کاربردهای هوشمندی کسب و کار در صنعت بانکداری شامل مدیریت ریسک، تحلیل رفتار مشتری و بازاریابی، بخش‌بندی مشتریان، جلوگیری از تقلب و بهینه‌سازی فرایندها می‌شود. @BIMining

راهنماي دستورات كليدي در لينوكس @BIMining

🔅 برترین زبان‌های برنامه ‌نویسی برای یادگیری ‌ماشین و داده کاوی در حوزه علم داده

@BIMining

کتاب حاضر یکی از بهترین و جدیدترین کتابها در زمینه یادگیری عمیق با زبان برنامه نویسی R است @BIMining

انواع الگوریتم های متداول یادگیری ماشین @BIMining

شرکت پردازشگران سامان وابسته به بانک سامان,

در راستای تکمیل کادر پرسنلی خود از واجدالشرایط دعوت به همکاری می نماید:

 

-  کارشناس ETL

  

·             حداقل سه سال سابقه کار در حوزه ETL

·             مسلط به ابزارSSIS

·             آشنا به ODI

·             آشنا به مفاهیم BI

 

 کارشناسReport و داشبورد  

 

·         حداقل سه سال سابقه کار در طراحی داشبورد و گزارش

·         مسلط بهSSRS و Power BI

·         آشنا به HTML  و CSS

·         متخصص تولید داشبوردهای مدیریتی

·         آشنا به فریم ورک های داشبورد و گزارش، Jasper، Cristal Report، ...

 

-  کارشناس تحلیل سیستم

  

·             آشنا به کسب و کار بانکی

·             حداقل پنج سال سابقه کار در کسب و کار بانکی

·             حداقل مدرک تحصیلی, کارشناسی کامپیوتر

·             مسلط به ابزار UML

·             آشنا به BPMN

·             آشنا به زبان انگلیسی

 

 UX,usability  کارشناس تحلیل -  

 

·         حداقل پنج سال سابقه کار در طراحی سایت

·         مسلط به Responsive Page-jquery-Css-Html5

 

کارشناس جاوا J2EE

·         حداقل پنج سال سابقه کار در خصوص J2EE

·         مسلط بر Spring  و Hibernate

·         مسلط به وب سرویس و سوکت

·         مسلط به یکی از فریم ورک های وب در جاوا (JSF، Struts و ...)

 

کارشناس IOS

·         حداقل سه سال سابقه کار بر روی IOS

·         مسلط بر Object C و SWIFT

·         مسلط به وب سرویس و سوکت

-
کارشناس SAP
- مشاور Functional
-برنامه نویس ABAP
 

علاقه مندان می توانند رزومه خود را به آدرس job@samanpr.net ارسال نمایند.
لطفا رزومه خود را با عنوان A&D ارسال نمایید.

تاریخ : ۱۳۹۶/۱۰/۲۸
نوبت دوم
@BIMining

مجموعه ای از آدرس سایت های دیتابیس و دیتاست :

انواع DataSet ها

http://archive.ics.uci.edu/ml/datasets.html

دیتاست مربوط به یوتیوب

http://netsg.cs.sfu.ca/youtubedata

دیتاست مربوط به داده های شبکه

http://networkdata.ics.uci.edu/netdata/html/bkHam.html


مجموعه داده های طبقه بندی شده در دیتاپول در موضوعات مختلف
http://www.datapool.ir

دیتاست مربوط به تشخیص چهره

http://www.face-rec.org/databases
دیتاست مربوط به دسته بندی حملات شبکه

http://kdd.ics.uci.edu/databases/kddcup99/kddcup99.html

دیتاست مربوط به وام های داده شده ، دیر کرد و غیره به مشتریان است

https://www.lendingclub.com/info/download-data.action

دیتاست مربوط به تصادفات جاده ای

http://www.nyc.gov/html/nypd/html/traffic_reports/motor_vehicle_collision_data.shtml

دیتاست مربوط به گربه ها

http://137.189.35.203/WebUI/CatDatabase/catData.html

دیتاست مربوط به حراجی آنلاین eBay

http://www.modelingonlineauctions.com/datasets

دیتاست مربوط به موسیقی و صدا

http://labrosa.ee.columbia.edu/millionsong/

دیتاست مربوط به انواع شبکه های موجود و وب سایت ها – دانشگاه استنفورد

http://snap.stanford.edu/data/index.html

دیتاست های مربوط به یادگیری ماشین

http://archive.ics.uci.edu/ml

گروه داده کاوی دانشگاه تگزاس

http://www.cs.utexas.edu/users/dmg/

وب سایت های مجموعه داده:

http://aws.amazon.com/public-data-sets

http://stackoverflow.com/questions/381806/large-public-datasets

https://archive.org/details/stackexchange

https://networkdata.ics.uci.edu/resources.php

https://www.kaggle.com

http://www.data.gov

http://www.kdnuggets.com/datasets/index.html

http://socialcomputing.asu.edu/pages/datasets

http://nodexlgraphgallery.org/Pages/Default.aspx

http://konect.uni-koblenz.de/networks

http://aws.amazon.com/public-data-sets/

http://stackoverflow.com/questions/381806/large-public-datasets

http://archive.ics.uci.edu/ml/datasets.html

https://archive.org/details/stackexchange

http://snap.stanford.edu/data/

https://networkdata.ics.uci.edu/resources.php

https://www.kaggle.com/

http://www.data.gov/

http://www.kdnuggets.com/datasets/index.html

http://socialcomputing.asu.edu/pages/datasets

http://nodexlgraphgallery.org/Pages/Default.aspx

http://konect.uni-koblenz.de/networks/

@BIMining

نیازمندیها و نقشه راه پیاده سازی هوش تجاری در یک سازمان Enterprise و در سطح کلان-@BIMining

