Data Science

پروژه‌های کلیدی حوزه علم‌داده در کسب‌وکار!

https://bit.ly/2S7hn1p

ایجاد قابلیت‌های تحلیلی در کسب‌وکار و بهره‌گیری از پتانسیل‌های حوزه علم‌داده در جهت اخذ تصمیمات داده‌محور در شرکت‌ها و سازمان‌ها، سبب افزایش کارایی و اثربخشی بسیاری خواهند شد. در ادامه برخی از کاربردهای کلیدی و مفید این حوزه در کسب‌وکارها معرفی خواهند شد.

1- خوشه‌بندی و تقسیم‌بندی مشتریان در جهت بازاریابی هوشمند

2-پیاده‌سازی سامانه‌های توصیه‌گر جهت ارائه پیشنهادات هدفمند به مشتریان

3-تحلیل و بررسی بازار در جهت ارائه محصولات جدید

4- تحلیل کامنت‌های مشتریان در شبکه‌های اجتماعی با روش‌های متن‌کاوی

5- طراحی ربات‌های هوشمند جهت تعامل با مشتریان

6- بهینه‌سازی در تولید محصولات

7- کشف تقلب‌های مالی

8-پیش‌بینی میزان وفاداری مشتری

9- کشف الگوهای خرید مشتریان

10- ارائه داشبوردهای تعاملی به مدیران سازمان

از موارد فوق در شرکت و سازمان شما کدام موارد پیاده‌سازی و در حال بهره‌برداری می‌باشد؟!

پاسخ به این سوال میزان بلوغ سازمان شما را در بهره‌گیری از قابلیت‌های کلیدی تحلیل‌داده مشخص می‌کند.

پی‌نوشت:
1- به تفکیک صنابع و حوزه‌های مختلف کسب‌کار همانند بانکداری، بیمه، خرده‌فروشی، نفت و گاز و پتروشیمی، سلامت، تلکام و... کاربردها و کارکردهای تخصصی حوزه علم‌داده در آینده در کانال معرفی خواهند گردید.

2- جهت پیاده‌سازی قابلیت‌های تحلیلی فوق به تخصص‌ها و مهارت‌های داده‌کاوی، آمار، متن‌کاوی، تحلیل شبکه‌ اجتماعی، هوش‌تجاری، کلان‌داده و... نیاز خواهید داشت.

ارادتمند
محمدرضا محتاط

@DataAnalysis

Text Analytics with Python

@DataAnalysis

کتاب Text Analytics with Python

در صورتی که علاقه‌مند به کسب تخصص در فیلد متن‌کاوی و پردازش زبان طبیعی هستید مطالعه کتاب Text Analytics with Python مفید خواهد بود.

آموزش و پیاده‌سازی الگوریتم‌های طبقه‌بندی متن، خوشه‌بندی، خلاصه‌سازی خودکار اخبار و تحلیل احساسات از سرفصل‌های این کتاب است.

پی‌نوشت:
1-حوزه متن‌کاوی و پردازش زبان طبیعی یکی از جذاب‌ترین فیلدهای کاری در حوزه علم‌داده می‌باشد. توجهات به این فیلدکاری در سازمان‌ها و شرکت‌های داخلی نیز با توجه به کاربردها و کارکردهای آن در سال‌های اخیر بسیار افزایش یافته است.

2-جهت کسب تخصص‌های تکمیلی در حوزه متن‌کاوی شرکت در دوره Applied Text Mining in Python دانشگاه میشیگان آمریکا در وب‌سایت Coursera نیز توصیه می‌شود.

ارادتمند
محمدرضا محتاط

@DataAnalysis

مهارت‌های مورد نیاز یک مهندس یادگیری ماشین!

مهندسی یادگیری ماشین یکی از جذابترین مشاغل تخصصی در حوزه‌ Data می‌باشد. در سال 2018 یک مهندس یادگیری ماشین بیشترین درآمد را به نسبت سایر مشاغل در ایالات متحده آمریکا داشته است.

برای ورود تخصصی به این حوزه نیازمند کسب دانش تخصصی در مهارت‌های Soft و مهارت‌های فنی می‌باشید. توجه به موضوعات کسب‌وکار، برنامه‌نویسی، ریاضی و مهارت‌های ارتباطی از مهمترین مولفه‌های کسب موفقیت در این مسیر شغلی است.
جزئیات مهارت‌های مورد نیاز در شکل پیوست ذکر شده است.

@DataAnalysis

برترین مهارت‌های مورد نیاز در حوزه علم‌داده!

زبان‌های برنامه‌نویسی پایتون، SQL, R و پلتفرم‌های مرجع کلان‌داده همانند آپاچی هدوپ و موتور پردازشی اسپارک جز پرکارترین مهارت‌های تخصصی حوزه علم‌داده است.

