👨🏻‍💻 واقعا پلتفرم دیتاکمپ یکی از بهترین گزینه‌ها برای عمیق شدن تو مباحث علوم داده بعد از مطالعه و تحصیلات آکادمیک می‌تونه باشه.

▶️ منبعی رایگان و پر از تمرین، پروژه، درسنامه‌های به‌روز و مسیر‌های آموزشی برای مسلط شدن به حوزه‌های مختلف علم‌ داده.

↗️ datacamp.com
↗️ datacamp.com


✍🏼 omid
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
🐦 توییتر علوم داده
🐦 @DataScience_twitter

👨🏻‍💻 این دوره فارسی و رایگان یادگیری ماشین به شدت توصیه میشه برای کسایی که می‌خوان فهم پایه‌شون رو از یادگیری ماشین ببرن بالا.


✏️ خانم دکتر رزاقی استاد دوره‌یِ دانشگاهِ من بودن و بسیار آدم با سوادی هستن.👌🏼


▶️ دوره یادگیری ماشین | زمستان 2025



✍🏼 Alireza
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
🐦 توییتر علوم داده
🐦 @DataScience_twitter

👨🏻‍💻 زیاد ازم می‌پرسن برای دیتاساینتیست شدن چه میزان تسلط به جبرخطی لازمه.

✏️ من خودم جبرخطی رو از کلاسای Gilbert Strang از MIT یاد گرفتم که بعید می‌دونم رو دستش کسی باشه. همه ویدیوهای کلاساش هم رو یوتیوب هست. (معروف ترین استاد جبرخطی دنیاست):


▶️ MIT 18.06 Linear Algebra, Spring


✍🏼 Nima
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
🐦 توییتر علوم داده
🐦 @DataScience_twitter

👨🏻‍💻 بنظرم این رقابتی که دانشگاه یل داره برگزار می‌کنه توی حوزه دیتاساینس خیلی جالبه و می‌خوام توش شرکت کنم. اگه شما هم علاقه مند بودین حتما شرکت کنین.

📄 آخرین مهلت ثبت‌نامش: تا ۲ تیر ۱۴۰۴

⬅️جایزه نفر اول: ۱۲.۰۰۰ دلار
⬅️نفرات دوم تا چهارم: هر کدوم ۱۰.۰۰۰ دلار
⬅️و نفر پنجم: ۸.۰۰۰ دلاره.


🥵 Yale/UNC-CH


✍🏼 arfa
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
🐦 توییتر علوم داده
🐦 @DataScience_twitter

👩🏻‍💻 ببینید بچه‌ها خیلی جاها همینه‌. هر شرکتی در کنار مهارت‌های ماشین‌لرنینگ یه سری مهارت‌های خاص دیگه هم از دیتا ساینتیست می‌خواد. مثلا برای بعضیا خیلی مهمه که شما software هم بلد باشی (یه حدی از لیت کد و کدینگ اسکیل) و این‌طوری فیلتر می‌کنن.


✏️ من خودم تیک تاک و اوبر تجربه‌اش رو داشتم. در واقع این خیلی معموله توی شرکت‌های بزرگ تکنولوژی (FAANG). مثلا نتفلیکس همون اول سوالای آماری هم می‌پرسن. یا بعضی کمپانی‌های AI سوالاتشون با جبرخطی و بهینه سازی شروع میشه. کلا فقط کوالکام دیدم که مستقیماً از ریسرچت سوال بپرسن.



✍🏼 marjaan
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
🐦 توییتر علوم داده
🐦 @DataScience_twitter

👨🏻‍💻 خیلیا فکر می‌کنن برای اینکه وارد حوزه‌ی یادگیری ماشین و هوش مصنوعی بشن، اول نیاز به یه کامپیوتر گرون قیمت دارن.

✏️ اما روش‌هایی وجود داره که شما با گوشی، تبلت یا یه سیستم قدیمی هم می‌تونید کد بزنید و حتی مدل‌های سنگین رو آموزش بدید.

✅ یکی از این روش‌ها استفاده از گوگل کولبه. حالا یکی از دوستان ما زحمت کشیدن و نحوه‌ی کار کردن با کولب رو کامل آموزش دادن.


🥵 می‌تونید از لینک زیر، از این آموزش فارسی به صورت کاملا رایگان استفاده کنید:👇

🖥 آشنایی با گوگل کولب
🖥 آشنایی با گوگل کولب


✍🏼 Majid
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
🐦 توییتر علوم داده
🐦 @DataScience_twitter

👨🏻‍💻 یکی از چیت‌شیت‌هایی که همیشه همراه خودم دارم همینه. چه برای پروژه‌های کاریم یا گاها مصاحبه‌ها خیلی به کارم اومده.

✅ مهم‌ترین الگوریتم‌های ML رو دسته بندی کرده، بر اساس:

⬅️نوع الگوریتم (نظارتی، بدون ناظر، DL,...)
⬅️بهترین کاربردش.
⬅️منطق یا فرمول پشت قضیه.
⬅️فرضیاتی که باید برقرار باشن.
⬅️خوبی‌هاش.
⬅️نقطه‌ضعف‌هاش.
⬅️کی نباید ازش استفاده کنی.
⬅️و یه مثال واقعی از دنیای بیرون.



