🚨کانال زیر رو افتتاح کردیم و توش فقط فایل‌های آموزش دیتاساینس رو قرار می‌دیم، اگر خواستید عضو بشید:
👉 @Datascientists_Files

🏴سالروز شهادت
نهمین پیشوای شیعیان
ابن‌الرضا
حضرت جوادالائمه سلام ‌الله ‌علیه را

به‌ پیشگاه مقدس
امام‌ عصر عجل‌ الله‌ فرجه
وهمه‌شیعیانشان
تسلیت عرض می‌نماییم 🏴

👈 عضویت در کانال 👉

📌 کِی؟کجا؟چرا؟(یادگیری عمیق)
📝 زیبا پورقربان

توی چند ساله اخیر یادگیری عمیق به موفقیت های چشمگیری در زمینه های متفاوت دست یافته و افراد زیادی را علاقه مند به مطالعه در این زمینه کرده است، اما مسئله اصلی قبل از شروع به مطالعه، رسیدن به پاسخ سوالاتی مثل : یادگیری عمیق کجا کاربرد داره؟ کِی از یادگیری عمیق استفاده کنیم؟ چرا یادگیری عمیق؟ چالش های در رابطه با یادگیری عمیق؟و... تا جایگاه و اهمیت روش های یادگیری عمیق برای ما مشخص بشه که در ادامه این پست پاسخ سوالات را قرار دادم


کی از یادگیری عمیق استفاده کنیم ؟

_ نبود انسان‌های متخصص(ناوبری روی ماه)
_ انسان قادر به توضیح تخصص خود نباشد.(تشخیص گفتار، بینش و درک زبان)
_ راه حل مسئله با گذشت زمان تغییر کند.(ردیابی،پیش بینی آب و هوا، پیش بینی بورس و سهام)
_ راه حل هایی که باید با موارد خاص سازگار شوند.(بیومتریک، شخصی سازی)
_ استدلال انسان در مقابل حجم مسئله محدود باشد.(محاسبه رتبه وبسایت، مطابقت تبلیغات فیس‌بوک ، تحلیل احساسات)

چرا یادگیری عمیق؟

_ روش یادگیری جامع: تقریبا همه نوع مسئله ای را در زمینه های متفاوت حل می کند.
_ قدرتمندی: برخلاف یادگیری ماشین سنتی ویژگی های داده را به صورت خودکار استخراج می کند.
_ قابلیت تعمیم: می توان از دانش یک مدل آموزش دیده برای مدل با کاربرد یا نوع داده متفاوت استفاده کرد.
_ مقیاس پذیری: امکان پیاده سازی شبکه های وسیع(هزاران نورون و لایه) را فراهم می کند.


چالش های در رابطه با یادگیری عمیق؟

_ آنالیز کلان داده با یادگیری عمیق
_ مقایس پذیری روش های یادگیری عمیق
_ تولید داده زمانی که داده به اندازه کافی برای آموزش مدل در دسترس نیست.
_ تکنولوژی های کارآمد برای دستگاه های خاص مثل تلفن همراه هوشمند، FPGAو...
_ یادگیری انتقال و انجام چند وظیفه همزمان
_ سروکارداشتن با علت یادگیری

منبع

👈 عضویت در کانال 👉

مطرح‌ترین کاربردهای یادگیری عمیق

1- بینایی ماشین (Computer Vision)
2- متن‌کاوی (Text Mining)
3- ارتقا سیستم‌های یادگیری ماشین سنتی (Enhance ML system)
4- سیستم‌های مالی (Finance)
5- پیش‌بینی (Forecasting)
6- پزشکی و سلامت (Health & Medicine)
7- تکنولوژی‌های صوتی (Speech Technologies)

منبع: @DataAnalysis

👈 عضویت در کانال 👉

💡 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.

ربات جالبی که در فرودگاه دنور نصب شده است و با بهره‌گیری از هوش مصنوعی با مسافران این فرودگاه مکالمه و شوخی می‌کند!

👈{عضویت در کانال}👉

علم‌داده از تئوری تا بازار کار

در این فایل که توسط محمدرضا محتاط ارائه شده است به مباحث زیر پرداخته شده است:

1.مفاهیم حوزه علم داده
2. مهارت ها و ابزارهای مورد نیاز جهت تبدیل شدن به یک دانشمند علم داده
۳. معرفی دوره های آنلاین برتر، کتاب های مرجع و مسابقات مطرح مرتبط با حوزه علم داده
4.تحلیل بازار کار ایران و معرفی مشاغل جذاب مرتبط با علم داده در آن

@Data➕Science

🚨کانال زیر رو افتتاح کردیم و توش فقط فایل‌های آموزش دیتاساینس رو قرار می‌دیم، اگر خواستید عضو بشید:
👉 @Datascientists_Files

۲۰ توانمندی #دانشمند_داده که بیشترین تقاضا را در آگهی های استخدامی به خود اختصاص داده اند.

