https://virgool.io/feed/@maryamdoroudii یک متخصص سئو در مسیر تبدیل شدن به دانشمند داده fa 2026-06-07 07:58:13 https://files.virgool.io/upload/users/179810/avatar/XMEpXw.jpeg?height=120&width=120 https://virgool.io/@maryamdoroudii https://virgool.io/@maryamdoroudii/%D8%B9%D9%84%D9%85-%D8%AF%D8%A7%D8%AF%D9%87-%DA%86%DA%AF%D9%88%D9%86%D9%87-%D8%A8%D9%87-%D9%85%D8%AA%D8%AE%D8%B5%D8%B5%D8%A7%D9%86-%D8%B3%D8%A6%D9%88-%DA%A9%D9%85%DA%A9-%D8%AE%D9%88%D8%A7%D9%87%D8%AF-%DA%A9%D8%B1%D8%AF-mseajsnl5q4h اگر شما هم مثل من معتقدید که سئو به روش پدربزرگ هایمان دیگر جواب نمی‌دهد، تا انتهای این مقاله با ما همراه باشید :) تا چند سال پیش، اگر صفحات وب سایت را با کلمه کلیدی مورد نظر منفجر می‌کردیم، و یا تایتل را تغییر می‌دادیم این شانس را داشتیم تا به نتایج اول گوگل دست پیدا کنیم. اما آن زمان ها گذشته است ! رقابت سخت تر شده و گوگل باهوش تر...در حال حاضر دو مشکل بزرگ پیش روی ما قرار دارد:1. رفتار سخت گیرانه و هوشمندانه تر الگوریتم های گوگل در مقایسه با چندسال قبل2. اسکرول نکردن بیش از 75 درصد کاربران، بعد از لینک 10 (یعنی از صفحه ی اول جلوتر نمی روند)دقیقا اینجاست که هم نیاز داریم به لینک های اول برسیم، هم نمی توانیم با روش های روتین و سنتی سابق نتیجه بگیریم !پس راه حل چیست؟ایستادن در محل تلاقی سرچ با هوش مصنوعی (AI)، یادگیری ماشین و در نهایت علم داده !علم داده (Data science) به چه معناست؟"کشف و استخراج دانش و الگوهای پنهان از داده های خام با بهره گیری از ابزارهای مختلف، الگوریتم ها و اصول یادگیری ماشین"در واقع علم داده مفهومی برای یکپارچه‌سازی آمار، تحلیل داده، یادگیری ماشین و دیگر مفاهیم مرتبط در قالب یک عنوان واحد است. هدف از این علم درک و تحلیل پدیده ها با بهره گیری از داده های عددیست.البته دانستن این موضوع که علم داده خیلی فراتر از این تعاریف است، خالی از لطف نیست! اما برای داشتن یک درک کلی، می توانیم به تعاریف فوق بسنده کنیم.اولین بار در سال 1962 میلادی، ریاضیدان آمریکایی جان توکی مقاله ای تحت عنوان "آینده ی تحلیل داده" انتشار داد. بعد از آن مقالات بسیاری در ارتباط با این حوزه و پیشرفت تحلیل داده ها منتشر شد تا سرانجام در سال 2001 یکی از دانشمندان آمریکایی در حوزه ی علوم کامپیوتر به نام ویلیام کلیولند، اصطلاح علم داده را مطرح کرد. او در مقاله ای تحت عنوان "علم داده: برنامه‌ای برای گسترش جنبه‌های فنی در رشته آمار" پیشنهاد داد تا علم داده به عنوان یک رشته ی مستقل معرفی و دنبال شود.علت این کار این بود که استفاده از علم تحلیلگران داده محدودیت داشت. زیرا از طرفی با متخصصین کامپیوتر طرف بودیم که شناخت کمی از کار با داده های عددی داشتند و از طرف دیگر با متخصصین آمار طرف بودیم که دانش کامپیوتر و برنامه نویسی بالایی نداشتند. پس نیاز به تربیت متخصصانی بود که در هر دو حوزه که پایه های اصلی علم داده هستند، مهارت کافی داشته باشند.البته این مقاله در مورد علم داده نیست و بهتر است بیشتر از این توضیح ندهیم. بیایید به سراغ فواید علم داده برای سئو برویم.