💎 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

🔰 📊 مجموعه نمودارهای اولیه و نتایج خام نظر سنجی بزرگ کار و زندگی برنامه نویسان و مدیران سیستم ایران در سال 1397
📍 قسمت اول: آمار ابتدایی-بخش اطلاعات جمعیتی

🌐 @datascienceedu | کانال آموزشی علم داده

🔰 📊 مجموعه نمودارهای اولیه و نتایج خام نظر سنجی بزرگ کار و زندگی برنامه نویسان و مدیران سیستم ایران در سال 1397
📍 قسمت دوم: آمار ابتدایی-بخش جنسیت

🌐 @datascienceedu | کانال آموزشی علم داده

🔰 📊 مجموعه نمودارهای اولیه و نتایج خام نظر سنجی بزرگ کار و زندگی برنامه نویسان و مدیران سیستم ایران در سال 1397
📍 قسمت سوم: بخش سابقه ی کار

🌐 @datascienceedu | کانال آموزشی علم داده

🔰 📊 مجموعه نمودارهای اولیه و نتایج خام نظر سنجی بزرگ کار و زندگی برنامه نویسان و مدیران سیستم ایران در سال 1397
📍 قسمت چهارم: بخش سوابق تحصیلی

🌐 @datascienceedu | کانال آموزشی علم داده

🚀 #دیتا_میتینگ برگزار می‌کند...

⭐️ جلسات رایگان هم اندیشی در حوزه علم داده موسسه توسعه ...

🔥 دیتا میتینگ (1) -#آنلاین- با موضوع "بررسی #علم_داده اکنون و آینده"

📆 8 اردیبهشت 98 | 19 الی 21

👥 دکتر #ابوالفضل_واقفی (پژوهشگر و مجری پروژه های علم داده در #آمریکا)

👥 دکتر #یاسر_زره_ساز (مشاور و مجری پروژه های علم داده در #ایران و #آمریکا)

🔗 رزرو حضور از طریق: https://bit.ly/2UKTCB1

🥇 @tiheac
🌐 tihe.ac.ir
☎️ 021-86741 (EXT: 120-125-127)

🔰 📊 مجموعه نمودارهای اولیه و نتایج خام نظر سنجی بزرگ کار و زندگی برنامه نویسان و مدیران سیستم ایران در سال 1397
📍 قسمت پنجم

🌐 @datascienceedu | کانال آموزشی علم داده

🔰 📊 مجموعه نمودارهای اولیه و نتایج خام نظر سنجی بزرگ کار و زندگی برنامه نویسان و مدیران سیستم ایران در سال 1397
📍 قسمت ششم - بخش: دیتابیس های مورد استفاده

🌐 @datascienceedu | کانال آموزشی علم داده

🔰 📊 مجموعه نمودارهای اولیه و نتایج خام نظر سنجی بزرگ کار و زندگی برنامه نویسان و مدیران سیستم ایران در سال 1397
📍 قسمت هفتم و هشتم- بخش: چگونگی و شیوه ی کار

🌐 @datascienceedu | کانال آموزشی علم داده

⚔️ #Data_Science Courses Are Coming

🏦 دوره بلند مدت #علم_داده

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

👤 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

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

🥇 @tiheac
🌐 tihe.ac.ir
☎️ 021-86741 (EXT: 120-125-127)

🔰 📊 مجموعه نمودارهای اولیه و نتایج خام نظر سنجی بزرگ کار و زندگی برنامه نویسان و مدیران سیستم ایران در سال 1397
📍 قسمت نهم: تکنولوژی های مورد استفاده

🌐 @datascienceedu | کانال آموزشی علم داده

What Do Data Scientists Do?

In simple terms, a data scientist’s job is to analyze data for actionable insights.

Specific tasks include:

Identifying the data-analytics problems that offer the greatest opportunities to the organization
Determining the correct data sets and variables
Collecting large sets of structured and unstructured data from disparate sources
Cleaning and validating the data to ensure accuracy, completeness, and uniformity
Devising and applying models and algorithms to mine the stores of big data
Analyzing the data to identify patterns and trends
Interpreting the data to discover solutions and opportunities
Communicating findings to stakeholders using visualization and other means

In the book, Doing Data Science, the authors describe the data scientist’s duties this way:

“More generally, a data scientist is someone who knows how to extract meaning from and interpret data, which requires both tools and methods from statistics and machine learning, as well as being human. She spends a lot of time in the process of collecting, cleaning, and munging data, because data is never clean. This process requires persistence, statistics, and software engineering skills—skills that are also necessary for understanding biases in the data, and for debugging logging output from code.

Once she gets the data into shape, a crucial part is exploratory data analysis, which combines visualization and data sense. She’ll find patterns, build models, and algorithms—some with the intention of understanding product usage and the overall health of the product, and others to serve as prototypes that ultimately get baked back into the product. She may design experiments, and she is a critical part of data-driven decision making. She’ll communicate with team members, engineers, and leadership in clear language and with data visualizations so that even if her colleagues are not immersed in the data themselves, they will understand the implications.”

Source: O’Neil, C., and Schutt, R. Doing Data Science. First edition.

🌐 @datascienceedu | کانال آموزشی علم داده

فیلم آموزشی "دقیقاً علم داده چیست؟" از زبان یک دانشمند علم داده ببینید.

🌐 @datascienceedu | کانال آموزشی علم داده

🤔 « علم داده چیست؟ »⁉️
📍 قسمت اول

من حدود دو سال است که در زمینه‌ی علم داده فعالیت می‌کنم. در اینجا برخی از نظراتم درباره‌ی اینکه علم داده چیست را ارائه می‌دهم هم‌چنین می‌توانیم از پاسخ به این سوال شروع کنیم که علم داده به چه چیزهایی گفته نمی‌شود.

اولا علم داده یک کار مهندسی نرم‌افزار نیست و این یعنی که علم داده مربوط به تولید محصول و یا ویژگی‌های محصول یا هر چیز مطلوب دیگر نیست.

دوما علم داده یک کار تجسمی نیست. ایجاد یک تصور مناسب نه شروع کار و نه هدف نهایی یک دانشمند علم داده است. و نیازی به گفتن نیست که علم داده تولید اینفوگرافیک‌های موثر نیست.

سوما، علم داده یک کار علمی نیست. به ویژه دانشمندان علم داده، در محیط آکادمیک کار نمی‌کنند و این علم نیاز مخصوص صنعت و بازارهای تجاری است. دانشمندان علم داده معمولا مقاله چاپ نمی‌کنند و هم‌چنین چاپ مقاله و کتاب دغدغه‌ی کاری هیچ یک دانشمندان علم داده نیست.

آخرین مورد، من با این نظر عمومی که علم داده در بیشتر اوقات، آمار است مخالفم. بهتر است داستان کوتاهی از خودم نقل کنم. زمانی از من خواسته شد که یک نفر را برای کمک در کارهایم استخدام کنم و در این راستا با افراد زیادی از طریق تلفن مصاحبه کردم. بسیاری از متقاضیان از حیطه‌های تحلیل آماری می‌آمدند و بیشتر ان‌ها تمایل داشتند که بسیار با اعتماد به نفس به نظر برسند که بیشتر از آنچه که نیاز است برای این شغل مناسب هستند. اگرچه من با هیچ یک از آن‌ها بعدا تماس نگرفتم، چیزی که من در ان زمان متوجه شدم این بود که دانش اماری به تنهایی نمی‌تواند یک نفر را برای همکاری موثر با من زمینه‌ای که در علم داده فعالیت دارم، به دلایلی که در ادامه ذکر می‌کنم، آماده کند.

حالا ما اماده هستیم تا در مورد اینکه علم داده چیست صحبت کنیم. علم داده جمع کاملی از مهارت‌های برنامه‌نویسی، دانش اماری،برخی تکنیک‌های تصویرسازی و مورد آخر مقدار زیادی شم تجاری می‌باشد. شم تجاری‌ای که من به ویژه به ان اهمیت می‌دهم، تمایل به ترجمه‌ی هر سوال در زمینه‌ی تجارت به سوالی است که با داده‌هایی که یا موجود هستند یا در اینده در اختیار قرار می‌گیرند، قابل پاسخ دادن باشد. در حقیقت علم داده یک راه به خصوص را برای اتصال تمام نقاط در دنیای تصادفی پر از داده که بیشتر ان‌ها در وهله‌ی اول مفید به نظر نمی‌رسند، به‌کار می‌گیرد.

یک دانشمند در حوزه‌ی علم داده، براساس درک کنونی من، فردی است که بین جهان تجارت و جهان داده ارتباط برقرار می‌کند.

