🔖 دوره آموزش تحلیل داده با R
🎓 دانشکده علوم ریاضی دانشگاه صنعتی شریف (آموزش‌‌‌های تخصصی)

💡 ۱۲ هفته ۵۰ ساعت (آنلاین)، همراه با پروژه پایانی، پشتیبانی آموزشی (منتورشیپ)، رویداد حضوری و گواهی پایان دوره

📍 معرفی دوره و آشنایی با R
📍 تحلیل و مصورسازی داده با R
📍 آمار و مدلسازی آماری در R
📍 تحلیل رگرسیون و استفاده از مدل‌های دسته‌بندی
📍 آشنایی با جبر خطی، خوشه‌بندی و کاهش ابعاد داده
📍 آنالیز بقا و تحلیل عاملی
📍 استفاده از رویکرد شبکه در تحلیل داده
📍 کارگاه تحلیل داده‌های سلامت و بهداشت عمومی
📍 مطالعه موردی (۱): تحلیل کمّی عدالت اجتماعی در جغرافیای ایران
📍 مطالعه موردی (۲): تحلیل داده‌های کسب‌وکار
📍 ارائه پروژه‌ها و رویداد حضوری پایان دوره

👆 معرفی کامل دوره و سوالات متداول (pdf) 👆

📆 یکشنبه‌ها و چهارشنبه‌ها ۱۸:۰۰ تا ۲۱:۱۵
🗓 شروع از ۵ شهریور ۱۴۰۴

⏳ فرصت استفاده از تخفیف ثبت نام زودهنگام اول تا ۲۷ تیر ۱۴۰۴:
📍پرداخت یکجا: ۲۰%، پرداخت قسطی (در چهار قسط): ۱۵%

✍️ درخواست پذیرش (پیش‌ثبت‌ِنام):

🔗 b2n.ir/r4dah_tlg

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

Читать полностью…

🔖 دوره آموزش مقدماتی علوم داده و هوش مصنوعی با پایتون
🎓دانشکده علوم ریاضی دانشگاه صنعتی شریف (آموزش‌‌‌های تخصصی)

📆 شروع از ۴ مرداد ۱۴۰۴
❗️ تاریخ شروع دوره تغییر کرد

⏰ شنبه‌ها و سه‌شنبه‌ها ۱۸:۰۰ تا ۲۱:۱۵

✅ تفکر الگوریتمی و برنامه‌نویسی با پایتون
✅ پردازش و مصورسازی داده
✅ کاربردهای آمار و ریاضیات در علوم داده
✅ یادگیری ماشین و یادگیری عمیق
✅ پردازش زبان‌های طبیعی، مدل‌های زبانی بزرگ و یادگیری تقویتی

✔️ ۱۲ هفته ۵۰ ساعت (آنلاین)، همراه با پروژه پایانی، پشتیبانی آموزشی (منتورشیپ)، وبینارهای شناسایی فرصت‌های شغلی، رویداد حضوری و گواهی پایان دوره

✨ معرفی کامل دوره و سوالات متداول (pdf)
⭐️ آخرین به‌روزرسانی ۶ تیر ۱۴۰۴

✍️ درخواست پذیرش (پیش‌ثبت‌ِنام):

🔗 b2n.ir/pydsai_tlg

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

Читать полностью…

📱 تبعیض در موتورهای جستجو؛
چرا تنوع‌بخش در الگوریتم‌های جستجو مهم است؟

بخش بزرگی از تعامل ما با جهان در سال‌های اخیر، نه از پشت ویترین مغازه‌ها یا راهروهای فروشگاه‌ها، بلکه از دلِ صفحه‌های کوچک موبایل و لپ‌تاپ انجام می‌شود. کافی‌ست دنبال کفش، کتاب تازه یا حتی شغلی جدید باشیم تا به‌جای پرسه‌زدن در مراکز خرید، چند واژه را در نوار جستجو تایپ کنیم و منتظر بمانیم تا نتایج ظاهر شوند. اما برخلاف دنیای واقعی که امکان دیدن صدها یا حتی هزارها انتخاب را در مراکز خرید داریم، در دنیای دیجیتال تنها چند گزینه‌ی اول دیده می‌شوند و باقی تقریباً ناپدید می‌شوند. در چنین فضایی، همه – از تأمین‌کننده و مشتری تا پلتفرم و متولیان زیرساخت‌های بازار — به عملکرد یک بازیگر پنهان وابسته‌اند: الگوریتم جستجو!

بسیاری از کسب‌وکارهای آنلاین از رویکردهای تک‌عاملی و محبوبیت‌محور برای ارائه نتایج جستجو به کاربرانشان استفاده می‌کنند؛ اما نادیده گرفتن تنوع در الگوریتم‌های جستجو باعث ایجاد تبعیض، انحصار، افت فروش و از دست رفتن بخش قابل توجهی از تامین‌کنندگان می‌شود.

📝 متن کامل «تبعیض در موتورهای جستجو» با قلم علی جوادی را در مجله پرانتز در وبسایت مدرسه دقیقه مطالعه کنید:

👆 d-learn.ir/p/diversification-in-search-engines

💡 ایده اصلی این مقاله از پست میرامید حاجی‌میرصادقی مدیر عامل شرکت سرچ‌وایز در پست زیر در لینکدین گرفته شده است:

https://lnkd.in/dRXBbaaG
searchwise.ir

✍️ اگر مایلید تجربیات کسب‌وکار خود در علوم داده و هوش مصنوعی را با دیگران به اشتراک بگذارید با ما تماس بگیرید.


📲 t.me/dlearnsup
📞 02188349244
📱 09103209837

@dlearn_ir

Читать полностью…

🔖 دوره آموزش مقدماتی علوم داده و هوش مصنوعی با پایتون
🎓دانشکده علوم ریاضی دانشگاه صنعتی شریف (آموزش‌‌‌های تخصصی)

💡 ۱۲ هفته ۵۰ ساعت (آنلاین)، همراه با پروژه پایانی، پشتیبانی آموزشی (منتورشیپ)، وبینارهای شناسایی فرصت‌های شغلی، رویداد حضوری و گواهی پایان دوره

🙂 تفکر الگوریتمی و برنامه‌نویسی با پایتون
🙂 پردازش و مصورسازی داده
🙂 کاربردهای آمار و ریاضیات در علوم داده
🙂 یادگیری ماشین و یادگیری عمیق
🙂 پردازش زبان‌های طبیعی، مدل‌های زبانی بزرگ و یادگیری تقویتی

👆 معرفی کامل دوره و سوالات متداول (pdf)

📆 شنبه‌ها و سه‌شنبه‌ها ۱۸:۰۰ تا ۲۱:۱۵
🗓 شروع از ۷ تیر ۱۴۰۴

✍️ درخواست پذیرش (پیش‌ثبت‌ِنام):

🔗 b2n.ir/pydsai_tlg

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

Читать полностью…

▶️ ویدئو و فایل ارائه وبینار «مسیر شغلی تحلیل داده و مهندسی داده» منتشر شد

تحلیلگر داده و مهندس داده دو موقعیت شغلی محبوب در یک دهه اخیر بوده‌اند و که با دسترسی هرچه بیشتر به داده‌ها نقش به‌سزایی در ارزش‌افرینی با بهره‌برداری از آن‌ها ایفا کرده‌اند. اما به نظر می‌رسد با برآمدن هوش مصنوعی مولد مانند ChatGPT، این دو موقعیت شغلی نیز تغییراتی را تجربه می‌کنند.

به عنوان نمونه و تا پیش از این، معمولا بخش زیادی از زمان یک مهندس داده صرف پالایش داده و اطمینان از کیفیت آن می‌شده، اما احتمالا این فرایند و بسیاری از وظایف زمان‌بر و پرتکرارِ شبیه به آن، به هوش مصنوعی مولد یا Agent ها واگذار می‌شوند. از طرف دیگر استفاده گسترده از انواع تکنولوژی‌ها و ابزارهای دیجیتال، هم سرعت تولید داده را بیشتر کرده است. به علاوه، هوش مصنوعی ها به طور کلی و هوش مصنوعی مولد هم نیازمند داده با کیفیت برای رشد و توسعه است.

این پویایی و دینامیسم احتمالا تقاضا برای تحلیل داده را افزایش خواهد داد و به همین خاطر بعید به نظر می‌رسد مشاغلی مانند تحلیلگر داده و مهندس داده با تهدید وجودی مواجه شوند. اما احتمالا نوع کارشان تفاوت‌های چشم‌گیری با گذشته خواهد داشت.

با توجه به استقبال همراهان از وبینار، فیلم وبینار و فایل ارائه شده در سایت مدرسه دقیقه در دسترس مخاطبان قرار گرفت. برای دسترسی به آن از لینک زیر استفاده کنید:
👆 d-learn.ir/crdn

🔹🔹👇🔹🔹
پردازش داده‌های حجیم در پایتون یکی از چالش‌های تحلیلگران داده در مواجهه با داده‌های واقعی است.
بخش قابل توجهی از این چالش‌ها، با استفاده کارآمد و اصولی از کتابخانه pandas همچنان قابل انجام است. عدم استفاده درست از پانداس، عملکرد پردازش را به شدت تحت تاثیر قرار می‌دهد. با در نظر گرفتن این موارد می توان به سقف عملکردی پردازش با pandas  نزدیک شد.
اگر به چالش پردازش داده‌های حجیم در پایتون برخورده‌ کرده‌اید، دوره «پردازش بهینه با pandas و polars» برای شماست.

🔘 لینک ثبت نام:
d-learn.ir/pyps

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

Читать полностью…

✈️ ویدئو و فایل ارائه وبینار «مسیر شغلی یادگیری ماشین و هوش مصنوعی» منتشر شد

در عصر حاضر، یادگیری ماشین و هوش مصنوعی به عنوان پیشران‌های اصلی تحولات فناورانه، نقش حیاتی در شکل‌دهی به آینده صنایع و جوامع ایفا می‌کنند. این حوزه‌های دانش، فراتر از مرزهای سنتی علوم کامپیوتر، با بهره‌گیری از داده‌های عظیم و الگوریتم‌های پیچیده، قابلیت‌های بی‌سابقه‌ای در تحلیل، پیش‌بینی و تصمیم‌گیری هوشمندانه فراهم می‌آورند.

