Posts filter


Video is unavailable for watching
Show in Telegram
نظر chatgpt در مورد آینده شغل علم داده

2.9k 0 98 32 65

از 46 هزار آگهی شغلی فعلی Jobvision ، تعداد 1875 آگهی، توانایی "تحلیل داده" را در نیازمندی شغلی ذکر کرده اند.

3.5k 0 46 27 41

طبق گزارش بالا از نظر درصد رشد، متخصص big data، مهندس فین‌تک، متخصص هوش مصنوعی و یادگیری ماشین سریع‌ترین رشد را خواهند داشت و کارمندان پست و باجه‌های بانک و صندوق‌داران بیشترین کاهش شغل را خواهند داد.


WEF_Future_of_Jobs_Report_2025.pdf
14.0Mb
این گزارش سال ۲۰۲۵ مجله World Economic Forum در مورد آینده مشاغل نکات جالبی داره.


Storytelling_with_Data_Let’s_Practice_by_Cole_Nussbaumer_Knaflic.pdf
24.3Mb
این کتاب رو هم دوستان فرستادند.
در ادامه کتاب قبلی
برای تمرین



6.4k 1 412 6 73

Storytelling with Data.pdf
12.4Mb
سلام.
این کتاب داستان پردازی با داده های کتاب ساده و مفیدی برای مهندسان صنایع و تحلیل گران داده و کلا افرادی هست که یکی از وظایفشان تهیه گزارش های مختلف از کسب و کار هست.
نکات کلیدی و ساده ای گفته که می تونه کمک کنه گزارش های خیلی بهتر و مفید تری تهیه کنیم.

کتاب به فارسی هم ترجمه شده.

یک خلاصه از قسمت هاییش که فکر می کردیم مفیدتر هست تهیه کردیم که براتون می ذاریم 👇👇

6.2k 1 328 1 66

مسیر شغلی تحلیل داده.pdf
3.1Mb
اسلاید های وبینار امشب

6.4k 1 238 2 62

Forward from: موسسه توسعه
💻 وبینار رایگان «مسیر یادگیری تحلیل داده»

سرفصل‌ها:
🔴معرفی مسیر یادگیری تحلیل داده
🔴معرفی ابزارهای مورد نیاز تحلیل گر داده
🔴پرسش و پاسخ

👤سخنران: دکتر مجید ایوزیان
متخصص و مدرس حوزه علم داده

🗓 شنبه | ۱۵ دی | ساعت ۲۰

🔗 ثبت‌نام رایگان:
➡️ zaya.io/upsmr ⬅️

✨ موسسه آموزش عالی آزاد توسعه
➖➖➖➖➖➖➖

🌐 https://tihe.ac.ir
🎰 LinkedIn
📞 021-86741


شرکت نایکی در سال‌های اخیر کار جالبی انجام داده و برای فروش بهتر محصولاتش از داده‌های اپلیکیشن‌های خودش، مثل Nike Run Club و Nike Training Club، استفاده کرده است. این شرکت حتی حسگرهایی داخل کفش‌ها قرار داده تا فشار، حرکات، و نحوه دویدن افراد را تحلیل کند.

با جمع‌آوری و تحلیل این داده‌ها و بازخوردهای شبکه های اجتماعی، نایکی به این نتیجه رسید که مردم فقط کفش‌های سبک و راحت نمی‌خواهند؛ بلکه کفش‌هایی می‌خواهند که با شرایط خاص هر فرد سازگار باشد. مثلاً یک دونده حرفه‌ای در نیویورک کفشی نیاز دارد که روی آسفالت سخت عملکرد خوبی داشته باشد، اما یک نفر در شهری ساحلی به کفشی نیاز دارد که در شن و ماسه راحت باشد.

نتیجه این تحلیل‌ها، تولید کفش‌هایی بود که بر اساس سبک دویدن، فشار وارد بر پا، و حتی نوع حرکت پای کاربر بهینه‌سازی شده‌اند. نایکی با این روش توانست تجربه‌ای شخصی‌تر برای مشتریانش ایجاد کند و نیازهای واقعی آن‌ها را بهتر برآورده سازد.