چرا متخصصان سئو به علم داده نیاز دارند؟همانطور که توضیح داده شد، علم داده اطلاعات جالبی را از داده های خام به شما ارائه می دهد. پس به این ترتیب می توانید اطلاعات ارزشمندی در مورد عملکرد وب سایت خود به دست آورید. این اطلاعات می توانند در بهبود بهینه سازی سایت موثر باشند. با بررسی نمودار زیر که از گوگل ترند دریافت شده است، میتوانید میزان افزایش علاقمندی کاربران به Data Science را در 6 سال اخیر مشاهده کنید.همانطور که مطلع هستید، الگوریتم های جدید گوگل بر اساس رفتار کاربر، شما را می سنجند. هرچه کاربران بیشتری به سایت شما علاقمند باشند، رتبه ی بهتری نصیب شما خواهد شد.حالا تصور کنید به راحتی بتوانید رفتار کاربران را برای تغییرات سایت پیش بینی کنید ! و به راحتی بتوانید متوجه بشوید عکس العمل کاربران به استراتژی های شما چیست. و دقیقا اینجا جایی است که علم داده به کمک شما می شتابد.شما می توانید به سادگی و با استفاده از علم داده روندهای آینده را پیش بینی کنید و با استفاده از تجزیه و تحلیل داده ها و یادگیری ماشین رفتار کاربران و مشتریانتان را پیشگویی کنید. برای مثال، وب سایت Netflix سریال های خود را بر اساس رفتار کاربر و علایق آن ها تولید می کند . می توانید حدس بزنید چه فایده ای دارد؟ بله ! ورودی بیشتر :) و این دقیقا چیزی است که در سئو به دنبال آن هستیم.یکی دیگر از فواید علم داده برای متخصصین سئو، تحلیل داده های حجیم یا اصطلاحا big data است.تصور کنید یک دیتاست (data set) نسبتا بزرگ از بانس ریت صفحات وب سایتتان از گوگل آنالیتیکس استخراج کردید. با توجه به محدودیت زمانی و ابزارهای مورد استفاده چند مورد از آنها را می توانید بررسی کنید؟ چقدر دقیق می توانید همه ی آن ها را به خاطر بسپارید و به یک نتیجه گیری قطعی و درست برسید؟حالا همین مسئله را به وب سایت های بزرگی مثل آپارات و یا دیجیکالا تعمیم بدهید. چطور می توانند رفتار تک تک میلیون ها کاربر را به صورت ماهانه زیر ذره بین بگذارند و بررسی کنند؟و دقیقا اینجاست که دیتاساینس می تواند به سادگی آن ها را تحلیل کرده و میلیون ها عدد را تبدیل به دانش قابل فهم برای انسان ها کند.تا این قسمت متوجه شدیم علم داده چیست و چگونه می تواند به متخصصان سئو کمک کند. در ادامه می خواهیم به صورت مرحله ای توضیح دهیم که چگونه می توانید از این علم میان رشته ای بهره بگیرید.مراحل استفاده از علم داده برای بهبود سئو وب سایتدر مرحله اول کافیست ابزارهایی را برای جمع آوری دیتای مناسب انتخاب کنید. هرچه داده های بیشتر و درست تری در اختیار داشته باشید، نتیجه گیری مفیدتری نصیبتان خواهد شد. برای دریافت این داده ها به ابزارهای کاربردی و دقیق در حوزه ی سئو نیاز دارید. ابزارهایی مثل Semrush، Ahref و گوگل آنالیتیکس و یا مشابه های آن مانند یاندکس می توانند در این زمینه به شما کمک کنند.سپس در مرحله ی بعدی تفکر خود را به سمت اکوسیستم سئو ببرید نه فقط جمع آوری داده و استفاده از ابزارهای گوناگون. برای شفاف سازی این بخش لازم میدانم اشاره ای به تعریف اکوسیستم داشته باشیم. طبق تعریفی که یک گیاه شناس انگلیسی به نام روی کلافام ارائه داده است:“مجموعه المان‌های فیزیکی و المان‌های بیولوژیک که در کنار هم قرار می‌گیرند و در رابطه با یکدیگر یک سیستم را خلق می‌کنند اکوسیستم نام دارد."