🤔 « 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
📍 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
Data Science
🤔 « 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…
🤔 « 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
📍 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
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 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
"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
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
Forwarded from موسسه توسعه
👤 دکتر #ابوالفضل_واقفی در #دیتا_میتینگ 1: "برای #دانشمند_داده شدن باید مفاهیم (1) آمار، جبر خطی، بهینه سازی؛ (2) #یادگیری_ماشین؛ (3) برنامه نویسی؛ (4) #مهندسی_دیتا؛ (5) #هوش_مصنوعی را فرا گرفت"
🥇 @tiheac
🌐 tihe.ac.ir
☎️ 021-86741 (EXT: 120-125-127)
🥇 @tiheac
🌐 tihe.ac.ir
☎️ 021-86741 (EXT: 120-125-127)
Forwarded from موسسه توسعه
👤 دکتر #ابوالفضل_واقفی در #دیتا_میتینگ 1: "امروزه در #آمریکا مدیران رده میانی و رده بالایی باید دیتا آنالیز را به خوبی یاد گرفته باشند."
🥇 @tiheac
🌐 tihe.ac.ir
☎️ 021-86741 (EXT: 120-125-127)
🥇 @tiheac
🌐 tihe.ac.ir
☎️ 021-86741 (EXT: 120-125-127)
Storytelling with Data.pdf
12.4 MB
کتاب Storytelling with data
یکی از گامهای اصولی جهت موفقیت در پروژههای تحلیل داده، بهرهگیری از متدها و اصول مصورسازی داده (Data Visualization) جهت ارائه نتایج و خروجیهای مدلهای تحلیلی به ذینفعان و مدیران میباشد.
در کتاب "داستانسرایی با داده" اصول و مفاهیم مصورسازی داده در محورهای زیر آموزش داده میشود.
*تحلیل مخاطبان و ذینفعان
* آشنایی با کارکردها و قابلیتهای نمودارهای تحلیلی
* انتخاب نمودار مناسب جهت مصورسازی اطلاعات
* طراحی نمودارهای تحلیلی
* شناسایی مشکلات رایج نمودارهای تحلیلی
🌐 @datascienceedu | کانال آموزشی علم داده
یکی از گامهای اصولی جهت موفقیت در پروژههای تحلیل داده، بهرهگیری از متدها و اصول مصورسازی داده (Data Visualization) جهت ارائه نتایج و خروجیهای مدلهای تحلیلی به ذینفعان و مدیران میباشد.
در کتاب "داستانسرایی با داده" اصول و مفاهیم مصورسازی داده در محورهای زیر آموزش داده میشود.
*تحلیل مخاطبان و ذینفعان
* آشنایی با کارکردها و قابلیتهای نمودارهای تحلیلی
* انتخاب نمودار مناسب جهت مصورسازی اطلاعات
* طراحی نمودارهای تحلیلی
* شناسایی مشکلات رایج نمودارهای تحلیلی
🌐 @datascienceedu | کانال آموزشی علم داده
🔘💢 برترین مهارتهای متخصصین علمداده!
براساس گزارش Forbes در سال 2019، برترین مهارتها، ابزارها و پلتفرمهای حوزه علمداده براساس تحلیل فرصتهای شغلی شبکه اجتماعی لینکدین به شرح زیر است.
1- Python
2- R
3- SQL
4- Jupyter Notebooks
5- Unix shell
6- AWS
7- Tensorflow
8- Tableau
9- C/C++
10- Hadoop / Pig / Hive
🌐 @datascienceedu | کانال آموزشی علم داده
براساس گزارش Forbes در سال 2019، برترین مهارتها، ابزارها و پلتفرمهای حوزه علمداده براساس تحلیل فرصتهای شغلی شبکه اجتماعی لینکدین به شرح زیر است.
1- Python
2- R
3- SQL
4- Jupyter Notebooks
5- Unix shell
6- AWS
7- Tensorflow
8- Tableau
9- C/C++
10- Hadoop / Pig / Hive
🌐 @datascienceedu | کانال آموزشی علم داده
💢 چرا به یک متخصص علمداده تبدیل شویم؟
همواره انتخاب حوزه کاری در میان فیلدهای کاری مختلف و متنوع یکی از موضوعات چالشی و البته بسیار مهم بوده است. در شکل فوق دلایل اصلی جهت تبدیل شدن به یک متخصص علمداده بیان گردیده است.
