ar
Feedback
Statistickit

Statistickit

الذهاب إلى القناة على Telegram

Statistickit

إظهار المزيد
6 003
المشتركون
+424 ساعات
-47 أيام
-5330 أيام

جاري تحميل البيانات...

جذب المشتركين
يوليو '26
يوليو '26
+11
في 0 قنوات
يونيو '26
+35
في 1 قنوات
Get PRO
مايو '260
في 1 قنوات
Get PRO
أبريل '260
في 0 قنوات
Get PRO
مارس '260
في 0 قنوات
Get PRO
فبراير '260
في 0 قنوات
Get PRO
يناير '260
في 0 قنوات
Get PRO
ديسمبر '25
+8
في 0 قنوات
Get PRO
نوفمبر '25
+140
في 1 قنوات
Get PRO
أكتوبر '25
+144
في 1 قنوات
Get PRO
سبتمبر '25
+60
في 1 قنوات
Get PRO
أغسطس '25
+146
في 1 قنوات
Get PRO
يوليو '25
+136
في 0 قنوات
Get PRO
يونيو '25
+14
في 0 قنوات
Get PRO
مايو '25
+19
في 0 قنوات
Get PRO
أبريل '25
+1 012
في 0 قنوات
Get PRO
مارس '25
+30
في 0 قنوات
Get PRO
فبراير '25
+24
في 2 قنوات
Get PRO
يناير '25
+1 498
في 0 قنوات
Get PRO
ديسمبر '24
+75
في 1 قنوات
Get PRO
نوفمبر '24
+138
في 1 قنوات
Get PRO
أكتوبر '24
+168
في 1 قنوات
Get PRO
سبتمبر '24
+131
في 1 قنوات
Get PRO
أغسطس '24
+268
في 1 قنوات
Get PRO
يوليو '24
+156
في 1 قنوات
Get PRO
يونيو '24
+23
في 1 قنوات
Get PRO
مايو '24
+23
في 3 قنوات
Get PRO
أبريل '24
+1 951
في 2 قنوات
Get PRO
مارس '24
+1 601
في 2 قنوات
Get PRO
فبراير '24
+152
في 1 قنوات
Get PRO
يناير '24
+1 284
في 1 قنوات
Get PRO
ديسمبر '23
+2 481
في 2 قنوات
Get PRO
نوفمبر '23
+126
في 2 قنوات
Get PRO
أكتوبر '23
+86
في 2 قنوات
Get PRO
سبتمبر '23
+63
في 0 قنوات
Get PRO
أغسطس '23
+165
في 0 قنوات
Get PRO
يوليو '23
+61
في 0 قنوات
Get PRO
يونيو '23
+11
في 0 قنوات
Get PRO
مايو '23
+4 558
في 0 قنوات
Get PRO
أبريل '23
+39
في 0 قنوات
Get PRO
مارس '23
+39
في 0 قنوات
Get PRO
فبراير '23
+55
في 0 قنوات
Get PRO
يناير '23
+88
في 0 قنوات
Get PRO
ديسمبر '22
+254
في 0 قنوات
Get PRO
نوفمبر '22
+163
في 0 قنوات
Get PRO
أكتوبر '22
+95
في 0 قنوات
Get PRO
سبتمبر '22
+156
في 0 قنوات
Get PRO
أغسطس '22
+167
في 0 قنوات
Get PRO
يوليو '22
+54
في 0 قنوات
Get PRO
يونيو '22
+39
في 0 قنوات
Get PRO
مايو '22
+92
في 0 قنوات
Get PRO
أبريل '22
+62
في 0 قنوات
Get PRO
مارس '22
+92
في 0 قنوات
Get PRO
فبراير '22
+125
في 0 قنوات
Get PRO
يناير '22
+93
في 0 قنوات
Get PRO
ديسمبر '21
+159
في 0 قنوات
Get PRO
نوفمبر '21
+184
في 0 قنوات
Get PRO
أكتوبر '21
+30
في 0 قنوات
Get PRO
سبتمبر '21
+124
في 0 قنوات
Get PRO
أغسطس '21
+228
في 0 قنوات
Get PRO
يوليو '21
+56
في 0 قنوات
Get PRO
يونيو '21
+27
في 0 قنوات
Get PRO
مايو '21
+45
في 0 قنوات
Get PRO
أبريل '21
+22
في 0 قنوات
Get PRO
مارس '21
+3 594
في 0 قنوات
Get PRO
فبراير '21
+116
في 0 قنوات
Get PRO
يناير '21
+77
في 0 قنوات
Get PRO
ديسمبر '20
+8 742
في 0 قنوات
التاريخ
نمو المشتركين
الإشارات
القنوات
02 يوليو+3
01 يوليو+8
منشورات القناة
