آمارکده | علم داده | هوش مصنوعی| پژوهش

📣 کمیته تحقیقات دانشجویی دانشکده بهداشت دانشگاه علوم پزشکی همدان، آکادمی داناوین،گروه پژوهشگران علوم پزشکی ، انجمن علمی دانشجویی بهداشت عمومی(HOPE) و کمیته دانشجویی توسعه آموزش دانشکده بهداشت دانشگاه علوم پزشکی تهران و انجمن علمی دانشجویی نانو فناوری پزشکی دانشگاه علوم پزشکی شیراز و کمیته تحقیقات دانشجویی دانشکده بهداشت دانشگاه علوم پزشکی ایران برگزار می کند:

🌟سلسله کارگاه های آمار در پژوهش های علوم پزشکی🌟

👨‍🎓 مناسب برای : تمامی دانشجویان و علاقمندان به پژوهش


🕰زمان برگزاری: ۸ جلسه
از تاریخ ۴ مهر ماه تا ۲۹ مهر ماه ۱۴۰۵
ساعت ۱۲ الی ۱۴

📌بصورت آنلاین و در بستر اسکای روم

📎لینک ورود به کلاس:
https://www.skyroom.online/ch/iums/rafh

✅همراه با ارائه گواهی معتبر به شرکت کنندگان

💵 هزینه: رایگان

❌️✅️❌️ کارگاه نیاز به ثبت نام ندارد
در تاریخ و ساعت مشخص شده وارد کلاس شوید پروسه ثبت نام در کلاس اطلاعی رسانی خواهد شد.

🔴راه های ارتباطی با کانال های ما در بله و تلگرام:

🆔️ @srcnews
🆔️ @HOPE_TUMS
🆔️ @health_src_iums
🆔️ @sums_nanomed
🆔️ @Danavin_Academy
🆔️ @Pazhuheshgaran_MS

💻 Friday Code #01
به نظرتان برنامه‌نویسی از کجا شروع می‌شود؟
از Python؟
از C++؟
از JavaScript؟
ازSQL؟
یا از حفظ کردن چند دستور و سینتکس؟
به نظر من، هیچ‌کدام.
برنامه‌نویسی قبل از اینکه نوشتن کد باشد، یاد گرفتنِ درست فکر کردن برای حل مسئله است.
مثلاً فرض کنید می‌خواهیم از بین ۱۰هزار عدد، بزرگ‌ترین عدد را پیدا کنیم.
شاید در نگاه اول مسئله خیلی ساده باشد.
اما کامپیوتر خودش نمی‌داند باید چه کار کند.
ما باید مسئله را به قدم‌های کوچک تبدیل کنیم:
شروع → مقایسه → تصمیم → تکرار → نتیجه
بعد همین منطق را می‌توانیم با یک زبان برنامه‌نویسی اجرا کنیم.
و این نکته مهم است:
اگر فردا زبان برنامه‌نویسی‌ات را عوض کنی،
منطق حل مسئله هنوز همراهت می‌ماند.
برای همین در این سری قرار نیست فقط درباره‌ی یک زبان خاص صحبت کنیم.
گاهی Python،
گاهی SQL،
گاهی الگوریتم،
گاهی خطاهای برنامه‌نویسی،
گاهی ساختار داده،
و گاهی چیزهایی که اصلاً فکر نمی‌کردیم به برنامه‌نویسی مربوط باشند.
هدف این نیست که فقط کد بنویسیم؛
هدف این است که کم‌کم یاد بگیریم:

مسئله را مثل یک برنامه‌نویس ببینیم.

🚀 این اولین قدم Friday Code در آمارکده است.
حالا شما بگویید:
وقتی اسم «برنامه‌نویسی» را می‌شنوید، اولین چیزی که به ذهنتان می‌رسد چیست؟
یک کلمه یا یک جمله کافی است. 👇
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

نتایج نهایی آزمون کارشناسی ارشد اواخر مهر یا اوایل آبان اعلام می‌شود.

┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

خوشگلا

پست جدید مون رو حمایت کنین 🥰
https://www.instagram.com/p/DdrOIrDCCBh/?stkn=MWw3b2J3b3hlcmk4dA==

ناویر–استوکس پارت سوم
در دو پارت قبل دیدیم معادلات ناویر–استوکس چه چیزی را توصیف می‌کنند و چرا یکی از مهم‌ترین مسائل ریاضی به آن‌ها مربوط است.
اما حالا برسیم به خبر جنجالی: OpenAI ادعا کرده مسئله ناویر–استوکس را حل کرده است.

اما دقیقاً چه اتفاقی افتاده؟

مسئله اصلی این بود:
اگر یک سیال سه‌بعدی را با شرایط اولیه کاملاً منظم شروع کنیم، آیا این نظم همیشه حفظ می‌شود؟
یا ممکن است در یک زمان محدود، سرعت جریان به سمت بی‌نهایت برود و یک تکینگی (Singularity) ایجاد شود؟

OpenAI
می‌گوید سیستم هوش مصنوعی این شرکت توانسته سناریویی ریاضی پیدا و اثبات کند که در آن چنین تکینگی‌ای رخ می‌دهد.
ایده اصلی حول گردابه‌ها (Vortex) می‌چرخد؛ ساختارهایی در سیال که می‌توانند هم‌زمان کشیده و فشرده شوند و باعث افزایش شدید سرعت شوند.
نکته جالب اینجاست که ویسکوزیته، که معمولاً تمایل دارد جریان را آرام و صاف کند، در این سناریو نمی‌تواند جلوی این رشد را بگیرد.
OpenAI
همچنین اعلام کرده که بخش‌هایی از این برهان را به‌صورت رسمی در Lean بررسی کرده است یعنی برهان فقط یک متن معمولی نیست و می‌توان برخی مراحل آن را با یک سیستم اثبات‌گر صوری بررسی کرد.

اما یک نکته مهم:

اعلام کردن حل مسئله با جامعه ریاضی رسماً راه‌حل را پذیرفته یکی نیست.
چنین ادعای بزرگی نیاز به بررسی مستقل و دقیق ریاضی دارد.
اگر این نتیجه تأیید شود، داستان فقط درباره ناویر–استوکس نیست بلکه می‌تواند نشان دهد هوش مصنوعی قادر است در حل مسائل عمیق ریاضی، از محاسبه فراتر برود و در کشف و ساخت برهان هم نقش داشته باشد.
در پارت بعد، می‌ریم سراغ خود ایده ریاضی این برهان و می‌بینیم این گردابه چطور می‌تواند به سمت یک تکینگی حرکت کند.
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

🔔 چهارمین کنفرانس ملی بیم‌سنجی و مالی ایران برگزار می‌شه!

📌 محور اصلی: نقش فناوری‌های نوین در علم اکچوئری
🏛 برگزارکننده: دانشکده علوم ریاضی دانشگاه شهید بهشتی
📅 زمان برگزاری: ۶ آبان ۱۴۰۵
📝 مهلت ارسال چکیده مقالات: ۱۵ مهر ۱۴۰۵

از هوش مصنوعی و بلاک‌چین گرفته تا کلان‌داده و مدیریت ریسک بلایای طبیعی، این کنفرانس یه فرصت خوب برای آشنایی با جدیدترین موضوعات روز اکچوئریه؛ چه علاقه‌مند به ارائه مقاله باشید، چه فقط بخواید تو فضای علمی این حوزه حضور داشته باشید.

برای ثبت‌نام و ارسال مقاله به سایت انجمن محاسبات بیمه و مالی ایران مراجعه کنید:
🔗 www.irsoa.ir


🆔 @ActuaryOfoq

واقعا به کجا داریم میریم....

