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

👤 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)

👤 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)

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

🔘💢 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

💢 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

🔆 #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

🔴 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

🔰 📚 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

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

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

📚 مجموعه ی 8 کتاب آموزشی "پایتون"
📍 به زبان اصلی

🌐 @datascienceedu | کانال آموزشی علم داده

✅ مخاطبان عزیز برای تماس با مدیریت کانال می توانید به @datascienceedu_admin پیغام دهید.

🌐 @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

⭕️📌 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

🔰💢 معرفی برخی از ژورنال ها و مجلات معتبر در حوزه های داده کاوی، علم داده، کلان داده به درخواست یکی از اعضای محترم کانال:


➊ Data Mining and Knowledge Discovery

➋ International Journal of Data Mining and Bioinformatics

➌ EPJ Data Science

➍ Journal of Data Science

➎ Big Data

🌐 @datascienceedu | کانال آموزشی علم داده

🌟معرفی موارد کاربردی از علم داده در کسب و کارهای متعدد و صنایع

📌برخی از کاربردهای یادگیری ماشین و هوش مصنوعی را در این یاددشت بخوانید و بعد از آن فکر کنید که چرا امروزه ترس از کاربردهای هوش مصنوعی در زندگی بشر تضمین نشده است!

این یادداشت از زبان فردی است که در یک کنفرانس حضور داشته و به برداشت های خود از یک سخنرانی درباره آمازون پرداخته است...
سخنران طرفدار آمازون بود. او به همه چیز در مورد عملکرد شرکت آمازون علاقه داشت. از مدل کسب و کار، تکنولوژی های مورد استفاده در آن، نحوه رشد، استراتژی ای که برای مقابله با هر رقیب از طریق ارائه خدمات بهتر به مشتریان خود، دنبال می کند. اگر به آرم آمازون دقّت کنید، یک فلش یا نشانه را از A به سمت Z می بینید. این یعنی آمازون همه چیز را دارد و باید داشته باشد. آنها مالک بازار هستند، هر چیزی که فکر کنید، می توانید در آمازون بیابید.
یکی از محصولات ویژه که آمازون با بکارگیری هوش مصنوعی ارائه کرد، اَلِکسا (Alexa) است. الکسا نسخه پیشرفته و مدرن محصولِ سیریِ اَپل - Apple’s Siri است. برای نمونه، به یکی از کاربردهای آن در یخچال اشاره می کنم. این محصول می تواند یخچال شما را کنترل نماید و اگر شما قصد خرید نوشیدنی مورد علاقه خود را دارید، تنها کافیست با کلیک بر رویِ اَپ، سفارش خرید خود را در Amazon Go ثبت و در کمتر از یک ساعت آنرا در منزل دریافت کنید. علاوه بر آن می توانید روی تمامی مواد غذایی موجود در حافظه یخچال، برچسب های تاریخ انقضاء ثبت کنید تا یخچال آن تاریخ را به شما در روز مقرر شده، یادآوری نماید. علاوه بر آن می توانید دستورالعمل های غذایی مورد علاقه خود را جستجو نمایید، موسیقی درخواست کنید و سایر سفارشات مجاز را به سایت Amazon.com بفرستید.
کاربرد دیگر: الکسا دارای امکان «تشخیص صداست» - voice recognition و می تواند به کودکان شما آموزش دهد. هنگامی که کودکان از الکسا خرید دونات درخواست می کنند، از طریق تشخیص صدای آنها می تواند پیشنهادی را که توسط والدین آنها در یخچال ثبت شده است را ارائه دهد؛ و با ارائه ای جذاب، سیب را به جای دونات به کودک پیشنهاد می دهد.
مواردی که بیان شد از کاربردهای هوش مصنوعی است. با با همکاری اخیر آمازون با مایکروسافت، نیز این کاربردها بیشتر خواهد شد. این دو شرکت قصد دارند سیستم های نورونی را با الگوریتم ها اضافه کنند تا «عامل تجربه» - experience factor را به این معادله اضافه کنند.

البته بعضی افراد معتقدند که علیرغم اثرات مثبتی که هوش مصنوعی در جامعه به ارمغان می آورد، دارای اثرات منفی نیز هست، در واقع هوش مصنوعی بعضی از جنبه های انسانیِ فرآیند تولید را از بین می برد. دیدگاه فاجعه آمیز دیگری ادعا می کند که هوش مصنوعی قادر است انسان را به عنوان بخش های هوشمند ناچیزی از زندگی ببیند و حتی در شرایطی آنها را حذف می کند.

دیدگاه من نسبت به کسانی که هیجان دارند نزدیک است. درست همانند انقلاب صنعتی، هوش مصنوعی جامعه را تغییر خواهد داد و باعث می شود تا برخی از شغل های فعلی را تکامل و تغییر دهد.


🌐 @datascienceedu | کانال آموزشی علم داده

فیلم آموزشی "آمازون چگونه از قابلیت‌های عظیم‌داده استفاده می‌کند؟"
🔎 #Big_Data

🌐 @datascienceedu | کانال آموزشی علم داده

برترین الگوریتم‌های یادگیری ماشین و علم‌داده در سال 2019

براساس نظرسنجی وبسایت Kdnuggets از متخصصین علم‌‌داده، به ترتیب متدها و الگوریتم‌های رگرسیون، درخت تصمیم‌، خوشه‌بندی و مصورسازی داده‌ها از رایج‌ترین متدهای استفاده شده در پروژه‌های علم‌داده در سال 2019 بوده‌اند.

افزایش توجهات به روش‌های مبتنی بر شبکه‌های عصبی، یادگیری عمیق و سری‌های زمانی از نکات قابل توجه در مقایسه با سال 2017 است.

قابل ذکر است که انتخاب الگوریتم بهینه براساس نیازمندی‌های تحلیلی پروژه، نوع دادگان و... انتخاب می‌شود. انتخابی که ممکن است سبب موفقیت یا شکست پروژه‌های علم‌داده شود.

🌐 @datascienceedu | کانال آموزشی علم داده