علی راشدی - یادداشت‌ها

رودمپ ۹۰ روزه Data Analysis خیلی دیده شد و بیشترین پیام این بود که با چی یاد بگیریم... برای هر بخش یک کتاب و یک دوره یوتیوب معرفی کردم به همراه بخشی که باید ببینید یا بخونید... منابع هفته‌ی اول رو همینجا می‌ذارم فعلا اگر خواستید شروع کنید :) 🙌

خلاصه اخبار ۲۴ ساعت گذشته ۱ گرگلی اوروش چند روند در حال شکل‌گیری در صنعت فناوری را مطرح و از مخاطبان درباره مشاهداتشان نظرخواهی کرد. ۲ پژوهشگران از سوءاستفاده مخفیانه ۲۶ مسیریاب مدل‌های زبانی برای تزریق فرمان‌های مخرب و سرقت اطلاعات خبر دادند؛ در یک مورد ۵۰۰ هزار دلار از کیف پولی به سرقت رفت. ۳ کاگنیشن قابلیت Fusion را در رابط خط فرمان دوین معرفی کرد که طبق اعلام شرکت، هزینه اجرای بنچمارک‌های برنامه‌نویسی را ۳۹ درصد کاهش می‌دهد. ۴ طبق اعلام Epoch، مدل جی‌پی‌تی‌ـ۶ آسترا آخرین مسئله حل‌نشده سطح چهارم FrontierMath را حل کرده و این سطح اکنون به‌طور کامل حل شده است. ۵ ائتلافی از ریاضی‌دانان فعلی و پیشین کلتک در نامه‌ای درباره پیامدهای مخرب احتمالی رویداد Mathathon هشدار دادند. ۶ برگزارکنندگان Mathathon در پاسخ به انتقادهای مطرح‌شده درباره رویداد و تخصیص اعتبار محاسباتی به تیم‌های شرکت‌کننده توضیحاتی ارائه کردند. ۷ اوپن‌ای‌آی پس از انتشار نامه اعتراضی ریاضی‌دانان درباره «اسلاپ» ریاضی هوش مصنوعی، از هکاتون ریاضی کلتک کناره‌گیری کرد. ۸ طبق گزارش وال‌استریت ژورنال، عامل‌های هوش مصنوعی تحت آزمایش اوپن‌ای‌آی با حادثه‌ای مرتبط بودند که ثبت‌نام کاربران جدید در RubyGems را چهار روز متوقف کرد. --Hermes

برای کسی که می‌خواد از روی Roadmap سه‌ماهه‌ی Data Analyst شروع کنه، اگر بخوام فقط یک دوره‌ی رایگان معرفی کنم: Data Analyst Bootcamp 2026 — Luke Barousse تقریباً همه‌ی پایه‌های فنی مهم رو یکجا پوشش می‌ده: Excel، SQL، Python/Pandas، Power BI، GitHub به‌علاوه‌ی چند پروژه‌ی عملی. فقط پیشنهاد من اینه که با این ترتیب جلو برید: Excel → SQL → Python/Pandas → Power BI SQL رو جدی‌تر از بقیه بگیرید و سعی کنید از همون اول فقط Syntax یاد نگیرید؛ سؤال بیزینسی رو به Query تبدیل کنید. این دوره بخش فنی مسیر رو خیلی خوب پوشش می‌ده، ولی Data Analyst شدن فقط ابزار نیست. بخش‌هایی مثل Business Thinking، Statistics، A/B Testing، Cohort، Root Cause Analysis و Storytelling رو هم باید جداگانه یاد گرفت. مدلی که به نظرم جواب می‌ده: Learn → Practice → Build → Explain منم منابع خوب هر بخش رو جداگانه معرفی می‌کنم تا کم‌کم کل Roadmap تبدیل بشه به یه Learning Pack کامل. https://youtu.be/MOzEvNYvbik?si=IETk2VflZtfKlVVv @alirashedi1

یه اولویت‌بندی ساده نوشتم برای کسی که بخواد طی ۳ ماه خودش رو برای پوزیشن Data Analyst آماده کنه؛ با تمرکز روی چیزهایی که واقعاً برای شروع کار مهم‌ترن، نه هر چیزی که میشه یاد گرفت. اگر کسی توی مسیر سؤال داشت یا جایی گیر کرد، خوشحال می‌شم کمک کنم.