توسعه و به‌کارگیری سیستم‌های مبتنی بر یادگیری ماشین و هوش مصنوعی، طیف وسیعی از فرصت‌های شغلی تخصصی را در سطح جهان ایجاد نموده است. این مشاغل، از تحقیق و توسعه الگوریتم‌های نوین گرفته تا پیاده‌سازی و استقرار راهکارهای هوشمند در کاربردهای متنوع، نیازمند دانش عمیق نظری و مهارت‌های عملی پیشرفته‌ای در زمینه علوم داده، برنامه‌نویسی و مدل‌سازی ریاضی می‌باشند.
با توجه به رشد فزاینده تقاضا برای متخصصان این حوزه و پتانسیل بالای آن در ایجاد ارزش افزوده و تحول‌آفرینی، شناخت دقیق مسیرهای شغلی موجود و مهارت‌های مورد نیاز برای ورود و پیشرفت در این عرصه، امری ضروری برای علاقه‌مندان و فعالان این حوزه محسوب می‌گردد.

با توجه به استقبال همراهان از وبینار، فیلم وبینار و فایل ارائه شده در سایت مدرسه دقیقه در دسترس مخاطبان قرار گرفت. برای دسترسی به آن از لینک زیر استفاده کنید:
d-learn.ir/crmlai


〰️🔽🔽〰️
اگر می‌خواهید از قدرت #هوش_مصنوعی در تحلیل داده و تحقیقات خود بهره‌مند شوید، یادگیری ماشین مهم‌ترین چیزی است که به آن نیاز دارید.
دوره جامع «یادگیری ماشین با پایتون» از مبانی یادگیری ماشین آغاز می‌شود و گام‌ به گام تا مباحث پیچیده‌تری مثل یادگیری گروهی، کاهش ابعاد داده و  شبکه‌های عصبی پیش ‌می‌رود. در این دوره آموزشی تمامی مباحث با رویکردی عملیاتی آموزش داده خواهند شد و تمامی مفاهیم و روش‌های دوره با پردازش داده‌های واقعی در محیط #پایتون پیاده‌سازی خواهند شد.

⭐️  کد تخفیف 30% برای پرداخت کامل: Fvxp30
💠  کد تخفیف 20% برای پرداخت قسطی: VxpF20

🔗 لینک ثبت نام:
d-learn.ir/mlpy


تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

Читать полностью…

🔸 مسیر شغلی تحلیلگر و مهندس داده؛ همچنان محبوب و رو به رشد در بازار کار

مهارت‌های تحلیل داده با زبان برنامه‌نویسی پایتون در حال حاضر از جمله توانمندی‌های بسیار پرتقاضا در بازار کار به شمار می‌روند و با سرعت قابل توجهی در حال رشد هستند. بر اساس پیش‌بینی اداره آمار کار ایالات متحده، مشاغل مرتبط با علم داده تا سال ۲۰۳۳ با رشدی معادل ۳۶ درصد مواجه خواهند بود. طبق گزارش دانشگاه LSE انگلیس و سایت مشهور DeepLearning در گزارش‌های متفاوتی از آینده‌ی روبه‌رشد این مهارت تخصصی و نقش زبان پایتون در این میان نوشتند:

🔵 پایتون زبان اصلی غالب در حوزه تحلیل داده

سایت DeepLearning.ai در یادداشت خود نوشته که پایتون به زبان اصلی و غالب در حوزه تحلیل داده تبدیل شده است؛ به‌گونه‌ای که بیش از ۹۰ درصد از متخصصان علم داده از آن بهره می‌برند. این ابزار به دلیل کارایی بالا و جامعه کاربری گسترده، پرکاربردترین زبان در این زمینه به شمار می‌رود. در مقایسه با نرم‌افزارهای صفحه‌گسترده‌ای مانند اکسل، پایتون امکانات پیشرفته‌تری در زمینه مقیاس‌پذیری، خودکارسازی فرآیندها و اجرای تحلیل‌های پیچیده ارائه می‌دهد. این زبان توانایی مدیریت مجموعه‌داده‌های بزرگ، انجام خودکار وظایف تکراری و تولید تحلیل‌های قابل تکرار را دارد.
یادگیری پایتون برای تحلیل داده، اقدامی هوشمندانه در مسیر توسعه حرفه‌ای است. این مهارت نه‌تنها مسیر ورود به مشاغل نوظهور و پردرآمد را هموار می‌سازد، بلکه امکان حل مسائل واقعی با تکیه بر داده، افزایش بهره‌وری از طریق خودکارسازی، و تثبیت جایگاه شغلی در یک اقتصاد مبتنی بر داده را فراهم می‌آورد.
لینک گزارش deeplearning

🔵 مشاغل تخصصی حوزه داده در میان ۱۰ شغل پر تقاضا در ۲۰۲۵

در گزارش LSE از چشم‌انداز تکنولوژی سال ۲۰۲۵، تحلیلگران داده و دانشمندان داده به عنوان ستون فقرات تصمیم‌گیری داده‌محور معرفی شده‌اند. افزایش شدید حجم داده‌ها و نیاز روزافزون به بینش‌های تحلیلی باعث شده است که این حرفه‌ها در بسیاری از صنایع پرتقاضا باقی بمانند. وظیفه‌ی تحلیلگران داده، بررسی مجموعه داده‌های بزرگ و استخراج الگوها و بینش‌هایی است که به تصمیم‌گیری‌های کلان کسب‌وکار کمک می‌کنند.
تحلیلگران و دانشمندان داده، مشاغلی را راهبری می‌کنند که بر حل مسائل پیچیده با پتانسیل ایجاد تأثیر قابل توجه بر کسب و کار تمرکز دارند. این مسیر شغلی، فرصت‌های زیادی را برای پیشرفت و تخصص، تقریباً در هر صنعتی، ارائه می‌دهد.
لینک گزارش lse

محتوای این دو مقاله و بیشتر از آن در وبینار « مسیر شغلی تحلیل داده و مهندسی داده؛ و آینده آن‌ها در دوره رشد هوش مصنوعی» مورد بحث و گفتگو قرار خواهد گرفت. اگر سوالی درباره مسیرهای شغلی این حوزه دارید می‌توانید در این وبینار شرکت کنید.

🔗 لینک ثبت‌نام در وبینار (رایگان):

👆 d-learn.ir/crdn

🧑‍💻 حسام محمدحسینی | مدیر ارشد مهندسی داده و پلتفرم مدیریت ارزش مشتری (CVM) در ایرانسل، سابقه مدیریت محصول در پلتفرم کلان‌داده دیجیکالا، مدیر ارشد اسبق عملکرد شبکه در ایرانسل، کارشناسی ارشد مخابرات سیستم از دانشگاه تربیت مدرس

🗓 یکشنبه ۱۴ اردیبهشت ۱۴۰۴
⌚️ ساعت ۱۸:۳۰ تا ۱۹:۳۰


تماس:
t.me/dlearnsup
02188349244
09103209837

@dlearn_ir

Читать полностью…

🔴#آخرین_فرصت برای ثبت نام در ددره‌های آموزشی #هوش_مصنوعی و #توسعه_کسب‌کار در مدرسه دقیقه:

🔵 استفاده از هوش مصنوعی در زندگی حرفه‌ای

⏳ شروع از ۱۸ اردیبهشت ۱۴۰۴
⏰ ساعت ۹:۳۰ تا ۱۳:۰۰
💡سطح: مقدماتی

🙂 ثبت نام:
d-learn.ir/ai4p


🔵 مدیریت محصول

⏳ شروع از ۱۸ اردیبهشت ۱۴۰۴
⏰ ساعت ۹:۳۰ تا ۱۳:۰۰
💡سطح: مقدماتی


🙂 ثبت نام:
d-learn.ir/pdmn


🚨 افزایش بهره‌وری و رشد با یادگیری مهارت‌های جدید در بهار ۱۴۰۴

⭐ پرداخت یکجا با 30% تخفیف: Fvxp30
⭐ پرداخت قسطی با 20% تخفیف: VxpF20

🚨تماس:
t.me/dlearnsup
02188349244
09103209837

@dlearn_ir

Читать полностью…

👇 بسیاری از فعالیت‌های ما در محیط کار، کارهای تکراری پشت کامپیوتر هستند و با کمک گرفتن از هوش مصنوعی با سرعت و دقتی به مراتب بیشتر انجام می‌شوند. با تمرین کار با ابزارهای هوش مصنوعی بهره‌وری خود و سازمانتان را بالا ببرید!

#دوره_آموزشی_آنلاین

🔵 استفاده از هوش مصنوعی (AI) در زندگی حرفه‌ای

مجیدپورکاشانی | علیرضا چمن‌زار | سعید مجیدی | حسام محمدحسینی

📽️ ویدئوی معرفی دوره 📽️

برای استفاده از تخفیف بیشتر زودتر ثبت‌نام کنید:

🙂 کد تخفیف 25% برای پرداخت کامل: HpCd25
🙂 کد تخفیف 15% برای پرداخت قسطی: DphC15

🔴 اعتبار کدهای تخفیف تا ۵ اردیبهشت ۱۴۰۴

🔗 لینک ثبت نام:

d-learn.ir/ai4p

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

Читать полностью…

🔤 نمونه‌ای از استخراج داده از وب با روش API Interception

در این ویدئو، مجید پورکاشانی اطلاعات سایت بورسی کدال را با روش API Interception استخراج می‌کند و این فرایند را مرحله به مرحله آموزش می‌دهید.

🔸🔸🔸🔸

اگر علاقه‌مند به یادگیری گام به گام و پروژه‌محور وب‌اسکرپینگ هستید، کامل‌ترین دوره آموزشی استخراج داده از وب پیش روی شما است.


