هوش مصنوعی و علم داده به فارسی

📊 برترین ابزارهای هوش تجاری در سال 2019 🔺پیشتازی بیش از پیش Microsoft Power BI از دیگر رقبا و به ویژه Tableau 🔺کلیک (Qlik) کماکان در جمع رهبران این حوزه 🔺 ورود ThoughtSpot به جمع رهبران 👈{عضویت در کانال} 👉

📈 Top skills to master to become a DATA SCIENTIST! توانمندی‌های مورد نیاز دانشمندان داده این لیست از تحلیل ۳۰۰ موقعیت شغلی شرکت‌های تکنولوژی در ژوئن 2019 استخراج شده است. 👈{عضویت در کانال} 👉

🏴 ایام سوگواری شهادت رسول اکرم حضرت محمد (صلی الله علیه و آله) ، امام حسن مجتبی و امام رضا (علیهما السلام) تسلیت باد.

🎞 مناظره ایلان ماسک با جک ما؛ از هوش مصنوعی تا کاهش جمعیت مناظره ایلان ماسک بنیان گذار شرکت تسلا دربرابر جک ما بنیان گذار شرکت علی بابا درحاشیه کنفرانس #هوش_مصنوعی در چین درباره هوش مصنوعی، زندگی، شغل، جمعیت (با زیرنویس فارسی) 📽 مشاهده در آپارات 👈{عضویت در کانال} 👉

آشنایی با ابزارهای علم داده در قالبی طنز فقط اون برخوردش با matlab 😂 👈{عضویت در کانال} 👉

Data Scientist vs Data Analyst vs Data Engineer - Role & Responsibility, Skills, Salary مقایسه بین پوزیشن‌های متخصص علم داده، تحلیلگر داده و مهندس داده از جهت توانمندی‌ها، مسئولیت‌ها و درآمد source : Simplilearn 👈{عضویت در کانال} 👉

راهنمای انتخاب نوع نمودار برای مصورسازی داده‌ها 👈{عضویت در کانال} 👉

💡 آنچه که انجام می‌دهیم بسیار تاثیر گذارتر است از آنچه که می‌گوییم! @SyThinking

🎞 نمایش تبلیغ حین پخش ویدیوهای یوتیوب و پلتفرم های مشابه به امری رایج تبدیل شده اما چینی ها روش کاملا متفاوت و جالبی برای اینکار در پیش گرفته اند. ‌ 🔸«تنسنت»، که بر بخش بزرگی از بازار IT چین سیطره دارد، به جای ایجاد وقفه در نمایش ویدیوها تصمیم گرفته با استفاده از #هوش_مصنوعی سوژه‌هایی را که در خود ویدیو وجود دارد، به مکانی برای نمایش تبلیغات تبدیل کند. برای مثال اگر بازیگر در حال نوشیدن چای یا قهوه است، در پلتفرم ویدیویی تنسنت تبلیغ روی ماگ به نمایش در می آید./دیجیاتو ‌ 🔸نمونه‌هایی از پیاده‌سازی هوشمند این ایده را در ویدئو بالا ببینید 👈{عضویت در کانال} 👉

ربات جدید OpenAI با یک دست مکعب روبیک را حل می کند! اطلاعات بیشتر 👈{عضویت در کانال} 👉 | 📩 ارتباط با ما

Gartner hype cycle 2019 ♨️ چرخه هایپ فناوریهای نوظهور #گارتنر 2019 👈{عضویت در کانال} 👉 | 📩 ارتباط با ما

صعود و افول سیستم عامل های موبایل در طی ۲۰ سال اخیر از سال ۱۹۹۹ تاکنون.‌ ‌ 👈{عضویت در کانال} 👉 | 📩 ارتباط با ما

The age structure of the ten largest countries in the world #مصورسازی هرم سنی 10 کشور پر جمعیت دنیا #visualization 👈{عضویت در کانال} 👉 | 📩 ارتباط با ما

