سایت فرادرس مثل سال‌های گذشته در ماه محرم طرح "نذری محرم" رو برگزار کرده و تعدادی از آموزش‌ها رو بصورت رایگان برای دانلود قرار داده.
آموزش‌های زیر میتونه برای علاقه‌مندان به علم‌داده مفید واقع بشه:

🔸آموزش آمار و احتمال مهندسی
🔹مجموعه آموزش های نرم افزار آماری SPSS
🔸آموزش یادگیری ماشین
🔹آموزش داده کاوی در RapidMiner
🔸آموزش نرم افزار هوش تجاری Tableau
🔹آموزش Google Data Studio برای آنالیز داده ها و گزارش دهی
🔸آموزش برنامه نویسی پایتون – مقدماتی
🔹آموزش SQL Server – مقدماتی
🔸آموزش پردازش تصویر با OpenCV



👈{عضویت در کانال} 👉 | 📩 : @Contact2Mebot

مجموعه توانمندی‌های مورد نیاز دانشمندان داده

👈{عضویت در کانال} 👉 | 📩 : @Contact2Mebot

✍🏻 محبوب‌ترین IDE های پایتون
ژوپیتر با اختلافی زیاد در صدر

👈{عضویت در کانال} 👉 | 📩 : @Contact2Mebot

💡 نقشه راه یادگیری هوش مصنوعی
#AI


👈{عضویت در کانال} 👉 | 📩 : @Contact2Mebot

💡 مروری بر تفکر سیستمی

رویکرد تفکر سیستمی به طور اساسی متفاوت از روشهای تحلیلی سنتی میباشد. تحلیلهای سنتی بر جداسازی اجزاء مساله مورد مطالعه تمرکز میکنند. در حقیقت، لغت "تحلیل" از ریشه "تفکیک اجزاء سازنده" می آید. در مقابل، تفکر سیستمی به چگونگی برهم کنش مساله مورد مطالعه با سایر اجزاء سیستم- یک مجموعه ای از مولفه های در حال ارتباط با یکدیگر برای ایجاد یک رفتار- میپردازد.

#تفکر_سیستمی

👈{عضویت در کانال} 👉 | 📩 : @Contact2Mebot

💡 مهارت‌های ضروری یک دانشمند داده

Skills essential for data scientist

👈{عضویت در کانال} 👉 | 📩 : @Contact2Mebot

خبری مهم در دنیای کامپیوترهای کوانتومی: گوگل مسأله ای که روی کامپیوترهای مرسوم ۱۰ هزار سال طول می‌کشید رو در ۲۰۰ ثانیه حل کرد. لحظه زیبای کوانتوم سوپرماسی/ جادی

🎥 فناوری بلاک چین چیست و چه کاربردی دارد؟


👈{عضویت در کانال} 👉 | 📩 : @Contact2Mebot

لیست محبوب ترین زبان های برنامه نویسی سال 2019 توسط IEEE Spectrum منتشر شد. در این لیست که IEEE اطلاعات اون رو از منابع مختلف گرداوری و براساس اونها پارامترهایی رو محاسبه میکنه، نشون میده کدوم زبان های در صنعت نرم افزار دارای محبوب بیشتر، رشد بالا و تقاضای بالاتر در بین کارفرماها هستن. کماکان مثل سال های قبل، پایتون در مقام اول قرار داره.

عکس اول محبوبترین زبان های برنامه نویسی رو نشون میده. عکس دوم زبان های برنامه نویسی با رشد بالا نشون داده و در نهایت عکس سوم نشون میده شرکت ها و کارفرماها بیشتر دنبال برنامه نویس های چه زبان هایی هستن.
منبع:@TechTube

👈{عضویت در کانال} 👉 | 📩 : @Contact2Mebot

🎥 ویدئوی جدید از پیشرفت تکنولوژی روبات بوستون داینامیکس در اجرای حرکات متحیرانه

👈{عضویت در کانال} 👉 | 📩 : @Contact2Mebot

📍چهار سایت جالب بر پایه هوش مصنوعی

🔸 وبسایت Poem Portraits by Google؛ هوش مصنوعی در وصف شما شعر می‌سراید
🔹 وبسایت 9Gans: هوش مصنوعی هر ساعت ۹ نقاشی جدید خلق می‌کند
🔸 وبسایت This X Does Not Exist: تولید اشخاص یا اشیائی که هرگز وجود ندارند
🔹وبسایت Computoser؛ هوش مصنوعی آهنگسازی می‌کند!

