📒 Jupyter notebook
پروژه ژوپیتر یک سازمان غیرانتفاعی است که به منظور «ارائه نرم‌افزارهای متن-باز، استانداردهای باز، و خدماتی برای محاسبات تعاملی میان ده‌ها زبان برنامه‌نویسی» ایجاد شده‌است. پروژه ژوپیتر که در سال ۲۰۱۴ توسط فرناندو پرز از آی‌پایتون اشتقاق یافت، از محیط های اجرایی در ده‌ها زبان برنامه‌نویسی پشتیبانی می‌کند. نام این پروژه به سه زبان برنامه‌نویسی که مورد پشتبانی این پروژه هستند، یعنی سه قمر جولیا، پایتون (زبان برنامه‌نویسی) و آر (زبان برنامه‌نویسی)، و همچنین گالیله نوت بوک (یادداشتهای گالیله) اشاره دارد. پروژه ژوپیتر محصولات کامپیوتری تعاملی دفتر یادداشت ژوپیتر، مرکز ارتباطات ژوپیتر، آزمایشگاه ژوپیتر، و نسل بعدی دفتر یادداشت ژوپیتر را ایجاد کرده و پشتیبانی می‌کند.
ژوپیتر یک مدرک JSON است که با یک فرم ثبت نسخ کامل میشود و حاوی یک لیست مرتب از واحدهای ورودی/خروجی است که می‌تواند حاوی کد، متن (با استفاده از مدلهای نشانه گذاری)، ریاضیات، طرحها و رسانه‌های غنی باشد، و معمولاً با فرمت «ipynb.» پایان می‌یابد.
آدرس کانال:
🆔https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
پروژه ژوپیتر یک سازمان غیرانتفاعی است که به منظور «ارائه نرم‌افزارهای متن-باز، استانداردهای باز، و خدماتی برای محاسبات تعاملی میان ده‌ها زبان برنامه‌نویسی» ایجاد شده‌است. پروژه ژوپیتر که در سال ۲۰۱۴ توسط فرناندو پرز از آی‌پایتون اشتقاق یافت، از محیط های اجرایی در ده‌ها زبان برنامه‌نویسی پشتیبانی می‌کند. نام این پروژه به سه زبان برنامه‌نویسی که مورد پشتبانی این پروژه هستند، یعنی سه قمر جولیا، پایتون (زبان برنامه‌نویسی) و آر (زبان برنامه‌نویسی)، و همچنین گالیله نوت بوک (یادداشتهای گالیله) اشاره دارد. پروژه ژوپیتر محصولات کامپیوتری تعاملی دفتر یادداشت ژوپیتر، مرکز ارتباطات ژوپیتر، آزمایشگاه ژوپیتر، و نسل بعدی دفتر یادداشت ژوپیتر را ایجاد کرده و پشتیبانی می‌کند.
ژوپیتر یک مدرک JSON است که با یک فرم ثبت نسخ کامل میشود و حاوی یک لیست مرتب از واحدهای ورودی/خروجی است که می‌تواند حاوی کد، متن (با استفاده از مدلهای نشانه گذاری)، ریاضیات، طرحها و رسانه‌های غنی باشد، و معمولاً با فرمت «ipynb.» پایان می‌یابد.
آدرس کانال:
🆔https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
ادامه...
📒 Jupyter notebook
همچنین دفترچه یادداشت ژوپیتر که قبلا به نام آی پایتون شناخته می‌شد. علاوه بر 3 کرنل اصلی خود به چندین کرنل معروف زبان برنامه نویسی دیگر مانند زبان اسکالا، جاوا، سی و .. متصل است و از آنها پشتیبانی می نماید. اولین نسخه پایدار آن نیز در فوریه 2018 ارائه گردید.
متناظر با این دفترچه میتوان به دفترچه یادداشت های:
R notebook, Rmarkdown, R bookdown, R blogdown
اشاره نمود که در پست های بعد بیشتر معرفی می گردند.
🆔https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
📒 Jupyter notebook
همچنین دفترچه یادداشت ژوپیتر که قبلا به نام آی پایتون شناخته می‌شد. علاوه بر 3 کرنل اصلی خود به چندین کرنل معروف زبان برنامه نویسی دیگر مانند زبان اسکالا، جاوا، سی و .. متصل است و از آنها پشتیبانی می نماید. اولین نسخه پایدار آن نیز در فوریه 2018 ارائه گردید.
متناظر با این دفترچه میتوان به دفترچه یادداشت های:
R notebook, Rmarkdown, R bookdown, R blogdown
اشاره نمود که در پست های بعد بیشتر معرفی می گردند.
