برنامه کلاس‌ها

@Data_Science_Association

با رشد رویکرد داده محور و افزایش تقاضا برای متخصصان علم داده‌ها، این رشته مسیر شغلی فریبنده‌ای را، برای دانشجویان و متخصصان ارائه می‌دهد.
برای رسیدن به تخصص در این زمینه، در کنار #دانش لازم که در پست‌های قبل راجع‌به آن صحبت شد، مهارت‌های کلیدی متعدد و بعضاً زیادی، مورد نیاز است. به طور کلی، می‌توانیم این مهارت‌ها را در دو نوع دسته‌بندی کنیم؛ که عبارتند از:
- مهارت‌های سخت
- مهارت‌های نرم

مهم‌ترین مهارت‌های سخت را می‌توان به صورت زیر، نام برد:
- کار با نرم‌افزارهای تحلیل داده‌ها
- کار با نرم‌افزارهای مدل‌سازی و پیش‌بینی
- کار با پایگاه‌های داده‌
- کار با نرم‌افزارهای پردازش موازی

در ادامه، راجع‌به مهارت‌های نرمِ مورد نیاز نیز، صحبت می‌کنیم.

سلسله پست‌های #مطالب_آموزشی
#مهارت #دانشمند_داده

@Data_Science_Association

گروه آمار دانشگاه تربیت مدرس برگزار می‌کند:
🔶سلسله سخنرانی‌های علمی
🗓زمان : شنبه 17 اردیبهشت ساعت 14-16
🗓زمان : شنبه 7 خرداد ساعت 15:30-17:30
🗓زمان : شنبه 4 تیر ساعت 14-16
سخنرانان: دکتر تابان باغفلکی دانشگاه تربیت مدرس، دکتر سیامک نوربلوچی دانشگاه مینه‌سوتا آمریکا، دکتر رضا دریکوندی دانشگاه دورام انگلستان

عمده مهارت‌های نرمی که هر دانشمند داده موفقی، باید داشته باشد:
• ارتباطات (Communication): این مهارت به متخصص کمک می‌کند که بینش مبتنی بر داده خود را به گونه‌ایی قابل درک، برای صاحبان مشاغل و ذی‌نفعان بیان کنند و به کمک داستان‌سرایی و تکنیک‌های رایج در این زمینه، افراد را راحت‌تر متقاعد کند.
• کنجکاوی (Curiosity): کنجکاوی دانشمندان داده را ترغیب می‌کند تا به دنبال یادگیری روش‌های متدوالی که به صورت روز افزون به وجود می‌آیند، رود و بتواند به مسائل پیچیده موجود، پاسخ مناسبی دهد.
• تطبیق‌پذیری (Adaptability): این متخصصان باید با به روزترین تکنولوژی‌ها، سازگار شوند.
• تفکر انتقادی (Critical Thinking): تفکر انتقادی به دانشمند داده این امکان را می‌دهد که برای یک مسئله، تحلیل علمی انجام دهد و سوالات خود را با توجه به چگونگی بهبود سازمان تعیین کند و هر بار درستی آن را، بسنجد.
• درک محصول (Product Understanding) : به عنوان یک دانشمند داده، طراحی مدل همه چیز نیست و باید بینش‌ کاربردی، برای بهبود کیفیت محصول و خدمت نهایی ارائه دهد.

سلسله پست‌های #مطالب_آموزشی
#مهارت #دانشمند_داده

@Data_Science_Association

🔷 برنامه زمانی و لینک #نشست‌های_تخصصی کنفرانس‌ 🍃‌

#شانزدهمین_کنفرانس_آمار_ایران‌
#دانشگاه_مازندران‌

@ISC_16 🌱

مناسبت هفته پژوهش و فناوری، پژوهشکده آمار روز شنبه مورخ 1401/9/26 دومین میزگرد تخصصی «خلاءهای پژوهشی و آموزشی آمار در نظام علمی کشور برای ارتقاء و بهبود برنامه‌ریزی و تصمیم‌گیری‌ها» برگزار می‌نماید. 
 