حرفشون واقعا قبول دارم 👌

┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

#SPSS

📒 کتاب آموزش جامع و کاربردی spss


┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

اگر چند عدد آماری شبیه هم باشند، یعنی داده‌ها هم شبیه هم‌اند؟
چهارگانه انسکومب یک مثال معروف آماریه که نشون می‌ده همیشه این‌طور نیست.
چهار مجموعه داده می‌تونن بعضی شاخص‌های آماری بسیار مشابهی داشته باشن، اما وقتی خود داده‌ها رو روی نمودار می‌بینیم، تفاوت‌های مهمی بینشون آشکار می‌شه. 👀
پس گاهی برای فهم بهتر داده‌ها، فقط خلاصه‌های آماری کافی نیستند؛ باید خود داده‌ها را هم ببینیم.
📌 به نظرتون چرا نگاه کردن به نمودار در کنار شاخص‌های آماری مهمه؟
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

📊 معماری مدرن تصمیم گیری های داده محور با Power BI

در اکوسیستم داده‌های سازمانی، ابزارهای مصورسازی تنها خروجی‌بخش نیستند؛ بلکه ستون فقراتِ استراتژیِ کسب‌وکار محسوب می‌شوند. مایکروسافت Power BI به عنوان یکی از قدرتمندترین پلتفرم‌های Business Intelligence (BI)، با ادغامِ سه‌لایه‌ی «مهندسی داده، مدل‌سازی و بصری‌سازی»، استانداردهای جدیدی را در صنعت تعریف کرده است.

---

🔹 چرا Power BI انتخابِ اولِ تیم‌های تحلیل داده است؟

1️⃣ مدل‌سازی داده‌های پیچیده (Data Modeling):
برخلاف ابزارهای گزارش‌گیری ساده، Power BI به شما اجازه می‌دهد روابط پیچیده بین جداول (Relationships) را در قالب Star Schema طراحی کنید. این ساختار، سرعتِ پاسخ‌دهی به پرس‌وجوهای حجیم را بهینه‌سازی کرده و از تکرار داده‌ها جلوگیری می‌کند.

2️⃣ موتور قدرتمند محاسباتی (DAX Engine):
زبان DAX (Data Analysis Expressions) قلب تپنده Power BI است. این زبانِ فرمول‌نویسیِ پیشرفته، امکان تعریف شاخص‌های کلیدی عملکرد (KPIs) و انجام محاسبات پیچیده زمانی (Time Intelligence) را فراهم می‌کند که در تحلیل‌های مالی و آماری غیرقابل چشم‌پوشی است.

3️⃣ یکپارچگی با هوش مصنوعی (AI-Powered Insights):
قابلیت‌های پیش‌بینی (Predictive Analytics) و تحلیل عوامل موثر (Key Influencers) در Power BI، به تحلیل‌گران اجازه می‌دهد از «داده‌های گذشته‌نگر» به سمت «تحلیل‌های پیش‌دستانه» حرکت کنند. قابلیت پرس‌وجوی طبیعی (Q&A) نیز، دسترسی به داده‌ها را برای مدیرانِ غیرفنی تسهیل کرده است.

4️⃣ حکمرانی و امنیت داده (Data Governance):
مدیریت دسترسی‌ها (Row-Level Security) و انتشار امن گزارش‌ها در سرویس ابری Power BI، این اطمینان را به سازمان می‌دهد که هر کاربر دقیقاً به همان بخشی از داده‌ها دسترسی دارد که برای تصمیم‌گیری به آن نیاز دارد.

---

📌 سخن پایانی:
در دنیایی که حجم داده‌ها به‌صورت نمایی رشد می‌کند، توانایی تبدیل «داده‌های خام» به «بینش‌های استراتژیک» یک مزیت رقابتی است. تسلط بر Power BI تنها به معنای ساخت نمودار نیست؛ بلکه به معنای طراحی زیرساختی است که مسیر تصمیم‌گیری‌های کلان سازمان را شفاف و دقیق می‌کند.

