🔺 دوستان شهرستانی تقاضای صوت این سمینار را داشتند

اگر از دوستان کسی فایل صوتی این سمینار رو در اختیار داره به آیدی زیر ارسال کنه تا برای استفاده اعضای کانال منتشر بشه.

👉 @Contact2Mebot

آموزش فارسی پاور بی‌آی (Power BI)

#BI #PowerBI

@DataPlusScience

🔴 انجمن علمی مهندسی صنایع دانشگاه تهران برگزار می‌کند:

🚨 #رویداد رایگان «تجربیات علم داده در صنعت»

🔶 محوریت صنایع و حوزه های مورد بررسی: زنجیره تامین، بازاریابی و مدیریت ارتباط با مشتری، کسب و کار های آنلاین، مدیریت و کنترل کیفیت، تحلیل داده های بزرگ و اینترنت اشیا


✅ پنجشنبه 12 دی ماه 1398

🏢پردیس فنی شماره 2، ساختمان مرکزی، آمفی تئاتر ساختمان مرکزی

ثبت نام:
https://evnd.co/ZJTPX


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

💡گردش مالی بازار «هوش مصنوعی» چقدر است؟

آی‌دی‌سی(یک شرکت بین‌المللی داده‌کاوی در زمینه هوش مصنوعی در آمریکا) برآورد کرده است که گردش مالی جهانی هوش مصنوعی تا سال ۲۰۲۳ به ۹۸.۴ میلیارد دلار می‌رسد. رشد تجمعی محصولات این صنعت نیز ۲۸.۵ درصد از سال ۲۰۱۹ تا ۲۰۲۳ رشد می‌کند.

تعداد اشیای متصل به اینترنت از سال ۲۰۱۸ تا ۲۰۳۰، دو برابر می‌شود. گروه تحلیل‌گران استراتژی، پیش‌بینی می‌کنند که ۵۰ میلیون دستگاه به جمعیت در حال رشد اینترنت اشیا اضافه شود.

مطالعه بیشتر

@DataPlusScience

پانزده ابزار برتر علم داده برای یادگیری در سال 2020

مطالعه بیشتر
@DataPlusScience

15 ابزار کاربردی علم‌داده جهت یادگیری در سال 2020

انتخاب مسیر یادگیری درست براساس آخرین روندهای تکنولوژی و نیازهای بازار یکی از الزامات موفقیت در هر فیلدکاری هست. در ادامه برترین ابزارهای پیشنهادی جهت کسب موفقیت در فیلدکاری Data Science که توسط وبسایت springboard ارائه شده را معرفی میکنیم.

قابل ذکر است با توجه به تفاوت بازارکار ایران با سایر کشورها برخی از ابزارها با علامت * بعنوان جایگزین موارد پیشنهادی این سایت معرفی شده‌اند.

زبان برنامه‌نویسی:
▪️Python
▪️R

ابزارهای یادگیری ماشین:
▪️Scikit Learn
▪️Weka
* در میان نرم‌افزارهای داده‌کاوی در مقابل Weka پیشنهاد به یادگیری ابزارهایی همانند Knime, RapidMiner یا IBM Spss Modeler است.

فریم‌ورک‌های یادگیری عمیق:
▪️TensorFlow
▪️Keras
▪️Pythorch

ابزارهای تحلیل کلان‌داده:
▪️Apache Spark
▪️Hadoop MapReduce
* در حوزه تحلیل‌ تحلیل کلان‌داده با توجه به وجود برخی محدویت‌های پردازشی در معماری Map Reduce پیشنهاد استفاده از کتابخانه‌های تحلیلی Apache Spark هست.

کتابخانه‌های مصورسازی:
▪️Matplotlib
▪️Seaborn

*ابزارهای هوش تجاری
▪️Power BI
▪️Tableau
▪️Qlik

اجرای Interactive پروژه‌های علم‌داده:
▪️Jupyter Notebook

پی‌نوشت:
◾️سوالات متعددی پیرامون نحوه یادگیری ابزارها پرسیده میشود. قطعا بهترین منابع یادگیری در هر یک از ابزارهای پیشنهادی شرکت در دوره‌های آنلاین برترین دانشگاه‌های جهان در وبسایت‌های Lynda, Udemy, Edx, Coursera و... هست.
◾️اگر در زبان انگلیسی ضعیف هستید قبل از یادگیری هر ابزار پیشنهاد میکنم برروی کسب این مهارت توجه ویژه نمایید تا پس از یادگیری آن بتوانید در بروزترین دوره‌ها و منابع آموزشی شرکت نمایید.

