Data Science | علم داده

آکادمی هوش تجاری ویترای برگزار می‌کند:
وبینار رایگان «مسیر شغلی تحلیل داده: از مهارت تا استخدام»

در این #وبینار با حضور سه متخصص ارشد #هوش_تجاری در شرکت های بزرگ کشور، به بررسی مسیر شغلی، چالش‌ها و مهارت‌های مورد نیاز برای ورود به حوزه شغلی #تحلیلگر_داده می‌پردازیم.

موضوعات مورد بررسی:
✳️ معرفی مسیر شغلی تحلیلگر داده و نقش.های مختلف در این حوزه
✳️ مهارت‌های ضروری برای ورود و رشد در مسیر تحلیل داده
✳️ چالش‌ها و فرصت‌های شغلی در بازار کار ایران
✳️ مقایسه مسیر شغلی در سازمانی‌‌های صنعتی، بانکی و تجارت الکترونیک
✳️ توصیه‌هایی از متخصصان برای مصاحبه‌های استخدامی

سخنرانان:
✳️ مهندس افخم نیا: توسعه دهنده ارشد هوش تجاری گروه صنعتی انتخاب
✳️ دکتر حداد: توسعه دهنده ارشد هوش تجاری شرکت داتا (وابسته به بانک تجارت)
✳️ مهندس صفیری: توسعه دهنده ارشد هوش تجاری دیجی‌کالا


🗓زمان: شنبه ۲۳ فروردین ۱۴۰۴
🕢ساعت: ۱۸:۳۰
------------------------------------------------

ثبت نام از طریق ایوند: evnd.co/fpFqw

🌐 academy.vitrayco.com

-----------------------------------------------

📚 15 کتابی که هر دانشمند داده‌ باید بخونه!


👨🏻‍💻 اینا لیست کتاباییه که خودم ازشون یاد گرفتم یا به پیشنهاد دیتا ساینتیست‌های با تجربه خوندم:


✅ تحلیل داده و برنامه‌نویسی:


1️⃣ کتاب Python for Data Analysis

2️⃣ کتاب Data Science for Beginners

3️⃣ کتاب Data Science from Scratch

4️⃣ کتاب .Fundamentals of Data Viz

5️⃣ کتاب R for Data Science

6️⃣ کتاب A Hands-on Intro to Big DA

➖ ➖ ➖ ➖ ➖

✅ ریاضیات و آمار:


7️⃣ کتاب naked statistics

8️⃣ کتاب Essential Math for Data Science

➖ ➖ ➖ ➖ ➖

✅ توسعه شغلی و مسیر حرفه‌ای:


9️⃣ کتاب Build a Career in Data Science

1️⃣ کتاب The Data Science Handbook

1️⃣ کتاب Winning with Data Science

1️⃣ کتاب Becoming a Data Head

➖ ➖ ➖ ➖ ➖

✅ اخلاق در دیتا:


1️⃣ کتاب Ethical Data Science

1️⃣ کتاب Data Science in Context

1️⃣ کتاب The Art of Data Science



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

✨ آیا آماده‌ای که با آموزش پایتون، دنیای برنامه‌نویسی رو فتح کنی؟ 🐍

کانال تلگرام "هایتک" جاییه که می‌تونی یادگیری پایتون رو به صورت کاملاً رایگان و حرفه‌ای شروع کنی!

ما توی "هایتک" با آموزش‌های قدم به قدم، پروژه‌های عملی جذاب و پشتیبانی 24 ساعته، بهت کمک می‌کنیم تا از یه مبتدی به یه برنامه‌نویس حرفه‌ای پایتون تبدیل شی. 🚀

@HiTech_Codes :لینک تلگرام هایتک

⁉️چرا وقتی می‌تونی با همین دانش در ایران درآمد دلاری داشته باشی، به ریال قانع می‌شی؟

⭕️ سرفصل‌های مهم این وبینار:
- معرفی پلتفرم‌های جهانی فریلنسری
- شرایط حضور در بازارهای جهانی
- میزان مهارت و میانگین حقوق دریافتی

✅ این وبینار مناسب چه رشته‌هایی هست؟
- برنامه‌نویسی، طراحی سایت، UI & UX دیزاین، معماری، مهندسی مکانیک، موشن گرافیک، دیتا ساینس و... .


