Emerging Technology Hype Cycle for 2016

@dataanalysis

The Future of Data Science

@dataanalysis

✅ 7 گام پیش از شروع پروژه کلان داده
💢💢💢💢💢💢💢

1⃣ درک بیگ دیتا (کلان داده) از دیدگاه صنعت

2⃣ انتخاب یک مورد خاص کسب و کار برای اجرای POC* (Proof Of Concept)

3⃣ ارزیابی ابزار ها و فناوری های موجود

4⃣ تعیین و توسعه گام های فرایند پیاده سازی #کلان_داده

5⃣ نهایی کردن معماری پروژه های POC و PILOT

6⃣ ثبت معیارهای کسب و کار در پروژه های POC موفقیت

7⃣ تجسم و تعیین مسیر راه پروژه کلان داده

معنیPOC: POC یا proof of concept بمعنی درک درستی و قابل اجرا بودن یک فرایند یا یک ایده است. این مفهوم در پروژه های نرم افزاری بمعنی اجرای بخش کوچکی از کل پروژه برای تایید درستی و قابل اجرا بودن کل فرایند است.
#A1036

گروه هوش کسب و کار ایرانیان (آی بیگ)
📺 https://Telegram.me/irbusinessintelligence
💢💢💢💢💢💢💢

کتاب
Mining of Massive Datasets

@dataanalysis

🔴 @CEITStu

#Analytics
#Lecture

⭕️فایل ارائه ی سخنرانی ای که در نوامبر 2015 در آزمایشگاه #Big_Data دانشگاه #MIT برگزار شد.

🆔: @Com_IT_Articles

معماری های شبکه های عصبی

goo.gl/QYPo9C

@dataanalysis

عید سعید غدیر خم مبارک باد

Top 10 Algorithms and Methods used by Data Scientists

@dataanalysis

Modern Data Scientist

https://goo.gl/e2rM0v

@dataanalysis

Big Data Ecosystem

@dataanalysis

مقایسه روش های خوشه بندی
http://www.kdnuggets.com/2016/09/comparing-clustering-techniques-concise-technical-overview.html

مقایسه پلتفرم های پردازش بلادرنگ Big Data

https://www.mapr.com/blog/stream-processing-everywhere-what-use

@dataanalysis

مقایسه پلتفرم های پردازش بلادرنگ
@dataanalysis

مقایسه برترین الگوریتم های مورد استفاده توسط متخصصین علم داده در صنعت و محیط آکادمیک

@dataanalysis

شرکت داده پردازی سیمیاگران از متخصصین داده کاوی، ماشین لرنینگ و تحلیل پیشرفته داده ها دعوت به همکاری می نماید:

* دارای سابقه مفید اجرایی در پروژه های تحلیل داده و بیگ دیتا (ترجیحا در خارج از کشور)
* دارای درک کامل از محیط های عملیاتی بیگ دیتا
* مسلط به پیاده سازی راه حل های مرتبط با تحلیل بیگ دیتا (Anomaly Detection, Clustering, Predictive Models, Machine Learning, Deep Learning, Stream Processing)
* ترجیحا آشنا به تحلیل داده ها در حوزه های بانکی و مالی

لطفاً رزومه خود را به آدرس fkhandan@simiagaran.net ارسال بفرمایید و در Subject عبارت Big Data Expert را درج بفرمایید.

برای اطلاعات بیشتر پیام خصوصی بدهید:
@farzadkhandan

با سلام
با توجه به دغدغه خیلی از دانش پژوهان جهت ورود به حوزه Big Data و دستیابی به تخصص بیشتر جهت ورود به بازار کار یا انجام پژوهش های دانشجویی نکات ذیل طبق تجربیاتی که بنده داشتم برای کسب دانش بیشتر توصیه می شود:
1- شرکت در دوره های آنلاین مرتبط با حوزه Big Data :
دوره های سایت هایی مانند Coursera, BigdataUniversity, Edx و... توصیه می شود.
از بین این سه سایت دوره های BigdataUniversity به صورت کوتاه تر و تخصصی تر در هر حوزه برگزار می شود. دوره های Edx دارای کارگاه های قوی تر و دوره های Coursera جهت دستیابی به فهم جامع از موضوعات پیشنهاد می شود.
2- جهت دستیابی به تخصص بیشتر در یک پلتفرم مانند آپاچی هدوپ، اسپارک و... پس از گذراندن دوره های فوق، کتاب های تخصصی انتشارات های O'reilly و Packt را مطالعه کنید.
3- جهت نصب و پیاده سازی پلتفرم های مطرح Big Data همچون آپاچی هدوپ در صورتی که تجربه قبلی نداشته آید به دلیل پیچیدگی های موجود ابتدا از پکیج های ارائه شده کمپانی های Cloudera, Hortonworks و... استفاده کنید. در این پکیج ها تمامی ابزارهای مورد نیاز وجود دارد و پس از راه اندازی در یک ماشین مجازی امکان استفاده از پلتفرم های مورد نیاز میسر خواهد شد.
۴- آشنایی با پایگاه داده های Nosql :
برای آشنایی با پایگاه داده های Nosql نیز دوره های آنلاین سایت های مانند Udemy و.. توصیه می شود. پس از انتخاب نوع پایگاه داده با استفاده از Toturial های ارائه شده توسط شرکت ارائه دهنده پایگاه داده می توانید آموزش را به صورت کاربردی فرا بگیرید.

ارادتمند
محمدرضا محتاط

با سلام
یکی از نیازمندی های ورود به حوزه های کاری علم داده، Big Data و... تسلط به یکی از زبان های برنامه نویسی جهت پیاده سازی پروژه های عملیاتی هست.
در انتخاب زبان بعضا دغدغه هایی مطرح گردیده است که در ادامه به اختصار برخی نکات کلیدی بیان می شود:
1- در حوزه Big Data زبان های پایتون، جاوا، اسکالا توصیه می شود. در صورتی که در حوزه Big Data Developer می خواهید فعالیت انجام بدهید زبان جاوا در پلتفرم هدوپ و زبان اسکالا در موتور پردازشی اسپارک بیشترین کارایی را خواهند داشت.
در بخش Big Data Analytics هم زبان پایتون با توجه به وجود کتابخانه های غنی در حوزه یادگیری ماشین بهترین انتخاب خواهد بود.
2- در حوزه داده کاوی و علم داده زبان های پایتون، R و جاوا دارای بیشترین میزان توجهات بوده اند. یادگیری زبان زبان جاوا به نسبت زبان های پایتون و R بسیار پیچیده تر خواهد بود ولی در پروژه های Enterprise زبان جاوا بیشترین کارایی را خواهد داشت. زبان R نیز در حال حاضر رتبه اول حوزه علم داده را در اختیار دارد.
برای یادگیری زبان های فوق همانند حوزه Big Data شرکت در دوره های آنلاین و کمی تلاش توصیه می شود.

ارادتمند
محمدرضا محتاط