https://virgool.io/feed/@mohtat Data Scientist & Big Data Strategist fa 2026-06-17 11:43:57 https://files.virgool.io/upload/users/26592/avatar/Ue4aRJ.png?height=120&width=120 https://virgool.io/@mohtat https://virgool.io/@mohtat/%D8%A8%D8%B1%D8%AA%D8%B1%DB%8C%D9%86-%D8%A7%D8%A8%D8%B2%D8%A7%D8%B1%D9%87%D8%A7%DB%8C-%D8%B9%D9%84%D9%85%D8%AF%D8%A7%D8%AF%D9%87-%D8%AC%D9%87%D8%AA-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%AF%D8%B1-%D8%B3%D8%A7%D9%84-2020-bbzwij32qigw انتخاب مسیر یادگیری درست براساس آخرین روندهای تکنولوژی و نیازهای بازار یکی از الزامات موفقیت در هر فیلدکاری هست. در ادامه برترین ابزارهای پیشنهادی جهت کسب موفقیت در فیلدکاری Data Science که توسط وبسایت springboard ارائه شده را معرفی میکنیم. قابل ذکر است با توجه به تفاوت بازارکار ایران با سایر کشورها برخی از ابزارها با علامت * بعنوان جایگزین موارد پیشنهادی این سایت معرفی شده‌اند.زبان برنامه‌نویسی:▪️Python▪️Rابزارهای یادگیری ماشین:▪️Scikit Learn▪️Weka* در میان نرم‌افزارهای داده‌کاوی در مقابل Weka پیشنهاد به یادگیری ابزارهایی همانند Knime, RapidMiner یا IBM Spss Modeler است.فریم‌ورک‌های یادگیری عمیق:▪️TensorFlow▪️Keras▪️Pythorchابزارهای تحلیل کلان‌داده:▪️Apache Spark▪️Hadoop MapReduce* در حوزه تحلیل‌ تحلیل کلان‌داده با توجه به وجود برخی محدویت‌های پردازشی در معماری Map Reduce پیشنهاد استفاده از کتابخانه‌های تحلیلی Apache Spark هست.کتابخانه‌های مصورسازی:▪️Matplotlib▪️Seaborn*ابزارهای هوش تجاری▪️Power BI▪️Tableau▪️Qlikاجرای Interactive پروژه‌های علم‌داده:▪️Jupyter Notebookپی‌نوشت:◾️سوالات متعددی پیرامون نحوه یادگیری ابزارها پرسیده میشود. قطعا بهترین منابع یادگیری در هر یک از ابزارهای پیشنهادی شرکت در دوره‌های آنلاین برترین دانشگاه‌های جهان در وبسایت‌های Lynda, Udemy, Edx, Coursera و... هست.◾️اگر در زبان انگلیسی ضعیف هستید قبل از یادگیری هر ابزار پیشنهاد میکنم برروی کسب این مهارت توجه ویژه نمایید تا پس از یادگیری آن بتوانید در بروزترین دوره‌ها و منابع آموزشی شرکت نمایید. محمدرضا محتاط - Mohamadreza Mohtat محمدرضا محتاط - Mohamadreza Mohtat Tue, 24 Dec 2019 10:26:08 +0330 https://virgool.io/hooshteam/statistics-for-data-science-y9xkqhw42npm یادگیری تخصصی تکنیک‌ها و الگوریتم‌های آماری همواره یکی از چالش‌های متخصصین علم‌داده است. در ادامه 10 تکنیک پرکاربرد آمار در پروژه‌های علم‌داده و داده‌کاوی معرفی می‌شوند.1- رگرسیون خطی (Linear Regression)2- الگوریتم‌های طبقه‌بندی (Classification)3- نمونه‌سازی (Resampling)4- کاهش بعد (Dimension Reduction)5- مدل‌های غیرخطی (Nonlinear Models)6- الگوریتم‌های بدون نظارت (Unsupervised Learning)7- الگوریتم ماشین پشتیبان بردار (SVM)8- متدهای انتخاب زیرمجموعه (Subset Selection)9- مدل‌های مبتنی بر درخت (Tree-Based Methods)10- روش Shrinkageدر شکل زیر به تفکیک، متدها و الگوریتم‌های مورد نیاز در هر دسته عنوان شده است. آموزش هدفمند در هر یک از این موارد در گسترش دانش آماری علاقه‌مندان می‌تواند بسیار مفید باشد.پی‌نوشت:در لینک زیر نیز یک جزوه تخصصی از مباحث آماری در یادگیری ماشین به زبان انگلیسی در 47 صفحه برای علاقه‌مندان این حوزه قابل دانلود است. https://gwthomas.github.io/docs/math4ml.pdf محمدرضا محتاط - Mohamadreza Mohtat محمدرضا محتاط - Mohamadreza Mohtat Mon, 07 Oct 2019 18:17:52 +0330 https://virgool.io/hooshteam/%D8%A8%D8%B1%D8%AA%D8%B1%DB%8C%D9%86-%D9%85%D9%87%D8%A7%D8%B1%D8%AA%D9%87%D8%A7%DB%8C-%D9%81%D8%B9%D9%84%DB%8C-%D9%88-%D8%A2%D8%AA%DB%8C-%D9%85%D8%AA%D8%AE%D8%B5%D8%B5%DB%8C%D9%86-%D8%B9%D9%84%D9%85%D8%AF%D8%A7%D8%AF%D9%87-ipcmpdsivqky به‌تازگی توسط وب‌سایت kdnuggets یک نظرسنجی از متخصصین علوم داده مبنی بر مهارت‌های فعلی (Have Skill) و مهارت‌های آتی (Want Skill) موردنیاز پرسیده شده است که با توجه به جامعیت نظرسنجی فوق می‌تواند راهنمایی مناسبی جهت تحلیل مهارت‌های موردنیاز بازار علم‌داده در آینده باشد. ✅ برترین مهارت‌های فعلی متخصصین علم‌داده:1️⃣ پایتون (Python)2️⃣ مصورسازی داده‌ها (Data Visualization)3️⃣ تفکر انتقادی (Critical Thinking)4️⃣ اکسل (Excel)5️⃣ مهارت‌های ارتباطی (Communications Skills)6️⃣ یادگیری ماشین (Machine Learning)7️⃣ آمار (Statistics)8️⃣ مهارت‌های پایگاه داده (SQL/Database Coding)9️⃣ فهم کسب‌وکار (Business Understanding)? ریاضی (Math)? برترین مهارت‌های آتی (توسعه دانش) متخصصین علم‌داده:1️⃣ یادگیری عمیق (Deep Learning)2️⃣ کتابخانه یادگیری عمیق تنسورفلو (TensorFlow)3️⃣ یادگیری ماشین (Machine Learning )4️⃣ پایتون (Python)5️⃣ آپاچی اسپارک (Apache Spark)6️⃣ پردازش زبان طبیعی (NLP - Text Processing)7️⃣ کتابخانه یادگیری عمیق پایتورچ (Pytorch)8️⃣ آمار (Statistics)9️⃣ داده‌های غیرساخت‌یافته (Unstructured Data)? سایر ابزارهای کلان داده (Other Big Data Tools)پی‌نوشت:◾️ افزایش میزان توجهات به کتابخانه یادگیری عمیق Pytorch، زبان Scala و ابزارهای Big Data با توجه به درصد رشد آن قابل‌توجه است.