TGViewer
Channel Public Channel
کالج علم داده | Data College

کالج علم داده | Data College

@datascience_function

🔵💎 ما در این کانال به ارائه محتواها و آموزش‌های مفید، ساختارمند و جامع در حوزه علم داده، به شما می‌پردازیم.

با محتوای علمی و به‌روز ما همیشه یک قدم جلوتر باشید.
Open in Telegram
Subscribers
448
Photos
74
Videos
4
Links
28
Recent Posts 20 shown
Post #195 157

Forwarded from انجمن علمی مهندسی صنایع دانشگاه خوارزمی

LinkedIn Essentials 🔗
از پروفایل تا فرصت شغلی 🚀

با عرشیا احمدی 👤
بنیان‌گذار و مدیرعامل عرشیاکالا 💼
کارشناسی مهندسی صنایع | دانشگاه علم و صنعت 🎓

🗒 سرفصل‌ها:
• آشنایی کامل با محیط لینکدین 🧭
• ساخت قدم‌به‌قدم پروفایل All Star ⭐
• کانکشن‌گیری و ایجاد ارتباط مؤثر 🤝
• بهینه‌سازی (SEO) پروفایل 🔍
• یافتن فرصت‌های شغلی و کارآموزی 💡
• نگارش و انتشار پست ✍️
• نکاتی برای بهتر دیده شدن 👀
• حفظ و انتقال شبکه‌سازی‌های خارج لینکدین به لینکدین 🌐

💰 هزینه ثبت‌نام:
دانشجویان رشته مهندسی صنایع دانشگاه خوارزمی: ۲۰ هزار تومان
انجمن‌های همکار: ۳۰ هزار تومان
عموم: ۴۰ هزار تومان

📩 جهت ثبت‌نام:
@iekhu_admin
  • ❤ 1
Post #191 380
🔥 3 محور مانیتورینگ مدل در Production:

‏1️⃣ Data/Concept Drift با آزمون توزیع و افت متریک
‏2️⃣ Latency & Cost per Prediction روی هر سرویس
‏3️⃣ Error Analysis زنده (Segmentها، Outlierها)

💡 هشدار آستانه‌ای + ریترین خودکار = مدل سالم‌تر.

🔵 @DataScience_Function
Post #189 325

Forwarded from 📘 Optimyar | آپتیم‌یار

📚𝘿𝙖𝙩𝙖-𝘿𝙧𝙞𝙫𝙚𝙣 𝘿𝙚𝙘𝙞𝙨𝙞𝙤𝙣 𝙈𝙖𝙠𝙞𝙣𝙜 & 𝙍𝙤𝙗𝙪𝙨𝙩 𝙊𝙥𝙩𝙞𝙢𝙞𝙯𝙖𝙩𝙞𝙤𝙣 𝙫𝙞𝙖 𝙈𝙖𝙘𝙝𝙞𝙣𝙚 𝙇𝙚𝙖𝙧𝙣𝙞𝙣𝙜

📊دوره آموزشی تصمیم‌گیری داده‌محور و بهینه‌سازی استوار با یادگیری ماشین و پایتون

👨‍💻 در سه سطح از پایه تا پیشرفته و کلاس جهانی

✍️ از آشنایی با مفاهیم پایه تصمیم‌گیری مبتنی بر یادگیری ماشین تا تکنیک‌های پیشرفته بهینه‌سازی استوار داده‌محور ...


✔️ با گواهی معتبر دو زبانه از انجمن مهندسی صنایع ایران IIIE

🤝با حمایت دانشگاه علم و صنعت ایران و آکادمی تخصصی آپتیم‌یار

👨‍🏫 با تدریس اساتید برجسته کشور

🎓 کاربردی در پژوهش‌های تحصیلات تکمیلی دانشگاهی، سازمان‌ها و صنایع


📍حضوری: تهران، دانشگاه علم و صنعت ایران

📆 زمان سطح مقدماتی:  ۲۰ ، ۲۶ و ۲۷ شهریور ■ ⏰ ۸.۳۰ تا ۱۲.۳۰


🔗 برنامه تفصیلی و سرفصل‌های کامل

🔗 ثبت‌نام و جزئیات بیشتر

🔗 پشتیبانی (تلگرام)
  • 👍 3
  • ❤ 2
  • 💯 1
Post #188 201
🔥 4 معیار درست برای ارزیابی کلاسه‌بندی نامتوازن:

‏1️⃣ PR-AUC بهتر از ROC-AUC وقتی کلاس مثبت کم‌یابه
‏2️⃣ F1 / F0.5 / F2 بسته به اهمیت Precision یا Recall
‏3️⃣ Balanced Accuracy برای دیتای با نسبت نامتوازن
‏4️⃣ Calibration Curve تا ببینی نمرهٔ احتمال واقعیه یا نه

💡 اول «چه چیزی» مهمه رو مشخص کن، بعد متریک رو انتخاب کن.