🙂 کد تخفیف 30% برای پرداخت کامل: Fvxp30
🙂 کد تخفیف 20% برای پرداخت قسطی: VxpF20

⭐ اعتبار کدهای تخفیف تا ۱۴ اردیبهشت ۱۴۰۴

🔗 لینک ثبت نام:
d-learn.ir/wbsp

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

Читать полностью…

📊 تحلیل داده با سرعت بالا؛ مقایسه Pandas 🆚 Polars

در این آزمایش، برای هر کتابخانه (pandas و polars)، یک جدول با ۱ میلیون ردیف و ۵۰ ستون عددی ساخته شده و سپس ۱۰۰ بار میانگین ستونی داده‌ها با تابع mean() محاسبه شده است. هدف، اندازه‌گیری و مقایسه زمان پردازش این عملیات در دو کتابخانه محبوب تحلیل داده در پایتون است.

درحالی‌که Pandas برای بسیاری از پروژه‌ها کفایت می‌کند، در پروژه‌های بزرگ‌تر، Polars می‌تواند با پردازش‌های موازی و طراحی بهینه‌اش مزیت چشم‌گیری ایجاد کند.

↗️ تحلیل داده فقط دانستن ابزار نیست؛ بلکه هنر استفاده هوشمندانه از آن‌ها در شرایط مختلف است.
کتابخانه‌های Pandas و Polars هر دو ابزارهای قدرتمند تحلیل داده در پایتون هستند؛ در این ویدئو تفاوت را دیدید اما واقعیت این است که: هیچ ابزاری همیشه بهترین نیست!

💡 در دوره‌ی «پردازش بهینه با Pandas و Polars» با مزایا، محدودیت‌ها و کاربردهای عملی هر دو ابزار آشنا می‌شوید و یاد می‌گیرید که چطور هر ابزار رو به‌درستی و در جای خودش استفاده کنید.
این دوره برای افرادی طراحی شده که می‌خواهند سریع‌تر، بهتر و حرفه‌ای‌تر کار کنند.

🙂 کد تخفیف 30% برای پرداخت کامل: Fvxp30
🙂 کد تخفیف 20% برای پرداخت قسطی: VxpF20

⭐ اعتبار کدهای تخفیف تا ۱۴ اردیبهشت ۱۴۰۴

لینک ثبت‌نام:
🔗 d-learn.ir/pyps

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

Читать полностью…

⌛ نگاهی به قابلیت‌های پانداس برای پردازش داده‌های حجیم

🧑‍💻 حسام محمدحسینی
مدرس دوره‌ آموزشی پردازش بهینه با pandas و polars

➖➖🔽➖➖

همچنین اگر علاقه‌مند به یادگیری مهارت‌های پردازش و تحلیل داده‌های حجیم در پایتون هستید، دوره آموزشی پردازش بهینه با pandas و polars برای شما طراحی شده‌است.

🙂 کد تخفیف 30% برای پرداخت کامل: Fvxp30
🙂 کد تخفیف 20% برای پرداخت قسطی: VxpF20

⭐ اعتبار کدهای تخفیف تا ۱۴ اردیبهشت ۱۴۰۴

لینک ثبت‌نام:
🔗 d-learn,ir/pyps

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

Читать полностью…

📰 وب‌اسکرپینگ: ابزاری قدرتمند برای روزنامه‌نگاران و پژوهشگران

💻 وب‌اسکرپینگ (استخراج داده از وب) چیست؟

وب‌اسکرپینگ به فرآیند جمع‌آوری اطلاعات از وب‌سایت‌ها به صورت خودکار گفته می‌شود. این اطلاعات می‌توانند شامل قیمت‌ها، اخبار، مشخصات محصولات یا هر نوع داده قابل مشاهده در صفحات وب باشند. این تکنیک امکان تبدیل محتوای وب به داده‌های قابل تحلیل را فراهم می‌کند.

✅ اهمیت و مزایای وب‌اسکرپینگ

🔵گردآوری داده انبوه: امکان جمع‌آوری حجم وسیعی از داده‌ها از منابع متعدد وب که به صورت دستی بسیار زمان‌بر یا غیرممکن است.
🟢افزایش کارایی: صرفه‌جویی قابل توجه در زمان و منابع انسانی مورد نیاز برای جمع‌آوری داده‌ها.
🔴دستیابی به جزئیات: استخراج اطلاعات دقیق و مشخص از میان حجم بالای محتوای وب.
🟠تحلیل روندها: شناسایی الگوها، همبستگی‌ها و روندهای پنهان در داده‌های جمع‌آوری شده در طول زمان.
🔴مستندسازی گزارش‌ها: ارائه شواهد کمّی و دقیق برای پشتیبانی از یافته‌ها و تحلیل‌های روزنامه‌نگاری یا پژوهشی.
🟡رصد مداوم: قابلیت پایش مستمر تغییرات داده‌ها در وب‌سایت‌های مورد نظر (مانند قیمت‌ها، آمارها، شاخص‌ها).

📈 مثال: تحلیل نوسانات قیمت
روزنامه‌نگاران اقتصادی یا پژوهشگران بازار می‌توانند با استخراج دوره‌ای قیمت انواع کالا (مثلاً تجهیزات دیجیتال، خودرو، کالاهای اساسی) از وب‌سایت‌های فروش آنلاین متعدد یا نرخ ارز و طلا، به تحلیل دقیق نوسانات بازار، مقایسه قیمت‌ها و بررسی اثر سیاست‌گذاری‌ها بپردازند.

👩‍💻 مثال: پایش و تحلیل بازار کار
جمع‌آوری و تحلیل داده‌های مربوط به آگهی‌های شغلی از پلتفرم‌های کاریابی مطرح در ایران. این امر امکان شناسایی مهارت‌های پرتقاضا، توزیع جغرافیایی فرصت‌های شغلی، تحلیل روندهای استخدامی در صنایع مختلف و برآورد سطح دستمزدها را فراهم می‌کند.

🏠 مثال: رصد داده‌های عمومی و اجتماعی
استخراج داده‌های مرتبط با بازار مسکن (قیمت، متراژ، منطقه) از وب‌سایت‌های نیازمندی یا جمع‌آوری داده‌های مربوط به شاخص‌های عمومی مانند کیفیت هوا از پرتال‌های رسمی. این داده‌ها مبنای مناسبی برای تحلیل روندهای اجتماعی، اقتصادی و محیطی فراهم می‌آورند.

🔍مثال: پایش رخدادها از منابع خبری
در مواردی که آمار رسمی برای رخدادهای حساس اجتماعی (نظیر موارد خودکشی، قتل، یا آسیب‌های اجتماعی خاص) به صورت عمومی، دقیق یا به‌هنگام منتشر نمی‌شود، وب‌اسکرپینگ می‌تواند به عنوان ابزاری کمکی به کار گرفته شود.
با استخراج هدفمند اخبار مرتبط از وب‌سایت‌های خبری معتبر داخلی و تحلیل محتوای آن‌ها (بر اساس کلیدواژه‌ها، مناطق جغرافیایی و بازه‌های زمانی)، می‌توان به یک نمایه غیررسمی از فراوانی گزارش‌شده این رویدادها و توزیع جغرافیایی آنها دست یافت.

✅ جمع‌بندی

وب اسکرپینگ به عنوان یک مهارت کلیدی، امکان دستیابی به عمق تحلیلی بیشتر و ارائه گزارش‌های دقیق‌تر و مستندتر را فراهم می‌سازد که سریع‌تر و راحت‌تر به سرانجام رسیده‌اند. استفاده از این تکنیک می‌تواند به ارتقاء کیفیت پژوهش‌ها و اطلاع رسانی در جامعه کمک شایانی نماید.


⬇️⬇️⬇️
اگر علاقه‌مند به یادگیری گام به گام و پروژه‌محور وب‌اسکرپینگ هستید، دوره آموزشی استخراج داده از وب برای شما طراحی شده است.
اطلاعات بیشتر در:
🔗 d-learn.ir/wbsp

⏳ برای استفاده از تخفیف بیشتر زودتر ثبت‌نام کنید:

🙂 کد تخفیف 30% برای پرداخت کامل: Fvxp30
🙂 کد تخفیف 20% برای پرداخت قسطی: VxpF20

⭐ اعتبار کدهای تخفیف تا ۱۴ اردیبهشت ۱۴۰۴

🔗 لینک ثبت نام:
d-learn.ir/wbsp

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

Читать полностью…

🔍 آشنایی با الگوریتم K-means
🌐 واژه‌نامه #هوش_مصنوعی

الگوریتم K-means یکی از پرکاربردترین روش‌های خوشه‌بندی داده است. این الگوریتم در 1️⃣➕3️⃣ مرحله اصلی کار می‌کند:

1️⃣ گام اول: انتخاب مراکز اولیه
ابتدا به صورت تصادفی K نقطه داده (مثلاً 3 نقطه) از مجموعه داده را انتخاب می‌کنیم و آنها را به عنوان مراکز اولیه خوشه‌ها در نظر می‌گیریم. فرض کنید در یک نمودار دوبعدی، این سه نقطه اولیه با رنگ‌های متفاوت (قرمز، آبی و سبز) مشخص شده‌اند.

2️⃣ گام دوم: تخصیص نقاط به خوشه‌ها
در این مرحله، فاصله هر نقطه داده را با تمام مراکز خوشه‌ها محاسبه می‌کنیم. معمولاً از معیار فاصله اقلیدسی استفاده می‌شود (فرمول فیثاغورس). هر نقطه به خوشه‌ای تعلق می‌گیرد که مرکز آن نزدیک‌ترین فاصله را با نقطه دارد. در این مرحله، نمودار ما نقاط داده‌ای را نشان می‌دهد که به سه رنگ مختلف (متناسب با خوشه‌های متفاوت) رنگ‌آمیزی شده‌اند.

3️⃣ گام سوم: به‌روزرسانی مراکز خوشه‌ها
حالا مراکز جدید هر خوشه را با محاسبه میانگین تمام نقاط داده متعلق به آن خوشه به دست می‌آوریم. برای مثال، اگر خوشه قرمز شامل 20 نقطه داده باشد، مختصات x و y همه این نقاط را جمع کرده و بر 20 تقسیم می‌کنیم تا مرکز جدید خوشه به دست آید. مراکز جدید معمولاً با مراکز قبلی متفاوت هستند و در نمودار جابجا می‌شوند.

