روز دوم مدرسته تابستاني يادگيري عميق دانشگاه تهران!
در روز دوم به معرفي شبكه هاي عصبي CNN و RNN و پیادهسازی این روشها در Keras پرداخته ميشود.
@dataanalysis
در روز دوم به معرفي شبكه هاي عصبي CNN و RNN و پیادهسازی این روشها در Keras پرداخته ميشود.
@dataanalysis
مهارتها و پلتفرمهای موردنیاز در حوزه کلان داده!
https://bit.ly/2vqIifR
درصورتیکه قصد فعالیت تخصصی در حوزه Big Data بهخصوص در حوزههای Big Data Analytics و Big Data Developer را دارا میباشید نیاز هست تا با ابزارها، مفاهیم و پلتفرمهای زیر جهت فعالیت در بازار کار ایران بهصورت تخصصی آشنا شوید.
1- آپاچی هدوپ( Map Reduce, Hive, Impala, oozie, Sqoop ,....)
2- آپاچی اسپارک
3- پایگاه دادههای غیر رابطهای(Cassandra, Mongo DB, Elastic_Search ,...)
4- مفاهیم حوزه تحلیل داده و علمداده
5- مصورسازی و قابلیتهای استقرار داشبوردهای تعاملی(Tableau, Kibana,....)
قابلذکر هست بنا به حوزه توسعهدهنده کلان داده و تحلیلگر کلان داده قطعاً میزان آموزش و فراگیری هر یک از این ابزارها و مفاهیم متفاوت خواهد بود.
پیرامون زبان برنامهنویسی نیز در حوزه Big Data Analytics بهترین انتخاب زبان پایتون و در حوزه Big Data Developer دو زبان جاوا و اسکالا بیشترین کارایی را خواهند داشت.
@dataanalysis
ارادتمند
محمدرضا محتاط
https://bit.ly/2vqIifR
درصورتیکه قصد فعالیت تخصصی در حوزه Big Data بهخصوص در حوزههای Big Data Analytics و Big Data Developer را دارا میباشید نیاز هست تا با ابزارها، مفاهیم و پلتفرمهای زیر جهت فعالیت در بازار کار ایران بهصورت تخصصی آشنا شوید.
1- آپاچی هدوپ( Map Reduce, Hive, Impala, oozie, Sqoop ,....)
2- آپاچی اسپارک
3- پایگاه دادههای غیر رابطهای(Cassandra, Mongo DB, Elastic_Search ,...)
4- مفاهیم حوزه تحلیل داده و علمداده
5- مصورسازی و قابلیتهای استقرار داشبوردهای تعاملی(Tableau, Kibana,....)
قابلذکر هست بنا به حوزه توسعهدهنده کلان داده و تحلیلگر کلان داده قطعاً میزان آموزش و فراگیری هر یک از این ابزارها و مفاهیم متفاوت خواهد بود.
پیرامون زبان برنامهنویسی نیز در حوزه Big Data Analytics بهترین انتخاب زبان پایتون و در حوزه Big Data Developer دو زبان جاوا و اسکالا بیشترین کارایی را خواهند داشت.
@dataanalysis
ارادتمند
محمدرضا محتاط
Twitter
Mohamadreza Mohtat
5 Must Have Big Data Skills to Land Top Big Data Jobs in 2018 1) Apache #Hadoop 2) Apache #Spark 3) #NoSQL Database (#MongoDB ,#HBase , #Cassandra , #Redis) 4) Data Science and #Analytics 5) #Data Visualization (#Qlikview , #Tableau )
فرصت شغلي کارشناس یادگیری ماشین در شرکت دیجیتیم!
بستر ارسال رزومه: job@dgteam.net
مشاهده جزئیات فرصت شغلی:
https://bit.ly/2Mmybij
@dataanalysis
بستر ارسال رزومه: job@dgteam.net
مشاهده جزئیات فرصت شغلی:
https://bit.ly/2Mmybij
@dataanalysis
برترین فریمورکهای یادگیری عمیق!