نوشتن، گفت‌وگویی است با حقیقت، نه معامله‌ای با مخاطب.آن‌که بیش از حد نگرانِ پسندیده شدن باشد، پیش از انتشار، از نوشتن فاصله گرفته است.شرط نوشتن، تنهایی است.اگر مخاطب را بیش از اندازه جدی بگیری، باخته‌ای. می‌گفت مولانا مثنوی‌اش را با آن شکوه، خطاب به یک نفر یعنی حسام‌الدین چلبی سرود. شمس تبریزی هم در محفلی که مولانا در آن حاضر نبود، سخن نمی‌گفت؛ اما عصر ما عصری است که مردمانش بی‌هیچ سیر شدنی، مخاطب گدایی می‌کنند! تعابیر بدآهنگی نظیر «فالوور» و... ناظر به همین فلاکت دوران ماست! واقعیت این است که اینجا هم روزی تعطیل می‌شود؛ شاید همین امروز. و ما با همین دیدگاه هر روز به این صفحه میایم .... نه ما محور جهانیم و نه این صفحه. زندگی بی‌اعتنا به آمدن و رفتنِ ما ادامه خواهد داشت و شاید همین، زیباترین یادآوریِ فروتنی باشد. تا اطلاع ثانوی .... به تاریخ:یازدهم تیر ماه چهارصد و پنج

2
-فقر، والد ناپخته و طردکننده، ترس از دست دادن، ترس از عمل کردن، ترس از دیده نشدن، ترس از اصیل بودن، ترس از زخم خوردن… این‌ها کی تمام می‌شود؟ - مگر در مسیر نیستی؟ ـ از این رشدِ قطره‌چکانی خسته‌ام،یک جهش می‌خواهم. -بیشترِ آدم‌ها ذره‌ذره تغییر می‌کنند؛ اما گاهی یک تصمیمِ وجودی، یک سبکِ تازه برای زندگی، یا مواجهه‌ای عمیق با معنای بودن، کاری می‌کند که انگار رهِ صد ساله را یک‌شبه رفته‌اند. جهش، معجزه نیست، وقتی رخ می‌دهد که هویت عوض شود، نه فقط حالِ آدم.
145
3
رشد قطره چکانی.....
156
4
بزرگ‌ترین سوءبرداشت دربارهٔ علم داده این است که فکر می‌کنیم از الگوریتم‌ها آغاز می‌شود. نه؛ علم داده از طرز فکر آغاز می‌شود. کسی که نداند چگونه یک مسئله را به زبان داده ترجمه کند، چگونه ارزش یک مدل را ارزیابی کند و چگونه از داده برای تصمیم‌گیری استفاده کند، با دانستن صدها الگوریتم نیز دانشمند داده نخواهد شد. الگوریتم‌ها تغییر می‌کنند، زبان‌های برنامه‌نویسی عوض می‌شوند، اما تفکر داده‌محور ماندگار است. اگر مفاهیم بنیادی را عمیق بیاموزید، ابزارها را هر زمان که لازم باشد یاد خواهید گرفت؛ اما اگر فقط ابزارها را بیاموزید، با هر تغییر فناوری باید از نو شروع کنید. در علم داده، مهم‌ترین چیزی که باید یاد بگیرید، چگونه فکر کردن با داده‌هاست، نه فقط چگونه کدنویسی کردن برای داده‌ها. امروزه هوش مصنوعی می‌تواند در چند ثانیه برایت کد Python یا R بنویسد؛ اما هنوز نمی‌تواند به‌جای تو تصمیم بگیرد که مسئلهٔ درست چیست، دادهٔ مناسب کدام است، معیار موفقیت چیست و آیا اصلاً این مدل ارزش استفاده دارد یا نه. این همان جایی است که علم داده آغاز می‌شود
148
5
بزرگ‌ترین سوءبرداشت دربارهٔ علم داده این است که فکر می‌کنیم از الگوریتم‌ها آغاز می‌شود. نه؛ علم داده از طرز فکر آغاز می‌شود. کسی که نداند چگونه یک مسئله را به زبان داده ترجمه کند، چگونه ارزش یک مدل را ارزیابی کند و چگونه از داده برای تصمیم‌گیری استفاده کند، با دانستن صدها الگوریتم نیز دانشمند داده نخواهد شد. الگوریتم‌ها تغییر می‌کنند، زبان‌های برنامه‌نویسی عوض می‌شوند، اما تفکر داده‌محور ماندگار است. اگر مفاهیم بنیادی را عمیق بیاموزید، ابزارها را هر زمان که لازم باشد یاد خواهید گرفت؛ اما اگر فقط ابزارها را بیاموزید، با هر تغییر فناوری باید از نو شروع کنید. در علم داده، مهم‌ترین چیزی که باید یاد بگیرید، چگونه فکر کردن با داده‌هاست، نه فقط چگونه کدنویسی کردن برای داده‌ها.
