📌مقایسه بین تحلیل داده، بیگ دیتا و علم داده .


🔎 #علم_داده

🌐 @datascienceedu | کانال آموزشی علم داده

🛢#داده در حال تبدیل شدن به #نفت در عصر جدید است...

🌎کانال آموزشی #علم_داده (#Data_Science)

✅ اشتراک گذاری محتوای آموزشی چند رسانه‌ای
✅ اشتراک گذاری #فرصتهای_شغلی
✅ اشتراک گذاری #فرصتهای_تحصیلی در ایران و خارج

🌐 @datascienceedu | کانال آموزشی علم داده

Data Science Tools For Non-Technical Users

ابزار های "علم داده" برای افراد غیر متخصص

🔎 #علم_داده

🌐 @datascienceedu | کانال آموزشی علم داده

📌 یک معرفی و مقایسه ی کامل بین "علم داده، آنالیز و تحلیل داده و کلان داده"
🔘 Data Science
🔘 Big Data
🔘 Data Analytics

🔎 #علم_داده

🌐 @datascienceedu | کانال آموزشی علم داده

🔆 #فرصت_شغلی تمام وقت #تحلیل_داده در #تهران

👁‍🗨 شرایط احراز:

✔️ آشنایی با معیارهای کسب و کار، قابلیت تبدیل مسائل مطرح شده توسط تیم های مختلف به معیار های قابل اندازه گیری و توانایی تحلیل آنها توسط روش های آماری
✔️ آشنایی با Google Analytics ,Game Analytics و یا دیگر‌‍‍‍‍‍‍ پلتفورم های تحلیل داده
✔️ آشنایی یا یکی از زبان های برنامه نویسی R یا Python مزیت محسوب می شود.
✔️ آشنایی با دیتابیس Mongo مزیت محسوب می شود.
✔️ علاقه مندی به بازی های رایانه ایی مزیت محسوب می شود.
✔️ حداقل سه تا شش سال سابقه کار

📬 برای ارسال رزومه کلیک کنید.




🌐 @datascienceedu | کانال آموزشی علم داده

🔆 #فرصت_شغلی تمام وقت #تهران

🌟 شرکت خدمات انفورماتیک کارشناس تجزیه و تحلیل آماری استخدام می‌کند.
👁‍🗨 شرایط مورد نیاز:
💢 آشنایی با Spss،Matlab،Amos،MSP
💢 آشنایی با زبان برنامه نویسی R
💢 آشنایی با ICDL و MS Project
💢 آشنایی با Oracle،SQL،Python
💢 مسلط به اکسل و نرم افزار های تحلیل داده و ...

📍 تحصیلات: کارشناسی مهندسی صنایع،ریاضی،آمار،مهندسی نرم افزار


📬 برای ارسال رزومه کلیک کنید.

🌐 @datascienceedu | کانال آموزشی علم داده

🛢#داده در حال تبدیل شدن به #نفت در عصر جدید است...

🌎کانال آموزشی #علم_داده (#Data_Science)

✅ اشتراک‌گذاری محتوای آموزشی چند رسانه‌ای
✅ اشتراک‌گذاری #فرصتهای_شغلی در ایران و خارج
✅ اشتراک‌گذاری #فرصتهای_تحصیلی در ایران و خارج

🌐 @datascienceedu | کانال آموزشی علم داده

مولفه های "علم داده" چیست ؟

🔎 #علم_داده

🌐 @datascienceedu | کانال آموزشی علم داده

🔅 برترین زبان‌های برنامه ‌نویسی برای یادگیری ‌ماشین و داده کاوی در حوزه علم داده

🔎 #علم_داده

🌐 @datascienceedu | کانال آموزشی علم داده

هر یک از مراحل داده‌کاوی چند درصد از زمان دانشمند داده را به خود تخصیص می‌دهد؟

جمع آوری داده ها: ۲۰ درصد
تمیزسازی و نظم بخشی به دادگان: ۶۰ درصد!
کاوش برای یافتن الگوها: ۹ درصد
پایش الگوریتم‌ها: ۴ درصد
ساخت دیتاست آموزش مدل: ۳ درصد

🔎 #علم_داده

🌐 @datascienceedu | کانال آموزشی علم داده

🔆 #فرصت_شغلی #علم_داده در #تهران

شرکت دال جهت تکمیل کادر منابع انسانی از دانشجویان /فارغ التحصیلان جهت همکاری دعوت به عمل می آورد.

عنوان شغل:data scientist

شرایط شغل:

حداقل 120 ساعت در ماه
بیمه
بیمه تکمیلی
تایم کاری منعطف
میزان حقوق پیشنهادی: 6_5 میلیون تومان در ماه
سابقه کاری حداقل 1 سال
آدرس: اطراف دانشگاه شریف
شرایط مورد نیاز همکاری:
We are looking for a Python programmer with experience of working with Numpy and TensorFlow libraries who is also skilled at statistics. The programmer must convert GPS points to traffic data with the help of a modeler.