کمپانیهای گوگل، فیسبوک، آمازون و مایکروسافت در توسعه فریمورکهای یادگیری عمیق پیشتاز هستند.
@dataanalysis
کمپانیهای گوگل، فیسبوک، آمازون و مایکروسافت در توسعه فریمورکهای یادگیری عمیق پیشتاز هستند.
@dataanalysis
شایدامروز
همان روزی است که باید برای هدف بزرگت
قدمی حتی کوچک برداری.
پس همین امروز #شروع کن
@dataanalysis
همان روزی است که باید برای هدف بزرگت
قدمی حتی کوچک برداری.
پس همین امروز #شروع کن
@dataanalysis
اشتباهات رایج شرکتها در جذب تحلیلگران داده:
https://bit.ly/2MRwRVb
در حال حاضر در بیشتر استارتآپها و حتی برخی شرکتها بزرگ کشور مشکلات متعددی در جذب کارشناسان و متخصصهای حوزههای علمداده، کلان داده و... وجود دارد. این مشکلات را میتوان در موارد زیر دستهبندی نمود.
1- عدم شناخت نیازمندیهای تحلیلی کسبوکار:
یکی از مشکلات متعدد، عدم شناخت مدیران اجرایی و عملیاتی با کارکردها و حوزههای تحلیل داده میباشد. برخی مواقع مسئولین استخدام نمیدانند که نیروی جدید باید از چه تواناییهایی برای انجام وظایف محوله برخوردار باشد.
2- اولویت دادن به برخی مؤلفههای غیرکلیدی در استخدام:
در بسیاری از جزئیات فرصتهای شغلی منتشرشده در بازار کار کشور برخی محدودیتها همانند نوع دانشگاه، رشته تحصیلی، جنسیت، سن و... بهعنوان برخی محدودیتهای کلیدی مطرح میباشد که لزوما اصلا معیارهای جامع و کاملی در جذب متخصصین واقعی علمداده نخواهد بود.
3- مطرح نکردن سؤالات مناسب در مصاحبه استخدامی:
پرسیدن سؤالات صحیح در مصاحبهها از مهمترین مسائل در جذب افراد متخصص بهحساب میآید چراکه میتواند از جزئیات دانشی و تخصصی افراد خبر دهد. در برخی از مصاحبهها بعضا سؤالات بسیار کلیشهای یا بسیار کلی بهصورت مصاحبههای بدون ساختار مطرح میگردد که سبب سردرگمی کارشناسان استخدام در جذب یا عدم جذب افراد خواهد شد.
4- عدم بیان تصویر کامل از شرح شغلی:
در برخی استارتآپها در ابتدا تصویر کاملی از شرکت و شرح شغلی به افراد داده نمیشود. در ابتدا باید مسئولیتهای کاری هر فرد بهدرستی تعریف گردد تا آنها بتوانند سختی کار را درک کرده و ببینند آیا قادرند این حجم فعالیت را تحمل کنند یا خیر؟
5-مزایای مادی و معنوی:
در حوزه مزایای مادی و معنوی و جذب استعدادها(talent hunting) در حوزه علمداده، عملکرد شرکتها و استارتآپهای کشور بعضا سطح خوبی ندارد. عدم بیان شفاف موارد فوق در آگهیهای جذب، عدم تناسب میزان مزایای مادی با شرح شغلی و وظایف مورد نیاز و... از مشکلات این بخش میباشد.
6- تمرکز بر مهارتهای فنی:
بعضا در جذب متخصصین علمداده و تحلیلگران داده بیشترین تمرکز بر مهارتهای فنی میباشد. این در حالی است که یکی از مؤلفههای کلیدی در جذب متخصص علمداده توجه به مهارتهای نرم(Soft Skills) همانند مهارتهای ارتباطی، خلاقیت، داشتن تخصص حوزه(Domain Expert)، کارتیمی و... میباشد.
