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

شرکت آمارگستران نیکوپرداز الوند با همکاری دانشگاه
بوعلی سینا برگزار می‌کند:

«دومین رویداد بین‌المللی بازی با داده‌های واقعی»

❄️❄️ اسفند ماه ۱۴۰۱ ❄️❄️

📊📈 تجربه تحلیل داده‌ها در زمینه‌های:
🔵مصرف آب
🟢بیمه سلامت
🔴حمل و نقل

📆 زمانبندی رویداد:
مهلت ثبت نام تا ۹ اسفند
وبینار افتتاحیه ۱۰ اسفند
تشکیل تیم و دریافت داده‌ها ۱۰ و ۱۱ اسفند
انجام مسابقه و ارسال نتایج ۱۰ تا ۱۷ اسفند
اعلام نتایج مسابقه ۲۲ اسفند

🎁 جوایز برندگان:
تیم اول ۷۰ میلیون ریال
تیم دوم ۵۰ میلیون ریال
تیم سوم ۳۰ میلیون ریال

لینک ثبت نام:
https://agna-co.ir/playdata2/

برای دریافت راهنمایی‌ مراحل ثبت نام و سایر درخواست‌ها با ما در ارتباط باشید:

☎️ 08138257022
📧 agna_comp@agna-co.ir
🌐 agna-co.ir
اینستاگرام:
@agna_co_2022
تلگرام:
@agna_co
لینک گروه تلگرام آگنا:
https://news.1rj.ru/str/+w4HQFrf-s8ViMTE0

دفترچه انتخاب رشته کارشناسی ارشد سال ۱۴۰۲

بیش از ۸۵ موقعیت پذیرش کارشناسی ارشد علم داده‌ها!

@Data_Science_Association

مایه خوشحالی است یا تعجب یا حتی تاسف!؟

بگذارید علاوه بر اطلاع‌رسانی و آموزش، کمی هم از تاریخچه و چرایی بگوییم..
شاید در آگاهی و انتخابمان اثرگذار باشد و به این نحو، این کانال بتواند مفید باشد!

شروع رسمیِ ارائه رشته علم داده‌ها (به عنوان رشته‌ای بین‌رشته‌ای، حداقل در مرحله اول و پذیرش مسئله) سال ۹۸ بود،
به خاطر دارم که در آن زمان، تنها یک دانشگاه، آن را ارائه کرده بود..
حال حدود ۴ سال، از آن ماجرا گذشته و انتظار می‌رود که اکنون اکوسیستم دیتاساینس تا حد خوبی در ایران شکل گرفته باشد..
شکل‌گیری رشته علم داده‌ها با پذیرش ۴ دانشجو، همراه بود اما امسال تنها در بخش روزانه، حدود ۸۵ موقعیت تحصیلی در مجموعه آمار در دانشگاه‌های بسیار مختلفی تعریف شده است (البته سال گذشته هم، تقریبا شرایط مشابهی وجود داشت)!
به علاوه چند موقعیت در مجموعه‌های دیگر (به نظر می‌رسد این موضوع، تا حدی با بین‌رشته‌ای تعریف شدن رشته نیز در تناقض است! 🤔) ...

افزایش تعداد پذیرش دانشجو و دانشگاه هم به نوبه خود، یک پيشرفت قابل توجه است! :)
اما به نظرم کمی تمرکز روی اکوسیستم هم می‌تواند خوب و بسیار ضروری (حتی ضروری‌تر از مورد قبل) باشد..

با توجه به شرایط اکوسیستم فعلی در ایران، به نظرم سوالاتی در اینجا قابل تامل است:
- آیا به این تعداد نیروی متخصص، در این زمینه نیاز است؟
- به نیروهای متخصص دقیقا در کدام بخش‌ها نیاز است؟ و به چه تعداد؟
- دانشگاه، در حال تربیت دانشجویان در کدام بخش است؟ آموزش (!!!) پژوهش (!) یا صنعت (!!)؟
- آیا صنعت به چنین بلوغی رسیده که بتواند دیتاساینس را به کار گیرد؟
- آیا میزان آشناییِ تصمیم‌گیران، از دیتاساینس و فعالیت‌های داده‌محور، کافی است و نیاز واقعی به آن را احساس می‌کنند؟
- به کارگیری دیتاساینس در بخش‌های مختلف به چه زیرساخت‌ها و پیش‌نیازهایی نیاز دارد؟
- آیا روند طی‌شده برای تربیت دانشمندان داده، نیازی به بازبینی و اشکال‌زدایی ندارد؟
- آیا شرایط فعلی و زیرساخت‌های سه بخش بیان‌شده، برای تربیت متخصصان این رشته مناسب است؟
- آیا علم داده‌ها، رشته‌ای بین‌رشته‌ای است؟!

این سوالات در بسیاری از رشته‌ها، قابل توجه است اما در ابتدای کارِ چنین رشته‌ای که در آینده بسیااار موثر و ضروری خواهد بود، بسیار بیش از این، به بررسی و بازاندیشی و انتخاب استراتژی مناسب نیاز است.
به علاوه، به دلیل ابتدای مسیر بودن، تغییر جهت راحت‌تر و امید بیشتر است..! :)

قطعا استقبال و نحوه مواجهه ما با هر مسئله‌ای، در جهت‌دهی به آن تاثیرگذار است..

@Data_Science_Association

برای یادگیری
DSA (Data Structure and Algorithm)
چه جوری اقدام کنیم؟
مطالب مهم برای یادگیری ساختمان داده و الگوریتم

سلسله پست‌های #مطالب_آموزشی و #ترویج #دانش
#دانشمند_داده

@Data_Science_Association