اگر در رشتههای مهندسی نرمافزار، هوش مصنوعی، آمار، مدیریت فناوری اطلاعات و... تحصیل میکنید انتخاب فیلد کاری Data Science با توجه به افزایش بسیار میزان تقاضا شرکتها جهت جذب متخصصین علمداده، میزان درآمد،تاثیرگذاری در سطوح سازمانی و ملی و... میتواند یکی از بهترین تصمیمات شما باشد.
🌐 @datascienceedu | کانال آموزشی علم داده
همواره انتخاب حوزه کاری در میان فیلدهای کاری مختلف و متنوع یکی از موضوعات چالشی و البته بسیار مهم بوده است. در شکل فوق دلایل اصلی جهت تبدیل شدن به یک متخصص علمداده بیان گردیده است.
اگر در رشتههای مهندسی نرمافزار، هوش مصنوعی، آمار، مدیریت فناوری اطلاعات و... تحصیل میکنید انتخاب فیلد کاری Data Science با توجه به افزایش بسیار میزان تقاضا شرکتها جهت جذب متخصصین علمداده، میزان درآمد،تاثیرگذاری در سطوح سازمانی و ملی و... میتواند یکی از بهترین تصمیمات شما باشد.
🌐 @datascienceedu | کانال آموزشی علم داده
🔆 #فرصت_کارآموزی پاره وقت #علم_داده در مجموعه ی کافه بازار تهران
💢 مجموعه ی کافه بازار تهران به صورت پروژه ای کارآموز "دانشمند علم داده" جذب می کند.
برای ارسال رزومه کلیک کنید.
🌐 @datascienceedu | کانال آموزشی علم داده
💢 مجموعه ی کافه بازار تهران به صورت پروژه ای کارآموز "دانشمند علم داده" جذب می کند.
برای ارسال رزومه کلیک کنید.
🌐 @datascienceedu | کانال آموزشی علم داده
🔴 ۲۵ شغلی که طبق آمار "فاکس بیزینس" به سرعت در حال نابودی هستند:
۱-رانندگان قطار
۲- تکنیسین های درمان مشکلات تنفسی
۳-پارکبانان
۴-مشاغل مرتبط با فرآوری صنعت چوب
۵-تعمیر کاران ساعت
۶-نصب کنندگان تجهیزات الکترونیکی و تعمیرکاران موتورهای وسایل برقی
۷-مشاغل مرتبط با ریخته گری
۸-مشاغل مرتبط با آهنگری
۹-اپراتورهای کامپیوتری
۱۰-اپراتورهای تلفنی
۱۱-اپراتورهای دستگاه های استخراج از معادن
۱۲-سر هم کنندگان قطعات الکترومکانیکی
۱۳-وارد کنندگان اطلاعات
۱۴-مشاغل مرتبط با خدمات پستی
۱۵-سر هم کنندگان قطعات الکتریکی و الکترونیکی
۱۶- بافندگان فرش
۱۷- کارگران پولیش کننده ماشین
۱۸-تعمیرکاران لوازم زمان بندی
۱۹-خدمات پاسخ به مشتریان از طریق تلفن
۲۰-کارکنان خش کاغذسازی
۲۱-معاملعه گران و اپراتورهای قطعات فلزی و پلاستیکی ماشین آلات
۲۲-مشاغل مرتبط با پارچه بافی
۲۳-آسیابانی
۲۴-مشاوران حقوقی
۲۵-مشاغل مرتبط با ذوب فلزات
🌐 @datascienceedu | کانال آموزشی علم داده
۱-رانندگان قطار
۲- تکنیسین های درمان مشکلات تنفسی
۳-پارکبانان
۴-مشاغل مرتبط با فرآوری صنعت چوب
۵-تعمیر کاران ساعت
۶-نصب کنندگان تجهیزات الکترونیکی و تعمیرکاران موتورهای وسایل برقی
۷-مشاغل مرتبط با ریخته گری
۸-مشاغل مرتبط با آهنگری
۹-اپراتورهای کامپیوتری
۱۰-اپراتورهای تلفنی
۱۱-اپراتورهای دستگاه های استخراج از معادن
۱۲-سر هم کنندگان قطعات الکترومکانیکی
۱۳-وارد کنندگان اطلاعات
۱۴-مشاغل مرتبط با خدمات پستی
۱۵-سر هم کنندگان قطعات الکتریکی و الکترونیکی
۱۶- بافندگان فرش
۱۷- کارگران پولیش کننده ماشین
۱۸-تعمیرکاران لوازم زمان بندی
۱۹-خدمات پاسخ به مشتریان از طریق تلفن
۲۰-کارکنان خش کاغذسازی
۲۱-معاملعه گران و اپراتورهای قطعات فلزی و پلاستیکی ماشین آلات
۲۲-مشاغل مرتبط با پارچه بافی
۲۳-آسیابانی
۲۴-مشاوران حقوقی
۲۵-مشاغل مرتبط با ذوب فلزات
🌐 @datascienceedu | کانال آموزشی علم داده
🔰 📚 19 کتاب بسیار عالی در حوزه ی علم داده که هر دانشمند و یا متخصص علم داده باید آن ها را مطالعه کند.