راهکارها:
جهت مدیریت موارد فوق راهکارهای زیر به مدیران عالی و عملیاتی شرکتها پیشنهاد میگردد.
الف: جهت آشنایی با نیازمندیهای دقیق تحلیلی شرکت و کسبوکار خود، بهرهگیری از دانش مشاوران متخصص، بررسی تجارت برتر شرکتهای موفق، مطالعه کتابها مرجع منتشرشده توصیه میشود.
ب: جهت مطرح کردن سؤالات استخدامی مناسب، منابع و نمونه سؤالات متنوعی در اینترنت وجود دارد. جهت مطالعه بیشتر میتوانید برخی سؤالات مصاحبه استخدامی منتشرشده در کانال را در لینک زیر مطالعه بفرمایید.
https://news.1rj.ru/str/dataanalysis/695
ج: مشخص کردن تمامی نیازمندیهای شرکت، تدوین دقیق شرح شغلی و ابزارها موردنیاز، تمرکز بر جنبههای مادی و معنوی در حقوق و مزایا اعلامی و... از دیگر اقدامات لازم میباشد.
موفق و موید باشید.
@dataanalysis
ارادتمند
محمدرضا محتاط
https://bit.ly/2MRwRVb
در حال حاضر در بیشتر استارتآپها و حتی برخی شرکتها بزرگ کشور مشکلات متعددی در جذب کارشناسان و متخصصهای حوزههای علمداده، کلان داده و... وجود دارد. این مشکلات را میتوان در موارد زیر دستهبندی نمود.
1- عدم شناخت نیازمندیهای تحلیلی کسبوکار:
یکی از مشکلات متعدد، عدم شناخت مدیران اجرایی و عملیاتی با کارکردها و حوزههای تحلیل داده میباشد. برخی مواقع مسئولین استخدام نمیدانند که نیروی جدید باید از چه تواناییهایی برای انجام وظایف محوله برخوردار باشد.
2- اولویت دادن به برخی مؤلفههای غیرکلیدی در استخدام:
در بسیاری از جزئیات فرصتهای شغلی منتشرشده در بازار کار کشور برخی محدودیتها همانند نوع دانشگاه، رشته تحصیلی، جنسیت، سن و... بهعنوان برخی محدودیتهای کلیدی مطرح میباشد که لزوما اصلا معیارهای جامع و کاملی در جذب متخصصین واقعی علمداده نخواهد بود.
3- مطرح نکردن سؤالات مناسب در مصاحبه استخدامی:
پرسیدن سؤالات صحیح در مصاحبهها از مهمترین مسائل در جذب افراد متخصص بهحساب میآید چراکه میتواند از جزئیات دانشی و تخصصی افراد خبر دهد. در برخی از مصاحبهها بعضا سؤالات بسیار کلیشهای یا بسیار کلی بهصورت مصاحبههای بدون ساختار مطرح میگردد که سبب سردرگمی کارشناسان استخدام در جذب یا عدم جذب افراد خواهد شد.
4- عدم بیان تصویر کامل از شرح شغلی:
در برخی استارتآپها در ابتدا تصویر کاملی از شرکت و شرح شغلی به افراد داده نمیشود. در ابتدا باید مسئولیتهای کاری هر فرد بهدرستی تعریف گردد تا آنها بتوانند سختی کار را درک کرده و ببینند آیا قادرند این حجم فعالیت را تحمل کنند یا خیر؟
5-مزایای مادی و معنوی:
در حوزه مزایای مادی و معنوی و جذب استعدادها(talent hunting) در حوزه علمداده، عملکرد شرکتها و استارتآپهای کشور بعضا سطح خوبی ندارد. عدم بیان شفاف موارد فوق در آگهیهای جذب، عدم تناسب میزان مزایای مادی با شرح شغلی و وظایف مورد نیاز و... از مشکلات این بخش میباشد.