◾️در میان زبان‌های برنامه‌نویسی، کسب رتبه نخست توسط زبان پایتون و کاهش جایگاه زبان‌های برنامه‌نویسی R و Matlab، این زبان برنامه‌نویسی را تبدیل به برترین زبان در حوزه علم‌داده کرده است.◾️قرار گرفتن دو مهارت نرم (Soft Skill) تفکر انتقادی و مهارت‌های ارتباطی جز 5 مهارت برتر فعلی متخصصین علم‌داده نشان از میزان توجهات به این قبیل مهارت‌ها در این بازار کاری دارد. محمدرضا محتاط - Mohamadreza Mohtat محمدرضا محتاط - Mohamadreza Mohtat Sun, 22 Sep 2019 18:25:10 +0330 https://dataio.ir/مسیر-آموزشی-علمداده-woegbciqkkat یکی از مهم‌ترین گام‌های تبدیل‌شدن به یک متخصص علم‌داده، انتخاب مسیر آموزشی بهینه جهت آموزش مفاهیم و ابزارهای کارآمد منطبق با بازار کار است. موضوعی که توسط مؤسسات و دوره‌های آموزشی که در کشور نیز در حال گسترش است کمتر به آن توجه می‌شود.مسیر پیشنهادی زیر یکی از نمونه مسیرهای آموزشی مناسب جهت تبدیل‌شدن به یک متخصص علم‌داده و تحلیلگر کلان داده منطبق با بازار کار بین‌المللی و ایران هست. ? بخش مقدماتی:?پیش‌نیاز:یکی از مهم‌ترین‌ پیش‌نیازهای ورود به حوزه علم‌داده فراگیری مفاهیم پایه حوزه‌های آمار، داده‌کاوی و... است. آموزش ساختار و قواعد زبان‌ برنامه‌نویسی پایتون، توانایی کار با پایگاه داده‌های رابطه‌ای و اجرای کوئری‌های SQL ای نیز از دیگر پیش‌نیاز کلیدی می‌باشد.?علم‌داده با پایتون:پس از آموزش ساختار و قواعد زبان برنامه‌نویسی پایتون، در گام بعدی فراگیری کتابخانه‌های تحلیل داده این زبان برنامه‌نویسی حائز اهمیت است. کتابخانه‌ Pandas بابت تحلیل داده‌های ساخت‌یافته، کتابخانه Numpy جهت پیاده‌سازی مفاهیم پایه ریاضی و آمار، کتابخانه Matplotlib جهت مصورسازی داده‌ها، کتابخانه IPython جهت اجرای Interctive پروژه‌های علم‌داده و... در این گام مفید خواهد بود.?یادگیری ماشین:در این گام هدف پیاده‌سازی و اجرای پروژه‌های یادگیری ماشین می‌باشد. کتابخانه Scikit learn از مطرح‌ترین کتابخانه‌های زبان پایتون است که به‌وسیله آن امکان پیاده‌سازی اکثر پروژه‌های یادگیری ماشین فراهم خواهد شد. آموزش تخصصی این کتابخانه در پروژه‌های موردی بسیار مفید است.? بخش پیشرفته:در بخش پیشرفته تمرکز بر پلتفرم‌ها و ابزارهای نوظهور است که در صورت فراگیری آن امکان رشد بسیار سریع‌تر در این فیلد کاری میسر خواهد شد. ?یادگیری عمیق: با توجه به قابلیت‌های یادگیری عمیق در مسائل پیچیده، یادگیری فریم‌ورک‌ها و کتابخانه‌های یادگیری عمیق نقش به سزایی در موفقیت شما به‌عنوان یک متخصص علم‌داده خواهد داشت. کتابخانه‌های Tensorflow و Keras دو کتابخانه مطرح یادگیری عمیق هستند که آموزش یکی از این دو بسیار مفید خواهد بود. تمامی این کتابخانه‌ها دارای واسط برای زبان برنامه‌نویسی پایتون هستند.?کلان ‌داده:با توجه به افزایش سرعت، حجم و تنوع اطلاعات، در حال حاضر دو جایگاه متخصص علم‌داده و تحلیلگر کلان داده به‌مراتب به یکدیگر نزدیک شده‌اند و بعضاً در فرصت‌های شغلی متخصصین علم‌داده توانایی‌های مرتبط با حوزه Big Data نیز از پیش‌نیازهای اصلی است. آشنایی با اکوسیستم Hadoop و زیر پروژه‌های آن همانند Pig, Sqoop, Hive و... در این بخش پیشنهاد می‌شود.?آپاچی اسپارک:آپاچی اسپارک یکی از برترین پلتفرم‌های پردازشی در حوزه کلان داده است. فراگیری کتابخانه‌های یادگیری ماشین این پلتفرم(MLlib)، اجرای کوئری‌های SQL در این پلتفرم پردازشی (Sprak SQL) و... جهت رشد سریع‌تر شما در این حوزه کاری بسیار موثر است.پی‌نوشت:1- جهت یادگیری اصولی و کاهش پیچیدگی‌های آموزشی در این مسیر توصیه می‌کنم حتما گام‌ها به ترتیب طی شود. بعضاً برخی از علاقه‌مندان بدون دانش مقدماتی یا در شروع فرایندهای آموزشی به دنبال یادگیری مفاهیم و ابزارهای تخصصی یادگیری عمیق یا کلان داده می‌شوند. امری که سبب بروز پیچیدگی و کسب دانش سطحی خواهد شد.2- انتخاب موسسه و دوره آموزشی مناسب یکی از کاتالیزورهای موفقیت شما در این مسیر آموزشی دشوار اما جذاب است. اگر علاقه‌مند به شرکت در دوره‌های حضوری یا آنلاین هستید دوره جامع علم‌داده دانشگاه تهران یکی از برترین دوره‌های این حوزه می‌باشد.https://utperm.com/course/data-science-ut/ارادتمندمحمدرضا محتاط محمدرضا محتاط - Mohamadreza Mohtat محمدرضا محتاط - Mohamadreza Mohtat Sun, 04 Aug 2019 11:46:54 +0430 https://virgool.io/@mohtat/%D8%A7%D9%84%DA%A9%D8%A7%D9%85%D9%BE-98%D8%9B-%D9%BE%DB%8C%D8%B4%D8%AA%D8%A7%D8%B2%DB%8C-%D8%B1%D9%85%D8%B2%D8%A7%D8%B1%D8%B2%D9%87%D8%A7-%D8%B9%D9%82%D8%A8%D9%86%D8%B4%DB%8C%D9%86%DB%8C-%DA%A9%D9%84%D8%A7%D9%86%D8%AF%D8%A7%D8%AF%D9%87-hlxueya5tsz7 نمایشگاه الکامپ سال 1398 با شعار آینده بهتر از تاریخ 27 الی 30 تیر در محل دائمی نمایشگاه‌های بین‌المللی تهران برگزار گردید. در ادامه وضعیت نمایشگاه در مقایسه با سال‌های