‍ 〽️شکایت کردن از مشکلات و‌ سختی‌ها اولین کاریه که آدما می‌کنن.😏

یعنی همه تا به یه مشکل برمی‌خورن، شروع می‌کنن به شکایت‌کردن و غر‌زدن و گله‌کردن از شانس و اقبال بد!
امااا...
اما فقط ۵٪ آدما هستن که دنبال #راه‌حل می‌گردن و کم نمی‌آرن.🤓

دنیا برای پیشرفت کردن،
برای بهتر شدن،
برای #حال_خوب داشتن،
نیاز به این ۵٪ داره،
بیاید جز این #پنج_درصد باشیم😉

#حال_خوب
#راه_حل
#پنج_درصد
@gu_stat

🔴کتابفروشی که از بـیـگ دیتا استفاده کرد🔴


اگر بخواهیم بیگ‌دیتا را خیلی ساده و خودمانی تعریف کنیم، داستان کتاب‌فروشی آقای جعفری کار را راحت می‌کند.📚


📚آقای جعفری یک کتابفروشی قدیمی در مرکز شهر دارد. او از همان دوران جوانی که کتابفروشی را از پدرش به ارث برد یک دفتر روی میزش گذاشت و عنوان هر کتابی که فروخته می‌شد را در کنار تاریخ و قیمت کتاب می‌نوشت. با این دفتر هم حساب و کتابش را داشت، هم موقع سفارش کتاب از آن استفاده می‌کرد.


📚آقای جعفری هر وقت می‌خواست به توزیع‌کننده‌های کتاب سفارش خرید دهد نگاهی به دفتر فروش می‌انداخت و کتاب‌هایی را سفارش می‌داد که بیشتر فروش می‌رفت، موضوعاتی که طرفدار بیشتری داشتند انتخاب می‌کرد و حواسش به این هم بود که کتاب‌هایی را لیست کند که در طیف قیمتی کتاب‌های پرفروش باشند.

📚کتابفروش داستان ما با این کار توانست تا چندین سال فروش خود را بیشتر کند و نسبت به دیگر کتابفروشی‌ها درآمد بیشتری داشته باشد. او در این مدت علایق مشتریان ثابتش را فهمیده بود و حتی در مواردی به انتخاب‌های او اعتماد بیشتری داشتند.


📚آقای جعفری وقتی به دوران پیری رسید پسر جوانش در کتابفروشی کمکش می‌کرد. علی پسر آقای جعفری کامپیوتری را به کتابفروشی آورد تا جستجوی موجودی کتاب‌ها، ثبت سفارش اینترنتی، حسابرسی مالیات و ... را با نرم‌افزارهای رایانه انجام دهد.

📚علی متوجه شد فروش کتاب کمتر و کمتر می‌شود و یکی از دلایل آن تمایل مردم به خرید اینترنتی بود. پس او هم به سرعت یک فروشگاه اینترنتی راه‌اندازی کرد و فروش کتاب‌ با فروشگاه اینترنتی بهتر شد.

📚علی از افزایش فروش خوشحال بود؛ اما فکر کرد حتماً راه‌های دیگری هم برای افزایش هرچه بیشتر فروش باید باشد، پس شروع به جستجو و تحقیق کرد تا راهی برای افزایش فروش پیدا کند.

📚علی متوجه شد اگر اطلاعاتی دقیق درباره مشتریان داشته باشد می‌تواند پیش‌بینی کند هر مشتری در آینده تمایل دارد چه کتابی بخواند و همان کتاب را به او پیشنهاد دهد. این همان تجربه و مهارتی بود که پدرش در طول سال‌ها به دست آورده بود.

🌟علی که در ابتدا نمی‌دانست چه کار باید بکند ساعت‌ها جستجو کرد، تا این که مطالبی درباره داده و داده‌کاوی خواند.

📚او به سرعت یک شرکت داده‌کاوی پیدا کرد و درخواستش را مطرح کرد. آن‌ها به علی پیشنهاد دادند که با جمع‌آوری داده‌هایی از اینترنت کتاب بعدی که هر مشتری می‌خواهد بخواند را پیش‌بینی کنند.



