کانال هوش تجاري كلان داده

شرکت شبکه الکترونیک پرداخت کارت (شاپرک🦋) در دو عنوان شغلی زیر دعوت به همکاری می نماید، علاقه مندان برای دریافت اطلاعات بیشتر و ثبت درخواست به لینک زیر مراجعه فرمایند.

📊کارشناس تحلیل‌گر داده


تسلط به مفاهیم کلان داده ، یادگیری ماشینی و هوش مصنوعی
آشنایی کافی با موضوعات هوش تجاری و تحلیل کسب و کار
تسلط بر گزارش نویسی فنی
آشنایی با شبکه پرداخت و بانکداری الکترونیک
تسلط به کار با داده بوسیله نرم افزارهای Python ، R ، SPSS modeler


💻کارشناس تحلیل‌گر سیستم

آشنایی با پویایی شناسی سیستمها
تجربه پروژه تحلیل و مدلسازی سیستمهای پیچیده
تسلط بر گزارش نویسی فنی
دارای نگاه سیستمی و کل نگر
آشنایی کافی با نرم افزارهای شبیه سازی سیستم iThink ، Vensim

https://job.shaparak.ir/index.php/site/register

@BIMining

✅ کدام کتاب را بخوانم و کدام منبع برای
یادگیری من بهترین است؟

خیلی از مواقع برای یادگیری یک موضوع خاص در دنیای IT از کتاب های الکترونیک یا Ebookها استفاده میکنیم، اما معمولاً در مورد یک موضوع خاص چندین نسخه مختلف از این Ebookها در سطح اینترنت و یا گروه ها و کانال های تلگرامی به اشتراک گذاشته شده اند و در عنوان آنها عبارتی مانند: Essentials و Fundamentals و for Neibies و Deep Dive و Cookbook و... را مشاهده می کنید و شاید این سوال مطرح شود که: "کدام کتاب برای شروع کار و یادگیری من بهترین است؟". در پاسخ به این سوال شاید مهمترین موضوع این باشد که "دانش" شما نسبت به آن موضوع در "چه سطحی" قرار دارد، یعنی به عنوان مثال شما هیچ دانشی و backgroundی از موضوع مورد نظر ندارید، کمی با موضوع آشنایی دارید ولی Conceptها را نمی دانید، Conceptها را می دانید ولی Config و پیاده سازی را بلد نیستید، هم Concept و هم Config را می دانید اما به دنبال تسلط بیشتر و انجام سناریوهای عملی و کاربردی هستید و... . پس از پاسخ به سوال مطرح شده مسلماً می توانید بهترین منبع را برای یادگیری Self-Study و Self-Learning خود در هر سطحی که هستید انتخاب نمایید.
متأسفانه بنده هیچ منبع خوبی برای مقایسه این واژگان در عنوان کتاب ها پیدا نکردم اما تصمیم گرفتم با توجه به تجربیات شخصی خود از مطالعه کتاب های مختلف مطلبی در این زمینه بنویسم.


📌 Essentials
که نشون میده این کتاب از base و پایه به موضوع مورد نظر می پردازه ولی تمامی مطالب به صورت "سطحی" نه "عمقی" مطرح می شوند، سناریو-محور نیستند و مثال های کاربردی کمی دارند. Conceptها کلی مطرح شده و به جزئیات توجه نمی شود و Configها نیز جامع نیستند. خواندن این کتاب ها وقت زیادی را از شما نمیگیرد و معمولاً این کتاب ها بسته به موضوع چیزی حدود 110 تا 300 صفحه دارند.

📌 Fundamentals
این کتاب ها معمولاً به "اصول پایه ای" یک موضوع یا مبحث خاص میپردازند، متدها را بررسی کرده و روش های مختلف اجرا (اما معمولاً بدون پیاده سازی) را مطرح می کنند.

