Information Science – Telegram
Information Science
674 subscribers
441 photos
17 videos
18 files
1.53K links
این کانال باهدف به اشتراک‌گذاری اخبار بین‌المللی علوم اطلاعات به عنوان یک کانال شخصی فعالیت می کند.ادمین اصلی الهه حسینی عضو‌هیأت علمی دانشگاه الزهرا است.راه ارتباطی با ادمین:
@Eliho65
Download Telegram
تفاوت بین مهندس داده، تحلیلگر داده، و دانشمند داده چیست؟: در این لینک تفاوت بین مهارت ها و وظایف تخصص های مختلف حوزه علوم داده بیان شده است. «دکتر ربکا پاپ» در این یادداشت تأکید میکند که هر متخصص علم داده باید دانش امار، ریاضی، و کدنویسی داشته باشد. وی پیشنهاد کرده است که برای تقویت مهارت های کدنویسی خود بهتر است قبل از هر برنامه ای، با «پایتون» اشنا باشید.
به طور خلاصه، کار مهندس داده "بازنمون و تبدیل اطلاعات به گونه ای است که قابل مصرف و قابل استفاده است". اگر شما یک مهندس داده هستید، باید داده های خام را بیابید، آن را پاکسازی کنید، به یک پایگاه داده منتقل کنید، آن را برچسب گذاری کنید، و به طور کلی اطمینان حاصل کنید که داده ها برای مرحله بعدی فرایند، آماده هستند. نرم افزارهای مورد نیاز برای این تخصص Apache Spark, Scala, Docker, Java, Hadoop, Kubernetes NiFI. می باشند.
بعد از این مرحله داده ها در اختیارتحلیلگر داده قرار می گیرد، کار تحلیلگر داده ها، " تفسیر اطلاعات برای کاربرد در کسب و کار است." مدل سازی یادگیری ماشین و یا استفاده از یادگیری ماشین برای نقش تحلیلگر داده نمی باشد.نرم افزار تجزیه و تحلیل پیش بینی RapidMiner
و پایگاه Postgresql،
پایگاه داده ارتباطی منبع باز در این راستا مفید هستند.
یک دانشمند داده، برنامه های یادگیری ماشین را بر روی داده های مخصوص تهیه می کنند تا بتوانند به آسانی از مصورسازی هایی که نیازهای کسب و کار را برآورده می کنند، استفاده کنند.نقش دانشمند داده ها، ایجاد مدل هایی است که می توانند از داده ها استخراج شوند و پیشنهادات و پیش بینی های مربوط به کسب و کار را ارائه دهند. دانشمندان داده نیاز به درک آمار دارند، اما دکتر« پاپ » می گوید که اکثر الگوریتم های یادگیری ماشین بر اساس محاسبات چند متغیره و جبر خطی و غیر خطی است و این همان سطح ریاضیات است که شما باید با آن آشنایی داشته باشید. از لینک زیر بیشتر بخوانید:
https://news.efinancialcareers.com/uk-en/3001517/data-science-careers-finance

@inforscience

#data_engineer

#data_analyst

#data_scientist
برگزاری کنفرانس بین المللی IEEE در حوزه "کلان داده ها": این کنفرانس ۹ تا ۱۲ دسامبر ۲۰۱۹ در لس آنجلس برگزار خواهد شد. علاقمندان این حوزه می توانند تا ۱۹ اوت ۲۰۱۹ متن کامل مقاله خود را ارسال کنند. جهت دریافت اطلاعات بیشتر در مورد این کنفرانس به لینک زیر مراجعه نمایید:

http://bigdataieee.org/BigData2019/
@inforscience
#BigData
#IEEE
اگر نام شما نشان دهنده این است که شما مسلمان هستید، و یا جنسیت شما به واسطه نام شما مشخص شود، در برخی موارد ممکن است منجر به رد مقاله شما شود. از اینجا بخوانید.
#academic_writing

@inforscience
اگر قوانین بازی ِ رد و پذیرش مقالات را بدانیم، بهترمی توانیم در این عرصه رقابت کنیم. از طریق این لینک به فایل مقاله ای دسترسی دارید که به صد قانون این بازی اشاره کرده و نکاتی را توضیح داده است. مطالعه آن به تمامی علاقه مندان به پژوهش پیشنهاد می شود.