5.4k 0 46 7 145



تحلیل داده در اکسل.pdf
1.2Mb
اسلایدهای وبینار امشب

9.1k 0 237 5 54

رو آپدیت جدید ChatGPT یه قسمت اضافه شده که از دوربین دسترسی می گیره و میتونه تصویری که میبینه رو تحلیل کنه!

این قابلیت فقط با VPN امریکا قابل دسترسه!

9k 0 143 7 57

Forward from: موسسه توسعه
📶وبینار رایگان "آموزش تحلیل داده در اکسل"

⬅️سرفصل :
مقدمه ای برتحلیل داده‌ها در اکسل
معرفی ابزارهای تحلیل آماری در اکسل
بصری‌سازی داده‌ها و ساخت گزارشات
پرسش و پاسخ

🎙️سخنران:
دکتر مجید ایوزیان
متخصص و مدرس حوزه علوم داده

🗓تاریخ : دوشنبه / ۲۶ آذر / ساعت ۲۰

ثبت‌نام رایگان:
➡️ https://zaya.io/1kq22 ⬅️

😀 موسسه آموزش عالی آزاد توسعه
➖➖➖➖➖➖➖

🌐 https://tihe.ac.ir
🎰 LinkedIn
📞  021-86741


🔈 جان اسنو واگعی را بشناسید.

جان اسنو واگعی نه تنها مادر اژدها رو نکشت، بلکه با استفاده از داده ها کلی آدم رو نجات داد.

در سال ۱۸۵۴، محله سوهو در لندن با یکی از مرگبارترین شیوع‌های وبا روبه‌رو شد. مردم یکی پس از دیگری بیمار می‌شدند و جان می‌دادند. هیچ‌کس نمی‌دانست چرا. در آن زمان بسیاری باور داشتند که "هوای بد" عامل اصلی بیماری‌هاست. اما دکتر جان اسنو، پزشکی که ذهنش پر از سوال بود، فکر می‌کرد دلیل واقعی چیزی دیگر است.

جان تصمیم گرفت به جای قبول حرف دیگران، خودش دست به کار شود. او نقشه‌ای از محله تهیه کرد و شروع کرد به بازدید از خانه‌هایی که در آن‌ها افراد بیمار شده یا فوت کرده بودند. هر بار که وارد خانه‌ای می‌شد، از ساکنان سوال می‌کرد: آیا همه اعضای خانواده بیمار شده‌اند؟ کسی هست که هنوز سالم باشد؟ آب مورد نیازتان را از کجا تهیه می‌کنید؟ پاسخ‌هایشان را با دقت یادداشت می‌کرد و مکان هر مورد مرگ را روی نقشه علامت می‌زد.

کم‌کم نقشه‌اش شروع به حرف زدن کرد. وقتی به نقشه نگاه کرد، متوجه شد که بیشترین مرگ‌ها در نزدیکی یک پمپ آب عمومی در خیابان براد رخ داده‌اند. او بیشتر تحقیق کرد و فهمید کسانی که از این پمپ آب نمی‌خوردند، اصلاً بیمار نشده‌اند. به نظر می‌رسید که مشکل از این پمپ است، نه هوای بد.

جان با این یافته‌ها به سراغ مقامات محلی رفت و آن‌ها را قانع کرد که دسته پمپ را بردارند تا مردم نتوانند از آن استفاده کنند. وقتی این کار انجام شد، شیوع بیماری تقریباً به سرعت متوقف شد.

دکتر جان اسنو، با استفاده از یک نقشه ساده و ذهنی تحلیل‌گر، نه تنها جان صدها نفر را نجات داد، بلکه یکی از نخستین نمونه‌های استفاده از داده‌ها برای حل مشکلات بزرگ را به نمایش گذاشت و یکی از بزرگ‌ترین معماهای زمان خودش را حل کرد.