1
6
نقاطی در زندگی هستند که از بیرون «بی‌رحمی» به نظر می‌رسند، اما از درون، بهایِ شجاعت‌اند. در مسیر زندگی، گاهی ناچار می‌شویم از بعضی آدم‌ها، رابطه‌ها یا مسیرها عبور کنیم؛ فاصله بگیریم، نه از سرِ نفرت، بلکه برای وفادار ماندن به حقیقتی که یافته‌ایم. وقتی سال‌ها بعد به گذشته نگاه می‌کنیم، شاید در چشم بعضی‌ها آدمی بی‌رحم به نظر برسیم. اما همیشه ماندن، مهربانی نیست؛ گاهی فقط ترس از تصمیم گرفتن است. کسی که تصمیم دشوار را می‌گیرد، ممکن است اشتباه کرده باشد، اما دست‌کم شجاعت آن را داشته است که مسئولیت انتخابش را بپذیرد و بعدها از خود بپرسد: «آیا می‌ارزید؟» همین تواناییِ زیر سؤال بردنِ انتخاب‌های خود، نشانه‌ی بلوغ است؛ نه بی‌رحمی.
11
7
نقاطی در زندگی هستند که از بیرون «بی‌رحمی» به نظر می‌رسند، اما از درون، بهایِ شجاعت‌اند. در مسیر زندگی، گاهی ناچار می‌شویم از بعضی آدم‌ها، رابطه‌ها یا مسیرها عبور کنیم؛ فاصله بگیریم، نه از سرِ نفرت، بلکه برای وفادار ماندن به حقیقتی که یافته‌ایم. وقتی سال‌ها بعد به گذشته نگاه می‌کنیم، شاید در چشم بعضی‌ها آدمی بی‌رحم به نظر برسیم. اما همیشه ماندن، مهربانی نیست؛ گاهی فقط ترس از تصمیم گرفتن است. کسی که تصمیم دشوار را می‌گیرد، ممکن است اشتباه کرده باشد، اما دست‌کم شجاعت آن را داشته است که مسئولیت انتخابش را بپذیرد و بعدها از خود بپرسد: «آیا می‌ارزید؟» همین تواناییِ زیر سؤال بردنِ انتخاب‌های خود، نشانه‌ی بلوغ است؛ نه بی‌رحمی.
