هوش مصنوعی و علم داده به فارسی

هواپیمای بدون سرنشین آمازون که برای تحویل مکانیزه سفارشات توسط ربات‌ها طراحی شده!

@DataPlusScience

1.45K views11:10

📚 معرفی #کتاب + پادکست خلاصه کتاب

کتاب "همه دروغ می‌گویند: عظیم‌داده، داده‌های جدید و اینترنت در مورد اینکه ما واقعا کیستیم چه چیزهایی را می‌توانند بگویند"

“Everybody Lies: Big Data, New Data, and What the Internet Can Tell Us About Who We Really Are”

📍 "همه دروغ می‌گویند" در سال 2017 به قلم استفن دیویدویتس و توسط انتشارات بلومزبری منتشر شده است. استیون پینکر، روانشناس معروف کانادایی می‌گوید: "این کتاب در مورد یک روش کاملا جدید از ذهن خوانی است."

📍 همه دروغ میگویند. به دوستان، به عشاق، دکترها، نظرسنجان و حتی به خودشان... با این وجود در جستجوهای اینترنتی، مردم به رازهایشان در مورد علایق شخصی، مشکلات سلامت روحی و یا حتی نقطه نظرات نژادپرستانه اعتراف می‌کنند. استفن دیویدویتس، اقتصاددان و تحلیلگر داده سابق شرکت گوگل نشان می‌دهد که این جستجوها، مهمترین مجموعه داده‌ای است که تا به حال جمع‌آوری شده‌است.

📍 این مجموعه عظیم‌داده بی‌سابقه از رازهای بشر در طول تاریخ، بینش‌های شگفت‌انگیز ، انقلابی و تکان‌دهنده‌ای نسبت به بشریت را بر ملاء می‌سازد. برای مثال، بعد از یک تهاجم تروریستی سطح عصبانیت و خشم عمومی افزایش نمی‌یابد؛ بلکه سطوح جنایت بعد از انتشار یک فیلم خشونت‌آمیز تا حد قابل توجهی افت می‌کند. و یا جستجوهای نژادپرستانه بیشتر از اینکه توسط جمهوری‌خواهان انجام شود توسط دموکرات‌ها انجام می‌شود.

📍 استفن دیویدویتس، اطلاعاتی را افشا می‌کند که می‌تواند به ما کمک کند تا فرهنگمان و سوالاتی را که برای سلامت روحی و جسمی ما ضروری هستند را تغییر دهیم. همه دروغ می‌گویند به طرزی نگرشی، خنده‌دار و غافلگیرکننده ، در عصری که همه چیز غیر قابل پیش‌بینی هستند، سوگیری‌ها و رازهایی را که در عمق ذهن ما وجود دارند را آشکار می‌کند.

از طریق لینک زیر می توانید به پادکست خلاصه کتاب دسترسی پیدا کنید:

t.me/DataPlusScience/539

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

🗨 ارتباط با ما (تبلیغات، سوال، پیشنهاد و انتقاد):
‏📩 @Contact2Mebot

💯 کانال دوم ما:
@Datascientists_Files

💎 در پیام‌رسان بله(آپدیت اتومات):
https://ble.ir/dataplusscience

💡 در پیام‌رسان ایتا(آپدیت اتومات):
https://eitaa.com/DataPlusScience

1.37K views15:34

BPlus Podcast Episode 3 : Everybody Lies

Ali Bandari

پادکست خلاصه کتاب "همه دروغ می‌گویند!"

کتاب EVERYBODY LIES یکی از کتاب‌های جذاب برای آشنایی با قابلیت‌های حوزه Big Data می‌باشد که توسط ست استفن‌دیویدویتز یکی از دانشمندان داده شرکت گوگل در جهت معرفی قابلیت‌های تحلیل‌داده منتشر گردیده است.