📝 محمدرضا محتاط @dataanalysis
t.me/DataPlusScience/934

💡 مروری بر تفاوت‌های هوش مصنوعی، یادگیری ماشین و علم داده

An overview of difference between data science, machine learning, and AI

Source

@DataPlusScience

🎞 نمایش تبلیغ حین پخش ویدیوهای یوتیوب و پلتفرم های مشابه به امری رایج تبدیل شده اما چینی ها روش کاملا متفاوت و جالبی برای اینکار در پیش گرفته اند.
‌
🔸«تنسنت»، که بر بخش بزرگی از بازار IT چین سیطره دارد، به جای ایجاد وقفه در نمایش ویدیوها تصمیم گرفته با استفاده از #هوش_مصنوعی سوژه‌هایی را که در خود ویدیو وجود دارد، به مکانی برای نمایش تبلیغات تبدیل کند. برای مثال اگر بازیگر در حال نوشیدن چای یا قهوه است، در پلتفرم ویدیویی تنسنت تبلیغ روی ماگ به نمایش در می آید./دیجیاتو
‌
🔸نمونه‌هایی از پیاده‌سازی هوشمند این ایده را در ویدئو بالا ببینید

👈{عضویت در کانال} 👉

🔴 انجمن علمی مهندسی صنایع دانشگاه تهران برگزار می‌کند:

🚨 #رویداد رایگان «تجربیات علم داده در صنعت»

🔶 محوریت صنایع و حوزه های مورد بررسی: زنجیره تامین، بازاریابی و مدیریت ارتباط با مشتری، کسب و کار های آنلاین، مدیریت و کنترل کیفیت، تحلیل داده های بزرگ و اینترنت اشیا


✅ پنجشنبه 12 دی ماه 1398

🏢پردیس فنی شماره 2، ساختمان مرکزی، آمفی تئاتر ساختمان مرکزی

ثبت نام:
https://evnd.co/ZJTPX


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

چالش‌های اصلی در علم داده
Top challenges faced in Data Science

1. داده های کثیف
2. کمبود متخصصان علم داده‌
3. عدم پشتیبانی مدیریتی/ مالی
4. فقدان سؤال واضح برای پاسخ گوئی (با علم داده)
5. عدم دسترسی به داده های موجود
6. عدم استفاده از نتایج برآمده از علم داده توسط تصمیم‌گیران
و...
مطالعه بیش‌تر
@Data➕Science

💡 نقش‌های متفاوت متخصصان علم داده در صنعت

Important Job Roles in Data Science Industry Today

مطالعه بیشتر

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

شهادت مظلومانه سپهبد شهید قاسم سلیمانی را تسلیت عرض میکنیم.

@Data➕Science

♨️ 12 سایت مرجع در حوزه علم داده

0. Towards Data Science
1. Data Science Central
2. SmartData Collective
3. What's The Big Data?
4. No Free Hunch
5. insideBIGDATA
6. Simply Statistics
7. Datafloq
8. Data Science 101
9. Dataconomy
10. Data Flair
11. KD Nuggets


👈{عضویت در کانال} 👉

♨️ از طریق این لینک میتونید به تمامی محتوای آموزشی سایت #لیندا دسترسی داشته باشید و بصورت رایگان دانلودش کنید.

✅ کافیه لینک مربوط به دوره مدنظرتون رو توی باکس جستجو وارد کنید و از طریق لینک‌های تولیدی اقدام به دانلود محتوا بکنید!

Link: http://free-premium.ir/Lynda/index.php

@Data➕Science
📩 ارتباط با ما : @Contact2Mebot

The 5 Basic Statistics Concepts Data Scientists Need to Know


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

کتاب "آمار کاربردی برای دانشمندان داده: ۵۰ مفهوم ضروری"

Practical Statistics for Data Scientists: 50 Essential Concepts

این کتاب به بیان مختصر و کاربردی مهم‌ترین مفاهیم آماری مورد نیاز برای دانشمندان علم داده پرداخته است.

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

کتاب "آمار کاربردی برای دانشمندان داده: ۵۰ مفهوم ضروری"

Practical Statistics for Data Scientists: 50 Essential Concepts

این کتاب به بیان مختصر و کاربردی مهم‌ترین مفاهیم آماری مورد نیاز برای دانشمندان علم داده پرداخته است.

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