ScienceWave


Гео и язык канала: не указан, не указан
Категория: не указана


☀️ScienceWave Academy☀️
#Data_Science
#Python
#Matlab
#Excel
#Engineering
.
👇Contact👇
🆔 @SCWaveAdmin
🆔 @SCWaveAdmin2
.
👇Instagram Page👇
📱 Instagram.com/sciencewave

Связанные каналы

Гео и язык канала
не указан, не указан
Категория
не указана
Статистика
Фильтр публикаций


🧩 در این روزهای تعطیلی ناشی از ویروس کرونا، چه بهتر که به ارتقای مهارت های فردی خود فکر کنیم.

🔆 دوره آموزشی آنلاین اکسل کاربردی
🏅 با تدریس مدرس نام آشنای کشور مهندس احسان ظاهری

🔥 مدرس در کارخانه ها و واحدهای صنعتی همچون‌ایران‌خودرو، و دانشگاه های برتر

📅 ۲۴،۲۵ اسفند ۹۸ و ۷، ۸ فروردین ۹۹
🕐 ۲۰ ساعت
💰 ۲۰ درصد تخفیف برای ثبت نام تا ۲۰ اسفند


برای ثبت نام به لینک‌ زیر مراجعه کنید.
https://evnd.co/NPaI8

#اکسل #اکسل_کاربردی #مهندسی
_
🆔 @ScienceWave


seaborn_tutorial.pdf
2.1Мб
🧩 یک e-book خیلی خوب در رابطه با کتابخانه seaborn.
🌼 کسایی که علاقه مند به مصور سازی داده ها تو پایتون هستن این e-book خیلی بهتون کمک میکنه توی یادگیری انواع نمودارایی که تو این کتابخونه بکار رفته😊.
حتما بخونیدش😉👌

#علم_داده #پایتون
__________________
🆔 @ScienceWave




📍6 گام برای یادگیری علم داده در سال 2020

#علم_داده
_____________
🆔 @ScienceWave


🏅کرونا اومده و رفتی تو قرنطینه؟؟
🏅بیکاری و نمیدونی چه کاری باید انجام بدی؟؟
🏅میخوای بهترین باشی؟؟
🏅 الان‌ بهترین فرصته که روی خودت سرمایه گذاری کنی😉.
🔥 با کمترین زمان، و بیشترین بازده یادگیری رو شروع کن😉.
🔆 فقط کافیه که بشینی تو خونه و یاد بگیری.

✴ لیست آموزش ها:
https://idpay.ir/sciencewave/shop

🌼 آکادمی ScienceWave 🌼
با مجوز رسمی از وزارت فرهنگ و ارشاد اسلامی

☎ ارتباط با آکادمی و اطلاعات بیشتر:
@SCwaveAdmin

#اکسل #پایتون #متلب #علم_داده #مهندسی_عمران
#فیلم_آموزشی
______________
🆔 @ScienceWave


🧩 مقایسه توانایی های یک تحلیلگر بازار با دانشمند داده


#علم_داده #داده_کاوی
__________________
🆔 @ScienceWave


QUT Webinar-winter 2020.pdf
4.3Мб
🧩 فایل ارائه شده در وبینار آشنایی با علم داده.
🏅 با همکاری انجمن علمی مهندسی صنایع دانشگاه صنعتی قم و آکادمی ScienceWave

#علم_داده #پایتون #متلب #اکسل #پایگاه_داده #داده_کاوی #بیگ_دیتا
__________________
🆔 @ScienceWave


🏅 منابع کلی برای یادگیری پایتون

#پایتون #علم_داده
__________________
🆔 @ScienceWave


Data Science Cheatsheet.pdf
1.1Мб
📎 این فایل به صورت کاملا خلاصه و در قالب ۱۰ صفحه به تمام آنچه باید در مورد علم داده بدونید، میپردازه😎

🔍 با معرفی علم داده شروع میکنه، مباحث آماری مورد نیاز، آماده سازی داده، انواع الگوریتم های modeling داده و... در نهایت با مباحث deep learning و big data خاتمه میده.

