کالج علم داده | Data College
486 subscribers
72 photos
4 videos
7 files
24 links
🔵💎 ما در این کانال به ارائه محتواها و آموزش‌های مفید، ساختارمند و جامع در حوزه علم داده، به شما می‌پردازیم.

با محتوای علمی و به‌روز ما همیشه یک قدم جلوتر باشید.
Download Telegram
🔥 برگه تقلب جامع مباحث علوم داده


🎁 برخی از سرفصل‌های پرداخته شده در فایل PDF:

🗂️ نقشه‌ی راه یادگیری هوش مصنوعی و علم داده.
🗂️ مبانی آمار و ریاضیات.
🗂️ مهم ترین الگوریتم‌های هوش مصنوعی.
🗂️ یادگیری ماشین.
🗂️ یادگیری تقویتی.
🗂️ هوش مصنوعی مولد و مدل‌های زبان بزرگ.
🗂️ زبان‌های برنامه‌نویسی پایتون و SQL.

✏️ AI & DS Cheat Sheets
🖊 PDF


🔵 @DataScience_Function
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥 هفت گام پروژه‌های علم داده


🔵 @DataScience_Function
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥 چرخه حیات پروژه‌های علم داده


🔵 @DataScience_Function
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥 20 ایده برای تجسم بهتر داده ها

🔵 @DataScience_Function
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥 7 گام پروژه‌های یادگیری ماشین


🔵 @DataScience_Function
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥 فرصت ها و چالش های ایجاد شده (تشخیص صدا، عکس و...) توسط ماشین لرنینگ


🔵 @DataScience_Function
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥 یک دیاگرام بی نظیر از کانسپت های داده کاوی و دسته بندی آن


🔵 @DataScience_Function
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥 انواع روش‌های محاسبه فواصل در علم داده


🔵 @DataScience_Function
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥 کاربردهای فناوری‌های هوش مصنوعی


🔵 @DataScience_Function
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥 دستورات SQL در یک نگاه


🔵 @DataScience_Function
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥 Key types of machine learning algorithms!

اصلی‌ترین انواع الگوریتم‌های یادگیری ماشین


🔵 @DataScience_Function
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥 شاخه‌های یادگیری ماشین با ناظر، بدون ناظر و یادگیری تقویتی


🔵 @DataScience_Function
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥 راهنمای انتخاب الگوریتم در Scikit-Learn


🔵 @DataScience_Function
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥 AI Expert Roadmap | Interactive

يه Roadmap مفصل و تعاملی برای يادگيری علم داده

لينک زير رو ببينيد:
🔗 https://i.am.ai/roadmap/


🔵 @DataScience_Function
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥 مقایسه مجموعه توانمندی‌های مورد نیاز دانشمند داده، مهندس داده و تحلیلگر داده
Different data professionals and their skills

🔗 مطالعه بیشتر


🔵 @DataScience_Function
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥 چشم انداز روشن علم داده

⭐️ مجمع جهانی اقتصاد در گزارش The Future of Jobs Report 2020، پرشتاب‌ترین تقاضاهای موقعیت‌های شغلی جهان را تا سال 2025 پیش بینی کرده است که رتبه‌های اول تا سوم متعلق به پوزیشن‌های علم داده است.

بر اساس پیش بینی این مجمع، سه موقعیت شغلی دانشمند و تحلیلگر داده، متخصص هوش مصنوعی و یادگیری ماشین و متخصص کلان داده بیشترین رشد تقاضا را تا سال 2025 خواهند داشت.

🔵 @DataScience_Function
Please open Telegram to view this post
VIEW IN TELEGRAM
علم‌ داده یا داده‌کاوی ؟

🟢به زبان ساده، داده‌کاوی زیر مجموعه‌ علم داده است.داده‌کاوی به دنبال یافتن یک روند بین داد‌ه‌ها است که از این روندها برای شناسایی الگوهای آینده استفاده می‌شود.

