«صنعت آی‌تی بیش از دنیای مد زنان مدام با تغییر ذائقه‌ها متحول می‌شود.» شاید همین جمله ریچارد استالمن پدر دنیای متن‌باز کافی باشد تا بفهمیم چرا زنان به مباحث مد و سطوح بالاتر فناوری، بیش از حوزه‌های زیرساختی آن علاقه نشان می‌دهند. مبحث کلان‌داده‌ها هم از این وضعیت مستثنی نیست و به دلیل تحولات سریع آن، زنان تمایل بیشتری برای فعالیت در آن دارند. این موضوع به وضوح در ترکیب میزگرد ما با برخی از صاحب‌نظران و فعالان این حوزه هم نمایان بود، میزگردی که در آن سعی کردیم وضعیت بازار کلان‌دادها را از زبان کسانی بشنویم که در کوره کار و عمل این حوزه پخته‌اند و به خوبی با نقاط ضعف و قوت آن آشنایی دارند.
مقوله کلان‌داده‌ها در بسیاری از سازمان‌های بزرگ کشور بیشتر در حد یک اسم یا یک ژست باقی مانده است. سازمان‌هایی نیز که قدری جدی‌تر در این حوزه فعالیت کرده‌اند به ندرت از فاز تحقیق و توسعه پیش رفته‌اند. به نظر شما چرا چنین جهشی در ایران رخ نداده است؟
لیلی میرطاهری: در ایران بسیاری از دانشگاه‌ها و صنایع از کلان‌داده‌ها صحبت می‌کنند، اما نتیجه قابل توجهی که برای افراد کارایی داشته باشد چندان به چشم نمی‌خورد. همان‌گونه که در دوره‌های مختلفی مبحث محاسبات ابری، محاسبات گرید، اَبَر رایانش ملی و سیستم‌عامل ملی را مطرح کردند، حالا از کلان‌داده‌ها سخن می‌گویند. علت این نوع رویکرد به خصوص از سمت دولتی‌ها این است که بتوانند برای یک پروژه جدید بودجه‌ای تامین کنند، اما در نهایت همین بودجه یا صرف پروژه‌های نیمه‌تمام قبلی می‌شود یا در سیستم به هدر می‌رود. یکی از دلایل این وضعیت سوءمدیریت است و دلیل دیگر ناآشنایی و بی‌نیازی. اساساً باید ببینیم آیا در ایران به کلان‌داده‌ها نیاز داریم؟ در ایران هنوز نمی‌دانیم چه خروجی خاصی را در هر پروژه جدید دنبال می‌کنیم و قصد داریم چه مساله‌ای را حل کنیم. اگر اینها را بدانیم می‌توانیم هدف‌گذاری درستی انجام دهیم و در نهایت با یک برنامه‌ریزی مدون و مشخص به آن هدف برسیم.
به نظر می‌رسد اهمیتی برای داده و پردازش آن قائل نیستم و به آن نیازی نداریم تا بر اساس آن پروژه را تعریف و بودجه را تامین کنیم، به همین دلیل در همین سطح باقی مانده است. آیا این پیش‌فرض درستی است؟
قربان خردمندیان: وقتی صحبت کلان‌داده‌ها پیش می‌آید بحث گرفتن و مدیریت داده و بعد تحلیل آن مطرح می‌شود. من بیشتر از جنبه تحلیل آن صحبت می‌کنم. تجربه ما در داده‌کاوان هوشمند نشان می‌دهد این نیاز به تحلیل کلان‌داده‌ها حس می‌شود. ما با بانک‌ها کار می‌کنیم و اطلاعات خیلی خوبی دارند. آنها در مقوله‌هایی همچون نرم‌افزارهای تشخیص تقلب، مبارزه با پولشویی و هوش تجاری به این تحلیل‌ها نیاز دارند. اما هنوز نمی‌دانند این موارد نیاز به کلان‌داده‌ها دارد یا نه. به نظر ما در برخی موارد کلان‌داده‌ها می‌تواند برایشان کارآمد باشد، هرچند حجم داده‌های آنها شاید در حد چند ۱۰ ترابایت باشد، در حالی که در بحث کلان‌داده‌ها ۴۲V مطرح می‌شود. در داده‌کاوی برای تشخیص تقلب، یادگیری‌های ناظر و غیرناظر داریم که پیچیدگی محاسباتی بالایی دارند. برای پردازش‌های حجیم روی هفت میلیون داده غیر تک‌بعدی، الگوریتم‌ها و سخت‌افزارهای فعلی پاسخگوی نیستند. اگر الگوریتم‌های ما توزیع شده باشند، خوشه‌بندی ساده در مراحل ابتدایی تحلیل داده‌ها بهتر انجام می‌شود. با این حال مهاجرت به سمت کلان‌داده‌ها به خاطر این قبیل نیازها پیشنهادی نیست که ما به آنها بدهیم.