📌 for Newbies
یعنی اینکه کتاب برای تازه کارها نوشته شده و اگر شخصی که داره کتاب رو میخونه قبلاً هم هیچ دانشی نداره مشکلی نیست و این کتاب در مورد موضوع مورد نظر پایین ترین سح ممکن رو در بین کتاب ها داره

📌 Deep Dive
یعنی (شیرچه عمیق) که توی یک مبحث خاص یا یک موضوع مشخص تا عمق زیاد وارد میشه و مطالبش سطحی نیستند و با جزئیات زیاد در مورد همه چیز گفته میشه در کتاب. وقتی میگن یه کتاب by details مطالب رو توضیح میده یعنی همین.

📌 Cookbook
این کتاب ها معمولاً شامل Concept + Config و مثال ها و سناریوها هستند، روش های troubleshootها رو میگن، راهکارهای مانیتورینگ رو، روش های backup گیری رو، روش های integrate کردن رو، پیشنیازها رو و... در مورد اون موضوع خاص، تقریباً میشه گفت کتاب های Cookbook از همه جهات به اون موضوع کتاب میپردازن

📌 Practical
اینها کتاب های عملیاتی هستند، دیگه نمیاد در مورد موضوع کتاب Concept رو معمولاً از base شروع کنه به گفتن و بعد بره سر Config و...، از همون اول شروع میکنه با سناریو و مثال های عملی و کاربردی مطالب رو دونه دونه جلو میره

📌 Playbook
یکسری راهکارها رو که بیشتر کاربرد دارند توی اون موضوع خاص سعی میکنه بگه بطوریکه درصد Concept به Config توی این کتاب ها 30 به 70 هست تقریباً

📌 Mastering
این کتاب ها تقریباً مثل کتاب های Cookbook هست ساختارشون که از همه جهت میان در مورد موضوع کتاب بحث میکنن و Concept و Config و... رو دارن ولی کمی مطالب رو دست بالاتر توضیح میدن نسبت به کتاب های Cookbook

📌 Advanced
این کتاب هم که شامل یکسری از مباحث پیشرفته در مورد موضوع خاصی هستند که توی کتاب های Cookbook و Mastering نمی بینمیشون معمولاً یا شاید توی اونها فقط اشاره ای بهشون شده ولی در کتاب های Avanced اون مبحث فوق تخصصی رو کاملاً باز میکنه و توضیح های کامل تر و جامع تری در موردش میاره

📌 Workbook
این کتاب ها هم کتاب های تمرینی هستند و برای افرادی خوبن که یک موضوع یا دوره رو خوندن و یاد گرفتند و حالا قصد دارند یکسری تمرینات رو انجام بدن بصورت عملی و بیشتر روی مباحث تسلط پیدا کنن و یا برای آزمون های بین المللی که به صورت "تست+LAB" هستند، برای بخش LAB آماده بشن

📌 Official
این کتاب ها معمولاً کتاب های "رسمی" یک vendor هستند و برای یادگیری در مورد یک دوره خاص مطرح می باشند و بیشترین سوالات نیز در آزمون بین المللی آن دوره خاص معمولاً از مطالبی که در همین کتاب ها آورده شده است، مطرح می شوند و بهترین و استانداردترین منبع برای مورد تأیید آن Vendor برای یادگیری موضوع مورد نظر هستند.

@BIMining

✳️✅پیاده سازی تکنیک متن کاوی( Text Mining) با روش Sentiment Analysis در پلتفرم Oracle BI 12c :

