درباره دوره
علم داده (Data Science)
شامل مجموعهای از اصول، تعریف مسئله، الگوریتمها و فرآیندها است که هدف آن استخراج الگوهای غیر واضح و مفید از مجموعه دادهها است. امروز علم داده درحال تحول حوزههای علمی و کاربردی مختلف از پزشکی، روان شناسی، علوم اجتماعی، کسب و کار و مدیریت، علوم پایه، فنی و مهندسی و … است.
آموزش علم داده یا دیتا ساینس برای چه کسانی مناسب است؟
علم داده یا دیتا ساینس (Data Science) ترکیبی از سه رشتهی آمار، ریاضیات و علوم کامپیوتر است، بنابراین افرادی که در این رشتهها تحصیل کرده باشند مطمئناً مسیر راحتتری را برای یادگیری علم داده در پیش خواهند داشت؛ اما این موضوع اصلاً بهاین معنا نیست که اگر رشتهی تحصیلی شما یکی از این سه یا مرتبط با این رشتهها نیست، نمیتوانید آموزش علم داده را شروع کنید.
اگر بخواهیم خیلی واضحتر صحبت کنیم، باید بگوییم هر کسی، با هر پیشزمینه یا رشته تحصیلی، میتواند آموزش علم داده یا دیتا ساینس را شروع کند و آن را بهعنوان شغل آیندهی خود انتخاب کند. تنها مسئله انگیزهی شما برای شروع مسیر یادگیری یک حرفهی جذاب است!
در نظر بگیرید که علم داده در تمام حوزهها میتواند کاربرد داشته باشد و شما بهراحتی میتوانید با داشتن مهارت علم داده در حوزه تخصصی خودتان حرفی برای گفتن داشته باشید!
مزایای یادگیری علم داده
برای دریافت پاسخ این سؤال لازم است بدانید که در دنیای امروزی حرف اصلی را داده میزند! روزانه حجم عظیمی از داده در حال تولید است و نیاز به تحلیل داده برای استخراج بینش مفید از آن به مسئلهی بسیار مهمی تبدیل شده است. این موضوع به یک صنعت خاص اختصاص ندارد، بلکه در تمامی صنایع این اتفاق در حال رخ دادن است؛ بنابراین تقاضا برای افرادی که مهارت کار با داده و تحلیل آن را داشته باشند بهشدت در حال رشد است و این روند با توجه به آمارها و تحقیقات مختلف انجامشده همچنان ادامه دارد؛ بههمین دلیل است که LinkedIn شغل دانشمند داده را «امیدبخشترین شغل» و Glassdoor آن را «بهترین شغل در امریکا» نامیدهاند!
کاربردهای دیتا ساینس:
علم داده در مواجهه با بسیاری از مشکلات دنیای واقعی مؤثر بوده و بهمنظور اتخاذ تصمیمهای هوشمندانه و آگاهانهتر، بهطور فزاینده در تمامی صنایع از آن استفاده میشود. به برخی از کاربردهای Data Science در زیر اشاره شده است:
- پزشکی: شرکتهای پزشکی از علم داده برای ساختن ابزارهای پزشکی پیچیده برای تشخیص و درمان بیماریها استفاده میکنند. برای کسب اطلاعات بیشتر به کاربردهای داده کاوی در پزشکی مراجعه کنید.
- بازی: بازیهای ویدیویی و رایانهای اکنون با کمک علم داده ایجاد میشوند و همین امر تجربه بازی را به سطح بالاتری انتقال داده است.
- تشخیص تصویر: شناسایی الگوها در تصاویر و تشخیص اشیا در تصویر یکی از محبوبترین کاربردهای دیتا ساینس است.
- سیستمهای پیشنهاد دهنده: نتفلیکس و آمازون بر اساس آنچه کاربر سیستمعاملهای آنها تماشا، خرید یا مرور میکند، فیلم و محصول خاص پیشنهاد میدهند.
- تشخیص کلاهبرداری: مؤسسات بانکی و مالی از علم داده و الگوریتمهای مرتبط برای کشف کلاهبرداری در معاملات استفاده میکنند.
چرا باید یک محقق علم داده شوم ؟
- بسیاری از شرکتهای بزرگ داخلی و خارجی با حجم انبوهی از دادههای تولید شده توسط کاربران مواجه هستند و این باعث افزایش تقاضا برای جذب نیروی متخصص در این حوزه میشود.
- اگر قصد مهاجرت داشته باشید داشتن مهارت و رزومه در این زمینه میتواند فرایند کسب درآمد در کشور مقصد را ساده کند.
- بهدلیل کمبود نیروی متخصص علم داده در شرکتهای داخلی، در صورت داشتن مهارت کافی امکان جذب نیرو همراه با درآمد بالا توسط شرکتها فراهم است.
