TGViewer
Channel Public Channel
مهندسی و علم داده

مهندسی و علم داده

@bimining

در مورد ادمین کانال :
- محمد عالیشاهی
- دکترای هوش مصنوعی دانشگاه تهران
- مدیر ارشد پروژه های هوش مصنوعی و علم داده
-دبیر شورای حکمرانی داده انجمن هوش مصنوعی ایران
Subscribers
3.98K
Photos
393
Videos
174
Links
113

Showing posts older than #1122 · Back to latest

Older Posts 20 shown
Post #1121 157

Forwarded from مهندسی و علم داده

☑️✳️كتاب فارسي"نحوه پياده سازي انبار داده مبتني بر ODI 12C پيشرفته" از صفر تا صد

نصب و راه اندازي ODI 12c در پلتفرم ويندوز و لينوكس
نحوه پياده سازي نگاشت ، پكيج ،user Function ، انواع متغير ها ،پياده سازي وب سرويس و ... با مثالهاي فراوان بصورت اشكال و نمودارها و بصورت گام به گام
با مطالعه كتاب (سطح مقدماتي)و كتاب با سطح پيشرفته هيچگونه نيازي به حضور در كلاسها با صرف وقت و هزينه زياد نخواهيد داشت.
ارادتمند
محمد عاليشاهي

@BIMining
Post #1119 187

Forwarded from مهندسی و علم داده

☑️✳️كتاب فارسي"نحوه پياده سازي انبار داده مبتني بر ODI 12C مقدماتي" از صفر تا صد

نصب و راه اندازي ODI 12c در پلتفرم ويندوز و لينوكس
نحوه پياده سازي نگاشت ، پكيج ،user Function ، انواع متغير ها ،پياده سازي وب سرويس و ... با مثالهاي فراوان بصورت اشكال و نمودارها و بصورت گام به گام
با مطالعه اين كتاب (سطح مقدماتي)و كتاب با سطح پيشرفته (تا يكهفته ديگر چاپ خواهد شد) هيچگونه نيازي به حضور در كلاسها با صرف وقت و هزينه زياد نخواهيد داشت.
ارادتمند
محمد عاليشاهي
Post #1117 4.26K
2020 Gartner Magic Quadrant for #Data_Science and #Machine_Learning Platforms (آپدیت ماه فوریه)



نکته جالب حضور Databricks در جمع #Leaders هست.

@BIMining
Post #1116 6.63K
✅ ✅برای تبدیل شدن به یک متخصص داده به چه مهارتهایی نیاز داریم‌.

@BIMining
Post #1115 5.46K
#استخدام
معرفی موقعیت شغلی
شما در تیم رادین از زیرمجموعه‌های گروه حصین، قراره روی پروژه‌های مبتنی بر داده کار کنین، از توسعه سامانه بک‌اند و فرانت‌اند تا تحلیل داده و ساخت مدل بر اساس هوش مصنوعی.
در حال حاضر تیم شامل 5 نفره و نیاز به یک همکار با علاقه برای کمک در زمینه‌های مختلف داره. از مسئولیت‌های شما پیاده‌سازی بک‌اند و فرانت‌اند سامانه‌ مبتنی بر وب در پروژه فعلی، تحلیل داده و تهیه مدل مبتنی بر هوش مصنوعی در پروژه‌های آتیست.
🔸 این کار نیاز به حداقل یک سال سابقه کار دات نت و ترجیحا وب داره
🔸 لازمه که به یکی از انواع دیتابیس مسلط باشید.
🔸 اگه با پایتون، آمار و یا مدل‌های پایه ماشین لرنینگ آشنا باشید یک مزیت محسوب می‌شه.
🔸 مدرک تحصیلیتون لازمه که کامپیوتر باشه و اگر ارشد خوندید ترجیحا گرایشون هوش مصنوعی باشه
🔸 سایر مشخصات مورد نیاز:
▫️باهوش
▫️علاقه مند به کار دیتا
▫️دارای نظم فکری
▫️توانایی مستند‌سازی
▫️تمایل به همکاری طولانی مدت(تا دو سال قصد ادامه تحصیل و مهاجرت نداشته باشه)
▫️امکان همکاری تمام وقت

اگر علاقه مند به همکاری هستید می‌تونید رزومه‌تون رو به ایمیل 👇بفرستید:
hr@hasintech.com
و یا وارد لینک زیر بشید
https://goo.gl/8HYt5w


@BIMining
Hasin Group Hasin Group - Technical Department * We operate across a diverse range of business sectors. While our current openings may vary, they predominantly center on the following roles:Senior DevOps Infrastructure Development and Deployment Spe
Post #1112 9.58K
✳️☑️مهم‌ترین کتابخانه های علم داده در #پایتون

این نمودار از بررسی سایت Github تهیه و توسط سایت ActiveWizards منتشر شده است.

