#سود_خالص چیست؟
Net profit
هدف اصلی هر شرکتی کسب سود است. سود خالص نشان می دهد که پس از کسر هزینه ها و مخارج چقدر از درآمد شرکت باقی می ماند.
سود خالص را بطور کلی می توان:
1⃣ جهت رشد و توسعه شرکت در حساب سود انباشته نگهداری کرد.
2⃣ به عنوان سود نقدی بین سهامداران تقسیم کرد. (DPS یا سود نقدی سهام)
بدیهی است که یک مدیر باید آگاهی کامل از سود دهی فعالیتهای شرکت داشته باشد.

فرمول محاسبه سود خالص
برای محاسبه سود خالص به شیوه زیر عمل می کنیم:
1⃣ از درآمدهای عملیاتی شرکت، بهای تمام شده آن را کم می کنیم.
2⃣ آنچه حاصل شده است را سود ناخالص شرکت می نامیم.
3⃣ بعد از کسر هزینه های سربار و سایر هزینه های غیر مستقیم و در نظر گرفتن سایر درآمدهای عملیاتی، سود و زیان عملیاتی بدست می آید.
4⃣ آنچه تا به اینجا حاصل شده است را EBIT یا درآمد قبل از کسر مالیات بهره و مالیات نیز می گویند. (Earnings before interest and taxes)
5⃣اگر از عدد حاصل شده هزینه های مالی و مالیات را کم کنیم، سود خالص (Net Profit) بدست می آید.

مطالعه ادامه مقاله در:
datatoinsight.ir
کانال تلگرام:
@DataToInsight
صفحه اینستاگرام:
instagram.com/DataToInsight

دیتابیس System R اولین تلاش شرکت IBM برای پیاده سازی یک پایگاه داده رابطه ای بود. زبان SEQUEL (که به SQL تغییر نام داد) برای کار با این پایگاه داده طراحی شد. طی سال های 1986 و 1987 دو موسسه ANSI و ISO وظیفه استاندارد سازی این زبان را به عهده گرفتند.

مطالعه مقاله در: https://datatoinsight.ir/what-is-sql

کانال تلگرام: @DataToInsight

صفحه اینستاگرام: https://www.instagram.com/datatoinsight

#نرخ_رشد_بازار چیست و چگونه محاسبه می شود؟

مطالعه مقاله در سایت:
https://datatoinsight.ir/market-growth-rate/

@datatoinsight

شرکت های ارایه دهنده پایگاه های داده رابطه ای، زبان SQL را توسعه داده و زبان های جدیدی را به این خانواده اضافه کردند. تمام این زبان ها براساس SQL استاندارد طراحی شده و نقاط مشترک زیادی دارند.

مطالعه مقاله در: https://datatoinsight.ir/what-is-sql

کانال تلگرام: @DataToInsight

صفحه اینستاگرام: https://www.instagram.com/datatoinsight

پایتون چه کارهایی می تواند انجام دهد؟
پایتون را می توان در سرور برای ایجاد برنامه های وب استفاده کرد.
پایتون را می توان در کنار نرم افزار برای ایجاد گردش کار استفاده کرد.
پایتون می تواند مدیریت سیستم های پایگاه داده و فایل ها را انجام دهد.
پایتون می تواند برای مدیریت Big Data را انجام دهد.
پایتون می تواند محاسبات پیچیده در حوزه ریاضیات و آمار را انجام دهد .
پایتون را می تواند برای تهیه پرتوتایپ (prototyping) جهت تولید نرم افزار مورد استفاده قرار گیرد.
پایتون می تواند طراحی و پیاده سازی سیستم های یادگیری ماشین را انجام دهد.
مطالعه مقاله در : https://datatoinsight.ir/python-ide-in-machine-learning
کانال تلگرام : @DataToInsight
صفحه اینستاگرام: https://www.instagram.com/datatoinsight

#حاشیه_سود_خالص:
فرمول و مثال با یک شرکت بورسی

سوال اصلی این است که از هر ريال درآمد حاصل شده در شرکت، چقدر سود می کند؟
پاسخ و مثال در:
https://datatoinsight.ir/net-profit-margin/


کانال تلگرام @datatoinsight

دستورات زبان SQL به صورت غیررسمی به چندین زیر-زبان تقسیم بندی می شوند که هر کدام کاربرد متفاوتی نسبت به دیگری دارند:

مطالعه مقاله در: https://datatoinsight.ir/what-is-sql

کانال تلگرام: @DataToInsight

صفحه اینستاگرام: https://www.instagram.com/datatoinsight

بارگذاری داده ها در پایتون برای آماده سازی داده ها
قبل از انجام هر عملی در یک سیستم یادگیری ماشین نیاز است ،تا داده های مورد نیاز را در نرم افزاری که قرار است از آن استفاده کنیم بارگذاری کنیم ،همچنین گفتیم که دو مرحله اول در آماده سازی داده ها جمع آوری و ساختار دهی به داده هاست این کار وجه مشترک این سیستم ها و سیستم های هوش تجاری است ، به طوری که همانند کاری که در سیستم‌های هوش تجاری انجام می دهیم ،فرآیند جمع‌آوری اطلاعات و ساخت مخزن داده از آن ها را این مرحله انجام میدهیم.
مطالعه مقاله در : https://datatoinsight.ir/import-data-in-python
کانال تلگرام : @DataToInsight
صفحه اینستاگرام: https://www.instagram.com/datatoinsight

