35 سال تکامل اقتصاد جهانی!

در ویدیوی کوتاه فوق میزان سهم کشورها در اقتصاد جهان طی 35 سال گذشته مورد بررسی قرار گرفته است.

افزایش سهم چین در GDP دنیا و کاهش سهم اروپا از نکات قابل تامل می‌باشد.

پی‌نوشت:
مصورسازی داده (Data Visualization) یکی از مهمترین گام‌های پروژه‌های تحلیل داده‌ می‌باشد. با مصورسازی اصولی امکان ارائه دقیق و کاربردی نتایج به مدیران یا ذی‌نفعان پروژه فراهم می‌شود.

@DataAnalysis

محبوب‌ترین شبکه‌های اجتماعی براساس تعداد کاربر فعال!

در شکل فوق فوق محبوب‌ترین شبکه‌های اجتماعی براساس تعداد کاربران فعال معرفی شده‌اند. در حال حاضر شبکه‌های اجتماعی فیس‌بوک،َ یوتیوب، واتس‌آپ، Facebook Messenger و اینستاگرام جز برترین شبکه‌های اجتماعی می‌باشند.

پایش و تحلیل نظرات و علاقه‌مندی کاربران در شبکه‌های اجتماعی یکی از مهمترین مولفه‌های تحلیلی جهت تبدیل‌شدن به یک سازمان داده‌محور می‌باشد.

بعنوان مثال با شناسایی دغدغه‌های کاربران شبکه‌های اجتماعی پیرامون یک خدمت یا محصول می‌توان در جهت شناخت، جذب، بقا و توسعه هدفمند مشتریان گام برداشت.

میزان بهره‌برداری سازمان شما از داده‌های مشتریان بالقوه و بالفعل خود در شبکه‌های اجتماعی چه میزان می‌باشد؟!

سوالی که در ارزیابی میزان بلوغ تحلیل‌داده سازمان‌ها بسیار حائز اهمیت خواهد بود.

ارادتمند
محمدرضا محتاط

@DataAnalysis

10 تکنولوژی تاثیرگذار در سال 2019

▪️کلان‌داده (Big Data)

▪️هوش مصنوعی (Artificial Intelligence)

▪️واقعیت‌ مجازی و افزوده (AR and VR)

▪️همانند دیجیتال (Digital Twins)

▪️بلاک‌چین (Blockchain)

▪️پردازش کوانتومی( Quantum Computing)

▪️اینترنت اشیا (Internet of Things)

▪️خودکارسازی فرایندها (Robotic Process Automation)

▪️فریم‌ورک‌های Angular and React

▪️نرم‌افزارهای هوشمند (Intelligent Apps)

پی‌نوشت:
یکی از مولفه‌های موفقیت در محیط‌های کسب‌وکار، شناسایی روندها و فرصت‌های ناشی از این قبیل تکنولوژی‌های نوظهور است. این فرصت‌ها در حوزه‌های سازمانی و توسعه فردی می‌توانند بسیار حائز اهمیت باشند.

@DataAnalysis

برترین فریم‌ورک‌های یادگیری عمیق در سال 2019

براساس پیمایش صورت گرفته به ترتیب فریم‌ورک‌های تنسورفلو، PyTorch و Keras به نسبت سایر فریم‌ورک‌های یادگیری عمیق در سال 2019 بیشترین رشد را داشته‌اند.

معیارهای ارزیابی فوق براساس تعداد مقالات چاپ‌شده با استفاده از فریم‌ورک‌های یادگیری عمیق، تعداد آگهی‌های شغلی در وبسایت Indeed و لینکدین، میزان جستجو کاربران در موتور جستجوی گوگل، فعالیت کاربران در GitHub و... بوده است.

@DataAnalysis

فعالترین صنایع در جذب متخصصین علم‌داده!

http://bit.do/DataIndustry

براساس تحلیل‌های صورت‌پذیرفته برروی بیش از 7 هزار فرصت‌ شغلی متخصص علم‌داده شرکت‌های بین‌المللی به ترتیب صنعت‌های بازاریابی، مالی و مشاوره بیشترین جذب متخصیص علم‌داده را داشته‌اند. به ترتیب سایر صنایع برتر در بهره‌گیری از متدهای تصمیم‌گیری داده‌محور طی پژوهش صورت گرفته به شرح زیر می‌باشد.