@BIMining
Post #1103 8.2K
✳️✅کتابخانه پایتون برای علم داده ها
@BIMining
Post #1102 6.1K
@BIMining

✅ تفاوت تجزیه و تحلیل‌های توصیفی (Descriptive)، پیشگویانه (Predictive) و دستورالعملی (Prescriptive)

#بخش_دوم


☑️ تجزیه و تحلیل توصیفی، بینشی به گذشته:

تجزیه و تحلیل توصیفی یا آماری به تشریح و خلاصه سازی داده‌های خام می‌پردازد و بر آن است داده‌های خام را به طریقی، برای انسان قابل تقسیر نماید. نکته‌ی مثبت این رویکرد در آن است که امکان یادگیری از رفتار‌های گذشته را برای کسب و کارها فراهم می‌سازد و امکان درک اثر وقایع گذشته را بر آینده ایجاد می‌نماید.

روش‌های توصیفی در نشان دادن مواردی نظیر کل موجودی در انبار، میانگین هزینه به ازای هر مشتری، تغییرات سالیانه فروش و ... مناسب هستند. مثال‌های معمول این روش در کسب و کارها، شامل گزارش‌های تولید گذشته‌ی شرکت، اطلاعات مالی گذشته، فرآیندها، فروش، موجودی و مشتریان هستند.

📢 از روش مذکور در مواقعی استفاده می‌شود که کسب و کارها نیازمند نیل به درک جامعی از آن چه در شرکت روی می‌دهد هستند و همچنین زمانی که نیت توصیف جنبه‌های مختلف یک کسب و کار است

@BIMining

📃 منبع:
https://halobi.com/blog/descriptive-predictive-and-prescriptive-analytics-explained/


@BIMining
Logility Home Logility’s platform for supply chain optimization uses machine learning to automate planning, augment performance and accelerate decision-making.
Post #1101 5.06K
✅ ✳️تفاوت تجزیه و تحلیل‌های توصیفی (Descriptive)، پیشگویانه (Predictive) و دستورالعملی (Prescriptive)

#بخش_اول

با در نظر گرفتن حجم عظیم اطلاعاتی که از زنجیره‌ی تامین، در اختیار کسب و کارها قرار می‌گیرد، شرکت‌ها در جست‌و‌جوی راه حل‌های تحلیلی برای استخراج مفاهیم از حجم زیاد داده‌ها هستند به گونه‌ای که در امر تصمیم‌گیری آن‌ها را مشایعت نماید. شرکت‌هایی که در صدد هستند فرآیند‌های فروش و فعالیت‌های خویش را بهینه نمایند، نیازمند توانمندی‌هایی جهت بررسی داده‌های تاریخی و پیش‌بینی رویدادهای ممکن در آینده هستند. حرکت به سمت شیوه‌هایی که فرآیندهای سازمان را بر داده کاوی منطبق می‌سازند امر دشواری است. با این حال، این حوزه از جذابیت بالایی برخوردار است زیرا نرخ بازگشت سرمایه تحت اثر بهینه‌سازی زنجیره‌ی تامین، کاهش هزینه‌های عملیاتی، بهبود خدمات مشتریان و ارتقاء معماری محصولات افزایش می‌یابد.

در چنین فضایی، نظر به وجود رویکردهای تحلیلی متنوع، انتخاب راهکار مناسب از پیچیدگی بالایی برخوردار است. با این حال، خوش‌بختانه می‌توان به صورت کلی، ابزار تحلیل را در سه دسته‌ی کلی قرار داد. حقیقت امر آن است که هیچ یک از این دسته‌بندی‌ها بر یکدیگر برتری مطلق نداشته و عملا این روش‌ها مکمل یکدیگر هستند. برای آن که یک کسب و کار بتواند درک جامعی از بازار و نحوه‌ی رقابت در آن به دست آورد، یک رویکرد تحلیلی استوار مورد نیاز است که شامل بخش‌های زیر است:

🔹تجزیه و تحلیل توصیفی:
روش تحلیلی است که در آن از روش‌های تجمیع داده‎‌ها و داده‌کاوی برای دستیابی به بینشی نسبت به گذشته و آگاهی از آن چه رخ داده است، استفاده می‌شود.