🔴 این فایل رو در گوشی‌تون ذخیره کنید، یه روز حتما بهش برمیگردید😎

#معرفی #علم_داده
#data_science #big_data #deep_learning
__________________
🆔 @ScienceWave


⭕️ متدولوژی کریسپ CRISP-DM

متدولوژی کریسپ یک روش صنعتی اثبات شده برای هدایت تلاش های داده کاوی است . در واقع کریسپ یک مدل فرآیند داده کاوی است که راهبردهای معمولی که توسط داده کاوان خبره برای غلبه بر مشکلات داده کاوی استفاده می شود را شرح می دهد .

✅ مختصری از فازهای مدل CRISP:

☝️درک خواسته‌های تجاری

در این فاز اولیه، تاکید روی درک اهداف و نیازمندهای پروژه از دیدگاه تجاری؛ و تبدیل آن‌ها به تعاریف حوزه‌ی داده‌کاوی است. سپس یک طرح اولیه برای به رسیدن به اهداف چیده می‌شود.

☝️درک داده

این فاز با گردآوری داده‌های اولیه آغاز می‌شود و با فعالیت‌هایی جهت آشنایی با داده، شناسایی مشکلات کیفیتی داده، کشف ماهیت داده‌ها، و یافتن زیرمجموعه‌های جالب‌توجهی که فرضیات اطلاعات پنهان را شکل می‌دهند.

☝️آماده سازی داده

فاز آماده‌سازی داده شامل همه‌ی فعالیت‌هایی است که منجر به ساخت مجموعه داده نهایی از داده های خام اولیه می‌شود. وظایف آماده‌سازی داده معمولاً چندین بار انجام می‌گیرند. این وظایف شامل انتخاب جدول، رکورد و ویژگی‌هاست، هم چنین تغییرشکل و خالص‌سازی داده با ابزار های مدل سازی

☝️مدل سازی

در این فاز، تکنیک‌های مدل‌سازی مختلفی انتخاب و به کار برده می‌شوند و تنظیمات مدل برای بهینه‌سازی نتایج به شکل اصول معینی در آورده می‌شود. معمولاً از تکنیک‌های مختلفی برای حل مساله داده‌کاوی استفاده می‌شود. در برخی از این تکنیک‌ها، لازم است داده به صورت خاصی باشد. بنابراین در صورت نیاز به فاز قبلی یعنی فاز آماده‌سازی داده بازمی‌گردیم.

☝️ارزیابی

در این مرحله از پروژه، مدل یا مدل‌هایی ساخته شده و قبل از رفتن به فاز استقرار، باید این مدل‌ها و گام‌هایی که در ساخت آن‌ها به کار رفته، ارزیابی شود. هدف کلیدی در این فاز، بررسی وجود مسایلی است که به قدر کافی در نظر گرفته نشده‌اند. در انتهای این فاز، تصمیمی با توجه به کاربرد نتایج داده‌کاوی به‌دست آمده، گرفته می‌شود.

☝️اسقرار

ساخت مدل، انتهای پروژه نیست. حتی اگر هدف مدل افزایش دانش داده‌ها باشد، دانش به دست آمده باید به صورتی که برای مشتری قابل استفاده باشد، سازماندهی و ارائه شود. با توجه به نیازمندی‌ها، فاز استقرار می‌تواند به سادگی تولید یک گزارش ساده و یا به پیچیدگی پیاده‌سازی فرایند داده‌کاوی تکرارپذیر باشد. خیلی اوقات، این مشتری است که به جای تحلیل‌گر فاز استقرار را انجام می‌دهد.


#علم_داده#یادگیری_ماشین
__________________
🆔 @ScienceWave




🔆 متاسفانه با شیوع کرونا ویروس امکان‌برگزاری حضوری این سمینار میسر نشد. اما با همکاری و تلاش انجمن‌علمی دانشگاه صنعتی قم و آکادمی انشاالله ۱۴ اسفند، در وبینار اشنایی با علم داده در خدمت دوستان خواهیم بود.