قبل نقد و بررسی خواهد شد.1- حضور کم‌فروغ شرکت‌های فعال در حوزه‌های کلان‌داده، علم‌داده، هوش‌مصنوعی و... در نمایشگاه‌ امسال یکی از موارد بسیار مشهود بود. در سالن گذشته بیش از 10 شرکت و استارت‌آپ به صورت تخصصی در این حوزه‌ها محصول و خدمات متنوعی ارائه کرده بودند. این تعداد چه از لحاظ کمیت و کیفیت در نمایشگاه امسال بسیار کمتر از سال گذشته بود.2- در مقابل، حضور استارت‌آپ‌ها / شرکت‌های فعال در حوزه بلاک‌چین (فناوری زنجیره بلوکی) بسیار بیش از حد انتظار بود. شرکت‌‌هایی که بعضا هر کدام از لقب "اولین" در بنر و تبلیغات خود استفاده کرده بودند. درصورت عدم رسیدگی و حل نشدن مشکلات قانونی و رگولاتوری که در مسیر توسعه این تکنولوژی قرار دارد، متاسفانه به نظر می رسد در رویدادهای آینده شاهد ریزش قابل توجه این دسته از شرکت‌های نوپا باشیم.3- یکی از تفاوت‌های مثبت نمایشگاه امسال با سال‌های گذشته، بخش «الکامپ ترندز» نمایشگاه بود. در نمایشگاه امسال سالن شماره 6 به شرکت‌های فعال در حوزه فناوری‌های نوین اختصاص داده شده بود. اختصاص این سالن و متمرکز کردن شرکت‌های فعال در حوزه فناوری‌های تحول‌آفرین جز تحولات مثبت نمایشگاه امسال بود.4- حضور مستمر و فعالانه وزیر و معاونین وزارت ارتباطات و فناوری اطلاعات، رئیس دفتر ریاست جمهوری، مدیران سازمان نظام صنفی رایانه‌ای و... در غرفه‌های شرکت‌ها و استارت‌آپ‌ها یکی دیگر از نکات مثبت نمایشگاه امسال بود. نکته‌ای که سبب تغییر رویکرد بخش دولتی به بخش خصوصی و به طبع توسعه اکوسیستم فناوری اطلاعات در کشور خواهد شد.5- الکام‌تاکز و برگزاری پنل‌های تخصصی جهت آموزش آخرین روندها، تکنولوژی‌ها و مفاهیم تخصصی توسط صاحب‌نظران و متخصیین حوزه فناوری اطلاعات کشور یکی دیگر از نکاتی هست که در نمایشگاه امسال جای تقدیر داشت. البته مواردی همچون عدم اطلاع‌رسانی متمرکز، مشخص نبودن مکانیزم داوری جهت انتخاب ارائه‌ها، عدم اختصاص جایگاه‌های سخنرانی مناسب در سالن‌های نمایشگاه و... از مشکلاتی بود که انتظار می‌رود در سال بعد برطرف گردند.امید است این اقدامات سبب افزایش هرچه بیشتر بلوغ فناوری اطلاعات در کشور گردد. محمدرضا محتاط - Mohamadreza Mohtat محمدرضا محتاط - Mohamadreza Mohtat Mon, 22 Jul 2019 12:13:06 +0430 https://virgool.io/@mohtat/%D9%83%D8%B4%D9%81-%D8%A7%D9%84%DA%AF%D9%88%DB%8C-%D8%B2%D9%86%D8%AF%DA%AF%DB%8C-%D8%A8%D8%B2%D8%B1%DA%AF%D8%A7%D9%86-tflctyzu1ltm بزرگ‌مردان دير يا زود شبيه هم می‌شوند. آن‌ها هرگز كار را متوقف نخواهند كرد. حتي لحظه‌ای را هم از دست نمی‌دهند. آدم پاك سرخورده می‌شود! جملات فوق جملاتي از مقدمه كتاب «آداب روزانه؛ روز بزرگان چگونه شب می‌شود» اثر مسين كاري می‌باشد. در این کتاب شرح احوال و عادات کاری یک‌صد و شصت‌ویک شخصیت مشهور بیان‌شده است. در میان این شخصیت‌ها، هم هنرمند و فیلسوف دیده می‌شود، هم موسیقیدان و نقاش و مجسمه‌ساز، و هم کارگردان و دانشمند. هم می‌توان از آدم‌های معروف چند قرن گذشته ردی پیدا كرد. شناسايي سبك زندگي آدم‌های موفق و الگوبرداري از آنان يكي از راه‌های میانبر در كسب موفقيت می‌باشد. در ادامه با بهره‌گیری از رهيافت تحليل داده، مهم‌ترین ویژگی‌های برنامه‌های روزانه اين افراد با پردازش متن صورت گرفته در کتاب آداب روزانه، برحسب ميزان اهميت و فراواني تقديم حضور می‌گردد.١- نوشتن: نوشتن برنامه‌های روزانه، خاطرات و كتاب جز یکی از برنامه‌های مستمر این افراد موفق بوده است.٢- مطالعه:مطالعه كتاب در ابعاد گوناگون مانند کتاب‌های رمان، تاريخي، روزنامه، مجلات و... در ساعات اولیه و پایانی روز نیز یکی از برنامه‌های کلیدی این افراد می‌باشد.٣- نوشيدن قهوه:نوشيدن مستمر قهوه در اوایل صبح در جهت کسب انرژی و خوردن صبحانه كامل یکی از نکات قابل‌توجه در زندگی روزانه افراد بزرگ بوده هست.٤- پیاده‌روی و ورزش:پیاده‌روی‌های طولانی‌مدت در جهت كسب خلاقيت و انجام فعالیت‌های ورزشی در راستای کسب سلامتی جز یکی از اقداماتی هست که این افراد نیز به‌صورت مستمر به آن پایبند بودند.٥- سحرخيزي:سحرخیزی و بیدار شدن در اوایل صبح یکی از مؤلفه‌های قابل‌توجه این افراد هست. اکثر افراد فوق در ساعاتی بین 4 الی 7 صبح به‌صورت کاملاً منظم بیدار می‌شدند. قابل‌ذکر هست که بیشترین فراوانی پیرامون ساعت 6 صبح بوده است.6- حمام:کسب انرژی با دوش آبسرد یکی از کارهای مستمر برخی از اين افراد در صبح می‌باشد.7- موسيقي:شنیدن موسیقی، نواختن پیانو و... نیز توسط برخی از این افراد در جهت کسب آرامش دنبال می‌گردید.8- مراقبه:مراقبه یا مدیتیشن در اول صبح نیز یکی از فعالیت‌های تأثیرگذار این افراد بوده است.همه به شما می‌گویند:"سال خوبی داشته باشید."ولي ما به شما می‌گوییم: "سال خوبی را برای خودتان خلق کنید"به فکر آمدن روزهای خوب نباشید!آن‌ها نخواهند آمدبه فکر ساختن باشیدروزهای خوب را باید ساختآرزو می‌کنیم بهترین معمار سال جدید باشید.