✨گزارش Linux Fundation از شغل های OpenSourse در سال 2017✨
به گزارش بنیاد لینوکس، که با همکاری Dice تهیه شده است، آماری که از حدود ۲۰۰۰ حرفه ای در زمینه های مختلف شغلی گرفته شده به شرح زیر است:

۱) ۸۹٪ از مدیران مشاغل گفته اند که پیدا کردن حرفه ای ها سخت است.
۲) ۴۷٪ از شرکت ها حاضرند برای افرادی که professional certification دارند هزینه بیشتری کنند و یا برای کارمندان خود هزینه کنند که Open Source Certified شوند.

موقعیت هایی که آن ها به دنبال آن هستند:
۱) 73% Developer
2) 60% DevOps
3) 53% SysAdmins
متخصصانی که آنها به دنبالشان می گردند:
۱) 70% Cloud
2) 67% Web Technologies
3) 65% Linux

@BIMining

✅رهبري دنيا به دست صاحب "هوش مصنوعي" خواهد افتاد

ولادمیر پوتین رئیس‌جمهور روسیه در اظهاراتی قابل تامل گفته است در آینده کشوری رهبری دنیا را در دست می گیرد که در زمینه هوش مصنوعی برتر از بقیه باشد.

پوتین معتقد است برتری در حوزه هوش مصنوعی موجب کسب برتری بر دیگر کشورهای جهان در حوزه اقتدار و توانمندی های نظامی نیز خواهد شد.

پوتین که روز جمعه در نشستی با دانش آموزان این کشور سخن می گفت افزود که توسعه فناوری هوش مصنوعی فرصت ها و تهدیدهای خاص خود را هم به وجود می آورد که پیش بینی آنها از هم اکنون دشوار است.

این اولین بار نیست که چهره ای شناخته شده در سطح جهان در مورد اهمیت فناوری هوش مصنوعی و تاثیرگذاری آن بر آینده جهان سخن می گوید. پیش از این الون ماسک، مدیرعامل تسلا، مارک زاکربرگ مدیرعامل فیس بوک، استفان هاوکینگ فیزیکدان برجسته در این زمینه اظهار نظر کرده و حتی هشدار داده بودند پیشرفت هوش مصنوعی حتی ممکن است به نابودی نوع بشر منجر شود.
الون ماسک که حامی ایده تهدید انسان ها توسط هوش مصنوعی است، مخالفان سرسختی مانند زاکربرگ دارد که اظهارنظرهای وی را غیرمسئولانه توصیف کرده است. ماسک هم در واکنش گفته است زاکربرگ درک محدودی از خطرات هوش مصنوعی دارد.
پوتین هم در اظهارات خود در مورد برتری انحصارطلبانه در حوزه هوش مصنوعی توسط کشوری خاص اظهارنگرانی کرده و وعده داده که روسیه آماده به اشتراک گذاری دانسته های خود در این زمینه با سایر ملل است. وی پیش بینی کرده که جنگ های آینده توسط پهپادهای خودکار انجام می شوند.
@BIMining

معرفی پلتفرم هوش تجاری مایکروسافت
تشریح معماری Microsoft BI
معرفی ابزارهای پیاده سازی BI در این بستر @BIMining

جدول مقایسه توزیع های Linux در کلاس سازمانی، از منظر متخصصان-***-منظور از Pros و cons در جدول فوق یعنی نقاط قوت و ضعف است @BIMining

پوستر هوش تجاري مايكروسافت. @BIMining

جلسه چهل و دوم -آموزش پایتون**فیلم آموزشی پایتون از صفر تا 100 در کانال @BIMining

جلسه چهل و سوم -آموزش پایتون**فیلم آموزشی پایتون از صفر تا 100 در کانال @BIMining

کتاب مفاهیم انبار داده به قلم و کوشش
محمد عالیشاهی-محمد احمدی-محمد جواد جمشیدی
@BIMining

فهرست مطالب کتاب مفاهیم انبار داده @BIMining

#Data_mining
#Neural_Network
#شبکه‌های_عصبی_در #R
پیاده‌سازی شبکه‌های عصبی در R
شبکه‌های عصبی یکی از شاخه‌های قدرتمند داده‌کاوی است. شبکه‌های عصبی حدودا نیم قرنی است که در دنیای علم مورد استفاده مسائل پیش‌بینی قرار می‌گیرد و امروزه بخشی از یادگیری عمیق یا همان deep learning به حساب می‌آید. پیاده‌سازی شبکه‌های عصبی در R با استفاده از بسته‌ی nnet قابل انجام است. استفاده از این بسته برای پیاده‌سازی شبکه‌های عصبی در R شروع خوبی است، اما ورود به یادگیری عمیق نیازمند شبکه‌های عصبی پیچیده‌تری است. از بسته‌های یادگیری عمیق و شبکه‌های عصبی پیشرفته‌تر در R می‌توان MXNet، darch و deepnet را نام برد.

برای آشنایی با توابع nnet #ادامه_مطلب_شبکه‌های_عصبی را دنبال کنید.