طاهره صاحب:
در ایران مقوله کلان‌داده‌ها به تازگی مطرح شده است. طبق مقالات نشریه‌هایی همچون هاروارد بیزینس، کلان‌داده‌ها برخلاف سایر فناوری‌ها رشد می‌کنند، چون به شرکت‌ها کمک می‌کنند تا درکی از مشتریان خود داشته باشند. توجه به کلان‌داده‌ها تا حدی به سیستم اقتصادی کشورها بستگی دارد که آیا اساساً مشتری در بازار وجود دارد یا نه. با وجود اینکه داده در ایران زیاد وجود دارد و بانک‌ها تاحدود زیادی داده تولید می‌کنند، اما در ایران رقابت قابل توجهی در بازار وجود ندارد. در آمریکا کسب‌وکار جدیدی راه‌اندازی شده تحت عنوان کلان‌داده‌ها به مثابه خدمات BDAS (Big Data As a Service)، بسیاری از سازمان‌ها داده‌هایی تولید می‌کنند و آنها را می‌فروشند. علاوه بر این، نیاز زمانی مشخص می‌شود که طراحی مفهومی وجود داشته باشد. در آمریکا هر شرکتی برای اینکه بفهمد آیا به مقوله کلان‌داده‌ها در یک پروژه نیاز دارد یا نه، معماری مفهومی آن را ایجاد می‌کند. معماری مفهومی به آنها نشان می‌دهد چه فرایندهای کسب‌وکاری دارند و آیا با کمک کلان‌داده‌ها می‌توانند به اهداف کسب‌وکاری خود برسند یا نه. یکی دیگر
مقوله کلان‌داده‌ها در بسیاری از سازمان‌های بزرگ کشور بیشتر در حد یک اسم یا یک ژست باقی مانده است. سازمان‌هایی نیز که قدری جدی‌تر در این حوزه فعالیت کرده‌اند به ندرت از فاز تحقیق و توسعه پیش رفته‌اند. به نظر شما چرا چنین جهشی در ایران رخ نداده است؟
لیلی میرطاهری: در ایران بسیاری از دانشگاه‌ها و صنایع از کلان‌داده‌ها صحبت می‌کنند، اما نتیجه قابل توجهی که برای افراد کارایی داشته باشد چندان به چشم نمی‌خورد. همان‌گونه که در دوره‌های مختلفی مبحث محاسبات ابری، محاسبات گرید، اَبَر رایانش ملی و سیستم‌عامل ملی را مطرح کردند، حالا از کلان‌داده‌ها سخن می‌گویند. علت این نوع رویکرد به خصوص از سمت دولتی‌ها این است که بتوانند برای یک پروژه جدید بودجه‌ای تامین کنند، اما در نهایت همین بودجه یا صرف پروژه‌های نیمه‌تمام قبلی می‌شود یا در سیستم به هدر می‌رود. یکی از دلایل این وضعیت سوءمدیریت است و دلیل دیگر ناآشنایی و بی‌نیازی. اساساً باید ببینیم آیا در ایران به کلان‌داده‌ها نیاز داریم؟ در ایران هنوز نمی‌دانیم چه خروجی خاصی را در هر پروژه جدید دنبال می‌کنیم و قصد داریم چه مساله‌ای را حل کنیم. اگر اینها را بدانیم می‌توانیم هدف‌گذاری درستی انجام دهیم و در نهایت با یک برنامه‌ریزی مدون و مشخص به آن هدف برسیم.
به نظر می‌رسد اهمیتی برای داده و پردازش آن قائل نیستم و به آن نیازی نداریم تا بر اساس آن پروژه را تعریف و بودجه را تامین کنیم، به همین دلیل در همین سطح باقی مانده است. آیا این پیش‌فرض درستی است؟
قربان خردمندیان: وقتی صحبت کلان‌داده‌ها پیش می‌آید بحث گرفتن و مدیریت داده و بعد تحلیل آن مطرح می‌شود. من بیشتر از جنبه تحلیل آن صحبت می‌کنم. تجربه ما در داده‌کاوان هوشمند نشان می‌دهد این نیاز به تحلیل کلان‌داده‌ها حس می‌شود. ما با بانک‌ها کار می‌کنیم و اطلاعات خیلی خوبی دارند. آنها در مقوله‌هایی همچون نرم‌افزارهای تشخیص تقلب، مبارزه با پولشویی و هوش تجاری به این تحلیل‌ها نیاز دارند. اما هنوز نمی‌دانند این موارد نیاز به کلان‌داده‌ها دارد یا نه. به نظر ما در برخی موارد کلان‌داده‌ها می‌تواند برایشان کارآمد باشد، هرچند حجم داده‌های آنها شاید در حد چند ۱۰ ترابایت باشد، در حالی که در بحث کلان‌داده‌ها ۴۲V مطرح می‌شود. در داده‌کاوی برای تشخیص تقلب، یادگیری‌های ناظر و غیرناظر داریم که پیچیدگی محاسباتی بالایی دارند. برای پردازش‌های حجیم روی هفت میلیون داده غیر تک‌بعدی، الگوریتم‌ها و سخت‌افزارهای فعلی پاسخگوی نیستند. اگر الگوریتم‌های ما توزیع شده باشند، خوشه‌بندی ساده در مراحل ابتدایی تحلیل داده‌ها بهتر انجام می‌شود. با این حال مهاجرت به سمت کلان‌داده‌ها به خاطر این قبیل نیازها پیشنهادی نیست که ما به آنها بدهیم.
طاهره صاحب:
در ایران مقوله کلان‌داده‌ها به تازگی مطرح شده است. طبق مقالات نشریه‌هایی همچون هاروارد بیزینس، کلان‌داده‌ها برخلاف سایر فناوری‌ها رشد می‌کنند، چون به شرکت‌ها کمک می‌کنند تا درکی از مشتریان خود داشته باشند. توجه به کلان‌داده‌ها تا حدی به سیستم اقتصادی کشورها بستگی دارد که آیا اساساً مشتری در بازار وجود دارد یا نه. با وجود اینکه داده در ایران زیاد وجود دارد و بانک‌ها تاحدود زیادی داده تولید می‌کنند، اما در ایران رقابت قابل توجهی در بازار وجود ندارد. در آمریکا کسب‌وکار جدیدی راه‌اندازی شده تحت عنوان کلان‌داده‌ها به مثابه خدمات BDAS (Big Data As a Service)، بسیاری از سازمان‌ها داده‌هایی تولید می‌کنند و آنها را می‌فروشند. علاوه بر این، نیاز زمانی مشخص می‌شود که طراحی مفهومی وجود داشته باشد. در آمریکا هر شرکتی برای اینکه بفهمد آیا به مقوله کلان‌داده‌ها در یک پروژه نیاز دارد یا نه، معماری مفهومی آن را ایجاد می‌کند. معماری مفهومی به آنها نشان می‌دهد چه فرایندهای کسب‌وکاری دارند و آیا با کمک کلان‌داده‌ها می‌توانند به اهداف کسب‌وکاری خود برسند یا نه. یکی دیگر
از مشکلات ایران این است که در سازمان‌ها و ادارات دولتی به عنوان مهمترین تولیدکنندگان و صاحبان داده، سیلوهای اطلاعاتی وجود دارد. سطح بلوغ کلان‌داده‌ها در هر سازمانی با همین سیلوهای اطلاعاتی شروع می‌شود. اگر این داده‌های جزیره‌ای متمرکز شوند، به طور مسلم ادارات دولتی هم متوجه خواهند شد که ما داده برای تحلیل داریم. اما زمانی که این سیلوها مجزا باشند ادارات دولتی احساس نیاز پیدا نمی‌کنند.