این محقق چهار سال را صرف تحلیل داده‌های ناشناس گوگل کرده است. تحقیقات او درباره موضوعاتی همچون بیماریهای روانی، سقط جنین، مذهب و پزشکی بوده است. او معتقد است که جستجوهای گوگل مهمترین پایگاه داده‌ای است که تاکنون در مورد روح و روان انسان وجود دارد.

در این کتاب مقایسه‌های مختلفی از جستجوهای کاربران موتور جستجو گوگل با نظرسنجی‌ها عمومی صورت گرفته است. نتایج این تحقیق نشان از وجود اختلاف میان این دو حوزه و ارزش تحلیل‌ اطلاعات در عصر جدید است.

@Data➕Science

1.23K viewsedited 20:09

💡 مسیر تبدیل شدن به یک متخصص علم داده

@Data➕Science

2.08K views06:24

راهنمای تصویری انتخاب پکیج مصورسازی در پایتون

Choosing a python visualization tool

@Data➕Science

1.37K viewsedited 05:52

Corona dashboard[R]
داشبورد آنلاین ویروس کرونا!

این #داشبورد که با زبان R و پکیج Shiny طراحی شده، بصورت آنلاین آمار شیوع ویروس کرونا را مصور کرده است.
http://dataatomic-tools.com/shiny/CoronaOutbreak/

@Data➕Science

3.88K viewsedited 06:44

💡 فلوچارت انتخاب الگوریتم یادگیری ماشین

@Data➕Science

2.29K viewsedited 08:21

Forwarded from هوش مصنوعی و علم داده به فارسی

1:30

آشنایی با ابزارهای علم داده در قالبی طنز

فقط اون برخوردش با matlab 😂

👈{عضویت در کانال} 👉

240 views06:48

Forwarded from هوش مصنوعی و علم داده به فارسی

💡 مسیر آموزشی علم‌داده!

📝 محمدرضا محتاط | @DataAnalysis

یکی از مهم‌ترین گام‌های تبدیل‌شدن به یک متخصص علم‌داده، انتخاب مسیر آموزشی بهینه جهت آموزش مفاهیم و ابزارهای کارآمد منطبق با بازار کار است. موضوعی که توسط مؤسسات و دوره‌های آموزشی که در کشور نیز در حال گسترش است کمتر به آن توجه می‌شود.

مسیر پیشنهادی زیر یکی از نمونه مسیرهای آموزشی مناسب جهت تبدیل‌شدن به یک متخصص علم‌داده و تحلیلگر کلان داده منطبق با بازار کار بین‌المللی و ایران هست.

🔵 بخش مقدماتی:

🔹پیش‌نیاز:
یکی از مهم‌ترین‌ پیش‌نیازهای ورود به حوزه علم‌داده فراگیری مفاهیم پایه حوزه‌های آمار، داده‌کاوی و... است. آموزش ساختار و قواعد زبان‌ برنامه‌نویسی پایتون، توانایی کار با پایگاه داده‌های رابطه‌ای و اجرای کوئری‌های SQL ای نیز از دیگر پیش‌نیاز کلیدی می‌باشد.

🔹علم‌داده با پایتون:
پس از آموزش ساختار و قواعد زبان برنامه‌نویسی پایتون، در گام بعدی فراگیری کتابخانه‌های تحلیل داده این زبان برنامه‌نویسی حائز اهمیت است. کتابخانه‌ Pandas بابت تحلیل داده‌های ساخت‌یافته، کتابخانه Numpy جهت پیاده‌سازی مفاهیم پایه ریاضی و آمار، کتابخانه Matplotlib جهت مصورسازی داده‌ها، کتابخانه IPython جهت اجرای Interctive پروژه‌های علم‌داده و... در این گام مفید خواهد بود.

🔹یادگیری ماشین:
در این گام هدف پیاده‌سازی و اجرای پروژه‌های یادگیری ماشین می‌باشد. کتابخانه Scikit learn از مطرح‌ترین کتابخانه‌های زبان پایتون است که به‌وسیله آن امکان پیاده‌سازی اکثر پروژه‌های یادگیری ماشین فراهم خواهد شد. آموزش تخصصی این کتابخانه در پروژه‌های موردی بسیار مفید است.