📚آنها داده‌هایی از منابع زیر جمع کردند:

📌مشخصات فردی مشتریان
📌لیست کتاب‌هایی که خوانده‌اند
📌 فعالیتشان در شبکه‌های اجتماعی مثل لایک‌ها
📌علاقه‌‌مندی‌هایی مثل تیم فوتبال یا موسیقی مورد علاقه
📌 واکنش به تبلیغات و پیشنهادها
📌داده‌هایی از فعالیت سایر مردم در شبکه‌های اجتماعی مثل نظر در پست‌های اینستاگرامی
📌توئیت‌هایی که درباره کتاب هستند
📌مقالات منتشر شده با موضوع کتاب
📌آمارهایی از کتاب‌های پرجستجو در اینترنت



📚اگر یک نفر علاقه به خواندن رمان‌های علمی‌-تخیلی دارد و در تحلیل داده‌های حاصل از شبکه‌های اجتماعی مشخص شود مردم در حال گفتگو درباره کتاب علمی-تخیلی جدید هستند، با مطابقت دادن پرسونای مشتری و کتاب جدیدی که هنوز نخوانده است، می‌توان در قالب یک پیام، کتاب جدید را به او پیشنهاد داد.



📚علی که توانسته بود فروشگاه اینترنتی خودش را با موفقیت راه‌اندازی کند از وارد شدن به دنیای داده‌ها هم نترسید و پیشنهاد شرکت داده کاوی را قبول کرد.


📚بعد از جمع‌آوری حجم زیادی از داده‌ها و طراحی مدلی مبتنی بر بیگ‌دیتا، فروشگاه علی به یکی از پرفروش‌ترین کتابفروشی‌های اینترنتی تبدیل شد. رمز موفقیت علی همین پیشنهادهای کتاب هوشمندی بود که از طریق بیگ دیتا به دست آمد.

📚با این روش هر کتاب جدیدی که منتشر می‌شد به صورت هدفمند به اطلاع مشتری‌هایی که به احتمال بالای ۹۰ درصد علاقه به خواندنش داشتند می‌رسید و بالای ۵۰ درصد مشتریان کتاب پیشنهادی را می‌خریدند.

📚اگر علی از همان روش پدرش برای فهرست کردن همه اطلاعات مشتریان و علایق جامعه به کتاب‌های جدید استفاده می‌کرد، حتماً نمی‌توانست با این کیفیت و در زمانی محدود راهی برای پیشنهاد کتاب به مشتریان پیدا کند.



📚در این مثال از دو نوع منبع برای جمع‌آوری داده‌ها استفاده شد:

📌داده‌های از مشتریان سابق
📌 داده‌های از محتواهای تولید شده توسط مردم در فضای مجازی

📚ارتباط داده‌های حاصل از این دو منبع مدلی ایجاد کرد که به کمک آن می‌توان پیشنهادهای شخصی‌سازی شده و هدفمندی به مشتریان ارائه داد.


#بیگ_دیتا
#کتابفروشی_که_از_بیگ_دیتا_استفاده_کرد

منابع:
novin.com



@gu_stat

🔶داده کــاوی🔶

#بخش_3

#بخش_1_بیگ_دیتا


🔸بــیگ دیتـا 🔸


وقتی از بیگ دیتا (Big Data) صحبت می‌کنیم، بیشتر از یک وضعیت حرف می‌زنیم؛ وضعیتی که در آن حجم زیادی از داده‌ها، با سرعت زیاد و تنوع گسترده تولید می‌شوند.

در اغلب تعریف های کلان داده، سه اصطلاح حجم (Volume) و سرعت (Velocity) و تنوع (Variety) را می‌بینید. در حدی که گاهی برای تعریف بیگ دیتا از اصطلاح ۳V استفاده می‌کنند.

اما این‌که از چنین وضعیتی چگونه می‌توان استفاده کرد، نیازمند دانش‌های دیگری است. دانشمندان علوم داده‌ها (Data Scientists)، متخصصان هوش مصنوعی (Artificial Intelligence) و فعالان داده کاوی (Data-mining) از جمله کسانی هستند که می‌توانند کاربردهای Big Data را در حوزه‌های مختلف بیابند و توسعه دهند.