با فرض وجود نیاز و علاقه سازمان‌ها به کلان‌داده‌ها، چقدر لوازم استفاده درست از آنها، پردازش موازی و محاسبات ابری در ایران وجود دارد؟ لوازمی همچون زیرساخت، سخت‌افزار، نیروی انسانی و…
شادی امیدواران: برای درک داده، باید ابتدا کسب‌وکار را بشناسید. از زمانی که من شروع به فعالیت در حوزه پایگاه داده تحلیلی، هوش تجاری و بعد کلان‌داده‌ها کرده‌ام همیشه متخصص خوب در کشور داشته‌ایم. ایرانی‌ها در وارد شدن به تکنولوژی خیلی خوب هستند، کافی است به کسی که تا به حال در حوزه پایگاه تحلیلی داده کار می‌کرده بگوییم از امروز در حوزه کلان‌داده‌ها کار کند. تاکنون مشکل تکنولوژی هم نداشته‌ایم. به طور کلی تیمی که روی این موضوع کار می‌کند باید این کسب‌وکار را بشناسد. این می‌تواند ابزار خوبی در کنار تکنولوژی و سخت‌افزارها باشد. پیدا کردن زبان مشترک با حامیان مالی آن پروژه هم باعث ثمربخش شدن آن می‌شود. برخلاف سایر پروژه‌های نرم‌افزاری که فرایندها را ابتدا تعریف می‌کنیم، بعد انجام می‌دهیم و در نهایت با چند تست کار به خوبی پیش می‌رود، در کلان‌داده‌ها باید بعد از گرفتن جواب از آن استفاده و کسب در‌آمد کنیم. در غیر این صورت پروژه موفقی نمی‌شود و هزینه زیادی در آن مسدود می‌ماند.
امیر صدیقی: نقطه ورود به کسب‌وکارهای حوزه داده تنها مربوط به کسب‌کارهایی است که در حال له شدن زیر فشار رقابت هستند. وقتی سازمانی ثروت عظیمی دارد، با یک بودجه دولتی و رانت تامین می‌شود، انگیزه‌ای برای بهبود و ترقی ندارد، مشتریان آن همیشه به وفور حاضر هستند و رقیبی ندارد، نیازی به تحلیل داده، معیارهای اندازه‌گیری و افزایش همگرایی هم ندارد. قبل از ریکامندر راه‌حل دیگری تحت عنوان هلیو داشتیم که کار تشخیص تقلب انجام می‌داد. فکر می‌کردیم این محصول گل سرسبد ماست، اما نتوانستیم وارد بانک‌ها شویم، چون انگیزه‌ای برای این کار نداشتند. وقتی رقابت جدی و واقعی وجود داشته باشد، آن زمان ریسک را می‌پذیرند تا راهکارتان را برایشان پیاده‌سازی کنید. کسب‌وکارهای کوچک از جمله استارت‌آپ‌ها و کسب‌وکارهایی که استرس دارند و زندگی خود را ریسک کرده‌اند بیشتر به این موضوع علاقه نشان می‌دهند. آنها به هر دری می‌زنند تا پیشرفتی حاصل شود. برای یک بار هم که شده حاضرند راهکار شما را امتحان کنند. شما باید برای آن موقع آماده باشید، باید ادغام‌ها را به نهایت سادگی رسانده باشید و اسناد را برای صاحبان کسب‌وکار و بازار هدف آماده کرده باشید تا یکپارچگی سریع‌تر اتفاق بیفتد.