4️⃣ تکرار فرآیند تا همگرایی
گام‌های دوم و سوم را مرتباً تکرار می‌کنیم. در هر تکرار، نقاط داده دوباره به نزدیک‌ترین مرکز خوشه تخصیص می‌یابند و سپس مراکز خوشه‌ها مجدداً به‌روزرسانی می‌شوند. این فرآیند تا زمانی ادامه می‌یابد که مراکز خوشه‌ها دیگر تغییر نکنند یا تغییرات آنها کمتر از یک آستانه از پیش تعیین‌شده باشد.

🟠مثال کاربردی:

تصور کنید مجموعه داده‌ای از مشتریان فروشگاه دارید که شامل اطلاعاتی مانند میزان خرید سالانه و تعداد بازدید است. با استفاده از K-means می‌توانید این مشتریان را به گروه‌های مختلف (مثلاً مشتریان پرخرید و وفادار، مشتریان گاه‌به‌گاه، مشتریان کم‌خرید) دسته‌بندی کنید. هر خوشه نشان‌دهنده یک بخش از مشتریان با رفتار مشابه است و می‌توانید استراتژی‌های بازاریابی خاصی برای هر گروه طراحی کنید.

🟢 نکات مهم در استفاده از الگوریتم K-means:

انتخاب تعداد مناسب K (تعداد خوشه‌ها) بسیار مهم است و تأثیر زیادی بر نتایج دارد.
این الگوریتم ممکن است در مینیمم‌های محلی گیر کند، بنابراین اجرای آن با مراکز اولیه متفاوت توصیه می‌شود.
الگوریتم K-means برای خوشه‌های کروی (گرد) بهتر عمل می‌کند و برای اشکال پیچیده مناسب نیست.
مقیاس‌بندی داده‌ها قبل از اجرای الگوریتم اهمیت زیادی دارد.

💡 این الگوریتم در زمینه‌های متنوعی مانند بخش‌بندی بازار، فشرده‌سازی تصاویر، پردازش سیگنال، بیوانفورماتیک و تشخیص ناهنجاری کاربرد دارد.

➖➖⬇️➖➖

همچنین اگر علاقه‌مند به یادگیری هوش مصنوعی هستید، گام اول برای شما آموزش یادگیری ماشین هست.
دوره آموزشی «یادگیری ماشین با پایتون»  از مبانی یادگیری ماشین آغاز می‌شود و گام‌ به گام تا مباحث پیچیده‌تری مثل یادگیری گروهی، کاهش ابعاد داده و شبکه‌های عصبی پیش ‌می‌رود.

😈 این دوره به صورت عملیاتی و کاربردی طراحی شده است. برای اطلاعات بیشتر و مشاهده طرح درس و ثبت‌نام می‌توانید به سایت مدرسه دقیقه سر بزنید:

🔗 d-learn.ir/mlpy

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

Читать полностью…

✅ معرفی دوره مدیریت محصول
#دوره_آموزشی_آنلاین

🎓 امیرخسرو بهادری | مدیر محصول شرکت استرالیایی Dirodi، مدیـر سـابق در تیم‌های برنامه‌ریزی و تحقیقات بازار پاکشوما، BAT و هولدینگ کوبل‌دارو، فارغ‌التحصیل کارشناسی ارشد مهندسی صنایع از دانشگاه صنعتی شریف

موفقیت یک محصول تنها به ایده‌های خلاقانه بستگی ندارد. مدیریت درست محصول از مرحله ایده‌پردازی تا عرضه و توسعه، نقش حیاتی در موفقیت آن دارد. دوره آموزشی «مدیریت محصول» طراحی شده است تا شما را با اصول، ابزارها و تکنیک‌های کلیدی این حوزه آشنا کند و در یک دوره زمانی فشرده، شما را برای تبدیل‌شدن به یک مدیر محصول حرفه‌ای آماده سازد. اگر می‌خواهید محصولاتی بسازید که نیاز واقعی کاربران را برآورده کند و حضوری موثر در بازار داشته باشد، این دوره بهترین نقطه شروع برای شماست.

📆 پنجشنبه‌ها ۹:۳۰ تا ۱۳:۰۰
🗓 از ۱۸ اردیبهشت ۱۴۰۴
⏰ ۱۸ ساعت (۶ هفته)
🎞 دسترسی به ویدئوی جلسات
🏅 گواهی پایان دوره (قابل استعلام)

✍️ شاخص‌های کلیدی عملکرد در مدیریت محصول:

t.me/dlearn_ir/569
✍️ مزایای درآمدی مدیران محصول:

t.me/dlearn_ir/576

✍️ روش CIRCLES برای حل مسائل پیچیده کسب‌وکار:

t.me/dlearn_ir/593

💎 برای استفاده از تخفیف بیشتر زودتر ثبت‌نام کنید:

🙂 کد تخفیف 30% برای پرداخت کامل: Fvxp30
🙂 کد تخفیف 20% برای پرداخت قسطی: VxpF20

⭐ اعتبار کدهای تخفیف تا ۱۴ اردیبهشت ۱۴۰۴

🔗 لینک ثبت نام:
d-learn.ir/pdmn

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

Читать полностью…

📊 اکسل برای تحلیل کسب‌وکار

#دوره_آموزشی_آنلاین

Excel for Business Analytics

🗓 پنج‌شنبه‌ها ۹:۳۰ تا ۱۳:۰۰
📆 از ۶ شهریور تا ۱۷ مهر ۱۴۰۴
6️⃣ ۶ هفته، ۱۸ ساعت
🧭 سطح مقدماتی و متوسط
🎞 دسترسی به ویدئوی ضبط‌شده جلسات

اکسل (Excel) نه تنها یک ابزار کار حرفه‌ای بلکه یک ابزار عمومی برای مدیریت و تحلیل داده نیز هست. بسیاری از ما در زندگی روزمره و کاری خود با موقعیت‌هایی مواجه می‌شویم که باید در آن‌ها اطلاعات را سازماندهی کنیم. وقتی که باید مسئولیت ارزیابی یک فعالیت را به عهده بگیریم یا مثلا وقتی که می‌خواهیم دخل و خرج‌مان را مدیریت کنیم، اکسل فضا و امکاناتی در اختیارمان قرار می‌دهد که مدیریت و تحلیل داده‌ در آن به مراتب ساده‌تر و کارآمدتر است.

ویدئوی معرفی دوره

در این دوره آموزشی مهارت کار با اکسل و تحلیل داده‌های کسب‌وکار را با مجموعه متنوعی از مثال‌های رایج در این حوزه مثل فروش، منابع انسانی، حسابداری، انباداری، کنترل موجودی، کنترل پروژه و استفاده از هوش مصنوعی هنگام کار با اکسل ارائه خواهد شد.

📍 کد تخفیف ۲۰% برای پرداخت کامل: x4Q2d1
📍 کد تخفیف ۱۵% برای پرداخت قسطی: x4q2P1

🔴 اعتبار کدهای تخفیف تا ۲۷ تیر ۱۴۰۴

🔗 ثبت نام:
d-learn.ir/xlsb

تماس:
@dlearnsup
09103209837

@dlearn_ir

Читать полностью…

🚀 #دسترسی_رایگان برای ورود به دنیای داده و هوش مصنوعی!

تا ۱۷ خرداد ماه برای بهره‌مندی از یک ماه اشتراک و دسترسی #رایگان به تمامی درسنامه‌ها و پروژه‌های آموزشی #مدرسه_دقیقه برای فراگیری موضوعات زیر فرصت هست:

📊 تحلیل داده با #R و #Python و #SQL
🧠 هوش تجاری با #PowerBI
📊 مصورسازی داده با #Excel
🤖 ریاضیات علوم داده و آمار در R و Python
💡 کار با ابزارهای #هوش_مصنوعی (#AI)
📊 تحلیل داده در حوزه عمومی (#دیتاژورنالیسم)
🧑‍💻و پروژه‌های کاربردی با داده‌های واقعی
و ...

🔑 نحوه فعال‌سازی اشتراک #رایگان:

برای بهره‌مندی از این فرصت و فعال‌سازی اشتراک رایگان یک ماهه، از طریق لینک زیر اقدام نمایید. دسترسی شما پس از تکمیل فرآیند ثبت‌نام فعال خواهد شد و می‌توانید:
🔗 d-learn.ir/04free

🔖 فهرست کامل منابع آموزشی:
🔗 d-learn.ir/courses

💡 پس از دریافت اشتراک موضوعات مورد نظر خود را از لینک بالا انتخاب کنید و وارد آن‌ها شوید.

🔴 اعتبار تخفیف تا ۱۷ خرداد

📲  t.me/dlearnsup
📞 02188349244
📱 09103209837

@dlearn_ir

Читать полностью…

#یادآوری

🔴 آخرین فرصت استفاده از تخفیفِ ثبت‌ِنام زودهنگام (۱)

برای شرکت در دوره آموزش مقدماتیِ علوم داده و هوش مصنوعی در دانشگاه صنعتی شریف

⏳ چهارشنبه ۷ خرداد ۱۴۰۴

🔗 جزئیات بیشتر و درخواست پذیرش:

👆 b2n.ir/pydsai_tlg


📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

Читать полностью…

📊 ٧ نوع سوگیری رایج در نظرسنجی‌ها
⛔️ و چگونه از آنها پیشگیری کنیم؟

نظرسنجی‌ها یکی از ابزارهای مهم در تحلیل افکار عمومی و تصمیم‌گیری‌های مبتنی بر داده هستند. با این حال، حتی دقیق‌ترین نظرسنجی‌ها هم در معرض خطاهایی هستند که نتایج را از واقعیت دور می‌کنند. این خطاها که «سوگیری» نام دارند، ممکن است به‌صورت سیستماتیک و در یک جهت خاص، داده‌ها را تحت تأثیر قرار دهند.