6- تمرکز بر مهارتهای فنی:
بعضا در جذب متخصصین علمداده و تحلیلگران داده بیشترین تمرکز بر مهارتهای فنی میباشد. این در حالی است که یکی از مؤلفههای کلیدی در جذب متخصص علمداده توجه به مهارتهای نرم(Soft Skills) همانند مهارتهای ارتباطی، خلاقیت، داشتن تخصص حوزه(Domain Expert)، کارتیمی و... میباشد.
راهکارها:
جهت مدیریت موارد فوق راهکارهای زیر به مدیران عالی و عملیاتی شرکتها پیشنهاد میگردد.
الف: جهت آشنایی با نیازمندیهای دقیق تحلیلی شرکت و کسبوکار خود، بهرهگیری از دانش مشاوران متخصص، بررسی تجارت برتر شرکتهای موفق، مطالعه کتابها مرجع منتشرشده توصیه میشود.
ب: جهت مطرح کردن سؤالات استخدامی مناسب، منابع و نمونه سؤالات متنوعی در اینترنت وجود دارد. جهت مطالعه بیشتر میتوانید برخی سؤالات مصاحبه استخدامی منتشرشده در کانال را در لینک زیر مطالعه بفرمایید.
https://news.1rj.ru/str/dataanalysis/695
ج: مشخص کردن تمامی نیازمندیهای شرکت، تدوین دقیق شرح شغلی و ابزارها موردنیاز، تمرکز بر جنبههای مادی و معنوی در حقوق و مزایا اعلامی و... از دیگر اقدامات لازم میباشد.
موفق و موید باشید.
@dataanalysis
ارادتمند
محمدرضا محتاط
ده روند حوزه تحلیل داده در سال 2018!
از روندهای کلیدی میتوان به اینترنت اشیا، هوش مصنوعی، یادگیری ماشین، تحلیل شخصیت و رفتار، تحلیل گراف و... اشاره کرد.
منبع:
https://bit.ly/2MqxIQb
@dataanalysis
از روندهای کلیدی میتوان به اینترنت اشیا، هوش مصنوعی، یادگیری ماشین، تحلیل شخصیت و رفتار، تحلیل گراف و... اشاره کرد.
منبع:
https://bit.ly/2MqxIQb
@dataanalysis
برنامه مستمر #کتابخوانی در حوزههای علمداده و کلان داده!
https://bit.ly/2w6AhwJ
در راستای آشنایی با کتابهای مطرح و مفید حوزههای علمداده و کلان داده و گسترش دانش کاربردی، هر دو هفته یکبار یک کتاب کاربردی جهت مطالعه در کانال معرفی خواهد شد. به دلیل همراهی تمامی علاقهمندان، کتابهای انتخابی از کتابهای فارسی ترجمهشده یا تألیفی موجود در بازار خواهند بود.
پس از دو هفته یک نقد و بررسی بر روی محتویات کتاب و یک خلاصه کاربردی از اهم نکات آن در کانال منتشر خواهد شد.
عزیزانی که علاقهمند هستند میتواند در این برنامه کتابخوانی شرکت نمایند.
کتاب شماره یکجهت مطالعه کتاب دادههای بزرگ در عمل ترجمه انتشارات آتی نگر(Big Data at Work) خواهد بود. کتابی که از جنبههای مدیریتی و فنی به حوزه Big Data و کاربردهای آن توجه میکند.
@dataanalysis
ارادتمند
محمدرضا محتاط
https://bit.ly/2w6AhwJ
در راستای آشنایی با کتابهای مطرح و مفید حوزههای علمداده و کلان داده و گسترش دانش کاربردی، هر دو هفته یکبار یک کتاب کاربردی جهت مطالعه در کانال معرفی خواهد شد. به دلیل همراهی تمامی علاقهمندان، کتابهای انتخابی از کتابهای فارسی ترجمهشده یا تألیفی موجود در بازار خواهند بود.
پس از دو هفته یک نقد و بررسی بر روی محتویات کتاب و یک خلاصه کاربردی از اهم نکات آن در کانال منتشر خواهد شد.
عزیزانی که علاقهمند هستند میتواند در این برنامه کتابخوانی شرکت نمایند.