🔹تجزیه و تحلیل پیشگویانه:
روش تحلیلی است که در آن از مدل‌های آماری و روش‌های پیش‌بینی به منظور آگاهی از آینده و آن چه ممکن است روی بدهد، استفاده می‌شود.

🔹تجزیه و تحلیل دستورالعملی:
روش تحلیلی است که در آن از تکنیک‌های بهینه‌سازی و شبیه‌سازی برای تشخیص آن چه باید انجام شود و نتایج اختمالی آن استفاده می‌شود.

📃 منبع:
https://halobi.com/blog/descriptive-predictive-and-prescriptive-analytics-explained/

@BIMining
Logility Home Logility’s platform for supply chain optimization uses machine learning to automate planning, augment performance and accelerate decision-making.
Post #1100 4.69K
The Ultimate Guide to Data Cleaning for machine learning.pdf784.1 KB
✳️✅یکی از بخش های مهم و چالش برانگیز در پروسه ی یادگیری ماشین پاکسازی داده ها است و تاثیر بسیاری بر روی validation مدل دارد.
این فایل شامل آموزش پاکسازی داده ها در فرایند یادگیری ماشین است.

@BIMining
Post #1098 6.73K
شرکت شبکه الکترونیک پرداخت کارت (شاپرک🦋) در دو عنوان شغلی زیر دعوت به همکاری می نماید، علاقه مندان برای دریافت اطلاعات بیشتر و ثبت درخواست به لینک زیر مراجعه فرمایند.

📊کارشناس تحلیل‌گر داده


تسلط به مفاهیم کلان داده ، یادگیری ماشینی و هوش مصنوعی
آشنایی کافی با موضوعات هوش تجاری و تحلیل کسب و کار
تسلط بر گزارش نویسی فنی
آشنایی با شبکه پرداخت و بانکداری الکترونیک
تسلط به کار با داده بوسیله نرم افزارهای Python ، R ، SPSS modeler


💻کارشناس تحلیل‌گر سیستم

آشنایی با پویایی شناسی سیستمها
تجربه پروژه تحلیل و مدلسازی سیستمهای پیچیده
تسلط بر گزارش نویسی فنی
دارای نگاه سیستمی و کل نگر
آشنایی کافی با نرم افزارهای شبیه سازی سیستم iThink ، Vensim

https://job.shaparak.ir/index.php/site/register

@BIMining
Post #1097 3.61K
⏳زمان مطالعه: 3 دقیقه

✅✳️هوش تجاری در صنعت مالی چه کاربردی دارد⁉️

📚 برگرفته از شماره "فناوری مالی" ، آخرین و جدیدترین شماره از نشریات سامانه نو

🔰اطلاعات و دانش در هزاره سوم به ثروت اصلي سازمان‌ها تبديل شده و بنگا‌ه‌هاي تجاري و واحدهاي توليدي براي كسب مزيت رقابتي به دنبال استفاده هر چه بيشتر از اين ثروت در تصميمات خطير خود در محيط پوياي امروز مي‌باشند.
هوش تجاری به نوعی از مدیریت کسب‌وکار اطلاق می‌شود که به منظور تشریح برنامه‌های کاربردی و فناوری در زمینه گردآوری، ارائه، دسترسی، تحلیل داده‌ها و اطلاعات در راستای یاری‌رساندن به مؤسسات، به منظور اتخاذ بهینه تصمیمات تجاری کاربرد دارد. هوش تجاری به سازمان‌ها این کمک را می‌کند که وظایف تحلیل، تهیه استراتژی و پیش‌بینی آن‌ها را مکانیزه و اتوماتیک نماید تا تصمیمات بهتری اتخاذ شود.
@BIMining

✅هوش تجاری در صنعت مالی

در بانکداری، تمام موضوعات خدمات مالی به عنوان یک صنعت، درباره پول است. در این کسب‌وکارها استفاده از هوش تجاری، به جای عملیات تجاری، بر امور مالی متمرکز شده‌است. استفاده از هوش تجاری در خدمات مالی عموما موجب خلق ارزش شده‌است. از طرفی دیگر، هوش تجاری می‌تواند نقشی مؤثر در پیگیری سوء‌استفاده از دارایی‌های مالی که شامل کشف و ردیابی کلاهبرداری و تقلب است ایفا کند.