▪️صنعت بازاریابی (Marketing)

▪️صنعت مالی (Financial)

▪️صنعت مشاوره (Consulting)

▪️ صنعت سرمایه‌گذاری و دارایی (Finance)

▪️صنعت سلامت (Healthcare)

▪️صنعت رسانه‌ (Media)

▪️صنعت داروسازی (Pharmaceuticals)

▪️صنعت تبلیغات (Advertising)

▪️صنعت خرده‌فروشی (Retail)

پی‌نوشت:
در بازار تحلیل‌داده کشور جایگاه برخی صنایع بسیار بالاتر و جایگاه برخی با عدم توجه کافی به حوزه تحلیل‌داده دارای رتبه به مراتب پایین‌تری می‌باشند. بعنوان مثال طبق برخی تجربیات در پروژه‌های تحلیل‌داده در سازمان‌ها و شرکت‌های داخلی می‌توان صنایع فناوری و اطلاعات، بانکداری، سلامت و رسانه را جز فعالترین صنعت‌ها در اجرای پروژه‌های تحلیل‌داده معرفی کرد. در مقابل صنعت بازاریابی و رویکرد بازاریابی داده‌محور در کشور به توجه بسیار بیشتری نیاز خواهد داشت.

ارادتمند
محمدرضا محتاط

@DataAnalysis

جریان‌کاری پروژه‌های یادگیری ماشین!

http://tiny.cc/3rqo8y

یکی از مولفه‌های مهم جهت موفقیت در پروژه‌های یادگیری ماشین، بهره‌گیری از متدولوژی و جریان‌های کاری دقیق جهت مدیریت پروژه است. در ادامه گام‌های لازم جهت پیاده‌سازی مدل‌های تحلیلی مبتنی بر یادگیری ماشین ذکر شده‌اند.

1- شناخت نیازمندی‌های کسب‌وکار

2- شناخت و آماده‌سازی داده

3- مهندس ویژگی‌(استخراج و انتخاب ویژگی)

4- آموزش مدل یادگیری ماشین براساس داده‌های Train

5- بهینه‌سازی پارامترهای الگوریتم براساس داده‌های Validation

6- ارزیابی مدل براساس داده‌های Test

7- توسعه محصول

8- بهره‌برداری در پروژه‌های عملیاتی

9- ارزیابی نهایی مدل در محیط واقعی

10- کسب بینش ناشی از تحلیل‌های داده‌محور

پی‌نوشت:
1- مهمترین گام در جریان‌کاری فوق شناسایی نیازمندی‌های کسب و کار می‌باشد. عدم شناخت دقیق و کافی از نیازمندی‌های کسب‌وکار از رایج‌ترین دلایل شکست‌ پروژه‌های علم‌داده و یادگیری ماشین بوده است.
2- بیشترین زمان یک پروژه یادگیری ماشین مربوط با گام شناخت و آماده‌سازی داده می‌باشد. در صورت عدم وجود زیرساخت مناسب و چالش‌های مدیریت کیفیت داده این گام سبب صرف انرژی زمانی زیاد در پروژه‌های تحلیل‌داده می‌شود.

ارادتمند
محمدرضا محتاط

@DataAnalysis

مهارت‌های پایه یک متخصص علم‌داده!

http://tiny.cc/6o918y

جهت تبدیل شدن به یک متخصص علم‌داده نقشه‌راه و مقالات متعددی در منابع مختلف منتشر شده است که بعضا هر یک از دیدگاه‌های مختلف به این مهارت‌ها توجه داشته‌اند. در ادامه مهارت‌های کلیدی که جهت تبدیل شدن به عنوان یک دانشمند علم‌داده به آن نیاز است معرفی می‌گردند.

🔹مهارت برنامه‌نویسی:
جهت پیاده‌سازی مدل‌های هوشمند آشنایی با یک زبان برنامه‌نویسی مطرح در حوزه علم‌داده از پیش‌نیازهای ورود به این فیلد کاری است. زبان‌های برنامه‌نویسی پایتون، R و جاوا بنا به قابلیت‌های خود جز زبان‌هایی هستند که در پروژه‌های علم‌داده بیش از سایر زبان‌های برنامه‌نویسی استفاده می‌شوند.