با فرض وجود نیاز و علاقه سازمان‌ها به کلان‌داده‌ها، چقدر لوازم استفاده درست از آنها، پردازش موازی و محاسبات ابری در ایران وجود دارد؟ لوازمی همچون زیرساخت، سخت‌افزار، نیروی انسانی و…
شادی امیدواران: برای درک داده، باید ابتدا کسب‌وکار را بشناسید. از زمانی که من شروع به فعالیت در حوزه پایگاه داده تحلیلی، هوش تجاری و بعد کلان‌داده‌ها کرده‌ام همیشه متخصص خوب در کشور داشته‌ایم. ایرانی‌ها در وارد شدن به تکنولوژی خیلی خوب هستند، کافی است به کسی که تا به حال در حوزه پایگاه تحلیلی داده کار می‌کرده بگوییم از امروز در حوزه کلان‌داده‌ها کار کند. تاکنون مشکل تکنولوژی هم نداشته‌ایم. به طور کلی تیمی که روی این موضوع کار می‌کند باید این کسب‌وکار را بشناسد. این می‌تواند ابزار خوبی در کنار تکنولوژی و سخت‌افزارها باشد. پیدا کردن زبان مشترک با حامیان مالی آن پروژه هم باعث ثمربخش شدن آن می‌شود. برخلاف سایر پروژه‌های نرم‌افزاری که فرایندها را ابتدا تعریف می‌کنیم، بعد انجام می‌دهیم و در نهایت با چند تست کار به خوبی پیش می‌رود، در کلان‌داده‌ها باید بعد از گرفتن جواب از آن استفاده و کسب در‌آمد کنیم. در غیر این صورت پروژه موفقی نمی‌شود و هزینه زیادی در آن مسدود می‌ماند.
امیر صدیقی: نقطه ورود به کسب‌وکارهای حوزه داده تنها مربوط به کسب‌کارهایی است که در حال له شدن زیر فشار رقابت هستند. وقتی سازمانی ثروت عظیمی دارد، با یک بودجه دولتی و رانت تامین می‌شود، انگیزه‌ای برای بهبود و ترقی ندارد، مشتریان آن همیشه به وفور حاضر هستند و رقیبی ندارد، نیازی به تحلیل داده، معیارهای اندازه‌گیری و افزایش همگرایی هم ندارد. قبل از ریکامندر راه‌حل دیگری تحت عنوان هلیو داشتیم که کار تشخیص تقلب انجام می‌داد. فکر می‌کردیم این محصول گل سرسبد ماست، اما نتوانستیم وارد بانک‌ها شویم، چون انگیزه‌ای برای این کار نداشتند. وقتی رقابت جدی و واقعی وجود داشته باشد، آن زمان ریسک را می‌پذیرند تا راهکارتان را برایشان پیاده‌سازی کنید. کسب‌وکارهای کوچک از جمله استارت‌آپ‌ها و کسب‌وکارهایی که استرس دارند و زندگی خود را ریسک کرده‌اند بیشتر به این موضوع علاقه نشان می‌دهند. آنها به هر دری می‌زنند تا پیشرفتی حاصل شود. برای یک بار هم که شده حاضرند راهکار شما را امتحان کنند. شما باید برای آن موقع آماده باشید، باید ادغام‌ها را به نهایت سادگی رسانده باشید و اسناد را برای صاحبان کسب‌وکار و بازار هدف آماده کرده باشید تا یکپارچگی سریع‌تر اتفاق بیفتد.