کتاب شماره یکجهت مطالعه کتاب دادههای بزرگ در عمل ترجمه انتشارات آتی نگر(Big Data at Work) خواهد بود. کتابی که از جنبههای مدیریتی و فنی به حوزه Big Data و کاربردهای آن توجه میکند.
@dataanalysis
ارادتمند
محمدرضا محتاط
انواع روشها و کارکردهای تحلیلداده پیشرفته!
جهت استقرار تصمیمگیریهای دادهمحور در کسبوکار امکان بهرهگیری از طیف وسیعی از تحلیلها بنا به نیازمندیها وجود دارد.
@Dataanalysis
جهت استقرار تصمیمگیریهای دادهمحور در کسبوکار امکان بهرهگیری از طیف وسیعی از تحلیلها بنا به نیازمندیها وجود دارد.
@Dataanalysis
معرفی مشاغل و فرصتهای کاری جذاب در حوزه داده!
در ادامه برخی از مشاغل و شرح شغلیهای مطرح و جذاب در حوزه علمداده و کلانداده معرفی خواهند شد.
https://bit.ly/2wwB61l
1- متخصص علمداده:
جهت ورود به حوزه علمداده نیاز به کسب دانش و تخصص در موضوعاتی همانند مهندسی نرمافزار، ریاضیات، آمار، متخصص حوزه و... خواهید داشت. ساخت مدلهای توصیفی، پیشبینانه، استقرار مدلهای مبتنی بر یادگیری ماشین و آمار از وظایف کلیدی یک متخصص علمداده است. آشنایی با زبانهای پایتون و R، نرمافزارهای رپیدماینر، Knime، SPSS Modeler و توانایی کار با پایگاه دادههای رابطه و زبان SQL از مؤلفههای موفقیت در این فیلد شغلی در بازار کار کشور است. توجه به مهارتهای نرم همانند خلاقیت، فنون مذاکره، کار تیمی و... سبب تمایز شما در بازار کار خواهد شد.
2- متخصص هوشتجاری:
هوشتجاری مجموعهای از ابزارها، برنامههای کاربردی و متدولوژیها است که با جمعآوری دادهها و تحلیل بلادرنگ آن، سبب اتخاذ تصمیمات دادهمحور بهینه و بهبود فرایندها در کسبوکار میشود. درصورتیکه علاقهمند به ورود به حوزه هوشتجاری هستید آشنایی و کسب دانش تخصص در پلتفرمها و فریمورکهای هوشتجاری پایگاه دادههای Microsoft SQL Server یا Oracle توصیه میشود. آشنایی با نرمافزارها و ابزارهای مطرح داشبورد سازی و مصورسازی همانند Qlik, Power BI و Tableau از پیشنیازها میباشد.
3- مهندس یادگیری ماشین:
بر اساس آمار برترین مشاغل در ایالاتمتحده آمریکا، امسال برترین شغل حوزه مهندسی یادگیری ماشین میباشد. حوزهای کاملا جذاب و جدید که در آینده در داخل کشور نیز توجهات به آن افزایش پیدا خواهد کرد. توانایی پیادهسازی الگوریتمهای تخصصی یادگیری ماشین، آشنایی با فریمورکها و پلتفرمهای یادگیری عمیق، بهینهسازی و توسعه مدلهای یادگیری ماشین در محیطهای عملیاتی، استقرار مدلها و الگوریتمهای توزیعی و...از وظایف یک مهندس یادگیری ماشین خواهد بود.
4- توسعهدهنده کلان داده:
یکی از مشاغل کلیدی در حوزه Big Data، توسعهدهنده کلان داده میباشد. وظیفه اصلی یک توسعهدهنده کلان داده استقرار و توسعه محصولات و سامانههای نرمافزاری در مقیاس کلان داده خواهد بود. آشنایی با پایگاه دادههای غیر رابطهای(NoSQL) و رابطهای، تخصص در پلتفرمها و کتابخانههای اکوسیستم آپاچی هدوپ و اسپارک، توانایی مدیریت، نگهداری و انتقال بلادرنگ دادهها، آشنایی با معماریهای پردازشی توزیعشده و... از وظایف این حوزه کاری میباشد.