🔵 @DataScience_Function
Please open Telegram to view this post
VIEW IN TELEGRAM
🕸گوگل غولِ دیتااااااا

📈 از آغاز زمان تا سال 2003، پنج اگزابایت داده در گوگل ایجاد شده بود. تا سال 2010، این مقدار داده هر دو روز و تا سال 2021 هر ۴۰ دقیقه😀 ایجاد می‌شد.

📱 تقریباً 400,000 بایت داده برای هر دانه شن روی زمین وجود دارد.

😀منبع
مقاله جالب و خواندنی ۲۵ فکت جالب حول حوزه دیتاساینس

🔵 @DataScience_Function
Please open Telegram to view this post
VIEW IN TELEGRAM
📈 نمودار خطی (Line Chart)

نمودار خطی برای نمایش تغیرات زمانی داده‌های پیوسته
برای مقایسه روابط بین دو متغیر
با استفاده از نمودارهای خطی و مدل‌های ریاضی می‌توان برای پیش‌بینی آینده دیتاها استفاده کرد.
اگر در دیتاها مقادیر خالی زیاد دارید، این نمودار روند را به درستی نشان نخواهد داد.
زمانیکه دیتاها تغییرات بزرگ و یا افت و خیز شدیدی داشته باشند، نمودار خطی ممکن است بصورت بسیار فشره نمایش داده شود و اطلاعات و روند دیتاها به درستی نمایان نشود.
اگر روند دیتاها غیرخطی است مثلا رشد نمایی دارد بهتر است از نمودارهای لگاریتمی استفاده شود.

🔵 @DataScience_Function
Please open Telegram to view this post
VIEW IN TELEGRAM
📊 نمودار میله‌ای (Column Chart)

1️⃣ می‌توان به سادگی متغیرها را مقایسه کرد، توزیع آن‌ها را نشان داد.
2️⃣ برای نمایش دیتاهایی که دارای طبقه‌بندی، دسته بندی مانند مناطق، گروه‌ها، محصولات
3️⃣ مقایسه گروه‌های مختلف در یک بازه زمانی
4️⃣ مقایسه یک گروه در بازه‌های زمانی مختلف
5️⃣ برای نمایش فراوانی هر دسته از دیتا

✔️ نکته اینکه برای مقایسه تارگت و عملکرد یک موضوع، بهترین گزینه برای نشان دادن این دو کنار هم، نمودار میله‌ای است به دلیل اینکه ممکن است عملکرد از تارگت بیشتر باشد.

🚫 از این نمودار زمانیکه مقادیر دسته‌ها در نقاط مختلف قرار دارند و نه در بازه‌های یکنواخت، استفاده از این نمودار صحیح نیست و بهتر است نمودارهای نقطه‌ای استفاده کرد.

🚫 اگر دیتاها دارای دسته‌ها و طبقات بسیار زیادی هستند بهتر است از نمودارهای گسترده Histograms استفاده شود.

🔵 @DataScience_Function
Please open Telegram to view this post
VIEW IN TELEGRAM
🕸 نمودارهای عنکبوتی (Spider chart)

✔️ این نمودار اجازه می­دهد تا یک مقایسه بصری بین چندین جنبه کمی یا کیفی یک وضعیت انجام شود. تجزیه و تحلیل رقبا برای چندین محصول را امکان پذیر می­کند. به راحتی می­‌توان رضایت مشتری و دیگر جنبه های نظرسنجی را مقایسه کرد.

🕷️در تجزیه و تحلیل می­توان شکاف بین داده‌های “وضعیت مطلوب” و “وضعیت فعلی” را می­توان در همان نمودار رسم کرد تا به صورت گرافیکی شکاف بین این دو وضعیت مشخص شود.

🕷️از جمله معایب نمودار راداری یا عنکبوتی می­توان به این مورد اشاره کرد: در صورتی که متغیرهای زیادی وجود داشته باشد مقایسه مشاهدات بر روی نمودار عنکبوتی ممکن است گیج کننده باشد و بنابراین محورهای زیاد، نمودار را شلوغ کند. هنگامی که بینندگان سعی می­کنند مقادیر را در محورهای مختلف مقایسه کنند، مشکلاتی بوجود می­‌آید.

🔵 @DataScience_Function
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM