ایا دستگاه های اجرایی مکلفند از افراد دارای رتبه برای اجرا طرح های اماری استفاده کنند؟
ایجاد فرصت شغلی مناسب برای اماری ها
انجمن امار ایران
نظام اماری
@Data_experts

14امین کنفرانس امار
سخنرانی دکتر
Rasmus waagepetersen
از دانشگاه aalborg دانمارک
موضوع سخنرانی :
Case-control and regularized inference for multivariate log gaussian cox processe
@Data_experts

هم اکنون مراسم اختتامیه 14امین کنفرانس امار ایران

@Data_experts

14امین کنفرانس امار ایران
انتخاب تیم دانشگاه محقق اردبیلی به عنوان تیم اول در بخش کاربردی و دریافت جایزه توسط نماینده حاضر گروه امار دانشگاه محقق اردبیلی جناب دکتر مهدی اسماعیلیان

@Data_experts

اختتامیه 14امین کنفرانس امار ایران
با حضور مهمانان خارجی و تعدادی از ادمین های کانال های @data_experts و @r_experts

از دوستان ادمین که در این عکس حضور ندارن بابت زحماتشون تشکر میکنیم

آمریکا با داشتن ۱۸۷۲ اتاق فکر، بیشترین کانون تفکر دنیا را داراست.۵ تا از ۱۰ اتاق فکر برتر دنیا متعلق به امریکاست.
❇️ @Data_Experts

✔️ سه عصر هوش مصنوعی

#هوش_مصنوعی
👈 لینک

«مطالعه این مقاله را به همه کسانیکه که قصد شروع یادگیری هوش مصنوعی دارند پیشنهاد میشود»
❇️ @AI_Python
❇️ @Data_Experts

✔️ یادگیری ماشین در یک قاب

#یادگیری_ماشین
❇️ @AI_Python
❇️ @Data_Experts

✔️ تفاوت بین داده کاوی و آمار

#آمار
#داده_کاوی

❇️ @Data_Experts

چطور هر کاراکتری را رنگی نمایش دهیم
https://cran.r-project.org/web/packages/multicolor/multicolor.pdf
#پکیج
این تکه کد هم تقدیم به شما همراهان

> library(viridisLite)
> library(multicolor)
> multi_color("Data_Experts", colors = plasma(10,direction = -1,begin = .3))
Opernty
> multi_color(things$daemon,colors = inferno(10,begin = .3),direction = 'horizontal')

«با ما همراه باشید»
❇️ @Data_Experts

@Data_Expert
یک منبع آموزشی خوب و رایگان برای یادگرفتن علم داده ها با استفاده از پایتون کتاب آنلاین Computational and Inferential Thinking است که به عنوان منبع اصلی کورس Foundations of Data Science در دانشگاه برکلی مورد استفاده قرار می گیرد.
آدرس این کتاب آنلاین:
https://www.inferentialthinking.com/

آدرس گیت هاب این کتاب و شامل نوتبوک های پایتون:
https://github.com/data-8/textbook

❇️ @Data_Experts

در صد سال صنعت خودرو ایران به زور دیده می شودتا قبل از ۱۹۵۰ این صنعت در انحصار امریکا بوده و از سال ۲۰۱۰ به بعد چین به بزرگترین خودروساز جهان تبدیل شده و امریکا ژاپن بعد از آن قرار دارند
@Data_Experts

ده روند تحلیل داده در سال ۲۰۱٨
@Data_Experts

‌@Data_Experts
دکتر آبنوسیان
معرفی مشاغل و فرصت‌های کاری جذاب در حوزه داده!

در ادامه برخی از مشاغل و شرح شغلی‌های مطرح و جذاب در حوزه علم‌داده و کلان‌داده معرفی خواهند شد.

https://t.iss.one/Data_Experts


1- متخصص علم‌داده:
جهت ورود به حوزه علم‌داده نیاز به کسب دانش و تخصص در موضوعاتی همانند مهندسی نرم‌افزار، ریاضیات، آمار، متخصص حوزه‌ و... خواهید داشت. ساخت مدل‌های توصیفی، پیش‌بینانه‌، استقرار مدل‌‌های مبتنی بر یادگیری ماشین و آمار از وظایف کلیدی یک متخصص علم‌داده است. آشنایی با زبان‌های پایتون و R، نرم‌افزارهای رپیدماینر، Knime، SPSS Modeler و توانایی کار با پایگاه داده‌های رابطه و زبان SQL از مؤلفه‌های موفقیت در این فیلد شغلی در بازار کار کشور است. توجه به مهارت‌های نرم همانند خلاقیت، فنون مذاکره، کار تیمی و... سبب تمایز شما در بازار کار خواهد شد.

2- متخصص هوش‌تجاری:
هوش‌تجاری مجموعه‌ای از ابزارها، برنامه‌های کاربردی و متدولوژی‌ها است که با جمع‌آوری داده‌ها و تحلیل بلادرنگ آن، سبب اتخاذ تصمیمات داده‌‍محور بهینه و بهبود فرایندها در کسب‌وکار می‌شود. درصورتی‌که علاقه‌مند به ورود به حوزه هوش‌تجاری هستید آشنایی و کسب دانش تخصص در پلتفرم‌ها و فریم‌ورک‌های هوش‌تجاری پایگاه داده‌های Microsoft SQL Server یا Oracle توصیه می‌شود. آشنایی با نرم‌افزارها و ابزارهای مطرح داشبورد سازی و مصورسازی همانند Qlik, Power BI و Tableau از پیش‌نیازها می‌باشد.

3- مهندس یادگیری ماشین:
بر اساس آمار برترین مشاغل در ایالات‌متحده آمریکا، امسال برترین شغل حوزه مهندسی یادگیری ماشین می‌باشد. حوزه‌ای کاملا جذاب و جدید که در آینده در داخل کشور نیز توجهات به آن افزایش پیدا خواهد کرد. توانایی پیاده‌سازی الگوریتم‌های تخصصی یادگیری ماشین، آشنایی با فریم‌ورک‌ها و پلتفرم‌های یادگیری عمیق، بهینه‌سازی و توسعه مدل‌های یادگیری ماشین در محیط‌های عملیاتی، استقرار مدل‌ها و الگوریتم‌های توزیعی و...از وظایف یک مهندس یادگیری ماشین خواهد بود.

4- توسعه‌دهنده کلان داده:
یکی از مشاغل کلیدی در حوزه Big Data، توسعه‌دهنده کلان داده می‌باشد. وظیفه اصلی یک توسعه‌دهنده کلان داده استقرار و توسعه محصولات و سامانه‌های نرم‌افزاری در مقیاس کلان داده خواهد بود. آشنایی با پایگاه داده‌های غیر رابطه‌ای(NoSQL) و رابطه‌ای، تخصص در پلتفرم‌ها و کتابخانه‌های اکوسیستم آپاچی هدوپ و اسپارک، توانایی مدیریت، نگه‌داری و انتقال بلادرنگ داده‌ها، آشنایی با معماری‌های پردازشی توزیع‌شده و... از وظایف این حوزه کاری می‌باشد.

5- تحلیلگر کلان داده:
در فیلد Big Data Analysis و فرصت‌های شغلی این حوزه هدف اصلی استقرار مدل‌های تحلیلی بر روی دادگان حجیم می‌باشد. آشنایی با پلتفرم‌ها و کتابخانه‌های تحلیلی کلان داده همانند کتابخانه‌های یادگیری ماشین هدوپ(Mahout)، اسپارک(Spark Mllib)، تخصص در مفاهیم یادگیری ماشین و استقرار مدل‌های پیش‌بینانه و توصیفی از نیازمندی‌های این حوزه هست. در این فیلد نیز زبان پایتون بهترین انتخاب خواهد بود.

6- متخصص متن‌کاوی:
یکی از فیلدها جذاب که به‌تازگی توجهات به آن بر اساس کاربردها و کارکردهای که دارد افزایش یافته است حوزه متن‌کاوی می‌باشد. در این حوزه هدف استقرار مدل‌هایی در جهت تحلیل و آنالیز دادگان متنی و بدون ساختار موجود در سازمان همانند باشگاه مشتریان، شبکه‌های اجتماعی، کامنت‌ها و... می‌باشد. جهت ورود به این حوزه نیاز به آشنایی با زبان‌های برنامه‌نویسی همانند پایتون، جاوا یا R خواهید داشت. آشنایی با مفاهیم اصلی و پایه‌ یادگیری ماشین و داده‌کاوی نیز از پیش‌نیازها ورود به این حوزه است.

https://t.iss.one/Data_Experts

پی‌نوشت:
1- به علاقه‌مندانی که قصد ورود به هریک از حوزه‌های فوق را دارند توصیه می‌کنم جهت آموزش از دوره‌ها و منابع بسیار کاربردی و مفید وب‌سایت‌هایی همانند Udemy, Lynda, Edx, Coursera و... استفاده نمایند. انتخاب نقشه راه مناسب بنا به تخصص، دانش و علاقه‌مندی شما از گام‌های کلیدی در کسب موفقیت در هریک از فیلدهای کاری اعلامی می‌باشد.

2- به مدیران کسب‌وکارها نیز پیشنهاد می‌گردد درصورتی‌که قصد جذب کارشناس و متخصص در هر یک از فیلدها را دارید ابتدا برخی از شرح شغلی(Job Description)های اعلامی شرکت‌های موفق را موردبررسی نمایید تا علاوه بر نیازمندی‌های فعلی سازمانتان بتوانید سایر نیازمندی‌های آتی خود را پوشش دهید.

3- برخی از شرکت‌ها بعضا در آگهی‌ها و فرصت‌های شغلی خود برخی از مهارت‌ها و دانش‌ها چند فیلد کاری را با یکدیگر تجمیع و تمامی مهارت‌ها را از یک فرد درخواست می‌نمایند. طبق تجربیات این قبیل اقدامات در نهایت برای شرکت کارآمد نخواهد بود و توصیه می‌کنم با تشکیل یک تیم تخصصی از هر کارشناس در جایگاه تخصصی خود استفاده نمایید.

❇️ @Data_Experts

https://t.iss.one/Data_Experts

@Data_Experts
🌸 هم ساقی کوثر تويی 🌸
🌸هم هادی و رهبر تویی 🌸

🌸هم شاه بحر آور تویی 🌸
🌸هم شافع محشر تویی 🌸

🌸هم نور پیغمبر تویی 🌸
🌸هم عاشق داور تویی🌸

🌸هم حیدر صفدر تویی🌸
🌸 شاهانه گویم یاعلی 🌸

💐علی در عرش بالا بی نظير است💐
💐علی بر عالم و آدم امير است💐

💐به عشق نام مولايم نوشتم💐
💐چه عيدی بهتر از عيد غدير است؟💐

🎉🌺🌙عـــیــد
🎉🌺🌙سعيــد
🎉🌺🌙غدیرخم
🎉🌺🌙بر شــما
🎉🌺🌙دوستان
🎉🌺🌙عزيز و
🎉🌺🌙خانواده
🎉🌺🌙محترمتان
🎉🌺🌙مبــــــارک
🎉🌺🌙و فرخنده
🎉🌺🌙بــــــاد

@Data_Experts

مثالی از آرگومان ()when در R

> ruler <- function(width = getOption("width")) {
+     x <- seq_len(width)
+     y <- dplyr::case_when(
+         x %% 10 == 0 ~ as.character((x %/% 10) %% 10),
+         x %% 5 == 0  ~ "+",
+         TRUE         ~ "-"
+     )
+     cat(y, "\n", sep = "")
+     cat(x %% 10, "\n", sep = "")
+ }
> ruler()
----+----1----+----2----+----3----+----4----+----5----+----6----+----7----+----
1234567890123456789012345678901234567890123456789012345678901234567890123456789

«با ما همراه باشید»
❇️ @Data_Experts

✔️ بهترین راهی که میشود الگوریتمها را در یادگیری ماشین استفاده کرد
#یادگیری_ماشین

❇️@Data_Experts

✔️ معایب و مزایای استفاده از الگوریتمهای یادگیری ماشین

#یادگیری_ماشین

❇️@Data_Experts