🔆 اگر‌ مایل به کسب اطلاعات بیشتر بودید می تونید به آیدی آکادمی یا روابط عمومی انجمن علمی دانشگاه صنعتی قم مراجعه کنید.

@SCWaveAdmin
@IEQUT

🌼 توصیه میکنم این‌ وبینار رو از دست ندید😉.


✔️ انجمن علمی مهندسی صنایع دانشگاه صنعتی قم برگزار میکند:

⚡️ وبینار آشنایی با علم داده

🗓تاریخ : چهارشنبه ۱۴ اسفند ماه

🕛زمان: ساعت ۱۶ الی ۱۸

🔶 رایگان 🔶

❌ ظرفیت محدود ❌

جهت ثبت نام به لینک زیر مراجعه نمائید:

https://evnd.co/CDwHb

🆔 @qutindustrial
🆔 @ScienceWave


📍برترین مهارت‌های مورد نیاز یک دانشمند داده

▪️براساس تحلیل بیش از 300 فرصت شغلی دانشمندان علم‌داده در سال 2019 به ترتیب زبان‌های برنامه‌نویسی پایتون، R و SQL همچنان در رتبه‌های اول قرار دارند.

▪️از نکات قابل توجه در فرصت‌های شغلی متخصصین علم‌داده، رشد مهارت‌ها و تخصص‌های مرتبط با Big Data و پلتفرم‌های هدوپ و اسپارک می‌باشد. این میزان از 17 درصد در سال 2015 به 59 درصد در سال 2018 رسیده است.

▪️در میان فریم‌ورک‌های یادگیری عمیق نیز فریم‌ورک‌های تنسورفلو، Keras و Pytorch دارای بیشترین فراخوانی در آگهی‌های متخصصین علم‌داده بوده‌اند.

▪️از میان کتابخانه‌های تحلیلی زبان برنامه‌نویسی پایتون به ترتیب کتابخانه‌های Scikit Learn, Pandas و Numpy بیشتر مورد توجه بوده است.

#علم_داده#یادگیری_ماشین#یادگیری_عمیق#تحلیل_داده
__________________
🆔 @ScienceWave


📍‍ معرفی مشاغل و فرصت‌های کاری جذاب در حوزه داده!

🏅 متخصص علم‌داده
جهت ورود به حوزه علم‌داده نیاز به کسب دانش و تخصص در موضوعاتی همانند مهندسی نرم‌افزار، ریاضیات، آمار، متخصص حوزه‌ و... خواهید داشت. ساخت مدل‌های توصیفی، پیش‌بینانه‌، استقرار مدل‌‌های مبتنی بر یادگیری ماشین و آمار از وظایف کلیدی یک متخصص علم‌داده است. آشنایی با زبان‌های پایتون و R، نرم‌افزارهای رپیدماینر، Knime، SPSS Modeler و توانایی کار با پایگاه داده‌های رابطه و زبان SQL از مؤلفه‌های موفقیت در این فیلد شغلی در بازار کار کشور است. توجه به مهارت‌های نرم همانند خلاقیت، فنون مذاکره، کار تیمی و... سبب تمایز شما در بازار کار خواهد شد.

🏅 متخصص هوش‌تجاری
هوش‌تجاری مجموعه‌ای از ابزارها، برنامه‌های کاربردی و متدولوژی‌ها است که با جمع‌آوری داده‌ها و تحلیل بلادرنگ آن، سبب اتخاذ تصمیمات داده‌‍محور بهینه و بهبود فرایندها در کسب‌وکار می‌شود. درصورتی‌که علاقه‌مند به ورود به حوزه هوش‌تجاری هستید آشنایی و کسب دانش تخصص در پلتفرم‌ها و فریم‌ورک‌های هوش‌تجاری پایگاه داده‌های Microsoft SQL Server یا Oracle توصیه می‌شود. آشنایی با نرم‌افزارها و ابزارهای مطرح داشبورد سازی و مصورسازی همانند Qlik, Power BI و Tableau از پیش‌نیازها می‌باشد.