Specialized skills:

Proficient in Python

Extensive experience with TensorFlow and Numpy

Experienced in R or any other strong statistical software

Educational background that includes statistics or computer science or software engineering or related fields

Related work experience is required

Fluent in English (writing)

General skills:

Having teamwork spirit, being decisive and perseverant and able to manage time.

Active and motivated towards improvement and job promotion

Extrovert, creative and disciplined

Interested in learning new things and solve challenges

📬 برای ارسال رزومه می‌توانید با info@daal.ir ارتباط برقرار کنید.


🌐 @datascienceedu | کانال آموزشی علم داده

⬅️ مقایسه 16متد برتر حوزه علم داده و یادگیری ماشین در سال 2016 و 2017
✅ میتوانید بادیدن روند رشد و افول این تکنیکها برای آینده شغلی خود برنامه ریزی کنید.

🌐 @datascienceedu | کانال آموزشی علم داده

📕 علوم کامپیوتر
در مقایسه با
📘 علم داده

🌐 @datascienceedu | کانال آموزشی علم داده

از سال 2020 (کمتر از 10 ماه دیگر) پایتون 2.7 پشتیبانی نمیشود.
🌐 @datascienceedu | کانال آموزشی علم داده

چرا #Big_Data برای موفقیت به ابزارهای #مصورسازی نیاز دارد؟
📉📊📈📑🗓📉📊📈📑

☀️ مصور سازی داده‌ها، راه شفاف‌تری برای مشاهده داده‌ها و اطلاعات است.

بدون استفاده از مصورسازی، کسب بینش (یعنی ایجاد درک عمیق همراه با آینده‌نگری) از داده های خام انباشته شده در جداول انباره‌های داده، آن چنان که باید و شاید به فرآیندهای تصمیم‌گیری کمک نخواهد کرد.

👁 مصورسازی داده‌ها یا #Data_Visualization، تکنیکی است که به کمک آن می‌توان روابط موجود در داده‌ها را به مدیران سازمانی و دانشمندان داده نشان داد و زمینه‌هایی که سازمان می‌باید بر آن بیشتر معطوف شود را برجسته کرد.

🔔 از این پس، تحلیل‌های بدست آمده از #کلان_داده (Big Data) تا زمانی که به صورت مصور درنیایند، برای مدیران ارشد سازمانی جذابیت و تأثیرگذاری نخواهند داشت، نکته‌ای که بیشتر دانشمندان داده آن را نادیده می‌گیرند.


🌐 @datascienceedu | کانال آموزشی علم داده

🔅 7 نکته ی کلیدی در مصور سازی داده ها

1️⃣ داشتن متدولوژی
یک فرایند شامل جمع آوری نیاز ها ، دسترسی به داده، طراحی مصور ها و پیاده سازی آن طراحی نمایید. تنها یک متدولوژی خوب تضمین بهبود کیفیت است.

2️⃣ شناسایی مخاطبین و کاربران
همه ی کاربران نهایی اطلاعات را به یک روش استفاده نمی کنند.

3️⃣ تعریف کنش های کاربر بعد از دیدن نتایج
انتظار شما از کاربران و کنش آنان بعد از دیدن نتایج بر روی داشبورد چیست؟ بعنوان مثال کاربر نهایی بخش تولید ممکن است بعد از دیدن اطلاعات نیاز به ارسال پیام داشته باشد.

4️⃣ طبقه بندی داشبورد
داشبورد خود را در یکی از دسته های داشبورد های عملیاتی، تاکتیکی و یا راهبردی دسته بندی کنید.

5️⃣ مشخص کردن نوع داده
سه نوع داده در داشبورد داریم. داده های دسته ای ، داده های ترتیبی و داده های کمی. امکانات مصور سازی داده برای انواع داده های مختلف متفاوت است

6️⃣ استفاده مناسب از امکانات مصورسازی
استفاده به جا از امکانات مصور سازی ، تاثیر مصور سازی داده ها را چندین برابر می کند.

7️⃣ طراحی تکرار شونده
طی یک فرایند تکرار شونده و گرفتن بازخورد از مخاطبین، طراحی داشبوردها را تا برطرف سازی کامل نیاز مخاطبین تکرار نمایید.