📌 لینک ثبت‌نام مستقیم رایگان :
https://links.etekanesh.com/DataScien3

🎯 از بیزنس آنالیست به دیتا ساینتیست
✅ بدون مدرک ارشد و گذروندن بوت‌کمپ!🙂‍↔️


👩🏻‍💻 وقتی این تغییر شغلی رو شروع کردم، نه بوتکمپی گذرونده بودم، نه مدرک فوق‌لیسانس داشتم. ولی با مجموعه‌ای از تجربه‌ها، ریسک‌ها و برنامه‌ریزی‌ها به هدفم رسیدم.

✏️ این مسیر، پله‌پله و پر از آزمون و خطاست، ولی شدنیه! اینجا می‌خوام چند تجربه از مسیرم رو باهاتون به اشتراک بذارم:👇


🔢 اتوماسیون رو از دل کارای تکراری پیدا کردم!

🥵 چند ماه بود که مشغول کار بودم که دیدم بخش زیادی از وقتم روی درخواست‌های تکراری می‌ره؛ مثلاً هی باید کوئری SQL می‌نوشتم برای کسایی که خودشون بلد نبودن دیتا بگیرن. پس یه ابزار ساختم که خودش دیتارو بگیره، بدون اینکه کسی SQL بلد باشه. حتی براش ورکشاپ گذاشتم، جلسه مشاوره گذاشتم تا جا بیوفته.

✅ نتیجه؟ نقش من از کار تکراری دیتا کشیدن، تبدیل شد به طراحی ابزارها و ابزارسازی. این اولین قدمی بود که منو به سمت پروژه‌های مهم‌تر برد.

➖ ➖ ➖ ➖ ➖

🔢 یاد گرفتم کِی “نه” بگم!

🥵 واسه اینکه بتونم رو پروژه‌های مهم تمرکز کنم، مجبور بودم به خیلی درخواستا “نه” بگم. چند تا سؤال طراحی کرده بودم که کمک می‌کرد بفهمم کدوم درخواست واقعاً مهمه:

🔴 این دیتا چه تصمیمی رو تغییر می‌ده؟

🟡 اگه نداشته باشیش چی می‌شه؟

💙 دقیقاً کی و چرا بهش نیاز داری؟

✅ این سؤالا خیلی وقتا خودش باعث می‌شد طرف بی‌خیال بشه. 😅

➖ ➖ ➖ ➖ ➖

🔢 پروژه‌هایی گرفتم که از حد توانم بیش‌تر بودن!

🥵 یه بار قول دادم یه دیتابیس کامل بسازم، در حالی که هیچی ازش نمی‌دونستم! آخر هفته‌ها نشستم یاد گرفتم. سخته، ولی نتیجه‌ش این شد که سریع رشد کردم و تونستم یه پروژه با ارزش تحویل بدم.

➖ ➖ ➖ ➖ ➖

🔢 استراتژی محصول رو یاد گرفتم.

🥵 فهمیدم مشکل اصلیم تو مصاحبه‌های دیتاساینس، نداشتن درک از محصوله. پس رفتم سراغ مدیران محصول‌ها، باهاشون صحبت کردم و ارشون پرسیدم:

🔴 دقیقاً چه کاری می‌کنن؟
🟡 استراتژی محصول یعنی چی؟
💙 دیتا چطوری می‌تونه بهشون کمک کنه؟

✅ همین سؤالا باعث شد توی مصاحبه‌های بعدی خیلی بهتر ظاهر بشم. مخصوصاً مصاحبه‌ای که منو برد به اینستاگرام.

➖ ➖ ➖ ➖ ➖

🔢 با یه مدیرِ تیم دیتا رفیق شدم.

🥵 یه نفر تو تیم‌مون بود که کارش با دیتا بود. رفتم سراغش، ازش یاد گرفتم، فیدبک گرفتم، تو لانچ ابزارم ازش کمک گرفتم. شد منتور من. وجود اون آدم، مسیرم رو کلی تسریع بخشید.



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

📊 11 نمودار ضروری پروژه‌های علوم داده


👨🏻‍💻 درک درست از داده‌ها و پیش‌بینی‌ها، فقط زمانی امکان‌پذیر می‌شه که بتونی از نمودارها به خوبی استفاده کنی. یه نمودار خوب می‌تونه تو چند ثانیه بینشی رو بهت بفهمونه که شاید صدها خط کد و عدد نتونن.


📌 اینجا ۱۱ تا از مهم‌ترین نمودارهایی که توی دیتا ساینس ۹۰٪ مواقع استفاده میشن رو آوردم:


1️⃣ نمودار KS: مقایسه توزیع دو مجموعه داده و تعیین شباهتشون.


