Data Science

نتایج انتخابات آمریکا و پیش بینی ها نشان داد که تحلیل دقیق داده برنامه ریزی بهتری برای آینده در پی خواهد داشت. روش های تحلیلی هوش مصنوعی از استثنا روشهایی بود که پیش بینی را درست تشخیص داد.

معماری تحلیل بلادرنگ سری های زمانی در کلان داده ها @dataanalysis

📝ثبت نام در بزرگ‌ترین مسابقه مهارت‌سنجی کشور 🎁تنها بخشی از جوایز: 🏅سکه‌های بهار آزادی 👤معرفی‌ به شرکت‌های برتر 🎓بورسیه تحصیلی 📜گواهی مهارت سنجی دانشگاه شریف 👇👇👇👇👇 🔗www.fanavard.com

۱۳ چارچوب منبع‌باز برای کسب مهارت در یادگیری ماشینی @BigDataTechnology ▫ApacheSpark MLib ▫Apache Singa ▫Caffe ▫Microsoft Azure ML Studio ▫Amazon Machine Learning ▫Microsoft Distributed Machine Learning Toolkit ▫Google TensorFlow ▫ Microsoft Computational Network Toolkit ▫Veles (Samsung) ▫Brainstorm ▫mlpack 2 ▫Marvin ▫Neon  http://www.bigdata.ir/1395/06/۱۳-چارچوب-منبع‌باز-برای-کسب-مهارت-در-ی/

Top BI Tools @dataanalysis

🔴 "نمایشگر ارتباط موضوعی آیات قرآن" زین پس از طریق نشانی http://rel.alketab.org برای عموم قابل استفاده است. بخش «موضوعات آیه» را هم ببینید. نظرات و پیشنهاداتتان را از طریق @alieseraj در میان بگذارید

یافتن آیات مشابه در قران بر اساس الگوریتم های هوشمند

دوره‌‌های آموزشی Linkedin تا 30 اکتبر رایگان است: https://www.linkedin.com/learning/topics/data-science

Top data science techniques: Linear Regression Logistic Regression Jackknife Regression Density Estimation Confidence Interval Test of Hypotheses Pattern Recognition Clustering - (aka Unsupervised Learning) Supervised Learning Time Series Decision Trees Random Numbers Monte-Carlo Simulation Bayesian Statistics Naive Bayes Principal Component Analysis - (PCA) Ensembles Neural Networks Support Vector Machine - (SVM) Nearest Neighbors - (k-NN) Feature Selection - (aka Variable Reduction) Indexation / Cataloguing (Geo-) Spatial Modeling Recommendation Engine Search Engine * Attribution Modeling Collaborative Filtering Rule System Linkage Analysis Association Rules Scoring Engine Segmentation Predictive Modeling Graphs Deep Learning Game Theory Imputation Survival Analysis Arbitrage Lift Modeling Yield Optimization Cross-Validation Model Fitting Relevancy Algorithm Experimental Design

فرهنگستان data science را به علم داده ها ترجمه کرد.

Big Data Learning Path @dataanalysis

مقایسه میان معماری های پردازشی Spark و Flink آپاچی Flink نسل چهارم معماری های پردازشی Big Data می باشد @dataanalysis

با سلام یکی از نیازمندی های ورود به حوزه های کاری علم داده، Big Data و... تسلط به یکی از زبان های برنامه نویسی جهت پیاده سازی پروژه های عملیاتی هست. در انتخاب زبان بعضا دغدغه هایی مطرح گردیده است که در ادامه به اختصار برخی نکات کلیدی بیان می شود: 1- در حوزه Big Data زبان های پایتون، جاوا، اسکالا توصیه می شود. در صورتی که در حوزه Big Data Developer می خواهید فعالیت انجام بدهید زبان جاوا در پلتفرم هدوپ و زبان اسکالا در موتور پردازشی اسپارک بیشترین کارایی را خواهند داشت. در بخش Big Data Analytics هم زبان پایتون با توجه به وجود کتابخانه های غنی در حوزه یادگیری ماشین بهترین انتخاب خواهد بود. 2- در حوزه داده کاوی و علم داده زبان های پایتون، R و جاوا دارای بیشترین میزان توجهات بوده اند. یادگیری زبان زبان جاوا به نسبت زبان های پایتون و R بسیار پیچیده تر خواهد بود ولی در پروژه های Enterprise زبان جاوا بیشترین کارایی را خواهد داشت. زبان R نیز در حال حاضر رتبه اول حوزه علم داده را در اختیار دارد. برای یادگیری زبان های فوق همانند حوزه Big Data شرکت در دوره های آنلاین و کمی تلاش توصیه می شود. ارادتمند محمدرضا محتاط

