Data Science | علم داده

✅ راهنمای جامع انجام پروژه‌های علوم داده
⏪ چطور یک پروژه علوم داده رو انجام بدیم؟


👨🏻‍💻 اگه دنبال یادگیری و کار روی پروژه‌های علوم داده و یادگیری ماشین هستین، این مجموعه راهنمایی که نوشتم می‌تونه خیلی بهتون کمک کنه. من توی این راهنما از قدم اول که چطوری یه پروژه یادگیری ماشین رو شروع کنین، تا مراحل پیشرفته‌تر مثل مدل‌سازی و استقرار مدل‌ها توضیح دادم. هر بخش رو با زبان ساده و قابل فهم نوشتم تا هر کسی با هر سطحی از دانش بتونه ازش استفاده کنه.

1️⃣ چرخه عمر پروژه یادگیری ماشین: این بخش بهتون میگه که یک پروژه یادگیری ماشین از کجا شروع میشه و چطوری تا آخر پیش میره. یه جورایی مثل یه نقشه راهه که قدم به قدم راهنمایی‌تون می‌کنه.

📎 جریان کاری کامل یادگیری ماشین (بخش اول)
📎 جریان کاری کامل یادگیری ماشین (بخش دوم)


2️⃣ تعیین مبنای عملکرد و معیارهای موفقیت: اینجا یاد می‌گیرین چطوری می‌تونین بفهمین که پروژه‌تون داره خوب پیش میره یا نه و چه معیارهایی رو باید در نظر بگیرین.

📎 تعیین مبنای عملکرد پروژه یادگیری ماشین‌


3️⃣ پیش‌پردازش داده‌ها و مهندسی ویژگی‌ها: تو این بخش، نحوه آماده‌سازی داده‌ها و استخراج ویژگی‌های مهم رو توضیح میدم که خیلی مهمه تا داده‌های خوبی برای مدل‌سازی داشته باشین.

📎 تقسیم موثر داده‌ها برای پروژه علوم داده‌مون
📎 شش دلیل که چرا مدل شما نتایج بد می‌دهد؟


4️⃣ مدل‌سازی: اینجا می‌رسیم به انتخاب و استفاده از مدل‌های یادگیری ماشین. از مدل‌های ساده تا پیچیده‌تر رو معرفی می‌کنم و توضیح میدم چطوری ازشون استفاده کنین.

📎 راهنمای مختصر برای انتخاب مدل یادگیری ماشین
📎 راهنمای عملی برای ماشین بردار پشتیبانی در پایتون
📎 راهنمای عملی برای الگوریتم‌های بوستینگ در ML
📎 وظایف و کاربردهای یادگیری ماشین بدون نظارت
📎 راهنمای عملی برای کاهش ابعاد در پایتون
📎 یافتن تعداد بهینه خوشه‌ها به‌طور مؤثر
📎 ساخت مدل‌های پیچیده با API عملکردی Keras
📎 تنظیم سریع پارامترهای NN برای بهترین نتایج
📎 ساخت یک شبکه عصبی بازگشتی از ابتدا در پایتون


5️⃣ ارزیابی مدل: بعد از ساختن مدل، باید ببینین چقدر خوب کار می‌کنه. تو این بخش روش‌های ارزیابی مدل رو توضیح دادم.

📎 چرا نباید به‌طور کامل به دقت تست اعتماد کنیم؟


6️⃣ تفسیر پذیری یادگیری ماشین: اینجا یاد می‌گیرین که چطوری مدل‌هاتون رو تفسیر کنین و بفهمین چرا مدل‌تون یک تصمیم خاص رو گرفته.

📎 مدل‌های یادگیری ماشین دیگر جعبه سیاه نیستن


7️⃣ استقرار مدل و MLOps: در نهایت، بعد از اینکه مدل‌تون آماده شد، باید اون رو به کار بگیرین. این بخش نحوه استقرار مدل‌ها و چالش‌های مربوط به اون رو توضیح میده.

📎 راهنمای استقرار مدل Yolo3 بر روی Fast API
📎 استقرار و کاربرد الگوهای رایج یادگیری ماشین
📎 چالش‌های کلیدی استقرار مدل یادگیری ماشین
📎 چگونه داده‌های خود را تمیز و معتمد نگه داریم؟
📎 معرفی جامع ردیابی آزمایش‌های یادگیری ماشین


🌐 #علم_داده #DataScience
➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖➖
📊 دانشمند داده شوید :
📊 @DataScience_ir

📊 نقشه راه یادگیری «مصورسازی داده‌ها»

👩🏻‍💻 خیلی‌ها ازم می‌پرسن برای یادگیری «مصورسازی داده‌ها» از کجا باید شروع کنیم؟

✏️ واقعیت اینه که مصورسازی داده‌ها، یه زبانی خاص خودش داره که باید یادش بگیریم. اول باید با مفاهیم پایه شروع کنیم و بعد کم‌کم بریم سراغ مباحث پیچیده‌تر.

