If you are looking for a great way of searching for #rstats resources, look no further! Rseek - the R search tool! https://rseek.org
موتور جستجوی نرم افزار R برای پیدا کردن مطالب آموزشی مخصوص نرم افزار R راه اندازی شد

❇️ @Data_Experts

مطالب ارایه شده در کنفرانس بنیاد نرم افزار r در آستین تکزاس 2019

https://github.com/alexpghayes/workshops_presentations
https://forcats.tidyverse.org/
https://www.amelia.mn/sds220/project#places_to_find_data
https://docs.google.com/presentation/d/1nCmo6EcrhyZZiQrXQkwYRCyimXbvNG20A84qlQ0YvTw/edit#slide=id.g36d32efe66_2_77
https://github.com/hebrewseniorlife/addin_demo
https://www.slideshare.net/secret/Ba52FYuH2FoWE
https://github.com/skeydan/rstudio_conf_2019_eager_execution
https://www.amelia.mn/WranglingCats.pdf
https://peerj.com/preprints/3163/
https://www.r-bloggers.com/automated-dashboard-for-classification-neural-network-in-r/
https://github.com/karthik/rstudio2019
https://github.com/karawoo/2019-01-17-rstudioconf
https://bit.ly/ds-puzzles
https://github.com/kbroman/RStudioConf2019Slides
https://t.co/rdnC2gH3jF
https://docs.google.com/presentation/d/1zMuBSADaxdFnosOPWJNA10DaxGEheW6gDxqEPYAuado/edit?usp=sharing
https://github.com/datacamp/funneljoin
https://arm.rbind.io/slides/xaringan.html
https://github.com/gnab/remark/wiki/Markdown#name
buff.ly/2DgkSxM
https://github.com/karthik/rstudio2019
https://nolisllc.com/rstudio19
https://github.com/rstudio-education/arm-workshop-rsc2019/issues/34
https://www.tsunaviwatches.com/ggwatch.html

❇️@Data_Experts

طراحی هوش مصنوعی برای تولید داده‌های آموزشی پروژه‌های یادگیری ماشین

https://www.zoomit.ir/2019/2/26/313287/superb-ai-generates-customized-training-data-machine-learning-projects/


@data_experts

✅ بررسی روشهای تحلیل بیگ دیتا و استفاده از روش گرد کردن

✍ کارلو آبنوسیان

@Data_experts

Let go of the past behind you. Right ahead, lies a new beginning. Make it a memorable experience. Happy New Year.

با سلام عید نوروز رو خدمت همه عزیزان تبریک عرض میکنم به امید سالی بهتر و پر از اتفاقات خوب برای همه دوستان گرامی


@Data_Experts

Happy New Year

با آرزوی بهترینها و سالی خوش و خرم . انجام شده با نرم افزار R

❎ @Data_Experts

❎ @Data_Experts

❎ @Data_Experts

⬛️⬛️⬛️ الگوریتم عنکبوت اجتماعی

@data_experts
✅ الگوریتم بهینه سازی عنکبوت اجتماعی Social Spider Algorithm یا SSA یک الگوریتم بهینه سازی جدید می باشد که در دوسال اخیر ارایه شده است. در میان حیوانات معمولا دیده می شود که عنکبوت به یک موضوع تحقیقاتی مهم در مهندسی مصنوعی برای سال های بسیاری بوده است. رفتار جستجوگر عنکبوت اجتماعی را می توان به عنوان جنبش جمعی عنکبوت ها به سمت محل منبع غذایی توصیف کرد. عنکبوت ارتعاشات منتشر شده در وب (تارهای عنکبوت) را برای تعیین جهت بالقوه یک منبع غذایی دریافت و تحلیل می کند.

