Data Science | علم داده

🐼 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

👩‍💻 20 سوال مصاحبه علوم داده آمازون!


👨🏻‍💻 شغلی مثل "دانشمند داده" تو آمازون سوالات مصاحبه حرفه‌ای و پر چالشی داره. از چندبار تجربه‌ مصاحبه با آمازون، یه لیست از سوالات مهم و پاسخ‌ها و راهکارهای مفید آماده کردم که امیدوارم براتون کاربردی باشه. بریم سراغ جزئیات!


✏️ سوالات رفتاری


🔢 یه زمانی که با استفاده از داده‌ها یه مشکل پیچیده رو حل کردی، تعریف کن.

✅ باید بتونی یه مثال دقیق از پروژه‌هات بیاری و نشون بدی چطور با داده‌ها راهکار پیدا کردی و چطور نتیجه گرفتی.

🔢 وقتی با چندتا اولویت متضاد تو شرایط پر استرس مواجه می‌شی، چیکار می‌کنی؟

✅ مهمه که روشت رو برای مدیریت زمان و تمرکز روی اهداف کلیدی توضیح بدی.

🔢 یه نمونه از پروژه‌ای که توش اصل "شیفتگیِ مشتری" آمازون رو نشون دادی.

✅ مثلاً چطور نیاز مشتری رو فهمیدی و توی طراحی محصول یا تحلیل داده لحاظ کردی.

🔢 یه زمانی که شکست خوردی رو تعریف کن. چطور مدیریتش کردی؟

✅ شکست همیشه یه فرصته برای یادگیری. داستانت باید نشون بده چطور از اون تجربه درس گرفتی.

🔢 وقتی ضرب‌العجل خیلی نزدیکه، چطور کارهات رو اولویت‌بندی می‌کنی؟

✅ نکته اینجاست که باید بتونی یه استراتژی واضح و مؤثر توضیح بدی.
✂️✂️✂️✂️✂️✂️✂️✂️


✏️ سوالات فنی و تحلیلی


1⃣ با داده‌های گمشده تو یه دیتاست بزرگ چیکار می‌کنی؟

☑️ تکنیک‌هایی مثل جایگذاری (imputation) یا حذف هوشمندانه داده‌ها رو توضیح بده.

🔢 فرضیات پشت رگرسیون خطی رو توضیح بده.

☑️ مواردی مثل استقلال متغیرها، نرمال بودن خطاها و هم‌خطی رو دقیق بگو.

🔢 چطور عملکرد یه مدل یادگیری ماشین رو ارزیابی می‌کنی؟

☑️ معیارهایی مثل دقت (accuracy)، یادآوری (recall) یا F1-score رو توضیح بده.

🔢 مزایا و معایب استفاده از Random Forest نسبت به مدل‌های Gradient Boosting چیه؟

☑️ هرکدومشون برای چه نوع مسائلی بهتره، شرح بده.

🔢 چطور یه تست A/B برای یه قابلیت جدید تو سایت آمازون طراحی می‌کنی؟

☑️ از تعریف هدف گرفته تا طراحی گروه‌های کنترل و تست.
✂️✂️✂️✂️✂️✂️✂️✂️


✏️ سوالات SQL و کوئری‌نویسی


🔢 یه کوئری برای پیدا کردن ۵ محصول با بیشترین فروش بنویس.

✅ باید توی کوئری از فانکشن‌هایی مثل ORDER BY و LIMIT استفاده کنی.

🔢 چطور رشد درآمد ماه به ماه رو با SQL محاسبه می‌کنی؟

✅ از فانکشن‌هایی مثل LEAD یا LAG استفاده کن.

🔢 یه کوئری برای شناسایی مشتری‌هایی که بیش از ۳ خرید تو سال گذشته داشتن، بنویس.

✅ از GROUP BY و شرط‌های مربوط استفاده کن.

🔢 چطور یه کوئری SQL کند رو بهینه‌سازی می‌کنی؟

✅ توضیح بده چطور از ایندکس‌ها یا کاهش پیچیدگی کوئری استفاده می‌کنی.
✂️✂️✂️✂️✂️✂️✂️✂️


✏️ یادگیری ماشین و طراحی سیستم


1⃣ چطور یه سیستم توصیه‌گر برای آمازون طراحی می‌کنی؟

✅ توضیح بده چطور از الگوریتم‌هایی مثل Collaborative Filtering یا محتوا-محور استفاده می‌کنی.

🔢 تفاوت Bagging و Boosting تو متدهای Ensemble چیه؟

✅ هرکدومشون برای چه نوع داده‌هایی بهترن، بگو.

🔢 چطور Multicollinearity رو توی یه دیتاست شناسایی و مدیریت می‌کنی؟

✅ از تست VIF یا PCA حرف بزن.

🔢 چطور به ساخت یه سیستم تشخیص تقلب نزدیک می‌شی؟

✅ از جمع‌آوری داده گرفته تا استفاده از مدل‌های یادگیری ماشین.

🔢 چطور تقاضای موجودی برای تعطیلات تو آمازون رو پیش‌بینی می‌کنی؟

✅ از ترکیب داده‌های تاریخی و مدل‌های زمانی استفاده کن.