2️⃣ نمودار SHAP: بررسی میزان تأثیر متغیرهای مختلف روی خروجی مدل.


3️⃣ منحنی ROC: ارزیابی عملکرد مدل‌های طبقه‌بندی در تشخیص درست و غلط.


4️⃣ منحنی Precision-Recall: بررسی تعادل بین دقت و میزان بازخوانی مدل.


5️⃣ نمودار QQ: مقایسه توزیع داده‌های واقعی با یک توزیع تئوری (مثلاً نرمال).


6️⃣ نمودار Cumulative Explained Variance: تعیین تعداد ابعاد مورد نیاز در کاهش ابعاد با روش PCA.


7️⃣ منحنی Elbow: پیدا کردن تعداد بهینه خوشه‌ها در الگوریتم k-means.


8️⃣ منحنی Silhouette: روشی بهتر برای انتخاب تعداد خوشه‌ها نسبت به منحنی Elbow.


9️⃣ نمودار Gini-Impurity & Entropy: مقایسه میزان بی‌نظمی داده‌ها در درخت تصمیم‌گیری.


1️⃣ نمودار Bias-Variance Tradeoff: بررسی تعادل بین سادگی و پیچیدگی مدل.


1️⃣ نمودار PDP: نمایش رابطه‌ی بین ویژگی‌های ورودی و متغیر هدف.



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

⚡️ پردازش سریع داده‌های حجیم با smallpond


👨🏻‍💻 تا حالا برات پیش اومده که بخوای با یه دیتاست حجیم کار کنی و ابزارای موجود یا کند باشن یا زیادی پیچیده؟ من بارها توی پروژه‌هام با این چالش روبه‌رو بودم.

✏️ اما حالا DeepSeek یه فریم‌ورک جدید و رایگان به اسم smallpond معرفی کرده که کاملاً متن‌باز و برای کارهای پردازش داده طراحی شده.


✅ چرا این ابزار رو باید داشته باشین؟

🔢 سرعت پردازش بالا: روی DuckDB ساخته شده، پس برای کارهای سنگین با دیتای حجیم کاملاً جواب می‌ده.

🔢 مقیاس‌پذیری بالا: از دیتای کوچیک تا دیتاست‌های پتابایت رو بدون مشکل هندل می‌کنه.

🔢 سادگی در اجرا: هیچ خبری از سرویس‌های سنگین، پیچیده و طولانی‌ مدت نیست. خیلی راحت می‌تونی شروع کنی و باهاش کار کنی.


┌ 💰 smallpond
└ 🐱 GitHub-Repos

pip install smallpond



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

🤔 مگه دیتا ساینتیست «10 برابر بهتر از بقیه» هم وجود داره؟


👨🏻‍💻 تا حالا شده یکی رو ببینی که همزمان چند تا پروژه رو انجام می‌ده، مدل می‌سازه، دپلوی می‌کنه و هنوزم وقت داره روی ایده‌های جدید کار کنه؟


✏️ من چند نفر از این آدمارو تو گوگل و PayPal دیدم و واقعاً تاثیرشون رو تیم وحشتناک زیاد بود! اونا تو یه ماه، ۱ یا ۲ تا پروژه رو تموم می‌کنن، در حالی که بقیه ممکنه ماه‌ها وقت بذارن! ولی چی باعث میشه انقدر مؤثر باشن؟


✅ چند تا ویژگی کلیدی توی این افراد دیدم:

⏯️ سریع اجرا می‌کنن، بدون وسواس! حوصله‌ی سر و کله زدن با پیچیده‌ترین مدلارو ندارن، همون چیزی که جواب بده رو سریع پیاده می‌کنن. اگه XGBoost جواب بده، چرا برم سراغ یه مدل پیچیده‌تر؟


2️⃣ همزمان روی چند تا کار تمرکز دارن! اینا استاد مدیریت کارهای موازی‌ان. می‌تونن همزمان یه مدل جدید تست کنن، یه لحظه تو تحقیقات عمیق غرق بشن و همزمان داکیومنتیشن پروژه قبلی رو تکمیل کنن.


3️⃣ عاشق اتوماسیونن! یه بار یه کد می‌نویسن و بعدش دیگه هیچی رو از صفر نمی‌سازن. کد هر مدلی رو که تحویل می‌دن، ذخیره می‌کنن و توی پروژه‌های بعدی ازش استفاده مجدد می‌کنن.