1. آر و پایتون
• R Programming for data science
• Advanced R
• Think Python
2. آمار و احتمالات
• Think Stats
• Think Bayes
• Probab Listic Programming & Bayesian Methods For Hackers
3. یادگیری ماشینی آماری
• An Introduction to Statistical Learning
• The Elements of Statistical learning
4. پروسس داده
• The Elements of Data Analytic Style
5. طراحی تجربی
• Design and Analysis of Experiments
6.بازنمایی اطلاعات / دیتا ویژوالایزیشن
• Interactive Data Visualization
• D3 Tips & Tricks D3.JS
7. داده کاوی و یادگیری عمیق
• Minint of Massive Datasets
• Deep Leaning
8.مصاحبههایی با دانشمندان داده
• The Data Analytics
• Data Science Handbook
9. ساخت تیم های دانش داده
• Data Driven
• Understanding the CDO
• Building Data science teams
با مراجعه به این لینک این کتاب ها را به صورت کاملا رایگان دریافت کنید.
🌐 @datascienceedu | کانال آموزشی علم داده
1. آر و پایتون
• R Programming for data science
• Advanced R
• Think Python
2. آمار و احتمالات
• Think Stats
• Think Bayes
• Probab Listic Programming & Bayesian Methods For Hackers
3. یادگیری ماشینی آماری
• An Introduction to Statistical Learning
• The Elements of Statistical learning
4. پروسس داده
• The Elements of Data Analytic Style
5. طراحی تجربی
• Design and Analysis of Experiments
6.بازنمایی اطلاعات / دیتا ویژوالایزیشن
• Interactive Data Visualization
• D3 Tips & Tricks D3.JS
7. داده کاوی و یادگیری عمیق
• Minint of Massive Datasets
• Deep Leaning
8.مصاحبههایی با دانشمندان داده
• The Data Analytics
• Data Science Handbook
9. ساخت تیم های دانش داده
• Data Driven
• Understanding the CDO
• Building Data science teams
با مراجعه به این لینک این کتاب ها را به صورت کاملا رایگان دریافت کنید.
🌐 @datascienceedu | کانال آموزشی علم داده
مک دونالد، بیگ دیتا و خیز جدی برای آینده
📝 نویسنده: محسن طاهری
🔘 خبر شاید خیلی ساده به نظر برسد. به تیتر خبر توجه کنید:
🔘 مک دونالد قصد دارد استارتاپ اسرائیلی (Dynamic Yield) را به ارزش ۳۰۰ میلیون دلار بخرد. یک اتفاق روتینِ این روزها یعنی خریدن استارتاپ های کوچک با قیمت هایی افسانه ای توسط غول ها
🔘 اما همین تیتر به ظاهر ساده مثالی از آینده ای است که آینده پژوهانی چون الوین تافلر آن را نوید داده اند کسبوکار های موج سومیِ دانش بر که از فناوری های متکی بر پردازش داده ها برای شخصی سازی و انبوه زدایی استفاده می کنند.
🔘 مک دونالد بزرگترین فست فود زنجیره ای دنیا، ۳۰۰ میلیون دلار برای خرید استارت آپی هزینه می کند که هیچ چیزی نیست جز پردازش داده ها، یادگیری ماشین و هوش مصنوعی.