✅ من توی این مسیر از چندتا منبع خیلی خوب استفاده کردم که هنوزم ازشون یاد می‌گیرم. با هر پروژه، مشاوره یا دوره‌ای که می‌گذرونم، تجربیاتم بیشتر می‌شه. اینجا یه خلاصه از منابع مفیدی که به من کمک کردن رو براتون گذاشتم:👇


1️⃣ بخش اول: مقالات و کتاب‌ها:

📑 مقاله‌ای کامل از Lisa Charlotte Muth

🔗 لینک مقاله: started data visualization

➖➖➖➖➖➖➖➖➖

2️⃣ کتاب‌ها:

📚 کتاب: Storytelling with Data

📚 کتاب: Practical Charts

➖➖➖➖➖➖➖➖➖

3️⃣ جوامع یادگیری:

👤 لینک عضویت: Storytelling with Data

☑️ لینک عضویت: DataVis Community

➖➖➖➖➖➖➖➖➖

4️⃣ پادکست‌ها:

🌟 لینک: SWD Podcast
🌟 لینک: Data Viz Today
🌟 لینک: PolicyViz

➖➖➖➖➖➖➖➖➖

5️⃣ منابع کلیدی:

📚 راهنمای مصورسازی داده‌ها: این راهنما شامل منابع فوق‌العاده‌ای برای یادگیری و توسعه مهارت‌های مصورسازی داده است.

➖➖➖➖➖➖➖➖➖

6️⃣ دوره‌های آموزشی:

📣 مصورسازی مؤثر داده‌ها / یادگیری تبدیل داده‌ها به هنر.

📣 طراحی اطلاعات / داستان‌سرایی با داده‌ها در Illustrator.

📣 مصورسازی داده‌ها / این دوره ابزارها و تکنیک‌های خلاقانه‌ای رو برای مصورسازی ارائه می‌ده.

➖➖➖➖➖➖➖➖➖

7️⃣ ابزارهای بصری‌سازی داده‌ها:

⬅️ لینک: Scimago Graphica
⬅️ لینک: Datawrapper
⬅️ لینک: Flourish
⬅️ لینک: Tableau Public
⬅️ لینک: RStudio & Python



🌐 #علم_داده #DataScience
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
📊 دانشمند داده شوید :
📊 @DataScience_ir
📱 پیج اینستاگرام:
📊 @DataScience_fa

🎤 8 تا از بهترین اپیزودهای
🎙 پادکست‌ علوم داده Data Scientist Show


⏯️ چطور مصاحبه علوم داده رو با موفقیت پشت سر بذاریم و پروژه‌های عالی بگیریم؟

🎵 Spotify
🍏 Apple


2️⃣ از دانشمند داده در Meta تا یوتیوبری

🎵 Spotify
🍏 Apple


3️⃣ اصول MLOps برای دانشمندان داده

🎵 Spotify
🍏 Apple


4️⃣ از مهندس داده تا دانشمند داده در گوگل

🎵 Spotify
🍏 Apple


5️⃣ از آمار زیستی تا هنرمند داده

🎵 Spotify
🍏 Apple


6️⃣ چطور در یک سال حقوقم رو دو برابر افزایش دادم؟

🎵 Spotify
🍏 Apple


7️⃣ ورزش، تحلیل داده و برندسازی شخصی

🎵 Spotify
🍏 Apple


8️⃣ درس‌هایی از یک میلیون دلار ضرر

🎵 Spotify
🍏 Apple



🌐 #علم_داده #DataScience
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
📊 دانشمند داده شوید :
📊 @DataScience_ir
📱 پیج اینستاگرام:
📊 @DataScience_fa

🐼 لیست ویدیوهای دوره آموزشی «Pandas»


1️⃣ آموزش کتابخانه پانداس: بخش اول
 
2️⃣ آموزش کتابخانه پانداس: بخش دوم
 
3️⃣ آموزش کتابخانه پانداس: پروژه محور
 
⏪ محصولی از Pista Academy



🌐 #علم_داده #DataScience
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
📊 دانشمند داده شوید :
📊 @DataScience_ir
📱 پیج اینستاگرام:
📊 @DataScience_fa