که همانطور که آقای شعبانعلی در وب سایت متمم نوشته است :"امروزه اصطلاحاتی مانند اکوسیستم کارآفرینی، اکوسیستم اقتصادی، اکوسیستم دیجیتال، اکوسیستم وب، اکوسیستم کاربران و اکوسیستم سیاسی مورد استفاده قرار می‌گیرند و معنای اکوسیستم، از تعریف اولیه‌ی آن که تعامل موجودات زنده و غیرزنده در محیط مشخص بود، به میزان قابل توجهی فاصله گرفته است."پس می توانیم در این حوزه هم از واژه ی اکوسیستم استفاده کنیم.اگر مسئول سئو یک وب سایت خیلی رقابتی و سخت هستید، و سئو وب سایت شما علاوه بر مباحث اولیه ی بهینه سازی داخلی و خارجی با دیجیتال مارکتینگ درگیر است (برای مثال مباحثی مثل بازاریابی محتوا، بهینه سازی نرخ تبدیل (CRO)، مدیریت تجربه مشتری (CX) و فروش) به یک راه حل اکتفا نکنید ! موفقیت به صرف تمرکز روی ابزارها و خروجی گرفتن از داده های آنها و بررسی هر کدام به طور جداگانه بدست نمی آید. شما زمانی موفق می شوید که بتوانید از تلفیق همه ی داده ها به صورت همزمان استفاده کنید.رویکرد "علم داده" در مورد SEO دقیقا شامل تلفیق روش ها و ابزارها و داده های استخراج شده از آنهاست. به روشی که بینش های عمیق و دقیقی از ترکیب داده های تجمعی به دست می آورد. این مسئله به این معناست که ما صرفا روی داده ها یا ابزارها متمرکز نشده ایم. بلکه با بررسی یک اکوسیستم کلی، به نتایج جامع رسیده ایم.در مرحله ی سوم سئو را با دیگر مباحث بازاریابی هماهنگ کنید. همه ی ما به خوبی میدانیم که سئو با مباحثی مثل دیجیتال مارکتینگ، برندینگ و فروش درگیر است. پشتیبانی از سئو با مباحث بازاریابی، می تواند نتایج خوبی را برای شما به همراه داشته باشد.همکاری و هماهنگی بیشتر با برنامه نویس ها، طراحان رابط کاربری (UI) ، متخصصان تجربه ی کاربری (UX) و تیم های پشتیبانی می تواند فاکتورهای بسیاری را برای بهبود رتبه وب سایت شما فراهم کند. تمام کاری که باید انجام دهید، استخراج دیتا از تمام حوزه ها و بررسی تمام متغیرهای وابسته و غیروابسته است. برای مثال تغییر رنگ یک صفحه منجر به افزایش یا کاهش فروش می شود. پس علاوه بر جمع آوری دیتا از ابزارهای وابسته به سئو، به فکر جمع آوری دیتای عددی از تیم های دیگر یا المان های دیگر سایتتان باشید.در مرحله چهارم با کمک علم داده مجموعه دیتای بدست آمده را مصور سازی کنید. برای این کار ابزارهایی مثل Tableau، Power BI، Matplot و ... به شما کمک خواهند کرد. البته ممکن است شما شخصا به Data visualization مسلط نباشید و نیاز به برون سپاری باشد.هدف اصلی مصورسازی داده ها، کشف روابط است. زیرا ذهن انسان قابلیت پردازش تعدادی زیادی داده به صورت پراکنده را ندارد. و زمانی که آنها را به صورت نمودار ببیند، می تواند روابط پنهان شده بین داده ها را به راحتی کشف کند. هرچه داده ها حرفه ای تر مصورسازی شوند، اطلاعات بیشتری را به شما نمایش خواهند داد.