چند روز پیش یکی از همکارانم حرکت جالبی زده بودند.
در یک شرکت خارجی کار میکردند که حقوقشون رو بر حسب مقدار زمانی که به VPN اون شرکت وصل بودند حساب میکردند. گاها پیش می آمد که اتصالشون به VPN قطع میشد و ایشون متوجه نمیشدند. برای رفع این مشکل خودشون با فلاتر برنامه ای نوشتند که بتونه IP پابلیک خودشون رو هر لحظه مانیتور کنه.

من هم کنجکاو شدم و شبیه این برنامه رو با پایتون نوشتم:


https://medium.com/@melanee-melanee/monitor-your-public-ip-address-using-python-7956d18be9ec

میخوام یه چیزی بهتون بگم بین خودمون بمونه.

به کمک های مهارت های NLP ایم دارم یه بات برای Resume Tracking مینویسم. اگه احتمالا شما هم قبلا برای چندین پوزیشن استخدامی رزومه فرستادید و ریجکت شدید به خاطر استفاده ی شرکت ها از بات هایی هست که ما داریم مینویسیم.

یکی از سخت ترین مراحل استخدامی برای شرکت ها بررسی کردن هزاران رزومه ای هست که براشون فرستاده میشه و خب دیگه این مرحله ی اول رو به کمک بات های هوش مصنوعی انجام میدن و رزومه هایی که نمره ی ATS کمتر از ۸۰ داشته باشند همه شون رد میشن و اون ایمیل تلخ No reply you are rejected
براشون ارسال میشه!


یه نمونه شبیه این کار:


https://github.com/Spidy20/Smart_Resume_Analyser_App

همیشه تو زندگیتون، شغلتون، پروژه هاتون به کلمات کلیدی یا همون key words ها خیلی دقت کنید.

به کمک همین کلمات کلیدی میتونید با سرچ کردن به دریایی از اطلاعات و علم و دانش برسید.‌

امروز اومدم یه شبکه عصبی با تنسورفلو بسازم ولی متاسفانه با خطایِ
Illegal instruction (Core dumped)
مواجه شدم😞🥺.

انگار چون این لپ تاپم قدیمیه و تنسورفلو ورژن جدید (2.12.0) دیگه روی لپ تاپم ساپورت نمیشه. قبلا مشکلی نداشتم.

کسی جدیدا به این مشکل برنخورده؟

میدونستید تو گیت هاب یه جایی هست که میتونید سورس کدهاتون رو بفروشید؟

تو قسمت GitHub Matketplace

منم تازه دیروز فهمیدم اینو و الان فرصت نمیکنم راجبش تحقیق کنم ببینم چطوریه، اگر کسی میدونه به منم بگه ممنونم❤🙏.

راهنمای جامع یادگیری پردازش زبان طبیعی (NLP) با زبان #پایتون:

https://blog.faradars.org/practitioners-guide-to-natural-language-processing-part-i-processing-understanding-text/



در ادامه اگه علاقه مند باشید میتونید این پروژه ی NLP فارسی رو انجام بدید که تشخیص ایمیل های اسپم هست:

https://github.com/MohammadrezaAmani/HamSpam/tree/main




👩‍💻@melaneepython

نمونه سوالات لینکدین برای ارزیابی مهارت پایتون (Skill assesment):

https://github.com/Ebazhanov/linkedin-skill-assessments-quizzes/blob/main/python/python-quiz.md

🌍@melaneepython

کگل یه قسمت جدید Model Finder به سایتش اضافه کرده😎.

این قسمت در واقع مدل هایpre-train شده و نیز مدلهای ماشین لرنینگ آماده ی دیپلوی شدن هستند.

حرکت جالبی بود به نظرم.

https://www.kaggle.com/models

🌍@melaneepython

⭕ آموزش کوتاه و کاربردی انواع Join
در SQL Server و Pandas

✅ همراه با مثال‌های تصویری.

#علم_داده  #تحلیل_داده
#تحلیلگر_داده #دانشمند_داده
#SQL #Python #Pandas

🟡@KianaKaviani

خب کم کم میخوام وارد یه جنبه ی مهم شغل های مربوط به دیتا بشم. قبلا هم چندین بار بهش اشاره کردم هدف اصلی #دیتاساینتیست ها، متخصصان هوش مصنوعی و ... رسیدن به اهداف بیزینسی هست.

توجه کنید که هدف اصلی ما از آنالیز دیتا، کار با بیگ دیتا، ساختن مدل های ماشین لرنینگ و شبکه ی عصبی چیه؟

اینطوری نیست که صرفا با دیتا بازی کنید و حقوق بگیرید از شرکت ها! در نهایت خروجی فعالیت های شما با دیتا باید باعث رشد اقتصادی شرکت یا مجموعه ای باشه که دارید داخلش کار میکنید.

یکی از مهارت های مهمی که دیتاساینتیست باید داشته باشه اینکه که کانسپت "هوش تجاری" یا همون Business Intelligence (BI) رو بدونه و بتونه تو کار خودش بهش برسه.

