🔵💎 ما در این کانال به ارائه محتواها و آموزشهای مفید، ساختارمند و جامع در حوزه علم داده، به شما میپردازیم.
با محتوای علمی و بهروز ما همیشه یک قدم جلوتر باشید.
✔️گزارش انتخاب رشتهجابویژن با نگاهی به دادههای بازار کار ۱۴۰۳ منتشر شد...
🔹 برخی از مهمترین یافتههای گزارش:
➖ حدود ۶۰٪ فارغالتحصیلان از انتخاب تحصیلی خود ناراضیاند. ➖بازار کارنامناسب؛ مهمترین دلیل نارضایتیفارغالتحصیلان از انتخاب تحصیلیشان است. ➖سه رشته مهنـدسی صنایع، مهندسی کامپیوتر و مدیریتراضیترینفارغ التحصیلان را دارند. ➖سهدانشگاه صنعتی امیرکبیر، صنعتی شریف و تهرانراضیترینفارغالتحصیلان را دارند.
🥇بچهها این گزارش انتخاب رشته جابویژن رو از دست ندین! این گزارش نه تنها برای بچههای کنکوری که چند هفته دیگه درگیر فرآیند انتخاب رشته میشن، خیلی کاربردی و مهمه؛ بلکه برای خیلی از دانشجوهای صنایع هم نکات جامعی داره که برگرفته از شاغلین رشته مهندسی صنایع در بازار کاره و خیلی میتونه در تصمیم گیری برای آینده شغلیتونتاثیرگذار باشه ✅
🎙پادکست دادهها و ماشین این پادکست مانند مقاله تفاوت یادگیری ماشین و یادگیری عمیق ، به بررسی مباحث مختلفی از جمله دادهها، یادگیری ماشین و هوش مصنوعی میپردازد. میزبانان این پادکست با موضوعاتی چون الگوریتمها و مباحث پیشرفته دیتا ساینس سر و کار دارند.
🎙دادههای بیپایان این پادکست به مباحث مختلفی از جمله دادهها، تحلیل داده و استفاده از آنها در زندگی روزمره میپردازد. میزبانان این پادکست با مطرح کردن مثالهای کاربردی و موردی، تلاش میکنند مفاهیم را به شنوندگان ارائه دهند.
🎙دادهشناس این پادکست به بررسی مفاهیم دادهها و تجزیه و تحلیل داده میپردازد و سعی دارد به شنوندگان این امکان را بدهد تا با مفاهیم پایهای و پیشرفته در این حوزه آشنا شوند.
🎙داده و کوچ این پادکست به بررسی موضوعات مختلفی از جمله دادهها، آمار و تحلیل داده میپردازد و با مثالهای عملی و کاربردی سعی در آموزش مفاهیم مرتبط دارد.
🎙دادهها و زندگی این پادکست به مباحث مختلفی از جمله دادهها، تجزیه و تحلیل داده و استفاده از آنها در زندگی روزمره میپردازد و سعی دارد به شنوندگان این امکان را بدهد تا با کاربردهای عملی دادهها آشنا شوند.
♟قهرمانتازهواردگوگل در بازی شطرنج: هوشمصنوعیآلفازیرو
♟ تا به امروز بخش عمده ای از تلاش های کارشناسان هوش مصنوعی حول طراحی و توسعه الگوریتم هایی شکل گرفته بود که بتوانند انسان را در بازی های تخته ای شکست دهند اما حالا این رقابت وارد فاز جدیدی شده و آنها سعی دارند دیگر قهرمانان هوش مصنوعی را در بازی های اختصاصی خودشان به چالش بکشند. دیپ مایند (واحد هوش مصنوعی آلفابت) اخیرا الگوریتم تازه ای به نام آلفازیرو (AlphaZero) را توسعه داده که می تواند یاد بگیرد و بدون مداخله انسان در بازی هایی نظیر شطرنج، Go و shogi به درجه استادی برسد.
📖 در مقاله ای که چندی پیش نشریه The Journal Science منتشر کرد، تیم دیپ مایند خاطرنشان کرده که آلفازیرو نسخه بهبود یافته ای از آلفا گو است. در ادامه همچنین ذکر شده که بعد از انتقال قوانین اولیه بازی های شطرنج،shogi و Go به الگوریتم مذکور، به ترتیب ۹ ساعت، ۱۲ ساعت و ۱۳ روز زمان سپری شده تا این هوش مصنوعی بازی های یاد شده را یاد بگیرد و در ادامه آلفا زیرو مقابل برترین هوش های مصنوعی دنیا در این بازی ها قرار گرفته است.