✅ در مقاله آورده شده در زیر از این رفتار طبیعی برای انجام بهینه سازی در فضای جستجو به روش SSA استفاده شده است. در SSA فضای جستجو مسئله بهینه سازی را به عنوان یک وب چند بعدی عنکبوت در نظر می شود. هر موقعیت در وب نشان دهنده یک راه حل عملی برای مسله بهینه سازی می باشد و هر راه حل عملی برای مسله بهینه سازی موردنظر، یک موقعیت در این وب است. وب همچنین به عنوان رسانه انتقال ارتعاشات تولید شده توسط عنکبوت عمل می کند. هر عنکبوت در وب دارای یک موقعیت و یک برازش (Fitness) است که نشان دهنده بالقوه یافتن یک منبع غذایی در آن موقعیت می باشد. عنکبوت می تواند آزادانه در وب حرکت کند، اما وب را نمی تواند ترک کند. هنگامی که یک عنکبوت به موقعیت جدیدی حرکت نماید، یک ارتعاش تولید می کند که در سراسر وب منتشر می شود. هر لرزش عنکبوت دارای اطلاعاتی از یک عنکبوت است و دیگران این اطلاعات ارتعاش را دریافت می کنند.
@data_experts

⬛️⬛️⬛️ الگوريتم ماهی‌های مصنوعی
@data_experts
✅ الگوريتم دسته ماهی هاي مصنوعی (AFSA) يك مدل محاسباتی تكاملی است كه مبتنی بر الگوريتم های هوش جمعی و بر گرفته شده از طبيعت مي باشد.عملكرد اين الگوريتم بر اساس جستجوی تصادفی است.