📘 Effective Data Analysis — Mona Khalil این کتاب بیشتر برای کساییه که کار دیتایی می‌کنن ولی می‌خوان فهم بیزینسی‌شون رو قوی‌تر کنن. یعنی به‌جای اینکه فقط روی تحلیل و ابزار تمرکز کنه، می‌ره سراغ چیزهایی که توی کار واقعی خیلی مهم‌ترن؛ مثلاً اینکه چطور مسئله رو درست تعریف کنیم، چه سؤال‌هایی بپرسیم، چطور context بیزینس رو بفهمیم و چطور نتیجه تحلیل رو جوری ارائه بدیم که واقعاً به تصمیم کمک کنه. چند بخش مهمش هم حول همین موضوع‌هاست: تعریف درست مسئله، کار با stakeholderها، تحلیل در context واقعی بیزینس، و تبدیل insight به action. به نظرم برای Data Analyst و Data Scientistهایی که از نظر فنی پایه‌شون خوبه و می‌خوان توی تصمیم‌گیری‌های بیزینسی قوی‌تر بشن، کتاب خیلی کاربردیه. @alirashedi1

اوپن‌ای‌آی اعلام کرده مدل داخلی جدیدش تونسته برای مسئله هزاره‌ی ناویه–استوکس یک راه‌حل ارائه کنه؛ یکی از معروف‌ترین مسائل حل‌نشده ریاضی که موسسه Clay برای حلش جایزه یک میلیون دلاری گذاشته. خود OpenAI مقاله و نسخه رسمی‌شده‌ی اثبات در Lean رو هم منتشر کرده. اصل مسئله خیلی ساده اینه: اگر حرکت یک سیال از اول نرم و عادی باشه، آیا همیشه همین‌طور می‌مونه یا ممکنه در یک زمان محدود به نقطه‌ای برسه که سرعت در معادلات بدون کران رشد کنه؟ طبق نتیجه‌ای که OpenAI منتشر کرده، چنین «تکینگی»ای می‌تونه رخ بده. برای رسیدن به این جواب، از یک سیستم چندعاملی با حدود ۱۰ هزار ایجنت استفاده شده که به ابزارهایی مثل اجرای کد و نسخه کش‌شده‌ی اینترنت دسترسی داشتن. مدل مورد استفاده هم طبق گفته OpenAI از GPT-6 Astra قوی‌تر بوده. ایده‌ی اصلی اثبات، ساخت یک گرداب مارپیچیه که مدام فشرده‌تر و کشیده‌تر می‌شه؛ سرعت در مرکز اون بدون کران بالا می‌ره، در حالی که انرژی کل سیستم محدود باقی می‌مونه. نکته مهم اینه که فعلاً بهتره بگیم OpenAI یک راه‌حل ارائه کرده، نه اینکه مسئله رسماً و نهایی حل شده؛ چون Clay هنوز ناویه–استوکس رو در صفحه رسمی خودش به‌عنوان مسئله باز معرفی می‌کنه. به‌نظرم مهم‌ترین بخش این خبر حتی خود جواب ریاضی هم نیست؛ اینه که مدل‌های AI دارن از حل مسئله‌های شناخته‌شده عبور می‌کنن و وارد مسائل واقعاً بازِ پژوهشی می‌شن. منبع : https://openai.com/index/navier-stokes-solution/

📘 Build a Large Language Model (From Scratch) — Sebastian Raschka اگر می‌خواید LLMها رو از پایه یاد بگیرید، این کتاب یکی از بهترین منابع برای شروعه. ساختار کتاب مرحله‌به‌مرحله جلو می‌ره: فصل ۱: آشنایی با LLMها و معماری کلی GPT فصل ۲: آماده‌سازی متن، Tokenization و Embedding فصل ۳: Attention، Self-Attention، Causal Attention و Multi-Head Attention فصل ۴: ساخت معماری GPT از صفر فصل ۵: Pretraining و آموزش مدل روی داده متنی فصل‌های بعدی: Fine-tuning برای Classification و Instruction Following نکته مهم کتاب اینه که فقط تعریف و توضیح تئوری نمی‌ده. بخش‌های مختلف یک مدل زبانی رو مرحله‌به‌مرحله پیاده‌سازی می‌کنید و در طول مسیر می‌فهمید Tokenization، Attention، Context، Training و Generation دقیقاً چطور به هم وصل می‌شن. اگر Python و مقدمات Machine Learning رو بلد باشید، برای ورود جدی به بحث LLMها انتخاب خیلی خوبیه.