#research_rule_of_the_game

@inforscience
برگزاری سمپوزیم "هوش مصنوعی و کلان داده در بیماری سرطان از نوآوری تا تاثیر": این سمپوزیم قرار است توسط "الزویر" در تاریخ ۲۹ تا ۳۱ مارس ۲۰۲۰ در شهر "بوستون" برگزار شود. در این رویداد پژوهشگران، متخصصان و پزشکان به شناسایی فرصت های مشترک و چالش های پیش روی این حوزه خواهند شد. جهت دریافت اطلاعات بیشتر در مورد این رویداد به لینک زیر مراجعه نمایید:

https://v.gd/sRPI38

@inforscience
#AI_and_bigdata
خلاصه گزارش موزیلا در مورد "سلامت اینترنت": این گزارش به منظور شناسایی مهمترین چالش ها و فرصت های ایجاد اینترنت سالم تر ارائه شده است. در این راستا، ایفلا خلاصه ای از این گزارش تهیه کرده که ممکن است مورد توجه کتابخانه ها واقع شود. اگر علاقمندید تا در مورد تاثیر روندهای دیجیتال بر روی کتابخانه ها بیشتر بدانید فایل کاربردی زیر را از دست ندهید:

https://www.ifla.org/node/92307

@inforscience
#internet_health
لیست کارگاه های اموزشی کنفرانس ASIS& T:

از طریق این لینک به عناوین کارگاه های اموزشی قبل و بعد از کنفرانس ASIS& T
که 19-23 اکتبر 2019 برگزار خواهد شد، دسترسی دارید.

https://bit.ly/2K3niCi

@inforscience

#ASIS_and_T
کنگره ایفلا در سال 2020: جرالد لایتنر، دبیر کل ایفلا اعلام کرد که کنگره جهانی سال 2020 در مشارکت با انجمن بین المللی ایرلند 15-21 آگوست 2020 در دابلین برگزار خواهد شد.

https://www.ifla.org/node/92327

@inforscience

#WLIC2020
انتشار شماره جولای خبرنامه "منطقه آسیا و اقیانوسیه ایفلا": شماره اخیر خبرنامه منطقه آسیا و اقیانوسیه ایفلا منتشر شد. در این شماره می توانید رویدادهای اخیر منطقه را مشاهده نمایید. جهت مشاهده خبرنامه به لینک زیر مراجعه نمایید:

https://www.ifla.org/node/92336

@inforscience
#IFLA_RSCAO
سخنرانان کلیدی همایش دابلین کور معرفی شدند: کارن کویل، جاوید مصطفا، و یانگ من کو سخنرانان اصلی همایش دابلین کور در سال 2019 هستند که در سپتامبر در سئول کره جنوبی برگزار خواهد شد.
از لینک زیر دنبال کنید:

https://www.dublincore.org/conferences/2019/keynotes/

@inforscience

#Dublin_core
ضوابط و شرایط دکتری 99: راساس قانون فوق «سنجش و پذیرش دانشجو در دوره‌های تحصیلات تکمیلی در دانشگاه‌ها و مراکز آموزش عالی» سنجش و پذیرش دانشجو در مقطع دکتری (Ph.D) بر حسب هر یک از شیوه‌های «آموزشی ـ پژوهشی» و «پژوهش محور» به شرح زیر انجام می‌شود:

در شیوه پذیرش دکتری آموزشی ـ پژوهشی، سنجش و پذیرش براساس معیارهای ۵۰ درصد آزمون متمرکز، ۲۰ درصد سوابق آموزشی، پژوهشی و فناوری و ۳۰ درصد مصاحبه علمی و سنجش عملی و در شیوه دکتری پژوهش محور نیز پذیرش براساس معیارهای ۳۰ درصد آزمون متمرکز، ۲۰ درصد سوابق آموزشی، پژوهشی و فناوری، ۳۰ درصد مصاحبه علمی و بخش عملی و ۲۰ درصد تهیه طرحواره صورت می گیرد:

https://bit.ly/2LOWFUJ

@inforscience
برگزاری کنفرانس "بازیابی و تعامل انسان اطلاعات (CHIIR)" در سال ۲۰۲۰: پنجمین کنفرانس "گروه علاقمندی ویژه بازیابی اطلاعات (SIGIR)" ۱۴ تا ۱۸ مارس ۲۰۲۰ در ونکوور برگزار خواهد شد. بخش های مختلف، همایش، کارگاه آموزشی، رقابت دکتری در نظر گرفته شده است. این کنفرانس فرصتی برای بحث و تبادل نظر بر روی جنبه های کاربر محور تعامل و بازیابی اطلاعات است. علاقمندان تا ۱۵ اکتبر ۲۰۱۹ فرصت دارند مقاله خود را ارسال نمایند. جهت دریافت اطلاعات بیشتر به لینک زیر مراجعه نمایید:

http://sigir.org/chiir2020/calls.html
محورهای همایش از این لینک دسترس پذیر است:
http://sigir.org/chiir2020/index.html

@inforscience
#CHIIR
#SIGIR
انتشار شماره جدید نشریه "JASIST": شماره اوت ۲۰۱۹ نشریه معتبر "JASIST" منتشر شد. جهت دسترسی به فهرست مقالات به لینک زیر مراجعه نمایید:

https://onlinelibrary.wiley.com/toc/23301643/2019/70/8

@inforscience
#JASIST
انتشار ویرایش 2020-2019 بیانیۀ فرمت های پیشنهادی از سوی کتابخانۀ کنگره:این بیانیه سلسله مراتب ویژگی های فیزیکی و فنی فرمت های خلاق آثار - دیجیتال و آنالوگ- را معرفی می کند. کتابخانۀ کنگره 2 هدف اساسی از این بیانیه دارد: یکی از اهداف بیانیه فراهم کردن راهنمای داخلی در کتابخانه برای اطلاع یافتن از مجموعه سازی منابع مجموعه(به جز آثار دریافتی از ادارۀ حق مؤلف) و هدف دوم، آگاه کردن جوامع کتابخانه ای و خلاق در مورد بهترین شیوه ها برای حفظ و دسترسی طولانی مدت به آثار ملی و جهانی است. به خاطر ماهیت پویا و دائماً در حال تغییر و دسترس پذیری فرمت ها، کتابخانه هر سال بیانیه را بازنگری می کند، و این اقدام به کتابخانه کمک می کند تا همپای تغییرات در دنیای خلاق حرکت کند. هدف از ویرایش 2019-2020 نیز اعمال یکسری بازنگری های با ارزش بر برخی از بخش ها به ویژه آثار تصاویر متحرک و آثار شنیداری است. از اینجا می توانید اطلاعات کامل و متن این بیانیه را دریافت کنید.
#loc
#statement
#formats
#کمیته_روابط_بین_الملل_انجمن_کتابداری_ایران
@inforscience
مرکز اموزش dataversity دوره های انلاین خود درباره مباحث مختلف داده مانند فراداده، معماری داده، مدیریت داده، مدلسازی داده و ... را دسترس پذیر کرده و تعدادی دوره جدید به آن اضافه کرده است. از این لینک به مباحث گوناگون دسترسی دارید.