✅ اساس کار AFSA بر پایه‌ی توابعی است که از رفتارهاي اجتماعی دسته‌ی ماهی‌ها در طبیعت برگرفته شده‌اند. در دنیاي زیر آب، ماهی‌ها می‌توانند مناطقی را پیدا کنند که داراي غذاي بیشتري است، که این امر با جستجوي فردي یا گروهی ماهی‌ها محقق می‌شود. مطابق با این ویژگی، مدل ماهی مصنوعی با رفتارهاي حرکت آزادانه، جستجوي غذا، حرکت گروهی و دنباله‌روي ارائه شده است که به وسیله‌ی آنها فضاي مسئله جستجو می‌شود. ﻣﻔﻬﻮم ﺑﻬﻴﻨﻪﺳﺎزی ﺑﺪﻳﻦ ﺻﻮرت اﺳﺖ ﻛﻪ در ﺑﻴﻦ ﭘﺎراﻣﺘﺮﻫﺎی ﻳﻚ ﺗﺎﺑﻊ ﺑﻪ دﻧﺒﺎل ﻣﻘﺎدﻳﺮی ﺑﺎﺷﻴﻢ ﻛﻪ ﺗﺎﺑﻊ را ﻛﻤﻴﻨﻪ ﻳﺎ ﺑﻴﺸﻴﻨﻪ میﻧﻤﺎﻳﻨﺪ. ﻛﻠﻴﻪ ﻣﻘﺎدﻳﺮ ﻣﻨﺎﺳﺐ ﺟﻬﺖ اﻳﻦ اﻣﺮ را، راه ﺣﻠﻬﺎی ﻣﻤﻜﻦ و ﺑﻬﺘﺮﻳﻦ ﻣﻘﺪار از اﻳﻦ ﻣﻘﺎدﻳﺮ را راه ﺣﻞ ﺑﻬﻴﻨﻪ ﻣﻲﻧﺎﻣﻨﺪ.
✅ اﻟﮕﻮرﻳﺘﻢﻫﺎی ﺑﻬﻴﻨﻪﺳﺎزی ﻫﺮ دو ﻧﻮع ﻣﺴﺎﺋﻞ ﺑﻴﺸﻴﻨﻪﺳﺎزی و ﻛﻤﻴﻨﻪﺳﺎزی را ﭘﻮﺷﺶ ﻣﻲدﻫﻨﺪ. ﺑﻬﻴﻨﻪﺳﺎزی ﻛﺎرﺑﺮدﻫﺎی زﻳﺎدی دارد از ﺟﻤﻠﻪ در ﺗﺨﺼﻴﺺ ﻣﻨﺎﺑﻊ، زﻣﺎنﺑﻨﺪیﻫﺎ، ﺗﺼﻤﻴﻢﮔﻴﺮیﻫﺎ و … . روﺷﻬﺎی ﻣﺨﺘﻠﻔﻲ ﺑﺮای ﺑﻬﻴﻨﻪﺳﺎزی وﺟﻮد دارد. ﻳﺎﻓﺘﻦ راه ﺣﻞ ﺑﺮای ﻣﺴﺎﺋﻠﻲ که از نوع NP می باشند ﺑﺴﻴﺎر ﻣﺸﻜﻞ اﺳﺖ. اﻟﮕﻮرﻳﺘﻢﻫﺎﻳﻲ از ﺟﻤﻠﻪ اﻟﮕﻮرﻳﺘﻢﻫﺎی ﻫﻮشﺟﻤﻌﻲ ﺗﺎ ﺣﺪی اﻳﻦ ﻣﺸﻜﻞ را ﺣﻞ ﻧﻤﻮده اﻧﺪ. ﺗﻮﺳﻂ اﻳﻦ ﻧﻮع اﻟﮕﻮرﻳﺘﻢﻫﺎ راهﺣﻞﻫﺎﻳﻲ ﭘﻴﺪا ﻣﻲﺷﻮﻧﺪ ﻛﻪ ﺗﻘﺮﻳﺒﺄ ﺑﻪ ﺟﻮاب ﻧﺰدﻳﻜﻨﺪ. ﻫﻮش ﺟﻤﻌﻲ ﻧﻮﻋﻲ روش ﻫﻮش ﻣﺼﻨﻮﻋﻲ اﺳﺖ ﻛﻪ ﻣﺒﺘﻨﻲ ﺑﺮ رﻓﺘﺎرﻫﺎی ﺟﻤﻌﻲ در ﺳﺎﻣﺎﻧﻪﻫﺎی ﻧﺎﻣﺘﻤﺮﻛﺰ و ﺧﻮدﺳﺎﻣﺎﻧﺪه ﺑﻨﻴﺎن ﺷﺪه اﺳﺖ. اﻳﻦ ﺳﺎﻣﺎﻧﻪﻫﺎ ﻣﻌﻤﻮﻻً از ﺟﻤﻌﻴﺘﻲ از ﻋﺎﻣﻞﻫﺎی ﺳﺎده ﺗﺸﻜﻴﻞ ﺷﺪه اﻧﺪ ﻛﻪ ﺑﻄﻮر ﻣﺤﻠﻲ ﺑﺎ ﻳﻜﺪﻳﮕﺮ و ﺑﺎ ﻣﺤﻴﻂ ﺧﻮد در ﺗﻌﺎﻣﻞ ﻫﺴﺘﻨﺪ. ﺑﺎ وﺟﻮد اﻳﻨﻜﻪ ﻣﻌﻤﻮﻻً ﻫﻴﭻ ﻛﻨﺘﺮل ﺗﻤﺮﻛﺰﻳﺎﻓﺘﻪ ای، ﭼﮕﻮﻧﮕﻲ رﻓﺘﺎر ﻋﺎﻣﻞﻫﺎ را ﺑﻪ آﻧﻬﺎ ﺗﺤﻤﻴﻞ ﻧﻤﻲﻛﻨﺪ، ﺗﻌﺎﻣﻼت ﻣﺤﻠﻲ آﻧﻬﺎ ﺑﻪ ﭘﻴﺪاﻳﺶ رﻓﺘﺎری ﻋﻤﻮﻣﻲ ﻣﻲاﻧﺠﺎﻣﺪ. ﻣﻮﻓﻖ ﺗﺮﻳﻦ روشﻫﺎی ﻫﻮش ﻣﺼﻨﻮعی ﺟﻤﻌﻲ ﻛﻪ ﺗﺎﻛﻨﻮن ﺑﻮﺟﻮد آﻣﺪه اﻧﺪ، روش ﺑﻬﻴﻨﻪﺳﺎزی ﮔﺮوه ﻣﻮرﭼﻪﻫﺎ، روش ﺑﻬﻴﻨﻪﺳﺎزی دﺳﺘﺔ ذرات و روش ﺑﻬﻴﻨﻪﺳﺎزی ﮔﺮوه ﻣﺎﻫﻲﻫﺎ ﻛﺎرﺑﺮد اﻳﻦ اﻟﮕﻮرﻳﺘﻢﻫﺎ در اﻧﻮاع زﻣﻴﻨﻪﻫﺎی ﺗﺤﻘﻴﻘﺎت ﻋﻠﻤﻲ ﻧﺸﺎن دﻫﻨﺪه ﻋﻤﻠﻲ ﺑﻮدن و وﻳﮋﮔﻲﻫﺎی ﻣﻄﻠﻮب آﻧﻬﺎ اﺳﺖ. از ﺟﻤﻠﻪ وﻳﮋﮔﻲﻫﺎی اﻳﻦ اﻟﮕﻮرﻳﺘﻢﻫﺎ ﻣﻲﺗﻮان ﺑﻪ ﻣﻘﻴﺎسﭘﺬﻳﺮی، ﺗﺤﻤﻞﭘﺬﻳﺮی ﺧﻄﺎ، ﺳﺎزﮔﺎری، ﺳﺮﻋﺖ، اﺳﺘﻘﻼل داﺧﻠﻲ، ﻣﻮازی ﺑﻮدن و … اﺷﺎره ﻛﺮد. ﻛﺎرﺑﺮد ﻋﻤﺪة اﻳﻦ اﻟﮕﻮرﻳﺘﻢﻫﺎ در ﺣﻞ ﻣﺴﺎﺋﻞ ﺑﻬﻴﻨﻪﺳﺎزی ﻣﻲﺑﺎﺷﺪ.
✅ الگوریتم دسته ﻣﺎﻫﻲﻫﺎی ﻣﺼﻨﻮﻋﻲ (AFSA (Artificial Fish Swarm Algorithm گونه ای از اﻟﮕﻮرﻳﺘﻢﻫﺎی برگرفته شده از طبیعت و اﻟﮕﻮرﻳﺘﻢﻫﺎی ﻫﻮش ﺟﻤﻌﻲ ﻣﻲﺑﺎﺷﺪ که توسط دکتر Li Xiao Lei در سال ۲۰۰۲ ارائه شده است. اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﻳﻚ ﺗﻜﻨﻴﻚ ﺟﺪﻳﺪ مبتنی ﺑﺮ رﻓﺘﺎرﻫﺎی ﺟﻤﻌﻲ اﺳﺖ ﻛﻪ از رﻓﺘﺎرﻫﺎی اﺟﺘﻤﺎﻋﻲ دسته ﻣﺎهیﻫﺎ در ﻃﺒﻴﻌﺖ اﻟﻬﺎم ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ. این اﻟﮕﻮرﻳﺘﻢ دارای ﺗﻮاﻧﺎیی ﺑﺎﻻیی در ﮔﺬﺷﺘﻦ از ﺑﻬﻴﻨﻪﻫﺎی ﻣﺤﻠﻲ و دﺳﺘﻴﺎﺑﻲ ﺑﻪ ﺑﻬﻴﻨﺔ ﺳﺮاﺳﺮی ﻣﻲﺑﺎﺷﺪ. ﻫﻤﭽﻨﻴﻦ دارای وﻳﮋگیﻫﺎی ﺳﺮﻋﺖ ﻫﻤﮕﺮاﻳﻲ ﺑﺎﻻ، ﻏﻴﺮﺣﺴﺎس ﺑﻮدن ﺑﻪ ﻣﻘﺎدﻳﺮ اوﻟﻴﻪ، اﻧﻌﻄﺎفﭘﺬﻳﺮی و ﺗﺤﻤﻞﭘﺬﻳﺮی ﺧﻄﺎی ﺑﺎﻻیی اﺳﺖ. اﻳﻦ اﻟﮕﻮرﻳﺘﻢ در ﻛﺎرﺑﺮدﻫﺎی ﺑﻬﻴﻨﻪﺳﺎزی از ﺟﻤﻠﻪ ﺗﺨﻤﻴﻦ ﭘﺎراﻣﺘﺮﻫﺎ، ﺑﻬﻴﻨﻪﺳﺎزی ﺗﺮکیبی، ﻳﺎدﮔﻴﺮی ﺷﺒﻜﻪﻫﺎی عصبی ﭘﻴﺸﺮو و … ﺑﻪ ﻛﺎر رﻓﺘﻪ اﺳﺖ. در دﻧﻴﺎی زﻳﺮ آب، ﻣﺎﻫﻲﻫﺎ ﻣﻲﺗﻮاﻧﻨﺪ ﻣﻨﺎطقی را ﭘﻴﺪا ﻛﻨﻨﺪ ﻛﻪ دارای ﻏﺬای ﺑﻴﺸﺘﺮی اﺳﺖ، ﻛﻪ اﻳﻦ اﻣﺮ ﺑﺎ ﺟﺴﺘﺠﻮی ﻓﺮدی ﻳﺎ ﮔﺮوهی ﻣﺎهی‌ها ﻣﺤﻘﻖ میﺷﻮد. ﺑﻨﺎﺑﺮاﻳﻦ در دﻧﻴﺎی زﻳﺮ آب، ﻣﻌﻤﻮﻻً در ﺟﺎﻳﻲ ﺗﻌﺪاد ﻣﺎﻫﻲ ﺑﻴﺸﺘﺮی وﺟﻮد دارد ﻛﻪ دارای ﻏﺬای ﺑﻴﺸﺘﺮی اﺳﺖ. ﻣﻄﺎﺑﻖ ﺑﺎ اﻳﻦ وﻳﮋگی، ﻣﺪل ماهی مصنوعی (AF) با چند رفتار از جمله رفتارهای حرکت آزادانه (AF Move)، جستجوی غذا (AF Prey)، حرکت گروهی (AF Swarm) و دﻧﺒﺎﻟﻪروی (AF Follow) ارائه شده است. یک AF ﻣﻮﺟﻮدﻳﺖ ﺳﺎﺧﺘﮕﻲ از ﻣﺎﻫﻲ واﻗﻌﻲ ﻣﻲﺑﺎﺷﺪ ﻛﻪ در ﺗﺤﻠﻴﻞ و ﺗﻔﺴﻴﺮ ﻣﺴﺎﺋﻞ از آن اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ. محیطی که AF در آن زﻧﺪﮔﻲ ﻣﻲﻛﻨﺪ اﺳﺎﺳﺎً فضای راه حل و حوزه های AF های دیگر است. درجه ﺗﺮاﻛﻢ ﻏﺬا در ﻣﻨﻄﻘﺔ آبی ﺗﺎﺑﻊ ﻫﺪف AFSA می باشد. و وضعیت AF ﻣﻨﻔﺮد ﻣﺘﻐﻴﺮ ﺑﻬﻴﻨﻪﺳﺎزی اﺳﺖ و ﺷﺎﻣﻞ رﻓﺘﺎرﻫﺎی ﺣﺮﻛﺖ آزاداﻧﻪ، ﺣﺮﻛﺖ ﺟﻤﻌﻲ، رﻓﺘﺎر ﺟﺴﺘﺠﻮی ﻏﺬا و رﻓﺘﺎر دﻧﺒﺎﻟﻪروی اﺳﺖ ﻛﻪ ﺑﺎ اﻳﻦ راهﻫﺎ ﻣﺎ ﻣﻲﺗﻮاﻧﻴﻢ راهﺣﻞ را ﻛﺎوش و ﺟﺴﺘﺠﻮ ﻛﻨﻴﻢ. در ﻃﻮل ﻓﺮآﻳﻨﺪ ﺑﻬﻴﻨﻪﺳﺎزی AFSA، اﻃﻼﻋﺎت ﻓﺮدی و محیطی، ﻛﺎﻣﻼً ﺟﻬﺖ ﺟﺴﺘﺠﻮ ﺗﺎ رﺳﻴﺪن ﺑﻪ ﺗﻮازن اﺳﺘﻔﺎده ﻣﻲﺷﻮﻧﺪ. در ﻧﻬﺎﻳﺖ، AF ﺑﻪ ﻣﻜﺎﻧﻲ میرﺳﺪ ﻛﻪ درﺟﺔ ﺗﺮاﻛﻢ و ﻏﻠﻈﺖ ﻏﺬا در آﻧﺠﺎ ﺑﻴﺸﺘﺮﻳﻦ (بهینه ﺳﺮاﺳﺮی) ﺑﺎﺷﺪ. AF ﻣﻔﺎﻫﻴﻢ ﺧﺎرجی را از ﻃﺮﻳﻖ ﺑﻴﻨﺎیی درک میﻛﻨﺪ.
@data_experts