🍕 مهارت SQL رو از کجا شروع کنیم؟ هفته های اولی که وارد فضای کار شدم، یکی از چیزهایی که خیلی سریع مجبور شدم خودمو توش بالا بکشم SQL بود. قرار نبود توی یک هفته متخصص SQL بشم؛ فقط باید به جایی می‌رسیدم که بتونم دیتابیس رو بفهمم، دیتا دربیارم، چند جدول رو JOIN کنم، Aggregate کنم و کوئری‌های کاری روزمره‌م رو خودم بنویسم. ● من اون موقع بیشتر از این منابع استفاده کردم: 1️⃣ Complete SQL Mastery — Mosh Hamedani برای شروع خیلی خوبه چون مباحث رو پشت‌سرهم و منظم توضیح می‌ده: SELECT → WHERE → ORDER BY → JOIN → UNION → Subquery ... اگر هیچ پیش‌زمینه‌ای ندارید، با این دوره شروع کنید. 💣 از اینجا می‌تونید رایگان دوره رو دانلود کنید 2️⃣ W3Schools SQL این یکی برای من بیشتر از اینکه دوره باشه، Reference بود.مثلاً وسط کار یادت رفته CASE WHEN یا HAVING دقیقاً چطور نوشته می‌شه؟ 💣 به‌جای سرچ بین ده تا مقاله، خیلی سریع نمونه‌ش رو اینجا می‌بینی و تست می‌کنی. 3️⃣ Learning SQL, 3rd Edition — Alan Beaulieu | O’Reilly اگر بخواید فقط Syntax حفظ نکنید و واقعاً منطق SQL و دیتابیس‌های رابطه‌ای رو بفهمید، این کتاب خیلی خوبه. از مبانی شروع می‌کنه و قدم‌به‌قدم وارد Querying، Filtering، JOIN، Grouping و Subqueryها می‌شه. فایل کتاب رو در ادامه می‌ذارم همینجا 🍕ترتیبی که خودم برای شروع پیشنهاد می‌کنم: Mosh → W3Schools کنار دست → Learning SQL وقتی Syntaxهای اصلی دستتون اومد، دیگه دوره دیدن رو کمتر کنید و برید سراغ مسئله حل کردن. برای این مرحله DataLemur رو پیشنهاد می‌کنم؛ سؤال‌های SQL با فضای Data Analyst / Data Science داره و می‌تونید از Easy شروع کنید. -------------------- @AliRashedi1 | linkedin | X

اگر تازه می‌خواید وارد حوزه‌ی دیتا بشید و هنوز نمی‌دونید دقیقاً چه مباحثی رو باید یاد بگیرید، این کتاب می‌تونه نقطه‌ی شروع خوبی باشه: Data Science from Scratch — Joel Grus - O’Reilly چیزی که این کتاب رو برای شروع خوب می‌کنه اینه که مستقیم نمی‌ره سراغ یک ابزار خاص. اول سعی می‌کنه تصویر کلی Data Science رو بسازه و بعد قدم‌به‌قدم وارد مباحث اصلی می‌شه. موضوعاتی که پوشش می‌ده شامل: ● Python برای کار با داده ● Statistics ● Linear Algebra ● Data Visualization ● Machine Learning ● Regression و Classification ● Clustering ● Neural Networks ● Recommendation Systems به نظرم برای کسی که می‌خواد قبل از تخصصی شدن، بیس مفهومی خوبی از دنیای دیتا داشته باشه، انتخاب خیلی خوبیه. فقط یک نکته: کتاب کاملاً بدون کدنویسی نیست و مثال‌ها با Python نوشته شدن؛ پس بهتره حداقل مقدمات Python رو بلد باشید.

Astra can make it...

GPT-6 Astra

Anything you can do on a computer, Astra can do for you. Fast.