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

9 مهارت لازم برای تبدیل شدن به یک "دانشمند داده"
1. تحصیلات تکمیلی (88 درصد از دانشمندان داده حداقل فوق لیسانس دارند)
2. تسلط برنامه نویسی R
📌 برای مطالعه‌ی بقیه مهارت‌ها این مطلب را کلیک کنید.
🌐 @datascienceedu |
کانال آموزشی علم داده

🗽در رخداد AWS: Innovate شرکت آمازون به رایگان شرکت کنید.

این رویداد آنلاین رایگان، برای برنامه نویسان مشتاق ماشین لرنینگ، توسعه دهندگان برنامه های کاربردی، و دانشمندان داده به کمک می کند تا بفهمند چگونه از ابزارهای ابری آمازون برای برنامه های کاربردی هوش مصنوعی (AI) و مدل های یادگیری ماشین (ML) استفاده کنند. این رویداد از سوی کارشناسان آمازون ارائه شده است و برای برنامه نویسان و دانشمندان داده در همه سطوح مهارت دارد.

🖋 ثبت نام از طریق این لینک و رایگان

🌐 @datascienceedu | کانال آموزشی علم داده

💵 حقوق یک دانشمند داده چه قدر است؟

📌 برای آگاهی از حقوق و پست سازمانی یک "متخصص علم داده" کلیک کنید.

🌐 @datascienceedu | کانال آموزشی علم داده

هندبوک "علم داده" ( the data science)

🌐 @datascienceedu | کانال آموزشی علم داده

جدول تناوبی "علم داده"
در این جدول که توسط موسسه DataCamp تدوین شده است به تفکیک مولفه‌ها و موضوعات زیر، فضای حوزه علوم‌داده افراز گردیده است.

1-موسسات برگزار کننده دوره‌های آموزشی
2- دوره‌های آموزشی
3- کنفرانس‌ها و سمنیارهای حوزه علم‌داده
4-زبان‌های برنامه‌نویسی
5- پایگاه داده و ابزارهای مدیریت داده
6- ابزارها و کتابخانه‌های یادگیری ماشین
7- نرم‌افزارهای گزارش‌گیری و مصورسازی داده
8- ابزارهای مدیریت پروژه‌های نرم‌افزاری
9- وبسایت‌های مرجع حوزه علم‌داده
10- پاکدست‌های حوزه علوم‌داده
11- اجتماعات و شبکه‌های تخصصی علم‌داده
12- مسابقات علم‌داده
13- منابع ارائه دهنده Open Data

🌐 @datascienceedu | کانال آموزشی علم داده

مهارت هاي مورد نياز در موقعيت هاي شغلي مرتبط با كلان داده

مهندس داده، توسعه دهنده كلان داده، دانشمند علم داده و تحليلگر كسب و كار جز فرصت هاي شغلي جذاب اين حوزه ميباشد.

🌐 @datascienceedu | کانال آموزشی علم داده

بزرگترین چالش های پروژه های Big Data!

🌐 @datascienceedu | کانال آموزشی علم داده

برترین فناوری‌ها از نظر جذب سرمایه در 5 سال آینده!

1- کلان‌داده و علم‌داده(Big Data & Data Science)

2- آنالیز کسب‌وکار(Business Analytics)

3- کسب و کار ابری(Cloud Business)

4- بازاریابی دیجیتال(Digital Marketing)

5- مدیریت تجربه مشتری(Customer Experience Management)

6- تجارت الکترونیک(Ecommerce)

🌐 @datascienceedu | کانال آموزشی علم داده

💎 دوره بلند مدت #علم_داده (#Data_Science)

⏳ آغاز ثبت نام دوره‌های حضوری و آنلاین #سال_98 (ظرفیت محدود)

🔬آموزش با Case Study ها و تحلیل های واقعی از صنایع مختلف نظیر خودروسازی، خدمات درمانی، خدمات شهری، فروشگاهی، تولیدی و ...

👤 با تدریس #دکتر_زره_ساز (فارغ التحصیل دانشگاه میشیگان، مشاور و مجری پروژه های علم داده در ایران و آمریکا)

🔥 فارغ التحصیلی از این دوره برای افرادی که میخواهند به #اروپا، #آمریکا و #استرالیا مهاجرت شغلی یا تحصیلی داشته باشند، بسیار می‌تواند مفید باشد

🔥 فارغ التحصیلان این دوره قابلیت ورود به بازار کار در ایران را خواهند داشت و #اولین_نسل #دانشمندان_علم_داده را تشکیل خواهند داد

🔗 رزرو از طریق: https://bit.ly/2VI2Wn8

☎️ 021-86741 داخلی 120 و 124 و 125 و 127

🥇 @tiheac
🌐 tihe.ac.ir