👨🏻‍💻 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

👨🏻‍💻 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

🖥 مجموعه‌ای از بهترین ریپو‌های گیت‌هاب
💰 در حوزه هوش مصنوعی و داده

👨🏻‍💻 به‌عنوان کسی که مدت‌هاست با حوزه یادگیری ماشین سر و کار دارم، می‌تونم بگم یکی از چالش‌هایی که همیشه بچه‌ها تو حوزه ML باهاش درگیرن، پیدا کردن منابع درست و کاربردیه.

✏️ به همین دلیل، من یه لیست فوق‌العاده از ریپوهای کاربردی علوم داده آماده کردم که داشتنش برای هر کسی که می‌خواد وارد این حوزه بشه، ضروریه. این ریپازیتوری‌ها شامل این مباحث میشن:

✅ پردازش زبان طبیعی
✅ مدل‌های زبان بزرگ
✅ بینایی کامپیوتر
✅ علم داده
✅ یادگیری ماشین
✅ مهندسی داده
✅ آمار و احتمالات
✅ زبان SQL و دیتابیس

⏪ این ریپازیتوری‌ها نه تنها برای یادگیری، که برای الهام گرفتن و شروع پروژه‌های واقعی هم عالین.👇


┌ ✅ AI & Data GitHub-Repos
└ 🐱 GitHub-Repos



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

👨🏻‍💻من تا الان نمی‌دونستم گوگل چنین ابزاری داره! یه ابزار عالی به اسم Interview Warmup که با هوش مصنوعی کار می‌کنه و می‌تونه ازت سوالات تخصصی و کاملاً شخصی‌سازی، برای مصاحبه‌‌های شغلیت بپرسه.


✏️ کاری که این ابزار می‌کنه اینه که بر اساس حوزه تخصصی‌ت؛ مثلا تحلیل داده‌ها، مهندس یادگیری ماشین، UX، امنیت سایبری و... سؤالات واقعی ازت می‌پرسه. بعد جواب‌هات رو بررسی می‌کنه و پیشنهادهایی بهت می‌ده تا بهتر بتونی توانایی‌هات رو بیان کنی و توی مصاحبه‌ها تأثیرگذارتر باشی.

✅ حتی پاسخ‌های صوتی‌ت رو هم آنالیز می‌کنه و میگه چطوری بهتر می‌تونی از مهارت‌هات دفاع کنی. خیلی خفنه! یه تمرین جدی و حساب‌شده‌اس. واقعاً فوق‌العاده‌س!👇

┌ ⏩ Interview Warmup
├ 💰 Website
└ 📄 Interview Prep



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

👨🏻‍💻 یه راهنمای عالی پیدا کردم برای ساختن پرتفولیوی علم داده، با کلی نکته عملی، ایده پروژه، و مسیر درست برای دیده شدن.

▶️ بهت یاد می‌ده چطور کیس‌استادی‌هات رو بچینی، از چه پلتفرم‌هایی استفاده کنی (GitHub, Notion, سایت شخصی)، و چطور تو بازار رقابتی بدرخشی!

✅ انتخاب پروژه‌های درست
✅ داستان‌سرایی با داده‌ها
✅ ارائه پروژه‌ها و نمونه کارها به شکل حرفه‌ای برای استخدام‌کننده‌ها.


📄 Data Science Portfolio Guide



✍🏼 omid
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
🐦 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

👩🏻‍💻 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

👩🏻‍💻 اگه برای مصاحبه ML Engineering آماده می‌شید یا می‌خواید درباره سیستم‌های ML توی production بیشتر بدونید، این بلاگ مطالب خیلی مفیدی داره:👇


🔗 Machine Learning interview
🔗 Machine Learning interview


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

👨🏻‍💻 بنظرم به خودتون لطف کنین و کتاب Clean code رو بیخیال بشین! نهایتا شما رو تبدیل به یه دولوپری می‌کنه که می‌تونه با استانداردهای جاوا کد بزنه!

✏️ اگه واقعا می‌خواین پایتون رو کامل و مفهومی یاد بگیرین، این کتابو بخونید. درک عمیق‌تری هم نسبت به پایتون و فیچرهاش پیدا می‌کنید.


🔆 اینم لینک فایل pdf کتاب:👇

🏳️‍🌈 Fluent Python
🏳️‍🌈 Fluent Python


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