معماري پيشرفته در كلاس ٨-١ تشكيل خواهد شد.

شبكه پيشرفته ساعت ١٠:٢٥

معماري پيشرفته زین پس ساعت ۱۵:۳۰ تشكيل خواهد شد.

کتابخانه مرکزی و مرکز اطلاع‌رسانی معاونت پژوهش و فناوری دانشگاه محقق اردبیلی برگزار می‌کند:

#کارگاه
#مرجع‌شناسی_علمی و راهکارهای تامین منبع از پایگاه‌های اطلاعاتی موجود

🔹مدرس: سرکار خانم منیژه آذر
مسئول تامین پایگاه‌های اطلاعاتی و تامین منابع

🔹مخاطب: دانشجویان دانشکده فنی مهندسی
🔸زمان: سه‌شنبه ۸ آبان ۱۴۰۳
ساعت ۱۱ الی ۱۳:۳۰

🔸مکان: سایت کامپیوتری دانشکده فنی و مهندسی

https://xn--r1a.website/lib_uma
https://eitaa.com/LIb_UMA

دعوت به همکاری پاره وقت و تمام وقت:
دانشجویان یا فارغ التحصیلان آشنا به توسعه فرانت با React JS رزومه خود را به @shahram_jamali ارسال نمایند.

Data Scientist Roadmap
|
|-- 1. Basic Foundations
|   |-- a. Mathematics
|   |   |-- i. Linear Algebra
|   |   |-- ii. Calculus
|   |   |-- iii. Probability
|   |   -- iv. Statistics
|   |
|   |-- b. Programming
|   |   |-- i. Python
|   |   |   |-- 1. Syntax and Basic Concepts
|   |   |   |-- 2. Data Structures
|   |   |   |-- 3. Control Structures
|   |   |   |-- 4. Functions
|   |   |   -- 5. Object-Oriented Programming
|   |   |
|   |   -- ii. R (optional, based on preference)
|   |
|   |-- c. Data Manipulation
|   |   |-- i. Numpy (Python)
|   |   |-- ii. Pandas (Python)
|   |   -- iii. Dplyr (R)
|   |
|   -- d. Data Visualization
|       |-- i. Matplotlib (Python)
|       |-- ii. Seaborn (Python)
|       -- iii. ggplot2 (R)
|
|-- 2. Data Exploration and Preprocessing
|   |-- a. Exploratory Data Analysis (EDA)
|   |-- b. Feature Engineering
|   |-- c. Data Cleaning
|   |-- d. Handling Missing Data
|   -- e. Data Scaling and Normalization
|
|-- 3. Machine Learning
|   |-- a. Supervised Learning
|   |   |-- i. Regression
|   |   |   |-- 1. Linear Regression
|   |   |   -- 2. Polynomial Regression
|   |   |
|   |   -- ii. Classification
|   |       |-- 1. Logistic Regression
|   |       |-- 2. k-Nearest Neighbors
|   |       |-- 3. Support Vector Machines
|   |       |-- 4. Decision Trees
|   |       -- 5. Random Forest
|   |
|   |-- b. Unsupervised Learning
|   |   |-- i. Clustering
|   |   |   |-- 1. K-means
|   |   |   |-- 2. DBSCAN
|   |   |   -- 3. Hierarchical Clustering
|   |   |
|   |   -- ii. Dimensionality Reduction
|   |       |-- 1. Principal Component Analysis (PCA)
|   |       |-- 2. t-Distributed Stochastic Neighbor Embedding (t-SNE)
|   |       -- 3. Linear Discriminant Analysis (LDA)
|   |
|   |-- c. Reinforcement Learning
|   |-- d. Model Evaluation and Validation
|   |   |-- i. Cross-validation
|   |   |-- ii. Hyperparameter Tuning
|   |   -- iii. Model Selection
|   |
|   -- e. ML Libraries and Frameworks
|       |-- i. Scikit-learn (Python)
|       |-- ii. TensorFlow (Python)
|       |-- iii. Keras (Python)
|       -- iv. PyTorch (Python)
|
|-- 4. Deep Learning
|   |-- a. Neural Networks
|   |   |-- i. Perceptron
|   |   -- ii. Multi-Layer Perceptron
|   |
|   |-- b. Convolutional Neural Networks (CNNs)
|   |   |-- i. Image Classification
|   |   |-- ii. Object Detection
|   |   -- iii. Image Segmentation
|   |
|   |-- c. Recurrent Neural Networks (RNNs)
|   |   |-- i. Sequence-to-Sequence Models
|   |   |-- ii. Text Classification
|   |   -- iii. Sentiment Analysis
|   |
|   |-- d. Long Short-Term Memory (LSTM) and Gated Recurrent Units (GRU)
|   |   |-- i. Time Series Forecasting
|   |   -- ii. Language Modeling
|   |
|   -- e. Generative Adversarial Networks (GANs)
|       |-- i. Image Synthesis
|       |-- ii. Style Transfer
|       -- iii. Data Augmentation
|
|-- 5. Big Data Technologies
|   |-- a. Hadoop
|   |   |-- i. HDFS
|   |   -- ii. MapReduce
|   |
|   |-- b. Spark
|   |   |-- i. RDDs
|   |   |-- ii. DataFrames
|   |   -- iii. MLlib
|   |
|   -- c. NoSQL Databases
|       |-- i. MongoDB
|       |-- ii. Cassandra
|       |-- iii. HBase
|       -- iv. Couchbase
|
|-- 6. Data Visualization and Reporting
|   |-- a. Dashboarding Tools
|   |   |-- i. Tableau
|   |   |-- ii. Power BI
|   |   |-- iii. Dash (Python)
|   |   -- iv. Shiny (R)
|   |
|   |-- b. Storytelling with Data
|   -- c. Effective Communication
|
|-- 7. Domain Knowledge and Soft Skills
|   |-- a. Industry-specific Knowledge
|   |-- b. Problem-solving
|   |-- c. Communication Skills
|   |-- d. Time Management
|   -- e. Teamwork
|
-- 8. Staying Updated and Continuous Learning
    |-- a. Online Courses
    |-- b. Books and Research Papers
    |-- c. Blogs and Podcasts
    |-- d. Conferences and Workshops
    `-- e. Networking and Community Engagement

