#لینوکس
اتصال به لینوکس از طریق remote desktop

برای اتصال از راه دور و گرافیکی به سیستم عامل لینوکس، می توان از برنامه های مختلفی استفاده کرد. یکی از این برنامه ها، remote desktop می باشد که معمولا برای اتصال از راه دور به محیط ویندوز استفاده می شود.

برای اتصال به محیط لینوکس از طریق این برنامه، ابتدا باید بسته xrdp را در سرور(یا ماشین) نصب کرد:

rpm -ivh xrdp-0.6.1-2.el7.nux.x86_64.rpm
1:xrdp-0.6.1-2.el7.nux ################################# [100%]

بعد از ان باید این سرویس را استارت نمود:
systemctl start xrdp.service

همچنین برای راه اندازی(استارت) خودکار این سرویس بعد از reboot شدن سرور، می توان از دستور زیر استفاده کرد:
systemctl enable xrdp.service

این سرویس فایل پیکربندی مشخصی هم دارد که در ان می توان نام کاربری، رمز عبور، پورت و ... را به مقدار ثابتی تعیین نمود یا با استفاده از عبارت ask، تعیین این مشخصات را به زمان ورود به سرور موکول کرد:

[root@ ol7 ~]# vi /etc/xrdp/xrdp.ini
[xrdp1]
name=sesman-Xvnc
lib=libvnc.so
username=ask
password=ask
ip=127.0.0.1
port=ask-1

بعد از انجام این مراحل، باید مطمئن شد که سرویس فایروال و selinux در برقراری این ارتباط، ممانعتی را ایجاد نمی کنند. به این جهت، دو راهکار وجود دارد:
راهکار اول انکه در صورت عدم نیاز به این سرویسها، باید انها را از کار انداخت:

غیرفعال کردن فایروال:
systemctl stop firewalld
systemctl disable firewalld

غیرفعال کردن selinux:
[root@ol7 ~]# vi /etc/sysconfig/selinux
SELINUX=disabled

[root@kartdb ~]# sestatus
SELinux status: disabled


در صورت نیاز به هر کدام از این سرویسها، باید راهکار دوم که تنظیم فایروال و selinux می باشد را برگزید البته به شکلی که بتوان از سرویس xrdp استفاده کرد:
تنظیم فایروال:

firewall-cmd –permanent –zone=public –add-port=3389/tcp
firewall-cmd –reload
تنظیم selinux:

chcon —type=bin_t /usr/sbin/xrdp
chcon —type=bin_t /usr/sbin/xrdp-sesman

بعد از انجام این تنظیمات، با اجرای برنامه remote desktop در محیط ویندوز، ip مربوط به سرور لینوکس را وارد می کنیم:
@BIMining

نام کاربری و کلمه عبور را وارد کرده(البته در صورت عدم تنظیم ان در فایل xrdp.ini) و مقدار پیش فرض پورت که برابر با -1 می باشد را به عدد 5910 تغییر می دهیم. @BIMining

یکی از بهترین توزیع های لینوکس بعنوان سرور شبکه توزیع CentOS می باشد.در این کتاب راه اندازی سرویس های مختلف شبکه به کمک این سیستم عامل محبوب را یاد خواهید گرفت. @BIMining

کتاب CentOS 7 @BIMining

✳️☑️میزان درآمد متوسط سالانه متخصصین حوزه علم داده در سطح دنیا @BIMining

✳️☑️مشخصات زبان R


🔶زبان R برای اولین بار به عنوان یک پروژه تحقیقاتی توسط راس ایهاکا (Ross Ihaka) و رابرت جنتلمن (Robert Gentleman) نوشته شد، و در حال حاضر توسط گروهی از متخصصان علم آمار به نام "تیم هسته زبان R " با صفحه ای در آدرس www.r-project.org در حال توسعه ی فعال می باشد.