🔵 @DataScience_Function
  • ❤ 1
Post #187 230
🔥 3 ابزار رایگان برای جمع‌آوری داده‌های با کیفیت:

‏🟡 Kaggle Datasets برای دیتای آماده
‏🟡 Google Forms + API برای نظرسنجی سفارشی
‏🟡 Open Data Portals (مثلاً data.gov)

💡 داده‌های خوب از هیچ شروع نمی‌شن؛ منابع رو بلد باش.

🔵 @DataScience_Function
  • 👍 1
Post #186 218
🔥 3 روش اعتبارسنجی مطمئن برای سری‌های زمانی (Time Series CV):

‏🟡 Expanding Window: هر بار دادهٔ آموزش بزرگ‌تر می‌شود، افق پیش‌بینی ثابت می‌ماند.
‏ 🟡 Sliding Window: پنجرهٔ ثابت، به‌صورت لغزان روی زمان حرکت می‌کند.
‏🟡 Blocked K-Fold: تاهای زمانیِ پشت‌سرهم بدون قاطی‌شدن گذشته و آینده.

🔔 با CV زمان‌محور، از نشت آینده جلوگیری کن و برآورد واقع‌بینانه بگیر!

🔵 @DataScience_Function
  • ❤ 1
  • 👍 1
Post #185 227
🔥 3 نشانهٔ Data Leakage که مدل رو فریب می‌ده

1️⃣ فیچرهایی که بعد از رخداد برچسب جمع‌آوری شدن (آینده در دادهٔ گذشته!)
2️⃣ اشتراک شناسه/ردپای کاربر بین Train و Test (نشت هویتی)
3️⃣ پیش‌پردازش روی کل دیتا قبل از Split (میانگین/نرمال‌سازی مشترک)

💡 قبل از آموزش، نشت رو ببند—وگرنه دقتِ ظاهری، تو تولید دود می‌شه!

🔵 @DataScience_Function
  • ❤ 1
  • 👍 1
Post #184 239
🔥 3 ابزار رایگان برای جمع‌آوری داده‌های با کیفیت:

‏🟡 Kaggle Datasets برای دیتای آماده
‏🟡 Google Forms + API برای نظرسنجی سفارشی
‏🟡 Open Data Portals (مثلاً data.gov)

🔔 داده‌های خوب از هیچ شروع نمی‌شن؛ منابع رو بلد باش.

🔵 @DataScience_Function
  • 👍 1
Post #183 194
🔥 3 ابزار رایگان برای جمع‌آوری داده‌های با کیفیت:
‏🟡 Kaggle Datasets برای دیتای آماده
‏ Google Forms + API برای نظرسنجی سفارشی
‏🟡 Open Data Portals (مثلاً data.gov)

⚠️ داده‌های خوب از هیچ شروع نمی‌شن؛ منابع رو بلد باش.

🔵 @DataScience_Function
  • 👍 1
Post #182 201
🔥 4 اشتباه رایج در Feature Engineering:

🟡 استفاده از تمام فیچرها بدون انتخاب
🟡 نساختن تعاملات معنادار (Feature Interaction)
🟡 نادیده گرفتن زمان/سری زمانی در داده‌های ترتیبی
🟡 نرمال‌سازی نادرست قبل از تقسیم Train/Test

😵 فیچر خوب، نیمی از مدل خوبه.

🔵 @DataScience_Function
  • ❤ 1
Post #181 197
🔥 3 روش سریع برای ارزیابی مدل بدون دیتای جدید:

‏🟡 Cross-Validation به‌جای یک تقسیم ساده
‏🟡 Learning Curve برای دیدن under/overfit بودن
‏🟡 Permutation Feature Importance برای فهم اینکه کدوم فیچر واقعا اثر داره

🔍 مدل بدون فهم درست از رفتار، فقط شانسه—این سه تا رو حتما اجرا کن!