- علم داده نیز مانند ماشین لرنینگ یکی از شاخههای مهم فناوری است و بر مبنای پایتون فعالیت میکند. بنابراین یادگیری آن میتواند زمینه ساز ورود شما به سایر حوزههای مهم باشد.
پیش نیازه های دوره
پیش نیاز ندارد, موضوع مهمتر داشتن علاقه و اختصاص زمان کافی برای یادگیری است.
بقیه پیش نیازهای یادگیری داده کاوی مانند پایتون، آمار، ریاضیات، جبر خطی در این دوره آموزش داده میشود.
دستاورد های شما پس از گذراندن دوره
تحلیلگر داده (Data Analyst)
مهندس داده (Data Engineer)
دانشمند داده (Data scientist)
معمار داده
داستانسرای داده
دانشمند یادگیری ماشین
مهندس یادگیری ماشین
توسعه دهنده هوش تجاری
مدیر پایگاه داده
نقشهای تخصصی تکنولوژی
مخاطب هدف دوره
دانشجویان و فارغ التحصیلان تحصیلات تکمیلی رشتههای فنی مهندسی، مدیریت و رشتههای علوم پایه
اعضای تیم داده و هوش تجاری شاغل در استارتاپها، سازمانها و کسب و کارها
علاقمندان به حوزه علم داده (Data Science)، یادگیری ماشین و دادهکاوی
علاقهمندان به امور پژوهشی در حوزه علم داده
علاقمندان به اشتغال در خارج از ایران در حوزه علم داده
کسانی که قصد مهاجرت دارند و به دنبال تضمین شغلی هستند.
کسانی که به دنبال امتیاز ویژه برای پذیرش تحصیلی در خارج از کشور هستند.
سوالات متداول
درآمد داده کاوی (دیتاساینس) چقدر است؟
مدت زمان دوره چقدر است؟
آیا پس از گذراندن دوره مدرکی دریافت میکنم؟
سرفصل های دوره
فاز پیش نیاز: معرفی دوره علم داده + پایتون مقدماتی (وارم آپ)
1. داده کاوی (Data Mining) چیست؟2. علم داده (Data Science) چیست؟
3. نقشه راه تبدیل شدن به یک دانشمند داده (Data Scientist)
4. پیش نیازها، انتظارات، و آینده علم داده
5. نصب محیط توسعه Anaconda
6. معرفی محیط برنامه نویسی Spyder
7. معرفی محیط برنامه نویسی Jupiter Notebook
8. معرفی زبان برنامه نویسی
پایتون و اهمیت آن در علم داده
9. دستورات مقدماتی پایتون
10. معرفی توابع داخلی پایتون
11. معرفی متغیر، رشته، لیست، تاپل، دیکشنری
12. کنترل برنامه با استفاده از دستور if، while، و for
فاز 1: ریاضیات کاربردی علم داده با پایتون
1. نمادهای پایه در ریاضیات2. ریاضیات جبر خطی
3. بردارها و محاسبات برداری
4. نٌرم های برداری
5. آرایه ها و ماتریس ها
6. محاسبات ماتریسی
7. انواع ماتریس ها
8. عملیات ماتریسی
9. ماتریس های اسپارس
10. تنسورها و محاسبات تنسوری
11. عملیات تجزیه ماتریس
12. مقادیر ویژه و یکه در ماتریس
13. مروری بر آمار مقدماتی چند متغیره
14. تحلیل مولفه اساسی
15. مبانی رگرسیون خطی
فاز 2: برنامه نویسی پیشرفته پایتون برای علم داده
1. کار با توابع2. برنامه نویسی Functional در پایتون
3. برنامه نویسی شی گرا در پایتون
4. معرفی کتابخانه های معروف علم داده
5. کتابخانه NumPy
• ایجاد آرایه های NumPy • Indexing و Slicing در آرایه ها • فیلتر کردن مقادیر در آرایه ها • متُدهای کار با آرایه ها • عملیات محاسباتی بر روی آرایه ها • مباحث ویژه در کتابخانه NumPy
6. کتابخانه SciPy
• کار با سابماژول های مهم در SciPy • توزیع های گسسته و پیوسته • مباحث ویژه در کتابخانه SciPy
7. کتابخانه Pandas
• ایجاد DataFrame ها • عملیات بر روی DataFrame ها و دستکاری آن ها • مباحث ویژه در کتابخانه Pandas
8. کار با کتابخانه matplotlib
9. کار با کتابخانه Seaborn
10. نحوه ایجاد برنامه های Stand Alone Executable
فاز 3: آمار کاربردی علم داده با پایتون
1. مقدمه ای بر علم آمار2. مقایسه علم آمار و یادگیری ماشین
3. مثال هایی از کاربرد علم آمار در یادگیری ماشین