در این یادداشت، به ۷ نوع رایج از سوگیری‌هایی که ممکن است در مرحله جمع‌آوری داده‌ها در نظرسنجی‌ها رخ دهند، پرداخته شده است. در هر مورد، تعریف مختصر، دلایل بروز و مهم‌تر از آن، راه‌های پیشگیری از این خطاها ارائه شده است.

🧠 سوگیری چیست؟
خطاهای پنهانی هستند که باعث می‌شوند نتایج نظرسنجی، بازتاب دقیقی از واقعیت نباشند. از نحوه انتخاب شرکت‌کنندگان گرفته تا نحوه طرح سوالات، هر مرحله می‌تواند زمینه‌ساز یک سوگیری باشد.

🔎 نگاهی گذرا به ۷ نوع سوگیری مهم در نظرسنجی‌ها:

1️⃣ سوگیری نمونه‌گیری (Sampling Bias)

شانس نابرابر گروه‌ها برای حضور در نمونه تحقیق
چرا اتفاق می‌افتد:
توزیع نظرسنجی در کانال‌ها یا پلتفرم‌های غیرنماینده جامعه هدف.

راه‌های پیشگیری:
نمونه‌گیری طبقه‌بندی شده
توزیع از کانال‌های متفاوت

2️⃣ سوگیری عدم پاسخگویی (Nonresponse Bias)
تفاوت معنادار بین پاسخ‌دهندگان و افرادی که شرکت نمی‌کنند.
چرا اتفاق می‌افتد:
حساسیت موضوع، طولانی بودن نظرسنجی، عدم انگیزه

راه‌های پیشگیری:
توجه به حساسیت موضوع
ارائه مشوق

3️⃣ سوگیری خودگزینی (Self-Selection Bias)
تمایل گروه خاصی از افراد به دلیل علاقه ویژه یا مشوق به شرکت.
چرا اتفاق می‌افتد:
فراخوان عمومی با جذابیت بیشتر برای یک گروه خاص.

راه‌های پیشگیری:
دعوت تصادفی
عدم افشای کامل موضوع
مشوق‌ها بگذارید.

4️⃣ سوگیری مطلوبیت اجتماعی (Social Desirability Bias)
پاسخ‌دهی بر اساس آنچه از نظر اجتماعی پذیرفته‌شده‌تر است، نه باور واقعی.
چرا اتفاق می‌افتد:
سوالات حساس، ترس از قضاوت شدن.

راه‌های پیشگیری:
استفاده از پرسش‌های غیرمستقیم
تضمین ناشناس بودن

5️⃣ سوگیری در طراحی پرسش‌نامه (Questionnaire Design Bias)
تأثیر سوالات قبلی بر پاسخ‌دهی به سوالات بعدی.
چرا اتفاق می‌افتد:
ترتیب غیرمنطقی یا جهت‌دهنده سوالات بر نتایج تاثیر می‌گذارید.

راه‌های پیشگیری:
ترتیب منطقی و بی‌طرفانه سوالات
تصادفی‌سازی ترتیب سوالات یا بلوک‌ها
گروه‌بندی موضوعی
پیش‌آزمون (Pilot Test)

6️⃣ سوگیری پاسخ‌دهنده (Respondent Bias)
تمایل به موافقت با گزاره‌ها یا انتخاب گزینه‌های مثبت (پدیده بله قربان‌گو)

چرا اتفاق می‌افتد:
خستگی، بی‌حوصلگی، عدم درک کامل سوال، طراحی ضعیف.

راه‌های پیشگیری:
استفاده از مقیاس‌های متعادل
استفاده از سوالات با جهت‌گیری معکوس
کوتاه و جذاب نگه داشتن نظرسنجی

7️⃣ سوگیری ترتیب سوالات (Order Bias)
پاسخ‌دهی تحت تأثیر ساختار و زبان سوال، نه باور واقعی
چرا اتفاق می‌افتد:
سوالات جهت‌دار/القایی، مقیاس‌های نامتعادل، گزینه‌های ناکافی.

راه‌های پیشگیری:
استفاده از زبان بی‌طرف یا اجتناب از سؤالات جهت‌دار
ارائه گزینه‌های پاسخ متعادل و جامع
پرهیز از سوالات دوپهلو
استفاده از زبان ساده و قابل فهم
گنجاندن گزینه‌های خروج

💡 جمع‌بندی
سوگیری‌ها بخش اجتناب‌ناپذیری از هر نظرسنجی هستند، اما با طراحی آگاهانه و استفاده از روش‌های مناسب می‌توان آن‌ها را کاهش داد. اگر به داده‌هایی دقیق‌تر، قابل‌اعتمادتر و تصمیم‌گیری آگاهانه‌تر علاقه‌مندید، آشنایی با این سوگیری‌ها ضروری است.

💡 این نوشته از یادداشتی با همین عنوان برداشته شده که در مجله پرانتز در سایت مدرسه دقیقه منتشر شده است. برای مطالعه متن و توضیحات کامل در مورد هر سوگیری و راه‌های جلوگیری از آم می‌توانید به سایت مدرسه سر بزنید:
🔗 d-learn.ir/p/types-of-bias-in-survey

@dlearn_ir

Читать полностью…

📹 ویدئوی آموزشی مبانی یادگیری ماشین و الگوریتم نزدیک‌ترین همسایه (KNN)

در دنیای امروز، یادگیری ماشین (Machine Learning) به یکی از مهارت‌های کلیدی و پرکاربرد در علوم داده، هوش مصنوعی و فناوری اطلاعات تبدیل شده است. یادگیری ماشین بر پایه الگوریتم‌هایی بنا شده است که با تحلیل داده‌ها، الگوها و روابط پنهان میان آن‌ها را کشف کرده و از این الگوها برای پیش‌بینی یا تصمیم‌گیری در مواجهه با داده‌های جدید استفاده می‌کنند.
در این پست، دو ویدئوی آموزشی #رایگان در این حوزه در دسترس شما قرار دارد:

👨‍🏫 مدرس: سعید مجیدی | متخصص یادگیری ماشین، پردازش زبان‌های طبیعی و مدل‌های زبانی بزرگ در گروه صنعتی انتخاب و شرکت پردازش و تحلیل داده دقیقه، دکترای علوم کامپیوتر با گرایش یادگیری ماشین و پردازش زبان از دانشگاه تافتس آمریکا

🎬 ویدئوی اول: مقدمه‌ای بر یادگیری ماشین
این جلسه، به تعریف یادگیری ماشین، انواع روش‌های یادگیری (نظارت‌شده، بدون‌نظارت، تقویتی)، و کاربردهای متنوع آن در صنایع مختلف پرداخته شده است. همچنین مفاهیم کلیدی همچون داده، ویژگی‌ها (Features)، برچسب‌ها (Labels)، و مراحل کلی ساخت یک مدل یادگیری ماشین به زبان ساده توضیح داده می‌شوند. این ویدئو، دید جامعی از آنچه در مسیر یادگیری ماشین پیش رو دارید، ارائه می‌دهد.
🙂 d-learn.ir/courses/mlpyv/lesson/w1-p1-5/

🎬🎬 ویدئوی دوم: آشنایی با الگوریتم K-Nearest Neighbors (KNN)
سعید مجیدی در این ویدئو به معرفی یکی از ساده‌ترین و در عین حال کاربردی‌ترین الگوریتم‌های یادگیری ماشین، یعنی نزدیک‌ترین همسایه (KNN) می‌پردازد. این الگوریتم که در دسته یادگیری نظارت‌شده قرار دارد، بر اساس فاصله‌سنجی میان داده‌ها، به طبقه‌بندی یا پیش‌بینی مقادیر می‌پردازد. در این ویدئو، منطق این الگوریتم، نحوه انتخاب پارامتر K، اهمیت پیش‌پردازش داده‌ها، و چالش‌های معمول آن به شکلی کاربردی و قابل درک بیان شده است.
🙂 d-learn.ir/courses/mlpyv/lesson/w1-p2-3/

ـــــــــــــــــــــــ
✔️ ویدئوهای فوق نقطه آغاز مسیر یادگیری ماشین با رویکردی عملی و پروژه‌محور است. اگر به دنبال کسب مهارتی ارزشمند و آینده‌ساز در دنیای داده و هوش مصنوعی هستید، این دوره می‌تواند شروعی مطمئن برای شما باشد. در صورت تمایل به یادگیری و دسترسی به دوره کامل می‌توانید، از لینک زیر شروع کنید:
🔘 لینک ثبت نام:
d-learn.ir/mlpy

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

Читать полностью…

🙂 #فرصت_شغلی مسئول بازاریابی و فروش سازمانی
در مدرسه پردازش و تحلیل داده دقیقه

مدرسه پردازش و تحلیل داده دقیقه به‌دنبال جذب یک نیروی توانمند، خلاق و علاقه‌مند به حوزه‌های تحلیل داده و هوش مصنوعی برای موقعیت «مسئول بازاریابی و فروش سازمانی» است.