✍🏼 Hamed
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
🐦 توییتر علوم داده
🐦 @DataScience_twitter

👨🏻‍💻 اگه دنبال تمرین و یادگیری مسائل ماشین لرنینگ هستید، بخصوص برای مصاحبه شغلی، این وبسایت رو دیدم جالبه! کلی سوال داره که از ساده تا سخت دسته بندی شده و می‌تونید تمرین کنید.


📂 deep-ml.com
📂 deep-ml.com


✍🏼 Mehdi Allahyari
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
🐦 توییتر علوم داده
🐦 @DataScience_twitter

👨🏻‍💻 دو تا خبرنامه یادگیری ماشین وجود داره که به صورت هفتگی و هر چند روز آپدیت میشن و من مدت زیادی دنبالشون می‌کنم و واقعا بی‌نظیرن.


☑️ یکی خبرنامه "مهندس یادگیری ماشین" اثر آلخاندرو ساوسدو (5 سال):

🔺 The Machine Learning Engineer


✅ یکی هم خبرنامه "Data Machina" توسط کارلوس آگیلار (9 سال):

🔺 Data Machina


✍🏼 Vahid
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
🐦 توییتر علوم داده
🐦 @DataScience_twitter

👨🏻‍💻 اگه در حال یادگیری پایتون هستین این سایت همه چیت‌شیت‌هایی که لازم دارین رو یکجا گلچین کرده، با دسته‌بندی موضوعی، سطح‌بندی مقدماتی و پیشرفته، فهرست اجمالی و تفصیلی:👇


🏳️‍🌈 Welcome to Python Cheatsheet!


✅ اینم اضافه کنم که سایت زیر کلی میکرو توتاریال از پکیج‌های معروف پایتون داره! (با فوکوس روی دیتاساینس و دیتاآنالیتکس).⬇️

🏳️‍🌈 calmcode.io


✍🏼 Druid
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
🐦 توییتر علوم داده
🐦 @DataScience_twitter

👨🏻‍💻 می‌دونستین دو نوع دیتا ساینتیست داریم:‌


🔢 تایپ A (Analytical یا تحلیلی): تمرکز اصلیش روی تحلیل داده‌ها، مدل‌سازی و استنتاج آماریه.


🔢 تایپ B (Builder یا سازنده): تمرکز اصلیسش روی ساخت سیستم‌های مقیاس‌پذیر، یادگیری عمیق و ماشین لرنینگه.


✅ دانشمندای داده نوع A معمولاً از پس‌زمینه آماری، ریاضیاتی یا علوم اجتماعی و پایه می‌آن. تمرکز اصلیشون روی تحلیل داده‌ها، مدل‌سازی و استنتاج ریاضی و آماریه و با روش‌های سنتی و جدید آماری مدل های تفسیر پذیر درست می‌کنن.


✅ دانشمندای داده نوع B معمولاً پیش‌زمینه‌‌شون در علوم کامپیوتر یا مهندسی نرم افزاره. تمرکزشون اتوماسیون در پروداکشن هست. (کد زن هستن بیشتر).


✏️ تایپ A در حیطه ساینس، به کشف حقیقت به معنای فهمیدن چگونگی چیزها و تفسیرشون هست عمل می‌کنه.


✏️ اما تایپ B کار ساینس نمی‌کنن! کارشون بیشتر مهندسی نرم افزار و ساختن API و اتصالشون و فراخوندن الگوریتم های از پیش آماده هست. با این حال اصطلاحا بهشون میگن دیتاساینتیست.


📄 در مورد بازار کارشون در صنعت، بیشتر پروژه‌ها مرتبط به نوع B هست و نوع A به نسبت کمتر هست، چه از لحاظ مورد مصرف و چه از لحاظ نیروی متخصص.



✍🏼 Nima
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
🐦 توییتر علوم داده
🐦 @DataScience_twitter

👩🏻‍💻 من نشستم و توی دو ساعت این چیت‌شیت ۱۵۰ صفحه‌ای علوم داده رو درست کردم! دیگه خیالم برای مصاحبه‌های دیتا و پروژه‌هام راحته.


📂 چی توشه؟ چیزایی که واقعاً به کارت میان:

💬 نکات کلیدی Python.

💬 توابع R که تو مصاحبه‌ها ازت انتظار دارن.

💬 مفاهیم یادگیری ماشین و یادگیری عمیق.

💬 تمرین‌های SQL که واقعاً مهمن.

💬 جبر خطی و ریاضیات علوم داده.


✍🏼 Mahdis
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
🐦 توییتر علوم داده
🐦 @DataScience_twitter

👨🏻‍💻 این آگهی شغلی دیتاساینتیست رو دیدم خیلی باحاله، ساعت به ساعت نوشته قراره چیکار کنه!