به نسبت سال گذشته میزان استفاده از پایتون و اسپارک توسط متخصصین علم‌داده افزایش یافته است. این میزان برای SQL, هدوپ و زبان برنامه‌نویسی R کاهش یافته است.

@DataAnalysis

ساختار پیشنهادی یک تیم Data!

در این ساختار پیشنهادی به موقعیت‌ها و تخصص‌هایی در حوزه‌های تحلیلگر داده، متخصص علم‌داده، مهندس داده، حاکمیت داده و مهندس یادگیری ماشین نیاز می‌باشد. هر یک از موقعیت‌های فوق به ابزارها، مفاهیم و دانش‌های تخصصی خود نیاز دارند.

در بسیاری از شرکت‌‌ها خصوصی و سازمان‌های دولتی کشور مشکلات متعددی در حوزه طراحی ساختار یک تیم Data وجود دارد. در صورت بهره‌گیری از ساختارهای بهینه و متناسب‌ با نیازها و پروژه‌ها، بهره‌وری و اثربخشی به مراتب افزایش خواهد یافت.

@DataAnalysis

Business Intelligence Guidebook From Data Integration to Analytics

@DataAnalysis

کتاب تخصصی هوش تجاری؛ از یکپارچگی داده تا تحلیل!

کتاب فوق که توسط انتشارات Morgan Kaufmann با حمایت ELSEVIER منتشر شده است جز کتاب‌های مفید و کاربردی حوزه هوش‌تجاری می‌باشد.

این کتاب از جنبه‌های کلان‌ و مدیریتی حوزه هوش تجاری تا حوزه‌های فنی و پیاده‌سازی مدل‌های تحلیلی را پوشش می‌دهد.

@DataAnalysis

شرکت‌ها و پلتفرم‌های مطرح حوزه کلان‌داده در سال 2018!

https://goo.gl/v18FS9

در تصویر زیر تمامی شرکت‌ها و پلتفرم‌های مطرح در حوزه Big Data و هوش مصنوعی در بخش‌های زیرساخت، تحلیل، کاربرد، منابع منبع‌باز، دسترسی به داده و... معرفی گردیده است.

1-زیرساخت(Infrastructure)
در این بخش کمپانی‌ها و پلتفرم‌های فعال در ارائه خدمات مبتنی بر هدوپ، اسپارک، زیرساخت‌های کلان‌داده مبتنی بر رایانش ابری، پایگاه داده‌های Nosql و... قرار دارند.

2-تحلیل(Analytics):
محصولات و خدمات مرتبط با حوزه علم‌داده، هوش تجاری، ابزارهای مصورسازی، یادگیری ماشین و... در بخش تحلیل معرفی شده‌اند.

3-کاربرد سازمانی( Application):
شرکت‌های فعال در حوزه‌های بازاریابی، مالی، مدیریت ارتباط با مشتری، امنیت و... در مولفه کاربردهای سازمانی معرفی گردیده‌اند.

4-منابع Open Source:
در صورتی که علاقه‌مند به منابع منبع باز معروف در کلان‌داده و علم‌داده هستید در بخش Open Source می‌توانید با ابزارها و پلتفرم‌های این حوزه آشنا بشوید.

5- دسترسی به منابع داده و Api:
تمرکز بر ابزارها و شرکت‌های فعال در حوزه اینترنت اشیا، سلامت، فین‌تک و.... که نیازمند استفاده از Data Source و Api می‌باشد در این بخش قرار دارند.

@DataAnalysis

‌‌‎مهارت هاي مورد نياز در موقعيت هاي شغلي مرتبط با كلان داده

‌‌‎مهندس داده، توسعه دهنده كلان داده، دانشمند علم داده و تحليلگر كسب و كار جز فرصت هاي شغلي جذاب اين حوزه ميباشد.

‌‌‌‏@DataAnalysis

اجزا و مولفه‌های پروژه‌های Big Data!

جهت اجرای موفق یک پروژه مبتنی بر Big Data نیاز به برنامه‌ریزی و پیاده‌سازی طیف وسیعی از اقدامات فنی و مدیریتی در سازمان خواهد بود.

@DataAnalysis

مهمترین روندها و مسائل ایران در سال 1397!

با بهره‌گیری از قابلیت‌های تحلیل‌داده و کلان‌داده امکان مدیریت بسیاری از چالش‌ها و مسائل فوق وجود دارد.

تصمیم‌گیری‌های داده‌محور راه علاج کشور در مدیریت بحران و چالش‌های پیش‌رو می‌باشد.

پی‌نوشت:
گزارش فوق توسط موسسه آینده‌بان تحت عنوان "آینده‌پژوهی ایران 1397" منتشرشده است. بیش از 100 مسئله اساسی کشور در این گزارش برای مدیران و پژوهشگران به صورت عمومی منتشر گردیده است.