● میزگرد تخصصی با‌ حضور و سخنرانی:   
 ● دکتر عبدالرحمن راسخ؛ رییس انجمن آمار ایران و عضو هیئت علمی دانشگاه شهید چمران اهواز.
 ● دکتر علی رجالی؛ عضو هیئت علمی دانشگاه صنعتی اصفهان.
 ● سیدنعمت‌ا... میرفلاح‌نصیری؛ معاون طرح‌های آماری و آمارهای ثبتی مرکز آمار ایران.
 ● دکتر موسی گل‌علیزاده؛  عضو هیئت علمی دانشگاه تربیت مدرس.
 ● دکتر فاطمه ترابی؛ مدیر گروه جمعیت‌شناسی و عضو هیئت علمی دانشگاه تهران.
 ● دکتر اشکان شباک؛ عضو هیئت علمی پژوهشکده آمار.
 ● دکتر تقی ترابی؛ اقتصاددان.
                 
 ● تاریخ برگزاری: شنبه 26 آذرماه 140۱
 ● ساعت برگزاری: 13:30 الی 16
 
 ● شرکت در این میزگرد تخصصی برای عموم آزاد است.
 ●  لینک ورود:
https://www.skyroom.online/ch/srtc/panel1401

یه تعریف کلی و ساده، از دیتاساینس و یه نقشه راه کلی، برای یادگیری #دانش اون!
تو این اینفوگرافی، مهم‌ترین مباحثی که باید تو این مسیر یاد بگیریم، اومده.
در ادامه تلاش می‌کنیم، بیشتر راجع‌بهشون صحبت کنیم.

سلسله پست‌های #مطالب_آموزشی
#دانش #دانشمند_داده

@Data_Science_Association

فهم فرایند پروژه دیتاساینس با مدل CRISP-DM

CRISP-DM (The CRoss Industry Standard Process for Data Mining)

سلسله پست‌های آشنایی با اصطلاحات رایج، #مطالب_آموزشی و #ترویج #دانش
#دانشمند_داده

@Data_Science_Association

توی این پست‌ و پست‌های قبلش، راجع‌به چیستی علم داده‌ها صحبت کردیم و گفتیم که هدف نهاییش "استخراج دانش از داده‌ها" است (پس حالا می‌تونیم تفاوت و شباهتش رو با علوم مختلفی مثل آمار، هوش‌مصنوعی و علوم کامپیوتر درک کنیم، در پست‌های آتی سعی می‌کنیم از این دید، این مسئله رو هم بررسی کنیم)!
به علاوه، توی این پست، pipeline و جریان کار end to end ِ یک پروژه دیتاساینس برامون مشخص شد که به طور خلاصه یعنی، "مشکل را شناسایی و با طرح و آزمایشِ راه‌حل مناسب، آن را حل کنید"!
 در واقع، این تعریف به زبان ساده، مفهومِ چگونگی انجام فعالیتِ دیتاساینس رو بهمون میگه، که تبدیلِ هر مولفه از این تعریف، به قسمت قابل اجرا برای انجام کار، به خودیِ خود به عنوان یه مبحث عمیق، قابل بررسی است..
حالا می‌خواهیم راجع‌به "علم داده‌ها در صنعت" صحبت کنیم.
به طور کلی میشه گفت، هدف علم داده‌ها اجرا نیست، بلکه یادگیری و توسعه قابلیت‌های تجاریِ جدید است. هیچ طرح و برنامه مشخصی وجود نداره و قابلیت‌های جدید با عدم قطعیت ذاتی همراه هستند، پس باید از طریق آزمون و خطا و تکرار آموخته شوند!
بنابراین بهتر است که نقش‌های یک پروژه علم داده، کلی‌تر در نظر گرفته شوند و کمتر روی مسئولیت‌های فنی متمرکز باشند. به جای آن، نقش‌ها برای یادگیری بهینه شوند. به طور خلاصه می‌تونیم بگیم که مهم‌ترین مهارت دانشمند داده، داشتن درک عمیق از مفهوم‌سازی، مدل‌سازی، پیاده‌سازی و اندازه‌گیری است.

در ادامه، به بررسی کامل‌تری از مهارت‌های یک دانشمند داده می‌پردازیم.

سلسله پست‌های آشنایی با اصطلاحات رایج، #مطالب_آموزشی و #ترویج #دانش و #مهارت
#دانشمند_داده

@Data_Science_Association