💪عملکردآلفازیرو چطور بود:
- بازیشطرنج ✔️ ۱۵۵ برد، ۶ باخت و باقی تساوی (از ۱۰۰۰ بازی) مقابل StockFish استاد شطرنج - بازیShogi ✔️ برتری آلفازیرو در ۹۱.۲ درصد از بازی ها مقابل نرم افزار Elmo - بازیGo ✔️ برتری آلفازیرو مقابل آلفاگو در ۶۱ درصد از بازی ها
🎙بهترینپادکستهای دیتا ساینس در سطح دنیا کداماند؟
🎙Data Skeptic
این پادکست توسط کایل پولیکیونیس برپا شده است و به تجزیه و تحلیل مفاهیم دادههای بزرگ و مهمترین مباحث و تکنولوژیهای مرتبط با داده میپردازد. این پادکست موضوعات مختلفی از جمله یادگیری ماشین، آمار و تحلیل داده را پوشش میدهد و به شنوندگان کمک میکند تا مفاهیم پیچیده را درک کنند.
🎙Linear Digressions
این پادکست مخصوصاً برای کسانی که به طور مختصر میخواهند در مورد موضوعاتی مانند یادگیری ماشین و علوم داده بیشتر بدانند، مناسب است. میزبانان پادکست توضیح مفاهیم پایهای را به شیوهای ساده و قابل فهم ارائه میدهند که به شنوندگان کمک میکند مفاهیم پیچیده را درک کنند.
🎙Data Framed
این پادکست به بحثهای عمیقتر و گستردهتری در مورد علوم داده میپردازد و از موضوعات متنوعی مانند یادگیری ماشین، تجزیه و تحلیل داده، و مهارتهای مرتبط با دادهها سخن میگوید. میزبانان این پادکست با مهمترین افراد و تخصصهای موجود در حوزه علوم داده گفتگو میکنند و به شنوندگان امکان میدهند تا از تجربیات و نظرات افراد موفق در این صنعت بهره مند شوند، همچنین برای اطلاعات بیشتر میتوانید مطلب تفاوت هوش مصنوعی و یادگیری ماشین را مطالعه کنید.
🎙The O’Reilly Data Show Podcast
این پادکست به موضوعات پیشرفتهتر و موضوعات جدید در حوزه دادهها و علوم داده میپردازد. میزبانان این پادکست با افرادی که در زمینههای مختلف از جمله یادگیری ماشین، تجزیه و تحلیل داده و هوش مصنوعی فعالیت میکنند، مصاحبه میکنند تا به شنوندگان امکان دسترسی به محتوا و مفاهیم پیشرفته را بدهند.
🎙️Data Science at Home
این پادکست به بررسی مسائل جالب و دستهبندی نشده در حوزه دادهها میپردازد و به تجزیه و تحلیل مسائل بدون الگو میپردازد. میزبانان این پادکست با ارائه مطالب جذاب و جدید، به شنوندگان این امکان را میدهند که با جنبههای مختلف دادهها و علوم داده آشنا شوند.
دو نوع الگوریتم یادگیری ماشین وجود دارد: نظارت شده و بدون نظارت
1️⃣نظارت شده یا Supervised: الگوریتم یادگیری نظارت شده زمانی استفاده میشود که داده ها برچسب گذاری شده اند و دو نوع هم دارد:
➖رگرسیون: زمانی که نیاز به پیش بینی مقادیر پیوسته دارید و متغیر ها به صورت خطی وابسته هستند، الگوریتم های مورد استفاده رگرسیون خطی و چند گانه، درخت تصمیم و جنگل تصادفی خواهند بود.
➖طبقهبندی: هنگامی که لازم است مقادیر مطلق را پیش بینی کنید، می توانید از برخی از الگوریتم های طبقه بندی مورد استفاده مثل KNN، رگرسیون لجستیک، SVM و Naïve- Bayes استفاده کنید.
2️⃣بدون نظارت: الگوریتم های یادگیری بدون نظارت زمانی استفاده می شوند که داده ها بدون برچسب هستند و هیچ داده برچسب گذاریشده ای برای یادگیری وجود ندارد که دو نوع دارد:
➖خوشهبندی: این الگوریتم متد تقسیم اشیایی است که بین شان مشابه و غیر مشابه وجود دارد. معمولا از الگوریتم های خوشه بندی K-Means و PCA استفاده می شود.
➖تجزیه و تحلیل قوانین وابستگی: برای کشف روابط جالب بین متغیر ها، می توان از الگوریتم Apriori و HiddenMarkovModel استفاده کرد.
📱هوش مصنوعی: هوش مصنوعی حوزه بزرگی است که بزرگترین چالشهای ماشینهای هوشمند را پوشش میدهد. این حوزه شامل سؤالات فلسفی در مورد اخلاق و دوام هوش مصنوعی، معیارها و رویکردهای مختلف هوش مصنوعی، کاربردهای مختلف هوش مصنوعی (پردازش زبان طبیعی، بازی، رباتیک و غیره) است.
🔲یادگیری ماشین: همانطور که قبلا بیان کردیم، بررسی تکنیک هایی برای چگونگی یادگیری ماشینها در محیط های مختلف برای انجام تسکهای مختلف است و اینکه این امکان برای ماشینها فراهم شود تا مستقل از مداخله انسان، انتخابهای معناداری داشته باشند.