🔹مثالهایی از کاربرد های بیـگ دیتا🔹


⭐️از جمله کاربردهای بیگ دیتا در زندگی روزمره می‌توان به سرویس های مسیریابی مانند Waze و بخش Navigation در Google Maps اشاره کرد. حجم قابل توجهی از داده‌های مربوط به وسایل نقلیه‌ی در حال حرکت (در واقع : موبایل‌های در حال حرکت) به صورت پیوسته و در لحظه، پردازش می‌شوند و مسیرهای مناسب بر اساس مقصد تعیین شده و ترجیحات کاربران به آن‌ها پیشنهاد می‌شود.

⭐️یک نمونه مشهور استفاده از بیگ دیتا در سریال‌های تلویزیونی پروژه کمپانی نتفلیکس است. این شرکت با کمک بیگ دیتا علایق مردم را شناسایی می‌کند تا در وهله اول سریال‌های بهتری را به مخاطبان پیشنهاد دهد و سپس از این داده‌ها در ساخت سریال‌های جدید خود استفاده کند.


⭐️و یا تغییر برنامه آموزشی در دانشگاه ایالتی جورجیا ، تا چند سال قبل میانگین دانشجویانی که موفق می‌شدند در این دانشگاه فارغ‌التحصیل شوند ۳۲ درصد بود که درصد بسیار پایینی است. این دانشگاه برای پیدا کردن نقاط چالش‌برانگیز از داده‌ها استفاده کرد.

آنها با تحلیل داده‌های دانشجویان سابق و فعلی خود ۸۰۰ رفتار مرتبط با عدم موفقیت در دانشگاه را پیدا کردند. یکی از نشانه‌های عدم موفقیت این بود که اگر دانشجوی رشته علوم سیاسی در دوره مقدماتی علم سیاست نمره C می‌گرفت، احتمال موفقیت آن تا ۲۵ درصد کم می‌شد.

حالا هر دانشجویی که در این وضعیت قرار گیرد مشاوری با او ملاقات می‌کند و به موفقیت او کمک می‌کند.

این فقط یکی از ۸۰۰ مشکل کشف شده بود. مدیران دانشگاه برای بزرگترین چالش‌های دانشجویان برنامه‌های متعددی پیاده کردند و در عرض چند سال میانگین فارغ‌التحصیلی دانشجویان به ۵۴ درصد رسید!



⭐️شرکت AlayaCare یک نمونۀ عالی از کاربرد بیگ‌دیتا در حوزۀ پزشکی و سلامت است. این اپلیکیشن که در زمینه مراقبت از سالمندان و بیماران در خانه فعالیت می‌کند، با پایش اطلاعات مشتریان از راه دور و بررسی هوشمند سوابق بیماران، تعداد دفعات مراجعه پزشکان متخصص به خانه افراد را تا ۷۳ درصد کاهش داده است.



#داده_کاوی
#آنالیز_داده
#بیگ_دیتا
#مقاله

منابع :
novin.com
motamem.org



@gu_stat

🎥محبوب‌ترین و منفورترین «تدتاک» با تحلیل‌های ساده آماری.
#ted_talks
#statistics
#sebastian_wernicke
👇👇👇
@gu_stat

🔸داده کــاوی🔸

#بخش_3

#بخش_1_آنالیز_داده


🔹آنـالـیز داده هـا🔹

تحلیل گران داده، داده‌ها را جمع‌آوری، پردازش و تجزیه‌ و تحلیل آماری کرده و از بین آن‌ها روابط پنهان را کشف می‌کنند.
به بیان ساده‌تر، وظیفه تحلیل‌گر داده، دریافت داده‌های خام و تبدیل آن‌ها به دانشی است که بتواند در اختیار مدیران مشاغل و کسب و کارهای مختلف قرار گیرد، تا این افراد با استفاده از دانش جدید بتوانند تصمیمات مناسب‌تری اتخاذ کرده و باعث کاهش هزینه‌ها و افزایش درآمد و در نتیجه سوددهی بیشتر کسب و کار شوند.