🔘 اما چرا؟ چرا یک صنعت مانند مک دونالد که در سال ۱۹۴۰ تاسیس شده است حالا باید چنین هزینه ای بکند تا یکاستارتاپ نوپا را بخرد که به جای تولید نان و همبرگر و کچاپ، داده ها را تحلیل می کند؟
🔘 جواب این سوال در تجربه مشتری و شخصی سازی تولید است. مک دونالد در آینده منویی بی نهایت خواهد داشت که با سرعت خیلی زیاد بر اساس شرایط آب و هوایی، اطلاعات محلی و انبوهی از اطلاعات دیگر با مشتری ارتباط خواهد داشت و به مشتری اجازه می دهد چیزی را سفارش دهد که بیشترین لذت را به او می دهد و نه چیزی که از قبل در آشپزخانه تولید شده است.
🔘 بله برای ترسیم دنیای آینده در ذهنتان این واژه ها را کنار هم قرار دهید: دانش، سرعت، شخصی سازی، تولید صرف داده.
وقتی قطعات پازل را کنار هم قرار می دهی و کشف می کنی، هیچ چیز هیجان انگیزتر از آینده نیست.
🌐 @datascienceedu | کانال آموزشی علم داده
📝 نویسنده: محسن طاهری
🔘 خبر شاید خیلی ساده به نظر برسد. به تیتر خبر توجه کنید:
🔘 مک دونالد قصد دارد استارتاپ اسرائیلی (Dynamic Yield) را به ارزش ۳۰۰ میلیون دلار بخرد. یک اتفاق روتینِ این روزها یعنی خریدن استارتاپ های کوچک با قیمت هایی افسانه ای توسط غول ها
🔘 اما همین تیتر به ظاهر ساده مثالی از آینده ای است که آینده پژوهانی چون الوین تافلر آن را نوید داده اند کسبوکار های موج سومیِ دانش بر که از فناوری های متکی بر پردازش داده ها برای شخصی سازی و انبوه زدایی استفاده می کنند.
🔘 مک دونالد بزرگترین فست فود زنجیره ای دنیا، ۳۰۰ میلیون دلار برای خرید استارت آپی هزینه می کند که هیچ چیزی نیست جز پردازش داده ها، یادگیری ماشین و هوش مصنوعی.
🔘 اما چرا؟ چرا یک صنعت مانند مک دونالد که در سال ۱۹۴۰ تاسیس شده است حالا باید چنین هزینه ای بکند تا یکاستارتاپ نوپا را بخرد که به جای تولید نان و همبرگر و کچاپ، داده ها را تحلیل می کند؟
🔘 جواب این سوال در تجربه مشتری و شخصی سازی تولید است. مک دونالد در آینده منویی بی نهایت خواهد داشت که با سرعت خیلی زیاد بر اساس شرایط آب و هوایی، اطلاعات محلی و انبوهی از اطلاعات دیگر با مشتری ارتباط خواهد داشت و به مشتری اجازه می دهد چیزی را سفارش دهد که بیشترین لذت را به او می دهد و نه چیزی که از قبل در آشپزخانه تولید شده است.
🔘 بله برای ترسیم دنیای آینده در ذهنتان این واژه ها را کنار هم قرار دهید: دانش، سرعت، شخصی سازی، تولید صرف داده.
وقتی قطعات پازل را کنار هم قرار می دهی و کشف می کنی، هیچ چیز هیجان انگیزتر از آینده نیست.
🌐 @datascienceedu | کانال آموزشی علم داده
برای اموزش پایتون توصیه می گردد منابع زیر را در نظر داشته باشید .