با سلام با توجه به دغدغه خیلی از دانش پژوهان جهت ورود به حوزه Big Data و دستیابی به تخصص بیشتر جهت ورود به بازار کار یا انجام پژوهش های دانشجویی نکات ذیل طبق تجربیاتی که بنده داشتم برای کسب دانش بیشتر توصیه می شود: 1- شرکت در دوره های آنلاین مرتبط با حوزه Big Data : دوره های سایت هایی مانند Coursera, BigdataUniversity, Edx و... توصیه می شود. از بین این سه سایت دوره های BigdataUniversity به صورت کوتاه تر و تخصصی تر در هر حوزه برگزار می شود. دوره های Edx دارای کارگاه های قوی تر و دوره های Coursera جهت دستیابی به فهم جامع از موضوعات پیشنهاد می شود. 2- جهت دستیابی به تخصص بیشتر در یک پلتفرم مانند آپاچی هدوپ، اسپارک و... پس از گذراندن دوره های فوق، کتاب های تخصصی انتشارات های O'reilly و Packt را مطالعه کنید. 3- جهت نصب و پیاده سازی پلتفرم های مطرح Big Data همچون آپاچی هدوپ در صورتی که تجربه قبلی نداشته آید به دلیل پیچیدگی های موجود ابتدا از پکیج های ارائه شده کمپانی های Cloudera, Hortonworks و... استفاده کنید. در این پکیج ها تمامی ابزارهای مورد نیاز وجود دارد و پس از راه اندازی در یک ماشین مجازی امکان استفاده از پلتفرم های مورد نیاز میسر خواهد شد. ۴- آشنایی با پایگاه داده های Nosql : برای آشنایی با پایگاه داده های Nosql نیز دوره های آنلاین سایت های مانند Udemy و.. توصیه می شود. پس از انتخاب نوع پایگاه داده با استفاده از Toturial های ارائه شده توسط شرکت ارائه دهنده پایگاه داده می توانید آموزش را به صورت کاربردی فرا بگیرید. ارادتمند محمدرضا محتاط

شرکت داده پردازی سیمیاگران از متخصصین داده کاوی، ماشین لرنینگ و تحلیل پیشرفته داده ها دعوت به همکاری می نماید: * دارای سابقه مفید اجرایی در پروژه های تحلیل داده و بیگ دیتا (ترجیحا در خارج از کشور) * دارای درک کامل از محیط های عملیاتی بیگ دیتا * مسلط به پیاده سازی راه حل های مرتبط با تحلیل بیگ دیتا (Anomaly Detection, Clustering, Predictive Models, Machine Learning, Deep Learning, Stream Processing) * ترجیحا آشنا به تحلیل داده ها در حوزه های بانکی و مالی لطفاً رزومه خود را به آدرس fkhandan@simiagaran.net ارسال بفرمایید و در Subject عبارت Big Data Expert را درج بفرمایید. برای اطلاعات بیشتر پیام خصوصی بدهید: @farzadkhandan

مقایسه برترین الگوریتم های مورد استفاده توسط متخصصین علم داده در صنعت و محیط آکادمیک @dataanalysis

مقایسه پلتفرم های پردازش بلادرنگ @dataanalysis

مقایسه پلتفرم های پردازش بلادرنگ Big Data https://www.mapr.com/blog/stream-processing-everywhere-what-use @dataanalysis

مقایسه روش های خوشه بندی http://www.kdnuggets.com/2016/09/comparing-clustering-techniques-concise-technical-overview.html

Big Data Ecosystem @dataanalysis