تحلیلگران داده با داده‌های بسیار زیادی سر و کار دارند. اعداد و ارقام، داده‌های خام دیگر ورودی‌های کار تحلیل گران داده محسوب می‌شوند. تحلیل‌گر داده حرفه ای باید توانایی تحلیلی و شناخت مشکلات را داشته و با استفاده از داده‌های موجود بهترین راه‌حل‌ها را شناسایی و ارائه کند. درواقع آنها بر روی داده های خام و پراکنده کار می کنند و براساس ارزش، آن ها را به سازمانشان برمی گردانند.


تحلیلگران داده این پتانسیل را دارند تا یک کسب و کار سنتی را به یک کسب و کار داده محور تبدیل کنند.

#داده_کاوی
#آنالیز_داده
#مقاله

منابع:
dayche.com
click.ir



@gu_stat

〽️ روابط بین #توزیع های آماری〽️

@gu_stat

🔴اطلاعیه
قابل توجه دوستانی که با دکتر عظیم محسنی درسِ مباحثی در آمار دارن، جهت یادآوری امتحان دوم بهمن راس ساعت #۸صبح برگزارمیشود.
👇👇👇
@gu_stat

#دانستنی_آماری

مختصری از ابتدای تاريخ علم آمار

واژه آمار از كلمه لاتين Status سرچشمه گرفته است كه به معني حالت، وضع يا موقعيت مي باشد. از اين کلمه به عنوان ريشه واژه Statistics (آمار) به وجود آماده است.
با پيدايش نخستين دولتها در تاريخ، آمار پا به عرصه گذارده است. تاريخ نشان می دهد که چند هزار سال پيش از ميلاد مسيح در چين، هندوستان، مصر و ايران سرشماری نفوس و آمارگيری از اراضی و اموال و دارائی صورت می گرفته است. بديهی است که اينگونه سرشماريهاي بسيار ابتدايي كه به هيچ رو با آمار و دموگرافي امروز قياس شدني نيست، بناي آمار كنوني را پي ريزي كرده و آغاز نموده است. با ظهور سرمايه داري و گسترش تجارت، آمار در مقابل مسائل پيچيده تري قرار مي گيرد و حجم اطلاعات جمع آوري شده افزايش مي يابد و در نتيجه كارهاي آماري نيز توسعه مي يابد، بطوريكه از نظر ماهيت عميق تر، از نظر موضوع مورد مطالعه وسيع تر و از نظر وسائلي كه به كار گرفته مي شود كاملتر ميگردد.
در تحقيق هاي علمي بيش از همه اين فكر كه آمار در قرن هفدهم به خود شكل يك علم مي گيرد طرفدار پيدا كرده است. در اواسط قرن هفدهم در انگلستان ويليام پتي و جان گرانت جريان علمي را آغاز نمودند كه نام‌” حساب سياسي“ به خود گرفت. اين دانشمندان در برسي هاي خود از كميت هاي نسبي و متوسط استفاده مي كردند. همزمان با اين رخداد در آلمان نيز مكتب ” آمار توصيفي “ ظهور يافت. دانشمندان اين مكتب با استفاده از اعداد، دولتها و كشورها را تشريح و تفسير می نمودند. بين داشمندان دولت شناس، بيش از همه ” آخن وال“ جلب نظر ميكند. بعضي از آمار دانان وی را پدر علم آمار مي دانند.