🌐 @datascienceedu | کانال آموزشی علم داده

📌 علوم مرتبط با علم داده چیست؟

📌 چه سطحی از تخصص ها و چه درصدی از آنها در این حوزه فعال هستند؟
🌐 @datascienceedu | کانال آموزشی علم داده

1- دانش های مورد نیاز
2- زبان های مورد نیاز
برای یک متخصص علم داده

🌐 @datascienceedu | کانال آموزشی علم داده

⭕️💢 سؤالات مصاحبه استخدامی متخصص علم‌داده

یکی از مهم‌ترین‌ گام‌های ارزیابی یک متخصص علم‌داده علاوه بر بررسی کردن رزومه کاری، مصاحبه استخدامی و پرسیدن برخی از سؤالات تخصصی از وی ‌می‌باشد. لذا اگر در شرکت خود قصد استخدام دانشمند علم‌داده دارید می‌توانید از سؤالات ذیل جهت بررسی هر چه بیشتر دانش تخصصی وی استفاده نمایید.

متخصصین و دانشمندان علم‌داده هم با پاسخ به سؤالات زیر می‌توانند دانش خود را محک بزنند!

1- چرخه انجام یک پروژه علم‌داده چیست؟

2- روش Cross Validation چیست و چه مزایایی دارد؟

3- مراحل پیاده‌سازی یک محصول تجاری داده محور چگونه می‌باشد؟

4- بیشترین حجم دادگان مورداستفاده در پروژه‌های قبلی چه میزان بوده است؟ جهت مدیریت این حجم از چه پلتفرم و ابزارهایی استفاده کرده‌اید؟

5- مهم‌ترین گام در چرخه متدولوژی CRISP-DM چیست و چرا؟

6- پاک‌سازی اطلاعات چیست و چگونه انجام می‌گردد؟

7- چگونه دادگان غیر ساخت‌یافته به اطلاعات ساخت‌یافته تبدیل می‌گردند؟

8- در پیاده‌سازی یک مدل مبتنی بر یادگیری ماشین، پایدار بودن(robust) اهمیت بیشتری دارد یا میزان صحت(Accurate)؟

9- گام‌های بهینه‌سازی یک الگوریتم ازلحاظ سرعت و کیفیت چیست؟

10- تفاوت الگوریتم‌ها و روش‌های با نظارت با روش‌های بدون نظارت چیست؟

11- تفاوت Overfitting و Underfitting چیست و چه زمانی اتفاق می‌افتند؟

12- تفاوت معیارهای ارزیابی precision و recall چیست؟ کدام‌یک کارآمدتر هست؟

13- از چه راهکارهایی جهت مدیریت دادگان غیرمتوازن(Unbalance Data) استفاده خواهید کرد؟

14- چه معیارهای جهت انتخاب یک الگوریتم یادگیری ماشین جهت پاسخ به یک مسئله وجود دارد؟

15- تفاوت پایگاه داده، انبار داده و Data Mart چیست؟

16- چه زمانی از الگوریتم‌هایی مانند SVM یا Random Forset استفاده می‌کنید و چرا؟

17- تحلیل مؤلفه‌های اصلی (Principal component analysis) چیست و چه مزایا و معایبی دارد؟

18- نسل‌های معماری‌های پردازشی کلان داده چیست و Map Redcue چه تفاوتی با موتور پردازشی Spark دارد؟

19- پایگاه داده‌های غیر رابطه‌ای به چند دسته تقسیم می‌شوند و در چه مسائلی می‌توانند مورداستفاده قرار بگیرند؟

20- روش‌های مبتنی بر شبکه‌های عصبی پیشرفته(یادگیری عمیق) چه مزایا و معایبی نسبت به سایر الگوریتم‌ها و روش‌ها دارد؟

✍️ محمدرضا محتاط

🌐 @datascienceedu | کانال آموزشی علم داده

دانشمند داده: سکسی‌ترین شغل قرن بیست و یکم
اگر سکسی بودن یک شغل را به معنی داشتن ویژگی‌های نادر که خیلی زیاد از طرف کارفرماها مورد تقاضا است در نظر بگیریم، قطعا دانشمندان داده شغل سکسی دارند.
این مقاله جالب البته کمی قدیمی رو از سایت هاوارد بیزنس ریویو در این لینک بخونید.

🌐 @datascienceedu | کانال آموزشی علم داده

🛠 ابزارهای مورد استفاده در علم داده و مهندسی داده

دایره زرد حوزه علم داده و دایره آبی حوزه مهندسی داده است، در حوزه مهندسی داده ابزارهای پروگرامینگ قوی‌تر است و در حوزه علم داده ابزارهای تحلیلی قوی‌تر هستند. همچنین چگالی ابزارهای مربوط به آمار در علم داده بیش‌تر است، و چگالی ابزارهای طراحی و کنترل پایگاه داده در حوزه مهندسی داده.

اینفوگرافی از سایت دیتا کمپ

🌐 @datascienceedu | کانال آموزشی علم داده