@DataAnalysis

کتابخانه‌های برتر پایتون در حوزه علم‌داده!

https://bit.ly/2S3BiPx

کتابخانه Scikit-learn: کتابخانه Scikit-learn یکی از محبوبترین کتابخانه‌های یادگیری ماشین در پایتون است. این کتابخانه از طیف وسیعی از الگوریتم‌های طبقه‌بندی و خوشه‌بندی و... پشتیبانی می‌کند.

کتابخانه Tensorflow: جهت پیاده‌سازی مدل‌های مبتنی بر یادگیری عمیق بر فریم‌ورک تسنورفلو در زبان پایتون از کتابخانه Tensorflow می‌توانید استفاده کنید.

کتابخانه Theano: از دیگر کتابخانه‌ مطرح حوزه یادگیری عمیق می‌توان به لایبرری Theano اشاره کرد. کتابخانه Keras نیز با توجه به قابلیت‌های بالا آن نیز در حوزه یادگیری عمیق سهولت و کارایی بسیار بالایی دارد.

کتابخانه Pandas: جهت کار با داده‌های ساختاریافته و آماده‌سازی دادگان از این کتابخانه محبوب استفاده می‌شود.

کتابخانه Matplotlib: کتابخانه Matplotlib جز معروف‌ترین کتابخانه‌های پایتون در حوزه Data Visualization است.

کتابخانه Seaborn: کتابخانه دیگر مطرح در حوزه مصورسازی داده‌ها در پایتون Seaborn است. طیف وسیعی از نمودارها در این کتابخانه پشتیانی می‌شود.

کتابخانه NumPy: با استفاده از این کتابخانه امکان استفاده از آرایه‌ها، ماتریس‌های بزرگ چند بعدی و استفاده از تابع‌های ریاضیاتی سطح بالا در پروژه‌های علم‌داده فراهم می‌شود.

@DataAnalysis

فرصت‌ شغلی هوش تجاری در شرکت رایانه خدمات امید!

شرکت رایانه خدمات امید، جهت تکمیل کادر خود در پروژه‌های هوش تجاری و انبار داده، در محیطی پویا از فارغ‌التحصیلان دانشگاه‌های دولتی و یا افراد متخصص و علاقمند دعوت به همکاری می‌کند.
این شرکت برای ردیف‌های شغلی زیر استخدام می‌کند:

1. طراح و توسعه‌دهنده برنامه کاربردی هوش تجاری توسط ابزار OBIEE

💻تخصص‌های لازم ردیف شغلی اول:
🎯مسلط به ابزار OBIEE
🎯مسلط به ابزار Administration
✔️آشنا با مباحث usage tracking
✅آشنا با معماری داده‌ای چندبٌعدی
✔️آشنا با پایگاه داده اوراکل

2. طراح و توسعه‌دهنده انبارداده توسط ابزار ODI

💻تخصص‌های لازم ردیف شغلی دوم:
🎯مسلط به ابزار ODI
🎯مسلط به پایگاه داده Oracle
🎯مسلط به مفاهیم انبارداده
🎯مسلط به مفاهیم ETL
🎯مسلط به معماری داده snowflake و star
✅آشنا به مباحث Oracle DB Administration

لطفا در صورت تمایل رزومه خود را به ایمیل زیر ارسال فرمایید.
r.bahadori@ocs.co.ir

@DataAnalysis

استراتژی مدیریت ‌داده!

یکی از مهمترین مولفه‌های یک سازمان داده‌محور بهره‌گیری از استراتژی، متدها و اقدامات مدیریت داده است.

در سازمان شما کدام یک از اجزا و اقدامات فوق استقرار دارد؟!

@DataAnalysis

تبدیل شدن به یک متخصص یادگیری عمیق!

https://bit.ly/2RB5Doi

یکی از موضوعات روز و جذاب مرتبط با حوزه‌های علم‌داده، هوش مصنوعی و... حوزه یادگیری عمیق می‌باشد. کارکردها، کاربردها یادگیری عمیق با توجه به پتاسیل بالای آن، سبب افزایش اهمیت آن در کسب‌وکارها و مسائل مرتبط شده است. در فرصت‌های شغلی شرکت‌های فعال در حوزه تحلیل‌داده نیز میزان توجهات و درخواست‌ها در این فیلد تخصصی کاملا مشهود است.

با توجه به سوالات متعدد علاقه‌مندان، در ادامه منابع آموزشی شامل دوره‌ها، کتاب‌های مرجع و فریم‌ورک‌های مطرح یادگیری عمیق جهت کسب دانش تخصصی پیشنهاد می‌گردد.