🏅 مهندس یادگیری ماشین
بر اساس آمار برترین مشاغل در ایالات‌متحده آمریکا، امسال برترین شغل حوزه مهندسی یادگیری ماشین می‌باشد. حوزه‌ای کاملا جذاب و جدید که در آینده در داخل کشور نیز توجهات به آن افزایش پیدا خواهد کرد. توانایی پیاده‌سازی الگوریتم‌های تخصصی یادگیری ماشین، آشنایی با فریم‌ورک‌ها و پلتفرم‌های یادگیری عمیق، بهینه‌سازی و توسعه مدل‌های یادگیری ماشین در محیط‌های عملیاتی، استقرار مدل‌ها و الگوریتم‌های توزیعی و...از وظایف یک مهندس یادگیری ماشین خواهد بود.

🏅 توسعه‌دهنده کلان داده
یکی از مشاغل کلیدی در حوزه Big Data، توسعه‌دهنده کلان داده می‌باشد. وظیفه اصلی یک توسعه‌دهنده کلان داده استقرار و توسعه محصولات و سامانه‌های نرم‌افزاری در مقیاس کلان داده خواهد بود. آشنایی با پایگاه داده‌های غیر رابطه‌ای(NoSQL) و رابطه‌ای، تخصص در پلتفرم‌ها و کتابخانه‌های اکوسیستم آپاچی هدوپ و اسپارک، توانایی مدیریت، نگه‌داری و انتقال بلادرنگ داده‌ها، آشنایی با معماری‌های پردازشی توزیع‌شده و... از وظایف این حوزه کاری می‌باشد.

🏅 تحلیلگر کلان داده
در فیلد Big Data Analysis و فرصت‌های شغلی این حوزه هدف اصلی استقرار مدل‌های تحلیلی بر روی دادگان حجیم می‌باشد. آشنایی با پلتفرم‌ها و کتابخانه‌های تحلیلی کلان داده همانند کتابخانه‌های یادگیری ماشین هدوپ(Mahout)، اسپارک(Spark Mllib)، تخصص در مفاهیم یادگیری ماشین و استقرار مدل‌های پیش‌بینانه و توصیفی از نیازمندی‌های این حوزه هست. در این فیلد نیز زبان پایتون بهترین انتخاب خواهد بود.

🏅 متخصص متن‌کاوی
یکی از فیلدها جذاب که به‌تازگی توجهات به آن بر اساس کاربردها و کارکردهای که دارد افزایش یافته است حوزه متن‌کاوی می‌باشد. در این حوزه هدف استقرار مدل‌هایی در جهت تحلیل و آنالیز دادگان متنی و بدون ساختار موجود در سازمان همانند باشگاه مشتریان، شبکه‌های اجتماعی، کامنت‌ها و... می‌باشد. جهت ورود به این حوزه نیاز به آشنایی با زبان‌های برنامه‌نویسی همانند پایتون، جاوا یا R خواهید داشت. آشنایی با مفاهیم اصلی و پایه‌ یادگیری ماشین و داده‌کاوی نیز از پیش‌نیازها ورود به این حوزه است.

