انواع موقعیت های شغلی در اکوسیستم دیتاساینس (علم داده)
انواع موقعیت های شغلی در اکوسیستم دیتاساینس (علم داده) Read More »
0
در حل مساله داده کاوی و بطور کلی مسائل حوزه علم داده، کیفیت داده ها تاثیر معناداری در نتیجه نهایی دارد و به همین دلیل در فاز آماده سازی باید روی بهبود این مساله تمرکز کنیم. وجود داده های پرت در دیتاست اولیه، یکی از مواردیست که بر کاهش کیفیت داده های ورودی موثر است.
روش های برخورد با داده های پرت در فرایند حل مساله Read More »
در استفاده از مدلهای مبتنی بر شبکه عصبی مانند تمام الگوریتمهای حوزه علم داده، شناخت مناسب از ساختار و معماری الگوریتم و همچنین پارامترهای تعیین کننده در کیفیت خروجی مدل یا همان هایپرپارامترها، ضروری است. در این ویدیو بطور خلاصه به این موضوع پرداخته شده و ویدیوی کامل آن به همراه مثالها و پروژههای تمرینی
ساختار مدل شبکه عصبی Read More »
دانشمند داده: شخصی که آمار را بهتر از هر مهندس کامپیوتری میداند و مهندسی کامپیوتر را بهتر از هر متخصص آماری میفهمد. لازم به ذکر است که در این تعریف، مهارتهای موردنیاز به دو بخش تقسیم شدهاند: مهارتهای مرتبط با مهندسی نرمافزار و علوم کامپیوتر. مهارتهای مرتبط با ریاضیات، آمار و الگوریتمها. این تعریف نشان
پوزیشن های شغلی علم داده – بخش1 Read More »
در پست قبل (جلسه قبل) درباره موقعیتهای شغلی مختلف در حوزه دیتا ساینس صحبت کردیم. چهار نقش کلیدی که به آنها اشاره شد عبارت بودند از: دیتا آنالیست: مشابه بیزینس آنالیست که با دادهها سر و کار دارد. دیتا ساینتیست: مسیری که عموماً هدف اصلی این حوزه محسوب میشود. مهندس ماشین لرنینگ (ML Engineer): فردی
پوزیشن های شغلی علم داده – بخش2 Read More »
برای دریافت مشاوره رایگان، فرم زیر را پر کنید تا کارشناسان ما با شما تماس بگیرند.