✅ شرح مسئولیت‌ها

▫ طراحی و اجرای استراتژی‌های بازاریابی دیجیتال (با تمرکز بر شبکه‌های اجتماعی، ایمیل مارکتینگ، تبلیغات آنلاین و سایر کانال‌های بازاریابی دیجیتال)
▫ توسعه بازار با برقراری ارتباط مؤثر با سازمان‌ها، شرکت‌ها و نهادهای آموزشی
▫ پاسخ‌گویی به سوالات متقاضیان و ارائه مشاوره جهت انتخاب دوره مناسب
▫ پیگیری و مدیریت فرایند فروش از مرحله جذب تا ثبت‌نام نهایی
▫ همکاری مستمر با تیم تولید محتوا برای معرفی مؤثر دوره‌ها
▫ طراحی و برگزاری رویدادهای تبلیغاتی، آموزشی یا معرفی دوره‌ها
▫ تحلیل رفتار مخاطبان و مشتریان بالقوه برای بهبود عملکرد فروش
▫ همکاری نزدیک با تیم آموزش جهت به‌روزرسانی اطلاعات دوره‌ها
▫ تهیه و ارائه گزارش‌های تحلیلی از عملکرد فروش


✅ شرایط احراز (الزامی)

▫ توانایی برقراری ارتباط مؤثر و مهارت‌های مذاکره
▫ روحیه تیمی، انعطاف‌پذیری و علاقه‌مندی به یادگیری مداوم
▫ آشنایی با مفاهیم بازاریابی دیجیتال و تجربه کار با ابزارهای مرتبط
▫ مهارت در مدیریت زمان و پیگیری امور به‌صورت منظم و دقیق


🌟 امتیاز محسوب می‌شود اگر

▫ با ابزارها و زبان‌های تحلیل داده آشنا باشید مانند Google spreadsheet Excel R Python PowerBI SQL
▫ علاقه‌ به یادگیری و رشد در مسیر تحلیل داده داشته باشید
▫ سابقه تولید محتوا (متن، گرافیک، ویدئو و انتشار در شبکه‌های اجتماعی) داشته باشید
▫ سابقه همکاری در پروژه‌های آموزشی داشته باشید
▫ تجربه کار در فروش یا بازاریابی در حوزه آموزش یا فناوری را داشته باشید


💼 شرایط همکاری

▫ امکان همکاری تمام‌وقت یا پاره‌وقت
▫ شیوه کار: ترکیبی از حضوری و دورکاری
▫ محل فعالیت: تهران، میدان هفت تیر، بلوار کریمخان، میدان سنایی
▫ حقوق توافقی + پاداش‌های عملکردی بر اساس میزان فروش


📩 ارسال رزومه

در صورت علاقه‌مندی، لطفاً رزومه خود را به آدرس زیر ارسال کنید:

📬 dlearn.jobs@gmail.com


تماس:
88349244
09103209837

@dlearn_ir

Читать полностью…

🔈وبینار مسیر شغلی مدیریت محصول و نگاهی به ظرفیت‌های استفاده از هوش مصنوعی در آن (رایگان)

مدیریت محصول یکی از جذاب‌ترین، پویا‌ترین و در عین حال پرچالش‌ترین مسیرهای شغلی در دنیای فناوری است. طبق گزارش شغلی 1404 جاب‌ویژن، مدیریت محصول پردرآمدترین شغل ۱۴۰۴ و سال‌های پیش از این بوده است.
مدیر محصول، معمار تجربه کاربر، هماهنگ‌کننده تیم‌های فنی و تجاری، و راهبر مسیر رشد محصول است. این نقش نیازمند مهارتی میان‌رشته‌ای‌ست؛ کسی که هم بازار را می‌فهمد، هم زبان توسعه‌دهنده را، و هم با نگاه استراتژیک، تصمیم‌هایی دقیق و مبتنی بر داده می‌گیرد.

در این وبینار قصد داریم تصویری روشن و کاربردی از مسیر شغلی مدیر محصول ارائه دهیم. در این وبینار وظایف و مسئولیت‌های مدیر محصول را بر خواهیم شمرد به مهارت‌های مورد نیاز برای ورود به این مسیر شغلی اشاره خواهیم کرد. علاوه بر این تغییرات و چشم‌اندازهایی که هوش مصنوعی بر این شغل می‌گذارد را مرور می‌کنیم.

💡 عناوین ارائه:
🔸 این وبینار در ۳ بخش ارائه می‌شود؛
بخش اول مفاهیم اساسی مانند تحلیل نیاز کاربر، طراحی ارزش پیشنهادی، اولویت‌بندی ویژگی‌ها، مدیریت نقشه راه، آزمون‌های A/B و تفاوت نقش مدیر محصول با سایر نقش‌ها را پوشش می‌دهد.
🔸 بخش دوم مسیر شغلی از مدیر محصول آغازگر تا مدیر ارشد را بررسی می‌کند و به ویژگی‌های رزومه‌های موفق می‌پردازد.
🔸  بخش سوم به آینده این شغل در عصر هوش مصنوعی اختصاص دارد و نشان می‌دهد چگونه هوش مصنوعی در تحلیل داده، توسعه ویژگی‌ها و تصمیم‌گیری‌های محصول نقش ایفا می‌کند.
و در نهایت به  سوالات شرکت‌کنندگان درباره  پاسخ داده خواهد شد.
توضیحات بیشتر در لینک ثبت‌نام در دسترس است.

🎓  امیرخسرو بهادری | مدیر محصول شرکت استرالیایی Dirodi، مدیـر سـابق در تیم‌های برنامه‌ریزی و تحقیقات بازار پاکشوما، BAT و هولدینگ کوبل‌دارو، فارغ‌التحصیل کارشناسی ارشد مهندسی صنایع از دانشگاه صنعتی شریف

در پایان وبینار دوره «مدیریت محصول»  نیز به عنوان نقطه شروع برای یادگیری این مهارت تخصصی جذاب به علاقه‌مندان معرفی خواهد شد و به سوالات شرکت‌کنندگان درباره دوره نیز پاسخ داده خواهد شد.

🗓 سه‌شنبه ۱۶ اردیبهشت ۱۴۰۴
⌚️ ساعت ۱۹:۳۰ تا ۲۰:۳۰

🔗 لینک ثبت‌نام در وبینار :
👆 d-learn.ir/crpd

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

Читать полностью…

🧑‍💻وبینار #مسیر_شغلی تحلیل داده و مهندسی داده؛
و آینده آن‌ها در دوره رشد هوش مصنوعی (#رایگان)

#تحلیلگر_داده و #مهندس_داده دو موقعیت شغلی محبوب در یک دهه اخیر بوده‌اند و که با دسترسی هرچه بیشتر به داده‌ها نقش به‌سزایی در ارزش‌افرینی با بهره‌برداری از آن‌ها ایفا کرده‌اند. اما به نظر می‌رسد با برآمدن #هوش_مصنوعی، این دو موقعیت شغلی نیز تغییراتی را تجربه می‌کنند.

به عنوان نمونه و تا پیش از این، معمولا بخش زیادی از زمان یک مهندس داده و همینطور تحلیلگر داده صرف پالایش داده و اطمینان از کیفیت آن می‌شده، اما احتمالا این فرایند و بسیاری از وظایف زمان‌بر و پرتکرارِ شبیه به آن، به هوش مصنوعی مولد یا Agentها واگذار می‌شوند. از طرف دیگر استفاده گسترده از انواع تکنولوژی‌ها و ابزارهای دیجیتال، سرعت تولید داده را هم بیشتر کرده است. به علاوه، هوش مصنوعی نیز همواره فزاینده‌ای نیازمند داده با کیفیت برای رشد و توسعه خود است.

این پویایی و دینامیسم احتمالا تقاضا برای تحلیل داده را افزایش خواهد داد و به همین خاطر بعید به نظر می‌رسد مشاغلی مانند تحلیلگر داده و مهندس داده با تهدید وجودی مواجه شوند. اما احتمالا نوع کارشان تفاوت‌های چشم‌گیری با گذشته خواهد داشت.
به عنوان نمونه، تحلیلگر و مهندس داده اگرچه با اصول کدنویسی صحیح آشنا هستند، اما بیشتر از آنکه کدنویسی کنند، پرامپت‌نویسی می‌کنند و باقی وقتشان را صرف امور سطح بالاتری مثل طراحی، نظارت و ارزیابی می‌کنند.

عناوین ارائه

🔸 تحولات بازار کار تحلیل داده و مهندسی داده با رشد هوش مصنوعی مولد
🔸 بهترین نقاط شروع برای ورود به بازار کار تحلیل داده و مهندسی داده
🔸 ابزارها، کتابخانه‌ها و دیگر مهارت‌های برنامه‌نویسی مورد نیاز
🔸 اهمیت پرامپت‌نویسی درست در تحلیل و مهندسی داده
🔸 نگاهی به وظایف تحلیلگر و مهندس داده تحلیل تحولات آتی این مشاغل
🔸 پرسش و پاسخ

🎓 حسام محمدحسینی | مدیر ارشد مهندسی داده و پلتفرم مدیریت ارزش مشتری (CVM) در ایرانسل، سابقه مدیریت محصول در پلتفرم کلان‌داده دیجیکالا و مدیر ارشد اسبق عملکرد شبکه در ایرانسل؛ کارشناسی مهندسی برق از دانشگاه خواجه نصیرالدین طوسی و کارشناسی ارشد مخابرات سیستم از دانشگاه تربیت مدرس

در پایان وبینار دوره «پردازش بهینه داده با کتابخانه‌های pandas و polars در پایتون» نیز به عنوان نقطه شروع برای یادگیری بخش مهمی از مهارت‌های مورد نیاز در حوزه‌های تحلیل و مهندسی داده به علاقه‌مندان معرفی خواهد شد و به سوالات شرکت‌کنندگان درباره دوره نیز پاسخ داده خواهد شد.

🗓 یکشنبه ۱۴ اردیبهشت ۱۴۰۴
⌚️ ساعت ۱۸:۳۰ تا ۱۹:۳۰

🔗 لینک ثبت‌نام در وبینار :
👆 d-learn.ir/crdn

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

Читать полностью…

🔸 داده‌های طرح نمونه‌گیری هزینه و درآمد خانوار مرکز آمار ایران (۱۴۰۲)

▫ مرکز آمار ایران هر سال با پرسش‌و‌پاسخ از حدود ۴۰ هزار خانوار که با نمونه‌گیری آماری و به صورت تصادفی از کل کشور انتخاب می‌شوند، داده‌های ارزشمندی درباره درآمدها و هزینه‌های آنان فراهم می‌کند.

📝 طرح درآمد و هزینه خانوار یکی از مهم‌ترین منابع داده برای تحلیل‌های اقتصادی، اجتماعی، سیاست‌گذاری عمومی و تحقیقات بازار است و اطلاعات متنوعی درباره خانوار مانند ویژگی‌های محل سکونت، سن، جنسیت، تحصیلات، وضعیت اشتغال اعضای خانوار و جزیئات درآمدی و هزینه‌ای آنان را در بر می‌گیرد.