برای مثال شما تایتل یه صفحه را که در حال حاضر در رتبه ی 1 قرار دارد، تغییر داده اید. 3 ماه بعد، دیتای روزانه ی کلیک روی این صفحه را با 3 ماه قبل مقایسه می کنید. با یک مصور سازی خوب، می توانید نتیجه بگیرید تغییر تایتل چه تاثیری بر میزان CTR شما داشته است.و در نهایت، تمام کاری که باید بکنید اجرای A/B Testing است. به مثال قبل برمیگردیم. فرض کنید صفحه ای که تیتر آن را تغییر داده اید، در مورد نقد و بررسی یک کتاب است. شما تایتل را تغییر داده اید و ctr رشد کرده است.آیا می توان نتیجه گرفت به علت تغییر تایتل افزایش نرخ کلیک داشته اید؟آیا امکانی بر دلایل بیرونی وجود ندارد؟یا فرض کنید جای دکمه ی خرید را تغییر داده اید و فروشتان چند برابر شده است. آیا می توانید نتیجه بگیرید جای جدید دکمه باعث افزایش فروش شده است؟ یا ممکن است شانسی باشد؟ برای مثال تمام کاربرانی که در آن بازه وارد سایت شما شده اند، از نظر ذهنی جای دکمه ی جدید را ترجیح میدادند! و یا بر حسب اتفاق درصد بیشتری از کاربران ورودی، مشتریان بالفعل شما بوده اند و تمایل به خرید صد در صدی داشتند. پس بدون محاسبه نمی توانید افزایش فروش را به طور قطعی به جابجایی دکمه نسبت دهید !علاوه بر این، فرض کنید اخیرا مدیر سئو خود را تغییر داده اید، و در 6 ماهی که روی وب سایت شما فعالیت داشته، نسبت به 6 ماه مشابه در سال قبل، افزایش ورودی در وب سایت داشته اید ! آیا تلاش مدیرسئو جدید بیشتر بوده و یا این مسئله شانسی است؟تمام این موارد را به راحتی میتوانید با علم داده محاسبه کنید، و تصمیم گیری را به ریاضیات و ماشین لرنینگ واگذار کنید !کافیست دیتاساینتیست مجموعه ی شما و یا حتی خودتان (اگر علاقه ای به دیتا ساینتیست شدن داشته و مقاله‌ی "چطور قدم به دنیای دیتاساینس بگذاریم؟" را خوانده اید) با استفاده از آزمون هایی مثل t-test ، Shapiro و یا Chi-square نرمال بودن دیتاست و یا شانسی بودن افزایش و کاهش را بررسی کنند.به همین راحتی می توانید تغییراتی روی وب سایتتان اعمال کنید و با آنالیز داده ها، بهترین مسیر را انتخاب کرده و آن را ادامه بدهید.نتیجه گیری:علم داده می تواند جایگزینی برای حدس و گمان متخصصان سئو در تصمیم گیری باشد. با بهره گیری از این دانش، می توانید به جای اینکه فرض کنید چه المان هایی در سئو وب سایتتان موثر بودند، یا حدس بزنید چه فاکتورهایی در افت یا پیشرفت روند کار شما تاثیر داشتند و یا در مورد اینکه یک اقدام خاص چگونه بر اهداف آینده شما تاثیر خواهد گذاشت پیش بینی های ذهنی انجام دهید، با قطعیت بالا و محاسبات و منطق ریاضی، با بهره گیری از تلفیق آمار و برنامه نویسی اقدامات انجام شده را آنالیز کرده و برای اقدامات آتی پیش بینی هایی دقیق انجام دهید.در حال حاضر شرکت های موفقی که دیتابیس های بزرگی دارند نیز از علم داده بهره می برند. شرکت هایی مثل اسنپ، تپسی، دیجیکالا، آپارات و غیره همگی جای خالی متخصصان دیتاساینس را در مجموعه خود احساس کرده و با استخدام آنها، تصمیمات بهتری را برای مجموعه شان به ارمغان آوردند. مریم درودی مریم درودی Sun, 29 Nov 2020 21:50:34 +0330 https://virgool.io/@maryamdoroudii/%DA%A9%D8%AA%D8%A7%D8%A8%D8%AE%D8%A7%D9%86%D9%87%DB%8C-numpy-%D9%BE%D8%A7%DB%8C%D8%AA%D9%88%D9%86-%D8%B1%D8%A7-%D8%A7%D8%B2-%D8%A7%DB%8C%D9%86%D8%AC%D8%A7-%D8%B4%D8%B1%D9%88%D8%B9-%DA%A9%D9%86%DB%8C%D8%AF-wnkhntkfozgp قبل از اینکه هر چیزی رو یاد بگیریم، لازمه به 2 سوال جواب بدیم (البته به خودمون!) :چرا باید یاد بگیرم؟