زبان R به گونه‌ای طراحی شده، که بی شباهت به زبان نرم افزار S که توسط جان چمبرز (John Chambers) و دیگر افراد در آزمایشگاه‌های بل توسعه یافته بود نباشد. نسخه تجاری نرم افزار S با قابلیتهای بیشتر، توسط موسسه ی علوم آماری به عنوان نرم افزار SPlus توسعه یافته و به بازار عرضه شده؛ بعدها این نسخه نرم افزار SPlus، توسط شرکت Insightful خریداری شده و اکنون نیز متعلق به TIBCO Spotfire می باشد.زبان R و نرم افزار SPlus را می توان به عنوان دو پیاده‌ سازی زبان نرم افزار S در نظر گرفت.
زبان R بصورت رایگان در دسترس بوده و تحت پروانه ی عمومی همگانی، گنو (GNU) از بنیاد نرم افزارهای آزاد (FreeSoftware Foundation) توزیع می گردد. شما می توانید این برنامه را از شبکه جامع آرشیو نرم افزار R در (CRAN) دانلود نمایید. باینری های آماده اجرای زبان R برای سیستم عامل های ویندوز (Windows)، مک او اس ایکس (Mac OS X) و لینوکس (Linux) در دسترس می باشد.
کد منبع (source code) نیز قابل دانلود بوده و می تواند برای سیستم عامل های دیگر کامپایل شود.
حاوی محدوده گسترده‌ای از تکنیک‌های آماری (از جمله: مدل‌سازی خطی و غیرخطی، آزمون‌های کلاسیک آماری، تحلیل سری‌های زمانی، رده‌بندی، خوشه‌بندی و ...) و قابلیت‌های گرافیکی است. در محیط R، کدهای سی، سی++ و فورترن قابلیت اتصال و فراخوانی هنگام اجرای برنامه را دارند و کاربران خبره می‌توانند توسط کدهای سی، مستقیماً اشیا R را تغییر دهند.گرچه نرم‌افزار R اغلب به منظور انجام محاسبات آماری به کار می‌رود، این نرم‌افزار قابل به کارگیری در محاسبات ماتریسی است و در این زمینه، همپای نرم‌افزارهایی چون اُکتاو و نسخه تجاری آن متلب (MATLAB) است. R، همچنین زبانی قدرتمندی برای ایجاد اشکال گرافیکی و نمودارهاست.
به سرعت در حال تبدیل شدن به مهم ترین زبان برنامه نویسی برای هر دو، زیست شناسان تجربی و محاسباتی است .به خوبی طراحی شده است، بسیار کارآمد و به طور گسترده ای مورد استفاده قرار می گیرد و دارای یک پایگاه بسیار زیادی از همکاران و کاربرانی است که که قابلیت های جدید برای تمام جنبه های مدرن از تجزیه و تحلیل داده ها و تجسم را به آن اضافه میکنند. علاوه بر آن رایگان و منبع باز است.
شما می توانید از R برای تقریبا تمام موضوعات بیوانفورماتیک، پروتئومیکس، تجزیه و تحلیل آماری استفاده کنید بطور مثال
(Flow Cytometry, text and data mining, Seqeunce ,NGS,manipulation)
رابرت مونچن امار دانی که این زبان را تدریس میکند ،این زبان به عنوان محبوب ترین زبان برنامه نویسی در زمینه عملیات پژوهشی در سال 2015 اعلام کرده است نا گفته نماند ایشان به عنوان مسئول براورد محبوبیت نرم افزارهای پژوهشی نیز هستند.
و در اخر خاص بودن R را در
1-مجموعه قوی از عملگرهای محاسباتی
2-کتابخانه های خاص چند منظوره
3-بسته های نرم افزاری قدرتمند برای تجزیه و تحلیل
4-دارای مستندات فرمت بندی شده
5-قابلیت شبیه سازی های گوناگون
می توان دانست

@BIMining

استخدام برنامه نويس با شرايط عالي در شركت دانش بنيان ژرف پويان- محل کار تهران @BIMining