✅تحلیل احساسات فرایندی به صورت سیستماتیک و با برنامه استخراج اطلاعات متنی، مانند توئیت ها، وضعیت‌ها، نظرات و پست‌ها از وب است. نکته‌ی اساسی در اینجا در تجزیه و تحلیل این مجموعه داده بزرگ قرار دارد تا آنها را در قالب نظرات و احساسات مشتریان کشف کند.این اطلاعات به مدیران تجاری کمک می‌کند تا چگونگی احساس مشتریان خود را در مورد برندها و محصولات مختلف ارزیابی کنند. این تحلیل‌ها را می‌توان بر روی یک بخش خاص از مشتریان و یا در کل مجموعه مشتریان انجام داد.
✅شرکت اوراکل از سال 2016 با انتشار نسخه OBIEE 12.2.1.2 قابلیت تحلیل احساسات (Sentiment Analysis)در پلتفرم 1.5.1 ORE اضافه کرده است . در حال حاضر این قابلیت بسیار ارزشمند در پلتفرم اوراکل پیاده سازی شده است و با اضافه کردن کتابخانه های مرتبط به R و ORE این فیچر در OBIEE 12C ادغام می شود. بنابراین از این پس فیلدهای متنی و کلیه متون به اشکال مختلف در Oracle BI در قالب Sentiment Analysis قابل تحلیل و پیاده سازی است و نتیجه آن بصورت یک داشبورد تحلیلی نمایش داده می شود.
در روزهای آتی نمونه خروجی های پیاده سازی شده با مثال در کانال @BIMining ارائه خواهد شد. در ضمن گامهای انجام اینکار تشریح خواهد شد.
✅در سال جدید منتظر اخبار جدید و شگفتانه از ما در حوزه Data Science باشید...
@BIMining

📒 ۱۰ روش که افراد شاغل در یادگیری عمیق بایستی بلد باشند

افرادی که در حوزه یادگیری عمیق کار میکنند(یا علاقه به کار دارند) میبایستی که این ۱۰روش که پایه ای جهت عملیات یادگیری عمیق می باشند را به خوبی یادبگیرند:

۱. پس انتشار خطا - Back Propagation
۲. کاهش گرادیان تصادفی - Stochastic Gradient Descent
۳. زوال نرخ یادگیری - Learning Rate Decay
۴. حذف تصادفی - Dropout
۵. جمع آوری بیشینه - Max Pooling
۶. نرمال سازی گروهی - Batch Normalization
۷. حافظه کوتاه-بلند - Long Short-Term Memmory
۸. روش Skip-Gram
۹. کوله کلمات مداوم - Continiuous Bag Of Words
۱۰. یادگیری انتقالی - Transfer Learning

هر کدام از این روش ها میتواند در برخی از مسائل حل شده توسط یادگیری عمیق استفاده شود. میتوانید با جستجو در اینترنت منابع زیادی جهت یادگیری هر کدام از این روش ها را پیدا کنید.
منبع:
https://goo.gl/7G4XS9



@BIMining

#استخدام
شرکت تجارت الکترونیک پارسیان در نظر دارد برای تکمیل کادر فنی خود در حوزه هوش تجاری اقدام به استخدام نیرو با تخصص های ذیل نماید:
• مسئولیت پذیر، دارای روحیه کار تیمی و توانایی بالا در تحلیل کسب و کار
• مسلط به طراحی و پیاده سازی Data Warehouse
• مسلط به پایگاه داده SQL Server و زبان T-SQL
• مسلط به ابزار SSIS ، ایجاد، به روزرسانی و بهینه سازی فرآیندهای ETL
• مسلط به ابزار SSAS و مدلسازی Multidimentional و Tabular
• مسلط به ابزار Power BI و زبانهای DAX و MDX
• حداقل دو سال سابقه کار در حوزه مرتبط
آشنایی با مفاهیم پرداخت الکترونیک، مفاهیم داده کاوی و یادگیری ماشین مزیت محسوب میشود.
علاقه مندان لطفا رزومه خود را به ایمیل زیر ارسال فرمایند.
Ayobshokrolahi@pec.ir

✳️✅شرکت پردازشگران سامان وابسته به بانک سامان، به‌منظور تکمیل نیروی انسانی خود، در عناوین شغلی زیر استخدام می‌کند.