4️⃣ همه‌فن‌حریفن! یه سوال ازشون بپرسی، هم از تئوری پشتش میگن، هم از پیاده‌سازیش، هم از تاثیرش روی بیزینس. یه پا ویکی‌پدیای زنده‌ان!


5️⃣ فول‌استکن و دوست‌داشتنی! فقط دیتا ساینتیست نیستن، دیتا انجینیر و حتی نیمچه مهندس نرم‌افزار هم هستن. کدنویسی‌شون تمیزه و دولوپرهای تیم، عاشق کار کردن باهاشونن.



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

🔥 چه‌جوری تو سال 2025 یک دانشمند داده بشیم؟


1️⃣ اول از همه، پایه‌تو قوی کن (ریاضی و آمار).

✏️ اگه ریاضی رو بلد نباشی، هر جا بری به مشکل می‌خوری. هر مدلی که بسازی، هر تحلیلی که انجام بدی، پشتش یه دنیای ریاضیه. اینا رو باید خوب بلد باشی:

✅ جبر خطی: لینک

✅ حساب دیفرانسیل و انتگرال: لینک

✅ آمار و احتمال: لینک

➖➖➖➖➖➖

2️⃣ بعدش برنامه‌نویسی رو یاد بگیر!

✏️ بدون معطلی برو سراغ یادگیری پایتون و SQL.

✅ پایتون: لینک

✅ زبان SQL: لینک

✅ ساختمان داده و الگوریتم‌ها: لینک

➖➖➖➖➖➖

3️⃣ یاد بگیر که داده‌ها رو تمیز و تحلیل کنی!

✏️ داده‌ها همیشه بهم‌ریخته‌ان، و یه دانشمند داده باید بلد باشه چجوری اونا رو مرتب کنه و ازشون بینش بگیره.

✅ پاکسازی داده‌‌ها: لینک

✅ مصورسازی داده‌ها: لینک

➖➖➖➖➖➖

4️⃣ یادگیری ماشین رو یاد بگیر!

✏️ زمانی که مهارت‌های پایه رو یاد گرفتی، وقتشه که وارد دنیای یادگیری ماشین بشی. اینا رو باید بلد باشی:

◀️ یادگیری نظارت‌شده: رگرسیون، طبقه‌بندی

◀️ یادگیری بدون نظارت: خوشه‌بندی، کاهش ابعاد

◀️ یادگیری عمیق: شبکه‌های عصبی، CNN، RNN

✅ دوره CS229 دانشگاه استنفورد: لینک

➖➖➖➖➖➖

5️⃣ با کلان‌ داده و پردازش ابری آشنا شو!

✏️ شرکت‌های بزرگ دنبال کسایی هستن که بتونن با حجم‌های بزرگ داده کار کنن.

◀️ ابزارهای کلان‌داده (مثل Hadoop, Spark, Dask)

◀️ سرویس‌های ابری (AWS, GCP, Azure)

➖➖➖➖➖➖

6️⃣ پروژه واقعی انجام بده و پورتفولیو بساز!

✏️ هرچی تا اینجا یاد گرفتی بدون پروژه واقعی، ارزشی نداره!

◀️ توی Kaggle شرکت کن و با داده‌های واقعی کار کن.

◀️ یه پروژه صفر تا صد انجام بده (از جمع‌آوری داده تا دیپلوی مدل)

◀️ کدت رو تو گیت‌هاب بذار.

✅ پروژه‌های اُپن‌سورس علوم داده: لینک

➖➖➖➖➖➖

7️⃣ وقتشه MLOps و دیپلوی مدل‌ها رو یاد بگیری!

✏️ خیلی‌ها فقط مدل می‌سازن ولی بلد نیستن چه‌جوری دیپلوی کنن. اما شرکت‌ها کسی رو می‌خوان که بتونه مدل رو به مرحله اجرا برسونه!

◀️ عملیات‌سازی یادگیری ماشین (مانیتورینگ، به‌روزرسانی مدل‌ها)

◀️ ابزارهای دیپلوی مدل: Flask, FastAPI, Docker

✅ دوره MLOps دانشگاه استنفورد: لینک

➖➖➖➖➖➖

8️⃣ همیشه به‌روز بمون و شبکه‌سازی کن!

✏️ مقالات پژوهشی رو توی arXiv و Google Scholar دنبال کن.

✅ وبسایت Papers with Code: لینک

✅ وبسایت AI Research at Google: لینک



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