🔢 یه دیتاست ۱ ترابایتی از تراکنش‌های مشتری داری. چطور پیش‌پردازش و تحلیلش می‌کنی؟

✅ از ابزارهایی مثل Spark یا روش‌های پردازش موازی استفاده کن.



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

🐼 لیست ویدیوهای دوره «Pandas Project»
💡 محصولی از Pista Academy


🏳️‍🌈 قسمت (1) : نحوه اتصال به API (1)
 
🏳️‍🌈 قسمت (2) : نحوه اتصال به API (2)
 
🏳️‍🌈 قسمت (3) : نحوه اتصال به API (3)
 
🏳️‍🌈 قسمت (4) : نحوه اتصال به API (4)
 
🏳️‍🌈 قسمت (5) : تحلیل دیتاست فیلم‌های برتر (1)
 
🏳️‍🌈 قسمت (6) : تحلیل دیتاست فیلم‌های برتر (2)
 
🏳️‍🌈 قسمت (7) : تحلیل دیتاست فیلم‌های برتر (3)
 
🏳️‍🌈 قسمت (8) : تحلیل دیتاست فیلم‌های برتر (4)
 
🏳️‍🌈 قسمت (9) : تحلیل دیتاست فیلم‌های برتر (5)
 
🏳️‍🌈 قسمت (10): تحلیل دیتاست فیلم‌های برتر(6)
 
🏳️‍🌈 قسمت (11): تحلیل دیتاست فیلم‌های برتر(7)
 
🏳️‍🌈 قسمت (12): تحلیل دیتاست فیلم‌های برتر(8)
 
🏳️‍🌈 قسمت (13): تحلیل دیتاست فیلم‌های برتر(9)
 
🏳️‍🌈 قسمت (14): دیتاست فیلم‌های برتر (10)



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

فال برنامه‌نویسی بگیر،
هدیه برنده‌شو!

میخوای یه برنامه نویس خفن بشی؟

◀️تو یه دوره‌ی آنلاین 6 ماهه میتونی از صفر برنامه نویسی Front-end رو یاد بگیری

◀️در آخر به شرکت‌ها معرفیت میکنیم تا استخدام بشی

ثبت نام اولیه (فقط تا جمعه):
👇🏻👇🏻

https://dnkr.ir/yYRA3
https://dnkr.ir/yYRA3

✅ 10 دوره رایگان ریاضیات علوم داده

👨🏻‍💻 به عنوان یه دیتا ساینتیست، حتماً می‌دونین که ریاضی اساس علم داده است. از درک نحوه نمایش نقاط داده به عنوان بردار در فضای برداری تا الگوریتم‌های بهینه‌سازی که بهترین پارامترها رو برای مدل پیدا می‌کنن، همه به ریاضی بستگی داره. یادگیری اصول ریاضی می‌تونه تو مصاحبه‌ها و درک عمیق‌تر الگوریتم‌هایی که استفاده می‌کنین، بهتون کمک کنه.

📄 اگه تازه شروع به یادگیری علم داده کردین یا حتی اگه اولین شغل داده‌تون رو شروع کردین، این دوره‌ها در ساختن یه پایه قوی در ریاضیات برای علوم داده خیلی کمکتون می‌کنه.👇


1️⃣ دوره جبر خطی

⏪ در این دوره یاد می‌گیرین چطور معادلات رو حل کنین، ماتریس‌ها رو بشناسین و فضای برداری رو بفهمین. سه بخش اصلی این دوره شامل حل معادلات، کار با دترمینان‌ها و مقادیر ویژه و ماتریس‌های مثبت معین و کاربرداشونه.

📎 لینک: Course Homepage


2️⃣ دوره حساب دیفرانسیل

⏪ در این دوره یاد می‌گیرین چطور توابع رو مشتق و انتگرال بگیرین، و چطور با سیستم‌های مختصات کار کنین. بعدش می‌رین سراغ کار با بردارها، ماتریس‌ها، مشتقات جزئی و انتگرال‌های چندگانه.

📎 لینک: Course Homepage (1)| Course Homepage (2)


3️⃣ دوره احتمال کاربردی

⏪ در این دوره یاد می‌گیرین چطور احتمالات رو مدل کنین، از قوانین احتمال مثل قاعده بیز استفاده کنین و متغیرهای تصادفی رو بفهمین. همون چیزایی که برای مدل‌سازی ریاضی و تحلیل آماری لازمه.

📎 لینک: Course Homepage


4️⃣ دوره آمار کاربردی

⏪ این دوره بهتون کمک می‌کنه تا داده‌ها رو تحلیل کنین، فرضیه‌ها رو تست کنین و الگوهای پنهان رو کشف کنین. موضوعات اصلی این دوره شامل برآورد پارامترها، تست فرضیه، رگرسیون و تحلیل مؤلفه‌های اصلیه.