1️⃣ کارشناس ETL

• ترجیحا آقا با حداقل ۳ سال سابقه در این حوزه
• مسلط به pl-SQL
• آشنا به SSIS
• آشنا به ODI
• آشنا به مفاهیم هوش تجاری


2️⃣ کارشناس Report و داشبورد

• حداقل ۲ سال سابقه کار در حوزه BI
• مسلط به ابزار SSRS
• آشنا به ابزارهای Power Bi، QlicKview و Tableau


3️⃣ کارشناس کیوب

• حداقل ۳ سال سابقه کار در حوزه BI
• مسلط به ابزار SSAS
• آشنا به مفاهیم BI


4️⃣ کارشناس Big Data

• آشنا به مفاهیم Big data و تکنولوژی‌های Big data
• برنامه‌نویس جاوا و Scala
• آشنایی به مفاهیم یادگیری ماشین
• آشنایی به فریم ورک Spark


5️⃣ کارشناس DBA

• حداقل ۵ سال سابقه کار در حوزه DBA
• مسلط به ابزار Oracle
• آشنا به حوزه Oracle RAC

لطفا رزومه خود را به آدرس jobs@samanpr.net ارسال نمایید.


@BIMining

✳️☑️الگوی طراحی جداول ابعاد slowly changing dimension

@BIMining
بیشتر اوقات مقادیر موجود در جداول ابعاد (Dimensions) ثابت هستند و تغییری در آنها رخ نمی‌دهد. به عنوان مثال تغییر در نام ماه های سال تقریبا غیر ممکن است. اما برخی از اطلاعات قابل تغییر هستند، مانند نام یا نام خانوادگی و آدرس افراد. جهت شرح چنین شرایطی از اصطلاح SCD یا slowly changing dimension استفاده میشود. SCD الگوی طراحی جداول ابعاد است.

در برخی از گزارشات، زمانی که چنین تغییری در داده رخ دهد، می بایست تغییرات را به صورتی اعمال کرد که تاریخچه تغییرات آن مشخص باشد. به طور مثال در نظر بگیرید که در گزارشی میزان فروش شخصی ثبت شده باشد، این شخص پس از مدتی نام خود را تغییر می‌دهد، اگر نام شخص را بروزرسانی کنیم تمامی اطلاعات قدیمی با نام جدید نمایش داده میشود که در این صورت امکان رسیدن به نام قدیم از بین می‌رود.SCD یک مفهوم جدید نیست بلکه نوع دیگری از طراحی می‌باشد که برای کمک به حل چنین مشکلاتی مفید واقع می‌شود.


سه از مهمترين نوع طراحی برای SCD وجود دارد.

✅نوع اول: در این نوع از طراحی SCD نیازی به رهگیری تغییرات نمی‌باشد. استفاده از حالت نرمال بروز‌رسانی جداول ابعاد بدون اضافه کردن سطر یا ستون خاصی به جدول جهت رهگیری وضعیت تغییرات در داده ها. گزارش با نام جدید نمایش داده می‌شود و نام قدیمی نادرست در نظر گرفته خواهد شد. همچنین در نوع اول تاریخچه تغییرات ثبت و رهگیری نمی‌شود.

✅نوع دوم: SCD نوع دوم کاملا متفاوت و برعکس نوع اول است. در این نوع تمامی تغییرات بدون اعمال تغییر روی داده‌ها ثبت و رهگیری می‌شود. برای انجام این کار سطر و ستون هایی به جدول مورد نظر اضافه می‌کنیم.
تاریخ شروع و تاریخ پایان به همراه یک کلید اصلی جدید جهت ثبت تاریخچه تغییرات به جدول اضافه می‌کنیم.


✅نوع سوم: در این حالت پردازش جهت رهگیری تغییرات تا حدودی ساده شده به طوری که فقط نام فعلی و نام قدیمی به همراه تاریخ تغییر را در جدول ذخیره می‌کنیم. نام جدید با نام قدیمی جایگزین می‌شود و نام قدیمی در فیلد دیگری به همراه تاریخ تغییرات ثبت می‌شود. در نوع سوم SCD سطری اضافه نمی‌شود و فقط ستون‌هایی برای درج تاریخ تغییرات و مقدار قبلی افزوده می‌شود. در صورتی که نیاز به ثبت تاریخچه تمامی تغییرات باشیم، باید ستون های دیگری به جدول اضافه کنیم. از این نوع زمانی استفاده می‌شود که فقط نیاز به اطلاع از داده قبلی باشد. @BIMining