چطوری یاد بگیرم؟توی این نوشته اول سعی می‌کنم به سوال شماره 1 جواب بدم و بعد یک الفبای مقدماتی از ورود به دنیای NumPy رو می‌نویسم. چرا یادگیری NumPy ضروری است؟وقتی می‌خواین قدم به دنیای علم داده بذارین، تا چشم کار می کنه ریاضیه... زبان پایتون علی رغم تموم قدرت و گستردگی که داره برای محاسبات عددی طراحی نشده و در این زمینه کند عمل می‌کنه!پس راه حل چیه؟اینجاست که کتابخانه‌های پایتون برای کمک به شما می شتابند ! فقط کافیه با آگاهی از نیازتون و عملکرد هر کتابخانه، بهترین گزینه رو انتخاب کنین. کتابخانه NumPy یکی از قدرتمندترین کتابخانه‌های زبان پایتون به شمار میره که برای محاسبات آرایه‌ای، انتخاب بی‌نظیریه. چرا این حرف رو میزنم؟ دلایل زیر رو بخونین :)کتابخانه NumPy برای ذخیره‌ی داده‌ها از حافظه‌ی خیلی کمتری استفاده می‌کنه. و این به معنای واقعی یه حسنه ! توی NumPy می‌تونین به راحتی یه ماتریس n x n بسازین. و همونطور که میدونین توی علم داده با ماتریس ها طرفین !توی NumPy برای تمام محاسبات ماتریسی اپراتور تعریف شده و به سادگی می‌تونین محاسباتتون رو انجام بدین و نیاز به تعریف کدهای طولانی و ریاضیاتی نیست. مثلا می‌تونین دترمینان حساب کنین یا ترانهاده رو بدست بیارین.سریعه ^_^ در این مورد یه مقاله توی سایت Geeksforgeeks منتشر شده که با محاسبات عددی نشون میده آرایه‌های NumPy دقیقا چند ثانیه از لیست‌های پایتونی سریع‌تره ! اگه دوست داشتین (البته توصیه می‌کنم دوست داشته باشین! ) می‌تونین یه نگاه به " ?Why Numpy is faster in Python " بندازین.امیدوارم تا اینجا قانع شده باشین که NumPy چیز خوبیه :))شروع NumPy به همین سادگیخب همونطور که می‌دونین توی پایتون وقتی می‌خوایم از یه کتابخانه استفاده کنیم، باید فراخوانیش کنیم و این کار رو با ایمپورت کردن انجام می‌دیم.نکته: تعدادی از کتابخانه‌ها در پایتون به صورت دیفالت نصب نیستن و باید از دستور pip پکیج مورد نظرتون رو نصب کنید. ولی من یه توصیه بهتر دارم ( البته توصیه من نیست :)) توصیه‌ی اهل علم داده‌اس! ) و اون هم اینه که به جای پایتون از آناکوندا ( دانلود آناکوندا ) استفاده کنین. و اون به صورت دیفالت تمام پکیج‌های مربوط به علم داده رو با خودش نصب می‌کنه و فقط کافیه چیزی رو که می‌خواین import کنین.> پس برای شروع می‌نویسیم:import numpy as npبین کسایی که کارای مربوط به داده کاوی انجام میدن رایجه که numpy رو تحت عنوان np فراخوانی می‌کنن تا دستورات بعدی رو به صورت خلاصه بنویسن.توی NumPy به جای لیست از آرایه استفاده می‌کنیم.> ساخت آرایه در NumPy:np.array(Example list)برای ساخت یک آرایه‌ی NumPy کافیست یک لیست پایتونی به آن بدهیم.