5- تحلیلگر کلان داده:
در فیلد Big Data Analysis و فرصتهای شغلی این حوزه هدف اصلی استقرار مدلهای تحلیلی بر روی دادگان حجیم میباشد. آشنایی با پلتفرمها و کتابخانههای تحلیلی کلان داده همانند کتابخانههای یادگیری ماشین هدوپ(Mahout)، اسپارک(Spark Mllib)، تخصص در مفاهیم یادگیری ماشین و استقرار مدلهای پیشبینانه و توصیفی از نیازمندیهای این حوزه هست. در این فیلد نیز زبان پایتون بهترین انتخاب خواهد بود.
6- متخصص متنکاوی:
یکی از فیلدها جذاب که بهتازگی توجهات به آن بر اساس کاربردها و کارکردهای که دارد افزایش یافته است حوزه متنکاوی میباشد. در این حوزه هدف استقرار مدلهایی در جهت تحلیل و آنالیز دادگان متنی و بدون ساختار موجود در سازمان همانند باشگاه مشتریان، شبکههای اجتماعی، کامنتها و... میباشد. جهت ورود به این حوزه نیاز به آشنایی با زبانهای برنامهنویسی همانند پایتون، جاوا یا R خواهید داشت. آشنایی با مفاهیم اصلی و پایه یادگیری ماشین و دادهکاوی نیز از پیشنیازها ورود به این حوزه است.
پینوشت:
1- به علاقهمندانی که قصد ورود به هریک از حوزههای فوق را دارند توصیه میکنم جهت آموزش از دورهها و منابع بسیار کاربردی و مفید وبسایتهایی همانند Udemy, Lynda, Edx, Coursera و... استفاده نمایند. انتخاب نقشه راه مناسب بنا به تخصص، دانش و علاقهمندی شما از گامهای کلیدی در کسب موفقیت در هریک از فیلدهای کاری اعلامی میباشد.
2- به مدیران کسبوکارها نیز پیشنهاد میگردد درصورتیکه قصد جذب کارشناس و متخصص در هر یک از فیلدها را دارید ابتدا برخی از شرح شغلی(Job Denoscription)های اعلامی شرکتهای موفق را موردبررسی نمایید تا علاوه بر نیازمندیهای فعلی سازمانتان بتوانید سایر نیازمندیهای آتی خود را پوشش دهید.
3- برخی از شرکتها بعضا در آگهیها و فرصتهای شغلی خود برخی از مهارتها و دانشها چند فیلد کاری را با یکدیگر تجمیع و تمامی مهارتها را از یک فرد درخواست مینمایند. طبق تجربیات این قبیل اقدامات در نهایت برای شرکت کارآمد نخواهد بود و توصیه میکنم با تشکیل یک تیم تخصصی از هر کارشناس در جایگاه تخصصی خود استفاده نمایید.
@DataAnalysis
ارادتمند
محمدرضا محتاط
در ادامه برخی از مشاغل و شرح شغلیهای مطرح و جذاب در حوزه علمداده و کلانداده معرفی خواهند شد.
https://bit.ly/2wwB61l
1- متخصص علمداده:
جهت ورود به حوزه علمداده نیاز به کسب دانش و تخصص در موضوعاتی همانند مهندسی نرمافزار، ریاضیات، آمار، متخصص حوزه و... خواهید داشت. ساخت مدلهای توصیفی، پیشبینانه، استقرار مدلهای مبتنی بر یادگیری ماشین و آمار از وظایف کلیدی یک متخصص علمداده است. آشنایی با زبانهای پایتون و R، نرمافزارهای رپیدماینر، Knime، SPSS Modeler و توانایی کار با پایگاه دادههای رابطه و زبان SQL از مؤلفههای موفقیت در این فیلد شغلی در بازار کار کشور است. توجه به مهارتهای نرم همانند خلاقیت، فنون مذاکره، کار تیمی و... سبب تمایز شما در بازار کار خواهد شد.