👈{عضویت در کانال} 👉 | 📩 : @Contact2Mebot

Data Scientist Vs Data Analyst Vs ML Engineer Vs Data Engineer

تفاوت توانمندی‌های دانشمند داده، تحلیلگر داده، مهندس یادگیری ماشین و مهندس داده

👈{عضویت در کانال} 👉 | 📩 : @Contact2Mebot

✅ تفاوت توانمندی‌های دانشمند داده، مهندس داده و مهندس نرم افزار. بر اساس داده‌های موجود در سایت Linkedin

👈{عضویت در کانال} 👉 | 📩 ارتباط با ما: @Contact2Mebot

💡 30 تکنولوژی تاثیرگذار در دهه آینده (2018–2028)

هوش مصنوعی، اینترنت اشیا،جوامع اینترنتی، بلاکچین و بیگ دیتا در رتبه‌های اول تا پنجم این لیست قرار دارند.

🔗 مطالعه بیشتر

#AI #IOT #blockchain #BigData
👈{عضویت در کانال} 👉 | 📩 ارتباط با ما

💡هفت نمونه از کاربردهای هوش مصنوعی در حوزه سلامت:

۱-شناسایی سرطان پوست:
در تشخیص زودهنگام سرطان پوست هوش مصنوعی ۹۵٪ و پزشکان ۸۷٪ موفقند.

۲- هوش مصنوعی زمان بیداری قربانیان کما را با ۹۰٪ دقت، پیش بینی می کند

۳- هوش مصنوعی می تواند با دقت خارق العاده اسکن چشمی را بررسی و مانند برترین پزشکان جهان، آنها را توصیف نماید

۴- سامانه های یادگیری ماشین می توانند به سرعت داروی های جدید را تست و تولید نمایند

۵- با تحلیل صدای فرد، هوش مصنوعی می تواند تخمین بزند فرد دچار افسردگی است یا خیر!

۶-ربات های جراح با دقت ۹۵٪ روز به روز کیفیت جراحی را می افزایند

۷- تشخیص زودهنگام بیماری
الگوریتم های نوین توانستند علائم بیماری ابولا را ۹ روز زودتر تشخیص دهند.


👈{عضویت در کانال} 👉 | 📩 ارتباط با ما

💡 Real world Machine learning applications

برخی از کاربردهای یادگیری ماشین در دنیای واقعی

👈{عضویت در کانال} 👉 | 📩 ارتباط با ما

پرکاربردترین تکنیک‌های آماری در علم‌داده!

http://tiny.cc/amm3dz

یادگیری تخصصی تکنیک‌ها و الگوریتم‌های آماری همواره یکی از چالش‌های متخصصین علم‌داده است. در ادامه 10 تکنیک پرکاربرد آمار در پروژه‌های علم‌داده و داده‌کاوی معرفی می‌شوند.

1- رگرسیون خطی (Linear Regression)

2- الگوریتم‌های طبقه‌بندی (Classification)

3- نمونه‌سازی (Resampling)

4- کاهش بعد (Dimension Reduction)

5- مدل‌های غیرخطی (Nonlinear Models)

6- الگوریتم‌های بدون نظارت (Unsupervised Learning)

7- الگوریتم ماشین پشتیبان بردار (SVM)

8- متدهای انتخاب زیرمجموعه (Subset Selection)

9- مدل‌های مبتنی بر درخت (Tree-Based Methods)

10- روش Shrinkage

در شکل زیر به تفکیک، متدها و الگوریتم‌های مورد نیاز در هر دسته عنوان شده است. آموزش هدفمند در هر یک از این موارد در گسترش دانش آماری علاقه‌مندان می‌تواند بسیار مفید باشد.

پی‌نوشت:
در لینک زیر نیز یک جزوه تخصصی از مباحث آماری در یادگیری ماشین به زبان انگلیسی در 47 صفحه قابل دانلود است.
https://gwthomas.github.io/docs/math4ml.pdf

ارادتمند
محمدرضا محتاط
@DataAnalysis

💡 از Hype Cycle چه می دانید؟

چرخه محبوبیت یا Hype Cycle، نموداری است که مراحل زمانی محبوب شدن یک فناوری را به تصویر می‌کشد. به عبارت دیگر یک فناوری از زمان پیدایش ایده، تا زمانی که به بلوغ برسد و جایگاه واقعی خود را در صنعت / دانشگاه پیدا کند 5 مرحله مختلف را طی می کند. این چرخه توسط شرکت Gartner (یک شرکت مشاوره و تحقیقات در حوزه‌ی IT) معرفی شده است.
در تصویر زیر شکل کلی این چرخه را میبینید. در محور افقی که زمان، یا مراحل چرخه را نشان میدهد، فازهای مختلف با خطهای عمودی از هم جدا شده‌اند. محور عمودی هم «انتظارات» یا به بیان دیگر محبوبیت را نشان میدهد.