محورهای تخصصی کنگره انفورماتیک پزشکی:
سیستمهای اطلاعات پزشکی و سلامت پرونده الکترونیک سلامت سیستم های ثبت دستورات پزشکی پرونده سلامت شخصی
⭕ مدیریت و تحلیل کلان داده های پزشکی
اینترنت اشیاء در سلامت فناوریهای (حسگرهای)پوشیدنی و کاشتنی بیمارستان دیجیتال خدمات مبتنی بر مکانشبکه های اجتماعی در سلامت
دوراپزشکی و سلامت همراه پایش از راه دور و در منزل سامانه های خودمراقبتیواقعیت مجازی و واقعیت افزوده در پزشکی
هوش مصنوعی و سیستم های تصمیم یار بالینی
پردازش تصویر و سیگنال های پزشکی
امنیت و حفاظت داده
استانداردها و تعامل پذیری سیستم ها
پرینت سه بعدی در پزشکی
شخصی سازی پزشکی
سیستمهای اطلاعات پزشکی و سلامت پرونده الکترونیک سلامت سیستم های ثبت دستورات پزشکی پرونده سلامت شخصی
⭕ مدیریت و تحلیل کلان داده های پزشکی
اینترنت اشیاء در سلامت فناوریهای (حسگرهای)پوشیدنی و کاشتنی بیمارستان دیجیتال خدمات مبتنی بر مکانشبکه های اجتماعی در سلامت
دوراپزشکی و سلامت همراه پایش از راه دور و در منزل سامانه های خودمراقبتیواقعیت مجازی و واقعیت افزوده در پزشکی
هوش مصنوعی و سیستم های تصمیم یار بالینی
پردازش تصویر و سیگنال های پزشکی
امنیت و حفاظت داده
استانداردها و تعامل پذیری سیستم ها
پرینت سه بعدی در پزشکی
شخصی سازی پزشکی
Forwarded from مهندسی داده
علم داده به زبان ساده - یادگیری آماری #1 - https://is.gd/AsGCUJ
آموزش و راهنمایی, مفاهیم پایه
, #آزمایش_مدل, #به_زبان_ساده, #بیش_برازش, #داده_های_آزمایش, #داده_های_آموزش, #سوگیری, #علم_داده, #علم_داده_به_زبان_ساده, #کم_برازش, #مدل, #واریانس, #یادگیری_آماری, #یادگیری_ماشین, #یادگیری_مدل
امروزه صحبت از علم داده و ضرورت استفاده از آن در تمامی ابعاد زندگی، تکرار مکررات است. مجموعه مقالاتی از Pradeep Menon تحت عنوان «علم داده به زبان ساده» در حال انتشار است که تا این تاریخ قسمت دهم آن هم تحت عنوان «Data Science Simplified Part 10: An Introduction to Classification Models» منتشر شده ...
آموزش و راهنمایی, مفاهیم پایه
, #آزمایش_مدل, #به_زبان_ساده, #بیش_برازش, #داده_های_آزمایش, #داده_های_آموزش, #سوگیری, #علم_داده, #علم_داده_به_زبان_ساده, #کم_برازش, #مدل, #واریانس, #یادگیری_آماری, #یادگیری_ماشین, #یادگیری_مدل
امروزه صحبت از علم داده و ضرورت استفاده از آن در تمامی ابعاد زندگی، تکرار مکررات است. مجموعه مقالاتی از Pradeep Menon تحت عنوان «علم داده به زبان ساده» در حال انتشار است که تا این تاریخ قسمت دهم آن هم تحت عنوان «Data Science Simplified Part 10: An Introduction to Classification Models» منتشر شده ...
مهندسی داده
علم داده به زبان ساده - یادگیری آماری #1 - مهندسی داده
در اولین مقاله از سری علم داده به زبان ساده به بررسی مفهوم علم داده، یادگیری ماشینی و نقش آمار در این علم نوپا می پردازیم.
What are SQL Server 2019 big data clusters?😎😎
- Data virtualization
- Data lake
- Scale-out data mart
- Integrated AI and Machine Learning
- Management and Monitoring
- Architecture
- big data clusters architecture
- Control plane
- Compute plane
- Data plane
https://docs.microsoft.com/en-us/sql/big-data-cluster/big-data-cluster-overview?view=sqlallproducts-allversions
- Data virtualization
- Data lake
- Scale-out data mart
- Integrated AI and Machine Learning
- Management and Monitoring
- Architecture
- big data clusters architecture
- Control plane
- Compute plane
- Data plane
https://docs.microsoft.com/en-us/sql/big-data-cluster/big-data-cluster-overview?view=sqlallproducts-allversions
Docs
What are Big Data Clusters? - SQL Server Big Data Clusters
Learn about [!INCLUDE[big-data-clusters-2019](../includes/ssbigdataclusters-ver15.md)] (preview) that run on Kubernetes and provide scale-out options for both relational and HDFS data.