جان اسنو واگعی

جان اسنو کیک

7.6k 0 46 7 128

بازار کار ایران هم تقریبا همین ابزارها و همین روند رو مد نظر داره ولی درصدها در ایران کمی متفاوت هست.
قبلا هم همینجا گفته بودم :
https://t.me/m_eyvazian/5004

ما هم سعی کردیم در دوره ی تحلیل گر داده که طراحی کردیم این موارد رو در نظر بگیریم:
از مفاهیم آماری و اکسل و داشبوردسازی گرفته، تا SًQL و پایتون و برخی روشهای Predictive
لینک دوره :
https://tihe.ac.ir/product/data-analyst/


✳️✳️✳️


How to Become a Data Analyst in 2024

✔️ آموزش مبانی آمار
اولین قدم در مسیر یادگیری تحلیل داده، تسلط بر اصول آمار است. مباحثی مثل آمار توصیفی، احتمال، توزیع‌ها، آزمون فرضیه و تحلیل رگرسیون از موارد پایه‌ای هستند که باید یاد بگیرید.

✔️ تسلط بر اکسل
اکسل ابزاری قدرتمند برای تحلیل داده است. مهارت در استفاده از فرمول‌ها، توابع، جداول محوری (Pivot Tables) و نمودارها ضروری است.

✔️ آشنایی با SQL
آشنایی SQL یک مهارت ضروری برای جستجو و کار با پایگاه‌های داده است. ابتدا دستورات پایه و ساختار پایگاه داده‌های رابطه‌ای را بیاموزید و سپ سدر صورت نیاز به سراغ دستورات پیچیده‌تر بروید.

✔️ مصور سازی داده‌ها (Data Visualization)
توانایی ارائه یافته‌های خود به صورت بصری برای مخاطبان فنی و غیر فنی بسیار مهم است. با ابزارهایی مثل Tableau و Power BI تمرین کنید و یاد بگیرید که چگونه نمودارها و گزارش‌های مناسب با داده‌ها ایجاد کنید

✔️ یادگیری برنامه‌نویسی
مهارت‌های برنامه‌نویسی با زبان‌هایی مثل Python و R از الزامات کار تحلیل داده است. با یادگیری مبانی و سپس کتابخانه‌هایی مثل Pandas، NumPy، Matplotlib و Seaborn در پایتون شروع کنید.

8.9k 0 213 8 57

⚽️ شاخص xG و داده محوری در فوتبال
شاخص xg (Expected Goals) یکی از دستاوردهای جدید تحلیل داده در فوتبال است که در نتیجه‌ی موج تحول داده‌محوری در این ورزش به وجود آمد. این مفهوم به طور رسمی از اواخر دهه 2000 و اوایل دهه 2010 میلادی مطرح و توسط شرکت‌های فعال در حوزه داده‌های ورزشی مثل Opta و StatsBomb استفاده شد و با استفاده توسط تیم های مهم لیگ برتر مثل لیورپول و منچیسترسیتی به تدریج به یکی از مهم‌ترین ابزارهای تحلیل در فوتبال تبدیل شد.

🥅 شاخص xG چیست؟
شاخص xg مخفف "گل‌های مورد انتظار" (Expected Goals) است و پیش‌بینی می‌کند که یک بازیکن یا تیم، در یک موقعیت خاص، با چه احتمالی باید به گل برسد. این احتمال بر اساس داده‌های تاریخی و شرایط موقعیت تعیین می‌شود.

🏅چطور xG محاسبه می‌شود؟
شاخص xg از مدل‌های پیشرفته داده‌محور استفاده می‌کند که موقعیت‌های گل‌زنی را بر اساس چندین عامل کلیدی ارزیابی می‌کنند:
1. فاصله بازیکن تا دروازه: هرچه نزدیک‌تر باشد، احتمال گل‌زنی بیشتر است.
2. زاویه شوت: زاویه بازیکن نسبت به دروازه تأثیر زیادی دارد؛ شوت از روبرو معمولاً راحت‌تر از شوت از زوایای بسته است.
3. نوع ضربه: ضربه با پا، سر یا شرایط خاص دیگر (مثلاً ضربات قیچی یا والی).
4. نوع موقعیت: آیا شوت در جریان بازی بوده، یا از روی ضربه آزاد، پنالتی یا کرنر.
5. شرایط دفاعی: تعداد و موقعیت مدافعانی که نزدیک به بازیکن هستند.
6. پاس قبل از شوت: آیا شوت نتیجه یک پاس کلیدی یا حرکت ترکیبی بوده.
به هر شوت یا موقعیت گل‌زنی، بر اساس این عوامل، یک امتیاز xG بین 0 و 1 داده می‌شود:
• عدد 1 یعنی این موقعیت تقریباً همیشه به گل تبدیل می‌شود (مثلاً پنالتی).
• عدد 0 یعنی شانس گل شدن آن موقعیت تقریباً صفر است (مثلاً شوت از وسط زمین).