2- متخصص هوشتجاری:
هوشتجاری مجموعهای از ابزارها، برنامههای کاربردی و متدولوژیها است که با جمعآوری دادهها و تحلیل بلادرنگ آن، سبب اتخاذ تصمیمات دادهمحور بهینه و بهبود فرایندها در کسبوکار میشود. درصورتیکه علاقهمند به ورود به حوزه هوشتجاری هستید آشنایی و کسب دانش تخصص در پلتفرمها و فریمورکهای هوشتجاری پایگاه دادههای Microsoft SQL Server یا Oracle توصیه میشود. آشنایی با نرمافزارها و ابزارهای مطرح داشبورد سازی و مصورسازی همانند Qlik, Power BI و Tableau از پیشنیازها میباشد.
3- مهندس یادگیری ماشین:
بر اساس آمار برترین مشاغل در ایالاتمتحده آمریکا، امسال برترین شغل حوزه مهندسی یادگیری ماشین میباشد. حوزهای کاملا جذاب و جدید که در آینده در داخل کشور نیز توجهات به آن افزایش پیدا خواهد کرد. توانایی پیادهسازی الگوریتمهای تخصصی یادگیری ماشین، آشنایی با فریمورکها و پلتفرمهای یادگیری عمیق، بهینهسازی و توسعه مدلهای یادگیری ماشین در محیطهای عملیاتی، استقرار مدلها و الگوریتمهای توزیعی و...از وظایف یک مهندس یادگیری ماشین خواهد بود.
4- توسعهدهنده کلان داده:
یکی از مشاغل کلیدی در حوزه Big Data، توسعهدهنده کلان داده میباشد. وظیفه اصلی یک توسعهدهنده کلان داده استقرار و توسعه محصولات و سامانههای نرمافزاری در مقیاس کلان داده خواهد بود. آشنایی با پایگاه دادههای غیر رابطهای(NoSQL) و رابطهای، تخصص در پلتفرمها و کتابخانههای اکوسیستم آپاچی هدوپ و اسپارک، توانایی مدیریت، نگهداری و انتقال بلادرنگ دادهها، آشنایی با معماریهای پردازشی توزیعشده و... از وظایف این حوزه کاری میباشد.
5- تحلیلگر کلان داده:
در فیلد Big Data Analysis و فرصتهای شغلی این حوزه هدف اصلی استقرار مدلهای تحلیلی بر روی دادگان حجیم میباشد. آشنایی با پلتفرمها و کتابخانههای تحلیلی کلان داده همانند کتابخانههای یادگیری ماشین هدوپ(Mahout)، اسپارک(Spark Mllib)، تخصص در مفاهیم یادگیری ماشین و استقرار مدلهای پیشبینانه و توصیفی از نیازمندیهای این حوزه هست. در این فیلد نیز زبان پایتون بهترین انتخاب خواهد بود.
6- متخصص متنکاوی:
یکی از فیلدها جذاب که بهتازگی توجهات به آن بر اساس کاربردها و کارکردهای که دارد افزایش یافته است حوزه متنکاوی میباشد. در این حوزه هدف استقرار مدلهایی در جهت تحلیل و آنالیز دادگان متنی و بدون ساختار موجود در سازمان همانند باشگاه مشتریان، شبکههای اجتماعی، کامنتها و... میباشد. جهت ورود به این حوزه نیاز به آشنایی با زبانهای برنامهنویسی همانند پایتون، جاوا یا R خواهید داشت. آشنایی با مفاهیم اصلی و پایه یادگیری ماشین و دادهکاوی نیز از پیشنیازها ورود به این حوزه است.