💡 از Hype Cycle چه می دانید؟ چرخه محبوبیت یا Hype Cycle، نموداری است که مراحل زمانی محبوب شدن یک فناوری را به تصویر می‌کشد. به عبارت دیگر یک فناوری از زمان پیدایش ایده، تا زمانی که به بلوغ برسد و جایگاه واقعی خود را در صنعت / دانشگاه پیدا کند 5 مرحله مختلف را طی می کند. این چرخه توسط شرکت Gartner (یک شرکت مشاوره و تحقیقات در حوزه‌ی IT) معرفی شده است. در تصویر زیر شکل کلی این چرخه را میبینید. در محور افقی که زمان، یا مراحل چرخه را نشان میدهد، فازهای مختلف با خطهای عمودی از هم جدا شده‌اند. محور عمودی هم «انتظارات» یا به بیان دیگر محبوبیت را نشان میدهد. 🚨 مراحل این چرخه به ترتیب عبارتند از: 1) پیدایش نوآوری یا Innovation Trigger در این مرحله، ابتدا فناوری بصورت یک مفهوم مطرح میشود. معمولا در حد پروتوتایپ یا proof of concept نمونه‌هایی از آن ارائه می‌شود. استارت آپ‌هایی دور آن شکل میگیرد اما نمونه‌‌های تجاری آن هنوز آنقدر ارزان و فراگیر نشده‌اند. 2) قله‌ی انتظارات یا Peak of Inflated Expectations رسانه‌ها به سرعت اطلاع‌رسانی می‌کنند و در زمان کوتاهی این فناوری بر سر زبانها می‌افتد. کسانی که «خوره‌ی تکنولوژی» آن را پیاده‌سازی می‌کنند. در کنار آن سرمایه‌گذاری و فعالیت برای تجاری سازی آن توسط شرکت‌ها به سرعت افزایش می‌یابد. از جنبه‌ی آکادمیک، دانشگاه‌ها و موسسات تحقیقاتی همه هجوم میبرند به سمت این فناوری، تعریف کردن پایان نامه‌های متعدد و چاپ کردن مقاله. معمولا کسی در این مقالات به محدودیت‌های آن اشاره نمی‌کند و فقط نتایج بهتر و اعداد بزرگتر گزارش می‌شوند. 3) دره‌ی سرخوردگی یا Trough of Disillusionment به زودی نشانه هایی از مشکلات این فناوری روشن می‌شوند و نواقص‌ آن کم‌کم خود را نشان می‌دهند. غالبا این بخش «صنعت» است که متوجه این نواقص می‌شود. آنها این نواقص را در تضاد با یافته‌های مقالات علمی و وعده‌های داده شده می‌بینند. در نتیجه حسی از بی اعتمادی و ناامیدی در بین طرفداران شکل می‌گیرد. شرکت‌ها سرمایه‌گذاری‌های خود را متوقف می‌کنند و همه چیز منوط میشود به برطرف کردن نواقص. 4) شیب روشنفکری یا Slope of Enlightenment کم کم پتانسیل‌های این فناوری بیشتر مشخص می‌شود و برخی شرکتها می‌فهمند با وجود محدودیت‌ها و نواقص آن چگونه از آن استفاده کنند. این اتفاق در حینی صورت میپذیرد که رسانه‌ها توجه زیادی به این فناوری ندارند و جامعه‌ی علمی آن را به شکل یک زمینه‌ی اشباع شده میبیند. 5) فلات بهره‌وری یا Plateau of Productivity فناوری به ثبات خوبی می‌رسد و مزیتهای و محدودیتهای آن به خوبی روشن شده است. این بار بخش صنعت با اطلاع کامل و بصورت معقول سرمایه‌گذاری را مدیریت می‌کند. مثال‌های زیادی برای این چرخه میتوان زد، یکی از آنها فناوری یادگیری عمیق (Deep Learning) است. همانطور که در تصویر میبینید، این فناوری در حال حاضر (2018) در بالای قله قرار دارد که نشان از توجه بیش از حد جامعه‌ی تحقیقاتی به آن دارد. پیش بینی می‌شود این فناوری در چند سال آینده نتواند انتظارات -غیرمنطقی- را برآورده کند و در نتیجه با یک دره‌ی سرخوردگی مواجه میشود. فناوری اینترنت نسل 5 یا پردازش کوانتومی هنوز در فاز اول این چرخه هستند، یا از طرف دیگر، فناوریهایی مثل «بلاک چِین» و «واقعیت افزوده»، از مرحله هیجانی عبور کرده و هم اکنون در دوران سرخوردگی به سر می‌برند. 📝منبع: جواد امیریان 👈{عضویت در کانال} 👉 | 📩 ارتباط با ما

پرکاربردترین تکنیک‌های آماری در علم‌داده! http://tiny.cc/amm3dz 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 Shrinkage در 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 قابل دانلود است. https://gwthomas.github.io/docs/math4ml.pdf ارادتمند محمدرضا محتاط @DataAnalysis

💡 Real world Machine learning applications برخی از کاربردهای یادگیری ماشین در دنیای واقعی 👈{عضویت در کانال} 👉 | 📩 ارتباط با ما

💡هفت نمونه از کاربردهای هوش مصنوعی در حوزه سلامت: ۱-شناسایی سرطان پوست: در تشخیص زودهنگام سرطان پوست هوش مصنوعی ۹۵٪ و پزشکان ۸۷٪ موفقند. ۲- هوش مصنوعی زمان بیداری قربانیان کما را با ۹۰٪ دقت، پیش بینی می کند ۳- هوش مصنوعی می تواند با دقت خارق العاده اسکن چشمی را بررسی و مانند برترین پزشکان جهان، آنها را توصیف نماید ۴- سامانه های یادگیری ماشین می توانند به سرعت داروی های جدید را تست و تولید نمایند ۵- با تحلیل صدای فرد، هوش مصنوعی می تواند تخمین بزند فرد دچار افسردگی است یا خیر! ۶-ربات های جراح با دقت ۹۵٪ روز به روز کیفیت جراحی را می افزایند ۷- تشخیص زودهنگام بیماری الگوریتم های نوین توانستند علائم بیماری ابولا را ۹ روز زودتر تشخیص دهند. 👈{عضویت در کانال} 👉 | 📩 ارتباط با ما

💡 30 تکنولوژی تاثیرگذار در دهه آینده (2018–2028) هوش مصنوعی، اینترنت اشیا،جوامع اینترنتی، بلاکچین و بیگ دیتا در رتبه‌های اول تا پنجم این لیست قرار دارند. 🔗 مطالعه بیشتر #AI #IOT #blockchain #BigData 👈{عضویت در کانال} 👉 | 📩 ارتباط با ما