🚨 مراحل این چرخه به ترتیب عبارتند از:

1) پیدایش نوآوری یا Innovation Trigger
در این مرحله، ابتدا فناوری بصورت یک مفهوم مطرح میشود. معمولا در حد پروتوتایپ یا proof of concept نمونه‌هایی از آن ارائه می‌شود. استارت آپ‌هایی دور آن شکل میگیرد اما نمونه‌‌های تجاری آن هنوز آنقدر ارزان و فراگیر نشده‌اند.

2) قله‌ی انتظارات یا Peak of Inflated Expectations
رسانه‌ها به سرعت اطلاع‌رسانی می‌کنند و در زمان کوتاهی این فناوری بر سر زبانها می‌افتد. کسانی که «خوره‌ی تکنولوژی» آن را پیاده‌سازی می‌کنند. در کنار آن سرمایه‌گذاری و فعالیت برای تجاری سازی آن توسط شرکت‌ها به سرعت افزایش می‌یابد.

از جنبه‌ی آکادمیک، دانشگاه‌ها و موسسات تحقیقاتی همه هجوم میبرند به سمت این فناوری، تعریف کردن پایان نامه‌های متعدد و چاپ کردن مقاله. معمولا کسی در این مقالات به محدودیت‌های آن اشاره نمی‌کند و فقط نتایج بهتر و اعداد بزرگتر گزارش می‌شوند.

3) دره‌ی سرخوردگی یا Trough of Disillusionment
به زودی نشانه هایی از مشکلات این فناوری روشن می‌شوند و نواقص‌ آن کم‌کم خود را نشان می‌دهند. غالبا این بخش «صنعت» است که متوجه این نواقص می‌شود. آنها این نواقص را در تضاد با یافته‌های مقالات علمی و وعده‌های داده شده می‌بینند. در نتیجه حسی از بی اعتمادی و ناامیدی در بین طرفداران شکل می‌گیرد. شرکت‌ها سرمایه‌گذاری‌های خود را متوقف می‌کنند و همه چیز منوط میشود به برطرف کردن نواقص.

4) شیب روشنفکری یا Slope of Enlightenment
کم کم پتانسیل‌های این فناوری بیشتر مشخص می‌شود و برخی شرکتها می‌فهمند با وجود محدودیت‌ها و نواقص آن چگونه از آن استفاده کنند. این اتفاق در حینی صورت میپذیرد که رسانه‌ها توجه زیادی به این فناوری ندارند و جامعه‌ی علمی آن را به شکل یک زمینه‌ی اشباع شده میبیند.

5) فلات بهره‌وری یا Plateau of Productivity
فناوری به ثبات خوبی می‌رسد و مزیتهای و محدودیتهای آن به خوبی روشن شده است. این بار بخش صنعت با اطلاع کامل و بصورت معقول سرمایه‌گذاری را مدیریت می‌کند.

مثال‌های زیادی برای این چرخه میتوان زد، یکی از آنها فناوری یادگیری عمیق (Deep Learning) است. همانطور که در تصویر میبینید، این فناوری در حال حاضر (2018) در بالای قله قرار دارد که نشان از توجه بیش از حد جامعه‌ی تحقیقاتی به آن دارد. پیش بینی می‌شود این فناوری در چند سال آینده نتواند انتظارات -غیرمنطقی- را برآورده کند و در نتیجه با یک دره‌ی سرخوردگی مواجه میشود.

فناوری اینترنت نسل 5 یا پردازش کوانتومی هنوز در فاز اول این چرخه هستند، یا از طرف دیگر، فناوریهایی مثل «بلاک چِین» و «واقعیت افزوده»، از مرحله هیجانی عبور کرده و هم اکنون در دوران سرخوردگی به سر می‌برند.

📝منبع: جواد امیریان

👈{عضویت در کانال} 👉 | 📩 ارتباط با ما