ارادتمندمحمدرضا محتاط محمدرضا محتاط - Mohamadreza Mohtat محمدرضا محتاط - Mohamadreza Mohtat Sun, 14 Apr 2019 17:27:40 +0430 https://virgool.io/@mohtat/%D9%85%D8%AF%D9%8A%D8%B1%D9%8A%D8%AA-%D8%A8%D8%AD%D8%B1%D8%A7%D9%86-%D8%AF%D8%A7%D8%AF%D9%87%D9%85%D8%AD%D9%88%D8%B1-xmnnbymzzgtx سازمان مدیریت بحران کشور یکی از سازمان‌های دولتی ایران می‌باشد که زیرنظر وزارت کشور ایران فعالیت می‌کند و وظیفهٔ آمادگی و پیشگیری از بحران‌ها، مدیریت آنها و ارائه کمک‌های اولیه به آسیب‌دیدگان و ساماندهی و بازسازی مناطق آسیب‌دیده را به عهده دارد.با توجه به قابليت‌ها و كاركردهاي متنوع حوزه تحليل داده، مديريت بحران داده‌محور به صورت كاملا نظام‌مند در كشورهاي توسعه يافته در حال بهره‌برداري مي باشد.این در حالی است که متاسفانه اين حوزه در كشور همچنان مغفول واقع شده و در حال حاضر رويكردهاي كاملا سنتي در مديريت بحران‌ها استفاده می‌شود.در ادامه برخي از قابليت‌هاي حوزه علم‌داده در سازمان مديريت بحران كشور كه با اجرايي سازي آن قابليت مديريت بهتر برخي از بحران‌هاي اخير كشور نیز در آن ميسر بود بيان مي‌شود.١- پيش‌بيني بلاهاي طبيعي از قبيل سيل، طوفان، زلزله و...٢- مديريت بهينه منابع در زمان وقوع بحران شامل تخصيص منابع، اعزام نيرو، مسيريابي بهينه و...٣- پيش‌بيني و تشخيص شرايط جوي منتج به بحران٤- پيش‌بيني مخاطرات زيست محيطي٥- هشداردهي هوشمند به مردم بنا به موقعيت جغرافيايي و بحران‌هاي پيشرو٦- شناسايي نقاط حساس در جهت استقرار نیروهای امدادی٧- پايش و تحليل شبكه‌هاي اجتماعي در جهت شناسايي بحران‌هاموارد فوق تنها بخشي از كاربردهاي حوزه علم‌داده در سازمان مديريت بحران كشور خواهد بود. در واقع بهره‌گيري از قابليت‌هاي تحليل‌داده، راهكارهايي غيرقابل گريز در جهت تشخيص، پيش بيني و مديريت بحران‌هاي آتی كشور مي‌باشد.در همين راستا تشکیل كارگروه تحليل داده ذیل سازمان مديريت بحران كشور در كنار ساير كارگروه‌هاي موجود پیشنهاد می‌شود. كارگروهي كه تاسيس آن ميتواند راهكار علاج بسياري از مشكلات اين سازمان باشد.پي نوشت:١- با توجه به منفعت‌هاي عام اين امر، امكان تدوين برنامه اجرايي، ماموريت‌ها و فعاليت‌هاي اين كارگروه به همراه نيازسنجي تشكيل دپارتمان و بخش‌هاي مورد نياز به صورت كاملا خيرخواهانه برای سازمان مدیریت بحران وجود دارد.٢- يكي از ماموريت‌هاي ساده و اما مهم اين كارگروه ميتواند متولي‌گري پژوهش‌های مرتبط با بحران‌هاي پيشرو كشور شامل حمايت‌ از پژوهش‌هاي مرتبط، طرح صورت مسيله‌هاي روز، مطالعه مقالات انجام شده و... باشد. در انتها وقوع حوادث و بلاهاي اخير را خدمت خانواده‌هاي مصيبت ديده تسليت عرض مينماييم.ارادتمندمحمدرضا محتاط محمدرضا محتاط - Mohamadreza Mohtat محمدرضا محتاط - Mohamadreza Mohtat Sat, 30 Mar 2019 13:23:14 +0430 https://virgool.io/@mohtat/top-skills-2019-kchenvwcvqp1 در این جهان پرشتاب و رقابتی، توانایی یادگیری مهارت‌های جدید یکی از رموز موفقیت است. تمرکز بر مهارت‌های نرم(Soft Skill) در کنار مهارت‌های فنی و تکنیکال(Hard Skill) سبب افزایش جایگاه شما در کسب‌وکارها خواهد شد.در ادامه برترین مهارت‌های مورد تقاضا در سال 2019 بر اساس گزارش شبکه اجتماعی لینکدین به شرح زیر است.مهارت‌های نرم:1- خلاقیت (Creativity)2- هنر متقاعد کردن افراد(Persuasion)3- همکاری و مشارکت(Collaboration)4- قابلیت انطباق‌پذیری(Adaptability)5- مدیریت زمان(Time Management)مهارت‌های فنی و تکنیکال:1- رایانش ابری(Cloud Computing)2- هوش مصنوعی(Artificial Intelligence)3- استدلال تحلیلی(Analytical Reasoning)4- مدیریت افراد(People Management)5- طراح UXپی‌نوشت:یکی از جنبه‌های استدلال تحلیلی بهره‌گیری از تصمیم‌گیری‌های داده‌محور (Data-Driven Decision Making) در جهت اخذ تصمیمات بهینه خواهد بود. محمدرضا محتاط - Mohamadreza Mohtat محمدرضا محتاط - Mohamadreza Mohtat Mon, 18 Mar 2019 18:45:02 +0330 https://dataio.ir/open-data-kd5fpql3wt3s شرکت دیجی‌کالا در اقدامی ارزشمند چندین دیتاست این فروشگاه اینترنتی را با رعایت حریم خصوصی مشتریان خود به‌صورت رایگان در اختیار علاقه‌مندان قرار داده است. برنامه داده‌های باز دیجی‌کالا نکست به‌تازگی با هدف ارائه بستر مناسب برای تحقیق و توسعه در حوزه‌ علوم داده شروع به کار کرده است. در ادامه برخی از دیتاست‌های انتشاریافته و کارکردهای آن در حوزه علم‌داده معرفی شده است.1- دیتاست نظرات کاربران:این داده‌ها شامل یکصد هزار نمونه از نظرات کاربران است که شامل چندین نظر برای یک محصول می‌باشد. از موارد استفاده این داده‌ها می‌توان به پردازش زبان طبیعی، تحلیل احساسات، طبقه‌بندی بر اساس کیفیت نظرات، شناسایی اسپم و تحلیل‌های روانشناسی اشاره کرد.2- دیتاست تاریخچه خرید مشتریان:این داده‌ها، شامل یکصد هزار خرید توسط مشتریان است که همانند سایر داده‌های دیجیکالا بی‌نام شده‌اند تا حریم شخصی مشتریان حفظ شود. این داده‌ها دارای زمان و موقعیت مکانی می‌باشد. از موارد پیشنهادی استفاده از این داده‌ها می‌توان به تحلیل روندها در میان شهرها، پیش‌بینی خرید و سفارش مشتریان و دسته‌بندی مشتریان اشاره کرد.3- دیتاست کیفیت نظرات محصولات:این داده‌ها شامل تاریخچه بیش از یکصدهزار محصول می‌باشد. از موارد پیشنهادی تحقیقاتی شناسایی ناهنجاری‌ها(anomaly detection)، پیش‌بینی قیمت‌های آینده، تحلیل آماری قیمت و پایداری در میان طبقه‌بندی‌ها و استفاده از یادگیری ماشین جهت شناسایی قیمت‌های نادرست توسط فروشنده‌ها می‌باشد.4- دیتاست لیست محصولات:این داده‌ها شامل یکصدهزار نمونه از محصولات و طبقه‌بندی آن‌ها می‌باشد. کاربردهای پیشنهادی برای این دیتاست، پیش‌بینی طبقه‌بندی، شناسایی ناهنجاری(anomaly detection)، شناسایی اشتباهات در دسته‌بندی(Categorization) ، شناسایی موارد تکراری و دسته‌بندی پویا با استفاده از ویژگی‌های داده‌ها می‌باشد.