شاید براتون این سوال پیش بیاد که این خروجی چه فرقی با لیست پایتونی داره ! و باید بهتون بگم:با دقت‌تر نگاه کنید :)بین هر آیتم ویرگول قرار نگرفته و از اون مهم‌تر،> بررسی نوع آرایه:type(Example array)که در نهایت می‌بینین که یه آرایه‌ی NumPy دارین.نکته: اگر یک لیست عادی بدهیم، یک آرایه یک بعدی یا اصطلاحا یک ماتریس با یک سطر ساخته می شود. اما اگر بخواهیم یک آرایه چند بعدی بسازیم، کافی است لیستی از لیست ها بسازیم.یادآوری ریاضیات:آرایه یک بعدی (1xn) = بردار (Vector)آرایه دو بعدی (mxn) = ماتریس (Matrix)آرایه سه بعدی (mxnxp) = تنسور (Tensor)> ساخت ماتریس صفر:np.zeros((row,column))که این دستور با هر تعداد سطر و ستونی که بخواین براتون ماتریس صفر میسازه. > ساخت ماتریس یک:np.ones((row,column))که با این دستور با هر تعداد سطر و ستونی که بخواین براتون ماتریس با آیتم یک میسازه.> ساخت ماتریس یکه:np.eye(number of rows and columns)همانطور که میدانید ماتریس یکه یک ماتریس مربعی با قطر اصلی یک است.> ساخت ماتریس با عدد دلخواه:np.full((row,column), the number)که با اینکار یک ماتریس nxm با عدد ثابت ساختیم.نکته: می توانیم به جای اینکار، ماتریس یک را در عدد ثابت مورد نظر ضرب کنیم. تنها تفاوت این است که این بار به جای Integer، خروجی Float است. > ساخت ماتریس در یک بازه مورد نظر:np.arange(The first number, The last number, Common difference)که خروجی ماتریسی با 1 سطر و n ستون است. اعداد ماتریس تصاعد عددی با قدرنسبت داده شده هستند. اگر قدر نشبت ندهیم آن را به صورت دیفالت 1 در نظر می‌گیرد. و اگر به جای عدد اول و آخر، فقط یک عدد بدهیم از صفر تا عدد داده شده نوشته می شود. > پیدا کردن تعداد سطر و ستون ماتریس:example_array.shapeکه در این حالت Rank ماتریس (یعنی تعداد بعدهای آن) و همینطور Shape ماتریس (یعنی سایز آن در هر بعد) به شما داده می‌شود. > پیدا کردن تعداد سطرهای ماتریس:len(example_array)> پیدا کردن مجموع آیتم‌های یک آرایه عددی:example_array.sum()> پیدا کردن بیشترین و کمترین آیتم یک آرایه عددی:example_array.max() example_array.min()> محاسبه میانگین آیتم‌های یک آرایه عددی:example_array.mean()البته توجه کنید تمام این موارد به دو شکل زیر قابل نوشتن است. > محاسبه انحراف استاندارد:example_array.std() یادآوری ریاضیات:تعریف انحراف استاندارد: جذر واریانس تعریف واریانس: مجموع مربعات انحراف‌ها تقسیم بر یکی کمتر از تعدادتعریف انحراف: اختلاف هر داده از میانگین> پیدا کردن بیشترین index:example_array.argmax() > ترکیب کردن دو ماتریس:list(zip(array_ex1,array_ex2)> ترکیب دو ماتریس به صورت ردیفی:np.vstack( [array_ex1 , array_ex2) ] > ترکیب دو ماتریس یه صورت ستونی:np.hstack( [array_ex1 , array_ex2) ]> گرفتن قطر اصلی ماتریس:np.array(example_array)> تکرار ماتریس به صورت سطری:np.array([example_matrix] * number)> تکرار آرایه به صورت سطری:np.repeat([example_matrix] , number)> تولید ماتریس شامل یک تصاعد حسابی:np.linspace(first_number, last_number, number)تفاوت این دستور با دستور arrange در است که در دستور arrange عدد آخر قدرنسبت است، ولی در دستور linspace تعداد مورد نظر را می دهیم و یک بازه به تعدادی که میخواهیم تقسیم می شود.