🔴 بخش پیشرفته:
در بخش پیشرفته تمرکز بر پلتفرم‌ها و ابزارهای نوظهور است که در صورت فراگیری آن امکان رشد بسیار سریع‌تر در این فیلد کاری میسر خواهد شد.

🔺یادگیری عمیق:
با توجه به قابلیت‌های یادگیری عمیق در مسائل پیچیده، یادگیری فریم‌ورک‌ها و کتابخانه‌های یادگیری عمیق نقش به سزایی در موفقیت شما به‌عنوان یک متخصص علم‌داده خواهد داشت. کتابخانه‌های Tensorflow و Keras دو کتابخانه مطرح یادگیری عمیق هستند که آموزش یکی از این دو بسیار مفید خواهد بود. تمامی این کتابخانه‌ها دارای واسط برای زبان برنامه‌نویسی پایتون هستند.

🔺کلان ‌داده:
با توجه به افزایش سرعت، حجم و تنوع اطلاعات، در حال حاضر دو جایگاه متخصص علم‌داده و تحلیلگر کلان داده به‌مراتب به یکدیگر نزدیک شده‌اند و بعضاً در فرصت‌های شغلی متخصصین علم‌داده توانایی‌های مرتبط با حوزه Big Data نیز از پیش‌نیازهای اصلی است. آشنایی با اکوسیستم Hadoop و زیر پروژه‌های آن همانند Pig, Sqoop, Hive و... در این بخش پیشنهاد می‌شود.

🔺آپاچی اسپارک:
آپاچی اسپارک یکی از برترین پلتفرم‌های پردازشی در حوزه کلان داده است. فراگیری کتابخانه‌های یادگیری ماشین این پلتفرم(MLlib)، اجرای کوئری‌های SQL در این پلتفرم پردازشی (Sprak SQL) و... جهت رشد سریع‌تر شما در این حوزه کاری بسیار موثر است.

پی‌نوشت:
1- جهت یادگیری اصولی و کاهش پیچیدگی‌های آموزشی در این مسیر توصیه می‌کنم حتما گام‌ها به ترتیب طی شود. بعضاً برخی از علاقه‌مندان بدون دانش مقدماتی یا در شروع فرایندهای آموزشی به دنبال یادگیری مفاهیم و ابزارهای تخصصی یادگیری عمیق یا کلان داده می‌شوند. امری که سبب بروز پیچیدگی و کسب دانش سطحی خواهد شد.
2- انتخاب موسسه و دوره آموزشی مناسب یکی از کاتالیزورهای موفقیت شما در این مسیر آموزشی دشوار اما جذاب است.

👍1

272 views07:13

1:01

به تازگی موسسه تحقیقاتی هوش مصنوعی فیسبوک (Facebook AI Research) کتابخانه ویژه جهت استفاده از یادگیری عمیق در آموزش تصاویر سه بعدی را ارایه نموده است.
پیش بینی می‌شود از این کتابخانه Pytorch3D در آینده در حوزه های مختلف به ویژه پزشکی و تصویربرداری های سه بعدی استفاده های گسترده خواهد شد.