پی‌نوشت:1- مخاطب اصلی این برنامه دانشجویان علاقه‌مند به انجام پژوهش‌های تحقیقاتی یا پایان‌نامه بر اساس داده‌های انتشاریافته می‌باشد. درخواست دسترسی به داده‌های فوق از طریق ایمیل دانشگاهی مقدور می‌باشد.2- از طریق لینک زیر می‌توانید به این داده‌ها دسترسی داشته باشید.http://opendata.digikala.com محمدرضا محتاط - Mohamadreza Mohtat محمدرضا محتاط - Mohamadreza Mohtat Wed, 13 Mar 2019 17:06:34 +0330 https://virgool.io/@mohtat/the-imitation-game-tlg6vrgsmayy فیلم بازی تقلید(The Imitation Game) فیلمی در ژانر تاریخی و درام بر اساس زندگی‌نامه ریاضی‌دان نامدار و پدر علم رایانه یعنی آلن تورینگ می‌باشد. آلن تورینگ یکی از بزرگ‌ترین دانشمندان بریتانیایی بود که به پدر علم محاسبه نوین و هوش مصنوعی معروف است و امروزه مهم‌ترین جایزه دنیای علم کامپیوتر به‌افتخار او آلن تورینگ نام‌گذاری شده است. بخش عمده‌ای از دقایق فیلم روی ماجراهای جنگ جهانی دوم و تلاش آلن تورینگ و گروهش برای شکستن کد ماشین انیگما که نازی‌ها از آن برای ارسال پیام‌های سری خود استفاده می‌کنند تمرکز دارد. در این فیلم جهت شکستن کد فوق از تحلیل داده، مهندس معکوس و... استفاده می‌گردد.مشاهده این فیلم جذاب رو به‌تمامی علاقه‌مندان حوزه‌های هوش‌مصنوعی، علم‌داده و... پیشنهاد می‌کنم.https://files.virgool.io/upload/users/26592/posts/tlg6vrgsmayy/idfsbfeqlnjf.jpeg محمدرضا محتاط - Mohamadreza Mohtat محمدرضا محتاط - Mohamadreza Mohtat Wed, 13 Mar 2019 16:36:17 +0330 https://virgool.io/@mohtat/margin-call-nakndaev6kq7 فیلم درخواست نهایی یک فیلمی در ژانر هیجانی با بازی کوین اسپیسی هست. داستان فیلم در سال ۲۰۰۸ و در اوج بحران‌های اقتصادی ایالات متحده آمریکا اتفاق میافتد. زمانی که بخش‌های اقتصادی در حال ورشکستگی هستند. این فیلم برشی 24 ساعته از اتفاقات درون یک شرکت فعال در بازار بورس آمریکا است. در فیلم Margin Call روند کشف یک بحران احتمالی، مراحل پیدا کردن راه‌حل و در نهایت اجرایی کردن آن به زیبایی نشان داده‌ می‌شود. بهره‌گیری از تحلیل‌های داده‌محور پیش‌گویانه در جهت شناسایی بحران از محورهای کلیدی این فیلم هست. مشاهده این فیلم جذاب رو به‌تمامی علاقه‌مندان حوزه‌های بازارهای مالی، هوش مصنوعی، علم‌داده و... پیشنهاد می‌کنم.پی‌نوشت:واژه Margin Call اصطلاحی اقتصادی و به معنی درخواست آخر کارگزار بورس از سرمایه‌گذار برای خرید سهام با هدف جلوگیری از ضرر مالی است.ارادتمندمحمدرضا محتاطhttps://t.me/dataanalysis محمدرضا محتاط - Mohamadreza Mohtat محمدرضا محتاط - Mohamadreza Mohtat Sat, 09 Mar 2019 08:01:00 +0330 https://dataio.ir/the-periodic-table-of-data-science-fjkxb5c6qbrh در جدول زیر که توسط موسسه DataCamp تدوین شده است به تفکیک مولفه‌ها و موضوعات زیر، فضای حوزه علوم‌داده افراز گردیده است.1-موسسات برگزار کننده دوره‌های آموزشی2- دوره‌های آموزشی3- کنفرانس‌ها و سمنیارهای حوزه علم‌داده4-زبان‌های برنامه‌نویسی 5- پایگاه داده و ابزارهای مدیریت داده 6- ابزارها و کتابخانه‌های یادگیری ماشین7- نرم‌افزارهای گزارش‌گیری و مصورسازی داده8- ابزارهای مدیریت پروژه‌های نرم‌افزاری9- وبسایت‌های مرجع حوزه علم‌داده10- پاکدست‌های حوزه علوم‌داده11- اجتماعات و شبکه‌های تخصصی علم‌داده12- مسابقات علم‌داده13- منابع ارائه دهنده Open Dataارادتمندمحمدرضا محتاطhttps://t.me/dataanalysis محمدرضا محتاط - Mohamadreza Mohtat محمدرضا محتاط - Mohamadreza Mohtat Sat, 09 Mar 2019 07:57:03 +0330 https://virgool.io/@mohtat/%D9%86%D9%82%D8%AF-%D9%88-%D8%A8%D8%B1%D8%B1%D8%B3%DB%8C-%D9%84%D8%A7%DB%8C%D8%AD%D9%87-%D8%B5%DB%8C%D8%A7%D9%86%D8%AA-%D9%88-%D8%AD%D9%81%D8%A7%D8%B8%D8%AA-%D8%A7%D8%B2-%D8%AF%D8%A7%D8%AF%D9%87%D9%87%D8%A7%DB%8C-%D8%B4%D8%AE%D8%B5%DB%8C-hawzbstp6kqw پیش‌نویس لایحه صیانت و حفاظت از داده‌های شخصی به همت وزارتخانه ارتباطات و فناوری اطلاعات پیشنهاد و تدوین گردیده است. ضمن قددرانی از این اقدام شایسته در ادامه برخی خلاها و ابهامات این لایحه مورد نقد و بررسی قرار خواهد گرفت:1- پردازش داده‌های شخصی:یکی از موضوعات اصلی لایحه فوق تمرکز بر پردازش داده‌های شخصی و معیارهای نظارت بر این عمل می‌‌باشد. این در حالی هست که در این لایحه به موضوعاتی از قبیل نحوه جمع‌آوری اطلاعات شخصی، افراز میان موضوعات پردازش و تحلیل اطلاعات و... توجه نگردیده است.2- داده‌های باز:در برخی از بندهای پیشنهادی لایحه فوق برخی قوانین و مقررات در حوزه داده‌های عمومی پیشنهاد گردیده است. این درحالی می‌باشد که در مبحث داده‌های باز و عمومی تدوین قوانین نظارتی با ماهیت آن در تناقص است.3- ذکر معیارها و مولفه‌های انتزاعی:مطرح شدن معیارهای کلی و مبهم در جهت ارزیابی خسارت‌ ناشی از نقض حریم خصوصی همچون خسارت مالی شدید، صيانت از حيثيت و... در فرایند اجرایی این لایجه پیشنهادی، مشکلات متعددی را ایجاد خواهد کرد.4-مرجع صلاحیت‌دار:ذکر عناوینی همچون مرجع صلاحیت‌دار، ناظر و... سبب ایجاد ابهام در قوانین پیشنهادی خواهد گردید. مشخص شدن صریح مجری، ناظر، مسئولین تعيين الزامات و سازكارها فني و... سبب کارایی بیشتر این طرح می‌گردد.5- کلان‌داده:عدم توجه به کلان‌داده در لایحه فوق با توجه ماموریت‌ها و جایگاه طرح پیشنهادی قابل تامل می‌باشد. قابل ذکر است تمرکز لایحه پیشنهادی در محدوده اطلاعات شخصی و صیانت از آن می‌باشد.در کمیسیون اینترنت اشیا و کلان‌داده سازمان نظام صنفی رایانه‌ای در حال بررسی تخصصی لایحه فوق و ارائه نکات اصلاحی و پیشنهادی به وزارت ارتباطات و فناوری اطلاعات می‌باشیم. ان‌شالله نتایج تکمیلی جلسات این کمیسیون و اصلاحیات احتمالی به اطلاع شما بزرگواران نیز خواهد رسید.پی‌نوشت:این لایحه از طریق وب سایت وزارت ارتباطات و سازمان فناوری اطلاعات به آدرس زیر در دسترس قرار دارد:https://bit.ly/2xFRi0Xارادتمندمحمدرضا محتاطhttps://t.me/dataanalysis محمدرضا محتاط - Mohamadreza Mohtat محمدرضا محتاط - Mohamadreza Mohtat Fri, 08 Mar 2019 17:41:31 +0330 https://dataio.ir/داده؛-نفت-عصر-جدید-k52zzlbe5jyy بدون شک داده و تحلیل داده محور یکی از مهم‌ترین منابع قدرت سازمان‌ها در جهت اخذ تصمیمات بهینه می‌باشد. جملاتی از قبیل Data is the new oil نیز موکد بر همین قضیه می‌باشد. در بسیاری از سازمان‌ها و شرکت‌های داخلی به حوزه Data توجهاتی شده است اما لزوما سبب کسب مزیت‌ رقابتی یا افزایش بهره‌وری نگردیده است!توجه صرف به موضوعات فنی یکی از مشکلات عدیده‌ای است که شرکت‌های داخلی با آن مواجه هستند. این در حالی است که رویکرد ترکیبی از حوزه‌های مدیریت و فناوری اطلاعات راهکار این مسیر خواهد بود. جهت کسب موفقیت و مدیریت بهینه پروژه‌های داده محور مولفه‌های کلیدی زیر پیشنهاد می‌گردد.1- ارزیابی میزان بلوغ تحلیل داده و کلان داده سازمان2- تدوین استراتژی سازمانی در حوزه داده و تحلیل داده3- شناسایی اولویت‌های سازمان4- شناسایی منابع و ذی‌نفعان حوزه Data 5- مدیریت پروژه و مدیریت تغییرات6- تدوین معماری بهینه شامل ابزارها، پلتفرم‌ها7- شناسایی و جذب مهارت‌های دانشی مورد نیازبسیاری از سازمان‌ها نیز تنها به جمع‌آوری اطلاعات اکتفا کرده و بعضا به‌صورت خام از فروش اطلاعات و دادگان خود کسب درآمد می‌نمایند. ارائه ارزش‌افزوده ناشی از تحلیل اطلاعات می‌تواند سبب کسب درآمد بیشتر و به طبع افزایش اثربخشی شما گردد. شناسایی منابع داده‌ای، استخراج اطلاعات، تحلیل، توزیع و در نهایت کسب ارزش از گام‌های اصلی این فرایند خواهد بود.سازمان و شرکت شما چه میزان از نفت موجود در سازمان خود در حال بهره‌برداری و کسب مزیت رقابتی است؟!ارادتمندمحمدرضا محتاطhttps://t.me/dataanalysis محمدرضا محتاط - Mohamadreza Mohtat محمدرضا محتاط - Mohamadreza Mohtat Fri, 08 Mar 2019 17:39:25 +0330 https://virgool.io/@mohtat/%D9%86%D9%82%D8%B4-%D8%B9%D9%84%D9%85%D8%AF%D8%A7%D8%AF%D9%87-%D8%AF%D8%B1-%D8%A8%D9%87%D8%A8%D9%88%D8%AF-%D9%81%D8%B1%D8%A7%DB%8C%D9%86%D8%AF%D9%87%D8%A7%DB%8C-%DA%A9%D8%B3%D8%A8%D9%88%DA%A9%D8%A7%D8%B1-ttpkrhwgifkm فرایندکاوی یا Process Mining یکی از کاربردهای جذاب حوزه علم‌داده در بهبود و بهینه سازی فرایندهای کسب کار می‌باشد. با بهره‌گیری از متدها و روش‌های فرایندکاوی امکان بررسی میزان بهره‌وری فرایندهای موجود، کشف فرایندهای نهان سازمان، بررسی میزان انطباق‌پذیری فرایندها با فرایندهای بهینه و ارتقا فرایندها امکان پذیر خواهد بود. فرآیندکاوی برای هر صنعت و کسب و کاری مفید و پرفایده است و فقط به اطلاعاتی نیاز دارد که می‌توانند به عنوان اطلاعات پایه استفاده شوند. جهت پیاده سازی متدهای فرایندکاوی نیاز به وجود داده‌های Event Log فرایندها می‌باشد. این داده‌ها در اکثر سازمان‌ها تحت داده‌های تاریک وجود دارد اما معمولا استفاده از آنها صورت نمی‌پذیرد. نرم‌افزاری مختلفی در حوزه فرایندکاوی وجود دارد که از این بین نرم افزارهای Disco ،Celonis و نرم‌افزار متن باز ProM دارای عملکرد خوبی هستند. ارادتمند محمدرضا محتاطhttps://t.me/dataanalysis محمدرضا محتاط - Mohamadreza Mohtat محمدرضا محتاط - Mohamadreza Mohtat Fri, 08 Mar 2019 17:37:31 +0330 https://virgool.io/@mohtat/%D8%AA%D8%A8%D8%AF%DB%8C%D9%84%D8%B4%D8%AF%D9%86-%D8%A8%D9%87-%DB%8C%DA%A9-%D8%B3%D8%A7%D8%B2%D9%85%D8%A7%D9%86-%D8%AF%D8%A7%D8%AF%D9%87%D9%85%D8%AD%D9%88%D8%B1-pxyavpxpg8lm یک سازمان داده‌محور، سازمانی است که تحلیل ‌داده و تصمیم‌گیری‌های داده‌محور جز مؤلفه‌های کلیدی در مأموریت‌ها و فرایندهای عملیاتی آن می‌باشد. در این نوع سازمان‌ها، استفاده از داده و تحلیل‌های داده‌محور توسط مدیران و کارکنان به بخشی تفکیک‌ناپذیر از جریان‌های کاری روزمره تبدیل‌شده است.