🔹 آمار، ریاضی و یادگیری ماشین:
آشنایی با مفاهیم و الگوریتم‌های مطرح آمار، ریاضی و یادگیری ماشین از مهمترین پایه‌های حوزه‌های علم‌داده، داده‌کاوی و... هست. با توجه به گستردگی روش‌ها و متدها جهت یادگیری این مفاهیم و الگوریتم‌ها توصیه به یادگیری عملی در حین پروژه است.

🔹 کلان‌داده:
با توجه به افزایش حجم، تنوع و نرخ سرعت تولید داده‌ها در سازمان‌ها، دو جایگاه دانشمند علم‌داده و تحلیلگر کلان‌داده به یکدیگر به مراتب نزدیک‌تر شده‌اند. لذا حتی اگر در حال حاضر در پروژه‌هایی مشغول به فعالیت هستید که کلان‌داده در آن وجود ندارد، یادگیری پلتفرم‌های پردازشی مطرح کلان‌داده همانند آپاچی هدوپ و اسپارک جهت ادامه موفقیت شما حائز اهمیت است.

🔹 مهارت مصورسازی داده:
مصورسازی داده یکی از مهمترین گام‌های پروژه‌های علم‌داده است. گامی که در آن مدل‌ها و مفاهیم فنی به سادگی و زیبایی برای ذی‌نفعان پروژه نمایش داده می‌شود.

🔹 فنون ارتباطی و داستان‌سرایی از داده:
با توجه به ماهیت تعاملی پروژه‌های علم‌داده، آشنایی با مهارت‌های فنون مذاکره، ارائه گزارشات مدیریتی از مدل‌های داده‌محور و هنر اقناع مخاطب جز مهارت‌های نرم حائز اهمیت در این فیلدکاری است.

🔹 شناخت کسب‌وکار:
شناخت کسب‌وکار همانطور که در متدولوژی Crisp DM نیز بعنوان اولین گام پروژه‌های داده‌کاوی مطرح می‌شود جز مهارت‌های اساسی در پروژه‌های تحلیل داده است. آشنایی با نیازمندی‌های دقیق کسب‌وکار سبب پیاده‌سازی موفق مدل‌های مبتنی بر علم‌داده می‌گردد. قابل ذکر است که آشنایی با مفاهیم و فرایندهای تخصصی صنایع مختلف همانند صنایع بانکداری، بیمه، تلکام، سلامت و... در کنار یادگیری مفاهیم فوق سبب ارتقا شما در حوزه علم‌داده خواهد شد.


ارادتمند
محمدرضا محتاط
@DataAnalysis

معرفی فیلم Minority Report

فیلم گزارش اقلیت با بازی تام ‌کروز یک فیلم هیجانی، معمایی و علمی به کارگردانی استیون اسپیلبرگ است.

موضوع اصلی فیلم پیرامون فعالیت یک کارآگاه پلیس در بخش پیش‌بینی جنایت در سال 2045 است. این بخش که قاتلان را قبل از ارتکاب جرم شناسایی و دستگیر می‌کند، کار خود را براساس سه عامل فراشناختی پیش آگاهی انجام می‌دهد که باعث می شود پیش‌بینی‌ها درباره وقایع آینده دقیق و بدون اشتباه انجام شود.

موضوع پیش‌بینی جرم و جنایت که در سال 2002 در این فیلم به آن اشاره شده است در حال حاضر یکی از دغدغه‌های اصلی سازمان‌های امنیتی جهت تشخیص، پیش‌بینی و پیشگیری از جرایم است. موضوعی که راهکار آن بهره‌گیری از Big Data و تحلیل‌های داده‌محور خواهد بود.

مشاهده این فیلم جذاب را به همه علاقه‌مندان حوزه علم‌داده، هوش مصنوعی و... توصیه میکنم.

@DataAnalysis

مطرح‌ترین کاربردهای یادگیری عمیق!

یادگیری عمیق یکی از روندهای اصلی حوزه هوش‌مصنوعی در جهت توسعه مدل‌های هوشمند است. کارکردهای گسترده یادگیری عمیق سبب افزایش استفاده از آن در طیف وسیعی از مسائل و موردکاربردهای کسب‌وکار شده است. در ادامه برترین مسائلی که یادگیری عمیق به عنوان یکی از راهکارهای بهینه در آن پیشنهاد می‌شود معرفی می‌گردد.