@gu_stat

#معرفی_دانشمند
سر رونالد المر فیشر آمارشناس و زیست شناس بزرگ متولد انگلستان بود که در سال ۱۸۹۰ در شهر لندن دیده به جهان گشود.
همواره به عنوان یکی از بزرگترین دانشمندان عصر خویش شناخته شده وبه پدر علم آمار مشهور میباشد.
سال ۱۹۰۹ تحصیلات خود را در رشته‌ی ریاضیات و نجوم در دانشگاه کمبریج آغاز کرد و در سال ۱۹۱۲ با شرایط نامطلوب اقتصادی و بدون حمایت مالی از دانشگاه فارغ التحصیل شد. از سال ۱۹۱۳ تا ۱۹۱۹ به تدریس ریاضیات و فیزیک در دانشگاه بردفیلد مشغول شد. او در همان سال‌ها، با توجه به علاقه‌اش به زیست شناسی، مقالات متعدد میان رشته‌ای از جمله «همبستگی بین خویشاوندان با فرض قوانین مندل» که در آن مفهوم تحلیل واریانس (ANOVA) برای اولین بار استفاده شد را به ثبت رساند. در سال ۱۹۲۱، مفهوم درستنمایی (likelihood) را معرفی کرد. به این منظور، مقالات و کتب متعددی را نوشت که از جمله‌ی آن ها می‌توان به «روش‌های آماری برای محققان»، «طراحی آزمایشات» و «جداول آماری» اشاره کرد.
ریاست دانشکده‌ی یوژنیک دانشگاه لندن و تدریس ژنتیک در دانشگاه کمبریج بخشی از زندگی کاری وی است.
فیشر از جانب مراکز علمی و دانشگاهی زیادی از جمله دانشگاه‌های هاروارد (۱۹۳۶)، کلکته (۱۹۳۸)، لندن (۱۹۴۶)، گلسگو (۱۹۴۷)، آدلاید (۱۹۵۹) و لیدز (۱۹۶۱) مورد تقدیر واقع شد.
وی در سال ۱۹۶۲، پس از سال ها تلاش بی وقفه در عرصه های مختلف علمی از جمله آمار، دار فانی را وداع گفت.
#Sir_Ronald_Aylmer_Fisher
👇👇👇
@gu_stat

تقویم آموزشی ۹۸_۹۹

#فراخوان📢📢
♦️انجمن علمی امار دانشگاه گلستان برگزار میکند:

🖊🖋 مسابقه طراحی لوگو✏️✏️

🖋طراحی لوگوی انجمن علمی امار دانشگاه گلستان(ویژه دانشجویانِ رشته آمار📊)

✒به اثر برتر علاوه بر ماندگار شدن اثر هدیه نفیس و ارزنده ای نیز تقدیم می شود🎁.

📅 مهلت ارسال آثار
دومِ اسفند ماه

🗓زمان اعلام نتایج
نیمه اول اسفند ماه

🎷برای شرکت در مسابقه فایل PNG اثر و شماره دانشجویی خود را به آیدی تلگرامی زیر بفرستید
@Sir_Mmadkh
@gu_stat

🔸داده کــــاوی🔸


#بخش_4


🔸یادگیری عمـیق🔸



یکی از معروف‌ترین تکنیک هایی که توی Data science استفاده میشه و گل سرسبد این حوزه هست، AI (هوش مصنوعی) یا دقیق‌ترش Machine learning و دقیق‌ترش Deep learning هست.


به طور خلاصه، هوش مصنوعی عبارت است از شبیه‌سازی هوش انسان در سیستم‌های کامپیوتری و نخستین بار که پژوهش‌ها در زمینهٔ هوش مصنوعی آغاز شد، تلاش پژوهشگران بر این بود تا با توانمندسازی کامپیوترها آن‌ها را قادر سازند تا وظایف تعریف‌شده‌ای مانند بازی کردن را انجام دهند


یک تعریف ساده از یادگیری ماشینی هم عبارت است از توانایی ماشین برای یادگیری با استفاده از مجموعه‌ای از داده‌ها و عمل بر اساس آن‌ها و نه صرفاً بر اساس قوانین تعریف‌شده و ثابتی که از قبل کدنویسی شده‌اند. به زبان ساده‌تر، یادگیری ماشینی این امکان را برای ماشین (سیستم) فراهم می‌آورد تا خود به تنهایی بتواند چیزی را بیاموزد به طوری که در یادگیری ماشینی از قدرت پردازش کامپیوترهای مدرن به منظور تحلیل مجموعه‌های بزرگ دیتا استفاده می‌شود


درواقع Deep learning یکی از روش‌های یادگیری ماشینی است که این امکان را برای یک سرویس مبتنی بر هوش مصنوعی فراهم می‌سازد تا هم از طریق یادگیری نظارت‌شده و یادگیری نظارت‌نشده آموزش ببیند.