Python Algorithms

الگوریتم های مهم با زبان پایتون 👇


@BIMining

Python Algorithms

الگوریتم های مهم با زبان پایتون


@BIMining

✳️☑️برگزاری دوره کاربردی علم داده - Data Science
👨‍🏫مدرس : محمد عالیشاهی

🗓شروع قطعی دوره:11 بهمن 97

⏰روزهای پنجشنبه و جمعه 8:30 الی 14:30

⏳ظرفیت باقیمانده :4 نفر

👨‍🎓با ارائه مدرك معتبر در پايان دوره

📎محل برگزاري: تهران- تقاطع مطهري و سنائي - موسسه آموزشي رايان كالج

✍️برای ثبت نام آنلاین به لینک زیر بروید: http://BIMining.ir

✳️☑️سرفصلهای دوره کاربردی علم داده - Data Science
👨‍🏫مدرس : محمد عالیشاهی

🗓شروع قطعی دوره:11 بهمن 97

⏰روزهای پنجشنبه و جمعه 8:30 الی 14:30

⏳ظرفیت باقیمانده :4 نفر

👨‍🎓با ارائه مدرك معتبر در پايان دوره

📎محل برگزاري: تهران- تقاطع مطهري و سنائي - موسسه آموزشي رايان كالج

✍️برای ثبت نام آنلاین به لینک زیر بروید: http://BIMining.ir

📊 گارتنر می گوید بیش از ۴۰ درصد از وظایف مربوط به علم داده تا سال ۲۰۲۰ اتوماتیک خواهد شد

گارتنر با توجه به افزایش بهره وری و استفاده گسترده تر از داده ها و تجزیه و تحلیل آن توسط Citizen data scientist ، می گوید بیش از ۴۰ درصد از وظایف مربوط به علم داده تا سال ۲۰۲۰ به صورت خودکار خواهد شد.

گارتنر یک citizen data scientist را فردی تعریف می کند که مدل هایی را که در تجزیه و تحلیل پیشرفته ی شناختی و یا قابلیت های پیش بینی و تجویز شده ، استفاده شده اند را ایجاد و تولید می کند، اما وظایف اولیه کاریه او خارج از حوزه آمار و تجزیه و تحلیل است.

به گزارش گارتنر، citizen data scientists می توانند فاصله بین تجزیه و تحلیل self-service جریان اصلی را توسط کاربران کسب و کار و همچنین تجزیه و تحلیل پیشرفته ی تکنیک های علم داده ها پر کنند.آنها در حال حاضر قادر به انجام تجزیه و تحلیلی پیچیده که قبلا مستلزم تخصص بیشتری بود،هستند و قادر خواهند بود تحلیل های پیشرفته ای بدون داشتن مهارت تشخیص دانشمندان داده را ارائه دهند.

با ادامه ظهور علم داده به عنوان یک differentiator قدرتمند در صنایع ، تقریبا همه ی داده ها و فروشنده ی پلت فرم نرم افزارهای تحلیلی در حال حاضر تمرکزشان بر روی ساده سازی هدفی مهم از طریق وظایف مختلف خودکار، از جمله یکپارچه سازی داده ها و مدل سازی متمرکز می باشد.

معاون تحقیقات گارتنر، Alexander Linden می گوید: “ساخت محصولات علم داده برای citizen data scientists به منظور افزایش دسترسی فروشندگان در سراسر شرکت، آسان تر می شود. افزایش در اتوماسیون، بهره وری قابل توجهی را برای دانشمندان داده به همراه دارد و به تعداد کمتری از دانشمندان داده برای انجام همان مقدار کار نیاز خواهد بود. اما هنوز هم برای هر پروژه پیشرفته علمی داده ها ، به حداقل یک و یا دو دانشمند داده نیاز خواهد بود.”

گارتنر پیش بینی کرده است که citizen data scientists از دانشمندان داده در مقدار تجزیه و تحلیل پیشرفته تولید شده تا سال ۲۰۱۹ پیشی خواهند گرفت. مقدار گسترده ای از تجزیه و تحلیل تولید شده توسط citizen data scientists از کسب و کار تاثیر می پذیرند و یک محیط تحلیلی فراگیر تری را ایجاد می کنند، در حالی که در همان زمان از دانشمندان داده ای که می توانند تمرکز خود را بر روی تجزیه و تحلیل های پیچیده تری تغییر دهند، حمایت می کند.