1- بینایی ماشین (Computer Vision)

2- متن‌کاوی (Text Mining)

3- ارتقا سیستم‌های یادگیری ماشین سنتی

4- سیستم‌های مالی (Finance)

5- پیش‌بینی (Forecasting)

6- پزشکی و سلامت (Health & Medicine)

7- تکنولوژی‌های صوتی (Speech Technologies)

@DataAnalysis

ارائه مفید مهارت‌های داده‌ای در عصر دیجیتال!

در ارائه فوق که توسط استاد محمدرضا محتاط ارائه گردیده، مهارت‌های مورد نیاز جهت تبدیل شدن به متخصص‌‌ حوزه‌های زیر به تفکیک ذکر گردیده است.

1- علم‌داده
2- هوش تجاری
3- کلان‌داده
4- مهندس داده

@SyThinking | تفکرسیستمی

ولادت هشتمین اختر تابناک آسمان امامت و ولایت، حضرت امام رضا (علیه السلام) مبارک‌باد.

کتاب Data Science انتشارات MIT Press

در کتاب Data Science انتشارات MIT Press که در سال 2018 انتشاریافته، مفاهیم پایه و کلیدی حوزه علم‌داده با رویکرد مدیریتی فنی شرح داده شده است. سرفصل‌های این کتاب به شرح ذیل می‌باشد.

▪️What Is Data Science?

▪️What Are Data, and What Is a Data Set?

▪️A Data Science Ecosystem

▪️Machine Learning

▪️Standard Data Science Tasks

▪️Privacy and Ethics

▪️Future Trends and Principles of Success

مطالعه این کتاب ارزشمند رو به تمامی متخصصین علم‌داده پیشنهاد می‌نمایم.

@DataAnalysis

کتاب Data Science انتشارات MIT Press

@DataAnalysis

ایرانی که هوشمند نبود!

همایش "ایران هوشمند" با حضور رئیس‌جمهور محترم، وزیر ارتباطات و فناوری اطلاعات، وزیر اطلاعات، دبیر شورای عالی فضای مجازی، تنی چند از نمایندگان مجلس شورای اسلامی و با محوریت ایران دیجیتال در سالن همایش‌های اجلاس سران برگزار شد.

به نظر می‌رسید با توجه به‌عنوان همایش، نوآوری و هوشمندی یکی از پایه‌های این اجلاس باشد اما مشکلاتی از قبیل استفاده از روش‌های کاملاً سنتی جهت اخذ کارت ورود، صفوف طولانی، قطعی اینترنت، ممنوعیت ورود تلفن هوشمند به سالن کنفرانس، فایل‌های ارائه غیراستاندارد و... همگی نمونه‌های بارزی بود که حداقل این اجلاس را لایق نمایندگی #ایران_هوشمند نمی‌کرد.

امید است تا با حرکت اصولی به سمت ایران دیجیتال سبب حکمرانی هوشمند و خلق ثروت از طریق اقتصاد دیجیتال برای کشور عزیزمان باشیم.

ارادتمند
محمدرضا محتاط
@DataAnalysis

الکامپ 98؛ پیشتازی رمزارزها، عقب‌نشینی کلان‌داده!

http://tiny.cc/u0w09y

نمایشگاه الکامپ سال 1398 با شعار #آینده_بهتر از تاریخ 27 الی 30 تیر در محل دائمی نمایشگاه‌های بین‌المللی تهران برگزار گردید. در ادامه وضعیت نمایشگاه در مقایسه با سال‌های قبل نقد و بررسی خواهد شد.

1- حضور کم‌فروغ شرکت‌های فعال در حوزه‌های کلان‌داده، علم‌داده، هوش‌مصنوعی و... در نمایشگاه‌ امسال یکی از موارد بسیار مشهود بود. در سالن گذشته بیش از 10 شرکت و استارت‌آپ به صورت تخصصی در این حوزه‌ها محصول و خدمات متنوعی ارائه کرده بودند. این تعداد چه از لحاظ کمیت و کیفیت در نمایشگاه امسال بسیار کمتر از سال گذشته بود.