⚓️ یادگیریعمیق: با استفاده از شبکههای عصبی، دیپ لرنینگ تکنیکی برای مدلسازی یادگیری ماشین بر روی مغز انسان است.
⚓️ یادگیری عمیق زیر مجموعه یادگیری ماشین است و هر دو زیر مجموعه هوش مصنوعی هستند. تفاوت اصلی بین یادگیری ماشین و یادگیری عمیق در تعداد لایه ها و نحوه آموزش آنهاست یا به عبارتی یادگیری عمیق تکامل یافته روش های یادگیری ماشین هستند
❓ لایههای یادگیری عمیق چگونه کار میکنند؟
✔️ هر یک از این لایهها براساس لایههای قبلی ایجاد شدهاند. به این ارتباط میان لایهها و پیشرفت محاسبات در طول شبکه انتشار روبهجلو (Froward Propagation) گفته میشود.
✔️ اولین لایه که در آن مدل یادگیری عمیق دادهها را برای پردازش دریافت میکند لایهی ورودی و لایهای که در آن پیشبینی یا طبقهبندی نهایی انجام میشود لایهی خروجی نامیده میشود. لایههای میان این دو لایه را لایههای میانی یا نهان (Hidden Layers) مینامند.
✔️ این نمودار اجازه میدهد تا یک مقایسه بصری بین چندین جنبه کمی یا کیفی یک وضعیت انجام شود. تجزیه و تحلیل رقبا برای چندین محصول را امکان پذیر میکند. به راحتی میتوان رضایت مشتری و دیگر جنبه های نظرسنجی را مقایسه کرد.
🕷️در تجزیه و تحلیل میتوان شکاف بین دادههای “وضعیت مطلوب” و “وضعیت فعلی” را میتوان در همان نمودار رسم کرد تا به صورت گرافیکی شکاف بین این دو وضعیت مشخص شود.
🕷️از جمله معایب نمودار راداری یا عنکبوتی میتوان به این مورد اشاره کرد: در صورتی که متغیرهای زیادی وجود داشته باشد مقایسه مشاهدات بر روی نمودار عنکبوتی ممکن است گیج کننده باشد و بنابراین محورهای زیاد، نمودار را شلوغ کند. هنگامی که بینندگان سعی میکنند مقادیر را در محورهای مختلف مقایسه کنند، مشکلاتی بوجود میآید.
1️⃣ میتوان به سادگی متغیرها را مقایسه کرد، توزیع آنها را نشان داد. 2️⃣ برای نمایش دیتاهایی که دارای طبقهبندی، دسته بندی مانند مناطق، گروهها، محصولات 3️⃣ مقایسه گروههای مختلف در یک بازه زمانی 4️⃣ مقایسه یک گروه در بازههای زمانی مختلف 5️⃣ برای نمایش فراوانی هر دسته از دیتا
✔️ نکته اینکه برای مقایسه تارگت و عملکرد یک موضوع، بهترین گزینه برای نشان دادن این دو کنار هم، نمودار میلهای است به دلیل اینکه ممکن است عملکرد از تارگت بیشتر باشد.
🚫 از این نمودار زمانیکه مقادیر دستهها در نقاط مختلف قرار دارند و نه در بازههای یکنواخت، استفاده از این نمودار صحیح نیست و بهتر است نمودارهای نقطهای استفاده کرد.
🚫 اگر دیتاها دارای دستهها و طبقات بسیار زیادی هستند بهتر است از نمودارهای گسترده Histograms استفاده شود.
➖ نمودار خطی برای نمایش تغیراتزمانی دادههای پیوسته ➖ برای مقایسه روابط بین دو متغیر ➖ با استفاده از نمودارهای خطی و مدلهای ریاضی میتوان برای پیشبینیآینده دیتاها استفاده کرد. ➖ اگر در دیتاها مقادیر خالی زیاد دارید، این نمودار روند را به درستی نشان نخواهد داد. ➖ زمانیکه دیتاها تغییرات بزرگ و یا افت و خیزشدیدی داشته باشند، نمودار خطی ممکن است بصورت بسیار فشره نمایش داده شود و اطلاعات و روند دیتاها به درستی نمایان نشود. ➖ اگر روند دیتاها غیرخطی است مثلا رشد نمایی دارد بهتر است از نمودارهایلگاریتمی استفاده شود.
⭐️ مجمع جهانی اقتصاد در گزارش The Future of Jobs Report 2020، پرشتابترین تقاضاهای موقعیتهای شغلی جهان را تا سال 2025 پیش بینی کرده است که رتبههای اول تا سوم متعلق به پوزیشنهای علم داده است.
⚡ بر اساس پیش بینی این مجمع، سه موقعیت شغلی دانشمند و تحلیلگر داده، متخصص هوش مصنوعی و یادگیری ماشین و متخصص کلان داده بیشترین رشد تقاضا را تا سال 2025 خواهند داشت.