🔹مثالهایی از کاربرد یادگیری عمیق🔹



⭐️الکسا، سیری یا کورتانا، دستیار‌های مجازی هوشمندی هستند که از یادگیری عمیق جهت فهمیدن صحبت و زبان انسان‌ها، وقتی با آن‌ها در تعامل هستند استفاده می‌کنند.




⭐️یادگیری ماشین برای تشخیص چهره نیز استفاده می‌شود، اما نه الزاماً برای مسائل امنیتی. به عنوان مثال در فرآیند تگ کردن افراد روی پست های Face book، یا پرداخت مبلغ خرید هر شخص با شناسایی چهره آن در آینده‌ای نزدیک.

چالش مهم در این زمینه زمانی است که فرض کنید مدل مو یا ریش شخص تغییر کند. یا تصویری که گرفته شده است به دلیل نور کم محیط، کیفیت مناسبی نداشته باشد(‼️)




⭐️نتفلیکس چگونه ویدئو بعدی را به شما پیشنهاد می‌دهد؟ یا آمازون چطور محصولات مرتبط با سلیقه‌تان را به شما ارائه می‌کند؟ آن هم محصولاتی که به آن‌ها احتیاج دارید ولی تا قبل از این نمیدانستید؟




🔹 5 تا از کاربردی ترین نرم افزار های یادگیری عمیق در سال 2020🔹



🔹 Neural Designer
🔹 H2O.ai
🔹 DeepLearningKit
🔹 Microsoft Cognitive Toolkit
🔹 Keras






#داده_کاوی
#مقاله
#هوش_مصنوعی
#یادگیری_عمیق
#یادگیری_ماشین
#AI #Artificial_Intelligence
#Machine_learning
#Deep_learning






منابع :
upgrad.com
aminaramesh.ir
sokanacademy.com



@gu_stat

#آمارریاضی
#قضیه_باسو

در بسیاری از مسایل آماری مثل نظریه برآورد و آزمون فرض ها نیاز به وجود اثبات استقلال دو آماره داریم.با استفاده از قضیه باسو بدون این که توزیع توام دو آماره محاسبه شوند٫با داشتن شرایط لازم وجود این استقلال ثابت می شود.
نتایج ساده در علم آمار که اهمیت آنها در طول زمان پایدار باشد خیلی کم هستند. قضیه باسو یکی از این استثناهاست.قضیه باسو مثل لم نیمن-پیرسن٫نامساوی کرامر-رائو و قضیه رائو بلاکول هسته اصلی استنباط آمار کلاسیک را تشکیل می دهد.این قضیه یکی از قضیه های مشهور آمار است که در سال 1955 توسط باسو اثبات شد و سال ها پس از اثباتش مشهور و کارا باقی ماند.شور و اشتیاق راجع به این قضیه و همچنین کاربردهای متنوع آن گواه این امر است.در واقع این قضیه در بیشتر کتاب های مهم استنباط آماری از جمله لهمن٫ماخوپادیای و کلا و برگر بیان شده است.قضیه باسو به صورت یک نتیجه کاملا کاربردی ظاهر می شود و این جنبه آن باعث شده که کاربردهای فراوانی در زمینه های مختلف داشته باشد.این قضیه باعث کشف ارتباط بین بسندگی٫آماره های کمکی و استقلال می شود که البته قبل از آن چنین ارتباطی تصور نمی شد.
به نظر می رسد ایده ای که باسو را به فکر مطرح کردن این قضیه انداخت به شرح زیر باشد:
(چنانچه آماره بسنده ای٫کامل باشد علاوه بر داشتن همه اطلاعات لازم درباره پارامتر هیچ اطلاع بیشتری درباره آن ندارد.پس چنین آماره ای نمی تواند ارتباطی با یک آماره کمکی که شامل هیچ اطلاعی در باره پارامتر نیست (چون توزیع آن پارامتر بستگی ندارد)داشته باشد.از این رو طبیعی به نظر می رسد که هر آماره کمکی مستقل از آماره بسنده کامل باشد).

@gu_stat