تعداد زیادی دستور تو این کتابخانه وجود داره. اما برای اینکه هم حوصله شما سر نره و هم محتوا بیشتر از این طولانی نشه، من این نوشته رو همینجا تموم می کنم. این دستورات رو به خوبی تمرین کنین و بهتون قول میدم که برای شروع کافی خواهند بود.بعد از یاد گرفتن این کدها، می تونید به وب‌سایت رسمی Numpy مراجعه کنین و از بخش Documentation دستورات بیشتری رو آموزش ببینین. مریم درودی مریم درودی Fri, 11 Sep 2020 16:00:17 +0430 https://virgool.io/dataio/%DA%86%D8%B7%D9%88%D8%B1-%D9%82%D8%AF%D9%85-%D8%A8%D9%87-%D8%AF%D9%86%DB%8C%D8%A7%DB%8C-%D8%AF%DB%8C%D8%AA%D8%A7%D8%B3%D8%A7%DB%8C%D9%86%D8%B3-%D8%A8%DA%AF%D8%B0%D8%A7%D8%B1%DB%8C%D9%85-ar5toignlcla مسیر مهاجرت من از فیزیک اتمی به سئو و در نهایت دیتاساینسمن توی دانشگاه فیزیک اتمی خوندم. بله فیزیک اتمی به صورت نسبتا ناآگاهانه ! اما به زمان زیادی نیاز نبود تا بفهمم مباحث تئوری مطلق برام "هیچ" جذابیتی نداره ! و درست همینجا بود که تصمیم گرفتم مسیر حرفه ایم رو تغییر بدم...اول لازمه که بگم که یکی از ویژگی‌های عجیب من اینه که مباحث خیلی زود برام تکراری میشن. پس توی وهله ی اول نیاز به فیلدی داشتم که اونقدر گسترده باشه که حالا حالاها نتونه برام تکراری بشه!توی وهله دوم میدونستم که قراره با کامپیوتر کار کنم و این جزو معیارهای شغلیم بود.در نهایت دنبال علمی بودم که به روز باشه و بتونم براش پلن بلند مدت بچینم. دقیقا اینجا بود که با علم سئو آشنا شدم. زمان‌هایی که مشغول آموزش سئو بودم یا سعی در آنالیز وب سایت‌ها داشتم، نه تنها برام همیشه جذابیت داشت و تکراری نمی شد، بلکه گذر زمان رو حس نمی کردم و خستگی برام نامفهوم بود. چی شد که با علم داده آشنا شدم؟کم کم با ابزاری مثل گوگل آنالیتیکس شروع به کار کردم و نگاه کردن به داده ها و تصمیم گیری بر مبنای اونها جذاب ترین کاری بود که توی عمرم انجام داده بودم. وقتی بیشتر در مورد گوگل مطالعه کردم و با عملکردش آشنا شدم، توجهم به طور ویژه ای به ماشین لرنینگ و هوش مصنوعی جلب شد ! اینکه میدیدم تبلیغات کلیکی مطابق با علایقم بهم نمایش داده میشه به قدری هیجان زده می شدم که حد نداشت !توی دوره ی کارشناسی و دانشگاه با نزم افزار متلب کار کرده بودم و برنامه نویسی خیلی دور از ذهنم نبود. دلم میخواست یه زبان برنامه نویسی بلد باشم. پس تصمیم گرفتم برنامه نویسی رو هم به مهارتام اضافه کنم، با یه نیم نگاهی به جاوا و پایتون، می تونستم با اطمینان بگم که شیفته ی پایتون شدم. پس ادامش دادم ! هرچی بیشتر آموزش میدیدم میفهمیدم که توی مسیر درستی قرار گرفتم و دقیقا مشابه چیزیه که می خوام !اما عطش یادگیری به همینجا خلاصه نمی شد!وقتی پای ماشین لرنینگ و کتابخونه های پایتون میومد وسط، نیازم به جبرخطی و مباحث آماری بیشتر میشد. به خاطر رشته ی دانشگاهیم پایه ی ریاضیم بد نبود اما خیلی از مباحث آماری سر در نمیاوردم. پس شروع کردم به یادگیری مبانی جبرخطی و مباحث مرتبط با آمار. در این بین اصطلاحاتی به گوشم میخورد که بعدها باعث شد با دیتاماینینگ آشنا بشم. و خب مگه میشه آدم بدون زبان آر بره سمت ریاضیات؟ پس نیاز بود زبان آر رو هم به آموزش هام اضافه کنم.می بینین؟ درست همونجوری که گفتم وارد دنیایی شده بودم که انتهایی نداشت و برای ادامش فقط به لپ تاپ و اینترنت احتیاج داشتم . این دقیقا یعنی همون چیزی که ته ذهنم بدون اینکه بشناسمش، عاشقش بودم :)انقدر به همشون علاقه داشتم که نمی تونستم تصمیم بگیرم به کدوم سمت حرکت کنم. هرشب ساعت ها سرچ می کردم تا بتونم به این نتیجه برسم که کدوم رو به صورت حرفه ای دنبال کنم. تا در نهایت با علمی آشنا شدم که به طرز حیرت آوری همه ی اون مباحث رو پوشش میداد و اون چیزی نبود جز دیتاساینس!کار با دیتابیس، برنامه نویسی، استفاده از ریاضی، تصمیم گیری بر مبنای دیتا برای یک کیس یا بیزنس، مصور سازی داده ها، سروکله زدن با دنیای عجیب و بی نظیر هوش مصنوعی و ماشین لرنینگ دقیقا از وظایف یک دیتاساینتیست بود ! حالا من یه مسیر پیدا کرده بودم که منو به پکیج علایقم میرسوند ^_^ مسیر پیشنهادی من برای ورود به Data Science1. پایتون رو عملا به فرزندی قبول کنید ! باهاش آشنا بشین و کتابخانه های numpy,pandas,tensorflow, keras,scikit-learn,matplotlib رو بذارین توی اولویت ! موقع نصب، به جای پایتون آناکوندا رو نصب کنین. و اگه تابه حال اسم Jupyter رو نشنیدین، یه نگاه بهش بندازین.2. زبان R رو دوست داشته باشین بعضی جاها به کارتون میاد :)3. مباحث جبر خطی و ماتریس ها و تنسورها و همینطور مباحث مرتبط با آمار لازمه ی شروع این علمه. پس همین امروز استارت بزنین4. اگه با علوم کامپیوتر آشنایی ندارین، با جدیت بیشتری با ساختمان داده ها و الگوریتم ها برخورد کنین!4. عملکردها و الگوریتم های ماشین لرنینگ رو یاد بگیرین5. از دیپ لرنینگ غافل نشین!6. روش های دیتا ماینینگ رو آموزش ببینین7. دیتابیس و SQL رو از قلم نندازین8. به این فکر کنین که حجم دیتاها رو به افزایشه. پس بیگ دیتا هم به لیستتون اضافه کنین. اگه یه نیم نگاهی هم به ابزارهاش مثل Hadoop و spark داشته باشین به پیشرفتتون کمک می کنه9. شبکه های عصبی منتظرن شما باهاشون آشنا بشین10. احتمالا بد نباشه که از پردازش تصویر و متن و زبان های طبیعی هم با خبر باشین11. اگه هنوز در مورد هوش مصنوعی نخوندین ازش دریغ نکنین!12. مطالعه کنین ! مطالعه کنین ! مطالعه کنین !تبریک می گم شما یک دیتا ساینتیست شده اید ! یکی از بزرگان این حوزه می فرمایند: علم داده ماراتون است نه دو سرعتی ! و باید آهسته و پیوسته ادامش بدین.البته نترسین! وارد اقیانوسی شدین که حالا حالا ها تمومی نداره. آموزشا رو به یه حد قابل قبولی که رسوندین، شروع کنین پروژه انجام بدین. توی سایت های منبع، پروژه های تستی و آزمایشی پیدا میشه . با خودتون رو راست باشین، اگر واقعا عاشقشین برید سمتش... وگرنه بعد از یه مدت براتون خسته کننده میشه و چون حجم مباحث زیاده، پیشرفتتون کند دیده میشه و ممکنه از انگیزتون کم کنه ! اما اگه مثل من ایمان دارین که این تنها مسیریه که شما رو به همه ی خواسته های شغلی و حرفه ایتون میرسونه، از همین الان شروع کنین *_* مریم درودی مریم درودی Sat, 08 Aug 2020 16:41:29 +0430