جهت تبدیل‌شدن به یک سازمان داده محور توجه به مؤلفه‌های زیر موردنیاز می‌باشد.1- فرهنگ(Culture): یکی از مهم‌ترین مؤلفه‌های یک سازمان داده‌محور وجود یک فرهنگ مشارکتی، نوآور و نهادینه شدن لزوم بهره‌گیری از تصمیم‌گیری‌های داده محور در تمامی اجزا به خصوص در سطوح مدیران عالی و عملیاتی آن می‌باشد.2- رهبری داده(Data Leadership): وجود نقش‌هایی همانند مدیر ارشد داده(CDO) یا مدیر ارشد تحلیل(CAO) و تشکیل یک تیم منسجم Data بنا به ساختار و نیازمندی‌‌های سازمانی از ملزومات این بخش خواهد بود.3- داده(Data):استقرار چارچوب‌ها و عملیات‌های حکمرانی داده، مدیریت داده، مدیریت کیفیت داده و... از نیازمندی‌های فنی و مدیریتی این مؤلفه می‌باشد.4- کارکنان(People):مهیا ساختن بسترهای رشد و ترقی کارکنان در فیلدهای مرتبط با Data همانند علم‌داده، مهندسی داده، کلان داده با برگزاری دوره‌های آموزشی حضوری، آنلاین و... در این گام مورد نیاز است.5- سازمان(Organization):استقرار ساختار سازمانی داده محور با تشکیل تیم‌ها یا دپارتمان داده/ تحلیل داده در این مؤلفه مورد بررسی قرار می‌گیرند.پی‌نوشت:سه بخش فرایندها، کارکنان و تکنولوژی به‌عنوان موضوعات محوری جهت تبدیل‌شدن به یک سازمان داده‌محور مورد اهمیت می‌باشد. بازمهندسی یا بهبود مستمر فرایندها، انتخاب معماری و تکنولوژی‌های بهینه، جذب افراد متخصص در این موضوعات مورد توجه می‌باشد.ارادتمندمحمدرضا محتاطhttps://t.me/dataanalysis محمدرضا محتاط - Mohamadreza Mohtat محمدرضا محتاط - Mohamadreza Mohtat Fri, 08 Mar 2019 17:35:27 +0330 https://dataio.ir/انتخاب-الگوریتم-مناسب-در-پروژههای-دادهکاوی-jvnnb4npddga یکی از چالش‌های مهم در پروژه‌های داده‌کاوی انتخاب الگوریتم مناسب و بهینه بنا به نیازمندی‌های مسئله است. در ادامه برخی از مؤلفه‌های کلیدی جهت انتخاب الگوریتم‌های یادگیری ماشین در یک پروژه داده‌کاوی ذکر خواهد گردید.1- هدف تحلیل(متغیرهدف): هدف تحلیل و نوع متغیر هدف(Target) از مهم‌ترین مؤلفه‌های انتخاب الگوریتم و تکنیک موردنیاز خواهد بود. هر یک از تحلیل‌های توصیفی، پیش‌بینانه و... توسط الگوریتم‌های مشخصی پشتیبانی خواهند شد. به‌صورت کلی بنا به نوع متغیر هدف و تحلیل موردنیاز به الگوریتم‌های مختلفی همانند خوشه‌بندی، طبقه‌بندی، پیش‌بینی، کاهش بعد، قوانین انجمنی و... نیاز خواهد شد.2-دقت و صحت: در برخی از مسائل که هدف کسب دقت بالاتر می‌باشد برخی از الگوریتم‌ها همانند SVM، شبکه‌های عصبی، Random Forest و... به نسبت سایر الگوریتم‌ها پیشنهاد می‌شود.3- سرعت: در مسائلی که هدف سرعت بیشتر در مدل‌سازی است برخی الگوریتم‌ها همانند Naive Bayes، رگرسیون لوجستیک، رگرسیون خطی، درخت‌های تصمیم‌گیری و... عملکرد به‌مراتب بهتری نسبت به سایر الگوریتم‌ها دارند.4- دادگان نامتوازن: یکی از چالش‌های اساسی در پروژه‌های داده‌کاوی وجود دادگان نامتوازن در کلاس متغیر هدف است. جهت مدیریت دادگان نامتوازن روش‌های متعددی همانند OverSampling یا UnderSampling وجود دارد اما برخی از الگوریتم‌ها نیز توانایی مدیریت این قبیل دادگان را دارند. از مهم‌ترین الگوریتم‌هایی که توانایی مدیریت دادگان نامتوازن را دارند می‌توان به الگوریتم‌های Random Forset, C4.5, C5.0, CART و... اشاره کرد.پی‌نوشت:1- انتخاب یک الگوریتم به سایر مؤلفه‌ها همانند وجود تخصص لازم در تیم تحلیل داده و توانایی پیاده‌سازی آن، لزوم مشخص بودن یا نبودن قوانین کشف‌شده همانند روش‌های BlackBox در مقابل روش‌های Rule Base بستگی دارد.2- ارائه راه‌حل‌های کلی معمولاً کارآمد نخواهد بود اما در حوزه‌ الگوریتم‌های یادگیری ماشین طبق تجربیات موجود در پروژه‌های مختلف دو الگوریتم SVM و Random Forest معمولاً دارای نتایج کارآمدتری هستند.ارادتمندمحمدرضا محتاطhttps://t.me/dataanalysis محمدرضا محتاط - Mohamadreza Mohtat محمدرضا محتاط - Mohamadreza Mohtat Fri, 08 Mar 2019 17:33:21 +0330 https://virgool.io/@mohtat/%D8%AA%D8%B4%DA%A9%DB%8C%D9%84-%D8%AA%DB%8C%D9%85-%D9%88-%D8%AF%D9%BE%D8%A7%D8%B1%D8%AA%D9%85%D8%A7%D9%86-%D8%B9%D9%84%D9%85%D8%AF%D8%A7%D8%AF%D9%87-%D8%AF%D8%B1-%D8%B3%D8%A7%D8%B2%D9%85%D8%A7%D9%86-gkutyyehfzxt جهت تشکیل تیم Data و بهره‌گیری از متدهای تحلیل داده نیاز به یک تیم منسجم و کارآمد در سازمان‌ها و شرکت‌ها خواهیم بود. به‌صورت کلی در این دپارتمان نیازمند حضور سه جایگاه دانشمندان علم‌داده، مهندسین داده و متخصصین کسب‌وکار با وظایف ذیل می‌باشیم.1-مهندسین داده:وظیفه اصلی مهندسین داده ساخت زیرساخت‌های مقیاس‌پذیر و انتقال و ذخیره‌سازی داده‌های عملیاتی در پایگاه داده‌های شرکت هست. تجربه در پایگاه داده‌های رابطه‌ای و غیررابطه‌ای(NoSQL)، پیاده‌سازی انبار داده، زیرساخت‌های کلان داده همانند آپاچی هدوپ و... جز مهارت‌های اصلی این تیم می‌باشد.2-دانشمندان داده:تمرکز تیم علم‌داده بر روی موضوعات تحلیلی و ساخت‌ مدل‌های مبتنی بر یادگیری ماشین در جهت پاسخگویی به نیازمندی‌های توصیفی و پیش‌بینانه است.