Forwarded from TopHPC Congress
Top HPC.pdf
16.4 MB
گروه Top HPC تقدیم می کند:
📚 دومين مجله Top HPC
(سیستم ھای کلان مقیاس محاسباتی و تحلیل کلان داده)
با موضوعات:
در اولین کنگره TopHPC در ایران چه گذشت؟
سیاست گذاری فضای سایبر
بیگ دیتا و مراکز داده
📚 دومين مجله Top HPC
(سیستم ھای کلان مقیاس محاسباتی و تحلیل کلان داده)
با موضوعات:
در اولین کنگره TopHPC در ایران چه گذشت؟
سیاست گذاری فضای سایبر
بیگ دیتا و مراکز داده
Forwarded from TopHPC Congress
This media is not supported in your browser
VIEW IN TELEGRAM
دريافت مقاله كنگره TopHPC آغاز شد.
Springer به برترين مقاله كنگره
جايزه 500 يورويي ميدهد.
مهلت ارسال مقالات تا ١٠ دي ماه ميباشد.
www.tophpc.com
https://t.iss.one/TopHPC
٣ تا ٥ ارديبهشت ١٣٩٨، تهران
#TopHPC2019
Springer به برترين مقاله كنگره
جايزه 500 يورويي ميدهد.
مهلت ارسال مقالات تا ١٠ دي ماه ميباشد.
www.tophpc.com
https://t.iss.one/TopHPC
٣ تا ٥ ارديبهشت ١٣٩٨، تهران
#TopHPC2019
Forwarded from DataDays 2022
✅اولین دورهٔ رویداد Data Days، رویداد علوم داده دانشگاه شریف، زمستان امسال توسط دانشکدهٔ مهندسی کامپیوتر دانشگاه صنعتی شریف برگزار می‌شود.
🔶مهمترین هدف از برگزاری این مسابقه گسترش آموزش و علاقه در این حوزه به همراه محک زدن سطح دانش علوم داده در جامعه علمی ایران است.
🔷این رویداد با همکاری جمعی از دانشجویان دانشکده مهندسی کامپیوتر و با پشتیبانی اساتید پیشگام در این حوزه طراحی شده‌است.
🔶اگر چه تنها شرط شرکت در مسابقه دانشجو بودن است مسائل این مسابقه به گونه ای است که شرکت کنندگان با هر سطحی از دانش از مبتدی تا متخصص بتوانند آورده‌ای از مسابقات داشته باشند.
🌐https://datadays.sharif.edu
🆔@DataDays_Sharif
🔶مهمترین هدف از برگزاری این مسابقه گسترش آموزش و علاقه در این حوزه به همراه محک زدن سطح دانش علوم داده در جامعه علمی ایران است.
🔷این رویداد با همکاری جمعی از دانشجویان دانشکده مهندسی کامپیوتر و با پشتیبانی اساتید پیشگام در این حوزه طراحی شده‌است.
🔶اگر چه تنها شرط شرکت در مسابقه دانشجو بودن است مسائل این مسابقه به گونه ای است که شرکت کنندگان با هر سطحی از دانش از مبتدی تا متخصص بتوانند آورده‌ای از مسابقات داشته باشند.
🌐https://datadays.sharif.edu
🆔@DataDays_Sharif
صاحبنظر گرامی با سلام احتراما در راستای اجرای طرح پروژهشی اطلاعات چک لیستی از مشاغل فناوری اطلاعات که قرار است بررسی شود در اختیار شما قرار گرفته است . دراین لیست نام رشته و نام مشاغل ذکر شده و شما صاحبنظر گرامی با امتیاز خود میزان بکارگیری آن در دنیا و همچنین ایران مشخص کنید. خواهشمندم با اختصاص وقت مناسب پاسخ دهید
🙏🏻🙏🏻🙏🏻
https://survey.porsline.ir/s/cxCUHLZ
🙏🏻🙏🏻🙏🏻
https://survey.porsline.ir/s/cxCUHLZ
Porsline
تحول مشاغل
با پُرس‌لاین به راحتی پرسشنامه خود را طراحی و ارسال کنید و با گزارش‌های لحظه‌ای آن به سرعت تصمیم بگیرید.