✅بهبود بهره‌وری عملیاتی

در بازار شدید رقابتی این صنایع، کارآمدی مؤسسات تا جایی که امکان پذیر است لازم است. هوش تجاری فرایندهای عملیاتی را برای کمک به کاهش هزینه‌ها و حداکثر ساختن منابع موجود، تجزیه و تحلیل میكند

@BIMining

✅بهبود بازاریابی

با هوش تجاری می‌توان پروفایل کاربری را -که بیش‌ترین سود را برای مؤسسه به ارمغان آورده‌است- با استفاده از انبار داده‌های مدیریت ارتباط با مشتری کشف کرد. همچنین خود پایگاه مشتری می‌تواند مورد تحلیل قرار گیرد تا فرصت‌های پیش‌فروش و فروش، ساخته و شناسایی شوند و کمپین‌های هدفمند بازاریابی آنلاین بهبود یابند.

✅حفظ مشتریان

ابزارهای تحلیلی هوش تجاری می‌تواند بانک‌ها و مؤسسات مالی را برای کشف علت این‌که چرا مشتریان به رقیبان می‌پیوندند، کمک نماید. این علت‌های به دست آمده، برای مؤسسات، اطلاعاتی را فراهم می‌کند که جهت پیاده‌سازی و بهبود روش‌های جلوگیری از از دست دادن مشتریان ضروری است. پیگیری ترجیحات مشتری، عادات و رفتار او نیز می‌تواند این امکان را به مؤسسات بدهد که محصولات و خدمات را در راه‌های مختلفی برای برطرف‌کردن نیازها، حل مشکلات و ارتقاء وفاداری و رضایت مشتریان شخصی‌سازی کنند.
🌐متن کامل مقاله:
http://newsamaneh.iust.ac.ir/blog/هوش-تجاری-در-صنعت-مالی

@BIMining
بلاگ سامانه نو هوش تجاری در صنعت مالی - بلاگ نشریه مهندسی صنایع بلاگ سامانه نو اطلاعات و دانش در هزاره سوم به ثروت اصلي سازمان‌ها تبديل شده و بنگاه‌های تجاري و واحدهای توليدی برای كسب مزيت رقابتی به دنبال استفاده هر چه بيشتر از اين ثروت در تصميمات خطير خود در محيط پويا امروز مي باشند. با به‌كارگيری فناوری اطلاعات و ارتباطات در تمامی…
Post #1091 9.67K
💢 چرا پایتون؟

۱- محبوبیت زبان پایتون و کسب درآمد زیاد از طریق آن
۲- استفاده از زبان پایتون در علم داده
۳- اسکریپت و اتوماسیون در پایتون
۴- استفاده از پایتون برای داده‌های بزرگ
۵- پشتیبانی پایتون از تست (Testing)
۶- گرافیک کامپیوتری در پایتون
۷- استفاده از پایتون در هوش مصنوعی
۸- استفاده از پایتون در توسعه وب
۹- سازگار و قابل انتقال بودن
۱۰- سادگی و یادگیری آسان

@BIMining
  • 👍 1
Post #1090 6.6K
روند افزايشي رتبه و محبوبیت زبان‌ برنامه‌نویسی پایتون از سال 2008 تا 2018 @BIMining
Post #1089 8.7K
✳️✅داده‌های باز دیجی‌کالا
شاید این خبر رو شنیده باشید اما این حرکت بنظرم اونقدر ارزش داشت که بخواهيم یه پست به آن اختصاص بدهيم.دیجی‌کالا در یک حرکت انقلابی بخشی از داده‌های کاربرانش رو برای تحلیل در اختیار عموم قرار داده است. این داده‌ها از حدود ۲ میلیون مشتری و صد هزار کالا جمع‌آوری شدند و برای کاربردهای هوش تجاري از قبیل پردازش زبان طبیعی بسیار ارزشمند هستند. همچنین در صورتی که نتیجه تحقیقات شما قابلیت تبدیل به محصول شدن داشته باشد، از طرف دیجی‌کالا مورد حمایت قرار می‌گیرید. برای دریافت اطلاعات بیشتر از نحوه دریافت داده‌ها و جزئیات این دیتابیس‌ها می‌توانید از لینک زیر استفاده کنید.

لینک: 👇
https://bit.ly/2uRiJ6O

@BIMining
Older posts →
Threads Profile ViewerView any public Threads profile without an account.Open ThreadLook →Writing with AI? Make it sound human.Metric37 rewrites AI drafts so they read naturally. Free AI detector, 1,500 words free.Try Metric37 →