Source: goo.gl/2XJmtS

@SyThinking | تفکر سیستمی

معرفی تعدادی از کتابخانه‌های برتر پایتون در حوزه علم‌ داده

کتابخانه Scikit-learn: کتابخانه Scikit-learn یکی از محبوب‌ترین کتابخانه‌های یادگیری ماشین در پایتون است. این کتابخانه از طیف وسیعی از الگوریتم‌های طبقه‌بندی و خوشه‌بندی و… پشتیبانی می‌کند.

کتابخانه NumPy: با استفاده از این کتابخانه امکان استفاده از آرایه‌ها، ماتریس‌های بزرگ چند بعدی و استفاده از تابع‌های ریاضیاتی سطح بالا در پروژه‌های علم‌داده فراهم می‌شود.

کتابخانه Pandas: جهت کار با داده‌های ساختاریافته و آماده‌سازی دادگان از این کتابخانه محبوب استفاده می‌شود.

کتابخانه Matplotlib: کتابخانه Matplotlib جز معروف‌ترین کتابخانه‌های پایتون در حوزه Data Visualization است.

کتابخانه Seaborn: کتابخانه دیگر مطرح در حوزه مصورسازی داده‌ها در پایتون Seaborn است. طیف وسیعی از نمودارها در این کتابخانه پشتیانی می‌شود.

کتابخانه Tensorflow: جهت پیاده‌سازی مدل‌های مبتنی بر یادگیری عمیق بر فریم‌ورک تسنورفلو در زبان پایتون از کتابخانه Tensorflow می‌توانید استفاده کنید.

کتابخانه Theano: از دیگر کتابخانه‌ مطرح حوزه یادگیری عمیق می‌توان به لایبرری Theano اشاره کرد. کتابخانه Keras نیز با توجه به قابلیت‌های بالا آن نیز در حوزه یادگیری عمیق سهولت و کارایی بسیار بالایی دارد.

👈{عضویت در کانال}👉

آشنایی با ابزارهای علم داده در قالبی طنز

فقط اون برخوردش با matlab 😂

👈{عضویت در کانال} 👉

🌷الْحَمْدُلِلَّهِ الَّذِی جَعَلَنَا مِنَ الْمُتَمَسِّکِینَ بِوِلاَیَةِ أَمِیرِالْمُؤْمِنِینَ عَلیِّ بنِ أَبِی طالِب وَ الْأَئِمَّةِ الْمَعصومیٖن عَلَیْهِمُ السَّلاَمُ🌷

عیدالله الاکبر، عید غدیر خم بر همه شیعیان امیرالمومنین علی علیه‌السلام تبریک و تهنیت باد.

📈 Top skills to master to become a DATA SCIENTIST!

توانمندی‌های مورد نیاز دانشمندان داده

این لیست از تحلیل ۳۰۰ موقعیت شغلی شرکت‌های تکنولوژی در ژوئن 2019 استخراج شده است.

👈{عضویت در کانال} 👉

مسیر پیشنهادی DataCamp برای یادگیری علم داده


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

پادکست خلاصه کتاب کار عمیق (Deep work)

کار عمیق چیه؟ کاری که بدون وقفه و مزاحمت، متمرکز و با توانایی‌های وجودی روی یک مسأله انجام می‌دیم. بهترین ایده‌ها با کار عمیق به دست میاد.کار عمیق مثل یک سوپر پاوره. اگه یاد بگیریم می‌تونیم کیفیت کاری که می‌کنیم رو خیلی بالا ببریم.

پیشنهاد میکنم حتما این پادکست رو بشنوید.

کاری از: @podcastbplus

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

An overview of key companies, resources and tools in data science

جدول تناوبی علم‌داده!

این جدول که توسط دیتاکمپ طراحی شده است به معرفی اصلی‌ترین برگزارکنندگان دوره‌ها،کنفرانس‌ها،مسابقات،زبان برنامه‌نویسی، ابزارهای مصورسازی، انجمن‌ها، ابزارها و الگوریتم‌های علم‌داده می‌پردازد.

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

ضمن عرض تسلیت بمناسبت ایام عزای سیدالشهدا و یاران باوفایش توصیه میکنم این ویدئو را که حاوی صحبت‌های بسیار شنیدنی دکتر دهقانی استاد دانشکده مهندسی نانو‌مکانیک دانشگاه صنعتی شریف با دانشجویانش به مناسبت ماه‌ محرم است را ببینید.

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

🔄 Data Science Life Cycle
چرخه حیات علم داده

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

Data Science vs Data Analytics vs Big Data

مقایسه علم‌داده، تجزیه و تحلیل داده و داده‌های بزرگ

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

Data Science Timeline


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