@BIMining

#ادامه_مطلب_شبکه‌های_عصبی
#شبکه‌های_عصبی_در #R
#بسته_nnet
#nnet_package
1) تابع nnet
این تابع اصلی‌ترین تابع بسته nnet است و که یک شبکه‌های عصبی با یک لایه پنهان را روی داده‌های برازش می‌دهد. این تابع آرگومان‌های زیادی را اختیار می‌کند که در اینجا به پرکاربردترین آن‌ها اشاره می‌شود.
الف) formula
مدل از کلاس formula که با استفاده از ~ ساخته می‌شود.
ب) x
دیتافریم متغیرهای مستقل
پ) y
دیتافریم متغیر وابسته (تابع هدف)
ت) weight
وزن داده‌ها یا متغیرها در صورت وجود، که به صورت پیش‌فرض 1 می‌باشد.
ث) size
تعداد واحدها (نرون‌ها) در لایه پنهان
ج) data
دیتافریمی که متغیرهای مدل (یا همان formula) در آن قرار دارد. لازم به ذکر است که از بین x و y یا data قرار دادن یکی کافی است.
چ) rang
عددی که وزن‌ها در بازه منفی rang تا مثبت rang را اختیار می‌کند.
ح) maxit
ماکسیمم تعداد تکرار شبکه‌ی عصبی

@BIMining

#ادامه_مطلب_شبکه‌های_عصبی
#شبکه‌های_عصبی_در #R
#بسته_nnet
#nnet_package
2) تابع predict.nnet
این تابع برای پیش‌بینی داده‌های آزمون شبکه‌های عصبی به کار می‌رود. در واقع روی مجموعه داده‌ی آموزش با استفاده از تابع nnet یک شیء از کلاس nnet به وجود می‌آید و این تابع روی شیء از این کلاس پیاده‌سازی می‌شود. آرگومان‌های این تابع به ترتیب زیر می‌باشد.
الف) object
شیء از کلاس nnet
ب) newdata
ماتریس یا دیتافریم از مجموعه داده‌ی آزمون
پ) type
نوع خروجی که شامل دو گونه است: raw و class
در صورتی که متغیر وابسته متغیری طبقه‌ای باشد، از نوع class و در غیر این صورت از raw استفاده می‌کنیم.
—----------------------------------
@BIMining

oracle Database 12c Security @BIMining

✳️ آینده اقتصاد جهان در دست هوش مصنوعی

🔹اقتصاددانان و مفسران در مورد وضعیت آینده دنیا با در نظر گرفتن پیشرفت‌های قابل‌ملاحظه در زمینه هوش مصنوعی زنگ خطر را برای اقتصادهای در حال توسعه و وابسته به منابع طبیعی به‌صدا درآورده‌اند.

🔹هوش مصنوعی در ١٥ سال آینده تهدیدی بزرگ برای کشورهایی خواهد بود که توجهی به این جنبه از دانش ندارند؛ از طرفی نیز ابزاری نیرومند برای انتقال قدرت به کشورهایی است که هم‌اکنون سرمایه‌گذاری‌های عظیمی در این زمینه انجام داده‌اند.

🔹تولید ناخالص داخلی در جهان در حال تورش به سمت کشورهایی است که سرمایه‌گذاری‌های عظیمی در زمینه تکنولوژی تولید کالاهای مختلف انجام می‌دهند.

🔹در طول سه دهه اخیر افزایش بیکاری و توزیع ناعادلانه درآمد از عوارضی است که دامن‌گیر اقتصادهای فقیر از لحاظ تکنولوژی شده است. در این کشورها دلالان، واردکنندگان و سوداگران سودهای کلان کسب کرده و در نبود تکنولوژی و صنایع تولید کالاها و خدمات، سایرین تنها در حال حفظ بقا و مصرف کالاهای این گروه هستند.

🔹اگر تمامی نظریه‌های اقتصادی اصلی‌ترین نهاده‌های نقش‌آفرین در تولید و در نتیجه رشد اقتصادی را سرمایه و نیروی کار دانسته و تکنولوژی را ضریبی موثر در اندازه آن می‌دانند، نظریه‌های نوین بیان می‌کنند با گسترش هوش مصنوعی این تولید دچار تغییرات اساسی خواهد شد. در آینده اقتصاد جهانی، هوش مصنوعی نیروی محرکه اصلی در جایگزینی با سرمایه و نیروی کار خواهد بود. غفلت در این زمینه شاید به قیمت آسیب‌های شدید اقتصاد کشورها تمام شود.(دنیای اقتصاد)
#هوش_مصنوعی
#آینده_اقتصاد
@BIMining

در شکل فوق معماری فیزیکی انبار داده و هوش تجاری و چگونگی ارتباط بین لایه های مختلف نشان داده شده است که در ادامه به شرح هریک از لایه ها پرداخته خواهد شد.☝️☝️☝️

لایه1 به عنوان لایه منابع داده ای شناخته می شود در این لایه ،ابتدا داده ها از منابع عملیاتی مختلف ،انتخاب و سپس استخراج می شوند . در مرحله بعد عملیات تمییزسازی و یکپارچه سازی انجام شده و در نهایت داده ها به پایگاه پردازش تحلیلی بصورت نگاشت بارگذاری می شود.این عملیات باعث می شود که داده های دقیق و سازگار از این منبع فراهم شوند.ابزارهای مورد استفاده در این مرحله OGGوODIوOWB در حوزه اوراکل می باشد.
لایه2 به عنوان لایه انبار داده شناخته می شود در این لایه بعد از عملیات ETL در لایه قبل ،داده های یکپارچه شده در مدلهای چندبعدی ذخیره می شود . در این لایه تکنولوژی های ROLAP،MOLAP,HOLAP ایجاد میشود.در ضمن در این بخش sub layer هایی با نام Data Mart داشته باشد که در واقع نسخه های کوچکتری از انبار داده اصلی می باشند.
ابزارهای مورد استفاده در لایه دوم دیتابیس های اوراکل،sql و ... می باشد.

ابزارهای مورد استفاده در لایه دوم دیتابیس های اوراکل،sql و ... می باشد.