✍🏼 Nima
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
🐦 توییتر علوم داده
🐦 @DataScience_twitter

👨🏻‍💻 یادگیری عمیق هوش‌مصنوعی و ماشین لرنینگ، بدون تسلط به آمار و احتمال ممکن نیست!

✅ بهترین کتابی که برای «احتمال» می‌شناسم، کتاب Introduction to Probability نوشته‌ی Blitzstein استاد هاروارده.

◀️بزرگ‌ترین مزیت این کتاب، اثبات‌های بسیار زیبا و ساده برای قضایاست و از همه مهم‌تر اینکه، این کتاب رایگانه:👇


⬅️ سایت کتاب | لینک
⬅️ نسخه PDF | لینک
⬅️ نسخه ویدیویی | لینک


✍🏼 SharifiZarchi
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
🐦 توییتر علوم داده
🐦 @DataScience_twitter

👨🏻‍💻 اگه تازه شروع به یادگیری پایتون و ماشین لرنینگ کردین، این پلی‌لیست از کانال Sentdex رو از دست ندین!


✏️ یکی از اولین منابعی بود که خودم برای عمیق‌تر شدن توی ML ازش استفاده کردم. مفاهیم پایه‌ رو خیلی خوب توضیح داده — از رگرسیون و SVM گرفته تا خوشه‌بندی (Clustering) و شبکه‌های عصبی عمیق و...

📁 آموزش‌ها هم خیلی عملی و با استفاده از پایتون ارائه شده.

✅ شیوه تدریسش هم روانه و برای مبتدی‌هایی که دوست دارن عملی پایتون رو یاد بگیرن عالیه.👌


🖥 لینک پلی‌لیست: ML with Python



✍🏼 Sepehr
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
🐦 توییتر علوم داده
🐦 @DataScience_twitter

👨🏻‍💻 داشتم دنبال یه نقشه‌ راه خوب برای یادگیری ماشین می‌گشتم که اتفاقی سایت AIGENTS رو پیدا کردم.

✅ دیدم علاوه بر رودمپ ML، برای تمام حوزه‌های دیتا نقشه راه تعریف کرده و مفاهیم، روش‌ها و ابزارهای ضروری هر پوزیشن رو هم قرار داده. بنظرم خیلی کامله و حسابی می‌تونه بدردتون بخوره.👇


◀️اینم لینک سایتش: AIGENTS
◀️اینم لینک سایتش: AIGENTS


✍🏼 Vahid
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
🐦 توییتر علوم داده
🐦 @DataScience_twitter

👨🏻‍💻 به هر زمینه‌ای که از دیتا علاقه دارین یا مشغول کارین و با داده‌های ساختاریافته کار می‌کنین، این کتاب رو حتما تو جعبه ابزار خودتون داشته باشین!

✅ «کتاب آشپزی پانداس (راهنمای عملی کار با پانداس) (ویرایش سوم) / نوشته ویلیام آید و متیو هریسون»


✏️ تازه تمومش کردم و خیلی خوشحالم که برای خودندن این کتاب وقت گذاشتم. هم عملی بود و هم مفید. اکیداً خوندنشو توصیه می‌کنم!👇


📄 Pandas Cookbook
📄 Pandas Cookbook



✍🏼 Ashkan
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
🐦 توییتر علوم داده
🐦 @DataScience_twitter

👨🏻‍💻 بچه‌ها freecodecamp یه دوره‌ی جدید و رایگان منتشر کرده که بهتون یاد می‌ده چطور تو مسابقات دیتا ساینس Kaggle شرکت کنین و قدم‌به‌قدم پیش برین تا برنده بشین.


✏️ از انتخاب مسابقه‌یِ مناسب شروع می‌کنه، بعد می‌ره سراغ فیچر انجینیرینگ، انتخاب مدل، و کلی تکنیک کاربردی دیگه که برای برنده شدن تو مسابقات و پروژه‌ها حسابی به کارتون میاد.


✅ لینک دوره‌ام اینجاست، از دستش ندین:👇


🔗 Kaggle Data Science Competition
🔗 Kaggle Data Science Competition


✍🏼 Masoud
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
🐦 توییتر علوم داده
🐦 @DataScience_twitter

👨🏻‍💻 یکی از مشکلاتی که مهندسای یادگیری ماشین و دیتا ساینتیست‌هایی که از رشته‌های غیر فنی و مهندسی کامپیوتر تو حوزه‌های دیتا مشغول به کار میشن، اینه که ریزه‌کاری‌های مهندسی نرم افزار رو بلد نیستن.

✏️ من خودم هیچ پیش‌زمینه‌یِ نرم‌افزاری و DS توی دانشگاه نداشتم ولی این کتاب کمکم کرد به مباحث مهندسی نرم افزار مورد نیاز برای حوزه دیتا مسلط بشم.

📕 Software Engineering for DS


✅ برای گیت هم این سایته خیلی خوبه:👇

⏩ learngitbranching.js.org



✍🏼 sirabzi
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
🐦 توییتر علوم داده
🐦 @DataScience_twitter