نکنیک های کاهش بعد
@Dataexpert

لینک دانلود #دوره
Udemy Applied Machine Learning in R

سر فصل ها :
- شروع شدن
- مسائل کلیدی در یادگیری ماشین
- اعتبار سنجی متقابل
- رگرسیون کمترین مربعات معمولی
- بهترین رگرسیون زیرین
- رگرسیون مجازات شده
- رگرسیون حداقل مربعات جزئی
- رگرسیون منطقی
- تحلیل تشخیصی
- تخمین Bayes نایاب
- K نزدیک ترین همسایه
- پشتیبانی از ماشین بردار
- تصمیم گیری درختان (CART)
- Primer در شبکه های عصبی
- تجزیه و تحلیل مولفه اصلی
- آنالیز خوشه ای
- تمرین
- دانلود لینک ها

منبع: p30download.com

جهت دانلود بر روی لینک های زیر کلیک کنید

بخش اول
بخش دوم
بخش سوم

╭──•═✾®✾═•──╮
••• @R_Experts •••
╰──•═✾®✾═•──╯

چگونه تحلیل گر داده شویم
@Data_Experts

تحلیلگر داده، با دستکاری داده‌ها زندگی می‌کند. در دورانی که شرکت‌ها به‌طور فزاینده به مجموع‌های داده یا همان دیتاست‌ها (Data set) وابسته می‌شدند، مهارت در تحلیل داده‌ها تبدیل به یک توانایی مهم در این شرکت‌ها و یکی از پر تقاضاترین مشاغل شد

طبق گزارش سایت Indeed.com، میانگین درآمد یک تحلیل‌گر داده در ایالات متحده، سالیانه نزدیک به ۶۵ هزار دلار است؛ درحالی که میانگین درآمد متخصص علوم داده بیش از سالی ۱۲۰ هزار دلار برآورد می‌شود.

ادامه را در لینک زیر از سایت زومیت بخوانید
https://www.zoomit.ir/2019/8/30/339685/how-to-become-data-analyst/


@Data_Experts

@Data_Experts

==» #Apply_Family

در این ویدیو توابع اپلای و نحوه کار آنها با مثال های متنوع توضیح داده شده است. لازم به توضیح هست که توابع اپلای به طور ساده توابعی هستند که معمولا به جای استفاده از حلقه ها در برنامه نویسی برای سهولت در انجام و در بعضا نیز سرعت اجرای حلقه در این حالت بیشتر از حالت عادی هست.
از آموزش لذت ببرید 😊 و یک متخصص داده شوید.
@Data_Experts

سخنرانی ارتور بنجامین
در مورد اینکه افراد رو در چه حوزه ای باید تربیت کرد!
ریاضیات یا احتمالات !!

@Data_Experts

Planning Your First Data Analysis Project?

📊 اولین پروژه آنالیز داده خود را برنامه ریزی کنید !!

📝یک چارچوب علمی برای انجام پروژه‌های تحلیل داده

یک پروژه ساختارمند می‌تواند مسیر طولانی رسیدن به اهداف پروژه در یک قالب خوب و اصلاح شده را ساده‌تر نماید. نگرش کشف داده محور از مجموعه داده عظیم در بعضی اوقات می‌تواند غافلگیرکننده باشد و از نظر ساختار علمی این پروژه تجزیه و تحلیل داده می تواند به سمت تجزیه و تحلیل کارآمد و بهبود هرچه بهتر تصمیم‌گیری جوامع کمک کند.

بر همین اساس، در این مقاله یک راهنما برای مشخص کردن چارچوب با این ۹ مرحله مهم و اهداف در نظر گرفته شده برای ساختار عملی پروژه‌ها براساس تصمیم‌گیری داده-محور در نظر گرفته‌ایم
با ما همراه باشید و یک متخصص علم داده شوید

@Data_Experts

...

1️⃣ ⬅️ نمای کلی و انگیزه انجام کار ⬇️
این یکی از مراحل مهم در هر پروژه‌ای هست که نیازمند بارش مغزی می‌باشد. در این قسمت شما دلایل و چرایی انجام پروژه خود را براساس اهدافتان مشخص می‌کنید. و در نهایت ایده روشنی از چارچوب تحقیقات در رابطه با پروژه خود و و به‌طور موثر اهداف نهایی شما براساس دیدگاه داده-محور را برجسته می‌کند.

2️⃣ ⬅️ هدف پروژه ⬇️
در این مرحله کاملا واضح و شفاف اهداف پروژه خود را تعریف کنید. با استفاده از این در اینده می‌توانید پاسخ‌های مطالعات اولیه خود را بر اساس منابع داده در درسترس، فرمول بندی کنید.

3️⃣ ⬅️ منابع داده ⬇️
این مرحله به فهم شما از منابع داده مورد استفاده در پروژه خود براساس جنبه‌های مختلف آن کمک می‌کند. این یک دیدگاه کلی در مورد شرایط داده‌های خام جمع آوری شده، اندازه‌ آنها و بهتر از همه اطلاعاتی در مورد تعداد متغیر‌های و ویژگی‌های داده در اختیار می‌گذارد

4️⃣ ⬅️ کارهای مرتبط ⬇️
این مرحله یک پیش ضمینه مناسب در مورد کارهای مرتبط انجام شده در حوزه کاری شما را مشخص می‌کند. هدف آن ارائه یک نمای کلی از پژوهش‌هایی که در حوزه کاری شما انجام شده و در راستای برجسته کردن تجزیه و تحلیل داده‌های پروژه شما کمک های مهم را انجام می‌دهد. در این سناریو شما میتوانید پژوهش‌هایی که با منابع داده شما انجام شده را شناسایی کنید و تفاوت پروژه شما با سایرین را برجسته تر به نمایش بگذارید

5️⃣ ⬅️ سوالات تحقیقات اولیه ⬇️
این مرحله سوالات پژوهش فرموله شده در مراحل اولیه تحقیق که براساس یک درک اولیه از داده‌ها انجام شده را بدون تجزیه و تحلیل داده‌های اکتشافی بیان می‌کند.