1
8
اگر هنوز نمی‌دانید کدام مسیر برای شما مناسب‌تر است… 🔹 اگر از گزارش‌گیری، تحلیل نتایج، کار با نمودارها و پاسخ دادن به سؤال‌های کسب‌وکار لذت می‌برید و علاقه زیادی به برنامه‌نویسی سنگین یا ریاضیات پیشرفته ندارید، تحلیل‌گر داده (Data Analyst) می‌تواند بهترین نقطه شروع باشد. این مسیر برای بسیاری از دانشجویان علوم انسانی، مدیریت، حسابداری، اقتصاد و حتی علوم اجتماعی نیز مناسب است. 🔹 اگر از برنامه‌نویسی، ساختن سیستم‌ها و حل مسائل فنی لذت می‌برید، اما علاقه‌تان بیشتر به زیرساخت است تا تحلیل، مهندسی داده (Data Engineer) انتخاب مناسبی است. این مسیر معمولاً برای دانشجویان مهندسی کامپیوتر، فناوری اطلاعات و رشته‌های فنی جذاب‌تر است. 🔹 اگر از ریاضیات، آمار، احتمال، مدل‌سازی و حل مسائل پیچیده لذت می‌برید و دوست دارید الگوریتم‌های هوشمند بسازید و آینده را پیش‌بینی کنید، دانشمند داده (Data Scientist) می‌تواند مسیر ایده‌آل شما باشد. و در آخر : «نکته مهم این است که این سه مسیر، بیشتر از آنکه به رشته دانشگاهی وابسته باشند، به نوع علاقه و شیوه فکر کردن شما بستگی دارند. »
293
9
سال‌ها آموزش و کار به من یک چیز آموخت: دنیا فقط به شبکه‌هایی برای پیدا کردن شغل یا فرصت‌های کاری نیاز ندارد؛ بلکه به شبکه‌هایی نیاز دارد که در آن‌ها انسان‌ها به‌عنوان انسان با هم ارتباط برقرار کنند. «Human Network» یعنی جمعی از آدم‌ها که فقط برای منفعت شخصی کنار هم نیستند، بلکه برای یاد گرفتن از یکدیگر، رشد کردن، فکر کردن عمیق‌تر و بهتر زندگی کردن به هم متصل می‌شوند در چنین شبکه‌ای، مهم‌ترین دارایی، خودِ انسان‌ها هستند؛ نه موقعیت شغلی، نه درآمد، و نه عنوان‌ها. اگر قرار باشد یک مهارت در این فضا بیشتر از همه اهمیت داشته باشد، آن مهارت «انسان بودن» است.
1
10
چرا در فارسی ده‌ها کتاب دربارهٔ زبان Python و یادگیری ماشین و هوش مصنوعی داریم، اما کتابی دربارهٔ طرز فکر داده‌محور به‌ندرت پیدا می‌شود؟ شاید چون آموزش ابزار آسان‌تر از آموزش اندیشیدن است. ابزارها هر چند سال عوض می‌شوند؛ اما توانایی تعریف مسئله، پرسیدن سؤال درست، تشخیص شواهد معتبر، تصمیم‌گیری در شرایط عدم قطعیت و استدلال مبتنی بر داده، مهارت‌هایی هستند که تاریخ انقضا ندارند. شاید بزرگ‌ترین خلأ آموزش علم داده در فارسی، کمبود کتاب‌هایی باشد که پیش از آموزش الگوریتم‌ها، شیوهٔ فکر کردن با داده را آموزش دهند
1
11
تفاوت «تحلیل‌گر داده»، «مهندس داده» و «دانشمند داده» در یک نگاه وقتی وارد دنیای داده می‌شویم، معمولاً با سه عنوان شغلی روبه‌رو می‌شویم که گاهی با هم اشتباه گرفته می‌شوند؛ درحالی‌که هر کدام نقش متفاوتی در یک پروژه داده‌محور دارند. تحلیل‌گر داده (Data Analyst) تحلیل‌گر داده با اطلاعاتی که در اختیار دارد، به دنبال پاسخ دادن به پرسش‌های کسب‌وکار است. او داده‌ها را بررسی می‌کند، الگوها را پیدا می‌کند و نتایج را در قالب گزارش یا داشبورد به مدیران ارائه می‌دهد تا تصمیم‌های بهتری گرفته شود. مهارت‌های مهم: SQL، Excel، Power BI یا Tableau و آمار کاربردی. مهندس داده (Data Engineer) اگر داده‌ها به‌درستی جمع‌آوری، ذخیره و آماده نشوند، نه تحلیل‌گر می‌تواند تحلیل دقیقی انجام دهد و نه دانشمند داده می‌تواند مدل مناسبی بسازد. این بخش از کار بر عهده مهندس داده است. او زیرساختی ایجاد می‌کند که داده‌ها به‌صورت منظم، سریع و قابل اعتماد در دسترس باشند. مهارت‌های مهم: Python، SQL، ابزارهای ETL، فناوری‌های Big Data و پلتفرم‌های ابری مانند AWS، Azure یا GCP. دانشمند داده (Data Scientist) دانشمند داده یک قدم جلوتر می‌رود. او علاوه بر تحلیل داده‌ها، از روش‌های آماری و الگوریتم‌های یادگیری ماشین استفاده می‌کند تا الگوهای پنهان را کشف کند، آینده را پیش‌بینی کند یا برای تصمیم‌گیری، مدل‌های هوشمند بسازد. مهارت‌های مهم: Python یا R، آمار، یادگیری ماشین و مصورسازی داده. اگر بخواهیم خیلی ساده تفاوت این سه نقش را بیان کنیم: تحلیل‌گر داده، از داده‌ها برای پاسخ دادن به سؤال‌های امروز کسب‌وکار استفاده می‌کند. مهندس داده، داده‌ها را آماده و قابل استفاده می‌کند. دانشمند داده، با استفاده از داده‌ها تلاش می‌کند آینده را پیش‌بینی کند و راه‌حل‌های هوشمند ارائه دهد. هیچ‌کدام از این نقش‌ها از دیگری «بهتر» نیست؛ هر کدام مهارت‌ها، مسئولیت‌ها و مسیر شغلی متفاوتی دارند. انتخاب درست، بیشتر از آنکه به درآمد یا عنوان شغلی وابسته باشد، به نوع علاقه، شیوه فکر کردن و توانایی‌های شما بستگی دارد «بسیاری از متخصصان داده، مسیر شغلی خود را از تحلیل‌گری داده آغاز می‌کنند، سپس با یادگیری برنامه‌نویسی و مباحث پیشرفته‌تر، به سمت مهندسی داده یا علم داده حرکت می‌کنند» #تحلیلگرداده_مهندسی‌داده_دانشمند‌داده
313
12
تفاوت «تحلیل‌گر داده»، «مهندس داده» و «دانشمند داده» در یک نگاه وقتی وارد دنیای داده می‌شویم، معمولاً با سه عنوان شغلی روبه‌رو می‌شویم که گاهی با هم اشتباه گرفته می‌شوند؛ درحالی‌که هر کدام نقش متفاوتی در یک پروژه داده‌محور دارند. تحلیل‌گر داده (Data Analyst) تحلیل‌گر داده با اطلاعاتی که در اختیار دارد، به دنبال پاسخ دادن به پرسش‌های کسب‌وکار است. او داده‌ها را بررسی می‌کند، الگوها را پیدا می‌کند و نتایج را در قالب گزارش یا داشبورد به مدیران ارائه می‌دهد تا تصمیم‌های بهتری گرفته شود. مهارت‌های مهم: SQL، Excel، Power BI یا Tableau و آمار کاربردی. مهندس داده (Data Engineer) اگر داده‌ها به‌درستی جمع‌آوری، ذخیره و آماده نشوند، نه تحلیل‌گر می‌تواند تحلیل دقیقی انجام دهد و نه دانشمند داده می‌تواند مدل مناسبی بسازد. این بخش از کار بر عهده مهندس داده است. او زیرساختی ایجاد می‌کند که داده‌ها به‌صورت منظم، سریع و قابل اعتماد در دسترس باشند. مهارت‌های مهم: Python، SQL، ابزارهای ETL، فناوری‌های Big Data و پلتفرم‌های ابری مانند AWS، Azure یا GCP. دانشمند داده (Data Scientist) دانشمند داده یک قدم جلوتر می‌رود. او علاوه بر تحلیل داده‌ها، از روش‌های آماری و الگوریتم‌های یادگیری ماشین استفاده می‌کند تا الگوهای پنهان را کشف کند، آینده را پیش‌بینی کند یا برای تصمیم‌گیری، مدل‌های هوشمند بسازد. مهارت‌های مهم: Python یا R، آمار، یادگیری ماشین و مصورسازی داده. اگر بخواهیم خیلی ساده تفاوت این سه نقش را بیان کنیم: تحلیل‌گر داده، از داده‌ها برای پاسخ دادن به سؤال‌های امروز کسب‌وکار استفاده می‌کند. مهندس داده، داده‌ها را آماده و قابل استفاده می‌کند. دانشمند داده، با استفاده از داده‌ها تلاش می‌کند آینده را پیش‌بینی کند و راه‌حل‌های هوشمند ارائه دهد. هیچ‌کدام از این نقش‌ها از دیگری «بهتر» نیست؛ هر کدام مهارت‌ها، مسئولیت‌ها و مسیر شغلی متفاوتی دارند. انتخاب درست، بیشتر از آنکه به درآمد یا عنوان شغلی وابسته باشد، به نوع علاقه، شیوه فکر کردن و توانایی‌های شما بستگی دارد «بسیاری از متخصصان داده، مسیر شغلی خود را از تحلیل‌گری داده آغاز می‌کنند، سپس با یادگیری برنامه‌نویسی و مباحث پیشرفته‌تر، به سمت مهندسی داده یا علم داده حرکت می‌کنند» #تحلیلگرداده_مهندسی‌داده_دانشمند‌داده