🔵 @DataScience_Function
  • 👍 1
Post #180 210
🔥 3 تاکتیک ساده برای جلوگیری از Data Drift:

1️⃣ مانیتور کردن توزیع فیچرها به‌صورت دوره‌ای
2️⃣ مقایسه Performance فعلی با Baseline قبلی
3️⃣ استفاده از Retraining Trigger زمانی که افت قابل‌توجه می‌بینی

😀 داده وقتی تغییر کنه، مدل بدون مراقبت خراب می‌شه—پایش رو اتومات کن!

🔵 @DataScience_Function
  • 👍 1
Post #179 211
🔥 3 کتاب رایگان برای یادگیری Deep Learning:

🟡 ‏ Dive into Deep Learning” (MXNet, PyTorch)
🟡‏ “Neural Networks and Deep Learning” (Michael Nielsen)
🟡 ‏ Deep Learning” (Goodfello– Online Draft)

📚 منابع آزاد، پایه‌تونو قوی می‌کنه!

🔵 @DataScience_Function
  • 👍 1
Post #178 191
🔥 4 نکته برای Debugging در کد ML:

1️⃣ ‏ Print Shapes: ابعاد Tensor/Array‌رو چک کن
‏2️⃣ Sanity Check: یک نمونه‌دیتا با Label دستی تست کن
‏ 3️⃣ Gradient Monitoring: مطمئن شو گرادیانت‌ها ناپدید یا منفجر نمی‌شن
4️⃣ ‏ Unit Test: تابع پیش‌پردازش، Evaluation و Metrics رو جداگانه تست کن

💡 دیباگ اصولی، تأخیر تو پروژ‌ه رو کاهش می‌ده!

🔵 @DataScience_Function
  • 👍 1
Post #177 215
🔥 3 تکنیک برای ارتقاء کیفیت داده‌ها قبل از مدل‌سازی:

1️⃣‏ Deduplication: حذف رکوردهای تکراری
2️⃣‏ Imputation: پر کردن مقادیر از دست‌رفته با میانگین/میانه
3️⃣‏ Normalization: یکسان‌سازی دامنه فیچرها

💡 دیتای تمیز، پایه‌ی هر مدل دقیقیه!

🔵 @DataScience_Function
  • 👍 1
Post #176 214
🔥 4 کتابخانهٔ قدرتمند Python برای مصورسازی داده‌ها:

🟡‏ Matplotlib برای ساخت انواع نمودارهای پایه
🟡‏ Seaborn برای گراف‌های آماری زیبا و خوانا
🟡‏ Plotly برای داشبوردهای تعاملی تحت وب
🟡‏ Altair برای تعریف چارت‌ها با سینتکس ساده

📊 انتخاب درست لایبرری، داستان داده‌هات رو جذاب می‌کنه!

🔵 @DataScience_Function
  • 👍 1
Post #175 216
🔥 3 چالش اخلاقی در AI که باید بدونی:

1️⃣‏ Bias در دیتاست‌ها

2️⃣‏ Privacy کاربران

3️⃣ ‏Transparency در تصمیمات مدل

🤖 ‏ AI اخلاقیات رو هم باید به‌روز نگاه داشت.


🔵 @DataScience_Function
  • ❤ 1
Post #174 195
🔥‏ 4 Framework محبوب برای MLOps:

🟡‏ Kubeflow برای Pipeline اتوماتیک
🟡‏ MLflow برای Tracking Experiments
🟡‏ Airflow برای Scheduling Jobs
🟡‏ Seldon Core برای Serving مدل

🚀‏ MLOps یعنی پل بین Data Science و DevOps!


🔵 @DataScience_Function
  • ❤ 1
Post #173 189
🔥 3 چالش Common در Data Annotation:

1️⃣ ‏Labeler Bias و پیچیدگی دستورالعمل

2️⃣‏ Consistency بین چند Annotator

3️⃣ ‏Quality Control (Gold Standard Test)

🔍 نکته: همیشه یک نمونه “Ground Truth” داشته باش!

🔵 @DataScience_Function
  • ❤ 1
Older posts →

About this channel

How can I read @datascience_function without a Telegram account?
TGViewer shows the public web preview Telegram publishes for کالج علم داده | Data College: recent posts, photos, videos and the subscriber count, with no app, login or account.
How many subscribers does کالج علم داده | Data College have?
کالج علم داده | Data College (@datascience_function) has 448 subscribers on Telegram, refreshed roughly every 30 minutes.
Does کالج علم داده | Data College know I viewed it here?
No. Public channel previews carry no viewer identity, and TGViewer has no accounts or tracking of what you look up.
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 →