منبع : ایران ام‌ال

@Data➕Science

1.5K viewsedited 20:10

مهم‌ترین کتابخانه‌های پایتون برای متخصصان علم داده

@Data➕Science

2.2K views20:11

7:18

مقایسه زبان برنامه نویسی Python و R

R vs Python
Best Programming Language for Data Science and Data Analysis

@Data➕Science

2.32K viewsedited 17:21

Forwarded from هوش مصنوعی و علم داده به فارسی

178 views09:08

بخشی از کاربردهای یادگیری ماشین
Applications of machine learning

@Data➕Science

1.22K views20:13

💡 دسته بندی الگوریتم‌های کلاسیک یادگیری ماشین

Classification of machine learning algorithms

@Data➕Science

1.34K views20:20

🚨 گزارش ۲۰۱۹ گارتنر از ابزارهای علم داده و یادگیری ماشین از بین نرم افزارهای داده کاوی سقوط ای بی ام و رشد رپیدماینر و نایم نسبت به سالهای قبل و حضور تیبکو در جمع لیدرها قابل توجه است @SyThinking | تفکر سیستمی

برترین پلتفرم‌های یادگیری ماشین و علم داده در سال 2020

به تازگی گزارش بررسی پلتفرم‌های یادگیری ماشین و علم داده موسسه گارتنر منتشر شده است که نتایج آن بسیار متفاوت از گزارش سال‌های اخیر می باشد.

در این بررسی پلتفرم‌های Alteryx, Dataiku, Databricks, MathWorks, SAS, TIBCO پیشتاز بازار می باشند.
دو پلتفرم مطرح و پرطرفدار KNIME و RapidMiner جایگاه رهبری بازار خود را از دست داده اند! و پلتفرم SAS جایگاه سال گذشته خود را ارتقا داده است.
پلتفرم Microsoft نیز رشد قابل توجهی داشته است.

مطالعه بیشتر

@Data➕Science

3.27K views16:59

Photo

💡 مربع جادویی گارتنر دقیقا چیست؟

موسسه #گارتنر در هر یک از چهار بخش خود، گروهی از شرکت‌ها را بر حسب دو عامل اصلی بررسی کرده و جای داده است. این دو عامل عبارتند از:

🔸 درک شرکت از تصویر آینده، داشتن بینش نسبت به آن (محور افقی)
🔹 توانایی اجرایی شرکت با توجه به اهداف مقرر شده (محور عمودی)

✅ چارک‌های مربع گارتنر بیانگر چیست؟
روش و فرایند بررسی این معیارها توسط موسسه فاش نمی‌شود و امتیازات کسب شده در مجموع جایگاه شرکت‌ها را در بازار در یکی از ۴ بخش مربع تعیین می‌کند. این بخش‌ها عبارتند از :
@Data➕Science
🔺رهبران:
این شرکت‌ها در هر دو زمینه امتیازات بیشتری را کسب کرده‌اند و عموما دارای جمعیت بیشتر و پختگی در زمینه فعالیت تخصصی خود هستند.

🔺چالشگران:
این دسته شامل شرکت‌هایی است که توانایی اجرایی بالایی دارند. اما در زمینه جامعیت بینش و تکامل اهداف درازمدت امتیاز پایین‌تری نسبت به رهبران کسب کرده‌اند و با کسب دید مناسبی در این راستا می‌توانند به عنوان چالش‌گر سهم بازار راهبران را به چالش کشیده و تهدید کنند.

🔺ایده پردازان:
این شرکت‌ها امتیاز کمتری در زمینه اجرای اهداف بدست آورده‌اند اما در زمینه تکامل اهداف امتیاز بیشتری دارند. عموما این شرکت‌ها کوچکتر از چالشگران هستند و علی‌رغم داشتن دید مناسبی از آینده، جای پیشرفت محسوسی در زمینه افزایش قدرت اجرایی شرکت دارند.

🔺فرصت جویان:
این دسته از شرکت ها در هر دو زمینه تکامل اهداف و قدرت اجرایی امتیاز کمتری نسبت به دیگران کسب کرده‌اند و عموما شرکت‌های تازه وارد به بازار هستند و سهم کوچکی از بازار را به خود اختصاص می‌دهند که گاها انواعی خاص از مصرف کننده را هدف می‌گیرند و وارد بخش‌های کلی بازار نمی‌شوند./ منبع:فراگستر

@Data➕Science | 📩 : @Contact2Mebot

2.08K viewsedited 17:04