#dataversity
#data_science
@inforscience
سه اشتباه رایج در یادگیری ماشینی: در شماره جدید نشریه نیچر ، پاتریک رایلی (Patrick Riley) ، مهندسی اصلی و پژوهشگر ارشد بخش هوش مصنوعی گوگل (the Google Accelerated Science ) از تجربیات خود در انواع تحلیل داده از طریق یادگیری ماشینی نوشته است. وی به سه مشکل اساسی اشاره می کند:
1- دقت در تفکیک داده: باید تفکیک داده ها را به ترندهای آن ها در دنیای واقعی نزدیک کرد و تصادفی بودن آن ها را کمتر در نظر گرفت.
2- در مورد متغیرهای مخفی محتاط باشید: کنترل متغیرها در دنیای واقعی از کنترل ان ها در دنیای داده ها بسیار آسانتر است. تحلیلگر داده در تکنیک های یادگیری ماشینی باید درباره شرایط کامل تغییر و تحول داده ها اطلاعات داشته باشد تا بتواند متغیرهای تحلیل و پیش بینی را به درستی شناسایی کند. بنابراین، یک تحلیلگر باید از چندین مدل یادگیری ماشینی استفاده کند تا تمام متغیرهای پیش بینی نشده و پنهان را کشف کند و تحلیل خود را به یک مدل بسنده نکند.
3- اهدف خود را اشتباه مشخص نکنید:ا لگوریتم های یادگیری ماشینی به محققانی نیاز دارد تا «عملکرد ضرر» را تعیین کنند که بتواند شدت خطاهای مختلف را مشخص کند. از این جهت این مورد مهم است که بتواند اعتبار تمامی راه حل ها در تمام مراحل را کنترل کند.
وی در پایان اشاره می کند که تکنیک ها و جوانب احتیاط یادگیری ماشینی و تحلیل داده در رشته های مختلف، متفاوت است. آموزش ، مهمترین رکن تقویت مهارت هاست.

@inforscience

#machine_learning
#Nature
تمرکز بر اهداف توسعه پایدار در پژوهش های دانشگاهی: در یادداشت جدید نشریه نیچر تأکید شده است که با توجه به وضعیت جغرافیایی زمین ، گرمایش جهانی و اهمیت سلامت و رفاه اجتماعی، پیشنهاد می شود ذینفعان، دولت ها،نهادهای تأمین مالی پژوهش ها و موسسات دانشگاهی و پژوهشی تمرکز خود را با 169 اهداف سند توسعه پایدار 2030 همراستا سازند و اولویت های پژوهشی خود را با این ملاحظات تعیین کنند.

@inforscience
#SDGS
فراخوان پذیرش دانشجوی دکتری دانشگاه اسلو: دانشگاه اسلو در نروژ اعلام فراخوان برای جذب دانشجوی دکتری علم اطلاعات برای یک دوره سه ساله همراه با فاند تحصیلی داده است. مهلت پایانی اعلام درخواست 23 آگوست است که باید با یک طرح پیشنهادی رساله دکتری در موضوعات تخصصی اساتید گروه همراه باشد. از این لینک بیشتر بخوانید.

#INFOSAM
#OSLO
#Norway

@inforscience
اعلام فراخوان ویژه نامه برای پژوهش های دکتری: نشریه Aslib Journal of Information Management ویزه نامه ای را برای پژوهش های دانشجویان دکتری سراسردنیا در نظر گرفته است. این ویژه نامه با همکاری بخش اروپایی ASIS & T و ناشر امرالد مدیریت می شود. موضوعات مختلفی مانند انفورماتیک سلامت، سیستم های اطلاعاتی، مدیریت اطلاعات، اخلاق اطلاعات، رفتار اطلاعاتی و ... پوشش داده می شود. مهلت ارسال متن کامل مقاله 30 اکتبر 2019 است. از این لینک بیشتر بخوانید.

#Emerald
#ASLIB
#ASIS_and_T


@inforscience
شماره جدید نشریه online information review : شماره 4 دوره 43 نشریه online information review منتشر شد. از این لینک به عناوین مقالات دسترسی دارید.


#OIR

@inforscience
پیاده سازی مجله ی نقد و بررسی علم داده ی هاروارد بر روی PubPub: بنیاد علم داده ی هاروارد (HDSI) و انتشارات اِم آی تی مجله ی نقد و بررسی علم داده ی هاروارد (HDSR) را بر روی PubPub، یک پلت فرم اجتماعی منبع باز، پیاده سازی کرده است. شماره اول این مجله را مقالات با فرمت دیجیتالی کاملا رایگان در زمینه های هوش مصنوعی و یادگیری ماشین دربر می گیرد. اگر علاقه مند به خواندن متن این شماره و دریافت مقالات آن هستید، این لینک را دنبال کنید.
#data_science
#HDSR
#کمیته_روابط_بین_الملل_انجمن_کتابداری_ایران
@inforscience