⭐️ چرا xG مهم است؟
1. تحلیل کیفیت موقعیت‌ها: xG به ما کمک می‌کند بفهمیم که یک تیم یا بازیکن چقدر موقعیت‌های باکیفیتی خلق کرده است، نه فقط تعداد شوت‌ها. ممکن است تیمی 15 شوت بزند ولی xG پایین داشته باشد، چون اکثر شوت‌ها از راه دور یا با زاویه نامناسب بوده است.
2. ارزیابی عملکرد بازیکنان: xG نشان می‌دهد که یک بازیکن آیا به اندازه موقعیت‌هایی که داشته گل زده است یا نه. اگر بازیکنی xG بالایی داشته باشد ولی گل نزده باشد، ممکن است به دلیل بی‌دقتی یا بدشانسی باشد.
3. بررسی کیفیت دفاع: تیمی که xG کمی به حریفانش می‌دهد، یعنی دفاع مستحکمی دارد و اجازه خلق موقعیت‌های خطرناک را نمی‌دهد.

⚠️ محدودیت‌های xG
این شاخص نمی‌تواند عوامل انسانی مثل مهارت یا خلاقیت فردی را به‌طور کامل ارزیابی کند.
در موقعیت‌های پیچیده (مثلاً برخورد توپ با چند بازیکن قبل از شوت) ممکن است دقت کمتری داشته باشد.
به تأثیر دروازه‌بان‌ها کمتر توجه می‌شود.

📈 شاخص xG نه تنها یک ابزار مفید در تحلیل فوتبال مدرن است، بلکه نمادی از تغییر رویکرد کل ورزش به سمت تصمیم‌گیری داده‌محور است. این شاخص نشان می‌دهد که داده‌ها می‌توانند تصویر دقیق‌تری از واقعیت ارائه دهند و فوتبال دیگر فقط به شهود یا تجربه وابسته نیست. این تحول همچنان ادامه دارد و ابزارهایی مثل xA (پاس‌های مورد انتظار)، PPDA (فشار بر بازیکن صاحب توپ) و دیگر معیارهای پیشرفته، فوتبال را به یک علم پیچیده‌تر تبدیل کرده‌اند.

💻 پارسال یه وبینار در مورد داده های لیگ برتر گذاشتم. اسلاید های وبینار اینجا هست:
https://t.me/m_eyvazian/4831

داده هاش رو هم اینجا گذاشتم:
https://t.me/m_eyvazian/4827


قسمت همگی ایشالا

9.2k 0 31 15 194

Forward from: موسسه توسعه
📶وبینار رایگان "بررسی ابزار های تحلیل داده برای ورود به بازار کار ایران"

⬅️سرفصل :
برسی مزایا و معایب هر ابزار
معرفی ارتباط بین هر ابزار تحلیل داده
پرسش و پاسخ

🎙️سخنرانان:
دکتر مجید ایوزیان
مدرس و متخصص علوم داده

دکتر احسان خاکبازان
متخصص پیاده سازی سیستم های داده محور

🗓تاریخ : چهارشنبه / ۳۰ آبان / ساعت ۲۰

ثبت نام :
➡️ https://eseminar.tv/wb148036 ⬅️

😀 موسسه آموزش عالی آزاد توسعه
➖➖➖➖➖➖➖

🌐 https://tihe.ac.ir
🎰 LinkedIn
📞  021-86741

20 last posts shown.