1-دوره یادگیری عمیق Andrew Ng!
دوره یادگیری عمیق Andrew Ng در وبسایت Coursera یکی از منابع بسیار کاربردی و مفید جهت ورود به حوزه یادگیری عمیق می‌باشد. در این دوره مفاهیم تخصصی و پایه شبکه‌های عصبی، شبکه‌های CNN, RNN ,... به صورت تخصصی آموزش داده می‌شود.
لینک دوره: https://bit.ly/2OjIFUI

2-دوره یادگیری عمیق دانشگاه استنفورد!
دانشگاه استنفورد برخی دوره هاي تخصصی در حوزه یادگیری عمیق و یادگیری عمیق در پردازش زبان طبیعی را با کدهای CS229، CS230 , CS231و... ارائه کرده است. به همت برخی از دانشجویان ایرانی این دانشگاه، برخی محتویات مرتبط با یادگیری عمیق دوره CS229 کاملا به زبان فارسی ترجمه گردیده است. علاقه‌مندان می‌‌توانند از طریق لینک زیر به محتویات فوق دسترسی داشته باشند.
لینک دوره: https://stanford.io/2Ryuaum

3- دوره یادگیری عمیق موسسه فرادرس!
دوره یادگیری عمیق موسسه فرادرس را می‌توان جز نمونه‌های موفق دوره‌های آموزشی فارسی در حوزه‌های به‌روز فناوری اطلاعات معرفی کرد. در این دوره 3 ساعته مفاهیم پایه شبکه‌های عصبی و یادگیری عمیق، روش ها و مدل های یادگیری عمیق و... آموزش داده می‌شود. جهت ورود به حوزه تخصصی یادگیری عمیق مشاهده اولیه این دوره آموزشی جهت آشنایی بیشتر با کلیدواژه‌های تخصصی آن می‌تواند مفید باشد.
لینک دوره: https://bit.ly/2NzfEyZ

4- کتاب یادگیری ژرف!
در صورتی که قصد کسب دانش تخصصی و پایه‌ای شبکه‌های عصبی و یادگیری عمیق را دارید کتاب Deep Learning آقای Goodfellow جز منابع خوب این حوزه است. این کتاب توسط انتشارات آتی نگر ترجمه گردیده است.

5- فریم‌ورک‌های تنسورفلو و Keras!
در صورتی که قصد انتخاب فریم‌ورک تخصصی در حوزه یادگیری عمیق را دارید براساس تجربیات، نیازمندی‌های بازار و ترندهای جهانی دو فریم‌ورک Tensorflow یا Keras در حال حاضر بهترین انتخاب می‌باشند. جهت آموزش‌های تخصصی در فریم‌ورک‌های فوق کتاب‌های تخصصی متعدد و دوره‌های آموزشی با کیفیت در وبسایت‌هایی همانند Lynda, Udemy و... انتشار یافته است که قابلیت بهره‌برداری دارند.

پی‌نوشت:
1- بهترین زبان برنامه‌نویسی در حوزه یادگیری عمیق با توجه به پشتیبانی از طیف وسیعی از فریم‌ورک‌ها و کتابخانه‌های تخصصی، زبان برنامه‌نویسی پایتون است.
2- در صورتی که منابع آموزش فوق را به صورت تخصصی دنبال نمایید می‌توانید بدون شرکت در دوره‌های آموزشی حضوری به دانش تخصصی مورد نیاز خود دست پیدا کنید. تلاش و پشتکار جز مولفه‌های کلیدی جهت موفقیت در این حوزه جذاب و البته چالشی خواهد بود.

@Dataanalysis
ارادتمند
محمدرضا محتاط

برترین ابزارهای کاربردی در حوزه‌های Big Data!

یکی از مهمترین گام‌ها در اجرای پروژه‌های کلان‌داده، انتخاب پلتفرم‌ها و ابزارهای بهینه بنا به کارکردها و نیازمندی‌های پروژه خواهد بود.

@DataAnalysis

استراتژی‌های کلیدی جهت موفقیت در حوزه بازاریابی دیجیتال!

اخذ تصمیمات داده‌محور و بهره‌گیری از تکنولوژی‌ها تحلیل‌داده یکی از مولفه‌های کلیدی جهت موفقیت در حوزه Digital Marketing می‌باشد

@DataAnalysis

فایل ویدیویی جلسه صنعت داده‌محور!

فایل ویدیویی جلسه 86 از سلسله نشست های علم اطلاعات با موضوع صنعت داده محور با حضور آقایان دکتر مهدی نصیری و مهندس محمد روهینا از طریق لینک فوق قابل مشاهده می‌باشد.

@DataAnalysis

این #پخش_زنده رو ببین:
صنعت داده محور
https://lahzenegar.com/play/SAIqa