجدداً مورد استفاده قرار می دهد که همین امر باعث می شود داده ها را بدون نیاز به مهارت های فنی برای نوشتن کد یا اسکریپت انتقال داد.
🔺همچنین ETL در طول زمان تکامل یافته است تا از نیازهایی که در ارتباط با یکپارچگی برای مواردی مانند جریان داده ای بروز می کنند پشتیبانی کند.
🔺سازمان ها به ETL نیاز دارند تا داده ها را باهم تجمیع کنند، از دقت آنها اطمینان حاصل کنند و حسابرسی مورد نیاز برای انبار داده ها، گزارش دهی و تجزیه و تحلیل را فراهم آورند.

📚@BigDataServe

#deeplearning
مثال هایی از DEEP LEARNING در عمل

📍طیف زمینه هایی که از Deep Learning در آن ها استفاده شده بسیار گسترده است و از ماشین های بدون راننده تا وسایل و تجهیزات پزشکی را شامل می شود.

🅰 ماشین های بدون راننده: در تحقیقات مربوط به خودرو ها سعی می شود از Deep Learning به منظور تشخیص اشیاء مانند تابلو ها، چراغ های راهنمایی استفاده شود. علاوه بر این برای تشخیص عابران پیاده و سایر ماشین ها نیز کاربرد دارد که می تواند سبب کاهش تصادفات شود.

🅱 صنایع دفاعی: با استفاده از Deep Learning می توان به منظور تشخیص اشیاء با استفاده از ماهواره هایی که در محل مورد نظر قرار گرفته اند استفاده کرد تا محل های امن و ناامن را برای سربازها تعیین کرد.

🅾 دارویی: با استفاده از Deep Learning می توان سلول های سرطانی را تشخیص داد. تیم هایی در دانشگاه کالیفرنیا (UCLA) موفق به ساخت میکروسکوپی شدند که با استفاده از داده هایی که دارد، می تواند با عکس برداری از سلول ها تشخیص دهد که سلول ها سرطانی هستند یا خیر.

📚@Bigdataserve

#machinelearning
#scikit_learn
🔸دوره آموزش یادگیری ماشین با کتابخانه Scikit-learn

قسمت سیزدهم - کشف ناهنجاری ها و مشکلات یکپارچه سازی داده ها

📚@BigDataServe

#book
#python

کتاب آموزش مقدماتی برنامه نویسی پایتون به زبان ساده

📚@BigDataServe