2- در مقابل، حضور استارت‌آپ‌ها / شرکت‌های فعال در حوزه بلاک‌چین (فناوری زنجیره بلوکی) بسیار بیش از حد انتظار بود. شرکت‌‌هایی که بعضا هر کدام از لقب "اولین" در بنر و تبلیغات خود استفاده کرده بودند. درصورت عدم رسیدگی و حل نشدن مشکلات قانونی و رگولاتوری که در مسیر توسعه این تکنولوژی قرار دارد، متاسفانه به نظر می رسد در رویدادهای آینده شاهد ریزش قابل توجه این دسته از شرکت‌های نوپا باشیم.

3- یکی از تفاوت‌های مثبت نمایشگاه امسال با سال‌های گذشته، بخش «الکامپ ترندز» نمایشگاه بود. در نمایشگاه امسال سالن شماره 6 به شرکت‌های فعال در حوزه فناوری‌های نوین اختصاص داده شده بود. اختصاص این سالن و متمرکز کردن شرکت‌های فعال در حوزه فناوری‌های تحول‌آفرین جز تحولات مثبت نمایشگاه امسال بود.

4- حضور مستمر و فعالانه وزیر و معاونین وزارت ارتباطات و فناوری اطلاعات، رئیس دفتر ریاست جمهوری، مدیران سازمان نظام صنفی رایانه‌ای و... در غرفه‌های شرکت‌ها و استارت‌آپ‌ها یکی دیگر از نکات مثبت نمایشگاه امسال بود. نکته‌ای که سبب تغییر رویکرد بخش دولتی به بخش خصوصی و به طبع توسعه اکوسیستم فناوری اطلاعات در کشور خواهد شد.

5- الکام‌تاکز و برگزاری پنل‌های تخصصی جهت آموزش آخرین روندها، تکنولوژی‌ها و مفاهیم تخصصی توسط صاحب‌نظران و متخصیین حوزه فناوری اطلاعات کشور یکی دیگر از نکاتی هست که در نمایشگاه امسال جای تقدیر داشت. البته مواردی همچون عدم اطلاع‌رسانی متمرکز، مشخص نبودن مکانیزم داوری جهت انتخاب ارائه‌ها، عدم اختصاص جایگاه‌های سخنرانی مناسب در سالن‌های نمایشگاه و... از مشکلاتی بود که انتظار می‌رود در سال بعد برطرف گردند.

امید است این اقدامات سبب افزایش هرچه بیشتر بلوغ فناوری اطلاعات در کشور گردد.

ارادتمند
محمدرضا محتاط

@DataAnalysis

تحول دیجیتال در مدارس!

ویدیو فوق یک نمونه بسیار ملموس از کاربردهای فناوری‌های تحول‌آفرین در زندگی‌های روزمره است.

در یکی از مدارس کشور چین از تکنولوژی تشخیص چهره جهت حضور و غیاب دانش‌آموزان و اطلاع‌رسانی هوشمند به والدین استفاده میشود.

لزوم حرکت به سمت فناوری‌های تحول‌آفرین در کنار گسترش فرهنگ دیجیتال یکی از پایه‌های اساسی حرکت به سمت ایران هوشمند است.

@DataAnalysis

کتاب یادگیری عمیق با TensorFlow

در کتاب Deep Learning with TensorFlow انتشارات Packt که در سال 2017 انتشاریافته، مفاهیم پایه و کلیدی یادگیری عمیق به همراه پیاده‌سازی در زبان پایتون آموزش داده شده است. سرفصل‌های این کتاب به شرح ذیل می‌باشد.

▪️Getting Started with Deep Learning

▪️First Look at TensorFlow

▪️Using TensorFlow on a Feed-Forward Neural Network

▪️TensorFlow on a Convolutional Neural Network

▪️Optimizing TensorFlow Autoencoders

▪️Recurrent Neural Networks

▪️GPU Computing

▪️Advanced TensorFlow Programming

▪️Advanced Multimedia Programming with TensorFlow

▪️Reinforcement Learning

مطالعه این کتاب مفید را به متخصصین یادگیری عمیق و مهندسین یادگیری ماشین توصیه می‌نمایم.

ارادتمند
محمدرضا محتاط

@DataAnalysis

کتاب یادگیری عمیق با TensorFlow انتشارات Packt

@DataAnalysis