---

#PowerBI
#BusinessIntelligence
#DataModeling
#DataAnalytics
#DataScience

┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

آمارریاضی و کاربردهای آن
جان فروند

┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

https://t.me/Amar_kadeh/10164

❓خب، برگردیم به اون سوالات

⚠️زمانی که از تو داره می‌ره، بدون هیچ آگاهی از اینکه میخوای چیکار بکنی؛
می‌تونه یک زنگ خطر باشه.

❔برای برخی بی‌صدا و برخی بلندترین صدا، اما نمیدونن که باید چیکار کنن

نظرتون چیه از آخرش شروع کنیم تا انگیزه‌ی شروع رو بدست بیاریم؟

یه آگهی واقعی رو با هم باز کنیم و ببینیم پشت کلمه‌هاش چی پنهونه.

📌 کارشناس آمار | نهاد کتابخانه‌های عمومی کشور

این آگهی چند تا نکته‌ی جالب داره:

🔸 Excel
در سطح پیشرفته مهم‌ترین مهارته. اگه فقط مقدماتی بلدی، اینجا کم میاری.

🔸 Power BI
در سطح متوسط یعنی سازمان به سمت داشبورد و گزارش‌های بصری رفته.

🔸 Python
فقط مقدماتی با Pandas. پس قرار نیست برنامه‌نویس حرفه‌ای بشی. اما باید بدونی که قدم به قدم کارت رو چطور داری پیش می‌بری.

🔸 آمار رسمی و شاخص‌های کلان مهم‌تر از یادگیری ماشینه.

🤔 حالا سوال اینه:
تو با مهارت‌های الانت، چند درصد از این آگهی رو پوشش می‌دی؟
و اگه قرار باشه یه مهارت رو یاد بگیری، اول کدوم رو انتخاب می‌کنی؟

┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

زمان که می‌گذره، فقط نمی‌ره.
یه چیزی رو هم با خودش می‌بره...

⏳ تو تا حالا حس کردی وقتت داره صرف چیزی می‌شه که «مال تو» نیست؟
یا برعکس، حس کردی داری درست خرجش می‌کنی؟

┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

https://www.instagram.com/p/DdgTK25iHR3/?stkn=anpwdHZuZHczcTBz

پست جدید مون☺️❤️

حمایتتون باعث افزایش انگیزه ماست

چطور یک دیتا ساینتیست ماهر شویم؟ 📊

اشتباه رایج اینه که فکر کنیم دیتا ساینس یعنی:
Python + چند الگوریتم ML!

در واقع، مسیر خیلی عمیق‌تره:

🧮 آمار و ریاضی → فهمیدن منطق پشت داده
(تعریف خود آمار پاسخ دادن به بقیه علوم به کمک داده هست و علم داده یه مسیر فراتره)
💻 برنامه‌نویسی → تبدیل ایده به ابزار
🔍 تحلیل داده → پیدا کردن الگو از دل داده‌های خام
(که البته تقریبا این حوزه رو ai میتونه انجام بده شما فقط یاد میگیری که چطور کار میکنه)
🤖 Machine Learning → ساخت مدل و پیش‌بینی
🧠 حل مسئله → فهمیدن اینکه اصلاً چه چیزی باید حل شود
🏭 دانش حوزه → وصل کردن مدل به یک مسئله واقعی

اما یک مرحله از همه مهم‌تره:

پروژه واقعی.

چون بین «بلدم» و «می‌تونم باهاش مسئله حل کنم» فاصله زیادی وجود داره.
این مسئله به خود من توهم یادگیری داده بود و فقط بیشتر نظری میخوندم بدون اینکه روی چیزی پیادش کنم یا پروژه واقعی دیپلوی کنم

پس اگر می‌خوای دیتا ساینتیست بشی:
کمتر فقط آموزش ببین،
بیشتر مسئله حل کن. 🚀

📌 این مسیر رو ذخیره کن؛ شاید نقشه راه شروع مسیرت باشه.

#آمارکده #DataScience #دیتاساینس #MachineLearnin
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━