1
13
همانند همه کسانی که صاحب چیزی‌‌اند، برای اینکه ببیند اگر زمانی آن را نداشته‌باشد چه خواهد شد، آن را در ذهن خود بیرون کشیده اما بقیه چیزها را به همان حالت هنگام بودن آن باقی گذاشته بود. حال آنکه نبود یک چیز فقط این نیست و به یک جای خالی ساده محدود نمی‌شود، بلکه همه‌چیز را زیر و رو می‌کند، وضعیتی تازه پدید می‌آورد که در وضعیت کهنه پیش‌بینی‌شدنی نبود. #در_جستجوی_زمان_ازدست‌رفته #مارسل_پروست ما معمولاً گمان می‌کنیم فقدان،فقط یک جای خالی به جا می‌گذارد؛اما هر فقدان، معماریِ جهانِ درون ما را از نو می‌چیند. نبودنِ یک انسان، یک شغل، یک آرزو یا حتی یک باور، فقط حذفِ آن نیست؛جهانی تازه می‌آفریند که از دلِ جهانِ پیشین، قابل پیش‌بینی نبود. فقدان، جای خالی نمی‌سازد؛ جهانِ تازه‌ای می‌سازد.
345
14
کرانی ندارد بیابان ما قراری ندارد دل و جان ما جهان در جهان نقش و صورت گرفت کدامست از این نقش‌ها آن ما چو در ره ببینی بریده سری که غلطان رود سوی میدان ما از او پرس از او پرس اسرار ما کز او بشنوی سر پنهان ما#مولانا جهان پر از صورت‌ها و هویت‌هاست،اما پرسش این است:کدامشان حقیقتِ ماست؟ آن‌که برای پسندیده‌شدن ساخته‌ایم؟ آن‌که از ترس تنهایی پوشیده‌ایم؟ یا آن‌که در خلوت، بی‌تماشاگر، بی‌دفاع،نَفَس می‌کشد.و آن «سرِ بریده» که به‌سوی میدان می‌غلتد، نمادِ انسانی‌ست که از خود گذشته؛ کسی که از منِ محدود عبور کرده و حالا راز را می‌داند.پیام مولانا ساده و عمیق است: تا از سَرِ خود نگذری، به سِرِّ خود نمی‌رسی
1
15
سقراط درست گفته بود که پذیرش نادانی، آغاز خردورزی است. انسان فقط زمانی خواهد توانست با استفاده از توانایی ذاتی خود خلاقانه عمل کند و از محدودیت‌های خود فراتر برود که محدودیت‌های خود را بشناسد و فروتنانه و صادقانه آن را بپذیرد و آنقدر فروتن باشیم که بدانیم از هیچ کس بهتر نیستم و آنقدر خردمند که بدانیم با بقیه تفاوت داریم
1
16
انتخاب دستیار ...
548
17
اگر این چند ویژگی را داری، خودت را معرفی کن: ۱-باهوش ۲-بی‌نظم (از آن بی‌نظمی‌های خلاق!) ۳-فروتن ۴-دست‌به‌قلم ۵- دارای تسلط نسبی به آمار علوم انسانی یا آمار مهندسی یا ساختمان داده والگوریتم ترجیح می‌دهم با یک ذهن خلاق و کنجکاو کار کنم تا یک آدم صرفاً منظم Tourani.book@gmail.com
537
18
انتخاب دستیار ...
1
19
اگر این چند ویژگی را داری، خودت را معرفی کن: ۱-باهوش ۲-بی‌نظم (از آن بی‌نظمی‌های خلاق!) ۳-فروتن ۴-دست‌به‌قلم ۵- دارای تسلط نسبی به آمار علوم انسانی یا آمار مهندسی یا ساختمان داده والگوریتم ترجیح می‌دهم با یک ذهن خلاق و کنجکاو کار کنم تا یک آدم صرفاً منظم Tourani.book@gmail.com
1
20
اگر این چند ویژگی را داری، خودت را معرفی کن: باهوش بی‌نظم (از آن بی‌نظمی‌های خلاق!) فروتن دست‌به‌قلم دارای تسلط نسبی به آمار ترجیح می‌دهم با یک ذهن خلاق و کنجکاو کار کنم تا یک آدم صرفاً منظم Tourani.book@gmail.com
5