پینوشت:
1- به علاقهمندانی که قصد ورود به هریک از حوزههای فوق را دارند توصیه میکنم جهت آموزش از دورهها و منابع بسیار کاربردی و مفید وبسایتهایی همانند Udemy, Lynda, Edx, Coursera و... استفاده نمایند. انتخاب نقشه راه مناسب بنا به تخصص، دانش و علاقهمندی شما از گامهای کلیدی در کسب موفقیت در هریک از فیلدهای کاری اعلامی میباشد.
2- به مدیران کسبوکارها نیز پیشنهاد میگردد درصورتیکه قصد جذب کارشناس و متخصص در هر یک از فیلدها را دارید ابتدا برخی از شرح شغلی(Job Denoscription)های اعلامی شرکتهای موفق را موردبررسی نمایید تا علاوه بر نیازمندیهای فعلی سازمانتان بتوانید سایر نیازمندیهای آتی خود را پوشش دهید.
3- برخی از شرکتها بعضا در آگهیها و فرصتهای شغلی خود برخی از مهارتها و دانشها چند فیلد کاری را با یکدیگر تجمیع و تمامی مهارتها را از یک فرد درخواست مینمایند. طبق تجربیات این قبیل اقدامات در نهایت برای شرکت کارآمد نخواهد بود و توصیه میکنم با تشکیل یک تیم تخصصی از هر کارشناس در جایگاه تخصصی خود استفاده نمایید.
@DataAnalysis
ارادتمند
محمدرضا محتاط
Forwarded from راه پرداخت
جنگ برندهای مطرح جهان برای جذب استارتآپهای درجه یک فعال در حوزه هوش مصنوعی @newway2pay
ده روند حوزه هوش تجاری در سال 2018!
موضوعاتی از قبیل تحلیلهای پیشگویانه، حاکمیت داده، پردازش زبان طبیعی، هوش مصنوعی، امنیت، رایانش تحت فضای ابری از روندهای اصلی حوزه BI هستند.
@DataAnalysis
موضوعاتی از قبیل تحلیلهای پیشگویانه، حاکمیت داده، پردازش زبان طبیعی، هوش مصنوعی، امنیت، رایانش تحت فضای ابری از روندهای اصلی حوزه BI هستند.
@DataAnalysis
مهارتهای کلیدی جهت تبدیل شدن به یک متخصص علمداده!
کسب تخصص در حوزههای یادگیری ماشین، زبانهای برنامهنویسی مطرح حوزه علم داده, مهارتهای تحلیلی و... از پیشنیازهای کلیدی میباشد
@DataAnalysis
کسب تخصص در حوزههای یادگیری ماشین، زبانهای برنامهنویسی مطرح حوزه علم داده, مهارتهای تحلیلی و... از پیشنیازهای کلیدی میباشد
@DataAnalysis
کتاب Python Data Science Handbook انتشارات O'reilly!
در کتاب فوق کتابخانههای مطرح زبان پایتون در حوزه علمداده همانند Pandas, Matplotlib, Scikit-Learn و... آموزش داده خواهد شد.
@DataAnalysis
در کتاب فوق کتابخانههای مطرح زبان پایتون در حوزه علمداده همانند Pandas, Matplotlib, Scikit-Learn و... آموزش داده خواهد شد.
@DataAnalysis
میزان دادههای تولید شده در یک دقیقه اینترنت!
سازمان و شرکت شما در جهت تولید دانش از این منابع ارزشمند چه میزان بهره میبرد؟!
@DataAnalysis
سازمان و شرکت شما در جهت تولید دانش از این منابع ارزشمند چه میزان بهره میبرد؟!
@DataAnalysis
مسیر تبدیل شدن به یک متخصص کلانداده!
در شکل فوق مسیر تبدیل شدن به یک توسعهدهنده کلانداده در پلتفرمهای مرجع Big Data همانند هدوپ، اسپارک و... توصیه شده است.
@DataAnalysis
در شکل فوق مسیر تبدیل شدن به یک توسعهدهنده کلانداده در پلتفرمهای مرجع Big Data همانند هدوپ، اسپارک و... توصیه شده است.
@DataAnalysis