📎 لینک: Course Homepage


5️⃣ دوره حساب دیفرانسیل برای یادگیری ماشین

⏪ این دوره بهتون یاد می‌ده چطور با روش‌های پیشرفته بهینه‌سازی که با ماتریس‌ها و فضای برداری بزرگ سر و کار دارن، کار کنین. موضوعات این دوره شامل مشتق‌گیری از توابع ماتریسی، قواعد زنجیره‌ای چندبعدی و روش‌های خودکار مشتق‌گیریه.

📎 لینک: Course Homepage


6️⃣ دوره مهارت‌های ریاضی برای علم داده

⏪ تو این دوره یاد می‌گیرین چطور با مسائل ریاضی، توابع و نمودارها، مقدمات حساب دیفرانسیل و احتمال آشنا بشین تا برای دوره‌های پیشرفته‌تر آماده بشین.

📎 لینک: Course Homepage


7️⃣ دوره حساب دیفرانسیل از 3Blue1Brown

⏪ این دوره با استفاده از تصاویری جذاب و بصری، مفاهیم حساب دیفرانسیل مثل حد، مشتق، انتگرال و سری تیلور رو به شکلی ساده و قابل فهم آموزش میده.

📎 لینک: Course Homepage


8️⃣ دوره جبر خطی از 3Blue1Brown

⏪ تو این دوره یاد می‌گیرین چطور با بردارها، ماتریس‌ها، تبدیل‌های خطی، ضرب ماتریسی، مقادیر ویژه و بردارهای ویژه کار کنین.

📎 لینک: Course Homepage


9️⃣ دوره آمار و احتمال از Khan Academy

⏪ این دوره بهتون کمک می‌کنه تا با تحلیل داده‌ها، مدل‌سازی توزیع‌ها، متغیرهای تصادفی، آزمون‌های فرضیه و آزمون‌های آماری آشنا بشین.


📎 لینک: Course Homepage


1️⃣ دوره بهینه‌سازی برای یادگیری ماشین

⏪ در این دوره یاد می‌گیرین چطور الگوریتم‌های بهینه‌سازی مثل گرادیان نزولی و جستجوی شبکه‌ای رو برای پیدا کردن بهترین مقادیر مدل‌های یادگیری ماشین با کدنویسی پایتون به کار ببرین.

📎 لینک: Course Homepage


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

✅ پلی‌لیستی جامع برای قدم گذاشتن و تسلط بر دنیای یادگیری ماشین و علم داده!


1️⃣ اصول علم داده:

😉 ریاضیات ضروری برای یادگیری ماشین: لینک
😉 مرور کلی و اصطلاحات پرکاربرد: لینک
😉 روندهای فعلی مصاحبه: لینک
😉 راهنمای رگرسیون خطی: لینک
😉 پلی‌لیست رگرسیون لجستیک: لینک
😉 معیارهای طبقه‌بندی: لینک
😉 طبقه‌بندی‌کننده بیز ساده: لینک
😉 انواع متغیرها: لینک
😉 کاهش ابعاد: لینک
😉 آنتروپی، آنتروپی متقابل، واگرایی KL: لینک
😉 مرور قیمت‌گذاری پویا: لینک


2️⃣ ساخت سیستم‌های توصیه‌گر:

😉 توصیه‌های کالیبره‌شده نتفلیکس: لینک
😉 مدل توصیه یکپارچه نتفلیکس: لینک
😉 تکامل سیستم‌های توصیه‌گر: لینک
😉 آموزش تعبیه‌ها: لینک
😉 کتابخانه Annoy برای نزدیکترین همسایه تقریبی: لینک
😉 محصول کم‌کننده برای ANN: لینک
😉 توصیه‌های حساب مبتنی بر مدل: لینک
😉 کنترلر PID برای تنوع: لینک
😉 سیستم توصیه‌گر اینستاگرام: لینک
😉 مدل‌سازی CTR لینکدین: لینک
😉 مدل دو برج توصیه‌گر Meituan: لینک
😉 مدل دو برج مقیاس‌پذیر پرسش-آیتم: لینک
😉 الگوریتم توصیه‌گر توییتر: لینک
😉 مدل زبان eBay برای سیستم توصیه‌گر: لینک
😉 غلبه بر سوگیری‌ها برای سیستم توصیه‌گر: لینک


3️⃣ تکنیک‌ها و کاربردهای مدل پیشرفته:

😉 اهمیت کالیبراسیون مدل: لینک
😉 تشخیص و نظارت بر تغییرات داده: لینک
😉 آموزش شبکه‌های عصبی: لینک
😉 تبلیغات مبتنی بر تحلیل با Pinterest: لینک
😉 استفاده از Bert پیش‌آموزش‌دیده: لینک
😉 فشرده‌سازی مدل با تقطیر دانش: لینک
😉 استراتژی‌های بندیت چند-مسلح: لینک


4️⃣ دنیای مدل‌های زبانی بزرگ (LLMs):

😉 هوش مصنوعی مکالمه‌ای: لینک
😉 ماهیت دوگانه مدل‌های زبانی مکالمه‌ای: لینک
😉 پیشرفت‌های مرزی در LLM: لینک
😉 بهبود عملکرد LLMهای متن‌باز: لینک
😉 ساخت هوش مصنوعی با سبک شاهرخ خان: لینک


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