جلسه شصتم آموزش پایتون *****آموزش پایتون از صفر تا 100 در کانال @BIMining

✅اضافه شدن زبان برنامه نویسی پایتون به پلتفرم هوش تجاری اوراکل در نسخه 12.2.1.3 OBIEE

🔹شرکت اوراکل در نسخه های قبلی محصول هوش تجاری خود،زبان قدرتمند تحلیلی و آماری R را به محصول خود اضافه کرده بود و اکنون با انتشار جدیدترین نسخه هوش تجاری اوراکل یعنی نسخه 12.2.1.3 OBIEE، زبان برنامه نویسی قدرتمند پایتون را هم به محصول خود اضافه کرده است پایتون به علت دارا بودن کتابخانه های بسیار قوی و نسبتا کامل در حوزه داده کاوی و یادگیری ماشین می تواند مکمل بسیار خوبی برای محصول هوش تجاری اوراکل باشد. بنابراین می توان به یک بسته کاملا منحصر بفرد و کم نظیر در زمینه هوش تجاری مبتنی بر پلتفرم های اوراکل و لینوکس تحت عنوان هوش تجاری اوراکل رسید !
🔸با این محصول کامل و منحصربفرد می توان محصولات ترکیبی هوش تجاری و هوش مصنوعی(شبکه های عصبی) را براحتی پیاده سازی کرد. @BIMining

گوگل با کمک هوش مصنوعی روشی برای پیش بینی وضعیت فرد پس از ورود به بیمارستان را ابداع کرده است. در آزمایش ها این روش ۲۴ تا ۴۸ ساعت زودتر از مدل های معمول مرگ بیمار را پیش بینی کرد
🖥 @BIMining

💠 آموزش #پایتون : جلسه شصت و یکم

☑️ مباحث گفته شده:
🔘 ساخت کلاس برای دیتابیس در پایتون @BIMining

اولين سمينار علوم داده
@BIMining

✅نحوه ایمپورت دیتا از اکسل به R:


🔹یکی از روش های مهم برای #import کردن فایل های #اکسل به #R استفاده از پکیج #RODBC است، و با استفاده از دستور #odbcDriverConnect به این مجموعه داده متصل می شویم:
> install.packages("RODBC")
> library(RODBC)
> data<-odbcDriverConnect(file.choose())
> sqlFetch(data)$Table_Name
> mydata<-sqlFetch(data,"sheet1")
> odbcClose(data)
> mydata
🔹بعد از فراخوانی بسته #RODBC با استفاده از دستور #odbcDriverConnect به دیتابیس #اکسل متصل می شویم، سپس با استفاده از دستور #sqlFetch محتوای جدول #اکسل را در محیط #R #نمایش داده می شود.
@BIMining

واحد فناور آن آموز از متخصصین گرامی در حوزه علوم کامپیوتر دعوت به همکاری می نماید...

#آشنایی با پکیج arm

این پکیج برای تجزیه و تحلیل داده ها با استفاده از مدل رگرسیون و چند سطح / سلسله مراتبی می باشد یکی از توابع موجود در این پکیج
#Binned_Residual_Plot
یا نمودار مانده های تظریف شده است
تابع آن در #R بصورت زیر می باشد:
> install.packages("arm")
> library(arm)
> help(binnedplot)
که تابع آن بصورت زیر است و جزییات وتوضیحات آن راجع به آرگومان های این تابع را میتوان از help مشاهده کرده:
binnedplot(x ,y, nclass=NULL,xlab="Expected Values", ylab="Average residual",main="Binned residual plot", cex.pts=0.8, col.pts=1, col.int="gray",...)
#مثال:
> library(MASS)
> library(Matrix)
> library(lme4)
> library(arm)
> old.par <- par(no.readonly = TRUE)
> data(lalonde)
> fit <- glm(treat ~ re74 + re75 + educ + black + hisp + married
+ nodegr + u74 + u75, family=binomial(link="logit"))
> x <- predict(fit)
> y <- resid(fit)
> binnedplot(x,y,main="Reducational")
> par(old.par)

كانال : @BIMining

خروجي مثال فوق @BIMining

10 توزیع برتر لینوکس در حوزه سرورهای شبکه

1-لینوکس ubuntu سرور
2-لینوکس Redhat Enterprise
3-لینوکس Suse Enterprise
4-لینوکس CentOS
5-لینوکس Debian
6-لینوکس Oracle
7-لینوکس Mageia/Mandriva
8-لینوکس ClearOS
9-لینوکس Arch
10-لینوکس Slackware

منبع :
@BIMining

💠 آموزش #پایتون : جلسه شصت و دوم
☑️ مباحث گفته شده:
🔘 نصب PyPI در پایتون @BIMining