#سرانه_درآمد_کارمندان چیست؟ RPE

خیلی ها اعتقاد دارند که با ارزش ترین سرمایه هر شرکتی، منابع انسانی آن سازمان است.
بر همین اساس است که گاهی منابع انسانی را سرمایه انسانی می نامند.
یکی از شاخصهای کلیدی عملکرد حوزه کارکنان، سرانه درآمد کارمندان یا RPE است. (Revenue Per Employee)
ادامه در سایت:

https://datatoinsight.ir/revenue-per-employee-rpe/

پاکسازی داده ها Data Cleansing :
یکی از مشکلات شایع داده ها پایین بودن کیفیت آنهاست ،به عملیاتی که به برطرف شدن مشکل کیفیت داده ها می انجامد پاکسازی داده ها گفته می شود. ابتدا باید با انواع مشکلاتی که کیفیت داده را به مخاطره می اندازد آشنا شویم و سپس یاد بگیریم که چگونه این مشکلات را شناسایی و در نهایت آنها را برطرف کنیم.
مشکلاتی که کیفیت داده را به مخاطره می اندازد عبارتند از:
نویز Noise Values
داده های پرت Outlier Values
مقادیر از دست رفته Missing Values
مقادیر تکراری Duplicate Values
مطالعه مقاله در : https://datatoinsight.ir/data-cleansing-in-machine-learning
کانال تلگرام : @DataToInsight
صفحه اینستاگرام: https://www.instagram.com/datatoinsight

مدل یادگیری های باناظر Supervised Learning
در مقاله قصد داریم یک از مهمترین مدل ها در یاگیری ماشین را که یادگیری های باناظر نام دارد را معرفی کنیم. همانطور که در مقاله " یادگیری ماشین و جایگاه آن در هوش تجاری" گفتیم که الگوریتم های یادگیری ماشین به 4 گروه به صورت زیر تقسیم می شوند.
1- یادگیری های باناظر Supervised Learning
2- یادگیری های بدون ناظر Unsupervised Learning
3- یادگیری شبه باناظر Semi Supervised Learning
4- یادگیری تقویتی Reinforcement Learning
یادگیری های باناظر Supervised Learning
در این مدل از یادگیری داده های موجود همه دارای مشخصه متمایز کننده یا اصطلاحا برچسب می باشند ،مثلا زمانی که می خواهیم تشخیص دهیم که آیا یک مشتری از یک فروشگاه خرید می کند یا خیر؟ اطلاعاتی از مشتری مانند سن،میزان درآمد ،جنسیت و غیره در اختیار داریم در اینجا سن ، میزان درآمد یا سایر مشخصه ها همان برچسب های اطلاعات موجود هستند.
مطالعه مقاله در : https://datatoinsight.ir/supervised-learning
کانال تلگرام : @DataToInsight
صفحه اینستاگرام: https://www.instagram.com/datatoinsight

مدل یادگیری های بدون ناظر Unsupervised Learning
یادگیری نظارت نشده یا بدون ناظر یکی دیگر از مدل های یادگیری ماشین که در این مقاله به تشریح آن می پردازیم .همانطور که در مقاله " یادگیری ماشین و جایگاه آن در هوش تجاری" گفتیم که الگوریتم های یادگیری ماشین به 4 گروه به صورت زیر تقسیم می شوند.
1- یادگیری های باناظر Supervised Learning
2- یادگیری های بدون ناظر Unsupervised Learning
3- یادگیری شبه باناظر Semi Supervised Learning
4- یادگیری تقویتی Reinforcement Learning
یادگیری های بدون ناظر Unsupervised Learning
در این مدل از یادگیری هیچگونه مشخصه ای از ابتدا برای ما مشخص نیست و معمولا بعد از اجرای مدل و پیاده سازی سیستم است که برخی از ویژگی ها مشخص می شنوند .مثلا فرض کنید بخواهیم جهت ارائه خدمات بهتر به مراجعین یک وب سایت یک بررسی رو آنها داشته باشیم بعد از انجام بررسی به این نتیجه می رسیم که مراجعین جوانتر به دنبال مطالب سرگرم کننده و تفریحی هستند در حالی که افراد بالایی 40 سال بیشتر به دنبال اخبار و پیگیری رویدادها هستند،مشاهده می کنید که ویژگی همچون سن در خروجی مدل ظاهر شده نه در ورودی!
مطالعه مقاله در : https://datatoinsight.ir/unsupervised-learning
کانال تلگرام : @DataToInsight
صفحه اینستاگرام: https://www.instagram.com/datatoinsight

یادگیری عمیق با شبکه های عصبی
یادگیری عمیق زیر مجموعه ای از یادگیری ماشین است که از روش مغز انسان برای امر یادگیری الگو برداری می کند،بنابراین برای مطالعه آن در ابتدا لازم است با شبکه های عصبی مصنوعی آشنایی پیدا کنیم.
شبکه های عصبی مصنوعی
همانطور که اشاره شد شبکه های عصبی مصنوعی ابزار اصلی پیاده سازی سیستم های یادگیری عمیق هستند ،بنابراین برای پیاده سازی یک سیستم یادگیری عمیق لازم است که آشنایی کافی با شبکه های عصبی مصنوعی داشته باشیم.کوچکترین واحد سازنده هر شبکه عصبی نورون نام دارد.
مطالعه مقاله در : https://datatoinsight.ir/deep-learning
کانال تلگرام : @DataToInsight
صفحه اینستاگرام: https://www.instagram.com/datatoinsight

نحوه #دانلود و #نصب نرم افراز #Power_BI:

https://datatoinsight.ir/power-bi-desktop-download/
ما را دنبال کنید:
@DataToInsight
https://www.instagram.com/datatoinsight

ادامه بررسی #شاخصهای_کلیدی_عملکرد

شاخص نسبت #قیمت_سهم_به_درآمد P/E چیست و چه کاربردی دارد؟
کانال تلگرام:
@DataToInsight


https://datatoinsight.ir/price-to-earnings-ratio/