مدیر تحقیقات گارتنر، Joao Tapadinhas می گوید: “اکثر سازمانها به اندازه کافی دانشمند داده ندارند که به طور مداوم در طول کسب و کار در دسترس باشند، اما آنها باید تعداد زیادی تحلیلگر ماهر اطلاعاتی داشته باشند که توانایی تبدیل به citizen data scientists را دارند و با مجهز شدن به ابزار مناسب، آنها می توانند تجزیه و تحلیل و تشخیص های پیچیده تری انجام دهند.”

به گزارش گارتنر، این نتیجه به منابع داده بیشتری از جمله : داده های پیچیده تر، طیف وسیع تر و پیچیده تری از قابلیت های تحلیلی و توانمند سازی تحلیلگران بسیاری در سراسر سازمان با یک فرم ساده از علم داده ، دسترسی خواهد داشت.

تاپادینهاس می گوید : “دسترسی به علم داده در حال حاضر ناشدنیست، با توجه به کمبود منابع و پیچیدگی ، تمام سازمان ها قادر نخواهند بود به آن دسترسی پیدا کنند. برای برخی از سازمان ها،citizen data science یک راه حل ساده تر،سریع تر و بهتر برای تحلیلات پیشرفته خواهد بود.”

@BIMining

✳️☑️نحوه پياده سازي نمودار میله ای در پايتون !!!
Bar Plot in Matplotlib

import matplotlib.pyplot as plt

x= [1,2,3]
y= [20,40,60]

plt.bar(x,y)

plt.title('Bar Graph 1 of Customer Data')

plt.xlabel('Amount of People')

plt.ylabel('Money Spent')

plt.show()
@BIMining

✳️☑️نحوه پياده سازي Pie Chart با استفاده از زبان پايتون !!!


import matplotlib.pyplot as plt

labels= ['Mortgage', 'Utilities', 'Food', 'Gas']

colors=['blue', 'yellow', 'green', 'orange']

sizes= [1500, 600, 500, 300]

plt.pie(sizes,labels=labels, colors=colors, startangle=90, autopct='%1.1f%%')

plt.axis('equal')

plt.show()

@BIMining

#آموزش نمودار میله ای در پایتون

import matplotlib.pyplot as plt
   
x= [1,2,3]
y= [20,40,60]

x2=[4,5,6]

plt.bar(x,y, label="Morning Group")

plt.bar(x2,y, label="Evening Group")

plt.title('Bar Graph 1 of Customer Data')

plt.xlabel('Amount of People')

plt.ylabel('Money Spent')

plt.legend()

plt.show()

@BIMining

#آموزش Create a Stack Plot در پایتون!

import matplotlib.pyplot as plt

months= [x for x in range(1,13)]

mortgage= [700, 700, 700,
           800, 800, 800,
           850, 850, 850,
           850, 850, 850]

utilities= [500, 300, 380,
           200, 600, 550,
           310, 620, 290,
           320, 440, 400]

repairs= [100, 120, 100,
          150, 850, 80,
          120, 220, 240,
          50, 60, 150]

plt.plot([],[], color='blue', label='mortgage')
plt.plot([],[], color='orange', label='utilities')
plt.plot([],[], color='brown', label='repairs')


plt.stackplot(months, mortgage, utilities, repairs, colors=['blue', 'orange', 'brown'])

plt.legend()

plt.title('Household Expenses')
plt.xlabel('Months of the year')
plt.ylabel('Cost')

plt.show()

@BIMining

✳️☑️برگزاری دوره کاربردی علم داده - Data Science
👨‍🏫مدرس : محمد عالیشاهی

🗓شروع قطعی دوره:11 بهمن 97

⏰روزهای پنجشنبه و جمعه 8:30 الی 14:30

⏳ظرفیت باقیمانده : 1نفر

👨‍🎓با ارائه مدرك معتبر در پايان دوره

📎محل برگزاري: تهران- تقاطع مطهري و سنائي - موسسه آموزشي رايان كالج

✍️برای ثبت نام آنلاین به لینک زیر بروید: http://BIMining.ir