دانش تخصصی در فیلدهای آمار، یادگیری ماشین، یادگیری عمیق، زبان‌های برنامه‌نویسی پایتون و R و... از مهارت‌های کلیدی موردنیاز این تیم خواهد بود.3-متخصصین کسب‌وکار:تمرکز تیم متخصص حوزه یا کسب‌وکار بر ایجاد ارزش برای سازمان با تعامل با گزارشات و نتایج‌های تحلیلی توسعه داده شده می‌باشد. دانش و مهارت‌های تخصصی در حوزه‌های کسب‌وکار، هوش‌تجاری، حکمرانی داده، داستان‌سرایی(Storytelling) و... از پیش‌نیازهای این تیم است.پی‌نوشت:مدیریت این دپارتمان در بنا به نیازمندی‌های کسب و کار در قالب‌های مدیریت متمرکز یا غیرمتمرکز انتخاب می‌گردد. در مدیریت متمرکز مدیریت این دپارتمان در اختیار CDO یا تحلیل‌گر ارشد داده قرار داده خواهد شد. این فرد به وظایف، مهارت‌ها و دانش‌های این سه حوزه آشنا می‌باشد. در مدیریت غیرمتمرکز نیز تیم‌های تحلیل‌ داده‌ محلی در دپارتمان‌های مختلف شرکت به صورت موازی ایجاد خواهد گردید. قابل‌ذکر است که بنا به ساختار سازمانی شرکت، میزان دانش و تخصص فعلی کارکنان، نیازمندی‌های عملیاتی و... نوع ساختار بهینه(متمرکز یا غیرمتمرکز) می‌بایست انتخاب گردد.ارادتمندمحمدرضا محتاطhttps://t.me/dataanalysis محمدرضا محتاط - Mohamadreza Mohtat محمدرضا محتاط - Mohamadreza Mohtat Fri, 08 Mar 2019 17:26:32 +0330 https://dataio.ir/همه-دروغ-میگویند-ec3xymliz3rd کتاب EVERYBODY LIES یکی از کتاب‌های جذاب برای آشنایی با قابلیت‌های حوزه Big Data می‌باشد که توسط ست استفن‌دیویدویتز یکی از دانشمندان داده شرکت گوگل در جهت معرفی قابلیت‌های تحلیل‌داده منتشر گردیده است.این محقق چهار سال را صرف تحلیل داده‌های ناشناس گوگل کرده است. تحقیقات او درباره موضوعاتی همچون بیماریهای روانی، سقط جنین، مذهب و پزشکی بوده است. او معتقد است که جستجوهای گوگل مهمترین پایگاه داده‌ای است که تاکنون در مورد روح و روان انسان وجود دارد.در این کتاب مقایسه‌های مختلفی از جستجوهای کاربران موتور جستجو گوگل با نظرسنجی‌ها عمومی صورت گرفته است. نتایج این تحقیق نشان از وجود اختلاف میان این دو حوزه و ارزش تحلیل‌ اطلاعات در عصر جدید است. در ادامه بخشی از توضیحات این کتاب آورده شده است:همه دروغ می‌گویند. مردم در مورد اینکه چند بار به باشگاه می‌روند، قیمت کفش آنها چقدر است و کتاب‌هایی که می‌خوانند، دروغ می‌گویند. آنها سر کار نمی‌روند چون بیمار هستند، اما در واقع دروغ می‌گویند. آنها می‌گویند که با شما تماس می‌گیرند، اما نمی‌گیرند. محور اصلی این کتاب جمله زیر می‌باشد:آیا مردم در سرچ‌های خود در موتور جستجو گوگل نیز دروغ خواهد گفت؟!پی‌نوشت:1- اگر علاقه‌مند به شنیدن کتاب‌های صوتی و پادکست هستید می‌توانید خلاصه این کتاب را در اپیزود شماره 3 پادکست Bplus گوش دهید. 2-مطالعه این کتاب برای متخصصین جامعه‌شناسی، روان‌شناسی، مدیران و... بسیار مفید خواهد بود.ارادتمندمحمدرضا محتاطhttps://t.me/dataanalysis محمدرضا محتاط - Mohamadreza Mohtat محمدرضا محتاط - Mohamadreza Mohtat Fri, 08 Mar 2019 16:58:04 +0330 https://virgool.io/@mohtat/%D9%85%D9%87%D9%85%D8%AA%D8%B1%DB%8C%D9%86-%D8%B1%D9%88%D9%86%D8%AF%D9%87%D8%A7%DB%8C-%D8%AD%D9%88%D8%B2%D9%87-%D9%87%D9%88%D8%B4%D8%AA%D8%AC%D8%A7%D8%B1%DB%8C-%D8%AF%D8%B1-%D8%B3%D8%A7%D9%84-2019-uiwg5verubrr از مهم‌ترین روندهای حوزه‌ هوش‌تجاری در سال 2019 می‌توان به موارد زیر اشاره کرد:1- مدیریت داده مرجع(MDM) و مدیریت کیفیت داده(DQM)2- مصورسازی داده3- هوش‌تجاری Self Service4- حاکمیت داده5- استقرار فرهنگ تصمیم‌گیری داده محور در سازمان‌ها6- بهره‌گیری از معماری‌های نوین انبار داده7- توسعه چابک پروژه‌های هوش‌تجاری8- استفاده از متدهای یادگیری ماشین و تحلیل‌های پیشرفته9- ارائه تحلیل بر روی‌داده‌های بلادرنگ و جریانی10- تحلیل کلان دادهپی‌نوشت:1- توجه به حوزه‌های حاکمیت داده، مدیریت داده مرجع و مدیریت کیفیت داده و استقرار آن، نقش اساسی در موفقیت یا شکست پروژه‌های هوش‌تجاری و تحلیل داده در سازمان‌ها خواهد داشت. خلل توجه به این محورها در سازمان‌ها و شرکت‌های ایرانی محسوس است.2- افزایش کاربردها و کارکردهای حوزه‌ Data Analytics در هوش تجاری از روندهای اصلی خواهد بود. ارائه تحلیل‌های پیشرفته مبتنی بر یادگیری ماشین، تحلیل‌ کلان داده، تجمیع قابلیت‌های تحلیلی با پلتفرم‌های هوش‌تجاری، تحلیل داد‌های ناشی از اینترنت اشیا و... همگی نشان از این امر دارد.به کارشناسان و متخصصین حوزه هوش‌تجاری توصیه می‌شود در کنار مهارت‌ها و دانش تخصصی فعلی، در جهت توسعه مهارت‌های تحلیلی خود برنامه‌ریزی ویژه‌ای نمایند.ارادتمندمحمدرضا محتاطhttps://t.me/dataanalysis محمدرضا محتاط - Mohamadreza Mohtat محمدرضا محتاط - Mohamadreza Mohtat Fri, 08 Mar 2019 16:53:59 +0330