📍 Tutorial webpage:
• http://www.tutorialspoint.com/python3
📚 E- Book:
• Python for Informatics-Exploring Information (Charles Severance)
• Python for Probability,Statistics,and Machine Learning (José Unpingco)
• Learn to Program with Python (Irv Kalb)
• INTRODUCTION TO PYTHON For Scientists and Engineers (Sandeep Nagar)
• High Performance Python (Micha Gorelick & Ian Ozsvald)
• Foundations of Python Network Programming (Brandon Rhodes and John Goerzen)
• Data Structures and Algorithms in Python (Michael T. Goodrich, Roberto Tamassia , Michael H. Goldwasser)
• Tutorial on Threads Programming with Python (Norman Matloff and Francis Hsu)
⭕️ 🔘 در پست بعد تمام این کتاب ها بارگذاری میشوند و شما به صورت کاملا رایگان می توانید دریافت کنید.👇👇
🌐 @datascienceedu | کانال آموزشی علم داده
📍 Tutorial webpage:
• http://www.tutorialspoint.com/python3
📚 E- Book:
• Python for Informatics-Exploring Information (Charles Severance)
• Python for Probability,Statistics,and Machine Learning (José Unpingco)
• Learn to Program with Python (Irv Kalb)
• INTRODUCTION TO PYTHON For Scientists and Engineers (Sandeep Nagar)
• High Performance Python (Micha Gorelick & Ian Ozsvald)
• Foundations of Python Network Programming (Brandon Rhodes and John Goerzen)
• Data Structures and Algorithms in Python (Michael T. Goodrich, Roberto Tamassia , Michael H. Goldwasser)
• Tutorial on Threads Programming with Python (Norman Matloff and Francis Hsu)
⭕️ 🔘 در پست بعد تمام این کتاب ها بارگذاری میشوند و شما به صورت کاملا رایگان می توانید دریافت کنید.👇👇
🌐 @datascienceedu | کانال آموزشی علم داده
✅ مخاطبان عزیز برای تماس با مدیریت کانال می توانید به @datascienceedu_admin پیغام دهید.
🌐 @datascienceedu | کانال آموزشی علم داده
🌐 @datascienceedu | کانال آموزشی علم داده
🛠 مقایسه ابعاد شغلی تحلیل گر هوش تجاری BI Analyst و دانشمند علوم داده در حوزه BIG DATA
🌐 @datascienceedu | کانال آموزشی علم داده
🌐 @datascienceedu | کانال آموزشی علم داده
⭕️📌 بنا به درخواست یکی از اعضای محترم کانال به معرفی سایت های فیلم های آموزشی و کاملاً رایگان نرم افزار "پایتون" می پردازیم:
1. آموزش نرم افزار پایتون از وبسایت لیموناد
2. آموزش کامل و جامع نرم افزار پایتون از وبسایت گیت
3. آموزش مقدماتی تا پیشرفته نرم افزار پایتون از وبسایت آغازکده
4. آموزش نرم افزار پایتون از وبسایت سافت گذر
5. آموزش مقدماتی نرم افزار پایتون از وبسایت آموزش 365
6. آموزش نرم افزار پایتون از وبسایت خانه متلب
💢♻️ و در پایان به معرفی برخی از فیلم های آموزشی غیر رایگان نرم افزار پایتون از وبسایت فرادرس می پردازیم:
1. آموزش مقدماتی نرم افزار پایتون
2. آموزش تکمیلی نرم افزار پایتون
3. آموزش یادگیری ماشین با پایتون
4. گنجینه آموزش های برنامه نویسی پایتون
5. آموزش پروژه محور پایتون
6. آموزش مقدماتی پیاده سازی مسائل بهینه سازی در نرم افزار پایتون
7. آموزش برنامه نویسی یادگیری عمیق با پایتون
🌐 @datascienceedu | کانال آموزشی علم داده
1. آموزش نرم افزار پایتون از وبسایت لیموناد
2. آموزش کامل و جامع نرم افزار پایتون از وبسایت گیت
3. آموزش مقدماتی تا پیشرفته نرم افزار پایتون از وبسایت آغازکده
4. آموزش نرم افزار پایتون از وبسایت سافت گذر
5. آموزش مقدماتی نرم افزار پایتون از وبسایت آموزش 365
6. آموزش نرم افزار پایتون از وبسایت خانه متلب
💢♻️ و در پایان به معرفی برخی از فیلم های آموزشی غیر رایگان نرم افزار پایتون از وبسایت فرادرس می پردازیم:
1. آموزش مقدماتی نرم افزار پایتون
2. آموزش تکمیلی نرم افزار پایتون
3. آموزش یادگیری ماشین با پایتون
4. گنجینه آموزش های برنامه نویسی پایتون
5. آموزش پروژه محور پایتون
6. آموزش مقدماتی پیاده سازی مسائل بهینه سازی در نرم افزار پایتون
7. آموزش برنامه نویسی یادگیری عمیق با پایتون
🌐 @datascienceedu | کانال آموزشی علم داده