🔥 یک دیاگرام بی نظیر از کانسپت های داده کاوی و دسته بندی آن


🔵 @DataScience_Function

🔥 انواع روش‌های محاسبه فواصل در علم داده


🔵 @DataScience_Function

🔥 کاربردهای فناوری‌های هوش مصنوعی


🔵 @DataScience_Function

🔥 دستورات SQL در یک نگاه


🔵 @DataScience_Function

🔥 Key types of machine learning algorithms!

اصلی‌ترین انواع الگوریتم‌های یادگیری ماشین


🔵 @DataScience_Function

🔥 شاخه‌های یادگیری ماشین با ناظر، بدون ناظر و یادگیری تقویتی


🔵 @DataScience_Function

🔥 راهنمای انتخاب الگوریتم در Scikit-Learn


🔵 @DataScience_Function

🔥 AI Expert Roadmap | Interactive

يه Roadmap مفصل و تعاملی برای يادگيری علم داده

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


🔵 @DataScience_Function

🔥 مقایسه مجموعه توانمندی‌های مورد نیاز دانشمند داده، مهندس داده و تحلیلگر داده
Different data professionals and their skills

🔗 مطالعه بیشتر


🔵 @DataScience_Function

🔥 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

⚡ 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

🕸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

📈 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

📊 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

یادگیری عمیق ⚓️ و یادگیری ماشین 🔲

⚓️ یادگیری عمیق زیر مجموعه یادگیری ماشین است و هر دو زیر مجموعه هوش مصنوعی هستند. تفاوت اصلی بین یادگیری ماشین و یادگیری عمیق در تعداد لایه ها و نحوه آموزش آنهاست یا به عبارتی یادگیری عمیق تکامل یافته روش های یادگیری ماشین هستند

❓ لایه‌های یادگیری عمیق چگونه کار می‌کنند؟

✔️ هر یک از این لایه‌ها براساس لایه‌های قبلی ایجاد شده‌اند. به این ارتباط میان لایه‌ها و پیشرفت محاسبات در طول شبکه انتشار روبه‌جلو (Froward Propagation) گفته می‌شود.

✔️ اولین لایه که در آن مدل یادگیری عمیق داده‌ها را برای پردازش دریافت می‌کند لایه‌ی ورودی و لایه‌ای که در آن پیش‌بینی یا طبقه‌بندی نهایی انجام می‌شود لایه‌ی خروجی نامیده می‌شود. لایه‌های میان این دو لایه را لایه‌های میانی یا نهان (Hidden Layers) می‌نامند.

🎥 یادگیری عمیق چیست؟ / مهندس رضا شکرزاد

🔵 @DataScience_Function

✔️ زیر مجموعه یا مستقل؟

📱 هوش مصنوعی: هوش مصنوعی حوزه بزرگی است که بزرگترین چالش‌های ماشین‌های هوشمند را پوشش می‌دهد. این حوزه شامل سؤالات فلسفی در مورد اخلاق و دوام هوش مصنوعی، معیارها و رویکردهای مختلف هوش مصنوعی، کاربردهای مختلف هوش مصنوعی (پردازش زبان طبیعی، بازی، رباتیک و غیره) است.

🔲 یادگیری ماشین: همان‌طور که قبلا بیان کردیم، بررسی تکنیک هایی برای چگونگی یادگیری ماشین‌ها در محیط های مختلف برای انجام تسک‌های مختلف است و اینکه این امکان برای ماشین‌ها فراهم شود تا مستقل از مداخله انسان، انتخاب‌های معناداری داشته باشند.

⚓️ یادگیری عمیق: با استفاده از شبکه‌های عصبی، دیپ لرنینگ تکنیکی برای مدل‌سازی یادگیری ماشین بر روی مغز انسان است.

🔵 @DataScience_Function

⌨️الگوریتم‌های یادگیری ماشینی که توسط دانشمندان داده استفاده می‌شود.