🆔https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
🛠 پرکاربرد ترین الگوریتم های یادگیری ماشین در سالیان 2017 تا 2019
#machine_learning
🆔https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
#machine_learning
🆔https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
📌 در پست های آتی نوع خاصی از مدل های رگرسیونی با کارکردی خاص معرفی میشود. که در حوزه مدل های مقطعی، پانل و حتی سری زمانی توسعه پیدا کرده و کاربرد دارد.
✅📣 📣 برنامه آتی کانل:
1- آموزش ابزارها و متدولوژی های تحلیل داده:
در پست های قبل فلسفه و منطق متدولوژی های علم تحلیل داده مختصرا معرفی گردید و در ادامه سرفصلهای زیر نیز مختصرا معرفی میشود.
آموزش و معرفی مدل های:
- رگرسیون تک، دو و سه بعدی
- آموزش رگرسیون ها خاص (رگرسیون های سانسور شده، هکمن، رگرسیون های به ظاهر نامرتبط و سیستم معادلات همزمان)
- آموزش مدلهای یادگیری ماشین با ناظر
- آموزش مدل های یادگیری فاقد نظارت یا بدون معلم
2- آموزش مصورسازی داده ها و داشبوردسازی
3- آموزش نوشتن وب اپلیکیشن و معماری پشت آن
(Server and UI)
4 معرفی تکنولوژی‌ها و معماری های پیشرو در علم Data Science
#Modeling
#Regression
#ML
#data_visualization
#web_app
#Data_Science
🆔https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
1- آموزش ابزارها و متدولوژی های تحلیل داده:
در پست های قبل فلسفه و منطق متدولوژی های علم تحلیل داده مختصرا معرفی گردید و در ادامه سرفصلهای زیر نیز مختصرا معرفی میشود.
آموزش و معرفی مدل های:
- رگرسیون تک، دو و سه بعدی
- آموزش رگرسیون ها خاص (رگرسیون های سانسور شده، هکمن، رگرسیون های به ظاهر نامرتبط و سیستم معادلات همزمان)
- آموزش مدلهای یادگیری ماشین با ناظر
- آموزش مدل های یادگیری فاقد نظارت یا بدون معلم
2- آموزش مصورسازی داده ها و داشبوردسازی
3- آموزش نوشتن وب اپلیکیشن و معماری پشت آن
(Server and UI)
4 معرفی تکنولوژی‌ها و معماری های پیشرو در علم Data Science
#Modeling
#Regression
#ML
#data_visualization
#web_app
#Data_Science
🆔https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
Telegram
Data Science
آموزش نوین علم داده و رویکردهای داده محور
@DataScience :: Machine Learning, Statistics, Econometrics, BI and big data
#data_science
#Machine_learning
@DataScience :: Machine Learning, Statistics, Econometrics, BI and big data
#data_science
#Machine_learning
📊 Top 20 Technology skills in Data Science job listings
#python
#R
#Spark
#Java
🔗Source: KDnuggets
https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
#python
#R
#Spark
#Java
🔗Source: KDnuggets
https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
📊 General Data Scientist skills sought by employers
🔗https://www.kdnuggets.com/2018/11/most-demand-skills-data-scientists.html
https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
🔗https://www.kdnuggets.com/2018/11/most-demand-skills-data-scientists.html
https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
Forwarded from Data Science (محمدرضا محتاط)
برترین مهارت‌های متخصصین علم‌داده!
https://bit.do/eP8ng
براساس گزارش Forbes در سال 2019، برترین مهارت‌ها، ابزارها و پلتفرم‌های حوزه علم‌داده براساس تحلیل فرصت‌های شغلی شبکه اجتماعی لینکدین به شرح زیر است.
1- Python
2- R
3- SQL
4- Jupyter Notebooks
5- Unix shell
6- AWS
7- Tensorflow
8- Tableau
9- C/C++
10- Hadoop / Pig / Hive
@DataAnalysis
https://bit.do/eP8ng
براساس گزارش Forbes در سال 2019، برترین مهارت‌ها، ابزارها و پلتفرم‌های حوزه علم‌داده براساس تحلیل فرصت‌های شغلی شبکه اجتماعی لینکدین به شرح زیر است.
1- Python
2- R
3- SQL
4- Jupyter Notebooks
5- Unix shell
6- AWS
7- Tensorflow
8- Tableau
9- C/C++
10- Hadoop / Pig / Hive
@DataAnalysis