می‌خواهم در مورد تصور مشابهی که از علم داده در ذهن دارم برایتان صحبت کنم. فعالیت در حوزه‌ی علم داده مانند تهیه‌ی غذاست. این کار شامل داده‌کاوی که شامل ETL (استخراج، انتقال و بارگذاری) می‌شود اما به ان‌ها محدود نیست، تمیزکاری داده و رفع نقص داده‌ها و ... می‌باشد. این مرحله مشابه مرحله‌ی اماده‌سازی غذاست که شما سبزی‌ها و گوشت را تمیز می‌کنید و مواد غذایی را به قطعات با سایز مناسب ریز می‌کنید و ان‌ها را کنار قرار می‌دهید. بعد از انجام این امور، شما اماده‌ی طبخ مواد غذایی هستید که این مرحله، مرحله‌ی نظیر جست‌و جوی داده‌ها، ساخت ویژگی‌ها و اجرای الگوریتم‌ها و ... می‌باشد. این مرحله همان مرحله‌ی طبخ گوشت و سبزیجات طبق یک دستور مرحله به مرحله و طبق زمانبندیست و سپس باید مواد خام را که تبدل به غذای آماده‌ی سرو می‌شوند نظاره کنید. مرحله‌ی اخر سرو غذا است. وقتی که شما غذای طبخ شده را به صورت هنری تزیین می‌کنید و آن را به ترتیبی که سفارش داده شده سرو می‌کنید. این همان مرحله است که شما نتایج داده‌کاوی خود را در یک تصویرسازی هنری آماده می‌کنید و گزارش‌هایی تهیه می‌کنید تا برای کاربرانی که اینکار را سفارش داده بودند ارسال می‌کنید.

نویسنده: Ji Li, data scientist

مترجم: تیم تولید محتوای کانال Data science

🌐 @datascienceedu | کانال آموزشی علم داده

🤔 « علم داده چیست؟ »⁉️
📍 قسمت دوم (آخر)
به طور خلاصه، فرایند علم داده شامل داده‌کاوی و ارائه‌ی نتایج قابل بکارگیری می‌باشد. براساس تجربه‌ی شخصی‌ام، مجموعه‌ی ابزاری که می‌توان به کمک ان تمام یا بخشی از این فرایند را انجام داد شامل Python، R، Tableau، SQL و ... می‌باشد.


پایتون ( Python) به عنوان یک ابزار مفید برای تمام اهداف و به ویژه برای آماده‌سازی داده بکار می‌رود. این نرم‌افزار به‌علاوه می‌تواند برای داده‌کاوی نیز استفاده شود (با کمک بسته‌ی اموزشی scitik-learn). علاوه براین پایتون می‌تواند برای انتقال اطلاعات مورد استفاده قرار گیرد چرا که امکانات رسم گراف در ان روز به روز در حال رشد است.

نرم افزار R در زمینه‌ی اماده‌سازی داده در مقایسه با Python اندکی ضعیف است. اما به‌خاطر طبیعتش که تمام مفاهیم آماری که با آن سروکار داریم را شامل می‌شود. این نرم‌افزار را تبدیل به یک نرم‌افزار عالی برای جست‌و‌جو در داده‌ها و اجرای الگوریتم‌ها برای پارامترهای مختلف و تولید پیش‌الگو برای علم داده می‌کند. R هم‌چنین در تصویرسازی نیز بسیار قوی عمل می‌کند و می‌تواند یک فرایند تکراری داده‌کاوی را به یک گزارش درخشنده تبدیل کند.

صحبت از تصویرسازی داده‌ها است، Tableau یکی از بهترین نرم‌افزارهای تجاری برای جست‌و جوی تصویری داده‌هاست. این نرم‌افزار به علاوه برای تولید گزارش‌های تصویری واکنش‌پذیر نیز به کار می‌رود.

در کنار Python، R و Tableau یک نرم‌افزار دیگر در حوزه‌ی علم داده وجود دارد که تمایل دارم قبل از اتمام این پست به معرفی ان بپردازم. SQL در حوزه‌ی اماده‌سازی داده مانند زبان انگلیسی است. این زبان برنامه‌نویسی در یکپارچه‌سازی منابع مختلف داده بسیار قدرتمند است و هم‌چنین در جست‌وجوی داده‌ها و عیب‌یابی ان‌ها بسیار مفید است.

امیدوارم که انچه گفته شد برای شما قابل درک باشد. من همچنان در حال اموزش هستم و در حال تعمیق بخشیدن به دانش خود در این زمینه می‌باشم.

نویسنده: Ji Li, data scientist

مترجم: تیم تولید محتوای کانال Data science

🌐 @datascienceedu | کانال آموزشی علم داده

How to Become a Data Scientist?