Best Data Science & Machine Learning Resources: https://topmate.io/coding/914624

چوب حراج Avast بر امنیت و اعتماد کاربران
🔻داستان شرکت امنیت سایبری که اطلاعات کاربرانش را مخفیانه می‌فروخت

🔹این شرکت که ادعا می‌کرد که از حریم خصوصی محافظت می‌کند، اما در واقع اطلاعات دقیقی در مورد فعالیت وب با بیش از 100 شرکت از طریق شرکت تابعه خود Jumpshot به اشتراک می‌گذاشت.

🔹شرکت امنیت سایبری آواست (Avast) از سال ۲۰۱۴ تا ۲۰۲۰ اطلاعات مربوط به فعالیت‌های وب کاربران خود را از طریق نرم‌افزار آنتی‌ویروس و افزونه‌های مرورگر جمع‌آوری می‌کرد و این داده‌ها را بدون اطلاع یا رضایت کاربران به بیش از ۱۰۰ شرکت ثالث فروخته است. این اطلاعات شامل جستجوهای گوگل، بازدید از وب‌سایت‌ها، موقعیت مکانی، وضعیت مالی، باورهای مذهبی و تمایلات سیاسی کاربران بوده است.

🔹در پی افشای این موضوع، کمیسیون تجارت فدرال ایالات متحده (FTC) شرکت آواست را به پرداخت ۱۶٫۵ میلیون دلار جریمه محکوم کرد و این شرکت را از فروش یا صدور مجوز هرگونه داده کاربران برای اهداف تبلیغاتی منع کرد.

🔹همچنین، آواست موظف شد تمام داده‌های جمع‌آوری‌شده توسط شرکت تابعه خود (Jumpshot) را حذف کند و به مشتریان آسیب‌دیده اطلاع دهد که داده‌هایشان فروخته شده است.

🔹پس از رسوایی فروش داده‌های کاربران توسط Avast، این شرکت با چالش‌های متعددی مواجه شد. با این حال، در سال ۲۰۲۱، NortonLifeLock پیشنهاد ادغام با Avast را مطرح کرد که در سپتامبر ۲۰۲۲ نهایی شد. این ادغام به Avast کمک کرد تا با بهره‌گیری از منابع و زیرساخت‌های NortonLifeLock، به بهبود محصولات و خدمات خود بپردازد و اعتماد کاربران را بازسازی کند.

🔹این ادغام ممکن است به عنوان تلاشی برای بهبود تصویر عمومی و بازسازی اعتماد کاربران تلقی شود. با این حال، برخی از کاربران و کارشناسان امنیتی همچنان نسبت به استفاده از محصولات این شرکت محتاط هستند.

دانشجويان كارشناسي ارشد ترم دوم:
اولين جلسه بعد از تعطيلات ارائه باقيمانده درس شبكه پيشرفته انجام خواهد شد.

آغاز ثبت‌نام میهمانی و انتقال دانشجویان دانشگاه‌ها از ۱۵ فروردین – فرصت ثبت‌نام تا ۳۱ اردیبهشت

🔻دکتر ابوالفضل دانشور مدیر کل دانشجویان داخل سازمان امور دانشجویان :

🔹دانشجویان دوره های کاردانی، کارشناسی پیوسته و ناپیوسته و دکتری حرفه ای دانشگاه‌ها و موسسات آموزش عالی سراسر کشور از 15 فروردین ماه می توانند درخواست میهمانی و انتقال خود را برای دو نیمسال سال تحصیلی ۱۴۰5-۱۴۰۴ در سامانه سجاد با آدرسhttps://portal.saorg.ir ثبت کنند.

🔹مهلت ثبت نام تا 31 اردیبهشت 1404 برای ثبت درخواست از سوی متقاضیان دارای شرایط منطبق بر آیین نامه ادامه خواهد یافت و این فرصت غیر قابل تمدید است لذا تاکید می ک نیم دانشجویان عزیز ثبت‌نام را در بازه زمانی تعیین شده انجام دهند تا بتوانند از این فرصت استفاده کنند در غیر اینصورت امکان بررسی درخواست ها نخواهد بود.
http://eitaa.com/msrt_ir
🆔@msrt_iri

✍️ دوست عزیزی كه از الان ذغال و سیخ وقلیون و تنباكو و توپ و كلی خوراكی اماده كردی

و ده دقیقه یه بار چك میكنی چیزی از قلم نیفتاده باشه،

✅لطفا حتما حتما یادمون باشه، یه كیسه زباله هم با خودمون ببریم که مبادا چیزی در طبیعت جایگذاریم.

اگر هر کدام از ما علاوه بر زباله خودمون، یه کسیه زباله هم از محیط جمع کنیم، فکر کنم اتفاق بزرگی رقم بخوره.

با طبیعت مهربان باشیم


👤 سلمان کدیور



#روجین
🌹

دانشجویانی که در حوزه PHP Laravel تجربه دارند و دروس کارآموزی یا پروژه دارند، به اينجانب پیغام دهند.