🔵 @DataScience_Function

دو نوع الگوریتم یادگیری ماشین وجود دارد: نظارت ‌شده و بدون نظارت

1️⃣نظارت شده یا Supervised: الگوریتم‌ یادگیری نظارت ‌شده زمانی استفاده می‌شود که داده ‌ها برچسب‌ گذاری شده ‌اند و دو نوع هم دارد:

➖رگرسیون: زمانی که نیاز به پیش ‌بینی مقادیر پیوسته دارید و متغیر ها به صورت خطی وابسته هستند، الگوریتم‌ های مورد استفاده رگرسیون خطی و چند گانه، درخت تصمیم و جنگل تصادفی خواهند بود.

➖طبقه‌بندی: هنگامی که لازم است مقادیر مطلق را پیش ‌بینی کنید، می ‌توانید از برخی از الگوریتم‌ های طبقه ‌بندی مورد استفاده مثل KNN، رگرسیون لجستیک، SVM و Naïve- Bayes استفاده کنید.

2️⃣بدون نظارت: الگوریتم ‌های یادگیری بدون نظارت زمانی استفاده می ‌شوند که داده ‌ها بدون برچسب هستند و هیچ داده برچسب ‌گذاری‌شده ‌ای برای یادگیری وجود ندارد که دو نوع دارد:

➖خوشه‌بندی: این الگوریتم متد تقسیم اشیایی است که بین شان مشابه و غیر مشابه وجود دارد. معمولا از الگوریتم‌ های خوشه‌ بندی K-Means و PCA استفاده می‌ شود.

➖تجزیه و تحلیل قوانین وابستگی: برای کشف روابط جالب بین متغیر ها، می ‌توان از الگوریتم Apriori و Hidden Markov Model استفاده کرد.

🔵 @DataScience_Function

🎙‏بهترین پادکست‌های دیتا ساینس در سطح دنیا کدام‌اند؟

🎙Data Skeptic

این پادکست توسط کایل پولیکیونیس برپا شده است و به تجزیه و تحلیل مفاهیم داده‌های بزرگ و مهم‌ترین مباحث و تکنولوژی‌های مرتبط با داده می‌پردازد. این پادکست موضوعات مختلفی از جمله یادگیری ماشین، آمار و تحلیل داده را پوشش می‌دهد و به شنوندگان کمک می‌کند تا مفاهیم پیچیده را درک کنند.

🎙Linear Digressions

این پادکست مخصوصاً برای کسانی که به طور مختصر می‌خواهند در مورد موضوعاتی مانند یادگیری ماشین و علوم داده بیشتر بدانند، مناسب است. میزبانان پادکست توضیح مفاهیم پایه‌ای را به شیوه‌ای ساده و قابل فهم ارائه می‌دهند که به شنوندگان کمک می‌کند مفاهیم پیچیده را درک کنند.

🎙Data Framed

این پادکست به بحث‌های عمیق‌تر و گسترده‌تری در مورد علوم داده می‌پردازد و از موضوعات متنوعی مانند یادگیری ماشین، تجزیه و تحلیل داده، و مهارت‌های مرتبط با داده‌ها سخن می‌گوید. میزبانان این پادکست با مهم‌ترین افراد و تخصص‌های موجود در حوزه علوم داده گفتگو می‌کنند و به شنوندگان امکان می‌دهند تا از تجربیات و نظرات افراد موفق در این صنعت بهره مند شوند، همچنین برای اطلاعات بیشتر می‌‌توانید مطلب تفاوت هوش مصنوعی و یادگیری ماشین را مطالعه کنید.

🎙The O’Reilly Data Show Podcast

این پادکست به موضوعات پیشرفته‌تر و موضوعات جدید در حوزه داده‌ها و علوم داده می‌پردازد. میزبانان این پادکست با افرادی که در زمینه‌های مختلف از جمله یادگیری ماشین، تجزیه و تحلیل داده و هوش مصنوعی فعالیت می‌کنند، مصاحبه می‌کنند تا به شنوندگان امکان دسترسی به محتوا و مفاهیم پیشرفته را بدهند.

🎙️Data Science at Home

این پادکست به بررسی مسائل جالب و دسته‌بندی نشده در حوزه داده‌ها می‌پردازد و به تجزیه و تحلیل مسائل بدون الگو می‌پردازد. میزبانان این پادکست با ارائه مطالب جذاب و جدید، به شنوندگان این امکان را می‌دهند که با جنبه‌های مختلف داده‌ها و علوم داده آشنا شوند.

🔵 @DataScience_Function