✍️ این داده با کوشش محمدامین اخوت علویان از جداول مختلف مرکز آمار، پردازش و تجمیع شده و در یک جدول یکپارچه در وبسایت مدرسه پردازش و تحلیل داده دقیقه برای دانلود در دسترس است:

🔗 d-learn.ir/iran-hbs-1402

دسترسی به داده‌های دیگر:
🧑‍💻 d-learn.ir/data

@dlearn_ir

Читать полностью…

🔎کاوشی در موارد کاربرد یادگیری ماشین

#یادگیری_ماشین با ترکیب آمار، ریاضیات و علوم کامپیوتر، الگوریتم‌هایی را توسعه می‌دهد که می‌توانند الگوها را شناسایی کرده و پیش‌بینی‌های دقیق انجام دهند. انواع مختلف آن شامل یادگیری با نظارت، بدون نظارت و یادگیری تقویتی است که هر کدام کاربردهای متفاوتی دارند.

اگر می‌خواهید از قدرت #هوش_مصنوعی در تحلیل داده و تحقیقات خود بهره‌مند شوید، یادگیری ماشین مهم‌ترین چیزی است که به آن نیاز دارید.
دوره جامع «یادگیری ماشین با پایتون» از مبانی یادگیری ماشین آغاز می‌شود و گام‌ به گام تا مباحث پیچیده‌تری مثل یادگیری گروهی، کاهش ابعاد داده و شبکه‌های عصبی پیش ‌می‌رود. در این دوره آموزشی تمامی مباحث با رویکردی عملیاتی آموزش داده خواهند شد و تمامی مفاهیم و روش‌های دوره با پردازش داده‌های واقعی در محیط #پایتون پیاده‌سازی خواهند شد.

🙂 کد تخفیف 30% برای پرداخت کامل: Fvxp30
🙂 کد تخفیف 20% برای پرداخت قسطی: VxpF20

💎 اعتبار کدهای تخفیف تا ۱۴ اردیبهشت ۱۴۰۴

🔗 لینک ثبت نام:

d-learn.ir/mlpy

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

Читать полностью…

🟡 روش CIRCLES برای حل مسائل پیچیده کسب‌وکار

در دنیای پر رقابت امروز، توانایی تحلیل منظم مشکلات و ارائه راه‌حل‌های مؤثر، تفاوت بین مدیران معمولی و رهبران استثنایی را رقم می‌زند.

متد CIRCLES با هفت مرحله ساختاریافته به شما کمک می‌کند تا تصمیمات استراتژیک بگیرید که منجر به نتایج قابل سنجش می‌شود.
آنهایی که این روش را به‌خوبی می‌آموزند، می‌توانند با اطمینان بیشتری چالش‌های پیچیده را مدیریت کنند و به نتایج بهتری دست یابند.
🟠🟠👇🟠🟠
موفقیت یک محصول تنها به ایده‌های خلاقانه بستگی ندارد. مدیریت درست محصول از مرحله ایده‌پردازی تا عرضه و توسعه، نقش حیاتی در موفقیت آن دارد. دوره آموزشی «مدیریت محصول» ✅ طراحی شده است تا شما را با اصول، ابزارها و تکنیک‌های کلیدی این حوزه آشنا کند و در یک دوره زمانی فشرده، شما را برای تبدیل‌شدن به یک مدیر محصول حرفه‌ای آماده سازد. اگر می‌خواهید محصولاتی بسازید که نیاز واقعی کاربران را برآورده کند و حضوری موثر در بازار داشته باشد، این دوره بهترین نقطه شروع برای شماست.

🔴 فراموش نکنید که فقط تا ۵ اردیبهشت ۱۴۰۴ فرصت دارید که با تخفیف در این دوره ثبت‌نام کنید.

🙂 کد تخفیف 30% برای پرداخت کامل: Fvxp30
🙂 کد تخفیف 20% برای پرداخت قسطی: VxpF20

⭐ اعتبار کدهای تخفیف تا ۱۴ اردیبهشت ۱۴۰۴

🔗 لینک ثبت نام:
👆 d-learn.ir/pdmn

📞 تماس:

📲t.me/dlearnsup
📱 02188349244
📲 09103209837

@dlearn_ir

Читать полностью…

🔍 آشنایی با الگوریتم درخت تصمیم
🌐 واژه‌نامه #هوش_مصنوعی

درخت تصمیم یک طبقه‌بندی‌کننده است که مجموعه‌ای از قوانین تصمیم‌گیری را در یک ساختار درختی سازماندهی می‌کند. این روش یکی از کاربردی‌ترین روش‌ها برای یادگیری نظارت‌شده غیرپارامتریک است.
درخت تصمیم یک مدل پیش‌بینی با ساختاری شبیه فلوچارت است که با استفاده از مشاهدات موجود درباره یک آیتم، به پیش‌بینی مقدار یا برچسب متغیر هدف کمک می‌کند.
این مدل از گره‌هایی تشکیل شده که نشان‌دهنده ویژگی‌های داده هستند، شاخه‌هایی که قوانین تصمیم‌گیری را مشخص می‌کنند و برگ‌هایی که نتایج نهایی یا کلاس‌های خروجی را نمایش می‌دهند.
ساختار درخت تصمیم در یادگیری ماشین
در درخت تصمیم، ویژگی‌های داده‌ها در گره‌های داخلی و خروجی یا نتیجه نهایی هر مسیر در برگ‌های درخت نمایش داده می‌شود.
این الگوریتم فرآیند تصمیم‌گیری را به‌صورت سلسله‌مراتبی مدل‌سازی می‌کند؛ داده‌ها را به‌طور بازگشتی به زیرمجموعه‌هایی تقسیم می‌کند، به‌طوری که در هر مرحله، تقسیم‌بندی بر اساس ویژگی‌ای انجام می‌شود که بیشترین اطلاعات را برای پیش‌بینی هدف فراهم می‌کند، تا زمانی که به تصمیم یا پیش‌بینی نهایی برسیم.

💡 مفاهیم اساسی درخت تصمیم

۱- گره (Node): هر نقطه در درخت که یک تصمیم‌گیری یا نتیجه را نمایش می‌دهد.
مثال: «آیا هوا آفتابی است؟»
۲- گره ریشه (Root Node): اولین گره درخت است که تصمیم‌گیری از آن آغاز می‌شود.
مثال: بررسی «وضعیت آب و هوا».
۳- گره داخلی (Internal Node): گره‌هایی که تصمیمات میانی را نمایش می‌دهند و به گره‌های دیگر متصل‌اند.
مثال: «آیا رطوبت بالا است؟»
۴- برگ یا گره پایانی (Leaf/Terminal Node): گره‌هایی که دیگر به هیچ گرهی متصل نیستند و نتیجه نهایی (مثل یک پیش‌بینی) را نشان می‌دهند.
مثال: «بازی کن» یا «بازی نکن».
۵- شاخه (Branch): مسیرهایی که گره‌ها را به هم وصل می‌کنند و بر اساس پاسخ‌ها (بله/خیر) حرکت می‌کنند.
۶- ویژگی ورودی (Input Attribute): اطلاعات یا متغیرهایی که بر اساس آن‌ها تصمیم‌گیری انجام می‌شود.
مثال: «رطوبت»، «باد»، «دمای هوا».
۷- تقسیم‌بندی (Splitting): فرآیند تقسیم یک گره بر اساس مقدار یک ویژگی.
در هر تقسیم، داده‌ها به زیرمجموعه‌هایی با ویژگی‌های خاص‌تر جدا می‌شوند.
۸- برش‌دهی (Pruning): حذف بخش‌هایی از درخت برای جلوگیری از پیچیدگی بیش از حد و بهبود عملکرد مدل.
مثل هرس کردن شاخه‌های اضافی.


➖➖⬇️➖➖

همچنین اگر علاقه‌مند به یادگیری هوش مصنوعی هستید، گام اول برای شما آموزش یادگیری ماشین هست.
دوره آموزشی «یادگیری ماشین با پایتون»  از مبانی یادگیری ماشین آغاز می‌شود و گام‌ به گام تا مباحث پیچیده‌تری مثل یادگیری گروهی، کاهش ابعاد داده و شبکه‌های عصبی پیش ‌می‌رود.

😈 این دوره به صورت عملیاتی و کاربردی طراحی شده است. برای اطلاعات بیشتر و مشاهده طرح درس و ثبت‌نام می‌توانید به سایت مدرسه دقیقه سر بزنید:

🔗 d-learn.ir/mlpy

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

Читать полностью…

🎯 معرفی دوره استفاده از هوش مصنوعی (🔤🔤) در زندگی حرفه‌ای

#دوره_آموزشی_آنلاین

هوش مصنوعی در حال تغییر شیوه کار و زندگی ماست و بسیاری از مشاغل دگرگون کرده است. از انجام وظایف اداری و پشتیبانی مشتری گرفته تا تولید محتوا و تحلیل داده، هوش مصنوعی با افزایش سرعت و دقت، بهره‌وری را به سطحی جدید رسانده است.

اگر دوست دارید از این تحول برای رشد حرفه‌ای خود استفاده کنید، این دوره فرصت یادگیری و تمرین آن را برای شما فراهم می‌کند. در این کارگاه آموزشی از مفاهیم پایه هوش مصنوعی و کاربردهای روزمره آن گرفته تا مواردی مثل مانند نامه‌نگاری رسمی، تنظیم قرارداد، گردآوری اطلاعات، تهیه گزارش، انواع تولید محتوا و تحلیل داده‌ در کسب‌و‌کار با استفاده از هوش مصنوعی را به‌صورت عملی یاد می‌گیرید و تمرین می‌کنید.