#علم_داده#یادگیری_ماشین#هوش_تجاری#تحلیل_داده

__________________
🆔 @ScienceWave


⚠⚠⚠⚠ اطلاعیه ⚠⚠⚠⚠

در راستای جهت دهی به اهداف و گسترش آکادمی، اعضای اکادمی بر آن شدند که نام رسمی آکادمی را از Matlabworld تغییر دهند و آنرا ScienceWave نام نهند. آکادمی با مجوز رسمی از وزارت فرهنگ و ارشاد اسلامی برای نشر و برگزاری دوره های تماما آنلاین در کشور، تلاش خود را برای اشاعه هرچه بیشتر دانش خواهد کرد. سایت آکادمی نیز پس از آپ دیت شدن در دسترس همگان قرار خواهد گرفت.
بدین ترتیب از این پس ما را با نام ScienceWave دنبال کنید و به دوستان خود معرفی کنید🌹🌹

🔰 آدرس رسمی اینستاگرام:
ScienceWave

🔰 کانال رسمی تلگرام:
@ScienceWave

با احترام
🌼 ScienceWave Academy 🌼


📎در راستای پست اخیر به بررسی مفاهیم زیر میپردازیم:

🔹تجزیه و تحلیل توصیفی
(Descriptive analytics)
همان طور که اشاره شد، این روش مورد نیاز دانشمند داده و تحلیل گر داده می باشد.
در تجزیه و تحلیل توصیفی از روش‌های تجمیع داده‎‌ها و داده‌کاوی برای دستیابی به بینشی نسبت به "گذشته" و آگاهی از آن چه رخ داده است، استفاده می‌شود.

🔹تجزیه و تحلیل پیشگویانه:
(Predictive analytics)
این مورد خارج از حیطه ی تحلیلگر داده است. در حالی ک دانشمند داده باید به این روش ها مسلط باشد. او با استفاده از الگوریتم های ماشین لرنینگ به آن می پردازد.
روش تحلیلی است که در آن از مدل‌های آماری و روش‌های پیش‌بینی به منظور آگاهی از "آینده" و آن چه ممکن است روی بدهد، استفاده می‌شود.

🔹تجزیه و تحلیل دستورالعملی:
(Prescriptive analytics)
روش تحلیلی است که در آن از تکنیک‌های بهینه‌سازی و شبیه‌سازی برای تشخیص آن چه باید انجام شود و نتایج احتمالی آن استفاده می‌شود.
#analytics
__________________
@matlabworld_ir


Видео недоступно для предпросмотра
Смотреть в Telegram
این ویدئو به تعریف و مقایسه "دانشمند داده" و "تحلیلگر داده" پرداخته و در ادامه ابزارهای مناسب هر یک را معرفی میکند.

پس از شناخت هر یک، متناسب با علایق و توانایی های خود میتوان به تقویت مهارت های موردنیاز پرداخت.

با صرف ۶ دقیقه زمان، این موضوع را برای همیشه فرا گیریم😎
#Data_Scientist #Data_Analyst
#دانشمند_داده #تحلیلگر_داده
________________
@matlabworld_ir


Репост из: Sharif AI Challenge
🔸🔷 ثبت‌نام رسمی AI Challenge 2020 آغاز شد!🔸🔷

🔸 فرصت شرکت در بزرگترین مسابقه هوش مصنوعی کشور را از دست ندهید...

💠 همین حالا #ثبت‌نام کنید:
🔗 https://aichallenge.sharif.edu/go/RegisterNow

📰اخبار بیشتر را از طریق شبکه‌های اجتماعی دنبال کنید
➖➖➖➖➖➖
@AiChallenge


⭐ فهرستی از مطالب مفیدی که باید دانست!

🧩 مهمترین فرمول های آمار و ریاضیات برای علم داده

https://t.me/matlabworld_ir/229

🧩‌ابزارهای متداول تحلیل داده محور در حوزه های مختلف

https://t.me/matlabworld_ir/247

🧩 ۹ مهارت مورد نیاز برای تبدیل شدن به دانشمند داده

https://t.me/matlabworld_ir/253

🧩 ۱۰ الگوریتم برتر در یادگیری علم داده

https://t.me/matlabworld_ir/251

🧩 سوالات مصاحبه استخدامی متخصص علم داده

https://t.me/matlabworld_ir/215

➖➖➖➖➖➖
🆔 @matlabworld_ir

🔆Matlabworld Academy🔆

Показано 20 последних публикаций.

507

подписчиков
Статистика канала