6️⃣ ⬅️ کشمکش داده‌ها ⬇️
کشمکش داده‌ها شامل مراحل مختلفی هست که داده‌ها را از فرمت خام به اصلاح شده تبدیل می‌کند، که برای تحلیل داده‌ها مناسب و دقیق است. مراحل مختلف شامل،
🔘 بررسی مجموعه داده‌های ورودی: این مرحله شامل مصورسازی مجموعه داده‌های ورودی برای تولید آماره‌ها و خلاصه سازی‌های موثر است.
🔘اصلاح مجموعه داده‌ها و انجام پردازش: این مرحله شامل اصلاح مجموعه داده‌های ورودی برای از بین بردن داده‌های گمشده، سطر‌های تکراری،‌ بازنویسی ستون‌ها و مرتب سازی دوباره و غیره. و در اخر اماده کردن مجموعه داده‌های اصلاح شده در قالب یک فایل برای انجام تحلیل‌های آینده.
🔘اکتشافات از روی داده اصلاح شده: این مرحله شامل مصورسازی مجموعه داده‌های اصلاح شده برای تولید آماره‌ها و انجام تحلیل از طریق رسم نمودار‌های مختلف با متغیرهای گوناگون، آزمودن درستی ویژگی‌ها و غیره.
🔘آماده سازی داده ها: این مرحله داده‌ها را برای پاسخ به سوالات تحقیق از طریق حذف ویژگی‌های اضافه و یا اضافه کردن ویژگی خاصی به ستون‌ها آماده می‌کند.

7️⃣ ⬅️ تجزیه و تحلیل داده‌های اکتشافی ⬇️
تجزیه و تحلیل داده‌های اکتشافی،‌پردازش تجسم ویژگی‌های اصلی در داده‌ها قبل از انجام مدل‌بندی برای پیدا کردن الگو‌های و بررسی مفروضات اولیه ساخته شده براساس داده‌ها است. این مرحله بیشتر به بازسازی و فرموله کردن اولیه سوالات تحقیق کمک می‌کند.

8️⃣ ⬅️ سوالات نهایی تحقیقات ⬇️
تجزیه و تحلیل داده های اکتشافی امکان بررسی سوالات اولیه تحقیق فرمول بندی شده را فراهم می‌آورد. مرحله تجزیه و تحلیل داده‌های اکتشافی کمک می‌کند تا درک صحیحی از داده‌ در رابطه با ویژگی‌های پروژه داشته باشیم. از این رو این مرحله منجر به اصلاح، حذف و یا اضافه کردن سوالات تحقیق جدید می‌شود. پس در نهایت این مرحله باید بتواند مجموعه سوالات نهایی تحقیق را که در مسیر پروژه پاسخ داده‌شده‌است را فرمول بندی کند.

9️⃣ ⬅️ تجزیه و تحلیل داده ها و مدل سازی ⬇️
این مرحله مهمی در تجزیه و تحلیل داده‌ها است، که برای پاسخ به سوالات فرمول بندی شده تحقیق از الگوریتم‌های پیچیده و مدل سازی استفاده می‌کنیم. تاثیر بسیار بیشتری در جوامع با دیدگاه داده-محور که به طور موثر مخاطبان زیادی هم دارد ایجاد میکند. و بسیار خوب هست تا پنج مرحله اطلاعاتی را بیان کنیم که ،‌ انتخاب الگوریتم— چرایی انتخاب الگوریتم — تجزیه تحلیل و مدل سازی — مشاهدات و کاربردها




@Data_Experts

چگونه تبدیل به متخصص داده کاوی شویم؟!
✌️Data Experts✌️
https://dataexperts.ir/?p=238

@Data_Experts

سایت یودمی دوره آموزش پایتون خود را با عنوان The Complete Python 3 Course: Beginner to Advanced! به مدت محدود رایگان کرده است، هر چه سریعتر ثبت نام کنید و به دوستان خود نیز اطلاع دهید.

جهت ثبت نام روی " لینک ثبت نام " کلیک کنید. توجه داشته باشید که از فیلتر شکن استفاده کنید.

@Data_Experts