چیزی که شرکت ها از متخصصان دیتای خودشون میخوان اینه که به business insight شون کمک کنه. برای مثال منِ دیتاساینتیست با آنالیز کردن دیتام متوجه میشم فروش یکی از محصولات شرکتمون تو منطقه ی ۶ تهران بیشتر از بقیه مناطق هست؛ خب این موضوع رو باید به رییسم به عنوان یه insight بگم اگه شما میخواید انبار برای نگه داری این محصولمون تهیه کنید بهتره مکانش تو منطقه ی ۶ تهران باشه که از هزینه های اضافی حمل و نقل اون محصول بتونیم کم کنیم.

در آینده بیشتر راجب جنبه ی بیزنسی حوزه ی دیتا و هوش مصنوعی و ابزارهای مورد نیازش میگم.

#تجربه_کاری

نویسنده: مِلانی

⚙@melaneepython

به خاطر مشکلاتی که لپتاپم داشت مجبور شدم My SQL رو با phpMyadmin به کمک docker compose بالا بیارم😑.

شما برای کار کردن با sql از چه برنامه ها یا دیتابیس هایی استفاده میکنید؟ تو چه محیطی؟


https://github.com/Hossara/docker-compose-wamp

زمانی که شما یه پروژه هوش مصنوعی یا علوم داده رو مثلا در دانشگاه انجام می‌دید، بیشتر تمرکزتون روی بخش‌های مربوط به تحلیل داده و مدل‌سازی است. اما زمانی که به عنوان یک Machine Learning Engineer و یا یک Data Scientist وارد صنعت می‌شید، از شما انتظار میره که یک محصول واقعی بسازید که در عمل و زیر ترافیک بسیار زیاد، با سرعت قابل قبول کار کنه و از دسترس خارج نشه.
این تقریبا بزرگ‌ترین چالشیه که وقتی وارد بازار کار می‌شید دارید. چالشی که مهندسین نرم‌افزار کم‌تر با اون مشکل دارن.

برای حل این مشکل، من یه codebase به زبون Python آماده کردم که به شما اجازه می‌ده به جای تمرکز روی بخش‌های مهندسی و MLOps روی حل مساله متمرکز شید و در نهایت مدلی که train کردید رو داخل این کدبیس قرار بدید و یه سرویس وب آماده داشته باشید که به بهترین شکل ممکن کار کنه.

- برای توسعه این کدبیس از فریم‌ورک FastAPI به‌همراه سرور Uvicorn استفاده شده و بیشتر بخش‌ها به کمک Coroutine ها به‌صورت Async در اومده. بنابراین می‌تونید انتظار سرعت بالایی (حتی در مواردی نزدیک به زبون Go) ازین سرویس داشته باشید.
- سعی شده ساختار کد تا جای ممکن، ساده ولی حرفه‌ای و ساختارمند بر اساس الگوی MVC باشه ولی از Object Oriented تا جای ممکن استفاده نشه.
- از redis به عنوان feature store استفاده شده اما قابلیت جایگزینی با feast هم وجود داره
- برای بررسی و تحلیل پرفورمنس سیستم در عمل، همه ورودی/خروجی‌ها و زمان‌های اجرا در قالب Analytical Logs روی stdout چاپ می‌شن.
- پروژه کاملا dockerize شده و آماده استفاده روی کوبرنتیز و داکره.
- پروژه به صورت HA میاد بالا. یعنی همزمان چند نسخه از اون روی سرورهای مختلف اجرا می‌شن تا در صورت مشکل، سرویس از دسترس خارج نشه.
- همه practice های خوب MLOps توش رعایت شده مثلا اینکه CI/CD با GitLab و Github روش وجود داره.
- داکیومنت خودکار بر اساس Swagger داره
- یک پروژه ریکامندر سیستم فیلم برای تست روی سرویس قرار گرفته که می‌تونید بر اساس نیاز تغییرش بدید

https://github.com/xei/fastapi-blueprint

سلام، ۷ صبحِ روز جمعه تون مبارک🌱🥰

امیدوارم شما هم مثل من هدف مهمی داشته باشید تو زندگیتون که به عشقش ۷ صبحِ روز جمعه بیدار شید و براش تلاش کنید❤.

سختی هاشم شیرینه، خیلیییی

خب یکی از ابزارهایی که بعضی شرکت ها برای رسیدن به اهداف بیزینسی شون استفاده میکنند، ابزار
Power BI
هست. (BI مخفف Business Intelligence)


این ابزار میتونه دیتا رو بخوبی visualise کنه و نتایج خوبی از #آنالیز_دیتا بهمون نشون بده ولی چون از محصولات ماکروسافت هست فقط روی سیستم عامل ویندوز نصب میشه نه لینوکس🥺.


اگه نیاز دارید روی #لینوکس باهاش کار کنید یا میتونید از روش مجازی سازی سیستم عامل استفاده کنید و یا از نسخه ی آنلاین خودش به آدرس
https://app.powerbi.com/
استفاده کنید.

ولی برای ساخت اکانت حتما به یه ایمیل سازمانی نیاز دارید، با جیمیل و ایمیل های معمولی نمیتونید.


⚙@melaneepython