Data science is arguably the hottest career of the 21st century. In today’s high-tech world, everyone has pressing questions that must be answered by "big data". From businesses to non-profit organizations to government institutions, there is a seemingly-infinite amount of information that can be sorted, interpreted, and applied for a wide range of purposes.

Finding the right answers, however, can be a serious challenge.

How can a business sort through purchasing data to create a marketing plan? How can government departments use patterns of behavior to create engaging community activities? How can a non-profit best use their available marketing budget to further enhance their potential operations?

It all comes down to data scientists.

Because there is simply too much information for the average person to process and use, data scientists are trained to gather, organize, and analyze data, helping people from every corner of industry and every segment of the population.

Data scientists come from a wide range of educational backgrounds, but the majority of them will have technical schooling of some kind. Data science degrees include a wide range of computer-related majors, but it could also include areas of math and statistics. Training in business or human behavior is also common, which bolsters more accurate conclusions in their work.

There is a nearly infinite amount of information, and there is a nearly infinite amount of uses for data scientists. If you are intrigued by this captivating work, then let’s take a closer look at the career as a whole. Explore what they do, who they serve, and what skills they need to get the job done.

source: geteducated.com

🌐 @datascienceedu | کانال آموزشی علم داده

what can you do with a career as a Data Scientist?

🌐 @datascienceedu | کانال آموزشی علم داده

Demystifying a data scientist

🌐 @datascienceedu | کانال آموزشی علم داده

What is the difference between an analyst and a data scientist?

"Analyst" is somewhat of an ambiguous job noscript that can represent many different types of roles (data analyst, marketing analyst, operations analyst, financial analyst, etc). What does this mean in comparison to data scientist?

Data Scientist: Specialty role with abilities in math, technology, and business acumen. Data scientists work at the raw database level to derive insights and build data product.
Analyst: This can mean a lot of things. Common thread is that analysts look at data to try to gain insights. Analysts may interact with data at both the database level or the summarized report level.

Thus, "analyst" and "data scientist" is not exactly synonymous, but also not mutually exclusive. Here is our interpretation of how these job noscripts map to skills and scope of responsibilities.

🌐 @datascienceedu | کانال آموزشی علم داده

⭕️ Top 5 Soft Skills All Successful Data Scientists Possess

1. Communication
Communication is the backbone of almost every job profile. This is especially true with data scientists. Conveying exact information or a problem statement — be it in the form of algorithms of interaction with peers — is crucial to success. It showcases a clear thought process and an uncluttered outlook on the part of the data scientist as well.

2. Problem-Solving
While it is important for a data scientist to keep themselves abreast on the latest tools and developments, it is mandatory for them to work on solving problems. A data scientist is like a doctor, the more problems they solve and more experience they have, they get better in their job. That is why companies value experience a lot more than the educational qualification. But it is important to have the basic educational qualification. A full-time course will be valued more than an executive course.

3. Ability To Draw Parallels To Real-world Problems
If a student wants to choose Data Science as a career, they should start paying attention to subjects such as Statistics, Probability, Algebra, Set theory and Data Structures and Algorithms. If they are strong with the basic concepts, then they can use the technology tools to their advantage to build great models.

While a lot of theoretical knowledge can be gained by doing these courses, their learning would not be complete until it is applied to practical problems. Industry mentors can play a vital role in this aspect. They will also help in understanding the practical difficulties in applying their knowledge to real-world problems. This will also help them in building their domain knowledge that will help them to be a good data scientist.

4. Prioritisation
A good data scientist always has his/her priorities straight. Because as a data scientist, he/she is bombarded with many questions, which can be answered in numerous ways. ”First, you need to decide which of those questions are actually worth answering and how much effort is worth putting into those questions. If someone asks you for a detailed denoscription of how your users with lots of demographic breakdowns and trends, maybe the first thing to do is figure out how many people actually . When you find out its 0.01% of your population, which you can probably know in ten minutes or less, you should realise isn’t worth understanding and convince your requester to find another question (persuasion coming into play again),” writes Chris Luhrs, a data scientist.

5. Business Acumen
Data scientists deal with such enormous information that if left “untranslated”, becomes meaningless for the upper-level management. Sahana Shetty, the HR Leader for Technology at ANZ, told AIM in an interview, “We also look at a data scientist’s business acumen while hiring him/her. We are keen to have individuals who are high on potential, who exhibit a growth mindset and have an inclination to learn and grow.”

🌐 @datascienceedu | کانال آموزشی علم داده