Data Hobbies – Telegram
Data Hobbies
830 subscribers
21 photos
1 video
12 files
76 links
It's a community to providing training roadmaps for data career paths, announcing job positions, providing training videos, conducting online and face-to-face events.
Our discussions group is:
https://news.1rj.ru/str/DataHobbies_Discussions

Admin: @Torkamani_Marya
Download Telegram
https://www.youtube.com/dataschool
اینم یکی از چنل های خوب یوتیوب 👌
#پایتون #Python
@DataHobbies
https://github.com/stevekwon211/Hello-Kaggle-Guide
این پیج توضیحات نحوه استفاده و ارتباط با سایت کگل خیلی خوب گفته
#kaggle #dataset
@DataHobbies
پایتون پیشرفته!
بهتره شروع آموزش پایتون پیشرفته رو با آموزش ماشین لرنینگ ادغام کنیم و به فراخور اینکه میخوایم چه کاری انجام بدیم آموزش پایتونمون ادامه بدیم.
اینم یه لیست مختصر از الگوریتم هایی که تو فریم ورک Scikit-Learn وجود داره:
Linear Regression
Logistic Regression
Decision Tree
Gradient Descent
Random Forest
Ridge and Lasso Regression
Naive Bayes
Support Vector Machine
KMeans Clustering


#python #advanced_python
#پایتون #پایتون_پیشرفته
@DataHobbies
👍2
برای شروع آموزش ماشین لرنینگ این چنل خوب AI آموزش ماشین Andrew Ng رو گذاشته

https://www.youtube.com/playlist?list=PLLssT5z_DsK-h9vYZkQkYNWcItqhlRJLN

#یادگیری_ماشین #ماشین_لرنینگ
#Machine_Learning #Andrew_Ng
@DataHobbies
دوره ماشین لرنینگ Andrew Ng تو سایت کورسرا هم با زیرنویس فارسی موجوده



https://www.coursera.org/specializations/machine-learning-introduction
مهم ترین کتابخانه های پایتون برای دیتا ساینس ها
@DataHobbies
1
بعد از ماشین لرنینگ کلاسیک، موارد تکمیلی تر هم احتیاجه مثله:
Measuring Accuracy
Bias-Variance Trade-off
Applying Regularization
Elastic Net Regression
Logistic Regression
Predictive Analytics
Exploratory Data Analysis
Hypothesis testing in machine learning


#یادگیری_ماشین #ماشین_لرنینگ
#Machine_Learning
@DataHobbies
برای ادامه چندین شاخه وجود داره که باید به فراخور علاقه و نیازمون تو یکی ازین زمینه ها وارد شیم. مثلا
پردازش زبان طبیعی Natural Language Processing
بینایی ماشین Computer Vision
یادگیری تقویتی Reinforcement Learning
یادگیری عمیق Deep Learning
و . . .
تو پست های بعدی منابع و مسیرهای پیشرفت هر کدوم توضیح میدم🙂

#Machine_Learning
#ماشین_لرنینگ #یادگیری_ماشین
@DataHobbies
یکی از مسائلی که اهمیت زیادی داره، بحث Visualization یا بصری سازیه و افراد تو پوزیشن های شغلی مختلف مرتبط با داده، ارائه داشبوردهای مدیریتی نیازشون میشه.
داشبوردها یکی از قدرتمندترین ابزارهایی که میتونیم با استفاده ازونها با ذینفعان و فعالین بیزینس ارتباط بگیریم، نتایج و خروجی تحلیل ها رو نمایش بدیم و با افرادی که خیلی درکی از جزئیات اجرا ندارن و قرار استفاده کننده نهایی باشن ارتباط برقرار کنیم.

ابزارهای بصری سازیه متفاوتی وجود داره، مثل Oracle BI، Power BI، Tableau، Click View و . . .

به نظرم اگر با حوزه طراحی داشبوردها آشنایی ندارین، تو تیم و مجموعه خاصی نیستین که الان در حال استفاده از ابزار خاصی باشن و خودتون تازه میخواین شروع کنین، Power BI برای شروع گزینه خوبیه

#بصری_سازی #پاور_بی_آی
#Power_BI #Visualization
@DataHobbies
با دیدن یه فیلم چند ساعته از Power BI میشه یه دید کلی به دست آورد و به فراخور نوع نیازمون یه پروژه رو شروع کنیم. مسائلی مثل اینکه درک کنیم بحث دیتامدل ها چطور انجام میشه، قسمت های مختلف ابزار چطور استفاده میشه و . . .
وگرنه اینکه کدوم ویژوال ها برای چه کاربردی استفاده میشن، طراحی به چه صورت باشه کاربرپسندتره و اینها یه سری شناخت مفهومی میخواد و یه جاهایی واقعا نیاز به UI/UX Developer داریم.
برای شروع و دید کلی گرفتن، دیدن یکی از ویدویهای زیر رو پیشنهاد میکنم:

#بصری_سازی #پاور_بی_آی
#Power_BI #Visualization
@DataHobbies
اگه بخوایم یکم سطح داشبوردهامون حرفه ای تر کنیم و فیلترنویسی های پیشرفته استفاده کنیم (تو Power BI) باید با DAX ارتباط برقرار کنیم.

https://www.youtube.com/watch?v=waG_JhBgUpM
#بصری_سازی #پاور_بی_آی #پیشرفته
#Power_BI #Visualization
@DataHobbies

--------اتمام پاور بی آی پیشرفته--------
انبار داده یا Data Warehouse چیست؟
انبار داده یه بانک اطلاعاتی غیرنرمال و مخزن مرکزی داده ها است که از منابع و پایگاه داده های مختلف، داده ها به صورت یکپارچه درون آن جمع شدن. مبتنی بر استخراج (Extract)، تبدیل (Transform) و بارگذاری (Load) ساخته میشه به اختصار (ETL).
انبار داده ها باید خصوصیات زیر را داشته باشند:
موضوع‌گرا (Subject Oriented)
مجتمع (Integrated)
ماندگار در زمان‌های مختلف (Timevariying)
و غیر فرَار (none-volatile)

#انبارداده
#DataWareHouse
@DataHobbies
مهم ترین قسمت طراحی دیتاورهاوس بحث طراحی مفهومی اونه. اول باید دانشمون رو تو زمینه طراحی مفهومی بالا ببریم و مفاهیم پایه ای رو یاد بگیریم، مثلا طراحی های پایین به بالا ، بالا به پایین ، ستاره ای، دانه برفی . فرق بین روش های Tabular , Multi Dimensional را بدانیم.
بعد انبارداده های مختلف ببینیم و آنالیز کنیم تا تجریه مون بالا بره. این قسمت هم به دانش خوبی احتیاج داره هم تجربه کمک کنندس!
#انبارداده
#DataWareHouse
@DataHobbies
DataHobbies_Agile_DW_Design.pdf
8.3 MB
این فایل مفاهیم منطقی طراحی انبار داده رو قشنگ توضیح داده
#انبارداده
#DataWareHouse
@DataHobbies
👍1