🎓 مدرسان دوره: سعید مجیدی متخصص یادگیری ماشین و هوش مصنوعی در گروه صنعتی انتخاب | حسام محمدحسینی مدیر ارشد مهندسی داده و پلتفرم ارزش مشتری ایرانسل | علیرضا چمن‌زار تحلیلگر داده در شرکت پردازش و تحلیل داده دقیقه | مجید پورکاشانی مدیرعامل شرکت پردازش و تحلیل داده دقیقه

📆 پنج‌شنبه ۹:۳۰ تا ۱۳:۰۰
🗓 از ۱۸ اردیبهشت ۱۴۰۴
⏺️ ۱۸ ساعت (۶ هفته)
🎞 با دسترسی به ویدئوی جلسات
🏅 دارای پروژه پایانی و گواهی پایان دوره (قابل استعلام)

⏳ برای استفاده از تخفیف بیشتر زودتر ثبت‌نام کنید:

🙂 کد تخفیف 30% برای پرداخت کامل: NwA30
🙂 کد تخفیف 20% برای پرداخت قسطی: NpW20

🔴 اعتبار کدهای تخفیف تا ۱۴ اردیبهشت ۱۴۰۴

🔗 لینک ثبت نام:
d-learn.ir/ai4p?utm=ldp

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

Читать полностью…

↗️پاک‌سازی داده‌ها با پانداس (Pandas)

در فرایند تحلیل معمولا داده‌ها نیاز به پیش‌پردازش و پاکسازی دارند تا به قالب مناسبی برای تحلیل نهایی برسند.

فرایند پاکسازی معمولا این چند مرحله است:
+ تغییر نام ستون‌ها
+ تغییر جنس ستون‌ها
+ مشاهده و حذف داده‌های تکراری
+ حذف داده‌های حاوی NaN
+ حذف سطر و ستون

⬇️تغییر نام ستون‌ها

DataFrame.rename(columns = {dict}, inplace = True)

عبارت columns: یک دیکشنری که نام فعلی ستون‌ها Key و نام جدید آنها Valueهای این دیکشنری هستند.
عبارت inplace: بیان می‌کند که این تغییرات بلافاصله بر روی DataFrame فعلی و بدون نیاز به یک کپی از آن انجام شود (True) یا خیر (False).

🔴تغییر نوع ستون‌ها

#بررسی نوع ستون‌ها
print(provincesDF.dtypes)

'''
province      object
center        object
region        float64
population    float64
area          float64
dtype: object
'''
#تغییر نوع ستون انتخابی
provincesDF['region'] = provincesDF['region'].astype(str)

print(provincesDF.dtypes) #خروجی

'''
province      object
center        object
region        object
population    float64
area          float64
dtype: object
'''

🟡مشاهده داده‌های تکراری
برای پی‌بردن به اینکه آیا DataFrame حاوی سطری تکراری است، از تابع زیر استفاده می‌شود:

DataFrame.duplicated(keep = ['first', 'last'])

این تابع یک لیست حاوی مقادیر Boolean و به‌اندازه تعداد سطرها برمی‌گرداند. به هر‌سطری که تکراری باشد مقدار True نسبت داده می‌شود. دقت داشته باشید که دو سطر درصورتی تکرار هم درنظرگرفته می‌شوند، که در تمامی ستون‌ها مقادیر آنها دقیقا مشابه یکدیگر باشد.

عبارت keep: فرض کنید که دوسطر i و j تکراری باشند و i قبل از j قرار گرفته باشد. درصورتی‌که 'keep = 'first باشد، Pandas سطر i را نگه‌داشته و سطر j را تکراری اعلام می‌کند. درصورتی که 'keep = 'last باشد، برعکس این اتفاق رخ می‌دهد و سری i تکراری درنظر گرفته می‌شود.

🔵حذف داده‌های تکراری
پس از تشخیص وجود داده، سطر، تکراری می‌توانیم، درصورت نیاز، با استفاده از تابع زیر اقدام به حذف آن سطور کنیم :

DataFrame.drop_duplicates(inplace, keep = ['first','last'])

این تابع یک لیست حاوی مقادیر Boolean و به‌اندازه تعداد سطرها برمی‌گرداند. به هر‌سطری که تکراری باشد مقدار True نسبت داده می‌شود. دقت داشته باشید که دو سطر درصورتی تکرار هم درنظرگرفته می‌شوند، که در تمامی ستون‌ها مقادیر آنها دقیقا مشابه یکدیگر باشد.
عبارت inplace: یک مقدار Boolean که مشخص می‌کند که عمل حذف بر روی خود DataFrame انجام شود ('inplace = 'True) و یا DataFrame بدون تغییر مانده و عمل حذف بر روی یک کپی از آن اعمال شود ('inplace = 'False). مقدار پیش‌فرض برابر با False است.
عبارت keep: بیان می‌کند که از اعضای تکراری، مورد اول ('first') و یا مورد آخر('last') نگه‌داشته شوند.

🟠 کشف و مشاهده داده‌های ناموجود
در مرحله اول باید بررسی کنیم که آیا DataFrame حاوی مقدار Null است یا خیر. برای این‌ امر از تابع ()isnull استفاده می‌کنیم:

DataFrame.isnull()

خروجی این تابع یک DataFrame به اندازه‌ی DataFrame اصلی است که محتوای آن مقادیر True/False می‌باشد. اگر مقدار خانه‌ای برابر با True باشد، به این معنی است که خانه‌ی متناظر در DataFrame اصلی حاوی مقدار Null است.

🟢 حذف داده‌های ناموجود
ساده‌ترین رویکرد برخورد با داده‌های ناموجود، حذف سطرها و یا ستون هایی است که حداقل در یکی از خانه‌ها مقداری ندارند. Pandas برای این روش از تابع ()dropna استفاده می‌کند:

DataFrame.isnull(inplace, axis = {0,1})

عبارت inplace: یک مقدار Boolean که مشخص می‌کند که عمل حذف بر روی خود DataFrame انجام شود ('inplace = 'True) و یا DataFrame بدون تغییر مانده و عمل حذف بر روی یک کپی از آن اعمال شود ('inplace = 'False). مقدار پیش‌فرض برابر با False است.
عبارت axis: درصورتی که 0 باشد بیانگر حذف سطر و 1 بیانگر حذف ستون است. مقدار پیش‌فرض آن برابر با 0 (حذف سطر) است.

📷 به دلیل محدودیت تعداد کلمات در تلگرام می‌توانید ادامه بحث را در اینستاگرام مدرسه دقیقه دنبال کنید.

💡 این آموزش بخشی از درسنامه پردازش و تبدیل داده با پانداس pandas که از بخش درسنامه‌ها می‌توانید از آن استفاده کنید.

➖➖👇➖➖
همچنین اگر علاقه‌مند به یادگیری مهارت‌های پردازش و تحلیل داده‌های حجیم در پایتون هستید، دوره آموزشی پردازش بهینه با pandas و polars برای شما طراحی شده‌است.

🙂 کد تخفیف 30% برای پرداخت کامل: Fvxp30
🙂 کد تخفیف 20% برای پرداخت قسطی: VxpF20

⭐ اعتبار کدهای تخفیف تا ۱۴ اردیبهشت ۱۴۰۴

لینک ثبت‌نام:
🔗 d-learn.ir/pyps

تماس:
📱 t.me/dlearnsup
📞 02188349244
📲 09103209837

@dlearn_ir

Читать полностью…

💰 نگاهی بر گزارش حقوق و دستمزد جاب‌ویژن ١۴٠۴
✅ در حوزه‌های مرتبط با داده

پلتفرم خدمات کاریابی و #استخدام جاب‌ویژن از از سال 1399، پیوسته گزارش‌هایی را با عنوان حقوق و دستمزد با نظرسنجی از نیروهای کار در سراسر کشور منتشر می‌کند. گزارش حقوق و دستمزد 1404 با شرکت بیش از 100هزار نفر، در 600 خانواده شغلی به تفکیک گروه شغلی، سطح ارشدیت و جغرافیا اخیرا منتشر شده‌است.
در این نوشته، اطلاعات و نکات مهم این گزارش و به صورت اختصاصی مشاغل مربوط به داده بازنشر شده.

💡 مهم‌ترین یافته‌های گزارش

کارفرماها و کارجویان اعتقاد دارند که به‌دلیل وجود شرایط تورمی در کشور، حقوق افراد باید متناسب با تورم افزایش یابد تا قدرت خریدشان ثابت بماند.
بنا به دلایل مختلف از جمله گروه شغلی، مدت حضور در بازار کار و… حقوق #زنان ٪۲۸ کمتر از مردان است.
سطح ارشدیت مهم‌ترین عامل برای افزایش حقوق است، درحالی‌که سابقه کار در میانه مسیر شغلی بی‌تاثیر می‌شود.
اکثر مشاغلی که مرتبط با تکنولوژی بوده‌اند (مانند توسعه نرم‌افزار، مدیر محصول و تحلیل‌گر کسب‌و‌کار، هوش مصنوعی و علوم داده و ...) حقوق‌های بالایی دارند و رشد زیادی را تجربه کرده‌اند.
نوع #دانشگاه محل تحصیل #کمترین تاثیر را بر حقوق دریافتی دارد.

🌐اعداد حقوق ۱۴۰۳ و ۱۴۰۴ شغل‌های مرتبط با حوزه داده به دلیل محدودیت تلگرام در اینستاگرام مدرسه ببینید.

همچنین می‌توانید گزارش کامل را از سایت جاب‌ویژن دانلود کنید.

🔴🔴🔴🔴
تا ۲۲ فروردین وقت دارید تا دوره‌های بهار مدرسه دقیقه را با تخفیف خریداری کنید؛
+ یادگیری ماشین با پایتون
* استفاده از هوش مصنوعی در زندگی حرفه‌ای
+ استخراج داده از وب
* پردازش بهینه با pandas و polars

🟢 اطلاعات بیشتر:
/channel/dlearn_ir/575

🙂 کد تخفیف 30% برای پرداخت کامل: Fvxp30
🙂 کد تخفیف 20% برای پرداخت قسطی: VxpF20

⭐ اعتبار کدهای تخفیف تا ۱۴ اردیبهشت ۱۴۰۴

شروع از دوره‌ها از نیمه اردیبهشت‌ ۱۴۰۴

📲 تماس:
@dlearnsup
09103209837
02188349244

@dlearn_ir

Читать полностью…