4. مفهوم آمار گوسی
5. نمایش داده با استفاده از Matplotlib
6. اعداد تصادفی
7. قانون Large Numbers
8. تئوری Central Limit
9. تست فرضیه آماری
10. توزیع های آماری
11. مقادیر بحرانی
12. همبستگی و کواریانس
13. تست های Significance
14. مفهوم Effect Size
15. مفهوم Statistical Power
16. معرفی Resampling آماری
17. تخمین با استفاده از Bootstrap
18. تخمین با استفاده از Cross-Validation
19. معرفی آمار تخمینی
20. محاسبه Tolerance Intervals
21. محاسبه Prediction Intervals
22. پیاده سازی روش های Non-Parametric
فاز 4: یادگیری ماشین و شناسایی الگو
1. مبانی یادگیری ماشین2. مفهوم داده در یادگیری ماشین
3. فراهم سازی داده ها در پایتون (جامع)
4. مفهوم الگوریتم در یادگیری ماشین • الگوریتم های یادگیری ماشین Parametric • الگوریتم های یادگیری ماشین Non-Parametric
5. یادگیری ماشین غیر نظارتی، نیمه نظارتی، و نظارتی
6. مفهوم Bias-Variance Trade-Off
7. مفاهیم Overfitting و Underfitting
8. مروری جامع بر الگوریتم های یادگیری ماشین خطی
9. مروری جامع بر الگوریتم های یادگیری ماشین غیرخطی
10. مروری جامع بر الگوریتم های یادگیری ماشین Ensemble
11. پیاده سازی کامل الگوریتم های یادگیری ماشین در پایتون
12. معیارهای ارزیابی مدل های یادگیری ماشین
13. بهبود مدل یادگیری ماشین با استفاده از Ensemble
14. بهبود مدل یادگیری ماشین با استفاده از Tuning Algorithm
15. معرفی TensorFlow
16. پیاده سازی الگوریتم های یادگیری ماشین با TensorFlow
فاز 5: پردازش تصویر
1. مروری بر آرایه های NumPy2. مبانی کار با تصویر
3. معرفی و نصب کتابخانه OpenCV
4. کار با مبانی کتابخانه OpenCV
5. عملیات Core و اساسی در کتابخانه OpenCV
6. پردازش تصویر با استفاده از کتابخانه OpenCV
7. کار با Hough Transform
8. تشخیص خطوط ممتد در جاده با استفاده از پردازش تصویر
9. تشخیص چشم در صورت با استفاده از پردازش تصویر
10. تشخیص چهره با استفاده از پردازش تصویر
11. تشخیص لبه ها در تصویر
فاز 6: یادگیری عمیق در بینایی ماشین
1. مقدمه ای بر بینایی ماشین2. یادگیری عمیق در بینایی ماشین
3. ایجاد مدل های یادگیری عمیق با استفاده از کتابخانه Keras
4. معرفی و کار با کتابخانه Pillow
5. فراهم کردن داده های تصویری
6. کار با داده های تصویری با استفاده از کتابخانه Keras
7. بارگذاری داده های تصویری بزرگ در کتابخانه Keras
8. پیاده سازی Data Augmentation در کتابخانه Keras
9. معرفی Convolutions و Pooling و کار با لایه های کانولوشنی
10. معرفی شبکه های عصبی کانولوشنی
11. پیاده سازی شبکه های عصبی کانولوشنال
• Image Classification • Object Detection • Image Segmentation
فاز 7: پایگاه داده
1. معرفی مفهوم کلان داده (Big Data)2. مبانی کار با پایگاه داده های رابطه ای
3. معرفی Tables، Records، Attributes، Primary Key، و Foreign Key
4. آشنایی با جبر رابطه ای و داده ساخت یافته
5. مبانی کار با پایگاه داده SQL و دستورات مقدماتی
6. معرفی و کار با مفاهیم DML و DDL
7. معرفی دستورات مرتبط با SQL JOINS
8. نحوه بازیابی اطلاعات
9. برقراری ارتباط پایتون با پایگاه داده SQL
اساتید دوره :
و بک اند نود جی اس
مدت زمان
270 ساعتتاریخ شروع
1403/08/07محل برگزاری
لابراتوار Aمدت زمان
60 ساعتتاریخ شروع
1403/07/06محل برگزاری
لابراتوار Aمقدماتی تا پیشرفته
مدت زمان
45 ساعتتاریخ شروع
1403/07/20محل برگزاری
لابراتوار Cدرخواست مشاوره ثبت نام
درصورت نیاز به مشاوره برای ثبت نام فرم درخواست زیر را تکمیل فرمایید.